Arabski | Bengalski | Bolgarščina | Burmanski (Myanmar) | Kitajski (poenostavljeni) | Kitajski (tradicionalni, Hong Kong) | Kitajski (tradicionalni, Macau) | Kitajski (tradicionalni, Tajvan) | Hrvaški | Češki | Danski | Nizozemski | Estonščina | Finščina | Francoski | Nemški | Grški | Hebrejski | Hindski | Madžarski | Indonezijski | Italijanski | Japonski | Kannada | Korejski | Litovski | Malezijski | Malayalam | Marathi | Nepalski | Nigerijski pidžin | Norveški | Perzijski (Farsi) | Poljski | Portugalski (Brazilija) | Portugalski (Portugal) | Pandžabski (Gurmukhi) | Romunski | Ruski | Srbščina (cirilica) | Slovaški | Slovenski | Španski | Svahili | Švedski | Tagalog (Filipino) | Tamilski | Telugu | Tajski | Turški | Ukrajinski | Urdu | Vietnamski
Raje klonirati lokalno?
Ta repozitorij vključuje več kot 50 jezikovnih prevodov, zaradi česar se velikost prenosa znatno poveča. Če želite klonirati brez prevodov, uporabite razdeljeni 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"Tako dobite vse, kar potrebujete za dokončanje tečaja, z veliko hitrejšim prenosom.
Imamo tekočo serijo "Learn with AI" na Discordu, izvedite več in se nam pridružite na Learn with AI Series od 18. do 30. septembra 2025. Dobili boste nasvete in trike za uporabo GitHub Copilot za podatkovno znanost.
🌍 Potujte po svetu, ko raziskujemo Strojno učenje skozi svetovne kulture 🌍
Zagovorniki oblaka pri Microsoftu z veseljem ponujajo 12-tedenski, 26-lekcijski kurikulum, ki govori o Strojnem učenju. V tem kurikulumu boste spoznali tisto, kar se včasih imenuje klasično strojno učenje, ki uporablja predvsem knjižnico Scikit-learn in se izogiba globokemu učenju, ki je zajeto v našem kurikulumu AI za začetnike. Združite te lekcije tudi z našim kurikulumom »Podatkovna znanost za začetnike«!
Potujte z nami po svetu, ko uporabljamo te klasične tehnike na podatkih iz različnih delov sveta. Vsaka lekcija vključuje kvize pred in po lekciji, pisna navodila za izvedbo lekcije, rešitev, nalogo in še več. Naša projektno usmerjena pedagogika vam omogoča učenje med gradnjo, kar je preverjen način, da nove spretnosti zares osvojite.
✍️ Iskreno hvala našim avtorjem Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu in Amy Boyd
🎨 Hvala tudi našim ilustratorjem Tomomi Imura, Dasani Madipalli in Jen Looper
🙏 Posebna zahvala 🙏 našim Microsoft Student Ambassadorjem avtorjem, recenzentom in vsebinskim prispevkarjem, zlasti Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila in Snigdha Agarwal
🤩 Dodatna hvala Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi in Vidushi Gupta za naše R lekcije!
Sledite tem korakom:
- Razvežite repozitorij: Kliknite na gumb "Fork" v zgornjem desnem kotu te strani.
- Klonirajte repozitorij:
git clone https://github.com/microsoft/ML-For-Beginners.git
najdite vse dodatne vire za ta tečaj v naši zbirki Microsoft Learn
🔧 Potrebujete pomoč? Preverite naš Vodnik za odpravljanje težav za rešitve pogostih težav z namestitvijo, nastavitvijo in izvajanjem lekcij.
Študenti, za uporabo tega kurikuluma si razvejajte celoten repozitorij na svoj lasten GitHub račun in izvajajte vaje sami ali v skupini:
- Začnite s kvizom pred predavanjem.
- Preberite predavanje in dokončajte aktivnosti, ustavljajte se in premišljujte ob vsakem preverjanju znanja.
- Poskusite ustvariti projekte z razumevanjem lekcij, namesto da samo zaženete kodo rešitve; koda rešitev pa je na voljo v mapah
/solutionv posameznih lekcijah, usmerjenih v projekt. - Rešite kviz po predavanju.
- Izvedite izziv.
- Izvedite nalogo.
- Po končani skupini lekcij obiščite Forum za razpravo in se "učite na glas" z izpolnjevanjem ustrezne PAT rubric. 'PAT' je Orodje za oceno napredka, to je rubrika, ki jo izpolnite za nadaljnje učenje. Prav tako lahko reagirate na druge PAT, da se učimo skupaj.
Za nadaljnje študije priporočamo spremljanje teh Microsoft Learn modulov in učnih poti.
Učitelji, vključili smo nekaj predlogov, kako uporabljati ta kurikulum.
Nekatere lekcije so na voljo kot kratki video posnetki. Vse jih lahko najdete v lekcijah ali na predvajalniku ML for Beginners na YouTube kanalu Microsoft Developer z klikom na spodnjo sliko.
Gif avtorja Mohit Jaisal
🎥 Kliknite zgornjo sliko za video o projektu in ljudeh, ki so ga ustvarili!
Izbrali smo dva pedagoška načela pri gradnji tega kurikuluma: zagotoviti, da je ročno, projektno usmerjen in da vključuje pogoste kvize. Poleg tega ima ta kurikulum skupno temo, ki mu daje kohezivnost.
Z zagotavljanjem, da vsebina ustreza projektom, je proces bolj zanimiv za študente in ohranitev konceptov bo izboljšana. Poleg tega nizkorizični kviz pred predavanjem usmeri študentovo namen v učenje teme, medtem ko drugi kviz po predavanju zagotavlja nadaljnjo ohranitev. Ta kurikulum je zasnovan fleksibilno in zabavno ter ga je mogoče opraviti v celoti ali delno. Projekti se začnejo majhni in postajajo proti koncu 12-tedenskega cikla vse bolj kompleksni. Kurikulum vključuje tudi dodatek o resničnih primerih uporabe ML, ki se lahko uporabijo kot dodatne točke ali kot osnova za razpravo.
Najdite naš Kodeks ravnanja, Prispevanje, Prevod in Odpravljanje težav smernice. Veseli smo vaše konstruktivne povratne informacije!
- neobvezen sketchnote
- neobvezen dodatni video
- video vodič (samo nekatere lekcije)
- kviz za ogrevanje pred predavanjem
- pisno lekcijo
- za projektno usmerjene lekcije, korak-po-korak vodnike za izdelavo projekta
- preverjanja znanja
- izziv
- dodatno branje
- nalogo
- kviz po predavanju
Opomba o jezikih: Te lekcije so primarno napisane v Pythonu, vendar je veliko lekcij na voljo tudi v R. Če želite dokončati lekcijo v R, pojdite v mapo
/solutionin poiščite lekcije v R. Te imajo pripono .rmd, ki predstavlja R Markdown datoteko, ki jo lahko preprosto opišemo kot vdelavokodo delčkov(R ali drugih jezikov) inYAML glave(ki usmerja, kako oblikovati izhode, kot je PDF) vMarkdown dokument. Kot tak služi kot vzorčni okvir za avtorstvo v podatkovni znanosti, saj vam omogoča, da združite vašo kodo, njen izhod in vaše misli tako, da jih zapišete v Markdown. Poleg tega je mogoče R Markdown dokumente upodabljati v izhodne formate, kot so PDF, HTML ali Word.
Opomba o kvizih: Vsi kvizi so v mapi Quiz App, kjer je skupaj 52 kvizov po tri vprašanja. Do njih so povezave v lekcijah, vendar je aplikacijo za kvize mogoče zagnati lokalno; sledite navodilom v mapi
quiz-appza lokalno gostovanje ali namestitev na Azure.
| Številka lekcije | Tema | Skupina lekcij | Cilji učenja | Povezana lekcija | Avtor |
|---|---|---|---|---|---|
| 01 | Uvod v strojno učenje | Uvod | Spoznajte osnovne koncepte strojnega učenja | Lekcija | Muhammad |
| 02 | Zgodovina strojnega učenja | Uvod | Spoznajte zgodovino tega področja | Lekcija | Jen in Amy |
| 03 | Poštenost in strojno učenje | Uvod | Kakšna so pomembna filozofska vprašanja o poštenosti, ki jih študenti morajo upoštevati pri gradnji in uporabi modelov ML? | Lekcija | Tomomi |
| 04 | Tehnike strojnega učenja | Uvod | Katere tehnike uporabljajo raziskovalci strojnega učenja za gradnjo modelov ML? | Lekcija | Chris in Jen |
| 05 | Uvod v regresijo | Regresija | Začnite z Python in Scikit-learn za regresijske modele | Python • R | Jen • Eric Wanjau |
| 06 | Cene buč v Severni Ameriki 🎃 | Regresija | Vizualizirajte in očistite podatke kot pripravo za ML | Python • R | Jen • Eric Wanjau |
| 07 | Cene buč v Severni Ameriki 🎃 | Regresija | Gradite linearne in polinomske regresijske modele | Python • R | Jen in Dmitry • Eric Wanjau |
| 08 | Cene buč v Severni Ameriki 🎃 | Regresija | Izgradite model logistične regresije | Python • R | Jen • Eric Wanjau |
| 09 | Spletna aplikacija 🔌 | Spletna aplikacija | Zgradite spletno aplikacijo za uporabo vašega treniranega modela | Python | Jen |
| 10 | Uvod v klasifikacijo | Klasifikacija | Očistite, pripravite in vizualizirajte podatke; uvod v klasifikacijo | Python • R | Jen in Cassie • Eric Wanjau |
| 11 | Slavne azijske in indijske kuhinje 🍜 | Klasifikacija | Uvod v klasifikatorje | Python • R | Jen in Cassie • Eric Wanjau |
| 12 | Slavne azijske in indijske kuhinje 🍜 | Klasifikacija | Več klasifikatorjev | Python • R | Jen in Cassie • Eric Wanjau |
| 13 | Slavne azijske in indijske kuhinje 🍜 | Klasifikacija | Zgradite priporočilno spletno aplikacijo z uporabo vašega modela | Python | Jen |
| 14 | Uvod v grozdenje | Grozdenje | Očistite, pripravite in vizualizirajte podatke; uvod v grozdenje | Python • R | Jen • Eric Wanjau |
| 15 | Raziskovanje nigerijskih glasbenih okusov 🎧 | Grozdenje | Raziščite metodo grozdenja K-sredin | Python • R | Jen • Eric Wanjau |
| 16 | Uvod v obdelavo naravnega jezika ☕️ | Obdelava naravnega jezika | Spoznajte osnove NLP z izdelavo preprostega bota | Python | Stephen |
| 17 | Pogoste naloge NLP ☕️ | Obdelava naravnega jezika | Poglobite svoje znanje NLP z razumevanjem pogostih nalog pri delu z jezikovnimi strukturami | Python | Stephen |
| 18 | Prevajanje in analiza sentimenta |
Obdelava naravnega jezika | Prevajanje in analiza sentimenta z Jane Austen | Python | Stephen |
| 19 | Romantični hoteli v Evropi |
Obdelava naravnega jezika | Analiza sentimenta na podlagi ocen hotelov 1 | Python | Stephen |
| 20 | Romantični hoteli v Evropi |
Obdelava naravnega jezika | Analiza sentimenta na podlagi ocen hotelov 2 | Python | Stephen |
| 21 | Uvod v napovedovanje časovnih vrst | Časovne vrste | Uvod v napovedovanje časovnih vrst | Python | Francesca |
| 22 | ⚡️ Svetovna poraba električne energije ⚡️ - napovedovanje časovnih vrst z ARIMA | Časovne vrste | Napovedovanje časovnih vrst z ARIMA | Python | Francesca |
| 23 | ⚡️ Svetovna poraba električne energije ⚡️ - napovedovanje časovnih vrst s SVR | Časovne vrste | Napovedovanje časovnih vrst z regresorjem z odločitvenim vektorjem (SVR) | Python | Anirban |
| 24 | Uvod v učenje s krepitvijo | Učenje s krepitvijo | Uvod v učenje s krepitvijo z Q-Learning | Python | Dmitry |
| 25 | Pomagajte Peteru, da se izogne volku! 🐺 | Učenje s krepitvijo | Učenje s krepitvijo v okolju Gym | Python | Dmitry |
| Epilog | Resnični scenariji in uporabe ML | ML v praksi | Zanimive in razkrivajoče realne aplikacije klasičnega strojnega učenja | Lekcija | Ekipa |
| Epilog | Razhroščevanje modelov v ML z nadzorno ploščo RAI | ML v praksi | Razhroščevanje modelov strojnega učenja z uporabo komponent nadzorne plošče Responsible AI | Lekcija | Ruth Yakubu |
poiščite vse dodatne vire za ta tečaj v naši zbirki Microsoft Learn
To dokumentacijo lahko uporabljate brez povezave z uporabo Docsify. Razvežite ta repozitorij, namestite Docsify na vaš lokalni računalnik in nato v korenski mapi tega repozitorija zaženite ukaz docsify serve. Spletna stran bo na voljo na vratih 3000 na vašem lokalnem računalniku: localhost:3000.
Najdite pdf izobraževalnega programa s povezavami tukaj.
Naša ekipa izdeluje tudi druge tečaje! Oglejte si:
-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}
Če zataknete ali imate kakršna koli vprašanja o ustvarjanju AI aplikacij. Pridružite se sošolcem in izkušenim razvijalcem v razpravah o MCP. To je podporna skupnost, kjer so vprašanja dobrodošla in se znanje prostodušno deli.
Če imate povratne informacije o izdelku ali napake med ustvarjanjem, obiščite:
- Preglejte zvezke po vsakem poglavju za boljše razumevanje.
- Vadite samostojno izvajanje algoritmov.
- Raziščite podatke iz resničnega sveta z uporabo naučenih konceptov.
Izjava o omejitvi odgovornosti: Ta dokument je bil preveden z uporabo AI prevajalske storitve Co-op Translator. Čeprav si prizadevamo za natančnost, upoštevajte, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v izvirnem jeziku velja za verodostojen vir. Za ključne informacije priporočamo strokovni človeški prevod. Nismo odgovorni za morebitne nerazumevanja ali napačne interpretacije, ki izhajajo iz uporabe tega prevoda.