40 KiB

Raw Blame History Unescape Escape

🌐 Υποστήριξη Πολλών Γλωσσών

Υποστηρίζεται μέσω GitHub Action (Αυτοματοποιημένο & Πάντα Ενημερωμένο)

Ελάτε στην Κοινότητά μας

Διοργανώνουμε μια σειρά Discord "Μάθε με AI" σε εξέλιξη — μάθετε περισσότερα και εγγραφείτε στη σειρά στο Learn with AI Series από 18 - 30 Σεπτεμβρίου 2025. Θα λάβετε συμβουλές και κόλπα για τη χρήση του GitHub Copilot για Data Science.

Μηχανική Μάθηση για Αρχάριους - Ένα Πρόγραμμα Σπουδών

🌍 Ταξιδέψτε σε όλο τον κόσμο καθώς εξερευνούμε τη Μηχανική Μάθηση μέσω των πολιτισμών του κόσμου 🌍

Οι Cloud Advocates της Microsoft με χαρά προσφέρουν ένα 12-εβδομάδων, 26-μαθημάτων πρόγραμμα σπουδών που αφορά τη Μηχανική Μάθηση. Σε αυτό το πρόγραμμα, θα μάθετε για ό,τι μερικές φορές ονομάζεται κλασική μηχανική μάθηση, χρησιμοποιώντας κυρίως τη βιβλιοθήκη Scikit-learn και αποφεύγοντας το deep learning, το οποίο καλύπτεται στο AI for Beginners' curriculum. Συνδυάστε αυτά τα μαθήματα με το 'Data Science for Beginners' curriculum, επίσης!

Ταξιδέψτε μαζί μας σε όλο τον κόσμο καθώς εφαρμόζουμε αυτές τις κλασικές τεχνικές σε δεδομένα από πολλές περιοχές του κόσμου. Κάθε μάθημα περιλαμβάνει κουίζ πριν και μετά το μάθημα, γραπτές οδηγίες για την ολοκλήρωση του μαθήματος, μια λύση, μια εργασία και άλλα. Η παιδαγωγική μας που βασίζεται σε έργα σας επιτρέπει να μαθαίνετε ενώ κατασκευάζετε, ένας αποδεδειγμένος τρόπος για να "παγιωθούν" νέες δεξιότητες.

✍️ Θερμές ευχαριστίες στους συγγραφείς μας Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd

🎨 Ευχαριστίες επίσης στους εικονογράφους μας Tomomi Imura, Dasani Madipalli, and Jen Looper

🙏 Ειδικές ευχαριστίες 🙏 στους Microsoft Student Ambassador συγγραφείς, κριτές και συνεισφέροντες περιεχομένου, ιδιαίτερα Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, και Snigdha Agarwal

🤩 Επιπλέον ευγνωμοσύνη στους Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, και Vidushi Gupta για τα μαθήματα R μας!

Ξεκινώντας

Ακολουθήστε αυτά τα βήματα:

Fork το Αποθετήριο: Κάντε κλικ στο κουμπί "Fork" πάνω δεξιά σε αυτή τη σελίδα.
Clone το Αποθετήριο: git clone https://github.com/microsoft/ML-For-Beginners.git

βρείτε όλους τους πρόσθετους πόρους για αυτό το μάθημα στη συλλογή Microsoft Learn

🔧 Χρειάζεστε βοήθεια; Δείτε τον Οδηγό Αντιμετώπισης Προβλημάτων για λύσεις σε κοινά προβλήματα εγκατάστασης, ρύθμισης και εκτέλεσης μαθημάτων.

Φοιτητές, για να χρησιμοποιήσετε αυτό το πρόγραμμα σπουδών, κάντε fork ολόκληρου του repo στον δικό σας λογαριασμό GitHub και ολοκληρώστε τις ασκήσεις μόνοι σας ή με μια ομάδα:

Ξεκινήστε με ένα προ-διάλεξης κουίζ.
Διαβάστε τη διάλεξη και ολοκληρώστε τις δραστηριότητες, σταματώντας και αναλογιζόμενοι σε κάθε έλεγχο γνώσης.
Προσπαθήστε να δημιουργήσετε τα έργα κατανοώντας τα μαθήματα αντί να εκτελείτε απλώς τον κώδικα της λύσης· ωστόσο, αυτός ο κώδικας είναι διαθέσιμος στους φακέλους /solution σε κάθε μάθημα προσανατολισμένο σε έργο.
Δώστε το μετα-διάλεξης κουίζ.
Ολοκληρώστε την πρόκληση.
Ολοκληρώστε την εργασία.
Αφού ολοκληρώσετε μια ομάδα μαθημάτων, επισκεφθείτε το Discussion Board και "μάθετε φωναχτά" συμπληρώνοντας το κατάλληλο PAT rubric. Ένα 'PAT' είναι ένα Εργαλείο Αξιολόγησης Προόδου (Progress Assessment Tool) που είναι ένα rubric που συμπληρώνετε για να ενισχύσετε τη μάθησή σας. Μπορείτε επίσης να αντιδράσετε σε άλλα PAT ώστε να μάθουμε μαζί.

Για περαιτέρω μελέτη, προτείνουμε να ακολουθήσετε αυτά τα Microsoft Learn μαθήματα και διαδρομές μάθησης.

Καθηγητές, έχουμε συμπεριλάβει μερικές προτάσεις σχετικά με το πώς να χρησιμοποιήσετε αυτό το πρόγραμμα σπουδών.

Περιηγήσεις βίντεο

Μερικά από τα μαθήματα είναι διαθέσιμα ως βίντεο σύντομης μορφής. Μπορείτε να βρείτε όλα αυτά ενσωματωμένα στα μαθήματα, ή στη playlist ML for Beginners στο κανάλι Microsoft Developer στο YouTube κάνοντας κλικ στην εικόνα παρακάτω.

Γνωρίστε την Ομάδα

Gif από Mohit Jaisal

🎥 Κάντε κλικ στην εικόνα παραπάνω για ένα βίντεο σχετικά με το έργο και τους ανθρώπους που το δημιούργησαν!

Παιδαγωγική

Επιλέξαμε δύο παιδαγωγικές αρχές κατά την κατασκευή αυτού του προγράμματος: να είναι πρακτικό και βασισμένο σε έργα (project-based) και να περιλαμβάνει συχνά κουίζ. Επιπλέον, αυτό το πρόγραμμα έχει ένα κοινό θέμα για να του δώσει συνοχή.

Διασφαλίζοντας ότι το περιεχόμενο στοχεύει σε έργα, η διαδικασία γίνεται πιο ελκυστική για τους μαθητές και θα αυξηθεί η διατήρηση των εννοιών. Επιπλέον, ένα χαμηλού ρίσκου κουίζ πριν από μια τάξη θέτει την πρόθεση του μαθητή προς την εκμάθηση ενός θέματος, ενώ ένα δεύτερο κουίζ μετά την τάξη διασφαλίζει περαιτέρω διατήρηση. Αυτό το πρόγραμμα σχεδιάστηκε να είναι ευέλικτο και διασκεδαστικό και μπορεί να ολοκληρωθεί ολόκληρο ή μεμονωμένα τμήματα. Τα έργα ξεκινούν μικρά και γίνονται ολοένα και πιο σύνθετα μέχρι το τέλος του κύκλου των 12 εβδομάδων. Αυτό το πρόγραμμα περιλαμβάνει επίσης ένα επίμετρο για εφαρμογές πραγματικού κόσμου της ML, που μπορεί να χρησιμοποιηθεί ως επιπλέον εργασία ή ως βάση για συζήτηση.

Βρείτε τον Κώδικα Συμπεριφοράς, Οδηγίες Συμμετοχής, Μετάφρασης, και Αντιμετώπισης Προβλημάτων. Καλωσορίζουμε την εποικοδομητική σας ανατροφοδότηση!

Κάθε μάθημα περιλαμβάνει

προαιρετικό sketchnote
προαιρετικό συμπληρωματικό βίντεο
βίντεο-περιήγηση (σε μερικά μαθήματα μόνο)
προ-διάλεξης warmup κουίζ
γραπτό μάθημα
για μαθήματα που βασίζονται σε έργα, βήμα-βήμα οδηγίες για το πώς να χτίσετε το έργο
έλεγχοι γνώσης
μια πρόκληση
συμπληρωματική ανάγνωση
εργασία
μετα-διάλεξης κουίζ

Μια σημείωση σχετικά με τις γλώσσες: Τα μαθήματα αυτά είναι κυρίως γραμμένα σε Python, αλλά πολλά είναι επίσης διαθέσιμα σε R. Για να ολοκληρώσετε ένα μάθημα R, πηγαίνετε στον φάκελο /solution και αναζητήστε μαθήματα R. Περιλαμβάνουν μια επέκταση .rmd που αντιπροσωπεύει ένα R Markdown αρχείο το οποίο μπορεί να οριστεί απλά ως ενσωμάτωση code chunks (σε R ή άλλες γλώσσες) και ένα YAML header (που καθοδηγεί πώς να μορφοποιηθούν εξαγωγές όπως PDF) σε ένα Markdown document. Ως τέτοιο, χρησιμεύει ως ένα υποδειγματικό πλαίσιο συγγραφής για την επιστήμη δεδομένων καθώς σας επιτρέπει να συνδυάζετε τον κώδικά σας, την έξοδό του, και τις σκέψεις σας γράφοντάς τες σε Markdown. Επιπλέον, τα έγγραφα R Markdown μπορούν να αποδοθούν σε μορφές εξόδου όπως PDF, HTML, ή Word.

Μια σημείωση σχετικά με τα κουίζ: Όλα τα κουίζ περιέχονται στον φάκελο Quiz App, για συνολικά 52 κουίζ με τρεις ερωτήσεις το καθένα. Συνδέονται μέσα στα μαθήματα αλλά η εφαρμογή κουίζ μπορεί να τρέξει τοπικά· ακολουθήστε τις οδηγίες στον φάκελο quiz-app για τοπική φιλοξενία ή ανάπτυξη στο Azure.

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	Εισαγωγή στη μηχανική μάθηση	Εισαγωγή	Μάθετε τις βασικές έννοιες πίσω από τη μηχανική μάθηση	Μάθημα	Muhammad
02	Η ιστορία της μηχανικής μάθησης	Εισαγωγή	Μάθετε την ιστορική εξέλιξη αυτού του πεδίου	Μάθημα	Jen and Amy
03	Δικαιοσύνη και μηχανική μάθηση	Εισαγωγή	Ποια είναι τα σημαντικά φιλοσοφικά ζητήματα γύρω από τη δικαιοσύνη που θα πρέπει να λάβουν υπόψη τους οι μαθητές όταν κατασκευάζουν και εφαρμόζουν ML μοντέλα;	Μάθημα	Tomomi
04	Τεχνικές για τη μηχανική μάθηση	Εισαγωγή	Ποιες τεχνικές χρησιμοποιούν οι ερευνητές ML για να κατασκευάσουν μοντέλα ML;	Μάθημα	Chris and Jen
05	Εισαγωγή στην παλινδρόμηση	Παλινδρόμηση	Ξεκινήστε με Python και Scikit-learn για μοντέλα παλινδρόμησης	Python • R	Jen • Eric Wanjau
06	Τιμές κολοκύθας στη Βόρεια Αμερική 🎃	Παλινδρόμηση	Οπτικοποιήστε και καθαρίστε δεδομένα σε προετοιμασία για ML	Python • R	Jen • Eric Wanjau
07	Τιμές κολοκύθας στη Βόρεια Αμερική 🎃	Παλινδρόμηση	Κατασκευάστε γραμμικά και πολυωνυμικά μοντέλα παλινδρόμησης	Python • R	Jen και Dmitry • Eric Wanjau
08	Τιμές κολοκύθας στη Βόρεια Αμερική 🎃	Παλινδρόμηση	Κατασκευάστε ένα μοντέλο λογιστικής παλινδρόμησης	Python • R	Jen • Eric Wanjau
09	Μια εφαρμογή Web 🔌	Εφαρμογή Web	Δημιουργήστε μια εφαρμογή web για να χρησιμοποιήσετε το εκπαιδευμένο σας μοντέλο	Python	Jen
10	Εισαγωγή στην ταξινόμηση	Ταξινόμηση	Καθαρίστε, προετοιμάστε και οπτικοποιήστε τα δεδομένα σας; εισαγωγή στην ταξινόμηση	Python • R	Jen και Cassie • Eric Wanjau
11	Νόστιμες Ασιατικές και Ινδικές κουζίνες 🍜	Ταξινόμηση	Εισαγωγή στους ταξινομητές	Python • R	Jen και Cassie • Eric Wanjau
12	Νόστιμες Ασιατικές και Ινδικές κουζίνες 🍜	Ταξινόμηση	Περισσότεροι ταξινομητές	Python • R	Jen και Cassie • Eric Wanjau
13	Νόστιμες Ασιατικές και Ινδικές κουζίνες 🍜	Ταξινόμηση	Κατασκευάστε μια εφαρμογή web συστάσεων χρησιμοποιώντας το μοντέλο σας	Python	Jen
14	Εισαγωγή στην ομαδοποίηση	Ομαδοποίηση	Καθαρίστε, προετοιμάστε και οπτικοποιήστε τα δεδομένα σας; Εισαγωγή στην ομαδοποίηση	Python • R	Jen • Eric Wanjau
15	Εξερεύνηση μουσικών προτιμήσεων της Νιγηρίας 🎧	Ομαδοποίηση	Εξερευνήστε τη μέθοδο ομαδοποίησης K-Means	Python • R	Jen • Eric Wanjau
16	Εισαγωγή στην επεξεργασία φυσικής γλώσσας ☕️	Επεξεργασία φυσικής γλώσσας	Μάθετε τα βασικά για την Επεξεργασία Φυσικής Γλώσσας δημιουργώντας ένα απλό bot	Python	Stephen
17	Συνήθεις εργασίες NLP ☕️	Επεξεργασία φυσικής γλώσσας	Εμβαθύνετε τις γνώσεις σας στην NLP κατανοώντας κοινές εργασίες που απαιτούνται όταν χειρίζεστε δομές γλώσσας	Python	Stephen
18	Μετάφραση και ανάλυση συναισθήματος ♥️	Επεξεργασία φυσικής γλώσσας	Μετάφραση και ανάλυση συναισθήματος με κείμενα της Jane Austen	Python	Stephen
19	Ρομαντικά ξενοδοχεία της Ευρώπης ♥️	Επεξεργασία φυσικής γλώσσας	Ανάλυση συναισθήματος με κριτικές ξενοδοχείων 1	Python	Stephen
20	Ρομαντικά ξενοδοχεία της Ευρώπης ♥️	Επεξεργασία φυσικής γλώσσας	Ανάλυση συναισθήματος με κριτικές ξενοδοχείων 2	Python	Stephen
21	Εισαγωγή στην πρόβλεψη χρονοσειρών	Χρονοσειρές	Εισαγωγή στην πρόβλεψη χρονοσειρών	Python	Francesca
22	⚡️ Κατανάλωση ενέργειας παγκοσμίως ⚡️ - πρόβλεψη χρονοσειρών με ARIMA	Χρονοσειρές	Πρόβλεψη χρονοσειρών με ARIMA	Python	Francesca
23	⚡️ Κατανάλωση ενέργειας παγκοσμίως ⚡️ - πρόβλεψη χρονοσειρών με SVR	Χρονοσειρές	Πρόβλεψη χρονοσειρών με Support Vector Regressor	Python	Anirban
24	Εισαγωγή στην ενισχυτική μάθηση	Ενισχυτική μάθηση	Εισαγωγή στην ενισχυτική μάθηση με Q-Learning	Python	Dmitry
25	Βοηθήστε τον Peter να αποφύγει τον λύκο! 🐺	Ενισχυτική μάθηση	Ενισχυτική μάθηση με Gym	Python	Dmitry
Υστερόγραφο	Σενάρια ML στον πραγματικό κόσμο και εφαρμογές	ML στον πραγματικό κόσμο	Ενδιαφέρουσες και αποκαλυπτικές εφαρμογές κλασικής ML	Μάθημα	Ομάδα
Υστερόγραφο	Εντοπισμός σφαλμάτων μοντέλων σε ML χρησιμοποιώντας RAI dashboard	ML στον πραγματικό κόσμο	Εντοπισμός σφαλμάτων μοντέλων στη Μηχανική Μάθηση χρησιμοποιώντας συστατικά του Responsible AI dashboard	Μάθημα	Ruth Yakubu

βρείτε όλους τους επιπλέον πόρους για αυτό το μάθημα στη συλλογή μας στο Microsoft Learn

Πρόσβαση εκτός σύνδεσης

Μπορείτε να τρέξετε αυτήν την τεκμηρίωση εκτός σύνδεσης χρησιμοποιώντας Docsify. Κλωνοποιήστε (Fork) αυτό το αποθετήριο, εγκαταστήστε το Docsify στο τοπικό σας μηχάνημα, και στη συνέχεια στον ριζικό φάκελο αυτού του αποθετηρίου, πληκτρολογήστε docsify serve. Η ιστοσελίδα θα σερβίρεται στην πόρτα 3000 στο localhost σας: localhost:3000.

Αρχεία PDF

Βρείτε ένα pdf του προγράμματος σπουδών με συνδέσμους εδώ.

🎒 Άλλα Μαθήματα

Η ομάδα μας δημιουργεί και άλλα μαθήματα! Δείτε:

LangChain

Azure / Edge / MCP / Πράκτορες

Σειρά Generative AI

Βασικά Μαθήματα

Σειρά Copilot

Λήψη Βοήθειας

Εάν κολλήσετε ή έχετε οποιεσδήποτε ερωτήσεις σχετικά με τη δημιουργία εφαρμογών τεχνητής νοημοσύνης. Συμμετάσχετε μαζί με άλλους μαθητές και έμπειρους προγραμματιστές σε συζητήσεις σχετικά με το MCP. Είναι μια υποστηρικτική κοινότητα όπου οι ερωτήσεις είναι ευπρόσδεκτες και η γνώση μοιράζεται ελεύθερα.

Εάν έχετε σχόλια για το προϊόν ή σφάλματα κατά τη διάρκεια της δημιουργίας, επισκεφτείτε:

Αποποίηση ευθυνών: Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης με τεχνητή νοημοσύνη Co-op Translator. Παρά τις προσπάθειές μας για ακρίβεια, παρακαλούμε λάβετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν σφάλματα ή ανακρίβειες. Το πρωτότυπο έγγραφο στη γλώσσα του πρέπει να θεωρείται η αυθεντική/επίσημη πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε καμία ευθύνη για τυχόν παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.

40 KiB Raw Blame History Unescape Escape