README.md

🌐 Подршка за више језика

Подржано преко GitHub Action (Аутоматизовано и увек ажурирано)

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

Волите да клонирате локално?

Овај репозиторијум укључује преводе на више од 50 језика што значајно повећава величину преузимања. Да бисте клонирали без превода, користите 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"

Ово вам даје све што је потребно да завршите курс много брже.

Придружите се нашој заједници

Имамо серију на Дискорду „Учимо уз AI у току“, сазнајте више и придружите нам се на Learn with AI Series од 18. до 30. септембра 2025. године. Добићете савете и трикове за коришћење GitHub Copilot-а за Науку о подацима.

Машинско учење за почетнике - Наставни план

🌍 Путујте око света док истражујемо Машинско учење кроз културе света 🌍

Cloud Advocates у Microsoft-у са задовољством нуде 12-недељни, 26-лекцијски наставни план који је посвећен Машинском учењу. У овом наставном плану научићете о ономе што се понекад назива класичним машинским учењем, користећи углавном Scikit-learn као библиотеку, избегавајући дубоко учење које је обрађено у нашем AI for Beginners наставном плану. Поред ових лекција можете користити и наш 'Data Science for Beginners' наставни план!

Путујте с нама око света док примењујемо ове класичне технике на податке из многих делова света. Свакa лекцијa укључује пред и пост квизове, написане инструкције за завршетак лекције, решење, задатак и још много тога. Наша метода заснована на пројектима вам омогућава да учите док стварате, што је доказани начин да нове вештине остану у памћењу.

✍️ Велика захвалност нашим ауторима Јен Лупер, Стивен Хаул, Франческа Лазери, Томоми Имура, Каси Бревиу, Дмитриј Сошников, Крис Норинг, Анирбан Мукерџи, Орнела Алтуњан, Рут Јакубу и Ејми Бојд

🎨 Хвала и нашим илустраторима Томоми Имура, Дасани Мадипали и Јен Лупер

🙏 Посебна захвалност 🙏 нашим студентским амбасадорима Microsoft-а који су аутори, рецензенти и сарадници на садржају, значајно Ришит Даґли, Мухаммад Сакиб Кан Инан, Рохан Рај, Александру Петреску, Абхишек Џаисвал, Наврин Табасум, Јоан Самуила и Снигдха Агарвал

🤩 Посебна захвалност Microsoft студентским амбасадорима Ерик Вањау, Јаслин Сонди и Видуши Гупта за наше R лекције!

Почетак рада

Пратите ове кораке:

1. Форкујте репозиторијум: Кликните на дугме "Fork" у горњем десном углу ове странице.
2. Клонирајте репозиторијум: git clone https://github.com/microsoft/ML-For-Beginners.git

пронађите све додатне ресурсе за овај курс у нашој Microsoft Learn колекцији

🔧 Треба помоћ? Погледајте наш Водич за решавање проблема за решења за честе проблеме са инсталацијом, подешавањем и покретањем лекција.

Студенти, да бисте користили овај наставни план, форкујте цео репо на свој GitHub налог и решавајте задатке сами или у групи:

• Почните са уводним квизом пре предавања.
• Прочитајте предавање и завршите активности, застаните и размишљајте на сваки провера знања.
• Покушајте да креирате пројекте разумевањем лекција уместо само покретања кода решења; ипак, код решења је доступан у фолдерима /solution у свакој лекцији усмереној на пројекат.
• Урадите квиз након предавања.
• Завршите изазов.
• Испуните задатак.
• Након завршетка групе лекција, посетите Discussion Board и „учите гласно“ попуњавајући одговарајућу PAT рубрику. PAT је алатка за процену напретка коју попуњавате да бисте продубили своје учење. Такође можете реаговати на друге PAT-ове да учимо заједно.

За додатно учење препоручујемо прoдавање ових Microsoft Learn модула и уџбеничких путева.

Наставници, припремили смо неке предлоге како да користите овај наставни план.

---

Видео водичи

Неке лекције су доступне као кратки видео записи. Све их можете пронаћи унутар лекција, или на ML for Beginners плејлисти на Microsoft Developer YouTube каналу кликом на слику испод.

---

Упознајте тим

Гиф автор Mohit Jaisal

🎥 Кликните на слику изнад за видео о пројекту и људима који су га створили!

---

Педагогија

Изабрали смо два педагошка принципа при изради овог наставног плана: обезбеђивање практичности и заснованост на пројектима, као и учестале квизове. Поред тога, овај наставни план има заједничку тему која му даје кохерентност.

Обезбеђивањем да садржај буде у складу са пројектима, процес постаје занимљивији за студенте и повећава се задржавање знања. Поред тога, квиз пред предавање поставља сврху студента према учењу теме, док други квиз након предавања осигурава додатно задржавање знања. Овај наставни план је дизајниран да буде флексибилан и забаван и може се узети у целости или делимично. Пројекти почињу мали и све су сложенији до краја 12-недељног циклуса. Наставни план укључује и посл scriptо о применама ML у стварном свету, који може послужити као додатни кредити или основа за дискусију.

Пронађите наше Правила понашања, Упутства за допринос, Преводе и Водич за решавање проблема. Добродошли сте да нам пружите конструктивне повратне информације!

Свaka лекција укључује

• опциони скицнот
• опциони додатни видео
• видео водич (само неке лекције)
• квиз за загревање пре предавања
• написану лекцију
• за лекције засноване на пројекту, корак-по-корак упутства како да се пројекат направи
• провере знања
• изазов
• додатно читање
• задатак
• квиз после предавања

Напомена о језицима: Ове лекције су углавном написане у Питону, али многе су доступне и у R. Да бисте урадили R лекцију, идите у фасциклу /solution и потражите R лекције. Оне имају .rmd екстензију која представља R Markdown фајл, који се може дефинисати као уграђивање делова кода (R или других језика) и YAML заглавља (које управља форматом излаза као што је PDF) у Markdown документ. Као такав, R Markdown служи као пример како написати научне радове у области науке о подацима јер омогућава да комбинујете свој код, његов излаз и своје напомене тако што их записујете у Markdown формату. Поред тога, R Markdown документи се могу извозити у формате као што су PDF, HTML или Word. Напомена о квизовима: Сви квизови се налазе у Quiz App фолдеру, укупно 52 квиза са по три питања. Повезани су из уџбеника, али квиз апликацију можете покренути локално; следите упутства у фолдеру quiz-app за локално хостовање или деплои на Azure.

Број лекције	Тема	Груписање лекција	Циљеви учења	Повезана лекција	Аутор
01	Увод у машинско учење	Увод	Упознајте основне појмове машинског учења	Лекција	Мухамад
02	Историја машинског учења	Увод	Упознајте историју овог поља	Лекција	Џен и Ејми
03	Праведност и машинско учење	Увод	Која су важна филозофска питања о праведности које ученици треба да размотре при изградњи и примени ML модела?	Лекција	Томоми
04	Технике машинског учења	Увод	Које технике ML истраживачи користе за изградњу ML модела?	Лекција	Крис и Џен
05	Увод у регресију	Регресија	Започните рад са Python и Scikit-learn за регресионе моделе	Python • R	Џен • Ерик Вањау
06	Цене бундеве у Северној Америци 🎃	Регресија	Визуализујте и очистите податке за припрему за ML	Python • R	Џен • Ерик Вањау
07	Цене бундеве у Северној Америци 🎃	Регресија	Направите линеарне и полиномијалне регресионе моделе	Python • R	Џен и Дмитри • Ерик Вањау
08	Цене бундеве у Северној Америци 🎃	Регресија	Направите логистички регресион модел	Python • R	Џен • Ерик Вањау
09	Веб апликација 🔌	Веб апликација	Направите веб апликацију за коришћење вашег обученог модела	Python	Џен
10	Увод у класификацију	Класификација	Очистите, припремите и визуализујте своје податке; увод у класификацију	Python • R	Џен и Кеси • Ерик Вањау
11	Укусна азијска и индијска кухиња 🍜	Класификација	Увод у класификаторе	Python • R	Џен и Кеси • Ерик Вањау
12	Укусна азијска и индијска кухиња 🍜	Класификација	Још класификатора	Python • R	Џен и Кеси • Ерик Вањау
13	Укусна азијска и индијска кухиња 🍜	Класификација	Направите препоручивачки веб апликатор помоћу вашег модела	Python	Џен
14	Увод у кластерисање	Кластерисање	Очистите, припремите и визуализујте своје податке; увод у кластерисање	Python • R	Џен • Ерик Вањау
15	Истраживање музичких преференција у Нигерији 🎧	Кластерисање	Истражите K-Means методу кластерисања	Python • R	Џен • Ерик Вањау
16	Увод у обраду природног језика ☕️	Обрада природног језика	Научите основе NLP кроз прављење једноставног бота	Python	Стивен
17	Заједнички NLP задаци ☕️	Обрада природног језика	Продубите знања о NLP разумевањем заједничких задатака који су потребни при раду са језичким структурама	Python	Стивен
18	Превод и анализа сентимента ♥️	Обрада природног језика	Превод и анализа сентимента уз Џејн Остин	Python	Стивен
19	Романтични хотели Европе ♥️	Обрада природног језика	Анализа сентимента уз рецензије хотела 1	Python	Стивен
20	Романтични хотели Европе ♥️	Обрада природног језика	Анализа сентимента уз рецензије хотела 2	Python	Стивен
21	Увод у прогнозирање временских серија	Временске серије	Увод у прогнозирање временских серија	Python	Франческа
22	⚡️ Светска потрошња електричне енергије ⚡️ - прогнозирање временских серија са ARIMA	Временске серије	Прогнозирање временских серија са ARIMA	Python	Франческа
23	⚡️ Светска потрошња електричне енергије ⚡️ - прогнозирање временских серија са SVR	Временске серије	Прогнозирање временских серија са Support Vector Regressorом	Python	Анирбан
24	Увод у учење са појачањем	Учење са појачањем	Увод у учење са појачањем кроз Q-Learning	Python	Дмитри
25	Помозите Питеру да избегне вука! 🐺	Учење са појачањем	Gym за учење са појачањем	Python	Дмитри
Постскрипт	Реални сценарији и примене ML	ML у пракси	Интересантне и поучне стварне примене класичног ML	Лекција	Тим
Постскрипт	Дијагностика модела у ML помоћу RAI контролне табле	ML у пракси	Дијагностика модела у машинском учењу помоћу компоненти Responsible AI контролне табле	Лекција	Рут Јакубу

пронађите све додатне ресурсе за овај курс у нашој Microsoft Learn колекцији

Оффлине приступ

Ову документацију можете користити оффлине помоћу Docsify. Форкујте овај репозиторијум, инсталирајте Docsify на својој локалној машини, и у коренском фолдеру овог репозиторијума укуцајте docsify serve. Сајт ће бити доступан на порту 3000 на вашем localhost-у: localhost:3000.

PDF-ови

Проналажење PDF верзије програма са линковима овде.

🎒 Други курсеви

Наш тим прави и друге курсеве! Погледајте:

LangChain

Azure / Edge / MCP / Agents

---

Generative AI Series

---

Основно учење

---

Copilot серија

Како добити помоћ

Ако запнете или имате питања у вези са прављењем AI апликација. Придружите се колегама студентима и искусним програмерима у дискусијама о MCP. То је подржавајућа заједница где су питања добродошла и где се знање слободно дели.

Ако имате повратне информације о производу или грешке приликом израде посетите:

Додатни савети за учење

• Прегледајте белешке након сваког часа ради бољег разумевања.
• Вежбајте имплементацију алгоритама сами.
• Истражујте реалне скупове података користећи научене концепте.

---

Одрицање од одговорности: Овај документ је преведен коришћењем AI сервиса за превођење Co-op Translator. Иако настојимо да превод буде тачан, молимо имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитетним извором. За критичне информације препоручује се стручно људско превођење. Не сносимо одговорност за било каква неспоразума или погрешне тумачења проистекла из коришћења овог превода.