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 | Khmer | 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
로컬 복제를 선호하시나요?
이 저장소에는 50개 이상의 언어 번역본이 포함되어 있어 다운로드 크기가 상당히 커집니다. 번역 없이 복제하려면 sparse checkout을 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 더 빠른 다운로드로 코스 완료에 필요한 모든 것을 받을 수 있습니다.
우리는 Discord에서 AI와 함께 배우는 시리즈를 진행 중이며, 2025년 9월 18일부터 30일까지 Learn with AI Series에서 자세히 알아보고 참여할 수 있습니다. 여기서 GitHub Copilot을 데이터 과학에 활용하는 팁과 요령을 얻을 수 있습니다.
🌍 세계 문화를 통해 머신러닝을 탐구하며 전 세계를 여행해요 🌍
Microsoft의 Cloud Advocates는 머신러닝에 관한 12주간 26개 강의의 커리큘럼을 기쁘게 제공합니다. 이 커리큘럼에서는 주로 Scikit-learn 라이브러리를 사용하여, 때로는 고전적 머신러닝이라 불리는 내용을 배우고, 심층 학습은 AI for Beginners 커리큘럼에서 다룹니다. 이 강의를 '데이터 과학 초보자' 커리큘럼과 함께 진행하세요!
전 세계를 여행하면서 이러한 고전 기술을 세계 여러 지역의 데이터를 다루는 데 적용해봅니다. 각 강의에는 강의 전 및 후 퀴즈, 완성 지침서, 해답, 과제 등이 포함되어 있습니다. 프로젝트 기반 교육법으로 학습하는 동안 직접 만들어 봄으로써 새로운 기술을 확실히 익힐 수 있습니다.
✍️ 저자분들께 진심으로 감사드립니다 Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu, Amy Boyd
🎨 일러스트 작업을 해주신 분들께도 감사드립니다 Tomomi Imura, Dasani Madipalli, Jen Looper
🙏 Microsoft 학생 홍보대사 저자, 리뷰어 및 콘텐츠 기여자분들께 특별 감사드립니다. Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, Snigdha Agarwal 님.
🤩 R 강의를 위해 도움 주신 Microsoft 학생 홍보대사 Eric Wanjau, Jasleen Sondhi, Vidushi Gupta 님께도 감사드립니다!
다음 단계를 따라 주세요:
- 저장소 포크하기: 이 페이지 오른쪽 상단의 "Fork" 버튼을 클릭하세요.
- 저장소 복제하기:
git clone https://github.com/microsoft/ML-For-Beginners.git
🔧 도움이 필요하신가요? 설치, 설정, 강의 실행 시 발생하는 일반적인 문제 해결책은 문제 해결 가이드를 확인하세요.
학생 여러분, 이 커리큘럼을 사용하려면 저장소 전체를 본인 GitHub 계정으로 포크하여 혼자 또는 그룹과 함께 연습문제를 완료하세요:
- 강의 전 퀴즈부터 시작하세요.
- 강의를 읽고 활동을 완료하며 각 지식 점검에서 잠시 멈추고 성찰하십시오.
- 강의 내용을 이해하여 프로젝트를 직접 만들려고 시도하세요. 해결 코드가 필요하면 각 프로젝트 지향 강의의
/solution폴더에 있습니다. - 강의 후 퀴즈를 풀어보세요.
- 도전을 완료하세요.
- 과제를 제출하세요.
- 한 강의 그룹을 마친 후 토론 게시판에 방문해 "큰 소리로 배우기"를 위해 적절한 PAT 루브릭을 작성하세요. 'PAT'은 학습을 더욱 심화시키기 위한 평가 도구입니다. 다른 PAT에도 반응하여 함께 배울 수 있습니다.
추가 학습을 위해 다음 Microsoft Learn 모듈과 학습 경로를 추천합니다.
교사 여러분, 이 커리큘럼을 활용하는 방법에 관한 제안 사항도 포함되어 있습니다.
일부 강의는 짧은 영상으로 제공됩니다. 강의 내에서 직접 보거나, 이미지 클릭 시 Microsoft Developer YouTube 채널의 ML for Beginners 재생목록에서 모두 확인할 수 있습니다.
GIF 제작자 Mohit Jaisal
🎥 위 이미지를 클릭하여 프로젝트와 제작진에 대한 영상을 시청하세요!
이 커리큘럼을 만들면서 두 가지 교육 원칙을 선택했습니다: 실습 중심의 프로젝트 기반 학습과 빈번한 퀴즈 포함입니다. 또한 일관된 주제를 설정해 통일감을 갖도록 했습니다.
내용을 프로젝트와 일치시키면 학생들의 참여도가 높아지고 개념 이해가 더 잘 유지됩니다. 수업 전 간단한 퀴즈는 학습 의도를 다지게 하며, 수업 후 퀴즈는 이해도를 높입니다. 이 커리큘럼은 유연하고 재미있게 설계돼 전체 또는 일부만 진행할 수 있습니다. 프로젝트는 작게 시작하여 12주 사이클이 끝날 때쯤 점차 복잡해집니다. 추가 학점이나 토론 주제로 쓸 수 있는 실제 ML 적용 후문도 포함되어 있습니다.
- 선택적 스케치노트
- 선택적 보조 비디오
- 비디오 안내 (일부 강의만)
- 강의 전 워밍업 퀴즈
- 서면 강의 자료
- 프로젝트 기반 강의의 경우 프로젝트 만드는 단계별 가이드
- 지식 점검
- 도전 과제
- 보조 읽기 자료
- 과제
- 강의 후 퀴즈
언어에 대한 참고 사항: 이 강의들은 주로 Python으로 작성되었지만, 많은 강의가 R로도 제공됩니다. R 강의를 완료하려면
/solution폴더로 이동하여 R 강의를 찾아보세요. 이 강의들은.rmd확장자를 가지고 있으며, 이는코드 청크(R 또는 다른 언어)와YAML 헤더(PDF와 같은 출력 형식을 안내하는)를Markdown 문서에 포함한 R Markdown 파일을 의미합니다. 따라서 R Markdown은 코드, 출력 결과, 그리고 생각을 Markdown으로 작성할 수 있게 해줘 데이터 과학에 적합한 저작 프레임워크로 활용됩니다. 또한, R Markdown 문서는 PDF, HTML, Word와 같은 출력 형식으로 렌더링할 수 있습니다.
퀴즈에 대한 참고 사항: 모든 퀴즈는 Quiz App 폴더에 포함되어 있으며, 총 52개의 퀴즈가 각기 세 개의 질문으로 구성되어 있습니다. 이 퀴즈들은 강의 내에서 연결되어 있지만, 퀴즈 앱은 로컬에서 실행할 수 있습니다;
quiz-app폴더 내 지침을 따라 로컬로 호스트하거나 Azure에 배포할 수 있습니다.
| Lesson Number | Topic | Lesson Grouping | Learning Objectives | Linked Lesson | Author |
|---|---|---|---|---|---|
| 01 | 머신러닝 소개 | Introduction | 머신러닝의 기본 개념을 학습하세요 | Lesson | Muhammad |
| 02 | 머신러닝의 역사 | Introduction | 이 분야의 역사를 학습하세요 | Lesson | Jen and Amy |
| 03 | 공정성과 머신러닝 | Introduction | 학생들이 ML 모델을 구축하고 적용할 때 고려해야 할 공정성과 관련된 중요한 철학적 문제는 무엇인가? | Lesson | Tomomi |
| 04 | 머신러닝 기법 | Introduction | ML 연구자들이 ML 모델을 구축하는 데 사용하는 기법은 무엇인가? | Lesson | Chris and Jen |
| 05 | 회귀 분석 소개 | Regression | Python과 Scikit-learn으로 회귀 모델 시작하기 | Python • R | Jen • Eric Wanjau |
| 06 | 북미 호박 가격 🎃 | Regression | 머신러닝 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 사용하기 위한 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 탐색 🎧 | Clustering | K-평균 군집화 방법 탐구 | Python • R | Jen • Eric Wanjau |
| 16 | 자연어 처리 소개 ☕️ | Natural language processing | 간단한 봇을 만들어 NLP 기본 배우기 | Python | Stephen |
| 17 | 일반적인 NLP 작업 ☕️ | Natural language processing | 언어 구조를 다룰 때 필요한 일반적인 작업 이해로 NLP 지식 심화 | Python | Stephen |
| 18 | 번역 및 감성 분석 |
Natural language processing | 제인 오스틴과 함께하는 번역 및 감성 분석 | Python | Stephen |
| 19 | 유럽의 낭만적인 호텔들 |
Natural language processing | 호텔 리뷰 감성 분석 1 | Python | Stephen |
| 20 | 유럽의 낭만적인 호텔들 |
Natural language processing | 호텔 리뷰 감성 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 이용한 시계열 예측 | Python | Francesca |
| 23 | ⚡️ 세계 전력 사용량 ⚡️ - SVR을 이용한 시계열 예측 | Time series | 서포트 벡터 회귀(SVR)를 이용한 시계열 예측 | Python | Anirban |
| 24 | 강화 학습 소개 | Reinforcement learning | Q-러닝을 통한 강화 학습 소개 | Python | Dmitry |
| 25 | 피터가 늑대를 피하도록 도와주세요! 🐺 | Reinforcement learning | 강화 학습 Gym | Python | Dmitry |
| Postscript | 실제 ML 시나리오 및 응용 사례 | ML in the Wild | 고전적인 ML의 흥미롭고 드러나는 실제 응용 사례 | Lesson | Team |
| Postscript | RAI 대시보드를 활용한 ML 모델 디버깅 | ML in the Wild | Responsible AI 대시보드 구성 요소를 활용한 머신러닝 모델 디버깅 | Lesson | Ruth Yakubu |
Docsify를 사용하여 이 문서를 오프라인에서 실행할 수 있습니다. 이 저장소를 포크하고, 로컬 컴퓨터에 Docsify를 설치한 다음, 이 저장소의 루트 폴더에서 docsify serve를 입력하세요. 웹사이트는 로컬호스트의 3000번 포트에서 제공됩니다: localhost:3000.
링크된 PDF 교육 과정은 여기에서 찾으실 수 있습니다.
우리 팀은 다른 강좌들도 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 개발 중 막히거나 궁금한 점이 있다면, MCP에 대해 함께 배우는 학습자와 경험이 풍부한 개발자들과 토론에 참여하세요. 질문을 환영하고 지식을 자유롭게 공유하는 지원 커뮤니티입니다.
제품 피드백이 있거나 개발 중 오류가 발생하면 다음을 방문하세요:
- 각 강의 후 노트북을 검토하여 이해도를 높이세요.
- 알고리즘 구현을 직접 연습해 보세요.
- 배운 개념을 활용하여 실제 데이터셋을 탐색해 보세요.
면책 조항:
이 문서는 AI 번역 서비스 Co-op Translator를 사용하여 번역되었습니다. 정확성을 위해 노력하고 있으나, 자동 번역에는 오류나 부정확성이 포함될 수 있음을 유의하시기 바랍니다. 원문 문서는 해당 원어로 된 문서가 권위 있는 출처임을 인정해 주십시오. 중요한 정보의 경우 전문가의 인간 번역을 권장합니다. 본 번역 사용으로 인해 발생하는 오해나 잘못된 해석에 대해 당사는 책임을 지지 않습니다.