Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Kannada | Korean | Lithuanian | Malay | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese
로컬로 복제하시겠습니까?
이 저장소는 50개 이상의 언어 번역을 포함하고 있어 다운로드 크기가 크게 증가합니다. 번역 없이 클론하려면 스패어 체크아웃을 사용하세요:
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"이렇게 하면 훨씬 빠른 다운로드로 코스를 완료하는 데 필요한 모든 것을 얻을 수 있습니다.
우리는 Discord에서 AI 시리즈와 함께 학습 중입니다. 자세한 내용과 참여는 Learn with AI Series에서 2025년 9월 18일부터 30일까지 확인하세요. GitHub Copilot을 데이터 과학에 활용하는 유용한 팁과 노하우를 얻을 수 있습니다.
🌍 세계 문화를 통해 머신러닝을 탐험하며 세계 여행을 떠나요 🌍
Microsoft의 클라우드 전도사들이 12주, 26개의 강의로 구성된 머신러닝 교육 과정을 제공합니다. 이 교육 과정에서는 주로 Scikit-learn 라이브러리를 사용하며, 때때로 '고전적 머신러닝'이라 불리는 내용을 다룹니다. 딥러닝은 우리의 AI for Beginners 교육 과정에서 다룹니다. 이 강의들을 'Data Science for Beginners' 교육 과정과 함께 학습할 수도 있습니다!
세계 각지의 데이터를 활용하여 이 고전적인 기법들을 적용하며 여행하세요. 각 강의에는 사전 및 사후 퀴즈, 강의 완료를 위한 서면 지침, 해답, 과제 등이 포함되어 있습니다. 프로젝트 기반 교육법은 여러분이 구축하면서 배우도록 하여 새로운 기술이 '단단히' 자리잡도록 도와줍니다.
✍️ 저자 분들께 진심으로 감사드립니다 Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu, Amy Boyd
🎨 일러스트레이터 분들께도 감사드립니다 Tomomi Imura, Dasani Madipalli, Jen Looper
🙏 특별 감사 🙏 Microsoft Student Ambassador 저자, 검토자, 콘텐츠 기여자 분들께, 특히 Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, Snigdha Agarwal
🤩 특별 감사 Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, Vidushi Gupta에게 R 강의 제공에 대하여!
다음 단계를 따르세요:
- 저장소를 포크하세요: 이 페이지 우측 상단에 있는 "Fork" 버튼을 클릭합니다.
- 저장소를 클론하세요:
git clone https://github.com/microsoft/ML-For-Beginners.git
🔧 도움이 필요하신가요? 설치, 설정, 강의 실행 관련 일반적인 문제 해결책은 문제 해결 가이드를 참고하세요.
학생 여러분, 이 교육 과정을 사용하려면 전체 저장소를 자신의 GitHub 계정에 포크하고 개인 또는 그룹으로 연습 문제를 수행하세요:
- 강의 전 퀴즈부터 시작합니다.
- 강의를 읽고 활동을 수행하며 각 지식 점검에서 잠시 멈추고 생각해 보세요.
- 강의를 이해하며 코드를 실행하기보다는 프로젝트를 직접 만들어 보세요. 다만 각 프로젝트별로
/solution폴더에 해답 코드는 제공됩니다. - 강의 후 퀴즈를 풉니다.
- 챌린지를 완료합니다.
- 과제를 완수합니다.
- 강의 그룹을 마친 후, 토론 게시판을 방문해 관련 PAT 루브릭을 작성하며 '큰 소리로 배우기'를 실천하세요. 'PAT'는 학습 진척 평가 도구로, 여러분이 작성하며 학습을 더욱 발전시킬 수 있는 루브릭입니다. 다른 PAT에 반응하는 것도 함께 배우는 데 도움이 됩니다.
추가 학습을 원한다면, 이 Microsoft Learn 모듈과 학습 경로를 추천합니다.
교사 분들께는 이 교육 과정을 활용하는 방법에 대한 제안 사항을 포함했습니다.
몇몇 강의는 짧은 동영상 형태로 제공됩니다. 이 영상들은 강의 내에 인라인으로 포함되어 있거나, 아래 이미지를 클릭하면 Microsoft Developer YouTube 채널의 ML for Beginners 재생목록에서 모두 보실 수 있습니다.
동영상 제작자: Mohit Jaisal
🎥 위 이미지를 클릭하여 프로젝트와 그 제작자들에 관한 동영상을 시청하세요!
이 교육 과정을 만들면서 두 가지 교육적 원칙을 선택했습니다: 직접 체험하는 프로젝트 기반 학습과 빈번한 퀴즈 포함입니다. 또한 전체 교육 과정에 통일감을 주는 주제를 가지고 있습니다.
내용이 실제 프로젝트와 연계되도록 하여 학생들이 더 몰입할 수 있고 개념의 기억이 강화됩니다. 수업 전에 부담 없는 퀴즈를 봄으로써 학생들이 배우려는 의도를 확립하고, 수업 후 두 번째 퀴즈를 통해 더 깊은 이해와 기억을 돕습니다. 이 교육 과정은 유연하고 재미있게 진행될 수 있도록 설계되었으며, 전체 또는 일부만 수강할 수도 있습니다. 프로젝트는 작게 시작해서 12주 과정이 끝날 때쯤 점점 복잡해집니다. 또한 머신러닝의 실제 적용 사례를 다룬 부록도 포함되어 있어 추가 학점이나 토론 주제로 활용할 수 있습니다.
- 선택적 스케치노트
- 선택적 보조 영상
- 영상 강의(일부 강의만)
- 강의 전 준비 퀴즈
- 서면 강의 자료
- 프로젝트 기반 강의의 경우 단계별 프로젝트 구축 가이드
- 지식 점검
- 챌린지
- 보충 읽기 자료
- 과제
- 강의 후 퀴즈
언어 관련 참고: 이 강의들은 주로 Python으로 작성되었지만, 많은 강의는 R로도 제공됩니다. R 강의를 완료하려면
/solution폴더의 R 강의를 찾아보세요..rmd확장자는 R Markdown 파일을 의미하며, 코드 청크(코드 조각)와YAML 헤더(PDF 등 출력 형식 설정을 안내)로 구성된 마크다운 문서입니다. 이는 코드를 실행한 결과와 생각을 마크다운 내에서 함께 작성할 수 있어 데이터 과학 작성을 위한 훌륭한 프레임워크 역할을 합니다. 또한 R Markdown 문서는 PDF, HTML, Word 등 다양한 출력 형식으로 렌더링할 수 있습니다. 퀴즈 관련 참고 사항: 모든 퀴즈는 Quiz App 폴더에 포함되어 있으며, 각 퀴즈는 3개의 질문으로 구성된 총 52개의 퀴즈가 있습니다. 수업 내에서 링크되어 있지만, 퀴즈 앱은 로컬에서 실행할 수 있습니다.quiz-app폴더에 있는 지침을 따라 로컬에서 호스트하거나 Azure에 배포하십시오.
| 수업 번호 | 주제 | 수업 그룹 | 학습 목표 | 연결된 수업 | 저자 |
|---|---|---|---|---|---|
| 01 | 머신러닝 소개 | Introduction | 머신러닝의 기본 개념 학습 | Lesson | Muhammad |
| 02 | 머신러닝의 역사 | Introduction | 이 분야의 역사를 학습 | Lesson | Jen and Amy |
| 03 | 공정성과 머신러닝 | Introduction | 학생들이 ML 모델을 구축하고 적용할 때 고려해야 할 중요한 공정성 관련 철학적 이슈는 무엇인가? | Lesson | Tomomi |
| 04 | 머신러닝 기법 | Introduction | ML 연구자들이 ML 모델을 구축할 때 사용하는 기법은 무엇인가? | Lesson | Chris and Jen |
| 05 | 회귀 소개 | Regression | 회귀 모델을 위한 Python과 Scikit-learn 시작하기 | Python • R | Jen • Eric Wanjau |
| 06 | 북미 호박 가격 🎃 | Regression | ML 준비를 위한 데이터 시각화 및 정제 | Python • R | Jen • Eric Wanjau |
| 07 | 북미 호박 가격 🎃 | Regression | 선형 및 다항 회귀 모델 구축 | Python • R | Jen and Dmitry • Eric Wanjau |
| 08 | 북미 호박 가격 🎃 | Regression | 로지스틱 회귀 모델 구축 | Python • R | Jen • Eric Wanjau |
| 09 | 웹 앱 🔌 | Web App | 훈련된 모델을 사용할 웹 앱 구축 | Python | Jen |
| 10 | 분류 소개 | Classification | 데이터 정제, 준비 및 시각화; 분류 소개 | Python • R | Jen and Cassie • Eric Wanjau |
| 11 | 맛있는 아시아 및 인도 요리 🍜 | Classification | 분류기 소개 | Python • R | Jen and Cassie • Eric Wanjau |
| 12 | 맛있는 아시아 및 인도 요리 🍜 | Classification | 추가 분류기 | Python • R | Jen and Cassie • Eric Wanjau |
| 13 | 맛있는 아시아 및 인도 요리 🍜 | Classification | 모델을 사용해 추천 웹 앱 구축 | Python | Jen |
| 14 | 군집화 소개 | Clustering | 데이터 정제, 준비 및 시각화; 군집화 소개 | Python • R | Jen • Eric Wanjau |
| 15 | 나이지리아 음악 취향 탐방 🎧 | Clustering | K-평균 군집화 방법 탐색 | Python • R | Jen • Eric Wanjau |
| 16 | 자연어 처리 소개 ☕️ | Natural language processing | 간단한 봇 만들기로 NLP의 기본 학습 | Python | Stephen |
| 17 | 일반적인 NLP 작업 ☕️ | Natural language processing | 언어 구조를 다룰 때 필요한 일반 작업을 이해하여 NLP 지식 심화 | Python | Stephen |
| 18 | 번역 및 감정 분석 |
Natural language processing | Jane Austen과 함께하는 번역 및 감정 분석 | Python | Stephen |
| 19 | 유럽의 로맨틱 호텔 |
Natural language processing | 호텔 리뷰 감정 분석 1 | Python | Stephen |
| 20 | 유럽의 로맨틱 호텔 |
Natural language processing | 호텔 리뷰 감정 분석 2 | Python | Stephen |
| 21 | 시계열 예측 소개 | Time series | 시계열 예측 소개 | Python | Francesca |
| 22 | ⚡️ 세계 전력 사용량 ⚡️ - ARIMA를 이용한 시계열 예측 | Time series | ARIMA를 사용한 시계열 예측 | Python | Francesca |
| 23 | ⚡️ 세계 전력 사용량 ⚡️ - SVR을 이용한 시계열 예측 | Time series | 서포트 벡터 회귀를 이용한 시계열 예측 | Python | Anirban |
| 24 | 강화 학습 소개 | Reinforcement learning | Q-러닝을 이용한 강화 학습 소개 | Python | Dmitry |
| 25 | 피터가 늑대를 피하도록 도와주세요! 🐺 | Reinforcement learning | 강화 학습 Gym | Python | Dmitry |
| 후기 | 실제 머신러닝 사례 및 응용 | ML in the Wild | 고전적인 ML의 흥미롭고 유익한 실제 응용 사례 | Lesson | 팀 |
| 후기 | RAI 대시보드를 사용한 ML 모델 디버깅 | ML in the Wild | 책임 있는 AI 대시보드 구성요소를 사용한 머신러닝 모델 디버깅 | Lesson | Ruth Yakubu |
Docsify를 사용하여 이 문서를 오프라인에서 실행할 수 있습니다. 이 저장소를 포크하고, 로컬 머신에 Docsify를 설치한 다음, 이 저장소의 루트 폴더에서 docsify serve를 입력하십시오. 웹사이트는 로컬호스트 포트 3000에서 제공됩니다: localhost:3000.
링크가 포함된 커리큘럼 PDF는 여기에서 확인하세요.
우리 팀은 다른 강좌도 제작합니다! 확인해 보세요:
-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA){kind=icon}
-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC){kind=icon}
-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9){kind=icon}
AI 앱 개발에 어려움이 있거나 질문이 있으면 MCP에 대해 다른 학습자 및 경험 있는 개발자들과 함께 토론에 참여하세요. 질문이 환영받고 지식이 자유롭게 공유되는 지원 커뮤니티입니다.
제품 피드백이나 빌드 중 오류가 발생하면 다음을 방문하세요:
- 각 수업 후 노트북을 검토하여 이해도를 높이세요.
- 알고리즘을 직접 구현해 보며 연습하세요.
- 학습한 개념을 사용하여 실제 데이터셋을 탐색해 보세요.
면책 조항:
이 문서는 AI 번역 서비스 Co-op Translator를 사용하여 번역되었습니다. 정확성을 위해 노력하고 있지만, 자동 번역은 오류나 부정확한 표현을 포함할 수 있음을 알려드립니다. 원문은 해당 언어의 원본 문서가 권위 있는 자료로 간주되어야 합니다. 중요한 정보에 대해서는 전문적인 인간 번역을 권장합니다. 본 번역 사용으로 인한 오해나 잘못된 해석에 대해 당사는 책임을 지지 않습니다.