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
Предпочитаете клонировать локально?
В этом репозитории содержится более 50 переводов на разные языки, что значительно увеличивает размер скачивания. Чтобы клонировать без переводов, используйте разреженную загрузку:
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"Так вы получите всё необходимое для прохождения курса с гораздо более быстрой загрузкой.
У нас проходит серия занятий в Discord по обучению с AI, узнайте подробнее и присоединяйтесь к нам на Learn with AI Series с 18 по 30 сентября 2025 года. Вы получите советы и рекомендации по использованию GitHub Copilot для Data Science.
🌍 Путешествуйте по миру, изучая Машинное Обучение через культуры разных народов 🌍
Облачные активисты Microsoft рады предложить 12-недельную программу из 26 уроков, полностью посвящённых Машинному Обучению. В этой программе вы познакомитесь с тем, что иногда называют классическим машинным обучением, используя преимущественно библиотеку Scikit-learn и избегая глубокого обучения, которое рассматривается в нашей программе AI for Beginners' curriculum. Совместите эти уроки с нашей программой 'Data Science for Beginners' curriculum для ещё лучшего понимания!
Путешествуйте с нами по всему миру, применяя классические методы к данным из различных уголков планеты. Каждый урок включает предварительный и итоговый тесты, письменные инструкции по выполнению, решение, задание и многое другое. Наша проектно-ориентированная методика обучения позволяет учиться через практику, что доказано способствует лучшему усвоению новых навыков.
✍️ Сердечная благодарность нашим авторам Джен Лупер, Стивен Хауэлл, Франческа Лаззери, Томоми Имура, Кэсси Бревиу, Дмитрий Сошников, Крис Норинг, Анирбан Мукхерджи, Орнелла Алтунян, Рут Якобу и Эми Бойд
🎨 Спасибо также нашим иллюстраторам Томоми Имура, Дасани Мадипалли и Джен Лупер
🙏 Особая благодарность 🙏 нашим студентам-послам Microsoft, авторам, рецензентам и контрибьюторам, в частности Ришиту Дагли, Мухаммаду Сакибу Хану Инану, Рохану Раджу, Александру Петреску, Абхишеку Джайсвалу, Наврин Табассум, Иоану Самуиле и Снигдхе Агарвал
🤩 Дополнительная благодарность студентам-послам Microsoft Эрику Ванжау, Джаслин Сонди и Видущи Гупте за наши уроки на R!
Выполните следующие шаги:
- Создайте форк репозитория: Нажмите кнопку "Fork" в верхнем правом углу этой страницы.
- Клонируйте репозиторий:
git clone https://github.com/microsoft/ML-For-Beginners.git
Все дополнительные ресурсы по этому курсу доступны в нашей коллекции Microsoft Learn
🔧 Нужна помощь? Ознакомьтесь с нашим Руководством по решению проблем для устранения распространённых проблем с установкой, настройкой и запуском уроков.
Студенты, для использования этой программы создайте форк всего репозитория в вашей учётной записи GitHub и выполняйте задания самостоятельно или в группе:
- Начинайте с предварительного теста.
- Читайте лекцию и выполняйте задания, делая паузы и размышляя на каждом контрольном вопросе.
- Старайтесь создавать проекты, осмысливая уроки, а не просто запускайте готовый код; однако решения доступны в папках
/solutionв каждом уроке, ориентированном на проект. - Пройдите итоговый тест.
- Выполните вызов (challenge).
- Выполните домашнее задание.
- По завершении группы уроков посетите Доску обсуждений и «учитесь вслух», заполняя соответствующую шкалу PAT. PAT — это инструмент оценки прогресса, который вы заполняете для повышения вашего обучения. Вы также можете реагировать на PAT других, чтобы учиться вместе.
Для дальнейшего обучения рекомендуем пройти эти модули и пути обучения Microsoft Learn.
Преподаватели, мы включили некоторые рекомендации по использованию этой программы.
Некоторые уроки доступны в виде коротких видео. Все они встроены в уроки или доступны на плейлисте ML for Beginners на канале Microsoft Developer в YouTube, нажмите на изображение ниже.
