ML-For-Beginners/translations/bg

🌐 Поддръжка на много езици

Поддържано чрез GitHub Action (Автоматизирано и винаги актуално)

Арабски | Бенгалски | Български | Бирмански (Мианмар) | Китайски (опростен) | Китайски (традиционен, Хонконг) | Китайски (традиционен, Макао) | Китайски (традиционен, Тайван) | Хърватски | Чешки | Датски | Холандски | Естонски | Фински | Френски | Немски | Гръцки | Иврит | Хинди | Унгарски | Индонезийски | Италиански | Японски | Корейски | Литовски | Малайски | Маратхи | Непалски | Нигерийски пиджин | Норвежки | Персийски (фарси) | Полски | Португалски (Бразилия) | Португалски (Португалия) | Пенджабски (Гурмуки) | Румънски | Руски | Сръбски (кирилица) | Словашки | Словенски | Испански | Суахили | Шведски | Тагалог (Филипински) | Тамилски | Тайландски | Турски | Украински | Урду | Виетнамски

Присъединете се към нашата общност

Имаме текуща серия за обучение с AI в Discord, научете повече и се присъединете към нас на Learn with AI Series от 18 - 30 септември, 2025. 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 културите на света 🌍

Cloud Advocates в Microsoft с удоволствие предлагат 12-седмична, 26-урочна учебна програма, посветена на машинното обучение. В тази програма ще научите за това, което понякога се нарича класическо машинно обучение, като основно използвате библиотеката Scikit-learn и избягвате дълбокото обучение, което е обхванато в нашата учебна програма за AI за начинаещи. Съчетайте тези уроци с нашата 'учебна програма за Data Science за начинаещи', също така!

Пътувайте с нас по света, докато прилагаме тези класически техники към 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, докато изграждате, доказан начин за нови умения да се запазят.

✍️ 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 и на нашите илюстратори Томоми Имура, Дасани Мадипали и Джен Лупър

🙏 Специални благодарности 🙏 на нашите автори, рецензенти и сътрудници от Microsoft Student Ambassador, особено Ришит Дагли, Мухамад Сакиб Хан Инан, Рохан Радж, Александру Петреску, Абишек Джайсвал, Наврин Табасум, Йоан Самуила и Снигдха Агарвал

🤩 Допълнителна благодарност на Microsoft Student Ambassadors Ерик Ванджау, Джаслийн Сонди и Видуши Гупта за нашите уроци по R!

Започнете

Следвайте тези стъпки:

1. Fork на хранилището: Кликнете върху 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 Microsoft Learn колекция

🔧 Нуждаете се от помощ? Проверете нашето Ръководство за отстраняване на проблеми за решения на често срещани проблеми с инсталацията, настройката и изпълнението на уроците.

Студенти, за да използвате тази учебна програма, направете fork на цялото хранилище към вашия собствен GitHub акаунт и завършете упражненията сами или с група:

• Започнете с тест преди лекцията.
• Прочетете лекцията и завършете дейностите, като спирате и размишлявате при всяка проверка на знанията.
• Опитайте се да създадете проектите, като разбирате уроците, вместо да изпълнявате кода на решението; въпреки това този код е наличен в папките /solution във всеки проектно-ориентиран урок.
• Направете тест след лекцията.
• Завършете предизвикателството.
• Завършете задачата.
• След завършване на група уроци, посетете Дискусионния форум и "учете на глас", като попълните съответния PAT рубрик. PAT е инструмент за оценка на напредъка, който е рубрик, който попълвате, за да задълбочите обучението си. Можете също така да реагирате на други PAT, за да учим заедно.

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

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

---

Видео ръководства

Някои от уроците са налични като кратки видеа. Можете да намерите всички тях в уроците или в плейлиста ML за начинаещи в YouTube канала на Microsoft Developer, като кликнете 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 два педагогически принципа при създаването на тази учебна програма: да гарантираме, че тя е практически проектно-базирана и че включва чести тестове. Освен това, тази учебна програма има обща тема, която й придава сплотеност.

Като гарантираме, че съдържанието е свързано с проекти, процесът става по-ангажиращ за студентите и запазването на концепциите ще бъде увеличено. Освен това, тест с нисък риск преди урока насочва вниманието на студента към изучаването на дадена тема, докато втори тест след урока осигурява допълнително запазване. Тази учебна 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. Тази учебна програма включва и постскрипт за реални приложения на ML, който може да се използва като допълнителен кредит или като основа за дискусия.

Намерете нашите Правила за поведение, Принос, Превод и Ръководство за отстраняване на проблеми. Очакваме вашата конструктивна обратна връзка!

Всеки урок включва

• опционална скица
• опционално допълнително видео
• видео ръководство (само за някои уроци)
• тест за загряване преди лекцията
• писмен урок
• за проектно-базирани уроци, ръководства стъпка по стъпка за изграждане на проекта
• проверки на знанията
• предизвикателство
• допълнително четене
• задача
• тест след лекцията

Бележка за 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 да бъде просто дефиниран като вграждане на кодови блокове (на R или други езици) и YAML заглавие (което насочва как да се форматират изходи като PDF) в Markdown документ. Като такъв, той служи като примерна рамка за авторство за Data Science, тъй като ви позволява да комбинирате вашия код, неговия изход и вашите мисли, като ви позволява да ги записвате в Markdown. Освен това, R Markdown документи могат да бъдат рендирани в изходни формати като PDF, HTML или Word.

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

Номер на урок	Тема	Групиране на уроци	Цели на обучението	Свързан урок	Автор
01	Въведение в машинното обучение	Въведение	Научете основните концепции зад машинното обучение	Урок	Мухамад
02	История на машинното обучение	Въведение	Научете историята, която стои зад тази област	Урок	Джен и Ейми
03	Справедливост и машинно обучение	Въведение	Какви са важните философски въпроси относно справедливостта, които студентите трябва да обмислят 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 регресия	Регресия	Започнете с Python и Scikit-learn за модели на регресия	Python • R	Джен • Ерик Ванджа
06	Цени на тикви в Северна Америка 🎃	Регресия	Визуализирайте и почистете данни в подготовка за ML	Python • R	Джен • Ерик Ванджа
07	Цени на тикви в Северна Америка 🎃	Регресия	Създайте линейни и полиномиални модели на регресия	Python • R	Джен и Дмитрий • Ерик Ванджа
08	Цени на тикви в Северна Америка 🎃	Регресия	Създайте модел на логистична регресия	Python • R	Джен • Ерик Ванджа
09	Уеб приложение 🔌	Уеб приложение	Създайте уеб приложение за използване на вашия обучен модел	Python	Джен
10	Въведение в класификация	Класификация	Почистете, подгответе и визуализирайте вашите данни; въведение в класификация	Python • R	Джен и Каси • Ерик Ванджа
11	Вкусни азиатски и индийски ястия 🍜	Класификация	Въведение в класификатори	Python • R	Джен и Каси • Ерик Ванджа
12	Вкусни азиатски и индийски ястия 🍜	Класификация	Още класификатори	Python • R	Джен и Каси • Ерик Ванджа
13	Вкусни азиатски и индийски ястия 🍜	Класификация	Създайте уеб приложение за препоръки, използвайки вашия модел	Python	Джен
14	Въведение в клъстеризация	Клъстеризация	Почистете, подгответе и визуализирайте вашите данни; въведение в клъстеризация	Python • R	Джен • Ерик Ванджа
15	Изследване на музикалните вкусове в Нигерия 🎧	Клъстеризация	Изследвайте метода на клъстеризация K-Means	Python • R	Джен • Ерик Ванджа
16	Въведение в обработката на естествен език ☕️	Обработка на естествен език	Научете основите на NLP, като създадете прост бот	Python	Стивън
17	Общи задачи в NLP ☕️	Обработка на естествен език	Задълбочете знанията си за NLP, като разберете общите задачи, необходими при работа със структури на езика	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 хотелски ревюта 1	Python	Стивън
20	Романтични хотели в Европа ♥️	Обработка на естествен език	Анализ на настроения с хотелски ревюта 2	Python	Стивън
21	Въведение в прогнозиране на времеви серии	Времеви серии	Въведение в прогнозиране на времеви серии	Python	Франческа
22	⚡️ Световно потребление на енергия ⚡️ - прогнозиране на времеви серии с ARIMA	Времеви серии	Прогнозиране на времеви серии с ARIMA	Python	Франческа
23	⚡️ Световно потребление на енергия ⚡️ - прогнозиране на времеви серии със SVR	Времеви серии	Прогнозиране на времеви серии със Support Vector Regressor	Python	Анирбан
24	Въведение в обучението чрез подсилване	Обучение чрез подсилване	Въведение в обучението чрез подсилване с Q-Learning	Python	Дмитрий
25	Помогнете на Питър да избегне вълка! 🐺	Обучение чрез подсилване	Обучение чрез подсилване в Gym	Python	Дмитрий
Постскриптум	Реални сценарии и приложения на ML	ML в реалния свят	Интересни и разкриващи приложения на класическо ML	Урок	Екип
Постскриптум	Дебъгване на модели в ML с помощта на RAI табло	ML в реалния свят	Дебъгване на модели в машинното обучение с компоненти на таблото за отговорен AI	Урок	Рут Якубу

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

Офлайн достъп

Можете да стартирате тази документация офлайн, като използвате Docsify. Форкнете това хранилище, инсталирайте Docsify на вашата локална машина и след това в основната папка на това хранилище въведете docsify serve. Уебсайтът ще бъде достъпен на порт 3000 на вашия localhost: localhost:3000.

PDFs

Намерете PDF на учебната програма с връзки тук.

🎒 Други курсове

Нашият екип създава и други курсове! Вижте:

Azure / Edge / MCP / Агенти

---

Серия за Генеративен AI

---

Основно обучение

---

Серия Copilot

Получаване на помощ

Ако се затруднявате или имате въпроси относно създаването 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 знанията се споделят свободно.

Ако имате обратна връзка за продукт или срещнете грешки по време на разработката, посетете:

---

Отказ от отговорност:
Този документ е преведен с помощта на AI услуга за превод Co-op Translator. Въпреки че се стремим към точност, моля, имайте предвид, че автоматичните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия изходен 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 интерпретации, произтичащи от използването на този превод.