ML-For-Beginners/translations/el

🌐 Υποστήριξη Πολυγλωσσικότητας

Υποστηρίζεται μέσω GitHub Action (Αυτοματοποιημένα & Πάντα Ενημερωμένο)

Αραβικά | Βεγγαλικά | Βουλγαρικά | Βιρμανικά (Μυανμάρ) | Κινέζικα (Απλοποιημένα) | Κινέζικα (Παραδοσιακά, Χονγκ Κονγκ) | Κινέζικα (Παραδοσιακά, Μακάο) | Κινέζικα (Παραδοσιακά, Ταϊβάν) | Κροατικά | Τσέχικα | Δανέζικα | Ολλανδικά | Εσθονικά | Φινλανδικά | Γαλλικά | Γερμανικά | Ελληνικά | Εβραϊκά | Χίντι | Ουγγρικά | Ινδονησιακά | Ιταλικά | Ιαπωνικά | Κανάντα | Κορεάτικα | Λιθουανικά | Μαλαισιανά | Μαλαγιαλαμικά | Μαράθι | Νεπάλι | Νιγηριανό Πίτζιν | Νορβηγικά | Περσικά (Φαρσί) | Πολωνικά | Πορτογαλικά (Βραζιλία) | Πορτογαλικά (Πορτογαλία) | Πουντζάμπι (Γκουρμούκι) | Ρουμανικά | Ρωσικά | Σέρβικα (Κυριλλικά) | Σλοβακικά | Σλοβενικά | Ισπανικά | Σουαχίλι | Σουηδικά | Ταγκάλογκ (Φιλιππινέζικα) | Ταμίλ | Τελούγκου | Ταϊλανδικά | Τουρκικά | Ουκρανικά | Ουρντού | Βιετναμέζικα

Προτιμάτε να κλωνοποιήσετε τοπικά;

Αυτό το αποθετήριο περιλαμβάνει μεταφράσεις σε πάνω από 50 γλώσσες, που αυξάνουν σημαντικά το μέγεθος λήψης. Για κλωνοποίηση χωρίς μεταφράσεις, χρησιμοποιήστε sparse 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'

Αυτό σας δίνει όλα όσα χρειάζεστε για να ολοκληρώσετε το μάθημα με πολύ πιο γρήγορη λήψη.

Ενταχθείτε στην Κοινότητά μας

Έχουμε μια σειρά Discord "Μάθε με AI" σε εξέλιξη, μάθετε περισσότερα και ενταχθείτε σε εμάς στο Learn with AI Series από 18 έως 30 Σεπτεμβρίου 2025. Θα λάβετε συμβουλές και κόλπα για τη χρήση του GitHub Copilot για Επιστήμη Δεδομένων.

Μηχανική Μάθηση για Αρχάριους - Ένα Πρόγραμμα Σπουδών

🌍 Ταξιδέψτε σε όλο τον κόσμο καθώς εξερευνούμε τη Μηχανική Μάθηση μέσω των πολιτισμών του κόσμου 🌍

Οι Cloud Advocates της Microsoft με χαρά προσφέρουν ένα πρόγραμμα 12 εβδομάδων, 26 μαθημάτων, ολοκληρωτικά σχετικά με τη Μηχανική Μάθηση. Σε αυτό το πρόγραμμα, θα μάθετε για αυτό που ορισμένες φορές αποκαλείται κλασική μηχανική μάθηση, χρησιμοποιώντας κυρίως τη βιβλιοθήκη Scikit-learn και αποφεύγοντας τη βαθιά μάθηση, η οποία καλύπτεται στο πρόγραμμα AI για Αρχάριους. Συνδυάστε αυτά τα μαθήματα με το πρόγραμμα 'Επιστήμη Δεδομένων για Αρχάριους', επίσης!

Ταξιδέψτε μαζί μας σε όλο τον κόσμο καθώς εφαρμόζουμε αυτές τις κλασικές τεχνικές σε δεδομένα από πολλές περιοχές του κόσμου. Κάθε μάθημα περιλαμβάνει κουίζ πριν και μετά το μάθημα, γραπτές οδηγίες για την ολοκλήρωση του μαθήματος, λύση, ανάθεση, και άλλα. Η παιδαγωγική μας βασισμένη σε έργα σας επιτρέπει να μαθαίνετε ενώ δημιουργείτε, ένας αποδεδειγμένος τρόπος για να "καρφιτσωθούν" νέες δεξιότητες.

✍️ Θερμές ευχαριστίες στους συγγραφείς μας Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu και Amy Boyd

🎨 Ευχαριστούμε επίσης τους εικονογράφους μας Tomomi Imura, Dasani Madipalli και Jen Looper

🙏 Ειδικές ευχαριστίες 🙏 στους Microsoft Student Ambassador συγγραφείς, αξιολογητές και συνεισφέροντες περιεχόμενο, ιδιαίτερα στους Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, και Snigdha Agarwal

🤩 Επιπλέον ευγνωμοσύνη στους Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, και Vidushi Gupta για τα μαθήματα R!

Ξεκινώντας

Ακολουθήστε αυτά τα βήματα:

1. Κάντε Fork το Αποθετήριο: Κάντε κλικ στο κουμπί "Fork" πάνω δεξιά σε αυτή τη σελίδα.
2. Κλωνοποιήστε το Αποθετήριο: git clone https://github.com/microsoft/ML-For-Beginners.git

βρείτε όλους τους επιπλέον πόρους για αυτό το μάθημα στη συλλογή Microsoft Learn

🔧 Χρειάζεστε βοήθεια; Δείτε τον Οδηγό Επίλυσης Προβλημάτων για λύσεις σε συνηθισμένα θέματα εγκατάστασης, ρύθμισης και εκτέλεσης μαθημάτων.

Φοιτητές, για να χρησιμοποιήσετε αυτό το πρόγραμμα, κάντε fork ολόκληρο το repo στο δικό σας λογαριασμό GitHub και ολοκληρώστε τις ασκήσεις μόνοι σας ή με ομάδα:

• Ξεκινήστε με ένα κουίζ προ-μαθήματος.
• Διαβάστε το μάθημα και ολοκληρώστε τις δραστηριότητες, σταματώντας και σκεπτόμενοι σε κάθε έλεγχο γνώσης.
• Προσπαθήστε να δημιουργήσετε τα έργα κατανοώντας τα μαθήματα αντί να τρέχετε απλά τον κώδικα λύσης· ωστόσο ο κώδικας είναι διαθέσιμος στους φακέλους /solution σε κάθε μάθημα προσανατολισμένο σε έργα.
• Δώστε το κουίζ μετά το μάθημα.
• Ολοκληρώστε την πρόκληση.
• Ολοκληρώστε την ανάθεση.
• Μετά την ολοκλήρωση μιας ομάδας μαθημάτων, επισκεφτείτε το Discussion Board και "μάθετε δυνατά" γεμίζοντας το κατάλληλο πρότυπο PAT. Ένα 'PAT' είναι ένα Εργαλείο Αξιολόγησης Προόδου, ένα πρότυπο που συμπληρώνετε για να προωθήσετε τη μάθησή σας. Μπορείτε επίσης να αντιδράσετε σε άλλα PAT ώστε να μάθουμε μαζί.

Για περαιτέρω μελέτη, προτείνουμε να ακολουθήσετε αυτά τα Microsoft Learn modules και διαδρομές μάθησης.

Καθηγητές, έχουμε συμπεριλάβει μερικές προτάσεις για το πώς να χρησιμοποιήσετε αυτό το πρόγραμμα.

---

Βίντεο ξεναγήσεις

Μερικά από τα μαθήματα είναι διαθέσιμα σε σύντομα βίντεο. Μπορείτε να τα βρείτε όλα ενσωματωμένα στα μαθήματα ή στη λίστα αναπαραγωγής ML for Beginners στο κανάλι Microsoft Developer στο YouTube κάνοντας κλικ στην εικόνα παρακάτω.

---

Γνωρίστε την Ομάδα

Gif από Mohit Jaisal

🎥 Κάντε κλικ στην παραπάνω εικόνα για ένα βίντεο σχετικά με το έργο και τους ανθρώπους που το δημιούργησαν!

---

Παιδαγωγική

Έχουμε επιλέξει δύο παιδαγωγικές αρχές κατά τη δημιουργία αυτού του προγράμματος: την εξασφάλιση ότι είναι πρακτικό, βασισμένο σε έργα και ότι περιλαμβάνει συχνά κουίζ. Επιπλέον, το πρόγραμμα έχει ένα κοινό θέμα για να δίνει συνοχή.

Εξασφαλίζοντας ότι το περιεχόμενο αντιστοιχεί σε έργα, η διαδικασία γίνεται πιο ελκυστική για τους φοιτητές και η διατήρηση εννοιών αυξάνεται. Επιπλέον, ένα κουίζ χαμηλού κινδύνου πριν από το μάθημα θέτει την πρόθεση του φοιτητή για μάθηση ενός θέματος, ενώ ένα δεύτερο κουίζ μετά το μάθημα διασφαλίζει περαιτέρω διατήρηση. Αυτό το πρόγραμμα σχεδιάστηκε να είναι ευέλικτο και διασκεδαστικό και μπορεί να πραγματοποιηθεί ολόκληρο ή τμηματικά. Τα έργα ξεκινούν μικρά και γίνονται ολοένα πιο σύνθετα στο τέλος του κύκλου 12 εβδομάδων. Το πρόγραμμα αυτό περιλαμβάνει επίσης επίμετρο για τις εφαρμογές της μηχανικής μάθησης στον πραγματικό κόσμο, που μπορεί να χρησιμοποιηθεί ως επιπλέον πιστωτική μονάδα ή ως βάση για συζήτηση.

Βρείτε τους Κανόνες Συμπεριφοράς μας, συνεισφορά, Μετάφραση, και Οδηγό Επίλυσης Προβλημάτων. Καλωσορίζουμε τα εποικοδομητικά σας σχόλια!

Κάθε μάθημα περιλαμβάνει

• προαιρετικό σκίτσο
• προαιρετικό επιπλέον βίντεο
• βίντεο ξενάγησης (μόνο σε κάποια μαθήματα)
• κουίζ προ-μαθήματος προθέρμανσης
• γραπτό μάθημα
• για μαθήματα βασισμένα σε έργα, βήμα προς βήμα οδηγίες για την κατασκευή του έργου
• ελέγχους γνώσεων
• μια πρόκληση
• επιπλέον ανάγνωση
• ανάθεση
• κουίζ μετά το μάθημα

Μια σημείωση σχετικά με τις γλώσσες: Αυτά τα μαθήματα είναι κυρίως γραμμένα σε Python, αλλά πολλά είναι επίσης διαθέσιμα σε R. Για να ολοκληρώσετε ένα μάθημα σε R, πηγαίνετε στον φάκελο /solution και αναζητήστε τα μαθήματα R. Περιλαμβάνουν επέκταση .rmd που αντιπροσωπεύει ένα αρχείο R Markdown, το οποίο μπορεί απλώς να οριστεί ως ενσωμάτωση κομματιών κώδικα (σε R ή άλλες γλώσσες) και ενός επικεφαλίδας YAML (που καθοδηγεί τον τρόπο μορφοποίησης της εξόδου, όπως PDF) σε ένα έγγραφο Markdown. Ως εκ τούτου, χρησιμεύει ως ένα παράδειγμα πλαισίου συγγραφής για την επιστήμη δεδομένων, αφού σας επιτρέπει να συνδυάζετε τον κώδικά σας, την έξοδο του και τις σκέψεις σας, επιτρέποντας να τις γράψετε σε Markdown. Επιπλέον, τα έγγραφα R Markdown μπορούν να αποδοθούν σε μορφές εξόδου όπως PDF, HTML ή Word. Μια σημείωση σχετικά με τα κουίζ: Όλα τα κουίζ περιλαμβάνονται στο φάκελο Quiz App, για συνολικά 52 κουίζ με τρεις ερωτήσεις το καθένα. Είναι συνδεδεμένα μέσα στα μαθήματα, αλλά η εφαρμογή κουίζ μπορεί να τρέξει τοπικά· ακολουθήστε τις οδηγίες στον φάκελο quiz-app για τοπική φιλοξενία ή ανάπτυξη στο Azure.

Αριθμός Μαθήματος	Θέμα	Ομαδοποίηση Μαθήματος	Στόχοι Μάθησης	Συνδεδεμένο Μάθημα	Συγγραφέας
01	Εισαγωγή στη μηχανική μάθηση	Εισαγωγή	Μάθετε τις βασικές έννοιες της μηχανικής μάθησης	Μάθημα	Μοχάμαντ
02	Η ιστορία της μηχανικής μάθησης	Εισαγωγή	Μάθετε την ιστορία που στηρίζει αυτόν τον τομέα	Μάθημα	Τζεν και Έιμι
03	Δικαιοσύνη και μηχανική μάθηση	Εισαγωγή	Ποια είναι τα σημαντικά φιλοσοφικά ζητήματα γύρω από τη δικαιοσύνη που πρέπει να σκεφτούν οι μαθητές όταν δημιουργούν και εφαρμόζουν μοντέλα ΜΜ;	Μάθημα	Τομόμι
04	Τεχνικές για μηχανική μάθηση	Εισαγωγή	Ποιες τεχνικές χρησιμοποιούν οι ερευνητές ΜΜ για να δημιουργήσουν μοντέλα ΜΜ;	Μάθημα	Κρις και Τζεν
05	Εισαγωγή στην παλινδρόμηση	Παλινδρόμηση	Ξεκινήστε με Python και Scikit-learn για μοντέλα παλινδρόμησης	Python • R	Τζεν • Έρικ Ουάντζάου
06	Τιμές κολοκύθας στη Βόρεια Αμερική 🎃	Παλινδρόμηση	Οπτικοποιήστε και καθαρίστε δεδομένα εν όψει ΜΜ	Python • R	Τζεν • Έρικ Ουάντζάου
07	Τιμές κολοκύθας στη Βόρεια Αμερική 🎃	Παλινδρόμηση	Δημιουργήστε γραμμικά και πολυωνυμικά μοντέλα παλινδρόμησης	Python • R	Τζεν και Ντμίτρι • Έρικ Ουάντζάου
08	Τιμές κολοκύθας στη Βόρεια Αμερική 🎃	Παλινδρόμηση	Δημιουργήστε ένα μοντέλο λογιστικής παλινδρόμησης	Python • R	Τζεν • Έρικ Ουάντζάου
09	Μια Web Εφαρμογή 🔌	Web App	Δημιουργήστε μια web εφαρμογή για να χρησιμοποιήσετε το εκπαιδευμένο μοντέλο σας	Python	Τζεν
10	Εισαγωγή στην ταξινόμηση	Ταξινόμηση	Καθαρίστε, προετοιμάστε και οπτικοποιήστε τα δεδομένα σας· εισαγωγή στην ταξινόμηση	Python • R	Τζεν και Κάσι • Έρικ Ουάντζάου
11	Νόστιμες ασιατικές και ινδικές κουζίνες 🍜	Ταξινόμηση	Εισαγωγή στους ταξινομητές	Python • R	Τζεν και Κάσι • Έρικ Ουάντζάου
12	Νόστιμες ασιατικές και ινδικές κουζίνες 🍜	Ταξινόμηση	Περαιτέρω ταξινομητές	Python • R	Τζεν και Κάσι • Έρικ Ουάντζάου
13	Νόστιμες ασιατικές και ινδικές κουζίνες 🍜	Ταξινόμηση	Δημιουργήστε μια web εφαρμογή σύστασης χρησιμοποιώντας το μοντέλο σας	Python	Τζεν
14	Εισαγωγή στον ομαδοποίηση	Ομαδοποίηση	Καθαρίστε, προετοιμάστε και οπτικοποιήστε τα δεδομένα σας· εισαγωγή στον ομαδοποίηση	Python • R	Τζεν • Έρικ Ουάντζάου
15	Εξερεύνηση μουσικών προτιμήσεων στη Νιγηρία 🎧	Ομαδοποίηση	Εξερευνήστε τη μέθοδο ομαδοποίησης K-Means	Python • R	Τζεν • Έρικ Ουάντζάου
16	Εισαγωγή στην επεξεργασία φυσικής γλώσσας ☕️	Επεξεργασία φυσικής γλώσσας	Μάθετε τα βασικά της NLP φτιάχνοντας ένα απλό bot	Python	Στίβεν
17	Κοινές εργασίες NLP ☕️	Επεξεργασία φυσικής γλώσσας	Εμβαθύνετε τις γνώσεις σας στην NLP κατανοώντας κοινές εργασίες που απαιτούνται όταν ασχολείστε με δομές γλώσσας	Python	Στίβεν
18	Μετάφραση και ανάλυση συναισθήματος ♥️	Επεξεργασία φυσικής γλώσσας	Μετάφραση και ανάλυση συναισθήματος με την Τζέιν Όστεν	Python	Στίβεν
19	Ρομαντικά ξενοδοχεία της Ευρώπης ♥️	Επεξεργασία φυσικής γλώσσας	Ανάλυση συναισθήματος με κριτικές ξενοδοχείων 1	Python	Στίβεν
20	Ρομαντικά ξενοδοχεία της Ευρώπης ♥️	Επεξεργασία φυσικής γλώσσας	Ανάλυση συναισθήματος με κριτικές ξενοδοχείων 2	Python	Στίβεν
21	Εισαγωγή στην πρόβλεψη χρονοσειρών	Χρονοσειρές	Εισαγωγή στην πρόβλεψη χρονοσειρών	Python	Φραντσέσκα
22	⚡️ Κατανάλωση Ρεύματος Παγκοσμίως ⚡️ - πρόβλεψη με ARIMA	Χρονοσειρές	Πρόβλεψη χρονοσειρών με ARIMA	Python	Φραντσέσκα
23	⚡️ Κατανάλωση Ρεύματος Παγκοσμίως ⚡️ - πρόβλεψη με SVR	Χρονοσειρές	Πρόβλεψη χρονοσειρών με Support Vector Regressor	Python	Ανίρμπαν
24	Εισαγωγή στην ενισχυτική μάθηση	Ενισχυτική μάθηση	Εισαγωγή στην ενισχυτική μάθηση με Q-Learning	Python	Ντμίτρι
25	Βοηθήστε τον Πέτρο να αποφύγει τον λύκο! 🐺	Ενισχυτική μάθηση	Ενισχυτική μάθηση με Gym	Python	Ντμίτρι
Επίμετρο	Πραγματικά σενάρια και εφαρμογές ΜΜ	ML στον Πραγματικό Κόσμο	Ενδιαφέρουσες και αποκαλυπτικές εφαρμογές κλασικής μηχανικής μάθησης	Μάθημα	Ομάδα
Επίμετρο	Εντοπισμός σφαλμάτων μοντέλων ΜΜ με το RAI	ML στον Πραγματικό Κόσμο	Εντοπισμός σφαλμάτων μοντέλων μηχανικής μάθησης χρησιμοποιώντας στοιχεία πίνακα ελέγχου Responsible AI	Μάθημα	Ρουθ Γιακούμπου

βρείτε όλους τους επιπλέον πόρους για αυτό το μάθημα στη συλλογή Microsoft Learn

Πρόσβαση εκτός σύνδεσης

Μπορείτε να τρέξετε αυτή την τεκμηρίωση εκτός σύνδεσης χρησιμοποιώντας το Docsify. Δημιουργήστε fork από αυτό το αποθετήριο, εγκαταστήστε το Docsify στον τοπικό σας υπολογιστή, και μετά στον ριζικό φάκελο αυτού του αποθετηρίου πληκτρολογήστε docsify serve. Ο ιστότοπος θα σερβιριστεί στην πόρτα 3000 τοπικά: localhost:3000.

PDFs

Βρείτε ένα pdf του προγράμματος σπουδών με συνδέσμους εδώ.

🎒 Άλλα Μαθήματα

Η ομάδα μας παράγει και άλλα μαθήματα! Δείτε:

LangChain

---

Azure / Edge / MCP / Agents

---

Generative AI Series

---

Βασική Μάθηση

---

Σειρά Copilot

Λήψη Βοήθειας

Αν κολλήσετε ή έχετε οποιεσδήποτε ερωτήσεις σχετικά με την κατασκευή εφαρμογών τεχνητής νοημοσύνης. Ενταχθείτε σε συμφοιτητές και έμπειρους προγραμματιστές σε συζητήσεις για το MCP. Είναι μια υποστηρικτική κοινότητα όπου οι ερωτήσεις είναι ευπρόσδεκτες και η γνώση μοιράζεται ελεύθερα.

Αν έχετε σχόλια προϊόντος ή σφάλματα κατά την ανάπτυξη επισκεφθείτε:

---

Δήλωση αποποίησης ευθυνών: Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης AI Co-op Translator. Παρόλο που κάνουμε προσπάθειες για ακρίβεια, παρακαλείστε να λάβετε υπόψη ότι οι αυτόματες μεταφράσεις ενδέχεται να περιέχουν σφάλματα ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα πρέπει να θεωρείται η επίσημη πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική δήλωση ανθρώπινης μετάφρασης. Δεν φέρουμε ευθύνη για οποιεσδήποτε παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.