Машинне навчання для початківців

April 20, 2026 · View on GitHub

🌐 Підтримка кількох мов

Підтримується через GitHub Action (Автоматично та завжди актуально)

Віддаєте перевагу клонувати локально?

У цьому репозиторії є понад 50 мов перекладу, що істотно збільшує розмір завантаження. Щоб клонувати без перекладів, використовуйте 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"
Це дасть вам усе необхідне для проходження курсу з набагато швидшим завантаженням.

Приєднуйтеся до нашої спільноти

У нас проходить серія навчань з Discord про AI, дізнайтеся більше та приєднуйтеся до нас на Learn with AI Series з 18 по 30 вересня 2025 року. Ви отримаєте поради та прийоми використання GitHub Copilot для Data Science.

Learn with AI series

Машинне навчання для початківців — Навчальна програма

🌍 Подорожуйте навколо світу, вивчаючи Машинне навчання через культури світу 🌍

Співробітники Microsoft Cloud Advocates раді запропонувати 12-тижневу навчальну програму з 26 уроків, присвячену машинному навчанню. У цій програмі ви дізнаєтеся про те, що іноді називають класичним машинним навчанням, переважно використовуючи бібліотеку Scikit-learn і уникаючи глибокого навчання, яке освітлюється в нашій навчальній програмі AI for Beginners. Поєднуйте ці уроки з нашою 'Data Science for Beginners' навчальною програмою.

Подорожуйте разом з нами по світу, застосовуючи ці класичні методи до даних з багатьох куточків світу. Кожен урок містить тести до та після уроку, інструкції для виконання, розв’язок, завдання й більше. Наша проектно-орієнтована педагогіка дозволяє вчитися, створюючи, що є перевіреним способом для кращого засвоєння нових навичок.

✍️ Щиро дякуємо нашим авторам Джен Лупер, Стівен Гауелл, Франческа Лаццері, Томомі Імура, Кессі Бревіу, Дмитру Сошникову, Крісу Норінгу, Анірбану Мукерджі, Орнеллі Альтунян, Рут Якубу та Емі Бойд

🎨 Також дякуємо нашим ілюстраторам Томомі Імурі, Дасані Мадіпаллі та Джен Лупер

🙏 Особлива подяка 🙏 авторам, рецензентам і контент-консультантам Microsoft Student Ambassador, зокрема Рішиту Даглі, Мухаммаду Сакібу Хану Інану, Рохану Раджу, Олександру Петреску, Абішеаку Джайсвалу, Наврін Табассум, Іоану Самуїлу та Снігдха Агарвал

🤩 Окрема подяка студентським амбасадорам Microsoft Еріку Ванджау, Джаслін Сонді та Відуші Гупті за уроки R!

Початок роботи

Виконайте ці кроки:

Відфоркуйте репозиторій: Натисніть кнопку "Fork" у верхньому правому кутку цієї сторінки.
Клонуйте репозиторій: git clone https://github.com/microsoft/ML-For-Beginners.git

знайдіть усі додаткові ресурси для цього курсу в нашій колекції Microsoft Learn

🔧 Потрібна допомога? Перегляньте наш Посібник з усунення несправностей для розв’язання типових проблем з установкою, налаштуванням та запуском уроків.

Студенти, щоб користуватися цією програмою, відфоркуйте весь репозиторій на свій обліковий запис GitHub і виконуйте вправи самостійно або в групі:

Розпочніть з передлекційного тесту.
Прочитайте лекцію і виконуйте завдання, зупиняючись і розмірковуючи під час кожної перевірки знань.
Намагайтеся створювати проекти, розуміючи матеріал уроку, а не просто запускаючи код розв’язку; проте цей код доступний у папках /solution кожного проектно-орієнтованого уроку.
Виконайте післялекційний тест.
Виконайте виклик.
Виконайте завдання.
Після завершення групи уроків відвідайте Дошку обговорень і "вчіться вголос", заповнюючи відповідну рубрику PAT. «PAT» — це інструмент оцінювання прогресу, який ви заповнюєте для подальшого навчання. Також можна реагувати на інші PAT, щоб ми вчилися разом.

Для подальшого навчання рекомендуємо виконати ці модулі та навчальні шляхи на Microsoft Learn.

Вчителі, ми включили деякі пропозиції щодо використання цієї навчальної програми.

Відео-розбори

Деякі уроки доступні у вигляді коротких відео. Усі їх можна знайти у самих уроках або на плейлисті ML for Beginners на каналі Microsoft Developer у YouTube, натиснувши на зображення нижче.

Знайомство з командою

Gif від Mohit Jaisal

🎥 Натисніть на зображення вище, щоб переглянути відео про проєкт та людей, які його створили!

Педагогіка

Ми обрали два педагогічні принципи при розробці програми: забезпечення практичного проектного підходу та включення частих тестів. Крім того, ця навчальна програма має спільну тему для цілісності.

Забезпечення відповідності вмісту проектам робить процес навчання більш захопливим для студентів, а також підвищує запам’ятовування концепцій. Низькопороговий тест перед заняттям налаштовує студента на вивчення теми, а другий тест після уроку забезпечує краще засвоєння. Програма була створена так, щоб бути гнучкою і цікавою, її можна проходити повністю або частково. Проекти починаються з простих і стають все складнішими до кінця 12-тижневого циклу. Програма також включає післямову про практичне застосування ML, яку можна використовувати як додатковий кредит або для бази обговорення.

Знайдіть наші Кодекс поведінки, Внесок, Переклади та Посібник з усунення несправностей. Ми раді вашому конструктивному зворотному зв’язку!

Кожен урок включає

необов’язкові нотатки (sketchnote)
необов’язкове допоміжне відео
відео-розбір (лише для деяких уроків)
тест перед лекцією
письмовий урок
для уроків з проєктами – покрокові інструкції зі створення проєкту
перевірки знань
виклик
додаткове читання
завдання
тест після лекції

Примітка про мови: Ці уроки переважно написані на Python, але багато з них також доступні на R. Щоб завершити урок R, перейдіть до папки /solution і шукайте уроки R. Вони мають розширення .rmd, що є файлом R Markdown, який можна просто визначити як вбудування кодових блоків (на R або інших мовах) та YAML заголовка (який керує форматуванням виводів, таких як PDF) у Markdown документ. Таким чином, це слугує зразковою рамкою для написання у сфері наукових даних, оскільки дозволяє поєднувати код, його вивід і ваші думки, даючи можливість записувати їх у Markdown. Крім того, документи R Markdown можна виводити у формати PDF, HTML або Word.

Примітка про вікторини: Усі вікторини містяться в Папці додатку вікторини, всього 52 вікторини по три питання кожна. Вони пов’язані з уроками, але додаток вікторини можна запускати локально; дотримуйтеся інструкцій у папці quiz-app для локального розміщення чи розгортання в Azure.

Номер уроку	Тема	Групування уроків	Цілі навчання	Пов’язаний урок	Автор
01	Вступ до машинного навчання	Вступ	Вивчіть основні поняття машинного навчання	Урок	Muhammad
02	Історія машинного навчання	Вступ	Дізнайтеся історію, що лежить в основі цієї галузі	Урок	Jen та Amy
03	Справедливість і машинне навчання	Вступ	Які важливі філософські питання щодо справедливості слід враховувати при створенні та застосуванні моделей МН?	Урок	Tomomi
04	Техніки машинного навчання	Вступ	Які техніки використовують дослідники МН для побудови моделей МН?	Урок	Chris і Jen
05	Вступ до регресії	Регресія	Початок роботи з Python і Scikit-learn для моделей регресії	Python • R	Jen • Eric Wanjau
06	Ціни на гарбузи в Північній Америці 🎃	Регресія	Візуалізація та очищення даних для підготовки до МН	Python • R	Jen • Eric Wanjau
07	Ціни на гарбузи в Північній Америці 🎃	Регресія	Побудова лінійної та поліноміальної регресій	Python • R	Jen та Dmitry • Eric Wanjau
08	Ціни на гарбузи в Північній Америці 🎃	Регресія	Побудова моделі логістичної регресії	Python • R	Jen • Eric Wanjau
09	Веб-додаток 🔌	Веб-додаток	Створіть веб-додаток для використання вашої навченої моделі	Python	Jen
10	Вступ до класифікації	Класифікація	Очищення, підготовка та візуалізація даних; вступ до класифікації	Python • R	Jen та Cassie • Eric Wanjau
11	Смачна азійська та індійська кухня 🍜	Класифікація	Вступ до класифікаторів	Python • R	Jen та Cassie • Eric Wanjau
12	Смачна азійська та індійська кухня 🍜	Класифікація	Більше класифікаторів	Python • R	Jen та Cassie • Eric Wanjau
13	Смачна азійська та індійська кухня 🍜	Класифікація	Створіть рекомендований веб-додаток за допомогою вашої моделі	Python	Jen
14	Вступ до кластеризації	Кластеризація	Очищення, підготовка та візуалізація даних; вступ до кластеризації	Python • R	Jen • Eric Wanjau
15	Дослідження музичних уподобань Нігерії 🎧	Кластеризація	Дослідження методу кластеризації K-Means	Python • R	Jen • Eric Wanjau
16	Вступ до обробки природної мови ☕️	Обробка природної мови	Вивчіть основи NLP, побудувавши простого бота	Python	Stephen
17	Поширені задачі NLP ☕️	Обробка природної мови	Поглибте свої знання NLP, розуміючи поширені задачі, потрібні для роботи з мовними структурами	Python	Stephen
18	Переклад і аналіз настроїв ♥️	Обробка природної мови	Переклад і аналіз настроїв на прикладі Джейн Остін	Python	Stephen
19	Романтичні готелі Європи ♥️	Обробка природної мови	Аналіз настроїв на прикладі відгуків про готелі 1	Python	Stephen
20	Романтичні готелі Європи ♥️	Обробка природної мови	Аналіз настроїв на прикладі відгуків про готелі 2	Python	Stephen
21	Вступ до прогнозування часових рядів	Часові ряди	Вступ до прогнозування часових рядів	Python	Francesca
22	⚡️ Світове споживання електроенергії ⚡️ - прогнозування часових рядів за ARIMA	Часові ряди	Прогнозування часових рядів за ARIMA	Python	Francesca
23	⚡️ Світове споживання електроенергії ⚡️ - прогнозування часових рядів за SVR	Часові ряди	Прогнозування часових рядів із використанням регресора опорних векторів	Python	Anirban
24	Вступ до підкріплювального навчання	Підкріплювальне навчання	Вступ до підкріплювального навчання з використанням алгоритму Q-Learning	Python	Dmitry
25	Допоможіть Пітеру уникнути вовка! 🐺	Підкріплювальне навчання	Підкріплювальне навчання за допомогою Gym	Python	Dmitry
Послеслов’я	Реальні сценарії та застосування МН	МН у реальності	Цікаві та показові реальні застосування класичного машинного навчання	Урок	Команда
Послеслов’я	Відлагодження моделей МН за допомогою RAI dashboard	МН у реальності	Відлагодження моделей машинного навчання за допомогою компонентів панелі управління Responsible AI	Урок	Ruth Yakubu

знайдіть усі додаткові ресурси для цього курсу в нашій колекції Microsoft Learn

Оффлайн-доступ

Ви можете запускати цю документацію офлайн, використовуючи Docsify. Зробіть форк цього репозиторію, встановіть Docsify на свій локальний комп’ютер і в кореневій папці репозиторію введіть команду docsify serve. Вебсайт буде доступний на порті 3000 на вашому localhost: localhost:3000.

PDF

Завантажте PDF з навчальною програмою з посиланнями тут.

🎒 Інші курси

Наша команда створює інші курси! Ознайомтесь:

LangChain

Azure / Edge / MCP / Агенти

Серія про генеративний ШІ

Основні знання

Серія Copilot

Отримання допомоги

Якщо ви застрягли чи маєте запитання під час вивчення машинного навчання або створення ШІ-додатків, не хвилюйтеся — допомога доступна.

Ви можете приєднатися до обговорень з іншими учнями та розробниками, задавати питання та ділитися своїми ідеями з спільнотою.

Приєднуйтесь до спільноти, щоб ставити питання та вчитися разом з іншими
Обговорюйте концепції машинного навчання та ідеї проектів
Отримуйте рекомендації від досвідчених розробників

Підтримуюча спільнота — це чудовий спосіб розвивати свої навички та швидше вирішувати проблеми.

Microsoft Foundry Discord Community

Якщо ви зіткнулися з помилками, збоями або маєте пропозиції щодо поліпшень, ви також можете відкрити Issue в цьому репозиторії, щоб повідомити про проблему.

Для відгуків про продукт або пошуку існуючих дописів у спільноті відвідайте Форум розробників:

Додаткові поради для навчання

Переглядайте блокноти після кожного уроку для кращого розуміння.
Практикуйте впровадження алгоритмів самостійно.
Досліджуйте реальні набори даних, використовуючи вивчені концепції.

Відмова від відповідальності:
Цей документ було перекладено за допомогою сервісу AI-перекладу Co-op Translator. Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ рідною мовою слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний переклад людиною. Ми не несемо відповідальності за будь-які непорозуміння чи неправильні тлумачення, що виникли внаслідок використання цього перекладу.