Арапски | Бенгалски | Бугарски | Бирмански (Мјанмар) | Кинески (поједностављени) | Кинески (традиционални, Хонг Конг) | Кинески (традиционални, Макао) | Кинески (традиционални, Тајван) | Хрватски | Чешки | Дански | Холандски | Естонски | Фински | Француски | Немачки | Грчки | Хебрејски | Хинди | Мађарски | Индонежански | Италијански | Јапански | Корејски | Литвански | Малајски | Марати | Непалски | Нигеријски Пиџин | Норвешки | Персијски (Фарси) | Пољски | Португалски (Бразил) | Португалски (Португал) | Пенџабски (Гурмуки) | Румунски | Руски | Српски (Ћирилица) | Словачки | Словеначки | Шпански | Свахили | Шведски | Тагалог (Филипински) | Тамилски | Тајландски | Турски | Украјински | Урду | Вијетнамски
Имамо серију учења са вештачком интелигенцијом на Discord-у, сазнајте више и придружите нам се на Learn with AI Series од 18. до 30. септембра 2025. Добићете савете и трикове за коришћење GitHub Copilot-а за науку о подацима.
🌍 Путујте светом док истражујемо машинско учење кроз културе света 🌍
Cloud Advocates у Microsoft-у са задовољством нуде 12-недељни, 26-лекцијски курикулум о машинском учењу. У овом курикулуму, научићете о ономе што се понекад назива класично машинско учење, користећи углавном библиотеку Scikit-learn и избегавајући дубоко учење, које је обухваћено у нашем AI for Beginners' курикулуму. Упарите ове лекције са нашим 'Data Science for Beginners' курикулумом, такође!
Путујте са нама широм света док примењујемо ове класичне технике на податке из различитих делова света. Свака лекција укључује квизове пре и после лекције, писана упутства за завршетак лекције, решење, задатак и још много тога. Наш приступ заснован на пројектима омогућава вам да учите кроз изградњу, доказан начин да нове вештине остану у памћењу.
✍️ Срдачна захвалност нашим ауторима Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu и Amy Boyd
🎨 Захвалност и нашим илустраторима Tomomi Imura, Dasani Madipalli и Jen Looper
🙏 Посебна захвалност 🙏 нашим Microsoft Student Ambassador ауторима, рецензентима и доприносима садржају, посебно Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila и Snigdha Agarwal
🤩 Додатна захвалност Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi и Vidushi Gupta за наше R лекције!
Пратите ове кораке:
- Fork репозиторијума: Кликните на дугме "Fork" у горњем десном углу ове странице.
- Клонирајте репозиторијум:
git clone https://github.com/microsoft/ML-For-Beginners.git
пронађите све додатне ресурсе за овај курс у нашој Microsoft Learn колекцији
🔧 Потребна помоћ? Погледајте наш Водич за решавање проблема за решења уобичајених проблема са инсталацијом, подешавањем и извођењем лекција.
Студенти, да бисте користили овај курикулум, форкујте цео репо у свој GitHub налог и завршите вежбе сами или у групи:
- Почните са квизом пре предавања.
- Прочитајте предавање и завршите активности, паузирајући и размишљајући на сваком провери знања.
- Покушајте да креирате пројекте разумејући лекције уместо да покрећете код решења; међутим, тај код је доступан у
/solutionфасциклама у свакој лекцији заснованој на пројекту. - Урадите квиз након предавања.
- Завршите изазов.
- Завршите задатак.
- Након завршетка групе лекција, посетите Дискусиони одбор и "учите наглас" попуњавањем одговарајућег PAT рубрика. 'PAT' је алат за процену напретка који је рубрика коју попуњавате како бисте унапредили своје учење. Такође можете реаговати на друге PAT-ове како бисмо учили заједно.
За даље учење, препоручујемо праћење ових Microsoft Learn модула и путања учења.
Наставници, укључили смо неке предлоге о томе како да користите овај курикулум.
Неке од лекција су доступне као кратки видео формати. Све ове можете пронаћи унутар лекција или на ML for Beginners плејлисти на Microsoft Developer YouTube каналу кликом на слику испод.
Gif од Mohit Jaisal
🎥 Кликните на слику изнад за видео о пројекту и људима који су га креирали!
Изабрали смо два педагошка принципа приликом креирања овог курикулума: осигурање да је практичан заснован на пројектима и да укључује честе квизове. Поред тога, овај курикулум има заједничку тему како би му се дала кохезија.
Осигуравањем да садржај одговара пројектима, процес постаје занимљивији за студенте, а задржавање концепата ће бити побољшано. Поред тога, квиз са ниским улозима пре часа поставља намеру студента ка учењу теме, док други квиз након часа осигурава даље задржавање. Овај курикулум је дизајниран да буде флексибилан и забаван и може се узети у целини или делимично. Пројекти почињу малим и постају све сложенији до краја 12-недељног циклуса. Овај курикулум такође укључује постскриптум о стварним применама машинског учења, који се може користити као додатни кредит или као основа за дискусију.
Пронађите наш Кодекс понашања, Упутства за допринос, Превод и Решавање проблема. Добродошли су ваши конструктивни коментари!
- опционални скица-напомена
- опционални додатни видео
- видео водич (само неке лекције)
- квиз за загревање пре предавања
- писана лекција
- за лекције засноване на пројектима, водичи корак по корак како изградити пројекат
- провере знања
- изазов
- додатно читање
- задатак
- квиз након предавања
Напомена о језицима: Ове лекције су углавном написане на Python-у, али многе су доступне и на R-у. Да бисте завршили R лекцију, идите у
/solutionфасциклу и потражите R лекције. Оне укључују .rmd екстензију која представља R Markdown датотеку која се може једноставно дефинисати као уграђивањекодних делова(R или других језика) иYAML заглавља(које води како форматирати излазе као што су PDF) уMarkdown документ. Као таква, служи као изванредан оквир за ауторство у науци о подацима јер вам омогућава да комбинујете свој код, његов излаз и своје мисли тако што их записујете у Markdown-у. Штавише, R Markdown документи могу се рендеровати у излазне формате као што су PDF, HTML или Word.
Напомена о квизовима: Сви квизови се налазе у Quiz App фасцикли, за укупно 52 квиза са по три питања. Они су повезани унутар лекција, али апликација за квиз може се покренути локално; пратите упутства у
quiz-appфасцикли за локално хостовање или постављање на Azure.
| Број лекције | Тема | Груписање лекција | Образовни циљеви | Повезана лекција | Аутор |
|---|---|---|---|---|---|
| 01 | Увод у машинско учење | Увод | Научите основне концепте машинског учења | Лекција | Мухамед |
| 02 | Историја машинског учења | Увод | Упознајте историју која стоји иза ове области | Лекција | Џен и Ејми |
| 03 | Правичност и машинско учење | Увод | Која су важна филозофска питања о правичности која студенти треба да размотре приликом креирања и примене ML модела? | Лекција | Томоми |
| 04 | Технике машинског учења | Увод | Које технике истраживачи користе за креирање ML модела? | Лекција | Крис и Џен |
| 05 | Увод у регресију | Регресија | Почните са Python-ом и Scikit-learn-ом за регресионе моделе | Python • R | Џен • Ерик Ванџау |
| 06 | Цене бундева у Северној Америци 🎃 | Регресија | Визуализујте и очистите податке у припреми за ML | Python • R | Џен • Ерик Ванџау |
| 07 | Цене бундева у Северној Америци 🎃 | Регресија | Креирајте линеарне и полиномске регресионе моделе | Python • R | Џен и Дмитриј • Ерик Ванџау |
| 08 | Цене бундева у Северној Америци 🎃 | Регресија | Креирајте логистички регресиони модел | Python • R | Џен • Ерик Ванџау |
