ML-For-Beginners/translations/lt

🌐 Daugiakalbė parama

Palaikoma per GitHub Action (Automatizuota ir visada atnaujinta)

Prancūzų | Ispanų | Vokiečių | Rusų | Arabų | Persų (Farsi) | Urdu | Kinų (supaprastinta) | Kinų (tradicinė, Makao) | Kinų (tradicinė, Honkongas) | Kinų (tradicinė, Taivanas) | Japonų | Korėjiečių | Hindi | Bengalų | Marathi | Nepalų | Pandžabi (Gurmukhi) | Portugalų (Portugalija) | Portugalų (Brazilija) | Italų | Lenkų | Turkų | Graikų | Tajų | Švedų | Danų | Norvegų | Suomių | Olandų | Hebrajų | Vietnamiečių | Indoneziečių | Malajų | Tagalog (Filipiniečių) | Svahilių | Vengrų | Čekų | Slovakų | Rumunų | Bulgarų | Serbų (kirilica) | Kroatų | Slovėnų | Ukrainiečių | Birmos (Mianmaras)

Prisijunkite prie bendruomenės

Mašininis mokymasis pradedantiesiems - mokymo programa

🌍 Keliaukite po pasaulį, tyrinėdami mašininį mokymąsi per pasaulio kultūras 🌍

Microsoft Cloud Advocates džiaugiasi galėdami pasiūlyti 12 savaičių, 26 pamokų mokymo programą apie mašininį mokymąsi. Šioje mokymo programoje sužinosite apie tai, kas kartais vadinama klasikiniu mašininiu mokymusi, daugiausia naudojant Scikit-learn biblioteką ir vengiant giluminio mokymosi, kuris aptariamas mūsų AI pradedantiesiems mokymo programoje. Taip pat derinkite šias pamokas su mūsų 'Duomenų mokslas pradedantiesiems' mokymo programa!

Keliaukite su mumis po pasaulį, taikydami šiuos klasikinius metodus duomenims iš įvairių pasaulio regionų. Kiekviena pamoka apima prieš pamoką ir po pamokos pateikiamus testus, rašytines instrukcijas pamokai atlikti, sprendimą, užduotį ir dar daugiau. Mūsų projektinis mokymo metodas leidžia mokytis kuriant, o tai yra įrodyta, kad nauji įgūdžiai geriau įsimenami.

✍️ Nuoširdus ačiū 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

🙏 Ypatinga padėka 🙏 mūsų Microsoft Student Ambassador autoriams, recenzentams ir turinio kūrėjams, ypač Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ir Snigdha Agarwal

🤩 Papildoma padėka Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi ir Vidushi Gupta už mūsų R pamokas!

Pradžia

Sekite šiuos žingsnius:

1. Fork repo: Spustelėkite "Fork" mygtuką viršutiniame dešiniajame šios puslapio kampe.
2. Klonuokite repo: git clone https://github.com/microsoft/ML-For-Beginners.git

raskite visus papildomus šios mokymo programos išteklius mūsų Microsoft Learn kolekcijoje

Studentai, norėdami naudoti šią mokymo programą, fork visą repo į savo GitHub paskyrą ir atlikite užduotis savarankiškai arba grupėje:

• Pradėkite nuo prieš pamoką pateikiamo testo.
• Perskaitykite pamoką ir atlikite veiklas, sustodami ir apmąstydami kiekvieną žinių patikrinimą.
• Stenkitės kurti projektus suprasdami pamokas, o ne tiesiog paleisdami sprendimo kodą; tačiau tas kodas yra prieinamas /solution aplankuose kiekvienoje projektinėje pamokoje.
• Atlikite po pamokos pateikiamą testą.
• Atlikite iššūkį.
• Atlikite užduotį.
• Baigę pamokų grupę, apsilankykite Diskusijų lentoje ir "mokykitės garsiai", užpildydami atitinkamą PAT rubriką. PAT yra pažangos vertinimo įrankis, kurį užpildote, kad dar labiau sustiprintumėte savo mokymąsi. Taip pat galite reaguoti į kitų PAT, kad mokytumėmės kartu.

