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
Προτιμάτε να κάνετε τοπικό κλώνο;
Αυτό το αποθετήριο περιλαμβάνει πάνω από 50 μεταφράσεις, που αυξάνουν σημαντικά το μέγεθος λήψης. Για να κλωνοποιήσετε χωρίς τις μεταφράσεις, χρησιμοποιήστε το 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"Αυτό σας παρέχει όλα όσα χρειάζεστε για να ολοκληρώσετε το μάθημα με πολύ γρηγορότερη λήψη.
Διαθέτουμε μια σειρά Discord μάθησης με AI που εκτυλίσσεται, μάθετε περισσότερα και ενταχθείτε μαζί μας στο Learn with AI Series από 18 έως 30 Σεπτεμβρίου 2025. Θα πάρετε συμβουλές και κόλπα χρήσης του GitHub Copilot για Data Science.
🌍 Ταξιδέψτε σε όλο τον κόσμο ενώ εξερευνούμε τη Μηχανική Μάθηση μέσω των πολιτισμών του κόσμου 🌍
Οι Cloud Advocates της Microsoft είναι στην ευχάριστη θέση να προσφέρουν ένα πρόγραμμα σπουδών 12 εβδομάδων, με 26 μαθήματα, που αφορά αποκλειστικά τη Μηχανική Μάθηση. Σε αυτό το πρόγραμμα θα μάθετε για την λεγόμενη κλασική μηχανική μάθηση, χρησιμοποιώντας κυρίως τη βιβλιοθήκη Scikit-learn και αποφεύγοντας τη βαθιά μάθηση, η οποία καλύπτεται στο πρόγραμμα AI για Αρχάριους. Συνδυάστε αυτά τα μαθήματα με το πρόγραμμα 'Data Science για Αρχάριους'!
Ταξιδέψτε μαζί μας σε όλο τον κόσμο καθώς εφαρμόζουμε αυτές τις κλασικές τεχνικές σε δεδομένα από πολλές περιοχές του κόσμου. Κάθε μάθημα περιλαμβάνει προ- και μετα- τεστ, γραπτές οδηγίες για την ολοκλήρωση του μαθήματος, λύση, εργασία και άλλα. Η μαθησιακή μας μέθοδος βασισμένη σε έργα σάς επιτρέπει να μαθαίνετε παράλληλα με τη δημιουργία, ένας αποδεδειγμένος τρόπος να στεριώσουν οι νέες δεξιότητες.
✍️ Θερμές ευχαριστίες στους συγγραφείς μας Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu και Amy Boyd
🎨 Ευχαριστούμε επίσης τους εικονογράφους μας Tomomi Imura, Dasani Madipalli και Jen Looper
🙏 Ιδιαίτερες ευχαριστίες 🙏 στους πρέσβεις φοιτητές της Microsoft που συνέγραψαν, αξιολόγησαν και συνέβαλαν στο περιεχόμενο, κυρίως Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila και Snigdha Agarwal
🤩 Επιπλέον ευγνωμοσύνη στους πρέσβεις φοιτητές της Microsoft Eric Wanjau, Jasleen Sondhi και Vidushi Gupta για τα μαθήματα R!
Ακολουθήστε αυτά τα βήματα:
- Κάντε Fork το Αποθετήριο: Κάντε κλικ στο κουμπί "Fork" στην πάνω δεξιά γωνία αυτής της σελίδας.
- Κλωνοποιήστε το Αποθετήριο:
git clone https://github.com/microsoft/ML-For-Beginners.git
βρείτε όλους τους επιπλέον πόρους για αυτό το μάθημα στη συλλογή του Microsoft Learn
🔧 Χρειάζεστε βοήθεια; Ελέγξτε τον Οδηγό Αντιμετώπισης Προβλημάτων για λύσεις σε συχνά ζητήματα με την εγκατάσταση, ρύθμιση και εκτέλεση μαθημάτων.
Φοιτητές, για να χρησιμοποιήσετε αυτό το πρόγραμμα σπουδών, κάντε fork το πλήρες αποθετήριο στον δικό σας λογαριασμό GitHub και ολοκληρώστε τις ασκήσεις μόνοι ή σε ομάδα:
- Ξεκινήστε με ένα quiz πριν το μάθημα.
- Διαβάστε το μάθημα και ολοκληρώστε τις δραστηριότητες, κάνοντας παύσεις και σκεφτόμενοι σε κάθε εξέταση γνώσης.
- Προσπαθήστε να δημιουργήσετε τα έργα κατανοώντας τα μαθήματα αντί να τρέχετε απλώς τον κώδικα λύσης. Ωστόσο, ο κώδικας αυτός είναι διαθέσιμος στους φακέλους
/solutionσε κάθε μάθημα που βασίζεται σε έργο. - Κάντε το quiz μετά το μάθημα.
- Ολοκληρώστε την πρόκληση.
- Ολοκληρώστε την εργασία.
- Μετά την ολοκλήρωση μιας ομάδας μαθημάτων, επισκεφθείτε το Discussion Board και "μάθετε δυνατά" συμπληρώνοντας τη σχετική φόρμα PAT. Το 'PAT' είναι ένα Εργαλείο Αξιολόγησης Προόδου που συμπληρώνετε για να προωθήσετε τη μάθησή σας. Μπορείτε επίσης να αντιδράσετε σε άλλα PAT ώστε να μαθαίνουμε όλοι μαζί.
Για περαιτέρω μελέτη, συνιστούμε να ακολουθήσετε αυτά τα Microsoft Learn μαθήματα και εκπαιδευτικές διαδρομές.
Καθηγητές, έχουμε συμπεριλάβει κάποιες προτάσεις για το πώς να χρησιμοποιήσετε αυτό το πρόγραμμα σπουδών.
Μερικά από τα μαθήματα είναι διαθέσιμα σε σύντομα βίντεο. Μπορείτε να τα βρείτε ενσωματωμένα στα μαθήματα ή στη λίστα αναπαραγωγής ML για Αρχάριους στο κανάλι Microsoft Developer στο YouTube κάνοντας κλικ στην παρακάτω εικόνα.
Gif από Mohit Jaisal
🎥 Κάντε κλικ στην εικόνα παραπάνω για ένα βίντεο σχετικά με το έργο και τα άτομα που το δημιούργησαν!
Έχουμε επιλέξει δύο παιδαγωγικές αρχές κατά την κατασκευή αυτού του προγράμματος: να είναι πρακτικό βασισμένο σε έργα και να περιλαμβάνει συχνά κουίζ. Επιπλέον, το πρόγραμμα έχει ένα κοινό θέμα για να του παρέχει συνοχή.
Διασφαλίζοντας ότι το περιεχόμενο ευθυγραμμίζεται με έργα, η διαδικασία γίνεται πιο ελκυστική για τους μαθητές και η διατήρηση εννοιών ενισχύεται. Επιπλέον, ένα κουίζ χαμηλού κινδύνου πριν το μάθημα θέτει την πρόθεση του μαθητή να μάθει ένα θέμα, ενώ ένα δεύτερο κουίζ μετά το μάθημα διασφαλίζει περαιτέρω διατήρηση. Αυτό το πρόγραμμα σχεδιάστηκε να είναι ευέλικτο και διασκεδαστικό και μπορεί να γίνει ολόκληρο ή μέρος του. Τα έργα ξεκινούν μικρά και γίνονται ολοένα και πιο σύνθετα στο τέλος του 12-εβδομαδιαίου κύκλου. Το πρόγραμμα περιλαμβάνει επίσης ένα επίμετρο για πρακτικές εφαρμογές της ΜΜ, το οποίο μπορεί να χρησιμοποιηθεί ως επιπλέον βαθμολογία ή ως βάση για συζήτηση.
Βρείτε τους Κανόνες Συμπεριφοράς, Οδηγίες Συνεισφοράς, Μεταφράσεις και Οδηγό Αντιμετώπισης Προβλημάτων. Ευπρόσδεκτη η εποικοδομητική σας ανατροφοδότηση!
- προαιρετική σημείωση σχεδίασης
- προαιρετικό συμπληρωματικό βίντεο
- βίντεο περιήγησης (μόνο σε μερικά μαθήματα)
- προ-μάθημα κουίζ προθέρμανσης
- γραπτό μάθημα
- για μαθήματα βασισμένα σε έργα, οδηγοί βήμα-βήμα για την κατασκευή του έργου
- έλεγχοι γνώσης
- μια πρόκληση
- συμπληρωματική ανάγνωση
- εργασία
- μετα-μάθημα κουίζ
Σημείωση σχετικά με τις γλώσσες: Τα μαθήματα αυτά είναι κυρίως γραμμένα σε Python, αλλά πολλά είναι διαθέσιμα και σε R. Για να ολοκληρώσετε ένα μάθημα R, πηγαίνετε στο φάκελο
/solutionκαι αναζητήστε μαθήματα R. Περιλαμβάνουν επέκταση .rmd που αντιπροσωπεύει ένα αρχείο R Markdown, το οποίο μπορεί απλά να οριστεί ως ενσωμάτωσηκομματιών κώδικα(σε R ή άλλες γλώσσες) καικεφαλίδας YAML(που καθοδηγεί το πώς να μορφοποιούνται οι εξαγωγές όπως PDF) σε έναέγγραφο Markdown. Ως εκ τούτου, χρησιμεύει ως εξαιρετικό πλαίσιο δημιουργίας περιεχομένου για επιστήμη δεδομένων, καθώς σας επιτρέπει να συνδυάζετε τον κώδικά σας, την έξοδό του και τις σκέψεις σας γράφοντας τα σε Markdown. Επιπλέον, τα έγγραφα R Markdown μπορούν να αποδοθούν σε μορφές εξόδου όπως PDF, HTML ή Word. Μια σημείωση σχετικά με τα κουίζ: Όλα τα κουίζ περιλαμβάνονται στον φάκελο Quiz App, συνολικά 52 κουίζ με τρεις ερωτήσεις το καθένα. Συνδέονται μέσα από τα μαθήματα, αλλά η εφαρμογή κουίζ μπορεί να τρέξει τοπικά· ακολουθήστε τις οδηγίες στον φάκελοquiz-appγια να το φιλοξενήσετε ή να το αναπτύξετε στο Azure.
| Αριθμός Μαθήματος | Θέμα | Ομαδοποίηση Μαθήματος | Στόχοι Μάθησης | Συνδεδεμένο Μάθημα | Συγγραφέας |
|---|---|---|---|---|---|
| 01 | Εισαγωγή στη μηχανική μάθηση | Εισαγωγή | Μάθετε τις βασικές έννοιες πίσω από τη μηχανική μάθηση | Μάθημα | Muhammad |
| 02 | Η ιστορία της μηχανικής μάθησης | Εισαγωγή | Μάθετε την ιστορία που βρίσκεται πίσω από αυτόν τον τομέα | Μάθημα | Jen και Amy |
| 03 | Δικαιοσύνη και μηχανική μάθηση | Εισαγωγή | Ποια είναι τα σημαντικά φιλοσοφικά ζητήματα γύρω από τη δικαιοσύνη που πρέπει να λάβουν υπόψη οι μαθητές όταν δημιουργούν και εφαρμόζουν μοντέλα ML; | Μάθημα | Tomomi |
| 04 | Τεχνικές για μηχανική μάθηση | Εισαγωγή | Ποιες τεχνικές χρησιμοποιούν οι ερευνητές μηχανικής μάθησης για να δημιουργήσουν μοντέλα ML; | Μάθημα | Chris και Jen |
| 05 | Εισαγωγή στην παλινδρόμηση | Παλινδρόμηση | Ξεκινήστε με Python και Scikit-learn για μοντέλα παλινδρόμησης | Python • R | Jen • Eric Wanjau |
| 06 | Τιμές κολοκύθας στη Βόρεια Αμερική 🎃 | Παλινδρόμηση | Οπτικοποιήστε και καθαρίστε δεδομένα προετοιμασίας για ML | Python • R | Jen • Eric Wanjau |
| 07 | Τιμές κολοκύθας στη Βόρεια Αμερική 🎃 | Παλινδρόμηση | Δημιουργήστε γραμμικά και πολυωνυμικά μοντέλα παλινδρόμησης | Python • R | Jen και Dmitry • Eric Wanjau |
| 08 | Τιμές κολοκύθας στη Βόρεια Αμερική 🎃 | Παλινδρόμηση | Δημιουργήστε μοντέλο λογιστικής παλινδρόμησης | Python • R | Jen • Eric Wanjau |
| 09 | Μια εφαρμογή Web 🔌 | Web App | Δημιουργήστε μια εφαρμογή web για να χρησιμοποιήσετε το εκπαιδευμένο σας μοντέλο | Python | Jen |
| 10 | Εισαγωγή στην ταξινόμηση | Ταξινόμηση | Καθαρίστε, προετοιμάστε και οπτικοποιήστε τα δεδομένα σας· εισαγωγή στην ταξινόμηση | Python • R | Jen και Cassie • Eric Wanjau |
| 11 | Νόστιμες Ασιατικές και Ινδικές κουζίνες 🍜 | Ταξινόμηση | Εισαγωγή στους ταξινομητές | Python • R | Jen και Cassie • Eric Wanjau |
| 12 | Νόστιμες Ασιατικές και Ινδικές κουζίνες 🍜 | Ταξινόμηση | Περισσότεροι ταξινομητές | Python • R | Jen και Cassie • Eric Wanjau |
| 13 | Νόστιμες Ασιατικές και Ινδικές κουζίνες 🍜 | Ταξινόμηση | Δημιουργήστε μια εφαρμογή προτάσεων χρησιμοποιώντας το μοντέλο σας | Python | Jen |
| 14 | Εισαγωγή στον συσταδοποίηση | Συσταδοποίηση | Καθαρίστε, προετοιμάστε και οπτικοποιήστε τα δεδομένα σας· Εισαγωγή στη συσταδοποίηση | Python • R | Jen • Eric Wanjau |
| 15 | Εξερεύνηση των μουσικών προτιμήσεων της Νιγηρίας 🎧 | Συσταδοποίηση | Εξερευνήστε τη μέθοδο συσταδοποίησης K-Means | Python • R | Jen • Eric Wanjau |
| 16 | Εισαγωγή στην επεξεργασία φυσικής γλώσσας ☕️ | Επεξεργασία φυσικής γλώσσας | Μάθετε τα βασικά της NLP δημιουργώντας έναν απλό bot | Python | Stephen |
| 17 | Κοινές εργασίες NLP ☕️ | Επεξεργασία φυσικής γλώσσας | Εμβαθύνετε τις γνώσεις σας στην NLP κατανοώντας κοινές εργασίες που απαιτούνται κατά τη διαχείριση δομών γλώσσας | Python | Stephen |
| 18 | Μετάφραση και ανάλυση συναισθήματος |
Επεξεργασία φυσικής γλώσσας | Μετάφραση και ανάλυση συναισθήματος με τη Jane Austen | Python | Stephen |
| 19 | Ρομαντικά ξενοδοχεία της Ευρώπης |
Επεξεργασία φυσικής γλώσσας | Ανάλυση συναισθήματος με κριτικές ξενοδοχείων 1 | Python | Stephen |
| 20 | Ρομαντικά ξενοδοχεία της Ευρώπης |
Επεξεργασία φυσικής γλώσσας | Ανάλυση συναισθήματος με κριτικές ξενοδοχείων 2 | Python | Stephen |
| 21 | Εισαγωγή στην πρόβλεψη χρονοσειρών | Χρονοσειρές | Εισαγωγή στην πρόβλεψη χρονοσειρών | Python | Francesca |
| 22 | ⚡️ Παγκόσμια χρήση ενέργειας ⚡️ - πρόβλεψη χρονοσειρών με ARIMA | Χρονοσειρές | Πρόβλεψη χρονοσειρών με ARIMA | Python | Francesca |
| 23 | ⚡️ Παγκόσμια χρήση ενέργειας ⚡️ - πρόβλεψη χρονοσειρών με SVR | Χρονοσειρές | Πρόβλεψη χρονοσειρών με την Υποστηρικτική Μέθοδο Διανυσματικών Παλινδρομήσεων (SVR) | Python | Anirban |
| 24 | Εισαγωγή στην ενισχυτική μάθηση | Ενισχυτική μάθηση | Εισαγωγή στην ενισχυτική μάθηση με Q-Learning | Python | Dmitry |
| 25 | Βοηθήστε τον Peter να αποφύγει τον λύκο! 🐺 | Ενισχυτική μάθηση | Ενισχυτική μάθηση με Gym | Python | Dmitry |
| Μετασχόλιο | Πραγματικά σενάρια και εφαρμογές ML | ML στην πρακτική | Ενδιαφέρουσες και αποκαλυπτικές εφαρμογές κλασικής μηχανικής μάθησης | Μάθημα | Ομάδα |
| Μετασχόλιο | Εντοπισμός σφαλμάτων μοντέλων ML με τα εργαλεία RAI | ML στην πρακτική | Εντοπισμός σφαλμάτων σε μοντέλα μηχανικής μάθησης χρησιμοποιώντας συστατικά του Responsible AI dashboard | Μάθημα | Ruth Yakubu |
βρείτε όλους τους επιπλέον πόρους για αυτό το μάθημα στη συλλογή Microsoft Learn
Μπορείτε να τρέξετε αυτήν την τεκμηρίωση εκτός σύνδεσης χρησιμοποιώντας το Docsify. Κάντε fork αυτό το αποθετήριο, εγκαταστήστε το Docsify στην τοπική σας συσκευή και μετά στον ριζικό φάκελο αυτού του αποθετηρίου, πληκτρολογήστε docsify serve. Η ιστοσελίδα θα σερβίρεται στη θύρα 3000 στο localhost σας: localhost:3000.
Βρείτε το pdf του προγράμματος σπουδών με συνδέσμους εδώ.
Η ομάδα μας παράγει και άλλα μαθήματα! Δείτε:
-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}
Εάν κολλήσετε ή έχετε ερωτήσεις σχετικά με την ανάπτυξη εφαρμογών Τεχνητής Νοημοσύνης. Συμμετέχετε σε συζητήσεις με άλλους μαθητευόμενους και έμπειρους προγραμματιστές για το MCP. Είναι μια υποστηρικτική κοινότητα όπου οι ερωτήσεις είναι ευπρόσδεκτες και η γνώση μοιράζεται ελεύθερα.
Εάν έχετε σχόλια προϊόντος ή σφάλματα κατά την ανάπτυξη επισκεφθείτε:
- Ανασκοπήστε τα σημειωματάρια μετά από κάθε μάθημα για καλύτερη κατανόηση.
- Εξασκηθείτε στην υλοποίηση αλγορίθμων μόνοι σας.
- Εξερευνήστε πραγματικά σύνολα δεδομένων χρησιμοποιώντας τις έννοιες που μάθατε.
Αποποίηση ευθυνών:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης AI Co-op Translator. Ενώ προσπαθούμε για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν σφάλματα ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται η επαγγελματική μετάφραση από άνθρωπο. Δεν φέρουμε ευθύνη για οποιεσδήποτε παρεξηγήσεις ή λανθασμένες ερμηνείες προκύψουν από τη χρήση αυτής της μετάφρασης.