26 KiB

Raw Blame History Unescape Escape

🌐 Podrška za više jezika

Podržano putem GitHub Action (Automatizirano i uvijek ažurirano)

Pridružite se našoj zajednici

Imamo seriju učenja s AI na Discordu, saznajte više i pridružite nam se na Learn with AI Series od 18. do 30. rujna 2025. Dobit ćete savjete i trikove za korištenje GitHub Copilota za Data Science.

Strojno učenje za početnike - Kurikulum

🌍 Putujte svijetom dok istražujemo strojno učenje kroz svjetske kulture 🌍

Cloud Advocates u Microsoftu s ponosom nude 12-tjedni kurikulum s 26 lekcija o strojnom učenju. U ovom kurikulumu naučit ćete o onome što se ponekad naziva klasično strojno učenje, koristeći prvenstveno Scikit-learn kao biblioteku i izbjegavajući duboko učenje, koje je pokriveno u našem AI za početnike kurikulumu. Povežite ove lekcije s našim kurikulumom 'Data Science za početnike', također!

Putujte s nama svijetom dok primjenjujemo ove klasične tehnike na podatke iz različitih dijelova svijeta. Svaka lekcija uključuje kvizove prije i poslije lekcije, pisane upute za dovršavanje lekcije, rješenje, zadatak i još mnogo toga. Naša metodologija temeljena na projektima omogućuje vam učenje kroz izgradnju, što je dokazano učinkovit način za usvajanje novih vještina.

✍️ Veliko hvala našim autorima Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu i Amy Boyd

🎨 Zahvaljujemo i našim ilustratorima Tomomi Imura, Dasani Madipalli i Jen Looper

🙏 Posebna zahvala 🙏 našim Microsoft Student Ambassador autorima, recenzentima i suradnicima sadržaja, posebno Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila i Snigdha Agarwal

🤩 Dodatna zahvalnost Microsoft Student Ambassadorima Eric Wanjau, Jasleen Sondhi i Vidushi Gupta za naše lekcije o R-u!

Početak rada

Slijedite ove korake:

Forkajte repozitorij: Kliknite na gumb "Fork" u gornjem desnom kutu ove stranice.
Klonirajte repozitorij: git clone https://github.com/microsoft/ML-For-Beginners.git

pronađite sve dodatne resurse za ovaj tečaj u našoj Microsoft Learn kolekciji

🔧 Trebate pomoć? Pogledajte naš Vodič za rješavanje problema za rješenja uobičajenih problema s instalacijom, postavljanjem i izvođenjem lekcija.

Studenti, za korištenje ovog kurikuluma, forkajte cijeli repo na svoj GitHub račun i dovršite vježbe sami ili u grupi:

Započnite s kvizom prije predavanja.
Pročitajte predavanje i dovršite aktivnosti, zaustavljajući se i razmišljajući na svakom provjeravanju znanja.
Pokušajte izraditi projekte razumijevanjem lekcija umjesto pokretanja rješenja koda; međutim, taj kod je dostupan u /solution mapama u svakoj lekciji temeljenoj na projektu.
Riješite kviz nakon predavanja.
Dovršite izazov.
Dovršite zadatak.
Nakon dovršetka grupe lekcija, posjetite Diskusijsku ploču i "učite glasno" ispunjavanjem odgovarajuće PAT rubrike. 'PAT' je alat za procjenu napretka, rubrika koju ispunjavate kako biste unaprijedili svoje učenje. Također možete reagirati na druge PAT-ove kako bismo učili zajedno.

Za daljnje učenje, preporučujemo praćenje ovih Microsoft Learn modula i putova učenja.

Nastavnici, uključili smo neke prijedloge o tome kako koristiti ovaj kurikulum.

Video vodiči

Neke lekcije dostupne su kao kratki videozapisi. Sve ih možete pronaći unutar lekcija ili na ML za početnike playlisti na Microsoft Developer YouTube kanalu klikom na sliku ispod.

Upoznajte tim

Gif autor Mohit Jaisal

🎥 Kliknite na sliku iznad za video o projektu i ljudima koji su ga stvorili!

Pedagogija

Odabrali smo dva pedagoška načela prilikom izrade ovog kurikuluma: osiguranje da je praktičan temeljen na projektima i da uključuje česte kvizove. Osim toga, ovaj kurikulum ima zajedničku temu koja mu daje koheziju.

Osiguravanjem da sadržaj odgovara projektima, proces postaje zanimljiviji za studente, a zadržavanje koncepata se povećava. Osim toga, kviz s niskim rizikom prije predavanja usmjerava namjeru studenta prema učenju teme, dok drugi kviz nakon predavanja osigurava daljnje zadržavanje. Ovaj kurikulum je dizajniran da bude fleksibilan i zabavan te se može uzeti u cijelosti ili djelomično. Projekti počinju malim i postaju sve složeniji do kraja 12-tjednog ciklusa. Ovaj kurikulum također uključuje dodatak o stvarnim primjenama strojnog učenja, koji se može koristiti kao dodatni zadatak ili kao osnova za raspravu.

Pronađite naš Kodeks ponašanja, Doprinos, Prijevod i Vodič za rješavanje problema. Dobrodošli ste da nam pružite konstruktivne povratne informacije!

Svaka lekcija uključuje

opcionalni sketchnote
opcionalni dopunski video
video vodič (samo neke lekcije)
kviz za zagrijavanje prije predavanja
pisanu lekciju
za lekcije temeljene na projektima, vodiče korak po korak o tome kako izraditi projekt
provjere znanja
izazov
dopunsko čitanje
zadatak
kviz nakon predavanja

Napomena o jezicima: Ove lekcije su prvenstveno napisane u Pythonu, ali mnoge su dostupne i u R-u. Za dovršavanje lekcije u R-u, idite u /solution mapu i potražite lekcije o R-u. One uključuju .rmd ekstenziju koja predstavlja R Markdown datoteku koja se može jednostavno definirati kao ugrađivanje code chunks (R ili drugih jezika) i YAML header (koji vodi kako formatirati izlaze poput PDF-a) u Markdown dokument. Kao takva, služi kao primjeran okvir za pisanje za data science jer vam omogućuje kombiniranje vašeg koda, njegovog izlaza i vaših misli omogućujući vam da ih zabilježite u Markdownu. Štoviše, R Markdown dokumenti mogu se prikazati u izlaznim formatima poput PDF-a, HTML-a ili Worda.

Napomena o kvizovima: Svi kvizovi nalaze se u Quiz App folderu, ukupno 52 kviza s po tri pitanja. Povezani su unutar lekcija, ali aplikacija za kviz može se pokrenuti lokalno; slijedite upute u quiz-app folderu za lokalno hostiranje ili implementaciju na Azure.

Broj lekcije	Tema	Grupiranje lekcija	Ciljevi učenja	Povezana lekcija	Autor
01	Uvod u strojno učenje	Uvod	Naučite osnovne pojmove strojnog učenja	Lekcija	Muhammad
02	Povijest strojnog učenja	Uvod	Naučite povijest ovog područja	Lekcija	Jen i Amy
03	Pravednost i strojno učenje	Uvod	Koja su važna filozofska pitanja o pravednosti koja studenti trebaju razmotriti pri izradi i primjeni modela strojnog učenja?	Lekcija	Tomomi
04	Tehnike strojnog učenja	Uvod	Koje tehnike istraživači koriste za izradu modela strojnog učenja?	Lekcija	Chris i Jen
05	Uvod u regresiju	Regresija	Počnite s Pythonom i Scikit-learn za modele regresije	Python • R	Jen • Eric Wanjau
06	Cijene bundeva u Sjevernoj Americi 🎃	Regresija	Vizualizirajte i očistite podatke u pripremi za strojno učenje	Python • R	Jen • Eric Wanjau
07	Cijene bundeva u Sjevernoj Americi 🎃	Regresija	Izradite linearne i polinomske regresijske modele	Python • R	Jen i Dmitry • Eric Wanjau
08	Cijene bundeva u Sjevernoj Americi 🎃	Regresija	Izradite logistički regresijski model	Python • R	Jen • Eric Wanjau
09	Web aplikacija 🔌	Web aplikacija	Izradite web aplikaciju za korištenje vašeg treniranog modela	Python	Jen
10	Uvod u klasifikaciju	Klasifikacija	Očistite, pripremite i vizualizirajte podatke; uvod u klasifikaciju	Python • R	Jen i Cassie • Eric Wanjau
11	Ukusna azijska i indijska kuhinja 🍜	Klasifikacija	Uvod u klasifikatore	Python • R	Jen i Cassie • Eric Wanjau
12	Ukusna azijska i indijska kuhinja 🍜	Klasifikacija	Više klasifikatora	Python • R	Jen i Cassie • Eric Wanjau
13	Ukusna azijska i indijska kuhinja 🍜	Klasifikacija	Izradite web aplikaciju preporuka koristeći vaš model	Python	Jen
14	Uvod u grupiranje	Grupiranje	Očistite, pripremite i vizualizirajte podatke; uvod u grupiranje	Python • R	Jen • Eric Wanjau
15	Istraživanje glazbenih ukusa u Nigeriji 🎧	Grupiranje	Istražite metodu grupiranja K-Means	Python • R	Jen • Eric Wanjau
16	Uvod u obradu prirodnog jezika ☕️	Obrada prirodnog jezika	Naučite osnove NLP-a izradom jednostavnog bota	Python	Stephen
17	Uobičajeni NLP zadaci ☕️	Obrada prirodnog jezika	Produbite svoje znanje o NLP-u razumijevanjem uobičajenih zadataka vezanih uz jezične strukture	Python	Stephen
18	Prijevod i analiza sentimenta ♥️	Obrada prirodnog jezika	Prijevod i analiza sentimenta s Jane Austen	Python	Stephen
19	Romantični hoteli u Europi ♥️	Obrada prirodnog jezika	Analiza sentimenta s recenzijama hotela 1	Python	Stephen
20	Romantični hoteli u Europi ♥️	Obrada prirodnog jezika	Analiza sentimenta s recenzijama hotela 2	Python	Stephen
21	Uvod u predviđanje vremenskih serija	Vremenske serije	Uvod u predviđanje vremenskih serija	Python	Francesca
22	⚡️ Svjetska potrošnja energije ⚡️ - predviđanje s ARIMA	Vremenske serije	Predviđanje vremenskih serija s ARIMA	Python	Francesca
23	⚡️ Svjetska potrošnja energije ⚡️ - predviđanje s SVR	Vremenske serije	Predviđanje vremenskih serija s regresorom potpornih vektora	Python	Anirban
24	Uvod u učenje pojačanjem	Učenje pojačanjem	Uvod u učenje pojačanjem s Q-Learning	Python	Dmitry
25	Pomozite Peteru izbjeći vuka! 🐺	Učenje pojačanjem	Učenje pojačanjem s Gym	Python	Dmitry
Postscript	Scenariji i primjene strojnog učenja u stvarnom svijetu	ML u stvarnom svijetu	Zanimljive i otkrivajuće primjene klasičnog strojnog učenja	Lekcija	Tim
Postscript	Debugging modela u ML-u pomoću RAI nadzorne ploče	ML u stvarnom svijetu	Debugging modela strojnog učenja pomoću komponenti nadzorne ploče za odgovornu umjetnu inteligenciju	Lekcija	Ruth Yakubu

pronađite sve dodatne resurse za ovaj tečaj u našoj Microsoft Learn kolekciji

Pristup bez interneta

Možete pokrenuti ovu dokumentaciju offline koristeći Docsify. Forkajte ovaj repo, instalirajte Docsify na vašem lokalnom računalu, a zatim u root mapi ovog repo-a upišite docsify serve. Web stranica će biti poslužena na portu 3000 na vašem localhostu: localhost:3000.

PDF-ovi

Pronađite PDF kurikuluma s poveznicama ovdje.

🎒 Ostali tečajevi

Naš tim proizvodi i druge tečajeve! Pogledajte:

Dobivanje pomoći

Ako zapnete ili imate pitanja o izradi AI aplikacija, pridružite se:

Ako imate povratne informacije o proizvodu ili greške tijekom izrade, posjetite:

Izjava o odricanju odgovornosti:
Ovaj dokument je preveden pomoću AI usluge za prevođenje Co-op Translator. Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane ljudskog prevoditelja. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda.

26 KiB Raw Blame History Unescape Escape