Arabština | Bengálština | Bulharština | Barmsky (Myanmar) | Čínština (zjednodušená) | Čínština (tradiční, Hong Kong) | Čínština (tradiční, Macau) | Čínština (tradiční, Taiwan) | Chorvatština | Čeština | Dánština | Nizozemština | Estonština | Finština | Francouzština | Němčina | Řečtina | Hebrejština | Hindština | Maďarština | Indonéština | Čeština | Japonština | Kannada | Korejština | Litevština | Malajština | Malajalámština | Maráthština | Nepálština | Nigerijská pidžinština | Nórština | Perština (Fársí) | Polština | Portugalština (Brazílie) | Portugalština (Portugalsko) | Paňdžábština (Gurmukhi) | Rumunština | Ruština | Srbština (cyrilice) | Slovenština | Slovinština | Španělština | Svahilština | Švédština | Tagalog (Filipíny) | Tamil | Telugština | Thajština | Turečtina | Ukrajinština | Urdu | Vietnamština
Raději klonovat lokálně?
Tento repozitář obsahuje více než 50 překladů jazyků, což výrazně zvětšuje velikost stažení. Pro klonování bez překladů použijte sparse checkout:
Bash / macOS / Linux:
git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git cd ML-For-Beginners git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'CMD (Windows):
git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git cd ML-For-Beginners git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"Tím získáte vše potřebné k dokončení kurzu s mnohem rychlejším stažením.
Máme probíhající sérii Discord uč se s AI, dozvíte se více a přidejte se k nám na Learn with AI Series od 18. do 30. září 2025. Získáte tipy a triky pro používání GitHub Copilot pro Data Science.
🌍 Cestujte po celém světě, zatímco zkoumáme strojové učení prostřednictvím světových kultur 🌍
Cloud Advocates v Microsoftu s potěšením nabízejí 12týdenní, 26lekcí kurikulum zaměřené na strojové učení. V tomto kurikulu se naučíte to, co se někdy nazývá klasické strojové učení, primárně s využitím knihovny Scikit-learn, přičemž se vyhnete hlubokému učení, které je zahrnuto v našem kurikulu AI pro začátečníky. Kombinujte tyto lekce s naším kurikulem 'Data Science pro začátečníky'!
Cestujte s námi po světě, když aplikujeme tyto klasické techniky na data z různých oblastí světa. Každá lekce obsahuje před- a po-lekční kvízy, písemné instrukce k dokončení lekce, řešení, úkol a další. Naše projektově orientovaná pedagogika vám umožní učit se během tvorby, 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
🙏 Zvláštní poděkování 🙏 našim autorům, recenzentům a přispěvatelům obsahu z řad Microsoft Student Ambassador, zejména Rishitu Dalgimu, Muhammad Sakib Khan Inanovi, Rohanu Rajovi, Alexandru Petrescovi, Abhishek Jaiswalovi, Nawrin Tabassum, Ioanu Samuilaovi a Snigdha Agarwalovi
🤩 Další díky Microsoft Student Ambassadors Ericu Wanjauovi, Jasleen Sondhimu a Vidushi Gupta za naše lekce R!
Postupujte podle těchto kroků:
- Vytvořte forknutí repozitáře: Klikněte na tlačítko "Fork" vpravo nahoře na této stránce.
- Klonujte repozitář:
git clone https://github.com/microsoft/ML-For-Beginners.git
všechny další zdroje pro tento kurz najdete v naší kolekci Microsoft Learn
🔧 Potřebujete pomoc? Podívejte se na náš Průvodce řešením problémů pro řešení běžných problémů s instalací, nastavením a spouštěním lekcí.
Studenti, pro použití tohoto kurikula vytvořte forknutí celého repozitáře na váš GitHub účet a cvičení dokončujte sami nebo ve skupině:
- Začněte přednáškovým kvízem.
- Přečtěte si přednášku a dokončete aktivity, zastavujte se a přemýšlejte při každé znalostní kontrole.
- Snažte se vytvářet projekty pochopením lekcí místo pouhého spouštění řešení; toto řešení je však dostupné ve složkách
/solutionv každé lekci orientované na projekt. - Udělejte po přednášce kvíz.
- Splňte výzvu.
- Splňte úkol.
- Po dokončení skupiny lekcí navštivte Diskuzní fórum a „učte se nahlas“ vyplněním příslušné rubriky PAT. PAT je Nástroj pro hodnocení pokroku, kterým si zlepšíte své učení. Také můžete reagovat na PAT jiných, abychom se učili společně.
Pro další studium doporučujeme sledovat tyto moduly a učební cesty Microsoft Learn.
Učitelé, máme několik návrhů, jak používat toto kurikulum.
Některé lekce jsou dostupné jako krátká videa. Všechny je najdete přímo v lekcích nebo na playlistu ML pro začátečníky na YouTube kanálu Microsoft Developer kliknutím na níže uvedený obrázek.
Gif od Mohit Jaisal
🎥 Klikněte na obrázek výše pro video o projektu a lidech, kteří ho vytvořili!
Při tvorbě tohoto kurikula jsme zvolili dva pedagogické principy: zajistit, aby bylo praktické a projektově orientované, a aby obsahovalo časté kvízy. Dále má toto kurikulum společné téma, které mu dává soudržnost.
Zajištěním souladu obsahu s projekty je proces pro studenty zajímavější a zvyšuje se udržení konceptů. Nízkorizikový kvíz před vyučováním nastaví záměr studenta učit se dané téma a druhý po vyučování zajistí další zapamatování. Toto kurikulum je navrženo tak, aby bylo flexibilní a zábavné a lze jej absolvovat celé nebo po částech. Projekty začínají malé a na konci 12týdenního cyklu jsou stále složitější. Kurikulum také obsahuje dodatek o reálných aplikacích ML, který lze využít jako bonusový úkol nebo základy pro diskusi.
Najděte náš Kodex chování, Příspěvek, Překlady a Průvodce řešením problémů. Vítáme vaše konstruktivní připomínky!
- volitelnou sketchnotu
- volitelné doplňkové video
- video průvodce (pouze některé lekce)
- přednáškový rozehřívací kvíz
- psanou lekci
- u projektově orientovaných lekcí krok za krokem návod, jak projekt vytvořit
- znalostní kontroly
- výzvu
- doplňující četbu
- úkol
- povolený kvíz po přednášce
Poznámka o jazycích: Tyto lekce jsou primárně psány v Pythonu, ale mnohé jsou dostupné také v jazyce R. Pro dokončení lekce v R přejděte do složky
/solutiona vyhledejte lekce v R. Ty obsahují příponu .rmd, která představuje R Markdown soubor, což lze jednoduše definovat jako vkládáníkódových bloků(v R nebo jiných jazycích) aYAML hlavičky(která určuje, jak formátovat výstupy jako PDF) doMarkdown dokumentu. Jako takový slouží jako příkladný autorovací rámec pro datovou vědu, protože umožňuje kombinovat váš kód, jeho výstup a vaše poznámky tím, že vám dovoluje psát je v Markdownu. Navíc lze dokumenty R Markdown vyrenderovat do výstupních formátů, jako jsou PDF, HTML nebo Word.
Poznámka o kvízech: Všechny kvízy jsou obsaženy ve složce Quiz App, celkem 52 kvízů po třech otázkách každý. Jsou propojeny v jednotlivých lekcích, ale kvízová aplikace může být spuštěna lokálně; následujte instrukce ve složce
quiz-apppro lokální hostování nebo nasazení na Azure.
| Číslo lekce | Téma | Skupina lekcí | Cíle učení | Propojená lekce | Autor |
|---|---|---|---|---|---|
| 01 | Úvod do strojového učení | Úvod | Naučit se základní koncepty strojového učení | Lekce | Muhammad |
| 02 | Historie strojového učení | Úvod | Seznámit se s historií tohoto oboru | Lekce | Jen a Amy |
| 03 | Spravedlnost a strojové učení | Úvod | Jaké jsou důležité filozofické otázky týkající se spravedlnosti, které by studenti měli zvážit při tvorbě a aplikaci ML modelů? | Lekce | Tomomi |
| 04 | Techniky strojového učení | Úvod | Jaké techniky využívají výzkumníci ML při tvorbě ML modelů? | Lekce | Chris a Jen |
| 05 | Úvod do regresní analýzy | Regrese | Začít s Pythonem a Scikit-learn pro regresní modely | Python • R | Jen • Eric Wanjau |
| 06 | Ceny dýní v Severní Americe 🎃 | Regrese | Vizualizovat a vyčistit data pro ML | Python • R | Jen • Eric Wanjau |
| 07 | Ceny dýní v Severní Americe 🎃 | Regrese | Postavit lineární a polynomiální regresní modely | Python • R | Jen a Dmitry • Eric Wanjau |
| 08 | Ceny dýní v Severní Americe 🎃 | Regrese | Postavit logistický regresní model | Python • R | Jen • Eric Wanjau |
| 09 | Webová aplikace 🔌 | Web App | Vytvořit webovou aplikaci k použití vašeho natrénovaného modelu | Python | Jen |
| 10 | Úvod do klasifikace | Klasifikace | Vyčistit, připravit a vizualizovat data; úvod do klasifikace | Python • R | Jen a Cassie • Eric Wanjau |
| 11 | Lahodné asijské a indické kuchyně 🍜 | Klasifikace | Úvod do klasifikátorů | Python • R | Jen a Cassie • Eric Wanjau |
| 12 | Lahodné asijské a indické kuchyně 🍜 | Klasifikace | Další klasifikátory | Python • R | Jen a Cassie • Eric Wanjau |
| 13 | Lahodné asijské a indické kuchyně 🍜 | Klasifikace | Vytvořit doporučující webovou aplikaci s použitím vašeho modelu | Python | Jen |
| 14 | Úvod do shlukování | Shlukování | Vyčistit, připravit a vizualizovat data; úvod do shlukování | Python • R | Jen • Eric Wanjau |
| 15 | Zkoumání nigerijských hudebních vkusů 🎧 | Shlukování | Prozkoumat metodu K-Means shlukování | Python • R | Jen • Eric Wanjau |
| 16 | Úvod do zpracování přirozeného jazyka ☕️ | Zpracování přirozeného jazyka | Naučit se základy NLP tvorbou jednoduchého bota | Python | Stephen |
| 17 | Běžné úkoly NLP ☕️ | Zpracování přirozeného jazyka | Prohloubit znalosti NLP porozuměním běžných úkolů potřebných 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 Evropy |
Zpracování přirozeného jazyka | Analýza sentimentu recenzí hotelů 1 | Python | Stephen |
| 20 | Romantické hotely Evropy |
Zpracování přirozeného jazyka | Analýza sentimentu recenzí hotelů 2 | Python | Stephen |
| 21 | Úvod do predikce časových řad | Časové řady | Úvod do predikce časových řad | Python | Francesca |
| 22 | ⚡️ Spotřeba světové energie ⚡️ - predikce časových řad s ARIMA | Časové řady | Predikce časových řad pomocí ARIMA | Python | Francesca |
| 23 | ⚡️ Spotřeba světové energie ⚡️ - predikce časových řad s SVR | Časové řady | Predikce časových řad pomocí Support Vector Regressoru | Python | Anirban |
| 24 | Úvod do posilovaného učení | Posilované učení | Úvod do posilovaného učení s Q-Learning | Python | Dmitry |
| 25 | Pomozte Peterovi vyhnout se vlkovi! 🐺 | Posilované učení | Posilované učení s Gym | Python | Dmitry |
| Postscript | Reálné scénáře a aplikace ML | ML v praxi | Zajímavé a poučné reálné aplikace klasického ML | Lekce | Tým |
| Postscript | Ladění modelů v ML pomocí RAI dashboardu | ML v praxi | Ladění modelů v ML pomocí komponent dashboardu Responsible AI | Lekce | Ruth Yakubu |
najděte všechny další zdroje k tomuto kurzu v naší kolekci Microsoft Learn
Tuto dokumentaci můžete spustit offline pomocí Docsify. Forkněte si tento repozitář, nainstalujte Docsify na svůj počítač a poté v kořenové složce tohoto repozitáře spusťte příkaz docsify serve. Web bude dostupný na portu 3000 na vašem localhostu: localhost:3000.
Najděte pdf osnovy s odkazy zde.
Náš tým vytváří i další kurzy! Podívejte se:
-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA){kind=icon}
-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC){kind=icon}
-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9){kind=icon}
Pokud se zaseknete nebo máte jakékoli otázky ohledně vytváření AI aplikací, připojte se k ostatním studentům a zkušeným vývojářům v diskuzích o MCP. Je to podpůrná komunita, kde jsou otázky vítány a znalosti jsou sdíleny otevřeně.
Pokud máte zpětnou vazbu k produktu nebo při vytváření narazíte na chyby, navštivte:
- Po každé lekci si prohlédněte poznámkové bloky pro lepší pochopení.
- Procvičujte si implementaci algoritmů sami.
- Prozkoumejte reálné datové sady pomocí naučených konceptů.
Prohlášení o vyloučení odpovědnosti:
Tento dokument byl přeložen pomocí AI překladatelské služby Co-op Translator. Přestože usilujeme o přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Originální dokument v jeho mateřském jazyce by měl být považován za závazný zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Nejsme odpovědni za případná nedorozumění nebo nesprávné výklady vyplývající z použití tohoto překladu.