> See hoidla sisaldab 50+ keele tõlget, mis suurendab oluliselt allalaaditava faili suurust. Tõlgeteta kloonimiseks kasutage hajutatud välja kontrolli:
> See hoidla sisaldab 50+ keele tõlkeid, mis suurendavad oluliselt allalaaditavat mahtu. Kui soovite kloneerida ilma tõlgeteta, kasutage harvendatud kontrollimist:
Meil on käimas Discordi õppesari tehisintellektiga, lisateavet ja liitumisvõimalusi leiate aadressilt [Learn with AI Series](https://aka.ms/learnwithai/discord) ajavahemikul 18.-30. september 2025. Saate näpunäiteid ja nippe GitHub Copilot’i kasutamiseks andmeteaduses.
Meil on Discordis käimas sarja "Õpi koos AI-ga", lisateabe saamiseks ja osalemiseks liituge [Learn with AI Series](https://aka.ms/learnwithai/discord) alates 18. kuni 30. septembrini 2025. Saate näpunäiteid GitHub Copiloti kasutamiseks andmeteaduses.
# Masinõpe algajatele – õppekava
> 🌍 Rändame mööda maailma, uurides masinõpet maailma kultuuride kaudu 🌍
> 🌍 Reisige üle maailma, uurides masinõpet maailma kultuuride kaudu 🌍
Microsofti pilvekaitsjad on rõõmsad pakkuda 12-nädalast, 26-õppeainelist õppekava kogu teemal **Masinõpe**. Selles õppekavas õpite tundma seda, mida mõnikord nimetatakse **klassikaliseks masinõppeks**, kasutades peamiselt Scikit-learn teeki ja vältides süvaõpet, mis on kaetud meie [AI algajate õppekavas](https://aka.ms/ai4beginners). Paarige need õppetunnid ka meie ['Andmeteaduse algajate õppekavaga'](https://aka.ms/ds4beginners)!
Microsofti pilve toetajad on rõõmuga loonud 12-nädalase 26-õppetunniga õppekava, mis käsitleb **masinõpet**. Selles õppekavas õpite nii-öelda **klassikalisest masinõppest**, kasutades peamiselt Scikit-learn raamatukogu ja vältides süvaõpet, mida käsitletakse meie [AI algajatele õppekavas](https://aka.ms/ai4beginners). Ühendage need õppetunnid ka meie ['Andmeteadus algajatele' õppekavaga](https://aka.ms/ds4beginners)!
Rändage meiega mööda maailma, rakendades neid klassikalisi tehnikaid andmetele mitmest maailma piirkonnast. Igas õppetükis on eelmise ja järgse kontrollküsimustik, kirjalikud juhised ülesande täitmiseks, lahendus, ülesanne ja palju muud. Meie projektipõhine pedagoogika võimaldab teil õppida ehitades, mis on hästi tõestatud uusate oskuste kinnistamisel.
Reisige meiega mööda maailma, rakendades neid klassikalisi meetodeid andmetele erinevatest maailma piirkondadest. Igas õppetunnis on eelkohane ja järeltest, kirjalikud juhised, lahendus, ülesanne ja palju muud. Meie projektipõhine õppeviis võimaldab õppida, ehitades ise, mis 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
**🎨 Tänud ka meie illustraatoritele** Tomomi Imura, Dasani Madipalli ja Jen Looper
**🎨 Tänu ka meie illustraatoritele** Tomomi Imura, Dasani Madipalli ja Jen Looper
**🙏 Eriline tänu 🙏 meie Microsofti tudengisaadikute autoritele, retsensentidele ja sisukorraldajatele**, eelkõige Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ja Snigdha Agarwal
**🙏 Eriline tänu 🙏 meie Microsofti tudengi saadiku autoritele, arvustajatele ja sisuloojatele**, eriti Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ja Snigdha Agarwal
**🤩 Suur tänu Microsofti tudengisaadikutele Eric Wanjau, Jasleen Sondhi ja Vidushi Gupta meie R-õppetundide eest!**
**🤩 Täiendav tänu Microsofti tudengi saadikutele Eric Wanjau, Jasleen Sondhi ja Vidushi Guptale meie R-õppetundide eest!**
# Algus
# Alustamine
Järgige neid samme:
1. **Tee hoidlast haru (fork)**: Vajutage selle lehe paremas ülanurgas olevale nupule "Fork".
> [Leia kõik selle kursuse lisamaterjalid meie Microsoft Learn kogust](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [leidke kõik lisaressursid selle kursuse jaoks meie Microsoft Learn kollektsioonist](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Vaja abi?** Vaadake meie [probleemide lahendamise juhendit](TROUBLESHOOTING.md) sageli esinevate paigaldus-, seadistus- ja õppetundide käivitamise probleemide kohta.
> 🔧 **Vaja abi?** Vaadake meie [rikete tõrkeotsingu juhendit](TROUBLESHOOTING.md), mis sisaldab lahendusi levinud installatsiooni, seadistamise ja õppetundide käivitamise probleemidele.
**[Õpilased](https://aka.ms/student-page)**, selle õppekava kasutamiseks tehke kogu hoidlast haru enda GitHubi kontole ja täitke harjutused üksi või grupis:
- Alustage eeloenguküsimustikuga.
- Loe õppetundi ja täida tegevused, peatudes ja mõeldes igal teadmiste kontrollil.
- Proovige projekte luua õppetunde mõistes, mitte lahenduskoodi jooksutades; kuid see kood on olemas iga projekti suunitlusega õppetunni `/solution` kaustas.
- Tehke järelkontrollküsimustik.
**[Õpilased](https://aka.ms/student-page)**, selle õppekava kasutamiseks tehke fork kogu hoidlast oma GitHubi kontole ja lahendage harjutused individuaalselt või grupiga:
- Alustage eel-õppetunni testiga.
- Loe loengut ja lõpeta tegevused, peatudes ja mõeldes iga teadmistekontrolli juures.
- Proovige projekte luua, mõistes õppetunde, mitte ainult käivitades lahenduskoodi; see kood on saadaval iga projektipõhise tunni `/solution` kaustas.
- Võtke järel-õppetunni test.
- Täitke väljakutse.
- Täitke ülesanne.
- Pärast õppetükkide rühma lõpetamist külastage [arutelufoorumit](https://github.com/microsoft/ML-For-Beginners/discussions) ja "õppige valjult", täites vastava PAT hindamisvahendi rubriigi. 'PAT' on edenemise hindamise tööriist, mida täites süvendate oma õppimist. Võite ka teisi PAT-e kommenteerida, et koos õppida.
- Peale õppetundide grupi lõpetamist külastage [Arutelufoorumit](https://github.com/microsoft/ML-For-Beginners/discussions) ja "õppige valjusti", täites sobiva PAT hindamislehe. PAT on edenemise hindamisvahend, mille abil te oma õpinguid süvendate. Samuti võite reageerida teiste PAT-dele, et saaksime üheskoos õppida.
> Edasiseks õppimiseks soovitame järgida neid [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) mooduleid ja õpiteid.
> Lisauuringuteks soovitame neid [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) mooduleid ja õpiteid.
**Õpetajad**, oleme lisanud [soovitusi](for-teachers.md), kuidas seda õppekava kasutada.
---
## Videod
## Video juhendid
Mõned õppetunnid on saadaval lühivideotena. Leiate need kõik õppetundide seest või [ML algajate esitusloendist Microsoft Developer YouTube kanalil](https://aka.ms/ml-beginners-videos) alloleva pildi kaudu.
Mõned õppetunnid on saadaval lühivideotena. Need leiate õppetundide seest või [ML for Beginners esitusloendist Microsoft Developer YouTube kanalil](https://aka.ms/ml-beginners-videos), klõpsates alloleval pildil.
> 🎥 Klõpsake ülalolevat pilti, et vaadata videot projektist ja selle loojatest!
> 🎥 Klõpsake ülaloleval pildil, et vaadata videot projektist ja selle loomisega seotud inimestest!
---
## Pedagoogika
Selle õppekava koostamisel oleme valinud kaks pedagoogilist põhimõtet: tagada see käed-küljes **projektipõhisus** ja et see sisaldab **sagedasi küsimustikke**. Lisaks on õppekaval ühine **teema**, mis annab sellele ühtsuse.
Selles õppekavas oleme valinud kaks pedagoogilist alustala: kindlustada, et see on praktiline **projektipõhine** ning sisaldab **sagedasi teste**. Lisaks on sellel õppekaval ühine **teema**, mis annab sellele sidususe.
Tagades sisu ühtesobivuse projektidega, muutub protsess õpilaste jaoks kaasahaaravamaks ja kontseptsioonide omandamine paraneb. Lisaks seab madala panusega testi tegemine enne tundi õppija kavatsuse õppimisele, samas kui teine test pärast tundi kindlustab veelgi parema omandamise. See õppekava on kavandatud paindlikuks ja lõbusaks ning seda saab võtta tervikuna või osadena. Projektid algavad väikestena ja muutuvad 12-nädalase tsükli lõpus järjest keerukamaks. Käesolev õppekava sisaldab ka lisamärkusi masinõppe reaalse maailma rakenduste kohta, mida võib kasutada lisapunktide saamiseks või arutelupõhjana.
Sisule projektide kaudu vastavuse tagamine muudab protsessi õpilastele kaasahaaravamaks ning soodustab kontseptsioonide kinnistamist. Madala riskiga test enne tundi seab õppija eesmärgi teemat õppida, teine test pärast tundi kindlustab teadmiste parema kinnistumise. See õppekava on paindlik ja lõbus ning seda saab läbida tervikuna või osadena. Projektid algavad väikeselt ja muutuvad 12-nädalase tsükli lõpetamisel järjest keerukamaks. Õppekava sisaldab ka lisaosa masinõppe reaalmaailma rakendustest, mida saab kasutada lisapunktide teenimiseks või arutelude aluseks.
> Leidke meie [käitumisreeglid](CODE_OF_CONDUCT.md), [panustamise juhised](CONTRIBUTING.md), [tõlkimise juhendid](TRANSLATIONS.md) ja [probleemide lahendamise juhend](TROUBLESHOOTING.md). Ootame teie konstruktiivset tagasisidet!
> Leidke meie juhised [käitumisreeglid](CODE_OF_CONDUCT.md), [panustamine](CONTRIBUTING.md), [tõlkimine](TRANSLATIONS.md) ja [rikete tõrkeotsing](TROUBLESHOOTING.md). Ootame teie konstruktiivset tagasisidet!
