27 KiB

Raw Blame History Unescape Escape

🌐 Wsparcie dla wielu języków

Obsługiwane przez GitHub Action (Automatyczne i zawsze aktualne)

Dołącz do naszej społeczności

Mamy serię nauki z AI na Discordzie, dowiedz się więcej i dołącz do nas na Learn with AI Series od 18 do 30 września 2025. Otrzymasz wskazówki i porady dotyczące korzystania z GitHub Copilot w Data Science.

Machine Learning dla początkujących - Program nauczania

🌍 Podróżuj po świecie, odkrywając Machine Learning przez pryzmat kultur 🌍

Cloud Advocates w Microsoft z dumą oferują 12-tygodniowy, 26-lekcyjny program nauczania dotyczący Machine Learning. W tym programie nauczania poznasz to, co czasami nazywane jest klasycznym uczeniem maszynowym, korzystając głównie z biblioteki Scikit-learn i unikając uczenia głębokiego, które jest omówione w naszym programie AI dla początkujących. Połącz te lekcje z naszym programem 'Data Science dla początkujących'!

Podróżuj z nami po świecie, stosując te klasyczne techniki do danych z różnych regionów świata. Każda lekcja zawiera quizy przed i po lekcji, pisemne instrukcje do wykonania lekcji, rozwiązanie, zadanie i wiele więcej. Nasza metoda oparta na projektach pozwala uczyć się poprzez tworzenie, co jest sprawdzonym sposobem na trwałe przyswojenie nowych umiejętności.

✍️ Wielkie podziękowania dla naszych autorów Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu i Amy Boyd

🎨 Podziękowania również dla naszych ilustratorów Tomomi Imura, Dasani Madipalli i Jen Looper

🙏 Specjalne podziękowania 🙏 dla naszych autorów, recenzentów i współtwórców treści z grona Microsoft Student Ambassador, w szczególności Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila i Snigdha Agarwal

🤩 Dodatkowe podziękowania dla Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi i Vidushi Gupta za nasze lekcje w R!

Rozpoczęcie pracy

Postępuj zgodnie z tymi krokami:

Forkuj repozytorium: Kliknij przycisk "Fork" w prawym górnym rogu tej strony.
Sklonuj repozytorium: git clone https://github.com/microsoft/ML-For-Beginners.git

Znajdź wszystkie dodatkowe zasoby dla tego kursu w naszej kolekcji Microsoft Learn

🔧 Potrzebujesz pomocy? Sprawdź nasz Przewodnik rozwiązywania problemów w celu uzyskania rozwiązań typowych problemów z instalacją, konfiguracją i uruchamianiem lekcji.

Studenci, aby korzystać z tego programu nauczania, zforkuj całe repozytorium na swoje konto GitHub i wykonaj ćwiczenia samodzielnie lub w grupie:

Rozpocznij od quizu przed lekcją.
Przeczytaj lekcję i wykonaj aktywności, zatrzymując się i reflektując przy każdym sprawdzeniu wiedzy.
Spróbuj stworzyć projekty, rozumiejąc lekcje, zamiast uruchamiać kod rozwiązania; jednak ten kod jest dostępny w folderach /solution w każdej lekcji opartej na projekcie.
Zrób quiz po lekcji.
Wykonaj wyzwanie.
Wykonaj zadanie.
Po ukończeniu grupy lekcji odwiedź Forum dyskusyjne i "ucz się na głos", wypełniając odpowiedni rubrykę PAT. 'PAT' to narzędzie oceny postępów, które jest rubryką, którą wypełniasz, aby pogłębić swoją naukę. Możesz również reagować na inne PAT, abyśmy mogli uczyć się razem.

Do dalszej nauki polecamy śledzenie tych modułów i ścieżek nauki Microsoft Learn.

Nauczyciele, zamieściliśmy kilka sugestii dotyczących korzystania z tego programu nauczania.

Przewodniki wideo

Niektóre lekcje są dostępne w formie krótkich filmów. Możesz znaleźć je wszystkie w lekcjach lub na playliście ML dla początkujących na kanale YouTube Microsoft Developer, klikając obrazek poniżej.

Poznaj zespół

Gif autorstwa Mohit Jaisal

🎥 Kliknij obrazek powyżej, aby obejrzeć film o projekcie i osobach, które go stworzyły!

Pedagogika

Podczas tworzenia tego programu nauczania wybraliśmy dwa główne założenia pedagogiczne: zapewnienie, że jest on oparty na projektach oraz że zawiera częste quizy. Ponadto, ten program nauczania ma wspólny motyw, który nadaje mu spójność.

