34 KiB

Raw Blame History Unescape Escape

🌐 Підтримка багатомовності

Підтримується через GitHub Action (автоматично та завжди актуально)

Приєднуйтесь до нашої спільноти

У нас триває серія навчання з AI у Discord. Дізнайтеся більше та приєднуйтесь до нас на Learn with AI Series з 18 по 30 вересня 2025 року. Ви отримаєте поради та хитрощі щодо використання GitHub Copilot для Data Science.

Машинне навчання для початківців - навчальна програма

🌍 Подорожуйте світом, досліджуючи машинне навчання через культури світу 🌍

Cloud Advocates у Microsoft раді запропонувати 12-тижневу навчальну програму з 26 уроків, присвячену машинному навчанню. У цій програмі ви дізнаєтеся про те, що іноді називають класичним машинним навчанням, використовуючи переважно бібліотеку Scikit-learn і уникаючи глибокого навчання, яке охоплюється в нашій навчальній програмі "AI для початківців". Поєднуйте ці уроки з нашою навчальною програмою "Data Science для початківців"!

Подорожуйте з нами світом, застосовуючи ці класичні методи до даних з різних куточків світу. Кожен урок включає тести до і після уроку, письмові інструкції для виконання уроку, рішення, завдання та багато іншого. Наш підхід, заснований на проектах, дозволяє навчатися, створюючи, що є перевіреним способом закріплення нових навичок.

✍️ Щира подяка нашим авторам Джен Лупер, Стівену Ховеллу, Франчесці Лаццері, Томомі Імурі, Кассі Бревіу, Дмитру Сошникову, Крісу Норінгу, Анірбану Мукерджі, Орнеллі Алтунян, Рут Якобу та Емі Бойд

🎨 Дякуємо також нашим ілюстраторам Томомі Імурі, Дасані Мадіпаллі та Джен Лупер

🙏 Особлива подяка 🙏 нашим авторам, рецензентам та контриб'юторам контенту серед Microsoft Student Ambassador, зокрема Рішиту Даглі, Мухаммаду Сакібу Хану Інану, Рохану Раджу, Александру Петреску, Абхішеку Джайсвалу, Наврін Табассум, Іоану Самуїлі та Снігдхі Агарвал

🤩 Особлива вдячність Microsoft Student Ambassadors Еріку Ванджау, Джаслін Сонді та Відуші Гупті за наші уроки з R!

Початок роботи

Виконайте наступні кроки:

Форкніть репозиторій: Натисніть кнопку "Fork" у верхньому правому куті цієї сторінки.
Клонуйте репозиторій: git clone https://github.com/microsoft/ML-For-Beginners.git

знайдіть усі додаткові ресурси для цього курсу в нашій колекції Microsoft Learn

Студенти, щоб використовувати цю навчальну програму, форкніть весь репозиторій у свій власний обліковий запис GitHub і виконуйте вправи самостійно або в групі:

Почніть з тесту перед лекцією.
Прочитайте лекцію та виконайте завдання, зупиняючись і розмірковуючи на кожному етапі перевірки знань.
Спробуйте створити проекти, розуміючи уроки, а не просто запускаючи код рішення; однак цей код доступний у папках /solution у кожному проектно-орієнтованому уроці.
Пройдіть тест після лекції.
Виконайте завдання.
Виконайте домашнє завдання.
Після завершення групи уроків відвідайте Дошку обговорень і "навчайтеся вголос", заповнюючи відповідну рубрику PAT. PAT — це інструмент оцінки прогресу, який є рубрикою, яку ви заповнюєте для подальшого навчання. Ви також можете реагувати на інші PAT, щоб ми могли навчатися разом.

Для подальшого навчання ми рекомендуємо пройти ці модулі та навчальні шляхи Microsoft Learn.

Вчителі, ми включили кілька пропозицій щодо використання цієї навчальної програми.

Відео-огляди

Деякі уроки доступні у вигляді коротких відео. Ви можете знайти їх у самих уроках або на плейлисті "ML для початківців" на YouTube-каналі Microsoft Developer, натиснувши на зображення нижче.

Знайомство з командою

Gif створено Мохітом Джайсалом

🎥 Натисніть на зображення вище, щоб переглянути відео про проект і людей, які його створили!

Педагогіка

Ми обрали два педагогічні принципи при створенні цієї навчальної програми: забезпечення того, щоб вона була практичною на основі проектів і включала часті тести. Крім того, ця навчальна програма має спільну тему, яка надає їй цілісності.

Забезпечуючи відповідність контенту проектам, процес стає більш захоплюючим для студентів, а засвоєння концепцій посилюється. Крім того, тест перед заняттям з низькими ставками налаштовує студента на вивчення теми, а другий тест після заняття забезпечує подальше закріплення. Ця навчальна програма була розроблена як гнучка та цікава і може бути пройдена повністю або частково. Проекти починаються з простих і стають дедалі складнішими до кінця 12-тижневого циклу. Ця навчальна програма також включає постскриптум про реальні застосування ML, який може бути використаний як додатковий кредит або як основа для обговорення.

Знайдіть наші Правила поведінки, Рекомендації щодо внесення змін та Рекомендації щодо перекладу. Ми вітаємо ваші конструктивні відгуки!

Кожен урок включає

необов'язковий скетчноут
необов'язкове додаткове відео
відео-огляд (лише деякі уроки)
тест перед лекцією
письмовий урок
для уроків на основі проектів, покрокові інструкції щодо створення проекту
перевірки знань
завдання
додаткове читання
домашнє завдання
тест після лекції

Примітка про мови: Ці уроки переважно написані на Python, але багато з них також доступні на R. Щоб виконати урок на R, перейдіть до папки /solution і знайдіть уроки на R. Вони включають розширення .rmd, яке представляє R Markdown файл, який можна просто визначити як вбудовування кодових блоків (R або інших мов) і YAML заголовка (який визначає, як форматувати вихідні дані, наприклад PDF) у Markdown документ. Таким чином, це служить зразковою авторською платформою для науки про дані, оскільки дозволяє комбінувати ваш код, його вихідні дані та ваші думки, дозволяючи записувати їх у Markdown. Крім того, документи R Markdown можуть бути перетворені у вихідні формати, такі як PDF, HTML або Word.

Примітка про тести: Усі тести містяться в папці Quiz App, всього 52 тести по три питання кожен. Вони пов'язані з уроками, але додаток для тестів можна запустити локально; дотримуйтесь інструкцій у папці quiz-app, щоб локально розмістити або розгорнути на Azure.

Номер уроку	Тема	Групування уроків	Навчальні цілі	Пов'язаний урок	Автор
01	Вступ до машинного навчання	Вступ	Дізнайтеся основні концепції машинного навчання	Урок	Мухаммад
02	Історія машинного навчання	Вступ	Дізнайтеся історію цієї галузі	Урок	Джен та Емі
03	Справедливість і машинне навчання	Вступ	Які важливі філософські питання щодо справедливості студенти повинні враховувати при створенні та застосуванні моделей ML?	Урок	Tomomi
04	Техніки машинного навчання	Вступ	Які техніки використовують дослідники ML для створення моделей ML?	Урок	Chris і Jen
05	Вступ до регресії	Регресія	Почніть з Python і Scikit-learn для моделей регресії	Python • R	Jen • Eric Wanjau
06	Ціни на гарбузи в Північній Америці 🎃	Регресія	Візуалізуйте та очистіть дані для підготовки до ML	Python • R	Jen • Eric Wanjau
07	Ціни на гарбузи в Північній Америці 🎃	Регресія	Створіть моделі лінійної та поліноміальної регресії	Python • R	Jen і Dmitry • Eric Wanjau
08	Ціни на гарбузи в Північній Америці 🎃	Регресія	Створіть модель логістичної регресії	Python • R	Jen • Eric Wanjau
09	Веб-додаток 🔌	Веб-додаток	Створіть веб-додаток для використання вашої навченої моделі	Python	Jen
10	Вступ до класифікації	Класифікація	Очистіть, підготуйте та візуалізуйте ваші дані; вступ до класифікації	Python • R	Jen і Cassie • Eric Wanjau
11	Смачні азійські та індійські страви 🍜	Класифікація	Вступ до класифікаторів	Python • R	Jen і Cassie • Eric Wanjau
12	Смачні азійські та індійські страви 🍜	Класифікація	Більше класифікаторів	Python • R	Jen і Cassie • Eric Wanjau
13	Смачні азійські та індійські страви 🍜	Класифікація	Створіть веб-додаток рекомендацій, використовуючи вашу модель	Python	Jen
14	Вступ до кластеризації	Кластеризація	Очистіть, підготуйте та візуалізуйте ваші дані; вступ до кластеризації	Python • R	Jen • Eric Wanjau
15	Дослідження музичних уподобань Нігерії 🎧	Кластеризація	Дослідження методу кластеризації K-Means	Python • R	Jen • Eric Wanjau
16	Вступ до обробки природної мови ☕️	Обробка природної мови	Вивчіть основи NLP, створюючи простого бота	Python	Stephen
17	Загальні завдання NLP ☕️	Обробка природної мови	Поглибте свої знання NLP, зрозумівши загальні завдання, необхідні для роботи з мовними структурами	Python	Stephen
18	Переклад і аналіз настроїв ♥️	Обробка природної мови	Переклад і аналіз настроїв з Джейн Остін	Python	Stephen
19	Романтичні готелі Європи ♥️	Обробка природної мови	Аналіз настроїв за відгуками про готелі 1	Python	Stephen
20	Романтичні готелі Європи ♥️	Обробка природної мови	Аналіз настроїв за відгуками про готелі 2	Python	Stephen
21	Вступ до прогнозування часових рядів	Часові ряди	Вступ до прогнозування часових рядів	Python	Francesca
22	⚡️ Використання енергії у світі ⚡️ - прогнозування часових рядів з ARIMA	Часові ряди	Прогнозування часових рядів з ARIMA	Python	Francesca
23	⚡️ Використання енергії у світі ⚡️ - прогнозування часових рядів з SVR	Часові ряди	Прогнозування часових рядів з регресором опорних векторів	Python	Anirban
24	Вступ до навчання з підкріпленням	Навчання з підкріпленням	Вступ до навчання з підкріпленням за допомогою Q-Learning	Python	Dmitry
25	Допоможіть Пітеру уникнути вовка! 🐺	Навчання з підкріпленням	Навчання з підкріпленням у Gym	Python	Dmitry
Постскриптум	Реальні сценарії та застосування ML	ML у реальному світі	Цікаві та показові реальні застосування класичного ML	Урок	Команда
Постскриптум	Налагодження моделей ML за допомогою панелі RAI	ML у реальному світі	Налагодження моделей машинного навчання за допомогою компонентів панелі відповідального AI	Урок	Ruth Yakubu

знайдіть усі додаткові ресурси для цього курсу в нашій колекції Microsoft Learn

Офлайн-доступ

Ви можете запустити цю документацію офлайн, використовуючи Docsify. Форкніть цей репозиторій, встановіть Docsify на ваш локальний комп'ютер, а потім у кореневій папці цього репозиторію введіть docsify serve. Вебсайт буде доступний на порту 3000 вашого localhost: localhost:3000.

PDF-файли

Знайдіть PDF-версію навчальної програми з посиланнями тут.

🎒 Інші курси

Наша команда створює інші курси! Ознайомтеся з:

Отримання допомоги

Якщо ви застрягли або маєте запитання щодо створення AI-додатків, приєднуйтесь:

Якщо у вас є відгуки про продукт або помилки під час створення, відвідайте:

Відмова від відповідальності:
Цей документ було перекладено за допомогою сервісу автоматичного перекладу Co-op Translator. Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають у результаті використання цього перекладу.

34 KiB Raw Blame History Unescape Escape