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 | Korean | Lithuanian | Malay | 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 | Thai | Turkish | Ukrainian | Urdu | Vietnamese
У нас триває серія навчання з AI у Discord, дізнайтеся більше та приєднуйтесь до нас на Learn with AI Series з 18 по 30 вересня 2025 року. Ви отримаєте поради та хитрощі використання GitHub Copilot для Data Science.
🌍 Подорожуйте світом, досліджуючи машинне навчання через культури світу 🌍
Хмарні адвокати Microsoft раді запропонувати 12-тижневу навчальну програму з 26 уроків, присвячену машинному навчанню. У цій програмі ви дізнаєтеся про те, що іноді називають класичним машинним навчанням, використовуючи переважно бібліотеку Scikit-learn і уникаючи глибокого навчання, яке охоплюється в нашій навчальній програмі "AI для початківців". Поєднуйте ці уроки з нашою навчальною програмою "Data Science для початківців", також!
Подорожуйте з нами світом, застосовуючи ці класичні техніки до даних з різних куточків світу. Кожен урок включає тести до і після уроку, письмові інструкції для виконання уроку, рішення, завдання та багато іншого. Наш підхід, заснований на проектах, дозволяє навчатися, створюючи, що є перевіреним способом закріплення нових навичок.
✍️ Щиро дякуємо нашим авторам Джен Лупер, Стівену Хауеллу, Франчесці Лаццері, Томомі Імурі, Кассі Бревіу, Дмитру Сошникову, Крісу Норінгу, Анірбану Мукерджі, Орнеллі Алтунян, Рут Якобу та Емі Бойд
🎨 Дякуємо також нашим ілюстраторам Томомі Імурі, Дасані Мадіпаллі та Джен Лупер
🙏 Особлива подяка 🙏 нашим авторам, рецензентам та контриб'юторам контенту серед студентських амбасадорів Microsoft, зокрема Рішиту Даглі, Мухаммаду Сакібу Хану Інану, Рохану Раджу, Александру Петреску, Абхішеку Джайсвалу, Наврін Табассум, Іоану Самуїлі та Снігдхі Агарвал
🤩 Окрема вдячність студентським амбасадорам Microsoft Еріку Ванджау, Джаслін Сонді та Відуші Гупті за наші уроки з R!
Виконайте наступні кроки:
- Форкніть репозиторій: Натисніть кнопку "Fork" у верхньому правому куті цієї сторінки.
- Клонуйте репозиторій:
git clone https://github.com/microsoft/ML-For-Beginners.git
знайдіть усі додаткові ресурси для цього курсу в нашій колекції Microsoft Learn
🔧 Потрібна допомога? Перегляньте наш Посібник з усунення несправностей для вирішення поширених проблем з установкою, налаштуванням та виконанням уроків.
Студенти, щоб використовувати цю навчальну програму, форкніть весь репозиторій у свій обліковий запис GitHub і виконуйте вправи самостійно або в групі:
- Почніть з тесту перед лекцією.
- Прочитайте лекцію та виконайте завдання, зупиняючись і розмірковуючи на кожному етапі перевірки знань.
- Спробуйте створити проекти, розуміючи уроки, а не просто запускаючи код рішення; однак цей код доступний у папках
/solutionу кожному проектно-орієнтованому уроці. - Пройдіть тест після лекції.
- Виконайте виклик.
- Виконайте завдання.
- Після завершення групи уроків відвідайте Дошку обговорень і "навчайтеся вголос", заповнюючи відповідний рубрикатор PAT. 'PAT' - це інструмент оцінки прогресу, який є рубрикою, яку ви заповнюєте для подальшого навчання. Ви також можете реагувати на інші PAT, щоб ми могли навчатися разом.
Для подальшого навчання ми рекомендуємо пройти ці модулі та навчальні шляхи Microsoft Learn.
Вчителі, ми включили деякі пропозиції щодо використання цієї навчальної програми.
Деякі уроки доступні у вигляді коротких відео. Ви можете знайти їх у самих уроках або на плейлисті ML для початківців на YouTube-каналі Microsoft Developer, натиснувши на зображення нижче.
Gif створено Мохітом Джайсалом
🎥 Натисніть на зображення вище, щоб переглянути відео про проект та людей, які його створили!
Ми обрали два педагогічні принципи при створенні цієї навчальної програми: забезпечення того, щоб вона була практичною заснованою на проектах і включала часті тести. Крім того, ця навчальна програма має спільну тему, яка надає їй цілісності.
Забезпечуючи відповідність контенту проектам, процес стає більш захоплюючим для студентів, а засвоєння концепцій буде посилено. Крім того, тест з низькими ставками перед заняттям налаштовує студента на вивчення теми, а другий тест після заняття забезпечує подальше засвоєння. Ця навчальна програма була розроблена, щоб бути гнучкою та цікавою і може бути пройдена повністю або частково. Проекти починаються з простих і стають дедалі складнішими до кінця 12-тижневого циклу. Ця навчальна програма також включає постскриптум про реальні застосування ML, який може бути використаний як додатковий кредит або як основа для обговорення.
Знайдіть наші Правила поведінки, Рекомендації щодо внесення змін, Переклад та Посібник з усунення несправностей. Ми вітаємо ваші конструктивні відгуки!
- необов'язковий скетчнот
- необов'язкове додаткове відео
- відео-огляд (лише деякі уроки)
- тест перед лекцією
- письмовий урок
- для уроків, заснованих на проектах, покрокові інструкції щодо створення проекту
- перевірки знань
- виклик
- додаткове читання
- завдання
- тест після лекції
Примітка про мови: Ці уроки переважно написані на Python, але багато з них також доступні на R. Щоб виконати урок на R, перейдіть до папки
/solutionі знайдіть уроки на R. Вони включають розширення .rmd, яке представляє R Markdown файл, який можна просто визначити як вбудовуваннякодових блоків(R або інших мов) таYAML заголовка(який керує форматуванням вихідних даних, таких як PDF) уMarkdown документ. Таким чином, це служить зразковою авторською платформою для науки про дані, оскільки дозволяє комбінувати ваш код, його вихідні дані та ваші думки, дозволяючи записувати їх у Markdown. Крім того, документи R Markdown можуть бути перетворені у вихідні формати, такі як PDF, HTML або Word.
Примітка про тести: Усі тести містяться у папці Quiz App, всього 52 тести по три питання кожен. Вони пов'язані з уроками, але додаток для тестів можна запустити локально; дотримуйтесь інструкцій у папці
quiz-app, щоб локально розмістити або розгорнути на Azure.
| Номер уроку | Тема | Групування уроків | Навчальні цілі | Пов'язаний урок | Автор |
|---|---|---|---|---|---|
| 01 | Вступ до машинного навчання | Вступ | Дізнайтеся основні концепції машинного навчання | Урок | Мухаммад |
| 02 | Історія машинного навчання | Вступ | Дізнайтеся історію, яка лежить в основі цієї галузі | Урок | Джен і Емі |
| 03 | Справедливість і машинне навчання | Вступ | Які важливі філософські питання щодо справедливості слід враховувати студентам при створенні та застосуванні моделей ML? | Урок | Томомі |
| 04 | Техніки машинного навчання | Вступ | Які техніки використовують дослідники ML для створення моделей ML? | Урок | Кріс і Джен |
| 05 | Вступ до регресії | Регресія | Почніть з Python і Scikit-learn для моделей регресії | Python • R | Джен • Ерік Ванджа |
| 06 | Ціни на гарбузи в Північній Америці 🎃 | Регресія | Візуалізуйте та очистіть дані для підготовки до ML | Python • R | Джен • Ерік Ванджа |
| 07 | Ціни на гарбузи в Північній Америці 🎃 | Регресія | Створіть лінійні та поліноміальні моделі регресії | Python • R | Джен і Дмитро • Ерік Ванджа |
| 08 | Ціни на гарбузи в Північній Америці 🎃 | Регресія | Створіть модель логістичної регресії | Python • R | Джен • Ерік Ванджа |
| 09 | Веб-додаток 🔌 | Веб-додаток | Створіть веб-додаток для використання вашої навченої моделі | Python | Джен |
| 10 | Вступ до класифікації | Класифікація | Очистіть, підготуйте та візуалізуйте свої дані; вступ до класифікації | Python • R | Джен і Кессі • Ерік Ванджа |
| 11 | Смачні азійські та індійські страви 🍜 | Класифікація | Вступ до класифікаторів | Python • R | Джен і Кессі • Ерік Ванджа |
| 12 | Смачні азійські та індійські страви 🍜 | Класифікація | Більше класифікаторів | Python • R | Джен і Кессі • Ерік Ванджа |
| 13 | Смачні азійські та індійські страви 🍜 | Класифікація | Створіть веб-додаток-рекомендацію, використовуючи вашу модель | Python | Джен |
| 14 | Вступ до кластеризації | Кластеризація | Очистіть, підготуйте та візуалізуйте свої дані; вступ до кластеризації | Python • R | Джен • Ерік Ванджа |
| 15 | Дослідження музичних смаків Нігерії 🎧 | Кластеризація | Дослідження методу кластеризації K-Means | Python • R | Джен • Ерік Ванджа |
| 16 | Вступ до обробки природної мови ☕️ | Обробка природної мови | Дізнайтеся основи NLP, створюючи простого бота | Python | Стівен |
| 17 | Загальні завдання NLP ☕️ | Обробка природної мови | Поглибте свої знання NLP, зрозумівши загальні завдання, пов'язані з мовними структурами | Python | Стівен |
| 18 | Переклад і аналіз настроїв |
Обробка природної мови | Переклад і аналіз настроїв з Джейн Остін | Python | Стівен |
| 19 | Романтичні готелі Європи |
Обробка природної мови | Аналіз настроїв за відгуками про готелі 1 | Python | Стівен |
| 20 | Романтичні готелі Європи |
Обробка природної мови | Аналіз настроїв за відгуками про готелі 2 | Python | Стівен |
| 21 | Вступ до прогнозування часових рядів | Часові ряди | Вступ до прогнозування часових рядів | Python | Франческа |
| 22 | ⚡️ Використання енергії у світі ⚡️ - прогнозування часових рядів з ARIMA | Часові ряди | Прогнозування часових рядів з ARIMA | Python | Франческа |
| 23 | ⚡️ Використання енергії у світі ⚡️ - прогнозування часових рядів з SVR | Часові ряди | Прогнозування часових рядів з регресором підтримки векторів | Python | Анірбан |
| 24 | Вступ до навчання з підкріпленням | Навчання з підкріпленням | Вступ до навчання з підкріпленням з Q-Learning | Python | Дмитро |
| 25 | Допоможіть Пітеру уникнути вовка! 🐺 | Навчання з підкріпленням | Навчання з підкріпленням у Gym | Python | Дмитро |
| Постскриптум | Реальні сценарії та застосування ML | ML у реальному світі | Цікаві та показові реальні застосування класичного ML | Урок | Команда |
| Постскриптум | Налагодження моделей ML за допомогою панелі RAI | ML у реальному світі | Налагодження моделей машинного навчання за допомогою компонентів панелі відповідального AI | Урок | Рут Якубу |
знайдіть усі додаткові ресурси для цього курсу в нашій колекції Microsoft Learn
Ви можете використовувати цю документацію офлайн за допомогою Docsify. Форкніть цей репозиторій, встановіть Docsify на ваш локальний комп'ютер, а потім у кореневій папці цього репозиторію введіть docsify serve. Вебсайт буде доступний на порту 3000 на вашому localhost: localhost:3000.
Знайдіть PDF-версію навчальної програми з посиланнями тут.
Наша команда створює інші курси! Ознайомтеся:
-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}
Якщо ви застрягли або маєте питання щодо створення додатків зі штучним інтелектом, приєднуйтесь до обговорень про MCP разом з іншими учнями та досвідченими розробниками. Це підтримуюча спільнота, де питання вітаються, а знання діляться вільно.
Якщо у вас є відгуки про продукт або виникають помилки під час створення, відвідайте:
Відмова від відповідальності:
Цей документ було перекладено за допомогою сервісу автоматичного перекладу Co-op Translator. Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу.