Арабский | Бенгальский | Болгарский | Бирманский (Мьянма) | Китайский (упрощённый) | Китайский (традиционный, Гонконг) | Китайский (традиционный, Макао) | Китайский (традиционный, Тайвань) | Хорватский | Чешский | Датский | Нидерландский | Эстонский | Финский | Французский | Немецкий | Греческий | Иврит | Хинди | Венгерский | Индонезийский | Итальянский | Японский | Каннада | Корейский | Литовский | Малайский | Малаялам | Марати | Непальский | Нигерийский пиджин | Норвежский | Персидский (фарси) | Польский | Португальский (Бразилия) | Португальский (Португалия) | Пенджабский (гурмукхи) | Румынский | Русский | Сербский (кириллица) | Словацкий | Словенский | Испанский | Свахили | Шведский | Тагалог (филиппинский) | Тамильский | Телугу | Тайский | Турецкий | Украинский | Урду | Вьетнамский
Предпочитаете клонировать локально?
Этот репозиторий содержит более 50 переводов на разные языки, что значительно увеличивает размер загрузки. Чтобы клонировать без переводов, используйте разреженную загрузку:
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"Это даст вам всё необходимое для прохождения курса с гораздо более быстрой загрузкой.
Мы проводим серию в Discord "Учимся с ИИ", узнавайте больше и присоединяйтесь к нам на Learn with AI Series с 18 по 30 сентября 2025 года. Вы получите советы и рекомендации по использованию GitHub Copilot для Data Science.
🌍 Путешествуйте по миру, изучая машинное обучение через призму культур разных стран 🌍
Облачные специалисты Microsoft рады предложить 12-недельный курс из 26 уроков, посвящённый машинному обучению. В этом курсе вы узнаете о так называемом классическом машинном обучении, преимущественно используя библиотеку Scikit-learn и избегая глубокого обучения, которое рассматривается в нашем курсе AI для начинающих. Совмещайте эти уроки с нашим курсом 'Data Science для начинающих'!
Путешествуйте с нами по всему миру, применяя классические методы к данным из различных регионов. Каждый урок включает в себя предварительный и итоговый тесты, письменные инструкции для выполнения урока, решения, задания и многое другое. Наш проектно-ориентированный подход позволяет учиться на практике — это проверенный способ хорошо усвоить новые навыки.
✍️ Огромная благодарность нашим авторам Джен Лупер, Стивен Хоул, Франческа Лазцери, Томоми Имура, Кэсси Бревиу, Дмитрий Сошников, Крис Норинг, Анирбан Мукерджи, Орнелла Алтуньян, Рут Якобу и Эми Бойд
🎨 Также благодарим наших иллюстраторов Томоми Имура, Дасани Мадипалли и Джен Лупер
🙏 Особая благодарность 🙏 нашим студентам-амбассадорам Microsoft, авторам, рецензентам и контрибьюторам, в частности Ришиту Дагли, Мухаммаду Сакибу Хану Инану, Рохану Раджу, Александру Петреску, Абхишеку Джайсвалу, Наврин Табассум, Иоану Самуила и Снигде Агарвал
🤩 Особые благодарности студентам-амбассадорам Microsoft Эрику Ваньау, Джаслин Сонди и Видуши Гупте за наши уроки по R!
Выполните следующие шаги:
- Создайте форк репозитория: Нажмите кнопку «Fork» в правом верхнем углу страницы.
- Клонируйте репозиторий:
git clone https://github.com/microsoft/ML-For-Beginners.git
найдите все дополнительные ресурсы для этого курса в нашей коллекции Microsoft Learn
🔧 Нужна помощь? Ознакомьтесь с нашим руководством по устранению неполадок для решения распространённых проблем с установкой, настройкой и запуском уроков.
Студенты, чтобы использовать этот курс, сделайте форк всего репозитория на свой аккаунт GitHub и выполняйте упражнения самостоятельно или в группе:
- Начинайте с предварительного теста.
- Читайте лекцию и выполняйте задания, останавливаясь для размышлений на каждом контроле знаний.
- Старайтесь создавать проекты, понимая уроки, а не просто запуская код из решений; однако этот код доступен в папках
/solutionкаждого урока с проектом. - Выполняйте итоговый тест.
- Выполните челлендж.
- Выполните задание.
