30 KiB

Raw Blame History Unescape Escape

🌐 Podpora za več jezikov

Podprto prek GitHub Actions (samodejno in vedno posodobljeno)

Raje klonirati lokalno?

Ta repozitorij vključuje prevode v več kot 50 jezikov, kar močno poveča velikost prenosa. Za kloniranje brez prevodov uporabite 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'
S tem dobite vse, kar potrebujete za dokončanje tečaja, s precej hitrejšim prenosom.

Pridružite se naši skupnosti

Imamo tekočo serijo Learn with AI na Discordu, izvedite več in se nam pridružite na Learn with AI Series od 18. do 30. septembra 2025. Prejeli boste nasvete in trike za uporabo GitHub Copilota za podatkovno znanost.

Strojno učenje za začetnike - Kurikulum

🌍 Potujte po svetu, medtem ko raziskujemo strojno učenje preko svetovnih kultur 🌍

Cloud Advocates pri Microsoftu z veseljem ponujajo 12-tedenski, 26-universni kurikulum, ki govori o strojno učenje. V tem kurikulumu se boste naučili, kar se včasih imenuje klasično strojno učenje, pri čemer primarno uporabljamo knjižnico Scikit-learn in se izogibamo globokemu učenju, ki je zajeto v našem Kurikulumu AI za začetnike. Te lekcije kombinirajte s kurikulumom 'Data Science for Beginners'.

Potujte z nami po svetu, ko uporabljamo te klasične tehnike na podatkih iz različnih delov sveta. Vsaka lekcija vključuje vprašalnike pred in po lekciji, pisna navodila za dokončanje lekcije, rešitev, nalogo in še več. Naša pedagoška metoda temelji na projektih, kar vam omogoča učenje med gradnjo, preizkušena metoda, da nove sposobnosti zares usvojite.

✍️ Iskrena hvala našim avtorjem Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu in Amy Boyd

🎨 Zahvala tudi našim ilustratorjem Tomomi Imura, Dasani Madipalli in Jen Looper

🙏 Posebna hvala 🙏 našim avtorjem, recenzentom in prispevkarjem vsebin Microsoft Student Ambassador, zlasti Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila in Snigdha Agarwal

🤩 Dodatna zahvala Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi in Vidushi Gupta za naše lekcije v R!

Začetek

Sledite tem korakom:

Razvezi repozitorij: Kliknite na gumb "Fork" v zgornjem desnem kotu te strani.
Kloniraj repozitorij: git clone https://github.com/microsoft/ML-For-Beginners.git

najdite vse dodatne vire za ta tečaj v naši zbirki Microsoft Learn

🔧 Potrebujete pomoč? Preverite naš Vodnik za odpravljanje težav za rešitve pogostih težav pri nameščanju, nastavitvi in izvajanju lekcij.

Študenti, da uporabite ta kurikulum, razvejite celoten repozitorij v svoj GitHub račun in rešujte vaje samostojno ali v skupini:

Začnite z vprašalnikom pred predavanjem.
Preberite predavanje in opravite aktivnosti, premorite in razmislite vsakič ob preverjanju znanja.
Poskusite ustvariti projekte z razumevanjem lekcij, ne le z zagonom rešitvene kode; ta koda je na voljo v mapah /solution v vsaki lekciji usmerjeni v projekt.
Opravite vprašalnik po predavanju.
Opravite izziv.
Opravite nalogo.
Po zaključku skupine lekcij obiščite Diskusijsko ploščo in "učite se na glas" tako, da izpolnite ustrezno rubriko PAT. 'PAT' je orodje za ocenjevanje napredka, ki ga izpolnite za nadaljnje učenje. Prav tako lahko reagirate na druge PAT-e, da se učimo skupaj.

Za nadaljnje študije priporočamo, da sledite tem modulom in učnim potezam na Microsoft Learn.

Učitelji, vključili smo nekaj predlogov o uporabi tega kurikuluma.

Video predstavitve

Nekatere lekcije so na voljo kot kratki video posnetki. Vse te lahko najdete v lekcijah ali na predvajalniku ML for Beginners na Microsoft Developer YouTube kanalu s klikom na spodnjo sliko.

Spoznajte ekipo

Gif avtor Mohit Jaisal

🎥 Kliknite na zgornjo sliko za video o projektu in osebah, ki so ga ustvarile!

Pedagogika

Ob oblikovanju tega kurikuluma smo izbrali dve pedagoški načeli: zagotoviti, da je praktičen in na projektih temelječ ter da vključuje pogoste preizkuse znanja. Poleg tega ima ta kurikulum skupno temo, ki mu daje kohezivnost.

S tem, ko se vsebina uskladi s projekti, je proces učenja bolj zanimiv za študente in bo pripomogel k boljši zapomnljivosti konceptov. Poleg tega nizko-dvignjen vprašalnik pred predavanjem usmeri študentovo pozornost k učenju teme, medtem ko vprašalnik po predavanju zagotavlja še boljšo zapomnljivost. Ta kurikulum je zasnovan tako, da je prilagodljiv in zabaven ter ga je mogoče opraviti v celoti ali delno. Projekti se začnejo preprosto in postanejo vse bolj kompleksni do konca 12-tedenskega cikla. Kurikulum vključuje tudi dodatek o resničnih aplikacijah strojnega učenja, ki se lahko uporabi kot dodaten kredit ali kot osnova za razpravo.

Najdite naš Kodeks ravnanja, Prispevanje, Prevajanje in Odpravljanje težav. Veselimo se vaših konstruktivnih povratnih informacij!

Vsaka lekcija vključuje

neobvezno osnutek/sketchnote
neobvezni dopolnilni video
video predstavitev (v nekaterih lekcijah)
vprašalnik za ogrevanje pred predavanjem
pisno lekcijo
pri projektnih lekcijah, vodnike po korakih za izdelavo projekta
preverjanje znanja
izziv
dodatno branje
nalogo
vprašalnik po predavanju

Opomba o jezikih: Te lekcije so večinoma napisane v Pythonu, a je veliko tudi na voljo v R. Za dokončanje lekcije v R pojdite v mapo /solution, kjer poiščite R lekcije. Te vsebujejo datoteke z .rmd razširitvijo, ki predstavlja R Markdown datoteko, ki je preprosto definirano kot vstavljanje kodo blokov (R ali drugih jezikov) in YAML glave (ki usmerja oblikovanje izhodov, kot je PDF) v Markdown dokument. Tako služi kot odličen okvir za pisanje vsebin za podatkovno znanost, saj vam omogoča, da združite kodo, njen izhod in svoje misli s pisanjem v Markdown. Poleg tega se dokumenti R Markdown lahko pretvorijo v izhodne formate, kot so PDF, HTML ali Word. Opomba o kvizih: Vsi kvizi so v mapi Quiz App, skupaj 52 kvizov s po tremi vprašanji. Povezani so znotraj lekcij, vendar lahko aplikacijo za kvize zaženete lokalno; sledite navodilom v mapi quiz-app za lokalno gostovanje ali namestitev na Azure.

Številka lekcije	Tema	Skupina lekcij	Cilji učenja	Povezana lekcija	Avtorji
01	Uvod v strojno učenje	Uvod	Spoznajte osnovne pojme strojnega učenja	Lekcija	Muhammad
02	Zgodovina strojnega učenja	Uvod	Spoznajte zgodovino tega področja	Lekcija	Jen in Amy
03	Poštenost in strojno učenje	Uvod	Katere so pomembne filozofske težave glede poštenosti, ki naj jih študenti upoštevajo pri ustvarjanju in uporabi modelov ML?	Lekcija	Tomomi
04	Tehnike strojnega učenja	Uvod	Katere tehnike uporabljajo raziskovalci ML za gradnjo ML modelov?	Lekcija	Chris in Jen
05	Uvod v regresijo	Regresija	Začnite s Pythonom in Scikit-learn za regresijske modele	Python • R	Jen • Eric Wanjau
06	Cene buč v Severni Ameriki 🎃	Regresija	Vizualizirajte in očistite podatke v pripravi na ML	Python • R	Jen • Eric Wanjau
07	Cene buč v Severni Ameriki 🎃	Regresija	Izdelajte linearne in polinomske regresijske modele	Python • R	Jen in Dmitry • Eric Wanjau
08	Cene buč v Severni Ameriki 🎃	Regresija	Izdelajte logistični regresijski model	Python • R	Jen • Eric Wanjau
09	Spletna aplikacija 🔌	Spletna aplikacija	Ustvarite spletno aplikacijo za uporabo vašega usposobljenega modela	Python	Jen
10	Uvod v klasifikacijo	Klasifikacija	Očistite, pripravite in vizualizirajte podatke; uvod v klasifikacijo	Python • R	Jen in Cassie • Eric Wanjau
11	Okusne azijske in indijske jedi 🍜	Klasifikacija	Uvod v klasifikatorje	Python • R	Jen in Cassie • Eric Wanjau
12	Okusne azijske in indijske jedi 🍜	Klasifikacija	Več klasifikatorjev	Python • R	Jen in Cassie • Eric Wanjau
13	Okusne azijske in indijske jedi 🍜	Klasifikacija	Ustvarite priporočilno spletno aplikacijo z vašim modelom	Python	Jen
14	Uvod v gručenje	Gručenje	Očistite, pripravite in vizualizirajte podatke; uvod v gručenje	Python • R	Jen • Eric Wanjau
15	Raziskovanje nigerijskih glasbenih okusov 🎧	Gručenje	Raziskujte metodo gručenja K-sredin	Python • R	Jen • Eric Wanjau
16	Uvod v obdelavo naravnega jezika ☕️	Obdelava naravnega jezika	Spoznajte osnove NLP z gradnjo preprostega bota	Python	Stephen
17	Pogoste naloge NLP ☕️	Obdelava naravnega jezika	Poglobite svoje znanje NLP z razumevanjem pogostih nalog pri delu z jezikovnimi strukturami	Python	Stephen
18	Prevajanje in analiza sentimenta ♥️	Obdelava naravnega jezika	Prevajanje in analiza sentimenta z Jane Austen	Python	Stephen
19	Romantični hoteli v Evropi ♥️	Obdelava naravnega jezika	Analiza sentimenta s pregledi hotelov 1	Python	Stephen
20	Romantični hoteli v Evropi ♥️	Obdelava naravnega jezika	Analiza sentimenta s pregledi hotelov 2	Python	Stephen
21	Uvod v napovedovanje časovnih vrst	Časovne vrste	Uvod v napovedovanje časovnih vrst	Python	Francesca
22	⚡️ Svetovna poraba električne energije ⚡️ - napoved ARIMA	Časovne vrste	Napovedovanje časovnih vrst z ARIMA	Python	Francesca
23	⚡️ Svetovna poraba električne energije ⚡️ - napoved SVR	Časovne vrste	Napovedovanje časovnih vrst z regresorjem podpornih vektorjev	Python	Anirban
24	Uvod v učenje z okrepitvijo	Učenje z okrepitvijo	Uvod v učenje z okrepitvijo z Q-Learning	Python	Dmitry
25	Pomagajte Petru ubežati volku! 🐺	Učenje z okrepitvijo	Učenje z okrepitvijo v prostoru Gym	Python	Dmitry
Dodatek	Primeri in uporabe ML v resničnem svetu	ML v naravi	Zanimive in razkrivajoče realne aplikacije klasičnega ML	Lekcija	Ekipa
Dodatek	Odpravljanje napak modelov ML z RAI nadzorno ploščo	ML v naravi	Odpravljanje napak modelov strojnega učenja z uporabo komponent odgovorne nadzorne plošče RAI	Lekcija	Ruth Yakubu

najdite vse dodatne vire za ta tečaj v naši zbirki Microsoft Learn

Dostop brez povezave

To dokumentacijo lahko uporabljate brez povezave z uporabo Docsify. Razvežite ta repozitorij, namestite Docsify na vaš lokalni računalnik, nato pa v korenski mapi tega repozitorija vnesite docsify serve. Spletna stran bo dostopna na vratih 3000 na vašem local hostu: localhost:3000.

PDF-ji

PDF različico učnega načrta s povezavami poiščite tukaj.

🎒 Drugi tečaji

Naša ekipa pripravlja tudi druge tečaje! Oglejte si:

LangChain

Azure / Edge / MCP / Agentje

Serija generativne umetne inteligence

Osnovno učenje

Serija Copilot

Iskanje pomoči

Če boste obtičali ali imeli kakršnakoli vprašanja glede izdelave AI aplikacij, se pridružite so-učencem in izkušenim razvijalcem v razpravah o MCP. To je podpirajoča skupnost, kjer so vprašanja dobrodošla in se znanje brezplačno deli.

Če imate povratne informacije o izdelku ali napake med razvijanjem, obiščite:

Opozorilo: Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco Co-op Translator. Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v izvorni jeziku velja za uradni vir. Za pomembne informacije priporočamo strokovni človeški prevod. Ne odgovarjamo za morebitna nesporazume ali napačne interpretacije, ki izhajajo iz uporabe tega prevoda.

30 KiB Raw Blame History Unescape Escape