ML-For-Beginners/translations/bg

🌐 Многоезикова поддръжка

Поддържано чрез GitHub Action (Автоматизирано 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 | 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 над 50 езикови превода, което значително увеличава размера на изтеглянето. За да клонирате без преводи, използвайте sparse checkout:

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 дава всичко необходимо за завършване на курса с много по-бързо изтегляне.

Присъединете се към нашата общност

Имаме текстваща серия „Учи с AI“ в Discord, 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 наука за данни.

Машинно обучение за начинаещи - учебна програма

🌍 Пътувайте из целия свят, докато изучаваме Машинно обучение чрез световните култури 🌍

Облачните адвокати в Microsoft се радват да предложат 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 предимно библиотеката Scikit-learn и като избягвате дълбокото учене, което е разгледано в нашата AI за начинаещи учебна програма. Сдвоете тези уроци и с нашата 'Наука за данните за начинаещи' учебна програма!

Пътувайте с нас по света, докато прилагаме тези класически техники върху данни от много области на света. Всеки урок включва предварителен и последващ тест, писмени инструкции за завършване на урока, решение, задача и още. Нашата учебна методология, базирана на проекти, ви позволява да учите чрез създаване на проекти, което е доказан начин новите умения да се „захванат“.

✍️ 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 студенти-амбасадори на Microsoft, автори, рецензенти и сътрудници по съдържанието, особено Ришит Дагли, Мухаммад Сакиб Хан Иван, Рохан Радж, Александру Петреску, Абхишек Джайсвал, Ноуин Табасъм, Йоан Самуила и Снидха Агарвал

🤩 Допълнителна благодарност на студентските посланици на Microsoft Ерик Уанджау, Джаслийн Сонди и Видуши Гупта за нашите R уроци!

Първи стъпки

Следвайте тези стъпки:

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

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

🔧 Нужна ви е помощ? Прегледайте нашето Ръководство за отстраняване на проблеми за решения на често срещани проблеми с инсталирането, настройката и стартирането на уроците.

Студенти, за да използвате тази учебна програма, форкнете целия репо във вашия собствен GitHub акаунт и завършвайте упражненията сами или в група:

• Започнете с предварителен тест преди лекция.
• Прочетете лекцията и изпълнете дейностите, като спирате и размишлявате след всяка проверка на знанията.
• Опитайте да създадете проектите, като разбирате уроците, а не просто пуснете решението; кодът обаче е наличен в папките /solution във всеки урок, базиран на проект.
• Направете тест след лекцията.
• Завършете предизвикателството.
• Завършете задачата.
• След завършване на група уроци посетете Дискусионния форум и „учете на глас“, попълвайки подходящата рубрика PAT. 'PAT' е Инструмент за оценка на напредъка, който е рубрика, която попълвате, за да задълбочите ученето си. Можете също така да реагирате на други PAT, за да 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 уроци са налични под формата на кратки видеа. Можете да ги намерите в текста на уроците или в плейлиста ML for Beginners в YouTube канала на Microsoft Developer, като кликнете на изображението по-долу.

---

Запознайте се с екипа

Гиф от Mohit Jaisal

🎥 Кликнете на изображението горе за видео за проекта и хората, които го създадоха!

---

Методология

Избрахме два педагогически постулата при изграждането на тази учебна програма: да бъде практически базирана на проекти и да включва чести тестове. Освен това тази учебна програма има обща тема, за да й придаде единство.

Чрез гарантиране, че съдържанието съответства на проекти, процесът става по-ангажиращ за студентите и запомнянето на понятията се подобрява. Освен това нисковажно тестово задание преди занятия насочва намерението на студента към изучаване на тема, а втори тест след занятието осигурява по-добро затвърждаване. Тази 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. В програмата също е включен послеслов за реалните приложения на машинното обучение, който може да се използва като допълнителен кредит или като основа за дискусия.

Намерете нашите насоки за Етичен кодекс, Сътрудничество, Преводи и Отстраняване на проблеми. Очакваме с нетърпение вашите конструктивни отзиви!

Всеки урок включва

• опционалната скицникта
• опционално допълнително видео
• видео урок (само някои уроци)
• въпросник преди лекция
• писмен урок
• за уроци, базирани на проекти: стъпка по стъпка ръководства за изграждане на проекта
• проверки на знанията
• предизвикателство
• допълнително четиво
• задача
• въпросник след лекция

Забележка за езиците: Тези уроци са предимно написани на Python, но много от тях са налични и на R. За да завършите урок по R, отидете в папката /solution и потърсете уроци на R. Те включват разширението .rmd, което представлява R Markdown файл, който просто се дефинира като вграждане на кодови блокове (на R или други езици) и YAML заглавие (което указва как да се форматират изходите като PDF) в Markdown документ. По този начин това служи като отлична рамка за авторство в науката за данни, тъй като ви позволява да комбинирате вашия код, резултата от него и вашите мисли, като ги записвате в Markdown. Освен това, R Markdown документите могат да се конвертират в изходни формати като PDF, HTML или Word. Забележка за тестовете: Всички тестове са съдържани в папка Quiz App, общо 52 теста с по три въпроса всеки. Те са свързани в рамките на уроците, но приложението за тестове може да се изпълнява локално; следвайте инструкциите в папката quiz-app, за да го хоствате локално или да го разположите в Azure.

Номер на урока	Тема	Групиране на уроци	Учебни цели	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, лежаща в основата на тази област	Урок	Джен и Ейми
03	Справедливост и машинно обучение	Въведение	Какви са важните философски въпроси около справедливостта, които студентите трябва да обмислят при изграждането и приложението на модели?	Урок	Томоми
04	Техники за машинно обучение	Въведение	Какви техники използват изследователите на машинно обучение, за да изградят ML модели?	Урок	Крис и Джен
05	Въведение в регресия	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	Постройте линейни и полиномиални регресионни модели	Python • R	Джен и Дмитрий • Ерик Уанджау
08	Цени на тиквите в Северна Америка 🎃	Регресия	Постройте логистичен регресионен модел	Python • R	Джен • Ерик Уанджау
09	Уеб приложение 🔌	Уеб приложение	Създайте уеб приложение за използване на обучен модел	Python	Джен
10	Въведение в класификация	Класификация	Почистете, подгответе и визуализирайте данните си; въведение в класификация	Python • R	Джен и Каси • Ерик Уанджау
11	Вкусни азиатски и индийски кухни 🍜	Класификация	Въведение в класификаторите	Python • R	Джен и Каси • Ерик Уанджау
12	Вкусни азиатски и индийски кухни 🍜	Класификация	Повече класификатори	Python • R	Джен и Каси • Ерик Уанджау
13	Вкусни азиатски и индийски кухни 🍜	Класификация	Създайте уеб приложение за препоръки, използвайки вашия модел	Python	Джен
14	Въведение в клъстеризация	Клъстеризация	Почистете, подгответе и визуализирайте данните си; въведение в клъстеризация	Python • R	Джен • Ерик Уанджау
15	Изследване на музикалните вкусове в Нигерия 🎧	Клъстеризация	Изследвайте метода K-средни за клъстери	Python • R	Джен • Ерик Уанджау
16	Въведение в обработката на естествен език ☕️	Обработка на естествен език	Научете основите на NLP чрез изграждане на прост бот	Python	Стивън
17	Често срещани задачи в NLP ☕️	Обработка на естествен език	Задълбочете вашите знания 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 ревюта за хотели 1	Python	Стивън
20	Романтични хотели в Европа ♥️	Обработка на естествен език	Анализ на настроения с ревюта за хотели 2	Python	Стивън
21	Въведение в прогнозиране 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 на опорни вектори	Python	Анирбан
24	Въведение в подсилващото обучение	Подсилващо обучение	Въведение в подсилващо обучение с Q-Learning	Python	Дмитрий
25	Помогнете на Питър да избегне вълка! 🐺	Подсилващо обучение	Подсилващо обучение с Gym	Python	Дмитрий
Постскрипт	Реални сценарии и приложения на ML	ML в природата	Интересни и поучителни реални приложения на класическо машинно обучение	Урок	Екип
Постскрипт	Отстраняване на грешки в модели с RAI контролен панел	ML в природата	Отстраняване на грешки в машинно обучение с помощта на компоненти на контролния панел Responsible AI	Урок	Рут Якобу

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

Офлайн достъп

Можете да използвате тази документация офлайн с помощта на Docsify. Форкнете това хранилище, инсталирайте Docsify на локалната си машина и след това в коренната папка на хранилището напишете docsify serve. Уебсайтът ще бъде достъпен на порт 3000 на локалния ви хост: localhost:3000.

PDF файлове

Намерете PDF на учебната програма с връзки тук.

🎒 Други курсове

Нашият екип създава и други курсове! Вижте:

LangChain

---

Azure / Edge / MCP / Агенти

---

Серия за генеративен AI

---

Основно обучение

---

Серия Copilot

Получаване на помощ

Ако се затрудните или имате въпроси относно изграждането 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 знанието се споделя свободно.

Ако имате обратна връзка за продукта или срещнете грешки по време на разработка посетете:

---

Отказ от отговорност: Този документ е преведен с помощта на AI преводаческа услуга 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. Не носим отговорност за недоразумения или неправилни тълкувания, произтичащи от използването на този превод.