33 KiB

Raw Blame History Unescape Escape

🌐 Többnyelvű támogatás

GitHub Action révén támogatott (Automatizált és mindig naprakész)

Inkábban szeretnéd helyben klónozni?

Ez a tároló több mint 50 nyelvi fordítást tartalmaz, ami jelentősen megnöveli a letöltési méretet. Fordítások nélküli klónozáshoz használd a sparse checkout-ot:

Bash / macOS / Linux:
git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
CMD (Windows):
git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
Ez mindent megad, amire szükséged van a tanfolyam teljesítéséhez, sokkal gyorsabb letöltéssel.

Csatlakozz a közösségünkhöz

Folyamatban van egy Discord AI tanulósorozatunk, tudj meg többet és csatlakozz hozzánk a Learn with AI Series eseményen 2025. szeptember 18-30. között. Tippeket és trükköket kapsz majd a GitHub Copilot használatához az Adattudományban.

Gépi tanulás kezdőknek – Tanterv

🌍 Utazz körbe a világon, miközben a gépi tanulást világkultúrákon keresztül fedezzük fel 🌍

A Microsoft Cloud Advocates örömmel kínál egy 12 hetes, 26 leckéből álló tantervet, amely a Gépi tanulásról szól. Ebben a tantervben megismerkedsz azzal, amit néha klasszikus gépi tanulásnak neveznek, főként a Scikit-learn könyvtár használatával, elkerülve a mély tanulást, amelyet a Kezdőknek szóló AI tantervünkben tárgyalunk. Ezeket a leckéket kombináld a 'Kezdőknek szóló adattudomány' tantervünkkel is!

Utazz velünk a világ körül, miközben ezeket a klasszikus technikákat világ sokféle adatán alkalmazzuk. Minden leckéhez elő- és utótesztek tartoznak, írott útmutató a lecke elvégzéséhez, megoldás, feladat és még sok más. A projektalapú pedagógiánk lehetővé teszi, hogy tanulás közben építs, ami bizonyított módszer az új készségek megtartására.

✍️ Szívből köszönjük szerzőinknek Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu és Amy Boyd

🎨 Köszönet illusztrátorainknak is Tomomi Imura, Dasani Madipalli és Jen Looper

🙏 Külön köszönet 🙏 Microsoft Student Ambassador szerzőinknek, lektorainknak és tartalomközreműködőinknek, különösen Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila és Snigdha Agarwal

🤩 Külön hála a Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi és Vidushi Gupta részére az R leckéinkért!

Első lépések

Kövesd ezeket a lépéseket:

Forkold a tárolót: Kattints a "Fork" gombra ennek az oldalnak a jobb felső sarkában.
Klónozd a tárolót: git clone https://github.com/microsoft/ML-For-Beginners.git

💡 Gyors kezdő tipp: Szeretnél böngészőben elkezdeni anélkül, hogy helyileg állítanád be a Pythont? Használd a GitHub Codespaces szolgáltatást, hogy felhőalapú fejlesztői környezetet hozz létre a forkodnak. Nyisd meg a zöld Code menüt, válaszd a Codespaces lehetőséget, és hozz létre egy codespace-et; a szükséges függőségeket telepítsd minden leckénél benne.

minden további forrást megtalálsz ehhez a tanfolyamhoz a Microsoft Learn gyűjteményünkben

🔧 Segítségre van szükséged? Nézd meg Hibaelhárító útmutatónkat, ahol megoldásokat találsz a telepítéssel, beállítással és leckék futtatásával kapcsolatos gyakori problémákra.

Diákoknak, a tanterv használatához forkold a teljes tárolót a saját GitHub fiókodba, és végezd el a feladatokat egyedül vagy csoportban:

Kezdd egy előadás előtti kvízzel.
Olvasd el az előadást, és végezd el a tevékenységeket, minden tudásellenőrzésnél megállva és gondolkodva.
Próbáld meg a projekteket a leckék megértése alapján elkészíteni, ne csak a megoldáskód futtatásával; a kód azonban elérhető a /solution mappákban minden projektalapú leckénél.
Tedd meg az előadás utáni kvízt.
Oldd meg a kihívást.
Végezd el a feladatot.
Miután elvégeztél egy leckecsoportot, látogass el a Vita fórumra, és "tanulj hangosan" azzal, hogy kitöltöd az erre szolgáló PAT elégtérképet. A PAT egy haladási értékelő eszköz, amelyet kitöltesz a tanulás előmozdításához. Más PAT-ekre is reagálhatsz, így együtt tanulhatunk.

További tanuláshoz ajánljuk, hogy kövesd ezeket a Microsoft Learn modulokat és tanulási útvonalakat.

Tanárként találsz néhány javaslatot a tanterv használatára.

Videós bemutatók

Néhány lecke rövid videó formájában is elérhető. Ezeket megtalálod közvetlenül a leckékben, vagy a ML for Beginners lejátszási listán a Microsoft Developer YouTube csatornán a képre kattintva.

Ismerd meg a csapatot

GIF készítője: Mohit Jaisal

🎥 Kattints a fenti képre a projektről és alkotóiról szóló videó megtekintéséhez!

Pedagógia

A tanterv összeállításakor két pedagógiai elvet választottunk: kézzelfogható, projektalapú tanulás és gyakori kvízek alkalmazása. Ezen kívül a tantervnek közös tematikája van, hogy egységes legyen.

Azáltal, hogy a tartalom összhangban van a projektekkel, a folyamat élvezetesebb a diákok számára, és a fogalmak jobban megmaradnak. Egy alacsony tétű kvíz az óra előtt beállítja a tanuló szándékát egy téma megtanulására, míg egy második kvíz az óra után további megtartást biztosít. Ez a tanterv rugalmas és szórakoztató, egészben vagy részben is elvégezhető. A projektek kicsiben kezdődnek és a 12 hetes ciklus végére egyre összetettebbek lesznek. A tanterv egy posztszkriptet is tartalmaz a ML valódi alkalmazásairól, amely extra pontként vagy vitaalapként használható.

Találd meg az Etikai Kódexünket, Hozzájárulási, Fordítási és Hibaelhárítási irányelveinket. Szívesen fogadjuk építő jellegű visszajelzésedet!

Minden lecke tartalmazza

opcionális vázlatjegyzetet
opcionális kiegészítő videót
videós bemutatót (csak néhány leckénél)
előadás előtti bemelegítő kvíz
írott leckét
projektalapú leckéknél lépésről lépésre útmutatókat a projekt elkészítéséhez
tudásellenőrzéseket
egy kihívást
kiegészítő olvasmányt
feladatot
előadás utáni kvíz

Megjegyzés a nyelvekről: Ezek a leckék elsősorban Pythonban íródtak, de sok elérhető R-ben is. Egy R lecke elvégzéséhez keresd meg a /solution mappában az R leckéket. Ezek .rmd kiterjesztésűek, ami egy R Markdown fájlt jelent, amit egyszerűen definiálhatunk úgy, hogy egy kódrészleteket (R vagy más nyelvek) és egy YAML fejlécet (amely útmutatást ad a kimenetek, pl. PDF formázásához) ágyaz be egy Markdown dokumentumba. Így ez példamutató szerkesztési keretrendszer az adattudományhoz, mert lehetővé teszi kód, kimenet és gondolatok egyidejű dokumentálását Markdownban. Ezen felül az R Markdown dokumentumok PDF, HTML vagy Word kimeneti formátumokra is fordíthatók.

Megjegyzés a kvízekről: Az összes kvíz megtalálható a Kvíz alkalmazás mappában, összesen 52 kvíz három kérdéssel. Ezek be vannak linkelve a leckékből, de a kvíz alkalmazás helyileg is futtatható; a quiz-app mappában található utasításokat kövesd helyi hosztoláshoz vagy Azure-ra telepítéshez.

Lecke száma	Téma	Lecke csoportosítása	Tanulási célok	Kapcsolódó lecke	Szerző
01	Bevezetés a gépi tanulásba	Bevezetés	Ismerd meg a gépi tanulás alapfogalmait	Tanóra	Muhammad
02	A gépi tanulás története	Bevezetés	Ismerd meg a terület történetét	Tanóra	Jen és Amy
03	Méltányosság és gépi tanulás	Bevezetés	Melyek a fontos filozófiai kérdések a méltányosság kapcsán, amelyeket a diákoknak figyelembe kell venniük ML modellek építése és alkalmazása során?	Tanóra	Tomomi
04	Gépi tanulási technikák	Bevezetés	Milyen technikákat használnak a gépi tanulás kutatói ML modellek építésére?	Tanóra	Chris és Jen
05	Bevezetés a regresszióhoz	Regresszió	Kezdd el a regressziós modelleket Python és Scikit-learn segítségével	Python • R	Jen • Eric Wanjau
06	Észak-amerikai tökárak 🎃	Regresszió	Ábrázold és tisztítsd meg az adatokat a gépi tanuláshoz	Python • R	Jen • Eric Wanjau
07	Észak-amerikai tökárak 🎃	Regresszió	Építs lineáris és polinom regressziós modelleket	Python • R	Jen és Dmitry • Eric Wanjau
08	Észak-amerikai tökárak 🎃	Regresszió	Építs logisztikus regressziós modellt	Python • R	Jen • Eric Wanjau
09	Egy webalkalmazás 🔌	Webalkalmazás	Építs egy webalkalmazást, amely használja a betanított modelled	Python	Jen
10	Bevezetés az osztályozásba	Osztályozás	Tisztítsd, készítsd elő és ábrázold az adataidat; bevezetés az osztályozásba	Python • R	Jen és Cassie • Eric Wanjau
11	Ízletes ázsiai és indiai konyhák 🍜	Osztályozás	Bevezetés az osztályozókba	Python • R	Jen és Cassie • Eric Wanjau
12	Ízletes ázsiai és indiai konyhák 🍜	Osztályozás	További osztályozók	Python • R	Jen és Cassie • Eric Wanjau
13	Ízletes ázsiai és indiai konyhák 🍜	Osztályozás	Építs egy ajánló webalkalmazást a modelled segítségével	Python	Jen
14	Bevezetés a klaszterezéshez	Klaszterezés	Tisztítsd, készítsd elő és ábrázold az adataidat; bevezetés a klaszterezésbe	Python • R	Jen • Eric Wanjau
15	Felfedező túra a nigériai zenei ízlések 🎧	Klaszterezés	Fedezd fel a K-közép klaszterezési módszert	Python • R	Jen • Eric Wanjau
16	Bevezetés a természetes nyelv feldolgozásba ☕️	Természetes nyelv feldolgozás	Ismerd meg az NLP alapjait egy egyszerű bot építésével	Python	Stephen
17	Gyakori NLP feladatok ☕️	Természetes nyelv feldolgozás	Mélyítsd el NLP ismereteidet a nyelvi struktúrákkal kapcsolatos gyakori feladatok megértésével	Python	Stephen
18	Fordítás és érzelem elemzés ♥️	Természetes nyelv feldolgozás	Fordítás és érzelem elemzés Jane Austen művei alapján	Python	Stephen
19	Romantikus európai hotelek ♥️	Természetes nyelv feldolgozás	Érzelem elemzés hotel értékelések alapján 1	Python	Stephen
20	Romantikus európai hotelek ♥️	Természetes nyelv feldolgozás	Érzelem elemzés hotel értékelések alapján 2	Python	Stephen
21	Bevezetés az idősor előrejelzésbe	Idősor	Bevezetés az idősor előrejelzésbe	Python	Francesca
22	⚡️ Világ energiafelhasználás ⚡️ - idősor előrejelzés ARIMA-val	Idősor	Idősor előrejelzés ARIMA modellel	Python	Francesca
23	⚡️ Világ energiafelhasználás ⚡️ - idősor előrejelzés SVR-rel	Idősor	Idősor előrejelzés Támogatott Vektoros Regresszorral	Python	Anirban
24	Bevezetés a megerősítéses tanulásba	Megerősítéses tanulás	Bevezetés a Q-learning alapú megerősítéses tanulásba	Python	Dmitry
25	Segíts Péternek elkerülni a farkast! 🐺	Megerősítéses tanulás	Gym könyvtár használata megerősítéses tanuláshoz	Python	Dmitry
Utószó	Valós világ ML helyzetek és alkalmazások	ML a gyakorlatban	Érdekes és tanulságos valós alkalmazások a klasszikus gépi tanulásban	Tanóra	Csapat
Utószó	Modellhibakeresés ML-ben az RAI irányítópult használatával	ML a gyakorlatban	Modellhibakeresés gépi tanulásban a Responsible AI irányítópult komponenseivel	Tanóra	Ruth Yakubu

keresd meg az összes további erőforrást ehhez a tanfolyamhoz a Microsoft Learn gyűjteményünkben

Offline hozzáférés

Ezt a dokumentációt offline is futtathatod a Docsify segítségével. Forkold ezt a repo-t, telepítsd a Docsify-t a helyi gépeden, majd a repo gyökérmappájában írd be, hogy docsify serve. A weboldal a 3000-es porton lesz elérhető a localhostodon: localhost:3000.

PDF-ek

Találd meg a tananyag PDF változatát linkekkel itt.

🎒 Más tanfolyamok

Csapatunk más tanfolyamokat is készít! Nézd meg:

LangChain

Azure / Edge / MCP / Ügynökök

Generatív AI sorozat

Alap tanulás

Copilot sorozat

Segítségkérés

Ha elakadsz vagy kérdéseid vannak a gépi tanulás tanulása vagy AI alkalmazások fejlesztése közben, ne aggódj — segítség elérhető.

Csatlakozhatsz a tanulók és fejlesztők közösségéhez, tehetsz fel kérdéseket, és megoszthatod ötleteidet a közösséggel.

Csatlakozz a közösséghez, hogy kérdéseket tehess fel és másokkal tanulj együtt
Beszélgess a gépi tanulás fogalmairól és projekt ötletekről
Szerezz útmutatást tapasztalt fejlesztőktől

Egy támogató közösség remek módja annak, hogy fejleszd képességeidet és gyorsabban oldd meg a problémákat.

Microsoft Foundry Discord Közösség

Ha hibákat, problémákat tapasztalsz, vagy javaslataid vannak a fejlesztéshez, létrehozhatsz egy Issue-t ebben a repóban, hogy bejelentsd a problémát.

Termék visszajelzéshez vagy a meglévő közösségi bejegyzések kereséséhez látogass el a Fejlesztői Fórumra:

További tanulási tippek

Nézd át a jegyzetfüzeteket minden tanóra után a jobb megértésért.
Gyakorold az algoritmusok önálló implementációját.
Fedezz fel valós adatbázisokat a megtanult fogalmak segítségével.

Jogi nyilatkozat: Ez a dokumentum az AI fordítási szolgáltatás, a Co-op Translator segítségével készült. Bár az pontosságra törekszünk, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az anyanyelvén tekintendő hiteles forrásnak. Fontos információk esetén professzionális emberi fordítást javasolunk. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely ebből a fordításból ered.

33 KiB Raw Blame History Unescape Escape