[](https://youtu.be/N6wxM4wZ7V0 "ಆರಂಭಿಕರಿಗಾಗಿ ಯಂತ್ರ ಅಧ್ಯಯನ - ಯಂತ್ರ ಅಧ್ಯಯನದ ಇತಿಹಾಸ")
[](https://youtu.be/N6wxM4wZ7V0 "ಪ್ರಾರಂಭಿಕರಿಗಾಗಿ ML - ಯಂತ್ರ ಶಿಕ್ಷಣದ ಇತಿಹಾಸ")
> 🎥 ಈ ಪಾಠವನ್ನು ವಿವರಿಸುವ ಚಿಕ್ಕ ವೀಡಿಯೊಗಾಗಿ ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ.
> 🎥 ಈ ಪಾಠದ ಮೂಲಕ ಇರುವ ಒಂದು ಚಿಕ್ಕ ವಿಡಿಯೋ ನೋಡಲು ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ.
ಈ ಪಾಠದಲ್ಲಿ, ನಾವು ಯಂತ್ರ ಅಧ್ಯಯನ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಇತಿಹಾಸದ ಪ್ರಮುಖ ಮೈಲಿಗಲ್ಲುಗಳನ್ನು ಪರಿಶೀಲಿಸುವೆವು.
ಈ ಪಾಠದಲ್ಲಿ, ನಾವು ಯಂತ್ರ ಶಿಕ್ಷಣ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಇತಿಹಾಸದ ಪ್ರಮುಖ ಮೈಲುಗಲ್ಲುಗಳನ್ನು ವಿಶ್ಲೇಷಿಸೋಣ.
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಕ್ಷೇತ್ರದ ಇತಿಹಾಸವು ಯಂತ್ರ ಅಧ್ಯಯನದ ಇತಿಹಾಸದೊಂದಿಗೆ絡ಗೊಂಡಿದೆ, ಏಕೆಂದರೆ ML ಅನ್ನು ಆಧರಿಸುವ ಅಲ್ಗಾರಿದಮ್ಗಳು ಮತ್ತು ಗಣನಾತ್ಮಕ ಪ್ರಗತಿಗಳು AI ಅಭಿವೃದ್ಧಿಗೆ ಸಹಾಯ ಮಾಡಿವೆ. ಈ ಕ್ಷೇತ್ರಗಳು 1950ರ ದಶಕದಲ್ಲಿ ಪ್ರತ್ಯೇಕ ವಿಚಾರಣಾ ಕ್ಷೇತ್ರಗಳಾಗಿ ರೂಪುಗೊಂಡರೂ, ಪ್ರಮುಖ [ಅಲ್ಗಾರಿದಮಿಕ್, ಸಾಂಖ್ಯಿಕ, ಗಣಿತೀಯ, ಗಣನಾತ್ಮಕ ಮತ್ತು ತಾಂತ್ರಿಕ ಆವಿಷ್ಕಾರಗಳು](https://wikipedia.org/wiki/Timeline_of_machine_learning) ಈ ಕಾಲಘಟ್ಟಕ್ಕಿಂತ ಮುಂಚಿತವಾಗಿಯೂ ಮತ್ತು ಅಡ್ಡವಾಗಿ ನಡೆದಿವೆ. ವಾಸ್ತವವಾಗಿ, ಜನರು ಈ ಪ್ರಶ್ನೆಗಳ ಬಗ್ಗೆ [ನೂರು ವರ್ಷಗಳಿಂದ](https://wikipedia.org/wiki/History_of_artificial_intelligence) ಯೋಚಿಸುತ್ತಿದ್ದಾರೆ: ಈ ಲೇಖನವು 'ಚಿಂತಿಸುವ ಯಂತ್ರ' ಎಂಬ ಕಲ್ಪನೆಯ ಇತಿಹಾಸಾತ್ಮಕ ಬೌದ್ಧಿಕ ಆಧಾರಗಳನ್ನು ಚರ್ಚಿಸುತ್ತದೆ.
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಕ್ಷೇತ್ರದ ಇತಿಹಾಸವು ಯಂತ್ರ ಶಿಕ್ಷಣದ ಇತಿಹಾಸದೊಂದಿಗೆ絡ಗೊಂಡಿದ್ದು, ML ನ ಆಧಾರದ_algorithms ಮತ್ತು ಗಣಕ ತಾಂತ್ರಿಕ ಪ್ರಗತಿಗಳು AI ನ ಅಭಿವೃದ್ಧಿಗೆ ಕಾರಣವಾಗಿದೆ. ಈ ಕ್ಷೇತ್ರಗಳು 1950 ರಲ್ಲಿ ವಿಶಿಷ್ಟ ಅಭ್ಯಾಸಗಳಾಗಿ ಪ್ರಾರಂಭವಾದರೂ, [ಆಲ್ಗೋರಿದ್ಧ್ಮಿಕ, ಸಾಂಖ್ಯಿಕ, ಗಣಿತೀಯ, ಗಣಕ ಮತ್ತು ತಾಂತ್ರಿಕ ಅನ್ವೇಷಣೆಗಳು](https://wikipedia.org/wiki/Timeline_of_machine_learning) ಈ ಕಾಲವನ್ನು ಮೀರಿಸಿ ಇನ್ನೂ ಶತಗಳು ಹಿಂದೆ ಇವೆ. ನಿಜಕ್ಕೂ, ಜನರು ಈ ಪ್ರಶ್ನೆಗಳ ಬಗ್ಗೆ [ನೂರಾರು ವರ್ಷಗಳಿಂದ](https://wikipedia.org/wiki/History_of_artificial_intelligence) ಯೋಚಿಸುತ್ತಿದ್ದರೆಂದು ನಾವು ತಿಳಿದುಕೊಳ್ಳಬಹುದು: ಈ ಲೇಖನ 'ಯೋಚಿಸುವ ಯಂತ್ರ' ಎನ್ನುವ ಕಲ್ಪನೆಯ ವಿಚಾರಾತ್ಮಕ ಮೂಲಗಳನ್ನು ಚರ್ಚಿಸುತ್ತದೆ.
---
---
## ಪ್ರಮುಖ ಆವಿಷ್ಕಾರಗಳು
## ಪ್ರಮುಖ ಆವಿಷ್ಕಾರಗಳು
- 1763, 1812 [ಬೇಯ್ಸ್ ಸಿದ್ಧಾಂತ](https://wikipedia.org/wiki/Bayes%27_theorem) ಮತ್ತು ಅದರ ಪೂರ್ವಜರು. ಈ ಸಿದ್ಧಾಂತ ಮತ್ತು ಅದರ ಅನ್ವಯಗಳು ನಿರ್ಣಯಕ್ಕೆ ಆಧಾರವಾಗಿದ್ದು, ಹಿಂದಿನ ಜ್ಞಾನ ಆಧಾರದ ಮೇಲೆ ಘಟನೆ ಸಂಭವಿಸುವ ಸಾಧ್ಯತೆಯನ್ನು ವಿವರಿಸುತ್ತದೆ.
- 1763, 1812 [ಬೇಯ್ಸ್ ಸಿದ್ಧಾಂತ](https://wikipedia.org/wiki/Bayes%27_theorem) ಮತ್ತು ಅದರ ಹಿಂದಿನ ಸಿದ್ಧಾಂತಗಳು. ಈ ಸಿದ್ಧಾಂತ ಮತ್ತು ಅದರ ಅನ್ವಯಗಳು ವಾರ್ತೆಯ ಸಂಭವನೀಯತೆಯನ್ನು ಹಿಂದಿನ ಜ್ಞಾನ ಆಧಾರದಲ್ಲಿ ವಿವರಿಸುತ್ತವೆ.
- 1805 [ಕನಿಷ್ಠ ಚದರ ಸಿದ್ಧಾಂತ](https://wikipedia.org/wiki/Least_squares) ಫ್ರೆಂಚ್ ಗಣಿತಜ್ಞ ಅಡ್ರಿಯನ್-ಮೇರಿ ಲೆಜೆಂಡ್ರ್ ರವರಿಂದ. ಈ ಸಿದ್ಧಾಂತವನ್ನು ನೀವು ನಮ್ಮ ರಿಗ್ರೆಷನ್ ಘಟಕದಲ್ಲಿ ಕಲಿಯುತ್ತೀರಿ, ಇದು ಡೇಟಾ ಹೊಂದಾಣಿಕೆಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ.
- 1805 ಫ್ರೆಂಚ್ ಗಣಿತಜ್ಞ ಅ드್ರಿಯನ್-ಮ್ಯಾರಿ ಲೆಜೆಂದ್ರೆ ಅವರ [ಲೀಸ್ಟ್ ಸ್ಕ್ವೇರ್ ಸಿದ್ದಾಂತ](https://wikipedia.org/wiki/Least_squares). ನೀವು ಇಲ್ಲಿ ನಮ್ಮ ರಿಗ್ರೆಷನ್ ವಿಭಾಗದಲ್ಲಿ ಈ ಸಿದ್ಧಾಂತವನ್ನು ಕಲಿಯೋಿರಿ, ಇದು ಡೇಟಾ ಹೊಂದಿಸುವಿಕೆಗೆ ಸಹಾಯಮಾಡುತ್ತದೆ.
- 1913 [ಮಾರ್ಕೋವ್ ಸರಪಳಿ](https://wikipedia.org/wiki/Markov_chain), ರಷ್ಯನ್ ಗಣಿತಜ್ಞ ಆಂಡ್ರೇ ಮಾರ್ಕೋವ್ ಅವರ ಹೆಸರಿನಲ್ಲಿ, ಹಿಂದಿನ ಸ್ಥಿತಿಯ ಆಧಾರದ ಮೇಲೆ ಸಂಭವನೀಯ ಘಟನೆಗಳ ಸರಣಿಯನ್ನು ವಿವರಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ.
- 1913 ರಷ್ಯನ್ ಗಣಿತಜ್ಞ ಅಂದ್ರೇ ಮೈರ್ಕೊವ್ ಅವರ ಹೆಸರಿನ [ಮಾರ್ಕೋವ್ ಸರಪಳಿಗಳು](https://wikipedia.org/wiki/Markov_chain), ಇದು ಹಿಂದಿನ ಸ್ಥಿತಿಯನ್ನು ಆಧರಿಸಿ ಸಾಧ್ಯವಿರುವ ಘಟನೆಗಳ ಸರಣಿಯನ್ನು ವಿವರಿಸುತ್ತದೆ.
- 1957 [ಪರ್ಸೆಪ್ಟ್ರಾನ್](https://wikipedia.org/wiki/Perceptron) ಅಮೆರಿಕನ್ ಮನೋವೈಜ್ಞಾನಿಕ ಫ್ರಾಂಕ್ ರೋಸೆನ್‌ಬ್ಲಾಟ್ ರವರಿಂದ ಆವಿಷ್ಕೃತ ಲೀನಿಯರ್ ವರ್ಗೀಕರಣದ ಒಂದು ಪ್ರಕಾರ, ಇದು ಡೀಪ್ ಲರ್ನಿಂಗ್‌ನಲ್ಲಿ ಪ್ರಗತಿಗೆ ಆಧಾರವಾಗಿದೆ.
- 1957 ಅಮೆರಿಕನ್ ಮನೋವೈಜ್ಞಾನಿಕ ಫ್ರ್ಯಾಂಕ್ ರೊಸೆನ್‌ಬ್ಲಾಟ್ ಅವರ ಕಂಡುಬಂದ [ಪರ್ಸೆಪ್ಟ್ರಾನ್](https://wikipedia.org/wiki/Perceptron), ಇದು ಡೀಪ್ ಲರ್ನಿಂಗ್ ಅಭಿವೃದ್ಧಿಗೆ ಮೂಲವಾಗಿದೆ.
---
---
- 1967 [ನಿಕಟಮ ಸನ್ನಿಹಿತ](https://wikipedia.org/wiki/Nearest_neighbor) ಮೂಲತಃ ಮಾರ್ಗಗಳನ್ನು ನಕ್ಷೆ ಮಾಡಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಅಲ್ಗಾರಿದಮ್. ML ಸನ್ನಿವೇಶದಲ್ಲಿ ಇದು ಮಾದರಿಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಬಳಸಲಾಗುತ್ತದೆ.
- 1967 ರಲ್ಲಿ ಬೇರೆದ [ನಿಕಟದ ಶ್ರೇಯಾಸಿ](https://wikipedia.org/wiki/Nearest_neighbor) ಮೂಲತಃ ಮಾರ್ಗಗಳ ನಕ್ಷೆಮಾಡಲು ವಿನ್ಯಾಸಗೊಳ್ಳಿತ್ತು. ML ಪ್ರ_CONTEXT ನಲ್ಲಿ ಇದು ಮಾದರಿಗಳನ್ನು ಪತ್ತೆಮಾಡಲು ಬಳಸಲ್ಪಡುತ್ತದೆ.
- 1970 [ಬ್ಯಾಕ್‌ಪ್ರೊಪಾಗೇಶನ್](https://wikipedia.org/wiki/Backpropagation) [ಫೀಡ್ಫಾರ್ವರ್ಡ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳನ್ನು](https://wikipedia.org/wiki/Feedforward_neural_network) ತರಬೇತಿಗೆ ಬಳಸಲಾಗುತ್ತದೆ.
- 1970 ರಲ್ಲಿ [ಬ್ಯಾಕ್‌ಪ್ರೋಪಾಗೇಷನ್](https://wikipedia.org/wiki/Backpropagation) ಬಳಸಿ [ಫೀಡ್ಫಾರ್ವರ್ಡ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು](https://wikipedia.org/wiki/Feedforward_neural_network) ತರಬೇತಿ ಪಡೆಯುತ್ತವೆ.
- 1982 [ರಿಕರೆಂಟ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು](https://wikipedia.org/wiki/Recurrent_neural_network) ಫೀಡ್ಫಾರ್ವರ್ಡ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳಿಂದ ಉತ್ಪನ್ನವಾದ ಕೃತಕ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು, ಅವು ಕಾಲಾತೀತ ಗ್ರಾಫ್‌ಗಳನ್ನು ರಚಿಸುತ್ತವೆ.
- 1982 ರಲ್ಲಿ [ರಿಕರೆಂಟ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು](https://wikipedia.org/wiki/Recurrent_neural_network) ಫೀಡ್ಫಾರ್ವರ್ಡ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳಿಂದ ಉತ್ಪತ್ತಿಯಾಗಿದ್ದು ಎಂದುಕೊಳ್ಳುವ ತಾತ್ಕಾಲಿಕ ಗ್ರಾಫ್ಸ್ ರಚಿಸುತ್ತವೆ.
✅ ಸ್ವಲ್ಪ ಸಂಶೋಧನೆ ಮಾಡಿ. ML ಮತ್ತು AI ಇತಿಹಾಸದಲ್ಲಿ ಇನ್ನೇನು ಪ್ರಮುಖ ದಿನಾಂಕಗಳು ಗಮನಾರ್ಹವಾಗಿವೆ?
✅ ಸ್ವಲ್ಪ ಸಂಶೋಧನೆ ಮಾಡಿ. ML ಮತ್ತು AI ಇತಿಹಾಸದಲ್ಲಿ ಮತ್ತಷ್ಟು ಪ್ರಮುಖವಾಗಿ ಕಾಣುವ ದಿನಾಂಕ ಯಾವುದು?
---
---
## 1950: ಚಿಂತಿಸುವ ಯಂತ್ರಗಳು
## 1950: ಯೋಚಿಸುವ ಯಂತ್ರಗಳು
ಅಲನ್ ಟ್ಯೂರಿಂಗ್, 2019 ರಲ್ಲಿ [ಸಾರ್ವಜನಿಕರಿಂದ](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) 20ನೇ ಶತಮಾನದ ಅತ್ಯುತ್ತಮ ವಿಜ್ಞಾನಿಯಾಗಿ ಮತದಾನಗೊಂಡ ಅತ್ಯಂತ ಅದ್ಭುತ ವ್ಯಕ್ತಿ, 'ಚಿಂತಿಸುವ ಯಂತ್ರ' ಎಂಬ ಕಲ್ಪನೆಗೆ ಆಧಾರವನ್ನು ನೀಡಿದವರಾಗಿ ಗುರುತಿಸಲ್ಪಟ್ಟಿದ್ದಾರೆ. ಅವರು ಈ ಕಲ್ಪನೆಯ ಪ್ರಾಯೋಗಿಕ ಸಾಕ್ಷ್ಯಕ್ಕಾಗಿ ತೀವ್ರವಾಗಿ ಯೋಚಿಸಿ, [ಟ್ಯೂರಿಂಗ್ ಪರೀಕ್ಷೆ](https://www.bbc.com/news/technology-18475646) ರಚಿಸಿದರು, ಇದನ್ನು ನೀವು ನಮ್ಮ NLP ಪಾಠಗಳಲ್ಲಿ ಅನ್ವೇಷಿಸುವಿರಿ.
ಅಲನ್ ಟೂರಿಂಗ್, 20ನೇ ಶತಮಾನದ ಅತ್ಯುತ್ತಮ ವಿಜ್ಞಾನಿಯಾಗಿ [ಜನಸಾಮೂಹಿಕ ಮತದಾನದಲ್ಲಿ 2019 ರಲ್ಲಿ](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) ಆಯ್ಕೆಯಾಗಿದ್ದ ಈ ಮಹತ್ವದ ವ್ಯಕ್ತಿ, 'ಯೋಚಿಸಲು ಸಾಧ್ಯವಿರುವ ಯಂತ್ರ' ಎಂಬ ಕಲ್ಪನೆಯ ಮೆಲುಕು ಹಾಕಲು ಸಹಾಯಮಾಡಿದವರು. ಆತನಿಗೆ ಟೂರಿಂಗ್ ಪರೀಕ್ಷೆ [Turing Test](https://www.bbc.com/news/technology-18475646) ಒದಗಿತ್ತು, ಇದು ನಿಮ್ಮ NLP ಪಾಠಗಳಲ್ಲಿ ವಿವರಿಸಲಾಗುವುದು.
---
---
## 1956: ಡಾರ್ಟ್‌ಮೌತ್ ಬೇಸಿಗೆ ಸಂಶೋಧನಾ ಯೋಜನೆ
## 1956: ಡಾರ್ಟ್‌ಮೌತ್ ಬೇಸಿಗೆ ಸಂಶೋಧನಾ ಯೋಜನೆ
"ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಕ್ಷೇತ್ರದ ಪ್ರಮುಖ ಘಟನೆ ಆಗಿದ್ದ ಡಾರ್ಟ್‌ಮೌತ್ ಬೇಸಿಗೆ ಸಂಶೋಧನಾ ಯೋಜನೆ," ಇಲ್ಲಿ 'ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ' ಪದವನ್ನು ರೂಪಿಸಲಾಯಿತು ([ಮೂಲ](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
"ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಕ್ಷೇತ್ರಕ್ಕೆ ಡಾರ್ಟ್‌ಮೌತ್ ಬೇಸಿಗೆ ಸಂಶೋಧನಾ ಯೋಜನೆ ಮಹತ್ವಪೂರ್ಣ ಕಾರ್ಯಕ್ರಮವಾಯಿತು," ಮತ್ತು ಇದರಲ್ಲೇ 'ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ' ಪದಕ್ಕೆ ಹುಟ್ಟುಹಾಕಲಾಯಿತು ([ಮೂಲ](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
> ಕಲಿಕೆಯ ಪ್ರತಿಯೊಂದು ಅಂಶ ಅಥವಾ ಬುದ್ಧಿಮತ್ತೆಯ ಯಾವುದೇ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಯಂತ್ರವು ನಕಲಿಸಲು ಸಾಧ್ಯವಾಗುವಂತೆ ನಿಖರವಾಗಿ ವರ್ಣಿಸಬಹುದು.
> ಕಲಿಕೆ ಅಥವಾ ಬುದ್ಧಿಮತ್ತೆಯ ಯಾವುದೇ ಅಂಶವನ್ನು ನಿಖರವಾಗಿ ವರ್ಣಿಸುವ ಮೂಲಕ, ಅದನ್ನು ಯಂತ್ರ ಸ್ವರೂಪದಲ್ಲಿ ಸಿಮ್ಯುಲೇಟ್ ಮಾಡಬಹುದು.
---
---
ಮುಖ್ಯ ಸಂಶೋಧಕ, ಗಣಿತ ಪ್ರಾಧ್ಯಾಪಕ ಜಾನ್ ಮ್ಯಾಕಾರ್ಥಿ, "ಕಲಿಕೆಯ ಪ್ರತಿಯೊಂದು ಅಂಶ ಅಥವಾ ಬುದ್ಧಿಮತ್ತೆಯ ಯಾವುದೇ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಯಂತ್ರವು ನಕಲಿಸಲು ಸಾಧ್ಯವಾಗುವಂತೆ ನಿಖರವಾಗಿ ವರ್ಣಿಸಬಹುದು" ಎಂಬ ಊಹಾಪೋಹದ ಆಧಾರದ ಮೇಲೆ ಮುಂದುವರೆಯಲು ಆಶಿಸಿದರು. ಭಾಗವಹಿಸಿದವರಲ್ಲಿ ಮತ್ತೊಬ್ಬ ಪ್ರಸಿದ್ಧ ವ್ಯಕ್ತಿ ಮಾರ್ವಿನ್ ಮಿನ್ಸ್ಕಿ ಇದ್ದರು.
ಮುಖ್ಯ ಸಂಶೋಧಕರು, ಗಣಿತ ಪ್ರಾಧ್ಯಾಪಕ ಜಾನ್ ಮೆಕಾರ್ಥಿ, "ಕಲಿಕೆ ಅಥವಾ ಬುದ್ಧಿಮತ್ತೆಯ ಎಲ್ಲ ಅಂಶಗಳನ್ನು ಯಶಸ್ವಿಯಾಗಿ ವರ್ಣಿಸಬಹುದು" ಎಂದು ನಿರೀಕ್ಷಿಸಿದರು. ಈ ಕಾರ್ಯಕ್ರಮದಲ್ಲಿ ಮತ್ತೊಬ್ಬ ಪರೂಷ [ಮಾರ್ವಿನ್ ಮಿಂಸ್ಕಿ] ಕೂಡ ಇದ್ದರು.
ಈ ಕಾರ್ಯಾಗಾರವು "ಪ್ರತೀಕಾತ್ಮಕ ವಿಧಾನಗಳ ಏರಿಕೆ, ನಿರ್ದಿಷ್ಟ ಕ್ಷೇತ್ರಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕೃತ ವ್ಯವಸ್ಥೆಗಳು (ಆರಂಭಿಕ ತಜ್ಞ ವ್ಯವಸ್ಥೆಗಳು), ಮತ್ತು ನಿರೂಪಣಾತ್ಮಕ ವ್ಯವಸ್ಥೆಗಳು ವಿರುದ್ಧ ಅನುಪಾತಾತ್ಮಕ ವ್ಯವಸ್ಥೆಗಳು" ಸೇರಿದಂತೆ ಹಲವು ಚರ್ಚೆಗಳನ್ನು ಪ್ರಾರಂಭಿಸಿ ಉತ್ತೇಜನ ನೀಡಿದಂತೆ ಗುರುತಿಸಲಾಗಿದೆ ([ಮೂಲ](https://wikipedia.org/wiki/Dartmouth_workshop)).
ಈ ವರ್ಕ್‌ಶಾಪ್ "ಸಂಖ್ಯಾತ್ಮಕ ವಿಧಾನಗಳ ಏರಿಕೆ, ನಿರ್ದಿಷ್ಟ ಕ್ಷೇತ್ರಗಳ ಮೇಲೆ ಕೇಂದ್ರಿತ ವ್ಯವಸ್ಥೆಗಳು (ಆರಂಭಿಕ ತಜ್ಞ ವ್ಯವಸ್ಥೆಗಳು), ಅನುಮಾನಾತ್ಮಕ ಮತ್ತು ನಿರ್ಧಾರಾತ್ಮಕ ಪದ್ಧತಿಗಳ ಕುರಿತ चर्चೆಗಳು" ಆರಂಭಿಸಲಾಯಿತು. ([ಮೂಲ](https://wikipedia.org/wiki/Dartmouth_workshop)).
---
---
## 1956 - 1974: "ಸುವರ್ಣ ಯುಗ"
## 1956 - 1974: "ಸುವರ್ಣ ಯುಗ"
1950ರ ದಶಕದಿಂದ 1970ರ ಮಧ್ಯದವರೆಗೆ, AI ಅನೇಕ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಬಹುದು ಎಂಬ ಭರವಸೆ ಉತ್ಕೃಷ್ಟವಾಗಿತ್ತು. 1967 ರಲ್ಲಿ ಮಾರ್ವಿನ್ ಮಿನ್ಸ್ಕಿ ನಂಬಿಕೆಯಿಂದ ಹೇಳಿದಂತೆ, "ಒಂದು ತಲೆಮಾರಿಗೆ ಒಳಗಾಗಿ ... 'ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ' ಸೃಷ್ಟಿಸುವ ಸಮಸ್ಯೆ ಬಹುಮಟ್ಟಿಗೆ ಪರಿಹಾರವಾಗುತ್ತದೆ." (ಮಿನ್ಸ್ಕಿ, ಮಾರ್ವಿನ್ (1967), ಗಣನೆ: ಸೀಮಿತ ಮತ್ತು ಅನಂತ ಯಂತ್ರಗಳು, ಎಂಗಲ್‌ವುಡ್ ಕ್ಲಿಫ್ಸ್, N.J.: ಪ್ರೆಂಟಿಸ್-ಹಾಲ್)
1950ರಿಂದ 1970ರ ಉಷ್ಮವಾಗಿದ್ದ ನಡುವೆ AI ಅನೇಕ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುವ ಶಕ್ತಿಯಿತ್ತು ಎಂದು ಭರವಸೆ ಇತ್ತು. 1967 ರಲ್ಲಿ ಮಾರ್ವಿನ್ ಮಿಂಸ್ಕಿ "ಒಂದು ತಲೆಮಾರಿನಲ್ಲಿ ... 'ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ' ಸೃಷ್ಟಿಸುವ ಸಮಸ್ಯೆ ಬಹುತೇಕ ಪರಿಹಾರವಾಗುತ್ತದೆ" ಎಂದರು. (ಮಿಂಸ್ಕಿ, ಮಾರ್ವಿನ್ (1967), ಗಣನೆ: ಸೀಮಿತ ಮತ್ತು ಅನಂತ ಯಂತ್ರಗಳು, ಎಂಗಲ್‌ವುಡ್ ಕ್ಲಿಫ್ಸ್, N.J.: ಪ್ರೆಂಟಿಸ್-ಹಾಲ್)
ಸ್ವಾಭಾವಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ ಸಂಶೋಧನೆ ಬೆಳವಣಿಗೆ ಕಂಡಿತು, ಹುಡುಕಾಟವನ್ನು ಸುಧಾರಿಸಿ ಶಕ್ತಿಶಾಲಿ ಮಾಡಲಾಯಿತು, ಮತ್ತು 'ಮೈಕ್ರೋ-ವಿಶ್ವಗಳು' ಎಂಬ ಕಲ್ಪನೆ ಹುಟ್ಟಿತು, ಇಲ್ಲಿ ಸರಳ ಕಾರ್ಯಗಳನ್ನು ಸರಳ ಭಾಷಾ ಸೂಚನೆಗಳ ಮೂಲಕ ಪೂರ್ಣಗೊಳಿಸಲಾಗುತ್ತಿತ್ತು.
ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಂಸ್ಕರಣೆ ಸಂಶೋಧನೆಗಳು ಬೆಳೆದವು, ಹುಡುಕಾಟ ಸಶಕ್ತಗೊಂಡಿತು ಮತ್ತು 'ಮೈಕ್ರೋ-ವಿಶ್ವಗಳ' ಕಲ್ಪನೆ ಬೆಳವಣಿಗೆಯಾಗಿತ್ತು, ಅಲ್ಲಿ ಸರಳ ಕಾರ್ಯಗಳು ಸರಳ ಭಾಷಾ ಸೂಚನೆಗಳ ಮೂಲಕ ನೆರವೇರಿಸಿದವು.
---
---
ಸರ್ಕಾರಿ ಸಂಸ್ಥೆಗಳ ಮೂಲಕ ಸಂಶೋಧನೆಗೆ ಉತ್ತಮ ಹಣಕಾಸು ದೊರಕಿತು, ಗಣನೆ ಮತ್ತು ಅಲ್ಗಾರಿದಮ್ಗಳಲ್ಲಿ ಪ್ರಗತಿ ಕಂಡುಬಂದಿತು, ಮತ್ತು ಬುದ್ಧಿವಂತ ಯಂತ್ರಗಳ ಪ್ರೋಟೋಟೈಪ್ಗಳು ನಿರ್ಮಿಸಲ್ಪಟ್ಟವು. ಕೆಲವು ಯಂತ್ರಗಳು:
ಸರ್ಕಾರ ಸಂಬಂಧಿತ ಸಂಸ್ಥೆಗಳ ಮೂಲಕ ಸಂಶೋಧನೆಗೆ ಒಳ್ಳೆಯ ಹಣಕಾಸು ಬೆಂಬಲ ದೊರಕಿತು, ಗಣನೆ ಮತ್ತು ಆಲ್ಗೋರಿಥಂಗಳಲ್ಲಿ ಪ್ರಗತಿ ಕಂಡುಹಿಡಿಯಲಾಯಿತು, ಒಳ್ಳೆಯ ಯಂತ್ರಗಳ ಮೊದಲರೂಪಗಳು ರಚಿಸಲ್ಪಟ್ಟವು. ಇವುಗಳಲ್ಲಿ ಕೆಲವು ಯಂತ್ರಗಳು:
* [ಶೇಕಿ ರೋಬೋಟ್](https://wikipedia.org/wiki/Shakey_the_robot), ಯಾರು 'ಬುದ್ಧಿವಂತಿಕೆಯಿಂದ' ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಮತ್ತು ನಿರ್ಧರಿಸಲು ಸಾಧ್ಯವಿತ್ತು.
* [ಶೇಕಿ ರೊಬೋಟ್](https://wikipedia.org/wiki/Shakey_the_robot), ಅವರು ಟಾಸ್ಕ್‌ಗಳನ್ನು 'ಬುದ್ಧಿವಂತಿಕೆಯೊಂದಿಗೆ' ನಿರ್ವಹಿಸುತ್ತಿದ್ದ.
* ಎಲಿಜಾ, ಆರಂಭಿಕ 'ಚಾಟ್‌ಬಾಟ್', ಜನರೊಂದಿಗೆ ಸಂಭಾಷಣೆ ನಡೆಸಲು ಮತ್ತು ಪ್ರಾಥಮಿಕ 'ಥೆರಪಿಸ್ಟ್' ಆಗ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಸಾಧ್ಯವಿತ್ತು. NLP ಪಾಠಗಳಲ್ಲಿ ನೀವು ಎಲಿಜಾ ಬಗ್ಗೆ ಹೆಚ್ಚು ತಿಳಿಯುತ್ತೀರಿ.
* ಎಲಿಜಾ, ಆರಂಭಿಕ 'ಚಾಟರ್ ಬಾಟ್', ಜನರ ಜೊತೆಗೆ ಸಂಭಾಷಣೆ ನಡೆಸುತ್ತ, ಸಹಜ ' ಚಿಕಿತ್ಸೆಗಾರ'ನಂತೆ ವರ್ತಿಸುತ್ತಿತ್ತು. NLP ಪಾಠಗಳಲ್ಲಿ ನೀವು ಎಲಿಜಾ ಬಗ್ಗೆ ಇನ್ನಷ್ಟು ಕಲಿಯುತ್ತೀರಿ.
* "ಬ್ಲಾಕ್ಸ್ ವರ್ಲ್ಡ್" ಎಂಬ ಮೈಕ್ರೋ-ವಿಶ್ವದಲ್ಲಿ ಬ್ಲಾಕ್ಗಳನ್ನು ಸರಿದೂಗಿಸಿ ವಿಂಗಡಿಸಲಾಗುತ್ತಿತ್ತು, ಮತ್ತು ಯಂತ್ರಗಳಿಗೆ ನಿರ್ಧಾರಗಳನ್ನು ಕಲಿಸುವ ಪ್ರಯೋಗಗಳನ್ನು ಪರೀಕ್ಷಿಸಲಾಗುತ್ತಿತ್ತು. [SHRDLU](https://wikipedia.org/wiki/SHRDLU) ಮುಂತಾದ ಗ್ರಂಥಾಲಯಗಳೊಂದಿಗೆ ನಿರ್ಮಿತ ಪ್ರಗತಿಗಳು ಭಾಷಾ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಮುಂದುವರಿಸಲು ಸಹಾಯ ಮಾಡಿತು.
* "ಬ್ಲಾಕ್ಸ್ ವರ್ಲ್ಡ್" ಎಂಬ ಮೈಕ್ರೋ-ವಿಶ್ವವು, ಅಲ್ಲಿ ಬ್ಲಾಕ್ಸ್ ಮೇರಿಸಲಾಗುತ್ತಿದ್ದು, ಯಂತ್ರಗಳನ್ನು ನಿರ್ಧಾರಮಾಡಲು ತರಬೇತಿ ನೀಡಲಾಗುತ್ತಿತ್ತು. [SHRDLU](https://wikipedia.org/wiki/SHRDLU) ಮುಂತಾದ ಗ್ರಂಥಾಲಯಗಳಿಂದ ಭಾಷಾ ಸಂಸ್ಕರಣೆಯಲ್ಲಿ ಮುನ್ನಡೆ ಕಂಡಿತು.
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "SHRDLU ಜೊತೆಗೆ ಬ್ಲಾಕ್ಸ್ ವರ್ಲ್ಡ್")
> 🎥 ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ವೀಡಿಯೊ: SHRDLU ಜೊತೆಗೆ ಬ್ಲಾಕ್ಸ್ ವರ್ಲ್ಡ್
> 🎥 ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ: SHRDLUನೊಂದಿಗೆ ಬ್ಲಾಕ್ಸ್ ವರ್ಲ್ಡ್
---
---
## 1974 - 1980: "AI ಚಳಿಗಾಲ"
## 1974 - 1980: "AI ಚಳಿ"
1970ರ ಮಧ್ಯದಲ್ಲಿ, 'ಬುದ್ಧಿವಂತ ಯಂತ್ರಗಳನ್ನು' ನಿರ್ಮಿಸುವ ಸಂಕೀರ್ಣತೆ ಕಡಿಮೆ ಅಂದಾಜಿತವಾಗಿದ್ದು, ಲಭ್ಯವಿರುವ ಗಣನ ಶಕ್ತಿಯೊಂದಿಗೆ ಅದರ ಭರವಸೆ ಹೆಚ್ಚಾಗಿ ಹೇಳಲ್ಪಟ್ಟಿತು ಎಂಬುದು ಸ್ಪಷ್ಟವಾಯಿತು. ಹಣಕಾಸು ಕಡಿಮೆಯಾಯಿತು ಮತ್ತು ಕ್ಷೇತ್ರದ ಮೇಲೆ ನಂಬಿಕೆ ಕುಗ್ಗಿತು. ನಂಬಿಕೆಗೆ ಪರಿಣಾಮ ಬೀರುವ ಕೆಲವು ಸಮಸ್ಯೆಗಳು:
1970ರ ಮಧ್ಯದಲ್ಲಿ, 'ಬುದ್ಧಿವಂತ ಯಂತ್ರಗಳನ್ನು' ಸೃಷ್ಟಿಸುವ ಕಷ್ಟತೆ ಮತ್ತು ಲಭ್ಯ ಗೃಹನಿಗಮಗೆ ಮೀರಿ ಹೋದ ಭರವಸೆ ಸ್ಪಷ್ಟವಾಯಿತು. ಹಣಕಾಸು ಕಡಿಮೆಯಾಯಿತು ಮತ್ತು ಕ್ಷೇತ್ರದ ನಂಬಿಕೆ ನಿಧಾನಗೊಂಡಿತು. ಕೆಲವು ಅಂಶಗಳು ಈ ನಂಬಿಕೆಗೆ ಹೊಡೆತ ನೀಡಿದ್ದವು:
- **ಸಂಯೋಜನಾತ್ಮಕ ಸ್ಫೋಟ**. ಗಣಕಗಳಿಗೆ ಹೆಚ್ಚು ಕೇಳಿದಂತೆ ತರಬೇತಿಗೆ ಬೇಕಾದ ಪರಿಮಾಣಗಳು ಗಣನೀಯವಾಗಿ ಹೆಚ್ಚಾಗುತ್ತಿದ್ದು, ಗಣನ ಶಕ್ತಿ ಮತ್ತು ಸಾಮರ್ಥ್ಯದ ಸಮಕಾಲೀನ ಬೆಳವಣಿಗೆ ಇಲ್ಲದೆ ಇತ್ತು.
- **ಸಂಯೋಜನೆ ಬಿರುಗಾಳಿ**. ತರಬೇತಿಗೆ ಬೇಕಾದ ಪರಿಮಾಣಗಳು ಗಣನೆ ಶಕ್ತಿಗೆ ತುಚ್ಛವಾಗಿ ಹೆಚ್ಚಾಗುತ್ತಿರಲಿಲ್ಲ.
- **ಡೇಟಾ ಕೊರತೆ**. ಪರೀಕ್ಷೆ, ಅಭಿವೃದ್ಧಿ ಮತ್ತು ಅಲ್ಗಾರಿದಮ್ಗಳ ಸುಧಾರಣೆಗೆ ಡೇಟಾ ಕೊರತೆ ಅಡ್ಡಿಪಡಿಸಿತು.
- **ದತ್ತಾಂಶದ ಕೊರತೆ**. ಅಲ್ಗೋರಿಥಂ ಪರೀಕ್ಷೆ, ಅಭಿವೃದ್ಧಿ, ಸುಧಾರಣೆಗೆ ಸಾಕಷ್ಟು ದತ್ತಾಂಶ ಇಲ್ಲದಿದ್ದು ಉಂಟಾಗಿತ್ತು.
- **ನಾವು ಸರಿಯಾದ ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳುತ್ತಿದ್ದೇವೇ?**. ಕೇಳಲಾಗುತ್ತಿದ್ದ ಪ್ರಶ್ನೆಗಳೇ ಪ್ರಶ್ನೆಗೆ ಒಳಗಾದವು. ಸಂಶೋಧಕರು ತಮ್ಮ ವಿಧಾನಗಳ ಬಗ್ಗೆ ಟೀಕೆಗಳನ್ನು ಎದುರಿಸಿದರು:
- **ನಮಗೆ ಸರಿಯಾದ ಪ್ರಶ್ನೆಗಳು ಕೇಳುತ್ತಿದ್ದೀವೆಯೇ?**. ಸಂಜೆ ಪ್ರಶ್ನೆಗಳಿಗೂ ಪ್ರಶ್ನೆಗಳೂ ಬಂತು. ಸಂಶೋಧಕರು ತಮ್ಮ ವ್ಯಕ್ತಿಗಳ ಮೇಲೆ ಟೀಕೆಗಳನ್ನು ಎದುರಿಸಿದರು:
- ಟ್ಯೂರಿಂಗ್ ಪರೀಕ್ಷೆಗಳನ್ನು 'ಚೈನೀಸ್ ರೂಮ್ ಸಿದ್ಧಾಂತ' ಮುಂತಾದ ಕಲ್ಪನೆಗಳ ಮೂಲಕ ಪ್ರಶ್ನಿಸಲಾಯಿತು, ಇದು "ಡಿಜಿಟಲ್ ಕಂಪ್ಯೂಟರ್ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಂತೆ ತೋರುತ್ತದೆ ಆದರೆ ನಿಜವಾದ ಅರ್ಥಮಾಡಿಕೊಳಲು ಸಾಧ್ಯವಿಲ್ಲ" ಎಂದು ಹೇಳುತ್ತದೆ ([ಮೂಲ](https://plato.stanford.edu/entries/chinese-room/)).
- ಟೂರಿಂಗ್ ಟೆಸ್ಟ್ ಸರಿಯಾದದು ಎಂದು ಪ್ರಶ್ನೆಯಾಯಿತು, `'ಚೈನೀಸ್ ರೂಮ್ ಸಿದ್ದಾಂತ'` ಯಲ್ಲೊಂದು ಅಂದಾಜು ಮಾಡಿತು, "ಡಿಜಿಟಲ್ ಕಂಪ್ಯೂಟರ್ ಭಾಷೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಂತೆ ಇರುವುದು ಆದರೆ ನಿಜವಾದ ಅರ್ಥಮಾಡಿಕೊಳದುಕೊಳ್ಳುವುದಕ್ಕೆ ಸಾಧ್ಯವಿಲ್ಲ." ([ಮೂಲ](https://plato.stanford.edu/entries/chinese-room/))
- "ಥೆರಪಿಸ್ಟ್" ಎಲಿಜಾ ಮುಂತಾದ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗಳನ್ನು ಸಮಾಜಕ್ಕೆ ಪರಿಚಯಿಸುವ ನೈತಿಕತೆ ಪ್ರಶ್ನಿಸಲಾಯಿತು.
- "ಚಿಕಿತ್ಸಕ" ELIZA ಮುಂತಾದ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗಳ ತಯಾರಿಕೆ ತತ್ವಶಾಸ್ತ್ರವು ಪ್ರಶ್ನಿಸಲ್ಪಟ್ಟಿತು.
---
---
ಅದೇ ಸಮಯದಲ್ಲಿ, ವಿವಿಧ AI ಚಿಂತನೆ ಶಾಲೆಗಳು ರೂಪುಗೊಂಡವು. ["ಸ್ಕ್ರಫಿ" ಮತ್ತು "ನೀಟ್ AI"](https://wikipedia.org/wiki/Neats_and_scruffies) ಅಭ್ಯಾಸಗಳ ನಡುವೆ ವಿಭಜನೆ ಸ್ಥಾಪಿತವಾಯಿತು. _ಸ್ಕ್ರಫಿ_ ಪ್ರಯೋಗಾಲಯಗಳು ಗಂಟೆಗಳ ಕಾಲ ಪ್ರೋಗ್ರಾಮ್‌ಗಳನ್ನು ತಿದ್ದುಪಡಿ ಮಾಡಿ ಬೇಕಾದ ಫಲಿತಾಂಶಗಳನ್ನು ಪಡೆದವು. _ನೀಟ್_ ಪ್ರಯೋಗಾಲಯಗಳು "ತರ್ಕ ಮತ್ತು ಅಧಿಕೃತ ಸಮಸ್ಯೆ ಪರಿಹಾರ" ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿದವು. ಎಲಿಜಾ ಮತ್ತು SHRDLU ಪ್ರಸಿದ್ಧ _ಸ್ಕ್ರಫಿ_ ವ್ಯವಸ್ಥೆಗಳಾಗಿದ್ದವು. 1980ರ ದಶಕದಲ್ಲಿ, ML ವ್ಯವಸ್ಥೆಗಳನ್ನು ಪುನರಾವರ್ತಿಸಬಹುದಾದಂತೆ ಮಾಡಲು ಬೇಡಿಕೆ ಬಂದಾಗ, _ನೀಟ್_ ವಿಧಾನವು ಮುಂಚೂಣಿಗೆ ಬಂತು ಏಕೆಂದರೆ ಅದರ ಫಲಿತಾಂಶಗಳು ಹೆಚ್ಚು ವಿವರಿಸಬಹುದಾಗಿವೆ.
ಅಂತೆಯೇ, ವಿಭಿನ್ನ AI ಸ್ಕೂಲುಗಳು ಹುಟ್ಟಿಕೊಳ್ಳಲು ಆರಂಭವಾಯಿತು. ["ಸ್ಕ್ರಫಿ" ಮತ್ತು "ನೀಟ್ AI"](https://wikipedia.org/wiki/Neats_and_scruffies)ಗಳ ನಡುವೆ ವಿಭಜನೆಯನ್ನು ಕಂಡವು. _ಸ್ಕ್ರಫಿ_ ಪ್ರಯೋಗಾಲಯಗಳಲ್ಲಿ ಪ್ರೋಗ್ರಾಮುಗಳು ಗಂಟೆಗಂಟೆಗಳ ಕಾಲ ಸೂಕ್ಷ್ಮವಾಗಿ ಪರಿಷ್ಕರಿಸತಕ್ಕವು. _ನೀಟ್_ ಪ್ರಯೋಗಾಲಯಗಳು ಲಾಜಿಕ್ ಮತ್ತು ಪ್ರಾಮಾಣಿಕ ಸಮಸ್ಯಾಪ್ರತಿಪಾದನೆಯಲ್ಲಿ ಗಮನಹರಿಸುತ್ತಿದ್ದವು. ELIZA ಮತ್ತು SHRDLU _ಸ್ಕ್ರಫಿ_ ಪದ್ಧತಿಗಳಂತಿವೆ. 1980ಗಳಲ್ಲಿ ML ವ್ಯವಸ್ಥೆಗಳನ್ನು ಪುನರಾವರ್ತಿಸಲು ಎದುರಾದ ಬೇಡಿಕೆಯ ಮೇರೆಗೆ _ನೀಟ್_ ವಿಧಾನವು ಚಾಲನೆಯಾದಿತು, ಏಕೆಂದರೆ ಅದರ ಫಲಿತಾಂಶಗಳನ್ನು ಸುಲಭವಾಗಿ ವಿವರಿಸಬಹುದಾಗಿತ್ತು.
---
---
## 1980ರ ದಶಕ ತಜ್ಞ ವ್ಯವಸ್ಥೆಗಳು
## 1980ರ ದೂರದ ರುಜು
ಕ್ಷೇತ್ರ ಬೆಳೆಯುತ್ತಾ, ಅದರ ವ್ಯವಹಾರಕ್ಕೆ ಲಾಭ ಸ್ಪಷ್ಟವಾಗುತ್ತಾ, 1980ರ ದಶಕದಲ್ಲಿ 'ತಜ್ಞ ವ್ಯವಸ್ಥೆಗಳ' ವ್ಯಾಪಾರವೂ ಹೆಚ್ಚಿತು. "ತಜ್ಞ ವ್ಯವಸ್ಥೆಗಳು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಸಾಫ್ಟ್‌ವೇರ್‌ನ ಮೊದಲ ಯಶಸ್ವಿ ರೂಪಗಳಲ್ಲಿ ಒಂದಾಗಿವೆ." ([ಮೂಲ](https://wikipedia.org/wiki/Expert_system)).
ಕ್ಷೇತ್ರದ ಬೆಳೆದಿಕೆಯಿಂದ, ವ್ಯಾಪಾರಗಳಿಗೆ ಅದರ ಪ್ರಯೋಜನ ಸ್ಪಷ್ಟವಾಯಿತು ಮತ್ತು 1980ರ ವೇಳೆಗೆ 'ತಜ್ಞ ವ್ಯವಸ್ಥೆಗಳ' ವ್ಯಾಪಾರ ಹೆಚ್ಚಿತು. "ತಜ್ಞ ವ್ಯವಸ್ಥೆಗಳು ಸುಸಿದ್ಧ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಸೋಫ್ಟ್ವೇರ್ ರೂಪಗಳೆಂದು ಪರಿಗಣಿಸಲ್ಪಟ್ಟವು" ([ಮೂಲ](https://wikipedia.org/wiki/Expert_system)).
ಈ ರೀತಿಯ ವ್ಯವಸ್ಥೆ ಭಾಗಶಃ ನಿಯಮ ಇಂಜಿನ್ ಮತ್ತು ನಿಯಮ ವ್ಯವಸ್ಥೆಯನ್ನು ಉಪಯೋಗಿಸಿ ಹೊಸ ತತ್ವಗಳನ್ನು ನಿರ್ಣಯಿಸುವ ನಿರ್ಣಯ ಇಂಜಿನ್‌ನಿಂದ ಕೂಡಿದೆ.
ಈ ವ್ಯವಸ್ಥೆ ಒಂದು _ಹೈಬ್ರಿಡ್_ ಆಗಿದ್ದು, ಭಾಗವಾಗಿ ನಿಯಮ ಎಂಜಿನ್ (rules engine) ವ್ಯಾಪಾರ ಅಗತ್ಯಗಳನ್ನು ನಿರ್ಧರಿಸುವುದು, ಮತ್ತು ಇನ್ನೊಂದು ನಿರೂಪಣೆ ಎಂಜಿನ್ ನಿಯಮಗಳನ್ನು ಆಧರಿಸಿ ಹೊಸತಾದ ತತ್ವಗಳನ್ನು ನಿರ್ಣಯಿಸಲಾಗುತ್ತದೆ.
ಈ ಕಾಲದಲ್ಲಿ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳಿಗೆ ಹೆಚ್ಚುವರಿ ಗಮನ ನೀಡಲಾಯಿತು.
ಈ ಕಾಲದಲ್ಲಿ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್‌ಗಳ ಮೇಲೆ ಹೆಚ್ಚಿನ ಗಮನಹರಿಸಲಾಗಿತ್ತು.
---
---
## 1987 - 1993: AI 'ಚಿಲ್'
## 1987 - 1993: AI 'ಶಾಂತಿ'
ವಿಶೇಷ ತಜ್ಞ ವ್ಯವಸ್ಥೆಗಳ ಹಾರ್ಡ್‌ವೇರ್ ವ್ಯಾಪಾರವು ತುಂಬಾ ವಿಶೇಷೀಕೃತವಾಗುವ ಪರಿಣಾಮ ಉಂಟುಮಾಡಿತು. ವೈಯಕ್ತಿಕ ಕಂಪ್ಯೂಟರ್‌ಗಳ ಏರಿಕೆ ಈ ದೊಡ್ಡ, ವಿಶೇಷೀಕೃತ, ಕೇಂದ್ರಿತ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಸ್ಪರ್ಧೆ ನೀಡಿತು. ಗಣನದ ಪ್ರಜಾಪ್ರಭುತ್ವ ಆರಂಭವಾಯಿತು ಮತ್ತು ಇದು ದೊಡ್ಡ ಡೇಟಾ ಸ್ಫೋಟಕ್ಕೆ ದಾರಿ ಮಾಡಿಕೊಟ್ಟಿತು.
ವೃತ್ತಿಪರ ತಜ್ಞ ವ್ಯವಸ್ಥೆಗಳ ಉಪಕರಣಗಳು ಹೆಚ್ಚು ವಿಶೇಷಗೊಂಡ ಪರಿಣಾಮ, ಅವು ಹೆಚ್ಚು ವಿಶೇಷಗೊಂಡವು. ವೈಯಕ್ತಿಕ ಕಂಪ್ಯೂಟರ್‌ಗಳ ಏರಿಕೆಯಿಂದ ಈ ದೊಡ್ಡ, ವಿಶೇಷ, ಕೇಂದ್ರಿತ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಸ್ಪರ್ಧೆಯಾಗಿತ್ತು. ಗಣಕತಾಂತ್ರಿಕ ಲೋಕದ ಜನಪ್ರಿಯತೆಗೆ ಇದರ ಪ್ರಾರಂಭವಾಯಿತು, ಮತ್ತು ಇದರಿಂದ ಹೆಚ್ಚು ಭಾರೀ ಡೇಟಾ ಯುಗಕ್ಕೆ ದಾರಿ ತೆರೆಯಿತು.
---
---
## 1993 - 2011
## 1993 - 2011
ಈ ಕಾಲಘಟ್ಟದಲ್ಲಿ ML ಮತ್ತು AI ಹೊಸ ಯುಗವನ್ನು ಕಂಡವು, ಮೊದಲಿನ ಡೇಟಾ ಮತ್ತು ಗಣನ ಶಕ್ತಿಯ ಕೊರತೆಗಳಿಂದ ಉಂಟಾದ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಸಾಧ್ಯವಾಯಿತು. ಡೇಟಾ ಪ್ರಮಾಣವು ವೇಗವಾಗಿ ಹೆಚ್ಚಿತು ಮತ್ತು ಹೆಚ್ಚು ಲಭ್ಯವಾಯಿತು, ವಿಶೇಷವಾಗಿ 2007 ರ ಸ್ಮಾರ್ಟ್‌ಫೋನ್ ಆಗಮನದೊಂದಿಗೆ. ಗಣನ ಶಕ್ತಿ ಗಣನೀಯವಾಗಿ ವೃದ್ಧಿಸಿತು ಮತ್ತು ಅಲ್ಗಾರಿದಮ್ಗಳು ಸಹ ಬೆಳವಣಿಗೆ ಕಂಡವು. ಕ್ಷೇತ್ರವು ವಯಸ್ಕತೆಯನ್ನು ಪಡೆದುಕೊಂಡಿತು ಮತ್ತು ಮುಂಚಿನ ಮುಕ್ತ ಚಟುವಟಿಕೆಗಳು ನಿಜವಾದ ಶಿಸ್ತಿನ ರೂಪದಲ್ಲಿ ರೂಪುಗೊಂಡವು.
ಈ ಯುಗವು ML ಮತ್ತು AI ಗೆ ಹೊಸ ಕಾಲದಾರಿಯನ್ನು ನೀಡಿತು. ದತ್ತಾಂಶದ ಕೊರತೆ ಮತ್ತು ಗಣಕ ಶಕ್ತಿಯ ಕುಖ್ಯಾತಿಯನ್ನು ಕಡಿಮೆ ಮಾಡಲಾಯಿತು. ದತ್ತಾಂಶ ವೇಗವಾಗಿ ಹೆಚ್ಚಾಗಿ ಜನಪ್ರಿಯತೆಯನ್ನು ಪಡೆದಿತು, ವಿಶೇಷವಾಗಿ 2007ರ ಸ್ಮಾರ್ಟ್‌ಫೋನ್ ಪ್ರಾರಂಭದಿಂದ. ಗಣಕ ಶಕ್ತಿ ಗುಣಾತ್ಮಕವಾಗಿ ಹೆಚ್ಚಿತು ಮತ್ತು ಆಲ್ಗೋರಿಥಮ್ ಗಳು ಹೆಣೆಯುತ್ತಾ ಭೇಟಿ ಕೊಟ್ಟವು. ಕ್ಷೇತ್ರವು ಮಾರುಕಟ್ಟೆಯೋಟ್ ನಿಲ್ಲಬೇಡಿ ಸಾಂಪ್ರದಾಯಿಕ ಆಗಿಬಂದಿತು.
---
---
## ಈಗ
## ಇಂದಿನ ಕಾಲ
ಇಂದು ಯಂತ್ರ ಅಧ್ಯಯನ ಮತ್ತು AI ನಮ್ಮ ಜೀವನದ ಬಹುತೇಕ ಭಾಗಗಳನ್ನು ಸ್ಪರ್ಶಿಸುತ್ತವೆ. ಈ ಯುಗವು ಈ ಅಲ್ಗಾರಿದಮ್ಗಳ ಮಾನವ ಜೀವನದ ಮೇಲೆ ಇರುವ ಅಪಾಯಗಳು ಮತ್ತು ಸಾಧ್ಯತೆಗಳನ್ನು ಜಾಗರೂಕತೆಯಿಂದ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕಾಗಿದೆ. ಮೈಕ್ರೋಸಾಫ್ಟ್‌ನ ಬ್ರಾಡ್ ಸ್ಮಿತ್ ಹೇಳಿರುವಂತೆ, "ಮಾಹಿತಿ ತಂತ್ರಜ್ಞಾನವು ಗೌಪ್ಯತೆ ಮತ್ತು ಅಭಿವ್ಯಕ್ತಿಯ ಸ್ವಾತಂತ್ರ್ಯಗಳಂತಹ ಮೂಲಭೂತ ಮಾನವ ಹಕ್ಕುಗಳ ರಕ್ಷಣೆಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ವಿಷಯಗಳನ್ನು ಎತ್ತಿಹಿಡಿಯುತ್ತದೆ. ಈ ಉತ್ಪನ್ನಗಳನ್ನು ಸೃಷ್ಟಿಸುವ ತಂತ್ರಜ್ಞಾನ ಕಂಪನಿಗಳ ಹೊಣೆಗಾರಿಕೆ ಹೆಚ್ಚಿಸುತ್ತದೆ. ನಮ್ಮ ದೃಷ್ಟಿಯಲ್ಲಿ, ಇದು ಯೋಚನಾಶೀಲ ಸರ್ಕಾರ ನಿಯಂತ್ರಣ ಮತ್ತು ಸ್ವೀಕಾರ್ಯ ಬಳಕೆಗಳ ಸುತ್ತಲೂ ನಿಯಮಗಳ ಅಭಿವೃದ್ಧಿಯನ್ನು ಕರೆದೊಯ್ಯುತ್ತದೆ" ([ಮೂಲ](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
ಇಂದಿನ ಯಂತ್ರ ಶಿಕ್ಷಣ ಮತ್ತು AI ನಮ್ಮ ಜೀವನದ ಪ್ರತಿ ಭಾಗವನ್ನು ಸ್ಪರ್ಶಿಸುತ್ತಿವೆ. ಈ ಯುಗದಲ್ಲಿ ಈ ಆಲ್ಗೋರಿಥಮ್ ಗಳ ಮಾನವ ಜೀವನದ ಮೇಲೆ ಪಾರ್ಶ್ವ ಪರಿಣಾಮಗಳನ್ನು ಮತ್ತು ಉತ್ಪನ್ನಗಳನ್ನು ಎಚ್ಚರಿಕೆಯಿಂದ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಮುಖ್ಯ. ಮೈಕ್ರೋಸಾಫ್ಟ್‌ನ ಬ್ರಾಡ್ ಸ್ಮಿತ್ ಹೇಳುವಂತೆ, "ಮಾಹಿತ ತಂತ್ರಜ್ಞಾನವು ಪ್ರತ್ಯೇಕ ಹಕ್ಕು ರಕ್ಷಣೆಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ಸಮಸ್ಯೆಗಳನ್ನು ಎತ್ತಿಹಿಡಿಯುತ್ತದೆ, ಉಚಿತ ಅಭಿವ್ಯಕ್ತಿಯ ಹಕ್ಕುಗಳು, ಮತ್ತು ಖಾಸಗಿ ಸಾರ್ವಜನಿಕತೆ. ಈ ಸಂಬಂಧಿತ ತಂತ್ರ ಕಂಪನಿಗಳ ಜವಾಬ್ದಾರಿಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ನಮ್ಮ ದೃಷ್ಟಿಯಲ್ಲಿ, ಇದು ಸರಿಯಾದ ಸರ್ಕಾರ ನಿಯಂತ್ರಣ ಮತ್ತು ಬಳಕೆಗಳ ಸುತ್ತಲೂ ನಿಯಮಾವಳಿಗಳ ಅಭಿವೃದ್ಧಿಗೆ ಕರೆ ಮಾಡುತ್ತದೆ" ([ಮೂಲ](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
---
---
ಭವಿಷ್ಯದಲ್ಲಿ ಏನು ಸಂಭವಿಸುವುದು ನೋಡಬೇಕಾಗುತ್ತದೆ, ಆದರೆ ಈ ಕಂಪ್ಯೂಟರ್ ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ಅವು ಚಾಲನೆ ಮಾಡುವ ಸಾಫ್ಟ್ವೇರ್ ಮತ್ತು ಅಲ್ಗಾರಿದಮ್ಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಮುಖ್ಯ. ಈ ಪಠ್ಯಕ್ರಮವು ನಿಮಗೆ ಉತ್ತಮ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ ಎಂದು ನಾವು ಆಶಿಸುತ್ತೇವೆ, ನೀವು ಸ್ವತಃ ನಿರ್ಧರಿಸಬಹುದು.
ಭವಿಷ್ಯದಲ್ಲಿ ಯಾವ ಬದಲಾವಣೆ ಬರುವುದೆಂದು ನೋಡಬೇಕಾಗಿದೆ, ಆದರೆ ಈ ಕಂಪ್ಯೂಟರ್ ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ಅವು ನಡೆಯುವ ಸಾಫ್ಟ್ವೇರ್ ಮತ್ತು ಆಲ್ಗೋರಿಥಮ್ ಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಮುಖ್ಯ. ಈ ಕೋರ್ಸ್ ನಿಮಗೆ ಚೆನ್ನಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯಕವಾಗುವುದು ಎಂದು ಆಶಿಸುತ್ತೇವೆ.
> 🎥 ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ವೀಡಿಯೊ: ಯಾನ್ ಲೆಕನ್ ಈ ಉಪನ್ಯಾಸದಲ್ಲಿ ಡೀಪ್ ಲರ್ನಿಂಗ್ ಇತಿಹಾಸವನ್ನು ಚರ್ಚಿಸುತ್ತಾರೆ
> 🎥 ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ: ಈ ಪಾಠದಲ್ಲಿ ಯಾನ್ ಲಿಕೂನ್ ಡೀಪ್ ಲರ್ನಿಂಗ್ ಇತಿಹಾಸ ಚರ್ಚಿಸುತ್ತಿದ್ದಾರೆ
---
---
## 🚀ಸವಾಲು
## 🚀ಸವಾಲು
ಈ ಇತಿಹಾಸಾತ್ಮಕ ಕ್ಷಣಗಳಲ್ಲಿ ಒಂದನ್ನು ಆಳವಾಗಿ ಅಧ್ಯಯನ ಮಾಡಿ ಮತ್ತು ಅದರ ಹಿಂದೆ ಇರುವ ಜನರನ್ನು ತಿಳಿದುಕೊಳ್ಳಿ. ಅದ್ಭುತ ವ್ಯಕ್ತಿತ್ವಗಳಿವೆ, ಮತ್ತು ಯಾವುದೇ ವೈಜ್ಞಾನಿಕ ಆವಿಷ್ಕಾರವು ಸಾಂಸ್ಕೃತಿಕ ಖಾಲಿಯಲ್ಲಿ ಸೃಷ್ಟಿಸಲ್ಪಟ್ಟಿಲ್ಲ. ನೀವು ಏನು ಕಂಡುಹಿಡಿಯುತ್ತೀರಿ?
ಈ ಐತಿಹಾಸಿಕ ಕ್ಷಣಗಳಲ್ಲಿ ಯಾವುದೋ ಒಂದು ಆಯ್ದು ಅದರ ಹಿಂದೆ ಇದ್ದ ಜನರನ್ನು ಕುರಿತು ಹೆಚ್ಚು ತಿಳಿದುಕೊಳ್ಳಿ. ಇಲ್ಲಿ ಆಕರ್ಷಕ ವ್ಯಕ್ತಿಗಳಿದ್ದಾರೆ, ಮತ್ತು ವೈಜ್ಞಾನಿಕ ಆವಿಷ್ಕಾರ ಯಾವಾಗಲೂ ಸಾಂಸ್ಕೃತಿಕ ಪೈರುಕಾಡಿನಲ್ಲಿ ಸೃಷ್ಟಿಯಾಗದು. ನೀವು ಏನು ಕಂಡುಹಿಡಿದಿರಿ?
[ಈ ಪಾಡ್‌ಕಾಸ್ಟ್‌ನಲ್ಲಿ ಎಮಿ ಬಾಯ್ಡ್ AI ಅಭಿವೃದ್ಧಿಯನ್ನು ಚರ್ಚಿಸುತ್ತಾರೆ](http://runasradio.com/Shows/Show/739)
[ಈ ಪಾಡ್ ಕ್ಯಾಸ್ಟ್, ಅಲ್ಲಿ ಏಮೀ ಬಾಯ್ಡ್ AI ಮೆರೆದಿರುವಿಕವನ್ನು ಚರ್ಚಿಸುತ್ತಿದ್ದಾರೆ](http://runasradio.com/Shows/Show/739)
[](https://www.youtube.com/watch?v=EJt3_bFYKss "ಎಮಿ ಬಾಯ್ಡ್ ಅವರ AI ಇತಿಹಾಸ")
[](https://www.youtube.com/watch?v=EJt3_bFYKss "AI ಇತಿಹಾಸ ಏಮೀ ಬಾಯ್ಡ್")
---
---
## ನಿಯೋಜನೆ
## ಕಾರ್ಯ
[ಟೈಮ್‌ಲೈನ್ ರಚಿಸಿ](assignment.md)
[ಒಂದು ಕಾಲರೇಖೆ ಸೃಷ್ಟಿಸಿ](assignment.md)
---
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**ಅಸ್ವೀಕರಣ**:
**ಅಸ್ವೀಕಾರ**:
ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ದಯವಿಟ್ಟು ಗಮನಿಸಿ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸಡ್ಡೆಗಳು ಇರಬಹುದು. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜು ಪ್ರಾಮಾಣಿಕ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದವನ್ನು ಬಳಸುವ ಮೂಲಕ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಗಳ ಅಥವಾ ತಪ್ಪು ವ್ಯಾಖ್ಯಾನಗಳ ಬಗ್ಗೆ ನಾವು ಹೊಣೆಗಾರರಲ್ಲ.
ಈ ಪಾಠ್ಯಕ್ರಮದಲ್ಲಿ, ನೀವು ಯಂತ್ರ ಶಿಕ್ಷಣವು ನಮ್ಮ ದೈನಂದಿನ ಜೀವನವನ್ನು ಹೇಗೆ ಪರಿಣಾಮ ಬೀರುತ್ತಿದೆ ಮತ್ತು ಬದಲಾಯಿಸುತ್ತಿದೆ ಎಂಬುದನ್ನು ಅನಾವರಣ ಮಾಡಲಾಗುತ್ತದೆ. ಈಗಲೂ, ಆರೋಗ್ಯ ಪರೀಕ್ಷೆಗಳು, ಸಾಲ ಮಂಜೂರಾತಿ ಅಥವಾ ಹಿಮ್ಮೆಟ್ಟಿದವರ ಪತ್ತೆ ಇತ್ಯಾದಿ ದೈನಂದಿನ ನಿರ್ಣಯ ಕಾರ್ಯಗಳಲ್ಲಿ ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ಮಾದರಿಗಳು ಪಾಲ್ಗೊಳ್ಳುತ್ತಿವೆ. ಆದ್ದರಿಂದ, ಈ ಮಾದರಿಗಳು ನಂಬಿಕೊಳ್ಳಬಹುದಾದ ಫಲಿತಾಂಶಗಳನ್ನು ಒದಗಿಸುವಂತೆ ಚೆನ್ನಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತಿವೆ ಎಂಬುದು ಮಹತ್ವಪೂರ್ಣ. ಯಾವುದೇ ಸಾಫ್ಟ್ವೇರ್ ಅಪ್ಲಿಕೇಶನ್ ಹಾಗೆಯೇ, AI ವ್ಯವಸ್ಥೆಗಳು ನಿರೀಕ್ಷೆಗಳನ್ನು ತಪ್ಪಿಸಬಹುದು ಅಥವಾ ಅಯೋಗ್ಯ ಫಲಿತಾಂಶ ನೀಡಬಹುದು. ಆದ್ದರಿಂದ AI ಮಾದರಿಯ ವರ್ತನೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಮತ್ತು ವಿವರಿಸುವುದು ಅತ್ಯಗತ್ಯವಾಗಿದೆ.
ಈ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ, ನೀವು ಯಂತ್ರ ಅಧ್ಯಯನ ನಮ್ಮ ಪ್ರತಿದಿನದ ಜೀವನದ ಮೇಲೆ ಹೇಗೆ ಮತ್ತು ಯಾವ ಸಂಖ್ಯೆಯಲ್ಲಿದೆ ಎಂಬುದನ್ನು ತಿಳಿಯಲು ಪ್ರಾರಂಭಿಸುವಿರಿ. ಈಗಲೂ, ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ಮಾದರಿಗಳು ದಿನನಿತ್ಯದ ನಿರ್ಣಯ ಕಾರ್ಯಗಳಲ್ಲಿ ಭಾಗಿಯಾಗಿವೆ, ಉದಾಹರಣೆಗೆ ಆರೋಗ್ಯ ನಿರ್ಣಯಗಳು, ಸಾಲ ಅನುಮತಿಗಳು ಅಥವಾ ಮೋಸ ಪತ್ತೆ. ಆದ್ದರಿಂದ, ಈ ಮಾದರಿಗಳು ನಂಬಿಕೆಯಾಗುವ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡಲು ಚೆನ್ನಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವುದು ಅತ್ಯಂತ ಮುಖ್ಯ. ಯಾವುದೇ ಸಾಫ್ಟ್ವೇರ್ ಅನ್ವಯಿಕೆಗಳಂತೆ, AI ವ್ಯವಸ್ಥೆಗಳು ನಿರೀಕ್ಷೆಗಳನ್ನು ತಪ್ಪಿಸಿಕೊಳ್ಳಬಹುದು ಅಥವಾ қос್ಯ ಪ್ರಯೋಜನಕಾರಿ ಫಲಿತಾಂಶವನ್ನು ತರುತ್ತವೆ. ಆದ್ದರಿಂದ AI ಮಾದರಿಯ ವರ್ತನೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಮತ್ತು ವಿವರಿಸುವುದು ಅಗತ್ಯವಾಗಿದೆ.
ನೀವು ನಿರ್ಮಿಸಬೇಕಾದ ಮಾದರಿಗಳಿಗೆ ಬಳಸುತ್ತಿರುವ ಡೇಟಾಗೆ ಕೆಲವು ಜನಸಾಂಖ್ಯಿಕ ವೈಶಿಷ್ಟ್ಯಗಳು, ಹಂತ, ಲಿಂಗ, ರಾಜಕೀಯ ನೋಟ, ಧರ್ಮ ಅಥವಾ ಅಶೋಚನೀಯವಾಗಿ ಇವುಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ಜನಸಂಖ್ಯಾತಿಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುವಿಕೇ ಇಲ್ಲದಿದ್ದರೆ ಏನಾಗಬಹುದು ಎಂದು ಊಹಿಸಿ ನೋಡಿರಿ. ಮಾದರಿಯ ಉತ್ಪಾದನೆಯನ್ನು ಕೆಲವು ಜನಸಾಂಖ್ಯಿಕಗಳಿಗೆ ಅನುಕೂಲವಾಗುವಂತೆ ವ್ಯಾಖ್ಯಾನಿಸಲಾಗುವುದಾದರೆ? ಅಪ್ಲಿಕೇಶನ್‌ಗೆ ಅದರ ಪರಿಣಾಮವೇನು? ಜೊತೆಗೆ, ಮಾದರಿಯು ಹೀನ ಪರಿಣಾಮ ಅನುಭವಿಸಿ ಜನರಿಗೆ ಹಾನಿ ಮಾಡುವಾಗ ಏನಾಗುತ್ತದೆ? AI ವ್ಯವಸ್ಥೆಯ ವರ್ತನೆಯಲ್ಲಿ ಯಾರಿಗೆ ಹೊಣೆಗಾರಿಕೆ ಇದೆ? ಈ ಪ್ರಶ್ನೆಗಳು ನಾವು ಈ ಪಾಠ್ಯಕ್ರಮದಲ್ಲಿ ಅನ್ವೇಷಿಸುವ ಕೆಲವು ಪ್ರಶ್ನೆಗಳಾಗಿವೆ.
ನೀವು ಈ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲು ಬಳಸುತ್ತಿರುವ ಡೇಟಾ ನಿರ್ದಿಷ್ಟ ಜನಸಂಖ್ಯಾತೀಯ ಗುಂಪುಗಳನ್ನು, ಉದಾಹರಣೆಗೆ ಜಾತಿ, ಲಿಂಗ, ರಾಜಕೀಯ ದೃಷ್ಟಿಕೋನ, ಧರ್ಮ ಅಥವಾ ಅಸಮಾನ ಪ್ರಮಾಣದಲ್ಲಿ ಪ್ರತಿನಿಧಿಸುತ್ತಿದ್ದರೆ ಏನಾಗಬಹುದು ಎಂಬುದನ್ನು ಊಹಿಸಿ. ಮಾದರಿಯ ನಿರ್ಗಮನವು ಕೆಲವು ಜನಸಂಖ್ಯಾತೀಯರನ್ನು ಪ್ರಾಮಾಣಿಕವಾಗಿ ಪ್ರಭಾವಿತ ಮಾಡುವುದು ಎಂದಾದರೆ? ಅನ್ವಯಿಕೆಗೆ ಪರಿಣಾಮವೇನು? ಹೆಚ್ಚುವರಿಯಾಗಿ, ಮಾದರಿ ಹಾನಿಕಾರಕ ಫಲಿತಾಂಶ ನೀಡಿದರೆ ಏನಾಗಬಹುದು? AI ವ್ಯವಸ್ಥೆಗಳ ವರ್ತನೆಯ ಜವಾಬ್ದಾರಿತ್ವ ಯಾರದೆ? ಈ ಪ್ರಶ್ನೆಗಳು ನಮ್ಮ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ಪರಿಶೀಲಿಸಲ್ಪಡುವವು.
ಈ ಪಾಠದಲ್ಲಿ ನೀವು:
ಈ ಪಾಠದಲ್ಲಿ, ನೀವು:
- ಯಂತ್ರ ಶಿಕ್ಷಣದಲ್ಲಿ ನ್ಯಾಯತೀತೆ ಮತ್ತು ನ್ಯಾಯ ಸಂಬಂಧಿತ ಹಾನಿಗಳ ಮಹತ್ವದ ಬಗ್ಗೆ ನಿಮ್ಮ ಅರಿವನ್ನು ಹೆಚ್ಚಿಸಿಕೊಳ್ಳಿರಿ.
- ಯಂತ್ರ ಅಧ್ಯಯನದಲ್ಲಿ ನ್ಯಾಯತತ್ವದ ಮಹತ್ವ ಮತ್ತು ನ್ಯಾಯತತ್ವ ಸಂಬಂಧಿತ ಹಾನಿಗಳ ಬಗ್ಗೆ ಜಾಗೃತಿ ಮೂಡಿಸುವಿರಿ.
- ವಿಶ್ವಾಸಾರ್ಹತೆ ಮತ್ತು ಸುರಕ್ಷತೆ ಖಚಿತಪಡಿಸಲು ಅಪರೂಪದ ಘಟನೆಗಳ ಮತ್ತು ಭಿನ್ನ ಸಂದರ್ಭಗಳನ್ನು ಪರಿಶೀಲಿಸುವ ಅಭ್ಯಾಸಕ್ಕೆ ಪರಿಚಿತವಾಗಿರಿ.
- ವಿಶ್ವಾಸಾರ್ಹತೆ ಮತ್ತು ಭದ್ರತೆ ಖಾತ್ರಿ ಪಡಿಸಲು ಹೊರಗಿನ ಅಸಾಮಾನ್ಯ ಘಟನಾವಳಿಗಳನ್ನು ಮತ್ತು ಅಸಾಮಾನ್ಯ ಸಂದರ್ಭಗಳನ್ನು ಪರಿಶೀಲಿಸುವ ಅಭ್ಯಾಸಕ್ಕೆ ಪರಿಚಿತರಾಗುವಿರಿ.
- ಎಲ್ಲರಿಗೂ ಸಬಲೀಕರಣ ನೀಡಲು ಒಳಗೊಂಡ ವ್ಯವಸ್ಥೆಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವ ಅಗತ್ಯವನ್ನು ಅರಿತುಕೊಳ್ಳಿ.
- ಎಲ್ಲರಿಗೂ ಅಧಿಕಾರವನ್ನು ನೀಡುವ ಅಗತ್ಯವನ್ನು ತಿಳಿದುಕೊಳ್ಳುವಿರಿ, ಒಳಗೊಂಡ ವ್ಯವಸ್ಥೆಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವ ಮೂಲಕ.
- ಡೇಟಾ ಮತ್ತು ಜನರ ಗೌಪ್ಯತೆಗೆ ಮತ್ತು ಭದ್ರತೆಗೆ ಹೇಗೆ ರಕ್ಷಣೆ ನೀಡುವುದು ಎಂಬುದನ್ನು ಅನ್ವೇಷಿಸಿ.
- ಡೇಟಾ ಹಾಗೂ ಜನರ ಗೌಪ್ಯತೆ ಮತ್ತು ಭದ್ರತೆ ರಕ್ಷಿಸುವದರಿಂದ ಬಹುಮುಖ್ಯತೆಯನ್ನು ಅನ್ವೇಷಿಸುವಿರಿ.
- AI ಮಾದರಿಯ ವರ್ತನೆಯನ್ನು ವಿವರಿಸಲು ಗ್ಲಾಸ್ ಬಾಕ್ಸ್ ದೃಷ್ಟಿಕೋನ ಹೊಂದಿರುವ ಮಹತ್ವವನ್ನು ನೋಡಿರಿ.
- AI ಮಾದರಿಗಳ ವರ್ತನೆಯನ್ನು ವಿವರಿಸಲು ಗಾಜಿನ ಬಾಕ್ಸ್ (glass box) ವಿಧಾನ的重要ತೆಯನ್ನು ಕಂಡುಕೊಳ್ಳುವಿರಿ.
- AI ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ವಿಶ್ವಾಸ ನಿರ್ಮಿಸಲು ಹೊಣೆಗಾರಿಕೆ ಬಾಳಿಕೆ ಎಷ್ಟು ಅಗತ್ಯವೋ ಅದರ ಬಗ್ಗೆ ಜಾಗರೂಕರಾಗಿರಿ.
- AI ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ನಂಬಿಕೆಯನ್ನು ನಿರ್ಮಿಸಲು ಜವಾಬ್ದಾರಿತ್ವ ಅವಶ್ಯಕತೆಯ ಬಗ್ಗೆ ಗಮನವಿಡುವಿರಿ.
## ಪೂರ್ವಾಪೇಕ್ಷೆ
## ಅಗತ್ಯಶಿನೂತನತೆ
ಪೂರ್ವಾಪೇಕ್ಷೆಯಾಗಿ, ದಯವಿಟ್ಟು "ಜವಾಬ್ದಾರಿಯಾದ AI ಸಿದ್ಧಾಂತಗಳು" ಕಲಿಕೆ ಮಾರ್ಗವನ್ನು ತೆಗೆದುಕೊಳ್ಳಿ ಮತ್ತು ಕೆಳಗಿನ ವಿಷಯದ ವಿಡಿಯೋವನ್ನು ವೀಕ್ಷಿಸಿ:
ಮೊದಲೆ "ಜವಾಬ್ದಾರಿಯುತ AI ತತ್ವಗಳು" ಕಲಿಕೆಯ ಮಾರ್ಗವನ್ನು ತೆಗೆದು, ಕೆಳಗಿನ ವಿಷಯದ ವಿಡಿಯೋವನ್ನು ವೀಕ್ಷಿಸಿ:
ಈ [ಕಲಿಕೆ ಮಾರ್ಗ](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) ಮೂಲಕ ಜವಾಬ್ದಾರಿಯಾದ AI ಬಗ್ಗೆ ಹೆಚ್ಚು ತಿಳಿದುಕೊಳ್ಳಿ
ಜವಾಬ್ದಾರಿಯುತ AI ಕುರಿತು ಹೆಚ್ಚಿನ ತಿಳಿವಳಿಕೆಯನ್ನು ಈ [Learning Path](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)ನೊಂದಿಗೆ ಪಡೆಯಿರಿ
[](https://youtu.be/dnC8-uUZXSc "Microsoft's Approach to Responsible AI")
[](https://youtu.be/dnC8-uUZXSc "Microsoft's Approach to Responsible AI")
> 🎥 ವೀಡಿಯೊ ಮಾಡಲು ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ: Microsoft's Approach to Responsible AI
> 🎥 ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ವಿಡಿಯೋ ವೀಕ್ಷಿಸಿ: ಮೈಕ್ರೋಸಾಫ್ಟ್‌ನ ಜವಾಬ್ದಾರಿಯುತ AI ತತ್ತ್ವಗಳು
## ನ್ಯಾಯತೀತೆ
## ನ್ಯಾಯತತ್ವ
AI ವ್ಯವಸ್ಥೆಗಳು ಎಲ್ಲರಿಗೂ ನ್ಯಾಯವಾಗಿ ವರ್ತಿಸಬೇಕು ಮತ್ತು ಸಮಾನ ಗುಂಪುಗಳ ಜನರಿಗೆ ವಿಭಿನ್ನ ರೀತಿಯಲ್ಲಿ ಪ್ರಭಾವ ಬೀರುವುದನ್ನು ತಪ್ಪಿಸಬೇಕು. ಉದಾಹರಣೆಗೆ, ಆರೋಗ್ಯ ಚಿಕಿತ್ಸೆ, ಸಾಲ ಅರ್ಜಿಗಳು, ಅಥವಾ ಉದ್ಯೋಗದಲ್ಲಿ ಮಾರ್ಗದರ್ಶನ ನೀಡುವಾಗ, ಸಮಾನ ಲಕ್ಷಣಗಳು, ಆರ್ಥಿಕ ಪರಿಸ್ಥಿತಿಗಳು ಅಥವಾ ವೃತ್ತಿಪರ ಅರ್ಹತೆ ಇರುವ ಎಲ್ಲರಿಗೆ ಸಮಾನ ಸಲಹೆಗಳನ್ನು ನೀಡಬೇಕು. ಪ್ರತಿಯೊಬ್ಬರೂ ಮಾನವರಿಗೆ ನಮ್ಮ ನಿರ್ಧಾರಗಳನ್ನು ಮತ್ತು ಕ್ರಿಯೆಗಳನ್ನು ಪ್ರಭಾವಿತಗೊಳಿಸುವ ವಂಶಸಂಪದಿತ ಉಪನ್ಯಾಸಗಳನ್ನು ಹೊಂದಿದ್ದೇವೆ. ಈ ತೆಳುವಿನ ಉಪನ್ಯಾಸಗಳು ಯಂತ್ರ ಶಿಕ್ಷಣಕ್ಕಾಗಿ ಬಳಸಲಾಗುವ ಡೇಟಾದಲ್ಲೂ ಸ್ಪಷ್ಟವಾಗಬಹುದು. ಕೆಲವೊಮ್ಮೆ ಈ ಪ್ರಭಾವಗಳು ಆಸಕ್ತಿಯಿಂದಲೂ ಅಲ್ಲದೇ ಅನುಪಯುಕ್ತವಾಗಿ ಸಂಭವಿಸಬಹುದು. ಯಾವಾಗ ನೀವು ಡೇಟಾದಲ್ಲಿ ಆಯಾಮವನ್ನು ಪರಿಚಯಿಸುತ್ತಿದ್ದೀರಿ ಎಂಬುದನ್ನು ಪ್ರತೀಕ್ಷಿತವಾಗಿ ತಿಳಿಯುವುದು ಸಾಮಾನ್ಯವಾಗಿ ಕಷ್ಟ.
AI ವ್ಯವಸ್ಥೆಗಳು ಎಲ್ಲರನ್ನು ಸಮಾನವಾಗಿ ಪ್ರತಿಕರಿಸಬೇಕು ಮತ್ತು ಸಮಾನ ಗುಂಪುಗಳನ್ನು ವಿಭಿನ್ನ ರೀತಿಯಲ್ಲಿ ಪ್ರಭಾವಿತ ಮಾಡಬಾರದು. ಉದಾಹರಣೆಗೆ, AI ವ್ಯವಸ್ಥೆಗಳು ವೈದ್ಯಕೀಯ ಚಿಕಿತ್ಸೆ, ಸಾಲ ಅರ್ಜಿಗಳು ಅಥವಾ ಉದ್ಯೋಗದ ಸಲಹೆಗಳ ಬಗ್ಗೆ ಮಾರ್ಗದರ್ಶನ ನೀಡುವಾಗ, ಸಮಾನ ಲಕ್ಷಣಗಳು, ಆರ್ಥಿಕ ಪರಿಸ್ಥಿತಿಗಳು, ಅಥವಾ ವೃತ್ತಿ ಅರ್ಹತೆ ಗಳನ್ನು ಹೊಂದಿದ ಎಲ್ಲರಿಗೆ ಸಮಾನ ಸಲಹೆ ನೀಡಬೇಕು. ನಾವು ಪ್ರತಿಯೊಬ್ಬರೂ ನಮ್ಮ ನಿರ್ಧಾರ ಹಾಗೂ ಚಟುವಟಿಕೆಗಳನ್ನು ಪ್ರಭಾವಿಸುವуна ವಾರಸುದಾರ ದೃಷ್ಟಿಭ್ರಷ್ಟತೆಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತೇವೆ. ಈ ದೋಷ್ಟತೆಗಳು ನಾವು AI ವ್ಯವಸ್ಥೆಗಳನ್ನು ತರಗತಿ ನೀಡಲು ಬಳಸುವ ಡೇಟಾದಲ್ಲಿ ಕಂಡುಬರುತ್ತವೆ. ಇವನ್ನು ಅನೇಕರೂ ಅಜಾಗರೂಕವಾಗಿ ಮಾಡಬಹುದು. ಡೇಟಾದಲ್ಲಿ ನೀವು ದೋಷ್ಟತೆ ಪರಿಚಯಿಸುತ್ತಿದ್ದೀರೋ ಎಂದು ತಿಳಿಯುವುದು ಕಷ್ಟ.
**“ನ್ಯಾಯತೀರದಿರದಿಕೆ”** ಎಂದರೆ ಜನಸಂಖ್ಯಾತಿಯನ್ನು ಆಧರಿಸಿ (ಹಾದಿ, ಲಿಂಗ, ವಯಸ್ಸು, ಅಂಗವೈಕಲ್ಯ ಸ್ಥಿತಿ ಇತ್ಯಾದಿಗಳಂತೆ) ಒಂದು ಗುಂಪಿಗೆ ಉಂಟಾಗುವ ಅಪಕಾರ ಅಥವಾ "ಹಾನಿ"ಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಮುಖ್ಯ ನ್ಯಾಯತೀತೆ ಸಂಬಂಧಿತ ಹಾನಿಗಳನ್ನು ಈ ರೀತಿಯಾಗಿ ವರ್ಗೀಕರಿಸಬಹುದು:
**“ಅನ್ಯಾಯತ”** ಎಂದರೆ ಜನ ಸಮೂಹದ ವರ್ಗಕ್ಕೆ ನಕಾರಾತ್ಮಕ ಪರಿಣಾಮಗಳು ಅಥವಾ "ಹಾನಿಗಳು" ಆಗಿದ್ದು, ಅವು ಜಾತಿ, ಲಿಂಗ, ವಯಸ್ಸು ಅಥವಾ ಅಪಂಗತೆಯ ಮೂಲಕ ವಿವರಿಸಲ್ಪಡುವುವು. ಮುಖ್ಯ ನ್ಯಾಯತತ್ವ-ಸಂಬಂಧಿತ ಹಾನಿಗಳನ್ನು ಈ ಕೆಳಗಿನಂತೆಯಾಗಿ ವರ್ಗೀಕರಿಸಬಹುದು:
- **ಹಂಚಿಕೆ**, ಉದಾಹರಣೆಗೆ ಒಂದು ಲಿಂಗ ಅಥವಾ ಜಾತಿ ಇನ್ನೊಬ್ಬರಿಗಿಂತ ಮೆರೆದಾಗ.
- **ಹಂಚಿಕೆಗೆ**: ಉದಾಹರಣೆಗೆ ಲಿಂಗ ಅಥವಾ ವಂಶವನ್ನು ಇನ್ನೊಬ್ಬರಿಗಿಂತ ಮೆಚ್ಚಿಸುವುದು.
- **ಸೇವೆಯ ಗುಣಮಟ್ಟ**. ನೀವು ಒಂದು ನಿರ್ದಿಷ್ಟ ಪರಿಸ್ಥಿತಿಗಾಗಿ ಡೇಟಾವನ್ನು ತರಬೇತು ಮಾಡಿದ್ದರೂ, ವಾಸ್ತವಿಕತೆ ಹೆಚ್ಚು ಸಖತ್ ಇದ್ದರೆ ಸೇವೆಯ ಕಾರ್ಯಕ್ಷಮತೆ ಕುಂದಬಹುದು. ಉದಾಹರಣೆಗೆ, ನಗೆಂಗೆ ಕಾಲಿ ಚರ್ಮವನ್ನು ಗುರುತಿಸಲಾಗದ ಕೈ ಸಾಬೂನು ಹಂಚುವ ಯಂತ್ರ. [ಉಲ್ಲೇಖ](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **ಸೇವೆ ಗುಣಮಟ್ಟ:** ನೀವು ಒಂದು ನಿರ್ದಿಷ್ಟ ಸಂದರ್ಭಕ್ಕಾಗಿಯನ್ನೇ ಡೇಟಾವನ್ನು ತರಗತಿಗೊಳಿಸಿದಾಗ ಆದರೆ ವಾಸ್ತವ ಪರಿಸ್ಥಿತಿ ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದರೆ, ಇದರಿಂದ ಕೆಟ್ಟ ಕಾರ್ಯಕ್ಷಮತೆ ಉಂಟಾಗುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಬಣ್ಣ ಹಪ್ಪಿರುವ ವ್ಯಕ್ತಿಗಳನ್ನು ಗುರುತಿಸಲು ಸಾಧ್ಯವಾಗದ ಕೈ ಸಾಬೂನು ನಿರ್ಗಮನ ವ್ಯವಸ್ಥೆ. [Source](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **ಅಪಚಾರ**. ಒಬ್ಬರ ಅಥವಾ ಯಾವುದನ್ನಾದರೂ ಅನ್ಯಾಯವಾಗಿ ಟೀಕಿಸುವುದು ಮತ್ತು ಲೇಬಲ್ ನೀಡುವುದು. ಉದಾಹರಣೆಗೆ, ಒಂದು ಚಿತ್ರ ಲೇಬಲಿಂಗ್ ತಂತ್ರಜ್ಞಾನ ಕಪ್ಪು ಚರ್ಮದ ಚಿತ್ರಗಳನ್ನು ಗೋರಿಲ್ಲಾಗಳಾಗಿ ತಪ್ಪಾಗಿ ಗುರುತಿಸಿದೆ.
- **ಬೇಸಿಗೊಳಿಸುವಿಕೆ:** ಅವ್ಯವಸ್ಥಿತವಾಗಿ ವಸ್ತು ಅಥವಾ ವ್ಯಕ್ತಿಗಳನ್ನು ಪ್ರತ್ಯಕ್ಷವಾಗಿ ಅಪಕಾರಿಸುವುದು. ಉದಾಹರಣೆಗೆ, ಒಂದು ಚಿತ್ರ ಲೇಬಲಿಂಗ್ ತಂತ್ರಜ್ಞಾನ ಕಪ್ಪು ತ್ವಚೆಯವರ ಚಿತ್ರಗಳನ್ನು ಗೋರಿಲ್ಲಾಗಳು ಎಂದು ತಪ್ಪಾಗಿ ಗುರುತಿಸಿದೆ.
- **ಅತಿಹರಿವು ಅಥವಾ ಅಲ್ಪ ಪ್ರತಿನಿಧೀಕರಣ**. ಒಂದು ಗುಂಪು ತ้มಿಚಲುವ ಉದ್ಯೋಗದಲ್ಲಿ ಕಂಡುಬಾರದಿರುವುದು ಮತ್ತು ಯಾವುದೇ ಸೇವೆ ಅಥವಾ ಕಾರ್ಯವು ಅದನ್ನು ಪ್ರೋತ್ಸಾಹಿಸುವುದು ಹಾನಿ ಮೂಡಿಸುತ್ತದೆ.
- **ಅಧಿಕ ಅಥವಾ ಅಲ್ಪ ಪ್ರತಿನಿಧಿತ್ವ:** ಒಂದು ಗುಂಪಿನಿಂದ ವ್ಯಕ್ತಿಗಳು ನಿರ್ದಿಷ್ಟ ವೃತ್ತಿಯಲ್ಲಿ ಕಾಣೆಯಾಗದಿರುವುದು, ಮತ್ತು ಆ ಸೇವೆ ಅಥವಾ ಕಾರ್ಯವು ಇದನ್ನು ಬೆಂಬಲಿಸುವುದೇ ಹಾನಿಗೆ ಕಾರಣವಾಗಿದೆ.
- ** stereotyping**. ಒಂದು ಗುಂಪನ್ನು ಪೂರ್ವನಿಗದಿತ ಲಕ್ಷಣಗಳಿಗೆ ಜೋಡಿಸುವುದು. ಉದಾಹರಣೆಗೆ, ಇಂಗ್ಲಿಷ್ ಮತ್ತು ಟರ್ಕಿಶ್ ಭಾಷಾಂತರ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಲಿಂಗದ ಯಾವುದೇ stereotyping ಸಂಬಂಧಿತ ಪದಗಳ ಕಾರಣದಿಂದ ತಪ್ಪುಗಳು ಸಂಭವಿಸಬಹುದು.
- **ಸ್ಟೀರಿಯೋ ಟೈಪಿಂಗ್:** ನಿರ್ದಿಷ್ಟ ಗುಂಪುಗಳನ್ನು ಪೂರ್ವ ನಿಯೋಜಿತ ಗುಣಾಂಕಗಳೊಂದಿಗೆ ಸಂಪರ್ಕಿಸುವುದು. ಉದಾಹರಣೆಗೆ, ಇಂಗ್ಲಿಷ್ ಮತ್ತು ಟರ್ಕಿಶ್ ಭಾಷಾ ಅನುವಾದ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಲಿಂಗದ ಸ್ಟೀರಿಯೋ ಟೈಪಿಕಲ ಸಂಬಂಧಗಳ ಕಾರಣದಿಂದ ತಪ್ಪುಗಳು ಸಂಭವಿಸುತ್ತವೆ.
AI ವ್ಯವಸ್ಥೆಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವಾಗ ಮತ್ತು ಪರೀಕ್ಷಿಸುವಾಗ, AI ನ್ಯಾಯಕವಾಗಿರಬೇಕು ಮತ್ತು ಮಾನವರಂತೆಯೇ পক্ষಪಾತಪೂರ್ಣ ಅಥವಾ ವಿಭಜನಾ ನಿರ್ಧಾರಗಳನ್ನು ಮಾಡಬಾರದು. AI ಮತ್ತು ಯಂತ್ರ ಶಿಕ್ಷಣದಲ್ಲಿ ನ್ಯಾಯತೀರದಿರದಿಕೆಯನ್ನು ಖಚಿತಪಡಿಸುವುದು ಸಂಕೀರ್ಣ ಸಾಮಾಜಿಕ-ತಾಂತ್ರಿಕ ಮುಂದಿನ ಕೆಲಸವಾಗಿದೆ.
AI ವ್ಯವಸ್ಥೆಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವಾಗ ಮತ್ತು ಪರೀಕ್ಷಿಸುವಾಗ, AI ನ್ಯಾಯತತ್ವಪ್ರದ ಮತ್ತು ಪೂರ್ವಾಗ್ರಹ ಇಲ್ಲದ ನಿರ್ಣಯಗಳನ್ನು ಮಾಡದಂತೆ ಖಾತ್ರಿ ಪಡಿಸಬೇಕು, ಹಾಗೆಯೇ ಮಾನವರಿಗೂ ಮಾಡಬಾರದು. AI ಮತ್ತು ಯಂತ್ರ ಅಧ್ಯಯನದಲ್ಲಿ ನ್ಯಾಯತತ್ವ ಖಚಿತಪಡಿಸುವುದು ಒಂದು ಸಂಕೀರ್ಣ ಸಾಮಾಜಿಕ ತಂತ್ರಜ್ಞಾನದ ಸವಾಲು.
### ವಿಶ್ವಾಸಾರ್ಹತೆ ಮತ್ತು ಸುರಕ್ಷತೆ
### ವಿಶ್ವಾಸಾರ್ಹತೆ ಮತ್ತು ಭದ್ರತೆ
ವಿಶ್ವಾಸ ನಿರ್ಮಿಸಲು, AI ವ್ಯವಸ್ಥೆಗಳು ಸಾಮಾನ್ಯ ಮತ್ತು ಅಪ್ರತೀಕ್ಷಿತ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ವಿಶ್ವಾಸಾರ್ಹ, ಸುರಕ್ಷಿತ ಮತ್ತು ಶಾಶ್ವತವಾಗಿರಬೇಕು. ಬಾಹ್ಯ ಘಟನೆಗಳಾದ ಸ್ಥಿತಿಗಳಲ್ಲಿನ AI системೆ ಗಳ ವರ್ತನೆ ಗೊತ್ತಾಗಬೇಕು. AI ಪರಿಹಾರಗಳನ್ನು ನಿರ್ಮಿಸುವಾಗ, ವೈವಿಧ್ಯಮಯ ಪರಿಸ್ಥಿತಿಗಳನ್ನು ಹೇಗೆ ಕೈಗೊಳ್ಳುವುದು ಎಂದು ಗಮನ ತುಂಬಾ ಮುಖ್ಯ. ಉದಾಹರಣೆಗೆ, ಸ್ವಯಂಚಾಲಿತ ಕಾರು ಜನರ ಸುರಕ್ಷತೆಯನ್ನು ಪ್ರಮುಖ ಪ್ರಾಧಾನ್ಯತೆ ನೀಡಬೇಕು. ಆದ್ದರಿಂದ, ಆ ಕಾರು ಎದುರಿಸುವ ಎಲ್ಲಾ ಸಾಧ್ಯ ಪರಿಸ್ಥಿತಿಗಳನ್ನು (ಅಂಧಕಾಲ, ಮಳೆ, ಹಿಮಪಾತ, ಮಕ್ಕಳ ರಸ್ತೆ ದಾಟುವಿಕೆ, ಪಾಳು ಪ್ರಾಣಿಗಳು, ರಸ್ತೆ ನಿರ್ಮಾಣ) ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕು. AI ವ್ಯವಸ್ಥೆಯು ಈ ವಿವಿಧ ಪರಿಸ್ಥಿತಿಗಳನ್ನು ಹೇಗೆ ನಿಭಾಯಿಸುತ್ತದೆ ಎಂಬುದು ಆ ಸಿಸ್ಟಮ್ ವಿನ್ಯಾಸ ಅಥವಾ ಪರೀಕ್ಷೆ ಸಮಯದಲ್ಲಿ ಡೇಟಾ ವಿಜ್ಞಾನಿ ಅಥವಾ AI ಅಭಿವೃದ್ಧಿಕರರು ಎಷ್ಟು ಮುನ್ಸೂಚನೆ ಮುಂದಿಟ್ಟಿದ್ದರು ಎಂಬುದನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ.
ನಂಬಿಕೆ ನಿರ್ಮಿಸಲು AI ವ್ಯವಸ್ಥೆಗಳು ಸಾಮಾನ್ಯ ಮತ್ತು ಅಸಾಮಾನ್ಯ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲೂ ವಿಶ್ವಾಸಾರ್ಹ, ಭದ್ರ ಮತ್ತು ಸ್ಥಿರವಾಗಿರಬೇಕು. AI ವ್ಯವಸ್ಥೆಗಳು ಹೇಗೆ ವರ್ತಿಸುವುದೆ ಎಂಬುದನ್ನು ಬಾಹ್ಯ ಘಟನೆಗಳು ಸೇರಿದಂತೆ ಬೆರೆತ ಹಲವಾರು ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ತಿಳಿದುಕೊಳ್ಳುವುದು ಮುಖ್ಯ. ಉದಾಹರಣೆಗೆ, ಸ್ವ-ಚಾಲಿತ ಕಾರು ಜನರ ಭದ್ರತೆಯನ್ನು ಪರಮ ಆದ್ಯತೆಯಾಗಿ ನೋಡಬೇಕು. ಪರಿಣಾಮ, ಕಾರು ಚಲಿಸುವ ಸಂದರ್ಭದಲ್ಲಿ ರಾತ್ರಿ, ತೀಕ್ಷ್ಣ ಮಳೆ, ಮಕ್ಕಳ ಓಡಾಟ, ಪಶುಗಳ ಮಾಹಿತಿ ಮತ್ತು ರಸ್ತೆ ನಿರ್ಮಾಣಗಳಂತಹ ಹಲವಾರು ಸಾಧ್ಯ ಸಂದರ್ಭಗಳನ್ನು AI ಪರಿಗಣಿಸಬೇಕು. AI ವ್ಯವಸ್ಥೆ ಹೇಗೆ ಬೃಹತ್ ನಿಯಂತ್ರಣ ವರ್ಧಿತ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ವಿಶ್ವಾಸಾರ್ಹ ಮತ್ತು ಭದ್ರತೆಯಿಂದ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದು ಆ ಡೇಟಾ ವಿಜ್ಞಾನಿ ಅಥವಾ AI ಅಭಿವೃದ್ಧಿಕರ್ತೆಯ ವಿನ್ಯಾಸ ಅಥವಾ ಪರೀಕ್ಷೆಯಾದಾಗ ಗಮನಿಸಿರುವ ಮೊತ್ತವನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ.
> [🎥 ವೀಡಿಯೊಗೆ ಇಲ್ಲಿ ಕ್ಲಿಕ್ ಮಾಡಿ: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
> [🎥 AI ಯಲ್ಲಿನ ವಿಶ್ವಾಸಾರ್ಹತೆ ಮತ್ತು ಭದ್ರತೆ ಕುರಿತು ವಿಡಿಯೋ ಇಲ್ಲಿಗೆ ಕ್ಲಿಕ್ ಮಾಡಿ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
### ಒಳಗೊಂಡಿಕೆ
### ಒಳಗೊಂಡಿಕೆ
AI ವ್ಯವಸ್ಥೆಗಳು ಎಲ್ಲರಿಗೂ ಭಾಗವಹಿಸುವಂತೆ ಮತ್ತು ಸಬಲೀಕರಣ ನೀಡುವಂತೆ ವಿನ್ಯಾಸಗೊಳಿಸಬೇಕಾಗುತ್ತದೆ. ಈ प्रणೇತಿಯಲ್ಲ, ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು ಮತ್ತು AI ಅಭಿವೃದ್ಧಿಕರರು ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಅಪರಿಚಿತವಾಗಿ ಜನರನ್ನು ಹೊರಗೂಡಿಸಬಲ್ಲ ತಡೆಗಳನ್ನು ಪತ್ತೆ ಮಾಡಿ ಪರಿಹರಿಸುತ್ತಾರೆ. ಉದಾಹರಣೆಗೆ, ప్రపంచದಲ್ಲಿ 1 ಬಿಲಿಯನ್ ಅಂಗವೈಕಲ್ಯ ಹೊಂದಿರುವ ಜನರು ಇರಬೇಕಾಗಿದ್ದಾರೆ. AI ಪ್ರಗತಿಯ ಮೂಲಕ, ಅವರ ಕೈಗೆ ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಳು ಮತ್ತು ಅವಕಾಶಗಳು ಸುಲಭವಾಗಿ ಲಭಿಸುತ್ತವೆ. ಅಡ್ಡಿ ಸಮಾಧಾನಗೆದು, ಎಲ್ಲಾ ಜನರಿಗೆ ಒಳ್ಳೆಯ ಅನುಭವ ನೀಡುವ AI ಉತ್ಪನ್ನಗಳನ್ನು ಆವಿಷ್ಕರಿಸಲು ಮತ್ತು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಅವಕಾಶ ಸೃಷ್ಟಿ ಮಾಡುತ್ತದೆ.
AI ವ್ಯವಸ್ಥೆಗಳು ಎಲ್ಲರನ್ನು ಭಾಗವಹಿಸಲು ಮತ್ತು ಅಧಿಕಾರ ನೀಡಲು ವಿನ್ಯಾಸಗೊಳ್ಳಬೇಕು. AI ವ್ಯವಸ್ಥೆಗಳ ವಿನ್ಯಾಸ ಮತ್ತು ಜಾರಿ ಮಾಡುವಾಗ ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು ಮತ್ತು AI ಅಭಿವೃದ್ಧಿಕರ್ತರು ಅಯೋಗ್ಯ ವ್ಯಕ್ತಿಗಳನ್ನು ಹೊರಗಡೆ ಇಡುವಂತಹ ಅಡಚಣೆಗಳನ್ನು ಗುರುತಿಸಿ ಪರಿಹರಿಸಬೇಕು. ಪ್ರಪಂಚದಲ್ಲಿ 1 ಬಿಲಿಯನ್ ಜನರು ನಿವ್ವಳತೆಯೊಂದಿಗೆ ಬಾಳುತ್ತಿದ್ದಾರೆ. AI ಅಭಿವೃದ್ಧಿಯಿಂದ ಅವರು ತಮ್ಮ ದಿನನಿತ್ಯ ಜೀವನದಲ್ಲಿ ಮಾಹಿತಿ ಮತ್ತು ಅವಕಾಶಗಳನ್ನು ಸುಲಭವಾಗಿ ಪಡೆಯಬಲ್ಲರು. ಅಡಚಣೆಗಳನ್ನು ಪರಿಹರಿಸುವ ಮೂಲಕ ಎಲ್ಲಾ ಜನರಿಗೆ ಉತ್ತಮ ಅನುಭವಗಳನ್ನು ಒದಗಿಸುವ AI ಉತ್ಪನ್ನಗಳನ್ನು новತಮ್ಮಹದು, ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಅವಕಾಶಗಳ ಲಾಭವಾಗುತ್ತದೆ.
> [🎥 AI ನ ಒಳಗೊಂಡಿಕೆ ವಿಷಯದಲ್ಲಿ here ಕ್ಲಿಕ್ ಮಾಡಿ](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
> [🎥 AI ಯಲ್ಲಿನ ಒಳಗೊಂಡಿಕೆ ಕುರಿತು ವಿಡಿಯೋ ಇವನಿಗೆ ಕ್ಲಿಕ್ ಮಾಡಿ](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
### ಭದ್ರತೆ ಮತ್ತು ಗೌಪ್ಯತೆ
### ಭದ್ರತೆ ಮತ್ತು ಗೌಪ್ಯತೆ
AI ವ್ಯವಸ್ಥೆಗಳು ಸುರಕ್ಷಿತವಾಗಿರಬೇಕು ಮತ್ತು ಜನರ ಗೌಪ್ಯತೆಯನ್ನು ಗೌರವಿಸಬೇಕು. ಜನರು ತಮ್ಮ ಗೌಪ್ಯತೆ, ಮಾಹಿತಿ ಅಥವಾ ಜೀವನಕ್ಕೆ ಅಪಾಯವಿರುವ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಕಡಿಮೆ ನಂಬಿಕೆ ಇಟ್ಟುಕೊಳ್ಳುತ್ತಾರೆ. ಯಂತ್ರ ಶಿಕ್ಷಣ ಮಾದರಿಗಳನ್ನು ತರಬೇತುಗೊಳಿಸುವಾಗ, ಉತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ತರುವುದಕ್ಕಾಗಿ ನಾವು ಡೇಟಾದ ಮೇಲೆ ಅವಲಂಬಿಸುತ್ತೇವೆ. ಆದ್ದರಿಂದ, ಡೇಟಾದ ಮೂಲ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹತೆ ಗಮನದಲ್ಲಿರಬೇಕಾಗುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಡೇಟಾ ಬಳಕೆದಾರರಿಂದ ಬಂತು ಅಥವಾ ಸಾರ್ವಜನಿಕವಾಗಿ ಲಭ್ಯವಿದೆಯೇ? ನಂತರ, ಡೇಟಾ ಮೇಲೆ ಕೆಲಸ ಮಾಡುತ್ತಿರುವಾಗ, ಭದ್ರತೆಯನ್ನು ನೀಡುವ AI ವ್ಯವಸ್ಥೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದು ಮತ್ತು ದಾಳಿಗಳಿಗೆ ಪ್ರತಿರೋಧಿಸುವುದು ತುಂಬಾ ಅವಶ್ಯಕ. AI ಹೆಚ್ಚಿಸಿ ಬಳಕೆಯಾದಂತೆ, ಗೌಪ್ಯತೆ ಮತ್ತು ಮಹತ್ವದ ವೈಯಕ್ತಿಕ ಮತ್ತು ವ್ಯಾಪಾರ ಮಾಹಿತಿ ರಕ್ಷಣಾ ವಿಷಯಗಳು ಹೆಚ್ಚು ಜನ್ಡಾಗುತ್ತಿರುವ ಸಮಸ್ಯೆ ಹೀಗೆ ಇದ್ದಕ್ಕಿಂತ ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾಗುತ್ತವೆ. AI ಗೆ ಕುರಿತು ಗೌಪ್ಯತೆ ಮತ್ತು ಡೇಟಾ ಭದ್ರತೆ ವಿಷಯಗಳು ವಿಶೇಷ ಗಮನ ಅಗತ್ಯವಿದೆ ಏಕೆಂದರೆ AI ವ್ಯವಸ್ಥೆಗಳು ಜನರ ಬಗ್ಗೆ ನಿಖರ ಮತ್ತು ಮಾಹಿತಿ ಒಳಗೊಂಡ ಊಹಣೆ ಮತ್ತು ನಿರ್ಣಯಗಳನ್ನು ಮಾಡಲು ಡೇಟಾಗೆ ಪ್ರವೇಶ ಆಹಾರವಾಗಿದೆ.
AI ವ್ಯವಸ್ಥೆಗಳು ಭದ್ರವಾಗಿರಬೇಕು ಮತ್ತು ಜನರ ಗೌಪ್ಯತೆಯನ್ನು ಗೌರವಿಸಬೇಕು. ಜನರು ತಮ್ಮ ಗೌಪ್ಯತೆ, ಮಾಹಿತಿ ಅಥವಾ ಬದುಕನ್ನು ಅಪಾಯಕ್ಕೆ ಹಾಕುವ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಕಡಿಮೆ ನಂಬುತ್ತಾರೆ. ಯಂತ್ರ ಅಧ್ಯಯನ ಮಾದರಿಗಳನ್ನು ತರಗತಿಕೊಳಿಸಲು ನಾವು ಉತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ಪಡೆಯಲು ಡೇಟಾವನ್ನು ಅವಲಂಬಿಸುತ್ತೇವೆ. ಆದಾಗ್ಯೂ, ಡೇಟಾದ ಮೂಲ ಮತ್ತು ಅಖಂಡತೆಯನ್ನು ಪರಿಗಣಿಸಬೇಕು. ಉದಾಹರಣೆಗೆ, ಡೇಟಾ ಬಳಕೆದಾರರಿಂದ ಸಲ್ಲಿಸಲಾಗಿದೆಯೇ ಅಥವಾ ಸಾರ್ವಜನಿಕವಾಗಿ ಲಭ್ಯವಿದೆಯೇ? ನಂತರ, ಡೇಟಾ ಮೇಲೆ ಕೆಲಸ ಮಾಡುವಾಗ, ಗುಪ್ತ ಮಾಹಿತಿಯನ್ನು ರಕ್ಷಿಸುವ ಮತ್ತು ದಾಳಿಗಳನ್ನು ತಡೆಯುವ AI ವ್ಯವಸ್ಥೆಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದು ಅಗತ್ಯ. AI ಹೆಚ್ಚು ವ್ಯಾಪಕವಾಗುತ್ತಿರುವಂತೆ, ಗೌಪ್ಯತೆ ಮತ್ತು ಮಹತ್ವಪೂರ್ಣ ವೈಯಕ್ತಿಕ ಹಾಗೂ ವ್ಯವಹಾರಿಕ ಮಾಹಿತಿಯನ್ನು ರಕ್ಷಿಸುವುದು ಹೆಚ್ಚು ಸಂಕೀರ್ಣ ಮತ್ತು ಅತ್ಯವಶ್ಯಕವಾಗಿದೆ. ಗೌಪ್ಯತೆ ಮತ್ತು ಡೇಟಾ ಭದ್ರತೆ ಸಮಸ್ಯೆಗಳು AI ಯಲ್ಲಿ ವಿಶೇಷ ಗಮನವನ್ನು ಅಗತ್ಯವಾಗಿವೆ, ಏಕೆಂದರೆ AI ವ್ಯವಸ್ಥೆಗಳು ಜನರ ಬಗ್ಗೆ ನಿಖರ ಮತ್ತು ಮಾಹಿತಿ ನೀಡುವ ನಿರ್ಣಯಗಳನ್ನು ಮಾಡಲು ಡೇಟಾವನ್ನು ಪ್ರವೇಶಿಸಬೇಕಾಗುತ್ತದೆ.
> [🎥 AI ಯಲ್ಲಿ ಭದ್ರತಾ ಬಗ್ಗೆ ವೀಡಿಯೋ ಎಲ್ಲಿಗೆ ಕ್ಲಿಕ್ ಮಾಡಿ](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 AI ಯಲ್ಲಿ ಭದ್ರತೆ ಕುರಿತ ವಿಡಿಯೋ ಇಲ್ಲಿಗೆ ಕ್ಲಿಕ್ ಮಾಡಿ](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- ಕೈಗಾರಿಕಾ ಕ್ಷೇತ್ರವಾಗಿ ನಾವು ಗೌಪ್ಯತೆ ಮತ್ತು ಭದ್ರತೆಯಲ್ಲಿ ಪ್ರಮುಖ ಪ್ರಗತಿಯನ್ನು ಮಾಡಿದ್ದೇವೆ, ಅದರಲ್ಲೂ GDPR ನಿಯಮಗಳ ಮೂಲಕ ಬಹಳ ಪ್ರೇರಣೆ ಇದೆ.
- ಉದ್ಯಮವಾಗಿ ನಾವು ಗೌಪ್ಯತೆ ಮತ್ತು ಭದ್ರತೆಯಲ್ಲಿ ಗಮನಾರ್ಹ ಪ್ರಗತಿಯನ್ನು ಸಾಧಿಸಿದ್ದೇವೆ, ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದಲ್ಲಿ GDPR (ಜನರಲ್ ಡೇಟಾ ಪ್ರೊಟೆಕ್ಷನ್ ನಿಯಮ) ನಿಯಮಗಳಿಂದ ಚಾಲಿತವಾಗಿದೆ.
- AI ವ್ಯವಸ್ಥೆಗಳೊಂದಿಗೆ, ಹೆಚ್ಚು ವೈಯಕ್ತಿಕ ಮತ್ತು ಪರಿಣಾಮಕಾರಿ ಮಾಡಲು ಹೆಚ್ಚು ವೈಯಕ್ತಿಕ ಡೇಟಾ ಬೇಕಾದ ಅಗತ್ಯ ಮತ್ತು ಗೌಪ್ಯತೆ ನಡುವೆ ಘರ್ಷಣೆ ಇದೆ ಎಂದು ಒಪ್ಪಿಕೊಳ್ಳಬೇಕಾಗಿದೆ.
- ಆದರೂ AI ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಹೆಚ್ಚಿನ ವೈಯಕ್ತಿಕ ಡೇಟಾವನ್ನು ಬಳಸುವ ಅಗತ್ಯ ಮತ್ತು ಗೌಪ್ಯತೆ ನಡುವಿನ ತಕರಾರು ಅನ್ನು ನಾವು ಒಪ್ಪಿಕೊಳ್ಳಬೇಕಾಗಿದೆ.
- ಇಂಟರ್ನೆಟ್-ಸಂಬಂಧಿತ ಕಂಪ್ಯೂಟರ್‌ಗಳ ಹುಟ್ಟಿದಂತೆ, AI ಗೆ ಸಂಬಂಧಿಸಿದ ಭದ್ರತಾ ಸಮಸ್ಯೆಗಳ ಸಂಖ್ಯೆ ಪರಿಮಿತಿಯಿಂದ ಬಹಳ ಹೆಚ್ಚಾಗಿದೆ.
- ಇಂಟರ್ನೆಟ್ ಮೂಲಕ ಸಂಪರ್ಕಿತ ಕಂಪ್ಯೂಟರ್‌ಗಳ ಹುಟ್ಟುವಿಕೆಗೆ ಸಮಾನವಾಗಿ, AI ಯೊಂದಿಗಿನ ಭದ್ರತಾ ಸಮಸ್ಯೆಗಳು ಹೆಚ್ಚಾಗುತ್ತಿವೆ.
- ಅದೇ ಸಮಯದಲ್ಲಿ, ಭದ್ರತೆಯನ್ನು ಸುಧಾರಿಸಲು AI ಉಪಯೋಗವಾಗುತ್ತಿದೆ. ಉದಾಹರಣೆಗೆ, ಕನ್ನಡಿಕ್ರಮದಲ್ಲಿ ಹೆಚ್ಚಿನ ಆಧುನಿಕ ಅನ್ಟಿ-ವೈರುಸ್ ಸ್ಕ್ಯಾನರ್‌ಗಳು ಇಂದು AI ತತ್ವಗಳ ಮೇಲೆ ಚಾಲನೆ ಮಾಡುತ್ತವೆ.
- ಅದೊಂದೇ ಸಮಯದಲ್ಲಿ, ಭದ್ರತೆ ಸುಧಾರಣೆಗೆ AI ಬಳಕೆಯಾಗುತ್ತಿದೆ. ಉದಾಹರಣೆಗೆ, ಇಂದಿನ ಬಹುಮಾನ್ಯ ಆಂಟಿ-ವೈರಸ್ ಸ್ಕ್ಯಾನರ್‌ಗಳು AI ಹ್ಯೂರಿಸ್ಟಿಕ್ಸ್ ಚಾಲಿತವಾಗಿವೆ.
- ನಮ್ಮ ಡೇಟಾ ವಿಜ್ಞಾನ ಪ್ರಕ್ರಿಯೆಗಳು ತಾಜಾ ಗೌಪ್ಯತೆ ಮತ್ತು ಭದ್ರತಾ ಕ್ರಮಗಳೊಂದಿಗೆ ಸರಾಗವಾಗಿ ಸೇರಿಕೊಳ್ಳುವಂತೆ ನೋಡಿಕೊಳ್ಳಬೇಕಾಗಿದೆ.
- ನಮ್ಮ ಡೇಟಾ ವಿಜ್ಞಾನ ಪ್ರಕ್ರಿಯೆಗಳು ಇತ್ತೀಚಿನ ಗೌಪ್ಯತೆ ಮತ್ತು ಭದ್ರತೆ ಅಭ್ಯಾಸಗಳೊಂದಿಗೆ ಸಮ್ಮಿಲಿತವಾಗಿರಬೇಕು.
### ಪಾರದರ್ಶಕತೆ
### ಪಾರದರ್ಶಕತೆ
AI ವ್ಯವಸ್ಥೆಗಳು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಹುದಾಗಿರಬೇಕು. ಪಾರದರ್ಶಕತೆಯ ಪ್ರಮುಖ ಭಾಗವೆಂದರೆ AI ವ್ಯವಸ್ಥೆಗಳ ಮತ್ತು ಅವುಗಳ ಘಟಕಗಳ ವರ್ತನೆಯನ್ನು ವಿವರಿಸುವುದು. AI ವ್ಯವಸ್ಥೆಗಳ ಅರ್ಥವನ್ನು ಸುಧಾರಿಸುವುದಕ್ಕೆ, ಹಿತರಕ್ಷಣಾಧಿಕಾರಿಗಳು ಅವು ಹೇಗೆ ಮತ್ತು ಏಕೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕು, ಇದರಿಂದಲೇ ಅವರು ಸಾಧ್ಯತೆಯ ಕಾರ್ಯಕ್ಷಮತೆ ಸಮಸ್ಯೆಗಳನ್ನು, ಸುರಕ್ಷತೆ ಮತ್ತು ಗೌಪ್ಯತೆ ಆಪತ್ನತೆಗಳನ್ನು, ಬದ್ಧತೆ, ಹೊರತಾದ ವ್ಯವಹಾರಗಳನ್ನು ಅಥವಾ ಅನಿರೀಕ್ಷಿತ ಫಲಿತಾಂಶಗಳನ್ನು ಗುರುತಿಸಬಹುದು. ನಾವು AI ವ್ಯವಸ್ಥೆಗಳನ್ನು ಬಳಸುವವರು ಎപ്പോൾ, ಏಕೆ ಮತ್ತು ಹೇಗೆ ಅವುಗಳನ್ನು ನಿಯೋಜಿಸುವನ್ನೂ ಮತ್ತು ಬಳಸುವ ನಿಯಮ ಮತ್ತು ಮಿತಿಗಳನ್ನು ಪ್ರಾಮಾಣಿಕವಾಗಿ ಮತ್ತು ಮುಕ್ತಿ ಮುಗ್ಧವಾಗಿ ತಿಳಿಸುವ ಅಗತ್ಯವಿದೆ ಎಂದು ನಂಬುತ್ತೇವೆ. ಉದಾಹರಣೆಗೆ, ಬ್ಯಾಂಕ್ ತನ್ನ ಗ್ರಾಹಕ ಸಾಲ ನಿರ್ಧಾರಗಳಿಗೆ AI ವ್ಯವಸ್ಥೆಯನ್ನು ಬಳಸಿದರೆ, ಫಲಿತಾಂಶಗಳನ್ನು ಪರಿಶೀಲಿಸಿ ಮತ್ತು ಯಾವುದೇ ಡೇಟಾ ವ್ಯವಸ್ಥೆಯ ಶಿಫಾರಸುಗಳನ್ನು ಪ್ರಭಾವಿಸುತ್ತದೆ ಎಂದು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಮುಖ್ಯ. ಸರ್ಕಾರಗಳು ಉದ್ಯಮಗಳಲ್ಲಿ AI ನಿಯಂತ್ರಣ ಶುರುವಾಯ್ತು, ಆದ್ದರಿಂದ ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು ಮತ್ತು ಸಂಸ್ಥೆಗಳು AI ವ್ಯವಸ್ಥೆ ನಿಯಮಾನುಸಾರವಾಗಿದೆಯೆ ಎಂದು, ವಿಶೇಷವಾಗಿ ಅಯೋಗ್ಯ ಫಲಿತಾಂಶ ಇದ್ದಾಗ, ವಿವರಿಸಲು ಬೇಕು.
AI ವ್ಯವಸ್ಥೆಗಳು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಹುದಾಗಿರಬೇಕು. ಪಾರದರ್ಶಕತೆಯ ಪ್ರಮುಖ ಭಾಗವೆಂದರೆ AI ವ್ಯವಸ್ಥೆಗಳ ಮತ್ತು ಅವು ಅವಯವಗಳ ವರ್ತನೆಯನ್ನು ವಿವರಿಸುವುದು. AI ವ್ಯವಸ್ಥೆಗಳ ಅರ್ಥಮಾಡಿಕೊಳಲಿಕ್ಕೆ ಹಿತರಕ್ಷಕರು ಅವು ಹೇಗೆ ಮತ್ತು ಏಕೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಎಂದು ತಿಳಿದುಕೊಳ್ಳಬೇಕು, ಇದರಿಂದ ಕಾರ್ಯಕ್ಷಮತೆಯ ಸಮಸ್ಯೆಗಳು, ಭದ್ರತೆ ಮತ್ತು ಗೌಪ್ಯತೆ ಚಿಂತನೆಗಳು, ಪೂರ್ವಾಗ್ರಹಗಳು, ಹೊರಗಡೆ ಇಡುವ ಅಭ್ಯಾಸಗಳು ಅಥವಾ ಅನಿರೀಕ್ಷಿತ ಫಲಿತಾಂಶಗಳನ್ನು ಗುರುತಿಸಬಲ್ಲರು. ನಾವು AI ವ್ಯವಸ್ಥೆಗಳನ್ನು ಬಳಸುವವರು ಅದು ಯಾವಾಗ, ಏಕೆ ಮತ್ತು ಹೇಗೆ ಬಳುಕುವರು ಎಂದು ಸತ್ಯವಾದ ಮತ್ತು ಮುಂಚಿತವಾಗಿ ತಿಳಿಸಲು ಜವಾಬ್ದಾರರಾಗಿರುವುದು ನಂಬಿಕೆ. ಬಳಕೆ ಮಾಡುವ ವ್ಯವಸ್ಥೆಗಳ ಮಿತಿಗಳನ್ನು ಸಹ ತಿಳಿಸಬೇಕು. ಉದಾಹರಣೆಗೆ, ಬ್ಯಾಂಕ್ ತನ್ನ ಗ್ರಾಹಕ ಸಾಲ ನಿರ್ಣಯಗಳಿಗೆ AI ವ್ಯವಸ್ಥೆ ಬಳಸಿದರೆ, ಫಲಿತಾಂಶಗಳನ್ನು ಪರಿಶೀಲಿಸಿ ಯಾವ ಡೇಟಾ ವ್ಯವಸ್ಥೆಯ ಸಲಹೆಗಳಿಗೆ ಪ್ರಭಾವ ಬೀರುತ್ತದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಮುಖ್ಯ. ಸರ್ಕಾರಗಳು ಕೈಗಾರಿಕೆಗಳಲ್ಲಿ AI ನಿಯಂತ್ರಣ ಪ್ರಾರಂಭಿಸುತ್ತಿವೆ, ಆದ್ದರಿಂದ ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು ಮತ್ತು ಸಂಸ್ಥೆಗಳು AI ವ್ಯವಸ್ಥೆ ನಿಯಮಾನುಸಾರವಾಗಿದೆ ಎಂದು ತೋರಿಸಬೇಕು, ವಿಶೇಷವಾಗಿ ಅಯೋಗ್ಯ ಫಲಿತಾಂಶಗಳ ಸಂದರ್ಭಗಳಲ್ಲಿ.
> [🎥 AI ಯಲ್ಲಿ ಪಾರದರ್ಶಕತೆಗೆ ವೀಡಿಯೊ ಮಾಡಲು ಇಲ್ಲಿ ಕ್ಲಿಕ್ ಮಾಡಿ](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 AI ಯಲ್ಲಿನ ಪಾರದರ್ಶಕತೆ ಕುರಿತು ವಿಡಿಯೋ ಇಲ್ಲಿಗೆ ಕ್ಲಿಕ್ ಮಾಡಿ](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- AI ವ್ಯವಸ್ಥೆಗಳು ತುಂಬಾ ಸಂಕೀರ್ಣವಾಗಿರುವುದರಿಂದ ಅವು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತವೆ ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ವ್ಯಾಪ್ತಿಗೊಳಿಸುವುದು ಕಷ್ಟ.
- AI ವ್ಯವಸ್ಥೆಗಳು ತುಂಬಾ ಸಂಕೀರ್ಣವಾಗಿರುವುದರಿಂದ ಅವು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತವೆ ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ವಿವೇಚಿಸುವುದು ಕಷ್ಟ.
- ಈ ಅರ್ಥಕೊರುತ್ತದೆಂತಹ ಕೊರತೆ ಈ ವ್ಯವಸ್ಥೆಗಳ ನಿರ್ವಹಣೆ, ಕಾರ್ಯಗತೀಕರಣ ಮತ್ತು ದಾಖಲಾತಿಗಳನ್ನು ಪ್ರಭಾವಿಸುತ್ತದೆ.
- ಈ ಅರ್ಥಮಾಡಿಕೊಳ್ಳದಿಕೆಗೆ ಕಾರಣದಿಂದ ಈ ವ್ಯವಸ್ಥೆಗಳ ನಿರ್ವಹಣೆ, ಕಾರ್ಯಗತಕೊಳಿಸುವಿಕೆ ಮತ್ತು ದಾಖಲೆಗಳನ್ನು ನಿಯಂತ್ರಿಸುವುದರ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ.
- ಪ್ರಮುಖವಾಗಿ ಇದರಿಂದ ಉತ್ಪನ್ನ ಫಲಿತಾಂಶವನ್ನು ಬಳಸಿ ಮಾಡಲಾದ ನಿರ್ಧಾರಗಳ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರಬಹುದು.
- ಮುಖ್ಯವಾಗಿ, ಈ ಅರ್ಥಮಾಡಿಕೊಳ್ಳದಿಕೆಯಿಂದ ಈ ವ್ಯವಸ್ಥೆಯ ಫಲಿತಾಂಶಗಳ ಆಧಾರದ ಮೇಲೆ ಮಾಡಲಾದ ನಿರ್ಧಾರಗಳಿಗೆ ಪರಿಣಾಮ ಉಂಟಾಗುತ್ತದೆ.
### ಹೊಣೆಗಾರಿಕೆ
### ಜವಾಬ್ದಾರಿತ್ವ
AI ವ್ಯವಸ್ಥೆಗಳು ವಿನ್ಯಾಸ ಮತ್ತು ನಿಯೋಜಿಸುವ ಜನರು ತಮ್ಮ ವ್ಯವಸ್ಥೆಗಳ ಕಾರ್ಯಾಚರಣೆಗೆ ಹೊಣೆಗಾರರಾಗಿರಬೇಕು. ಮುಖಪಟ್ಟ ಗುರುತಿನಂತಹ حساس ತಂತ್ರಜ್ಞಾನಗಳ ಬಳಕೆಯ ಕಡೆಗೆ ಹೊಣೆಗಾರಿಕೆಯ ಅವಶ್ಯಕತೆ ವಿಶಿಷ್ಟವಾಗಿದೆ. ಇತ್ತೀಚಿಗೆ, ಕಾನೂನು ಅಳವಡಿಕೆ ಸಂಸ್ಥೆಗಳ ಕೈಯಲ್ಲಿ ಮುಖ್ಯವಾಗಿ ಮಾಯವಾದ ಮಕ್ಕಳನ್ನು ಹುಡುಕುವಂತಹ ಉಪಯೋಗಗಳಲ್ಲಿ ಮುಖ ಗುರುತಿನ ತಂತ್ರಜ್ಞಾನ‌ಗೆ ಹೆಚ್ಚಿದ ಬೇಡಿಕೆ ಇದೆ. ಆದರೆ ಈ ತಂತ್ರಜ್ಞಾನಗಳು ಸರ್ಕಾರದಿಂದ ಸಲ್ಲಿಸಿದ ನಾಗರಿಕರ ಹಕ್ಕುಗಳನ್ನು continuous ವಿಮರ್ಶೆಯಲ್ಲಿ ಮುಟ್ಟಿಸಲು ಉಪಯೋಗವಾಗಬಹುದಾಗಿದೆ. ಆದ್ದರಿಂದ, ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು ಮತ್ತು ಸಂಸ್ಥೆಗಳು AI ವ್ಯವಸ್ಥೆಯು ವ್ಯಕ್ತಿಗಳು ಅಥವಾ ಸಮುದಾಯದ ಮೇಲೆ ಹೇಗೆ ಪ್ರಭಾವ ಬೀರುತ್ತದೆ ಎಂಬದರಲ್ಲಿ ಹೊಣೆಗಾರರಾಗಿರಬೇಕು.
AI ವ್ಯವಸ್ಥೆಗಳನ್ನು ವಿನ್ಯಾಸಮಾಡುವವರು ಮತ್ತು ಜಾರಿ ಮಾಡುವವರು ತಮ್ಮ ವ್ಯವಸ್ಥೆಗಳ ಕಾರ್ಯಾಚರಣೆಯ ಬಗ್ಗೆ ಜವಾಬ್ದಾರರಾಗಿರಬೇಕು. ಮುಖ ಗುರುತು ಹಿಡಿಯುವಂತಹ ಸಂವೇದನಶೀಲ ತಂತ್ರಜ್ಞಾನಗಳೊಂದಿಗೆ ಜವಾಬ್ದಾರಿತ್ವ ವಿಶೇಷವಾಗುತ್ತದೆ. ಇತ್ತೀಚೆಗೆ, ಕಾಣೆಯಾಗಿರುವ ಮಕ್ಕಳನ್ನು ಪತ್ತೆ ಮಾಡುವಂತಹ ಬಳಕೆಗೆ ಈ ತಂತ್ರಜ್ಞಾನವು ಪೊಲೀಸರು ಬೇಡಿಕೆ ಹೆಚ್ಚಿಸಿದೆ. ಆದರೆ, ಸರ್ಕಾರಗಳು ತಮ್ಮ ನಾಗರಿಕರ ಮೂಲಭೂತ ಸ್ವಕ್ಕತೆಗಳನ್ನು ಅಪಾಯಕ್ಕೆ ಹಾಕುವುದಕ್ಕೆ ಈ ತಂತ್ರಜ್ಞಾನವನ್ನು ಬಳಸಬಹುದು, ಉದಾಹರಣೆಗೆ ನಿರಂತರ ನಿರ್ದೇಶಿತರಾಗಿ ಕೆಲವರ ಮೇಲಿರುವ ಮೇಲ್ವಿಚಾರಣೆಯನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುವ ಮೂಲಕ. ಆದ್ದರಿಂದ, AI ವ್ಯವಸ್ಥೆ ವ್ಯಕ್ತಿಗತ ಅಥವಾ ಸಮಾಜದ ಮೇಲೆ ಹೇಗೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ ಎಂದು ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು ಮತ್ತು ಸಂಸ್ಥೆಗಳು ಜವಾಬ್ದಾರರಾಗಿರಬೇಕು.
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI")
> 🎥 ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ: ಮುಖ ಗುರುತಿಸುವ ಮೂಲಕ ವಿಸ್ತೃತ ದೂರದರ್ಶನದ ಎಚ್ಚರಿಕೆಗಳು
> 🎥 ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ವಿಡಿಯೋ ವೀಕ್ಷಿಸಿ: ಮುಖ ಗುರುತು ಹಿಡಿಗಳ ಮೂಲಕ ವಿಸ್ತೃತ ಮೇಲ್ವಿಚಾರಣೆ ಬಗ್ಗೆ ಎಚ್ಚರಿಕೆ
ಅಂತಿಮವಾಗಿ, AI ಯನ್ನು ಸಮಾಜಕ್ಕೆ ತರಲು ಮೊದಲ ತಲೆಮಾರಿಗೆ gehörಿಸಿದಂತೆ, ಕಂಪ್ಯೂಟರ್‌ಗಳು ಜನರಿಗೆ ಯಾವಾಗಲೂ ಹೊಣೆಗಾರರಾಗಿರಲು ಮತ್ತು ಕಂಪ್ಯೂಟರ್ ವಿನ್ಯಾಸದ ಜನರು ಇತರ ಎಲ್ಲರಿಗೂ ಹೊಣೆಗಾರರಾಗಲು ಹೇಗೆ ಖಚಿತಪಡಿಸಿಕೊಳ್ಳುವುದು ಎಂಬುದು ನಮ್ಮ ತಲೆಮಾರಿಗೆ ದೊಡ್ಡ ಪ್ರಶ್ನೆ ಆಗಿದೆ.
ಕೊನೆಗೆ, ನಮ್ಮ ತಲೆಮಾರಿಗೆ, AI ಸಮಾಜಕ್ಕೆ ತರುವ ಮೊದಲ ತಲೆಮಾರಿಗೆ, ಕಂಪ್ಯೂಟರ್‌ಗಳು ಜನರಿಗೆ ಜವಾಬ್ದಾರಿಯಾಗಿರಬೇಕು ಮತ್ತು ಕಂಪ್ಯೂಟರ್‌ಗಳನ್ನು ವಿನ್ಯಾಸ ಮಾಡುವವರು ಇತರರಿಗೂ ಜವಾಬ್ದಾರರಾಗಿರಬೇಕು ಎಂಬುದಕ್ಕೆ ಇರುವ ದೊಡ್ಡ ಪ್ರಶ್ನೆಯಾಗಿದೆ.
## ಪರಿಣಾಮ ಮೌಲ್ಯಮಾಪನ
## ಪರಿಣಾಮ ಮೌಲ್ಯಮಾಪನ
ಯಂತ್ರ ಶಿಕ್ಷಣ ಮಾದರಿ ತರಬೇತುಗೊಳಿಸುವ ಮುಂಚೆ, AI ವ್ಯವಸ್ಥೆಯ ಉದ್ದೇಶ, ನಿರೀಕ್ಷಿತ ಬಳಕೆ, ಎಲ್ಲಿ ನಿಯೋಜನೆ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಯಾರು ವ್ಯವಸ್ಥೆಯೊಂದಿಗೆ ಒಡನಾಟ ಇರುತ್ತಾರೆಯೋ ಅವು ತಿಳಿದುಕೊಳ್ಳಲು ಪರಿಣಾಮ ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು ಮಹತ್ವವಾಗಿದೆ. ಇದು ವ್ಯವಸ್ಥೆಯನ್ನು ವಿಮರ್ಶೆ ಮಾಡುವವರು ಅಥವಾ ಪರೀಕ್ಷಕರು ಸಾಧ್ಯತೆಯ ಅಪಾಯ ಮತ್ತು ನಿರೀಕ್ಷಿತ ಪರಿಣಾಮಗಳನ್ನು ಗುರುತಿಸುವಾಗ ಸಲಹೆಗೆ ಸಹಾಯವಾಗುತ್ತದೆ.
ಯಂತ್ರ ಅಧ್ಯಯನ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡುವ ಮೊದಲು, AI ವ್ಯವಸ್ಥೆಯ ಉದ್ದೇಶ, ಉದ್ದೇಶಿತ ಬಳಕೆ, ಜಾರಿ ಮಾಡುವ ಸ್ಥಳ ಮತ್ತು ಯಾರು ವ್ಯವಸ್ಥೆ ಬಳಕೆಯಲ್ಲಿದ್ದರು ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಪರಿಣಾಮ ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು ಮುಖ್ಯ. ಇದೇ ಮಾಹಿತಿಗಳು ವಿಮರ್ಶಕರು ಅಥವಾ ಪರೀಕ್ಷಕರು ವ್ಯವಸ್ಥೆಯನ್ನು ಪರಿಶೀಲಿಸುವಾಗ ಅಪಾಯಗಳು ಮತ್ತು ನಿರೀಕ್ಷಿತ ಪರಿಣಾಮಗಳನ್ನು ಪರಿಗಣಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ.
ಪರಿಣಾಮ ಮೌಲ್ಯಮಾಪನ ಮಾಡುವಾಗ ಗಮನಿಸುವ ಕೆಲವು ಕ್ಷೇತ್ರಗಳು:
ಪರಿಣಾಮ ಮೌಲ್ಯಮಾಪನ ನಡೆಸುವಾಗ ಗಮನಿಸಿದ ಪ್ರದೇಶಗಳು:
* **ವೈಯಕ್ತಿಕರ ಮೇಲೆ ಹಾನಿಕರ ಪರಿಣಾಮ**. ಯಾವುದೇ ಮಿತಿ ಅಥವಾ ಅಗತ್ಯತೆ, ಬೆಂಬಲಿಸದ ಬಳಕೆ ಅಥವಾ ಗುರುತಿಸಲ್ಪಟ್ಟ ನಿಯಮಿತತೆಯ ಕೊರತೆ ತಿಳಿದುಕೊಳ್ಳುವುದು ಮಹತ್ವ, ವ್ಯವಸ್ಥೆ ಜನರಿಗೆ ಹಾನಿಯಾಗದಂತೆ ಬಳಸಬೇಕು ಎಂದು ಖಚಿತಪಡಿಸಲು.
* **ವ್ಯಕ್ತಿಗಳ ಮೇಲೆ ಹಾನಿಕರ ಪರಿಣಾಮ**. ಯಾವುದೇ ನಿರ್ಬಂಧ, ಅನುದಾನ ಕೈಗೊಳ್ಳದ ಬಳಕೆ ಅಥವಾ ಗೊತ್ತಿರುವ ಕ್ಯಾರಕೊಳಬಾರದ ಮಿತಿಗಳು ಇರುವುದರ ಅರಿವು ಇರಬೇಕು, ಇದರಿಂದ ವ್ಯಕ್ತಿಗಳಿಗೆ ಹಾನಿಯಾಗಬಾರದು.
* **ಡೇಟಾ ಅಗತ್ಯತೆ**. ವ್ಯವಸ್ಥೆ ಡೇಟಾವನ್ನು ಹೇಗೆ ಮತ್ತು ಎಲ್ಲಿಗೆ ಬಳಸುತ್ತದೆ ಎನ್ನುವುದನ್ನು ತಿಳಿದುಕೊಳ್ಳುವುದು ವಿಮರ್ಶಕರಿಗೆ ನಿಗದಿತ ನಿಯಮಗಳು (ಹೆಚ್ಚಾಗಿ GDPR ಅಥವಾ HIPAA ನಿಯಮಗಳು) ಪಾಲನೆಯ ಕುರಿತಾಗಿ ವಿಶೇಷ ಗಮನ ಇರಬೇಕಿರುವ ಅಂಶಗಳನ್ನು ಪರಿಚಯಿಸುತ್ತದೆ. ಜೊತೆಗೆ, ತರಬೇತಿಗಾಗಿ ಡೇಟಾದ ಮೂಲ ಅಥವಾ ಪ್ರಮಾಣ ಸೂಕ್ತವೇ ಎಂದು ಪರೀಕ್ಷಿಸಿ.
* **ಡೇಟಾ ಅವಶ್ಯಕತೆಗಳು**. ವ್ಯವಸ್ಥೆ ಎಲ್ಲಿ ಮತ್ತು ಹೇಗೆ ಡೇಟಾ ಬಳಸಲಿದೆ ಎಂಬ ಅರ್ಥ ಮಾಡಿಕೊಳ್ಳಬೇಕು (ಉದಾ. GDPR ಅಥವಾ HIPAA ನಿಯಮಗಳು). ಜೊತೆಗೆ, ತರಬೇತಿಗೆ ಡೇಟಾ ಮೂಲ ಮತ್ತು ಪ್ರಮಾಣ ಲೆಕ್ಕಿಸಬೇಕು.
* **ಪರಿಣಾಮದ ಸಾರಾಂಶ**. ವ್ಯವಸ್ಥೆ ಬಳಕೆಯಿಂದ ಏನು ಹಾನಿಗಳು ಸಂಭವಿಸಬಹುದು ಎಂಬ ಪಟ್ಟಿ ಸಂಗ್ರಹಿಸಿ. ಯಂತ್ರ ಶಿಕ್ಷಣ ಜೀವನಚರಿತ್ರೆಯಲ್ಲಿ ಗುರುತಿಸಿದ ಸಮಸ್ಯೆಗಳು ಪರಿಹರಿಸಲ್ಪಟ್ಟಿದ್ದೇ ಅಥವಾ ಸ್ಪಷ್ಟಪಡಿಸಲ್ಪಟ್ಟೇ ಎಂದು ಪರಿಶೀಲಿಸಿ.
* **ಪರಿಣಾಮದ ಸಾರಾಂಶ**. ವ್ಯವಸ್ಥೆ ಬಳಸುವುದರಿಂದ ಉಂಟಾಗಬಹುದಾದ ಹಾನಿಗಳ ಪಟ್ಟಿ ಸಂಗ್ರಹಿಸಿ. ಸಮಗ್ರ ಯಂತ್ರ ಅಧ್ಯಯನ ಚಕ್ರದಲ್ಲಿ ತಿಳಿದ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲಾಗಿದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸಿ.
* ಆರು ಮೂಲ ಸಿದ್ಧಾಂತಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ಅನ್ವಯಿಸುವ ಗುರಿಗಳು. ಪ್ರತಿ ಸಿದ್ಧಾಂತದ ಗುರಿಗಳು ಪೂರೈಸಲ್ಪಟ್ಟಿದ್ದೇ ಮತ್ತು ಯಾವುದೇ ಶಿಥಿಲತೆಗಳಿದ್ದೇ ಎಂದು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ.
* ಆರು ಪ್ರಮುಖ ತತ್ವಗಳ ಪ್ರತಿ ಗುರಿಯು ಸಾಧಿಸಲಾಗಿದೆಯೇ ಮತ್ತು ಯಾವುದಾದರೂ ಕೊರತೆಗಳಿದೆಯೇ ಎಂದು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ.
## ಜವಾಬ್ದಾರಿಯಾದ AI ಸಹಿತ ಡಿಬಗ್ಗಿಂಗ್
## ಜವಾಬ್ದಾರಿಯುತ AI ಯೊಂದಿಗೆ ಡೀಬಗ್ಗಿಂಗ್
ಸಾಫ್ಟ್ವೇರ್ ಅಪ್ಲಿಕೇಶನ್ ಡಿಬಗ್ಗಿಂಗ್‌ಗಳಂತಹ, AI ವ್ಯವಸ್ಥೆಯ ಡಿಬಗ್ಗಿಂಗ್ ಸಂಭವಿಸಿರುವ ಸಮಸ್ಯೆಗಳನ್ನು ಗುರುತಿಸುವ ಹಾಗೂ ಪರಿಹರಿಸುವ ಅಗತ್ಯವಾದ ಪ್ರಕ್ರಿಯೆ. ಮಾದರಿ ನಿರೀಕ್ಷಿತಂತೆ ಕಾರ್ಯನಿರ್ವಹಿಸದ ಅಥವಾ ಜವಾಬ್ದಾರಿಯಾದ ರೀತಿಯಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸದ ಕಾರಣಗಳನ್ನು ಬಹುಪಾಲು ಪಡೆಯಲು ಸಾಧ್ಯ. ಹೆಚ್ಚಿನ ಫಂಕ್ಷನಲ್ ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆ ಅಂಕಿಅಂಶಗಳು ಸಂಖ್ಯಾತ್ಮಕ ಒಟ್ಟುಗಳಾಗಿವೆ ಮತ್ತು ಜವಾಬ್ದಾರಿಯಾದ AI ಸಿದ್ಧಾಂತಗಳನ್ನು ಈ ಮಾದರಿ ಉಲ್ಲಂಘಿಸುವ ಬಗ್ಗೆ ವಿಶ್ಲೇಷಿಸಲು ತೃಪ್ತಿಸಿರಲಾರವು. ಜೊತೆಗೆ, ಯಂತ್ರ ಶಿಕ್ಷಣ ಮಾದರಿ ಒಂದು ಕಪ್ಪು ಪೆಟ್ಟು (ಬ್ಲಾಕ್ ಬಾಕ್ಸ್) ಆಗಿದ್ದು ಅದರ ಫಲಿತಾಂಶವನ್ನು ಪ್ರೇರೇಪಿಸುವುದು ಅಥವಾ ತಪ್ಪು ಮಾಡಿದಾಗ ವಿವರಣೆ ನೀಡುವುದು ಬಿಕ್ಕಟವಾಗಿದೆ. ನಂತರ ಈ ಪಾಠದಲ್ಲಿ, ಜವಾಬ್ದಾರಿಯಾದ AI ಡ್ಯಾಶ್‌ಬೋರ್ಡ್ ಬಳಸುವುದನ್ನು ಕಲಿಯುತ್ತೇವೆ. ಈ ಡ್ಯಾಶ್‌ಬೋರ್ಡ್ ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು ಮತ್ತು AI ಅಭಿವೃದ್ಧಿಕರರಿಗೆ ಸಮಗ್ರ ಪ್ರಯೋಜನ ಒದಗಿಸುತ್ತದೆ:
ಸಾಫ್ಟ್ವೇರ್ ಅನ್ವಯಿಕೆಯನ್ನು ಡೀಬಗ್ ಮಾಡುವಂತೆ, AI ವ್ಯವಸ್ಥೆಯ ಡೀಬಗ್ಗಿಂಗ್ ಕೂಡ ಆವಶ್ಯಕ ಪ್ರಕ್ರಿಯೆಯಾಗಿದ್ದು, ಸಮಸ್ಯೆಗಳನ್ನು ಗುರುತಿಸಿ ಪರಿಹರಿಸುವುದಾಗಿದೆ. ಮಾದರಿ ನಿರೀಕ್ಷೆಯಂತೆ ಕಾರ್ಯನಿರ್ವಹಿಸದಿದ್ದಲ್ಲಿ ಹಲವಾರು ಅಂಶಗಳು ಕಾರಣವಾಗಬಹುದು. ಪರಂಪರাগত ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೌಲ್ಯಮಾಪನಗಳಾದವು ಮಾದರಿಯ ಪರಿಣಾಮಕಾರಿತ್ವದ ಸಂಖ್ಯೆಗಣಿತ ಕೇಂದ್ರೀಕೃತ ಸಂಖ್ಯೆಗಳಿಗೆ ಮಾತ್ರ ವೀಸುವ ಉತ್ಪಂದನೆಗಳು, ಅಷ್ಟೊಂದು ಸರಿ ಜವಾಬ್ದಾರಿಯುತ AI ತತ್ವಗಳ ವಿರುದ್ಧ ಮಾದರಿ ಉಲ್ಲಂಘಿಸುವಿಕೆಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುವುದಕ್ಕೆ ಸಾಕಷ್ಟಾಗಿಲ್ಲ. ಮತ್ತಷ್ಟು, ಯಂತ್ರಾಧ್ಯಯನ ಮಾದರಿಯು ಅಲ್ಲಾಹೆವು ಎಸೆಕ್ಯುರ್ ಬಾಕ್ಸ್ ಆಗಿದ್ದು ಇದರ ಫಲಿತಾಂಶವನ್ನು ಏನು ಚಾಲನೆ ಮಾಡುತ್ತದೆ ಅಥವಾ ತಪ್ಪು ಮಾಡಿದಾಗ ವಿವರಣೆ ನೀಡಲು ಅಸಹಾಯಕವಾಗಿದೆ. ಈ ಕೋರ್ಸಿನ ಮುಂದಿನ ಭಾಗದಲ್ಲಿ ನಾವು Responsible AI ಡ್ಯಾಶ್‌ಬೋರ್ಡ್ ಬಳಸುವುದು ಹೇಗೆ ಎಂದು ಕಲಿಯೋಣ. ಡ್ಯಾಶ್‌ಬೋರ್ಡ್ ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು ಹಾಗೂ AI ಅಭಿವೃದ್ಧಿಕರ್ತರಿಗೆ ಹೆಚ್ಚುವರಿ ಸಾಧನಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ:
* **ತಪಾಸಣಾ ವಿಶ್ಲೇಷಣೆ**. ಪರಿಸ್ಥಿತಿಗೆ ಪ್ರಭಾವ ಬೀರುವ ತಪ್ಪು ವಿತರಣೆ ಗುರುತಿಸಲು.
* **ದೋಷ ವಿಶ್ಲೇಷಣೆ**. ವ್ಯವಸ್ಥೆಯ ನ್ಯಾಯತತ್ವ ಅಥವಾ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಪ್ರಭಾವಿಸುತ್ತಿರುವ ಮಾದರಿ ದೋಷ ವಿತರಣೆಯ ಗುರುತುಮಾಡಲು.
* **ಮಾದರಿ ಅವಲೋಕನ**. ಡೇಟಾ ಗುಂಪುಗಳಾದರಲ್ಲಿ ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲಿ ವ್ಯತ್ಯಾಸಗಳಿರುವ ಸ್ಥಳಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು.
* **ಮಾದರಿ ಅವಲೋಕನ**. ಡೇಟಾ ಕೋಹರ್ಟ್ಗಳಲ್ಲಿ ಮಾದರಿಯ ಕಾರ್ಯಕ್ಷಮತೆಯ ಅಸಮಾನತೆಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು.
* **ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ**. ಡೇಟಾ ವಿತರಣೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಮತ್ತು ನ್ಯಾಯತೆ, ಒಳಗೊಂಡಿಕೆ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹತೆ ಸಮಸ್ಯೆಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದಾದ ಆಯಾಮಗಳನ್ನು ಗುರುತಿಸಲು.
* **ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ**. ನ್ಯಾಯತತ್ವ, ಒಳಗೊಂಡಿಕೆ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಸಮಸ್ಯೆಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದಾದ ಡೇಟಾ ಪೂರ್ವಾಗ್ರಹವನ್ನು ತಿಳಿದುಕೊಳ್ಳಲು.
* **ಮಾದರಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ**. ಮಾದರಿಯ ನಿರ್ಧಾರಗಳನ್ನು ಏನು ಪ್ರಭಾವಿಸುತ್ತದೆ ಎಂದು ತಿಳಿದುಕೊಳ್ಳಲು. ಇದು ಪಾರದರ್ಶಕತೆ ಮತ್ತು ಹೊಣೆಗಾರಿಕೆಗೆ ಮಹತ್ವದ್ದಾಗಿದೆ.
* **ಮಾದರಿ ವ್ಯಾಖ್ಯಾನಾತ್ಮಕತೆ**. ಮಾದರಿಯ ಭವಿಷ್ಯವಾಣಿಗಳನ್ನು ಪ್ರಭಾವಿಸುವ ಅಂಶಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು. ಇದು ಪಾರದರ್ಶಕತೆ ಮತ್ತು ಜವಾಬ್ದಾರಿತ್ವಕ್ಕೆ ಮುಖ್ಯ.
## 🚀 ಸವಾಲ್
## 🚀 ಸವಾಲು
ಹಾನಿಗಳನ್ನು ಮೊದಲೇ ಪರಿಚಯಿಸುವುದನ್ನು ತಡೆಗಟ್ಟಲು, ನಾವು:
ಹಾನಿಗಳು ಮೊದಲಿನಿಂದಲೇ ಉಂಟಾಗದಂತೆ ತಡೆಯಲು ನಾವು:
- ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಕೆಲಸ ಮಾಡುವ ಜನರಲ್ಲಿ ಹಿನ್ನಡೆಯು ಹಾಗೂ ದೃಷ್ಟಿಕೋನಗಳಲ್ಲಿ ವೈವಿಧ್ಯತೆಯನ್ನು ಇರಿಸಬೇಕು
- ವ್ಯವಸ್ಥೆಗಳನ್ನು ಕೆಲಸ ಮಾಡುವ ಜನರಲ್ಲಿ ವಿಭಿನ್ನ ಹಿನ್ನೆಲೆ ಹಾಗೂ ನೋಟಗಳನ್ನು ಹೊಂದಿರಬೇಕು
- ನಮ್ಮ ಸಮಾಜದ ವೈವಿಧ್ಯತೆಯನ್ನು ಪ್ರತಿಬಿಂಬಿಸುವ ಡೇಟಾಸೆಟ್‌ಗಳಲ್ಲಿ ಹೂಡಿಕೆಮಾಡಬೇಕು
- ನಮ್ಮ ಸಮಾಜದ ವೈವಿಧ್ಯತೆಯನ್ನು ಪ್ರತಿಬಿಂಬಿಸುವ ಡೇಟಾಸೆಟ್‌ಗಳಲ್ಲಿ ಹೂಡಿಕೆಮಾಡಬೇಕು
- ಯಂತ್ರ ಶಿಕ್ಷಣ ಜೀವನಚರಿತ್ರೆಯಲ್ಲಿ ಜವಾಬ್ದಾರಿಯಾದ AI ಪತ್ತೆಮಾಡಲು ಮತ್ತು ಸರಿಪಡಿಸಲು ಉತ್ತಮ ವಿಧಾನಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಬೇಕು
- ಆಗಾಗ ಅಪಾಯಕರವಾದ AI ಪತ್ತೆಮಾಡಿ ಸರಿಪಡಿಸುವ ಉತ್ತಮ ವಿಧಾನಗಳನ್ನು ಯಂತರ ಅಧ್ಯಯನ ಜೀವಚಕ್ರದಾದ್ಯಂತ ಅಭಿವೃದ್ಧಿಪಡಿಸಬೇಕು
ಮಾದರಿಯ ಅವಿಶ್ವಾಸಾರ್ಹತೆ ಮಾರಾಟದಲ್ಲಿ ಮತ್ತು ಉಪಯೋಗದಲ್ಲಿ ಸ್ಪಷ್ಟವಾಗುವ ನೈಸರ್ಗಿಕ ಸಂದರ್ಭಗಳನ್ನು ಯೋಚಿಸಿ. ಇನ್ನೇನು ಅನ್ವೇಷಿಸಬೇಕು?
ಮಾದರಿ ನಿರ್ಮಾಣ ಮತ್ತು ಬಳಕೆಯಲ್ಲಿ ಮಾದರಿ ನಂಬಿಕೆಯ ಕೊರತೆ ಸ್ಪಷ್ಟವಾಗುವ ನಿಜವಾದ ಘಟನೆಗಳನ್ನು ಬಗೆಹರಿಸಿ. ಮತ್ತೇನು ಪರಿಗಣಿಸಬೇಕು?
ಈ ಪಾಠದಲ್ಲಿ, ನೀವು ಯಂತ್ರ ಅಧ್ಯಯನದಲ್ಲಿ ನ್ಯಾಯತತ್ವ ಮತ್ತು ಅನ್ಯಾಯತತ್ವ ಮೂಲತತ್ವಗಳ ಕೆಲವು ಮೂಲಭೂತ ವಿಚಾರಗಳನ್ನು ಕಲಿತಿದ್ದೀರಿ.
ಈ ಪಾಠದಲ್ಲಿ, ನೀವು ಯಂತ್ರಶಿಕ್ಷಣದಲ್ಲಿ ನ್ಯಾಯ ಮತ್ತು ಅನ್ಯಾಯದ ಪರಿಕಲ್ಪನೆಗಳ ಕೆಲವು ಮೂಲತತ್ವಗಳನ್ನು ಕಲಿತಿದ್ದೀರಿ.
ಈ ವಿಷಯಗಳ ಮೇಲೆಗಂಭೀರವಾಗಿ ತಿಳಿದುಕೊಳ್ಳಲು ಈ ಕಾರ್ಯಾಗಾರ ವೀಡಿಯೊವನ್ನು ವೀಕ್ಷಿಸಿ:
ಈ ಕಾರ್ಯಾಗಾರವನ್ನು ವೀಕ್ಷಿಸಿ ವಿಷಯಗಳ ಕುರಿತು ಹೆಚ್ಚಿನ ತಿಳಿವಳಿಕೆ ಪಡೆಯಲು:
- ಜವಾಬ್ದಾರಿಯುತ AI ಹಾದಿಯತ್ತ: ತತ್ವಗಳನ್ನು ಅನ್ವಯಕ್ಕೆ ತರುವ Besmira Nushi, Mehrnoosh Sameki ಮತ್ತು Amit Sharma ಅವರ ಪ್ರವಚನ.
- ಜವಾಬ್ದಾರಿಯುತ AI ಗಳಿಗಾಗಿಸಿದ ಪ್ರಯತ್ನದಲ್ಲಿ: ನೈತಿಕತೆಯನ್ನು ಆಚರಣೆಗೆ ತರುವುದು - ಬೆಸ್ಮಿರಾ ನುವ್ಶಿ, ಮೆಹರ್ನೂಶ್ ಸಮೇಕಿ, ಮತ್ತು ಅಮಿತ್ ಶರ್ಮಾ
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: ಜವಾಬುದಾರ AI ನಿರ್ಮಾಣಕ್ಕಾಗಿ ಒಂದು ಓಪನ್-ಸೋರ್ಸ್ ಫ್ರೇಮ워크")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
> 🎥 ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ವಿಡಿಯೋಗಾಗಿ: RAI Toolbox: ಜವಾಬುದಾರ AI ನಿರ್ಮಾಣಕ್ಕಾಗಿ ಓಪನ್-ಸೋರ್ಸ್ ಫ್ರೇಮ್ವರ್ಕ್ ಬೆಸ್ಮಿರಾ ನೂಷಿ, ಮೆಹರ್ನೂಶ್ ಸಮೇಕಿ ಮತ್ತು ಅಮಿತ್ ಶರ್ಮಾ ಅವರಿಂದ
> 🎥 ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ವಿಡಿಯೋ ನೋಡಲು: ಜವಾಬ್ದಾರಿಯುತ AI ಕರ್ಮಗಳನ್ನು ರೂಪಿಸುವ ತೆರೆದ ಮೂಲಾಧಾರಿತ ವ್ಯವಸ್ಥೆ - ಬೆಸ್ಮಿರಾ ನುವ್ಶಿ, ಮೆಹರ್ನೂಶ್ ಸಮೇಕಿ, ಮತ್ತು ಅಮಿತ್ ಶರ್ಮಾ ಅವರುಗಳಾಜರಾದ
ಹೆಚ್ಚಾಗಿ, ಓದಿ:
ಈ ಕೆಳಗಿನ ಸಹ ಓದಿ:
- ಮೈಕ್ರೋಸಾಫ್ಟ್‌ನ RAI ಸಂಪನ್ಮೂಲ ಕೇಂದ್ರ: [Responsible AI Resources – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- ಮೈಕ್ರೋಸಾಫ್ಟ್ ನ RAI ಸಂಪನ್ಮೂಲ ಕೇಂದ್ರ: [Responsible AI Resources – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- ಮೈಕ್ರೋಸಾಫ್ಟ್‌ನ FATE ಸಂಶೋಧನಾ ಗುಂಪು: [FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
- ಮೈಕ್ರೋಸಾಫ್ಟ್ ನ FATE ಸಂಶೋಧನಾ ತಂಡ: [FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
RAI ಟೂಲ್ಬಾಕ್ಸ್:
RAI ಟೂಲ್ಬಾಕ್ಸ್:
- [Responsible AI Toolbox GitHub repository](https://github.com/microsoft/responsible-ai-toolbox)
- [Responsible AI Toolbox GitHub repository](https://github.com/microsoft/responsible-ai-toolbox)
ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಟೂಲ್ಸ್ ನಲ್ಲಿ ನ್ಯಾಯತೆಗೆ ಸಂಬಂಧಿಸಿದ ಮಾಹಿತಿಯನ್ನು ಓದಿ:
ನ್ಯಾಯತೆಯನ್ನು ಖಾತ್ರಿ ಪಡಿಸಲು Azure ಮಶಿನ್ ಲರ್ನಿಂಗ್‌ನ ಉಪಕರಣಗಳನ್ನು ಓದಿ:
> ### [ಈ ಪಾಠ R ನಲ್ಲಿ ಲಭ್ಯವಿದೆ!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
> ### [ಈ ಪಾಠವನ್ನು R ನಲ್ಲಿ ಲಭ್ಯವಿದೆ!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
## ಪರಿಚಯ
## ಪರಿಚಯ
ಈ ನಾಲ್ಕು ಪಾಠಗಳಲ್ಲಿ, ನೀವು ರಿಗ್ರೆಶನ್ ಮಾದರಿಗಳನ್ನು ಹೇಗೆ ನಿರ್ಮಿಸುವುದು ಎಂಬುದನ್ನು ಕಂಡುಹಿಡಿಯುತ್ತೀರಿ. ಇದಕ್ಕಾಗಿ ಏನು ಅವಶ್ಯಕ ಎಂಬವುಗಳ ಬಗ್ಗೆ ತಕ್ಷಣ ಚರ್ಚಿಸುವೆವು. ಆದರೆ ನೀವು ಯಾವುದನ್ನೂ 하기 ಮೊದಲು, ಪ್ರಕ್ರಿಯೆಯನ್ನು ಪ್ರಾರಂಭಿಸಲು ಸೂಕ್ತ ಸಾಧನಗಳನ್ನು ಹೊಂದಿರುವಿರಿ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ!
ಈ ನಾಲ್ಕು ಪಾಠಗಳಲ್ಲಿ, ನೀವು ರೆಗ್ರೆಷನ್ ಮಾದರಿಗಳನ್ನು ಹೇಗೆ ನಿರ್ಮಿಸಬಹುದು ಎಂದು ತಿಳಿಯುವಿರಿ. ಈ ಮಾದರಿಗಳು ಏಕೆ ಬೇಕು ಎಂದು ಬೇಗ ತಿಳಿಸಿ ಕೊಡುವೆವು. ಆದರೆ ಯಾವುದೇ ಕಾರ್ಯಾರಂಭಿಸುವ ಮೊದಲು, ಪ್ರಕ್ರಿಯೆಯನ್ನು ಪ್ರಾರಂಭಿಸಲು ಸೂಕ್ತ ಯಂತ್ರೋಪಕರಣಗಳನ್ನು ಹೊಂದಿದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ!
ಈ ಪಾಠದಲ್ಲಿ, ನೀವು ಹೇಗೆ ಕಲಿಯುತ್ತೀರಿ:
ಈ ಪಾಠದಲ್ಲಿ, ನೀವು ಈ ಕೆಳಗಿನವುಗಳನ್ನು ಕಲಿಯುತ್ತೀರಿ:
- ಸ್ಥಳೀಯ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಕಾರ್ಯಗಳಿಗಾಗಿ ನಿಮ್ಮ ಕಂಪ್ಯೂಟರ್ಕ್ಕೆ ಸಂರಚನೆ ಮಾಡುವುದು.
- ನಿಮ್ಮ ಕಂಪ್ಯೂಟರ್ ಅನ್ನು ಸ್ಥಳೀಯ ಯಂತ್ರ ಕಲಿಕೆಯ ಕಾರ್ಯಗಳಿಗೆ ಹೊಂದಿಸಿ.
- ಜ್ಯೂಪಿಟರ್ ನೋಟ್ಬುಕ್ಸ್‌ಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವುದು.
- ಜ್ಯೂಪಿಟರ್ ನೋಟ್ಬುಕ್‌ಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವುದು.
- ಸ್ಕಿಕಿಟ್-ಲರ್ನ್ ಅನ್ನು ಬಳಸುವುದು ಸೇರಿದಂತೆ ಸ್ಥಾಪನೆ.
- ಸೈಕಿಟ್-ಲರ್ನ್ ಅನ್ನು ಬಳಸುವುದು, ಸ್ಥಾಪನೆ ಸೇರಿ.
- ಅಭ್ಯಾಸದೊಂದಿಗೆ ರೇಖೀಯ ರಿಗ್ರೆಶನ್ ಅನ್ವೇಷಣೆ.
- ಲಿನಿಯರ್ ರೆಗ್ರೆಷನ್ ಅನ್ನು ಕೈಹಿಡಿದು ಅಭ್ಯಾಸದಿಂದ ಪರಿಶೀಲಿಸುವುದು.
## ಸ್ಥಾಪನೆಗಳು ಮತ್ತು ಸಂರಚನೆಗಳು
## ಸ್ಥಾಪನೆಗಳು ಮತ್ತು ಕಂಫಿಗರೇಶನ್‌ಗಳು
[](https://youtu.be/-DfeD2k2Kj0 "ಆರಂಭಿಕರಿಗೆ ಎಂಎಲ್ - ಯಂತ್ರ학습 ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲು ನಿಮ್ಮ ಸಾಧನಗಳನ್ನು ಸಿದ್ಧಪಡಿಸಿ")
[](https://youtu.be/-DfeD2k2Kj0 "ಮೂಲಗಳಿಗೆ ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಗಳನ್ನು ರಚಿಸಲು ಉಪಕರಣಗಳನ್ನು ಸಜ್ಜುಗೊಳಿಸಿ")
> 🎥 ಮೆಷಿನ್ ಲರ್ನಿಂಗ್‌ಗಾಗಿ ನಿಮ್ಮ ಕಂಪ್ಯೂಟರ್ ಅನ್ನು ಹೇಗೆ ಸಂರಚಿಸುವುದೆಂಬುದನ್ನು ತೋರಿಸುವ ಸಂಕ್ಷಿಪ್ತ ವೀಡಿಯೊಗೆ ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ.
> 🎥 ದಯವಿಟ್ಟು ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ನಿಮ್ಮ ಕಂಪ್ಯೂಟರ್ ಅನ್ನು ಎಂಎಲ್ ಗಾಗಿ ಹೇಗೆ ಕಂಫಿಗರ್ ಮಾಡುವುದು ಎಂಬುದರ ಚುಟುಕು ವಿಡಿಯೋ ನೋಡಲು.
1. **ಪೈಥಾನ್ ಸ್ಥಾಪಿಸಿ**. ನಿಮ್ಮ ಕಂಪ್ಯೂಟರ್‌ನಲ್ಲಿ [ಪೈಥಾನ್](https://www.python.org/downloads/) ಸ್ಥಾಪಿಸಲ್ಪಟ್ಟಿರುವುದನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ. ನಿಮಗೆ ಡೇಟಾ ಸಂಶೋಧನೆ ಮತ್ತು ಯಂತ್ರ학습 ಕಾರ್ಯಗಳಿಗೆ ಪೈಥಾನ್ ಬೇಕಾಗುತ್ತದೆ. ಬಹುತೇಕ ಕಂಪ್ಯೂಟರ್ ವ್ಯವಸ್ಥೆಗಳಲ್ಲೇ ಪೈಥಾನ್ ಸ್ಥಾಪನೆ ಏರ್ಪಡಿಸಿರುತ್ತದೆ. ಕೆಲವು ಬಳಕೆದಾರರಿಗಾಗಿ ಸ್ಥಾಪನೆಯನ್ನು ಸುಲಭಗೊಳಿಸುವ ಉಪಯುಕ್ತ [ಪೈಥಾನ್ ಕೋಡಿಂಗ್ ಪ್ಯాక್ಸ್](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) ಕೂಡ ಲಭ್ಯವಿವೆ.
1. **ಪೈಥಾನ್ ಅನ್ನು ಸ್ಥಾಪಿಸಿ**. ಖಚಿತಪಡಿಸಿಕೊಂಡಿರಿ [ಪೈಥಾನ್](https://www.python.org/downloads/) ನಿಮ್ಮ ಕಂಪ್ಯೂಟರ್‌ನಲ್ಲಿ ಸ್ಥಾಪಿತವಾಗಿದೆ. ನೀವು ಬಹುಮಾನಗಳಾದ ಡೇಟಾ ವಿಜ್ಞಾನ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯ ಕಾರ್ಯಗಳಿಗಾಗಿ ಪೈಥಾನ್ ಬಳಸುವಿರಿ. ಬಹುತೇಕ ಕಂಪ್ಯೂಟರ್ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಈಗಾಗಲೇ ಒಂದು ಪೈಥಾನ್ ಸ್ಥಾಪನೆ ಇದೆ. ಕೆಲವು ಬಳಕೆದಾರರಿಗೆ ಸುಲಭವಾಗಲು [ಪೈಥಾನ್ ಕೋಡಿಂಗ್ ಪ್ಯಾಕ್ಸ್](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) ಕೂಡ ಲಭ್ಯವಿದೆ.
ಆದರೆ ಪೈಥಾನ್‌ನ ಕೆಲವು ಉಪಯೋಗಗಳು ಒಂದು ಸಂಸ್ಕರಣೆಯ ಆವೃತ್ತಿಯನ್ನು ಬೇಕಾಗಿಸಬಹುದು, ಇತರವು ಬೇರೆ ಆವೃತ್ತಿಯನ್ನು. ಆದ್ದರಿಂದ, [ವರ್ಚುವಲ್ ಪರಿಸರ](https://docs.python.org/3/library/venv.html) ಒಳಗೆ ಕೆಲಸ ಮಾಡುವುದು ಉಪಯುಕ್ತವಾಗಿದೆ.
ಕೆಲವು ಪೈಥಾನ್ ಬಳಕೆಗಳು ಒಂದೇ ಸಾಫ್ಟ್ವೇರ್ ಆವೃತ್ತಿಯನ್ನು ಅಗತ್ಯವಿರಬಹುದು, ಆದರೆ ಇತರೆಗಳಿಗೆ ಬೇರೆ ಆವೃತ್ತಿ ಬೇಕಾಗಬಹುದು. ಈ ಕಾರಣದಿಂದ, ಒಂದು [ವರ್ಚುವಲ್ ಎನ್ವಿರಾನ್‌ಮೆಂಟ್](https://docs.python.org/3/library/venv.html) ನಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವುದು ಉಪಯುಕ್ತ.
2. **ವಿಜುವಲ್ ಸ್ಟುಡಿಯೋ ಕೋಡ್ ಸ್ಥಾಪಿಸಿ**. ನಿಮ್ಮ ಕಂಪ್ಯೂಟರ್‌ನಲ್ಲಿ Visual Studio Code ಇನ್ಸ್ಟಾಲ್ ಮಾಡಿಕೊಳ್ಳಿ. ಮೂಲಸ್ಥಾಪನೆಯಿಗಾಗಿ ಈ ಸೂಚನೆಗಳು [Visual Studio Code ಅನ್ನು ಸ್ಥಾಪಿಸುವುದು](https://code.visualstudio.com/) ಅನುಸರಿಸಿ. ನೀವು ಈ ಕೋರ್ಸ್‌ನಲ್ಲಿ Visual Studio Code ನಲ್ಲಿ ಪೈಥಾನ್ ಬಳಸಲಿದ್ದೀರಿ, ಆದ್ದರಿಂದ ಪೈಥಾನ್ ಅಭಿವೃದ್ಧಿಗಾಗಿ [Visual Studio Code ಅನ್ನು ಸಂರಚಿಸುವುದನ್ನು](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) ತಿಳಿದಿಡಬಹುದು.
2. **ವಿಶ್ವಲ್ ಸ್ಟುಡಿಯೋ ಕೋಡ್ ಅನ್ನು ಸ್ಥಾಪಿಸಿ**. ನಿಮ್ಮ ಕಂಪ್ಯೂಟರ್‌ನಲ್ಲಿ Visual Studio Code ಸ್ಥಾಪಿತವಿದೆ ಎಂಬುದನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ. ಮೂಲ ಸ್ಥಾಪನೆಯಿಗಾಗಿ ಈ ಸೂಚನೆಗಳನ್ನು ಅನುಸರಿಸಿ [Visual Studio Code ಅನ್ನು ಸ್ಥಾಪಿಸುವುದು](https://code.visualstudio.com/). ಈ ಕೋರ್ಸ್‌ನಲ್ಲಿ ನೀವು Visual Studio Code ಒಳಗೆ Python ಬಳಸಲಿದ್ದೀರಿ, ಆದ್ದರಿಂದ Python ಅಭಿವೃದ್ಧಿಗೆ ಇದು ವ್ಯವಸ್ಥೆ [Visual Studio Code ಕಂಫಿಗರ್ ಮಾಡುವ ವಿಧಾನ](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) ಅನ್ನು ತಿಳಿದುಕೊಳ್ಳಲು ಬಯಸಬಹುದು.
> ಈ [ಲರ್ನ್ ಮಾಡ್ಯೂಲ್‌ಗಳ](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) ಸಂಗ್ರಹವನ್ನು ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಮೂಲಕ ಪೈಥಾನ್ ಜೊತೆ ಸುಲಭವಾಗಿ ಪರಿಚಯವಾಗಿರಿ
> ಈ [ಲೆರ್ನ್ ಮಾಡ್ಯೂಲ್‌ಗಳು](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) ಮೂಲಕ Python ನೊಂದಿಗೆ ಆರಾಮವಾಗಿರಿ.
>
>
> [](https://youtu.be/yyQM70vi7V8 "Visual Studio Code ನೊಂದಿಗೆ ಪೈಥಾನ್ ಅನ್ನು ಸಿದ್ಧಗೊಳಿಸಿ")
> [](https://youtu.be/yyQM70vi7V8 "Visual Studio Code ನಲ್ಲಿ Python ಸಜ್ಜುಗೊಳಿಸುವುದು")
>
>
> 🎥 VS Code ಒಳಗೆ ಪೈಥಾನ್ ಬಳಕೆಯ ಕುರಿತು ವೀಡಿಯೊ ನೋಡಲು ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ.
> 🎥 ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ವೀಡಿಯೊ ನೋಡಿ: VS Code ಒಳಗೆ Python ಉಪಯೋಗಿಸುವುದು.
3. **ಸ್ಕಿಕಿಟ್-ಲರ್ನ್ ಸ್ಥಾಪಿಸಿ**, [ಈ ಸೂಚನೆಗಳನ್ನು](https://scikit-learn.org/stable/install.html) ಅನುಸರಿಸಿ. ನೀವು ಪೈಥಾನ್ 3 ಬಳಸಬೇಕಿರುವುದರಿಂದ, ವರ್ಚುವಲ್ ಪರಿಸರ ಬಳಸದಂತೆ ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. M1 ಮ್ಯಾಕ್‌ನಲ್ಲಿ ಈ ಲೈಬ್ರರಿ ಸ್ಥಾಪನೆಗೆ ವಿಶೇಷ ಸೂಚನೆಗಳು ಮೇಲಿನ ಲಿಂಕ್ ನಲ್ಲಿ ಇವೆ.
3. **ಸೈಕಿಟ್-ಲರ್ನ್ ಸ್ಥಾಪಿಸಿ**, ಈ [ಸೂಚನೆಗಳನ್ನು](https://scikit-learn.org/stable/install.html) ಅನುಸರಿಸಿ. ನೀವು Python 3 ಉಪಯೋಗಿಸುವುದಾಗಿ ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಬೇಕು, ಆದ್ದರಿಂದ ವರ್ಚುವಲ್ ಎನ್ವಿರಾನ್‌ಮೆಂಟ್ ಉಪಯೋಗಿಸುವುದು ಶಿಫಾರಸು. M1 Mac ನಲ್ಲಿ ಸ್ಥಾಪಿಸುವಾಗ ಎಚ್ಚರಿಕೆ ಸೂಚನೆಗಳು ಮೇಲಿನ ಪುಟದಲ್ಲಿ ಇದ್ದವೆ.
1. **ಜ್ಯೂಪಿಟರ್ ನೋಟ್ಬುಕ್ ಸ್ಥಾಪಿಸಿ**. ನೀವು [ಜ್ಯೂಪಿಟರ್ ಪ್ಯಾಕೇಜ್ ಅನ್ನು ಸ್ಥಾಪಿಸಬೇಕಾಗುತ್ತದೆ](https://pypi.org/project/jupyter/).
1. **ಜ್ಯೂಪಿಟರ್ ನೋಟ್ಬುಕ್ ಅನ್ನು ಸ್ಥಾಪಿಸಿ**. ನೀವು [ಜ್ಯೂಪಿಟರ್ ಪ್ಯಾಕೇಜ್ ಅನ್ನು ಸ್ಥಾಪಿಸಬೇಕು](https://pypi.org/project/jupyter/).
## ನಿಮ್ಮ ಎಂಎಲ್ ರಚನಾ ಪರಿಸರ
## ನಿಮ್ಮ ಯಂತ್ರ ಕಲಿಕೆ ಲೇಖನ ಪರಿಸರ
ನೀವು ನಿಮ್ಮ ಪೈಥಾನ್ ಕೋಡ್ ಅಭಿವೃದ್ಧಿ ಮಾಡಲು ಮತ್ತು ಯಂತ್ರ學습 ಮಾದರಿಗಳನ್ನು ರಚಿಸಲು **ನೋಟ್ಬುಕ್ಸ್** ಅನ್ನು ಬಳಸಲಿದ್ದೀರಿ. ಈ ರೀತಿಯ ಫೈಲ್ ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳಿಗೆ ಸಾಮಾನ್ಯ ಉಪಕರಣ ಮತ್ತು `.ipynb` ವಿಸ್ತರಣೆ ಇಲ್ಲಿದೆ.
ನೀವು ನಿಮ್ಮ Python ಕೋಡ್ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು **ನೋಟ್ಬುಕ್ಗಳು** ಉಪಯೋಗಿಸುವಿರಿ. ಈ ರೀತಿಯ ಫೈಲ್ ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳಿಗೆ ಸಾಮಾನ್ಯ ಉಪಕರಣ ಮತ್ತು ಅದನ್ನು ಒಂದು ಸಫಿಕ್ಸ್ ಅಥವಾ ವಿಸ್ತರಣೆ `.ipynb` ಮೂಲಕ ಗುರುತಿಸಲಾಗುತ್ತದೆ.
ನೋಟ್ಬುಕ್ಸ್ ಒಂದು ಇಂಟರ್ಯಾಕ್ಟಿವ್ ಪರಿಸರವಾಗಿದ್ದು, ಅಧ್ಯಯನಕಾರರಿಗೆ ಕೋಡ್ ಬರೆಯುವುದರ ಜೊತೆಗೆ ಟಿಪ್ಪಣಿಗಳು ಮತ್ತು ದಸ್ತಾವೇಜಿ ಬರೆಯಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಇದು ಪ್ರಯೋಗಾತ್ಮಕ ಅಥವಾ ಸಂಶೋಧನಾ ಧ್ಯೇಯಗಳಿಗಾಗಿ ಬಹುಮುಖ್ಯವಾಗಿದೆ.
ನೋಟ್ಬುಕ್ಗಳು ಸಂವಹನಾತ್ಮಕ ಪರಿಸರವಾಗಿದ್ದು, ಅಭಿವೃದ್ಧಿಪಡಿಸುವವರಿಗೆ ಕೋಡ್ ಬರೆಯುವುದರೊಂದಿಗೆ ಟಿಪ್ಪಣಿಗಳು ಮತ್ತು ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಸೇರಿಸುವ ಅವಕಾಶ ನೀಡುತ್ತದೆ, ಇದು ಪ್ರಯೋಗಾತ್ಮಕ ಅಥವಾ ಸಂಶೋಧನೆ ಮೇಲುನೋಟ ಇರುವ ಯೋಜನೆಗಳಿಗೆ ಬಹಳ ಉಪಯುಕ್ತ.
[](https://youtu.be/7E-jC8FLA2E "ಆರಂಭಿಕರಿಗೆ ಎಂಎಲ್ - ರಿಗ್ರೆಶನ್ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲು ಜ್ಯೂಪಿಟರ್ ನೋಟ್ಬುಕ್ಸ್ ಸಿದ್ಧಪಡಿಸಿ")
[](https://youtu.be/7E-jC8FLA2E "ಮೂಲಗಳಿಗೆ ಯಂತ್ರ ಕಲಿಕೆ - ನೋಟ್ಬುಕ್ಗಳನ್ನು ಸೆಟ್ ಮಾಡಿ, ರೆಗ್ರೆಷನ್ ಮಾದರಿಗಳನ್ನು ರಚಿಸಲು ಪ್ರಾರಂಭಿಸಿ")
> 🎥 ಈ ಅಭ್ಯಾಸವನ್ನು ವಿವರಿಸುವ ಸಂಕ್ಷಿಪ್ತ ವೀಡಿಯೊಗೆ ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ.
> 🎥 ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ಈ ವ್ಯಾಯಾಮವನ್ನು ನಡೆಸುವ ಚುಟುಕು ವೀಡಿಯೊ ನೋಡಿ.
### ಅಭ್ಯಾಸ - ನೋಟ್ಬುಕ್‌ನೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಿ
### ವ್ಯayasama - ನೋಟ್ಬುಕ್ ಜೊತೆ ಕೆಲಸ ಮಾಡುವುದು
ಈ ಫೋಲ್ಡರ್‌ನಲ್ಲಿ, ನೀವು _notebook.ipynb_ ಫೈಲ್ ಕಾಣಬಹುದು.
ಈ ಫೋಲ್ಡರ್‌ನಲ್ಲಿ ನೀವು _notebook.ipynb_ ಫೈಲ್ ಕಾಣಬಹುದು.
1. _notebook.ipynb_ ಅನ್ನು Visual Studio Code ನಲ್ಲಿ ತೆರೆಯಿರಿ.
1. Visual Studio Code ನಲ್ಲಿ_notebook.ipynb_ ತೆರೆಯಿರಿ.
ಜ್ಯೂಪಿಟರ್ ಸರ್ವರ್ Python 3+ ಜೊತೆಗೆ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ. ನೀವು ನೋಟ್ಬುಕ್‌ನ ಭಾಗಗಳನ್ನು `run` ಮಾಡಬಹುದು, ಅಂದರೆ ಕೆಲವು ಕೋಡ್ ತುಂಡುಗಳನ್ನು. ನೀವು ಕೋಡ್ ಬ್ಲಾಕ್ ಅನ್ನು `play` ಬಟನ್ ಆಯ್ಕೆಯಿಂದ ಹಗಲು ಮಾಡಬಹುದು.
ಜ್ಯೂಪಿಟರ್ ಸರ್ವರ್ Python 3+ ಚಾಲನೆಯಲ್ಲಿರುತ್ತದೆ. ನೋಟ್ಬುಕ್‌ನಲ್ಲಿ, ಚಾಲನೆಗಾಗಿ ಆಯ್ಕೆಮಾಡಬಹುದಾದ ಕೋಡ್ ಪುಟಗಳಿವೆ. ಒಂದು ಕೋಡ್ ಬ್ಲಾಕ್ ಅನ್ನು, ಪ್ಲೇ ಬಟನ್ ಇಮೇಜ್ ಆಯ್ಕೆಮಾಡಿ ಚಾಲನೆ ಮಾಡಬಹುದು.
1. `md`ಐಕಾನ್ ಆಯ್ಕೆ ಮಾಡಿ ಸ್ವಲ್ಪ ಮಾರ್ಕ್ಡೌನ್ ಮತ್ತು ನಂತರ **# Welcome to your notebook** ಎಂಬ ಬರಹ ಸೇರಿಸಿ.
1. `md`ಚಿಹ್ನೆ ಆಯ್ಕೆಮಾಡಿ, ಸ್ವಲ್ಪ ಮಾರ್ಕ್ಡೌನ್ ಸೇರಿಸಿ ಹಣವಾಗಿ **# ನಿಮ್ಮ ನೋಟ್ಬುಕ್‌ಗೆ ಸ್ವಾಗತ** ಬರೆಯಿರಿ.
ನಂತರ ಕೆಲವು ಪೈಥಾನ್ ಕೋಡ್ ಸೇರಿಸಿ.
ನಂತರ, ಸ್ವಲ್ಪ Python ಕೋಡ್ ಸೇರಿಸಿ.
1. ಕೋಡ್ ಬ್ಲಾಕ್‌ನಲ್ಲಿ **print('hello notebook')** ಟೈಪ್ ಮಾಡಿ.
1. ಕೋಡ್ ಬ್ಲಾಕ್‌ನಲ್ಲಿ **print('hello notebook')** ಟೈಪ್ ಮಾಡಿ.
1. ಕೋಡ್ ಹಗಲು ಮಾಡಲು ತಿರುಗು ಅಂದಾಕಾರ ಆಯ್ಕೆಮಾಡಿ.
1. arrow ಆಯ್ಕೆಮಾಡಿ ಕೋಡ್ ಚಾಲನೆ ಮಾಡಿ.
ನೀವು Printed ಸ್ಟೇಟ್ಮೆಂಟ್ ನೋಡಿ:
ನೀವು ಕೆಳಗಿನ ಮುದ್ರಿತ ತಿಳುವಳಿಕೆಯನ್ನು ನೋಡಬೇಕು:
```output
```output
hello notebook
hello notebook
```
```
ನೀವು ನಿಮ್ಮ ಕೋಡ್ ಜೊತೆಗೆ ಸ್ವ-ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಟಿಪ್ಪಣಿಗಳನ್ನು ಒಂದಾಗಿಸಬಹುದು.
ನಿಮ್ಮ ಕೋಡ್ ಜೊತೆ ಟಿಪ್ಪಣಿಗಳನ್ನು ಸೇರಿಸಿ ನೋಟ್ಬುಕ್ ಸ್ವಯಂ-ಡಾಕ್ಯುಮೆಂಟ್ ಮಾಡಬಹುದು.
✅ ಹುಡುಕಿ ವೆಬ್ ಡೆವಲಪರ್ ಕೆಲಸದ ಪರಿಸರ ಮತ್ತು ಡೇಟಾ ವಿಜ್ಞಾನಿ ಕೆಲಸದ ಪರಿಸರದಲ್ಲಿ ವ್ಯತ್ಯಾಸವೇನು ಎಂಬುದನ್ನು.
✅ ಒಂದು ನಿಮಿಷ ಕಾಳಜಿ ವಹಿಸಿ ಅಂತರ್ಜಾಲ ಅಭಿವೃದ್ಧಿಪಡಿಸುವವರ ಕಾರ್ಯಪರಿಸರ ಮತ್ತು ಡೇಟಾ ವಿಜ್ಞಾನಿಯವರ ಕಾರ್ಯಪರಿಸರ ಹೇಗೆ ವಿಭಿನ್ನವಾಗಿದೆಂದು ಯೋಚಿಸಿ.
## ಸ್ಕಿಕಿಟ್-ಲರ್ನ್ ಆಯ್ಕೆ ಮಾಡಿ ಪ್ರಾರಂಭಿಸೋಣ
## ಸೈಕಿಟ್-ಲರ್ನ್ ಜೊತೆಗೆ ಚಾಲನೆ ಆರಂಭಿಸಿ
ಈಗ ಪೈಥಾನ್ ನಿಮ್ಮ ಸ್ಥಳೀಯ ಪರಿಸರದಲ್ಲಿ ಸಿದ್ಧವಾಗಿದೆ ಮತ್ತು ಜ್ಯೂಪಿಟರ್ ನೋಟ್ಬುಕ್ಸ್‌ನಲ್ಲಿ ನಿಮಗೆ ಆರಾಮವಾಗಿದೆ, ಸ್ಕಿಕಿಟ್-ಲರ್ನ್ನೊಂದಿಗೆ ಸಮಾನವಾಗಿ ಆರಾಮವಾಗೋಣ (`sci` ಅನ್ನು `ವಿಜ್ಞಾನ` ಎಂಬಂತ ಮಾಡಿ ಉಚ್ಚರಿಸಿ). ಸ್ಕಿಕಿಟ್-ಲರ್ನ್ ಎಂಎಲ್ ಕಾರ್ಯಗಳನ್ನು ನೆರವೇರಿಸಲು [ವಿಸ್ತೃತ API](https://scikit-learn.org/stable/modules/classes.html#api-ref) ಒದಗಿಸುತ್ತದೆ.
ಈಗ Python ನಿಮ್ಮ ಸ್ಥಳೀಯ ಪರಿಸರದಲ್ಲಿ ಸಜ್ಜಾಗಿದ್ದು, ಮತ್ತು ನೀವು ಜ್ಯೂಪಿಟರ್ ನೋಟ್ಬುಕ್‌ಗಳೊಂದಿಗೆ ಆರಾಮವಾಗಿದ್ದೀರಿ, ಸೈಕಿಟ್-ಲರ್ನ್ ಜೊತೆಗೆ ಸಹ ಸಮಾನ ಅನುಭವ ಪಡೆಯೋಣ (ಅದರ ಉಚ್ಚಾರಣೆ `sci` ಅಂದರೆ `ವಿಜ್ಞಾನ`). ಸೈಕಿಟ್-ಲರ್ನ್ ನಿಮಗೆ ಯಂತ್ರ ಕಲಿಕೆಯ ಕಾರ್ಯಗಳನ್ನು ಮಾಡಲು ಸಹಾಯ ಮಾಡುವ [ವಿಸ್ತೃತ API](https://scikit-learn.org/stable/modules/classes.html#api-ref) ಒದಗಿಸುತ್ತದೆ.
ಅವರ [ವೆಬ್ಸೈಟ್](https://scikit-learn.org/stable/getting_started.html) ಪ್ರಕಾರ, "ಸ್ಕಿಕಿಟ್-ಲರ್ನ್ ಒಂದು ಮುಕ್ತ ಮೂಲ ಯಂತ್ರ학습 ಲೈಬ್ರರಿ ಆಗಿದ್ದು, ನಿರೀಕ್ಷಿತ ಮತ್ತು ನಿರೀಕ್ಷೆ ಇಲ್ಲದ ಎರಡೂ ಕಲಿಕೆಯನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ. ಇದು ಮಾದರಿಯ ಫಿಟಿಂಗ್, ಡೇಟಾ ಪೂರ್ವಸಂಗ್ರಹಣೆ, ಮಾದರಿ ಆಯ್ಕೆ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ ಸೇರಿದಂತೆ ವಿವಿಧ ಉಪಕರಣಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ."
ಅವರ [ವೆಬ್ಸೈಟ್](https://scikit-learn.org/stable/getting_started.html) ಪ್ರಕಾರ, "ಸೈಕಿಟ್-ಲರ್ನ್ ಒಂದು ಓಪನ್ ಸೋರ್ಸ್ ಯಂತ್ರ ಕಲಿಕೆ ಲೈಬ್ರರಿಯಾಗಿದೆ, ಇದು ಸೂಪರ್ವೈಸ್‌ಡ್ ಮತ್ತು ಅನ್‌ಸೂಪರ್ವೈಸ್‌ಡ್ ಕಲಿಕೆಯನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ. ಇದು ಮಾದರಿ ಹೊಂದಿಸುವಿಕೆ, ಡೇಟಾ ಪೂರ್ವಪ್ರಸಿದ್ಧತೆ, ಮಾದರಿ ಆಯ್ಕೆ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ, ಮತ್ತು ಇನ್ನೂ ಹಲವಾರು ಉಪಕರಣಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ."
ಈ ಕೋರ್ಸ್‌ನಲ್ಲಿ, ನೀವು ಸ್ಕಿಕಿಟ್-ಲರ್ನ್ ಮತ್ತು ಇತರ ಉಪಕರಣಗಳನ್ನು ಬಳಸಿಕೊಂಡು 'ಪಾರಂಪರಿಕ ಯಂತ್ರ學습' ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಯಂತ್ರ학습 ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸುತ್ತೀರಿ. ನಾವು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು ಮತ್ತು ಡೀಪ್ ಲರ್ನಿಂಗ್ ಹಾಗು ಮುಂದಿನ 'ಬಗೆಗೆ AI ಆರಂಭಿಕರು' ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ಆವೃತ್ತಿಯಾಗಿವೆ ಅವುಗಳನ್ನು ಬಿಟ್ಟಿದ್ದೇವೆ.
ಈ ಕೋರ್ಸ್‌ನಲ್ಲಿ ನೀವು ಸೈಕಿಟ್-ಲರ್ನ್ ಮತ್ತು ಇತರ ಉಪಕರಣಗಳನ್ನು ಉಪಯೋಗಿಸಿ ಸಾಮಾನ್ಯ ಯಂತ್ರ ಕಲಿಕೆ ಕಾರ್ಯಗಳನ್ನು ಮಾಡಲು ಮಾದರಿಗಳನ್ನು ರಚಿಸುವಿರಿ. ನಾವು ಉದ್ದೇಶಿತವಾಗಿ न्यೂರಲ್ ನೆಟ್‌ವರ್ಗಳು ಮತ್ತು ಡೀಪ್ ಲರ್ನಿಂಗ್ ಅನ್ನು ಇಲ್ಲಿ ಮುಂಚೂರಾಗಿ ಕಾಣದಿದ್ದೇವೆ, ಅವು ನಮ್ಮ 'ಎಐ ಎರಡು ತರಗತಿ' ಅಭ್ಯಾಸಕ್ರಮದಲ್ಲಿ ಹೆಚ್ಚು ವಿವರಮಾಡಲ್ಪಡುವುದಕ್ಕಾಗಿ.
ಸ್ಕಿಸ್ಕಿಟ್-ಲರ್ನ್ ಮಾದರಿಗಳನ್ನು ಸುಲಭವಾಗಿ ನಿರ್ಮಿಸಲು ಮತ್ತು ಬಳಸಲು ಸಹಾಯಕವಾಗಿದೆ. ಇದು ಮುಖ್ಯವಾಗಿ ಸಂಖ್ಯಾತ್ಮಕ ಡೇಟಾ ಜೊತೆಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ ಮತ್ತು ಕಲಿಕೆಯ ಸರಳ ಉಪಕರಣವಾಗಿ ಹಲವಾರು ಮುಂಚಿತ ಡೇಟಾ ಸೆಟ್‌ಗಳನ್ನು ಹೊಂದಿದೆ. ಷಿಕ್ಷಾರ್ಥಿಗಳಿಗೆ ಪ್ರಯೋಗಿಸಬಹುದಾದ ಪೂರ್ವನಿರ್ಮಿತ ಮಾದರಿಗಳನ್ನು ಸಹ ಒಳಗೊಂಡಿದೆ. ಮೊದಲು, ಮುಂಚಿತ ಪ್ಯಾಕೇಜ್ ಡೇಟಾವನ್ನು ಲೋಡ್ ಮಾಡುವುದು ಮತ್ತು ಬಿಲ್ಟ್ ಇನ್ ಎಸ್ಟಿಮೇಟರ್ ಉಪಯೋಗಿಸಿ ನಿಮ್ಮ ಮೊದಲ ML ಮಾದರಿಯನ್ನು ಸ್ಕಿಕಿಟ್-ಲರ್ನ್ ಜೊತೆಗೆ ಪರಿಗಣಿಸೋಣ.
ಸೈಕಿಟ್-ಲರ್ನ್ ಮಾದರಿಗಳನ್ನು ಸುಲಭವಾಗಿ ರಚಿಸಲು ಮತ್ತು ಅವುಗಳನ್ನು ಬಳಸಲು ಗಣನೆ ಮಾಡುವುದಕ್ಕೆ ಒಳಿತಾದದ್ದು. ಇದು ಸಂಖ್ಯಾತ್ಮಕ ಡೇಟಾ ಬಳಕೆ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿದೆ ಮತ್ತು ಓದುವಿಕೆಗೆ ಸಾಕಷ್ಟು ಸಿದ್ಧ ಸೇಟ್ಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಇದು ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಪ್ರಯೋಗಿಸಲು ಪೂರ್ವನಿರ್ಮಿತ ಮಾದರಿಗಳನ್ನು ನೀಡುತ್ತದೆ. ನಾವು ಈಗ ಸೈಕಿಟ್-ಲರ್ನ್ ಒಳಗಿಂದ ಮೊದಲು ಲೋಡ್ ಮಾಡಲಾದ ಡೇಟಾ ಮತ್ತು ಅಂಗीकೃತ ಅಂದಾಜನೆ ಉಪಕರಣದಿಂದ ಮೊದಲ ML ಮಾದರಿಯನ್ನು ಹೇಗೆ ತಯಾರಿಸಬಹುದು ಎಂದು ಅನ್ವೇಷಿಸೋಣ.
## ಅಭ್ಯಾಸ - ನಿಮ್ಮ ಮೊದಲ ಸ್ಕಿಕಿಟ್-ಲರ್ನ್ ನೋಟ್ಬುಕ್
## ವ್ಯಾಯಾಮ - ನಿಮ್ಮ ಮೊದಲ ಸೈಕಿಟ್-ಲರ್ನ್ ನೋಟ್ಬುಕ್
> ಈ ತರಬೇತಿಯನ್ನು ಸ್ಕಿಕಿಟ್-ಲರ್ನ್ ವೆಬ್ಸೈಟ್上的 [ರೇಖೀಯ ರಿಗ್ರೆಶನ್ ಉದಾಹರಣೆಯಿಂದ](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) ಪ್ರೇರಣೆಗೆ ತೆಗೆದುಕೊಂಡಿದೆ.
> ಈ ಪಾಠವನ್ನು ಸ್ಫೂರ್ತಿಗೊಳಿಸಿದದ್ದು ಸೈಕಿಟ್-ಲರ್ನ್ ವೆಬ್‌ಸೈಟ್‌ನ [ಲೀನಿಯರ್ ರೆಗ್ರೆಷನ್ ಉದಾಹರಣೆ](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 "ಆರಂಭಿಕರಿಗೆ ಎಂಎಲ್ - ನಿಮ್ಮ ಮೊದಲ ರೇಖೀಯ ರಿಗ್ರೆಶನ್ ಪ್ರಾಜೆಕ್ಟ್")
[](https://youtu.be/2xkXL5EUpS0 "ಮೂಲಗಳಿಗೆ - ನಿಮ್ಮ ಮೊದಲ ಲೀನಿಯರ್ ರೆಗ್ರೆಷನ್ ಪ್ರಾಜೆಕ್ಟ್ ಪೈಥಾನ್‌ನಲ್ಲಿ")
> 🎥 ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ಈ ಅಭ್ಯಾಸದ ಸಂಕ್ಷಿಪ್ತ ವೀಡಿಯೊಗೆ ಹೋಗಿ.
> 🎥 ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ಈ ವ್ಯಾಯಾಮದ ಚುಟುಕು ವೀಡಿಯೊ ನೋಡಲು.
_notebook.ipynb_ ಫೈಲ್‌ನಲ್ಲಿ, ಎಲ್ಲಾ ಸೆಲ್ಸ್ ಅನ್ನು 'ಟ್ರ್ಯಾಶ್ ಕ್ಯಾನ್' ಐಕಾನ್ ಒತ್ತಿ ತೆರವುಗೊಳಿಸಿ.
ಈ ಪಾಠಕ್ಕೆ ಸಂಬಂಧಿಸಿದ _notebook.ipynb_ ಫೈಲ್‌ನಲ್ಲಿ, ಎಲ್ಲಾ ಸೆಲ್‌ಗಳನ್ನು 'ಟ್ರೆಶ್ ಕ್ಯಾನ್' ಐಕಾನ್ ಕ್ಲಿಕ್ ಮಾಡಿ ತೆರವುಮಾಡಿ.
ಈ ಭಾಗದಲ್ಲಿ, ನೀವು ಸ್ಕಿಕಿಟ್-ಲರ್ನ್ ಒಳಗೊಂಡಿರುವ ಡಯಾಬಿಟೀಸ್ ಕುರಿತ ಸಣ್ಣ ಡೇಟಾಸೆಟ್ ಜೊತೆಗೆ ಕೆಲಸ ಮಾಡುತ್ತೀರಿ. ಇಲ್ಲಿಗೆ ನೀವು ಡಯಾಬಿಟಿಕ್ ರೋಗಿಗಳಿಗೆ ಚಿಕಿತ್ಸೆಯನ್ನು ಪರೀಕ್ಷಿಸುವುದಾಗಿ ಕಲ್ಪಿಸೋಣ. ಯಂತ್ರ學습 ಮಾದರಿಗಳು, ರೋಗಿಗಳಿಗೆ ಚಿಕಿತ್ಸೆへの ಪ್ರತಿಕ್ರಿಯೆ ಯಾವುದು ಉತ್ತಮವಾಗಿರಬಹುದು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ಸಹಾಯ ಮಾಡಬಹುದು, ವಿವಿಧ ವ್ಯತ್ಯಾಸಗಳ ಸಂಯೋಜನೆಯ ಮೇಲೆ ಆಧಾರಿತ. ಸರಳ ರಿಗ್ರೆಶನ್ ಮಾದರಿಯು ಸಹ ದೃಶ್ಯರೂಪದಲ್ಲಿ, ಥಿಯರೇಟಿಕಲ್ ಕ್ಲಿನಿಕಲ್ ಪ್ರಯೋಗಗಳಿಗೆ ಸಹಾಯ ಮಾಡುವ ಡೇಟಾ ಬಗ್ಗೆ ಮಾಹಿತಿ ತೋರಿಸಬಹುದು.
ಈ ವಿಭಾಗದಲ್ಲಿ ನೀವು ಸೈಕಿಟ್-ಲರ್ನ್‌ನಲ್ಲಿ ಕಲಿಕೆಯ ಗುರಿಗಾಗಿ ಹೊಂದಿಸಿರುವ ಸಣ್ಣ ಡಯಾಬಿಟಿಸ್ ಡೇಟಾಸೆಟ್‌ನೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಲಿದ್ದೀರಿ. ನೀವು ಡಯಾಬಿಟಿಕ್ ರೋಗಿಗಳಿಗೆ ಚಿಕಿತ್ಸೆ ಪರೀಕ್ಷಿಸಲು ಬಯಸಿದರೆ ಕಲ್ಪಿಸಿ. ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಗಳು ವ್ಯತ್ಯಾಸದಿಂದ ಮಾಹಿತಿಗಳನ್ನು ಆಧರಿಸಿ ಕೆಲ ರೋಗಿಗಳು ಉತ್ತಮವಾಗಿ ಚಿಕಿತ್ಸೆಗಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸುವ ಬಗ್ಗೆ ನಿರ್ಧರಿಸಲು ಸಹಾಯ ಮಾಡಬಹುದು. ಬಹುಮಟ್ಟಿನ ಸರಳ ರೆಗ್ರೆಷನ್ ಮಾದರಿಯನ್ನು ದೃಶ್ಯೀಕರಿಸಿದಾಗ, ಇದು ನಿಮ್ಮ ಸಂಶೋಧನಾತ್ಮಕ ಅಥವಾ ತತ್ವಸಂಬಂಧಿ ಕ್ಲಿನಿಕಲ್ ಪ್ರಾಯೋಗಗಳನ್ನು ಆಧರಿಸಿ ಸಹಾಯವಾಗುವ ಮಾಹಿತಿಯನ್ನು ತೋರಿಸಬಹುದು.
✅ ರಿಗ್ರೆಶನ್ ವಿಧಾನಗಳು ಹಲವಾರು ಪ್ರಕಾರಗಳಿವೆ, ಮತ್ತು ಯಾವುದು ಆಯ್ಕೆಮಾಡುವುದು ನೀವು ಹುಡುಕುತ್ತಿರುವ ಉತ್ತರದ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ. ಉದಾಹರಣೆಗೆ, ನೀವು ವ್ಯಕ್ತಿಯ ವಯಸ್ಸಿಗಾಗಿ ಸಾಧ್ಯವಿರುವ ಎತ್ತರವನ್ನೂ ಊಹಿಸಲು ಬಯಸಿದರೆ, ನೀವು ರೇಖೀಯ ರಿಗ್ರೆಶನ್ ಉಪಯೋಗಿಸುತ್ತೀರಿ, ಏಕೆಂದರೆ ನೀವು ಒಂದು **ಸಂಖ್ಯಾತ್ಮಕ ಮೌಲ್ಯ** ಹುಡುಕುತ್ತಿದ್ದೀರಿ. ನೀವು ಯಾವ ರೀತಿಯ ಆಹಾರವು ವೀಗನ್ ಆಗಿದೆ ಅಥವಾ ಅಲ್ಲ ಎಂದು ಪತ್ತೆ ಹಚ್ಚಬೇಕಾದರೆ, ನೀವು **ಪದವರ್ಗ ನಿಯೋಜನೆ** ಹುಡುಕುತ್ತಿದ್ದೀರಿ ಆದ್ದರಿಂದ ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಶನ್ ಬಳಸುತ್ತಾರೆ. ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಶನ್ ಕುರಿತಾಗಿ ನಂತರ ತಿಳಿದುಕೊಳ್ಳುತ್ತೀರಿ. ಕೆಲವು ಪ್ರಶ್ನೆಗಳನ್ನು ಡೇಟಾದಿಂದ ಕೇಳಬಹುದಾದುದಾಗಿ ಯೋಚಿಸಿ, ಮತ್ತು ಯಾವ ವಿಧಾನ ಹೆಚ್ಚು ಸೂಕ್ತವಾಗಿದೆ ಎಂದು ಪರಿಗಣಿಸಿ.
✅ ವಿವಿಧ ತರಹದ ರೆಗ್ರೆಷನ್ ವಿಧಾನಗಳಿವೆ ಮತ್ತು ನೀವು ಏನನ್ನು ಆಯ್ಕೆಮಾಡುತ್ತೀರಿ ಎಂದು ನೀವು ಹುಡುಕುತ್ತಿರುವ ಉತ್ತರ ಮೇಲೆ ಆಧಾರಿತವಾಗಿದೆ. ಉದಾಹರಣೆಗೆ, ಒಬ್ಬ ವ್ಯಕ್ತಿಯ ವಯಸ್ಸಿಗಾಗಿ ಸಾಧ್ಯವಿರುವ ಎತ್ತರವನ್ನು ಊಹಿಸಲು ನೀವು ಲೀನಿಯರ್ ರೆಗ್ರೆಷನ್ ಬಳಸುತ್ತೀರಿ, ಏಕೆಂದರೆ ನೀವು ಒಂದು **ಸಂಖ್ಯಾತ್ಮಕ ಮೌಲ್ಯ** ಹುಡುಕುತ್ತಿದ್ದೀರಿ. ನೀವು ಯಾವುದೇ ತಿಂಡಿಯನ್ನು ವಿಗನ್ ಅಲ್ಲವೆ ಎಂದು ಗುರುತಿಸಲು ಬಯಸಿದರೆ, ನೀವು **ವರ್ಗ ನಿರ್ಧಾರ** ಹುಡುಕುತ್ತಿದ್ದೀರಿ ಆದ್ದರಿಂದ ಲಾಜಿಸ್ಟಿಕ್ ರೆಗ್ರೆಷನ್ ಬಳಸುತ್ತೀರಿ. ಲಾಜಿಸ್ಟಿಕ್ ರೆಗ್ರೆಷನ್ ಬಗ್ಗೆ ನಂತರ ಕಲಿತೀರಿ. ಡೇಟಾದಿಂದ ನೀವು ಕೇಳಬಹುದಾದ ಕೆಲವು ಪ್ರಶ್ನೆಗಳ ಬಗ್ಗೆ ಯೋಚಿಸಿ ಮತ್ತು ಅವಕ್ಕೆ ಸೂಕ್ತವಾದ ವಿಧಾನಗಳನ್ನೂ ಆಯ್ಕೆಮಾಡಿ.
ಇಗೋ, ಈ ಕಾರ್ಯವನ್ನು ಪ್ರಾರಂಭಿಸೋಣ.
ಈಗ ಈ ಕಾರ್ಯ ಪ್ರಾರಂಭಿಸೋಣ.
### ಗ್ರಂಥಾಲಯಗಳನ್ನು ಆಮದುಮಾಡಿಕೊಳ್ಳಿ
### ಗ್ರಂಥಾಲಯಗಳನ್ನು ಆಮದುಮಾಡಿ
ಈ ಕಾರ್ಯಕ್ಕಾಗಿ ಕೆಲವು ಗ್ರಂಥಾಲಯಗಳನ್ನು ಆಮದುಮಾಡಿಕೊಳ್ಳುತ್ತೇವೆ:
ಈ ಕಾರ್ಯಕ್ಕಾಗಿ ನಾವು ಕೆಲವು ಗ್ರಂಥಾಲಯಗಳನ್ನು ಆಮದುಮಾಡುತ್ತೇವೆ:
- **matplotlib**. ಇದು ಉಪಯುಕ್ತ [ಗ್ರಾಫ್ ಸಾಧನ](https://matplotlib.org/) ಮತ್ತು ನಾವು ಲೈನ್ ಪ್ಲಾಟ್ ಸೃಷ್ಟಿಸಲು ಇದನ್ನು ಬಳಸುತ್ತೇವೆ.
- **ಮ್ಯಾಟ್ಪ್ಲಾಟ್ಲಿಬ್**. ಇದು ಒಂದು ಉಪಯುಕ್ತ [ಗ್ರಾಫಿಂಗ್ ಉಪಕರಣ](https://matplotlib.org/) ಮತ್ತು ನಾವು ಇದನ್ನು ಲೈನ್ ಪ್ಲಾಟ್ ಚಿತ್ರಿಸಲು ಬಳಸುತ್ತೇವೆ.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) ಪೈಥಾನ್‌ನಲ್ಲಿ ಸಂಖ್ಯಾತ್ಮಕ ಡೇಟಾಗಳನ್ನು ಕೈಗೊಳ್ಳಲು ಉಪಯುಕ್ತ ಗ್ರಂಥಾಲಯ.
- **ನಂಪೈ**. [ನಂಪೈ](https://numpy.org/doc/stable/user/whatisnumpy.html)ವು ಪೈಥಾನ್‌ನಲ್ಲಿ ಸಂಖ್ಯೆ ಡೇಟಾ ನಿರ್ವಹಿಸಲು ಉಪಯುಕ್ತ ಗ್ರಂಥಾಲಯ.
- **sklearn**. ಇದು [ಸ್ಕಿಕಿಟ್-ಲರ್ನ್](https://scikit-learn.org/stable/user_guide.html) ಗ್ರಂಥಾಲಯ.
- **ಸ್ಕ್‌ಲರ್ನ್**. ಇದು [ಸೈಕಿಟ್-ಲರ್ನ್](https://scikit-learn.org/stable/user_guide.html) ಗ್ರಂಥಾಲಯ.
ನಿಮ್ಮ ಕಾರ್ಯಗಳಿಗೆ ಸಹಾಯ ಮಾಡಲು ಕೆಲವು ಗ್ರಂಥಾಲಯಗಳನ್ನು ಆಮದುಮಾಡಿಕೊಳ್ಳಿ.
ನಿಮ್ಮ ಕಾರ್ಯಗಳಿಗೆ ಸಹಾಯ ಮಾಡುವಂತೆ ಕೆಲವು ಗ್ರಂಥಾಲಯಗಳನ್ನು ಆಮದುಮಾಡಿ.
1. ಕೆಳಗಿನ ಕೋಡ್ ಟೈಪ್ ಮಾಡಬಹುದು:
1. ಕೆಳಗಿನ ಕೋಡ್ ಟೈಪ್ ಮಾಡಿ ಆಮದುಮಾಡಿ:
```python
```python
import matplotlib.pyplot as plt
import matplotlib.pyplot as plt
@ -123,26 +123,26 @@ _notebook.ipynb_ ಫೈಲ್‌ನಲ್ಲಿ, ಎಲ್ಲಾ ಸೆಲ್ಸ
from sklearn import datasets, linear_model, model_selection
from sklearn import datasets, linear_model, model_selection
```
```
ಮೇಲಿನ ಭಾಗದಲ್ಲಿ ನೀವು `matplotlib`, `numpy`ಅನ್ನು ಆಮದು ಮಾಡಿಕೊಳ್ಳುತ್ತಿದ್ದೀರಿ ಮತ್ತು `sklearn`ಫ್ರೇಮ್‌ವರ್ಕ್‌ನ `datasets`, `linear_model` ಮತ್ತು `model_selection`ನಿಂದ ಆಮದು ಮಾಡಿಕೊಳ್ಳುತ್ತಿದ್ದೀರಿ. `model_selection` డೇಟಾ ತರಬೇತಿ ಹಾಗೂ ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗಳಿಗೆ ವಿಭಜಿಸಲು ಉಪಯೋಗಿಸಲಾಗುತ್ತದೆ.
ಮೇಲಿನ ಕೋಡ್ ಮೂಲಕ ನೀವು `matplotlib`, `numpy` ಮತ್ತು `sklearn` ನ `datasets`, `linear_model` ಮತ್ತು `model_selection`ಅನ್ನು ಆಮದು ಮಾಡುತ್ತಿದ್ದೀರಿ. `model_selection` ಬಳಸಿ ಡೇಟಾವನ್ನು ತರಬೇತಿ ಮತ್ತು ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗಳಾಗಿ ವಿಭಜಿಸಲಾಗುತ್ತದೆ.
### ಡಯಾಬಿಟೀಸ್ ಡೇಟಾಸೆಟ್
### ಡಯಾಬಿಟಿಸ್ ಡೇಟಾಸೆಟ್
ಸ್ಥಾಪಿತ [ಡಯಾಬಿಟೀಸ್ ಡೇಟಾಸೆಟ್](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) 442 ಮಾದರಿಗಳನ್ನು ಹೊಂದಿದ್ದು, 10 ವೈಶಿಷ್ಟ್ಯಗಳುಳ್ಳ ವ್ಯತ್ಯಾಸಗಳಿವೆ, ಕೆಲವು ಈ ಕೆಳಗಿನಂತಿವೆ:
ಒಳಗೊಂಡಿರುವ [ಡಯಾಬಿಟಿಸ್ ಡೇಟಾಸೆಟ್](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset)ನಲ್ಲಿ 442 ಮಾದರಿಗಳು ಇವೆ ಮತ್ತು 10 ವೈಶಿಷ್ಟ್ಯಗಳ ಮೂಲಕ ಬಗ್ಗೆಯೂ ಮಾಹಿತಿ ಇದೆ, ಅವರನ್ನು ಕೆಲವು ಇವುಗಳು:
- ವಯಸ್ಸು: ವರ್ಷಗಳಲ್ಲಿನ ವಯಸ್ಸು
- ವಯಸ್ಸು: ವಯಸ್ಸು ವರ್ಷಗಳಲ್ಲಿ
- ಬಿಎಂಐ: ದೇಹದ ದ್ರವ್ಯಮಾನ ಸೂಚಕ
- ಬಿಎಮ್ಐ: ಶರೀರದ ಮಾಸ್ ಇಂಡೆಕ್ಸ್
- ಬಿಪಿ: ಸರಾಸರಿ ರಕ್ತದ ಒತ್ತಡ
- ಬಿಪಿ: ಸರಾಸರಿ ರಕ್ತದೊತ್ತಡ
- s1 tc: ಟಿ-ಕೋಶಗಳು (ಒಂದು ರೀತಿಯ ಬಿಳಿ ರಕ್ತಕೋಶಗಳು)
- ಎಸ್1 ಟಿಸಿ: ಟಿ-ಸೆಲ್ಸ್ (ಬಿಳಿ ರಕ್ತ ಕಣದ ಪ್ರಕಾರ)
✅ ಈ ಡೇಟಾಸೆಟ್ 'ಲಿಂಗ'ವೆಂಬ ವೈಶಿಷ್ಟ್ಯತ್ಯಾಂಶವನ್ನು ಒಳಗೊಂಡಿದೆ, ಇದು ಡಯಾಬಿಟೀಸ್ ಸಂಶೋಧನೆಗೆ ಮಹತ್ವವನ್ನು ಹೊಂದಿದೆ. ಬಹಳ ವೈದ್ಯಕೀಯ ಡೇಟಾಸೆಟ್‌ಗಳಲ್ಲಿ ಈ ರೀತಿಯ ದ್ವಿಪದ ವರ್ಗೀಕರಣ ಕಾಣಬಹುದು. ಈ ವರ್ಗೀಕರಣಗಳು ಕೆಲವು ಜನಸಂಖ್ಯೆಯ ಭಾಗಗಳನ್ನು ಚಿಕಿತ್ಸೆಗಳಿಂದ ಹೊರಗೊಳಿಸಬಹುದು ಎಂಬುದನ್ನು ತ್ವರಿತವಾಗಿ ಯೋಚಿಸಿ.
✅ ಈ ಡೇಟಾಸೆಟ್ 'ಲಿಂಗ' ಎಂಬ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಒಳಗೊಂಡಿದೆ, ಇದು ಡಯಾಬಿಟಿಸ್ ಸಂಬಂಧಿತ ಸಂಶೋಧನೆಗೆ ಪ್ರಮುಖವಾಗಿದೆ. ಅನೇಕ ವೈದ್ಯಕೀಯ ಡೇಟಾ ಸೆಟ್‌ಗಳು ಇಂತಹ ದ್ವಿಪದ ವರ್ಗೀಕರಣವನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ. ಇಂತಹ ವರ್ಗೀಕರಣಗಳು ಬಹುಮಾನವುಂಬಿದ ಗೈರುಗಳೂ ಔಷಧ ಚಿಕಿತ್ಸೆಗಿಂದ ಹೊರಗಾಗಬಹುದು ಎಂದು ಯೋಚಿಸಿ.
ಈಗ, `X` ಮತ್ತು `y` ಡೇಟಾವನ್ನು ಲೋಡ್ ಮಾಡೋಣ.
ಈಗ, X ಮತ್ತು y ಡೇಟಾ ಲೋಡ್ ಮಾಡಿ.
> 🎓 ನೆನಪಿಡಿ, ಇದು ಮತ್ತು ನಿರೀಕ್ಷಿತ ಕಲಿಕೆ; ನಮಗೆ ಹೆಸರು ಹಚ್ಚಲಾದ 'y' ಗುರಿ ಬೇಕಾಗುತ್ತದೆ.
> 🎓 ಧ್ಯಾನಿಸಿ, ಇದು ಸೂಪರ್ವೈಸ್ ಕಲಿಕೆಯಾಗಿದ್ದು, 'y' ಎಂಬ ಗುರಿ ಟಾರ್ಗೆಟ್ ಬೇಕು.
ಹೊಸ ಕೋಡ್ ಸೆಲ್ನಲ್ಲಿ `load_diabetes()` ಅನ್ನು ಕರೆಸಿಕೊಂಡು ಡಯಾಬಿಟೀಸ್ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಲೋಡ್ ಮಾಡಿ. ಇನ്പುಟ್ `return_X_y=True` ಅಂದರೆ `X` ಡೇಟಾ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಆಗಿದ್ದು, `y` ಎಂದರೆ ರಿಗ್ರೆಶನ್ ಗುರಿಯಾಗಿದೆ.
ಹೊಸ ಕೋಡ್ ಸೆಲ್ನಲ್ಲಿ, `load_diabetes()` ಕರೆಮಾಡಿ ಡಯಾಬಿಟ್ಸ್ ಡೇಟಾ ಸೆಟ್ ಅನ್ನು ಲೋಡ್ ಮಾಡಿ. `return_X_y=True` ವೇಳೆ, `X` ಡೇಟಾ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಆಗಿದ್ದು `y` ರೆಗ್ರೆಷನ್ ಗುರಿಯಾಗುತ್ತದೆ.
1. ಡೇಟಾ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ನ ಆಕಾರ ಮತ್ತು ಮೊದಲ ಅಂಶಗಳನ್ನು ಪ್ರದರ್ಶಿಸುವ ಪೋಷಣಗಳನ್ನು ಸೇರಿಸಿ:
1. ಡೇಟಾ ಮ್ಯಾಟ್ರಿಕ್ಸಿನ ಅಳತೆ ಮತ್ತು ಮೊದಲು ಒಂದು ಅಂಶವನ್ನು ತೋರಿಸಲು ಕೆಲವು ಮುದ್ರಣ ಆಜ್ಞೆಗಳು ಸೇರಿಸಿ:
```python
```python
X, y = datasets.load_diabetes(return_X_y=True)
X, y = datasets.load_diabetes(return_X_y=True)
@ -150,9 +150,9 @@ _notebook.ipynb_ ಫೈಲ್‌ನಲ್ಲಿ, ಎಲ್ಲಾ ಸೆಲ್ಸ
print(X[0])
print(X[0])
```
```
ನೀವು ಪಡೆಯುತ್ತಿರುವುದಾಗಿದೆ tuple. ನೀವು tuple ನ ಮೊದಲ ಎರಡು ಮೌಲ್ಯಗಳನ್ನು ಕ್ರಮವಾಗಿ `X` ಮತ್ತು `y` ಗೆ ನಿಯೋಜಿಸುತ್ತಿದ್ದೀರಿ. tuple ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ ಈ ಲಿಂಕ್ ನೋಡಿ: [tuple](https://wikipedia.org/wiki/Tuple).
ನೀವು ಪಡೆಯುತ್ತಿರುವ ಪ್ರತಿಕ್ರಿಯೆಯು ಕೂಪ್ಲ್ ಆಗಿದೆ. ನೀವು ಆ ಕೂಪ್ಲ್ಯ ಜೋಡಿಯ ಮೊದಲ ಎರಡು ಮೌಲ್ಯಗಳನ್ನು ಕ್ರಮವಾಗಿ `X` ಮತ್ತು `y` ಗೆ ಹಂಚಿಕೊಂಡಿದ್ದೀರಿ. [ಕೂಪ್ಲಗಳ ಬಗ್ಗೆ](https://wikipedia.org/wiki/Tuple) ಇನ್ನಷ್ಟು ಕಲಿಯಿರಿ.
ನೀವು ನೋಡಬಹುದು ಈ ಡೇಟಾ 442 ಐಟಮ್ಗಳನ್ನು ಹೊಂದಿದ್ದು, ಪ್ರತಿ ಐಟಮ್ 10 ಅಂಶಗಳಿಂದ ರೂಪಗೊಳ್ಳುತ್ತದೆ:
ಡೇಟಾದಲ್ಲಿ 442 ಐಟಂಗಳು ಹಾಗೂ ಪ್ರತಿಯೊಂದರಲ್ಲಿ 10 ಅಂಶಗಳ ಅರೇಗಳಾಗಿವೆ ಎಂದು ನೀವು ನೋಡಬಹುದು:
```text
```text
(442, 10)
(442, 10)
@ -160,39 +160,39 @@ _notebook.ipynb_ ಫೈಲ್‌ನಲ್ಲಿ, ಎಲ್ಲಾ ಸೆಲ್ಸ
-0.04340085 -0.00259226 0.01990842 -0.01764613]
-0.04340085 -0.00259226 0.01990842 -0.01764613]
```
```
✅ ಡೇಟಾ ಮತ್ತು ರಿಗ್ರೆಶನ್ ಗುರಿ ನಡುವಿನ ಸಂಬಂಧದ ಬಗ್ಗೆ ಯೋಚಿಸಿ. ರೇಖೀಯ ರಿಗ್ರೆಶನ್ ವೈಶಿಷ್ಟ್ಯ X ಮತ್ತು ಗುರಿ `y` ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಊಹಿಸುತ್ತದೆ. ನೀವು ಡಾಕ್ಯುಮೆಂಟೇಶನ್‌ನಲ್ಲಿನ ಡಯಾಬಿಟೀಸ್ ಡೇಟಾಸೆಟ್ ಗುರಿಯನ್ನು ಹುಡುಕಬಹುದೇ? ಈ ಗುರಿ ಆ ಡೇಟಾಸೆಟ್ ಯಾವ ಸಂಧರ್ಭವನ್ನು ತೋರಿಸುತ್ತಿದೆ?
✅ ಡೇಟಾ ಮತ್ತು ರೆಗ್ರೆಷನ್ ಗುರಿ ನಡುವೆ ಸಂಬಂಧವನ್ನು ಯೋಚಿಸಿ. ಲೀನಿಯರ್ ರೆಗ್ರೆಷನ್ ವೈಶಿಷ್ಟ್ಯ X ಮತ್ತು ಗುರಿ y ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಊಹಿಸುತ್ತದೆ. ಈ ಡೇಟಾಸೆಟ್‌ನ [ಗುರಿ](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset)ನ ಡಾಕ್ಯುಮೆಂಟೇಶನ್‌ನಲ್ಲಿ ಹುಡುಕಿ. ಈ ಡೇಟಾಸೆಟ್ ಏನು ತೋರಿಸುತ್ತದೆ?
2. ನಂತರ, ಈ ಡೇಟಾಸೆಟ್‌ನ 3ನೇ ಕಾಲಮ್ ಆಯ್ಕೆಮಾಡಿ ಪ್ಲಾಟ್ ಮಾಡಲು ಆಯ್ಕೆಮಾಡಿ. ಎಲ್ಲಾ ಸಾಲುಗಳನ್ನು `:` ಆಯ್ಕೆ ಮಾಡಿ, ನಂತರ 3ನೇ ಕಾಲಮ್ (ಸೂಚ್ಯಂಕ 2) ಆಯ್ಕೆಮಾಡಿ. ಡೇಟಾವನ್ನು 2D ಆರೆ ಆಗಿ ಆಕಾರ ಬದಲಾಯಿಸಲು ನೀವು `reshape(n_rows, n_columns)` ಉಪಯೋಗಿಸಬಹುದು. ಒಂದೊಂದು ಪ್ಯಾರಾಮೀಟರ್ -1 ಆಗಿದ್ದರೆ, ಆ ಆಯಾಮವನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಲೆಕ್ಕಿಸಲಾಗುತ್ತದೆ.
2. ಮುಂದಾಗಿ, ಈ ಡೇಟಾಸೆಟ್‌ನ 3ನೇ ಕಾಲಮ್ ಆಯ್ಕೆಮಾಡಿ ಇದನ್ನು ಪ್ಲಾಟ್ ಮಾಡಲು. `:` ಆಪರೇಟರ್ ಬಳಸಿ ಎಲ್ಲಾ ಸಾಲುಗಳನ್ನು ಆರಿಸಿ ನಂತರ 3ನೇ ಕಾಲಮ್ (ಅಂಕೆ 2) ಆಯ್ಕೆ ಮಾಡಿ. ಅದನ್ನು 2D ಅರೇ ಆಗಿ ರೂಪಾಂತರಿಸಬಹುದು - `reshape(n_rows, n_columns)` ಬಳಸಿ - ಇದರಲ್ಲಿ ಒಂದು ಪ್ರಮಾಣೀಕರಣ -1 ಆಗಿದ್ದರೆಸ್ವಯಂಚಾಲಿತವಾಗಿ ಗಣನೆಗೆ ಒಳಪಡುತ್ತದೆ.
```python
```python
X = X[:, 2]
X = X[:, 2]
X = X.reshape((-1,1))
X = X.reshape((-1,1))
```
```
✅ ಯಾವಾಗಲಾದರೂ ಡೇಟಾ ಆಕಾರವನ್ನು ಪರಿಶೀಲಿಸಲು ಅದನ್ನು ಪ್ರಿಂಟ್ ಮಾಡಿ.
✅ ಯಾವಾಗ ಬೇಕಾದರೂ ಡೇಟಾ ಮುದ್ರಿಸಿ ಅದರ ಆಕಾರವನ್ನು ಪರಿಶೀಲಿಸಿ.
3. ಈಗ ಡೇಟಾ ಚಿತ್ರಿಸಲು ಸಿದ್ಧವಾಗಿದೆ, ಮಷಿನ್ ಸಂಖ್ಯೆಗಳ ನಡುವಿನ ಲಾಜಿಕಲ್ ವಿಭಜನೆ ತಿಳಿಯಲು ಸಹಾಯ ಮಾಡುವುದೇ ಎಂದು ನೋಡೋಣ. ಇದಕ್ಕಾಗಿ, ನೀವು ಡೇಟಾ (X) ಮತ್ತು ಗುರಿ (y) ಇನ್ನು ನೀವು ತರಬೇತಿ ಹಾಗೂ ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗಳಿಗೆ ವಿಭಜಿಸಬೇಕು. ಸ್ಕಿಕಿಟ್-ಲರ್ನ್ ಇದನ್ನು ಸುಲಭವಾಗಿ ಮಾಡುತ್ತದೆ; ನಿಮಗೆ ಬೇಕಾದ ಸ್ಥಳದಲ್ಲಿ ಪರೀಕ್ಷಾ ಡೇಟಾವನ್ನು ವಿಭಜಿಸಬಹುದು.
3. ಈಗ ಡೇಟಾ ಪ್ಲಾಟ್ ಮಾಡಲು ಸಿದ್ಧವಾಗಿದೆ. ಈ ಸಂಖ್ಯೆಗಳ ನಡುವೆ ಲಾಜಿಕಲ್ ಸ್ಪ್ಲಿಟ್ ಏನು ಎಂದು ಯಂತ್ರಶಕ್ತಿ ಸಹಾಯ ಮಾಡುತ್ತದೆ ಎಂದು ನೋಡೋಣ. ಇದಕ್ಕಾಗಿ, ಡೇಟಾ (X) ಮತ್ತು ಗುರಿ (y) ಎರಡನ್ನೂ ತರಬೇತಿ ಮತ್ತು ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗಳಿಗೆ ವಿಭಜಿಸಬೇಕು. ಸೈಕಿಟ್-ಲರ್ನ್ ಇದಕ್ಕೆ ಸರಳ ವಿಧಾನ ಒದಗಿಸುತ್ತದೆ; ನೀವು ಟెస్ట్ ಡೇಟಾವನ್ನು ಬೇಕಾದ ಎಲ್ಲಿಗೆ ವಿಭಜಿಸಬಹುದು.
```python
```python
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
```
```
4. ಈಗ ನೀವು ನಿಮ್ಮ ಮಾದರಿಯನ್ನು ತರಬೇತಿಗೆ ಸಿದ್ಧವಾಗಿದೆ! ಲೀನಿಯರ್ ರಿಗ್ರೆಶನ್ ಮಾದರಿಯನ್ನು ಲೋಡ್ ಮಾಡಿ ಮತ್ತು ನಿಮ್ಮ X ಮತ್ತು y ತರಬೇತಿ ಸೆಟ್‌ಗಳಿಗೆ `model.fit()` ಉಪಯೋಗಿಸಿ ತರಬೇತಿಯನ್ನು ಮಾಡಿ:
4. ಈಗ ನಿಮ್ಮ ಮಾದರಿಯನ್ನು ತರಬೇತಿಗೆ ಸಿದ್ಧರಾಗಿ! ಲೀನಿಯರ್ ರೆಗ್ರೆಷನ್ ಮಾದರಿಯನ್ನು ಲೋಡ್ ಮಾಡಿ ಮತ್ತು `model.fit()` ಮೂಲಕ X ಹಾಗೂ y ತರಬೇತಿ ಸೆಟ್‌ಗಳೊಂದಿಗೆ ತರಬೇತಿ ನೀಡಿ:
✅ `model.fit()` ಅನೇಕ ಯಂತ್ರ ಕಲಿಕೆ ಲೈಬ್ರರಿಗಳಲ್ಲಿ ಕಂಡು ಬರುವ ಕಾರ್ಯ.
5. ನಂತರ, `predict()` ಫಂಕ್ಷನ್ ಬಳಸಿ ಪರೀಕ್ಷಾ ಡೇಟಾವನ್ನು ಉಪಯೋಗಿಸಿ ಅನುಮಾನವನಾದಿಸು. ಇದು ಡೇಟಾ ಗುಂಪುಗಳ ನಡುವಿನ ರೇಖೆಯನ್ನು ಎಳೆಯಲು ಉಪಯೋಗಿಸಲಾಗುತ್ತದೆ.
5. ನಂತರ, ಪರೀಕ್ಷಾ ಡೇಟಾ ಬಳಸಿ `predict()` ಮೂಲಕ ಅಂದಾಜು ಮಾಡಿರಿ. ಇದು ಮಾದರಿಯ ಡೇಟಾ ಗುಂಪುಗಳ ನಡುವೆಯಲ್ಲಿ ರೇಖೆಯನ್ನು ಆಅಕರ್ಷಿಸಲು ಉಪಯೋಗಿಸಲಾಗುತ್ತದೆ
```python
```python
y_pred = model.predict(X_test)
y_pred = model.predict(X_test)
```
```
6. ಈಗ ಡೇಟಾವನ್ನು ಚಿತ್ತರಿಸಲು ಸಮಯ. ಮ್ಯಾಟ್ಪ್ಲಾಟ್ಲಿಬ್ ಇದಕ್ಕೆ ಬಹುಮುಖ ಉಪಕರಣ. ಎಲ್ಲಾ X ಮತ್ತು y ಪರೀಕ್ಷಾ ಡೇಟಾ ಸ್ಪೋಟವನ್ನು ಸೃಷ್ಟಿಸಿ, ಮತ್ತು ಮಾದರಿ ವಿಶ್ಲೇಷಣೆಗಾಗಿ ರೇಖೆಯನ್ನು ಬಿಡಿ.
6. ಈಗ ಡೇಟಾವನ್ನು ಪ್ಲಾಟ್ ನಲ್ಲಿ ತೋರಿಸುವ ಸಮಯ. ಇದಕ್ಕಾಗಿ ಮ್ಯಾಟ್ಪ್ಲಾಟ್ಲಿಬ್ ಉಪಯುಕ್ತ. ಎಲ್ಲಾ X ಮತ್ತು y ಪರೀಕ್ಷಾ ಡೇಟಾಗಳ scatterplot ರಚಿಸಿ, ಮತ್ತು ಅಂದಾಜುಗಳಿಂದ ಮಾದರಿಯ ಡೇಟಾ ಗುಂಪುಗಳ ಮಧ್ಯೆ ಲೈನನ್ನು ಆಕರ್ಷಿಸಿ.
```python
```python
plt.scatter(X_test, y_test, color='black')
plt.scatter(X_test, y_test, color='black')
@ -203,28 +203,27 @@ _notebook.ipynb_ ಫೈಲ್‌ನಲ್ಲಿ, ಎಲ್ಲಾ ಸೆಲ್ಸ
plt.show()
plt.show()
```
```
✅ ಇಲ್ಲಿ ಏನಾಗುತ್ತಿದೆ ಎಂಬುದರ ಬಗ್ಗೆ ಯೋಚಿಸಿ. ಸಣ್ಣ ಡಾಟಾಕೆಟ್ಟಿನ ಮೂಲಕ ಸರಳ ರೇಖೆ ಓಡುತ್ತಿದೆ, ಆದರೆ ಯಾವ ಕಾರ್ಯ ಮಾಡುತ್ತಿದೆ? ಈ ರೇಖೆಯ ಬಳಕೆ ಮೂಲಕ ಹೊಸ, ಆಗಾಗ್ಗೆ ಕಂಡುಬಂದಿಲ್ಲದ ಡೇಟಾ ಪಾಯಿಂಟ್ ಯಾವ ರೀತಿ ಪ್ಲಾಟ್‌ನ y ಅಕ್ಷದೊಂದಿಗೆ ತಾಳಿಕೊಳ್ಳುತ್ತದೆ ಎಂದು ಊಹಿಸಬಹುದು? ಈ ಮಾದರಿಯ ಪ್ರಾಯೋಗಿಕ ಬಳಕೆಯನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಹೇಳಲು ಯತ್ನಿಸಿ.
✅ ಇಲ್ಲಿ ಏನಾಗುತ್ತಿದೆ ಎಂದು ಸ್ವಲ್ಪ ಆಲೋಚಿಸಿ ನೋಡಿ. ಹಲವಾರು ಸಣ್ಣ ಡೇಟಾ ಬಿಂದುಗಳ ಮೂಲಕ ಒಂದು ಸರಳ ಇಲ್ಲು ಹರಡುತ್ತಿದೆ, ಆದರೆ ಅದು ನಿಖರವಾಗಿ ಏನು ಮಾಡುತ್ತಿದೆ? ನಿಮ್ಮ ಸ್ಟೋರಿಕೆಯಲ್ಲಿ ಹೊಸದಾಗಿ ಕಾಣದ ಡೇಟಾ ಪಾಯಿಂಟ್ ಯಾವ ಸ್ಥಾನದಲ್ಲಿ ಗುರುತಿಸಲು ನೀವು ಈ ರೇಖೆಯನ್ನು ಹೇಗೆ ಬಳಸಬಹುದು ಎಂದು ಕಾಣಬಹುದೇ? ಈ ಮಾದರಿಯ ಪ್ರಾಯೋಗಿಕ ಬಳಕೆಯನ್ನು ಪದಗಳಲ್ಲಿ ವಿವರಿಸಲು ಪ್ರಯತ್ನಿಸಿ.
ಅಭಿನಂದನೆಗಳು, ನೀವು ನಿಮ್ಮ ಮೊದಲ ಲೀನಿಯರ್ ರೆಗ್ರೆಷನ್ ಮಾದರಿಯನ್ನು ರಚಿಸಿ, ಅದರಲ್ಲಿ ಅಂದಾಜು ಮಾಡಿರಿ ಮತ್ತು ಪ್ಲಾಟ್ ನಲ್ಲಿ ಪ್ರದರ್ಶಿಸಿದ್ದಾರೆ!
ಅಭಿನಂದನೆಗಳು, ನೀವು ನಿಮ್ಮ ಮೊದಲ ಲೀನಿಯರ್ ರಿಗ್ರೆಶನ್ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಿದ್ದೀರಿ, ಅದರೊಂದಿಗೆ ಭವಿಷ್ಯವಾಣಿಯನ್ನು ಮಾಡಿದ್ದೀರಿ ಮತ್ತು ಅದನ್ನು ಪ್ಲಾಟ್‌ನಲ್ಲಿ ಪ್ರದರ್ಶಿಸಿದ್ದೀರಿ!
---
---
## 🚀ಸವಾಲು
## 🚀ಚಾಲೆಂಜ್
ಈ ಡೇಟಾಸೆಟ್‌ನಿಂದ ಬೇರೆ ಪರಿಮಾಣವನ್ನು ಪ್ಲಾಟ್ ಮಾಡಿರಿ. ಸೂಚನೆ: ಈ ಸಾಲನ್ನು ಸಂಪಾದನೆ ಮಾಡಿರಿ: `X = X[:,2]`. ಈ ಡೇಟಾಸೆಟ್‌ನ ಗುರಿಯೊಂದಿಗೆ, ರೋಗವಾಗಿ ಡಯಾಬಿಟೀಸ್‌ನ ಪ್ರಗತಿಯಿಂದ ನೀವು ಏನು ಪತ್ತೆಹಚ್ಚಬಹುದು?
ಈ ಡೇಟಾಸೆಟ್‌ನ ಬೇರೆ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಪ್ಲಾಟ್ ಮಾಡಿ. ಸೂಚನೆ: ಈ ಪಂಕ್ತಿ ತಿದ್ದುಪಡಿ ಮಾಡಿರಿ: `X = X[:,2]`. ಈ ಡೇಟಾಸೆಟ್ ಗುರಿ ಬಗೆಗಿನ ಮಾಹಿತಿ ನೀಡಿ, ಡಯಾಬಿಟಿಸ್ ಚಿಕಿತ್ಸೆಯ ಪ್ರಗತಿಯ ಬಗ್ಗೆ ನೀವು ಏನನ್ನು ಕಂಡುಹಿಡಿದಿದ್ದೀರಿ?
## [ಪಾಠದ ನಂತರದ ಕ್ವಿಜ್](https://ff-quizzes.netlify.app/en/ml/)
ಈ ಪಾಠದಲ್ಲಿ, ನೀವು ಸರಳ ಲೀನಿಯರ್ ರಿಗ್ರೆಶನ್ ಜೊತೆಗೆ ಕೆಲಸ ಮಾಡಿದ್ದೀರಿ, ಒಂದೂವರೆ ಅಥವಾ ಬಹು ಪರಿಮಾಣ ಲೀನಿಯರ್ ರಿಗ್ರೆಶನ್ ಅಲ್ಲ. ಈ ವಿಧಾನಗಳ ನಡುವೆ ಇರುವ ವ್ಯತ್ಯಾಸಗಳು ಕುರಿತು ಸ್ವಲ್ಪ ಓದಿ, ಅಥವಾ [ಈ ವೀಡಿಯೋವನ್ನು](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) ನೋಡಿರಿ.
ಈ ಪಾಠದಲ್ಲಿ ನೀವು ಸರಳ ಲೀನಿಯರ್ ರೆಗ್ರೆಷನ್ಗೆ worked with simple linear regression, multiple ಅಥವಾ univariate linear regression ಅಲ್ಲ. ಈ ವಿಧಾನಗಳ ನಡುವಿನ ಭೇದಗಳನ್ನು ಓದಿ ಅಥವಾ [ಈ ವೀಡಿಯೊ](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)ಯನ್ನು ನೋಡಿ.
ರಿಗ್ರೆಶನ್ ಸಿದ್ಧಾಂತದ ಬಗ್ಗೆ ಹೆಚ್ಚಾಗಿ ಓದಿ ಮತ್ತು ಈ ತಂತ್ರದಿಂದ ಯಾವುದೇ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರ ಸಾಧ್ಯವೆಂದು ಯೋಚಿಸಿ. ನಿಮ್ಮ ತಿಳಿವಳಿಕೆಯನ್ನು ಗಾಢಗೊಳಿಸಲು ಈ [ಪಾಠದ ಮಾರ್ಗದರ್ಶನವನ್ನು](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) ಅನುಸರಿಸಿ.
ರೆಗ್ರೆಶನ್ ಸಂಧರ್ಭವನ್ನು ಇನ್ನಷ್ಟು చదದಿ ಮತ್ತು ಈ ತಂತ್ರದಿಂದ ಪಕ್ಷೇಪಾತದ ಪ್ರಶ್ನೆಗಳು ಯಾವ ರೀತಿಯವುಗಳನ್ನು ಪರಿಹರಿಸಬಹುದು ಎಂದು ಯೋಚಿಸಿ. ನಿಮ್ಮ ಅರ್ಥವನ್ನು ಗಾಢಗೊಳಿಸಲು ಈ [ಪಾಠಕ್ರಮ](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) ತೆಗೆದುಕೊಳ್ಳಿ.
ಕ್ಲಸ್ಟರಿಂಗ್ ಎಂದರೆ ಒಂದು ಯಂತ್ರ ಅಧ್ಯಯನ ಕಾರ್ಯವಾಗಿದ್ದು, ಅದು ಪರಸ್ಪರ ಹೋಲುವ ವಸ್ತುಗಳನ್ನು ಕಂಡುಹಿಡಿದು ಅವುಗಳನ್ನು ಕ್ಲಸ್ಟರ್‌ಗಳು ಎಂದು ಕರೆಯುವ ಗುಂಪುಗಳಲ್ಲಿ ಸೇರಿಸುವುದು. ಯಂತ್ರ ಅಧ್ಯಯನದ ಇತರ ವಿಧಾನಗಳಿಂದ ಕ್ಲಸ್ಟರಿಂಗ್ ವಿಭಿನ್ನವಾಗಿರುವುದು ಎಂದರೆ, ಇದು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನಡೆಯುತ್ತದೆ, ವಾಸ್ತವದಲ್ಲಿ, ಇದು ಮೇಲ್ವಿಚಾರಿತ ಅಧ್ಯಯನದ ವಿರುದ್ಧವಾಗಿದೆ ಎಂದು ಹೇಳಬಹುದು.
ಗುಂಪು ಬದ್ಧಗೊಳಿಸುವುದು ಒಂದು ಯಂತ್ರ ಅಧ್ಯಯನ ಕಾರ್ಯವಾಗಿದ್ದು, ಅದರಲ್ಲಿ ಪರಸ್ಪರ ಸಾದೃಶ್ಯ ಹೊಂದಿರುವ ವಸ್ತುಗಳನ್ನು ಹುಡುಕಿ ಅವುಗಳನ್ನು ಗುಂಪುಗಳಾಗಿ ಕರೆಯುವ ಗುಂಪುಗಳಲ್ಲಿ ಜೋಡಿಸಲಾಗುತ್ತದೆ. ಯಂತ್ರ ಅಧ್ಯಯನದ ಇತರ ವಿಧಾನಗಳಿಂದ ಗುಂಪು ಬದ್ಧಗೊಳಿಸುವುದನ್ನು ವಿಭಿನ್ನ ಮಾಡುವುದು ಎಂದರೆ ಎಲ್ಲವೂ ಸ್ವಯಂಚಾಲಿತವಾಗಿರುವುದು, ವಾಸ್ತವವಾಗಿ ಇದು ಮೇಲ್ವಿಚಾರಿತ ಅಧ್ಯಯನದ ವಿರುದ್ಧವೆಂದು ಹೇಳಬಹುದು.
## ಪ್ರಾದೇಶಿಕ ವಿಷಯ: ನೈಜೀರಿಯನ್ ಪ್ರೇಕ್ಷಕರ ಸಂಗೀತ ರುಚಿಗೆ ಕ್ಲಸ್ಟರಿಂಗ್ ಮಾದರಿಗಳು 🎧
## ಪ್ರಾದೇಶಿಕ ವಿಷಯ: ನೈಜೀರಿಯನ್ ಪ್ರೇಕ್ಷಕರ ಸಂಗೀತ ಅಭಿರುಚಿಗಳಿಗೆ ಗುಂಪು ಬದ್ಧಗೊಳಿಸುವ ಮಾದರಿಗಳು 🎧
ನೈಜೀರಿಯಾದ ವೈವಿಧ್ಯಮಯ ಪ್ರೇಕ್ಷಕರಿಗೆ ವೈವಿಧ್ಯಮಯ ಸಂಗೀತ ರುಚಿಗಳು ಇವೆ. Spotify ನಿಂದ ಸ್ಕ್ರೇಪ್ ಮಾಡಲಾದ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡು ([ಈ ಲೇಖನದಿಂದ ಪ್ರೇರಿತ](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), ನೈಜೀರಿಯಾದಲ್ಲಿ ಜನಪ್ರಿಯವಾಗಿರುವ ಕೆಲವು ಸಂಗೀತಗಳನ್ನು ನೋಡೋಣ. ಈ ಡೇಟಾಸೆಟ್ ವಿವಿಧ ಹಾಡುಗಳ 'ನೃತ್ಯ ಸಾಮರ್ಥ್ಯ' ಅಂಕ, 'ಅಕೌಸ್ಟಿಕ್‌ನೆಸ್', ಶಬ್ದದ ತೀವ್ರತೆ, 'ಸ್ಪೀಚಿನೆಸ್', ಜನಪ್ರಿಯತೆ ಮತ್ತು ಶಕ್ತಿ ಬಗ್ಗೆ ಡೇಟಾವನ್ನು ಒಳಗೊಂಡಿದೆ. ಈ ಡೇಟಾದಲ್ಲಿ ಮಾದರಿಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವುದು ಆಸಕ್ತಿದಾಯಕವಾಗಿರುತ್ತದೆ!
ನೈಜೀಮರಿಯ ವೈವಿಧ್ಯಮಯ ಪ್ರೇಕ್ಷಕರು ವೈವಿಧ್ಯಮಯ ಸಂಗೀತ ಅಭಿರುಚಿಗಳನ್ನು ಹೊಂದಿದ್ದಾರೆ. Spotify ರಿಂದ ಸ್ಕ್ರಾಪ್ ಮಾಡಿದ ಡೇಟಾವನ್ನು ಬಳಸಿ ([ಈ ಲೇಖನದಿಂದ ಪ್ರేరಿತ](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), ನೈಜೀರಿಯಾದಲ್ಲಿ ಜನಪ್ರಿಯವಾಗಿರುವ ಕೆಲವು ಸಂಗೀತಗಳನ್ನು ನೋಡೋಣ. ಈ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿಯೂ ವಿವಿಧ ಹಾಡೆಗಳ 'ನೃತ್ಯ ಮಾಡಬಹುದಾದ' ಸ್ಕೋರ್, 'ಆಕೂಸ್ಟಿಕ್'ತೆ, ಗರಗು, 'ಮಾತುಕತೆ', ಜನಪ್ರಿಯತೆ ಮತ್ತು 에너지 ಕುರಿತು ಮಾಹಿತಿ ಇದೆ. ಈ ಡೇಟಾದಲ್ಲಿನ ಮಾದರಿಗಳನ್ನು ಹುಡುಕುವುದು ಆಕರ್ಷಕವಾಗಿರುತ್ತದೆ!
> ಫೋಟೋ <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">ಮಾರ್ಸೆಲಾ ಲಾಸ್ಕೋಸ್ಕಿ</a> ಅವರಿಂದ<ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">ಅನ್ಸ್ಪ್ಲ್ಯಾಶ್</a> ನಲ್ಲಿ
> <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">ಮಾರ್ಸೆಲಾ ಲಾಸ್ಕೋಸ್ಕಿ</a> ಅವರ <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">ಅನ್ಸ್ಪ್ಲ್ಯಾಶ್</a> ನಲ್ಲಿ ತೆಗೆದ ಚಿತ್ರ
ಈ ಪಾಠ ಸರಣಿಯಲ್ಲಿ, ನೀವು ಕ್ಲಸ್ಟರಿಂಗ್ ತಂತ್ರಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಹೊಸ ಮಾರ್ಗಗಳನ್ನು ಕಂಡುಹಿಡಿಯುತ್ತೀರಿ. ನಿಮ್ಮ ಡೇಟಾಸೆಟ್‌ಗೆ ಲೇಬಲ್ಗಳು ಇಲ್ಲದಿದ್ದಾಗ ಕ್ಲಸ್ಟರಿಂಗ್ ವಿಶೇಷವಾಗಿ ಉಪಯುಕ್ತವಾಗಿದೆ. ಲೇಬಲ್ಗಳು ಇದ್ದರೆ, ನೀವು ಹಿಂದಿನ ಪಾಠಗಳಲ್ಲಿ ಕಲಿತ ವರ್ಗೀಕರಣ ತಂತ್ರಗಳು ಹೆಚ್ಚು ಉಪಯುಕ್ತವಾಗಬಹುದು. ಆದರೆ ಲೇಬಲ್ಗಳಿಲ್ಲದ ಡೇಟಾವನ್ನು ಗುಂಪುಮಾಡಲು ನೀವು ನೋಡುತ್ತಿರುವಾಗ, ಕ್ಲಸ್ಟರಿಂಗ್ ಮಾದರಿಗಳು ಮಾದರಿಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ಉತ್ತಮ ಮಾರ್ಗವಾಗಿದೆ.
ಈ ಪಾಠ ಸರಣಿಯಲ್ಲಿ, ನೀವು ಗುಂಪು ಬದ್ಧಗೊಳಿಸುವ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಹೊಸ ವಿಧಾನಗಳನ್ನು ಕಂಡುಹಿಡಿಯುತ್ತೀರಿ. ನಿಮ್ಮ ಡೇಟಾ ಸೆಟ್ ಲೇಬಲ್‌ಗಳನ್ನು ಹೊಂದದಿದ್ದಾಗ ಗುಂಪು ಬದ್ಧಗೊಳಿಸುವುದು ವಿಶೇಷವಾಗಿ ಉಪಯುಕ್ತವಾಗಿದೆ. ಅದರಲ್ಲಿ ಲೇಬಲ್‌ಗಳಿದ್ದರೆ, ನೀವು ಹಿಂದೆ ಕಲಿತ ವರ್ಗೀಕರಣ ತಂತ್ರಜ್ಞಾನಗಳು ಹೆಚ್ಚು ಉಪಯುಕ್ತವಾಗಬಹುದು. ಆದರೆ ಲೇಬಲ್ ಇಲ್ಲದ ಡೇಟಾವನ್ನು ಗುಂಪು ಮಾಡಲು ನೀವು ಪ್ರಯತ್ನಿಸುವ ಸಂದರ್ಭದಲ್ಲಿ, ಗುಂಪು ಬದ್ಧಗೊಳಿಸುವುದು ಮಾದರಿಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ಉತ್ತಮ ಮಾರ್ಗವಾಗಿದೆ.
> ಕ್ಲಸ್ಟರಿಂಗ್ ಮಾದರಿಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವುದನ್ನು ಕಲಿಯಲು ಸಹಾಯ ಮಾಡುವ ಕಡಿಮೆ-ಕೋಡ್ ಉಪಕರಣಗಳು ಲಭ್ಯವಿವೆ. ಈ ಕಾರ್ಯಕ್ಕಾಗಿ [Azure ML ಅನ್ನು ಪ್ರಯತ್ನಿಸಿ](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
> ನಿಮಗೆ ಉಪಯುಕ್ತ ಕಡಿಮೆ-ಕೋಡ್ ಸಾಧನಗಳು ಇದ್ದು, ಅವುಗಳ ಮೂಲಕ ನೀವು ಗುಂಪು ಬದ್ಧಗೊಳಿಸುವ ಮಾದರಿಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವುದನ್ನು ಕಲಿಯಬಹುದು. ಈ ಕಾರ್ಯಕ್ಕೆ [Azure ML ಅನ್ನು ಪ್ರಯತ್ನಿಸಿ](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
2. [ಕೆ-ಮೀನ್ಸ್ ಗುಂಪು ಬದ್ಧಗೊಳಿಸುವಿಕೆ](2-K-Means/README.md)
## ಕ್ರೆಡಿಟ್ಸ್
## ಕ್ರೆಡಿಟ್‌ಗಳು
ಈ ಪಾಠಗಳನ್ನು 🎶 [ಜೆನ್ ಲೂಪರ್](https://www.twitter.com/jenlooper) ರವರು ಬರೆದಿದ್ದು, [ರಿಶಿತ್ ದಾಗ್ಲಿ](https://rishit_dagli) ಮತ್ತು [ಮುಹಮ್ಮದ್ ಸಕಿಬ್ ಖಾನ್ ಇನಾನ್](https://twitter.com/Sakibinan) ರವರ ಸಹಾಯಕ ವಿಮರ್ಶೆಗಳೊಂದಿಗೆ.
ಈ ಪಾಠಗಳನ್ನು 🎶 [ಜೆನ್ ಲೂಪರ್](https://www.twitter.com/jenlooper) ರವರು ರಚಿಸಿದ್ದರು, ಸಹಾಯಕ ವಿಮರ್ಶೆಗಳನ್ನು [ರಿಷಿತ್ ಡಾಗ್ಲಿ](https://rishit_dagli/) ಮತ್ತು [ಮುಹಮ್ಮದ್ ಸಾಕಿಬ್ ಖಾನ್ ಇನಾನ್](https://twitter.com/Sakibinan) ರವರು ನೀಡಿದ್ದಾರೆ.
[ನೈಜೀರಿಯನ್ ಹಾಡುಗಳು](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) ಡೇಟಾಸೆಟ್ Spotify ನಿಂದ ಸ್ಕ್ರೇಪ್ ಮಾಡಲಾಗಿ Kaggle ನಿಂದ ಪಡೆದಿದೆ.
[ನೈಜೀರಿಯನ್ ಹಾಡುಗಳು](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) ಡೇಟಾಸೆಟ್ ಸ್ಪೋಟಿಫೈ ಮೀಸಲಾಗಿಸಿಕೊಂಡ Kaggle ನಿಂದ ದೊರೆತಿದೆ.
ಈ ಪಾಠವನ್ನು ರಚಿಸಲು ಸಹಾಯ ಮಾಡಿದ ಉಪಯುಕ್ತ ಕೆ-ಮೀನ್ಸ್ ಉದಾಹರಣೆಗಳಲ್ಲಿ ಈ [ಐರಿಸ್ ಅನ್ವೇಷಣೆ](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), ಈ [ಪರಿಚಯಾತ್ಮಕ ನೋಟ್ಬುಕ್](https://www.kaggle.com/prashant111/k-means-clustering-with-python), ಮತ್ತು ಈ [ಕಲ್ಪನಾತ್ಮಕ NGO ಉದಾಹರಣೆ](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering) ಸೇರಿವೆ.
ಈ ಪಾಠವನ್ನು ರಚಿಸುವಲ್ಲಿ ಸಹಾಯ ಮಾಡಿದ ಉಪಯುಕ್ತ ಕೆ-ಮೀನ್ಸ್ ಉದಾಹರಣೆಗಳು ಇವುಗಳು: [ಐರಿಸ್ ಅನ್ವೇಷಣೆ](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), [ಪರಿಚಯಾತ್ಮಕ ನೋಟ್ಬುಕ್](https://www.kaggle.com/prashant111/k-means-clustering-with-python), ಮತ್ತು [ಕಲ್ಪಿತ ಎನ್‌ಜಿಒ ಉದಾಹರಣೆ](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
---
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**ಅಸ್ವೀಕರಣ**:
**ಅಸ್ವೀಕಾರ**:
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ದಯವಿಟ್ಟು ಗಮನಿಸಿ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸಡ್ಡೆಗಳು ಇರಬಹುದು. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜು ಪ್ರಾಮಾಣಿಕ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದವನ್ನು ಬಳಸುವ ಮೂಲಕ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಗಳ ಅಥವಾ ತಪ್ಪು ವ್ಯಾಖ್ಯಾನಗಳ ಬಗ್ಗೆ ನಾವು ಹೊಣೆಗಾರರಲ್ಲ.
ಕಾಲ ಸರಣಿಯ ಭವಿಷ್ಯವಾಣಿ ಎಂದರೆ ಏನು? ಇದು ಭೂತಕಾಲದ ಪ್ರವೃತ್ತಿಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಿ ಭವಿಷ್ಯದ ಘಟನೆಗಳನ್ನು ಊಹಿಸುವುದಾಗಿದೆ.
ಕಾಲಕ್ರಮಾನುಬಂಧ ಭವಿಷ್ಯವಾಣಿ ಎಂದರೇನು? ಇದು ಹಳೆಯ ಕಾಲದ ಧೋರಣೆಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಿ ಭವಿಷ್ಯದ ಘಟನೆಗಳನ್ನು ನುಡಿವುದಾಗಿದೆ.
## ಪ್ರಾದೇಶಿಕ ವಿಷಯ: ವಿಶ್ವದ ವಿದ್ಯುತ್ ಬಳಕೆ ✨
## ಪ್ರಾಂತೀಯ ವಿಷಯ: ವಿಶ್ವದ ವಿದ್ಯುತ್ ಬಳಕೆ ✨
ಈ ಎರಡು ಪಾಠಗಳಲ್ಲಿ, ನೀವು ಕಾಲ ಸರಣಿಯ ಭವಿಷ್ಯವಾಣಿಗೆ ಪರಿಚಿತರಾಗುತ್ತೀರಿ, ಇದು ಯಂತ್ರ ಅಧ್ಯಯನದ ಒಂದು ಸ್ವಲ್ಪ ಕಡಿಮೆ ಪರಿಚಿತ ಕ್ಷೇತ್ರವಾಗಿದ್ದು, ಕೈಗಾರಿಕೆ ಮತ್ತು ವ್ಯವಹಾರ ಅನ್ವಯಿಕೆಗಳ ಸೇರಿದಂತೆ ಇತರ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಅತ್ಯಂತ ಮೌಲ್ಯವಂತವಾಗಿದೆ. ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳನ್ನು ಈ ಮಾದರಿಗಳ ಉಪಯುಕ್ತತೆಯನ್ನು ಹೆಚ್ಚಿಸಲು ಬಳಸಬಹುದು, ಆದರೆ ನಾವು ಇವುಗಳನ್ನು ಶ್ರೇಣೀಕೃತ ಯಂತ್ರ ಅಧ್ಯಯನದ ಸಂದರ್ಭದಲ್ಲಿ ಅಧ್ಯಯನ ಮಾಡುತ್ತೇವೆ ಏಕೆಂದರೆ ಮಾದರಿಗಳು ಭೂತಕಾಲದ ಆಧಾರದ ಮೇಲೆ ಭವಿಷ್ಯದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಊಹಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ.
ಈ ಎರಡು ಪಾಠಗಳಲ್ಲಿ, ನೀವು ಕಾಲಕ್ರಮಾನುಬಂಧ ಭವಿಷ್ಯವಾಣಿಗೆ ಪರಿಚಿತರಾಗುತ್ತೀರಿ, ಇದು ಯಂತ್ರಬುದ್ಧಿಮತ್ತೆಯು ಒಂದು ಒಳಗೊಳ್ಳಲಾದ, ಆದರೆ ಕೈಗಾರಿಕೆ ಮತ್ತು ವ್ಯವಹಾರ ಅನ್ವಯಗಳಿಗೆ ಅತ್ಯಂತ ಮೌಲ್ಯಯುತವಾದ ಕ್ಷೇತ್ರಗಳಲ್ಲಿಒಂದು. ನಿಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು ಈ ಮಾದರಿಗಳ ಉಪಯೋಗಿತೆಯನ್ನು ಹೆಚ್ಚಿಸಲು ಉಪಯೋಗಿಸಬಹುದು, ನಾವು ಅವುಗಳನ್ನು ಶೈಕ್ಷಣಿಕ ಯಂತ್ರಬುದ್ಧಿಮತ್ತೆಯುಳಗಿನ ಸಾಂಪ್ರದಾಯಿಕ ಮಾದರಿಗಳ ಸನ್ನಿವೇಶಗಳಲ್ಲಿ ಅಧ್ಯಯನ ಮಾಡುತ್ತೇವೆ, ಏಕೆಂದರೆ ಈ ಮಾದರಿಗಳು ಹಳೆಯಾದ ಅವಧಿಯ ಆಧಾರದ ಮೇಲೆ ಭವಿಷ್ಯದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಊಹಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ.
ನಮ್ಮ ಪ್ರಾದೇಶಿಕ ಗಮನವು ವಿಶ್ವದ ವಿದ್ಯುತ್ ಬಳಕೆಯ ಮೇಲೆ ಇದೆ, ಇದು ಭೂತಕಾಲದ ಲೋಡ್ ಮಾದರಿಗಳ ಆಧಾರದ ಮೇಲೆ ಭವಿಷ್ಯದ ವಿದ್ಯುತ್ ಬಳಕೆಯನ್ನು ಊಹಿಸುವುದನ್ನು ಕಲಿಯಲು ಆಸಕ್ತಿದಾಯಕ ಡೇಟಾಸೆಟ್ ಆಗಿದೆ. ಈ ರೀತಿಯ ಭವಿಷ್ಯವಾಣಿ ವ್ಯವಹಾರ ಪರಿಸರದಲ್ಲಿ ಅತ್ಯಂತ ಸಹಾಯಕವಾಗಬಹುದು ಎಂದು ನೀವು ನೋಡಬಹುದು.
ನಮ್ಮ ಪ್ರಾಂತೀಯ ಗಮನವು ವಿಶ್ವದ ವಿದ್ಯುತ್ ಬಳಕೆಯ ಮೇಲೆ ಇದೆ, ಹಳೆಯ ಲೋಡ್ ಮಾದರಿಗಳ ಆಧಾರದ ಮೇಲೆ ಭವಿಷ್ಯದ ವಿದ್ಯುತ್ ಬಳಕೆಯನ್ನು ಊಹಿಸಲು ಕಲಿಯಲು ರೋಚಕವಾದ ಡೇಟಾಸೆಟ್. ಈ ರೀತಿಯ ಭವಿಷ್ಯವಾಣಿ ಹೇಗೆ ವ್ಯವಹಾರ ಪರಿಸರದಲ್ಲಿ ಅತ್ಯಂತ ಸಹಾಯಕವಾಗಬಹುದು ಎಂದು ನೀವು ನೋಡಬಹುದು.
ರಾಜಸ್ಥಾನದಲ್ಲಿ ರಸ್ತೆಯ ಮೇಲೆ ವಿದ್ಯುತ್ ಕಂಬಗಳ ಫೋಟೋವನ್ನು [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) ಅವರು [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) ನಲ್ಲಿ ತೆಗೆದಿದ್ದಾರೆ
[Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) ರವರು ರಾಜ್ಯಸ್ಥಾನದ ರಸ್ತೆಯೊಂದರಲ್ಲಿ ವಿದ್ಯುತ್ ಟವರ್‌ಗಳ ಫೋಟೋ [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) ನಿಂದ
## ಪಾಠಗಳು
## ಪಾಠಗಳು
1. [ಕಾಲ ಸರಣಿಯ ಭವಿಷ್ಯವಾಣಿಗೆ ಪರಿಚಯ](1-Introduction/README.md)
2. [ARIMA ಕಾಲ ಸರಣಿ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸುವುದು](2-ARIMA/README.md)
2. [ARIMA ಕಾಲಕ್ರಮಾನುಬಂಧ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸುವುದು](2-ARIMA/README.md)
3. [ಕಾಲ ಸರಣಿ ಭವಿಷ್ಯವಾಣಿಗೆ Support Vector Regressor ನಿರ್ಮಿಸುವುದು](3-SVR/README.md)
3. [ಕಾಲಕ್ರಮಾನುಬಂಧ ಭವಿಷ್ಯವಾಣಿಗೆ ಬೆಂಬಲ ವೆಕ್ಟರ್ ರೆಗ್ರೆಸರ್ ನಿರ್ಮಿಸುವುದು](3-SVR/README.md)
## ಕ್ರೆಡಿಟ್ಸ್
## ಕ್ರೆಡಿಟ್‌ಗಳು
"ಕಾಲ ಸರಣಿಯ ಭವಿಷ್ಯವಾಣಿ ಪರಿಚಯ" ಅನ್ನು ⚡️ [Francesca Lazzeri](https://twitter.com/frlazzeri) ಮತ್ತು [Jen Looper](https://twitter.com/jenlooper) ರವರು ಬರೆಯಲಾಗಿದೆ. ಈ ನೋಟ್ಬುಕ್ಗಳು ಮೊದಲು ಆನ್ಲೈನ್‌ನಲ್ಲಿ [Azure "Deep Learning For Time Series" ರೆಪೊ](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) ನಲ್ಲಿ ಪ್ರಕಟವಾಗಿದ್ದು, ಮೂಲತಃ Francesca Lazzeri ಅವರು ಬರೆದಿದ್ದಾರೆ. SVR ಪಾಠವನ್ನು [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) ಅವರು ಬರೆದಿದ್ದಾರೆ.
"ಕಾಲಕ್ರಮಾನುಬಂಧ ಭವಿಷ್ಯವಾಣಿ ಪರಿಚಯ" ಅನ್ನು ⚡️ ಮೂಲಕ [Francesca Lazzeri](https://twitter.com/frlazzeri) ಮತ್ತು [Jen Looper](https://twitter.com/jenlooper) ಬರೆಯಲಾಗಿದೆ. ಈ ನೋಟ್ಬುಕ್ಗಳು ಮೊದಲನೆಯದಾಗಿ [Azure "Deep Learning For Time Series" repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) ನಲ್ಲಿ ಆನ್ಲೈನ್‌ನಲ್ಲಿ ಪ್ರಥಮವಾಗಿ ಪ್ರಾದರ್ಶನಗೊಂಡುವು, ಇದು ಮೂಲತಃ Francesca Lazzeri ಅವರ ಬರೆಹ. SVR ಪಾಠವನ್ನು [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) ಬರೆದಿದ್ದಾರೆ.
---
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**ಅಸ್ವೀಕರಣ**:
**ಅಸ್ವೀಕಾರ**:
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ದಯವಿಟ್ಟು ಗಮನಿಸಿ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸಡ್ಡೆಗಳು ಇರಬಹುದು. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜು ಪ್ರಾಮಾಣಿಕ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದವನ್ನು ಬಳಸುವ ಮೂಲಕ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಗಳ ಅಥವಾ ತಪ್ಪು ವ್ಯಾಖ್ಯಾನಗಳ ಬಗ್ಗೆ ನಾವು ಹೊಣೆಗಾರರಲ್ಲ.
ನಾವು ಡಿಸ್ಕಾರ್ಡ್ ನಲ್ಲಿ AI ಸರಣಿಯನ್ನು ನಡೆಸುತ್ತಿದ್ದೇವೆ, ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ ಮತ್ತು ಸೇರಲು [Learn with AI Series](https://aka.ms/learnwithai/discord) ಭೇಟಿನೀಡಿ, 2025 ಸೆಪ್ಟೆಂಬರ್ 18 - 30. ನೀವು GitHub Copilot ನ ಉಪಯೋಗಿಸುವ ಟಿಪ್‌ಗಳು ಮತ್ತು ಟ್ರಿಕ್‌ಗಳನ್ನು ಪಡೆಯುತ್ತೀರಿ.
ನಮ್ಮ ಬಳಿ ಡಿಸ್ಕಾರ್ಡ್ "AI ಜೊತೆ ಕಲಿಯಿರಿ" ಸರಣಿಯಿದ್ದು, 2025 ಸೆಪ್ಟೆಂಬರ್ 18 ರಿಂದ 30 ರವರೆಗೆ ನೀವು [Learn with AI Series](https://aka.ms/learnwithai/discord) ನಲ್ಲಿ ಹೆಚ್ಚಿನ ವಿವರಗಳನ್ನು ತಿಳಿದುಕೊಳ್ಳಬಹುದು ಮತ್ತು ಭಾಗವಹಿಸಬಹುದು. ನೀವು GitHub Copilot ಅನ್ನು ಡೇಟಾ ವಿಜ್ಞಾನಕ್ಕಾಗಿ ಬಳಸದಾಯಿಸಲಾಗಿದೆ ಸುಲಭವಾಗಿ ಉಪಯೋಗಿಸುವ ಸಲಹೆಗಳು ಮತ್ತು ಟಿಪ್ಸ್ಗಳನ್ನು ಪಡೆಯುತ್ತೀರಿ.
# ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಫಾರ್ ಬಿಗಿನರ್ಸ್ - ಒಂದು ಪಠ್ಯಕ್ರಮ
# ಪ್ರಾರಂಭಿಕರಿಗಾಗಿ ಯಂತ್ರ ಕಲಿಕೆ - ಪಠ್ಯಕ್ರಮ
> 🌍 ಜಗತ್ತಿನ ಸಂಸ್ಕøತಿಗಳ ಮೂಲಕ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಅನ್ನು ಅನ್ವೇಷಿಸುತ್ತಾ ಲೋಕ ಯಾತ್ರೆ 🌍
> 🌍 ಜಗತ್ತಿನ ಸಂಸ್ಕೃತಿಗಳ ಮೂಲಕ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಅನ್ವೇಷಿಸುವ ವಿಶ್ವ ಪ್ರವಾಸ 🌍
Microsoft ನ Cloud Advocates ತಂಡವು 12 ವಾರಗಳ, 26 ಪಾಠಗಳ ಪಠ್ಯಕ್ರಮವನ್ನು ನಿಮಗೆ ಹಂಚಲು ಸಂತೋಷವಾಗಿದೆ, ಇದು **ಮೆಷಿನ್ ಲರ್ನಿಂಗ್** ಕುರಿತು ಇರುತ್ತದೆ. ಈ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ನೀವು ಕೆಲವೊಮ್ಮೆ **ಶ್ರೇಣಿಗತ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್** ಎಂದು ಪರಿಗಣಿಸುವ ವಿಷಯಗಳನ್ನು ಮುಖ್ಯವಾಗಿ Scikit-learn ಗ್ರಂಥಾಲಯವನ್ನು ಬಳಸಿಕೊಂಡು ಕಲಿಯುವುದಾದರೂ, ಡೀಪ್ ಲರ್ನಿಂಗ್ ಅನ್ನು ತಪ್ಪಿಸಲಾಗಿದೆ, ಅದನ್ನು ನಮ್ಮ [AI for Beginners' curriculum](https://aka.ms/ai4beginners) ನಲ್ಲಿ ಒಳಗೊಂಡಿದೆ. ಈ ಪಾಠಗಳ ಜೊತೆ ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) ಕೂಡ ಜೋಡಿಸಿ ಕಲಿಯಬಹುದು!
ಮೈಕ್ರೋಸಾಫ್ಟ್‌ನ ಕ್ಲೌಡ್ ಅಡ್ವೊಕೇಟ್ಸ್ 12 ವಾರಗಳ, 26 ಪಾಠಗಳ ಪಠ್ಯಕ್ರಮವನ್ನು “ಯಂತ್ರ ಕಲಿಕೆ” ಬಗ್ಗೆ ಸಂತೋಷದಿಂದ ನೀಡುತ್ತಿದ್ದಾರೆ. ಈ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ, ನೀವು ಸಾಮಾನ್ಯವಾಗಿ "ಶಾಸ್ತ್ರೀಯ ಯಂತ್ರ ಕಲಿಕೆ" ಎಂದು ಕರೆಯುವ Scikit-learn ಗ್ರಂಥಾಲಯದ ಉಪಯೋಗದ ಮೂಲಕ ಕಲಿಯುವಿರಿ ಮತ್ತು ಆಳವಾದ ಕಲಿಕೆಯನ್ನು ತಪ್ಪಿಸಿಕೊಂಡಿರುತ್ತೀರಿ, ಅದನ್ನು ನಮ್ಮ [ಪ್ರಾರಂಭಿಕರಿಗಾಗಿ AI ಪಠ್ಯಕ್ರಮ](https://aka.ms/ai4beginners) ನಲ್ಲಿ ಒಳಗೊಂಡಿದೆ. ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ನಮ್ಮ ['ಪ್ರಾರಂಭಿಕರಿಗಾಗಿ ಡೇಟಾ ವಿಜ್ಞಾನ' ಪಠ್ಯಕ್ರಮ](https://aka.ms/ds4beginners) ಜೊತೆಗೆ ಜೋಡಿಸಬಹುದು.
ಜಗತ್ತಿನ ವಿವಿಧ ಭಾಗಗಳ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡು ಈ ಶ್ರೇಣಿಗತ ತಂತ್ರಗಳನ್ನು ಅನ್ವಯಿಸುವಂತೆ ನಮ್ಮೊಡನೆ ಪ್ರಪಂಚಭ್ರಮಣ ಮಾಡಿ. ಪ್ರತಿ ಪಾಠದಲ್ಲಿ ಮುಂಚಿತ ಮತ್ತು ನಂತರದ ಕ್ವಿಜ್‌ಗಳು, ಬರಹ ರೂಪದಲ್ಲಿ ಪಾಠ ಪೂರ್ಣಗೊಳ್ಳುವುದಕ್ಕೆ ನಿರ್ದೇಶನ, ಪರಿಹಾರ, ನಿಯೋಜನೆ ಮತ್ತು ಇನ್ನಷ್ಟು ಒಳಗೊಂಡಿದೆ. ನಮ್ಮ ಪ್ರಾಜೆಕ್ಟ್ ಆಧಾರಿತ ಶಿಕ್ಷಣ ಕ್ರಮವು ನೀವು ನಿರ್ಮಿಸುತ್ತಾ ಕಲಿಯಲು ಅವಕಾಶ ನೀಡುತ್ತದೆ, ಇದು ಹೊಸ ಕೌಶಲ್ಯಗಳನ್ನು ನಿಶ್ಚಿತವಾಗಿ ನೆನೆಸಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
ಜಗತ್ತಿನ ವಿವಿಧ ಪ್ರದೇಶಗಳ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡು ಈ ಶಾಸ್ತ್ರೀಯ ತಂತ್ರಗಳನ್ನು ಅನ್ವಯಿಸುವಂತೆ ನಮಗೊಡಿಸಿ ಪ್ರವಾಸ ಮಾಡಿರಿ. ಪ್ರತಿ ಪಾಠವು ಪೂರ್ವ ಮತ್ತು ನಂತರದ ಪ್ರಶ್ನೋತ್ತರಗಳನ್ನು, ಪಾಠ ಪೂರ್ಣಗೊಳ್ಳಲು ಹತ್ತಿರದ ಬರಹವನ್ನು, ಒಂದೊಂದು ಪರಿಹಾರವನ್ನು, ಒಂದು ಕಾರ್ಯವನ್ನು ಮತ್ತು ಇನ್ನಿತರವನ್ನು ಒಳಗೊಂಡಿದೆ. ನಮ್ಮ ಯೋಜನೆ ಆಧಾರಿತ ಶಿಕ್ಷಣ ಪದ್ಧತಿ ನಿಮ್ಮ ಕಲಿಕೆಯನ್ನು ನಿರ್ಮಿಸುತ್ತಾ ಕಲಿಯಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಇದು ಹೊಸ ಕೌಶಲ್ಯಗಳನ್ನು ಕಲಿತುಕೊಳ್ಳಲು ಸುದ್ಧ ಹೇಳಿಕೆಯಾಗಿದೆ.
**✍️ ನಮ್ಮ ಲೇಖಕರಿಗೆ ಹೃತ್ಪೂರ್ವಕ ಧನ್ಯವಾದಗಳು** ಜೆನ್ ಲೂಪರ್, ಸ್ಟೀಫನ್ ಹಾವೆಲ್, ಫ್ರಾನ್ಸೆಸ್ಕಾ ಲಾಜ್ಜೇರಿ, ಟೊಮೊಮಿ ಇಮುರಾ, ಕ್ಯಾಸ್‌ಸಿ ಬ್ರೆವಿಯು, ದಿಮಿತ್ರಿ ಸೋಷ್ನಿಕೋವ್, ಕ್ರಿಸ್ ನೋರಿಂಗ್, ಅನಿರ್ಬಾನ್ ಮುಖರ್ಜೀ, ಔರ್ನೆಲ್ಲಾ ಆಲ್ಟುನ್ಯಾನ್, ರೂತ್ ಯಾಕುಬು ಮತ್ತು ಏಮಿ ಬಾಯ್ಡ್
**✍️ ನಮ್ಮ ಲೇಖಕರಿಗೆ ಹೃದಯದಿಂದ ಧನ್ಯವಾದಗಳು** ಜೆನ್ ಲೂಪರ್, ಸ್ಟೀಫನ್ ಹೌವೆಲ್, ಫ್ರಾನ್ಸೆಸ್ಕಾ ಲಾಜ್ಜೇರಿ, ತೊಮೊಮಿ ಇಮುರು, ಕ್ಯಾಸಿ ಬ್ರೆವಿಯೂ, ದ್ಮಿತ್ರಿ ಸೋಶ್ನಿಕೊವ್, ಕ್ರಿಸ್ ನೋರಿಂಗ್, ಅನಿರ್ಬಾನ್ ಮುಖರ್ಜಿ, ಓರ್ನೆಲ್ಲಾ ಅಲ್ಟುನಿಯನ್, ರೂತ್ ಯಾಕುಬು ಮತ್ತು ಎಮಿ ಬಾಯ್ಡ್
**🎨 ಚಿತ್ರಕರಿಗೆ ಧನ್ಯವಾದಗಳು** ಟೊಮೊಮಿ ಇಮುರಾ, ದಾಸಾಣಿ ಮಡಿಪಳ್ಳ, ಮತ್ತು ಜೆನ್ ಲೂಪರ್
**🎨 ನಮ್ಮ ಚಿತ್ರಕಾರರಿಗೆ ಸಹ ಧನ್ಯವಾದಗಳು** ತೊಮೊಮಿ ಇಮುರು, ದಾಸಾನಿ ಮಡಿಪಳ್ಳಿ ಮತ್ತು ಜೆನ್ ಲೂಪರ್
**🙏 ವಿಶೇಷ ಧನ್ಯವಾದಗಳು 🙏 Microsoft Student Ambassador ಲೇಖಕರು, ವಿಮರ್ಶಕರು ಮತ್ತು ವಿಷಯ ಸಹಾಯಕರಿಗೆ**, ವಿಶೇಷವಾಗಿ ರಿಷಿತ್ ಡಾಗ್ಲಿ, ಮೊಹಮದ್ ಸಾಕಿಬ್ ಖಾನ್ ಇನಾನ್, ರೋಹನ್ ರಾಜ್, ಅಲೆಕ್ಸಾಂಡರೂ ಪೆಟ್ರೆಸ್ಕು, ಅಭಿಷೇಕ್ ಜೈಸ್ವಾಲ್, ನವರೀನ್ ತಬಸ್ಸುಮ್, ಇಒಅನ್ ಸಮ್ಯೂಲಾ, ಮತ್ತು ಸ್ನಿಗ್ಧಾ ಅಗರ್ವಾಲ್
**🙏 ವಿಶೇಷ ಧನ್ಯವಾದಗಳು 🙏 ನಮ್ಮ ಮೈಕ್ರೋಸಾಫ್ಟ್ ವಿದ್ಯಾರ್ಥಿ ರಾಯಭಾರು ಲೇಖಕರು, ವಿಮರ್ಶಕರು, ಮತ್ತು বিষয়ವಸ್ತು ಕೊಡುಗೈದವರು**, ವಿಶೇಷವಾಗಿ ರಿಷಿತ್ ದಾಗ್ಲಿ, ಮುಹಮ್ಮದ್ ಸಾಕಿಬ್ ಖಾನ್ ಇನಾನ್, ರೋಹನ್ ರಾಜ್, ಅಲೆಕ್ಸಾಂಡ್ರು ಪೆತ್ರೆಸ್ಕು, ಅಭಿಷೇಕ್ ಜೈಸ್ವಾಲ್, ನವ್ರಿನ್ ತಬಸ್ಸುಂ, ಐಯಾನ್ ಸಮುಇಲಾ, ಮತ್ತು ಸ್ನಿಗ್ಧಾ ಅಗರ್ವಾಲ್
**🤩 ಹೆಚ್ಚುವರಿ ಕೃತಜ್ಞತೆ Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, ಮತ್ತು Vidushi Gupta ನಮಗೆ R ಪಾಠಗಳಿಗಾಗಿ!**
**🤩 R ಪಾಠಗಳಿಗಾಗಿ ನಮ್ಮ ಮೈಕ್ರೋಸಾಫ್ಟ್ ವಿದ್ಯಾರ್ಥಿ ರಾಯಭಾರುಗಳ ಎರಿಕ್ ವಾಂಜೌ, ಜಸಲೀನ್ ಸೋಂಧಿ, ಮತ್ತು ವಿಡುಶಿ ಗುಪ್ತಾಗೆ ವಿಶೇಷ ಧನ್ಯವಾದಗಳು!**
# ಪ್ರಾರಂಭಿಸುವುದು
# ಪ್ರಾರಂಭಿಸುವುದು
ಈ ಹಂತಗಳನ್ನು ಅನುಸರಿಸಿ:
ಈ ಹಂತಗಳನ್ನು ಅನುಸರಿಸಿ:
1. **ರೆಪೊ ಫೋರ್ಕ್ ಮಾಡಿ**: ಈ ಪುಟದ ಮೇಲೆ-ಬಲಭಾಗದಲ್ಲಿರುವ "Fork" ಬಟನ್ಗೆ ಕ್ಲಿಕ್ ಮಾಡಿ.
1. **ಸಂಗ್ರಹವನ್ನು ಫೋರ್ಕ್ ಮಾಡಿ**: ಈ ಪುಟದ ಮೇಲ್ಭಾಗದ ಬಲಕಂಡಿಯಲ್ಲಿ "Fork" ಬಟನ್ ಮೇಲೆ ಕ್ಲಿಕ್ ಮಾಡಿ.
> [ಈ ಕೋರ್ಸ್ ಗೆ ಸಂಬಂಧಿಸಿದ ಎಲ್ಲಾ ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಮ್ಮ Microsoft Learn ಸಂಗ್ರಹದಲ್ಲಿ ಹುಡುಕಿ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 💡 **ತ್ವರಿತ ಪ್ರಾರಂಭ ಸಲಹೆ:** ಸ್ಥಳೀಯವಾಗಿ ಪೈಥಾನ್ ಅನ್ನು ಸೆಟ್ ಅಪ್ ಮಾಡದೆ ಬ್ರೌಸರ್‌ನಲ್ಲಿ ಪ್ರಾರಂಭಿಸಲು ಬಯಸುವಿರಾ? ನಿಮ್ಮ ಫೋರ್ಕ್‌ಗೆ ಕ್ಲೌಡ್ ಡೆವೆಲಪ್ಮೆಂಟ್ ಪರಿಸರವನ್ನು ರಚಿಸಲು [GitHub Codespaces](https://github.com/features/codespaces) ಬಳಸುವಿರಿ. ಹಸಿರು **ಕೋಡ್** ಮೆನುವನ್ನು ತೆರೆಯಿರಿ, **Codespaces** ಆಯ್ಕೆಮಾಡಿ ಮತ್ತು ಕೋಡ್ಸ್‌ಪೇಸ್ ರಚಿಸಿ; ಪ್ರತ್ಯೇಕ ಪಾಠದ ಅವಶ್ಯಕ ಲೈಬ್ರರಿಗಳನ್ನು ಆ ಒಳಗೆ ಇನ್ಸ್ಟಾಲ್ ಮಾಡಿರಿ.
> 🔧 **ಸಹಾಯ ಬೇಕಾದರೆ?** ಸ್ಥಾಪನೆ, ಸೆಟಪ್ ಮತ್ತು ಪಾಠಗಳು ಚಾಲನೆಗೆ ಸಂಬಂಧಿಸಿದ ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಗಳ ಪರಿಹಾರಗಳಿಗೆ [Troubleshooting Guide](TROUBLESHOOTING.md) ಯನ್ನು ಪರಿಶೀಲಿಸಿ.
> [ನಮ್ಮ Microsoft Learn ಸಂಗ್ರಹದಲ್ಲಿ ಈ ಕೋರ್ಸ್‌ಗೆ ಸಂಬಂಧಿಸಿದ ಎಲ್ಲಾ ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಕಂಡುಹಿಡಿಯಿರಿ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
**[ವಿದ್ಯಾರ್ಥಿಗಳು](https://aka.ms/student-page)** ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ಉಪಯೋಗಿಸಲು, ರೆಪೊವನ್ನು ನಿಮ್ಮ ಸ್ವಂತ GitHub ಖಾತೆಗೆ ಫೋರ್ಕ್ ಮಾಡಿ ಹಾಗೂ ಅಯಕ್ತವಾಗಿ ಅಥವಾ ಗುಂಪಾಗಿ ಅಭ್ಯಾಸಗಳನ್ನು ಮಾಡಿ:
> 🔧 **ಸಹಾಯ ಬೇಕೇ?** ಅನುಸ್ಥಾಪನೆ, ಸೆಟ್‌ಅಪ್, ಮತ್ತು ಪಾಠಗಳನ್ನು ಸರಿಯಾಗಿ ಚಾಲನೆಯೂ ಇಡುವುದು ಸಂಬಂಧಿಸಿದ ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಗಳಿಗೆ ಪರಿಹಾರಗಳಿಗಾಗಿ ನಮ್ಮ [ಟ್ರಬಲ್‌ಶೂಟಿಂಗ್ ಗೈಡ್](TROUBLESHOOTING.md) ಪರಿಶೀಲಿಸಿ.
- ಪಾಠದ ಮುಂಚಿನ ಕ್ವಿಜ್‌ನಿಂದ ಪ್ರಾರಂಭಿಸಿ.
- ಪಾಠ ಓದಿ ಮತ್ತು ಕ್ರಿಯೆಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ, ಪ್ರತಿ ಜ್ಞಾನ ಪರಿಶೀಲನೆಯಲ್ಲಿ ನಿಲ್ಲಿ ಮತ್ತು ಪರಿಶೀಲಿಸಿ.
**[ವಿದ್ಯಾರ್ಥಿಗಳು](https://aka.ms/student-page)**, ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ಬಳಸಲು, ಸಂಪೂರ್ಣ ಸಂಗ್ರಹವನ್ನು ನಿಮ್ಮ ಸ್ವಂತ GitHub ಖಾತೆಗೆ ಫೋರ್ಕ್ ಮಾಡಿ ಮತ್ತು ಸ್ವತಃ ಅಥವಾ ಗುಂಪಿನಲ್ಲಿ ವ್ಯಾಯಾಮಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ:
- ಪಾಠಗಳನ್ನು ನಡಿಸುವ ಬದಲು ಅವುಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಂಡು ಪ್ರಾಜೆಕ್ಟ್‌ಗಳನ್ನು ನಿರ್ಮಿಸಲು ಪ್ರಯತ್ನಿಸಿ; ಆದ್ರೆ ಆ ಪರಿಹಾರ ಕೋಡ್ ಅನ್ನು ಪ್ರತಿ ಪ್ರಾಜೆಕ್ಟ್ ಪಾಠದಲ್ಲಿ `/solution` ಫೋಲ್ಡರ್‌ನಲ್ಲಿ ಲಭ್ಯವಿದೆ.
- ಪಾಠದ ನಂತರದ ಕ್ವಿಜ್ ನೀಡಿ.
- ಪೂರ್ವ-ಪಾಠ ಕ್ವಿಜ್‌ನಿಂದ ಪ್ರಾರಂಭಿಸು.
- ಪಾಠವನ್ನು ಓದಿ ಮತ್ತು ಚಟುವಟಿಕೆಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ, ಪ್ರತಿಯೊಂದು ಜ್ಞಾನ ಪರಿಶೀಲನೆಯಲ್ಲಿ ವಿರಾಮ ತೆಗೆದು ಚಿಂತನೆಯನ್ನೊಳಗೊಳ್ಳಿ.
- ಪರಿಹಾರ ಕೋಡ್ ಅನ್ನು ನಡೆಯಿಸಲು ಬದಲಿಗೆ ಪಾಠಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಂಡು ಯೋಜನೆಗಳನ್ನು ರಚಿಸಲು ಪ್ರಯತ್ನಿಸು; ಆದರೂ ಆ ಕೋಡ್ ಪ್ರತಿ ಪ್ರಾಜೆಕ್ಟ್ ಆಧಾರಿತ ಪಾಠದ `/solution` ಫೋಲ್ಡರ್‌ಗಳಲ್ಲಿ ಲಭ್ಯವಿದೆ.
- ಪಾಠೋತ್ತರ ಕ್ವಿಜ್ ತೆಗೆದುಕೊಳ್ಳಿ.
- ಚಾಲೆಂಜ್ ಪೂರ್ಣಗೊಳಿಸಿ.
- ಚಾಲೆಂಜ್ ಪೂರ್ಣಗೊಳಿಸಿ.
- ನಿಯೋಜನೆ ಪೂರ್ಣಗೊಳಿಸಿ.
- ನಿಯೋಜನೆಯನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ.
- ಪಾಠ ಗುಂಪನ್ನು ಪೂರ್ಣಗೊಳಿಸಿದ ನಂತರ, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) ಗೆ ಭೇಟಿ ನೀಡಿ ಮತ್ತು ಸಂಬಂಧಿಸಿದ PAT ರೂಬ್ರಿಕ್ ಭರ್ತಿ ಮಾಡಿ 'ನಮ್ಮ ಸಹೊದ್ಯೋಗದೊಂದಿಗೆ ಕಲಿಯೋಣ'. 'PAT' ಎಂದರೆ ಪ್ರಗತಿ ಮಾಪನ ಸಾಧನ, ಜ್ಞಾನವನ್ನು ಮತ್ತಷ್ಟು ಬೆಳಸಲು ನೀವು ಭರ್ತಿ ಮಾಡುವ ರೂಬ್ರಿಕ್. ನಿಮಗೆ ಇಚ್ಛೆಯಿದ್ದರೆ ಇತರ PAT ಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುವ ಮೂಲಕ ನಾವು ಒಟ್ಟಿಗೆ ಕಲಿಯಬಹುದು.
- ಪಾಠ ಗುಂಪು ಮುಗಿಸಿರುವ ನಂತರ, [ಚರ್ಚಾ ಫಲಕ](https://github.com/microsoft/ML-For-Beginners/discussions) ಗೆ ಭೇಟಿ ನೀಡಿ ಮತ್ತು ಸಂಬಂಧಿಸಿದ PAT ರೂಬ್ರಿಕ್ ತುಂಬಿ "ಬಾಹ್ಯವಾಗಿ ಕಲಿಯಿರಿ". 'PAT' ಎಂದರೆ ಮುಂದುವರಿಯುವ ಮೌಲ್ಯಮಾಪಕ ಸಾಧನ, ಇದು ನಿಮ್ಮ ಕಲಿಕೆಯನ್ನು ಹೆಚ್ಚು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ನಿಮ್ಮಿಂದ ತುಂಬಬೇಕಾದ ರೂಬ್ರಿಕ್ ಆಗಿದೆ. ನಾವು ಸೇರಿ ಕಲಿಯಲು ಇತರ PAT ಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುವುದೂ ನೀವು ಮಾಡಬಹುದು.
> ಮುಂದಿನ ಅಧ್ಯಯನಕ್ಕೆ, ಈ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) ಮಾಯಾಜಾಲಗಳು ಮತ್ತು ಕಲಿಕಾ ಮಾರ್ಗಗಳನ್ನು ಅನುಸರಿಸಲು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ.
> ಮುಂದಿನ ಅಧ್ಯಯನಕ್ಕಾಗಿ, ಈ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) ಮಾಂಡ್ಯುಲ್ಗಳ ಮತ್ತು ಕಲಿಕೆ ಮಾರ್ಗಗಳನ್ನು ಅನುಸರಿಸಲು ಸೂಚಿಸುತ್ತೇವೆ.
**ಶಿಕ್ಷಕರು**, ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ಹೇಗೆ ಉಪಯೋಗಿಸಬೇಕೆಂಬುದಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಕೆಲವು ಸಲಹೆಗಳನ್ನು ನಾವು [ಸೂಚಿಸಿದ್ದೇವೆ](for-teachers.md).
**ಶಿಕ್ಷಕರಿಗೆ**, ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ಬಳಸುವ ಬಗ್ಗೆ ಕೆಲವು [ಸೂಚನೆಗಳನ್ನು ಒಳಗೊಂಡಿದ್ದೇವೆ](for-teachers.md).
---
---
## ವೀಡಿಯೋ ಮಾರ್ಗದರ್ಶನಗಳು
## ವೀಡಿಯೋ ವಾಕ್ತ್ರೂಢಗಳು
ಕೆಲವು ಪಾಠಗಳು ಸಂಕ್ಷಿಪ್ತ ವೀಡಿಯೋ ರೂಪದಲ್ಲಿ ಲಭ್ಯವಿವೆ. ನೀವು ಈ ಎಲ್ಲಾ ಪಾಠಗಳ ಒಳಗೆ ಅಥವಾ [ML for Beginners ಪ್ಲೇಲಿಸ್ಟ್ ಅನ್ನು Microsoft Developer YouTube ಚಾನಲ್‌ನಲ್ಲಿ](https://aka.ms/ml-beginners-videos) ಮೇಲಿನ ಚಿತ್ರಕ್ಕೆ ಕ್ಲಿಕ್ ಮಾಡಿ ನೋಡಬಹುದು.
ಕೆಲವು ಪಾಠಗಳು ಸಣ್ಣ ವೀಡಿಯೋ ರೂಪದಲ್ಲಿ ಲಭ್ಯವಿವೆ. ಈ ಎಲ್ಲಾ ಪಾಠಗಳಲ್ಲಿಯೇ ಅಥವಾ [Microsoft Developer YouTube ಚಾನೆಲಿನ ML for Beginners ಪ್ಲೇಲಿಸ್ಟ್](https://aka.ms/ml-beginners-videos) ನಲ್ಲಿ ಕೆಳಗಿನ ಚಿತ್ರ ಕ್ಲಿಕ್ ಮಾಡುವ ಮೂಲಕ ನೋಡಬಹುದು.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
@ -96,92 +99,93 @@ Microsoft ನ Cloud Advocates ತಂಡವು 12 ವಾರಗಳ, 26 ಪಾಠ
> 🎥 ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ಈ ಯೋಜನೆ ಮತ್ತು ಅದನ್ನು ರೂಪಿಸಿದ ಜನರ ಬಗ್ಗೆ ವೀಡಿಯೋ ನೋಡಿ!
> 🎥 ಯೋಜನೆಯ ಮತ್ತು ಅದರ ಸೃಷ್ಟಿಕರ್ತರ ಕುರಿತು ವೀಡಿಯೋವೊಂದಕ್ಕಾಗಿ ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ!
---
---
## ಅಧ್ಯಯನ ವಿಧಾನಶಾಸ್ತ್ರ
## ಪಾಠಶಾಸ್ತ್ರ
ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ರಚಿಸುವಾಗ ನಾವು ಎರಡು ಶಿಕ್ಷಣ ತತ್ವಗಳನ್ನು ಆರಿಸಿಕೊಂಡಿದ್ದೇವೆ: ಕೈಗಾರಿಕೆಯಿಂದಲೂ **ಪ್ರಾಜೆಕ್ಟ್ ಆಧಾರಿತ** ಆಗಿದ್ದು, ಇದರಲ್ಲಿ **ಸತತವಾಗಿ ಕ್ವಿಜ್‌ಗಳು** ಸೇರಿವೆ. ಜೊತೆಗೆ, ಈ ಪಠ್ಯಕ್ರಮದ ಒಂದು ಸಾಮಾನ್ಯ **ವಿಷಯ ವಸ್ತು** ಇದೆ ಅಂದರೆ ಅದಕ್ಕೆ ಒಂದೇ ಥೀಮ್‌ನ್ನು ನೀಡಲಾಗಿದೆ.
ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ನಿರ್ಮಿಸುವಾಗ ನಾವು ಎರಡು ಪಾಠಶಾಸ್ತ್ರ ತತ್ವಗಳನ್ನು ಆಯ್ಕೆಮಾಡಿದ್ದೇವೆ: ಅದನ್ನು ಕೈಗಾರಿಕೆಯ **ಯೋಜನೆ ಆಧಾರಿತ**ವಾಗಿಸಲು ಮತ್ತು ಅದರಲ್ಲಿ **ತುಂಬಾ ಕ್ವಿಜ್ ಗಳನ್ನು** ಸೇರಿಸಲು. ಈ ಪಠ್ಯಕ್ರಮವು ಹೊಂದಾಣಿಕೆಯ ನೀಡಲು ಸಾಮಾನ್ಯ **ಥೀಮ್** ಕೂಡ ಹೊಂದಿದೆ.
ವಿಷಯವು ಪ್ರಾಜೆಕ್ಟುಗಳಿಗೆ ಹೊಂದಾಣಿಕೆಯಾಗುವ ಮೂಲಕ ವಿದ್ಯಾರ್ಥಿಗಳ ಆಸಕ್ತಿಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ ಮತ್ತು ಕಲಿಕಾ ನೆನಪಿನ ಪ್ರಮಾಣವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಪಾಠ ಮುಂಚಿನ ಕಡಿಮೆ ಮಟ್ಟದ ಕ್ವಿಜ್ ವಿದ್ಯಾರ್ಥಿಯ ಕಲಿಕೆಯ ಉದ್ದೇಶವನ್ನು ನಿಶ್ಚಿತಗೊಳಿಸುತ್ತದೆ, ಮತ್ತು ಪಾಠದ ನಂತರವೂ ಮತ್ತೊಂದು ಕ್ವಿಜ್ ಕಲಿಕೆಯನ್ನು ಗಾಢಗೊಳಿಸುತ್ತದೆ. ಈ ಪಠ್ಯಕ್ರಮವು ಸುಗಮ ಹಾಗೂ ಮನರಂಜನೆಯಾಗಿದ್ದು ಸಂಪೂರ್ಣ ಅಥವಾ ಭಾಗಶಃ ತೆಗೆದುಕೊಳ್ಳಬಹುದು. ಪ್ರಾಜೆಕ್ಟುಗಳು ಸಣ್ಣದಾಗಿ ಪ್ರಾರಂಭಿಸಿ, 12 ವಾರಗಳ ಅವಧಿಯ ಕೊನೆಗೆ ಜಟಿಲವಾಗುತ್ತವೆ. ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ಮತ್ತೊಂದು ಭಾಗವಾಗಿ ಯಥಾರ್ಥ ಜಗತ್ತಿನಲ್ಲಿ ML ನ ಅನ್ವಯಿಕೆಗಳ ಕುರಿತು ಒಂದು ಉಪಸಂಹಾರವನ್ನು ಸೇರಿಸಲಾಗಿದೆ, ಇದನ್ನು ಹೆಚ್ಚುವರಿ ಕ್ರೆಡಿಟ್ ಅಥವಾ ಚರ್ಚೆಯ ಆಧಾರವಾಗಿ ಬಳಸಬಹುದು.
ವಿಷಯವನ್ನು ಯೋಜನೆಗಳೊಂದಿಗೆ ಹೊಂದಿಸುವುದರಿಂದ, ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಈ ಪ್ರಕ್ರಿಯೆ ಹೆಚ್ಚು ಆಕರ್ಷಕವಾಗುತ್ತದೆ ಮತ್ತು ಪರಿಕಲ್ಪನೆಗಳ ನೆನಪಿನ ಶಕ್ತಿ ಹೆಚ್ಚು ಹೆಚ್ಚಾಗುತ್ತದೆ. ಕ್ಲಾಸ್ ಮುಂಚೆಯೇ ಇರುವ ಕಡಿಮೆ-ಸಂಕಷ್ಟದ ಕ್ವಿಜ್ ವಿದ್ಯಾರ್ಥಿಯ ಕಲಿಕೆಯ ಉದ್ದೇಶವನ್ನು ಸ್ಥಾಪಿಸುತ್ತದೆ, ಮತ್ತು ಕ್ಲಾಸ್ ನಂತರದ ಕ್ವಿಜ್ ಹೆಚ್ಚುವರಿಯಾಗಿ ಉಳಿಸುವಿಕೆಯಾಗುತ್ತದೆ. ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ನವೀನ ಮತ್ತು ಮನರಂಜನೀಯವಾಗಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ ಮತ್ತು ಇದು ಸಂಪೂರ್ಣವಾಗಿ ಅಥವಾ ಭಾಗಶಃ ಕೈಗೆತ್ತಿಕೊಳ್ಳಬಹುದು. ಯೋಜನೆಗಳ ಪ್ರಾರಂಭವು ಚಿಕ್ಕದಾಗಿದ್ದು, 12 ವಾರಗಳ ಸೈಕಲ್ ಕೊನೆಯಲ್ಲಿ ವಿಸ್ತಾರವಾಗುತ್ತದೆ. ಈ ಪಠ್ಯಕ್ರಮವೂ ಯಂತ್ರ ಕಲಿಕೆಯ ವಾಸ್ತವ ಜಗತ್ತಿನ ಅನ್ವಯಿಕೆಗಳ ಮೇಲೆ ಒಂದು ಪರಿಗಣನೆ ಹೊಂದಿದೆ, ಇದನ್ನು ಹೆಚ್ಚುವರಿ ಕ್ರೆಡಿಟ್ ಅಥವಾ ಚರ್ಚೆಯ ಆಧಾರವಾಗಿ ಬಳಸಬಹುದು.
> ನಮ್ಮ [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translations](..), ಮತ್ತು [Troubleshooting](TROUBLESHOOTING.md) ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ನೋಡಿ. ನಿಮ್ಮ ಸ್ವಾಗತಾರ್ಹ ವಿಮರ್ಶೆಯನ್ನು ನಾವು ನಿರೀಕ್ಷಿಸುತ್ತೇವೆ!
> ನಮ್ಮ [ಕಟ್ಟುಪಾಡು ನಿಯಮಾವಳಿ](CODE_OF_CONDUCT.md), [ಹೊಂದಾಣಿಕೆ](CONTRIBUTING.md), [ಭಾಷಾಂತರಗಳು](..), ಮತ್ತು [ಟ್ರಬಲ್‌ಶೂಟಿಂಗ್](TROUBLESHOOTING.md) ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ಗಮನಿಸಿ. ನಿಮ್ಮ ರಚನಾತ್ಮಕ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನ ನಾವು ಸ್ವಾಗತಿಸುತ್ತೇವೆ!
> **ಭಾಷೆಗಳ ಬಗ್ಗೆ ಒಂದು ಟಿಪ್ಪಣಿ**: ಈ ಪಾಠಗಳು ಮುಖ್ಯವಾಗಿ ಪೈಥಾನ್‌ನಲ್ಲಿ ಬರೆಯಲ್ಪಟ್ಟಿದ್ದು, ಕೆಲವು R ನಲ್ಲಿ ಸಹ ಲಭ್ಯವಿವೆ. R ಪಾಠವನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು, `/solution` ಫೋಲ್ಡರ್‌ಗೆ ಹೋಗಿ R ಪಾಠಗಳನ್ನು ಹುಡುಕಿ. ಅವುಗಳಿಗೆ .rmd ವಿಸ್ತರಣೆ ಇರುತ್ತದೆ, ಇದು **R ಮಾರ್ಕ್ಡೌನ್** ಕಡತವನ್ನು ಸೂಚಿಸುತ್ತದೆ, ಅದನ್ನು `ಕೋಡ್ ಚಂಕ್‌ಗಳು` (R ಅಥವಾ ಇತರ ಭಾಷೆಗಳ) ಮತ್ತು `YAML ಹೆಡರ್` ಅನ್ನು (PDFಂತಹ ಔಟ್‌ಪುಟ್‌ಗಳ ಫಾರ್ಮ್ಯಾಟಿಂಗ್‌ಗಾಗಿ ಮಾರ್ಗದರ್ಶನ ನೀಡುವ) ಸೇರಿಸುವ ಮಾರ್ಕ್ಡೌನ್ ದಸ್ತಾವೇಜು ಎಂದು ಸರಳವಾಗಿ ವಿವರಣೆ ಮಾಡಬಹುದು. ಇದರಿಂದ, ನೀವು ನಿಮ್ಮ ಕೋಡ್, ಅದರ ಔಟ್ ಪುಟ್ ಮತ್ತು ನಿಮ್ಮ ಆಲೋಚನೆಗಳನ್ನು ಮಾರ್ಕ್‌ಡೌನ್‌ನಲ್ಲಿ ಬರೆದು ಸಂಯೋಜಿಸಲು ಅನುಮತಿಸುವುದರಿಂದ ಇದು ಡೇಟಾ ಸೈನ್ಸ್‌ಗೆ ಉತ್ತಮ ಲೇಖನ ರೂಪರೇಖೆಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಹೆಚ್ಚಾಗಿ, R ಮಾರ್ಕ್ಡೌನ್ ಡಾಕ್ಯುಮೆಂಟ್‌ಗಳನ್ನು PDF, HTML ಅಥವಾ ವರ್ಡ್ ಇಂತಹ ಔಟ್‌ಪುಟ್‌ ಫಾರ್ಮ್ಯಾಟ್‌ಗಳಿಗೆ ರೆಂಡರ್ ಮಾಡಬಹುದು.
> **ಭಾಷೆಗಳ ಬಗ್ಗೆ ಟಿಪ್ಪಣಿ**: ಈ ಪಾಠಗಳು ಹೆಚ್ಚಿನವುವು ಪೈಥಾನ್‌ನಲ್ಲಿ ಬರೆದಿವೆ, ಆದರೆ ಅನೇಕವು R ನಲ್ಲಿ ಲಭ್ಯವಿವೆ. R ಪಾಠವನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು `/solution` ಫೋಲ್ಡರ್‌ಗೆ ಹೋಗಿ ಮತ್ತು R ಪಾಠಗಳನ್ನು ಹುಡುಕಿ. ಅವುಗಳಿಗೆ .rmd ವಿಸ್ತರಣೆ ಇದೆ, ಇದು **R ಮಾರ್ಕ್ಡೌನ್** ಫೈಲ್ ಆಗಿದ್ದು `code chunks` (R ಅಥವಾ ಇತರ ಭಾಷೆಗಳ) ಮತ್ತು `YAML header` (PDF ಮುಂತಾದ ಫಾರ್ಮ್ಯಾಟ್ ಗಳು ಹೇಗೆ ಗುರುತಿಸಬೇಕೆಂದು ಮಾರ್ಗದರ್ಶನ ನೀಡುವದು) ಅನ್ನು ಒಳಗೊಂಡಿದೆ, ಇದು ಮಾರ್ಕ್ಡೌನ್ ಡಾಕ್ಯುಮೆಂಟ್ ಆಗಿದೆ. ಈ ಮೂಲಕ ನೀವು ನಿಮ್ಮ ಕೋಡ್, ಅದರ ಫಲಿತಾಂಶ ಮತ್ತು ನಿಮ್ಮ ಅಂಶಗಳನ್ನು ಮಾರ್ಕ್‌ಡೌನ್‌ನಲ್ಲಿ ಬರೆದು ಸಂಕಲನ ಮಾಡಬಹುದು. ಹೆಚ್ಚಾಗಿ, R ಮಾರ್ಕ್ಡೌನ್ ಡಾಕ್ಯುಮೆಂಟ್‌ಗಳು PDF, HTML ಅಥವಾ Word ಮುಂತಾದ ಫಾರ್ಮ್ಯಾಟ್‌ಗೆ ರೆಂಡರ್ ಮಾಡಬಹುದು.
> **ಪ್ರಶ್ನೋತ್ತರಗಳ ಬಗ್ಗೆ ಒಂದು ಟಿಪ್ಪಣಿ**: ಎಲ್ಲಾ ಪ್ರಶ್ನೋತ್ತರಗಳು [Quiz App ಹಾಕಿ](../../quiz-app)ನಲ್ಲಿ ಉಳಿತಾಯಗೊಂಡಿವೆ, ಪ್ರತಿ ಮೂರು ಪ್ರಶ್ನೆಗಳೊಂದಿಗೆ ಒಟ್ಟು 52 ಪ್ರಶ್ನೋತ್ತರಗಳಿವೆ. ಅವು ಪಾಠಗಳಲ್ಲಿ ಸಂಪರ್ಕಗೊಂಡಿವೆ ಆದರೆ ಕ್ವಿಜ್ ಅಪ್ಲಿಕೇಶನ್ ಸ್ಥಳೀಯವಾಗಿ ಓಡಿಸಬಹುದು; ಸ್ಥಳೀಯ ಹೋಸ್ಟ್ ಅಥವಾ Azure ಗೆ ನಿಯೋಜಿಸಲು `quiz-app` ಹಾಕಿಯಲ್ಲಿ ನಿರ್ದೇಶನವನ್ನು ಅನುಸರಿಸಿ.
> **ಕ್ವಿಜ್‌ಗಳ ಬಗ್ಗೆ ಟಿಪ್ಪಣಿ**: ಎಲ್ಲಾ ಕ್ವಿಜ್‌ಗಳು [ಕ್ವಿಜ್ ಆಪ್ ಫೋಲ್ಡರ್](../../quiz-app) ನಲ್ಲಿ ಲಭ್ಯವಿವೆ, ಒಟ್ಟು 52 ಕ್ವಿಜ್‌ಗಳು, ಪ್ರತಿ 3 ಪ್ರಶ್ನೆಗಳೊಂದಿಗೆ. ಅವು ಪಾಠಗಳಲ್ಲಿ ಲಿಂಕ್ ಆಗಿವೆ, ಆದರೆ ಕ್ವಿಜ್ ಆಪ್ ಸ್ಥಳೀಯವಾಗಿ ಚಲಾಯಿಸಬಹುದು; ಸ್ಥಳೀಯವಾಗಿ ಹೋಸ್ಟ್ ಮಾಡಲು ಅಥವಾ ಅಜೂರ್‌ಗೆ ಡಿಪ್ಲಾಯ್ ಮಾಡಲು `quiz-app` ಫೋಲ್ಡರ್‌ನ ಸೂಚನೆಗಳನ್ನು ಅನುಸರಿಸಿ.
| ಪಾಠ ಸಂಖ್ಯೆ | ವಿಷಯ | ಪಾಠ ಗುಂಪು | ಅಧ್ಯಯನ ಗುರಿಗಳು | ಲಿಂಕ್ ಮಾಡಿದ ಪಾಠ | ರಚಯಿತೃ |
| ಪಾಠ ಸಂಖ್ಯೆ | ವಿಷಯ | ಪಾಠ ಗುಂಪು | ಕಲಿಕೆಯ ಉದ್ದೇಶಗಳು | ಲಿಂಕ್ ಮಾಡಿದ ಪಾಠ | ಲೇಖಕ |
| 01 | ಯಂತ್ರ ಶಿಕ್ಷಣಕ್ಕೆ ಪರಿಚಯ | [ಪರಿಚಯ](1-Introduction/README.md) | ಯಂತ್ರ ಶಿಕ್ಷಣದ ಮೂಲಭೂತ ಕಲ್ಪನೆಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ | [ಪಾಠ](1-Introduction/1-intro-to-ML/README.md) | ಮುಹಮ್ಮದ್ |
| 02 | ಯಂತ್ರ ಶಿಕ್ಷಣದ ಇತಿಹಾಸ | [ಪರಿಚಯ](1-Introduction/README.md) | ಈ ಕ್ಷೇತ್ರದ ಹಿಂದಿನ ಇತಿಹಾಸವನ್ನು ತಿಳಿದುಕೊಳ್ಳಿ | [ಪಾಠ](1-Introduction/2-history-of-ML/README.md) | ಜೆನ್ ಮತ್ತು ಏಮಿ |
| 01 | ಯಂತ್ರ ಕಲಿಕೆಗೆ ಪರಿಚಯ | [Introduction](1-Introduction/README.md) | ಯಂತ್ರ ಕಲಿಕೆಯ ಹಿಂದೆ ಇರುವ ಮೂಲಭೂತ ধারণೆಗಳನ್ನು ಕಲಿಯಿರಿ | [Lesson](1-Introduction/1-intro-to-ML/README.md) | ಮಹಮ್ಮದ್ |
| 03 | ನ್ಯಾಯ ಮತ್ತು ಯಂತ್ರ ಶಿಕ್ಷಣ | [ಪರಿಚಯ](1-Introduction/README.md) | ಯಂತ್ರ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸುವಾಗ ಮತ್ತು ಅನ್ವಯಿಸುವಾಗ ವಿದ್ಯಾರ್ಥಿಗಳು ಪರಿಗಣಿಸಬೇಕಾದ ನ್ಯಾಯ ಸಂಬಂಧಿ ತತ್ತ್ವಶಾಸ್ತ್ರೀಯ ವಿಷಯಗಳು ಯಾವುವು? | [ಪಾಠ](1-Introduction/3-fairness/README.md) | ಟೊಮೊಮಿ |
| 02 | ಯಂತ್ರ ಕಲಿಕೆಯ ಇತಿಹಾಸ | [Introduction](1-Introduction/README.md) | ಈ ಕ್ಷೇತ್ರದ ಹಿಂದೆ ಇರುವ ಇತಿಹಾಸವನ್ನು ಕಲಿಯಿರಿ | [Lesson](1-Introduction/2-history-of-ML/README.md) | ಜೆನ್ ಮತ್ತು ಎಮಿ |
| 04 | ಯಂತ್ರ ಶಿಕ್ಷಣದ ತಂತ್ರಗಳು | [ಪರಿಚಯ](1-Introduction/README.md) | ಯಂತ್ರ ನಮ್ಮ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲು ಯಾವ ತಂತ್ರಗಳನ್ನು ಉಪಯೋಗಿಸುತ್ತಾರೆ? | [ಪಾಠ](1-Introduction/4-techniques-of-ML/README.md) | ಕ್ರಿಸ್ ಮತ್ತು ಜೆನ್ |
| 03 | ನ್ಯಾಯತೀರ್ಥ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆ | [Introduction](1-Introduction/README.md) | ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸುವಾಗ ಮತ್ತು ಅನ್ವಯಿಸುವಾಗ ವಿದ್ಯಾರ್ಥಿಗಳು ಪರಿಗಣಿಸಲು ಬೇಕಾದ ಹೆಚ್ಚಿನ ತತ್ವಜ್ಞಾನವುಳ್ಳ ನ್ಯಾಯತೀರ್ಥ ಕುರಿತ ವಿಷಯಗಳು ಏನು? | [Lesson](1-Introduction/3-fairness/README.md) | ಟೊಮೊಮಿ |
| 05 | ರಿಗ್ರೆಶನ್‌ಗೆ ಪರಿಚಯ | [ರಿಗ್ರೆಶನ್](2-Regression/README.md) | ರಿಗ್ರೆಶನ್ ಮಾದರಿಗಳನ್ನು Python ಮತ್ತು Scikit-learn ಉಪಯೋಗಿಸಿ ಪ್ರಾರಂಭಿಸಿ | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | ಜೆನ್ • ಎರಿಕ್ ವಾಂಜಾವು |
| 04 | ಯಂತ್ರ ಕಲಿಕೆ ತಂತ್ರಗಳು | [Introduction](1-Introduction/README.md) | ಯಂತ್ರ ಕಲಿಕೆ ಸಂಶೋಧಕರು ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸುವಾಗ ಯಾವ ತಂತ್ರಗಳನ್ನು ಉಪಯೋಗಿಸುತ್ತಾರೆ? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | ಕ್ರಿಸ್ ಮತ್ತು ಜೆನ್ |
| 06 | ಉತ್ತರ ಅಮೆರಿಕದ ಪಂಪ್ಕಿನ್ ಬೆಲೆಗಳು 🎃 | [ರಿಗ್ರೆಶನ್](2-Regression/README.md) | ಯಂತ್ರ ಶಿಕ್ಷಣದ ಪೂರ್ವಭಾವಿಯಾಗಿ ಡೇಟಾವನ್ನು ದೃಶ್ಯರೂಪಗೊಳಿಸಿ ಮತ್ತು ಸ್ವಚ್ಛಗೊಳಿಸಿ | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | ಜೆನ್ • ಎರಿಕ್ ವಾಂಜಾವು |
| 05 | ರಿಗ್ರೇಶನ್ ಗೆ ಪರಿಚಯ | [Regression](2-Regression/README.md) | ರಿಗ್ರೇಶನ್ ಮಾದರಿಗಳಿಗೆ ಪೈಥಾನ್ ಮತ್ತು ಸ್ಕೈಕಿಟ್-ಲರ್ನ್ ಉಪಯೋಗಿಸುವುದನ್ನು ಆರಂಭಿಸಿ | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | ಜೆನ್ • ಎರಿಕ್ ವಾಂಜಾಉ |
| 07 | ಉತ್ತರ ಅಮೆರಿಕದ ಪಂಪ್ಕಿನ್ ಬೆಲೆಗಳು 🎃 | [ರಿಗ್ರೆಶನ್](2-Regression/README.md) | ರೇಖೀಯ ಮತ್ತು ಬಹುರೇಖೀಯ ರಿಗ್ರೆಶನ್ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಿ | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | ಜೆನ್ ಮತ್ತು ಡ್ಮಿತ್ರಿ • ಎರಿಕ್ ವಾಂಜಾವು |
| 06 | ಉತ್ತರ ಅಮೇರಿಕನ್ ಪಂಪ್ಕಿನ್ ಬೆಲೆಗಳು 🎃 | [Regression](2-Regression/README.md) | ಯಂತ್ರ ಕಲಿಕೆಯ ಪೂರ್ವಭಾವಿಯಾಗಿ ಡೇಟಾವನ್ನು ದೃಶ್ಯೀಕರಣ ಮಾಡಿ ಮತ್ತು ಶುದ್ಧಗೊಳಿಸಿ | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | ಜೆನ್ • ಎರಿಕ್ ವಾಂಜಾಉ |
| 08 | ಉತ್ತರ ಅಮೆರಿಕದ ಪಂಪ್ಕಿನ್ ಬೆಲೆಗಳು 🎃 | [ರಿಗ್ರೆಶನ್](2-Regression/README.md) | ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಶನ್ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಿ | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | ಜೆನ್ • ಎರಿಕ್ ವಾಂಜಾವು |
| 07 | ಉತ್ತರ ಅಮೇರಿಕನ್ ಪಂಪ್ಕಿನ್ ಬೆಲೆಗಳು 🎃 | [Regression](2-Regression/README.md) | ರೇಖೀಯ ಮತ್ತು ಬಹುಪದ ರಿಗ್ರೇಶನ್ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಿ | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | ಜೆನ್ ಮತ್ತು ಡಿಮಿಟ್ರಿ • ಎರಿಕ್ ವಾಂಜಾಉ |
| 09 | ಒಂದು ವೆಬ್ ಅಪ್ಲಿ케ಷನ್ 🔌 | [ವೆಬ್ ಅಪ್ಲಿ](3-Web-App/README.md) | ನಿಮ್ಮ ತರಬೇತುದಾರ ಯಂತ್ರ ಮಾದರಿಯನ್ನು ಬಳಸಿ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ನಿರ್ಮಿಸಿ | [Python](3-Web-App/1-Web-App/README.md) | ಜೆನ್ |
| 08 | ಉತ್ತರ ಅಮೇರಿಕನ್ ಪಂಪ್ಕಿನ್ ಬೆಲೆಗಳು 🎃 | [Regression](2-Regression/README.md) | ಲಾಜಿಕ ಸ್ಟಿಕ್ ರಿಗ್ರೇಶನ್ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಿ | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | ಜೆನ್ • ಎರಿಕ್ ವಾಂಜಾಉ |
| 10 | ವರ್ಗೀಕರಣಕ್ಕೆ ಪರಿಚಯ | [ವರ್ಗೀಕರಣ](4-Classification/README.md) | ನಿಮ್ಮ ಡೇಟಾ ಸ್ವಚ್ಛಗೊಳಿಸಿ, ಸಿದ್ಧಪಡಿಸಿ ಮತ್ತು ದೃಶ್ಯರೂಪಗೊಳಿಸಿ; ವರ್ಗೀಕರಣಕ್ಕೆ ಪರಿಚಯ | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | ಜೆನ್ ಮತ್ತು ಕ್ಯಾಸಿ • ಎರಿಕ್ ವಾಂಜಾವು |
| 09 | ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ 🔌 | [Web App](3-Web-App/README.md) | ನಿಮ್ಮ ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯನ್ನು ಬಳಸುವ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ನಿರ್ಮಿಸಿ | [Python](3-Web-App/1-Web-App/README.md) | ಜೆನ್ |
| 11 | ರುಚಿಕರ ಆಸಿಯನ್ ಮತ್ತು ಭಾರತೀಯ ಅಡುಗೆಗಳು 🍜 | [ವರ್ಗೀಕರಣ](4-Classification/README.md) | ವರ್ಗೀಕರಣೆಗಳ ಪರಿಚಯ | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | ಜೆನ್ ಮತ್ತು ಕ್ಯಾಸಿ • ಎರಿಕ್ ವಾಂಜಾವು |
| 10 | ವರ್ಗೀಕರಣಕ್ಕೆ ಪರಿಚಯ | [Classification](4-Classification/README.md) | ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಶುದ್ಧಗೊಳಿಸಿ, ತಯಾರಿಸಿ ಮತ್ತು ದೃಶ್ಯೀಕರಿಸಿ; ವರ್ಗೀಕರಣಕ್ಕೆ ಪರಿಚಯ | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | ಜೆನ್ ಮತ್ತು ಕ್ಯಾಸಿ • ಎರಿಕ್ ವಾಂಜಾಉ |
| 12 | ರುಚಿಕರ ಆಸಿಯನ್ ಮತ್ತು ಭಾರತೀಯ ಅಡುಗೆಗಳು 🍜 | [ವರ್ಗೀಕರಣ](4-Classification/README.md) | ಇನ್ನಷ್ಟು ವರ್ಗೀಕರಣೆಗಳು | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | ಜೆನ್ ಮತ್ತು ಕ್ಯಾಸಿ • ಎರಿಕ್ ವಾಂಜಾವು |
| 11 | ರುಚಿಕರ ಏಷಿಯನ್ ಮತ್ತು ಭಾರತೀಯ ಆಹಾರಗಳು 🍜 | [Classification](4-Classification/README.md) | ವರ್ಗೀಕರಣಕಾರರಿಗೆ ಪರಿಚಯ | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | ಜೆನ್ ಮತ್ತು ಕ್ಯಾಸಿ • ಎರಿಕ್ ವಾಂಜಾಉ |
| 13 | ರುಚಿಕರ ಆಸಿಯನ್ ಮತ್ತು ಭಾರತೀಯ ಅಡುಗೆಗಳು 🍜 | [ವರ್ಗೀಕರಣ](4-Classification/README.md) | ನಿಮ್ಮ ಮಾದರಿಯನ್ನು ಉಪಯೋಗಿಸಿ ಶಿಫಾರಸು ಮಾಡುವ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ನಿರ್ಮಿಸಿ | [Python](4-Classification/4-Applied/README.md) | ಜೆನ್ |
| 12 | ರುಚಿಕರ ಏಷಿಯನ್ ಮತ್ತು ಭಾರತೀಯ ಆಹಾರಗಳು 🍜 | [Classification](4-Classification/README.md) | ಇನ್ನಷ್ಟು ವರ್ಗೀಕರಣಕಾರಿಗಳು | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | ಜೆನ್ ಮತ್ತು ಕ್ಯಾಸಿ • ಎರಿಕ್ ವಾಂಜಾಉ |
| 14 | ಗುಂಪುಬದ್ಧತೆಗೆ ಪರಿಚಯ | [ಗುಂಪುಬದ್ಧತೆ](5-Clustering/README.md) | ಡೇಟಾ ಸ್ವಚ್ಛಗೊಳಿಸಿ, ಸಿದ್ಧಪಡಿಸಿ ಮತ್ತು ದೃಶ್ಯರೂಪಗೊಳಿಸಿ; ಗುಂಪುಬದ್ಧತೆಗೆ ಪರಿಚಯ | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | ಜೆನ್ • ಎರಿಕ್ ವಾಂಜಾವು |
| 13 | ರುಚಿಕರ ಏಷಿಯನ್ ಮತ್ತು ಭಾರತೀಯ ಆಹಾರಗಳು 🍜 | [Classification](4-Classification/README.md) | ನಿಮ್ಮ ಮಾದರಿಯನ್ನು ಉಪಯೋಗಿಸಿ ಶಿಫಾರಸು ಮಾಡುವ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ನಿರ್ಮಿಸಿ | [Python](4-Classification/4-Applied/README.md) | ಜೆನ್ |
| 15 | ನೈಜீரಿಯನ್ ಸಂಗೀತ ರುಚಿಗಳನ್ನು ಅನ್ವೇಷಣೆ 🎧 | [ಗುಂಪುಬದ್ಧತೆ](5-Clustering/README.md) | K-ಮೀನುಸ್ ಗುಂಪುಬದ್ಧತೆಯ ವಿಧಾನವನ್ನು ಅನ್ವೇಷಿಸಿ | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | ಜೆನ್ • ಎರಿಕ್ ವಾಂಜಾವು |
| 14 | ಗುಂಪುಗೊಳಿಸಲು ಪರಿಚಯ | [Clustering](5-Clustering/README.md) | ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಶುದ್ಧಗೊಳಿಸಿ, ತಯಾರಿಸಿ ಮತ್ತು ದೃಶ್ಯೀಕರಿಸಿ; ಗುಂಪುಗೊಳಿಸುವಿಕೆಗೆ ಪರಿಚಯ | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | ಜೆನ್ • ಎರಿಕ್ ವಾಂಜಾಉ |
| 16 | ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆಗೆ ಪರಿಚಯ ☕️ | [ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ](6-NLP/README.md) | ಸರಳ ಬಾಟ್ ನಿರ್ಮಿಸುವ ಮೂಲಕ NLP ಮೂಲತತ್ವಗಳನ್ನು ಕಲಿಯಿರಿ | [Python](6-NLP/1-Introduction-to-NLP/README.md) | ಸ್ಟೀಫನ್ |
| 15 | ನೈಜೀರಿಯನ್ ಸಂಗೀತ ರುಚಿಗಳ ಅನ್ವೇಷಣೆ 🎧 | [Clustering](5-Clustering/README.md) | K-ಮೀನ್ ಗುಂಪುಗೊಳಿಸುವಿಕೆ ವಿಧಾನವನ್ನು ಅನ್ವೇಷಿಸಿ | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | ಜೆನ್ • ಎರಿಕ್ ವಾಂಜಾಉ |
| 17 | ಸಾಮಾನ್ಯ NLP ಕಾರ್ಯಗಳು ☕️ | [ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ](6-NLP/README.md) | ಭಾಷಾ ರಚನೆಗಳೊಂದಿಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುವಾಗ ಅಗತ್ಯವಿರುವ ಸಾಮಾನ್ಯ ಕಾರ್ಯಗಳನ್ನು ಅರ್ಥಮಾಡುಕೊಳ್ಳಿ | [Python](6-NLP/2-Tasks/README.md) | ಸ್ಟೀಫನ್ |
| 16 | ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಂಸ್ಕರಣೆಗೆ ಪರಿಚಯ ☕️ | [Natural language processing](6-NLP/README.md) | ಸರಳ ಬಾಟ್ ರಚಿಸುವ ಮೂಲಕ NLP ಮೂಲಭೂತಗಳನ್ನು ಕಲಿಯಿರಿ | [Python](6-NLP/1-Introduction-to-NLP/README.md) | ಸ್ಟೀفن |
| 18 | ಭಾಷಾಂತರ ಮತ್ತು ಭಾವನಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆ ♥️ | [ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ](6-NLP/README.md) | jJane Austen ಜೊತೆ ಭಾಷಾಂತರ ಮತ್ತು ಭಾವನಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆ | [Python](6-NLP/3-Translation-Sentiment/README.md) | ಸ್ಟೀಫನ್ |
| 17 | ಸಾಮಾನ್ಯ NLP ಕಾರ್ಯಗಳು ☕️ | [Natural language processing](6-NLP/README.md) | ಭಾಷಾ ನಿರ್ಮಾಣಗಳನ್ನು ಹಸ್ತಪ್ರವೇಶ ಮಾಡುವಾಗ ಬೇಕಾಗುವ ಸಾಮಾನ್ಯ ಕಾರ್ಯಗಳನ್ನು ತಿಳಿದುಕೊಳ್ಳುವುದರಿಂದ ನಿಮ್ಮ NLP ಅರಿವನ್ನು ಆಳಗೊಳಿಸಿ | [Python](6-NLP/2-Tasks/README.md) | ಸ್ಟೀفن |
| 19 | ಯುರೋಪಿನ ಪ್ರೇಮಮಯ ಹೋಟೆಲುಗಳು ♥️ | [ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ](6-NLP/README.md) | ಹೋಟೆಲ್ ವಿಮರ್ಶೆಗಳೊಂದಿಗೆ ಭಾವನಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆ 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | ಸ್ಟೀಫನ್ |
| 18 | ಅನುವಾದ ಮತ್ತು ಭಾವ ವಿಶ್ಲೇಷಣೆ ♥️ | [Natural language processing](6-NLP/README.md) | ಜೇನ್ ಆಸ್ಟಿನ್ ಜೊತೆ ಅನುವಾದ ಮತ್ತು ಭಾವ ವಿಶ್ಲೇಷಣೆ | [Python](6-NLP/3-Translation-Sentiment/README.md) | ಸ್ಟೀفن |
| 20 | ಯುರೋಪಿನ ಪ್ರೇಮಮಯ ಹೋಟೆಲುಗಳು ♥️ | [ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ](6-NLP/README.md) | ಹೋಟೆಲ್ ವಿಮರ್ಶೆಗಳೊಂದಿಗೆ ಭಾವನಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆ 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | ಸ್ಟೀಫನ್ |
| 19 | ಯುರೋಪಿನ ಪ್ರಣಯ ಹೋಟೆಲುಗಳು ♥️ | [Natural language processing](6-NLP/README.md) | ಹೋಟೆಲ್ ವಿಮರ್ಶೆಗಳೊಂದಿಗೆ ಭಾವ ವಿಶ್ಲೇಷಣೆ 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | ಸ್ಟೀفن |
| 21 | ಕಾಲ ಸರಣಿಯ ಪೂರ್ವಾನುಮಾನಕ್ಕೆ ಪರಿಚಯ | [ಕಾಲ ಸರಣಿ](7-TimeSeries/README.md) | ಕಾಲ ಸರಣಿಯ ಪೂರ್ವಾನುಮಾನಕ್ಕೆ ಪರಿಚಯ | [Python](7-TimeSeries/1-Introduction/README.md) | ಫ್ರಾನ್ಸೆಸ್ಕಾ |
| 20 | ಯುರೋಪಿನ ಪ್ರಣಯ ಹೋಟೆಲುಗಳು ♥️ | [Natural language processing](6-NLP/README.md) | ಹೋಟೆಲ್ ವಿಮರ್ಶೆಗಳೊಂದಿಗೆ ಭಾವ ವಿಶ್ಲೇಷಣೆ 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | ಸ್ಟೀفن |
| 22 | ⚡️ ವಿಶ್ವ ವಿದ್ಯುತ್ ಬಳಕೆ ⚡️ - ARIMA ಮೂಲಕ ಕಾಲ ಸರಣಿ ಪೂರ್ವಾನುಮಾನ | [ಕಾಲ ಸರಣಿ](7-TimeSeries/README.md) | ARIMA ಮೂಲಕ ಕಾಲ ಸರಣಿ ಪೂರ್ವಾನುಮಾನ | [Python](7-TimeSeries/2-ARIMA/README.md) | ಫ್ರಾನ್ಸೆಸ್ಕಾ |
| 21 | ಕಾಲಧ್ಯಾನ ಸರಣಿಗಳಿಗೆ ಪರಿಚಯ | [Time series](7-TimeSeries/README.md) | ಕಾಲಧ್ಯಾನ ಸರಣಿಗಳ ಪೂರ್ವ ನುಡಿಯುವುದು | [Python](7-TimeSeries/1-Introduction/README.md) | ಫ್ರೆಸೀಸ್ಕಾ |
| 23 | ⚡️ ವಿಶ್ವ ವಿದ್ಯುತ್ ಬಳಕೆ ⚡️ - SVR ಮೂಲಕ ಕಾಲ ಸರಣಿ ಪೂರ್ವಾನುಮಾನ | [ಕಾಲ ಸರಣಿ](7-TimeSeries/README.md) | Support Vector Regressor ಮೂಲಕ ಕಾಲ ಸರಣಿ ಪೂರ್ವಾನುಮಾನ | [Python](7-TimeSeries/3-SVR/README.md) | ಅನಿರ್ಬನ್ |
| 22 | ⚡️ ವಿಶ್ವ ವಿದ್ಯುತ್ ಉಪಯೋಗ ⚡️ - ARIMA ಹೊಂದಿರುವ ಕಾಲಧ್ಯಾನ | [Time series](7-TimeSeries/README.md) | ARIMA ಹೊಂದಿರುವ ಕಾಲಧ್ಯಾನ ಸರಣಿಗಳ ಪೂರ್ವ ನುಡಿಯುವುದು | [Python](7-TimeSeries/2-ARIMA/README.md) | ಫ್ರೆಸೀಸ್ಕಾ |
| 24 | ಬಲವರ್ಧಿತ ಅಧ್ಯಯನಕ್ಕೆ ಪರಿಚಯ | [ಬಲವರ್ಧಿತ ಅಧ್ಯಯನ](8-Reinforcement/README.md) | Q-ಲರ್ನಿಂಗ್ ಬಳಸಿ ಬಲವರ್ಧಿತ ಅಧ್ಯಯನಕ್ಕೆ ಪರಿಚಯ | [Python](8-Reinforcement/1-QLearning/README.md) | ಡ್ಮಿತ್ರಿ |
| 23 | ⚡️ ವಿಶ್ವ ವಿದ್ಯುತ್ ಉಪಯೋಗ ⚡️ - SVR ಹೊಂದಿರುವ ಕಾಲಧ್ಯಾನ | [Time series](7-TimeSeries/README.md) | ಸಪೋರ್ಟ್ ವೆಕ್ಟರ್ ರಿಗ್ರೇಶರ್ ಹೊಂದಿರುವ ಕಾಲಧ್ಯಾನ ಸರಣಿಗಳ ಪೂರ್ವ ನುಡಿಯುವುದು | [Python](7-TimeSeries/3-SVR/README.md) | ಅನಿರ್ಬನ್ |
| 25 | ಪೀಟರ್ ಹುಲಿ ತಪ್ಪಿಸಲು ಸಹಾಯ ಮಾಡಿ! 🐺 | [ಬಲವರ್ಧಿತ ಅಧ್ಯಯನ](8-Reinforcement/README.md) | ಬಲವರ್ಧಿತ ಅಧ್ಯಯನ ಜಿಮ್ | [Python](8-Reinforcement/2-Gym/README.md) | ಡ್ಮಿತ್ರಿ |
| 24 | ಬಲವರ್ಧನೆ ಕಲಿಕೆಗೆ ಪರಿಚಯ | [Reinforcement learning](8-Reinforcement/README.md) | Q-ಲರ್ನಿಂಗ್ ಬಳಸಿ ಬಲವರ್ಧನೆ ಕಲಿಕೆಗೆ ಪರಿಚಯ | [Python](8-Reinforcement/1-QLearning/README.md) | ಡಿಮಿಟ್ರಿ |
| ಪರಿಗ್ರಹ | ನೈಜ ಜಗತ್ತಿನ ಯಂತ್ರ ಶಿಕ್ಷಣ ಸಂದರ್ಭಗಳು ಮತ್ತು ಅನ್ವಯಗಳು | [ML ವನದಲ್ಲಿ](9-Real-World/README.md) | ಕ್ಲಾಸಿಕಲ್ ಮೀಲ್‌ನ ಆಸಕ್ತಿದಾಯಕ ಮತ್ತು ಬಹುಮೂಲ್ಯ ನೈಜ ಜಗತ್ತಿನ ಅನ್ವಯಗಳು | [ಪಾಠ](9-Real-World/1-Applications/README.md) | ತಂಡ |
| 25 | ಪೀಟರ್ ನನ್ನು ಹುಲಿಯ tránhಿಸಿ! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | ಬಲವರ್ಧನೆ ಕಲಿಕೆ ಜಿಮ್ | [Python](8-Reinforcement/2-Gym/README.md) | ಡಿಮಿಟ್ರಿ |
| ಪರಿಗ್ರಹ | ಜವಾಬ್ದಾರಿಯುತ AI ಡ್ಯಾಶ್‌ಬೋರ್ಡ್ ಬಳಸಿ ML ಮಾದರಿ ದೋಷ ಪರೀಕ್ಷೆ | [ML ವನದಲ್ಲಿ](9-Real-World/README.md) | ಜವಾಬ್ದಾರಿಯುತ AI ಡ್ಯಾಶ್‌ಬೋರ್ಡ್ ಘಟಕಗಳ ಬಳಸಿ ಯಂತ್ರ ಶಿಕ್ಷಣದ ಮಾದರಿ ದೋಷ ಪರೀಕ್ಷೆ | [ಪಾಠ](9-Real-World/2-Debugging-ML-Models/README.md) | ರೂತ್ ಯಕುಬು |
| Postscript | ನಿಜಜೀವಿ ಯಂತ್ರ ಕಲಿಕೆ ಸಂದರ್ಭಗಳು ಮತ್ತು ಅನ್ವಯಗಳು | [ML in the Wild](9-Real-World/README.md) | ಶಾಸ್ತ್ರೀಯ ಯಂತ್ರ ಕಲಿಕೆಯ ಆಸಕ್ತಿಕರ ಮತ್ತು ಹಿನ್ನಲೆಗೊಳ್ಳುವ ನಿಜಜೀವಿ ಅನ್ವಯಗಳು | [Lesson](9-Real-World/1-Applications/README.md) | ತಂಡ |
| Postscript | RAI ಡ್ಯಾಷ್ಟ್‌ ಬೋರ್ಡ್ ಬಳಸಿ ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ಮಾದರಿ ಡೀಬಗ್ಗಿಂಗ್ | [ML in the Wild](9-Real-World/README.md) | ಜವಾಬ್ದಾರಿದಾಯಕ AI ಡ್ಯಾಷ್‌ಬೋರ್ಡ್ ಅಂಶಗಳನ್ನು ಉಪಯೋಗಿಸಿ ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ಮಾದರಿ ಡೀಬಗ್ಗಿಂಗ್ | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | ರುತ್ ಯಾಕುಬು |
> [ಈ ಕೋರ್ಸ್‌ಗಾಗಿ ಎಲ್ಲಾ ಹೆಚ್ಚುವರಿ ಮೂಲಗಳನ್ನು ನಮ್ಮ Microsoft Learn ಸಂಗ್ರಹಣೆಯಲ್ಲಿ ಹುಡುಕಿ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [ಈ ಕೋರ್ಸ್ ಗೆ ಸಂಬಂಧಿಸಿದ ಎಲ್ಲ ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಮ್ಮ Microsoft Learn ಸಂಗ್ರಹದಲ್ಲಿ ಹುಡುಕಿ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## ಆಫ್‌ಲೈನ್ ಪ್ರವೇಶ
## ಆಫ್‌ಲೈನ್ ಪ್ರವೇಶ
ನೀವು ಈ ಡಾಕ್ಯುಮೆಂಟೇಶನ್ನು ಆಫ್‌ಲೈನ್‌ನಲ್ಲಿ [Docsify](https://docsify.js.org/#/) ಬಳಸಿ ಓಡಿಸಬಹುದು. ಈ ರೆಪೋವನ್ನು ಪ್ರತಿಗಳಿಗೆ ತೆಗೆದುಕೊಳ್ಳಿ, ನಿಮ್ಮ ಸ್ಥಳೀಯ ಯಂತ್ರದಲ್ಲಿ [Docsify ಅನ್ನು ಸ್ಥಾಪಿಸಿ](https://docsify.js.org/#/quickstart), ನಂತರ ಈ ರೆಪೋಯಿನ ರೂಟ್ ಫೋಲ್ಡರ್‌ನಲ್ಲಿ `docsify serve` ಟೈಪ್ ಮಾಡಿ. ಈ ವೆಬ್ಸೈಟ್ ನಿಮ್ಮ ಸ್ಥಳೀಯ ಯಂತ್ರದಲ್ಲಿ 3000 ಪೋರ್ಟ್‌ನಲ್ಲಿ ಓಡುತ್ತದೆ: `localhost:3000`.
ನೀವು [Docsify](https://docsify.js.org/#/) ಉಪಯೋಗಿಸಿ ಈ ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಅನ್ನು ಆಫ್‌ಲೈನಲ್ಲೂ ನಡೆಸಬಹುದು. ಈ ರೆಪೋವನ್ನು ಫೋರ್ಕ್ ಮಾಡಿ, ನಿಮ್ಮ ಸ್ಥಳೀಯ ಯಂತ್ರದಲ್ಲಿ [Docsify ಅನ್ನು ಇನ್ಸ್ಟಾಲ್ ಮಾಡಿ](https://docsify.js.org/#/quickstart), ನಂತರ ಈ ರೆಪೋನ ರೂಟ್ ಫೋಲ್ಡರ್ ನಲ್ಲಿ `docsify serve` ಎಂದು ಟೈಪ್ ಮಾಡಿ. ವೆಬ್ಸೈಟ್ ನಿಮ್ಮ ಸ್ಥಳೀಯ ಸರ್ವರ್‌ನ 3000 ಪೋರ್ಟ್‌ನಲ್ಲಿ ಸರ್ವ್ ಆಗುತ್ತದೆ: `localhost:3000`.
## PDFಗಳು
## PDFಗಳು
ಪಾಠಕ್ರಮದ PDF ಅನ್ನು ಲಿಂಕ್‌ಗಳೊಂದಿಗೆ [ಇಲ್ಲಿ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) ಹುಡುಕಿ.
ಪಾಠಕ್ರಮದ ಲಿಂಕ್‌ಗಳೊಂದಿಗೆ PDF ಅನ್ನು ಇಲ್ಲಿ ಕಾಣಬಹುದು [ಇಲ್ಲಿ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 ಇತರೆ ಕೋರ್ಸುಗಳು
## 🎒 ಇತರೆ ಕೋರ್ಸ್‌ಗಳು
ನಮ್ಮ ತಂಡ ಇತರೆ ಕೋರ್ಸ್‌ಗಳನ್ನು ಕೂಡ ರಚಿಸುತ್ತದೆ! ಪರಿಶೀಲಿಸಿ:
ನಮ್ಮ ತಂಡ ಇತರೆ ಕೋರ್ಸ್‌ಗಳನ್ನು ನಿರ್ಮಿಸುತ್ತದೆ! ನೋಡಿ:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### ಲಾಂಗ್ ಚೈನ್
### ಲ್ಯಾಂಗ್‌ಚೈನ್
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](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/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
---
### ಅಜೂರ್ / ಎಡ್ಜ್ / MCP / ಏಜೆಂಟ್ಸ್
### ಅಜೂರ್ / ಎಡ್ಜ್ / MCP / ಏಜೆಂಟ್ಗಳು
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](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/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/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
@ -197,7 +201,7 @@ Microsoft ನ Cloud Advocates ತಂಡವು 12 ವಾರಗಳ, 26 ಪಾಠ
---
---
### ಕೋರ ಲರ್ನಿಂಗ್
### মূল ಕಲಿಕೆ
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](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/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
@ -216,33 +220,33 @@ Microsoft ನ Cloud Advocates ತಂಡವು 12 ವಾರಗಳ, 26 ಪಾಠ
## ಸಹಾಯ ಪಡೆಯುವುದು
## ಸಹಾಯ ಪಡೆಯುವುದು
ನೀವು ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಕಲಿಯುವಾಗ ಅಥವಾ AI ಅಪ್ಲಿಕೆಷನ್‌ಗಳನ್ನು ನಿರ್ಮಿಸುವಾಗ ಅಡೆದಿದ್ದರೆ ಅಥವಾ ಪ್ರಶ್ನೆಗಳಿದ್ದರೆ, ಚಿಂತೆ ಮಾಡಬೇಕಿಲ್ಲ — ಸಹಾಯ ಲಭಿಸುತ್ತದೆ.
ನೀವು ಯಂತ್ರ ಕಲಿಕೆಯನ್ನ ಅಥವಾ AI ಅಪ್ಲಿಕೇಶನಗಳನ್ನು ಕಲಿಯುತ್ತಲೇ ಅಥವಾ ನಿರ್ಮಿಸುತ್ತಾ ಇದ್ದಾಗ ಅಡೆತಡೆಗೊಳ್ಳುತ್ತೀರಾ ಅಥವಾ ಪ್ರಶ್ನೆಗಳಿದ್ದರೆ, ಚಿಂತಿಸಬೇಡಿ — ಸಹಾಯ ಲಭ್ಯವಿದೆ.
ನೀವು ಮತ್ತಿತರ ಕಲಿಯುವವರ ಮತ್ತು ಡೆವಲಪರ್‌ಗಳೊಂದಿಗೆ ಚರ್ಚೆಗಳಿಗೆ ಸೇರಬಹುದು, ಪ್ರಶ್ನೆಗಳನು ಕೇಳಬಹುದು ಮತ್ತು ಸಮುದಾಯದೊಂದಿಗೆ ನಿಮ್ಮ ಆಲೋಚನೆಗಳನ್ನು ಹಂಚಿಕೊಳ್ಳಬಹುದು.
