🌐 Többnyelvű támogatás

Támogatott GitHub Action segítségével (Automatikus és mindig naprakész)

Csatlakozz a közösségünkhöz

Jelenleg egy AI tanulási sorozat zajlik a Discordon, tudj meg többet és csatlakozz hozzánk a Learn with AI Series eseményen 2025. szeptember 18-30. között. Tippeket és trükköket kapsz a GitHub Copilot használatához az adatkutatás területén.

Gépi tanulás kezdőknek - Tanterv

🌍 Utazz körbe a világban, miközben a gépi tanulást a világ kultúráin keresztül fedezzük fel 🌍

A Microsoft Cloud Advocates csapata örömmel kínál egy 12 hetes, 26 leckéből álló tantervet a gépi tanulásról. Ebben a tantervben megismerheted az úgynevezett klasszikus gépi tanulást, elsősorban a Scikit-learn könyvtár használatával, elkerülve a mély tanulást, amelyet a AI for Beginners tantervünkben tárgyalunk. Párosítsd ezeket a leckéket a 'Data Science for Beginners' tantervünkkel is!

Utazz velünk a világ körül, miközben ezeket a klasszikus technikákat alkalmazzuk a világ különböző területeiről származó adatokra. Minden lecke tartalmaz előzetes és utólagos kvízeket, írásos útmutatót a lecke elvégzéséhez, megoldást, feladatot és még sok mást. Projektalapú pedagógiánk lehetővé teszi, hogy tanulás közben építs, ami bizonyítottan segíti az új készségek elsajátítását.

✍️ Köszönet a szerzőinknek Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu és Amy Boyd

🎨 Köszönet az illusztrátorainknak Tomomi Imura, Dasani Madipalli és Jen Looper

🙏 Külön köszönet 🙏 a Microsoft Student Ambassador szerzőknek, bírálóknak és tartalomhozzájárulóknak, különösen Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila és Snigdha Agarwal

🤩 Extra köszönet a Microsoft Student Ambassadoroknak Eric Wanjau, Jasleen Sondhi és Vidushi Gupta az R leckékért!

Kezdés

Kövesd az alábbi lépéseket:

Forkold a repót: Kattints az oldal jobb felső sarkában található "Fork" gombra.
Klónozd a repót: git clone https://github.com/microsoft/ML-For-Beginners.git

találd meg az összes további erőforrást ehhez a kurzushoz a Microsoft Learn gyűjteményünkben

🔧 Segítségre van szükséged? Nézd meg a Hibaelhárítási útmutatónkat a telepítéssel, beállítással és a leckék futtatásával kapcsolatos gyakori problémák megoldásához.

Diákok, hogy használjátok ezt a tantervet, forkold az egész repót a saját GitHub fiókodba, és végezd el a gyakorlatokat egyedül vagy csoportban:

Kezdd egy előadás előtti kvízzel.
Olvasd el az előadást, és végezd el a tevékenységeket, megállva és reflektálva minden tudásellenőrzésnél.
Próbáld meg létrehozni a projekteket a leckék megértésével, ahelyett hogy a megoldás kódját futtatnád; azonban az a kód elérhető a /solution mappákban minden projektalapú leckénél.
Töltsd ki az előadás utáni kvízt.
Teljesítsd a kihívást.
Teljesítsd a feladatot.
Miután befejeztél egy lecke csoportot, látogasd meg a Vita fórumot, és "tanulj hangosan" azzal, hogy kitöltöd a megfelelő PAT rubrikát. A 'PAT' egy Haladás Értékelési Eszköz, amely egy rubrika, amit kitöltesz a tanulásod elősegítése érdekében. Más PAT-ekre is reagálhatsz, hogy együtt tanulhassunk.

További tanulmányokhoz ajánljuk, hogy kövesd ezeket a Microsoft Learn modulokat és tanulási útvonalakat.

Tanárok, néhány javaslatot is mellékeltünk arra vonatkozóan, hogyan használjátok ezt a tantervet.

Videós bemutatók

Néhány lecke rövid videó formájában is elérhető. Ezeket megtalálhatod a leckékben, vagy a ML for Beginners lejátszási listán a Microsoft Developer YouTube csatornán, ha az alábbi képre kattintasz.

Ismerd meg a csapatot

Gif készítette Mohit Jaisal

🎥 Kattints a fenti képre, hogy megnézd a projektet és azokat, akik létrehozták!

Pedagógia

Két pedagógiai elvet választottunk ennek a tantervnek a kidolgozásakor: biztosítani, hogy gyakorlati projektalapú legyen, és hogy tartalmazzon gyakori kvízeket. Ezenkívül ennek a tantervnek van egy közös témája, amely összefogja.

Azáltal, hogy a tartalom projektekhez igazodik, a folyamat érdekesebbé válik a diákok számára, és a fogalmak megértése is fokozódik. Ezenkívül egy alacsony tétű kvíz az óra előtt a diákot a téma tanulására irányítja, míg egy második kvíz az óra után tovább erősíti a megértést. Ez a tanterv rugalmas és szórakoztató, és egészében vagy részben is elvégezhető. A projektek kicsiben kezdődnek, és a 12 hetes ciklus végére egyre összetettebbé válnak. Ez a tanterv egy utószót is tartalmaz a gépi tanulás valós alkalmazásairól, amelyet extra kreditként vagy vitaalapként lehet használni.

Találd meg a Magatartási kódexünket, Hozzájárulás, Fordítás és Hibaelhárítás irányelveinket. Örömmel fogadjuk az építő jellegű visszajelzéseidet!

Minden lecke tartalmazza

opcionális sketchnote
opcionális kiegészítő videó
videós bemutató (csak néhány lecke esetében)
előadás előtti bemelegítő kvíz
írásos lecke
projektalapú leckék esetén lépésről lépésre útmutató a projekt elkészítéséhez
tudásellenőrzések
egy kihívás
kiegészítő olvasmány
feladat
előadás utáni kvíz

Megjegyzés a nyelvekről: Ezek a leckék elsősorban Pythonban íródtak, de sok elérhető R-ben is. Az R leckék elvégzéséhez menj a /solution mappába, és keresd az R leckéket. Ezek .rmd kiterjesztést tartalmaznak, amely egy R Markdown fájlt jelöl, amely egyszerűen definiálható úgy, mint kódrészletek (R vagy más nyelvek) és egy YAML fejléc (amely irányítja az outputok formázását, például PDF) beágyazása egy Markdown dokumentumba. Mint ilyen, kiváló szerzői keretet biztosít az adatkutatáshoz, mivel lehetővé teszi, hogy kombináld a kódodat, annak outputját és gondolataidat, azáltal hogy Markdownban leírod őket. Ezenkívül az R Markdown dokumentumok olyan output formátumokra renderelhetők, mint PDF, HTML vagy Word.

Megjegyzés a kvízekről: Minden kvíz a Quiz App mappában található, összesen 52 kvíz, három kérdéssel mindegyikben. Ezek a leckékből vannak linkelve, de a kvíz alkalmazás helyileg is futtatható; kövesd az utasításokat a quiz-app mappában, hogy helyileg hostold vagy Azure-ra telepítsd.

Lecke száma	Téma	Leckecsoportosítás	Tanulási célok	Kapcsolódó lecke	Szerző
01	Bevezetés a gépi tanulásba	Bevezetés	Ismerd meg a gépi tanulás alapfogalmait	Lecke	Muhammad
02	A gépi tanulás története	Bevezetés	Ismerd meg ennek a területnek a történetét	Lecke	Jen és Amy
03	Méltányosság és gépi tanulás	Bevezetés	Milyen fontos filozófiai kérdéseket kell figyelembe venni a méltányosság kapcsán, amikor gépi tanulási modelleket építünk és alkalmazunk?	Lecke	Tomomi
04	Gépi tanulási technikák	Bevezetés	Milyen technikákat használnak a gépi tanulás kutatói modellek építéséhez?	Lecke	Chris és Jen
05	Bevezetés a regresszióba	Regresszió	Ismerkedj meg a Python és Scikit-learn használatával regressziós modellekhez	Python • R	Jen • Eric Wanjau
06	Észak-amerikai tökárak 🎃	Regresszió	Vizualizáld és tisztítsd meg az adatokat a gépi tanulás előkészítéséhez	Python • R	Jen • Eric Wanjau
07	Észak-amerikai tökárak 🎃	Regresszió	Építs lineáris és polinomiális regressziós modelleket	Python • R	Jen és Dmitry • Eric Wanjau
08	Észak-amerikai tökárak 🎃	Regresszió	Építs logisztikus regressziós modellt	Python • R	Jen • Eric Wanjau
09	Egy webalkalmazás 🔌	Webalkalmazás	Építs egy webalkalmazást a betanított modelled használatához	Python	Jen
10	Bevezetés az osztályozásba	Osztályozás	Tisztítsd meg, készítsd elő és vizualizáld az adatokat; bevezetés az osztályozásba	Python • R	Jen és Cassie • Eric Wanjau
11	Finom ázsiai és indiai ételek 🍜	Osztályozás	Bevezetés az osztályozókba	Python • R	Jen és Cassie • Eric Wanjau
12	Finom ázsiai és indiai ételek 🍜	Osztályozás	További osztályozók	Python • R	Jen és Cassie • Eric Wanjau
13	Finom ázsiai és indiai ételek 🍜	Osztályozás	Építs egy ajánló webalkalmazást a modelled használatával	Python	Jen
14	Bevezetés a klaszterezésbe	Klaszterezés	Tisztítsd meg, készítsd elő és vizualizáld az adatokat; bevezetés a klaszterezésbe	Python • R	Jen • Eric Wanjau
15	Nigériai zenei ízlések felfedezése 🎧	Klaszterezés	Fedezd fel a K-Means klaszterezési módszert	Python • R	Jen • Eric Wanjau
16	Bevezetés a természetes nyelvfeldolgozásba ☕️	Természetes nyelvfeldolgozás	Ismerd meg az NLP alapjait egy egyszerű bot építésével	Python	Stephen
17	Gyakori NLP feladatok ☕️	Természetes nyelvfeldolgozás	Mélyítsd el az NLP tudásodat, megértve a nyelvi struktúrákkal kapcsolatos gyakori feladatokat	Python	Stephen
18	Fordítás és érzelemelemzés ♥️	Természetes nyelvfeldolgozás	Fordítás és érzelemelemzés Jane Austen műveivel	Python	Stephen
19	Romantikus európai hotelek ♥️	Természetes nyelvfeldolgozás	Érzelemelemzés hotelértékelésekkel 1	Python	Stephen
20	Romantikus európai hotelek ♥️	Természetes nyelvfeldolgozás	Érzelemelemzés hotelértékelésekkel 2	Python	Stephen
21	Bevezetés az időbeli előrejelzésbe	Idősorok	Bevezetés az időbeli előrejelzésbe	Python	Francesca
22	⚡️ Világ energiafogyasztása ⚡️ - időbeli előrejelzés ARIMA-val	Idősorok	Idősorok előrejelzése ARIMA-val	Python	Francesca
23	⚡️ Világ energiafogyasztása ⚡️ - időbeli előrejelzés SVR-rel	Idősorok	Idősorok előrejelzése Support Vector Regressorral	Python	Anirban
24	Bevezetés a megerősítéses tanulásba	Megerősítéses tanulás	Bevezetés a megerősítéses tanulásba Q-Learning segítségével	Python	Dmitry
25	Segíts Péternek elkerülni a farkast! 🐺	Megerősítéses tanulás	Megerősítéses tanulás Gym	Python	Dmitry
Utószó	Valós gépi tanulási forgatókönyvek és alkalmazások	ML a gyakorlatban	Érdekes és tanulságos valós alkalmazások a klasszikus gépi tanulás területén	Lecke	Csapat
Utószó	Modellhibák javítása ML-ben RAI dashboarddal	ML a gyakorlatban	Modellhibák javítása gépi tanulásban a Responsible AI dashboard komponensek használatával	Lecke	Ruth Yakubu

találd meg a kurzushoz kapcsolódó további forrásokat a Microsoft Learn gyűjteményünkben

Offline hozzáférés

A dokumentációt offline is futtathatod a Docsify segítségével. Forkold ezt a repót, telepítsd a Docsify-t a helyi gépedre, majd a repo gyökérmappájában írd be: docsify serve. A weboldal a localhost 3000-es portján lesz elérhető: localhost:3000.

PDF-ek

A tananyag PDF változatát linkekkel itt találod.

🎒 Egyéb kurzusok

Csapatunk más kurzusokat is készít! Nézd meg:

Segítség kérése

Ha elakadnál vagy kérdésed van AI alkalmazások építésével kapcsolatban, csatlakozz:

Ha termék visszajelzést szeretnél adni vagy hibát tapasztalsz az építés során, látogasd meg:

Felelősségkizárás:
Ezt a dokumentumot az Co-op Translator AI fordítószolgáltatás segítségével fordították le. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget a fordítás használatából eredő félreértésekért vagy téves értelmezésekért.

FilesExpand file tree

README.md

Latest commit

History