ML-For-Beginners/translations/lt

🌐 Daugiakalbė parama

Palaikoma per GitHub veiksmą (Automatizuota ir visada atnaujinta)

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

Norite klonuoti lokaliai?

Šiame saugykloje yra daugiau nei 50 kalbų vertimų, dėl kurių žymiai padidėja atsisiuntimo dydis. Norėdami klonuoti be vertimų, naudokite ne visą atsisiuntimą (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 suteikia jums viską, ko reikia kursui užbaigti, ir daug greitesnį atsisiuntimą.

Prisijunkite prie mūsų bendruomenės

Mes turime vykstančią Discord mokymosi su DI seriją, sužinokite daugiau ir prisijunkite prie mūsų Mokymosi su DI serijoje nuo 2025 m. rugsėjo 18 d. iki 30 d. Gaunate patarimų ir gudrybių apie GitHub Copilot naudojimą Duomenų moksle.

Mašinų mokymasis pradedantiesiems – mokymo programa

🌍 Keliaukime po pasaulį, nagrinėdami Mašinų mokymąsi per pasaulio kultūras 🌍

Microsoft Cloud Advocates su malonumu pristato 12 savaičių, 26 pamokų mokymo programą apie Mašinų mokymąsi. Šioje programoje sužinosite apie tai, ką kartais vadiname klasikiniu mašinų mokymusi, daugiausia naudodamiesi Scikit-learn biblioteka ir vengdami giluminio mokymosi, kuris nagrinėjamas mūsų DI pradedantiesiems mokymo programoje. Taip pat derinkite šias pamokas su mūsų 'Duomenų mokslas pradedantiesiems' mokymo programa!

Keliaukite su mumis po pasaulį, taikydami šias klasikines technikas daugelyje pasaulio sričių duomenims. Kiekviena pamoka apima priešpamokinį ir popamokinį testą, rašytines instrukcijas pamokos atlikimui, sprendimą, užduotį ir dar daugiau. Mūsų projektu grįsta pedagogika leidžia mokytis statant, tai įrodyta kaip veiksmingas naujų įgūdžių įsisavinimo būdas.

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

🎨 Taip pat dėkojame mūsų iliustratoriams Tomomi Imura, Dasani Madipalli ir Jen Looper

🙏 Ypatingas ačiū 🙏 Microsoft Studentų Ambasadorių autoriams, peržiūrėtojams ir turinio prisidėtojams, ypatingai Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ir Snigdha Agarwal

🤩 Papildomas dėkingumas Microsoft Studentų Ambasadoriams Eric Wanjau, Jasleen Sondhi ir Vidushi Gupta už mūsų R pamokas!

Pradžia

Atlikite šiuos veiksmus:

1. Sukurkite šaką (Fork) Saugykloje: Paspauskite mygtuką "Fork" šio puslapio viršutiniame dešiniajame kampe.
2. Klonuokite Saugyklą: git clone https://github.com/microsoft/ML-For-Beginners.git

raskite visus papildomus šio kurso išteklius Microsoft Learn kolekcijoje

🔧 Reikia pagalbos? Peržiūrėkite mūsų Trikčių šalinimo gidą dėl dažnų problemų sprendimų, susijusių su įdiegimu, nustatymu ir pamokų vykdymu.

Studentai, norėdami naudoti šią mokymo programą, sukurkite visos saugyklos šaką savo GitHub paskyroje ir atlikite pratimus savarankiškai arba su grupe:

• Pradėkite nuo priešpaskaitinio testo.
• Perskaitykite paskaitą ir atlikite veiklas, sustodami ir apmąstydami kiekvieną žinių patikrinimą.
• Stenkitės kurti projektus suprasdami pamokas, o ne paleisdami sprendimų kodą; tačiau šis kodas yra prieinamas /solution aplankuose kiekvienoje projektu orientuotoje pamokoje.
• Atlikite popaskaitinį testą.
• Atlikite iššūkį.
• Atlikite užduotį.
• Baigę pamokų grupę, apsilankykite Diskusijų lentoje ir „mokykitės garsiai“ pildydami atitinkamą PAT vertinimo yražtę. 'PAT' yra Progreso Vertinimo Įrankis, kurį pildote norėdami gilinti savo mokymąsi. Taip pat galite reaguoti į kitų PAT, kad galėtume mokytis kartu.

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

Mokytojams, mes įtraukėme keletą pasiūlymų, kaip naudoti šią mokymo programą.

---

Vaizdo įrašų peržiūros

Kai kurios pamokos prieinamos trumpųjų formų video pavidalu. Juos visus galite rasti įdėtus į pamokas arba ML pradedantiesiems grojaraštyje Microsoft Developer YouTube kanale paspaudę žemiau esantį paveikslėlį.

---

Susipažinkite su komanda

Gif sukūrė Mohit Jaisal

🎥 Paspauskite viršuje esantį paveikslėlį, kad pamatytumėte vaizdo įrašą apie projektą ir jį sukūrusius žmones!

---

Pedagogika

Kuriant šią mokymo programą pasirinkome dvi pedagogines nuostatas: užtikrinti, kad mokymasis būtų praktiškai orientuotas į projektus ir kad būtų dažni testai. Be to, ši programa turi bendrą temą, kuri suteikia ją vientisumo.

Užtikrinant, kad turinys derėtų su projektais, procesas tampa patrauklesnis studentams, o koncepcijų išlaikymas pagerėja. Be to, mažos rizikos testas prieš pamoką nukreipia studento dėmesį į mokymąsi, o antras testas po pamokos užtikrina dar geresnį išlaikymą. Ši programa sukurta būti lanksti ir smagi, ją galima atlikti visiškai arba iš dalies. Projektai prasideda nedideli ir tampa vis sudėtingesni per 12 savaičių ciklą. Programa taip pat apima postskriptą apie ML realaus pasaulio taikymą, kurį galima naudoti kaip papildomą kreditą ar diskusijų pagrindą.

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

Kiekviena pamoka apima

• neprivalomą eskizinį užrašą
• neprivalomą papildomą vaizdo įrašą
• vaizdo įrašo peržiūrą (tik kai kurios pamokos)
• priešpaskaitinį apšilimo testą
• rašytinę pamoką
• projektu grįstose pamokose – žingsnis po žingsnio vadovus, kaip sukurti projektą
• žinių patikrinimus
• iššūkį
• papildomą skaitymą
• užduotį
• popaskaitinį testą

Pastaba apie kalbas: Šios pamokos daugiausia yra parašytos Python kalba, tačiau dauguma jų taip pat prieinamos R kalba. Norėdami atlikti R pamoką, eikite į /solution aplanką ir raskite R pamokas. Jos turi .rmd plėtinį, kuris reiškia R Markdown failą, kurį galima apibrėžti kaip kodo blokų (R ar kitų kalbų) ir YAML antraštės (nurodančios, kaip formatuoti išvestis, pvz., PDF) įterpimą Markdown dokumente. Tokiu būdu tai puikus duomenų mokslo dokumentų kūrimo rėmas, leidžiantis sujungti savo kodą, jo išvestį ir apmąstymus, rašant juos Markdown formatu. Be to, R Markdown dokumentai gali būti sugeneruoti į išvesties formatus, tokius kaip PDF, HTML ar Word. Pastaba apie testus: Visi testai yra Quiz App kataloge, iš viso 52 testai po tris klausimus kiekviename. Jie yra pateikti pamokose, tačiau testų programą galima paleisti vietoje; vadovaukitės nurodymais quiz-app kataloge, kad galėtumėte vietoje talpinti ar diegti į Azure.

Pamokos numeris	Tema	Pamokos grupė	Mokymosi tikslai	Susieta pamoka	Autorius
01	Įvadas į mašininį mokymąsi	Įvadas	Išmokti pagrindines mašininio mokymosi sąvokas	Pamoka	Muhammad
02	Mašininio mokymosi istorija	Įvadas	Sužinoti šio srities istoriją	Pamoka	Jen ir Amy
03	Sąžiningumas ir mašininis mokymasis	Įvadas	Kokie yra svarbūs filosofiniai klausimai apie sąžiningumą, kuriuos studentai turėtų apsvarstyti kuriant ir taikant ML modelius?	Pamoka	Tomomi
04	Mašininio mokymosi technikos	Įvadas	Kokias technikas ML tyrėjai naudoja ML modeliams kurti?	Pamoka	Chris ir Jen
05	Įvadas į regresiją	Regresija	Pradėti naudotis Python ir Scikit-learn regresinių modelių kūrimui	Python • R	Jen • Eric Wanjau
06	Šiaurės Amerikos moliūgų kainos 🎃	Regresija	Atvaizduoti ir išvalyti duomenis prieš ML	Python • R	Jen • Eric Wanjau
07	Šiaurės Amerikos moliūgų kainos 🎃	Regresija	Kurti linijinius ir polinominius regresijos modelius	Python • R	Jen ir Dmitry • Eric Wanjau
08	Šiaurės Amerikos moliūgų kainos 🎃	Regresija	Kurti logistinės regresijos modelį	Python • R	Jen • Eric Wanjau
09	Tinklalapio programa 🔌	Tinklalapio programa	Kurti tinklalapio programą savo apmokytam modeliui naudoti	Python	Jen
10	Įvadas į klasifikaciją	Klasifikacija	Išvalyti, paruošti ir vizualizuoti savo duomenis; įvadas į klasifikaciją	Python • R	Jen ir Cassie • Eric Wanjau
11	Skanios Azijos ir Indijos virtuvės 🍜	Klasifikacija	Įvadas į klasifikatorius	Python • R	Jen ir Cassie • Eric Wanjau
12	Skanios Azijos ir Indijos virtuvės 🍜	Klasifikacija	Daugiau klasifikatorių	Python • R	Jen ir Cassie • Eric Wanjau
13	Skanios Azijos ir Indijos virtuvės 🍜	Klasifikacija	Kurti rekomendacinę tinklalapio programą naudodami savo modelį	Python	Jen
14	Įvadas į klasterizaciją	Klasterizacija	Išvalyti, paruošti ir vizualizuoti savo duomenis; Įvadas į klasterizaciją	Python • R	Jen • Eric Wanjau
15	Nigerijos muzikos skonių tyrimas 🎧	Klasterizacija	Tirti K-vidurkių klasterizacijos metodą	Python • R	Jen • Eric Wanjau
16	Įvadas į natūralios kalbos apdorojimą ☕️	Natūralios kalbos apdorojimas	Išmokti NLP pagrindų kurdami paprastą botą	Python	Stephen
17	Dažnos NLP užduotys ☕️	Natūralios kalbos apdorojimas	Gilinti savo NLP žinias suprantant dažnas užduotis, reikalingas kalbos struktūroms, apdoroti	Python	Stephen
18	Vertimas ir nuotaikų analizė ♥️	Natūralios kalbos apdorojimas	Vertimas ir nuotaikų analizė su Jane Austen	Python	Stephen
19	Romantiški Europos viešbučiai ♥️	Natūralios kalbos apdorojimas	Nuotaikų analizė su viešbučių atsiliepimais 1	Python	Stephen
20	Romantiški Europos viešbučiai ♥️	Natūralios kalbos apdorojimas	Nuotaikų analizė su viešbučių atsiliepimais 2	Python	Stephen
21	Įvadas į laikinių eilučių prognozavimą	Laikinės eilutės	Įvadas į laikinių eilučių prognozavimą	Python	Francesca
22	⚡️ Pasaulio energijos vartojimas ⚡️ – laikinių eilučių prognozavimas su ARIMA	Laikinės eilutės	Laikinių eilučių prognozavimas su ARIMA	Python	Francesca
23	⚡️ Pasaulio energijos vartojimas ⚡️ – laikinių eilučių prognozavimas su SVR	Laikinės eilutės	Laikinių eilučių prognozavimas su palaikymo vektorių regresoriumi	Python	Anirban
24	Įvadas į stiprinamąjį mokymąsi	Stiprinamasis mokymasis	Įvadas į stiprinamąjį mokymąsi su Q-mokymusi	Python	Dmitry
25	Padėkite Peteriui išvengti vilko! 🐺	Stiprinamasis mokymasis	Stiprinamojo mokymosi sporto salė	Python	Dmitry
Postscript	Realūs ML scenarijai ir taikymai	ML laukinėje gamtoje	Įdomios ir atskleidžiančios klasikinio ML realių situacijų taikymo galimybės	Pamoka	Komanda
Postscript	Modelio derinimas ML naudojant RAI valdymo skydelį	ML laukinėje gamtoje	Modelio derinimas mašininiame mokyme naudojant Atsakingos AI valdymo skydelio komponentus	Pamoka	Ruth Yakubu

raskite visus papildomuosius šio kurso išteklius mūsų Microsoft Learn kolekcijoje

Neprisijungęs prieigos režimas

Galite naudoti šią dokumentaciją neprisijungę, naudodami Docsify. Šakinkite šį repo, įdiekite Docsify savo vietiniame kompiuteryje, ir tada šiame repo šakniniame kataloge įveskite docsify serve. Svetainė bus pasiekiama 3000 prievade: localhost:3000.

PDF failai

Raskite kurso turinio PDF su nuorodomis čia.

🎒 Kiti kursai

Mūsų komanda kuria ir kitus kursus! Peržiūrėkite:

LangChain

---

Azure / Edge / MCP / Agents

---

Generatyvusis AI serija

---

Pagrindinis mokymasis

---

Copilot serija

Pagalbos gavimas

Jei užstrigote arba turite klausimų apie DI programėlių kūrimą, prisijunkite prie mokymosi draugų ir patyrusių programuotojų diskusijų apie MCP. Tai palaikanti bendruomenė, kurioje klausimai laukiami, o žinios dalijamasi laisvai.

Jei turite produkto atsiliepimų arba pastebite klaidų kūrimo metu, apsilankykite:

---

Atsakomybės apribojimas: Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą Co-op Translator. Nors stengiamės užtikrinti tikslumą, prašome atkreipti dėmesį, kad automatizuoti vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Svarbiai informacijai rekomenduojamas profesionalus žmogaus vertimas. Mes neatsakome už jokius nesusipratimus ar neteisingus aiškinimus, kylančius dėl šio vertimo naudojimo.