ML-For-Beginners/translations/uk

🌐 Підтримка кількох мов

Підтримується через GitHub Action (автоматично та завжди актуально)

Арабська | Бенгальська | Болгарська | Бірманська (М'янма) | Китайська (спрощена) | Китайська (традиційна, Гонконг) | Китайська (традиційна, Макао) | Китайська (традиційна, Тайвань) | Хорватська | Чеська | Данська | Нідерландська | Естонська | Фінська | Французька | Німецька | Грецька | Іврит | Хінді | Угорська | Індонезійська | Італійська | Японська | Каннада | Корейська | Литовська | Малайська | Малаялам | Маратхі | Непальська | Нігерійський піџин | Норвезька | Перська (фарсі) | Польська | Португальська (Бразилія) | Португальська (Португалія) | Пенджабі (гурмукхі) | Румунська | Російська | Сербська (кирилиця) | Словацька | Словенська | Іспанська | Свахілі | Шведська | Тагальська (філіппінська) | Тамільська | Телугу | Тайська | Турецька | Українська | Урду | Вʼєтнамська

Приєднуйтесь до нашої спільноти

У нас триває серія в Discord "Навчайся з AI", дізнайтеся більше та приєднуйтесь до нас на Learn with AI Series з 18 по 30 вересня 2025 року. Ви отримаєте поради та хитрощі щодо використання GitHub Copilot для Data Science.

Machine Learning for Beginners - A Curriculum

🌍 Подорожуйте навколо світу, досліджуючи Машинне навчання через призму світових культур 🌍

Cloud Advocates у Microsoft раді запропонувати 12-тижневу навчальну програму з 26 уроків, присвячену темі Машинного навчання. У цій програмі ви дізнаєтеся про те, що іноді називають класичним машинним навчанням, використовуючи переважно бібліотеку Scikit-learn і уникаючи глибинного навчання, яке охоплено в нашій AI for Beginners' curriculum. Поєднуйте ці уроки з нашою програмою для 'Data Science for Beginners', також!

Подорожуйте з нами по всьому світу, застосовуючи ці класичні методи до даних із різних регіонів. Кожен урок містить квіз до і після заняття, письмові інструкції для виконання уроку, рішення, завдання та інше. Наша орієнтація на проекти дозволяє вчитися шляхом створення, що є доведеним способом закріплення нових навичок.

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

🎨 Також дякуємо нашим ілюстраторам Tomomi Imura, Dasani Madipalli, and Jen Looper

🙏 Особлива подяка 🙏 нашим Microsoft Student Ambassador авторам, рецензентам та контриб'юторам контенту, зокрема Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, and Snigdha Agarwal

🤩 Додаткова подяка Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, and Vidushi Gupta за наші уроки на R!

Початок роботи

Дотримуйтесь цих кроків:

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 нашій колекції Microsoft Learn

🔧 Потрібна допомога? Перегляньте наш Довідник з усунення несправностей для вирішення поширених проблем з інсталяцією, налаштуванням та запуском уроків.

Студенти, щоб використовувати цю навчальну програму, форкніть увесь репозиторій до свого облікового запису GitHub і виконуйте вправи самостійно або в групі:

• Почніть з квізу перед лекцією.
• Прочитайте лекцію і виконайте завдання, зупиняючись та обдумуючи кожну перевірку знань.
• Намагайтеся створювати проекти, розуміючи уроки замість того, щоб просто запускати код рішень; тим не менш цей код доступний у папках /solution в кожному уроці, орієнтованому на проект.
• Пройдіть квіз після лекції.
• Виконайте виклик (challenge).
• Виконайте домашнє завдання.
• Після завершення групи уроків відвідайте Дошку обговорення і "вчіться вголос", заповнивши відповідну рубрику PAT. "PAT" — це Інструмент оцінки прогресу (Progress Assessment Tool), рубрика, яку ви заповнюєте, щоб поглибити своє навчання. Ви також можете реагувати на інші PAT, щоб ми могли вчитися разом.

Для подальшого вивчення ми радимо пройти ці модулі та навчальні шляхи Microsoft Learn.

Викладачі, ми включили деякі рекомендації щодо того, як використовувати цю навчальну програму.

---

Відео-огляди

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

---

Зустрічайте команду

Гіф від Mohit Jaisal

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

---

Педагогіка

Під час створення цієї навчальної програми ми обрали два педагогічні принципи: забезпечити практично-орієнтований підхід, заснований на проектах, і включити часті квізи. Крім того, ця програма має спільну тему, щоб надати їй цілісності.

Забезпечуючи відповідність контенту проєктам, процес стає більш захопливим для студентів, а утримання концепцій значно покращується. Крім того, квіз з низькою ставкою перед заняттям налаштовує студента на вивчення теми, а другий квіз після заняття сприяє подальшому закріпленню матеріалу. Ця навчальна програма спроєктована так, щоб бути гнучкою та цікавою, і її можна проходити повністю або частково. Проєкти починаються з простих і стають поступово складнішими до кінця 12-тижневого циклу. Програма також містить епілог щодо застосувань МН у реальному світі, який можна використати як додаткову вправу або як основу для дискусії.

Знайдіть наші Кодекс поведінки, Внесок, Переклад та Довідник з усунення несправностей. Ми вітаємо вашу конструктивну зворотну інформацію!

Кожен урок включає

• необов'язкова скетчнот
• необов'язкове додаткове відео
• відео-покрокове пояснення (деякі уроки)
• квіз для розігріву перед лекцією
• письмовий урок
• для уроків, орієнтованих на проєкт, покрокові інструкції зі створення проєкту
• перевірки знань
• виклик (challenge)
• додаткова література
• завдання
• квіз після лекції

Примітка щодо мов: Ці уроки в основному написані на Python, але багато з них також доступні на R. Щоб виконати урок на R, перейдіть у папку /solution і знайдіть уроки на R. Вони мають розширення .rmd, що означає R Markdown файл, який можна просто визначити як вбудування code chunks (на R або інших мовах) і YAML header (який керує тим, як форматувати виходи, наприклад PDF) у Markdown document. Таким чином, він служить відмінною структурою для створення документів у Data Science, оскільки дозволяє об’єднати код, його вивід і ваші думки, дозволяючи записувати їх у форматі Markdown. До того ж документи R Markdown можна відтворювати у формати виводу, такі як PDF, HTML або Word.

Примітка щодо квізів: Всі квізи містяться у папці Quiz App, загалом 52 квізи по три питання в кожному. Вони пов'язані з уроками, але додаток з квізами можна запускати локально; дотримуйтесь інструкцій у папці quiz-app, щоб розгорнути локально або в Azure.

Номер уроку	Тема	Групування уроків	Цілі навчання	Пов'язаний урок	Автор
01	Вступ до машинного навчання	Вступ	Вивчіть базові поняття машинного навчання	Урок	Muhammad
02	Історія машинного навчання	Вступ	Дізнайтеся історію, що лежить в основі цієї галузі	Урок	Jen and Amy
03	Справедливість та машинне навчання	Вступ	Які важливі філософські питання щодо справедливості мають враховувати студенти при створенні та застосуванні моделей машинного навчання?	Урок	Tomomi
04	Техніки машинного навчання	Вступ	Які методи дослідники з машинного навчання використовують для створення моделей?	Урок	Chris and Jen
05	Вступ до регресії	Регресія	Почніть працювати з Python і Scikit-learn для регресійних моделей	Python • R	Jen • Eric Wanjau
06	Ціни на гарбузи Північної Америки 🎃	Регресія	Візуалізуйте та очистіть дані для підготовки до машинного навчання	Python • R	Jen • Eric Wanjau
07	Ціни на гарбузи Північної Америки 🎃	Регресія	Побудуйте лінійні та поліноміальні регресійні моделі	Python • R	Jen and Dmitry • Eric Wanjau
08	Ціни на гарбузи Північної Америки 🎃	Регресія	Побудуйте логістичну регресійну модель	Python • R	Jen • Eric Wanjau
09	Веб-додаток 🔌	Веб-додаток	Створіть веб-додаток для використання вашої навченої моделі	Python	Jen
10	Вступ до класифікації	Класифікація	Очистіть, підготуйте та візуалізуйте дані; вступ до класифікації	Python • R	Jen and Cassie • Eric Wanjau
11	Смачні азійські та індійські кухні 🍜	Класифікація	Вступ до класифікаторів	Python • R	Jen and Cassie • Eric Wanjau
12	Смачні азійські та індійські кухні 🍜	Класифікація	Більше класифікаторів	Python • R	Jen and Cassie • Eric Wanjau
13	Смачні азійські та індійські кухні 🍜	Класифікація	Створіть веб-додаток для рекомендацій, використовуючи вашу модель	Python	Jen
14	Вступ до кластеризації	Кластеризація	Очистіть, підготуйте та візуалізуйте дані; вступ до кластеризації	Python • R	Jen • Eric Wanjau
15	Дослідження нігерійських музичних вподобань 🎧	Кластеризація	Дослідіть метод кластеризації K-Means	Python • R	Jen • Eric Wanjau
16	Вступ до обробки природної мови ☕️	Обробка природної мови	Вивчіть основи NLP, створивши простого бота	Python	Stephen
17	Поширені задачі NLP ☕️	Обробка природної мови	Поглибте знання NLP, розуміючи загальні задачі, пов'язані з роботою зі структурами мови	Python	Stephen
18	Переклад та аналіз настроїв ♥️	Обробка природної мови	Переклад та аналіз настроїв з текстами Джейн Остін	Python	Stephen
19	Романтичні готелі Європи ♥️	Обробка природної мови	Аналіз настроїв на відгуках про готелі 1	Python	Stephen
20	Романтичні готелі Європи ♥️	Обробка природної мови	Аналіз настроїв на відгуках про готелі 2	Python	Stephen
21	Вступ до прогнозування часових рядів	Часові ряди	Вступ до прогнозування часових рядів	Python	Francesca
22	⚡️ Використання електроенергії у світі ⚡️ - прогнозування часових рядів за допомогою ARIMA	Часові ряди	Прогнозування часових рядів з використанням ARIMA	Python	Francesca
23	⚡️ Використання електроенергії у світі ⚡️ - прогнозування часових рядів за допомогою SVR	Часові ряди	Прогнозування часових рядів за допомогою Support Vector Regressor	Python	Anirban
24	Вступ до підкріплювального навчання	Підкріплювальне навчання	Вступ до підкріплювального навчання з Q-Learning	Python	Dmitry
25	Допоможіть Пітеру уникнути вовка! 🐺	Підкріплювальне навчання	Підкріплювальне навчання в Gym	Python	Dmitry
Postscript	Реальні сценарії та застосування машинного навчання	ML у реальному світі	Цікаві та показові приклади застосування класичного машинного навчання в реальному світі	Урок	Team
Postscript	Відлагодження моделей у машинному навчанні за допомогою панелі RAI	ML у реальному світі	Відлагодження моделей машинного навчання з використанням компонентів панелі Responsible AI	Урок	Ruth Yakubu

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

Доступ офлайн

Ви можете запускати цю документацію офлайн, використовуючи Docsify. Створіть форк цього репозиторію, встановіть Docsify на ваш локальний комп’ютер, а потім у кореневій папці цього репозиторію введіть docsify serve. Вебсайт буде доступний на порту 3000 на вашому localhost: localhost:3000.

PDF-файли

Знайдіть PDF навчальної програми з посиланнями тут.

🎒 Інші курси

Наша команда створює інші курси! Перегляньте:

LangChain

---

Azure / Edge / MCP / Agents

---

Generative AI Series

---

Основне навчання

---

Серія Copilot

Отримати допомогу

Якщо ви застрягли або у вас є запитання щодо створення додатків зі ШІ, приєднуйтеся до інших учнів та досвідчених розробників у обговореннях про MCP. Це підтримуюча спільнота, де вітають запитання, а знання вільно обмінюються.

Якщо у вас є відгуки про продукт або ви зіткнулися з помилками під час розробки, відвідайте:

---

Відмова від відповідальності: Цей документ був перекладений із використанням сервісу автоматичного перекладу на базі штучного інтелекту Co-op Translator (https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, зверніть увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ його рідною мовою слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу.