README.md

🌐 Подршка на више језика

Подржано путем GitHub акције (аутоматски и увек ажурирано)

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

Волите да клонирате локално?

Овај репозиторијум садржи преводе на преко 50 језика што значајно повећава величину преузимања. Да бисте клонирали без превода, користите 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"

Ово вам даје све што вам је потребно да завршите курс много брже.

Придружите се нашој заједници

Имате серију учења помоћу Discord-а, сазнајте више и придружите нам се на Learn with AI Series од 18. до 30. септембра 2025. године. Добићете савете и трикове за коришћење GitHub Copilot-а у Data Science-у.

Машинско учење за почетнике - Наставни програм

🌍 Путујте широм света док истражујемо Машинско учење кроз културе света 🌍

Cloud Advocates у Microsoft-у са задовољством нуде 12-недељни наставни програм са 26 лекција који је посвећен Машинском учењу. У овом програму учићете о ономе што се понекад назива класично машинско учење, користећи углавном библиотеку Scikit-learn и избегавајући дубоко учење, које је обухваћено у нашем AI за почетнике наставном програму. Такође упарите ове лекције са нашим 'Data Science за почетнике наставним програмом'!

Путујте с нама широм света док примењујемо ове класичне технике на податке из разних делова света. Свака лекција укључује квиз пре и после лекције, писане упутства за завршетак лекције, решење, задатак и још много тога. Наша педагошка метода заснована на пројектима омогућава вам учење кроз практичан рад, што је доказан начин да нова знања "пристану".

✍️ Љубазне захвалности нашим ауторима Јен Лупер, Стефен Хауел, Франческа Лазери, Томоми Имура, Кеси Бревиу, Дмитриј Сошников, Крис Норинг, Анирбан Мукерџи, Орнела Алтуњан, Рут Јакубу и Ејми Бојд

🎨 Захвалност и нашим илустраторима Томоми Имура, Дасани Мадипали и Јен Лупер

🙏 Посебна захвалност 🙏 нашим Microsoft Student Ambassador ауторима, рецензентима и сарадницима садржаја, поготово Ришиту Даглију, Мухамаду Сакибу Кхан Инану, Рохану Рају, Александру Петреску, Абхишеку Јаисвалу, Наврин Табасум, Јоану Самуила и Снигхи Агарвал

🤩 Посебна захвалност Microsoft Student Ambassadors Ерику Вањау, Јаслину Сондију и Видуши Гупти за наше R лекције!

Почетак

Пратите ове кораке:

1. Форкујте репозиторијум: Кликните на дугме "Fork" у горњем десном углу ове странице.
2. Клонирајте репозиторијум: git clone https://github.com/microsoft/ML-For-Beginners.git

пронађите све додатне ресурсе за овај курс у нашој колекцији на Microsoft Learn

🔧 Треба помоћ? Погледајте наш Водич за решавање проблема за решења уобичајених проблема са инсталацијом, подешавањем и покретањем лекција.

Студенти, да бисте користили овај наставни програм, форкујте цео репо на свој GitHub налог и радите задатке сами или у групи:

• Започните квизом пре предавања.
• Прочитајте предавање и извршите активности, правећи паузе и размишљајући на сваком проверавању знања.
• Покушајте да направите пројекте разумевајући лекције, а не само покретањем решења; иако је код решења доступан у фолдиру /solution у свакој лекцији оријентисаној на пројект.
• Урадите квиз након предавања.
• Завршите изазов.
• Завршите задатак.
• Након завршетка групе лекција, посетите Discussion Board и "учите наглас" попуњавајући одговарајућу PAT рубрику. ‘PAT’ је алат за процену напретка који попуните да бисте унапредили учење. Такође можете реаговати на друге PAT-ове како бисмо заједно учили.

За даље учење препоручујемо праћење ових Microsoft Learn модула и учењских путања.

Наставници, укључили смо неке предлоге о коришћењу овог наставног програма.

---

Видео водичи

Неколико лекција доступно је у кратком видео формату. Све их можете пронаћи унутар лекција или на ML for Beginners плейлисти на Microsoft Developer YouTube каналу кликом на слику испод.

---

Упознајте тим

Gif од Mohit Jaisal

🎥 Кликните на слику изнад за видео о пројекту и људима који су га направили!

---

Педагогија

Изабрали смо два педагошка начела при изради овог наставног програма: обезбеђивање практичног и на пројектима заснованог учења и укључивање честих квизова. Поред тога, овај програм има заједничку тему која му даје кохезију.

Обезбеђивањем да садржај буде усклађен са пројектима, процес учења је занимљивији за студенте и побољшава задржавање концепата. Поред тога, квиз са мало улога пре часа поставља намеру студента да научи тему, док други квиз после часа обезбеђује додатно задржавање знања. Овај програм је дизајниран да буде флексибилан и забаван и може се похађати у целини или делимично. Пројекти почињу једноставно, а са напредовањем током 12-недељног циклуса постају све сложенији. Наставни програм такође укључује послејатак о стварним применама ML-а, који може послужити као додатни бод или као основа за дискусију.

Пронађите наше смернице Code of Conduct, Contributing, Translation и Troubleshooting. Добро дошли ваши конструктивни коментари!

Свака лекција укључује

• опционалну скицноту
• опционални додатни видео
• видео водич (само неке лекције)
• квиз за загревање пре предавања
• писану лекцију
• за лекције о пројектима, корак-по-корак упутства за израду пројекта
• провере знања
• изазов
• додатно читање
• задатак
• квиз након предавања

Белешка о језицима: Ове лекције су углавном написане у Питону, али многе су доступне и у Р-у. Да бисте завршили Р лекцију, идите у фасциклу /solution и потражите Р лекције. Оне имају .rmd екстензију која представља R Markdown датотеку која се може једноставно дефинисати као уградња кодних делова (Р или других језика) и YAML заглавља (које упућује како да се форматирају излазни подаци попут PDF) у Markdown документу. Као таква, служи као примерни ауторски оквир за науку о подацима јер вам омогућава да комбинујете свој код, његов излаз и своје мисли тако што вам дозвољава да их забележите у Markdown-у. Поред тога, Р Markdown документи се могу рендеровати у излазне формате као што су PDF, HTML или Word.

Белешка о квизовима: Сви квизови се налазе у Quiz App фасцикли, укупно 52 квиза са по три питања у сваком. Повезани су изнутра у лекцијама, али квиз апликацију можете покренути локално; пратите упутства у фасцикли quiz-app за локално хостовање или постављање на Azure.

Још лекције	Тема	Груписање лекција	Циљеви учења	Повезана лекција	Аутор
01	Увод у машинско учење	Introduction	Научите основне појмове из машинског учења	Lesson	Muhammad
02	Историја машинског учења	Introduction	Научите историју ове области	Lesson	Jen and Amy
03	Фернесс и машинско учење	Introduction	Која су важна филозофска питања о фернессу која би студенти требали размотрити приликом изградње и примене ML модела?	Lesson	Tomomi
04	Технике машинског учења	Introduction	Које технике користе истраживачи ML за изградњу ML модела?	Lesson	Chris and Jen
05	Увод у регресију	Regression	Започните са Питоном и Scikit-learn за регресионе моделе	Python • R	Jen • Eric Wanjau
06	Цене тикви у Северној Америци 🎃	Regression	Визуелизујте и очистите податке као припрему за ML	Python • R	Jen • Eric Wanjau
07	Цене тикви у Северној Америци 🎃	Regression	Изградите линеарне и полиномијалне регресионе моделе	Python • R	Jen and Dmitry • Eric Wanjau
08	Цене тикви у Северној Америци 🎃	Regression	Изградите логистичку регресију	Python • R	Jen • Eric Wanjau
09	Веб апликација 🔌	Web App	Изградите веб апликацију за коришћење вашег обученог модела	Python	Jen
10	Увод у класификацију	Classification	Очистите, припремите и визуелизујте податке; увод у класификацију	Python • R	Jen and Cassie • Eric Wanjau
11	Укусне азијске и индијске кухиње 🍜	Classification	Увод у класификаторе	Python • R	Jen and Cassie • Eric Wanjau
12	Укусне азијске и индијске кухиње 🍜	Classification	Још класификатора	Python • R	Jen and Cassie • Eric Wanjau
13	Укусне азијске и индијске кухиње 🍜	Classification	Изградите препоручивачку веб апликацију користећи ваш модел	Python	Jen
14	Увод у кластерисање	Clustering	Очистите, припремите и визуелизујте податке; увод у кластерисање	Python • R	Jen • Eric Wanjau
15	Истраживање музичких укуса у Нигерији 🎧	Clustering	Истражите K-Means методу кластерисања	Python • R	Jen • Eric Wanjau
16	Увод у обраду природног језика ☕️	Natural language processing	Научите основе НЛП-а кроз прављење једноставног бота	Python	Stephen
17	Уобичајени НЛП задаци ☕️	Natural language processing	Продубите своје знање НЛП-а разумевањем уобичајених задатака везаних за језичке структуре	Python	Stephen
18	Превод и анализа сентимента ♥️	Natural language processing	Превод и анализа сентимента са Џејн Остин	Python	Stephen
19	Романтични хотели Европе ♥️	Natural language processing	Анализа сентимента са рецензијама хотела 1	Python	Stephen
20	Романтични хотели Европе ♥️	Natural language processing	Анализа сентимента са рецензијама хотела 2	Python	Stephen
21	Увод у предвиђање временских серија	Time series	Увод у предвиђање временских серија	Python	Francesca
22	⚡️ Потрошња енергије у свету ⚡️ - предвиђање временских серија са ARIMA	Time series	Предвиђање временских серија са ARIMA	Python	Francesca
23	⚡️ Потрошња енергије у свету ⚡️ - предвиђање временских серија са SVR	Time series	Предвиђање временских серија уз коришћење Support Vector Regressor-а	Python	Anirban
24	Увод у учење појачањем	Reinforcement learning	Увод у учење појачањем са Q-Learning-ом	Python	Dmitry
25	Помозите Петеру да избегне вука! 🐺	Reinforcement learning	Учење појачањем у Gym окружењу	Python	Dmitry
Послешкрално	Сценарији и примене ML у стварном свету	ML in the Wild	Интересантне и откривајуће реалне примене класичног ML-a	Lesson	Тим
Послешкрално	Дијагностика модела у ML уз коришћење RAI контролне табле	ML in the Wild	Дијагностика модела у машинском учењу коришћењем компонената контролне табле Responsible AI	Lesson	Ruth Yakubu

пронађите све додатне ресурсе за овај курс у нашој Microsoft Learn колекцији

Офлајн приступ

Можете покренути ову документацију офлајн користећи Docsify. Форкујте овај репозиторијум, инсталирајте Docsify на свом локалном рачунару и онда у коренском директоријуму овог репозиторијума укуцајте docsify serve. Веб сајт ће бити доступан на порту 3000 на вашем локалхосту: localhost:3000.

PDF-ови

Пронађите PDF наставног плана са линковима овде.

🎒 Остали курсеви

Наш тим производи и друге курсеве! Погледајте:

LangChain

Azure / Edge / MCP / Agents

---

Серия генеративне вештачке интелигенције

---

Основно учење

---

Серия Copilot

Како добити помоћ

Ако сте заглављени или имате било каквих питања о прављењу АИ апликација. Придружите се другим ученицима и искусним програмерима у дискусијама о MCP-у. То је подржавајућа заједница где су питања добродошла и знање се слободно дели.

Ако имате повратне информације о производу или грешке у току израде посетите:

Додатни савети за учење

• Прегледајте бележнице након сваког часа за боље разумевање.
• Вежбајте имплементацију алгоритама сами.
• Истражите стварне скупове података користећи научене концепте.

---

Одрицање од одговорности:
Овај документ је преведен коришћењем АИ сервиса за превођење Co-op Translator. Док тежимо прецизности, молимо имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Изворни документ на његовом оригиналном језику треба сматрати ауторитетним извором. За кључне информације препоручује се професионални превод од стране људи. Нисмо одговорни за било каква неразумевања или погрешне интерпретације које произилазе из употребе овог превода.