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 | Khmer | 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 клонувати локально?
У цьому репозиторії є понад 50 мов перекладу, що істотно 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 дасть вам усе необхідне для проходження курсу з набагато швидшим завантаженням.
У нас проходить серія навчань з Discord про AI, дізнайтеся більше та приєднуйтеся до нас на Learn with AI Series з 18 по 30 вересня 2025 року. Ви отримаєте поради та прийоми використання GitHub Copilot для Data Science.
🌍 Подорожуйте навколо світу, вивчаючи Машинне навчання через культури світу 🌍
Співробітники Microsoft Cloud Advocates 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, переважно використовуючи бібліотеку Scikit-learn і уникаючи глибокого навчання, яке освітлюється в нашій навчальній програмі AI for Beginners. Поєднуйте ці уроки з нашою 'Data Science for Beginners' навчальною програмою.
Подорожуйте разом з нами по світу, застосовуючи ці класичні методи до даних з багатьох куточків світу. Кожен урок містить тести до та після уроку, інструкції для виконання, розв’язок, завдання й більше. Наша проектно-орієнтована педагогіка дозволяє вчитися, створюючи, що є перевіреним способом для кращого засвоєння нових навичок.
✍️ Щиро дякуємо нашим авторам Джен Лупер, Стівен Гауелл, Франческа Лаццері, Томомі Імура, Кессі Бревіу, Дмитру Сошникову, Крісу Норінгу, Анірбану Мукерджі, Орнеллі Альтунян, Рут Якубу та Емі Бойд
🎨 Також дякуємо нашим ілюстраторам Томомі Імурі, Дасані Мадіпаллі та Джен Лупер
🙏 Особлива подяка 🙏 авторам, рецензентам і контент-консультантам Microsoft Student Ambassador, зокрема Рішиту Даглі, Мухаммаду Сакібу Хану Інану, Рохану Раджу, Олександру Петреску, Абішеаку Джайсвалу, Наврін Табассум, Іоану Самуїлу та Снігдха Агарвал
🤩 Окрема подяка студентським амбасадорам Microsoft Еріку Ванджау, Джаслін Сонді та Відуші Гупті за уроки R!
Виконайте ці кроки:
- Відфоркуйте репозиторій: Натисніть кнопку "Fork" у верхньому правому кутку 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 розв’язання типових проблем з установкою, налаштуванням та запуском уроків.
Студенти, щоб користуватися цією програмою, відфоркуйте весь репозиторій на свій обліковий запис GitHub і виконуйте вправи самостійно або в групі:
- Розпочніть з передлекційного тесту.
- Прочитайте лекцію і виконуйте завдання, зупиняючись і розмірковуючи під час кожної перевірки знань.
- Намагайтеся створювати проекти, розуміючи матеріал уроку, а не просто запускаючи код розв’язку; проте цей код доступний у папках
/solutionкожного проектно-орієнтованого уроку. - Виконайте післялекційний тест.
- Виконайте виклик.
- Виконайте завдання.
- Після завершення групи уроків відвідайте Дошку обговорень і "вчіться вголос", заповнюючи відповідну рубрику PAT. «PAT» — це інструмент оцінювання прогресу, який ви заповнюєте для подальшого навчання. Також можна реагувати на інші PAT, щоб ми вчилися разом.
Для подальшого навчання рекомендуємо виконати ці модулі та навчальні шляхи на Microsoft Learn.
Вчителі, ми включили деякі пропозиції щодо використання цієї навчальної програми.
Деякі уроки доступні у вигляді коротких відео. Усі їх можна знайти у самих уроках або на плейлисті ML for Beginners на каналі Microsoft Developer у YouTube, натиснувши на зображення нижче.
Gif від Mohit Jaisal
🎥 Натисніть на зображення вище, щоб переглянути відео про проєкт та людей, які його створили!
Ми обрали два педагогічні принципи при розробці програми: забезпечення практичного проектного підходу та включення частих тестів. Крім того, ця навчальна програма має спільну тему для цілісності.
Забезпечення відповідності вмісту проектам робить процес навчання більш захопливим для студентів, а також підвищує запам’ятовування концепцій. Низькопороговий тест перед заняттям налаштовує студента на вивчення теми, а другий тест після уроку забезпечує краще засвоєння. Програма була створена так, щоб бути гнучкою і цікавою, її можна проходити повністю або частково. Проекти починаються з простих і стають все складнішими до кінця 12-тижневого циклу. Програма також включає післямову про практичне застосування ML, яку можна використовувати як додатковий кредит або для бази обговорення.
Знайдіть наші Кодекс поведінки, Внесок, Переклади та Посібник з усунення несправностей. Ми раді вашому конструктивному зворотному зв’язку!
- необов’язкові нотатки (sketchnote)
- необов’язкове допоміжне відео
- відео-розбір (лише для деяких уроків)
- тест перед лекцією
- письмовий урок
- для уроків з проєктами – покрокові інструкції зі створення проєкту
- 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 завершити урок R, перейдіть до папки
/solutionі шукайте уроки R. Вони мають розширення .rmd, що є файлом R Markdown, який можна просто визначити як вбудуваннякодових блоків(на R або інших мовах) таYAML заголовка(який керує форматуванням виводів, таких як PDF) уMarkdown документ. Таким чином, це слугує зразковою рамкою для написання у сфері наукових даних, оскільки дозволяє поєднувати код, його вивід і ваші думки, даючи можливість записувати їх у Markdown. Крім того, документи R Markdown можна виводити у формати PDF, HTML або Word.
Примітка про вікторини: Усі вікторини містяться в Папці додатку вікторини, всього 52 вікторини по три питання кожна. Вони пов’язані з уроками, але додаток вікторини можна запускати локально; дотримуйтеся інструкцій у папці
quiz-appдля локального розміщення чи розгортання в Azure.
| Номер уроку | Тема | Групування уроків | Цілі навчання | Пов’язаний урок | Автор |
|---|---|---|---|---|---|
| 01 | Вступ до машинного навчання | Вступ | Вивчіть основні поняття машинного навчання | Урок | Muhammad |
| 02 | Історія машинного навчання | Вступ | Дізнайтеся історію, що лежить в основі цієї галузі | Урок | Jen та Amy |
| 03 | Справедливість і машинне навчання | Вступ | Які важливі філософські питання щодо справедливості слід враховувати при створенні та застосуванні моделей МН? | Урок | Tomomi |
| 04 | Техніки машинного навчання | Вступ | Які техніки використовують дослідники МН для побудови моделей МН? | Урок | Chris і Jen |
| 05 | Вступ до регресії | Регресія | Початок роботи з Python і Scikit-learn для моделей регресії | Python • R | Jen • Eric Wanjau |
| 06 | Ціни на гарбузи в Північній Америці 🎃 | Регресія | Візуалізація та очищення даних для підготовки до МН | Python • R | Jen • Eric Wanjau |
| 07 | Ціни на гарбузи в Північній Америці 🎃 | Регресія | Побудова лінійної та поліноміальної регресій | Python • R | Jen та Dmitry • Eric Wanjau |
| 08 | Ціни на гарбузи в Північній Америці 🎃 | Регресія | Побудова моделі логістичної регресії | Python • R | Jen • Eric Wanjau |
| 09 | Веб-додаток 🔌 | Веб-додаток | Створіть веб-додаток для використання вашої навченої моделі | Python | Jen |
| 10 | Вступ до класифікації | Класифікація | Очищення, підготовка та візуалізація даних; вступ до класифікації | Python • R | Jen та Cassie • Eric Wanjau |
| 11 | Смачна азійська та індійська кухня 🍜 | Класифікація | Вступ до класифікаторів | Python • R | Jen та Cassie • Eric Wanjau |
| 12 | Смачна азійська та індійська кухня 🍜 | Класифікація | Більше класифікаторів | Python • R | Jen та Cassie • Eric Wanjau |
| 13 | Смачна азійська та індійська кухня 🍜 | Класифікація | Створіть рекомендований веб-додаток за допомогою вашої моделі | Python | Jen |
| 14 | Вступ до кластеризації | Кластеризація | Очищення, підготовка та візуалізація даних; вступ до кластеризації | Python • R | Jen • Eric Wanjau |