GIF от Mohit Jaisal
🎥 Нажмите на изображение выше, чтобы посмотреть видео о проекте и людях, которые его создали!
При создании этой программы мы выбрали два педагогических принципа: сделать её практической и ориентированной на проекты и добавить частые тесты. Кроме того, у программы общая тема, что придаёт ей целостность.
Обеспечение связи содержания с проектами делает процесс обучения более увлекательным для студентов и улучшает усвоение материала. Кроме того, тест с низкими ставками перед занятием задаёт студенту настрой на изучение темы, а итоговый тест после занятия помогает закрепить знания. Эта программа разработана так, чтобы быть гибкой и увлекательной, и её можно проходить полностью или частично. Проекты начинаются с простого уровня и к концу 12-недельного цикла становятся более сложными. В программу включён также послесловие о реальных применениях машинного обучения, которое может использоваться в качестве дополнительного материала или основы для обсуждения.
Ознакомьтесь с нашими руководствами по Кодексу поведения, Содействию, Переводам, и Решению проблем. Мы приветствуем ваши конструктивные отзывы!
- опциональная заметка-макет (sketchnote)
- опциональное дополнительное видео
- видео-прохождение (только некоторые уроки)
- разминка к лекции (предварительный тест)
- письменный урок
- для проектно-ориентированных уроков — пошаговые инструкции по созданию проекта
- контрольные вопросы
- вызов (challenge)
- дополнительное чтение
- задание
- итоговый тест к лекции
Примечание о языках: Эти уроки в основном написаны на Python, но многие также доступны на R. Чтобы пройти урок на R, перейдите в папку
/solutionи найдите уроки на R. Они имеют расширение .rmd, что представляет собой R Markdown файл, который можно просто определить как встраиваниекодовых блоков(R или других языков) иYAML заголовка(который управляет форматированием вывода, например PDF) вMarkdown документ. Таким образом, он служит примерной рамочной системой для написания документов в области науки о данных, поскольку позволяет сочетать ваш код, его вывод и ваши мысли, позволяя записывать их в Markdown. Более того, документы R Markdown могут быть преобразованы в форматы вывода, такие как PDF, HTML или Word.
Примечание о викторинах: Все викторины содержатся в папке с приложением викторины, всего 52 викторины по три вопроса в каждой. Они связаны изнутри уроков, но приложение для викторин можно запускать локально; следуйте инструкциям в папке
quiz-appдля локального хостинга или развертывания в Azure.
| Номер урока | Тема | Группа уроков | Учебные цели | Связанный урок | Автор |
|---|---|---|---|---|---|
| 01 | Введение в машинное обучение | Введение | Изучить базовые концепции машинного обучения | Урок | Мухаммад |
| 02 | История машинного обучения | Введение | Изучить исторические основы этой области | Урок | Джен и Эми |
| 03 | Справедливость и машинное обучение | Введение | Какие философские вопросы о справедливости должны учитывать студенты при создании и применении моделей МЛ? | Урок | Томоми |
| 04 | Техники для машинного обучения | Введение | Какие техники используют исследователи МЛ для построения моделей? | Урок | Крис и Джен |
| 05 | Введение в регрессию | Регрессия | Начать работу с Python и Scikit-learn для моделей регрессии | Python • R | Джен • Эрик Ванджау |
| 06 | Цены на тыквы в Северной Америке 🎃 | Регрессия | Визуализировать и очистить данные для подготовки к МЛ | Python • R | Джен • Эрик Ванджау |
| 07 | Цены на тыквы в Северной Америке 🎃 | Регрессия | Построить линейные и полиномиальные модели регрессии | Python • R | Джен и Дмитрий • Эрик Ванджау |
| 08 | Цены на тыквы в Северной Америке 🎃 | Регрессия | Построить модель логистической регрессии | Python • R | Джен • Эрик Ванджау |
| 09 | Веб-приложение 🔌 | Веб-приложение | Построить веб-приложение для использования обученной модели | Python | Джен |
| 10 | Введение в классификацию | Классификация | Очистить, подготовить и визуализировать данные; введение в классификацию | Python • R | Джен и Кэсси • Эрик Ванджау |
