ML For Beginners
1.0.0
? ¿Viaja por el mundo mientras exploramos el aprendizaje automático a través de las culturas del mundo?
Los defensores de la nube de Microsoft se complacen en ofrecer un plan de estudios de 12 semanas y 26 lecciones sobre aprendizaje automático . En este plan de estudios, aprenderá sobre lo que a veces se llama aprendizaje automático clásico , utilizando principalmente Scikit-learn como biblioteca y evitando el aprendizaje profundo, que se trata en nuestro plan de estudios de IA para principiantes. ¡Combina estas lecciones también con nuestro plan de estudios 'Ciencia de datos para principiantes'!
Viaje con nosotros por todo el mundo mientras aplicamos estas técnicas clásicas a datos de muchas áreas del mundo. Cada lección incluye pruebas previas y posteriores a la lección, instrucciones escritas para completar la lección, una solución, una tarea y más. Nuestra pedagogía basada en proyectos le permite aprender mientras construye, una forma comprobada de que las nuevas habilidades se mantengan.
✍️ Nuestro más sincero agradecimiento a nuestros autores Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu y Amy Boyd.
? Gracias también a nuestros ilustradores Tomomi Imura, Dasani Madipalli y Jen Looper.
Un agradecimiento especial a nuestros autores, revisores y contribuyentes de contenido de Microsoft Student Ambassador , en particular Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila y Snigdha Agarwal.
? ¡Agradecimiento adicional a los estudiantes embajadores de Microsoft Eric Wanjau, Jasleen Sondhi y Vidushi Gupta por nuestras lecciones de R!
Siga estos pasos:
git clone https://github.com/microsoft/ML-For-Beginners.gitencuentre todos los recursos adicionales para este curso en nuestra colección de Microsoft Learn
Estudiantes , para utilizar este plan de estudios, bifurquen todo el repositorio en su propia cuenta de GitHub y completen los ejercicios por su cuenta o con un grupo:
/solution de cada lección orientada a proyectos.Para estudiar más a fondo, recomendamos seguir estos módulos y rutas de aprendizaje de Microsoft Learn.
Maestros , hemos incluido algunas sugerencias sobre cómo utilizar este plan de estudios.
Algunas de las lecciones están disponibles como videos cortos. Puede encontrar todo esto en línea en las lecciones o en la lista de reproducción ML para principiantes en el canal de YouTube para desarrolladores de Microsoft haciendo clic en la imagen a continuación.
Gif de Mohit Jaisal
? ¡Haga clic en la imagen de arriba para ver un video sobre el proyecto y las personas que lo crearon!
Hemos elegido dos principios pedagógicos al desarrollar este plan de estudios: garantizar que se base en proyectos prácticos y que incluya pruebas frecuentes . Además, este plan de estudios tiene una temática común para darle cohesión.
Al garantizar que el contenido se alinee con los proyectos, el proceso se vuelve más atractivo para los estudiantes y se aumentará la retención de conceptos. Además, una prueba de bajo riesgo antes de una clase establece la intención del estudiante de aprender un tema, mientras que una segunda prueba después de la clase garantiza una mayor retención. Este plan de estudios fue diseñado para ser flexible y divertido y puede cursarse total o parcialmente. Los proyectos comienzan siendo pequeños y se vuelven cada vez más complejos al final del ciclo de 12 semanas. Este plan de estudios también incluye una posdata sobre aplicaciones de ML en el mundo real, que puede usarse como crédito adicional o como base para la discusión.
Encuentre nuestro Código de conducta, pautas de contribución y traducción. ¡Agradecemos sus comentarios constructivos!
Una nota sobre los idiomas : estas lecciones están escritas principalmente en Python, pero muchas también están disponibles en R. Para completar una lección de R, vaya a la carpeta
/solutiony busque lecciones de R. Incluyen una extensión .rmd que representa un archivo R Markdown que se puede definir simplemente como una incrustación decode chunks(de R u otros lenguajes) y unYAML header(que guía cómo formatear resultados como PDF) en unMarkdown document. Como tal, sirve como un marco de creación ejemplar para la ciencia de datos, ya que le permite combinar su código, su resultado y sus pensamientos al permitirle escribirlos en Markdown. Además, los documentos de R Markdown se pueden representar en formatos de salida como PDF, HTML o Word.
Una nota sobre los cuestionarios : todos los cuestionarios están contenidos en la carpeta Quiz App, para un total de 52 cuestionarios de tres preguntas cada uno. Están vinculados desde las lecciones, pero la aplicación de prueba se puede ejecutar localmente; Siga las instrucciones en la carpeta
quiz-apppara alojar o implementar localmente en Azure.
| Número de lección | Tema | Agrupación de lecciones | Objetivos de aprendizaje | Lección vinculada | Autor |
|---|---|---|---|---|---|
| 01 | Introducción al aprendizaje automático | Introducción | Aprenda los conceptos básicos detrás del aprendizaje automático | Lección | Mahoma |
| 02 | La historia del aprendizaje automático | Introducción | Conozca la historia que subyace a este campo | Lección | jen y amy |
| 03 | Justicia y aprendizaje automático | Introducción | ¿Cuáles son las cuestiones filosóficas importantes en torno a la equidad que los estudiantes deben considerar al crear y aplicar modelos de ML? | Lección | Tomomi |
| 04 | Técnicas para el aprendizaje automático | Introducción | ¿Qué técnicas utilizan los investigadores de ML para crear modelos de ML? | Lección | Chris y Jen |
| 05 | Introducción a la regresión | Regresión | Comience con Python y Scikit-learn para modelos de regresión |
|
|
| 06 | ¿Precios de las calabazas en América del Norte? | Regresión | Visualice y limpie datos en preparación para ML |
|
|
| 07 | ¿Precios de las calabazas en América del Norte? | Regresión | Construya modelos de regresión lineal y polinómica |
|
|
| 08 | ¿Precios de las calabazas en América del Norte? | Regresión | Construya un modelo de regresión logística |
|
|
| 09 | ¿Una aplicación web? | Aplicación web | Cree una aplicación web para utilizar su modelo entrenado | Pitón | Jen |
| 10 | Introducción a la clasificación | Clasificación | Limpie, prepare y visualice sus datos; introducción a la clasificación |
|
|
| 11 | ¿Deliciosas cocinas asiática e india? | Clasificación | Introducción a los clasificadores |
|
|
| 12 | ¿Deliciosas cocinas asiática e india? | Clasificación | Más clasificadores |
|
|
| 13 | ¿Deliciosas cocinas asiática e india? | Clasificación | Cree una aplicación web de recomendación utilizando su modelo | Pitón | Jen |
| 14 | Introducción a la agrupación | Agrupación | Limpie, prepare y visualice sus datos; Introducción a la agrupación |
|
|
| 15 | Explorando los gustos musicales nigerianos | Agrupación | Explore el método de agrupación de K-Means |
|
|
| 16 | Introducción al procesamiento del lenguaje natural ☕️ | Procesamiento del lenguaje natural | Aprenda los conceptos básicos sobre PNL creando un bot simple | Pitón | esteban |
| 17 | Tareas comunes de PNL ☕️ | Procesamiento del lenguaje natural | Profundice sus conocimientos de PNL comprendiendo las tareas comunes requeridas al tratar con estructuras del lenguaje. | Pitón | esteban |
| 18 | Traducción y análisis de sentimientos. | Procesamiento del lenguaje natural | Traducción y análisis de sentimientos con Jane Austen | Pitón | esteban |
| 19 | Hoteles románticos de Europa | Procesamiento del lenguaje natural | Análisis de sentimiento con reseñas de hoteles 1 | Pitón | esteban |
| 20 | Hoteles románticos de Europa | Procesamiento del lenguaje natural | Análisis de sentimiento con reseñas de hoteles 2 | Pitón | esteban |
| 21 | Introducción a la previsión de series de tiempo. | Serie de tiempo | Introducción a la previsión de series de tiempo. | Pitón | francesca |
| 22 | ⚡️ Uso mundial de energía ⚡️: pronóstico de series temporales con ARIMA | Serie de tiempo | Previsión de series temporales con ARIMA | Pitón | francesca |
| 23 | ⚡️ Uso mundial de energía ⚡️: pronóstico de series temporales con SVR | Serie de tiempo | Previsión de series de tiempo con Support Vector Regresor | Pitón | Anirban |
| 24 | Introducción al aprendizaje por refuerzo | Aprendizaje por refuerzo | Introducción al aprendizaje por refuerzo con Q-Learning | Pitón | Dmitri |
| 25 | ¡Ayuda a Peter a evitar al lobo! ? | Aprendizaje por refuerzo | Gimnasio de aprendizaje por refuerzo | Pitón | Dmitri |
| Posdata | Escenarios y aplicaciones de aprendizaje automático en el mundo real | AA en la naturaleza | Aplicaciones interesantes y reveladoras del mundo real del aprendizaje automático clásico | Lección | Equipo |
| Posdata | Depuración de modelos en ML usando el panel RAI | AA en la naturaleza | Depuración de modelos en aprendizaje automático utilizando componentes de panel de control de IA responsable | Lección | Ruth Yakubu |
encuentre todos los recursos adicionales para este curso en nuestra colección de Microsoft Learn
Puede ejecutar esta documentación sin conexión utilizando Docsify. Bifurque este repositorio, instale Docsify en su máquina local y luego, en la carpeta raíz de este repositorio, escriba docsify serve . El sitio web se entregará en el puerto 3000 de su localhost: localhost:3000 .
Encuentre un pdf del plan de estudios con enlaces aquí.
¿Le gustaría contribuir con una traducción? Lea nuestras pautas de traducción y agregue una edición con plantilla para administrar la carga de trabajo aquí.
¡Nuestro equipo produce otros planes de estudio! Verificar:
