Αραβικά | Μπενγκάλι | Βουλγαρικά | Βιρμανικά (Μιανμάρ) | Κινέζικα (Απλοποιημένα) | Κινέζικα (Παραδοσιακά, Χονγκ Κονγκ) | Κινέζικα (Παραδοσιακά, Μακάο) | Κινέζικα (Παραδοσιακά, Ταϊβάν) | Κροατικά | Τσέχικα | Δανικά | Ολλανδικά | Εσθονικά | Φινλανδικά | Γαλλικά | Γερμανικά | Ελληνικά | Εβραϊκά | Χίντι | Ουγγρικά | Ινδονησιακά | Ιταλικά | Ιαπωνικά | Κανάντα | Κορεάτικα | Λιθουανικά | Μαλαισιανά | Μαλαγιαλάμ | Μαραθικά | Νεπάλικά | Νιγηριανά Πίντζιν | Νορβηγικά | Περσικά (Φαρσί) | Πολωνικά | Πορτογαλικά (Βραζιλία) | Πορτογαλικά (Πορτογαλία) | Πουντζάμπι (Γκουρμούκι) | Ρουμανικά | Ρωσικά | Σερβικά (Κυριλλικά) | Σλοβακικά | Σλοβενικά | Ισπανικά | Σουαχίλι | Σουηδικά | Ταγκάλογκ (Φιλιππινέζικα) | Ταμίλ | Τελούγκου | Ταϊλανδικά | Τουρκικά | Ουκρανικά | Ουρντού | Βιετναμέζικα
Προτιμάτε να κλωνοποιήσετε τοπικά;
Αυτό το αποθετήριο περιλαμβάνει πάνω από 50 μεταφράσεις γλωσσών οι οποίες αυξάνουν σημαντικά το μέγεθος λήψης. Για να κλωνοποιήσετε χωρίς μεταφράσεις, χρησιμοποιήστε το 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"Αυτό σας δίνει όλα όσα χρειάζεστε για να ολοκληρώσετε το μάθημα με πολύ πιο γρήγορη λήψη.
Διαρκεί μια σειρά μαθήματος Discord για μάθηση με AI, μάθετε περισσότερα και συμμετέχετε στο Learn with AI Series από 18 έως 30 Σεπτεμβρίου 2025. Θα λάβετε συμβουλές και κόλπα για τη χρήση του GitHub Copilot για Data Science.
🌍 Ταξιδέψτε σ' όλο τον κόσμο καθώς εξερευνούμε τη Μηχανική Μάθηση μέσω των πολιτισμών του κόσμου 🌍
Οι Cloud Advocates της Microsoft με χαρά προσφέρουν ένα 12-εβδομάδων, 26-μαθημάτων πρόγραμμα σπουδών που αφορά τη Μηχανική Μάθηση. Σε αυτό το πρόγραμμα σπουδών, θα μάθετε για ό,τι ονομάζεται συχνά κλασική μηχανική μάθηση, χρησιμοποιώντας κυρίως τη βιβλιοθήκη Scikit-learn και αποφεύγοντας τη βαθιά μάθηση, η οποία καλύπτεται στο πρόγραμμα σπουδών AI για Αρχάριους. Συνδυάστε αυτά τα μαθήματα με το δικό μας πρόγραμμα σπουδών Επιστήμη δεδομένων για Αρχάριους επίσης!
Ταξιδέψτε μαζί μας σε όλο τον κόσμο καθώς εφαρμόζουμε αυτές τις κλασικές τεχνικές σε δεδομένα από πολλές περιοχές του κόσμου. Κάθε μάθημα περιλαμβάνει κουίζ πριν και μετά το μάθημα, γραπτές οδηγίες για την ολοκλήρωση του μαθήματος, λύση, ανάθεση εργασίας και άλλα. Η διδακτική μέθοδος βασισμένη σε έργα σάς επιτρέπει να μαθαίνετε καθώς κατασκευάζετε, ένας αποδεδειγμένος τρόπος για να "κολλήσουν" οι νέες δεξιότητες.
✍️ Θερμές ευχαριστίες στους συγγραφείς μας Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu και Amy Boyd
🎨 Ευχαριστίες επίσης στους εικονογράφους μας Tomomi Imura, Dasani Madipalli, και Jen Looper
🙏 Ειδικές ευχαριστίες 🙏 στους Microsoft Student Ambassador συγγραφείς, αξιολογητές και συντελεστές περιεχομένου, ιδιαίτερα στους Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, και Snigdha Agarwal
🤩 Επιπλέον ευγνωμοσύνη στους Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, και Vidushi Gupta για τα μαθήματα R!
Ακολουθήστε αυτά τα βήματα:
- Fork το αποθετήριο: Κάντε κλικ στο κουμπί "Fork" στην επάνω δεξιά γωνία αυτής της σελίδας.
- Κλωνοποιήστε το αποθετήριο:
git clone https://github.com/microsoft/ML-For-Beginners.git
βρείτε όλους τους επιπλέον πόρους για αυτό το μάθημα στη συλλογή Microsoft Learn
🔧 Χρειάζεστε βοήθεια; Ελέγξτε τον Οδηγό αντιμετώπισης προβλημάτων για λύσεις σε κοινά θέματα εγκατάστασης, ρυθμίσεων και εκτέλεσης μαθημάτων.
Φοιτητές, για να χρησιμοποιήσετε αυτό το πρόγραμμα σπουδών, κάντε fork ολόκληρου του αποθετηρίου στο δικό σας λογαριασμό GitHub και ολοκληρώστε τις ασκήσεις μόνοι σας ή σε ομάδα:
- Ξεκινήστε με ένα κουίζ προετοιμασίας μαθήματος.
- Διαβάστε το μάθημα και ολοκληρώστε τις δραστηριότητες, σταματώντας και αναλογιζόμενοι σε κάθε έλεγχο γνώσης.
- Προσπαθήστε να δημιουργήσετε τα έργα κατανοώντας τα μαθήματα αντί να τρέχετε τον κώδικα λύσης· ωστόσο, αυτός ο κώδικας είναι διαθέσιμος στους φακέλους
/solutionσε κάθε μάθημα προσανατολισμένο σε έργα. - Δώστε το κουίζ μετά το μάθημα.
- Ολοκληρώστε την πρόκληση.
- Ολοκληρώστε την ανάθεση.
- Αφού ολοκληρώσετε μια ομάδα μαθημάτων, επισκεφθείτε το Discussion Board και "μάθετε δυνατά" συμπληρώνοντας το κατάλληλο πρότυπο PAT. Ένα 'PAT' είναι Ένα Εργαλείο Αξιολόγησης Προόδου που είναι ένα πρότυπο που συμπληρώνετε για να εξελίξετε τη μάθησή σας. Μπορείτε επίσης να αντιδράσετε σε άλλα PAT ώστε να μαθαίνουμε μαζί.
Για περαιτέρω μελέτη, προτείνουμε να ακολουθήσετε αυτά τα Microsoft Learn μαθήματα και διαδρομές μάθησης.
Καθηγητές, έχουμε συμπεριλάβει κάποιες προτάσεις για το πώς να χρησιμοποιήσετε αυτό το πρόγραμμα σπουδών.
Μερικά από τα μαθήματα διατίθενται ως σύντομα βίντεο. Μπορείτε να τα βρείτε όλα ενσωματωμένα στα μαθήματα ή στη λίστα προβολής ML for Beginners στο κανάλι Microsoft Developer του YouTube κάνοντας κλικ στην παρακάτω εικόνα.
Gif από Mohit Jaisal
🎥 Κάντε κλικ στην εικόνα παραπάνω για ένα βίντεο σχετικά με το έργο και τους ανθρώπους που το δημιούργησαν!
Έχουμε επιλέξει δύο διδακτικές αρχές κατά την ανάπτυξη αυτού του προγράμματος σπουδών: τη διασφάλιση ότι είναι πρακτικό και βασισμένο σε έργα και ότι περιλαμβάνει συχνά κουίζ. Επιπλέον, αυτό το πρόγραμμα σπουδών έχει ένα κοινό θέμα για να του δώσει συνοχή.
Με το να διασφαλίζουμε ότι το περιεχόμενο ευθυγραμμίζεται με τα έργα, η διαδικασία γίνεται πιο ελκυστική για τους μαθητές και η συγκράτηση των εννοιών θα βελτιωθεί. Επιπλέον, ένα κουίζ χαμηλού κινδύνου πριν από ένα μάθημα θέτει την πρόθεση του μαθητή προς την εκμάθηση ενός θέματος, ενώ ένα δεύτερο κουίζ μετά το μάθημα εξασφαλίζει περαιτέρω συγκράτηση. Αυτό το πρόγραμμα σπουδών σχεδιάστηκε για να είναι ευέλικτο και διασκεδαστικό και μπορεί να ληφθεί ολόκληρο ή σε μέρη. Τα έργα ξεκινούν μικρά και γίνονται όλο και πιο πολύπλοκα στο τέλος του 12-εβδομάδων κύκλου. Αυτό το πρόγραμμα σπουδών περιλαμβάνει επίσης ένα επίμετρο για πραγματικές εφαρμογές της ΜΜ, το οποίο μπορεί να χρησιμοποιηθεί ως επιπλέον αξιολόγηση ή ως βάση για συζήτηση.
Βρείτε τις οδηγίες μας Κώδικας Συμπεριφοράς, Συνεισφορά, Μετάφραση, και Αντιμετώπιση προβλημάτων. Καλωσορίζουμε τις εποικοδομητικές παρατηρήσεις σας!
- προαιρετικό σκίτσο
- προαιρετικό συμπληρωματικό βίντεο
- βίντεο καθοδήγησης (μόνο μερικά μαθήματα)
- προμαθησιακό quiz
- γραπτό μάθημα
- για μαθήματα βασισμένα σε έργα, βήμα προς βήμα οδηγίες για την κατασκευή του έργου
- έλεγχοι γνώσης
- μια πρόκληση
- συμπληρωματική ανάγνωση
- ανάθεση
- μετα-μαθησιακό quiz
Μια σημείωση για τις γλώσσες: Αυτά τα μαθήματα είναι κυρίως γραμμένα σε Python, αλλά πολλά είναι διαθέσιμα και σε R. Για να ολοκληρώσετε ένα μάθημα σε R, πηγαίνετε στον φάκελο
/solutionκαι αναζητήστε μαθήματα σε R. Αυτά περιλαμβάνουν μια κατάληξη .rmd που αντιπροσωπεύει ένα R Markdown αρχείο, το οποίο μπορεί να οριστεί απλά ως ενσωμάτωσηκωδικοτμημάτων(σε R ή άλλες γλώσσες) καιYAML κεφαλίδας(που καθοδηγεί τον τρόπο μορφοποίησης των εξόδων, όπως PDF) σε έναMarkdown έγγραφο. Ως τέτοιο, λειτουργεί ως ένα υποδειγματικό πλαίσιο συγγραφής για την επιστήμη δεδομένων, αφού σας επιτρέπει να συνδυάσετε τον κώδικά σας, την έξοδό του και τις σκέψεις σας, επιτρέποντάς σας να τις γράψετε σε Markdown. Επιπλέον, τα έγγραφα R Markdown μπορούν να αποδοθούν σε μορφές εξόδου όπως PDF, HTML ή Word.
Μια σημείωση για τα κουίζ: Όλα τα κουίζ περιλαμβάνονται στο φάκελο Quiz App, συνολικά 52 κουίζ με τρεις ερωτήσεις το καθένα. Συνδέονται μέσα από τα μαθήματα, αλλά η εφαρμογή κουίζ μπορεί να τρέξει τοπικά· ακολουθήστε τις οδηγίες στον φάκελο
quiz-appγια να φιλοξενήσετε τοπικά ή να αναπτύξετε στο Azure.
| Αριθμός Μαθήματος | Θέμα | Ομάδα Μαθημάτων | Μαθησιακοί Στόχοι | Συνδεδεμένο Μάθημα | Συγγραφέας |
|---|---|---|---|---|---|
| 01 | Εισαγωγή στη μηχανική μάθηση | Εισαγωγή | Μάθετε τις βασικές έννοιες πίσω από τη μηχανική μάθηση | Μάθημα | Muhammad |
| 02 | Η ιστορία της μηχανικής μάθησης | Εισαγωγή | Μάθετε την ιστορία που διέπει αυτόν τον τομέα | Μάθημα | Jen και Amy |
| 03 | Δικαιοσύνη και μηχανική μάθηση | Εισαγωγή | Ποια είναι τα σημαντικά φιλοσοφικά ζητήματα γύρω από τη δικαιοσύνη που πρέπει να λάβουν υπόψη οι μαθητές όταν δημιουργούν και εφαρμόζουν μοντέλα ML; | Μάθημα | Tomomi |
| 04 | Τεχνικές για μηχανική μάθηση | Εισαγωγή | Ποιες τεχνικές χρησιμοποιούν οι ερευνητές ML για να δημιουργήσουν μοντέλα ML; | Μάθημα | Chris και Jen |
| 05 | Εισαγωγή στην παλινδρόμηση | Παλινδρόμηση | Ξεκινήστε με Python και το Scikit-learn για μοντέλα παλινδρόμησης | Python • R | Jen • Eric Wanjau |
| 06 | Τιμές κολοκύθας στη Βόρεια Αμερική 🎃 | Παλινδρόμηση | Οπτικοποιήστε και καθαρίστε δεδομένα για προετοιμασία στη μηχανική μάθηση | Python • R | Jen • Eric Wanjau |
| 07 | Τιμές κολοκύθας στη Βόρεια Αμερική 🎃 | Παλινδρόμηση | Δημιουργήστε γραμμικά και πολυωνυμικά μοντέλα παλινδρόμησης | Python • R | Jen και Dmitry • Eric Wanjau |
| 08 | Τιμές κολοκύθας στη Βόρεια Αμερική 🎃 | Παλινδρόμηση | Δημιουργήστε ένα μοντέλο λογιστικής παλινδρόμησης | Python • R | Jen • Eric Wanjau |
| 09 | Μια Ιστό-εφαρμογή 🔌 | Ιστό-εφαρμογή | Δημιουργήστε μια ιστοσελίδα για να χρησιμοποιήσετε το εκπαιδευμένο μοντέλο σας | Python | Jen |
| 10 | Εισαγωγή στην ταξινόμηση | Ταξινόμηση | Καθαρίστε, προετοιμάστε και οπτικοποιήστε τα δεδομένα σας· εισαγωγή στην ταξινόμηση | Python • R | Jen και Cassie • Eric Wanjau |
| 11 | Νόστιμες ασιατικές και ινδικές κουζίνες 🍜 | Ταξινόμηση | Εισαγωγή στους ταξινομητές | Python • R | Jen και Cassie • Eric Wanjau |
| 12 | Νόστιμες ασιατικές και ινδικές κουζίνες 🍜 | Ταξινόμηση | Επιπλέον ταξινομητές | Python • R | Jen και Cassie • Eric Wanjau |
| 13 | Νόστιμες ασιατικές και ινδικές κουζίνες 🍜 | Ταξινόμηση | Δημιουργήστε μια ιστοσελίδα σύστασης χρησιμοποιώντας το μοντέλο σας | Python | Jen |
| 14 | Εισαγωγή στο ομαδοποίηση | Ομαδοποίηση | Καθαρίστε, προετοιμάστε και οπτικοποιήστε τα δεδομένα σας· Εισαγωγή στην ομαδοποίηση | Python • R | Jen • Eric Wanjau |
| 15 | Εξερεύνηση μουσικών γούστων στη Νιγηρία 🎧 | Ομαδοποίηση | Εξερευνήστε τη μέθοδο ομαδοποίησης K-Means | Python • R | Jen • Eric Wanjau |
| 16 | Εισαγωγή στην επεξεργασία φυσικής γλώσσας ☕️ | Επεξεργασία φυσικής γλώσσας | Μάθετε τα βασικά για NLP δημιουργώντας ένα απλό bot | Python | Stephen |
| 17 | Κοινές εργασίες NLP ☕️ | Επεξεργασία φυσικής γλώσσας | Εμβαθύνετε τις γνώσεις NLP κατανοώντας κοινές εργασίες που απαιτούνται στην επεξεργασία δομών γλώσσας | Python | Stephen |
| 18 | Μετάφραση και ανάλυση συναισθήματος |
Επεξεργασία φυσικής γλώσσας | Μετάφραση και ανάλυση συναισθήματος με την Jane Austen | Python | Stephen |
| 19 | Ρομαντικά ξενοδοχεία της Ευρώπης |
Επεξεργασία φυσικής γλώσσας | Ανάλυση συναισθήματος με κριτικές ξενοδοχείων 1 | Python | Stephen |
| 20 | Ρομαντικά ξενοδοχεία της Ευρώπης |
Επεξεργασία φυσικής γλώσσας | Ανάλυση συναισθήματος με κριτικές ξενοδοχείων 2 | Python | Stephen |
| 21 | Εισαγωγή στην πρόβλεψη χρονοσειρών | Χρονοσειρές | Εισαγωγή στην πρόβλεψη χρονοσειρών | Python | Francesca |
| 22 | ⚡️ Κατανάλωση ρεύματος παγκοσμίως ⚡️ - πρόβλεψη χρονοσειρών με ARIMA | Χρονοσειρές | Πρόβλεψη χρονοσειρών με ARIMA | Python | Francesca |
| 23 | ⚡️ Κατανάλωση ρεύματος παγκοσμίως ⚡️ - πρόβλεψη χρονοσειρών με SVR | Χρονοσειρές | Πρόβλεψη χρονοσειρών με Support Vector Regressor | Python | Anirban |
| 24 | Εισαγωγή στην ενισχυτική μάθηση | Ενισχυτική μάθηση | Εισαγωγή στην ενισχυτική μάθηση με Q-Learning | Python | Dmitry |
| 25 | Βοηθήστε τον Πέτρο να αποφύγει το λύκο! 🐺 | Ενισχυτική μάθηση | Ενισχυτική μάθηση Gym | Python | Dmitry |
| Επίλογος | Πραγματικά σενάρια και εφαρμογές ML | ML στη Φύση | Ενδιαφέρουσες και αποκαλυπτικές εφαρμογές κλασικής μηχανικής μάθησης στον πραγματικό κόσμο | Μάθημα | Ομάδα |
| Επίλογος | Αποσφαλμάτωση μοντέλων ML με χρήση RAI dashboard | ML στη Φύση | Αποσφαλμάτωση μοντέλων μηχανικής μάθησης χρησιμοποιώντας συστατικά του πίνακα ελέγχου Responsible AI | Μάθημα | Ruth Yakubu |
βρείτε όλους τους επιπλέον πόρους για αυτό το μάθημα στη συλλογή μας Microsoft Learn
Μπορείτε να εκτελέσετε αυτή την τεκμηρίωση εκτός σύνδεσης χρησιμοποιώντας το Docsify. Κάντε fork το repo, εγκαταστήστε το Docsify στον τοπικό σας υπολογιστή και μετά στο ριζικό φάκελο αυτού του repo, πληκτρολογήστε docsify serve. Ο ιστότοπος θα σερβιριστεί στην θύρα 3000 στο localhost σας: localhost:3000.
Βρείτε ένα pdf του προγράμματος σπουδών με συνδέσμους εδώ.
Η ομάδα μας παράγει και άλλα μαθήματα! Δείτε:
-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}
Αν κολλήσετε ή έχετε ερωτήσεις σχετικά με την κατασκευή εφαρμογών AI. Συμμετάσχετε με άλλους μαθητές και έμπειρους προγραμματιστές σε συζητήσεις για το MCP. Είναι μια υποστηρικτική κοινότητα όπου οι ερωτήσεις είναι ευπρόσδεκτες και η γνώση μοιράζεται ελεύθερα.
Αν έχετε σχόλια προϊόντος ή σφάλματα κατά την κατασκευή, επισκεφθείτε:
- Επανεξετάστε τα σημειωματάρια μετά από κάθε μάθημα για καλύτερη κατανόηση.
- Εξασκηθείτε στην υλοποίηση αλγορίθμων μόνοι σας.
- Εξερευνήστε πραγματικά σύνολα δεδομένων χρησιμοποιώντας τις έννοιες που μάθατε.
Αποποίηση Ευθυνών:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης AI Co-op Translator. Ενώ προσπαθούμε για ακρίβεια, παρακαλούμε να λάβετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν σφάλματα ή ανακρίβειες. Το πρωτότυπο έγγραφο στη γλώσσα του αποτελεί την αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική μετάφραση από άνθρωπο. Δεν φέρουμε καμία ευθύνη για τυχόν παρερμηνείες ή λανθασμένες εντυπώσεις που προκύπτουν από τη χρήση αυτής της μετάφρασης.