ML-For-Beginners/translations/el

🌐 Υποστήριξη Πολλαπλών Γλωσσών

Υποστηρίζεται μέσω GitHub Action (Αυτόματο & Πάντα Ενημερωμένο)

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

Γίνετε Μέλος της Κοινότητας

Μηχανική Μάθηση για Αρχάριους - Ένα Πρόγραμμα Σπουδών

🌍 Ταξιδέψτε σε όλο τον κόσμο καθώς εξερευνούμε τη Μηχανική Μάθηση μέσα από τις κουλτούρες του κόσμου 🌍

Οι Cloud Advocates στη Microsoft είναι στην ευχάριστη θέση να προσφέρουν ένα πρόγραμμα σπουδών 12 εβδομάδων και 26 μαθημάτων για τη Μηχανική Μάθηση. Σε αυτό το πρόγραμμα, θα μάθετε για αυτό που συχνά αποκαλείται κλασική μηχανική μάθηση, χρησιμοποιώντας κυρίως τη βιβλιοθήκη Scikit-learn και αποφεύγοντας τη βαθιά μάθηση, η οποία καλύπτεται στο πρόγραμμα σπουδών "AI for Beginners". Συνδυάστε αυτά τα μαθήματα με το πρόγραμμα σπουδών 'Data Science for Beginners', επίσης!

Ταξιδέψτε μαζί μας σε όλο τον κόσμο καθώς εφαρμόζουμε αυτές τις κλασικές τεχνικές σε δεδομένα από διάφορες περιοχές του κόσμου. Κάθε μάθημα περιλαμβάνει κουίζ πριν και μετά το μάθημα, γραπτές οδηγίες για την ολοκλήρωση του μαθήματος, λύση, εργασία και πολλά άλλα. Η παιδαγωγική μας προσέγγιση που βασίζεται σε έργα σας επιτρέπει να μαθαίνετε δημιουργώντας, ένας αποδεδειγμένος τρόπος για να "κολλήσουν" οι νέες δεξιότητες.

✍️ Θερμές ευχαριστίες στους συγγραφείς 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 και στους εικονογράφους μας Tomomi Imura, Dasani Madipalli και Jen Looper

🙏 Ιδιαίτερες ευχαριστίες 🙏 στους Microsoft Student Ambassadors συγγραφείς, αναθεωρητές και συνεισφέροντες περιεχομένου, ιδιαιτέρως 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 αυτά τα βήματα:

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

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

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

• Ξεκινήστε με ένα κουίζ πριν από το μάθημα.
• Διαβάστε το μάθημα και ολοκληρώστε τις δραστηριότητες, σταματώντας και αναλογιζόμενοι σε κάθε έλεγχο γνώσεων.
• Προσπαθήστε να δημιουργήσετε τα έργα κατανοώντας τα μαθήματα αντί να εκτελείτε τον κώδικα λύσης. Ωστόσο, αυτός ο κώδικας είναι διαθέσιμος στους φακέλους /solution σε κάθε μάθημα που βασίζεται σε έργα.
• Κάντε το κουίζ μετά το μάθημα.
• Ολοκληρώστε την πρόκληση.
• Ολοκληρώστε την εργασία.
• Μετά την ολοκλήρωση μιας ομάδας μαθημάτων, επισκεφθείτε τον Πίνακα Συζητήσεων και "μάθετε δυνατά" συμπληρώνοντας το κατάλληλο PAT rubric. Ένα 'PAT' είναι ένα Εργαλείο Αξιολόγησης Προόδου που συμπληρώνετε για να προωθήσετε τη μάθησή σας. Μπορείτε επίσης να αντιδράσετε σε άλλα PATs ώστε να μάθουμε μαζί.

Για περαιτέρω μελέτη, προτείνουμε να ακολουθήσετε αυτές τις ενότητες και διαδρομές μάθησης στο Microsoft Learn.

Καθηγητές, έχουμε συμπεριλάβει κάποιες προτάσεις για το πώς να χρησιμοποιήσετε αυτό το πρόγραμμα σπουδών.

---

Βίντεο Οδηγίες

Ορισμένα από τα μαθήματα είναι διαθέσιμα ως σύντομα βίντεο. Μπορείτε να τα βρείτε ενσωματωμένα στα μαθήματα ή στη λίστα αναπαραγωγής "ML for Beginners" στο κανάλι Microsoft Developer στο YouTube κάνοντας κλικ στην παρακάτω εικόνα.

---

Γνωρίστε την Ομάδα

Gif από Mohit Jaisal

🎥 Κάντε κλικ στην παραπάνω εικόνα για ένα βίντεο σχετικά με το έργο και τους ανθρώπους που το δημιούργησαν!

---

Παιδαγωγική

Επιλέξαμε δύο παιδαγωγικές αρχές κατά τη δημιουργία αυτού του προγράμματος σπουδών: να είναι πρακτικό βασισμένο σε έργα και να περιλαμβάνει συχνά κουίζ. Επιπλέον, αυτό το πρόγραμμα σπουδών έχει ένα κοινό θέμα για να του 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 από το μάθημα θέτει την πρόθεση του μαθητή να μάθει ένα θέμα, ενώ ένα δεύτερο κουίζ μετά το μάθημα εξασφαλίζει περαιτέρω διατήρηση. Αυτό το πρόγραμμα σπουδών σχεδιάστηκε για να είναι ευέλικτο και διασκεδαστικό και μπορεί να ολοκληρωθεί ολόκληρο ή εν μέρει. Τα έργα ξεκινούν μικρά και γίνονται όλο και πιο περίπλοκα μέχρι το τέλος του κύκλου των 12 εβδομάδων. Αυτό το πρόγραμμα σπουδών περιλαμβάνει επίσης ένα επίμετρο για τις εφαρμογές της Μηχανικής Μάθησης στον πραγματικό κόσμο, το οποίο μπορεί να χρησιμοποιηθεί ως επιπλέον εργασία ή ως βάση για συζήτηση.

Βρείτε τον Κώδικα Δεοντολογίας, τις Οδηγίες Συνεισφοράς και τις Οδηγίες Μετάφρασης. Καλωσορίζουμε τα εποικοδομητικά σας σχόλια!

Κάθε μάθημα περιλαμβάνει

• προαιρετικό σκίτσο
• προαιρετικό συμπληρωματικό βίντεο
• βίντεο οδηγίες (μόνο για ορισμένα μαθήματα)
• κουίζ προθέρμανσης πριν το μάθημα
• γραπτό μάθημα
• για μαθήματα που βασίζονται σε έργα, βήμα-βήμα οδηγίες για την κατασκευή του έργου
• έλεγχοι γνώσεων
• μια πρόκληση
• συμπληρωματική ανάγνωση
• εργασία
• κουίζ μετά το μάθημα

Σημείωση για τις γλώσσες: Αυτά τα μαθήματα είναι κυρίως γραμμένα σε Python, αλλά πολλά είναι επίσης διαθέσιμα σε R. Για να ολοκληρώσετε ένα μάθημα σε R, μεταβείτε στον φάκελο /solution και αναζητήστε μαθήματα R. Περιλαμβάνουν μια επέκταση .rmd που αντιπροσωπεύει ένα αρχείο R Markdown, το οποίο μπορεί να οριστεί απλά ως ενσωμάτωση κομματιών κώδικα (σε R ή άλλες γλώσσες) και μιας κεφαλίδας YAML (που καθοδηγεί πώς να μορφοποιηθούν τα αποτελέσματα όπως PDF) σε ένα Markdown έγγραφο. Ως εκ τούτου, χρησιμεύει ως ένα εξαιρετικό πλαίσιο συγγραφής για την επιστήμη δεδομένων, καθώς σας επιτρέπει να συνδυάσετε τον κώδικά σας, τα αποτελέσματά του και τις σκέψεις σας γράφοντάς τα σε Markdown. Επιπλέον, τα έγγραφα R Markdown μπορούν να αποδοθούν σε μορφές εξόδου όπως PDF, HTML ή Word.

Σημείωση για τα κουίζ: Όλα τα κουίζ περιέχονται στον φάκελο Quiz App, για συνολικά 52 κουίζ των τριών ερωτήσεων το καθένα. Συνδέονται μέσα από τα μαθήματα, αλλά η εφαρμογή κουίζ μπορεί να εκτελεστεί τοπικά. Ακολουθήστε τις οδηγίες στον φάκελο quiz-app για τοπική φιλοξενία ή ανάπτυξη στο Azure.

Αριθμός Μαθήματος	Θέμα	Ομαδοποίηση Μαθημάτων	Στόχοι Μάθησης	Συνδεδεμένο Μάθημα	Συγγραφέας
01	Εισαγωγή στη μηχανική μάθηση	Εισαγωγή	Μάθετε τις βασικές έννοιες πίσω από τη μηχανική μάθηση	Μάθημα	Muhammad
02	Η Ιστορία της μηχανικής μάθησης	Εισαγωγή	Μάθετε την ιστορία που υποστηρίζει αυτόν τον τομέα	Μάθημα	Jen και Amy
03	Δικαιοσύνη και μηχανική μάθηση	Εισαγωγή	Ποια είναι τα σημαντικά φιλοσοφικά ζητήματα γύρω από τη δικαιοσύνη που πρέπει να λάβουν υπόψη οι μαθητές όταν δημιουργούν και εφαρμόζουν μοντέλα ML;	Μάθημα	Tomomi
04	Τεχνικές για μηχανική μάθηση	Introduction	Ποιες τεχνικές χρησιμοποιούν οι ερευνητές ML για να δημιουργήσουν μοντέλα μηχανικής μάθησης;	Lesson	Chris και Jen
05	Εισαγωγή στην παλινδρόμηση	Regression	Ξεκινήστε με Python και Scikit-learn για μοντέλα παλινδρόμησης	Python • R	Jen • Eric Wanjau
06	Τιμές κολοκύθας στη Βόρεια Αμερική 🎃	Regression	Οπτικοποιήστε και καθαρίστε δεδομένα για την προετοιμασία της μηχανικής μάθησης	Python • R	Jen • Eric Wanjau
07	Τιμές κολοκύθας στη Βόρεια Αμερική 🎃	Regression	Δημιουργήστε γραμμικά και πολυωνυμικά μοντέλα παλινδρόμησης	Python • R	Jen και Dmitry • Eric Wanjau
08	Τιμές κολοκύθας στη Βόρεια Αμερική 🎃	Regression	Δημιουργήστε ένα μοντέλο λογιστικής παλινδρόμησης	Python • R	Jen • Eric Wanjau
09	Μια διαδικτυακή εφαρμογή 🔌	Web App	Δημιουργήστε μια διαδικτυακή εφαρμογή για να χρησιμοποιήσετε το εκπαιδευμένο μοντέλο σας	Python	Jen
10	Εισαγωγή στην ταξινόμηση	Classification	Καθαρίστε, προετοιμάστε και οπτικοποιήστε τα δεδομένα σας· εισαγωγή στην ταξινόμηση	Python • R	Jen και Cassie • Eric Wanjau
11	Νόστιμες ασιατικές και ινδικές κουζίνες 🍜	Classification	Εισαγωγή στους ταξινομητές	Python • R	Jen και Cassie • Eric Wanjau
12	Νόστιμες ασιατικές και ινδικές κουζίνες 🍜	Classification	Περισσότεροι ταξινομητές	Python • R	Jen και Cassie • Eric Wanjau
13	Νόστιμες ασιατικές και ινδικές κουζίνες 🍜	Classification	Δημιουργήστε μια διαδικτυακή εφαρμογή συστάσεων χρησιμοποιώντας 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 μουσικών προτιμήσεων στη Νιγηρία 🎧	Clustering	Εξερευνήστε τη μέθοδο ομαδοποίησης K-Means	Python • R	Jen • Eric Wanjau
16	Εισαγωγή στην επεξεργασία φυσικής γλώσσας ☕️	Natural language processing	Μάθετε τα βασικά της επεξεργασίας φυσικής γλώσσας δημιουργώντας ένα απλό bot	Python	Stephen
17	Κοινές εργασίες NLP ☕️	Natural language processing	Εμβαθύνετε τις γνώσεις σας στην επεξεργασία φυσικής γλώσσας κατανοώντας κοινές εργασίες που απαιτούνται για τη διαχείριση γλωσσικών δομών	Python	Stephen
18	Μετάφραση και ανάλυση συναισθημάτων ♥️	Natural language processing	Μετάφραση και ανάλυση συναισθημάτων με τη Jane Austen	Python	Stephen
19	Ρομαντικά ξενοδοχεία της Ευρώπης ♥️	Natural language processing	Ανάλυση συναισθημάτων με κριτικές ξενοδοχείων 1	Python	Stephen
20	Ρομαντικά ξενοδοχεία της Ευρώπης ♥️	Natural language processing	Ανάλυση συναισθημάτων με κριτικές ξενοδοχείων 2	Python	Stephen
21	Εισαγωγή στην πρόβλεψη χρονοσειρών	Time series	Εισαγωγή στην πρόβλεψη χρονοσειρών	Python	Francesca
22	⚡️ Χρήση ενέργειας παγκοσμίως ⚡️ - πρόβλεψη χρονοσειρών με ARIMA	Time series	Πρόβλεψη χρονοσειρών με ARIMA	Python	Francesca
23	⚡️ Χρήση ενέργειας παγκοσμίως ⚡️ - 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 Peter να αποφύγει τον λύκο! 🐺	Reinforcement learning	Ενισχυτική μάθηση με Gym	Python	Dmitry
Postscript	Σενάρια και εφαρμογές ML στον πραγματικό κόσμο	ML in the Wild	Ενδιαφέρουσες και αποκαλυπτικές εφαρμογές κλασικής μηχανικής μάθησης	Lesson	Team
Postscript	Εντοπισμός σφαλμάτων μοντέλων ML με τον πίνακα RAI	ML in the Wild	Εντοπισμός σφαλμάτων μοντέλων μηχανικής μάθησης χρησιμοποιώντας στοιχεία του πίνακα Responsible AI	Lesson	Ruth Yakubu

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

Πρόσβαση εκτός σύνδεσης

Μπορείτε να εκτελέσετε αυτήν την τεκμηρίωση εκτός σύνδεσης χρησιμοποιώντας το Docsify. Κλωνοποιήστε αυτό το αποθετήριο, εγκαταστήστε το Docsify στον τοπικό σας υπολογιστή και στη συνέχεια, στον κύριο φάκελο αυτού του αποθετηρίου, πληκτρολογήστε docsify serve. Ο ιστότοπος θα εξυπηρετείται στην πόρτα 3000 στον τοπικό σας διακομιστή: localhost:3000.

PDFs

Βρείτε ένα pdf του προγράμματος σπουδών με συνδέσμους εδώ.

🎒 Άλλα Μαθήματα

Η ομάδα μας δημιουργεί και άλλα μαθήματα! Δείτε:

• Generative AI for Beginners
• Generative AI for Beginners .NET
• Generative AI with JavaScript
• Generative AI with Java
• AI for Beginners
• Data Science for Beginners
• ML for Beginners
• Cybersecurity for Beginners
• Web Dev for Beginners
• IoT for Beginners
• XR Development for Beginners
• Mastering GitHub Copilot for Paired Programming
• Mastering GitHub Copilot for C#/.NET Developers
• Choose Your Own Copilot Adventure

---

Αποποίηση ευθύνης:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης AI Co-op Translator. Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να γνωρίζετε ότι οι αυτόματες μεταφράσεις ενδέχεται να περιέχουν σφάλματα ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.