🌍 世界の文化を利用して機械学習を探索しながら、世界中を旅しましょう🌍
MicrosoftのAzureCloudAdvocatesは、機械学習に関する12週間の26レッスンのカリキュラムを提供できることを嬉しく思います。このカリキュラムでは、主にScikit-learnをライブラリとして使用し、ディープラーニングを回避することで、古典的な機械学習と呼ばれることもあります。これについては、次の「AIforBeginners」カリキュラムで説明します。これらのレッスンを「初心者向けデータサイエンス」カリキュラムとも組み合わせてください。
これらの古典的な手法を世界の多くの地域のデータに適用しながら、世界中を旅してください。各レッスンには、レッスン前後のクイズ、レッスンを完了するための書面による指示、解決策、課題などが含まれています。私たちのプロジェクトベースの教育法では、新しいスキルを「定着」させるための実証済みの方法である、構築しながら学習することができます。
学生は、このカリキュラムを使用するために、リポジトリ全体を自分のGitHubアカウントにフォークし、自分でまたはグループで演習を完了します。
/solution、各プロジェクト指向のレッスンのフォルダーで利用できます。
さらに学習するには、これらのMicrosoftLearnモジュールと学習パスに従うことをお勧めします。
先生方、このカリキュラムの使い方に関するいくつかの提案を含めました。
MohitJaisalによる GIF
🎥 プロジェクトとそれを作成した人々についてのビデオについては、上の画像をクリックしてください!
このカリキュラムを作成する際に、2つの教育学的信条を選択しました。それは、実践的なプロジェクトベースであり、頻繁なクイズが含まれていることを確認することです。さらに、このカリキュラムには、まとまりを与えるための共通のテーマがあります。
コンテンツがプロジェクトと一致するようにすることで、プロセスは学生にとってより魅力的なものになり、概念の保持が強化されます。さらに、クラスの前のローステークスクイズは、トピックを学習することへの学生の意図を設定し、クラスの後の2番目のクイズは、さらなる保持を保証します。このカリキュラムは、柔軟で楽しいものになるように設計されており、全体または一部を受講することができます。プロジェクトは小規模で始まり、12週間のサイクルの終わりまでにますます複雑になります。このカリキュラムには、MLの実際のアプリケーションに関する追記も含まれています。これは、追加のクレジットとして、またはディスカッションの基礎として使用できます。
言語に関する注意:これらのレッスンは主にPythonで書かれていますが、多くはRでも利用できます。Rレッスンを完了するには、
/solutionフォルダーに移動してRレッスンを探してください。それらには、 (Rまたは他の言語の)および(PDFなどの出力のフォーマット方法をガイドする)の埋め込みとして単純に定義できるRマークダウンファイルを表す.rmd拡張子が含まれています。このように、Markdownに書き留めることでコード、その出力、および考えを組み合わせることができるため、データサイエンスの模範的なオーサリングフレームワークとして機能します。さらに、R Markdownドキュメントは、PDF、HTML、Wordなどの出力形式にレンダリングできます。code chunksYAML headerMarkdown document
クイズに関する注意:すべてのクイズがこのアプリに含まれており、それぞれ3つの質問からなる合計52のクイズがあります。これらはレッスン内からリンクされていますが、クイズアプリはローカルで実行できます。
quiz-appフォルダの指示に従ってください。
レッスン番号 | トピック | レッスンのグループ化 | 学習目標 | リンクレッスン | 著者 |
---|---|---|---|---|---|
01 | 機械学習の概要 | 序章 | 機械学習の背後にある基本的な概念を学ぶ | レッスン | ムハンマド |
02 | 機械学習の歴史 | 序章 | この分野の根底にある歴史を学ぶ | レッスン | ジェンとエイミー |
03 | 公平性と機械学習 | 序章 | MLモデルを構築して適用する際に、学生が考慮すべき公平性に関する重要な哲学的問題は何ですか? | レッスン | ともみ |
04 | 機械学習のテクニック | 序章 | ML研究者はMLモデルを構築するためにどのような手法を使用しますか? | レッスン | クリスとジェン |
05 | 回帰の概要 | 回帰 | PythonとScikitを始めましょう-回帰モデルを学びましょう |
|
|
06 | 北米のカボチャの価格 |
回帰 | MLの準備としてデータを視覚化してクリーンアップする |
|
|
07 | 北米のカボチャの価格 |
回帰 | 線形および多項式回帰モデルを構築する |
|
|
08 | 北米のカボチャの価格 |
回帰 | ロジスティック回帰モデルを構築する |
|
|
09 | Webアプリ |
Webアプリ | トレーニング済みモデルを使用するウェブアプリを作成する | Python | ジェン |
10 | 分類入門 | 分類 | データをクリーンアップ、準備、視覚化します。分類入門 |
|
|
11 | おいしいアジア料理とインド料理 |
分類 | 分類子の概要 |
|
|
12 | おいしいアジア料理とインド料理 |
分類 | より多くの分類子 |
|
|
13 | おいしいアジア料理とインド料理 |
分類 | モデルを使用してレコメンダーWebアプリを構築する | Python | ジェン |
14 | クラスタリングの概要 | クラスタリング | データをクリーンアップ、準備、視覚化します。クラスタリングの概要 |
|
|
15 | ナイジェリアの音楽の好みを探る |
クラスタリング | K-Meansクラスタリング法を探る |
|
|
16 | 自然言語処理の概要 |
自然言語処理 | 簡単なボットを作成して、NLPの基本を学びましょう | Python | スティーブン |
17 | 一般的なNLPタスク |
自然言語処理 | 言語構造を扱うときに必要な一般的なタスクを理解することにより、NLPの知識を深めます | Python | スティーブン |
18 | 翻訳と感情分析 |
自然言語処理 | JaneAustenによる翻訳と感情分析 | Python | スティーブン |
19 | ヨーロッパのロマンチックなホテル |
自然言語処理 | ホテルレビューによる感情分析1 | Python | スティーブン |
20 | ヨーロッパのロマンチックなホテル |
自然言語処理 | ホテルレビューによる感情分析2 | Python | スティーブン |
21 | 時系列予測の概要 | 時系列 | 時系列予測の概要 | Python | フランチェスカ |
22 |
|
時系列 | ARIMAによる時系列予測 | Python | フランチェスカ |
23 |
|
時系列 | サポートベクターリグレッサを使用した時系列予測 | Python | アニルバン |
24 | 強化学習の概要 | 強化学習 | Qラーニングによる強化学習の概要 | Python | ドミトリー |
25 | ピーターがオオカミを避けるのを手伝ってください! |
強化学習 | 強化学習ジム | Python | ドミトリー |
追記 | 実際のMLシナリオとアプリケーション | 野生のML | 古典的なMLの興味深い実世界のアプリケーション | レッスン | チーム |
Docsifyを使用して、このドキュメントをオフラインで実行できます。このレポジトリをフォークし、ローカルマシンにDocsifyをインストールしてから、このレポジトリのルートフォルダに「。」と入力し
docsify serveます。Webサイトはローカルホストのポート3000で提供されます:
localhost:3000。
ここにリンクがあるカリキュラムのPDFを見つけてください。
翻訳に貢献しませんか?翻訳ガイドラインを読み、ここでワークロードを管理するためのテンプレート化された問題を追加してください。
私たちのチームは他のカリキュラムを作成しています!チェックアウト: