Machine Learning pentru Începători

April 20, 2026 · View on GitHub

🌐 Suport multilingv

Sprijinit prin GitHub Action (automatizat și mereu actualizat)

Preferi să clonezi local?

Acest depozit include peste 50 de traduceri care cresc semnificativ dimensiunea descărcării. Pentru a clona fără traduceri, folosește 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"
Acest lucru îți oferă tot ce ai nevoie pentru a urma cursul cu o descărcare mult mai rapidă.

Alătură-te comunității noastre

Avem o serie Discord „Learn with AI” în curs, află mai multe și alătură-te la Learn with AI Series între 18 - 30 septembrie 2025. Vei primi sfaturi și trucuri pentru utilizarea GitHub Copilot în Data Science.

Seria Learn with AI

Machine Learning pentru Începători – Un Curriculum

🌍 Călătorește în jurul lumii explorând Machine Learning prin prisma culturilor mondiale 🌍

Advocații Cloud de la Microsoft sunt încântați să ofere un curriculum de 12 săptămâni, 26 de lecții, totul despre Machine Learning. În acest curriculum, vei învăța despre ceea ce se numește uneori machine learning clasic, folosind în principal biblioteca Scikit-learn și evitând deep learning-ul, care este acoperit în curriculumul nostru AI pentru Începători. Combină aceste lecții cu curriculumul nostru 'Data Science pentru Începători'!

Călătorește cu noi în jurul lumii aplicând aceste tehnici clasice pe date din diverse regiuni ale lumii. Fiecare lecție include chestionare înainte și după lecție, instrucțiuni scrise pentru completarea lecției, o soluție, o temă și multe altele. Pedagogia noastră bazată pe proiecte îți permite să înveți construind, o metodă dovedită pentru a fixa noile cunoștințe.

✍️ Mulțumiri sincere autorilor noștri Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu și Amy Boyd

🎨 Mulțumiri și ilustratorilor noștri Tomomi Imura, Dasani Madipalli și Jen Looper

🙏 Mulțumiri speciale 🙏 autorilor, recenzorilor și colaboratorilor de conținut Microsoft Student Ambassador, în special Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila și Snigdha Agarwal

🤩 Mulțumiri suplimentare Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi și Vidushi Gupta pentru lecțiile R!

Începe aici

Urmează acești pași:

Fă fork la depozit: Apasă butonul „Fork” din colțul dreapta sus al acestei pagini.
Clonează depozitul: git clone https://github.com/microsoft/ML-For-Beginners.git

găsește toate resursele suplimentare pentru acest curs în colecția noastră Microsoft Learn

🔧 Ai nevoie de ajutor? Consultă Ghidul nostru de depanare pentru soluții la probleme comune privind instalarea, configurarea și rularea lecțiilor.

Studenți, pentru a folosi acest curriculum, faceți fork întregului depozit în contul vostru GitHub și completați exercițiile singuri sau în grup:

Începeți cu un chestionar pre-lectură.
Citiți lecția și finalizați activitățile, oprindu-vă și reflectând la fiecare verificare de cunoștințe.
Încercați să creați proiectele înțelegând lecțiile, mai degrabă decât să rulați codul soluției; codul soluției este disponibil însă în folderele /solution pentru fiecare lecție orientată pe proiect.
Faceți chestionarul post-lectură.
Finalizați provocarea.
Finalizați tema.
După ce terminați un grup de lecții, vizitați Forum de Discuții și „învățați cu voce tare” completând rubrica PAT corespunzătoare. Un 'PAT' este un instrument de evaluare a progresului ce completezi pentru a-ți aprofunda învățarea. Poți reacționa și la alte PAT-uri pentru a învăța împreună.

Pentru studiu suplimentar, vă recomandăm să urmați aceste module și căi de învățare Microsoft Learn.

Profesori, am inclus unele sugestii despre cum să utilizați acest curriculum.

Prezentări video

Unele lecții sunt disponibile ca video-uri scurte. Le puteți găsi integrate în lecții sau pe playlist-ul ML for Beginners pe canalul Microsoft Developer YouTube dând clic pe imaginea de mai jos.

Echipa

Gif realizat de Mohit Jaisal

🎥 Dă clic pe imaginea de mai sus pentru un video despre proiect și oamenii care l-au creat!

Pedagogie

Am ales două principii pedagogice în construirea acestui curriculum: asigurarea faptului că este practic, bazat pe proiecte, și că include teste frecvente. În plus, acest curriculum are o temă comună pentru a-i conferi coeziune.

Prin alinierea conținutului la proiecte, procesul devine mai captivant pentru studenți și reținerea conceptelor este îmbunătățită. În plus, un chestionar cu miză mică înaintea unei lecții setează intenția studentului de a învăța un subiect, în timp ce un al doilea chestionar după lecție asigură o retenție suplimentară. Acest curriculum a fost proiectat să fie flexibil și distractiv și poate fi urmat integral sau parțial. Proiectele încep mici și devin din ce în ce mai complexe până la finalul ciclului de 12 săptămâni. Curriculumul include și un postscriptum despre aplicațiile ML în lumea reală, care poate fi folosit ca credit suplimentar sau ca bază pentru discuții.

Găsiți Codul nostru de conduită, Contribuții, Traduceri și Ghidul de depanare. Așteptăm cu interes feedback-ul vostru constructiv!

Fiecare lecție include

schiță opțională
video suplimentar opțional
prezentare video (doar unele lecții)
chestionar de încălzire pre-lectură
lecție scrisă
pentru lecțiile bazate pe proiecte, ghid pas cu pas pentru construire proiect
verificări ale cunoștințelor
o provocare
lecturi suplimentare
temă
chestionar post-lectură

O notă despre limbi: Aceste lecții sunt scrise în principal în Python, dar multe sunt disponibile și în R. Pentru a finaliza o lecție în R, accesați folderul /solution și căutați lecții în R. Acestea includ o extensie .rmd care reprezintă un fișier R Markdown, definit simplu ca o încorporare de blocuri de cod (în R sau alte limbi) și un antet YAML (care ghidează modul de formatare a ieșirilor, precum PDF) într-un document Markdown. Astfel, servește ca un cadru exemplu de creare pentru știința datelor, deoarece vă permite să combinați codul, rezultatul său și gândurile dvs., permițându-vă să le scrieți în Markdown. Mai mult, documentele R Markdown pot fi redate în formate de ieșire precum PDF, HTML sau Word.

O notă despre teste: Toate testele se găsesc în folderul Quiz App, în total 52 de teste a câte trei întrebări fiecare. Sunt legate din interiorul lecțiilor, dar aplicația de teste poate fi rulată local; urmați instrucțiunile din folderul quiz-app pentru a găzdui local sau a implementa pe Azure.

Numărul lecției	Subiect	Gruparea lecției	Obiective de învățare	Lecția legată	Autor
01	Introducere în învățarea automată	Introducere	Învață conceptele de bază din spatele învățării automate	Lecția	Muhammad
02	Istoria învățării automate	Introducere	Învață istoria domeniului	Lecția	Jen și Amy
03	Corectitudine și învățarea automată	Introducere	Care sunt problemele filozofice importante legate de corectitudine pe care studenții ar trebui să le ia în considerare când construiesc și aplică modele ML?	Lecția	Tomomi
04	Tehnici pentru învățarea automată	Introducere	Ce tehnici folosesc cercetătorii ML pentru a construi modele ML?	Lecția	Chris și Jen
05	Introducere în regresie	Regresie	Începeți cu Python și Scikit-learn pentru modele de regresie	Python • R	Jen • Eric Wanjau
06	Prețurile dovlecilor din America de Nord 🎃	Regresie	Vizualizează și curăță datele în pregătirea pentru ML	Python • R	Jen • Eric Wanjau
07	Prețurile dovlecilor din America de Nord 🎃	Regresie	Construiește modele de regresie liniară și polinomială	Python • R	Jen și Dmitry • Eric Wanjau
08	Prețurile dovlecilor din America de Nord 🎃	Regresie	Construiește un model de regresie logistică	Python • R	Jen • Eric Wanjau
09	O aplicație web 🔌	Aplicație web	Construiește o aplicație web pentru a folosi modelul antrenat	Python	Jen
10	Introducere în clasificare	Clasificare	Curăță, pregătește și vizualizează datele; introducere în clasificare	Python • R	Jen și Cassie • Eric Wanjau
11	Bucătării asiatice și indiene delicioase 🍜	Clasificare	Introducere în clasificatori	Python • R	Jen și Cassie • Eric Wanjau
12	Bucătării asiatice și indiene delicioase 🍜	Clasificare	Mai mulți clasificatori	Python • R	Jen și Cassie • Eric Wanjau
13	Bucătării asiatice și indiene delicioase 🍜	Clasificare	Construiește o aplicație web de recomandare folosind modelul tău	Python	Jen
14	Introducere în clustering	Clustering	Curăță, pregătește și vizualizează datele; introducere în clustering	Python • R	Jen • Eric Wanjau
15	Explorarea gusturilor muzicale nigeriene 🎧	Clustering	Explorează metoda de clustering K-Means	Python • R	Jen • Eric Wanjau
16	Introducere în procesarea limbajului natural ☕️	Procesarea limbajului natural	Învață elementele de bază ale NLP construind un bot simplu	Python	Stephen
17	Sarcini comune NLP ☕️	Procesarea limbajului natural	Adâncește-ți cunoștințele în NLP înțelegând sarcinile comune necesare când lucrezi cu structuri ale limbajului	Python	Stephen
18	Traducere și analiza sentimentelor ♥️	Procesarea limbajului natural	Traducere și analiza sentimentelor cu Jane Austen	Python	Stephen
19	Hoteluri romantice din Europa ♥️	Procesarea limbajului natural	Analiza sentimentelor cu recenzii la hoteluri 1	Python	Stephen
20	Hoteluri romantice din Europa ♥️	Procesarea limbajului natural	Analiza sentimentelor cu recenzii la hoteluri 2	Python	Stephen
21	Introducere în prognoza seriilor temporale	Serii temporale	Introducere în prognoza seriilor temporale	Python	Francesca
22	⚡️ Consum mondial de energie ⚡️ - prognoza seriilor temporale cu ARIMA	Serii temporale	Prognoza seriilor temporale cu ARIMA	Python	Francesca
23	⚡️ Consum mondial de energie ⚡️ - prognoza seriilor temporale cu SVR	Serii temporale	Prognoza seriilor temporale cu Regressorul Vectorial de Suport	Python	Anirban
24	Introducere în învățarea prin întărire	Învățare prin întărire	Introducere în învățarea prin întărire cu Q-Learning	Python	Dmitry
25	Ajută-l pe Peter să evite lupul! 🐺	Învățare prin întărire	Învață cu Gym pentru învățarea prin întărire	Python	Dmitry
Postscript	Scenarii și aplicații ML din lumea reală	ML în natură	Aplicații interesante și revelatoare din lumea reală a ML clasice	Lecția	Echipa
Postscript	Debugging model în ML folosind dashboard-ul RAI	ML în natură	Debugging model în învățarea automată folosind componentele dashboard-ului Responsible AI	Lecția	Ruth Yakubu

găsiți toate resursele suplimentare pentru acest curs în colecția noastră Microsoft Learn

Acces offline

Puteți rula această documentație offline folosind Docsify. Dați fork acestui repo, instalați Docsify pe mașina dvs. locală, apoi în folderul rădăcină al acestui repo, tastați docsify serve. Website-ul va fi servit pe portul 3000 pe localhost-ul dvs.: localhost:3000.

PDF-uri

Găsiți un PDF al curriculei cu linkuri aici.

🎒 Alte cursuri

Echipa noastră produce și alte cursuri! Verifică:

LangChain

Azure / Edge / MCP / Agenți

Seria AI Generativ

Învățare de Bază

Seria Copilot

Obținerea Ajutorului

Dacă întâmpini dificultăți sau ai întrebări în timp ce înveți Machine Learning sau construiești aplicații AI, nu te îngrijora — ajutorul este disponibil.

Poți participa la discuții cu alți cursanți și dezvoltatori, pune întrebări și împărtăși ideile tale cu comunitatea.

Alătură-te comunității pentru a pune întrebări și a învăța împreună cu alții
Discută concepte de Machine Learning și idei de proiecte
Primește îndrumare de la dezvoltatori experimentați

O comunitate suportivă este o modalitate excelentă de a-ți dezvolta abilitățile și de a rezolva probleme mai rapid.

Microsoft Foundry Discord Community

Dacă întâlnești erori, bug-uri sau ai sugestii de îmbunătățire, poți deschide și un Issue în acest depozit pentru a raporta problema.

Pentru feedback despre produs sau pentru a căuta postări existente în comunitate, vizitează Forumul Dezvoltatorilor:

Sfaturi Suplimentare pentru Învățare

Revizuiește caietele după fiecare lecție pentru o înțelegere mai bună.
Exersează implementarea algoritmilor pe cont propriu.
Explorează seturi de date din lumea reală folosind conceptele învățate.

Declinare a responsabilității:
Acest document a fost tradus folosind serviciul de traducere AI Co-op Translator. Deși ne străduim pentru acuratețe, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa nativă trebuie considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională umană. Nu ne asumăm răspunderea pentru eventuale neînțelegeri sau interpretări greșite rezultate din utilizarea acestei traduceri.