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
Предпочитаете Клонировать Локально?
Этот репозиторий включает более 50 переводов на разные языки, что значительно увеличивает размер загрузки. Чтобы клонировать без переводов, используйте разреженную загрузку (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"Это даст вам всё необходимое для прохождения курса с гораздо более быстрой загрузкой.
У нас сейчас идёт серия в Discord "Учись с ИИ", узнавайте больше и присоединяйтесь к Learn with AI Series с 18 по 30 сентября 2025 года. Вы узнаете советы и приёмы использования GitHub Copilot для Data Science.
🌍 Путешествуйте по миру, изучая машинное обучение через призму мировых культур 🌍
Cloud Advocates в Microsoft рады представить 12-недельную программу из 26 уроков, полностью посвящённую Машинному обучению. В этой программе вы узнаете о том, что иногда называют классическим машинным обучением, в основном используя библиотеку Scikit-learn и избегая глубокого обучения, которое рассматривается в нашей программе AI for Beginners. Совместите эти уроки с нашим курсом 'Data Science for Beginners' для большего эффекта!
Путешествуйте с нами по миру, применяя эти классические методы к данным из различных регионов. Каждый урок включает тесты до и после, письменные инструкции для выполнения, решение, домашнее задание и многое другое. Наша проектно-ориентированная методика позволяет учиться в процессе создания, что доказано как эффективный способ усвоения новых навыков.
✍️ Сердечная благодарность нашим авторам Джен Лупер, Стивен Хауэлл, Франческа Лаззери, Томоми Имура, Кэсси Бревиу, Дмитрий Сошников, Крис Норинг, Анирбан Мукхерджи, Орнелла Алтунян, Рут Якубу и Эми Бойд
🎨 Спасибо также нашим иллюстраторам Томоми Имура, Дасани Мадипалли и Джен Лупер
🙏 Особая благодарность 🙏 нашим студентам-амбассадорам Microsoft, авторам, рецензентам и контент-конкурентам, особенно Ришиту Дагли, Мухаммад Сакибу Хан Ина, Рохану Раджу, Александру Петреску, Абхишеку Джайсвалу, Наврин Табассум, Иоану Самуиле и Снигдха Агарвал
🤩 Особое спасибо студентам-амбассадорам Microsoft Эрику Ванджау, Джаслин Сонди и Видуши Гупте за наши уроки по R!
Выполните следующие шаги:
- Форкните репозиторий: Нажмите кнопку «Fork» в правом верхнем углу этой 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 типичных проблем с установкой, настройкой и запуском уроков.
Студенты, чтобы использовать эту программу, создайте форк всего репозитория в своём аккаунте GitHub и выполняйте упражнения самостоятельно или в группе:
- Начните с теста до лекции.
- Прочтите лекцию и выполните задания, останавливаясь и размышляя при каждом знании проверки.
- Пытайтесь создавать проекты, понимая уроки, а не просто запускайте решение; однако код решения доступен в папках
/solutionв каждом уроке с направленностью на проект. - Пройдите тест после лекции.
- Выполните вызов.
- Выполните домашнее задание.
- После завершения группы уроков посетите Форум обсуждений и «учитесь вслух», заполнив соответствующую рубрику PAT. PAT — это инструмент оценки прогресса, рубрика, которую вы заполняете, чтобы 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, мы включили несколько рекомендаций по использованию этой учебной программы.
Некоторые уроки доступны в виде коротких видео. Их можно найти встроенными в уроки или на плейлисте ML for Beginners на YouTube-канале Microsoft Developer, кликнув по изображению ниже.
Гиф по работе Mohit Jaisal
🎥 Нажмите на изображение выше для просмотра видео о проекте и людях, которые его создали!
При создании этой учебной программы мы выбрали два педагогических принципа: обеспечить практическую проектно-ориентированную структуру и включить частые проверочные тесты. Кроме того, программа имеет единую тему для связности.
Обеспечение совпадения содержания с проектами делает процесс более увлекательным для студентов и увеличивает усвоение концепций. Кроме того, тест до занятия задаёт установку на обучение теме, а второй тест после занятия укрепляет знания. Эта программа была разработана, чтобы быть гибкой и увлекательной, её можно проходить полностью или часть. Проекты начинаются с простого и становятся всё более сложными к концу 12-недельного цикла. Программа также содержит постскриптум о реальном применении машинного обучения, который можно использовать для дополнительного зачёта или в качестве основы для обсуждения.
Ознакомьтесь с нашим Кодексом поведения, Правилами внесения вкладов, переводами и Руководством по устранению неполадок. Мы приветствуем ваши конструктивные отзывы!
- факультативные заметки-скетчи
- факультативное дополнительное видео
- видео-прохождение (только некоторые уроки)
- разминку перед лекцией (тест)
- письменный урок
- для проектно-ориентированных уроков — пошаговые инструкции по созданию проекта
- проверки знаний
- челлендж
- дополнительное чтение
- домашнее задание
- тест после лекции
Заметка о языках: Эти уроки в основном написаны на Python, но многие также доступны на R. Чтобы пройти урок на R, перейдите в папку
/solutionи найдите уроки на R. Они имеют расширение .rmd, что представляет собой R Markdown файл, который можно просто определить как встроениефрагментов кода(на R или других языках) иYAML-заголовка(который управляет форматированием вывода, например, PDF) вMarkdown-документ. Таким образом, он служит примером авторской среды для науки о данных, поскольку позволяет комбинировать ваш код, его вывод и ваши мысли, позволяя записывать их в Markdown. Более того, документы R Markdown могут быть сгенерированы в форматы вывода, такие как PDF, HTML или Word.
Заметка о викторинах: Все викторины содержатся в папке Quiz App folder, всего 52 викторины по три вопроса в каждой. Они связаны с уроками, но приложение для викторин можно запустить локально; следуйте инструкциям в папке
quiz-appдля локального хостинга или деплоя в Azure.
| Номер урока | Тема | Группа уроков | Учебные цели | 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 и Amy |
| 03 | Справедливость и машинное обучение | Introduction | Какие важные философские вопросы справедливости должны учитывать студенты при построении и применении моделей МЛ? | Lesson | Tomomi |
| 04 | Методы машинного обучения | Introduction | Какие методы используют исследователи МЛ для построения моделей? | Lesson | Chris и Jen |
| 05 | Введение в регрессию | Regression | Начать работать с Python и Scikit-learn для моделей регрессии | Python • R | Jen • Eric Wanjau |
| 06 | Цены на тыквы в Северной Америке 🎃 | Regression | Визуализировать и очистить данные для подготовки к МЛ | Python • R | Jen • Eric Wanjau |
| 07 | Цены на тыквы в Северной Америке 🎃 | Regression | Построить линейные и полиномиальные регрессионные модели | Python • R | Jen и Dmitry • Eric Wanjau |
| 08 | Цены на тыквы в Северной Америке 🎃 | Regression | Построить модель логистической регрессии | Python • R | Jen • Eric Wanjau |
| 09 | Веб-приложение 🔌 | Web App | Построить веб-приложение для использования вашей обученной модели | Python | Jen |
| 10 | Введение в классификацию | Classification | Очистить, подготовить и визуализировать данные; введение в классификацию | Python • R | Jen и Cassie • Eric Wanjau |
| 11 | Вкусные азиатские и индийские кухни 🍜 | Classification | Введение в классификаторы | Python • R | Jen и Cassie • Eric Wanjau |
| 12 | Вкусные азиатские и индийские кухни 🍜 | Classification | Дополнительные классификаторы | Python • R | Jen и Cassie • Eric Wanjau |
| 13 | Вкусные азиатские и индийские кухни 🍜 | Classification | Построить рекомендательное веб-приложение с использованием вашей модели | Python | Jen |
| 14 | Введение в кластеризацию | Clustering | Очистить, подготовить и визуализировать данные; введение в кластеризацию | Python • R | Jen • Eric Wanjau |
