27 KiB

Raw Blame History Unescape Escape

🌐 Podpora více jazyků

Podporováno prostřednictvím GitHub Action (automatizováno a vždy aktuální)

Připojte se k naší komunitě

Máme probíhající sérii učení s AI na Discordu, dozvíte se více a připojte se k nám na Learn with AI Series od 18. do 30. září 2025. Získáte tipy a triky pro používání GitHub Copilot pro datovou vědu.

Strojové učení pro začátečníky - Kurikulum

🌍 Cestujte po světě, zatímco zkoumáme strojové učení prostřednictvím světových kultur 🌍

Cloud Advocates v Microsoftu s potěšením nabízejí 12týdenní kurikulum s 26 lekcemi o strojovém učení. V tomto kurikulu se naučíte o tom, co se někdy nazývá klasické strojové učení, především pomocí knihovny Scikit-learn a vyhýbáním se hlubokému učení, které je pokryto v našem kurikulu AI pro začátečníky. Spojte tyto lekce s naším kurikulem Datová věda pro začátečníky!

Cestujte s námi po světě, zatímco aplikujeme tyto klasické techniky na data z různých částí světa. Každá lekce obsahuje kvízy před a po lekci, písemné pokyny k dokončení lekce, řešení, úkoly a další. Náš projektově orientovaný přístup vám umožní učit se při budování, což je osvědčený způsob, jak si nové dovednosti lépe osvojit.

✍️ Srdečné díky našim autorům Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu a Amy Boyd

🎨 Díky také našim ilustrátorům Tomomi Imura, Dasani Madipalli a Jen Looper

🙏 Speciální poděkování 🙏 našim autorům, recenzentům a přispěvatelům obsahu z řad Microsoft Student Ambassador, zejména Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila a Snigdha Agarwal

🤩 Extra poděkování Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi a Vidushi Gupta za naše lekce v R!

Začínáme

Postupujte podle těchto kroků:

Forkujte repozitář: Klikněte na tlačítko "Fork" v pravém horním rohu této stránky.
Klonujte repozitář: git clone https://github.com/microsoft/ML-For-Beginners.git

najděte všechny další zdroje pro tento kurz v naší kolekci Microsoft Learn

🔧 Potřebujete pomoc? Podívejte se na náš Průvodce řešením problémů pro řešení běžných problémů s instalací, nastavením a spuštěním lekcí.

Studenti, abyste mohli používat toto kurikulum, forkujte celý repozitář do svého vlastního GitHub účtu a dokončete cvičení sami nebo ve skupině:

Začněte kvízem před lekcí.
Přečtěte si lekci a dokončete aktivity, zastavte se a zamyslete se při každé kontrolní otázce.
Pokuste se vytvořit projekty pochopením lekcí, spíše než spuštěním řešení kódu; tento kód je však dostupný ve složkách /solution v každé projektově orientované lekci.
Udělejte kvíz po lekci.
Dokončete výzvu.
Dokončete úkol.
Po dokončení skupiny lekcí navštivte Diskusní fórum a "učte se nahlas" vyplněním příslušného PAT rubriky. 'PAT' je nástroj pro hodnocení pokroku, což je rubrika, kterou vyplníte, abyste si prohloubili své učení. Můžete také reagovat na jiné PAT, abychom se mohli učit společně.

Pro další studium doporučujeme sledovat tyto moduly a vzdělávací cesty Microsoft Learn.

Učitelé, zahrnuli jsme několik návrhů, jak používat toto kurikulum.

Video průvodce

Některé lekce jsou dostupné jako krátká videa. Všechna tato videa najdete přímo v lekcích nebo na playlistu ML for Beginners na YouTube kanálu Microsoft Developer kliknutím na obrázek níže.

Seznamte se s týmem

Gif vytvořil Mohit Jaisal

🎥 Klikněte na obrázek výše pro video o projektu a lidech, kteří ho vytvořili!

Pedagogika

Při tvorbě tohoto kurikula jsme zvolili dva pedagogické principy: zajistit, aby bylo praktické projektově orientované a aby obsahovalo časté kvízy. Navíc toto kurikulum má společné téma, které mu dodává soudržnost.

Zajištěním, že obsah odpovídá projektům, je proces pro studenty více poutavý a zlepšuje se uchování konceptů. Nízkostresový kvíz před hodinou nastaví záměr studenta na učení daného tématu, zatímco druhý kvíz po hodině zajišťuje další uchování. Toto kurikulum bylo navrženo tak, aby bylo flexibilní a zábavné a mohlo být absolvováno celé nebo jen jeho část. Projekty začínají malými úkoly a postupně se stávají složitějšími na konci 12týdenního cyklu. Toto kurikulum také obsahuje dodatek o reálných aplikacích ML, který může být použit jako extra kredit nebo jako základ pro diskusi.

Najděte naše Kodex chování, Přispívání, Překlady a Řešení problémů. Vaši konstruktivní zpětnou vazbu vítáme!

Každá lekce obsahuje

volitelný sketchnote
volitelné doplňkové video
video průvodce (pouze některé lekce)
kvíz před lekcí
písemnou lekci
u projektově orientovaných lekcí, podrobné průvodce, jak vytvořit projekt
kontrolní otázky
výzvu
doplňkové čtení
úkol
kvíz po lekci

Poznámka o jazycích: Tyto lekce jsou primárně psány v Pythonu, ale mnoho z nich je také dostupných v R. Pro dokončení lekce v R přejděte do složky /solution a vyhledejte lekce v R. Tyto lekce obsahují příponu .rmd, která představuje R Markdown soubor, který lze jednoduše definovat jako kombinaci code chunks (R nebo jiných jazyků) a YAML header (který určuje, jak formátovat výstupy, jako je PDF) v Markdown dokumentu. Jako takový slouží jako příkladný autorizační rámec pro datovou vědu, protože vám umožňuje kombinovat váš kód, jeho výstup a vaše myšlenky tím, že je zapíšete do Markdownu. Navíc lze R Markdown dokumenty vykreslit do výstupních formátů, jako je PDF, HTML nebo Word.

Poznámka o kvízech: Všechny kvízy jsou obsaženy ve složce Quiz App, celkem 52 kvízů po třech otázkách. Jsou propojeny přímo z lekcí, ale aplikaci kvízů lze spustit lokálně; postupujte podle pokynů ve složce quiz-app pro lokální hostování nebo nasazení na Azure.

Číslo lekce	Téma	Skupina lekcí	Výukové cíle	Propojená lekce	Autor
01	Úvod do strojového učení	Úvod	Naučte se základní koncepty strojového učení	Lekce	Muhammad
02	Historie strojového učení	Úvod	Naučte se historii tohoto oboru	Lekce	Jen a Amy
03	Spravedlnost ve strojovém učení	Úvod	Jaké jsou důležité filozofické otázky týkající se spravedlnosti, které by studenti měli zvážit při vytváření a aplikaci modelů ML?	Lekce	Tomomi
04	Techniky strojového učení	Úvod	Jaké techniky používají výzkumníci ML k vytváření modelů ML?	Lekce	Chris a Jen
05	Úvod do regrese	Regrese	Začněte s Pythonem a Scikit-learn pro regresní modely	Python • R	Jen • Eric Wanjau
06	Ceny dýní v Severní Americe 🎃	Regrese	Vizualizujte a vyčistěte data pro přípravu na ML	Python • R	Jen • Eric Wanjau
07	Ceny dýní v Severní Americe 🎃	Regrese	Vytvořte lineární a polynomiální regresní modely	Python • R	Jen a Dmitry • Eric Wanjau
08	Ceny dýní v Severní Americe 🎃	Regrese	Vytvořte logistický regresní model	Python • R	Jen • Eric Wanjau
09	Webová aplikace 🔌	Webová aplikace	Vytvořte webovou aplikaci pro použití vašeho trénovaného modelu	Python	Jen
10	Úvod do klasifikace	Klasifikace	Vyčistěte, připravte a vizualizujte svá data; úvod do klasifikace	Python • R	Jen a Cassie • Eric Wanjau
11	Lahodná asijská a indická kuchyně 🍜	Klasifikace	Úvod do klasifikátorů	Python • R	Jen a Cassie • Eric Wanjau
12	Lahodná asijská a indická kuchyně 🍜	Klasifikace	Další klasifikátory	Python • R	Jen a Cassie • Eric Wanjau
13	Lahodná asijská a indická kuchyně 🍜	Klasifikace	Vytvořte webovou aplikaci doporučující na základě vašeho modelu	Python	Jen
14	Úvod do shlukování	Shlukování	Vyčistěte, připravte a vizualizujte svá data; úvod do shlukování	Python • R	Jen • Eric Wanjau
15	Zkoumání hudebních chutí v Nigérii 🎧	Shlukování	Prozkoumejte metodu shlukování K-Means	Python • R	Jen • Eric Wanjau
16	Úvod do zpracování přirozeného jazyka ☕️	Zpracování přirozeného jazyka	Naučte se základy NLP vytvořením jednoduchého bota	Python	Stephen
17	Běžné úkoly NLP ☕️	Zpracování přirozeného jazyka	Prohlubte své znalosti NLP pochopením běžných úkolů při práci s jazykovými strukturami	Python	Stephen
18	Překlad a analýza sentimentu ♥️	Zpracování přirozeného jazyka	Překlad a analýza sentimentu s Jane Austen	Python	Stephen
19	Romantické hotely v Evropě ♥️	Zpracování přirozeného jazyka	Analýza sentimentu s recenzemi hotelů 1	Python	Stephen
20	Romantické hotely v Evropě ♥️	Zpracování přirozeného jazyka	Analýza sentimentu s recenzemi hotelů 2	Python	Stephen
21	Úvod do předpovědi časových řad	Časové řady	Úvod do předpovědi časových řad	Python	Francesca
22	⚡️ Světová spotřeba energie ⚡️ - předpověď časových řad s ARIMA	Časové řady	Předpověď časových řad s ARIMA	Python	Francesca
23	⚡️ Světová spotřeba energie ⚡️ - předpověď časových řad s SVR	Časové řady	Předpověď časových řad s Support Vector Regressor	Python	Anirban
24	Úvod do posilovaného učení	Posilované učení	Úvod do posilovaného učení s Q-Learning	Python	Dmitry
25	Pomozte Petrovi vyhnout se vlkovi! 🐺	Posilované učení	Posilované učení Gym	Python	Dmitry
Postscript	Scénáře a aplikace ML v reálném světě	ML v praxi	Zajímavé a odhalující aplikace klasického ML v reálném světě	Lekce	Tým
Postscript	Ladění modelů ML pomocí RAI dashboardu	ML v praxi	Ladění modelů strojového učení pomocí komponent Responsible AI dashboardu	Lekce	Ruth Yakubu

najděte všechny další zdroje pro tento kurz v naší kolekci Microsoft Learn

Offline přístup

Tuto dokumentaci můžete spustit offline pomocí Docsify. Forkněte tento repozitář, nainstalujte Docsify na svůj lokální počítač a poté v kořenové složce tohoto repozitáře zadejte docsify serve. Webová stránka bude spuštěna na portu 3000 na vašem localhostu: localhost:3000.

PDF

Najděte PDF kurikula s odkazy zde.

🎒 Další kurzy

Náš tým vytváří další kurzy! Podívejte se na:

Získání pomoci

Pokud se zaseknete nebo máte jakékoli otázky ohledně vytváření AI aplikací, připojte se:

Pokud máte zpětnou vazbu k produktu nebo narazíte na chyby při vytváření, navštivte:

Upozornění:
Tento dokument byl přeložen pomocí služby pro automatický překlad Co-op Translator. I když se snažíme o co největší přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za závazný zdroj. Pro kritické informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.

27 KiB Raw Blame History Unescape Escape