> **Märkus keeltest**: Need õppetunnid on peamiselt kirjutatud Pythonis, kuid paljud on saadaval ka R keeles. R-õppetunni lõpuleviimiseks minge `/solution` kausta ja otsige R-õppetunde. Neil on .rmd laiendus, mis tähistab **R Markdown** faili – see on lihtsustatult öeldes `koodi plokkide` (R-i või teiste keelte) ja `YAML päise` (mis juhib väljundi vormindamist nagu PDF) manustamine `Markdown` dokumenti. Seega on see eeskujulik raamistik andmeteaduslike dokumentide koostamiseks, kuna võimaldab kombineerida oma koodi, selle väljundi ja mõtted, kirjutades need maha Markdownis. Lisaks saab R Markdown dokumente renderdada sellistesse väljundformaati nagu PDF, HTML või Word.
> **Märkus viktoriinide kohta**: Kõik viktoriinid asuvad [Quiz App kaustas](../../quiz-app), kokku 52 viktoriini, igaüks kolme küsimusega. Need on õppetundide sees linkidena, kuid viktoriini rakendust saab käivitada ka lokaalselt; järgige juhiseid kaustas `quiz-app`, et seda lokaalselt hostida või Azure’i juurutada.
| Õppetunni number | Teema | Õppetunni grupp | Õpiväljundid | 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 õiglusfilosoofilised küsimused, mida õpilased peaksid arvestama masinõppemudelite loomisel ja rakendamisel?| [Õppetund](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Masinõppe tehnikad | [Sissejuhatus](1-Introduction/README.md) | Milliseid tehnikaid kasutavad masinõppeteadlased mudelite loomiseks? | [Õppetund](1-Introduction/4-techniques-of-ML/README.md) | Chris ja Jen |
| 05 | Sissejuhatus regressiooni | [Regressioon](2-Regression/README.md) | Alusta Pythoni 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 korrastamine masinõppeks | [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) | Lineaarsete ja polünoomsete regressioonimudelite loomine | [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) | Logistilise regressioonimudeli loomine | [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) | Loo veebirakendus oma väljaõppinud 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 oma 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) | Rohkem 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 veebis, kasutades oma mudelit | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Sissejuhatus klasterdamisse | [Klasterdamine](5-Clustering/README.md) | Puhasta, valmista ette ja visualiseeri oma andmeid; sissejuhatus klasterdamisse | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Nigeeria muusikamaitse uurimine 🎧 | [Klasterdamine](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 ☕️ | [Loomuliku keele töötlemine](6-NLP/README.md) | Õpi loomuliku keele töötlemise põhialuseid, luues lihtsa boti | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Üldised NLP ülesanded ☕️ | [Loomuliku keele töötlemine](6-NLP/README.md) | Süvenda oma NLP teadmisi, mõistes keele struktuuride puhul vajalikke tavaülesandeid | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Tõlkimine ja meeleolu analüüs ♥️ | [Loomuliku keele töötlemine](6-NLP/README.md) | Tõlkimine ja meeleolu analüüs koos Jane Austeniga | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantilised hotellid Euroopas ♥️ | [Loomuliku keele töötlemine](6-NLP/README.md) | Meeleolu analüüs hotellide arvustustega 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantilised hotellid Euroopas ♥️ | [Loomuliku keele töötlemine](6-NLP/README.md) | Meeleolu analüüs hotellide arvustustega 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| Järelkiri | Reaalsed masinõppe stsenaariumid ja rakendused | [ML looduses](9-Real-World/README.md) | Huvitavad ja paljastavad klassikalise masinõppe reaalsed rakendused | [Õppetund](9-Real-World/1-Applications/README.md) | Meeskond |
| Järelkiri | Mudelite silumine masinõppes kasutades RAI armatuurlaua | [ML looduses](9-Real-World/README.md) | Masinõppe mudelite silumine vastutustundliku AI armatuulaua komponentidega | [Õppetund](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [Leia selle kursuse kõik lisamaterjalid meie Microsoft Learn kollektsioonist](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Võimalus võrguühenduseta kasutamiseks
Seda dokumentatsiooni saab kasutada ka võrguühenduseta, kasutades [Docsify](https://docsify.js.org/#/). Hargne see hoidla, [paigalda Docsify](https://docsify.js.org/#/quickstart) oma kohalikku masinasse ja seejärel kirjelda selle hoidla juurkaustas käsk `docsify serve`. Veebisait käivitatakse pordil 3000 sinu lokaalarvutis: `localhost:3000`.
> **Märkuse keeltest:** Need õppetunnid on peamiselt kirjutatud Pythonis, kuid paljud on saadaval ka R-s. R-õppetunni läbimiseks minge `/solution` kausta ja otsige R-õppetunde. Nendil on .rmd laiend, mis tähistab **R Markdown** faili, mida saab lihtsalt defineerida kui 'koodiplokkide' (R või teiste keelte) ja `YAML päise` (mis juhib väljundite, näiteks PDF-i vormindamist) manustamist Markdown dokumendi sees. Seetõttu on see eeskujulik andmeteaduse raamistik, kuna võimaldab kombineerida koodi, selle väljundit ja mõtteid, kirjutades neid Markdownis. Lisaks saab R Markdown dokumente renderdada väljund vormingutesse nagu PDF, HTML või Word.
> **Märkus viktoriinide kohta**: Kõik viktoriinid asuvad [Quiz App kaustas](../../quiz-app), kokku on 52 viktoriini, milles igaühes on kolm küsimust. Neile viidatakse tundide sees, kuid viktoriinirakendust saab käivitada ka lokaalselt; tutvu juhistega `quiz-app` kaustas, et hostida lokaalselt või paigaldada Azure’i.
| Tunni number | Teema | Tunni grupp | Õpieesmärgid | Seotud tund | Autor |
| 01 | Masinõppe tutvustus | [Sissejuhatus](1-Introduction/README.md) | Õppida masinõppe põhikontseptsioone | [Tund](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Masinõppe ajalugu | [Sissejuhatus](1-Introduction/README.md) | Õppida selle valdkonna ajaloo kohta | [Tund](1-Introduction/2-history-of-ML/README.md) | Jen ja Amy |
| 03 | Õiglus ja masinõpe | [Sissejuhatus](1-Introduction/README.md) | Mis on olulised filosoofilised õiglusprobleemid, mida õppijad peaksid arvestama, ehitades ja rakendades masinõppe mudeleid? | [Tund](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Masinõppe tehnikad | [Sissejuhatus](1-Introduction/README.md) | Milliseid meetodeid kasutavad masinõppe uurijad mudelite loomisel? | [Tund](1-Introduction/4-techniques-of-ML/README.md) | Chris ja Jen |
| 05 | Regresiooni tutvustus | [Regressioon](2-Regression/README.md) | Alustamine Pythoni ja Scikit-learniga regressioonimudelite loomiseks | [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 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 🎃 | [Regressioon](2-Regression/README.md) | Lineaarsete ja polünoomsete regressioonimudelite ehitamine | [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) | Logistilise regressioonimudeli loomine | [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, mis kasutab sinu väljaõpetatud mudelit | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Klassifitseerimise tutvustus | [Klassifitseerimine](4-Classification/README.md) | Andmete puhastamine, ettevalmistamine ja visualiseerimine; tutvustus klassifitseerimisse | [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 🍜 | [Klassifitseerimine](4-Classification/README.md) | Tutvustus klassifikaatoritele | [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 🍜 | [Klassifitseerimine](4-Classification/README.md) | Rohkem 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 🍜 | [Klassifitseerimine](4-Classification/README.md) | Ehita oma mudelit kasutav soovitusrakendus veebis | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Klastrite tutvustus | [Klastrid](5-Clustering/README.md) | Andmete puhastamine, ettevalmistamine ja visualiseerimine; tutvustus klastritele | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Nigeeria muusikamaitse uurimine 🎧 | [Klastrid](5-Clustering/README.md) | K-Meansi klastrimeetodi uurimine | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Loodusliku keele töötlemise tutvustus ☕️ | [Loodusliku keele töötlemine](6-NLP/README.md) | Õpi NLP põhialuseid, ehitades lihtsa roboti | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Tavalised NLP ülesanded ☕️ | [Loodusliku keele töötlemine](6-NLP/README.md) | Süvenda NLP teadmisi, mõistes keelestruktuuridega tegelemisel vajalikke tavalisi ülesandeid | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Tõlkimine ja meeleolu analüüs ♥️ | [Loodusliku keele töötlemine](6-NLP/README.md) | Tõlkimine ja meeleolu analüüs Jane Austeni tekstidega | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Euroopa romantilised hotellid ♥️ | [Loodusliku keele töötlemine](6-NLP/README.md) | Meeleolu analüüs hotellide arvustustega 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Euroopa romantilised hotellid ♥️ | [Loodusliku keele töötlemine](6-NLP/README.md) | Meeleolu analüüs hotellide arvustustega 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| Järelsõna | Masinõppe stsenaariumid ja rakendused pärismaailmas | [Masinõpe pärismaailmas](9-Real-World/README.md) | Klassikalise masinõppe huvitavad ja valgustavad reaalsed rakendused | [Tund](9-Real-World/1-Applications/README.md) | Team |
| Järelsõna | Masinõppe mudelite silumine RAI juhtpaneeli abil | [Masinõpe pärismaailmas](9-Real-World/README.md) | Masinõppe mudelite silumine kasutades Responsible AI juhtpaneeli | [Tund](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [leiad kõik selle kursuse lisamaterjalid meie Microsoft Learn kogust](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Võimalus kasutada võrguühenduseta
Seda dokumentatsiooni saab kasutada võrguühenduseta, kasutades [Docsify](https://docsify.js.org/#/). Halda seda repo fork’i, paigalda [Docsify](https://docsify.js.org/#/quickstart) oma arvutisse ja seejärel selle repo juurkaustas käivita käsk `docsify serve`. Veebileht laetakse localhosti pordile 3000: `localhost:3000`.
## PDF-id
Leia õppekava pdf-vormingus 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).
## 🎒 Muud kursused
Meie meeskond toodab ka teisi kursuseid! Vaata:
Meie meeskond toodab ka muud kursused! Vaata lähemalt:
<!-- 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/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://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
Kui jääd hätta või sul on küsimusi tehisintellekti rakenduste loomise kohta, ühine teiste õppijate ja kogenud arendajatega MCP aruteludes. See on toetav kogukond, kus küsimusi on teretulnud ja teadmisi jagatakse vabalt.
Kui jääd kinni või sul on küsimusi tehisintellekti rakenduste ehitamise kohta, liitu teiste õppijate ja kogenud arendajatega MCP aruteludes. See on toetav kogukond, kus küsimused on teretulnud ja teadmisi jagatakse vabalt.
See dokument on tõlgitud AI tõlketeenuse [Co-op Translator](https://github.com/Azure/co-op-translator) abil. Kuigi püüame täpsust, palun pidage meeles, et automaatsed tõlked võivad sisaldada vigu või ebatäpsusi. Originaaldokument selle emakeeles tuleks lugeda autoriteetse allikana. Olulise teabe puhul soovitatakse professionaalset inimtõlget. Me ei vastuta selle tõlke kasutamisest tulenevate arusaamatuste ega valesti mõistmiste eest.
**Vastutusest loobumine**:
See dokument on tõlgitud kasutades tehisintellekti tõlketeenust [Co-op Translator](https://github.com/Azure/co-op-translator). Kuigi püüdleme täpsuse poole, tuleb arvestada, et automaatsel tõlkel võivad esineda vead või ebatäpsused. Algne dokument selle emakeeles tuleks pidada usaldusväärseks allikaks. Olulise teabe puhul soovitatakse kasutada professionaalset inimtõlget. Me ei vastuta selle tõlke kasutamisest tingitud arusaamatuste või moonutuste eest.
We get Discord learn wit 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 tips and tricks how to use GitHub Copilot for Data Science.
We get one Discord learn wit AI series wey never stop, learn more and join us for [Learn with AI Series](https://aka.ms/learnwithai/discord) from 18 - 30 September, 2025. You go fit 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 by di means of world cultures 🌍
> 🌍 Travel around di world as we dey explore Machine Learning through world cultures 🌍
Cloud Advocates for Microsoft happy to offer 12-week, 26-lesson curriculum wey na all about **Machine Learning**. Inside dis curriculum, you go learn wetin dem dey call **classic machine learning**, wey dem mainly dey use Scikit-learn as library and dem dey avoid deep learning, wey dey inside our [AI for Beginners' curriculum](https://aka.ms/ai4beginners). Pair these lessons wit our ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) too!
Cloud Advocates for Microsoft happy to offer 12-week, 26-lesson curriculum wey dey all about **Machine Learning**. Inside dis curriculum, you go learn wetin dem dey call **classic machine learning**, mainly using Scikit-learn as library and no go enter deep learning wey dey inside our [AI for Beginners' curriculum](https://aka.ms/ai4beginners). You fit also pair dis lessons with our ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners).
Travel wit us around di world as we dey apply these classic techniques to data from many places for di world. Each lesson get pre- and post-lesson quizzes, written instructions to complete di lesson, solution, assignment, and more. Our project-based way to teach make you learn as you dey build, na good way for new skills to 'stick'.
Travel with us around di world as we apply di 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 methodology allow you to learn as you dey build, na better way for new skills to stick.
**✍️ Many tings 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
**✍️ 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 as well to our illustrators** Tomomi Imura, Dasani Madipalli, and Jen Looper
**🎨 Thanks also go 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 gratitude to Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, and Vidushi Gupta for our R lessons!**
# Getting Started
Follow these steps:
1. **Fork the Repository**: Click di "Fork" button wey dey top-right corner of dis page.
Follow dis steps:
1. **Fork the Repository**: Click di "Fork" button for di top-right corner of dis page.
2. **Clone the Repository**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
> [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)
> [Find all di 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 issues with installation, setup, and running lessons.
> 🔧 **Need help?** Check our [Troubleshooting Guide](TROUBLESHOOTING.md) for solutions to common problems with installation, setup, and running lessons.
**[Students](https://aka.ms/student-page)**, to use dis curriculum, fork di whole repo to your own GitHub account and complete the exercises on your own or wit group:
**[Students](https://aka.ms/student-page)**, to use dis curriculum, fork di full repo to your own GitHub account and complete di exercises by yourself or wit group:
- Start wit pre-lecture quiz.
- Read di lecture and complete di activities, pause and think at each knowledge check.
- Try to create di projects by understanding di lessons instead of just running di solution code; but di code dey inside `/solution` folders for each project lesson.
- Take post-lecture quiz.
- Read di lecture and complete di activities, pause and think for every knowledge check.
- Try make you create di projects by understanding di lessons well instead of just running di solution code; but if you want, dat code dey available inside di `/solution` folders for each project-oriented lesson.
- Take di post-lecture quiz.
- Complete di challenge.
- Complete di assignment.
- After you don complete 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 go fill as you dey learn. You fit react to other PATs so we go learn together.
- After you don finish one lesson group, go 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, na rubric wey you fill to help your learning grow. You fit also respond to other PATs so we all 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 these [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 [include some suggestions](for-teachers.md) on how to use dis curriculum.
@ -79,7 +80,7 @@ Follow these steps:
## Video walkthroughs
Some lessons dey available as short form video. You fit find all inside di lessons, or for di [ML for Beginners playlist for di Microsoft Developer YouTube channel](https://aka.ms/ml-beginners-videos) by clicking di image below.
Some lessons get short video form. You fit find all dese inside di lessons or for di [ML for Beginners playlist on the Microsoft Developer YouTube channel](https://aka.ms/ml-beginners-videos) by clicking di image below.
[](https://aka.ms/ml-beginners-videos)
@ -91,19 +92,19 @@ Some lessons dey available as short form video. You fit find all inside di lesso
> 🎥 Click di image wey dey above for video about di project and di people wey create am!
> 🎥 Click di picture wey dey above for video about di project and di people wey create am!
---
## Pedagogy
We choose two main teaching rules when we dey build dis curriculum: to make sure say e hands-on **project-based** and e get **frequent quizzes**. Also, dis curriculum get common **theme** to make am hold together.
We choose two teaching principles as we build dis curriculum: to make am hands-on **project-based** and get **frequent quizzes** inside. Plus, dis curriculum get one common **theme** to make am balanced.
By making sure say di content go dey with projects, di process go sweet students and e go help dem remember wetin dem learn. Plus, low-stakes quiz before class dey make student ready to learn topic, then another quiz after class go make dem remember pass. Dis curriculum na flexible and fun and you fit do am all or just part. Di projects start small and get harder by di end of di 12-week period. This curriculum still get postscript on real-life use of ML, wey fit be extra credit or basis for talk.
By making sure say content match projects, e go make learning more interesting for students and e go help concepts stay for head well. Plus, low-stakes quiz before class dey help student focus to learn di topic, and another quiz after class go help keep di memory strong. Dis curriculum dey flexible and fun, and you fit take am whole or part. Projects start small and get more complex as di 12-week cycle dey end. Dis curriculum even get one postscript about real-world ways di ML fit take, for extra credit or discussion base.
> Find our [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md), and [Troubleshooting](TROUBLESHOOTING.md) rules. We dey welcome your constructive feedback!
> Find our [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md), and [Troubleshooting](TROUBLESHOOTING.md) guidelines. We dey always welcome your constructive feedback!
## Each lesson includes
## Each lesson get
- optional sketchnote
- optional supplemental video
@ -113,48 +114,48 @@ By making sure say di content go dey with projects, di process go sweet students
- for project-based lessons, step-by-step guides on how to build the project
> **Note about languages**: These lessons main for Python, but plenty still dey for R. To complete R lesson, go inside`/solution` folder and find R lessons. Dem get .rmd extension wey mean **R Markdown** file wey na mix of `code chunks` (R or other languages) and `YAML header` (wey control how to format outputs like PDF) inside `Markdown document`. So e good for authoring data science stuff cos e let you join your code, output, plus your ideas by writing dem down inside Markdown. R Markdown files fit also go output like PDF, HTML, or Word.
> **Wan warning about quizzes**: All quizzes dey for [Quiz App folder](../../quiz-app), total na 52 quizzes with three questions each. Dem dey linked inside di lessons but di quiz app fit run local; follow di instruction for di `quiz-app` folder to host or deploy am for Azure local.
> **Note about languages**: Most lessons dey for Python, but plenty still dey for R too. To finish one R lesson, waka go`/solution` folder and find R lessons. Dem get .rmd extension wey mean **R Markdown** file, wey be embedding of `code chunks` (fit be R or other languages) and `YAML header` (wey show how to format outputs like PDF) for one `Markdown document`. So, e be one correct way make you combine your code, wetin e produce, and your thoughts, by writing all down for Markdown. Plus, R Markdown documents fit convert to output formats like PDF, HTML, or Word.
> **One tok bout quizzes**: All quizzes dey inside [Quiz App folder](../../quiz-app), get 52 quizzes for three questions each. Dem link from inside di lessons but you fit run di quiz app for your own machine; follow di instruction wey dey inside di `quiz-app` folder make you fit host am local or deploy am for Azure.
| 01 | Introduction to machine learning | [Introduction](1-Introduction/README.md) | Learn di basic concepts wey dey 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 di history wey dey under dis 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 di important philosophical tins about fairness wey students suppose consider when dem dey build and apply ML models? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniques for machine learning | [Introduction](1-Introduction/README.md) | Wetin 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) | Visualize and clean data to prepare 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 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 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, prepare, 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 wey use your model | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introduction to clustering | [Clustering](5-Clustering/README.md) | Clean, prepare, 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 |
| 16 | Introduction to natural language processing ☕️ | [Natural language processing](6-NLP/README.md) | Learn basics about NLP by building 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 wey dem dey do when dem dey deal with language structures | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 01 | Introduction to machine learning | [Introduction](1-Introduction/README.md) | Learn di basic tins wey dey back machine learning | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | The History of machine learning | [Introduction](1-Introduction/README.md) | Learn di history wey dey back dis kain 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 di important philosophical tins about fairness wey students suppose consider wen 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 kain techniques ML researchers dey use make dem 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 use 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) | Make diagram and clean data before 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 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 go use your trained model | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Introduction to classification | [Classification](4-Classification/README.md) | Clean, prepare, and make diagram of 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 wit your model | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introduction to clustering | [Clustering](5-Clustering/README.md) | Clean, prepare, and draw diagram for 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 di 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 basics about NLP by building simple bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Common NLP Tasks ☕️ | [Natural language processing](6-NLP/README.md) | Deep your NLP knowledge by understanding common tasks wey dem need sometimes for 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 |
| 22 | ⚡️ World Power Usage ⚡️ - time series forecasting with ARIMA | [Time series](7-TimeSeries/README.md) | Time series forecasting with ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 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 revealing real-world applications for 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 for our Microsoft Learn collection](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
| 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 |
| 22 | ⚡️ World Power Usage ⚡️ - time series forecasting with ARIMA | [Time series](7-TimeSeries/README.md) | Time series forecasting with ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ World Power Usage ⚡️ - time series forecasting with SVR | [Time series](7-TimeSeries/README.md) | Time series forecasting wit 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 true true 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 dis 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 di root folder of dis repo, type `docsify serve`. Di website go dey served 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 own machine, then for di root folder of dis repo, type `docsify serve`. Di website go dey for port 3000 for your localhost: `localhost:3000`.
## PDFs
@ -163,13 +164,13 @@ Find pdf of di curriculum with links [here](https://microsoft.github.io/ML-For-B
## 🎒 Other Courses
Our team dey produce other courses too! Check am out:
Our team dey produce other courses! Check am out:
<!-- 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)
---
### Azure / Edge / MCP / Agents
@ -207,17 +208,17 @@ Our team dey produce other courses too! Check am out:
## Getting Help
If you get stuck or get any questions about how to build AI apps. Join other learners and experienced developers for talks about MCP. Na supportive community wey dey welcome questions and share knowledge freely.
If you dey jam problem or get question about how to build AI apps. Join other learners and beta developers dem for talks about MCP. Na supportive community wey questions dey welcome and knowledge dey share freely.
Dis document na AI translation service [Co-op Translator](https://github.com/Azure/co-op-translator) wey do di translation. Even though we dey try make am correct, make you sabi seh automatic translation fit get errors or small mistake. Di original document for e own language na di correct one wey you suppose check. If na important tori, make you use human wey sabi language translate for you. We no go take responsibility if person no understand well or misinterpret anything from dis translation.
**Disclaimer**:
Dis document dem translate am wit AI translation service [Co-op Translator](https://github.com/Azure/co-op-translator). Even though we dey try make am correct, abeg sabi say automated translation fit get some errors or wahala. Di original document wey dey dia for e own language na im be di main correct source. If na serious matter, better make person wey sabi language translate am. We no go take any blame if person no understand or misunderstand tins because of dis translation.
> இந்த களஞ்சியம் 50+ மொழி மொழிபெயர்ப்புகளை உள்ளடக்கியது, இது பதிவிறக்க அளவை மிக அதிகமாக்குகிறது. மொழிபெயர்ப்புகளின்றி க்ளோன் செய்வதற்கு, sparse checkout பயன்படுத்தவும்:
> இந்த காப்பகம் 50+ மொழி மொழிபெயர்ப்புகளை உட்படுத்துகிறது, இது பதிவிறக்க அளவை குறிப்பிடத்தகுந்த முறையில் அதிகரிக்கின்றது. மொழிபெயர்ப்புகளை இல்லாமல் கிளோன் செய்வதற்கு, sparse checkout ஐப் பயன்படுத்தவும்:
நாம் தற்பொழுது Discord-ல் AI கற்றல் தொடர் நடத்துகிறோம், மேலும் 18 - 30 செப்டம்பர், 2025 அன்று [Learn with AI Series](https://aka.ms/learnwithai/discord) இல் எங்களுடன் சேரவும். GitHub Copilot ஐ Data Science க்காக பயன்படுத்துவதற்கான குறிப்புகள் மற்றும் யுத்தங்கள் கிடைக்கும்.
நாங்கள் ஒரு Discord AI பயிற்சி தொடரை நடத்தி வருகிறோம், மேலும் தகவலுக்கு மற்றும் எங்களுடன் சேர [Learn with AI Series](https://aka.ms/learnwithai/discord) செப் 18 - 30, 2025 வரை. GitHub Copilot ஐ Data Science க்காக எவ்வாறு பயன்படுத்துவது என்ற ஆலோசனைகள் மற்றும் டிப்ஸ்களை பெறுவீர்கள்.
# ஆரம்பக்கற்கும் கருவி கணினி கற்றல் அம்சங்கள் - ஒரு பாடத்திட்டம்
# ஆரம்பநிலை முதன்மைக் கற்றல் - ஒரு பாடத்திட்டம்
> 🌍 உலக கலாச்சாரங்களின் வழியிலிருந்து கருவி கற்றலை ஆராய்வோம் 🌍
> 🌍 உலக கலாச்சாரங்கள் வழியாக இயந்திர கற்றலை ஆராய்வதற்கான உலகப் பயணம் 🌍
Microsoft இல் உள்ள Cloud Advocates குழு, **கருவி கற்றல்** பற்றி 12 அடி, 26 பாடங்களாக ஆன ஒரு பாடத்திட்டத்தை மகிழ்ச்சியுடன் வழங்குகிறது. இந்த பாடத்திட்டத்தில், பொதுவாக **சாதாரண கருவி கற்றல்** என்று கூறப்படுவது என்ன என்பது பற்றி கற்றுக் கொள்வீர்கள், இதில் முக்கியமாக Scikit-learn நூலகத்தை பயன்படுத்தி, ஆழமான கற்றலை தவிர்க்கிறோம், இது எங்கள் [AI for Beginners' curriculum](https://aka.ms/ai4beginners) ல் உள்ளதைப் போன்றது. மேலும், இந்த பாடங்களைக் கற்றுக்கொள்ள **'Data Science for Beginners' curriculum** உடனும் பயன்படுத்தவும்!
Microsoft இல் Cloud Advocates 12 வாரங்கள், 26 பாடங்கள் கொண்ட **இயந்திர கற்றல்** பற்றிய பாடத்திட்டத்தை வழங்கி மகிழ்ச்சி அடைகிறது. இதில், நீங்கள் பொதுவாக **பாரம்பரிய இயந்திர கற்றல்** என்று அழைக்கப்படும் Scikit-learn நூலகத்தை பயன்படுத்தி, ஆழமான கற்றலை தவிர்த்து, இது எங்களது [கூடுதல் AI for Beginners' பாடத்திட்டத்தில்](https://aka.ms/ai4beginners) கையெழுத்தாக்கப்பட்டுள்ளது. இந்தப் பாடத்திட்டத்தை எங்கள் ['Data Science for Beginners' பாடத்திட்டத்துடன்](https://aka.ms/ds4beginners) இணைத்து பயிலவும்.
உலகின் பல பகுதிகளிலிருந்து தரவுகளை கொண்டு இந்த சாதாரண முறைகளை நாம் உலகம் முழுவதும் பயணம் செய்வோமான்போல் செயல்படுத்துவோம். ஒவ்வொரு பாடமும் முன் மற்றும் பின் தேர்வுகளை, எழுதப்பட்ட குறிப்புகளை, விடைகளை, பணிகளை மற்றும் மேலும் பலவற்றை கொண்டுள்ளது. எங்கள் திட்ட அடிப்படையிலான கற்றல் முறைகள் மூலம் நீங்கள் கற்றுக் கொண்டபோது உருவாக்குவதும் செய்ய முடியும், இது புதிய திறன்களை நிலைத்துவைக்க சிறந்த வழி.
உலகம் முழுவதும் உள்ள தரவுகளை பயன்படுத்தி, இந்த பாரம்பரிய முறைகளை செயல்படுத்தும் போது எங்களுடன் பயணம் செய்யுங்கள். ஒவ்வொரு பாடத்திலும் முன்கூட்டிய மற்றும் பின்கூட்டிய குயிஸ், எழுத்து வழிகாட்டிகள், தீர்வு, பணிகள், மற்றும் வேறு பல உள்ளன. எங்கள் திட்ட அடிப்படையிலான கற்றல் முறைகள், நீங்கள் உருவாக்கும் போது கற்றுக்கொள்ள உதவுகின்றன, இது புதிய திறன்கள் நன்கு நிலைநிறுத்த உதவும்.
**✍️ எங்கள் எழுத்தாளர்கள் - ஜென் லூப்பர், ஸ்டீபன் ஹவெல், ஃபிரான்சஸ்கா லாசெரி, தமோமி இமுரா, கேஸ்ஸி பிரெவியூ, ட்மித்ரி சொஷ்னிகோவ், கிரிஸ் நோரிங், அனிர்பன் முகெர்ஜீ, ஓர்நெல்லா ஆல்டுயாண், ரூத் யாகுபு மற்றும் ஏமி பாய்டுக்கு நன்றி**
**✍️ எங்கள் ஆசிரியர்களுக்கு நன்றிகள்** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu மற்றும் Amy Boyd
**🎨 எங்கள் வரைபடக்காரர்களுக்கு மேலும் நன்றி** தமோமி இமுரா, தசானி மாதிபள்ளி மற்றும் ஜென் லூப்பர்
**🎨 எங்கள் விளக்கப்படங்களை உருவாக்கியவர்க்கு நன்றிகள்** Tomomi Imura, Dasani Madipalli மற்றும் Jen Looper
**🙏 சிறப்பு நன்றி 🙏 எங்கள் Microsoft மாணவர் தூதர்கள் எழுத்தாளர்கள், மதிப்பீட்டாளர்கள் மற்றும் உள்ளடக்கக் கூட்டுரிமையாளர்களுக்கு**, குறிப்பாக ரிஷித் டாக்லி, முஹம்மद் சகிப் கான் இனான், ரோஹான் ராஜ், அலெக்ஸாண்ட்ரு பெட்ரேஸ்கு, அபிஷேக் ஜெய்ச்வால், நவரின் தபாஸ்சுமு, இஒன் சாமுவிலா மற்றும் ஸ்னிக்தா அகர்வால்
**🙏 சிறப்பு நன்றி 🙏 Microsoft மாணவர் தூதர்கள் ஆசிரியர்கள், மதிப்பீட்டாளர்கள் மற்றும் உள்ளடக்க பங்களிப்பாளர்களுக்கு**, குறிப்பாக Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila மற்றும் Snigdha Agarwal
**🤩 Microsoft மாணவர் தூதர்கள் எரிக் வான்ஜா, ஜஸ்லின் சோந்து மற்றும் விதுஷி குப்தாவின் எங்கள் R பாடங்களுக்கான கூடுதல் நன்றி!**
**🤩 மேலும் Microsoft மாணவர் தூதர்கள் Eric Wanjau, Jasleen Sondhi மற்றும் Vidushi Gupta க்கு R பாடங்களுக்கான நன்றி!**
# தொடக்க வழிமுறைகள்
# தொடக்கம்
பின்வரும் படிகளை பின்பற்றவும்:
1. **களஞ்சியத்தை Fork செய்க**: இப்பக்கத்தின் மேல் வலது மூலையில் உள்ள "Fork" பொத்தானை கிளிக் செய்யவும்.
> [இந்த படிப்பிற்கு மேலதிக அனைத்து வளங்களையும் எங்கள் Microsoft Learn ஒட்டுபடியில் காணவும்](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [இந்த பாடத்திட்டத்துக்கான மேலதிக வளங்களை எங்கள் Microsoft கற்றல் சேகரத்தில் காண்க](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **உதவி தேவைப்படுகிறதா?** நிறுவுதல், அமைப்பு மற்றும் பாடங்கள் செயல்படுத்த தொடர்பான பொதுவான பிரச்சனைகளுக்கான தீர்வுகளை பெற எங்கள் [Troubleshooting Guide](TROUBLESHOOTING.md) ஐ பார்க்கவும்.
> 🔧 **உதவி தேவை வசதிகளுக்கு?** உள்ளமைவு, சமநிலை, மற்றும் பாடங்களை இயக்குவதற்கு பொதுவான பிரச்சினைகளுக்கு [தெரிய வண்டிய வழிகாட்டி](TROUBLESHOOTING.md) ஐப் பார்வையிடவும்.
**[மாணவர்கள்](https://aka.ms/student-page)**, இந்த பாடத்திட்டத்தை பயன்படுத்த, முழு களஞ்சியத்தை உங்கள் சொந்த GitHub கணக்கிற்கு fork செய்து தனியாக அல்லது குழுவாகப் பயிற்சிகளை முடிக்கவும்:
**[மாணவர்கள்](https://aka.ms/student-page)**, இந்த பாடத்திட்டத்தைப் பயன்படுத்த, முழு ரெப்போவை உங்கள் தனிப்பட்ட GitHub கணக்குக்கு fork செய்து, தனியாக அல்லது குழுவாக பயிற்சிகளை நிறைவேற்றவும்:
- ஒரு முன்பதிவு தேர்வை தொடங்கவும்.
- வகுப்பைப் படித்து செயல்பாடுகளை முடிக்கவும், ஒவ்வொரு அறிவியல் பரிசோதனையிலும் நிறுத்தி சிந்திக்கவும்.
- பதிலிடவும் குறியீடு செயல்படுத்தாமல் பாடங்களின் கருத்தை புரிந்து கொண்டு திட்டங்களை உருவாக்க முயற்சிக்கவும்; இருப்பினும் அந்த குறியீடு ஒவ்வொரு திட்ட சார்ந்த பாடத்திலும் `/solution` கோப்புறைகளில் கிடைக்கிறது.
- ஒரு பின்வழக்கு தேர்வை எடுத்துக் கொள்ளவும்.
- சவாலை முடிக்கவும்.
- முன்-வகுப்பு குயிசிலிருந்து தொடங்கவும்.
- வகுப்பைக் கவனமாக படித்து, செயல்களுக்கு நின்று சிந்திக்கவும்.
- பாடங்களை புரிந்து கொண்டு, தீர்வு குறியீட்டைக் இயக்கும் பதிலுக்கு பதிலாக திட்டங்களை உருவாக்க முயற்சிக்கவும்; ஆனால் அந்தக் குறியீடுகள் ஒவ்வொரு திட்டவியல் பாடத்திலும் `/solution` கோப்புறை里 கிடைக்கின்றன.
- பின்-வகுப்பு குயிசை எடுத்துக் கொள்ளவும்.
- சவாலை நிறைவேற்றவும்.
- பணியை முடிக்கவும்.
- ஒரு பாடத்திட்ட குழுவை முடித்த பிறகு, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) ஐப் பார்வையிடவும் மற்றும் பொருத்தமான PAT ருப்ரிகை நிரப்பி "பரிசீலனை" செய்க. 'PAT' என்பது முன்னேற்ற மதிப்பீட்டு கருவி ஆகும், இது உங்கள் கற்றலை மேம்படுத்த நீங்கள் நிரப்பும் ஒரு மதிப்பீட்டு அறிக்கை ஆகும். நீங்கள் மற்ற PATகளைப் பதிலளிக்கவும், அதனால் நாம் ஒன்றாக கற்றுக்கொள்ளலாம்.
- ஒரு பாடத்திட்டக் குழுவை முடித்த பிறகு, [உரையாடல் பலகை](https://github.com/microsoft/ML-For-Beginners/discussions) ஐ பார்வையிட்டு, "பொலிவுடன் கற்றுக்கொள்ள" தகுந்த PAT மதிப்பீட்டு கருவியை நிரப்பவும். 'PAT' என்பது முன்னேற்ற மதிப்பீட்டு கருவி ஆகும், இது உங்கள் கற்றலை மேம்படுத்தும் ஒரு குறியீட்டீடு. மற்ற PATகளுக்கும் உங்கள் கருத்துக்களை பகிர்ந்துகொள்ளலாம்.
> மேலதிக படிப்புக்கு, கீழ்கண்ட [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) மூலக்கோப்புகள் மற்றும் கற்றல் பாதைகளைக் கையாள பரிந்துரைக்கிறோம்.
> மேலும் படிக்க, மேற்கண்ட [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) தொகுப்புகள் மற்றும் கற்றல் பாதைகளைப் பின்பற்ற பரிந்துரைக்கிறோம்.
**ஆசிரியர்கள்**, இந்த பாடத்திட்டத்தை எவ்வாறு பயன்படுத்த வேண்டும் என்பதற்கான சில பரிந்துரைகளை நாங்கள் [இங்கே சேர்த்துள்ளோம்](for-teachers.md).
**ஆசிரியர்கள்**, எங்கள் பாடத்திட்டத்தை எவ்வாறு பயன்படுத்துவது என்பதற்கான சில பரிந்துரைகளை [இங்கே](for-teachers.md) கோரியுள்ளோம்.
---
## வீடியோ வழிகாட்டுதல்கள்
## வீடியோ நடைமுறை
சில பாடங்கள் குறுகிய படிவ வீடியோவாகக் கிடைக்கின்றன. இவற்றை பாடங்களில் நேரடியாக அல்லது [Microsoft Developer YouTube சேனலின் ML for Beginners பட்டியலில்](https://aka.ms/ml-beginners-videos) காணலாம், கீழே உள்ள படத்தை கிளிக் செய்து.
சில பாடங்கள் குறுகிய வடிவ வீடியோவில் கிடைக்கின்றன. இவை அனைத்தையும் பாடங்களில் நேரடியாக பார்க்கலாம் அல்லது [Microsoft Developer YouTube சேனலில் ML for Beginners பட்டியலில்](https://aka.ms/ml-beginners-videos) கீழே உள்ள படத்தை கிளிக் செய்து கண்டு கொள்ளலாம்.
[](https://aka.ms/ml-beginners-videos)
@ -89,90 +89,90 @@ Microsoft இல் உள்ள Cloud Advocates குழு, **கருவி
> 🎥 கீழுள்ள படத்தைப் பிறகு இந்தத் திட்டம் மற்றும் அதை உருவாக்கியவர்களைப் பற்றி வீடியோவைப் பார்க்க கிளிக் செய்யவும்!
> 🎥 மேலே படத்தைத் தட்டவும், திட்டம் மற்றும் அந்த திட்டத்தை உருவாக்கிய நபர்களைப் பற்றிய வீடியோவைக் காண!
---
## கற்றல் விதிமுறைகள்
## கல்வி முறைகள்
இந்த பாடத்திட்டத்தை உருவாக்கும்போது இரண்டு முக்கியக் கொள்கைகளை தேர்வு செய்துள்ளோம்: கையால் செய்கையில் **திட்ட அடிப்படையிலான** மற்றும் வெகு முறை **தேர்வுகள்** உள்ளது. கூடுதலாக, இந்த பாடத்திட்டத்திற்கு ஒரு பொதுவான **தீம்** உள்ளது, இது ஒற்றுமையை தருகிறது.
இந்த பாடத்திட்டத்தை உருவாக்கும்போது இரண்டு கல்வி நெறிமுறைகளை தேர்ந்தெடுத்துள்ளோம்: இது **தயாரிப்பு சார்ந்த திட்ட அடிப்படையிலான** மற்றும் அதில் **பல குயிச்களும்** அடிக்கப்பட்டுள்ளது என்பதை உறுதிசெய்தல். மேலும், இந்த பாடத்திட்டத்திற்கு பொதுவான ஒரு**தீம்** உள்ளது.
உள்ளடக்கம் திட்டங்களுடன் பொறுத்தவரை, மாணவர்களுக்கு இது மிக ஈர்க்கக்கூடியதாக மாறிப் பயிற்சியில் கருத்து நிலைத்த நிறுத்தத்தை மேம்படுத்தும். வகுப்பு தொடங்குவதற்கு முன்பாக குறைவான புள்ளிகளுடைய தேர்வு, மாணவர் அந்த பாடத்தை கற்றுக்கொள்ளும் எண்ணத்தை உருவாக்குகிறது, மற்றும் வகுப்பு முடிந்த பின்பு இரண்டாவது தேர்வு மேலதிக நினைவுத்திறனினை உறுதி செய்கிறது. இந்த பாடத்திட்டம் சுலபமாகவும் மகிழ்ச்சியாகவும் இருக்க வடிவமைக்கப்பட்டுள்ளது, முழுமையாக அல்லது ஒரு பகுதியை எடுத்துக்கொள்ளலாம். திட்டங்கள் சிறியதாக தொடங்கி 12 வாரங்கள் முடிவில் மெதுவாக அதிகரிக்கின்றன. இந்த பாடத்திட்டம் ML இன் உண்மையான உலக பயன்பாடுகள் பற்றிய ஒரு குறிப்பை உள்ளடக்கியுள்ளது, இது கூடுதல் மதிப்பெண் அல்லது சார்வு விவாதத்திற்கு பயன்படலாம்.
உள்ளடக்கம் திட்டங்களுக்கு உகந்ததாக இருக்கும் என்பதில் உறுதியளிப்பதால் மாணவர்களுக்கு இந்தப் பயிற்சி மேலும் ஈடுபடுத்தக்கூடியதாகவும், கருத்துகளின் நிலைத்தன்மை அதிகரிக்கும். வகுப்புக்கு முன் உள்ள குயிஸ் மாணவரின் கற்றுக்கொள்ளும் நோக்கத்தைக் குறிக்கிறது; வகுப்புக்குப் பிறகு உள்ள மற்றொரு குயிஸ் நிலைத்தன்மையை உறுதிப்படுத்துகிறது. இந்த பாடத்திட்டம் தனிமையாக அல்லது பகுதியாக எடுக்கக் கூடிய ஆர்வமூட்டும் வடிவத்தை கொண்டது. திட்டங்கள் சிறியதாக தொடங்கி, 12 வாரங்கள் கடைசிக்குள் சிக்கலானதாக மாறுகின்றன. இயந்திர கற்றல் தொடர்பான உலகளாவிய பயன்பாடுகளின் ஒரு பின்குறிப்பும் இதில் உள்ளது, இது கூடுதல் மதிப்பெண் அல்லது விவாதத்திற்கும் உதவும்.
> எங்கள் [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md), மற்றும் [Troubleshooting](TROUBLESHOOTING.md) வழிகாட்டுதல்களைப் பார்வையிடவும். உங்கள் பயனுள்ள கருத்துக்களை வரவேற்கிறோம்!
> எங்கள் [கண்காணிப்பு நெறிமுறைகள்](CODE_OF_CONDUCT.md), [பங்களிப்பு வழிகாட்டுதல்கள்](CONTRIBUTING.md), [மொழிபெயர்ப்பு](TRANSLATIONS.md), மற்றும் [சிக்கல்கள் தீர்வு](TROUBLESHOOTING.md) கையேடுகளை இங்கே கண்டறியவும். உங்கள் விளக்கமான கருத்துக்களை வரவேற்கின்றோம்!
## ஒவ்வொரு பாடத்திலும் உள்ளவை
- விருப்பத்தின் அடிப்படையிலான சுருக்கக் குறிப்புகள்
> **மொழிகள் குறித்த குறிப்பு**: இந்த பாடங்கள் பெரும்பாலும் Python இல் எழுதப்பட்டுள்ளன, ஆனால் பல R-ல் கிடைக்கின்றன. ஒரு R பாடத்தை முடிக்க, `/solution` கோப்புறையுக்குச் சென்று R பாடங்களைத் தேடவும். அவை `.rmd` நீட்சியுடன் உள்ளன, இது **R Markdown** கோப்பாகும், இது `code chunks` (R அல்லது பிற மொழிகள்) மற்றும் `YAML header`உடன் கூடிய ஒரு **Markdown** ஆவணமாக வரையறுக்கப்படுகிறது. இது ஒரு விடயம் பின்னணியை எழுத்தாளர் வரையறுக்கும் வடிவமைப்பாக இருக்கிறது, எங்கும் உங்கள் குறியீடு, அதன் வெளியீடு மற்றும் உங்கள் எண்ணங்களை Markdown வடிவில் எழுத அனுமதிக்கிறது. அதோடு, R Markdown ஆவணங்களை PDF, HTML அல்லது Word போன்ற வெளியீடு வடிவங்களுக்கு மாற்ற முடியும்.
> **க்விஸ் குறித்து ஒரு குறிப்புரை**: அனைத்து க்விஸ்களும் [Quiz App folder](../../quiz-app) இல் உள்ளன, ஒவ்வொரு க்விஸில் மூன்று கேள்விகள் உள்ள 52 க்கும் மேற்பட்ட க்விஸ்கள். இதைவழி பாடங்களிலிருந்து இணைக்கப்பட்டுள்ளன, ஆனால் quiz app-ஐ உள்ளூர் முறையில் இயக்கலாம்; உள்ளூரிலேயே ஹோஸ்ட் செய்ய அல்லது Azure க்கு வெளியிட `quiz-app` கோப்பகத்தில் உள்ள வழிமுறைகளை பின்பற்றவும்.
| பாட எண்ணிக்கை | தலைப்பு | பாடக் குழுவாக்கம் | கற்றல் குறிக்கோள்கள் | இணைக்கப்பட்ட பாடம் | ஆசிரியர் |
| 01 | இயந்திர கற்றல் அறிமுகம் | [Introduction](1-Introduction/README.md) | இயந்திர கற்றலின் அடிப்படைக் கருத்துக்களை கற்றுக்கொள்ளுங்கள் | [Lesson](1-Introduction/1-intro-to-ML/README.md) | முகமது |
| 02 | இயந்திரக் கற்றலின் வரலாறு | [Introduction](1-Introduction/README.md) | இந்த துறையின் பின்னணியிலான வரலாற்றைக் கற்றுக்கொள்ளுங்கள் | [Lesson](1-Introduction/2-history-of-ML/README.md) | ஜென் மற்றும் ஏமி |
| 03 | நியாயமான்க் கற்றலும் இயந்திரக் கற்றலும் | [Introduction](1-Introduction/README.md) | இயந்திரக் கற்றல் மாதிரிகளைக் கட்டும் போது மாணவர்கள் பரிசீலிக்க வேண்டிய நியாயம் சார்ந்த முக்கிய தத்துவ ரீதியான சிக்கல்கள் என்ன? | [Lesson](1-Introduction/3-fairness/README.md) | டோமோமி |
| 04 | இயந்திரக் கற்றலுக்கான தொழில்நுட்பங்கள் | [Introduction](1-Introduction/README.md) | இயந்திரக் கற்றல் ஆய்வாளர்கள் இயந்திரக் கற்றல் மாதிரிகளை உருவாக்க எந்த தொழில்நுட்பங்களைப் பயன்படுத்துகிறார்கள்? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | கிரிஸ் மற்றும் ஜென் |
| 05 | ரிகிரஷன் அறிமுகம் | [Regression](2-Regression/README.md) | ரிகிரஷன் மாதிரிகளுக்கான பைதான் மற்றும் ஸ்கைக்கிட்-லெர்னைப் பயன்படுத்த தொடங்குங்கள் | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | ஜென் • எரிக் வான்ஜௌ |
| 06 | வட அமெரிக்கவின் பூசணிக்காய் விலை 🎃 | [Regression](2-Regression/README.md) | இயந்திரக் கற்றலுக்கான தரவை கண்டு பிடித்து தூய்மை செய்யவும் | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | ஜென் • எரிக் வான்ஜௌ |
| 07 | வட அமெரிக்கவின் பூசணிக்காய் விலை 🎃 | [Regression](2-Regression/README.md) | வரிசையியல் மற்றும் தொகுப்பியல் ரிகிரஷன் மாதிரிகளை கட்டவும் | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | ஜென் மற்றும் ட்மிட்ரி • எரிக் வான்ஜௌ |
| 08 | வட அமெரிக்கவின் பூசணிக்காய் விலை 🎃 | [Regression](2-Regression/README.md) | ஒரு மொழிப்புரை ரிகிரஷன் மாதிரியை உருவாக்கு | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | ஜென் • எரிக் வான்ஜௌ |
| 09 | ஒரு வலைப் பயன்பாடு 🔌 | [Web App](3-Web-App/README.md) | உங்கள் பயிற்சி பெற்ற மாதிரியைப் பயன்படுத்த ஒரு வலைப் பயன்பாட்டை கட்டமைக்கவும் | [Python](3-Web-App/1-Web-App/README.md) | ஜென் |
| 10 | வகைப்படுத்தல் அறிமுகம் | [Classification](4-Classification/README.md) | உங்கள் தரவை சுத்தம் செய்ய, தயார் செய்ய மற்றும் காட்சிப்படுத்தவும்; வகைப்படுத்தலுக்கான அறிமுகம் | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | ஜென் மற்றும் காஸ்ஸி • எரிக் வான்ஜௌ |
| 11 | சுவையான ஆசிய மற்றும் இந்திய உணவுகள் 🍜 | [Classification](4-Classification/README.md) | வகைப்பாட்டாளர்களுக்கான அறிமுகம் | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | ஜென் மற்றும் காஸ்ஸி • எரிக் வான்ஜௌ |
| 12 | சுவையான ஆசிய மற்றும் இந்திய உணவுகள் 🍜 | [Classification](4-Classification/README.md) | மேலும் வகைப்பாட்டாளர்கள் | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | ஜென் மற்றும் காஸ்ஸி • எரிக் வான்ஜௌ |
| 13 | சுவையான ஆசிய மற்றும் இந்திய உணவுகள் 🍜 | [Classification](4-Classification/README.md) | உங்கள் மாதிரியைப் பயன்படுத்தி ஒரு பரிந்துரையாளர் வலைப் பயன்பாட்டை கட்டுங்கள் | [Python](4-Classification/4-Applied/README.md) | ஜென் |
| 14 | தொடர்புபடுத்தல் அறிமுகம் | [Clustering](5-Clustering/README.md) | உங்கள் தரவை சுத்தம் செய்து, தயார் செய்து, காட்சிப்படுத்தவும்; தொடர்புபடுத்தலுக்கு அறிமுகம் | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | ஜென் • எரிக் வான்ஜௌ |
| 15 | நைஜீரிய இசை ருசிகளை ஆராய்தல் 🎧 | [Clustering](5-Clustering/README.md) | K-மீன்ஸ் தொடர்புபடுத்தல் முறையை ஆராயவும் | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | ஜென் • எரிக் வான்ஜௌ |
| 16 | இயற்கை மொழி செயலாக்கம் அறிமுகம் ☕️ | [Natural language processing](6-NLP/README.md) | ஒரு எளிய பாட்டை கட்டி NLP அடிப்படைகளை கற்றுக்கொள்ளுங்கள் | [Python](6-NLP/1-Introduction-to-NLP/README.md) | ஸ்டீفن |
| 17 | பொதுவான NLP பணிகள் ☕️ | [Natural language processing](6-NLP/README.md) | மொழி அமைப்புகளுடன் பணியாற்றும் பொழுதும் தேவையான பொதுவான பணிகளைப் புரிந்துகொண்டு உங்கள் NLP அறிவை ஆழப்படுத்துங்கள் | [Python](6-NLP/2-Tasks/README.md) | ஸ்டீفن |
| 18 | மொழிபெயர்ப்பு மற்றும் உணர்ச்சி பகுப்பாய்வு ♥️ | [Natural language processing](6-NLP/README.md) | ஜேன் ஆஸ்டனுடன் மொழிபெயர்த்து உணர்ச்சி பகுப்பாய்வு | [Python](6-NLP/3-Translation-Sentiment/README.md) | ஸ்டீفن |
| 19 | ஐரோப்பாவின் காதலுடன் கூடிய விடுதிகள் ♥️ | [Natural language processing](6-NLP/README.md) | விடுதி மதிப்பாய்வுகளுடன் உணர்ச்சி பகுப்பாய்வு 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | ஸ்டீفن |
| 20 | ஐரோப்பாவின் காதலுடன் கூடிய விடுதிகள் ♥️ | [Natural language processing](6-NLP/README.md) | விடுதி மதிப்பாய்வுகளுடன் உணர்ச்சி பகுப்பாய்வு 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | ஸ்டீفن |
| 21 | காலவரிசை முன்னறிவிப்பு அறிமுகம் | [Time series](7-TimeSeries/README.md) | காலவரிசை முன்னறிவிப்பில் அறிமுகம் | [Python](7-TimeSeries/1-Introduction/README.md) | பிரான்செஸ்கா |
| 22 | ⚡️ உலக வலியமைப்பு ⚡️ - ARIMA உடன் காலவரிசை முன்னறிவிப்பு | [Time series](7-TimeSeries/README.md) | ARIMA உடன் காலவரிசை முன்னறிவிப்பு | [Python](7-TimeSeries/2-ARIMA/README.md) | பிரான்செஸ்கா |
| 23 | ⚡️ உலக வலியமைப்பு ⚡️ - SVR உடன் காலவரிசை முன்னறிவிப்பு | [Time series](7-TimeSeries/README.md) | Support Vector Regressor உடன் காலவரிசை முன்னறிவிப்பு | [Python](7-TimeSeries/3-SVR/README.md) | அனிர்பான் |
| 24 | ஊக்கமளிக்கும் கற்றலுக்கான அறிமுகம் | [Reinforcement learning](8-Reinforcement/README.md) | Q-Learning உடன் ஊக்கமளிக்கும் கற்றலுக்கான அறிமுகம் | [Python](8-Reinforcement/1-QLearning/README.md) | ட்மிட்ரி |
| 25 | பீட்டரை கிளியைத் தவிர்க்க உதவி செய்! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | ஊக்கமளிக்கும் கற்றல் ஜிம் | [Python](8-Reinforcement/2-Gym/README.md) | ட்மிட்ரி |
| பிறசுருக்கம் | இயந்திரக் கற்றல் பாவனைகள் மற்றும் செயல்முறைகள் | [ML in the Wild](9-Real-World/README.md) | பாரம்பரிய இயந்திரக் கற்றல் பற்றிய சுவாரஸ்யமான மற்றும் வெளிப்படையான பாவனைகள் | [Lesson](9-Real-World/1-Applications/README.md) | குழு |
| பிறசுருக்கம் | RAI டேஷ்போர்டைப் பயன்படுத்தி ML மாதிரிகள் பிழைத்திருத்தல் | [ML in the Wild](9-Real-World/README.md) | பொறுப்பான AI டேஷ்போர்ட் கூறுகளைப் பயன்படுத்தி இயந்திரக் கற்றல் மாதிரிகள் பிழைத்திருத்தல் | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | ரூத் யாக்குபு |
> [இந்த பாடத்துக்கான கூடுதல் ஆதாரங்களை எங்கள் Microsoft Learn சேகரிப்பில் காணவும்](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## ஆன்லைன் இல்லாமல் அணுகல்
[Docsify](https://docsify.js.org/#/) பயன்படுத்தி நீங்கள் இந்த ஆவணத்தையும் ஆன்லைன் இல்லாமல் இயக்கலாம். இந்த ரெப்போவை ஃபோர்க் செய்து, [Docsify ஐ நிறுவி](https://docsify.js.org/#/quickstart) உங்கள் உள்ளூர்மின்னணு கணினியிலேயே, பின்னர் இந்த ரெப்போவின் ரூட் கோப்பகத்தில் `docsify serve` என்பதை இன்ஸ்டால் செய்து இயக்குங்கள். இந்த இணையத்தளம் உங்கள் உள்ளூர் கணினியின் போர்ட் 3000 இல் வழங்கப்படும்: `localhost:3000`.
## PDFகள்
வழிகாட்டியின் PDF-ஐ இதன் மூலம் இணைப்புகள் கொண்டாகக் காணவும் [இங்கே](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 பிற பாடங்கள்
எங்கள் குழு பிற பாடங்களையும் உருவாக்குகிறது! நிச்சயமாக பாருங்கள்:
> **மொழிகள் குறித்த குறிப்பு**: இந்தப் பாடங்கள் பெரும்பாலும் Python இல் எழுதப்பட்டவை, ஆனால் பல பாடங்கள் R மொழியிலும் கிடைக்கின்றன. R பாடத்தை முடிக்க, `/solution` கோப்புறையிலிருந்து R பாடங்களைத் தேடுங்கள். அவற்றிற்கு .rmd நீட்சிகள் உள்ளன, இது ஒரு **R Markdown** கோப்பாகும், இது `code chunks` (R அல்லது பிற மொழிகள்) மற்றும் `YAML header`(PDF போன்ற வடிவங்களை உண்டாக்க வழிகாட்டுகிறது) கொண்ட ஒரு Markdown உருவாக்க முறையாகும். இதன் மூலம் உங்கள் குறியீடு, அதன் வெளியீடு மற்றும் உங்கள் யோசனைகளை Markdown வடிவத்தில் எழுத முடியும். மேலும், R Markdown ஆவணங்களை PDF, HTML அல்லது Word போன்ற வடிவங்களில் உருவாக்கலாம்.
> **க்விஸ்கள் பற்றி ஒரு குறிப்பு**: அனைத்து க்விஸ்களும் [Quiz App folder](../../quiz-app) இல் உள்ளன, ஒவ்வொன்றிலும் மூன்று கேள்விகளுடன் 52 மொத்த க்விஸ்கள் உள்ளன. அவை பாடத்தின் உள்ளே இணைக்கப்பட்டுள்ளன, ஆனால் க்விஸ் செயலியை உள்ளூர் முறையில் இயக்கலாம்; உள்ளூரில் ஹோஸ்ட் செய்ய அல்லது Azure இல் பரப்பும் வழிமுறையை `quiz-app` அடைவிலுள்ள அறிவுறுத்தல்களின் பேரில் பின்பற்றவும்.
| பாடம் எண் | தலைப்பு | பாடக் குழு | கற்றல் நோக்கங்கள் | இணைக்கப்பட்ட பாடம் | ஆசிரியர் |
| 01 | இயந்திரக் கற்றல் அறிமுகம் | [Introduction](1-Introduction/README.md) | இயந்திரக் கற்றலின் அடிப்படை கருத்துக்களை கற்றுக்கொள்ளவும் | [பாடம்](1-Introduction/1-intro-to-ML/README.md) | முகம்மது |
| 02 | இயந்திரக் கற்றலின் வரலாறு | [Introduction](1-Introduction/README.md) | இந்த துறையின் பின்னணியிலான வரலாரை கற்றுக்கொள்ளவும் | [பாடம்](1-Introduction/2-history-of-ML/README.md) | ஜென் மற்றும் ஏமி |
| 03 | நியாயத்தன்மை மற்றும் இயந்திரக் கற்றல் | [Introduction](1-Introduction/README.md) | இயந்திரக் கற்றல் மாதிரிகளை உருவாக்கி செயல்படுத்தும் போது மாணவர்கள் பரிசீலிக்கவேண்டிய முக்கிய தத்துவப் பிரச்சினைகள் என்னவாக இருக்கின்றன? | [பாடம்](1-Introduction/3-fairness/README.md) | தொமொமி |
| 04 | இயந்திரக் கற்றல் தொழில்நுட்பங்கள் | [Introduction](1-Introduction/README.md) | இயந்திரக் கற்றல் மாதிரிகளை உருவாக்கக் ஆராய்ச்சியாளர்கள் பயன்படுத்தும் தொழில்நுட்பங்கள் என்ன? | [பாடம்](1-Introduction/4-techniques-of-ML/README.md) | கிரிஸ் மற்றும் ஜென் |
| 05 | சராசரி முன்னறிக்கை அறிமுகம் | [Regression](2-Regression/README.md) | பைதான் மற்றும் ஸ்கிக்கிட்-லர்ன் பயன்படுத்தி சராசரி முன்னறிக்கை மாதிரிகளை தொடங்குங்கள் | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | ஜென் • எரிக் வன்ஜாவ் |
| 06 | வட அமெரிக்க பரங்கிப்பொதனள விலை 🎃 | [Regression](2-Regression/README.md) | இயந்திரக் கற்றலுக்கான தரவை காட்சிப்படுத்தி சுத்திகரிக்கவும் | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | ஜென் • எரிக் வன்ஜாவ் |
| 07 | வட அமெரிக்க பரங்கிப்பொதனள விலை 🎃 | [Regression](2-Regression/README.md) | கோட்படுத்தப்பட்ட மற்றும் பலவகை சராசரி முன்னறிக்கை மாதிரிகளை உருவாக்கவும் | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | ஜென் மற்றும் திமித்ரி • எரிக் வன்ஜாவ் |
| 08 | வட அமெரிக்க பரங்கிப்பொதனள விலை 🎃 | [Regression](2-Regression/README.md) | லாஜிஸ்டிக் சராசரி முன்னறிக்கை மாதிரியை உருவாக்கவும் | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | ஜென் • எரிக் வன்ஜாவ் |
| 09 | ஒரு வலை பயன்பாடு 🔌 | [Web App](3-Web-App/README.md) | உங்கள் பயிற்சி பெற்ற மாதிரியை பயன்படுத்த ஒரு வலை பயன்பாட்டை உருவாக்கவும் | [Python](3-Web-App/1-Web-App/README.md) | ஜென் |
| 10 | வகைப்படுத்தலுக்கு அறிமுகம் | [Classification](4-Classification/README.md) | தரவினை சுத்திகரித்து, தயார் செய்து காட்சிப்படுத்தவும்; வகைப்படுத்தலுக்கு அறிமுகம் | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | ஜென் மற்றும் கேசி • எரிக் வன்ஜாவ் |
| 11 | சுவையான ஆசிய மற்றும் இந்திய உணவுப் பாரம்பரியங்கள் 🍜 | [Classification](4-Classification/README.md) | வகைப்படுத்தலுக்கான அறிமுகம் | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | ஜென் மற்றும் கேசி • எரிக் வன்ஜாவ் |
| 12 | சுவையான ஆசிய மற்றும் இந்திய உணவுப் பாரம்பரியங்கள் 🍜 | [Classification](4-Classification/README.md) | கூடுதலான வகைப்படுத்திகள் | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | ஜென் மற்றும் கேசி • எரிக் வன்ஜாவ் |
| 13 | சுவையான ஆசிய மற்றும் இந்திய உணவுப் பாரம்பரியங்கள் 🍜 | [Classification](4-Classification/README.md) | உங்கள் மாதிரியை பயன்படுத்தி பரிந்துரை செய்யும் வலை பயன்பாட்டை உருவாக்கவும் | [Python](4-Classification/4-Applied/README.md) | ஜென் |
| 14 | குழுக்களுக்கான அறிமுகம் | [Clustering](5-Clustering/README.md) | தரவினை சுத்திகரித்து, தயார் செய்து காட்சிப்படுத்து; குழுக்களுக்கான அறிமுகம் | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | ஜென் • எரிக் வன்ஜாவ் |
| 15 | நைஜீரிய இசை விருப்பங்களை ஆராயல் 🎧 | [Clustering](5-Clustering/README.md) | K-Means குழுக்கள முறையை ஆராயவும் | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | ஜென் • எரிக் வன்ஜாவ் |
| 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) | மொழிமுறை அமைப்புகளை கையாளும் போது தேவைப்படும் பொதுவான பணிகளைக் கொண்டு உங்கள் NLP அறிவை ஆழமாகப் புரிந்துகொள்ளவும் | [Python](6-NLP/2-Tasks/README.md) | ஸ்டீபன் |
| 18 | மொழிபெயர்ப்பு மற்றும் உணர்வு பகுப்பாய்வு ♥️ | [Natural language processing](6-NLP/README.md) | ஜெய்ன் ஆச்டன் உடன் மொழிபெயர்ப்பு மற்றும் உணர்வு பகுப்பாய்வு | [Python](6-NLP/3-Translation-Sentiment/README.md) | ஸ்டீபன் |
| 19 | ஐரோப்பிய காதலிடும் ஹோட்டல்கள் ♥️ | [Natural language processing](6-NLP/README.md) | ஹோட்டல் விமர்சனங்களுடன் உணர்வு பகுப்பாய்வு 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | ஸ்டீபன் |
| 20 | ஐரோப்பிய காதலிடும் ஹோட்டல்கள் ♥️ | [Natural language processing](6-NLP/README.md) | ஹோட்டல் விமர்சனங்களுடன் உணர்வு பகுப்பாய்வு 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | ஸ்டீபன் |
| 21 | கால தொடர் முன்கூட்டிப் புலனாய்வுக்கு அறிமுகம் | [Time series](7-TimeSeries/README.md) | கால தொடர்முன்கூட்டுச் செயல்முறைக்கு அறிமுகம் | [Python](7-TimeSeries/1-Introduction/README.md) | பிரான்செஸ்கா |
| 22 | ⚡️ உலக சக்தி பயன்பாடு ⚡️ - ARIMA உடன் கால தொடர் முன்கூட்டிப்பு | [Time series](7-TimeSeries/README.md) | ARIMA உடன் கால தொடர் முன்கூட்டிப்பு | [Python](7-TimeSeries/2-ARIMA/README.md) | பிரான்செஸ்கா |
| 23 | ⚡️ உலக சக்தி பயன்பாடு ⚡️ - SVR உடன் கால தொடர் முன்கூட்டிப்பு | [Time series](7-TimeSeries/README.md) | Support Vector Regressor உடன் கால தொடர் முன்கூட்டிப்பு | [Python](7-TimeSeries/3-SVR/README.md) | அனிர்பன் |
| 24 | மீண்டும் வலுவூட்டும் கற்றலுக்கு அறிமுகம் | [Reinforcement learning](8-Reinforcement/README.md) | Q-Learning உடன் மீண்டும் வலுவூட்டும் கற்றலுக்கு அறிமுகம் | [Python](8-Reinforcement/1-QLearning/README.md) | திமித்ரி |
| 25 | பீட்டர் ஓநாயை தவிர்க்க உதவு! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | மீண்டும் வலுவூட்டும் கற்றல் ஜிம் | [Python](8-Reinforcement/2-Gym/README.md) | திமித்ரி |
| பின்னூட்டம் | நிஜ உலக இயந்திரக் கற்றல் நிகழ்வுகள் மற்றும் பயன்பாடுகள் | [ML in the Wild](9-Real-World/README.md) | பாரம்பரிய இயந்திரக் கற்றலின் சுவாரஸ்யமான மற்றும் வெளிப்படுத்தும் உலகநிலை பயன்பாடுகள் | [பாடம்](9-Real-World/1-Applications/README.md) | குழு |
| பின்னூட்டம் | RAI டாஷ்போர்டைப் பயன்படுத்தி இயந்திரக் கற்றலில் மாதிரி பிழைத்திருத்தல் | [ML in the Wild](9-Real-World/README.md) | பொறுப்பான AI டாஷ்போர்ட் கூறுகளைப் பயன்படுத்தி இயந்திரக் கற்றலில் மாதிரி பிழைத்திருத்தல் | [பாடம்](9-Real-World/2-Debugging-ML-Models/README.md) | ரூத் யாகுபு |
> [இந்த பாடத்திற்கான அனைத்து கூடுதல் வளங்களையும் எங்கள் Microsoft Learn சேகரிப்பில் காண்க](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## ஆஃப்லைன் அணுகல்
[Docsify](https://docsify.js.org/#/) பயன்படுத்தி நீங்கள் இந்த ஆவணத்தை ஆஃப்லைனிலேயே இயக்கலாம். இந்த ரெபோக்களை ஃபோர்க் செய்து, உங்கள் உள்ளூர் கணினியில் [Docsify ஐ நிறுவவும்](https://docsify.js.org/#/quickstart), பின்னர் இந்த ரெபோவின் துவக்க அடைவில் `docsify serve` என்று உள்ளிடவும். இணையதளம் உங்கள் உள்ளூர் இயந்திரத்தில் 3000 வலைத்துறை இயக்கத்தில் இருக்கும்: `localhost:3000`.
## PDF-கள்
அடிப்படைக் குறிப்புகளின் PDF-ஐ உடன் இணைப்புடன் [இங்கே](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) காண்க.
## 🎒 பிற பாடத்திட்டங்கள்
எமது குழு பிற பாடங்களையும் உருவாக்குகிறது! பாருங்கள்:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### லாங்க்செயின்
### 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)
---
### அஜூர் / எட்ஜ் / MCP / முகவர்கள்
### Azure / Edge / MCP / Agents
[](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)
@ -180,7 +180,7 @@ Microsoft இல் உள்ள Cloud Advocates குழு, **கருவி
---
### உருவாக்கும் AI தொடர்முறை
### ஜெனரேற்றிவ் 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)
@ -188,7 +188,7 @@ Microsoft இல் உள்ள Cloud Advocates குழு, **கருவி
---
### அடிப்படை கற்றல்
### முக்கியக் 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)
@ -205,13 +205,13 @@ Microsoft இல் உள்ள Cloud Advocates குழு, **கருவி
நீங்கள் தடுமாறினால் அல்லது AI செயலிகள் உருவாக்குவது பற்றி ஏதேனும் கேள்விகள் இருந்தால். MCP பற்றி விவாதங்களில் சக கற்றுக்கொள்ளுநர்களும் அனுபவசாலி மேம்படுத்துநர்களும் இணைந்திடுங்கள். கேள்விகள் வரவேற்கப்படும் மற்றும் அறிவு சுதந்திரமாக பகிரப்படும் ஆதரவான சமூகம் இது.
AI செயலிகள் விரிவாக்கத்தில் சிக்கல் ஏற்பட்டால் அல்லது ஏதேனும் கேள்விகள் இருந்தால், MCP பற்றிய விவாதங்களில் மற்ற மாணவர்களும் அனுபவம் வாய்ந்த முன்னேற்றுநர்களும் இணைந்துகொள்ளவும். கேள்விகள் கொள்ளப்படுவதற்கும் அறிவு சுதந்திரமாக பகிரப்படுவதற்கும் இது ஒரு ஆதரவான சமுதாயம் ஆகும்.
@ -219,5 +219,5 @@ Microsoft இல் உள்ள Cloud Advocates குழு, **கருவி
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**குறிப்பு**:
இந்த ஆவணம் AI மொழிபெயர்ப்பு சேவையான [Co-op Translator](https://github.com/Azure/co-op-translator) மூலம் மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சித்தும் வருகிறோம், ஆனால் தானியங்கியான மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறுகள் இருக்க வாய்ப்பு உள்ளது. அடிப்படை ஆவணம் அதன் சொந்த/native மொழியில் அதிகாரப்பூர்வமான ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்முறை மனித மொழிபெயர்ப்பை பரிந்துரைக்கின்றோம். இந்த மொழிபெயர்ப்பின் பயன்படுத்தலால் ஏற்படும் தவறுசெய்திகள் அல்லது தவறான புரிதலுக்கு எங்கள் பொறுப்பு இல்லை.
இந்தக் கோப்புப் பதிவு [Co-op Translator](https://github.com/Azure/co-op-translator) எனும் AI மொழிபெயர்ப்பு சேவையைப் பயன்படுத்தி மொழிபெயர்க்கப்பட்டது. எங்களின் முயற்சிகள் இல்லாமல், தானியங்கியான மொழிபெயர்ப்பு தவறுகள் அல்லது நான்கு குறைகள் இருக்க வாய்ப்பு உள்ளன என்பதை நினைவில் கொள்ளவும். அசல் ஆவணம் அதன் முதன்மை மொழியில் தான் நம்பகமான ஆதாரம் ஆகும். முக்கியமான தகவல்களுக்காக, தொழில்முறை மனிதர் மொழிபெயர்ப்பை பரிந்துரைக்கிறோம். இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் தவறான புரிதல்கள் அல்லது தவறான விளக்கங்களுக்கு எங்கள் பொறுப்பே இல்லை.
localizeflow[bot]
3 days ago