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
Віддаєте перевагу клонуванню локально?
Цей репозиторій містить понад 50 перекладів, що значно збільшує розмір завантаження. Щоб клонувати без перекладів, використовуйте sparse checkout:
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"Це дає вам усе необхідне для проходження курсу з набагато швидшим завантаженням.
У нас триває серія Discord "Вчимося з AI", 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, вивчаючи машинне навчання через призму світових культур 🌍
Команда Cloud Advocates у Microsoft рада запропонувати 12-тижневу навчальну програму з 26 уроків, повністю присвячених Машинному навчанню. У цій програмі ви дізнаєтеся про так зване класичне машинне навчання, використовуючи насамперед бібліотеку Scikit-learn і уникаючи глибокого навчання, яке охоплюється в нашій навчальній програмі AI для початківців. Також поєднуйте ці уроки з нашою програмою 'Data Science для початківців'.
Подорожуйте з нами навколо світу, застосовуючи класичні техніки до даних з різних регіонів світу. Кожен урок включає тести перед та після уроку, письмові інструкції для виконання уроку, розв’язок, завдання і багато іншого. Наш проектно-орієнтований підхід дозволяє вчитися під час створення проектів — перевірений спосіб краще засвоювати нові навички.
✍️ Щирі подяки нашим авторам Джен Лупер, Стівен Гауелл, Франческа Лаццері, Томомі Імура, Кессі Бревіу, Дмитру Сошникову, Кріса Норінга, Анірбану Мукхерджі, Орнеллі Альтунян, Рут Якубу та Емі Бойд
🎨 Також дякуємо нашим ілюстраторам Томомі Імура, Дасані Мадіпалла та Джен Лупер
🙏 Особлива подяка 🙏 авторам, рецензентам та контент-співавторам від Microsoft Student Ambassador, особливо Рішиту Даглі, Мухаммаду Сакиб Хан Інану, Рохану Раджу, Александру Петреску, Абхішеку Джайсвалу, Наурін Табассум, Іоану Самюїлу та Снігдзі Агарвал
🤩 Особлива вдячність студентам-амбассадорам Microsoft — Еріку Ванджау, Джаслін Сондхі та Відуші Гупті за наші уроки з R!
Виконайте ці кроки:
- Сфоркуйте 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 неполадок для вирішення поширених проблем із встановленням, налаштуванням і запуском уроків.
Студенти, щоб використовувати цю навчальну програму, створіть форк у власному обліковому записі GitHub і виконуйте вправи індивідуально чи в групі:
- Почніть з тесту перед лекцією.
- Прочитайте лекцію та виконайте завдання, роблячи паузи та розмірковуючи на кожному етапі перевірки знань.
- Намагайтеся створювати проекти, розуміючи уроки, а не просто запускаючи код розв’язку; хоча цей код доступний у папках
/solutionкожного проектно-орієнтованого уроку. - Пройдіть тест після лекції.
- Виконайте виклик.
- Виконайте завдання.
- Після завершення групи уроків відвідайте дошку обговорень і "вчися вголос", заповнивши відповідну оцінювальну рубрику PAT. 'PAT' — це інструмент оцінювання прогресу, рубрика, яку ви заповнюєте для поглиблення навчання. Також ви можете реагувати на інші PAT, щоб навчатись разом.
Для подальшого вивчення рекомендуємо пройти ці модулі та навчальні траєкторії на Microsoft Learn.
Вчителі, ми включили деякі рекомендації щодо використання цієї навчальної програми.
Деякі уроки доступні у форматі коротких відео. Ви можете знайти їх вбудованими в уроках або на плейлисті ML для початківців на YouTube-каналі Microsoft Developer, натиснувши на зображення нижче.
Гіф від Mohit Jaisal
🎥 Натисніть на зображення вище, щоб подивитися відео про проект та людей, які його створили!
Під час розробки цієї навчальної програми ми обрали два основних педагогічних принципи: забезпечити практичну проектно-орієнтовану роботу і включити часті тести. Крім того, ця програма має спільну тему, що надає їй цілісності.
Забезпечуючи відповідність змісту проектам, процес стає більш захопливим для студентів, а засвоєння понять покращується. Крім того, тест з низькою складністю перед заняттям налаштовує студента на вивчення теми, а другий тест після заняття забезпечує подальше закріплення матеріалу. Ця навчальна програма була розроблена так, щоб бути гнучкою та цікавою, її можна проходити повністю або частково. Проекти починаються з простих і стають поступово складнішими до кінця 12-тижневого циклу. Програма також включає післямову про застосування машинного навчання у реальному світі, яку можна використовувати як додаткові завдання або як основу для обговорень.
Ознайомтесь із нашим Кодексом поведінки, внеском до проєкту, Перекладами та Посібником з усунення неполадок. Ми вітаємо ваші конструктивні відгуки!
- необов’язкову нотатка-ескіз
- необов’язкове додаткове відео
- відео-огляд (тільки деякі уроки)
- тест-розминка перед лекцією
- письмовий урок
- для проектно-орієнтованих уроків — покрокові інструкції зі створення проекту
- перевірки знань
- виклик
- додаткове читання
- завдання
- тест після лекції
Примітка про мови: Ці уроки в основному написані на Python, але багато з них також доступні на R. Щоб пройти уроки на R, перейдіть до папки
/solutionі знайдіть уроки на R. Вони мають розширення .rmd, що позначає файл R Markdown, який можна просто визначити як вбудовуваннякодових блоків(на R або інших мовах) іYAML-заголовка(який контролює форматування виводу, такого як PDF) уMarkdown-документі. Таким чином він слугує зразковою платформою для написання матеріалів з науки про дані, оскільки дозволяє поєднувати код, його вивід та ваші думки, записуючи їх у Markdown. Крім того, документи R Markdown можна відтворювати у формати виводу, такі як PDF, HTML або Word.
Примітка про вікторини: Усі вікторини містяться в папці Quiz App folder, всього 52 вікторини по три питання в кожній. Вони посиланнями пов’язані з уроками, але додаток для вікторин можна запускати локально; дотримуйтесь інструкцій у папці
quiz-appдля локального розгортання або на Azure.
| Lesson Number | Topic | Lesson Grouping | Learning Objectives | Linked Lesson | Author |
|---|---|---|---|---|---|
| 01 | Вступ до машинного навчання | Introduction | Вивчити основні концепції машинного навчання | Lesson | Muhammad |
| 02 | Історія машинного навчання | Introduction | Вивчити історію розвитку цієї галузі | Lesson | Jen and Amy |
| 03 | Справедливість і машинне навчання | Introduction | Які важливі філософські питання справедливості слід враховувати при побудові та застосуванні моделей МН? | Lesson | Tomomi |
| 04 | Техніки машинного навчання | Introduction | Які методи використовують дослідники машинного навчання для побудови моделей? | Lesson | Chris and Jen |
| 05 | Вступ до регресії | Regression | Почати роботу з Python і Scikit-learn для моделей регресії | Python • R | Jen • Eric Wanjau |
| 06 | Ціни на гарбузи в Північній Америці 🎃 | Regression | Візуалізувати та очистити дані для підготовки до машинного навчання | Python • R | Jen • Eric Wanjau |
| 07 | Ціни на гарбузи в Північній Америці 🎃 | Regression | Побудувати лінійні та поліноміальні моделі регресії | Python • R | Jen and Dmitry • Eric Wanjau |
| 08 | Ціни на гарбузи в Північній Америці 🎃 | Regression | Побудувати модель логістичної регресії | Python • R | Jen • Eric Wanjau |
| 09 | Веб-додаток 🔌 | Web App | Побудувати веб-додаток для використання вашої навченої моделі | Python | Jen |
| 10 | Вступ до класифікації | Classification | Очистити, підготувати та візуалізувати дані; вступ до класифікації | Python • R | Jen and Cassie • Eric Wanjau |
| 11 | Смачні азійські та індійські кухні 🍜 | Classification | Вступ до класифікаторів | Python • R | Jen and Cassie • Eric Wanjau |
| 12 | Смачні азійські та індійські кухні 🍜 | Classification | Більше класифікаторів | Python • R | Jen and Cassie • Eric Wanjau |
| 13 | Смачні азійські та індійські кухні 🍜 | Classification | Побудувати веб-додаток для рекомендацій за допомогою вашої моделі | Python | Jen |
| 14 | Вступ до кластеризації | Clustering | Очистити, підготувати та візуалізувати дані; вступ до кластеризації | Python • R | Jen • Eric Wanjau |
| 15 | Дослідження музичних смаків у Нігерії 🎧 | Clustering | Вивчити метод кластеризації K-Means | Python • R | Jen • Eric Wanjau |
| 16 | Вступ до обробки природної мови ☕️ | Natural language processing | Вивчити основи NLP, створивши простого бота | Python | Stephen |
| 17 | Поширені задачі NLP ☕️ | Natural language processing | Поглибити знання про NLP, розглядаючи поширені задачі при роботі з мовними структурами | Python | Stephen |
| 18 | Переклад та аналіз настроїв |
Natural language processing | Переклад і аналіз настроїв на матеріалах Jane Austen | Python | Stephen |
| 19 | Романтичні готелі Європи |
Natural language processing | Аналіз настроїв на відгуках про готелі 1 | Python | Stephen |
| 20 | Романтичні готелі Європи |
Natural language processing | Аналіз настроїв на відгуках про готелі 2 | Python | Stephen |
| 21 | Вступ до прогнозування часових рядів | Time series | Вступ до прогнозування часових рядів | Python | Francesca |
| 22 | ⚡️ Використання енергії у світі ⚡️ - прогнозування з ARIMA | Time series | Прогнозування часових рядів за допомогою ARIMA | Python | Francesca |
| 23 | ⚡️ Використання енергії у світі ⚡️ - прогнозування з SVR | Time series | Прогнозування часових рядів за допомогою Support Vector Regressor | Python | Anirban |
| 24 | Вступ до підкріплювального навчання | Reinforcement learning | Вступ до підкріплювального навчання з Q-Learning | Python | Dmitry |
| 25 | Допоможіть Пітеру уникнути вовка! 🐺 | Reinforcement learning | Підкріплювальне навчання в середовищі Gym | Python | Dmitry |
| Postscript | Реальні сценарії та застосування МН | ML in the Wild | Цікаві та повчальні приклади застосування класичного машинного навчання | Lesson | Team |
| Postscript | Відлагодження моделей МН за допомогою RAI панелі | ML in the Wild | Відлагодження моделей машинного навчання за допомогою компонетів Responsible AI dashboard | Lesson | Ruth Yakubu |
знайдіть усі додаткові матеріали до цього курсу в нашій колекції Microsoft Learn
Ви можете переглядати цю документацію офлайн, використовуючи Docsify. Форкніть цей репозиторій, встановіть Docsify на свій локальний комп’ютер, а потім у кореневій папці репозиторію введіть docsify serve. Вебсайт буде доступний на порту 3000 на вашому локальному хості: localhost:3000.
Знайдіть pdf навчальної програми з посиланнями тут.
Наша команда створює й інші курси! Ознайомтесь:
-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 запитання щодо створення AI-додатків. Приєднуйтесь до інших учнів і досвідчених розробників у обговореннях MCP. Це підтримуюча спільнота, де вітаються запитання і знання вільно діляться.
Якщо у вас є відгуки про продукт або помилки під час розробки, відвідайте:
- Переглядайте нотатки після кожного уроку для кращого розуміння.
- Практикуйте власну реалізацію алгоритмів.
- Досліджуйте реальні набори даних, використовуючи вивчені концепції.
Відмова від відповідальності: Цей документ було перекладено за допомогою сервісу автоматичного перекладу Co-op Translator. Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ рідною мовою слід вважати авторитетним джерелом. Для критичної інформації рекомендується звертатися до професійного людського перекладу. Ми не несемо відповідальності за будь-які непорозуміння або неправильне тлумачення, що виникли внаслідок використання цього перекладу.