40 KiB

Raw Blame History Unescape Escape

🌐 Поддержка на нескольких языках

Поддерживается через GitHub Action (автоматически и всегда актуально)

Предпочитаете клонировать локально?

В этом репозитории более 50 переводов, что существенно увеличивает размер загрузки. Чтобы клонировать без переводов, используйте sparse checkout:
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'
Это даст вам всё необходимое для прохождения курса с гораздо более быстрой загрузкой.

Присоединяйтесь к нашему сообществу

У нас проходит серия обучения с Discord и ИИ, узнайте больше и присоединяйтесь к нам на Learn with AI Series с 18 по 30 сентября 2025 года. Вы получите советы и рекомендации по использованию GitHub Copilot для Data Science.

Машинное обучение для начинающих — учебная программа

🌍 Путешествуйте по миру, изучая Машинное обучение через призму мировых культур 🌍

Cloud Advocates в Microsoft рады представить 12-недельную учебную программу из 26 уроков, посвящённую Машинному обучению. В этой программе вы узнаете о том, что иногда называют классическим машинным обучением, используя в основном библиотеку Scikit-learn и избегая глубокого обучения, которое рассматривается в нашей учебной программе AI для начинающих. Сочетайте эти уроки с нашим 'Data Science для начинающих'.

Путешествуйте с нами по миру, применяя классические методы к данным из различных регионов мира. Каждый урок включает в себя тесты перед и после занятия, письменные инструкции для выполнения урока, решение, задание и многое другое. Наша проектно-ориентированная методика обучения позволяет учиться, создавая проекты, что является проверенным способом лучше усвоить новые навыки.

✍️ Большая благодарность нашим авторам: Джен Лупер, Стивен Хауэлл, Франческа Лаззери, Томоми Имура, Кэсси Бревью, Дмитрий Сошников, Крис Норинг, Анирбан Мукерджи, Орнелла Алтунян, Рут Якубу и Эми Бойд

🎨 Благодарности также нашим иллюстраторам: Томоми Имура, Дасани Мадипалли и Джен Лупер

🙏 Особая благодарность 🙏 студентам-послам Microsoft, авторам, рецензентам и контент-создателям, в частности Ришиту Дагли, Мухаммаду Сакибу Хан Инану, Рохану Раджу, Александру Петреску, Абхишеку Джайсуалу, Наврин Табассум, Иоану Самуила и Снигдхе Агарвал

🤩 Дополнительная благодарность студентам-послам Microsoft Эрику Ванджау, Джаслину Сонди и Видуши Гупте за наши R-уроки!

Начало работы

Выполните следующие шаги:

Форкните репозиторий: Нажмите кнопку "Fork" в правом верхнем углу этой страницы.
Клонируйте репозиторий: git clone https://github.com/microsoft/ML-For-Beginners.git

Найдите все дополнительные ресурсы для этого курса в нашей коллекции Microsoft Learn

🔧 Нужна помощь? Ознакомьтесь с нашим руководством по устранению неполадок для решения распространённых проблем с установкой, настройкой и запуском уроков.

Студенты, чтобы использовать эту учебную программу, сделайте форк всего репозитория на свой GitHub аккаунт и выполняйте упражнения самостоятельно или в группе:

Начинайте с теста перед лекцией.
Читайте лекцию и выполняйте задания, делая паузы и обдумывая каждый проверочный вопрос.
Пытайтесь создавать проекты, понимая уроки, а не просто запуская готовый код; однако такой код доступен в папках /solution для каждого урока с проектами.
Проходите тест после лекции.
Выполняйте задания.
После завершения группы уроков посетите Доску обсуждений и "учитесь вслух", заполнив соответствующую рубрику PAT. PAT — это инструмент оценки прогресса, который вы заполняете для улучшения своего обучения. Вы также можете реагировать на другие PAT, чтобы учиться вместе.

Для дальнейшего изучения рекомендуем пройти эти модули и учебные пути Microsoft Learn.

Учителя, мы подготовили некоторые рекомендации по использованию этой учебной программы.

Видеоруководства

Некоторые уроки доступны в формате коротких видео. Вы можете найти их встраиваемыми в уроки или на плейлисте ML for Beginners на канале Microsoft Developer в YouTube, кликнув на изображение ниже.

Знакомьтесь с командой

Гифка от Мохита Джайсала

🎥 Нажмите на изображение выше, чтобы посмотреть видео о проекте и людях, которые его создали!

Педагогика

При создании этой учебной программы мы выбрали два педагогических принципа: она должна быть практико-ориентированной на проектах и включать частые тесты. Кроме того, программа объединена общей темой для создания целостности.

Обеспечение соответствия содержания проектам делает процесс более увлекательным для студентов и способствует лучшему усвоению концепций. Кроме того, тест с низкой ставкой перед занятиями формирует у студента намерение изучить тему, а второй тест после занятия закрепляет материал. Эта учебная программа разработана как гибкая и веселая, и её можно проходить полностью или частично. Проекты начинаются с малого и постепенно усложняются к концу 12-недельного цикла. Программа также содержит послесловие о реальных применениях машинного обучения, которое можно использовать как дополнительное задание или в качестве основы для обсуждения.

Ознакомьтесь с нашими Правилами поведения, Правилами вкладов, Инструкциями по переводу и Руководством по устранению неполадок. Мы приветствуем ваши конструктивные отзывы!

Каждый урок включает

необязательные конспекты
необязательное дополнительное видео
видео-руководство (не для всех уроков)
разогревающий тест перед уроком
письменный урок
для уроков на проектах — пошаговые инструкции по созданию проекта
проверочные вопросы
задание
дополнительное чтение
домашнее задание
тест после урока

Примечание о языках: эти уроки преимущественно написаны на Python, но многие доступны и на R. Чтобы выполнить урок на R, перейдите в папку /solution и найдите уроки на R. Они имеют расширение .rmd, что обозначает R Markdown файл, который представляет собой объединение кодовых блоков (на R или других языках) и YAML-заголовка (определяющего формат вывода, например PDF) в документе Markdown. Таким образом, это является отличным инструментом для создания документов по анализу данных, так как позволяет комбинировать код, результаты и комментарии, записанные в Markdown. Кроме того, документы R Markdown можно конвертировать в форматы вывода, такие как PDF, HTML или Word. Примечание о викторинах: Все викторины находятся в папке Quiz App, всего 52 викторины по три вопроса каждая. Они связаны с уроками, но приложение викторин можно запускать локально; следуйте инструкциям в папке quiz-app для локального хостинга или развертывания в Azure.

Номер урока	Тема	Группа уроков	Цели обучения	Связанный урок	Автор
01	Введение в машинное обучение	Введение	Изучить основные концепции машинного обучения	Урок	Мухаммад
02	История машинного обучения	Введение	Изучить историю, лежащую в основе этой области	Урок	Джен и Эми
03	Справедливость и машинное обучение	Введение	Какие важные философские вопросы о справедливости должны учитывать студенты при создании и применении моделей машинного обучения?	Урок	Томоми
04	Техники машинного обучения	Введение	Какие техники исследователи машинного обучения используют для построения моделей?	Урок	Крис и Джен
05	Введение в регрессию	Регрессия	Начать работу с Python и Scikit-learn для моделей регрессии	Python • R	Джен • Эрик Ванджау
06	Цены на тыквы в Северной Америке 🎃	Регрессия	Визуализация и очистка данных в подготовке к машинному обучению	Python • R	Джен • Эрик Ванджау
07	Цены на тыквы в Северной Америке 🎃	Регрессия	Построение линейных и полиномиальных моделей регрессии	Python • R	Джен и Дмитрий • Эрик Ванджау
08	Цены на тыквы в Северной Америке 🎃	Регрессия	Построение модели логистической регрессии	Python • R	Джен • Эрик Ванджау
09	Веб-приложение 🔌	Веб-приложение	Создание веб-приложения для использования обученной модели	Python	Джен
10	Введение в классификацию	Классификация	Очистка, подготовка и визуализация данных; введение в классификацию	Python • R	Джен и Кэсси • Эрик Ванджау
11	Вкусная азиатская и индийская кухня 🍜	Классификация	Введение в классификаторы	Python • R	Джен и Кэсси • Эрик Ванджау
12	Вкусная азиатская и индийская кухня 🍜	Классификация	Дополнительные классификаторы	Python • R	Джен и Кэсси • Эрик Ванджау
13	Вкусная азиатская и индийская кухня 🍜	Классификация	Создание рекомендательного веб-приложения с использованием модели	Python	Джен
14	Введение в кластеризацию	Кластеризация	Очистка, подготовка и визуализация данных; введение в кластеризацию	Python • R	Джен • Эрик Ванджау
15	Исследование музыкальных предпочтений Нигерии 🎧	Кластеризация	Изучение метода K-средних для кластеризации	Python • R	Джен • Эрик Ванджау
16	Введение в обработку естественного языка ☕️	Обработка языка	Изучить основы NLP, создав простого бота	Python	Стивен
17	Распространённые задачи NLP ☕️	Обработка языка	Углубить знания в NLP, изучив распространённые задачи работы с языковыми структурами	Python	Стивен
18	Перевод и анализ тональности ♥️	Обработка языка	Перевод и анализ тональности с Джейн Остин	Python	Стивен
19	Романтические отели Европы ♥️	Обработка языка	Анализ тональности отзывов об отелях 1	Python	Стивен
20	Романтические отели Европы ♥️	Обработка языка	Анализ тональности отзывов об отелях 2	Python	Стивен
21	Введение в прогнозирование временных рядов	Временные ряды	Введение в прогнозирование временных рядов	Python	Франческа
22	⚡️ Мировое потребление электроэнергии ⚡️ - прогнозирование с ARIMA	Временные ряды	Прогнозирование временных рядов с помощью ARIMA	Python	Франческа
23	⚡️ Мировое потребление электроэнергии ⚡️ - прогнозирование с SVR	Временные ряды	Прогнозирование временных рядов с использованием регрессора опорных векторов	Python	Анирбан
24	Введение в обучение с подкреплением	Обучение с подкреплением	Введение в обучение с подкреплением на основе Q-Learning	Python	Дмитрий
25	Помогите Питеру избежать волка! 🐺	Обучение с подкреплением	Обучение с подкреплением с использованием Gym	Python	Дмитрий
Послесловие	Сценарии и приложения машинного обучения в реальном мире	ML in the Wild	Интересные и наглядные приложения классического машинного обучения	Урок	Команда
Послесловие	Отладка моделей ML с использованием панели RAI	ML in the Wild	Отладка моделей машинного обучения с помощью компонентов панели Responsible AI	Урок	Рут Якобу

найдите все дополнительные материалы для этого курса в нашей коллекции Microsoft Learn

Офлайн-доступ

Вы можете использовать эту документацию офлайн, используя Docsify. Форкните этот репозиторий, установите Docsify на своем локальном компьютере, а затем в корневой папке репозитория выполните команду docsify serve. Веб-сайт будет доступен на порту 3000 на вашем локальном хосте: localhost:3000.

PDF

Найдите pdf с учебной программой и ссылками здесь.

🎒 Другие курсы

Наша команда выпускает другие курсы! Посмотрите:

LangChain

Azure / Edge / MCP / Agenty

Серия по генеративному ИИ

Основное обучение

Серия Copilot

Получение помощи

Если вы застряли или у вас есть вопросы по созданию AI-приложений. Присоединяйтесь к другим ученикам и опытным разработчикам в обсуждениях MCP. Это поддерживающее сообщество, где вопросы приветствуются, а знания freely делятся.

Если у вас есть отзывы о продукте или ошибки при разработке, посетите:

Отказ от ответственности: Этот документ был переведен с помощью сервиса автоматического перевода Co-op Translator. Несмотря на наши усилия по обеспечению точности, просим учитывать, что автоматический перевод может содержать ошибки или неточности. Оригинальный документ на языке оригинала следует считать авторитетным источником. Для получения важной информации рекомендуется пользоваться профессиональным переводом, выполненным человеком. Мы не несем ответственности за любые недоразумения или неправильное толкование, возникшие в результате использования данного перевода.

40 KiB Raw Blame History Unescape Escape