28 KiB
🌐 Hỗ trợ đa ngôn ngữ
Được hỗ trợ qua GitHub Action (Tự động & Luôn cập nhật)
French | Spanish | German | Russian | Arabic | Persian (Farsi) | Urdu | Chinese (Simplified) | Chinese (Traditional, Macau) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Taiwan) | Japanese | Korean | Hindi | Bengali | Marathi | Nepali | Punjabi (Gurmukhi) | Portuguese (Portugal) | Portuguese (Brazil) | Italian | Polish | Turkish | Greek | Thai | Swedish | Danish | Norwegian | Finnish | Dutch | Hebrew | Vietnamese | Indonesian | Malay | Tagalog (Filipino) | Swahili | Hungarian | Czech | Slovak | Romanian | Bulgarian | Serbian (Cyrillic) | Croatian | Slovenian | Ukrainian | Burmese (Myanmar)
Tham gia cộng đồng
Học máy cho người mới bắt đầu - Một chương trình học
🌍 Du hành khắp thế giới khi chúng ta khám phá Học máy thông qua các nền văn hóa 🌍
Các chuyên gia đám mây tại Microsoft rất vui mừng giới thiệu chương trình học kéo dài 12 tuần, gồm 26 bài học về Học máy. Trong chương trình này, bạn sẽ tìm hiểu về những gì đôi khi được gọi là học máy cổ điển, chủ yếu sử dụng thư viện Scikit-learn và tránh học sâu, nội dung được đề cập trong chương trình học AI cho người mới bắt đầu. Kết hợp các bài học này với chương trình học 'Khoa học dữ liệu cho người mới bắt đầu' của chúng tôi!
Hãy cùng chúng tôi du hành khắp thế giới khi áp dụng các kỹ thuật cổ điển này vào dữ liệu từ nhiều khu vực trên thế giới. Mỗi bài học bao gồm các bài kiểm tra trước và sau bài học, hướng dẫn viết để hoàn thành bài học, giải pháp, bài tập và nhiều nội dung khác. Phương pháp học dựa trên dự án của chúng tôi cho phép bạn học thông qua việc xây dựng, một cách đã được chứng minh để kỹ năng mới được ghi nhớ lâu hơn.
✍️ Cảm ơn chân thành đến các tác giả Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu và Amy Boyd
🎨 Cảm ơn các họa sĩ minh họa Tomomi Imura, Dasani Madipalli, và Jen Looper
🙏 Đặc biệt cảm ơn 🙏 các Đại sứ Sinh viên Microsoft, những người đã đóng góp nội dung, đánh giá và viết bài, đặc biệt là Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, và Snigdha Agarwal
🤩 Cảm ơn thêm các Đại sứ Sinh viên Microsoft Eric Wanjau, Jasleen Sondhi, và Vidushi Gupta vì các bài học về R của chúng tôi!
Bắt đầu
Thực hiện các bước sau:
- Fork kho lưu trữ: Nhấn vào nút "Fork" ở góc trên bên phải của trang này.
- Clone kho lưu trữ:
git clone https://github.com/microsoft/ML-For-Beginners.git
tìm tất cả tài nguyên bổ sung cho khóa học này trong bộ sưu tập Microsoft Learn của chúng tôi
Sinh viên, để sử dụng chương trình học này, hãy fork toàn bộ repo vào tài khoản GitHub của bạn và hoàn thành các bài tập một mình hoặc cùng nhóm:
- Bắt đầu với bài kiểm tra trước bài học.
- Đọc bài học và hoàn thành các hoạt động, dừng lại và suy ngẫm tại mỗi phần kiểm tra kiến thức.
- Cố gắng tạo các dự án bằng cách hiểu bài học thay vì chạy mã giải pháp; tuy nhiên mã đó có sẵn trong các thư mục
/solutiontrong mỗi bài học dựa trên dự án. - Làm bài kiểm tra sau bài học.
- Hoàn thành thử thách.
- Hoàn thành bài tập.
- Sau khi hoàn thành một nhóm bài học, hãy truy cập Diễn đàn thảo luận và "học to" bằng cách điền vào rubric PAT phù hợp. PAT là Công cụ Đánh giá Tiến độ, một rubric bạn điền để nâng cao việc học của mình. Bạn cũng có thể phản hồi các PAT khác để chúng ta cùng học hỏi.
Để học thêm, chúng tôi khuyến nghị theo dõi các module và lộ trình học Microsoft Learn.
Giáo viên, chúng tôi đã bao gồm một số gợi ý về cách sử dụng chương trình học này.
Video hướng dẫn
Một số bài học có sẵn dưới dạng video ngắn. Bạn có thể tìm thấy tất cả các video này trong bài học hoặc trên danh sách phát ML cho người mới bắt đầu trên kênh YouTube Microsoft Developer bằng cách nhấp vào hình ảnh dưới đây.
Gặp gỡ đội ngũ
Gif bởi Mohit Jaisal
🎥 Nhấp vào hình ảnh trên để xem video về dự án và những người đã tạo ra nó!
Phương pháp giảng dạy
Chúng tôi đã chọn hai nguyên tắc giảng dạy khi xây dựng chương trình học này: đảm bảo rằng nó dựa trên dự án thực hành và bao gồm các bài kiểm tra thường xuyên. Ngoài ra, chương trình học này có một chủ đề chung để tạo sự gắn kết.
Bằng cách đảm bảo nội dung phù hợp với các dự án, quá trình học trở nên hấp dẫn hơn đối với học viên và khả năng ghi nhớ các khái niệm sẽ được tăng cường. Ngoài ra, một bài kiểm tra không áp lực trước lớp giúp học viên tập trung vào việc học một chủ đề, trong khi bài kiểm tra thứ hai sau lớp đảm bảo khả năng ghi nhớ lâu hơn. Chương trình học này được thiết kế linh hoạt và thú vị, có thể học toàn bộ hoặc từng phần. Các dự án bắt đầu nhỏ và trở nên phức tạp hơn vào cuối chu kỳ 12 tuần. Chương trình học này cũng bao gồm một phần phụ về các ứng dụng thực tế của ML, có thể được sử dụng như điểm cộng thêm hoặc làm cơ sở cho thảo luận.
Tìm Quy tắc ứng xử, Hướng dẫn đóng góp, và Hướng dẫn dịch thuật của chúng tôi. Chúng tôi hoan nghênh phản hồi mang tính xây dựng của bạn!
Mỗi bài học bao gồm
- sketchnote tùy chọn
- video bổ sung tùy chọn
- video hướng dẫn (chỉ một số bài học)
- bài kiểm tra khởi động trước bài học
- bài học viết
- đối với các bài học dựa trên dự án, hướng dẫn từng bước về cách xây dựng dự án
- kiểm tra kiến thức
- một thử thách
- tài liệu đọc bổ sung
- bài tập
- bài kiểm tra sau bài học
Lưu ý về ngôn ngữ: Các bài học này chủ yếu được viết bằng Python, nhưng nhiều bài cũng có sẵn bằng R. Để hoàn thành bài học R, hãy vào thư mục
/solutionvà tìm các bài học R. Chúng bao gồm phần mở rộng .rmd, đại diện cho một tệp R Markdown, có thể được định nghĩa đơn giản là sự kết hợp củacode chunks(của R hoặc các ngôn ngữ khác) vàYAML header(hướng dẫn cách định dạng đầu ra như PDF) trong một tài liệuMarkdown. Do đó, nó là một khung tác giả mẫu mực cho khoa học dữ liệu vì nó cho phép bạn kết hợp mã của mình, đầu ra của nó và suy nghĩ của bạn bằng cách viết chúng xuống trong Markdown. Hơn nữa, các tài liệu R Markdown có thể được xuất ra các định dạng như PDF, HTML hoặc Word.
Lưu ý về bài kiểm tra: Tất cả các bài kiểm tra được chứa trong thư mục Quiz App, với tổng cộng 52 bài kiểm tra, mỗi bài gồm ba câu hỏi. Chúng được liên kết từ trong các bài học nhưng ứng dụng kiểm tra có thể được chạy cục bộ; làm theo hướng dẫn trong thư mục
quiz-appđể lưu trữ cục bộ hoặc triển khai lên Azure.
| Số bài học | Chủ đề | Nhóm bài học | Mục tiêu học tập | Liên kết bài học | Tác giả |
|---|---|---|---|---|---|
| 01 | Giới thiệu về học máy | Giới thiệu | Tìm hiểu các khái niệm cơ bản về học máy | Bài học | Muhammad |
| 02 | Lịch sử của học máy | Giới thiệu | Tìm hiểu lịch sử đằng sau lĩnh vực này | Bài học | Jen và Amy |
| 03 | Công bằng trong học máy | Giới thiệu | Những vấn đề triết học quan trọng nào về công bằng mà học viên nên cân nhắc khi xây dựng và áp dụng các mô hình ML? | Bài học | Tomomi |
| 04 | Các kỹ thuật học máy | Introduction | Các nhà nghiên cứu học máy sử dụng những kỹ thuật nào để xây dựng mô hình học máy? | Lesson | Chris và Jen |
| 05 | Giới thiệu về hồi quy | Regression | Bắt đầu với Python và Scikit-learn để xây dựng mô hình hồi quy |
- [Python](2-Regression/1-Tools/README.md)
- [R](../../2-Regression/1-Tools/solution/R/lesson_1.html)
- Jen
- Eric Wanjau
- [Python](2-Regression/2-Data/README.md)
- [R](../../2-Regression/2-Data/solution/R/lesson_2.html)
- Jen
- Eric Wanjau
- [Python](2-Regression/3-Linear/README.md)
- [R](../../2-Regression/3-Linear/solution/R/lesson_3.html)
- Jen và Dmitry
- Eric Wanjau
- [Python](2-Regression/4-Logistic/README.md)
- [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html)
- Jen
- Eric Wanjau
- [Python](4-Classification/1-Introduction/README.md)
- [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) |
- Jen và Cassie
- Eric Wanjau
- [Python](4-Classification/2-Classifiers-1/README.md)
- [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) |
- Jen và Cassie
- Eric Wanjau
- [Python](4-Classification/3-Classifiers-2/README.md)
- [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) |
- Jen và Cassie
- Eric Wanjau
- [Python](5-Clustering/1-Visualize/README.md)
- [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) |
- Jen
- Eric Wanjau
- [Python](5-Clustering/2-K-Means/README.md)
- [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) |
- Jen
- Eric Wanjau
tìm tất cả các tài nguyên bổ sung cho khóa học này trong bộ sưu tập Microsoft Learn của chúng tôi
Truy cập ngoại tuyến
Bạn có thể chạy tài liệu này ngoại tuyến bằng cách sử dụng Docsify. Fork repo này, cài đặt Docsify trên máy của bạn, và sau đó trong thư mục gốc của repo này, gõ
docsify serve. Trang web sẽ được phục vụ trên cổng 3000 trên localhost của bạn:localhost:3000.PDFs
Tìm tệp pdf của giáo trình với các liên kết tại đây.
🎒 Các khóa học khác
Nhóm của chúng tôi sản xuất các khóa học khác! Hãy xem:
- Generative AI for Beginners
- Generative AI for Beginners .NET
- Generative AI with JavaScript
- Generative AI with Java
- AI for Beginners
- Data Science for Beginners
- ML for Beginners
- Cybersecurity for Beginners
- Web Dev for Beginners
- IoT for Beginners
- XR Development for Beginners
- Mastering GitHub Copilot for Paired Programming
- Mastering GitHub Copilot for C#/.NET Developers
- Choose Your Own Copilot Adventure
Tuyên bố miễn trừ trách nhiệm:
Tài liệu này đã được dịch bằng dịch vụ dịch thuật AI Co-op Translator. Mặc dù chúng tôi cố gắng đảm bảo độ chính xác, xin lưu ý rằng các bản dịch tự động có thể chứa lỗi hoặc không chính xác. Tài liệu gốc bằng ngôn ngữ bản địa nên được coi là nguồn thông tin chính thức. Đối với các thông tin quan trọng, khuyến nghị sử dụng dịch vụ dịch thuật chuyên nghiệp bởi con người. Chúng tôi không chịu trách nhiệm cho bất kỳ sự hiểu lầm hoặc diễn giải sai nào phát sinh từ việc sử dụng bản dịch này.