ML-For-Beginners/translations/uk

🌐 Підтримка багатьох мов

Підтримується через GitHub Action (автоматично та завжди актуально)

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)

Приєднуйтесь до нашої спільноти

Ми проводимо серію навчань у Discord, присвячену AI. Дізнайтеся більше та приєднуйтесь до нас на Learn with AI Series з 18 по 30 вересня 2025 року. Ви отримаєте поради та хитрощі щодо використання GitHub Copilot для Data Science.

Машинне навчання для початківців — навчальна програма

🌍 Подорожуйте світом, досліджуючи машинне навчання через культури світу 🌍

Cloud Advocates у Microsoft раді запропонувати 12-тижневу навчальну програму з 26 уроків, присвячену машинному навчанню. У цій програмі ви дізнаєтеся про те, що іноді називають класичним машинним навчанням, використовуючи переважно бібліотеку Scikit-learn і уникаючи глибокого навчання, яке розглядається в нашій навчальній програмі "AI for Beginners". Поєднуйте ці уроки з нашою навчальною програмою "Data Science for Beginners".

Подорожуйте з нами світом, застосовуючи ці класичні техніки до даних з різних куточків планети. Кожен урок включає тести до та після уроку, письмові інструкції для виконання завдання, рішення, завдання та багато іншого. Наш підхід, заснований на проєктах, дозволяє вам навчатися, створюючи, що є перевіреним способом закріплення нових навичок.

✍️ Щира подяка нашим авторам: Джен Лупер, Стівен Говелл, Франческа Лаццері, Томомі Імура, Кессі Бревіу, Дмитро Сошніков, Кріс Норінг, Анірбан Мукерджі, Орнелла Алтунян, Рут Якубу та Емі Бойд

🎨 Подяка також нашим ілюстраторам: Томомі Імура, Дасані Мадіпаллі та Джен Лупер

🙏 Особлива подяка 🙏 нашим авторам, рецензентам і контриб'юторам із числа студентських амбасадорів Microsoft, зокрема Рішиту Даглі, Мухаммаду Сакібу Хану Інану, Рохану Раджу, Александру Петреску, Абхішеку Джайсвалу, Наврін Табассум, Іоану Самуїлі та Снігдзі Агарвал

🤩 Окрема подяка студентським амбасадорам Microsoft Еріку Ванджау, Джаслін Сонді та Відуші Гупті за наші уроки з R!

Початок роботи

Виконайте ці кроки:

1. Форкніть репозиторій: Натисніть кнопку "Fork" у верхньому правому куті цієї сторінки.
2. Клонуйте репозиторій: git clone https://github.com/microsoft/ML-For-Beginners.git

знайдіть усі додаткові ресурси для цього курсу в нашій колекції Microsoft Learn

Студенти, щоб використовувати цю навчальну програму, форкніть весь репозиторій у свій обліковий запис GitHub і виконуйте вправи самостійно або в групі:

• Почніть із тесту перед лекцією.
• Прочитайте лекцію та виконайте завдання, зупиняючись і розмірковуючи на кожному етапі перевірки знань.
• Спробуйте створити проєкти, розуміючи уроки, а не просто запускаючи код із рішення; однак цей код доступний у папках /solution у кожному проєктно-орієнтованому уроці.
• Пройдіть тест після лекції.
• Виконайте завдання.
• Після завершення групи уроків відвідайте Дошку обговорень і "вчіться вголос", заповнюючи відповідний рубрикатор PAT. PAT — це інструмент оцінки прогресу, який ви заповнюєте для подальшого навчання. Ви також можете реагувати на інші PAT, щоб ми могли навчатися разом.

Для подальшого навчання ми рекомендуємо слідувати цим модулям і навчальним шляхам Microsoft Learn.

Вчителі, ми додали кілька пропозицій щодо використання цієї навчальної програми.

---

Відео-уроки

Деякі уроки доступні у вигляді коротких відео. Ви можете знайти їх у самих уроках або на плейлисті "ML for Beginners" на YouTube-каналі Microsoft Developer, натиснувши на зображення нижче.

---

Знайомство з командою

Gif створено Мохітом Джайсалом

🎥 Натисніть на зображення вище, щоб переглянути відео про проєкт і людей, які його створили!

---

Педагогіка

Ми обрали два педагогічні принципи під час створення цієї навчальної програми: забезпечення того, щоб вона була практичною на основі проєктів і включала часті тести. Крім того, ця програма має спільну тему, яка надає їй цілісності.

Забезпечуючи відповідність контенту проєктам, процес стає більш захоплюючим для студентів, а засвоєння концепцій посилюється. Крім того, тест із низькими ставками перед заняттям налаштовує студента на вивчення теми, а другий тест після заняття забезпечує подальше закріплення знань. Ця програма була розроблена як гнучка та цікава і може бути використана повністю або частково. Проєкти починаються з простих і стають дедалі складнішими до кінця 12-тижневого циклу. Ця програма також включає постскриптум про реальні застосування ML, який можна використовувати як додатковий матеріал або як основу для обговорення.

Знайдіть наші Правила поведінки, Рекомендації щодо внесків та Рекомендації щодо перекладу. Ми вітаємо ваші конструктивні відгуки!

Кожен урок включає

• необов’язковий скетчноут
• необов’язкове додаткове відео
• відео-урок (лише для деяких уроків)
• тест перед лекцією
• письмовий урок
• для уроків на основі проєктів — покрокові інструкції щодо створення проєкту
• перевірки знань
• завдання
• додаткові матеріали для читання
• домашнє завдання
• тест після лекції

Примітка про мови: Ці уроки переважно написані на Python, але багато з них також доступні на R. Щоб виконати урок на R, перейдіть до папки /solution і знайдіть уроки на R. Вони включають розширення .rmd, яке представляє R Markdown файл, що можна просто визначити як вбудовування кодових блоків (на R або інших мовах) і YAML-заголовка (який керує форматуванням вихідних даних, таких як PDF) у Markdown-документ. Таким чином, це є зразковою авторською структурою для науки про дані, оскільки дозволяє поєднувати ваш код, його результати та ваші думки, записуючи їх у Markdown. Крім того, документи R Markdown можна рендерити у формати, такі як PDF, HTML або Word.

Примітка про тести: Усі тести містяться в папці Quiz App, загалом 52 тести по три питання кожен. Вони пов’язані з уроками, але додаток для тестів можна запустити локально; дотримуйтесь інструкцій у папці quiz-app, щоб розгорнути локально або в Azure.

Номер уроку	Тема	Групування уроків	Навчальні цілі	Посилання на урок	Автор
01	Вступ до машинного навчання	Вступ	Дізнайтеся основні концепції машинного навчання	Урок	Мухаммад
02	Історія машинного навчання	Вступ	Дізнайтеся історію цієї галузі	Урок	Джен і Емі
03	Справедливість і машинне навчання	Вступ	Які важливі філософські питання щодо справедливості студенти повинні враховувати при створенні та застосуванні моделей ML?	Урок	Tomomi
04	Техніки машинного навчання	Вступ	Які техніки використовують дослідники ML для створення моделей ML?	Урок	Chris і Jen
05	Вступ до регресії	Регресія	Почніть роботу з Python і Scikit-learn для моделей регресії	Python • R	Jen • Eric Wanjau
06	Ціни на гарбузи в Північній Америці 🎃	Регресія	Візуалізуйте та очистіть дані для підготовки до ML	Python • R	Jen • Eric Wanjau
07	Ціни на гарбузи в Північній Америці 🎃	Регресія	Створіть моделі лінійної та поліноміальної регресії	Python • R	Jen і Dmitry • Eric Wanjau
08	Ціни на гарбузи в Північній Америці 🎃	Регресія	Створіть модель логістичної регресії	Python • R	Jen • Eric Wanjau
09	Веб-додаток 🔌	Веб-додаток	Створіть веб-додаток для використання вашої навченої моделі	Python	Jen
10	Вступ до класифікації	Класифікація	Очистіть, підготуйте та візуалізуйте ваші дані; вступ до класифікації	Python • R	Jen і Cassie • Eric Wanjau
11	Смачні азійські та індійські страви 🍜	Класифікація	Вступ до класифікаторів	Python • R	Jen і Cassie • Eric Wanjau
12	Смачні азійські та індійські страви 🍜	Класифікація	Більше класифікаторів	Python • R	Jen і Cassie • Eric Wanjau
13	Смачні азійські та індійські страви 🍜	Класифікація	Створіть веб-додаток рекомендацій, використовуючи вашу модель	Python	Jen
14	Вступ до кластеризації	Кластеризація	Очистіть, підготуйте та візуалізуйте ваші дані; вступ до кластеризації	Python • R	Jen • Eric Wanjau
15	Дослідження музичних уподобань Нігерії 🎧	Кластеризація	Дослідження методу кластеризації K-Means	Python • R	Jen • Eric Wanjau
16	Вступ до обробки природної мови ☕️	Обробка природної мови	Вивчіть основи NLP, створивши простого бота	Python	Stephen
17	Загальні завдання NLP ☕️	Обробка природної мови	Поглибте свої знання NLP, зрозумівши загальні завдання, пов'язані зі структурою мови	Python	Stephen
18	Переклад і аналіз настроїв ♥️	Обробка природної мови	Переклад і аналіз настроїв за творами Джейн Остін	Python	Stephen
19	Романтичні готелі Європи ♥️	Обробка природної мови	Аналіз настроїв за відгуками про готелі 1	Python	Stephen
20	Романтичні готелі Європи ♥️	Обробка природної мови	Аналіз настроїв за відгуками про готелі 2	Python	Stephen
21	Вступ до прогнозування часових рядів	Часові ряди	Вступ до прогнозування часових рядів	Python	Francesca
22	⚡️ Використання електроенергії у світі ⚡️ - прогнозування часових рядів з ARIMA	Часові ряди	Прогнозування часових рядів з ARIMA	Python	Francesca
23	⚡️ Використання електроенергії у світі ⚡️ - прогнозування часових рядів з SVR	Часові ряди	Прогнозування часових рядів з регресором опорних векторів	Python	Anirban
24	Вступ до навчання з підкріпленням	Навчання з підкріпленням	Вступ до навчання з підкріпленням за допомогою Q-Learning	Python	Dmitry
25	Допоможіть Пітеру уникнути вовка! 🐺	Навчання з підкріпленням	Навчання з підкріпленням у Gym	Python	Dmitry
Постскриптум	Реальні сценарії та застосування ML	ML у реальному світі	Цікаві та показові реальні застосування класичного ML	Урок	Команда
Постскриптум	Налагодження моделей ML за допомогою панелі RAI	ML у реальному світі	Налагодження моделей машинного навчання за допомогою компонентів панелі відповідального AI	Урок	Ruth Yakubu

знайдіть усі додаткові ресурси для цього курсу в нашій колекції Microsoft Learn

Офлайн-доступ

Ви можете використовувати цю документацію офлайн за допомогою Docsify. Форкніть цей репозиторій, встановіть Docsify на вашому локальному комп'ютері, а потім у кореневій папці цього репозиторію введіть docsify serve. Вебсайт буде доступний на порту 3000 вашого localhost: localhost:3000.

PDF-файли

Знайдіть PDF-версію навчальної програми з посиланнями тут.

🎒 Інші курси

Наша команда створює інші курси! Ознайомтеся з:

• Генеративний AI для початківців
• Генеративний AI для початківців .NET
• Генеративний AI з JavaScript
• Генеративний AI з Java
• AI для початківців
• Наука про дані для початківців
• ML для початківців
• Кібербезпека для початківців
• Веб-розробка для початківців
• IoT для початківців
• Розробка XR для початківців
• Опанування GitHub Copilot для парного програмування
• Опанування GitHub Copilot для розробників C#/.NET
• Виберіть свою пригоду з Copilot

---