Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Kannada | Korean | Lithuanian | Malay | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese
Wolisz klonować lokalnie?
To repozytorium zawiera tłumaczenia na ponad 50 języków, co znacznie zwiększa rozmiar pobierania. Aby sklonować bez tłumaczeń, użyj 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"To daje wszystko, czego potrzebujesz, aby ukończyć kurs, z dużo szybszym pobieraniem.
Prowadzimy serię Discord „Learn with AI”, dowiedz się więcej i dołącz do nas na Learn with AI Series od 18 do 30 września 2025. Otrzymasz wskazówki i triki korzystania z GitHub Copilot w Data Science.
🌍 Podróżuj po świecie, eksplorując uczenie maszynowe poprzez kultury świata 🌍
Cloud Advocates z Microsoft mają przyjemność zaoferować 12-tygodniowy program nauczania składający się z 26 lekcji na temat uczenia maszynowego. W tym programie nauczysz się o tym, co czasem nazywa się klasycznym uczeniem maszynowym, używając głównie biblioteki Scikit-learn i unikając głębokiego uczenia, które jest objęte naszym programem AI dla początkujących. Połącz te lekcje z naszym 'Data Science dla początkujących'!
Podróżuj z nami po świecie, stosując klasyczne techniki do danych z wielu regionów świata. Każda lekcja zawiera quizy przed- i po-lekcji, pisemne instrukcje do wykonania lekcji, rozwiązanie, zadanie oraz więcej. Nasza metoda oparta na projektach pozwala uczyć się przez tworzenie, co jest sprawdzonym sposobem na utrwalenie nowych umiejętności.
✍️ Serdeczne 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 oraz Jen Looper
🙏 Specjalne podziękowania 🙏 dla naszych autorów, recenzentów i współtwórców treści Microsoft Student Ambassador, w szczególności Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila oraz Snigdha Agarwal
🤩 Dodatkowe podziękowania dla Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi i Vidushi Gupta za nasze lekcje R!
Postępuj według tych kroków:
- Rozgałęź 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 do tego kursu w naszej kolekcji Microsoft Learn
🔧 Potrzebujesz pomocy? Sprawdź nasz Przewodnik rozwiązywania problemów z rozwiązaniami najczęstszych problemów z instalacją, konfiguracją i uruchamianiem lekcji.
Uczniowie, aby korzystać z tego programu, rozgałęź całe repozytorium na swoje konto GitHub i wykonuj ćwiczenia samodzielnie lub w grupie:
- Zacznij od quizu przed wykładem.
- Przeczytaj wykład i wykonaj aktywności, zatrzymując się i zastanawiając przy każdym sprawdzeniu wiedzy.
- Staraj się tworzyć projekty poprzez zrozumienie lekcji, zamiast uruchamiać kod z rozwiązania; jednak kod jest dostępny w folderach
/solutionw każdej lekcji zorientowanej na projekt. - Rozwiąż quiz po wykładzie.
- Wykonaj wyzwanie.
- Wykonaj zadanie.
- Po ukończeniu grupy lekcji odwiedź Tablicę dyskusji i „ucz się na głos”, wypełniając odpowiednią rubrykę PAT. „PAT” to Narzędzie Oceny Postępu, które wypełniasz, by pogłębić naukę. Możesz też reagować na inne PAT-y, abyśmy mogli uczyć się razem.
Do dalszej nauki zalecamy wybrane moduły i ścieżki nauki Microsoft Learn.
Nauczyciele, przygotowaliśmy kilka sugestii, jak korzystać z tego programu.
Niektóre lekcje dostępne są w formie krótkich filmów. Znajdziesz je osadzone bezpośrednio w lekcjach lub na playliście ML dla początkujących na kanale Microsoft Developer na YouTube przez kliknięcie obrazka poniżej.
Gif autorstwa Mohit Jaisal
🎥 Kliknij powyższy obraz, aby zobaczyć wideo o projekcie i osobach, które go stworzyły!
W trakcie tworzenia tego programu kierowaliśmy się dwoma zasadami pedagogicznymi: zapewnieniem że jest on praktyczny i oparty na projektach oraz że zawiera częste quizy. Ponadto program ma wspólny motyw przewodni, by nadać mu spójność.
Zapewnienie zgodności treści z projektami sprawia, że proces jest angażujący dla uczniów, a zapamiętywanie pojęć zostaje zwiększone. Dodatkowo quiz o niskiej stawce przed zajęciami ustawia intencję ucznia na naukę tematu, a drugi quiz po zajęciach zapewnia dalsze utrwalenie. Program ten jest zaprojektowany jako elastyczny i zabawny, i może być realizowany w całości lub częściowo. Projekty zaczynają się od małych, a kończą na coraz bardziej złożonych pod koniec 12-tygodniowego cyklu. Program zawiera również posłowie dotyczące rzeczywistych zastosowań ML, które można wykorzystać jako dodatkową pracę lub bazę do dyskusji.
Znajdź nasze Zasady postępowania, Wkład, Tłumaczenia i Rozwiązywanie problemów. Chętnie przyjmujemy Twoje konstruktywne opinie!
- opcjonalną notatkę graficzną
- opcjonalne wideo uzupełniające
- wideoprzewodnik (tylko niektóre lekcje)
- quiz rozgrzewkowy przed wykładem
- pisemną lekcję
- dla lekcji opartych na projektach, przewodniki krok po kroku jak zbudować projekt
- sprawdzian wiedzy
- wyzwanie
- dodatkowe materiały do czytania
- zadanie
- quiz po wykładzie
Informacja o językach: Te lekcje są napisane głównie w Pythonie, ale wiele jest również dostępnych w R. Aby ukończyć lekcję w R, przejdź do folderu
/solutioni poszukaj lekcji w R. Zawierają one rozszerzenie .rmd, które reprezentuje plik R Markdown, który można po prostu zdefiniować jako osadzeniefragmentów kodu(R lub innych języków) oraznagłówka YAML(który wskazuje, jak formatować wyniki, np. PDF) wdokumencie Markdown. W ten sposób służy jako wzorcowe środowisko autorskie dla nauki o danych, ponieważ pozwala łączyć Twój kod, jego wyniki i przemyślenia, umożliwiając ich zapisywanie w Markdown. Ponadto dokumenty R Markdown mogą być renderowane do formatów wyjściowych takich jak PDF, HTML lub Word.
Informacja o quizach: Wszystkie quizy znajdują się w folderze Quiz App folder, łącznie 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 nauki | Powiązana lekcja | Autor |
|---|---|---|---|---|---|
| 01 | Wprowadzenie do uczenia maszynowego | Introduction | Poznaj podstawowe koncepcje uczenia maszynowego | Lesson | Muhammad |
| 02 | Historia uczenia maszynowego | Introduction | Poznaj historię stojącą za tą dziedziną | Lesson | Jen i Amy |
| 03 | Sprawiedliwość a uczenie maszynowe | Introduction | Jakie są ważne kwestie filozoficzne dotyczące sprawiedliwości, które powinni rozważyć uczniowie przy budowaniu i stosowaniu modeli ML? | Lesson | Tomomi |
| 04 | Techniki uczenia maszynowego | Introduction | Jakich technik używają badacze ML do budowania modeli ML? | Lesson | Chris i Jen |
| 05 | Wprowadzenie do regresji | Regression | Zacznij z Pythonem i Scikit-learn dla modeli regresji | Python • R | Jen • Eric Wanjau |
| 06 | Ceny dyni w Ameryce Północnej 🎃 | Regression | Wizualizuj i czyść dane przygotowując je do ML | Python • R | Jen • Eric Wanjau |
| 07 | Ceny dyni w Ameryce Północnej 🎃 | Regression | Buduj liniowe i wielomianowe modele regresji | Python • R | Jen i Dmitry • Eric Wanjau |
| 08 | Ceny dyni w Ameryce Północnej 🎃 | Regression | Buduj model regresji logistycznej | Python • R | Jen • Eric Wanjau |
| 09 | Aplikacja Webowa 🔌 | Web App | Zbuduj aplikację webową do wykorzystania wytrenowanego modelu | Python | Jen |
| 10 | Wprowadzenie do klasyfikacji | Classification | Czyść, przygotuj i wizualizuj dane; wprowadzenie do klasyfikacji | Python • R | Jen i Cassie • Eric Wanjau |
| 11 | Pyszne kuchnie azjatyckie i indyjskie 🍜 | Classification | Wprowadzenie do klasyfikatorów | Python • R | Jen i Cassie • Eric Wanjau |
| 12 | Pyszne kuchnie azjatyckie i indyjskie 🍜 | Classification | Więcej klasyfikatorów | Python • R | Jen i Cassie • Eric Wanjau |
| 13 | Pyszne kuchnie azjatyckie i indyjskie 🍜 | Classification | Zbuduj rekomendacyjną aplikację webową używając swojego modelu | Python | Jen |
| 14 | Wprowadzenie do klasteryzacji | Clustering | Czyść, przygotuj i wizualizuj dane; wprowadzenie do klasteryzacji | Python • R | Jen • Eric Wanjau |
| 15 | Eksploracja preferencji muzycznych Nigerii 🎧 | Clustering | Poznaj metodę klasteryzacji K-średnich | Python • R | Jen • Eric Wanjau |
| 16 | Wprowadzenie do przetwarzania języka naturalnego ☕️ | Natural language processing | Naucz się podstaw NLP budując prostego bota | Python | Stephen |
| 17 | Popularne zadania NLP ☕️ | Natural language processing | Pogłęb swoją wiedzę o NLP poznając typowe zadania związane z analizą struktur językowych | Python | Stephen |
| 18 | Tłumaczenie i analiza sentymentu |
Natural language processing | Tłumaczenie i analiza sentymentu na podstawie Jane Austen | Python | Stephen |
| 19 | Romantyczne hotele w Europie |
Natural language processing | Analiza sentymentu na podstawie opinii o hotelach 1 | Python | Stephen |
| 20 | Romantyczne hotele w Europie |
Natural language processing | Analiza sentymentu na podstawie opinii o hotelach 2 | Python | Stephen |
| 21 | Wprowadzenie do prognozowania szeregów czasowych | Time series | Wprowadzenie do prognozowania szeregów czasowych | Python | Francesca |
| 22 | ⚡️ Zużycie energii na świecie ⚡️ - prognozowanie ARIMA | Time series | Prognozowanie szeregów czasowych z ARIMA | Python | Francesca |
| 23 | ⚡️ Zużycie energii na świecie ⚡️ - prognozowanie SVR | Time series | Prognozowanie szeregów czasowych za pomocą Regresora Wektorów Wspierających | Python | Anirban |
| 24 | Wprowadzenie do uczenia ze wzmocnieniem | Reinforcement learning | Wprowadzenie do uczenia ze wzmocnieniem z Q-Learning | Python | Dmitry |
| 25 | Pomóż Piotrowi uniknąć wilka! 🐺 | Reinforcement learning | Uczenie ze wzmocnieniem na platformie Gym | Python | Dmitry |
| Posłowie | Scenariusze i zastosowania ML w praktyce | ML in the Wild | Interesujące i pouczające realne zastosowania klasycznego uczenia maszynowego | Lesson | Zespół |
| Posłowie | Debugowanie modeli ML przy użyciu pulpitu RAI | ML in the Wild | Debugowanie modeli w uczeniu maszynowym przy wykorzystaniu komponentów pulpitu Responsible AI | Lesson | Ruth Yakubu |
znajdź wszystkie dodatkowe zasoby do tego kursu w naszej kolekcji Microsoft Learn
Możesz korzystać z tej dokumentacji offline, używając Docsify. Rozgałęź to repozytorium, zainstaluj Docsify na swoim lokalnym komputerze, a następnie w katalogu głównym tego repozytorium wpisz docsify serve. Strona zostanie udostępniona na porcie 3000 na localhost: localhost:3000.
Pobierz pdf z programem nauczania z linkami tutaj.
Nasz zespół tworzy także inne kursy! Sprawdź:
-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}
Jeśli utkniesz lub masz pytania dotyczące tworzenia aplikacji AI. Dołącz do innych uczących się i doświadczonych programistów w dyskusjach o MCP. To wspierająca społeczność, w której pytania są mile widziane, a wiedza jest swobodnie dzielona.
Jeśli masz uwagi dotyczące produktu lub napotkasz błędy podczas tworzenia, odwiedź:
- Przeglądaj notatniki po każdej lekcji, aby lepiej zrozumieć materiał.
- Ćwicz samodzielne wdrażanie algorytmów.
- Eksploruj rzeczywiste zestawy danych, wykorzystując poznane koncepcje.
Informacja o wyłączeniu odpowiedzialności: Dokument ten został przetłumaczony przy użyciu usługi tłumaczenia AI Co-op Translator. Mimo że staramy się zapewnić dokładność, prosimy mieć na uwadze, że tłumaczenia automatyczne mogą zawierać błędy lub niedokładności. Oryginalny dokument w języku źródłowym należy uważać za wiarygodne źródło informacji. W przypadku ważnych informacji zalecane jest skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z korzystania z tego tłumaczenia.