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
Предпочитате да клонирате локално?
Този репозиторий включва повече от 50 езикови превода, което значително увеличава размера на изтеглянето. За да клонирате без преводи, използвайте 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"Това ви дава всичко необходимо за завършване на курса с много по-бързо изтегляне.
Текуща серия в Discord за учене с AI, научете повече и се присъединете към нас на Learn with AI Series от 18 до 30 септември 2025 г. Ще получите съвети и трикове за използване на GitHub Copilot за Data Science.
🌍 Пътувайте по света, докато изследваме машинното обучение чрез културите на света 🌍
Облачените адвокати на Microsoft с удоволствие предлагат 12-седмична учебна програма с 26 урока, посветени на машинно обучение. В тази учебна програма ще научите за това, което понякога се нарича класическо машинно обучение, като се използва основно библиотеката Scikit-learn и се избягва дълбокото учене, което е покрито в нашата учебна програма AI за начинаещи. Комбинирайте тези уроци с нашата учебна програма 'Data Science за начинаещи' също!
Пътувайте с нас по света, докато прилагаме тези класически техники върху данни от много части на света. Всеки урок включва предварителни и последващи тестове, писмени инструкции за завършване на урока, решение, задача и още. Нашата проектно-базирана педагогика ви позволява да учите, докато изграждате, което е доказан начин новите умения да "се задържат".
✍️ Големи благодарности на авторите ни Джен Лупър, Стивън Хауел, Франческа Лаззери, Томоми Имура, Каси Бревиу, Дмитрий Сошников, Крис Норинг, Анибан Мукержи, Орнела Алтунян, Рут Якобу и Ейми Бойд
🎨 Благодаря и на илюстраторите ни Томоми Имура, Дасани Мадипали и Джен Лупър
🙏 Специални благодарности 🙏 на нашите студенти посланици на Microsoft, които са автори, рецензенти и допринасят с съдържание, особено Ришит Дагли, Мухамад Сакиб Хан Инан, Рохан Радж, Александру Петреску, Абхишек Джаисвал, Наурин Табасум, Йоан Самиюла и Снигдха Агарвал
🤩 Допълнителни благодарности на Microsoft студентските посланици Ерик Уанджау, Джаслийн Сонди и Вишуди Гупта за нашите R уроци!
Следвайте тези стъпки:
- Разклонете Репозитория: Натиснете бутона "Fork" в горния десен ъгъл на тази страница.
- Клонирайте Репозитория:
git clone https://github.com/microsoft/ML-For-Beginners.git
намерете всички допълнителни ресурси за този курс в нашата колекция Microsoft Learn
🔧 Нуждаете се от помощ? Проверете нашето Ръководство за отстраняване на проблеми за решения на често срещани проблеми с инсталация, настройка и изпълнение на уроци.
Студенти, за да използвате тази учебна програма, разклонете целия репозитори в собствен акаунт в GitHub и изпълнете упражненията сами или в група:
- Започнете с предварителен тест преди лекцията.
- Прочетете лекцията и завършете дейностите, паузирайки и размишлявайки при всяка проверка на знания.
- Опитайте се да създадете проектите като разбирате уроците, а не като просто стартирате кода с решения; въпреки това този код е достъпен в папките
/solutionвъв всеки проектно-ориентиран урок. - Направете теста след лекцията.
- Завършете предизвикателството.
- Завършете задачата.
- След завършване на група уроци посетете Дискусионния форум и "учете на глас", като попълните подходящата PAT рубрика. PAT е инструмент за оценка на напредъка, който попълвате, за да подобрите ученето си. Можете също да реагирате на други PAT, за да учим заедно.
За по-нататъшно обучение препоръчваме да следвате тези Microsoft Learn модули и учебни пътеки.
Учители, ние сме включили някои предложения как да използвате тази учебна програма.
Някои от уроците са налични като кратки видеоклипове. Можете да ги намерите всички в уроците или в плейлиста ML for Beginners в канала на Microsoft Developer в YouTube, като кликнете на изображението по-долу.
Гиф от Mohit Jaisal
🎥 Кликнете върху изображението по-горе за видео за проекта и хората, които го създадоха!
Избрахме два педагогически принципа при създаването на тази учебна програма: да бъде на практика проектно-базирана и да включва чести тестове. Освен това тази учебна програма има общ тема, която й придава цялостност.
Като гарантираме, че съдържанието съответства на проектите, процесът се прави по-ангажиращ за студентите и задържането на концепциите ще бъде увеличено. Освен това ниско рисков тест преди лекция задава намерението на студента към ученето на тема, докато втори тест след лекцията гарантира по-нататъшно запомняне. Тази учебна програма е проектирана да бъде гъвкава и забавна и може да се вземе изцяло или частично. Проектите започват малки и стават все по-сложни към края на 12-седмичния цикъл. Тази учебна програма включва и послеслов за приложения в реалния свят на машинното обучение, който може да се използва като допълнителен кредит или като основа за дискусия.
Намерете нашия Кодекс на поведение, Указания за принос, Преводи и Отстраняване на проблеми. Очакваме вашата конструктивна обратна връзка!
- по желание скичнот
- по желание допълнително видео
- видео инструкция (само при някои уроци)
- тест за загрявка преди лекцията
- писмен урок
- при уроци, базирани на проекти, стъпка по стъпка указания за изграждане на проекта
- проверки на знанията
- предизвикателство
- допълнително четиво
- задача
- тест след лекцията
Бележка относно езиците: Тези уроци са основно написани на Python, но много от тях са достъпни и на R. За да завършите урок на R, отидете в папката
/solutionи потърсете уроци на R. Те включват разширение .rmd, което представлява R Markdown файл, който може да се дефинира просто като вграждане наcode chunks(на R или други езици) иYAML header(който ръководи как да се форматират изходните данни като PDF) вMarkdown документ. Като такъв, той служи като примерна рамка за авторство за науката за данните, тъй като позволява да комбинирате кода си, изхода му и своите мисли, като ги записвате в Markdown. Освен това, R Markdown документите могат да бъдат изведени във формати като PDF, HTML или Word.
Бележка относно тестовете: Всички тестове се съдържат в папката Quiz App, общо 52 теста с по три въпроса всеки. Те са свързани от уроците, но приложението за тестове може да се стартира локално; следвайте инструкциите в папката
quiz-app, за да хоствате локално или да деплойнете в Azure.
| Номер на урок | Тема | Групиране на уроци | Учебни цели | Свързан урок | Автор |
|---|---|---|---|---|---|
| 01 | Въведение към машинното обучение | Въведение | Научете основните концепции зад машинното обучение | Урок | Мухаммад |
| 02 | История на машинното обучение | Въведение | Научете историята, която стои зад тази област | Урок | Джен и Ейми |
| 03 | Справедливост и машинно обучение | Въведение | Какви са важните философски въпроси около справедливостта, които студентите трябва да разгледат при създаване и прилагане на МЛ? | Урок | Томоми |
| 04 | Техники за машинно обучение | Въведение | Какви техники използват изследователите на МЛ за създаване на модели? | Урок | Крис и Джен |
| 05 | Въведение в регресията | Регресия | Започнете с Python и Scikit-learn за регресионни модели | Python • R | Джен • Ерик Уанджу |
| 06 | Цени на тикви в Северна Америка 🎃 | Регресия | Визуализиране и почистване на данни в подготовка за МЛ | Python • R | Джен • Ерик Уанджу |
| 07 | Цени на тикви в Северна Америка 🎃 | Регресия | Създаване на линейни и полиномиални регресионни модели | Python • R | Джен и Дмитрий • Ерик Уанджу |
| 08 | Цени на тикви в Северна Америка 🎃 | Регресия | Създаване на логистичен регресионен модел | Python • R | Джен • Ерик Уанджу |
| 09 | Уеб приложение 🔌 | Уеб приложение | Създаване на уеб приложение за използване на обучен модел | Python | Джен |
| 10 | Въведение в класификацията | Класификация | Почистете, подгответе и визуализирайте данните си; въведение в класификация | Python • R | Джен и Каси • Ерик Уанджу |
| 11 | Вкусна азиатска и индийска кухня 🍜 | Класификация | Въведение в класификаторите | Python • R | Джен и Каси • Ерик Уанджу |
| 12 | Вкусна азиатска и индийска кухня 🍜 | Класификация | Още класификатори | Python • R | Джен и Каси • Ерик Уанджу |
| 13 | Вкусна азиатска и индийска кухня 🍜 | Класификация | Създаване на уеб приложение за препоръки, използвайки вашия модел | Python | Джен |
