36 KiB

Raw Blame History Unescape Escape

🌐 Υποστήριξη Πολλαπλών Γλωσσών

Υποστηρίζεται μέσω GitHub Action (Αυτοματοποιημένο & Πάντα Ενημερωμένο)

Γίνετε Μέλος της Κοινότητάς μας

Έχουμε μια σειρά εκμάθησης με AI στο Discord, μάθετε περισσότερα και συμμετάσχετε στο Learn with AI Series από τις 18 έως τις 30 Σεπτεμβρίου 2025. Θα λάβετε συμβουλές και κόλπα για τη χρήση του GitHub Copilot για Data Science.

Μηχανική Μάθηση για Αρχάριους - Ένα Πρόγραμμα Σπουδών

🌍 Ταξιδέψτε σε όλο τον κόσμο καθώς εξερευνούμε τη Μηχανική Μάθηση μέσω των πολιτισμών του κόσμου 🌍

Οι Cloud Advocates στη Microsoft είναι στην ευχάριστη θέση να προσφέρουν ένα πρόγραμμα σπουδών 12 εβδομάδων, 26 μαθημάτων, αφιερωμένο στη Μηχανική Μάθηση. Σε αυτό το πρόγραμμα, θα μάθετε για αυτό που μερικές φορές αποκαλείται κλασική μηχανική μάθηση, χρησιμοποιώντας κυρίως τη βιβλιοθήκη Scikit-learn και αποφεύγοντας τη βαθιά μάθηση, η οποία καλύπτεται στο πρόγραμμα σπουδών AI for Beginners. Συνδυάστε αυτά τα μαθήματα με το πρόγραμμα 'Data Science for Beginners', επίσης!

Ταξιδέψτε μαζί μας σε όλο τον κόσμο καθώς εφαρμόζουμε αυτές τις κλασικές τεχνικές σε δεδομένα από πολλές περιοχές του κόσμου. Κάθε μάθημα περιλαμβάνει κουίζ πριν και μετά το μάθημα, γραπτές οδηγίες για την ολοκλήρωση του μαθήματος, μια λύση, μια εργασία και πολλά άλλα. Η παιδαγωγική μας προσέγγιση που βασίζεται σε έργα σας επιτρέπει να μαθαίνετε δημιουργώντας, ένας αποδεδειγμένος τρόπος για να "κολλήσουν" νέες δεξιότητες.

✍️ Θερμές ευχαριστίες στους συγγραφείς μας Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu και Amy Boyd

🎨 Ευχαριστίες επίσης στους εικονογράφους μας Tomomi Imura, Dasani Madipalli και Jen Looper

🙏 Ιδιαίτερες ευχαριστίες 🙏 στους Microsoft Student Ambassadors συγγραφείς, κριτές και συνεισφέροντες περιεχομένου, ιδίως στους Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila και Snigdha Agarwal

🤩 Επιπλέον ευγνωμοσύνη στους Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi και Vidushi Gupta για τα μαθήματα R!

Ξεκινώντας

Ακολουθήστε αυτά τα βήματα:

Κλωνοποιήστε το Αποθετήριο: Πατήστε το κουμπί "Fork" στην επάνω δεξιά γωνία αυτής της σελίδας.
Κατεβάστε το Αποθετήριο: git clone https://github.com/microsoft/ML-For-Beginners.git

βρείτε όλους τους πρόσθετους πόρους για αυτό το μάθημα στη συλλογή μας στο Microsoft Learn

Φοιτητές, για να χρησιμοποιήσετε αυτό το πρόγραμμα σπουδών, κλωνοποιήστε ολόκληρο το αποθετήριο στον δικό σας λογαριασμό GitHub και ολοκληρώστε τις ασκήσεις μόνοι σας ή με μια ομάδα:

Ξεκινήστε με ένα κουίζ πριν από τη διάλεξη.
Διαβάστε τη διάλεξη και ολοκληρώστε τις δραστηριότητες, κάνοντας παύση και αναλογιζόμενοι σε κάθε έλεγχο γνώσεων.
Προσπαθήστε να δημιουργήσετε τα έργα κατανοώντας τα μαθήματα αντί να εκτελείτε τον κώδικα λύσης. Ωστόσο, αυτός ο κώδικας είναι διαθέσιμος στους φακέλους /solution σε κάθε μάθημα που βασίζεται σε έργο.
Κάντε το κουίζ μετά τη διάλεξη.
Ολοκληρώστε την πρόκληση.
Ολοκληρώστε την εργασία.
Μετά την ολοκλήρωση μιας ομάδας μαθημάτων, επισκεφθείτε τον Πίνακα Συζητήσεων και "μάθετε φωναχτά" συμπληρώνοντας το κατάλληλο PAT rubric. Ένα 'PAT' είναι ένα Εργαλείο Αξιολόγησης Προόδου που είναι ένα rubric που συμπληρώνετε για να προωθήσετε τη μάθησή σας. Μπορείτε επίσης να αντιδράσετε σε άλλα PATs ώστε να μάθουμε μαζί.

