ML-For-Beginners/translations/ru

🌐 Поддержка нескольких языков

Поддерживается через GitHub Action (автоматически и всегда актуально)

Арабский | Бенгальский | Болгарский | Бирманский (Мьянма) | Китайский (упрощённый) | Китайский (традиционный, Гонконг) | Китайский (традиционный, Макао) | Китайский (традиционный, Тайвань) | Хорватский | Чешский | Датский | Нидерландский | Эстонский | Финский | Французский | Немецкий | Греческий | Иврит | Хинди | Венгерский | Индонезийский | Итальянский | Японский | Каннада | Корейский | Литовский | Малайский | Малаялам | Маратхи | Непальский | Нигерийский пиджин | Норвежский | Персидский (фарси) | Польский | Португальский (Бразилия) | Португальский (Португалия) | Пенджаби (гурмукхи) | Румынский | Русский | Сербский (кириллица) | Словацкий | Словенский | Испанский | Свахили | Шведский | Тагалог (филиппинский) | Тамильский | Телугу | Тайский | Турецкий | Украинский | Урду | Вьетнамский

Присоединяйтесь к нашему сообществу

У нас проходит серия мероприятий «Учимся с ИИ» в Discord — узнайте больше и присоединяйтесь к нам на Серия "Учимся с ИИ" с 18 по 30 сентября 2025 года. Вы получите советы и приёмы по использованию GitHub Copilot для Data Science.

Машинное обучение для начинающих — учебный курс

🌍 Путешествуйте по миру, изучая машинное обучение через культуры разных стран 🌍

Cloud Advocates в Microsoft рады предложить 12‑недельный курс из 26 уроков, полностью посвящённых теме машинного обучения. В этом курсе вы изучите то, что иногда называют классическим машинным обучением, в основном с использованием библиотеки Scikit-learn и избегая глубокого обучения, которое рассматривается в нашем курикулуме "AI for Beginners". Сопоставляйте эти уроки с нашим курикулумом "Data Science for Beginners"!

Путешествуйте с нами по миру, применяя эти классические методы к данным из разных регионов. Каждый урок включает предварительную и итоговую викторины, письменные инструкции для выполнения задания, решение, задание и многое другое. Наша проектно-ориентированная методика обучения позволяет изучать, создавая проекты — проверенный способ, чтобы новые навыки «укоренялись».

✍️ Огромная благодарность нашим авторам Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu и Amy Boyd

🎨 Благодарности также нашим иллюстраторам Tomomi Imura, Dasani Madipalli и Jen Looper

🙏 Особая благодарность 🙏 нашим авторам, рецензентам и авторам контента из числа студенческих послов Microsoft, особенно Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila и Snigdha Agarwal

🤩 Дополнительная благодарность студенческим послам Microsoft Eric Wanjau, Jasleen Sondhi и Vidushi Gupta за наши уроки на R!

Начало работы

Выполните следующие шаги:

1. Сделайте форк репозитория: нажмите кнопку "Fork" в правом верхнем углу этой страницы.
2. Клонируйте репозиторий: git clone https://github.com/microsoft/ML-For-Beginners.git

найдите все дополнительные ресурсы для этого курса в нашей коллекции Microsoft Learn

🔧 Нужна помощь? Ознакомьтесь с нашим руководством по устранению неполадок для решений распространённых проблем с установкой, настройкой и запуском уроков.

Студенты, чтобы использовать этот курс, сделайте форк всего репозитория в свой аккаунт GitHub и выполняйте упражнения самостоятельно или в группе:

• Начинайте с предварительной викторины перед лекцией.
• Читайте лекцию и выполняйте задания, останавливаясь и обдумывая каждый контрольный вопрос.
• Старайтесь создавать проекты, понимая уроки, а не просто запускаючи решение; однако код доступен в папках /solution в каждом проектно-ориентированном уроке.
• Пройдите итоговую викторину после лекции.
• Выполните челлендж.
• Выполните задание.
• После завершения группы уроков посетите Доску обсуждений и «учитесь вслух», заполнив соответствующую шкалу PAT. PAT — это инструмент оценки прогресса (Progress Assessment Tool), рубрика, которую вы заполняете для углубления обучения. Вы также можете реагировать на другие PAT, чтобы учиться вместе.

Для дальнейшего обучения мы рекомендуем пройти эти модули и обучающие пути на Microsoft Learn.

Преподаватели, мы включили некоторые предложения о том, как использовать этот курс.

---

Видеопрохождения

Некоторые уроки доступны в формате коротких видео. Вы можете найти все их прямо в уроках или на плейлисте "ML for Beginners" на канале Microsoft Developer в YouTube, нажав на изображение ниже.

---

Встречайте команду

Гиф от Mohit Jaisal

🎥 Нажмите на изображение выше, чтобы посмотреть видео о проекте и людях, которые его создали!

---

Педагогика

Мы выбрали два педагогических принципа при создании этого курса: сделать его практико-ориентированным (проектно-ориентированным) и включить частые контрольные вопросы. Кроме того, курс имеет общую тематику, придающую ему связность.

Гарантируя соответствие контента проектам, процесс обучения становится более увлекательным, а усвоение концепций усиливается. Низкопороговая викторина перед занятием настраивает студента на изучение темы, а вторая викторина после занятия обеспечивает дополнительное закрепление материала. Курс разработан так, чтобы быть гибким и интересным, и его можно пройти полностью или частично. Проекты начинаются с небольших и становятся всё более сложными к концу 12‑недельного цикла. В курс также включён послесловие о реальных применениях МО, которое можно использовать как дополнительную часть или основу для обсуждения.

Ознакомьтесь с нашим Кодексом поведения, Правилами участия, Переводами и Руководством по устранению неполадок. Мы приветствуем вашу конструктивную обратную связь!

Каждый урок включает

• необязательная скетчнота
• необязательное дополнительное видео
• видео‑разбор (только для некоторых уроков)
• предварительная разминка перед лекцией (викторина)
• письменный материал урока
• для проектных уроков — пошаговые руководства по созданию проекта
• проверки знаний
• челлендж
• дополнительные материалы для чтения
• задание
• итоговая викторина

Пояснение про языки: Эти уроки в основном написаны на Python, но многие также доступны на R. Чтобы пройти урок на R, перейдите в папку /solution и найдите уроки на R. Они имеют расширение .rmd, что обозначает R Markdown — документ, который можно определить как встраивание code chunks (на R или других языках) и YAML header (который управляет форматированием вывода, например в PDF) внутри Markdown document. Таким образом, это служит отличной средой для создания материалов по Data Science, поскольку позволяет сочетать код, его вывод и ваши заметки, записанные в Markdown. Кроме того, документы R Markdown можно рендерить в форматы вывода, такие как PDF, HTML или Word.

Пояснение про викторины: Все викторины находятся в папке Quiz App folder, всего 52 викторины по три вопроса в каждой. Они связаны из уроков, но приложение викторин можно запустить локально; следуйте инструкциям в папке quiz-app, чтобы развернуть локально или задеплоить в Azure.

Номер урока	Тема	Группа уроков	Цели обучения	Ссылка на урок	Автор
01	Введение в машинное обучение	Введение	Изучите основные концепции машинного обучения	Урок	Muhammad
02	История машинного обучения	Введение	Узнайте историю, лежащую в основе этой области	Урок	Jen и Amy
03	Справедливость и машинное обучение	Введение	Какие важные философские вопросы, связанные со справедливостью, должны учитывать студенты при создании и применении моделей машинного обучения?	Урок	Tomomi
04	Методы машинного обучения	Введение	Какими методами пользуются исследователи машинного обучения для построения моделей?	Урок	Chris и Jen
05	Введение в регрессию	Регрессия	Начните работу с Python и Scikit-learn для регрессионных моделей	Python • R	Jen • Eric Wanjau
06	Цены на тыквы в Северной Америке 🎃	Регрессия	Визуализируйте и очистите данные в подготовке к ML	Python • R	Jen • Eric Wanjau
07	Цены на тыквы в Северной Америке 🎃	Регрессия	Постройте линейные и полиномиальные регрессионные модели	Python • R	Jen и Dmitry • Eric Wanjau
08	Цены на тыквы в Северной Америке 🎃	Регрессия	Постройте модель логистической регрессии	Python • R	Jen • Eric Wanjau
09	Веб-приложение 🔌	Веб-приложение	Создайте веб-приложение для использования обученной модели	Python	Jen
10	Введение в классификацию	Классификация	Очистите, подготовьте и визуализируйте данные; введение в классификацию	Python • R	Jen и Cassie • Eric Wanjau
11	Вкусные азиатские и индийские блюда 🍜	Классификация	Введение в классификаторы	Python • R	Jen и Cassie • Eric Wanjau
12	Вкусные азиатские и индийские блюда 🍜	Классификация	Дополнительные классификаторы	Python • R	Jen и Cassie • Eric Wanjau
13	Вкусные азиатские и индийские блюда 🍜	Классификация	Создайте рекомендательное веб-приложение с использованием вашей модели	Python	Jen
14	Введение в кластеризацию	Кластеризация	Очистите, подготовьте и визуализируйте данные; введение в кластеризацию	Python • R	Jen • Eric Wanjau
15	Исследование музыкальных предпочтений Нигерии 🎧	Кластеризация	Изучите метод кластеризации K-Means	Python • R	Jen • Eric Wanjau
16	Введение в обработку естественного языка ☕️	Обработка естественного языка	Изучите основы NLP, создавая простого бота	Python	Stephen
17	Типичные задачи NLP ☕️	Обработка естественного языка	Углубите знания по NLP, изучив типичные задачи, возникающие при работе со структурами языка	Python	Stephen
18	Перевод и анализ тональности ♥️	Обработка естественного языка	Перевод и анализ тональности на примере Джейн Остин	Python	Stephen
19	Романтические отели Европы ♥️	Обработка естественного языка	Анализ тональности на отзывах об отелях 1	Python	Stephen
20	Романтические отели Европы ♥️	Обработка естественного языка	Анализ тональности на отзывах об отелях 2	Python	Stephen
21	Введение в прогнозирование временных рядов	Временные ряды	Введение в прогнозирование временных рядов	Python	Francesca
22	⚡️ Потребление электроэнергии в мире ⚡️ - time series forecasting with ARIMA	Временные ряды	Прогнозирование временных рядов с помощью ARIMA	Python	Francesca
23	⚡️ Потребление электроэнергии в мире ⚡️ - time series forecasting with SVR	Временные ряды	Прогнозирование временных рядов с помощью регрессора опорных векторов (SVR)	Python	Anirban
24	Введение в обучение с подкреплением	Обучение с подкреплением	Введение в обучение с подкреплением на примере Q-Learning	Python	Dmitry
25	Помогите Петру избежать волка! 🐺	Обучение с подкреплением	Обучение с подкреплением в Gym	Python	Dmitry
Послесловие	Сценарии и приложения ML в реальном мире	ML in the Wild	Интересные и показательные приложения классического ML в реальном мире	Урок	Команда
Послесловие	Отладка моделей в ML с использованием RAI dashboard	ML in the Wild	Отладка моделей машинного обучения с использованием компонентов панели Responsible AI	Урок	Ruth Yakubu

найдите все дополнительные ресурсы для этого курса в нашей коллекции Microsoft Learn

Офлайн-доступ

Вы можете запускать эту документацию офлайн, используя Docsify. Fork this repo, установите Docsify на вашей локальной машине, и затем в корневой папке этого репозитория выполните docsify serve. Веб-сайт будет доступен на порту 3000 на вашем localhost: localhost:3000.

PDF-файлы

Найдите PDF учебной программы со ссылками здесь.

🎒 Другие курсы

Наша команда выпускает другие курсы! Ознакомьтесь:

LangChain

---

Azure / Edge / MCP / Агенты

---

Серия по генеративному ИИ

---

Основное обучение

---

Серия Copilot

Получение помощи

Если вы застряли или у вас есть вопросы о создании приложений с ИИ. Присоединяйтесь к другим учащимся и опытным разработчикам в обсуждениях MCP. Это поддерживающее сообщество, где вопросы приветствуются и знания свободно делятся.

Если у вас есть отзывы о продукте или ошибки во время разработки, посетите:

---

Отказ от ответственности: Этот документ был переведён с помощью сервиса автоматического перевода на базе ИИ Co-op Translator. Хотя мы стремимся к точности, имейте в виду, что автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для критически важной информации рекомендуется профессиональный перевод, выполненный человеком. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования этого перевода.