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, Хонг Конг) | Китайски (традиционен, Макао) | Китайски (традиционен, Тайван) | Хърватски | Чешки | Датски | Холандски | Естонски | Фински | Френски | Немски | Гръцки | Иврит | Хинди | Унгарски | Индонезийски | Италиански | Японски | Канада | Корейски | Литовски | Малайски | Малаялам | Марати | Непалски | Нигерийски Пиджин | Норвежки | Персийски (фарси) | Полски | Португалски (Бразилия) | Португалски (Португалия) | Панджаби (Гурмукхи) | Румънски | Руски | Сръбски (кирилица) | Словашки | Словенски | Испански | Суахили | Шведски | Тагалог (филипински) | Тамилски | Телугу | Тайски | Турски | Украински | Урду | Виетнамски

Предпочитате да клонирате локално?

Това хранилище включва над 50 езикови превода, които значително увеличават размера на изтегляне. За да клонирате без преводите, 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 текуща серия "Учете 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 Data Science.

Машинно обучение за начинаещи - учебна програма

🌍 Пътувайте по света, докато изследваме Машинното обучение чрез културите на света 🌍

Cloud Advocates в Microsoft с радост предлагат 12-седмична, 26-лекционна учебна програма изцяло за Машинно обучение. В тази учебна програма ще научите за това, което понякога се нарича класическо машинно обучение, използвайки главно библиотеката Scikit-learn и без задълбочено учене, което е разгледано в нашата учебна програма AI за начинаещи. Съчетавайте тези уроци с нашата 'Data Science for Beginners' учебна програма също!

Пътувайте с нас по света, като прилагаме тези класически техники към данни от много региони на света. Всеки урок включва тестове преди и след урока, писмени инструкции за изпълнение, решение, задача и още. Нашата педагогика, основана на проекти, ви позволява да учите чрез практическо изграждане, доказан начин за усвояване на нови умения.

✍️ Сърдечни благодарности на нашите автори Джен Лупер, Стивън Хауъл, Франческа Лазери, Томоми Имура, Каси Бревиу, Дмитрий Сошников, Крис Норинг, Анирбан Мукерджи, Орнела Алтунян, Рут Якобу и Ейми Бойд

🎨 Благодарности също и на нашите илюстратори Томоми Имура, Дасани Мадипали и Джен Лупер

🙏 Специални благодарности 🙏 на нашите автори, преглеждащи и съдържателни сътрудници от Microsoft Student Ambassador, особено Ришит Дагли, Мухаммад Сакиб Хан Инан, Рохан Радж, Александру Петреску, Абхишек Джайсуал, Науин Табасум, Йоан Самуила и Снигдха Агарвал

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

Започване

Следвайте тези стъпки:

1. Форкнете хранилището: Кликнете на 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? Вижте нашия Наръчник за отстраняване на проблеми за решения на често срещани проблеми с инсталация, настройка и изпълнение на уроци.

Студенти, за да използвате тази учебна програма, форкнете цялото хранилище във вашия собствен GitHub акаунт и изпълнявайте упражненията сами или в група:

• Започнете с тест преди лекцията.
• Прочетете лекцията и изпълнете дейностите, спирайки се и размишлявайки при всяка проверка на знанията.
• Опитайте се да създадете проектите, като разбирате уроците, а не просто като изпълнявате кода на решенията; този код обаче е наличен във /solution папките във всеки урок, ориентиран към проект.
• Направете тест след лекцията.
• Изпълнете предизвикателството.
• Изпълнете задачата.
• След приключване на група уроци посетете Дискусионния форум и „учете на глас“, като попълните подходящия PAT рубрик. PAT е Инструмент за оценка на напредъка, който представлява рубрика за самостоятелна оценка и напредък. Можете също да реагирате на други PAT, за да учим заедно.

За по-нататъшно обучение препоръчваме да следвате тези модули и учебни пътеки от Microsoft Learn.

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

---

Видео уроци

Някои уроци са налични като кратки видео формати. Можете да ги намерите във всеки урок или в плейлистата ML за начинаещи в Microsoft Developer YouTube канала, като кликнете върху изображението по-долу.

---

Запознайте се с екипа

Гиф 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: осигуряване на практически ориентирано учене чрез проекти и включване на чести тестове. Освен това тази учебна програма има обща тема за постигане на единство.

Чрез осигуряване на съответствието на съдържанието с проектите процесът става по-ангажиращ за студентите, а задържането на знанията се увеличава. Освен това ниско рисков тест преди клас настройва намерението на студента за учене на тема, а втори тест след урок гарантира по-голямо усвояване. Тази учебна програма е проектирана да е гъвкава и забавна и може да се следва изцяло или частично. Проектите започват от малки и стават все по-сложни до края на 12-седмичния цикъл. Учебната програма включва и послеслов за реални приложения на машинното обучение, който може да служи като допълнителен кредит или основа за дискусия.

Намерете нашите насоки за Кодекс на поведение, Принос, Превод и Отстраняване на проблеми. Очакваме вашите конструктивни отзиви!

Всеки урок включва

• по избор скичноут
• по избор допълващо видео
• видео урок (само за някои уроци)
• тест за затопляне преди лекцията
• писмен урок
• за проекти, стъпка по стъпка инструкции за изграждането на проекта
• проверки на знания
• предизвикателство
• допълнително четиво
• задача
• тест след лекцията

Забележка за езиците: Тези уроци са главно 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 имат разширение .rmd, което представлява R Markdown файл, който просто казано е вграждане на кодови блокове (на R или други езици) и YAML заглавна част (която указва форматирането на изходните формати като PDF) в Markdown документ. По този начин това е отлична рамка за писане за данни, тъй като ви позволява да съчетаете кода си, изхода му и мислите си, като ги записвате в Markdown. Освен това R Markdown документите могат да се рендерират до изходни формати като PDF, HTML или Word. Бележка за викторините: Всички викторини са в папка Quiz App, с общо 52 викторини по три въпроса всяка. Те са свързани от уроците, но приложението за викторини може да се стартира локално; следвайте инструкциите в папката quiz-app, за да хоствате локално или да публикувате в Azure.

Номер на урока	Тема	Групиране на уроци	Учебни цели	Свързан урок	Автор
01	Въведение в машинното обучение	Въведение	Научете основните понятия зад машинното обучение	Урок	Мухаммад
02	История на машинното обучение	Въведение	Научете историята зад тази област	Урок	Джен и Ейми
03	Честност и машинно обучение	Въведение	Какви са важните философски въпроси около честността, които студентите трябва да обмислят при създаване и прилагане на модели?	Урок	Томоми
04	Техники за машинно обучение	Въведение	Какви техники използват изследователите за построяване на модели?	Урок	Крис и Джен
05	Въведение в регресия	Регресия	Започнете с Python и Scikit-learn за модели на регресия	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	Построяване на линейни и полиномиални регресионни модели	Python • R	Джен и Дмитрий • Ерик Уанджау
08	Цени на тиквите в Северна Америка 🎃	Регресия	Построяване на логистична регресионна 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; 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	Още класификатори	Python • R	Джен и Каси • Ерик Уанджау
13	Вкусни азиатски и индийски кухни 🍜	Класификация	Създайте уеб приложение препоръчител с вашия модел	Python	Джен
14	Въведение в клъстериране	Клъстериране	Почистете, подгответе и визуализирайте данните; Въведение в клъстериране	Python • R	Джен • Ерик Уанджау
15	Изследване на музикалните вкусове на Нигерия 🎧	Клъстериране	Проучете метода на клъстериране K-Means	Python • R	Джен • Ерик Уанджау
16	Въведение в обработка на естествен език ☕️	Обработка на естествен език	Научете основите на NLP чрез създаване на прост бот	Python	Стивън
17	Чести задачи в NLP ☕️	Обработка на естествен език	Разширете знанията си в NLP чрез разбиране на 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 със зазиви от хотели 1	Python	Стивън
20	Романтични хотели в Европа ♥️	Обработка на естествен език	Анализ на настроения със зазиви от хотели 2	Python	Стивън
21	Въведение в прогнозиране на времеви редове	Времеви редове	Въведение в прогнозиране на времеви редове	Python	Франческа
22	⚡️ Световна употреба на електроенергия ⚡️ - прогнозиране с ARIMA	Времеви редове	Прогнозиране на времеви редове с ARIMA	Python	Франческа
23	⚡️ Световна употреба на електроенергия ⚡️ - прогнозиране с SVR	Времеви редове	Прогнозиране на времеви редове с Регресор с опорни вектори	Python	Анирбан
24	Въведение в обучение с подсилване	Обучение с подсилване	Въведение в обучение с подсилване с Q-Learning	Python	Дмитрий
25	Помогнете на Питър да избегне вълка! 🐺	Обучение с подсилване	Обучение с подсилване в Gym	Python	Дмитрий
Послеслов	Приложения и сценарии на ML в реалния свят	ML в дивата природа	Интересни и показателни приложения на класическо ML в реалния свят	Урок	Екип
Послеслов	Отстраняване на грешки в модели с RAI dashboard	ML в дивата природа	Отстраняване на грешки в машинно обучение с помощта на таблото за управление Responsible AI	Урок	Рут Якубу

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

Офлайн достъп

Можете да използвате тази документация офлайн чрез Docsify. Форкнете това хранилище, инсталирайте Docsify на вашия локален компютър и след това от коренната папка на това хранилище, изпълнете docsify serve. Уебсайтът ще бъде достъпен на порт 3000 на вашия локален хост: localhost:3000.

PDF файлове

Намерете pdf версия на учебната програма с връзки тук.

🎒 Други курсове

Нашият екип разработва и други курсове! Вижте:

LangChain

---

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 съученици и опитни разработчици, за да обсъждате MCP. Това е подкрепяща общност, където въпросите са добре дошли и знанията се споделят свободно.

Ако имате обратна връзка за продукта или 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 автоматичните преводи могат 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 каквито и да е неразбирателства или неправилни тълкувания, възникнали в резултат на използването на този превод.