32 KiB

Raw Blame History Unescape Escape

🌐 Çok Dilli Destek

GitHub Action ile Desteklenmektedir (Otomatik ve Her Zaman Güncel)

Yerel olarak klonlamayı mı tercih edersiniz?

Bu depo, indirme boyutunu önemli ölçüde artıran 50'den fazla dil çevirisi içerir. Çeviriler olmadan klonlamak için seyrek checkout kullanın:

Bash / macOS / Linux:
git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
CMD (Windows):
git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
Bu, kursu çok daha hızlı bir indirme ile tamamlamanız için ihtiyacınız olan her şeyi sağlar.

Topluluğumuza Katılın

Eylül 18 - 30, 2025 tarihleri arasında süren AI ile öğrenme serimiz var. Daha fazla bilgi edinip bize AI ile Öğrenme Serisi'nden katılabilirsiniz. Veri Bilimi için GitHub Copilot kullanımı hakkında ipuçları ve püf noktaları alacaksınız.

Yeni Başlayanlar İçin Makine Öğrenmesi - Bir Müfredat

🌍 Dünyanın kültürleri aracılığıyla Makine Öğrenmesini keşfederken dünyayı gezin 🌍

Microsoft'taki Cloud Advocates, Makine Öğrenmesi hakkında 12 haftalık, 26 derslik bir müfredat sunmaktan mutluluk duyar. Bu müfredatta, esas olarak Scikit-learn kütüphanesini kullanarak bazen klasik makine öğrenmesi denilen şeyi öğreneceksiniz ve derin öğrenmeyi, Yeni Başlayanlar için AI müfredatımızda ele alacağız. Bu dersleri 'Yeni Başlayanlar için Veri Bilimi müfredatıyla' da eşleştirmeniz önerilir.

Dünyanın birçok bölgesinden verilere bu klasik teknikleri uygularken bizimle seyahat edin. Her ders, ders öncesi ve sonrası quizler, dersi tamamlamak için yazılı talimatlar, bir çözüm, bir görev ve daha fazlasını içerir. Proje tabanlı öğretim metodolojimiz, öğrenirken yaratmanızı sağlar, yeni becerilerin kalıcı olmasının kanıtlanmış bir yoludur.

✍️ Yazarlara içten teşekkürlerimiz Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ve Amy Boyd

🎨 İllüstratörlere teşekkürlerimiz Tomomi Imura, Dasani Madipalli ve Jen Looper

🙏 Microsoft Öğrenci Elçisi yazarlarımıza, gözden geçirenlerimize ve içerik katkıcılarımıza özel teşekkürlerimiz, özellikle Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ve Snigdha Agarwal

🤩 R derslerimiz için Microsoft Öğrenci Elçileri Eric Wanjau, Jasleen Sondhi ve Vidushi Gupta'ya ekstra teşekkürler!

Başlarken

Bu adımları izleyin:

Depoyu çatalla: Bu sayfanın sağ üst köşesindeki "Fork" butonuna tıklayın.
Depoyu klonla: git clone https://github.com/microsoft/ML-For-Beginners.git

💡 Hızlı Başlangıç İpucu: Python'u yerel olarak kurmadan tarayıcıda başlamak ister misiniz? Çatallanmış deponuz için bir bulut geliştirme ortamı oluşturmak amacıyla GitHub Codespaces kullanın. Yeşil Code menüsünü açın, Codespaces'i seçin ve bir codespace oluşturun; gerektiğinde her dersin gereken bağımlılıklarını içinde kurun.

Bu kurs için tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun

🔧 Yardıma mı ihtiyacınız var? Yaygın kurulum, ayar ve ders çalıştırma sorunlarına çözümler için Sorun Giderme Kılavuzumuza bakın.

Öğrenciler, bu müfredatı kullanmak için tüm depoyu GitHub hesabınıza çatallayın ve alıştırmaları kendi başınıza veya bir grupla tamamlayın:

Ders öncesi sınavla başlayın.
Dersi okuyun ve faaliyetleri tamamlayın, her bilgi kontrolünde durup düşünün.
Çözümlerin kodunu çalıştırmak yerine dersleri anlayarak projeleri oluşturmaya çalışın; ancak bu kodlar her proje odaklı dersin /solution klasöründe mevcuttur.
Ders sonrası sınavı yapın.
Meydan okumayı tamamlayın.
Ödevi tamamlayın.
Bir ders grubunu tamamladıktan sonra, Tartışma Panelini ziyaret edin ve uygun PAT rubriğini doldurarak "açıkça öğrenin". Bir 'PAT', öğreniminizi ilerletmek için doldurduğunuz bir Değerlendirme Aracı rubriğidir. Ayrıca diğer PAT'lere tepki vererek birlikte öğrenebiliriz.

Daha ileri çalışmalar için bu Microsoft Learn modüllerini ve öğrenme yollarını takip etmenizi öneririz.

Öğretmenler, bu müfredatı nasıl kullanacağınızla ilgili bazı öneriler ekledik.

Video anlatımları

Bazı dersler kısa biçimli video olarak mevcuttur. Tüm bunları derslerin içinde ya da aşağıdaki görsele tıklayarak Microsoft Developer YouTube kanalındaki ML for Beginners oynatma listesinde bulabilirsiniz.

Takımla Tanışın

Gif oluşturucu Mohit Jaisal

🎥 Proje ve yaratan kişiler hakkında bir video için yukarıdaki görsele tıklayın!

Pedagoji

Bu müfredatı oluştururken iki pedagoji ilkesi seçtik: uygulamalı ve proje tabanlı olması ve sık quizler içermesi. Ayrıca, bu müfredatın tutarlılık sağlaması için ortak bir tema içermesi.

İçeriğin projelerle uyumlu olmasını sağlayarak süreç öğrenciler için daha ilgi çekici hale getirilir ve kavramların kalıcılığı artırılır. Ayrıca, dersten önceki düşük riskli bir quiz öğrencinin öğrenme niyetini belirlerken, dersten sonra yapılan ikinci bir quiz daha fazla kalıcılığı sağlar. Bu müfredat esnek ve eğlenceli olacak şekilde tasarlandı ve tamamen veya kısmen alınabilir. Projeler küçük başlar ve 12 haftalık döngünün sonunda giderek daha karmaşık hale gelir. Bu müfredat ayrıca, ek kredi olarak veya tartışma temeli olarak kullanılabilecek gerçek dünya ML uygulamaları hakkında bir epilog içerir.

Davranış Kuralları, Katkı Sağlama, Çeviriler ve Sorun Giderme yönergelerimizi bulun. Yapıcı geri bildirimlerinizi bekliyoruz!

Her ders şunları içerir

isteğe bağlı çizim notu
isteğe bağlı destekleyici video
video anlatımı (yalnızca bazı dersler)
ders öncesi ısınma quizi
yazılı ders
proje tabanlı derslerde, projeyi adım adım nasıl inşa edeceğinize dair rehberler
bilgi kontrolleri
meydan okuma
destekleyici okuma
ödev
ders sonrası quiz

Diller hakkında bir not: Bu dersler öncelikle Python ile yazılmıştır, ancak birçok ders R dilinde de mevcuttur. Bir R dersini tamamlamak için /solution klasörüne gidin ve R derslerini arayın. Bunlar, kod parçacıkları (R veya diğer diller) ile Çıktıların nasıl biçimlendirileceğini yönlendiren YAML başlığı içeren R Markdown dosyası anlamına gelen .rmd uzantılıdır. Bu nedenle, kodunuzu, çıktısını ve düşüncelerinizi Markdown içinde yazmanıza olanak tanıyarak veri bilimi için örnek bir yazar frameworkü işlevi görür. Ayrıca, R Markdown belgeleri PDF, HTML veya Word gibi çıktı formatlarına dönüştürülebilir.

Quizler hakkında bir not: Tüm quizler, her biri üç sorudan oluşan toplam 52 quiz için Quiz Uygulaması klasöründe bulunur. Dersler içinde bağlantılıdırlar ancak quiz uygulaması yerel olarak çalıştırılabilir; yerel olarak barındırmak veya Azure'a dağıtmak için quiz-app klasöründeki talimatları izleyin.

Ders Numarası	Konu	Ders Grubu	Öğrenme Hedefleri	Bağlı Ders	Yazar
01	Makine öğrenimine giriş	Introduction	Makine öğrenmesinin temel kavramlarını öğrenin	Lesson	Muhammad
02	Makine öğrenmesinin tarihi	Introduction	Bu alanın temel tarihini öğrenin	Lesson	Jen ve Amy
03	Adalet ve makine öğrenmesi	Introduction	Öğrencilerin ML modellerini oluştururken ve uygularken göz önünde bulundurması gereken adaletle ilgili önemli felsefi meseleler nelerdir?	Lesson	Tomomi
04	Makine öğrenmesi teknikleri	Introduction	ML araştırmacılarının ML modelleri oluşturmak için kullandığı teknikler nelerdir?	Lesson	Chris ve Jen
05	Regresyona giriş	Regression	Regresyon modelleri için Python ve Scikit-learn ile başlayın	Python • R	Jen • Eric Wanjau
06	Kuzey Amerika kabak fiyatları 🎃	Regression	ML hazırlığı için verileri görselleştirin ve temizleyin	Python • R	Jen • Eric Wanjau
07	Kuzey Amerika kabak fiyatları 🎃	Regression	Doğrusal ve polinom regresyon modelleri oluşturun	Python • R	Jen ve Dmitry • Eric Wanjau
08	Kuzey Amerika kabak fiyatları 🎃	Regression	Lojistik regresyon modeli oluşturun	Python • R	Jen • Eric Wanjau
09	Bir Web Uygulaması 🔌	Web App	Eğittiğiniz modeli kullanmak için bir web uygulaması oluşturun	Python	Jen
10	Sınıflandırmaya giriş	Classification	Verilerinizi temizleyin, hazırlayın ve görselleştirin; sınıflandırmaya giriş	Python • R	Jen ve Cassie • Eric Wanjau
11	Lezzetli Asya ve Hint mutfakları 🍜	Classification	Sınıflandırıcılara giriş	Python • R	Jen ve Cassie • Eric Wanjau
12	Lezzetli Asya ve Hint mutfakları 🍜	Classification	Daha fazla sınıflandırıcı	Python • R	Jen ve Cassie • Eric Wanjau
13	Lezzetli Asya ve Hint mutfakları 🍜	Classification	Modelinizi kullanarak tavsiye eden bir web uygulaması oluşturun	Python	Jen
14	Kümelenmeye giriş	Clustering	Verilerinizi temizleyin, hazırlayın ve görselleştirin; kümelenmeye giriş	Python • R	Jen • Eric Wanjau
15	Nijerya Müzik Zevklerini Keşfetmek 🎧	Clustering	K-Means kümeleme yöntemini keşfedin	Python • R	Jen • Eric Wanjau
16	Doğal dil işleme giriş ☕️	Natural language processing	Basit bir bot oluşturarak NLP temel bilgilerini öğrenin	Python	Stephen
17	Yaygın NLP Görevleri ☕️	Natural language processing	Dil yapılarıyla uğraşırken gereken yaygın görevleri anlayarak NLP bilginizi derinleştirin	Python	Stephen
18	Çeviri ve duygu analizi ♥️	Natural language processing	Jane Austen ile çeviri ve duygu analizi	Python	Stephen
19	Avrupa'nın romantik otelleri ♥️	Natural language processing	Otel yorumlarıyla duygu analizi 1	Python	Stephen
20	Avrupa'nın romantik otelleri ♥️	Natural language processing	Otel yorumlarıyla duygu analizi 2	Python	Stephen
21	Zaman serisi tahminine giriş	Time series	Zaman serisi tahminine giriş	Python	Francesca
22	⚡️ Dünya Enerji Kullanımı ⚡️ - ARIMA ile zaman serisi tahmini	Time series	ARIMA ile zaman serisi tahmini	Python	Francesca
23	⚡️ Dünya Enerji Kullanımı ⚡️ - SVR ile zaman serisi tahmini	Time series	Destek Vektör Regresörü ile zaman serisi tahmini	Python	Anirban
24	Takviyeli öğrenmeye giriş	Reinforcement learning	Q-Öğrenmesi ile takviyeli öğrenmeye giriş	Python	Dmitry
25	Peter'ın kurttan kaçmasına yardım et! 🐺	Reinforcement learning	Takviyeli öğrenme Gym	Python	Dmitry
Son Söz	Gerçek dünyada ML senaryoları ve uygulamaları	ML in the Wild	Klasik ML'nin ilginç ve aydınlatıcı gerçek dünya uygulamaları	Lesson	Takım
Son Söz	RAI gösterge paneli kullanarak ML model hata ayıklama	ML in the Wild	Sorumlu AI gösterge paneli bileşenleri kullanarak Makine Öğrenmesinde Model Hata Ayıklama	Lesson	Ruth Yakubu

bu kurs için tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun

Çevrimdışı erişim

Bu dökümantasyonu Docsify kullanarak çevrimdışı çalıştırabilirsiniz. Bu depoyu çatallayın, kendi makinenize Docsify yükleyin ve sonra bu deponun kök klasöründe docsify serve yazın. Web sitesi localhost:3000 portunda sunulacaktır: localhost:3000.

PDF'ler

Kaynak bağlantılarıyla müfredatın pdf'sine buradan ulaşabilirsiniz.

🎒 Diğer Kurslar

Ekibimiz başka kurslar da üretiyor! Göz atın:

LangChain

Azure / Edge / MCP / Ajanlar

Üretken AI Serisi

Temel Öğrenme

Copilot Serisi

Yardım Alma

Makine Öğrenmesi öğrenirken ya da AI uygulamaları oluştururken takılırsanız veya sorularınız olursa endişelenmeyin — yardım mevcut.

Diğer öğrenenler ve geliştiricilerle tartışmalara katılabilir, sorular sorabilir ve toplulukla fikirlerinizi paylaşabilirsiniz.

Sorular sormak ve diğerleriyle öğrenmek için topluluğa katılın
Makine Öğrenmesi kavramlarını ve proje fikirlerini tartışın
Deneyimli geliştiricilerden rehberlik alın

Destekleyici bir topluluk becerilerinizi geliştirmek ve sorunları daha hızlı çözmek için harika bir yoldur.

Microsoft Foundry Discord Topluluğu

Eğer hatalar, sorunlar yaşarsanız veya geliştirme önerileriniz olursa, bu depoda problemi bildirmek için bir Issue açabilirsiniz.

Ürün geri bildirimi için veya mevcut topluluk gönderilerini aramak için Geliştirici Forumu’nu ziyaret edin:

Ek Öğrenme İpuçları

Daha iyi anlamak için her dersten sonra not defterlerini gözden geçirin.
Algoritmaları kendiniz uygulayarak pratik yapın.
Öğrenilen kavramları kullanarak gerçek dünya veri setlerini keşfedin.

Feragatname: Bu belge, AI çeviri hizmeti Co-op Translator kullanılarak çevrilmiştir. Doğruluk için çaba sarf etsek de, otomatik çevirilerin hata veya yanlışlık içerebileceğini lütfen unutmayınız. Orijinal belge, kendi dilinde yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımı sonucu ortaya çıkabilecek yanlış anlamalardan veya yanlış yorumlamalardan sorumlu değiliz.

32 KiB Raw Blame History Unescape Escape