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
Szeretnéd inkább helyileg klónozni?
Ez a tárház több mint 50 nyelvre készült fordítást tartalmaz, ami jelentősen megnöveli a letöltési méretet. Ha fordítások nélkül szeretnéd klónozni, használj sparse checkout-ot:
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"Ez mindent biztosít, amire szükséged van a tanfolyam elvégzéséhez, sokkal gyorsabb letöltéssel.
Folyamatban van egy Discord „Tanulj AI-val” sorozatunk, tudj meg többet és csatlakozz hozzánk a Learn with AI Series oldalán 2025. szeptember 18. és 30. között. Tippeket és trükköket kapsz a GitHub Copilot adat tudományi használatához.
🌍 Utazz velünk a világ körül, miközben a gépi tanulást a világ kultúráinak szemszögén keresztül fedezzük fel 🌍
A Microsoft Cloud Advocates örömmel kínál egy 12 hetes, 26 leckéből álló tananyagot a gépi tanulásról. Ebben a tananyagban olyan klasszikus gépi tanulásról tanulsz, amely elsősorban a Scikit-learn könyvtárra épül, a mély tanulást pedig kihagyja, amit az AI for Beginners tananyagunkban találhatsz meg. Ezt a tananyagot párosítsd a 'Data Science for Beginners' tananyagunkkal is!
Utazz velünk a világ körül, miközben ezeket a klasszikus technikákat a világ számos adatforrására alkalmazzuk. Minden lecke elő- és utótesztet tartalmaz, írásos útmutatót a lecke teljesítéséhez, megoldást, feladatot és egyebeket. Projektalapú oktatásunk lehetővé teszi, hogy építés közben tanulj, ami bizonyítottan segíti az új készségek rögzülését.
✍️ Szívből köszönjük szerzőinknek: Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu és Amy Boyd
🎨 Köszönet illusztrátorainknak is: Tomomi Imura, Dasani Madipalli, és Jen Looper
🙏 Külön köszönet 🙏 Microsoft Hallgatói Nagykövet szerzőinknek, lektorainknak és tartalomközreműködőinknek, kiemelten Rishit Daglinek, Muhammad Sakib Khan Inannak, Rohan Rajnak, Alexandru Petrescunak, Abhishek Jaiswalnak, Nawrin Tabassumnak, Ioan Samuilának és Snigdha Agarwalnak
🤩 Extra köszönet Microsoft Hallgatói Nagyköveteknek Eric Wanjau-nak, Jasleen Sondhi-nak és Vidushi Guptának az R leckéinkért!
Kövesd ezeket a lépéseket:
- Válaszd le a tárházat: Kattints a jobb felső sarokban a "Fork" gombra.
- Klónozd a tárházat:
git clone https://github.com/microsoft/ML-For-Beginners.git
a tanfolyam további erőforrásait megtalálod Microsoft Learn gyűjteményünkben
🔧 Segítségre van szükséged? Nézd meg a Hibaelhárítási útmutatónkat a telepítési, beállítási és lecke lefuttatási problémák megoldásához.
Diákok, hogy használjátok ezt a tananyagot, fork-old le a teljes repo-t a saját GitHub fiókodra, és végezd el a feladatokat egyedül vagy csoportban:
- Kezdj az előadás előtti teszttel.
- Olvasd el az előadást és végezd el a feladatokat, megállva és átgondolva minden tudásellenőrzésnél.
- Próbáld megérteni a leckéket és a tanultak alapján megalkotni a projekteket, a megoldó kód futtatása helyett; azonban a kód elérhető a
/solutionmappákban minden projektorientált leckénél. - Tedd meg az előadás utáni tesztet.
- Teljesítsd a kihívást.
- Teljesítsd a feladatot.
- Egy leckecsoport befejezése után látogasd meg a Vita fórumot és „tanulj hangosan” egy megfelelő PAT értékelőlap kitöltésével. A 'PAT' egy haladás értékelő eszköz, egy értékelőlap, amit kitöltve tovább mélyíted a tanulásod. Reagálhatsz más PAT-ekre is, így együttesen tanulhatunk.
A további tanuláshoz javasoljuk, hogy kövesd ezeket a Microsoft Learn modulokat és tanulási útvonalakat.
Tanárként itt találsz néhány javaslatot, hogyan használd ezt a tananyagot.
Néhány lecke rövid videó formájában is elérhető. Ezeket megtekintheted a leckékben közvetlenül vagy a ML for Beginners lejátszási listán a Microsoft Developer YouTube csatornáján a lenti képre kattintva.
Gif készítője: Mohit Jaisal
🎥 Kattints a fenti képre, hogy videót nézz meg a projektről és annak alkotóiról!
Két oktatási elvet választottunk a tananyag kialakításakor: projekt alapú, gyakorlati jelleg biztosítása, illetve gyakori kvízek beiktatása. Emellett a tananyagnak közös téma ad koherenciát.
Az tartalom projektekhez való igazítása élvezetesebbé teszi a tanulók számára a folyamatot, és fokozza a fogalmak megtartását. Egy alacsony tétű kvíz az óra előtt beállítja a tanulók szándékát egy téma tanulására, míg a kicsivel később, az óra után tartott kvíz további megtartást szolgál. Ez a tananyag rugalmas és szórakoztató, egészben vagy részleteiben is elvégezhető. A projektek a kis kezdéstől fokozatosan egyre összetettebbé válik a 12 hetes ciklus végére. A tananyag egy utószót is tartalmaz, ami a gépi tanulás valódi alkalmazásairól szól, amely plusz kreditként vagy vitaalapként is használható.
Találd meg a Magatartási kódexünket, Hozzájárulási, Fordítási és Hibaelhárítási útmutatóinkat. Várjuk építő jellegű visszajelzéseidet!
- választható vázlatjegyzet
- választható kiegészítő videó
- videós bemutató (csak néhány leckénél)
- előadás előtti bemelegítő kvíz
- írott lecke
- projekt alapú leckéknél lépésről lépésre útmutatók a projekt felépítéséhez
- tudásellenőrzések
- kihívás
- kiegészítő olvasmány
- feladat
- előadás utáni kvíz
Megjegyzés a nyelvekről: Ezek a leckék elsősorban Python nyelven íródtak, de sokan elérhetők R nyelven is. Egy R lecke elvégzéséhez keresd meg az
/solutionmappában az R leckéket. Ezek .rmd kiterjesztésű fájlok, amelyek egy R Markdown dokumentumot jelentenek, ami egyszerűen olyan Markdown dokumentum, amelybekódblokkok(R vagy más nyelvek) és egyYAML fejléc(ami meghatározza a kimenet formátumát, pl. PDF) van ágyazva. Ez egy kiváló szerzői keretrendszer az adat tudomány számára, mert lehetővé teszi, hogy a kódodat, annak outputját és gondolataidat egyszerre írd le Markdown formátumban. Ezen felül az R Markdown dokumentumok többféle kimeneti formátumba exportálhatók, például PDF, HTML vagy Word. Megjegyzés a kvízekhez: Az összes kvíz megtalálható a Quiz App mappában, összesen 52 darab, mindegyik három kérdésből áll. Ezek kapcsolódnak az egyes leckékhez, de a kvíz alkalmazást helyileg is futtathatod; kövesd aquiz-appmappában található utasításokat a helyi hosztoláshoz vagy az Azure-ra történő telepítéshez.
| Lecke száma | Téma | Lecke csoportosítás | Tanulási célok | Kapcsolódó lecke | Szerző |
|---|---|---|---|---|---|
| 01 | Bevezetés a gépi tanulásba | Bevezetés | Ismerd meg a gépi tanulás alapvető fogalmait | Lecke | Muhammad |
| 02 | A gépi tanulás története | Bevezetés | Ismerd meg a terület történetét | Lecke | Jen és Amy |
| 03 | Méltányosság és gépi tanulás | Bevezetés | Milyen fontos filozófiai kérdéseket érdemes figyelembe venni a méltányosság vonatkozásában az ML modellek építésekor és alkalmazásakor? | Lecke | Tomomi |
| 04 | Gépi tanulási technikák | Bevezetés | Milyen technikákat alkalmaznak a kutatók az ML modellek építéséhez? | Lecke | Chris és Jen |
| 05 | Bevezetés a regresszióba | Regresszió | Kezdj el dolgozni Python és Scikit-learn segítségével regressziós modellekhez | Python • R | Jen • Eric Wanjau |
| 06 | Észak-amerikai tökárak 🎃 | Regresszió | Adatok megjelenítése és tisztítása az ML-re való felkészüléshez | Python • R | Jen • Eric Wanjau |
| 07 | Észak-amerikai tökárak 🎃 | Regresszió | Lineáris és polinomiális regressziós modellek építése | Python • R | Jen és Dmitry • Eric Wanjau |
| 08 | Észak-amerikai tökárak 🎃 | Regresszió | Logisztikus regressziós modell építése | Python • R | Jen • Eric Wanjau |
| 09 | Webalkalmazás 🔌 | Web App | Építs webalkalmazást a betanított modell használatához | Python | Jen |
| 10 | Bevezetés az osztályozásba | Osztályozás | Tisztítsd, készítsd elő és ábrázold az adataidat; bevezetés az osztályozásba | Python • R | Jen és Cassie • Eric Wanjau |
| 11 | Ízletes ázsiai és indiai konyhák 🍜 | Osztályozás | Bevezetés az osztályozókhoz | Python • R | Jen és Cassie • Eric Wanjau |
