Arab | Bengáli | Bolgár | Burmai (Mianmar) | Kínai (Egyszerűsített) | Kínai (Hagyományos, Hongkong) | Kínai (Hagyományos, Makaó) | Kínai (Hagyományos, Tajvan) | Horvát | Cseh | Dán | Holland | Észt | Finn | Francia | Német | Görög | Héber | Hindi | Magyar | Indonéz | Olasz | Japán | Koreai | Litván | Maláj | Marathi | Nepáli | Nigériai Pidgin | Norvég | Perzsa (Fárszi) | Lengyel | Portugál (Brazília) | Portugál (Portugália) | Pandzsábi (Gurmukhi) | Román | Orosz | Szerb (Cirill) | Szlovák | Szlovén | Spanyol | Szuahéli | Svéd | Tagalog (Filippínó) | Tamil | Thai | Török | Ukrán | Urdu | Vietnámi
Van egy Discord tanulási sorozatunk AI-val, tudj meg többet és csatlakozz hozzánk a Learn with AI Series eseményen 2025. szeptember 18-30. között. Tippeket és trükköket kapsz a GitHub Copilot használatához az adattudomány területén.
🌍 Utazz körbe a világon, miközben a gépi tanulást a világ kultúráin keresztül fedezzük fel 🌍
A Microsoft Cloud Advocates csapata örömmel kínál egy 12 hetes, 26 leckéből álló tantervet, amely teljes egészében a gépi tanulásról szól. Ebben a tantervben megismerheted az úgynevezett klasszikus gépi tanulást, elsősorban a Scikit-learn könyvtárat használva, elkerülve a mélytanulást, amelyet a Mesterséges intelligencia kezdőknek tanterv tárgyal. Párosítsd ezeket a leckéket a 'Adattudomány kezdőknek tanterv' leckéivel is!
Utazz velünk a világ körül, miközben ezeket a klasszikus technikákat alkalmazzuk a világ különböző területeiről származó adatokra. Minden lecke tartalmaz előzetes és utólagos kvízeket, írásos útmutatót a lecke elvégzéséhez, megoldást, feladatot és még sok mást. Projektalapú pedagógiánk lehetővé teszi, hogy tanulás közben építs, ami bizonyítottan segíti az új készségek elsajátítását.
✍️ Hálás köszönet szerzőinknek Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu és Amy Boyd
🎨 Köszönet illusztrátorainknak is Tomomi Imura, Dasani Madipalli és Jen Looper
🙏 Külön köszönet 🙏 a Microsoft Student Ambassador szerzőknek, lektoroknak és tartalomhozzájárulóknak, különösen Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila és Snigdha Agarwal
🤩 Külön köszönet a Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi és Vidushi Gupta számára az R leckékért!
Kövesd ezeket a lépéseket:
- Forkold a repót: Kattints az oldal jobb felső sarkában található "Fork" gombra.
- Klónozd a repót:
git clone https://github.com/microsoft/ML-For-Beginners.git
találd meg a kurzushoz tartozó további forrásokat a Microsoft Learn gyűjteményünkben
🔧 Segítségre van szükséged? Nézd meg a Hibaelhárítási útmutatónkat a telepítéssel, beállítással és a leckék futtatásával kapcsolatos gyakori problémák megoldásához.
Diákok, hogy használjátok ezt a tantervet, forkold az egész repót a saját GitHub fiókodba, és végezd el a gyakorlatokat egyedül vagy csoportban:
- Kezdd egy előzetes kvízzel.
- Olvasd el az előadást, és végezd el a tevékenységeket, megállva és elgondolkodva minden tudásellenőrzésnél.
- Próbáld meg létrehozni a projekteket a leckék megértésével, ahelyett, hogy a megoldáskódot futtatnád; azonban ez a kód elérhető a
/solutionmappákban minden projektalapú leckénél. - Töltsd ki az utólagos kvízt.
- Teljesítsd a kihívást.
- Teljesítsd a feladatot.
- Miután befejeztél egy lecke csoportot, látogasd meg a Vita fórumot, és "tanulj hangosan", kitöltve a megfelelő PAT rubrikát. A 'PAT' egy Haladás Értékelő Eszköz, amely egy rubrika, amit kitöltesz a tanulásod elősegítése érdekében. Más PAT-okra is reagálhatsz, hogy együtt tanulhassunk.
További tanulmányokhoz javasoljuk, hogy kövesd ezeket a Microsoft Learn modulokat és tanulási útvonalakat.
Tanárok, néhány javaslatot is mellékeltünk arra vonatkozóan, hogyan használhatjátok ezt a tantervet.
Néhány lecke rövid videó formájában is elérhető. Ezeket megtalálod a leckékben, vagy a ML for Beginners lejátszási listán a Microsoft Developer YouTube csatornán, ha az alábbi képre kattintasz.
Gif készítette Mohit Jaisal
🎥 Kattints a fenti képre, hogy megnézd a projektet és az alkotókat bemutató videót!
Két pedagógiai alapelvet választottunk a tanterv kidolgozása során: biztosítani, hogy az projektalapú legyen, és hogy gyakori kvízeket tartalmazzon. Ezenkívül a tantervnek van egy közös témája, amely összefogja.
Azáltal, hogy a tartalom projektekhez igazodik, a folyamat érdekesebbé válik a diákok számára, és a fogalmak jobban rögzülnek. Ezenkívül egy alacsony tétű kvíz az óra előtt a diák figyelmét a téma tanulására irányítja, míg egy második kvíz az óra után tovább erősíti a tanultakat. Ez a tanterv rugalmas és szórakoztató, és egészében vagy részben is elvégezhető. A projektek kicsiben kezdődnek, és a 12 hetes ciklus végére egyre összetettebbé válnak. Ez a tanterv egy utószót is tartalmaz a gépi tanulás valós alkalmazásairól, amely extra kreditként vagy vitaalapként használható.
Találd meg a Magatartási kódexünket, Hozzájárulási, Fordítási és Hibaelhárítási irányelveinket. Szívesen fogadjuk az építő jellegű visszajelzéseidet!
- opcionális vázlatrajz
- opcionális kiegészítő videó
- videós bemutató (csak néhány lecke esetében)
- előzetes bemelegítő kvíz
- írásos lecke
- projektalapú leckék esetén lépésről lépésre útmutató a projekt elkészítéséhez
- tudásellenőrzések
- egy kihívás
- kiegészítő olvasmány
- feladat
- utólagos kvíz
Megjegyzés a nyelvekről: Ezek a leckék elsősorban Python nyelven íródtak, de sok közülük R nyelven is elérhető. Egy R lecke elvégzéséhez menj a
/solutionmappába, és keresd az R leckéket. Ezek tartalmaznak egy .rmd kiterjesztést, amely egy R Markdown fájlt jelöl, amely egyszerűen definiálhatókódrészletek(R vagy más nyelvek) és egyYAML fejléc(amely útmutatást ad a kimenetek, például PDF formázásához) beágyazásaként egyMarkdown dokumentumba. Mint ilyen, példamutató szerzői keretrendszerként szolgál az adattudomány számára, mivel lehetővé teszi, hogy kombináld a kódodat, annak kimenetét és gondolataidat, lehetővé téve, hogy Markdown-ban írd le őket. Továbbá, az R Markdown dokumentumok kimeneti formátumokra, például PDF-re, HTML-re vagy Word-re is renderelhetők.
Megjegyzés a kvízekről: Minden kvíz a Quiz App mappában található, összesen 52 darab három kérdéses kvízzel. Ezek a leckékből érhetők el, de a kvíz alkalmazás helyileg is futtatható; kövesd az
quiz-appmappában található utasításokat a helyi hosztoláshoz vagy az Azure-ra történő telepítéshez.
| Lecke száma | Téma | Leckecsoportosítás | Tanulási célok | Kapcsolódó lecke | Szerző |
|---|---|---|---|---|---|
| 01 | Bevezetés a gépi tanulásba | Bevezetés | Ismerd meg a gépi tanulás alapfogalmait | Lecke | Muhammad |
| 02 | A gépi tanulás története | Bevezetés | Ismerd meg a terület történeti hátterét | Lecke | Jen és Amy |
| 03 | Méltányosság és gépi tanulás | Bevezetés | Milyen fontos filozófiai kérdéseket kell figyelembe venni a méltányosság kapcsán, amikor gépi tanulási modelleket építünk és alkalmazunk? | Lecke | Tomomi |
| 04 | Gépi tanulási technikák | Bevezetés | Milyen technikákat használnak a gépi tanulás kutatói modellek építéséhez? | Lecke | Chris és Jen |
| 05 | Bevezetés a regresszióba | Regresszió | Kezdj el dolgozni Python és Scikit-learn segítségével regressziós modellekhez | Python • R | Jen • Eric Wanjau |
| 06 | Észak-amerikai tökárak 🎃 | Regresszió | Vizualizáld és tisztítsd meg az adatokat a gépi tanulás előkészítéséhez | Python • R | Jen • Eric Wanjau |
| 07 | Észak-amerikai tökárak 🎃 | Regresszió | Lineáris és polinomiális regressziós modellek építése | Python • R | Jen és Dmitry • Eric Wanjau |
| 08 | Észak-amerikai tökárak 🎃 | Regresszió | Logisztikus regressziós modell építése | Python • R | Jen • Eric Wanjau |
| 09 | Egy webalkalmazás 🔌 | Webalkalmazás | Építs egy webalkalmazást a betanított modelled használatához | Python | Jen |
| 10 | Bevezetés az osztályozásba | Osztályozás | Tisztítsd meg, készítsd elő és vizualizáld az adataidat; bevezetés az osztályozásba | Python • R | Jen és Cassie • Eric Wanjau |
| 11 | Finom ázsiai és indiai konyhák 🍜 | Osztályozás | Bevezetés az osztályozókba | Python • R | Jen és Cassie • Eric Wanjau |
| 12 | Finom ázsiai és indiai konyhák 🍜 | Osztályozás | További osztályozók | Python • R | Jen és Cassie • Eric Wanjau |
| 13 | Finom ázsiai és indiai konyhák 🍜 | Osztályozás | Ajánló webalkalmazás építése a modelled segítségével | Python | Jen |
| 14 | Bevezetés a klaszterezésbe | Klaszterezés | Tisztítsd meg, készítsd elő és vizualizáld az adataidat; bevezetés a klaszterezésbe | Python • R | Jen • Eric Wanjau |
| 15 | Nigériai zenei ízlések felfedezése 🎧 | Klaszterezés | Fedezd fel a K-Means klaszterezési módszert | Python • R | Jen • Eric Wanjau |
| 16 | Bevezetés a természetes nyelvfeldolgozásba ☕️ | Természetes nyelvfeldolgozás | Ismerd meg az NLP alapjait egy egyszerű bot építésével | Python | Stephen |
| 17 | Gyakori NLP feladatok ☕️ | Természetes nyelvfeldolgozás | Mélyítsd el az NLP ismereteidet a nyelvi struktúrákkal kapcsolatos gyakori feladatok megértésével | Python | Stephen |
| 18 | Fordítás és érzelemelemzés |
Természetes nyelvfeldolgozás | Fordítás és érzelemelemzés Jane Austen műveivel | Python | Stephen |
| 19 | Romantikus európai hotelek |
Természetes nyelvfeldolgozás | Érzelemelemzés szállodai véleményekkel 1 | Python | Stephen |
| 20 | Romantikus európai hotelek |
Természetes nyelvfeldolgozás | Érzelemelemzés szállodai véleményekkel 2 | Python | Stephen |
| 21 | Bevezetés az idősorok előrejelzésébe | Idősorok | Bevezetés az idősorok előrejelzésébe | Python | Francesca |
| 22 | ⚡️ A világ energiafogyasztása ⚡️ - idősor előrejelzés ARIMA-val | Idősorok | Idősor előrejelzés ARIMA-val | Python | Francesca |
| 23 | ⚡️ A világ energiafogyasztása ⚡️ - idősor előrejelzés SVR-rel | Idősorok | Idősor előrejelzés Support Vector Regressorral | Python | Anirban |
| 24 | Bevezetés a megerősítéses tanulásba | Megerősítéses tanulás | Bevezetés a megerősítéses tanulásba Q-Learning segítségével | Python | Dmitry |
| 25 | Segíts Péternek elkerülni a farkast! 🐺 | Megerősítéses tanulás | Megerősítéses tanulás Gym | Python | Dmitry |
| Utószó | Valós gépi tanulási forgatókönyvek és alkalmazások | ML a gyakorlatban | Érdekes és tanulságos valós alkalmazások a klasszikus gépi tanulásban | Lecke | Csapat |
| Utószó | Modellhibakeresés gépi tanulásban RAI dashboarddal | ML a gyakorlatban | Modellhibakeresés a gépi tanulásban a Responsible AI dashboard komponensek használatával | Lecke | Ruth Yakubu |
találd meg a kurzushoz tartozó további forrásokat a Microsoft Learn gyűjteményünkben
Ezt a dokumentációt offline is futtathatod a Docsify segítségével. Forkold ezt a repót, telepítsd a Docsify-t a helyi gépedre, majd a repó gyökérmappájában írd be: docsify serve. A weboldal a localhost 3000-es portján lesz elérhető: localhost:3000.
A tananyag PDF változatát linkekkel itt találod.
Csapatunk más kurzusokat is készít! Nézd meg:
-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}
Ha elakadnál, vagy kérdéseid vannak az MI alkalmazások építésével kapcsolatban, csatlakozz más tanulókhoz és tapasztalt fejlesztőkhöz az MCP-ről szóló beszélgetésekben. Ez egy támogató közösség, ahol szívesen fogadják a kérdéseket, és szabadon osztják meg a tudást.
Ha termékvisszajelzést szeretnél adni, vagy hibákat tapasztalsz az építés során, látogasd meg:
Felelősség kizárása:
Ezt a dokumentumot az Co-op Translator AI fordítási szolgáltatás segítségével fordították le. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget a fordítás használatából eredő félreértésekért vagy téves értelmezésekért.