|
|
3 weeks ago | |
|---|---|---|
| .. | ||
| 1-Introduction | 3 weeks ago | |
| 2-Working-With-Data | 3 weeks ago | |
| 3-Data-Visualization | 3 weeks ago | |
| 4-Data-Science-Lifecycle | 3 weeks ago | |
| 5-Data-Science-In-Cloud | 3 weeks ago | |
| 6-Data-Science-In-Wild | 3 weeks ago | |
| docs | 2 months ago | |
| examples | 2 months ago | |
| quiz-app | 2 months ago | |
| sketchnotes | 3 weeks ago | |
| AGENTS.md | 2 months ago | |
| CODE_OF_CONDUCT.md | 2 months ago | |
| CONTRIBUTING.md | 3 weeks ago | |
| INSTALLATION.md | 2 months ago | |
| README.md | 3 weeks ago | |
| SECURITY.md | 2 months ago | |
| SUPPORT.md | 2 months ago | |
| TROUBLESHOOTING.md | 2 months ago | |
| USAGE.md | 2 months ago | |
| for-teachers.md | 2 months ago | |
README.md
ప్రారంభికులకు డేటా సైన్స్ - ఒక పాఠ్యक्रमం
Microsoft లో Azure Cloud Advocates డేటా సైన్స్ గురించి 10 వారాల, 20 పాఠాల పాఠ్యక్రమాన్ని సంబరంగా అందిస్తున్నారు. ప్రతి పాఠంలో పాఠం ముందు మరియు తర్వాత ప్రశ్నార్థకాలు, పాఠం పూర్తి చేసేందుకు వ్రాత సూచనలు, పరిష్కారం మరియు అసైన్మెంట్ ఉన్నాయి. మా ప్రాజెక్ట్ ఆధారిత పాఠ్య విధానం మీరు నేర్చుకునే సమయంలో నిర్మించేందుకు అనుమతిస్తుంది, ఇది కొత్త నైపుణ్యాల "అడుగులు" పడేందుకు నిరూపితమైన మార్గం.
మా రచయితలకు హృదయపూర్వక ధన్యవాదాలు: Jasmine Greenaway, Dmitry Soshnikov, Nitya Narasimhan, Jalen McGee, Jen Looper, Maud Levy, Tiffany Souterre, Christopher Harrison.
🙏 ప్రత్యేక కృతజ్ఞతలు 🙏 మా Microsoft Student Ambassador రచయితలు, సమీక్షకులు మరియు కంటెంట్ కలిసికొనేవారికి, ముఖ్యంగా ఆర్యన్ అరూరా, అదిత్య గార్గ్, అలొంద్రా సాంచేజ్, అంకిత సింగ్, అనుపమ్ మిశ్రా, అర్పిత దాస్, ఛాయిల్భిహరి దుబే, డిబ్రి న్సోఫోర్, దిశిత భాసిన్, మాజ్ద్ సఫీ, మ్యాక్స్ బ్లమ్, మిగేల్ కోరియా, మొహమ్మ ఇఫ్తేఖర్ (ఇఫ్టూ) ఎబ్నే జలాల్, నావ్రిన్ టబాస్సుం, రేమండ్ వాంగ్సా పుత్ర, โรహిత్ యాదవ్, సమృధి శర్మ, సన్యా సింహ, షినా నరూలా, తౌకీర్ అహ్మద్, యోగేంద్రసింగ్ పవార్ , విదుషి గుప్తా, జస్లీన్ సొంధి
![]() |
|---|
| డేటా సైన్స్ ఫర్ ప్రారంభికులు - స్కెచ్ నోట్ @nitya ద్వారా |
🌐 బహుభాషా మద్దతు
GitHub యాక్షన్ ద్వారా మద్దతు (ఆటోమేటెడ్ & ఎల్లప్పుడూ అప్డేట్)
Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Kannada | Korean | Lithuanian | Malay | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese
స్థానికంగా క్లోన్ చేయడం ఇష్టమా?
ఈ రిపోజిటరీలో 50+ భాషా అనువాదాలు ఉన్నాయి, ఇవి డౌన్లోడ్ పరిమాణాన్ని గణనీయంగా పెంచుతాయి. అనువాదాలు లేకుండా క్లోన్ చేయడానికి sparse checkout ఉపయోగించండి:
git clone --filter=blob:none --sparse https://github.com/microsoft/Data-Science-For-Beginners.git cd Data-Science-For-Beginners git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'ఇది కోర్సును పూర్తిచేయడానికి అవసరమైనది వేగంగా డౌన్లోడ్ అవుతుంది.
