42 KiB

Raw Blame History Unescape Escape

🌐 Поддержка нескольких языков

Поддержка через GitHub Action (автоматически и всегда актуально)

Предпочитаете клонировать локально?

В этом репозитории есть более 50 переводов, что существенно увеличивает размер загрузки. Чтобы клонировать без переводов, используйте sparse checkout:

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"
Это даст вам всё необходимое для прохождения курса с намного более быстрой загрузкой.

Присоединяйтесь к нашему сообществу

У нас идет серия «Учись с ИИ» на Discord, узнавайте больше и присоединяйтесь к нам на серии Learn with AI с 18 по 30 сентября 2025 года. Вы получите советы и трюки по использованию GitHub Copilot для Data Science.

Машинное обучение для начинающих — учебная программа

🌍 Путешествуйте по миру, пока мы исследуем машинное обучение через культуры разных стран 🌍

Команда Cloud Advocates в Microsoft рада представить 12-недельную программу из 26 уроков, целиком посвящённую машинному обучению. В этой программе вы изучите то, что иногда называют классическим машинным обучением, используя преимущественно библиотеку Scikit-learn и избегая глубокого обучения, которое рассматривается в нашей программе AI для начинающих. Совмещайте эти уроки с нашей программой 'Data Science для начинающих'!

Путешествуйте вместе с нами по всему миру, применяя классические методы на данных из разных регионов. Каждый урок включает тесты до и после занятия, письменные инструкции по выполнению, решения, задания и многое другое. Наша проектная педагогика позволяет учиться, создавая проекты, что является проверенным способом усвоения новых навыков.

✍️ Сердечная благодарность нашим авторам Джен Лупер, Стивен Хауэлл, Франческа Лаццери, Томоми Имура, Кэсси Бревиу, Дмитрий Сошников, Крис Норинг, Анирбан Мукерджи, Орнелла Алтуньян, Рут Якубу и Эми Бойд

🎨 Благодарности также нашим иллюстраторам Томоми Имура, Дасани Мадипалли и Джен Лупер

🙏 Особая благодарность 🙏 нашим студентам-амбассадорам Microsoft — авторам, рецензентам и контент-участникам, в частности Ришиту Дагли, Мухаммаду Сакибу Хану Инану, Рохану Раджу, Александру Петреску, Абхишеку Джайсвалу, Наврин Табассум, Иоану Самуиле и Снидхе Агарвал

🤩 Особая благодарность студентам-амбассадорам Microsoft Эрику Ванджау, Джаслин Сондхи и Видуши Гупте за наши уроки R!

Начало работы

Следуйте этим шагам:

Ответвите репозиторий: Нажмите кнопку «Fork» в верхнем правом углу этой страницы.
Клонируйте репозиторий: git clone https://github.com/microsoft/ML-For-Beginners.git

💡 Совет для быстрого старта: Хотите начать в браузере, не устанавливая Python локально? Используйте GitHub Codespaces для создания облачной среды разработки для вашего форка. Откройте зелёное меню Code, выберите Codespaces и создайте codespace; при необходимости установите в нём зависимости каждого урока.

найдите все дополнительные ресурсы для этого курса в нашей коллекции Microsoft Learn

🔧 Нужна помощь? Ознакомьтесь с нашим руководством по устранению неполадок для решения типичных проблем с установкой, настройкой и запуском уроков.

Студенты, чтобы использовать эту программу, сделайте fork всего репозитория на свой GitHub и выполняйте упражнения самостоятельно или в группе:

Начните с опроса перед лекцией.
Изучите лекцию и выполните задания, делая паузы и обдумывая каждый проверочный вопрос.
Пытайтесь создавать проекты, понимая уроки, а не просто запуская готовый код; однако решения есть в папках /solution каждого проектного урока.
Пройдите опрос после лекции.
Выполните вызов.
Выполните задание.
После завершения группы уроков посетите Дискуссионную доску и «обсуждайте вслух», заполняя соответствующую оценочную форму PAT. PAT — это инструмент оценки прогресса, форму которого вы заполняете для углубления обучения. Вы также можете реагировать на другие PAT, чтобы учиться вместе.

Для дальнейшего изучения мы рекомендуем следовать этим модулям и учебным путям Microsoft Learn.

Учителя, мы включили некоторые рекомендации по использованию этой программы.

Видео-инструкции

Некоторые уроки доступны в виде коротких видео. Вы можете найти их встроенными в уроки или на плейлисте ML for Beginners на канале Microsoft Developer в YouTube, нажав на изображение ниже.

Встречайте команду

Гифка от Mohit Jaisal

🎥 Нажмите на изображение выше, чтобы посмотреть видео о проекте и людях, которые его создали!

Педагогика

При создании этой программы мы выбрали два педагогических принципа: обеспечение её практической проектной направленности и включение частых тестов. Кроме того, у программы есть общая тема, придающая ей целостность.

Совмещение содержания с проектами делает процесс для студентов более увлекательным и способствует лучшему усвоению концепций. Низконагрузочный тест перед занятием настраивает студента на изучение темы, а второй тест после занятия помогает закрепить материал. Эта программа разработана быть гибкой и интересной, её можно пройти полностью или частично. Проекты начинаются с простых и усложняются к концу 12-недельного цикла. В программе также есть послесловие о реальных применениях машинного обучения, которое можно использовать как дополнительный бонус или для обсуждения.

Ознакомьтесь с нашими правилами Кодекса поведения, внесения вклада, переводов и устранения проблем. Мы приветствуем ваши конструктивные отзывы!

Каждый урок включает

необязательные заметки-эскизы
необязательное дополнительное видео
видео-инструкцию (некоторые уроки)
подготовительный опрос перед лекцией
письменный урок
для проектных уроков — пошаговые инструкции по созданию проекта
проверочные вопросы
вызов
дополнительное чтение
задание
опрос после лекции

Замечание о языках: Эти уроки преимущественно написаны на Python, но многие из них также доступны на R. Чтобы пройти урок на R, перейдите в папку /solution и найдите уроки на R. Они имеют расширение .rmd, что означает R Markdown — формат, который представляет собой встраивание кодовых блоков (R или других языков) и YAML-заголовка (который указывает, как форматировать вывод, например, в PDF) в Markdown-документ. Таким образом, это отличный инструмент для научных вычислений, позволяющий объединять ваш код, его вывод и заметки, записывая их в Markdown. Кроме того, документы R Markdown могут быть преобразованы в форматы вывода, такие как PDF, HTML или Word.

Замечание о тестах: Все тесты находятся в папке Quiz App, всего 52 теста по три вопроса каждый. Они связаны с уроками, но приложение для тестов можно запускать локально; следуйте инструкциям в папке quiz-app для локального хостинга или развертывания в Azure.

Номер урока	Тема	Группа уроков	Цели обучения	Связанный урок	Автор
01	Введение в машинное обучение	Introduction	Изучите основные концепции машинного обучения	Lesson	Мухаммад
02	История машинного обучения	Introduction	Узнайте историю, лежащую в основе этой области	Lesson	Джен и Эми
03	Справедливость и машинное обучение	Introduction	Какие важные философские вопросы справедливости следует учитывать студентам при создании и применении моделей МО?	Lesson	Томоми
04	Техники машинного обучения	Introduction	Какие техники используют исследователи МО для построения моделей МО?	Lesson	Крис и Джен
05	Введение в регрессию	Regression	Начните с Python и Scikit-learn для моделей регрессии	Python • R	Джен • Эрик Ванджау
06	Цены на тыквы в Северной Америке 🎃	Regression	Визуализируйте и очистите данные для подготовки к МО	Python • R	Джен • Эрик Ванджау
07	Цены на тыквы в Северной Америке 🎃	Regression	Постройте линейные и полиномиальные регрессионные модели	Python • R	Джен и Дмитрий • Эрик Ванджау
08	Цены на тыквы в Северной Америке 🎃	Regression	Постройте модель логистической регрессии	Python • R	Джен • Эрик Ванджау
09	Веб-приложение 🔌	Web App	Создайте веб-приложение для использования вашей обученной модели	Python	Джен
10	Введение в классификацию	Classification	Очистите, подготовьте и визуализируйте данные; введение в классификацию	Python • R	Джен и Кэсси • Эрик Ванджау
11	Вкусная азиатская и индийская кухня 🍜	Classification	Введение в классификаторы	Python • R	Джен и Кэсси • Эрик Ванджау
12	Вкусная азиатская и индийская кухня 🍜	Classification	Дополнительные классификаторы	Python • R	Джен и Кэсси • Эрик Ванджау
13	Вкусная азиатская и индийская кухня 🍜	Classification	Создайте рекомендательное веб-приложение, используя вашу модель	Python	Джен
14	Введение в кластеризацию	Clustering	Очистите, подготовьте и визуализируйте данные; введение в кластеризацию	Python • R	Джен • Эрик Ванджау
15	Изучение музыкальных предпочтений Нигерии 🎧	Clustering	Изучите метод кластеризации K-средних	Python • R	Джен • Эрик Ванджау
16	Введение в обработку естественного языка ☕️	Natural language processing	Изучите основы обработки естественного языка, создавая простого бота	Python	Стивен
17	Общие задачи NLP ☕️	Natural language processing	Углубите свои знания NLP, понимая общие задачи, необходимые при работе со структурами языка	Python	Стивен
18	Перевод и анализ настроений ♥️	Natural language processing	Перевод и анализ настроений на примере Джейн Остин	Python	Стивен
19	Романтические отели Европы ♥️	Natural language processing	Анализ настроений на основе отзывов об отелях 1	Python	Стивен
20	Романтические отели Европы ♥️	Natural language processing	Анализ настроений на основе отзывов об отелях 2	Python	Стивен
21	Введение в прогнозирование временных рядов	Time series	Введение в прогнозирование временных рядов	Python	Франческа
22	⚡️ Мировое потребление электроэнергии ⚡️ - прогнозирование временных рядов с ARIMA	Time series	Прогнозирование временных рядов с помощью ARIMA	Python	Франческа
23	⚡️ Мировое потребление электроэнергии ⚡️ - прогнозирование временных рядов с SVR	Time series	Прогнозирование временных рядов с помощью опорных векторов регрессии	Python	Анирбан
24	Введение в обучение с подкреплением	Reinforcement learning	Введение в обучение с подкреплением с использованием Q-обучения	Python	Дмитрий
25	Помоги Питеру избежать волка! 🐺	Reinforcement learning	Обучение с подкреплением в среде Gym	Python	Дмитрий
Постскриптум	Реальные сценарии и применения МО	ML in the Wild	Интересные и познавательные реальные применения классического МО	Lesson	Команда
Постскриптум	Отладка моделей МО с использованием RAI dashboard	ML in the Wild	Отладка моделей машинного обучения с помощью компонентов рабочего стола Responsible AI	Lesson	Рут Якубу

найдите все дополнительные ресурсы для этого курса в нашей коллекции Microsoft Learn

Оффлайн-доступ

Вы можете использовать эту документацию оффлайн с помощью Docsify. Форкните этот репозиторий, установите Docsify на вашу локальную машину, а затем в корневой папке репозитория введите docsify serve. Веб-сайт будет запущен на порту 3000 вашего локального хоста: localhost:3000.

PDF-файлы

Найдите PDF версию учебной программы с ссылками здесь.

🎒 Другие курсы

Наша команда выпускает и другие курсы! Посмотрите:

LangChain

Azure / Edge / MCP / Агенты

Серия по генеративному ИИ

Основное обучение

Серия Copilot

Получение помощи

Если вы застряли или у вас возникли вопросы при изучении машинного обучения или создании AI-приложений, не волнуйтесь — помощь доступна.

Вы можете присоединиться к обсуждениям с другими учащимися и разработчиками, задавать вопросы и делиться своими идеями с сообществом.

Присоединяйтесь к сообществу, чтобы задавать вопросы и учиться вместе
Обсуждайте концепции машинного обучения и идеи проектов
Получайте советы от опытных разработчиков

Поддерживающее сообщество — отличный способ развивать навыки и быстрее решать проблемы.

Microsoft Foundry Discord Community

Если вы обнаружите ошибки, сбои или у вас есть предложения по улучшению, вы также можете открыть Issue в этом репозитории, чтобы сообщить о проблеме.

Для отзывов о продукте или поиска по существующим публикациям сообщества посетите Форум разработчиков:

Дополнительные советы по обучению

Просматривайте записные книжки после каждого урока для лучшего понимания.
Практикуйтесь в самостоятельной реализации алгоритмов.
Исследуйте реальные наборы данных, используя изученные концепции.

Отказ от ответственности: Этот документ был переведен с использованием сервиса машинного перевода Co-op Translator. Несмотря на наши усилия по обеспечению точности, имейте в виду, что автоматический перевод может содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется обратиться к профессиональному человеческому переводу. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования этого перевода.

42 KiB Raw Blame History Unescape Escape