ML For Beginners
1.0.0
? 세계 문화를 통해 기계 학습을 탐구하면서 전 세계를 여행하십니까?
Microsoft의 Cloud Advocates는 기계 학습 에 관한 12주 26개 강의 커리큘럼을 제공하게 된 것을 기쁘게 생각합니다. 이 커리큘럼에서는 주로 Scikit-learn을 라이브러리로 사용하고 딥 러닝을 피하는, 초보자를 위한 AI 커리큘럼에서 다루는 고전적인 기계 학습 이라고 불리는 것에 대해 배우게 됩니다. 이 수업을 '초보자를 위한 데이터 과학' 커리큘럼과 결합하세요!
전 세계 여러 지역의 데이터에 이러한 고전적인 기술을 적용하면서 전 세계를 여행하세요. 각 수업에는 수업 전후의 퀴즈, 수업 완료를 위한 서면 지침, 솔루션, 과제 등이 포함되어 있습니다. 우리의 프로젝트 기반 교수법을 사용하면 새로운 기술을 '고착'하는 입증된 방법인 구축하는 동안 학습할 수 있습니다.
✍️ 저자 Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu 및 Amy Boyd에게 진심으로 감사드립니다.
? 일러스트레이터 Tomomi Imura, Dasani Madipalli, Jen Looper에게도 감사드립니다.
Microsoft Student Ambassador 작성자, 검토자 및 콘텐츠 기고자(특히 Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila 및 Snigdha Agarwal)에게 특별히 감사드립니다 .
? R 수업을 도와주신 Microsoft 학생 홍보대사 Eric Wanjau, Jasleen Sondhi 및 Vidushi Gupta에게 특별히 감사드립니다!
다음 단계를 따르세요.
git clone https://github.com/microsoft/ML-For-Beginners.gitMicrosoft Learn 컬렉션에서 이 과정에 대한 모든 추가 리소스를 찾아보세요.
학생 여러분 , 이 커리큘럼을 사용하려면 전체 저장소를 자신의 GitHub 계정에 포크하고 혼자 또는 그룹과 함께 연습을 완료하세요.
/solution 폴더에서 사용할 수 있습니다.추가 학습을 위해서는 다음 Microsoft Learn 모듈 및 학습 경로를 따르는 것이 좋습니다.
교사 여러분 , 우리는 이 커리큘럼을 사용하는 방법에 대한 몇 가지 제안을 포함시켰습니다.
일부 강의는 짧은 동영상으로 제공됩니다. 아래 이미지를 클릭하면 강의에서 또는 Microsoft 개발자 YouTube 채널의 초보자를 위한 ML 재생 목록에서 이러한 모든 내용을 인라인으로 찾을 수 있습니다.
Mohit Jaisal 의 GIF
? 프로젝트와 프로젝트를 만든 사람들에 대한 비디오를 보려면 위 이미지를 클릭하세요!
우리는 이 커리큘럼을 구축하는 동안 두 가지 교육학적 원칙을 선택했습니다. 즉, 실습 프로젝트 기반 이고 자주 퀴즈를 포함한다는 것입니다. 또한, 이 커리큘럼에는 응집력을 부여하는 공통 주제가 있습니다.
콘텐츠가 프로젝트와 일치하는지 확인함으로써 프로세스는 학생들의 참여를 더욱 높이고 개념 유지가 강화됩니다. 또한, 수업 전의 저위험 퀴즈는 주제 학습에 대한 학생의 의도를 설정하는 반면, 수업 후 두 번째 퀴즈는 더 많은 기억력을 보장합니다. 이 커리큘럼은 유연하고 재미있게 설계되었으며 전체 또는 일부를 수강할 수 있습니다. 프로젝트는 작게 시작하여 12주 주기가 끝날 무렵에는 점점 더 복잡해집니다. 이 커리큘럼에는 ML의 실제 적용에 대한 후기도 포함되어 있으며, 이는 추가 학점으로 사용하거나 토론의 기초로 사용할 수 있습니다.
행동 강령, 기여 및 번역 지침을 찾아보세요. 우리는 귀하의 건설적인 피드백을 환영합니다!
언어에 대한 참고 사항 : 이 강의는 주로 Python으로 작성되었지만 대부분은 R에서도 사용할 수 있습니다. R 강의를 완료하려면
/solution폴더로 이동하여 R 강의를 찾으세요. 여기에는Markdown document에code chunks(R 또는 기타 언어) 및YAML header(PDF와 같은 출력 형식을 지정하는 방법을 안내하는) 삽입으로 간단히 정의할 수 있는 R Markdown 파일을 나타내는 .rmd 확장자가 포함됩니다. 따라서 코드, 출력 및 생각을 Markdown에 기록하여 결합할 수 있으므로 데이터 과학을 위한 모범적인 저작 프레임워크 역할을 합니다. 또한 R Markdown 문서는 PDF, HTML 또는 Word와 같은 출력 형식으로 렌더링될 수 있습니다.
퀴즈에 대한 참고 사항 : 모든 퀴즈에는 각각 3개의 질문으로 구성된 총 52개의 퀴즈에 대한 퀴즈 앱 폴더가 포함되어 있습니다. 강의 내에서 연결되어 있지만 퀴즈 앱은 로컬에서 실행할 수 있습니다.
quiz-app폴더의 지침에 따라 Azure에 로컬로 호스팅하거나 배포합니다.
| 레슨 번호 | 주제 | 수업 그룹화 | 학습 목표 | 연계 레슨 | 작가 |
|---|---|---|---|---|---|
| 01 | 머신러닝 소개 | 소개 | 머신러닝의 기본 개념을 알아보세요. | 수업 | 무함마드 |
| 02 | 머신러닝의 역사 | 소개 | 이 분야의 역사를 알아보세요 | 수업 | 젠과 에이미 |
| 03 | 공정성과 머신러닝 | 소개 | ML 모델을 구축하고 적용할 때 학생들이 고려해야 할 공정성과 관련된 중요한 철학적 문제는 무엇입니까? | 수업 | 토모미 |
| 04 | 기계 학습 기술 | 소개 | ML 연구자는 ML 모델을 구축하기 위해 어떤 기술을 사용합니까? | 수업 | 크리스와 젠 |
| 05 | 회귀 소개 | 회귀 | 회귀 모델을 위한 Python 및 Scikit-learn 시작하기 |
|
|
| 06 | 북미 호박 가격은? | 회귀 | ML 준비를 위한 데이터 시각화 및 정리 |
|
|
| 07 | 북미 호박 가격은? | 회귀 | 선형 및 다항식 회귀 모델 구축 |
|
|
| 08 | 북미 호박 가격은? | 회귀 | 로지스틱 회귀 모델 구축 |
|
|
| 09 | 웹 앱? | 웹 앱 | 학습된 모델을 사용하기 위한 웹 앱 빌드 | 파이썬 | 젠 |
| 10 | 분류 소개 | 분류 | 데이터를 정리, 준비 및 시각화합니다. 분류 소개 |
|
|
| 11 | 맛있는 아시아 및 인도 요리? | 분류 | 분류자 소개 |
|
|
| 12 | 맛있는 아시아 및 인도 요리? | 분류 | 더 많은 분류기 |
|
|
| 13 | 맛있는 아시아 및 인도 요리? | 분류 | 모델을 사용하여 추천 웹 앱 구축 | 파이썬 | 젠 |
| 14 | 클러스터링 소개 | 클러스터링 | 데이터를 정리, 준비 및 시각화합니다. 클러스터링 소개 |
|
|
| 15 | 나이지리아 음악적 취향 탐구 | 클러스터링 | K-평균 클러스터링 방법 살펴보기 |
|
|
| 16 | 자연어 처리 입문 ☺️ | 자연어 처리 | 간단한 봇을 구축하여 NLP에 대한 기본 사항을 알아보세요. | 파이썬 | 스티븐 |
| 17 | 일반적인 NLP 작업 ?️ | 자연어 처리 | 언어 구조를 다룰 때 필요한 일반적인 작업을 이해하여 NLP 지식을 심화하세요. | 파이썬 | 스티븐 |
| 18 | 번역 및 감정 분석 | 자연어 처리 | Jane Austen과 함께하는 번역 및 감정 분석 | 파이썬 | 스티븐 |
| 19 | 유럽의 로맨틱 호텔 | 자연어 처리 | 호텔 리뷰를 통한 감성 분석 1 | 파이썬 | 스티븐 |
| 20 | 유럽의 로맨틱 호텔 | 자연어 처리 | 호텔 리뷰를 통한 감성 분석 2 | 파이썬 | 스티븐 |
| 21 | 시계열 예측 소개 | 시계열 | 시계열 예측 소개 | 파이썬 | 프란체스카 |
| 22 | ⚡️ 세계 전력 사용량 ⚡️ - ARIMA를 사용한 시계열 예측 | 시계열 | ARIMA를 사용한 시계열 예측 | 파이썬 | 프란체스카 |
| 23 | ⚡️ 세계 전력 사용량 ⚡️ - SVR을 통한 시계열 예측 | 시계열 | Support Vector Regressor를 사용한 시계열 예측 | 파이썬 | 아니르반 |
| 24 | 강화 학습 소개 | 강화 학습 | Q-Learning을 통한 강화학습 소개 | 파이썬 | 드미트리 |
| 25 | 피터가 늑대를 피할 수 있도록 도와주세요! ? | 강화 학습 | 강화학습 체육관 | 파이썬 | 드미트리 |
| 추신 | 실제 ML 시나리오 및 애플리케이션 | 야생의 ML | 흥미롭고 공개적인 클래식 ML의 실제 애플리케이션 | 수업 | 팀 |
| 추신 | RAI 대시보드를 사용하여 ML에서 모델 디버깅 | 야생의 ML | Responsible AI 대시보드 구성 요소를 사용하여 머신 러닝에서 모델 디버깅 | 수업 | 루스 야쿠부 |
Microsoft Learn 컬렉션에서 이 과정에 대한 모든 추가 리소스를 찾아보세요.
Docsify를 사용하여 이 문서를 오프라인으로 실행할 수 있습니다. 이 저장소를 포크하고 로컬 컴퓨터에 Docsify를 설치한 다음 이 저장소의 루트 폴더에 docsify serve 입력하세요. 웹 사이트는 로컬 호스트( localhost:3000 의 포트 3000에서 제공됩니다.
여기에서 링크가 포함된 커리큘럼 PDF를 찾아보세요.
번역에 기여하시겠습니까? 여기에서 번역 지침을 읽고 템플릿 문제를 추가하여 작업 부하를 관리하세요.
우리 팀은 다른 커리큘럼을 제작합니다! 확인해 보세요:
