Data-Science-For-Beginners/translations/ml/INSTALLATION.md

ഇൻസ്റ്റലേഷൻ ഗൈഡ്

ഈ ഗൈഡ് ഡാറ്റാ സയൻസ് ഫോർ ബിഗിനേഴ്സ് പാഠ്യപദ്ധതിയുമായി പ്രവർത്തിക്കാൻ നിങ്ങളുടെ പരിസ്ഥിതി സജ്ജമാക്കുന്നതിൽ സഹായിക്കും.

ഉള്ളടക്ക പട്ടിക

• ആവശ്യമായ മുൻകൂട്ടി അറിവുകൾ
• വേഗത്തിലുള്ള ആരംഭ ഓപ്ഷനുകൾ
• ലോകൽ ഇൻസ്റ്റലേഷൻ
• നിങ്ങളുടെ ഇൻസ്റ്റലേഷൻ പരിശോധിക്കുക

ആവശ്യമായ മുൻകൂട്ടി അറിവുകൾ

തുടങ്ങുന്നതിന് മുമ്പ്, നിങ്ങൾക്കുണ്ടാകേണ്ടത്:

• കമാൻഡ് ലൈൻ/ടെർമിനലുമായി അടിസ്ഥാന പരിചയം
• ഒരു GitHub അക്കൗണ്ട് (ഉചിതം)
• പ്രാഥമിക സജ്ജീകരണത്തിനായി സ്ഥിരമായ ഇന്റർനെറ്റ് കണക്ഷൻ

വേഗത്തിലുള്ള ആരംഭ ഓപ്ഷനുകൾ

ഓപ്ഷൻ 1: GitHub Codespaces (ബിഗിനേഴ്സിന് ശുപാർശ ചെയ്യുന്നു)

ആരാധ്യമായ രീതിയിൽ തുടങ്ങാനുള്ള ഏറ്റവും എളുപ്പവഴി GitHub Codespaces ആണ്, ഇത് നിങ്ങളുടെ ബ്രൗസറിൽ പൂർണ്ണമായ ഡെവലപ്പ്മെന്റ് പരിസ്ഥിതി നൽകുന്നു.

1. റിപ്പോസിറ്ററി സന്ദർശിക്കുക
2. Code ഡ്രോപ്പ്ഡൗൺ മെനുവിൽ ക്ലിക്ക് ചെയ്യുക
3. Codespaces ടാബ് തിരഞ്ഞെടുക്കുക
4. Create codespace on main ക്ലിക്ക് ചെയ്യുക
5. പരിസ്ഥിതി ആരംഭിക്കാൻ കാത്തിരിക്കുക (2-3 മിനിറ്റ്)

നിങ്ങളുടെ പരിസ്ഥിതി ഇപ്പോൾ എല്ലാ ആശ്രിതങ്ങളും മുൻകൂട്ടി ഇൻസ്റ്റാൾ ചെയ്ത നിലയിലാണ്!

ഓപ്ഷൻ 2: ലോകൽ ഡെവലപ്പ്മെന്റ്

നിങ്ങളുടെ സ്വന്തം കമ്പ്യൂട്ടറിൽ പ്രവർത്തിക്കാൻ, താഴെ നൽകിയ വിശദമായ നിർദ്ദേശങ്ങൾ പിന്തുടരുക.

ലോകൽ ഇൻസ്റ്റലേഷൻ

ഘട്ടം 1: Git ഇൻസ്റ്റാൾ ചെയ്യുക

Git റിപ്പോസിറ്ററി ക്ലോൺ ചെയ്യാനും നിങ്ങളുടെ മാറ്റങ്ങൾ ട്രാക്ക് ചെയ്യാനും ആവശ്യമാണ്.

Windows:

• git-scm.com ൽ നിന്ന് ഡൗൺലോഡ് ചെയ്യുക
• ഡിഫോൾട്ട് സെറ്റിംഗുകളോടെ ഇൻസ്റ്റാളർ റൺ ചെയ്യുക

macOS:

• Homebrew വഴി ഇൻസ്റ്റാൾ ചെയ്യുക: brew install git
• അല്ലെങ്കിൽ git-scm.com ൽ നിന്ന് ഡൗൺലോഡ് ചെയ്യുക

Linux:

# ഡെബിയൻ/ഉബുണ്ടു
sudo apt-get update
sudo apt-get install git

# ഫെഡോറ
sudo dnf install git

# ആർച്ച്
sudo pacman -S git

ഘട്ടം 2: റിപ്പോസിറ്ററി ക്ലോൺ ചെയ്യുക

# റിപ്പോസിറ്ററി ക്ലോൺ ചെയ്യുക
git clone https://github.com/microsoft/Data-Science-For-Beginners.git

# ഡയറക്ടറിയിലേക്ക് നാവിഗേറ്റ് ചെയ്യുക
cd Data-Science-For-Beginners

ഘട്ടം 3: Python, Jupyter ഇൻസ്റ്റാൾ ചെയ്യുക

ഡാറ്റാ സയൻസ് പാഠങ്ങൾക്കായി Python 3.7 അല്ലെങ്കിൽ അതിനുമുകളിൽ വേണം.

Windows:

1. python.org ൽ നിന്ന് Python ഡൗൺലോഡ് ചെയ്യുക
2. ഇൻസ്റ്റലേഷനിൽ "Add Python to PATH" തിരഞ്ഞെടുക്കുക
3. ഇൻസ്റ്റലേഷൻ സ്ഥിരീകരിക്കുക:

python --version

macOS:

# ഹോംബ്രൂ ഉപയോഗിക്കുന്നു
brew install python3

# ഇൻസ്റ്റലേഷൻ സ്ഥിരീകരിക്കുക
python3 --version

Linux:

# മിക്ക ലിനക്സ് വിതരണങ്ങളിലും പൈതൺ മുൻകൂട്ടി ഇൻസ്റ്റാൾ ചെയ്തിരിക്കുന്നു
python3 --version

# ഇൻസ്റ്റാൾ ചെയ്തിട്ടില്ലെങ്കിൽ:
# ഡെബിയൻ/ഉബുണ്ടു
sudo apt-get install python3 python3-pip

# ഫെഡോറാ
sudo dnf install python3 python3-pip

ഘട്ടം 4: Python പരിസ്ഥിതി സജ്ജമാക്കുക

ആശ്രിതങ്ങൾ വേർതിരിച്ച് സൂക്ഷിക്കാൻ വിർച്വൽ എൻവയോൺമെന്റ് ഉപയോഗിക്കുന്നത് ശുപാർശ ചെയ്യുന്നു.

# ഒരു വെർച്വൽ എൻവയോൺമെന്റ് സൃഷ്ടിക്കുക
python -m venv venv

# വെർച്വൽ എൻവയോൺമെന്റ് സജീവമാക്കുക
# വിൻഡോസ്-ൽ:
venv\Scripts\activate

# മാക്‌ഒഎസ്/ലിനക്സ്-ൽ:
source venv/bin/activate

ഘട്ടം 5: Python പാക്കേജുകൾ ഇൻസ്റ്റാൾ ചെയ്യുക

ആവശ്യമായ ഡാറ്റാ സയൻസ് ലൈബ്രറികൾ ഇൻസ്റ്റാൾ ചെയ്യുക:

pip install jupyter pandas numpy matplotlib seaborn scikit-learn

ഘട്ടം 6: Node.js, npm ഇൻസ്റ്റാൾ ചെയ്യുക (ക്വിസ് ആപ്പിനായി)

ക്വിസ് ആപ്പിന് Node.js, npm ആവശ്യമാണ്.

Windows/macOS:

• nodejs.org (LTS പതിപ്പ് ശുപാർശ ചെയ്യുന്നു) ൽ നിന്ന് ഡൗൺലോഡ് ചെയ്യുക
• ഇൻസ്റ്റാളർ റൺ ചെയ്യുക

Linux:

# ഡെബിയൻ/ഉബുണ്ടു
# മുന്നറിയിപ്പ്: ഇന്റർനെറ്റിൽ നിന്നുള്ള സ്ക്രിപ്റ്റുകൾ നേരിട്ട് ബാഷിലേക്ക് പൈപ്പ് ചെയ്യുന്നത് സുരക്ഷാ അപകടം ഉണ്ടാക്കാം.
# സ്ക്രിപ്റ്റ് പ്രവർത്തിപ്പിക്കുന്നതിന് മുമ്പ് അവലോകനം ചെയ്യാൻ ശുപാർശ ചെയ്യുന്നു:
#   curl -fsSL https://deb.nodesource.com/setup_lts.x -o setup_lts.x
#   less setup_lts.x
# പിന്നീട് പ്രവർത്തിപ്പിക്കുക:
#   sudo -E bash setup_lts.x
#
# അല്ലെങ്കിൽ, താഴെ കൊടുത്തിരിക്കുന്ന ഒറ്റ വരി കോഡ് നിങ്ങളുടെ സ്വന്തം അപകടത്തിൽ ഉപയോഗിക്കാം:
curl -fsSL https://deb.nodesource.com/setup_lts.x | sudo -E bash -
sudo apt-get install -y nodejs

# ഫെഡോറ
sudo dnf install nodejs

# ഇൻസ്റ്റലേഷൻ സ്ഥിരീകരിക്കുക
node --version
npm --version

ഘട്ടം 7: ക്വിസ് ആപ്പ് ആശ്രിതങ്ങൾ ഇൻസ്റ്റാൾ ചെയ്യുക

# ക്വിസ് ആപ്പ് ഡയറക്ടറിയിലേക്ക് നാവിഗേറ്റ് ചെയ്യുക
cd quiz-app

# ആശ്രിതങ്ങൾ ഇൻസ്റ്റാൾ ചെയ്യുക
npm install

# റൂട്ട് ഡയറക്ടറിയിലേക്ക് മടങ്ങുക
cd ..

ഘട്ടം 8: Docsify ഇൻസ്റ്റാൾ ചെയ്യുക (ഐച്ഛികം)

ഓഫ്‌ലൈൻ ഡോക്യുമെന്റേഷൻ ആക്‌സസ് ചെയ്യാൻ:

npm install -g docsify-cli

നിങ്ങളുടെ ഇൻസ്റ്റലേഷൻ പരിശോധിക്കുക

Python, Jupyter ടെസ്റ്റ് ചെയ്യുക

# നിങ്ങളുടെ വെർച്വൽ എൻവയോൺമെന്റ് ഇതിനകം സജീവമല്ലെങ്കിൽ സജീവമാക്കുക
# വിൻഡോസ്-ൽ:
venv\Scripts\activate
# മാക്‌ഓഎസ്/ലിനക്സ്-ൽ:
source venv/bin/activate

# ജൂപ്പിറ്റർ നോട്ട്‌ബുക്ക് ആരംഭിക്കുക
jupyter notebook

നിങ്ങളുടെ ബ്രൗസർ Jupyter ഇന്റർഫേസ് തുറക്കും. നിങ്ങൾക്ക് ഇപ്പോൾ ഏതെങ്കിലും പാഠത്തിന്റെ .ipynb ഫയലിലേക്ക് പോകാം.

ക്വിസ് ആപ്പ് ടെസ്റ്റ് ചെയ്യുക

# ക്വിസ് ആപ്പിലേക്ക് നാവിഗേറ്റ് ചെയ്യുക
cd quiz-app

# ഡെവലപ്പ്മെന്റ് സെർവർ ആരംഭിക്കുക
npm run serve

ക്വിസ് ആപ്പ് http://localhost:8080 (അല്ലെങ്കിൽ 8080 തിരക്കുള്ള പക്ഷം മറ്റൊരു പോർട്ട്) ൽ ലഭ്യമായിരിക്കണം.

ഡോക്യുമെന്റേഷൻ സർവർ ടെസ്റ്റ് ചെയ്യുക

# റിപ്പോസിറ്ററിയുടെ റൂട്ട് ഡയറക്ടറിയിൽ നിന്ന്
docsify serve

ഡോക്യുമെന്റേഷൻ http://localhost:3000 ൽ ലഭ്യമായിരിക്കണം.

VS Code Dev Containers ഉപയോഗിക്കൽ

Docker ഇൻസ്റ്റാൾ ചെയ്തിട്ടുണ്ടെങ്കിൽ, VS Code Dev Containers ഉപയോഗിക്കാം:

1. Docker Desktop ഇൻസ്റ്റാൾ ചെയ്യുക
2. Visual Studio Code ഇൻസ്റ്റാൾ ചെയ്യുക
3. Remote - Containers extension ഇൻസ്റ്റാൾ ചെയ്യുക
4. റിപ്പോസിറ്ററി VS Code ൽ തുറക്കുക
5. F1 അമർത്തി "Remote-Containers: Reopen in Container" തിരഞ്ഞെടുക്കുക
6. കണ്ടെയ്‌നർ നിർമ്മിക്കാൻ കാത്തിരിക്കുക (ആദ്യ തവണ മാത്രം)

അടുത്ത ഘട്ടങ്ങൾ

• പാഠ്യപദ്ധതിയുടെ അവലോകനത്തിന് README.md പരിശോധിക്കുക
• സാധാരണ പ്രവൃത്തികൾക്കും ഉദാഹരണങ്ങൾക്കും USAGE.md വായിക്കുക
• പ്രശ്നങ്ങൾ നേരിടുമ്പോൾ TROUBLESHOOTING.md പരിശോധിക്കുക
• സംഭാവനകൾ നൽകാൻ ആഗ്രഹിക്കുന്നുവെങ്കിൽ CONTRIBUTING.md വായിക്കുക

സഹായം നേടുക

പ്രശ്നങ്ങൾ നേരിടുമ്പോൾ:

1. TROUBLESHOOTING.md ഗൈഡ് പരിശോധിക്കുക
2. നിലവിലുള്ള GitHub Issues തിരയുക
3. ഞങ്ങളുടെ Discord community ൽ ചേരുക
4. നിങ്ങളുടെ പ്രശ്നത്തെക്കുറിച്ച് വിശദമായ വിവരങ്ങളോടെ പുതിയ ഒരു ഇഷ്യൂ സൃഷ്ടിക്കുക

---

അസൂയാ:
ഈ രേഖ AI വിവർത്തന സേവനം Co-op Translator ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് പരിഗണിക്കേണ്ടതാണ്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.