25 KiB

Raw Blame History Unescape Escape

🌐 Podpora více jazyků

Podporováno prostřednictvím GitHub Action (automatizované a vždy aktuální)

Připojte se ke komunitě

Strojové učení pro začátečníky - kurikulum

🌍 Cestujte po světě, zatímco se učíte strojové učení prostřednictvím světových kultur 🌍

Cloud Advocates v Microsoftu s potěšením nabízejí 12týdenní kurikulum s 26 lekcemi zaměřenými na strojové učení. V tomto kurikulu se naučíte, co se někdy nazývá klasické strojové učení, především s využitím knihovny Scikit-learn a bez použití hlubokého učení, které je pokryto v našem kurikulu AI pro začátečníky. Spojte tyto lekce s naším kurikulem Data Science pro začátečníky!

Cestujte s námi po světě, zatímco aplikujeme tyto klasické techniky na data z různých částí světa. Každá lekce obsahuje kvízy před a po lekci, písemné pokyny k dokončení lekce, řešení, úkoly a další. Náš projektově orientovaný přístup vám umožní učit se při tvorbě, což je osvědčený způsob, jak si osvojit nové dovednosti.

✍️ Velké díky našim autorům Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu a Amy Boyd

🎨 Díky také našim ilustrátorům Tomomi Imura, Dasani Madipalli a Jen Looper

🙏 Speciální poděkování 🙏 našim autorům, recenzentům a přispěvatelům obsahu z řad Microsoft Student Ambassador, zejména Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila a Snigdha Agarwal

🤩 Extra poděkování Microsoft Student Ambassador Eric Wanjau, Jasleen Sondhi a Vidushi Gupta za naše lekce v R!

Začínáme

Postupujte podle těchto kroků:

Forkujte repozitář: Klikněte na tlačítko "Fork" v pravém horním rohu této stránky.
Klonujte repozitář: git clone https://github.com/microsoft/ML-For-Beginners.git

najděte všechny další zdroje pro tento kurz v naší kolekci Microsoft Learn

Studenti, chcete-li použít toto kurikulum, forkujte celý repozitář do svého GitHub účtu a dokončete cvičení sami nebo ve skupině:

Začněte kvízem před lekcí.
Přečtěte si lekci a dokončete aktivity, přičemž se zastavte a zamyslete při každé kontrolní otázce.
Pokuste se vytvořit projekty pochopením lekcí, místo abyste pouze spouštěli řešení; kód řešení je však dostupný ve složkách /solution v každé projektově orientované lekci.
Udělejte kvíz po lekci.
Dokončete výzvu.
Dokončete úkol.
Po dokončení skupiny lekcí navštivte Diskusní fórum a "učte se nahlas" vyplněním příslušného PAT rubriky. PAT je nástroj pro hodnocení pokroku, který vyplníte, abyste si prohloubili své učení. Můžete také reagovat na jiné PAT, abychom se učili společně.

Pro další studium doporučujeme sledovat tyto moduly a vzdělávací cesty Microsoft Learn.

Učitelé, zahrnuli jsme několik návrhů, jak toto kurikulum využít.

Video průvodce

Některé lekce jsou dostupné jako krátká videa. Všechna tato videa najdete přímo v lekcích nebo na playlistu ML pro začátečníky na YouTube kanálu Microsoft Developer kliknutím na obrázek níže.

Seznamte se s týmem

Gif vytvořil Mohit Jaisal

🎥 Klikněte na obrázek výše pro video o projektu a lidech, kteří ho vytvořili!

Pedagogika

Při tvorbě tohoto kurikula jsme zvolili dva pedagogické principy: zajistit, aby bylo praktické projektově orientované a aby obsahovalo časté kvízy. Navíc má toto kurikulum společné téma, které mu dodává soudržnost.

Zajištěním, že obsah odpovídá projektům, je proces pro studenty více poutavý a zlepšuje se uchování konceptů. Nízkostresový kvíz před hodinou nastaví záměr studenta na učení daného tématu, zatímco druhý kvíz po hodině zajišťuje další uchování. Toto kurikulum bylo navrženo tak, aby bylo flexibilní a zábavné, a lze ho absolvovat celé nebo jen jeho část. Projekty začínají malými úkoly a postupně se stávají složitějšími na konci 12týdenního cyklu. Kurikulum také obsahuje dodatek o reálných aplikacích ML, který může být použit jako extra kredit nebo jako základ pro diskusi.

Najděte náš Kodex chování, Pokyny pro přispívání a Pokyny pro překlady. Vaši konstruktivní zpětnou vazbu vítáme!

Každá lekce obsahuje

volitelný sketchnote
volitelné doplňkové video
video průvodce (pouze některé lekce)
kvíz před lekcí
písemnou lekci
u projektově orientovaných lekcí, podrobné průvodce, jak projekt vytvořit
kontrolní otázky
výzvu
doplňkové čtení
úkol
kvíz po lekci

Poznámka k jazykům: Tyto lekce jsou primárně psány v Pythonu, ale mnoho z nich je také dostupných v R. Chcete-li dokončit lekci v R, přejděte do složky /solution a vyhledejte lekce v R. Tyto lekce obsahují příponu .rmd, která představuje R Markdown soubor, což lze jednoduše definovat jako kombinaci code chunks (R nebo jiných jazyků) a YAML header (který určuje, jak formátovat výstupy, jako PDF) v Markdown dokumentu. Slouží jako příkladný autorizační rámec pro datovou vědu, protože umožňuje kombinovat váš kód, jeho výstup a vaše myšlenky tím, že je zapisujete v Markdown. Navíc lze R Markdown dokumenty převést na výstupní formáty, jako PDF, HTML nebo Word.

Poznámka ke kvízům: Všechny kvízy jsou obsaženy ve složce Quiz App, celkem 52 kvízů po třech otázkách. Jsou propojeny přímo z lekcí, ale aplikaci kvízů lze spustit lokálně; postupujte podle pokynů ve složce quiz-app pro lokální hostování nebo nasazení na Azure.

Číslo lekce	Téma	Skupina lekcí	Výukové cíle	Propojená lekce	Autor
01	Úvod do strojového učení	Úvod	Naučte se základní koncepty strojového učení	Lekce	Muhammad
02	Historie strojového učení	Úvod	Naučte se historii tohoto oboru	Lekce	Jen a Amy
03	Spravedlnost ve strojovém učení	Úvod	Jaké jsou důležité filozofické otázky kolem spravedlnosti, které by studenti měli zvážit při vytváření a aplikaci ML modelů?	Lekce	Tomomi
04	Techniky strojového učení	Introduction	Jaké techniky používají výzkumníci ML k vytváření modelů strojového učení?	Lesson	Chris a Jen
05	Úvod do regrese	Regression	Začněte s Pythonem a Scikit-learn pro regresní modely

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

Jen
Eric Wanjau

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

Jen
Eric Wanjau

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

Jen a Dmitry
Eric Wanjau

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

Jen
Eric Wanjau

[Python](4-Classification/1-Introduction/README.md)
[R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) |
- Jen a Cassie
- Eric Wanjau
| | 11 | Lahodná asijská a indická kuchyně 🍜 | [Classification](4-Classification/README.md) | Úvod do klasifikátorů |
- [Python](4-Classification/2-Classifiers-1/README.md)
- [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) |
  - Jen a Cassie
  - Eric Wanjau
  | | 12 | Lahodná asijská a indická kuchyně 🍜 | [Classification](4-Classification/README.md) | Další klasifikátory |
  - [Python](4-Classification/3-Classifiers-2/README.md)
  - [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) |
    - Jen a Cassie
    - Eric Wanjau
    | | 13 | Lahodná asijská a indická kuchyně 🍜 | [Classification](4-Classification/README.md) | Vytvoření webové aplikace doporučující na základě vašeho modelu | [Python](4-Classification/4-Applied/README.md) | Jen | | 14 | Úvod do shlukování | [Clustering](5-Clustering/README.md) | Čištění, příprava a vizualizace dat; úvod do shlukování |
    - [Python](5-Clustering/1-Visualize/README.md)
    - [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) |
      - Jen
      - Eric Wanjau
      | | 15 | Zkoumání hudebních chutí v Nigérii 🎧 | [Clustering](5-Clustering/README.md) | Zkoumání metody shlukování K-Means |
      - [Python](5-Clustering/2-K-Means/README.md)
      - [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) |
        Jen
        Eric Wanjau
        | | 16 | Úvod do zpracování přirozeného jazyka ☕️ | [Natural language processing](6-NLP/README.md) | Naučte se základy NLP vytvořením jednoduchého bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | | 17 | Běžné úkoly NLP ☕️ | [Natural language processing](6-NLP/README.md) | Prohloubení znalostí NLP pochopením běžných úkolů při práci s jazykovými strukturami | [Python](6-NLP/2-Tasks/README.md) | Stephen | | 18 | Překlad a analýza sentimentu ♥️ | [Natural language processing](6-NLP/README.md) | Překlad a analýza sentimentu s Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | | 19 | Romantické hotely v Evropě ♥️ | [Natural language processing](6-NLP/README.md) | Analýza sentimentu s recenzemi hotelů 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | | 20 | Romantické hotely v Evropě ♥️ | [Natural language processing](6-NLP/README.md) | Analýza sentimentu s recenzemi hotelů 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | | 21 | Úvod do předpovědi časových řad | [Time series](7-TimeSeries/README.md) | Úvod do předpovědi časových řad | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | | 22 | ⚡️ Světová spotřeba energie ⚡️ - předpověď časových řad s ARIMA | [Time series](7-TimeSeries/README.md) | Předpověď časových řad s ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | | 23 | ⚡️ Světová spotřeba energie ⚡️ - předpověď časových řad s SVR | [Time series](7-TimeSeries/README.md) | Předpověď časových řad s Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | | 24 | Úvod do posilovaného učení | [Reinforcement learning](8-Reinforcement/README.md) | Úvod do posilovaného učení s Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | | 25 | Pomozte Petrovi vyhnout se vlkovi! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Posilované učení Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | | Postscript | Scénáře a aplikace ML v reálném světě | [ML in the Wild](9-Real-World/README.md) | Zajímavé a odhalující aplikace klasického ML v reálném světě | [Lesson](9-Real-World/1-Applications/README.md) | Tým | | Postscript | Ladění modelů ML pomocí RAI dashboardu | [ML in the Wild](9-Real-World/README.md) | Ladění modelů strojového učení pomocí komponent Responsible AI dashboardu | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
        
        najděte všechny další zdroje pro tento kurz v naší kolekci Microsoft Learn
        
        Offline přístup
        
        Tuto dokumentaci můžete spustit offline pomocí Docsify. Forkněte tento repozitář, nainstalujte Docsify na svůj lokální počítač a poté v kořenové složce tohoto repozitáře zadejte docsify serve. Webová stránka bude spuštěna na portu 3000 na vašem localhostu: localhost:3000.
        
        PDF
        
        Najděte PDF kurikula s odkazy zde.
        
        🎒 Další kurzy
        
        Náš tým vytváří další kurzy! Podívejte se na:
        
        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
        
        Prohlášení:
        Tento dokument byl přeložen pomocí služby AI pro překlady Co-op Translator. Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.

25 KiB Raw Blame History Unescape Escape