# ಕಡಿಮೆ ಕೋಡ್/ಕೋಡ್ ಇಲ್ಲದ ಡೇಟಾ ಸೈನ್ಸ್ ಪ್ರಾಜೆಕ್ಟ್ ಆನ್ ಅಜೂರ್ ಎಂಎಲ್ ## ಸೂಚನೆಗಳು ನಾವು ಅಜೂರ್ ಎಂಎಲ್ ವೇದಿಕೆಯನ್ನು ಕಡಿಮೆ ಕೋಡ್/ಕೋಡ್ ಇಲ್ಲದ ರೀತಿಯಲ್ಲಿ ಮಾದರಿಯನ್ನು ತರಬೇತಿ, ನಿಯೋಜನೆ ಮತ್ತು ಬಳಕೆ ಮಾಡುವುದನ್ನು ಹೇಗೆ ಮಾಡುವುದು ಎಂದು ನೋಡಿದೆವು. ಈಗ ನೀವು ಇನ್ನೊಂದು ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಲು, ನಿಯೋಜಿಸಲು ಮತ್ತು ಬಳಸಲು ಬಳಸಬಹುದಾದ ಕೆಲವು ಡೇಟಾವನ್ನು ಹುಡುಕಿ. ನೀವು [Kaggle](https://kaggle.com) ಮತ್ತು [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ನಲ್ಲಿ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಹುಡುಕಬಹುದು. ## ರೂಬ್ರಿಕ್ | ಉದಾಹರಣೀಯ | ಯೋಗ್ಯ | ಸುಧಾರಣೆಯ ಅಗತ್ಯವಿದೆ | |-----------|----------|-------------------| |ಡೇಟಾವನ್ನು ಅಪ್ಲೋಡ್ ಮಾಡುವಾಗ ಅಗತ್ಯವಿದ್ದರೆ ವೈಶಿಷ್ಟ್ಯದ ಪ್ರಕಾರವನ್ನು ಬದಲಾಯಿಸುವುದನ್ನು ನೀವು ಗಮನಿಸಿದ್ದೀರಿ. ಅಗತ್ಯವಿದ್ದರೆ ಡೇಟಾವನ್ನು ನೀವು ಶುದ್ಧೀಕರಿಸಿದ್ದೀರಿ. ನೀವು AutoML ಮೂಲಕ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ತರಬೇತಿ ನಡೆಸಿದ್ದೀರಿ ಮತ್ತು ಮಾದರಿ ವಿವರಣೆಗಳನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೀರಿ. ನೀವು ಅತ್ಯುತ್ತಮ ಮಾದರಿಯನ್ನು ನಿಯೋಜಿಸಿದ್ದೀರಿ ಮತ್ತು ಅದನ್ನು ಬಳಸಲು ಸಾಧ್ಯವಾಯಿತು. |ಡೇಟಾವನ್ನು ಅಪ್ಲೋಡ್ ಮಾಡುವಾಗ ಅಗತ್ಯವಿದ್ದರೆ ವೈಶಿಷ್ಟ್ಯದ ಪ್ರಕಾರವನ್ನು ಬದಲಾಯಿಸುವುದನ್ನು ನೀವು ಗಮನಿಸಿದ್ದೀರಿ. ನೀವು AutoML ಮೂಲಕ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ತರಬೇತಿ ನಡೆಸಿದ್ದೀರಿ, ಅತ್ಯುತ್ತಮ ಮಾದರಿಯನ್ನು ನಿಯೋಜಿಸಿದ್ದೀರಿ ಮತ್ತು ಅದನ್ನು ಬಳಸಲು ಸಾಧ್ಯವಾಯಿತು. |ನೀವು AutoML ಮೂಲಕ ತರಬೇತಿಗೊಂಡ ಅತ್ಯುತ್ತಮ ಮಾದರಿಯನ್ನು ನಿಯೋಜಿಸಿದ್ದೀರಿ ಮತ್ತು ಅದನ್ನು ಬಳಸಲು ಸಾಧ್ಯವಾಯಿತು. | --- **ಅಸ್ವೀಕಾರ**: ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.