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 | Kannada | Korean | Lithuanian | Malay | Malayalam | 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 | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese
로컬로 클론하시겠습니까?
이 저장소는 50개 이상의 언어 번역을 포함하고 있어 다운로드 크기가 크게 증가합니다. 번역 없이 클론하려면 sparse checkout을 사용하세요:
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"이렇게 하면 훨씬 빠른 다운로드로 강의를 완료하는 데 필요한 모든 것을 얻을 수 있습니다.
우리는 Discord에서 AI 시리즈를 진행 중이며, 2025년 9월 18일부터 30일까지 Learn with AI Series에서 자세히 알아보고 함께하세요. GitHub Copilot을 사용한 데이터 과학 팁과 요령을 제공합니다.
🌍 세계 문화를 통해 머신러닝을 탐험하며 전 세계를 여행하세요 🌍
마이크로소프트 클라우드 옹호자들이 제공하는 12주, 26강의 커리큘럼은 머신러닝에 관한 모든 것을 다룹니다. 이 커리큘럼에서는 주로 Scikit-learn 라이브러리를 사용하는, 때로는 고전 머신러닝이라고 불리는 내용을 배우며, 딥러닝은 우리의 초보자를 위한 AI 커리큘럼에서 다룹니다. 또한 이 강의를 우리의 '초보자를 위한 데이터 과학' 커리큘럼과 함께 활용하세요!
전 세계를 여행하며 고전적인 머신러닝 기법을 다양한 데이터를 통해 적용해보세요. 각 강의는 사전 및 사후 퀴즈, 강의 완료를 위한 서면 지침, 해답, 과제 등을 포함합니다. 프로젝트 기반 학습법으로 배우면서 직접 만들어 보는 경험을 제공하며, 새로운 기술을 효과적으로 체득할 수 있습니다.
✍️ 진심으로 감사드립니다, 저자분들 Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu, Amy Boyd
🎨 삽화 제공에 감사드립니다 Tomomi Imura, Dasani Madipalli, Jen Looper
🙏 특별 감사드립니다 🙏 마이크로소프트 학생대사로 활동하는 저자, 리뷰어 및 컨텐츠 기여자분들, 특히 Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, Snigdha Agarwal
🤩 R 강의에 도움 주신 Microsoft 학생대사 Eric Wanjau, Jasleen Sondhi, Vidushi Gupta에게도 감사드립니다!
다음 절차를 따라 주세요:
- 레포지토리 포크(Fork): 이 페이지 오른쪽 상단의 "Fork" 버튼을 클릭하세요.
- 레포지토리 클론(Clone):
git clone https://github.com/microsoft/ML-For-Beginners.git
🔧 도움이 필요하신가요? 설치, 설정, 강의 실행과 관련한 일반적인 문제 해결법은 문제 해결 가이드를 확인하세요.
학생 여러분, 이 커리큘럼을 활용하려면, 전체 레포를 자신의 GitHub 계정에 포크한 후 개인적으로 또는 그룹과 함께 연습 문제를 완료하세요:
- 강의 전 퀴즈부터 시작하세요.
- 강의를 읽고 각 지식 점검에서 멈추어 반성하며 활동을 완료하세요.
- 솔루션 코드를 실행하기보다는 내용을 이해하여 프로젝트를 직접 만들어 보세요; 그러나 각 프로젝트 지향 강의의
/solution폴더에 코드가 제공됩니다. - 강의 후 퀴즈를 응시하세요.
- 챌린지를 완료하세요.
- 과제를 완료하세요.
- 한 그룹의 강의를 마친 후, 토론 게시판을 방문하여 적합한 PAT 루브릭을 작성하며 ‘학습을 소리내어’ 공유하세요. ‘PAT’는 학습 진척 평가 도구(Progress Assessment Tool)로, 학습을 심화하기 위해 작성하는 루브릭입니다. 다른 사람들의 PAT에 반응하며 함께 배울 수도 있습니다.
추가 학습을 위해 다음 Microsoft Learn 모듈과 학습 경로를 추천합니다.
교사분들께, 이 커리큘럼 활용에 관한 몇 가지 제안을 포함했습니다.
일부 강의는 짧은 영상으로 제공됩니다. 강의 내에서 직접 보거나, 아래 이미지를 클릭하여 Microsoft Developer 유튜브 채널 내 ML for Beginners 재생목록에서 모두 확인할 수 있습니다.
Gif 제공 Mohit Jaisal
🎥 위 이미지를 클릭해 프로젝트와 제작 팀에 관한 영상을 확인하세요!
이 커리큘럼을 구축하면서 두 가지 교육 원칙을 선택했습니다: 실습 중심의 프로젝트 기반 학습과 빈번한 퀴즈 포함. 또한 내용을 하나로 묶는 공통의 주제도 설정했습니다.
강의 내용이 프로젝트와 맞춰져 있으면 학생들이 더 몰입하고 개념의 이해와 기억이 증진됩니다. 수업 전의 낮은 부담 퀴즈는 학습 의도를 세우며, 수업 후 퀴즈는 학습 유지에 도움을 줍니다. 이 커리큘럼은 유연하고 재미있게 구성되어 전체 또는 일부만 수강할 수 있습니다. 프로젝트는 처음에는 간단하게 시작하여 12주 과정 말에는 점점 복잡해집니다. 또한, 실제 머신러닝 적용 사례를 서문 뒤에 포함해 추가 학점이나 토론 자료로 활용할 수 있습니다.
행동 강령, 기여 지침, 번역 안내, 문제 해결 가이드를 확인하세요. 여러분의 건설적인 피드백을 환영합니다!
- 선택적 스케치노트
- 선택적 보조 영상
- 영상 강의(일부 강의에만 해당)
- 사전 강의 준비 퀴즈
- 서면 강의 자료
- 프로젝트 기반 강의의 경우, 프로젝트 구축 단계별 안내
- 지식 점검
- 챌린지
- 보조 읽기 자료
- 과제
- 사후 강의 퀴즈
언어에 대한 참고: 이 수업들은 주로 Python으로 작성되었지만, 많은 수업이 R로도 제공됩니다. R 수업을 완료하려면
/solution폴더로 가서 R 수업을 찾아보세요. 여기에는 R Markdown 파일을 나타내는 .rmd 확장자가 포함되어 있으며, 이는코드 청크(R 또는 다른 언어)와YAML 헤더(PDF와 같은 출력 형식 지정 방법을 안내)를Markdown 문서에 포함한 것이라 간단히 정의할 수 있습니다. 따라서, 코드, 출력 결과, 그리고 생각을 Markdown으로 작성하면서 결합할 수 있어 데이터 과학 저작을 위한 훌륭한 프레임워크 역할을 합니다. 또한 R Markdown 문서는 PDF, HTML, Word와 같은 출력 형식으로 렌더링될 수 있습니다.
퀴즈에 대한 참고: 모든 퀴즈는 퀴즈 앱 폴더에 포함되어 있으며, 총 52개의 퀴즈가 각 3개 문제로 구성되어 있습니다. 수업 내에서 연결되어 있지만, 퀴즈 앱은 로컬에서 실행할 수 있습니다;
quiz-app폴더 내 지침을 따라 로컬 호스팅 또는 Azure 배포가 가능합니다.
| 수업 번호 | 주제 | 수업 그룹 | 학습 목표 | 연결된 수업 | 저자 |
|---|---|---|---|---|---|
| 01 | 머신러닝 소개 | 소개 | 머신러닝의 기본 개념을 학습 | 수업 | Muhammad |
| 02 | 머신러닝의 역사 | 소개 | 이 분야의 역사를 학습 | 수업 | Jen and Amy |
| 03 | 공정성과 머신러닝 | 소개 | ML 모델을 구축하고 적용할 때 학생들이 고려해야 할 공정성에 관한 중요한 철학적 이슈는 무엇인가? | 수업 | Tomomi |
| 04 | 머신러닝 기법 | 소개 | ML 연구자들이 ML 모델을 구축하기 위해 사용하는 기법들은 무엇인가? | 수업 | Chris and Jen |
| 05 | 회귀 소개 | 회귀 | Python과 Scikit-learn을 이용한 회귀 모델 시작 | Python • R | Jen • Eric Wanjau |
| 06 | 북미 호박 가격 🎃 | 회귀 | 머신러닝 준비를 위한 데이터 시각화 및 정제 | Python • R | Jen • Eric Wanjau |
| 07 | 북미 호박 가격 🎃 | 회귀 | 선형 및 다항 회귀 모델 구축 | Python • R | Jen and Dmitry • Eric Wanjau |
| 08 | 북미 호박 가격 🎃 | 회귀 | 로지스틱 회귀 모델 구축 | Python • R | Jen • Eric Wanjau |
| 09 | 웹 앱 🔌 | 웹 앱 | 학습한 모델을 활용하는 웹 앱 구축 | Python | Jen |
| 10 | 분류 소개 | 분류 | 데이터 정제, 준비 및 시각화; 분류 소개 | Python • R | Jen and Cassie • Eric Wanjau |
| 11 | 맛있는 아시아 및 인도 요리 🍜 | 분류 | 분류기 소개 | Python • R | Jen and Cassie • Eric Wanjau |
| 12 | 맛있는 아시아 및 인도 요리 🍜 | 분류 | 추가 분류기 | Python • R | Jen and Cassie • Eric Wanjau |
| 13 | 맛있는 아시아 및 인도 요리 🍜 | 분류 | 모델을 이용한 추천 웹 앱 구축 | Python | Jen |
| 14 | 군집화 소개 | 군집화 | 데이터 정제, 준비 및 시각화; 군집화 소개 | Python • R | Jen • Eric Wanjau |
| 15 | 나이지리아 음악 취향 탐험 🎧 | 군집화 | K-평균 군집화 기법 탐색 | Python • R | Jen • Eric Wanjau |
| 16 | 자연어 처리 소개 ☕️ | 자연어 처리 | 간단한 봇을 만들어 NLP 기본 사항 학습 | Python | Stephen |
| 17 | 일반적인 NLP 과제들 ☕️ | 자연어 처리 | 언어 구조 처리에 필요한 일반 과제를 이해해 NLP 지식 심화 | Python | Stephen |
| 18 | 번역 및 감정 분석 |
자연어 처리 | 제인 오스틴 작품을 활용한 번역 및 감정 분석 | Python | Stephen |
| 19 | 유럽의 낭만 호텔 |
자연어 처리 | 호텔 리뷰를 이용한 감정 분석 1 | Python | Stephen |
| 20 | 유럽의 낭만 호텔 |
자연어 처리 | 호텔 리뷰를 이용한 감정 분석 2 | Python | Stephen |
| 21 | 시계열 예측 소개 | 시계열 | 시계열 예측 소개 | Python | Francesca |
| 22 | ⚡️ 세계 전력 사용량 ⚡️ - ARIMA를 이용한 시계열 예측 | 시계열 | ARIMA를 이용한 시계열 예측 | Python | Francesca |
| 23 | ⚡️ 세계 전력 사용량 ⚡️ - SVR을 이용한 시계열 예측 | 시계열 | 서포트 벡터 회귀를 이용한 시계열 예측 | Python | Anirban |
| 24 | 강화 학습 소개 | 강화 학습 | Q-Learning을 이용한 강화 학습 소개 | Python | Dmitry |
| 25 | 피터가 늑대를 피하도록 돕기! 🐺 | 강화 학습 | Reinforcement learning Gym | Python | Dmitry |
| 사후 수록 | 실제 ML 시나리오 및 응용 | 야생의 ML | 고전 ML의 흥미롭고 의미 있는 실제 응용 사례 | 수업 | Team |
| 사후 수록 | RAI 대시보드를 사용한 ML 모델 디버깅 | 야생의 ML | 책임 있는 AI 대시보드 컴포넌트를 이용한 머신러닝 모델 디버깅 | 수업 | Ruth Yakubu |
Docsify를 사용하여 이 문서를 오프라인에서 실행할 수 있습니다. 이 저장소를 포크하고, 로컬 머신에 Docsify를 설치 한 후, 이 저장소 루트 폴더에서 docsify serve 명령을 입력하세요. 웹사이트는 로컬호스트의 포트 3000에서 제공됩니다: localhost:3000.
링크와 함께 커리큘럼 PDF를 여기에서 확인하세요.
우리 팀은 다른 강좌들도 제공합니다! 확인하세요:
-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}
AI 앱 개발에 막히거나 질문이 있으면 MCP 관련 토론에 동료 학습자와 경험 많은 개발자들이 함께합니다. 질문을 자유롭게 할 수 있고 지식을 나누는 지원 커뮤니티입니다.
제품 피드백이나 개발 중 오류가 있으면 다음을 방문하세요:
- 각 수업 후 노트북을 검토해 이해도를 높이세요.
- 스스로 알고리즘 구현을 연습하세요.
- 배운 개념을 활용하여 실제 데이터셋을 탐색해 보세요.
면책 조항:
이 문서는 AI 번역 서비스 Co-op Translator를 사용하여 번역되었습니다. 정확성을 위해 노력하고 있으나, 자동 번역에는 오류나 부정확성이 포함될 수 있으니 참고해 주시기 바랍니다. 원문은 해당 언어의 원본 문서를 권위 있는 출처로 간주하여야 합니다. 중요한 정보의 경우 전문적인 인간 번역을 권장합니다. 본 번역 사용으로 인한 오해나 잘못된 해석에 대해 당사는 책임지지 않습니다.