ML For Beginners
1.0.0
? Путешествуйте по миру, изучая машинное обучение с помощью мировых культур?
Специалисты по облачным технологиям Microsoft рады предложить 12-недельную программу из 26 уроков, посвященную машинному обучению . В этой учебной программе вы узнаете о том, что иногда называют классическим машинным обучением , используя в основном Scikit-learn в качестве библиотеки и избегая глубокого обучения, которое рассматривается в нашей учебной программе по искусственному интеллекту для начинающих. Соедините эти уроки с нашей учебной программой «Наука о данных для начинающих»!
Путешествуйте с нами по всему миру, применяя эти классические методы к данным из многих уголков мира. Каждый урок включает в себя тесты до и после урока, письменные инструкции по выполнению урока, решение, задание и многое другое. Наша педагогика, основанная на проектах, позволяет вам учиться в процессе создания — это проверенный способ «закрепить» новые навыки.
✍️ Сердечная благодарность нашим авторам Джен Лупер, Стивену Хауэллу, Франческе Лаззери, Томоми Имуре, Кэсси Бревиу, Дмитрию Сошникову, Крису Норингу, Анирбану Мукерджи, Орнелле Алтунян, Рут Якубу и Эми Бойд.
? Также спасибо нашим иллюстраторам Томоми Имуре, Дасани Мадипалли и Джен Лупер.
Особая благодарность авторам, рецензентам и авторам контента Microsoft Student Ambassador , в частности Ришиту Дагли, Мухаммаду Сакибу Хану Инану, Рохану Раджу, Александру Петреску, Абхишеку Джайсвалу, Наврин Табассум, Иоану Самуиле и Снигдхе Агарвалу.
? Особая благодарность послам студентов Microsoft Эрику Ванджау, Джаслин Сондхи и Видуши Гупте за наши уроки R!
Выполните следующие действия:
git clone https://github.com/microsoft/ML-For-Beginners.gitвсе дополнительные ресурсы для этого курса вы найдете в нашей коллекции Microsoft Learn.
Студенты , чтобы использовать эту учебную программу, перенесите весь репозиторий в свою учетную запись GitHub и выполните упражнения самостоятельно или в группе:
/solution в каждом уроке, ориентированном на проект.Для дальнейшего изучения мы рекомендуем следовать этим модулям Microsoft Learn и схемам обучения.
Учителя , мы включили несколько предложений по использованию этой учебной программы.
Некоторые уроки доступны в виде коротких видео. Вы можете найти все это в уроках или в плейлисте «ML для начинающих» на канале Microsoft Developer на YouTube, щелкнув изображение ниже.
Гифка от Мохита Джайсала
? Нажмите на изображение выше, чтобы просмотреть видео о проекте и людях, которые его создали!
При разработке этой учебной программы мы выбрали два педагогических принципа: обеспечить ее практическую основу на основе проектов и частые контрольные работы . Кроме того, эта учебная программа имеет общую тему , что обеспечивает ее целостность.
Обеспечивая соответствие содержания проектам, процесс становится более интересным для учащихся и улучшается запоминание концепций. Кроме того, тест с низкими ставками перед уроком формирует намерение учащегося изучить тему, а второй тест после урока обеспечивает дальнейшее запоминание. Эта учебная программа была разработана так, чтобы быть гибкой и увлекательной, и ее можно изучать полностью или частично. Проекты начинаются с малого и к концу 12-недельного цикла становятся все более сложными. Эта учебная программа также включает постскриптум о реальных приложениях машинного обучения, который можно использовать в качестве дополнительной оценки или в качестве основы для обсуждения.
Ознакомьтесь с нашим Кодексом поведения, рекомендациями по участию и переводу. Будем рады вашим конструктивным отзывам!
Примечание о языках . Эти уроки в основном написаны на Python, но многие из них также доступны на R. Чтобы пройти урок R, перейдите в папку
/solutionи найдите уроки R. Они включают расширение .rmd, которое представляет файл R Markdown , который можно просто определить как встраиваниеcode chunks(R или других языков) иYAML header(который указывает, как форматировать выходные данные, такие как PDF) вMarkdown document. Таким образом, он служит образцовой средой разработки для науки о данных, поскольку позволяет вам комбинировать ваш код, его выходные данные и ваши мысли, позволяя записывать их в Markdown. Более того, документы R Markdown можно преобразовать в выходные форматы, такие как PDF, HTML или Word.
Примечание о викторинах : все тесты содержатся в папке приложения Quiz, всего 52 теста по три вопроса в каждом. Они связаны внутри уроков, но приложение викторины можно запустить локально; следуйте инструкциям в папке
quiz-appдля локального размещения или развертывания в Azure.
| Номер урока | Тема | Группировка уроков | Цели обучения | Связанный урок | Автор |
|---|---|---|---|---|---|
| 01 | Введение в машинное обучение | Введение | Изучите основные концепции машинного обучения | Урок | Мухаммед |
| 02 | История машинного обучения | Введение | Изучите историю, лежащую в основе этой области. | Урок | Джен и Эми |
| 03 | Справедливость и машинное обучение | Введение | Какие важные философские вопросы, касающиеся справедливости, следует учитывать студентам при создании и применении моделей МО? | Урок | Томоми |
| 04 | Методы машинного обучения | Введение | Какие методы исследователи ML используют для построения моделей ML? | Урок | Крис и Джен |
| 05 | Введение в регрессию | Регрессия | Начало работы с Python и Scikit — изучение регрессионных моделей |
|
|
| 06 | Цены на тыкву в Северной Америке? | Регрессия | Визуализация и очистка данных при подготовке к машинному обучению |
|
|
| 07 | Цены на тыкву в Северной Америке? | Регрессия | Построение моделей линейной и полиномиальной регрессии |
|
|
| 08 | Цены на тыкву в Северной Америке? | Регрессия | Постройте модель логистической регрессии |
|
|
| 09 | Веб-приложение? | Веб-приложение | Создайте веб-приложение для использования обученной модели. | Питон | Джен |
| 10 | Введение в классификацию | Классификация | Очистите, подготовьте и визуализируйте свои данные; введение в классификацию |
|
|
| 11 | Вкусная азиатская и индийская кухня? | Классификация | Введение в классификаторы |
|
|
| 12 | Вкусная азиатская и индийская кухня? | Классификация | Больше классификаторов |
|
|
| 13 | Вкусная азиатская и индийская кухня? | Классификация | Создайте рекомендательное веб-приложение, используя свою модель. | Питон | Джен |
| 14 | Введение в кластеризацию | Кластеризация | Очистите, подготовьте и визуализируйте свои данные; Введение в кластеризацию |
|
|
| 15 | Изучение нигерийских музыкальных вкусов | Кластеризация | Изучите метод кластеризации K-Means |
|
|
| 16 | Введение в обработку естественного языка ☕️ | Обработка естественного языка | Изучите основы НЛП, создав простого бота. | Питон | Стивен |
| 17 | Распространенные задачи НЛП ☕️ | Обработка естественного языка | Углубите свои знания НЛП, понимая общие задачи, необходимые при работе с языковыми структурами. | Питон | Стивен |
| 18 | Перевод и анализ настроений | Обработка естественного языка | Анализ перевода и настроений с Джейн Остин | Питон | Стивен |
| 19 | Романтические отели Европы | Обработка естественного языка | Анализ настроений по отзывам об отелях 1 | Питон | Стивен |
| 20 | Романтические отели Европы | Обработка естественного языка | Анализ настроений по отзывам об отелях 2 | Питон | Стивен |
| 21 | Введение в прогнозирование временных рядов | Временной ряд | Введение в прогнозирование временных рядов | Питон | Франческа |
| 22 | ⚡️ World Power Usage ⚡️ — прогнозирование временных рядов с помощью ARIMA. | Временной ряд | Прогнозирование временных рядов с помощью ARIMA | Питон | Франческа |
| 23 | ⚡️ World Power Usage ⚡️ - прогнозирование временных рядов с помощью SVR | Временной ряд | Прогнозирование временных рядов с помощью регрессора опорных векторов | Питон | Анирбан |
| 24 | Введение в обучение с подкреплением | Обучение с подкреплением | Введение в обучение с подкреплением с помощью Q-Learning | Питон | Дмитрий |
| 25 | Помогите Питеру избежать волка! ? | Обучение с подкреплением | Тренажерный зал для обучения с подкреплением | Питон | Дмитрий |
| Постскриптум | Реальные сценарии и приложения машинного обучения | ML в дикой природе | Интересные и показательные реальные применения классического машинного обучения | Урок | Команда |
| Постскриптум | Отладка модели в ML с использованием информационной панели RAI | ML в дикой природе | Отладка моделей в машинном обучении с использованием компонентов информационной панели «Ответственный ИИ» | Урок | Рут Якубу |
все дополнительные ресурсы для этого курса вы найдете в нашей коллекции Microsoft Learn.
Вы можете запустить эту документацию в автономном режиме с помощью Docsify. Создайте форк этого репозитория, установите Docsify на свой локальный компьютер, а затем в корневой папке этого репозитория введите docsify serve . Веб-сайт будет обслуживаться через порт 3000 на вашем локальном хосте: localhost:3000 .
Здесь вы найдете PDF-файл учебной программы со ссылками.
Хотите внести свой вклад в перевод? Пожалуйста, прочтите наши рекомендации по переводу и добавьте здесь шаблонный вопрос, чтобы управлять рабочей нагрузкой.
Наша команда выпускает и другие учебные программы! Проверить:
