Арабски | Бенгалски | Български | Бирмански (Мианмар) | Китайски (опростен) | Китайски (традиционен, Хонконг) | Китайски (традиционен, Макао) | Китайски (традиционен, Тайван) | Хърватски | Чешки | Датски | Холандски | Естонски | Фински | Френски | Немски | Гръцки | Еврейски | Хинди | Унгарски | Индонезийски | Италиански | Японски | Каннада | Корейски | Литовски | Малайски | Малаялам | Марати | Непалски | Нигерийски Пиджин | Норвежки | Персийски (Фарси) | Полски | Португалски (Бразилия) | Португалски (Португалия) | Пенджаби (Гурмукхи) | Румънски | Руски | Сръбски (кирилица) | Словашки | Словенски | Испански | Свахили | Шведски | Тагалог (Филипински) | Тамилски | Телугу | Тайски | Турски | Украински | Урду | Виетнамски
Предпочитате да клонирате локално?
Това хранилище включва повече от 50 езикови превода, което значително увеличава размера на изтеглянето. За да клонирате без преводи, използвайте 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"Това ви дава всичко необходимо, за да завършите курса с много по-бързо изтегляне.
Имаме текуща серия на Discord „Научи с AI“, научете повече и се присъединете към нас на Learn with AI Series от 18 до 30 септември 2025 г. Ще получите съвети и трикове за използване на GitHub Copilot за Data Science.
🌍 Пътувайте по света, докато изследваме Машинното обучение чрез световните култури 🌍
Cloud Advocates в Microsoft с радост предлагат 12-седмична, 26-урочна учебна програма, посветена на Машинното обучение. В тази учебна програма ще научите за това, което понякога се нарича класическо машинно обучение, използвайки основно библиотеката Scikit-learn и като избягвате дълбокото обучение, което е разгледано в нашата учебна програма AI за начинаещи. Съчетайте тези уроци с нашата учебна програма 'Data Science за начинаещи'!
Пътувайте с нас по света, прилагайки тези класически техники върху данни от много региони. Всеки урок включва предварителни и последващи тестове, писмени инструкции за изпълнение на урока, решение, задание и още. Нашата педагогика, базирана на проекти, ви позволява да учите, като създавате, доказан начин за трайно усвояване на нови умения.
✍️ Сърдечни благодарности на нашите автори Джен Лупър, Стивън Хауъл, Франческа Лазери, Томоми Имура, Каси Брииу, Дмитрий Сошников, Крис Норинг, Анирбан Мукерджи, Орнела Алтунян, Рут Якубу и Ейми Бойд
🎨 Благодарности и на нашите илюстратори Томоми Имура, Дасани Мадипали и Джен Лупър
🙏 Специални благодарности 🙏 на авторите, рецензентите и създателите на съдържание от Microsoft Student Ambassador, особено Ришит Дагли, Мухаммад Сакиб Хан Инан, Рохан Радж, Александру Петреску, Абхишек Джайсуал, Наврин Табасум, Йоан Самюила и Снигдха Агарвал
🤩 Допълнителна благодарност на Microsoft Student Ambassadors Ерик Ванджау, Джаслийн Сонди и Видуши Гупта за нашите уроци по R!
Следвайте тези стъпки:
- Направете Fork на хранилището: Кликнете на бутона „Fork“ в горния десен ъгъл на тази страница.
- Клонирайте хранилището:
git clone https://github.com/microsoft/ML-For-Beginners.git
намерете всички допълнителни ресурси за този курс в нашата колекция Microsoft Learn
🔧 Нуждаете се от помощ? Проверете нашето Ръководство за отстраняване на проблеми за решения на често срещани проблеми с инсталацията, настройките и стартирането на уроците.
Студенти, за да използвате тази учебна програма, направете fork на цялото хранилище в своя GitHub акаунт и изпълнявайте упражненията сами или в група:
- Започнете с тест преди лекцията.
- Прочетете лекцията и завършете дейностите, спирайки се и размисляйки при всяка проверка на знанията.
- Опитайте да създадете проектите като разберете уроците, вместо да пускате директно кода за решение; този код обаче е наличен в папките
/solutionвъв всеки урок, ориентиран към проекти. - Направете тест след лекцията.
- Изпълнете предизвикателството.
- Завършете заданието.
- След завършване на група уроци, посетете Дискусионния борд и "учете на глас", като попълните съответния PAT рубрик. „PAT“ е инструмент за оценка на напредъка, който попълвате, за да укрепите ученето си. Можете също да реагирате на други PAT, за да учим заедно.
За допълнително изучаване препоръчваме следване на тези Microsoft Learn модули и учебни пътеки.
Учители, ние сме включили някои предложения как да използвате тази учебна програма.
Някои уроци са налични като кратки видеа. Можете да ги намерите всички на място в уроците или в плейлиста ML for Beginners в канала на Microsoft Developer в YouTube, като кликнете върху изображението по-долу.
Гиф от Mohit Jaisal
🎥 Кликнете върху изображението по-горе за видео за проекта и хората, които го създадоха!
Избрахме две педагогически основи при създаването на тази учебна програма: да бъде практическа и базирана на проекти и да включва чести тестове. Освен това учебната програма има обща тема за свързаност.
Осигурявайки съвпадение на съдържанието с проектите, процесът става по-ангажиращ за студентите и усвояването на концепциите се подобрява. Допълнително, лек тест преди урок задава намерението на студента да усвои тема, а втори тест след урок подпомага по-силното запомняне. Тази програма е проектирана да бъде гъвкава и забавна и може да бъде премината цялата или частично. Проектите започват малки и стават все по-сложни до края на 12-седмичния цикъл. Включен е и постскрипт с приложения на ML в реалния свят, който може да се ползва като допълнителен кредит или основа за дискусия.
Намерете нашите насоки Код на поведение, Сътрудничество, Превод и Отстраняване на проблеми. Очакваме вашите конструктивни отзиви!
- по желание скичнот
- по желание допълнително видео
- видео преглед (само при някои уроци)
- тест преди лекцията
- писмен урок
- за уроци, базирани на проекти, стъпка по стъпка ръководства за изграждане на проекта
- проверки на знанията
- предизвикателство
- допълнително четиво
- задание
- тест след лекцията
Бележка за езиците: Тези уроци са основно написани на Python, но много от тях са налични и на R. За да завършите урок на R, отидете в папката
/solutionи потърсете уроци на R. Те имат разширение .rmd, което представлява R Markdown файл, който може просто да се определи като вграждане накодови блокове(на R или други езици) иYAML заглавна част(която указва как да се форматират изходите като PDF) вMarkdown документ. Така той служи като примерна рамка за създаване на материали за данни, тъй като позволява да комбинирате своя код, изхода му и мислите си, като ги записвате в Markdown. Освен това, R Markdown документите могат да се конвертират в изходни формати като PDF, HTML или Word.
Бележка за квизовете: Всички квизове са съдържани в Папка Quiz App, с общо 52 квиза с по три въпроса всеки. Те са свързани от уроците, но приложението за квизове може да се стартира локално; следвайте инструкциите в папката
quiz-app, за да го хоствате локално или да го публикувате в Azure.
| Номер на урок | Тема | Групиране на уроците | Обучителни цели | Свързан урок | Автор |
|---|---|---|---|---|---|
| 01 | Въведение в машинното обучение | Въведение | Научете основните понятия зад машинното обучение | Урок | Muhammad |
| 02 | История на машинното обучение | Въведение | Научете историята зад тази област | Урок | Jen и Amy |
| 03 | Справедливост и машинно обучение | Въведение | Какви са важните философски въпроси около справедливостта, които студентите трябва да обмислят при изграждането и прилагането на ML модели? | Урок | Tomomi |
| 04 | Техники за машинно обучение | Въведение | Какви техники използват изследователите за машинно обучение, за да изградят ML модели? | Урок | Chris и Jen |
| 05 | Въведение в регресията | Регресия | Започнете с Python и Scikit-learn за модели на регресия | Python • R | Jen • Eric Wanjau |
| 06 | Цени на тикви в Северна Америка 🎃 | Регресия | Визуализиране и почистване на данни в подготовка за ML | Python • R | Jen • Eric Wanjau |
| 07 | Цени на тикви в Северна Америка 🎃 | Регресия | Изграждане на линейни и полиномиални регресионни модели | Python • R | Jen и Dmitry • Eric Wanjau |
| 08 | Цени на тикви в Северна Америка 🎃 | Регресия | Изграждане на логистичен регресионен модел | Python • R | Jen • Eric Wanjau |
| 09 | Уеб приложение 🔌 | Уеб приложение | Изграждане на уеб приложение за използване на тренирания модел | Python | Jen |
| 10 | Въведение в класификация | Класификация | Почистване, подготовка и визуализация на данните; въведение в класификация | Python • R | Jen и Cassie • Eric Wanjau |
| 11 | Вкусна азиатска и индийска кухня 🍜 | Класификация | Въведение в класификаторите | Python • R | Jen и Cassie • Eric Wanjau |
| 12 | Вкусна азиатска и индийска кухня 🍜 | Класификация | Повече класификатори | Python • R | Jen и Cassie • Eric Wanjau |
| 13 | Вкусна азиатска и индийска кухня 🍜 | Класификация | Изграждане на препоръчително уеб приложение чрез вашия модел | Python | Jen |
| 14 | Въведение в клъстеризация | Клъстеризация | Почистване, подготовка и визуализация на данните; въведение в клъстеризация | Python • R | Jen • Eric Wanjau |
| 15 | Изследване на музикалните предпочитания в Нигерия 🎧 | Клъстеризация | Изследвайте метода за клъстеризация K-Means | Python • R | Jen • Eric Wanjau |
| 16 | Въведение в обработка на естествен език ☕️ | Обработка на естествен език | Научете основите на NLP, като изградите прост бот | Python | Stephen |
| 17 | Общи задачи в NLP ☕️ | Обработка на естествен език | Задълбочете своята NLP подготовка чрез разбирането на общите задачи при работата с езиковите структури | Python | Stephen |
| 18 | Превод и анализ на настроенията |
Обработка на естествен език | Превод и анализ на настроенията с Джейн Остин | Python | Stephen |
| 19 | Романтични хотели в Европа |
Обработка на естествен език | Анализ на настроения с отзиви за хотели 1 | Python | Stephen |
| 20 | Романтични хотели в Европа |
Обработка на естествен език | Анализ на настроения с отзиви за хотели 2 | Python | Stephen |
| 21 | Въведение в прогнозиране на времеви редове | Времеви редове | Въведение в прогнозиране на времеви редове | Python | Francesca |
| 22 | ⚡️ Световна консумация на електроенергия ⚡️ - прогнозиране на времеви редове с ARIMA | Времеви редове | Прогнозиране на времеви редове с ARIMA | Python | Francesca |
| 23 | ⚡️ Световна консумация на електроенергия ⚡️ - прогнозиране на времеви редове със SVR | Времеви редове | Прогнозиране на времеви редове с регресор с поддържащи вектори | Python | Anirban |
| 24 | Въведение в обучение чрез подсилване | Обучение чрез подсилване | Въведение в обучение чрез подсилване с Q-Learning | Python | Dmitry |
| 25 | Помогнете на Питър да избяга от вълка! 🐺 | Обучение чрез подсилване | Обучение чрез подсилване в Gym | Python | Dmitry |
| Постскриптум | Реални ML сценарии и приложения | ML в дивата природа | Интересни и показателни реални приложения на класическото ML | Урок | Екип |
| Постскриптум | Отстраняване на грешки в ML чрез RAI табло | ML в дивата природа | Отстраняване на грешки в машинното обучение чрез отговорния AI табло-компоненти | Урок | Ruth Yakubu |
намерете всички допълнителни ресурси за този курс в нашата колекция Microsoft Learn
Можете да използвате тази документация офлайн чрез Docsify. Форкнете това хранилище, инсталирайте Docsify на вашата локална машина и след това в коренната папка на това хранилище напишете docsify serve. Уебсайтът ще се стартира на порт 3000 на вашия локален хост: localhost:3000.
Намерете pdf на учебната програма с линкове тук.
Нашият екип произвежда и други курсове! Вижте:
-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}
Ако срещнете проблем или имате въпроси относно създаването на AI приложения, присъединете се към други ученици и опитни разработчици в обсъждания за MCP. Това е подкрепяща общност, където въпросите са добре дошли и знанието се споделя свободно.
Ако имате обратна връзка за продукта или грешки по време на разработка, посетете:
- Преглеждайте тетрадките след всеки урок за по-добро разбиране.
- Практикувайте прилагането на алгоритми самостоятелно.
- Изследвайте реални набори от данни, използвайки научените концепции.
Отказ от отговорност: Този документ е преведен с помощта на AI преводаческа услуга Co-op Translator. Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се разглежда като авторитетен източник. За критична информация се препоръчва професионален човешки превод. Не носим отговорност за никакви недоразумения или неправилни тълкувания, произтичащи от използването на този превод.