ML-For-Beginners/translations/el

🌐 Υποστήριξη Πολλών Γλωσσών

Υποστηρίζεται μέσω GitHub Action (Αυτοματοποιημένο & Πάντα Ενημερωμένο)

Αραβικά | Μπενγκάλι | Βουλγαρικά | Βιρμανικά (Μιανμάρ) | Κινέζικα (Απλοποιημένα) | Κινέζικα (Παραδοσιακά, Χονγκ Κονγκ) | Κινέζικα (Παραδοσιακά, Μακάο) | Κινέζικα (Παραδοσιακά, Ταϊβάν) | Κροατικά | Τσέχικα | Δανέζικα | Ολλανδικά | Εσθονικά | Φινλανδικά | Γαλλικά | Γερμανικά | Ελληνικά | Εβραϊκά | Χίντι | Ουγγρικά | Ινδονησιακά | Ιταλικά | Ιαπωνικά | Κανάντα | Κορεάτικα | Λιθουανικά | Μαλαισιανά | Μαλαγιάλαμ | Μαραθέλι | Νεπαλικά | Νιγηριανή Πιδγίν | Νορβηγικά | Περσικά (Φαρσί) | Πολωνικά | Πορτογαλικά (Βραζιλίας) | Πορτογαλικά (Πορτογαλίας) | Πουντζάμπι (Γκουρμούκι) | Ρουμανικά | Ρωσικά | Σερβικά (Κυριλλικά) | Σλοβακικά | Σλοβενικά | Ισπανικά | Σουαχίλι | Σουηδικά | Ταγκάλογκ (Φιλιππινέζικα) | Ταμίλ | Τελούγκου | Ταϊλανδέζικα | Τουρκικά | Ουκρανικά | Ουρντού | Βιετναμέζικα

Προτιμάτε να Κλωνοποιήσετε Τοπικά;

Αυτό το αποθετήριο περιλαμβάνει 50+ μεταφράσεις γλωσσών που αυξάνουν σημαντικά το μέγεθος λήψης. Για κλωνοποίηση χωρίς μεταφράσεις, χρησιμοποιήστε 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'

Αυτό σας παρέχει όλα όσα χρειάζεστε για να ολοκληρώσετε το μάθημα με πολύ ταχύτερη λήψη.

Ενταχθείτε στην Κοινότητά μας

Έχουμε μια σειρά Discord για μάθηση με AI σε εξέλιξη, μάθετε περισσότερα και ενταχθείτε στο Learn with AI Series από 18 έως 30 Σεπτεμβρίου 2025. Θα μάθετε συμβουλές και κόλπα για τη χρήση του GitHub Copilot για Data Science.

Μηχανική Μάθηση για Αρχάριους - Ένα Πρόγραμμα Σπουδών

🌍 Ταξιδέψτε γύρω από τον κόσμο καθώς εξερευνούμε τη Μηχανική Μάθηση μέσω των πολιτισμών του κόσμου 🌍

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

Ταξιδέψτε μαζί μας σε όλο τον κόσμο καθώς εφαρμόζουμε αυτές τις κλασικές τεχνικές σε δεδομένα από πολλές περιοχές. Κάθε μάθημα περιλαμβάνει quizzes πριν και μετά το μάθημα, γραπτές οδηγίες για την ολοκλήρωση του μαθήματος, λύση, ανάθεση εργασίας και άλλα. Η παιδαγωγική μας με βάση έργα σας επιτρέπει να μαθαίνετε ενώ κατασκευάζετε, μια αποδεδειγμένη μέθοδος για να "εγκατασταθούν" νέες δεξιότητες.

✍️ Ειλικρινείς 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 επίσης στους εικονογράφους μας Tomomi Imura, Dasani Madipalli και Jen Looper

🙏 Ειδικές ευχαριστίες 🙏 στους Microsoft Student Ambassador 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. Δημιουργήστε Fork στο Αποθετήριο: Κάντε κλικ στο κουμπί "Fork" στην πάνω δεξιά γωνία αυτής της σελίδας.
2. Κλωνοποιήστε το Αποθετήριο: git clone https://github.com/microsoft/ML-For-Beginners.git

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

🔧 Χρειάζεστε βοήθεια; Ελέγξτε τον Οδηγό αντιμετώπισης προβλημάτων για λύσεις σε κοινά ζητήματα εγκατάστασης, ρύθμισης και εκτέλεσης μαθημάτων.

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 ομάδα:

• Ξεκινήστε με ένα προ-μάθημα κουίζ.
• Διαβάστε το μάθημα και ολοκληρώστε τις δραστηριότητες, σταματώντας και σκεπτόμενοι σε κάθε έλεγχο γνώσης.
• Προσπαθήστε να δημιουργήσετε τα έργα κατανοώντας τα μαθήματα αντί να εκτελείτε τον κώδικα λύσης· παρόλα αυτά, ο κώδικας αυτός είναι διαθέσιμος στους φακέλους /solution σε κάθε μάθημα που έχει προσανατολισμό σε έργο.
• Κάντε το μετά-μάθημα κουίζ.
• Ολοκληρώστε την πρόκληση.
• Ολοκληρώστε την ανάθεση εργασίας.
• Μετά την ολοκλήρωση μιας ομάδας μαθημάτων, επισκεφθείτε το Ταμπλό Συζήτησης και "μάθετε φωναχτά" συμπληρώνοντας το κατάλληλο φόρμα PAT. Το 'PAT' είναι Εργαλείο Αξιολόγησης Προόδου που συμπληρώνετε για να προωθήσετε τη μάθησή σας. Μπορείτε επίσης να αντιδράσετε σε άλλες φόρμες PAT ώστε να μαθαίνουμε μαζί.

Για περαιτέρω μελέτη, προτείνουμε να ακολουθήσετε αυτά τα Microsoft Learn μαθήματα και μονοπάτια μάθησης.

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

---

Βίντεο Περιηγήσεις

Μερικά από τα μαθήματα είναι διαθέσιμα σε σύντομα βίντεο. Μπορείτε να τα βρείτε όλα 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 εικόνα παραπάνω για βίντεο σχετικά με το έργο και τους δημιουργούς του!

---

Παιδαγωγική

Επιλέξαμε δύο παιδαγωγικές αρχές κατά την κατασκευή αυτού του προγράμματος: να είναι πρακτικό και βασισμένο σε έργα και να περιλαμβάνει συχνά κουίζ. Επιπλέον, αυτό το πρόγραμμα έχει ένα κοινό θέμα που του δίνει συνοχή.

Με το να ευθυγραμμίζουμε το περιεχόμενο με έργα, η διαδικασία γίνεται πιο ελκυστική για τους φοιτητές και η διατήρηση των εννοιών αυξάνεται. Επιπλέον, ένα χαμηλού κινδύνου κουίζ πριν από το μάθημα θέτει την πρόθεση του μαθητή να μάθει ένα θέμα, ενώ ένα δεύτερο κουίζ μετά το μάθημα εξασφαλίζει περαιτέρω διατήρηση. Το πρόγραμμα σχεδιάστηκε να είναι ευέλικτο και διασκεδαστικό και μπορεί να ληφθεί ολόκληρο ή κατά τμήματα. Τα έργα ξεκινούν μικρά και γίνονται όλο και πιο σύνθετα μέχρι το τέλος του 12-εβδομάδων κύκλου. Το πρόγραμμα περιλαμβάνει επίσης επίλογο με πραγματικές εφαρμογές της μηχανικής μάθησης, που μπορεί να χρησιμοποιηθεί ως επιπλέον αξιολόγηση ή βάση συζήτησης.

Βρείτε τις Οδηγίες Συμπεριφοράς, Συμμετοχής, Μετάφρασης και Αντιμετώπισης Προβλημάτων. Καλωσορίζουμε τα εποικοδομητικά σας σχόλια!

Κάθε μάθημα περιλαμβάνει

• προαιρετικό σκίτσο σημειώσεων
• προαιρετικό συμπληρωματικό βίντεο
• βίντεο περιήγηση (μόνο κάποια μαθήματα)
• προθερμαινόμενο κουίζ πριν το μάθημα
• γραπτό μάθημα
• για μαθήματα που βασίζονται σε έργα, βήμα-βήμα οδηγούς για το πώς να κατασκευάσετε το έργο
• ελέγχους γνώσης
• μια πρόκληση
• συμπληρωματική ανάγνωση
• ανάθεση εργασίας
• μετα-μάθημα κουίζ

Μια σημείωση για τις γλώσσες: Αυτά τα μαθήματα είναι κυρίως γραμμένα σε Python, αλλά πολλά είναι διαθέσιμα και σε R. Για να ολοκληρώσετε ένα μάθημα R, πηγαίνετε στον φάκελο /solution και αναζητήστε τα μαθήματα R. Αυτά περιλαμβάνουν επέκταση .rmd που αντιπροσωπεύει ένα R Markdown αρχείο, το οποίο μπορεί να οριστεί απλά ως ενσωμάτωση κομματιών κώδικα (σε R ή άλλες γλώσσες) και YAML header (που καθοδηγεί το πώς να μορφοποιηθούν οι έξοδοι όπως PDF) σε ένα Markdown έγγραφο. Ως τέτοιο, χρησιμεύει ως ένα υποδειγματικό πλαίσιο συγγραφής για data science, αφού σας επιτρέπει να συνδυάσετε τον κώδικά σας, την έξοδό του και τις σκέψεις σας επιτρέποντάς σας να τις γράψετε σε Markdown. Επιπλέον, έγγραφα R Markdown μπορούν να αποδοθούν σε μορφές εξόδου όπως PDF, HTML ή Word. Μια σημείωση σχετικά με τα κουίζ: Όλα τα κουίζ βρίσκονται στον φάκελο Quiz App folder, για συνολικά 52 κουίζ με τρεις ερωτήσεις το καθένα. Συνδέονται από τα μαθήματα, αλλά η εφαρμογή κουίζ μπορεί να τρέξει τοπικά· ακολουθήστε τις οδηγίες στον φάκελο quiz-app για να φιλοξενήσετε ή να αναπτύξετε τοπικά στο Azure.

Αριθμός Μαθήματος	Θέμα	Ομαδοποίηση Μαθήματος	Μαθησιακοί Στόχοι	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 and Amy
03	Δικαιοσύνη και μηχανική μάθηση	Εισαγωγή	Ποια είναι τα σημαντικά φιλοσοφικά ζητήματα γύρω από τη δικαιοσύνη που πρέπει να λάβουν υπόψη οι μαθητές κατά την κατασκευή και εφαρμογή μοντέλων ML;	Μάθημα	Tomomi
04	Τεχνικές για μηχανική μάθηση	Εισαγωγή	Τι τεχνικές χρησιμοποιούν οι ερευνητές ML για να κατασκευάσουν μοντέλα ML;	Μάθημα	Chris and Jen
05	Εισαγωγή στη παλινδρόμηση	Παλινδρόμηση	Ξεκινήστε με Python και Scikit-learn για μοντέλα παλινδρόμησης	Python • R	Jen • Eric Wanjau
06	Τιμές κολοκύθας στη Βόρεια Αμερική 🎃	Παλινδρόμηση	Οπτικοποιήστε και καθαρίστε δεδομένα για την προετοιμασία για ML	Python • R	Jen • Eric Wanjau
07	Τιμές κολοκύθας στη Βόρεια Αμερική 🎃	Παλινδρόμηση	Δημιουργήστε γραμμικά και πολυωνυμικά μοντέλα παλινδρόμησης	Python • R	Jen and Dmitry • Eric Wanjau
08	Τιμές κολοκύθας στη Βόρεια Αμερική 🎃	Παλινδρόμηση	Δημιουργήστε ένα μοντέλο λογιστικής παλινδρόμησης	Python • R	Jen • Eric Wanjau
09	Μια εφαρμογή Web 🔌	Web App	Δημιουργήστε μια web εφαρμογή για να χρησιμοποιήσετε το εκπαιδευμένο μοντέλο σας	Python	Jen
10	Εισαγωγή στην ταξινόμηση	Ταξινόμηση	Καθαρίστε, προετοιμάστε και οπτικοποιήστε τα δεδομένα σας· εισαγωγή στην ταξινόμηση	Python • R	Jen and Cassie • Eric Wanjau
11	Νόστιμες ασιατικές και ινδικές κουζίνες 🍜	Ταξινόμηση	Εισαγωγή στους ταξινομητές	Python • R	Jen and Cassie • Eric Wanjau
12	Νόστιμες ασιατικές και ινδικές κουζίνες 🍜	Ταξινόμηση	Περισσότεροι ταξινομητές	Python • R	Jen and Cassie • Eric Wanjau
13	Νόστιμες ασιατικές και ινδικές κουζίνες 🍜	Ταξινόμηση	Δημιουργήστε μια εφαρμογή web συστάσεων χρησιμοποιώντας το μοντέλο σας	Python	Jen
14	Εισαγωγή στον ομαδοποίηση	Ομαδοποίηση	Καθαρίστε, προετοιμάστε και οπτικοποιήστε τα δεδομένα σας· Εισαγωγή στην ομαδοποίηση	Python • R	Jen • Eric Wanjau
15	Εξερευνώντας τις μουσικές προτιμήσεις στη Νιγηρία 🎧	Ομαδοποίηση	Εξερευνήστε τη μέθοδο ομαδοποίησης K-Means	Python • R	Jen • Eric Wanjau
16	Εισαγωγή στην επεξεργασία φυσικής γλώσσας ☕️	Επεξεργασία φυσικής γλώσσας	Μάθετε τα βασικά για την επεξεργασία φυσικής γλώσσας φτιάχνοντας ένα απλό bot	Python	Stephen
17	Κοινά καθήκοντα NLP ☕️	Επεξεργασία φυσικής γλώσσας	Εμβαθύνετε στη γνώση NLP κατανοώντας κοινά καθήκοντα που απαιτούνται όταν δουλεύετε με δομές γλώσσας	Python	Stephen
18	Μετάφραση και ανάλυση συναισθήματος ♥️	Επεξεργασία φυσικής γλώσσας	Μετάφραση και ανάλυση συναισθήματος με τη Jane Austen	Python	Stephen
19	Ρομαντικά ξενοδοχεία της Ευρώπης ♥️	Επεξεργασία φυσικής γλώσσας	Ανάλυση συναισθήματος με κριτικές ξενοδοχείων 1	Python	Stephen
20	Ρομαντικά ξενοδοχεία της Ευρώπης ♥️	Επεξεργασία φυσικής γλώσσας	Ανάλυση συναισθήματος με κριτικές ξενοδοχείων 2	Python	Stephen
21	Εισαγωγή στην πρόβλεψη χρονοσειρών	Χρονοσειρές	Εισαγωγή στην πρόβλεψη χρονοσειρών	Python	Francesca
22	⚡️ Παγκόσμια Χρήση Ενέργειας ⚡️ - πρόβλεψη χρονοσειρών με ARIMA	Χρονοσειρές	Πρόβλεψη χρονοσειρών με ARIMA	Python	Francesca
23	⚡️ Παγκόσμια Χρήση Ενέργειας ⚡️ - πρόβλεψη χρονοσειρών με SVR	Χρονοσειρές	Πρόβλεψη χρονοσειρών με Support Vector Regressor	Python	Anirban
24	Εισαγωγή στη μάθηση ενίσχυσης	Μάθηση ενίσχυσης	Εισαγωγή στη μάθηση ενίσχυσης με Q-Learning	Python	Dmitry
25	Βοηθήστε τον Πέτρο να αποφύγει τον λύκο! 🐺	Μάθηση ενίσχυσης	Μάθηση ενίσχυσης με το Gym	Python	Dmitry
Μεταστροφή	Σενάρια και εφαρμογές ΜL στον πραγματικό κόσμο	ML στον πραγματικό κόσμο	Ενδιαφέρουσες και αποκαλυπτικές εφαρμογές της κλασικής μηχανικής μάθησης	Μάθημα	Ομάδα
Μεταστροφή	Αποσφαλμάτωση μοντέλων ML με χρήση του RAI dashboard	ML στον πραγματικό κόσμο	Αποσφαλμάτωση μοντέλων μηχανικής μάθησης με τη χρήση του Responsible AI dashboard	Μάθημα	Ruth Yakubu

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

Πρόσβαση χωρίς σύνδεση

Μπορείτε να τρέξετε αυτή την τεκμηρίωση εκτός σύνδεσης χρησιμοποιώντας το Docsify. Κάντε fork σε αυτό το αποθετήριο, εγκαταστήστε το Docsify στον τοπικό σας υπολογιστή και μετά στον βασικό φάκελο αυτού του αποθετηρίου, πληκτρολογήστε docsify serve. Η ιστοσελίδα θα σερβιριστεί στη θύρα 3000 στον localhost σας: localhost:3000.

PDF

Βρείτε ένα pdf του προγράμματος με συνδέσμους εδώ.

🎒 Άλλα Μαθήματα

Η ομάδα μας παράγει και άλλα μαθήματα! Δείτε:

LangChain

---

Azure / Edge / MCP / Agents

---

Γενετικά AI Series

---

Βασική Μάθηση

---

Σειρά Copilot

Λήψη Βοήθειας

Εάν κολλήσετε ή έχετε οποιεσδήποτε ερωτήσεις σχετικά με την κατασκευή εφαρμογών Τεχνητής Νοημοσύνης. Συμμετάσχετε με άλλους μαθητές και έμπειρους προγραμματιστές σε συζητήσεις σχετικά με το MCP. Είναι μια υποστηρικτική κοινότητα όπου οι ερωτήσεις είναι ευπρόσδεκτες και η γνώση μοιράζεται ελεύθερα.

Εάν έχετε σχόλια για το προϊόν ή σφάλματα κατά την κατασκευή επισκεφθείτε:

---

Αποποίηση Ευθύνης: Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης AI Co-op Translator. Παρόλο που επιδιώκουμε την ακρίβεια, παρακαλούμε να έχετε υπόψη σας ότι οι αυτόματες μεταφράσεις μπορεί να περιέχουν σφάλματα ή ανακρίβειες. Το πρωτότυπο έγγραφο στη γλώσσα του θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.