> 🎥 Klõpsake ülaloleval pildil, et vaadata lühivideot, mis käsitleb seda õppetundi.
> 🎥 Klõpsa ülaloleval pildil, et vaadata lühivideot selle õppetüki läbivaatamiseks.
Selles õppetunnis vaatame läbi masinõppe ja tehisintellekti ajaloo olulisemad verstapostid.
Selles õppetükis vaatame üle masinõppe ja tehisintellekti ajaloo olulised verstapostid.
Tehisintellekti (AI) kui valdkonna ajalugu on tihedalt seotud masinõppe ajalooga, kuna ML-i aluseks olevad algoritmid ja arvutuslikud edusammud toetasid AI arengut. Tasub meeles pidada, et kuigi need valdkonnad hakkasid eraldiseisvate uurimisvaldkondadena kujunema 1950ndatel, eelnesid sellele ajastule olulised [algoritmilised, statistilised, matemaatilised, arvutuslikud ja tehnilised avastused](https://wikipedia.org/wiki/Timeline_of_machine_learning). Tegelikult on inimesed nende küsimuste üle mõelnud juba [sadu aastaid](https://wikipedia.org/wiki/History_of_artificial_intelligence): see artikkel käsitleb mõtlemisvõimelise masina idee ajaloolisi intellektuaalseid aluseid.
Tehisintellekti (TI) valdkonna ajalugu on põimunud masinõppe ajalooga, kuna masinõppe aluseks olevad algoritmid ja arvutuslikud edusammud aitasid kaasa TI arengule. Kasulik on meeles pidada, et kuigi need valdkonnad hakati 1950. aastatel eristuma, olid olulised [algoritmilised, statistilised, matemaatilised, arvutuslikud ja tehnilised avastused](https://wikipedia.org/wiki/Timeline_of_machine_learning) juba enne seda ja kattusid selle ajaga. Tegelikult on inimesed nende küsimustega mõelnud juba [sadu aastaid](https://wikipedia.org/wiki/History_of_artificial_intelligence): see artikkel käsitleb ajaloolisi intellektuaalseid aluseid ideele 'mõtlev masin'.
---
## Märkimisväärsed avastused
- 1763, 1812 [Bayesi teoreem](https://wikipedia.org/wiki/Bayes%27_theorem) ja selle eelkäijad. See teoreem ja selle rakendused on aluseks järeldustele, kirjeldades sündmuse tõenäosust varasema teadmise põhjal.
- 1805 [Väikseimate ruutude meetod](https://wikipedia.org/wiki/Least_squares) prantsuse matemaatiku Adrien-Marie Legendre'i poolt. See teooria, mida õpite meie regressiooni õppetükis, aitab andmete sobitamisel.
- 1913 [Markovi ahelad](https://wikipedia.org/wiki/Markov_chain), nime saanud vene matemaatiku Andrey Markovi järgi, kirjeldavad järjestikku võimalikke sündmusi varasema seisundi põhjal.
- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron) on lineaarse klassifikaatori tüüp, mille leiutas Ameerika psühholoog Frank Rosenblatt ja mis on aluseks süvaõppe edusammudele.
- 1763, 1812 [Bayesi teoreem](https://wikipedia.org/wiki/Bayes%27_theorem) ja selle eelkäijad. See teoreem ja selle rakendused on tuletamise alus, kirjeldades sündmuse toimumise tõenäosust eelnevate teadmiste põhjal.
- 1805 [Vähimate ruutude teooria](https://wikipedia.org/wiki/Least_squares), prantsuse matemaatiku Adrien-Marie Legendre’i poolt. Selle teooria kohta õpid meie regressiooniosas, see aitab andmete sobitamisel.
- 1913 [Markovi ahelad](https://wikipedia.org/wiki/Markov_chain), nime järgi vene matemaatik Andrey Markovi, kasutatakse võimalike sündmuste jada kirjeldamiseks varasema oleku põhjal.
- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron), Ameerika psühholoogi Frank Rosenblatti välja mõeldud lineaarne klassifikaator, mis on süvaõppe edusammude alus.
---
- 1967 [Lähima naabri algoritm](https://wikipedia.org/wiki/Nearest_neighbor) loodi algselt marsruutide kaardistamiseks. ML-i kontekstis kasutatakse seda mustrite tuvastamiseks.
- 1970 [Tagasiarvutus](https://wikipedia.org/wiki/Backpropagation) kasutatakse [edasisuunatud närvivõrkude](https://wikipedia.org/wiki/Feedforward_neural_network) treenimiseks.
- 1982 [Korduvad närvivõrgud](https://wikipedia.org/wiki/Recurrent_neural_network) on tehisnärvivõrgud, mis on tuletatud edasisuunatud närvivõrkudest ja loovad ajutisi graafe.
- 1967 [Nearest Neighbor](https://wikipedia.org/wiki/Nearest_neighbor) algoritm, algselt marsruutide kaardistamiseks loodud. Masinõppe kontekstis kasutatakse mustrite tuvastamiseks.
- 1970 [Tagasi levitamise meetod](https://wikipedia.org/wiki/Backpropagation) kasutatakse [feedforward närvivõrkude](https://wikipedia.org/wiki/Feedforward_neural_network) treenimiseks.
- 1982 [Rekursiivsed närvivõrgud](https://wikipedia.org/wiki/Recurrent_neural_network) on kunstlikud närvivõrgud, mis on tuletatud feedforward närvivõrkudest ja loovad ajaliselt sõltuvad graafid.
✅ Tehke veidi uurimistööd. Millised muud kuupäevad paistavad ML-i ja AI ajaloo seisukohalt olulised?
✅ Tee natuke uurimistööd. Millised teised kuupäevad paistavad masinõppe ja tehisintellekti ajaloos silma pöördepunktidena?
---
## 1950: Mõtlevad masinad
## 1950: Mõtlevaid masinaid
Alan Turing, tõeliselt erakordne isik, kes valiti [avaliku hääletuse teel 2019. aastal](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) 20. sajandi suurimaks teadlaseks, aitas rajada mõtlevate masinate kontseptsiooni aluseid. Ta võitles skeptikute ja oma vajadusega selle kontseptsiooni empiirilise tõestuse järele, luues osaliselt [Turingi testi](https://www.bbc.com/news/technology-18475646), mida uurite meie NLP õppetundides.
Alan Turing, tõeliselt tähelepanuväärne isik, keda [avalikkus 2019. aastal](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) valis 20. sajandi suurimaks teadlaseks, aitas kaasa kontseptsiooni 'mõtlev masin' aluste loomisele. Ta püüdis tõestada seda ideed nii kahtlejate kui ka oma vajaduse kaudu empiiriliste tõendite järele, luues osaliselt selleks [Turingi testi](https://www.bbc.com/news/technology-18475646), mida sa uurid meie NLP õppetundides.
---
## 1956: Dartmouthi suvine uurimisprojekt
## 1956: Dartmouth'i suve-uuringuprojekt
"Dartmouthi suvine uurimisprojekt tehisintellekti alal oli tehisintellekti kui valdkonna jaoks oluline sündmus," ja just siin võeti kasutusele termin 'tehisintellekt' ([allikas](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
"Dartmouth'i suve-uuringuprojekt tehisintellektil oli oluline tähendus tehisintellekti valdkonna kujunemisel," ja just seal võeti kasutusele termin 'tehisintellekt' ([allikas](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
> Iga õppimise aspekt või mis tahes muu intelligentsuse omadus on põhimõtteliselt nii täpselt kirjeldatav, et masin suudab seda simuleerida.
> Iga õppe või muu intelligentsuse tunnus võib põhimõtteliselt olla nii täpselt kirjeldatud, et masin saab selle simuleerida.
---
Peamine uurija, matemaatikaprofessor John McCarthy, lootis "edasi liikuda eeldusel, et iga õppimise aspekt või mis tahes muu intelligentsuse omadus on põhimõtteliselt nii täpselt kirjeldatav, et masin suudab seda simuleerida." Osalejate hulka kuulus ka teine valdkonna suurkuju Marvin Minsky.
Peauurija, matemaatikaprofessor John McCarthy lootsid "lähtuda oletusest, et iga õppe või muu intelligentsuse aspekt võib põhimõtteliselt olla nii täpselt kirjeldatud, et masin saab selle simuleerida." Osalejate seas oli ka teine valdkonna tunnustatud teadlane, Marvin Minsky.
Töötuba on tunnustatud mitmete arutelude algatamise ja edendamise eest, sealhulgas "sümboolsete meetodite tõus, piiratud valdkondadele keskendunud süsteemid (varased ekspertsüsteemid) ja deduktiivsed süsteemid versus induktiivsed süsteemid." ([allikas](https://wikipedia.org/wiki/Dartmouth_workshop)).
Töötuba aitas algatada ja julgustada mitmeid arutelusid, sealhulgas "sümboolsete meetodite tõusu, piiratud domeenidega süsteemide (varased ekspertsüsteemid) ja deduktiivsete süsteemide versus induktiivsete süsteemide küsimusi." ([allikas](https://wikipedia.org/wiki/Dartmouth_workshop)).
---
## 1956 - 1974: "Kuldne ajastu"
## 1956 - 1974: "Kuldajad"
1950ndatest kuni 1970ndate keskpaigani valitses optimism, et AI suudab lahendada palju probleeme. 1967. aastal väitis Marvin Minsky enesekindlalt, et "Ühe põlvkonna jooksul ... tehisintellekti loomise probleem lahendatakse oluliselt." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
Alates 1950ndatest kuni 70ndate keskpaigani valitses suur optimism, et TI suudab lahendada mitmeid probleeme. 1967. aastal ütles Marvin Minsky enesekindlalt, et "Ühe põlvkonna jooksul ... on 'tehisintellekti' loomise probleem suuresti lahendatud." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
Looduskeele töötlemise uurimine õitses, otsingut täiustati ja muudeti võimsamaks ning loodi 'mikromaailmade' kontseptsioon, kus lihtsaid ülesandeid täideti lihtsate keeleliste juhiste abil.
Loomuliku keele töötlemine turgutas, otsing muutus täpsemaks ja võimsamaks ning tekkis kontseptsioon "mikromaailmadest", kus lihtsaid ülesandeid täideti tavakeele juhiste abil.
---
Uuringuid rahastasid hästi valitsusasutused, arvutusvõimekus ja algoritmid arenesid ning loodi intelligentsete masinate prototüüpe. Mõned neist masinatest hõlmavad:
Uuringud olid hästi rahastatud valitsusasutuste poolt, toimusid edusammud arvutustes ja algoritmides ning ehitati intelligentsete masinate prototüüpe. Mõned neist masinatest olid:
* [Shakey robot](https://wikipedia.org/wiki/Shakey_the_robot), kes suutis liikuda ja otsustada, kuidas ülesandeid 'intelligentselt' täita.
* [Shakey robot](https://wikipedia.org/wiki/Shakey_the_robot), kes suutis manööverdada ja otsustada, kuidas ülesandeid "intelligentsemalt" täita.
* "Plokkide maailm" oli näide mikromaailmast, kus plokke sai virnastada ja sorteerida ning masinatele otsuste tegemise õpetamise katseid sai testida. Keeltöötluse edendamiseks aitasid kaasa sellised raamatukogud nagu [SHRDLU](https://wikipedia.org/wiki/SHRDLU).
* "Blocks world" oli näide mikromaailmast, kus klotse sai laduda ja sorteerida ning masinatele otsuste tegemise katseid teha. Edusammud, mis kasutavad teeke nagu [SHRDLU](https://wikipedia.org/wiki/SHRDLU), aitasid keele töötlemist edasi viia.
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "plokkide maailm SHRDLU-ga")
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "blocks world koos SHRDLU")
> 🎥 Klõpsake ülaloleval pildil, et vaadata videot: Plokkide maailm SHRDLU-ga
> 🎥 Klõpsa ülaloleval pildil, et vaadata videot: Blocks world koos SHRDLU-ga
---
## 1974 - 1980: "AI talv"
## 1974 - 1980: "TI talv"
1970ndate keskpaigaks sai selgeks, et 'intelligentsete masinate' loomise keerukust oli alahinnatud ja selle lubadusi, arvestades olemasolevat arvutusvõimekust, oli üle hinnatud. Rahastamine kuivas kokku ja usaldus valdkonna vastu vähenes. Mõned probleemid, mis mõjutasid usaldust, hõlmavad:
1970. aastate keskpaigaks sai selgeks, et intelligentsete masinate tegemise keerukust oli alahinnatud ja lubadusi arvutusvõimsuse kontekstis liialdatud. Rahastamine kuivatas ja valdkonna usaldus aeglustus. Mõned usaldusväärsust mõjutanud probleemid olid:
---
- **Piirangud**. Arvutusvõimekus oli liiga piiratud.
- **Kombinatoorne plahvatus**. Parameetrite hulk, mida tuli treenida, kasvas eksponentsiaalselt, kui arvutitelt nõuti rohkem, ilma et arvutusvõimekus ja -võimalused oleksid paralleelselt arenenud.
- **Andmete nappus**. Andmete nappus takistas algoritmide testimise, arendamise ja täiustamise protsessi.
- **Kas me küsime õigeid küsimusi?**. Hakkasid tekkima kahtlused esitatud küsimuste osas. Teadlased hakkasid saama kriitikat oma lähenemisviiside kohta:
- Turingi testid seati kahtluse alla, muu hulgas 'hiina toa teooria' kaudu, mis väitis, et "digitaalse arvuti programmeerimine võib panna selle näima, et ta mõistab keelt, kuid ei suuda tekitada tõelist mõistmist." ([allikas](https://plato.stanford.edu/entries/chinese-room/))
- Küsiti tehisintellektide, nagu "terapeut" ELIZA, eetilisuse kohta ühiskonnas.
- **Piirangud**. Arvutusvõimsus oli liiga piiratud.
- **Kombinatoriline plahvatus**. Treenimiseks vajalike parameetrite arv kasvas eksponentsiaalselt ning arvutusvõime ei arenenud samas tempos.
- **Andmete vähesus**. Andmete nappus takistas algoritmide testimist, arendamist ja täpsustamist.
- **Kas me esitame õigeid küsimusi?**. Esitatud küsimusi hakati kahtluse alla seadma. Uurijaid kritiseeriti nende lähenemisviiside pärast:
- Turingi testi kahtluse alla seadmine, muu hulgas 'Hiina toa teooria' abil, mis väidab, et "digitaalset arvutit programmeerides võib tunduda, et mõistetakse keelt, kuid see ei suuda tegelikku arusaamist tekitada." ([allikas](https://plato.stanford.edu/entries/chinese-room/))
- Tehisintellektide, nagu "terapeut" ELIZA, ühiskonda toomise eetika sai kahtluse alla.
---
Samal ajal hakkasid kujunema erinevad AI koolkonnad. Loodi dihhotoomia ["räpane" vs. "korralik AI"](https://wikipedia.org/wiki/Neats_and_scruffies) praktikate vahel. _Räpased_ laborid kohandasid programme tundide kaupa, kuni saavutati soovitud tulemused. _Korralikud_ laborid "keskendusid loogikale ja formaalsele probleemide lahendamisele". ELIZA ja SHRDLU olid tuntud _räpased_ süsteemid. 1980ndatel, kui tekkis nõudlus ML-süsteemide reprodutseeritavuse järele, võttis _korralik_ lähenemine järk-järgult juhtpositsiooni, kuna selle tulemused on paremini seletatavad.
Samal ajal hakkasid tekkinud erinevad TI mõtteviisid. Loomist ilmnes dikotoomia ["räpane" vs. "korralik TI"] (https://wikipedia.org/wiki/Neats_and_scruffies) praktikate vahel. _Räpased_ laborid kohendasid programme tundide kaupa, kuni tuli soovitud tulemus. _Korralikud_ laborid "keskendusid loogikale ja formaalsele probleemide lahendamisele". ELIZA ja SHRDLU olid tuntud _räpased_ süsteemid. 1980ndatel, kui tekkis nõudlus masinõppesüsteemide reprodutseerimise järele, tõusis esiplaanile järk-järgult _korralik_ lähenemine, kuna selle tulemused on paremini seletatavad.
---
## 1980ndate ekspertsüsteemid
Valdkonna kasvades sai selgemaks selle kasu ärile ning 1980ndatel kasvas ka 'ekspertsüsteemide' levik. "Ekspertsüsteemid olid esimeste tõeliselt edukate tehisintellekti (AI) tarkvara vormide hulgas." ([allikas](https://wikipedia.org/wiki/Expert_system)).
Valdkond kasvas, selgust tuli ärilisest kasust ja 1980ndatel levisid laialdaselt 'ekspertsüsteemid'. "Ekspertsüsteemid olid üks esimesi tõeliselt edukamaid tehisintellektitarkvarasid." ([allikas](https://wikipedia.org/wiki/Expert_system)).
Selline süsteem on tegelikult _hübriid_, koosnedes osaliselt reeglite mootorist, mis määratleb ärinõuded, ja järeldusmootorist, mis kasutas reeglite süsteemi uute faktide tuletamiseks.
Sellised süsteemid on tegelikult _hübriidid_, koosnedes osaliselt reeglite mootorist, mis määratleb ärinõuded, ja järeldusmootorist, mis kasutab reeglitest tuletatavaid uusi fakte.
Sellel ajastul pöörati üha enam tähelepanu ka närvivõrkudele.
Selles ajastus pöörati üha rohkem tähelepanu närvivõrkudele.
---
## 1987 - 1993: AI 'külm'
## 1987 - 1993: TI 'vaikus'
Spetsialiseeritud ekspertsüsteemide riistvara levik avaldas kahjuks mõju, muutudes liiga spetsialiseerituks. Personaalarvutite tõus konkureeris nende suurte, spetsialiseeritud, tsentraliseeritud süsteemidega. Arvutite demokratiseerimine oli alanud ja see sillutas lõpuks teed tänapäevasele suurandmete plahvatusele.
Spetsialiseeritud ekspertsüsteemide riistvara hulk muutus kahjuks liiga spetsiifiliseks. Isikliku arvuti tõus konkurentsis nende suurte, spetsialiseeritud tsentraliseeritud süsteemidega. Arvutite demokratiseerimine oli alanud ja see sillutas teed tänapäeva suurandmete plahvatusele.
---
## 1993 - 2011
See ajastu tõi ML-i ja AI jaoks uue ajastu, kus suudeti lahendada varasemad probleemid, mis olid põhjustatud andmete ja arvutusvõimekuse puudumisest. Andmete hulk hakkas kiiresti kasvama ja muutuma laiemalt kättesaadavaks, nii heas kui halvas, eriti nutitelefoni tulekuga umbes 2007. aastal. Arvutusvõimekus kasvas eksponentsiaalselt ja algoritmid arenesid koos sellega. Valdkond hakkas küpsema, kuna varasemad vabad päevad hakkasid kristalliseeruma tõeliseks distsipliiniks.
See epohh tähistas uut ajastut masinõppe ja tehisintellekti jaoks, mis suutsid lahendada varasema andmete ja arvutusvõimsuse puudusest tingitud probleeme. Andmete hulk hakkas kiiresti kasvama ja muutus kättesaadavamaks, nii heas kui halvas, eriti nutitelefoni tulekuga umbes 2007. aastal. Arvutusvõimsus kasvas eksponentsiaalselt ja algoritmid arenesid sellega kaasas. Valdkond muutus küpsemaks, kui varem vabal kujul toimunud päevad hakkasid kristalliseeruma tõeliseks distsipliiniks.
---
## Tänapäev
## Tänapäeval
Tänapäeval puudutavad masinõpe ja AI peaaegu kõiki meie eluvaldkondi. See ajastu nõuab algoritmide mõjude ja riskide hoolikat mõistmist inimeludele. Nagu Microsofti Brad Smith on öelnud: "Infotehnoloogia tõstatab küsimusi, mis puudutavad põhilisi inimõiguste kaitse aspekte, nagu privaatsus ja väljendusvabadus. Need küsimused suurendavad vastutust tehnoloogiaettevõtete jaoks, kes neid tooteid loovad. Meie arvates kutsuvad need esile ka valitsuse läbimõeldud regulatsiooni ja normide väljatöötamist aktsepteeritavate kasutusviiside osas." ([allikas](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
Tänapäeval mõjutavad masinõpe ja tehisintellekt praktiliselt kõiki eluvaldkondi. See ajastu nõuab hoolikat arusaamist riskidest ja potentsiaalsetest mõjudest inimeste elule. Nagu Microsofti Brad Smith on öelnud: "Infotehnoloogia tõstatab küsimusi, mis puutuvad kokku põhiliste inimõiguste kaitsega nagu privaatsus ja sõnavabadus. Need küsimused suurendavad tehnoloogiaettevõtete vastutust, kes loovad neid tooteid. Meie seisukohast nõuavad nad ka läbimõeldud riiklikku regulatsiooni ja normide väljatöötamist aktsepteeritavate kasutusviiside kohta" ([allikas](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
---
Jääb näha, mida tulevik toob, kuid oluline on mõista neid arvutisüsteeme ning tarkvara ja algoritme, mida need käitavad. Loodame, et see õppekava aitab teil paremini mõista, et saaksite ise otsustada.
Tuleviku osas on veel vara öelda, kuid oluline on mõista neid arvutisüsteeme ning tarkvara ja algoritme, millega nad töötavad. Loodame, et see õppekava aitab sul paremini mõista, et saaksid ise otsustada.
> 🎥 Klõpsa ülaloleval pildil, et vaadata videot: Yann LeCun räägib selle loengu ajal sügava õppimise ajaloost
---
## 🚀Väljakutse
Süvenege ühte neist ajaloolistest hetkedest ja uurige rohkem selle taga olevate inimeste kohta. Seal on põnevaid tegelasi ja ükski teaduslik avastus pole kunagi loodud kultuurilisest vaakumist. Mida avastate?
Uuri mõnda neist ajaloolistest hetkedest ja saa rohkem teada inimestest nende taga. Seal on põnevaid tegelasi, ning ükski teaduslik avastus pole kunagi sündinud kultuurilisest vaakumist. Mida sa avastad?
Siin on vaatamiseks ja kuulamiseks mõeldud materjalid:
Siin on vaatamiseks ja kuulamiseks materjale:
[See taskuhääling, kus Amy Boyd arutleb AI evolutsiooni üle](http://runasradio.com/Shows/Show/739)
[See podcast, kus Amy Boyd räägib tehisintellekti arengust](http://runasradio.com/Shows/Show/739)
[](https://www.youtube.com/watch?v=EJt3_bFYKss "AI ajalugu Amy Boyd poolt")
[](https://www.youtube.com/watch?v=EJt3_bFYKss "Tehisintellekti ajalugu Amy Boydiga")
---
## Ülesanne
## Kodune ülesanne
[Loo ajajoon](assignment.md)
[Loo ajaskaala](assignment.md)
---
**Lahtiütlus**:
See dokument on tõlgitud AI tõlketeenuse [Co-op Translator](https://github.com/Azure/co-op-translator) abil. Kuigi püüame tagada täpsust, palume arvestada, et automaatsed tõlked võivad sisaldada vigu või ebatäpsusi. Algne dokument selle algses keeles tuleks pidada autoriteetseks allikaks. Olulise teabe puhul soovitame kasutada professionaalset inimtõlget. Me ei vastuta selle tõlke kasutamisest tulenevate arusaamatuste või valesti tõlgenduste eest.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Lahtiütlus**:
See dokument on tõlgitud kasutades AI tõlketeenust [Co-op Translator](https://github.com/Azure/co-op-translator). Kuigi me püüdleme täpsuse poole, palun pange tähele, et automatiseeritud tõlgetes võib esineda vigu või ebatäpsusi. Originaaldokument selle emakeeles tuleks pidada autoriteetseks allikaks. Olulise teabe puhul soovitatakse kasutada professionaalset inimtõlget. Me ei vastuta selle tõlkega seotud eksimustest või valesti mõistmistest.
Selles õppekavas hakkate avastama, kuidas masinõpe mõjutab ja võib mõjutada meie igapäevaelu. Juba praegu osalevad süsteemid ja mudelid igapäevastes otsustusülesannetes, nagu tervishoiudiagnoosid, laenude heakskiitmine või pettuste tuvastamine. Seepärast on oluline, et need mudelid töötaksid hästi ja pakuksid usaldusväärseid tulemusi. Nagu iga tarkvararakenduse puhul, võivad ka tehisintellektisüsteemid mitte vastata ootustele või anda soovimatuid tulemusi. Seetõttu on oluline mõista ja osata selgitada tehisintellektimudeli käitumist.
Selles õppekavas hakkate avastama, kuidas masinõpe mõjutab ja mõjutab meie igapäevaelu. Isegi praegu on süsteemid ja mudelid igapäevastes otsustusülesannetes, nagu tervishoiudiagnoosid, laenuandmine või pettuste tuvastamine. Seega on oluline, et need mudelid töötaksid hästi, pakkudes usaldusväärseid tulemusi. Nagu iga tarkvararakendus, võivad ka tehisintellektisüsteemid mitte vastata ootustele või anda soovimatuid tulemusi. Seetõttu on oluline mõista ja selgitada tehisintellektimudelite käitumist.
Kujutage ette, mis võib juhtuda, kui andmed, mida kasutate nende mudelite loomiseks, puudutavad teatud demograafilisi rühmi, näiteks rassi, sugu, poliitilist vaadet, usku või esindavad selliseid rühmi ebaproportsionaalselt. Mis saab siis, kui mudeli väljundit tõlgendatakse ühekülgselt mõne demograafilise rühma kasuks? Millised on tagajärjed rakendusele? Lisaks, mis juhtub, kui mudel annab kahjuliku tulemuse inimestele? Kes vastutab tehisintellekti süsteemi käitumise eest? Need on mõned küsimused, mida selles õppekavas uurime.
Kujutage ette, mis võib juhtuda, kui andmed, mida te kasutate nende mudelite loomiseks, puuduvad teatud demograafilised rühmad, nagu rass, sugu, poliitilised vaated, religioon või esindavad ebaproportsionaalselt mõnda demograafilist rühma. Mis juhtub, kui mudeli väljund tõlgendatakse teatud demograafilist rühma soosivaks? Mis on selle rakenduse tagajärg? Lisaks, mis juhtub, kui mudelil on kahjulik väljund ja see kahjustab inimesi? Kes vastutab tehisintellektisüsteemide käitumise eest? Need on mõned küsimused, mida selles õppekavas uurime.
Selles õppetükis:
Selles õppetükis:
- Suurendate teadlikkust õiglusest masinõppes ja sellega seotud kahjudest.
- Tutvute haruliste juhtumite ja ebatavaliste stsenaariumite uurimise praktikaga, et tagada usaldusväärsus ja ohutus.
- Saate aru vajadusest võimestada kõiki, kujundades kaasavaid süsteeme.
- Uurite, kui tähtis on kaitsta andmete ja inimeste privaatsust ja turvalisust.
- Näete, kui oluline on läbipaistva lähenemisega selgitada tehisintellekti mudelite käitumist.
- Olete teadlik sellest, kui oluline on vastutus, et ehitada usaldust tehisintellekti süsteemide vastu.
- Teadlikkuse tõstmine õigluse tähtsusest masinõppes ja õiglusega seotud kahjude kohta.
- Harjutada äärmuste ja ebatavaliste stsenaariumide uurimist usaldusväärsuse ja ohutuse tagamiseks.
- Mõista vajadust kõiki võimestada kaasavate süsteemide kujundamise kaudu.
- Uurida, kui tähtis on kaitsta andmete ja inimeste privaatsust ja turvalisust.
- Näha klaaskasti lähenemise olulisust tehisintellektimudelite käitumise selgitamisel.
- Olla teadlik vastutusest kui usalduse ehitamise alusest tehisintellektisüsteemides.
## Eelteadmised
## Eeldused
Eelteadmise jaoks palun läbitage „Vastutustundliku tehisintellekti põhimõtted“ õpperada ja vaadake allolevat videot sellel teemal:
Eeldusena läbige palun "Vastutustundliku tehisintellekti põhimõtted" õpitee ja vaadake allolevat videot sellel teemal:
Lisateavet vastutustundliku tehisintellekti kohta leiate järgides seda [Õpperada](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
Lisateave vastutustundliku tehisintellekti kohta, järgides seda [õppeteed](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
Tehisintellektisüsteemid peaksid kõigi suhtes käituma õiglaselt ega tohi mõjutada sarnaseid inimrühmi erinevalt. Näiteks kui tehisintellektisüsteemid annavad juhiseid meditsiinilise ravi, laenutaotluste või töölevõtmise kohta, peaksid nad tegema samad soovitused kõigile, kellel on sarnased sümptomid, rahalised olud või kutseoskused. Me kõik kanname kaasas päritud eelarvamusi, mis mõjutavad meie otsuseid ja tegusid. Need eelarvamused võivad olla nähtavad andmetes, mida kasutame tehisintellekti süsteemide koolitamiseks. Selline manipulatsioon võib juhtuda sageli tahtmatult. Teadlikult on sageli keeruline teada, millal andmetesse eelarvamus sisse juhitakse.
Tehisintellektisüsteemid peaksid kõiki õiglaselt kohtlema ega tohi mõjutada sarnaseid inimrühmi erinevalt. Näiteks, kui tehisintellektisüsteemid annavad juhiseid meditsiinilise ravi, laenutaotluste või töölevõtmise kohta, peaksid nad tegema samad soovitused kõigile, kellel on sarnased sümptomid, rahalised tingimused või kutseoskused. Igaüks meist kannab endas pärandatud eelarvamusi, mis mõjutavad meie otsuseid ja tegevusi. Need eelarvamused võivad andmetes, mida kasutame tehisintellekti koolitamiseks, ilmne olla. Mõnikord võib selline manipulatsioon toimuda tahtmatult. Teadvustatult on sageli raske teada, millal andmeid kallutatakse.
**„Ebaõiglus“** hõlmab negatiivseid mõjusid või „kahjusid“ teatud inimrühma jaoks, näiteks rassi, soo, vanuse või puude seisundi alusel määratletud rühmasid. Peamised õiglusest tulenevad kahjud võib klassifitseerida järgmiselt:
**„Õiglust mittevastavus“** hõlmab negatiivseid mõjusid ehk „kahjusid“ teatud inimrühmadele, nagu rass, sugu, vanus või puude staatus. Peamised õiglust puudutavad kahjud võib liigitada järgmiselt:
- **Jaotus**, kui näiteks üks sugu või etniline rühm saab teise ees eelise.
- **Teenuse kvaliteet**. Kui treenite mudelit ainult konkreetse stsenaariumi jaoks, kuid tegelikkus on palju keerukam, viib see kehva teeninduse tulemuseni. Näiteks käsiseebidosaator, mis tundus olevat võimetu märkama tumeda nahaga inimesi. [Allikas](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Määrimine**. Ebaõiglane kriitika ja märgistamine kellegi või millegi kohta. Näiteks pildituvastustehnoloogia ekslikult märkis tumeda nahavärviga inimeste pilte gorilladena.
- **Liigne või vähene esindatus**. Mõte on see, et teatud rühma ei ole nähtud teatud ametis ja mis tahes teenus või funktsioon, mis jätkab seda edendamist, põhjustab kahju.
- **Stereotüüpimine**. Antud rühma seostamine eelmääratud omadustega. Näiteks inglise ja türgi keele tõlketehnoloogia võib sisaldada ebatäpseid tõlkeid seoses sõnadega, mis on seotud sugude stereotüüpiga.
- **Jaotamine**, kui näiteks ühte sugu või etnilist rühma eelistatakse teise ees.
- **Teenuse kvaliteet**. Kui andmeid koolitatakse ainult ühe konkreetse stsenaariumi jaoks, kuid tegelikkus on palju keerulisem, võib see põhjustada kehva toimivusega teenuse. Näiteks käsepumbal, mis ei suutnud näida tundvat tumedanahalisi inimesi. [Viide](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Alandamine**. Ebaõiglane kritiseerimine ja sildistamine. Näiteks pildituvastustehnoloogia vales altveerinevusena märgistas tumedanahaliste inimeste pilte gorilladena.
- **Üle- või alerepresentatsioon**. Näide on teatud rühma puudumine mõnes ametis, ning teenus või funktsioon, mis seda soodustab, aitab kahju tekitada.
- **Stereotüübid**. Määratud rühmale eelnevalt määratud omaduste seostamine. Näiteks inglise ja türgi vahelise keeletõlkesüsteemi ebatäpsused seoses sooliste stereotüüpidega seotud sõnadega.
> tõlge türgi keelde
@ -48,116 +48,115 @@ Tehisintellekti süsteemid peaksid kõigi suhtes käituma õiglaselt ega tohi m
> tõlge tagasi inglise keelde
Tehisintellekti süsteemide loomisel ja testimisel peame tagama, et AI oleks õiglane ega oleks programmeeritud tegema kallutatud või diskrimineerivaid otsuseid, mida ka inimestel on keelatud teha. Õigluse tagamine tehisintellektis ja masinõppes on siiski keeruline sotsiaal-tehniline väljakutse.
Tehisintellektisüsteemide kujundamisel ja testimisel peame tagama, et tehisintellekt on õiglane ega ole programmeeritud tegema kallutatud või diskrimineerivaid otsuseid, mida inimestelgi on keelatud teha. Õigluse tagamine tehisintellektis ja masinõppes on endiselt keeruline sotsiaal-tehniline väljakutse.
### Usaldusväärsus ja ohutus
Usalduse loomiseks peavad tehisintellektisüsteemid olema usaldusväärsed, ohutud ja järjepidevad nii tavatingimustes kui ka ootamatutes olukordades. On oluline teada, kuidas tehisintellekti süsteemid käituvad erinevates olukordades, eriti haruldastes juhtumites. Masinõppelahenduste loomisel tuleb pöörata suurt tähelepanu sellele, kuidas käsitleda AI lahenduste võimalikke olukordi. Näiteks peab isesõitev auto panema inimeste ohutuse esikohale. Seetõttu peab autot juhiv AI arvestama kõigi võimalike stsenaariumitega, millega auto võib kokku puutuda, nagu öö, äikesetormid või lumetormid, tänavat ületavad lapsed, lemmikloomad, teetööd jms. Kuidas hästi suudab AI süsteem usaldusväärselt ja ohutult toime tulla erinevate tingimustega, peegeldab andmeteadlase või AI arendaja kavandamisel või testimisel arvestatud ettevalmistuse taset.
Usalduse loomiseks peavad tehisintellektisüsteemid olema usaldusväärsed, ohutud ja järjekindlad nii tavatingimustes kui ootamatutes olukordades. On oluline teada, kuidas tehisintellekt käitub mitmesugustes olukordades, eriti äärmustes. Tehisintellektilahenduste loomisel peab olema suur rõhk sellel, kuidas lahendada erinevaid olukordi, millega need kokku puutuvad. Näiteks isesõitev auto peab seadma inimeste ohutuse esikohale. Seetõttu peab auto juhtimiseks kasutatav tehisintellekt arvestama kõigi võimalike olukordadega, näiteks öö, äikesetormid või lumesajud, laste jooks minek üle tee, lemmikloomad, teetööd jne. Kui hästi suudab tehisintellekt usaldusväärselt ja ohutult erinevate tingimustega toime tulla, peegeldab see seda, kui põhjalikult on andmeteadlane või arendaja disaini või testimise käigus ette mõelnud.
> [🎥 Klõpsake siia video vaatamiseks: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
> [🎥 Klõpsake videole: Usaldusväärsus ja ohutus tehisintellektis](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
### Kaasavus
### Kaasatus
Tehisintellekti süsteemid peaksid olema loodud nii, et kaasavad ja jõustavad kõiki. AI süsteemide loomisel ja rakendamisel tuvastavad andmeteadlased ja arendajad süsteemis potentsiaalsed takistused, mis võivad tahtmatult inimesi välistada. Näiteks maailmas on miljard puudega inimest. AI arenguga pääsevad nad oma igapäevaelus hõlpsamalt ligi erinevale infole ja võimalustele. Takistuste kõrvaldamine loob võimalused uuendusteks ja arendab AI tooteid paremate kogemustega, mis kasu toovad kõigile.
Tehisintellekti süsteeme tuleks kujundada nii, et need kaasaksid ja võimestaksid kõiki inimesi. Andmeteadlased ja arendajad otsivad ja lahendavad süsteemi võimalikke takistusi, mis võivad tahtmatult inimesi välistada. Näiteks on maailmas umbes 1 miljard inimest, kellel on puue. Tehisintellekti arenguga pääsevad nad lihtsamalt ligi informatsioonile ja võimalustele oma igapäevaelus. Takistuste kõrvaldamine loob võimalusi uuendusteks ja paremate kogemustega tehisintellektitoodete loomiseks, mis kasu toovad kõigile.
> [🎥 Klõpsake siia video vaatamiseks: kaasavus tehisintellektis](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
AI süsteemid peaksid olema ohutud ja austama inimeste privaatsust. Inimestel on väiksem usaldus süsteemidesse, mis panevad ohtu nende privaatsuse, info või elu. Masinõppemudelite koolitamisel sõltume andmetest, et saavutada parimad tulemused. Selle juures tuleb arvestada andmete päritolu ja terviklikkust. Näiteks, kas andmed esitas kasutaja või olid need avalikult kättesaadavad? Järgmiseks on oluline arendada AI süsteeme, mis kaitsevad konfidentsiaalset infot ja taluvad rünnakuid. AI laiemaks levikuks muutub privaatsuse kaitse ja olulise isiku- ning ärilise info turvalisus üha kriitilisemaks ja keerulisemaks. Privaatsuse ja andmeturbe probleemid vajavad AI puhul eriti head tähelepanu, sest ligipääs andmetele on AI süsteemide jaoks hädavajalik täpsete ja teadlike prognooside ning otsuste tegemiseks.
Tehisintellektisüsteemid peavad olema turvalised ja austama inimeste privaatsust. Inimestel on vähem usaldust selliste süsteemide vastu, mis ohustavad nende privaatsust, andmeid või elu. Masinõppemudelite koolitamisel tugineb tulemuste saavutamine andmetele. Seetõttu tuleb hinnata andmete päritolu ja terviklikkust. Näiteks, kas andmed esitas kasutaja või olid avalikult kättesaadavad? Samuti on väga oluline arendada tehisintellektisüsteeme, mis suudavad kaitsta konfidentsiaalset teavet ja taluda rünnakuid. Tehisintellekti levikuga muutub privaatsuse kaitse ja oluliste isiku- ning ärandmete turvamine üha olulisemaks ja keerukamaks teemaks. Privaatsus ja andmekaitse vajavad eriti tähelepanu, kuna andmete kättesaadavus on vajalik täpsete ja hästi informeeritud otsuste tegemiseks tehisintellektisüsteemide poolt.
> [🎥 Klõpsake siia video vaatamiseks: turvalisus tehisintellektis](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Tööstusena oleme saavutanud märkimisväärseid edusamme privaatsuse ja turvalisuse valdkonnas, mida on oluliselt toetanud sellised regulatsioonid nagu GDPR (üldine andmekaitse määrus).
- Kuid tehisintellekti süsteemides peame tunnistama pingeid, mis on andmekoguse suurenemise vajaduse ja privaatsuse vahel, et muuta süsteeme isikupärasemaks ja efektiivsemaks.
- Nagu interneti ja ühendatud arvutite sünniga, on meil ka AI-ga seotud turvalisusega seotud probleemide arv märkimisväärselt kasvanud.
- Samal ajal on AI-d kasutatud ka turvalisuse parandamiseks. Näiteks on enamik tänapäeva viirusetõrjetarkvara võimsad AI heuristikale toetuvad skannerid.
- Peame tagama, et meie andmeteaduse protsessid sobituksid harmooniliselt uusimate privaatsus- ja turvatavadega.
- Tööstusena oleme saavutanud märkimisväärseid edusamme privaatsuse ja turvalisuse valdkonnas, mida on oluliselt toetanud sellised regulatsioonid nagu GDPR (Isikuandmete kaitse üldmäärus).
- Kuid tehisintellektisüsteemide puhul peame tunnistama pinget personaalsema ja tõhusama süsteemi loomise ning privaatsuse vahel.
- Nagu juhtus internetiühendusega arvutite sünniga, näeme ka tehisintellekti puhul turvaintsidentide hulga kasvu.
- Samal ajal on tehisintellekti kasutatud turvalisuse parandamiseks. Näiteks on enamik tänapäevaseid viirusetõrjeskännerid juhitud tehisintellekti heuristikatest.
- Me peame tagama, et andmeteaduse protsessid oleksid kooskõlas uusimate privaatsuse ja turvalisuse tavadega.
### Läbipaistvus
AI süsteemid peaksid olema arusaadavad. Läbipaistvuse oluline osa on tehisintellektisüsteemide ja nende komponentide käitumise selgitamine. AI süsteemide parema mõistmise tagamiseks peavad sidusrühmad mõistma, kuidas ja miks need töötavad, et tuvastada võimalikke jõudlusprobleeme, ohutus- ja privaatsusküsimusi, eelarvamusi, välistavaid praktikaid või soovimatuid tulemusi. Usume ka, et need, kes AI süsteeme kasutavad, peaksid ausalt ja avameelselt selgitama, millal, miks ja kuidas nad otsustavad neid rakendada. Samuti piiranguid nende süsteemide suhtes, mida nad kasutavad. Näiteks kui pank kasutab tehisintellekti süsteemi tarbijalaenude otsuste toetamiseks, on oluline analüüsida tulemusi ja mõista, millised andmed mõjutavad süsteemi soovitusi. Valitsused hakkavad AI-d erinevates valdkondades reguleerima, seega peavad andmeteadlased ja organisatsioonid selgitama, kas tehisintellektisüsteem vastab regulatiivsetele nõuetele, eriti kui toimub soovimatu tulemus.
Tehisintellektisüsteemid peaksid olema arusaadavad. Läbipaistvuse oluline osa on tehisintellektisüsteemide ja nende komponentide käitumise selgitamine. Tehisintellekti parema mõistmise tagamiseks peab huvigruppidele olema arusaadav, kuidas ja miks süsteemid töötavad, et tuvastada võimalikke jõudluse probleeme, ohutus- ja privaatsusmuresid, kallutatusi, välistavaid praktikaid või soovimatut tulemusi. Usume ka, et tehisintellekti kasutajad peaksid ausalt ja avameelselt rääkima, millal, miks ja kuidas nad neid kasutusele võtavad, samuti kasutatavate süsteemide piirangutest. Näiteks kui pank kasutab tehisintellekti süsteemi tarbijalaenude otsuste toetamiseks, on oluline uurida tulemusi ja mõista, millised andmed mõjutavad süsteemi soovitusi. Valitsused hakkavad regulaatorina tehisintellekti kõigis tööstusharudes reguleerima, seega peavad andmeteadlased ja organisatsioonid selgitama, kas tehisintellektisüsteem vastab regulatiivsetele nõuetele, eriti kui tekib soovimatu tulemus.
> [🎥 Klõpsake siia video vaatamiseks: läbipaistvus tehisintellektis](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Kuna AI süsteemid on nii keerulised, on raske aru saada, kuidas need töötavad ja tulemusi tõlgendada.
- See arusaamatus mõjutab seda, kuidas neid süsteeme haldatakse, rakendatakse ja dokumenteeritakse.
- Veelgi olulisem on see, et arusaamatus mõjutab otsuseid, mis tehakse nendesüsteemides toodetud tulemuste põhjal.
- Kuna tehisintellektisüsteemid on nii keerukad, on raske mõista, kuidas need töötavad ja tõlgendada tulemusi.
- See puudus mõjutab nende süsteemide haldamist, rakendamist ja dokumenteerimist.
- Olulisem on, et see arusaamatus mõjutab otsuseid, mis tehakse nende süsteemide toodetud tulemuste põhjal.
### Vastutus
Tehisintellekti süsteeme kujundavad ja juurutavad inimesed peavad olema vastutavad oma süsteemide toimimise eest. Vastutuse vajadus on eriti oluline tundlike tehnoloogiate, näiteks näotuvastuse puhul. Viimasel ajal on kasvanud nõudlus näotuvastustehnoloogia järele, eriti õiguskaitseorganisatsioonide poolt, kes näevad tehnoloogias potentsiaali näiteks kadunud laste leidmisel. Kuid neid tehnoloogiaid võiks valitsus kasutada oma kodanike põhivabaduste ohustamiseks, näiteks võimaldades konkreetsete isikute pidevat jälgimist. Seega peavad andmeteadlased ja organisatsioonid olema vastutavad selle eest, kuidas nende AI süsteemi mõju mõjutab üksikisikuid või ühiskonda.
Tehisintellektisüsteemide disainerid ja kasutuselevõtjad peavad vastutama süsteemide toimimise eest. Vastutus on eriti oluline tundlike tehnoloogiate puhul, nagu näotuvastus. Viimasel ajal on kasvanud nõudlus näotuvastustehnoloogia järele, eriti õiguskaitseorganisatsioonid näevad selles potentsiaali kadunud laste leidmiseks. Kuid need tehnoloogiad võiksid valitsuse poolt potentsiaalselt kasutada oma kodanike põhiõiguste ohustamiseks, näiteks võimaldades pidevat jälgimist konkreetsetest isikutest. Seega peavad andmeteadlased ja organisatsioonid vastutama selle eest, kuidas nende tehisintellektisüsteem mõjutab üksikisikuid või ühiskonda.
> 🎥 Klõpsake ülaloleval pildil video vaatamiseks: hoiatused näotuvastuse massilise järelvalve kohta
> 🎥 Klõpsake ülaloleval pildil video vaatamiseks: Hoiduge massijälgimisest näotuvastuse kaudu
Lõppkokkuvõttes on üks suurimaid küsimusi meie põlvkonnale, kes toob AI esmakordselt ühiskonda, kuidas tagada, et arvutid jäävad inimeste suhtes vastutavaks ning kuidas tagada, et arvuteid kujundavad inimesed jäävad vastutavaks kõigi teiste ees.
Lõppkokkuvõttes on üheks suurimaks küsimuseks meie põlvkonnale, kes on esimene, kes toob tehisintellekti ühiskonda, kuidas tagada, et arvutid jäävad inimestele vastutavaks ja kuidas tagada, et arvuteid kujundavad inimesed jäävad vastutavaks kõigi teiste ees.
## Mõjuhinnang
## Mõjuhindamine
Enne masinõppemudeli koolitamist on oluline läbi viia mõjuhinnang, et mõista AI süsteemi eesmärki; milline on kavandatud kasutus; kus see juurutatakse; ja kes süsteemiga suhtleb. Need on abiks süsteemi hindajatele või testijatele, et teada, milliseid tegureid tuleb riskide ja oodatavate tagajärgede tuvastamisel arvestada.
Enne masinõppemudeli koolitamist on oluline läbi viia mõjuhindamine, et mõista tehisintellektisüsteemi eesmärki; mis on kavandatud kasutus; kus seda rakendatakse; ja kes süsteemiga suhtlevad. Need on abiks ülevaatajatele või testijatele süsteemi hindamisel, et teada saada, mida võtta arvesse võimalike riskide ja oodatavate tagajärgede tuvastamisel.
Järgnevad on keskendatavad valdkonnad mõjuhindamise läbiviimisel:
* **Negatiivne mõju üksikisikutele**. Oluline on olla teadlik piirangutest või nõuetest, toetust mittesaavast kasutusest või teadaolevatest piirangutest, mis takistavad süsteemi jõudlust, et tagada süsteemi ohutu kasutamine.
* **Andmenõuded**. Mõistmine, kuidas ja kus süsteem andmeid kasutab, võimaldab hindajatel uurida, milliseid andmenõudeid tuleks arvesse võtta (nt GDPR või HIPAA andmekaitsenõuded). Kontrollige ka, kas andmete allikas ja kogus on piisavad mudeli koolitamiseks.
* **Mõjude kokkuvõte**. Koostage võimalikest kahjudest nimekiri, mis võivad süsteemi kasutusest tekkida. Läbi masinõppe kogu elutsükli vaadake üle, kas tuvastatud probleemid on leevendatud või lahendatud.
* **Rakendatavad eesmärgid** kõigi kuue põhialuse jaoks. Hinnake, kas iga põhimõtte eesmärgid on täidetud ja kas esinevad lüngad.
* **Negatiivne mõju üksikisikutele**. Teadlikkus kõigist piirangutest või nõuetest, lubamatust kasutamisest või teadaolevatest piirangutest, mis takistavad süsteemi toimimist, on ülioluline, et tagada süsteemi kasutamine ohutult.
* **Andmenõuded**. Arusaamine, kuidas ja kus süsteem andmeid kasutab, võimaldab ülevaatajatel uurida, milliseid andmenõudeid tuleb arvesse võtta (nt GDPR või HIPAA andmekaitse), ning hinnata, kas andmete allikas või kogus on mudeli koolitamiseks piisav.
* **Kokkuvõte mõjust**. Koostada nimekiri võimalikest kahjudest, mis võivad süsteemi kasutamisest tekkida. ML elutsükli jooksul hinnata, kas probleemid on lahendatud või leevendatud.
* **Rakendatavad eesmärgid** kõigi kuue põhialuse kohta. Hinnata, kas iga põhimõtte eesmärgid on täidetud ja kas on tühimikke.
## Silumistegevused vastutustundliku AI-ga
## Vastutustundlik AI silumine
Sarnaselt tarkvararakenduse silumisele on AI süsteemi silumine vajalik protsess süsteemi vigade tuvastamiseks ja lahendamiseks. Paljud tegurid võivad mõjutada mudeli ootuspärast ja vastutustundlikku toimimist. Enamik traditsioonilisi mudelijõudluse mõõdikuid on mudeli tulemuslikkuse kvantitatiivsed agregaadid, mis ei piisa selleks, et analüüsida, kuidas mudel rikub vastutustundliku AI põhimõtteid. Lisaks on masinõppemudel must kast, mis teeb keeruliseks selle väljundi põhjendamise või vea tekke selgitamise. Selle kursuse edenedes õpime kasutama Vastutustundliku AI juhtpaneeli AI süsteemide silumiseks. Juhtpaneel pakub terviklikku tööriista andmeteadlastele ja arendajatele, et teha järgmist:
Nagu tarkvararakenduse silumine, on ka tehisintellektisüsteemi silumine vajalik protsess süsteemis esinevate probleemide tuvastamiseks ja lahendamiseks. Mudeli mittetäielik või vastutustundetu toimimine võib olla tingitud mitmetest teguritest. Enamik traditsioonilisi mudeli tulemuslikkuse mõõdikuid on mudeli kvantitatiivsed kokkuvõtted, mis ei ole piisavad vastutustundliku AI põhimõtete rikkumise analüüsimiseks. Lisaks on masinõppemudel must kast, mis teeb raskeks mõista tulemuste põhjusi või selgitada vigu. Kursuse hilisemas osas õpime kasutama Vastutustundliku AI armatuurlaua tööriista, mis aitab AI süsteeme siluda. Armatuurlaud pakub andmeteadlastele ja arendajatele holistilist tööriista:
* **Vigade analüüs**. Mudeli vea jaotuse tuvastamiseks, mis võib mõjutada süsteemi õiglust või usaldusväärsust.
* **Mudeli ülevaade**. Avastada, kus mudeli jõudluses esineb erinevusi andmekogumite vahel.
* **Andmete analüüs**. Andmete jaotuse mõistmiseks ja võimaliku kallutatuse tuvastamiseks, mis võib põhjustada õiglus-, kaasavuse ja usaldusväärsuse probleeme.
* **Mudeli tõlgendatavus**. Mõista, mis mõjutab või suunab mudeli prognoose. See aitab selgitada mudeli käitumist, mis on oluline läbipaistvuse ja vastutuse saavutamiseks.
* **Vigade analüüs**. Mudeli vead, mis võivad mõjutada süsteemi õiglust või usaldusväärsust.
* **Mudeli ülevaade**. Erinevuste tuvastamine mudeli toimimises eri andmekogumite puhul.
* **Andmete analüüs**. Andmete jaotuse mõistmine ning võimaliku kallutatuse tuvastamine, mis võib põhjustada õigluse, kaasatuse ja usaldusväärsuse probleeme.
* **Mudeli tõlgendatavus**. Mõista, mis mõjutab mudeli prognoose. See aitab selgitada mudeli käitumist, mis on oluline läbipaistvuse ja vastutuse jaoks.
## 🚀 Väljakutse
Kahjude ennetamiseks peaksime:
Kahjude tekkimise vältimiseks tuleks:
- omama mitmekesist tausta ja vaatenurki süsteemide loomisel töötavate inimeste seas
- investeerima andmestikesse, mis peegeldavad meie ühiskonna mitmekesisust
- arendama paremaid meetodeid kogu masinõppe elutsükli jooksul, et avastada ja parandada vastutustundlikku AI-d esinevaid probleeme
- meeskonnas olla mitmekesine erinevate taustade ja perspektiividega inimeste osas
- investeerida andmekogumitesse, mis peegeldavad meie ühiskonna mitmekesisust
- arendada masinõppe elutsükli jooksul paremaid meetodeid vastutustundetu AI avastamiseks ja parandamiseks
Mõelge reaalse elu olukordadele, kus mudeli usaldusväärsus on ehituses ja kasutuses ilmne. Mida muud tuleks kaaluda?
Mõelge reaalse elu stsenaariumitele, kus mudeli usaldusväärsuse puudumine on ilmne mudelite loomisel ja kasutamisel. Mida veel peaksime arvesse võtma?
Selles õppetükis olete õppinud mõningaid masinõppe õiglust ja ebaõiglust käsitlevate mõistete põhialuseid.
Selles õppetükis olete õppinud mõningaid põhiteadmisi õiglusest ja ebaõiglusest masinõppes.
Vaadake seda töötuba, et teemadesse põhjalikumalt süveneda:
Vaadake seda töötuba teemasse süvenemiseks:
- Vastutustundliku tehisintellekti poole: põhimõtete rakendamine praktikas, esinejad Besmira Nushi, Mehrnoosh Sameki ja Amit Sharma
- Vastutustundliku tehisintellekti poole püüdlemine: põhimõtete rakendamine praktikas autoritelt Besmira Nushi, Mehrnoosh Sameki ja Amit Sharma
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: Avatud lähtekoodiga raamistik vastutustundliku tehisintellekti loomiseks")
> 🎥 Klõpsake ülaloleval pildil video vaatamiseks: Vastutustundliku tehisintellekti tööriistakomplekt, esitavad Besmira Nushi, Mehrnoosh Sameki ja Amit Sharma
> 🎥 Klõpsake ülaloleval pildil, et vaadata videot: RAI Toolbox: Avatud lähtekoodiga raamistik vastutustundliku tehisintellekti loomiseks autoritelt Besmira Nushi, Mehrnoosh Sameki ja Amit Sharma
Samuti lugege:
Loe ka:
- Microsofti vastutustundliku tehisintellekti ressursside keskpunkt: [Responsible AI Resources– Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- Microsofti RAI ressursikeskus: [Vastutustundliku tehisintellekti ressursid– Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- Microsofti FATE uurimisrühm: [FATE: õiglus, vastutus, läbipaistvus ja eetika tehisintellektis - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
- Microsofti FATE uurimisrühm: [FATE: Õiglus, vastutus, läbipaistvus ja eetika tehisintellektis - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
> ### [See õppetund on saadaval ka R keeles!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
> ### [See õppetund on saadaval ka R-is!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
## Sissejuhatus
Nendes neljas õppetükis õpid, kuidas ehitada regressioonimudeleid. Peagi räägime, milleks neid kasutatakse. Kuid enne kui midagi teed, veendu, et sul oleksid õiged tööriistad valmis protsessi alustamiseks!
Nendes neljas õppetunnis avastate, kuidas ehitada regressioonimudeleid. Peagi arutleme, milleks need vajalikud on. Kuid enne kui midagi ette võtate, veenduge, et teil oleks õige tööriistakomplekt protsessi alustamiseks olemas!
Selles õppetükis õpid, kuidas:
Selles õppetunnis õpite:
- Konfigureerida oma arvutit kohalike masinõppe ülesannete jaoks.
- Töötada Jupyter Notebookidega.
- Kasutada Scikit-learn'i, sealhulgas paigaldamist.
- Uurida lineaarset regressiooni praktilise ülesande kaudu.
- Konfigureerima oma arvutit kohalike masinõppetöödeks.
- Töötama Jupyter Notebook’idega.
- Kasutama Scikit-learn’i, sealhulgas selle installimist.
- Uurima lineaarset regressiooni praktilise ülesande abil.
## Paigaldused ja seadistused
## Installatsioonid ja seadistused
[](https://youtu.be/-DfeD2k2Kj0 "Masinõpe algajatele - Seadista oma tööriistad masinõppemudelite ehitamiseks")
[](https://youtu.be/-DfeD2k2Kj0 "ML algajatele - Seadista oma tööriistad masinõppe mudelite loomiseks")
> 🎥 Klõpsa ülalolevale pildile lühikese video jaoks, mis näitab arvuti seadistamist masinõppe jaoks.
> 🎥 Klõpsake ülaloleval pildil, et vaadata lühikest videot arvuti masinõppeks seadistamisest.
1. **Paigalda Python**. Veendu, et arvutisse on paigaldatud [Python](https://www.python.org/downloads/). Pythoni kasutatakse paljudes andmeteaduse ja masinõppe ülesannetes. Enamik arvutisüsteeme sisaldab Pythonit juba vaikimisi. Lisaks on saadaval kasulikud [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott), mis lihtsustavad seadistamist mõne kasutaja jaoks.
1. **Paigalda Python**. Veendu, et [Python](https://www.python.org/downloads/) on arvutisse paigaldatud. Pythonit kasutatakse paljudes andmeteaduse ja masinõppe töödes. Enamik arvutisüsteeme sisaldab juba Pythonit. Samuti on saadaval kasulikud [Python programmeerimise paketid](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott), mis võivad mõnele kasutajale seadistamist lihtsustada.
Mõningad Pythoni kasutusviisid nõuavad ühte tarkvaraversiooni, teised teist. Seetõttu on kasulik töötada [virtuaalses keskkonnas](https://docs.python.org/3/library/venv.html).
Mõningates Pythoni kasutusvaldkondades on vaja üht tarkvara versiooni, teistes aga teist. Seetõttu on kasulik töötada [virtuaalkeskkonnas](https://docs.python.org/3/library/venv.html).
2. **Paigalda Visual Studio Code**. Veendu, et Visual Studio Code on sinu arvutis paigaldatud. Järgi juhiseid visual studio koodi [paigaldamiseks](https://code.visualstudio.com/). Selles kursuses kasutad Pythoni Visual Studio Codes, nii et võib olla kasulik värskendada teadmisi, kuidas [Visual Studio Code'i seadistada Python arenduseks](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott).
2. **Paigalda Visual Studio Code**. Veendu, et Visual Studio Code on arvutisse paigaldatud. Järgi nende juhiste abil [Visual Studio Code’i paigaldamist](https://code.visualstudio.com/) põhipaigalduseks. Käesolevas kursuses kasutad Pythoni Visual Studio Code’is, seega võib olla kasulik harjutada, kuidas [Visual Studio Code’i seadistada](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) Python-arenduseks.
> Tutvu Pythoniga lähemalt, läbides selle kogumi [Õpi moodulid](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
> Tundu end Pythoni osas mugavalt, läbides selle [õppemoodulite](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) kogu.
>
> [](https://youtu.be/yyQM70vi7V8 "Seadista Python Visual Studio Code’iga")
> [](https://youtu.be/yyQM70vi7V8 "Python'i seadistamine Visual Studio Code'is")
>
> 🎥 Klõpsa ülalolevale pildile video vaatamiseks: Pythoni kasutamine VS Code’is.
> 🎥 Klõpsake ülaloleval pildil, et vaadata videot Pythoniga VS Code’is töötamisest.
3. **Paigalda Scikit-learn** järgides [selleid juhiseid](https://scikit-learn.org/stable/install.html). Kuna vajad Python 3 kasutamist, on soovitatav kasutada virtuaalkeskkonda. Kui paigaldate seda teeki M1 Mac süsteemile, on ülalkirjeldatud lingil erijuhised.
3. **Paigalda Scikit-learn**, järgides [neid juhiseid](https://scikit-learn.org/stable/install.html). Kuna on vajalik Python 3 kasutamine, soovitatakse kasutada virtuaalkeskkonda. Pane tähele, et kui paigaldate seda teeki M1 Macile, on vastavas lingitud lehel erijuhised.
1. **Paigalda Jupyter Notebook**. Pead paigaldama [Jupyter paketi](https://pypi.org/project/jupyter/).
1. **Paigalda Jupyter Notebook**. Sul tuleb [paigaldada Jupyter’i pakett](https://pypi.org/project/jupyter/).
## Sinu masinõppe arenduskeskkond
## Teie masinõppe keskkond
Kasutad **notebooke**, et arendada oma Pythoni koodi ja luua masinõppemudeleid. See failitüüp on andmeteadlaste seas populaarne, neid saab tuvastada faililaiendi `.ipynb` järgi.
Sa kasutad **notebook’e** oma Pythoni koodi arendamiseks ja masinõppemudelite loomiseks. Sellist tüüpi failid on andmeteadlaste seas tavalised ja neid tuvastatakse laiendi `.ipynb` järgi.
Notebookid on interaktiivne keskkond, mis võimaldab arendajal nii koodi kirjutada kui märkmeid lisada ning dokumentatsiooni kirjutada. See on eriti kasulik eksperimenteerimise või uurimusprojektide korral.
Notebook’id on interaktiivne keskkond, mis võimaldab arendajal nii kodeerida kui ka lisada märkmeid ja kirjutada dokumentatsiooni, mis on eriti kasulik eksperimendi- või uurimuseesmärkidel.
[](https://youtu.be/7E-jC8FLA2E "Masinõpe algajatele - Seadista Jupyter Notebookid regressioonimudelite ehituse alustamiseks")
> 🎥 Klõpsa ülalolevale pildile lühikese video jaoks, mis selgitab viisi.
> 🎥 Klõpsake ülaloleval pildil, et vaadata lühikest videot selle ülesande läbiviimisest.
### Harjutus - töötamine notebookiga
### Ülesanne - töötamine notebook’iga
Selles kaustas leiad faili _notebook.ipynb_.
Selles kaustas leiate faili _notebook.ipynb_.
1. Ava _notebook.ipynb_ Visual Studio Codes.
1. Ava _notebook.ipynb_ Visual Studio Code’is.
Järgnevalt käivitub Jupyteri server koos Python 3+ keskkonnaga. Notebookis on kohti, mida saab `run` käivitada, need on koodilõigud. Koodibloki käivitamiseks vali ikoon, mis näeb välja nagu esitamisnupp.
Käivitub Jupyter server Python 3+ versiooniga. Notebook’is on alasid, mida saab `käivitada`, koodilõike. Koodiploki jooksutamiseks vali ikoon, mis näeb välja nagu mängunupp.
1. Vali `md`ikoon ja lisa natuke markdowni tekstina: **# Welcome to your notebook**.
1. Vali `md`sümbol ja lisa natuke markdown-koodi, ning tekst **# Tere tulemast sinu notebook’i**.
Sa võid oma koodi lisada kommentaare, et notebook iseenesest dokumenteeriks seda.
Võid oma koodi miksida kommentaaridega, et notebook iseend dokumenteeriks.
✅ Mõtle korraks, kui erinev on veebiarendaja töökeskkond võrreldes andmeteadlase omaga.
## Scikit-learniga alustamine
## Scikit-learniga töövalmis
Nüüd, kui Python on sinu lokaalses keskkonnas seadistatud ja sa oled Jupyter Notebookidega harjunud, tutvume ka Scikit-learniga (hääldus 'sci' nagu 'science'). Scikit-learn pakub [ulatuslikku API-t](https://scikit-learn.org/stable/modules/classes.html#api-ref), mis aitab sul masinõppe ülesandeid teha.
Nüüd, kui Python on su kohalikus keskkonnas paigas ja Sinu mugavus Jupyter Notebook’idega on suurenenud, tutvume sama kindlalt Scikit-learn’iga (hääldus `sai` nagu `science`). Scikit-learn pakub [ulatuslikku API-d](https://scikit-learn.org/stable/modules/classes.html#api-ref), mis aitab sul teostada ML-töid.
Nende [veebilehe](https://scikit-learn.org/stable/getting_started.html) kohaselt: "Scikit-learn on avatud lähtekoodiga masinõppe teek, mis toetab juhendatud ja juhendamata õppimist. See pakub ka erinevaid tööriistu mudelite sobitamiseks, andmete ettevalmistamiseks, mudeli valikuks ja hindamiseks ning palju muud."
Vastavalt nende [veebisaidile](https://scikit-learn.org/stable/getting_started.html), „Scikit-learn on avatud lähtekoodiga masinõppe teek, mis toetab juhendatud ja juhendamata õppimist. Samuti pakub see erinevaid tööriistu mudeli sobitamiseks, andmete eeltöötluseks, mudeli valikuks ja hindamiseks ning paljusid teisi abivahendeid.“
Selles kursuses kasutad Scikit-learn'i ja teisi tööriistu tavapäraste masinõppe mudelite ehitamiseks. Oleme teadlikult vältinud närvivõrke ja süvaõpet, sest need on põhjalikumalt käsitletud meie tulevases õppekavas 'Tehisintellekt algajatele'.
Selles kursuses kasutad Scikit-learn’i ja teisi tööriistu, et luua masinõppemudeleid, mis täidavad nii-öelda „traditsioonilise masinõppe“ ülesandeid. Oleme teadlikult kõrvale hoidnud närvivõrke ja süvaõpet, sest neist räägitakse põhjalikumalt meie tulevases „AI algajatele“ õppekavas.
Scikit-learn teeb mudelite ehitamise ja nende hindamise lihtsalt teostatavaks. See on keskendunud peamiselt numbrilistele andmetele ning sisaldab arenguks mitmeid valmis andmekogumeid ja mudelimalle. Uurimegi kõigepealt, kuidas laadida ettevalmistatud andmeid ja kasutada sisse ehitatud hinnangut esimeseks ML mudeliks Scikit-learniga koos lihtsate andmetega.
Scikit-learn muudab mudelite loomise ja nende hindamise lihtsaks. See keskendub peamiselt numbrilistele andmetele ja sisaldab mitmeid valmisandmekogumeid õppematerjalideks. Samuti sisaldab see eelvalmis mudeleid, mida õpilased saavad proovida. Uurime nüüd, kuidas laadida valmisandmeid ja kasutada sisseehitatud hinnangut, et luua oma esimene ML mudel Scikit-learn’iga mõne lihtsa andmega.
## Harjutus - sinu esimene Scikit-learn notebook
## Ülesanne - sinu esimene Scikit-learn notebook
> Selle juhendi inspiratsiooniks oli Scikit-learn'i veebisaidilt leitav [lineaarse regressiooni näide](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py).
> See juhend põhineb Scikit-learn’i veebisaidil oleval [lineaarse regressiooni näitel](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py).
[](https://youtu.be/2xkXL5EUpS0 "Masinõpe algajatele - sinu esimene lineaarse regressiooni projekt Pythonis")
[](https://youtu.be/2xkXL5EUpS0 "ML algajatele - Sinu esimene lineaarse regressiooni projekt Pythoni abil")
> 🎥 Klõpsa ülalolevale pildile, et vaadata lühikest videot selle ülesande kohta.
> 🎥 Klõpsake ülaloleval pildil, et vaadata lühikest videot selle ülesande läbiviimisest.
Failis _notebook.ipynb_, mis käib selle õppetüki juurde, kustuta kõik lahtrid, vajutades 'prügikasti' ikooni.
Kustuta kõigist lahtritest sisu, vajutades prügikastiikoonile, failis _notebook.ipynb_, mis on selle õppetunniga seotud.
Selles osas töötad väikese diabeediandmestikuga, mis on Scikit-learn'i sisse ehitatud õppeotstarbel. Kujuta ette, et soovid testida raviviisi diabeetikutele. Masinõppemudelid võivad aidata otsustada, millised patsiendid reageerivad ravile paremini, tuginedes erinevate muutujate kombineeritud väärtustele. Isegi väga lihtne regressioonimudel võib visualiseerituna näidata infot muutujate kohta, mis aitavad teoreetilisi kliinilisi katseid paremini planeerida.
Selles jaotises töötad väikese andmekogumiga diabeedi kohta, mis on Scikit-learn’i sisse ehitatud õppimise eesmärgil. Kujuta ette, et sooviksid testida ravi diabeediga patsientide jaoks. Masinõppemudelid võivad aidata sul määrata, millised patsiendid reageeriksid ravile paremini, põhinedes erinevate muutujate kombinatsioonidel. Isegi väga lihtne regressioonimudel, kui seda visualiseerida, võib näidata infot, mis aitab teoreetilisi kliinilisi uuringuid paremini korraldada.
✅ Regressioonimeetodeid on palju ning millist valida, sõltub sellest, mida soovid leida. Kui tahad ennustada inimese tõenäolist pikkust teatud vanuses, kasutad lineaarset regressiooni, sest otsid **numbrilist väärtust**. Kui tahad teada, kas mingi köögi tüüp on vegan või mitte, otsid **kategooria määratlust**, siis kasutad logistilist regressiooni. Logistilise regressiooni kohta õpid hiljem veel. Mõtle, milliseid küsimusi sa andmetelt küsida võid ja milline meetod oleks sobivam.
✅ Regresioonimeetodeid on mitut tüüpi ja valik sõltub küsimusest, millele vastust otsid. Kui soovid ennustada isiku tõenäolist kõrgust antud vanuses, kasutad lineaarset regressiooni, sest otsid **numbrilist väärtust**. Kui aga tahad välja selgitada, kas mingi köögi stiil peaks olema vegan või mitte, siis otsid **kategooriatähistust** ja kasutad logistilist regressiooni. Logistilise regressiooni kohta õpid hiljem rohkem. Mõtle veidi küsimustele, mida andmetest võid küsida, ja milline meetod neist sobiks paremini.
Alustame nüüd selle ülesandega.
Alustame sellest ülesandest.
### Impordi teegid
### Impordi raamatukogud
Selle ülesande jaoks impordime mõned teegid:
Selle ülesande jaoks impordime mõned raamatukogud:
- **matplotlib**. Kasulik [graafikutööriist](https://matplotlib.org/), mida kasutame joondiagrammi loomiseks.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) on kasulik teek numbriliste andmete käsitlemiseks Pythonis.
- **matplotlib**. See on kasulik [graafikutööriist](https://matplotlib.org/), mida kasutame joondiagrammi loomiseks.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) on kasulik raamatukogu numbriliste andmete haldamiseks Pythonis.
- **sklearn**. See on [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) teek.
Impordi vajalikud teegid, et ülesannet täita.
Impordi mõned raamatukogud, mis aitavad sul ülesandeid lahendada.
1. Lisa import käsud, kirjutades järgmist kood:
1. Lisa impordikäsklused, tippides järgmise koodi:
```python
import matplotlib.pyplot as plt
@ -123,26 +123,26 @@ Impordi vajalikud teegid, et ülesannet täita.
from sklearn import datasets, linear_model, model_selection
```
Ülal tood imports `matplotlib`, `numpy` ja lisaks `datasets`, `linear_model` ning `model_selection``sklearn` teegist. `model_selection` kasutatakse andmete jagamiseks treening- ja testkoguks.
Ülaltoodud koodis impordid `matplotlib`, `numpy` ja `sklearn` alt `datasets`, `linear_model` ning `model_selection`. `model_selection` aitab jagada andmeid treening- ja testijääkideks.
### Diabeedi andmestik
Sisseehitatud [diabeedi andmestik](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) sisaldab 442 proovimaterjali diabeedi kohta, 10 tunnusega, millest mõned on:
Sisseehitatud [diabeedi andmekogum](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) sisaldab 442 näidist diabeedi kohta koos 10 tunnusega, millest mõned on:
- vanus: vanus aastates
- kehakaaluindeks (BMI)
- vererõhk (bp)
- age: vanus aastates
- bmi: kehamassiindeks
- bp: keskmine vererõhk
- s1 tc: T-rakud (valgete vereliblede tüüp)
✅ Selle andmestiku tunnusena on “sugu”, mis on oluline diabeediuuringutes. Paljud meditsiinilised andmestikud sisaldavad sellist binaarset klassifikatsiooni. Mõtle, kuidas sellised kategooriad võivad mõjutada ja vähendada osade elanikkonna ravile pääsemist.
✅ See andmekogum sisaldab tunnusena ka „sugu“, mis on diabeedi uurimisel oluline. Paljud meditsiinilised andmestikud sisaldavad sellist binaarset klassifikatsiooni. Mõtle veidi, kuidas sellised kategooriad võivad teatud elanikkonnaliikmeid ravist välistada.
Laadi nüüd X ja y andmed.
Nüüd laadi andmed X ja y muutujatesse.
> 🎓 Pea meeles, see on juhendatud õppimine ja meil peab olema nimetatud eesmärk`y`.
> 🎓 Pea meeles, et tegemist on juhendatud õppimisega (supervised learning) ja meil peab olema nimetatud sihtmuutuja`y`.
Uues koodilahtris lae diabeedi andmestik funktsiooniga `load_diabetes()`. Parameeter `return_X_y=True` annab teada, et `X` on andmemaatriks ja `y` regressiooni eesmärgi vektor.
Uues koodilõigus lae diabeedi andmekogum, kutsudes välja `load_diabetes()`. Sisendi `return_X_y=True` tähendus on, et `X` saab andmemaatriksi ja `y` regressiooni sihtmärgi.
1. Lisa mõned print käsud, et kuvada andmemaatriksi kuju ja esimene element:
1. Lisa mõningad print-käsud, mis näitavad andmemaatriksi kuju ja esimest elementi:
Tagastuseks on tuple, mille kaks esimest väärtust määrad `X` ja `y` muutujatele. Loe rohkem [tuple’ide kohta](https://wikipedia.org/wiki/Tuple).
Vastusena saad tupel, millest esimese ja teise väärtuse omistad vastavalt `X`-ile ja `y`-le. Loe rohkem [tupel’itest](https://wikipedia.org/wiki/Tuple).
Näed, et selles andmestikus on 442 üksust, mis on kuju 10 elemendiga massiividena:
Näed, et andmestikus on 442 objekti, igaühes 10 tunnusega:
✅ Mõtle natuke seosele andmete ja regressiooni eesmärgi vahel. Lineaarne regressioon ennustab seost tunnuse X ja eesmärgi y vahel. Kas leiad dokumentatsioonist diabeedi andmestiku [eesmärgi](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset)? Mida see andmestik näitab, arvestades eesmärki?
✅ Mõtle veidi andmete ja regressiooni sihtmärgi omavahelisele seosele. Lineaarne regressioon ennustab seoseid tunnuse X ja sihtmuutuja y vahel. Kas leiad dokumentatsioonist diabeedi andmestiku [sihtmärgi](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset)? Mida see andmestik näitab, arvestades seda sihtmärki?
2. Vali nüüd sellest andmestikust osa, mille joonistad, valides andmestiku 3. veeru. Seda saad teha, kasutades operaatorit `:` kõigi ridade valimiseks ja seejärel veeru valimiseks indeksi (2) abil. Andmeid vajadusel ümberkujunda 2D-massiiviks joonistamiseks, kasutades `reshape(n_rows, n_columns)`. Kui üks parameetritest on -1, arvutatakse selle mõõt automaatselt.
2. Vali nüüd osa sellest andmestikust, mida joonistada, valides andmestiku 3. veeru. Seda saab teha kasutades `:` operaatorit kõigi ridade valimiseks ja seejärel valides indeksi (2) 3. veeru. Andmeid saab ka ümber vormindada 2D maatriksiks, nagu nõutud joonistamisel, kasutades `reshape(n_rows, n_columns)`. Kui üks parameetritest on -1, arvutatakse vastav dimensioon automaatselt.
```python
X = X[:, 2]
X = X.reshape((-1,1))
```
✅ Vahel prindi alati andmed välja, et veenduda vormingus.
✅ Vahepeal prindi andmed välja, et kontrollida nende kuju.
3. Nüüd, kui tead, et andmed on joonistamiseks valmis, vaatame, kas masin saab aidata loogilist jaotust arvude vahel selgitada. Selleks on vaja jagada nii andmed (X) kui ka eesmärk (y) test- ja treeningkoguks. Scikit-learn pakub lihtsat meetodit andmete jagamiseks antud punktist.
3. Kui andmed on joonistamiseks valmis, vaata, kas masin saab aidata leida loogilise jaotuse arvude vahel selles andmestikus. Selleks tuleb jagada nii andmed (X) kui ka sihtmärgid (y) test- ja treeningandmeteks. Scikit-learn’il on lihtne viis selleks: testandmed saab jagada valitud punkti juurest.
```python
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
```
4. Nüüd oled valmis mudelit treenima! Lae lineaarse regressiooni mudel ja treeni seda oma X ja y treeningkoguga, kasutades `model.fit()`:
4. Nüüd oled valmis oma mudelit treenima! Laadi lineaarse regressiooni mudel ja treeni seda oma X ja y treeningandmetega, kasutades `model.fit()`:
```python
model = linear_model.LinearRegression()
model.fit(X_train, y_train)
```
✅ `model.fit()` on funktsioon, mida näed paljudes ML teekides nagu TensorFlow.
✅ `model.fit()` on funktsioon, mida näed paljudes ML raamatukogudes nagu TensorFlow.
5. Seejärel loo ennustus testandmete põhjal, kasutades funktsiooni `predict()`. Seda kasutatakse joonistades joon mudeli andmegruppide vahel.
5. Seejärel loo ennustus testandmete abil, kasutades funktsiooni `predict()`. Sellega saab joonistada joone andmegruppide vahele.
```python
y_pred = model.predict(X_test)
```
6. Nüüd on aeg näidata andmeid graafikus. Matplotlib on selleks väga kasulik vahend. Loo hajuvusdiagramm kõigist X ja y testandmetest ning kasuta ennustust, et joonistada joon kõige loogilisemasse kohta mudeli andmerühmituse vahele.
6. Nüüd joonista andmed graafikule. Matplotlib on selleks väga kasulik tööriist. Loo hajuvusdiagramm kõigist X ja y testandmetest ning kasuta ennustust, et joonistada joone modelleeritud andmegruppide vahele kõige sobivamasse kohta.
✅ Mõtle veidi, mis siin toimub. Sirge joon läbib palju väikeseid andmepunkte, kuid mida see täpselt teeb? Kas näed, kuidas selle joone abil peaks olema võimalik ennustada, kuhu uus, nähtamata andmepunkt paigutuks diagrammi y-teljega seoses? Püüa sõnadesse panna selle mudeli praktiline kasutus.
✅ Mõtle natuke selle üle, mis siin toimub. Sirgjoon jookseb läbi paljude väikeste andmepunktide, aga mida see täpselt teeb? Kas näed, kuidas sa peaksid saama seda joont kasutada selleks, et ennustada, kuhu uus, nähtamata andmepunkt võiks suhtega plot'i y-teljele sobituda? Proovi sõnastada praktiline kasutusvõimalus selle mudeli jaoks.
Palju õnne, sa ehitasid oma esimese lineaarse regressioonimudeli, tegid selle abil ennustuse ja kuvastasid selle plot'is!
Palju õnne, sa ehitasid oma esimese lineaarse regressioonimudeli, lõid selle abil ennustuse ja kuvasid selle graafikul!
---
## 🚀Väljakutse
Kuvada selle andmekogu mõni teine muutuja. Vihje: muuda seda rida: `X = X[:,2]`. Arvestades selle andmekogu sihtmärki, mida sa suudad avastada diabeedi haiguse progresseerumise kohta?
Ploti selle andmestiku mõni teine muutuja. Vihje: muuda rida: `X = X[:,2]`. Arvestades selle andmestiku sihtmärki, mida saad avastada diabeedi progresseerumise kohta haigusena?
Selles juhendis töötasid sa lihtsa lineaarse regressiooniga, mitte univariatiivse või mitme muutujaga lineaarse regressiooniga. Loe veidi nende meetodite erinevustest või vaata seda [videot](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
Selles juhendis töötasid lihtsa lineaarse regressiooniga, mitte univariatsiooni ega mitmiklineaarse regressiooniga. Loe veidi erinevustest nende meetodite vahel või vaata [seda videot](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
Loe rohkem regressiooni kontseptsioonist ja mõtle, milliseid küsimusi selle tehnikaga saab vastata. Võta see [juhend](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott), et oma arusaama süvendada.
Loe rohkem regressiooni kontseptsioonist ja mõtle, milliseid küsimusi seda tehnikat kasutades saab vastata. Võta see [õpetus](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott), et süvendada oma arusaamist.
Klasterdamine on masinõppe ülesanne, mille eesmärk on leida objekte, mis sarnanevad üksteisele, ja rühmitada need klastriteks. Mis eristab klasterdamist teistest masinõppe lähenemistest, on see, et protsess toimub automaatselt – tegelikult võib öelda, et see on vastand juhendatud õppimisele.
Klasterdamine on masinõppe ülesanne, kus püütakse leida sarnaseid objekte ja rühmitada need hulkrühmadeks, mida nimetatakse klastriteks. See, mis eristab klasterdamist teistest masinõppe meetoditest, on see, et protsess toimub automaatselt, tegelikult võib öelda, et see on vastupidine juhendatud õpetamisele.
## Regionaalne teema: klasterdamise mudelid Nigeeria publiku muusikamaitse jaoks 🎧
Nigeeria mitmekesine publik eelistab mitmekesist muusikat. Kasutades Spotifyst kogutud andmeid (inspireerituna [sellest artiklist](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), vaatame mõningaid Nigeerias populaarseid lugusid. See andmestik sisaldab teavet erinevate laulude kohta, nagu nende 'tantsitavuse' skoor, 'akustilisus', valjus, 'kõnelemise' määr, populaarsus ja energia. On huvitav avastada mustreid nendes andmetes!
Nigeeria mitmekesine publik omab erinevaid muusikamaitseid. Kasutades Spotify'st kogutud andmeid (inspireeritud [selle artikli](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421) järgi), vaatleme muusikat, mis on Nigeerias populaarne. See andmekogum sisaldab erinevate lugude 'tantsitavuse' skoori, 'akustilisuse', valjususe, 'kõnelisuse', populaarsuse ja energia kohta käivaid andmeid. Huvitav on avastada selles andmetes mustreid!
> Foto autor <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a>lehel<ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
> Foto autor <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a>saidilt<ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
Selles õppetundide sarjas avastate uusi viise andmete analüüsimiseks klasterdamistehnikate abil. Klasterdamine on eriti kasulik, kui teie andmestikul puuduvad sildid. Kui andmestikul on sildid, siis võivad klassifitseerimistehnikad, mida õppisite eelnevates tundides, olla kasulikumad. Kuid juhtudel, kus soovite rühmitada sildistamata andmeid, on klasterdamine suurepärane viis mustrite avastamiseks.
Selles õppesarjas avastate uusi viise andmete analüüsimiseks klasterdamistehnikate abil. Klasterdamine on eriti kasulik, kui teie andmekogumil pole silte. Kui silte on, võivad kasulikumad olla klassifitseerimistehnikad, mida õppisite eelmistes õppetundides. Aga juhtudel, kui soovite rühmitada sildistamata andmeid, on klasterdamine suurepärane viis mustrite avastamiseks.
> On olemas kasulikke vähese koodikirjutamisega tööriistu, mis aitavad teil klasterdamise mudelitega töötamist õppida. Proovige [Azure ML selleks ülesandeks](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
> On olemas kasulikke madala koodiga tööriistu, mis aitavad teil klasterdamismudelitega töötamist õppida. Proovige selle ülesande jaoks [Azure ML-i](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
Need õppetunnid on kirjutatud 🎶 poolt [Jen Looper](https://www.twitter.com/jenlooper) koos kasulike ülevaadetega [Rishit Dagli](https://rishit_dagli) ja [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan) poolt.
Neid õppetunde kirjutas 🎶 [Jen Looper](https://www.twitter.com/jenlooper), kasulike kommentaaridega [Rishit Dagli](https://rishit_dagli/) ja [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan).
[Nigeeria laulude](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) andmestik pärineb Kaggle'ist ja on kogutud Spotifyst.
Andmestik [Nigeeria laulud](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) pärineb Kaggle'ist, kogutud Spotify'st.
Kasulikud K-Meansi näited, mis aitasid selle õppetunni loomisel, hõlmavad seda [iiriste analüüsi](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), seda [sissejuhatavat märkmikku](https://www.kaggle.com/prashant111/k-means-clustering-with-python) ja seda [hüpoteetilist MTÜ näidet](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
Kasulikud K-Meansi näited, mis aitasid selle õppetunni loomisel, sisaldavad seda [iris andmete uurimise](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), seda [sissejuhatavat märkmikku](https://www.kaggle.com/prashant111/k-means-clustering-with-python) ja seda [hüpoteetilist mittetulundusühingu näidet](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
---
**Vastutusest loobumine**:
See dokument on tõlgitud AI tõlketeenuse [Co-op Translator](https://github.com/Azure/co-op-translator) abil. Kuigi püüame tagada täpsust, palume arvestada, et automaatsed tõlked võivad sisaldada vigu või ebatäpsusi. Algne dokument selle algses keeles tuleks pidada autoriteetseks allikaks. Olulise teabe puhul soovitame kasutada professionaalset inimtõlget. Me ei vastuta selle tõlke kasutamisest tulenevate arusaamatuste või valesti tõlgenduste eest.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Lahtiütlus**:
See dokument on tõlgitud kasutades AI tõlketeenust [Co-op Translator](https://github.com/Azure/co-op-translator). Kuigi me püüdleme täpsuse poole, palun pange tähele, et automatiseeritud tõlgetes võib esineda vigu või ebatäpsusi. Originaaldokument selle emakeeles tuleks pidada autoriteetseks allikaks. Olulise teabe puhul soovitatakse kasutada professionaalset inimtõlget. Me ei vastuta selle tõlkega seotud eksimustest või valesti mõistmistest.
Mis on aegridade prognoosimine? See seisneb tulevaste sündmuste ennustamises, analüüsides mineviku trende.
Mis on ajaread prognoosimine? See on tulevaste sündmuste ennustamine mineviku trendide analüüsi abil.
## Regionaalne teema: elektritarbimine üle maailma ✨
## Regionaalne teema: kogu maailmas elektritarbimine ✨
Nendes kahes õppetükis tutvustatakse teile aegridade prognoosimist, mis on küll veidi vähem tuntud masinõppe valdkond, kuid siiski äärmiselt väärtuslik tööstus- ja ärirakendustes ning muudes valdkondades. Kuigi närvivõrke saab kasutada nende mudelite kasulikkuse suurendamiseks, uurime neid klassikalise masinõppe kontekstis, kus mudelid aitavad ennustada tulevast jõudlust mineviku põhjal.
Nendes kahes õppetükis tutvustatakse teile ajaread prognoosimist, masinõppe veidi vähem tuntud valdkonda, mis on siiski äärmiselt väärtuslik tööstuse ja äri rakendustes ning paljudes teistes valdkondades. Kuigi närvivõrgud võivad aidata nende mudelite kasulikkust suurendada, uurime neid klassikalise masinõppe kontekstis, kuna mudelid aitavad prognoosida tulemust mineviku põhjal.
Meie regionaalne fookus on elektritarbimine maailmas – huvitav andmestik, mille abil õppida prognoosima tulevast energiatarbimist mineviku koormusmustrite põhjal. Näete, kuidas selline prognoosimine võib olla äärmiselt kasulik ärikeskkonnas.
Meie regionaalne fookus on elektritarbimisel maailmas, huvitaval andmekogumil, mis võimaldab õppida elektritarbimise tuleviku prognoosimist mineviku koormuse mustrite põhjal. Näete, kuidas selline prognoosimine võib olla äärmiselt kasulik ärikeskkonnas.
Foto autorilt [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) elektritornidest teel Rajasthanis [Unsplashis](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
Foto [Peddi Sai hrithiku](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) tehtud elektritornidest teel Rajasthanis saidilt [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
3. [Toetavate vektorite regressori loomine ajaread prognoosimiseks](3-SVR/README.md)
## Autorid
"Sissejuhatus aegridade prognoosimisse" on kirjutatud ⚡️ poolt [Francesca Lazzeri](https://twitter.com/frlazzeri) ja [Jen Looper](https://twitter.com/jenlooper). Märkmikud ilmusid esmakordselt veebis [Azure "Deep Learning For Time Series" repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting), mille algselt kirjutas Francesca Lazzeri. SVR õppetüki kirjutas [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD).
"Sissejuhatus ajaread prognoosimisse" koostasid ⚡️ [Francesca Lazzeri](https://twitter.com/frlazzeri) ja [Jen Looper](https://twitter.com/jenlooper). Märkmikud avaldati esimest korda veebis [Azure "Deep Learning For Time Series" andmekogus](https://github.com/Azure/DeepLearningForTimeSeriesForecasting), mille algse autori on Francesca Lazzeri. SVR õppetüki kirjutas [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD)
---
**Lahtiütlus**:
See dokument on tõlgitud AI tõlketeenuse [Co-op Translator](https://github.com/Azure/co-op-translator) abil. Kuigi püüame tagada täpsust, palume arvestada, et automaatsed tõlked võivad sisaldada vigu või ebatäpsusi. Algne dokument selle algses keeles tuleks pidada autoriteetseks allikaks. Olulise teabe puhul soovitame kasutada professionaalset inimtõlget. Me ei vastuta selle tõlke kasutamisest tulenevate arusaamatuste või valesti tõlgenduste eest.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Lahtiütlus**:
See dokument on tõlgitud kasutades AI tõlketeenust [Co-op Translator](https://github.com/Azure/co-op-translator). Kuigi me püüdleme täpsuse poole, palun pange tähele, et automatiseeritud tõlgetes võib esineda vigu või ebatäpsusi. Originaaldokument selle emakeeles tuleks pidada autoriteetseks allikaks. Olulise teabe puhul soovitatakse kasutada professionaalset inimtõlget. Me ei vastuta selle tõlkega seotud eksimustest või valesti mõistmistest.
Meil toimub Discordis AI-ga õppimise seeria, leia lisainfot ja liitu meiega aadressil [Learn with AI Series](https://aka.ms/learnwithai/discord) ajavahemikus 18. – 30. september 2025. Saad näpunäiteid ja trikke GitHub Copilot'i kasutamiseks andmeteaduses.
Meil toimub Discordis tehisintellekti õppesari, saa rohkem teada ja liitu meiega aadressil [Learn with AI Series](https://aka.ms/learnwithai/discord) 18. - 30. septembril 2025. Saad näpunäiteid ja nippe GitHub Copiloti kasutamiseks andmeteaduses.
> 🌍 Rända kogu maailma ringi, uurides masinõpet läbi erinevate maailmakultuuride 🌍
> 🌍 Rända maailmas ringi, kui uurime masinõpet läbi maailma kultuuride 🌍
Microsofti pilveesindajad pakuvad 12-nädalast, 26-õppetunnist koosnevat õppekava, mis räägib kõik masinõppest. Selles õppekavas õpid nn klassikalisest masinõppest, kasutades peamiselt Scikit-learn teeki ja vältides süvaõpet, mida käsitletakse meie [AI algajatele õppekavas](https://aka.ms/ai4beginners). Ühenda need õppetunnid ka meie ['Andmeteaduse algajatele' õppekavaga](https://aka.ms/ds4beginners)!
Microsofti pilveagendid pakuvad 12-nädalast ja 26-õppetunnist koosnevat õppekava, mis keskendub **masinõppele**. Selles õppekavas õpid nn **klassikalist masinõpet**, kasutades peamiselt Scikit-learn'i teegina ja vältides süvaõpet, mida käsitletakse meie [teisest õppekavast AI algajatele](https://aka.ms/ai4beginners). Soovitame need tõlgendada koos meie ['Andmeteaduse algajate' õppekavaga](https://aka.ms/ds4beginners)!
Rända koos meiega üle maailma, rakendades neid klassikalisi meetodeid eri piirkondadest pärit andmetele. Iga õppetund sisaldab enne ja pärast õppetundi teste, kirjalikke juhiseid, lahendusi, ülesandeid ja muud. Meie projektipõhine õpetus võimaldab õppida ehitamise kaudu, mis on tõestatud efektne viis uute oskuste kinnistamiseks.
Reisi koos meiega ümber maailma, rakendades neid klassikalisi tehnikaid andmetele paljudest maailma piirkondadest. Igas õppetunnis on ees- ja järeltest, kirjalikud juhised õppetunni läbimiseks, lahendus, ülesanne ja muud. Meie projektipõhine pedagoogika laseb sul õppida, ehitades samal ajal – see on tõestatud viis uute oskuste kinnistamiseks.
**✍️ Südamlik tänu meie autoritele** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ja Amy Boyd
**✍️ Suur tänu meie autoritele** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ja Amy Boyd
**🎨 Tänud ka meie illustraatoritele** Tomomi Imura, Dasani Madipalli ja Jen Looper
**🙏 Eriline tänu 🙏 Microsofti tudengisaadikutele autoritele, ülevaatajatele ja sisuloojatele**, eriti Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ja Snigdha Agarwal
**🙏 Eriline tänu 🙏 meie Microsofti üliõpilasambasadorite autoritele, ülevaatajatele ja sisuloojatele**, eriti Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ja Snigdha Agarwal
**🤩 Lisatänu Microsofti tudengisaadikutele Eric Wanjau, Jasleen Sondhi ja Vidushi Gupta meie R õppetundide eest!**
**🤩 Lisa tänud Microsofti üliõpilasambasadoritele Eric Wanjau, Jasleen Sondhi ja Vidushi Gupta, kes panustasid meie R-õppetundidesse!**
# Alustamine
Järgi neid samme:
1. **Tee hoidlast oma haru (fork)**: Klõpsa selle lehe paremas ülanurgas oleval "Fork" nupul.
> [Leia kõik selle kursuse täiendavad ressursid meie Microsoft Learn kogumikus](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 💡 **Kiirjuhis:** Kas soovid alustada brauseris ilma Pythonit kohapeal seadistamata? Kasuta [GitHub Codespaces'i](https://github.com/features/codespaces), et luua oma forkile pilvearenduskeskkond. Ava roheline **Code** menüü, vali **Codespaces** ja loo codespace; paigalda vajadusel iga õppetunni nõutud sõltuvused.
> 🔧 **Vajad abi?** Vaata meie [tõrkeotsingu juhendit](TROUBLESHOOTING.md) levinumate probleemide kohta installimise, seadistuse ja õppetundide käivitamisega.
> [Leia kõik selle kursuse täiendavad ressursid meie Microsoft Learn kollektsioonist](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
**Õpilased**, selle õppekava kasutamiseks tee kogu hoidlast fork oma GitHubi kontole ja tee harjutused ise või grupis:
> 🔧 **Vaja abi?** Vaata meie [Veaotsingu juhendit](TROUBLESHOOTING.md) levinud probleemide lahendamiseks paigalduse, seadistuse ja õppetundide käivitamisel.
- Alusta sissejuhatava eelhindamise testiga.
- Loe õppetund läbi ja täida ülesanded, peatudes ja mõeldes igal teadmistestil.
- Püüa projektid luua õppeülesandeid mõistes, mitte ainult lahenduse koodi jooksutades; see kood on olemas iga projektipõhise õppetunni `/solution` kaustas.
- Tee järelhindamise test.
- Tee väljakutse.
- Täida kodutöö.
- Peale õppetundide rühma lõpetamist külasta [arutelufoorumit](https://github.com/microsoft/ML-For-Beginners/discussions) ja "õpi valjusti" sobiva PAT-võtme abil. PAT on edenemise hindamise tööriist, mille abil saad oma õppimist edasi arendada. Samuti saad reageerida teiste PAT-idele, et koos õppida.
> Edasisteks õpinguteks soovitame järgida neid [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) mooduleid ja õpperadasid.
**[Üliõpilased](https://aka.ms/student-page)**, et seda õppekava kasutada, tee kogu hoidlast fork oma GitHubi kontole ja tee harjutused ise või grupiga:
**Õpetajad**, oleme lisanud [mõned soovitused](for-teachers.md) õppekava kasutamiseks.
- Alusta eelloengu testiga.
- Loe loengut ja tee tegevused, peatudes ja mõeldes iga teadmistekontrolli juures.
- Proovi luua projektid selle asemel, et lahenduskoodi lihtsalt jooksutada; selle kood on siiski saadaval iga projektile orienteeritud õppetunni `/solution` kaustas.
- Tee järeltest.
- Täida väljakutse.
- Täida ülesanne.
- Pärast õppetunni rühma lõpetamist külasta [Arutelufoorumit](https://github.com/microsoft/ML-For-Beginners/discussions) ja „õpi valjult“, täites vastava PAT hindamisskaala. „PAT“ on Progress Assessment Tool, mis on rubric teadmiste süvendamiseks; samuti saad teiste PAT-e kommenteerida, et koos õppida.
> Täiendavaks õppimiseks soovitame järgida neid [Microsoft Leardi](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) mooduleid ja õpiteid.
**Õpetajad**, oleme lisanud [mõningaid soovitusi](for-teachers.md), kuidas seda õppekava kasutada.
---
## Video juhendid
## Videokäigud
Mõned õppetunnid on saadaval lühivideotena. Leidke need kõigist õppetundidest või Microsoft Developer'i YouTube'i kanali [ML algajate esitusloendist](https://aka.ms/ml-beginners-videos) klõpsates allolevale pildile.
Mõned õppetunnid on saadaval lühikestes videotes. Leiad need järgemööda õppetundidest või siis [ML algajatele esitusloendist Microsoft Developer YouTube'i kanalil](https://aka.ms/ml-beginners-videos), vajutades allolevale pildile.
> 🎥 Vajuta ülalolevale pildile, et vaadata videot projektist ja inimestest, kes selle lõid!
> 🎥 Vajuta ülal olevale pildile, et vaadata videot projektist ja selle tegijatest!
---
## Õpetamismetoodika
Selle õppekava loomisel valisime kaks pedagoogilist põhimõtet: tagada käed-külge **projektipõhine** õpe ja hõlmata **sagedased viktoriinid**. Lisaks on õppekaval ühine **teema**, mis annab sellele sidususe.
Sisuga projektide sidumine muudab õppetöö õppijate jaoks kaasahaaravamaks ning suurendab teadmiste kinnistumist. Madala panusega viktoriin enne loengut seab õppija fookuse teema omandamisele, teine viktoriin pärast loengut kinnistab materjali. Õppekava on loodud olema paindlik ja lõbus ning seda saab läbida tervikuna või osade kaupa. Projektid algavad väikestest ja muutuvad järjest keerukamaks 12-nädalase tsükli lõpus. Õppekava sisaldab ka lõpus lisamärkusi masinõppe reaalse maailma rakenduste kohta, mida saab kasutada lisapunktide teenimiseks või arutelude aluseks.
> Leia meie [käitumisjuhend](CODE_OF_CONDUCT.md), [osalemisjuhend](CONTRIBUTING.md), [tõlked](..) ja [tõrkeotsingu](TROUBLESHOOTING.md) juhendid. Ootame sinu konstruktiivset tagasisidet!
> **Märkus keeltest**: Need õppetunnid on peamiselt kirjutatud Pythonis, kuid paljud on saadaval ka R-is. R-õppetunni tegemiseks minge kausta `/solution` ja otsige R-õppetunde. Nendel on .rmd laiendus, mis tähistab **R Markdowndi** faili, mida saab lihtsalt defineerida kui `koodilõikude` (R-i või teiste keelte) ja `YAML päise` (mis juhib näiteks PDF-väljundite vormindamist) manustamist `Markdown dokumendis`. Seetõttu on see eeskujulik autoriraamistik andmeteadusele, kuna võimaldab teil kombineerida oma koodi, selle väljundi ja mõtted, võimaldades neid Markdowni kirjutada. Lisaks saab R Markdowndi dokumente renderdada väljundvormingutesse nagu PDF, HTML või Word.
> **Märkus viktoriinide kohta**: Kõik viktoriinid asuvad [Quiz App kaustas](../../quiz-app), kokku 52 viktoriini, milles on kolm küsimust igaühes. Neile viidatakse õppetundide sees, kuid viktoriini rakendust saab käivitada lokaalselt; järgige `quiz-app` kausta juhiseid, et seda kohapeal hostida või Deploy Azure'i.
| Õppetunni Number | Teema | Õppetunni Grupp | Õpitulemused | Lingitud Õppetund | Autor |
| 02 | Masinõppe ajalugu | [Sissejuhatus](1-Introduction/README.md) | Õpi selle valdkonna ajaloo kohta | [Õppetund](1-Introduction/2-history-of-ML/README.md) | Jen ja Amy |
| 03 | Õiglus ja masinõpe | [Sissejuhatus](1-Introduction/README.md) | Millised on olulised filosoofilised õiglusprobleemid, mida õpilased peaksid arvestama ML mudelite ehitamisel ja rakendamisel? | [Õppetund](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Masinõppe tehnikad | [Sissejuhatus](1-Introduction/README.md) | Milliseid tehnikaid masinõppe teadlased kasutavad mudelite ehitamiseks? | [Õppetund](1-Introduction/4-techniques-of-ML/README.md) | Chris ja Jen |
| 05 | Sissejuhatus regressiooni | [Regressioon](2-Regression/README.md) | Alusta Pythoniga ja Scikit-learniga regressioonimudelite jaoks | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Põhja-Ameerika kõrvitsa hinnad 🎃 | [Regressioon](2-Regression/README.md) | Andmete visualiseerimine ja puhastamine ML-ks ettevalmistamiseks | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Põhja-Ameerika kõrvitsa hinnad 🎃 | [Regressioon](2-Regression/README.md) | Ehita lineaarseid ja polünoomseid regressioonimudeleid | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen ja Dmitry • Eric Wanjau |
| 08 | Põhja-Ameerika kõrvitsa hinnad 🎃 | [Regressioon](2-Regression/README.md) | Ehita logistilise regressiooni mudel | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Veebirakendus 🔌 | [Veebirakendus](3-Web-App/README.md) | Ehita veebirakendus oma treenitud mudeli kasutamiseks | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Sissejuhatus klassifikatsiooni | [Klassifikatsioon](4-Classification/README.md) | Puhasta, valmista ette ja visualiseeri andmeid; sissejuhatus klassifikatsiooni | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen ja Cassie • Eric Wanjau |
| 11 | Maitsvad Aasia ja India köögid 🍜 | [Klassifikatsioon](4-Classification/README.md) | Sissejuhatus klassifikaatoritesse | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen ja Cassie • Eric Wanjau |
| 12 | Maitsvad Aasia ja India köögid 🍜 | [Klassifikatsioon](4-Classification/README.md) | Veel klassifikaatoreid | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen ja Cassie • Eric Wanjau |
| 13 | Maitsvad Aasia ja India köögid 🍜 | [Klassifikatsioon](4-Classification/README.md) | Ehita soovitusrakendus oma mudeli põhjal | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Sissejuhatus klasterdamisse | [Klasterdamine](5-Clustering/README.md) | Puhasta, valmista ette ja visualiseeri andmed; sissejuhatus klasterdamisse | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 16 | Sissejuhatus loodusliku keele töötlemisse ☕️ | [Loodusliku keele töötlemine](6-NLP/README.md) | Õpi NLP põhialuseid, luues lihtsa boti | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Levinumad NLP ülesanded ☕️ | [Loodusliku keele töötlemine](6-NLP/README.md) | Süvenda oma NLP teadmisi, mõistes keelestruktuuridega seotud tavapäraseid ülesandeid | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Tõlkimine ja emotsioonianalüüs ♥️ | [Loodusliku keele töötlemine](6-NLP/README.md) | Tõlketeenused ja sentimentide analüüs Jane Austeni tekstiga | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Euroopa romantilised hotellid ♥️ | [Loodusliku keele töötlemine](6-NLP/README.md) | Emotsioonianalüüs hotellide ülevaadetega 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Euroopa romantilised hotellid ♥️ | [Loodusliku keele töötlemine](6-NLP/README.md) | Emotsioonianalüüs hotellide ülevaadetega 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 25 | Aita Peteril hundi eest põgeneda! 🐺 | [Tugevdusõpe](8-Reinforcement/README.md) | Tugevdusõppe Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Järelsõna | Reaalsed ML stsenaariumid ja rakendused | [ML metsikus looduses](9-Real-World/README.md) | Huvitavad ja tähendusrikkad klassikalise ML reaalse maailma rakendused | [Õppetund](9-Real-World/1-Applications/README.md) | Meeskond |
| Järelsõna | Mudeli silumine ML-s RAI armatuurlaua abil | [ML metsikus looduses](9-Real-World/README.md) | Mudeli silumine masinõppes kasutades Responsible AI armatuurlaua komponente | [Õppetund](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [leia kõik selle kursuse lisamaterjalid meie Microsoft Learn kogust](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Offline ligipääs
Seda dokumentatsiooni saate kasutada ka võrguühenduseta, kasutades [Docsify](https://docsify.js.org/#/). Tõmba see repo oma arvutisse, [paigalda Docsify](https://docsify.js.org/#/quickstart) oma kohalikule masinale, ja siis selle repokoodikausta juurtes kirjuta `docsify serve`. Veebileht serveeritakse pordil 3000 teie lokaalses arvutis: `localhost:3000`.
## Pedagoogika
Selle õppekava loomisel oleme valinud kaks pedagoogilist alustala: tagada, et see on praktiline **projektipõhine** ja sisaldab **sageli teste**. Lisaks on õppekaval ühine **teema**, mis annab sellele terviklikkuse.
Sisu projektidega sobitades suureneb õpilaste kaasatus ja kontseptsioonide jääb paremini meelde. Madala riskiga test enne tundi seab õppija kavatsuse uue teema õppimiseks, samas kui teine test pärast tundi tagab teadmiste kinnistumise. See õppekava on paindlik ja lõbus ning sobib tervikuna või osaliselt läbitavaks. Projektid algavad väikestena ja muutuvad 12-nädalase tsükli lõpuks järk-järgult keerukamaks. Õppekava sisaldab ka järelmärget masinõppe rakendustest pärismaailmas, mida võib kasutada lisapunktide saamiseks või arutelupõhjana.
> Leia meie [Käitumiskoodeks](CODE_OF_CONDUCT.md), [Panustamine](CONTRIBUTING.md), [Tõlkimine](..) ja [Veaotsing](TROUBLESHOOTING.md) juhised. Ootame konstruktiivset tagasisidet!
> **Märkused keeltest**: Need õppetunnid on peamiselt kirjutatud Pythonis, kuid paljud on saadaval ka R-s. R-õppetunni läbimiseks mine `/solution` kausta ja otsi R-õppetunde. Neil on .rmd laiendus, mis esindab **R Markdown** faili, mida saab defineerida kui `kooditükke` (R või teiste keelte jaoks) sisaldava ja `YAML-päise` (suunab väljundite vormindamist nagu PDF) sisaldava `Markdown dokumendi` manustamist. See on andmeteadusele suurepärane raamistik, kuna võimaldab sul kombineerida koodi, selle väljundi ja mõtted kirjalikult Markdownis. Lisaks saab R Markdown dokumente renderdada väljundvormingutesse nagu PDF, HTML või Word.
> **Märkused testide kohta**: Kõik testid asuvad [Quiz App kaustas](../../quiz-app), kokku 52 testi, kus igaühes on kolm küsimust. Need on seotud õppetundidega, aga testirakendust saab käivitada ka lokaalselt; järgi juhiseid `quiz-app` kaustas lokaalseks hostimiseks või Azure'sse deploymiseks.
| Õppetunni number | Teema | Õppetunni grupp | Õpieesmärgid | Seotud õppetund | Autor |
| 02 | Masinõppe ajalugu | [Introduction](1-Introduction/README.md) | Õpi selle valdkonna ajalugu | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Õiglus ja masinõpe | [Introduction](1-Introduction/README.md) | Millised on tähtsad filosoofilised küsimused seoses õigusega, mida õpilased peaksid masinõppemudelite loomisel ja rakendamisel kaaluma? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Masinõppe tehnikad | [Introduction](1-Introduction/README.md) | Milliseid tehnikaid kasutavad masinõppe uurijad masinõppemudelite ehitamiseks? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Sissejuhatus regressiooni | [Regression](2-Regression/README.md) | Alusta Pythonis ja Scikit-learn'is regressioonimudelitega | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Põhja-Ameerika kõrvitsa hinnad 🎃 | [Regression](2-Regression/README.md) | Visualiseeri ja puhasta andmeid masinõppe ettevalmistamiseks | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Põhja-Ameerika kõrvitsa hinnad 🎃 | [Regression](2-Regression/README.md) | Ehita lineaarsed ja polünoomsed regressioonimudelid | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | Põhja-Ameerika kõrvitsa hinnad 🎃 | [Regression](2-Regression/README.md) | Ehita logistiline regressioonimudel | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Veebirakendus 🔌 | [Web App](3-Web-App/README.md) | Ehita veebirakendus oma treenitud mudeli kasutamiseks | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Sissejuhatus klassifitseerimisse | [Classification](4-Classification/README.md) | Puhasta, valmista ette ja visualiseeri oma andmeid; sissejuhatus klassifitseerimisse | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | Maitsvad Aasia ja India köögid 🍜 | [Classification](4-Classification/README.md) | Sissejuhatus klassifitseerijatesse | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | Maitsvad Aasia ja India köögid 🍜 | [Classification](4-Classification/README.md) | Veel klassifitseerijaid | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | Maitsvad Aasia ja India köögid 🍜 | [Classification](4-Classification/README.md) | Ehita soovitusveebirakendus oma mudelit kasutades | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Sissejuhatus klastrisse | [Clustering](5-Clustering/README.md) | Puhasta, valmista ette ja visualiseeri oma andmeid; sissejuhatus klastrisse | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Uuri Nigeeria muusikamaitseid 🎧 | [Clustering](5-Clustering/README.md) | Uuri K-Meansi klasterdamismeetodit | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Sissejuhatus loomuliku keele töötlemisse ☕️ | [Natural language processing](6-NLP/README.md) | Õpi NLP põhialuseid, ehitades lihtsa boti | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Levinud NLP ülesanded ☕️ | [Natural language processing](6-NLP/README.md) | Süvenda oma NLP teadmisi, mõistes keelestruktuuride töötlemisel vajalikke tavapäraseid ülesandeid | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Tõlkimine ja sentimendi analüüs ♥️ | [Natural language processing](6-NLP/README.md) | Tõlkimine ja meeleolu analüüs Jane Austeni tekstidega | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Euroopa romantilised hotellid ♥️ | [Natural language processing](6-NLP/README.md) | Meeleolu analüüs hotellikriitikatest 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Euroopa romantilised hotellid ♥️ | [Natural language processing](6-NLP/README.md) | Meeleolu analüüs hotellikriitikatest 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| Postscript | Reaalmaailma masinõppe juhtumid ja rakendused | [ML in the Wild](9-Real-World/README.md) | Huvitavad ja valgustavad klassikalise masinõppe reaalmaailmarakendused | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Masinõppe mudelite silumine RAI juhtpaneeli abil | [ML in the Wild](9-Real-World/README.md) | Masinõppe mudelite silumine vastutustundliku tehisintellekti juhtpaneeli komponentidega | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [leia kõik selle kursuse lisamaterjalid meie Microsoft Learn kollektsioonist](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Võimalus kasutada võrguühenduseta
Saad seda dokumentatsiooni võrguühenduseta käivitada, kasutades [Docsify](https://docsify.js.org/#/). Tee selle hoidla fork, [paigalda Docsify](https://docsify.js.org/#/quickstart) oma lokaalsele masinale, ning seejärel kirjuta selle hoidla juurkaustas käsk `docsify serve`. Veebileht hakkab teenima pordil 3000 sinu kohalikel aadressil: `localhost:3000`.
## PDF-id
Leia õppekava pdf koos linkidega [siin](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Leia õppekava PDF koos linkidega [siit](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Teised kursused
## 🎒 Muud kursused
Meie meeskond toodab ka teisi kursuseid! Vaata:
Meie tiim toodab teisi kursuseid! Vaata neid:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -181,11 +185,11 @@ Meie meeskond toodab ka teisi kursuseid! Vaata:
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
- Vaata pärast iga õppetundi märkmeid üle, et paremini mõista.
- Harjuta algoritmide ise rakendamist.
- Uuri õpitud põhimõtteid kasutades pärismaailma andmestikke.
- Vaata märkmeid üle pärast iga õppetundi parema arusaamise saamiseks.
- Harjuta algoritmide omaette rakendamist.
- Uuri omandatud kontseptsioonide abil reaalmaailma andmekogumeid.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Vastutusest loobumine**:
See dokument on tõlgitud tehisintellekti tõlke teenuse [Co-op Translator](https://github.com/Azure/co-op-translator) abil. Kuigi püüame täpsust, palun arvestage, et automaatsed tõlked võivad sisaldada vigu või ebatäpsusi. Originaaldokument selle algkeeles tuleks pidada autoriteetseks allikaks. Olulise teabe korral soovitatakse kasutada professionaalset inimtõlget. Me ei vastuta selle tõlkega seotud arusaamatuste ega väärarusaamade eest.
**Lahtiütlus**:
See dokument on tõlgitud kasutades AI tõlketeenust [Co-op Translator](https://github.com/Azure/co-op-translator). Kuigi me püüdleme täpsuse poole, palun pange tähele, et automatiseeritud tõlgetes võib esineda vigu või ebatäpsusi. Originaaldokument selle emakeeles tuleks pidada autoriteetseks allikaks. Olulise teabe puhul soovitatakse kasutada professionaalset inimtõlget. Me ei vastuta selle tõlkega seotud eksimustest või valesti mõistmistest.
Kas soovite seda õppekava oma klassis kasutada? Palun tehke seda julgelt!
Kas soovite seda õppekava oma klassiruumis kasutada? Palun võtke vabalt!
Tegelikult saate seda kasutada otse GitHubis, kasutades GitHub Classroomi.
Tegelikult saate seda kasutada GitHubi sees, kasutades GitHub Classroomi.
Selleks tehke selle repo kahvel. Teil on vaja luua iga õppetunni jaoks eraldi repo, seega peate iga kausta eraldama eraldi repoks. Nii saab [GitHub Classroom](https://classroom.github.com/classrooms) iga õppetunni eraldi üles võtta.
Selleks tehke selle hoidla fork. Teil tuleb iga õppetunni jaoks luua hoidla, nii et peate iga kausta eraldi hoidlasse eraldama. Nii saab [GitHub Classroom](https://classroom.github.com/classrooms) iga õppetunni eraldi kätte.
Need [täielikud juhised](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) annavad teile ülevaate, kuidas oma klassiruumi seadistada.
Need [täielikud juhised](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) annavad teile ülevaate, kuidas oma klassiruum seadistada.
## Repo kasutamine praegusel kujul
## Hoidla kasutamine nii nagu on
Kui soovite seda repot kasutada sellisena, nagu see praegu on, ilma GitHub Classroomi kasutamata, on see samuti võimalik. Teil tuleb oma õpilastele teada anda, millist õppetundi koos läbi töötada.
Kui soovite seda hoidlat kasutada nii nagu see praegu on, ilma GitHub Classroomit kasutamata, saab seda ka teha. Peate oma õpilastele selgitama, millise õppetunniga koos töötada.
Veebipõhises formaadis (Zoom, Teams või muu) võite moodustada viktoriinide jaoks eraldi grupid ja juhendada õpilasi, et nad oleksid valmis õppima. Seejärel kutsuge õpilased viktoriinidele ja paluge neil esitada oma vastused 'issues' kaudu kindlal ajal. Sama võite teha ka ülesannetega, kui soovite, et õpilased töötaksid koostöös avalikult.
Veebivormis (Zoom, Teams või muu) võite moodustada rühma-tööruume viktoriinide jaoks ning juhendada õpilasi õppimiseks ette valmistuma. Seejärel kutsuge õpilasi viktoriine tegema ja esitama oma vastused kindlal ajal „teemadena“ (issues). Sama võite teha ka ülesannetega, kui soovite, et õpilased teeksid koostööd avalikult.
Kui eelistate privaatsemat formaati, paluge oma õpilastel teha õppekavast kahvel, õppetundide kaupa, oma GitHubi privaatsetesse repodesse ja anda teile juurdepääs. Seejärel saavad nad viktoriinid ja ülesanded privaatselt täita ning esitada need teile 'issues' kaudu teie klassiruumi repol.
Kui eelistate privaatsemat vormingut, paluge õpilastel forkida õppekava, õppetunni kaupa, omaenda GitHubi hoidlatesse privaatsetena ja anda teile ligipääs. Seejärel saavad nad viktoriine ja ülesandeid privaatsemalt teha ning esitada need teile teemadena teie klassiruumi hoidlas.
Veebiklassi formaadis on palju võimalusi, kuidas see toimima panna. Palun andke meile teada, mis teie jaoks kõige paremini töötab!
Võimalusi, kuidas seda veebipõhises klassiruumis toimima panna, on palju. Palun andke meile teada, mis teile kõige paremini sobib!
## Palun jagage oma mõtteid!
## Palun andke oma mõtted teada!
Me soovime, et see õppekava töötaks teie ja teie õpilaste jaoks. Palun andke meile [tagasisidet](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
Tahame muuta selle õppekava teile ja teie õpilastele sobivaks. Palun andke meile [tagasisidet](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
---
**Lahtiütlus**:
See dokument on tõlgitud AI tõlketeenuse [Co-op Translator](https://github.com/Azure/co-op-translator) abil. Kuigi püüame tagada täpsust, palume arvestada, et automaatsed tõlked võivad sisaldada vigu või ebatäpsusi. Algne dokument selle algses keeles tuleks pidada autoriteetseks allikaks. Olulise teabe puhul soovitame kasutada professionaalset inimtõlget. Me ei vastuta selle tõlke kasutamisest tulenevate arusaamatuste või valesti tõlgenduste eest.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Lahtiütlus**:
See dokument on tõlgitud kasutades AI tõlketeenust [Co-op Translator](https://github.com/Azure/co-op-translator). Kuigi me püüdleme täpsuse poole, palun pange tähele, et automatiseeritud tõlgetes võib esineda vigu või ebatäpsusi. Originaaldokument selle emakeeles tuleks pidada autoriteetseks allikaks. Olulise teabe puhul soovitatakse kasutada professionaalset inimtõlget. Me ei vastuta selle tõlkega seotud eksimustest või valesti mõistmistest.
[](https://youtu.be/N6wxM4wZ7V0 "ML for beginners - History of Machine Learning")
> 🎥 Click di image wey dey up for short video wey go explain dis lesson.
> 🎥 Click the image above for a short video working through this lesson.
For dis lesson, we go waka through di big milestones for di history of machine learning and artificial intelligence.
For dis lesson, we go waka through di main milestones inside di history of machine learning and artificial intelligence.
Di history of artificial intelligence (AI) as one field dey join body with di history of machine learning, because di algorithms and di computational progress wey dey support ML na im help AI development. E good make we remember say, even though dis fields as separate areas of study start to dey clear for di 1950s, important [algorithmic, statistical, mathematical, computational and technical discoveries](https://wikipedia.org/wiki/Timeline_of_machine_learning) don dey before and dey overlap dis time. In fact, people don dey reason dis kind questions for [hundreds of years](https://wikipedia.org/wiki/History_of_artificial_intelligence): dis article dey talk about di historical intellectual foundation of di idea of 'thinking machine.'
Di history of artificial intelligence (AI) as one field combine with di history of machine learning, because di algorithms and computer advances wey dey support ML help for di development of AI. E good make you remember say, even if dis fields as separate things start clear for 1950s, important [algorithmic, statistical, mathematical, computational and technical discoveries](https://wikipedia.org/wiki/Timeline_of_machine_learning) happen before and around dat time. For real, people don dey reason these things for [hundreds of years](https://wikipedia.org/wiki/History_of_artificial_intelligence): dis article talk about di old brain ideas behind di 'thinking machine' concept.
---
## Notable discoveries
- 1763, 1812 [Bayes Theorem](https://wikipedia.org/wiki/Bayes%27_theorem) and di things wey dey before am. Dis theorem and di way dem dey use am dey explain inference, how probability of one event fit happen based on wetin we sabi before.
- 1805 [Least Square Theory](https://wikipedia.org/wiki/Least_squares) by French mathematician Adrien-Marie Legendre. Dis theory, wey you go learn for our Regression unit, dey help for data fitting.
- 1913 [Markov Chains](https://wikipedia.org/wiki/Markov_chain), wey dem name after Russian mathematician Andrey Markov, dey describe sequence of possible events based on di state wey dey before.
- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron) na one type of linear classifier wey American psychologist Frank Rosenblatt invent, e dey support di progress for deep learning.
- 1763, 1812 [Bayes Theorem](https://wikipedia.org/wiki/Bayes%27_theorem) and dia predecessors. Dis theorem and wetin e fit do na di foundation of inference, wey yarn di chance of wetin fit happen based on wetin we sabi before.
- 1805 [Least Square Theory](https://wikipedia.org/wiki/Least_squares) by French mathematician Adrien-Marie Legendre. Dis theory, wey you go learn about for our Regression unit, dey help data fitting.
- 1913 [Markov Chains](https://wikipedia.org/wiki/Markov_chain), wey get name from Russian mathematician Andrey Markov, dey describe sequence of things wey fit happen based on say one thing happen before.
- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron) na one kind linear classifier wey American psychologist Frank Rosenblatt invent, e follow make deep learning better.
---
- 1967 [Nearest Neighbor](https://wikipedia.org/wiki/Nearest_neighbor) na algorithm wey dem first design to map routes. For ML, e dey help detect patterns.
- 1982 [Recurrent Neural Networks](https://wikipedia.org/wiki/Recurrent_neural_network) na artificial neural networks wey dem derive from feedforward neural networks wey dey create temporal graphs.
- 1967 [Nearest Neighbor](https://wikipedia.org/wiki/Nearest_neighbor) na algorithm wey dem first design to map roads. For ML, e dey used to find patterns.
- 1970 [Backpropagation](https://wikipedia.org/wiki/Backpropagation) na method to train [feedforward neural networks](https://wikipedia.org/wiki/Feedforward_neural_network).
- 1982 [Recurrent Neural Networks](https://wikipedia.org/wiki/Recurrent_neural_network) na kain artificial neural networks wey come from feedforward neural networks wey fit create time-based graph.
✅ Do small research. Which other dates dey important for di history of ML and AI?
✅ Do small research. Which other dates stand out as important for di history of ML and AI?
---
## 1950: Machines wey dey think
## 1950: Machines wey fit think
Alan Turing, one person wey dey very remarkable, wey people vote [for 2019](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) as di greatest scientist for di 20th century, na im dem dey credit say e help lay di foundation for di concept of 'machine wey fit think.' E face people wey no gree and e own need for evidence of dis concept by creating di [Turing Test](https://www.bbc.com/news/technology-18475646), wey you go learn for our NLP lessons.
Alan Turing, man wey well well and who di people vote [by di public for 2019](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) as di best scientist of di 20th century, na im get credit for helping set di base for di idea of 'machine wey fit think.' E fight with people weh no believe and e need proof for dis idea partly by making [Turing Test](https://www.bbc.com/news/technology-18475646), wey you go see for our NLP lessons.
---
## 1956: Dartmouth Summer Research Project
"Di Dartmouth Summer Research Project on artificial intelligence na one big event for artificial intelligence as one field," and na here dem coin di term 'artificial intelligence' ([source](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
"Di Dartmouth Summer Research Project on artificial intelligence na important event for AI as one field," and na there dem first call di thing 'artificial intelligence' ([source](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
> Every aspect of learning or any other feature of intelligence fit dey described well well so dat machine fit dey simulate am.
> Every part of learning or any other intelligence fit be talk true well well so dat machine fit do am like e be true.
---
Di lead researcher, mathematics professor John McCarthy, hope "to proceed based on di idea say every aspect of learning or any other feature of intelligence fit dey described well well so dat machine fit dey simulate am." Di participants include another big name for di field, Marvin Minsky.
Di main researcher, math professor John McCarthy, hope say "dem fit move near di belief say every part of learning or any other intelligence fit be talk true well well so dat machine fit do am like e be true." People wey join join na other big brain for di field, Marvin Minsky.
Di workshop dey credit say e start and encourage plenty discussions like "di rise of symbolic methods, systems wey focus on limited domains (early expert systems), and deductive systems versus inductive systems." ([source](https://wikipedia.org/wiki/Dartmouth_workshop)).
Di workshop get credit for starting and supporting plenty talks inside AI like "di rise of symbolic methods, systems wey focus on small areas (early expert systems), and deductive systems vs inductive systems." ([source](https://wikipedia.org/wiki/Dartmouth_workshop)).
---
## 1956 - 1974: "Di golden years"
## 1956 - 1974: "The golden years"
From di 1950s go reach di mid '70s, hope dey high say AI fit solve plenty problems. For 1967, Marvin Minsky talk confidently say "Within one generation ... di problem of creating 'artificial intelligence' go dey solved well well." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
From di 1950s go hit mid 70s, hope high say AI go fit solve many many wahala. For 1967, Marvin Minsky talk sure sure say "Within a generation ... di problem of making 'artificial intelligence' go mostly solve." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
Natural language processing research dey grow, search dey improve and dey more powerful, and di concept of 'micro-worlds' dey created, where simple tasks dey completed using plain language instructions.
Natural language processing research grow well well, search improve and powerful, and di idea of 'micro-worlds' come out, wey simple tasks fit get done with basic language commands.
---
Research dey well funded by government agencies, progress dey for computation and algorithms, and prototypes of intelligent machines dey built. Some of dis machines include:
Research get correct money from government, computation and algorithms improve, and intelligent machine prototypes get build. Some of dia machines na:
* [Shakey di robot](https://wikipedia.org/wiki/Shakey_the_robot), wey fit move and decide how e go do tasks 'intelligently'.
* [Shakey the robot](https://wikipedia.org/wiki/Shakey_the_robot), wey fit waka and decide how to do things 'intelligently'.
> Shakey for 1972
---
* Eliza, one early 'chatterbot', fit talk with people and act like one basic 'therapist'. You go learn more about Eliza for di NLP lessons.
* Eliza, one early 'chatterbot', fit tok with people and act like one simple 'therapist'. You go learn more about Eliza in di NLP lessons.
> One version of Eliza, one chatbot
---
* "Blocks world" na example of micro-world where blocks fit dey stacked and sorted, and experiments to teach machines how to make decisions fit dey tested. Progress wey dem build with libraries like [SHRDLU](https://wikipedia.org/wiki/SHRDLU) help push language processing forward.
* "Blocks world" na example of small-world where blocks fit stack and sort, and dem fit test teaching machine how to make decisions. Progress wey come from libraries like [SHRDLU](https://wikipedia.org/wiki/SHRDLU) help grammar processing waka well.
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "blocks world with SHRDLU")
> 🎥 Click di image wey dey up for video: Blocks world with SHRDLU
> 🎥 Click di picture above for video: Blocks world with SHRDLU
---
## 1974 - 1980: "AI Winter"
By di mid 1970s, e don clear say di complexity of making 'intelligent machines' don dey underestimated and di promise, based on di available compute power, don dey overhyped. Funding stop and confidence for di field slow down. Some issues wey affect confidence include:
By mid 1970s, e don clear say di wahala to build 'intelligent machines' big pass as e look, and di hope wey dem get finish because di computer power dem get no too enough. Money finish and faith for di field slow down. Some of di problems wey kill confidence na:
---
- **Limitations**. Compute power no dey enough.
- **Combinatorial explosion**. Di number of parameters wey need training dey grow plenty as more dey asked of computers, without compute power and capability wey dey grow alongside.
- **Paucity of data**. Data no plenty enough to test, develop, and refine algorithms.
- **We dey ask di right questions?**. Di questions wey dem dey ask start to dey questioned. Researchers start to face criticism about di way dem dey approach di matter:
- Turing tests dey questioned by ideas like di 'chinese room theory' wey talk say, "programming one digital computer fit make am look like e understand language but e no fit produce real understanding." ([source](https://plato.stanford.edu/entries/chinese-room/))
- Di ethics of introducing artificial intelligences like di "therapist" ELIZA into society dey challenged.
- **Limitations**. Computer power no too strong.
- **Combinatorial explosion**. Di amount of parameters wey dem gats train grow kpata kpata as dem ask computer make dem do more, but computer power no grow.
- **Paucity of data**. No get enough data wey fit help for testing, building, and fixing algorithms.
- **We dey ask di correct questions?**. Di questions wey dem dey ask start to be question themselves. Researchers start to face criticism about their method:
- Turing tests start get question marks through ideas like 'chinese room theory' wey talk say, "programming digital computer fit make e look like e understand language but e no fit truly understand." ([source](https://plato.stanford.edu/entries/chinese-room/))
- Ethics to put artificial intelligences like "therapist" ELIZA inside society get wahala.
---
At di same time, different AI schools of thought start to form. One division dey between ["scruffy" vs. "neat AI"](https://wikipedia.org/wiki/Neats_and_scruffies) practices. _Scruffy_ labs dey tweak programs for hours until dem get di result wey dem want. _Neat_ labs "dey focus on logic and formal problem solving". ELIZA and SHRDLU na popular _scruffy_ systems. For di 1980s, as demand grow to make ML systems reproducible, di _neat_ approach gradually take front because e result dey more explainable.
For dis same time, different AI schools come out. Dem divide between ["scruffy" vs. "neat AI"](https://wikipedia.org/wiki/Neats_and_scruffies) style. _Scruffy_ labs dey fix programs till dem get wetin dem want. _Neat_ labs dey focus for logic and proper problem solving. ELIZA and SHRDLU be popular _scruffy_ systems. For 1980s, as demand come to make ML systems fit repeat, _neat_ style begin win as e results dey easy to explain.
---
## 1980s Expert systems
As di field dey grow, e benefit to business dey clear, and for di 1980s di spread of 'expert systems' dey increase. "Expert systems na di first successful forms of artificial intelligence (AI) software." ([source](https://wikipedia.org/wiki/Expert_system)).
As di field grow, im benefit for business show well, and for 1980s expert systems spread. "Expert systems na some of di first real successful forms of artificial intelligence (AI) software." ([source](https://wikipedia.org/wiki/Expert_system)).
Dis type of system na _hybrid_, e get rules engine wey dey define business requirements, and inference engine wey dey use di rules system to find new facts.
Dis kind system be _hybrid_, e get part rules engine wey define business needs, and inference engine wey use di rules make new facts.
Dis time also see more attention for neural networks.
For dis time, neural networks begin get better attention.
---
## 1987 - 1993: AI 'Chill'
Di spread of specialized expert systems hardware get one bad effect, e dey too specialized. Di rise of personal computers dey compete with dis big, specialized, centralized systems. Di democratization of computing don start, and e later open road for di modern explosion of big data.
Di spread of specialized expert systems hardware make dem too specialized. Increase of personal computers compete with these big, special, centralized systems. Computing dem begin open to everybody, and dat waka open road for big data boom.
---
## 1993 - 2011
Dis time bring new era for ML and AI to fit solve some of di problems wey lack of data and compute power cause before. Di amount of data start to grow fast and dey more available, for better and for worse, especially as smartphone show around 2007. Compute power grow plenty, and algorithms dey evolve alongside. Di field start to mature as di freewheeling days of di past dey turn into one true discipline.
Dis time mark new chapter for ML and AI as dem fit solve some problems wey create before when no get enough data and computing power. Data full ground quick quick and people begin get am everywhere, good and bad, especially with smartphone wey show around 2007. Computing power increase kpata kpata, algorithms dey also grow. Di field begin mature as di free days don start become real discipline.
---
## Now
Today machine learning and AI dey touch almost every part of our lives. Dis time dey call for careful understanding of di risks and di possible effects of dis algorithms on human lives. As Microsoft's Brad Smith talk, "Information technology dey bring issues wey dey go di heart of fundamental human-rights protections like privacy and freedom of expression. Dis issues dey increase di responsibility for tech companies wey dey create dis products. For our view, dem also dey call for thoughtful government regulation and for di development of norms around acceptable uses" ([source](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
Today machine learning and AI dey touch almost every side of our lives. Dis time demand say we understand good good the risks and how these algorithms fit affect human lives. As Microsoft's Brad Smith talk, "Information technology dey raise questions wey concern core human-right protections like privacy and freedom of expression. Dis kain issues put more work for tech companies wey make these products. For us, e still mean say government must think well to make rules and create norms for how dem suppose use am" ([source](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
---
E still dey remain to see wetin di future go bring, but e dey important to understand dis computer systems and di software and algorithms wey dem dey run. We hope say dis curriculum go help you understand better so you fit decide for yourself.
E still dey unknown wetin future go bring, but e important make we understand these computer systems and di software and algorithms wey dey run dem. We hop say dis curriculum go help you sabi am well make you fit decide for yourself.
[](https://www.youtube.com/watch?v=mTtDfKgLm54 "Di history of deep learning")
> 🎥 Click di image wey dey up for video: Yann LeCun dey talk about di history of deep learning for dis lecture
[](https://www.youtube.com/watch?v=mTtDfKgLm54 "The history of deep learning")
> 🎥 Click di picture above for video: Yann LeCun dey explain di history of deep learning for dis lecture
---
## 🚀Challenge
Look into one of dis historical moments and learn more about di people wey dey behind am. Di characters dey interesting, and no scientific discovery dey happen for one cultural vacuum. Wetin you discover?
Make you dig inside one of these historic moment and learn more about di people behind am. Dem get interesting character dem, and no scientific discovery ever happen for cultural vacuum. Wetin you discover?
Here na di things wey you fit watch and listen to:
[Dis podcast wey Amy Boyd dey talk about di evolution of AI](http://runasradio.com/Shows/Show/739)
[Dis podcast wey Amy Boyd discuss di evolution of AI](http://runasradio.com/Shows/Show/739)
[](https://www.youtube.com/watch?v=EJt3_bFYKss "Di history of AI by Amy Boyd")
[](https://www.youtube.com/watch?v=EJt3_bFYKss "The history of AI by Amy Boyd")
---
## Assignment
[Create one timeline](assignment.md)
[Make one timeline](assignment.md)
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Disclaimer**:
Dis docu wey you dey see don use AI translation service [Co-op Translator](https://github.com/Azure/co-op-translator) take translate am. Even though we dey try make sure say e correct, abeg no forget say machine translation fit get mistake or no too accurate. Di original docu for di language wey dem first write am na di main correct one. If na important matter, e go better make you use professional human translation. We no go fit take blame for any misunderstanding or wrong interpretation wey fit happen because you use dis translation.
**Disclaimer**:
Dis document don translate wit AI translation service [Co-op Translator](https://github.com/Azure/co-op-translator). Even tho we dey try make am correct, abeg make you know say automated translation fit get errors or mistakes. Di original document for dia own language na im be di correct source. For important info, make person wey sabi human translation do am. We no go responsible for any misunderstanding or wrong understanding wey fit happen because of dis translation.
# Di Build Machine Learning solutions with responsible AI
# Building Machine Learning solutions with responsible AI
> Sketchnote by [Tomomi Imura](https://www.twitter.com/girlie_mac)
@ -7,22 +7,22 @@
## Introduction
For dis curriculum, you go start to discover how machine learning fit impact and dey impact our everyday life. Even now, systems and models dey involved for daily decision-making tasks, like health care diagnoses, loan approvals or detecting fraud. So, e important say make these models dey work well to deliver results wey people fit trust. Just like any software application, AI systems fit miss expectations or get bad outcome. Na why e dey important to fit sabi and explain how AI model dey behave.
For dis curriculum, you go start to discover how machine learning fit dey affect our everyday life. Even now, system and model dey involved for daily decision-making work, like health care diagnoses, loan approvals or detecting fraud. So e make sense say dis models go work well to give outcomes wey people fit trust. Like any software app, AI systems fit miss expectations or give bad result. Na why e important to fit sabi and explain how AI model dey behave.
Imagine wetin fit happen if di data wey you dey use to build these models no get some people groups, like race, gender, political view, religion, or if e too represent some groups pass others. Wetin if di model result show say e dey favor some group? Wetin dat mean for di app? Plus, wetin fit happen if di model run bad and e harm people? Who suppose take charge for di AI system behavior? Na some questions we go tok about for dis curriculum.
Imagine wetin fit happen if the data wey you dey use build this kind model no get some demographics, like race, gender, political view, religion, or e just too much for some demographics. Wetin you go do if the model output show say e favor some kind demographic? Wetin fit be the consequence for the app? Plus, wetin fit happen if the model get bad outcome wey fit harm people? Who dey responsible for as the AI system dey act? These na some questions we go reason for this curriculum.
For dis lesson, you go:
- Make you sabi why fairness be important for machine learning and the harm wey fit come from unfairness.
- Make you dey familiar with how to find outliers and unusual situations to make sure sey everything go well and safe.
- Understand why e necessary to make sure say we design systems wey include everybody.
- Explore why e important to protect data and people privacy and security.
- See why e good to get clear way to explain how AI models dey behave.
- Remember say accountability na key to build trust for AI systems.
- Raise your awareness of the importance of fairness in machine learning and fairness-related harms.
- Become familiar with the practice of exploring outliers and unusual scenarios to ensure reliability and safety
- Gain understanding on the need to empower everyone by designing inclusive systems
- Explore how vital it is to protect privacy and security of data and people
- See the importance of having a glass box approach to explain the behavior of AI models
- Be mindful of how accountability is essential to build trust in AI systems
## Prerequisite
As prerequisite, abeg make you do the "Responsible AI Principles" Learn Path and watch di video wey dey below about di topic:
As prerequisite, abeg take the "Responsible AI Principles" Learn Path and watch the video wey dey below on top the topic:
Learn more about Responsible AI by following this [Learning Path](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
@ -32,15 +32,15 @@ Learn more about Responsible AI by following this [Learning Path](https://docs.m
## Fairness
AI systems suppose treat everybody fair and no make different groups of people suffer different kain wahala. For example, if AI systems dey show guidance on medical treatment, loan applications, or work, dem suppose recommend the same thing to everyone wey get similar symptoms, financial situation, or qualifications. Every one of us as human get bias wey we inherit wey affect how we dey decide and act. These biases fit show for data wey we use train AI systems. Sometimes, dis kain manipulation no be done on purpose. E hard to sabi when you dey put bias for data without wahala.
AI systems suppose make everybody fair and no treat similar groups of people different. For example, if AI systems dey give advice on medical treatment, loan applications, or work, dem suppose give same recommendation to everybody wey get similar symptoms, money situation, or professional qualification. Each of us as human carry inherited biases wey fit affect our decisions and actions. This kind biases fit show for the data wey we dey use train AI systems. Sometimes this kin thing fit happen without person intention. E hard to consciously sabi when you dey bring bias into data.
**“Unfairness”** mean di negative effect, or “harm”, wey fit happen to group of people like dem wey be defined by race, gender, age, or disability. The main fairness wahala fit be:
**“Unfairness”** na to cause bad impacts, or “harms”, to group of people, like those wey dem define based on race, gender, age, or disability status. The main fairness-related harms fit be:
- **Allocation**, if gender or ethnicity dem for example dey favored pass others.
- **Quality of service**. If you train data for one kain situation but the real thing na complex pass, e go make service poor. For example, one hand soap dispenser wey no fit sabi people with dark skin. [Reference](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Denigration**. To unfairly talk bad or label something or someone. Like how one image labeling system misslabel images of dark-skinned people as gorillas.
- **Over- or under- representation**. The idea be say some group no dey some profession, and if any service or function dey promote dis, e dey cause harm.
- **Stereotyping**. To join one group with certain qualities wey people don pre-decide. For example, one language translation system between English and Turkish fit get mistake because some words get stereotypical links to gender.
- **Allocation**, if dem favor one gender or ethnicity pass another.
- **Quality of service**. If you train data for one kind scenario but reality na much more complex, e go lead to poor service. For example, hand soap dispenser wey no fit detect people with dark skin. [Reference](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Denigration**. To unfairly criticize or label person or thing. For example, image labeling technology wey wrongly label pictures of dark-skinned people as gorillas.
- **Over- or under- representation**. This na the idea say some group no dey for some job, and any service or function wey still dey promote that dey add to harm.
- **Stereotyping**. To put one group with pre-assigned attributes. For example, language translation system between English and Turkish fit get mistakes because of stereotypical links between words and gender.
> translation to Turkish
@ -48,100 +48,99 @@ AI systems suppose treat everybody fair and no make different groups of people s
> translation back to English
When you dey design and test AI system, e good to make sure say AI dey fair and no program make am do biased or discriminatory decisions, wey humans also no suppose do. Make AI and machine learning fair still get serious challenge for society and technology.
When you dey design and test AI systems, you need make sure AI fair and no dey program to make biased or discriminatory decisions, the kain decision way human being self no suppose make. Guaranteeing fairness for AI and machine learning still na serious social and technical wahala.
### Reliability and safety
To make people trust dem, AI systems need to be reliable, safe, and steady for normal and unexpected situations. E important to know how AI systems go behave for different situations, especially for outliers. When we dey build AI solutions, we must focus well on how to handle all kinds different situation wey AI fit face. For example, self-driving car suppose put people's safety first. So, the AI inside the car must think about all possible things wey fit happen like night, thunderstorm or blizzard, pikin wey dey run cross road, animals, road work, and so on. How well AI system handle all these things fit show how well data scientist or AI developer plan am from the start.
To build trust, AI systems suppose reliable, safe, and consistent for normal and unexpected situations. E important to sabi how AI systems go behave for many kinds situation, especially those wey unusual. When you dey build AI solutions, you need put plenty eye for how you go handle plenty different scenarios wey AI solutions fit face. For example, self-driving car suppose put people safety first. So, the AI wey dey power the car need consider all possible scenario like night, thunderstorm, blizzard, pikin wey dey run cross road, pets, road work and so on. How well AI system fit handle different condition well and safe show how data scientist or AI developer take think am when dem design or test the system.
> [🎥 Click the here for a video: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
> [🎥 Click here for a video: Reliability and safety in AI](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
### Inclusiveness
AI systems suppose dey design to involve and empower everybody. When data scientists and AI developers dey design and put AI systems, dem go find and fix any barrier wey fit stop people from using the system. For example, 1 billion people get disabilities for di world. With AI progress, dem fit reach plenty info and chance easier for their daily life. If we fix barriers, e go create chance to make better AI products wey go benefit everybody.
AI systems suppose design make everybody fit join and get power. When data scientists and AI developers dey design and implement AI, dem go find and solve any barrier wey fit exclude people without intention. For example, 1 billion people get disability worldwide. With AI progress, dem fit get access to many information and chance easier for their daily life. When you solve these barriers, e go open door to innovate and build AI products wey get better experience wey everybody go benefit.
> [🎥 Click the here for a video: inclusiveness in AI](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
> [🎥 Click here for a video: Inclusiveness in AI](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
### Security and privacy
AI systems suppose dey safe and respect people privacy. People no dey trust systems wey fit threaten their privacy, info, or life. When we dey train machine learning models, we dey rely on data to make better results. But we must think about where data come from and if e trustworthy. For example, data fit be user submitted or public data. As we dey work with data, e important to make AI systems wey fit protect secret info and resist attacks. As AI dey increase, to protect privacy and keep important personal and business info safe na serious and hard work. Privacy and data security matter well well for AI because AI need data to make correct and informed prediction and decisions about people.
AI systems suppose dey safe and respect people privacy. People no too trust systems wey fit put their privacy, info, or life for risk. When you dey train machine learning models, you rely on data to get best result. For that reason, e good to consider where data come from and if e pure. For example, na user submit the data or e public? Next, as you dey work with data, e important to develop AI systems capable to protect confidential info and resist attack. As AI dey grow for everywhere, protecting privacy and securing personal and business info na big matter wey dey become more complex. Privacy and data security issues especially need attention for AI because AI systems rely on data to make correct and informed predictions and decisions about people.
> [🎥 Click the here for a video: security in AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 Click here for a video: Security in AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- As an industry we don make big progress for Privacy & security, especially with laws like GDPR (General Data Protection Regulation).
- But for AI systems we must know say e dey tension between needing more personal data to make systems better and the need for privacy.
- Just like how internet bring more security problems, AI dey bring more security challenges too.
- But AI dey also help improve security. For example, many modern anti-virus scanners dey use AI heuristics now.
- We suppose make sure say our Data Science process go well with the latest privacy and security practices.
- As industry, we don make better progress for Privacy & security, especially because of regulations like GDPR (General Data Protection Regulation).
- But for AI systems, we gerr acknowledge say tension dey between need for more personal data to make system personal and effective – as well as privacy.
- Just like how connected computers and internet start, we still dey see increase for security issues wey concern AI.
- Meanwhile, we see AI dey use to improve security. For example, most modern anti-virus scanners today dey driven by AI heuristics.
- We need make sure say our Data Science process blend well with latest privacy and security practice.
### Transparency
AI systems suppose dey easy to understand. One important part of transparency na to explain how AI systems and their parts dey behave. To improve understanding of AI systems, stakeholders must sabi how and why dem dey work so dem fit find any performance wahala, safety and privacy risks, bias, exclusion, or unintended outcomes. We also believe say people wey use AI systems suppose dey honest about when, why, and how dem choose to use am. Plus the limits of the system dem dey use. For example, if bank dey use AI to help them decide who to lend money, e important to check di results and sabi which data affect the AI system recommendations. Governments don begin dey regulate AI for different industries so data scientists and organizations must fit show if AI system meet regulation, especially if e get bad result.
AI systems suppose make sense. One important part of transparency na to explain how AI systems and their parts dey behave. Make people sabi how and why dem dey function so that dem fit identify any potential problem for performance, safety, privacy, bias, exclusion, or unintended result. Also, those wey dey use AI systems suppose dey honest and open about when, why, and how dem wan deploy dem. Plus, the limitations of the system dem dey use. For example, if bank dey use AI system for consumer loan decision, e important to check the outcome and why data fit influence system’s advice. Governments don start to regulate AI for different industries, so data scientists and organizations must fit explain if AI system meet law, especially when outcome bad.
> [🎥 Click the here for a video: transparency in AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 Click here for a video: Transparency in AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Because AI systems complex well well, e hard to understand how dem work and explain results.
- This kain lack of understanding affect how dem dey manage, operate, and document these systems.
- More importantly, this lack of understanding affect decisions wey people dey make from the results wey AI systems produce.
- Because AI systems complex wella, e hard to understand how dem work and interpret the results.
- This lack of understanding affect how people dey manage, use and document these systems.
- More important, this lack of understanding affect decisions wey people dey make using results from these systems.
### Accountability
People wey design and deploy AI systems must take responsibility for how their systems dey work. Accountability matter plenty for sensitive tech like facial recognition. Recently, demand for facial recognition don grow, especially for law enforcement wey dey find missing pikin. But this technology fit also be used by government to put people fundamental freedoms for risk like continuous surveillance on particular people. So, data scientists and organizations must be responsible for how their AI systems impact people or society.
People wey design and run AI systems suppose dey responsible for how their system dey operate. This accountability na especially important for sensitive tech like facial recognition. Recently, demand don grow for facial recognition, especially from law enforcement wey see the tech get potential for things like finding missing children. But, this tech fit also fit be use by government to put people fundamental rights for risk by, for example, to dey watch some people nonstop. So, data scientists and organizations gerr responsible for how their AI system fit affect people or society.
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI")
> 🎥 Click the image above for a video: Warnings of Mass Surveillance Through Facial Recognition
At last, one big question for our generation, as di first wey dey bring AI to society, be how to make sure say computers go still take responsibility to people and how to make sure people wey design the computers go still get responsibility to everybody else.
For finally, one big question for our generation, as the first wey dey bring AI to society, na how to make sure computers go still dey responsible to people and how to make sure people wey design computers go still dey accountable to everybody else.
## Impact assessment
Before you train machine learning model, e important to do impact assessment to understand why AI system dey build; how e go take work; where dem go put am; and who go dey interact with am. This go help testers or reviewers sabi wetin to consider when dem dey check risk and wetin fit happen.
Before you train machine learning model, e important to do impact assessment to sabi the purpose of AI system; wetin e go use for; where e go deploy; and who go dey use am. This one go help reviewers or testers wey dey check the system to know wetin dem suppose consider as potential risk and wetin the consequences fit be.
These be wetin you suppose focus on when you dey do impact assessment:
The areas wey you gerr focus when you dey do impact assessment include:
* **Adverse impact on individuals**. Make you sabi if any restriction or condition, unsupported use or limitation fit make system no work well. This go help make sure system no harm individuals.
* **Data requirements**. Make you understand how and where system go use data to help reviewers check data requirements (like GDPR or HIPAA). Also check if data source or quantity enough for training.
* **Summary of impact**. List all possible harm wey fit happen because of system use. For whole ML lifecycle, check if these issues dem try fix.
* **Applicable goals** for all six core principles. Check if goals of each principle don meet and if any gap dey.
* **Adverse impact on individuals**. Sabi any restriction or requirement, unsupported use or any known limitation wey fit disturb how the system dey work go help make sure say the system no go dey waka for way wey fit harm people.
* **Data requirements**. To sabi how and where the system go use data go help reviewers check any data rules wey you gerr watch like GDPR or HIPAA. Plus, check if the origin or amount of data enough to train.
* **Summary of impact**. Gather list of possible harms wey fit show from using the system. For the machine learning lifecycle, dey check if the issues you find don solve or address.
* **Applicable goals** for each six core principles. See if goals for every principle meet and if gaps dey.
## Debugging with responsible AI
Like how you go take debug software app, debugging AI system na important way to find and fix wahala for system. Plenty things fit cause model no perform well or no dey responsible. Most normal model performance metrics na just number wey just sum model performance which no fit show how model fit break responsible AI principles. Plus, machine learning model na black box wey hard to sabi wetin dey cause result or explain when e make mistake. Later for this course, we go learn how to use Responsible AI dashboard to help debug AI systems. Dashboard na a tool wey data scientists and AI developers go use to do:
Like how you dey debug software app, debugging AI system na important work for find and fix issues wey dey system. Plenty things fit cause model no to work as expected or responsible. Most normal model performance metrics na quantitative total of model’s performance, but dem no complete for check how model fit violate responsible AI principles. Also, machine learning model na black box wey make am hard to understand wetin dey push the outcome or give explanation when e do error. Later for this course, we go learn how to use Responsible AI dashboard to help debug AI systems. The dashboard dey give data scientists and AI developers full tool to do:
* **Error analysis**. To find error pattern wey fit affect system fairness or reliability.
* **Model overview**. To find difference for model performance for different data groups.
* **Data analysis**. To understand data pattern and find any bias wey fit cause fairness, inclusiveness, and reliability problems.
* **Model interpretability**. To understand wetin affect or influence model prediction. Dis dey help explain model behavior, wey important for transparency and accountability.
* **Error analysis**. To check the error distribution for model wey fit affect system fairness or reliability.
* **Model overview**. To find where model get performance differences for data groups.
* **Data analysis**. To understand data distribution and find any bias for data wey fit cause fairness, inclusiveness, and reliability problem.
* **Model interpretability**. To understand wetin dey affect or influence model’s prediction. This one dey help explain model behavior, wey important for transparency and accountability.
## 🚀 Challenge
To stop harms from showing at first, we suppose:
To stop harms from show, we gerr:
- get different kinds background and perspectives among people wey dey work on systems
- invest in datasets wey show the diversity of our society
- develop better ways throughout machine learning life cycle to find and fix responsible AI problems when e happen
- get diversity of backgrounds and ideas among the people wey dey work on systems
- invest for datasets wey reflect the diversity of our society
- develop better ways for all machine learning lifecycle to find and fix irresponsible AI when e show
Think about real life situations wey model no fit be trusted for building and use. Wetin else we suppose consider?
Think of real-life situation where model no fit trust clear for building and use am. Wetin else we gerr think about?
For dis lesson, you don learn some basics about di tins dem wey concern fairness and unfairness for machine learning.
For this lesson, you don learn some basics about fairness and unfairness concepts for machine learning.
Make you watch dis workshop make you fit sabi di matter well-well:
Watch this workshop to learn more on top the topics:
- For di chase of responsible AI: How to take principles put for practice by Besmira Nushi, Mehrnoosh Sameki and Amit Sharma
- In pursuit of responsible AI: Bringing principles to practice by Besmira Nushi, Mehrnoosh Sameki and Amit Sharma
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: Na open-source framework wey dem dey use build responsible AI")
> 🎥 Click di picture wey dey above for video: RAI Toolbox: An open-source framework for building responsible AI by Besmira Nushi, Mehrnoosh Sameki, and Amit Sharma
> 🎥 Klik di pikcha wey dey up for one video: RAI Toolbox: Na open-source framework wey dem dey use build responsible AI by Besmira Nushi, Mehrnoosh Sameki, and Amit Sharma
E good make you read:
Also, read:
- Microsoft RAI resource center: [Responsible AI Resources – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
@ -151,7 +150,7 @@ RAI Toolbox:
- [Responsible AI Toolbox GitHub repository](https://github.com/microsoft/responsible-ai-toolbox)
Read about Azure Machine Learning tool dem wey dey help hold fairness:
Read about Azure Machine Learning tools to make sure say fairness dey:
> ### [Dis lesson dey available for R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
> ### [Dis lesson dey R too!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
## Introduction
For dis four lessons, you go learn how to build regression models. We go talk about wetin dem dey use am for soon. But before you start anything, make sure say you get correct tool dem set well to start di work!
For dis four lessons, you go sabi how to build regression models. We go talk wetin dem be for shortly. But before you start anything, make sure say you get correct tools to begin de process!
For dis lesson, you go learn how to:
- Arrange your computer for local machine learning work.
- Use Jupyter Notebooks.
- Use Scikit-learn, including how to install am.
- Explore linear regression with hand-on exercise.
- Configure your computer for local machine learning tasks.
- Work with Jupyter Notebooks.
- Use Scikit-learn, including installation.
- Explore linear regression with a hands-on exercise.
## Installations and configurations
[](https://youtu.be/-DfeD2k2Kj0 "ML for beginners -Setup your tools ready to build Machine Learning models")
> 🎥 Click the image above for short video wey go show how to arrange your computer for ML.
> 🎥 Click the image above for a short video working through configuring your computer for ML.
1. **Install Python**. Make sure say [Python](https://www.python.org/downloads/) don install for your computer. You go use Python for many data science and machine learning waka. Most computers don already get Python. E still dey useful to get [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) for some people to easy setup.
1. **Install Python**. Make sure say [Python](https://www.python.org/downloads/) dey installed for your computer. You go use Python for plenty data science and machine learning tasks. Most computer systems don already get Python wey dem install. Some useful [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) also dey to help some users set up easily.
Some Python use demand one version of the software, others need another version. So e good to work inside [virtual environment](https://docs.python.org/3/library/venv.html).
Some Python uses dem need one kain version, others need another version. Na why e good to dey work inside one [virtual environment](https://docs.python.org/3/library/venv.html).
2. **Install Visual Studio Code**. Make sure say you get Visual Studio Code install for your computer. Follow [these instructions](https://code.visualstudio.com/) to install Visual Studio Code well. You go use Python for Visual Studio Code for dis course, so e good to sabi how to [configure Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) for Python dev work.
2. **Install Visual Studio Code**. Make sure say Visual Studio Code dey your computer. Follow dis instructions to [install Visual Studio Code](https://code.visualstudio.com/) for the basic installation. You go use Python for Visual Studio Code for dis course, so e good make you sabi how to [configure Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) for Python development.
> Make yourself familiar with Python by going through dis collection of [Learn modules](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
> Make yourself comfortable with Python by working through dis pack of [Learn modules](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
>
> [](https://youtu.be/yyQM70vi7V8 "Setup Python with Visual Studio Code")
>
> 🎥 Click the picture above for video: how to use Python inside VS Code.
> 🎥 Click the image above for one video: how to use Python inside VS Code.
3. **Install Scikit-learn**, follow [these instructions](https://scikit-learn.org/stable/install.html). Since you need use Python 3, e good make you use virtual environment. If you dey install this library for M1 Mac, the page get special instructions.
3. **Install Scikit-learn**, by following [these instructions](https://scikit-learn.org/stable/install.html). Because you need make sure say you dey use Python 3, e better make you use virtual environment. If you dey install this library for M1 Mac, different instructions dey the page wey I link.
1. **Install Jupyter Notebook**. You go need to [install the Jupyter package](https://pypi.org/project/jupyter/).
1. **Install Jupyter Notebook**. You need [install the Jupyter package](https://pypi.org/project/jupyter/).
## Your ML authoring environment
You go use **notebooks** to write your Python code and create machine learning models. Dis kain file na common tool for data scientists, and you go sabi am by their suffix or extension `.ipynb`.
You go use **notebooks** to write your Python code and create machine learning models. Dis kain file na common tool for data scientists, and you fit know dem by the suffix or extension `.ipynb`.
Notebooks na interactive environment wey make developer fit both code and add notes and write documentation around di code wey dey helpful for experimental or research work.
Notebooks dey interactive environment wey allow developer to both code and add notes and write documentation around the code which helpful for experimental or research work.
[](https://youtu.be/7E-jC8FLA2E "ML for beginners - Set up Jupyter Notebooks to start building regression models")
> 🎥 Click di picture above for short video to follow dis exercise.
> 🎥 Click the image above for short video wey go work through this exercise.
### Exercise - work with notebook
For dis folder, you go find file _notebook.ipynb_.
For dis folder, you go see file _notebook.ipynb_.
1. Open _notebook.ipynb_ for Visual Studio Code.
Jupyter server go start wit Python 3+ go on. You go see parts of di notebook wey you fit `run`, pieces of code. You fit run code block by clicking di icon wey look like play button.
One Jupyter server go start with Python 3+ dey run. You go see areas for notebook wey you fit `run`, code pieces. You fit run code block by choosing the play button icon.
1. Click di `md` icon and add small markdown, plus dis text **# Welcome to your notebook**.
1. Choose `md` icon and add small markdown, add dis text **# Welcome to your notebook**.
Next, add some Python code.
1. Type **print('hello notebook')** for code block.
1. Click di arrow to run di code.
1. Write **print('hello notebook')** for code block.
1. Choose arrow to run code.
You go see di printed statement:
You go see the printed statement:
```output
hello notebook
@ -74,48 +74,48 @@ For dis folder, you go find file _notebook.ipynb_.
You fit put your code together with comments to explain your notebook.
You fit mix your code wit comments to better document the notebook.
✅ Think small abeg how different web developer work environment be from data scientist.
✅ Take one minute think how di working environment of web developer different from data scientist one.
## Up and running with Scikit-learn
Now wey Python don set for your lokal environment, and you don sabi Jupyter Notebooks well, make we try Scikit-learn (you go talk am `sci` like `science`). Scikit-learn get [plenty API](https://scikit-learn.org/stable/modules/classes.html#api-ref) wey go help you do ML work.
Now we don set up Python for your local environment, and you don get familiar with Jupyter Notebooks, make we also make Scikit-learn easy for you (pronounce am `sci` like `science`). Scikit-learn get [extensive API](https://scikit-learn.org/stable/modules/classes.html#api-ref) to help you do ML tasks.
According to their [website](https://scikit-learn.org/stable/getting_started.html), "Scikit-learn na open source machine learning library wey dey support supervised and unsupervised learning. E still get tools for model fitting, data preprocessing, model selection and evaluation, plus many other utilities."
According to their [website](https://scikit-learn.org/stable/getting_started.html), "Scikit-learn na open source machine learning library wey support supervised and unsupervised learning. E also get tools for model fitting, data preprocessing, model selection and evaluation, and many other utilities."
For dis course, you go use Scikit-learn and other tools to build machine learning models wey dem dey call 'traditional machine learning' tasks. We no include neural networks and deep learning because we go talk about dem for our 'AI for Beginners' curriculum wey dey come.
For dis course, you go use Scikit-learn and other tools to build ML models to perform wetin we dey call 'traditional machine learning' tasks. We no include neural networks and deep learning because dem go do dat one for our 'AI for Beginners' curriculum wey dey come soon.
Scikit-learn dey easy to use to build models and check dem. E mainly dey use numeric data and get many ready-made datasets for learning. E also get built models wey students fit try. Make we check how to load prepackaged data and use built-in estimator first ML model with Scikit-learn with some basic data.
Scikit-learn make e easy to build models and test dem for use. E mainly focus on numeric data and get plenty ready datasets as learning tools. E get pre-built models wey students fit use try. Make we explore how to load prepackaged data and use built-in estimator to create your first ML model with Scikit-learn wit simple data.
## Exercise - your first Scikit-learn notebook
> Dis tutorial come from [linear regression example](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) for Scikit-learn website.
> Dis tutorial come from the [linear regression example](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) wey dey for Scikit-learn website.
[](https://youtu.be/2xkXL5EUpS0 "ML for beginners - Your First Linear Regression Project in Python")
> 🎥 Click picture above for short video to follow dis exercise.
> 🎥 Click the image above for short video wey go work through dis exercise.
For _notebook.ipynb_ file wey dey for dis lesson, clear all the cells by pressing di 'trash can' icon.
For _notebook.ipynb_ file wey join dis lesson, clear all cells by pressing the 'trash can' icon.
For dis part, you go work wit small dataset about diabetes wey dey inside Scikit-learn for learning. Imagine say you wan test treatment for diabetic patients. Machine Learning models fit help you see which patient go respond better, based on combination of variables. Even simple regression model, if you show am, fit show info about variables wey fit help arrange your clinical trials idea.
For dis section, you go use small dataset about diabetes wey Scikit-learn get for learning. Imagine say you dey try treatment for diabetic patients. Machine Learning models fit help you know who go respond well to di treatment, based on different variable combination dem. Even basic regression model, if you show am for graph, fit give info about variables wey fit help you plan your clinical trials.
✅ Their different types of regression, and which one you use go depend on the answer you want. If you want predict height for person of one age, you go use linear regression, as you want **numeric value**. If you wan find if one kin food na vegan or no, you dey find **category** so you go use logistic regression. You go learn more on logistic regression later. Think small about questions wey you fit ask data, and which method go fit.
✅ Plenty types of regression method dey, and the one to pick depend on the answer wey you dey find. If you wan predict probable height for person wey get given age, you go use linear regression because you dey find **numeric value**. If you dey interested to find if one type of food na vegan or no, you go look for **category assignment** so you go use logistic regression. You go learn more about logistic regression later. Try think about some questions you fit ask data, and which method dey best for dem.
