ML-For-Beginners/translations/ja

🌐 多言語対応

GitHub Actionによるサポート（自動更新＆常に最新）

French | Spanish | German | Russian | Arabic | Persian (Farsi) | Urdu | Chinese (Simplified) | Chinese (Traditional, Macau) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Taiwan) | Japanese | Korean | Hindi | Bengali | Marathi | Nepali | Punjabi (Gurmukhi) | Portuguese (Portugal) | Portuguese (Brazil) | Italian | Polish | Turkish | Greek | Thai | Swedish | Danish | Norwegian | Finnish | Dutch | Hebrew | Vietnamese | Indonesian | Malay | Tagalog (Filipino) | Swahili | Hungarian | Czech | Slovak | Romanian | Bulgarian | Serbian (Cyrillic) | Croatian | Slovenian | Ukrainian | Burmese (Myanmar)

コミュニティに参加しよう

初心者向け機械学習 - カリキュラム

🌍 世界中を旅しながら、各国の文化を通じて機械学習を学びましょう 🌍

Microsoftのクラウドアドボケイトチームは、機械学習に関する12週間、26レッスンのカリキュラムを提供します。このカリキュラムでは、主にScikit-learnライブラリを使用し、クラシック機械学習と呼ばれることのある手法を学びます。深層学習については、AI for Beginnersのカリキュラムで扱っています。また、このレッスンを'Data Science for Beginners'カリキュラムと組み合わせて学ぶこともできます。

世界中のデータを使ってクラシックな手法を適用しながら、私たちと一緒に旅をしましょう。各レッスンには、事前・事後のクイズ、レッスンを完了するための書面による指示、解答、課題などが含まれています。プロジェクトベースの教育法により、学びながら構築することができ、新しいスキルを定着させる効果的な方法です。

✍️ 著者の皆さんに感謝 Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu, Amy Boyd

🎨 イラストレーターの皆さんにも感謝 Tomomi Imura, Dasani Madipalli, Jen Looper

🙏 特別な感謝 🙏 Microsoft Student Ambassadorの著者、レビュー担当者、コンテンツ提供者の皆さん Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, Snigdha Agarwal

🤩 Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, Vidushi GuptaによるRレッスンにも特別な感謝！

始め方

以下の手順に従ってください:

1. リポジトリをフォークする: このページの右上にある「Fork」ボタンをクリックします。
2. リポジトリをクローンする: git clone https://github.com/microsoft/ML-For-Beginners.git

このコースの追加リソースはMicrosoft Learnコレクションで見つけることができます

学生の皆さん、このカリキュラムを使用するには、リポジトリ全体を自分のGitHubアカウントにフォークし、個人またはグループで演習を完了してください:

• レクチャー前のクイズから始めましょう。
• レクチャーを読み、各知識チェックで一時停止して反省しながら活動を完了してください。
• レッスンを理解しながらプロジェクトを作成してみてください。ただし、解答コードは各プロジェクト指向レッスンの/solutionフォルダーにあります。
• レクチャー後のクイズを受けましょう。
• チャレンジを完了してください。
• 課題を完了してください。
• レッスングループを完了した後、Discussion Boardにアクセスし、適切なPATルーブリックを記入して「学びを共有」してください。PAT（Progress Assessment Tool）は、学習をさらに進めるために記入するルーブリックです。他のPATに反応することで、共に学ぶことができます。

さらに学びたい場合は、これらのMicrosoft Learnモジュールと学習パスをフォローすることをお勧めします。

教師の皆さん、このカリキュラムの使用方法についていくつかの提案を含めています。

---

ビデオウォークスルー

一部のレッスンは短い形式のビデオとして利用可能です。これらはレッスン内でインラインで見つけることができます。または、Microsoft Developer YouTubeチャンネルのML for Beginnersプレイリストで見ることができます。以下の画像をクリックしてください。

---

チーム紹介

Gif作成者 Mohit Jaisal

🎥 上の画像をクリックすると、プロジェクトと作成者についてのビデオが見られます！

---

教育法

このカリキュラムを構築する際に、2つの教育的原則を選びました: プロジェクトベースであること、そして頻繁なクイズを含むことです。また、このカリキュラムには共通のテーマがあり、統一感を持たせています。

プロジェクトに合わせてコンテンツを整えることで、学生にとってより魅力的なプロセスとなり、概念の定着が促進されます。また、授業前の低リスクなクイズは、学生がトピックを学ぶ意図を設定し、授業後のクイズはさらに定着を促します。このカリキュラムは柔軟で楽しいものとして設計されており、全体または部分的に受講することができます。プロジェクトは小さなものから始まり、12週間のサイクルの終わりには徐々に複雑になります。このカリキュラムには、機械学習の実世界での応用に関する後書きも含まれており、追加のクレジットとして使用したり、議論の基礎として使用することができます。

Code of Conduct, Contributing, Translationガイドラインをご覧ください。建設的なフィードバックを歓迎します！

各レッスンには以下が含まれます

• オプションのスケッチノート
• オプションの補足ビデオ
• ビデオウォークスルー（一部のレッスンのみ）
• レクチャー前のウォームアップクイズ
• 書面によるレッスン
• プロジェクトベースのレッスンの場合、プロジェクトを構築するためのステップバイステップガイド
• 知識チェック
• チャレンジ
• 補足読書
• 課題
• レクチャー後のクイズ

言語についての注意: これらのレッスンは主にPythonで書かれていますが、多くはRでも利用可能です。Rレッスンを完了するには、/solutionフォルダーに移動し、Rレッスンを探してください。これらには、R Markdownファイルを表す.rmd拡張子が含まれています。R Markdownは、コードチャンク（Rや他の言語のコード）とYAMLヘッダー（PDFなどの出力形式をガイドするもの）をMarkdownドキュメントに埋め込むことを簡単に定義できます。そのため、データサイエンスのための優れた著作フレームワークとして機能し、コード、出力、考えをMarkdownに書き込むことができます。さらに、R MarkdownドキュメントはPDF、HTML、Wordなどの出力形式にレンダリングできます。

クイズについての注意: すべてのクイズはQuiz Appフォルダーに含まれており、合計52個のクイズがあり、各クイズは3問で構成されています。これらはレッスン内からリンクされていますが、クイズアプリはローカルで実行することもできます。quiz-appフォルダーの指示に従ってローカルホストまたはAzureにデプロイしてください。

レッスン番号	トピック	レッスングループ	学習目標	リンクされたレッスン	著者
01	機械学習の概要	Introduction	機械学習の基本的な概念を学ぶ	レッスン	Muhammad
02	機械学習の歴史	Introduction	この分野の歴史を学ぶ	レッスン	Jen and Amy
03	公平性と機械学習	Introduction	学生がMLモデルを構築・適用する際に考慮すべき公平性に関する重要な哲学的問題とは？	レッスン	Tomomi
04	機械学習の手法	Introduction	ML研究者がMLモデルを構築する際に使用する手法とは？	レッスン	Chris and Jen
05	回帰分析の紹介	Regression	PythonとScikit-learnを使った回帰モデルの入門

• [Python](2-Regression/1-Tools/README.md)
• [R](../../2-Regression/1-Tools/solution/R/lesson_1.html)

|

• Jen
• Eric Wanjau

| | 06 | 北米のカボチャ価格 🎃 | [Regression](2-Regression/README.md) | 機械学習の準備としてデータを可視化し、クリーニング |

• [Python](2-Regression/2-Data/README.md)
• [R](../../2-Regression/2-Data/solution/R/lesson_2.html)

|

• Jen
• Eric Wanjau

| | 07 | 北米のカボチャ価格 🎃 | [Regression](2-Regression/README.md) | 線形回帰モデルと多項式回帰モデルの構築 |

• [Python](2-Regression/3-Linear/README.md)
• [R](../../2-Regression/3-Linear/solution/R/lesson_3.html)

|

• Jen and Dmitry
• Eric Wanjau

| | 08 | 北米のカボチャ価格 🎃 | [Regression](2-Regression/README.md) | ロジスティック回帰モデルの構築 |

• [Python](2-Regression/4-Logistic/README.md)
• [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html)

|

• Jen
• Eric Wanjau

| | 09 | Webアプリ 🔌 | [Web App](3-Web-App/README.md) | 学習済みモデルを使用するWebアプリの構築 | [Python](3-Web-App/1-Web-App/README.md) | Jen | | 10 | 分類の紹介 | [Classification](4-Classification/README.md) | データのクリーニング、準備、可視化；分類の紹介 |

• [Python](4-Classification/1-Introduction/README.md)
• [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) |
  • Jen and Cassie
  • Eric Wanjau
  | | 11 | 美味しいアジアとインド料理 🍜 | [Classification](4-Classification/README.md) | 分類器の紹介 |
  • [Python](4-Classification/2-Classifiers-1/README.md)
  • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) |
    • Jen and Cassie
    • Eric Wanjau
    | | 12 | 美味しいアジアとインド料理 🍜 | [Classification](4-Classification/README.md) | さらに多くの分類器 |
    • [Python](4-Classification/3-Classifiers-2/README.md)
    • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) |
      • Jen and Cassie
      • Eric Wanjau
      | | 13 | 美味しいアジアとインド料理 🍜 | [Classification](4-Classification/README.md) | モデルを使用した推薦Webアプリの構築 | [Python](4-Classification/4-Applied/README.md) | Jen | | 14 | クラスタリングの紹介 | [Clustering](5-Clustering/README.md) | データのクリーニング、準備、可視化；クラスタリングの紹介 |
      • [Python](5-Clustering/1-Visualize/README.md)
      • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) |
        • Jen
        • Eric Wanjau
        | | 15 | ナイジェリアの音楽の嗜好を探る 🎧 | [Clustering](5-Clustering/README.md) | K-Meansクラスタリング手法を探る |
        • [Python](5-Clustering/2-K-Means/README.md)
        • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) |
          • Jen
          • Eric Wanjau
          | | 16 | 自然言語処理の紹介 ☕️ | [Natural language processing](6-NLP/README.md) | 簡単なボットを構築してNLPの基礎を学ぶ | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | | 17 | 一般的なNLPタスク ☕️ | [Natural language processing](6-NLP/README.md) | 言語構造を扱う際に必要な一般的なタスクを理解してNLPの知識を深める | [Python](6-NLP/2-Tasks/README.md) | Stephen | | 18 | 翻訳と感情分析 ♥️ | [Natural language processing](6-NLP/README.md) | ジェーン・オースティンを使った翻訳と感情分析 | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | | 19 | ヨーロッパのロマンチックなホテル ♥️ | [Natural language processing](6-NLP/README.md) | ホテルレビューを使った感情分析 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | | 20 | ヨーロッパのロマンチックなホテル ♥️ | [Natural language processing](6-NLP/README.md) | ホテルレビューを使った感情分析 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | | 21 | 時系列予測の紹介 | [Time series](7-TimeSeries/README.md) | 時系列予測の紹介 | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | | 22 | ⚡️ 世界の電力使用 ⚡️ - ARIMAによる時系列予測 | [Time series](7-TimeSeries/README.md) | ARIMAによる時系列予測 | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | | 23 | ⚡️ 世界の電力使用 ⚡️ - SVRによる時系列予測 | [Time series](7-TimeSeries/README.md) | サポートベクター回帰による時系列予測 | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | | 24 | 強化学習の紹介 | [Reinforcement learning](8-Reinforcement/README.md) | Q-Learningを使った強化学習の紹介 | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | | 25 | ピーターをオオカミから守ろう！ 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | 強化学習Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | | Postscript | 実世界の機械学習シナリオと応用 | [ML in the Wild](9-Real-World/README.md) | 古典的な機械学習の興味深く、示唆に富む実世界の応用 | [Lesson](9-Real-World/1-Applications/README.md) | Team | | Postscript | RAIダッシュボードを使ったMLモデルのデバッグ | [ML in the Wild](9-Real-World/README.md) | 責任あるAIダッシュボードコンポーネントを使用した機械学習モデルのデバッグ | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |

          このコースの追加リソースはMicrosoft Learnコレクションで見つけることができます

          オフラインアクセス

          このドキュメントをオフラインで実行するには、Docsifyを使用します。このリポジトリをフォークし、Docsifyをインストールしてローカルマシンにセットアップしてください。その後、このリポジトリのルートフォルダでdocsify serveと入力します。ウェブサイトはローカルホストのポート3000で提供されます: localhost:3000.

          PDF

          リンク付きのカリキュラムPDFはこちらで見つけることができます。

          🎒 その他のコース

          私たちのチームは他にもコースを提供しています！以下をチェックしてください:

          • Generative AI for Beginners
          • Generative AI for Beginners .NET
          • Generative AI with JavaScript
          • Generative AI with Java
          • AI for Beginners
          • Data Science for Beginners
          • ML for Beginners
          • Cybersecurity for Beginners
          • Web Dev for Beginners
          • IoT for Beginners
          • XR Development for Beginners
          • Mastering GitHub Copilot for Paired Programming
          • Mastering GitHub Copilot for C#/.NET Developers
          • Choose Your Own Copilot Adventure

          ---

          免責事項:
          この文書は、AI翻訳サービス Co-op Translator を使用して翻訳されています。正確性を追求しておりますが、自動翻訳には誤りや不正確な部分が含まれる可能性があることをご承知ください。元の言語で記載された文書が正式な情報源とみなされるべきです。重要な情報については、専門の人間による翻訳を推奨します。この翻訳の使用に起因する誤解や誤解釈について、当方は一切の責任を負いません。