ML-For-Beginners/translations/lt

🌐 Daugiakalbė palaikymas

Palaikoma per GitHub veiksmą (automatinis ir visada atnaujintas)

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

Pageidaujate klonuoti vietoje?

Šiame saugykloje yra daugiau nei 50 kalbų vertimų, kurie žymiai padidina atsisiuntimo dydį. Norėdami klonuoti be vertimų, naudokite retinimą (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'

Tai suteiks jums viską, ko reikia kursui baigti, su daug greitesniu atsisiuntimu.

Prisijunkite prie mūsų bendruomenės

Mes vykdome Discord mokymosi su DI seriją, sužinokite daugiau ir prisijunkite prie mūsų Learn with AI Series nuo 2025 m. rugsėjo 18 iki 30 d. Gaunate patarimų ir gudrybių, kaip naudotis GitHub Copilot duomenų mokslui.

Mašininis mokymasis pradedantiesiems – kurikulumą

🌍 Keliaukite po pasaulį mokydamiesi mašininio mokymosi per pasaulio kultūras 🌍

„Microsoft“ debesų technologijų entuziastai džiaugiasi galėdami pasiūlyti 12 savaičių, 26 pamokų kurikulumą, skirtą mašininio mokymosi temai. Šiame kurikule sužinosite apie tai, ką kartais vadiname klasikiniu mašininiu mokymusi, daugiausia naudodami „Scikit-learn“ biblioteką ir vengdami giluminio mokymosi, kuris aptariamas mūsų DI pradedantiesiems kurikule. Derinkite šias pamokas su mūsų 'Duomenų mokslas pradedantiesiems' kurikulu!

Keliaukite su mumis po pasaulį, taikydami šias klasikines technikas duomenims iš skirtingų pasaulio vietų. Kiekvienoje pamokoje yra prieš pamoką ir po pamokos testai, rašytinės instrukcijos pamokai atlikti, sprendimas, užduotis ir daugiau. Mūsų projektinis mokymas leidžia mokytis kartu su praktika – tai patikrintas būdas geriau įsisavinti naujus įgūdžius.

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

🎨 Ačiū kūrėjams Tomomi Imura, Dasani Madipalli ir Jen Looper

🙏 Specialūs dėkojimai 🙏 Microsoft studentų ambasadoriams autoriams, peržiūrėtojams ir turinio bendradarbiams, ypač Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ir Snigdha Agarwal

🤩 Papildomas ačiū Microsoft studentų ambasadoriams Eric Wanjau, Jasleen Sondhi ir Vidushi Gupta už mūsų R pamokas!

Pradžia

Atlikite šiuos veiksmus:

1. Padarykite „fork“: spustelėkite mygtuką „Fork“ viršutiniame dešiniajame šio puslapio kampe.
2. Klonuokite saugyklą: git clone https://github.com/microsoft/ML-For-Beginners.git

rasite visus papildomus šio kurso išteklius mūsų Microsoft Learn kolekcijoje

🔧 Reikia pagalbos? Patikrinkite mūsų trikčių šalinimo gidą, kaip spręsti dažniausias įdiegimo, nustatymo ir pamokų vykdymo problemas.

Studentai, norėdami naudotis šiuo kurikulu, padarykite visos saugyklos „fork“ į savo GitHub paskyrą ir atlikite pratimus savarankiškai arba grupėje:

• Pradėkite nuo priešpaskaitinio testo.
• Perskaitykite paskaitą ir atlikite užduotis, stabtelėdami ir apmąstydami po kiekvieną žinių patikrinimą.
• Stenkitės kurti projektus suprasdami pamokas, o ne vien vykdydami sprendimų kodą; tačiau šis kodas yra prieinamas kiekvienos pamokos, orientuotos į projektus, /solution kataloguose.
• Atlikite paslapkaitinį testą.
• Atlikite iššūkį.
• Atlikite užduotį.
• Baigę pamokų grupę apsilankykite diskusijų lentoje ir „mokykitės garsiai“, užpildydami atitinkamą PAT vertinimą. PAT (Progresso Vertinimo Įrankis) yra rubrika, kurią galite užpildyti geriau įsisavindami mokymąsi. Taip pat galite reaguoti į kitus PAT, kad mokytumėmės kartu.

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

Dėstytojai, mes pateikėme keletą patarimų, kaip naudoti šį kurikulą.

---

Vaizdo apžvalgos

Kai kurios pamokos pateikiamos trumpų formų vaizdo įrašais. Jas visas rasite tiesiogiai pamokose arba ML pradedantiesiems grojaraštyje „Microsoft Developer“ YouTube kanale spustelėję paveikslėlį žemiau.

---

Susipažinkite su komanda

Gif kūrė Mohit Jaisal

🎥 Spustelėkite viršutinį paveikslėlį, kad peržiūrėtumėte vaizdo įrašą apie projektą ir jo kūrėjus!

---

Pedagogika

Kuriant šį kurikulą pasirinkome du pedagoginius principus: užtikrinti, kad jis būtų praktinis, projektų pagrindu ir būtų įtrauktos dažnos viktorinos. Be to, šis kurikulas turi bendrą temą, suteikiančią nuoseklumą.

Suderinus turinį su projektais, mokymosi procesas tampa patrauklesnis ir koncepcijų įsisavinimas sustiprinamas. Be to, mažos rizikos testas prieš paskaitą nukreipia studentą į naujos temos mokymąsi, o antras testas po paskaitos užtikrina geresnį įsisavinimą. Šis kurikulas sukurtas būti lankstus ir įdomus, jį galima atlikti pilnai arba dalimis. Projektai pradžioje yra paprasti ir palaipsniui sudėtingėja iki 12 savaičių ciklo pabaigos. Šiame kurikule taip pat yra pabaigos pastaba apie mašininio mokymosi taikymą realiame pasaulyje, kurį galima naudoti kaip papildomą užduotį arba diskusijų pagrindą.

Raskite mūsų Elgesio kodeksą, Indėlio taisykles, Vertimo gaires ir Trikčių šalinimo vadovą. Laukiame jūsų konstruktyvios grįžtamosios informacijos!

Kiekviena pamoka apima

• neprivalomą eskizą
• neprivalomą papildomą vaizdo įrašą
• vaizdo apžvalgą (tik kai kurios pamokos)
• priešpaskaitinį pasiruošimo testą
• rašytinę pamoką
• projektinėse pamokose – žingsnis po žingsnio gaires, kaip kurti projektą
• žinių patikrinimus
• iššūkį
• papildomą skaitymą
• užduotį
• po paskaitos testą

Pastaba apie kalbas: šios pamokos daugiausia parašytos Python kalba, tačiau daug jų taip pat prieinamos R kalba. Norėdami atlikti R pamoką, eikite į /solution katalogą ir ieškokite R pamokų. Jos turi .rmd plėtinį, kuris žymi R Markdown failą, kurį galima apibūdinti kaip kodo blokų (R arba kitomis kalbomis) ir YAML antraštės (kuri nurodo, kaip formatuoti išvestį, pvz., PDF) integraciją į Markdown dokumentą. Todėl tai yra puiki kūrimo sistema duomenų mokslui, nes leidžia derinti kodą, jo rezultatus ir pastebėjimus, rašant juos Markdown formatu. Be to, R Markdown dokumentus galima eksportuoti į tokias išvesties formas kaip PDF, HTML ar Word. Pastaba apie testus: Visi testai yra Quiz App aplanke, iš viso 52 testai po tris klausimus. Jie yra susieti pamokų viduje, tačiau testų programėlę galima paleisti ir vietoje; vadovaukitės nurodymais quiz-app aplanke, kad galėtumėte ją paleisti vietoje arba įdiegti į Azure.

