msb-public
/
ML-For-Beginners
mirror of https://github.com/microsoft/ML-For-Beginners.git
1
0
Code Issues Projects Releases Wiki Activity

chore(i18n): sync translations with latest source changes (chunk 1/1, 300 changes)

Browse Source
pull/918/head
localizeflow[bot] 2 weeks ago
parent 5a66c0d512
commit 8b487d7026
300 changed files with 2077 additions and 2962 deletions
Show Stats Download Patch File Download Diff File

596
translations/bg/.co-op-translator.json
Unescape View File

@ -0,0 +1,596 @@
{
"1-Introduction/1-intro-to-ML/README.md": {
"original_hash": "69389392fa6346e0dfa30f664b7b6fec",
"translation_date": "2025-09-05T00:29:44+00:00",
"source_file": "1-Introduction/1-intro-to-ML/README.md",
"language_code": "bg"
},
"1-Introduction/1-intro-to-ML/assignment.md": {
"original_hash": "4c4698044bb8af52cfb6388a4ee0e53b",
"translation_date": "2025-09-05T00:32:12+00:00",
"source_file": "1-Introduction/1-intro-to-ML/assignment.md",
"language_code": "bg"
},
"1-Introduction/2-history-of-ML/README.md": {
"original_hash": "6a05fec147e734c3e6bfa54505648e2b",
"translation_date": "2025-09-05T00:32:38+00:00",
"source_file": "1-Introduction/2-history-of-ML/README.md",
"language_code": "bg"
},
"1-Introduction/2-history-of-ML/assignment.md": {
"original_hash": "eb6e4d5afd1b21a57d2b9e6d0aac3969",
"translation_date": "2025-09-05T00:35:42+00:00",
"source_file": "1-Introduction/2-history-of-ML/assignment.md",
"language_code": "bg"
},
"1-Introduction/3-fairness/README.md": {
"original_hash": "9a6b702d1437c0467e3c5c28d763dac2",
"translation_date": "2025-09-05T00:20:49+00:00",
"source_file": "1-Introduction/3-fairness/README.md",
"language_code": "bg"
},
"1-Introduction/3-fairness/assignment.md": {
"original_hash": "dbda60e7b1fe5f18974e7858eff0004e",
"translation_date": "2025-09-05T00:25:31+00:00",
"source_file": "1-Introduction/3-fairness/assignment.md",
"language_code": "bg"
},
"1-Introduction/4-techniques-of-ML/README.md": {
"original_hash": "9d91f3af3758fdd4569fb410575995ef",
"translation_date": "2025-09-05T00:26:03+00:00",
"source_file": "1-Introduction/4-techniques-of-ML/README.md",
"language_code": "bg"
},
"1-Introduction/4-techniques-of-ML/assignment.md": {
"original_hash": "70d65aeddc06170bc1aed5b27805f930",
"translation_date": "2025-09-05T00:29:15+00:00",
"source_file": "1-Introduction/4-techniques-of-ML/assignment.md",
"language_code": "bg"
},
"1-Introduction/README.md": {
"original_hash": "cf8ecc83f28e5b98051d2179eca08e08",
"translation_date": "2025-09-05T00:20:05+00:00",
"source_file": "1-Introduction/README.md",
"language_code": "bg"
},
"2-Regression/1-Tools/README.md": {
"original_hash": "fa81d226c71d5af7a2cade31c1c92b88",
"translation_date": "2025-09-04T23:34:53+00:00",
"source_file": "2-Regression/1-Tools/README.md",
"language_code": "bg"
},
"2-Regression/1-Tools/assignment.md": {
"original_hash": "74a5cf83e4ebc302afbcbc4f418afd0a",
"translation_date": "2025-09-04T23:39:34+00:00",
"source_file": "2-Regression/1-Tools/assignment.md",
"language_code": "bg"
},
"2-Regression/1-Tools/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-04T23:40:09+00:00",
"source_file": "2-Regression/1-Tools/solution/Julia/README.md",
"language_code": "bg"
},
"2-Regression/2-Data/README.md": {
"original_hash": "7c077988328ebfe33b24d07945f16eca",
"translation_date": "2025-09-04T23:40:27+00:00",
"source_file": "2-Regression/2-Data/README.md",
"language_code": "bg"
},
"2-Regression/2-Data/assignment.md": {
"original_hash": "4485a1ed4dd1b5647365e3d87456515d",
"translation_date": "2025-09-04T23:43:21+00:00",
"source_file": "2-Regression/2-Data/assignment.md",
"language_code": "bg"
},
"2-Regression/2-Data/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-04T23:43:49+00:00",
"source_file": "2-Regression/2-Data/solution/Julia/README.md",
"language_code": "bg"
},
"2-Regression/3-Linear/README.md": {
"original_hash": "40e64f004f3cb50aa1d8661672d3cd92",
"translation_date": "2025-09-04T23:19:25+00:00",
"source_file": "2-Regression/3-Linear/README.md",
"language_code": "bg"
},
"2-Regression/3-Linear/assignment.md": {
"original_hash": "cc471fa89c293bc735dd3a9a0fb79b1b",
"translation_date": "2025-09-04T23:26:04+00:00",
"source_file": "2-Regression/3-Linear/assignment.md",
"language_code": "bg"
},
"2-Regression/3-Linear/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-04T23:26:34+00:00",
"source_file": "2-Regression/3-Linear/solution/Julia/README.md",
"language_code": "bg"
},
"2-Regression/4-Logistic/README.md": {
"original_hash": "abf86d845c84330bce205a46b382ec88",
"translation_date": "2025-09-04T23:26:51+00:00",
"source_file": "2-Regression/4-Logistic/README.md",
"language_code": "bg"
},
"2-Regression/4-Logistic/assignment.md": {
"original_hash": "8af40209a41494068c1f42b14c0b450d",
"translation_date": "2025-09-04T23:34:08+00:00",
"source_file": "2-Regression/4-Logistic/assignment.md",
"language_code": "bg"
},
"2-Regression/4-Logistic/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-04T23:34:36+00:00",
"source_file": "2-Regression/4-Logistic/solution/Julia/README.md",
"language_code": "bg"
},
"2-Regression/README.md": {
"original_hash": "508582278dbb8edd2a8a80ac96ef416c",
"translation_date": "2025-09-04T23:18:18+00:00",
"source_file": "2-Regression/README.md",
"language_code": "bg"
},
"3-Web-App/1-Web-App/README.md": {
"original_hash": "e0b75f73e4a90d45181dc5581fe2ef5c",
"translation_date": "2025-09-05T00:36:52+00:00",
"source_file": "3-Web-App/1-Web-App/README.md",
"language_code": "bg"
},
"3-Web-App/1-Web-App/assignment.md": {
"original_hash": "a8e8ae10be335cbc745b75ee552317ff",
"translation_date": "2025-09-05T00:39:38+00:00",
"source_file": "3-Web-App/1-Web-App/assignment.md",
"language_code": "bg"
},
"3-Web-App/README.md": {
"original_hash": "9836ff53cfef716ddfd70e06c5f43436",
"translation_date": "2025-09-05T00:36:12+00:00",
"source_file": "3-Web-App/README.md",
"language_code": "bg"
},
"4-Classification/1-Introduction/README.md": {
"original_hash": "aaf391d922bd6de5efba871d514c6d47",
"translation_date": "2025-09-05T00:51:52+00:00",
"source_file": "4-Classification/1-Introduction/README.md",
"language_code": "bg"
},
"4-Classification/1-Introduction/assignment.md": {
"original_hash": "b2a01912beb24cfb0007f83594dba801",
"translation_date": "2025-09-05T00:54:35+00:00",
"source_file": "4-Classification/1-Introduction/assignment.md",
"language_code": "bg"
},
"4-Classification/1-Introduction/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T00:55:12+00:00",
"source_file": "4-Classification/1-Introduction/solution/Julia/README.md",
"language_code": "bg"
},
"4-Classification/2-Classifiers-1/README.md": {
"original_hash": "1a6e9e46b34a2e559fbbfc1f95397c7b",
"translation_date": "2025-09-05T00:41:49+00:00",
"source_file": "4-Classification/2-Classifiers-1/README.md",
"language_code": "bg"
},
"4-Classification/2-Classifiers-1/assignment.md": {
"original_hash": "de6025f96841498b0577e9d1aee18d1f",
"translation_date": "2025-09-05T00:45:25+00:00",
"source_file": "4-Classification/2-Classifiers-1/assignment.md",
"language_code": "bg"
},
"4-Classification/2-Classifiers-1/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T00:46:01+00:00",
"source_file": "4-Classification/2-Classifiers-1/solution/Julia/README.md",
"language_code": "bg"
},
"4-Classification/3-Classifiers-2/README.md": {
"original_hash": "49047911108adc49d605cddfb455749c",
"translation_date": "2025-09-05T00:49:19+00:00",
"source_file": "4-Classification/3-Classifiers-2/README.md",
"language_code": "bg"
},
"4-Classification/3-Classifiers-2/assignment.md": {
"original_hash": "58dfdaf79fb73f7d34b22bdbacf57329",
"translation_date": "2025-09-05T00:51:02+00:00",
"source_file": "4-Classification/3-Classifiers-2/assignment.md",
"language_code": "bg"
},
"4-Classification/3-Classifiers-2/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T00:51:34+00:00",
"source_file": "4-Classification/3-Classifiers-2/solution/Julia/README.md",
"language_code": "bg"
},
"4-Classification/4-Applied/README.md": {
"original_hash": "61bdec27ed2da8b098cd9065405d9bb0",
"translation_date": "2025-09-05T00:46:18+00:00",
"source_file": "4-Classification/4-Applied/README.md",
"language_code": "bg"
},
"4-Classification/4-Applied/assignment.md": {
"original_hash": "799ed651e2af0a7cad17c6268db11578",
"translation_date": "2025-09-05T00:48:46+00:00",
"source_file": "4-Classification/4-Applied/assignment.md",
"language_code": "bg"
},
"4-Classification/README.md": {
"original_hash": "74e809ffd1e613a1058bbc3e9600859e",
"translation_date": "2025-09-05T00:41:08+00:00",
"source_file": "4-Classification/README.md",
"language_code": "bg"
},
"5-Clustering/1-Visualize/README.md": {
"original_hash": "730225ea274c9174fe688b21d421539d",
"translation_date": "2025-09-04T23:58:32+00:00",
"source_file": "5-Clustering/1-Visualize/README.md",
"language_code": "bg"
},
"5-Clustering/1-Visualize/assignment.md": {
"original_hash": "589fa015a5e7d9e67bd629f7d47b53de",
"translation_date": "2025-09-05T00:03:43+00:00",
"source_file": "5-Clustering/1-Visualize/assignment.md",
"language_code": "bg"
},
"5-Clustering/1-Visualize/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T00:04:23+00:00",
"source_file": "5-Clustering/1-Visualize/solution/Julia/README.md",
"language_code": "bg"
},
"5-Clustering/2-K-Means/README.md": {
"original_hash": "7cdd17338d9bbd7e2171c2cd462eb081",
"translation_date": "2025-09-05T00:04:39+00:00",
"source_file": "5-Clustering/2-K-Means/README.md",
"language_code": "bg"
},
"5-Clustering/2-K-Means/assignment.md": {
"original_hash": "b8e17eff34ad1680eba2a5d3cf9ffc41",
"translation_date": "2025-09-05T00:07:04+00:00",
"source_file": "5-Clustering/2-K-Means/assignment.md",
"language_code": "bg"
},
"5-Clustering/2-K-Means/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T00:07:40+00:00",
"source_file": "5-Clustering/2-K-Means/solution/Julia/README.md",
"language_code": "bg"
},
"5-Clustering/README.md": {
"original_hash": "b28a3a4911584062772c537b653ebbc7",
"translation_date": "2025-09-04T23:57:22+00:00",
"source_file": "5-Clustering/README.md",
"language_code": "bg"
},
"6-NLP/1-Introduction-to-NLP/README.md": {
"original_hash": "1c2ec40cf55c98a028a359c27ef7e45a",
"translation_date": "2025-09-05T01:33:38+00:00",
"source_file": "6-NLP/1-Introduction-to-NLP/README.md",
"language_code": "bg"
},
"6-NLP/1-Introduction-to-NLP/assignment.md": {
"original_hash": "1d7583e8046dacbb0c056d5ba0a71b16",
"translation_date": "2025-09-05T01:36:32+00:00",
"source_file": "6-NLP/1-Introduction-to-NLP/assignment.md",
"language_code": "bg"
},
"6-NLP/2-Tasks/README.md": {
"original_hash": "5f3cb462e3122e1afe7ab0050ccf2bd3",
"translation_date": "2025-09-05T01:20:43+00:00",
"source_file": "6-NLP/2-Tasks/README.md",
"language_code": "bg"
},
"6-NLP/2-Tasks/assignment.md": {
"original_hash": "2efc4c2aba5ed06c780c05539c492ae3",
"translation_date": "2025-09-05T01:23:49+00:00",
"source_file": "6-NLP/2-Tasks/assignment.md",
"language_code": "bg"
},
"6-NLP/3-Translation-Sentiment/README.md": {
"original_hash": "be03c8182982b87ced155e4e9d1438e8",
"translation_date": "2025-09-05T01:37:04+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/README.md",
"language_code": "bg"
},
"6-NLP/3-Translation-Sentiment/assignment.md": {
"original_hash": "9d2a734deb904caff310d1a999c6bd7a",
"translation_date": "2025-09-05T01:40:54+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/assignment.md",
"language_code": "bg"
},
"6-NLP/3-Translation-Sentiment/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T01:41:47+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/solution/Julia/README.md",
"language_code": "bg"
},
"6-NLP/3-Translation-Sentiment/solution/R/README.md": {
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-09-05T01:41:25+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/solution/R/README.md",
"language_code": "bg"
},
"6-NLP/4-Hotel-Reviews-1/README.md": {
"original_hash": "8d32dadeda93c6fb5c43619854882ab1",
"translation_date": "2025-09-05T01:24:22+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/README.md",
"language_code": "bg"
},
"6-NLP/4-Hotel-Reviews-1/assignment.md": {
"original_hash": "bf39bceb833cd628f224941dca8041df",
"translation_date": "2025-09-05T01:32:13+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/assignment.md",
"language_code": "bg"
},
"6-NLP/4-Hotel-Reviews-1/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T01:33:00+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/solution/Julia/README.md",
"language_code": "bg"
},
"6-NLP/4-Hotel-Reviews-1/solution/R/README.md": {
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-09-05T01:32:38+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/solution/R/README.md",
"language_code": "bg"
},
"6-NLP/5-Hotel-Reviews-2/README.md": {
"original_hash": "2c742993fe95d5bcbb2846eda3d442a1",
"translation_date": "2025-09-05T01:42:04+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/README.md",
"language_code": "bg"
},
"6-NLP/5-Hotel-Reviews-2/assignment.md": {
"original_hash": "daf144daa552da6a7d442aff6f3e77d8",
"translation_date": "2025-09-05T01:47:08+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/assignment.md",
"language_code": "bg"
},
"6-NLP/5-Hotel-Reviews-2/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T01:47:56+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/solution/Julia/README.md",
"language_code": "bg"
},
"6-NLP/5-Hotel-Reviews-2/solution/R/README.md": {
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-09-05T01:47:35+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/solution/R/README.md",
"language_code": "bg"
},
"6-NLP/README.md": {
"original_hash": "1eb379dc2d0c9940b320732d16083778",
"translation_date": "2025-09-05T01:19:51+00:00",
"source_file": "6-NLP/README.md",
"language_code": "bg"
},
"6-NLP/data/README.md": {
"original_hash": "ee0670655c89e4719319764afb113624",
"translation_date": "2025-09-05T01:33:17+00:00",
"source_file": "6-NLP/data/README.md",
"language_code": "bg"
},
"7-TimeSeries/1-Introduction/README.md": {
"original_hash": "662b509c39eee205687726636d0a8455",
"translation_date": "2025-09-04T23:49:41+00:00",
"source_file": "7-TimeSeries/1-Introduction/README.md",
"language_code": "bg"
},
"7-TimeSeries/1-Introduction/assignment.md": {
"original_hash": "d1781b0b92568ea1d119d0a198b576b4",
"translation_date": "2025-09-04T23:52:37+00:00",
"source_file": "7-TimeSeries/1-Introduction/assignment.md",
"language_code": "bg"
},
"7-TimeSeries/1-Introduction/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-04T23:53:32+00:00",
"source_file": "7-TimeSeries/1-Introduction/solution/Julia/README.md",
"language_code": "bg"
},
"7-TimeSeries/1-Introduction/solution/R/README.md": {
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-09-04T23:53:11+00:00",
"source_file": "7-TimeSeries/1-Introduction/solution/R/README.md",
"language_code": "bg"
},
"7-TimeSeries/2-ARIMA/README.md": {
"original_hash": "917dbf890db71a322f306050cb284749",
"translation_date": "2025-09-04T23:44:51+00:00",
"source_file": "7-TimeSeries/2-ARIMA/README.md",
"language_code": "bg"
},
"7-TimeSeries/2-ARIMA/assignment.md": {
"original_hash": "1c814013e10866dfd92cdb32caaae3ac",
"translation_date": "2025-09-04T23:48:30+00:00",
"source_file": "7-TimeSeries/2-ARIMA/assignment.md",
"language_code": "bg"
},
"7-TimeSeries/2-ARIMA/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-04T23:49:25+00:00",
"source_file": "7-TimeSeries/2-ARIMA/solution/Julia/README.md",
"language_code": "bg"
},
"7-TimeSeries/2-ARIMA/solution/R/README.md": {
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-09-04T23:48:59+00:00",
"source_file": "7-TimeSeries/2-ARIMA/solution/R/README.md",
"language_code": "bg"
},
"7-TimeSeries/3-SVR/README.md": {
"original_hash": "482bccabe1df958496ea71a3667995cd",
"translation_date": "2025-09-04T23:53:49+00:00",
"source_file": "7-TimeSeries/3-SVR/README.md",
"language_code": "bg"
},
"7-TimeSeries/3-SVR/assignment.md": {
"original_hash": "94aa2fc6154252ae30a3f3740299707a",
"translation_date": "2025-09-04T23:56:46+00:00",
"source_file": "7-TimeSeries/3-SVR/assignment.md",
"language_code": "bg"
},
"7-TimeSeries/README.md": {
"original_hash": "61342603bad8acadbc6b2e4e3aab3f66",
"translation_date": "2025-09-04T23:44:06+00:00",
"source_file": "7-TimeSeries/README.md",
"language_code": "bg"
},
"8-Reinforcement/1-QLearning/README.md": {
"original_hash": "911efd5e595089000cb3c16fce1beab8",
"translation_date": "2025-09-05T01:05:29+00:00",
"source_file": "8-Reinforcement/1-QLearning/README.md",
"language_code": "bg"
},
"8-Reinforcement/1-QLearning/assignment.md": {
"original_hash": "68394b2102d3503882e5e914bd0ff5c1",
"translation_date": "2025-09-05T01:11:56+00:00",
"source_file": "8-Reinforcement/1-QLearning/assignment.md",
"language_code": "bg"
},
"8-Reinforcement/1-QLearning/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T01:13:57+00:00",
"source_file": "8-Reinforcement/1-QLearning/solution/Julia/README.md",
"language_code": "bg"
},
"8-Reinforcement/1-QLearning/solution/R/README.md": {
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-09-05T01:13:35+00:00",
"source_file": "8-Reinforcement/1-QLearning/solution/R/README.md",
"language_code": "bg"
},
"8-Reinforcement/2-Gym/README.md": {
"original_hash": "107d5bb29da8a562e7ae72262d251a75",
"translation_date": "2025-09-05T01:14:14+00:00",
"source_file": "8-Reinforcement/2-Gym/README.md",
"language_code": "bg"
},
"8-Reinforcement/2-Gym/assignment.md": {
"original_hash": "1f2b7441745eb52e25745423b247016b",
"translation_date": "2025-09-05T01:18:12+00:00",
"source_file": "8-Reinforcement/2-Gym/assignment.md",
"language_code": "bg"
},
"8-Reinforcement/2-Gym/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T01:19:34+00:00",
"source_file": "8-Reinforcement/2-Gym/solution/Julia/README.md",
"language_code": "bg"
},
"8-Reinforcement/2-Gym/solution/R/README.md": {
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-09-05T01:19:13+00:00",
"source_file": "8-Reinforcement/2-Gym/solution/R/README.md",
"language_code": "bg"
},
"8-Reinforcement/README.md": {
"original_hash": "20ca019012b1725de956681d036d8b18",
"translation_date": "2025-09-05T01:03:28+00:00",
"source_file": "8-Reinforcement/README.md",
"language_code": "bg"
},
"9-Real-World/1-Applications/README.md": {
"original_hash": "83320d6b6994909e35d830cebf214039",
"translation_date": "2025-09-05T00:09:28+00:00",
"source_file": "9-Real-World/1-Applications/README.md",
"language_code": "bg"
},
"9-Real-World/1-Applications/assignment.md": {
"original_hash": "fdebfcd0a3f12c9e2b436ded1aa79885",
"translation_date": "2025-09-05T00:13:45+00:00",
"source_file": "9-Real-World/1-Applications/assignment.md",
"language_code": "bg"
},
"9-Real-World/2-Debugging-ML-Models/README.md": {
"original_hash": "df2b538e8fbb3e91cf0419ae2f858675",
"translation_date": "2025-09-05T00:14:20+00:00",
"source_file": "9-Real-World/2-Debugging-ML-Models/README.md",
"language_code": "bg"
},
"9-Real-World/2-Debugging-ML-Models/assignment.md": {
"original_hash": "91c6a180ef08e20cc15acfd2d6d6e164",
"translation_date": "2025-09-05T00:19:24+00:00",
"source_file": "9-Real-World/2-Debugging-ML-Models/assignment.md",
"language_code": "bg"
},
"9-Real-World/README.md": {
"original_hash": "5e069a0ac02a9606a69946c2b3c574a9",
"translation_date": "2025-09-05T00:08:50+00:00",
"source_file": "9-Real-World/README.md",
"language_code": "bg"
},
"AGENTS.md": {
"original_hash": "93fdaa0fd38836e50c4793e2f2f25e8b",
"translation_date": "2025-10-03T11:17:32+00:00",
"source_file": "AGENTS.md",
"language_code": "bg"
},
"CODE_OF_CONDUCT.md": {
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
"translation_date": "2025-09-04T23:17:51+00:00",
"source_file": "CODE_OF_CONDUCT.md",
"language_code": "bg"
},
"CONTRIBUTING.md": {
"original_hash": "977ec5266dfd78ad1ce2bd8d46fccbda",
"translation_date": "2025-09-04T23:15:28+00:00",
"source_file": "CONTRIBUTING.md",
"language_code": "bg"
},
"README.md": {
"original_hash": "da2ceed62f16a0820259556e3a873c95",
"translation_date": "2026-01-29T19:05:14+00:00",
"source_file": "README.md",
"language_code": "bg"
},
"SECURITY.md": {
"original_hash": "5e1b8da31aae9cca3d53ad243fa3365a",
"translation_date": "2025-09-04T23:16:03+00:00",
"source_file": "SECURITY.md",
"language_code": "bg"
},
"SUPPORT.md": {
"original_hash": "09623d7343ff1c26ff4f198c1b2d3176",
"translation_date": "2025-10-03T12:25:59+00:00",
"source_file": "SUPPORT.md",
"language_code": "bg"
},
"TROUBLESHOOTING.md": {
"original_hash": "134d8759f0e2ab886e9aa4f62362c201",
"translation_date": "2025-10-03T12:54:36+00:00",
"source_file": "TROUBLESHOOTING.md",
"language_code": "bg"
},
"docs/_sidebar.md": {
"original_hash": "68dd06c685f6ce840e0acfa313352e7c",
"translation_date": "2025-09-05T00:07:57+00:00",
"source_file": "docs/_sidebar.md",
"language_code": "bg"
},
"for-teachers.md": {
"original_hash": "b37de02054fa6c0438ede6fabe1fdfb8",
"translation_date": "2025-09-04T23:17:03+00:00",
"source_file": "for-teachers.md",
"language_code": "bg"
},
"quiz-app/README.md": {
"original_hash": "6d130dffca5db70d7e615f926cb1ad4c",
"translation_date": "2025-09-05T00:40:07+00:00",
"source_file": "quiz-app/README.md",
"language_code": "bg"
},
"sketchnotes/LICENSE.md": {
"original_hash": "fba3b94d88bfb9b81369b869a1e9a20f",
"translation_date": "2025-09-05T00:56:40+00:00",
"source_file": "sketchnotes/LICENSE.md",
"language_code": "bg"
},
"sketchnotes/README.md": {
"original_hash": "a88d5918c1b9da69a40d917a0840c497",
"translation_date": "2025-09-05T00:55:29+00:00",
"source_file": "sketchnotes/README.md",
"language_code": "bg"
}
}

9
translations/bg/1-Introduction/1-intro-to-ML/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "69389392fa6346e0dfa30f664b7b6fec",
"translation_date": "2025-09-05T00:29:44+00:00",
"source_file": "1-Introduction/1-intro-to-ML/README.md",
"language_code": "bg"
}
-->
# Въведение в машинното обучение
## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ml/)

9
translations/bg/1-Introduction/1-intro-to-ML/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "4c4698044bb8af52cfb6388a4ee0e53b",
"translation_date": "2025-09-05T00:32:12+00:00",
"source_file": "1-Introduction/1-intro-to-ML/assignment.md",
"language_code": "bg"
}
-->
# Започнете и работете
## Инструкции

9
translations/bg/1-Introduction/2-history-of-ML/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "6a05fec147e734c3e6bfa54505648e2b",
"translation_date": "2025-09-05T00:32:38+00:00",
"source_file": "1-Introduction/2-history-of-ML/README.md",
"language_code": "bg"
}
-->
# История на машинното обучение
![Обобщение на историята на машинното обучение в скица](../../../../sketchnotes/ml-history.png)

9
translations/bg/1-Introduction/2-history-of-ML/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "eb6e4d5afd1b21a57d2b9e6d0aac3969",
"translation_date": "2025-09-05T00:35:42+00:00",
"source_file": "1-Introduction/2-history-of-ML/assignment.md",
"language_code": "bg"
}
-->
# Създайте хронология
## Инструкции

9
translations/bg/1-Introduction/3-fairness/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "9a6b702d1437c0467e3c5c28d763dac2",
"translation_date": "2025-09-05T00:20:49+00:00",
"source_file": "1-Introduction/3-fairness/README.md",
"language_code": "bg"
}
-->
# Създаване на решения за машинно обучение с отговорен AI
![Обобщение на отговорния AI в машинното обучение в скица](../../../../sketchnotes/ml-fairness.png)

9
translations/bg/1-Introduction/3-fairness/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "dbda60e7b1fe5f18974e7858eff0004e",
"translation_date": "2025-09-05T00:25:31+00:00",
"source_file": "1-Introduction/3-fairness/assignment.md",
"language_code": "bg"
}
-->
# Разгледайте инструмента Responsible AI Toolbox
## Инструкции

9
translations/bg/1-Introduction/4-techniques-of-ML/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "9d91f3af3758fdd4569fb410575995ef",
"translation_date": "2025-09-05T00:26:03+00:00",
"source_file": "1-Introduction/4-techniques-of-ML/README.md",
"language_code": "bg"
}
-->
# Техники на машинното обучение
Процесът на създаване, използване и поддържане на модели за машинно обучение и данните, които те използват, е много различен от много други работни потоци за разработка. В този урок ще разясним процеса и ще очертаем основните техники, които трябва да знаете. Ще:

9
translations/bg/1-Introduction/4-techniques-of-ML/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "70d65aeddc06170bc1aed5b27805f930",
"translation_date": "2025-09-05T00:29:15+00:00",
"source_file": "1-Introduction/4-techniques-of-ML/assignment.md",
"language_code": "bg"
}
-->
# Интервю с дата учен
## Инструкции

9
translations/bg/1-Introduction/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "cf8ecc83f28e5b98051d2179eca08e08",
"translation_date": "2025-09-05T00:20:05+00:00",
"source_file": "1-Introduction/README.md",
"language_code": "bg"
}
-->
# Въведение в машинното обучение
В тази част от учебната програма ще се запознаете с основните концепции, които стоят в основата на машинното обучение, какво представлява то, както и ще научите за неговата история и техниките, които изследователите използват, за да работят с него. Нека заедно изследваме този нов свят на машинното обучение!

9
translations/bg/2-Regression/1-Tools/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "fa81d226c71d5af7a2cade31c1c92b88",
"translation_date": "2025-09-04T23:34:53+00:00",
"source_file": "2-Regression/1-Tools/README.md",
"language_code": "bg"
}
-->
# Започнете с Python и Scikit-learn за регресионни модели
![Обобщение на регресиите в скица](../../../../sketchnotes/ml-regression.png)

9
translations/bg/2-Regression/1-Tools/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "74a5cf83e4ebc302afbcbc4f418afd0a",
"translation_date": "2025-09-04T23:39:34+00:00",
"source_file": "2-Regression/1-Tools/assignment.md",
"language_code": "bg"
}
-->
# Регресия със Scikit-learn
## Инструкции

9
translations/bg/2-Regression/1-Tools/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-04T23:40:09+00:00",
"source_file": "2-Regression/1-Tools/solution/Julia/README.md",
"language_code": "bg"
}
-->
---

9
translations/bg/2-Regression/2-Data/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "7c077988328ebfe33b24d07945f16eca",
"translation_date": "2025-09-04T23:40:27+00:00",
"source_file": "2-Regression/2-Data/README.md",
"language_code": "bg"
}
-->
# Създаване на регресионен модел с помощта на Scikit-learn: подготовка и визуализация на данни
![Инфографика за визуализация на данни](../../../../2-Regression/2-Data/images/data-visualization.png)

9
translations/bg/2-Regression/2-Data/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "4485a1ed4dd1b5647365e3d87456515d",
"translation_date": "2025-09-04T23:43:21+00:00",
"source_file": "2-Regression/2-Data/assignment.md",
"language_code": "bg"
}
-->
# Изследване на визуализации
Има няколко различни библиотеки, които са достъпни за визуализация на данни. Създайте някои визуализации, използвайки данните за тиквите от този урок, с помощта на matplotlib и seaborn в примерен notebook. Кои библиотеки са по-лесни за работа?

9
translations/bg/2-Regression/2-Data/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-04T23:43:49+00:00",
"source_file": "2-Regression/2-Data/solution/Julia/README.md",
"language_code": "bg"
}
-->
---

25
translations/bg/2-Regression/3-Linear/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "40e64f004f3cb50aa1d8661672d3cd92",
"translation_date": "2025-09-04T23:19:25+00:00",
"source_file": "2-Regression/3-Linear/README.md",
"language_code": "bg"
}
-->
# Създаване на регресионен модел с помощта на Scikit-learn: четири подхода към регресията
![Инфографика за линейна и полиномиална регресия](../../../../2-Regression/3-Linear/images/linear-polynomial.png)
@ -114,11 +105,11 @@ day_of_year = pd.to_datetime(pumpkins['Date']).apply(lambda dt: (dt-datetime(dt.
От предишния урок вероятно сте видели, че средната цена за различните месеци изглежда така:
<img alt="Средна цена по месеци" src="../2-Data/images/barchart.png" width="50%"/>
<img alt="Средна цена по месеци" src="../../../../translated_images/bg/barchart.a833ea9194346d76.webp" width="50%"/>
Това предполага, че трябва да има някаква корелация, и можем да опитаме да обучим модел за линейна регресия, за да предскажем връзката между `Месец` и `Цена`, или между `ДенОтГодината` и `Цена`. Ето разпръснат график, който показва последната връзка:
<img alt="Разпръснат график на Цена спрямо Ден от годината" src="images/scatter-dayofyear.png" width="50%" />
<img alt="Разпръснат график на Цена спрямо Ден от годината" src="../../../../translated_images/bg/scatter-dayofyear.bc171c189c9fd553.webp" width="50%" />
Нека видим дали има корелация, използвайки функцията `corr`:
@ -137,7 +128,7 @@ for i,var in enumerate(new_pumpkins['Variety'].unique()):
ax = df.plot.scatter('DayOfYear','Price',ax=ax,c=colors[i],label=var)
```
<img alt="Разпръснат график на Цена спрямо Ден от годината" src="images/scatter-dayofyear-color.png" width="50%" />
<img alt="Разпръснат график на Цена спрямо Ден от годината" src="../../../../translated_images/bg/scatter-dayofyear-color.65790faefbb9d54f.webp" width="50%" />
Нашето изследване предполага, че сортът има по-голямо влияние върху общата цена, отколкото действителната дата на продажба. Можем да видим това с помощта на стълбовиден график:
@ -145,7 +136,7 @@ for i,var in enumerate(new_pumpkins['Variety'].unique()):
new_pumpkins.groupby('Variety')['Price'].mean().plot(kind='bar')
```
<img alt="Стълбовиден график на цена спрямо сорт" src="images/price-by-variety.png" width="50%" />
<img alt="Стълбовиден график на цена спрямо сорт" src="../../../../translated_images/bg/price-by-variety.744a2f9925d9bcb4.webp" width="50%" />
Нека се съсредоточим за момента само върху един сорт тикви, типа 'pie', и да видим какъв ефект има датата върху цената:
@ -153,7 +144,7 @@ new_pumpkins.groupby('Variety')['Price'].mean().plot(kind='bar')
pie_pumpkins = new_pumpkins[new_pumpkins['Variety']=='PIE TYPE']
pie_pumpkins.plot.scatter('DayOfYear','Price')
```
<img alt="Разпръснат график на Цена спрямо Ден от годината" src="images/pie-pumpkins-scatter.png" width="50%" />
<img alt="Разпръснат график на Цена спрямо Ден от годината" src="../../../../translated_images/bg/pie-pumpkins-scatter.d14f9804a53f927e.webp" width="50%" />
Ако сега изчислим корелацията между `Цена` и `ДенОтГодината`, използвайки функцията `corr`, ще получим нещо като `-0.27` - което означава, че обучението на предсказателен модел има смисъл.
@ -220,7 +211,7 @@ plt.scatter(X_test,y_test)
plt.plot(X_test,pred)
```
<img alt="Линейна регресия" src="images/linear-results.png" width="50%" />
<img alt="Линейна регресия" src="../../../../translated_images/bg/linear-results.f7c3552c85b0ed1c.webp" width="50%" />
## Полиномиална регресия
@ -249,7 +240,7 @@ pipeline.fit(X_train,y_train)
Pipeline може да се използва по същия начин като оригиналния обект `LinearRegression`, т.е. можем да използваме `fit` за обучение на pipeline и след това `predict`, за да получим резултатите от предсказанието. Ето график, показващ тестовите данни и кривата на апроксимация:
<img alt="Полиномиална регресия" src="images/poly-results.png" width="50%" />
<img alt="Полиномиална регресия" src="../../../../translated_images/bg/poly-results.ee587348f0f1f60b.webp" width="50%" />
С използването на полиномиална регресия можем да постигнем малко по-ниско MSE и по-висок коефициент на детерминация, но не значително. Трябва да вземем предвид и други характеристики!
@ -267,7 +258,7 @@ Pipeline може да се използва по същия начин като
Тук можете да видите как средната цена зависи от разнообразието:
<img alt="Средна цена по разнообразие" src="images/price-by-variety.png" width="50%" />
<img alt="Средна цена по разнообразие" src="../../../../translated_images/bg/price-by-variety.744a2f9925d9bcb4.webp" width="50%" />
За да вземем предвид разнообразието, първо трябва да го преобразуваме в числова форма, или **да го кодираме**. Има няколко начина да го направим:

9
translations/bg/2-Regression/3-Linear/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "cc471fa89c293bc735dd3a9a0fb79b1b",
"translation_date": "2025-09-04T23:26:04+00:00",
"source_file": "2-Regression/3-Linear/assignment.md",
"language_code": "bg"
}
-->
# Създаване на регресионен модел
## Инструкции

9
translations/bg/2-Regression/3-Linear/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-04T23:26:34+00:00",
"source_file": "2-Regression/3-Linear/solution/Julia/README.md",
"language_code": "bg"
}
-->
---

9
translations/bg/2-Regression/4-Logistic/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "abf86d845c84330bce205a46b382ec88",
"translation_date": "2025-09-04T23:26:51+00:00",
"source_file": "2-Regression/4-Logistic/README.md",
"language_code": "bg"
}
-->
# Логистична регресия за предсказване на категории
![Инфографика за логистична срещу линейна регресия](../../../../2-Regression/4-Logistic/images/linear-vs-logistic.png)

9
translations/bg/2-Regression/4-Logistic/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "8af40209a41494068c1f42b14c0b450d",
"translation_date": "2025-09-04T23:34:08+00:00",
"source_file": "2-Regression/4-Logistic/assignment.md",
"language_code": "bg"
}
-->
# Повторно прилагане на регресия
## Инструкции

9
translations/bg/2-Regression/4-Logistic/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-04T23:34:36+00:00",
"source_file": "2-Regression/4-Logistic/solution/Julia/README.md",
"language_code": "bg"
}
-->
---

9
translations/bg/2-Regression/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "508582278dbb8edd2a8a80ac96ef416c",
"translation_date": "2025-09-04T23:18:18+00:00",
"source_file": "2-Regression/README.md",
"language_code": "bg"
}
-->
# Регресионни модели за машинно обучение
## Регионална тема: Регресионни модели за цените на тиквите в Северна Америка 🎃

9
translations/bg/3-Web-App/1-Web-App/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "e0b75f73e4a90d45181dc5581fe2ef5c",
"translation_date": "2025-09-05T00:36:52+00:00",
"source_file": "3-Web-App/1-Web-App/README.md",
"language_code": "bg"
}
-->
# Създаване на уеб приложение за използване на ML модел
В този урок ще обучите ML модел върху набор от данни, който е извън този свят: _забелязвания на НЛО през последния век_, взети от базата данни на NUFORC.

9
translations/bg/3-Web-App/1-Web-App/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a8e8ae10be335cbc745b75ee552317ff",
"translation_date": "2025-09-05T00:39:38+00:00",
"source_file": "3-Web-App/1-Web-App/assignment.md",
"language_code": "bg"
}
-->
# Опитайте различен модел
## Инструкции

9
translations/bg/3-Web-App/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "9836ff53cfef716ddfd70e06c5f43436",
"translation_date": "2025-09-05T00:36:12+00:00",
"source_file": "3-Web-App/README.md",
"language_code": "bg"
}
-->
# Създайте уеб приложение за използване на вашия ML модел
В тази част от учебната програма ще се запознаете с приложна тема в машинното обучение: как да запазите вашия Scikit-learn модел като файл, който може да се използва за правене на прогнози в рамките на уеб приложение. След като моделът бъде запазен, ще научите как да го използвате в уеб приложение, създадено с Flask. Първо ще създадете модел, използвайки данни, свързани с наблюдения на НЛО! След това ще изградите уеб приложение, което ще ви позволи да въведете брой секунди, заедно със стойности за географска ширина и дължина, за да предвидите коя държава е докладвала за наблюдение на НЛО.

9
translations/bg/4-Classification/1-Introduction/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "aaf391d922bd6de5efba871d514c6d47",
"translation_date": "2025-09-05T00:51:52+00:00",
"source_file": "4-Classification/1-Introduction/README.md",
"language_code": "bg"
}
-->
# Въведение в класификацията
В тези четири урока ще разгледате основен аспект на класическото машинно обучение - _класификация_. Ще преминем през използването на различни алгоритми за класификация с набор от данни за всички невероятни кухни на Азия и Индия. Надяваме се, че сте гладни!

9
translations/bg/4-Classification/1-Introduction/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "b2a01912beb24cfb0007f83594dba801",
"translation_date": "2025-09-05T00:54:35+00:00",
"source_file": "4-Classification/1-Introduction/assignment.md",
"language_code": "bg"
}
-->
# Изследване на методи за класификация
## Инструкции

9
translations/bg/4-Classification/1-Introduction/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T00:55:12+00:00",
"source_file": "4-Classification/1-Introduction/solution/Julia/README.md",
"language_code": "bg"
}
-->
---

9
translations/bg/4-Classification/2-Classifiers-1/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "1a6e9e46b34a2e559fbbfc1f95397c7b",
"translation_date": "2025-09-05T00:41:49+00:00",
"source_file": "4-Classification/2-Classifiers-1/README.md",
"language_code": "bg"
}
-->
# Класификатори за кухни 1
В този урок ще използвате набора от данни, който запазихте от предишния урок, пълен с балансирани и почистени данни за различни кухни.

9
translations/bg/4-Classification/2-Classifiers-1/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "de6025f96841498b0577e9d1aee18d1f",
"translation_date": "2025-09-05T00:45:25+00:00",
"source_file": "4-Classification/2-Classifiers-1/assignment.md",
"language_code": "bg"
}
-->
# Изучете решаващите алгоритми
## Инструкции

9
translations/bg/4-Classification/2-Classifiers-1/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T00:46:01+00:00",
"source_file": "4-Classification/2-Classifiers-1/solution/Julia/README.md",
"language_code": "bg"
}
-->
---

9
translations/bg/4-Classification/3-Classifiers-2/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "49047911108adc49d605cddfb455749c",
"translation_date": "2025-09-05T00:49:19+00:00",
"source_file": "4-Classification/3-Classifiers-2/README.md",
"language_code": "bg"
}
-->
# Класификатори за кухня 2
В този втори урок за класификация ще разгледате повече начини за класифициране на числови данни. Ще научите също за последиците от избора на един класификатор пред друг.

9
translations/bg/4-Classification/3-Classifiers-2/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "58dfdaf79fb73f7d34b22bdbacf57329",
"translation_date": "2025-09-05T00:51:02+00:00",
"source_file": "4-Classification/3-Classifiers-2/assignment.md",
"language_code": "bg"
}
-->
# Игра с параметри
## Инструкции

9
translations/bg/4-Classification/3-Classifiers-2/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T00:51:34+00:00",
"source_file": "4-Classification/3-Classifiers-2/solution/Julia/README.md",
"language_code": "bg"
}
-->
---

9
translations/bg/4-Classification/4-Applied/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "61bdec27ed2da8b098cd9065405d9bb0",
"translation_date": "2025-09-05T00:46:18+00:00",
"source_file": "4-Classification/4-Applied/README.md",
"language_code": "bg"
}
-->
# Създаване на уеб приложение за препоръки на кухни
В този урок ще създадете модел за класификация, използвайки някои от техниките, които научихте в предишните уроци, и с помощта на вкусния набор от данни за кухни, използван в тази серия. Освен това ще изградите малко уеб приложение, което използва запазен модел, като се възползвате от уеб средата на Onnx.

9
translations/bg/4-Classification/4-Applied/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "799ed651e2af0a7cad17c6268db11578",
"translation_date": "2025-09-05T00:48:46+00:00",
"source_file": "4-Classification/4-Applied/assignment.md",
"language_code": "bg"
}
-->
# Създайте препоръчваща система
## Инструкции

9
translations/bg/4-Classification/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "74e809ffd1e613a1058bbc3e9600859e",
"translation_date": "2025-09-05T00:41:08+00:00",
"source_file": "4-Classification/README.md",
"language_code": "bg"
}
-->
# Започване с класификация
## Регионална тема: Вкусни азиатски и индийски кухни 🍜

9
translations/bg/5-Clustering/1-Visualize/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "730225ea274c9174fe688b21d421539d",
"translation_date": "2025-09-04T23:58:32+00:00",
"source_file": "5-Clustering/1-Visualize/README.md",
"language_code": "bg"
}
-->
# Въведение в клъстеризацията
Клъстеризацията е вид [Обучение без надзор](https://wikipedia.org/wiki/Unsupervised_learning), което предполага, че даден набор от данни е без етикети или че входните данни не са свързани с предварително дефинирани изходи. Тя използва различни алгоритми, за да сортира данни без етикети и да предостави групировки според моделите, които открива в данните.

9
translations/bg/5-Clustering/1-Visualize/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "589fa015a5e7d9e67bd629f7d47b53de",
"translation_date": "2025-09-05T00:03:43+00:00",
"source_file": "5-Clustering/1-Visualize/assignment.md",
"language_code": "bg"
}
-->
# Изследване на други визуализации за клъстеризация
## Инструкции

9
translations/bg/5-Clustering/1-Visualize/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T00:04:23+00:00",
"source_file": "5-Clustering/1-Visualize/solution/Julia/README.md",
"language_code": "bg"
}
-->
---

9
translations/bg/5-Clustering/2-K-Means/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "7cdd17338d9bbd7e2171c2cd462eb081",
"translation_date": "2025-09-05T00:04:39+00:00",
"source_file": "5-Clustering/2-K-Means/README.md",
"language_code": "bg"
}
-->
# K-Means клъстериране
## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ml/)

9
translations/bg/5-Clustering/2-K-Means/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "b8e17eff34ad1680eba2a5d3cf9ffc41",
"translation_date": "2025-09-05T00:07:04+00:00",
"source_file": "5-Clustering/2-K-Means/assignment.md",
"language_code": "bg"
}
-->
# Опитайте различни методи за клъстеризация
## Инструкции

9
translations/bg/5-Clustering/2-K-Means/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T00:07:40+00:00",
"source_file": "5-Clustering/2-K-Means/solution/Julia/README.md",
"language_code": "bg"
}
-->
---

9
translations/bg/5-Clustering/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "b28a3a4911584062772c537b653ebbc7",
"translation_date": "2025-09-04T23:57:22+00:00",
"source_file": "5-Clustering/README.md",
"language_code": "bg"
}
-->
# Модели за клъстеризация в машинното обучение
Клъстеризацията е задача в машинното обучение, която се стреми да открие обекти, които си приличат, и да ги групира в групи, наречени клъстери. Това, което отличава клъстеризацията от другите подходи в машинното обучение, е, че процесът се случва автоматично. Всъщност, може да се каже, че това е противоположността на обучението с учител.

9
translations/bg/6-NLP/1-Introduction-to-NLP/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "1c2ec40cf55c98a028a359c27ef7e45a",
"translation_date": "2025-09-05T01:33:38+00:00",
"source_file": "6-NLP/1-Introduction-to-NLP/README.md",
"language_code": "bg"
}
-->
# Въведение в обработката на естествен език
Този урок обхваща кратка история и важни концепции на *обработката на естествен език*, подполе на *компютърната лингвистика*.

9
translations/bg/6-NLP/1-Introduction-to-NLP/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "1d7583e8046dacbb0c056d5ba0a71b16",
"translation_date": "2025-09-05T01:36:32+00:00",
"source_file": "6-NLP/1-Introduction-to-NLP/assignment.md",
"language_code": "bg"
}
-->
# Търсене на бот
## Инструкции

9
translations/bg/6-NLP/2-Tasks/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "5f3cb462e3122e1afe7ab0050ccf2bd3",
"translation_date": "2025-09-05T01:20:43+00:00",
"source_file": "6-NLP/2-Tasks/README.md",
"language_code": "bg"
}
-->
# Често срещани задачи и техники в обработката на естествен език
За повечето задачи, свързани с *обработката на естествен език*, текстът, който трябва да бъде обработен, трябва да бъде разделен, анализиран и резултатите съхранени или сравнени с правила и набори от данни. Тези задачи позволяват на програмиста да извлече _значението_, _намерението_ или само _честотата_ на термините и думите в текста.

9
translations/bg/6-NLP/2-Tasks/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "2efc4c2aba5ed06c780c05539c492ae3",
"translation_date": "2025-09-05T01:23:49+00:00",
"source_file": "6-NLP/2-Tasks/assignment.md",
"language_code": "bg"
}
-->
# Направете бота да отговаря
## Инструкции

9
translations/bg/6-NLP/3-Translation-Sentiment/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "be03c8182982b87ced155e4e9d1438e8",
"translation_date": "2025-09-05T01:37:04+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/README.md",
"language_code": "bg"
}
-->
# Превод и анализ на настроения с машинно обучение
В предишните уроци научихте как да създадете основен бот, използвайки `TextBlob`, библиотека, която включва машинно обучение зад кулисите, за да изпълнява основни задачи в обработката на естествен език, като извличане на съществителни фрази. Друго важно предизвикателство в компютърната лингвистика е точният _превод_ на изречение от един говорим или писмен език на друг.

9
translations/bg/6-NLP/3-Translation-Sentiment/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "9d2a734deb904caff310d1a999c6bd7a",
"translation_date": "2025-09-05T01:40:54+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/assignment.md",
"language_code": "bg"
}
-->
# Поетична лицензия
## Инструкции

9
translations/bg/6-NLP/3-Translation-Sentiment/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T01:41:47+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/solution/Julia/README.md",
"language_code": "bg"
}
-->
---

9
translations/bg/6-NLP/3-Translation-Sentiment/solution/R/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-09-05T01:41:25+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/solution/R/README.md",
"language_code": "bg"
}
-->
това е временно запълващо място
---

9
translations/bg/6-NLP/4-Hotel-Reviews-1/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "8d32dadeda93c6fb5c43619854882ab1",
"translation_date": "2025-09-05T01:24:22+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/README.md",
"language_code": "bg"
}
-->
# Анализ на настроения с хотелски ревюта - обработка на данни
В този раздел ще използвате техниките от предишните уроци, за да направите изследователски анализ на голям набор от данни. След като придобиете добро разбиране за полезността на различните колони, ще научите:

9
translations/bg/6-NLP/4-Hotel-Reviews-1/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "bf39bceb833cd628f224941dca8041df",
"translation_date": "2025-09-05T01:32:13+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/assignment.md",
"language_code": "bg"
}
-->
# NLTK
## Инструкции

9
translations/bg/6-NLP/4-Hotel-Reviews-1/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T01:33:00+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/solution/Julia/README.md",
"language_code": "bg"
}
-->
---

9
translations/bg/6-NLP/4-Hotel-Reviews-1/solution/R/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-09-05T01:32:38+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/solution/R/README.md",
"language_code": "bg"
}
-->
това е временно запълващо съдържание
---

9
translations/bg/6-NLP/5-Hotel-Reviews-2/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "2c742993fe95d5bcbb2846eda3d442a1",
"translation_date": "2025-09-05T01:42:04+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/README.md",
"language_code": "bg"
}
-->
# Анализ на настроения с хотелски ревюта
Сега, след като сте разгледали набора от данни в детайли, е време да филтрирате колоните и да използвате техники за обработка на естествен език (NLP), за да получите нови прозрения за хотелите.

9
translations/bg/6-NLP/5-Hotel-Reviews-2/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "daf144daa552da6a7d442aff6f3e77d8",
"translation_date": "2025-09-05T01:47:08+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/assignment.md",
"language_code": "bg"
}
-->
# Опитайте с различен набор от данни
## Инструкции

9
translations/bg/6-NLP/5-Hotel-Reviews-2/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T01:47:56+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/solution/Julia/README.md",
"language_code": "bg"
}
-->
---

9
translations/bg/6-NLP/5-Hotel-Reviews-2/solution/R/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-09-05T01:47:35+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/solution/R/README.md",
"language_code": "bg"
}
-->
това е временно запълващо място
---

9
translations/bg/6-NLP/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "1eb379dc2d0c9940b320732d16083778",
"translation_date": "2025-09-05T01:19:51+00:00",
"source_file": "6-NLP/README.md",
"language_code": "bg"
}
-->
# Започване с обработка на естествен език
Обработката на естествен език (NLP) е способността на компютърна програма да разбира човешкия език, както се говори и пише – наричан естествен език. Това е компонент на изкуствения интелект (AI). NLP съществува повече от 50 години и има корени в областта на лингвистиката. Цялата област е насочена към това да помогне на машините да разбират и обработват човешкия език. Това може да се използва за изпълнение на задачи като проверка на правописа или машинен превод. NLP има разнообразни приложения в реалния свят в редица области, включително медицински изследвания, търсачки и бизнес анализи.

9
translations/bg/6-NLP/data/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "ee0670655c89e4719319764afb113624",
"translation_date": "2025-09-05T01:33:17+00:00",
"source_file": "6-NLP/data/README.md",
"language_code": "bg"
}
-->
Изтеглете данните за отзивите за хотела в тази папка.
---

9
translations/bg/7-TimeSeries/1-Introduction/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "662b509c39eee205687726636d0a8455",
"translation_date": "2025-09-04T23:49:41+00:00",
"source_file": "7-TimeSeries/1-Introduction/README.md",
"language_code": "bg"
}
-->
# Въведение в прогнозиране на времеви серии
![Обобщение на времеви серии в скица](../../../../sketchnotes/ml-timeseries.png)

9
translations/bg/7-TimeSeries/1-Introduction/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "d1781b0b92568ea1d119d0a198b576b4",
"translation_date": "2025-09-04T23:52:37+00:00",
"source_file": "7-TimeSeries/1-Introduction/assignment.md",
"language_code": "bg"
}
-->
# Визуализирайте още времеви серии
## Инструкции

9
translations/bg/7-TimeSeries/1-Introduction/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-04T23:53:32+00:00",
"source_file": "7-TimeSeries/1-Introduction/solution/Julia/README.md",
"language_code": "bg"
}
-->
---

9
translations/bg/7-TimeSeries/1-Introduction/solution/R/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-09-04T23:53:11+00:00",
"source_file": "7-TimeSeries/1-Introduction/solution/R/README.md",
"language_code": "bg"
}
-->
това е временно запълващо място
---

9
translations/bg/7-TimeSeries/2-ARIMA/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "917dbf890db71a322f306050cb284749",
"translation_date": "2025-09-04T23:44:51+00:00",
"source_file": "7-TimeSeries/2-ARIMA/README.md",
"language_code": "bg"
}
-->
# Прогнозиране на времеви редове с ARIMA
В предишния урок научихте малко за прогнозиране на времеви редове и заредихте набор от данни, показващ колебанията на електрическото натоварване за определен период от време.

9
translations/bg/7-TimeSeries/2-ARIMA/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "1c814013e10866dfd92cdb32caaae3ac",
"translation_date": "2025-09-04T23:48:30+00:00",
"source_file": "7-TimeSeries/2-ARIMA/assignment.md",
"language_code": "bg"
}
-->
# Нов ARIMA модел
## Инструкции

9
translations/bg/7-TimeSeries/2-ARIMA/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-04T23:49:25+00:00",
"source_file": "7-TimeSeries/2-ARIMA/solution/Julia/README.md",
"language_code": "bg"
}
-->
---

9
translations/bg/7-TimeSeries/2-ARIMA/solution/R/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-09-04T23:48:59+00:00",
"source_file": "7-TimeSeries/2-ARIMA/solution/R/README.md",
"language_code": "bg"
}
-->
това е временно запълващо място
---

9
translations/bg/7-TimeSeries/3-SVR/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "482bccabe1df958496ea71a3667995cd",
"translation_date": "2025-09-04T23:53:49+00:00",
"source_file": "7-TimeSeries/3-SVR/README.md",
"language_code": "bg"
}
-->
# Прогнозиране на времеви серии със Support Vector Regressor
В предишния урок научихте как да използвате модела ARIMA за прогнозиране на времеви серии. Сега ще разгледате модела Support Vector Regressor, който е регресионен модел, използван за прогнозиране на непрекъснати данни.

9
translations/bg/7-TimeSeries/3-SVR/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "94aa2fc6154252ae30a3f3740299707a",
"translation_date": "2025-09-04T23:56:46+00:00",
"source_file": "7-TimeSeries/3-SVR/assignment.md",
"language_code": "bg"
}
-->
# Нов модел SVR
## Инструкции [^1]

9
translations/bg/7-TimeSeries/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "61342603bad8acadbc6b2e4e3aab3f66",
"translation_date": "2025-09-04T23:44:06+00:00",
"source_file": "7-TimeSeries/README.md",
"language_code": "bg"
}
-->
# Въведение в прогнозиране на времеви редове
Какво представлява прогнозиране на времеви редове? Това е процесът на предсказване на бъдещи събития чрез анализиране на тенденциите от миналото.

9
translations/bg/8-Reinforcement/1-QLearning/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "911efd5e595089000cb3c16fce1beab8",
"translation_date": "2025-09-05T01:05:29+00:00",
"source_file": "8-Reinforcement/1-QLearning/README.md",
"language_code": "bg"
}
-->
# Въведение в Укрепващото Обучение и Q-Learning
![Обобщение на укрепващото обучение в машинното обучение в скица](../../../../sketchnotes/ml-reinforcement.png)

9
translations/bg/8-Reinforcement/1-QLearning/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "68394b2102d3503882e5e914bd0ff5c1",
"translation_date": "2025-09-05T01:11:56+00:00",
"source_file": "8-Reinforcement/1-QLearning/assignment.md",
"language_code": "bg"
}
-->
# По-реалистичен свят
В нашата ситуация, Петър можеше да се движи почти без да се уморява или огладнява. В по-реалистичен свят, той трябва да сяда и да си почива от време на време, както и да се храни. Нека направим нашия свят по-реалистичен, като приложим следните правила:

9
translations/bg/8-Reinforcement/1-QLearning/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T01:13:57+00:00",
"source_file": "8-Reinforcement/1-QLearning/solution/Julia/README.md",
"language_code": "bg"
}
-->
---

9
translations/bg/8-Reinforcement/1-QLearning/solution/R/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-09-05T01:13:35+00:00",
"source_file": "8-Reinforcement/1-QLearning/solution/R/README.md",
"language_code": "bg"
}
-->
това е временно запълващо място
---

9
translations/bg/8-Reinforcement/2-Gym/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "107d5bb29da8a562e7ae72262d251a75",
"translation_date": "2025-09-05T01:14:14+00:00",
"source_file": "8-Reinforcement/2-Gym/README.md",
"language_code": "bg"
}
-->
# Картофелно пързаляне
Проблемът, който решавахме в предишния урок, може да изглежда като играчка, която няма реално приложение в живота. Това не е така, защото много реални проблеми също споделят този сценарий - включително играта на шах или го. Те са подобни, защото също имаме дъска с определени правила и **дискретно състояние**.

9
translations/bg/8-Reinforcement/2-Gym/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "1f2b7441745eb52e25745423b247016b",
"translation_date": "2025-09-05T01:18:12+00:00",
"source_file": "8-Reinforcement/2-Gym/assignment.md",
"language_code": "bg"
}
-->
# Обучение на Mountain Car
[OpenAI Gym](http://gym.openai.com) е проектиран така, че всички среди предоставят един и същ API - т.е. същите методи `reset`, `step` и `render`, както и същите абстракции за **пространство на действията** и **пространство на наблюденията**. Следователно, би трябвало да е възможно да се адаптират едни и същи алгоритми за обучение чрез подсилване към различни среди с минимални промени в кода.

9
translations/bg/8-Reinforcement/2-Gym/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-09-05T01:19:34+00:00",
"source_file": "8-Reinforcement/2-Gym/solution/Julia/README.md",
"language_code": "bg"
}
-->
---

9
translations/bg/8-Reinforcement/2-Gym/solution/R/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-09-05T01:19:13+00:00",
"source_file": "8-Reinforcement/2-Gym/solution/R/README.md",
"language_code": "bg"
}
-->
това е временно запълващо място
---

9
translations/bg/8-Reinforcement/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "20ca019012b1725de956681d036d8b18",
"translation_date": "2025-09-05T01:03:28+00:00",
"source_file": "8-Reinforcement/README.md",
"language_code": "bg"
}
-->
# Въведение в обучението чрез подсилване
Обучението чрез подсилване (RL) се счита за един от основните парадигми на машинното обучение, наред с обучението с учител и без учител. RL се фокусира върху вземането на решения: доставяне на правилните решения или поне учене от тях.

9
translations/bg/9-Real-World/1-Applications/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "83320d6b6994909e35d830cebf214039",
"translation_date": "2025-09-05T00:09:28+00:00",
"source_file": "9-Real-World/1-Applications/README.md",
"language_code": "bg"
}
-->
# Постскриптум: Машинно обучение в реалния свят
![Обобщение на машинното обучение в реалния свят в скица](../../../../sketchnotes/ml-realworld.png)

9
translations/bg/9-Real-World/1-Applications/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "fdebfcd0a3f12c9e2b436ded1aa79885",
"translation_date": "2025-09-05T00:13:45+00:00",
"source_file": "9-Real-World/1-Applications/assignment.md",
"language_code": "bg"
}
-->
# Лов на съкровища с машинно обучение
## Инструкции

9
translations/bg/9-Real-World/2-Debugging-ML-Models/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "df2b538e8fbb3e91cf0419ae2f858675",
"translation_date": "2025-09-05T00:14:20+00:00",
"source_file": "9-Real-World/2-Debugging-ML-Models/README.md",
"language_code": "bg"
}
-->
# Постскриптум: Дебъгване на модели в машинното обучение с помощта на компоненти от таблото за отговорен AI
## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ml/)

9
translations/bg/9-Real-World/2-Debugging-ML-Models/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "91c6a180ef08e20cc15acfd2d6d6e164",
"translation_date": "2025-09-05T00:19:24+00:00",
"source_file": "9-Real-World/2-Debugging-ML-Models/assignment.md",
"language_code": "bg"
}
-->
# Изследвайте таблото за отговорен AI (RAI)
## Инструкции

9
translations/bg/9-Real-World/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "5e069a0ac02a9606a69946c2b3c574a9",
"translation_date": "2025-09-05T00:08:50+00:00",
"source_file": "9-Real-World/README.md",
"language_code": "bg"
}
-->
# Постскриптум: Реални приложения на класическото машинно обучение
В тази част от учебната програма ще се запознаете с някои реални приложения на класическото машинно обучение. Претърсихме интернет, за да намерим научни статии и материали за приложения, които използват тези стратегии, като избягваме невронни мрежи, дълбоко обучение и изкуствен интелект, доколкото е възможно. Научете как машинното обучение се използва в бизнес системи, екологични приложения, финанси, изкуство и култура и други.

9
translations/bg/AGENTS.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "93fdaa0fd38836e50c4793e2f2f25e8b",
"translation_date": "2025-10-03T11:17:32+00:00",
"source_file": "AGENTS.md",
"language_code": "bg"
}
-->
# AGENTS.md
## Преглед на проекта

9
translations/bg/CODE_OF_CONDUCT.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
"translation_date": "2025-09-04T23:17:51+00:00",
"source_file": "CODE_OF_CONDUCT.md",
"language_code": "bg"
}
-->
# Кодекс за поведение на Microsoft Open Source
Този проект е приел [Кодекса за поведение на Microsoft Open Source](https://opensource.microsoft.com/codeofconduct/).

9
translations/bg/CONTRIBUTING.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "977ec5266dfd78ad1ce2bd8d46fccbda",
"translation_date": "2025-09-04T23:15:28+00:00",
"source_file": "CONTRIBUTING.md",
"language_code": "bg"
}
-->
# Принос
Този проект приветства приноси и предложения. Повечето приноси изискват от вас да се съгласите с Лицензионно споразумение за принос (CLA), което декларира, че имате право и наистина предоставяте ни правата да използваме вашия принос. За подробности посетете https://cla.microsoft.com.

177
translations/bg/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "0a6f4476a4f3934a4aa47c1bf47158bc",
"translation_date": "2026-01-16T15:29:52+00:00",
"source_file": "README.md",
"language_code": "bg"
}
-->
[![GitHub license](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
[![GitHub contributors](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
[![GitHub issues](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
@ -17,16 +8,16 @@ CO_OP_TRANSLATOR_METADATA:
[![GitHub forks](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/)
[![GitHub stars](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
### 🌐 Поддръжка на много езици
### 🌐 Многоезикова поддръжка
#### Поддържано чрез GitHub Action (Автоматизирано и винаги актуално)
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
[Арабски](../ar/README.md) | [Бенгалски](../bn/README.md) | [Български](./README.md) | [Бирмански (Мианмар)](../my/README.md) | [Китайски (опростен)](../zh/README.md) | [Китайски (традиционен, Хонг Конг)](../hk/README.md) | [Китайски (традиционен, Макао)](../mo/README.md) | [Китайски (традиционен, Тайван)](../tw/README.md) | [Хърватски](../hr/README.md) | [Чешки](../cs/README.md) | [Датски](../da/README.md) | [Холандски](../nl/README.md) | [Естонски](../et/README.md) | [Фински](../fi/README.md) | [Френски](../fr/README.md) | [Немски](../de/README.md) | [Гръцки](../el/README.md) | [Иврит](../he/README.md) | [Хинди](../hi/README.md) | [Унгарски](../hu/README.md) | [Индонезийски](../id/README.md) | [Италиански](../it/README.md) | [Японски](../ja/README.md) | [Канада](../kn/README.md) | [Корейски](../ko/README.md) | [Литовски](../lt/README.md) | [Малайски](../ms/README.md) | [Малаялам](../ml/README.md) | [Марати](../mr/README.md) | [Непалски](../ne/README.md) | [Нигерийски Пиджин](../pcm/README.md) | [Норвежки](../no/README.md) | [Персийски (фарси)](../fa/README.md) | [Полски](../pl/README.md) | [Португалски (Бразилия)](../br/README.md) | [Португалски (Португалия)](../pt/README.md) | [Панджаби (Гурмукхи)](../pa/README.md) | [Румънски](../ro/README.md) | [Руски](../ru/README.md) | [Сръбски (кирилица)](../sr/README.md) | [Словашки](../sk/README.md) | [Словенски](../sl/README.md) | [Испански](../es/README.md) | [Суахили](../sw/README.md) | [Шведски](../sv/README.md) | [Тагалог (филипински)](../tl/README.md) | [Тамилски](../ta/README.md) | [Телугу](../te/README.md) | [Тайски](../th/README.md) | [Турски](../tr/README.md) | [Украински](../uk/README.md) | [Урду](../ur/README.md) | [Виетнамски](../vi/README.md)
[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](./README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
> **Предпочитате да клонирате локално?**
> Това хранилище включва над 50 езикови превода, които значително увеличават размера на изтегляне. За да клонирате без преводите, използвайте sparse checkout:
> Това хранилище включва над 50 езикови превода, което значително увеличава размера на изтеглянето. За да клонирате без преводи, използвайте sparse checkout:
> ```bash
> git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
> cd ML-For-Beginners
@ -39,58 +30,58 @@ CO_OP_TRANSLATOR_METADATA:
[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
Имаме текуща серия "Учете с AI" в Discord, научете повече и се присъединете към нас на [Learn with AI Series](https://aka.ms/learnwithai/discord) от 18 до 30 септември 2025 г. Ще получите съвети и трикове за използване на GitHub Copilot за Data Science.
Имаме текстваща серия „Учи с AI“ в Discord, научете повече и се присъединете към нас на [Learn with AI Series](https://aka.ms/learnwithai/discord) от 18 до 30 септември 2025 г. Ще получите съвети и трикове за използване на GitHub Copilot за наука за данни.
![Learn with AI series](../../../../translated_images/bg/3.9b58fd8d6c373c20.webp)
![Learn with AI series](../../translated_images/bg/3.9b58fd8d6c373c20.webp)
# Машинно обучение за начинаещи - учебна програма
> 🌍 Пътувайте по света, докато изследваме Машинното обучение чрез културите на света 🌍
> 🌍 Пътувайте из целия свят, докато изучаваме Машинно обучение чрез световните култури 🌍
Cloud Advocates в Microsoft с радост предлагат 12-седмична, 26-лекционна учебна програма изцяло за **Машинно обучение**. В тази учебна програма ще научите за това, което понякога се нарича **класическо машинно обучение**, използвайки главно библиотеката Scikit-learn и без задълбочено учене, което е разгледано в нашата [учебна програма AI за начинаещи](https://aka.ms/ai4beginners). Съчетавайте тези уроци с нашата ['Data Science for Beginners' учебна програма](https://aka.ms/ds4beginners) също!
Облачните адвокати в Microsoft се радват да предложат 12-седмична, 26-урочна учебна програма, изцяло посветена на **Машинното обучение**. В тази учебна програма ще научите за това, което понякога се нарича **класическо машинно обучение**, използвайки предимно библиотеката Scikit-learn и като избягвате дълбокото учене, което е разгледано в нашата [AI за начинаещи учебна програма](https://aka.ms/ai4beginners). Сдвоете тези уроци и с нашата ['Наука за данните за начинаещи' учебна програма](https://aka.ms/ds4beginners)!
Пътувайте с нас по света, като прилагаме тези класически техники към данни от много региони на света. Всеки урок включва тестове преди и след урока, писмени инструкции за изпълнение, решение, задача и още. Нашата педагогика, основана на проекти, ви позволява да учите чрез практическо изграждане, доказан начин за усвояване на нови умения.
Пътувайте с нас по света, докато прилагаме тези класически техники върху данни от много области на света. Всеки урок включва предварителен и последващ тест, писмени инструкции за завършване на урока, решение, задача и още. Нашата учебна методология, базирана на проекти, ви позволява да учите чрез създаване на проекти, което е доказан начин новите умения да се „захванат“.
**✍️ Сърдечни благодарности на нашите автори** Джен Лупер, Стивън Хауъл, Франческа Лазери, Томоми Имура, Каси Бревиу, Дмитрий Сошников, Крис Норинг, Анирбан Мукерджи, Орнела Алтунян, Рут Якобу и Ейми Бойд
**✍️ Сърдечни благодарности на нашите автори** Джен Лупър, Стивън Хауъл, Франческа Лазери, Томоми Имура, Каси Бревиу, Дмитрий Сошников, Крис Норинг, Анирбан Мукерджи, Орнела Алтунян, Рут Якобу и Ейми Бойд
**🎨 Благодарности също и на нашите илюстратори** Томоми Имура, Дасани Мадипали и Джен Лупер
**🎨 Благодарности и на нашите илюстратори** Томоми Имура, Дасани Мадипали и Джен Лупър
**🙏 Специални благодарности 🙏 на нашите автори, преглеждащи и съдържателни сътрудници от Microsoft Student Ambassador**, особено Ришит Дагли, Мухаммад Сакиб Хан Инан, Рохан Радж, Александру Петреску, Абхишек Джайсуал, Науин Табасум, Йоан Самуила и Снигдха Агарвал
**🙏 Специални благодарности 🙏 на нашите студенти-амбасадори на Microsoft, автори, рецензенти и сътрудници по съдържанието**, особено Ришит Дагли, Мухаммад Сакиб Хан Иван, Рохан Радж, Александру Петреску, Абхишек Джайсвал, Ноуин Табасъм, Йоан Самуила и Снидха Агарвал
**🤩 Допълнителна благодарност към Microsoft Student Ambassadors Ерик Ванджау, Джаслин Сонди и Видуши Гупта за нашите уроци по R!**
**🤩 Допълнителна благодарност на студентските посланици на Microsoft Ерик Уанджау, Джаслийн Сонди и Видуши Гупта за нашите R уроци!**
# Започване
# Първи стъпки
Следвайте тези стъпки:
1. **Форкнете хранилището**: Кликнете на бутона „Fork“ в горния десен ъгъл на тази страница.
2. **Клонирайте хранилището**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
1. **Форкнете репозитория**: Кликнете бутона „Fork“ в горния десен ъгъл на тази страница.
2. **Клонирайте репозитория**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
> [намерете всички допълнителни ресурси за този курс в нашата Microsoft Learn колекция](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [намерете всички допълнителни ресурси за този курс в нашата колекция Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Нуждаете се от помощ?** Вижте нашия [Наръчник за отстраняване на проблеми](TROUBLESHOOTING.md) за решения на често срещани проблеми с инсталация, настройка и изпълнение на уроци.
> 🔧 **Нужна ви е помощ?** Прегледайте нашето [Ръководство за отстраняване на проблеми](TROUBLESHOOTING.md) за решения на често срещани проблеми с инсталирането, настройката и стартирането на уроците.
**[Студенти](https://aka.ms/student-page)**, за да използвате тази учебна програма, форкнете цялото хранилище във вашия собствен GitHub акаунт и изпълнявайте упражненията сами или в група:
**[Студенти](https://aka.ms/student-page)**, за да използвате тази учебна програма, форкнете целия репо във вашия собствен GitHub акаунт и завършвайте упражненията сами или в група:
- Започнете с тест преди лекцията.
- Прочетете лекцията и изпълнете дейностите, спирайки се и размишлявайки при всяка проверка на знанията.
- Опитайте се да създадете проектите, като разбирате уроците, а не просто като изпълнявате кода на решенията; този код обаче е наличен във `/solution` папките във всеки урок, ориентиран към проект.
- Започнете с предварителен тест преди лекция.
- Прочетете лекцията и изпълнете дейностите, като спирате и размишлявате след всяка проверка на знанията.
- Опитайте да създадете проектите, като разбирате уроците, а не просто пуснете решението; кодът обаче е наличен в папките `/solution` във всеки урок, базиран на проект.
- Направете тест след лекцията.
- Изпълнете предизвикателството.
- Изпълнете задачата.
- След приключване на група уроци посетете [Дискусионния форум](https://github.com/microsoft/ML-For-Beginners/discussions) и „учете на глас“, като попълните подходящия PAT рубрик. PAT е Инструмент за оценка на напредъка, който представлява рубрика за самостоятелна оценка и напредък. Можете също да реагирате на други PAT, за да учим заедно.
- Завършете предизвикателството.
- Завършете задачата.
- След завършване на група уроци посетете [Дискусионния форум](https://github.com/microsoft/ML-For-Beginners/discussions) и „учете на глас“, попълвайки подходящата рубрика PAT. 'PAT' е Инструмент за оценка на напредъка, който е рубрика, която попълвате, за да задълбочите ученето си. Можете също така да реагирате на други PAT, за да учим заедно.
> За по-нататъшно обучение препоръчваме да следвате тези модули и учебни пътеки от [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> За допълнително обучение препоръчваме да следвате тези [Модули и учебни пътеки на Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**Учители**, ние сме включили някои [предложения](for-teachers.md) как да използвате тази учебна програма.
**Учители**, включили сме [някои предложения](for-teachers.md) как да използвате тази учебна програма.
---
## Видео уроци
Някои уроци са налични като кратки видео формати. Можете да ги намерите във всеки урок или в [плейлистата ML за начинаещи в Microsoft Developer YouTube канала](https://aka.ms/ml-beginners-videos), като кликнете върху изображението по-долу.
Някои уроци са налични под формата на кратки видеа. Можете да ги намерите в текста на уроците или в [плейлиста ML for Beginners в YouTube канала на Microsoft Developer](https://aka.ms/ml-beginners-videos), като кликнете на изображението по-долу.
[![ML for beginners banner](../../../../translated_images/bg/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos)
[![ML for beginners banner](../../translated_images/bg/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos)
---
@ -100,79 +91,79 @@ Cloud Advocates в Microsoft с радост предлагат 12-седмич
**Гиф от** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal)
> 🎥 Кликнете върху изображението по-горе за видео за проекта и хората, които го създадоха!
> 🎥 Кликнете на изображението горе за видео за проекта и хората, които го създадоха!
---
## Педагогика
## Методология
Избрахме два педагогически принципа при създаването на тази учебна програма: осигуряване на практически ориентирано учене чрез **проекти** и включване на **чести тестове**. Освен това тази учебна програма има обща **тема** за постигане на единство.
Избрахме два педагогически постулата при изграждането на тази учебна програма: да бъде практически **базирана на проекти** и да включва **чести тестове**. Освен това тази учебна програма има обща **тема**, за да й придаде единство.
Чрез осигуряване на съответствието на съдържанието с проектите процесът става по-ангажиращ за студентите, а задържането на знанията се увеличава. Освен това ниско рисков тест преди клас настройва намерението на студента за учене на тема, а втори тест след урок гарантира по-голямо усвояване. Тази учебна програма е проектирана да е гъвкава и забавна и може да се следва изцяло или частично. Проектите започват от малки и стават все по-сложни до края на 12-седмичния цикъл. Учебната програма включва и послеслов за реални приложения на машинното обучение, който може да служи като допълнителен кредит или основа за дискусия.
Чрез гарантиране, че съдържанието съответства на проекти, процесът става по-ангажиращ за студентите и запомнянето на понятията се подобрява. Освен това нисковажно тестово задание преди занятия насочва намерението на студента към изучаване на тема, а втори тест след занятието осигурява по-добро затвърждаване. Тази програма е проектирана да бъде гъвкава и забавна и може да бъде взета изцяло или частично. Проектите започват малки и стават все по-сложни до края на 12-седмичния цикъл. В програмата също е включен послеслов за реалните приложения на машинното обучение, който може да се използва като допълнителен кредит или като основа за дискусия.
> Намерете нашите насоки за [Кодекс на поведение](CODE_OF_CONDUCT.md), [Принос](CONTRIBUTING.md), [Превод](TRANSLATIONS.md) и [Отстраняване на проблеми](TROUBLESHOOTING.md). Очакваме вашите конструктивни отзиви!
> Намерете нашите насоки за [Етичен кодекс](CODE_OF_CONDUCT.md), [Сътрудничество](CONTRIBUTING.md), [Преводи](TRANSLATIONS.md) и [Отстраняване на проблеми](TROUBLESHOOTING.md). Очакваме с нетърпение вашите конструктивни отзиви!
## Всеки урок включва
- по избор скичноут
- по избор допълващо видео
- видео урок (само за някои уроци)
- [тест за затопляне преди лекцията](https://ff-quizzes.netlify.app/en/ml/)
- опционалната скицникта
- опционално допълнително видео
- видео урок (само някои уроци)
- [въпросник преди лекция](https://ff-quizzes.netlify.app/en/ml/)
- писмен урок
- за проекти, стъпка по стъпка инструкции за изграждането на проекта
- проверки на знания
- за уроци, базирани на проекти: стъпка по стъпка ръководства за изграждане на проекта
- проверки на знанията
- предизвикателство
- допълнително четиво
- задача
- [тест след лекцията](https://ff-quizzes.netlify.app/en/ml/)
> **Забележка за езиците**: Тези уроци са главно написани на Python, но много от тях са налични и на R. За да завършите урок по R, отидете в папката `/solution` и потърсете уроци на R. Те имат разширение .rmd, което представлява **R Markdown** файл, който просто казано е вграждане на `кодови блокове` (на R или други езици) и `YAML заглавна част` (която указва форматирането на изходните формати като PDF) в `Markdown документ`. По този начин това е отлична рамка за писане за данни, тъй като ви позволява да съчетаете кода си, изхода му и мислите си, като ги записвате в Markdown. Освен това R Markdown документите могат да се рендерират до изходни формати като PDF, HTML или Word.
> **Бележка за викторините**: Всички викторини са в [папка Quiz App](../../quiz-app), с общо 52 викторини по три въпроса всяка. Те са свързани от уроците, но приложението за викторини може да се стартира локално; следвайте инструкциите в папката `quiz-app`, за да хоствате локално или да публикувате в Azure.
| Номер на урока | Тема | Групиране на уроци | Учебни цели | Свързан урок | Автор |
| :------------: | :---------------------------------------------------------: | :-----------------------------------------------------: | ----------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :------------------------------------------------: |
| 01 | Въведение в машинното обучение | [Въведение](1-Introduction/README.md) | Научете основните понятия зад машинното обучение | [Урок](1-Introduction/1-intro-to-ML/README.md) | Мухаммад |
| 02 | История на машинното обучение | [Въведение](1-Introduction/README.md) | Научете историята зад тази област | [Урок](1-Introduction/2-history-of-ML/README.md) | Джен и Ейми |
| 03 | Честност и машинно обучение | [Въведение](1-Introduction/README.md) | Какви са важните философски въпроси около честността, които студентите трябва да обмислят при създаване и прилагане на модели? | [Урок](1-Introduction/3-fairness/README.md) | Томоми |
| 04 | Техники за машинно обучение | [Въведение](1-Introduction/README.md) | Какви техники използват изследователите за построяване на модели? | [Урок](1-Introduction/4-techniques-of-ML/README.md) | Крис и Джен |
| 05 | Въведение в регресия | [Регресия](2-Regression/README.md) | Започнете с Python и Scikit-learn за модели на регресия | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Джен • Ерик Уанджау |
| 06 | Цени на тиквите в Северна Америка 🎃 | [Регресия](2-Regression/README.md) | Визуализирайте и почистете данни в подготовка за ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Джен • Ерик Уанджау |
| 07 | Цени на тиквите в Северна Америка 🎃 | [Регресия](2-Regression/README.md) | Построяване на линейни и полиномиални регресионни модели | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Джен и Дмитрий • Ерик Уанджау |
| 08 | Цени на тиквите в Северна Америка 🎃 | [Регресия](2-Regression/README.md) | Построяване на логистична регресионна модел | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Джен • Ерик Уанджау |
| 09 | Уеб приложение 🔌 | [Уеб приложение](3-Web-App/README.md) | Създайте уеб приложение за използване на обучен модел | [Python](3-Web-App/1-Web-App/README.md) | Джен |
| 10 | Въведение в класификация | [Класификация](4-Classification/README.md) | Почистете, подгответе и визуализирайте данните; въведение в класификация | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Джен и Каси • Ерик Уанджау |
| 11 | Вкусни азиатски и индийски кухни 🍜 | [Класификация](4-Classification/README.md) | Въведение в класификаторите | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Джен и Каси • Ерик Уанджау |
| 12 | Вкусни азиатски и индийски кухни 🍜 | [Класификация](4-Classification/README.md) | Още класификатори | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Джен и Каси • Ерик Уанджау |
| 13 | Вкусни азиатски и индийски кухни 🍜 | [Класификация](4-Classification/README.md) | Създайте уеб приложение препоръчител с вашия модел | [Python](4-Classification/4-Applied/README.md) | Джен |
| 14 | Въведение в клъстериране | [Клъстериране](5-Clustering/README.md) | Почистете, подгответе и визуализирайте данните; Въведение в клъстериране | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Джен • Ерик Уанджау |
| 15 | Изследване на музикалните вкусове на Нигерия 🎧 | [Клъстериране](5-Clustering/README.md) | Проучете метода на клъстериране K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Джен • Ерик Уанджау |
| 16 | Въведение в обработка на естествен език ☕️ | [Обработка на естествен език](6-NLP/README.md) | Научете основите на NLP чрез създаване на прост бот | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Стивън |
| 17 | Чести задачи в NLP ☕️ | [Обработка на естествен език](6-NLP/README.md) | Разширете знанията си в NLP чрез разбиране на често срещаните задачи при работа с езикови структури | [Python](6-NLP/2-Tasks/README.md) | Стивън |
| 18 | Превод и анализ на настроения ♥️ | [Обработка на естествен език](6-NLP/README.md) | Превод и анализ на настроения с Джейн Остин | [Python](6-NLP/3-Translation-Sentiment/README.md) | Стивън |
| 19 | Романтични хотели в Европа ♥️ | [Обработка на естествен език](6-NLP/README.md) | Анализ на настроения със зазиви от хотели 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Стивън |
| 20 | Романтични хотели в Европа ♥️ | [Обработка на естествен език](6-NLP/README.md) | Анализ на настроения със зазиви от хотели 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Стивън |
| 21 | Въведение в прогнозиране на времеви редове | [Времеви редове](7-TimeSeries/README.md) | Въведение в прогнозиране на времеви редове | [Python](7-TimeSeries/1-Introduction/README.md) | Франческа |
| 22 | ⚡️ Световна употреба на електроенергия ⚡️ - прогнозиране с ARIMA | [Времеви редове](7-TimeSeries/README.md) | Прогнозиране на времеви редове с ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Франческа |
| 23 | ⚡️ Световна употреба на електроенергия ⚡️ - прогнозиране с SVR | [Времеви редове](7-TimeSeries/README.md) | Прогнозиране на времеви редове с Регресор с опорни вектори | [Python](7-TimeSeries/3-SVR/README.md) | Анирбан |
| 24 | Въведение в обучение с подсилване | [Обучение с подсилване](8-Reinforcement/README.md) | Въведение в обучение с подсилване с Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Дмитрий |
| 25 | Помогнете на Питър да избегне вълка! 🐺 | [Обучение с подсилване](8-Reinforcement/README.md) | Обучение с подсилване в Gym | [Python](8-Reinforcement/2-Gym/README.md) | Дмитрий |
| Послеслов | Приложения и сценарии на ML в реалния свят | [ML в дивата природа](9-Real-World/README.md) | Интересни и показателни приложения на класическо ML в реалния свят | [Урок](9-Real-World/1-Applications/README.md) | Екип |
| Послеслов | Отстраняване на грешки в модели с RAI dashboard | [ML в дивата природа](9-Real-World/README.md) | Отстраняване на грешки в машинно обучение с помощта на таблото за управление Responsible AI | [Урок](9-Real-World/2-Debugging-ML-Models/README.md) | Рут Якубу |
- [въпросник след лекция](https://ff-quizzes.netlify.app/en/ml/)
> **Забележка за езиците**: Тези уроци са предимно написани на Python, но много от тях са налични и на R. За да завършите урок по R, отидете в папката `/solution` и потърсете уроци на R. Те включват разширението .rmd, което представлява **R Markdown** файл, който просто се дефинира като вграждане на `кодови блокове` (на R или други езици) и `YAML заглавие` (което указва как да се форматират изходите като PDF) в `Markdown документ`. По този начин това служи като отлична рамка за авторство в науката за данни, тъй като ви позволява да комбинирате вашия код, резултата от него и вашите мисли, като ги записвате в Markdown. Освен това, R Markdown документите могат да се конвертират в изходни формати като PDF, HTML или Word.
> **Забележка за тестовете**: Всички тестове са съдържани в [папка Quiz App](../../quiz-app), общо 52 теста с по три въпроса всеки. Те са свързани в рамките на уроците, но приложението за тестове може да се изпълнява локално; следвайте инструкциите в папката `quiz-app`, за да го хоствате локално или да го разположите в Azure.
| Номер на урока | Тема | Групиране на уроци | Учебни цели | Свързан урок | Автор |
| :------------: | :-----------------------------------------------------------: | :----------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------ | :-------------------------------------------------------------------------------------------------------------------------------------: | :------------------------------------------------: |
| 01 | Въведение в машинното обучение | [Въведение](1-Introduction/README.md) | Научете основните концепции зад машинното обучение | [Урок](1-Introduction/1-intro-to-ML/README.md) | Мухамад |
| 02 | История на машинното обучение | [Въведение](1-Introduction/README.md) | Научете историята, лежаща в основата на тази област | [Урок](1-Introduction/2-history-of-ML/README.md) | Джен и Ейми |
| 03 | Справедливост и машинно обучение | [Въведение](1-Introduction/README.md) | Какви са важните философски въпроси около справедливостта, които студентите трябва да обмислят при изграждането и приложението на модели? | [Урок](1-Introduction/3-fairness/README.md) | Томоми |
| 04 | Техники за машинно обучение | [Въведение](1-Introduction/README.md) | Какви техники използват изследователите на машинно обучение, за да изградят ML модели? | [Урок](1-Introduction/4-techniques-of-ML/README.md) | Крис и Джен |
| 05 | Въведение в регресия | [Регресия](2-Regression/README.md) | Започнете с Python и Scikit-learn за регресионни модели | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Джен • Ерик Уанджау |
| 06 | Цени на тиквите в Северна Америка 🎃 | [Регресия](2-Regression/README.md) | Визуализирайте и почистете данни в подготовка за ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Джен • Ерик Уанджау |
| 07 | Цени на тиквите в Северна Америка 🎃 | [Регресия](2-Regression/README.md) | Постройте линейни и полиномиални регресионни модели | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Джен и Дмитрий • Ерик Уанджау |
| 08 | Цени на тиквите в Северна Америка 🎃 | [Регресия](2-Regression/README.md) | Постройте логистичен регресионен модел | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Джен • Ерик Уанджау |
| 09 | Уеб приложение 🔌 | [Уеб приложение](3-Web-App/README.md) | Създайте уеб приложение за използване на обучен модел | [Python](3-Web-App/1-Web-App/README.md) | Джен |
| 10 | Въведение в класификация | [Класификация](4-Classification/README.md) | Почистете, подгответе и визуализирайте данните си; въведение в класификация | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Джен и Каси • Ерик Уанджау |
| 11 | Вкусни азиатски и индийски кухни 🍜 | [Класификация](4-Classification/README.md) | Въведение в класификаторите | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Джен и Каси • Ерик Уанджау |
| 12 | Вкусни азиатски и индийски кухни 🍜 | [Класификация](4-Classification/README.md) | Повече класификатори | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Джен и Каси • Ерик Уанджау |
| 13 | Вкусни азиатски и индийски кухни 🍜 | [Класификация](4-Classification/README.md) | Създайте уеб приложение за препоръки, използвайки вашия модел | [Python](4-Classification/4-Applied/README.md) | Джен |
| 14 | Въведение в клъстеризация | [Клъстеризация](5-Clustering/README.md) | Почистете, подгответе и визуализирайте данните си; въведение в клъстеризация | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Джен • Ерик Уанджау |
| 15 | Изследване на музикалните вкусове в Нигерия 🎧 | [Клъстеризация](5-Clustering/README.md) | Изследвайте метода K-средни за клъстери | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Джен • Ерик Уанджау |
| 16 | Въведение в обработката на естествен език ☕️ | [Обработка на естествен език](6-NLP/README.md) | Научете основите на NLP чрез изграждане на прост бот | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Стивън |
| 17 | Често срещани задачи в NLP ☕️ | [Обработка на естествен език](6-NLP/README.md) | Задълбочете вашите знания за NLP, като разберете често срещаните задачи при работа с езикови структури | [Python](6-NLP/2-Tasks/README.md) | Стивън |
| 18 | Превод и анализ на настроения ♥️ | [Обработка на естествен език](6-NLP/README.md) | Превод и анализ на настроения с Джейн Остин | [Python](6-NLP/3-Translation-Sentiment/README.md) | Стивън |
| 19 | Романтични хотели в Европа ♥️ | [Обработка на естествен език](6-NLP/README.md) | Анализ на настроения с ревюта за хотели 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Стивън |
| 20 | Романтични хотели в Европа ♥️ | [Обработка на естествен език](6-NLP/README.md) | Анализ на настроения с ревюта за хотели 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Стивън |
| 21 | Въведение в прогнозиране на времеви редове | [Времеви редове](7-TimeSeries/README.md) | Въведение в прогнозиране на времеви редове | [Python](7-TimeSeries/1-Introduction/README.md) | Франческа |
| 22 | ⚡️ Световна консумация на електроенергия ⚡️ - прогнозиране с ARIMA | [Времеви редове](7-TimeSeries/README.md) | Прогнозиране на времеви редове с ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Франческа |
| 23 | ⚡️ Световна консумация на електроенергия ⚡️ - прогнозиране с SVR | [Времеви редове](7-TimeSeries/README.md) | Прогнозиране на времеви редове с регресор на опорни вектори | [Python](7-TimeSeries/3-SVR/README.md) | Анирбан |
| 24 | Въведение в подсилващото обучение | [Подсилващо обучение](8-Reinforcement/README.md) | Въведение в подсилващо обучение с Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Дмитрий |
| 25 | Помогнете на Питър да избегне вълка! 🐺 | [Подсилващо обучение](8-Reinforcement/README.md) | Подсилващо обучение с Gym | [Python](8-Reinforcement/2-Gym/README.md) | Дмитрий |
| Постскрипт | Реални сценарии и приложения на ML | [ML в природата](9-Real-World/README.md) | Интересни и поучителни реални приложения на класическо машинно обучение | [Урок](9-Real-World/1-Applications/README.md) | Екип |
| Постскрипт | Отстраняване на грешки в модели с RAI контролен панел | [ML в природата](9-Real-World/README.md) | Отстраняване на грешки в машинно обучение с помощта на компоненти на контролния панел Responsible AI | [Урок](9-Real-World/2-Debugging-ML-Models/README.md) | Рут Якобу |
> [намерете всички допълнителни ресурси за този курс в нашата колекция Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Офлайн достъп
Можете да използвате тази документация офлайн чрез [Docsify](https://docsify.js.org/#/). Форкнете това хранилище, [инсталирайте Docsify](https://docsify.js.org/#/quickstart) на вашия локален компютър и след това от коренната папка на това хранилище, изпълнете `docsify serve`. Уебсайтът ще бъде достъпен на порт 3000 на вашия локален хост: `localhost:3000`.
Можете да използвате тази документация офлайн с помощта на [Docsify](https://docsify.js.org/#/). Форкнете това хранилище, [инсталирайте Docsify](https://docsify.js.org/#/quickstart) на локалната си машина и след това в коренната папка на хранилището напишете `docsify serve`. Уебсайтът ще бъде достъпен на порт 3000 на локалния ви хост: `localhost:3000`.
## PDF файлове
Намерете pdf версия на учебната програма с връзки [тук](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Намерете PDF на учебната програма с връзки [тук](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Други курсове
## 🎒 Други курсове
Нашият екип разработва и други курсове! Вижте:
Нашият екип създава и други курсове! Вижте:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -189,7 +180,7 @@ Cloud Advocates в Microsoft с радост предлагат 12-седмич
---
### Серия за Генеративен AI
### Серия за генеративен AI
[![Генеративен AI за начинаещи](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[![Генеративен AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[![Генеративен AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
@ -199,28 +190,28 @@ Cloud Advocates в Microsoft с радост предлагат 12-седмич
### Основно обучение
[![Машинно обучение за начинаещи](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[![Данни науки за начинаещи](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[![Данни наука за начинаещи](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[![Изкуствен интелект за начинаещи](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[![Киберсигурност за начинаещи](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[![Уеб разработка за начинаещи](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[![IoT за начинаещи](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[![XR разработка за начинаещи](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[![Разработка на XR за начинаещи](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Серия Copilot
[![Copilot за AI съвместно програмиране](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[![Copilot за C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[![Copilot приключение](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
[![Приключение с Copilot](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
## Получаване на помощ
Ако се затруднявате или имате въпроси относно създаването на AI приложения. Присъединете се към съученици и опитни разработчици, за да обсъждате MCP. Това е подкрепяща общност, където въпросите са добре дошли и знанията се споделят свободно.
Ако се затрудните или имате въпроси относно изграждането на AI приложения. Присъединете се към други учащи и опитни разработчици в дискусии за MCP. Това е подкрепяща общност, където въпросите са добре дошли и знанието се споделя свободно.
[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
Ако имате обратна връзка за продукта или грешки по време на разработка посетете:
Ако имате обратна връзка за продукта или срещнете грешки по време на разработка посетете:
[![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum)
@ -228,5 +219,5 @@ Cloud Advocates в Microsoft с радост предлагат 12-седмич
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Отказ от отговорност**:
Този документ е преведен с помощта на AI преводаческа услуга [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматичните преводи могат да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за каквито и да е неразбирателства или неправилни тълкувания, възникнали в резултат на използването на този превод.
Този документ е преведен с помощта на AI преводаческа услуга [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Не носим отговорност за недоразумения или неправилни тълкувания, произтичащи от използването на този превод.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->

9
translations/bg/SECURITY.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "5e1b8da31aae9cca3d53ad243fa3365a",
"translation_date": "2025-09-04T23:16:03+00:00",
"source_file": "SECURITY.md",
"language_code": "bg"
}
-->
## Сигурност
Microsoft приема сигурността на своите софтуерни продукти и услуги сериозно, включително всички хранилища с изходен код, управлявани чрез нашите GitHub организации, които включват [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin) и [нашите GitHub организации](https://opensource.microsoft.com/).

9
translations/bg/SUPPORT.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "09623d7343ff1c26ff4f198c1b2d3176",
"translation_date": "2025-10-03T12:25:59+00:00",
"source_file": "SUPPORT.md",
"language_code": "bg"
}
-->
# Поддръжка
## Как да съобщите за проблеми и да получите помощ

9
translations/bg/TROUBLESHOOTING.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "134d8759f0e2ab886e9aa4f62362c201",
"translation_date": "2025-10-03T12:54:36+00:00",
"source_file": "TROUBLESHOOTING.md",
"language_code": "bg"
}
-->
# Ръководство за отстраняване на проблеми
Това ръководство ще ви помогне да решите често срещани проблеми при работа с учебната програма "Машинно обучение за начинаещи". Ако не намерите решение тук, моля, проверете нашите [дискусии в Discord](https://aka.ms/foundry/discord) или [отворете нов проблем](https://github.com/microsoft/ML-For-Beginners/issues).

9
translations/bg/docs/_sidebar.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "68dd06c685f6ce840e0acfa313352e7c",
"translation_date": "2025-09-05T00:07:57+00:00",
"source_file": "docs/_sidebar.md",
"language_code": "bg"
}
-->
- Въведение
- [Въведение в Машинното Обучение](../1-Introduction/1-intro-to-ML/README.md)
- [История на Машинното Обучение](../1-Introduction/2-history-of-ML/README.md)

9
translations/bg/for-teachers.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "b37de02054fa6c0438ede6fabe1fdfb8",
"translation_date": "2025-09-04T23:17:03+00:00",
"source_file": "for-teachers.md",
"language_code": "bg"
}
-->
## За преподаватели
Искате ли да използвате тази учебна програма във вашата класна стая? Чувствайте се свободни да го направите!

9
translations/bg/quiz-app/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "6d130dffca5db70d7e615f926cb1ad4c",
"translation_date": "2025-09-05T00:40:07+00:00",
"source_file": "quiz-app/README.md",
"language_code": "bg"
}
-->
# Тестове
Тези тестове са предварителни и последващи тестове към лекциите от учебната програма за машинно обучение на https://aka.ms/ml-beginners

9
translations/bg/sketchnotes/LICENSE.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "fba3b94d88bfb9b81369b869a1e9a20f",
"translation_date": "2025-09-05T00:56:40+00:00",
"source_file": "sketchnotes/LICENSE.md",
"language_code": "bg"
}
-->
ПРИЗНАВАНЕ-СПОДЕЛЯНЕ НА УСЛОВИЯТА 4.0 МЕЖДУНАРОДЕН
=======================================================================

9
translations/bg/sketchnotes/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a88d5918c1b9da69a40d917a0840c497",
"translation_date": "2025-09-05T00:55:29+00:00",
"source_file": "sketchnotes/README.md",
"language_code": "bg"
}
-->
Всички скицови бележки от учебната програма могат да бъдат изтеглени тук.
🖨 За печат с висока резолюция, TIFF версиите са налични в [този репо](https://github.com/girliemac/a-picture-is-worth-a-1000-words/tree/main/ml/tiff).

Some files were not shown because too many files have changed in this diff Show More

Write Preview
Loading…
Cancel
Save