- После завершения группы уроков посетите Дискуссионную площадку и «изучайте вслух», заполнив соответствующий рубрикатор PAT. PAT — это инструмент для оценки прогресса, который помогает углубить обучение. Вы также можете реагировать на другие PAT, чтобы учиться вместе.
Для дальнейшего изучения рекомендуем пройти эти модули и пути обучения Microsoft Learn.
Учителя, у нас есть некоторые рекомендации по использованию этого курса.
Некоторые уроки доступны в виде коротких видео. Вы можете найти их встроенными в уроки, либо на плейлисте ML for Beginners на YouTube-канале Microsoft Developer, нажав на изображение ниже.
Гиф по созданию Mohit Jaisal
🎥 Нажмите на изображение выше, чтобы посмотреть видео о проекте и людях, которые его создали!
Мы выбрали два педагогических принципа при создании этого курса: обеспечить практическую проектно-ориентированную основу и включить частые тесты. Кроме того, у курса есть общая тема для создания единства.
Обеспечение соответствия материала проектам делает процесс более увлекательным для студентов и помогает лучше усваивать знания. Низкоформатный тест перед занятием настраивает студента на изучение темы, а второй тест после занятия обеспечивает закрепление знаний. Курс разработан гибко и интересно, его можно проходить целиком или частично. Проекты начинаются с небольших и постепенно усложняются к концу 12-недельного цикла. В курсе также есть послесловие о реальных применениях МЛ, которое можно использовать для дополнительного задания или в качестве темы для обсуждения.
Ознакомьтесь с нашим Кодексом поведения, Правилами участия, Переводами и руководством по устранению неполадок. Мы рады вашим конструктивным отзывам!
- необязательные скетчноуты
- дополнительное видео (по желанию)
- видео-разбор (только в некоторых уроках)
- разминку перед лекцией — тест
- письменный урок
- для проектных уроков — пошаговые инструкции по созданию проекта
- проверки знаний
- челлендж
- дополнительное чтение
- задание
- итоговый тест после лекции
Замечание о языках: Большинство уроков написаны на Python, но многие доступны и на R. Чтобы пройти урок на R, перейдите в папку
/solutionи найдите уроки на R с расширением .rmd — это R Markdown файл, который представляет собой комбинацию «фрагментов кода» (на R или других языках) иYAML заголовка, который управляет форматированием вывода, например, PDF, вMarkdownдокументе. Такой формат отлично подходит для науки о данных, так как позволяет объединять код, вывод и комментарии в одном документе. R Markdown документы можно выводить в формате PDF, HTML или Word. Примечание о викторинах: Все викторины находятся в папке Quiz App folder, всего 52 викторины по три вопроса каждая. Они связаны внутри уроков, однако приложение викторины можно запускать локально; следуйте инструкциям в папкеquiz-appдля локального хостинга или развертывания в Azure.
| Номер урока | Тема | Группа уроков | Цели обучения | Связанный урок | Автор |
|---|---|---|---|---|---|
| 01 | Введение в машинное обучение | Introduction | Изучить базовые концепции машинного обучения | Lesson | Muhammad |
| 02 | История машинного обучения | Introduction | Изучить историю, лежащую в основе этой области | Lesson | Jen and Amy |
| 03 | Справедливость и машинное обучение | Introduction | Каковы важные философские вопросы справедливости, которые студенты должны учитывать при построении и применении моделей машинного обучения? | Lesson | Tomomi |
| 04 | Техники машинного обучения | Introduction | Какие техники используют исследователи машинного обучения для построения моделей? | Lesson | Chris and Jen |
| 05 | Введение в регрессию | Regression | Начало работы с Python и Scikit-learn для моделей регрессии | Python • R | Jen • Eric Wanjau |
| 06 | Цены на тыквы в Северной Америке 🎃 | Regression | Визуализация и очистка данных в подготовке к машинному обучению | Python • R | Jen • Eric Wanjau |
| 07 | Цены на тыквы в Северной Америке 🎃 | Regression | Построение линейных и полиномиальных моделей регрессии | Python • R | Jen and Dmitry • Eric Wanjau |
| 08 | Цены на тыквы в Северной Америке 🎃 | Regression | Построение логистической регрессионной модели | Python • R | Jen • Eric Wanjau |
| 09 | Веб-приложение 🔌 | Web App | Создать веб-приложение для использования вашей обученной модели | Python | Jen |
