Arabski | Bengalski | Bułgarski | Birmański (Myanmar) | Chiński (uproszczony) | Chiński (tradycyjny, Hongkong) | Chiński (tradycyjny, Makau) | Chiński (tradycyjny, Tajwan) | Chorwacki | Czeski | Duński | Holenderski | Estoński | Fiński | Francuski | Niemiecki | Grecki | Hebrajski | Hindi | Węgierski | Indonezyjski | Włoski | Japoński | Koreański | Litewski | Malajski | Marathi | Nepalski | Pidgin nigeryjski | Norweski | Perski (Farsi) | Polski | Portugalski (Brazylia) | Portugalski (Portugalia) | Pendżabski (Gurmukhi) | Rumuński | Rosyjski | Serbski (cyrylica) | Słowacki | Słoweński | Hiszpański | Suahili | Szwedzki | Tagalog (Filipiński) | Tamilski | Tajski | Turecki | Ukraiński | Urdu | Wietnamski
Prowadzimy serię nauki z AI na Discordzie, dowiedz się więcej i dołącz do nas na Learn with AI Series od 18 do 30 września 2025. Otrzymasz wskazówki i triki dotyczące korzystania z GitHub Copilot w Data Science.
🌍 Podróżuj po świecie, odkrywając Machine Learning przez pryzmat kultur świata 🌍
Cloud Advocates w Microsoft z przyjemnością oferują 12-tygodniowy, 26-lekcyjny program nauczania poświęcony Machine Learning. W tym programie nauczania poznasz to, co czasami nazywane jest klasycznym uczeniem maszynowym, korzystając głównie z biblioteki Scikit-learn i unikając głębokiego uczenia, które jest omówione w naszym programie AI dla początkujących. Połącz te lekcje z naszym programem 'Data Science dla początkujących'!
Podróżuj z nami po świecie, stosując te klasyczne techniki do danych z różnych regionów świata. Każda lekcja zawiera quizy przed i po lekcji, pisemne instrukcje do wykonania lekcji, rozwiązanie, zadanie i więcej. Nasza metoda oparta na projektach pozwala uczyć się poprzez budowanie, co jest sprawdzonym sposobem na trwałe przyswajanie nowych umiejętności.
✍️ Serdeczne podziękowania dla naszych autorów Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu i Amy Boyd
🎨 Podziękowania również dla naszych ilustratorów Tomomi Imura, Dasani Madipalli i Jen Looper
🙏 Specjalne podziękowania 🙏 dla naszych Microsoft Student Ambassador autorów, recenzentów i współtwórców treści, w szczególności Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila i Snigdha Agarwal
🤩 Dodatkowe podziękowania dla Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi i Vidushi Gupta za nasze lekcje R!
Postępuj zgodnie z tymi krokami:
- Forkuj repozytorium: Kliknij przycisk "Fork" w prawym górnym rogu tej strony.
- Sklonuj repozytorium:
git clone https://github.com/microsoft/ML-For-Beginners.git
znajdź wszystkie dodatkowe zasoby do tego kursu w naszej kolekcji Microsoft Learn
🔧 Potrzebujesz pomocy? Sprawdź nasz Przewodnik rozwiązywania problemów w celu uzyskania rozwiązań typowych problemów z instalacją, konfiguracją i uruchamianiem lekcji.
Studenci, aby korzystać z tego programu nauczania, forkujcie całe repozytorium na swoje konto GitHub i wykonujcie ćwiczenia samodzielnie lub w grupie:
- Rozpocznij od quizu przed lekcją.
- Przeczytaj lekcję i wykonaj aktywności, zatrzymując się i reflektując przy każdym sprawdzeniu wiedzy.
- Spróbuj stworzyć projekty, rozumiejąc lekcje, zamiast uruchamiać kod rozwiązania; jednak ten kod jest dostępny w folderach
/solutionw każdej lekcji projektowej. - Wykonaj quiz po lekcji.
- Wykonaj wyzwanie.
- Wykonaj zadanie.
- Po ukończeniu grupy lekcji odwiedź Tablicę dyskusyjną i "ucz się na głos", wypełniając odpowiedni rubrykę PAT. 'PAT' to narzędzie oceny postępów, które jest rubryką, którą wypełniasz, aby pogłębić swoją naukę. Możesz także reagować na inne PAT, abyśmy mogli uczyć się razem.
Do dalszej nauki polecamy śledzenie tych modułów i ścieżek nauki Microsoft Learn.
Nauczyciele, zamieściliśmy kilka sugestii dotyczących korzystania z tego programu nauczania.
Niektóre lekcje są dostępne w formie krótkich filmów. Możesz znaleźć je w lekcjach lub na playliście ML dla początkujących na kanale YouTube Microsoft Developer, klikając obrazek poniżej.
Gif autorstwa Mohit Jaisal
🎥 Kliknij obrazek powyżej, aby obejrzeć film o projekcie i osobach, które go stworzyły!
Podczas tworzenia tego programu nauczania wybraliśmy dwie zasady pedagogiczne: zapewnienie, że jest on oparty na projektach praktycznych oraz że zawiera częste quizy. Dodatkowo, ten program nauczania ma wspólny motyw, który nadaje mu spójność.
Zapewniając, że treść jest zgodna z projektami, proces staje się bardziej angażujący dla studentów, a przyswajanie koncepcji zostaje wzmocnione. Dodatkowo, quiz o niskiej stawce przed zajęciami ustawia intencję studenta na naukę tematu, podczas gdy drugi quiz po zajęciach zapewnia dalsze przyswajanie wiedzy. Ten program nauczania został zaprojektowany tak, aby był elastyczny i zabawny, i można go realizować w całości lub częściowo. Projekty zaczynają się od prostych i stają się coraz bardziej złożone pod koniec 12-tygodniowego cyklu. Program nauczania zawiera również postscriptum na temat rzeczywistych zastosowań ML, które można wykorzystać jako dodatkowe punkty lub jako podstawę do dyskusji.
Znajdź nasz Kodeks postępowania, Wkład, Tłumaczenia i Rozwiązywanie problemów. Czekamy na Twoje konstruktywne opinie!
- opcjonalny szkic
- opcjonalne wideo uzupełniające
- przewodnik wideo (tylko niektóre lekcje)
- quiz rozgrzewkowy przed lekcją
- pisemną lekcję
- dla lekcji projektowych, przewodniki krok po kroku, jak zbudować projekt
- sprawdzenie wiedzy
- wyzwanie
- lekturę uzupełniającą
- zadanie
- quiz po lekcji
Uwaga o językach: Te lekcje są głównie napisane w Pythonie, ale wiele z nich jest również dostępnych w R. Aby ukończyć lekcję w R, przejdź do folderu
/solutioni poszukaj lekcji w R. Zawierają one rozszerzenie .rmd, które reprezentuje R Markdown, dokument łączącyfragmenty kodu(R lub innych języków) inagłówek YAML(określający formatowanie wyjść, takich jak PDF) wdokumencie Markdown. Dzięki temu jest to doskonałe narzędzie do tworzenia treści dla data science, ponieważ pozwala łączyć kod, jego wyniki i przemyślenia w Markdown. Dokumenty R Markdown można renderować do formatów wyjściowych, takich jak PDF, HTML czy Word.
Uwaga o quizach: Wszystkie quizy znajdują się w folderze Quiz App, łącznie 52 quizy po trzy pytania każdy. Są one połączone z lekcjami, ale aplikację quizową można uruchomić lokalnie; postępuj zgodnie z instrukcjami w folderze
quiz-app, aby hostować lokalnie lub wdrożyć na Azure.
| Numer lekcji | Temat | Grupa lekcji | Cele nauczania | Powiązana lekcja | Autor |
|---|---|---|---|---|---|
| 01 | Wprowadzenie do uczenia maszynowego | Wprowadzenie | Poznaj podstawowe pojęcia związane z uczeniem maszynowym | Lekcja | Muhammad |
| 02 | Historia uczenia maszynowego | Wprowadzenie | Poznaj historię stojącą za tą dziedziną | Lekcja | Jen i Amy |
| 03 | Sprawiedliwość i uczenie maszynowe | Wprowadzenie | Jakie są ważne kwestie filozoficzne dotyczące sprawiedliwości, które należy rozważyć podczas budowy i stosowania modeli ML? | Lekcja | Tomomi |
| 04 | Techniki uczenia maszynowego | Wprowadzenie | Jakie techniki stosują badacze ML do budowy modeli ML? | Lekcja | Chris i Jen |
| 05 | Wprowadzenie do regresji | Regresja | Rozpocznij pracę z Pythonem i Scikit-learn dla modeli regresji | Python • R | Jen • Eric Wanjau |
| 06 | Ceny dyni w Ameryce Północnej 🎃 | Regresja | Wizualizuj i oczyszczaj dane w przygotowaniu do ML | Python • R | Jen • Eric Wanjau |
| 07 | Ceny dyni w Ameryce Północnej 🎃 | Regresja | Buduj modele regresji liniowej i wielomianowej | Python • R | Jen i Dmitry • Eric Wanjau |
| 08 | Ceny dyni w Ameryce Północnej 🎃 | Regresja | Buduj model regresji logistycznej | Python • R | Jen • Eric Wanjau |
| 09 | Aplikacja webowa 🔌 | Aplikacja webowa | Zbuduj aplikację webową do wykorzystania swojego wytrenowanego modelu | Python | Jen |
| 10 | Wprowadzenie do klasyfikacji | Klasyfikacja | Oczyszczaj, przygotowuj i wizualizuj dane; wprowadzenie do klasyfikacji | Python • R | Jen i Cassie • Eric Wanjau |
| 11 | Pyszne kuchnie azjatyckie i indyjskie 🍜 | Klasyfikacja | Wprowadzenie do klasyfikatorów | Python • R | Jen i Cassie • Eric Wanjau |
| 12 | Pyszne kuchnie azjatyckie i indyjskie 🍜 | Klasyfikacja | Więcej klasyfikatorów | Python • R | Jen i Cassie • Eric Wanjau |
| 13 | Pyszne kuchnie azjatyckie i indyjskie 🍜 | Klasyfikacja | Zbuduj aplikację rekomendacyjną opartą na swoim modelu | Python | Jen |
| 14 | Wprowadzenie do klastrowania | Klastrowanie | Oczyszczaj, przygotowuj i wizualizuj dane; wprowadzenie do klastrowania | Python • R | Jen • Eric Wanjau |
| 15 | Eksploracja gustów muzycznych w Nigerii 🎧 | Klastrowanie | Eksploruj metodę klastrowania K-Means | Python • R | Jen • Eric Wanjau |
| 16 | Wprowadzenie do przetwarzania języka naturalnego ☕️ | Przetwarzanie języka naturalnego | Poznaj podstawy NLP, budując prostego bota | Python | Stephen |
| 17 | Typowe zadania NLP ☕️ | Przetwarzanie języka naturalnego | Pogłęb swoją wiedzę o NLP, rozumiejąc typowe zadania związane z przetwarzaniem struktur językowych | Python | Stephen |
| 18 | Tłumaczenie i analiza sentymentu |
Przetwarzanie języka naturalnego | Tłumaczenie i analiza sentymentu z Jane Austen | Python | Stephen |
| 19 | Romantyczne hotele w Europie |
Przetwarzanie języka naturalnego | Analiza sentymentu na podstawie recenzji hoteli 1 | Python | Stephen |
| 20 | Romantyczne hotele w Europie |
Przetwarzanie języka naturalnego | Analiza sentymentu na podstawie recenzji hoteli 2 | Python | Stephen |
| 21 | Wprowadzenie do prognozowania szeregów czasowych | Szeregi czasowe | Wprowadzenie do prognozowania szeregów czasowych | Python | Francesca |
| 22 | ⚡️ Zużycie energii na świecie ⚡️ - prognozowanie z ARIMA | Szeregi czasowe | Prognozowanie szeregów czasowych z ARIMA | Python | Francesca |
| 23 | ⚡️ Zużycie energii na świecie ⚡️ - prognozowanie z SVR | Szeregi czasowe | Prognozowanie szeregów czasowych z Support Vector Regressor | Python | Anirban |
| 24 | Wprowadzenie do uczenia ze wzmocnieniem | Uczenie ze wzmocnieniem | Wprowadzenie do uczenia ze wzmocnieniem z Q-Learning | Python | Dmitry |
| 25 | Pomóż Piotrowi uniknąć wilka! 🐺 | Uczenie ze wzmocnieniem | Gym dla uczenia ze wzmocnieniem | Python | Dmitry |
| Postscript | Scenariusze i zastosowania ML w rzeczywistości | ML w praktyce | Interesujące i odkrywcze zastosowania klasycznego ML w rzeczywistości | Lekcja | Zespół |
| Postscript | Debugowanie modeli ML za pomocą pulpitu RAI | ML w praktyce | Debugowanie modeli uczenia maszynowego za pomocą komponentów odpowiedzialnego AI | Lekcja | Ruth Yakubu |
znajdź wszystkie dodatkowe zasoby do tego kursu w naszej kolekcji Microsoft Learn
Możesz uruchomić tę dokumentację offline, korzystając z Docsify. Sforkuj to repozytorium, zainstaluj Docsify na swoim lokalnym komputerze, a następnie w katalogu głównym tego repozytorium wpisz docsify serve. Strona internetowa zostanie uruchomiona na porcie 3000 na twoim localhost: localhost:3000.
Znajdź plik PDF z programem nauczania i linkami tutaj.
Nasz zespół tworzy inne kursy! Sprawdź:
-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}
Jeśli utkniesz lub masz pytania dotyczące tworzenia aplikacji AI, dołącz do dyskusji z innymi uczącymi się i doświadczonymi programistami na temat MCP. To wspierająca społeczność, gdzie pytania są mile widziane, a wiedza jest swobodnie dzielona.
Jeśli masz uwagi dotyczące produktu lub napotkasz błędy podczas tworzenia, odwiedź:
Zastrzeżenie:
Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI Co-op Translator. Chociaż staramy się zapewnić dokładność, prosimy mieć na uwadze, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego rodzimym języku powinien być uznawany za wiarygodne źródło. W przypadku informacji krytycznych zaleca się skorzystanie z profesjonalnego tłumaczenia przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.