26 KiB

Raw Blame History Unescape Escape

🌐 Suporta sa Iba't Ibang Wika

Sinusuportahan sa pamamagitan ng GitHub Action (Awtomatiko at Laging Napapanahon)

Sumali sa Komunidad

Machine Learning para sa mga Baguhan - Isang Kurikulum

🌍 Maglakbay sa buong mundo habang ating tuklasin ang Machine Learning gamit ang mga kultura ng mundo 🌍

Ang mga Cloud Advocates sa Microsoft ay masayang nag-aalok ng isang 12-linggong, 26-aralin na kurikulum tungkol sa Machine Learning. Sa kurikulum na ito, matututo ka tungkol sa tinatawag na classic machine learning, gamit ang pangunahing Scikit-learn bilang library at iniiwasan ang deep learning, na tinalakay sa aming AI for Beginners' curriculum. Ipares ang mga araling ito sa aming 'Data Science for Beginners' curriculum, din!

Sumama sa amin sa paglalakbay sa buong mundo habang ginagamit natin ang mga klasikong teknik na ito sa datos mula sa iba't ibang bahagi ng mundo. Ang bawat aralin ay may kasamang pre- at post-lesson quizzes, nakasulat na mga tagubilin para tapusin ang aralin, isang solusyon, isang takdang-aralin, at marami pa. Ang aming project-based na pedagogy ay nagbibigay-daan sa iyo na matuto habang gumagawa, isang napatunayang paraan para mas tumatak ang mga bagong kasanayan.

✍️ Taos-pusong pasasalamat sa aming mga may-akda Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu at Amy Boyd

🎨 Salamat din sa aming mga ilustrador Tomomi Imura, Dasani Madipalli, at Jen Looper

🙏 Espesyal na pasasalamat 🙏 sa aming Microsoft Student Ambassador na mga may-akda, tagasuri, at mga tagapag-ambag ng nilalaman, partikular na sina Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, at Snigdha Agarwal

🤩 Dagdag na pasasalamat kina Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, at Vidushi Gupta para sa aming mga R lessons!

Pagsisimula

Sundin ang mga hakbang na ito:

I-fork ang Repository: I-click ang "Fork" na button sa kanang-itaas na bahagi ng pahinang ito.
I-clone ang Repository: git clone https://github.com/microsoft/ML-For-Beginners.git

hanapin ang lahat ng karagdagang resources para sa kursong ito sa aming Microsoft Learn collection

Mga Mag-aaral, upang magamit ang kurikulum na ito, i-fork ang buong repo sa iyong sariling GitHub account at kumpletuhin ang mga gawain nang mag-isa o kasama ang isang grupo:

Magsimula sa isang pre-lecture quiz.
Basahin ang lektura at kumpletuhin ang mga aktibidad, huminto at magmuni-muni sa bawat knowledge check.
Subukang likhain ang mga proyekto sa pamamagitan ng pag-unawa sa mga aralin sa halip na patakbuhin ang solution code; gayunpaman, ang code na iyon ay makikita sa /solution na mga folder sa bawat project-oriented na aralin.
Sagutan ang post-lecture quiz.
Kumpletuhin ang hamon.
Kumpletuhin ang takdang-aralin.
Pagkatapos makumpleto ang isang grupo ng aralin, bisitahin ang Discussion Board at "matutong malakas" sa pamamagitan ng pag-fill out ng naaangkop na PAT rubric. Ang 'PAT' ay isang Progress Assessment Tool na isang rubric na iyong pinupunan upang higit pang mapalalim ang iyong pagkatuto. Maaari ka ring mag-react sa ibang PATs upang matuto nang sama-sama.

Para sa karagdagang pag-aaral, inirerekomenda naming sundan ang mga Microsoft Learn modules at learning paths.

Mga Guro, nagbigay kami ng ilang mungkahi kung paano gamitin ang kurikulum na ito.

Mga Video Walkthrough

Ang ilan sa mga aralin ay makikita bilang maikling video. Makikita mo ang lahat ng ito in-line sa mga aralin, o sa ML for Beginners playlist sa Microsoft Developer YouTube channel sa pamamagitan ng pag-click sa imahe sa ibaba.

Kilalanin ang Koponan

Gif ni Mohit Jaisal

🎥 I-click ang imahe sa itaas para sa isang video tungkol sa proyekto at sa mga taong lumikha nito!

Pedagogy

Pinili namin ang dalawang pedagogical tenets habang binubuo ang kurikulum na ito: tiyaking ito ay hands-on project-based at may kasamang madalas na quizzes. Bukod dito, ang kurikulum na ito ay may karaniwang tema upang bigyan ito ng pagkakaugnay.

Sa pamamagitan ng pagtiyak na ang nilalaman ay naka-align sa mga proyekto, nagiging mas nakakaengganyo ang proseso para sa mga mag-aaral at mas tumatatak ang mga konsepto. Bukod dito, ang isang low-stakes quiz bago ang klase ay nagtatakda ng intensyon ng mag-aaral patungo sa pag-aaral ng isang paksa, habang ang pangalawang quiz pagkatapos ng klase ay higit pang nagpapalalim ng pagkatuto. Ang kurikulum na ito ay idinisenyo upang maging flexible at masaya at maaaring kunin nang buo o bahagi lamang. Ang mga proyekto ay nagsisimula sa maliit at nagiging mas kumplikado sa pagtatapos ng 12-linggong cycle. Ang kurikulum na ito ay may kasamang postscript sa mga real-world na aplikasyon ng ML, na maaaring gamitin bilang extra credit o bilang batayan para sa talakayan.

Hanapin ang aming Code of Conduct, Contributing, at Translation guidelines. Malugod naming tinatanggap ang iyong mga nakabubuong puna!

Ang Bawat Aralin ay May Kasamang

opsyonal na sketchnote
opsyonal na karagdagang video
video walkthrough (ilang aralin lamang)
pre-lecture warmup quiz
nakasulat na aralin
para sa mga project-based na aralin, step-by-step na gabay kung paano buuin ang proyekto
knowledge checks
isang hamon
karagdagang babasahin
takdang-aralin
post-lecture quiz

Isang tala tungkol sa mga wika: Ang mga araling ito ay pangunahing nakasulat sa Python, ngunit marami rin ang makukuha sa R. Upang kumpletuhin ang isang R lesson, pumunta sa /solution folder at hanapin ang mga R lessons. Mayroon silang .rmd extension na kumakatawan sa isang R Markdown file na maaaring ipaliwanag bilang isang pagsasama ng code chunks (ng R o iba pang wika) at isang YAML header (na gumagabay kung paano i-format ang mga output tulad ng PDF) sa isang Markdown document. Dahil dito, ito ay nagsisilbing isang halimbawa ng authoring framework para sa data science dahil pinapayagan kang pagsamahin ang iyong code, ang output nito, at ang iyong mga saloobin sa pamamagitan ng pagsulat ng mga ito sa Markdown. Bukod dito, ang mga R Markdown na dokumento ay maaaring i-render sa mga output format tulad ng PDF, HTML, o Word.

Isang tala tungkol sa mga quizzes: Ang lahat ng quizzes ay nakapaloob sa Quiz App folder, para sa kabuuang 52 quizzes na may tig-tatlong tanong bawat isa. Ang mga ito ay naka-link mula sa loob ng mga aralin ngunit ang quiz app ay maaaring patakbuhin nang lokal; sundin ang mga tagubilin sa quiz-app folder upang i-host nang lokal o i-deploy sa Azure.

Bilang ng Aralin	Paksa	Pangkat ng Aralin	Mga Layunin sa Pagkatuto	Naka-link na Aralin	May-akda
01	Panimula sa machine learning	Panimula	Matutunan ang mga pangunahing konsepto sa likod ng machine learning	Aralin	Muhammad
02	Kasaysayan ng machine learning	Panimula	Matutunan ang kasaysayan sa likod ng larangang ito	Aralin	Jen at Amy
03	Katarungan at machine learning	Panimula	Ano ang mga mahahalagang isyung pilosopikal tungkol sa katarungan na dapat isaalang-alang ng mga mag-aaral kapag gumagawa at nag-aaplay ng mga ML model?	Aralin	Tomomi
04	Mga Teknik para sa machine learning	Panimula	Anong mga teknik ang ginagamit ng mga mananaliksik ng ML upang bumuo ng mga ML model?	Aralin	Chris at Jen
05	Panimula sa regression	Regression	Magsimula gamit ang Python at Scikit-learn para sa mga regression model

[Python](2-Regression/1-Tools/README.md)
[R](../../2-Regression/1-Tools/solution/R/lesson_1.html)

Jen
Eric Wanjau

[Python](2-Regression/2-Data/README.md)
[R](../../2-Regression/2-Data/solution/R/lesson_2.html)

Jen
Eric Wanjau

[Python](2-Regression/3-Linear/README.md)
[R](../../2-Regression/3-Linear/solution/R/lesson_3.html)

Jen at Dmitry
Eric Wanjau

[Python](2-Regression/4-Logistic/README.md)
[R](../../2-Regression/4-Logistic/solution/R/lesson_4.html)

Jen
Eric Wanjau

[Python](4-Classification/1-Introduction/README.md)
[R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) |
- Jen at Cassie
- Eric Wanjau
| | 11 | Masasarap na pagkaing Asyano at Indian 🍜 | [Classification](4-Classification/README.md) | Panimula sa classifiers |
- [Python](4-Classification/2-Classifiers-1/README.md)
- [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) |
  - Jen at Cassie
  - Eric Wanjau
  | | 12 | Masasarap na pagkaing Asyano at Indian 🍜 | [Classification](4-Classification/README.md) | Higit pang classifiers |
  - [Python](4-Classification/3-Classifiers-2/README.md)
  - [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) |
    - Jen at Cassie
    - Eric Wanjau
    | | 13 | Masasarap na pagkaing Asyano at Indian 🍜 | [Classification](4-Classification/README.md) | Gumawa ng recommender web app gamit ang iyong modelo | [Python](4-Classification/4-Applied/README.md) | Jen | | 14 | Panimula sa clustering | [Clustering](5-Clustering/README.md) | Linisin, ihanda, at i-visualize ang iyong datos; Panimula sa clustering |
    - [Python](5-Clustering/1-Visualize/README.md)
    - [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) |
      - Jen
      - Eric Wanjau
      | | 15 | Pagsusuri sa mga Panlasang Musikal ng Nigeria 🎧 | [Clustering](5-Clustering/README.md) | Suriin ang K-Means clustering method |
      - [Python](5-Clustering/2-K-Means/README.md)
      - [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) |
        Jen
        Eric Wanjau
        | | 16 | Panimula sa natural language processing ☕️ | [Natural language processing](6-NLP/README.md) | Alamin ang mga pangunahing kaalaman tungkol sa NLP sa pamamagitan ng paggawa ng simpleng bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | | 17 | Karaniwang Gawain sa NLP ☕️ | [Natural language processing](6-NLP/README.md) | Palalimin ang kaalaman sa NLP sa pamamagitan ng pag-unawa sa mga karaniwang gawain sa pagproseso ng wika | [Python](6-NLP/2-Tasks/README.md) | Stephen | | 18 | Pagsasalin at pagsusuri ng damdamin ♥️ | [Natural language processing](6-NLP/README.md) | Pagsasalin at pagsusuri ng damdamin gamit ang mga akda ni Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | | 19 | Mga Romanticong Hotel sa Europa ♥️ | [Natural language processing](6-NLP/README.md) | Pagsusuri ng damdamin gamit ang mga review ng hotel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | | 20 | Mga Romanticong Hotel sa Europa ♥️ | [Natural language processing](6-NLP/README.md) | Pagsusuri ng damdamin gamit ang mga review ng hotel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | | 21 | Panimula sa time series forecasting | [Time series](7-TimeSeries/README.md) | Panimula sa time series forecasting | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | | 22 | ⚡️ Paggamit ng Kuryente sa Mundo ⚡️ - time series forecasting gamit ang ARIMA | [Time series](7-TimeSeries/README.md) | Time series forecasting gamit ang ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | | 23 | ⚡️ Paggamit ng Kuryente sa Mundo ⚡️ - time series forecasting gamit ang SVR | [Time series](7-TimeSeries/README.md) | Time series forecasting gamit ang Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | | 24 | Panimula sa reinforcement learning | [Reinforcement learning](8-Reinforcement/README.md) | Panimula sa reinforcement learning gamit ang Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | | 25 | Tulungan si Peter iwasan ang lobo! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Reinforcement learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | | Postscript | Mga Tunay na Senaryo at Aplikasyon ng ML | [ML in the Wild](9-Real-World/README.md) | Mga kawili-wili at kapaki-pakinabang na tunay na aplikasyon ng klasikong ML | [Lesson](9-Real-World/1-Applications/README.md) | Team | | Postscript | Pag-debug ng Modelo sa ML gamit ang RAI dashboard | [ML in the Wild](9-Real-World/README.md) | Pag-debug ng Modelo sa Machine Learning gamit ang mga bahagi ng Responsible AI dashboard | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
        
        hanapin ang lahat ng karagdagang mapagkukunan para sa kursong ito sa aming Microsoft Learn collection
        
        Offline na access
        
        Maaari mong patakbuhin ang dokumentasyong ito offline gamit ang Docsify. I-fork ang repo na ito, i-install ang Docsify sa iyong lokal na makina, at pagkatapos sa root folder ng repo na ito, i-type ang docsify serve. Ang website ay magsisilbi sa port 3000 sa iyong localhost: localhost:3000.
        
        Mga PDF
        
        Hanapin ang pdf ng kurikulum na may mga link dito.
        
        🎒 Iba Pang Kurso
        
        Ang aming koponan ay gumagawa ng iba pang mga kurso! Tingnan ang:
        
        Generative AI for Beginners
        
        Generative AI for Beginners .NET
        
        Generative AI with JavaScript
        
        Generative AI with Java
        
        AI for Beginners
        
        Data Science for Beginners
        
        ML for Beginners
        
        Cybersecurity for Beginners
        
        Web Dev for Beginners
        
        IoT for Beginners
        
        XR Development for Beginners
        
        Mastering GitHub Copilot for Paired Programming
        
        Mastering GitHub Copilot for C#/.NET Developers
        
        Choose Your Own Copilot Adventure
        
        Paunawa:
        Ang dokumentong ito ay isinalin gamit ang AI translation service na Co-op Translator. Bagama't sinisikap naming maging tumpak, tandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa kanyang katutubong wika ang dapat ituring na opisyal na pinagmulan. Para sa mahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na dulot ng paggamit ng pagsasaling ito.

26 KiB Raw Blame History Unescape Escape