ML-For-Beginners/translations/bg

🌐 Поддръжка на множество езици

Поддържано чрез GitHub Action (Автоматично 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 | Каннада | Корейски | Литовски | Малайски | Малалайски | Маратхи | Непалски | Нигерийски пиджин | Норвежки | Персийски (Фарси) | Полски | Португалски (Бразилия) | Португалски (Португалия) | Пенджабски (Гурумухи) | 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 изтеглянето. За да клонирате без преводи, използвайте sparsе 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 продължаваща 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 световните култури 🌍

Cloud Advocates в Microsoft с радост предлагат 12-седмична учебна програма с 26 урока, посветени на машинното обучение. В тази учебна програма ще научите за това, което понякога се нарича класическо машинно обучение, с основен акцент върху библиотеката Scikit-learn, като избягвате дълбокото обучение, което е разгледано в нашата учебна програма AI за начинаещи. Съчетавайте тези уроци и с нашата учебна програма 'Data Science за начинаещи'!

Пътувайте с нас по света, като прилагаме тези класически техники към данни от много части на света. Всеки урок включва предварителни и последващи тестове, писмени инструкции за изпълнение на урока, решение, задание и още. Нашият проектно-базиран подход позволява да учите, докато изграждате, което е доказан начин да усвоите нови умения.

✍️ Искрени благодарности на нашите автори Джен Лупър, Стивън Хауъл, Франческа Лазери, Томоми Имура, Кеси Бревиу, Дмитрий Сошников, Крис Норинг, Анирбан Мукерджи, Орнела Алтунян, Рут Якубу и Ейми Бойд

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

🙏 Специални благодарности 🙏 на нашите студенти посланици на Microsoft, автори, рецензенти и съдържателни сътрудници, сред които Ришит Дагли, Мухаммад Сакиб Хан Инан, Рохан Радж, Александру Петреску, Абхишек Джайсвал, Наурин Табасум, Йоан Самиила и Снигдха Агарвал

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

Започване

Следвайте тези стъпки:

1. Форкнете хранилището: Натиснете 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? Разгледайте 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 собствен акаунт в GitHub и изпълнявайте упражненията индивидуално или в група:

• Започнете с предварителен тест.
• Прочетете урока и изпълнете дейностите, спирайки се и размисляйки при всяка проверка на знанието.
• Опитайте да създадете проектите чрез разбиране на уроците вместо просто изпълнение на кодовото решение; въпреки това, кодът е на разположение в папките /solution във всеки урок, ориентиран към проект.
• Направете последващия тест.
• Изпълнете предизвикателството.
• Изпълнете заданието.
• След като завършите група уроци, посетете Форума за дискусии и „учете на глас“, като попълните съответната оценъчна таблица PAT. 'PAT' е Инструмент за оценка на напредъка, табличен оценителен списък, който попълвате, за да задълбочите ученето си. Можете също да реагирате на други PAT, за да учим заедно.

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

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

---

Видео ръководства

Някои от уроците са налични като къси видеоклипове. Всички те можете да намерите във всеки урок или в плейлиста ML за начинаещи в YouTube канала за разработчици на Microsoft чрез кликване на картинката по-долу.

---

Запознайте се с екипа

GIF от Mohit Jaisal

🎥 Кликнете върху изображението по-горе за видео за проекта и хората, които го създадоха!

---

Педагогика

Избрахме две педагогически принципа при изграждането на тази учебна програма: да бъде ръководена от практически проекти и да включва чести тестове. Освен това учебната програма има обща тема, за да придаде кохезия.

Чрез осигуряване на съответствие между съдържанието и проектите, процесът става по-ангажиращ за студентите и се увеличава запомнянето на концепциите. Освен това, нискозаряден тест преди урока настройва намерението за учене, а втори тест след урока подсилва задържането на знания. Тази учебна програма е създадена да бъде гъвкава и забавна и може да се взема изцяло или частично. Проектите започват малки и стават постепенно по-сложни до края на 12-седмичния цикъл. Учебната програма включва и послеслов относно реални приложения на машинното обучение, който може да се използва като допълнителна оценка или като основа за дискусия.

Намерете нашите Правила за поведение, Правила за допринасяне, Преводи и Отстраняване на проблеми. Очакваме с интерес вашата конструктивна обратна връзка!

Всеки урок включва

• опционална скицна бележка
• опционално допълнително видео
• видео ръководство (само при някои уроци)
• предварителен тест преди урока
• писмен урок
• за проектно-базирани уроци - стъпка по стъпка ръководства за изграждане на проекта
• проверки на знанията
• предизвикателство
• допълнително четиво
• задание
• последващ тест след урока

Забележка за езиците: Тези уроци са написани предимно на Python, но много 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 файл R Markdown – просто казано, това е вграждане на кодови блокове (на R или други езици) и YAML заглавие (което указва форматирането на изходи като PDF) в Markdown документ. Така той служи като отлична рамка за авторство при данни, тъй като ви позволява да комбинирате кода си, неговия изход и мислите си, като ги записвате в Markdown формат. Освен това, документите R Markdown могат да бъдат конвертирани в изходни формати като PDF, HTML или Word. Бележка за куизове: Всички куизове са в папката Quiz App, общо 52 куиза с по три въпроса всеки. Те са свързани от уроците, но приложението за куиз може да се пуска локално; следвайте инструкциите в папката quiz-app за локален хостинг или разгръщане в Azure.

Номер на урок	Тема	Групировка на урока	Учебни цели	Свързан урок	Автор
01	Въведение в машинното обучение	Въведение	Запознайте се с основните концепции зад машинното обучение	Урок	Muhammad
02	История на машинното обучение	Въведение	Научете историята зад тази област	Урок	Jen and Amy
03	Справедливост и машинно обучение	Въведение	Кои са важните философски въпроси около справедливостта, които студентите трябва да вземат предвид при създаване и прилагане на ML модели?	Урок	Tomomi
04	Техники за машинно обучение	Въведение	Какви техники използват изследователите на ML за изграждане на ML модели?	Урок	Chris and Jen
05	Въведение в регресия	Регресия	Започнете с Python и Scikit-learn за регресионни модели	Python • R	Jen • Eric Wanjau
06	Цени на тикви в Северна Америка 🎃	Регресия	Визуализиране и почистване на данни в подготовка за ML	Python • R	Jen • Eric Wanjau
07	Цени на тикви в Северна Америка 🎃	Регресия	Изграждане на линейни и полиномиални регресионни модели	Python • R	Jen and Dmitry • Eric Wanjau
08	Цени на тикви в Северна Америка 🎃	Регресия	Изграждане на логистичен регресионен модел	Python • R	Jen • Eric Wanjau
09	Уеб приложение 🔌	Уеб приложение	Изградете уеб приложение за използване на вашия обучен модел	Python	Jen
10	Въведение в класификация	Класификация	Почистете, подгответе и визуализирайте данните си; въведение в класификация	Python • R	Jen and Cassie • Eric Wanjau
11	Вкусна азиатска и индийска кухня 🍜	Класификация	Въведение в класификаторите	Python • R	Jen and Cassie • Eric Wanjau
12	Вкусна азиатска и индийска кухня 🍜	Класификация	Още класификатори	Python • R	Jen and Cassie • Eric Wanjau
13	Вкусна азиатска и индийска кухня 🍜	Класификация	Изградете препоръчително уеб приложение, използвайки вашия модел	Python	Jen
14	Въведение в клъстериране	Клъстериране	Почистете, подгответе и визуализирайте данните си; въведение в клъстеринг	Python • R	Jen • Eric Wanjau
15	Изследване на нигерийски музикални вкусове 🎧	Клъстериране	Изследвайте метода K-средни (K-Means) класиране	Python • R	Jen • Eric Wanjau
16	Въведение в обработка на естествен език ☕️	Обработка на естествен език	Научете основите на NLP чрез създаване на прост бот	Python	Stephen
17	Често срещани задачи в NLP ☕️	Обработка на естествен език	Задълбочете знанията си по NLP, като разберете общите задачи при работа с езикови структури	Python	Stephen
18	Превод и анализ на настроения ♥️	Обработка на естествен език	Превод и анализ на настроения с Jane Austen	Python	Stephen
19	Романтични хотели в Европа ♥️	Обработка на естествен език	Анализ на настроения с ревюта за хотели 1	Python	Stephen
20	Романтични хотели в Европа ♥️	Обработка на естествен език	Анализ на настроения с ревюта за хотели 2	Python	Stephen
21	Въведение в прогнозиране на времеви редове	Времеви редове	Въведение в прогнозиране на времеви редове	Python	Francesca
22	⚡️ Световна консумация на електроенергия ⚡️ - прогнозиране на времеви редове с ARIMA	Времеви редове	Прогнозиране на времеви редове с ARIMA	Python	Francesca
23	⚡️ Световна консумация на електроенергия ⚡️ - прогнозиране на времеви редове със SVR	Времеви редове	Прогнозиране на времеви редове с подкрепящ вектор регресор (SVR)	Python	Anirban
24	Въведение в подсилващо обучение	Подсилващо обучение	Въведение в подсилващо обучение с Q-обучение (Q-Learning)	Python	Dmitry
25	Помогнете на Питър да избегне вълка! 🐺	Подсилващо обучение	Подсилващо обучение с Gym	Python	Dmitry
Постскриптум	Реални сценарии и приложения на ML	ML в дивата природа	Интересни и разкриващи реални приложения на класическото машинно обучение	Урок	Екип
Постскриптум	Отстраняване на грешки в ML с помощта на RAI таблото	ML в дивата природа	Отстраняване на грешки в машинно обучение с компоненти на таблото Responsible AI	Урок	Рут Якобу

намиране на 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 локалната си машина и след това в кореновата папка на това хранилище напишете docsify serve. Уебсайтът ще бъде достъпен на порт 3000 на локалната ви машина: 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 заседнете или имате въпроси относно изграждането на AI приложения, присъединете се към други обучаващи се и опитни разработчици в дискусии за MCP. Това е подкрепяща общност, в която въпросите са добре дошли и знанието се споделя свободно.

Ако имате обратна връзка за продукта или грешки по време на разработката, 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 каквито и да е недоразумения или неправилни тълкувания, възникнали вследствие на използването на този превод.