ML-For-Beginners/translations/sr

🌐 Подршка на више језика

Подржано кроз GitHub Action (Аутоматски и увек ажурирано)

Арапски | Бенгалски | Бугарски | Бирмански (Мјанмар) | Поједностављени кинески | Традиционални кинески (Хонг Конг) | Традиционални кинески (Макао) | Традиционални кинески (Тајван) | Хрватски | Чешки | Дански | Холандски | Естонски | Фински | Француски | Немачки | Грчки | Хебрејски | Хинди | Мађарски | Индонежански | Италијански | Јапански | Канада | Корејски | Литвански | Малајски | Малајалам | Марати | Непалски | Нигеријски пидгин | Норвешки | Персијски (Фарси) | Пољски | Португалски (Бразил) | Португалски (Португал) | Пунџаби (Гурмукхи) | Румунски | Руски | Српски (ћирилица) | Словачки | Словеначки | Шпански | Свахили | Шведски | Тагалог (Филипински) | Тамилски | Телугу | Тајски | Турски | Украјински | Урду | Вијетнамски

Више волите да клонирате локално?

Ово складиште садржи преко 50 превода на различите језике што значајно повећава величину преузимања. Да бисте клонирали без превода, користите 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'

Ово вам даје све што вам је потребно за завршетак курса са много бржим преузимањем.

Придружите се нашој заједници

Имамо текући серијал учења "Learn with AI" на Discord-у, сазнајте више и придружите нам се на Learn with AI Series од 18. до 30. септембра 2025. године. Добит ћете савете и трикове за коришћење GitHub Copilot-а за Data Science.

Машинско учење за почетнике - Наставни програм

🌍 Путујте око света док истражујемо Машинско учење кроз културе света 🌍

Cloud Advocates у Microsoft-у са задовољством нуде 12-недељни програм од 26 лекција у вези са Машинским учењем. У овом програму научићете о ономе што се понекад назива класичним машинским учењем, користећи углавном Scikit-learn као библиотеку и избегавајући дубоко учење, које је обухваћено у нашем AI for Beginners' nastavnom planu. Повежите ове лекције са нашим 'Data Science for Beginners' наставним планом такође!

Путујте с нама кроз свет док примењујемо ове класичне технике на податке из многих делова света. Свака лекција садржи квизове пре и после лекције, писана упутства за завршетак лекције, решење, задатак и још много тога. Наша педагогија заснована на пројектима омогућава вам учење кроз рад, доказани начин да нова знања остану запамћена.

✍️ Срдачна захвалност нашим ауторима Јен Лупер, Стивен Хауел, Франческа Лаззери, Томоми Имура, Каси Бревиу, Дмитриј Сошников, Крис Норинг, Анирбан Мукерџи, Орнела Алтуњан, Рут Јакубу и Ејми Боуд

🎨 Захвалност илустраторима Томоми Имура, Дасани Мадипали и Јен Лупер

🙏 Посебна захвалност 🙏 нашим Microsoft Student Ambassador ауторима, рецензентима и доприносиоцима садржаја, нарочито Ришиту Дагли, Мухаммеду Сакиб Хан Инан, Рохану Рај, Александру Петреску, Абхишеку Џаисвалу, Наврин Табасум, Иоану Самуила и Снигди Агарвал

🤩 Додатна захвалност Microsoft Student Ambassadors Ерику Вањау, Јаслину Сонди и Видуши Гупта за наше R лекције!

Почетак рада

Пратите ове кораке:

1. Форк вашег репозиторијума: Кликните дугме "Fork" у горњем десном углу ове странице.
2. Клонирајте репозиторијум: git clone https://github.com/microsoft/ML-For-Beginners.git

пронађите све додатне ресурсе за овај курс у нашој Microsoft Learn колекцији

🔧 Треба вам помоћ? Погледајте наш Водич за решавање проблема за решења уобичајених питања о инсталацији, подешавању и извођењу лекција.

Студенти, да бисте користили овај наставни програм, форкујте цело складиште на свој GitHub налог и извршавајте вежбе сами или у групи:

• Почните са квизом пре предавања.
• Прочитајте предавање и завршите активности, правећи паузе и размишљајући на сваком провери знања.
• Покушајте да направите пројекте разумевајући лекције уместо да само покрећете код решења; међутим, код је доступан у фолдерима /solution у свакој лекцији оријентисаној на пројекат.
• Урадите квиз после предавања.
• Завршите изазов.
• Завршите задатак.
• Након завршетка групе лекција, посетите Дискусиону таблу и "учите гласно" попуњавајући одговарајућу PAT рубрику. PAT је алат за процену напретка који се попуњава за боље учење. Такође можете реаговати на друге PAT-ове да бисмо учили заједно.

За даље учење препоручујемо праћење ових Microsoft Learn модула и путева учења.

Наставници, укључили смо неке предлоге како користити овај наставни програм.

---

Видео презентације

Неке од лекција доступне су као кратки видео снимци. Све их можете пронаћи унутар лекција или на ML for Beginners плејлисти на Microsoft Developer YouTube каналу кликом на слику испод.

---

Упознајте тим

Gif аутор: Mohit Jaisal

🎥 Кликните слику изнад за видео о пројекту и људима који су га креирали!

---

Педагогија

Изабрали смо два педагошка принципа приликом креирања овог програма: обезбеђивање да буде практичан и појекат заснован, као и да укључује честе квизове. Поред тога, овај програм има заједничку тему која му даје кохерентност.

Обезбеђивањем да садржај буде усаглашен с пројектима, процес учења постаје занимљивији за студенте и повећава се задржавање концепата. Поред тога, квиз с малим улагањем пре часа поставља студенту циљ учења, док други квиз по завршетку часа осигурава додатно задржавање градива. Овај наставни програм је дизајниран да буде флексибилан и забаван и може се користити у целини или делимично. Пројекти почињу једноставно, а завршавају се све сложенијим по завршетку 12-недељног циклуса. Програм такође укључује епилог о стварним применама машинског учења, који се може искористити као додатни бод или као основа за дискусију.

Пронађите наше смернице Code of Conduct, Contributing, Translation и Troubleshooting. Добродошли су ваши конструктивни коментари!

Сваку лекцију чине

• опционална скицнота
• опционални додатни видео
• видео преглед (само неке лекције)
• преквиз пре предавања
• писана лекција
• за лекције засноване на пројектима, корак по корак упутства како изградити пројекат
• провере знања
• изазов
• додатна литература
• задатак
• постквиз након предавања

Напомена о језицима: Ове лекције су углавном написане у Питону, али многе су такође доступне и у R. За завршетак R лекције, идите у фолдер /solution и потражите R лекције. Оне имају .rmd екстензију која представља R Markdown датотеку која се једноставно може дефинисати као уграђивање кодних делова (R или других језика) и YAML заглавља (које води како форматити излаз као PDF) у Markdown документ. Као таква, служи као пример ауторског оквира за data science јер вам омогућава да комбинујете свој код, његов излаз и своје размишљање тако што ћете их записати у Markdown. Поред тога, R Markdown документи могу бити претворени у излазне формате као што су PDF, HTML или Word. Напомена о квизовима: Сви квизови се налазе у Quiz App фолдеру, укупно 52 квиза са по три питања сваки. Они су повезани из уџбеника али апликацију за квизове можете покренути локално; пратите упутство у quiz-app фолдеру да бисте локално хостовали или депловали на Azure.

Број лекције	Тема	Група лекција	Циљеви учења	Повезана лекција	Аутор
01	Увод у машинско учење	Introduction	Научите основне концепте машинског учења	Lesson	Muhammad
02	Историја машинског учења	Introduction	Научите историју овог поља	Lesson	Jen and Amy
03	Поштеност и машинско учење	Introduction	Која су важна филозофска питања о поштености која студенти треба да размотре при изградњи и примени ML модела?	Lesson	Tomomi
04	Технике машинског учења	Introduction	Које технике истраживачи ML користе за изградњу ML модела?	Lesson	Chris and Jen
05	Увод у регресију	Regression	Започните са Питоном и Scikit-learn за регресионе моделе	Python • R	Jen • Eric Wanjau
06	Цена бундеве у Северној Америци 🎃	Regression	Визуализујте и очистите податке у припреми за ML	Python • R	Jen • Eric Wanjau
07	Цена бундеве у Северној Америци 🎃	Regression	Изградите линеарне и полиномне регресионе моделе	Python • R	Jen and Dmitry • Eric Wanjau
08	Цена бундеве у Северној Америци 🎃	Regression	Изградите логистички регресионни модел	Python • R	Jen • Eric Wanjau
09	Веб апликација 🔌	Web App	Изградите веб апликацију за коришћење вашег обученог модела	Python	Jen
10	Увод у класификацију	Classification	Очистите, припремите и визуализујте своје податке; увод у класификацију	Python • R	Jen and Cassie • Eric Wanjau
11	Укусне азијске и индијске кухиње 🍜	Classification	Увод у класификаторе	Python • R	Jen and Cassie • Eric Wanjau
12	Укусне азијске и индијске кухиње 🍜	Classification	Више класификатора	Python • R	Jen and Cassie • Eric Wanjau
13	Укусне азијске и индијске кухиње 🍜	Classification	Изградите препоручивачку веб апликацију користећи ваш модел	Python	Jen
14	Увод у кластеровање	Clustering	Очистите, припремите и визуализујте своје податке; увод у кластеровање	Python • R	Jen • Eric Wanjau
15	Истраживање нигеријских музичких укуса 🎧	Clustering	Истражите K-Means методу кластеровања	Python • R	Jen • Eric Wanjau
16	Увод у обраду природног језика ☕️	Natural language processing	Научите основе NLP правећи једноставног бота	Python	Stephen
17	Чести задаци NLP ☕️	Natural language processing	Продубите своје знање NLP разумевањем уобичајених задатака у раду са језичким структурама	Python	Stephen
18	Превод и анализа осећања ♥️	Natural language processing	Превод и анализа осећања са Jane Austen	Python	Stephen
19	Романтични хотели Европе ♥️	Natural language processing	Анализа осећања кроз рецензије хотела 1	Python	Stephen
20	Романтични хотели Европе ♥️	Natural language processing	Анализа осећања кроз рецензије хотела 2	Python	Stephen
21	Увод у предвиђање временских серија	Time series	Увод у предвиђање временских серија	Python	Francesca
22	⚡️ Светска потрошња електричне енергије ⚡️ - предвиђање временских серија уз ARIMA	Time series	Предвиђање временских серија коришћењем ARIMA	Python	Francesca
23	⚡️ Светска потрошња електричне енергије ⚡️ - предвиђање временских серија уз SVR	Time series	Предвиђање временских серија коришћењем Support Vector Regressor	Python	Anirban
24	Увод у појачано учење	Reinforcement learning	Увод у појачано учење уз Q-Learning	Python	Dmitry
25	Помозите Петру да избегне вука! 🐺	Reinforcement learning	Pojačano učenje уз Gym	Python	Dmitry
Постскрипт	Реални сценарији и примене ML	ML in the Wild	Интересне и откривачке примене класичног ML у стварном свету	Lesson	Тим
Постскрипт	Отлањање грешака модела у ML уз RAI контролну таблу	ML in the Wild	Отлањање грешака модела машинског учења коришћењем компоненти контролне табле Responsible AI	Lesson	Ruth Yakubu

пронађите све додатне ресурсе за овај курс у нашој Microsoft Learn колекцији

Приступ без интернет везе

Ову документацију можете покренути офлајн користећи Docsify. Форкујте овај репо, инсталирајте Docsify на својој локалној машини, па у коренском фолдеру овог репоа унесите docsify serve. Вебсајт ће бити доступан на порту 3000 на вашем локалном серверу: localhost:3000.

PDF фајлови

Пронађите PDF наставног плана са линковима овде.

🎒 Остали курсеви

Наш тим производи и друге курсеве! Погледајте:

LangChain

Azure / Edge / MCP / Agents

---

Generative AI Series

---

Основно учење

---

Copilot серија

Добијање помоћи

Ако заглавите или имате било каква питања у вези са изградњом AI апликација. Придружите се другим учесницима и искусним програмерима у дискусијама о MCP-у. Ово је подржавајућа заједница где су питања добродошла и знање се слободно дели.

Ако имате повратне информације о производу или грешке током развоја посетите:

---

Изјава о одрицању одговорности:
Овај документ је преведен коришћењем услуге за аутоматски превод Co-op Translator. Иако се трудимо да буде прецизно, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Изворни документ на његовом оригиналном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални људски превод. Ми нисмо одговорни за било каква неспоразума или погрешна тумачења која могу настати коришћењем овог превода.