34 KiB

Raw Blame History Unescape Escape

🌐 Поддержка нескольких языков

Поддерживается через GitHub Action (автоматически и всегда актуально)

Присоединяйтесь к нашему сообществу

У нас проходит серия обучения с AI в Discord. Узнайте больше и присоединяйтесь к нам на Learn with AI Series с 18 по 30 сентября 2025 года. Вы узнаете советы и хитрости использования GitHub Copilot для Data Science.

Машинное обучение для начинающих — учебная программа

🌍 Путешествуйте по миру, изучая машинное обучение через призму мировых культур 🌍

Команда Cloud Advocates в Microsoft рада предложить 12-недельную учебную программу из 26 уроков, посвященную машинному обучению. В этой программе вы изучите то, что иногда называют классическим машинным обучением, используя в основном библиотеку Scikit-learn и избегая глубокого обучения, которое рассматривается в нашей учебной программе "AI для начинающих". Также сочетайте эти уроки с нашей учебной программой 'Data Science для начинающих'.

Путешествуйте с нами по миру, применяя классические методы к данным из разных уголков планеты. Каждый урок включает тесты до и после занятия, письменные инструкции для выполнения урока, решение, задание и многое другое. Наш подход, основанный на проектах, позволяет учиться, создавая, что доказано способствует закреплению новых навыков.

✍️ Огромная благодарность нашим авторам: Джен Лупер, Стивен Хауэлл, Франческа Лаззери, Томоми Имура, Кэсси Бревиу, Дмитрий Сошников, Крис Норинг, Анирбан Мукерджи, Орнелла Алтуньян, Рут Якобу и Эми Бойд

🎨 Благодарность нашим иллюстраторам: Томоми Имура, Дасани Мадипалли и Джен Лупер

🙏 Особая благодарность 🙏 нашим авторам, рецензентам и участникам контента из числа студенческих послов Microsoft, особенно Ришиту Дагли, Мухаммаду Сакибу Хану Инану, Рохану Раджу, Александру Петреску, Абхишеку Джайсвалу, Наврин Табассум, Иоану Самуиле и Снигдхе Агарвал

🤩 Отдельная благодарность студенческим послам Microsoft Эрику Ванджау, Джаслин Сонди и Видуши Гупте за уроки на R!

Начало работы

Следуйте этим шагам:

Сделайте форк репозитория: Нажмите кнопку "Fork" в правом верхнем углу этой страницы.
Клонируйте репозиторий: git clone https://github.com/microsoft/ML-For-Beginners.git

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

Студенты, чтобы использовать эту учебную программу, сделайте форк всего репозитория в свой аккаунт GitHub и выполняйте упражнения самостоятельно или в группе:

Начните с теста перед лекцией.
Прочитайте лекцию и выполните задания, делая паузы и размышляя на каждом этапе проверки знаний.
Постарайтесь создать проекты, понимая уроки, а не просто запуская код решения; однако этот код доступен в папках /solution в каждом проектно-ориентированном уроке.
Пройдите тест после лекции.
Выполните вызов.
Выполните задание.
После завершения группы уроков посетите доску обсуждений и "учитесь вслух", заполнив соответствующую рубрику PAT. PAT — это инструмент оценки прогресса, который вы заполняете для углубления обучения. Вы также можете реагировать на другие PAT, чтобы учиться вместе.

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

Учителя, мы включили несколько предложений о том, как использовать эту учебную программу.

Видеоуроки

Некоторые уроки доступны в формате коротких видео. Вы можете найти их в уроках или на плейлисте "ML для начинающих" на YouTube-канале Microsoft Developer, нажав на изображение ниже.

Знакомьтесь с командой

Gif создан Мохитом Джайсалом

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

Педагогика

При создании этой учебной программы мы выбрали два педагогических принципа: обеспечение практической проектной основы и включение частых тестов. Кроме того, эта учебная программа имеет общую тему, которая придает ей целостность.

Обеспечивая связь контента с проектами, процесс становится более увлекательным для студентов, а усвоение концепций усиливается. Кроме того, тест с низкими ставками перед занятием настраивает студента на изучение темы, а второй тест после занятия обеспечивает дальнейшее закрепление материала. Эта учебная программа была разработана как гибкая и увлекательная, и ее можно проходить полностью или частично. Проекты начинаются с простых и становятся все более сложными к концу 12-недельного цикла. Учебная программа также включает постскриптум о реальных приложениях ML, который можно использовать как дополнительный материал или основу для обсуждения.

Ознакомьтесь с нашим Кодексом поведения, Руководством по внесению изменений и Руководством по переводу. Мы приветствуем ваши конструктивные отзывы!

Каждый урок включает

необязательный скетчноут
необязательное дополнительное видео
видеоурок (только для некоторых уроков)
разогревающий тест перед лекцией
письменный урок
для проектных уроков — пошаговые инструкции по созданию проекта
проверки знаний
вызов
дополнительное чтение
задание
тест после лекции

Примечание о языках: Эти уроки в основном написаны на Python, но многие также доступны на R. Чтобы пройти урок на R, перейдите в папку /solution и найдите уроки на R. Они включают расширение .rmd, которое представляет собой R Markdown файл, который можно просто определить как объединение фрагментов кода (на R или других языках) и YAML-заголовка (который определяет формат вывода, например PDF) в Markdown-документе. Таким образом, он служит примерной авторской платформой для анализа данных, поскольку позволяет объединять ваш код, его вывод и ваши мысли, записывая их в Markdown. Кроме того, документы R Markdown можно преобразовать в форматы вывода, такие как PDF, HTML или Word.

Примечание о тестах: Все тесты содержатся в папке Quiz App, всего 52 теста по три вопроса каждый. Они связаны с уроками, но приложение для тестов можно запустить локально; следуйте инструкциям в папке quiz-app, чтобы развернуть локально или на Azure.

Номер урока	Тема	Группа уроков	Цели обучения	Связанный урок	Автор
01	Введение в машинное обучение	Введение	Узнайте основные концепции машинного обучения	Урок	Мухаммад
02	История машинного обучения	Введение	Узнайте историю этой области	Урок	Джен и Эми
03	Справедливость и машинное обучение	Введение	Какие важные философские вопросы о справедливости должны учитывать студенты при создании и применении моделей машинного обучения?	Урок	Tomomi
04	Техники машинного обучения	Введение	Какие техники используют исследователи для создания моделей машинного обучения?	Урок	Chris и Jen
05	Введение в регрессию	Регрессия	Начните работать с Python и Scikit-learn для моделей регрессии	Python • R	Jen • Eric Wanjau
06	Цены на тыквы в Северной Америке 🎃	Регрессия	Визуализируйте и очистите данные для подготовки к машинному обучению	Python • R	Jen • Eric Wanjau
07	Цены на тыквы в Северной Америке 🎃	Регрессия	Постройте модели линейной и полиномиальной регрессии	Python • R	Jen и Dmitry • Eric Wanjau
08	Цены на тыквы в Северной Америке 🎃	Регрессия	Постройте модель логистической регрессии	Python • R	Jen • Eric Wanjau
09	Веб-приложение 🔌	Веб-приложение	Создайте веб-приложение для использования обученной модели	Python	Jen
10	Введение в классификацию	Классификация	Очистите, подготовьте и визуализируйте данные; введение в классификацию	Python • R	Jen и Cassie • Eric Wanjau
11	Вкусные азиатские и индийские блюда 🍜	Классификация	Введение в классификаторы	Python • R	Jen и Cassie • Eric Wanjau
12	Вкусные азиатские и индийские блюда 🍜	Классификация	Дополнительные классификаторы	Python • R	Jen и Cassie • Eric Wanjau
13	Вкусные азиатские и индийские блюда 🍜	Классификация	Создайте веб-приложение рекомендаций, используя вашу модель	Python	Jen
14	Введение в кластеризацию	Кластеризация	Очистите, подготовьте и визуализируйте данные; введение в кластеризацию	Python • R	Jen • Eric Wanjau
15	Исследование музыкальных вкусов Нигерии 🎧	Кластеризация	Изучите метод кластеризации K-Means	Python • R	Jen • Eric Wanjau
16	Введение в обработку естественного языка ☕️	Обработка естественного языка	Узнайте основы NLP, создавая простого бота	Python	Stephen
17	Общие задачи NLP ☕️	Обработка естественного языка	Углубите знания в NLP, изучая общие задачи, связанные с языковыми структурами	Python	Stephen
18	Перевод и анализ настроений ♥️	Обработка естественного языка	Перевод и анализ настроений с произведениями Джейн Остин	Python	Stephen
19	Романтические отели Европы ♥️	Обработка естественного языка	Анализ настроений на основе отзывов об отелях 1	Python	Stephen
20	Романтические отели Европы ♥️	Обработка естественного языка	Анализ настроений на основе отзывов об отелях 2	Python	Stephen
21	Введение в прогнозирование временных рядов	Временные ряды	Введение в прогнозирование временных рядов	Python	Francesca
22	⚡️ Мировое потребление электроэнергии ⚡️ - прогнозирование временных рядов с ARIMA	Временные ряды	Прогнозирование временных рядов с использованием ARIMA	Python	Francesca
23	⚡️ Мировое потребление электроэнергии ⚡️ - прогнозирование временных рядов с SVR	Временные ряды	Прогнозирование временных рядов с использованием метода опорных векторов	Python	Anirban
24	Введение в обучение с подкреплением	Обучение с подкреплением	Введение в обучение с подкреплением с использованием Q-Learning	Python	Dmitry
25	Помогите Петру избежать волка! 🐺	Обучение с подкреплением	Обучение с подкреплением в Gym	Python	Dmitry
Постскриптум	Сценарии и приложения машинного обучения в реальном мире	ML в реальном мире	Интересные и показательные примеры применения классического машинного обучения	Урок	Команда
Постскриптум	Отладка моделей машинного обучения с использованием панели RAI	ML в реальном мире	Отладка моделей машинного обучения с использованием компонентов панели Responsible AI	Урок	Ruth Yakubu

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

Оффлайн-доступ

Вы можете запустить эту документацию оффлайн, используя Docsify. Форкните этот репозиторий, установите Docsify на вашем локальном компьютере, а затем в корневой папке репозитория введите docsify serve. Веб-сайт будет доступен на порту 3000 вашего локального хоста: localhost:3000.

PDF-файлы

Найдите PDF-версию учебного плана с ссылками здесь.

🎒 Другие курсы

Наша команда создает и другие курсы! Ознакомьтесь:

Отказ от ответственности:
Этот документ был переведен с помощью сервиса автоматического перевода Co-op Translator. Несмотря на наши усилия обеспечить точность, автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его родном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные интерпретации, возникшие в результате использования данного перевода.

34 KiB Raw Blame History Unescape Escape