| 12 | Ízletes ázsiai és indiai konyhák 🍜 | Osztályozás | Több osztályozó | Python • R | Jen és Cassie • Eric Wanjau |
| 13 | Ízletes ázsiai és indiai konyhák 🍜 | Osztályozás | Építs ajánló webalkalmazást a modell segítségével | Python | Jen |
| 14 | Bevezetés a klaszterezésbe | Klaszterezés | Tisztítsd, készítsd elő és ábrázold az adataidat; bevezetés a klaszterezésbe | Python • R | Jen • Eric Wanjau |
| 15 | Fedezd fel a nigériai zenei ízlést 🎧 | Klaszterezés | Fedezd fel a K-Means klaszterezési módszert | Python • R | Jen • Eric Wanjau |
| 16 | Bevezetés a természetes nyelvfeldolgozásba ☕️ | Természetes nyelvfeldolgozás | Tanuld meg az NLP alapjait egy egyszerű bot építésén keresztül | Python | Stephen |
| 17 | Gyakori NLP feladatok ☕️ | Természetes nyelvfeldolgozás | Mélyítsd el NLP tudásodat a nyelvi szerkezetek kezeléséhez szükséges gyakori feladatok megértésével | Python | Stephen |
| 18 | Fordítás és érzelemelemzés |
Természetes nyelvfeldolgozás | Fordítás és érzelemelemzés Jane Austen műveivel | Python | Stephen |
| 19 | Romantikus európai szállodák |
Természetes nyelvfeldolgozás | Érzelemelemzés szállodai értékelésekkel 1 | Python | Stephen |
| 20 | Romantikus európai szállodák |
Természetes nyelvfeldolgozás | Érzelemelemzés szállodai értékelésekkel 2 | Python | Stephen |
| 21 | Bevezetés az idősoros előrejelzésbe | Idősorok | Bevezetés az idősoros előrejelzésbe | Python | Francesca |
| 22 | ⚡️ Világ energiafelhasználás ⚡️ - idősoros előrejelzés ARIMA-val | Idősorok | Idősoros előrejelzés ARIMA-val | Python | Francesca |
| 23 | ⚡️ Világ energiafelhasználás ⚡️ - idősoros előrejelzés SVR-rel | Idősorok | Idősoros előrejelzés Támogató vektorgép regresszorral | Python | Anirban |
| 24 | Bevezetés a megerősítéses tanulásba | Megerősítéses tanulás | Bevezetés a megerősítéses tanulásba Q-learning segítségével | Python | Dmitry |
| 25 | Segíts Peternek elkerülni a farkast! 🐺 | Megerősítéses tanulás | Megerősítéses tanulás Gym környezetben | Python | Dmitry |
| Utóirat | Valós világ ML forgatókönyvek és alkalmazások | ML a mindennapokban | Érdekes és feltáró valódi világban alkalmazott klasszikus gépi tanulás | Lecke | Csapat |
| Utóirat | Modell hibakeresése ML-ben RAI irányítópult segítségével | ML a mindennapokban | Modellhibakeresés gépi tanulásban a Responsible AI irányítópult komponenseivel | Lecke | Ruth Yakubu |
minden további anyag megtalálható ebben a Microsoft Learn gyűjteményben
Ezt a dokumentációt offline is futtathatod a Docsify használatával. Forkold a repót, telepítsd a Docsify-t a helyi gépeden, majd a repó gyökérmappájában írd be, hogy docsify serve. Az oldal a localhost 3000-es portján lesz elérhető: localhost:3000.
A tananyagról pdf változat, linkekkel itt található.
Csapatunk további kurzusokat is készít! Nézd meg:
-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}
Ha elakadnál vagy kérdésed van MI alkalmazások fejlesztésével kapcsolatban, csatlakozz tanulótársaidhoz és tapasztalt fejlesztőkhöz az MCP közösségi beszélgetéseiben. Ez egy támogató közösség, ahol szívesen fogadják a kérdéseket és a tudás szabadon megosztott.
Ha visszajelzésed vagy hibát tapasztalsz fejlesztés közben, látogass el a következő oldalra:
- Minden leckét követően nézd át az jegyzetfüzeteket a jobb megértés érdekében.
- Gyakorold az algoritmusok önálló megvalósítását.
- Fedezd fel a valós adatokat a megtanult fogalmak alkalmazásával.
Felülvizsgálati nyilatkozat: Ezt a dokumentumot az AI fordító szolgáltatás, a Co-op Translator segítségével fordítottuk. Bár igyekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti, anyanyelvi dokumentum tekintendő hiteles forrásnak. Fontos információk esetén szakmai, emberi fordítást javasolunk. Nem vállalunk felelősséget a fordítás használatából eredő félreértésekért vagy téves értelmezésekért.