Pamokos numeris	Tema	Pamokos grupavimas	Mokymosi tikslai	Susieta pamoka	Autorius
01	Įvadas į mašininį mokymąsi	Įvadas	Išmokite pagrindines mašininio mokymosi sąvokas	Pamoka	Muhammad
02	Mašininio mokymosi istorija	Įvadas	Sužinokite šio srities istoriją	Pamoka	Jen ir Amy
03	Teisingumas ir mašininis mokymasis	Įvadas	Kokios yra svarbios filosofinės teisingumo problemos, kurias studentai turėtų apsvarstyti kuriant ir taikant ML modelius?	Pamoka	Tomomi
04	Mašininio mokymosi technikos	Įvadas	Kokias technikas ML tyrėjai naudoja kurdami ML modelius?	Pamoka	Chris ir Jen
05	Įvadas į regresiją	Regresija	Pradėkite naudotis Python ir Scikit-learn regresijos modeliams	Python • R	Jen • Eric Wanjau
06	Šiaurės Amerikos moliūgų kainos 🎃	Regresija	Vaizduokite ir valykite duomenis, ruošiantis ML	Python • R	Jen • Eric Wanjau
07	Šiaurės Amerikos moliūgų kainos 🎃	Regresija	Kurkite linijinius ir polinominius regresijos modelius	Python • R	Jen ir Dmitry • Eric Wanjau
08	Šiaurės Amerikos moliūgų kainos 🎃	Regresija	Kurkite loginės regresijos modelį	Python • R	Jen • Eric Wanjau
09	Interneto programėlė 🔌	Web App	Sukurkite internetinę programėlę, kad naudotumėte savo išmokytą modelį	Python	Jen
10	Įvadas į klasifikavimą	Klasifikacija	Valykite, paruoškite ir vizualizuokite duomenis; įvadas į klasifikavimą	Python • R	Jen ir Cassie • Eric Wanjau
11	Gardūs Azijos ir Indijos virtuvės patiekalai 🍜	Klasifikacija	Įvadas į klasifikatorius	Python • R	Jen ir Cassie • Eric Wanjau
12	Gardūs Azijos ir Indijos virtuvės patiekalai 🍜	Klasifikacija	Daugiau klasifikatorių	Python • R	Jen ir Cassie • Eric Wanjau
13	Gardūs Azijos ir Indijos virtuvės patiekalai 🍜	Klasifikacija	Sukurkite rekomendacinę interneto programėlę naudodami savo modelį	Python	Jen
14	Įvadas į klasterizavimą	Klasterizacija	Valykite, paruoškite ir vizualizuokite savo duomenis; įvadas į klasterizaciją	Python • R	Jen • Eric Wanjau
15	Nigerijos muzikos skonių tyrinėjimas 🎧	Klasterizacija	Tyrinėkite K-Means klasterizavimo metodą	Python • R	Jen • Eric Wanjau
16	Įvadas į natūralios kalbos apdorojimą ☕️	Natūralios kalbos apdorojimas	Išmokite NLP pagrindus kurdami paprastą botą	Python	Stephen
17	Bendros NLP užduotys ☕️	Natūralios kalbos apdorojimas	Gilinkite NLP žinias suprasdami dažnas užduotis, reikalingas kalbos struktūroms apdoroti	Python	Stephen
18	Vertimas ir nuotaikos analizė ♥️	Natūralios kalbos apdorojimas	Vertimas ir nuotaikos analizė su Jane Austen	Python	Stephen
19	Romantiški Europos viešbučiai ♥️	Natūralios kalbos apdorojimas	Nuotaikos analizė su viešbučių atsiliepimais 1	Python	Stephen
20	Romantiški Europos viešbučiai ♥️	Natūralios kalbos apdorojimas	Nuotaikos analizė su viešbučių atsiliepimais 2	Python	Stephen
21	Įvadas į laiko eilučių prognozavimą	Laiko eilutės	Įvadas į laiko eilučių prognozavimą	Python	Francesca
22	⚡️ Pasaulinis elektros naudojimas ⚡️ - laiko eilučių prognozavimas su ARIMA	Laiko eilutės	Laiko eilučių prognozavimas su ARIMA	Python	Francesca
23	⚡️ Pasaulinis elektros naudojimas ⚡️ - laiko eilučių prognozavimas su SVR	Laiko eilutės	Laiko eilučių prognozavimas su palaikomųjų vektorių regresoriumi	Python	Anirban
24	Įvadas į sustiprintą mokymąsi	Sustiprintas mokymasis	Įvadas į sustiprintą mokymąsi su Q-Learning	Python	Dmitry
25	Padėkite Peteriui išvengti vilko! 🐺	Sustiprintas mokymasis	Sustiprinto mokymosi sporto salė	Python	Dmitry
Postscript	Tikro pasaulio ML scenarijai ir taikymai	ML laukinėje gamtoje	Įdomūs ir atskleidžiantys klasikinio ML realaus pasaulio taikymai	Pamoka	Komanda
Postscript	Modelių derinimas ML naudojant RAI prietaisų skydelį	ML laukinėje gamtoje	Modelių derinimas mašininio mokymosi srityje naudojant Atsakingo AI prietaisų skydelio komponentus	Pamoka	Ruth Yakubu

raskite visus papildomus šio kurso išteklius mūsų Microsoft Learn kolekcijoje

Offline prieiga

Šią dokumentaciją galite naudoti offline naudodami Docsify. Šakinkite šį repozitoriją, įdiekite Docsify savo vietiniame kompiuteryje, tada šio repozitorijos šakniniame aplanke įrašykite docsify serve. Svetainė bus paleista 3000 prievade jūsų localhost: localhost:3000.

PDF'ai

Curriculum PDF su nuorodomis rasite čia.

🎒 Kiti kursai

Mūsų komanda kuria ir kitus kursus! Pažiūrėkite:

LangChain

Azure / Edge / MCP / Agentai

---

Generatyvinio AI serija

---

Pagrindinis mokymasis

---

Copilot serija

Pagalbos gavimas

Jei įstringate arba turite klausimų apie DI programų kūrimą. Prisijunkite prie kitų mokinių ir patyrusių kūrėjų, kurie dalyvauja diskusijose apie MCP. Tai palaikanti bendruomenė, kurioje klausimai yra laukiami, o žinios laisvai dalijamos.

Jei turite atsiliepimų apie produktą arba susiduriate su klaidomis kūrimo metu, apsilankykite:

---

Atsakomybės apribojimas:
Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą Co-op Translator. Nors siekiame tikslumo, atkreipkite dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Pirminis dokumentas originalia kalba yra laikomas autoritetingu šaltiniu. Svarbiai informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neatsakome už bet kokius nesusipratimus ar neteisingą interpretaciją, kylančią naudojantis šiuo vertimu.