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
Предпочитате да клонирате локално?
Това хранилище включва над 50 превода на езици, което значително увеличава размера за изтегляне. За да клонирате без преводите, 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 да завършите курса с много по-бързо изтегляне.
Имаме текуща серия в Discord „Научи с AI“, научете повече и се включете на Learn with AI Series от 18 до 30 септември 2025 г. Ще получите полезни съвети и трикове за използване на GitHub Copilot за Наука за Данни.
🌍 Пътувайте по света, докато изследваме машинното обучение чрез световните култури 🌍
Облак специалистите в Microsoft с удоволствие предлагат 12-седмична учебна програма с 26 урока, посветени на машинното обучение. В тази учебна програма ще научите за това, което понякога се нарича класическо машинно обучение, използвайки основно библиотеката Scikit-learn и без задълбочено обучение, което е покрито в нашата учебна програма AI за начинаещи. Съчетавайте тези уроци с нашата учебна програма 'Наука за данни за начинаещи'!
Пътувайте с нас из целия свят, докато прилагаме тези класически техники върху данни от различни области на света. Всеки урок включва предварителни и последващи тестове, писмени инструкции за завършване на урока, решение, задание и още. Нашата проектно-базирана педагогика ви позволява да учите, докато създавате, доказан начин за по-добро усвояване на нови умения.
✍️ Големи благодарности на нашите автори Джен Лупър, Стивън Хауъл, Франческа Лазери, Томоми Имура, Каси Бревю, Дмитрий Сошников, Крис Норинг, Анирбан Мукерджи, Орнела Алтунян, Рут Якобу и Ейми Бойд
🎨 Благодарности и на нашите илюстратори Томоми Имура, Дасани Мадипали и Джен Лупър
🙏 Специални благодарности 🙏 на нашите автори, рецензенти и съдържателни сътрудници от Microsoft Student Ambassador, по-специално Ришит Дагли, Мухаммад Сакиб Кан Инан, Рохан Радж, Александру Петреску, Абхишек Джайсвал, Наурин Табасум, Йоан Самуила и Снигдха Агарвал
🤩 Допълнителна благодарност на Microsoft Student Ambassadors Ерик Уанджау, Джаслийн Сонди и Ведуши Гупта за нашите уроци по R!
Следвайте тези стъпки:
- Форкнете репозитория: Кликнете върху 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 Microsoft Learn колекция
🔧 Нуждаете се от помощ? Проверете нашето Ръководство за отстраняване на проблеми за решения на често срещани проблеми с инсталацията, настройката и работата с уроците.
Студенти, за да използвате тази учебна програма, форкнете целия репо в своя собствен GitHub акаунт и изпълнете упражненията сами или в група:
- Започнете с предварителен тест преди лекцията.
- Прочетете лекцията и завършете дейностите, правейки пауза и размисъл при всяка проверка на знанията.
- Опитайте да създадете проектите като разберете уроците, вместо просто да изпълнявате кода с решение; този код е наличен в папките
/solutionвъв всеки урок, ориентиран към проект. - Вземете теста след лекцията.
- Изпълнете предизвикателството.
- Изпълнете заданието.
- След завършване на група уроци, посетете Форум за обсъждания и „учете на глас“, като попълвате съответния PAT рубрика. PAT е Инструмент за оценка на прогреса, който е рубрика, която попълвате, за да напреднете в ученето. Можете също да реагирате на други PAT-ове, 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 интегрирани в уроците или в плейлиста „ML for Beginners“ в Microsoft Developer YouTube канала като кликнете върху изображението по-долу.
Gif от Mohit Jaisal
🎥 Кликнете на изображението по-горе за видео за проекта и хората, които го създадоха!
Избрахме две педагогически принципа при изграждането на тази учебна програма: да бъде практическа и базирана на проекти и да включва чести тестове. Освен това тази учебна програма има обща тема, която ѝ придава по-голяма свързаност.
Като гарантираме, че съдържанието е свързано с проекти, процесът става по-ангажиращ за студентите и запомнянето на концепциите се увеличава. Освен това, ниско рисков тест преди урок задава нагласата на студента към усвояване на темата, а втори тест след урока осигурява допълнително затвърждаване. Тази учебна програма е проектирана да бъде гъвкава и забавна и може да бъде премината изцяло или частично. Проектите започват малки и стават все по-сложни към края на 12-седмичния цикъл. Тази програма включва и допълнителна част за приложенията на ML в реалния свят, която може да се използва като допълнителен кредит или основа за дискусия.
Намерете нашите Правила за поведение, Как да допринасяте, Преводи, и Ръководство за отстраняване на проблеми. Очакваме вашите конструктивни отзиви!
- по желание скичаноте
- по желание допълнително видео
- видео урок (само при някои уроци)
- предварителен тест преди лекцията
- писмен урок
- за уроци, базирани на проекти, стъпка по стъпка ръководство за изграждане на проекта
- проверки на знанията
- предизвикателство
- допълнително четиво
- задание
- тест след лекцията
Забележка за 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 уроците по R. Те имат разширение .rmd, което представлява R Markdown файл, който може просто да се определи като вплитане на „кодови късове“ (на R или други езици) и „YAML заглавие“ (което указва как да се форматира изхода, например PDF) в „Markdown документ“. Така той служи като примерна рамка за създаване на съдържание при наука за данни, тъй като ви позволява да комбинирате кода си, неговия изход и своите мисли, като ги записвате в Markdown. Освен това, R Markdown документите могат да се преобразуват в изходни формати като PDF, HTML или Word. Забележка за викторините: Всички викторини са в папката Quiz App, общо 52 викторини с по три въпроса всяка. Те са свързани от уроците, но приложението за викторини може да се пуска локално; следвайте инструкциите в папкатаquiz-app, за да хоствате локално или да публикувате в Azure.
| Номер на урок | Тема | Групиране на уроци | Учебни цели | Свързан урок | Автор |
|---|---|---|---|---|---|
| 01 | Въведение в машинното обучение | Въведение | Запознайте се с основните концепции зад машинното обучение | Урок | Muhammad |
| 02 | История на машинното обучение | Въведение | Научете историята зад тази област | Урок | Jen and Amy |
| 03 | Справедливост и машинно обучение | Въведение | Какви са важните философски въпроси за справедливост, които студентите трябва да разглеждат при изграждане и прилагане на модели? | Урок | Tomomi |
| 04 | Техники за машинно обучение | Въведение | Какви техники използват изследователите за изграждане на ML модели? | Урок | Chris and Jen |
| 05 | Въведение в регресията | Регресия | Започнете с Python и Scikit-learn за модели за регресия | Python • R | Jen • Eric Wanjau |
| 06 | Цени на тикви в Северна Америка 🎃 | Регресия | Визуализирайте и почистете данни в подготовка за ML | Python • R | Jen • Eric Wanjau |
| 07 | Цени на тикви в Северна Америка 🎃 | Регресия | Създайте линейни и полиномни регресионни модели | Python • R | Jen and Dmitry • Eric Wanjau |
| 08 | Цени на тикви в Северна Америка 🎃 | Регресия | Създайте логистичен регресионен модел | Python • R | Jen • Eric Wanjau |
| 09 | Уеб приложение 🔌 | Уеб приложение | Създайте уеб приложение, за да използвате обучен модел | Python | Jen |
| 10 | Въведение в класификация | Класификация | Почистете, подгответе и визуализирайте данните си; въведение в класификация | Python • R | Jen and Cassie • Eric Wanjau |
| 11 | Вкусни азиатски и индийски кухни 🍜 | Класификация | Въведение в класификаторите | Python • R | Jen and Cassie • Eric Wanjau |
| 12 | Вкусни азиатски и индийски кухни 🍜 | Класификация | Още класификатори | Python • R | Jen and Cassie • Eric Wanjau |
| 13 | Вкусни азиатски и индийски кухни 🍜 | Класификация | Създайте препоръчително уеб приложение с използване на вашия модел | Python | Jen |
| 14 | Въведение в клъстеризация | Клъстеризация | Почистете, подгответе и визуализирайте данните си; Въведение в клъстеризация | Python • R | Jen • Eric Wanjau |
| 15 | Изследване на музикалните вкусове в Нигерия 🎧 | Клъстеризация | Изследвайте метода за клъстеризация K-средни | Python • R | Jen • Eric Wanjau |
| 16 | Въведение в обработката на естествен език ☕️ | Обработка на естествен език | Научете основите на NLP, като създадете прост бот | Python | Stephen |
| 17 | Чести задачи в NLP ☕️ | Обработка на естествен език | Удължете познанията си за NLP чрез разбиране на чести задачи при работа с езикови структури | Python | Stephen |
| 18 | Превод и анализ на настроения |
Обработка на естествен език | Превод и анализ на настроения с Jane Austen | Python | Stephen |
| 19 | Романтични хотели в Европа |
Обработка на естествен език | Анализ на настроения с ревюта на хотели 1 | Python | Stephen |
| 20 | Романтични хотели в Европа |
Обработка на естествен език | Анализ на настроения с ревюта на хотели 2 | Python | Stephen |
| 21 | Въведение във времевите редове | Времеви редове | Въведение във времеви редове за прогнозиране | Python | Francesca |
| 22 | ⚡️ Световна консумация на електроенергия ⚡️ - прогнозиране с ARIMA | Времеви редове | Прогнозиране на времеви редове с ARIMA | Python | Francesca |
| 23 | ⚡️ Световна консумация на електроенергия ⚡️ - прогнозиране със SVR | Времеви редове | Прогнозиране на времеви редове със Support Vector Regressor | Python | Anirban |
| 24 | Въведение в обучението с подсилване | Обучение с подкрепление | Въведение в обучение с подсилване чрез Q-Learning | Python | Dmitry |
| 25 | Помогнете на Питър да избегне вълка! 🐺 | Обучение с подкрепление | Обучение с подкрепление Gym | Python | Dmitry |
| Постскрипт | Реални сценарии и приложения на ML | ML в дивата природа | Интересни и поучителни реални приложения на класическо ML | Урок | Екип |
| Постскрипт | Отстраняване на грешки в ML чрез RAI табло | ML в дивата природа | Отстраняване на грешки в модели на машинното обучение чрез компоненти за таблото Responsible AI | Урок | Ruth Yakubu |
намерете всички допълнителни ресурси за този курс в нашата колекция Microsoft Learn
Можете да използвате тази документация офлайн с помощта на Docsify. Форкнете това хранилище, инсталирайте Docsify на вашия локален компютър, след което в коренната папка на това хранилище напишете docsify serve. Уебсайтът ще се стартира на порт 3000 на localhost: localhost:3000.
Намерете pdf версия на учебната програма с връзки тук.
Нашият екип създава и други курсове! Разгледайте:
-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 относно създаването на AI приложения. Присъединете се към други учащи се и опитни разработчици в дискусиите за MCP. Това е подкрепяща общност, където въпросите са добре дошли и знанията се споделят свободно.
Ако имате обратна връзка за продукта или грешки по време на разработка, посетете:
- Преглеждайте тетрадките след всеки урок за по-добро разбиране.
- Практикувайте самостоятелно прилагане на алгоритми.
- Изследвайте реални набори от данни с използване 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 може 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 недоразумения или неправилни тълкувания, произтичащи от използването на този превод.