ML-For-Beginners/translations/el

🌐 Υποστήριξη Πολλών Γλωσσών

Υποστηρίζεται μέσω GitHub Action (Αυτοματοποιημένο & Πάντα Ενημερωμένο)

Αραβικά | Μπενγκάλι | Βουλγαρικά | Βιρμανικά (Μιανμάρ) | Κινέζικα (Απλοποιημένα) | Κινέζικα (Παραδοσιακά, Χονγκ Κονγκ) | Κινέζικα (Παραδοσιακά, Μακάου) | Κινέζικα (Παραδοσιακά, Ταϊβάν) | Κροατικά | Τσέχικα | Δανέζικα | Ολλανδικά | Εσθονικά | Φινλανδικά | Γαλλικά | Γερμανικά | Ελληνικά | Εβραϊκά | Χίντι | Ουγγρικά | Ινδονησιακά | Ιταλικά | Γιαπωνέζικα | Κανάντα | Κχαμερ | Κορεατικά | Λιθουανικά | Μαλέι | Μαλαγιαλάμ | Μαράθι | Νεπάλι | Νιγηριανή Πίνγκιν | Νορβηγικά | Περσικά (Φαρσί) | Πολωνικά | Πορτογαλικά (Βραζιλία) | Πορτογαλικά (Πορτογαλία) | Πουντζάμπι (Γκουρμούκι) | Ρουμανικά | Ρωσικά | Σερβικά (Κυριλλικά) | Σλοβακικά | Σλοβενικά | Ισπανικά | Σουαχίλι | Σουηδικά | Ταγκάλογκ (Φιλιππινέζικα) | Ταμίλ | Τελούγκου | Ταϊλανδικά | Τουρκικά | Ουκρανικά | Ουρντού | Βιετναμέζικα

Προτιμάτε να κάνετε τοπικό κλώνο;

Αυτό το αποθετήριο περιλαμβάνει πάνω από 50 μεταφράσεις γλωσσών, που αυξάνουν σημαντικά το μέγεθος λήψης. Για να κάνετε κλώνο χωρίς μεταφράσεις, χρησιμοποιήστε το sparse checkout:

Bash / macOS / Linux:

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

CMD (Windows):

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"

Αυτό σας δίνει όλα όσα χρειάζεστε για να ολοκληρώσετε το μάθημα με πολύ πιο γρήγορη λήψη.

Συμμετάσχετε στην Κοινότητά μας

Διαρκεί μια σειρά Discord "Μάθετε με AI" που τρέχει, μάθετε περισσότερα και συμμετάσχετε στο Learn with AI Series από 18 - 30 Σεπτεμβρίου 2025. Θα λάβετε συμβουλές και κόλπα για τη χρήση του GitHub Copilot για Data Science.

Μηχανική Μάθηση για Αρχάριους - Ένα Πρόγραμμα Σπουδών

🌍 Ταξιδέψτε γύρω από τον κόσμο εξερευνώντας τη Μηχανική Μάθηση μέσα από τους πολιτισμούς του κόσμου 🌍

Οι Cloud Advocates της Microsoft χαίρονται να προσφέρουν ένα πρόγραμμα 12 εβδομάδων, 26 μαθημάτων, που αφορά τη Μηχανική Μάθηση. Σε αυτό το πρόγραμμα, θα μάθετε για εκείνο που μερικές φορές αποκαλείται κλασική μηχανική μάθηση, χρησιμοποιώντας κυρίως τη βιβλιοθήκη Scikit-learn και αποφεύγοντας το deep learning, που καλύπτεται στο Πρόγραμμα Σπουδών Τεχνητής Νοημοσύνης για Αρχάριους. Συνδυάστε αυτά τα μαθήματα με το Πρόγραμμα Σπουδών «Επιστήμη Δεδομένων για Αρχάριους», επίσης!

Ταξιδέψτε μαζί μας γύρω από τον κόσμο καθώς εφαρμόζουμε αυτές τις κλασικές τεχνικές σε δεδομένα από πολλές περιοχές του κόσμου. Κάθε μάθημα περιλαμβάνει κουίζ πριν και μετά το μάθημα, γραπτές οδηγίες για την ολοκλήρωση του μαθήματος, λύση, ανάθεση εργασίας και άλλα. Η παιδαγωγική μας με βάση έργα σας επιτρέπει να μαθαίνετε ενώ κατασκευάζετε, ένας αποδεδειγμένος τρόπος ώστε οι νέες δεξιότητες να μένουν.

✍️ Θερμές ευχαριστίες στους δημιουργούς μας Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu και Amy Boyd

🎨 Ευχαριστίες επίσης στους εικονογράφους μας Tomomi Imura, Dasani Madipalli, και Jen Looper

🙏 Ειδικές ευχαριστίες 🙏 στους Microsoft Student Ambassador δημιουργούς, αξιολογητές, και συντελεστές περιεχομένου, ιδιαίτερα στους Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, και Snigdha Agarwal

🤩 Επιπλέον ευγνωμοσύνη στους Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, και Vidushi Gupta για τα μαθήματα R!

Ξεκινώντας

Ακολουθήστε τα βήματα:

1. Κλωνοποιήστε το Αποθετήριο: Κάντε κλικ στο κουμπί "Fork" στην πάνω δεξιά γωνία αυτής της σελίδας.
2. Κλωνοποιήστε το Αποθετήριο: git clone https://github.com/microsoft/ML-For-Beginners.git

Βρείτε όλα τα πρόσθετα υλικά για αυτό το μάθημα στη συλλογή Microsoft Learn

🔧 Χρειάζεστε βοήθεια; Ελέγξτε τον Οδηγό Αντιμετώπισης Προβλημάτων για λύσεις σε κοινά ζητήματα εγκατάστασης, ρύθμισης και εκτέλεσης μαθημάτων.

Φοιτητές, για να χρησιμοποιήσετε αυτό το πρόγραμμα σπουδών, κάντε fork ολόκληρο το repo στον δικό σας λογαριασμό GitHub και ολοκληρώστε τις ασκήσεις μόνοι σας ή με ομάδα:

• Ξεκινήστε με ένα κουίζ προ-διάλεξης.
• Διαβάστε τη διάλεξη και ολοκληρώστε τις δραστηριότητες, σταματώντας και αναλογιζόμενοι σε κάθε έλεγχο γνώσης.
• Προσπαθήστε να δημιουργήσετε τα έργα κατανοώντας τα μαθήματα παρά να τρέχετε τον κώδικα λύσης· όμως αυτός ο κώδικας είναι διαθέσιμος στους φακέλους /solution σε κάθε μάθημα προσανατολισμένο σε έργο.
• Κάντε το κουίζ μετά τη διάλεξη.
• Ολοκληρώστε την πρόκληση.
• Ολοκληρώστε την ανάθεση εργασίας.
• Μετά την ολοκλήρωση ενός συνόλου μαθημάτων, επισκεφθείτε το Πίνακα Συζητήσεων και "μάθετε φωναχτά" συμπληρώνοντας τον κατάλληλο πίνακα αξιολόγησης PAT. Ένα 'PAT' είναι εργαλείο αξιολόγησης προόδου που συμπληρώνετε για να προάγετε τη μάθησή σας. Μπορείτε επίσης να αντιδράσετε σε άλλα PAT ώστε να μάθουμε μαζί.

Για περαιτέρω μελέτη, προτείνουμε να ακολουθήσετε αυτά τα Microsoft Learn μαθήματα και διαδρομές μάθησης.

Καθηγητές, έχουμε περιλάβει ορισμένες προτάσεις για το πώς να χρησιμοποιήσετε αυτό το πρόγραμμα σπουδών.

---

Βίντεο επίδειξης

Μερικά από τα μαθήματα διατίθενται ως σύντομα βίντεο. Μπορείτε να τα βρείτε όλα μέσα στα μαθήματα ή στη λίστα αναπαραγωγής ML for Beginners στο κανάλι Microsoft Developer στο YouTube, κάνοντας κλικ στην εικόνα παρακάτω.

---

Γνωρίστε την Ομάδα

Gif από Mohit Jaisal

🎥 Κάντε κλικ στην εικόνα παραπάνω για βίντεο σχετικά με το έργο και όσους το δημιούργησαν!

---

Παιδαγωγική

Έχουμε επιλέξει δύο παιδαγωγικές αρχές κατά την κατασκευή αυτού του προγράμματος σπουδών: να είναι πρακτικό και βασισμένο σε έργα και να περιλαμβάνει συχνά κουίζ. Επιπλέον, αυτό το πρόγραμμα έχει ένα κοινό θέμα για να δώσει συνοχή.

Με την εξασφάλιση ότι το περιεχόμενο ευθυγραμμίζεται με έργα, η διαδικασία γίνεται πιο ελκυστική για τους μαθητές και η διατήρηση των εννοιών ενισχύεται. Επιπλέον, ένα κουίζ χαμηλού ρίσκου πριν το μάθημα θέτει την πρόθεση του μαθητή στο να μάθει ένα θέμα, ενώ ένα δεύτερο κουίζ μετά το μάθημα εξασφαλίζει περαιτέρω διατήρηση. Αυτό το πρόγραμμα σχεδιάστηκε για να είναι ευέλικτο και διασκεδαστικό και μπορεί να ολοκληρωθεί ολόκληρο ή μερικώς. Τα έργα ξεκινούν μικρά και γίνονται ολοένα πιο πολύπλοκα μέχρι το τέλος του κύκλου των 12 εβδομάδων. Το πρόγραμμα περιλαμβάνει επίσης επίμετρο για πραγματικές εφαρμογές της Μηχανικής Μάθησης, που μπορούν να χρησιμοποιηθούν ως επιπλέον βαθμολογία ή ως βάση για συζήτηση.

Βρείτε τους Κανόνες Συμπεριφοράς, Οδηγίες Συμμετοχής, Μεταφράσεις, και Οδηγό Αντιμετώπισης Προβλημάτων. Καλωσορίζουμε τα εποικοδομητικά σχόλιά σας!

Κάθε μάθημα περιλαμβάνει

• προαιρετικό σκίτσο
• προαιρετικό συμπληρωματικό βίντεο
• βίντεο επίδειξης (μόνο σε μερικά μαθήματα)
• προ-διάλεξης quiz προθέρμανσης
• γραπτό μάθημα
• για μαθήματα βασισμένα σε έργα, βήμα-βήμα οδηγίες για την κατασκευή του έργου
• ελέγχους γνώσης
• πρόκληση
• συμπληρωματική ανάγνωση
• ανάθεση εργασίας
• post-lecture quiz

Μια σημείωση σχετικά με τις γλώσσες: Αυτά τα μαθήματα γράφονται κυρίως σε Python, αλλά πολλά είναι επίσης διαθέσιμα σε R. Για να ολοκληρώσετε ένα μάθημα R, πηγαίνετε στον φάκελο /solution και αναζητήστε μαθήματα R. Περιλαμβάνουν την επέκταση .rmd που αντιπροσωπεύει ένα αρχείο R Markdown, το οποίο μπορεί να οριστεί απλά ως ενσωμάτωση κομματιών κώδικα (μίας R ή άλλων γλωσσών) και μιας επικεφαλίδας YAML (που καθοδηγεί το πώς να μορφοποιηθούν τα αποτελέσματα όπως PDF) σε ένα έγγραφο Markdown. Ως εκ τούτου, χρησιμεύει ως προτύπο πλαισίου συγγραφής για την επιστήμη δεδομένων, αφού σας επιτρέπει να συνδυάσετε τον κώδικά σας, το αποτέλεσμα του, και τις σκέψεις σας, επιτρέποντάς σας να τα καταγράψετε σε Markdown. Επιπλέον, τα έγγραφα R Markdown μπορούν να απεικονιστούν σε μορφές όπως PDF, HTML ή Word.

Μια σημείωση σχετικά με τα κουίζ: Όλα τα κουίζ περιέχονται στον φάκελο Quiz App, για συνολικά 52 κουίζ με τρεις ερωτήσεις το καθένα. Σύνδεσμοι προς αυτά υπάρχουν μέσα στα μαθήματα, αλλά η εφαρμογή κουίζ μπορεί να τρέξει τοπικά· ακολουθήστε τις οδηγίες στον φάκελο quiz-app για τοπική φιλοξενία ή ανάπτυξη στο Azure.

Αριθμός Μαθήματος	Θέμα	Ομαδοποίηση Μαθήματος	Στόχοι Μάθησης	Συνδεδεμένο Μάθημα	Συγγραφέας
01	Εισαγωγή στη μηχανική μάθηση	Introduction	Μάθετε τις βασικές έννοιες πίσω από τη μηχανική μάθηση	Μάθημα	Muhammad
02	Η ιστορία της μηχανικής μάθησης	Introduction	Μάθετε την ιστορία που στηρίζει αυτόν τον τομέα	Μάθημα	Jen and Amy
03	Δικαιοσύνη και μηχανική μάθηση	Introduction	Ποια είναι τα σημαντικά φιλοσοφικά ζητήματα σχετικά με τη δικαιοσύνη που θα πρέπει να λάβουν υπόψη οι μαθητές κατά την κατασκευή και εφαρμογή μοντέλων ΜΜ;	Μάθημα	Tomomi
04	Τεχνικές για μηχανική μάθηση	Introduction	Ποιες τεχνικές χρησιμοποιούν οι ερευνητές ΜΜ για την κατασκευή μοντέλων ΜΜ;	Μάθημα	Chris and Jen
05	Εισαγωγή στην παλινδρόμηση	Regression	Ξεκινήστε με Python και Scikit-learn για μοντέλα παλινδρόμησης	Python • R	Jen • Eric Wanjau
06	Τιμές κολοκύθας Βόρειας Αμερικής 🎃	Regression	Οπτικοποιήστε και καθαρίστε δεδομένα προετοιμασίας για ΜΜ	Python • R	Jen • Eric Wanjau
07	Τιμές κολοκύθας Βόρειας Αμερικής 🎃	Regression	Δημιουργήστε γραμμικά και πολυωνυμικά μοντέλα παλινδρόμησης	Python • R	Jen and Dmitry • Eric Wanjau
08	Τιμές κολοκύθας Βόρειας Αμερικής 🎃	Regression	Δημιουργήστε μοντέλο λογιστικής παλινδρόμησης	Python • R	Jen • Eric Wanjau
09	Μια Web Εφαρμογή 🔌	Web App	Δημιουργήστε μια ιστοσελίδα για χρήση του εκπαιδευμένου μοντέλου σας	Python	Jen
10	Εισαγωγή στην ταξινόμηση	Classification	Καθαρίστε, προετοιμάστε και οπτικοποιήστε τα δεδομένα σας· εισαγωγή στην ταξινόμηση	Python • R	Jen and Cassie • Eric Wanjau
11	Νόστιμες Ασιατικές και Ινδικές κουζίνες 🍜	Classification	Εισαγωγή στους ταξινομητές	Python • R	Jen and Cassie • Eric Wanjau
12	Νόστιμες Ασιατικές και Ινδικές κουζίνες 🍜	Classification	Περισσότεροι ταξινομητές	Python • R	Jen and Cassie • Eric Wanjau
13	Νόστιμες Ασιατικές και Ινδικές κουζίνες 🍜	Classification	Δημιουργήστε μια προτείνουσα web εφαρμογή με το μοντέλο σας	Python	Jen
14	Εισαγωγή στην ομαδοποίηση	Clustering	Καθαρίστε, προετοιμάστε και οπτικοποιήστε τα δεδομένα σας· Εισαγωγή στην ομαδοποίηση	Python • R	Jen • Eric Wanjau
15	Εξερεύνηση των μουσικών γούστων της Νιγηρίας 🎧	Clustering	Εξερευνήστε τη μέθοδο ομαδοποίησης K-Means	Python • R	Jen • Eric Wanjau
16	Εισαγωγή στην επεξεργασία φυσικής γλώσσας ☕️	Natural language processing	Μάθετε τα βασικά για την Επεξεργασία φυσικής γλώσσας δημιουργώντας ένα απλό bot	Python	Stephen
17	Συνήθεις εργασίες NLP ☕️	Natural language processing	Εμβαθύνετε τις γνώσεις σας πάνω σε NLP κατανοώντας τις συνηθισμένες εργασίες που απαιτούνται κατά τη διαχείριση γλωσσικών δομών	Python	Stephen
18	Μετάφραση και ανάλυση συναισθήματος ♥️	Natural language processing	Μετάφραση και ανάλυση συναισθήματος με τη Jane Austen	Python	Stephen
19	Ρομαντικά ξενοδοχεία της Ευρώπης ♥️	Natural language processing	Ανάλυση συναισθήματος με κριτικές ξενοδοχείων 1	Python	Stephen
20	Ρομαντικά ξενοδοχεία της Ευρώπης ♥️	Natural language processing	Ανάλυση συναισθήματος με κριτικές ξενοδοχείων 2	Python	Stephen
21	Εισαγωγή στην πρόβλεψη χρονοσειρών	Time series	Εισαγωγή στην πρόβλεψη χρονοσειρών	Python	Francesca
22	⚡️ Παγκόσμια Κατανάλωση Ενέργειας ⚡️ - πρόβλεψη χρονοσειρών με ARIMA	Time series	Πρόβλεψη χρονοσειρών με ARIMA	Python	Francesca
23	⚡️ Παγκόσμια Κατανάλωση Ενέργειας ⚡️ - πρόβλεψη χρονοσειρών με SVR	Time series	Πρόβλεψη χρονοσειρών με Support Vector Regressor	Python	Anirban
24	Εισαγωγή στην ενισχυτική μάθηση	Reinforcement learning	Εισαγωγή στην ενισχυτική μάθηση με Q-Learning	Python	Dmitry
25	Βοηθήστε τον Πέτρο να αποφύγει τον λύκο! 🐺	Reinforcement learning	Ενισχυτική μάθηση Gym	Python	Dmitry
Επίμετρο	Πραγματικά σενάρια και εφαρμογές ΜΜ	ML in the Wild	Ενδιαφέρουσες και αποκαλυπτικές πραγματικές εφαρμογές της κλασικής μηχανικής μάθησης	Μάθημα	Ομάδα
Επίμετρο	Εντοπισμός σφαλμάτων μοντέλων ΜΜ με τον πίνακα ελέγχου RAI	ML in the Wild	Εντοπισμός σφαλμάτων μοντέλων μηχανικής μάθησης χρησιμοποιώντας τα στοιχεία του πίνακα ελέγχου Responsible AI	Μάθημα	Ruth Yakubu

βρείτε όλους τους επιπλέον πόρους για αυτό το μάθημα στη συλλογή μας Microsoft Learn

Πρόσβαση εκτός σύνδεσης

Μπορείτε να τρέξετε αυτή την τεκμηρίωση εκτός σύνδεσης χρησιμοποιώντας το Docsify. Κάντε fork αυτό το αποθετήριο, εγκαταστήστε το Docsify στον τοπικό σας υπολογιστή και στη συνέχεια στον ριζικό φάκελο αυτού του αποθετηρίου πληκτρολογήστε docsify serve. Ο ιστότοπος θα φιλοξενηθεί στη θύρα 3000 στο localhost σας: localhost:3000.

PDFs

Βρείτε ένα pdf του αναλυτικού προγράμματος με συνδέσμους εδώ.

🎒 Άλλα μαθήματα

Η ομάδα μας παράγει και άλλα μαθήματα! Ρίξτε μια ματιά:

LangChain

Azure / Edge / MCP / Agents

---

Σειρά για Γενετική Τεχνητή Νοημοσύνη

---

Βασική Μάθηση

---

Σειρά Copilot

Λήψη Βοήθειας

Αν κολλήσετε ή έχετε ερωτήσεις σχετικά με την κατασκευή εφαρμογών Τεχνητής Νοημοσύνης. Ενταχθείτε με άλλους μαθητές και έμπειρους προγραμματιστές σε συζητήσεις για το MCP. Είναι μια υποστηρικτική κοινότητα όπου οι ερωτήσεις είναι ευπρόσδεκτες και η γνώση μοιράζεται ελεύθερα.

Αν έχετε σχόλια για το προϊόν ή σφάλματα κατά την κατασκευή επισκεφθείτε:

Πρόσθετες Συμβουλές Μάθησης

• Επανεξετάστε τα σημειωματάρια μετά από κάθε μάθημα για καλύτερη κατανόηση.
• Εξασκηθείτε στην υλοποίηση αλγορίθμων μόνοι σας.
• Εξερευνήστε πραγματικά σύνολα δεδομένων χρησιμοποιώντας τις έννοιες που μάθατε.

---

Αποποίηση ευθυνών: Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας υπηρεσία μετάφρασης με τεχνητή νοημοσύνη Co-op Translator. Ενώ καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να γνωρίζετε ότι οι αυτόματες μεταφράσεις ενδέχεται να περιέχουν σφάλματα ή ανακρίβειες. Το πρωτότυπο έγγραφο στη γλώσσα του πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική μετάφραση από ανθρώπους. Δεν είμαστε υπεύθυνοι για τυχόν παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.