30 KiB

Raw Blame History Unescape Escape

🌐 Çok Dilli Destek

GitHub Action ile Destekleniyor (Otomatik ve Her Zaman Güncel)

Topluluğumuza Katılın

AI ile öğrenme serimiz Discord'da devam ediyor. Daha fazla bilgi edinin ve bize AI ile Öğrenme Serisi adresinden 18 - 30 Eylül 2025 tarihleri arasında katılın. GitHub Copilot'ı Veri Bilimi için kullanma ipuçları ve püf noktalarını öğreneceksiniz.

Yeni Başlayanlar için Makine Öğrenimi - Bir Müfredat

🌍 Dünya kültürleri aracılığıyla Makine Öğrenimini keşfederken dünyayı dolaşın 🌍

Microsoft'taki Cloud Advocates ekibi, Makine Öğrenimi hakkında 12 haftalık, 26 derslik bir müfredat sunmaktan mutluluk duyuyor. Bu müfredatta, genellikle klasik makine öğrenimi olarak adlandırılan konuları öğreneceksiniz. Temel olarak Scikit-learn kütüphanesini kullanarak derin öğrenimden kaçınıyoruz; bu konu Yeni Başlayanlar için AI müfredatımızda ele alınıyor. Bu dersleri 'Yeni Başlayanlar için Veri Bilimi' müfredatımızla birleştirin!

Klasik teknikleri dünyanın farklı bölgelerinden alınan verilere uygularken bizimle birlikte dünyayı dolaşın. Her ders, ders öncesi ve sonrası sınavlar, dersin tamamlanması için yazılı talimatlar, bir çözüm, bir ödev ve daha fazlasını içerir. Proje tabanlı pedagojimiz, yeni becerilerin kalıcı olmasını sağlayan kanıtlanmış bir öğrenme yöntemi sunar.

✍️ Yazarlarımıza içten teşekkürler Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ve Amy Boyd

🎨 İllüstratörlerimize teşekkürler Tomomi Imura, Dasani Madipalli ve Jen Looper

🙏 Microsoft Öğrenci Elçilerine özel teşekkürler 🙏, özellikle Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ve Snigdha Agarwal

🤩 Microsoft Öğrenci Elçileri Eric Wanjau, Jasleen Sondhi ve Vidushi Gupta'ya R derslerimiz için ekstra teşekkürler!

Başlarken

Şu adımları izleyin:

Depoyu Çatallayın: Bu sayfanın sağ üst köşesindeki "Fork" düğmesine tıklayın.
Depoyu Klonlayın: git clone https://github.com/microsoft/ML-For-Beginners.git

Bu kurs için ek kaynakların tamamını Microsoft Learn koleksiyonumuzda bulun

🔧 Yardıma mı ihtiyacınız var? Kurulum, yapılandırma ve derslerin çalıştırılmasıyla ilgili yaygın sorunlara çözüm bulmak için Sorun Giderme Kılavuzumuza göz atın.

Öğrenciler, bu müfredatı kullanmak için tüm depoyu kendi GitHub hesabınıza çatallayın ve alıştırmaları bireysel olarak veya bir grup ile tamamlayın:

Ders öncesi sınavla başlayın.
Dersi okuyun ve her bilgi kontrolünde durarak ve düşünerek etkinlikleri tamamlayın.
Dersleri anlamaya çalışarak projeleri oluşturmayı deneyin; ancak çözüm kodu her proje odaklı dersin /solution klasörlerinde mevcuttur.
Ders sonrası sınavı yapın.
Zorluğu tamamlayın.
Ödevi tamamlayın.
Bir ders grubunu tamamladıktan sonra Tartışma Panosunu ziyaret edin ve uygun PAT rubriğini doldurarak "yüksek sesle öğrenin". 'PAT', öğreniminizi ilerletmek için doldurduğunuz bir rubrik olan İlerleme Değerlendirme Aracıdır. Ayrıca diğer PAT'lere tepki verebiliriz, böylece birlikte öğrenebiliriz.

Daha fazla çalışma için bu Microsoft Learn modüllerini ve öğrenme yollarını takip etmenizi öneririz.

Eğitmenler, bu müfredatı nasıl kullanacağınızla ilgili bazı öneriler ekledik.

Video rehberler

Bazı dersler kısa video formatında mevcuttur. Tüm bu videoları derslerin içinde veya Microsoft Developer YouTube kanalındaki Yeni Başlayanlar için ML oynatma listesinde bulabilirsiniz. Aşağıdaki görsele tıklayın.

Ekibi Tanıyın

Gif tasarımı Mohit Jaisal

🎥 Proje ve onu oluşturan kişiler hakkında bir video için yukarıdaki görsele tıklayın!

Pedagoji

Bu müfredatı oluştururken iki pedagojik ilke seçtik: içeriğin proje tabanlı olmasını ve sık sınavlar içermesini sağlamak. Ayrıca, bu müfredatın bir tema içermesi, ona bütünlük kazandırır.

İçeriğin projelerle uyumlu olmasını sağlayarak, süreç öğrenciler için daha ilgi çekici hale gelir ve kavramların kalıcılığı artırılır. Ayrıca, bir sınıftan önce yapılan düşük riskli bir sınav, öğrencinin bir konuyu öğrenmeye yönelik niyetini belirlerken, sınıf sonrası yapılan ikinci bir sınav, daha fazla öğrenmeyi sağlar. Bu müfredat esnek ve eğlenceli olacak şekilde tasarlandı ve tamamı veya bir kısmı alınabilir. Projeler küçük başlar ve 12 haftalık döngünün sonunda giderek daha karmaşık hale gelir. Bu müfredat ayrıca ML'nin gerçek dünya uygulamaları hakkında bir ek içerir, bu ek ekstra kredi olarak veya tartışma temeli olarak kullanılabilir.

Davranış Kurallarımızı, Katkıda Bulunma, Çeviri ve Sorun Giderme yönergelerimizi bulun. Yapıcı geri bildirimlerinizi memnuniyetle karşılıyoruz!

Her ders şunları içerir

isteğe bağlı çizim notları
isteğe bağlı ek video
video rehberi (sadece bazı derslerde)
ders öncesi ısınma sınavı
yazılı ders
proje tabanlı dersler için, projeyi nasıl oluşturacağınızla ilgili adım adım kılavuzlar
bilgi kontrolleri
bir zorluk
ek okuma
ödev
ders sonrası sınav

Diller hakkında bir not: Bu dersler ağırlıklı olarak Python ile yazılmıştır, ancak birçoğu R dilinde de mevcuttur. Bir R dersini tamamlamak için /solution klasörüne gidin ve R derslerini arayın. Bu dersler, bir R Markdown dosyasını temsil eden .rmd uzantısını içerir. Bu dosya, Markdown belgesinde kod parçacıkları (R veya diğer dillerde) ve YAML başlığı (PDF gibi çıktıları nasıl biçimlendireceğini yönlendiren) birleştirilmiş olarak tanımlanabilir. Bu nedenle, veri bilimi için örnek bir yazım çerçevesi olarak hizmet eder çünkü kodunuzu, çıktısını ve düşüncelerinizi Markdown'da yazmanıza olanak tanır. Ayrıca, R Markdown belgeleri PDF, HTML veya Word gibi çıktı formatlarına dönüştürülebilir.

Sınavlar hakkında bir not: Tüm sınavlar Quiz App klasöründe yer almaktadır ve toplamda 52 sınav, her biri üç sorudan oluşmaktadır. Derslerin içinde bağlantılıdır, ancak sınav uygulaması yerel olarak çalıştırılabilir; sınav uygulamasını yerel olarak barındırmak veya Azure'a dağıtmak için quiz-app klasöründeki talimatları takip edin.

Ders Numarası	Konu	Ders Grubu	Öğrenme Hedefleri	Bağlantılı Ders	Yazar
01	Makine öğrenimine giriş	Giriş	Makine öğreniminin temel kavramlarını öğrenin	Ders	Muhammad
02	Makine öğreniminin tarihi	Giriş	Bu alanın temelindeki tarihi öğrenin	Ders	Jen ve Amy
03	Adalet ve makine öğrenimi	Giriş	Öğrencilerin ML modelleri oluştururken ve uygularken dikkate alması gereken önemli felsefi konular nelerdir?	Ders	Tomomi
04	Makine öğrenimi teknikleri	Giriş	ML araştırmacıları ML modelleri oluşturmak için hangi teknikleri kullanır?	Ders	Chris ve Jen
05	Regresyona giriş	Regresyon	Regresyon modelleri için Python ve Scikit-learn ile başlayın	Python • R	Jen • Eric Wanjau
06	Kuzey Amerika kabak fiyatları 🎃	Regresyon	ML için veri görselleştirin ve temizleyin	Python • R	Jen • Eric Wanjau
07	Kuzey Amerika kabak fiyatları 🎃	Regresyon	Doğrusal ve polinomial regresyon modelleri oluşturun	Python • R	Jen ve Dmitry • Eric Wanjau
08	Kuzey Amerika kabak fiyatları 🎃	Regresyon	Lojistik regresyon modeli oluşturun	Python • R	Jen • Eric Wanjau
09	Bir Web Uygulaması 🔌	Web Uygulaması	Eğitilmiş modelinizi kullanmak için bir web uygulaması oluşturun	Python	Jen
10	Sınıflandırmaya giriş	Sınıflandırma	Verilerinizi temizleyin, hazırlayın ve görselleştirin; sınıflandırmaya giriş	Python • R	Jen ve Cassie • Eric Wanjau
11	Lezzetli Asya ve Hint mutfağı 🍜	Sınıflandırma	Sınıflandırıcılarla tanışın	Python • R	Jen ve Cassie • Eric Wanjau
12	Lezzetli Asya ve Hint mutfağı 🍜	Sınıflandırma	Daha fazla sınıflandırıcı	Python • R	Jen ve Cassie • Eric Wanjau
13	Lezzetli Asya ve Hint mutfağı 🍜	Sınıflandırma	Modelinizi kullanarak bir öneri web uygulaması oluşturun	Python	Jen
14	Kümelemeye giriş	Kümeleme	Verilerinizi temizleyin, hazırlayın ve görselleştirin; kümelemeye giriş	Python • R	Jen • Eric Wanjau
15	Nijerya müzik zevklerini keşfetmek 🎧	Kümeleme	K-Means kümeleme yöntemini keşfedin	Python • R	Jen • Eric Wanjau
16	Doğal dil işleme giriş ☕️	Doğal dil işleme	Basit bir bot oluşturarak NLP hakkında temel bilgileri öğrenin	Python	Stephen
17	Yaygın NLP Görevleri ☕️	Doğal dil işleme	Dil yapılarıyla çalışırken gereken yaygın görevleri anlayarak NLP bilginizi derinleştirin	Python	Stephen
18	Çeviri ve duygu analizi ♥️	Doğal dil işleme	Jane Austen ile çeviri ve duygu analizi	Python	Stephen
19	Avrupa'nın romantik otelleri ♥️	Doğal dil işleme	Otel yorumlarıyla duygu analizi 1	Python	Stephen
20	Avrupa'nın romantik otelleri ♥️	Doğal dil işleme	Otel yorumlarıyla duygu analizi 2	Python	Stephen
21	Zaman serisi tahminine giriş	Zaman serisi	Zaman serisi tahminine giriş	Python	Francesca
22	⚡️ Dünya Güç Kullanımı ⚡️ - ARIMA ile zaman serisi tahmini	Zaman serisi	ARIMA ile zaman serisi tahmini	Python	Francesca
23	⚡️ Dünya Güç Kullanımı ⚡️ - SVR ile zaman serisi tahmini	Zaman serisi	Destek Vektör Regresörü ile zaman serisi tahmini	Python	Anirban
24	Pekiştirmeli öğrenmeye giriş	Pekiştirmeli öğrenme	Q-Learning ile pekiştirmeli öğrenmeye giriş	Python	Dmitry
25	Peter'ı kurttan koruyun! 🐺	Pekiştirmeli öğrenme	Pekiştirmeli öğrenme Gym	Python	Dmitry
Postscript	Gerçek dünya ML senaryoları ve uygulamaları	Vahşi ML	Klasik ML'nin ilginç ve açıklayıcı gerçek dünya uygulamaları	Ders	Ekip
Postscript	RAI panosu kullanarak ML model hata ayıklama	Vahşi ML	Sorumlu AI panosu bileşenlerini kullanarak Makine Öğrenimi model hata ayıklama	Ders	Ruth Yakubu

Bu kurs için tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun

Çevrimdışı erişim

Bu dokümantasyonu Docsify kullanarak çevrimdışı çalıştırabilirsiniz. Bu repo'yu fork edin, Docsify'i yükleyin yerel makinenize ve ardından bu repo'nun kök klasöründe docsify serve yazın. Web sitesi localhost'unuzda 3000 portunda çalıştırılacaktır: localhost:3000.

PDF'ler

Bağlantılarla müfredatın PDF'sini burada bulun.

🎒 Diğer Kurslar

Ekibimiz başka kurslar da üretiyor! Şunlara göz atın:

Azure / Edge / MCP / Ajanlar

Üretken AI Serisi

Temel Öğrenme

Copilot Serisi

Yardım Alma

Eğer takılırsanız veya yapay zeka uygulamaları oluşturma konusunda sorularınız olursa, şu topluluğa katılabilirsiniz:

Eğer ürünle ilgili geri bildirimde bulunmak veya hata raporlamak isterseniz, şu adresi ziyaret edin:

Feragatname:
Bu belge, AI çeviri hizmeti Co-op Translator kullanılarak çevrilmiştir. Doğruluk için çaba göstersek de, otomatik çevirilerin hata veya yanlışlıklar içerebileceğini lütfen unutmayın. Belgenin orijinal dili, yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımından kaynaklanan yanlış anlamalar veya yanlış yorumlamalar için sorumluluk kabul etmiyoruz.

30 KiB Raw Blame History Unescape Escape