ML-For-Beginners/translations/uk

🌐 Підтримка багатьох мов

Підтримується через GitHub Action (автоматично та завжди оновлено)

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

Віддаєте перевагу клонувати локально?

У цьому репозиторії є понад 50 мовних перекладів, що суттєво збільшує розмір завантаження. Щоб клонувати без перекладів, використовуйте 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'

Це дасть вам усе необхідне для проходження курсу з набагато швидшим завантаженням.

Приєднуйтесь до нашої спільноти

Ми проводимо серію Discord "Вчимося з AI", дізнайтеся більше і приєднуйтесь до нас на Learn with AI Series з 18 по 30 вересня 2025 року. Ви отримаєте поради та трюки з використання GitHub Copilot для Data Science.

Машинне навчання для початківців — навчальна програма

🌍 Подорожуйте світом, досліджуючи машинне навчання через культури різних країн 🌍

Cloud Advocates у Microsoft раді запропонувати 12-тижневу програму з 26 уроків, присвячену Машинному навчанню. У цій навчальній програмі ви дізнаєтесь про те, що інколи називають класичним машинним навчанням, використовуючи передусім бібліотеку Scikit-learn та уникаючи глибинного навчання, яке висвітлюється в нашій навчальній програмі AI для початківців. Поєднуйте ці уроки з нашою 'Data Science for Beginners' програмою!

Подорожуйте з нами навколо світу, застосовуючи класичні методи до даних із різних регіонів світу. Кожен урок включає тести до та після заняття, письмові інструкції для виконання уроку, рішення, завдання тощо. Наша проектно-орієнтована методика дозволяє вчитися, створюючи власні проекти — перевірений спосіб надовго засвоїти нові навички.

✍️ Щирі подяки авторам Джен Лупер, Стівен Гауелл, Франческа Лаззері, Томомі Імура, Кассі Бревіу, Дмитру Сошникову, Крісу Норінгу, Анірбану Мукхерджі, Орнеллі Альтунян, Рут Якубу та Емі Бойд

🎨 Подяки ілюстраторам Томомі Імура, Дасані Мадіпаллі та Джен Лупер

🙏 Особлива подяка 🙏 авторам, рецензентам і контент-учасникам серед послів Microsoft Student Ambassador, зокрема Рішіту Даглі, Мухаммаду Сакібу Хану Інан, Рохану Раджу, Александру Петреску, Абхішеку Джайсвалу, Наврін Табассум, Іоану Самуїлі та Снігді Аґарвал

🤩 Додаткова вдячність послам Microsoft Student Ambassadors Еріку Ванджау, Джаслін Сонді та Відуші Гупта за уроки на 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 всі додаткові ресурси цього курсу у нашій колекції Microsoft Learn

🔧 Потрібна допомога? Перевірте наш Посібник з усунення несправностей для розв’язання типових проблем з інсталяцією, налаштуванням і запуском уроків.

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

• Почніть із тесту перед лекцією.
• Прочитайте лекцію й виконайте завдання, зупиняючись для роздумів на кожній перевірці знань.
• Намагайтеся створювати проекти, розуміючи уроки, а не просто запускаючи код з рішеннями; однак цей код доступний у папках /solution для кожного проектно-орієнтованого уроку.
• Зробіть тест після лекції.
• Виконайте виклик.
• Виконайте завдання.
• Після завершення групи уроків відвідайте Дошку обговорень і "навчайтеся голосно", заповнюючи відповідну рубрику PAT. PAT — це інструмент оцінки прогресу, який ви заповнюєте для подальшого навчання. Ви також можете реагувати на інші PAT, щоб навчатися разом.

Для подальшого навчання рекомендуємо проходити ці модулі та навчальні шляхи Microsoft Learn.

Вчителі, ми надали кілька порад щодо використання цієї навчальної програми.

---

Відеоогляди

Деякі уроки доступні у короткому відеоформаті. Ви можете знайти їх безпосередньо в уроках або на плейлисті ML for Beginners на каналі Microsoft Developer на YouTube, натиснувши на зображення нижче.

---

Знайомтесь з командою

Гіф створений Mohit Jaisal

🎥 Натисніть на зображення вище для перегляду відео про проект і людей, які його створили!

---

Педагогіка

Під час розробки цієї навчальної програми ми обрали два педагогічні принципи: забезпечити практичний проектно-орієнтований підхід і включити часті тести. Окрім цього, програма має спільну тему для кращої узгодженості.

Забезпечуючи відповідність контенту проектам, процес навчання стає більш захопливим для студентів, а засвоєння концепцій покращується. Крім того, тест із низькою ставкою перед заняттям налаштовує студента на вивчення теми, тоді як другий тест після заняття забезпечує подальше запам’ятовування. Цю програму розроблено гнучкою та цікавою, її можна проходити повністю або частинами. Проекти починаються з простих і ускладнюються до кінця 12-тижневого циклу. Програма також містить епілог про реальні застосування машинного навчання, який можна використовувати для додаткових балів або для обговорення.

Знайдіть наші правила Кодексу поведінки, Співпраці, Перекладу та Усунення несправностей. Ми радо приймаємо конструктивний відгук!

Кожен урок включає

• необов’язкову скетчноуту
• необов’язкове додаткове відео
• відеоогляд (лише для деяких уроків)
• тест для розігріву перед лекцією
• письмовий урок
• для проектно-орієнтованих уроків — покрокові інструкції зі створення проекту
• перевірки знань
• виклик
• додаткову літературу
• завдання
• тест після лекції

Примітка щодо мов: 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 мають розширення .rmd, що означає R Markdown файл, який можна описати як вбудування фрагментів коду (на R або інших мовах) та YAML-заголовка (який керує форматом виводу, наприклад PDF) у Markdown-документ. Це слугує прекрасним авторським інструментом для data science, оскільки дозволяє поєднувати код, його вивід і ваші думки, записуючи їх у Markdown. Крім того, документи R Markdown можна експортувати у формати PDF, HTML або Word. Примітка щодо вікторин: Всі вікторини містяться у папці Quiz App, загалом 52 вікторини по три питання в кожній. Вони пов’язані з уроками, але додаток для вікторин можна запускати локально; дотримуйтесь інструкцій у папці quiz-app для локального розгортання або розміщення в Azure.

Номер уроку	Тема	Група уроків	Навчальні цілі	Пов’язаний урок	Автор
01	Вступ до машинного навчання	Introduction	Вивчити базові концепції машинного навчання	Lesson	Muhammad
02	Історія машинного навчання	Introduction	Вивчити історію цієї галузі	Lesson	Jen and Amy
03	Справедливість та машинне навчання	Introduction	Які важливі філософські питання справедливості слід враховувати при створенні та застосуванні моделей ML?	Lesson	Tomomi
04	Техніки машинного навчання	Introduction	Які техніки використовують дослідники ML для створення моделей?	Lesson	Chris and Jen
05	Вступ до регресії	Regression	Початок роботи з Python та Scikit-learn для моделей регресії	Python • R	Jen • Eric Wanjau
06	Ціни на гарбузи Північної Америки 🎃	Regression	Візуалізація та очищення даних перед ML	Python • R	Jen • Eric Wanjau
07	Ціни на гарбузи Північної Америки 🎃	Regression	Побудова лінійних та поліноміальних моделей регресії	Python • R	Jen and Dmitry • Eric Wanjau
08	Ціни на гарбузи Північної Америки 🎃	Regression	Побудова моделі логістичної регресії	Python • R	Jen • Eric Wanjau
09	Веб-додаток 🔌	Web App	Створити веб-додаток для використання навченої моделі	Python	Jen
10	Вступ до класифікації	Classification	Очищення, підготовка та візуалізація даних; вступ до класифікації	Python • R	Jen and Cassie • Eric Wanjau
11	Смачна азіатська та індійська кухня 🍜	Classification	Вступ до класифікаторів	Python • R	Jen and Cassie • Eric Wanjau
12	Смачна азіатська та індійська кухня 🍜	Classification	Більше класифікаторів	Python • R	Jen and Cassie • Eric Wanjau
13	Смачна азіатська та індійська кухня 🍜	Classification	Створення веб-додатку рекомендацій з використанням моделі	Python	Jen
14	Вступ до кластеризації	Clustering	Очищення, підготовка та візуалізація даних; вступ до кластеризації	Python • R	Jen • Eric Wanjau
15	Дослідження музичних смаків Нігерії 🎧	Clustering	Дослідження методу кластеризації K-середніх	Python • R	Jen • Eric Wanjau
16	Вступ до обробки природної мови ☕️	Natural language processing	Вивчити основи NLP, створюючи простого бота	Python	Stephen
17	Поширені завдання NLP ☕️	Natural language processing	Поглибити знання NLP, зрозумівши типові завдання при роботі з мовними структурами	Python	Stephen
18	Переклад та аналіз настроїв ♥️	Natural language processing	Переклад і аналіз настроїв з Jane Austen	Python	Stephen
19	Романтичні готелі Європи ♥️	Natural language processing	Аналіз настроїв на основі відгуків про готелі 1	Python	Stephen
20	Романтичні готелі Європи ♥️	Natural language processing	Аналіз настроїв на основі відгуків про готелі 2	Python	Stephen
21	Вступ до прогнозування часових рядів	Time series	Вступ до прогнозування часових рядів	Python	Francesca
22	⚡️ Споживання електроенергії у світі ⚡️ - прогноз з ARIMA	Time series	Прогнозування часових рядів за допомогою ARIMA	Python	Francesca
23	⚡️ Споживання електроенергії у світі ⚡️ - прогноз зі SVR	Time series	Прогнозування часових рядів за допомогою регресора опорних векторів	Python	Anirban
24	Вступ до підкріплювального навчання	Reinforcement learning	Вступ до підкріплювального навчання з Q-Learning	Python	Dmitry
25	Допоможіть Пітеру уникнути вовка! 🐺	Reinforcement learning	Підкріплювальне навчання Gym	Python	Dmitry
Постскрипт	Реальні сценарії та застосування ML	ML in the Wild	Цікаві і показові реальні застосування класичного ML	Lesson	Team
Постскрипт	Відлагодження моделей ML за допомогою панелі RAI	ML in the Wild	Відлагодження моделей машинного навчання з використанням панелі Responsible AI	Lesson	Ruth Yakubu

знайти всі додаткові ресурси для цього курсу у нашій колекції Microsoft Learn

Оффлайн доступ

Ви можете запускати цю документацію оффлайн за допомогою Docsify. Форкніть цей репозиторій, встановіть Docsify на свій локальний комп’ютер, а потім у кореневій папці цього репозиторію введіть docsify serve. Вебсайт буде доступний на порті 3000 на вашому локальному хості: localhost:3000.

PDFs

Знайдіть pdf навчальної програми з посиланнями тут.

🎒 Інші курси

Наша команда створює й інші курси! Перегляньте:

LangChain

---

Azure / Edge / MCP / Агентів

---

Серія Generative AI

---

Основне навчання

---

Серія Copilot

Отримання допомоги

Якщо ви застрягли або маєте питання щодо створення AI-додатків. Приєднуйтесь до інших учнів та досвідчених розробників у дискусіях про MCP. Це підтримуюча спільнота, де питання вітаються, а знання вільно поширюються.

Якщо у вас є відгуки про продукт або помилки під час створення, відвідайте:

---

Відмова від відповідальності: Цей документ було перекладено за допомогою сервісу автоматичного перекладу AI Co-op Translator. Хоч ми і прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ його рідною мовою слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний переклад людиною. Ми не несемо відповідальності за будь-які непорозуміння чи неправильні тлумачення, що виникли внаслідок використання цього перекладу.