| 15 | Дослідження музичних уподобань Нігерії 🎧 | Кластеризація | Дослідження методу кластеризації K-Means | Python • R | Jen • Eric Wanjau |
| 16 | Вступ до обробки природної мови ☕️ | Обробка природної мови | Вивчіть основи NLP, побудувавши простого бота | Python | Stephen |
| 17 | Поширені задачі NLP ☕️ | Обробка природної мови | Поглибте свої знання NLP, розуміючи поширені задачі, потрібні для роботи з мовними структурами | Python | Stephen |
| 18 | Переклад і аналіз настроїв |
Обробка природної мови | Переклад і аналіз настроїв на прикладі Джейн Остін | Python | Stephen |
| 19 | Романтичні готелі Європи |
Обробка природної мови | Аналіз настроїв на прикладі відгуків про готелі 1 | Python | Stephen |
| 20 | Романтичні готелі Європи |
Обробка природної мови | Аналіз настроїв на прикладі відгуків про готелі 2 | Python | Stephen |
| 21 | Вступ до прогнозування часових рядів | Часові ряди | Вступ до прогнозування часових рядів | Python | Francesca |
| 22 | ⚡️ Світове споживання електроенергії ⚡️ - прогнозування часових рядів за ARIMA | Часові ряди | Прогнозування часових рядів за ARIMA | Python | Francesca |
| 23 | ⚡️ Світове споживання електроенергії ⚡️ - прогнозування часових рядів за SVR | Часові ряди | Прогнозування часових рядів із використанням регресора опорних векторів | Python | Anirban |
| 24 | Вступ до підкріплювального навчання | Підкріплювальне навчання | Вступ до підкріплювального навчання з використанням алгоритму Q-Learning | Python | Dmitry |
| 25 | Допоможіть Пітеру уникнути вовка! 🐺 | Підкріплювальне навчання | Підкріплювальне навчання за допомогою Gym | Python | Dmitry |
| Послеслов’я | Реальні сценарії та застосування МН | МН у реальності | Цікаві та показові реальні застосування класичного машинного навчання | Урок | Команда |
| Послеслов’я | Відлагодження моделей МН за допомогою RAI dashboard | МН у реальності | Відлагодження моделей машинного навчання за допомогою компонентів панелі управління Responsible AI | Урок | Ruth Yakubu |
знайдіть усі додаткові ресурси для цього курсу в нашій колекції Microsoft Learn
Ви можете запускати цю документацію офлайн, використовуючи Docsify. Зробіть форк цього репозиторію, встановіть Docsify на свій локальний комп’ютер і в кореневій папці репозиторію введіть команду docsify serve. Вебсайт буде доступний на порті 3000 на вашому localhost: localhost:3000.
Завантажте PDF з навчальною програмою з посиланнями тут.
Наша команда створює 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 чи маєте запитання під час вивчення машинного навчання або створення ШІ-додатків, не хвилюйтеся — допомога доступна.
Ви можете приєднатися до обговорень з іншими учнями та розробниками, задавати питання та ділитися своїми ідеями з спільнотою.
- Приєднуйтесь до спільноти, щоб ставити питання та вчитися разом з іншими
- Обговорюйте концепції машинного навчання та ідеї проектів
- Отримуйте рекомендації від досвідчених розробників
Підтримуюча спільнота — це чудовий спосіб розвивати свої навички та швидше вирішувати проблеми.
Microsoft Foundry Discord Community
Якщо ви зіткнулися з помилками, збоями або маєте пропозиції щодо поліпшень, ви також можете відкрити Issue в цьому репозиторії, щоб повідомити про проблему.
Для відгуків про продукт або пошуку існуючих дописів у спільноті відвідайте Форум розробників:
- Переглядайте блокноти після кожного уроку для кращого розуміння.
- Практикуйте впровадження алгоритмів самостійно.
- Досліджуйте реальні набори даних, використовуючи вивчені концепції.
Відмова від відповідальності:
Цей документ було перекладено за допомогою сервісу AI-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 критично важливої інформації рекомендується професійний переклад людиною. Ми не несемо відповідальності за будь-які непорозуміння чи неправильні тлумачення, що виникли внаслідок використання цього перекладу.