ML-For-Beginners/translations/lt

🌐 Daugiakalbė parama

Palaikoma per GitHub Action (automatizuota ir visada atnaujinta)

French | Spanish | German | Russian | Arabic | Persian (Farsi) | Urdu | Chinese (Simplified) | Chinese (Traditional, Macau) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Taiwan) | Japanese | Korean | Hindi | Bengali | Marathi | Nepali | Punjabi (Gurmukhi) | Portuguese (Portugal) | Portuguese (Brazil) | Italian | Polish | Turkish | Greek | Thai | Swedish | Danish | Norwegian | Finnish | Dutch | Hebrew | Vietnamese | Indonesian | Malay | Tagalog (Filipino) | Swahili | Hungarian | Czech | Slovak | Romanian | Bulgarian | Serbian (Cyrillic) | Croatian | Slovenian | Ukrainian | Burmese (Myanmar)

Prisijunkite prie mūsų bendruomenės

Turime Discord mokymų seriją apie AI, sužinokite daugiau ir prisijunkite prie mūsų Learn with AI Series nuo 18 iki 30 rugsėjo, 2025. Čia gausite patarimų ir gudrybių, kaip naudoti GitHub Copilot duomenų mokslui.

Mašininis mokymasis pradedantiesiems - mokymo programa

🌍 Keliaukite po pasaulį, tyrinėdami mašininį mokymąsi per pasaulio kultūras 🌍

Microsoft Cloud Advocates džiaugiasi galėdami pasiūlyti 12 savaičių, 26 pamokų mokymo programą apie mašininį mokymąsi. Šioje programoje sužinosite apie tai, kas kartais vadinama klasikiniu mašininiu mokymusi, daugiausia naudojant Scikit-learn biblioteką ir vengiant giluminio mokymosi, kuris aptariamas mūsų AI pradedantiesiems mokymo programoje. Šias pamokas galite derinti su mūsų 'Duomenų mokslas pradedantiesiems' mokymo programa.

Keliaukite su mumis po pasaulį, taikydami šiuos klasikinius metodus duomenims iš įvairių pasaulio regionų. Kiekviena pamoka apima prieš ir po pamokos testus, rašytines instrukcijas, kaip atlikti pamoką, sprendimą, užduotį ir dar daugiau. Mūsų projektinis mokymo metodas leidžia mokytis kuriant, o tai yra įrodyta, kad padeda geriau įsisavinti naujus įgūdžius.

✍️ Nuoširdus ačiū mūsų autoriams Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ir Amy Boyd

🎨 Taip pat dėkojame mūsų iliustratoriams Tomomi Imura, Dasani Madipalli ir Jen Looper

🙏 Ypatinga padėka 🙏 mūsų Microsoft Student Ambassador autoriams, recenzentams ir turinio kūrėjams, ypač Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ir Snigdha Agarwal

🤩 Papildoma padėka Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi ir Vidushi Gupta už mūsų R pamokas!

Pradžia

Sekite šiuos žingsnius:

1. Fork repo: Spustelėkite "Fork" mygtuką viršutiniame dešiniajame šios puslapio kampe.
2. Klonuokite repo: git clone https://github.com/microsoft/ML-For-Beginners.git

Raskite visus papildomus šios mokymo programos išteklius mūsų Microsoft Learn kolekcijoje

Studentai, norėdami naudoti šią mokymo programą, fork'inkite visą repo į savo GitHub paskyrą ir atlikite užduotis savarankiškai arba grupėje:

• Pradėkite nuo prieš pamokos testo.
• Perskaitykite pamoką ir atlikite veiklas, sustodami ir apmąstydami kiekvieną žinių patikrinimą.
• Stenkitės kurti projektus suprasdami pamokas, o ne tiesiog paleisdami sprendimo kodą; tačiau tas kodas yra prieinamas /solution aplankuose kiekvienoje projektinėje pamokoje.
• Atlikite po pamokos testą.
• Įvykdykite iššūkį.
• Atlikite užduotį.
• Baigę pamokų grupę, apsilankykite Diskusijų lentoje ir "mokykitės garsiai", užpildydami atitinkamą PAT rubriką. 'PAT' yra pažangos vertinimo įrankis, rubrika, kurią užpildote, kad gilintumėte savo mokymąsi. Taip pat galite reaguoti į kitų PAT, kad mokytumėmės kartu.

Tolimesniam mokymuisi rekomenduojame sekti šiuos Microsoft Learn modulius ir mokymosi kelius.

Mokytojai, mes įtraukėme keletą pasiūlymų, kaip naudoti šią mokymo programą.

---

Vaizdo įrašų apžvalgos

Kai kurios pamokos yra prieinamos kaip trumpi vaizdo įrašai. Visus juos galite rasti pamokose arba ML pradedantiesiems grojaraštyje Microsoft Developer YouTube kanale, spustelėdami žemiau esančią nuotrauką.

---

Susipažinkite su komanda

Gif sukūrė Mohit Jaisal

🎥 Spustelėkite aukščiau esančią nuotrauką, kad pamatytumėte vaizdo įrašą apie projektą ir žmones, kurie jį sukūrė!

---

Pedagogika

Kuriant šią mokymo programą, pasirinkome du pedagoginius principus: užtikrinti, kad ji būtų praktinė projektinė ir kad joje būtų dažni testai. Be to, ši mokymo programa turi bendrą temą, kuri suteikia jai nuoseklumo.

Užtikrinant, kad turinys atitiktų projektus, procesas tampa įdomesnis studentams, o koncepcijų įsisavinimas sustiprėja. Be to, mažo streso testas prieš pamoką nukreipia studento dėmesį į mokymąsi, o antras testas po pamokos užtikrina dar didesnį įsisavinimą. Ši mokymo programa buvo sukurta taip, kad būtų lanksti ir įdomi, ją galima naudoti visą arba dalimis. Projektai prasideda nuo paprastų ir tampa vis sudėtingesni iki 12 savaičių ciklo pabaigos. Ši mokymo programa taip pat apima priedą apie realaus pasaulio ML taikymus, kuris gali būti naudojamas kaip papildomas kreditas arba diskusijų pagrindas.

Raskite mūsų Elgesio kodeksą, Prisidėjimo ir Vertimo gaires. Laukiame jūsų konstruktyvios grįžtamosios informacijos!

Kiekviena pamoka apima

• pasirenkamą eskizą
• pasirenkamą papildomą vaizdo įrašą
• vaizdo įrašo apžvalgą (kai kurios pamokos)
• prieš pamokos apšilimo testą
• rašytinę pamoką
• projektinėms pamokoms - žingsnis po žingsnio vadovus, kaip sukurti projektą
• žinių patikrinimus
• iššūkį
• papildomą skaitymą
• užduotį
• po pamokos testą

Pastaba apie kalbas: Šios pamokos daugiausia parašytos Python kalba, tačiau daugelis jų taip pat yra prieinamos R kalba. Norėdami atlikti R pamoką, eikite į /solution aplanką ir ieškokite R pamokų. Jos turi .rmd plėtinį, kuris reiškia R Markdown failą, kurį galima apibrėžti kaip kodo fragmentų (R ar kitų kalbų) ir YAML antraštės (nurodančios, kaip formatuoti išvestis, pvz., PDF) įterpimą į Markdown dokumentą. Todėl tai yra puikus autorystės pagrindas duomenų mokslui, nes leidžia sujungti kodą, jo išvestį ir mintis, leidžiant jas užrašyti Markdown formatu. Be to, R Markdown dokumentai gali būti pateikti tokiuose išvesties formatuose kaip PDF, HTML ar Word.

Pastaba apie testus: Visi testai yra Testų programos aplanke, iš viso 52 testai, kiekviename po tris klausimus. Jie yra susieti su pamokomis, tačiau testų programą galima paleisti vietoje; sekite instrukcijas quiz-app aplanke, kad paleistumėte vietoje arba įdiegtumėte Azure.

Pamokos numeris	Tema	Pamokų grupė	Mokymosi tikslai	Susieta pamoka	Autorius
01	Įvadas į mašininį mokymąsi	Įvadas	Sužinokite pagrindines mašininio mokymosi sąvokas	Pamoka	Muhammad
02	Mašininio mokymosi istorija	Įvadas	Sužinokite šios srities istoriją	Pamoka	Jen ir Amy
03	Sąžiningumas ir mašininis mokymasis	Introduction	Kokius svarbius filosofinius klausimus apie sąžiningumą studentai turėtų apsvarstyti kurdami ir taikydami ML modelius?	Lesson	Tomomi
04	Mašininio mokymosi technikos	Introduction	Kokias technikas ML tyrėjai naudoja kurdami ML modelius?	Lesson	Chris ir Jen
05	Įvadas į regresiją	Regression	Pradėkite naudoti Python ir Scikit-learn regresijos modeliams	Python • R	Jen • Eric Wanjau
06	Šiaurės Amerikos moliūgų kainos 🎃	Regression	Vizualizuokite ir išvalykite duomenis pasiruošimui ML	Python • R	Jen • Eric Wanjau
07	Šiaurės Amerikos moliūgų kainos 🎃	Regression	Sukurkite linijinius ir polinominius regresijos modelius	Python • R	Jen ir Dmitry • Eric Wanjau
08	Šiaurės Amerikos moliūgų kainos 🎃	Regression	Sukurkite logistinės regresijos modelį	Python • R	Jen • Eric Wanjau
09	Internetinė programėlė 🔌	Web App	Sukurkite internetinę programėlę, kad galėtumėte naudoti savo apmokytą modelį	Python	Jen
10	Įvadas į klasifikaciją	Classification	Išvalykite, paruoškite ir vizualizuokite savo duomenis; įvadas į klasifikaciją	Python • R	Jen ir Cassie • Eric Wanjau
11	Skani Azijos ir Indijos virtuvė 🍜	Classification	Įvadas į klasifikatorius	Python • R	Jen ir Cassie • Eric Wanjau
12	Skani Azijos ir Indijos virtuvė 🍜	Classification	Daugiau klasifikatorių	Python • R	Jen ir Cassie • Eric Wanjau
13	Skani Azijos ir Indijos virtuvė 🍜	Classification	Sukurkite rekomendacijų internetinę programėlę naudodami savo modelį	Python	Jen
14	Įvadas į klasterizaciją	Clustering	Išvalykite, paruoškite ir vizualizuokite savo duomenis; įvadas į klasterizaciją	Python • R	Jen • Eric Wanjau
15	Nigerijos muzikos skonių tyrinėjimas 🎧	Clustering	Tyrinėkite K-Means klasterizacijos metodą	Python • R	Jen • Eric Wanjau
16	Įvadas į natūralios kalbos apdorojimą ☕️	Natural language processing	Sužinokite pagrindus apie NLP kurdami paprastą botą	Python	Stephen
17	Dažnos NLP užduotys ☕️	Natural language processing	Gilinkite savo NLP žinias suprasdami dažnas užduotis, susijusias su kalbos struktūromis	Python	Stephen
18	Vertimas ir nuotaikų analizė ♥️	Natural language processing	Vertimas ir nuotaikų analizė su Jane Austen	Python	Stephen
19	Romantiški Europos viešbučiai ♥️	Natural language processing	Nuotaikų analizė su viešbučių apžvalgomis 1	Python	Stephen
20	Romantiški Europos viešbučiai ♥️	Natural language processing	Nuotaikų analizė su viešbučių apžvalgomis 2	Python	Stephen
21	Įvadas į laiko eilučių prognozavimą	Time series	Įvadas į laiko eilučių prognozavimą	Python	Francesca
22	⚡️ Pasaulio energijos naudojimas ⚡️ - laiko eilučių prognozavimas su ARIMA	Time series	Laiko eilučių prognozavimas naudojant ARIMA	Python	Francesca
23	⚡️ Pasaulio energijos naudojimas ⚡️ - laiko eilučių prognozavimas su SVR	Time series	Laiko eilučių prognozavimas naudojant Support Vector Regressor	Python	Anirban
24	Įvadas į stiprinamąjį mokymą	Reinforcement learning	Įvadas į stiprinamąjį mokymą su Q-Learning	Python	Dmitry
25	Padėkite Peteriui išvengti vilko! 🐺	Reinforcement learning	Stiprinamojo mokymo Gym	Python	Dmitry
Postscript	Tikrojo pasaulio ML scenarijai ir taikymas	ML in the Wild	Įdomūs ir atskleidžiantys tikrojo pasaulio klasikinio ML taikymo pavyzdžiai	Lesson	Team
Postscript	Modelio derinimas ML naudojant RAI prietaisų skydelį	ML in the Wild	Modelio derinimas mašininio mokymosi srityje naudojant atsakingo AI prietaisų skydelio komponentus	Lesson	Ruth Yakubu

raskite visus papildomus šio kurso išteklius mūsų Microsoft Learn kolekcijoje

Prieiga neprisijungus

Šią dokumentaciją galite naudoti neprisijungus naudodami Docsify. Fork'inkite šį repo, įdiekite Docsify savo vietiniame kompiuteryje, o tada repo šakniniame aplanke įveskite docsify serve. Svetainė bus pasiekiama per 3000 prievadą jūsų localhost: localhost:3000.

PDF failai

Raskite mokymo programos PDF su nuorodomis čia.

🎒 Kiti kursai

Mūsų komanda kuria ir kitus kursus! Peržiūrėkite:

• Generatyvinis AI pradedantiesiems
• Generatyvinis AI pradedantiesiems .NET
• Generatyvinis AI su JavaScript
• Generatyvinis AI su Java
• AI pradedantiesiems
• Duomenų mokslas pradedantiesiems
• ML pradedantiesiems
• Kibernetinis saugumas pradedantiesiems
• Web kūrimas pradedantiesiems
• IoT pradedantiesiems
• XR kūrimas pradedantiesiems
• GitHub Copilot meistriškumas poriniam programavimui
• GitHub Copilot meistriškumas C#/.NET programuotojams
• Pasirinkite savo Copilot nuotykių kelią

---