ML For Beginners
1.0.0
؟ سافر حول العالم بينما نستكشف التعلم الآلي من خلال ثقافات العالم؟
يسر Cloud Advocates في Microsoft تقديم منهج دراسي مدته 12 أسبوعًا يتكون من 26 درسًا يدور حول التعلم الآلي . في هذا المنهج، ستتعرف على ما يسمى أحيانًا بالتعلم الآلي الكلاسيكي ، وذلك باستخدام Scikit-learn بشكل أساسي كمكتبة وتجنب التعلم العميق، والذي يتم تناوله في منهج الذكاء الاصطناعي للمبتدئين. قم بإقران هذه الدروس مع منهج "علوم البيانات للمبتدئين" الخاص بنا أيضًا!
سافر معنا حول العالم حيث نطبق هذه التقنيات الكلاسيكية على البيانات من العديد من مناطق العالم. يشتمل كل درس على اختبارات ما قبل الدرس وبعده، وتعليمات مكتوبة لإكمال الدرس، وحل، وواجب، والمزيد. تسمح لك أساليب التدريس القائمة على المشاريع لدينا بالتعلم أثناء البناء، وهي طريقة مثبتة لاكتساب مهارات جديدة.
✍️ شكر جزيل لمؤلفينا جين لوبر، وستيفن هاول، وفرانشيسكا لازيري، وتومومي إيمورا، وكاسي بريفيو، وديمتري سوشنيكوف، وكريس نورينغ، وأنيربان موخرجي، وأورنيلا ألتونيان، وروث ياكوبو، وآيمي بويد.
؟ شكرًا أيضًا لرسامينا تومومي إيمورا، وداساني ماديبالي، وجين لوبر
شكر خاص للمؤلفين والمراجعين والمساهمين في المحتوى من سفراء طلاب Microsoft ، وأبرزهم ريشيت داجلي، ومحمد ساكيب خان إينان، وروهان راج، وألكساندرو بيتريسكو، وأبهيشيك جايسوال، ونورين تاباسوم، وإيوان سامويلا، وسنيغدا أغاروال.
؟ امتنان إضافي لسفراء طلاب Microsoft، إريك وانجاو، وجاسلين سوندهي، وفيدوشي جوبتا على دروسنا في مجال R!
اتبع الخطوات التالية:
git clone https://github.com/microsoft/ML-For-Beginners.gitيمكنك العثور على جميع الموارد الإضافية لهذه الدورة في مجموعة Microsoft Learn الخاصة بنا
أيها الطلاب ، لاستخدام هذا المنهج، قم بتقسيم الريبو بالكامل إلى حساب GitHub الخاص بك وأكمل التمارين بمفردك أو مع مجموعة:
/solution في كل درس موجه نحو المشروع.لمزيد من الدراسة، نوصي باتباع وحدات Microsoft Learn ومسارات التعلم هذه.
أيها المعلمون ، لقد قمنا بتضمين بعض الاقتراحات حول كيفية استخدام هذا المنهج.
بعض الدروس متاحة على شكل فيديو قصير. يمكنك العثور على كل هذه العناصر مضمنة في الدروس، أو في قائمة التشغيل ML للمبتدئين على قناة Microsoft Developer YouTube بالنقر فوق الصورة أدناه.
GIF بواسطة موهيت جايسال
؟ انقر على الصورة أعلاه للحصول على فيديو حول المشروع والأشخاص الذين قاموا بإنشائه!
لقد اخترنا مبدأين تربويين أثناء بناء هذا المنهج: التأكد من أنه يعتمد على المشاريع العملية وأنه يتضمن اختبارات متكررة . بالإضافة إلى ذلك، يحتوي هذا المنهج على موضوع مشترك يمنحه التماسك.
من خلال التأكد من توافق المحتوى مع المشاريع، تصبح العملية أكثر جاذبية للطلاب وسيتم زيادة الاحتفاظ بالمفاهيم. بالإضافة إلى ذلك، يحدد اختبار منخفض المخاطر قبل الفصل الدراسي نية الطالب تجاه تعلم موضوع ما، بينما يضمن الاختبار الثاني بعد الفصل مزيدًا من الاحتفاظ بالمعلومات. تم تصميم هذا المنهج ليكون مرنًا وممتعًا ويمكن تناوله كليًا أو جزئيًا. تبدأ المشاريع صغيرة وتزداد تعقيدًا بحلول نهاية الدورة التي تبلغ مدتها 12 أسبوعًا. يتضمن هذا المنهج أيضًا ملحقًا حول تطبيقات تعلم الآلة في العالم الحقيقي، والتي يمكن استخدامها كنقاط إضافية أو كأساس للمناقشة.
ابحث عن قواعد السلوك والمساهمة وإرشادات الترجمة. نحن نرحب بملاحظاتك البناءة!
ملاحظة حول اللغات : هذه الدروس مكتوبة بشكل أساسي بلغة Python، ولكن الكثير منها متاح أيضًا بلغة R. لإكمال درس R، انتقل إلى المجلد
/solutionوابحث عن دروس R. وهي تتضمن امتداد .rmd الذي يمثل ملف R Markdown والذي يمكن تعريفه ببساطة على أنه تضمينcode chunks(من R أو لغات أخرى)YAML header(الذي يرشد كيفية تنسيق المخرجات مثل PDF) فيMarkdown document. على هذا النحو، فهو بمثابة إطار تأليف مثالي لعلم البيانات لأنه يسمح لك بدمج التعليمات البرمجية الخاصة بك ومخرجاتها وأفكارك من خلال السماح لك بكتابتها في Markdown. علاوة على ذلك، يمكن تحويل مستندات R Markdown إلى تنسيقات الإخراج مثل PDF أو HTML أو Word.
ملاحظة حول الاختبارات : جميع الاختبارات موجودة في مجلد تطبيق Quiz، حيث يبلغ إجمالي 52 اختبارًا يتكون كل منها من ثلاثة أسئلة. يتم ربطها من داخل الدروس ولكن يمكن تشغيل تطبيق الاختبار محليًا؛ اتبع الإرشادات الموجودة في مجلد
quiz-appلاستضافة Azure أو نشره محليًا.
| رقم الدرس | عنوان | تجميع الدروس | أهداف التعلم | الدرس المرتبط | مؤلف |
|---|---|---|---|---|---|
| 01 | مقدمة في التعلم الآلي | مقدمة | تعلم المفاهيم الأساسية وراء التعلم الآلي | درس | محمد |
| 02 | تاريخ التعلم الآلي | مقدمة | تعرف على التاريخ الكامن وراء هذا المجال | درس | جين وايمي |
| 03 | العدالة والتعلم الآلي | مقدمة | ما هي القضايا الفلسفية المهمة المتعلقة بالعدالة والتي يجب على الطلاب مراعاتها عند بناء نماذج تعلم الآلة وتطبيقها؟ | درس | تومومي |
| 04 | تقنيات التعلم الآلي | مقدمة | ما هي التقنيات التي يستخدمها باحثو تعلم الآلة لبناء نماذج تعلم الآلة؟ | درس | كريس وجين |
| 05 | مقدمة إلى الانحدار | الانحدار | ابدأ باستخدام Python وScikit-Learn لنماذج الانحدار |
|
|
| 06 | أسعار اليقطين في أمريكا الشمالية؟ | الانحدار | تصور البيانات وتنظيفها استعدادًا لتعلم الآلة |
|
|
| 07 | أسعار اليقطين في أمريكا الشمالية؟ | الانحدار | بناء نماذج الانحدار الخطي ومتعدد الحدود |
|
|
| 08 | أسعار اليقطين في أمريكا الشمالية؟ | الانحدار | بناء نموذج الانحدار اللوجستي |
|
|
| 09 | تطبيق ويب؟ | تطبيق الويب | أنشئ تطبيق ويب لاستخدام نموذجك المدرّب | بايثون | جين |
| 10 | مقدمة في التصنيف | تصنيف | تنظيف بياناتك وإعدادها وتصورها؛ مقدمة للتصنيف |
|
|
| 11 | المأكولات الآسيوية والهندية اللذيذة؟ | تصنيف | مقدمة إلى المصنفات |
|
|
| 12 | المأكولات الآسيوية والهندية اللذيذة؟ | تصنيف | المزيد من المصنفات |
|
|
| 13 | المأكولات الآسيوية والهندية اللذيذة؟ | تصنيف | أنشئ تطبيق ويب موصى به باستخدام النموذج الخاص بك | بايثون | جين |
| 14 | مقدمة إلى التجميع | التجميع | تنظيف بياناتك وإعدادها وتصورها؛ مقدمة إلى التجميع |
|
|
| 15 | استكشاف الأذواق الموسيقية النيجيرية | التجميع | استكشف طريقة التجميع K-Means |
|
|
| 16 | مقدمة في معالجة اللغة الطبيعية ☕️ | معالجة اللغة الطبيعية | تعلم أساسيات البرمجة اللغوية العصبية (NLP) عن طريق بناء روبوت بسيط | بايثون | ستيفن |
| 17 | مهام البرمجة اللغوية العصبية الشائعة ☕️ | معالجة اللغة الطبيعية | قم بتعميق معرفتك بالبرمجة اللغوية العصبية من خلال فهم المهام الشائعة المطلوبة عند التعامل مع الهياكل اللغوية | بايثون | ستيفن |
| 18 | الترجمة وتحليل المشاعر | معالجة اللغة الطبيعية | الترجمة وتحليل المشاعر مع جين أوستن | بايثون | ستيفن |
| 19 | فنادق أوروبا الرومانسية | معالجة اللغة الطبيعية | تحليل المشاعر مع تقييمات الفنادق 1 | بايثون | ستيفن |
| 20 | فنادق أوروبا الرومانسية | معالجة اللغة الطبيعية | تحليل المشاعر مع تقييمات الفنادق 2 | بايثون | ستيفن |
| 21 | مقدمة في التنبؤ بالسلاسل الزمنية | سلسلة زمنية | مقدمة في التنبؤ بالسلاسل الزمنية | بايثون | فرانشيسكا |
| 22 | ⚡️ استخدام الطاقة العالمية ⚡️ - التنبؤ بالسلاسل الزمنية باستخدام ARIMA | سلسلة زمنية | التنبؤ بالسلاسل الزمنية باستخدام ARIMA | بايثون | فرانشيسكا |
| 23 | ⚡️ استخدام الطاقة العالمية ⚡️ - التنبؤ بالسلاسل الزمنية باستخدام SVR | سلسلة زمنية | التنبؤ بالسلاسل الزمنية مع دعم Vector Regressor | بايثون | أنيربان |
| 24 | مقدمة للتعلم المعزز | تعزيز التعلم | مقدمة إلى التعلم المعزز باستخدام Q-Learning | بايثون | ديمتري |
| 25 | مساعدة بيتر تجنب الذئب! ؟ | تعزيز التعلم | تعزيز التعلم صالة الألعاب الرياضية | بايثون | ديمتري |
| حاشية | سيناريوهات وتطبيقات تعلم الآلة في العالم الحقيقي | مل في البرية | تطبيقات واقعية مثيرة للاهتمام وكاشفة لتعلم الآلة الكلاسيكي | درس | فريق |
| حاشية | تصحيح الأخطاء النموذجية في ML باستخدام لوحة معلومات RAI | مل في البرية | تصحيح الأخطاء النموذجية في التعلم الآلي باستخدام مكونات لوحة معلومات الذكاء الاصطناعي المسؤول | درس | روث ياكوبو |
يمكنك العثور على جميع الموارد الإضافية لهذه الدورة في مجموعة Microsoft Learn الخاصة بنا
يمكنك تشغيل هذه الوثائق دون الاتصال بالإنترنت باستخدام Docsify. قم بتفرع هذا الريبو، وقم بتثبيت Docsify على جهازك المحلي، ثم في المجلد الجذر لهذا الريبو، اكتب docsify serve . سيتم تقديم موقع الويب على المنفذ 3000 على مضيفك المحلي: localhost:3000 .
ابحث عن ملف pdf للمنهج مع الروابط هنا.
هل ترغب في المساهمة في الترجمة؟ يرجى قراءة إرشادات الترجمة الخاصة بنا وإضافة مشكلة نموذجية لإدارة عبء العمل هنا.
فريقنا ينتج مناهج أخرى! الدفع:
