27 KiB

Raw Blame History Unescape Escape

🌐 Többnyelvű támogatás

GitHub Action segítségével támogatott (Automatikus és mindig naprakész)

Csatlakozz közösségünkhöz

Jelenleg egy AI tanulási sorozat zajlik Discordon, tudj meg többet és csatlakozz hozzánk a Learn with AI Series keretében 2025. szeptember 18-30. között. Tippeket és trükköket kapsz a GitHub Copilot használatához adatkutatásban.

Gépi tanulás kezdőknek - Tanterv

🌍 Utazz körbe a világot, miközben a gépi tanulást a világ kultúráin keresztül fedezzük fel 🌍

A Microsoft Cloud Advocates örömmel kínál egy 12 hetes, 26 leckéből álló tantervet, amely teljes egészében a gépi tanulásról szól. Ebben a tantervben megismerheted az úgynevezett klasszikus gépi tanulást, elsősorban a Scikit-learn könyvtárat használva, elkerülve a mély tanulást, amelyet a AI for Beginners tantervünkben tárgyalunk. Párosítsd ezeket a leckéket a 'Data Science for Beginners' tantervünkkel is!

Utazz velünk a világ körül, miközben ezeket a klasszikus technikákat alkalmazzuk a világ különböző területeiről származó adatokra. Minden lecke tartalmaz előzetes és utólagos kvízeket, írásos útmutatót a lecke elvégzéséhez, megoldást, feladatot és még sok mást. Projektalapú pedagógiánk lehetővé teszi, hogy tanulás közben építs, ami bizonyítottan segíti az új készségek elsajátítását.

✍️ Szívből köszönjük szerzőinknek Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu és Amy Boyd

🎨 Köszönet illusztrátorainknak Tomomi Imura, Dasani Madipalli és Jen Looper

🙏 Külön köszönet 🙏 a Microsoft Student Ambassador szerzőknek, bírálóknak és tartalomhozzájárulóknak, különösen Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila és Snigdha Agarwal

🤩 Extra hálánk a Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi és Vidushi Gupta számára az R leckékért!

Kezdés

Kövesd az alábbi lépéseket:

Forkold a repót: Kattints az oldal jobb felső sarkában található "Fork" gombra.
Klónozd a repót: git clone https://github.com/microsoft/ML-For-Beginners.git

találd meg a kurzushoz kapcsolódó további forrásokat a Microsoft Learn gyűjteményünkben

Diákok, hogy használjátok ezt a tantervet, forkold az egész repót a saját GitHub fiókodba, és végezd el a gyakorlatokat egyedül vagy csoportban:

Kezdd az előadás előtti kvízzel.
Olvasd el az előadást, és végezd el a tevékenységeket, megállva és reflektálva minden tudásellenőrzésnél.
Próbáld meg létrehozni a projekteket a leckék megértésével, ahelyett hogy a megoldási kódot futtatnád; azonban ez a kód elérhető a /solution mappákban minden projektalapú leckében.
Végezd el az előadás utáni kvízt.
Teljesítsd a kihívást.
Teljesítsd a feladatot.
Miután befejeztél egy leckecsoportot, látogasd meg a Vita Fórumot, és "tanulj hangosan", kitöltve a megfelelő PAT rubrikát. A 'PAT' egy Haladás Értékelési Eszköz, amely egy rubrika, amit kitöltesz, hogy elősegítsd a tanulásodat. Más PAT-ekre is reagálhatsz, hogy együtt tanuljunk.

További tanulmányokhoz ajánljuk, hogy kövesd ezeket a Microsoft Learn modulokat és tanulási útvonalakat.

Tanárok, néhány javaslatot is mellékeltünk arra vonatkozóan, hogyan használjátok ezt a tantervet.

Videós bemutatók

Néhány lecke rövid videó formájában is elérhető. Ezeket megtalálhatod a leckékben, vagy a ML for Beginners lejátszási listán a Microsoft Developer YouTube csatornán, ha az alábbi képre kattintasz.

Ismerd meg a csapatot

Gif készítette Mohit Jaisal

🎥 Kattints a fenti képre, hogy megnézd a projektet és az alkotókat bemutató videót!

Pedagógia

Két pedagógiai alapelvet választottunk a tanterv kidolgozása során: biztosítani, hogy az projektalapú legyen, és hogy gyakori kvízeket tartalmazzon. Ezen kívül a tantervnek van egy közös témája, amely összefogja az anyagot.

Azáltal, hogy a tartalom projektekhez igazodik, a folyamat érdekesebbé válik a diákok számára, és a fogalmak jobban rögzülnek. Ezen kívül egy alacsony tétű kvíz az óra előtt a diákot a téma tanulására irányítja, míg egy második kvíz az óra után tovább erősíti a tanultakat. Ez a tanterv rugalmas és szórakoztató, és egészében vagy részben is elvégezhető. A projektek kicsiben kezdődnek, és a 12 hetes ciklus végére egyre összetettebbé válnak. A tanterv egy utószóval is rendelkezik a gépi tanulás valós alkalmazásairól, amelyet extra kreditként vagy vitaalapként lehet használni.

Találd meg a Magatartási kódexünket, Hozzájárulási és Fordítási irányelveinket. Örömmel fogadjuk az építő jellegű visszajelzéseidet!

Minden lecke tartalmaz

opcionális sketchnote
opcionális kiegészítő videó
videós bemutató (csak néhány leckében)
előadás előtti bemelegítő kvíz
írásos lecke
projektalapú leckék esetén lépésről lépésre útmutató a projekt elkészítéséhez
tudásellenőrzések
kihívás
kiegészítő olvasmány
feladat
előadás utáni kvíz

Megjegyzés a nyelvekről: Ezek a leckék elsősorban Python nyelven íródtak, de sok elérhető R nyelven is. Az R leckék elvégzéséhez menj a /solution mappába, és keresd az R leckéket. Ezek .rmd kiterjesztést tartalmaznak, amely egy R Markdown fájlt jelöl, amely egyszerűen definiálható úgy, mint kódrészletek (R vagy más nyelvek) és egy YAML fejléc (amely útmutatást ad az olyan kimeneti formátumokhoz, mint a PDF) beágyazása egy Markdown dokumentumba. Mint ilyen, példás szerzői keretet biztosít az adatkutatáshoz, mivel lehetővé teszi, hogy kombináld a kódodat, annak kimenetét és gondolataidat, azáltal hogy Markdownban leírod őket. R Markdown dokumentumok PDF, HTML vagy Word formátumokra is renderelhetők.

Megjegyzés a kvízekről: Minden kvíz a Quiz App mappában található, összesen 52 kvíz, mindegyik három kérdéssel. Ezek a leckékből érhetők el, de a kvíz alkalmazás helyileg is futtatható; kövesd az utasításokat a quiz-app mappában, hogy helyileg hostold vagy Azure-ra telepítsd.

Lecke száma	Téma	Leckecsoport	Tanulási célok	Kapcsolódó lecke	Szerző
01	Bevezetés a gépi tanulásba	Bevezetés	Ismerd meg a gépi tanulás alapfogalmait	Lecke	Muhammad
02	A gépi tanulás története	Bevezetés	Ismerd meg a terület történetét	Lecke	Jen és Amy
03	Méltányosság és gépi tanulás	Bevezetés	Milyen fontos filozófiai kérdéseket kell figyelembe venniük a diákoknak, amikor gépi tanulási modelleket építenek és alkalmaznak?	Lecke	Tomomi
04	Gépi tanulási technikák	Bevezetés	Milyen technikákat használnak a gépi tanulás kutatói modellek építéséhez?	Lecke	Chris és Jen
05	Bevezetés a regresszióba	Regresszió	Kezdj el dolgozni Python és Scikit-learn segítségével regressziós modellekhez	Python • R	Jen • Eric Wanjau
06	Észak-amerikai tökárak 🎃	Regresszió	Adatok vizualizálása és tisztítása gépi tanulás előkészítéséhez	Python • R	Jen • Eric Wanjau
07	Észak-amerikai tökárak 🎃	Regresszió	Lineáris és polinomiális regressziós modellek építése	Python • R	Jen és Dmitry • Eric Wanjau
08	Észak-amerikai tökárak 🎃	Regresszió	Logisztikus regressziós modell építése	Python • R	Jen • Eric Wanjau
09	Egy webalkalmazás 🔌	Webalkalmazás	Építs egy webalkalmazást a betanított modelled használatához	Python	Jen
10	Bevezetés az osztályozásba	Osztályozás	Tisztítsd, készítsd elő és vizualizáld az adataidat; bevezetés az osztályozásba	Python • R	Jen és Cassie • Eric Wanjau
11	Finom ázsiai és indiai ételek 🍜	Osztályozás	Bevezetés az osztályozókba	Python • R	Jen és Cassie • Eric Wanjau
12	Finom ázsiai és indiai ételek 🍜	Osztályozás	További osztályozók	Python • R	Jen és Cassie • Eric Wanjau
13	Finom ázsiai és indiai ételek 🍜	Osztályozás	Ajánló webalkalmazás építése a modelled használatával	Python	Jen
14	Bevezetés a klaszterezésbe	Klaszterezés	Tisztítsd, készítsd elő és vizualizáld az adataidat; bevezetés a klaszterezésbe	Python • R	Jen • Eric Wanjau
15	Nigériai zenei ízlések felfedezése 🎧	Klaszterezés	A K-Means klaszterezési módszer felfedezése	Python • R	Jen • Eric Wanjau
16	Bevezetés a természetes nyelvfeldolgozásba ☕️	Természetes nyelvfeldolgozás	Ismerd meg az NLP alapjait egy egyszerű bot építésével	Python	Stephen
17	Gyakori NLP feladatok ☕️	Természetes nyelvfeldolgozás	Mélyítsd el az NLP tudásodat, megértve a nyelvi struktúrákkal kapcsolatos gyakori feladatokat	Python	Stephen
18	Fordítás és érzelemelemzés ♥️	Természetes nyelvfeldolgozás	Fordítás és érzelemelemzés Jane Austen műveivel	Python	Stephen
19	Romantikus európai hotelek ♥️	Természetes nyelvfeldolgozás	Érzelemelemzés hotelértékelésekkel 1	Python	Stephen
20	Romantikus európai hotelek ♥️	Természetes nyelvfeldolgozás	Érzelemelemzés hotelértékelésekkel 2	Python	Stephen
21	Bevezetés az időbeli előrejelzésbe	Idősorok	Bevezetés az időbeli előrejelzésbe	Python	Francesca
22	⚡️ Világ energiafelhasználása ⚡️ - időbeli előrejelzés ARIMA-val	Idősorok	Idősor előrejelzés ARIMA-val	Python	Francesca
23	⚡️ Világ energiafelhasználása ⚡️ - időbeli előrejelzés SVR-rel	Idősorok	Idősor előrejelzés Támogató Vektor Regresszorral	Python	Anirban
24	Bevezetés a megerősítéses tanulásba	Megerősítéses tanulás	Bevezetés a megerősítéses tanulásba Q-Learning segítségével	Python	Dmitry
25	Segíts Péternek elkerülni a farkast! 🐺	Megerősítéses tanulás	Megerősítéses tanulás Gym	Python	Dmitry
Utószó	Valós gépi tanulási forgatókönyvek és alkalmazások	ML a gyakorlatban	Érdekes és tanulságos valós alkalmazások a klasszikus gépi tanulás területén	Lecke	Csapat
Utószó	Modell hibakeresés gépi tanulásban RAI dashboard használatával	ML a gyakorlatban	Modell hibakeresés gépi tanulásban a Responsible AI dashboard komponensek segítségével	Lecke	Ruth Yakubu

keresd meg a kurzus további forrásait a Microsoft Learn gyűjteményünkben

Offline hozzáférés

A dokumentációt offline is futtathatod a Docsify használatával. Forkold ezt a repót, telepítsd a Docsify-t a helyi gépedre, majd a repó gyökérmappájában írd be: docsify serve. A weboldal a localhost 3000-es portján lesz elérhető: localhost:3000.

PDF-ek

A tananyag PDF változatát linkekkel itt találod.

🎒 Egyéb kurzusok

Csapatunk más kurzusokat is készít! Nézd meg:

Segítség kérése

Ha elakadnál vagy kérdésed van AI alkalmazások építésével kapcsolatban, csatlakozz:

Ha termék visszajelzést szeretnél adni vagy hibát tapasztalsz az építés során, látogasd meg:

Felelősség kizárása:
Ez a dokumentum az Co-op Translator AI fordítási szolgáltatás segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.

27 KiB Raw Blame History Unescape Escape