ML-For-Beginners/translations/bg

🌐 Многоезична поддръжка

Поддържа се чрез GitHub Action (автоматично и винаги актуално)

Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Kannada | Khmer | Korean | Lithuanian | Malay | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese

Предпочитате да клонирате локално?

Това хранилище включва 50+ езикови превода, което значително увеличава размера на изтеглянето. За да клонирате без преводи, използвайте 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"

Това ви осигурява всичко необходимо за завършване на курса с много по-бързо изтегляне.

Присъединете се към нашата общност

Имаме серия в Discord за учене с AI, научете повече и се присъединете към нас на Learn with AI Series от 18 до 30 септември 2025 г. Ще получите съвети и трикове за използване на GitHub Copilot за Data Science.

Машинно обучение за начинаещи – учебна програма

🌍 Пътувайте по света, докато изследваме Машинното обучение чрез световните култури 🌍

Cloud Advocates в Microsoft с радост предлагат 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 основно библиотеката Scikit-learn и избягвайки дълбокото обучение, което е разгледано в нашата учебна програма AI за начинаещи. Съчетавайте тези уроци с нашата учебна програма 'Data Science за начинаещи', също!

Пътувайте с нас по света, докато прилагаме тези класически техники върху данни от различни региони на света. Всеки урок включва тестове преди и след урока, писмени инструкции за завършване на урока, решение, задача и други. Нашата проектно базирана педагогика ви позволява да учите чрез изграждане, което е доказан начин за усвояване на нови умения.

✍️ Сърдечни благодарности на нашите автори Джен Лупър, Стивън Хауъл, Франческа Лазери, Томоми Имура, Каси Бревиу, Дмитрий Сошников, Крис Норинг, Анирбан Мукерджи, Орнела Алтунян, Рут Якубу и Ейми Бойд

🎨 Благодарности и на нашите илюстратори Томоми Имура, Дасани Мадипали и Джен Лупър

🙏 Специални благодарности 🙏 на нашите автори, рецензенти и съдържателни сътрудници от Microsoft Student Ambassador, особено Ришит Дагли, Мухаммад Сакиб Кан Инан, Рохан Радж, Александру Петреску, Абхишек Джайсвал, Науирин Табасум, Йоан Самуила и Снигдха Агарвал

🤩 Допълнителна благодарност на Microsoft Student Ambassadors Ерик Уанджау, Жаслийн Сонди и Видуши Гупта за нашите R уроци!

Започване

Следвайте тези стъпки:

1. Форкнете хранилището: Кликнете бутона "Fork" в горния десен ъгъл на тази страница.
2. Клонирайте хранилището: git clone https://github.com/microsoft/ML-For-Beginners.git

намерете всички допълнителни ресурси за този курс в нашата колекция в Microsoft Learn

🔧 Нуждаете се от помощ? Разгледайте нашето Ръководство за отстраняване на проблеми за решения на често срещани проблеми с инсталирането, настройката и стартирането на уроци.

Студенти, за да използвате тази учебна програма, форкнете цялото хранилище в собствения си GitHub акаунт и изпълнете упражненията сами или в група:

• Започнете с тест преди урока.
• Прочетете урока и изпълнете дейностите, спирайки се и разсъждавайки при всяка проверка на знанията.
• Опитайте се да създадете проектите чрез разбиране на уроците, а не просто чрез стартиране на кода за решения; този код обаче е наличен в папките /solution във всеки урок, ориентиран към проект.
• Направете тест след урока.
• Изпълнете предизвикателството.
• Извършете задачата.
• След като завършите група уроци, посетете Дискусионния борд и "учете на глас", като попълните подходящата рубрика PAT. PAT е инструмент за оценка на напредъка, който попълвате, за да задълбочите ученето си. Можете също да реагирате на други PAT-ове, за да се учим заедно.

За допълнително обучение, препоръчваме да следвате тези модули и учебни пътеки на Microsoft Learn.

Учители, включили сме някои предложения как да използвате тази учебна програма.

---

Видео уроци

Някои от уроците са налични като кратки видеа. Можете да ги намерите в текста на уроците или в плейлиста ML за начинаещи в канала на Microsoft Developer в YouTube чрез клик върху изображението по-долу.

---

Запознайте се с екипа

Gif от Mohit Jaisal

🎥 Кликнете върху изображението по-горе за видео за проекта и хората, които го създадоха!

---

Педагогика

Избрахме две педагогически принципа при създаването на тази учебна програма: гарантираме, че тя е практически ориентирана проектно базирана, и че включва чести тестове. Освен това тази програма има обща тема, която й придава свързаност.

Като осигуряваме, че съдържанието е свързано с проекти, процесът става по-ангажиращ за учениците и задържането на концепциите се увеличава. Освен това, ниско рисков тест преди урок задава цел на ученика към изучаването на темата, а втори тест след урок гарантира допълнително задържане. Тази учебна програма е проектирана да бъде гъвкава и забавна и може да се следва изцяло или частично. Проектите започват малки и стават все по-сложни към края на 12-седмичния цикъл. Тази програма включва и постскриптум за реални приложения на машинното обучение, който може да се използва като допълнителна точка или основа за дискусия.

Намерете нашите насоки Правила за поведение, Принос, Преводи, и Отстраняване на проблеми. Очакваме вашите конструктивни отзиви!

Всеки урок включва

• по желание скичнот
• по желание допълнително видео
• видео увод (само при някои уроци)
• тест преди лекцията
• писмен урок
• за проектно-базирани уроци, стъпка по стъпка инструкции за създаване на проекта
• проверки на знанията
• предизвикателство
• допълнително четиво
• задача
• тест след лекцията

Бележка относно езиците: Тези уроци са основно написани на Python, но много от тях са налични и на R. За да завършите урок на R, отидете в папката /solution и потърсете уроци на R. Те включват разширение .rmd, което представлява R Markdown файл, който може просто да се дефинира като вграждане на кодови сегменти (на R или други езици) и YAML заглавка (която указва как да се форматират изходните данни като PDF) в Markdown документ. По този начин той служи като отлична рамка за създаване на материали за наука за данни, тъй като позволява да комбинирате кода си, неговия изход и вашите размисли, като ги записвате в Markdown. Освен това R Markdown документите могат да се рендерират в изходни формати като PDF, HTML или Word.

Бележка относно тестовете: Всички тестове са в Папката на Quiz App, всичко 52 теста с по три въпроса всеки. Те са свързани от уроците, но quiz приложението може да се стартира локално; следвайте инструкциите в папката quiz-app, за да го хоствате локално или да го разположите в Azure.

Номер на урок	Тема	Групиране на урока	Цели на обучението	Свързан урок	Автор
01	Въведение в машинното обучение	Въведение	Научете основните понятия зад машинното обучение	Урок	Мухамад
02	История на машинното обучение	Въведение	Научете историята зад тази област	Урок	Джен и Ейми
03	Справедливост и машинно обучение	Въведение	Какви са важните философски въпроси около справедливостта, които студентите трябва да имат предвид при създаване и прилагане на ML модели?	Урок	Томоми
04	Техники за машинно обучение	Въведение	Какви техники използват изследователите на ML за създаване на ML модели?	Урок	Крис и Джен
05	Въведение в регресията	Регресия	Започнете с Python и Scikit-learn за регресионни модели	Python • R	Джен • Ерик Уанджау
06	Цени на тиквите в Северна Америка 🎃	Регресия	Визуализирайте и почистете данни в подготовка за ML	Python • R	Джен • Ерик Уанджау
07	Цени на тиквите в Северна Америка 🎃	Регресия	Създайте линейни и полиномиални регресионни модели	Python • R	Джен и Дмитрий • Ерик Уанджау
08	Цени на тиквите в Северна Америка 🎃	Регресия	Създайте логистичен регресионен модел	Python • R	Джен • Ерик Уанджау
09	Уеб приложение 🔌	Уеб приложение	Създайте уеб приложение, за да използвате обучената си модел	Python	Джен
10	Въведение в класификацията	Класификация	Почистете, подгответе и визуализирайте данните си; въведение в класификация	Python • R	Джен и Каси • Ерик Уанджау
11	Вкусна азиатска и индийска кухня 🍜	Класификация	Въведение в класификатори	Python • R	Джен и Каси • Ерик Уанджау
12	Вкусна азиатска и индийска кухня 🍜	Класификация	Още класификатори	Python • R	Джен и Каси • Ерик Уанджау
13	Вкусна азиатска и индийска кухня 🍜	Класификация	Създайте препоръчващо уеб приложение, използвайки вашия модел	Python	Джен
14	Въведение в клъстерирането	Клъстериране	Почистете, подгответе и визуализирайте данните си; въведение в клъстериране	Python • R	Джен • Ерик Уанджау
15	Изследване на музикалните вкусове в Нигерия 🎧	Клъстериране	Изследвайте метода на K-средни	Python • R	Джен • Ерик Уанджау
16	Въведение в обработката на естествен език ☕️	Обработка на естествен език	Научете основите на NLP чрез създаване на прост бот	Python	Стивън
17	Често срещани задачи в NLP ☕️	Обработка на естествен език	Задълбочете знанията си за NLP, като разберете често срещаните задачи при работа с езикови структури	Python	Стивън
18	Превод и анализ на настроения ♥️	Обработка на естествен език	Превод и анализ на настроения с Джейн Остин	Python	Стивън
19	Романтични хотели в Европа ♥️	Обработка на естествен език	Анализ на настроения с рецензии за хотели 1	Python	Стивън
20	Романтични хотели в Европа ♥️	Обработка на естествен език	Анализ на настроения с рецензии за хотели 2	Python	Стивън
21	Въведение в прогнозирането на времеви редове	Времеви редове	Въведение в прогнозиране на времеви редове	Python	Франческа
22	⚡️ Световна консумация на електроенергия ⚡️ - прогнозиране с ARIMA	Времеви редове	Прогнозиране на времеви редове с ARIMA	Python	Франческа
23	⚡️ Световна консумация на електроенергия ⚡️ - прогнозиране с SVR	Времеви редове	Прогнозиране на времеви редове с регресор с опорни вектори	Python	Анирбан
24	Въведение в подсилващото обучение	Подсилващо обучение	Въведение в подсилващото обучение с Q-обучение	Python	Дмитрий
25	Помогнете на Питър да избегне вълка! 🐺	Подсилващо обучение	Подсилващо обучение Gym	Python	Дмитрий
Поука	Приложения и сценарии на ML в реалния свят	ML в дивата природа	Интересни и разкриващи приложения на класическо ML в реални ситуации	Урок	Екип
Поука	Отстраняване на грешки в ML с помощта на RAI таблото	ML в дивата природа	Отстраняване на грешки в машинното обучение с компоненти на таблото за Отговорен AI	Урок	Рут Якубу

намерете всички допълнителни ресурси за този курс в нашата колекция Microsoft Learn

Офлайн достъп

Можете да стартирате тази документация офлайн, като използвате Docsify. Форкнете това хранилище, инсталирайте Docsify на локалната си машина и след това в главната папка на това хранилище напишете docsify serve. Уебсайтът ще бъде обслужван на порт 3000 на localhost: localhost:3000.

PDF файлове

Намерете PDF на учебната програма с линкове тук.

🎒 Други курсове

Нашият екип създава и други курсове! Вижте:

LangChain

Azure / Edge / MCP / Агенти

---

Серия за генеративен ИИ

---

Основно обучение

---

Серия Copilot

Получаване на помощ

Ако заседнете или имате въпроси относно създаването на приложения с ИИ. Присъединете се към други учащи се и опитни разработчици в дискусии за MCP. Това е подкрепяща общност, където въпросите са добре дошли и знанието се споделя свободно.

Ако имате обратна връзка за продукт или грешки при създаването посетете:

Допълнителни съвети за обучение

• Преглеждайте тетрадки след всеки урок за по-добро разбиране.
• Практикувайте прилагането на алгоритми самостоятелно.
• Изследвайте реални набори от данни, използвайки научените концепции.

---

Отказ от отговорност:
Този документ е преведен с помощта на AI преводаческа услуга Co-op Translator. Въпреки че се стремим към точност, имайте предвид, че автоматизираните 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 било недоразумения или погрешни тълкувания, произтичащи от използването на този превод.