Για περαιτέρω μελέτη, προτείνουμε να ακολουθήσετε αυτά τα Microsoft Learn modules και διαδρομές μάθησης.

Δάσκαλοι, έχουμε συμπεριλάβει κάποιες προτάσεις για το πώς να χρησιμοποιήσετε αυτό το πρόγραμμα σπουδών.

Βίντεο Οδηγοί

Ορισμένα από τα μαθήματα είναι διαθέσιμα ως σύντομα βίντεο. Μπορείτε να τα βρείτε ενσωματωμένα στα μαθήματα ή στη λίστα αναπαραγωγής ML for Beginners στο κανάλι Microsoft Developer στο YouTube κάνοντας κλικ στην παρακάτω εικόνα.

Γνωρίστε την Ομάδα

Gif από Mohit Jaisal

🎥 Κάντε κλικ στην παραπάνω εικόνα για ένα βίντεο σχετικά με το έργο και τους ανθρώπους που το δημιούργησαν!

Παιδαγωγική

Επιλέξαμε δύο παιδαγωγικές αρχές κατά τη δημιουργία αυτού του προγράμματος σπουδών: να διασφαλίσουμε ότι είναι βασισμένο σε έργα και ότι περιλαμβάνει συχνά κουίζ. Επιπλέον, αυτό το πρόγραμμα σπουδών έχει ένα κοινό θέμα για να του δώσει συνοχή.

Διασφαλίζοντας ότι το περιεχόμενο ευθυγραμμίζεται με έργα, η διαδικασία γίνεται πιο ενδιαφέρουσα για τους μαθητές και η διατήρηση των εννοιών ενισχύεται. Επιπλέον, ένα κουίζ χαμηλού ρίσκου πριν από το μάθημα θέτει την πρόθεση του μαθητή προς την εκμάθηση ενός θέματος, ενώ ένα δεύτερο κουίζ μετά το μάθημα διασφαλίζει περαιτέρω διατήρηση. Αυτό το πρόγραμμα σπουδών σχεδιάστηκε να είναι ευέλικτο και διασκεδαστικό και μπορεί να ληφθεί ολόκληρο ή εν μέρει. Τα έργα ξεκινούν μικρά και γίνονται όλο και πιο περίπλοκα μέχρι το τέλος του κύκλου των 12 εβδομάδων. Αυτό το πρόγραμμα σπουδών περιλαμβάνει επίσης ένα επίλογο για τις εφαρμογές της ML στον πραγματικό κόσμο, που μπορεί να χρησιμοποιηθεί ως επιπλέον πίστωση ή ως βάση για συζήτηση.

Βρείτε τον Κώδικα Συμπεριφοράς, Οδηγίες Συνεισφοράς και Οδηγίες Μετάφρασης. Καλωσορίζουμε τα εποικοδομητικά σας σχόλια!

Κάθε μάθημα περιλαμβάνει

προαιρετικό σκίτσο
προαιρετικό συμπληρωματικό βίντεο
βίντεο οδηγό (μόνο σε ορισμένα μαθήματα)
κουίζ προθέρμανσης πριν από τη διάλεξη
γραπτό μάθημα
για μαθήματα βασισμένα σε έργα, οδηγίες βήμα προς βήμα για την κατασκευή του έργου
έλεγχοι γνώσεων
μια πρόκληση
συμπληρωματική ανάγνωση
εργασία
κουίζ μετά τη διάλεξη

Σημείωση για τις γλώσσες: Αυτά τα μαθήματα είναι κυρίως γραμμένα σε Python, αλλά πολλά είναι επίσης διαθέσιμα σε R. Για να ολοκληρώσετε ένα μάθημα R, μεταβείτε στον φάκελο /solution και αναζητήστε μαθήματα R. Περιλαμβάνουν μια επέκταση .rmd που αντιπροσωπεύει ένα αρχείο R Markdown, το οποίο μπορεί να οριστεί απλά ως ενσωμάτωση κομματιών κώδικα (σε R ή άλλες γλώσσες) και μιας κεφαλίδας YAML (που καθοδηγεί πώς να μορφοποιηθούν τα αποτελέσματα όπως PDF) σε ένα έγγραφο Markdown. Ως εκ τούτου, χρησιμεύει ως ένα εξαιρετικό πλαίσιο συγγραφής για την επιστήμη δεδομένων, καθώς σας επιτρέπει να συνδυάσετε τον κώδικά σας, τα αποτελέσματά του και τις σκέψεις σας γράφοντάς τα σε Markdown. Επιπλέον, τα έγγραφα R Markdown μπορούν να αποδοθούν σε μορφές εξόδου όπως PDF, HTML ή Word.

Σημείωση για τα κουίζ: Όλα τα κουίζ περιλαμβάνονται στον φάκελο Quiz App, συνολικά 52 κουίζ με τρεις ερωτήσεις το καθένα. Συνδέονται μέσα από τα μαθήματα, αλλά η εφαρμογή κουίζ μπορεί να εκτελεστεί τοπικά. Ακολουθήστε τις οδηγίες στον φάκελο quiz-app για τοπική φιλοξενία ή ανάπτυξη στο Azure.

Αριθμός Μαθήματος	Θέμα	Ομαδοποίηση Μαθημάτων	Στόχοι Μάθησης	Συνδεδεμένο Μάθημα	Συγγραφέας
01	Εισαγωγή στη μηχανική μάθηση	Εισαγωγή	Μάθετε τις βασικές έννοιες πίσω από τη μηχανική μάθηση	Μάθημα	Muhammad
02	Η Ιστορία της μηχανικής μάθησης	Εισαγωγή	Μάθετε την ιστορία πίσω από αυτόν τον τομέα	Μάθημα	Jen και Amy
03	Δικαιοσύνη και μηχανική μάθηση	Εισαγωγή	Ποια είναι τα σημαντικά φιλοσοφικά ζητήματα γύρω από τη δικαιοσύνη που πρέπει να εξετάσουν οι μαθητές όταν δημιουργούν και εφαρμόζουν μοντέλα μηχανικής μάθησης;	Μάθημα	Tomomi
04	Τεχνικές για μηχανική μάθηση	Εισαγωγή	Ποιες τεχνικές χρησιμοποιούν οι ερευνητές μηχανικής μάθησης για να δημιουργήσουν μοντέλα μηχανικής μάθησης;	Μάθημα	Chris και Jen
05	Εισαγωγή στην παλινδρόμηση	Παλινδρόμηση	Ξεκινήστε με Python και Scikit-learn για μοντέλα παλινδρόμησης	Python • R	Jen • Eric Wanjau
06	Τιμές κολοκύθας στη Βόρεια Αμερική 🎃	Παλινδρόμηση	Οπτικοποιήστε και καθαρίστε δεδομένα για την προετοιμασία της μηχανικής μάθησης	Python • R	Jen • Eric Wanjau
07	Τιμές κολοκύθας στη Βόρεια Αμερική 🎃	Παλινδρόμηση	Δημιουργήστε γραμμικά και πολυωνυμικά μοντέλα παλινδρόμησης	Python • R	Jen και Dmitry • Eric Wanjau
08	Τιμές κολοκύθας στη Βόρεια Αμερική 🎃	Παλινδρόμηση	Δημιουργήστε ένα μοντέλο λογιστικής παλινδρόμησης	Python • R	Jen • Eric Wanjau
09	Μια διαδικτυακή εφαρμογή 🔌	Διαδικτυακή Εφαρμογή	Δημιουργήστε μια διαδικτυακή εφαρμογή για να χρησιμοποιήσετε το εκπαιδευμένο σας μοντέλο	Python	Jen
10	Εισαγωγή στην ταξινόμηση	Ταξινόμηση	Καθαρίστε, προετοιμάστε και οπτικοποιήστε τα δεδομένα σας· εισαγωγή στην ταξινόμηση	Python • R	Jen και Cassie • Eric Wanjau
11	Νόστιμες ασιατικές και ινδικές κουζίνες 🍜	Ταξινόμηση	Εισαγωγή στους ταξινομητές	Python • R	Jen και Cassie • Eric Wanjau
12	Νόστιμες ασιατικές και ινδικές κουζίνες 🍜	Ταξινόμηση	Περισσότεροι ταξινομητές	Python • R	Jen και Cassie • Eric Wanjau
13	Νόστιμες ασιατικές και ινδικές κουζίνες 🍜	Ταξινόμηση	Δημιουργήστε μια διαδικτυακή εφαρμογή συστάσεων χρησιμοποιώντας το μοντέλο σας	Python	Jen
14	Εισαγωγή στην ομαδοποίηση	Ομαδοποίηση	Καθαρίστε, προετοιμάστε και οπτικοποιήστε τα δεδομένα σας· εισαγωγή στην ομαδοποίηση	Python • R	Jen • Eric Wanjau
15	Εξερεύνηση μουσικών προτιμήσεων της Νιγηρίας 🎧	Ομαδοποίηση	Εξερευνήστε τη μέθοδο ομαδοποίησης K-Means	Python • R	Jen • Eric Wanjau
16	Εισαγωγή στην επεξεργασία φυσικής γλώσσας ☕️	Επεξεργασία φυσικής γλώσσας	Μάθετε τα βασικά της επεξεργασίας φυσικής γλώσσας δημιουργώντας ένα απλό bot	Python	Stephen
17	Κοινές εργασίες NLP ☕️	Επεξεργασία φυσικής γλώσσας	Εμβαθύνετε τις γνώσεις σας στην επεξεργασία φυσικής γλώσσας κατανοώντας κοινές εργασίες που απαιτούνται για τη διαχείριση γλωσσικών δομών	Python	Stephen
18	Μετάφραση και ανάλυση συναισθημάτων ♥️	Επεξεργασία φυσικής γλώσσας	Μετάφραση και ανάλυση συναισθημάτων με τη Jane Austen	Python	Stephen
19	Ρομαντικά ξενοδοχεία της Ευρώπης ♥️	Επεξεργασία φυσικής γλώσσας	Ανάλυση συναισθημάτων με κριτικές ξενοδοχείων 1	Python	Stephen
20	Ρομαντικά ξενοδοχεία της Ευρώπης ♥️	Επεξεργασία φυσικής γλώσσας	Ανάλυση συναισθημάτων με κριτικές ξενοδοχείων 2	Python	Stephen
21	Εισαγωγή στην πρόβλεψη χρονοσειρών	Χρονοσειρές	Εισαγωγή στην πρόβλεψη χρονοσειρών	Python	Francesca
22	⚡️ Χρήση ενέργειας παγκοσμίως ⚡️ - πρόβλεψη χρονοσειρών με ARIMA	Χρονοσειρές	Πρόβλεψη χρονοσειρών με ARIMA	Python	Francesca
23	⚡️ Χρήση ενέργειας παγκοσμίως ⚡️ - πρόβλεψη χρονοσειρών με SVR	Χρονοσειρές	Πρόβλεψη χρονοσειρών με Support Vector Regressor	Python	Anirban
24	Εισαγωγή στην ενισχυτική μάθηση	Ενισχυτική μάθηση	Εισαγωγή στην ενισχυτική μάθηση με Q-Learning	Python	Dmitry
25	Βοηθήστε τον Peter να αποφύγει τον λύκο! 🐺	Ενισχυτική μάθηση	Ενισχυτική μάθηση με Gym	Python	Dmitry
Επίλογος	Σενάρια και εφαρμογές μηχανικής μάθησης στον πραγματικό κόσμο	ML στον πραγματικό κόσμο	Ενδιαφέρουσες και αποκαλυπτικές εφαρμογές της κλασικής μηχανικής μάθησης	Μάθημα	Ομάδα
Επίλογος	Εντοπισμός σφαλμάτων μοντέλων ML με χρήση του πίνακα RAI	ML στον πραγματικό κόσμο	Εντοπισμός σφαλμάτων μοντέλων μηχανικής μάθησης με χρήση στοιχείων του πίνακα Responsible AI	Μάθημα	Ruth Yakubu

βρείτε όλους τους πρόσθετους πόρους για αυτό το μάθημα στη συλλογή μας στο Microsoft Learn

Πρόσβαση εκτός σύνδεσης

Μπορείτε να εκτελέσετε αυτήν την τεκμηρίωση εκτός σύνδεσης χρησιμοποιώντας το Docsify. Κάντε fork αυτό το repo, εγκαταστήστε το Docsify στον τοπικό σας υπολογιστή και στη συνέχεια, στον βασικό φάκελο αυτού του repo, πληκτρολογήστε docsify serve. Ο ιστότοπος θα εξυπηρετείται στην πόρτα 3000 του localhost σας: localhost:3000.

PDFs

Βρείτε ένα PDF του προγράμματος σπουδών με συνδέσμους εδώ.

🎒 Άλλα Μαθήματα

Η ομάδα μας δημιουργεί και άλλα μαθήματα! Δείτε:

Λήψη Βοήθειας

Αν κολλήσετε ή έχετε ερωτήσεις σχετικά με την ανάπτυξη εφαρμογών AI, συμμετάσχετε:

Αν έχετε σχόλια για προϊόντα ή αντιμετωπίζετε σφάλματα κατά την ανάπτυξη, επισκεφθείτε:

Αποποίηση ευθυνών:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης Co-op Translator. Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτόματες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.

36 KiB Raw Blame History Unescape Escape