| 15 | Изучение музыкальных вкусов Нигерии 🎧 | Clustering | Изучить метод кластеризации K-средних | Python • R | Jen • Eric Wanjau |
| 16 | Введение в обработку естественного языка ☕️ | Natural language processing | Изучить основы обработки естественного языка, построив простого бота | Python | Stephen |
| 17 | Распространенные задачи NLP ☕️ | Natural language processing | Углубить знания по NLP, изучив распространенные задачи при работе с языковыми структурами | Python | Stephen |
| 18 | Перевод и анализ тональности |
Natural language processing | Перевод и анализ тональности на примере Джейн Остин | Python | Stephen |
| 19 | Романтические отели Европы |
Natural language processing | Анализ тональности на основе отзывов об отелях 1 | Python | Stephen |
| 20 | Романтические отели Европы |
Natural language processing | Анализ тональности 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 с ARIMA | Time series | Прогнозирование временных рядов с помощью ARIMA | Python | Francesca |
| 23 | ⚡️ Мировое потребление электроэнергии ⚡️ - прогнозирование с SVR | Time series | Прогнозирование временных рядов с помощью регрессии опорных векторов | Python | Anirban |
| 24 | Введение в обучение с подкреплением | Reinforcement learning | Введение в обучение с подкреплением с использованием Q-Learning | Python | Dmitry |
| 25 | Помогите Питеру избежать волка! 🐺 | Reinforcement learning | Использование Gym для обучения с подкреплением | Python | Dmitry |
| Постскрипт | Сценарии и приложения МЛ в реальном мире | ML in the Wild | Интересные и наглядные примеры применения классического машинного обучения | Lesson | Команда |
| Постскрипт | Отладка моделей машинного обучения с помощью RAI dashboard | ML in the Wild | Отладка моделей машинного обучения с использованием компонентов панели Responsible AI | Lesson | Ruth Yakubu |
найдите все дополнительные материалы для этого курса в нашей коллекции Microsoft Learn
Вы можете запускать эту документацию офлайн, используя Docsify. Форкните этот репозиторий, установите Docsify на вашем локальном компьютере, а затем в корневой папке репозитория введите docsify serve. Сайт будет доступен по адресу localhost:3000 на вашем локальном хосте.
Найдите pdf версии учебной программы с ссылками здесь.
Наша команда выпускает и другие курсы! Ознакомьтесь:
-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 столкнулись с трудностями или у вас возникли вопросы во время изучения машинного обучения или создания приложений ИИ, не волнуйтесь — помощь доступна.
Вы можете присоединиться к обсуждениям с другими учениками и разработчиками, задавать вопросы и делиться своими идеями с сообществом.
- Присоединяйтесь к сообществу, чтобы задавать вопросы и учиться вместе с другими
- Обсуждайте концепции машинного обучения и идеи проектов
- Получайте советы от опытных разработчиков
Поддерживающее сообщество — отличный способ развивать свои навыки и быстрее решать проблемы.
Сообщество Microsoft Foundry в Discord
Если вы обнаружите ошибки, сбои или у вас есть предложения по улучшению, вы также можете открыть Issue в этом репозитории, чтобы сообщить о проблеме.
Для отзывов о продукте или поиска уже существующих публикаций сообщества посетите форум разработчиков:
- Просматривайте ноутбуки после каждого урока для лучшего понимания.
- Практикуйтесь в самостоятельной реализации алгоритмов.
- Исследуйте реальные наборы данных, используя изученные концепции.
Отказ от ответственности: Этот документ был переведен с помощью службы автоматического перевода Co-op Translator. Несмотря на наши усилия обеспечить точность, имейте в виду, что автоматический перевод может содержать ошибки или неточности. Оригинальный документ на его родном языке следует считать авторитетным источником. Для критически важной информации рекомендуется профессиональный человеческий перевод. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникающие при использовании данного перевода.