Αραβικά | Μπενγκάλι | Βουλγαρικά | Βιρμανικά (Μυανμάρ) | Κινεζικά (Απλοποιημένα) | Κινεζικά (Παραδοσιακά, Χονγκ Κονγκ) | Κινεζικά (Παραδοσιακά, Μακάου) | Κινεζικά (Παραδοσιακά, Ταϊβάν) | Κροατικά | Τσέχικα | Δανέζικα | Ολλανδικά | Εσθονικά | Φινλανδικά | Γαλλικά | Γερμανικά | Ελληνικά | Εβραϊκά | Χίντι | Ουγγρικά | Ινδονησιακά | Ιταλικά | Ιαπωνικά | Κανάντα | Χμερ | Κορεατικά | Λιθουανικά | Μαλαισιανά | Μαλαγιαλάμ | Μαράθι | Νεπάλι | Νιγηριανό Πίντζιν | Νορβηγικά | Περσικά (Φαρσί) | Πολωνικά | Πορτογαλικά (Βραζιλίας) | Πορτογαλικά (Πορτογαλίας) | Πουντζάμπι (Γκουρμούκι) | Ρουμανικά | Ρωσικά | Σερβικά (Κυριλλικά) | Σλοβακικά | Σλοβενικά | Ισπανικά | Σουαχίλι | Σουηδικά | Ταγκάλογκ (Φιλιππινέζικα) | Ταμίλ | Τελούγκου | Ταϊλανδικά | Τουρκικά | Ουκρανικά | Ουρντού | Βιετναμέζικα
Προτιμάτε να κάνετε κλωνοποίηση τοπικά;
Αυτό το αποθετήριο περιλαμβάνει πάνω από 50 μεταφράσεις γλωσσών που αυξάνουν σημαντικά το μέγεθος λήψης. Για κλωνοποίηση χωρίς μεταφράσεις, χρησιμοποιήστε sparse checkout:
Bash / macOS / Linux:
git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git cd ML-For-Beginners git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'CMD (Windows):
git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git cd ML-For-Beginners git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"Αυτό σας παρέχει όλα όσα χρειάζεστε για να ολοκληρώσετε το μάθημα με πολύ πιο γρήγορη λήψη.
Έχουμε μια σειρά στο Discord για να μάθετε με AI σε εξέλιξη, μάθετε περισσότερα και ενταχθείτε μαζί μας στο Learn with AI Series από 18 έως 30 Σεπτεμβρίου, 2025. Θα λάβετε συμβουλές και κόλπα για τη χρήση του GitHub Copilot για Data Science.
🌍 Ταξιδέψτε γύρω από τον κόσμο καθώς εξερευνούμε τη Μηχανική Μάθηση μέσω των παγκόσμιων πολιτισμών 🌍
Οι Cloud Advocates της Microsoft χαίρονται να προσφέρουν μια 12-εβδομάδων, 26-μαθημάτων εκπαιδευτική ακολουθία που αφορά τη Μηχανική Μάθηση. Σε αυτήν την ακολουθία, θα μάθετε για αυτό που συχνά ονομάζεται κλασική μηχανική μάθηση, χρησιμοποιώντας κυρίως τη βιβλιοθήκη Scikit-learn και αποφεύγοντας το deep learning, το οποίο καλύπτεται στην εκπαιδευτική ακολουθία AI για Αρχάριους. Συνδυάστε αυτά τα μαθήματα με την ακολουθία μας 'Data Science για Αρχάριους', επίσης!
Ταξιδέψτε μαζί μας στον κόσμο καθώς εφαρμόζουμε αυτές τις κλασικές τεχνικές σε δεδομένα από πολλές περιοχές του κόσμου. Κάθε μάθημα περιλαμβάνει κουίζ πριν και μετά το μάθημα, γραπτές οδηγίες για την ολοκλήρωση του μαθήματος, λύση, ανάθεση και πολλά άλλα. Η παιδαγωγική μας που βασίζεται σε έργα σας επιτρέπει να μαθαίνετε ενώ χτίζετε, ένας αποδεδειγμένος τρόπος για να "κολλήσουν" οι νέες δεξιότητες.
✍️ Θερμές ευχαριστίες στους συγγραφείς μας Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu και Amy Boyd
🎨 Ευχαριστίες επίσης στους εικονογράφους μας Tomomi Imura, Dasani Madipalli και Jen Looper
🙏 Ειδικές ευχαριστίες 🙏 στους Microsoft Student Ambassador συγγραφείς, αξιολογητές και συνεισφέροντες περιεχομένου, κυρίως Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, και Snigdha Agarwal
🤩 Επιπλέον ευγνωμοσύνη στους Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi και Vidushi Gupta για τα μαθήματα R!
Ακολουθήστε τα βήματα:
- Κάντε Fork το Αποθετήριο: Πατήστε το κουμπί "Fork" στην πάνω δεξιά γωνία αυτής της σελίδας.
- Κλωνοποιήστε το Αποθετήριο:
git clone https://github.com/microsoft/ML-For-Beginners.git
βρείτε όλα τα πρόσθετα υλικά για αυτό το μάθημα στη συλλογή μας Microsoft Learn
🔧 Χρειάζεστε βοήθεια; Ελέγξτε τον Οδηγό Αντιμετώπισης Προβλημάτων για λύσεις σε κοινά προβλήματα εγκατάστασης, ρύθμισης και εκτέλεσης μαθημάτων.
Φοιτητές, για να χρησιμοποιήσετε αυτήν την εκπαιδευτική ακολουθία, κάντε fork ολόκληρο το αποθετήριο στον δικό σας λογαριασμό GitHub και ολοκληρώστε τις ασκήσεις μόνοι σας ή με μια ομάδα:
- Ξεκινήστε με ένα κουίζ προ-διάλεξης.
- Διαβάστε τη διάλεξη και ολοκληρώστε τις δραστηριότητες, κάνοντας παύσεις και σκεπτόμενοι σε κάθε έλεγχο γνώσης.
- Προσπαθήστε να δημιουργήσετε τα έργα κατανοώντας τα μαθήματα αντί να τρέχετε τον κώδικα λύσης· ο κώδικας αυτός είναι διαθέσιμος στους φακέλους
/solutionσε κάθε μάθημα προσανατολισμένο σε έργο. - Κάντε το κουίζ μετά τη διάλεξη.
- Ολοκληρώστε την πρόκληση.
- Ολοκληρώστε την ανάθεση.
- Μετά την ολοκλήρωση ενός συνόλου μαθημάτων, επισκεφτείτε το Discussion Board και "μάθετε δυνατά" συμπληρώνοντας το αντίστοιχο PAT rubric. Το 'PAT' είναι ένα Εργαλείο Αξιολόγησης Προόδου, που συμπληρώνετε για να προωθήσετε τη μάθησή σας. Μπορείτε επίσης να αντιδράσετε σε άλλα PATs για να μαθαίνουμε μαζί.
Για περαιτέρω μελέτη, προτείνουμε να ακολουθήσετε αυτές τις Microsoft Learn ενότητες και διαδρομές μάθησης.
Καθηγητές, έχουμε συμπεριλάβει κάποιες προτάσεις για το πώς να χρησιμοποιήσετε αυτήν την εκπαιδευτική ακολουθία.
Μερικά από τα μαθήματα είναι διαθέσιμα ως σύντομα βίντεο. Μπορείτε να τα βρείτε όλα ενσωματωμένα στα μαθήματα, ή στη playlist ML for Beginners στο κανάλι Microsoft Developer YouTube κάνοντας κλικ στην εικόνα παρακάτω.
Gif από Mohit Jaisal
🎥 Κάντε κλικ στην παραπάνω εικόνα για ένα βίντεο σχετικά με το έργο και τους ανθρώπους που το δημιούργησαν!
Έχουμε επιλέξει δύο παιδαγωγικές αρχές κατά την κατασκευή αυτής της ακολουθίας: να είναι πρακτική βασισμένη σε έργα και να περιλαμβάνει συχνά κουίζ. Επιπλέον, αυτή η ακολουθία έχει ένα κοινό θέμα για να της δώσει συνοχή.
Εξασφαλίζοντας ότι το περιεχόμενο ευθυγραμμίζεται με έργα, η διαδικασία γίνεται πιο ελκυστική για τους μαθητές και η διατήρηση των εννοιών θα ενισχυθεί. Επιπλέον, ένα κουίζ χαμηλού ρίσκου πριν από το μάθημα θέτει την πρόθεση του μαθητή προς τη μάθηση ενός θέματος, ενώ ένα δεύτερο κουίζ μετά το μάθημα εξασφαλίζει περαιτέρω διατήρηση. Αυτή η ακολουθία σχεδιάστηκε για να είναι ευέλικτη και διασκεδαστική και μπορεί να παρακολουθηθεί ολόκληρη ή εν μέρει. Τα έργα ξεκινούν μικρά και γίνονται όλο και πιο σύνθετα μέχρι το τέλος του 12-εβδομάδων κύκλου. Αυτή η ακολουθία περιλαμβάνει επίσης ένα επίμετρο σχετικά με πραγματικές εφαρμογές της ML, που μπορεί να χρησιμοποιηθεί ως επιπλέον μόρια ή ως βάση για συζήτηση.
Βρείτε τους Κανόνες Συμπεριφοράς, Συμβολή, Μεταφράσεις και Οδηγό Αντιμετώπισης Προβλημάτων. Καλωσορίζουμε τις εποικοδομητικές σας προτάσεις!
- προαιρετικό σκίτσο
- προαιρετικό συμπληρωματικό βίντεο
- βίντεο περιήγησης (μόνο σε μερικά μαθήματα)
- προ-διαλέξεως ζέσταμα με κουίζ
- γραπτό μάθημα
- σε μαθήματα με βάση έργα, βήμα-βήμα οδηγίες για το πώς να κατασκευάσετε το έργο
- ελέγχους γνώσης
- μια πρόκληση
- συμπληρωματική ανάγνωση
- ανάθεση
- μετά-διάλεξης κουίζ
Μια σημείωση για τις γλώσσες: Αυτά τα μαθήματα είναι κυρίως γραμμένα σε Python, αλλά πολλά είναι επίσης διαθέσιμα σε R. Για να ολοκληρώσετε ένα μάθημα σε R, πηγαίνετε στον φάκελο
/solutionκαι αναζητήστε μαθήματα R. Περιλαμβάνουν κατάληξη .rmd που αντιπροσωπεύει ένα R Markdown αρχείο το οποίο μπορεί να οριστεί απλά ως ενσωμάτωσηκομματιών κώδικα(σε R ή άλλες γλώσσες) και μιακεφαλίδα YAML(που καθοδηγεί πώς να μορφοποιηθούν τα αποτελέσματα όπως PDF) σε έναέγγραφο Markdown. Ως τέτοιο, χρησιμεύει ως ένα επιδεικτικό πλαίσιο συγγραφής για την επιστήμη δεδομένων καθώς σας επιτρέπει να συνδυάσετε τον κώδικα σας, τα αποτελέσματά του και τις σκέψεις σας επιτρέποντάς σας να τα καταγράψετε σε Markdown. Επιπλέον, τα έγγραφα R Markdown μπορούν να αποδοθούν σε μορφές εξόδου όπως PDF, HTML ή Word.
Μια σημείωση για τα κουίζ: Όλα τα κουίζ περιέχονται στο φάκελο Quiz App folder, με συνολικά 52 κουίζ, το καθένα με τρεις ερωτήσεις. Συνδέονται από τα μαθήματα αλλά η εφαρμογή κουίζ μπορεί να εκτελεστεί τοπικά· ακολουθήστε τις οδηγίες στο φάκελο
quiz-appγια να το φιλοξενήσετε τοπικά ή να το αναπτύξετε στο Azure.
| Αριθμός Μαθήματος | Θέμα | Ομαδοποίηση Μαθήματος | Στόχοι Μάθησης | Συνδεδεμένο Μάθημα | Συγγραφέας |
|---|---|---|---|---|---|
| 01 | Εισαγωγή στη μηχανική μάθηση | Εισαγωγή | Μάθετε τις βασικές έννοιες πίσω από τη μηχανική μάθηση | Μάθημα | Muhammad |
| 02 | Η ιστορία της μηχανικής μάθησης | Εισαγωγή | Μάθετε την ιστορία που υποστηρίζει αυτόν τον τομέα | Μάθημα | Jen και Amy |
| 03 | Δικαιοσύνη και μηχανική μάθηση | Εισαγωγή | Ποια είναι τα σημαντικά φιλοσοφικά ζητήματα γύρω από τη δικαιοσύνη που πρέπει να λάβουν υπόψη οι μαθητές όταν δημιουργούν και εφαρμόζουν μοντέλα ΜΜ; | Μάθημα | Tomomi |
| 04 | Τεχνικές μηχανικής μάθησης | Εισαγωγή | Ποιες τεχνικές χρησιμοποιούν οι ερευνητές ΜΜ για να δημιουργήσουν μοντέλα ΜΜ; | Μάθημα | Chris και Jen |
| 05 | Εισαγωγή στην παλινδρόμηση | Παλινδρόμηση | Ξεκινήστε με Python και Scikit-learn για μοντέλα παλινδρόμησης | Python • R | Jen • Eric Wanjau |
| 06 | Τιμές κολοκύθας Βόρειας Αμερικής 🎃 | Παλινδρόμηση | Οπτικοποιήστε και καθαρίστε δεδομένα σε προετοιμασία για ΜΜ | Python • R | Jen • Eric Wanjau |
| 07 | Τιμές κολοκύθας Βόρειας Αμερικής 🎃 | Παλινδρόμηση | Δημιουργήστε γραμμικά και πολυωνυμικά μοντέλα παλινδρόμησης | Python • R | Jen και Dmitry • Eric Wanjau |
| 08 | Τιμές κολοκύθας Βόρειας Αμερικής 🎃 | Παλινδρόμηση | Δημιουργήστε ένα μοντέλο λογιστικής παλινδρόμησης | Python • R | Jen • Eric Wanjau |
| 09 | Μια Web Εφαρμογή 🔌 | Web App | Δημιουργήστε μια εφαρμογή web για να χρησιμοποιήσετε το εκπαιδευμένο μοντέλο σας | Python | Jen |
| 10 | Εισαγωγή στην ταξινόμηση | Ταξινόμηση | Καθαρισμός, προετοιμασία και οπτικοποίηση των δεδομένων σας· εισαγωγή στην ταξινόμηση | Python • R | Jen και Cassie • Eric Wanjau |
| 11 | Νόστιμες ασιατικές και ινδικές κουζίνες 🍜 | Ταξινόμηση | Εισαγωγή στους ταξινομητές | Python • R | Jen και Cassie • Eric Wanjau |
| 12 | Νόστιμες ασιατικές και ινδικές κουζίνες 🍜 | Ταξινόμηση | Περισσότεροι ταξινομητές | Python • R | Jen και Cassie • Eric Wanjau |
| 13 | Νόστιμες ασιατικές και ινδικές κουζίνες 🍜 | Ταξινόμηση | Δημιουργήστε μια εφαρμογή σύστασης web χρησιμοποιώντας το μοντέλο σας | Python | Jen |
| 14 | Εισαγωγή στις ομαδοποιήσεις | Ομαδοποίηση | Καθαρισμός, προετοιμασία και οπτικοποίηση δεδομένων· Εισαγωγή στις ομαδοποιήσεις | Python • R | Jen • Eric Wanjau |
| 15 | Εξερεύνηση Νιγηριανών Μουσικών Γούστων 🎧 | Ομαδοποίηση | Εξερευνήστε τη μέθοδο ομαδοποίησης K-Means | Python • R | Jen • Eric Wanjau |
| 16 | Εισαγωγή στην επεξεργασία φυσικής γλώσσας ☕️ | Επεξεργασία φυσικής γλώσσας | Μάθετε τα βασικά της ΕΦΓ δημιουργώντας ένα απλό bot | Python | Stephen |
| 17 | Κοινές εργασίες NLP ☕️ | Επεξεργασία φυσικής γλώσσας | Εμβαθύνετε τις γνώσεις σας στην ΕΦΓ κατανοώντας κοινές εργασίες που απαιτούνται όταν χειρίζεστε δομές γλώσσας | Python | Stephen |
| 18 | Μετάφραση και ανάλυση συναισθήματος |
Επεξεργασία φυσικής γλώσσας | Μετάφραση και ανάλυση συναισθήματος με την Jane Austen | Python | Stephen |
| 19 | Ρομαντικά ξενοδοχεία της Ευρώπης |
Επεξεργασία φυσικής γλώσσας | Ανάλυση συναισθήματος με κριτικές ξενοδοχείων 1 | Python | Stephen |
| 20 | Ρομαντικά ξενοδοχεία της Ευρώπης |
Επεξεργασία φυσικής γλώσσας | Ανάλυση συναισθήματος με κριτικές ξενοδοχείων 2 | Python | Stephen |
| 21 | Εισαγωγή στην πρόβλεψη χρονικών σειρών | Χρονικές σειρές | Εισαγωγή στην πρόβλεψη χρονικών σειρών | Python | Francesca |
| 22 | ⚡️ Παγκόσμια χρήση ενέργειας ⚡️ - πρόβλεψη χρονικών σειρών με ARIMA | Χρονικές σειρές | Πρόβλεψη χρονικών σειρών με ARIMA | Python | Francesca |
| 23 | ⚡️ Παγκόσμια χρήση ενέργειας ⚡️ - πρόβλεψη χρονικών σειρών με SVR | Χρονικές σειρές | Πρόβλεψη χρονικών σειρών με Support Vector Regressor | Python | Anirban |
| 24 | Εισαγωγή στην ενισχυτική μάθηση | Ενισχυτική μάθηση | Εισαγωγή στην ενισχυτική μάθηση με Q-Learning | Python | Dmitry |
| 25 | Βοηθήστε τον Peter να αποφύγει τον λύκο! 🐺 | Ενισχυτική μάθηση | Gym ενισχυτικής μάθησης | Python | Dmitry |
| Υστερόγραφο | Πραγματικά σενάρια και εφαρμογές ΜΜ | ΜΜ στην πράξη | Ενδιαφέρουσες και αποκαλυπτικές πραγματικές εφαρμογές της κλασικής ΜΜ | Μάθημα | Ομάδα |
| Υστερόγραφο | Αποσφαλμάτωση μοντέλων ΜΜ με το RAI dashboard | ΜΜ στην πράξη | Αποσφαλμάτωση μοντέλων Μηχανικής Μάθησης με συστατικά πίνακα ελέγχου Responsible AI | Μάθημα | Ruth Yakubu |
βρείτε όλα τα επιπρόσθετα υλικά για αυτό το μάθημα στη συλλογή μας του Microsoft Learn
Μπορείτε να τρέξετε αυτή τη τεκμηρίωση εκτός σύνδεσης χρησιμοποιώντας το Docsify. Κάντε fork σε αυτό το αποθετήριο, εγκαταστήστε το Docsify στον τοπικό σας υπολογιστή, και στη συνέχεια στον ριζικό φάκελο αυτού του αποθετηρίου, πληκτρολογήστε docsify serve. Η ιστοσελίδα θα σερβιριστεί στη θύρα 3000 στο localhost σας: localhost:3000.
Βρείτε ένα pdf του προγράμματος σπουδών με συνδέσμους εδώ.
Η ομάδα μας παράγει και άλλα μαθήματα! Ρίξτε μια ματιά:
Εάν κολλήσετε ή έχετε ερωτήσεις ενώ μαθαίνετε Μηχανική Μάθηση ή δημιουργείτε εφαρμογές Τεχνητής Νοημοσύνης, μην ανησυχείτε — η βοήθεια είναι διαθέσιμη.
Μπορείτε να συμμετάσχετε σε συζητήσεις με άλλους μαθητές και προγραμματιστές, να κάνετε ερωτήσεις και να μοιραστείτε τις ιδέες σας με την κοινότητα.
- Συμμετέχετε στην κοινότητα για να κάνετε ερωτήσεις και να μάθετε με άλλους
- Συζητήστε έννοιες Μηχανικής Μάθησης και ιδέες έργων
- Λάβετε καθοδήγηση από έμπειρους προγραμματιστές
Μια υποστηρικτική κοινότητα είναι ένας εξαιρετικός τρόπος να αναπτύξετε τις δεξιότητές σας και να λύσετε προβλήματα πιο γρήγορα.
Microsoft Foundry Discord Community
Εάν συναντήσετε σφάλματα, λάθη ή έχετε προτάσεις για βελτιώσεις, μπορείτε επίσης να ανοίξετε ένα Issue σε αυτό το αποθετήριο για να αναφέρετε το πρόβλημα.
Για σχόλια προϊόντος ή για να αναζητήσετε υπάρχουσες αναρτήσεις της κοινότητας, επισκεφθείτε το Φόρουμ Προγραμματιστών:
- Επανεξετάστε τα σημειωματάρια μετά από κάθε μάθημα για καλύτερη κατανόηση.
- Εξασκηθείτε στην υλοποίηση αλγορίθμων μόνοι σας.
- Εξερευνήστε πραγματικά σύνολα δεδομένων χρησιμοποιώντας τις εννοιές που μάθατε.
Αποποίηση ευθυνών: Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία μετάφρασης AI Co-op Translator. Ενώ προσπαθούμε για ακρίβεια, παρακαλούμε να είστε ενήμεροι ότι οι αυτόματες μεταφράσεις μπορεί να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα πρέπει να θεωρείται η επίσημη πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν ευθυνόμαστε για τυχόν παρανοήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.