| 09 | Веб апликација 🔌 | Веб апликација | Креирајте веб апликацију за коришћење вашег обученог модела | Python | Џен |
| 10 | Увод у класификацију | Класификација | Очистите, припремите и визуализујте своје податке; увод у класификацију | Python • R | Џен и Кеси • Ерик Ванџау |
| 11 | Укусна азијска и индијска јела 🍜 | Класификација | Увод у класификаторе | Python • R | Џен и Кеси • Ерик Ванџау |
| 12 | Укусна азијска и индијска јела 🍜 | Класификација | Више класификатора | Python • R | Џен и Кеси • Ерик Ванџау |
| 13 | Укусна азијска и индијска јела 🍜 | Класификација | Креирајте веб апликацију за препоруке користећи ваш модел | Python | Џен |
| 14 | Увод у кластерисање | Кластерисање | Очистите, припремите и визуализујте своје податке; увод у кластерисање | Python • R | Џен • Ерик Ванџау |
| 15 | Истраживање музичких укуса у Нигерији 🎧 | Кластерисање | Истражите метод K-Means кластерисања | Python • R | Џен • Ерик Ванџау |
| 16 | Увод у обраду природног језика ☕️ | Обрада природног језика | Научите основе NLP креирањем једноставног бота | Python | Стивен |
| 17 | Уобичајени NLP задаци ☕️ | Обрада природног језика | Продубите своје знање о NLP-у разумејући уобичајене задатке у раду са језичким структурама | Python | Стивен |
| 18 | Превод и анализа сентимента |
Обрада природног језика | Превод и анализа сентимента са Џејн Остин | Python | Стивен |
| 19 | Романтични хотели у Европи |
Обрада природног језика | Анализа сентимента са рецензијама хотела 1 | Python | Стивен |
| 20 | Романтични хотели у Европи |
Обрада природног језика | Анализа сентимента са рецензијама хотела 2 | Python | Стивен |
| 21 | Увод у прогнозирање временских серија | Временске серије | Увод у прогнозирање временских серија | Python | Франческа |
| 22 | ⚡️ Потрошња енергије у свету ⚡️ - прогнозирање са ARIMA | Временске серије | Прогнозирање временских серија са ARIMA | Python | Франческа |
| 23 | ⚡️ Потрошња енергије у свету ⚡️ - прогнозирање са SVR | Временске серије | Прогнозирање временских серија са подршком векторских регресора | Python | Анирбан |
| 24 | Увод у учење појачањем | Учење појачањем | Увод у учење појачањем са Q-Learning | Python | Дмитриј |
| 25 | Помозите Петру да избегне вука! 🐺 | Учење појачањем | Учење појачањем у Gym-у | Python | Дмитриј |
| Постскриптум | Реални сценарији и примене машинског учења | ML у природи | Занимљиве и откривајуће примене класичног машинског учења | Лекција | Тим |
| Постскриптум | Отклањање грешака у ML моделима помоћу RAI табле | ML у природи | Отклањање грешака у машинском учењу помоћу компоненти одговорне AI табле | Лекција | Рут Јакубу |
пронађите све додатне ресурсе за овај курс у нашој Microsoft Learn колекцији
Можете покренути ову документацију офлајн користећи Docsify. Форкујте овај репо, инсталирајте Docsify на свој локални рачунар, а затим у коренском фолдеру овог репоа укуцајте docsify serve. Вебсајт ће бити доступан на порту 3000 на вашем localhost-у: localhost:3000.
Пронађите PDF наставног плана са линковима овде.
Наш тим производи и друге курсеве! Погледајте:
-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 запнете или имате питања о креирању апликација са вештачком интелигенцијом, придружите се другим ученицима и искусним програмерима у дискусијама о MCP. То је подржавајућа заједница где су питања добродошла, а знање се слободно дели.
Ако имате повратне информације о производу или наиђете на грешке током креирања, посетите:
Одрицање од одговорности:
Овај документ је преведен помоћу услуге за превођење уз помоћ вештачке интелигенције Co-op Translator. Иако настојимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода.