ML-For-Beginners/translations/bg

🌐 Многоезична поддръжка

Поддържа се 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

Присъединете се към нашата общност

Имаме текуща серия в Discord за учене с AI, 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 световните култури 🌍

Облачните застъпници в Microsoft с удоволствие предлагат 12-седмична учебна програма с 26 урока, посветена на Машинното обучение. В тази учебна програма ще научите за това, което понякога се нарича класическо машинно обучение, използвайки основно библиотеката Scikit-learn и избягвайки дълбокото обучение, което е разгледано в нашата учебна програма AI за начинаещи. Съчетайте тези уроци с нашата 'Data Science за начинаещи' учебна програма!

Пътувайте с нас по света, докато прилагаме тези класически техники върху данни от много области на света. Всеки урок включва предварителни и последващи тестове, писмени инструкции за изпълнение на урока, решение, задача и още. Нашата проектно-базирана педагогика ви позволява да учите, докато изграждате, 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 автори, рецензенти и сътрудници от Microsoft Student Ambassador, особено Ришит Дагли, Мухаммад Сакиб Хан Инан, Рохан Радж, Александру Петреску, Абхишек Джайсуал, Наурин Табасум, Йоан Самуила и Снигдха Агарвал

🤩 Допълнителна благодарност на Microsoft Student Ambassadors Ерик Уанджау, Джаслийн Сонди и Видуши Гупта за нашите уроци по R!

Започване

Следвайте тези стъпки:

1. Форкнете хранилището: Кликнете върху 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 колекция Microsoft Learn

🔧 Нуждаете се от помощ? Проверете нашето Ръководство за отстраняване на проблеми за решения на често срещани проблеми с инсталацията, настройката и изпълнението на уроците.

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

• Започнете с предварителен 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 за решение; въпреки това този код е наличен в папките /solution във всеки урок, ориентиран към проект.
• Направете теста след лекцията.
• Изпълнете предизвикателството.
• Изпълнете задачата.
• След като завършите група уроци, посетете Дискусионния борд и "учете на глас", като попълните съответната рубрика PAT. 'PAT' е Инструмент за оценка на напредъка, който е рубрика, която попълвате, за да задълбочите ученето си. Можете също да реагирате на други PAT, за да учим заедно.

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

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

---

Видео уроци

Някои от уроците са налични като кратки видеа. Можете да ги намерите в самите уроци или в плейлиста ML for Beginners в YouTube канала на Microsoft Developer, 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: да бъде практическа и базирана на проекти и да включва чести тестове. Освен това тази учебна програма има обща тема, която й придава свързаност.

Като гарантираме, че съдържанието е свързано с проекти, процесът става по-ангажиращ за студентите и задържането на концепциите се увеличава. Освен това, ниско рисков тест преди урока насочва вниманието на студента към изучаваната тема, а втори тест след урока осигурява допълнително задържане. Тази учебна програма е проектирана да бъде гъвкава и забавна и може да се изучава изцяло или частично. Проектите започват малки и стават все по-сложни към края на 12-седмичния цикъл. Тази учебна програма включва и постскриптум за реални приложения на ML, който може да се използва като допълнителен кредит или като основа за дискусия.

Намерете нашите насоки Кодекс на поведение, Принос, Превод и Отстраняване на проблеми. Очакваме вашата конструктивна обратна връзка!

Всеки урок включва

• по желание скицник
• по желание допълнително видео
• видео урок (само при някои уроци)
• предварителен тест за загряване преди лекцията
• писмен урок
• за уроци, базирани на проекти, стъпка по стъпка ръководства за изграждане на проекта
• проверки на знанията
• предизвикателство
• допълнително четиво
• задача
• тест след лекцията

Бележка за езиците: Тези уроци са основно написани на Python, но много от тях са налични и на R. За да завършите урок на R, отидете в папката /solution и потърсете уроци на R. Те включват разширение .rmd, което представлява R Markdown файл, който може да се определи като вграждане на кодови блокове (на R или други езици) и YAML заглавка (която указва как да се форматират изходите като PDF) в Markdown документ. По този начин той служи като отлична рамка за авторство за науката за данни, тъй като ви позволява да комбинирате кода си, неговия изход и вашите мисли, като ги записвате в Markdown. Освен това, R Markdown документите могат да се рендерират в изходни формати като PDF, HTML или Word.

Бележка за тестовете: Всички тестове са в папката Quiz App, общо 52 теста с по три въпроса всеки. Те са свързани от уроците, но приложението за тестове може да се стартира локално; следвайте инструкциите в папката quiz-app за локално хостване или разгръщане в Azure.

Номер на урок	Тема	Групиране на уроци	Учебни цели	Свързан урок	Автор
01	Въведение в машинното обучение	Introduction	Научете основните концепции зад машинното обучение	Lesson	Мухаммад
02	История на машинното обучение	Introduction	Научете историята, която стои зад тази област	Lesson	Джен и Ейми
03	Справедливост и машинно обучение	Introduction	Какви са важните философски въпроси около справедливостта, които студентите трябва да обмислят при изграждането и прилагането на ML модели?	Lesson	Томоми
04	Техники за машинно обучение	Introduction	Какви техники използват изследователите на ML за изграждане на ML модели?	Lesson	Крис и Джен
05	Въведение в регресия	Regression	Започнете с Python и Scikit-learn за регресионни модели	Python • R	Джен • Ерик Уанджау
06	Цени на тиквите в Северна Америка 🎃	Regression	Визуализирайте и почистете данни в подготовка за ML	Python • R	Джен • Ерик Уанджау
07	Цени на тиквите в Северна Америка 🎃	Regression	Изградете линейни и полиномиални регресионни модели	Python • R	Джен и Дмитрий • Ерик Уанджау
08	Цени на тиквите в Северна Америка 🎃	Regression	Изградете логистичен регресионен модел	Python • R	Джен • Ерик Уанджау
09	Уеб приложение 🔌	Web App	Изградете уеб приложение за използване на вашия обучен модел	Python	Джен
10	Въведение в класификация	Classification	Почистете, подгответе и визуализирайте данните си; въведение в класификация	Python • R	Джен и Каси • Ерик Уанджау
11	Вкусни азиатски и индийски кухни 🍜	Classification	Въведение в класификаторите	Python • R	Джен и Каси • Ерик Уанджау
12	Вкусни азиатски и индийски кухни 🍜	Classification	Още класификатори	Python • R	Джен и Каси • Ерик Уанджау
13	Вкусни азиатски и индийски кухни 🍜	Classification	Изградете препоръчително уеб приложение, използвайки вашия модел	Python	Джен
14	Въведение в клъстериране	Clustering	Почистете, подгответе и визуализирайте данните си; въведение в клъстериране	Python • R	Джен • Ерик Уанджау
15	Изследване на музикалните вкусове в Нигерия 🎧	Clustering	Изследвайте метода K-средни за клъстериране	Python • R	Джен • Ерик Уанджау
16	Въведение в обработката на естествен език ☕️	Natural language processing	Научете основите на NLP чрез изграждане на прост бот	Python	Стивън
17	Чести задачи в NLP ☕️	Natural language processing	Задълбочете знанията си за NLP, като разберете често срещаните задачи при работа с езикови структури	Python	Стивън
18	Превод и анализ на настроения ♥️	Natural language processing	Превод и анализ на настроения с Джейн Остин	Python	Стивън
19	Романтични хотели в Европа ♥️	Natural language processing	Анализ на настроения с ревюта на хотели 1	Python	Стивън
20	Романтични хотели в Европа ♥️	Natural language processing	Анализ на настроения с ревюта на хотели 2	Python	Стивън
21	Въведение в прогнозиране на времеви редове	Time series	Въведение в прогнозиране на времеви редове	Python	Франческа
22	⚡️ Световна консумация на електроенергия ⚡️ - прогнозиране на времеви редове с ARIMA	Time series	Прогнозиране на времеви редове с ARIMA	Python	Франческа
23	⚡️ Световна консумация на електроенергия ⚡️ - прогнозиране на времеви редове с SVR	Time series	Прогнозиране на времеви редове с регресор с опорни вектори	Python	Анирбан
24	Въведение в обучение с подсилване	Reinforcement learning	Въведение в обучение с подсилване с Q-Learning	Python	Дмитрий
25	Помогнете на Питър да избегне вълка! 🐺	Reinforcement learning	Обучение с подсилване в Gym	Python	Дмитрий
Postscript	Реални сценарии и приложения на ML	ML in the Wild	Интересни и разкриващи реални приложения на класическо ML	Lesson	Екип
Postscript	Отстраняване на грешки в ML с помощта на RAI табло	ML in the Wild	Отстраняване на грешки в машинното обучение с компоненти на таблото Responsible AI	Lesson	Рут Якобу

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

Офлайн достъп

Можете да използвате тази документация офлайн, като използвате Docsify. Форкнете това хранилище, инсталирайте Docsify на вашия локален компютър и след това в основната папка на това хранилище напишете docsify serve. Уебсайтът ще бъде достъпен на порт 3000 на вашия localhost: localhost:3000.

PDF файлове

Намерете pdf на учебната програма с връзки тук.

🎒 Други курсове

Нашият екип произвежда 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 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 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 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 недоразумения или неправилни тълкувания, произтичащи от използването на този превод.