初心者のための機械学習-カリキュラム

🌍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。

✍️著者のJenLooper、Stephen Howell、Francesca Lazzeri、Tomomi Imura、Cassie Breviu、Dmitry Soshnikov、Chris Noring、Anirban Mukherjee、Ornella Altunyan、AmyBoydに心から感謝します。

🎨イラストレーターの井村朋美さん、ダサニ・マディパリさん、ジェン・ルーパーさんにも感謝します

🙏特別な感謝🙏Microsoft Student Ambassadorの作成者、レビュー担当者、コンテンツの寄稿者、特にRishit Dagli、Muhammad Sakib Khan Inan、Rohan Raj、Alexandru Petrescu、Abhishek Jaiswal、Nawrin Tabassum、Ioan Samuila、Snigdha Agarwal

🤩マイクロソフトの学生アンバサダーであるEricWanjauのRレッスンに感謝します。

---

入門

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。

• 講義前のクイズから始めます。
• 講義を読み、各知識チェックで一時停止して振り返りながら、アクティビティを完了します。
• ソリューションコードを実行するのではなく、レッスンを理解してプロジェクトを作成してみてください。ただし、そのコードは

  /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。
• 講義後のクイズに答えてください。
• チャレンジを完了します。
• 割り当てを完了します。
• レッスングループを完了した後、ディスカッション掲示板にアクセスし、適切なPATルーブリックに記入して「大声で学びましょう」。「PAT」は、学習を促進するために記入するルーブリックである進捗評価ツールです。他のPATに反応して、一緒に学ぶこともできます。

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。

---

チームに会う

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！

---

教育学

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。

行動規範、貢献、および翻訳のガイドラインを見つけてください。建設的なフィードバックを歓迎します！

各レッスンには以下が含まれます：

• オプションのスケッチノート
• オプションの補足ビデオ
• 講義前ウォームアップクイズ
• 書かれたレッスン
• プロジェクトベースのレッスンの場合、プロジェクトの構築方法に関するステップバイステップガイド
• 知識チェック
• 挑戦
• 補足資料
• 割り当て
• 講義後クイズ

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 chunks

YAML header

Markdown 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	Python R	ジェン エリック・ワンジャウ
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	Python R	ジェン エリック・ワンジャウ
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	Python R	ジェンとドミトリー エリック・ワンジャウ
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	Python R	ジェン エリック・ワンジャウ
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	Python R	ジェンとキャシー エリック・ワンジャウ
11	おいしいアジア料理とインド料理🍜	分類	分類子の概要	Python R	ジェンとキャシー エリック・ワンジャウ
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	Python R	ジェンとキャシー エリック・ワンジャウ
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	Python R	ジェン エリック・ワンジャウ
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	Python R	ジェン エリック・ワンジャウ
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	⚡️世界の電力使用量⚡️-ARIMAによる時系列予測	時系列	ARIMAによる時系列予測	Python	フランチェスカ
23	⚡️世界の電力使用量⚡️-SVRによる時系列予測	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

オフラインアクセス

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

。

PDF

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。

従業員求む！

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。

その他のカリキュラム

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：

• 初心者のためのWeb開発
• 初心者のためのIoT
• 初心者のためのデータサイエンス
• 初心者のためのAI