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
Yerel olarak mı Klonlamayı Tercih Edersiniz?
Bu depo, indirme boyutunu önemli ölçüde artıran 50+ dil çevirisi içerir. Çeviriler olmadan klonlamak için sparse checkout kullanın:
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"Bu, kursu tamamlamak için ihtiyacınız olan her şeyi çok daha hızlı bir indirme ile size verir.
AI ile öğrenme serimiz devam ediyor, daha fazla bilgi edinin ve 18 - 30 Eylül 2025 tarihleri arasında bize katılın Learn with AI Series. GitHub Copilot'u Veri Bilimi için kullanırken ipuçları ve püf noktaları alacaksınız.
🌍 Dünya kültürleri üzerinden Makine Öğrenmesini keşfederken dünyayı dolaşın 🌍
Microsoft'taki Bulut Savunucuları, tamamen Makine Öğrenmesi ile ilgili 12 haftalık, 26 derslik bir müfredat sunmaktan mutluluk duyar. Bu müfredatta, bazen klasik makine öğrenmesi olarak adlandırılan şeyler, öncelikle Scikit-learn kütüphanesi kullanılarak ve bizim Yapay Zeka için Yeni Başlayanlar müfredatımızda ele alınan derin öğrenmeden kaçınarak öğrenilecektir. Bu dersleri ayrıca 'Yeni Başlayanlar için Veri Bilimi müfredatıyla' eşleştirebilirsiniz!
Bu klasik teknikleri dünyanın birçok bölgesinden gelen verilere uygularken bizimle birlikte yolculuk yapın. Her ders öncesinde ve sonrasında quizler, dersi tamamlamak için yazılı talimatlar, bir çözüm, bir ödev ve daha fazlası bulunmaktadır. Proje tabanlı öğretim yöntemimiz, yeni becerilerin 'yerleşmesi' için kanıtlanmış bir yol olarak, öğrenirken inşa etmenizi sağlar.
✍️ Yazarlarımıza içten teşekkürler Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ve Amy Boyd
🎨 İllüstratörlerimize ayrıca teşekkürler Tomomi Imura, Dasani Madipalli ve Jen Looper
🙏 Microsoft Öğrenci Elçileri yazarlarına, gözden geçirenlerine ve içerik katkı sağlayanlarına özel teşekkürler, özellikle Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ve Snigdha Agarwal
🤩 Microsoft Öğrenci Elçileri Eric Wanjau, Jasleen Sondhi ve Vidushi Gupta’ya R dersleri için ekstra teşekkürler!
Bu adımları izleyin:
- Depoyu Forklayın: Bu sayfanın sağ üst köşesindeki "Fork" butonuna tıklayın.
- Depoyu Klonlayın:
git clone https://github.com/microsoft/ML-For-Beginners.git
Bu ders için tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun
🔧 Yardıma mı ihtiyacınız var? Kurulum, ayar ve ders çalıştırma ile ilgili yaygın sorunların çözümleri için Sorun Giderme Kılavuzumuzu kontrol edin.
Öğrenciler, bu müfredatı kullanmak için tüm repoyu kendi GitHub hesabınıza fork yapın ve egzersizleri tek başınıza veya bir grupla tamamlayın:
- Ders öncesi quiz ile başlayın.
- Dersi okuyun ve her bilgi kontrolünde durup düşünerek etkinlikleri tamamlayın.
- Çözüm kodunu çalıştırmak yerine dersleri anlayarak projeleri oluşturmaya çalışın; ancak çözüm kodu her proje odaklı dersin
/solutionklasörlerinde mevcuttur. - Ders sonrası quiz'i yapın.
- Mücadeleyi tamamlayın.
- Ödevi tamamlayın.
- Bir ders grubunu tamamladıktan sonra, Tartışma Panosunu ziyaret edin ve uygun PAT rubriğini doldurarak "sesli öğrenme" yapın. 'PAT' bir İlerleme Değerlendirme Aracı olup, öğreniminizi ilerletmek için doldurulan bir rubriktir. Ayrıca diğer PAT'lere tepki gösterebilir böylece birlikte öğrenebiliriz.
Daha ileri çalışmalar için bu Microsoft Learn modüllerini ve öğrenme yollarını takip etmenizi öneririz.
Öğretmenler, bu müfredatın nasıl kullanılacağına dair bazı önerilerimizi ekledik.
Bazı dersler kısa video formatında mevcuttur. Bunların tümünü derslerin içinde veya Microsoft Developer YouTube kanalındaki Yeni Başlayanlar için ML oynatma listesinde aşağıdaki görsele tıklayarak bulabilirsiniz.
Gif yapan Mohit Jaisal
🎥 Proje ve yaratan kişiler hakkında bir video için yukarıdaki görsele tıklayın!
Bu müfredatı oluştururken iki pedagojik ilkeye karar verdik: pratik yapmaya dayalı proje tabanlı olması ve sık quizler içermesi. Ayrıca, müfredatın birleşikliğini sağlamak için ortak bir tema bulunmaktadır.
İçeriğin projelerle hizalanmasını sağlayarak süreç öğrenciler için daha ilgi çekici hale gelir ve kavramların kalıcılığı artırılır. Ayrıca, ders öncesi düşük riskli bir quiz öğrencinin bir konuyu öğrenmeye yönelik niyetini belirlerken, ders sonrası ikinci quiz kavramların daha iyi pekişmesini sağlar. Bu müfredat esnek ve eğlenceli olacak şekilde tasarlanmış olup, tümü veya bir kısmı takip edilebilir. Projeler küçük başlar ve 12 haftalık döngünün sonunda giderek karmaşıklaşır. Bu müfredat ayrıca, ek kredi veya tartışma temeli olarak kullanılabilecek ML'nin gerçek dünyadaki uygulamalarına dair bir son söz içermektedir.
Davranış Kurallarımızı, Katkıda Bulunma, Çeviriler ve Sorun Giderme yönergelerimizi bulun. Yapıcı geri bildirimlerinizi memnuniyetle karşılıyoruz!
- isteğe bağlı çizim notu
- isteğe bağlı tamamlayıcı video
- video anlatımı (sadece bazı derslerde)
- ders öncesi ısınma quiz'i
- yazılı ders
- proje tabanlı derslerde, projeyi nasıl oluşturacağınıza dair adım adım rehberler
- bilgi kontrolleri
- bir mücadele
- tamamlayıcı okuma
- ödev
- ders sonrası quiz
Diller hakkında bir not: Bu dersler öncelikle Python ile yazılmıştır, ancak birçoğu R dilinde de mevcuttur. Bir R dersini tamamlamak için
/solutionklasörüne gidin ve R derslerini arayın. Bunlar, bir R Markdown dosyasını temsil eden .rmd uzantısına sahiptir; bu,kod parçacıkları(R veya diğer dillerde) veYAML başlığı(PDF gibi çıktı biçimlerinin nasıl formatlanacağını yönlendirir) içeren birMarkdown belgelerigömme dosyası olarak basitçe tanımlanabilir. Dolayısıyla, kodunuzu, çıktısını ve düşüncelerinizi Markdown içinde yazmanıza izin vererek veri bilimi için örnek bir oluşturma çerçevesi sunar. Dahası, R Markdown belgeleri PDF, HTML veya Word gibi çıktı formatlarına dönüştürülebilir. Sınavlar hakkında bir not: Tüm sınavlar Quiz App klasöründe bulunmakta olup, her biri üç sorudan oluşan toplam 52 sınav vardır. Derslerin içinde bağlantıları verilmiştir ancak quiz uygulaması yerel olarak da çalıştırılabilir; yerel olarak barındırmak veya Azure’a dağıtmak içinquiz-appklasöründeki talimatları izleyin.
| Ders Numarası | Konu | Ders Grubu | Öğrenme Hedefleri | Bağlantılı Ders | Yazar |
|---|---|---|---|---|---|
| 01 | Makine öğrenimine giriş | Giriş | Makine öğrenmesinin temel kavramlarını öğren | Ders | Muhammad |
| 02 | Makine öğrenmesinin tarihi | Giriş | Bu alandaki tarihsel gelişmeleri öğren | Ders | Jen ve Amy |
| 03 | Adalet ve makine öğrenimi | Giriş | Öğrencilerin ML modelleri oluştururken ve uygularken dikkate almaları gereken önemli adalet felsefi meselelerini anlamak | Ders | Tomomi |
| 04 | Makine öğrenimi teknikleri | Giriş | Makine öğrenimi araştırmacılarının ML modelleri oluşturmak için kullandığı teknikler nelerdir? | Ders | Chris ve Jen |
| 05 | Regresyona giriş | Regresyon | Regresyon modelleri için Python ve Scikit-learn ile başlayın | Python • R | Jen • Eric Wanjau |
| 06 | Kuzey Amerika balkabağı fiyatları 🎃 | Regresyon | Makine öğrenimi için veri görselleştirin ve temizleyin | Python • R | Jen • Eric Wanjau |
| 07 | Kuzey Amerika balkabağı fiyatları 🎃 | Regresyon | Doğrusal ve polinomiyal regresyon modelleri oluşturun | Python • R | Jen ve Dmitry • Eric Wanjau |
| 08 | Kuzey Amerika balkabağı fiyatları 🎃 | Regresyon | Lojistik regresyon modeli oluşturun | Python • R | Jen • Eric Wanjau |
| 09 | Bir Web Uygulaması 🔌 | Web Uygulaması | Eğittiğiniz modeli kullanmak için bir web uygulaması oluşturun | Python | Jen |
| 10 | Sınıflandırmaya giriş | Sınıflandırma | Verilerinizi temizleyin, hazırlayın ve görselleştirin; sınıflandırmaya giriş | Python • R | Jen ve Cassie • Eric Wanjau |
| 11 | Lezzetli Asya ve Hint mutfağı 🍜 | Sınıflandırma | Sınıflandırıcılara giriş | Python • R | Jen ve Cassie • Eric Wanjau |
| 12 | Lezzetli Asya ve Hint mutfağı 🍜 | Sınıflandırma | Daha fazla sınıflandırıcı | Python • R | Jen ve Cassie • Eric Wanjau |
| 13 | Lezzetli Asya ve Hint mutfağı 🍜 | Sınıflandırma | Modelinizi kullanarak öneri web uygulaması oluşturun | Python | Jen |
| 14 | Kümelemeye giriş | Kümeleme | Verilerinizi temizleyin, hazırlayın ve görselleştirin; kümelemeye giriş | Python • R | Jen • Eric Wanjau |
| 15 | Nijerya Müzik Tatlarını Keşfetmek 🎧 | Kümeleme | K-Means kümeleme yöntemini keşfedin | Python • R | Jen • Eric Wanjau |
| 16 | Doğal dil işleme tanıtımı ☕️ | Doğal dil işleme | Basit bir bot oluşturarak NLP'nin temellerini öğrenin | Python | Stephen |
| 17 | Yaygın NLP Görevleri ☕️ | Doğal dil işleme | Dil yapılarıyla uğraşırken gereken yaygın görevleri anlayarak NLP bilginizi derinleştirin | Python | Stephen |
| 18 | Çeviri ve duygu analizi |
Doğal dil işleme | Jane Austen ile çeviri ve duygu analizi | Python | Stephen |
| 19 | Avrupa’nın romantik otelleri |
Doğal dil işleme | Otel incelemeleriyle duygu analizi 1 | Python | Stephen |
| 20 | Avrupa’nın romantik otelleri |
Doğal dil işleme | Otel incelemeleriyle duygu analizi 2 | Python | Stephen |
| 21 | Zaman serileri tahminine giriş | Zaman Serisi | Zaman serileri tahminine giriş | Python | Francesca |
| 22 | ⚡️ Dünya Elektrik Kullanımı ⚡️ - ARIMA ile zaman serileri tahmini | Zaman Serisi | ARIMA ile zaman serileri tahmini | Python | Francesca |
| 23 | ⚡️ Dünya Elektrik Kullanımı ⚡️ - SVR ile zaman serileri tahmini | Zaman Serisi | Destek Vektör Regresörü ile zaman serileri tahmini | Python | Anirban |
| 24 | Pekiştirmeli öğrenmeye giriş | Pekiştirmeli öğrenme | Q-Öğrenme ile pekiştirmeli öğrenmeye giriş | Python | Dmitry |
| 25 | Peter'ı kurttan kurtarın! 🐺 | Pekiştirmeli öğrenme | Pekiştirmeli öğrenme Gym | Python | Dmitry |
| Son Söz | Gerçek dünya ML senaryoları ve uygulamaları | Doğada ML | Klasik ML’nin ilginç ve açıklayıcı gerçek dünya uygulamaları | Ders | Ekip |
| Son Söz | RAI dashboard kullanarak ML model hata ayıklama | Doğada ML | Responsible AI dashboard bileşenleri kullanarak Makine Öğreniminde Model Hata Ayıklama | Ders | Ruth Yakubu |
Bu kurs için tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun
Docsify kullanarak bu dokümantasyonu çevrimdışı çalıştırabilirsiniz. Bu depoyu çatallayın, yerel makinenize Docsify yükleyin ve ardından bu deponun kök klasöründe docsify serve yazın. Web sitesi localhost’unuzda 3000 numaralı portta hizmet verecektir: localhost:3000.
Bağlantılarla birlikte müfredatın pdf’sini burada bulun.
Ekibimiz başka kurslar da üretiyor! Şunlara göz atın:
-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}
Yapay zeka uygulamaları geliştirme sürecinde takılırsanız veya herhangi bir sorunuz olursa, MCP hakkında tartışmalara katılmak için diğer öğrenenler ve deneyimli geliştiricilerle bir araya gelin. Soruların hoş karşılandığı ve bilgilerin özgürce paylaşıldığı destekleyici bir topluluktur.
Ürün geri bildirimleri veya geliştirme sırasında karşılaştığınız hatalar için ziyaret edin:
- Daha iyi anlamak için her dersten sonra not defterlerini gözden geçirin.
- Algoritmaları kendi başınıza uygulayarak pratik yapın.
- Öğrenilen kavramları kullanarak gerçek dünya veri setlerini keşfedin.
Feragatname:
Bu belge, Co-op Translator adlı yapay zeka çeviri hizmeti kullanılarak çevrilmiştir. Doğruluk için çaba gösterilse de, otomatik çevirilerde hatalar veya yanlışlıklar bulunabilir. Orijinal belge, kendi dilinde yetkili ve kesin kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımı sonucunda doğabilecek yanlış anlamalar veya yorum hatalarından sorumlu değiliz.