| 11 | Вкусные азиатские и индийские кухни 🍜 | Классификация | Введение в классификаторы | Python • R | Джен и Кэсси • Эрик Ванджау |
| 12 | Вкусные азиатские и индийские кухни 🍜 | Классификация | Дополнительные классификаторы | Python • R | Джен и Кэсси • Эрик Ванджау |
| 13 | Вкусные азиатские и индийские кухни 🍜 | Классификация | Построить рекомендательское веб-приложение с использованием модели | Python | Джен |
| 14 | Введение в кластеризацию | Кластеризация | Очистить, подготовить и визуализировать данные; введение в кластеризацию | Python • R | Джен • Эрик Ванджау |
| 15 | Исследование музыкальных вкусов Нигерии 🎧 | Кластеризация | Исследовать метод кластеризации K-средних | Python • R | Джен • Эрик Ванджау |
| 16 | Введение в обработку естественного языка ☕️ | Обработка естественного языка | Изучить основы НЛП, построив простого бота | Python | Стивен |
| 17 | Общие задачи НЛП ☕️ | Обработка естественного языка | Углубить знания НЛП, изучив общие задачи при работе с языковыми структурами | Python | Стивен |
| 18 | Перевод и анализ настроений |
Обработка естественного языка | Перевод и анализ настроений на примере Джейн Остин | Python | Стивен |
| 19 | Романтические отели Европы |
Обработка естественного языка | Анализ настроений на основе отзывов об отелях 1 | Python | Стивен |
| 20 | Романтические отели Европы |
Обработка естественного языка | Анализ настроений на основе отзывов об отелях 2 | Python | Стивен |
| 21 | Введение в прогнозирование временных рядов | Временные ряды | Введение в прогнозирование временных рядов | Python | Франческа |
| 22 | ⚡️ Потребление электроэнергии в мире ⚡️ - прогнозирование ARIMA | Временные ряды | Прогнозирование временных рядов с использованием ARIMA | Python | Франческа |
| 23 | ⚡️ Потребление электроэнергии в мире ⚡️ - прогнозирование SVR | Временные ряды | Прогнозирование временных рядов с помощью регрессии опорных векторов | Python | Анирбан |
| 24 | Введение в обучение с подкреплением | Обучение с подкреплением | Введение в обучение с подкреплением с использованием Q-Learning | Python | Дмитрий |
| 25 | Помогите Питеру избежать волка! 🐺 | Обучение с подкреплением | Обучение с подкреплением в Gym | Python | Дмитрий |
| Постскрипт | Практические сценарии и применения МЛ | МЛ в реальной жизни | Интересные и наглядные реальные применения классического машинного обучения | Урок | Команда |
| Постскрипт | Отладка моделей в МЛ с использованием RAI | МЛ в реальной жизни | Отладка моделей машинного обучения с использованием панелей Responsible AI | Урок | Рут Якобу |
найдите все дополнительные ресурсы для этого курса в нашей коллекции Microsoft Learn
Вы можете запускать эту документацию оффлайн, используя Docsify. Сделайте форк этого репозитория, установите Docsify на своей локальной машине, затем в корневой папке репозитория введите docsify serve. Сайт будет запущен на порту 3000 на вашем локальном хосте: localhost:3000.
Найдите PDF учебного плана с ссылками здесь.
Наша команда выпускает и другие курсы! Посмотрите:
-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}
Если вы застряли или у вас есть вопросы по созданию ИИ-приложений. Присоединяйтесь к другим ученикам и опытным разработчикам в обсуждениях MCP. Это поддерживающее сообщество, где вопросы приветствуются, а знания свободно делятся.
Если у вас есть отзывы о продукте или вы обнаружили ошибки во время разработки, посетите:
- Просматривайте ноутбуки после каждого урока для лучшего понимания.
- Практикуйтесь самостоятельно реализовывать алгоритмы.
- Исследуйте реальные наборы данных с использованием изученных концепций.
Отказ от ответственности:
Этот документ был переведен с помощью сервиса автоматического перевода Co-op Translator. Несмотря на наши усилия по обеспечению точности, имейте в виду, что автоматический перевод может содержать ошибки или неточности. Оригинальный документ на его родном языке следует считать авторитетным источником. Для важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования этого перевода.