ML-For-Beginners/translations/uk

🌐 Підтримка кількох мов

Підтримується через GitHub Action (Автоматизовано та завжди актуально)

Арабська | Бенгальська | Болгарська | Бірманська (М'янма) | Китайська (спрощена) | Китайська (традиційна, Гонконг) | Китайська (традиційна, Макао) | Китайська (традиційна, Тайвань) | Хорватська | Чеська | Данська | Нідерландська | Естонська | Фінська | Французька | Німецька | Грецька | Іврит | Хінді | Угорська | Індонезійська | Італійська | Японська | Каннада | Корейська | Литовська | Малайська | Малаялам | Маратхі | Непальська | Нігерійський піджин | Норвезька | Перська (фарсі) | Польська | Португальська (Бразилія) | Португальська (Португалія) | Панджабі (гурмукхі) | Румунська | Російська | Сербська (кирилична) | Словацька | Словенська | Іспанська | Свахілі | Шведська | Тагальська (філіппінська) | Тамільська | Телугу | Тайська | Турецька | Українська | Урду | В'єтнамська

Приєднуйтесь до нашої спільноти

У нас триває серія заходів у Discord під назвою "Навчайся зі ШІ", дізнайтеся більше та приєднуйтесь до нас на Серія «Навчання зі ШІ» з 18 по 30 вересня 2025 року. Ви отримаєте поради та прийоми використання GitHub Copilot для Data Science.

Машинне навчання для початківців - навчальна програма

🌍 Подорожуйте навколо світу, досліджуючи машинне навчання через призму світових культур 🌍

Cloud Advocates у Microsoft раді запропонувати 12-тижневу, 26-урочну навчальну програму, присвячену темі Машинного навчання. У цій програмі ви дізнаєтесь про те, що іноді називають класичним машинним навчанням, використовуючи переважно бібліотеку Scikit-learn і уникаючи глибокого навчання, яке висвітлено в нашому курсі AI for Beginners' curriculum. Поєднуйте ці уроки з нашим курсом 'Data Science for Beginners' curriculum.

Подорожуйте з нами навколо світу, застосовуючи ці класичні техніки до даних із різних регіонів. Кожен урок включає опитування до та після уроку, письмові інструкції для виконання уроку, рішення, завдання та інше. Наша проектно-орієнтована педагогіка дозволяє вчитися шляхом створення — перевірений спосіб для надійного засвоєння нових навичок.

✍️ Величезна подяка нашим авторам Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd

🎨 Також дякуємо нашим ілюстраторам Tomomi Imura, Dasani Madipalli та Jen Looper

🙏 Особлива подяка 🙏 нашим студентським амбасадорам Microsoft — авторам, рецензентам та учасникам контенту, зокрема Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila та Snigdha Agarwal

🤩 Додаткова подяка студентським амбасадорам Microsoft Eric Wanjau, Jasleen Sondhi та Vidushi Gupta за наші уроки R!

Початок роботи

Дотримуйтесь цих кроків:

1. Fork the Repository: Натисніть кнопку "Fork" у верхньому правому куті цієї сторінки.
2. Clone the Repository: git clone https://github.com/microsoft/ML-For-Beginners.git

знайдіть усі додаткові ресурси для цього курсу в нашій колекції Microsoft Learn

🔧 Потрібна допомога? Перевірте наш Посібник з вирішення проблем для вирішення поширених проблем із встановленням, налаштуванням та запуском уроків.

Студенти, щоб використовувати цю навчальну програму, форкніть увесь репозиторій на свій GitHub-акаунт і виконуйте вправи самостійно або в групі:

• Почніть з опитування перед лекцією.
• Прочитайте лекцію та виконайте активності, зупиняючись і розмірковуючи під час кожної перевірки знань.
• Намагайтеся створювати проекти, розуміючи уроки, замість того щоб просто запускати код рішення; однак цей код доступний у папках /solution у кожному уроці, орієнтованому на проект.
• Пройдіть опитування після лекції.
• Виконайте челендж.
• Виконайте завдання.
• Після завершення групи уроків відвідайте Дошку обговорень і «вчіться вголос», заповнивши відповідну рубрику PAT. 'PAT' — це інструмент оцінки прогресу, який ви заповнюєте, щоб поглибити своє навчання. Ви також можете реагувати на інші PAT, щоб ми могли вчитися разом.

Для подальшого вивчення ми рекомендуємо слідувати цим модулям і навчальним шляхам на Microsoft Learn.

Викладачі, ми включили деякі поради у for-teachers.md щодо того, як використовувати цю навчальну програму.

---

Відеоогляди

Деякі уроки доступні у вигляді коротких відео. Ви можете знайти їх вбудованими в уроки або в плейлисті ML for Beginners на каналі Microsoft Developer YouTube, натиснувши на зображення нижче.

---

Знайомство з командою

Гіф від Mohit Jaisal

🎥 Натисніть на зображення вище, щоб переглянути відео про проєкт та людей, які його створили!

---

Педагогіка

Ми обрали два педагогічні принципи під час створення цієї навчальної програми: забезпечити практичну, проектно-орієнтовану структуру та включити часті опитування. Крім того, ця програма має спільну тему, щоб надати їй цілісності.

Забезпечивши відповідність контенту проєктам, процес стає більш цікавим для студентів, а засвоєння концепцій — кращим. До того ж, низькостресове опитування перед заняттям спрямовує увагу студента на вивчення теми, а друге опитування після заняття забезпечує подальше закріплення знань. Ця програма розроблена так, щоб бути гнучкою та цікавою, її можна проходити повністю або частинами. Проєкти починаються з малого і стають складнішими до кінця 12-тижневого циклу. Програма також містить епілог про застосування ML у реальному світі, який можна використати як додаткові бали або як основу для обговорення.

Знайдіть наші настанови: Кодекс поведінки, Внесення змін, Переклад та Вирішення проблем. Ми вітаємо ваш конструктивний відгук!

Кожен урок включає

• необов'язкову скетчноут
• необов'язкове додаткове відео
• відеопроходження (лише деякі уроки)
• опитування-розминка перед лекцією
• письмовий урок
• для уроків, орієнтованих на проєкти, покрокові інструкції зі створення проєкту
• перевірки знань
• челендж
• додаткову літературу
• домашнє завдання
• опитування після лекції

Примітка щодо мов: Ці уроки головним чином написані на Python, але багато з них також доступні на R. Щоб виконати урок на R, перейдіть до папки /solution і шукайте уроки на R. Вони містять розширення .rmd, яке позначає файл R Markdown, який можна просто визначити як вбудовування code chunks (написаних на R або інших мовах) та YAML header (який керує форматом виводу, наприклад PDF) у Markdown document. Як такий, він слугує прикладною авторською рамкою для науки про дані, оскільки дозволяє поєднувати ваш код, його вивід та ваші думки, записуючи їх у Markdown. Крім того, документи R Markdown можна відтворювати у формати виводу, такі як PDF, HTML або Word.

Примітка щодо опитувань: Всі опитування містяться в папці Quiz App folder, всього 52 опитування по три запитання у кожному. Вони пов'язані з уроків, але додаток опитувань можна запустити локально; дотримуйтесь інструкцій у папці quiz-app, щоб розгорнути локально або в Azure.

Номер уроку	Тема	Групування уроків	Навчальні цілі	Пов'язаний урок	Автор
01	Вступ до машинного навчання	Вступ	Ознайомтеся з базовими поняттями машинного навчання	Урок	Muhammad
02	Історія машинного навчання	Вступ	Дізнайтеся про історію цієї галузі	Урок	Jen and Amy
03	Справедливість і машинне навчання	Вступ	Які важливі філософські питання щодо справедливості мають враховувати студенти при побудові та застосуванні моделей МН?	Урок	Tomomi
04	Техніки машинного навчання	Вступ	Які методи використовують дослідники МН для побудови моделей?	Урок	Chris and Jen
05	Вступ до регресії	Регресія	Почніть працювати з Python та Scikit-learn для регресійних моделей	Python • R	Jen • Eric Wanjau
06	Ціни на гарбузи Північної Америки 🎃	Регресія	Візуалізуйте та очистіть дані для підготовки до МН	Python • R	Jen • Eric Wanjau
07	Ціни на гарбузи Північної Америки 🎃	Регресія	Побудова лінійних та поліноміальних регресійних моделей	Python • R	Jen and Dmitry • Eric Wanjau
08	Ціни на гарбузи Північної Америки 🎃	Регресія	Побудуйте модель логістичної регресії	Python • R	Jen • Eric Wanjau
09	Веб-додаток 🔌	Веб-додаток	Створіть веб-додаток для використання вашої натренованої моделі	Python	Jen
10	Вступ до класифікації	Класифікація	Очистіть, підготуйте та візуалізуйте дані; вступ до класифікації	Python • R	Jen and Cassie • Eric Wanjau
11	Смачні азійські та індійські страви 🍜	Класифікація	Вступ до класифікаторів	Python • R	Jen and Cassie • Eric Wanjau
12	Смачні азійські та індійські страви 🍜	Класифікація	Додаткові класифікатори	Python • R	Jen and Cassie • Eric Wanjau
13	Смачні азійські та індійські страви 🍜	Класифікація	Створіть рекомендаційний веб-додаток, використовуючи вашу модель	Python	Jen
14	Вступ до кластеризації	Кластеризація	Очистіть, підготуйте та візуалізуйте дані; вступ до кластеризації	Python • R	Jen • Eric Wanjau
15	Дослідження музичних вподобань Нігерії 🎧	Кластеризація	Ознайомтеся з методом кластеризації K-Means	Python • R	Jen • Eric Wanjau
16	Вступ до обробки природної мови ☕️	Обробка природної мови	Вивчіть основи NLP, створивши простого бота	Python	Stephen
17	Поширені задачі NLP ☕️	Обробка природної мови	Поглибте знання з NLP, розуміючи типові задачі, що виникають при роботі з мовними структурами	Python	Stephen
18	Переклад і аналіз тональності ♥️	Обробка природної мови	Переклад і аналіз тональності на прикладі творів Джейн Остін	Python	Stephen
19	Романтичні готелі Європи ♥️	Обробка природної мови	Аналіз тональності з відгуків про готелі 1	Python	Stephen
20	Романтичні готелі Європи ♥️	Обробка природної мови	Аналіз тональності з відгуків про готелі 2	Python	Stephen
21	Вступ до прогнозування часових рядів	Часові ряди	Вступ до прогнозування часових рядів	Python	Francesca
22	⚡️ Світове споживання електроенергії ⚡️ - прогнозування часових рядів з ARIMA	Часові ряди	Прогнозування часових рядів з ARIMA	Python	Francesca
23	⚡️ Світове споживання електроенергії ⚡️ - прогнозування часових рядів зі SVR	Часові ряди	Прогнозування часових рядів за допомогою Support Vector Regressor	Python	Anirban
24	Вступ до підкріплювального навчання	Підкріплювальне навчання	Вступ до підкріплювального навчання з Q-Learning	Python	Dmitry
25	Допоможіть Пітеру уникнути вовка! 🐺	Підкріплювальне навчання	Gym для підкріплювального навчання	Python	Dmitry
Postscript	Сценарії та застосування ML у реальному світі	ML у реальному світі	Цікавi та показові реальні застосування класичного МН	Урок	Team
Postscript	Налагодження моделей у ML за допомогою панелі RAI	ML у реальному світі	Налагодження моделей машинного навчання з використанням компонентів панелі Responsible AI	Урок	Ruth Yakubu

Знайдіть усі додаткові ресурси для цього курсу в нашій колекції Microsoft Learn

Офлайн доступ

Ви можете запускати цю документацію офлайн, використовуючи Docsify. Зробіть форк цього репозиторію, встановіть Docsify на вашому локальному комп'ютері, а потім у кореневій папці цього репозиторію введіть docsify serve. Вебсайт буде доступний на порту 3000 на вашому localhost: localhost:3000.

PDF-файли

Знайдіть PDF навчальної програми з посиланнями тут.

🎒 Інші курси

Наша команда створює й інші курси! Перегляньте:

LangChain

---

Azure / Edge / MCP / Agents

---

Generative AI Series

---

Основне навчання

---

Серія Copilot

Отримати допомогу

Якщо ви застрягли або маєте запитання щодо створення додатків ШІ. Приєднуйтесь до інших учнів та досвідчених розробників у обговореннях MCP. Це підтримуюча спільнота, де питання вітаються, а знання поширюються вільно.

Якщо у вас є відгуки про продукт або ви натрапили на помилки під час розробки, відвідайте:

---

Відмова від відповідальності: Цей документ було перекладено за допомогою сервісу перекладу на основі ШІ Co-op Translator. Хоча ми прагнемо до точності, просимо врахувати, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ рідною мовою слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується звернутися до професійного перекладача. Ми не несемо відповідальності за будь-які непорозуміння чи неправильні тлумачення, що виникли внаслідок використання цього перекладу.