26 KiB
🌐 Wsparcie wielojęzyczne
Obsługiwane przez GitHub Action (Automatyczne i zawsze aktualne)
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)
Dołącz do społeczności
Uczenie maszynowe dla początkujących - Program nauczania
🌍 Podróżuj po świecie, odkrywając uczenie maszynowe przez pryzmat kultur świata 🌍
Cloud Advocates w Microsoft z dumą oferują 12-tygodniowy, 26-lekcyjny program nauczania dotyczący uczenia maszynowego. W tym programie nauczania poznasz to, co czasami nazywane jest klasycznym uczeniem maszynowym, korzystając głównie z biblioteki Scikit-learn i unikając uczenia głębokiego, które jest omówione w naszym programie nauczania AI dla początkujących. Połącz te lekcje z naszym programem nauczania Data Science dla początkujących!
Podróżuj z nami po świecie, stosując te klasyczne techniki do danych z różnych regionów świata. Każda lekcja zawiera quizy przed i po lekcji, pisemne instrukcje do wykonania lekcji, rozwiązanie, zadanie i wiele więcej. Nasze podejście oparte na projektach pozwala uczyć się poprzez tworzenie, co jest sprawdzonym sposobem na trwałe przyswojenie nowych umiejętności.
✍️ Wielkie podziękowania dla naszych autorów Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu i Amy Boyd
🎨 Podziękowania również dla naszych ilustratorów Tomomi Imura, Dasani Madipalli i Jen Looper
🙏 Szczególne podziękowania 🙏 dla naszych autorów, recenzentów i współtwórców treści z grona Microsoft Student Ambassador, w szczególności Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila i Snigdha Agarwal
🤩 Dodatkowe podziękowania dla Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi i Vidushi Gupta za lekcje R!
Rozpoczęcie
Postępuj zgodnie z tymi krokami:
- Forkuj repozytorium: Kliknij przycisk "Fork" w prawym górnym rogu tej strony.
- Sklonuj repozytorium:
git clone https://github.com/microsoft/ML-For-Beginners.git
Znajdź wszystkie dodatkowe zasoby dla tego kursu w naszej kolekcji Microsoft Learn
Studenci, aby korzystać z tego programu nauczania, zforkuj całe repozytorium na swoje konto GitHub i wykonaj ćwiczenia samodzielnie lub w grupie:
- Rozpocznij od quizu przed lekcją.
- Przeczytaj lekcję i wykonaj aktywności, zatrzymując się i reflektując przy każdym sprawdzeniu wiedzy.
- Spróbuj stworzyć projekty, rozumiejąc lekcje, zamiast uruchamiać kod rozwiązania; jednak ten kod jest dostępny w folderach
/solutionw każdej lekcji opartej na projekcie. - Zrób quiz po lekcji.
- Wykonaj wyzwanie.
- Wykonaj zadanie.
- Po ukończeniu grupy lekcji odwiedź Forum dyskusyjne i "ucz się na głos", wypełniając odpowiedni rubrykę PAT. 'PAT' to narzędzie oceny postępów, które jest rubryką, którą wypełniasz, aby pogłębić swoją naukę. Możesz również reagować na inne PAT, abyśmy mogli uczyć się razem.
Do dalszej nauki polecamy te moduły i ścieżki nauki Microsoft Learn.
Nauczyciele, dołączyliśmy kilka sugestii dotyczących korzystania z tego programu nauczania.
Przewodniki wideo
Niektóre lekcje są dostępne w formie krótkich filmów. Wszystkie można znaleźć w lekcjach lub na playliście ML dla początkujących na kanale YouTube Microsoft Developer, klikając obrazek poniżej.
Poznaj zespół
Gif autorstwa Mohit Jaisal
🎥 Kliknij obrazek powyżej, aby obejrzeć film o projekcie i osobach, które go stworzyły!
Pedagogika
Podczas tworzenia tego programu nauczania wybraliśmy dwa główne założenia pedagogiczne: zapewnienie, że jest on oparty na projektach oraz że zawiera częste quizy. Ponadto program nauczania ma wspólny motyw, który nadaje mu spójność.
Zapewniając, że treści są zgodne z projektami, proces staje się bardziej angażujący dla uczniów, a przyswajanie koncepcji zostaje wzmocnione. Dodatkowo quiz o niskim ryzyku przed zajęciami ustawia intencję ucznia na naukę danego tematu, a drugi quiz po zajęciach zapewnia dalsze przyswajanie wiedzy. Ten program nauczania został zaprojektowany tak, aby był elastyczny i przyjemny, i można go realizować w całości lub częściowo. Projekty zaczynają się od prostych i stają się coraz bardziej złożone pod koniec 12-tygodniowego cyklu. Program nauczania zawiera również postscriptum dotyczące rzeczywistych zastosowań ML, które można wykorzystać jako dodatkowe punkty lub jako podstawę do dyskusji.
Znajdź nasze Zasady postępowania, Wskazówki dotyczące współtworzenia i Wskazówki dotyczące tłumaczeń. Czekamy na Twoją konstruktywną opinię!
Każda lekcja zawiera
- opcjonalny sketchnote
- opcjonalny film uzupełniający
- przewodnik wideo (tylko niektóre lekcje)
- quiz rozgrzewkowy przed lekcją
- pisemną lekcję
- dla lekcji opartych na projektach, przewodniki krok po kroku, jak zbudować projekt
- sprawdzenie wiedzy
- wyzwanie
- dodatkowe materiały do czytania
- zadanie
- quiz po lekcji
Uwaga dotycząca języków: Lekcje są głównie pisane w Pythonie, ale wiele z nich jest również dostępnych w R. Aby ukończyć lekcję w R, przejdź do folderu
/solutioni poszukaj lekcji w R. Zawierają one rozszerzenie .rmd, które reprezentuje R Markdown, dokument łączącyfragmenty kodu(R lub innych języków) oraznagłówek YAML(który określa formatowanie wyników, takich jak PDF) wdokumencie Markdown. Dzięki temu jest to doskonałe narzędzie do tworzenia treści dla nauki danych, ponieważ pozwala na łączenie kodu, jego wyników i przemyśleń w jednym miejscu. Dokumenty R Markdown mogą być renderowane do formatów wyjściowych, takich jak PDF, HTML czy Word.
Uwaga dotycząca quizów: Wszystkie quizy znajdują się w folderze Quiz App, w sumie 52 quizy po trzy pytania każdy. Są one powiązane z lekcjami, ale aplikację quizową można uruchomić lokalnie; postępuj zgodnie z instrukcjami w folderze
quiz-app, aby hostować lokalnie lub wdrożyć na Azure.
| Numer lekcji | Temat | Grupa lekcji | Cele nauczania | Powiązana lekcja | Autor |
|---|---|---|---|---|---|
| 01 | Wprowadzenie do uczenia maszynowego | Wprowadzenie | Poznaj podstawowe pojęcia związane z uczeniem maszynowym | Lekcja | Muhammad |
| 02 | Historia uczenia maszynowego | Wprowadzenie | Poznaj historię stojącą za tą dziedziną | Lekcja | Jen i Amy |
| 03 | Sprawiedliwość w uczeniu maszynowym | Wprowadzenie | Jakie są ważne filozoficzne kwestie dotyczące sprawiedliwości, które uczniowie powinni rozważyć podczas budowania i stosowania modeli ML? | Lekcja | Tomomi |
| 04 | Techniki uczenia maszynowego | Wprowadzenie | Jakie techniki stosują badacze ML do budowy modeli uczenia maszynowego? | Lekcja | Chris i Jen |
| 05 | Wprowadzenie do regresji | Regresja | Rozpocznij pracę z Pythonem i Scikit-learn dla modeli regresji |
- [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 i 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 i Cassie
- Eric Wanjau
- [Python](4-Classification/2-Classifiers-1/README.md)
- [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) |
- Jen i Cassie
- Eric Wanjau
- [Python](4-Classification/3-Classifiers-2/README.md)
- [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) |
- Jen i Cassie
- Eric Wanjau
- [Python](5-Clustering/1-Visualize/README.md)
- [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) |
- Jen
- Eric Wanjau
- [Python](5-Clustering/2-K-Means/README.md)
- [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) |
- Jen
- Eric Wanjau
znajdź wszystkie dodatkowe zasoby do tego kursu w naszej kolekcji Microsoft Learn
Dostęp offline
Możesz uruchomić tę dokumentację offline, korzystając z Docsify. Sforkuj to repozytorium, zainstaluj Docsify na swoim lokalnym komputerze, a następnie w głównym folderze tego repozytorium wpisz
docsify serve. Strona internetowa zostanie uruchomiona na porcie 3000 na twoim localhost:localhost:3000.PDF-y
Znajdź plik PDF z programem nauczania i linkami tutaj.
🎒 Inne kursy
Nasz zespół tworzy inne kursy! Sprawdź:
- Generatywna AI dla początkujących
- Generatywna AI dla początkujących .NET
- Generatywna AI z JavaScriptem
- Generatywna AI z Javą
- AI dla początkujących
- Data Science dla początkujących
- ML dla początkujących
- Cyberbezpieczeństwo dla początkujących
- Web Dev dla początkujących
- IoT dla początkujących
- XR Development dla początkujących
- Opanowanie GitHub Copilot dla programowania w parach
- Opanowanie GitHub Copilot dla programistów C#/.NET
- Wybierz swoją własną przygodę z Copilotem
Zastrzeżenie:
Ten dokument został przetłumaczony za pomocą usługi tłumaczeniowej AI Co-op Translator. Chociaż dokładamy wszelkich starań, aby zapewnić dokładność, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego rodzimym języku powinien być uznawany za wiarygodne źródło. W przypadku informacji krytycznych zaleca się skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z korzystania z tego tłumaczenia.