మరిన్ని భాషా మద్దతులు కావాలంటే అవి ఇక్కడ ఉన్నాయి here
మా సమాజంలో చేరండి
మేము Discord Learn with AI సిరీస్ నిర్వహిస్తున్నాము, 18 - 30 సెప్టెంబర్, 2025 నుండి Learn with AI Series ద్వారా మరింత తెలుసుకోండి మరియు జాయిన్ అవ్వండి. మీరు GitHub Copilot ను డేటా సైన్స్ లో ఉపయోగించే చిట్కాలు మరియు టిప్స్ పొందుతారు.
మీరు ఒక విద్యార్థి మాత్రమేనా?
కింద చెప్పబడిన వనరులతో ప్రారంభించండి:
- విద్యార్థి హబ్ పేజి ఈ పేజీలో మీరు ప్రారంభిక వనరులు, విద్యార్థి ప్యాక్స్ మరియు ఉచిత సర్టిఫికేట్ వోచర్ పొందగల మార్గాలు కనుగొంటారు. ఇది మీరు సూచిక పెట్టుకొని తరచుగా చూడవలసిన ఒక పేజి, ఎందుకంటే మేము కనీసం నెలనెలలా కంటెంట్ ను మార్చుతాము.
- Microsoft Learn Student Ambassadors ప్రపంచవ్యాప్తంగా ఉన్న విద్యార్థి రాయితీల సంఘంలో చేరండి, ఇది Microsoft లో ప్రవేశించే మీ మార్గం కావొచ్చు.
ప్రారంభము
📚 డాక్యుమెంటేషన్
- ఇన్స్టాలేషన్ గైడ్ - ప్రారంభողների కోసం దశ దశ సూచనలు
- ఉపయోగ సూచిక - ఉదాహరణలు మరియు సాధారణ పనితీరు
- పెద్ద సమస్యలు పరిష్కారం - సాధారణ సమస్యల పరిష్కారాలు
- కాబట్టి సహకరించండి - ఈ ప్రాజెక్ట్ కు సహకరించే విధానం
- ఉపాధ్యాయుల కోసం - బోధన మార్గదర్శకాలు మరియు తరగతి వనరులు
👨🎓 విద్యార్థులకు
సమగ్ర ప్రారంభికులు: డేటా సైన్స్ కు కొత్తవారా? మా ప్రారంభ స్నేహపూర్వక ఉదాహరణలు తో ప్రారంభించండి! ఈ సులభమైన, వ్యాఖ్యానించిన ఉదాహరణలు మీరు పాఠ్యక్రమాన్ని పూర్తిగా నేర్చుకునే ముందు ప్రాథమిక విషయాలను అర్థం చేసుకునేందుకు సహాయం చేస్తాయి. విద్యార్థులు: ఈ పాఠ్యక్రమాన్ని మీ స్వయంగా ఉపయోగించుకోవడానికి, మొత్తం రిపొని ఫోర్క్ చేసి, ముందుగా లెక్చర్ క్విజ్ తో ప్రారంభించి వ్యాయామాలు పూర్తి చేయండి. ఆపై లెక్చర్ చదవండి మరియు మిగతా కార్యాచరణలు పూర్తిచేయండి. పరిష్కారం కోడ్ను కాపీ చేయడం కంటే పాఠాలను అర్థం చేసుకుని ప్రాజెక్టులను సృష్టించేందుకు ప్రయత్నించండి; అయితే, ఆ కోడ్ ప్రతి ప్రాజెక్ట్-ఆధారిత పాఠంలో /solutions ఫోల్డర్లలో అందుబాటులో ఉంది. మరో ఆలోచనగా మీ స్నేహితులతో అధ్యయన సమూహం ఏర్పరచుకొని కంటెంట్ ను కలసి పరిశీలించండి. మరో స్థాయిలో అధ్యయనం కోసం, మేము Microsoft Learn ను సూచిస్తున్నాము.
ద్రుత ప్రారంభం:
- మీ పరిసరాన్ని సెటప్ చేసేందుకు ఇన్స్టాలేషన్ గైడ్ పరిశీలించండి
- పాఠ్యక్రమంతో పనిచేయడం ఎలా అంటే తెలుసుకోవడానికి ఉపయోగ సూచిక పరిశీలించండి
- పాఠం 1 తో ప్రారంభించి వరుసగా కొనసాగండి
- మద్దతు కోసం మా Discord సమాజంలో చేరండి
👩🏫 ఉపాధ్యాయులకు
ఉపాధ్యాయులు: ఈ పాఠ్యక్రమాన్ని ఎలా ఉపయోగించాలో మేము కొన్ని సూచనలు ఉపయోగించినాం. మీ అభిప్రాయాలు మాకు చాలా ఇష్టం మా చర్చా ఫోరంలో!
టీమ్ను కలవండి
గిఫ్ అందించిన మోహిత్ జైసాల్
🎥 ప్రాజెక్ట్ గురించి వీడియో కోసం పై చిత్రం క్లిక్ చేయండి మరియు దాన్ని సృష్టించిన వారికి సంబంధించినది!
విద్యా విధానం
మనం ఈ పాఠ్య పథకాన్ని నిర్మిస్తూ రెండు విద్యా సూత్రాలు ఎన్నుకున్నాము: ఇది ప్రాజెక్ట్-ఆధారితంగా ఉండటం మరియు తరచూ క్విజ్లు కలిగి ఉండటం. ఈ సిరీస్ చివరికి, విద్యార్థులు డేటా సైన్స్లో మౌలిక సూత్రాలు నేర్చుకుంటారు, వాటిలో నిబంధనలు, డేటా సన్నాహకత, డేటాతో పని చేసే విభిన్న మార్గాలు, డేటా విజువలైజేషన్, డేటా విశ్లేషణ, డేటా సైన్స్ యొక్క వాస్తవ ప్రపంచ వినియోగాలు మరియు మరిన్ని ఉన్నాయి.
అదనంగా, తరగతికి ముందుగా ఒక తక్కువ అత్యవసర క్విజ్ విద్యార్థి ఒక విషయం నేర్చుకోవాలనుకునే ఉద్దేశ్యాన్ని కలిగి ఉంటుంది, మరియు తరగతి తర్వాత రెండవ క్విజ్ థప్పుగా గుర్తుంచుకోవడాన్ని నిర్ధారిస్తుంది. ఈ పాఠ్య పథకం సౌకర్యవంతంగా మరియు సంతోషకరంగా ఉండేందుకు రూపొందించబడింది మరియు మొత్తం లేదా భాగంగా తీసుకోవచ్చు. ప్రాజెక్టులు చిన్నగ నుండి మొదలుకొని 10 వారాల చక్రం చివరికి మరింత క్లిష్టంగా మారతాయి.
మా చర్య నియమావళి, योगदान, అనువాదం మార్గదర్శకాలను కనుకండి. మీరు మీ నిర్మాణాత్మక అభిప్రాయాలను స్వాగతిస్తున్నాము!
ప్రతి పాఠం లో ఉంటాయి:
- ఐచ్చిక స్కెచ్నోట్
- ఐచ్చిక అదనపు వీడియో
- పాఠ్యానికి ముందున్న వార్మప్ క్విజ్
- వ్రాత పాఠం
- ప్రాజెక్ట్-ఆధారిత పాఠాలకు, ప్రాజెక్ట్ నిర్మాణం పై విడివిడిగా గైడ్లు
- జ్ఞాన తనిఖీలు
- ఒక సవాలు
- అదనపు చదవడం
- అసైన్మెంట్
- పాఠం తర్వాత క్విజ్
క్విజీల గురించి ఒక గమనిక: అన్ని క్విజీలు Quiz-App ఫోల్డర్లో ఉన్నాయి, ఇక్కడ మొత్తం 40 క్విజీలలో మూడు ప్రశ్నలతో ఉంటాయి. అవి పాఠాల నుండి లింకైన పరగతి, కానీ క్విజ్ యాప్ను స్థానికంగా లేదా Azureలో అమర్చవచ్చు;
quiz-appఫోల్డర్లో ఉన్న సూచనలను అనుసరించండి. అవి గడిచేకొద్దీ అనువదించబడుతున్నాయి.
🎓 ప్రారంభ దశకు అనుకూలమైన ఉదాహరణలు
డేటా సైన్స్ కొత్తవారా? మేము ప్రత్యేకమైన ఉదాహరణల డైరెక్టరీ సృష్టించాము, ఇది సులభమైన, బాగా వ్యాఖ్యానించిన కోడ్తో మీకు ప్రారంభం కోసం సహాయం చేస్తుంది:
- 🌟 హలో వరల్డ్ - మీ మొదటి డేటా సైన్స్ ప్రోగ్రామ్
- 📂 డేటాను లోడ్ చేయడం - డేటాసెట్లను చదవడం మరియు అన్వేషించడం నేర్చుకోండి
- 📊 సరళమైన విశ్లేషణ - గణాంకాలు గణించడం మరియు నమూనాలను కనుగొనడం
- 📈 మౌలిక విజువలైజేషన్ - చార్ట్లు మరియు గ్రాఫ్స్ సృష్టించడం
- 🔬 వాస్తవ ప్రపంచ ప్రాజెక్ట్ - మొదలుకొని పూర్తి వర్క్ఫ్లో పూర్తి చేయడం
ప్రతి ఉదాహరణలో ప్రతి దశను వివరించే వ్యాఖ్యలు ఉన్నాయి, ఇది ప్రారంభకులకి బాగా సరిపోతుంది!
పాఠాలు
![]() |
|---|
| డేటా సైన్స్ ఫర్ బిగినర్స్: రోడ్మ్యాప్ - స్కెచ్నోట్ @nitya చేత |
| పాఠం సంఖ్య | విషయం | పాఠ గ్రూపింగ్ | నేర్చుకునే లక్ష్యాలు | లింక్ పాఠం | రచయిత |
|---|---|---|---|---|---|
| 01 | డేటా సైన్స్ నిర్వచనం | పరిచయం | డేటా సైన్స్ యొక్క ప్రాథమిక సూత్రాలు మరియు దీని సంబంధం కృత్రిమ మేథ, యంత్ర అధ్యయనం మరియు బిగ్ డేటాతో తెలుసుకోండి. | పాఠం వీడియో | డ్మిత్రి |
| 02 | డేటా సైన్స్ నైతికత | పరిచయం | డేటా నైతికత సూత్రాలు, సవాళ్లు మరియు ఫ్రేమ్వర్క్లు. | పాఠం | నిత్య |
| 03 | డేటా నిర్వచనం | పరిచయం | డేటా ఎలా వర్గీకరించబడతుంది మరియు దాని సాధారణ మూలాలు. | పాఠం | జాస్మిన్ |
| 04 | గణాంకాలు మరియు సంభావ్యతకు పరిచయం | పరిచయం | డేటాను అర్థం చేసుకోవడానికి గణాంకాలు మరియు సంభావ్యత యొక్క గణిత సాంకేతికత. | పాఠం వీడియో | డ్మ Дмитి |
| 05 | సంబంధిత డేటాతో పని చేయడం | డేటాతో పని | సంబంధిత డేటాకు పరిచయం మరియు SQL (ప్రతి “సీ-క్వెల్” అని తెలియజెయ్యబడుతుంది) తో సంబంధిత డేటాను అన్వేషించడం మరియు విశ్లేషణ ప్రాథమికాలు. | పాఠం | క్రిస్టోఫర్ |
| 06 | NoSQL డేటాతో పని చేయడం | డేటాతో పని | అప్రమాణాత్మక డేటాకు పరిచయం, దాని వివిధ రకాలు మరియు డాక్యుమెంట్ డేటాబేస్లను అన్వేషించడం, విశ్లేషణ ప్రాథమికాలు. | పాఠం | జాస్మిన్ |
| 07 | పైథాన్తో పని | డేటాతో పని | Pandas లైబ్రరీలుతో డేటాను అన్వేషించడానికి పైథాన్ ఉపయోగించే ప్రాథమికాలు. పైథాన్ ప్రోగ్రామింగ్ యొక్క యొక్క ఆధారభూత అవగాహన సిఫార్సు చేయబడుతుంది. | పాఠం వీడియో | డ్మ Дмитి |
| 08 | డేటా సన్నాహకం | డేటాతో పని | లేమి, తప్పు, లేదా సంపూర్ణంకాని డేటా సవాళ్లను పరిష్కరించడానికి శుభ్రపరచడం మరియు రూపాంతరం చేసే సాంకేతికతలు. | పాఠం | జాస్మిన్ |
| 09 | పరిమాణాలను చూసటం | డేటా విజువలైజేషన్ | Matplotlib ఉపయోగించి పక్షుల డేటాను విజువలైజ్ చేయడం 🦆 | పాఠం | జెన్ |
| 10 | డేటా పంపిణీలను చూసటం | డేటా విజువలైజేషన్ | ఒక అంతరములో గమనించిన అంశాలు మరియు ధోరణులను విజువలైజ్ చేయడం. | పాఠం | జెన్ |
| 11 | భాగాలను చూసటం | డేటా విజువలైజేషన్ | విభిన్న శాతం మరియు గుంపు శాతాలను విజువలైజ్ చేయడం. | పాఠం | జెన్ |
| 12 | సంబంధాలను చూసటం | డేటా విజువలైజేషన్ | డేటా మరియు దాని వ్యత్యాసాల మధ్య సంబంధం మరియు సహసంబంధాలను విజువలైజ్ చేయడం. | పాఠం | జెన్ |
| 13 | అర్థవంతమైన విజువలైజేషన్లు | డేటా విజువలైజేషన్ | మీ విజువలైజేషన్ల్ని విలువైనదిగా చేయడానికి సాంకేతికతలు మరియు మార్గదర్శకాలు, సమస్య పరిష్కారంలో మరియు అవగాహనలో సహాయం. | పాఠం | జెన్ |
| 14 | డేటా సైన్స్ జీవన చక్రానికి పరిచయం | జీవన చక్రం | డేటా సైన్స్ జీవన చక్రానికి పరిచయం మరియు డేటాను సేకరించటం, తీయడం మొదటి దశ. | పాఠం | జాస్మిన్ |
| 15 | విశ్లేషణ | జీవన చక్రం | డేటా ఆధారిత జీవన చక్రం యొక్క ఈ దశ విశ్లేషణ సాంకేతికతలకు కేంద్రీకరించబడింది. | పాఠం | జాస్మిన్ |
| 16 | కమ్యూనికేషన్ | జీవన చక్రం | డేటా ద్వారా పొందిన అవగాహనలను ఆదేశ నిర్వహకులు అర్థం చేసుకోవడానికి సులభంగా తీర్పు చెయ్యగలిగే విధానంలో ప్రదర్శించడం. | పాఠం | జాలెన్ |
| 17 | క్లౌడ్లో డేటా సైన్స్ | క్లౌడ్ డేటా | క్లౌడ్లో డేటా సైన్స్ మరియు దాని లాభాల పరిచయం. | పాఠం | టిక్కాని మరియు మా |
| 18 | క్లౌడ్లో డేటా సైన్స్ | క్లౌడ్ డేటా | లో కోడ్ టూల్స్ ఉపయోగించి మోడల్స్ శిక్షణ. | పాఠం | టిక్కాని మరియు మా |
| 19 | క్లౌడ్లో డేటా సైన్స్ | క్లౌడ్ డేటా | Azure Machine Learning Studioతో మోడల్స్ అమర్చడం. | పాఠం | టిక్కాని మరియు మా |
| 20 | వన్యప్రాంతాల్లో డేటా సైన్స్ | వన్యంలో | వాస్తవ ప్రపంచంలో డేటా సైన్స్ ఆధారిత ప్రాజెక్టులు. | పాఠం | నిత్య |
GitHub Codespaces
ఈ నమూనాను Codespaceలో తెరవడానికి క్రింది దశలను అనుసరించండి:
- కోడ్ డ్రాప్డౌన్ మెనుని క్లిక్ చేసి "Open with Codespaces" ఎంపికను ఎంచుకోండి.
- ప్యాన్ దిగువన ఉన్న + New codespace ఎంపికను ఎంచుకోండి. మరింత సమాచారం కోసం, GitHub డాక్యుమెంటేషన్ చూడండి.
VSCode Remote - Containers
ఈ రిపోను లోకల్ మిషీను మరియు VSCode Remote - Containers విస్తరణ ఉపయోగించి కంటైనర్లో తెరవడానికి క్రింది దశలను అనుసరించండి:
- మీరు మెరుగైన అభివృద్ధి కంటైనర్ను మొదటిసారిగా ఉపయోగిస్తే, దయచేసి మీ సిస్టమ్ ప్రీ-రిక్విజిట్స్ (అంటే Docker ఇన్స్టాల్ చెయ్యడం) ని ప్రారంభ డాక్యుమెంటేషన్లో ఖచ్చితంగా నిర్ధారించండి.
ఈ రిపోను ఉపయోగించడానికి, మీరు ఈ క్రింది రెండు మార్గాల్లో మొదలు పెట్టవచ్చు:
గమనిక: Remote-Containers: Clone Repository in Container Volume... ఆదేశం ద్వారా సోర్స్ కోడ్ను స్థానిక ఫైల్సిస్టమ్ బదులుగా Docker వాల్యూమ్ లో క్లోన్ చేస్తుంది. వాల్యూమ్లు కంటైనర్ డేటాను నిలుపుకోవడానికి ప్రాధాన్యమైన వ్యవస్థ.
లేదంటే స్థానికంగా క్లోన్ చేసిన లేదా డౌన్లోడ్ చేసిన రిపోను తెరవండి:
- ఈ రిపోను మీ స్థానిక ఫైల్సిస్టమ్ లో క్లోన్ చేయండి.
- F1 నొక్కి Remote-Containers: Open Folder in Container... ఆదేశాన్ని ఎంచుకోండి.
- ఈ ఫోల్డర్ క్లోన్ చేసిన కాపీని ఎంచుకోండి, కంటైనర్ ప్రారంభాన్ని వేచి, పనులు ప్రారంభించండి.
ఆఫ్లైన్ యాక్సెస్
Docsify ఉపయోగించి మీరు ఈ డాక్యుమెంటేషన్ను ఆఫ్లైన్లో కూడా అమలు చేయవచ్చు. ఈ రిపోను ఫోర్క్ చేసి, మీ స్థానిక యంత్రంలో Docsify ఇన్స్టాల్ చేయండి, తరువాత ఈ రిపో యొక్క రూట్ ఫోల్డర్లో docsify serve టైప్ చేయండి. వెబ్సైట్ స్థానిక హోస్ట్లో 3000 పోర్ట్ లా అందుబాటులో ఉంటుంది: localhost:3000.
గమనిక, నోట్బుకులు Docsify ద్వారా రెండర్ అవవు, కాబట్టి మీరు నోట్బుక్ চালించాల్సిన అవసరం ఉన్నప్పుడు, దాన్ని వేరే చోట VS Codeలో పైథాన్ కర్నెల్ నడుపుతూ చేయండి.
ఇతర పాఠ్యాలు
మన బృందం ఇతర పాఠ్యాలు కూడా రూపొందిస్తుంది! చూడండి:
LangChain
Azure / ఎజ్ / MCP / ఏజెంట్లు
జనరేటివ్ AI సిరీస్
మౌలిక అభ్యాసం
కాపిలాట్ సిరీస్
సహాయం పొందడం
సమస్యలతో ఎదురవుతున్నారా? సాధారణ సమస్యల పరిష్కారాల కోసం మా ట్రబుల్షూటింగ్ గైడ్ని పరిశీలించండి.
మీకు ఎక్కడైనా చిక్కులు వచ్చి AI అనువర్తనాలు సృష్టించే విషయంలో సందేహాలు ఉంటే, MCP గురించి చర్చలు జరగుతున్న ఇతర అభ్యాసకులు మరియు అనుభవజ్ఞులైన డెవలపర్లు ఉన్న కమ్యూనిటీలో చేరండి. ఇక్కడ ప్రశ్నలు అడగడం స్వాగతం మరియు జ్ఞానం స్వేచ్ఛగా పంచుకోబడుతుంది.
మీకు ఉత్పత్తి పై అభిప్రాయాలు లేదా తప్పులు ఉన్నట్లయితే నిర్మాణ సమయంలో సందర్శించండి:
అస్పష్టత నోట్లు: ఈ పత్రం AI అనువాద సేవ అయిన Co-op Translator ద్వారా అనువదించబడింది. మేము సరైన అనువాదానికోసం కృషి చేసినప్పటికీ, автомేటెడు అనువాదాలలో పొరపాట్లు లేదా లోపాలు ఉండవచ్చు. అసలు పత్రం native భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, సర్వదృష్టి కలిగిన మానవ అనువాదాన్ని సూచిస్తాము. ఈ అనువాదం వాడుక వల్ల కలిగే ఏవైనా అపవ్యాఖ్యలు లేదా దోషాలకు మేము బాధ్యులు కాదు.



