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
Raději klonovat lokálně?
Tento repozitář obsahuje překlady do více než 50 jazyků, což výrazně zvětšuje velikost ke stažení. Chcete-li klonovat bez překladů, použijte 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"Tím získáte vše potřebné k dokončení kurzu s mnohem rychlejším stažením.
Máme probíhající Discord sérii Learn with AI, dozvíte se více a můžete se připojit na Learn with AI Series od 18. do 30. září 2025. Získáte tipy a triky, jak používat GitHub Copilot pro Data Science.
🌍 Cestujte po světě, zatímco zkoumáme strojové učení prostřednictvím světových kultur 🌍
Cloud Advocates ve společnosti Microsoft s potěšením nabízejí 12týdenní osnovu se 26 lekcemi zaměřenými na strojové učení. V této osnově se naučíte něco, co se někdy nazývá klasické strojové učení, používající především knihovnu Scikit-learn a vyhýbající se hlubokému učení, které je pokryto v našem kurzu AI pro začátečníky. Tyto lekce můžete také skvěle kombinovat s naší osnovou 'Data Science pro začátečníky'!
Cestujte s námi po světě, zatímco aplikujeme tyto klasické techniky na data z různých oblastí světa. Každá lekce zahrnuje před a po lekci testy, psané instrukce k dokončení lekce, řešení, úkol a další. Naše projektově orientovaná pedagogika umožňuje učit se při vytváření projektu, což je osvědčený způsob, jak nové dovednosti opravdu "zůstanou".
✍️ Srdečné poděkování autorům Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu a Amy Boyd
🎨 Poděkování také našim ilustrátorům Tomomi Imura, Dasani Madipalli a Jen Looper
🙏 Zvláštní poděkování 🙏 našim autorům, recenzentům a přispěvatelům obsahu ze studentského ambasádorského programu Microsoftu, zejména Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila a Snigdha Agarwal
🤩 Extra poděkování Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi a Vidushi Gupta za naše lekce v R!
Postupujte podle těchto kroků:
- Vytvořte Fork repozitáře: Klikněte na tlačítko „Fork“ v pravém horním rohu této stránky.
- Klonujte repozitář:
git clone https://github.com/microsoft/ML-For-Beginners.git
najdete zde všechny další zdroje pro tento kurz v naší kolekci Microsoft Learn
🔧 Potřebujete pomoc? Podívejte se na náš Průvodce řešením problémů pro běžné problémy při instalaci, nastavení a spuštění lekcí.
Studenti, pro použití této osnovy, vytvořte fork celého repozitáře do svého GitHub účtu a vypracujte cvičení sami nebo ve skupině:
- Začněte testem před lekcí.
- Přečtěte si lekci a dokončete aktivity, při každé znalostní kontrole se zastavte a zamyslete.
- Snažte se vytvářet projekty pochopením lekcí místo pouhého spuštění řešení; kód je však dostupný ve složce
/solutionv každé projektově orientované lekci. - Udělejte test po lekci.
- Dokončete výzvu.
- Dokončete zadání.
- Po dokončení skupiny lekcí navštivte Diskusní fórum a "učte se nahlas" vyplněním příslušné PAT rubricy. 'PAT' je nástroj hodnocení pokroku, který vyplníte, abyste prohloubili své učení. Můžete také reagovat na jiné PAT a učit se společně.
Pro další studium doporučujeme sledovat tyto moduly a učební cesty na Microsoft Learn.
Učitelé, přiložili jsme několik doporučení, jak tuto osnovu využít.
Některé lekce jsou dostupné jako krátká videa. Všechny najdete v lekcích přímo nebo na playlistu ML for Beginners na YouTube kanálu Microsoft Developer kliknutím na obrázek níže.
Gif od Mohit Jaisal
🎥 Klikněte na obrázek výše pro video o projektu a lidech, kteří ho vytvořili!
Při vytváření této osnovy jsme zvolili dva pedagogické principy: zajistit, aby byla praktická a projektově orientovaná, a zároveň obsahovala časté kvízy. Navíc má tato osnova společné téma, které jí dodává soudržnost.
Díky tomu, že obsah je sladěn s projekty, je proces pro studenty poutavější a zvyšuje se zapamatování konceptů. Nízkorizikový kvíz před lekcí nastavuje záměr studenta na učení tématu, zatímco druhý kvíz po lekci posiluje další zapamatování. Osnova byla navržena tak, aby byla flexibilní a zábavná, a lze ji absolvovat celou nebo po částech. Projekty začínají malé a koncem 12týdenního cyklu se stávají složitějšími. V osnově je také poscriptum o reálných aplikacích strojového učení, které může sloužit jako extra kredit nebo jako základ pro diskusi.
Najděte naše Kodex chování, příspěvky, překlady a Průvodce řešením problémů. Vítáme vaši konstruktivní zpětnou vazbu!
- volitelnou skicu (sketchnote)
- volitelné doplňkové video
- video průvodce (jen některé lekce)
- kvíz před lekcí
- psanou lekci
- u projektově orientovaných lekcí podrobný návod, jak projekt vytvořit
- znalostní kontroly
- výzvu
- doplňující čtení
- úkol
- kvíz po lekci
Poznámka k jazykům: Tyto lekce jsou primárně psány v Pythonu, ale mnoho z nich je dostupných i v R. Pro dokončení lekce v R přejděte do složky
/solutiona vyhledejte lekce v R. Obsahují příponu .rmd, která představuje R Markdown soubor, což lze jednoduše definovat jako kombinacikódových bloků(v R nebo jiných jazycích) aYAML hlavičky(která určuje, jak formátovat výstupy jako PDF) vMarkdown dokumentu. Díky tomu slouží jako vzorový autorský rámec pro datovou vědu, protože umožňuje kombinovat kód, jeho výstupy a vaše poznámky psané v Markdownu. R Markdown dokumenty lze navíc převádět do výstupních formátů jako PDF, HTML nebo Word. Poznámka k kvízům: Všechny kvízy jsou obsaženy ve složce Quiz App, celkem 52 kvízů po třech otázkách. Jsou propojeny v lekcích, ale aplikaci kvízů lze spustit i lokálně; postupujte podle instrukcí ve složcequiz-app, abyste aplikaci spustili lokálně nebo nasadili na Azure.
| Číslo lekce | Téma | Skupina lekcí | Vzdělávací cíle | Propojená lekce | Autor |
|---|---|---|---|---|---|
| 01 | Úvod do strojového učení | Úvod | Seznámení se základními koncepty strojového učení | Lekce | Muhammad |
| 02 | Historie strojového učení | Úvod | Naučit se historii, na které toto pole stojí | Lekce | Jen a Amy |
| 03 | Spravedlnost a strojové učení | Úvod | Jaké jsou důležité filozofické otázky o spravedlnosti, které by studenti měli zvážit při vytváření a aplikaci modelů ML? | Lekce | Tomomi |
| 04 | Techniky pro strojové učení | Úvod | Jaké techniky používají vědci ML pro tvorbu modelů? | Lekce | Chris a Jen |
| 05 | Úvod do regresních modelů | Regrese | Začít s Pythonem a Scikit-learn pro regresní modely | Python • R | Jen • Eric Wanjau |
| 06 | Ceny dýní v Severní Americe 🎃 | Regrese | Vizualizovat a vyčistit data před ML | Python • R | Jen • Eric Wanjau |
| 07 | Ceny dýní v Severní Americe 🎃 | Regrese | Vybudovat lineární a polynomické regresní modely | Python • R | Jen a Dmitry • Eric Wanjau |
| 08 | Ceny dýní v Severní Americe 🎃 | Regrese | Vybudovat logistický regresní model | Python • R | Jen • Eric Wanjau |
| 09 | Webová aplikace 🔌 | Web App | Vybudovat webovou aplikaci pro použití vašeho natrénovaného modelu | Python | Jen |
| 10 | Úvod do klasifikace | Klasifikace | Vyčistit, připravit a vizualizovat data; úvod do klasifikace | Python • R | Jen a Cassie • Eric Wanjau |
| 11 | Lahodné asijské a indické kuchyně 🍜 | Klasifikace | Úvod do klasifikátorů | Python • R | Jen a Cassie • Eric Wanjau |
| 12 | Lahodné asijské a indické kuchyně 🍜 | Klasifikace | Další klasifikátory | Python • R | Jen a Cassie • Eric Wanjau |
| 13 | Lahodné asijské a indické kuchyně 🍜 | Klasifikace | Vybudovat doporučující webovou aplikaci pomocí vašeho modelu | Python | Jen |
| 14 | Úvod ke shlukování | Shlukování | Vyčistit, připravit a vizualizovat data; úvod ke shlukování | Python • R | Jen • Eric Wanjau |
| 15 | Průzkum nigerijských hudebních chutí 🎧 | Shlukování | Prozkoumat metodu shlukování K-Means | Python • R | Jen • Eric Wanjau |
| 16 | Úvod do zpracování přirozeného jazyka ☕️ | Zpracování přirozeného jazyka | Naučit se základy NLP vytvořením jednoduchého bota | Python | Stephen |
| 17 | Běžné úkoly NLP ☕️ | Zpracování přirozeného jazyka | Prohloubit znalosti NLP porozuměním běžným úkolům požadovaným při práci s jazykovými strukturami | Python | Stephen |
| 18 | Překlad a sentimentální analýza |
Zpracování přirozeného jazyka | Překlad a sentimentální analýza s Jane Austen | Python | Stephen |
| 19 | Romantické hotely Evropy |
Zpracování přirozeného jazyka | Sentimentální analýza hotelových recenzí 1 | Python | Stephen |
| 20 | Romantické hotely Evropy |
Zpracování přirozeného jazyka | Sentimentální analýza hotelových recenzí 2 | Python | Stephen |
| 21 | Úvod do predikce časových řad | Časové řady | Úvod do predikce časových řad | Python | Francesca |
| 22 | ⚡️ Světová spotřeba energie ⚡️ - predikce časových řad ARIMA | Časové řady | Predikce časových řad pomocí ARIMA | Python | Francesca |
| 23 | ⚡️ Světová spotřeba energie ⚡️ - predikce časových řad SVR | Časové řady | Predikce časových řad pomocí Support Vector Regressoru | Python | Anirban |
| 24 | Úvod do posilovaného učení | Posilované učení | Úvod do posilovaného učení pomocí Q-Learning | Python | Dmitry |
| 25 | Pomozte Petrovi vyhnout se vlkovi! 🐺 | Posilované učení | Posilované učení s Gym | Python | Dmitry |
| Posloupnost | Skutečné scénáře a aplikace ML | ML ve světě | Zajímavé a poučné reálné aplikace klasického ML | Lekce | Tým |
| Posloupnost | Ladění modelů v ML pomocí RAI dashboardu | ML ve světě | Ladění modelů v ML pomocí komponent Responsible AI dashboardu | Lekce | Ruth Yakubu |
najděte všechny další zdroje k tomuto kurzu v naší kolekci Microsoft Learn
Tuto dokumentaci můžete spustit offline pomocí Docsify. Zforkujte si tento repozitář, nainstalujte Docsify na svůj počítač a potom v kořenové složce tohoto repozitáře zadejte příkaz docsify serve. Webová stránka poběží na portu 3000 na vašem localhostu: localhost:3000.
Najdete zde PDF osnovy s odkazy zde.
Náš tým vytváří i další kurzy! Podívejte se na:
-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}
Pokud uvíznete nebo máte jakékoli otázky ohledně vytváření AI aplikací. Připojte se k ostatním studentům a zkušeným vývojářům k diskuzím o MCP. Je to podpůrná komunita, kde jsou otázky vítány a znalosti jsou sdíleny volně.
Pokud máte zpětnou vazbu k produktu nebo narazíte na chyby během vývoje, navštivte:
- Po každé lekci si projděte zápisky pro lepší porozumění.
- Procvičujte si implementaci algoritmů samostatně.
- Prozkoumávejte reálné datasety pomocí naučených konceptů.
Prohlášení o vyloučení odpovědnosti: Tento dokument byl přeložen pomocí AI překladatelské služby Co-op Translator. I když usilujeme o přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Originální dokument v jeho mateřském jazyce by měl být považován za autoritativní zdroj. Pro zásadní informace se doporučuje profesionální lidský překlad. Nejsme odpovědní za žádná nedorozumění nebo nesprávné výklady vyplývající z použití tohoto překladu.