Zapewniając, że treści są zgodne z projektami, proces staje się bardziej angażujący dla studentów, a przyswajanie koncepcji zostaje wzmocnione. Ponadto, quiz o niskim ryzyku przed zajęciami ustawia intencję studenta na naukę danego tematu, podczas gdy drugi quiz po zajęciach zapewnia dalsze przyswajanie wiedzy. Ten program nauczania został zaprojektowany tak, aby był elastyczny i zabawny, i można go realizować w całości lub częściowo. Projekty zaczynają się od prostych i stają się coraz bardziej złożone pod koniec 12-tygodniowego cyklu. Program nauczania zawiera również postscriptum dotyczące rzeczywistych zastosowań ML, które można wykorzystać jako dodatkowe punkty lub jako podstawę do dyskusji.

Znajdź nasze Zasady postępowania, Wskazówki dotyczące współtworzenia, Tłumaczenia i Rozwiązywanie problemów. Czekamy na Twoją konstruktywną opinię!

Każda lekcja zawiera

opcjonalny szkic
opcjonalny film uzupełniający
przewodnik wideo (tylko niektóre lekcje)
quiz rozgrzewkowy przed lekcją
pisemną lekcję
dla lekcji opartych na projektach, przewodniki krok po kroku, jak zbudować projekt
sprawdzenie wiedzy
wyzwanie
dodatkowe materiały do czytania
zadanie
quiz po lekcji

Uwaga dotycząca języków: Te lekcje są głównie napisane w Pythonie, ale wiele z nich jest również dostępnych w R. Aby ukończyć lekcję w R, przejdź do folderu /solution i poszukaj lekcji w R. Zawierają one rozszerzenie .rmd, które reprezentuje R Markdown, dokument, który można zdefiniować jako połączenie fragmentów kodu (R lub innych języków) i nagłówka YAML (który określa, jak formatować wyniki, takie jak PDF) w dokumencie Markdown. Dzięki temu stanowi doskonałe narzędzie do tworzenia treści dla data science, ponieważ pozwala na łączenie kodu, jego wyników i przemyśleń, umożliwiając ich zapisanie w Markdown. Ponadto dokumenty R Markdown mogą być renderowane do formatów wyjściowych, takich jak PDF, HTML czy Word.

Uwaga dotycząca quizów: Wszystkie quizy znajdują się w folderze Quiz App, w sumie 52 quizy po trzy pytania każdy. Są one powiązane z lekcjami, ale aplikację quizową można uruchomić lokalnie; postępuj zgodnie z instrukcjami w folderze quiz-app, aby hostować lokalnie lub wdrożyć na Azure.

Numer lekcji	Temat	Grupa lekcji	Cele nauczania	Powiązana lekcja	Autor
01	Wprowadzenie do uczenia maszynowego	Wprowadzenie	Poznaj podstawowe pojęcia związane z uczeniem maszynowym	Lekcja	Muhammad
02	Historia uczenia maszynowego	Wprowadzenie	Poznaj historię stojącą za tą dziedziną	Lekcja	Jen i Amy
03	Sprawiedliwość w uczeniu maszynowym	Wprowadzenie	Jakie ważne kwestie filozoficzne dotyczące sprawiedliwości należy rozważyć podczas budowy i stosowania modeli ML?	Lekcja	Tomomi
04	Techniki uczenia maszynowego	Wprowadzenie	Jakie techniki stosują badacze ML do budowy modeli ML?	Lekcja	Chris i Jen
05	Wprowadzenie do regresji	Regresja	Rozpocznij pracę z Pythonem i Scikit-learn w kontekście modeli regresji	Python • R	Jen • Eric Wanjau
06	Ceny dyni w Ameryce Północnej 🎃	Regresja	Wizualizuj i oczyszczaj dane w przygotowaniu do ML	Python • R	Jen • Eric Wanjau
07	Ceny dyni w Ameryce Północnej 🎃	Regresja	Buduj modele regresji liniowej i wielomianowej	Python • R	Jen i Dmitry • Eric Wanjau
08	Ceny dyni w Ameryce Północnej 🎃	Regresja	Buduj model regresji logistycznej	Python • R	Jen • Eric Wanjau
09	Aplikacja webowa 🔌	Aplikacja webowa	Zbuduj aplikację webową, aby używać swojego wytrenowanego modelu	Python	Jen
10	Wprowadzenie do klasyfikacji	Klasyfikacja	Oczyść, przygotuj i zwizualizuj swoje dane; wprowadzenie do klasyfikacji	Python • R	Jen i Cassie • Eric Wanjau
11	Pyszne kuchnie azjatyckie i indyjskie 🍜	Klasyfikacja	Wprowadzenie do klasyfikatorów	Python • R	Jen i Cassie • Eric Wanjau
12	Pyszne kuchnie azjatyckie i indyjskie 🍜	Klasyfikacja	Więcej klasyfikatorów	Python • R	Jen i Cassie • Eric Wanjau
13	Pyszne kuchnie azjatyckie i indyjskie 🍜	Klasyfikacja	Zbuduj aplikację webową rekomendującą na podstawie swojego modelu	Python	Jen
14	Wprowadzenie do klastrowania	Klastrowanie	Oczyść, przygotuj i zwizualizuj swoje dane; wprowadzenie do klastrowania	Python • R	Jen • Eric Wanjau
15	Eksploracja muzycznych gustów Nigeryjczyków 🎧	Klastrowanie	Poznaj metodę klastrowania K-Means	Python • R	Jen • Eric Wanjau
16	Wprowadzenie do przetwarzania języka naturalnego ☕️	Przetwarzanie języka naturalnego	Poznaj podstawy NLP, budując prostego bota	Python	Stephen
17	Typowe zadania NLP ☕️	Przetwarzanie języka naturalnego	Pogłęb swoją wiedzę o NLP, poznając typowe zadania związane z analizą struktur językowych	Python	Stephen
18	Tłumaczenie i analiza sentymentu ♥️	Przetwarzanie języka naturalnego	Tłumaczenie i analiza sentymentu z Jane Austen	Python	Stephen
19	Romantyczne hotele w Europie ♥️	Przetwarzanie języka naturalnego	Analiza sentymentu w recenzjach hoteli 1	Python	Stephen
20	Romantyczne hotele w Europie ♥️	Przetwarzanie języka naturalnego	Analiza sentymentu w recenzjach hoteli 2	Python	Stephen
21	Wprowadzenie do prognozowania szeregów czasowych	Szeregi czasowe	Wprowadzenie do prognozowania szeregów czasowych	Python	Francesca
22	⚡️ Zużycie energii na świecie ⚡️ - prognozowanie z ARIMA	Szeregi czasowe	Prognozowanie szeregów czasowych z ARIMA	Python	Francesca
23	⚡️ Zużycie energii na świecie ⚡️ - prognozowanie z SVR	Szeregi czasowe	Prognozowanie szeregów czasowych z Support Vector Regressor	Python	Anirban
24	Wprowadzenie do uczenia ze wzmocnieniem	Uczenie ze wzmocnieniem	Wprowadzenie do uczenia ze wzmocnieniem z Q-Learning	Python	Dmitry
25	Pomóż Piotrowi uniknąć wilka! 🐺	Uczenie ze wzmocnieniem	Gym w uczeniu ze wzmocnieniem	Python	Dmitry
Postscript	Scenariusze i zastosowania ML w rzeczywistości	ML w praktyce	Ciekawe i odkrywcze zastosowania klasycznego ML w rzeczywistości	Lekcja	Zespół
Postscript	Debugowanie modeli ML za pomocą pulpitu RAI	ML w praktyce	Debugowanie modeli uczenia maszynowego za pomocą komponentów odpowiedzialnego pulpitu AI	Lekcja	Ruth Yakubu

znajdź wszystkie dodatkowe zasoby do tego kursu w naszej kolekcji Microsoft Learn

Dostęp offline

Możesz uruchomić tę dokumentację offline, korzystając z Docsify. Sforkuj to repozytorium, zainstaluj Docsify na swoim lokalnym komputerze, a następnie w głównym folderze tego repozytorium wpisz docsify serve. Strona internetowa zostanie uruchomiona na porcie 3000 na Twoim localhost: localhost:3000.

PDF-y

Znajdź PDF programu nauczania z linkami tutaj.

🎒 Inne kursy

Nasz zespół tworzy inne kursy! Sprawdź:

Uzyskiwanie pomocy

Jeśli utkniesz lub masz pytania dotyczące budowy aplikacji AI, dołącz do:

Jeśli masz uwagi dotyczące produktu lub napotkasz błędy podczas budowy, odwiedź:

Zastrzeżenie:
Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI Co-op Translator. Chociaż dokładamy wszelkich starań, aby tłumaczenie było precyzyjne, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego języku źródłowym powinien być uznawany za autorytatywne źródło. W przypadku informacji o kluczowym znaczeniu zaleca się skorzystanie z profesjonalnego tłumaczenia przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.

27 KiB Raw Blame History Unescape Escape