|
|
<!--
|
|
|
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 🎃
|
|
|
|
|
|
В Северна Америка тиквите често се издълбават в страшни лица за Хелоуин. Нека открием повече за тези интересни зеленчуци!
|
|
|
|
|
|
|
|
|
> Снимка от <a href="https://unsplash.com/@teutschmann?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Beth Teutschmann</a> на <a href="https://unsplash.com/s/photos/jack-o-lanterns?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
|
|
|
|
|
|
## Какво ще научите
|
|
|
|
|
|
[](https://youtu.be/5QnJtDad4iQ "Въведение в регресията - Кликнете за гледане!")
|
|
|
> 🎥 Кликнете върху изображението по-горе за кратко видео въведение към този урок
|
|
|
|
|
|
Уроците в този раздел обхващат видовете регресия в контекста на машинното обучение. Регресионните модели могат да помогнат за определяне на _връзката_ между променливите. Този тип модел може да предсказва стойности като дължина, температура или възраст, като разкрива връзките между променливите, докато анализира данните.
|
|
|
|
|
|
В тази серия от уроци ще откриете разликите между линейна и логистична регресия и кога е подходящо да използвате едната вместо другата.
|
|
|
|
|
|
[](https://youtu.be/XA3OaoW86R8 "Машинно обучение за начинаещи - Въведение в регресионните модели за машинно обучение")
|
|
|
|
|
|
> 🎥 Кликнете върху изображението по-горе за кратко видео, представящо регресионните модели.
|
|
|
|
|
|
В тази група уроци ще се подготвите за започване на задачи по машинно обучение, включително конфигуриране на Visual Studio Code за управление на notebooks, общата среда за работа на специалистите по данни. Ще откриете Scikit-learn, библиотека за машинно обучение, и ще изградите първите си модели, като се фокусирате върху регресионните модели в тази глава.
|
|
|
|
|
|
> Съществуват полезни инструменти с нисък код, които могат да ви помогнат да научите повече за работата с регресионни модели. Опитайте [Azure ML за тази задача](https://docs.microsoft.com/learn/modules/create-regression-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
|
|
|
|
|
|
### Уроци
|
|
|
|
|
|
1. [Инструменти за работа](1-Tools/README.md)
|
|
|
2. [Управление на данни](2-Data/README.md)
|
|
|
3. [Линейна и полиномиална регресия](3-Linear/README.md)
|
|
|
4. [Логистична регресия](4-Logistic/README.md)
|
|
|
|
|
|
---
|
|
|
### Кредити
|
|
|
|
|
|
"Машинно обучение с регресия" е написано с ♥️ от [Jen Looper](https://twitter.com/jenlooper)
|
|
|
|
|
|
♥️ Създатели на тестове включват: [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan) и [Ornella Altunyan](https://twitter.com/ornelladotcom)
|
|
|
|
|
|
Датасетът за тикви е предложен от [този проект в Kaggle](https://www.kaggle.com/usda/a-year-of-pumpkin-prices), а данните му са взети от [Specialty Crops Terminal Markets Standard Reports](https://www.marketnews.usda.gov/mnp/fv-report-config-step1?type=termPrice), разпространявани от Министерството на земеделието на САЩ. Добавили сме някои точки, свързани с цвета, базирани на сорта, за да нормализираме разпределението. Тези данни са в публичното пространство.
|
|
|
|
|
|
---
|
|
|
|
|
|
**Отказ от отговорност**:
|
|
|
Този документ е преведен с помощта на AI услуга за превод [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. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод. |