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

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

---

Vaizdo įrašų apžvalgos

Kai kurios pamokos yra prieinamos kaip trumpi vaizdo įrašai. Visus juos galite rasti pamokose arba ML pradedantiesiems grojaraštyje Microsoft Developer YouTube kanale, spustelėdami žemiau esančią nuotrauką.

---

Susipažinkite su komanda

Gif sukūrė Mohit Jaisal

🎥 Spustelėkite aukščiau esančią nuotrauką, kad pamatytumėte vaizdo įrašą apie projektą ir žmones, kurie jį sukūrė!

---

Pedagogika

Kuriant šią mokymo programą, mes pasirinkome du pedagoginius principus: užtikrinti, kad ji būtų praktiška projektinė ir kad joje būtų dažni testai. Be to, ši mokymo programa turi bendrą temą, suteikiančią jai nuoseklumo.

Užtikrinant, kad turinys atitiktų projektus, procesas tampa labiau įtraukiantis studentams, o koncepcijų išlaikymas sustiprėja. Be to, mažos rizikos testas prieš pamoką nustato studento ketinimą mokytis temos, o antras testas po pamokos užtikrina dar didesnį išlaikymą. Ši mokymo programa buvo sukurta taip, kad būtų lanksti ir įdomi, ją galima naudoti visą arba dalimis. Projektai prasideda nuo mažų ir tampa vis sudėtingesni iki 12 savaičių ciklo pabaigos. Ši mokymo programa taip pat apima priedą apie realaus pasaulio ML taikymus, kuris gali būti naudojamas kaip papildomas kreditas arba diskusijų pagrindas.

Raskite mūsų Elgesio kodeksą, Prisidėjimo ir Vertimo gaires. Laukiame jūsų konstruktyvios grįžtamosios informacijos!

Kiekviena pamoka apima

• pasirenkamą eskizą
• pasirenkamą papildomą vaizdo įrašą
• vaizdo įrašo apžvalgą (kai kurios pamokos)
• prieš pamoką pateikiamą testą
• rašytinę pamoką
• projektinėms pamokoms, žingsnis po žingsnio vadovus, kaip sukurti projektą
• žinių patikrinimus
• iššūkį
• papildomą skaitymą
• užduotį
• po pamokos pateikiamą testą

Pastaba apie kalbas: Šios pamokos daugiausia parašytos Python kalba, tačiau daugelis jų taip pat yra prieinamos R kalba. Norėdami atlikti R pamoką, eikite į /solution aplanką ir ieškokite R pamokų. Jos apima .rmd plėtinį, kuris reiškia R Markdown failą, kurį galima paprastai apibrėžti kaip kodo fragmentų (R arba kitų kalbų) ir YAML antraštės (nurodančios, kaip formatuoti išvestis, pvz., PDF) įterpimą į Markdown dokumentą. Taigi, tai yra puikus autorystės pagrindas duomenų mokslui, nes leidžia sujungti jūsų kodą, jo išvestį ir jūsų mintis, leidžiant jas užrašyti Markdown formatu. Be to, R Markdown dokumentai gali būti pateikti tokiuose išvesties formatuose kaip PDF, HTML arba Word.

Pastaba apie testus: Visi testai yra Testų programėlės aplanke, iš viso 52 testai po tris klausimus kiekviename. Jie yra susieti iš pamokų, tačiau testų programėlę galima paleisti vietoje; sekite instrukcijas quiz-app aplanke, kad paleistumėte vietoje arba įdiegtumėte Azure.

Pamokos numeris	Tema	Pamokų grupavimas	Mokymosi tikslai	Susieta pamoka	Autorius
01	Įvadas į mašininį mokymąsi	Įvadas	Sužinokite pagrindines mašininio mokymosi koncepcijas	Pamoka	Muhammad
02	Mašininio mokymosi istorija	Įvadas	Sužinokite šios srities istoriją	Pamoka	Jen ir Amy
03	Teisingumas ir mašininis mokymasis	Įvadas	Kokie svarbūs filosofiniai klausimai apie teisingumą, kuriuos studentai turėtų apsvarstyti kurdami ir taikydami ML modelius?	Pamoka	Tomomi
04	Mašininio mokymosi technikos	Įvadas	Kokias technikas ML tyrėjai naudoja kurdami ML modelius?	Pamoka	Chris ir Jen
05	Įvadas į regresiją	Regression	Pradėkite naudotis Python ir Scikit-learn regresijos modeliams kurti

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

|

• Jen
• Eric Wanjau

| | 06 | Šiaurės Amerikos moliūgų kainos 🎃 | [Regression](2-Regression/README.md) | Vizualizuokite ir išvalykite duomenis, ruošdami juos mašininio mokymosi modeliams |

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

|

• Jen
• Eric Wanjau

| | 07 | Šiaurės Amerikos moliūgų kainos 🎃 | [Regression](2-Regression/README.md) | Kurkite linijinius ir polinominius regresijos modelius |

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

|

• Jen ir Dmitry
• Eric Wanjau

| | 08 | Šiaurės Amerikos moliūgų kainos 🎃 | [Regression](2-Regression/README.md) | Kurkite logistinės regresijos modelį |

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

|

• Jen
• Eric Wanjau

| | 09 | Internetinė programa 🔌 | [Web App](3-Web-App/README.md) | Sukurkite internetinę programą, kuri naudoja jūsų išmokytą modelį | [Python](3-Web-App/1-Web-App/README.md) | Jen | | 10 | Įvadas į klasifikaciją | [Classification](4-Classification/README.md) | Išvalykite, paruoškite ir vizualizuokite savo duomenis; įvadas į klasifikaciją |

• [Python](4-Classification/1-Introduction/README.md)
• [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) |
  • Jen ir Cassie
  • Eric Wanjau
  | | 11 | Skani Azijos ir Indijos virtuvė 🍜 | [Classification](4-Classification/README.md) | Įvadas į klasifikatorius |
  • [Python](4-Classification/2-Classifiers-1/README.md)
  • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) |
    • Jen ir Cassie
    • Eric Wanjau
    | | 12 | Skani Azijos ir Indijos virtuvė 🍜 | [Classification](4-Classification/README.md) | Daugiau klasifikatorių |
    • [Python](4-Classification/3-Classifiers-2/README.md)
    • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) |
      • Jen ir Cassie
      • Eric Wanjau
      | | 13 | Skani Azijos ir Indijos virtuvė 🍜 | [Classification](4-Classification/README.md) | Sukurkite rekomendacijų internetinę programą, naudodami savo modelį | [Python](4-Classification/4-Applied/README.md) | Jen | | 14 | Įvadas į klasterizaciją | [Clustering](5-Clustering/README.md) | Išvalykite, paruoškite ir vizualizuokite savo duomenis; įvadas į klasterizaciją |
      • [Python](5-Clustering/1-Visualize/README.md)
      • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) |
        • Jen
        • Eric Wanjau
        | | 15 | Nigerijos muzikos skonių tyrinėjimas 🎧 | [Clustering](5-Clustering/README.md) | Tyrinėkite K-Means klasterizacijos metodą |
        • [Python](5-Clustering/2-K-Means/README.md)
        • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) |
          • Jen
          • Eric Wanjau
          | | 16 | Įvadas į natūralios kalbos apdorojimą ☕️ | [Natural language processing](6-NLP/README.md) | Sužinokite NLP pagrindus, sukurdami paprastą botą | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | | 17 | Dažnos NLP užduotys ☕️ | [Natural language processing](6-NLP/README.md) | Gilinkite NLP žinias, suprasdami dažniausias užduotis, susijusias su kalbos struktūromis | [Python](6-NLP/2-Tasks/README.md) | Stephen | | 18 | Vertimas ir nuotaikų analizė ♥️ | [Natural language processing](6-NLP/README.md) | Vertimas ir nuotaikų analizė su Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | | 19 | Romantiški Europos viešbučiai ♥️ | [Natural language processing](6-NLP/README.md) | Nuotaikų analizė naudojant viešbučių atsiliepimus 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | | 20 | Romantiški Europos viešbučiai ♥️ | [Natural language processing](6-NLP/README.md) | Nuotaikų analizė naudojant viešbučių atsiliepimus 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | | 21 | Įvadas į laiko eilučių prognozavimą | [Time series](7-TimeSeries/README.md) | Įvadas į laiko eilučių prognozavimą | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | | 22 | ⚡️ Pasaulio energijos naudojimas ⚡️ - laiko eilučių prognozavimas su ARIMA | [Time series](7-TimeSeries/README.md) | Laiko eilučių prognozavimas naudojant ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | | 23 | ⚡️ Pasaulio energijos naudojimas ⚡️ - laiko eilučių prognozavimas su SVR | [Time series](7-TimeSeries/README.md) | Laiko eilučių prognozavimas naudojant atraminių vektorių regresorių | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | | 24 | Įvadas į pastiprinamąjį mokymą | [Reinforcement learning](8-Reinforcement/README.md) | Įvadas į pastiprinamąjį mokymą su Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | | 25 | Padėkite Peteriui išvengti vilko! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Pastiprinamasis mokymasis naudojant Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | | Postscript | Tikrojo pasaulio ML scenarijai ir taikymai | [ML in the Wild](9-Real-World/README.md) | Įdomūs ir atskleidžiantys tikrojo pasaulio klasikinio mašininio mokymosi taikymai | [Lesson](9-Real-World/1-Applications/README.md) | Team | | Postscript | Modelių derinimas ML naudojant RAI prietaisų skydelį | [ML in the Wild](9-Real-World/README.md) | Modelių derinimas mašininio mokymosi srityje naudojant atsakingo AI prietaisų skydelio komponentus | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |

          rasite visus papildomus šio kurso išteklius mūsų Microsoft Learn kolekcijoje

          Prieiga neprisijungus

          Galite naudotis šia dokumentacija neprisijungę, naudodami Docsify. Fork'inkite šį repozitoriją, įdiekite Docsify savo kompiuteryje ir pagrindiniame šio repozitorijos kataloge įveskite docsify serve. Svetainė bus pasiekiama per 3000 prievadą jūsų localhost: localhost:3000.

          PDF failai

          Raskite mokymo programos PDF su nuorodomis čia.

          🎒 Kiti kursai

          Mūsų komanda kuria ir kitus kursus! Peržiūrėkite:

          • Generatyvus AI pradedantiesiems
          • Generatyvus AI pradedantiesiems .NET
          • Generatyvus AI su JavaScript
          • Generatyvus AI su Java
          • AI pradedantiesiems
          • Duomenų mokslas pradedantiesiems
          • ML pradedantiesiems
          • Kibernetinis saugumas pradedantiesiems
          • Tinklalapių kūrimas pradedantiesiems
          • IoT pradedantiesiems
          • XR kūrimas pradedantiesiems
          • GitHub Copilot įvaldymas poriniam programavimui
          • GitHub Copilot įvaldymas C#/.NET programuotojams
          • Pasirinkite savo Copilot nuotykį

          ---

          Atsakomybės apribojimas:
          Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą Co-op Translator. Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Dėl svarbios informacijos rekomenduojama profesionali žmogaus vertimo paslauga. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius naudojant šį vertimą.