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 | Khmer | 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
Wolisz klonować lokalnie?
To repozytorium zawiera tłumaczenia na ponad 50 języków, co znacznie zwiększa rozmiar pobierania. Aby sklonować bez tłumaczeń, użyj 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"To zapewni wszystko, co potrzebne do ukończenia kursu, przy znacznie szybszym pobieraniu.
Mamy trwającą serię „Ucz się z AI” na Discordzie, dowiedz się więcej i dołącz do nas na Learn with AI Series od 18 do 30 września 2025. Otrzymasz wskazówki i triki dotyczące używania GitHub Copilot w Data Science.
🌍 Podróżuj po świecie, poznając uczenie maszynowe poprzez kultury świata 🌍
Cloud Advocates w Microsoft z przyjemnością oferują 12-tygodniowy, 26-lekcyjny program nauczania poświęcony uczeniu maszynowemu. W tym programie nauczysz się tego, co nazywa się czasem klasycznym uczeniem maszynowym, używając głównie biblioteki Scikit-learn i unikając deep learningu, który jest omawiany w naszym programie AI dla początkujących. Połącz te lekcje z naszym 'Data Science dla początkujących'.
Podróżuj z nami po świecie, stosując klasyczne techniki do danych z wielu rejonów świata. Każda lekcja zawiera quizy przed i po lekcji, pisemne instrukcje do wykonania lekcji, rozwiązanie, zadanie domowe i więcej. Nasza projektowa metodologia pozwala uczyć się przez tworzenie, co jest sprawdzoną metodą na trwałe przyswajanie nowych umiejętności.
✍️ Serdeczne podziękowania dla naszych autorów Jen Looper, Stephena Howella, Franceski Lazzeri, Tomomi Imury, Cassie Breviu, Dmitry'ego Soshnikova, Chrisa Noringa, Anirbana Mukherjee, Ornelli Altunyan, Ruth Yakubu oraz Amy Boyd
🎨 Podziękowania także dla naszych ilustratorów Tomomi Imury, Dasani Madipalli i Jen Looper
🙏 Specjalne podziękowania 🙏 dla naszych autorów, recenzentów i współtwórców treści z Microsoft Student Ambassador, w szczególności Rishita Dagli, Muhammada Sakib Khana Inana, Rohana Raja, Alexandru Petrescu, Abhisheka Jaiswala, Nawrin Tabassum, Ioana Samuili oraz Snigdhy Agarwal
🤩 Dodatkowa wdzięczność dla Microsoft Student Ambassadors Erica Wanjau, Jasleen Sondhi i Vidushi Gupty za lekcje R!
Postępuj zgodnie z poniższymi krokami:
- Zrób fork repozytorium: Kliknij przycisk „Fork” w prawym górnym rogu tej strony.
- Sklonuj repozytorium:
git clone https://github.com/microsoft/ML-For-Beginners.git
znajdź wszystkie dodatkowe zasoby do tego kursu w naszej kolekcji Microsoft Learn
🔧 Potrzebujesz pomocy? Sprawdź nasz Przewodnik rozwiązywania problemów z rozwiązaniami typowych problemów przy instalacji, konfiguracji i uruchamianiu lekcji.
Studenci, aby korzystać z tego programu nauczania, wykonaj fork całego repozytorium na swoje konto GitHub i wykonuj ćwiczenia samodzielnie lub w grupie:
- Zacznij od quizu przed wykładem.
- Przeczytaj wykład i wykonaj aktywności, zatrzymując się na sprawdzeniach wiedzy, by zastanowić się nad materiałem.
- Staraj się tworzyć projekty rozumiejąc lekcje, zamiast tylko uruchamiać kod rozwiązań; jednakże kod jest dostępny w folderach
/solutionw każdej lekcji nastawionej na projekt. - Zrób quiz po wykładzie.
- Wykonaj wyzwanie.
- Zrealizuj zadanie.
- Po ukończeniu zestawu lekcji odwiedź Tablicę Dyskusyjną i „ucz się na głos”, wypełniając odpowiednią rubricę PAT. „PAT” to narzędzie oceny postępów, które wypełniasz, aby pogłębić naukę. Możesz także reagować na inne PAT-y, by uczyć się razem.
Dla dalszej nauki polecamy moduły i ścieżki nauczania dostępne na Microsoft Learn.
Nauczyciele, przygotowaliśmy kilka sugestii jak korzystać z tego programu.
Część lekcji jest dostępna w krótkich formach wideo. Możesz je znaleźć bezpośrednio w lekcjach lub na playliście ML for Beginners na kanale Microsoft Developer na YouTube, klikając na poniższy obraz.
Gif autorstwa Mohit Jaisal
🎥 Kliknij powyższy obraz, aby obejrzeć wideo o projekcie i ludziach, którzy go stworzyli!
Wybraliśmy dwa podstawowe założenia pedagogiczne budując ten program: zapewnienie, że jest on praktyczny i oparty na projektach, oraz że zawiera częste quizy. Ponadto, program ma wspólny motyw przewodni, aby nadać mu spójność.
Dzięki powiązaniu treści z projektami proces staje się bardziej angażujący, a zapamiętywanie pojęć jest wzmocnione. Niskie stawki quizu na początku zajęć nastawiają ucznia na naukę tematu, a drugi quiz po zajęciach zapewnia dalsze utrwalenie. Ten program został zaprojektowany tak, by był elastyczny i przyjemny i można go realizować w całości lub częściowo. Projekty zaczynają się od prostych i stopniowo stają się coraz bardziej złożone do końca 12-tygodniowego cyklu. Program zawiera także postscriptum dotyczące zastosowań ML w świecie rzeczywistym, które można wykorzystać jako dodatkowe punkty lub bazę do dyskusji.
Znajdź nasze wytyczne Kodeks postępowania, Współpraca, Tłumaczenia oraz Rozwiązywanie problemów. Czekamy na Twoją konstruktywną opinię!
- opcjonalne notatki graficzne
- opcjonalne dodatkowe wideo
- film pokazujący wykonanie (tylko niektóre lekcje)
- quiz rozgrzewkowy przed wykładem
- pisemną lekcję
- w lekcjach opartych na projektach, przewodniki krok po kroku jak zbudować projekt
- sprawdzenia wiedzy
- wyzwanie
- materiały dodatkowe
- zadanie domowe
- quiz po wykładzie
Notatka na temat języków: Te lekcje są głównie napisane w Pythonie, ale wiele jest również dostępnych w R. Aby ukończyć lekcję w R, przejdź do folderu
/solutioni poszukaj lekcji w R. Zawierają one rozszerzenie .rmd, które oznacza plik R Markdown, który można po prostu zdefiniować jako osadzeniefragmentów kodu(w R lub innych językach) oraznagłówka YAML(który określa, jak formatować wyjścia, takie jak PDF) wdokumencie Markdown. Dzięki temu służy jako wzorcowy framework autorski dla nauki danych, ponieważ pozwala połączyć kod, jego wynik i myśli, umożliwiając zapisanie ich w Markdown. Ponadto dokumenty R Markdown można renderować do formatów wyjściowych, takich jak PDF, HTML lub Word.
Notatka na temat quizów: Wszystkie quizy znajdują się w folderze Quiz App, razem 52 quizy po trzy pytania każdy. Są one powiązane z lekcjami, ale aplikację quizową można uruchomić lokalnie; postępuj zgodnie z instrukcjami w folderze
quiz-app, aby lokalnie hostować lub wdrożyć na Azure.
| Numer lekcji | Temat | Grupa lekcji | Cele nauki | Powiązana lekcja | Autor |
|---|---|---|---|---|---|
| 01 | Wprowadzenie do uczenia maszynowego | Wprowadzenie | Poznaj podstawowe pojęcia uczenia maszynowego | Lekcja | Muhammad |
| 02 | Historia uczenia maszynowego | Wprowadzenie | Poznaj historię leżącą u podstaw tej dziedziny | Lekcja | Jen i Amy |
| 03 | Sprawiedliwość i uczenie maszynowe | Wprowadzenie | Jakie ważne kwestie filozoficzne dotyczące sprawiedliwości powinni rozważyć uczniowie budujący i stosujący modele ML? | Lekcja | Tomomi |
| 04 | Techniki uczenia maszynowego | Wprowadzenie | Jakich technik używają badacze ML do budowy modeli ML? | Lekcja | Chris i Jen |
| 05 | Wprowadzenie do regresji | Regresja | Zacznij pracę z Pythonem i Scikit-learn przy modelach regresji | Python • R | Jen • Eric Wanjau |
| 06 | Ceny dyni w Ameryce Północnej 🎃 | Regresja | Wizualizuj i oczyść dane w przygotowaniu do ML | Python • R | Jen • Eric Wanjau |
| 07 | Ceny dyni w Ameryce Północnej 🎃 | Regresja | Buduj modele regresji liniowej i wielomianowej | Python • R | Jen i Dmitry • Eric Wanjau |
| 08 | Ceny dyni w Ameryce Północnej 🎃 | Regresja | Buduj model regresji logistycznej | Python • R | Jen • Eric Wanjau |
| 09 | Aplikacja webowa 🔌 | Web App | Zbuduj aplikację webową do użycia wytrenowanego modelu | Python | Jen |
| 10 | Wprowadzenie do klasyfikacji | Klasyfikacja | Oczyść, przygotuj i wizualizuj dane; wprowadzenie do klasyfikacji | Python • R | Jen i Cassie • Eric Wanjau |
| 11 | Pyszne kuchnie azjatyckie i indyjskie 🍜 | Klasyfikacja | Wprowadzenie do klasyfikatorów | Python • R | Jen i Cassie • Eric Wanjau |
| 12 | Pyszne kuchnie azjatyckie i indyjskie 🍜 | Klasyfikacja | Kolejne klasyfikatory | Python • R | Jen i Cassie • Eric Wanjau |
| 13 | Pyszne kuchnie azjatyckie i indyjskie 🍜 | Klasyfikacja | Zbuduj aplikację webową do rekomendacji z wykorzystaniem swojego modelu | Python | Jen |
| 14 | Wprowadzenie do grupowania | Grupowanie | Oczyść, przygotuj i wizualizuj dane; wprowadzenie do grupowania | Python • R | Jen • Eric Wanjau |
| 15 | Odkrywanie muzycznych gustów Nigerii 🎧 | Grupowanie | Poznaj metodę grupowania K-średnich | Python • R | Jen • Eric Wanjau |
| 16 | Wprowadzenie do przetwarzania języka naturalnego ☕️ | Przetwarzanie języka naturalnego | Poznaj podstawy NLP, budując prostego bota | Python | Stephen |
| 17 | Typowe zadania NLP ☕️ | Przetwarzanie języka naturalnego | Rozszerz swoją wiedzę o NLP, poznając typowe zadania wymagane przy pracy ze strukturami językowymi | Python | Stephen |
| 18 | Tłumaczenie i analiza sentymentu |
Przetwarzanie języka naturalnego | Tłumaczenie i analiza sentymentu z Jane Austen | Python | Stephen |
| 19 | Romantyczne hotele Europy |
Przetwarzanie języka naturalnego | Analiza sentymentu na podstawie opinii hotelowych 1 | Python | Stephen |
| 20 | Romantyczne hotele Europy |
Przetwarzanie języka naturalnego | Analiza sentymentu na podstawie opinii hotelowych 2 | Python | Stephen |
| 21 | Wprowadzenie do prognozowania szeregów czasowych | Szeregi czasowe | Wprowadzenie do prognozowania szeregów czasowych | Python | Francesca |
| 22 | ⚡️ Zużycie energii na świecie ⚡️ - prognozowanie z ARIMA | Szeregi czasowe | Prognozowanie szeregów czasowych z ARIMA | Python | Francesca |
| 23 | ⚡️ Zużycie energii na świecie ⚡️ - prognozowanie z SVR | Szeregi czasowe | Prognozowanie szeregów czasowych z regressorami wektorów nośnych | Python | Anirban |
| 24 | Wprowadzenie do uczenia ze wzmocnieniem | Uczenie ze wzmocnieniem | Wprowadzenie do uczenia ze wzmocnieniem z Q-Learning | Python | Dmitry |
| 25 | Pomóż Peterowi uniknąć wilka! 🐺 | Uczenie ze wzmocnieniem | Uczenie ze wzmocnieniem z użyciem Gym | Python | Dmitry |
| Postscript | Scenariusze i zastosowania ML w świecie rzeczywistym | ML w terenie | Ciekawe i pouczające zastosowania klasycznego ML w rzeczywistych sytuacjach | Lekcja | Zespół |
| Postscript | Debugowanie modeli ML z użyciem panelu RAI | ML w terenie | Debugowanie modeli ML przy użyciu komponentów panelu Responsible AI | Lekcja | Ruth Yakubu |
znajdź wszystkie dodatkowe zasoby do tego kursu w naszej kolekcji Microsoft Learn
Możesz korzystać z tej dokumentacji offline, używając Docsify. Utwórz fork tego repozytorium, zainstaluj Docsify na swoim komputerze, a następnie w głównym folderze repozytorium wpisz docsify serve. Strona będzie dostępna na porcie 3000 na twoim lokalnym hoście: localhost:3000.
Znajdź pdf z programem nauczania z linkami tutaj.
Nasz zespół tworzy inne kursy! Sprawdź:
-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}
Jeśli utkniesz lub masz pytania podczas nauki uczenia maszynowego lub tworzenia aplikacji AI, nie martw się — pomoc jest dostępna.
Możesz dołączyć do dyskusji z innymi uczącymi się i programistami, zadawać pytania i dzielić się swoimi pomysłami ze społecznością.
- Dołącz do społeczności, aby zadawać pytania i uczyć się z innymi
- Dyskutuj o koncepcjach uczenia maszynowego i pomysłach na projekty
- Uzyskaj wskazówki od doświadczonych programistów
Wsparcie ze strony społeczności to świetny sposób na rozwój umiejętności i szybsze rozwiązywanie problemów.
Microsoft Foundry Discord Community
Jeśli napotkasz błędy, problemy lub masz sugestie ulepszeń, możesz także otworzyć Issue w tym repozytorium, aby zgłosić problem.
Aby przekazać opinię o produkcie lub przeszukać istniejące posty społeczności, odwiedź Forum Deweloperów:
- Przeglądaj notatniki po każdej lekcji, aby lepiej zrozumieć materiał.
- Ćwicz samodzielne implementowanie algorytmów.
- Eksploruj rzeczywiste zestawy danych, korzystając z poznanych koncepcji.
Zastrzeżenie:
Ten dokument został przetłumaczony przy użyciu usługi tłumaczenia AI Co-op Translator. Chociaż dokładamy starań, aby tłumaczenie było precyzyjne, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w języku źródłowym powinien być uznawany za autorytatywne źródło. W przypadku informacji istotnych zalecane jest skorzystanie z profesjonalnego, ludzkiego tłumaczenia. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.