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
Віддаєте перевагу клонувати локально?
Цей репозиторій містить понад 50 мов перекладів, що значно збільшує розмір завантаження. Щоб клонувати без перекладів, використовуйте 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"Це дасть вам усе необхідне для проходження курсу з набагато швидшим завантаженням.
У нас триває серія Discord для навчання з AI, дізнайтеся більше та приєднуйтеся до нас на Learn with AI Series з 18 по 30 вересня 2025 року. Ви отримаєте поради та лайфхаки використання GitHub Copilot для Data Science.
🌍 Подорожуйте навколо світу, досліджуючи машинне навчання через призму світових культур 🌍
Cloud Advocates у Microsoft раді запропонувати 12-тижневу програму з 26 уроків, присвячену машинному навчанню. У цій навчальній програмі ви дізнаєтеся про те, що інколи називають класичним машинним навчанням, використовуючи переважно бібліотеку Scikit-learn і уникаючи глибинного навчання, яке викладається у нашій навчальній програмі AI для початківців. Поєднуйте ці уроки з нашим 'Data Science для початківців'!
Подорожуйте з нами світом, застосовуючи класичні техніки до даних з різних куточків планети. Кожен урок містить тести до та після занять, письмові інструкції, розв’язок, завдання та інше. Наш проектно-орієнтований підхід дозволяє навчатись, створюючи проекти, що доведено сприяє закріпленню нових навичок.
✍️ Щира подяка авторам Джен Лупер, Стівен Гауелл, Франческа Лаззері, Томомі Імура, Кессі Брів'ю, Дмитрію Сошникову, Крісу Норінгу, Анірбану Мукерджі, Орнелле Альтун'ян, Рут Якубу та Емі Бойд
🎨 Подяка також ілюстраторам Томомі Імура, Дасані Мадіпаллі та Джен Лупер
🙏 Особлива подяка 🙏 студентам-амбасадорам Microsoft, авторам, рецензентам та контриб’юторам, зокрема Рішиту Даглі, Мухаммаду Сакиб Хану Інану, Рохану Раджу, Александру Петреску, Абгішеку Джайсвалу, Науріну Табассуму, Іоану Самуїлі та Снігдхі Агарвал
🤩 Окрема вдячність студентам-амбасадорам Microsoft Еріку Ванджау, Джаслін Сонді й Відуші Гупті за уроки R!
Дотримуйтесь цих кроків:
- Відфоркуйте репозиторій: натисніть кнопку "Fork" у верхньому правому куті цієї сторінки.
- Клонуйте репозиторій:
git clone https://github.com/microsoft/ML-For-Beginners.git
знайдіть усі додаткові ресурси курсу в нашій колекції Microsoft Learn
🔧 Потрібна допомога? Перевірте наш Посібник з розв’язання проблем для вирішення типових питань із встановленням, налаштуванням і запуском уроків.
Студенти, щоб використовувати цю навчальну програму, форкніть увесь репозиторій у свій акаунт GitHub і виконуйте вправи самостійно або в групі:
- Почніть із квізу перед лекцією.
- Прочитайте лекцію та виконайте вправи, зупиняючись і осмислюючи кожен перевірковий момент.
- Намагайтеся створювати проекти, розуміючи уроки, а не просто запускаючи код розв’язку; однак цей код доступний у папках
/solutionкожного проектно-орієнтованого уроку. - Пройдіть квіз після лекції.
- Виконайте виклик.
- Виконайте завдання.
- Після завершення групи уроків відвідайте Дошку обговорень і "навчайтеся вголос", заповнюючи відповідний рубрикатор PAT. 'PAT' — це Інструмент Оцінки Прогресу, рубрикатор для подальшого закріплення навчання. Ви також можете реагувати на інші PAT, щоб навчатися разом.
Для подальшого вивчення рекомендуємо пройти ці модулі та навчальні траєкторії Microsoft Learn.
Вчителі, ми підготували деякі пропозиції щодо використання цієї програми.
Деякі уроки доступні у вигляді коротких відео. Ви знайдете їх вбудованими у уроки або на плейлисті ML for Beginners на YouTube каналі Microsoft Developer, натиснувши на зображення нижче.
Гіф від Мохіта Джайсала
🎥 Клацніть на зображення вище, щоб переглянути відео про проект і людей, які його створили!
При створенні цієї програми ми обрали два основних педагогічних принципи: забезпечення практичної проектної орієнтації та включення частих вікторин. Крім того, програма має спільну тематичну лінію для єдності.
Забезпечення відповідності контенту проектам робить процес більш захопливим для студентів і покращує засвоєння понять. Крім того, легкий тест перед заняттям налаштовує студента на вивчення теми, а другий тест після заняття сприяє подальшому закріпленню знань. Програма розроблена гнучкою та цікавою і може проходитися повністю або частково. Проекти починаються з невеликих і поступово ускладнюються до кінця 12-тижневого циклу. Програма також містить постскрипт із реальними застосуваннями машинного навчання, який можна використати як бонус або для дискусії.
Знайдіть наші Кодекс поведінки, Інструкції з внеску, Переклади та Посібник з усунення несправностей. Ми відкриті для ваших конструктивних відгуків!
- необов’язкові скетчноти
- необов’язкове додаткове відео
- відео-пояснення (лише деякі уроки)
- розігрівальний квіз перед лекцією
- письмовий урок
- для проектно-орієнтованих уроків — покрокові інструкції зі створення проекту
- перевірки знань
- виклик
- додаткове читання
- завдання
- квіз після лекції
Про мови програмування: Ці уроки переважно написані на Python, але багато з них також доступні на R. Щоб пройти урок R, зайдіть у папку
/solutionі шукайте уроки на R. Вони містять розширення .rmd, що означає R Markdown файл – інтеграціюкодових блоків(з R або інших мов) іYAML заголовка(який визначає формат виводу, наприклад PDF) уMarkdown документі. Таким чином, це виступає як зразкова рамка для авторства в науці про дані, оскільки дозволяє поєднувати код, його вивід та власні нотатки, записуючи їх у Markdown. Крім того, документи R Markdown можна конвертувати у формати виводу, такі як PDF, HTML або Word. Примітка щодо вікторин: Усі вікторини містяться у папці Quiz App folder, всього 52 вікторини по три питання в кожній. Вони пов’язані з уроками, але програму вікторини можна запускати локально; дотримуйтесь інструкцій у папціquiz-appдля локального розгортання або розгортання в Azure.
| Lesson Number | Topic | Lesson Grouping | Learning Objectives | Linked Lesson | Author |
|---|---|---|---|---|---|
| 01 | Вступ до машинного навчання | Introduction | Вивчити основні поняття машинного навчання | Lesson | Muhammad |
| 02 | Історія машинного навчання | Introduction | Вивчити історію цієї галузі | Lesson | Jen and Amy |
| 03 | Справедливість і машинне навчання | Introduction | Які важливі філософські питання щодо справедливості слід враховувати при створенні та застосуванні моделей МН? | Lesson | Tomomi |
| 04 | Техніки машинного навчання | Introduction | Які методи використовують дослідники МН для побудови моделей МН? | Lesson | Chris and Jen |
| 05 | Вступ до регресії | Regression | Почати працювати з Python та Scikit-learn для моделей регресії | Python • R | Jen • Eric Wanjau |
| 06 | Ціни на гарбузи у Північній Америці 🎃 | Regression | Візуалізувати та очистити дані у підготовці до МН | Python • R | Jen • Eric Wanjau |
| 07 | Ціни на гарбузи у Північній Америці 🎃 | Regression | Побудувати лінійні та поліноміальні регресійні моделі | Python • R | Jen and Dmitry • Eric Wanjau |
| 08 | Ціни на гарбузи у Північній Америці 🎃 | Regression | Побудувати модель логістичної регресії | Python • R | Jen • Eric Wanjau |
| 09 | Веб-додаток 🔌 | Web App | Побудувати веб-додаток для використання вашої натренованої моделі | Python | Jen |
| 10 | Вступ до класифікації | Classification | Очистити, підготувати та візуалізувати дані; вступ до класифікації | Python • R | Jen and Cassie • Eric Wanjau |
| 11 | Смачні азійські та індійські страви 🍜 | Classification | Вступ до класифікаторів | Python • R | Jen and Cassie • Eric Wanjau |
| 12 | Смачні азійські та індійські страви 🍜 | Classification | Ще більше класифікаторів | Python • R | Jen and Cassie • Eric Wanjau |
| 13 | Смачні азійські та індійські страви 🍜 | Classification | Побудувати веб-додаток рекомендацій на основі вашої моделі | Python | Jen |
| 14 | Вступ до кластеризації | Clustering | Очистити, підготувати та візуалізувати дані; вступ до кластеризації | Python • R | Jen • Eric Wanjau |
| 15 | Дослідження музичних смаків Нігерії 🎧 | Clustering | Ознайомитись з методом кластеризації K-середніх | Python • R | Jen • Eric Wanjau |
| 16 | Вступ до обробки природної мови ☕️ | Natural language processing | Вивчити основи NLP, створивши простого бота | Python | Stephen |
| 17 | Загальні завдання NLP ☕️ | Natural language processing | Поглибити знання з NLP, розібравшись із типовими завданнями при роботі з мовними структурами | Python | Stephen |
| 18 | Переклад і аналіз настроїв |
Natural language processing | Переклад і аналіз настроїв з використанням творів Джейн Остін | Python | Stephen |
| 19 | Романтичні готелі Європи |
Natural language processing | Аналіз настроїв за відгуками про готелі 1 | Python | Stephen |
| 20 | Романтичні готелі Європи |
Natural language processing | Аналіз настроїв за відгуками про готелі 2 | Python | Stephen |
| 21 | Вступ до прогнозування часових рядів | Time series | Вступ до прогнозування часових рядів | Python | Francesca |
| 22 | ⚡️ Світове споживання електроенергії ⚡️ - прогнозування з ARIMA | Time series | Прогнозування часових рядів за допомогою ARIMA | Python | Francesca |
| 23 | ⚡️ Світове споживання електроенергії ⚡️ - прогнозування з SVR | Time series | Прогнозування часових рядів за допомогою методу опорних векторів | Python | Anirban |
| 24 | Вступ до підкріплювального навчання | Reinforcement learning | Вступ до підкріплювального навчання з Q-Learning | Python | Dmitry |
| 25 | Допоможіть Пітеру уникнути вовка! 🐺 | Reinforcement learning | Gym для підкріплювального навчання | Python | Dmitry |
| Postscript | Реальні сценарії та застосування МН | ML in the Wild | Цікаві та повчальні приклади застосування класичного машинного навчання | Lesson | Team |
| Postscript | Відлагодження моделей МН за допомогою RAI dashboard | ML in the Wild | Відлагодження моделей машинного навчання за допомогою компонентів RAI dashboard | Lesson | Ruth Yakubu |
знайдіть усі додаткові ресурси для цього курсу в нашій колекції Microsoft Learn
Ви можете запускати цю документацію офлайн, використовуючи Docsify. Форкніть це сховище, встановіть Docsify на ваш локальний комп’ютер і потім у кореневій папці цього сховища введіть docsify serve. Вебсайт буде доступний на порту 3000 у вашому локальному хості: localhost:3000.
Знайдіть pdf навчальної програми з посиланнями тут.
Наша команда створює й інші курси! Перегляньте:
-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}
Якщо ви застрягли або маєте питання щодо створення AI-додатків. Приєднуйтесь до інших учнів та досвідчених розробників у обговореннях MCP. Це підтримуюча спільнота, де питання вітаються, а знання вільно обмінюються.
Якщо у вас є відгуки про продукт або помилки під час створення, відвідайте:
- Переглядайте блокноти після кожного уроку для кращого розуміння.
- Практикуйтесь у впровадженні алгоритмів самостійно.
- Досліджуйте реальні набори даних, використовуючи вивчені концепції.
Відмова від відповідальності: Цей документ було перекладено за допомогою сервісу автоматичного перекладу Co-op Translator. Хоча ми прагнемо до точності, зверніть увагу, що автоматизовані переклади можуть містити помилки або неточності. Оригінальний документ рідною мовою слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що можуть виникнути внаслідок використання цього перекладу.