ML-For-Beginners/translations/bg

🌐 Поддръжка на много езици

Поддържани чрез GitHub Action (Автоматизирано и винаги актуално)

French | Spanish | German | Russian | Arabic | Persian (Farsi) | Urdu | Chinese (Simplified) | Chinese (Traditional, Macau) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Taiwan) | Japanese | Korean | Hindi | Bengali | Marathi | Nepali | Punjabi (Gurmukhi) | Portuguese (Portugal) | Portuguese (Brazil) | Italian | Polish | Turkish | Greek | Thai | Swedish | Danish | Norwegian | Finnish | Dutch | Hebrew | Vietnamese | Indonesian | Malay | Tagalog (Filipino) | Swahili | Hungarian | Czech | Slovak | Romanian | Bulgarian | Serbian (Cyrillic) | Croatian | Slovenian | Ukrainian | Burmese (Myanmar)

Присъединете се към нашата общност

Имаме текуща серия за обучение 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 различни страни 🌍

Екипът на Cloud Advocates в Microsoft с удоволствие предлага 12-седмична учебна програма с 26 урока, 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. Всеки урок включва тестове преди и след урока, писмени инструкции за изпълнение на урока, решение, задача и други. Нашата проектно-ориентирана методология ви позволява да учите, докато създавате, 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, Мухаммад 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 изпълнете упражненията самостоятелно или в група:

• Започнете с тест преди лекцията.
• Прочетете лекцията и изпълнете дейностите, като правите паузи и размишлявате при всяка проверка на знанията.
• Опитайте да създадете проектите, като разбирате уроците, вместо да изпълнявате предоставения код; въпреки това този код е наличен в папките /solution за всеки проектно-ориентиран урок.
• Направете тест 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 самите уроци или в плейлиста ML for Beginners 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 бъде практическа проектно-ориентирана и да 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 гарантира допълнително запазване на знанията. Тази учебна програма е проектирана да бъде гъвкава и забавна и може да се използва изцяло или частично. Проектите започват с малки задачи и стават все по-сложни до края на 12-седмичния цикъл. Учебната програма включва и постскрипт за реални приложения на машинното обучение, който може да се използва като допълнителен кредит или като основа за дискусия.

Намерете нашите Правила за поведение, Насоки за 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 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 заглавие (което насочва как да се форматират изходите като PDF) в Markdown документ. Така 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 самите уроци, 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 урока	Тема	Групиране на уроци	Учебни цели	Свързан урок	Автор
01	Въведение в машинното обучение	Въведение	Научете основните концепции зад машинното обучение	Урок	Мухаммад
02	История на машинното обучение	Въведение	Научете историята, която стои зад тази област	Урок	Джен и Ейми
03	Справедливост и машинно обучение	Introduction	Какви са важните философски въпроси около справедливостта, които студентите трябва да обмислят при създаване и прилагане на ML модели?	Lesson	Tomomi
04	Техники за машинно обучение	Introduction	Какви техники използват изследователите в ML за създаване на ML модели?	Lesson	Chris and Jen
05	Въведение в регресията	Regression	Започнете с Python и Scikit-learn за модели на регресия	Python • R	Jen • Eric Wanjau
06	Цени на тикви в Северна Америка 🎃	Regression	Визуализирайте и почистете данни в подготовка за ML	Python • R	Jen • Eric Wanjau
07	Цени на тикви в Северна Америка 🎃	Regression	Създайте линейни и полиномиални модели на регресия	Python • R	Jen and Dmitry • Eric Wanjau
08	Цени на тикви в Северна Америка 🎃	Regression	Създайте модел на логистична регресия	Python • R	Jen • Eric Wanjau
09	Уеб приложение 🔌	Web App	Създайте уеб приложение, което използва вашия обучен модел	Python	Jen
10	Въведение в класификацията	Classification	Почистете, подгответе и визуализирайте данните си; въведение в класификацията	Python • R	Jen and Cassie • Eric Wanjau
11	Вкусни азиатски и индийски ястия 🍜	Classification	Въведение в класификаторите	Python • R	Jen and Cassie • Eric Wanjau
12	Вкусни азиатски и индийски ястия 🍜	Classification	Още класификатори	Python • R	Jen and Cassie • Eric Wanjau
13	Вкусни азиатски и индийски ястия 🍜	Classification	Създайте уеб приложение за препоръки, използвайки вашия модел	Python	Jen
14	Въведение в клъстеризацията	Clustering	Почистете, подгответе и визуализирайте данните си; въведение в клъстеризацията	Python • R	Jen • Eric Wanjau
15	Изследване на нигерийски музикални вкусове 🎧	Clustering	Изследвайте метода на клъстеризация K-Means	Python • R	Jen • Eric Wanjau
16	Въведение в обработката на естествен език ☕️	Natural language processing	Научете основите на NLP, като създадете прост бот	Python	Stephen
17	Често срещани задачи в NLP ☕️	Natural language processing	Задълбочете знанията си за NLP, като разберете често срещаните задачи, свързани с езиковите структури	Python	Stephen
18	Превод и анализ на настроения ♥️	Natural language processing	Превод и анализ на настроения с Джейн Остин	Python	Stephen
19	Романтични хотели в Европа ♥️	Natural language processing	Анализ на настроения с отзиви за хотели 1	Python	Stephen
20	Романтични хотели в Европа ♥️	Natural language processing	Анализ на настроения с отзиви за хотели 2	Python	Stephen
21	Въведение в прогнозиране на времеви редове	Time series	Въведение в прогнозиране на времеви редове	Python	Francesca
22	⚡️ Световна консумация на енергия ⚡️ - прогнозиране с ARIMA	Time series	Прогнозиране на времеви редове с ARIMA	Python	Francesca
23	⚡️ Световна консумация на енергия ⚡️ - прогнозиране със SVR	Time series	Прогнозиране на времеви редове с Support Vector Regressor	Python	Anirban
24	Въведение в обучението чрез подсилване	Reinforcement learning	Въведение в обучението чрез подсилване с Q-Learning	Python	Dmitry
25	Помогнете на Питър да избегне вълка! 🐺	Reinforcement learning	Обучение чрез подсилване с Gym	Python	Dmitry
Postscript	Реални сценарии и приложения на ML	ML in the Wild	Интересни и разкриващи реални приложения на класическото ML	Lesson	Team
Postscript	Отстраняване на грешки в ML модели с RAI табло	ML in the Wild	Отстраняване на грешки в машинното обучение с компоненти на таблото за отговорен AI	Lesson	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 това хранилище, инсталирайте Docsify на вашата локална машина и след това в основната папка на това хранилище въведете docsify serve. Уебсайтът ще бъде достъпен на порт 3000 на вашия localhost: localhost:3000.

PDFs

Намерете PDF на учебната програма с връзки тук.

🎒 Други курсове

Нашият екип създава и други курсове! Разгледайте:

• Generative AI for Beginners
• Generative AI for Beginners .NET
• Generative AI with JavaScript
• Generative AI with Java
• AI for Beginners
• Data Science for Beginners
• ML for Beginners
• Cybersecurity for Beginners
• Web Dev for Beginners
• IoT for Beginners
• XR Development for Beginners
• Mastering GitHub Copilot for Paired Programming
• Mastering GitHub Copilot for C#/.NET Developers
• Choose Your Own Copilot Adventure

---