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
У нас триває серія Discord "Вчимося з AI", дізнайтеся більше та приєднуйтесь до нас на Learn with AI Series з 18 по 30 вересня 2025 року. Ви отримаєте поради та трюки щодо використання GitHub Copilot для Data Science.
🌍 Подорожуйте навколо світу, досліджуючи машинне навчання через культури світу 🌍
Cloud Advocates у Microsoft раді запропонувати 12-тижневу навчальну програму з 26 уроків, присвячену машинному навчанню. У цій програмі ви дізнаєтеся про те, що іноді називають класичним машинним навчанням, використовуючи переважно бібліотеку Scikit-learn і уникаючи глибинного навчання, яке розглядається у нашій навчальній програмі AI для початківців. Поєднуйте ці уроки з нашою 'Data Science для початківців'!
Подорожуйте з нами навколо світу, застосовуючи ці класичні методи до даних з різних куточків світу. Кожен урок включає тести до та після уроку, письмові інструкції для виконання завдання, розв’язок, домашнє завдання та інше. Наша проектно-орієнтована педагогіка дозволяє вчитися, створюючи проекти — перевірений спосіб закріплення нових навичок.
✍️ Щира подяка нашим авторам Джен Лупер, Стівен Гауелл, Франческа Лаззерi, Томомі Імура, Кессі Бревіу, Дмитру Сошникову, Крісу Норінгу, Анірбану Мукхерджі, Орнеллі Алтунян, Рут Якубу та Емі Бойд
🎨 Також дякуємо нашим ілюстраторам Томомі Імура, Дасані Мадіпаллі та Джен Лупер
🙏 Особлива подяка 🙏 нашим студентським амбасадорам Microsoft, авторам, рецензентам та контент-співавторам, зокрема Рішиту Даглі, Мухаммаду Сакібу Хану Інану, Рохану Раджу, Александру Петреску, Абхішеку Джайсвалу, Наврін Табассум, Іоану Самуїлі та Снігдха Агарвал
🤩 Особлива вдячність студентським амбасадорам Microsoft Еріку Ванджау, Джаслін Сонді та Відуші Гупті за наші уроки з R!
Виконайте ці кроки:
- Форкніть 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 для цього курсу в нашій колекції Microsoft Learn
🔧 Потрібна допомога? Перегляньте наш Посібник з усунення несправностей для розв’язання поширених проблем з установкою, налаштуванням і запуском уроків.
Студенти, щоб використовувати цю навчальну програму, форкніть весь репозиторій у свій обліковий запис GitHub і виконуйте вправи самостійно або в групі:
- Почніть з тесту перед лекцією.
- Прочитайте лекцію та виконайте завдання, зупиняючись і розмірковуючи на кожній перевірці знань.
- Намагайтеся створювати проекти, розуміючи уроки, а не просто запускаючи код розв’язку; однак цей код доступний у папках
/solutionу кожному проектно-орієнтованому уроці. - Пройдіть тест після лекції.
- Виконайте виклик.
- Виконайте домашнє завдання.
- Після завершення групи уроків відвідайте Дошку обговорень і "вчіться вголос", заповнюючи відповідну рубрику PAT. 'PAT' — це інструмент оцінки прогресу, рубрика, яку ви заповнюєте для подальшого навчання. Ви також можете реагувати на інші PAT, щоб ми могли вчитися разом.
Для подальшого вивчення рекомендуємо пройти ці модулі та навчальні шляхи Microsoft Learn.
Вчителі, ми включили деякі пропозиції щодо використання цієї навчальної програми.
Деякі уроки доступні у форматі коротких відео. Ви можете знайти їх у самих уроках або на плейлисті ML for Beginners на каналі Microsoft Developer YouTube, натиснувши на зображення нижче.
Гіф від Mohit Jaisal
🎥 Натисніть на зображення вище, щоб переглянути відео про проєкт і людей, які його створили!
Ми обрали два педагогічні принципи при створенні цієї навчальної програми: забезпечити практичний проектно-орієнтований підхід і включити часті тести. Крім того, ця програма має спільну тему для цілісності.
Забезпечуючи відповідність контенту проектам, процес стає більш захопливим для студентів, а засвоєння концепцій покращується. Крім того, тест з низькою ставкою перед заняттям налаштовує студента на вивчення теми, а другий тест після заняття забезпечує подальше закріплення знань. Ця програма розроблена бути гнучкою та цікавою, її можна проходити повністю або частково. Проекти починаються з простих і стають дедалі складнішими до кінця 12-тижневого циклу. Програма також містить післямову про реальні застосування машинного навчання, яку можна використовувати як додаткові бали або як основу для обговорення.
Знайдіть наші Кодекс поведінки, Внесок, Переклад та Посібник з усунення несправностей. Ми радо приймаємо ваші конструктивні відгуки!
- необов’язкову замальовку
- необов’язкове додаткове відео
- відеоогляд (лише деякі уроки)
- тест для розігріву перед лекцією
- письмовий урок
- для проектно-орієнтованих уроків — покрокові інструкції зі створення проекту
- перевірки знань
- виклик
- додаткове читання
- домашнє завдання
- тест після лекції
Примітка про мови: Ці уроки переважно написані на Python, але багато з них також доступні на R. Щоб виконати урок на R, перейдіть у папку
/solutionі знайдіть уроки на R. Вони мають розширення .rmd, що означає R Markdown файл, який можна просто визначити як вбудовуваннякодових блоків(R або інших мов) іYAML-заголовка(який керує форматуванням виводу, наприклад PDF) уMarkdown-документ. Таким чином, це є зразковою системою авторства для науки про дані, оскільки дозволяє поєднувати код, його вивід і ваші думки, записуючи їх у Markdown. Крім того, документи R Markdown можна конвертувати у формати виводу, такі як PDF, HTML або Word.
Примітка про тести: Всі тести містяться у папці Quiz App, загалом 52 тести по три питання кожен. Вони пов’язані з уроками, але додаток для тестів можна запускати локально; дотримуйтесь інструкцій у папці
quiz-appдля локального хостингу або розгортання в Azure.
| Номер уроку | Тема | Група уроків | Навчальні цілі | Пов’язаний урок | Автор |
|---|---|---|---|---|---|
| 01 | Вступ до машинного навчання | Introduction | Вивчіть основні поняття машинного навчання | Lesson | Muhammad |
| 02 | Історія машинного навчання | Introduction | Дізнайтеся історію, що лежить в основі цієї галузі | Lesson | Jen and Amy |
| 03 | Справедливість і машинне навчання | Introduction | Які важливі філософські питання щодо справедливості слід враховувати студентам при створенні та застосуванні моделей МН? | Lesson | Tomomi |
| 04 | Техніки машинного навчання | Introduction | Які техніки використовують дослідники МН для створення моделей МН? | Lesson | Chris and Jen |
| 05 | Вступ до регресії | Regression | Почніть працювати з Python та Scikit-learn для моделей регресії | Python • R | Jen • Eric Wanjau |
| 06 | Ціни на гарбузи в Північній Америці 🎃 | Regression | Візуалізуйте та очистіть дані для підготовки до МН | Python • R | Jen • Eric Wanjau |
| 07 | Ціни на гарбузи в Північній Америці 🎃 | Regression | Створіть лінійні та поліноміальні моделі регресії | Python • R | Jen and Dmitry • Eric Wanjau |
| 08 | Ціни на гарбузи в Північній Америці 🎃 | Regression | Побудуйте модель логістичної регресії | Python • R | Jen • Eric Wanjau |
| 09 | Веб-додаток 🔌 | Web App | Створіть веб-додаток для використання вашої навченої моделі | Python | Jen |
| 10 | Вступ до класифікації | Classification | Очистіть, підготуйте та візуалізуйте свої дані; вступ до класифікації | Python • R | Jen and Cassie • Eric Wanjau |
| 11 | Смачні азійські та індійські кухні 🍜 | Classification | Вступ до класифікаторів | Python • R | Jen and Cassie • Eric Wanjau |
| 12 | Смачні азійські та індійські кухні 🍜 | Classification | Більше класифікаторів | Python • R | Jen and Cassie • Eric Wanjau |
| 13 | Смачні азійські та індійські кухні 🍜 | Classification | Створіть рекомендований веб-додаток, використовуючи вашу модель | Python | Jen |
| 14 | Вступ до кластеризації | Clustering | Очистіть, підготуйте та візуалізуйте свої дані; вступ до кластеризації | Python • R | Jen • Eric Wanjau |
| 15 | Дослідження музичних смаків Нігерії 🎧 | Clustering | Вивчіть метод кластеризації K-середніх | Python • R | Jen • Eric Wanjau |
| 16 | Вступ до обробки природної мови ☕️ | Natural language processing | Вивчіть основи NLP, створивши простого бота | Python | Stephen |
| 17 | Загальні завдання NLP ☕️ | Natural language processing | Поглибте свої знання NLP, розуміючи загальні завдання, необхідні при роботі з мовними структурами | Python | Stephen |
| 18 | Переклад і аналіз настроїв |
Natural language processing | Переклад і аналіз настроїв з Джейн Остін | Python | Stephen |
| 19 | Романтичні готелі Європи |
Natural language processing | Аналіз настроїв на основі відгуків про готелі 1 | Python | Stephen |
| 20 | Романтичні готелі Європи |
Natural language processing | Аналіз настроїв на основі відгуків 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 часових рядів з ARIMA | Time series | Прогнозування часових рядів за допомогою ARIMA | Python | Francesca |
| 23 | ⚡️ Світове споживання електроенергії ⚡️ - прогнозування часових рядів з SVR | Time series | Прогнозування часових рядів за допомогою регресора 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 | Підкріплювальне навчання Gym | Python | Dmitry |
| Postscript | Реальні сценарії та застосування МН | ML in the Wild | Цікаві та пізнавальні реальні застосування класичного машинного навчання | Lesson | Team |
| Postscript | Відлагодження моделей МН за допомогою панелі RAI | ML in the Wild | Відлагодження моделей машинного навчання за допомогою компонентів панелі Responsible AI | Lesson | Ruth Yakubu |
знайдіть усі додаткові ресурси для цього курсу в нашій колекції Microsoft Learn
Ви можете переглядати цю документацію офлайн, використовуючи Docsify. Форкніть цей репозиторій, встановіть Docsify на свій локальний комп’ютер, а потім у кореневій папці цього репозиторію введіть docsify serve. Вебсайт буде доступний на порту 3000 на 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 про MCP. Це підтримуюча спільнота, де вітаються питання і знання вільно обмінюються.
Якщо у вас є відгуки про продукт або помилки під час розробки, відвідайте:
Відмова від відповідальності:
Цей документ було перекладено за допомогою сервісу автоматичного перекладу Co-op Translator. Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ рідною мовою слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується звертатися до професійного людського перекладу. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу.