ML-For-Beginners/translations/bg

🌐 Многоезична поддръжка

Поддържа се чрез GitHub Action (автоматизирано и винаги актуално)

Арабски | Бенгалски | Български | Бирмански (Мианма) | Китайски (опростен) | Китайски (традиционен, Хонг Конг) | Китайски (традиционен, Макао) | Китайски (традиционен, Тайван) | Хърватски | Чешки | Датски | Нидерландски | Естонски | Фински | Френски | Немски | Гръцки | Иврит | Хинди | Унгарски | Индонезийски | Италиански | Японски | Каннада | Корейски | Литовски | Малайски | Малаялам | Марати | Непалски | Нигерийски пиджин | Норвежки | Персийски (фарси) | Полски | Португалски (Бразилия) | Португалски (Португалия) | Пенджаби (Гурумхи) | Румънски | Руски | Сръбски (кирилица) | Словашки | Словенски | Испански | Свахили | Шведски | Тагалог (Филипински) | Тамилски | Телугу | Тайландски | Турски | Украински | Урду | Виетнамски

Присъединете се към нашата общност

Имаме текуща поредица в Discord „Научи с AI“, научете повече и се присъединете към нас на Серия „Научи с AI“ 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 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, използвайки предимно Scikit-learn като библиотека и избягвайки дълбокото обучение, което е разгледано в нашата учебна програма "AI за начинаещи". Съчетайте тези уроци и с нашата 'Data Science for Beginners' учебна програма!

Пътувайте с нас по света, докато прилагаме тези класически техники върху данни от различни части на света. Всеки урок включва предварителен и последващ тест, писмени инструкции за изпълнение на урока, решение, задача и още. Нашата проектно-ориентирана педагогика ви позволява да учите, докато създавате — доказан начин новите умения да "залепнат".

✍️ Сърдечни благодарности на нашите автори Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu и Amy Boyd

🎨 Благодарности и на нашите илюстратори Tomomi Imura, Dasani Madipalli и Jen Looper

🙏 Специални благодарности 🙏 на нашите Microsoft Student Ambassador автори, рецензенти и сътрудници по съдържанието, по-специално Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila и Snigdha Agarwal

🤩 Допълнителни благодарности на Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi и Vidushi Gupta за нашите R уроци!

Първи стъпки

Следвайте тези стъпки:

1. Fork на 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? Вижте нашето Ръководство за отстраняване на проблеми за решения на често срещани проблеми при инсталиране, настройка и изпълнение на уроците.

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

• Започнете с предварителен тест преди лекцията.
• Прочетете лекцията и завършете дейностите, правейки пауза и рефлексия при всяка проверка на знанията.
• Опитайте да създадете проектите, като разберете уроците, вместо просто да изпълнявате кода от решенията; въпреки това той е наличен в папките /solution във всеки проектно-ориентиран урок.
• Направете последващия тест след лекцията.
• Завършете предизвикателството.
• Изпълнете задачата.
• След като завършите група уроци, посетете Дискусионния борд и "учете на глас", като попълните подходящата PAT рубрика. PAT е инструмент за оценка на напредъка (Progress Assessment Tool), който представлява рубрика, която попълвате, за да продължите ученето си. Можете също така да реагирате на други PAT, за да учим заедно.

За допълнително изучаване 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 ръководства

Някои от уроците са налични като къси видеа. Можете да ги намерите в самите уроци или в плейлиста ML for Beginners в канала на Microsoft Developer в YouTube, 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 две педагогически основи при изграждането на тази учебна програма: да бъде практическа и проектно-ориентирана, и да включва чести тестове. Освен това тази учебна програма има обща тема, която й придава кохезия.

Чрез съобразяване на съдържанието с проекти, процесът става по-ангажиращ за студентите и задържането на концепциите се увеличава. Освен това тест с нисък риск преди часа задава намерението на студента към изучаване на дадена тема, докато втори тест след часа осигурява допълнително задържане. Тази учебна програма е проектирана да бъде гъвкава и забавна и може да бъде премината изцяло или частично. Проектите започват малки и стават постепенно по-сложни до края на 12-седмичния цикъл. Тази учебна програма включва и постскриптум за реални приложения на МО, който може да се използва като допълнителни кредити или като основа за дискусия.

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

Всеки урок включва

• опционална скицноут
• опционално допълнително видео
• видео ръководство (само при някои уроци)
• предварителен тест преди лекцията
• писмен урок
• за уроците, базирани на проекти, стъпка по стъпка ръководства как да се изгради проектът
• проверки на знанията
• предизвикателство
• допълнително четиво
• задача
• последващ тест след лекцията

Бележка относно езиците: Тези уроци са предимно написани на Python, но много от тях са налични и на R. За да завършите урок на R, отидете в папката /solution и потърсете R уроците. Те включват разширение .rmd, което представлява R Markdown файл, който може да се дефинира като вграждане на code chunks (на R или други езици) и YAML header (който указва как да се форматират изходите като PDF) в Markdown документ. По този начин той служи като примерна рамка за авторство в областта на данните, тъй като ви позволява да комбинирате вашия код, неговия изход и вашите мисли, като ги запишете в Markdown. Освен това R Markdown документите могат да се рендерират в изходни формати като PDF, HTML или Word.

Бележка относно тестовете: Всички тестове се съдържат в папката Quiz App, общо 52 теста 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 да хоствате локално или да разгърнете в Azure.

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	Въведение в машинното обучение	Въведение	Научете основните концепции зад машинното обучение	Урок	Muhammad
02	История на машинното обучение	Въведение	Научете историята, стояща в основата на тази област	Урок	Jen and Amy
03	Справедливост и машинно обучение	Въведение	Кои са важните философски въпроси около справедливостта, които студентите трябва да обмислят при изграждане и прилагане на ML модели?	Урок	Tomomi
04	Техники за машинно обучение	Въведение	Какви техники използват изследователите в областта на ML, за да изградят ML модели?	Урок	Chris and Jen
05	Въведение в регресията	Регресия	Започнете с Python и Scikit-learn за регресионни модели	Python • R	Jen • Eric Wanjau
06	Цени на тикви в Северна Америка 🎃	Регресия	Визуализирайте и почистете данните в подготовка за ML	Python • R	Jen • Eric Wanjau
07	Цени на тикви в Северна Америка 🎃	Регресия	Постройте линейни и полиномиални регресионни модели	Python • R	Jen и Dmitry • Eric Wanjau
08	Цени на тикви в Северна Америка 🎃	Регресия	Изградете логистичен регресионен модел	Python • R	Jen • Eric Wanjau
09	Уеб приложение 🔌	Уеб приложение	Създайте уеб приложение за използване на вашия обучен модел	Python	Jen
10	Въведение в класификацията	Класификация	Почистете, подгответе и визуализирайте данните си; въведение в класификация	Python • R	Jen и Cassie • Eric Wanjau
11	Вкусни азиатски и индийски кухни 🍜	Класификация	Въведение в класификаторите	Python • R	Jen и Cassie • Eric Wanjau
12	Вкусни азиатски и индийски кухни 🍜	Класификация	Още класификатори	Python • R	Jen и Cassie • Eric Wanjau
13	Вкусни азиатски и индийски кухни 🍜	Класификация	Създайте уеб приложение за препоръки, използвайки вашия модел	Python	Jen
14	Въведение в клъстерирането	Клъстериране	Почистете, подгответе и визуализирайте данните си; Въведение в клъстерирането	Python • R	Jen • Eric Wanjau
15	Изследване на музикалните вкусове в Нигерия 🎧	Клъстериране	Изследвайте метода за клъстериране K-Means	Python • R	Jen • Eric Wanjau
16	Въведение в обработката на естествен език ☕️	Обработка на естествен език	Научете основите на NLP, като изградите прост бот	Python	Stephen
17	Чести задачи в NLP ☕️	Обработка на естествен език	Задълбочете знанията си по NLP, като разберете общите задачи, необходими за работа с езикови структури	Python	Stephen
18	Превод и анализ на настроенията ♥️	Обработка на естествен език	Превод и анализ на настроенията с Джейн Остин	Python	Stephen
19	Романтични хотели в Европа ♥️	Обработка на естествен език	Анализ на настроенията с ревюта на хотели 1	Python	Stephen
20	Романтични хотели в Европа ♥️	Обработка на естествен език	Анализ на настроенията с ревюта на 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 електроенергия ⚡️ - прогнозиране на времеви редове с ARIMA	Time series	Прогнозиране на времеви редове с ARIMA	Python	Francesca
23	⚡️ Световна консумация на електроенергия ⚡️ - прогнозиране на времеви редове със SVR	Time series	Прогнозиране на времеви редове със Support Vector Regressor	Python	Anirban
24	Въведение в обучение с подсилване	Обучение с подсилване	Въведение в обучението с подсилване с Q-Learning	Python	Dmitry
25	Помогнете на Питър да избегне вълка! 🐺	Обучение с подсилване	Gym за обучение с подсилване	Python	Dmitry
Postscript	Реални сценарии и приложения на ML	ML в реалния свят	Интересни и показателни реални приложения на класическото ML	Урок	Екип
Postscript	Отстраняване на грешки в модели на ML с помощта на RAI табло	ML в реалния свят	Отстраняване на грешки в модели на машинно обучение чрез компоненти на таблото Responsible AI	Урок	Ruth Yakubu

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

Офлайн достъп

Можете да стартирате тази документация офлайн, като използвате Docsify. Forkнете това repo, инсталирайте Docsify на локалната си машина, и след това в коренната папка на това repo изпълнете 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 създава и други курсове! Вижте:

LangChain

---

Azure / Edge / MCP / Агенти

---

Серия за генеративен AI

---

Основно обучение

---

Серия Copilot

Получаване на помощ

If you get stuck or have any questions about building AI apps. Join fellow learners and experienced developers in discussions about MCP. It's a supportive community where questions are welcome and knowledge is shared freely.

If you have product feedback or errors while building visit:

---

Отказ от отговорност: Този документ е преведен с помощта на услуга за превод с изкуствен интелект Co-op Translator. Въпреки че се стремим към точност, моля имайте предвид, че автоматичните преводи могат да съдържат грешки или неточности. Оригиналният документ на оригиналния език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Не носим отговорност за никакви недоразумения или погрешни тълкувания, произтичащи от използването на този превод.