ML-For-Beginners/translations/uk

🌐 Підтримка кількох мов

Підтримується через GitHub Action (автоматизовано та завжди актуально)

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?

Цей репозиторій містить понад 50 перекладів мов, що значно 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 значно швидшим завантаженням.

Приєднуйтесь до нашої спільноти

У нас проходить серія в Discord "Вчимося з AI", дізнайтеся більше та приєднуйтесь за посиланням 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 призму світових культур 🌍

Фахівці 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, уникаючи глибинного навчання, яке викладається у нашій програмі AI для початківців. Поєднуйте ці уроки з нашою програмою 'Data Science для початківців'.

Подорожуйте з нами навколо світу, застосовуючи ці класичні методи до даних з багатьох регіонів. Кожен урок містить опитування до і після уроку, письмові інструкції для виконання, розв’язок, завдання та інше. Наша проєктно-орієнтована педагогіка дозволяє вчитися через створення, що є перевіреним способом закріплення нових навичок.

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

🎨 Також дякуємо нашим ілюстраторам Томомі Імура, Дасані Мадіпаллі та Джен Лупер

🙏 Особлива подяка 🙏 нашим студентським послам Microsoft — авторам, рецензентам і контентним співробітникам, зокрема Рішиту Даглі, Мухаммаду Сакібу Хану Інану, Рохану Раджу, Олександру Петреску, Абхішеку Джайсвалу, Наурін Табассум, Іоану Самуїлі і Снігдхі Агарвал

🤩 Окрема подяка послам студентів Microsoft Еріку Ванджау, Джаслін Сонді та Відуші Гупті за наші уроки на R!

Початок роботи

Відкрийте для себе ці кроки:

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

знайдіть усі додаткові ресурси для цього курсу в колекції Microsoft Learn

🔧 Потрібна допомога? Перевірте наш Посібник з усунення несправностей для розв’язання поширених проблем із встановленням, налаштуванням та запуском уроків.

Студенти, щоб користуватися цією програмою, форкніть увесь репозиторій на свій обліковий запис GitHub і виконуйте вправи самостійно або в групі:

• Почніть з опитування перед лекцією.
• Прочитайте лекцію та виконайте завдання, зупиняючись і осмислюючи кожну перевірку знань.
• Намагайтеся створювати проєкти, розуміючи уроки, а не просто запускаючи код розв’язку; однак цей код доступний у папках /solution у кожному проєктно-орієнтованому уроці.
• Пройдіть опитування після лекції.
• Виконайте виклик.
• Виконайте домашнє завдання.
• Після завершення групи уроків відвідайте Дискусійну дошку та "вчіться голосно", заповнюючи відповідний рубрикатор PAT. PAT — це інструмент оцінки прогресу, який ви заповнюєте для поглиблення навчання. Ви також можете реагувати на інші PAT, щоб ми могли вчитися разом.

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

Викладачі, у нас є деякі пропозиції щодо використання цієї навчальної програми.

---

Відеоогляди

Деякі уроки доступні у форматі коротких відео. Ви можете знайти їх вбудованими у уроки або на плейлисті ML for Beginners на каналі Microsoft Developer на YouTube, натиснувши на зображення нижче.

---

Знайомтесь з командою

Гіф від Mohit Jaisal

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

---

Педагогіка

Під час створення цієї програми ми спиралися на два педагогічні принципи: забезпечення практичності через проєктно-орієнтоване навчання та включення частих опитувань. Крім того, у програмі є спільна тема, що надає їй цілісності.

Забезпечуючи відповідність контенту проєктам, процес стає більш захопливим для студентів, а засвоєння понять покращується. Крім того, опитування з низьким ступенем ризику перед заняттям задає намір студента вивчити теми, а друге опитування після заняття забезпечує подальше закріплення матеріалу. Ця програма розроблена як гнучка і цікава, її можна проходити повністю або частково. Проєкти починаються з простих і стають все складнішими до кінця 12-тижневого циклу. Програма також містить постскриптум про реальні застосування машинного навчання, який можна використовувати як додаткові бали або як основу для обговорення.

Ознайомтеся з нашим Кодексом поведінки, Правилами участі, Перекладом і Посібником з усунення несправностей. Ми відкриті до ваших конструктивних відгуків!

Кожен урок включає

• необов’язковий скетчноут
• необов’язкове додаткове відео
• відеоогляд (тільки деякі уроки)
• опитування для розігріву перед лекцією
• письмовий урок
• для проєктно-орієнтованих уроків — покрокові інструкції зі створення проєкту
• перевірки знань
• виклик
• додаткові матеріали для читання
• завдання
• опитування після лекції

Примітка про мови: ці уроки головним чином написані на Python, але багато з них також доступні на R. Щоб пройти урок на R, зайдіть у папку /solution і знайдіть уроки на R. Вони мають розширення .rmd, що означає R Markdown файл — це, по суті, документ Markdown, який містить фрагменти коду (на R або інших мовах) і YAML-заголовок (який визначає формат вихідного файлу, наприклад PDF). Він слугує взірцевим середовищем для створення матеріалів з науки про дані, оскільки дозволяє поєднувати код, результати виконання та власні думки, записані у форматі Markdown. R Markdown документи можна згенерувати у формати PDF, HTML або Word. Примітка щодо вікторин: Всі вікторини знаходяться в папці Quiz App folder, загалом 52 вікторини по три запитання кожна. Вони пов’язані з уроками, але додаток вікторини можна запускати локально; дотримуйтесь інструкцій у папці quiz-app для локального розгортання або публікації в Azure.

Lesson Number	Тема	Група уроків	Навчальні цілі	Посилання на урок	Автор
01	Вступ до машинного навчання	Вступ	Вивчити основні концепції машинного навчання	Урок	Muhammad
02	Історія машинного навчання	Вступ	Ознайомитися з історією цієї галузі	Урок	Jen and Amy
03	Справедливість і машинне навчання	Вступ	Які важливі філософські питання щодо справедливості слід враховувати при створенні та застосуванні моделей МН?	Урок	Tomomi
04	Техніки машинного навчання	Вступ	Якими методами користуються дослідники МН для побудови моделей?	Урок	Chris and Jen
05	Вступ до регресії	Регресія	Почати роботу з Python та Scikit-learn для регресійних моделей	Python • R	Jen • Eric Wanjau
06	Ціни гарбузів у Північній Америці 🎃	Регресія	Візуалізувати та очистити дані для підготовки до МН	Python • R	Jen • Eric Wanjau
07	Ціни гарбузів у Північній Америці 🎃	Регресія	Побудувати лінійні та поліноміальні регресійні моделі	Python • R	Jen and Dmitry • Eric Wanjau
08	Ціни гарбузів у Північній Америці 🎃	Регресія	Побудувати модель логістичної регресії	Python • R	Jen • Eric Wanjau
09	Веб-додаток 🔌	Веб-додаток	Побудувати веб-додаток для використання навченої моделі	Python	Jen
10	Вступ до класифікації	Класифікація	Очистити, підготувати та візуалізувати дані; вступ до класифікації	Python • R	Jen and Cassie • Eric Wanjau
11	Смачні азіатські та індійські кухні 🍜	Класифікація	Вступ до класифікаторів	Python • R	Jen and Cassie • Eric Wanjau
12	Смачні азіатські та індійські кухні 🍜	Класифікація	Більше класифікаторів	Python • R	Jen and Cassie • Eric Wanjau
13	Смачні азіатські та індійські кухні 🍜	Класифікація	Побудувати рекомендаційний веб-додаток із використанням моделі	Python	Jen
14	Вступ до кластеризації	Кластеризація	Очистити, підготувати та візуалізувати дані; вступ до кластеризації	Python • R	Jen • Eric Wanjau
15	Дослідження музичних вподобань Нігерії 🎧	Кластеризація	Дослідження методу кластеризації K-Means	Python • R	Jen • Eric Wanjau
16	Вступ до обробки природної мови ☕️	Обробка природної мови	Вивчити основи NLP, побудувавши простого бота	Python	Stephen
17	Загальні завдання NLP ☕️	Обробка природної мови	Поглибити знання NLP, зрозумівши поширені завдання, необхідні для роботи з мовними структурами	Python	Stephen
18	Переклад і аналіз настроїв ♥️	Обробка природної мови	Переклад і аналіз настроїв із Джейн Остін	Python	Stephen
19	Романтичні готелі Європи ♥️	Обробка природної мови	Аналіз настроїв на основі відгуків про готелі 1	Python	Stephen
20	Романтичні готелі Європи ♥️	Обробка природної мови	Аналіз настроїв на основі відгуків про готелі 2	Python	Stephen
21	Вступ до прогнозування часових рядів	Часові ряди	Вступ до прогнозування часових рядів	Python	Francesca
22	⚡️ Світове споживання електроенергії ⚡️ - прогноз ARIMA	Часові ряди	Прогноз часових рядів за допомогою ARIMA	Python	Francesca
23	⚡️ Світове споживання електроенергії ⚡️ - прогноз SVR	Часові ряди	Прогноз часових рядів з використанням підтримуючих векторних регресорів	Python	Anirban
24	Вступ до підсиленого навчання	Підсилене навчання	Вступ до підсиленого навчання з Q-Learning	Python	Dmitry
25	Допоможи Пітеру уникнути вовка! 🐺	Підсилене навчання	Gym для підсиленого навчання	Python	Dmitry
Постскрипт	Реальні сценарії та застосування МН	МН у реальному житті	Цікаві та показові реальні застосування класичного машинного навчання	Урок	Команда
Постскрипт	Налагодження моделей МН за допомогою RAI	МН у реальному житті	Налагодження моделей машинного навчання за допомогою дашборду Responsible AI	Урок	Ruth Yakubu

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

Офлайн доступ

Ви можете працювати з цією документацією офлайн, використовуючи Docsify. Форкніть цей репозиторій, встановіть Docsify на своєму локальному комп’ютері, а потім у кореневій папці репозиторію введіть docsify serve. Вебсайт буде доступний на порту 3000 на вашому локальному хості: localhost:3000.

PDFs

Знайдіть PDF версію навчальної програми з посиланнями тут.

🎒 Інші курси

Наша команда також створює інші курси! Перегляньте:

LangChain

Azure / Edge / MCP / Agents

---

Generative AI Series

---

Основне навчання

---

Серія Copilot

Отримання допомоги

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

Якщо у вас є відгуки про продукт або помилки при розробці, відвідайте:

---

Відмова від відповідальності:
Цей документ був перекладений за допомогою сервісу автоматичного перекладу Co-op Translator. Хоча ми прагнемо до точності, просимо враховувати, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати офіційним джерелом. Для критично важливої інформації рекомендується звертатись до професійного людського перекладу. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу.