ML-For-Beginners/translations/bg

🌐 Многоезична поддръжка

Поддържа се чрез GitHub Action (автоматизирано и винаги актуално)

Арабски | Бенгалски | Български | Бирмански (Мианмар) | Китайски (опростен) | Китайски (традиционен, Хонконг) | 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) | Пенджабски (Гурмухи) | Румънски | Руски | Сръбски (кирилица) | Словашки | Словенски | Испански | Свахили | Шведски | Тагалог (филипински) | Тамилски | Телугу | Тайски | Турски | Украински | Урду | Виетнамски

Присъединете се към нашата общност

Имаме поредица в Discord „Научи с ИИ“, която е в ход — научете повече и се присъединете към нас на Серия „Научи с ИИ“ от 18 до 30 септември 2025 г. Ще получите съвети и трикове за използване на GitHub Copilot за наука за данните.

Машинно обучение за начинаещи - Учебна програма

🌍 Пътувайте по целия свят, докато изследваме машинното обучение чрез световните култури 🌍

Cloud Advocates в Microsoft с удоволствие предлагат 12-седмична, 26-урочна учебна програма, посветена на Machine Learning. В тази учебна програма ще научите за това, което понякога се нарича класическо машинно обучение, използвайки основно Scikit-learn като библиотека и избягвайки дълбокото обучение, което е разгледано в нашата учебна програма „AI for Beginners“. Комбинирайте тези уроци и с нашата учебна програма „Data Science for Beginners“!

Пътувайте с нас по света, докато прилагаме тези класически техники към данни от множество райони на света. Всеки урок включва тестове преди и след урока, писмени инструкции за завършване на урока, решение, задание и още. Нашият проектно-ориентиран подход ви позволява да учите, докато изграждате — 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 допринесли със съдържание, по-специално Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila и Snigdha Agarwal

🤩 Допълнителна благодарност към Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi и Vidushi Gupta за нашите R уроци!

Първи стъпки

Следвайте тези стъпки:

1. Направете 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 в Microsoft Learn

🔧 Нуждаете се от помощ? Проверете 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 репо във вашия собствен GitHub акаунт и завършете упражненията сами или в група:

• Започнете с предварителен тест преди лекцията.
• Прочетете лекцията и изпълнете дейностите, спирайки и размишлявайки при всяка проверка на знанията.
• Опитайте се да създадете проектите, като разбирате уроците, вместо просто да стартирате решението; това решение обаче е налично в папките /solution във всеки урок, ориентиран към проект.
• Направете теста след лекцията.
• Завършете предизвикателството.
• Изпълнете задачата.
• След като завършите група от уроци, посетете Дискусионния борд и „учете на глас“, като попълните подходящата рубрика PAT. 'PAT' е Progress Assessment Tool — рубрика, която попълвате, за да задълбочите обучението си. Можете също така да реагирате на други PAT, за да учим заедно.

За по-нататъшно 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 видео форми. Можете да ги намерите в самите уроци или в плейлиста ML for Beginners в канала 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

По време на създаването на тази учебна програма избрахме два педагогически принципа: да е практическа и ориентирана към проекти и да включва чести тестове. Освен това тази учебна програма има обща тема, която й придава единство.

Като гарантираме, че съдържанието е свързано с проекти, процесът става по-ангажиращ за студентите и задържането на понятията се увеличава. Освен това подготвителен тест с нисък залог преди занятията задава намерението на студента към изучаването на тема, докато втори тест след занятието 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 все по-сложни до края на 12-седмичния цикъл. Тази учебна програма включва и пощриптум за приложенията на ML в реалния свят, който може да се използва като допълнителни кредити или като основа за дискусия.

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

Всяки урок включва

• по избор sketchnote
• по избор допълнително видео
• видео разходка (само някои уроци)
• подгряващ тест 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 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 уроците на R. Те включват разширение .rmd, което представлява R Markdown файл, който може просто да се определи като вграждане на code chunks (на R или други езици) и YAML header (който указва как да се форматират изходи като PDF) в Markdown document. Като такъв, той служи като примерна рамка за авторство за наука за данните, тъй като ви позволява да комбинирате своя код, неговия изход и мислите си, 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 по три въпроса всеки. Те са свързани от самите уроци, но quiz app може да се пусне локално; следвайте инструкциите в папката quiz-app, за да хостнете локално или да деплойнете в Azure.

Номер на урока	Тема	Групиране на урока	Учебни цели	Свързан урок	Автор
01	Въведение в машинното обучение	Въведение	Научете основните концепции зад машинното обучение	Урок	Muhammad
02	История на машинното обучение	Въведение	Научете историята, стояща зад тази област	Урок	Jen and Amy
03	Справедливост и машинно обучение	Въведение	Кои са важните философски въпроси, свързани със справедливостта, които студентите трябва да вземат предвид при изграждането и прилагането на ML модели?	Урок	Tomomi
04	Техники за машинното обучение	Въведение	Какви техники използват изследователите в ML за изграждане на ML модели?	Урок	Chris and Jen
05	Въведение в регресията	Regression	Започнете с Python и Scikit-learn за регресионни модели	Python • R	Jen • Eric Wanjau
06	Цени на тиквите в Северна Америка 🎃	Regression	Визуализирайте и почистете данните в подготовка за ML	Python • R	Jen • Eric Wanjau
07	Цени на тиквите в Северна Америка 🎃	Regression	Изградете линейни и полиномиални регресионни модели	Python • R	Jen and Dmitry • Eric Wanjau
08	Цени на тиквите в Северна Америка 🎃	Regression	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	Classification	Почистете, подгответе и визуализирайте данните си; въведение в класификация	Python • R	Jen and Cassie • Eric Wanjau
11	Вкусни азиатски и индийски кухни 🍜	Classification	Въведение в класификаторите	Python • R	Jen and Cassie • Eric Wanjau
12	Вкусни азиатски и индийски кухни 🍜	Classification	Още класификатори	Python • R	Jen and Cassie • Eric Wanjau
13	Вкусни азиатски и индийски кухни 🍜	Classification	Създайте уеб приложение за препоръки, използвайки модела си	Python	Jen
14	Въведение в клъстеризацията	Clustering	Почистете, подгответе и визуализирайте данните си; въведение в клъстеризацията	Python • R	Jen • Eric Wanjau
15	Изследване на музикалните вкусове в Нигерия 🎧	Clustering	Проучете метода за клъстеризация K-Means	Python • R	Jen • Eric Wanjau
16	Въведение в обработката на естествен език ☕️	Natural language processing	Научете основите на NLP, като изградите прост бот	Python	Stephen
17	Чести задачи в NLP ☕️	Natural language processing	Задълбочете знанията си по NLP, като разберете общите задачи, необходими при работа с езикови структури	Python	Stephen
18	Превод и анализ на настроенията ♥️	Natural language processing	Превод и анализ на настроенията с Джейн Остин	Python	Stephen
19	Романтични хотели в Европа ♥️	Natural language processing	Анализ на настроенията с хотелски отзиви 1	Python	Stephen
20	Романтични хотели в Европа ♥️	Natural language processing	Анализ на настроенията с хотелски отзиви 2	Python	Stephen
21	Въведение в прогнозиране на времеви редове	Time series	Въведение в прогнозиране на времеви редове	Python	Francesca
22	⚡️ Световна употреба на енергия ⚡️ - time series forecasting with ARIMA	Time series	Прогнозиране на времеви редове с ARIMA	Python	Francesca
23	⚡️ Световна употреба на енергия ⚡️ - time series forecasting with SVR	Time series	Прогнозиране на времеви редове с Support Vector Regressor	Python	Anirban
24	Въведение в обучение чрез подсилване	Обучение чрез подсилване	Въведение в обучение чрез подсилване с Q-Learning	Python	Dmitry
25	Помогнете на Петър да избегне вълка! 🐺	Обучение чрез подсилване	Gym за обучение чрез подсилване	Python	Dmitry
Postscript	Реални ML сценарии и приложения	ML in the Wild	Интересни и показателни реални приложения на класическото ML	Урок	Екип
Postscript	Отстраняване на грешки в модели в ML с помощта на RAI табло	ML in the Wild	Отстраняване на грешки в модели в машинното обучение, използвайки 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. Форкнете това repo, инсталирайте Docsify на вашата локална машина, и след това в коренната папка на това repo изпълнете docsify serve. Уебсайтът ще бъде обслужван 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! Разгледайте:

LangChain

---

Azure / Edge / MCP / Агенти

---

Серия за генеративен AI

---

Основно обучение

---

Серия Copilot

Получаване на помощ

Ако закъсате или имате въпроси относно изграждането на ИИ приложения. Присъединете се към други учащи и опитни разработчици в дискусиите за MCP. Това е подкрепяща общност, в която въпросите са добре дошли и знанията се споделят свободно.

Ако имате обратна връзка за продукта или грешки по време на разработка, посетете:

---

Отказ от отговорност: Този документ е преведен с помощта на услуга за превод с изкуствен интелект Co-op Translator (https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, имайте предвид, че автоматизираните 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 превод, извършен от човешки преводач. Не носим отговорност за никакви недоразумения или неправилни тълкувания, произтичащи от използването на този превод.