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
Yerel olarak Klonlamayı mı Tercih Edersiniz?
Bu depo, indirme boyutunu önemli ölçüde artıran 50'den fazla dil çevirisini içerir. Çevirileri olmadan klonlamak için özelleştirilmiş (sparse) çekme işlemi kullanın:
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"Bu, kursu tamamlamak için gereken her şeyi çok daha hızlı bir indirme ile size sağlar.
Bir Discord üzerinde AI ile öğrenme serimiz devam ediyor, daha fazla bilgi almak ve bize katılmak için Learn with AI Series adresini ziyaret edin, 18 - 30 Eylül 2025 arasında. GitHub Copilot'u Veri Bilimi için kullanmanın ipuçları ve püf noktaları sizleri bekliyor.
🌍 Makine Öğrenimini dünya kültürleri aracılığıyla keşfederken dünya turuna çıkın 🌍
Microsoft'taki Bulut Savunucuları, tamamen Makine Öğrenimi üzerine odaklanmış 12 haftalık, 26 derslik bir müfredat sunmaktan mutluluk duyar. Bu müfredatta çoğunlukla Scikit-learn kütüphanesi kullanarak bazen klasik makine öğrenimi olarak adlandırılan yöntemi öğreneceksiniz ve derin öğrenmeden kaçınacaksınız; derin öğrenme bizim Yeni Başlayanlar için Yapay Zeka müfredatımızda ele alınmaktadır. Bu dersleri ayrıca 'Yeni Başlayanlar için Veri Bilimi' müfredatımızla birleştirebilirsiniz!
Bu klasik teknikleri dünyanın birçok bölgesinden elde edilen veriler üzerinde uygularken bizimle dünya turuna çıkın. Her derste öncesinde ve sonrasında quizler, dersin tamamlanması için yazılı talimatlar, çözümler, ödevler ve daha fazlası bulunmaktadır. Proje tabanlı pedagojimiz, yeni becerilerin sağlam şekilde öğrenilmesini sağlayan bir yöntem olarak inşa edilir.
✍️ Samimi teşekkürler yazarlarımıza Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ve Amy Boyd
🎨 Teşekkürler ayrıca illüstratörlerimize Tomomi Imura, Dasani Madipalli ve Jen Looper
🙏 Özel teşekkürler 🙏 Microsoft Öğrenci Elçisi yazarlarımıza, inceleyicilerimize ve içerik katkıda bulunanlara, özellikle Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ve Snigdha Agarwal
🤩 Ekstra teşekkürler Microsoft Öğrenci Elçileri Eric Wanjau, Jasleen Sondhi ve Vidushi Gupta'ya R derslerimiz için!
Aşağıdaki adımları takip edin:
- Depoyu Forklayın: Bu sayfanın sağ üstündeki "Fork" butonuna tıklayın.
- Depoyu Klonlayın:
git clone https://github.com/microsoft/ML-For-Beginners.git
Bu kurs için tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun
🔧 Yardıma mı ihtiyacınız var? Kurulum, yapılandırma ve derslerin çalıştırılmasıyla ilgili yaygın sorunların çözümleri için Sorun Giderme Rehberimize bakın.
Öğrenciler, bu müfredatı kullanmak için, tüm depoyu kendi GitHub hesabınıza forklayın ve alıştırmaları kendi başınıza veya bir grupla tamamlayın:
- Ön ders sınavı ile başlayın.
- Dersi okuyun ve bilgiyi kontrol etmek için her bilgi kontrolünde durup düşünerek aktiviteleri tamamlayın.
- Çözümleri çalıştırmak yerine dersleri anlayarak projeleri oluşturmaya çalışın; ancak her proje odaklı dersin
/solutionklasöründe bu çözümler mevcuttur. - Ders sonrası sınavı yapın.
- Mücadeleyi tamamlayın.
- Ödevi tamamlayın.
- Bir ders grubunu tamamladıktan sonra, Tartışma Panosu'nu ziyaret edin ve uygun PAT (İlerleme Değerlendirme Aracı) rubric'ini doldurarak "yüksek sesle öğrenme" yapın. Ayrıca diğer PAT'lere tepki vererek birlikte öğrenebiliriz.
Daha fazla çalışma için, bu Microsoft Learn modüllerini ve öğrenim yollarını takip etmenizi öneririz.
Öğretmenler, bu müfredatın nasıl kullanılacağına dair bazı öneriler ekledik.
Bazı dersler kısa form videolar olarak mevcuttur. Tüm videoları derslerde satır içi olarak veya ML for Beginners oynatma listesinde Microsoft Developer YouTube kanalında aşağıdaki görsele tıklayarak bulabilirsiniz.
Gif hazırlayan Mohit Jaisal
🎥 Proje ve yaratan kişiler hakkında video için yukarıdaki görsele tıklayın!
Bu müfredatı oluştururken iki pedagojik ilkeyi seçtik: uygulamalı proje tabanlı olmasını ve sık quizler içermesini sağlamak. Ayrıca, bu müfredat bütünlük kazandırmak için ortak bir tema içeriyor.
İçeriğin projelerle uyumlu olması, öğrencilerin sürece daha fazla dahil olmalarını ve kavramların kalıcılığını artırır. Ders öncesinde yapılan düşük riskli quiz, öğrencinin öğrenmeye yönelik amacını belirlerken, ders sonrası yapılan ikinci quiz öğrenmenin pekişmesini sağlar. Bu müfredat esnek ve eğlenceli olacak şekilde tasarlanmıştır ve tamamen veya kısmen tamamlanabilir. Projeler küçük başlar ve 12 haftalık döngünün sonunda giderek daha karmaşık hale gelir. Ayrıca müfredat, gerçek dünyadaki Makine Öğrenimi uygulamaları üzerine bir postskript içerir; bu ekstra kredi olarak veya tartışma temeli olarak kullanılabilir.
Davranış Kurallarımızı, Katkıda Bulunma, Çeviri ve Sorun Giderme yönergelerimizi bulun. Yapıcı geri bildiriminizi memnuniyetle karşılıyoruz!
- isteğe bağlı eskiz notu
- isteğe bağlı ek video
- video anlatımı (bazı derslerde)
- ders öncesi ısınma sınavı
- yazılı ders
- proje tabanlı derslerde, projenin adım adım nasıl oluşturulacağına dair rehber
- bilgi kontrolleri
- bir mücadele
- ek okumalar
- ödev
- ders sonrası sınav
Diller hakkında bir not: Bu dersler öncelikle Python ile yazılmıştır, ancak birçoğu R dilinde de mevcuttur. Bir R dersini tamamlamak için,
/solutionklasörüne gidin ve R derslerini arayın. Bunlar, R veya diğer dillerdekikod parçacıklarıve çıktıların (örneğin PDF gibi) nasıl biçimlendirileceğini yönlendiren birYAML başlığıiçeren bir R Markdown dosyasını temsil eden .rmd uzantısına sahiptir. Bu nedenle, kodunuzu, çıktısını ve düşüncelerinizi Markdown içinde yazmanıza olanak tanıyarak, veri bilimi için örnek bir yazım çerçevesi olarak hizmet eder. Ayrıca, R Markdown belgeleri PDF, HTML veya Word gibi çıktı formatlarına dönüştürülebilir.
Quizler hakkında bir not: Tüm quizler Quiz App klasöründe bulunur, her biri üç sorudan oluşan toplam 52 quiz içerir. Quizler dersler içinde bağlantılıdır ancak quiz uygulaması yerel olarak çalıştırılabilir; yerel barındırma veya Azure'a dağıtım için
quiz-appklasöründeki talimatları takip edin.
| Ders Numarası | Konu | Ders Grubu | Öğrenim Hedefleri | Bağlantılı Ders | Yazar |
|---|---|---|---|---|---|
| 01 | Makine öğrenimine giriş | Giriş | Makine öğrenmesinin temel kavramlarını öğrenin | Ders | Muhammad |
| 02 | Makine öğrenmesinin tarihi | Giriş | Bu alanın tarihçesini öğrenin | Ders | Jen ve Amy |
| 03 | Adalet ve makine öğrenimi | Giriş | Öğrencilerin ML modellerini oluştururken ve uygularken göz önünde bulundurması gereken önemli felsefi adalet konuları nelerdir? | Ders | Tomomi |
| 04 | Makine öğrenimi teknikleri | Giriş | ML araştırmacılarının ML modelleri oluşturmak için kullandığı teknikler nelerdir? | Ders | Chris ve Jen |
| 05 | Regresyona giriş | Regresyon | Regresyon modelleri için Python ve Scikit-learn ile başlayın | Python • R | Jen • Eric Wanjau |
| 06 | Kuzey Amerika kabak fiyatları 🎃 | Regresyon | Makine öğrenmesi için veri görselleştirme ve temizleme | Python • R | Jen • Eric Wanjau |
| 07 | Kuzey Amerika kabak fiyatları 🎃 | Regresyon | Lineer ve polinomiyal regresyon modelleri kurun | Python • R | Jen ve Dmitry • Eric Wanjau |
| 08 | Kuzey Amerika kabak fiyatları 🎃 | Regresyon | Lojistik regresyon modeli kurun | Python • R | Jen • Eric Wanjau |
| 09 | Bir Web Uygulaması 🔌 | Web Uygulaması | Eğittiğiniz modelle bir web uygulaması oluşturun | Python | Jen |
| 10 | Sınıflandırmaya giriş | Sınıflandırma | Verilerinizi temizleyin, hazırlayın ve görselleştirin; sınıflandırmaya giriş | Python • R | Jen ve Cassie • Eric Wanjau |
| 11 | Lezzetli Asya ve Hint mutfakları 🍜 | Sınıflandırma | Sınıflandırıcılara giriş | Python • R | Jen ve Cassie • Eric Wanjau |
| 12 | Lezzetli Asya ve Hint mutfakları 🍜 | Sınıflandırma | Daha fazla sınıflandırıcı | Python • R | Jen ve Cassie • Eric Wanjau |
| 13 | Lezzetli Asya ve Hint mutfakları 🍜 | Sınıflandırma | Modelinizi kullanarak öneri yapan bir web uygulaması oluşturun | Python | Jen |
| 14 | Kümelemeye giriş | Kümeleme | Verilerinizi temizleyin, hazırlayın ve görselleştirin; Kümelemeye giriş | Python • R | Jen • Eric Wanjau |
| 15 | Nijerya’nın müzik zevklerini keşfetmek 🎧 | Kümeleme | K-Means kümeleme yöntemini keşfedin | Python • R | Jen • Eric Wanjau |
| 16 | Doğal dil işleme giriş ☕️ | Doğal dil işleme | Basit bir bot oluşturarak NLP temel bilgilerini öğrenin | Python | Stephen |
| 17 | Yaygın NLP Görevleri ☕️ | Doğal dil işleme | Dil yapıları ile çalışırken gereken yaygın görevleri anlayarak NLP bilginizi derinleştirin | Python | Stephen |
| 18 | Çeviri ve duygu analizi |
Doğal dil işleme | Jane Austen ile çeviri ve duygu analizi | Python | Stephen |
| 19 | Avrupa’nın romantik otelleri |
Doğal dil işleme | Otel yorumlarıyla duygu analizi 1 | Python | Stephen |
| 20 | Avrupa’nın romantik otelleri |
Doğal dil işleme | Otel yorumlarıyla duygu analizi 2 | Python | Stephen |
| 21 | Zaman serisi tahminine giriş | Zaman Serisi | Zaman serisi tahminine giriş | Python | Francesca |
| 22 | ⚡️ Dünya Güç Kullanımı ⚡️ - ARIMA ile zaman serisi tahmini | Zaman Serisi | ARIMA ile zaman serisi tahmini | Python | Francesca |
| 23 | ⚡️ Dünya Güç Kullanımı ⚡️ - SVR ile zaman serisi tahmini | Zaman Serisi | Destek Vektör Regresörü ile zaman serisi tahmini | Python | Anirban |
| 24 | Pekiştirmeli öğrenmeye giriş | Pekiştirmeli öğrenme | Q-Öğrenme ile pekiştirmeli öğrenmeye giriş | Python | Dmitry |
| 25 | Peter’ın kurttan kaçmasına yardım et! 🐺 | Pekiştirmeli öğrenme | Pekiştirmeli öğrenme Gym | Python | Dmitry |
| Son Not | Gerçek Dünya ML Senaryoları ve Uygulamaları | Doğada ML | Klasik ML’nin ilginç ve öğretici gerçek dünya uygulamaları | Ders | Ekip |
| Son Not | RAI panosu kullanarak ML’de Model Hata Ayıklama | Doğada ML | Responsible AI pano bileşenleri kullanarak Makine Öğreniminde Model Hata Ayıklama | Ders | Ruth Yakubu |
Bu kursun tüm ek kaynaklarını Microsoft Learn koleksiyonumuzda bulun
Bu dokümantasyonu çevrimdışı olarak Docsify kullanarak çalıştırabilirsiniz. Bu depoyu çatallayın, yerel makinenize Docsify'ı yükleyin ve ardından bu deponun kök klasöründe docsify serve yazın. Web sitesi, yerel makinenizde 3000 numaralı portta localhost:3000 adresinde sunulacaktır.
Müfredatın bağlantılı PDF’sini buradan bulabilirsiniz.
Ekibimiz başka kurslar da üretiyor! Göz atın:
-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}
AI uygulamaları geliştirirken takılırsanız veya herhangi bir sorunuz olursa, diğer öğrenenler ve deneyimli geliştiricilerle MCP hakkında tartışmalara katılın. Soruların hoş karşılandığı ve bilgi paylaşımının serbest olduğu destekleyici bir topluluktur.
Ürün geri bildirimi veya geliştirme sırasında hata bildirimi için ziyaret edin:
- Daha iyi anlamak için her dersten sonra not defterlerini gözden geçirin.
- Algoritmaları kendi başınıza uygulama pratiği yapın.
- Öğrenilen kavramları gerçek dünya veri setlerinde keşfedin.
Feragatname:
Bu belge, AI çeviri hizmeti Co-op Translator kullanılarak çevrilmiştir. Doğruluk için çaba gösterilse de, otomatik çevirilerin hata veya yanlışlık içerebileceğini lütfen göz önünde bulundurun. Orijinal belge, kendi ana dilinde yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımı sonucu oluşabilecek herhangi bir yanlış anlama veya yorumdan sorumlu değiliz.