Make we start dis task now.
Make we start dis task.
### Import libraries
For dis work we go import some libraries:
For dis task, we go import some libraries:
- **matplotlib**. E good [graphing tool](https://matplotlib.org/) and we go use am to form line plot.
- **matplotlib**. Na better [graphing tool](https://matplotlib.org/) and we go use am to make line plot.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) na good library for numeric data for Python.
- **sklearn**. Na [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) library dis one.
- **sklearn**. Na the [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) library.
Import libraries wey go help for your work.
Import libraries to help you do your work.
1. Add imports by typing this code:
1. Add imports by typing dis code:
```python
import matplotlib.pyplot as plt
@ -123,26 +123,26 @@ Import libraries wey go help for your work.
from sklearn import datasets, linear_model, model_selection
```
For here, you dey import `matplotlib`, `numpy` and you dey import `datasets`, `linear_model` and `model_selection` from `sklearn`. `model_selection` na for divide data into training and test sets.
For up, you dey import `matplotlib`, `numpy` and from `sklearn` you dey import `datasets`, `linear_model` and `model_selection`. `model_selection` na for split data into training and test sets.
### The diabetes dataset
The built-in [diabetes dataset](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) get 442 samples of data about diabetes, with 10 feature variables, like:
The built-in [diabetes dataset](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) get 442 data samples about diabetes, with 10 features, some of dem be:
- age: age inside years
- age: age for years
- bmi: body mass index
- bp: average blood pressure
- s1 tc: T-Cells (kind of white blood cells)
- s1 tc: T-Cells (one type of white blood cells)
✅ Dis dataset get the idea of 'sex' as feature wey important for diabetes research. Many medical dataset get this kind binary classification. Think small about how this kind categories for exclude some people from treatments.
✅ Dis dataset get 'sex' as feature variable wey important for research about diabetes. Many medical datasets get this kind binary classification. Think how this kind classification fit exclude some people from treatments.
Now, gbe the X and y data come.
Now, make you load the X and y data.
> 🎓 Remember say, dis one na supervised learning, so we need to get named 'y' target.
> 🎓 Remember, na supervised learning dis, so we need named 'y' target.
For new code cell, load diabetes dataset by calling `load_diabetes()`. The input `return_X_y=True` mean say `X` go be data matrix, and`y` go be regression target.
For new code cell, load the diabetes dataset by calling `load_diabetes()`. The `return_X_y=True` mean say `X` go be data matrix, `y` go be regression target.
1. Add print commands to show the shape of data matrix and first element:
1. Add print command to show the shape of the data matrix and the first element:
```python
X, y = datasets.load_diabetes(return_X_y=True)
@ -150,9 +150,9 @@ For new code cell, load diabetes dataset by calling `load_diabetes()`. The input
print(X[0])
```
Wetin you go get back na tuple. What you dey do be assign first two values of tuple to `X` and `y`. Learn more [about tuples](https://wikipedia.org/wiki/Tuple).
Wetin you dey get back na tuple. You dey assign the first two values of the tuple to `X` and `y`. Learn more [about tuples](https://wikipedia.org/wiki/Tuple).
You fit see say data get 442 items wey shaped as arrays of 10 elements:
You go see say this data get 442 items arranged in arrays of 10 elements:
```text
(442, 10)
@ -160,39 +160,39 @@ For new code cell, load diabetes dataset by calling `load_diabetes()`. The input
-0.04340085 -0.00259226 0.01990842 -0.01764613]
```
✅ Think small about how data relate to regression target. Linear regression dey predict how feature X and target y relate. You fit find [target](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) for diabetes dataset inside di documentation? Wetin this dataset dey show with dat target?
✅ Think about the relationship between data and regression target. Linear regression dey predict relationships between feature X and target variable y. Fit you find the [target](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) for diabetes dataset for the documentation? Wetin dis dataset dey show about dat target?
2. Next, choose part of dataset to plot by choosing 3rd column. You fit select all rows with `:` operator, then choose 3rd column with index (2). You fit reshape data to be 2D array - like dis plotting need - by using `reshape(n_rows, n_columns)`. If any parameter be -1, e go calculate that dimension automatically.
2. Next, select part of this dataset to plot by selecting the 3rd column. You fit do dis by use `:` operator for select all rows, then select 3rd column with index (2). You also fit reshape data to be 2D array - as e dey needed for plot - by using `reshape(n_rows, n_columns)`. If one parameter na -1, that dimension go calculate automatically.
```python
X = X[:, 2]
X = X.reshape((-1,1))
```
✅ Anytime you fit print data to check shape.
✅ Anytime, you fit print data make you check the shape.
3. Now wey data ready for plotting, make we see if machine fit help decide better split for numbers for this dataset. To do so, you need split data (X) and target (y) into test and training sets. Scikit-learn get easy way to do dis; you fit split your test data for any place you want.
3. Now as you get data ready to plot, you fit see if machine fit help decide logical split between numbers wey dey this dataset. To do dis, you need split data (X) and target (y) into test and training sets. Scikit-learn get simple way to do dis; you fit split test data from certain point.
```python
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
```
4. Now you fit train your model! Load linear regression model and train am with your X and y training sets using `model.fit()`:
4. Now you ready to train your model! Load linear regression model and train am with your X and y training sets using `model.fit()`:
```python
model = linear_model.LinearRegression()
model.fit(X_train, y_train)
```
✅ `model.fit()` na function wey you go see for many ML libraries like TensorFlow
✅ `model.fit()` na function wey many ML libraries like TensorFlow dey use too
5. Then create prediction with test data by using `predict()`. E go help draw line between data groups
5. Then create prediction using test data with `predict()`. Dis go use draw line between data groups
```python
y_pred = model.predict(X_test)
```
6. Now time don reach to show data for plot. Matplotlib be very useful tool for this type work. Create scatterplot for all X and y test data, then use prediction to draw line for right place between model data groups.
6. Now na time to show data for plot. Matplotlib na useful tool for dis task. Make scatterplot for all X and y test data, use prediction to draw line for best place, between model's data groups.
```python
plt.scatter(X_test, y_test, color='black')
@ -203,28 +203,27 @@ For new code cell, load diabetes dataset by calling `load_diabetes()`. The input
plt.show()
```
✅ Think about wetin dey happen here. A straight line dae run through small dots of data, but wetin e dey really do? Can you see how dis line fit help predict where new, unseen data point go fit based on the y axis? Try talk wetin this model go fit do for practical.
✅ Think small about wetin dey happen here. One straight line dey run through plenti small dots of data, but wetin e dey really do? You fit see as you suppose use dis line take predict where new, never see data point suppose join inside the plot's y axis? Try talk am for word how this model fit work for real life.
Congrats, you don build your first linear regression model, create prediction with am, plus show am for one plot!
Congrats, you don build your first linear regression model, create prediction, and show am for plot!
---
## 🚀Challenge
Plot one different variable from dis dataset. Hint: change this line: `X = X[:,2]`. Based on dis dataset target, wetin you fit discover about how diabetes dey progress as disease?
Plot different variable from this dataset. Hint: change dis line: `X = X[:,2]`. Based on dis dataset target, wetin you fit discover about diabetes progression as disease?
For dis tutorial, you work with simple linear regression, no be univariate or multiple linear regression. Read small about the difference between dem methods, or try check [dis video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
For dis tutorial, you use simple linear regression instead of univariate or multiple linear regression. Read about differences between dis methods, or watch [this video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
Read more about regression concept and think about kind questions wey dis method fit answer. Take dis [tutorial](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) to sabi am well well.
Read more about di concept of regression and tink about wetin kain questions dis techniks fit answer. Make you take dis [tutorial](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) to sabi am well well.
Clustering na machine learning task wey dey try find objects wey resemble each oda and group dem into groups wey dem dey call clusters. Wetin make clustering different from oda methods for machine learning be say e dey happen automatically. In fact, you fit talk say e be opposite of supervised learning.
Clustering na machine learning waka weh e dey look for tins weh dey look like each oda and put dem together for groups weh dem dey call clusters. Wetin make clustering different from oda ways for machine learning na say e dey happen automatic, true true, e fit be say e be opposit of supervised learning.
## Regional Topic: Clustering Models for Nigerian People Music Taste 🎧
## Regional topic: clustering models for a Nigerian audience's musical taste 🎧
Nigeria get plenty different people and dem music taste dey different too. Using data wey dem collect from Spotify (inspired by [dis article](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), make we check some music wey dey popular for Nigeria. Dis dataset get data about different songs like 'danceability' score, 'acousticness', loudness, 'speechiness', popularity, and energy. E go dey interesting to see wetin we fit discover for dis data!
Nigeria get plenty kind different people wey get different music weh dem like. Using data we dem scrap for Spotify (wey come from [this article](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421), mek we check some music wey people for Nigeria dey like. Dis data get info about different songs danceability score, acousticness, loudness, speechiness, popularity and energy. E go sweet to find wetin dey common for dis data!
> Photo by <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a> on <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
For dis series of lessons, you go learn new ways to analyze data using clustering techniques. Clustering dey very useful when your dataset no get labels. If e get labels, classification techniques like the ones wey you don learn for previous lessons go make more sense. But if you wan group data wey no get labels, clustering na better way to find patterns.
For dis lesson series, you go learn new ways to sabi data using clustering ways. Clustering dey very useful when your data no get labels. If e get labels, den classification ways like dem wey you don learn before fit make sense pass. But if you dey find to group data wey no get label, clustering na beta way to find different pattern.
> Some low-code tools dey wey fit help you learn how to work with clustering models. Try [Azure ML for dis task](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
> E get beta low-code tools wey fit help you sabi how to work with clustering models. Try [Azure ML for this task](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
## Lessons
1. [Introduction to Clustering](1-Visualize/README.md)
2. [K-Means Clustering](2-K-Means/README.md)
1. [Introduction to clustering](1-Visualize/README.md)
2. [K-Means clustering](2-K-Means/README.md)
## Credits
Dis lessons na [Jen Looper](https://www.twitter.com/jenlooper) write am with 🎶, and [Rishit Dagli](https://rishit_dagli) plus [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan) help review am.
Dis lessons dem write with 🎶 by [Jen Looper](https://www.twitter.com/jenlooper) wit helpful reviews from [Rishit Dagli](https://rishit_dagli/) and [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan).
The [Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) dataset na from Kaggle dem collect am as dem scrape am from Spotify.
The [Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) data dem collect am for Kaggle as e come from Spotify.
Some useful K-Means examples wey help create dis lesson include dis [iris exploration](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), dis [introductory notebook](https://www.kaggle.com/prashant111/k-means-clustering-with-python), and dis [hypothetical NGO example](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
Useful K-Means examples wey help dem create dis lesson na dis [iris exploration](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), dis [introductory notebook](https://www.kaggle.com/prashant111/k-means-clustering-with-python), and dis [hypothetical NGO example](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Disclaimer**:
Dis dokyument don translate wit AI translation service [Co-op Translator](https://github.com/Azure/co-op-translator). Even though we dey try make am accurate, abeg sabi say machine translation fit get mistake or no dey correct well. Di original dokyument for im native language na di main source wey you go trust. For important information, e better make professional human translator check am. We no go fit take blame for any misunderstanding or wrong interpretation wey fit happen because you use dis translation.
**Disclaimer**:
Dis document don translate wit AI translation service [Co-op Translator](https://github.com/Azure/co-op-translator). Even tho we dey try make am correct, abeg make you know say automated translation fit get errors or mistakes. Di original document for dia own language na im be di correct source. For important info, make person wey sabi human translation do am. We no go responsible for any misunderstanding or wrong understanding wey fit happen because of dis translation.
Wetin be time series forecasting? Na di way wey dem dey predict wetin go happen for future by check di trend wey don happen for past.
Wetin be time series forecasting? Na to sabi wetin go happen for future by to study how tins take happen for past.
## Regional topic: worldwide electricity usage ✨
For dis two lessons, you go sabi wetin time series forecasting be, one area for machine learning wey no too popular but e still dey very useful for industry and business work, plus other areas. Even though neural networks fit help make dis models better, we go study am for di classical machine learning way, as di models dey help predict wetin go happen for future based on wetin don happen for past.
For dis two lessons, dem go introduce you to time series forecasting, one kain small area for machine learning wey many no sabi, but e get plenty value for industry and business and oda fields dem. Even though neural networks fit help make these models beta, we go study dem for classical machine learning way as models dey help predict how tins go be for future based on wetin happen for past.
Di regional focus na di electricity usage for di world, one kind dataset wey dey interesting to take learn how to forecast di power wey people go use for future based on di pattern of di load wey dem don use before. You go see as dis kind forecasting fit dey very useful for business work.
Our regional focus na how people dey use electricity for di world, dis na better dataset to learn how to forecast how power go dey for future based on how people take use am for past. You fit see how dis kain forecasting fit really help for business environment.
@ -16,15 +16,15 @@ Photo by [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unspla
1. [Introduction to time series forecasting](1-Introduction/README.md)
2. [Building ARIMA time series models](2-ARIMA/README.md)
3. [Building Support Vector Regressor for time series forcasting](3-SVR/README.md)
3. [Building Support Vector Regressor for time series forecasting](3-SVR/README.md)
## Credits
"Introduction to time series forecasting" na work wey dem write with ⚡️ by [Francesca Lazzeri](https://twitter.com/frlazzeri) and [Jen Looper](https://twitter.com/jenlooper). Di notebooks first show online for di [Azure "Deep Learning For Time Series" repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) wey Francesca Lazzeri originally write. Di SVR lesson na work wey [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) write.
"Introduction to time series forecasting" na ⚡️ [Francesca Lazzeri](https://twitter.com/frlazzeri) and [Jen Looper](https://twitter.com/jenlooper) write am. Di notebooks first show for online for [Azure "Deep Learning For Time Series" repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) wey Francesca Lazzeri na di original writer. Di SVR lesson na [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) write am.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Disclaimer**:
Dis dokyument don use AI translation service [Co-op Translator](https://github.com/Azure/co-op-translator) do di translation. Even though we dey try make am accurate, abeg make you sabi say automated translations fit get mistake or no dey correct well. Di original dokyument for im native language na di main source wey you go trust. For important information, e better make professional human translation dey use. We no go fit take blame for any misunderstanding or wrong interpretation wey fit happen because you use dis translation.
**Disclaimer**:
Dis document don translate wit AI translation service [Co-op Translator](https://github.com/Azure/co-op-translator). Even tho we dey try make am correct, abeg make you know say automated translation fit get errors or mistakes. Di original document for dia own language na im be di correct source. For important info, make person wey sabi human translation do am. We no go responsible for any misunderstanding or wrong understanding wey fit happen because of dis translation.
> Dis repository get 50+ language translations wey dey increase di download size well well. To clone without di translations, use sparse checkout:
> Dis repository get over 50 languages wey dem don translate and e go make di download size big well well. If you want clone am without di translations, use sparse checkout:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,65 +33,65 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Dis one go give you everything wey you need to complete di course quick quick.
> Dis one go give you everything wey you need to finish di course quick quick.
We get Discord learn with AI series wey dey go on, learn more and join us for [Learn with AI Series](https://aka.ms/learnwithai/discord) from 18 - 30 September, 2025. You go get correct tips and tricks for using GitHub Copilot for Data Science.
We get ongoing Discord series wey dey teach AI, make you learn more and join us for [Learn with AI Series](https://aka.ms/learnwithai/discord) from 18 - 30 September, 2025. You go get tips and tricks on how to use GitHub Copilot for Data Science.
# Machine Learning for Beginners - A Curriculum
> 🌍 Travel around di world as we dey explore Machine Learning thru world cultures 🌍
> 🌍 Travel around di world as we explore Machine Learning through different world cultures 🌍
Cloud Advocates for Microsoft happy to offer 12-week, 26-lesson curriculum all about **Machine Learning**. For dis curriculum, you go learn about wetin people dey call **classic machine learning**, we go use mainly Scikit-learn as library and avoid deep learning, wey dey cover for our [AI for Beginners' curriculum](https://aka.ms/ai4beginners). Make you join dis lessons with our ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) too.
Cloud Advocates for Microsoft happy to offer 12 weeks, 26 lesson curriculum all about **Machine Learning**. For dis curriculum, you go learn about wetin dem dey call **classic machine learning**, using mainly Scikit-learn as library and avoid deep learning, wey we cover for our [AI for Beginners' curriculum](https://aka.ms/ai4beginners). You fit also join am with our ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners).
Make you travel with us around di world as we dey apply dis classic techniques to data from many parts of di world. Every lesson get pre- and post-lesson quizzes, written instructions to complete di lesson, solution, assignment, and more. Our project-based way to teach fit help you learn well as you dey build, na the best way for new skills to hold tight.
Travel with us round di world as we apply dis classic techniques to data from many parts of di world. Each lesson get quiz before and after, instructions to complete am, solution, assignment, and more. Our project-based method go help you learn as you build, wey be beta way for new skills to stick.
**✍️ Big thanks to our authors** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd
**🎨 Thanks to our illustrators** Tomomi Imura, Dasani Madipalli, and Jen Looper
**🎨 Thanks also to our illustrators** Tomomi Imura, Dasani Madipalli, and Jen Looper
**🙏 Special thanks 🙏 to our Microsoft Student Ambassador authors, reviewers, and content contributors**, especially Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, and Snigdha Agarwal
**🤩 Extra thanks to Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, and Vidushi Gupta for our R lessons!**
**🤩 Extra shoutout to Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, and Vidushi Gupta for our R lessons!**
# Getting Started
Follow all dis steps:
Follow dis steps:
1. **Fork di Repository**: Click di "Fork" button for di top-right corner of dis page.
2. **Clone di Repository**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
1. **Fork the Repository**: Click the "Fork" button for di top-right corner of dis page.
> 💡 **Quick Start Tip:** You want start for browser without setting Python for your machine? Use [GitHub Codespaces](https://github.com/features/codespaces) to create cloud development environment for your fork. Open di green **Code** menu, select **Codespaces**, and create codespace; then install each lesson dependencies as e dey needed.
2. **Clone the Repository**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
> [find all additional resources for dis course inside our Microsoft Learn collection](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [Find all extra resources for dis course inside our Microsoft Learn collection](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Need help?** Check our [Troubleshooting Guide](TROUBLESHOOTING.md) for solutions to common wahala for installation, setup, and running lessons.
> 🔧 **Need help?** Check our [Troubleshooting Guide](TROUBLESHOOTING.md) for solutions to commonly yawa with installation, setup, and running lessons.
**[Students](https://aka.ms/student-page)**, to use dis curriculum, fork di full repo to your own GitHub account and finish the exercises by yourself or with your group:
**[Students](https://aka.ms/student-page)**, to use dis curriculum, fork di full repo to your own GitHub account and complete di exercises alone or for group:
- Start with pre-lecture quiz.
- Read the lecture and do di activities, stop and think for each knowledge check.
- Try create the projects by understanding the lessons instead of just running the solution code; but dat code dey for `/solution` folders for each project-based lesson.
- Do the post-lecture quiz.
- Complete the challenge.
- Finish the assignment.
- After you finish one lesson group, visit the [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) and "learn out loud" by filling di correct PAT rubric. 'PAT' na Progress Assessment Tool wey you fit fill to take your learning go further. You fit also react to others PATs so we fit learn together.
- Read di lecture and do di activities, stop and think for each knowledge check.
- Try create di projects by understanding di lessons, no too dey rely on di solution code; but di code dey for `/solution` folders for each project lesson.
- Do di post-lecture quiz.
- Complete di challenge.
- Complete di assignment.
- After finishing one lesson group, visit di [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) and "learn out loud" by filling di correct PAT rubric. PAT na Progress Assessment Tool wey you fill to boost your learning. You fit also react to other PATs so we fit learn together.
> For more study, we recommend say you follow these [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modules and learning paths.
> For more study, we recommend you follow dis [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modules and learning paths.
**Teachers**, we don [add some suggestions](for-teachers.md) on how to use dis curriculum.
**Teachers**, we don [include some suggestions](for-teachers.md) on how to use dis curriculum.
---
## Video walkthroughs
Some lessons get short video form. You fit find all these inline for the lessons, or on the [ML for Beginners playlist for the Microsoft Developer YouTube channel](https://aka.ms/ml-beginners-videos) by clicking the image below.
Some of di lessons dey available as short video. You fit find all dem inside di lessons, or for di [ML for Beginners playlist for Microsoft Developer YouTube channel](https://aka.ms/ml-beginners-videos) by clicking di picture below.
[](https://aka.ms/ml-beginners-videos)
@ -103,55 +103,56 @@ Some lessons get short video form. You fit find all these inline for the lessons
> 🎥 Click di image above make you watch video wey talk about di project and di people wey create am!
> 🎥 Click di picture above make you watch video about di project and di people wey create am!
---
## Pedagogy
We choose two methods to teach while we dey build dis curriculum: make am hands-on **project-based** and make e get **plenty quizzes**. Plus, dis curriculum get common **theme** to make e dey make sense together.
We choose two teaching principles wen we build dis curriculum: make e be hands-on **project-based** and make e get **frequent quizzes**. E good make dis curriculum get one common **theme** so e go get better organisation.
As we make the content align with projects, e help students enjoy and remember better. Also, small quiz before class go prepare the mind of student to learn topic, while second quiz after class go help make e stick. Dis curriculum design to be flexible and fun, you fit take all or part. Di projects start small and dey get complex well by end of 12-week course. This curriculum get postscript on real-world Machine Learning applications, fit use am as extra credit or for discussion.
If di content dey connect with projects, e go make learning sweet for students and e go make concepts stick well. Also, one small quiz before class go set student mind for learning, and the quiz after class go help dem remember well. Dis curriculum na flexible and fun for use, e fit be complete or part of am. Projects start small and get hard as di 12 weeks finish. Also, dis curriculum get small postscript for real-life ML applications, wey fit be extra credit or discussion material.
> Find our [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translations](..), and [Troubleshooting](TROUBLESHOOTING.md) guidelines. We dey wait for your constructive feedback!
> Find our [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translations](..), and [Troubleshooting](TROUBLESHOOTING.md) guidelines. We welcome your constructive feedback!
> **One note about languages**: Dem write most of dis lessons for Python, but plenti dey available for R too. If you want complete one R lesson, waka go the `/solution` folder and find R lessons. Dem get .rmd extension wey mean **R Markdown** file we fit talk sey na how you go put `code chunks` (wey fit be R or other languages) and one `YAML header` (wey dey guide how outputs go be like PDF) for inside one `Markdown document`. So e mean sey e good framework for data science because e allow you join your code, wetin e produce, and your brain thoughts by make you fit write dem down for Markdown. Plus, R Markdown documents fit turn into output formats like PDF, HTML, or Word.
> **One note about quizzes**: All quizzes dey for [Quiz App folder](../../quiz-app), plenti 52 quizzes wit three question each. Dem connect inside the lessons but quiz app fit run for your computer; follow the instruction wey dey the `quiz-app` folder to run am local or put am for Azure.
> **A note about languages**: These lessons mainly write for Python, but many get also for R. To finish R lesson, go `/solution` folder find R lessons. Dem get .rmd extension wey mean **R Markdown** file wey be mix of `code chunks` (of R or other languages) and `YAML header` (wey show how make outputs like PDF). E good for data science because e blend code, output, and your writing for Markdown. Plus, R Markdown files fit turn to PDF, HTML, or Word.
> **A note about quizzes**: All quizzes dey inside [Quiz App folder](../../quiz-app), with 52 quizzes each with three questions. Dem link am from lessons but quiz app fit run locally; follow instruction inside `quiz-app` folder to host or deploy to Azure.
| 01 | Introduction to machine learning | [Introduction](1-Introduction/README.md) | Learn the basic concepts behind machine learning | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | The History of machine learning | [Introduction](1-Introduction/README.md) | Learn the history underlying this field | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Fairness and machine learning | [Introduction](1-Introduction/README.md) | Wetin be the important philosophical tins about fairness we students suppose consider when dem dey build and use ML models? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniques for machine learning | [Introduction](1-Introduction/README.md) | Wetin kind techniques ML researchers dey use to build ML models? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Introduction to regression | [Regression](2-Regression/README.md) | Start to work with Python and Scikit-learn for regression models | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | North American pumpkin prices 🎃 | [Regression](2-Regression/README.md) | See and clean data well well to prepare for ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 03 | Fairness and machine learning | [Introduction](1-Introduction/README.md) | What are the important philosophical issues around fairness that students should consider when building and applying ML models? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniques for machine learning | [Introduction](1-Introduction/README.md) | What techniques do ML researchers use to build ML models? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Introduction to regression | [Regression](2-Regression/README.md) | Get started with Python and Scikit-learn for regression models | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | North American pumpkin prices 🎃 | [Regression](2-Regression/README.md) | Visualize and clean data in preparation for ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | North American pumpkin prices 🎃 | [Regression](2-Regression/README.md) | Build linear and polynomial regression models | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | North American pumpkin prices 🎃 | [Regression](2-Regression/README.md) | Build one logistic regression model | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | A Web App 🔌 | [Web App](3-Web-App/README.md) | Build web app wey you fit use your trained model | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Introduction to classification | [Classification](4-Classification/README.md) | Clean, prep, and show your data graph; introduction to classification | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 08 | North American pumpkin prices 🎃 | [Regression](2-Regression/README.md) | Build a logistic regression model | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | A Web App 🔌 | [Web App](3-Web-App/README.md) | Build a web app to use your trained model | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Introduction to classification | [Classification](4-Classification/README.md) | Clean, prep, and visualize your data; introduction to classification | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | Delicious Asian and Indian cuisines 🍜 | [Classification](4-Classification/README.md) | Introduction to classifiers | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | Delicious Asian and Indian cuisines 🍜 | [Classification](4-Classification/README.md) | More classifiers | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | Delicious Asian and Indian cuisines 🍜 | [Classification](4-Classification/README.md) | Build recommender web app using your model | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introduction to clustering | [Clustering](5-Clustering/README.md) | Clean, prepare, and show your data graph; Introduction to clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 13 | Delicious Asian and Indian cuisines 🍜 | [Classification](4-Classification/README.md) | Build a recommender web app using your model | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introduction to clustering | [Clustering](5-Clustering/README.md) | Clean, prep, and visualize your data; Introduction to clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Exploring Nigerian Musical Tastes 🎧 | [Clustering](5-Clustering/README.md) | Explore the K-Means clustering method | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Introduction to natural language processing ☕️ | [Natural language processing](6-NLP/README.md) | Learn the basics about NLP by building one simple bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Common NLP Tasks ☕️ | [Natural language processing](6-NLP/README.md) | Make your NLP knowledge strong by understanding common tasks wey dey when you dey deal with language structures | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Translation and sentiment analysis ♥️ | [Natural language processing](6-NLP/README.md) | Translation and sentiment analysis with Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 16 | Introduction to natural language processing ☕️ | [Natural language processing](6-NLP/README.md) | Learn the basics about NLP by building a simple bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Common NLP Tasks ☕️ | [Natural language processing](6-NLP/README.md) | Deepen your NLP knowledge by understanding common tasks required when dealing with language structures | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Translation and sentiment analysis ♥️ | [Natural language processing](6-NLP/README.md) | Translation and sentiment analysis with Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantic hotels of Europe ♥️ | [Natural language processing](6-NLP/README.md) | Sentiment analysis with hotel reviews 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantic hotels of Europe ♥️ | [Natural language processing](6-NLP/README.md) | Sentiment analysis with hotel reviews 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Introduction to time series forecasting | [Time series](7-TimeSeries/README.md) | Introduction to time series forecasting | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
@ -159,23 +160,23 @@ As we make the content align with projects, e help students enjoy and remember b
| 23 | ⚡️ World Power Usage ⚡️ - time series forecasting with SVR | [Time series](7-TimeSeries/README.md) | Time series forecasting with Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Introduction to reinforcement learning | [Reinforcement learning](8-Reinforcement/README.md) | Introduction to reinforcement learning with Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Help Peter avoid the wolf! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Reinforcement learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Real-World ML scenarios and applications | [ML in the Wild](9-Real-World/README.md) | Interesting and clear real-world uses of classical ML | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Model Debugging in ML using RAI dashboard | [ML in the Wild](9-Real-World/README.md) | Model Debugging in Machine Learning using Responsible AI dashboard components | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
| Postscript | Real-World ML scenarios and applications | [ML in the Wild](9-Real-World/README.md) | Interesting and revealing real-world applications of classical ML | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Model Debugging in ML using RAI dashboard | [ML in the Wild](9-Real-World/README.md) | Model Debugging in Machine Learning using Responsible AI dashboard components | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [find all additional resources for this course in our Microsoft Learn collection](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Offline access
You fit run this documentation offline by using [Docsify](https://docsify.js.org/#/). Fork dis repo, [install Docsify](https://docsify.js.org/#/quickstart) for your local machine, then for the root folder of this repo, type `docsify serve`. The website go dey for port 3000 for your localhost: `localhost:3000`.
You fit run dis documentation offline by using [Docsify](https://docsify.js.org/#/). Fork dis repo, [install Docsify](https://docsify.js.org/#/quickstart) for your local machine, den for the root folder of dis repo, type `docsify serve`. The website go dey available for port 3000 for your localhost: `localhost:3000`.
## PDFs
Find pdf of the curriculum wit links [here](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Find one pdf of the curriculum with links [here](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Other Courses
Our team dey produce other courses! Look:
Our team dey make other courses! Check am out:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -219,33 +220,33 @@ Our team dey produce other courses! Look:
## Getting Help
If you get stuck or get questions as you dey learn Machine Learning or dey build AI applications, no worry — help dey.
If you jam problem or get questions while you dey learn Machine Learning or dey build AI applications, no worry — help dey.
You fit join discussions with oda learners and developers, ask question, and share your ideas with di community.
You fit join discussions with other learners and developers, ask questions, and share your ideas with the community.
- Join di community to ask questions and learn with oda people
- Join the community to ask questions and learn with others
- Discuss Machine Learning concepts and project ideas
- Get guidance from experienced developers
Supportive community na beta way to grow your skills and solve problems quick.
One supportive community na beta way to grow your skills and solve problems quick.
- Review notebooks after each lesson to understand better.
- Practice to implement algorithms by yourself.
- Explore real-world datasets using wetin you don learn.
- Review notebooks after each lesson for better understanding.
- Practice implementing algorithms on your own.
- Explore real-world datasets using learned concepts.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Disclaimer**:
Dis document don translate wit AI translation service [Co-op Translator](https://github.com/Azure/co-op-translator). Even as we dey try make am correct, abeg sabi say automated translations fit get errors or wahala. Di original document for e own language na di real authority. For important information, na professional human translation better. We no dey responsible for any wahala or wrong understanding wey fit come from dis translation use.
Dis document don translate wit AI translation service [Co-op Translator](https://github.com/Azure/co-op-translator). Even tho we dey try make am correct, abeg make you know say automated translation fit get errors or mistakes. Di original document for dia own language na im be di correct source. For important info, make person wey sabi human translation do am. We no go responsible for any misunderstanding or wrong understanding wey fit happen because of dis translation.
You wan use dis curriculum for your classroom? Abeg feel free!
You wan use dis curriculum for your classroom? Abeg no wahala!
In fact, you fit use am inside GitHub sef by using GitHub Classroom.
For true, you fit use am inside GitHub by using GitHub Classroom.
To do am, fork dis repo. You go need create repo for each lesson, so you go need carry each folder put for separate repo. Like dat, [GitHub Classroom](https://classroom.github.com/classrooms) go fit pick each lesson one by one.
To do dat, fork dis repo. You go need create one repo for each lesson, so you go need extract each folder into separate repo. Na so [GitHub Classroom](https://classroom.github.com/classrooms) fit carry each lesson one by one.
Dis [full instructions](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) go show you how you fit set up your classroom.
Dem [full instructions](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) go give you idea how to set up your classroom.
## Using the repo as e dey
## Using the repo as is
If you wan use dis repo as e dey now, without GitHub Classroom, you fit do am too. You go need tell your students which lesson una go work on together.
If you wan use dis repo as e dey now, without using GitHub Classroom, you fit do am too. You go need yarn your students which lesson una go do together.
For online format (Zoom, Teams, or any other one), you fit create breakout rooms for the quizzes, and mentor students to help dem prepare to learn. Then you fit invite students for the quizzes and make dem submit their answers as 'issues' for one particular time. You fit do the same thing for assignments, if you wan make students work together openly.
For online format (Zoom, Teams, or oda) you fit create breakout rooms for the quizzes, and help students get ready to learn. Then invite students make dem do the quizzes and submit dia answers as 'issues' at one certain time. You fit do the same for assignments if you want make students work together openly.
If you prefer private format, tell your students make dem fork the curriculum, lesson by lesson, to their own GitHub repos as private repos, and give you access. Then dem fit complete quizzes and assignments privately and submit am to you through issues for your classroom repo.
If you prefer make e private, ask your students to fork the curriculum, lesson by lesson, into their own GitHub repos as private repos, then give you access. Then dem fit do quizzes and assignments privately and submit dem to you for issues inside your classroom repo.
Plenty ways dey to make dis thing work for online classroom format. Abeg let us know which one work best for you!
Plenty ways dey to make this work for online classroom format. Abeg tell us wetin work best for you!
## Abeg give us your thoughts!
## Abeg gimme your tori!
We wan make dis curriculum work well for you and your students. Abeg give us [feedback](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
We wan make dis curriculum work well for you and your students. Abeg gimme us [feedback](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Disclaimer**:
Dis docu don dey translate wit AI translation service [Co-op Translator](https://github.com/Azure/co-op-translator). Even though we dey try make am accurate, abeg sabi say automatic translation fit get mistake or no correct well. Di original docu for im native language na di main correct source. For important information, e good make una use professional human translation. We no go fit take blame for any misunderstanding or wrong interpretation wey fit happen because of dis translation.
**Disclaimer**:
Dis document don translate wit AI translation service [Co-op Translator](https://github.com/Azure/co-op-translator). Even tho we dey try make am correct, abeg make you know say automated translation fit get errors or mistakes. Di original document for dia own language na im be di correct source. For important info, make person wey sabi human translation do am. We no go responsible for any misunderstanding or wrong understanding wey fit happen because of dis translation.
இந்த பாடத்திட்டத்தில், இயந்திர அறிதல் எப்படியும் எங்கள் தினசரி வாழ்க்கையை பாதித்து வருகிறது என்பதை நீங்கள் அறிதல் செய்ய தொடங்குவீர்கள். இப்போது கூட, உத்திகள் மற்றும் மாதிரிகள் தினசரி தீர்மானங்களை செய்ய உதவுகின்றன, உதாரணமாக மருத்துவ التشخیصகள், கடன் அனுமதிகள் அல்லது மோசடி கண்டறிதல் போன்றவை. ஆகவே, இந்த மாதிரிகள் நம்பத்தகுந்த முடிவுகளை வழங்குவதற்கு நல்ல முறையில் செயல்படுவது முக்கியம். எந்த மென்பொருள் பயன்பாட்டும் போல, AI அமைப்புகள் எதிர்பார்ப்புகளை பூர்த்தி செய்யாமலோ தவறான முடிவுகளை தருவதோ இருக்கலாம். அதனால் AI மாதிரியின் நடத்தை புரிந்து விளக்க முடிவது அவசியமே.
இந்த பாடத்திட்டத்தில், இயந்திர கற்றல் எவ்வாறு எங்கள் தினசரி வாழ்க்கையை பாதிக்கிறது என்பதை நீங்கள் அறிய ஆரம்பிப்பீர்கள். இப்போது கூட, சித்து மாடல்கள் மற்றும் செயலிகள் தினசரி தீர்வு நேர்முகப் பணிகளுக்கு, உதாரணமாக, மருத்துவ பரிசோதனை, கடன் ஒப்புதல் அல்லது மோசடி கண்டறிதல் போன்றவற்றுக்கு பங்காற்றுகின்றன. ஆகவே, இந்த மாடல்கள் நம்பகமான முடிவுகளை வழங்குவதற்கு சிறப்பாக செயல்படுவது முக்கியம். எந்த மென்பொருள் செயலிகளும் போல, AI செயலிகள் எதிர்பார்ப்புகளை பூர்த்தி செய்யாமல் தவறான முடிவுகளை அளிக்கலாம். அதனால், ஒரு AI மாடல் செயலைப் புரிந்து கொள்ளவும் விளக்கவும் முடியும் என்பதுதான் அவசியம்.
நீங்கள் உருவாக்கும் மாதிரிகளின் தரவு சில இனக்கூட்டங்கள், பாலினம், அரசியல் பார்வை, மதம் போன்றவற்றை கொண்டிராதது அல்லது அவற்றை தவறாக பிரதிபலிக்கும் போது என்ன நடக்கும் என்று கற்பனை செய்யுங்கள். மாதிரியின் முடிவுகள் சில இனக்கூட்டங்களை ஆதரிக்கப்படுமாறு வலைபார்க்கப்படும்போது என்ன நடக்கும்? பயன்பாட்டிற்கான விளைவுகள் என்ன? கூடுதலாக, மாதிரி எதிர்மறை முடிவை கொண்டதும் அது மனிதர்களுக்கு தீங்கு விளைவித்தால் என்ன? AI அமைப்புகளின் நடத்தைக்கான பொறுப்பாளர் யார்? இந்தக் கேள்விகள் இந்த பாடத்திட்டத்தில் ஆராயப்படும்.
நீங்கள் உருவாக்கும் இந்த மாடல்களுக்கு பயன்பாட்டுப் படாத சில பகுப்புகள், உதாரணமாக இனச் சார்பு, பாலினம், அரசியல் பார்வை, மதம் போன்றவை அல்லது சிலு வகுப்புகளை மோசமாக பிரதிநிதித்துவம் செய்யும் தரவு பயன்படுத்தினால் என்ன நடக்கும் என்பதை கற்பனை செய்யுங்கள். சிலு வகுப்புகளுக்கு ஆதரவு தரும் வெளிப்பாடு மாடல் வெளியீட்டில் இருக்குமா? அப்பிரயோகம் எப்படி பாதிக்கும்? மேலும, ஒரு மாடல் எதிர்மறை விளைவுகளை உண்டாக்கி மனிதர்களுக்கு தீங்கு விளைவித்தால் என்ன? AI செயலியின் நடத்தை யாருக்கு பொறுப்பாகும்? இவை இந்த பாடத்திட்டத்தில் ஆராயப்படும் சில கேள்விகள்.
இந்த பாடத்தில் நீங்கள்:
- இயந்திர அறிதல் மற்றும் நீதித்தன்மை தொடர்பான தீங்குகளைப் பற்றிய உங்கள் விழிப்புணர்வை உயர்த்துவீர்கள்.
- நம்பகத்தன்மை மற்றும் பாதுகாப்பை உறுதிப்படுத்த, விசித்திரமான மற்றும் தவிர்க்க முடியாத சூழல்களை ஆராயும் பழக்கம் பற்றி அறிந்து கொள்வீர்கள்.
- அனைவரையும் சாமர்த்தியமிக்க அமைப்புகளை வடிவமைக்கும் தேவையை புரிந்து கொள்வீர்கள்.
- தரவு மற்றும் மக்களின் தனியுரிமை மற்றும் பாதுகாப்பை எவ்வாறு பாதுகாப்பது என்பது முக்கியத்தை ஆராய்வீர்கள்.
- AI மாதிரிகளின் நடத்தை விளக்க ஒரு தெளிவான அணுகுமுறையின் முக்கியத்துவத்தை காண்பீர்கள்.
- AI அமைப்புகளில் நம்பிக்கை உருவாக்க பொறுப்புக்கூறல் அவசியம் என்பதை நினைவில் வைப்பீர்கள்.
- இயந்திர கற்றலில் நியாயத்திற்கும் நியாயத்துடன் தொடர்புடைய தீங்குகளுக்கும் முக்கியத்துவம் என்று கவனத்தை எழுப்பிக் கொள்வீர்கள்.
- நம்பகத்தன்மை மற்றும் பாதுகாப்பை உறுதிப்படுத்த அசாதாரண நிலைகள் மற்றும் தவிர்க்க முடியாத சூழ்நிலைகளை ஆராயும் நடைமுறைக்கு பழகுவீர்கள்.
- அனைவருக்கும் அதிகாரம் வழங்கும் முறையில் உள்ளடக்கமான செயலிகள் வடிவமைக்கப்பட்டல் அவசியம் என்பதைப் பற்றி புரிந்துகொள்வீர்கள்.
- தரவுகளின் மற்றும் மனிதர்களின் தனிநபர் பாதுகாப்பு மற்றும் பாதுகாப்பை பாதுகாக்கத் தேவையானவை ஆராய்வீர்கள்.
- AI மாடல்களின் நடத்தை விளக்குவதற்கு கிளாஸ் பாக்ஸ் அணுகுமுறையின் முக்கியத்துவத்தை காண்பீர்கள்.
- AI செயலிகளில் நம்பிக்கை ஏற்படுத்த பொறுப்புத் தன்மை அவசியம் என்பதை கவனிப்பீர்கள்.
## முன்னோட்டம்
## முன் கல்வித் தகுதி
முன்னோட்டமாக, "பொறுப்புள்ள AI கொள்கைகள்" கற்றல் பாதையைப் பின்பற்றவும் கீழுள்ள காணொளியை பாருங்கள்:
முன் கல்வித் தகுதியாக, "பொறுப்பான AI கோட்பாடுகள்" கற்பதற்கான பயிற்சி பாதையை எடுத்து கீழே உள்ள வீடியோவைப் பாருங்கள்:
பொறுப்புள்ள AI பற்றி மேலும் அறிய இந்த [கற்றல் பாதையை](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) பின்பற்றவும்
இந்த [கற்றல் பாதை](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)ஐ தழுவி பொறுப்பான AI பற்றி மேலும் அறியவும்.
[](https://youtu.be/dnC8-uUZXSc "Microsoft இன் பொறுப்புள்ள AI அணுகுமுறை")
[](https://youtu.be/dnC8-uUZXSc "மைக்ரோசாஃப்டின் பொறுப்பான AI அணுகுமுறை")
> 🎥 மேலுள்ள படத்தில் கிளிக் செய்து காணொளியை பாருங்கள்: Microsoft இன் பொறுப்புள்ள AI அணுகுமுறை
> 🎥 மேலே உள்ள படத்தை கிளிக் செய்க: மைக்ரோசாஃப்டின் பொறுப்பான AI அணுகுமுறை
## நீதித்தன்மை
## நியாயம்
AI அமைப்புகள் அனைவரிடத்திலும் நீதியான முறையில் நடத்த வேண்டும் மற்றும் ஒரே மாதிரிக்குழுக்களை வேறுபட்ட முறையில் பாதிக்க கூடாது. உதாரணமாக, மருத்துவச் சிகிச்சை, கடன் விண்ணப்பங்கள், வேலை வாய்ப்பு போன்றவற்றில் AI அமைப்புகள் ஒரே அறிகுறிகள், நிதி சூழல்கள் அல்லது தொழில்முறை தகுதிகள் கொண்ட அனைவருக்கும் ஒரே பரிந்துரைகளை வழங்க வேண்டும். ஒவ்வொரு மனிதனும் உள்ளபடி பாரபட்சங்கள் கொண்டிருப்பது வழக்கமாகும், அவை AI அமைப்புகளை பயிற்சி தர தரவுகளில் எளிதில் தெரியும். இத்தகைய மாற்றல்கள் சில நேரங்களில்意ப்படாமல் நிகழலாம். தரவை உள்ளடக்கியபோது பாரபட்சத்தை உணர்ந்து உணர்ச்சியாக உணர்வது கடினம்.
AI செயலிகள் அனைவருடனும் நியாயமாக இருக்க வேண்டும் மற்றும் ஒத்த குழுக்களைக் கையாளும் விதத்தில் வேறுபாடுகளை இல்லாமல் இருக்க வேண்டும். எடுத்துக்காட்டாக, AI செயலிகள் சிகிச்சை வழிகாட்டுதல், கடன் விண்ணப்பங்கள் அல்லது வேலை வாய்ப்புகளில் ஒரேக்கு சமமான அறிகுறிகள், நிதி சூழல் அல்லது தொழில்முறை தகுதிகள் உள்ள அனைவருக்கும் ஒரே பரிந்துரைகளை வழங்க வேண்டும். ஒவ்வொருவரும் உள்ளபடி முன்னோக்கிய பாகுபாடுகளை தாங்கி, அவை AI பயிற்சிக்கு பயன்படுத்தப்படும் தரவில் புலம்பெயர் அடையாளப்படுத்தும் சாத்தியம் உள்ளது. இது சில சமயங்களில் தோன்றாமல் நடக்கும். தரவுகளில் பாகுபாடு இருப்பதை அறிவது கடினம்.
**“நீதியற்ற தன்மை”** என்பது ஒரு குழுவுக்கான (வங்கிகள், பாலினம், வயது, வலிமை நிலை போன்றவை அடிப்படையாக கொண்ட) எதிர்மறை தாக்கங்களை குறிக்கிறது. முக்கிய நீதியற்ற தீங்குகள் வகைப்படுத்தப்படலாம்:
**“நியாயமின்மை”** என்றால் ஒரு குழுவுக்கான எதிர்மறை விளைவுகள் அல்லது "தீங்கு" என்பவை, இனம், பாலினம், வயது, மாற்றுத்திறன்கள் போன்ற அடிப்படைகளில் வரையறுக்கப்படுவது அடங்கும். முக்கியமான நியாயம் தொடர்பான தீங்குகள் வகைப்படுத்தப்படலாம்:
- **பிரிப்பு**, உதாரணமாக ஒரு பாலினம் அல்லது இனப்பேருந்து மற்றவருக்கு முன்னுரிமை அளிக்கும் போது.
- **சேவை தரம்**. ஒரு குறிப்பிட்ட சூழலுக்கான தரவை பயிற்சி செய்தால் ஆனால் நிஜம் அதிக சிக்கலானது என்றால் சேவை மோசமாக செயல்படும். எடுத்துக்காட்டு, கருப்பு தோலுடையவர்களை உணர முடியாத கை சோப்புக் குவியல். [காண Reference](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **முறைப்பாடு**. தவறாக விமர்சித்து யாரோரை அல்லது ஒன்றை குறைவாக குறிக்க. உதாரணமாக, கருப்பு தோலுடையவர்களுக்கு உருவப்படங்களை கொங்குகுட்டிகள் என தவறாக அடையாளம் கண்டு புகழடைந்த படம் அடையாளமிடும் தொழில்நுட்பம்.
- **அதிகப்படியான அல்லது குறைவான பிரதிநிதித்துவம்**. ஒரு குழுவை ஒரு தொழிலில் காணாததும், அந்த சேவையை முன்மொழியும் எந்த அமைப்பும் தீங்காக கருதப்படுகிறது.
- **கற்பனை முறைகள்**. குறிப்பிட்ட குழுவை முன்காணிக்கப்பட்ட பண்புகளுடன் இணைப்பது. உதாரணமாக, ஆங்கிலம் மற்றும் துருக்கிய மொழி மாறுதல் அமைப்பில் பாலினத்தைப் பற்றிய முறைப்பாடு காரணமாக தவறுகள் இருக்கும்.
- **ஒதுக்கீடு**, எடுத்துக்காட்டாக பாலினம் அல்லது இனம் ஒருவருக்கு மற்றவரை விட முன்னுரிமை வழங்கப்பட்டால்.
- **சேவையின் தரம்**. ஒரு குறிப்பிட்ட சூழ்நிலைக்கு பயிற்சி தரவு இருந்தாலும், உண்மை மிகவும் சிக்கலானது என்றால், சேவை மோசமாக செயல்படும். உதாரணமாக, உலை கழுவும் சோப்புப் பகிர்வான், கருப்பு தோல் கொண்டவர்களை உணர முடியவில்லை என்பது. [மூலம்](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **குற்றம் சுமத்தல்**. மற்றொருவரை அல்லது ஒன்றை முறையாக விமர்சித்து மறுத்தல். உதாரணமாக, கருப்பு தோல் கொண்டவர்களின் படங்களை தவறாக கோரிலாக குறிக்கின்ற ஒரு பட தொகுப்புக் கருவி இருந்தது.
- **அதிகப்படியாக அல்லது குறைவாக பிரதிநிதித்துவம்**. ஒரு குழு ஒரு தொழிலில் காணப்படாமை, அந்தத் துறையை ஒப்புக் கொள்ளும் சேவை அல்லது செயலி அதை தொடர்ந்து எதிர்மறையாக செயலைக் கொண்டிருப்பது.
- **சூட்சுமைப்படுத்தல்**. ஒரு குறிப்பிட்ட குழுவை முன்பே நிர்ணயிக்கப்பட்ட பண்புக்களுடன் தொடர்புபடுத்துதல். உதாரணமாக, ஆங்கிலம் மற்றும் துருக்கிய மொழியின் மொழிபெயர்ப்பு அமைப்பில் பாலின தொடர்பான முன்பணிகள் காரணமாக தவறுகள் இருக்கலாம்.
AI அமைப்புகளை வடிவமைக்கும் மற்றும் சோதிக்கும் போது, AI நீதி புறக்கும் அல்லது விரிவடையும் வண்ணம் திட்டமிடலை தவிர்க்க வேண்டும் என்று உறுதி செய்ய வேண்டும். மனிதர்களும் செய்யக் கூடாத பாகுபாடான முடிவுகளை AI அமைப்புகள் வழங்கக்கூடாது. AI மற்றும் இயந்திர அறிதலில் நீதியை உறுதி செய்வது ஒரு சிக்கலான சமூக தொழில்நுட்பப் பணி.
AI செயலிகள் வடிவமைக்கும் போது, அவை நியாயமாக இருக்க வேண்டும் மற்றும் பாகுபாடு அல்லது வேறுபாடு செய்கின்ற தவறான முடிவுகளை எடுத்துக் கொள்ளக் கூடாது. இதுபோன்ற நியாயத்தின் உறுதி சமூக தொழில்நுட்பமாக கடினமாக உள்ளது.
### நம்பகத்தன்மை மற்றும் பாதுகாப்பு
### நம்பகத்தன்மையும் பாதுகாப்பும்
நம்பிக்கையைக் கட்டியெழுப்ப AI அமைப்புகள் நம்பகமான, பாதுகாப்பான மற்றும் நிலையானவையாக இருக்க வேண்டும். AI அமைப்புகள் பல்வேறு சூழல்களில் எப்படி நடந்து கொள்வது என்பது முக்கியம், குறிப்பாக அசாதாரணச் சூழல்களில். AI தீர்வுகளை உருவாக்கும் போது, AI தீர்வுகள் சந்திக்கும் பல்வேறு சூழல்களை எப்படி கையாள்வது என்பது முக்கிய கவனம் பெற வேண்டும். ஒரு சுய இயக்கும் கார் மனிதர்களின் பாதுகாப்பை முதன்மைமாக நினைத்துக் கொள்ள வேண்டும். எனவே, காரின் AI அனைத்து சாத்தியமான சூழல்கள் (இரவு, மின்னிவடிவம், பனி, தெருக்கள் கடப்பவர்களின் பிள்ளைகள், செல்லப் பறவைகள், சாலை கட்டுமானங்கள்) ஆகியவற்றைக் கவனத்தில கொள்ள வேண்டும். AI அமைப்பின் எப்படி பல்வேறு சூழல்களை நம்பகமாக மற்றும் பாதுகாப்பாக கையாளும் என்பது வடிவமைப்பாளரின் கணிப்புக் திறனைக் காட்டும்.
நம்பிக்கையைக் கட்டமைப்பதற்காக, AI செயலிகள் நம்பகமானவை, பாதுகாப்பானவை மற்றும் சாதாரண மற்றும் எதிர்பாராத சூழ்நிலைகளில் தொடர்ச்சியாக செயல்பட வேண்டும். AI செயலிகள் பல்வேறு சூழ்நிலைகளில் எப்படி நடக்குமென்பதை அறிவது முக்கியம், குறிப்பாக அசாதாரண நிலைகள். AI தீர்வுகளை உருவாக்கும்போது, அதன் எதிர்கொள்ளும் பரப்பான சூழ்நிலைகளை எதிர்கொள்ள எப்படி திட்டமிடுவது என்பதில் கவனம் அதிகமாக வேண்டும். உதாரணமாக, சுய இயக்கும் கார் மக்கள் பாதுகாப்பை முன்னிலைப்படுத்த வேண்டும். ஆகவே, கார் இயக்கும் AI இரவு, புயல், பனிச்சறுக்கு, பிள்ளைகள் ஓடிச் செல்லுதல், விலங்குகள், சாலை பணிகள் போன்ற அனைத்து சூழ்நிலைகளையும் முன்வைத்து கருதி செயல்படுத்த வேண்டும். AI எப்படி பரந்த சூழ்நிலைகளை நம்பகமாக மற்றும் பாதுகாப்பாக கையாளும் என்பது வடிவமைப்பாளர் அல்லது டேட்டா விஞ்ஞானி அளவிடும் முன்னறிவிப்புக்கான அளவுகோல்.
> [🎥 காணொளிக்குச் செல்ல இங்கே கிளிக் செய்யவும்: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
> [🎥 AI இல் நம்பகத்தன்மை மற்றும் பாதுகாப்புக்கு இந்த இடத்தை கிளிக் செய்க](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
### சமவாய்மை
### உள்ளடக்கம்
AI அமைப்புகள் அனைவரையும் ஈடுப்படுத்த மற்றும் அதிகாரப்படுத்த வடிவமைக்கப்பட வேண்டும். AI அமைப்புகளை வடிவமைக்கும் போது தரவியலாளர்கள் மற்றும் AI உருவாக்குநர்கள் தடைகளை கண்டறிந்து சரிசெய்ய வேண்டும், அது தவறுதலாக சிலரை பின்னடைவைச் செய்யாமல். உலகில் ஒரு பில்லியன் பேர் மாற்றுத் திறனாளிகளாக உள்ளனர். AI முன்னேற்றத்தால், அவர்கள் தினசரி வாழ்க்கையில் தகவல் மற்றும் வாய்ப்புகளை எளிதில் அடைய முடியும். தடைகளை எதிர்கொண்டு AI பொருட்களை மேம்படுத்தி அனைவருக்கும் நன்மைகள் தரும் அனுபவங்களை உருவாக்க இது வாய்ப்பை உருவாக்குகிறது.
AI செயலிகள் அனைவருடனும் ஈடுபட மற்றும் அதிகாரம் அளிப்பதற்கு வடிவமைக்கப்பட வேண்டும். வடிவமைப்பாளர்கள் மற்றும் டேட்டா விஞ்ஞானிகள் முறையற்ற பலவந்தங்களை கண்டறிந்து, அவற்றை நீக்க முயல வேண்டும். உலகத்தில் 1 பில்லியன் மாற்றுத்திறனாளிகள் உள்ளனர். AI முன்னேற்றத்தால், அவர்களுக்கு தினசரி வாழ்க்கையில் தகவல் மற்றும் வாய்ப்புகளுக்கு எளிதாக அணுகல் வழங்கும். தடைகளை அகற்றுவதன் மூலம் எல்லாவற்றுக்கும் உகந்த AI பொருட்களை உருவாக்குவதற்கான வாய்ப்புகள் உருவாகின்றன.
> [🎥 சமவாய்மை பற்றிய காணொளிக்குச் செல்ல இங்கே கிளிக் செய்யவும்](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
> [🎥 AI இல் உள்ளடக்கம் பற்றி வீடியோவை பார்க்க இங்கே கிளிக் செய்யவும்](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
### பாதுகாப்பு மற்றும் தனியுரிமை
### பாதுகாப்பும் தனியுரிமையும்
AI அமைப்புகள் பாதுகாப்பாகவும் மக்களின் தனியுரிமையை மதிப்பதாகவும் இருக்க வேண்டும். தனியுரிமை, தகவல் அல்லது வியாழ்கை பாதிப்புக்கு உள்ளாக்கும் அமைப்புகளில் மக்கள் குறைவான நம்பிக்கை கொண்டுள்ளனர். இயந்திர அறிதல் மாதிரிகளை பயிற்சி செய்யும் போது, சிறந்த முடிவுகளை வழங்க தரவை நம்புகிறோம். தரவின் மூலமும் நேர்மையும் கவனிக்கப்பட வேண்டும். எடுத்துக்காட்டு, தரவு பயனர் வழங்கியது என்பதா அல்லது பொதுவாகக் கிடைத்தது என்றோடு? அடுத்ததாக, தரவுடன் வேலை செய்வதில் ரகசிய தகவலை பாதுகாக்கும் மற்றும் தாக்குதல்களை எதிர்க்கும் AI அமைப்புகளை உருவாக்குவது அவசியம். AI அதிகரிக்கும் போது, தனியுரிமை மற்றும் முக்கிய தனிநபர் மற்றும் வணிகத் தகவலை பாதுகாப்பது முக்கியமும் சிக்கலானதும் ஆகிவிட்டது. தனியுரிமை மற்றும் தரவு பாதுகாப்பு பிரச்சனைகள் AI இல் அதிக கவனத்தை தேவைப்படுகிறது, ஏனெனில் தரவை அணுகுதல் AI அமைப்புகளுக்கு மனிதர்களைப் பற்றிய துல்லியமான மற்றும் அறிவுரைத்திறன் predictions அளிக்க தேவையானது.
AI செயலிகள் பாதுகாப்பானவையாகவும் மக்களின் தனியுரிமையை மதிக்கக்கூடியவையாக இருக்க வேண்டும். தனியுரிமை, தகவல் அல்லது வாழ்கை ஆபத்தில் உள்ள செயலிகளுக்கு மக்கள் தவறுதலாக நம்பிக்கை காட்டுவதில்லை. இயந்திரக் கற்றல் மாடல்களை பயிற்றுவிப்பார் போது, தரவுச் சிரமத்தை முன்நிலைப்படுத்துகிறோம். அப்போது த தரவின் தோற்றமும் முழுமையானதுமான தரமும் கவனிக்கப்பட வேண்டும். உதாரணமாக, தரவு பயனர் சமர்ப்பித்ததா அல்லது பொதுவானதா? மேலும, தரவுடன் வேலை செய்யும்போது AI செயலிகள் கண்காணிப்பு விவரங்களை பாதுகாக்கவும் தாக்குதலை எதிர்கொள்ளும் வகையில் உருவாக்கப்பட வேண்டும். AI அதிகம் பரவுவதால் தனியுரிமை மற்றும் முக்கிய தனிப்பட்ட மற்றும் வணிக தகவல் பாதுகாப்பு முக்கியத்துவம் மற்றும் சிக்கலானது ஆகிவிட்டது. தனியுரிமை மற்றும் தரவு பாதுகாப்பு பிரச்சினைகள் AI இற்கு மிகவும் கவனமாக இருக்கவேண்டும், ஏனெனில் தரவுக்கு அணுகல் AI செயலிகளுக்கு மனிதர்களின் முன்னறிவான கணிப்புகள் மற்றும் தீர்வுகளை புகுத்தும் முக்கிய அம்சம் ஆகும்.
> [🎥 பாதுகாப்பு பற்றிய காணொளிக்குச் செல்ல இங்கே கிளிக் செய்யவும்](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 AI இல் பாதுகாப்புக்கு இந்த இடத்தை கிளிக் செய்க](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- தொழில்துறையில், GDPR போன்ற ஒழுங்குமுறைகளால் வழிநடத்தப்பட்டு தனியுரிமை மற்றும் பாதுகாப்பில் பெரிய முன்னேற்றங்கள் சம்பந்தப்பட்டுள்ளன.
- ஆனால் AI அமைப்புகளுடன், அவற்றை அதிக தனிப்பட்ட மற்றும் செயல்திறனுள்ள ஆக்க கடுமையான தனியுரிமை இடைபிரச்சினை உள்ளது.
- இணையதள இணைந்த கணினிகள் பிறப்போடு போலவே, AI தொடர்பான பாதுகாப்பு பிரச்சனைகளும் பெருகிக் கொண்டு உள்ளது.
- அதே சமயம் AI பாதுகாப்பை மேம்படுத்த பயன்படுத்தப்படுகின்றது. உதாரணமாக, நவீன அன்டி வைரஸ் கண்காணிப்பாளர்கள் இன்று AI heuristic கள் மூலம் இயங்குகின்றன.
- எங்கள் தரவியல் செயல்முறை சமீபத்திய தனியுரிமை மற்றும் பாதுகாப்பு நடைமுறைகளுடன் ஒத்திசைக்கப்பட்டிருக்க வேண்டும்.
- தொழில்துறையாக நாங்கள் தனியுரிமை மற்றும் பாதுகாப்பில் முக்கிய முன்னேற்றங்களை மேற்கொண்டுள்ளோம், மிக முக்கியமாக GDPR (பொது தரவு பாதுகாப்பு ஒழுங்குமுறை) போன்ற விதிகள் காரணமாக.
- ஆனால் AI செயலிகளில், தனிப்பட்ட மற்றும் செயல்திறன் மிகுந்த நிர்வாகங்கள் மத்தியில் அதிகமாக தனிநபர் தரவு தேவைப்படும் தேவையுடன் தனியுரிமை இடையிலும் மோதல் உள்ளது என்பதை நாம் ஏற்றுக்கொள்ள வேண்டும்.
- இணைக்கப்பட்ட கணினிகள் மற்றும் இணையத்தின் பிறப்புக்கு ஏற்ப, AI தொடர்பான பாதுகாப்பு பிரச்சினைகளிலும் பெருகல் காணப்படுகிறது.
- அதே சமயம் AI பாதுகாப்பை முன்னேற்றவும் பயன்படுத்தப்படுகிறது. உதாரணமாக, பெரும்பாலான நவீன குறியீடு எதிர்ப்பு ஸ்கானர்கள் இன்று AI நுண்ணறிவு மூலம் இயங்குகின்றன.
- எங்கள் தரவுத் துறையை சமீபத்திய தனியுரிமை மற்றும் பாதுகாப்பு நடைமுறைகளுடன் நல்லிணக்கமாக இணைத்துக்கொள்ள வேண்டும்.
### வெளிப்படைத்தன்மை
AI அமைப்புகள் புரிந்துகொள்ள வழிமுறையாக இருக்க வேண்டும். வெளிப்படையான தன்மையின் முக்கிய பகுதியாக AI அமைப்புகளின் நடத்தை மற்றும் கூறுகளை விளக்க வேண்டும். AI அமைப்புகளை மேம்படுத்த stakeholders எவ்வாறு மற்றும் ஏன் இயங்குகின்றன என்பதைக் புரிந்து கொள்ள வேண்டும், மேலும் செயல்திறன் பிரச்சனைகள், பாதுகாப்பு மற்றும் தனியுரிமைக் கவலைகள், பாகுபாடு, நீக்கம் நடைமுறைகள் அல்லது எதிர்பாராத முடிவுகளை கண்டறிய வேண்டும். AI அமைப்புகளைப் பயன்படுத்துவோர் எப்போது, எப்போது ஏன், எப்படி பயன்படுத்துகிறார்கள் என்பதில் நேர்மையாக இருக்க வேண்டும். பயன்படுத்தும் அமைப்புகளின் வரம்புகளையும் மீறாது விளக்க வேண்டும். உதாரணமாக, வங்கி AI அமைப்பை விருப்ப கடன் முடிவுகள் ஆதரிக்க பயன்படுத்தினால், முடிவுகளை ஆய்வு செய்து எந்த தரவு பரிந்துரைகளை பாதிக்கிறது எனப் புரிந்து கொள்வது அவசியம். அரசு தொழில்களில் AI ஐ ஒழுங்குபடுத்த ஆரம்பித்துள்ளது; ஆகையால் டேட்டா அறிவியலாளர்களும் நிறுவனங்களும் AI அமைப்புகள் விதி கடைப்பிடிப்பைப் பூர்த்தி செய்கிறதா என்று விளக்க வேண்டும், குறிப்பாக தீய முடிவுகள் இருந்தால்.
AI செயலிகள் புரிந்துகொள்ளக்கூடியவை ஆக வேண்டும். வெளிப்படைத்தன்மையின் முக்கிய பகுதியாக AI செயலிகள் மற்றும் அவற்றின் கூறுகளின் நடத்தை விளக்கம் கொடுத்தல் அடங்கும். AI செயலிகளைப் பற்றிய புரிதலை மேம்படுத்த, பங்குதாரர்கள் அவை எப்படியும் ஏன் செயல்படுகின்றனவென்றையும் புரிந்துகொள்ள வேண்டும். இது செயல்திறன் பிரச்சினைகள், பாதுகாப்பு மற்றும் தனியுரிமை கவலைகள், பாகுபாடு, வெளியேற்றல்கள் அல்லது தவறான விளைவுகளை அடையாளம் காண உதவும். AI செயலிகளை பயன்படுத்துவோர் அவற்றைப் பயன்படுத்தும் போது எப்போது, ஏன் மற்றும் எப்படி பயன்படுத்துகிறார்கள் மற்றும் அவற்றின் வரம்புகளை தெளிவாக கூற வேண்டும். உதாரணமாக, ஒரு வங்கி தனது கடனுதவி தீர்வுகளுக்கு AI பயன்படுத்தினால், அவற்றின் முடிவுகள் மற்றும் அவற்றுக்கு பின்னிலையுடைய தரவுகளை ஆராய்வது அவசியம். அரசு துறைகள் AI ஐ ஒழுங்கு செய்ய தொடங்கியுள்ளதால், தரவுத் விஞ்ஞானிகள் மற்றும் நிறுவனங்கள் ஒரு AI முறைமை ஒழுங்குமுறை தேவைகளை பூர்த்தி செய்கிறதா என்பதை விளக்க வேண்டும், குறிப்பாக தங்கிய undesirable முடிவு ஏற்படும் போது.
> [🎥 வெளிப்படைத்தன்மை பற்றிய காணொளிக்குச் செல்ல இங்கே கிளிக் செய்யவும்](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 AI இல் வெளிப்படைத்தன்மைக்கு இந்த இடத்தை கிளிக் செய்யவும்](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- AI அமைப்புகள் மிகவும் சிக்கலானவை என்பதனால் அவை எப்படி இயங்குகின்றன என புரிந்து கொள்ளவும் முடிவுகளை விவரிக்கவும் கடினம்.
- இந்த புரிதல் இல்லாத தன்மை பின்வரும் பணிக்கு பாதிப்பை உண்டாக்குகின்றது: நன்கு நிர்வகிக்க, செயல்படுத்தவும், ஆவணப்படுத்தவும்.
- இதேபோல், இந்த புரிதல் இல்லாத தன்மை AI அமைப்புகள் உருவாக்கும் முடிவுகளை பயன்படுத்தி எடுக்கப்படும் முடிவுகளின் மீது மிகப்பெரும் தாக்கம் செலுத்துகிறது.
- AI செயலிகள் மிகவும் சிக்கலானவை என்பதால் அவை எப்படி வேலை செய்கின்றன மற்றும் முடிவுகளை எப்படித் தெளைப்பது கடினம்.
- புரிதலின் இழப்பு, இந்த செயலிகள் நிர்வாகம், செயல்படுத்துதல் மற்றும் பதிவெடுப்புக்கு பாதிப்பாகும்.
- இன்னும் முக்கியமாக, இந்த புரிதல் இழப்பு, இந்த செயலிகள் உண்டாக்கும் முடிவுகளைக் கொண்டுச் செய்கின்ற தீர்வுகளை குறிப்பிடும்.
### பொறுப்புக்கூறல்
### பொறுப்புத்தன்மை
AI அமைப்புகளை வடிவமைத்து வெளியிடும் நபர்கள் அவற்றின் செயல்பாடுகளுக்குப் பொறுப்பேற்க வேண்டும். முகம் அடையாளம் போல் பொறுப்புக்கூறல் மிகவும் அவசியம். சமீபத்தில், முகம் அடையாள தொழில்நுட்பத்திற்கு வருகையாளர்களிடமிருந்து அதிகத்தலைவாக கோரிக்கை ஏற்பட்டுள்ளது, குறிப்பாக பறந்துபோன பிள்ளைகளை கண்டுபிடிக்க போலீஸ் அமைப்புகள் இதை பயன்படுத்துகின்றன. ஆனால் இந்த தொழில்நுட்பம் அரசு அதன் குடிமக்களின் அடிப்படையான சுதந்திரங்களை இழுக்க செய்ய பயன்படுத்தப்படலாம், உதாரணமாக குறிப்பிட்ட நபர்களின் தொடர்ச்சியான கண்காணிப்பை இயல்புறுத்தல். இதனால் தரவியல் அறிவியலாளர்கள் மற்றும் நிறுவனங்கள் AI அமைப்பு நபர்களுக்கு அல்லது சமுதாயத்திற்கு ஏற்பும் தாக்கங்களை பொறுப்பாக ஏற்றுக்கொள்ள வேண்டும்.
AI செயலிகளை வடிவமைக்கும் மற்றும் செயல்படுத்தும் மக்கள் அவற்றின் இயங்கும் விதத்திற்கு பொறுப்பாக இருக்க வேண்டும். முகக் கண்டறிதல் போன்ற சென்சிட்டிவ் தொழில்நுட்பங்களில் பொறுப்புத்தன்மை அதிக முக்கியத்துவம் பெற்றது. சமீபத்தில், முகக் கண்டறிதல் தொழில்நுட்பத்தின் வளர்ச்சிக்கு அதிக கோரிக்கை உள்ளது, குறிப்பாக தொல்லாற்று அமைப்புகளிடமிருந்து, காணாமல் போன குழந்தைகளை கண்டுபிடிப்பதில் உதவக் கூடிய தொழில்நுட்பமாக இதனைப் பார்கின்றனர். ஆனால், இந்த தொழில்நுட்பம் அரசு நினைத்துவிட்டால் சில நபர்களை தொடர்ந்து கண்காணிப்பது மூலம் அடிப்படைக் உரிமைகளுக்கு ஆபத்து விளைவிக்கலாம். எனவே, தரவுத் விஞ்ஞானிகளும் நிறுவனங்களும் தங்கள் AI முறைமைகள் நபர்களுக்கும் சமூகத்துக்கும் எப்படி பாதிப்பை ஏற்படுத்துகின்றன என்பதில் பொறுப்பாக இருக்க வேண்டும்.
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft இன் பொறுப்புள்ள AI அணுகுமுறை")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "மைக்ரோசாஃப்டின் பொறுப்பான AI அணுகுமுறை")
> 🎥 மேலுள்ள படத்தில் கிளிக் செய்து காணொளியை பாருங்கள்: முகம் அடையாளத்தின் மூலம் பொதுக்கண்காணிப்பு எச்சரிக்கை
> 🎥 மேல் படத்தை கிளிக் செய்யவும்: முகக் கண்டறிதல் மூலம் பொதுக் கண்காணிப்புக்கான எச்சரிக்கை
முற்றிலும், AI சமுதாயத்திற்கு கொண்டு வரும் முதல் தலைமுறையாக நாங்கள், கணினிகள் மக்களுக்கு பொறுப்பாயிருப்பதை எவ்வாறு உறுதி செய்வது மற்றும் கணினிகள் வடிவமைக்கும் மக்கள் மற்ற அனைவருக்கும் பொறுப்பாயிருப்பதை எவ்வாறு உறுதி செய்வது என்பது பெரிய கேள்வி ஆகும்.
கடைசியில், AI-ஐ சமூகத்தில் கொண்டுவரும் முதல் தலைமுறையாகவும், கணினிகள் மக்களுக்கு பொறுப்பானவைகள் என உறுதி செய்யவும், அவற்றை வடிவமைக்கும் மக்கள் அனைவருக்கும் பொறுப்பாக இருக்க வைக்கவும் எப்படி செய்வது என்பது எங்கள் தலைமுறையின் மிகப்பெரிய கேள்விகளில் ஒன்றாகும்.
## தாக்கம் மதிப்பீடு
## தாக்க மதிப்பீடு
இயந்திர அறிதல் மாதிரியை பயிற்சி செய்ய முன்னர், AI அமைப்பின் நோக்கம் என்ன என்பதை புரிந்து கொண்டு, உபயோக நோக்கம்; எங்கு அதன் செயல்பாடு; யார் அமைப்புடன் தொடர்பு கொள்ளும் என்பதை அறிந்து ஒரு தாக்கம் மதிப்பீடு செய்ய வேண்டும். இது சோதனை அல்லது மதிப்பீடு செய்யும் நபர்களுக்கு அமைப்பின் பாதிப்பு காரணிகள் மற்றும் எதிர்பார்க்கப்படும் விளைவுகளை அறிந்து எளிதாக்கும்.
இயந்திரக் கற்றல் மாடலை பயிற்றுவிப்பதற்கு முன், AI முறைமையின் நோக்கம், பயனளிக்கப்படacağı இடம் மற்றும் அதை பயன்படுத்துவோர் யார் என்றவற்றை புரிந்துகொள்ள தாக்க மதிப்பீடு செய்ய முக்கியம். இது முறைமையை மதிப்பாய்வு செய்யும் வியூகர்களுக்கு அல்லது டெஸ்டர் களுக்கு எதிர்நோக்கப் படும் அபாயங்கள் மற்றும் எதிர்பார்க்கப்படும் விளைவுகளை புரிந்து கொள்ள உதவும்.
தாக்கம் மதிப்பீடு செய்யும்போது கவனம் செலுத்த வேண்டிய பகுதிகள்:
தாக்க மதிப்பீட்டின் முக்கிய துறைகள்:
* **நபர்களுக்கு எதிர்மறையான தாக்கம்**. எந்தவொரு கட்டுப்பாடுகள், தேவைகள், ஆதரிக்கப்படாத பயன்பாடு அல்லது அறியப்பட்ட வரம்புகள் அமைப்பின் செயல்திறனை பாதிப்பவை இருக்கலாம் என்ற அறிவு முக்கியம், அது நபர்களுக்கு தீங்கு விளைவிப்பதைத் தடுக்கும்.
* **தரவு தேவைகள்**. அமைப்பு தரவை எப்படி எங்கு பயன்படுத்தும் என்பதில் புரிதலை உருவாக்குவது, மேம்படுத்துனர்கள் தரவு தேவைகளை (உதா., GDPR அல்லது HIPAA தரவு விதிகள்) கவனத்தில் கொள்ள உதவும். மேலும், தரவு மூலமும் அளவும் பயிற்சிக்க மோசமாக இருக்குமா என ஆராய்க.
* **தாக்கம் சுருக்கம்**. அமைப்பினைப் பயன்படுத்தி வரும் சாத்தியமான தீங்குகளின் பட்டியலை சேகரிக்கவும். முழு ML வாழ்நாள் நிலத்தில், இவை சரிசெய்யப்பட்டதா அல்லது நிர்வகிக்கப்பட்டதா என பரிசீலனை செய்யவும்.
* **ஆறு முக்கியக் கொள்கைகளுக்கு பொருந்தக்கூடிய குறிக்கோள்கள்**. ஒவ்வொரு கொள்கை குறிக்கோளும் பூர்த்தியாயிற்றா? இடைவெளிகள் உள்ளனவா? என மதிப்பிடவும்.
* **நபர்களுக்கு எதிர்மறை தாக்கம்**. எந்த ஒரு தடைகள் அல்லது தேவைகள், ஆதரவில்லாத பயன்பாடு அல்லது முறைமையின் செயல்திறனை பாதிக்கும் எந்த வரையறைகள் இருந்தாலும் அவற்றை புரிந்து கொள்ள இது அவசியம்.
* **தரவு தேவைகள்**. முறைமையில் தரவு எவ்வாறு மற்றும் எங்குப் பயன்படுத்தப்படும் என்று அறிந்து கொள்வது (எ.கா., GDPR அல்லது HIPAA தரவு ஒழுங்குமுறைகள்) கவனம் செலுத்த உதவும். மேலும், பயிற்சிக்கு தேவையான தரவு அளவு மற்றும் மூலத்திற்கு பார்வை புரிய வேண்டும்.
* **தாக்கத்தின் சாராம்சம்**. முறைமையைப் பயன்படுத்துவதால் ஏற்படும் தீங்குகள் பட்டியலை சேகரிக்கவும். முழு ML வாழ்நாள் பருவத்தில் இந்தக் குறைபாடுகள் சரி செய்யப்படுகிறதா என்று பரிசீலிக்கவும்.
* ஆறு முக்கிய கோட்பாடுகளில் ஒவ்வொன்றுக்குமான **ஊடுருவல் இலக்குகள்**. ஒவ்வொரு கோட்பாட்டின் இலக்குகள் பூர்த்தி செய்யப்படுகிறதா மற்றும் எந்த இடைவெளிகள் உள்ளனவா என்பதை மதிப்பீடு செய்யவும்.
## பொறுப்புள்ள AI உடன் பிழைதிருத்தல்
## பொறுப்பான AI உடன் பிழைதிருத்தல்
மென்பொருள் பயன்பாட்டைப் போல, AI அமைப்புகளுக்கான பிழைதிருத்தலும் அவற்றின் பிரச்சனைகளை கண்டறிந்து தீர்ப்பது அவசியம். மாதிரி எதிர்பார்த்தது போல செயல்படவில்லையெனில் பல காரணிகள் இருக்கலாம். பெரும்பான்மையான மரபு மாதிரி செயல்திறன் கணக்கீடுகள் மாதிரியின் செயல்திறன் அளவுகளின் எண் தொகுப்புகள் மட்டுமே ஆகும்; இவை AI பொறுப்பாக்க கொள்கைகளை மீறுது என்பதை ஆராய்வதற்கு போதுமானதல்ல. மேலும், இயந்திர அறிதல் மாதிரி ஒரு இரகசியப் பெட்டியாக இருக்கின்றது, அதனால் அதன் முடிவை தெளிவாக உணர்வது அல்லது பிழை செய்தால் விளக்குவது கடினமாகும். இந்த பாடத்திட்டத்தில் பின்னர், பொறுப்புள்ள AI டாஷ் போர்டு பயன்படுத்தி AI அமைப்புகளை பிழைதிருத்துவது கற்றுக்கொள்வோம். டாஷ்போர்டு ஒரு ஒருங்கிணைந்த கருவி, தரவியலாளர்கள் மற்றும் AI உருவாக்குநர்களுக்காக பின்வரும் பணிகளை செய்ய உதவுகிறது:
மென்பொருள் செயலியைப் போல, AI முறைமையைத் திருத்துவது முக்கியமான செயல்முறை ஆகும், பிழைகளை கண்டுபிடித்து தீர்க்கவும். ஒரு மாடல் எதிர்பார்த்தது போல செயல்படாத அல்லது பொறுப்பான முறையில் செயல்படாத பல காரணிகள் இருக்கலாம். பாரம்பரிய மாடல் செயல்திறன் அளவுகோல்கள் பெரும்பாலும் அளவுருக்கள் அனைத்தும் கூட்டு மதிப்பீடுகளாக இருப்பதால், பொறுப்பான AI கோட்பாடுகளை மீறும் வகையில் மாடலின் செயல்திறன் பரிசீலிப்பதில் போதுமானதல்ல. மேலும் இயந்திரக் கற்றல் மாடல் ஒரு கருப்பு பெட்டியாக இருப்பதால் அதன் முடிவுகளின் காரணிகளை புரிந்துகொள்வது அல்லது ஒரு பிழை ஏற்பட்டால் விளக்குவதும் கடினம். இந்த பாடத்தில் பின்னர், பொறுப்பான AI டாஷ்போர்டைப் பயன்படுத்தி AI செயலிகளை பிழைத்திருத்துவது எப்படி என்பதை நாங்கள் கற்போம். அந்த டாஷ்போர்டு தரவுத் விஞ்ஞானிகளுக்கும் AI முன்னேற்றிகளுக்கும் பின்வரும் பணிகளுக்கு ஒரு முழுமையான கருவியாக செயல்படுகிறது:
* **பிழை பகுப்பு**. அமைப்பில் நீதித்தன்மை அல்லது நம்பகத்தன்மைக்கு பாதிப்பூட்டும் பிழை பகிர்வு கண்டறிதல்.
* **மாதிரி பார்வை**. தரவு குழுக்களில் மாதிரி செயல்திறனில் உள்ள வேறுபாடுகளை கண்டறிதல்.
* **தரவு பகுப்பு**. தரவு பகிர்வு புரிந்துகொள்ளல் மற்றும் நீதித்தன்மை, சமவாய்மை மற்றும் நம்பகத்தன்மை பிரச்சனைகளுக்கு காரணமான பாகுபாடுகளை கண்டறிதல்.
* **மாதிரி விளக்கம்**. மாதிரியில் எது அதன் தீர்வுகளை பாதிக்கிறது என்பதைக் புரிந்து கொள்ளுதல். இது வெளிப்படைத்தன்மைக்கும் பொறுப்புக்கூறலுக்கும் முக்கியம்.
* **பிழை பகுப்பு**. முறைமையின் நியாயம் அல்லது நம்பகத்தன்மைக்கு பாதிப்பை ஏற்படுத்தும் பிழை விநியோகத்தை கண்டறிதல்.
* **மாடல் அவலோக்கனம்**. தரவு குழுக்களில் மாடலின் செயல்திறன் வேறுபாடுகளை கண்டறிதல்.
* **தரவு பகுப்பு**. முறைமையின் நியாயம், உள்ளடக்கம் மற்றும் நம்பகத்தன்மை பிரச்சினைகளுக்கு வழிவகுக்கும் பாகுபாடுகள் உள்ளதா என்பதை அறிய தரவு விநியோகத்தை புரிதல்.
* **மாடல் விளக்கம்**. மாடல் கணிப்பை பாதிப்பதை புரிந்துகொள்வது. இது வெளிப்படைத்தன்மை மற்றும் பொறுப்புத்தன்மைக்காக முக்கியம்.
## 🚀 சவால்
தீங்கு ஏற்படுத்தப்படுவதை தடுக்க நாம் செய்யவேண்டும்:
தீங்கு ஏற்படுவதைத் தடுக்கும் முறையில் நாம் செய்யவேண்டியது:
- அமைப்புகளை உருவாக்கும் மக்கள் பல்வேறு பின்னணி மற்றும் பார்வைகளைக் கொண்டிருக்க வேண்டும்
- எமது சமுதாயத்தின் பல்வேறு தரவுத்தொகுப்புகளில் முதலீடு செய்ய வேண்டும்
- பொறுப்புள்ள AI ஏற்பட்டால் அதை கண்டறிந்து சரி செய்ய இயந்திர அறிதல் வாழ்நாளில் சிறந்த முறைகளை மேம்படுத்த வேண்டும்
- முறைமைகளில் பணியாற்றும் நபர்களுக்கு பல்வேறு பின்னணிகள் மற்றும் பார்வைகள் உள்ளன.
- எங்கள் சமூகத்தின் பல்வகை தன்மையை பிரதிபலிக்கும் தரவுத் தொகுப்புகளில் முதலீடு செய்வது.
- இயந்திரக் கற்றல் வாழ்நாள் முழுவதும் பொறுப்பற்ற AI கண்டறியும் மற்றும் திருத்தும் சிறந்த முறைகளை வளர்த்தல்.
மாதிரியை உருவாக்கும் மற்றும் பயன்படுத்தும் போது அதன் நம்பிக்கையற்ற தன்மை உணரக்கூடிய நிலைமைகள் பற்றி யோசியுங்கள். மேலும் என்ன கவனிக்கப்பட வேண்டும்?
மாடலின் நம்பகமின்மை ஒன்று தெளிவாக தெரியும் வாழ்க்கை நிலைகள் பற்றி யோசியுங்கள். எதுவும் மேலும் கவனிக்க வேண்டியவை என்ன?
இந்த படிப்பில், நீங்கள் இயந்திரக் கற்றலில் நியாயமாகத் தன்மையும் அவநியாயமாகத் தன்மையும் பற்றிய சில அடிப்படைக் கருத்துக்களை கற்றுக்கொண்டிருக்கிறீர்கள்.
இந்த பாடத்தில், இயந்திர கற்றலில் நியாயம் மற்றும் நியாயமின்மையின் சில அடிப்படைகளை நீங்கள் கற்றிருக்கிறீர்கள்.
இந்த கருத்துக்களில் ஆழமாக சென்று பதிவு செய்ய, இந்த பணிமனை காணுங்கள்:
கீழ்காணும் பணிமூலையைப் பாருங்கள் மேலும் விரிவாக அறிந்து கொள்ள:
- பொறுப்பான AI நோக்கில்: 원칙ங்களை நடைமுறையில் கொண்டு வருதல், Besmira Nushi, Mehrnoosh Sameki மற்றும் Amit Sharma இணைக்கையில்
- பொறுப்பான AI நோக்கத்தில்: கோட்பாடுகளை நடைமுறைக்கு கொண்டுவருதல் - Besmira Nushi, Mehrnoosh Sameki மற்றும் Amit Sharma
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: பொறுப்பான AI உருவாக்க ஒரு திறந்த மூல கட்டமைப்பு")
> 🎥 மேலே உள்ள படமாக்குக்குக் கிளிக் செய்து காணொளியைப் பாருங்கள்: பொறுப்பான AI டூல்பாக்ஸ்: Besmira Nushi, Mehrnoosh Sameki, மற்றும் Amit Sharma ஆட்களால் உருவாக்கப்பட்ட ஓர் திறந்த மூலக் கட்டமைப்பு
> 🎥 மேலுள்ள படத்தை அழுத்தி வீடியோவை பாருங்கள்: Besmira Nushi, Mehrnoosh Sameki, மற்றும் Amit Sharma அவர்கள் தயாரித்த பொறுப்பான AI உருவாக்க திறந்த மூல கட்டமைப்பு RAI Toolbox
மேலும், வாசிக்கவும்:
இதையும் படியுங்கள்:
- மைக்ரோசாஃப்ட் RAI வளக்கழகம்: [Responsible AI Resources– Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- Microsoft இன் RAI வளங்களுக்கான மையம்: [பொறுப்பான AI வளங்கள்– Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- மைக்ரோசாஃப்ட் FATE ஆராய்ச்சி குழு: [FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
- Microsoft இன் FATE ஆராய்ச்சி குழு: [FATE: AI யில் நியாயம், பொறுப்பு, வெளிப்பாடு மற்றும் ஒழுக்கம் - Microsoft ஆராய்ச்சி](https://www.microsoft.com/research/theme/fate/)
RAI டூல்பாக்ஸ்:
RAI Toolbox:
- [Responsible AI Toolbox GitHub repository](https://github.com/microsoft/responsible-ai-toolbox)
- [பொறுப்பான AI உபகரணப் பெட்டி GitHub மாதிரி](https://github.com/microsoft/responsible-ai-toolbox)
Azure இயந்திரக் கற்றல் நியாயத்தினை உறுதி செய்யும் கருவிகள் பற்றி வாசிக்கவும்:
நியாயத்தை உறுதி செய்ய Azure இயந்திரக் கற்றல் கருவிகள் பற்றி படியுங்கள்:
கிளஸ்டரிங் என்பது மெஷின் லெர்னிங் பணியாகும், இதில் ஒருவருக்கொருவர் ஒத்த பொருட்களை கண்டறிந்து அவற்றை கிளஸ்டர்கள் எனப்படும் குழுக்களாக பிரிக்கிறது. மற்ற மெஷின் லெர்னிங் அணுகுமுறைகளிலிருந்து கிளஸ்டரிங் மாறுபடுவது என்னவென்றால், இது தானாகவே நடக்கிறது; உண்மையில், இது மேற்பார்வை கற்றலின் எதிர்மாறாக இருக்கிறது என்று கூறலாம்.
க்லஸ்டரிங் என்பது ஒரே போன்ற பொருட்களை கண்டுபிடித்து அவற்றை க்குளஸ்டர்கள் எனப்படும் குழுக்களாக பிரிக்கும் ஒரு இயந்திரக் கற்றல் பணி ஆகும். இயந்திரக் கற்றலில் மற்ற அணுகுமுறைகளிலிருந்து க்லஸ்டரிங் வேறுபாடு என்னவெனில், இது தானாக நிகழும்; உண்மையில் இது கண்காணிக்கப்பட்ட கற்றலுக்கு எதிரானது என்று சொல்லலாம்.
## பிராந்திய தலைப்பு: நைஜீரிய பார்வையாளர்களின் இசை விருப்பங்களுக்கு கிளஸ்டரிங் மாடல்கள் 🎧
## பிராந்திய தலைப்பு: நைஜீரிய ரசிகர்களின் இசை ரசிப்புக்கான க்லஸ்டரிங் மாதிரிகள் 🎧
நைஜீரியாவின் பல்வகை பார்வையாளர்களுக்கு பல்வகை இசை விருப்பங்கள் உள்ளன. [இந்த கட்டுரையால்](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421) ஊக்கமடைந்து Spotify-இல் இருந்து சேகரிக்கப்பட்ட தரவுகளைப் பயன்படுத்தி, நைஜீரியாவில் பிரபலமான சில இசைகளைப் பார்ப்போம். இந்த தரவுத்தொகுப்பில் பாடல்களின் 'danceability' மதிப்பெண், 'acousticness', ஒலியளவு, 'speechiness', பிரபலத்தன்மை மற்றும் ஆற்றல் பற்றிய தகவல்கள் அடங்கும். இந்த தரவுகளில் முறைமைகள் கண்டறிவது 흥மையாக இருக்கும்!
நைஜீரியாவின் பல்வேறு ரசிகர்கள் பல்வேறு இசைப் பழக்கங்களை கொண்டுள்ளனர். Spotify-லிருந்து சுரண்டப்பட்ட தரவைப் பயன்படுத்தி ([இந்த கட்டுரையின்](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421) மூலம் ஊக்கமடைந்து), நைஜீரியாவில் பிரபலமான சில இசைகளை பார்க்கலாம். இந்த தரவுத்தொகுப்பு பல பாடல்களின் ‘danceability’ மதிப்பெண், ‘acousticness’, சத்தம், ‘speechiness’, பிரபலத்துவம் மற்றும் ஆற்றல் குறித்த விவரங்களை கொண்டுள்ளது. இந்த தரவில் உள்ள வடிவமைப்புகளை கண்டுபிடிக்க சுவாரஸ்யமாக இருக்கும்!
> புகைப்படம் <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a> மூலம் <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> இல்
> புகைப்படம் <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">மார்செலா லஸ்கோஸ்கி</a> 의해 <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">அன்ஸ்ப்ளாஷ்</a>
இந்த பாட ஸீரিজில், நீங்கள் க்லஸ்டரிங் தொழில்நுட்பங்களை பயன்படுத்தி தரவை பகுப்பாய்வு செய்வதற்கான புதிய வழிகளை கண்டுபிடிப்பீர்கள். உங்கள் தரவுத்தொகுப்பில் லேபிள்கள் இல்லாதபோது க்லஸ்டரிங் மிகவும் பயனுள்ளதாக இருக்கும். லேபிள்கள் இருந்தால், நீங்கள் முந்தைய பாடங்களில் கற்றுக் கொண்ட வகைப்பாட்டுச் சீருடைமைகளைப் பயன்படுத்துவது பயனுள்ளதாக இருக்கலாம். ஆனால் லேபிள் இல்லாத தரவை குழுக்களாக பிரிக்க விரும்பும் சூழ்நிலைகளில், க்லஸ்டரிங்கு வடிவமைப்புகளை கண்டுபிடிக்கும் சிறந்த முறையாகும்.
இந்த பாடங்களின் தொடரில், கிளஸ்டரிங் தொழில்நுட்பங்களைப் பயன்படுத்தி தரவுகளைப் பகுப்பாய்வு செய்ய புதிய வழிகளை நீங்கள் கண்டறிவீர்கள். உங்கள் தரவுத்தொகுப்பில் லேபல்கள் இல்லாதபோது கிளஸ்டரிங் மிகவும் பயனுள்ளதாக இருக்கும். லேபல்கள் இருந்தால், நீங்கள் முந்தைய பாடங்களில் கற்றுக்கொண்ட வகைப்படுத்தல் தொழில்நுட்பங்கள் அதிக பயனுள்ளதாக இருக்கலாம். ஆனால் லேபல்கள் இல்லாத தரவுகளை குழுவாக பிரிக்க முயற்சிக்கும் சந்தர்ப்பங்களில், முறைமைகளை கண்டறிவதற்கான சிறந்த வழியாக கிளஸ்டரிங் இருக்கும்.
> கிளஸ்டரிங் மாடல்களுடன் வேலை செய்வதற்கான பயிற்சியில் உதவக்கூடிய பயனுள்ள குறைந்த குறியீட்டு கருவிகள் உள்ளன. [Azure ML](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott) ஐ இந்த பணிக்காக முயற்சிக்கவும்.
> க்லஸ்டரிங் மாதிரிகள் தொடர்பாக கற்க உதவும் குறைந்தக் குறியீட்டு கருவிகள் உள்ளன. இந்தப் பணிக்காக [Azure ML ஐ முயற்சி செய்யவும்](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
இந்த பாடங்கள் 🎶 உடன் [Jen Looper](https://www.twitter.com/jenlooper) மூலம் எழுதப்பட்டவை, [Rishit Dagli](https://rishit_dagli) மற்றும் [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan) ஆகியோரின் பயனுள்ள மதிப்பீடுகளுடன்.
இந்த பாடங்கள் 🎶 [ஜென் லூப்பர்](https://www.twitter.com/jenlooper) எழுதியதாகும், மற்றும் உதவிப் பதிப்புகளை [ரிஷித் டாக்லி](https://rishit_dagli/) மற்றும் [முஹம்மது சாகிப் காண் இனான்](https://twitter.com/Sakibinan) வழங்கியுள்ளனர்.
[Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) தரவுத்தொகுப்பு Spotify-இல் இருந்து சேகரிக்கப்பட்டது மற்றும் Kaggle-இல் இருந்து பெறப்பட்டது.
[நைஜீரிய பாடல்கள்](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) தரவுத்தொகுப்பானது Spotify இலிருந்து சுரண்டப்பட்டதாக Kaggle இல் இருந்து பெறப்பட்டது.
இந்த பாடத்தை உருவாக்க உதவிய பயனுள்ள K-Means உதாரணங்களில் [iris exploration](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), [அறிமுக நோட்புக்](https://www.kaggle.com/prashant111/k-means-clustering-with-python), மற்றும் [hypothetical NGO example](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering) ஆகியவை அடங்கும்.
இந்த பாடத்தை உருவாக்க உதவிய K-மீன்ஸ் உதாரணங்களில் இந்த [ஐரிஸ் ஆய்வு](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), இந்த [அறிமுக நோட்புக்](https://www.kaggle.com/prashant111/k-means-clustering-with-python), மற்றும் இந்த [கற்பனை NGO உதாரணம்](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering) அடங்கும்.
---
**குறிப்பு**:
இந்த ஆவணம் [Co-op Translator](https://github.com/Azure/co-op-translator) என்ற AI மொழிபெயர்ப்பு சேவையைப் பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சிக்கின்றோம், ஆனால் தானியங்கி மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறான தகவல்கள் இருக்கக்கூடும் என்பதை தயவுசெய்து கவனத்தில் கொள்ளுங்கள். அதன் தாய்மொழியில் உள்ள மூல ஆவணம் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்முறை மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கங்களுக்கு நாங்கள் பொறுப்பல்ல.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**மறுப்பு**:
இந்த ஆவணம் AI மொழிபெயர்ப்பு சேவை [Co-op Translator](https://github.com/Azure/co-op-translator) பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சி செய்துள்ளோம், ஆனால் தானாக செய்யப்படும் மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறுகள் இருக்கலாம் என்பதை கவனத்தில் கொள்ளவும். அசல் ஆவணம் அதன் தாய்மொழியில் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்நுட்பமான மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கத்திற்கும் நாங்கள் பொறுப்பில்வில்லை.
நேரம் வரிசை முன்னறிவிப்பு என்றால் என்ன? இது கடந்த காலத்தின் போக்குகளை பகுப்பாய்வு செய்து எதிர்கால நிகழ்வுகளை கணிக்கப் பயன்படுகிறது.
நேர வரிசை முன்னறிவிப்பு என்பது என்ன? இது கடந்த காலத்தின் பருவநிலை சூழலைப் பகுப்பாய்வதன் மூலம் எதிர்கால நிகழ்வுகளை கணிப்பது ஆகும்.
## பிராந்திய தலைப்பு: உலகளாவிய மின்சார பயன்பாடு ✨
## பிராந்திய தலைப்பு: உலகளாவிய மின்சாரம் பயன்பாடு ✨
இந்த இரண்டு பாடங்களில், நேரம் வரிசை முன்னறிவிப்பு என்ற குறைவாக அறியப்பட்ட, ஆனால் தொழில்துறை மற்றும் வணிக பயன்பாடுகள் உள்ளிட்ட பல துறைகளுக்கு மிகவும் மதிப்புமிக்க ஒரு இயந்திரக் கற்றல் பகுதியை அறிமுகப்படுத்துகிறோம். நரம்பு வலைகளை (neural networks) இந்த மாதிரிகளின் பயன்பாட்டை மேம்படுத்த பயன்படுத்தலாம், ஆனால் கடந்தகாலத்தின் அடிப்படையில் எதிர்கால செயல்திறனை கணிக்க உதவும் மாதிரிகளை பாரம்பரிய இயந்திரக் கற்றல் (classical machine learning) சூழலில் நாம் ஆய்வு செய்வோம்.
இந்த இரண்டு பாடங்களில், நீங்கள் நேர வரிசை முன்னறிவிப்புடன் அறிமுகம் செய்யப்படுவீர்கள், இது இயந்திர கற்றலின் ஒரு அற்புதமான பகுதி ஆகும், ஆனால் தொழில் மற்றும் வணிக பயன்பாடுகளுக்கு மிகவும் மதிப்பிடத்தக்கது. நியூரல் நெட்வொர்க்குகளை இந்த மாதிரிகளின் பயன்திறனை மேம்படுத்த பயன்படுத்தலாம், ஆனால் நாம் பாரம்பரிய இயந்திர கற்றல் சூழலில் அவற்றைக் கற்கப்போகிறோம், ஏனெனில் கடந்தகாலத்தின் அடிப்படையில் எதிர்கால செயல்திறனை கணிக்க இது உதவுகிறது.
நாம் கவனம் செலுத்தும் பிராந்தியப் பகுதி உலகின் மின்சார பயன்பாடு ஆகும், இது கடந்த கால சுமை (load) முறைமைகளின் அடிப்படையில் எதிர்கால மின்சார பயன்பாட்டை முன்னறிவிக்க கற்றுக்கொள்ள ஒரு சுவாரஸ்யமான தரவுத்தொகுப்பாகும். இந்த மாதிரியான முன்னறிவிப்பு வணிக சூழலில் மிகவும் பயனுள்ளதாக இருக்க முடியும் என்பதை நீங்கள் காணலாம்.
நமது பிராந்திய கவனம் உலகிலுள்ள மின் பயன்பாட்டில் உள்ளது, இது கடந்தபோக்கு மின்னுணர்ச்சி வரம்புகளின் முறைபாடுகளின் அடிப்படையில் எதிர்கால மின் பயன்பாட்டை முன்னறிவிப்பதற்கான ஒரு சுவாரஸ்யமான தரவுத்தொகுப்பாகும். இது வர்த்தக சூழலில் மிகுந்த உதவியாக இருக்கக்கூடியதாக உதாரணமாகக் காணலாம்.
இந்தியாவின் ராஜஸ்தானில் சாலையில் மின்சார கோபுரங்களைப் பற்றிய [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) எடுத்த புகைப்படம் [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) மூலம்.
ஃபோட்டோ [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) அவர்களால், ராஜஸ்தானில் ஒரு சாலையில் உள்ள மின் துறையினர் கோபுரங்களின் படம் [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
## பாடங்கள்
1. [நேரம் வரிசை முன்னறிவிப்பு அறிமுகம்](1-Introduction/README.md)
2. [ARIMA நேரம் வரிசை மாதிரிகளை உருவாக்குதல்](2-ARIMA/README.md)
3. [நேரம் வரிசை முன்னறிவிப்புக்கான ஆதரவு வெக்டார் ரிக்ரெசர் உருவாக்குதல்](3-SVR/README.md)
1. [நேர வரிசை முன்னறிவிப்பிற்கு அறிமுகம்](1-Introduction/README.md)
2. [ARIMA நேர வரிசை மாதிரிகளை உருவாக்குதல்](2-ARIMA/README.md)
3. [நேர வரிசை முன்னறிவிப்பிற்கான ஆதரவு வெக்டர் ரெக்ரெசர் கட்டமைத்தல்](3-SVR/README.md)
## க்ரெடிட்ஸ்
## கடன்
"நேரம் வரிசை முன்னறிவிப்பு அறிமுகம்" [Francesca Lazzeri](https://twitter.com/frlazzeri) மற்றும் [Jen Looper](https://twitter.com/jenlooper) ஆகியோரால் ⚡️ எழுதப்பட்டது. இந்த நோட்புக்குகள் முதலில் [Azure "Deep Learning For Time Series" repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) இல் Francesca Lazzeri எழுதியதாக ஆன்லைனில் தோன்றின. SVR பாடம் [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) எழுதியது.
"நேர வரிசை முன்னறிவிப்பிற்கு அறிமுகம்" என்பது ⚡️ மூலம் [Francesca Lazzeri](https://twitter.com/frlazzeri) மற்றும் [Jen Looper](https://twitter.com/jenlooper) எழுதியது. இந்த நோட்புக்குகள் முதன்முதலில் [Azure "Deep Learning For Time Series" ரெப்போ](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) ஆன்லைனில் தோன்றின, இது முதலில் Francesca Lazzeri எழுதியது. SVR பாடத்தை [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) எழுதியுள்ளார்.
---
**குறிப்பு**:
இந்த ஆவணம் [Co-op Translator](https://github.com/Azure/co-op-translator) என்ற AI மொழிபெயர்ப்பு சேவையைப் பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சிக்கிறோம், ஆனால் தானியக்க மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறான தகவல்கள் இருக்கக்கூடும் என்பதை தயவுசெய்து கவனத்தில் கொள்ளுங்கள். அதன் தாய்மொழியில் உள்ள மூல ஆவணம் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்முறை மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கங்களுக்கு நாங்கள் பொறுப்பல்ல.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**மறுப்பு**:
இந்த ஆவணம் AI மொழிபெயர்ப்பு சேவை [Co-op Translator](https://github.com/Azure/co-op-translator) பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சி செய்துள்ளோம், ஆனால் தானாக செய்யப்படும் மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறுகள் இருக்கலாம் என்பதை கவனத்தில் கொள்ளவும். அசல் ஆவணம் அதன் தாய்மொழியில் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்நுட்பமான மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கத்திற்கும் நாங்கள் பொறுப்பில்வில்லை.
> இந்த களஞ்சியத்தில் 50+ மொழி மொழிபெயர்ப்புகள் உள்ளன, அவை பதிவிறக்க அளவை பெரிதாக அதிகரிக்கின்றன. மொழிபெயர்ப்புகள் இல்லாமல் கிளோன் செய்ய, sparse checkout பயன்படுத்தவும்:
> இந்த ரெப்போசிடரி 50+ மொழி மொழிபெயர்ப்புகளை கொண்டுள்ளது, இது பதிவிறக்கம் அளவை முக்கியமாக அதிகரிக்கிறது. மொழிபெயர்ப்புகள் இல்லாமல் கிளோன் செய்ய sparse checkout பயன்படுத்தவும்:
நாங்கள் ஒரு Discord "AI உடன் கற்றல்" தொடரை நடத்துகிறோம், மேலும் அறிய மற்றும் எங்களுடன் சேர [Learn with AI Series](https://aka.ms/learnwithai/discord) செப்டம்பர் 18 - 30, 2025 வரை. இதில் GitHub Copilotஐ புள்ளிவிவர அறிவியலுக்குப் பயன்படுத்துவதற்கான குறிப்பும் நடைமுறைகளும் கிடைக்கும்.
நாங்கள் ஒரு Discord learn with AI தொடர் நடத்தியுள்ளோம், மேலும் அறிந்து சேர [Learn with AI Series](https://aka.ms/learnwithai/discord) 18 - 30 செப்டம்பர், 2025 அன்று. நீங்கள் GitHub Copilot பயன்படுத்துவதற்கான உதவிக் குறிப்புகளையும் அறிவுக்களையும் பெறுவீர்கள்.
# துவக்கர்களுக்கான இயந்திரக் கற்றல் - ஒரு பாடத்திட்டம்
# புதுமுகர்களுக்கான மெஷின் லேர்னிங் - ஒரு பாடத்திட்டம்
> 🌍 உலகப்புகழ்பெற்ற பண்பாடுகளின் வழியாக இயந்திரக் கற்றலை ஆராய்ந்து உலகம் முழுவதும் பயணம் செய்யுங்கள் 🌍
> 🌍 உலக கலாச்சாரங்களின் மூலம் மெஷின் லேர்னிங் பயணம்செய்யுங்கள் 🌍
மைக்ரோசாஃப்ட் கிளவுட் ஆதரவாளர்கள் 12 வாரங்கள் நீளும் 26 பாடங்களைக் கொண்டு உங்களுக்கான **இயந்திரக் கற்றல்** பாடத்திட்டத்தை வழங்குகின்றனர். இந்த பாடத்திட்டத்தில் நீங்கள் சில நேரங்களில் **சாதாரணக் கற்றல்** என்று அழைக்கப்படும் ஒரு படி கற்றலைப் பற்றி கற்கப்போகிறீர்கள், இது பெரும்பாலும் Scikit-learn நூலகத்தை பயன்படுத்தி, ஆழமான கற்றலைத் தவிர்த்து அமைக்கப்பட்டுள்ளது, ஆழ்ந்த கற்றல் பற்றிய பாடங்கள் எங்கள் [AI for Beginners' curriculum](https://aka.ms/ai4beginners) இல் உள்ளன. இந்த பாடங்களுடன் எங்கள் ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) ஐ இணைக்கவும்!
Microsoft இல் உள்ள Cloud Advocates குழு 12 வார 26 பாடங்களை உள்ளடக்கிய **மெஷின் லேர்னிங்** குறித்து முழு பாடத்திட்டத்தை வழங்குகிறார்கள். இந்த பாடத்திட்டத்தில், பொதுவாக "கிளாசிக் மெஷின் லேர்னிங்" என்று அழைக்கப்படும், பெரும்பாலும் Scikit-learn நூலகத்தை பயன்படுத்தி, தீவிர கற்றல் தவிர்க்கப்படும், இது எங்கள் [AI for Beginners' பாடத்திட்டத்தில்](https://aka.ms/ai4beginners) உள்ளது. இந்தப் பாடங்களை எங்கள் ['Data Science for Beginners' பாடத்திட்டத்துடன்](https://aka.ms/ds4beginners) இணைத்து பயன்படுத்தவும்!
உலகின் பல்வேறு பகுதிகளிலிருந்து தரவுகளைச் கொண்டு நாம் இந்த சாதாரண நுட்பங்களை பயன்படுத்தி உலகம் முழுவதும் பயணம் செய்யலாம். ஒவ்வொரு பாடத்திலும் முன் மற்றும் பின் பாடத் தேர்வுகள், முழுமையாக எழுதப்பட்ட பாட வழிகாட்டல்கள், விடை, பணிகள் மற்றும் மேலும் பலவை உள்ளடக்கியுள்ளன. எங்கள் திட்டம் சார்ந்த பாசுரவியல் உங்களுக்கு புதிய திறன்களை கட்டியெழுப்பும் சிறந்த வழிமுறையைக் கற்றுக்கொள்ள உதவும்.
உலகத்தின் பல பகுதிகளிலிருந்து தரவுகளை கொண்டு இந்த klassieke முறைகளை பயன்படுத்தி எங்களுக்கு பயணம் செய்யுங்கள். ஒவ்வொரு பாடத்திலும் முன்னிளக்கம் மற்றும் பின்னணி வினாக்கள், எழுதப்பட்ட அறிவுரைகள், ஒரு தீர்வு, ஒரு பணியிடு உள்ளிட்டவை உள்ளன. எங்கள் திட்டஅடிப்படையிலான கற்றல் முறையால் நீங்கள் கட்டும்போது கற்றுக்கொள்ள முடியும், இது புதிய திறன்களை நிலையாக பெற உதவும்.
**✍️ எங்கள் எழுத்தாளர்களுக்கு ஆழ்ந்த நன்றி** ஜென் லூப்பர், ஸ்டீபன் ஹாவெல், பிரான்செஸ்கா லாஸ்ஸெரி, டொமொமி இமுரா, காசி பிரேவி, கட்மிற் சொஷ்நிக்கோவ், கிரிஸ் போலோயிங், அனிர்பன் முகர்ஜி, ஓர்னெல்லா அல்டுன்யான், ரூத் யாகுபு மற்றும் ஏமி பாராய்ட்
**✍️ எங்கள் எழுத்தாளர்களுக்கு பாராட்டுக்கள்** ஜென் லூப்பர், ஸ்டீபன் ஹவல், பிரான்செஸ்கா லாஜெரி, தோமாமி இமுரா, காச்சி பிரெவியு, ட்மிட்ரி சோஷ்னிக்கோவ், கிறிஸ் நொரிங், அனிர்பான் முகர்ஜி, அற்னல்லா ஆல்டுன்யான், ரூத் யாக்குபு மற்றும் ஆமி போய்ட்
**🎨 எங்கள் வரைபடக்கலைஞர்களுக்கும் நன்றி** டொமொமி இமுரா, தசானி மாதிபள்ளி மற்றும் ஜென் லூப்பர்
**🎨 எங்கள் வரைப்பாளர்களுக்கு நன்றி** தோமாமி இமுரா, தசானி மதிபள்ளி மற்றும் ஜென் லூப்பர்
**🙏 சிறப்பு நன்றி 🙏 எங்கள் மைக்ரோசாஃப்ட் மாணவர் தூதர்கள் எழுத்தாளர்கள், மதிப்பாய்வாளர்கள், மற்றும் உள்ளடக்க பங்களிப்பாளர்கள்**, குறிப்பாக ரிஷித் டகலி, முகமது சகிப் கான் இனான், ரோகான் ராஜ், அலெக்ஸாண்ட்ரு பெட்ரெஸ்கு, அபிஷேக் ஜெய்ச்வால், நவ்ரின் தபாச்சும், இவான் சமுவிலா மற்றும் சினிக்தா அகர்வால்
**🙏 சிறப்பு நன்றி 🙏 எங்கள் Microsoft மாணவர் அம்பாசடர் எழுத்தாளர்கள், மதிப்பாய்வாளர்கள் மற்றும் உள்ளடக்க பங்குதாரர்களுக்கு**, குறிப்பாக ரிஷித் டாக்ளி, முகம்மத் சாகிப் கான் இனான், ரோகன் ராஜ், அலெக்ஸாண்ட்ரு பெட்ரெஸ்கு, அபிஷேக் ஜெய்ஸ்வால், நவரின் தபசும், ஐஒன் சமுயிலா மற்றும் ஸ்நிக்தா அகர்வால்
**🤩 கூடுதல் நன்றி எங்கள் Microsoft Student Ambassadors எரிக் வஞ்சாவ், ஜாஸ்லீன் சோந்தி மற்றும் விதுஷி குப்தா எங்கள் R பாடங்களுக்கு!**
**🤩 எங்கள் R பாடங்களுக்கு Microsoft மாணவர் அம்பாசடர்கள் எரிக் வான்ஜாவ், ஜாஸ்லீன் சொந்தி மற்றும் விடுஷி குப்தா அவர்களுக்கு கூடுதல் நன்றி!**
# தொடங்குதல்
# துவக்கம்
இந்த படிகளை பின்பற்றவும்:
1. **களஞ்சியத்தை Fork செய்யவும்**: இந்தப் பக்கத்தின் வலது மேல் மூலைகணையில் உள்ள "Fork" பொத்தானைக் க்ளிக் செய்யவும்.
> [இந்த பாடத்திட்டத்திற்கு அனைத்து கூடுதல் வளங்களையும் எமது Microsoft Learn சேகரிப்பில் காணவும்](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 💡 **விரைவான துவக்கம் குறிப்பு:** உங்கள் கணினியில் Python அமைக்காம χωρίς உலாவியில் துவங்க விரும்புகிறீர்களா? உங்கள் ஃபோர் க்குக்காக [GitHub Codespaces](https://github.com/features/codespaces) பயன்படுத்தி ஒரு கிளவுட் மேம்பாட்டு சூழலை உருவாக்குங்கள். பச்சை **Code** மெனுவை திறந்து, **Codespaces** தேர்ந்தெடுத்து ஒரு codespace உருவாக்குங்கள்; தேவைக்கேற்ப ஒவ்வொரு பாடத்திற்கும் தேவையான சார்வுகளை அதில் நிறுவுங்கள்.
> 🔧 **உதவி வேண்டும்?** கணினியில் உள்ள கட்டமைப்பு, அமைப்பு மற்றும் பாடங்களை இயக்கும் பொதுவான பிரச்சினைகளுக்கான தீர்வுகளுக்காக எங்கள் [பிரச்சினை தீர்க்கும் கையேட்டை](TROUBLESHOOTING.md) பார்க்கவும்.
> [இந்த பாடத்திட்டத்திற்கான அனைத்து கூடுதல் வளங்களையும் எங்கள் Microsoft Learn தொகுப்பில் காண்க](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **உதவி தேவைவா?** நிறுவல், அமைப்பு மற்றும் பாடங்களை இயக்குவதற்கான பொதுவான சிக்கல்களுக்கான தீர்வுகளை எங்கள் [பிரச்சினைத் தீர்வு கையேட்டில்](TROUBLESHOOTING.md) பார்க்கவும்.
**[மாணவர்கள்](https://aka.ms/student-page)**, இந்த பாடத்திட்டத்தை பயன்படுத்த, முழு களஞ்சியத்தையும் உங்கள் சொந்த GitHub கணக்கில் fork செய்து தனிமையாக அல்லது குழுவாக பயிற்சிகளை செய்யவும்:
- ஒரு முன்-பாடத் தேர்ச்சியுடன் தொடங்கவும்.
- பாடங்களை வாசித்து செயல்பாடுகளை முடிக்கவும், ஒவ்வொரு அறிவுக் கட்டுப்பாடிலும் இடைநிறுத்தி சிந்திக்கவும்.
- தீர்வு குறியீட்டை இயக்குவதற்குப் பதிலாக பாடங்களை புரிந்து கொண்டு திட்டங்களை உருவாக்க முயற்சிக்கவும்; ஆனால் அந்த குறியீடு ஒவ்வொரு திட்டம் சார்ந்த பாடத்திலும் `/solution` கோப்புறையில் கிடைக்கும்.
- பாடம் முடிந்த பிறகு ஒரு பின்-பாடத் தேர்வை எடுத்துக்கொள்ளவும்.
- சவால் செய்து முடிக்கவும்.
- பணிகளை நிறைவேற்றவும்.
- பாட உறுப்பு முடிந்ததும், [விவாத பலகையை](https://github.com/microsoft/ML-For-Beginners/discussions) கிழக்கு கிளிக் செய்து தத்ரூபமாக 'PAT' மதிப்பீட்டு கருவி (Progress Assessment Tool) ஆல் உங்கள் கற்றலை வெளிப்படுத்தவும். 'PAT' என்பது நீங்கள் நிறைவேற்றும் ஒரு மதிப்பீட்டு வடிவம். மற்ற PAT களுக்கும் பதிலளித்து நாம் ஒன்றாக கற்றுக் கொள்ளலாம்.
**[மாணவர்கள்](https://aka.ms/student-page)**, இந்த பாடத்திட்டத்தை பயன்படுத்த, முழுமையான ரெப்போவை உங்கள் சொந்த GitHub கணக்குக்கு ஃபோர்க் செய்து, தனியாக அல்லது குழுவுடன் பயிற்சிகளை முடிக்கவும்:
> மேலதிகக் கற்றலை விரும்பினால், இந்த [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) தொகுப்புகள் மற்றும் கற்றல் பாதைகளை பின்பற்ற பரிந்துரைக்கிறோம்.
- முன்னுணர்க வினாத்தாளுடன் துவங்குங்கள்.
- உரையைப் படித்து, செயல்பாடுகளை முடிக்கவும், ஒவ்வொரு அறிவு சோதனை இடைவெளி இடும்.
- மூலக் குறியீட்டை இயக்குாமல் பாடங்களைக் கற்றுக்கொண்டு திட்டங்களை உருவாக்க முயற்சிக்கவும்; ஆனால் அந்த குறியீடு ஒவ்வொரு திட்ட சார்ந்த பாடத்திற்கும் `/solution` கோப்புறையில் கிடைக்கும்.
- பின்னணி வினாத்தாளை எடுத்துக்கொள்ளவும்.
- சவாலை முடிக்கவும்.
- பணியிடை முடிக்கவும்.
- ஒரு பாடக் குழு முடிந்ததும், [உரையாடல் பலகை](https://github.com/microsoft/ML-For-Beginners/discussions) தளத்தில் சென்று "பேசிக் கற்றல்" - PAT ரூப்ரிக் நிரப்பவும். 'PAT' என்பது முன்னேற்ற மதிப்பீட்டு கருவி, இது உங்கள் கற்றலை மேலும் மேம்படுத்த உதவும். மற்ற PAT களுக்கும் எதிர்வினை தெரிவிக்கலாம், இதனால் நாம் ஒன்றாக கற்றுக்கொள்வோம்.
**ஆசிரியர்கள்**, இந்த பாடத்திட்டத்தை எப்படி பயன்படுத்துவது பற்றி சில [சூழலை](for-teachers.md) எங்களால் வழங்கியுள்ளோம்.
> மேலதிக படிப்பிற்கு, இவற்றை பின்தொடர்முறை பரிந்துரைக்கின்றோம்: [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) தொகுப்புகள் மற்றும் கற்றல் பாதைகள்.
**பாடநெறியாளர்கள்**, இந்த பாடத்திட்டத்தை எவ்வாறு பயன்படுத்துவது என்பது குறித்த [சில பரிந்துரைகளை](for-teachers.md) சேர்த்துள்ளோம்.
---
## வீடியோ வழிகாட்டல்கள்
## வீடியோ நடைமுறைப்பரிசு
சில பாடங்கள் குறுகிய ஆவணப்படிவ வீடியோவாக கிடைக்கின்றன. இவற்றை பாடங்களில் நேரடியாக பார்வையிடவோ அல்லது [Microsoft Developer YouTube சேனல்上的 ML for Beginners பிளேலிஸ்டில்](https://aka.ms/ml-beginners-videos) கீழே உள்ள படத்தை கிளிக் செய்து பார்க்கலாம்.
சில பாடங்கள் குறுகிய வடிவ வீடியோவாகக் கிடைக்கின்றன. இவை அனைத்தும் பாடக்குறிப்புகளில் நேரடியாக, அல்லது [Microsoft Developer YouTube சேனலிலுள்ள ML for Beginners காட்சிப்பட்டியலில்](https://aka.ms/ml-beginners-videos) கீழ்காணும் படத்தை கிளிக் செய்து காணலாம்.
[](https://aka.ms/ml-beginners-videos)
> 🎥 இந்த படத்தை கிளிக் செய்து திட்டம் மற்றும் அதை உருவாக்கியவர்கள் பற்றிய வீடியோவைப் பார்வையிடவும்!
> 🎥 மேலே உள்ள படத்தை கிளிக் செய்து, திட்டம் மற்றும் அதை உருவாக்கியவர்களைப் பற்றிய வீடியோவைப் பாருங்கள்!
---
## பாசுரவியல்
## கல்வி முறைகள்
இந்த பாடத்திட்டத்தை உருவாக்கும்போது, இரண்டு பாசுரவியல் கொள்கைகளை நாம் தேர்ந்தெடுத்திருக்கிறோம்: இது கையெழுத்து செய்யக்கூடிய, **திட்டம் சார்ந்த** மாதிரி இருக்க வேண்டும் மற்றும் அதில் **அடிக்கடி தேர்வுகள்** இடம்பெற வேண்டும். கூடுதலாக, இந்த பாடத்திட்டத்திற்கு ஒரே **தீம்** உள்ளது, அது ஒருங்கிணைக்கும் வகையில்.
இந்த பாடத்திட்டத்தை உருவாக்கும்போது நாங்கள் இரண்டு கல்வி கொள்கைகளை தேர்ந்தெடுத்துள்ளோம்: கையேடு சிறப்பிக்கும் **திட்ட அடிப்படையிலான** கற்றல் மற்றும் **அடிக்கடி வினாக்கள்** சேர்த்தல். கூடுதலாக, இந்த பாடத்திட்டத்தின் ஒரு பொதுவான **தீம்** உள்ளது.
உள்ளடக்கங்கள் திட்டங்களுக்கு இணங்கும் வகையில் அமைந்ததால் மாணவர்களுக்கு சுவாரஸ்யமானதாகவும் கருத்துக்கள் நிலைத்து நிறுத்தத்திற்கும் இருக்கும். வகுப்புக்கு முன் குறைந்த இடர்பாடும் உள்ள தேர்வு மாணவரின் கற்றல் மனநிலையை அமைக்கும், வகுப்புக்குப் பிறகு இரண்டாவது தேர்வு மேலதிக நினைவாற்றலுக்கு உதவும். இந்த பாடத்திட்டம் வளைந்தும் சந்தோஷமாகவும் இருக்கும் வகையில் வடிவமைக்கப்பட்டுள்ளது மற்றும் முழுமையாக அல்லது பகுதி பகுதி எடுத்துக் கொள்ளலாம். 12 வார சுழற்சியின் நிறைவில் திட்டங்கள் சிறியதிலிருந்து வேகமாக கூர்மையானதாக மாறும். மேலும் இங்கு இயந்திரக் கற்றல் விருப்பப் புள்ளிகளின் பயன்பாடுகளுக்கும் ஒரு பின்னூட்டமும் உள்ளது, இதை கூடுதல் ക്രெடிட் ஆகவோ அல்லது விவாதத்துக்குப் பயன்படுத்தலாம்.
உள்ளடக்கம் திட்டங்களுடன் ஒத்துழைப்பதால், மாணவர்கள் அதிக ஈடுபாடு தெளிவாகவும், கருத்துகளின் நினைவுதிறன் அதிகரிக்கும். ஒரு வகுப்புக்கு முன்பான குறைந்த-அவை வினாத்தாள், மாணவரின் கற்றல் நோக்கத்தைக் கட்டமைத்து, வகுப்புக்குப் பின் இன்னொரு வினாத்தாள் நினைவாற்றலை உறுதிப்படுத்தும். இந்த பாடத்திட்டம் துரிதசாத்திய மற்றும் பொழுதுபோக்கு என வடிவமைக்கப்பட்டுள்ளது; முழுவதும் அல்லது ஒரு பகுதி மட்டும் எடுத்துக் கொள்ளலாம். திட்டங்கள் சிறிய அளவில் துவங்கி, 12 வார முடிவில் கடினமாக மாறுகின்றன. இன்னும், இந்த பாடத்திட்டத்தில் நிஜ உலக பயன்பாடுகள் குறித்த ஒரு பின்பொருள் உள்ளது, இது கூடுதல் கிரெடிட் அல்லது கலந்துரையாடல் அடிப்படையாக பயன்படுத்தலாம்.
> எங்கள் [நெறிமுறை](CODE_OF_CONDUCT.md), [பங்களிப்பு](CONTRIBUTING.md), [மொழிபெயர்ப்புகள்](..), மற்றும் [பிரச்சினை தீர்க்கும் வழிகாட்டிகள்](TROUBLESHOOTING.md) காணவும். உங்கள் கட்டுமானமான கருத்துக்களை வரவேற்கிறோம்!
> எங்கள் [நடத்தைக் கோட்பாடு](CODE_OF_CONDUCT.md), [பங்களிப்பு](CONTRIBUTING.md), [மொழிபெயர்ப்புகள்](..), மற்றும் [சிக்கல்தீர்க்கல்](TROUBLESHOOTING.md) வழிகாட்டிகள் காண்க. உங்கள் கட்டுமான கருத்துக்களை நாங்கள் அன்புடன் வரவேற்கின்றோம்!
> **மொழிகள் பற்றி ஒரு குறிப்புரை**: இந்த பாடங்கள் முதன்மையாக Python-ல் எழுதப்பட்டிருக்கின்றன, ஆனால் பலவும் R-ல் கிடைக்கின்றன. ஒரு R பாடத்தை முடிக்க, `/solution` கோப்பகத்துக்கு சென்று R பாடங்களை தேடுங்கள். அவற்றில் ஒரு .rmd நீட்சியுடைய файл உள்ளது, அது ஒரு **R மார்க்டவுன்** கோப்பாகும், இது `code chunks` (R அல்லது பிற மொழிகளின்) மற்றும் ஒரு `YAML header` (PDF போன்ற அவுட்புட்களை எப்படிப்பட்ட முறையில் உருவாக்குவது என்பதை வழிநடத்தும்) கொண்ட ஒரு `Markdown document` என்று எளிதாக வரையறுக்கப்படலாம். அதனால், இது தரவியல் அறிவியலுக்காக ஒரு சிறந்த எழுத்து வடிவமைப்பு கருவியாக இருந்து உங்கள் குறியீடு, அதன் அவுட்புட்கள் மற்றும் உங்கள் எண்ணங்களை மார்க்டவுனில் எழுதுவதன் மூலம் இணைக்க அனுமதிக்கிறது. கூடவே, R மார்க்டவுன் கோப்புகள் PDF, HTML, அல்லது Word போன்ற வெளியீটுக் கோப்புகளாக உருவாக்கப்படலாம்.
- திட்ட அடிப்படையிலான பாடங்களுக்கு, திட்டத்தை உருவாக்கும் படி ஒவ்வொரு படி வழிகாட்டுதல்கள்
- அறிவு சோதனைகள்
- ஒரு சவால்
- மேலதிக படிப்பு
- பணியிடு
- [பாடத்துக்குப் பின் வினாத்தாள்](https://ff-quizzes.netlify.app/en/ml/)
> **மொழிகள் குறித்த குறிப்பு**: இந்த பாடங்கள் பெரும்பாலும் Python-ல் எழுதப்பட்டவை, ஆனால் பல பாடங்கள் R-ல் கிடைக்கின்றன. R பாடத்தை முடிக்க, `/solution` கோப்புறையை சென்று R பாடங்களைத் தேடு. அவற்றில் .rmd நீட்டிப்பு உள்ளது, இது **R மார்க்டவுன்** கோப்பாகும், இது `code chunks` (R அல்லது பிற மொழிகள்), மற்றும் `YAML header` (PDF போன்ற வெளிப்பாடுகளை அமைப்பதற்கான) ஆகியவற்றின் ஒட்டுமொத்தமான இணைப்பு என்று விளக்கப்படலாம். இதன் மூலம் உங்கள் குறியீடு, அதன் வெளியீடு, மற்றும் உங்கள் எண்ணங்களை மார்க்டவுனில் எழுதுவதால் ஒரே கோப்பில் சேமிக்க முடியும். மேலும், R மார்க்டவுன் கோப்புகள் PDF, HTML, அல்லது Word போன்ற வெளிப்பாடு வடிவங்களில் மாற்றப்படலாம்.
> **க்விஸ் பற்றிய குறிப்புரை**: அனைத்து க்வில்களும் [Quiz App கோப்பகத்தில்](../../quiz-app) உள்ளன, மொத்தம் 52 க்விஸ்கள், ஒவ்வொன்றும் மூன்று கேள்விகள் கொண்டவை. அவை பாடங்களில் இருந்து இணைக்கப்பட்டுள்ளன ஆனால் க்விஸ் செயலியை உள்ளூர் கருவியில் இயக்கலாம்; `quiz-app` கோப்பகத்தில் உள்ள வழிமுறைகளை பின்பற்ற, உள்ளூர் உலாவல் மூலம் ஹோஸ்ட் செய்ய அல்லது Azure இல் பிரசாரம் செய்யலாம்.
> **வினாத்தாள் குறித்த குறிப்பு**: அனைத்து வினாத்தாள்களும் [Quiz App கோப்புறையில்](../../quiz-app) உள்ளன, ஒவ்வொரு வினாத்தாளும் மூன்று கேள்விகளுடன் மொத்தம் 52 வினாத்தாள்கள் உள்ளன. அவை பாடங்களில் இணைக்கப்பட்டுள்ளன, ஆனால் வினாத்தாள் பயன்பாட்டை உள்ளகமாக இயக்கலாம்; அதற்கான வழிமுறைகள் `quiz-app` கோப்புறையில் உள்ளன, உங்களுக்கு ஏற்ற வகையில் உள்ளகமாக நடத்தலாம் அல்லது Azure-க்கு வெளியிடலாம்.
| பாட எண்ணிக்கை | தலைப்பு | பாட குழுமம் | கற்றல் நோக்கங்கள் | இணைக்கப்பட்ட பாடம் | ஆசிரியர் |
| பாட எண் | பொருள் | பாட குழு | கற்றல் குறிக்கோள்கள் | இணைக்கப்பட்ட பாடம் | எழுத்தாளர் |
| 01 | மெஷின் லெர்னிங்க்கு அறிமுகம் | [அறிமுகம்](1-Introduction/README.md) | மெஷின் லெர்னிங்கின் அடிப்படையான கருத்துக்களை கற்றுக்கொள்வது | [பாடம்](1-Introduction/1-intro-to-ML/README.md) | முகம்மது |
| 02 | மெஷின் லெர்னிங்கின் வரலாறு | [அறிமுகம்](1-Introduction/README.md) | இந்த துறையின் வரலாற்றை அறியவும் | [பாடம்](1-Introduction/2-history-of-ML/README.md) | ஜென் மற்றும் ஏமி |
| 03 | நியாயமான மற்றும் மெஷின் லெர்னிங் | [அறிமுகம்](1-Introduction/README.md) | நியாயத்தைக் குறிக்கும் முக்கிய தத்துவக் குறைகள் என்ன, மாணவர்கள் எல்.எம். மாதிரிகளை உருவாக்கும் போது பரிந்துரைக்க வேண்டும்? | [பாடம்](1-Introduction/3-fairness/README.md) | தோமோமி |
| 04 | மெஷின் லெர்னிங்குக்கான தொழில்நுட்பங்கள் | [அறிமுகம்](1-Introduction/README.md) | எல்.எம். மாதிரிகளை உருவாக்க எவ்வகை தொழில்நுட்பங்களை ஆராய்ச்சியாளர்கள் பயன்படுத்துகின்றனர்? | [பாடம்](1-Introduction/4-techniques-of-ML/README.md) | கிறிஸ் மற்றும் ஜென் |
| 05 | ரெக்ரெஷனுக்கான அறிமுகம் | [Regression](2-Regression/README.md) | ரெக்ரெஷன் மாதிரிகளுக்கான பைதான் மற்றும் Scikit-learn பயன்படுத்தி துவக்கம் | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | ஜென் மற்றும் எரிக் வஞ்சாவ் |
| 06 | வட அமெரிக்க மதுளங்காய் விலை 🎃 | [Regression](2-Regression/README.md) | மெஷின் லெர்னிங்குக்கு முன்னர் தரவு பார்வையிட்டு தூய்மையாக்கல் | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | ஜென் மற்றும் எரிக் வஞ்சாவ் |
| 07 | வட அமெரிக்க மதுளங்காய் விலை 🎃 | [Regression](2-Regression/README.md) | நேரியல் மற்றும் பன்முக ரெக்ரெஷன் மாதிரிகளை உருவாக்குக | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | ஜென் மற்றும் Dmitry • எரிக் வஞ்சாவ் |
| 08 | வட அமெரிக்க மதுளங்காய் விலை 🎃 | [Regression](2-Regression/README.md) | லாஜிஸ்டிக் ரெக்ரெஷன் மாதிரியை உருவாக்குக | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | ஜென் மற்றும் எரிக் வஞ்சாவ் |
| 09 | ஒரு வலை பயன்பாடு 🔌 | [Web App](3-Web-App/README.md) | உங்கள் பயிற்சியளிக்கப்பட்ட மாதிரியை பயன்படுத்தி ஒரு வலைப் பயன்பாட்டை உருவாக்கவும் | [Python](3-Web-App/1-Web-App/README.md) | ஜென் |
| 10 | வகைப்பாடு அறிமுகம் | [Classification](4-Classification/README.md) | உங்கள் தரவைத் தூய்மையாக்கி, தயாரித்து பார்வையிடவும்; வகைப்பாட்டுக்கான அறிமுகம் | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | ஜென் மற்றும் காசி • எரிக் வஞ்சாவ் |
| 11 | சுவையான ஆசிய மற்றும் இந்திய சமையல்கள் 🍜 | [Classification](4-Classification/README.md) | வகைப்பாளர்களுக்கு அறிமுகம் | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | ஜென் மற்றும் காசி • எரிக் வஞ்சாவ் |
| 12 | சுவையான ஆசிய மற்றும் இந்திய சமையல்கள் 🍜 | [Classification](4-Classification/README.md) | இன்னும் வகைப்பாளர்கள் | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | ஜென் மற்றும் காசி • எரிக் வஞ்சாவ் |
| 13 | சுவையான ஆசிய மற்றும் இந்திய சமையல்கள் 🍜 | [Classification](4-Classification/README.md) | உங்கள் மாதிரியை பயன்படுத்தி பரிந்துரையளிக்கும் வலைப்பயன்பாட்டை உருவாக்கவும் | [Python](4-Classification/4-Applied/README.md) | ஜென் |
| 14 | குழுக்களுக்கான அறிமுகம் | [Clustering](5-Clustering/README.md) | உங்கள் தரவை தூய்மையாக்கி, தயாரித்து பார்வையிடவும்; குழுக்களுக்கான அறிமுகம் | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | ஜென் மற்றும் எரிக் வஞ்சாவ் |
| 15 | நைஜீரிய இசை ருசிகளை ஆராய்தல் 🎧 | [Clustering](5-Clustering/README.md) | K-Means குழுவிடல் முறையை ஆராயவும் | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | ஜென் மற்றும் எரிக் வஞ்சாவ் |
| 16 | இயற்கை மொழி செயலாக்கத்தின் அறிமுகம் ☕️ | [Natural language processing](6-NLP/README.md) | ஒரு எளிய பாட்டை உருவாக்கி NLP அடிப்படைகளை கற்றுக்கொள் | [Python](6-NLP/1-Introduction-to-NLP/README.md) | ஸ்டீபன் |
| 17 | பொதுவான NLP பணிகள் ☕️ | [Natural language processing](6-NLP/README.md) | மொழி அமைப்புகளுடன் வேலை செய்யும்போது தேவையான பொதுவான பணிகளை புரிந்து NLP அறிவை ஆழப்படுத்துக | [Python](6-NLP/2-Tasks/README.md) | ஸ்டீபன் |
| 18 | மொழிபெயர்ப்பு மற்றும் உணர்வு பகுத்தறிதல் ♥️ | [Natural language processing](6-NLP/README.md) | ஜேன் ஆஸ்டின் உடன் மொழிபெயர்ப்பு மற்றும் உணர்வு பகுத்தறிதல் | [Python](6-NLP/3-Translation-Sentiment/README.md) | ஸ்டீபன் |
| 19 | ஐரோப்பாவின் காதலான ஹோட்டல்கள் ♥️ | [Natural language processing](6-NLP/README.md) | ஹோட்டல் மதிப்பாய்வுகளுடன் உணர்வு பகுத்தறிதல் 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | ஸ்டீபன் |
| 20 | ஐரோப்பாவின் காதலான ஹோட்டல்கள் ♥️ | [Natural language processing](6-NLP/README.md) | ஹோட்டல் மதிப்பாய்வுகளுடன் உணர்வு பகுத்தறிதல் 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | ஸ்டீபன் |
| 21 | கால வரிசை முன்னறிவிப்புக்கு அறிமுகம் | [Time series](7-TimeSeries/README.md) | கால வரிசை முன்னறிவிப்புக்கு அறிமுகம் | [Python](7-TimeSeries/1-Introduction/README.md) | பிரான்செஸ்கா |
| 22 | ⚡️ உலக சக்தி பயன்பாடு ⚡️ - ARIMA உடன் கால வரிசை முன்னறிவிப்பு | [Time series](7-TimeSeries/README.md) | ARIMA மூலம் கால வரிசை முன்னறிவிப்பு | [Python](7-TimeSeries/2-ARIMA/README.md) | பிரான்செஸ்கா |
| 23 | ⚡️ உலக சக்தி பயன்பாடு ⚡️ - SVR உடன் கால வரிசை முன்னறிவிப்பு | [Time series](7-TimeSeries/README.md) | ஆதரவு வெக்டர் ரெக்ரெஷன் மூலம் கால வரிசை முன்னறிவிப்பு | [Python](7-TimeSeries/3-SVR/README.md) | அனிர்பான் |
| 24 | துனைவுக் கற்றலுக்கான அறிமுகம் | [Reinforcement learning](8-Reinforcement/README.md) | Q-லெர்னிங் மூலம் துனைவுக் கற்றலுக்கான அறிமுகம் | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | பீட்டர் நரிப்பிலிருந்து தற்காப்பு! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | துனைவுக் கற்றல் ஜிம் | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| பின்னொட்டு | உண்மையான உலக ML சூழல்கள் மற்றும் பயன்பாடுகள் | [ML in the Wild](9-Real-World/README.md) | பாரம்பரிய எல்.எம் பயன்பாடுகளின் சுவாரசியமான மற்றும் வெளிப்படுத்தும் உண்மையான உலக பயன்பாடுகள் | [பாடம்](9-Real-World/1-Applications/README.md) | குழு |
| பின்னொட்டு | RAI டாஷ்போர்ட்டைப் பயன்படுத்தி எல்.எம் மாதிரிகள் பிழைத்திருத்தம் | [ML in the Wild](9-Real-World/README.md) | பொறுப்பு AI டாஷ்போர்ட் கூறுகளைப் பயன்படுத்தி எல்.எம் மாதிரிகளின் பிழைத்திருத்தம் | [பாடம்](9-Real-World/2-Debugging-ML-Models/README.md) | ருத் யாகுபு |
> [இந்த பாடத்திட்டத்திற்கு அனைத்து கூடுதல் வளங்களையும் எங்கள் Microsoft Learn சேகரிப்பில் காண்க](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
| 01 | இயந்திரக் கற்றலுக்கான அறிமுகம் | [Introduction](1-Introduction/README.md) | இயந்திரக் கற்றலின் அடிப்படை கருத்துக்களை கற்கவுங்கள் | [Lesson](1-Introduction/1-intro-to-ML/README.md) | முஹம்மது |
| 02 | இயந்திரக் கற்றலின் வரலாறு | [Introduction](1-Introduction/README.md) | இந்த துறையின் அடிப்படை வரலாற்றை கற்றுக்கொள்ளுங்கள் | [Lesson](1-Introduction/2-history-of-ML/README.md) | ஜென் மற்றும் ஏமி |
| 03 | நியாயமும் இயந்திரக் கற்றலும் | [Introduction](1-Introduction/README.md) | இயந்திரக் கற்றல் மாதிரிகளை கட்டமைக்கும் போது மாணவர்கள் கவனிக்கும் முக்கிய தத்துவ பிரச்சனைகள் என்னென்ன? | [Lesson](1-Introduction/3-fairness/README.md) | தோமோமி |
| 04 | இயந்திரக் கற்றலுக்கான நுட்பங்கள் | [Introduction](1-Introduction/README.md) | இயந்திரக் கற்றல்ப் புலத்தில் ஆய்வாளர்கள் மாதிரிகளை உருவாக்க பயன்படுத்தும் நுட்பங்கள் என்ன? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | கிரிஸ் மற்றும் ஜென் |
| 05 | நிகர்கொள்ளலுக்கு அறிமுகம் | [Regression](2-Regression/README.md) | உள்ளீடுகள் மற்றும் வெளியீடுகளுக்கான ரிக்ரெஷன் மாதிரிகளுக்கான Python மற்றும் Scikit-learn இல் பயிற்சி | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | ஜென் • எரிக் வாஞ்சௌ |
| 06 | வட அமெரிக்கா பரங்கிப்பழ விலை 🎃 | [Regression](2-Regression/README.md) | இயந்திரக் கற்றலுக்கான தரவுகளை காட்சிப்படுத்தி சுத்திகரிப்பது | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | ஜென் • எரிக் வாஞ்சௌ |
| 07 | வட அமெரிக்கா பரங்கிப்பழ விலை 🎃 | [Regression](2-Regression/README.md) | நேர்கோட்ட மற்றும் பன்முக ரிக்ரெஷன் மாதிரிகளை உருவாக்குதல் | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | ஜென் மற்றும் ட்மித்ரி • எரிக் வாஞ்சௌ |
| 08 | வட அமெரிக்கா பரங்கிப்பழ விலை 🎃 | [Regression](2-Regression/README.md) | ஒரு லொஜிஸ்டிக் ரிக்ரெஷன் மாதிரியை உருவாக்குதல் | [Python](2-Regression/4-Logistic/README.md) • [ர](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | ஜென் • எரிக் வாஞ்சௌ |
| 09 | ஒரு வலை பயன்பாடு 🔌 | [Web App](3-Web-App/README.md) | பயிற்சி பெற்ற மாதிரியைப் பயன்படுத்த ஒரு வலை பயன்பாட்டை உருவாக்கவும் | [Python](3-Web-App/1-Web-App/README.md) | ஜென் |
| 10 | வகைப்பாட்டு அறிமுகம் | [Classification](4-Classification/README.md) | உங்கள் தரவைத் தூய்மை செய்யவும், தயாரித்து காட்சிப்படுத்தவும்; வகைப்பாட்டின் அறிமுகம் | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | ஜென் மற்றும் காஸ்ஸி • எரிக் வாஞ்சௌ |
| 11 | சுவையான ஆசிய மற்றும் இந்திய உணவுகள் 🍜 | [Classification](4-Classification/README.md) | வகைப்படுத்திகளுக்கான அறிமுகம் | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | ஜென் மற்றும் காஸ்ஸி • எரிக் வாஞ்சௌ |
| 12 | சுவையான ஆசிய மற்றும் இந்திய உணவுகள் 🍜 | [Classification](4-Classification/README.md) | கூடுதல் வகைப்படுத்திகள் | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | ஜென் மற்றும் காஸ்ஸி • எரிக் வாஞ்சௌ |
| 13 | சுவையான ஆசிய மற்றும் இந்திய உணவுகள் 🍜 | [Classification](4-Classification/README.md) | உங்கள் மாதிரியை பயன்படுத்தி பரிந்துரைகூறும் வலை பயன்பாட்டை உருவாக்கவும் | [Python](4-Classification/4-Applied/README.md) | ஜென் |
| 14 | குழுவாக்க அறிமுகம் | [Clustering](5-Clustering/README.md) | உங்கள் தரவை தூய்மை செய்யவும், தயாரித்து காட்சிப்படுத்தவும்; குழுவாக்கம் அறிமுகம் | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | ஜென் • எரிக் வாஞ்சௌ |
| 15 | நைஜீரிய இசை ருசிகளை ஆராய்தல் 🎧 | [Clustering](5-Clustering/README.md) | K-மீன்ஸ் குழுவாக்க முறையை ஆராயுங்கள் | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | ஜென் • எரிக் வாஞ்சௌ |
| 16 | இயற்கை மொழி செயலாக்கத்திற்கு அறிமுகம் ☕️ | [Natural language processing](6-NLP/README.md) | எளிய பாட்டை உருவாக்கி இயற்கை மொழி செயலாக்கத்தின் அடிப்படைகளை கற்றுக்கொள்ளவும் | [Python](6-NLP/1-Introduction-to-NLP/README.md) | ஸ்டீபன் |
| 17 | பொதுவான NLP பணிகள் ☕️ | [Natural language processing](6-NLP/README.md) | மொழி அமைப்புகளுடன் வேலை செய்யும்போது தேவையான பொதுவான பணிகளை புரிந்து கொண்டு NLP அறிவை ஆழமாக்கவும் | [Python](6-NLP/2-Tasks/README.md) | ஸ்டீபன் |
| 18 | மொழிபெயர்ப்பு மற்றும் உணர்ச்சி பகுப்பாய்வு ♥️ | [Natural language processing](6-NLP/README.md) | ஜேன் ஆஸ்டினுடன் மொழிபெயர்ப்பு மற்றும் உணர்ச்சி பகுப்பாய்வு | [Python](6-NLP/3-Translation-Sentiment/README.md) | ஸ்டீபன் |
| 19 | ஐரோப்பிய காதல் விடுதிகள் ♥️ | [Natural language processing](6-NLP/README.md) | விடுதிக் கருத்துக்களைப் பயன்படுத்திய உணர்ச்சி பகுப்பாய்வு 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | ஸ்டீபன் |
| 20 | ஐரோப்பிய காதல் விடுதிகள் ♥️ | [Natural language processing](6-NLP/README.md) | விடுதிக் கருத்துக்களைப் பயன்படுத்திய உணர்ச்சி பகுப்பாய்வு 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | ஸ்டீபன் |
| 21 | கால வரிசை முன்னறிவிப்பிற்கு அறிமுகம் | [Time series](7-TimeSeries/README.md) | கால வரிசை முன்னறிவிப்பு அறிமுகம் | [Python](7-TimeSeries/1-Introduction/README.md) | பிரான்செஸ்கா |
| 22 | ⚡️ உலக சக்தி பயன்பாடு ⚡️ - ARIMA பயன்பாடுடன் கால வரிசை முன்னறிவிப்பு | [Time series](7-TimeSeries/README.md) | ARIMA உடன் கால வரிசை முன்னறிவிப்பு | [Python](7-TimeSeries/2-ARIMA/README.md) | பிரான்செஸ்கா |
| 23 | ⚡️ உலக சக்தி பயன்பாடு ⚡️ - SVR உடன் கால வரிசை முன்னறிவிப்பு | [Time series](7-TimeSeries/README.md) | Support Vector Regressor உடன் கால வரிசை முன்னறிவிப்பு | [Python](7-TimeSeries/3-SVR/README.md) | அனிர்பான் |
| 24 | வலுப்படுத்தல் கற்றலுக்கான அறிமுகம் | [Reinforcement learning](8-Reinforcement/README.md) | Q-Learning உடன் வலுப்படுத்தல் கற்றலுக்கு அறிமுகம் | [Python](8-Reinforcement/1-QLearning/README.md) | ட்மித்ரி |
| வினாஅடைவு | உலகசாமானிய இயந்திரக் கற்றல் சூழல்கள் மற்றும் பயன்பாடுகள் | [ML in the Wild](9-Real-World/README.md) | பாரம்பரிய இயந்திரக் கற்றல் தொடர்புடைய ஆரோக்கியமான மற்றும் விளக்கமான நடைமுறை பயன்பாடுகள் | [Lesson](9-Real-World/1-Applications/README.md) | குழு |
| வினாஅடைவு | RAI டாஷ்போர்டைப் பயன்படுத்தி ML மாதிரி பிழைத்திருத்தல் | [ML in the Wild](9-Real-World/README.md) | பொறுப்பான AI டாஷ்போர்டு கூறுகளைப் பயன்படுத்தி இயந்திரக் கற்றல் மாதிரி பிழைத்திருத்தல் | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | ரூத் யாகுபு |
> [இந்த பாடத்திட்டத்திற்கு அனைத்து கூடுதல் வளங்களையும் எங்கள் Microsoft Learn தொகுப்பில் காண்க](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## ஆஃப்லைன் அணுகல்
[Docsify](https://docsify.js.org/#/) பயன்படுத்தி இந்த ஆவணத்தைக் ஆஃப்லைனில் இயக்கலாம். இந்த ரெப்போவை ஃபோர்க் செய்து, உங்கள் உள்ளூர்முறை கணினியில் [Docsify ஐ நிறுவி](https://docsify.js.org/#/quickstart), பிறகு இந்த ரெப்போவின் ரூட் கோப்பகத்தில் `docsify serve` என தட்டச்சு செய்யவும். இணையதளம் உங்கள் உள்ளூர் இயந்திரத்தில் 3000 போர்ட் மூலம் இயங்கும்: `localhost:3000`.
நீங்கள் இந்த ஆவணத்தை [Docsify](https://docsify.js.org/#/) பயன்படுத்தி ஆஃப்லைனில் இயக்கலாம். இந்த ரெப்போவை ஃபோர்க் செய்து, உங்கள் உள்ளூர்தள இயந்திரத்தில் [Docsify ஐ நிறுவுங்கள்](https://docsify.js.org/#/quickstart), பிறகு இந்த ரெப்போவின் ருட் கோப்பகத்தில் `docsify serve` என்று பதிவு செய்யவும். இணையத்தளம் உங்கள் உள்ளூர்தளத்தில் 3000 போர்ட்டில் இயங்கும்: `localhost:3000`.
## PDF-கள்
## PDFகள்
பாடத்திட்டத்தின் PDF மற்றும் இணைப்புகள் [இங்கு](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) காணலாம்.
இணைப்புகளுடன் கூடிய பாடத்திட்டத்தின் PDF ஐ [இங்கே](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) காணவும்.
## 🎒 பிற பாடங்கள்
எங்கள் குழு பிற பாடங்களையும் தயாரிக்கின்றது! பாருங்கள்:
எங்கள் குழு பிற பாடங்களை உருவாக்குகிறது! பாருங்கள்:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
### உருவாக்கும் AI தொடர்
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### முதன்மை கற்றல்
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### கோபைலட் தொடர்
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
இயந்திர கற்றல் கற்கும் போது அல்லது ஏஐ பயன்பாடுகளை உருவாக்கும்போது நீங்கள் சிக்கலில் அல்லது கேள்விகளில் இருந்தால், கவலைப்பட வேண்டாம் — உதவி கிடைக்கிறது.
இயந்திரக் கற்றல் கற்றுக்கொண்டபோது அல்லது AI பயன்பாடுகள் உருவாக்கும்போது நீங்கள் சிக்கிக்கொண்டால், கவலைப்பட வேண்டாம் — உதவி கிடைக்கும்.
நீங்கள் மற்ற கற்றுக்கொள்ளும் மற்றும் டெவலப்பர்களுடன் பேசலாம், கேள்விகள் கேட்கலாம், மற்றும் உங்கள் கருத்துக்களை சமூகத்துடன் பகரலாம்.
நீங்கள் மற்ற கற்றற்பவர்கள் மற்றும் மேம்பாட்டாளர்களுடன் கலந்துரையாடலாம், கேள்விகள் கேட்கலாம் மற்றும் சமுதாயத்துடன் உங்கள் கருத்துக்களை பகிரலாம்.
- கேள்விகள் கேட்டு மற்றவர்களுடன் கற்றுக்கொள்ள சமூகத்தில் சேர்ந்துகொள்ளுங்கள்
- இயந்திரக் கற்றல் கருத்துக்களை மற்றும் திட்ட யோசனைகளை விவாதிக்கவும்
- அனுபவம் வாய்ந்த டெவலப்பர்களிடமிருந்து வழிகாட்டுதலை பெறவும்
- கேள்விகள் கேட்டு மற்றவர்களுடன் கற்றுக்கொள்ள சமுதாயத்தில் சேரவும்
- இயந்திரக் கற்றல் கருத்துக்கள் மற்றும் திட்ட எண்ணங்களை விவாதிக்கவும்
பிழைகள், தவறுகள் இருந்தால் அல்லது மேம்படுத்தல் பரிந்துரைகள் இருப்பின், நீங்கள் இந்த சேமிப்பகம் வாயிலாக ஒரு **Issue** ஐத் திறந்து புகாரை தெரிவித்துக் கொள்ளலாம்.
பிழைகள், தவறுகள் அல்லது மேம்படுத்தல்கள் தொடர்பான பரிந்துரைகள் இருந்தால், இதைத் தெரிவிக்க இந்த களஞ்சியத்தில் ஒரு **பிரச்சனையை** திறக்கலாம்.
தயாரிப்பு கருத்து அல்லது தற்போதைய சமூக பதிவுகளை தேட:
தயாரிப்பு கருத்துக்களுக்கோ அல்லது ஏற்கனவே உள்ள சமுதாய இடுகைகளை தேடவோ, டெவலப்பர் ஃபோரத்தை பார்வையிடவும்:
- ஒவ்வொரு பாடத்தையும் முடித்த பின் நோட்ட்புக்குகளை மறுபார்வையிடுக.
- உங்கள் சொந்தமாக ஆல்கொரிதங்களை நடைமுறைப்படுத்தவும்.
- கற்றுக் கொண்ட கருத்துக்களை பயன்படுத்தி உண்மையான தரவுத் தொகுப்புகளை ஆராயவும்.
- ஒவ்வொரு பாடத்துக்குப் பிறகு நோட்புக் களைக் கண்டு வாசிக்கவும் சிறந்த புரிதலுக்காக.
- உங்கள் சுயமாகக் கொள்ள முயற்சி செய்யவும்.
- கற்றுக்கொண்ட கொள்கைகளை பயன்படுத்தி உண்மை உலக தரவுத்தொகுப்புகளை ஆராயவும்.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**பயன்பாட்டு அறிக்கை**:
இந்த ஆவணம் [Co-op Translator](https://github.com/Azure/co-op-translator) என்ற ஏஐ மொழி மாற்ற சேவையைப் பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சித்தாலும், தானியங்கி மொழி மாற்றங்களில் பிழைகள் அல்லது தவறான தகவல்கள் இருக்கக்கூடும். அசல் ஆவணம் அதன் உள்ளூர் மொழியில் அதிகாரப்பூர்வமான மூலமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்துறை மனித மொழி மொழியாக்கம் பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பின் பயன்பாட்டால் ஏற்படும் எந்தவொரு தவறான புரிதல்கள் அல்லது தவறான விளக்கங்களுக்கு நாங்கள் பொறுப்பேற்கமாட்டோம்.
**மறுப்பு**:
இந்த ஆவணம் AI மொழிபெயர்ப்பு சேவை [Co-op Translator](https://github.com/Azure/co-op-translator) பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சி செய்துள்ளோம், ஆனால் தானாக செய்யப்படும் மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறுகள் இருக்கலாம் என்பதை கவனத்தில் கொள்ளவும். அசல் ஆவணம் அதன் தாய்மொழியில் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்நுட்பமான மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கத்திற்கும் நாங்கள் பொறுப்பில்வில்லை.
இந்த பாடத்திட்டத்தை உங்கள் வகுப்பறையில் பயன்படுத்த விரும்புகிறீர்களா? தயவுசெய்து பயன்படுத்துங்கள்!
இந்த பாடத்திட்டத்தை உங்கள் வகுப்பறையில் பயன்படுத்த விரும்புகிறீர்களா? தயவுசெய்து தயங்காமல் பயன்படுத்துங்கள்!
உண்மையில், நீங்கள் GitHub Classroom-ஐ பயன்படுத்தி இதை GitHub-இல் நேரடியாக பயன்படுத்தலாம்.
உண்மையில், GitHub Classroom ஐப் பயன்படுத்தி GitHub உள்பிரிவில் இதைப் பயன்படுத்தலாம்.
அதற்காக, இந்த repo-வை fork செய்யுங்கள். ஒவ்வொரு பாடத்திற்கும் தனித்த Repo உருவாக்க வேண்டும், எனவே ஒவ்வொரு கோப்புறையையும் தனித்த Repo-ஆக பிரிக்க வேண்டும். இவ்வாறு [GitHub Classroom](https://classroom.github.com/classrooms) ஒவ்வொரு பாடத்தையும் தனித்தனியாக எடுத்துக்கொள்ள முடியும்.
அதற்கு, இந்த ரெப்போவை ஃபோர்க் செய்யவும். ஒவ்வொரு பாடத்திற்கும் ஒரு ரெப்போவை உருவாக்க நீங்கள் தேவையாக இருக்கிறீர்கள், ஆகவே ஒவ்வொரு கோப்புரத்தையும் தனித்தனியான ரெப்போவில் எடுக்க வேண்டும். அப்படி 하면, [GitHub Classroom](https://classroom.github.com/classrooms) ஒவ்வொரு பாடத்தையும் தனித்தனியாக எடுத்துகொள்ள முடியும்.
இந்த [முழு வழிமுறைகள்](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) உங்கள் வகுப்பறையை அமைக்க எப்படி தொடங்குவது என்பதை விளக்குகிறது.
இந்த [முழு அறிவுறுத்தல்கள்](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) உங்கள் வகுப்பறையை அமைப்பது எப்படி என ஒரு எண்ணத்தை வழங்கும்.
## Repo-வை தற்போதைய நிலையில் பயன்படுத்துதல்
## ரெப்போவை தற்போதைய நிலையில் பயன்படுத்துவது
GitHub Classroom-ஐ பயன்படுத்தாமல், இந்த Repo-வை அதன் தற்போதைய நிலையில் பயன்படுத்த விரும்பினால், அதையும் செய்யலாம். நீங்கள் உங்கள் மாணவர்களுடன் எந்த பாடத்தை சேர்ந்து கற்க வேண்டும் என்பதை தெரிவிக்க வேண்டும்.
GitHub Classroom பயன்படுத்தாமலும் இந்த ரெப்போவை தற்போதைய நிலையில் பயன்படுத்த விரும்பினால், அதையும் செய்யலாம். உங்கள் மாணவர்களுக்கு சேர்ந்து எந்த பாடத்தைப் பின்பற்றுவது என்பதை தொடர்பு கொள்ள வேண்டும்.
ஆன்லைன் வடிவத்தில் (Zoom, Teams அல்லது பிற) நீங்கள் க்விஸ்-களுக்காக breakout rooms உருவாக்கலாம், மேலும் மாணவர்கள் கற்க தயாராக இருக்க உதவலாம். பின்னர் மாணவர்களை க்விஸ்-களுக்காக அழைத்து, 'issues' ஆக ஒரு குறிப்பிட்ட நேரத்தில் அவர்களின் பதில்களை சமர்ப்பிக்கச் சொல்லுங்கள். மாணவர்கள் வெளிப்படையாக ஒத்துழைத்து வேலை செய்ய விரும்பினால், நீங்கள் பணிகளைப் பற்றியும் இதேபோல் செய்யலாம்.
ஆன்லைன் வடிவத்தில் (Zoom, Teams, அல்லது பிற) நீங்கள் கேள்வி அறைகள் (quizzes) க்காக பிரிவு அறைகள் உருவாக்கி, மாணவர்களை கற்பதற்கு தயார் செய்ய உதவ விரும்பலாம். பிறகு மாணவர்கள் கேள்வி அறைகளைத் தேர்வு செய்து "issues" எனும் இடத்தில் கட்டாய நேரத்தில் எழுத அழைக்கவும். நீங்கள் திறந்த வெளியில் மாணவர்கள் இணைந்து பணியாற்ற விரும்பினால், பணிகளை (assignments) கூட இதே போல செய்யலாம்.
நீங்கள் ஒரு தனிப்பட்ட வடிவத்தை விரும்பினால், உங்கள் மாணவர்களிடம் பாடத்திட்டத்தை, பாடம் ஒன்றுக்கு ஒன்று, அவர்களின் சொந்த GitHub Repo-களுக்கு தனிப்பட்ட Repo-களாக fork செய்யச் சொல்லுங்கள், மேலும் உங்களுக்கு அணுகல் கொடுக்கச் சொல்லுங்கள். பின்னர் அவர்கள் க்விஸ் மற்றும் பணிகளை தனிப்பட்ட முறையில் முடித்து, உங்கள் வகுப்பறை Repo-வில் issues மூலம் உங்களுக்கு சமர்ப்பிக்கலாம்.
நீங்கள் தனிக்கட்டிடம் விரும்பினால், உங்கள் மாணவர்கள் பாடத்திட்டத்தை பாத்திரம் செய்து (fork) தனி தனியான ரெப்போக்களில் தனிப்பட்ட ரெப்போக்களாகப் பதிவு செய்து, உங்களுக்கு அணுகலை வழங்குமாறு சொல்லுங்கள். அப்பொழுது அவர்கள் கேள்வி அறைகள் மற்றும் பணிகளை தனிப்பட்ட முறையில் முடித்து அதன் முடிவுகளை உங்கள் வகுப்பறை ரெப்போவில் issues மூலம் சமர்ப்பிக்க முடியும்.
ஆன்லைன் வகுப்பறை வடிவத்தில் இதை செயல்படுத்த பல வழிகள் உள்ளன. உங்களுக்கு சிறந்தது என்ன என்பதை எங்களுக்குத் தெரியப்படுத்துங்கள்!
ஆன்லைன் வகுப்பறை வடிவத்தில் இதைச் செயல்படுத்த பல வழிகள் உள்ளன. உங்கள் பணி எது சிறந்தது என்பதை எங்களுக்கு தெரிவிக்கவும்!
## உங்கள் கருத்துகளை எங்களுக்குத் தெரிவியுங்கள்!
## தயவுசெய்து உங்கள் எண்ணங்களை வழங்குங்கள்!
இந்த பாடத்திட்டம் உங்களுக்கும் உங்கள் மாணவர்களுக்கும் பயனுள்ளதாக இருக்க வேண்டும். தயவுசெய்து எங்களுக்கு [feedback](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u) அளிக்கவும்.
இந்த பாடத்திட்டம் உங்களுக்கும் உங்கள் மாணவர்களுக்கும் தேவையானதாக இருக்க விரும்புகிறோம். தயவுசெய்து எங்களுக்கு [கருத்து](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u) அளியுங்கள்.
---
**குறிப்பு**:
இந்த ஆவணம் [Co-op Translator](https://github.com/Azure/co-op-translator) என்ற AI மொழிபெயர்ப்பு சேவையைப் பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சிக்கிறோம், ஆனால் தானியக்க மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறான தகவல்கள் இருக்கக்கூடும் என்பதை தயவுசெய்து கவனத்தில் கொள்ளுங்கள். அதன் தாய்மொழியில் உள்ள மூல ஆவணம் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்முறை மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கங்களுக்கு நாங்கள் பொறுப்பல்ல.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**மறுப்பு**:
இந்த ஆவணம் AI மொழிபெயர்ப்பு சேவை [Co-op Translator](https://github.com/Azure/co-op-translator) பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சி செய்துள்ளோம், ஆனால் தானாக செய்யப்படும் மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறுகள் இருக்கலாம் என்பதை கவனத்தில் கொள்ளவும். அசல் ஆவணம் அதன் தாய்மொழியில் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்நுட்பமான மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கத்திற்கும் நாங்கள் பொறுப்பில்வில்லை.
localizeflow[bot]
3 weeks ago