24 KiB
🌐 Podpora za več jezikov
Podprto prek GitHub Action (samodejno in vedno posodobljeno)
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)
Pridružite se naši skupnosti
Na Discordu poteka serija učenja z umetno inteligenco. Več o tem izveste in se nam pridružite na Learn with AI Series od 18. do 30. septembra 2025. Naučili se boste nasvetov in trikov za uporabo GitHub Copilot pri podatkovni znanosti.
Strojno učenje za začetnike - učni načrt
🌍 Potujte po svetu, medtem ko raziskujete strojno učenje skozi prizmo svetovnih kultur 🌍
Cloud Advocates pri Microsoftu ponujajo 12-tedenski učni načrt s 26 lekcijami o strojnem učenju. V tem učnem načrtu se boste naučili o tem, kar se včasih imenuje klasično strojno učenje, pri čemer boste večinoma uporabljali knjižnico Scikit-learn in se izognili globokemu učenju, ki je obravnavano v našem učnem načrtu AI za začetnike. Te lekcije lahko združite z našim učnim načrtom 'Podatkovna znanost za začetnike'.
Potujte z nami po svetu, medtem ko uporabljamo te klasične tehnike na podatkih iz različnih delov sveta. Vsaka lekcija vključuje kvize pred in po lekciji, pisna navodila za dokončanje lekcije, rešitev, nalogo in še več. Naš projektno usmerjen pristop omogoča učenje skozi ustvarjanje, kar je dokazano učinkovit način za pridobivanje novih veščin.
✍️ Iskrena zahvala našim avtorjem Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu in Amy Boyd
🎨 Zahvala tudi našim ilustratorjem Tomomi Imura, Dasani Madipalli in Jen Looper
🙏 Posebna zahvala 🙏 našim Microsoft Student Ambassador avtorjem, recenzentom in prispevalcem vsebine, zlasti Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila in Snigdha Agarwal
🤩 Dodatna zahvala Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi in Vidushi Gupta za naše lekcije v R!
Začetek
Sledite tem korakom:
- Forkajte repozitorij: Kliknite gumb "Fork" v zgornjem desnem kotu te strani.
- Klonirajte repozitorij:
git clone https://github.com/microsoft/ML-For-Beginners.git
poiščite vse dodatne vire za ta tečaj v naši zbirki Microsoft Learn
Študenti, za uporabo tega učnega načrta forkajte celoten repozitorij v svoj GitHub račun in dokončajte vaje sami ali v skupini:
- Začnite s kvizom pred predavanjem.
- Preberite predavanje in dokončajte aktivnosti, pri čemer se ustavite in razmislite ob vsakem preverjanju znanja.
- Poskusite ustvariti projekte z razumevanjem lekcij, namesto da bi samo zagnali rešitev kode; vendar je ta koda na voljo v mapah
/solution
v vsaki projektno usmerjeni lekciji. - Opravite kviz po predavanju.
- Dokončajte izziv.
- Dokončajte nalogo.
- Po zaključku skupine lekcij obiščite Diskusijsko ploščo in "učite na glas" tako, da izpolnite ustrezno PAT rubriko. 'PAT' je orodje za ocenjevanje napredka, rubrika, ki jo izpolnite za poglobitev svojega učenja. Lahko se odzovete tudi na druge PAT-e, da se učimo skupaj.
Za nadaljnje študije priporočamo, da sledite tem Microsoft Learn modulom in učnim potem.
Učitelji, vključili smo nekaj predlogov o tem, kako uporabiti ta učni načrt.
Video vodiči
Nekatere lekcije so na voljo kot kratki video posnetki. Vse te najdete v lekcijah ali na ML za začetnike playlisti na Microsoft Developer YouTube kanalu s klikom na spodnjo sliko.
Spoznajte ekipo
Gif avtorja Mohit Jaisal
🎥 Kliknite zgornjo sliko za video o projektu in ljudeh, ki so ga ustvarili!
Pedagogika
Pri oblikovanju tega učnega načrta smo izbrali dva pedagoška načela: zagotoviti, da je praktično projektno usmerjen in da vključuje pogoste kvize. Poleg tega ima ta učni načrt skupno temo, ki mu daje kohezijo.
Z zagotavljanjem, da vsebina ustreza projektom, je proces bolj privlačen za študente, koncepti pa se bolje ohranijo. Poleg tega nizko-stresni kviz pred predavanjem usmeri pozornost študenta na učenje teme, medtem ko drugi kviz po predavanju zagotavlja nadaljnjo ohranitev znanja. Ta učni načrt je zasnovan tako, da je prilagodljiv in zabaven ter ga je mogoče jemati v celoti ali delno. Projekti se začnejo majhni in postajajo vse bolj kompleksni do konca 12-tedenskega cikla. Ta učni načrt vključuje tudi dodatek o realnih aplikacijah strojnega učenja, ki ga je mogoče uporabiti kot dodatno nalogo ali kot osnovo za razpravo.
Poiščite naš Kodeks ravnanja, Prispevanje in Smernice za prevajanje. Veseli bomo vaših konstruktivnih povratnih informacij!
Vsaka lekcija vključuje
- opcionalno sketchnote
- opcionalni dopolnilni video
- video vodič (samo nekatere lekcije)
- kviz za ogrevanje pred predavanjem
- pisno lekcijo
- za projektno usmerjene lekcije, korak-po-korak vodič za izdelavo projekta
- preverjanje znanja
- izziv
- dopolnilno branje
- nalogo
- kviz po predavanju
Opomba o jezikih: Te lekcije so večinoma napisane v Pythonu, vendar so mnoge na voljo tudi v R. Za dokončanje lekcije v R pojdite v mapo
/solution
in poiščite lekcije v R. Te vključujejo razširitev .rmd, ki predstavlja R Markdown datoteko, ki jo lahko preprosto opišemo kot vdelavocode chunks
(R ali drugih jezikov) inYAML header
(ki vodi, kako formatirati izhode, kot so PDF) vMarkdown dokument
. Tako služi kot odličen okvir za avtorstvo v podatkovni znanosti, saj omogoča kombiniranje kode, njenega izhoda in vaših misli z zapisovanjem v Markdown. Poleg tega je mogoče R Markdown dokumente upodobiti v izhodne formate, kot so PDF, HTML ali Word.
Opomba o kvizih: Vsi kvizi so vsebovani v mapi Quiz App, skupaj 52 kvizov s po tremi vprašanji. Povezani so znotraj lekcij, vendar je aplikacijo za kvize mogoče zagnati lokalno; sledite navodilom v mapi
quiz-app
za lokalno gostovanje ali namestitev na Azure.
Številka lekcije | Tema | Skupina lekcij | Cilji učenja | Povezana lekcija | Avtor |
---|---|---|---|---|---|
01 | Uvod v strojno učenje | Uvod | Spoznajte osnovne koncepte strojnega učenja | Lekcija | Muhammad |
02 | Zgodovina strojnega učenja | Uvod | Spoznajte zgodovino tega področja | Lekcija | Jen in Amy |
03 | Pravičnost in strojno učenje | Introduction | Katere pomembne filozofske vidike pravičnosti bi morali študenti upoštevati pri gradnji in uporabi modelov strojnega učenja? | Lesson | Tomomi |
04 | Tehnike za strojno učenje | Introduction | Katere tehnike uporabljajo raziskovalci strojnega učenja za gradnjo modelov? | Lesson | Chris in Jen |
05 | Uvod v regresijo | Regression | Začnite s Pythonom in Scikit-learn za modele regresije | Python • R | Jen • Eric Wanjau |
06 | Cene buč v Severni Ameriki 🎃 | Regression | Vizualizirajte in očistite podatke za pripravo na strojno učenje | Python • R | Jen • Eric Wanjau |
07 | Cene buč v Severni Ameriki 🎃 | Regression | Zgradite linearne in polinomske regresijske modele | Python • R | Jen in Dmitry • Eric Wanjau |
08 | Cene buč v Severni Ameriki 🎃 | Regression | Zgradite logistični regresijski model | Python • R | Jen • Eric Wanjau |
09 | Spletna aplikacija 🔌 | Web App | Zgradite spletno aplikacijo za uporabo vašega treniranega modela | Python | Jen |
10 | Uvod v klasifikacijo | Classification | Očistite, pripravite in vizualizirajte podatke; uvod v klasifikacijo | Python • R | Jen in Cassie • Eric Wanjau |
11 | Okusne azijske in indijske jedi 🍜 | Classification | Uvod v klasifikatorje | Python • R | Jen in Cassie • Eric Wanjau |
12 | Okusne azijske in indijske jedi 🍜 | Classification | Več klasifikatorjev | Python • R | Jen in Cassie • Eric Wanjau |
13 | Okusne azijske in indijske jedi 🍜 | Classification | Zgradite spletno aplikacijo za priporočila z uporabo vašega modela | Python | Jen |
14 | Uvod v gručenje | Clustering | Očistite, pripravite in vizualizirajte podatke; uvod v gručenje | Python • R | Jen • Eric Wanjau |
15 | Raziskovanje nigerijskih glasbenih okusov 🎧 | Clustering | Raziskovanje metode K-Means | Python • R | Jen • Eric Wanjau |
16 | Uvod v obdelavo naravnega jezika ☕️ | Natural language processing | Naučite se osnov NLP z gradnjo preprostega bota | Python | Stephen |
17 | Pogoste naloge NLP ☕️ | Natural language processing | Poglobite svoje znanje NLP z razumevanjem pogostih nalog pri delu z jezikovnimi strukturami | Python | Stephen |
18 | Prevajanje in analiza sentimenta ♥️ | Natural language processing | Prevajanje in analiza sentimenta z Jane Austen | Python | Stephen |
19 | Romantični hoteli Evrope ♥️ | Natural language processing | Analiza sentimenta z ocenami hotelov 1 | Python | Stephen |
20 | Romantični hoteli Evrope ♥️ | Natural language processing | Analiza sentimenta z ocenami hotelov 2 | Python | Stephen |
21 | Uvod v napovedovanje časovnih vrst | Time series | Uvod v napovedovanje časovnih vrst | Python | Francesca |
22 | ⚡️ Svetovna poraba energije ⚡️ - napovedovanje časovnih vrst z ARIMA | Time series | Napovedovanje časovnih vrst z ARIMA | Python | Francesca |
23 | ⚡️ Svetovna poraba energije ⚡️ - napovedovanje časovnih vrst z SVR | Time series | Napovedovanje časovnih vrst z regressorjem podpornih vektorjev | Python | Anirban |
24 | Uvod v okrepljeno učenje | Reinforcement learning | Uvod v okrepljeno učenje z Q-Learning | Python | Dmitry |
25 | Pomagajte Petru, da se izogne volku! 🐺 | Reinforcement learning | Okrepljeno učenje z Gym | Python | Dmitry |
Postscript | Resnični scenariji in aplikacije ML | ML in the Wild | Zanimive in razkrivajoče resnične aplikacije klasičnega strojnega učenja | Lesson | Team |
Postscript | Odpravljanje napak modelov ML z nadzorno ploščo RAI | ML in the Wild | Odpravljanje napak modelov strojnega učenja z uporabo komponent nadzorne plošče za odgovorno AI | Lesson | Ruth Yakubu |
poiščite vse dodatne vire za ta tečaj v naši zbirki Microsoft Learn
Dostop brez povezave
To dokumentacijo lahko zaženete brez povezave z uporabo Docsify. Forkajte to repozitorij, namestite Docsify na vaš lokalni računalnik, nato pa v korenski mapi tega repozitorija vnesite docsify serve
. Spletna stran bo na voljo na portu 3000 na vašem localhostu: localhost:3000
.
PDF-ji
Najdite PDF učnega načrta s povezavami tukaj.
🎒 Drugi tečaji
Naša ekipa pripravlja tudi druge tečaje! Oglejte si:
- Generativna AI za začetnike
- Generativna AI za začetnike .NET
- Generativna AI z JavaScript
- Generativna AI z Java
- AI za začetnike
- Podatkovna znanost za začetnike
- ML za začetnike
- Kibernetska varnost za začetnike
- Spletni razvoj za začetnike
- IoT za začetnike
- XR razvoj za začetnike
- Obvladovanje GitHub Copilot za parno programiranje
- Obvladovanje GitHub Copilot za C#/.NET razvijalce
- Izberite svojo Copilot pustolovščino