| 10 | Введение в классификацию | Classification | Очистка, подготовка и визуализация данных; введение в классификацию | Python • R | Jen and Cassie • Eric Wanjau |
| 11 | Вкусные азиатские и индийские кухни 🍜 | Classification | Введение в классификаторы | Python • R | Jen and Cassie • Eric Wanjau |
| 12 | Вкусные азиатские и индийские кухни 🍜 | Classification | Дополнительные классификаторы | Python • R | Jen and Cassie • Eric Wanjau |
| 13 | Вкусные азиатские и индийские кухни 🍜 | Classification | Создание рекомендательного веб-приложения с использованием вашей модели | Python | Jen |
| 14 | Введение в кластеризацию | Clustering | Очистка, подготовка и визуализация данных; введение в кластеризацию | Python • R | Jen • Eric Wanjau |
| 15 | Исследование музыкальных вкусов Нигерии 🎧 | Clustering | Изучение метода кластеризации K-средних | Python • R | Jen • Eric Wanjau |
| 16 | Введение в обработку естественного языка ☕️ | Natural language processing | Изучить основы обработки естественного языка, создавая простого бота | Python | Stephen |
| 17 | Распространённые задачи NLP ☕️ | Natural language processing | Углубить знания в NLP, изучая распространённые задачи при работе с языковыми структурами | Python | Stephen |
| 18 | Перевод и анализ настроений |
Natural language processing | Перевод и анализ настроений с помощью Джейн Остин | Python | Stephen |
| 19 | Романтические отели Европы |
Natural language processing | Анализ настроений на основе отзывов об отелях 1 | Python | Stephen |
| 20 | Романтические отели Европы |
Natural language processing | Анализ настроений на основе отзывов об отелях 2 | Python | Stephen |
| 21 | Введение в прогнозирование временных рядов | Time series | Введение в прогнозирование временных рядов | Python | Francesca |
| 22 | ⚡️ Мировое потребление электроэнергии ⚡️ - прогнозирование временных рядов с ARIMA | Time series | Прогнозирование временных рядов с помощью ARIMA | Python | Francesca |
| 23 | ⚡️ Мировое потребление электроэнергии ⚡️ - прогнозирование временных рядов с SVR | Time series | Прогнозирование временных рядов с помощью регрессора опорных векторов | Python | Anirban |
| 24 | Введение в обучение с подкреплением | Reinforcement learning | Введение в обучение с подкреплением с Q-обучением | Python | Dmitry |
| 25 | Помогите Питеру избежать волка! 🐺 | Reinforcement learning | Обучение с подкреплением в Gym | Python | Dmitry |
| Послесловие | Реальные сценарии и приложения машинного обучения | ML in the Wild | Интересные и наглядные реальные применения классического машинного обучения | Lesson | Team |
| Послесловие | Отладка моделей ML с помощью панели RAI | ML in the Wild | Отладка моделей машинного обучения с использованием компонентов панели Responsible AI | Lesson | Ruth Yakubu |
найдите все дополнительные ресурсы для этого курса в нашей коллекции Microsoft Learn
Вы можете запускать эту документацию офлайн с помощью Docsify. Склонируйте этот репозиторий, установите Docsify на вашем локальном компьютере, затем в корневой папке репозитория введите команду docsify serve. Веб-сайт будет доступен на порту 3000 на вашем локальном хосте: localhost:3000.
Файл pdf с учебной программой и ссылками доступен здесь.
Наша команда выпускает и другие курсы! Оцените:
-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}
Если вы застряли или у вас есть вопросы по созданию приложений с ИИ. Присоединяйтесь к другим учителям и опытным разработчикам для обсуждений MCP. Это поддерживающее сообщество, где приветствуются вопросы и свободно делятся знаниями.
Если у вас есть отзывы о продукте или ошибки при разработке, посетите:
- Просматривайте тетради после каждого урока для лучшего понимания.
- Практикуйтесь в самостоятельной реализации алгоритмов.
- Изучайте реальные наборы данных, используя изученные концепции.
Отказ от ответственности:
Этот документ был переведен с помощью сервиса машинного перевода Co-op Translator. Хотя мы стремимся к точности, просим учитывать, что автоматический перевод может содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для критически важной информации рекомендуется использовать профессиональный человеческий перевод. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования этого перевода.