12 KiB

Raw Blame History

AGENTS.md

Přehled projektu

Toto je Strojové učení pro začátečníky, komplexní 12týdenní, 26lekční kurikulum pokrývající klasické koncepty strojového učení pomocí Pythonu (primárně s knihovnou Scikit-learn) a R. Repozitář je navržen jako zdroj pro samostatné studium s praktickými projekty, kvízy a úkoly. Každá lekce zkoumá koncepty strojového učení prostřednictvím reálných dat z různých kultur a regionů po celém světě.

Klíčové komponenty:

Vzdělávací obsah: 26 lekcí pokrývajících úvod do strojového učení, regresi, klasifikaci, shlukování, NLP, časové řady a posilované učení
Aplikace kvízů: Kvízová aplikace založená na Vue.js s hodnocením před a po lekci
Podpora více jazyků: Automatické překlady do více než 40 jazyků prostřednictvím GitHub Actions
Podpora dvou jazyků: Lekce dostupné v Pythonu (Jupyter notebooky) i R (R Markdown soubory)
Učení založené na projektech: Každé téma zahrnuje praktické projekty a úkoly

Struktura repozitáře

ML-For-Beginners/
├── 1-Introduction/         # ML basics, history, fairness, techniques
├── 2-Regression/          # Regression models with Python/R
├── 3-Web-App/            # Flask web app for ML model deployment
├── 4-Classification/      # Classification algorithms
├── 5-Clustering/         # Clustering techniques
├── 6-NLP/               # Natural Language Processing
├── 7-TimeSeries/        # Time series forecasting
├── 8-Reinforcement/     # Reinforcement learning
├── 9-Real-World/        # Real-world ML applications
├── quiz-app/           # Vue.js quiz application
├── translations/       # Auto-generated translations
└── sketchnotes/       # Visual learning aids

Každá složka lekce obvykle obsahuje:

README.md - Hlavní obsah lekce
notebook.ipynb - Jupyter notebook pro Python
solution/ - Řešení kódu (verze pro Python a R)
assignment.md - Cvičné úkoly
images/ - Vizuální zdroje

Příkazy pro nastavení

Pro lekce v Pythonu

Většina lekcí používá Jupyter notebooky. Nainstalujte potřebné závislosti:

# Install Python 3.8+ if not already installed
python --version

# Install Jupyter
pip install jupyter

# Install common ML libraries
pip install scikit-learn pandas numpy matplotlib seaborn

# For specific lessons, check lesson-specific requirements
# Example: Web App lesson
pip install flask

Pro lekce v R

Lekce v R se nacházejí ve složkách solution/R/ jako .rmd nebo .ipynb soubory:

# Install R and required packages
# In R console:
install.packages(c("tidyverse", "tidymodels", "caret"))

Pro aplikaci kvízů

Aplikace kvízů je Vue.js aplikace umístěná ve složce quiz-app/:

cd quiz-app
npm install

Pro dokumentační web

Pro spuštění dokumentace lokálně:

# Install Docsify
npm install -g docsify-cli

# Serve from repository root
docsify serve

# Access at http://localhost:3000

Pracovní postup vývoje

Práce s notebooky lekcí

Přejděte do složky lekce (např. 2-Regression/1-Tools/)
Otevřete Jupyter notebook:
```
jupyter notebook notebook.ipynb
```
Projděte obsah lekce a cvičení
Pokud je to nutné, zkontrolujte řešení ve složce solution/

Vývoj v Pythonu

Lekce používají standardní knihovny pro datovou vědu v Pythonu
Jupyter notebooky pro interaktivní učení
Řešení kódu dostupné ve složce solution/ každé lekce

Vývoj v R

Lekce v R jsou ve formátu .rmd (R Markdown)
Řešení se nachází v podadresářích solution/R/
Použijte RStudio nebo Jupyter s R jádrem pro spuštění notebooků v R

Vývoj aplikace kvízů

cd quiz-app

# Start development server
npm run serve
# Access at http://localhost:8080

# Build for production
npm run build

# Lint and fix files
npm run lint

Pokyny k testování

Testování aplikace kvízů

cd quiz-app

# Lint code
npm run lint

# Build to verify no errors
npm run build

Poznámka: Toto je primárně repozitář vzdělávacího kurikula. Neexistují žádné automatizované testy pro obsah lekcí. Validace se provádí prostřednictvím:

Dokončení cvičení lekcí
Úspěšného spuštění buněk notebooku
Kontroly výstupu oproti očekávaným výsledkům v řešeních

Pokyny ke stylu kódu

Kód v Pythonu

Dodržujte stylové pokyny PEP 8
Používejte jasné, popisné názvy proměnných
Přidávejte komentáře ke složitým operacím
Jupyter notebooky by měly obsahovat markdown buňky vysvětlující koncepty

JavaScript/Vue.js (aplikace kvízů)

Dodržujte stylový průvodce Vue.js
Konfigurace ESLint v quiz-app/package.json
Spusťte npm run lint pro kontrolu a automatické opravy problémů

Dokumentace

Markdown soubory by měly být jasné a dobře strukturované
Zahrnujte příklady kódu v ohraničených blocích kódu
Používejte relativní odkazy pro interní reference
Dodržujte existující formátovací konvence

Sestavení a nasazení

Nasazení aplikace kvízů

Aplikace kvízů může být nasazena na Azure Static Web Apps:

Předpoklady:
- Účet Azure
- GitHub repozitář (již forkovaný)
Nasazení na Azure:
- Vytvořte zdroj Azure Static Web App
- Připojte se k GitHub repozitáři
- Nastavte umístění aplikace: /quiz-app
- Nastavte umístění výstupu: dist
- Azure automaticky vytvoří workflow GitHub Actions
Workflow GitHub Actions:
- Workflow soubor vytvořen v .github/workflows/azure-static-web-apps-*.yml
- Automaticky sestavuje a nasazuje při push na hlavní větev

Dokumentace PDF

Generování PDF z dokumentace:

npm install
npm run convert

Pracovní postup překladu

Důležité: Překlady jsou automatizované prostřednictvím GitHub Actions pomocí Co-op Translator.

Překlady jsou automaticky generovány při změnách pushnutých do větve main
NEPŘEKLÁDEJTE obsah ručně - systém to zajišťuje
Workflow definováno v .github/workflows/co-op-translator.yml
Používá služby Azure AI/OpenAI pro překlad
Podporuje více než 40 jazyků

Pokyny pro přispěvatele

Pro přispěvatele obsahu

Forkněte repozitář a vytvořte větev pro funkci
Proveďte změny v obsahu lekce, pokud přidáváte/aktualizujete lekce
Neměňte přeložené soubory - jsou generovány automaticky
Otestujte svůj kód - ujistěte se, že všechny buňky notebooku běží úspěšně
Ověřte odkazy a obrázky, zda fungují správně
Odešlete pull request s jasným popisem

Pokyny pro pull requesty

Formát názvu: [Sekce] Stručný popis změn
- Příklad: [Regrese] Oprava překlepu v lekci 5
- Příklad: [Quiz-App] Aktualizace závislostí
Před odesláním:
- Ujistěte se, že všechny buňky notebooku se spustí bez chyb
- Spusťte npm run lint, pokud upravujete quiz-app
- Ověřte formátování markdownu
- Otestujte nové příklady kódu
PR musí obsahovat:
- Popis změn
- Důvod změn
- Screenshoty, pokud se jedná o změny UI
Kodex chování: Dodržujte Kodex chování Microsoft Open Source
CLA: Budete muset podepsat Smlouvu o licenci přispěvatele

Struktura lekce

Každá lekce dodržuje konzistentní vzor:

Kvíz před lekcí - Test základních znalostí
Obsah lekce - Písemné instrukce a vysvětlení
Ukázky kódu - Praktické příklady v notebooku
Kontroly znalostí - Ověření porozumění během lekce
Výzva - Samostatné použití konceptů
Úkol - Rozšířená praxe
Kvíz po lekci - Hodnocení výsledků učení

Referenční příkazy

# Python/Jupyter
jupyter notebook                    # Start Jupyter server
jupyter notebook notebook.ipynb     # Open specific notebook
pip install -r requirements.txt     # Install dependencies (where available)

# Quiz App
cd quiz-app
npm install                        # Install dependencies
npm run serve                      # Development server
npm run build                      # Production build
npm run lint                       # Lint and fix

# Documentation
docsify serve                      # Serve documentation locally
npm run convert                    # Generate PDF

# Git workflow
git checkout -b feature/my-change  # Create feature branch
git add .                         # Stage changes
git commit -m "Description"       # Commit changes
git push origin feature/my-change # Push to remote

Další zdroje

Microsoft Learn Collection: Moduly ML pro začátečníky
Aplikace kvízů: Online kvízy
Diskusní fórum: GitHub Discussions
Video průvodce: YouTube Playlist

Klíčové technologie

Python: Primární jazyk pro lekce strojového učení (Scikit-learn, Pandas, NumPy, Matplotlib)
R: Alternativní implementace pomocí tidyverse, tidymodels, caret
Jupyter: Interaktivní notebooky pro lekce v Pythonu
R Markdown: Dokumenty pro lekce v R
Vue.js 3: Framework pro aplikaci kvízů
Flask: Framework pro webové aplikace pro nasazení modelů strojového učení
Docsify: Generátor dokumentačního webu
GitHub Actions: CI/CD a automatizované překlady

Bezpečnostní úvahy

Žádná tajemství v kódu: Nikdy neukládejte API klíče nebo přihlašovací údaje
Závislosti: Udržujte balíčky npm a pip aktuální
Vstup uživatele: Příklady webových aplikací Flask zahrnují základní validaci vstupu
Citlivá data: Příkladové datové sady jsou veřejné a neobsahují citlivé informace

Řešení problémů

Jupyter notebooky

Problémy s jádrem: Restartujte jádro, pokud buňky zamrznou: Kernel → Restart
Chyby při importu: Ujistěte se, že všechny požadované balíčky jsou nainstalovány pomocí pip
Problémy s cestou: Spouštějte notebooky z jejich obsahujícího adresáře

Aplikace kvízů

npm install selže: Vyčistěte cache npm: npm cache clean --force
Konflikty portů: Změňte port pomocí: npm run serve -- --port 8081
Chyby při sestavení: Smažte node_modules a znovu nainstalujte: rm -rf node_modules && npm install

Lekce v R

Balíček nenalezen: Nainstalujte pomocí: install.packages("package-name")
Renderování RMarkdown: Ujistěte se, že balíček rmarkdown je nainstalován
Problémy s jádrem: Možná bude nutné nainstalovat IRkernel pro Jupyter

Poznámky k projektu

Toto je primárně vzdělávací kurikulum, nikoli produkční kód
Důraz je kladen na pochopení konceptů strojového učení prostřednictvím praktického cvičení
Příklady kódu upřednostňují srozumitelnost před optimalizací
Většina lekcí je samostatná a lze je dokončit nezávisle
Řešení jsou poskytována, ale studenti by měli nejprve zkusit cvičení
Repozitář používá Docsify pro webovou dokumentaci bez kroku sestavení
Sketchnotes poskytují vizuální shrnutí konceptů
Podpora více jazyků zpřístupňuje obsah globálně

Prohlášení:
Tento dokument byl přeložen pomocí služby AI pro překlady Co-op Translator. I když se snažíme o přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.

12 KiB Raw Blame History