| 14 | Въведение в клъстеризацията | Клъстеризация | Почистете, подгответе и визуализирайте данните си; въведение в клъстеризация | Python • R | Джен • Ерик Уанджу |
| 15 | Изследване на музикалните вкусове в Нигерия 🎧 | Клъстеризация | Изследване на метода K-Means клъстеризация | Python • R | Джен • Ерик Уанджу |
| 16 | Въведение в обработката на естествен език ☕️ | Обработка на естествен език | Научете основите за NLP чрез създаване на прост бот | Python | Стивън |
| 17 | Чести задачи в NLP ☕️ | Обработка на естествен език | Задълбочете знанията си в NLP чрез разбиране на често срещаните задачи при работа с езикови структури | Python | Стивън |
| 18 | Превод и анализ на настроения |
Обработка на естествен език | Превод и анализ на настроения с Джейн Остин | Python | Стивън |
| 19 | Романтични хотели в Европа |
Обработка на естествен език | Анализ на настроения с ревюта на хотели 1 | Python | Стивън |
| 20 | Романтични хотели в Европа |
Обработка на естествен език | Анализ на настроения с ревюта на хотели 2 | Python | Стивън |
| 21 | Въведение в прогнозиране на времеви серии | Времеви серии | Въведение в прогнозиране на времеви серии | Python | Франческа |
| 22 | ⚡️ Световна консумация на електроенергия ⚡️ - прогнозиране с ARIMA | Времеви серии | Прогнозиране на времеви серии с ARIMA | Python | Франческа |
| 23 | ⚡️ Световна консумация на електроенергия ⚡️ - прогнозиране с SVR | Времеви серии | Прогнозиране на времеви серии с Support Vector Regressor | Python | Анирбан |
| 24 | Въведение в обучение с подсилване | Обучение с подсилване | Въведение в обучение с подсилване с Q-Learning | Python | Дмитрий |
| 25 | Помогнете на Питър да избегне вълка! 🐺 | Обучение с подсилване | Обучение с подсилване в Gym | Python | Дмитрий |
| Постскрипт | Реални сценарии и приложения на МЛ | МЛ в дивата природа | Интересни и показателни реални приложения на класическото МЛ | Урок | Отбор |
| Постскрипт | Отстраняване на грешки в модели на МЛ с помощта на RAI | МЛ в дивата природа | Отстраняване на грешки в машинното обучение с помощта на компоненти от таблото на Responsible AI | Урок | Рут Якубу |
намерете всички допълнителни ресурси за този курс в нашата Microsoft Learn колекция
Можете да използвате тази документация офлайн чрез Docsify. Форкнете това репо, инсталирайте Docsify на вашия локален компютър и след това в коренната папка на това репо въведете docsify serve. Уебсайтът ще се стартира на порт 3000 на вашия localhost: localhost:3000.
Намерете pdf на учебния план с връзки тук.
Нашият екип произвежда и други курсове! Вижте:
-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}
Ако се затрудните или имате въпроси, докато учите Машинно обучение или разработвате AI приложения, не се притеснявайте — помощта е на разположение.
Можете да се включите в дискусии с други учащи и разработчици, да задавате въпроси и да споделяте идеи с общността.
- Присъединете се към общността, за да задавате въпроси и да учите с други
- Обсъждайте концепции за Машинно обучение и идеи за проекти
- Получавайте насоки от опитни разработчици
Поддържаща общност е отличен начин да развиете уменията си и да решавате проблеми по-бързо.
Microsoft Foundry Discord Community
Ако срещнете грешки, бъгове или имате предложения за подобрения, можете да отворите Issue в това хранилище, за да докладвате проблема.
За обратна връзка относно продукта или за търсене на вече публикувани теми в общността, посетете Форума на разработчиците:
- Преглеждайте бележниците след всеки урок за по-добро разбиране.
- Практикувайте прилагането на алгоритми самостоятелно.
- Изследвайте реални набори от данни с помощта на научените концепции.
Отказ от отговорност:
Този документ е преведен с помощта на AI преводаческа услуга Co-op Translator. Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи могат да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за каквито и да е недоразумения или неверни тълкувания, произтичащи от използването на този превод.