ML-For-Beginners/translations/bg

🌐 Поддръжка на много езици

Поддържани чрез GitHub Action (Автоматизирано и винаги актуално)

Френски | Испански | Немски | Руски | Арабски | Персийски (фарси) | Урду | Китайски (опростен) | Китайски (традиционен, Макао) | Китайски (традиционен, Хонконг) | Китайски (традиционен, Тайван) | Японски | Корейски | Хинди | Бенгалски | Марати | Непалски | Пенджабски (Гурмуки) | Португалски (Португалия) | Португалски (Бразилия) | Италиански | Полски | Турски | Гръцки | Тайландски | Шведски | Датски | Норвежки | Фински | Холандски | Иврит | Виетнамски | Индонезийски | Малайски | Тагалог (Филипински) | Суахили | Унгарски | Чешки | Словашки | Румънски | Български | Сръбски (кирилица) | Хърватски | Словенски | Украински | Бирмански (Мианмар)

Присъединете се към нашата общност

Имаме текуща серия за обучение с AI в Discord. Научете повече и се присъединете към нас в 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 удоволствие предлагат 12-седмична, 26-урочна учебна програма, посветена на машинното обучение. В тази програма ще научите за това, което понякога се нарича класическо машинно обучение, като основно използвате библиотеката Scikit-learn и избягвате дълбокото обучение, което е обхванато в нашата учебна програма за AI за начинаещи. Съчетайте тези уроци с нашата 'Учебна програма за Data Science за начинаещи', също така!

Пътувайте с нас по света, докато прилагаме тези класически техники към данни от различни региони на света. Всеки урок включва тестове преди и след урока, писмени инструкции за завършване на урока, решение, задача и други. Нашата проектно-ориентирана педагогика ви позволява да учите, докато изграждате, доказан начин за усвояване на нови умения.

✍️ 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, включително Ришит Дагли, Мухамад Сакиб Хан Инан, Рохан Радж, Александру Петреску, Абишек Джайсвал, Наврин Табасум, Йоан Самуила и Снигдха Агарвал

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

Започнете

Следвайте тези стъпки:

1. Fork на 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

Студенти, за да използвате тази учебна програма, направете fork на цялото хранилище към вашия собствен GitHub акаунт и завършете упражненията сами или в група:

• Започнете с тест преди лекцията.
• Прочетете лекцията и завършете дейностите, като правите паузи и размишлявате при всяка проверка на знанията.
• Опитайте се да създадете проектите, като разбирате уроците, вместо да изпълнявате кода на решението; въпреки това този код е наличен в папките /solution във всеки проектно-ориентиран урок.
• Вземете теста след лекцията.
• Завършете предизвикателството.
• Завършете задачата.
• След като завършите група уроци, посетете Дискусионния форум и "учете на глас", като попълните съответния PAT рубрик. PAT е инструмент за оценка на напредъка, който е рубрика, която попълвате, за да задълбочите обучението си. Можете също така да реагирате на други PAT, за да учим заедно.

За допълнително обучение препоръчваме да следвате тези модули и учебни пътеки в Microsoft Learn.

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

---

Видео уроци

Някои от уроците са налични като кратки видеа. Можете да намерите всички тях в уроците или в плейлиста "ML за начинаещи" в YouTube канала на Microsoft Developer, като кликнете върху изображението 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 два педагогически принципа при създаването на тази учебна програма: да гарантираме, че тя е практически проектно-ориентирана и че включва чести тестове. Освен това, тази учебна програма има обща тема, която й придава сплотеност.

Като гарантираме, че съдържанието е свързано с проекти, процесът става по-ангажиращ за студентите и запазването на концепциите се увеличава. Освен това, тест с нисък риск преди урока насочва вниманието на студента към изучаването на дадена тема, докато втори тест след урока осигурява допълнително запазване на знанията. Тази учебна програма е проектирана да бъде гъвкава и забавна и може да се вземе изцяло или частично. Проектите започват малки и стават все по-сложни до края на 12-седмичния цикъл. Тази учебна програма включва и постскрипт за реални приложения на ML, който може да се използва като допълнителен кредит или като основа за дискусия.

Намерете нашите Правила за поведение, Принос и Насоки за превод. Очакваме вашата конструктивна обратна връзка!

Всеки урок включва

• опционална скица
• опционално допълнително видео
• видео урок (само за някои уроци)
• тест за загряване преди лекцията
• писмен урок
• за проектно-ориентирани уроци, ръководства стъпка по стъпка за изграждане на проекта
• проверки на знанията
• предизвикателство
• допълнително четене
• 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 бъде просто дефиниран като вграждане на кодови блокове (на R или други езици) и YAML заглавие (което насочва как да се форматират изходи като PDF) в Markdown документ. Като такъв, той служи като примерна рамка за авторство в областта на науката за данни, тъй като ви позволява да комбинирате вашия код, неговия изход и вашите мисли, като ви позволява да ги записвате в Markdown. Освен това, R Markdown документи могат да бъдат преобразувани в изходни формати като PDF, HTML или Word.

Бележка за тестовете: Всички тестове са включени в папката Quiz App, за общо 52 теста с по три въпроса всеки. Те са свързани от 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 урок	Тема	Групиране на уроци	Цели на обучението	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, стояща зад тази област	Урок	Джен и Ейми
03	Справедливост и машинно обучение	Въведение	Какви са важните философски въпроси относно справедливостта, които студентите трябва да разгледат при създаване и прилагане на ML модели?	Урок	Tomomi
04	Техники за машинно обучение	Въведение	Какви техники използват изследователите в ML за създаване на ML модели?	Урок	Chris и Jen
05	Въведение в регресия	Регресия	Започнете с Python и Scikit-learn за модели на регресия	Python • R	Jen • Eric Wanjau
06	Цени на тикви в Северна Америка 🎃	Регресия	Визуализирайте и почистете данни в подготовка за ML	Python • R	Jen • Eric Wanjau
07	Цени на тикви в Северна Америка 🎃	Регресия	Създайте линейни и полиномиални модели на регресия	Python • R	Jen и Dmitry • Eric Wanjau
08	Цени на тикви в Северна Америка 🎃	Регресия	Създайте логистичен модел на регресия	Python • R	Jen • Eric Wanjau
09	Уеб приложение 🔌	Уеб приложение	Създайте 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 и Cassie • Eric Wanjau
11	Вкусни азиатски и индийски ястия 🍜	Класификация	Въведение в класификатори	Python • R	Jen и Cassie • Eric Wanjau
12	Вкусни азиатски и индийски ястия 🍜	Класификация	Още класификатори	Python • R	Jen и Cassie • Eric Wanjau
13	Вкусни азиатски и индийски ястия 🍜	Класификация	Създайте уеб приложение за препоръки, използвайки вашия модел	Python	Jen
14	Въведение в клъстеризация	Клъстеризация	Почистете, подгответе и визуализирайте данните си; въведение в клъстеризация	Python • R	Jen • Eric Wanjau
15	Изследване на музикални вкусове в Нигерия 🎧	Клъстеризация	Изследвайте метода на клъстеризация K-Means	Python • R	Jen • Eric Wanjau
16	Въведение в обработката на естествен език ☕️	Обработка на естествен език	Научете основите на NLP, като създадете прост бот	Python	Stephen
17	Чести задачи в NLP ☕️	Обработка на естествен език	Задълбочете знанията си за NLP, като разберете често срещаните задачи при работа с езикови структури	Python	Stephen
18	Превод и анализ на настроения ♥️	Обработка на естествен език	Превод и анализ на настроения с Джейн Остин	Python	Stephen
19	Романтични хотели в Европа ♥️	Обработка на естествен език	Анализ на настроения с ревюта на хотели 1	Python	Stephen
20	Романтични хотели в Европа ♥️	Обработка на естествен език	Анализ на настроения с ревюта на хотели 2	Python	Stephen
21	Въведение в прогнозиране на времеви серии	Времеви серии	Въведение в прогнозиране на времеви серии	Python	Francesca
22	⚡️ Световно потребление на енергия ⚡️ - прогнозиране с ARIMA	Времеви серии	Прогнозиране на времеви серии с ARIMA	Python	Francesca
23	⚡️ Световно потребление на енергия ⚡️ - прогнозиране с SVR	Времеви серии	Прогнозиране на времеви серии с Support Vector Regressor	Python	Anirban
24	Въведение в обучението чрез подсилване	Обучение чрез подсилване	Въведение в обучението чрез подсилване с Q-Learning	Python	Dmitry
25	Помогнете на Питър да избегне вълка! 🐺	Обучение чрез подсилване	Gym за обучение чрез подсилване	Python	Dmitry
Постскриптум	Реални сценарии и приложения на ML	ML в реалния свят	Интересни и разкриващи приложения на класическо ML	Урок	Екип
Постскриптум	Дебъгване на модели в ML с RAI табло	ML в реалния свят	Дебъгване на модели в машинно обучение с компоненти на таблото за отговорен AI	Урок	Ruth Yakubu

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

Офлайн достъп

Можете да използвате тази документация офлайн, като използвате Docsify. Форкнете този репозитори, инсталирайте Docsify на вашата локална машина и след това в основната папка на този репозитори въведете docsify serve. Уебсайтът ще бъде достъпен на порт 3000 на вашия localhost: localhost:3000.

PDFs

Намерете PDF на учебната програма с линкове тук.

🎒 Други курсове

Нашият екип създава и други курсове! Вижте:

• Edge AI за начинаещи
• AI агенти за начинаещи
• Генеративен AI за начинаещи
• Генеративен AI за начинаещи .NET
• Генеративен AI с JavaScript
• Генеративен AI с Java
• AI за начинаещи
• Наука за данни за начинаещи
• ML за начинаещи
• Киберсигурност за начинаещи
• Уеб разработка за начинаещи
• IoT за начинаещи
• XR разработка за начинаещи
• Овладяване на GitHub Copilot за съвместно програмиране
• Овладяване на GitHub Copilot за C#/.NET разработчици
• Изберете своето приключение с Copilot

Получаване на помощ

Ако се затрудните или имате въпроси относно създаването на AI приложения, присъединете се:

Ако имате обратна връзка за продукт или грешки при създаване, посетете:

---

Отказ от отговорност:
Този документ е преведен с помощта на AI услуга за превод 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 погрешни интерпретации, произтичащи от използването на този превод.