ನೀವು ಇತರ ಕಲಿಯುವವರ ಮತ್ತು ಅಭಿವೃದ್ಧಿಗಾರರ ಜೊತೆಗೆ ಚರ್ಚೆಗಳಲ್ಲಿ ಭಾಗವಹಿಸಬಹುದು, ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಬಹುದು ಮತ್ತು ನಿಮ್ಮ ಆಲೋಚನೆಗಳನ್ನು ಸಮುದಾಯದೊಡನೆ ಹಂಚಿಕೊಳ್ಳಬಹುದು.
- ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಲು ಮತ್ತು ಮತ್ತಿತರರೊಂದಿಗೆ ಕಲಿಯಲು ಸಮುದಾಯದಲ್ಲಿ ಸೇರ್ಪಡೆ ಹೊಂದಿ
- ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಲು ಮತ್ತು ಇತರರೊಂದಿಗೆ ಕಲಿಯಲು ಸಮುದಾಯದಲ್ಲಿ ಸೇರಿಕೊಳ್ಳಿ
- ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ಧಾರಣೆಗಳು ಮತ್ತು ಯೋಜನೆ ಆಲೋಚನೆಗಳ ಬಗ್ಗೆ ಚರ್ಚಿಸಿ
- ಯಂತ್ರ ಕಲಿಕೆಯ ಧಾರಣೆಗಳು ಮತ್ತು ಯೋಜನಾ ಆಲೋಚನೆಗಳನ್ನು ಚರ್ಚಿಸಿ
- ಅನುಭವ ಹೊಂದಿರುವ ಡೆವಲಪರ್‌ಗಳಿಂದ ಮಾರ್ಗದರ್ಶನ ಪಡೆಯಿರಿ
- ಅನುಭವಿಶಾಲಿ ಅಭಿವೃದ್ಧಿಗಾರರಿಂದ ಮಾರ್ಗದರ್ಶನ ಪಡೆಯಿರಿ
ಒಳವಾದ ಸಮುದಾಯವು ನಿಮ್ಮ ಕೌಶಲಗಳನ್ನು ಬೆಳೆಯಲು ಮತ್ತು ಸಮಸ್ಯೆಗಳನ್ನು ತ್ವರಿತವಾಗಿ ಪರಿಹರಿಸಲು ಉತ್ತಮ ಮಾರ್ಗ.
ಸಹಾಯಕ ಸಮುದಾಯವು ನಿಮ್ಮ ನಿಪುಣತೆಗಳನ್ನು ತುಂಬಿಸಲು ಮತ್ತು ಸಮಸ್ಯೆಗಳನ್ನು ಬೇಗ ಬಗೆಹರಿಸಲು ಉತ್ತಮ ಮಾರ್ಗವಾಗಿದೆ.
- ಪ್ರತಿಯೊಂದು ಪಾಠದ ನಂತರ ನೋಟ್ಬುಕ್ಗಳನ್ನು ವಿಮರ್ಶಿಸಿ ಉತ್ತಮ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು.
- ಉತ್ತಮ ಜ್ಞಾನಕ್ಕಾಗಿ ಪ್ರತಿ ಪಾಠದ ನಂತರ ನೋಟ್ಬುಕ್ಗಳನ್ನು ಪರಿಶೀಲಿಸಿ.
- ಆಲ್ಗೋರಿದಮ್‌ಗಳನ್ನು ಸ್ವತಃ ಅನ್ವಯಿಸಲು ಅಭ್ಯಾಸ ಮಾಡಿ.
- ಸ್ವತಃ ಆಲ್ಗೋರಿದಮ್‌ಗಳನ್ನು ಅನುಷ್ಠಾನ ಮಾಡೋದಾಗಿ ಅಭ್ಯಾಸ ಮಾಡಿ.
- ಕಲಿತ ಧಾರಣೆಗಳನ್ನು ಬಳಸಿಕೊಂಡು حقیقی ಜಗತ್ತಿನ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಅನ್ವೇಷಿಸಿ.
- ಕಲಿತ ಶಾಸ್ತ್ರಗಳನ್ನು ಉಪಯೋಗಿಸಿ ನಿಜಜೀವಿ ಡೇಟಾ ಸೆಟ್‌ಗಳನ್ನು ಅನ್ವೇಷಿಸಿ.
---
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**ಜಾಹೀರಾತು**:
**ಅಸ್ವೀಕಾರ**:
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [ಕೊ-ಓಪ್ ಟ್ರಾನ್ಸ್ಲೇಟರ್](https://github.com/Azure/co-op-translator) ಅನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯನ್ನು ಗುರಿಯಾಗಿಸಿಕೊಂಡಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದೆಂಬುದನ್ನು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿ ಇರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧೀನ ಮೂಲ ಎಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಗಳು ಅಥವಾ ವ್ಯಾಖ್ಯಾನ ತಪ್ಪುಗಳಿಗಾಗಿ ನಾವು ಜವಾಬ್ದಾರರಾಗುವುದಿಲ್ಲ.
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ದಯವಿಟ್ಟು ಗಮನಿಸಿ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸಡ್ಡೆಗಳು ಇರಬಹುದು. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜು ಪ್ರಾಮಾಣಿಕ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದವನ್ನು ಬಳಸುವ ಮೂಲಕ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಗಳ ಅಥವಾ ತಪ್ಪು ವ್ಯಾಖ್ಯಾನಗಳ ಬಗ್ಗೆ ನಾವು ಹೊಣೆಗಾರರಲ್ಲ.
ನೀವು ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ನಿಮ್ಮ ತರಗತಿಯಲ್ಲಿ ಬಳಸಲು ಇಚ್ಛಿಸುತ್ತೀರಾ? ದಯವಿಟ್ಟು ಮುಕ್ತವಾಗಿ ಬಳಸಿಕೊಳ್ಳಿ!
ನೀವು ಈ نصابವನ್ನು ನಿಮ್ಮ ತರಗತಿಯಲ್ಲಿ ಉಪಯೋಗಿಸಲು ಇಚ್ಛಿಸುವಿರಾ? ದಯವಿಟ್ಟು ಸುಗಮವಾಗಿ ಉಪಯೋಗಿಸಿ!
ವಾಸ್ತವದಲ್ಲಿ, ನೀವು GitHub Classroom ಬಳಸಿ GitHub ನೊಳಗೆ ಇದನ್ನು ಬಳಸಬಹುದು.
ವಾಸ್ತವವಾಗಿ, ನೀವು GitHub Classroom ಬಳಸಿ GitHub ಸ್ವಯಂ ಟೊಳಿಸಲು ಸಹಾಯ ಮಾಡಬಹುದು.
ಅದಕ್ಕಾಗಿ, ಈ ರೆಪೊವನ್ನು ಫೋರ್ಕ್ ಮಾಡಿ. ಪ್ರತಿಯೊಂದು ಪಾಠಕ್ಕಾಗಿ ನೀವು ಒಂದು ರೆಪೊ ಸೃಷ್ಟಿಸಬೇಕಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ ಪ್ರತಿಯೊಂದು ಫೋಲ್ಡರ್ ಅನ್ನು ಪ್ರತ್ಯೇಕ ರೆಪೊಗೆ ಹೊರತೆಗೆಯಬೇಕಾಗುತ್ತದೆ. ಆ ರೀತಿಯಲ್ಲಿ, [GitHub Classroom](https://classroom.github.com/classrooms) ಪ್ರತಿ ಪಾಠವನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಹಿಡಿಯಬಹುದು.
ಅದಕ್ಕಾಗಿ, ಈ ರೆಪೊವನ್ನು ಫೋರ್ಕ್ ಮಾಡಿ. ಪ್ರತಿಯೊಂದು ಪಾಠಕ್ಕೆ ಒಂದು ರೆಪೊವನ್ನು ರಚಿಸಬೇಕಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ ಪ್ರತಿಯೊಂದು ಫೋಲ್ಡರ್ ಅನ್ನು ಪ್ರತ್ಯೇಕ ರೆಪೊಗೆ ಹೊರತೆಗೆದಬೇಕು. ಹಾಗಾಗಿ, [GitHub Classroom](https://classroom.github.com/classrooms) ಪ್ರತ್ಯೇಕವಾಗಿ ಪ್ರತಿಯೊಂದು ಪಾಠವನ್ನು ಹಿಡಿದುಕೊಳ್ಳಬಹುದು.
ಈ [ಪೂರ್ಣ ಸೂಚನೆಗಳು](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) ನಿಮ್ಮ ತರಗತಿಯನ್ನು ಹೇಗೆ ಸೆಟ್ ಅಪ್ ಮಾಡಬೇಕೆಂದು ನಿಮಗೆ ತಿಳಿಸುವುದು.
ಈ [ಪೂರ್ಣ ಸೂಚನೆಗಳು](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) ನಿಮ್ಮ ತರಗತಿಯನ್ನು ಹೇಗೆ ಸ್ಥಾಪಿಸುವುದೆಂದು ತಿಳಿಸುವುದು.
## ರೆಪೊವನ್ನು ಹಾಗೆ ಬಳಸುವುದು
## ರೆಪೊವನ್ನು ಈಗಿನಂತೆಯೇ ಉಪಯೋಗಿಸುವುದು
ನೀವು GitHub Classroom ಬಳಸದೆ ಈ ರೆಪೊವನ್ನು ಪ್ರಸ್ತುತ ಸ್ಥಿತಿಯಲ್ಲಿ ಬಳಸಲು ಇಚ್ಛಿಸಿದರೆ, ಅದು ಸಹ ಸಾಧ್ಯ. ನೀವು ನಿಮ್ಮ ವಿದ್ಯಾರ್ಥಿಗಳೊಂದಿಗೆ ಯಾವ ಪಾಠವನ್ನು ಒಟ್ಟಿಗೆ ಕೆಲಸ ಮಾಡಬೇಕೆಂದು ಸಂವಹನ ಮಾಡಬೇಕಾಗುತ್ತದೆ.
ನೀವು GitHub Classroom ಬಳಸದೆ ಈ ರೆಪೊವನ್ನು ಈಗಿನಂತೆಯೇ ಉಪಯೋಗಿಸಲು ಇಚ್ಛಿಸುವರೆ, ಅದು ಸಹ ಸಾಧ್ಯ. ಯಾವ ಪಾಠವನ್ನು ಒಟ್ಟಾಗಿಯೇ ಕೆಲಸ ಮಾಡಲು ವಿದ್ಯಾರ್ಥಿಗಳು ತಿಳಿಯಬೇಕಾಗುತ್ತದೆ.
ಆನ್ಲೈನ್ ಫಾರ್ಮ್ಯಾಟ್ (Zoom, Teams, ಅಥವಾ ಇತರೆ) ನಲ್ಲಿ ನೀವು ಕ್ವಿಜ್‌ಗಳಿಗಾಗಿ ಬ್ರೇಕ್‌ಔಟ್ ರೂಮ್ಗಳನ್ನು ರೂಪಿಸಬಹುದು ಮತ್ತು ವಿದ್ಯಾರ್ಥಿಗಳನ್ನು ಕಲಿಯಲು ಸಿದ್ಧರಾಗಲು ಮಾರ್ಗದರ್ಶನ ಮಾಡಬಹುದು. ನಂತರ ವಿದ್ಯಾರ್ಥಿಗಳನ್ನು ಕ್ವಿಜ್‌ಗಳಿಗೆ ಆಹ್ವಾನಿಸಿ, ನಿರ್ದಿಷ್ಟ ಸಮಯದಲ್ಲಿ 'issues' ಆಗಿ ಉತ್ತರಗಳನ್ನು ಸಲ್ಲಿಸಲು ಹೇಳಬಹುದು. ನೀವು ಬಯಸಿದರೆ, ವಿದ್ಯಾರ್ಥಿಗಳು ಸಹಕಾರದಿಂದ ಹೊರಗೆ ಕೆಲಸ ಮಾಡಲು, ಅಸೈನ್ಮೆಂಟ್‌ಗಳಿಗೂ ಇದೇ ರೀತಿಯ ವ್ಯವಸ್ಥೆ ಮಾಡಬಹುದು.
ಆನ್ಲೈನ್ ಸ್ವರೂಪದಲ್ಲಿ (Zoom, Teams, ಅಥವಾ ಇತರೆ) ನೀವು ಕ್ವಿಜ್‌ಗಾಗಿ ಬ್ರೇಕ್‌ಔಟ್ ರೂಮ್ಗಳನ್ನು ರಚಿಸುತ್ತಿರಬಹುದು, ಮತ್ತು ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ತಯಾರಾಗಲು ಮಾರ್ಗದರ್ಶನ ನೀಡಬಹುದು. ನಂತರ, ವಿದ್ಯಾರ್ಥಿಗಳನ್ನು ಕ್ವಿಜ್‌ಗಳನ್ನು ಕೈಗೊಳ್ಳಲು ಮತ್ತು ತಮ್ಮ ಉತ್ತರಗಳನ್ನು 'ಇಷ್ಯೂಸ್' ಆಗಿ ಕೆಲವು ಸಮಯದಲ್ಲಿ ಸಲ್ಲಿಸಲು ಆಹ್ವಾನಿಸಿ. ನೀವು ಅನೇಕ ಕಲಿಕೆಗಳನ್ನು ಸಹ ಸಹಯೋಗದಾಗಿ ಕೆಲಸ ಮಾಡಲು ಇಚ್ಛಿಸುವರೆ, ಅದನ್ನೂ ಇದೇ ರೀತಿಯಲ್ಲಿ ಮಾಡಲು ಸಾಧ್ಯ.
ನೀವು ಹೆಚ್ಚು ಖಾಸಗಿ ಫಾರ್ಮ್ಯಾಟ್ ಇಚ್ಛಿಸಿದರೆ, ವಿದ್ಯಾರ್ಥಿಗಳನ್ನು ಪಠ್ಯಕ್ರಮವನ್ನು ಪಾಠದ ಮೂಲಕ ಫೋರ್ಕ್ ಮಾಡಿ ತಮ್ಮ ಸ್ವಂತ GitHub ರೆಪೊಗಳಲ್ಲಿ ಖಾಸಗಿ ರೆಪೊಗಳಾಗಿ ಇಟ್ಟುಕೊಳ್ಳಲು ಹೇಳಿ, ಮತ್ತು ನಿಮಗೆ ಪ್ರವೇಶ ನೀಡಲು ಹೇಳಿ. ನಂತರ ಅವರು ಖಾಸಗಿ ರೀತಿಯಲ್ಲಿ ಕ್ವಿಜ್‌ಗಳು ಮತ್ತು ಅಸೈನ್ಮೆಂಟ್‌ಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ, ನಿಮ್ಮ ತರಗತಿ ರೆಪೊದಲ್ಲಿ issues ಮೂಲಕ ನಿಮಗೆ ಸಲ್ಲಿಸಬಹುದು.
ನೀವು ಹೆಚ್ಚು ಖಾಸಗಿ ಸ್ವರೂಪವನ್ನು ಇಚ್ಛಿಸುವರೆ, ನಿಮ್ಮ ವಿದ್ಯಾರ್ಥಿಗಳನ್ನು نصابವನ್ನು ಪಾಠದ ಪ್ರಕಾರ ಅವರದೇ GitHub ರೆಪೊಗಳಾಗಿ ಖಾಸಗಿ ರೆಪೊಗಳಾಗಿ ಫೋರ್ಕ್ ಮಾಡಲು ಹೇಳಿ, ಮತ್ತು ನಿಮಗೆ ಪ್ರವೇಶವನ್ನು ನೀಡಿ. ನಂತರ ಅವರು ಕ್ವಿಜ್‌ಗಳು ಮತ್ತು ಕೆಲಸಗಳನ್ನು ಖಾಸಗಿಯಾಗಿ ಪೂರ್ಣಗೊಳಿಸಿ, ನಿಮ್ಮ ತರಗತಿ ರೆಪೊನಲ್ಲಿ ಇಷ್ಯೂಗಳ ಮೂಲಕ ನಿಮ್ಮಿಗೆ ಸಲ್ಲಿಸಬಹುದು.
ಆನ್ಲೈನ್ ತರಗತಿ ಫಾರ್ಮ್ಯಾಟ್‌ನಲ್ಲಿ ಇದನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವ ಅನೇಕ ಮಾರ್ಗಗಳಿವೆ. ದಯವಿಟ್ಟು ನಿಮಗೆ ಯಾವುದು ಉತ್ತಮವಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ ಎಂದು ನಮಗೆ ತಿಳಿಸಿ!
ಈ ಮಾರ್ಗವನ್ನು ಆನ್ಲೈನ್ ತರಗತಿ ಸ್ವರೂಪದಲ್ಲಿ ಕೆಲಸ ಮಾಡಿಸಲು ಹಲವಾರು ವಿಧಾನಗಳಿವೆ. ನಿಮಗೆ ಯಾವುದು ಉತ್ತಮವಾಗಿದ್ದು ನಮಗೆ ತಿಳಿಸಿ!
## ದಯವಿಟ್ಟು ನಿಮ್ಮ ಅಭಿಪ್ರಾಯವನ್ನು ನೀಡಿ!
## ದಯವಿಟ್ಟು ನಿಮ್ಮ ಅಭಿಪ್ರಾಯವನ್ನು ನೀಡಿ!
ನಾವು ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ನಿಮಗೂ ನಿಮ್ಮ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೂ ಉಪಯುಕ್ತವಾಗಿಸಲು ಬಯಸುತ್ತೇವೆ. ದಯವಿಟ್ಟು ನಮಗೆ [ಪ್ರತಿಕ್ರಿಯೆ](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u) ನೀಡಿ.
ನಾವು ಈ نصابವನ್ನು ನಿಮಗೂ ಮತ್ತು ನಿಮ್ಮ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಅನುಕೂಲವಾಗಿ ಮಾಡಲು ಬಯಸುತ್ತೇವೆ. ದಯವಿಟ್ಟು ನಮಗೆ [ಪ್ರತಿಕ್ರಿಯೆ](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u) ನೀಡಿ.
---
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**ಅಸ್ವೀಕರಣ**:
**ಅಸ್ವೀಕಾರ**:
ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ದಯವಿಟ್ಟು ಗಮನಿಸಿ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸಡ್ಡೆಗಳು ಇರಬಹುದು. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜು ಪ್ರಾಮಾಣಿಕ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದವನ್ನು ಬಳಸುವ ಮೂಲಕ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಗಳ ಅಥವಾ ತಪ್ಪು ವ್ಯಾಖ್ಯಾನಗಳ ಬಗ್ಗೆ ನಾವು ಹೊಣೆಗಾರರಲ್ಲ.
## [പഠനത്തിനു മുൻപ് ക്വിസ്](https://ff-quizzes.netlify.app/en/ml/)
---
---
[](https://youtu.be/N6wxM4wZ7V0 "ML for beginners - History of Machine Learning")
[](https://youtu.be/N6wxM4wZ7V0 "ആരംഭകരക്കുള്ള ML - മെഷീൻ ലേണിങിന്റെ ചരിത്രം")
> 🎥 ഈ പാഠം വിശദീകരിക്കുന്ന ഒരു ചെറിയ വീഡിയോയ്ക്ക് മുകളിൽ കാണുന്ന ചിത്രം ക്ലിക്ക് ചെയ്യുക.
> 🎥 ഈ പാഠം വിശദീകരിക്കുന്ന ചെറിയ വീഡിയോക്കായി മുകളിൽ ചിത്രം ക്ലിക്കുചെയ്യുക.
ഈ പാഠത്തിൽ, മെഷീൻ ലേണിങ്ങിന്റെയും കൃത്രിമ ബുദ്ധിമുട്ടിന്റെയും ചരിത്രത്തിലെ പ്രധാന മൈൽസ്റ്റോണുകൾ നാം പരിശോധിക്കും.
ഈ പാഠത്തിൽ, മെഷീൻ ലേണിങിന്റെയും കൃത്രിമ ബുദ്ധിമുട്ടിന്റെയും ചരിത്രത്തിലെ പ്രധാന മുന്നേറ്റങ്ങളിലൂടെ നാം വഴിതെളിച്ചുപോകും.
കൃത്രിമ ബുദ്ധിമുട്ട് (AI) എന്ന മേഖലയുടെയും മെഷീൻ ലേണിങ്ങിന്റെയും ചരിത്രം പരസ്പരം ബന്ധപ്പെട്ടിരിക്കുന്നു, കാരണം ML-നെ അടിസ്ഥാനമാക്കിയുള്ള ആൽഗോരിതങ്ങളും കംപ്യൂട്ടേഷണൽ പുരോഗതികളും AI-യുടെ വികസനത്തിന് സഹായകമായിട്ടുണ്ട്. ഈ മേഖലകൾ 1950-കളിൽ വ്യക്തമായ അന്വേഷണ മേഖലകളായി രൂപപ്പെട്ടെങ്കിലും, [ആൽഗോരിത്മിക്, സാങ്കേതിക, ഗണിത, കംപ്യൂട്ടേഷണൽ, സാങ്കേതിക കണ്ടെത്തലുകൾ](https://wikipedia.org/wiki/Timeline_of_machine_learning) ഈ കാലഘട്ടത്തിന് മുമ്പും അതിനിടയിലും ഉണ്ടായിരുന്നുവെന്ന് ഓർക്കുന്നത് പ്രയോജനകരമാണ്. വാസ്തവത്തിൽ, ഈ ചോദ്യങ്ങളെക്കുറിച്ച് ആളുകൾ [നൂറുകണക്കിന് വർഷങ്ങളായി](https://wikipedia.org/wiki/History_of_artificial_intelligence) ചിന്തിച്ചുവരുന്നു: ഈ ലേഖനം 'ചിന്തിക്കുന്ന യന്ത്രം' എന്ന ആശയത്തിന്റെ ചരിത്ര ബൗദ്ധിക അടിസ്ഥാനങ്ങളെക്കുറിച്ചാണ്.
മെഷീൻ ലേണിങ് പിന്തുടരുന്ന ആൾഗോറിതങ്ങൾക്കും കണക്കുകൂട്ടൽ പുരോഗതികൾക്കും അടിസ്ഥാനമായതിനാൽ കൃത്രിമ ബുദ്ധിമുട്ടിന്റെ (AI) ചരിത്രം ഈ മേഖലയുടെ ചരിത്രത്തോടൊപ്പം ചേർന്നതാണ്. 1950-കളിൽ ഈ വിഷയങ്ങൾ വ്യക്തമായ വ്യത്യസ്ത അന്വേഷണ മേഖലകളായി ആരംഭിച്ചതായിരിക്കുമ്പോഴും, പ്രധാനപ്പെട്ട [ആൾഗോറിത്മിക്, സംഖ്യാത്മക, ഗണിത, കണക്കുകൂട്ടൽ, സാങ്കേതിക കണ്ടെത്തലുകൾ](https://wikipedia.org/wiki/Timeline_of_machine_learning) ഈ കാലഘട്ടത്തിനു മുൻപും യഥാർഥവും ഉണ്ടായിരിന്നു. വാസ്തവത്തിൽ, ആളുകൾ ഈ ചോദ്യങ്ങളെ കുറിച്ച് [നൂറുകണക്കിന് വർഷങ്ങൾക്കു മുമ്പേ](https://wikipedia.org/wiki/History_of_artificial_intelligence) ആലോചിച്ചിരിക്കുന്നു: ഈ ലേഖനം 'ചിന്തിക്കുന്ന യന്ത്രം' എന്ന ആശയത്തിന്റെ ചരിത്ര ബൗദ്ധിക അടിസ്ഥാനങ്ങളെ വിസ്തരിച്ച് പറയുന്നു.
---
---
## ശ്രദ്ധേയമായ കണ്ടെത്തലുകൾ
## ശ്രദ്ധേയമായ കണ്ടെത്തലുകൾ
- 1763, 1812 [ബേസ് തിയറിം](https://wikipedia.org/wiki/Bayes%27_theorem)യും അതിന്റെ മുൻപുള്ളവയും. ഈ തിയറിവും അതിന്റെ പ്രയോഗങ്ങളും മുൻ അറിവിന്റെ അടിസ്ഥാനത്തിൽ ഒരു സംഭവത്തിന്റെ സംഭവിക്കാനുള്ള സാധ്യത വിവരിക്കുന്നു.
- 1763, 1812 [ബെയ്സ് തിയോറം](https://wikipedia.org/wiki/Bayes%27_theorem) കൂടാതെ ദാർശനികർ. ഈ തിയോറവും അതിന്റെ പ്രയോഗങ്ങളും പിൻവലിക്കൽ അടിസ്ഥാനമാക്കുന്നു, മുൻകാല അറിവിൽ നിന്നും ഒരു സംഭവത്തിന്റെ സാധ്യത വിവരിച്ചുകൊണ്ട്.
- 1805 ഫ്രഞ്ച് ഗണിതജ്ഞൻ Adrien-Marie Legendre നിർമിച്ച [ലീസ്റ്റ് സ്ക്വയർ തിയറി](https://wikipedia.org/wiki/Least_squares). ഈ തിയറി, ഞങ്ങളുടെ Regression യൂണിറ്റിൽ പഠിക്കപ്പെടും, ഡാറ്റ ഫിറ്റിംഗിൽ സഹായിക്കുന്നു.
- 1805 ഫ്രഞ്ച് ഗണിതജ്ഞൻ അഡ്രിയൻ-മേരി ലെജാംഡ്രിന്റെ [ലീസ്റ്റ് സ്ക്വയർ തിയറി](https://wikipedia.org/wiki/Least_squares). നമ്മുടെ റെഗ്രഷൻ യൂണിറ്റിൽ നിങ്ങൾ ഇതിനെക്കുറിച്ച് പഠിക്കും, ഇത് ഡാറ്റ ഫിറ്റിംഗിന് സഹായിക്കുന്നു.
- 1913 റഷ്യൻ ഗണിതജ്ഞൻ Andrey Markov-ന്റെ പേരിലുള്ള [മാർക്കോവ് ചെയിൻസ്](https://wikipedia.org/wiki/Markov_chain), മുൻസ്ഥിതിയുടെ അടിസ്ഥാനത്തിൽ സംഭവങ്ങളുടെ സീക്വൻസ് വിവരിക്കാൻ ഉപയോഗിക്കുന്നു.
- 1913 റഷ്യൻ ഗണിതജ്ഞൻ ആൻഡ്രി മാർകോവിന്റെ പേര് ചേരുന്ന [മാർകൊവ് ചെയിൻസ്](https://wikipedia.org/wiki/Markov_chain), മുൻനിലയുടെ അടിസ്ഥാനത്തിൽ സംഭവങ്ങളുടെ അനുക്രമം വർണ്ണിക്കുന്നു.
- 1957 അമേരിക്കൻ മനശാസ്ത്രജ്ഞൻ Frank Rosenblatt കണ്ടുപിടിച്ച [പേഴ്സെപ്ട്രോൺ](https://wikipedia.org/wiki/Perceptron) എന്ന ലീനിയർ ക്ലാസിഫയർ, ഡീപ്പ് ലേണിങ്ങിലെ പുരോഗതിക്ക് അടിസ്ഥാനം.
- 1957 അമേരിക്കൻ മനഃശാസ്ത്രജ്ഞൻ ഫ്രാങ്ക് റൊസൻബ്ലാട്ട് കണ്ട താരം[പർസെപ്ട്രോൺ](https://wikipedia.org/wiki/Perceptron), ലിനീയർ ക്ലാസ്സിഫയർ ആണിത്, ഡീപ് ലേണിങിൽ മുന്നേറ്റങ്ങൾക്ക് അടിസ്ഥാനം.
---
---
- 1967 [നീറസ്റ്റ് നെബർ](https://wikipedia.org/wiki/Nearest_neighbor) ഒരു ആൽഗോരിതം, ആദ്യം റൂട്ടുകൾ മാപ്പ് ചെയ്യാൻ രൂപകൽപ്പന ചെയ്തതായിരുന്നു. ML-ൽ ഇത് പാറ്റേണുകൾ കണ്ടെത്താൻ ഉപയോഗിക്കുന്നു.
- 1967 [നെയർസ്റ്റ് നേബറ്സ്](https://wikipedia.org/wiki/Nearest_neighbor) ആൽഗോറിതം ആദ്യം റൂട്ടുകൾ മാപ്പുചെയ്യുന്നതിനായി രൂപകൽപ്പന ചെയ്തത്. മെഷീൻ ലേണിങിൽ ഇത് മാതൃകകൾ കണ്ടെത്താനുപയോഗിക്കുന്നു.
- 1970 [ബാക്ക്പ്രൊപ്പഗേഷൻ](https://wikipedia.org/wiki/Backpropagation) [ഫീഡ്ഫോർവേഡ് ന്യൂറൽ നെറ്റ്വർക്കുകൾ](https://wikipedia.org/wiki/Feedforward_neural_network) പരിശീലിപ്പിക്കാൻ ഉപയോഗിക്കുന്നു.
- 1970 [ബാക്ക് പ്രൊപഗേഷൻ](https://wikipedia.org/wiki/Backpropagation) [ഫീഡ്ഫോർവേഡ് ന്യൂറൽ നെറ്റ്വർക്കുകൾ](https://wikipedia.org/wiki/Feedforward_neural_network) പരിശീലിക്കാൻ ഉപയോഗിക്കുന്നു.
- 1982 [റികറന്റ് ന്യൂറൽ നെറ്റ്വർക്കുകൾ](https://wikipedia.org/wiki/Recurrent_neural_network) ഫീഡ്ഫോർവേഡ് ന്യൂറൽ നെറ്റ്വർക്കുകളിൽ നിന്നുള്ള കൃത്രിമ ന്യൂറൽ നെറ്റ്വർക്കുകൾ ആണ്, അവ താൽക്കാലിക ഗ്രാഫുകൾ സൃഷ്ടിക്കുന്നു.
- 1982 [റികറന്റ് ന്യൂറൽ നെറ്റ്വർക്കുകൾ](https://wikipedia.org/wiki/Recurrent_neural_network) ഫീഡ്ഫോർവേഡ് ന്യൂറൽ നെറ്റ്വർക്കിൽ നിന്നുള്ള ആ നിർമാണമാണ്, കാലപരിധി ഗ്രാഫുകൾ സൃഷ്ടിക്കുന്നു.
✅ ചെറിയൊരു ഗവേഷണം നടത്തുക. ML-നും AI-നും ചരിത്രത്തിൽ മറ്റേതെങ്കിലും നിർണായക തീയതികൾ എന്തെല്ലാമാണ്?
✅ ചെറിയൊരു ഗവേഷണം നടത്തൂ. മെഷീൻ ലേണിങ്, AI ചരിത്രത്തിലെ മറ്റേതെങ്കിലും പ്രധാന തീയതികൾ എന്തെല്ലാം?
---
---
## 1950: ചിന്തിക്കുന്ന യന്ത്രങ്ങൾ
## 1950: ചിന്തിക്കുന്ന യന്ത്രങ്ങൾ
അലൻ ട്യൂറിംഗ്, 2019-ൽ [പൊതുജനങ്ങൾ വോട്ടെഴുതിയ](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) 20-ആം നൂറ്റാണ്ടിലെ ഏറ്റവും വലിയ ശാസ്ത്രജ്ഞനായി തിരഞ്ഞെടുക്കപ്പെട്ട ഒരു അത്ഭുതകരനായ വ്യക്തി, 'ചിന്തിക്കാൻ കഴിയുന്ന യന്ത്രം' എന്ന ആശയത്തിന് അടിസ്ഥാനം ഒരുക്കുന്നതിൽ സഹായിച്ചതായി കണക്കാക്കപ്പെടുന്നു. ഈ ആശയത്തിന് empirical തെളിവ് ആവശ്യമായതിനാൽ അദ്ദേഹം [ട്യൂറിംഗ് ടെസ്റ്റ്](https://www.bbc.com/news/technology-18475646) സൃഷ്ടിച്ചു, ഇത് ഞങ്ങളുടെ NLP പാഠങ്ങളിൽ നിങ്ങൾ പരിശോധിക്കും.
20-ആം നൂറ്റാണ്ടിലെ ഏറ്റവും വലിയ ശാസ്ത്രജ్ఞനായി [പൊതു വോട്ടിൽ 2019-ൽ](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) തെരഞ്ഞെടുക്കപ്പെട്ട അലിയൻ ട്യൂറിങ്, 'ചിന്തിക്കാവുന്ന യന്ത്രം' എന്ന ആശയത്തിന് അടിസ്ഥാനം പടുത്തുയർത്താൻ സഹായിച്ചു. ഇതിനായി empirical സംശയക്കാർക്കും സ്വന്തം സംശയങ്ങൾക്കും മറുപടി നൽകുവാനുള്ള ശ്രമത്തിൽ [ട്യൂറിംഗ് ടെസ്റ്റ്](https://www.bbc.com/news/technology-18475646) അദ്ദേഹം സൃഷ്ടിച്ചു, നിങ്ങളുടെ NLP പാഠങ്ങളിൽ ഇത് പരിശോധിക്കപ്പെടും.
---
---
## 1956: ഡാർട്മൗത്ത് സമ്മർ റിസർച്ച് പ്രോജക്ട്
## 1956: ഡാർട്മൗത്ത് ശീതകാല ഗവേഷണ പദ്ധതി
"കൃത്രിമ ബുദ്ധിമുട്ട് എന്ന മേഖലയായി ഡാർട്മൗത്ത് സമ്മർ റിസർച്ച് പ്രോജക്ട് ഒരു സുപ്രധാന സംഭവമായിരുന്നു," ഇവിടെ 'കൃത്രിമ ബുദ്ധിമുട്ട്' എന്ന പദം ആദ്യമായി ഉപയോഗിക്കപ്പെട്ടു ([സ്രോതസ്സ്](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
"അ人工ീം ബുദ്ധിമുട്ടിന്റെ ഒരു മേഖലയായ ഡാർട്മൗത്ത് ശീതകാല ഗവേഷണ പദ്ധതി ഒരു മൂല്യവത്തായ സംഭവം ആയിരുന്നു", ഇവിടെ 'അ人工ീം ബുദ്ധി' എന്ന പദം ആദ്യമായി പരാമർശിച്ചു ([മൂലം](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
> പഠനത്തിന്റെ എല്ലാ ഘടകങ്ങളും ബുദ്ധിമുട്ടിന്റെ മറ്റ് എല്ലാ സവിശേഷതകളും യന്ത്രം അനുകരിക്കാൻ കഴിയുന്ന വിധം കൃത്യമായി വിവരണം ചെയ്യാവുന്നതാണ്.
> പഠനത്തിന്റെ എല്ലാ വശങ്ങളെയും ബുദ്ധിമുട്ടിന്റെ മറ്റേതെങ്കിലും ഘടകവും നിജത്തിൽ വളരെ കൃത്യമായി വിശദീകരിക്കാൻ കഴിയും, അങ്ങനെ ഒരു യന്ത്രം അത് അനുകരണം ചെയ്യാൻ കഴിയും.
---
---
മുൻനിര ഗവേഷകൻ, ഗണിതശാസ്ത്ര പ്രൊഫസർ ജോൺ മക്കാർത്തി, "പഠനത്തിന്റെ എല്ലാ ഘടകങ്ങളും ബുദ്ധിമുട്ടിന്റെ മറ്റ് സവിശേഷതകളും യന്ത്രം അനുകരിക്കാൻ കഴിയുന്ന വിധം കൃത്യമായി വിവരണം ചെയ്യാവുന്നതാണ്" എന്ന കണക്കുകൂട്ടലിന്റെ അടിസ്ഥാനത്തിൽ മുന്നോട്ട് പോകാൻ ആഗ്രഹിച്ചു. ഈ സമ്മേളനത്തിൽ Marvin Minsky എന്ന മറ്റൊരു പ്രമുഖനും പങ്കെടുത്തു.
മുൻനിര ഗവേഷകൻ, ഗണിതശാസ്ത്ര പ്രൊഫസർ ജോൺ മക്കാർത്തി, "പാഠം പഠനത്തിന്റെയും ബുദ്ധിമുട്ടിന്റെ ഏതൊരു ഘടകവും അത്ര കൃത്യമായി ചിത്രീകരിക്കാമെന്ന് സമർത്ഥിച്ചാൽ, അതിന്റെ അനുകരണം ചെയ്യാൻ യന്ത്രം ഉണ്ടാക്കാമെന്ന് കരുതുന്നു" എന്ന് പ്രതീക്ഷിച്ചിരുന്നു. പങ്കെടുത്തവരിൽ Marvin Minsky എന്ന മറ്റൊരു പ്രശസ്ത വ്യക്തി ഉൾപ്പെട്ടിരുന്നു.
ഈ വർക്ക്ഷോപ്പ് "സിംബോളിക് രീതികളുടെ ഉയർച്ച, പരിമിത മേഖലകളിൽ കേന്ദ്രീകൃത സിസ്റ്റങ്ങൾ (ആദ്യ വിദഗ്ധ സിസ്റ്റങ്ങൾ), ഡെഡക്ടീവ് സിസ്റ്റങ്ങൾ എതിരായ ഇൻഡക്ടീവ് സിസ്റ്റങ്ങൾ" തുടങ്ങിയ ചർച്ചകൾ ആരംഭിക്കുകയും പ്രോത്സാഹിപ്പിക്കുകയും ചെയ്തതായി കണക്കാക്കപ്പെടുന്നു ([സ്രോതസ്സ്](https://wikipedia.org/wiki/Dartmouth_workshop)).
ഈ വർക്ക്ഷോപ്പ് സංකേതാത്മക രീതി, പ്രത്യേക ആവിഷ്കാരങ്ങളുള്ള സിസ്റ്റങ്ങൾ (ആർഭാട വിദഗ്ധ സിസ്റ്റങ്ങൾ), ഡെഡക്ഷൻ സിസ്റ്റങ്ങൾ എതിരായി ഇൻഡക്ഷൻ സിസ്റ്റങ്ങൾ തുടങ്ങിയ ചർച്ചകൾ ആരംഭിച്ച് പ്രോത്സാഹനം നൽകി ([മൂലം](https://wikipedia.org/wiki/Dartmouth_workshop)).
---
---
## 1956 - 1974: "സ്വർണകാലം"
## 1956 - 1974: "സ്വർണ്ണകാലം"
1950-കളിൽ നിന്ന് 1970-കളുടെ മധ്യകാലം വരെ, AI പല പ്രശ്നങ്ങളും പരിഹരിക്കുമെന്ന് വലിയ പ്രതീക്ഷ ഉണ്ടായിരുന്നു. 1967-ൽ Marvin Minsky ആത്മവിശ്വാസത്തോടെ പറഞ്ഞു: "ഒരു തലമുറക്കുള്ളിൽ ... 'കൃത്രിമ ബുദ്ധിമുട്ട്' സൃഷ്ടിക്കുന്ന പ്രശ്നം പ്രധാനമായും പരിഹരിക്കപ്പെടും." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
1950-കളിൽ തുടങ്ങി 70കളുടെ മദ്ധ്യകാലത്തിനിടയിൽ, AI പല പ്രശ്നങ്ങളും പരിഹരിക്കുമെന്നാണ് ഉയർന്ന പ്രതീക്ഷ. 1967-ൽ Marvin Minsky ഉറച്ച് പറഞ്ഞു, "ഒരു തലമുറയ്ക്ക് ഉള്ളിൽ 'അ人工ീം ബുദ്ധിമുട്ട്' സൃഷ്ടി പ്രശ്നം വളരെയധികം പരിഹരിക്കപ്പെടും." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
പ്രകൃതിഭാഷാ പ്രോസസ്സിംഗ് ഗവേഷണം വളർന്നു, തിരച്ചിൽ മെച്ചപ്പെടുത്തി ശക്തിപ്പെടുത്തി, 'മൈക്രോ-വേൾഡ്' എന്ന ആശയം സൃഷ്ടിച്ചു, എളുപ്പം plain language നിർദ്ദേശങ്ങൾ ഉപയോഗിച്ച് ലളിതമായ പ്രവർത്തനങ്ങൾ പൂർത്തിയാക്കാൻ.
നാടപരിഭാഷാ പ്രോസസ്സിംഗ് ഗവേഷണം വളർന്നു, ശോധനം ത്യൂതമുന്നതായി മെച്ചപ്പെട്ടു, 'സൂക്ഷ്മ ലോകങ്ങൾ' എന്ന ആശയം രൂപംകൂട്ടി വായസഹിത പ്രവർത്തനങ്ങൾ ചെയ്ത് ലളിതമായ കീഴ്വഴക്കങ്ങൾ പ്രഖ്യാപിച്ചു.
---
---
ഗവൺമെന്റ് ഏജൻസികൾ ഗവേഷണത്തിന് ധനസഹായം നൽകി, കംപ്യൂട്ടേഷൻ, ആൽഗോരിതങ്ങളിൽ പുരോഗതി ഉണ്ടായി, ബുദ്ധിമുട്ടുള്ള യന്ത്രങ്ങളുടെ പ്രോട്ടോടൈപ്പുകൾ നിർമ്മിച്ചു. ചില യന്ത്രങ്ങൾ:
ഗവേഷണം സർക്കാർ ഏജൻസികൾ നൽകുന്ന ധനസഹായത്തോടെ പുരോഗമിച്ചു, കണക്കുകൂട്ടലിലും ആൾഗോറിതങ്ങളിൽ പുരോഗതി ഉണ്ടായി, ബുദ്ധിമുട്ടുള്ള യന്ത്രങ്ങളുടെ മാതൃകകൾ നിർമ്മിക്കപ്പെട്ടു. അവയിലെ ചിലയിടങ്ങൾ:
* [ഷേക്കി ദി റോബോട്ട്](https://wikipedia.org/wiki/Shakey_the_robot), 'ബുദ്ധിമുട്ടോടെ' പ്രവർത്തനങ്ങൾ നിർവഹിക്കാൻ കഴിവുള്ളത്.
* [ഷാക്കി റോബോട്ട്](https://wikipedia.org/wiki/Shakey_the_robot), 'ബുദ്ധിമുട്ടോടെ' പ്രവർത്തിക്കാൻ കഴിവുള്ള റോബോട്ട്.
* എലൈസ, ഒരു പ്രാരംഭ 'ചാറ്റർബോട്ട്', ആളുകളുമായി സംവദിക്കുകയും പ്രാഥമിക 'തെറാപ്പിസ്റ്റ്' ആയി പ്രവർത്തിക്കുകയും ചെയ്തു. NLP പാഠങ്ങളിൽ എലൈസയെക്കുറിച്ച് കൂടുതൽ പഠിക്കും.
* എലൈസ, ഒരുദ്വേഗ 'ചാറ്റർബോട്ട്', മനുഷ്യരുമായി സംവദിക്കുകയും പ്രാചീന 'തെറാപ്പിസ്റ്റ്' എന്ന നിലയിൽ പ്രവർത്തിക്കുകയും ചെയ്തു. NLP പാഠ്യത്തിൽ നിങ്ങൾ കൂടുതൽ അറിയും.
> എലൈസയുടെ ഒരു പതിപ്പ്, ഒരു ചാറ്റ്ബോട്ട്
> എലൈസയുടെ ഒരു പതിപ്പ്, ചാറ്റ്ബോട്ട്
---
---
* "ബ്ലോക്ക്സ് വേൾഡ്" ഒരു മൈക്രോ-വേൾഡ് ഉദാഹരണമായിരുന്നു, ഇവിടെ ബ്ലോക്കുകൾ തട്ടി ക്രമീകരിക്കാനും യന്ത്രങ്ങളെ തീരുമാനമെടുക്കാൻ പഠിപ്പിക്കാനും പരീക്ഷണങ്ങൾ നടത്താമായിരുന്നു. [SHRDLU](https://wikipedia.org/wiki/SHRDLU) പോലുള്ള ലൈബ്രറികൾ ഉപയോഗിച്ച് ഭാഷാ പ്രോസസ്സിംഗ് മുന്നോട്ട് കൊണ്ടുപോയി.
* "ബ്ലോക്കുകൾ ലോകം" മൈക്രോ-ലോകത്തിന്റെ ഉദാഹരണമായി ബെന്നുകൾ ഘടിപ്പിക്കുകയും ക്രമീകരിക്കുകയും ചെയ്തു. യന്ത്രങ്ങൾക്ക് തീരുമാനമെടുക്കാൻ പഠിപ്പിക്കുന്ന പരീക്ഷണങ്ങൾ നടത്തിയിരുന്നു. [SHRDLU](https://wikipedia.org/wiki/SHRDLU) പോലുള്ള ലൈബ്രറികളോടെനടത്തപ്പെട്ട പുരോഗതികൾ ഭാഷ പ്രോസസ്സിങിൽ സഹായിച്ചു.
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "blocks world with SHRDLU")
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "SHRDLU ഉപയോഗിച്ചുള്ള ബ്ലോക്കുകൾ ലോകം")
> 🎥 മുകളിൽ കാണുന്ന ചിത്രം ക്ലിക്ക് ചെയ്ത് വീഡിയോ കാണുക: SHRDLU ഉപയോഗിച്ചുള്ള ബ്ലോക്ക്സ് വേൾഡ്
> 🎥 മുകളിൽ ചിത്രത്തെ ക്ലിക്കുചെയ്യുക: SHRDLU ഉപയോഗിച്ചുള്ള ബ്ലോക്കുകൾ ലോകം വീഡിയോ
---
---
## 1974 - 1980: "AI ശീതകാലം"
## 1974 - 1980: "AI ശൈത്യകാലം"
1970-കളുടെ മധ്യത്തിൽ, 'ബുദ്ധിമുട്ടുള്ള യന്ത്രങ്ങൾ' നിർമ്മിക്കുന്നതിന്റെ സങ്കീർണ്ണത കുറവായി കണക്കാക്കിയതും, ലഭ്യമായ കംപ്യൂട്ട് ശക്തി പരിഗണിച്ചാൽ വാഗ്ദാനം അത്ര വലിയതല്ലെന്ന് വ്യക്തമായിരുന്നു. ധനസഹായം കുറഞ്ഞു, മേഖലയിലെ ആത്മവിശ്വാസം മന്ദഗതിയിലായി. ആത്മവിശ്വാസത്തെ ബാധിച്ച ചില പ്രശ്നങ്ങൾ:
1970-കളുടെ മദ്ധ്യത്തിൽ 'ബുദ്ധിമുട്ടുള്ള യന്ത്രങ്ങൾ' നിർമ്മിക്കുന്നതിലെ സങ്കീർണ്ണത കുറവായി പറഞ്ഞ് വമ്പനാകില്ലെന്ന് തെളിഞ്ഞു. ലഭ്യമായ കണക്കു ശക്തി പരിഹാരത്തിന്റെ വാഗ്ദാനത്തെ വലിയതാക്കിയത്. ഫണ്ടിംഗ് ശൂന്യപ്പെട്ടു, മേഖലയിൽ ആത്മവിശ്വാസം കുറയാൻ തുടങ്ങിയതായി മനസ്സിലായി. വിശ്വാസത്തെ ബാധിച്ച ചില പ്രശ്നങ്ങൾ:
---
---
- **പരിമിതികൾ**. കംപ്യൂട്ട് ശക്തി വളരെ പരിമിതമായിരുന്നു.
- **പരിമിതികൾ**. കണക്കുകൂട്ടൽ ശക്തി വളരെ പരിമിതമായിരുന്നു.
- **കമ്പിനേറ്റോറിയൽ എക്സ്പ്ലോഷൻ**. കംപ്യൂട്ടറുകളിൽ കൂടുതൽ ആവശ്യങ്ങൾ വന്നപ്പോൾ പരിശീലിക്കേണ്ട പാരാമീറ്ററുകളുടെ എണ്ണം വൻപരിധിയിലേയ്ക്ക് വളർന്നു, കംപ്യൂട്ട് ശക്തിയും കഴിവും അതുപോലെ വളർന്നില്ല.
- **കമ്പിനേറ്റോറിയൽ സ്ഫോടനം**. കണക്കു ശേഷിയുടെ ഉയർച്ചയോ ശേഷി വളർച്ചയോ കൂടാതെ параметറുകൾ വഹിപ്പിക്കാൻ ആവശ്യമായ എണ്ണം അക്കാലയുകത്തിൽ വളർന്നു.
- **ഡാറ്റയുടെ കുറവ്**. പരീക്ഷണങ്ങൾ, വികസനം, ആൽഗോരിതം മെച്ചപ്പെടുത്തൽ എന്നിവയ്ക്ക് ആവശ്യമായ ഡാറ്റ കുറവായിരുന്നു.
- **നാം ശരിയായ ചോദ്യങ്ങൾ ചോദിക്കുന്നുണ്ടോ?**. ചോദിക്കുന്ന ചോദ്യങ്ങൾ തന്നെ സംശയാസ്പദമായി മാറി. ഗവേഷകർക്ക് അവരുടെ സമീപനങ്ങളെക്കുറിച്ച് വിമർശനങ്ങൾ നേരിടേണ്ടി വന്നു:
- **നാം ശരിയായ ചോദ്യങ്ങൾ ചോദിക്കുന്നുണ്ടോ?**. ചോദിക്കുന്ന ചോദ്യങ്ങളെയ്ക്കു പോലും സംശയം ഉയർന്നു. ഗവേഷകർ അവരുടെ സമീപനങ്ങൾ കുറിച്ച് വിമർശനം ഏറ്റെടുത്തു:
- ട്യൂറിംഗ് ടെസ്റ്റുകൾ 'ചൈനീസ് റൂം തിയറി' പോലുള്ള ആശയങ്ങളാൽ ചോദ്യം ചെയ്യപ്പെട്ടു, ഇതിൽ "ഡിജിറ്റൽ കംപ്യൂട്ടർ പ്രോഗ്രാമിംഗ് ഭാഷ മനസ്സിലാക്കുന്ന പോലെ തോന്നിക്കാമെങ്കിലും യഥാർത്ഥ മനസ്സിലാക്കൽ ഉണ്ടാകില്ല" എന്ന് വാദിച്ചു. ([സ്രോതസ്സ്](https://plato.stanford.edu/entries/chinese-room/))
- ട്യൂറിങ് ടെസ്റ്റുകൾ ചൈനീസ് റൂം തിയറിയാൽ ചോദ്യംചെയ്യപ്പെട്ടു: "ഡിജിറ്റൽ കമ്പ്യൂട്ടർ പ്രോഗ്രാമിംഗ് ഭാഷ മനസിലാക്കുന്നില്ലാജ്ഞിതപണ്ഡിതൻ കാട്ടും, പക്ഷെ യഥാർത്ഥ മനസ്സിലാക്കൽ ഉണ്ടാക്കാൻ കഴിയില്ല." ([മൂലം](https://plato.stanford.edu/entries/chinese-room/))
- "തെറാപ്പിസ്റ്റ്" എലൈസ പോലുള്ള കൃത്രിമ ബുദ്ധിമുട്ടുകൾ സമൂഹത്തിൽ പരിചയപ്പെടുത്തുന്നതിന്റെ നൈതികത ചോദ്യം ചെയ്യപ്പെട്ടു.
- 'തെറാപ്പിസ്റ്റ്' എലൈസ പോലെയുള്ള കൃത്രിമ ബുദ്ധിമുട്ടുകളുടെ സമൂഹത്തിൽ പരിചയം എടുക്കുന്നത് നൈതികമായി ചോദ്യംചെയ്യപ്പെട്ടു.
---
---
അതേസമയം, വിവിധ AI ചിന്താശാഖകൾ രൂപപ്പെട്ടു. ["സ്ക്രഫി" vs. "നീറ്റ് AI"](https://wikipedia.org/wiki/Neats_and_scruffies) എന്ന വ്യത്യാസം സ്ഥാപിച്ചു. _സ്ക്രഫി_ ലാബുകൾ മണിക്കൂറുകൾക്കായി പ്രോഗ്രാമുകൾ തിരുത്തി ആവശ്യമായ ഫലങ്ങൾ നേടാൻ ശ്രമിച്ചു. _നീറ്റ്_ ലാബുകൾ "ലോജിക്, ഔപചാരിക പ്രശ്നപരിഹാരത്തിൽ" കേന്ദ്രീകരിച്ചു. എലൈസയും SHRDLUയും പ്രശസ്തമായ _സ്ക്രഫി_ സിസ്റ്റങ്ങളായിരുന്നു. 1980-കളിൽ ML സിസ്റ്റങ്ങൾ പുനരുത്പാദനയോഗ്യമാക്കേണ്ട ആവശ്യം ഉയർന്നപ്പോൾ, _നീറ്റ്_ സമീപനം മുൻപന്തിയിലായി, കാരണം അതിന്റെ ഫലങ്ങൾ കൂടുതൽ വിശദീകരിക്കാവുന്നതായിരുന്നു.
ഒരേ സമയം, വിവിധ AI ചിന്താശാലകൾ രൂപം കൊണ്ടു. ["സ്ക്രഫി" എന്നത് Vs. "നീറ്റ് AI"](https://wikipedia.org/wiki/Neats_and_scruffies) എന്ന രണ്ടു വൈവിധ്യമാർന്ന പ്രക്രിയകൾ നിലനിന്നു. _സ്ക്രഫി_ ലബോറട്ടറികൾ മണിക്കൂറുകളായി പ്രോഗ്രാമുകൾ തിരുത്തി ആവശ്യമായ ഫലം കാണിച്ചത്. _നീറ്റ്_ ലബോറട്ടറികൾ "തര്ക്കവും ഔപചാരിക പ്രശ്നം പരിഹാരവും" ലക്ഷ്യം വച്ചിരുന്നു. എലൈസയും SHRDLUയും പ്രശസ്തമായ _സ്ക്രഫി_ സംവിധാനങ്ങളായിരുന്നു. 1980-കളിൽ ML സംവിധാനങ്ങൾ പുനരുപയോഗയോഗ്യമാക്കേണ്ട ആവശ്യകം ഉയർന്നപ്പോൾ, വിശദീകരിക്കാവുന്ന ഫലങ്ങൾ ലഭിച്ചതിനാൽ _നീറ്റ്_ സമീപനം മുൻതൂക്കം നേടിയെടുത്തു.
---
---
## 1980-കൾ വിദഗ്ധ സിസ്റ്റങ്ങൾ
## 1980-കൾ വിദഗ്ധ സിസ്റ്റങ്ങൾ
മേഖല വളർന്നതോടെ, ബിസിനസിന് ഇതിന്റെ പ്രയോജനം വ്യക്തമായി, 1980-കളിൽ 'വിദഗ്ധ സിസ്റ്റങ്ങൾ' വ്യാപിച്ചു. "വിദഗ്ധ സിസ്റ്റങ്ങൾ കൃത്രിമ ബുദ്ധിമുട്ടിന്റെ ആദ്യത്തെ വിജയകരമായ സോഫ്റ്റ്വെയർ രൂപങ്ങളിലൊന്നായിരുന്നു." ([സ്രോതസ്സ്](https://wikipedia.org/wiki/Expert_system)).
ഈ മേഖലയിലെ വളർച്ചയോടൊപ്പം, ബിസിനസുകൾക്ക് അതിന്റെ ഉപയോഗം വ്യക്തമാകാൻ തുടങ്ങി, 1980-കളിൽ 'വിദഗ്ധ സിസ്റ്റങ്ങൾ' വ്യാപിച്ചു. "വിദഗ്ധ സിസ്റ്റങ്ങൾ അസൽ വിജയകരമായ കൃത്രിമ ബുദ്ധി സോഫ്റ്റ്വെയർ രൂപങ്ങൾക്കുളളതാണ്." ([മൂലം](https://wikipedia.org/wiki/Expert_system))
ഈ സിസ്റ്റങ്ങൾ ഭാഗികമായി നിയമങ്ങൾ നിർവചിക്കുന്ന ഒരു റൂൾസ് എഞ്ചിനും, പുതിയ വസ്തുതകൾ കണ്ടെത്താൻ റൂൾസ് സിസ്റ്റം ഉപയോഗിക്കുന്ന ഇൻഫറൻസ് എഞ്ചിനും ചേർന്ന _ഹൈബ്രിഡ്_ ആണ്.
ഈ വിഭാഗം _ഹൈബ്രിഡ്_ ആണ്, ഒരു വിധം reglas എഞ്ചിൻ ബിസിനസ് ആവശ്യങ്ങൾ കേസ് നിർവചിക്കുന്നു, മറ്റൊരു വിഭാഗം inference engine പുതിയ സങ്കൽപങ്ങൾ കണ്ടെത്താനായി നിയമപ്രക്രിയ പ്രയോഗിക്കുന്നു.
ഈ കാലഘട്ടത്തിൽ ന്യൂറൽ നെറ്റ്വർക്കുകൾക്ക് കൂടുതൽ ശ്രദ്ധ ലഭിച്ചു.
ഈ ഘട്ടത്തിൽ ന്യൂറൽ നെറ്റ്വർക്ക് ഗവേഷണത്തിലും വർദ്ധിച്ച ശ്രദ്ധ അനുവദിച്ചു.
---
---
## 1987 - 1993: AI 'ചില്ല്'
## 1987 - 1993: AI 'തണുപ്പ്'
വിദഗ്ധ സിസ്റ്റങ്ങൾക്കായുള്ള പ്രത്യേക ഹാർഡ്വെയർ വളരെ പ്രത്യേകതയുള്ളതായതിനാൽ അതിന്റെ വ്യാപനം കുറവായി. പേഴ്സണൽ കംപ്യൂട്ടറുകളുടെ ഉയർച്ചയും ഈ വലിയ, പ്രത്യേക, കേന്ദ്രകൃത സിസ്റ്റങ്ങളുമായി മത്സരം നടത്തി. കംപ്യൂട്ടിങ്ങിന്റെ ജനാധിപത്യവൽക്കരണം ആരംഭിച്ചു, ഇത് പിന്നീട് ബിഗ് ഡാറ്റയുടെ ആധുനിക പൊട്ടിപ്പുറത്തലിന് വഴിതെളിച്ചു.
വിദഗ്ധ ഹൈഡ്വെയർ വ്യാപനം അത്യുന്നതമായ പ്രത്യേകത സൃഷ്ടിച്ചത്. വ്യക്തിഗത കമ്പ്യൂട്ടറുകൾ പകരം keskuskoneisiin. കംപ്യൂട്ടിങ്ങിന്റെ ജനപ്രിയം തുടക്കമായി, അത് ഇന്ന് പലയിടത്തും വൻ ഡാറ്റയുടെ വ്യാപനത്തിന് വഴിയൊരുക്കി.
---
---
## 1993 - 2011
## 1993 - 2011
ഈ കാലഘട്ടം ML-നും AI-നും മുമ്പ് ഡാറ്റയും കംപ്യൂട്ട് ശക്തിയും കുറവായതിനാൽ ഉണ്ടായ പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ പുതിയ കാലഘട്ടമായി. ഡാറ്റയുടെ അളവ് വേഗത്തിൽ വർദ്ധിച്ചു, പ്രത്യേകിച്ച് 2007-ൽ സ്മാർട്ട്ഫോൺ വന്നതോടെ കൂടുതൽ ലഭ്യമായി. കംപ്യൂട്ട് ശക്തി വൻപരിധിയിലേയ്ക്ക് വളർന്നു, ആൽഗോരിതങ്ങളും അതിനൊപ്പം വികസിച്ചു. ഈ മേഖല വളർച്ചയുടെ പാതയിൽ കടന്നു, മുൻകാല സ്വതന്ത്രമായ കാലങ്ങൾ ഒരു സത്യമായ ശാസ്ത്രശാഖയായി രൂപപ്പെട്ടു.
ഈ കാലഘട്ടം മെഷീൻ ലേണിങ്, AIക്ക് മുമ്പ് ഉണ്ടാക്കിയ ഒരു ഡാറ്റയും കംപ്യൂട്ടിങ്ങ് ശേഷിയും കുറവുള്ള പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ സഹായിച്ചു. ഡാറ്റയുടെ അളവ് വേഗത്തിലായി വർദ്ധിച്ച് വ്യാപിച്ചു, പ്രത്യേകിച്ച് 2007 ഓളം സ്മാർട്ട്ഫോൺ വരവോടെ. കംപ്യൂട്ടിങ്ങ് ശേഷി exponential ആയി വളർന്നു, ആൾഗോറിതങ്ങൾ മാറി. ഈ മേഖല ഒരു സത്യായിരിക്കുന്ന വിദ്യയാക്കാൻ തുടങ്ങിയത്.
---
---
## ഇപ്പോൾ
## ഇപ്പോൾ
ഇന്ന് മെഷീൻ ലേണിങ്ങും AI-യും നമ്മുടെ ജീവിതത്തിന്റെ എല്ലാ ഭാഗത്തും സ്പർശിക്കുന്നു. ഈ കാലഘട്ടം ഈ ആൽഗോരിതങ്ങൾ മനുഷ്യജീവിതങ്ങളിൽ ഉണ്ടാക്കുന്ന അപകടങ്ങളും സാധ്യതകളും സൂക്ഷ്മമായി മനസ്സിലാക്കേണ്ടതാണ്. മൈക്രോസോഫ്റ്റിന്റെ ബ്രാഡ് സ്മിത്ത് പറഞ്ഞതുപോലെ, "ഇൻഫർമേഷൻ ടെക്നോളജി സ്വകാര്യതയും അഭിപ്രായ സ്വാതന്ത്ര്യവും പോലുള്ള അടിസ്ഥാന മനുഷ്യാവകാശ സംരക്ഷണങ്ങളുടെ ഹൃദയത്തെ ബാധിക്കുന്ന പ്രശ്നങ്ങൾ ഉയർത്തുന്നു. ഈ ഉൽപ്പന്നങ്ങൾ സൃഷ്ടിക്കുന്ന ടെക് കമ്പനികൾക്ക് കൂടുതൽ ഉത്തരവാദിത്വം ഉണ്ട്. ഞങ്ങളുടെ കാഴ്ചപ്പാടിൽ, ഇത് ചിന്താപൂർവ്വകമായ സർക്കാർ നിയന്ത്രണവും അംഗീകരിക്കാവുന്ന ഉപയോഗങ്ങൾക്കുള്ള മാനദണ്ഡങ്ങളുടെ വികസനവും ആവശ്യമാണ്" ([സ്രോതസ്സ്](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
ഇന്ന് മെഷീൻ ലേണിങും AIഉം നമുക്ക് ജീവിതത്തിലെ 거의 എല്ലായിടത്തും സ്പർശിക്കുന്നു. ഈ കാലഘട്ടം algorithmകൾ മനുഷ്യജീവിതത്തെ ബാധിക്കുന്ന જોખങ്ങളും സാധ്യതകളും സൂക്ഷ്മമായി മനസ്സിലാക്കണമെന്ന് ആവശ്യപ്പെടുന്നു. മൈക്രോസോഫ്റ്റിന്റെ ബ്രാഡ് സ്മിത്തിന്റെ ചിത്രം: "ഇൻഫർമേഷൻ ടെക്നോളജി സ്വകാര്യതയിലും വ്യകതാഗതസ്വാതന്ത്ര്യത്തിലും അടിസ്ഥാന മനുഷ്യാവകാശ സംരക്ഷണ ലക്ഷ്യങ്ങളിലേക്കുള്ള ചോദ്യങ്ങൾ ഉന്നയിക്കുന്നു. ആ ഉൽപ്പന്നങ്ങൾ സൃഷ്ടിക്കുന്ന ടെക്ക് സ്ഥാപനങ്ങളുടെ ഉത്തരവാദിത്വം വർദ്ധിക്കുന്നു. ഞങ്ങളുടെ അഭിപ്രായത്തിൽ, ഇത് ഗവൺമെന്റ് നിയന്ത്രണത്തിനും നിയമനിഷ്കർഷണത്തിനും ആവശ്യമാണ്" ([മൂലം](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
---
---
ഭാവി എന്ത് കൊണ്ടുവരുമെന്ന് കാണേണ്ടതാണ്, എന്നാൽ ഈ കംപ്യൂട്ടർ സിസ്റ്റങ്ങളും അവ പ്രവർത്തിപ്പിക്കുന്ന സോഫ്റ്റ്വെയറും ആൽഗോരിതങ്ങളും മനസ്സിലാക്കുന്നത് പ്രധാനമാണ്. നിങ്ങൾക്ക് മികച്ച മനസ്സിലാക്കൽ നേടാൻ ഈ പാഠ്യപദ്ധതി സഹായിക്കുമെന്ന് ഞങ്ങൾ പ്രതീക്ഷിക്കുന്നു.
ഭാവി എന്തെന്താകും എന്ന് കാണാനുണ്ട്, പക്ഷെ ഈ കമ്പ്യൂട്ടർ സംവിധാനങ്ങളും അവർ ഓടിക്കുന്ന സോഫ്റ്റ്വെയറും ആൾഗോറിതങ്ങളും മനസ്സിലാക്കുക പ്രധാനമാണ്. ഈ കരിക്കുലം നിങ്ങളെ മികച്ച മനസ്സിലാക്കലിലേക്ക് സഹായിക്കുമെന്നും ആശിക്കുന്നു, അതിനാൽ আপনি സ്വയം തീരുമാനിക്കാം.
[](https://www.youtube.com/watch?v=mTtDfKgLm54 "The history of deep learning")
> 🎥 മുകളിൽ കാണുന്ന ചിത്രം ക്ലിക്ക് ചെയ്ത് വീഡിയോ കാണുക: ഈ ലെക്ചറിൽ Yann LeCun ഡീപ്പ് ലേണിങ്ങിന്റെ ചരിത്രം വിശദീകരിക്കുന്നു
> 🎥 മുകളിലുള്ള ചിത്രം ക്ലിക്കുചെയ്യുക: യാൻ ലെകാൻ ഈ കൗസിൽ ഡീപ് ലേണിങിന്റെ ചരിത്രത്തെക്കുറിച്ച് സംസാരിക്കുന്നു
---
---
## 🚀ചലഞ്ച്
## 🚀പ്രതിസന്ധി
ഈ ചരിത്രപരമായ ഒരു ഘട്ടത്തിൽ കൂടുതൽ പഠിച്ച് അവയുടെ പിന്നിലെ ആളുകളെക്കുറിച്ച് അറിയുക. അത്ഭുതകരമായ കഥാപാത്രങ്ങളുണ്ട്, ശാസ്ത്രീയ കണ്ടെത്തലുകൾ സാംസ്കാരിക ശൂന്യതയിൽ സൃഷ്ടിക്കപ്പെട്ടിട്ടില്ല. നിങ്ങൾ എന്ത് കണ്ടെത്തുന്നു?
ഈ ചരിത്രപർവതങ്ങളുടെ ഒരയിൽ ഈഴുക്കി അവയുടെ പിന്നിൽ ഉള്ള ആളുകളെക്കുറിച്ച് കൂടുതൽ പഠിക്കൂ. അത്ഭുതകരമായ വ്യക്തികൾ ഉണ്ട്, ശാസ്ത്ര വികസനം ഒരിക്കലും സാംസ്കാരിക ശൂന്യതയിൽ നടന്നിട്ടില്ല. നിങ്ങൾ എന്ത് കണ്ടെത്തുന്നു?
[](https://www.youtube.com/watch?v=EJt3_bFYKss "The history of AI by Amy Boyd")
[](https://www.youtube.com/watch?v=EJt3_bFYKss "Amy Boyd എഴുതിയ AIയുടെ ചരിത്രം")
---
---
## അസൈൻമെന്റ്
## അസൈനംന്റ്
[ടൈംലൈൻ സൃഷ്ടിക്കുക](assignment.md)
[ഒരു സമയരേഖ സൃഷ്ടിക്കുക](assignment.md)
---
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**അസൂയാ**:
**അറിയിപ്പ്**:
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് പരിഗണിക്കേണ്ടതാണ്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
ഈ രേഖ AI പരിഭാഷാ സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് പരിഭാഷപ്പെടുത്തിയതാണ്. ഞങ്ങൾ കൃത്യതയ്ക്കായി ശ്രമിക്കുന്നുവെങ്കിലും, ഓട്ടോമേറ്റഡ് പരിഭാഷകളിൽ പിഴവുകൾ അല്ലെങ്കിൽ തെറ്റായ വിവരങ്ങൾ ഉണ്ടാകാൻ സാധ്യതയുണ്ട്. അതിന്റെ സ്വാഭാവിക ഭാഷയിലുള്ള അസൽ രേഖയാണ് പ്രാമാണികമായ ഉറവിടമായി പരിഗണിക്കേണ്ടത്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ പരിഭാഷ ശുപാർശ ചെയ്യുന്നു. ഈ പരിഭാഷ ഉപയോഗിച്ച് ഉണ്ടാകുന്ന തെറ്റിദ്ധാരണകൾ അല്ലെങ്കിൽ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കായി ഞങ്ങൾ ഉത്തരവാദികളല്ല.
ഈ കൊറിക്കുലത്തിൽ, മെഷീൻ ലേണിംഗ് നമ്മുടെ ദൈനംദിന ജീവിതത്തെ എങ്ങനെ സ്വാധീനിക്കുന്നുവെന്ന് നിങ്ങൾ കണ്ടെത്താൻ തുടങ്ങും. ഇന്നും, ആരോഗ്യപരിശോധനകൾ, വായ്പ അംഗീകാരം അല്ലെങ്കിൽ തട്ടിപ്പ് കണ്ടെത്തൽ പോലുള്ള ദിവസേനസ്ഥിരീകരണ päätöksiä tehdään järjestelmien ja mallien avulla. ആ വിരൽ വിശ്വസനീയ ഫലങ്ങൾ നൽകാൻ പ്രധാനമാണ്. ഏതൊരു സോഫ്റ്റ്വെയർ ആപ്ലിക്കേഷനും പോലെ, AI സംവിധാനങ്ങളും പ്രതീക്ഷകൾ പാലിക്കാതിരിക്കുക അല്ലെങ്കിൽ അഭിലാഷമില്ലാത്ത ഫലം ഉണ്ടാക്കുക സാധ്യമാണ്. അതുകൊണ്ട് AI മോഡലിന്റെ പെരുമാറ്റം മനസ്സിലാക്കുകയും വിശദീകരിക്കാനും അത്യാവശ്യമാണ്.
ഈ കോഴ്സില്, മെഷീന് ലേണിംഗ് നമ്മുടെ ദിനചര്യയെ എങ്ങനെ ബാധിക്കുന്നു എന്ന് കണ്ടെത്താന് നിങ്ങള് തുടങ്ങും. ഇന്നും, ആരോഗ്യ പരിശോധന, കടം അനുവദിക്കല്, തട്ടിപ്പ് കണ്ടെത്തല് പോലുള്ള ദിവസേനയുടെ തീരുമാനം ചെയ്യുന്നവയില് സിസ്റ്റങ്ങളും മോഡലുകളും പങ്കാളികളാണ്. ഈ മോഡലുകള് വിശ്വസനീയമായ ഫലങ്ങള് നല്കാന് ഉത്ക്കൃഷ്ടമായി പ്രവര്ത്തിക്കണം. ഏതൊരോ സോഫ്റ്റ്വെയര് ആപ്ലിക്കേഷന് പോലെ, AI സിസ്റ്റങ്ങള് പ്രതീക്ഷകള് നിറവേറ്റാതിരിക്കാനും കൊള്ളാത്ത ഫലം നല്കാനും സാധ്യതയുണ്ട്. അതുകൊണ്ട് AI മോഡലിന്റെ പെരുമാറ്റം മനസ്സിലാക്കുകയും വിശദീകരിക്കാനും കഴിയുന്നത് അത്യന്താപേക്ഷിതമാണ്.
നിങ്ങൾ ഈ മോഡലുകൾ നിർമ്മിക്കുന്നതിനായി ഉപയോഗിക്കുന്ന ഡാറ്റയിൽ ഏത് ജനസംഖ്യ വിഭാഗങ്ങൾ, പോലുള്ള ജാതി, ലൈംഗികത, രാഷ്ട്രീയ കാഴ്ചപ്പാട്, മതം എന്നിവ അഭാവമുണ്ടെങ്കിൽ അല്ലെങ്കിൽ അപ്രമിതമായി പ്രതിനിധീകരിക്കുന്നുവെങ്കിൽ എന്തു സംഭവിക്കുമെന്ന് കണക്കുകൂട്ട്. മോഡലിന്റെ ഫലം ഏതെങ്കിലുമൊരു ജനസംഖ്യയെ അനുകൂലിക്കുന്നതായി വ്യാഖ്യാനിച്ചാൽ എന്താകും? ആപ്ലിക്കേഷനിനു ഉണ്ടാകാവുന്ന ഫലങ്ങൾ എന്തൊക്കെയാണ്? കൂടാതെ, മോഡലിന് ഒരു ദുഷ്പ്രഭാവം ഉണ്ടെങ്കിൽ അത് ജനങ്ങൾക്ക് ഹാനികരമാണെങ്കിൽ എന്താകും? AI സംവിധാനങ്ങളുടെ പെരുമാറ്റത്തിന് ഉത്തരവാദിത്വം ആരാണ് കൈകാര്യം ചെയ്യേണ്ടത്? ഈ ചോദ്യങ്ങൾ ഈ കൊറിക്കുലത്തിൽ നമ്മൾ പരിശോധിക്കും.
നിങ്ങള് ഉപയോഗിക്കുന്ന ഡാറ്റയില് ചില ജനസംഖ്യാക വിഭാഗങ്ങള് (ഉദാഹരണത്തിന്, ജാതി, ലൈംഗികത, രാഷ്ട്രീയ കാഴ്ചപ്പാട്, മതം) ഇല്ലെങ്കില് അതും അല്ലെങ്കില് അപ്രാതിനിധാനപരമായി പ്രതിനിധീകരിച്ചാല് എന്ത് സംഭവിക്കുമെന്ന് ആസൂത്രണം ചെയ്യൂ. മോഡലിന്റെ ഫലം ചില ജനസംഖ്യകളെ മുന്നിര്ത്തി വിവചനം ചെയ്താല് എന്താകും? ആപ്ലിക്കേഷനിൽ എന്ത് ഫലമുണ്ടാകും? മോഡലിന് ദുഷ്പിടിവ് ഫലവും ആളുകള്ക്ക് ഹാനികരവുമായിരിക്കുമ്പോൾ എന്ത് സംഭവിക്കും? AI സിസ്റ്റങ്ങളുടെ പെരുമാറ്റത്തിന് ആരാണ് ഉത്തരവാദി? ഈ ചില ചോദ്യങ്ങള് ഈ കോഴ്സില് അഭ്യസിക്കും.
ഈ പാഠത്തിൽ നിങ്ങൾ:
ഈ പാഠത്തില്, നിങ്ങൾ:
- മെഷീൻ ലേണിംഗ് ഫെയർനസിന്റെ പ്രാധാന്യവും ഫെയർനസ്സ്-സംബന്ധിച്ച ഹാനികളും ബോധവാന്മാർക്കുക.
- മെഷീന് ലേണിങ്ങില് നീതിയുടെ പ്രാധാന്യവും നീതി സംബന്ധിച്ച ഹാനികളും തിരിച്ചറിവ് നേടുക.
- വിശ്വാസ്യതയും സുരക്ഷയുമെത്തിക്കാൻ അസാധാരണ സംഭവങ്ങളും അസാധാരണ സാഹചര്യങ്ങളും പരിശോധിക്കുന്ന പ്രക്രിയ പരിചയപ്പെടുക.
- വിശ്വാസ്യതയും സുരക്ഷയും ഉറപ്പാക്കുന്നതിനായി വിശദീകരണം വേണ്ടശേഷം അസാധാരണ വിവരങ്ങള് പരിശോധിക്കുന്ന പ്രക്രിയയെ പരിചയം നേടുക.
- എല്ലാരും ഉൾക്കൊള്ളുന്നതും സാധ്യമാക്കുന്നതും ആയ സംവിധാനങ്ങൾ രൂപകൽപ്പന ചെയ്യാനുള്ള ആവശ്യകത മനസിലാക്കുക.
- ഏവരെയും ശക്തിപ്പെടുത്തുന്ന ഉൾപ്പെട്ട സംവിധാനങ്ങള് രൂപകല്പ്പന ചെയ്യേണ്ടതിന്റെ ആവശ്യം മനസ്സിലാക്കുക.
- ഡാറ്റയും ജനങ്ങളുടെയും സ്വകാര്യതയും സുരക്ഷയും സംരക്ഷിക്കേണ്ടതിന്റെ മുഖ്യമായ പ്രാധാന്യം വിശദീകരിക്കുക.
- AI മോഡലുകളുടെ പെരുമാറ്റം വിശദീകരിക്കാൻ ഗ്ലാസ് ബോക്സ് സമീപനം എത്ര പ്രധാനമാണെന്ന് കാണുക.
- AI മോഡലുകളുടെ പെരുമാറ്റം വിശദീകരിക്കാന് ഗ്ലാസ് ബോക്സ് സമീപനം എന്നത് എത്രമാത്രം പ്രധാനമാണെന്ന് കാണുക.
- AI സംവിധാനങ്ങളിൽ വിശ്വാസം നിർമ്മിക്കാൻ ഉത്തരവാദിത്വം എത്ര പ്രധാനമാണെന്ന് ശ്രദ്ധ നൽകുക.
- AI സിസ്റ്റങ്ങളിൽ വിശ്വാസം ഉറപ്പാക്കുന്നതിന് ഉത്തരവാദിത്വം എത്രമാത്രം ആവശ്യമാണ് എന്ന് മനസ്സിലാക്കുക.
## മുൻ നിബന്ധന
## മുന്അവസ്ഥാനങ്ങള്
മുൻ നിബന്ധനയായി, "ഉത്തരവാദിത്വമുള്ള AI സിദ്ധാന്തങ്ങൾ" ലേൺ പാത്ത് സ്വീകരിച്ച് താഴെക്കൊടുത്തിരിക്കുന്ന വീഡിയോ കാണുക:
മുന്അവസ്ഥാനമായി, "ഉത്തരവാദിത്വമുള്ള AI പ്രിന്സിപ്പിള്സ്" ലേർൺ പാത്ത് എടുത്ത് താഴെയുള്ള വീഡിയൊ കാണുക:
ഉത്തരവാദിത്വമുള്ള AIയെക്കുറിച്ച് കൂടുതൽ അറിയാൻ ഈ [Learning Path](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) പിന്തുടരുക
ഉത്തരവാദിത്വമുള്ള AI-ിനെ കുറിച്ച് കൂടുതൽ അറിയാന് ഈ [Learning Path](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) പിന്തുടരുക.
[](https://youtu.be/dnC8-uUZXSc "Microsoft's Approach to Responsible AI")
[](https://youtu.be/dnC8-uUZXSc "Microsoft's Approach to Responsible AI")
> 🎥 മൈക്രോസോഫ്റ്റിന്റെ ഉത്തരവാദിത്വമുള്ള AI സമീപനത്തെക്കുറിച്ചുള്ള വീഡിയോയ്ക്ക് മേൽ ചിത്രത്തിൽ ക്ലിക്ക് ചെയ്യുക
> 🎥 മുകളിലുള്ള ചിത്രത്തിൽ ക്ലിക്കുചെയ്യുക: Microsoft's Approach to Responsible AI
## ഫെയർനസ്സ്
## നീതി
AI സംവിധാനങ്ങൾ എല്ലാവരോടും നീതിപൂർവം പെരുമാറണമെന്നും സമാന സംശയങ്ങളുള്ള, സാമ്പത്തിക സാഹചര്യങ്ങളുള്ള അല്ലെങ്കിൽ പ്രൊഫഷണൽ യോഗ്യതകളുള്ള എല്ലാവർക്കും സമാനം ശുപാർശകൾ നൽകണമെന്നും വേണം. ഓരോരുത്തരിലും അവകാശങ്ങള് സ്വാധീനിക്കുന്ന പാരമ്പര്യ ബയസുകള് ഉണ്ട്. ഈ ബയസുകൾ AI സംവിധാനം പരിശീലിപ്പിക്കാനായി ഉപയോഗിക്കുന്ന ഡാറ്റയിലും കാണപ്പെടാം, ചിലപ്പോൾ ഇത് അറിഞ്ഞുമില്ലാതെ സംഭവിക്കാം. ഡാറ്റയിൽ ബയസ് ഉൾപ്പെടുത്തുമ്പോൾ അവ വ്യക്തമാക്കുന്നത് വളരെയധികം പ്രയാസമാണ്.
AI സിസ്റ്റങ്ങള് എല്ലാവരോടും സമമായ പെരുമാറ്റം കാണിക്കണമെന്നും സമാനമായ ജനസംഘങ്ങളിലെയും വ്യത്യാസപരമായ സ്വഭാവം കാണിക്കാതിരിക്കണമെന്നും വേണം. ഉദാഹരണത്തിന്, മെഡിക്കൽ ചികിത്സ, വായ്പ അപേക്ഷ, തൊഴിൽ സംബന്ധിച്ച നിർദ്ദേശങ്ങൾ നല്കുമ്പോള് സമാന ലക്ഷണങ്ങളുള്ളവര്, സാമ്പത്തിക സാഹചര്യമുള്ളവര്, പ്രൊഫഷണല് യോഗ്യതയുള്ളവര്ക്കൊപ്പം ഒരുപോലെ നിര്ദേശം നല്കണം. ഓരോ നമ്മളും ജന്മത്തിലേതു തുടരുന്ന പരിഗണനകള് നിറഞ്ഞവരാണ്, അവ നമ്മുടെ തീരുമാനങ്ങളെയും പ്രവർത്തികളെയും ബാധിക്കുന്നു. ഈ പരിഗണനകള് ആധാരമാക്കി AI സിസ്റ്റങ്ങള് പരിശീലിക്കുന്ന ഡാറ്റയിൽ ചിലപ്പോള് അന്യായമായ സ്വാധീനമുണ്ടാകാം. ഈ പ്രക്രിയ പലപ്പോഴും അറിഞ്ഞ് ചെയ്യാത്തവിധം ഉണ്ടാകാം. ഡാറ്റയില് പങ്കുവെക്കുന്ന സമയത്ത് നിങ്ങൾ ഭാരിച്ച പരിഗണന nigbati പരിഗണിച്ചിട്ടുണ്ടെന്ന് മനസ്സിലാക്കുന്നത് ബുദ്ധിയുക്തമായിരിക്കുന്നു.
**“അനീതിപൂർവത”** ഒരു ജനസംഖ്യയിലേക്കുള്ള നിയമവിധേയമായ ദോഷപ്രദപ്രവർത്തനങ്ങൾ അർത്ഥമാക്കുന്നു, ജാതി, ലൈംഗികത, പ്രായം അല്ലെങ്കിൽ വിദഗ്ധാവസ്ഥ ഇല്ലാത്തവരെ ഉൾക്കൊള്ളുന്നു. ഫെയർനസിനൊപ്പം ബന്ധപ്പെട്ട പ്രധാന ഹാനികളെ ഈ വിധം വർഗ്ഗീകരിക്കാം:
**"അനീതി"** എന്നത് ജനസംഖ്യ വിഭാഗങ്ങള് പോലുള്ള (ജാതി, ലൈംഗികത, പ്രായം, അശക്തിത്വ നില തുടങ്ങിയ) സമുഹങ്ങള്ക്കുള്ള നെഗറ്റീവ് ഫലങ്ങളേയും "ഹാനികളും" ആശയപ്പെടുത്തുന്നു. പ്രധാന നീതി സംബന്ധിച്ച ഹാനികള് താഴെപറയുന്ന രീതികളില് വർഗ്ഗീകരിക്കാം:
- **വിഭജനങ്ങൾ**, ഉദാഹരണത്തിന് ഒരു ലിംഗം അല്ലെങ്കിൽ ജാതി മറ്റേതേതിലേക്കും മുൻഗണന നൽകുമ്പോൾ.
- **വിനിയോഗം**, ഉദാഹരണത്തിന്, ഒരു ലൈംഗികതയോ ജാതിയോ മറ്റൊന്നിലേക്കു മുൻഗണന ലഭിക്കുന്നത്.
- **സേവനഗുണമേന്മ**. നിങ്ങൾ ഒരു പ്രത്യേക സാഹചര്യത്തിന് ഡാറ്റ ട്രെയിൻ ചെയ്താൽ എന്നാൽ യാഥാർത്ഥ്യമാകുന്നത് വളരെ കൂടുതലിലുള്ള സങ്കീർണ്ണതകൾ ഉള്ളതാണ്, സേവനം ദുർവ്വ്യാപകമായേക്കാം. ഉദാഹരണത്തിന്, കറുത്ത ത്വക്കുള്ള ആളുകളെ തിരിച്ചറിയാൻ കഴിയാത്ത ഒരു ഹാൻഡ് സോപ്പ് ഡിസ്പെൻസർ. [Reference](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **സേവന നിലവാരം**. ഒരു പ്രത്യേക സാഹചര്യത്തിനായി മാത്രമാണ് ഡാറ്റ പരിശീലിപ്പിച്ചത്, യഥാർത്ഥത അതിനേക്കാൾ കൂടുതൽ സങ്കീർണ്ണമാണെങ്കിൽ, സേവനം ദുർബലമാകും. ഉദാഹരണത്തിന്, കരിങ്കാഴ്ചക്കാരെ തിരിച്ചറിയാൻ സാധിക്കാത്ത ഹാൻഡ് സോപ്പ് ഡിസ്പെൻസർ. [റഫറൻസ്](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **അനാദരവു**. ഒരാളെ അല്ലെങ്കിൽ ഒരുഅടയാളമിടൽ തെറ്റായി കുറ്റം ചുമത്തൽ. ഉദാഹരണം, കറുത്ത ത്വക്കുള്ള ആളുകളുടെ ചിത്രങ്ങളെ ഗോരില്ല ആയി തെറ്റായി അടയാളപ്പെടുത്തുന്ന ചിത്രലേബലിംഗ് സാങ്കേതികവിദ്യ.
- **തിരസ്കരണം**. അനീതിയായി ഏതെങ്കിലും വസ്തുവിനെ അല്ലെങ്കിൽ ആളെ വിമർശിച്ച് ലേബൽ ചെയ്യുന്നത്. ഉദാഹരണത്തിന്, കരിങ്കാഴ്ചക്കാരുടെ ചിത്രങ്ങളെ ഗോരിപ്പികളായി തെറ്റായി ലേബൽ ചെയ്തു.
- **അতিরക്തിയായ അല്ലെങ്കിൽ കുറവുള്ള പ്രതിനിധാനം**. ഒരുസമൂഹം ഒരു തൊഴിൽ മേഖലയിൽ കാണപ്പെടുന്നില്ലെന്നും ആ സേവനം ക്കുറിച്ചുള്ള മേഖല അതിനെ പ്രോത്സാഹിപ്പിക്കുന്നത് തന്നെയാണ് ഹാനി ഉണ്ടാക്കുന്നത്.
- **മതി കൂടുതലോ കുറവോ പ്രതിനിധാനം**. ഒരു ചിലർ പ്രൊഫഷനിൽ കാണാനാകാത്ത അവസ്ഥയും, അത് പ്രോത്സാഹിപ്പിക്കുന്ന സേവനത്തിനും അതും ഹാനികരമാകുന്നതും.
- **സ്ടീരിയോടൈപ്പിംഗ്**. ഒരു ഗിവൻ ഗ്രൂപ്പിനെ മുൻകൂട്ടി നിശ്ചയിച്ച ഗുണലക്ഷണങ്ങളുമായി ബന്ധിപ്പിക്കുക. ഉദാഹരണത്തിന്, ഇംഗ്ലീഷിൽ നിന്ന് തുര്ക്കിഷിലേക്ക് ഭാഷാ വിവർത്തന സിസ്റ്റം ലൈംഗികതയെക്കുറിച്ചുള്ള മുൻകൂട്ടി നിശ്ചയിച്ച അനുബന്ധങ്ങളെ മൂലം പിഴവുകൾ ഉണ്ടാകാം.
- **സ്റ്റീരിയോടൈപ്പിംഗ്**. ഒരു സമുഹത്തെ മുൻകൂട്ടി നിശ്ചയിച്ച ഗുണങ്ങളുമായി ബന്ധിപ്പിക്കുന്നത്. ഉദാഹരണത്തിന്, ഇംഗ്ലീഷ്-ടർക്കിഷ് ഭാഷാ പരിഭാഷ സിസ്റ്റത്തിൽ ലൈംഗികതയെക്കുറിച്ചുള്ള സ്റ്റീരിയോടൈപ്പിക് ആശയങ്ങളാൽ തെറ്റുകൾ.
> അঙ্গലേഷിലേക്ക് തിരിച്ചുവെ്യൂ
> ഇംഗ്ലീഷിലേക്ക് വീണ്ടും വിവർത്തനം
AI സംവിധാനങ്ങൾ ഫെയർ ആക്കുന്നതും നിർദേശങ്ങൾക്കും വിവേചനപരമായ തീരുമാനങ്ങൾ എടുക്കാതിരിക്കണമെന്നും ഉറപ്പാക്കേണ്ടതുണ്ട്, മനുഷ്യർക്ക് പോലും നൽകുവാൻ നിഷേധിയമുള്ള വിധികളാണിവ. AI ൽ ഫെയർനസ് ഉറപ്പാക്കൽ ഒരു സങ്കീർണ സാമൂഹിക സാങ്കേതിക വെല്ലുവിളിയാണ്.
AI സിസ്റ്റങ്ങള് രൂപകല്പ്പന ചെയ്യുമ്പോഴും പരീക്ഷിക്കുന്നപ്പോഴും നീതി പാലിക്കുകയും പാരംപരികമായ അന്യായ തീരുമാനങ്ങള് ഒഴിവാക്കുകയും വേണം, മനുഷ്യരും ചെയ്യാൻ കഴിയാത്ത വിധം. AI യിലും മെഷീന് ലേണിങ്ങിലും നീതി ഉറപ്പാക്കുക എളുപ്പമല്ലാത്ത സാമൂഹ്യ-സാങ്കേതിക സ്നേഹമാണ്.
### വിശ്വാസ്യതയും സുരക്ഷയും
### വിശ്വാസ്യതയും സുരക്ഷയും
വിശ്വാസം നേടാൻ, AI സംവിധാനങ്ങൾ വിശ്വാസയോഗ്യവും സുരക്ഷിതവും സാധാരണ ഒപ്പം അപ്രതീക്ഷിത സാഹചര്യങ്ങളിലുമുണ്ടാകണം. വ്യത്യസ്ത സാഹചര്യങ്ങളിൽ AI യെന്തു രൂപത്തിൽ പെരുമാറും എന്നു അറിയുക പ്രധാനമാണ്, പ്രത്യേകിച്ചു അസാധാരണ സംഭവങ്ങളിൽ. AI പരിഹാരങ്ങൾ നിർമ്മിക്കുമ്പോൾ, ഉണ്ടാകാവുന്ന വിവിധ സാഹചര്യങ്ങളെ കൃത്യമായി പരിഗണിക്കേണ്ടതുണ്ട്. ഉദാഹരണത്തിന്, ഒരു സെൽഫ്-ഡ്രൈവിംഗ്ഗാൺ കാർ ജനങ്ങളുടെ സുരക്ഷ മുൻത്തെ പ്രാധാന്യമായി കരുതണം. അതിനായി കാർ എടുത്തുകൊണ്ടു പോകുന്ന എല്ലാ സാധ്യതകളും പരിഗണിക്കണം, രാത്രി, കടുത്ത മഴപ്പെയ്യൽ, കുട്ടികൾ വീഥി ഉപരിതല അടക്കൽ, മൃഗങ്ങൾ, റോഡ് നിർമ്മാണം എന്നിവ. എത്രത്തോളം വിശ്വാസ്യതയോടെ സുരക്ഷിതമായി നടപ്പിലാക്കാമെന്ന് AI സംവിധാനം നിർമ്മാതാക്കളും ഡാറ്റ സയന്റിസ്റ്റുകളും എത്രത്തോളം ആലോചിച്ചുവെന്ന് കാണിക്കുന്നു.
വിശ്വാസ്യത ഉറപ്പാക്കാൻ, AI സിസ്റ്റങ്ങള് സാധാരണവും പ്രതീക്ഷിക്കാത്ത സാഹചര്യങ്ങളിലും വിശ്വസനീയം, സുരക്ഷിതം, സ്ഥലവുമായിരിക്കണം. വ്യത്യസ്ത സാഹചര്യങ്ങളില് AI സിസ്റ്റങ്ങള് എങ്ങനെ പ്രവർത്തിക്കും എന്ന് അറിഞ്ഞിരിക്കണം, പ്രത്യേകിച്ച് അസാധാരണ സാഹചര്യങ്ങളിൽ. AI പരിഹാരങ്ങള് രൂപകല്പ്പന ചെയ്യുമ്പോള് എത്രവിധ സാഹചര്യങ്ങള് നേരിടണമെന്നുതന്നെ ശ്രദ്ധ വേണം. ഉദാഹരണത്തിന്, സ്വയംചാലിത കാർ എല്ലാവരുടേയും സുരക്ഷ പ്രഥമ പ്രാധാന്യമാക്കണം. അതിനാൽ കാർ നിയന്ത്രിക്കുന്ന AI എല്ലാ സാധ്യതാ സാഹചര്യങ്ങളും പരിഗണിക്കണം - രാത്രി, ഡിന്നിംഗ്, മഞ്ഞ് പെയ്ക്കൽ, കുഞ്ഞുങ്ങള് റോഡിൽ ഓടുന്ന അവസ്ഥ, വളർത്തു മൃഗങ്ങള്, റോഡ് നിർമ്മാണങ്ങൾ മുതലായവ. ഒരു AI സിസ്റ്റം വിശ്വാസ്യതയോടും സുരക്ഷയോടും എത്രമാത്രം വ്യത്യസ്ത സാഹചര്യങ്ങൾ കൈകാര്യം ചെയ്യുന്നു എന്നത് ഡിസൈനിയേഴ്സ് ആലോചിച്ച അളവിന്റെ മായമാണെന്ന് കാണിക്കുന്നു.
> [🎥 ഇവിടെ ക്ലിക്ക് ചെയ്ത് വീഡിയോ കാണുക: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
> [🎥 വിശ്വാസ്യതയും സുരക്ഷയും AI-യില് विषयം: ഈ ലിങ്കില് ക്ലിക്ക് ചെയ്യുക](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
### ഉൾക്കൊള്ളൽ
### ഉൾപ്പെടുത്തല്
AI സംവിധാനങ്ങൾ എല്ലാവരെയും ഉൾക്കൊള്ളുകയും ശക്തിപ്പെടുത്തുകയും ചെയ്യുന്നതായി രൂപകൽപ്പന ചെയ്യണം. AI നിർമ്മാതാക്കളും ഡാറ്റ സയന്റിസ്റ്റുകളും സിസ്റ്റത്തിൽ വീഴ്ച വരുത്താവുന്ന പ്രതിബന്ധങ്ങൾ കണ്ടെത്തി അവ നീക്കംചെയ്യേണ്ടതുണ്ട്. ഉദാഹരണത്തിന്, ലോകത്ത് ഏകകോടി ആളുകൾക്ക് പ്രാപ്യതാ ബുദ്ധിമുട്ടുകളുണ്ട്. AI മുന്നേറ്റത്തോടെ, അവർ തങ്ങളുടെ ദിനചര്യയിൽ കൂടുതല് വിവരങ്ങളും അവസരങ്ങളും ആക്സസ് ചെയ്യാൻ കഴിയുന്നു. പ്രതിബന്ധങ്ങൾ പരിഹരിക്കുന്നത് മികച്ച അനുഭവങ്ങളുള്ള AI ഉൽപ്പന്നങ്ങൾക്ക് വഴി തെളിക്കും.
AI സിസ്റ്റം എല്ലാ ആളുകളെയും ഉൾപ്പെടുത്തി പരിപോഷിക്കാനുള്ള രൂപകല്പ്പനയുണ്ടായിരിക്കണം. AI സിസ്റ്റം രൂപകല്പ്പനയും നടപ്പാകലും ചെയ്യുമ്പോൾ ഡാറ്റ സയന്റിസ്റ്റുകളും AI ഡെവലപ്പർമാരും അപ്രത്യക്ഷമായിരിക്കും പറഞ്ഞിരിക്കാൻ സാധ്യതയുള്ള തടസ്സങ്ങള് കണ്ടെത്തുകയും പരിഹരിക്കുകയും ചെയ്യണം. ലോകത്ത് ഒരു കോടി ആളുകൾ അശക്തരായവരാണ്. AI-ഉം കൊണ്ട് അവര് പലവിധസാഹിത്യം എളുപ്പത്തിൽ ലഭ്യമാക്കാം. തടസ്സങ്ങള് പരിഹരിച്ച് എവർക്കും നല്ല അനുഭവം നൽകുന്ന AI ഉല്പന്നങ്ങള് വികസിപ്പിക്കാൻ അവസരം ഉണ്ടാകും.
> [🎥 ഇവിടെ ക്ലിക്ക് ചെയ്ത് വീഡിയോ കാണുക: AIയിൽ ഉൾക്കൊള്ളൽ](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
> [🎥 ഉൾപ്പെടുത്തല് AI-യിൽ: ഈ ലിങ്കിൽ ക്ലിക്ക് ചെയ്യുക](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
### സുരക്ഷയും സ്വകാര്യതയും
### സുരക്ഷയും സ്വകാര്യതയും
AI സംവിധാനങ്ങൾ സുരക്ഷിതവും ജനങ്ങളുടെ സ്വകാര്യത മാനിക്കുകയും വേണം. വ്യക്തികളുടെ സ്വകാര്യത, വിവരങ്ങൾ, ജീവിതം അപകടത്തിലാക്കിയുള്ള സംവിധാനങ്ങളിൽ ആളുകൾ വിശ്വാസം കുറവാണ്. മെഷീൻ ലേണിംഗ് മോഡലുകൾ പരിശീലിപ്പിക്കുമ്പോൾ മികച്ച ഫലങ്ങൾ നൽകാൻ ഡാറ്റയേക്ക് ആശ്രയിച്ചിരിക്കുന്നു. അതിനാൽ, ഡാറ്റയുടെ ഉറവിടം, അക്ഷത പരിഗണിക്കണം. ഉദാഹരണത്തിന്, ഡാറ്റ ഉപയോക്തൃ സമർപ്പിച്ചോ പൊതുജനങ്ങൾക്കായി ലഭ്യമാക്കിയതോ ആണ്? ആദ്യം, ഡാറ്റ കൈകാര്യം ചെയ്യുമ്പോൾ, രഹസ്യ വിവരങ്ങൾ സംരക്ഷിക്കുകയും ആക്രമണങ്ങളിൽ നിന്ന് തടയുകയും ചെയ്യുന്ന AI സംവിധാനം വികസിപ്പിക്കണം. AI പ്രചാരണം വർധിക്കുമ്പോൾ സ്വകാര്യതയും ഡാറ്റ സുരക്ഷയും കൂടുതൽ പ്രധാനവും സങ്കീർണവുമാണ്. AI യാഥാർത്ഥ്യങ്ങൾക്കു കൃത്യവും അറിവുള്ള പ്രവചനങ്ങളും തീരുമാനങ്ങളും കൈക്കൊള്ളാൻ ഡാറ്റ അനിവാര്യമാണ്, അതിനാൽ സ്വകാര്യതയും ഡാറ്റ സുരക്ഷയും ജാഗ്രതയോടെ പരിഗണനയിൽ പെടുത്തണം.
AI സിസ്റ്റങ്ങൾ സുരക്ഷിതവും ആളുകളുടെ സ്വകാര്യത മാനിക്കുന്നതുമായിരിക്കണം. ആളുകൾ തങ്ങളുടെ സ്വകാര്യത, വിവരങ്ങൾ, ജീവിതം ബുദ്ധിമുട്ടിലാക്കുന്ന സിസ്റ്റങ്ങളിൽ കുറഞ്ഞ വിശ്വാസമുണ്ട്. മെഷീന് ലേണിംഗ് മോഡലുകൾ പരിശീലിപ്പിക്കുമ്പോള് മികച്ച ഫലം ലഭിക്കാൻ ഡാറ്റ ആവശ്യമാണ്. ആ ഡാറ്റയുടെ ഉറവിടം, സത്യസന്ധത പരിശോധിക്കേണ്ടതാണ്. ഉദാഹരണത്തിന്, ഉപയോക്താവ് നൽകിയ ഡാറ്റയാണോ അല്ലെങ്കിൽ പൊതുവായി ലഭ്യമായതോ? ഡാറ്റ ഉപയോഗിക്കുമ്പോള് രഹസ്യവിവര സംരക്ഷണം ഉറപ്പാക്കുകയും ആക്രമണങ്ങള് തടയുകയും ചെയ്യാൻ AI സിസ്റ്റങ്ങള് വികസിപ്പിക്കുക അത്യന്താപേക്ഷിതമാണ്. AI വ്യാപകമാകുന്നതിനാല് സ്വകാര്യത സംരക്ഷണവും ഡാറ്റ സുരക്ഷയും കൂടുതൽ പ്രധാനവും സങ്കീർണ്ണവുമാകുന്നു. AI സിസ്റ്റങ്ങൾ ശരിയായ വിവരങ്ങളും കൃത്യമായ പ്രവചനങ്ങള്ക്കും തീരുമാനങ്ങള്ക്കും ആവശ്യമായ ഡാറ്റ ലഭ്യമാക്കുന്നതിനാല്, സ്വകാര്യതയും ഡാറ്റ സുരക്ഷയും പ്രത്യേകം ശ്രദ്ധിക്കേണ്ടതാണ്.
> [🎥 ഇവിടെ ക്ലിക്ക് ചെയ്ത് വീഡിയോ കാണുക: AIയിൽ സുരക്ഷ](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 AI-യിൽ സുരക്ഷ: ഈ ലിങ്കിൽ ക്ലിക്ക് ചെയ്യുക](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- അഭിഭാഗ്യമായി, GDPR (ജനറൽ ഡാറ്റാ പ്രൊട്ടക്ഷൻ റെഗുലേഷൻ) പോലുള്ള നിയമങ്ങളും നിബന്ധനകളും പ്രചോദനമായുണ്ടായിട്ടുള്ള സ്വകാര്യതയും സുരക്ഷയും മേഖലയിൽ വ്യവസായം വലിയ മുന്നേറ്റം നേടി.
- വ്യവസായമായി, GDPR പോലുള്ള നിയമങ്ങൾ വഴി സ്വകാര്യതയും സുരക്ഷയും മേഖലയില് വലിയ പുരോഗതി കൈവരിച്ചു.
- എങ്കിലും AI സംവിധാനങ്ങളോടൊപ്പം വ്യക്തിജീവിത સંબંધമുള്ള കൂടുതൽ ഡേറ്റ ആവശ്യക്കളും സ്വകാര്യത ഇടപെടലും തമ്മിലുള്ള ഭിന്നത അറിയേണ്ടിവരും.
- AI സിസ്റ്റങ്ങൾക്കു വേണ്ടുന്ന കൂടുതൽ വ്യക്തിഗത ഡാറ്റയും സ്വകാര്യതയുമായുള്ള സംഘർഷം അംഗീകരിക്കണം.
- ഇന്റർനെറ്റിനെക്കുറിച്ചുള്ള കമ്പ്യൂട്ടർ കണക്ടിവിറ്റി തുടക്കം പോലെ, AI സ്ക്യൂരിറ്റി പ്രശ്നങ്ങളിൽ വൻ വർദ്ധനവുണ്ട്.
- ഇന്റർനെറ്റിന്റെ തുടക്കത്തില് കണക്റ്റഡ് കംപ്യൂട്ടറുകള് വന്നപ്പോൾ പോലെ, AI-യുമായി ബന്ധപ്പെട്ട സുരക്ഷാ പ്രശ്നങ്ങൾ കൂടുന്നു.
- ഒരേസമയം, സുരക്ഷ മെച്ചപ്പെടുത്താൻ AI ഉപയോഗിക്കുന്നു. ഉദാഹരണത്തിന്, ഏറെക്കുറെ ആധുനിക ആന്റിവൈറസ് സ്കാനറുകൾ ഇന്ന് AI ഹ്യൂറിസ്റ്റിക്കുകളാലാണ് പ്രവർത്തിക്കുന്നത്.
- അതേസമയം, സുരക്ഷ മെച്ചപ്പെടുത്താൻ AI ഉപയോഗിക്കപ്പെടുന്ന പ്രശ്നങ്ങളും ഉണ്ടായി. ഉദാഹരണത്തിന്, ആധുനിക ആന്റിവൈറസ്സ് സ്കാനറുകളുടെ ഭൂരിഭാഗവും AI ഹ്യൂറിസ്റ്റിക്സിൽ നല്കുന്നു.
- ഡാറ്റ സയൻസ് പ്രക്രിയകൾ ഏറ്റവും പുതിയ സ്വകാര്യതയും സുരക്ഷാ പ്രക്രിയകളുമായി യോജിപ്പിച്ചിരിക്കണം.
- ഡാറ്റ സയൻസ് പ്രക്രിയകൾ ഏറ്റവും പുതിയ സ്വകാര്യതയും സുരക്ഷയും പ്രാക്ടിസുകളുമായി ഒരുപോലെ ചേരുന്നതായി ഉറപ്പാക്കണം.
### પારദർശകത
### പുറന്തള്ളല്
AI സംവിധാനങ്ങൾ മനസ്സിലാക്കാവുന്നതായിരിക്കണം. AI പ്രവർത്തനത്തിന്റെ ഒരു പ്രധാന ഭാഗം മൂലമാക്കുന്നു. AI സംവിധാനങ്ങൾ എങ്ങനെ പ്രവർത്തിക്കുന്നുവെന്ന് തിരിച്ചറിയാനും നിർവചിക്കാനും ആവശ്യമാണ്, പ്രത്യേകിച്ച് പ്രകടനം, സുരക്ഷ, സ്വകാര്യത, ബയസ്, ഒഴിവാക്കലുകൾ, അപ്രതീക്ഷിത ഫലങ്ങൾ എന്നിവ പരിശോധിക്കുമ്പോൾ. AI ഉപയോക്താക്കളും എപ്പോൾ എങ്ങനെ എന്തിനായി AI എന്നത് പ്രയോജനപ്പെടുത്തുന്നു എന്നും സാക്ഷാമായി തുറന്നുപറയണം. ഉദാഹരണം, ഒരു ബാങ്ക് ഉപഭോക്തൃ വായ്പ തീരുമാനങ്ങൾക്ക് AI ഉപയോഗിച്ചാൽ ഫലങ്ങൾ പരിശോധിച്ച്, നിർദേശങ്ങളിൽ ഏത് ഡാറ്റ പ്രതിഫലിക്കുന്നു എന്ന് മനസ്സിലാക്കണം. സർക്കാർ വ്യവസായങ്ങളിൽ AI നിയന്ത്രിക്കുന്നത് ആരംഭിച്ചിരിക്കുമ്പോൾ, ഡാറ്റ സയന്റിസ്റ്റുകളും സ്ഥാപനങ്ങളും നിയമപരമായ ആവശ്യങ്ങൾ പാലിക്കുന്നതായിട്ടുണ്ടോ എന്നും നിർവചിക്കണം, പ്രത്യേകിച്ച് നിഷ്ഠൂരഫലങ്ങൾ ഉണ്ടാകുമ്പോൾ.
AI സിസ്റ്റങ്ങൾ മനസ്സിലാക്കാവുന്നതായിരിക്കണം. പുറന്തള്ളല് എന്നതിനുള്ള പ്രധാന ഘടകം AI സിസ്റ്റങ്ങളുടെ പെരുമാറ്റവും അവയുടെ ഘടകങ്ങളും വിശദീകരിക്കുന്നതാണ്. AI-യെക്കുറിച്ചുള്ള ബോധം മെച്ചപ്പെടുത്താൻ പങ്കാളികൾ എത്രത്തോളം എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്ന് മനസിലാക്കണം, പ്രവർത്തന പ്രശ്നങ്ങൾ, സുരക്ഷ, സ്വകാര്യത, പശ്ചാത്തല പാർട്ടികൾ, ഒഴിവാക്കാവുന്ന പ്രായോഗികത, അല്ലെങ്കിൽ അപ്രതീക്ഷിത ഫലങ്ങൾ കണ്ടുപിടിക്കാനായി. AI ഉപയോഗിക്കുന്നവര് ഇത്തരം സിസ്റ്റങ്ങള് 언제, എന്തിന്, എങ്ങനെ പ്രയോഗിക്കുന്നു എന്ന് കൃത്യമായി അറിയിക്കുകയും, ഇവയുടെ പരിമിതികളും വ്യക്തമാക്കുകയും വേണം. ഉദാഹരണത്തിന്, ഒരു ബാങ്ക് ഉപഭോക്തൃ വായ്പ തീരുമാനങ്ങൾക്ക് AI ഉപയോഗിച്ചാൽ ഫലങ്ങൾ പരിശോധിച്ച് ഡാറ്റ എന്തിനെ ബാധിക്കുന്നു എന്ന് മനസ്സിലാക്കേണ്ടതാണ്. സർക്കാറുകൾ വ്യവസായങ്ങളിൽ AI-നെ നിയന്ത്രിക്കാൻ തുടങ്ങിയിട്ടുണ്ട്, അതിനാൽ ഡാറ്റ സയന്റിസ്റ്റുകളും സംഘടനകളും AI സിസ്റ്റം നിയമമാനദണ്ഡങ്ങൾ പാലിക്കുന്നുണ്ടോ, പ്രത്യേകിച്ച് അപരിപോഷിത ഫലമുണ്ടെങ്കിൽ, വിശദീകരിക്കേണ്ടതാണ്.
> [🎥 ഇവിടെ ക്ലിക്ക് ചെയ്ത് വീഡിയോ കാണുക: AIയിൽ पारदർശകത](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 AI-യിൽ പുറന്തള്ളല്: ഈ ലിങ്കില് ക്ലിക്ക് ചെയ്യുക](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- AI സംവിധാനങ്ങൾ സങ്കീർണമാണെന്നാൽ എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്ന് മനസ്സിലാക്കാനും ഫലങ്ങൾ വ്യാഖ്യാനിക്കാനും ബുദ്ധിമുട്ടാണ്.
- AI സിസ്റ്റങ്ങൾ വളരെ സങ്കീർണ്ണമായതിനാല് അവ എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്ന് മനസിലാക്കാനും ഫലങ്ങള് വ്യാഖ്യാനം ചെയ്യാനും ബുദ്ധിമുട്ടാണ്.
- ഈ മനസ്സിലാക്കാത്തത് ഈ സംവിധാനങ്ങൾ എങ്ങനെ നിയന്ത്രിക്കപ്പെടുന്നു, പ്രവർത്തിപ്പിക്കുന്നു, രേഖപ്പെടുത്തുന്നു എന്നിവയെ ബാധിക്കുന്നു.
- ഇത്തരം മനസ്സിലാക്കലിന്റെ അഭാവം സിസ്റ്റം മാനേജ്മെന്റ്, പ്രവർത്തനവും രേഖപ്പെടുത്തലിലും ബാധിക്കുന്നു.
- ഏറ്റവും പ്രധാനമായി ഇതു ഫലങ്ങൾ ഉപയോഗിച്ച് എടുക്കുന്ന തീരുമാനങ്ങളെ ബാധിക്കുന്നു.
- ഇതിന്റെ ആഘാതം സിസ്റ്റം ഉത്പാദിപ്പിക്കുന്ന ഫലങ്ങളുടെ അടിസ്ഥാനത്തിൽ എടുത്ത തീരുമാനങ്ങളിലും പ്രധാനം.
### ഉത്തരവാദിത്വം
### ഉത്തരവാദിത്വം
AI സംവിധാനം രൂപകൽപ്പന ചെയ്ത് വിനിയോഗിക്കുന്നവർ അവരുടെ സംവിധാനം എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നതിന് ഉത്തരവാദിത്വം വേണം. മുഖമുദ്ര തിരിച്ചറിയൽ പോലുള്ള സംവേദനാത്മക സാങ്കേതികവിദ്യകളുമായി ബന്ധപ്പെട്ട് ഉത്തരവാദിത്വം അതിമഹത്താണ്. കുട്ടികളുടെ തിരച്ചിലിനായി പോലീസുകാർക്ക് കുതിരക്കുത്ത് പോലുള്ള അഭ്യർത്ഥനകൾ വരുമ്പോൾ, ഈ സാങ്കേതികവിദ്യയുടെ വളർച്ചയാണ്. എന്നാൽ, ഈ സാങ്കേതികവിദ്യകൾ സർക്കാർ രാഷ്ട്രീയസ്വാതന്ത്ര്യങ്ങളിൽ ബാധകമായ നിരന്തര നിരീക്ഷണത്തിന് ഉപയോഗിക്കു സാധ്യത ഉണ്ടെന്ന് ആശങ്കകളും ഉണ്ട്. അതിനാൽ, ഡാറ്റ സയന്റിസ്റ്റുകളും സ്ഥാപനങ്ങളും AI സംവിധാനങ്ങൾ വ്യക്തികൾക്കും സമൂഹത്തിനും എങ്ങനെ ബാധിക്കുന്നു എന്നതിൽ ഉത്തരവാദിത്വം കൈക്കൊളളണം.
AI സിസ്റ്റങ്ങൾ രൂപകല്പ്പനയും നടപ്പിലാക്കലും ചെയ്യുന്നവര്ക്ക് അവരുടെ സിസ്റ്റങ്ങൾ എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നതിന് ഉത്തരവാദിത്തം വേണം. മുഖം തിരിച്ചറിയൽ പോലുള്ള സെൻസിറ്റിവ് സാങ്കേതികവിദ്യകൾക്ക് ഇത് പ്രത്യേകഗതിയാണ്. അടുത്തകാലത്ത്, പോലീസ് വകുപ്പുകൾ പോലുള്ള പ്രത്യേക സംഘടനകൾക്ക് മുഖം തിരിച്ചറിയൽ ടെക്നോളജിയുടെ ആവശ്യകത വളരുകയാണ്, കാണാതായ കുട്ടികളെ കണ്ടെത്തുന്നതിൽ സഹായകമെന്നും കാണുന്നു. എന്നാൽ ഇതൊക്കെ സർക്കാർ നിന്നുള്ള നിരന്തരം നിരീക്ഷണം പോലുള്ള വഴികളിലൂടെ പൗരരുടെ അടിസ്ഥാന സ്വാതന്ത്ര്യങ്ങളെ ഹാനി ചെയ്യാൻ ഉപയോഗിക്കപ്പെടാമെന്ന ഭീഷണി ഉണ്ട്._AD_USERS_ അതിനാൽ ഡാറ്റ സയന്റിസ്റ്റുകളും സംഘടനകളും അവരുടെ AI സിസ്റ്റം വ്യക്തികളെയോ സമൂഹത്തെയോ എങ്ങനെ ബാധിക്കുന്നു എന്ന് ഉത്തരവാദിത്വത്തോടെ കാണേണ്ടതാണ്.
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI")
> 🎥 മുഖം തിരിച്ചറിയൽ മുഖേന അസംഖ്യ നിരീക്ഷണത്തെ കുറിച്ചുള്ള മുന്നറിയിപ്പുകൾ എന്ന വീഡിയോയ്ക്ക് മേൽ ചിത്രത്തിൽ ക്ലിക്ക് ചെയ്യുക
> 🎥 മുകളിലുള്ള ചിത്രത്തില് ക്ലിക്കുചെയ്യുക: മുഖം തിരിച്ചറിയൽ വഴി പ്രപഞ്ച നിരീക്ഷണ മുന്നറിയിപ്പ്
ഞങ്ങളുടെ തലമുറയിൽ ഏറ്റവും വലിയ ചോദ്യങ്ങളിലൊന്ന്, AI സമൂഹത്തിൽ കൊണ്ടുവരുന്ന ആദ്യതലമുറ ആയി, കമ്പ്യൂട്ടറുകൾ മനുഷ്യരെക്കുറിച്ച് ഉത്തരവാദിത്വം പുലർത്തുമെന്ന് എങ്ങനെ ഉറപ്പാക്കാമെന്നും, കമ്പ്യൂട്ടറുകൾ രൂപകൽപ്പന ചെയ്യുന്നവർ മറിച്ച് എല്ലാവർക്കും ഉത്തരവാദികൾ ആണെന്നു എങ്ങനെ ഉറപ്പാക്കാമെന്നും ആണ്.
ഒടുവിൽ, AI-യെ സമൂഹത്തിലേക്ക് കൊണ്ടുവരുന്ന ആദ്യ തലമുറ എന്ന നിലയിൽ നമ്മുടെ തലമുറയുടെ ഒരു വലിയ ചോദ്യം: കമ്പ്യൂട്ടറുകൾ ആളുകളോട് ഉത്തരവാദിത്വം പാലിക്കുമെന്ന് എങ്ങനെ ഉറപ്പാക്കണം, കമ്പ്യൂട്ടറുകൾ രൂപകല്പ്പന ചെയ്യുന്നവർ എക്കാലവും എല്ലാവർക്കും ഉത്തരവാദിത്വം പാലിക്കണമെന്ന് എങ്ങനെ ഉറപ്പാക്കണം.
## പ്രഭാവ അവലോകനം
## ഫല പ്രത്യസ്റ്റിതി
മെഷീൻ ലേണിംഗ് മോഡൽ പരിശീലിപ്പിക്കുന്നതിനുമുമ്പ് AI സംവിധാനത്തിന്റെ ഉദ്ദേശ്യം; ലക്ഷ്യം എന്തൊക്കെയാണ്; ഏത് സ്ഥലത്ത് ഉപയോഗിക്കപ്പെടും; ആരാണ് സംവിധാനവുമായി ഇടപഴകുന്നത് എന്നു മനസ്സിലാക്കുന്നതിനായി പ്രഭാവ അവലോകനം നിർബന്ധമാണ്. ഇത് നിരീക്ഷകർക്ക് സിസ്റ്റത്തിലെ സാധ്യതയുള്ള അപകടങ്ങൾ, പ്രതീക്ഷിക്കാവുന്ന ഫലങ്ങൾ വിലയിരുത്തുമ്പോൾ സഹായകമാണ്.
മെഷീന് ലേണിംഗ് മോഡല് പരിശീലിപ്പിക്കാനുമുമ്പ്, AI സിസ്റ്റത്തിന്റെ ഉദ്ദേശപ്പാടുകള്, ഉപയോഗ രീതി, വിന്യസിക്കൽ സ്ഥലം, സിസ്റ്റം സംവേദിക്കുന്ന ആളുകൾ എന്നിവ മനസിലാക്കാൻ ഫലം വിലയിരുത്തൽ നടത്തേണ്ടത് നിർബന്ധമാണ്. ഇത് സിസ്റ്റം അവലോകനമോ പരിശോധനമോ ചെയ്യുന്നവർ ദുരന്ത സാധ്യതകളും പ്രതീക്ഷിക്കുന്ന ഫലങ്ങളും അറിയുവാൻ സഹായിക്കും.
പ്രഭാവ അവലോകനം നടത്തുമ്പോൾ ശ്രദ്ധിക്കേണ്ട മേഖലകൾ:
ഫലം വിലയിരുത്തുമ്പോൾ ശ്രദ്ധിക്കേണ്ട മേഖലകൾ:
* **വ്യക്തികളുമായി ഉണ്ടായേക്കാവുന്ന ദുഷ്പ്രഭാവം**. ഏതെങ്കിലും നിയന്ത്രണങ്ങൾ, ആവശ്യങ്ങൾ, അനാവലി ഉപയോഗം അല്ലെങ്കിൽ പരിചിതമായ പരിധികളെന്ന് അറിയുക പ്രധാനമാണ്.
* **വ്യക്തികളോടുള്ള ദുഷ്ഫലങ്ങൾ**. ഏതു പരിമിതികളോ ആവശ്യങ്ങളോ ഇല്ലാതെയുള്ള ഉപയോഗം അല്ലെങ്കിൽ തകരാറുകൾ സിസ്റ്റത്തിന്റെ പ്രവർത്തനത്തെ ബാധിക്കുന്നുണ്ടെന്ന് തിരിച്ചറിഞ്ഞിരിക്കണം, വ്യക്തികൾക്ക് ഹാനിയുണ്ടാക്കുന്ന വിധം ഉപയോഗം ഒഴിവാക്കണം.
* **ഡാറ്റ ആവശ്യകതകൾ**. സിസ്റ്റം എങ്ങിനെ, എവിടെ ഡാറ്റ ഉപയോഗിക്കുമെന്ന് മനസ്സിലാക്കുന്നത്, നിർദേശകരെയും നിരീക്ഷകരെയും GDPR അല്ലെങ്കിൽ HIPAA പോലുള്ള നിയമങ്ങൾക്കും പ്രത്യേക ശ്രദ്ധ നൽകാൻ സഹായിക്കുന്നു. കൂടാതെ, പരിശീലനത്തിനുള്ള ഡാറ്റയുടെ ഉറവിടം, തോത് മതിയായതാണോ എന്നത് പരിശോധിക്കുക.
* **ഡാറ്റ ആവശ്യങ്ങൾ**. സിസ്റ്റം എവിടെയായി ഡാറ്റ ഉപയോഗിക്കുന്നത് മനസിലാക്കുന്നത് GDPR, HIPAA പോലുള്ള നിയമങ്ങള് പാലിക്കാനുള്ള പരിശോധനയ്ക്ക് സഹായിക്കും. കൂടാതെ പരിശീലനത്തിന് ആവശ്യമായ ഡാറ്റയുടെ ഉറവിടവും ആദ്യപരിധിയും പരിശോധിക്കണം.
* **പ്രഭാവത്തിന്റെ സംഗ്രഹം**. സിസ്റ്റം ഉപയോഗിച്ചാൽ ഉണ്ടായേക്കാവുന്ന ഉപദ്രവങ്ങളുടെ പട്ടിക പറ്റുക. ML ജീവിതചക്രത്തിൽ, കണ്ടെത്തിയ പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നുണ്ടോ എന്ന് പരിശോധിക്കുക.
* **ഫലം സമാരംഭം**. സിസ്റ്റം ഉപയോഗിക്കുന്നതില് ഉണ്ടാകാൻ സാധ്യതയുള്ള ഹാനികളുടെ പട്ടിക നേടുക. ML ജീവിതചക്രത്തിലും പരിഹാരങ്ങൾ കണ്ടുപിടിക്കാൻ നിരന്തരം അവലോകനം വേണം.
* ആറ് മേധാവി സിദ്ധാന്തങ്ങൾക്ക് അനുയോജ്യമായ **ലക്ഷ്യങ്ങൾ**. ഓരോ സിദ്ധാന്തത്തിന്റെ ലക്ഷ്യങ്ങൾ പാലിക്കപ്പെട്ടിട്ടുണ്ടോ എന്നത് വിലയിരുത്തുക, വീഴ്ചകളുണ്ടോ എന്ന് പരിശോധിക്കുക.
* **ആയോജനപരമായ ലക്ഷ്യങ്ങൾ** ആറ് മുഖ്യ പ്രിന്സിപ്പിള്സില് ഓരോന്നിനും. ലക്ഷ്യങ്ങൾ പൂർത്തിയാക്കി gaps ഉണ്ടോ എന്ന് വിലയിരുത്തുക.
## ഉത്തരവാദിത്വമുള്ള AI ഉപയോഗിച്ച് ഡീബഗ്ഗിംഗ്
## ഉത്തരവാദിത്വമുള്ള AI-യുമായുള്ള ഡീബഗ്ഗിംഗ്
സോഫ്റ്റ്വെയർ ആപ്ലിക്കേഷൻ ഡീബഗ്ഗിങ്ങിനുപോലെ, AI സംവിധാനം വിവരണങ്ങൾ കണ്ടെത്തി പരിഹരിക്കുന്ന പ്രക്രിയ അനിവാര്യമാണ്. മോഡൽ പ്രതീക്ഷിച്ച പോലെ പ്രവർത്തിക്കാതിരിക്കാൻ പല ഘടകങ്ങളും കാരണമാകാം. പലപരമ്പരാഗത മോഡൽ പ്രകടന സൂചികകൾ കണക്കുകൾ മാത്രമാണ്; ഇത് ഉത്തരവാദിത്വമുള്ള AI സിദ്ധാന്തങ്ങൾ ലംഘിക്കുന്ന രീതികൾ വിശകലനം ചെയ്യാൻ പ്രയോജനപ്പെടുന്നില്ല. മെഷീൻ ലേണിംഗ് മോഡൽ ഒരു ബ്ലാക്ക്ബോക്സാണ്, അതിന്റെ ഫലം എന്തുകൊണ്ടാണെന്ന് കണക്കാക്കാനും തെറ്റ് സംഭവിച്ചാൽ വിശദീകരിക്കാനും ബുദ്ധിമുട്ട് ഉണ്ടാക്കുന്നു. ഈ കോഴ്സിൽ പിന്നീട് ഉത്തരവാദിത്വമുള്ള AI ഡാഷ്ബോർഡ് ഉപയോഗിച്ച് AI സംവിധാനം ഡീബഗ് ചെയ്യുന്നത് പഠിക്കും. ഡാഷ്ബോർഡ് ഡാറ്റ സയന്റിസ്റ്റുകളും AI വികസനകരും കോവിഡ് നടത്താൻ സഹായിക്കുന്ന സമഗ്ര ഉപകരണം ആണ്:
സോഫ്റ്റ്വെയര് ആപ്ലിക്കേഷനുകള് ഡീബഗ് ചെയ്യുന്നത് പോലെ, AI സിസ്റ്റം ഡീബഗ് ചെയ്യലും സിസ്റ്റത്തിലെ പ്രശ്നങ്ങൾ കണ്ടെത്തുകയും പരിഹരിക്കുകയും ചെയ്യാനുള്ള പ്രക്രിയയാണ്. മോഡൽ പ്രതീക്ഷിച്ച പോലെ പ്രവർത്തിക്കാതെ അല്ലെങ്കിൽ ഉത്തരവാദിത്വപ്പെട്ട സാഹചര്യങ്ങളില് പ്രവർത്തിക്കുന്നത് ബാധിക്കുന്ന നിരവധി ഘടകങ്ങളുണ്ട്. പരമ്പരാഗത മോഡൽ പ്രവർത്തന മാനദണ്ഡങ്ങൾ ഒരു മോഡലിന്റെ പ്രകടനത്തിന്റെ കണക്ക് അടിക്കുന്നത്ര മാത്രമാണ്; അതു ഉത്തരവാദിത്വമുള്ള AI പ്രിന്സിപ്പിളുകൾ കേന്ദ്രീകരിക്കുക എങ്ങനെ എന്ന് വിശകലനം ചെയ്യാൻ പര്യാപ്തമല്ല. കൂടാതെ, മെഷീന് ലേണിംഗ് മോഡല് ഒരു ബ്ലാക്ക്ബോക്സ് ആയതിനാൽ ഫലത്തിന് കാരണമാകുന്ന ഘടകങ്ങൾ എളുപ്പം മനസ്സിലാകുന്നില്ല അല്ലെങ്കിൽ തെറ്റ് വരുമ്പോൾ വിശദീകരിക്കാനാകുന്നില്ല. ഈ കോഴ്സിന്റെ ശേഷം, ഉത്തരവാദിത്വമുള്ള AI ഡാഷ്ബോര്ഡ് ഉപയോഗിച്ച് AI സിസ്റ്റങ്ങള് ഡീബഗ് ചെയ്യുന്നത് പഠിക്കും. ഡാഷ്ബോർഡ് ഡാറ്റ സയന്റിസ്റ്റുകളും AI ഡെവലപ്പർമാരും വേണ്ടി ചേർന്ന ഒരു സമഗ്രമായ ഉപകരണമാണ്:
* **പിശക് വിശകലനം**. സംവിധാനം ഫെയർനസ്സ് അല്ലെങ്കിൽ വിശ്വാസ്യതയെ ബാധിക്കുന്ന മോഡലിന്റെ പിശക് വിതരണ കണ്ടെത്താൻ.
* **പിഴവ് വിശകലനം**. സിസ്റ്റത്തിന്റെ നീതി അല്ലെങ്കിൽ വിശ്വാസ്യതയെ ബാധിക്കുന്ന പിഴവുകളുടെ വിതരണം കണ്ടെത്തുന്നതിന്.
* **മോഡൽ അവലോകനം**. ഡാറ്റ കോഹോർട്ടുകളിലെ പ്രകടന വ്യത്യാസങ്ങൾ കണ്ടെത്താൻ.
* **മോഡൽ അവലോകനം**. ഡാറ്റാ കൂട്ടങ്ങളെക്കുറിച്ചുള്ള മോഡലിന്റെ പ്രകടന വ്യത്യാസങ്ങൾ കണ്ടെത്തുക.
* **ഡാറ്റ വിശകലനം**. ഡാറ്റ വിതരണവും സമ്മതമാകാവുന്ന ബയസും മനസിലാക്കാൻ.
* **ഡാറ്റ വിശകലന**. ഡാറ്റാ വിതരണവും ഡാറ്റയില് നിസ്സാരമായ ഭേദങ്ങൾ കണ്ടെത്താനും, നീതി, ഉൾപ്പെടുത്തൽ, വിശ്വാസ്യത അനുഭവങ്ങളെ ബാധിക്കാവുന്ന പ്രശ്നങ്ങൾ മനസ്സിലാക്കാനും.
* **മോഡൽ വ്യാഖ്യാനം**. മോഡലിന്റെ പ്രവചനങ്ങളെ സ്വാധീനിക്കുന്ന ഘടകങ്ങൾ മനസിലാക്കാൻ, ഇത് പാരദർശകതക്കും ഉത്തരവാദിത്വത്തിനും ആവശ്യമാണ്.
* **മോഡൽ വ്യാഖ്യാനം**. മോഡലിന്റെ പ്രവചനങ്ങളെ എന്തെല്ലാം ബാധിക്കുന്നു എന്ന് മനസിലാക്കുക. ഇത് മോഡലിന്റെ പെരുമാറ്റം വിശദീകരിക്കാൻ സഹായിക്കുന്നു, വ്യക്തതക്കും ഉത്തരവാദിത്വത്തിനും ആവശ്യമാണ്.
## 🚀 വെല്ലുവിളി
## 🚀 ചലഞ്ച്
ഹാനികൾ ആദ്യത്തേതായി കുറച്ച് നടത്താനായി, നമ്മുക്ക് ചെയ്യേണ്ടത്:
ഹാനികൾ ആരംഭനത്തിൽ തന്നെ തടയാനായി, നമ്മള് വേണം:
- സിസ്റ്റങ്ങൾ വികസിപ്പിക്കുന്നവരിൽ വ്യത്യസ്ത പശ്ചാത്തലങ്ങളും കാഴ്ചപ്പാടുകളും ഉണ്ടായിരിക്കണം
- സിസ്റ്റങ്ങളിലേയ്ക്ക് ചേരുന്നവരുടെ പശ്ചാത്തലങ്ങളിലും കാഴ്ചപ്പാടുകളിലും വൈവിധ്യം ഉറപ്പാക്കുക
- നമ്മുടെ സമൂഹത്തിന്റെ വൈവിധ്യം പ്രതിഫലിക്കുന്ന ഡേറ്റാസെറ്റുകളിൽ നിക്ഷേപം നടത്തണം
- നമ്മുടെ സമൂഹത്തിന്റെ വൈവിധ്യം പ്രതിഫലിപ്പിക്കുന്ന ഡാറ്റാസ് സെറ്റുകളിൽ നിക്ഷേപിക്കുക
- ഉത്തരവാദിത്വമുള്ള AI കണ്ടെത്താനും ശരിയാക്കാനും മെഷീൻ ലേണിംഗ് ജീവിതചക്രത്തിലുടനീളം മെച്ചപ്പെട്ട മാർഗങ്ങൾ വികസിപ്പിക്കണം
- മെഷീന് ലേണിംഗ് ജീവിതചക്രത്തിൽ ഉത്തരവാദിത്വശൂന്യ AI കണ്ടെത്താനും പരിഹരിക്കാനും നല്ല മാർഗ്ഗങ്ങൾ വികസിപ്പിക്കുക
മോഡലിന്റെ വിശ്വസനീയതയ്ക്ക് സംഭവത്തിന്റെ ജീവിതാവസ്ഥകളും ഉപയോഗവും എവിടെയെങ്കിലും തെളിവും ഉണ്ടാകേണ്ട ചില യഥാർത്ഥസംഭവങ്ങൾ ചിന്തിക്കുക. മറ്റെന്തെന്ത് പരിഗണിക്കേണ്ടതാണ്?
- ഉത്തരവാദിത്തമുള്ള AI പിന്തുടരുന്നതിൽ: Besmira Nushi, Mehrnoosh Sameki, Amit Sharma എന്നിവരുടെ നയം പ്രായോഗികമാക്കുക
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: ഒരു ഉത്തരവാദിത്വമുള്ള AI നിർമ്മിക്കാൻ വേണ്ടി ഒരു ഓപ്പൺ സോഴ്സ് ഫ്രെയിമ്വർക്ക്")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
> 🎥 മുകളിൽ ചിത്രത്തിൽ ക്ലിക്കുചെയ്യുക വീഡിയോക്കായി: Besmira Nushi, Mehrnoosh Sameki, Amit Sharma എന്നിവർ ഒരുക്കിയ RAI Toolbox: ഒരു ഉത്തരവാദിത്വമുള്ള AI നിർമ്മിക്കാൻ വേണ്ടി ഒരു ഓപ്പൺ സോഴ്സ് ഫ്രെയിമ്വർക്ക്
> 🎥 വിഡിയോക്കായി മുകളിലെ ചിത്രം ക്ലിക്ക് ചെയ്യുക: Besmira Nushi, Mehrnoosh Sameki, Amit Sharma എന്നിവരാൽilidad: ഉത്തരവാദിത്തമുള്ള AI നിർമ്മിക്കാൻ ഒരു തുറന്ന ഉറവിട ഘടന
കൂടാതെ, വായിക്കുക:
അതോടൊപ്പം, വായിക്കൂ:
- മൈക്രോസോഫ്റ്റിന്റെ RAI റിസോഴ്സ് സെന്റർ: [ഉത്തരവാദിത്വമുള്ള AI റിസോഴ്സുകൾ – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- മൈക്രോസോഫ്റ്റിന്റെ RAI സ്രോതസ് കേന്ദ്രം: [Responsible AI Resources – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- മൈക്രോസോഫ്റ്റിന്റെ FATE റിസർച്ചു ഗ്രൂപ്പ്: [FATE: നീതിമുട്ട, ഉത്തരവാദിത്തം, പരദർശിത്വം, അടക്കമുള്ള AI-ാപരമായ എഥിക്സ് - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
- മൈക്രോസോഫ്റ്റിന്റെ FATE ഗവേഷണ സംഘം: [FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
RAI Toolbox:
RAI Toolbox:
- [Responsible AI Toolbox GitHub repository](https://github.com/microsoft/responsible-ai-toolbox)
- [ഉത്തരവാദിത്വമുള്ള AI Toolbox GitHub റിപ്പോസിറ്ററി](https://github.com/microsoft/responsible-ai-toolbox)
നീതി ഉറപ്പാക്കുന്നതിനുള്ള Azure മെഷീൻ ലേണിങ്ങിന്റെ ടൂളുകൾക്കുറിച്ച് വായിക്കൂ:
> ### [ഈ പാഠം R-ലിലും ലഭ്യമാണ്!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
> ### [ഈ പാഠം R-ൽ ലഭ്യമാണ്!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
## പരിചയം
## പരിചയം
ഈ നാല് പಾಠങ്ങളിൽ, നിങ്ങൾ റിഗ്രഷൻ മോഡലുകൾ എങ്ങനെ നിർമ്മിക്കാമെന്ന് കണ്ടുപിടിക്കും. ഇവ എന്തിന് വേണ്ടിയാണെന്ന് കുറച്ചു സമയം മുന്നേ നിർവചിക്കും. എന്നാൽ എന്ത് ചെയ്യുകയുമുണ്ടാകുന്നതിന് മുമ്പ്, ആരംഭിക്കുന്നതിന് مناسبമായ ഉപകരണങ്ങൾ നിങ്ങളുടെ കിണറ്റിൽ ഉണ്ടെന്ന് ഉറപ്പാക്കുക!
ഈ നാല് പാഠങ്ങളിൽ, നിങ്ങൾ റിഗ്രഷൻ മോഡലുകൾ എങ്ങനെ നിർമ്മിക്കാമെന്ന് കാണും. അവ എന്തിനുള്ളതാണെന്ന് നേരെയായി ചർച്ച ചെയ്യും. എന്നാൽ ഒന്നും ചെയ്യുന്നതിന് മുമ്പ്, പ്രക്രിയ ആരംഭിക്കാൻ ആവശ്യമായ ശരിയായ ഉപകരണങ്ങൾ ഉണ്ടെന്ന് ഉറപ്പാക്കുക!
ഈ പാഠത്തിൽ, നിങ്ങൾ പഠിക്കും:
ഈ പാഠത്തിൽ, നിങ്ങൾ പഠിക്കേണ്ടത്:
- നിങ്ങളുടെ കമ്പ്യൂട്ടർ ലോക്കൽ മെഷീൻ ലേണിങ് പ്രവർത്തനങ്ങൾക്ക് എങ്ങനെ ക്രമീകരിക്കാം.
- നിങ്ങളുടെ കമ്പ്യൂട്ടർ ലോക്കൽ മെഷീൻ ലേണിംഗ് പണികൾക്കായി ക്രമീകരിക്കുന്നത്.
- Jupyter Notebooks-ഉം എങ്ങനെ ഉപയോഗിക്കാം.
- Jupyter Notebooks ഉപയോഗിക്കുന്നത്.
- Scikit-learn ഉപയോഗം, ഇൻസ്റ്റാളേഷൻ ഉൾപ്പെടെ.
- ഇൻസ്റ്റാളേഷൻ ഉൾപ്പെടെ Scikit-learn ഉപയോഗിക്കുന്നത്.
- കുറച്ച് പ്രായോഗിക അഭ്യാസത്തോടെ ലൈനിയർ റിഗ്രഷൻ പരിശോധിക്കുക.
- ലൈനിയർ റിഗ്രഷൻ ഒരു പ്രായോഗിക അഭ്യാസത്തിലൂടെ പരിശോധിക്കുക.
## ഇൻസ്റ്റാളേഷനുകളും ക്രമീകരണങ്ങളും
## ഇൻസ്റ്റാളേഷനുകളും ക്രമീകരണങ്ങളും
[](https://youtu.be/-DfeD2k2Kj0 "ML for beginners -Setup your tools ready to build Machine Learning models")
[](https://youtu.be/-DfeD2k2Kj0 "പ്രാഥമികർക്ക് എംഎൽ - മെഷീൻ ലേണിംഗ് മോഡലുകൾ നിർമ്മിക്കാൻ ഉപകരണങ്ങൾ ക്രമീകരിക്കുക")
> 🎥 ML ക്രമീകരണം നന്നാക്കുന്നതിനുള്ള ചുരുക്ക വീഡിയോയ്ക്കായി മുകളിൽ ചിത്രം ക്ലിക്കുചെയ്യുക.
> 🎥 എംഎൽ-ക്കായി നിങ്ങളുടെ കമ്പ്യൂട്ടർ ക്രമീകരിക്കുന്നതിനുള്ള ഒരു ചെറിയ വീഡിയോകൾക്കായി മുകളിലെ ചിത്രം ക്ലിക്ക് ചെയ്യുക.
1. **Python ഇൻസ്റ്റാൾ ചെയ്യുക**. [Python](https://www.python.org/downloads/) നിങ്ങളുടെ കമ്പ്യൂട്ടറിൽ നിങ്ങൾ ഇൻസ്റ്റാൾ ചെയ്തിട്ടുണ്ടെന്ന് ഉറപ്പാക്കുക. Python-നാണ് നിങ്ങൾക്ക് അനേകം ഡാറ്റാ സയൻസ്, മെഷീൻ ലേണിങ് പ്രവർത്തനങ്ങൾ ചെയ്യേണ്ടത്. പല കമ്പ്യൂട്ടർ സംവിധാനങ്ങളിലും Python ഇൻസ്റ്റാൾ ചെയ്തിട്ടുണ്ട്. ചില ഉപയോക്താക്കൾക്ക് സഹായം നൽകാൻ ഉപയോഗപ്പെടുത്താവുന്ന [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) ലഭ്യമാണ്.
1. **Python ഇൻസ്റ്റാൾ ചെയ്യുക**. നിങ്ങളുടെ കമ്പ്യൂട്ടറിൽ [Python](https://www.python.org/downloads/) ഇൻസ്റ്റാൾ ചെയ്തിട്ടുണ്ടെന്ന് ഉറപ്പാക്കുക. നിങ്ങൾക്ക് പല ഡാറ്റാ സയൻസും മെഷീൻ ലേണിംഗ് ടാസ്കുകളും Python ഉപയോഗിച്ച് ചെയ്യേണ്ടതുണ്ടാകും. പല കമ്പ്യൂട്ടറുകളിലും മുമ്പേ Python ഇൻസ്റ്റാളുചെയ്യപ്പെട്ടിരിക്കും. ചില ഉപയോക്താക്കൾക്ക് ക്രമീകരണമാറ്റാൻ സഹായകമായ [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) ഉണ്ടു.
Python-ന്റെ ചില ഉപയോഗങ്ങൾക്ക് ഒരേ സോഫ്റ്റ്വെയറിന്റെ ഒരു വേർഷൻ ആവശ്യമാണ്, മറ്റുചില സന്ദർഭങ്ങളിൽ മറ്റൊരു വേർഷൻ ആവശ്യമാണ്. അതിനാൽ, [വുർച്വൽ എൻവയോൺമെന്റ്](https://docs.python.org/3/library/venv.html)യിൽ പ്രവർത്തിക്കുന്നത് ഉപകാരപ്രദമാണ്.
ചില Python ഉപയോഗങ്ങൾക്ക് ഒരു സോഫ്റ്റ്വെയർ വേർഷൻ ആവശ്യമായിരുന്നെങ്കിൽ മറ്റുചിലക്ക് വേറെ വേർഷൻ ആവശ്യമായിരിക്കും. അതുകൊണ്ടുതന്നെ, ഒരു [virtual environment](https://docs.python.org/3/library/venv.html) ഉള്ളിൽ പ്രവർത്തിക്കുന്നത് ഉപകാരപ്രദമാണ്.
2. **Visual Studio Code ഇൻസ്റ്റാൾ ചെയ്യുക**. നിങ്ങളുടെ കമ്പ്യൂട്ടറിൽ Visual Studio Code ഇൻസ്റ്റാൾ ചെയ്തിട്ടുണ്ടെന്നു ഉറപ്പാക്കുക. ഏകദേശ ഇൻസ്റ്റാളേഷനു വേണ്ടി ഈ നിർദ്ദേശങ്ങൾ പാലിക്കുക [Visual Studio Code ഇൻസ്റ്റാൾ ചെയ്യുക](https://code.visualstudio.com/). ഈ കോഴ്സിൽ Visual Studio Codeയിൽ Python ഉപയോഗിക്കും, അതിനാൽ Python വികസനത്തിനായി [Visual Studio Code ക്രമീകരണം](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) എങ്ങനെ ചെയ്യാമെന്ന് പഠിക്കാം.
2. **Visual Studio Code ഇൻസ്റ്റാൾ ചെയ്യുക**. നിങ്ങളുടെ കമ്പ്യൂട്ടറിൽ Visual Studio Code ഇൻസ്റ്റാൾ ചെയ്തിട്ടുണ്ടെന്ന് ഉറപ്പാക്കുക. അടിസ്ഥാന ഇൻസ്റ്റാളേഷനായി [Visual Studio Code ഇൻസ്റ്റാൾ ചെയ്യുക](https://code.visualstudio.com/) എന്ന നിർദ്ദേശങ്ങൾ പാലിക്കുക. ഈ കോഴ്സിൽ Visual Studio Code-ൽ Python ഉപയോഗിക്കാൻ പോകുന്നു, അതിനാൽ [Python ഡെവലപ്പ്മെന്റിനായി Visual Studio Code ക്രമീകരിക്കൽ](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) പഠിക്കുക.
> Python-നുമായി പരിചയപ്പെടാൻ ഈ [Learn modules](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) ശേഖരം ഉപയോഗിക്കുക
> Pythonతో സൗകര്യപ്പെടാൻ ഈ [Learn modules](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) സീരീസ് വഴി പ്രവർത്തിക്കുക
>
>
> [](https://youtu.be/yyQM70vi7V8 "Visual Studio Code-ൽ Python ക്രമീകരിക്കുക")
> [](https://youtu.be/yyQM70vi7V8 "Visual Studio Code-ൽ Python ക്രമീകരിക്കൽ")
>
>
> 🎥 VS Code-ൽ Python ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്ന വീഡിയോയ്ക്ക് മുകളിൽ ചിത്രം ക്ലിക്കുചെയ്യുക.
> 🎥 VS Code-ൽ Python ഉപയോഗിക്കുന്ന ഒരു വീഡിയോകൾക്കായി മുകളിലെ ചിത്രം ക്ലിക്ക് ചെയ്യുക.
3. **Scikit-learn ഇൻസ്റ്റാൾ ചെയ്യുക**. [ഈ നിർദ്ദേശങ്ങൾ](https://scikit-learn.org/stable/install.html) പിന്തുടരുക. Python 3 ഉപയോഗിക്കുന്നതായി ഉറപ്പാക്കേണ്ടതിനാൽ വർച്ച്വൽ എൻവയോൺമെന്റ് ഉപയോഗിക്കുന്നത് ശുപാർശ ചെയ്യുന്നു. M1 Mac-ൽ ഇൻസ്റ്റാൾ ചെയ്യുമ്പോഴുള്ള പ്രത്യേക നിർദ്ദേശങ്ങൾ പേജ് കൂടെ നൽകിയിട്ടുണ്ട്.
3. **Scikit-learn ഇൻസ്റ്റാൾ ചെയ്യുക**. [ഈ നിർദ്ദേശങ്ങൾ](https://scikit-learn.org/stable/install.html) പിന്തുടരുക. Python 3 ഉപയോഗിക്കുന്നുവെന്ന് ഉറപ്പാക്കാൻ virtual environment ഉപയോഗിക്കാൻ ശുപാർശ ചെയ്യുന്നു. M1 Mac-ൽ ഇൻസ്റ്റാളേഷൻ ചെയ്യുന്നുവെങ്കിൽ മുകളിലെ പേജ് കാണുക, പ്രത്യേക നിർദ്ദേശങ്ങൾ ഉണ്ട്.
1. **Jupyter Notebook ഇൻസ്റ്റാൾ ചെയ്യുക**. [Jupyter പാക്കേജ്](https://pypi.org/project/jupyter/) ഇൻസ്റ്റാൾ ചെയ്യേണ്ടതാണ്.
1. **Jupyter Notebook ഇൻസ്റ്റാൾ ചെയ്യുക**. [Jupyter പാക്കേജ് ഇൻസ്റ്റാൾ ചെയ്യുക](https://pypi.org/project/jupyter/).
## നിങ്ങളുടെ ML എഴുത്തു പരിസ്ഥിതി
## നിങ്ങളുടെ എംഎൽ എഴുതാനുള്ള അന്തരീക്ഷം
Python കോഡ് വികസിപ്പിക്കാനും മെഷീൻ ലേണിങ് മോഡലുകൾ സൃഷ്ടിക്കാനും നിങ്ങൾ **നോട്ട്ബുക്കുകൾ** ഉപയോഗിക്കുന്നു. ഈ തരത്തിലുള്ള ഫയലുകൾ ഡാറ്റാ സയന്റിസ്റ്റുകൾക്ക് സാധാരണ ഉപകരണമാണ്, ഇവ `.ipynb` എന്ന സഫ്ഫിക്സ് അല്ലെങ്കിൽ എക്സ്റ്റൻഷൻ വഴി തിരിച്ചറിയാം.
Python കോഡ് വികസിപ്പിക്കാൻ, മെഷീൻ ലേണിംഗ് മോഡലുകൾ സൃഷ്ടിക്കാൻ **notebooks** ഉപയോഗിക്കും. ഈ ടൈപ്പ് ഫയലുകൾ ഡാറ്റാ സയന്റിസ്റ്റുകൾ പ്രതിരൂപീകരിക്കുന്ന സാധാരണ ഉപകരണമാണ്, സഫിക്സ് അല്ലെങ്കിൽ എക്സ്റ്റൻഷൻ `.ipynb` വേണ്ട നിറവിൽ തിരിച്ചറിയാം.
നോട്ബുക്കുകൾ ഒരു ഇന്ററാക്ടീവ് പരിസ്ഥിതിയാണ്, കോഡ് എഴുതുന്നതിനോടൊപ്പം കുറിപ്പുകൾ ചേർക്കാനും ഡോക്യുമെന്റേഷൻ എഴുതാനുമുള്ള സൗകര്യമുള്ളത്, ഇത് പരീക്ഷണാത്മകമായോ ഗവേഷണ-ആധാരിതമായ പ്രോജക്റ്റുകൾക്കായി ഉപകാരപ്രദമാണ്.
Notebooks ഒരു ഇന്ററാക്ടീവ് പരിസരമാണ്, ഡെവലപ്പർക്ക് കോഡ് എഴുതാനും, കോഡിന്റെ ചുറ്റുമുള്ള കുറിപ്പുകൾ ചേർക്കാനും ഡോക്യുമെന്റേഷൻ എഴുതാനും അവസരം നൽകുന്നത്, പ്രത്യേകിച്ചും പരീക്ഷണവിഭാഗ പ്രോജക്ടുകൾക്ക് വളരെ സഹായകരം.
[](https://youtu.be/7E-jC8FLA2E "ML for beginners - Jupyter Notebooks ക്രമീകരിച്ച് റിഗ്രഷൻ മോഡലുകൾ സൃഷ്ടിക്കാൻ തുടങ്ങുക")
> 🎥 ഈ അഭ്യാസം നടത്തുന്നതിനുള്ള ചുരുക്ക വീഡിയോയ്ക്ക് മുകളിൽ ചിത്രം ക്ലിക്കുചെയ്യുക.
> 🎥 ഈ അഭ്യാസം ചെയ്യാനുള്ള ഒരു ചെറിയ വീഡിയോകൾക്കായി മുകളിലെ ചിത്രം ക്ലിക്ക് ചെയ്യുക.
### അഭ્યાસം - ഒരു നോട്ട്ബുക്കുമായി പ്രവർത്തിക്കുക
### അഭ്യാസം - ഒരു നോർക്കിൽ പ്രവർത്തിക്കുക
ഈ ഫോൾഡറിൽ _notebook.ipynb_ ഫയൽ കണ്ടെത്തും.
ഈ ഫോൾഡറിൽ _notebook.ipynb_ ഫയൽ കണ്ടെത്തും.
1. Visual Studio Code-ൽ_notebook.ipynb_ തുറക്കുക.
1. _notebook.ipynb_Visual Studio Code-യിൽ തുറക്കുക.
Jupyter സെർവർ Python 3+ കോഴ്ഡ് ആരംഭിക്കും. നോട്ട്ബുക്കിൽ `run` ചെയ്യാവുന്ന കോഡ് ഭാഗങ്ങൾ ഉണ്ടാകും. പ്ലേ ബട്ടൺ പോലുള്ള ഐകോൺ തിരഞ്ഞെടുക്കുമ്പോൾ കോഡ് ബ്ലോക്ക് പ്രവർത്തിപ്പിക്കാം.
Jupyter സെർവർ Python 3+ ഉപയോഗിച്ച് ആരംഭിക്കും. നോർക്കിലെ `run` ചെയ്യാവുന്ന ഭാഗങ്ങൾ, കോഡ് വെള്ളകളുണ്ടാകും. പ്ലേ ബട്ടണുപോലെ കാണുന്ന ഐകൺ തിരഞ്ഞെടുക്കും, കോഡ് ബ്ലോക്ക് റൺ ചെയ്യാം.
1. `md` ഐകോൺ തിരഞ്ഞെടുക്കുക, കുറച്ചു മാർക്ക്ഡൗൺ ചേർക്കുക, തുടർന്ന് **# Welcome to your notebook** എന്ന് ടൈപ്പു ചെയ്യുക.
1. `md` ഐകൺ തിരഞ്ഞെടുക്കുക, ചെറിയ മാർക്ക്ഡൗൺ ചേർക്കുക, താഴെക്കൽപ്പെട്ട **# Welcome to your notebook** എന്ന പാഠങ്ങൾ ചേർക്കുക.
തുടര്ന്ന് കുറച്ച് Python കോഡ് ചേർക്കുക.
പിന്നീട് Python കോഡ് ചേർക്കുക.
1. കോഡ് ബ്ലോക്കിൽ **print('hello notebook')** ടൈപ്പ് ചെയ്യുക.
1. കോഡ് ബ്ലോക്കിൽ **print('hello notebook')** ടൈപ്പ് ചെയ്യുക.
1. കോഡ് ഓടിക്കാൻ ഐക്കൺ സെലക്ട് ചെയ്യുക.
1. കോഡ് റൺ ചെയ്യാൻ മൂലി തിരഞ്ഞെടുക്കുക.
നിങ്ങൾക്ക് അച്ചടിച്ച പ്രസ്താവന കാണാൻ സാധിക്കും:
ഈ തരം പ്രിന്റ് സ്റ്റേറ്റ്മെന്റ് കാണണം:
```output
```output
hello notebook
hello notebook
```
```
നിങ്ങൾക്ക് കോഡുമായി ചേർന്ന് അഭിപ്രായങ്ങളും, സ്വയം-ഡോക്യുമെന്റേഷൻ ചെയ്യുന്നതിനുള്ള കുറിപ്പുകളും ചേർക്കാം.
നിങ്ങൾക്ക് കോഡ് കമന്റുകളുമായി നോബുക്കിനെ സ്വയം ഡോക്യുമെന്റ് ചെയ്യാൻ കഴിയും.
✅ വെബ് ഡവലപ്പറുടെ പ്രവർത്തന പരിസ്ഥിതിയും ഡാറ്റാ സയന്റിസ്റ്റിന്റെ പരിസ്ഥിതിയും എത്ര വ്യത്യസ്തമാണെന്ന് കുറച്ച് ആലോചിക്കുക.
✅ ഒരു വെബ് ഡെവലപ്പറുടെ വർക്ക് പരിസരം ഒരു ഡാറ്റാ സയന്റിസ്റ്റിന്റെതുമായി എത്ര വ്യത്യാസമുള്ളതാണ് എന്ന് ഒരു നിമിഷം ചിന്തിക്കുക.
## Scikit-learn ഉപയോഗിക്കാൻ തയ്യാറാകാം
## Scikit-learn-ന് കൂടെ പ്രവർത്തനം ആരംഭിക്കുക
Python നിങ്ങളുടെ ലോക്കൽ പരിസ്ഥിതിയിൽ ക്രമീകരിച്ചിരിക്കുന്നതിനാലും Jupyter Notebooks ഉപയോഗിക്കാൻ നിങ്ങൾക്കു പരിചയമുണ്ടെന്നതിനാലും ഇനി Scikit-learn-നുമായി സമാനം പരിചയപ്പെടാം (`sci` എന്നത് `science` എന്ന പോലെ ഉച്ചാരിക്കുക). Scikit-learn ഏറെ വിപുലമായ [API](https://scikit-learn.org/stable/modules/classes.html#api-ref) നൽകുന്നു, ML പ്രവർത്തനങ്ങൾക്കായി സഹായിക്കാൻ.
ഇപ്പോൾ Python നിങ്ങളുടെ ലൊക്കൽ അന്തരീക്ഷത്തിൽ ക്രമീകരിച്ചിരിക്കുന്നു, Jupyter നോർക്കുകൾക്കൊപ്പം സൗകര്യവത്കരിച്ചിട്ടുണ്ട്, കൂടാതെ Scikit-learn-നെ/sci (സയൻസ് എന്ന് വായിക്കുക) ഉപയോഗിക്കാൻ ഒരുപോലെ സൗകര്യമാകും. Scikit-learn ഏറെയുള്ള മെഷീൻ ലേണിംഗ് ടാസ്ക്കുകൾ നടത്താൻ ഒരു [വ്യാപകമായ API](https://scikit-learn.org/stable/modules/classes.html#api-ref) നൽകി സഹായിക്കുന്നു.
അവരുടെ [വെബ്സൈറ്റ്](https://scikit-learn.org/stable/getting_started.html) പ്രകാരം, "Scikit-learn ഒരു ഓപ്പൺ സോഴ്സ് മെഷീൻ ലേണിങ് ലൈബ്രറിയാണ്, ഇതിൽ സർവൈസ്ഡ് ആൻഡ് അൺസർവൈസ്ഡ് ലേണിങ് പിന്തുണയ്ക്കുന്നുണ്ട്. മോഡൽ ഫിറ്റിംഗ്, ഡാറ്റാ പ്രീപ്രോസസ്സിംഗ്, മോഡൽ തിരഞ്ഞെടുപ്പ്, മൂല്യനിർണ്ണയം തുടങ്ങിയ പല ഉപകരണങ്ങളും നൽകുന്നു."
അവരുടെ [വെബ്സൈറ്റ്](https://scikit-learn.org/stable/getting_started.html) പ്രകാരം, "Scikit-learn ഒരു ഓപ്പൺ സോഴ്സ് മെഷീൻ ലേണിംഗ് ലൈബ്രറിയാണ്, സൂപ്പർവൈസ്ഡ്, അന്സൂപ്പർവൈസ്ഡ് ലേണിംഗ് പിന്തുണയ്ക്കുന്നു. മോഡൽ ഫിറ്റിംഗ്, ഡാറ്റാ പ്രീപ്രോസസ്സിംഗ്, മോഡൽ തിരഞ്ഞെടുപ്പ്& വിലയിരുത്തൽ എന്നിവർക്കുള്ള വിവിധ ഉപകരണങ്ങൾ നൽകുന്നു."
ഈ കോഴ്സിൽ நீங்கள் Scikit-learnയും മറ്റ് ഉപകരണങ്ങളും ഉപയോഗിച്ച് മെഷീൻ ലേണിങ് മോഡലുകൾ നിർമ്മിച്ച് 'പരമ്പരാഗത മെഷീൻ ലേണിങ്' പ്രവർത്തനങ്ങൾ നടത്തും. നാം തദ്ദേശീയമായി നർവൽ നെറ്റ്വർക്ക്സും ഡീപ്പ് ലേണിങ്ങും ഒഴിവാക്കിയതാണ്, അവ 'AI for Beginners' കോഴ്സിൽ ഉൾപ്പെടുത്തി പഠിപ്പിക്കും.
ഈ കോഴ്സിൽ Scikit-learn എന്നിവയും മറ്റ് ഉപകരണങ്ങളും ഉപയോഗിച്ച് എന്തിൽ 'പാരമ്പര്യ മെഷീൻ ലേണിംഗ്' ടാസ്ക്കുകൾ ചെയ്യാമെന്ന് കാണിക്കും. ന്യുരൽ നെറ്റ്വർക്കുകളും ഡീപ് ലേണിംഗും ഞങ്ങൾ 'AI for Beginners' കോഴ്സിൽ ഉൾപ്പെടുത്താറുണ്ട്.
Scikit-learn മോഡലുകൾ നിർമ്മിക്കുക, അവ വിലയിരുത്തുക എന്ന കാര്യങ്ങൾ എളുപ്പമാക്കുന്നു. സംഖ്യാത്മക ഡാറ്റയ്ക്കു കേന്ദ്രീകരിച്ചിരിക്കുന്നു, പഠന സഹായിപ്പുകൾക്ക് നിരവധി റെഡി-മെയ്ഡ് ഡാറ്റാസെറ്റുകൾ ഉൾക്കൊള്ളുന്നു. വിദ്യാർത്ഥികൾക്ക് പരീക്ഷിക്കാൻ തയ്യാറാക്കിയ മോഡലുകളും ഉണ്ട്. വരെയ്ക്കും ഡാറ്റ ഉപയോഗിച്ച് നിര്മിച്ച Scikit-learn-ന്റെ നിർമ്മിതഘടകവും പ്രാഥമിക മോഡലും ഉപയോഗിച്ച് പ്രവർത്തന പ്രക്രിയ പരിശോധിക്കാം.
Scikit-learn മോഡലുകൾ എളുപ്പത്തിൽ നിർമ്മിക്കുന്നതിനും അവ പരിശോധിക്കുന്നതിനും വിധേയമാണ്. ഇത് പ്രധാനമായും സംഖ്യാപരമായ ഡാറ്റയിലേക്കാണ് ലക്ഷ്യമിടുന്നത്, പരിശീലനത്തിനായുള്ള നിരവധി datasets ഉൾപ്പെടുത്തുന്നു. പഠനാർത്ഥം pre-built മോഡലുകളും ഉണ്ട്. പ്രീപാക്കേജ് ചെയ്ത ഡാറ്റ ലോഡ് ചെയ്ത് ഇൻ-ബിൽറ്റ് എസ്റ്റിമേറ്റർ ഉപയോഗിച്ച് ആദ്യ ML മോഡൽ സൃഷ്ടിക്കുന്ന പ്രക്രിയ പരിശോധിക്കാം.
## അഭ്യാസം - നിങ്ങളുടെ ആദ്യ Scikit-learn നോട്ട്ബുക്ക്
## അഭ്യാസം - നിങ്ങളുടെ ആദ്യ Scikit-learn നോബുക്ക്
> ഈ ട്യൂട്ടോറിയൽ Scikit-learn വെബ്സൈറ്റിലെ [ലൈനിയർ റിഗ്രഷൻ ഉദാഹരണത്തിലോ (linear regression example)](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) നിന്നാണ് പ്രചോദനം ലഭിച്ചത്.
> ഈ ട്യൂട്ടോറിയൽ Scikit-learn വെബ്സൈറ്റിലുള്ള [linear regression ഉദാഹരണം](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) പ്രചോദനമായി.
[](https://youtu.be/2xkXL5EUpS0 "ML for beginners - Python-ൽ നിങ്ങളുടെ ആദ്യ ലൈനിയർ റിഗ്രഷൻ പ്രോജക്റ്റ്")
[](https://youtu.be/2xkXL5EUpS0 "ML for beginners - Python-ൽ നിങ്ങളുടെ ആദ്യ ലൈനിയർ റിഗ്രഷൻ പ്രൊജക്ട്")
> 🎥 ഈ അഭ്യാസം നടത്തുന്നതിനുള്ള ചുരുക്ക വീഡിയോയ്ക്ക് മുകളിൽ ചിത്രം ക്ലിക്കുചെയ്യുക.
> 🎥 അഭ്യാസം ചെയ്യാനുള്ള ഒരു ചെറിയ വീഡിയോ അനുഭവം മുകളിലെ ചിത്രം ക്ലിക്ക് ചെയ്യുക.
ഈ പാഠത്തോട് ബന്ധപ്പെട്ട _notebook.ipynb_ ഫയലിൽ എല്ലാ സെല്ലുകളും 'trash can' ഐക്കൺ അമർത്തി നീക്കം ചെയ്യുക.
_notebook.ipynb_ പാഠത്തിന്റെ സാന്ദർഭ്യത്തിൽ, എല്ലാ സെല്ലുകളും 'trash can' ഐകനും നുസരിച്ച് ഇല്ലാതാക്കുക.
ഈ ഭാഗത്ത്, പഠന ഉദ്ദേശ്യങ്ങൾക്ക് Scikit-learn-ൽ ഉൾപ്പെടുത്തിയ ചെറിയ ഡയബിറ്റീസ് ഡാറ്റാസെറ്റ് ഉപയോഗിക്കും. ഈ കുഞ്ഞ് ഡാറ്റaset ഉപയോഗിച്ച്, ഡയബറ്റിക് രോഗികൾക്കുള്ള ചികിത്സ പരീക്ഷിക്കാൻ നിങ്ങൾ ആഗ്രഹിക്കുന്നു എന്ന് കരുതുക. മെഷീൻ ലേണിങ് മോഡലുകൾ ഏതൊക്കെ രോഗികൾ ചികിത്സക്ക് നല്ല പ്രതികരണം നൽകുമെന്ന് Variables കൂട്ടങ്ങൾ അടിസ്ഥാനമാക്കി പ്രവചനമുണ്ടാക്കാൻ സഹായിക്കും. വളരെ അടിസ്ഥാന റിഗ്രഷൻ മോഡൽ ഭാവിക്കുകയും കാണിക്കുകയും ചെയ്യുമ്പോൾ, നിങ്ങൾക്കു സൈദ്ധാന്തിക ക്ലിനിക്കൽ പരീക്ഷണങ്ങൾ സംഘടിപ്പിക്കാൻ സഹായിക്കുന്ന Variables സംബന്ധിച്ച വിവരങ്ങൾ കാണാൻ കഴിയും.
ഈ വിഭാഗത്തിൽ, Scikit-learn പഠനാർത്ഥം ഉൾപ്പെടുത്തിയ ഡയബറ്റീസ് എന്ന ചെറിയ dataset-നെ നിങ്ങൾ സമീപിക്കും. ഡയബറ്റിക് രോഗികൾക്ക് ഒരു ചികിത്സാ പരീക്ഷണം നടത്താനായി നിങ്ങൾ ഉദ്ദേശിക്കുന്നുവെന്ന് കണക്കാക്കുക. ML മോഡലുകൾ ഏതൊക്കെയൊ രോഗികൾ بہتر പ്രതികരിക്കും എന്ന് മുൻകൂട്ടി കണ്ടെത്താൻ സഹായിക്കും, വ്യത്യസ്ത വേരിയബിളുകളുടെ സംയോജനം അനുസരിച്ച്. അടിസ്ഥാന റിഗ്രഷൻ മോഡൽ ദൃശ്യീകരിച്ചാൽ, വൈറിയബിളുകളെക്കുറിച്ചുള്ള വിവരങ്ങൾ കാണിക്കാൻ കഴിയും, അത് സിദ്ധാന്ത ക്ലിനിക്കൽ ട്രയലുകൾ ഏകോപിപ്പിക്കാൻ സഹായിക്കും.
✅ ഒരുപാട് തരത്തിലുള്ള റിഗ്രഷൻ രീതികൾ ഉണ്ട്, തിരഞ്ഞെടുക്കുക നിങ്ങൾ അന്വേഷിക്കുന്ന മറുപടിക്ക് അനുസരിച്ച്. ഒരു വ്യക്തിയുടെ കൊടുത്ത വയസ്സിനുള്ള സാധ്യതയുള്ള ഉയരം പ്രവചിക്കാൻ linear regression ആണ് ഉപയോഗിക്കേണ്ടത്; കാരണം നിങ്ങൾ **സംഖ്യാത്മക മൂല്യം** അന്വേഷിക്കുന്നു. നിങ്ങൾ ഒരു ഭക്ഷണ തരം വീഗൻ ആണോ എന്നത് കണ്ടെത്താൻ ആഗ്രഹിക്കുന്നുവെങ്കിൽ, നിങ്ങൾ **വർഗ്ഗ നിശ്ചയത്തിന്** വേണ്ടി logistic regression ഉപയോഗിക്കും. logistic regression പിന്നീട് പഠിക്കാം. ഡാറ്റയിൽ ചോദിക്കാവുന്ന ചില ചോദ്യങ്ങളും ഇത്തരത്തിലുള്ള രീതികളിൽ ഏത് ഉപയോഗിക്കുമെന്നതും കുറച്ച് വിചാരിക്കുക.
✅ റിഗ്രഷൻ മേധോഡുകളുടെ പലതരം ഉണ്ട്, നിങ്ങൾ തിരഞ്ഞെടുക്കുന്നത് നിങ്ങൾ അന്വേഷിക്കുന്ന ചോദ്യ അടിസ്ഥാനമായിരിക്കും. ഒരു വ്യക്തിയുടെ കൊളജ് നീളം പ്രവചിക്കാൻ, ലൈനിയർ റിഗ്രഷൻ ഉപയോഗിക്കും കാരണം നിങ്ങൾ **സંખ്യാ മൂല്യം** തേടുന്നു. ഒരു ഭക്ഷണശൈലി വെഗൻ ആണോ എന്നറിയാൻ ആഗ്രഹിക്കുന്നുവെങ്കിൽ, നിങ്ങൾ **വർഗ്ഗിഫലം** തേടുന്നു, അതിനാൽ ലൊജിസ്റ്റിക്ക് റിഗ്രഷൻ വച്ചാണ് ഉപയോഗിക്കുന്നത്. ലൊജിസ്റ്റിക്ക് റിഗ്രഷൻ പിന്നീട് വാലു ചെയ്യും. ഡാറ്റയിൽ ചോദിക്കാവുന്ന ചില ചോദ്യങ്ങൾ അധികം ചിന്തിക്കുക, ഏതു മേധോഡ് കൂടുതൽ അനുയോജ്യമെന്ന് ചിന്തിക്കുക.
ഈ ഏർപ്പെടുത്തലും തുടക്കം കുറിക്കാം.
ഈ പണി തുടങ്ങാം.
### ലൈബ്രറികൾ ഇറക്കുമതി ചെയ്യുക
### ലൈബ്രററികൾ ആമ്പോർട്ട് ചെയ്യുക
ഈ പ്രവർത്തനത്തിനായി ചില ലൈബ്രറികൾ ഇറക്കുമതി ചെയ്യാം:
ഈ ജോലി വേണ്ടി ചില ലൈബ്രററികൾ ആമ്പോർട്ട് ചെയ്യാം:
- **matplotlib**. ഇത് ഒരു ഉപകാരപ്രദമായ [ഗ്രാഫിക് ഉപകരണം](https://matplotlib.org/) ആണ്, നമുക്ക് ഒരു ലൈന്പ്ലോട്ട് സൃഷ്ടിക്കാൻ ഇത് ഉപയോഗിക്കുന്നതാണ്.
- **matplotlib**. ഒരു പ്രയോജനമുള്ള [ഗ്രാഫിംഗ് ടൂൾ](https://matplotlib.org/), ലൈനൽ പ്ലോട്ട് സൃഷ്ടിക്കാനായി ഉപയോഗിക്കും.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) Python-ൽ സംഖ്യാത്മക ഡാറ്റ കൈകാര്യം ചെയ്യുന്നതിന് സഹായിക്കുന്ന ഒരു ഉപയോഗപ്രദ ലൈബ്രറി.
- **numpy**. Python-ൽ സംഖ്യാത്മക ഡാറ്റ കൈകാര്യം ചെയ്യാനുള്ള പ്രയോഗശാല [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html).
- **sklearn**. ഇത് [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) ലൈബ്രറിയാണ്.
നിങ്ങളുടെ പ്രവർത്തനങ്ങൾക്ക് സഹായിക്കുന്നതിനായി ചില ലൈബ്രറികൾ ഇറക്കുമതി ചെയ്യുക.
നിങ്ങളുടെ ജോലികൾക്കായി ചില ലൈബ്രററികൾ ആമ്പോർട്ട് ചെയ്യുക.
1. ഇപ്രകാരം താഴെയുള്ള കോഡ് ടൈപ്പ് ചെയ്ത് ഇറക്കുമതി ചേർക്കുക:
1. താഴെപ്പറയുന്ന കോഡ് ടൈപ്പ് ചെയ്ത് ഇംപോർട്ട് ചേർക്കുക:
```python
```python
import matplotlib.pyplot as plt
import matplotlib.pyplot as plt
@ -123,26 +123,26 @@ Scikit-learn മോഡലുകൾ നിർമ്മിക്കുക, അവ
from sklearn import datasets, linear_model, model_selection
from sklearn import datasets, linear_model, model_selection
```
```
മുകളിൽ നിങ്ങൾ `matplotlib`, `numpy` ഇറക്കുമതി ചെയ്യുന്നു, കൂടാതെ `datasets`, `linear_model`, `model_selection``sklearn`-ലിൽ നിന്ന് ഇറക്കുമതി ചെയ്യുന്നു. `model_selection` ഡാറ്റ പരിശീലനത്തിനും പരീക്ഷണത്തിനും വിഭജിക്കാനാണ് ഉപയോഗിക്കുന്നത്.
മുകളിൽ `matplotlib`, `numpy` ആയും, `sklearn`-നിന്ന് `datasets`, `linear_model` , `model_selection` ആയും ആമ്പോർട്ട് ചെയ്യുന്നു. `model_selection` ഡാറ്റ പരിശീലന, ടെസ്റ്റ് സെറ്റുകളായി വിഭജിക്കാൻ ഉപയോഗിക്കുന്നു.
### ഡയബിറ്റീസ് ഡാറ്റാസെറ്റ്
### ഡയബറ്റീസ് dataset
ഇൻബിൽറ്റ് [ഡയബിറ്റീസ് ഡാറ്റാസെറ്റ്](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) 442 സാമ്പിളുകളടങ്ങിയിരിക്കുന്നു, 10 ഫീച്ചർ വേരിയബിൾസ് ഉൾപ്പെടെ ചിലത്:
ബിൽറ്റ്-ഇൻ [ഡയബറ്റിസ് dataset](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) ഡയബറ്റീസുമായി ബന്ധപ്പെട്ട 442 സാമ്പിളുകൾ ഉൾക്കൊള്ളുന്നു, 10 ഫീച്ചർ വേരിയബിളുകളോടുകൂടി, അവയിൽ ചിലത്:
- വയസ്സ്: വയസ് വർഷങ്ങളിൽ
- വയസ്സ്: വയസ്സ്
- bmi: ബോഡി മാസ്സ് ഇൻഡക്സ്
- bmi: ശരീരത്തിൽ കൃത്യമായ ഭാരം സൂചിപ്പിക്കുന്ന സൂചികയ്
- bp: ശരാശരി രക്തദബ്ബം
- bp: ശരാശരി രക്തമാണം സമ്മർദ്ദം
- s1 tc: T-സെല്ലുകൾ (ഒരു സ്പെസിഫിക് വെളുത്ത രക്താശയം)
- s1 tc: T-Cells (വൈറ്റ്ബ്ലഡ് സെല്ലുകൾ)
✅ ഈ ഡാറ്റാസെറ്റ് 'Sex' എന്ന ഘടകത്തെ ശ്രദ്ധേയമായി ഉൾക്കൊള്ളിക്കുന്നു, ഇത് ഡയബിറ്റീസ് ഗവേഷണത്ത് പ്രധാനമാണ്. ധാരാളം മെഡിക്കൽ ഡാറ്റാസെറ്റുകൾ ഇത്തരത്തിലുള്ള ബൈനറി വർഗ്ഗീകരണം ഉൾകൊള്ളിക്കുന്നു. ഈ തരത്തിലുള്ള വർഗ്ഗീകരണങ്ങൾ സമൂഹത്തിലെ ചില വിഭാഗങ്ങളെ ചികിത്സയിൽനിന്ന് ഒഴിവാക്കുന്നത് എങ്ങനെയാവാം എന്ന് കുറച്ച് ചിന്തിക്കുക.
✅ ഈ dataset 'sex' എന്ന രണ്ട് വിഭാഗീയമായ ഫീച്ചർ വേരിയബിൾ ഉൾക്കൊള്ളുന്നു, ഡയബറ്റീസ് ഗവേഷണത്തിന് പ്രധാനമാണ്. പല മെഡിക്കൽ dataset-കളും ഇത്തരമൊരു ബൈനറി വർഗ്ഗീകരണം ഉൾക്കൊള്ളുന്നു. ഇത്തരത്തിലുള്ളവർഗ്ഗീകരണങ്ങൾ ജനസംഖ്യയുടെ ചില വിഭാഗങ്ങളെ ചികിത്സയിൽ നിന്ന് ഒഴിവാക്കിയേക്കാമെന്ന് ചിന്തിക്കുക.
ഇപ്പോൾ, X, y ഡാറ്റ ഡ്രൈവുചെയ്യുക.
ഇപ്പോൾ X, y ഡാറ്റ ലോഡ് ചെയ്യുക.
> 🎓 ഓർക്കുക, ഇത് supervised learning ആണ്, ഒരു നാമമായ 'y' ലക്ഷ്യം ആവശ്യമുണ്ട്.
> 🎓 ഓർമ്മിക്കുക, ഇത് സൂപ്പർവൈസ്ഡ് ലേണിംഗ് ആണ്; ഉപറിയ്ക്കപ്പെടേണ്ട 'y' ലക്ഷ്യം വേണം.
പുതിയ കോഡ് സെല്ലിൽ,`load_diabetes()` വിളിച്ച് ഡാറ്റാസെറ്റ് ലോഡ് ചെയ്യുക. `return_X_y=True` എന്ന ഇൻപുട്ട് `X` ഡാറ്റാ മാട്രിക്സ് ആകും, `y` റിഗ്രഷൻ ലക്ഷ്യം ആകുമെന്നു സൂചിപ്പിക്കുന്നു.
പുതിയ കോഡ് സെല്ലിൽ `load_diabetes()` വിളിച്ച് ഡയബറ്റീസ് dataset ലോഡ് ചെയ്യുക. `return_X_y=True` എന്നത് X ഡാറ്റ മാട്രിക്സ് ആവും, y regression ടാർഗെറ്റ് ആവും എന്ന് സൂചിപ്പിക്കുന്നു.
1. ഡാറ്റാസെറ്റിന്റെ രൂപവും ആദ്യ ഘടകവും കാണിക്കാൻ ചില പ്രിന്റ് കമാൻഡുകൾ ചേർക്കുക:
1. ഡാറ്റ മാട്രിക്സിന്റെ ആകൃതി, അതിന്റെ ആദ്യഘടകം പ്രിന്റ് ചെയ്യാനുള്ള കോമാൻഡുകൾ ചേർക്കുക:
```python
```python
X, y = datasets.load_diabetes(return_X_y=True)
X, y = datasets.load_diabetes(return_X_y=True)
@ -150,9 +150,9 @@ Scikit-learn മോഡലുകൾ നിർമ്മിക്കുക, അവ
print(X[0])
print(X[0])
```
```
നിങ്ങൾ തിരികെ കിട്ടുന്നത് ഒരു tuple ആണ്. നിങ്ങൾ പ്രവർത്തിക്കുന്നത് tuple-ന്റെ ആദ്യ രണ്ട് മൂല്യങ്ങൾ `X`, `y` ആയി നിർവചിക്കുന്നതാണ്. കൂടുതൽ അറിയാൻ [tuples](https://wikipedia.org/wiki/Tuple) കുറിച്ച് വായിക്കുക.
നിങ്ങൾക്ക് ലഭിക്കുന്നത് ഒരു ട്യൂപ്പിൾ ആണ്. ട്യൂപ്പിലിന്റെ ആദ്യ രണ്ട് മൂല്യങ്ങൾ `X`ക്കും `y`ക്കും അവ വെച്ചു ഇയക്കുന്നു. ട്യൂപ്പിൾ സംബന്ധിച്ച് കൂടുതൽ പഠിക്കൂ [about tuples](https://wikipedia.org/wiki/Tuple).
ഈ ഡാറ്റ 442 ഇനങ്ങളടങ്ങിയിരിക്കുന്നു, ഓരോന്നിലും 10 ഘടകങ്ങൾ അടങ്ങിയ ആറേകളാണ്:
ഈ ഡാറ്റയ്ക്ക് 442 ഐറ്റംസ് ഉണ്ട്, 10 ഘടകങ്ങളുള്ള അറേകൾ ആൽപ്പിച്ച.
```text
```text
(442, 10)
(442, 10)
@ -160,39 +160,39 @@ Scikit-learn മോഡലുകൾ നിർമ്മിക്കുക, അവ
-0.04340085 -0.00259226 0.01990842 -0.01764613]
-0.04340085 -0.00259226 0.01990842 -0.01764613]
```
```
✅ ഡാറ്റയും റിഗ്രഷൻ ലക്ഷ്യവും തമ്മിലുള്ള ബന്ധം കുറച്ച് ആലോചിക്കുക. ലൈനിയർ റിഗ്രഷൻ ഫീച്ചർ Xനും ലക്ഷ്യം variable y-ഉം തമ്മിലുള്ള ബന്ധം പ്രവചിക്കുന്നു. ഡയബിറ്റീസ് ഡാറ്റാസെറ്റിന്റെ [ലക്ഷ്യം](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) ഡോക്യുമെന്റേഷനിൽ കണ്ടെത്താനാകും? ഈ ഡാറ്റാസെറ്റ് ആ ലക്ഷ്യം പ്രതിപാദിക്കുന്നതെന്താണെന്ന് ചിന്തിക്കൂ.
✅ ഡാറ്റയും regression ടാർഗറ്റും തമ്മിലുള്ള ബന്ധം കുറിച്ച് ചിന്തിക്കുക. ലൈനിയർ റിഗ്രഷൻ X ഫീച്ചറിന്റെയും y ടാർഗറ്റിന്റെയും ഇടയിൽ ബന്ധം പ്രവചിക്കുന്നു. ഡയബറ്റീസ് dataset-ന്റെ [target](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) ഡോക്യുമെന്റേഷനിൽ പകരം കണ്ടുപിടിക്കാമോ? ആ ലക്ഷ്യം പരിഗണിച്ച് ഈ dataset എന്താണ് കാണിക്കുന്നത്?
2. ഈ ഡാറ്റാസെറ്റിന്റെ ഒരു ഭാഗം പ്ലോട്ട് ചെയ്യാൻ 3-ആം സ്തംഭം തെരഞ്ഞെടുക്കുക. എല്ലാ വരികളും തിരഞ്ഞെടുക്കാൻ `:` ഓപ്പറേറ്റർ ഉപയോഗിച്ച്, 3-ആം സ്തംഭം index (2) ഉപയോഗിച്ച് തിരഞ്ഞെടുക്കുക. പ്ലോട്ടിംഗിനായി 2D ആറെയായി രൂപം മാറ്റേണ്ടതുണ്ടെങ്കിൽ, `reshape(n_rows, n_columns)` ഉപയോഗിക്കാം. ഒരു പാരാമീറ്റർ -1 ആകുമ്പോൾ അദേഹത്തിന്റെ പരിധി ഓട്ടോമാറ്റിക്കായി കണക്കാക്കപ്പെടും.
2. ഇപ്പോഴത്തെ ഡാറ്റയുടെ ഒരു ഭാഗം പ്ലോട്ട് ചെയ്യാൻ, dataset-ന്റെ 3ആം കോളം തിരഞ്ഞെടുക്കുക. എല്ലാ പംക്തികളുമെടുത്ത് ':' ഓപ്പറേറ്റർ ഉപയോഗിച്ച്, 3ആം കോളം (index 2) തിരഞ്ഞെടുക്കാം. `reshape(n_rows, n_columns)` ഉപയോഗിച്ച് ഡാറ്റ 2D അറേ ആയി മാറ്റാം - പ്ലോട്ടിങ്ങിന് ആവശ്യമാണ്. പാരാമീറ്ററുകളിൽ ഒന്നെങ്കിലും -1 ആണെങ്കിൽ, അതിന്റെ മൂലം സ്വയം കണക്കാക്കും.
```python
```python
X = X[:, 2]
X = X[:, 2]
X = X.reshape((-1,1))
X = X.reshape((-1,1))
```
```
✅ ഏപ്പോൾ വേണമെങ്കിലും ഡാറ്റയുടെ രൂപമാറ്റം പരിശോധിക്കാൻ പ്രിന്റ് ചെയ്തേക്കാം.
✅ സമയങ്ങളിൽ ഡാറ്റയുടെ ആകൃതി പരിശോധിക്കാൻ പ്രിന്റ് ചെയ്യുക.
3. ഇപ്പോൾ ഡാറ്റ പ്ലോട്ടിംഗിന് സജ്ജമാണെന്ന് തയ്ക്കാൻ, ഈ ഡാറ്റാസെറ്റിലെ സംഖ്യകൾക്കിടയിൽ ലാജിക്കൽ വിഭജനം ഒരു മെഷീൻ നിർദ്ദേശിക്കാൻ കഴിയും എന്ന് നോക്കൂ. ഇതിന്, ഡാറ്റ (X) മത്തും ലക്ഷ്യം (y) താരതമ്യമുള്ള പരിശീലനവും ടെസ്റ്റിംഗും സെറ്റുകളിൽ വിഭജണം ആവശ്യമാണ്. Scikit-learn ഇതിനെ എളുപ്പമാക്കുന്ന രീതിയാണ്; നിങ്ങൾക്ക് ടെസ്റ്റ് ഡാറ്റ ഒരു പ്രത്യേക പോയിന്റ് ഉപയോഗിച്ച് വിഭജിക്കാം.
3. ഡാറ്റ തയ്യാറായി ആയിരിക്കുന്നു, ഒരു മെഷീൻ പങ്കെടുക്കാനും ഈ dataset-ലെ സംഖ്യകളിൽ ലോഗിക്കൽ വിഭജനം കണ്ടെത്താനുമാകുമെന്നും നോക്കൂ. അതിന്, X (ഡാറ്റ) യും y (ടാർഗറ്റ്) യും ടെസ്റ്റ് - ട്രെയിൻ സെറ്റ് ആയി വിഭജിക്കണം. Scikit-learn അതിനായൊരു ലളിതമായ മാർഗം നൽകുന്നു; ടെസ്റ്റ് ഡാറ്റാ പങ്ക് ഒരു പോയിന്റിൽ വിഭജിയ്ക്കാം.
```python
```python
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
```
```
4. ഇനി നിങ്ങൾ മോഡൽ പരിശീലിപ്പിക്കാം! ലൈനിയർ റിഗ്രഷൻ മോഡൽ ലോഡ് ചെയ്ത് `model.fit()` ഉപയോഗിച്ച് X, y പരിശീലന സെറ്റുകളിൽ പരിശീലിപ്പിക്കുക:
4. ഇപ്പോൾ മോഡൽ ട്രെയിൻ ചെയ്യാൻ തയ്യാറായി! ലൈനിയർ റിഗ്രഷൻ മോഡൽ ലോഡ് ചെയ്ത് X, y ട്രെയിൻ സെറ്റുകളിൽ `model.fit()` ഉപയോഗിച്ച് പരിശീലിപ്പിക്കുക:
```python
```python
model = linear_model.LinearRegression()
model = linear_model.LinearRegression()
model.fit(X_train, y_train)
model.fit(X_train, y_train)
```
```
✅ TensorFlow പോലുള്ള അനേകം ML ലൈബ്രറികളിൽ നിങ്ങൾ കാണുന്ന `model.fit()` ഒരു ഫംഗ്ഷനാണ്
✅ TensorFlow പോലുള്ള പല ML ലൈബ്രററികളിലും കാണുന്ന ഫംഗ്ഷൻ ആണ് `model.fit()`.
5. തുടർന്ന് ടെസ്റ്റ് ഡാറ്റ ഉപയോഗിച്ച് പ്രവചനമുണ്ടാക്കാൻ`predict()` ഫംഗ്ഷൻ ഉപയോഗിക്കുക. ഇത് ഡാറ്റാ ഗ്രൂപ്പുകൾക്കിടയിലെ രേഖ വരയ്ക്കാൻ ഉപകരിക്കും
5. തുടർന്ന് ടെസ്റ്റ് ഡാറ്റ ഉപയോഗിച്ച് മേൽപ്രതീക്ഷണം സൃഷ്ടിക്കാനായി`predict()` ഫംഗ്ഷൻ ഉപയോഗിക്കുക. ഇത് ഡാറ്റ ഗൃപ്പുകൾ മദ്ധ്യേ ലൈനു ചിത്രീകരിക്കാൻ ഉപയോഗിക്കും
```python
```python
y_pred = model.predict(X_test)
y_pred = model.predict(X_test)
```
```
6. ഇപ്പോൾ matplotlib ഉപയോഗിച്ച് ഡാറ്റ ഒരു പ്ലോട്ടിൽ പ്രദർശിപ്പിക്കാൻ സമയമുണ്ട്. X, y ടെസ്റ്റ് ഡാറ്റ മുഴുവന് സ്കാറ്റർപ്ലോട്ട് ചെയ്യുക, മോഡലിന്റെ പ്രെഡിക്ഷൻ ഉപയോഗിച്ച് ഏറ്റവും അനുയോജ്യമായ ഇടത്ത് വര വരയ്ക്കുക.
6. ഇപ്പോൾ ഡാറ്റ പ്ലോട്ടിൽ പ്രദർശിപ്പിക്കാൻ സമയം. matplotlib ഈ കർമത്തിന് വളരെ പ്രയോജനകരമാണ്. X, y ടെസ്റ്റ് ഡാറ്റയുടെ സ്കാറ്റർ പ്ലോട്ട് സൃഷ്ടിക്കുക, prediction ഉപയോഗിച്ച് ഏറ്റവും അനുയോജ്യമായ സ്ഥലത്ത് മോഡലിന്റെ ഡാറ്റാ ഗ്രൂപ്പിങ് മദ്ധ്യേ ലൈനുകാണിക്കുക.
```python
```python
plt.scatter(X_test, y_test, color='black')
plt.scatter(X_test, y_test, color='black')
@ -203,28 +203,27 @@ Scikit-learn മോഡലുകൾ നിർമ്മിക്കുക, അവ
plt.show()
plt.show()
```
```
✅ ഇവിടെ നടക്കുന്ന കാര്യം കുറിച്ച് ചിന്തിക്കുക. ഒരു നേരിയ ലൈനാണ് അനേകം ചെറിയ ഡാറ്റാ പോയിന്റുകൾക്കിടയിലാണ്, പക്ഷേ അതർത്ഥം എന്താണ്? ഈ ലൈനുപയോഗിച്ച് പുതിയ, കാണാത്ത ഡാറ്റ പോയിന്റ് പ്ലോട്ടിന്റെ y അക്ഷത്തോടുള്ള ബന്ധത്തിൽ എവിടേക്ക് ഒതുങ്ങുമെന്നു പ്രവചിക്കാം എന്നതു കാണുന്നുണ്ടോ? ഈ മോഡലിന്റെ പ്രായോഗിക ഉപയോഗം വാക്കുകളിൽ വെക്കാൻ ശ്രമിക്കുക.
✅ ഇവിടെ നടക്കുന്നത് എന്താണെന്ന് അല്പം ചിന്തിക്കുക. ഒരു നേരിയ রেখ ചെറുചെറിയ ഡാറ്റ പോയിന്റുകളുടെ ഒരുപാട് ദൃശ്യങ്ങളിലൂടെ കടന്നുപോകുന്നു, പക്ഷേ ഇത് ഏതാണ്ട് എന്ത് ചെയ്യുന്നു? ഈ രേഖ ഉപയോഗിച്ച് ഒരു പുതിയ, കാണാത്ത ഡാറ്റ പോയിന്റ് പ്ലോട്ടിന്റെ y അക്ഷത്തോടുള്ള ബന്ധത്തിൽ എവിടെയെന്ന് പ്രവചിക്കാനാകുമെന്ന് കാണാമോ? ഈ മോഡലിന്റെ പ്രായോഗിക ഉപയോഗം വാക്കുകളിൽ പങ്കുവെക്കാൻ ശ്രമിക്കുക.
അഭിനന്ദനങ്ങൾ, നിങ്ങൾ ആദ്യ ലൈനിയർ റിഗ്രഷൻ മോഡൽ സൃഷ്ടിച്ച്, അതുപയോഗിച്ച് പ്രവചനം സൃഷ്ടിച്ച് പ്ലോട്ടിൽ പ്രദർശിപ്പിച്ചു!
അഭിനന്ദനങ്ങള്! നിങ്ങൾ നിങ്ങളുടെ ആദ്യ ലീനിയർ റെഗ്രഷൻ മോഡൽ നിർമ്മിച്ചു, അതുമായി ഒരു പ്രവചനമുണ്ടാക്കി, അത് പ്ലോട്ടിൽ പ്രദർശിപ്പിച്ചു!
---
---
## 🚀പ്രതിസന്ധി
## 🚀ചലഞ്ച്
ഈ ഡാറ്റാസെറ്റ് നുള്ള മറ്റൊരു വേരി ഏറിയബിള് പ്ലോട്ട് ചെയ്യുക. ടിപ്പ്: ഈ ലൈനിൽ എഡിറ്റ് ചെയ്യുക: `X = X[:,2]`. ഈ ഡാറ്റാസെറ്റിന്റെ ലക്ഷ്യത്തെകുറിച്ച്, ഡയബറ്റീസിന്റെ ഒരു രോഗമായി പുരോഗതി സംബന്ധിച്ച് നിങ്ങൾക്ക് എന്ത് കണ്ടെത്താൻ കഴിയുന്നു?
ഈ dataset-ൽ നിന്നൊരു വ്യത്യസ്ത വേരിയബിൾ പ്ലോട്ട് ചെയ്യുക. സൂചനം: ഈ വരി തിരുത്തുക: `X = X[:,2]`. ഈ ഡാറ്റാസെറ്റിന്റെ ടാർഗറ്റ് പരിഗണിച്ച്, ഡയബറ്റീസ് ഒരു രോഗമായി എങ്ങനെ പുരോഗമിക്കുന്നു എന്ന് നിങ്ങൾ കണ്ടെത്താൻ കഴിയുമോ?
ഈ ട്യൂട്ടോറിയലിൽ, നിങ്ങൾ ലീനിയർ റെഗ്രഷനുമായി ജോലി ചെയ്തു, യുണിവാരിയറ്റ് അല്ലെങ്കിൽ മൾട്ടിപിൾ ലീനിയർ റെഗ്രഷൻ മോഡലുകളുടെ പകരം. ഈ രീതികളുടെ വ്യത്യാസങ്ങളെ കുറിച്ച് കുറച്ച് വായിക്കുക, അല്ലെങ്കിൽ [ഈ വീഡിയോ](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) കാണുക.
ഈ ട്യൂട്ടോറിയലിൽ, നിങ്ങൾ സാധാരണ ലൈനിയർ റിഗ്രഷൻ ഉപയോഗിച്ചു, യൂണിവേരിയേറ്റ് അല്ലെങ്കിൽ മൾട്ടിപ്പിൾ ലൈനിയർ റിഗ്രഷൻ അല്ല. ഈ മേധോഡുകൾ തമ്മിലുള്ള വ്യത്യാസം കുറിച്ച് കുറച്ച് വായിക്കുക, അല്ലെങ്കിൽ [ഈ വീഡിയോ](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) കാണുക.
റെഗ്രഷൻ എന്ന ധാരണയെ കുറിച്ച് കൂടുതൽ വായിക്കുക, ഈ സാങ്കേതികവുമായിക്കുള്ള സമാധാനിക്കാവുന്ന ചോദ്യങ്ങൾ എന്തൊക്കെയാണെന്ന് ചിന്തിക്കുക. നിങ്ങളുടെ അന്വേഷണം കൂടുതൽ ഊന്നാക്കാൻ ഈ [ട്യൂട്ടോറിയൽ](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) കൈകൊള്ളുക.
റഗ്രഷൻ എന്ന ആശയം കുറിച്ച് കൂടുതൽ വായിക്കുക, ഈ സാങ്കേതിക വിദ്യ ഉപയോഗിച്ച് എന്ത് തരത്തിലുള്ള ചോദ്യങ്ങൾക്ക് ഉത്തരം കണ്ടെത്താവുന്നതാണെന്ന് ആലോചിക്കുക. നിങ്ങളുടെ അറിവ് വർധിപ്പിക്കാൻ ഈ [tutorial](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) എടുത്തുക.
ടൈം സീരീസ് ഫോറ്കാസ്റ്റിംഗ് എന്താണ്? ഇത് കഴിഞ്ഞ കാലത്തെ പ്രവണതകൾ വിശകലനം ചെയ്ത് ഭാവിയിലെ സംഭവങ്ങൾ പ്രവചിക്കുന്നതിനെക്കുറിച്ചാണ്.
സമയ ശ്രേണി പ്രവചനമെന്നത് എന്താണ്? അത് കഴിഞ്ഞതായി കാണുന്ന പ്രവണതകള് വിശകലനം ചെയ്ത് ഭാവിയിലെ സംഭവങ്ങള് അനുമാനിക്കുന്നതായാണ്.
## പ്രാദേശിക വിഷയം: ലോകമാകെയുള്ള വൈദ്യുതി ഉപയോഗം ✨
## പ്രാദേശിക വിഷയം: ലോകമാകെയുള്ള വൈദ്യുതി ഉപയോഗം ✨
ഈ രണ്ട് പാഠങ്ങളിൽ, നിങ്ങൾ ടൈം സീരീസ് ഫോറ്കാസ്റ്റിങ്ങുമായി പരിചയപ്പെടും, മെഷീൻ ലേണിങ്ങിന്റെ കുറച്ച് കുറവായി അറിയപ്പെടുന്ന ഒരു മേഖല, എന്നാൽ വ്യവസായത്തിനും ബിസിനസ്സ് പ്രയോഗങ്ങൾക്കും മറ്റ് മേഖലകൾക്കും അത്യന്തം മൂല്യമുള്ളതാണ്. ന്യൂറൽ നെറ്റ്വർക്കുകൾ ഈ മോഡലുകളുടെ പ്രയോജനം വർദ്ധിപ്പിക്കാൻ ഉപയോഗിക്കാവുന്നതായിരുന്നാലും, നാം ക്ലാസിക്കൽ മെഷീൻ ലേണിങ്ങിന്റെ പശ്ചാത്തലത്തിൽ അവയെ പഠിക്കും, കാരണം മോഡലുകൾ കഴിഞ്ഞ കാലത്തെ അടിസ്ഥാനമാക്കി ഭാവിയിലെ പ്രകടനം പ്രവചിക്കാൻ സഹായിക്കുന്നു.
ഈ രണ്ട് പാഠങ്ങളില്, നിങ്ങള്ക്ക് സമയം ശ്രേണി പ്രവചനത്തെ പരിചയപ്പെടുത്തും, മെഷീന് ലേണിങ്ങിന്റെ ഒരുപാട് അറിയപ്പെടാത്ത മേഖലയായിട്ടും വ്യവസായത്തിലും ബിസിനസ് പ്രയോഗങ്ങളിലും മറ്റുമുള്ള അത്യന്തം വിലപ്പെട്ട ഒരു മേഖലയാണ് ഇത്. ഈ മോഡലുകളുടെ പ്രയോജനം വര്ധിപ്പിക്കാന് ന്യൂറല് നെറ്റ്വർക്കുകള് ഉപയോഗിക്കാം എങ്കിലും, നാം ക്ലാസിക്കല് മെഷീന് ലേണിങ് പരിസരത്തില് ഇവ പഠിക്കും, കാരണം മോഡലുകള് കഴിഞ്ഞ പ്രകടനത്തിന്റെ അടിസ്ഥാനത്തില് ഭാവിയിലെ പ്രകടനം പ്രവചിക്കുന്നതിന് സഹായിക്കുന്നു.
നമ്മുടെ പ്രാദേശിക ശ്രദ്ധ ലോകത്തിലെ വൈദ്യുതി ഉപയോഗത്തിലാണ്, കഴിഞ്ഞ ലോഡിന്റെ മാതൃകകളുടെ അടിസ്ഥാനത്തിൽ ഭാവിയിലെ വൈദ്യുതി ഉപയോഗം ഫോറ്കാസ്റ്റ് ചെയ്യുന്നതിനെക്കുറിച്ച് പഠിക്കാൻ ഒരു രസകരമായ ഡാറ്റാസെറ്റ്. ഈ തരത്തിലുള്ള ഫോറ്കാസ്റ്റിംഗ് ബിസിനസ്സ് പരിസരത്തിൽ എത്രത്തോളം സഹായകരമാകാമെന്ന് നിങ്ങൾ കാണാം.
നമ്മുടെ പ്രാദേശിക ശ്രദ്ധ ലോകത്തെ വൈദ്യുതി ഉപയോഗത്തിലാണ്, കഴിഞ്ഞ ലോഡ് പാറ്റേണുകളുടെ അടിസ്ഥാനത്തില് ഭാവിയിലെ വൈദ്യുതി ഉപയോഗം പ്രവചിക്കുന്നതിനുള്ള രസകരമായ ഡാറ്റാസെറ്റ്. ഇത്തരം പ്രവചനങ്ങള് ബിസിനസ് പരിസരത്ത് എത്രമാത്രം സഹായകമാണെന്ന് നിങ്ങള്ക്ക് കാണാം.
രാജസ്ഥാനിലെ ഒരു റോഡിൽ വൈദ്യുതി ടവറുകളുടെ ചിത്രം [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) എന്നവന്റെ ഫോട്ടോ, [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) ൽ നിന്നാണ്.
രാജസ്ഥാന് റോഡിലുളള വൈദ്യുതി ടവര്ചിത്രം [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) യുടെ ഫോട്ടോയാണ്, [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) സൈറ്റില് നിന്നു്
1. [സമയം ശ്രേണി പ്രവചനത്തിന്റെ പരിചയം](1-Introduction/README.md)
2. [ARIMA ടൈം സീരീസ് മോഡലുകൾ നിർമ്മിക്കൽ](2-ARIMA/README.md)
2. [ARIMA സമയം ശ്രേണി മോഡലുകള് നിര്മ്മിക്കൽ](2-ARIMA/README.md)
3. [ടൈം സീരീസ് ഫോറ്കാസ്റ്റിങ്ങിനായി Support Vector Regressor നിർമ്മിക്കൽ](3-SVR/README.md)
3. [സമയം ശ്രേണി പ്രവചനത്തിനുള്ള സപ്പോര്ട്ട് വെക്ടര് റെഗ്രസര് നിര്മ്മിക്കല്](3-SVR/README.md)
## ക്രെഡിറ്റുകൾ
## ക്രെഡിറ്റ്സ്
"ടൈം സീരീസ് ഫോറ്കാസ്റ്റിങ്ങിലേക്ക് പരിചയം" ⚡️ ഉപയോഗിച്ച് എഴുതിയത് [Francesca Lazzeri](https://twitter.com/frlazzeri) ഉം [Jen Looper](https://twitter.com/jenlooper) ഉം ആണ്. നോട്ട്ബുക്കുകൾ ആദ്യം ഓൺലൈനിൽ പ്രത്യക്ഷപ്പെട്ടത് [Azure "Deep Learning For Time Series" repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) യിൽ ആണ്, ഇത് ആദ്യം എഴുതിയത് Francesca Lazzeri ആണ്. SVR പാഠം എഴുതിയത് [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) ആണ്.
"സമയം ശ്രേണി പ്രവചനത്തിന്റെ പരിചയം" ⚡️ ഉപയോഗിച്ച് [ഫ്രാൻസെസ്ക ലാസ്സേരി](https://twitter.com/frlazzeri)യും [ജെൻ ലൂപ്പർ](https://twitter.com/jenlooper)യും എഴുതിയതാണ്. നോട്ട്ബുക്കുകൾ ആദ്യമായി ഓൺലൈനായി പുറത്തുവന്നത് [Azure "Deep Learning For Time Series" റപ്പോ](https://github.com/Azure/DeepLearningForTimeSeriesForecasting)യിംഫ്രാൻസെസ്ക ലാസ്സേരി എഴുതി. SVR പാഠം [അനിർബൻ മുഖർജി](https://github.com/AnirbanMukherjeeXD) എഴുതിയതാണ്
---
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**അസൂയാപത്രം**:
**അറിയിപ്പ്**:
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് പരിഗണിക്കേണ്ടതാണ്. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
ഈ രേഖ AI പരിഭാഷാ സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് പരിഭാഷപ്പെടുത്തിയതാണ്. ഞങ്ങൾ കൃത്യതയ്ക്കായി ശ്രമിക്കുന്നുവെങ്കിലും, ഓട്ടോമേറ്റഡ് പരിഭാഷകളിൽ പിഴവുകൾ അല്ലെങ്കിൽ തെറ്റായ വിവരങ്ങൾ ഉണ്ടാകാൻ സാധ്യതയുണ്ട്. അതിന്റെ സ്വാഭാവിക ഭാഷയിലുള്ള അസൽ രേഖയാണ് പ്രാമാണികമായ ഉറവിടമായി പരിഗണിക്കേണ്ടത്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ പരിഭാഷ ശുപാർശ ചെയ്യുന്നു. ഈ പരിഭാഷ ഉപയോഗിച്ച് ഉണ്ടാകുന്ന തെറ്റിദ്ധാരണകൾ അല്ലെങ്കിൽ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കായി ഞങ്ങൾ ഉത്തരവാദികളല്ല.
> ഈ റിപോസിറ്ററിയിൽ 50-ലധികം ഭാഷാ വിവർത്തനങ്ങൾ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്, ഇത് ഡൗൺലോഡിന്റെ വലുപ്പം അതിശയകരമായി വർദ്ധിപ്പിക്കുന്നു. വിവർത്തനങ്ങൾ ഇല്ലാതെ ക്ലോൺ ചെയ്യാൻ sparse checkout ഉപയോഗിക്കുക:
> ഈ റെപ്പോസിറ്ററിയിൽ 50+ ഭാഷാ പരിഭാഷകൾ ഉൾപ്പെട്ടിരിക്കുന്നു, ഇത് ഡൗൺലോഡ് വലിപ്പം വളരെ വർദ്ധിപ്പിക്കുന്നു. പരിഭാഷകൾ ഇല്ലാതെ ക്ലോൺ ചെയ്യാൻ sparse checkout ഉപയോഗിക്കുക:
>
>
> **Bash / macOS / Linux:**
> **Bash / macOS / Linux:**
> ```bash
> ```bash
@ -33,156 +33,159 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
> ```
>
>
> ഇത് നിങ്ങളുടെ കോഴ്സ് പൂര്ത്തിയാക്കാന് ആവശ്യമുള്ള എല്ലാം അതിവേഗത്തിൽ ഡൗൺലോഡ് ചെയ്യാൻ സഹായിക്കും.
> ഇത് കോഴ്സ് പൂർത്തിയാക്കാൻ ആവശ്യമായ എല്ലാം നൽകുന്നു, ഓരോതരം വേഗത്തിലാണ് ഡൗൺലോഡ് നടക്കുന്നത്.
നമുക്ക് ഒരു ഡിസ്കോർഡ് ലേൺ വിഥ AI സീരീസ് ആരംഭിച്ചിട്ടുണ്ട്, കൂടുതൽ അറിയാനും ഞങ്ങളോടൊപ്പം ചേരാനും [Learn with AI Series](https://aka.ms/learnwithai/discord) സന്ദർശിക്കുക, 2025 സെപ്റ്റംബർ 18 - 30 തിയതികൾക്കിടയിൽ. GitHub Copilot ഡാറ്റാ സയൻസിനായി ഉപയോഗിക്കുന്നതിനുള്ള ടിപ്സും ട്രിക്കുകളും നിങ്ങൾക്ക് ലഭിക്കും.
നമുക്ക് ഒരു Discord learn with AI സീരിസ് നടക്കുകയാണ്, കൂടുതൽ അറിയാനും 2025 സെപ്റ്റംബർ 18 - 30 വരെ [Learn with AI Series](https://aka.ms/learnwithai/discord)യിൽ ചേർന്നുകൊള്ളൂ. GitHub Copilot ഡേറ്റാ സയൻസിനായി ഉപയോഗിക്കുന്ന ടിപ്സും ട്രിക്ക്സും നിങ്ങൾക്ക് ലഭിക്കും.
# തുടക്കക്കാർക്കുള്ള മെഷീൻ ലേണിംഗ് - ഒരു പാഠ്യപദ്ധതി
# തുടക്കക്കാർക്കുള്ള മെഷീൻ ലേണിംഗ് - ഒരു പാഠപദ്ധതി
> 🌍 ലോക സംസ്കാരങ്ങളിലൂടെ മെഷീൻ ലേണിംഗ് പഠിക്കുന്നതിനുള്ള ലോകയാത്ര 🌍
> 🌍 ലോക സംസ്കാരങ്ങളുടെ വഴി പരീക്ഷിച്ച് മെഷീൻ ലേണിംഗ് പഠിക്കാം 🌍
Microsoftൽ ക്ലൗഡ് അവകാശവാദകർ **Machine Learning** എന്ന വിഷയത്തിൽ 12 ആഴ്ചകളുള്ള, 26 പാഠങ്ങളുള്ള പാഠ്യപദ്ധതി ഒരുക്കിയിട്ടുണ്ട്. ഈ പാഠ്യപദ്ധതിയിൽ, പ്രാഥമികമായി Scikit-learn ലൈബ്രറി ഉപയോഗിച്ചുള്ള **ക്ലാസിക് മെഷീൻ ലേണിംഗ്**യെക്കുറിച്ച് നിങ്ങൾ പഠിക്കും, ഡീപ് ലേണിംഗ് ഒഴിവാക്കി, അത് നമ്മുടെ [AI for Beginners' curriculum](https://aka.ms/ai4beginners) ൽ ഉൾക്കൊള്ളിച്ചിട്ടുണ്ട്. ഈ പാഠങ്ങൾ നമ്മുടെ ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) യോടൊപ്പം കൂടിയാൽ കൂടുതൽ ഫലപ്രദമാണ്.
മൈക്രോസോഫ്റ്റ് ക്ലൗഡ് അഡ്വൊക്കേറ്റ്സ് 12 ആഴ്ചയും 26 പാഠഭാഗങ്ങളുള്ള പാഠപദ്ധതി **മെഷീൻ ലേണിംഗ്** സംബന്ധിച്ചാണ് അവതരിപ്പിക്കുന്നത്. ഈ പാഠപദ്ധതിയിൽ നിങ്ങൾ സ്കൈറ്റ്-ലേൺ പ്രധാനമായും ഉപയോഗിച്ച് ചിലപ്പോൾ **ക്ലാസിക് മെഷീൻ ലേണിംഗ്** എന്ന് വിളിക്കുന്നതു പഠിക്കും, ഡീപ് ലേണിംഗ് ഒഴിവാക്കിയുള്ളത്, അതെല്ലാം ഞങ്ങളുടെ [AI for Beginners' curriculum](https://aka.ms/ai4beginners) ൽ ഉൾപ്പെടുത്തിയിരിക്കുന്നു. ഈ പാഠങ്ങൾ നമ്മുടെ ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) സഖ്യപ്പെടുത്താം.
ലോകത്തെ വിവിധ ഭാഗങ്ങളിൽ നിന്നുള്ള ഡാറ്റ ഉപയോഗിച്ച് ഈ ക്ലാസിക് സാങ്കേതിക വിദ്യകൾ പ്രയോഗിക്കാനായി നമ്മളൊപ്പം യാത്ര ചെയ്യുക. ഓരോ പാഠത്തിനും മുൻകരുതൽ, പാഠാനന്തര ക്വിസുകൾ, പാഠം പൂർത്തിയാക്കുന്നതിനുള്ള എഴുതിയ നിർദ്ദേശങ്ങൾ, പരിഹാരം, അഭ്യാസങ്ങൾ എന്നിവ ഉൾപ്പെട്ടിരിക്കുന്നു. നമ്മുടെ പ്രോജക്റ്റ്-കേന്ദ്രീയപരമായ അധ്യയനശൈലി പുതിയ കഴിവുകൾ ഉറപ്പിക്കുന്നതിന് കൂടുതൽ ഫലപ്രദമാണ്.
ലോകമെമ്പാടുമുള്ള ഡേറ്റയ്ക്ക് ഈ ക്ലാസിക് സാങ്കേതിക വിദ്യകൾ പ്രയോഗിച്ച് ഞങ്ങളோപ്പി യാത്രചെയ്യാം. ഓരോ പാഠത്തിലും മുൻകൂർ.quiz, പിൻകൂർ.quiz, എഴുത്ത് നിർദ്ദേശങ്ങൾ, പരിഹാരം, അസൈൻമെന്റ് എന്നിവയുണ്ട്. പ്രോജക്ട് അടിസ്ഥാനമാക്കിയുള്ള പഠന രീതിയാൽ പഠിച്ചുകൊണ്ട് നിർമ്മിക്കുന്നതിലൂടെ പുതിയ സ്കില്ലുകൾ മെച്ചപ്പെടുത്താം.
**✍️ ഞങ്ങളുടെ രചയിതാക്കൾക്ക് ഹൃദയപുരവ്വം നന്ദി** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd
**✍️ ഞങ്ങളുടെ എഴുത്തുകാരെ ശക്തമായി നന്ദി**: Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu, Amy Boyd
**🎨 ചിത്രകാരർക്കും നന്ദി** Tomomi Imura, Dasani Madipalli, and Jen Looper
**🎨 ചിത്രകാരന്മാർക്കും നന്ദി**: Tomomi Imura, Dasani Madipalli, Jen Looper
**🙏 പ്രത്യേക നന്ദി** Microsoft Student Ambassador രചയിതാക്കൾ, റിവ്യൂവർസ്, ഉള്ളടക്ക സംഭാവകർ തുടങ്ങി Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, Snigdha Agarwal എന്നിവർക്കും
**🙏 പ്രത്യേക നന്ദി 🙏 Microsoft Student Ambassador എഴുത്തുകാർ, റിവ്യൂവർക്കാർ, ഉള്ളടക്ക സംഭാവനക്കാരായ** Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, Snigdha Agarwal
**🤩 R പാഠങ്ങൾക്ക് പ്രത്യേക നന്ദി** Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, Vidushi Gupta
**🤩 Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, Vidushi Gupta യ്ക്ക് പ്രത്യേക നന്ദി R പാഠങ്ങൾക്കായി!**
# ആരംഭിക്കുന്നത്
# ആരംഭിക്കാം
ഈ ചുവടുകൾ പിന്തുടരുക:
ഈ ഘട്ടങ്ങൾ പാലിക്കുക:
1. **റിപ്പോസിറ്ററി ഫോർക്കുചെയ്യുക**: ഈ പേജിന്റെ മുകളിൽ വലതുവശത്ത് "Fork" ബട്ടൺ ക്ലിക്കുചെയ്യുക.
1. **റെപ്പോസിറ്ററി ഫോർക്കുചെയ്യുക**: ഈ പേജിന്റെ വലതു മുകളിൽ "Fork" ബട്ടൺ ക്ലിക് ചെയ്യുക.
> [ഈ കോഴ്സിനുള്ള എല്ലാ സാമഗ്രികളും Microsoft Learn ശേഖരത്തിൽ കണ്ടെത്തുക](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 💡 **വേഗത്തിൽ ആരംഭിക്കാം:** Python പ്രാദേശികമായി ഇൻസ്റ്റാൾ ചെയ്തില്ലെങ്കിലും ബ്രൗസറിൽ തുടങ്ങാൻ ആഗ്രഹിക്കുകയാണോ? നിങ്ങളുടെ ഫോർക്കിന് ക്ലൗഡ് വികസന പരിസ്ഥിതി സൃഷ്ടിക്കാൻ [GitHub Codespaces](https://github.com/features/codespaces) ഉപയോഗിക്കുക. ക്രീൻ **Code** മെനു തുറന്ന്, **Codespaces** തിരഞ്ഞെടുക്കുക, കോഡ്സ്പേസ് സൃഷ്ടിച്ച് ഓരോ പാഠത്തിനും ആവശ്യമായ ഡിപ്പെൻഡൻസികൾ ഇൻസ്റ്റോൾ ചെയ്യുക.
> 🔧 **സഹായം വേണോ?** ഇൻസ്റ്റാളേഷൻ, സജ്ജീകരണം, പാഠങ്ങൾ പ്രവർത്തിപ്പിക്കൽ സംബന്ധിച്ച സാധാരണ പ്രശ്നങ്ങൾക്ക് [Troubleshooting Guide](TROUBLESHOOTING.md) പരിശോധിക്കുക.
> [ഈ കോഴ്സിന് വേണ്ട എല്ലാ അധികസാമഗ്രികളും നമ്മുടെ Microsoft Learn ശേഖരത്തിൽ കണ്ടെത്തുക](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **സഹായം വേണോ?** ഇൻസ്റ്റലേഷൻ, സെറ്റപ്പ്, പാഠങ്ങൾ നടത്തുന്നതുമായി ബന്ധപ്പെട്ട സാധാരണ പ്രശ്നങ്ങൾക്ക് പരിഹാരങ്ങൾക്കായി നമ്മുടെ [Troubleshooting Guide](TROUBLESHOOTING.md) കാണുക.
**[വിദ്യാർത്ഥികൾ](https://aka.ms/student-page)**, ഈ പാഠ്യപദ്ധതി ഉപയോഗിക്കാൻ, റിപോയെ നിങ്ങളുടെ സ്വന്തം GitHub അക്കൗണ്ടിലേക്ക് ഫോർക്കുചെയ്തു നിർവഹിക്കുകയും ആ വ്യായാമങ്ങൾ തനിക്കോ കൂട്ടായ്മയോടോ ചെയ്യുക:
- പ്രി-ലെക്ചർ ക്വിസ് ആരംഭിക്കുക.
**[വിദ്യാർത്ഥികൾ](https://aka.ms/student-page)**, ഈ പാഠപദ്ധതി ഉപയോഗിക്കാൻ, പൂർണ്ണ റെപ്പോ നിങ്ങൾ സ്വന്തം GitHub അക്കൗണ്ടിലേക്ക് ഫോർക്കുചെയ്ത്, സ്വയം അല്ലെങ്കിൽ കൂട്ടമായി വ്യായാമങ്ങൾ പൂർത്തിയാക്കുക:
- ലക്ചർ വായിച്ച് പ്രവർത്തനങ്ങൾ പൂർത്തിയാക്കുക, ഓരോ അറിവ് പരിശോധനയിൽ നിർത്തി ആലോചിക്കുക.
- പരിഹാരകോഡ് പ്രവർത്തിപ്പിക്കുന്നതിന് പകരം പാഠങ്ങൾ മനസ്സിലാക്കി പ്രോജക്റ്റുകൾ സൃഷ്ടിക്കാൻ ശ്രമിക്കുക; അനായാസം `/solution` ഫോൾഡറുകളിൽ പരിഹാരകോഡ് ലഭ്യമാണ്.
- പ്രിലക്ചർ quiz ആരംഭിക്കുക.
- പോസ്റ്റ്-ലെക്ചർ ക്വിസ് പൂർത്തിയാക്കുക.
- ലക്ചർ വായിച്ചും പ്രവർത്തനങ്ങൾ പൂർത്തിയാക്കിയും, ഓരോ അറിവ് പരിശോധനയിൽ വിശുദ്ധി അനുസരിച്ച് മുന്നോട്ട് പോവുക.
- ചലഞ്ച് പൂർത്തിയാക്കുക.
- പ്രൊജക്ട് നിർമ്മിക്കാൻ പാഠങ്ങൾ മനസ്സിലാക്കാൻ ശ്രമിക്കുക, പരിഹാര കോഡ് ഓടിക്കാതെ; എന്നാൽ ആ കോഡ് ഓരോ പ്രൊജക്ട് അധിഷ്ഠിത പാഠങ്ങളിലെ `/solution` ഫോൾഡർ ഉപയോഗിച്ച് ലഭ്യമാണ്.
- പോസ്റ്റ്ലക്ചർ quiz പൂർത്തിയാക്കുക.
- ചാലഞ്ച് പൂർത്തിയാക്കുക.
- അസൈൻമെന്റ് പൂർത്തിയാക്കുക.
- അസൈൻമെന്റ് പൂർത്തിയാക്കുക.
- ഒരു പാഠ്യ ഗ്രൂപ്പ് പൂർത്തിയാക്കിയ ശേഷം [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) സന്ദർശിച്ച് അനുയോജ്യമായ PAT റൂബ്രിക് പൂരിപ്പിച്ച് "ഉച്ചരിച്ച് പഠിക്കുക". 'PAT' അഥവാ Progress Assessment Tool നിങ്ങളുടെ പഠനം മുന്നോട്ട് നയിക്കാൻ ഒരു റൂബ്രിക്ക് ആണ്. മറ്റു PAT-കൾക്കും പ്രതികരിക്കാം, ഒന്നിച്ച് പഠിക്കാം.
- ഒരു പാഠ ഗ്രൂപ്പ് പൂർത്തിയാക്കുമ്പോൾ, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) സന്ദർശിച്ച് യഥാർത്ഥമായ പഠനത്തിനായി യോജിച്ച PAT രൂപം പൂരിപ്പിക്കുക. PAT - ഒരു പ്രോഗ്രസ് അസസ്മെന്റ് ടൂൾ, നിങ്ങളുടെ പഠനം കൊണ്ടുപോകാൻ സഹായിക്കുന്നു. മറ്റ് PATകളിലും പ്രതികരിച്ച് നമുക്ക് ഒരുമിച്ച് പഠിക്കാം.
> കൂടുതൽ പഠനത്തിന്, ഈ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) മോഡ്യൂളുകളും പഠനപഥങ്ങളും പാലിക്കാൻ ശുപാർശ ചെയ്യുന്നു.
> കൂടുതൽ പഠനത്തിന്, [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) മോഡ്യൂളുകളും ലേർണിംഗ് പാതകളും പിന്തുടരാൻ ഞങ്ങൾ ശിപാർശ ചെയ്യുന്നു.
**അധ്യാപകർ**, ഈ പാഠ്യപദ്ധതി എങ്ങനെ ഉപയോഗിക്കാമെന്ന് കുറച്ചു നിർദ്ദേശങ്ങൾ [ഇവിടെ](for-teachers.md) നൽകപ്പെട്ടിരിക്കുന്നു.
**അവഗണനകൾക്ക്**, ഈ പാഠപദ്ധതി ഉപയോഗിക്കാൻ കുറച്ച് [സुझാവുകൾ](for-teachers.md) ഞങ്ങൾ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്.
---
---
## വീഡിയോ വഴികാട്ടികൾ
## വീഡിയോ വാക്ക്ത്രൂകൾ
ചില പാഠങ്ങൾ ചെറു വീഡിയോകളായിരിക്കാം ലഭ്യമാകുന്നത്. ഇതെല്ലാം പാഠങ്ങളിലേക്ക് നേരിട്ട് ഉൾപ്പെടുത്തിയിട്ടുണ്ട്, അല്ലെങ്കിൽ [ML for Beginners പ്ലേലിസ്റ്റ് Microsoft Developer YouTube ചാനലിൽ](https://aka.ms/ml-beginners-videos) താഴെ കാണുന്ന ചിത്രത്തിൽ ക്ലിക്ക് ചെയ്ത് കാണാം.
ചില പാഠങ്ങൾ ചെറിയ വീഡിയോകളായി ലഭ്യമാണ്. എല്ലാം പാഠങ്ങളിൽ നേരിട്ട് കാണാനോ, അല്ലെങ്കിൽ [ML for Beginners പ്ലേലിസ്റ്റ് Microsoft Developer YouTube ചാനലിൽ](https://aka.ms/ml-beginners-videos) താഴെ ചിത്രത്തിൽ ക്ലിക് ചെയ്ത് കാണാനോ കഴിയും.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 പ്രോജക്ടും സൃഷ്ടിച്ച ആളുകളുടെയും കുറിച്ച് വീഡിയോ കാണാൻ ഉളള ചിത്രം ക്ലിക്ക് ചെയ്യുക!
> 🎥 പ്രോജക്ടും സൃഷ്ടിച്ച ആളുകളുടെയും ഒരു വീഡിയോ കാണാൻ മുകളിലുള്ള ചിത്രം ക്ലിക്ക് ചെയ്യുക!
---
---
## പാഠകശൈലി
## പാഠപദ്ധതി സിദ്ധാന്തം
ഈ പാഠ്യപദ്ധതിയിൽ, പ്രായോഗികവും **പ്രോജക്റ്റ് അധിഷ്ഠിതവുമായ** ബോധ്യങ്ങൾ ഉൾക്കൊള്ളിക്കുകയും, **പെരുമാറുകൾ കൂടിയുള്ള** ക്വിസുകൾ ഉൾപ്പെടുത്തിയിരിക്കുകയും ചെയ്തിരിക്കുന്നു. കൂടാതെ, ഈ പാഠ്യപദ്ധതി ഒരേ ഒരു **തീമ**യും ഉൾക്കൊള്ളുന്നു, ഇത് ഐക്യ감을 നൽകുന്നു.
ഈ പാഠപദ്ധതി രൂപകൽപ്പന ചെയ്യുമ്പോൾ രണ്ട് പാഠപദ്ധതി സിദ്ധാന്തങ്ങൾ ഞങ്ങൾ തെരഞ്ഞെടുത്തിരിക്കുന്നു: പ്രായോഗികമായ **പ്രോജക്ട് അടിസ്ഥാനമാക്കിയുള്ളത്** എന്നും തുച്ഛമായ **അടുത്തിടെ നടക്കുന്ന ചോദ്യോത്തരങ്ങൾ** ഉണ്ടായിരിക്കും എന്നും. കൂടാതെ, ഒരു സാധാരണ **തലക്കെട്ട്** ഒരുങ്ങുന്നു.
വിഷയം പ്രോജക്റ്റുകളുമായി പൊരുത്തപ്പെടുന്നുണ്ടോയെന്ന് ഉറപ്പാക്കുകയും, ഇത് വിദ്യാർത്ഥികളുടെ താൽപര്യവും ഓർമ്മതൽ ശക്തിപ്പെടുത്തുകയും ചെയ്യും. ക്ലാസിനു മുൻപ് കുറഞ്ഞദ്രോഹം ഉള്ള ക്വിസ് വിദ്യാർത്ഥിയുടെ കഠിനാധ്വാന ലക്ഷ്യം സജ്ജമാക്കുകയും, ക്ലാസ് ശേഷം രണ്ടാം ക്വിസ് അറിവിന്റെ ദൈർഘ്യം ഉറപ്പുവരുത്തുകയും ചെയ്യുന്നു. ഈ പാഠ്യപദ്ധതി നമ്രവും രസകരവുമായ കോഴ്സ് ആക്കാൻ രൂപകൽപ്പന ചെയ്തിട്ടുണ്ട്, മുഴുവനും അല്ലെങ്കിൽ ഭാഗികമായി പഠിക്കാവുന്നതാണ്. പ്രോജക്റ്റുകൾ ആരംഭത്തിൽ ലഘുവായിരിക്കും, 12 ആഴ്ചയുടെ അവസാനത്തോടെ കൂടുതൽ സങ്കീർണമാകും. ഈ പാഠ്യപദ്ധതിയിൽ ML ന്റെ യഥാർത്ഥ ജീവിത പ്രയോഗങ്ങളെ കുറിച്ചുള്ള ഒരു അനുബന്ധ കുറിപ്പ് ഉൾപ്പെടുത്തിയിട്ടുണ്ട്, അധിക ക്രഡിറ്റ് അല്ലെങ്കിൽ ചര്ച്ചയ്ക്ക് അടിസ്ഥാനമായി ഉപയോഗിക്കാവുന്ന വിധം.
ഉള്ളടക്കം പ്രോജക്ടുകളുമായി പൊരുത്തപ്പെടിലും, വിദ്യാർത്ഥികൾക്കു് ആകർഷകമായ ഓർമ്മ ശക്തി വർദ്ധിപ്പിക്കും. ക്ലാസ് മുൻപ് കുറഞ്ഞ സമ്മർദ്ദമുള്ള ക്വിസ്സ് വിഷയ പഠനത്തിനുള്ള മനസ്സിന്റെ ഉദ്ദേശ്യം സജ്ജീകരിക്കും, ക്ലാസ് ശേഷം രണ്ടാം ക്വിസ്സ് കൂടുതൽ സംരക്ഷണത്തിനാകും. പാഠപദ്ധതി ചടുലവും രസകരവുമാണ്, മുഴുവനായും അല്ലെങ്കിൽ ഭാഗികമായും പഠിക്കാം. പ്രോജക്ടുകൾ ആരംഭത്തിൽ ലഘുവായും 12-ആഴ്ച്ച കാലയളവിൽ കൂടുതൽ പ്രകീർത്തനപരമാവും. ഈ പാഠപദ്ധതിയിൽ ML യുടെ യാഥാർത്ഥ്യ ഉപയോഗങ്ങളെപ്പറ്റി ഒരു പിൻവചനവും ഉൾപ്പെടുത്തിയിട്ടുണ്ട്, ഇത് അധിക ക്രെഡിറ്റായി ഉപയോഗിക്കാനോ ചർച്ചയ്ക്ക് അടിസ്ഥാനമാക്കാനോ കഴിയും.
> ഞങ്ങളുടെ [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translations](..), [Troubleshooting](TROUBLESHOOTING.md) മാർഗ്ഗനിർദ്ദേശങ്ങൾ കണ്ടെത്തുക. നിങ്ങളുടെ നിർമാണാത്മക ഫീഡ്ബാക്ക് ഞങ്ങൾ സ്വാഗതം ചെയ്യുന്നു!
> ഞങ്ങളുടെ [യോഗ്യതാ നിയമം](CODE_OF_CONDUCT.md), [സംഭാവന](CONTRIBUTING.md), [പരിഭാഷകൾ](..), [പ്രശ്ന പരിഹാര മാർഗ്ഗനിർദ്ദേശങ്ങൾ](TROUBLESHOOTING.md) കാണുക. നിങ്ങളുടെ സാധ്യതാമയമായ പ്രതികരണം ഞങ്ങൾക്കായി അഭ്യർത്ഥിക്കുന്നു!
> **ഭാഷകളെക്കുറിച്ചുള്ള ഒരു കുറിപ്പ്**: ഈ പാഠങ്ങൾ പ്രധാനമായും Python-ൽ എഴുതിയതാണ്, എന്നാൽ പലതും R-ലും ലഭ്യമാണ്. ഒരു R പാഠം പൂർത്തിയാക്കാൻ, `/solution` ഫോൾഡറിലേയ്ക്ക് പോയി R പാഠങ്ങൾ കണ്ടെത്തുക. അവയ്ക്ക് **R Markdown** ഫയൽ പ്രതീകം നൽകുന്ന .rmd വിപുലീകരണമുണ്ട്, അത് `code chunks` (R അല്ലെങ്കിൽ മറ്റു ഭാഷകളുടെ)യും `YAML header` (PDF പോലുള്ള ഔട്ട്പുട്ടുകൾ എങ്ങനെ ഫോർമാറ്റ് ചെയ്യാമെന്നതാണ്) അടങ്ങിയ `Markdown document`-നിൽ ചേർക്കലായി എളുപ്പത്തിൽ വ്യാഖ്യാനിക്കാം. അതിനാൽ, ഇത് ഡാറ്റ സയൻസിനൊരുപരി അദ്ദേഹത്തിലെ മികച്ച രചനാ ഫ്രെയിംവർക്ക് ആയി പ്രവർത്തിക്കുന്നു, കാരണം ഇത് കോഡ്, അതിന്റെ ഔട്ട്പുട്ട്, നിങ്ങളുടെ ചിന്തകൾ എന്നിവയെ Markdown-ൽ എഴുതാനാക്കും. കൂടാതെ, R Markdown ഡോക്യുമെന്റുകൾ PDF, HTML, അല്ലെങ്കിൽ Word പോലുള്ള ഔട്ട്പുട്ട് ഫോർമാറ്റുകളായി റൻഡർ ചെയ്യാൻ കഴിയും.
> **ഭാഷകളെക്കുറിച്ചുള്ള ഒരു കുറിപ്പ്**: ഈ പാഠങ്ങൾ പ്രധാനമായും Pythonയിൽ എഴുതപ്പെട്ടതാണ്, എന്നാൽ പലതും R ൽയും ലഭ്യമാണ്. ഒരു R പാഠം പൂർത്തിയാക്കാൻ `/solution` ഫോൾഡറിൽ പോയി R പാഠങ്ങൾ അന്വേഷിക്കുക. അവയിൽ .rmd വിപുലീകരണം ഉണ്ട്, ഇത് **R Markdown** ഫയലാണ്, ഇത് `code chunks` (R അല്ലെങ്കിൽ മറ്റ് ഭാഷകളിൽ) നും `YAML header` (PDF പോലുള്ള ഔട്ട്പുട്ട് എങ്ങനെ ഫോർമാറ്റ് ചെയ്യണമെന്ന് ഗൈഡ് ചെയ്തത്) നും അടങ്ങിയ ഒരു Markdown ഡോക്യുമെന്റ് ആണെന്നു വ്യാഖ്യാനിക്കാം. അതിനാൽ, ഇത് ഒരു മികച്ച ഡേറ്റാ സയൻസ് ഓഥറിങ് ഫ്രെയിംവർക് ആയി പ്രവർത്തിക്കുന്നു, നിങ്ങളുടെ കോഡ്, അതിന്റെ ഔട്ട്പുട്ട്, നിങ്ങളുടെ ആശയങ്ങൾ മുതലായവ Markdown-ൽ എഴുതി സംയോജിപ്പിക്കാനാകും. കൂടാതെ, R Markdown ഡോക്യുമെന്റുകൾ PDF, HTML, അല്ലെങ്കിൽ Word പോലുള്ള ഔട്ട്പുട്ട് ഫോർമാറ്റുകളിലേക്ക് മാറ്റാം.
> **ക്വിസുകളെക്കുറിച്ചുള്ള കുറിപ്പ്**: എല്ലാ ക്വിസുകളും [Quiz App ഫോൾഡർ](../../quiz-app)-നുള്ളിൽ അടങ്ങിയിരിക്കുന്നു, ഓരോന്നിലും മൂന്ന് ചോദ്യങ്ങളുള്ള 52 ക്വിസുകളുണ്ടു. അവ പാഠങ്ങളിൽ നിന്നു കേൾക്കാനാകാം, പക്ഷേ ക്വിസ് ആപ്പ് ലോക്കലായി ഓടിക്കാൻ കഴിയും; ലോക്കൽ ഹോസ്റ്റ് ചെയ്യുക അല്ലെങ്കിൽ Azure-യിലേക്ക് ഡിപ്ലോയ് ചെയ്യാൻ `quiz-app` ഫോൾഡറിലെയും നിർദ്ദേശങ്ങൾ പിന്തുടരുക.
> **ക്വിസ്സുകളെക്കുറിച്ചുള്ള കുറിപ്പ്**: എല്ലാ ക്വിസ്സുകളും [Quiz App ഫോൾഡറിൽ](../../quiz-app) ആണ്, ഓരോന്നിലും മൂന്ന് ചോദ്യങ്ങളുള്ള 52 ക്വിസ്സുകളുണ്ട്. അവ പാഠങ്ങളിൽ നിന്ന് ലിങ്കുചെയ്തിട്ടുണ്ട്, കൂടാതെ quiz app പ്രാദേശികമായി ഓടിക്കാനോ Azure-യിൽ ലൊക്കൽ ഹോസ്റ്റ് ചെയ്യാനോ `quiz-app` ഫോൾഡറിൽ നൽകിയ നിർദ്ദേശങ്ങൾ പിന്തുടരുക.
| പാഠ നമ്പർ | വിഷയം | പാഠ ഗ്രൂപ്പിംഗ് | പഠന ലക്ഷ്യങ്ങൾ | ലിങ്കുചെയ്ത പാഠം | രചയിതാവ് |
| പാഠത്തിന്റെ ക്രമസംഖ്യ | വിഷയം | പാഠ ഗ്രൂപ്പിംഗ് | പഠന ലക്ഷ്യങ്ങൾ | അനുബന്ധ പാഠം | എഴുത്തുകാരൻ |
| 01 | മെഷീൻ ലേണിങ്ങിലേക്ക് പരിചയം | [പരിചയം](1-Introduction/README.md) | മെഷീൻ ലേണിങ്ങിന്റെ അടിസ്ഥാന ധാരണകൾ പഠിക്കുക | [പാഠം](1-Introduction/1-intro-to-ML/README.md) | മുഹമ്മദ് |
| 02 | മെഷീൻ ലേണിങ്ങിന്റെ ചരിത്രം | [പരിചയം](1-Introduction/README.md) | ഈ മേഖലയെ അടിസ്ഥാനമാക്കി ചരിത്രം പഠിക്കുക | [പാഠം](1-Introduction/2-history-of-ML/README.md) | ജേൻ ആന്റ് എമി |
| 01 | യന്ത്രം പഠനത്തിലേക്കുള്ള പരിചയം | [Introduction](1-Introduction/README.md) | യന്ത്രം പഠനത്തിന് പിന്നിലെ അടിസ്ഥാന ആശയങ്ങൾ പഠിക്കുക | [Lesson](1-Introduction/1-intro-to-ML/README.md) | മുഹമ്മദ് |
| 03 | ഫെയർനെസ്സ് ആൻഡ് മെഷീൻ ലേണിങ് | [പരിചയം](1-Introduction/README.md) | ഫെയർനെസ്സുമായി ബന്ധപ്പെട്ട പ്രധാന തത്വചിന്തകളും, ML മോഡലുകൾ നിർമ്മിക്കുമ്പോൾ പരിഗണിക്കേണ്ടതെന്താണ് എന്നതു പഠിക്കുക | [പാഠം](1-Introduction/3-fairness/README.md) | ടോമോമി |
| 02 | യന്ത്രം പഠനത്തിന്റെ ചരിത്രം | [Introduction](1-Introduction/README.md) | ഈ ഫീൽഡിന്റെ പിന്നിലുള്ള ചരിത്രം പഠിക്കുക | [Lesson](1-Introduction/2-history-of-ML/README.md) | ജെൻ ആൻഡ് എമി |
| 04 | മെഷീൻ ലേണിങ്ങിനുള്ള സാങ്കേതികങ്ങൾ | [പരിചയം](1-Introduction/README.md) | ML ഗവേഷകർ ML മോഡലുകൾ നിർമ്മിക്കുമ്പോൾ ഉപയോഗിക്കുന്ന സാങ്കേതിക വിദ്യകൾ എല്ലാം പഠിക്കുക | [പാഠം](1-Introduction/4-techniques-of-ML/README.md) | ക്രിസ് ആൻഡ് ജേൻ |
| 03 | നീതിയും യന്ത്രം പഠനവും | [Introduction](1-Introduction/README.md) | ML മോഡലുകൾ നിർമ്മിക്കാനും പ്രയോഗിക്കാനും വിദ്യാർത്ഥികൾ പരിഗണിക്കേണ്ട പ്രധാന തത്ത്വചിന്താപരമായ വിഷയങ്ങൾ എന്തെല്ലാമാണ്? | [Lesson](1-Introduction/3-fairness/README.md) | ടോಮೊമി |
| 04 | യന്ത്രം പഠനസാങ്കേതികവിദ്യകൾ | [Introduction](1-Introduction/README.md) | ML ഗവേഷകർ ML മോഡലുകൾ നിർമ്മിക്കാൻ ഉപയോഗിക്കുന്ന സാങ്കേതികവിദ്യകൾ എന്തെല്ലാമാണ്? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | ക്രിസ് ആൻഡ് ജെൻ |
| 06 | നോർത്ത് അമേരിക്കൻ കൂർത്തക്കറിയുടെ വിലകൾ 🎃 | [റെഗ്രഷൻ](2-Regression/README.md) | ML-ക്കായി ഡാറ്റ വിസუალൈസാനും ക്ലീൻ ചെയ്യാനും പഠിക്കുക | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | ജേൻ • എറിക്ക് വൻജാവ് |
| 07 | നോർത്ത് അമേരിക്കൻ കൂർത്തക്കറിയുടെ വിലകൾ 🎃 | [റെഗ്രഷൻ](2-Regression/README.md) | ലീനിയർ, പോളിനോമിയൽ റെഗ്രഷൻ മോഡലുകൾ നിർമ്മിക്കുക | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | ജേൻ ആൻഡ് ഡിമിത്രി • എറിക്ക് വൻജാവ് |
| 06 | ഉത്തര അമേരിക്കൻ പംപ്കിൻ വിലകൾ 🎃 | [Regression](2-Regression/README.md) | ML-ക്കായി ഡാറ്റാ ശുചീകരിക്കുകയും കാഴ്ചവെക്കുകയും ചെയ്യുക | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | ജെൻ • എറിക് വാൻജാവ് |
| 08 | നോർത്ത് അമേരിക്കൻ കൂർത്തക്കറിയുടെ വിലകൾ 🎃 | [റെഗ്രഷൻ](2-Regression/README.md) | ലൊജിസ്റ്റിക് റെഗ്രഷൻ മോഡൽ നിർമ്മിക്കുക | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | ജേൻ • എറിക്ക് വൻജാവ് |
| 07 | ഉത്തര അമേരിക്കൻ പംപ്കിൻ വിലകൾ 🎃 | [Regression](2-Regression/README.md) | ലീനിയർ, പോളിനോമിയൽ റീഗ്രഷൻ മോഡലുകൾ നിർമ്മിക്കുക | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | ജെൻ ആൻഡ് ദിമിത്രി • എറിക് വാൻജാവ് |
| 09 | ഒരു വെബ് ആപ്പ് 🔌 | [Web App](3-Web-App/README.md) | പരിശീലിപ്പിച്ച മോഡൽ ഉപയോഗിച്ച് വെബ് ആപ് നിർമിക്കുക | [Python](3-Web-App/1-Web-App/README.md) | ജേൻ |
| 08 | ഉത്തര അമേരിക്കൻ പംപ്കിൻ വിലകൾ 🎃 | [Regression](2-Regression/README.md) | ലൊജിസ്റ്റിക് റീഗ്രഷൻ മോഡൽ നിർമ്മിക്കുക | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | ജെൻ • എറിക് വാൻജാവ് |
| 10 | ക്ലാസിഫിക്കേഷനിലേക്കുള്ള പരിചയം | [Classification](4-Classification/README.md) | നിങ്ങളുടെ ഡാറ്റ ക്ലീൻ ചെയ്യുകയും തയ്യാറാക്കുകയും വിസ്വലൈസ് ചെയ്യുകയും ചെയ്യുക; ക്ലാസിഫിക്കേഷന്റെ അടിസ്ഥാനങ്ങൾ | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | ജേൻ ആൻഡ് കാസി • എറിക്ക് വൻജാവ് |
| 09 | ഒരു വെബ് ആപ്പ് 🔌 | [Web App](3-Web-App/README.md) | പരിശീലിപ്പിച്ച മോഡലിൽ കയറ്റി ഉപയോഗിക്കാൻ വെബ് ആപ്പ് നിർമ്മിക്കുക | [Python](3-Web-App/1-Web-App/README.md) | ജെൻ |
| 11 | സ്വാദിഷ്ട ഏഷ്യൻ, ഇന്ത്യൻ ഭക്ഷണങ്ങൾ 🍜 | [Classification](4-Classification/README.md) | ക്ലാസിഫയേഴ്സിന്റെ പരിചയം | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | ജേൻ ആൻഡ് കാസി • എറിക്ക് വൻജാവ് |
| 10 | ക്ലാസിഫിക്കേഷനിലേക്ക് പരിചയം | [Classification](4-Classification/README.md) | ഡാറ്റ ശുചീകരിക്കുക, തയ്യാറാക്കുക, കാഴ്ചവെക്കുക; ക്ലാസിഫിക്കേഷൻ പരിചയം | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | ജെൻ ആൻഡ് കാസ്സി • എറിക് വാൻജാവ് |
| 12 | സ്വാദിഷ്ട ഏഷ്യൻ, ഇന്ത്യൻ ഭക്ഷണങ്ങൾ 🍜 | [Classification](4-Classification/README.md) | കൂടുതൽ ക്ലാസിഫയേഴ്സ് | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | ജേൻ ആൻഡ് കാസി • എറിക്ക് വൻജാവ് |
| 11 | രുചികരമായ ഏഷ്യൻ, ഇന്ത്യൻ ഭക്ഷണങ്ങൾ 🍜 | [Classification](4-Classification/README.md) | ക്ലാസിഫയർസിലേക്കുള്ള പരിചയം | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | ജെൻ ആൻഡ് കാസ്സി • എറിക് വാൻജാവ് |
| 13 | സ്വാദിഷ്ട ഏഷ്യൻ, ഇന്ത്യൻ ഭക്ഷണങ്ങൾ 🍜 | [Classification](4-Classification/README.md) | നിങ്ങളുടെ മോഡൽ ഉപയോഗിച്ച് ഒരു ശിപാർശ വെബ് ആപ്പ് നിർമ്മിക്കുക | [Python](4-Classification/4-Applied/README.md) | ജേൻ |
| 12 | രുചികരമായ ഏഷ്യൻ, ഇന്ത്യൻ ഭക്ഷണങ്ങൾ 🍜 | [Classification](4-Classification/README.md) | കൂടുതൽ ക്ലാസിഫയർസുകൾ | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | ജെൻ ആൻഡ് കാസ്സി • എറിക് വാൻജാവ് |
| 14 | ക്ലസ്റ്ററിങ്ങിലേക്ക് പരിചയം | [Clustering](5-Clustering/README.md) | ഡാറ്റ ക്ലീൻ ചെയ്യുക, ഒരുക്കുക, വിസ്വലൈസ് ചെയ്യുക; ക്ലസ്റ്ററിംഗിന്റെ പരിചയം | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | ജേൻ • എറിക്ക് വൻജാവ് |
| 13 | രുചികരമായ ഏഷ്യൻ, ഇന്ത്യൻ ഭക്ഷണങ്ങൾ 🍜 | [Classification](4-Classification/README.md) | നിങ്ങളുടെ മോഡൽ ഉപയോഗിച്ച് ഒരു ശുപാർശ വെബ് ആപ്പ് നിർമ്മിക്കുക | [Python](4-Classification/4-Applied/README.md) | ജെൻ |
| 14 | ക്ലസ്റ്ററിങ്ങിലേക്ക് പരിചയം | [Clustering](5-Clustering/README.md) | ഡാറ്റ ശുചീകരിക്കുക, തയ്യാറാക്കുക, കാഴ്ചവെക്കുക; ക്ലസ്റ്ററിങ്ങിന്റെ പരിചയം | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | ജെൻ • എറിക് വാൻജാവ് |
| 16 | നാചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിങ്ങിലേക്ക് പരിചയം ☕️ | [Natural language processing](6-NLP/README.md) | ലളിതമായ ഒരു ബോട്ട് നിർമ്മിച്ചുകൊണ്ട് NLPയുടെ അടിസ്ഥാനങ്ങൾ പഠിക്കുക | [Python](6-NLP/1-Introduction-to-NLP/README.md) | സ്റ്റെഫൻ |
| 17 | സാധാരണ NLP ടാസ്ക്കുകൾ ☕️ | [Natural language processing](6-NLP/README.md) | ഭാഷാസംരചനകളെ ഇടപെടുമ്പോൾ ആവശ്യമായ സാധാരണ ടാസ്ക്കുകൾ മനസ്സിലാക്കി NLP അറിവ് കൂടുതൽ വളർത്തുക | [Python](6-NLP/2-Tasks/README.md) | സ്റ്റെഫൻ |
| 16 | സ്വാഭാവിക ഭാഷ പ്രോസസ്സിംഗിൽ പരിചയം ☕️ | [Natural language processing](6-NLP/README.md) | ഒരു ലളിതമായ ബോട്ട് നിർമിച്ച് NLP അടിസ്ഥാനങ്ങൾ പഠിക്കുക | [Python](6-NLP/1-Introduction-to-NLP/README.md) | സ്റ്റീഫൻ |
| 18 | വിവർത്തനവും സენტിമെന്റ് അനലിസിസും ♥️ | [Natural language processing](6-NLP/README.md) | Jane Austen ഉപയോഗിച്ച് വിവർത്തനവും സენტിമെന്റ് അനലിസിസും | [Python](6-NLP/3-Translation-Sentiment/README.md) | സ്റ്റെഫൻ |
| 17 | സാധാരണ NLP പ്രവൃത്തികൾ ☕️ | [Natural language processing](6-NLP/README.md) | ഭാഷാ ഘടനകൾ കൈകാര്യം ചെയ്യുമ്പോൾ ആവശ്യമുള്ള സാധാരണ പ്രവൃത്തികൾ മനസിലാക്കി NLP ജ്ഞാനം വളർത്തുക | [Python](6-NLP/2-Tasks/README.md) | സ്റ്റീഫൻ |
| 19 | യൂറോപിലെ റൊമാന്റിക് ഹോട്ടലുകൾ ♥️ | [Natural language processing](6-NLP/README.md) | ഹോട്ടൽ റിവ്യൂസ് ഉപയോഗിച്ച് സენტിമെന്റ് അനാലിസിസ് 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | സ്റ്റെഫൻ |
| 18 | പരിഭാഷയും സംവേദന വിശകലനവും ♥️ | [Natural language processing](6-NLP/README.md) | ജെയ്ന് ഓസ്റ്റിൻ ഉപയോഗിച്ച് പരിഭാഷയും സംവേദന വിശകലനവും | [Python](6-NLP/3-Translation-Sentiment/README.md) | സ്റ്റീഫൻ |
| 20 | യൂറോപിലെ റൊമാന്റിക് ഹോട്ടലുകൾ ♥️ | [Natural language processing](6-NLP/README.md) | ഹോട്ടൽ റിവ്യൂസ് ഉപയോഗിച്ച് സენტിമെന്റ് അനാലിസിസ് 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | സ്റ്റെഫൻ |
| 19 | യൂറോപ്പിലെ പ്രണയബഹുള ഹോട്ടലുകൾ ♥️ | [Natural language processing](6-NLP/README.md) | ഹോട്ടൽ കമന്റുകളുമായി സംവേദന വിശകലനം 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | സ്റ്റീഫൻ |
| 21 | ടൈം സീരീസ് ഫോറ്കാസ്റ്റിങ്ങിലേക്ക് പരിചയം | [Time series](7-TimeSeries/README.md) | ടൈം സീരീസ് ഫോറ്കാസ്റ്റിങ്ങിന്റെ പരിചയം | [Python](7-TimeSeries/1-Introduction/README.md) | ഫ്രാൻസസ്കാ |
| 20 | യൂറോപ്പിലെ പ്രണയബഹുള ഹോട്ടലുകൾ ♥️ | [Natural language processing](6-NLP/README.md) | ഹോട്ടൽ കമന്റുകളുമായി സംവേദന വിശകലനം 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | സ്റ്റീഫൻ |
| 22 | ⚡️ ലോക വൈദ്യുതി ഉപഭോഗം ⚡️ - ARIMA-യിലൂടെ ടൈം സീരീസ് ഫോറ്കാസ്റ്റിങ് | [Time series](7-TimeSeries/README.md) | ARIMA ഉപയോഗിച്ച് ടൈം സീരീസ് ഫോറ്കാസ്റ്റിങ് | [Python](7-TimeSeries/2-ARIMA/README.md) | ഫ്രാൻസസ്കാ |
| 21 | ടൈം സീരിസ് ഫോറികാസ്റ്റിംഗിലേക്ക് പരിചയം | [Time series](7-TimeSeries/README.md) | ടൈം സീരിസ് ഫോറികാസ്റ്റിംഗിലേക്ക് പരിചയം | [Python](7-TimeSeries/1-Introduction/README.md) | ഫ്രാൻസസ്ക |
| 23 | ⚡️ ലോക വൈദ്യുതി ഉപഭോഗം ⚡️ - SVR-യിലൂടെ ടൈം സീരീസ് ഫോറ്കാസ്റ്റിങ് | [Time series](7-TimeSeries/README.md) | Support Vector Regressor ഉപയോഗിച്ചുള്ള ടൈം സീരീസ് ഫോറ്കാസ്റ്റിങ് | [Python](7-TimeSeries/3-SVR/README.md) | അനിർബാൻ |
| 22 | ⚡️ ലോക വൈദ്യുതി ഉപഭോഗം ⚡️ - ARIMA ഉപയോഗിച്ച് ടൈം സീരിസ് ഫോറികാസ്റ്റിംഗ് | [Time series](7-TimeSeries/README.md) | ARIMA ഉപയോഗിച്ച് ടൈം സീരിസ് ഫോറികാസ്റ്റിംഗ് | [Python](7-TimeSeries/2-ARIMA/README.md) | ഫ്രാൻസസ്ക |
| 24 | റീൻസ്ഫോഴ്സ്മെന്റ് ലേണിങിലേക്ക് പരിചയം | [Reinforcement learning](8-Reinforcement/README.md) | Q-Learning ഉപയോഗിച്ച് റീൻസ്ഫോഴ്സ്മെന്റ് ലേണിങ് പരിചയം | [Python](8-Reinforcement/1-QLearning/README.md) | ഡിമിത്രി |
| 23 | ⚡️ ലോക വൈദ്യുതി ഉപഭോഗം ⚡️ - SVR ഉപയോഗിച്ച് ടൈം സീരിസ് ഫോറികാസ്റ്റിംഗ് | [Time series](7-TimeSeries/README.md) | Support Vector Regressor ഉപയോഗിച്ച് ടൈം സീരിസ് ഫോറികാസ്റ്റിംഗ് | [Python](7-TimeSeries/3-SVR/README.md) | അനിർബൻ |
| 25 | പീറ്റർ വൃക്ഷഭക്ഷിയെ தவിക്കുന്നു ! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | റീൻസ്ഫോഴ്സ്മെന്റ് ലേണിങ് ജിം | [Python](8-Reinforcement/2-Gym/README.md) | ഡിമിത്രി |
| 24 | റീന്ഫോഴ്സ്മെന്റ് ലേണിംഗിലേക്ക് പരിചയം | [Reinforcement learning](8-Reinforcement/README.md) | Q-ലേണിംഗ് ഉപയോഗിച്ച് റീന്ഫോഴ്സ്മെന്റ് ലേണിംഗിലേക്ക് പരിചയം | [Python](8-Reinforcement/1-QLearning/README.md) | ദിമിത്രി |
| സംക്ഷേപം | യഥാർത്ഥ ലോക ML സാഹചര്യം, പ്രയോഗങ്ങൾ | [ML in the Wild](9-Real-World/README.md) | ക്ലാസിക്കൽ ML-ന്റെ രസകരവും വെളിപ്പെടുത്തലുമായ യഥാർത്ഥ ലോക പ്രയോഗങ്ങൾ | [പാഠം](9-Real-World/1-Applications/README.md) | ടീം |
| 25 | പീറ്റർ ഓർമിക്കാതെ മൃഗത്തെ ഒഴിവാക്കാൻ സഹായിക്കുക! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | റീന്ഫോഴ്സ്മെന്റ് ലേണിംഗ് ജിം | [Python](8-Reinforcement/2-Gym/README.md) | ദിമിത്രി |
| സംക്ഷേപം | RAI ഡാഷ്ബോർഡ് ഉപയോഗിച്ച് ML മോഡൽ ഡബഗ് ചെയ്യൽ | [ML in the Wild](9-Real-World/README.md) | റസ്പോൺസിബിൾ AI ഡാഷ്ബോർഡ് ഘടകങ്ങൾ ഉപയോഗിച്ച് മെഷീൻ ലേണിങ് മോഡൽ ഡബഗിങ് | [പാഠം](9-Real-World/2-Debugging-ML-Models/README.md) | റുത്ത് യകുബു |
| Postscript | യാഥാർത്ഥ്യത്തിലെ ML സാഹചര്യങ്ങളും പ്രയോഗങ്ങളും | [ML in the Wild](9-Real-World/README.md) | ക്ലാസിക്കൽ ML ന്റെ രസകരവും വെളിച്ചം വിടുന്ന യഥാർത്ഥ ലോക പ്രയോഗങ്ങൾ | [Lesson](9-Real-World/1-Applications/README.md) | ടീം |
| Postscript | RAI ഡാഷ്ബോർഡ് ഉപയോഗിച്ച് ML മോഡൽ ഡീബഗ്ഗിംഗ് | [ML in the Wild](9-Real-World/README.md) | റസ്പോൺസിബിൾ AI ഡാഷ്ബോർഡ് ഘടകങ്ങൾ ഉപയോഗിച്ച് യന്ത്രം പഠന മոդൽ ഡീബഗ്ഗിംഗ് | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | റുത്ത് യാകുബു |
> [ഈ കോഴ്സിന്റെ എല്ലാ അധിക വിഭവങ്ങളും ഞങ്ങളുടെ Microsoft Learn ശേഖരത്തിൽ കാണുക](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [ഈ കോഴ്സിനായുള്ള എല്ലാ അധിക സ്രോതസ്സുകളും ഞങ്ങളുടെ മൈക്രോസോഫ്റ്റ് ലേൺ ശേഖരത്തിൽ കണ്ടെത്തുക](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## ഓഫ്ലൈൻ ആക്സസ്
## ഓഫ്ലൈൻ ആക്സസ്
[Docsify](https://docsify.js.org/#/) ഉപയോഗിച്ച് ഈ ഡോക്യുമെന്റ് ഓഫ്ലൈനായി ഓടിക്കാൻ കഴിയും. ഈ റെപ്പോ ഫോര്ക്ക് ചെയ്യുക, നിങ്ങളുടെ ലോക്കൽ മെഷീനിൽ [Docsify ഇൻസ്റ്റാൾ](https://docsify.js.org/#/quickstart) ചെയ്യുക, തുടർന്ന് ഈ റെപ്പോയുടെ റൂട്ടിൽ `docsify serve` എന്ന കമാൻഡ് ടൈപ്പ് ചെയ്യുക. വെബ്സൈറ്റ് ലോക്കൽഹോസ്റ്റിലെ പോർട്ട് 3000-ൽ സർവ് ചെയ്യപ്പെടും: `localhost:3000`.
[Docsify](https://docsify.js.org/#/) ഉപയോഗിച്ച് ഈ ഡോക്യുമെന്റേഷൻ ഓഫ്ലൈൻ പ്രവർത്തിപ്പിക്കാം. ഈ റീപൊ ഫോർക്ക് ചെയ്ത്, ലൊക്കൽ മെഷീനിൽ [Docsify ഇൻസ്റ്റാൾ](https://docsify.js.org/#/quickstart) ചെയ്യുക, തുടർന്ന് റീപ്പോവിന്റെ റൂട്ടിലെ ഫോൾഡറിൽ `docsify serve` ടൈപ്പ് ചെയ്യുക. വെബ്സൈറ്റ് നിങ്ങൾത്തിന്റെ ലോക്കൽഹോസ്റ്റിൽ പോർട്ട് 3000ൽ സർവ് ചെയ്യും: `localhost:3000`.
## PDFs
## PDF ഫയലുകൾ
പാഠ്യപദ്ധതി pdf രൂപത്തിൽ [ഇവിടെ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) കണ്ടെത്തുക.
ലിങ്കുകൾ ഉൾപ്പെടെയുള്ള പാഠ്യപദ്ധതിയുടെ pdf [ഇവിടെ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) കണ്ടെത്തുക.
## 🎒 മറ്റു കോഴ്സുകൾ
## 🎒 മറ്റ് കോഴ്സുകൾ
ഞങ്ങളുടെ ടീം മറ്റു കോഴ്സുകളും നിർമ്മിക്കുന്നു! പരിശೀಲിക്കുക:
നമ്മുടെ ടീം മറ്റ് കോഴ്സുകൾ ഒരുക്കുന്നു! പരിശോധിക്കുക:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
### ലാംഗ്ചെയിൻ
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](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/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
---
### Azure / Edge / MCP / Agents
### അസ്യൂർ / എഡ്ജ് / MCP / ഏജന്റുകൾ
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](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/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/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-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)
[-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)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](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/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](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://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
മഷീൻ ലേണിംഗ് പഠിക്കുമ്പോഴും എഐ ആപ്ലിക്കേഷനുകൾ വികസിപ്പിക്കുമ്പോഴും തടസ്സമുണ്ടായാൽ അല്ലെങ്കിൽ സംശയങ്ങൾ ഉണ്ടാകുമെങ്കിൽ, വല്ലാതെ വിഷമിക്കേണ്ട. സഹായം ലഭ്യമാണ്.
യന്ത്രം പഠനം പഠിക്കുമ്പോഴും AI ആപ്പുകൾ നിർമ്മിക്കുമ്പോഴും പ്രശ്നങ്ങൾ നേരിടുകയോ സംശയങ്ങൾ ഉണ്ടാകുകയോ ചെയ്താൽ, ആശങ്കപ്പെടേണ്ടതില്ല — സഹായം ലഭ്യമാണ്.
മറ്റുള്ള പഠനക്കാരും ഡെവലപ്പർമാരും ഒത്തു ചർച്ച ചെയ്ത്, ചോദ്യങ്ങൾ ചോദിക്കുകയും, നിങ്ങളുടെ ആശയങ്ങൾ സമൂഹവുമായി പങ്കുവെക്കുകയും ചെയ്യാം.
മറ്റ് പഠനാർത്ഥികളുമായി, ഡെവലപ്പർമാരുമായും ചർച്ചകളിൽ പങ്കെടുത്തു, ചോദ്യങ്ങൾ ചോദിക്കുകയും നിങ്ങളുടെ ആശയങ്ങൾ കമ്മ്യൂണിറ്റിയുമായി പങ്കിടുകയും ചെയ്യാം.
- ചോദ്യങ്ങൾ ചോദിക്കാൻ സമൂഹത്തിലേക്ക് ചേരുക, മറ്റ് ആളുകളുമായി പഠിക്കുക
- ചോദ്യങ്ങൾ ചോദിക്കാൻ, മറ്റുള്ളവരുമായി പഠിക്കാൻ കമ്മ്യൂണിറ്റിയിൽ ചേരുക
- മഷീൻ ലേണിംഗിന്റെ ആശയങ്ങളും പ്രോജക്ട് ആശയങ്ങളും ചർച്ച ചെയ്യുക
- യന്ത്രം പഠന ആശയങ്ങൾക്കും പ്രൊജക്ട് ആശയങ്ങൾക്കും ചർച്ച ചെയ്യുക
- പരിചയസമ്പന്നരായ ഡെവലപ്പർമാരിൽ നിന്ന് മാർഗ്ഗനിർദ്ദേശം നേടുക
- പരിചയസമ്പന്നരായ ഡെവലപ്പർമാരിൽ നിന്ന് മാർഗനിർദ്ദേശം ലഭിക്കുക
ഒരു പിന്തുണയുള്ള സമൂഹം നിങ്ങളുടെ കഴിവുകൾ വികസിപ്പിക്കുന്നതിനും പ്രശ്നങ്ങൾ വേഗത്തിൽ പരിഹരിക്കുന്നതിനും വലിയ സഹായമാണ്.
ഒരു സഹായകരമായ കമ്മ്യൂണിറ്റി നിങ്ങളുടെ കഴിവുകൾ വളർത്താനും പ്രശ്നങ്ങൾ വേഗത്തിൽ പരിഹരിക്കാനും മികച്ച വഴി ആണ്.
ബഗുകൾ, പിശകുകൾ എന്നിവ കണ്ടുപിടിക്കുകയോ, മെച്ചപ്പെടുത്തലുകൾക്കുള്ള നിർദ്ദേശങ്ങൾ നൽകുകയോയുണ്ടെങ്കിൽ, ഈ റിപോസിറ്ററിയിൽ ഒരു**Issue** തുറന്ന് പ്രശ്നം റിപ്പോർട്ട് ചെയ്യാം.
പിശകുകൾ, തെറ്റുകൾ ഉണ്ടെങ്കിൽ അല്ലാതെയുള്ള ശ്രേമ നല്കലുകൾ ഉണ്ടെങ്കിൽ, ഈ റീപോസിറ്ററിയിൽ**Issue** തുറന്ന് പ്രശ്നം റിപ്പോർട്ട് ചെയ്യാം.
ഉൽപ്പന്ന പ്രതികരണത്തിനോ നിലവിലുള്ള കമ്മ്യൂണിറ്റി പോസ്റ്റുകൾ തിരയുന്നതിനോ Developer Forum സന്ദർശിക്കുക:
ഉൽപ്പന്ന പ്രതികരണങ്ങൾക്ക് അല്ലെങ്കിൽ നിലവിലുള്ള കമ്മ്യൂണിറ്റി പോസ്റ്റുകൾ തിരയാൻ, ഡെവലപ്പർ ഫോറം സന്ദർശിക്കുക:
- ഓരോ പാഠത്തിനുശേഷവും നോട്ട്ബുക്കുകൾ ഒന്നു കൂടി പരിശോധിക്കുക മനസ്സിലാക്കാൻ.
- ഓരോ പാഠത്തിനുംശേഷം നോട്ട്ബുക്കുകൾ പരിശോധിച്ച് മികച്ചറിയുക.
- സ്വയം ആൾഗൊരിതങ്ങൾ നടപ്പിലാക്കുന്നതിനായുള്ള പ്രാക്ടീസ് ചെയ്യുക.
- ആൾഗോരിതങ്ങൾ സ്വയം പ്രവർത്തിപ്പിക്കാൻ പരിശീലിക്കുക.
- പഠിക്കപ്പെട്ട ആശയങ്ങൾ ഉപയോഗിച്ച് യഥാർത്ഥ ഡാറ്റാസെറ്റുകൾ പരിശോധിക്കുക.
- പഠിച്ച ആശയങ്ങൾ ഉപയോഗിച്ച് യാഥാർത്ഥ്യ ഡാറ്റാസെറ്റുകൾ പഠിക്കുക.
---
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**അറിവിപ്പത്രം**:
**അറിയിപ്പ്**:
ഈ രേഖ AI തർജ്ജുമാ സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് തർജ്ജുമ ചെയ്തതാണ്. നാം ശരിയായ വിവർത്തനത്തിനായി പരിശ്രമിക്കുന്നുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന തർജ്ജുമയിൽ പിഴവുകൾ അല്ലെങ്കിൽ അശക്തികൾ ഉണ്ടായിരിക്കാമെന്ന് ദയവായി ഓർത്തുക. മാതൃഭാഷയിലുള്ള оригинൽ രേഖയാണ് അതിന്റെ ഔദ്യോഗിക ഉറവിടം പരിഗണിക്കേണ്ടത്. പ്രധാനപ്പെട്ട വിവരങ്ങള്ക്ക്, പ്രൊഫഷണൽ انسانی തർജ്ജുമ നിർദേശിക്കുന്നു. ഈ തർജ്ജുമ ഉപയോഗത്തിൽ നിന്നുള്ള പരస്പര forstå മനസ്സിലാക്കലോ തივ്രമായ തെറ്റിദ്ധാരണകളോക്കും ഞങ്ങൾ ഉത്തരവാദികളല്ല.
ഈ രേഖ AI പരിഭാഷാ സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് പരിഭാഷപ്പെടുത്തിയതാണ്. ഞങ്ങൾ കൃത്യതയ്ക്കായി ശ്രമിക്കുന്നുവെങ്കിലും, ഓട്ടോമേറ്റഡ് പരിഭാഷകളിൽ പിഴവുകൾ അല്ലെങ്കിൽ തെറ്റായ വിവരങ്ങൾ ഉണ്ടാകാൻ സാധ്യതയുണ്ട്. അതിന്റെ സ്വാഭാവിക ഭാഷയിലുള്ള അസൽ രേഖയാണ് പ്രാമാണികമായ ഉറവിടമായി പരിഗണിക്കേണ്ടത്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ പരിഭാഷ ശുപാർശ ചെയ്യുന്നു. ഈ പരിഭാഷ ഉപയോഗിച്ച് ഉണ്ടാകുന്ന തെറ്റിദ്ധാരണകൾ അല്ലെങ്കിൽ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കായി ഞങ്ങൾ ഉത്തരവാദികളല്ല.
ഈ പാഠ്യപദ്ധതി നിങ്ങളുടെ ക്ലാസ്സില് ഉപയോഗിക്കണോ? ദയവായി സ്വതന്ത്രമായി ഉപയോഗിക്കൂ!
നിങ്ങൾ ഈ പാഠ്യപദ്ധതി നിങ്ങളുടെ ക്ലാസിൽ ഉപയോഗിക്കാൻ ആഗ്രഹിക്കുന്നുണ്ടോ? தயവായി സ്വതന്ത്രമായി ഉപയോഗിക്കൂ!
വാസ്തവത്തില്, GitHub Classroom ഉപയോഗിച്ച് GitHub-ലും ഇത് ഉപയോഗിക്കാം.
വസ്തുതയിൽ, GitHub ക്ലാസ്റൂം ഉപയോഗിച്ച് GitHub-ല് തന്നെ ഇത് ഉപയോഗിക്കാം.
അതിനായി, ഈ റിപോ ഫോര്ക്ക് ചെയ്യുക. ഓരോ പാഠത്തിനും ഒരു റിപോ സൃഷ്ടിക്കേണ്ടതുണ്ട്, അതിനാല് ഓരോ ഫോള്ഡറും വേര്പെടുത്തി ഒരു റിപോ ആയി മാറ്റേണ്ടതുണ്ട്. അങ്ങനെ, [GitHub Classroom](https://classroom.github.com/classrooms) ഓരോ പാഠവും വേര്പെടുത്തി സ്വീകരിക്കാം.
അത് ചെയ്യാൻ, ഈ റീപോ ഫോർക്ക് ചെയ്യുക. ഓരോ പാഠത്തിനും ഒരു റീപോ സൃഷ്ടിക്കേണ്ടതുണ്ടാകും, അതിനാൽ ഓരോ ഫോൾഡറും പ്രത്യേകം റീപോ ആയി വേർതിരിക്കാൻ നിങ്ങളെ ആവശ്യം വരും. അങ്ങനെ [GitHub Classroom](https://classroom.github.com/classrooms) ഓരോ പാഠവും പ്രത്യേകം കണ്ടെത്തും.
ഈ [പൂര്ണ നിര്ദ്ദേശങ്ങള്](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) നിങ്ങളുടെ ക്ലാസ്സ്റൂം എങ്ങനെ സജ്ജമാക്കാമെന്ന് ഒരു ആശയം നല്കും.
ഈ [പൂർണ നിർദേശങ്ങൾ](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) നിങ്ങളുടെ ക്ലാസ്റൂം എങ്ങനെ സജ്ജീകരിക്കാമെന്ന് ഒരു ആശയം നൽകും.
## നിലവിലുള്ള റിപോ ഉപയോഗിക്കുന്നത്
## ഈ റീപോ നിലവിലുള്ളവണ്ണം ഉപയോഗിക്കുന്നത്
GitHub Classroom ഉപയോഗിക്കാതെ ഈ റിപോ നിലവിലുള്ള രൂപത്തില് ഉപയോഗിക്കണമെങ്കില് അത് സാധ്യമാണ്. ഏത് പാഠം ഒന്നിച്ച് പഠിക്കണമെന്ന് നിങ്ങളുടെ വിദ്യാര്ത്ഥികളുമായി സംവദിക്കേണ്ടതുണ്ട്.
GitHub ക്ലാസ്റൂം ഉപയോഗിച്ചിരിക്കാതെയാണ് നിങ്ങൾ ഈ റീപോ ഉപയോഗിക്കാൻ ആഗ്രഹിക്കുന്നത് എങ്കിൽ ഇത് ചെയ്യാം. ഏത് പാഠം വിദ്യാർത്ഥികൾക്കൊപ്പം ഒരുമിച്ച് തുടരണമെന്ന് നിങ്ങൾ അവരോടു സംവദിക്കണം.
ഓണ്ലൈന് ഫോര്മാറ്റില് (Zoom, Teams, അല്ലെങ്കില് മറ്റേതെങ്കിലും) ക്വിസുകള്ക്കായി ബ്രേക്ക്ഔട്ട് റൂമുകള് രൂപീകരിച്ച്, വിദ്യാര്ത്ഥികളെ പഠനത്തിന് തയ്യാറാക്കാന് മെന്റര് ചെയ്യാം. പിന്നീട് ക്വിസുകള്ക്ക് വിദ്യാര്ത്ഥികളെ ക്ഷണിച്ച്, ഒരു നിശ്ചിത സമയത്ത് അവരുടെ ഉത്തരം 'issues' ആയി സമര്പ്പിക്കാം. സമാനമായി അസൈന്മെന്റുകള് കൂടി, വിദ്യാര്ത്ഥികള് തുറന്നിടത്ത് സഹകരിച്ച് പ്രവര്ത്തിക്കാന് ആഗ്രഹിക്കുന്നുവെങ്കില് ചെയ്യാം.
ഓൺലൈനിൽ (Zoom, Teams, അല്ലെങ്കിൽ മറ്റേതോ) നിങ്ങൾ ക്വിസുകൾക്കായി ബ്രേക്ഔട്ട് റൂംസ് സൃഷ്ടിച്ച്, വിദ്യാർത്ഥികളെ പഠിക്കാൻ സജ്ജമാക്കാൻ മെന്റർ ചെയ്യാം. പിന്നീട് വിദ്യാർത്ഥികളെ ക്വിസുകൾ എടുക്കാൻ ക്ഷണിച്ച് അവയുടെ ഉത്തരങ്ങൾ 'issues' ആയി ഒരു നിശ്ചിത സമയത്ത് സമർപ്പിക്കാൻ പറയാം. നിങ്ങൾക്ക് വിദ്യാർത്ഥികൾ സഹകരിച്ച് തുറന്നുവെച് പ്രവർത്തിക്കുന്നുണ്ടാകണമെങ്കിൽ അസൈൻമെന്റുകളും സമാനമായി നടത്താം.
കൂടുതല് സ്വകാര്യമായ ഫോര്മാറ്റ് ഇഷ്ടപ്പെടുന്നുവെങ്കില്, നിങ്ങളുടെ വിദ്യാര്ത്ഥികളെ പാഠംപ്രതി ഈ പാഠ്യപദ്ധതി ഫോര്ക്ക് ചെയ്ത് അവരുടെ സ്വന്തം GitHub റിപോകളില് സ്വകാര്യ റിപോകളായി സൃഷ്ടിച്ച് നിങ്ങള്ക്ക് ആക്സസ് നല്കാന് പറയുക. പിന്നീട് അവർ ക്വിസുകളും അസൈന്മെന്റുകളും സ്വകാര്യമായി പൂര്ത്തിയാക്കി നിങ്ങളുടെ ക്ലാസ്സ്റൂം റിപോയിലെ issues വഴി സമര്പ്പിക്കാം.
കൂടുതൽ സ്വകാര്യമായ രീതിയിൽ നടത്താൻ നിങ്ങൾ ആഗ്രഹിക്കുന്നെങ്കിൽ, ഓരോ പാഠവും സ്വകാര്യ GitHub റീപോ ആയി വിദ്യാർത്ഥികൾക്കായി ഫോർക്ക് ചെയ്തു, നിങ്ങളെ ആക്സസ് നൽകാൻ പറയുക. പിന്നീട് അവർ ക്വിസുകൾക്കും അസൈൻമെന്റുകൾക്കും സ്വകാര്യമായി പൂർത്തിയാക്കി നിങ്ങളുടെ ക്ലാസ്റൂം റീപോയിൽ issues വഴി നിങ്ങൾക്ക് സമർപ്പിക്കാം.
ഓണ്ലൈന് ക്ലാസ്സ്റൂം ഫോര്മാറ്റില് ഇത് പ്രവര്ത്തിപ്പിക്കാന് നിരവധി മാര്ഗ്ഗങ്ങളുണ്ട്. നിങ്ങള്ക്ക് ഏറ്റവും അനുയോജ്യമായത് എന്താണെന്ന് ഞങ്ങളെ അറിയിക്കുക!
ഓൺലൈനിലുള്ള ക്ലാസ്റൂം ഫോർമാറ്റിൽ ഇത് നടത്താനുള്ള പല മാർഗങ്ങളുണ്ട്. നിങ്ങൾക്ക് ഏത് മികച്ചതായി തോന്നുന്നു എന്ന് ഞങ്ങൾക്ക് അറിയിക്കുക!
## ദയവായി നിങ്ങളുടെ അഭിപ്രായങ്ങള് നല്കൂ!
## ദയവായി നിങ്ങളുടെ അഭിപ്രായങ്ങൾ പങ്കുവെക്കൂ!
ഈ പാഠ്യപദ്ധതി നിങ്ങളുടെയും നിങ്ങളുടെ വിദ്യാര്ത്ഥികളുടെയും ആവശ്യങ്ങള്ക്ക് അനുയോജ്യമായതാക്കാന് ഞങ്ങള് ആഗ്രഹിക്കുന്നു. ദയവായി ഞങ്ങള്ക്ക് [പ്രതികരണം](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u) നല്കൂ.
ഞങ്ങൾ ഈ പാഠ്യപദ്ധതി നിങ്ങൾക്കും നിങ്ങളുടെ വിദ്യാർത്ഥികൾക്കും പ്രവർത്തനക്ഷമമാക്കാൻ ആഗ്രഹിക്കുന്നു. ദയവായി ഞങ്ങൾക്ക് [പ്രതികരണം](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u) നൽകൂ.
---
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**അസൂയാപത്രം**:
**അറിയിപ്പ്**:
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, യന്ത്രം ചെയ്ത വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് കരുതേണ്ടതാണ്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ വ്യാഖ്യാനക്കേടുകൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
ഈ രേഖ AI പരിഭാഷാ സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് പരിഭാഷപ്പെടുത്തിയതാണ്. ഞങ്ങൾ കൃത്യതയ്ക്കായി ശ്രമിക്കുന്നുവെങ്കിലും, ഓട്ടോമേറ്റഡ് പരിഭാഷകളിൽ പിഴവുകൾ അല്ലെങ്കിൽ തെറ്റായ വിവരങ്ങൾ ഉണ്ടാകാൻ സാധ്യതയുണ്ട്. അതിന്റെ സ്വാഭാവിക ഭാഷയിലുള്ള അസൽ രേഖയാണ് പ്രാമാണികമായ ഉറവിടമായി പരിഗണിക്കേണ്ടത്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ പരിഭാഷ ശുപാർശ ചെയ്യുന്നു. ഈ പരിഭാഷ ഉപയോഗിച്ച് ഉണ്ടാകുന്ന തെറ്റിദ്ധാരണകൾ അല്ലെങ്കിൽ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കായി ഞങ്ങൾ ഉത്തരവാദികളല്ല.
## [పాఠం ముందు క్విజ్](https://ff-quizzes.netlify.app/en/ml/)
---
---
[](https://youtu.be/N6wxM4wZ7V0 "ప్రారంభికుల కోసం ML - మెషీన్ లెర్నింగ్ చరిత్ర")
[](https://youtu.be/N6wxM4wZ7V0 "ప్రారంభికుల కోసం ML - మెషీన్ లెర్నింగ్ చరిత్ర")
> 🎥 ఈ పాఠం ద్వారా పనిచేసే చిన్న వీడియో కోసం పై చిత్రాన్ని క్లిక్ చేయండి.
> 🎥 ఈ పాఠంలో పనిచేసే చిన్న వీడియో కోసం పై చిత్రంపై క్లిక్ చేయండి.
ఈ పాఠంలో, మేము మెషీన్ లెర్నింగ్ మరియు ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ చరిత్రలో ప్రధాన మైలురాళ్లను పరిశీలిస్తాము.
ఈ పాఠంలో, మేము మెషీన్ లెర్నింగ్ మరియు ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ చరిత్రలో ప్రధాన మైలురాళ్లను పరిశీలిస్తాము.
ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) రంగంగా చరిత్ర మెషీన్ లెర్నింగ్ చరిత్రతో అనుసంధానంగా ఉంది, ఎందుకంటే ML ఆధారంగా ఉన్న అల్గోరిథమ్స్ మరియు కంప్యూటేషనల్ అభివృద్ధులు AI అభివృద్ధికి సహకరించాయి. ఈ రంగాలు 1950లలో ప్రత్యేక పరిశోధనా ప్రాంతాలుగా crystallize కావడం ప్రారంభమైనప్పటికీ, ముఖ్యమైన [అల్గోరిథమిక్, గణాంక, గణిత, కంప్యూటేషనల్ మరియు సాంకేతిక ఆవిష్కరణలు](https://wikipedia.org/wiki/Timeline_of_machine_learning) ఈ కాలాన్ని మించి మరియు సమాంతరంగా ఉన్నాయి. వాస్తవానికి, ఈ ప్రశ్నల గురించి మనుషులు [నూరేళ్లుగా](https://wikipedia.org/wiki/History_of_artificial_intelligence) ఆలోచిస్తున్నారు: ఈ వ్యాసం 'ఆలోచించే యంత్రం' అనే ఆలోచన యొక్క చారిత్రక మేధో ఆధారాలను చర్చిస్తుంది.
ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) రంగంగా ఉన్న చరిత్ర మెషీన్ లెర్నింగ్ చరిత్రతో కలిసి ఉంటుంది, ఎందుకంటే ML ని ఆధారపెట్టే అల్గోరిథములు మరియు గణనీయ ప్రగతులు AI అభివృద్ధికి తోడ్పడుతున్నాయి. ఈ రంగాలు 1950లలో వేరువేరుగా పరిశోధనా ప్రాంతాలుగా ప్రారంభమైనప్పటికీ, ముఖ్యమైన [అల్గోరిథమిక్, గణాంకా, గణిత, గణనీయ మరియు సాంకేతిక ఆవిష్కరణలు](https://wikipedia.org/wiki/Timeline_of_machine_learning) ఈ కాలాన్ని మించిపోయి సంభవించాయి మరియు అంతటికంటే ముందు కూడా ఉన్నాయి. నిజానికి, ఈ ప్రశ్నల గురించి ప్రజలు [వందల సంవత్సరాలుగా](https://wikipedia.org/wiki/History_of_artificial_intelligence) ఆలోచిస్తున్నారు: ఈ వ్యాసం 'ఆలోచించే యంత్రం' అనే ఆలోచన యొక్క చారిత్రక బౌద్ధిక పునాదులను చర్చిస్తుంది.
---
---
## ముఖ్యమైన ఆవిష్కరణలు
## ముఖ్యమైన ఆవిష్కరణలు
- 1763, 1812 [బేస్ సిద్ధాంతం](https://wikipedia.org/wiki/Bayes%27_theorem) మరియు దాని పూర్వీకులు. ఈ సిద్ధాంతం మరియు దాని అనువర్తనాలు అనుమానాన్ని ఆధారపడి, ఒక సంఘటన జరిగే సంభావ్యతను వివరించును.
- 1763, 1812 [బేస్ సిద్ధాంతం](https://wikipedia.org/wiki/Bayes%27_theorem) మరియు దానికి సంబంధించిన ముందస్తు ఆవిష్కరణలు. ఈ సిద్ధాంతం మరియు దాని వినియోగాలు ప్రత్యక్షం మీద ఆధారపడే సంఘటన సంభవించే సంభావ్యతను వివరించేందుకు ఉపయోగపడతాయి.
- 1805 [లీస్ట్ స్క్వేర్ సిద్ధాంతం](https://wikipedia.org/wiki/Least_squares) ఫ్రెంచ్ గణిత శాస్త్రజ్ఞుడు అడ్రియన్-మారీ లెజాండ్రే ద్వారా. ఈ సిద్ధాంతం, మీరు మా రిగ్రెషన్ యూనిట్లో నేర్చుకుంటారు, డేటా ఫిట్టింగ్లో సహాయపడుతుంది.
- 1805 ఫ్రెంచ్ గణిత శాస్త్రజ్ఞుడు ఆద్రియన్-మారీ లెజాండ్ ద్వారా [లీస్ట్ స్క్వేర్ సిద్ధాంతం](https://wikipedia.org/wiki/Least_squares). మీరు మా రిగ్రెషన్ యూనిట్లో దీనిని నేర్చుకుంటారు, ఇది డేటాను సరిపోల్చడంలో సహాయపడుతుంది.
- 1913 [మార్కోవ్ చైన్స్](https://wikipedia.org/wiki/Markov_chain), రష్యన్ గణిత శాస్త్రజ్ఞుడు ఆండ్రే మార్కోవ్ పేరుతో, ఒక గత స్థితిపై ఆధారపడి సంభవించే సంఘటనల శ్రేణిని వివరించడానికి ఉపయోగిస్తారు.
- 1913 రష్యన్ గణిత శాస్త్రజ్ఞుడు ఆండ్రే మార్కోవ్ పేరు మీద [మార్కోవ్ చైన్లు](https://wikipedia.org/wiki/Markov_chain), ఇది గత స్థితిపై ఆధారపడి సంభావ్య సంఘటనల శ్రేణిని వివరించడానికి ఉపయోగిస్తారు.
- 1957 [పర్సెప్ట్రాన్](https://wikipedia.org/wiki/Perceptron) అమెరికన్ సైకాలజిస్ట్ ఫ్రాంక్ రోజెన్బ్లాట్ ఆవిష్కరించిన ఒక రేఖీయ వర్గీకరణ పద్ధతి, దీని ఆధారంగా డీప్ లెర్నింగ్ అభివృద్ధి జరిగింది.
- 1957 అమెరికన్ మానసిక శాస్త్రవేత్త ఫ్రాంక్ రోసెన్బ్లాట్ ఆవిష్కరించిన ఒక రకమైన రేఖీయ వర్గీకరణ విధానం [పర్సెప్ట్రాన్](https://wikipedia.org/wiki/Perceptron), ఇది డీప్ లెర్నింగ్ అభివృద్ధికి ఆధారం.
---
---
- 1967 [నియరెస్ట్ నైబర్](https://wikipedia.org/wiki/Nearest_neighbor) మొదట రూట్లను మ్యాప్ చేయడానికి రూపొందించిన అల్గోరిథం. ML సందర్భంలో ఇది నమూనాలను గుర్తించడానికి ఉపయోగిస్తారు.
- 1967 [నియర్స్ట నైబర్](https://wikipedia.org/wiki/Nearest_neighbor) ఒక అల్గోరిథం, మొదట భూమీ పుట మార్గాలు మ్యాప్ చేయడానికి రూపొందించబడింది. ML పరిధిలో ఇది నమూనాలను గుర్తించడంలో ఉపయోగిస్తారు.
- 1970 [బ్యాక్ప్రొపగేషన్](https://wikipedia.org/wiki/Backpropagation) [ఫీడ్ఫార్వర్డ్ న్యూరల్ నెట్వర్క్స్](https://wikipedia.org/wiki/Feedforward_neural_network) శిక్షణకు ఉపయోగిస్తారు.
- 1970 [బాక్ప్రొపగేషన్](https://wikipedia.org/wiki/Backpropagation) [ఫీట్ఫార్వర్డ్ న్యూరల్ నెట్వర్క్స్](https://wikipedia.org/wiki/Feedforward_neural_network)ను శిక్షణ ఇవ్వడానికి ఉపయోగిస్తారు.
- 1982 [రికరెంట్ న్యూరల్ నెట్వర్క్స్](https://wikipedia.org/wiki/Recurrent_neural_network) ఫీడ్ఫార్వర్డ్ న్యూరల్ నెట్వర్క్స్ నుండి ఉద్భవించిన కృత్రిమ న్యూరల్ నెట్వర్క్స్, ఇవి కాలానుగుణ గ్రాఫ్లను సృష్టిస్తాయి.
- 1982 [రეკరెంట్ న్యూరల్ నెట్వర్క్స్](https://wikipedia.org/wiki/Recurrent_neural_network) ఫీట్ఫార్వర్డ్ న్యూరల్ నెట్వర్క్ల నుండి ఉత్పన్నమయ్యిన ఆర్టిఫిషియల్ న్యూరల్ నెట్వర్క్లు, ఇవి కాల తర సంబంధ గ్రాఫ్లను సృష్టిస్తాయి.
✅ కొంత పరిశోధన చేయండి. ML మరియు AI చరిత్రలో మరే ఇతర తేదీలు కీలకమైనవిగా కనిపిస్తున్నాయా?
✅ కొద్దిగా పరిశోధన చేయండి. మెషీన్ లెర్నింగ్ మరియు AI చరిత్రలో మరిన్ని కీలక రუჩిక రోజులేమిటో తెలుసుకోండి.
---
---
## 1950: ఆలోచించే యంత్రాలు
## 1950: ఆలోచించే యంత్రాలు
అలన్ ట్యూరింగ్, 2019లో [ప్రజల చేత](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) 20వ శతాబ్దంలో గొప్ప శాస్త్రవేత్తగా ఎన్నుకోబడిన అసాధారణ వ్యక్తి, 'ఆలోచించే యంత్రం' అనే భావనకు పునాది వేసినవాడిగా గుర్తించబడ్డాడు. ఈ భావనకు సంబంధించిన అనుమానాలను మరియు తన స్వంత అనుభవ ఆధారాలను ఎదుర్కొంటూ, [ట్యూరింగ్ టెస్ట్](https://www.bbc.com/news/technology-18475646) ను సృష్టించాడు, దీన్ని మీరు మా NLP పాఠాలలో అన్వేషిస్తారు.
అలన్ ట్యూరింగ్, 20వ శతాబ్దపు అగ్రశ్రేణి శాస్త్రవేత్తగా [ ప్రజల చేత 2019లో](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) ఎన్నుకోబడ్డ అద్భుత వ్యక్తి, 'ఆలోచించే యంత్రం' అనే భావనకు ప్రాతిపదిక వేసిన వ్యక్తిగా గుర్తించబడుతాడు. ఈ భావనకు సాక్ష్యాలతో ఎదుర్కొనడానికి అతను [ట్యూరింగ్ పరీక్ష](https://www.bbc.com/news/technology-18475646)ని సృష్టించాడు, దీన్ని మీరు మా NLP పాఠాలలో అన్వేషిస్తారు.
---
---
## 1956: డార్ట్మౌత్ సమ్మర్ రీసెర్చ్ ప్రాజెక్ట్
## 1956: డార్తమ్ సం స 연구 프로젝트
"డార్ట్మౌత్ సమ్మర్ రీసెర్చ్ ప్రాజెక్ట్ ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ పై ఒక ప్రాముఖ్యమైన సంఘటన," మరియు ఇక్కడే 'ఆర్టిఫిషియల్ ఇంటెలిజెన్స్' అనే పదం రూపొందించబడింది ([మూలం](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
"డార్తమ్ సమ్మర్ రీసెర్చ్ ప్రాజెక్ట్ ఆన్ ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ ఒక రంగంగా ఆర్టిఫిషియల్ ఇంటలిజెన్స్ కోసం సంకేతాత్మక సంఘటన," ఇక్కడే 'ఆర్టిఫిషియల్ ఇంటెలిజెన్స్' అనే పదం కనిపించింది ([ మూలం ](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
> నేర్చుకునే ప్రతి అంశం లేదా ఇంటెలిజెన్స్ యొక్క ఏ ఇతర లక్షణం సూత్రంగా అంతగా ఖచ్చితంగా వివరించబడవచ్చు, అప్పుడు ఒక యంత్రం దాన్ని అనుకరించగలదు.
> నేర్చుకోవడమనేది లేదా బుద్ధి యొక్క ఇతర లక్షణం ఏదైనా సూత్రప్రాయంగా అంతగా వివరించబడగలదు, యంత్రం దాన్ని అనుకరించగలదు.
---
---
ముఖ్య పరిశోధకుడు, గణిత శాస్త్ర ప్రొఫెసర్ జాన్ మెకార్తీ, "నేర్చుకునే ప్రతి అంశం లేదా ఇంటెలిజెన్స్ యొక్క ఏ ఇతర లక్షణం సూత్రంగా అంతగా ఖచ్చితంగా వివరించబడవచ్చు, అప్పుడు ఒక యంత్రం దాన్ని అనుకరించగలదు" అనే ఊహాపోకును ఆధారంగా ముందుకు సాగాలని ఆశించాడు. పాల్గొనేవారిలో మరొక ప్రముఖుడు మార్విన్ మిన్స్కీ కూడా ఉన్నారు.
ప్రధాన పరిశోధకుడు గణితం అధ్యాపకుడు జాన్ మాకార్థి, "నిలువుతున్న పునాది మీద ముందడుగు వేయాలని ఆశించారు, నేర్చుకోవడమంతా లేదా తెలివి లక్షణం సూత్రప్రాయంగా అంతగా వివరించబడితే యంత్రం దాన్ని అనుకరించగలదు". ఇందులో మరొక ప్రముఖుడు మార్విన్ మిన్స్కీ కూడా భాగము.
ఈ వర్క్షాప్ "సింబాలిక్ పద్ధతుల పెరుగుదల, పరిమిత డొమైన్లపై కేంద్రీకృత వ్యవస్థలు (ప్రారంభ నిపుణుల వ్యవస్థలు), మరియు డెడక్టివ్ వ్యవస్థలు వర్సెస్ ఇండక్టివ్ వ్యవస్థలు" వంటి చర్చలను ప్రారంభించి ప్రోత్సహించిందని గుర్తించబడింది ([మూలం](https://wikipedia.org/wiki/Dartmouth_workshop)).
వర్క్షాప్ లక్షణాత్మక పద్ధతుల ఎదుగుదలను ప్రేరేపించినట్టు కూడా చెప్పబడింది, ఇందులో "సంకేతాత్మక పద్ధతులు, పరిమిత ప్రాంతాలపై కేంద్రీకృత వ్యవస్థలు (ప్రారంభ నిపుణుల వ్యవస్థలు), మరియు గణనాత్మక విశ్లేషణ వ్యతిరేక పద్ధతులు" చర్చలూ ఉన్నాయి. ([ మూలం ](https://wikipedia.org/wiki/Dartmouth_workshop)).
---
---
## 1956 - 1974: "సువర్ణ యుగం"
## 1956 - 1974: "సువర్ణ యుగం"
1950ల నుండి మధ్య 70లవరకు, AI అనేక సమస్యలను పరిష్కరించగలదని ఆశలు ఎక్కువగా ఉండేవి. 1967లో, మార్విన్ మిన్స్కీ ధైర్యంగా "ఒక తరం లోపల ... 'ఆర్టిఫిషియల్ ఇంటెలిజెన్స్' సృష్టించే సమస్య సార్వత్రికంగా పరిష్కరించబడుతుంది" అని ప్రకటించాడు. (మిన్స్కీ, మార్విన్ (1967), కంప్యూటేషన్: ఫైనైట్ అండ్ ఇన్ఫినైట్ మెషీన్స్, ఎంగిల్వుడ్ క్లిఫ్స్, N.J.: ప్రెంటిస్-హాల్)
1950ల నుండి మధ్య 70లవరకు, AI అనేక సమస్యలను పరిష్కరించగలనని ఆశలు ఉన్నట్లు ఉన్నవి. 1967లో మార్విన్ మిన్స్కీ ధైర్యంగా పేర్కొన్నారు, "ఒక తరం లోపల ... 'ఆర్టిఫిషియల్ ఇంటెలిజెన్స్' సృష్టించడంలో సమస్యలు సాదారణంగా పరిష్కరించబడతాయి." (మిన్స్కీ, మార్విన్ (1967), కంప్యూటేషన్: ఫినైట్ అండ్ ఇన్ఫినిట్ మెషీన్స్, ఎంగిల్వుడ్ క్లిఫ్స్, N.J.: ప్రెంటిస్-హాల్)
ప్రాకృతిక భాషా ప్రాసెసింగ్ పరిశోధన అభివృద్ధి చెందింది, శోధన మెరుగుపడింది మరియు శక్తివంతమైంది, మరియు 'మైక్రో-ప్రపంచాలు' అనే భావన సృష్టించబడింది, ఇక్కడ సాదా పనులు సాదా భాషా సూచనలతో పూర్తయ్యాయి.
సహజ భాషా ప్రాసెసింగ్ పరిశోధన విజృంభించింది, శోధన మరింత శక్తివంతమయ్యింది, మరియు 'మైక్రో-విశ్వాలు' అనే భావన సృష్టించబడింది, ఇక్కడ కొత్త పనులు సాధారణ భాషా సూచనలతో పూర్తి చేయబడ్డాయి.
---
---
ప్రభుత్వ సంస్థల ద్వారా పరిశోధనకు మంచి నిధులు అందించబడ్డాయి, కంప్యూటేషన్ మరియు అల్గోరిథమ్స్లో పురోగతి సాధించబడింది, మరియు తెలివైన యంత్రాల నమూనాలు నిర్మించబడ్డాయి. ఈ యంత్రాలలో కొన్ని:
పరిశోధన ప్రభుత్వ సంస్థల ద్వారా బాగా నిధి పొందింది, గణనశక్తి మరియు అల్గోరిథముల అభివృద్ధి జరిగింది, మరియు తెలివైన యంత్రాల నమూనాలు నిర్మించబడ్డాయి. కొన్ని యంత్రాలు:
* [షేకీ రోబోట్](https://wikipedia.org/wiki/Shakey_the_robot), ఇది చురుకైన విధంగా పనులు చేయగలదు మరియు నిర్ణయాలు తీసుకోగలదు.
* [షేకీ రోబోట్](https://wikipedia.org/wiki/Shakey_the_robot), ఎక్కడు మెలుకు తీసుకుని పనులు 'తెలివిగా' చేయగలిగింది.
* ఎలిజా, ఒక ప్రారంభ 'చాటర్బాట్', ప్రజలతో సంభాషించగలదు మరియు ప్రాథమిక 'థెరపిస్ట్'గా పనిచేయగలదు. మీరు NLP పాఠాలలో ఎలిజా గురించి మరింత తెలుసుకుంటారు.
* ఎలిజా, ఒక ప్రారంభ 'చాటర్బాట్', ప్రజలతో సంభాషించగలిగింది మరియు ప్రాథమిక 'థెరపిస్ట్'గా వ్యవహరించింది. మీరు NLP పాఠాల్లో ఎలిజా గురించి మరింత తెలుసుకుంటారు.
> ఎలిజా యొక్క ఒక వెర్షన్, ఒక చాట్బాట్
> ఎలిజా యొక్క ఒక వెర్షన్, చాట్బాట్
---
---
* "బ్లాక్స్ వరల్డ్" అనేది ఒక మైక్రో-ప్రపంచం ఉదాహరణ, ఇక్కడ బ్లాక్స్ను క్రమబద్ధీకరించి, యంత్రాలను నిర్ణయాలు తీసుకోవడానికి శిక్షణ ఇవ్వడం పరీక్షించబడింది. [SHRDLU](https://wikipedia.org/wiki/SHRDLU) వంటి లైబ్రరీలతో అభివృద్ధి భాషా ప్రాసెసింగ్ను ముందుకు తీసుకెళ్లింది.
* "బ్లాక్స్ వరల్డ్" ఒక మైక్రో-విశ్వ ఉదాహరణ, ఇక్కడ బ్లాక్స్ నిల్వ చేసి వర్గీకరించవచ్చునని మరియు యంత్రాలను నిర్ణయాలు తీసుకునేలా నేర్పే ప్రయోగాలు జరపబడతాయి. [SHRDLU](https://wikipedia.org/wiki/SHRDLU) వంటి గ్రంథాలయాలతో అభివృద్ధులు భాషా ప్రాసెసింగ్ను ముందుకు తీసుకెళ్లాయి.
> 🎥 వీడియో కోసం పై చిత్రాన్ని క్లిక్ చేయండి: SHRDLUతో బ్లాక్స్ వరల్డ్
> 🎥 పై చిత్రంపై క్లిక్ చేయండి వీడియో కోసం: SHRDLUతో బ్లాక్స్ వరల్డ్
---
---
## 1974 - 1980: "AI శీతాకాలం"
## 1974 - 1980: "AI శీతాకాలం"
1970ల మధ్యలో, 'తెలివైన యంత్రాలు' తయారీలో ఉన్న క్లిష్టత తక్కువగా అంచనా వేయబడిందని మరియు అందుబాటులో ఉన్న కంప్యూట్ శక్తి పరిమితి కారణంగా వాగ్దానం అధికంగా చూపబడిందని స్పష్టమైంది. నిధులు తగ్గిపోయాయి మరియు రంగంపై నమ్మకం తగ్గింది. నమ్మకాన్ని ప్రభావితం చేసిన కొన్ని సమస్యలు:
1970ల మధ్యలో, 'తెలివైన యంత్రాలు' సృష్టించడంలో క్లిష్టత తక్కువ అంచనా వేసినట్లు మారింది మరియు అందుబాటులో ఉన్న కంప్యూట్ శక్తి మార్చడంలో పెద్ద ప్రమాణంలో వాగ్దానం తప్పిపోయింది. నిధులు తగ్గిపోయాయి మరియు రంగం పట్ల నమ్మకం తగ్గిపోయింది. నమ్మకంపై ప్రభావం చూపిన కొన్ని సమస్యలు:
---
---
- **పరిమితులు**. కంప్యూట్ శక్తి చాలా పరిమితంగా ఉంది.
- **పరిమితులు**. కంప్యూట్ శక్తి చాల తక్కువ.
- **కాంబినేటోరియల్ పేలుడు**. కంప్యూటర్లకు ఎక్కువగా అడిగిన కొద్దీ శిక్షణకు అవసరమైన పారామితులు గణనీయంగా పెరిగాయి, కానీ కంప్యూట్ శక్తి మరియు సామర్థ్యం సమాంతరంగా అభివృద్ధి కాలేదు.
- **కాంబినేటోరియల్ పేలుడు**. కంప్యూటర్ల నుంచి బాగా అడగబడడమే పెరిగినప్పుడూ శిక్షణ పొందాల్సిన పరామితులు పెద్ద సంఖ్యలో పెరిగాయి, కానీ కంప్యూట్ శక్తి మరియు సామర్థ్యం సమాంతరంగా పెరగలేదు.
- **డేటా కొరత**. అల్గోరిథమ్స్ను పరీక్షించడం, అభివృద్ధి చేయడం మరియు మెరుగుపరచడం లో డేటా కొరత అడ్డంకిగా నిలిచింది.
- ** డేటా చాలా తక్కువ **. అల్గోరిథముల పరీక్ష, అభివృద్ధి మరియు తీర్చిదిద్దడం అంతరాయం కలిగింది.
- **మనం సరైన ప్రశ్నలు అడుగుతున్నామా?**. అడిగే ప్రశ్నలపై కూడా సందేహాలు వచ్చాయి. పరిశోధకులు తమ విధానాలపై విమర్శలు ఎదుర్కొన్నారు:
- **మనం సరైన ప్రశ్నలు అడుగుతున్నామా?**. అడిగిన ప్రశ్నలే ఆందోళన కలిగించాయి. పరిశోధకుల దృష్టికోణాలపై విమర్శలు వచ్చాయి:
- ట్యూరింగ్ టెస్టులు 'చైనీస్ రూమ్ థియరీ' వంటి ఆలోచనల ద్వారా ప్రశ్నించబడ్డాయి, ఇది "డిజిటల్ కంప్యూటర్ ప్రోగ్రామింగ్ భాషను అర్థం చేసుకున్నట్లు కనిపించవచ్చు కానీ నిజమైన అర్థం ఇవ్వలేడు" అని సూచిస్తుంది. ([మూలం](https://plato.stanford.edu/entries/chinese-room/))
- ట్యూరింగ్ పరీక్షలు ఇతర ఆలోచనలతో కూడిన 'చైనీస్ రూమ్ థియరీ' వల్ల సందేహాలు పొందాయి, దీనికి అనుగుణంగా "డిజిటల్ కంప్యూటర్ ప్రోగ్రామింగ్ భాషను అర్ధం చేసుకున్నట్టు చూపించవచ్చు కానీ నిజమైన అర్ధం ఇవ్వదు." ([ మూలం ](https://plato.stanford.edu/entries/chinese-room/))
- "థెరపిస్ట్" ఎలిజా వంటి ఆర్టిఫిషియల్ ఇంటెలిజెన్సెస్ను సమాజంలో ప్రవేశపెట్టడంపై నైతికత ప్రశ్నించబడింది.
- "థెరపిస్ట్" ఎలిజా వంటి ఆర్టిఫిషియల్ ఇంటెలిజెన్స్లను సమాజంలో ప్రవేశపెట్టడంపై నైతికతమీద సవాలు వచ్చింది.
---
---
అదే సమయంలో, వివిధ AI ఆలోచనా పాఠశాలలు ఏర్పడటం ప్రారంభమయ్యాయి. ["స్క్రఫీ" వర్సెస్ "నీట్ AI"](https://wikipedia.org/wiki/Neats_and_scruffies) మధ్య విభేదం ఏర్పడింది. _స్క్రఫీ_ ప్రయోగశాలలు గంటల తరబడి ప్రోగ్రామ్లను సవరించి కావలసిన ఫలితాలు పొందేవి. _నీట్_ ప్రయోగశాలలు "తర్కం మరియు అధికారిక సమస్య పరిష్కారంపై" దృష్టి పెట్టేవి. ఎలిజా మరియు SHRDLU ప్రసిద్ధ _స్క్రఫీ_ వ్యవస్థలు. 1980లలో, ML వ్యవస్థలను పునరుత్పాదకంగా చేయాలనే డిమాండ్ పెరిగినప్పుడు, _నీట్_ విధానం ముందంజలోకి వచ్చింది ఎందుకంటే దాని ఫలితాలు మరింత వివరణాత్మకంగా ఉంటాయి.
అదే సమయంలో, వివిధ AI ఆలోచనా పాఠశాలలు ఏర్పడనున్నాయి. ["స్క్రఫీ" మరియు "నీట్ AI"](https://wikipedia.org/wiki/Neats_and_scruffies) ప్రయోగాల మధ్య వివక్ష ఏర్పడింది. _స్క్రఫీ_ లాబ్లు గోల్ సాధించే వరకు గంటల తరబడి ప్రోగ్రామ్లను సవరించేవి. _నీట్_ లాబ్లు "లాజిక్ మరియు సరైన సమస్య పరిష్కరణపై దృష్టి సారించేవి". ఎలిజా మరియు SHRDLU ప్రసిద్ధ _స్క్రఫీ_ వ్యవస్థలు. 1980లలో, ML వ్యవస్థలను పునరుత్పాదకంగా చేయాలనే డిమాండ్ రావడంతో, _నీట్_ విధానం ముందుంటుంది, దాని ఫలితాలు మరింత వివరణాత్మకంగా ఉంటాయి.
---
---
## 1980ల నిపుణుల వ్యవస్థలు
## 1980లు నిపుణుల వ్యవస్థలు
రంగం పెరిగేకొద్దీ, వ్యాపారానికి దాని లాభం స్పష్టమైంది, మరియు 1980లలో 'నిపుణుల వ్యవస్థలు' విస్తరించాయి. "నిపుణుల వ్యవస్థలు ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) సాఫ్ట్వేర్ యొక్క మొదటి విజయవంతమైన రూపాలలో ఒకటిగా ఉన్నాయి." ([మూలం](https://wikipedia.org/wiki/Expert_system)).
రంగం అభివృద్ధి చెందడంతో, దీని వ్యాపార ప్రయోజనం స్పష్టమైంది, మరియు 1980లలో 'నిపుణుల వ్యవస్థలు' విస్తరించాయి. "నిపుణుల వ్యవస్థలు మొదటి వాస్తవ విభాగాలైన ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) సాఫ్ట్వేర్" అని చెప్పబడింది. ([ మూలం ](https://wikipedia.org/wiki/Expert_system)).
ఈ రకం వ్యవస్థ వాస్తవానికి _హైబ్రిడ్_, ఇది భాగంగా వ్యాపార అవసరాలను నిర్వచించే నియమాల ఇంజిన్ మరియు నియమాల వ్యవస్థను ఉపయోగించి కొత్త వాస్తవాలను తేల్చుకునే ఇన్ఫరెన్స్ ఇంజిన్ కలిగి ఉంటుంది.
ఈ రకం వ్యవస్థ వాస్తవానికి _హైబ్రిడ్_, ఇందులో క్రమంగా వ్యాపార అవసరాలను నిర్వచించే రూల్స్ ఇంజిన్ మరియు కొత్త నిజాలు గమనించే ఇన్ఫరెన్స్ ఇంజిన్ ఉంటుంది.
ఈ యుగంలో న్యూరల్ నెట్వర్క్స్ పై పెరుగుతున్న దృష్టి కూడా కనిపించింది.
ఈ యుగంలో న్యూరల్ నెట్వర్క్స్ మీద కూడా ఎక్కువ శ్రద్ధ ఉంచబడింది.
---
---
## 1987 - 1993: AI 'చిల్'
## 1987 - 1993: AI 'తణుకు'
ప్రత్యేక నిపుణుల వ్యవస్థల హార్డ్వేర్ విస్తరణ చాలా ప్రత్యేకంగా మారింది. వ్యక్తిగత కంప్యూటర్ల పెరుగుదల ఈ పెద్ద, ప్రత్యేక, కేంద్రీకృత వ్యవస్థలతో పోటీ పడింది. కంప్యూటింగ్ ప్రజలందరికీ అందుబాటులోకి వచ్చింది, ఇది పెద్ద డేటా విప్లవానికి దారితీసింది.
ప్రత్యేక నిపుణుల వ్యవస్థల హార్డ్వేర్ విస్తీర్ణం చాలా ప్రత్యేకమైనదిగా మారింది. పర్సనల్ కంప్యూటర్లు కూడా పెద్ద, ప్రత్యేక, కేంద్రనీయ వ్యవస్థలతో పోటీ పూర్తి చేయడంతో, కంప్యూటింగ్ ప్రజాదరణ ప్రారంభమైంది, మరియు ఇది పెద్ద డేటా విస్తరణకు దారి తీసింది.
---
---
## 1993 - 2011
## 1993 - 2011
ఈ కాలం ML మరియు AIకి కొత్త యుగాన్ని తెచ్చింది, ఇది ముందుగా డేటా మరియు కంప్యూట్ శక్తి కొరత కారణంగా ఏర్పడిన సమస్యలను పరిష్కరించగలిగింది. డేటా పరిమాణం వేగంగా పెరిగింది మరియు విస్తృతంగా అందుబాటులోకి వచ్చింది, ముఖ్యంగా 2007లో స్మార్ట్ఫోన్ ఆవిర్భావంతో. కంప్యూట్ శక్తి గణనీయంగా పెరిగింది, అల్గోరిథమ్స్ కూడా అభివృద్ధి చెందాయి. రంగం పూర్వపు స్వేచ్ఛా దశల నుండి ఒక నిజమైన శాస్త్రంగా మారింది.
ఈ కాలం ML మరియు AIకి ఒక కొత్త యుగాన్ని తెచ్చింది, ఇంతకు ముందు డేటా మరియు గణన శక్తి తక్కువగా ఉండటం వల్ల సృష్టమైన సమస్యలను పరిష్కరించడానికి. డేటా పరిమాణం వేగంగా పెరిగింది మరియు విస్తృతంగా అందుబాటులోకి వచ్చింది, ముఖ్యంగా 2007 స్మార్ట్ఫోన్ ప్రఖ్యాతితో. గణన శక్తి అనుపాతంగా పెరిగింది, అల్గోరిథములు కూడా అభివృద్ధి చెందాయి. రంగం ప్రౌఢిగా మారింది, గతపు స్వేచ్ఛా రోజులు క్రమంగా ఒక నిజమైన శాస్త్రంగా మారాయి.
---
---
## ఇప్పుడు
## ఇప్పుడు
ఈ రోజుల్లో మెషీన్ లెర్నింగ్ మరియు AI మన జీవితాల ప్రతి భాగాన్ని స్పర్శిస్తున్నాయి. ఈ యుగం ఈ అల్గోరిథమ్స్ మనుషుల జీవితాలపై కలిగించే ప్రమాదాలు మరియు అవకాశాలను జాగ్రత్తగా అర్థం చేసుకోవాలని కోరుతుంది. మైక్రోసాఫ్ట్ బ్రాడ్ స్మిత్ చెప్పినట్లుగా, "సమాచార సాంకేతికత ప్రైవసీ మరియు వ్యక్తి అభివ్యక్తి స్వేచ్ఛ వంటి మౌలిక మానవ హక్కుల రక్షణకు సంబంధించిన అంశాలను తీసుకువస్తుంది. ఈ ఉత్పత్తులను సృష్టించే సాంకేతిక సంస్థలపై బాధ్యత పెరుగుతుంది. మా దృష్టిలో, ఇది ఆలోచనాత్మక ప్రభుత్వ నియంత్రణ మరియు అనుకూల ఉపయోగాల చుట్టూ నిబంధనల అభివృద్ధిని కూడా కోరుతుంది" ([మూలం](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
ఈ రోజు మెషీన్ లెర్నింగ్ మరియు AI మన జీవితాలలో ప్రతి భాగాన్ని స్పర్శిస్తున్నాయి. ఈ యుగం ఈ అల్గోరిథముల వల్ల మానవ జీవితాలపై వచ్చే ప్రమాదాలు మరియు సానుకూల ప్రభావాలను జాగ్రత్తగా అర్థం చేసుకోవాలనిస్తుంది. మైక్రోసాఫ్ట్ బ్రాడ్ స్మిత్ చెప్పినట్లుగా, "సాంకేతికత ప్రైవసీ మరియు వ్యక్తి స్వేచ్ఛలను వంటి ప్రాథమిక మానవ హక్కుల రక్షణకు సంబంధించిన సమస్యలను చర్యలకు తీసుకుంటుంది. ఈ సమస్యలు ఈ ఉత్పత్తులను సృష్టించే టెక్ కంపెనీల బాధ్యతను పెంచాయి. మా దృష్టిలో, వారు ఆలోచనయుక్త ప్రభుత్వ నియంత్రణ మరియు అనుకూల ఉపయోగాల చుట్టూ నియమాలు అభివృద్ధి చేయడం అవసరం" ([ మూలం ](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
---
---
భవిష్యత్తు ఏమి తెచ్చిపెడుతుందో చూడాలి, కానీ ఈ కంప్యూటర్ వ్యవస్థలు మరియు అవి నడిపే సాఫ్ట్వేర్ మరియు అల్గోరిథమ్స్ను అర్థం చేసుకోవడం ముఖ్యం. ఈ పాఠ్యక్రమం మీకు మెరుగైన అవగాహన ఇవ్వాలని మేము ఆశిస్తున్నాము, తద్వారా మీరు స్వయంగా నిర్ణయం తీసుకోవచ్చు.
భవిష్యత్తు ఏమైతే అనేది చూద్దాం, కానీ ఈ కంప్యూటర్ వ్యవస్థలు, అవి నడుపుతున్న సాఫ్ట్వేర్ మరియు అల్గోరిథములను అర్థం చేసుకోవడం అవసరం. ఈ పాఠ్యक्रमం మీరు మంచి అవగాహన పొందడంలో సహాయపడుతుందని ఆశిస్తున్నాము, తద్వారా మీరు మీకటే నిర్ణయించవచ్చు.
> 🎥 ఈ లెక్చర్లో డీప్ లెర్నింగ్ చరిత్రను యాన్ లెకన్ చర్చిస్తున్న వీడియో కోసం పై చిత్రాన్ని క్లిక్ చేయండి
> 🎥 ఈ పాఠంలో యాన్ లెకన్ డీప్ లెర్నింగ్ చరిత్రను చర్చిస్తున్న వీడియో కోసం పై చిత్రంపై క్లిక్ చేయండి
---
---
## 🚀సవాలు
## 🚀సవాలు
ఈ చారిత్రక క్షణాలలో ఒకదానిలో లోతుగా పరిశోధన చేయండి మరియు వాటి వెనుక ఉన్న వ్యక్తుల గురించి మరింత తెలుసుకోండి. ఆసక్తికరమైన వ్యక్తిత్వాలు ఉన్నాయి, మరియు ఎలాంటి శాస్త్రీయ ఆవిష్కరణ కూడా సాంస్కృతిక ఖాళీలో సృష్టించబడలేదు. మీరు ఏమి కనుగొంటారు?
ఈ చారిత్రక క్షణాలలో ఒకదానిని ఎంచుకుని అక్కడి వ్యక్తుల గురించి మరింత తెలుసుకోండి. ఆసక్తికరమైన వ్యక్తులు ఉన్నారు, మరియు ఎలాంటి శాస్త్రీయ ఆవిష్కరణ కూడా సాంస్కృతిక వాక్యూమ్ లో సృష్టించబడలేదు. మీరు ఏమి కనుగొన్నారు?
## [పాఠం తర్వాత క్విజ్](https://ff-quizzes.netlify.app/en/ml/)
---
---
## సమీక్ష & స్వీయ అధ్యయనం
## సమీక్ష & స్వయంసహాయం
ఇక్కడ చూడటానికి మరియు వినటానికి అంశాలు ఉన్నాయి:
చూడడానికి మరియు వినడానికి ఇక్కడ ఉన్నాయి:
[ఈ పోडकాస్ట్లో ఎమీ బాయిడ్ AI అభివృద్ధిని చర్చిస్తున్నారు](http://runasradio.com/Shows/Show/739)
[ఈ పోडकాస్ట్లో ఎమీ బాయిడ్ AI అభివృద్ధి గురించి చర్చిస్తున్నారు](http://runasradio.com/Shows/Show/739)
[](https://www.youtube.com/watch?v=EJt3_bFYKss "ఎమీ బాయిడ్ ద్వారా AI చరిత్ర")
[](https://www.youtube.com/watch?v=EJt3_bFYKss "ఎమీ బాయిడ్ ద్వారా AI చరిత్ర")
---
---
## అసైన్మెంట్
## అసైన్కెంట్
[టైమ్లైన్ సృష్టించండి](assignment.md)
[ఒక టైమ్లైన్ సృష్టించండి](assignment.md)
---
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**అస్పష్టత**:
**అస్వీకరణ**:
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. అసలు పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము.
ఈ పత్రం AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నిస్తున్నప్పటికీ, ఆటోమేటెడ్ అనువాదాలు తప్పులు లేదా అసమగ్రతలను కలిగి ఉండవచ్చు. దాని స్వదేశ భాషలో ఉన్న అసలు పత్రాన్ని అధికారం కలిగిన మూలంగా పరిగణించాలి. కీలకమైన సమాచారం కోసం, ప్రొఫెషనల్ మానవ అనువాదాన్ని సిఫారసు చేస్తాము. ఈ అనువాదం ఉపయోగం వల్ల కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారులు కోసం మేము బాధ్యత వహించము.
ఈ కోర్సులో, మీరు మెషీన్ లెర్నింగ్ ఎలా ఆ మరియు మన రోజువారీ జీవితాలను ప్రభావితం చేస్తున్నదో కనుగొనడం ప్రారంభిస్తారు. ఇప్పటివరకు కూడా, వ్యవస్థలు మరియు మోడల్స్ ఆరోగ్య పరీక్షలు, ఋణ ఆమోదాలు లేదా మోసాన్ని కనుగొనడం వంటి రోజువారీ నిర్ణయం తీసుకునే పనుల్లో భాగమయ్యాయి. కాబట్టి, ఈ మోడల్స్ బాగా పనిచెయ్యడం, విశ్వసనీయమైన ఫలితాలను అందించడం చాలా ముఖ్యం. ఏ సాఫ్ట్వేర్ అప్లికేషన్ లాగే, AI వ్యవస్థలు కూడా అనుకున్నట్టుగా కాకపోవచ్చు లేదా అనుకోని ఫలితాలను ఇవ్వవచ్చు. అందుకే, AI మోడల్ ప్రవర్తనను అర్థం చేసుకోవడం మరియు వివరిస్తే కావాలి.
ఈ పాఠ్యాంశంలో, మీరు మిషిన్ లెర్నింగ్ మన రోజువారీ జీవితాలను ఎలా ప్రభావితం చేస్తున్నదో మరియు చేయగలదో కనుగొనడం ప్రారంభిస్తారు. ఇప్పటికీ, వ్యవస్థలు మరియు నమూనాలు ఆరోగ్య నిర్ధారణలు, రుణ ఆమోదాలు లేదా మోసాలను గుర్తించడం వంటి రోజువారీ నిర్ణయాల పనుల్లో పాల్గొంటున్నాయి. కాబట్టి, ఈ నమూనాలు విశ్వసనీయమైన ఫలితాలను అందించడానికి బాగానే పని చేయడం ముఖ్యం. ఏదైనా సాఫ్ట్వేర్ అప్లికేషన్ లాగా, AI వ్యవస్థలు కూడా అంచనాలకు తగ్గట్టు పనిచేయకపోవచ్చు లేదా అనుభవించదగ్గ ఫలితాలను ఇవ్వకపోవచ్చు. అందుకే AI నమూనా ప్రవర్తనను అర్థం చేసుకోవడం మరియు వివరించడం అత్యంత అవసరం.
మీరు ఉపయోగించే డేటా కొన్ని వర్గాల వంటి వర్గాలు లేని లేదా అసంతులితంగా సూచించే వర్గాలు ఉంటే ఏమవుతుంది అనుకుంటే చూడండి. మోడల్ అవుట్పుట్ కొంత వర్గానికి అనుకూలంగా ఉండటం ఎలా అనిపిస్తే? ఆ అప్లికేషన్కు దాని పరిణామం ఏమిటి? అదనంగా, మోడల్ ఒక ప్రతికూల ఫలితాన్ని ఇవ్వగలిగితే అది మనుషులకి హానికరం అయితే ఏమవుతుంది? AI వ్యవస్థ ప్రవర్తనకు ఎవరు బాధ్యత వహించాలి? ఈ ప్రశ్నలు ఈ కోర్సులో పాల్గొంటము.
మీరు ఈ నమూనాలు తయారు చేయడం కోసం ఉపయోగిస్తున్న డేటాలో జాతి, లింగం, రాజకీయ అభిప్రాయం, మతం వంటి రేఖాచిత్రాలు లేకపోతే లేదా అ disproportional గా వచ్చే ఉంటే ఏమయ్యేది అనుకోండి. ఒక నమూనా ఫలితాన్ని కొన్ని జాతి గుంపులను ప్రాధాన్యం ఇచ్చిందా? ఆ అప్లికేషన్కు ఎలాంటి పరిణామం? అదేవిధంగా, నమూనా ప్రతికూల ఫలితాన్ని సృష్టించి ప్రజలకు హానికరంగా ఉంటే ఏమవుతుంది? AI వ్యవస్థ ప్రవర్తనకు ఎవరు బాధ్యత వహిస్తారు? ఇవి ఈ పాఠ్యాంశంలో మనం పరిశీలించే కొన్ని ప్రశ్నలు.
ఈ పాఠంలో మీరు:
ఈ పాఠంలో మీరు:
- మెషీన్ లెర్నింగ్ లో న్యాయం మరియు న్యాయ సంబంధ హానుల ప్రాముఖ్యాన్ని మీ అవగాహన పెంచుకోండి.
- మిషిన్ లెర్నింగ్లో న్యాయత్వం మరియు న్యాయత్వ సంబంధ హానుల మీద మీ జ్ఞానాన్ని పెంపొందించుకోండి.
- విశ్వసనీయత మరియు భద్రత కోసం అవుట్లైయర్స్ మరియు అసాధారణ పరిస్థితులను అన్వేషించడానికి అలవాటు పడండి.
- విశ్వసనీయత మరియు భద్రతను నిర్ధారించడానికి అవుట్లయర్స్ మరియు అసాధారణ దృశ్యాలను అన్వేషించడంలో పరిచయం పొందండి.
- అందరికీ సాధ్యమైన విధంగా వ్యవస్థలను డిజైన్ చేసి మరియు శక్తివంతం చేయడం అవసరమని అర్థం చేసుకోండి.
- సమానికి సంబంధించిన వ్యవస్థలను రూపకల్పన చేయడం ద్వారా అందరికీ సత్తా ఇవ్వాలి అనే అవసరం గురించి అర్థం చేసుకోండి.
- డేటా మరియు ప్రజల గోప్యత మరియు భద్రతను రక్షించడం ఎంత ముఖ్యమో తెలుసుకోండి.
- డేటా మరియు వ్యక్తుల గోప్యత మరియు భద్రతను రక్షించడం ఎంత ముఖ్యమో పరిశీలించండి.
- AI మోడల్స్ ప్రవర్తనను వివరించడానికి గ్లాస్ బాక్స్ విధానాన్ని అనుసరించడం ప్రాముఖ్యాన్ని చూడండి.
- AI నమూనాల ప్రవర్తన వివరించడానికి గ్లాస్ బాక్స్ (పారదర్శక) దృక్కోణం ఉండటం ఎంత ముఖ్యమో తెలుసుకోండి.
- AI వ్యవస్థలపై విశ్వాసాన్ని నిర్మించేందుకు బాధ్యత తలపెట్టడం అవసరం అని జాగ్రత్తగా ఉండండి.
- AI వ్యవస్థలలో విశ్వాసం ఏర్పడటానికి బాధ్యత అవసరం ఎలా అన్వయ పడుతోందో జాగ్రత్తగా చూడండి.
## అవసరమైన మార్గదర్శకం
## పూర్వాపేక్ష
అవసరమైన మార్గదర్శకంగా, "బాధ్యతాయుత AI సూత్రాలు" నేర్చుకునే పాఠ్యాన్ని తీసుకోండి మరియు క్రింది వీడియో చూడండి:
పూర్వాపేక్షగా, "బాధ్యతాయుత AI సూత్రాలు" లెర్న్ పాత్ తీసుకుని క్రింది వీడియోని చూడండి:
ఈ [అభ్యాస పాఠ్యాన్ని](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) అనుసరించి బాధ్యతాయుత AI గురించి మరింత తెలుసుకోండి
ఈ [లెర్నింగ్ పాత్](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) ద్వారా బాధ్యతాయుత AI గురించి మరింత తెలుసుకోండి
[](https://youtu.be/dnC8-uUZXSc "Microsoft యొక్క బాధ్యతాయుత AI దృష్టికోణం")
[](https://youtu.be/dnC8-uUZXSc "మైక్రోసాఫ్ట్ బాధ్యతాయుత AI దృష్టికోణం")
> 🎥 వీడియో కోసం పైచిత్రం క్లిక్ చేయండి: Microsoft యొక్క బాధ్యతాయుత AI దృష్టికోణం
> 🎥 పై చిత్రం కుడి క్లిక్ చేసి వీడియో చూడండి: మైక్రోసాఫ్ట్ బాధ్యతాయుత AI దృష్టికోణం
## న్యాయం
## న్యాయత్వం
AI వ్యవస్థలు అందరికీ సమానంగా వ్యవహరించాలి మరియు సమానమైన వర్గాల ప్రజలపై విభిన్న ভাবে ప్రభావితం కాకూడదు. ఉదాహరణకు, AI వ్యవస్థలు వైద్య చికిత్స, ఋణ రావడంలో లేదా ఉద్యోగంలో మార్గదర్శనం చేస్తే, ఒకటే లక్షణాలు, ఆర్థిక పరిస్థితులు లేదా నైపుణ్యాలు ఉన్న ప్రతి ఒక్కరికి సమాన సూచనలు ఇవ్వాలి. ప్రతి మనిషి లోపలే వారసత్వపు పక్షపాతాలు ఉంటాయి, ఇవి మన నిర్ణయాలకు మరియు చర్యలకు ప్రభావం చూపుతాయి. ఈ పక్షపాతాలు తరచుగా AI వ్యవస్థలను శిక్షణ ఇవ్వడానికి ఉపయోగించే డేటాలో కనిపిస్తాయి. ఇలాంటి మానిప్యులేషన్ అవివేచనగా జరుగుతుంది. మీరు డేటాలో పక్షపాతం చేర్చేసినపుడు అవి స意识గా గమనించటం చాలా కష్టం.
AI వ్యవస్థలు ప్రతీ ఒక్కరిని సమానంగా వ్యవహరించాలి మరియు సమాన గుంపులపై భిన్నంగా ప్రభావితం చేయకూడదు. ఉదాహరణకి, AI వ్యవస్థలు వైద్య చికిత్స, రుణ దరఖాస్తులు, ఉద్యోగ నిమిత్తం మార్గదర్శనం ఇస్తున్నప్పుడు, సమాన లక్షణాలు, ఆర్థిక పరిస్థితులు, లేదా వృత్తిపరమైన అర్హతలు ఉన్న అందరికీ అదే సిఫార్సులు ఇవ్వాలి. ప్రతి మనిషికి నిరూపిత భ్రమలు ఉంటాయి, ఇవి మా నిర్ణయాలకు మరియు చర్యలకు ప్రభావం చూపిస్తాయి. ఈ భ్రమలు మనం AI వ్యవస్థలకు శిక్షణ ఇస్తున్న డేటాలో కనిపించే అవకాశం ఉంటుంది. కొన్ని సార్లు మనస్ఫూర్తిగా లేకుండానే ఈ మానిపులేషన్ జరుగుతుంది. మనం ఆ సమయంలో మనస్సులోకి తీసుకొనడం కష్టమే.
**“అన్యాయత”** అంటే కొన్ని వర్గాల వ్యక్తులకు ప్రతికూల ప్రభావాలు లేదా "హానులు", ఉదాహరణకు జాతి, లింగం, వయస్సు లేదా లోపల గల వికలాంగత స్థితి తో నిర్వచించబడినవారు. ప్రధాన న్యాయ సంబంధ హానులను కింది విధంగా వర్గీకరించవచ్చు:
**“అన్యాయం”** అనగా సమూహానికి, ఉదాహరణకు జాతి, లింగం, వయస్సు, లేదా వికలాంగత స్థితి వంటి ప్రామాణాలతో నిర్వచించబడిన వారి నిక్షిప్త ప్రతికూల ప్రభావాలు లేదా “హానులు”. ప్రధాన న్యాయత్వ సంబంధ హానులు ఇలా వర్గీకరించవచ్చు:
- **పంపిణీ**, ఉదాహరణకు ఒక లింగం లేదా జాతి మరొకటి కంటే ప్రాధాన్యమిచ్చినప్పుడు.
- **కేటాయింపు**, ఉదాహరణకు ఒక లింగం లేదా జాతి వేరొకదానిపై మెరుగ్గా ప్రావీణ్యం పొందింది.
- **సేవ యొక్క నాణ్యత**. మీరు ఒక ప్రత్యేక పరిస్థితి కోసం డేటా శిక్షణ ఇస్తే కానీ వాస్తవం చాలా క్లిష్టంగా ఉంటే, అది సేవ పనితీరులో కొంత లోపం కలిగిస్తుంది. ఉదాహరణకి, చర్మం గోకోట్లవంటి వ్యక్తులను గుర్తించలేకపోయే హ్యాండ్ సోప్ డిస్పెన్సర్. [సూచి](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **సేవా నాణ్యత**. ఒక నిర్దిష్ట సన్నివేశాన్ని శిక్షణ ఇస్తే కానీ వాస్తవం చాలా సంక్లిష్టమైనదైతే, అది తక్కువ పనితీరు సేవకు దారితీస్తుంది. ఉదాహరణకి, చర్మపు రంగు గాఢంగా ఉన్న వ్యక్తులను గుర్తించలేని ఒక చేతి సబ్బు పంపిణీ యంత్రము. [గురించి](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **తరిగింపు**. ఏదో లేదా ఎవరినైనా అన్యాయంగా విమర్శించడం మరియు తగులికట్టడం. ఉదాహరణకి, పട చిత్రాలను పొరపాటుగా గుర్తింపు సాంకేతికత చీకటి చర్మం గల వ్యక్తులని గోరీళ్లుగా లేబుల్ చేసింది.
- **అవమానకరం**. అన్యాయంగా విమర్శించడం మరియు ఎవరినైనా సంబోధించడం. ఉదాహరణకి, ఒక చిత్రం లేబులింగ్ సాంకేతికత చర్మం నల్లగా ఉన్న వ్యక్తుల చిత్రాలను కోరికలు గోరిల్లాలుగా తప్పుగా లేబుల్ చేసింది.
- **అధిక లేదా తక్కువ ప్రతినిధిత్వం**. ఒక నిర్దిష్ట వృత్తిలో ఒక వర్గం కనిపించకపోవడం, అందువల్ల ఆ వర్గానికి సంబంధించిన సేవ లేదా ఫంక్షన్ హాని కలిగిస్తుంది.
- **ఎక్కువ లేదా తక్కువ ప్రాతినిధ్యం**. ఒక నిర్దిష్ట గుంపు ఒక వృత్తిలో కనిపించకపోవడం, ఏ సేవ లేదా ఫంక్షన్ ఆ గుంపుని నిరంతరం ప్రోత్సహించడం హానికరంగా మారుతుంది.
- **స్టీరియోటైపింగ్**. ఒక నిర్దిష్ట వర్గాన్ని ముందే తేల్చుకున్న లక్షణాలతో కలపడం. ఉదాహరణకి, ఇంగ్లిష్ నుంచి టర్కిష్ భాషా అనువాదం చేసే వ్యవస్థ లింగంతో సంబంధం ఉన్న స్టీరియోటైపిక్ పదాల వలన పొరపాట్లు కలగడం.
- **స్టీరియో టైపింగ్**. గివెన్ గుంపును ప్రీఅసైన్ చేసిన లక్షణాలతో అనుసంధానించడం. ఉదాహరణకి, ఆంగ్లం నుంచి టర్కిష్ భాషా అనువాద వ్యవస్థలో లింగానికి సంబంధించిన స్టీరియోటైప్స్ వల్ల తప్పులు రావడం.
> మళ్లీ ఇంగ్లీష్ కు అనువాదం
> ఇంగ్లీష్కు తిరిగి అనువాదం
AI వ్యవస్థలను రూపకల్పన మరియు పరీక్షలో, AI న్యాయమైన మరియు పక్షపాత లేదా వివక్షాత్మక నిర్ణయాలు ఇవ్వకుండా ఉండేలా చూడాలి, మరియు మనుష్యులు కూడా ఇలాంటి నిర్ణయాలు తీసుకోవడానికి అనుమతించబడరు. AI మరియు మెషీన్ లెర్నింగ్ లో న్యాయాన్ని నిర్ధారించడం ఒక సంక్లిష్ట సామాజిక సాంకేతిక సవాలు.
AI వ్యవస్థలను రూపకల్పన మరియు పరీక్షకు తీసుకొచ్చేటప్పుడు, AI న్యాయాన్ని గౌరవించి పక్షపాతమైన లేదా వివక్షాత్మక నిర్ణయాలు చేయడానికి ప్రోగ్రామ్ చేయబోకూడదని నిర్ధారించాలి, ఇవే మనుషులు చెయ్యడానికి అనుమతి ఇవ్వబడలేదు. AI మరియు మిషిన్ లెర్నింగ్లో న్యాయత్వాన్ని నిర్ధారించడం ఒక సంక్లిష్ట సామాజిక సాంకేతిక సవాలు.
### విశ్వసనీయత మరియు భద్రత
### విశ్వసనీయత మరియు భద్రత
విశ్వాసం నిర్మించడానికి, AI వ్యవస్థలు సాధారణ మరియు అనుకోని పరిస్థితులలో విశ్వసనీయంగా, భద్రంగా మరియు స్థిరంగా ఉండాలి. వివిధ పరిస్థితుల్లో AI వ్యవస్థలు ఎలా ప్రవర్తిస్తాయో తెలుసుకోవడం ముఖ్యం, ముఖ్యంగా అవుట్లైయర్లు ఉన్నప్పుడు. AI పరిష్కారాలు నిర్మించేటప్పుడు, వారి ఎదురయ్యే పరిస్థులు ఎలా నిర్వహించాలో ఎక్కువ దృష్టి కావాలి. ఉదాహరణకు, స్వయం నడిచే కారు ప్రజల భద్రతను అత్యంత ప్రాధాన్యం గా పెట్టాలి. అందుకే, ఆ కారును నడపన AI అన్ని మాదిరి సంభవ పరిస్థితులు పరిశీలించాలి, ఉదాహరణకు రాత్రి, వర్షాలు, పిల్లలు వీధి దాటడం, పెంపుడు జంతువులు, రోడ్డు నిర్మాణాలు మొదలైనవి. AI వ్యవస్థ ఈ విస్తృత పరిస్థితులను ఎంత బాగా విశ్వసనీయంగా నిర్వహించగలదో డేటా శాస్త్రవేత్త లేదా AI అభివృద్ధి దారుడు వ్యవస్థ రూపకల్పనలో ఎన్ని అంచనాలు వేసుకున్నారో ప్రతిబింబిస్తుంది.
విశ్వాసం పెంపొందించడానికి, AI వ్యవస్థలు సాధారణ మరియు అనుకోని పరిస్థితుల్లో విశ్వసనీయంగా, భద్రంగా, మరియు స్థిరంగా ఉండాలి. AI వ్యవస్థలు వివిధ పరిస్థితుల్లో, ముఖ్యంగా అవుట్లయర్లలో ఎలా ప్రవర్తించేలనే తెలుసుకోవడం ముఖ్యం. AI పరిష్కారాలను నిర్మిస్తేటప్పుడు, AI పరిష్కారాలు ఎదుర్కొనే విస్తృత పరిస్థితులను విస్తృతంగా పరిగణించాలి. ఉదాహరణకి, స్వయంచాలకంగా నడిచే కారు ప్రజల భద్రతను ప్రధమ ప్రాధాన్యంగా ఉంచాలి. అందువల్ల, ఆ కారు నడిపే AI అన్ని సంభావ్య పరిస్థుతులను పరిగణలోకి తీసుకోవాలి, ఉదాహరణకి రాత్రి, వర్షపాతం, మంచు తుపానులు, వీధిని దాటుతున్న పిల్లలూ, పెంపుడు జంతువులు, రోడ్ నిర్మాణాలు మొదలైనవి. AI వ్యవస్థ ఎంత మెరుగ్గా విస్తృత పరిస్థితులను విశ్వసనీయంగా మరియు భద్రంగా నిర్వహించగలదో ఆ డేటా శాస్త్రవేత్తల లేదా AI డెవలపర్ల భావించిన ముందస్తు తయారీని ప్రతిబింబిస్తుంది.
> [🎥 ఈ వీడియోను చూడటానికి ఇక్కడ క్లిక్ చేయండి: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
> [🎥 ఈ వీడియో చూడండి: AI లో విశ్వసనీయత మరియు భద్రత](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
### ఇంటిగ్రేటివ్నెస్ (అంతర్భాగం)
### సామరస్యం
AI వ్యవస్థలు అందరిని కలుపుకోవడం మరియు శక్తిని నింపేలా రూపొందించాలి. AI రూపకల్పన మరియు అమలులో డేటా శాస్త్రవేత్తలు మరియు AI అభివృద్ధిపరులు తార్కికంగా ప్రజలను బయటపెట్టే అడ్డంకులను గుర్తించి వాటిని అధిగమిస్తారు. ఉదాహరణగా, ప్రపంచంలో 1 బిలియన్ మంది వికలాంగులు ఉన్నారు. AI అభివృద్ధితో, వారు వారీ రోజు జీవితాల్లో విస్తృత సమాచారం మరియు అవకాశాలను సులభంగా పొందగలుగుతారు. ఈ అడ్డంకులను తొలగించడం ద్వారా మంచి అనుభవాలు కలిగించే AI ఉత్పత్తులను రూపొందించే అవకాశాలు వస్తాయి.
AI వ్యవస్థలు అందరినీ చేర్చి మహర్దం కల్పించగలవిగా రూపకల్పన చేయాలి. AI వ్యవస్థలను రూపకల్పన మరియు అమలు చేసే సమయంలో డేటా శాస్త్రవేత్తలు మరియు AI డెవలపర్లు అనుకోని తొలగింపుల కోసం వ్యవస్థలోని అడ్డంకులను గుర్తించి పరిష్కరించాలి. ఉదాహరణకి, ప్రపంచంలో 1 బిలియన్ మంది వికలాంగులు ఉన్నారు. AI అభివృద్ధితో, వారు తమ రోజువారీ జీవితాల్లో విస్తృత సమాచారానికి మరియు అవకాశాలకు సులభంగా 접근ించగలుగుతారు. అడ్డంకులను పరిష్కరించడం ద్వారా అందరికీ లాభదాయకంగా ఉండే మెరుగైన అనుభవాలతో AI ఉత్పత్తులను ఆవిష్కరించేందుకు అవకాశాలు ఏర్పడతాయి.
> [🎥 AIలో ఇంటిగ్రేటివ్నెస్ వీడియో కోసం ఇక్కడ క్లిక్ చేయండి](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
> [🎥 ఈ వీడియో చూడండి: AI లో సామరస్యము](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
### భద్రత మరియు గోప్యత
### భద్రత మరియు గోప్యత
AI వ్యవస్థలు భద్రంగా ఉండాలి మరియు ప్రజల గోప్యతను గౌరవించాలి. ప్రజలు తమ గోప్యత, సమాచారం లేదా జీవితాలు ప్రమాదంలో ఉంటే ఆ వ్యవస్థలు మీద తక్కువ విశ్వాసం పెడతారు. మెషీన్ లెర్నింగ్ మోడల్స్ శిక్షణకు డేటా వినియోగిస్తాం. అందువల్ల, డేటా మూలం మరియు అఖండత అన్వేషించడం అవసరం. ఉదాహరణకు, డేటా యూజర్ అందజేసినదా లేదా ప్రజలందుబాటులో ఉన్నదా? తదుపరి, డేటాతో పని చేసే సమయంలో, AI సిస్టమ్స్ గోప్యమైన సమాచారాన్ని రక్షించగలిగే విధంగా మరియు దాడులను ఎదుర్కొనగలిగే విధంగా రూపొందించాలి. AI పెరుగుతున్న కొద్దీ, గోప్యతను కాపాడటం మరియు వ్యక్తిగత, వ్యాపార డేటా భద్రతనియంత్రణ మరింత కీలకంగా మరియు సంక్లిష్టమవుతుంది. AIకి గోప్యతా మరియు డేటా భద్రత ముఖ్యమైనవి ఎందుకంటే AIకి మెరుగైన మరియు సరైన అంచనాలు తీసుకునేందుకు డేటా కు ప్రాప్తి అవసరం.
AI వ్యవస్థలు భద్రంగా ఉండాలి మరియు ప్రజల గోప్యతను గౌరవించాలి. వారి గోప్యత, సమాచారం, లేదా ప్రాణాలకు ప్రమాదం కలిగించే వ్యవస్థలపై ప్రజలు అన్ని విశ్వాసం లేదు. మిషిన్ లెర్నింగ్ నమూనాలను శిక్షణ ఇచ్చేటప్పుడు మేము ఉత్తమ ఫలితాలు పొందడానికి డేటాకు ఆధారపడి ఉంటాము. అందులో, డేటా మూలం మరియు నెమ్మదత్వం పరిగణలోకి తీసుకోవాలి. ఉదాహరణకి, ఆ డేటా ఉపయోగకర్త అందించినదా లేక ప్రజలకు అందుబాటులో ఉందో? తర్వాత, డేటాతో పని చేస్తున్నప్పుడు, గోప్యమైన సమాచారాన్ని రక్షించగల, దాడులకు వ్యవస్థ ప్రతిరోధించగల AI వ్యవస్థలను అభివృద్ధి చేయడం కీలకం. AI సాధారణమవ్వడంతో, గోప్యత రక్షణ మరియు వ్యక్తిగత మరియు వ్యాపార సమాచార భద్రత మరింత ముఖ్యమవుతోంది, క్లిష్టత కూడా పెరిగింది. AI కోసం గోప్యత మరియు డేటా భద్రత సమస్యలు మరింత శ్రద్ధ అవసరం ఎందుకంటే AI వ్యవస్థలు ప్రజల గురించి సరిగ్గా మరియు సమాచారం ఆధారంగా అంచనాలు మరియు నిర్ణయాలను చేయడానికి డేటాను పొందడం అవసరం.
> [🎥 AI భద్రత వీడియో కోసం ఇక్కడ క్లిక్ చేయండి](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 ఈ వీడియో చూడండి: AI లో భద్రత](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- పరిశ్రమలో మేము గోప్యత మరియు భద్రతలో పరిశీలనీయమైన పురోగతులు సాధించాము, ముఖ్యంగా GDPR (సామాన్య డేటా రక్షణ నిబంధనలు) వంటి నియమాలతో.
- వృత్తిపరంగా, మేము గోప్యత & భద్రతలో గొప్ప முன்னேరుగుదల చేశాము, ముఖ్యంగా GDPR (General Data Protection Regulation) వంటి నియమాల వల్ల.
- AI వ్యవస్థలతో మేము వ్యక్తిగతీకరణ మరియు గోప్యత మధ్య ఉద్వేగాన్ని గుర్తించాలి.
- AI వ్యవస్థలతోపాటు, మరింత వ్యక్తిగత డేటా అవసరం ఉన్న దానితో వ్యక్తిగతత మధ్య ఉన్న ఒత్తిడి గుర్తించాలి.
- ఇంటర్నెట్ తో కనెక్ట్ అయిన కంప్యూటర్ల పుట్టివేచేతటు, AIతో కూడిన భద్రతా సమస్యలు పెరుగుతున్నాయి.
- కనెక్టెడ్ కంప్యూటర్లు ఇంటర్నెట్తో జన్మించినట్లే, AIకి సంబంధించిన భద్రత సమస్యల సంఖ్యలో భారీ పెరుగుదల చూస్తున్నాం.
- అదే సమయంలో, AI భద్రతను మెరుగుపరచడానికి ఉపయోగించబడుతున్నది. ఉదాహరణకు, చాలా ఆధునిక యాంటీ-వైరస్ స్కానర్లు AI హ్యూరిస్టిక్స్ తో నడుస్తున్నాయి.
- అదే సమయంలో, AI భద్రత మెరుగుపరచడంలో ఉపయోగించబడుతోంది. ఉదాహరణకి, ఆధునిక యాంటి వైరస్ స్కానర్లు ఇవాళ AI హ్యూరిస్టిక్స్ ద్వారా నడవబడుతున్నాయి.
- మా డేటా సైన్స్ ప్రక్రియలు తాజా గోప్యత మరియు భద్రత నిబంధనలతో సమన్వయంగా ఉండాలి.
- మా డేటా సైన్స్ ప్రక్రియలు తాజా గోప్యత మరియు భద్రతా అభ్యాసాలతో సవ్యంగా కలిసిపోయేలా చూసుకోవాలి.
### పారదర్శకత
### పారదర్శకత
AI వ్యవస్థలు అర్థమయ్యేలా ఉండాలి. పారదర్శకతకు ముఖ్యమైన భాగం AI వ్యవస్థల ప్రవర్తనను మరియు వాటి భాగాలను వివరించడం. AI వ్యవస్థల అర్థం చేసుకునే లేకుండా వాటి పనితీరు సమస్యలు, భద్రత, గోప్యతా చింతనలు, పక్షపాతాలు, తీసుకోకూడని విధానాలు లేదా అనుకోని ఫలితాలను గుర్తించటం కష్టం. AI వ్యవస్థలను ఉపయోగించే వారు ఎప్పుడు, ఎందుకు, ఎలా ఉపయోగిస్తారో నిజాయితీగా చెప్పాలి. వారు ఉపయోగించే వ్యవస్థల పరిమితులను కూడా తెలియజేయాలి. ఉదాహరణకు, బ్యాంకు ఎగ్జిక్యూటివ్ ఒక AI వ్యవస్థ వినియోగించి రుణ నిర్ణయాలను తీసుకుంటే, ఆ వ్యవస్థ పరిణామాలు, ఏ డేటా ప్రభావితం చేస్తుందో తెలుసుకోవడం ముఖ్యం. ప్రభుత్వాలు సంబంధిత పరిశ్రమలలో AIని నియంత్రించడం మొదలు పెట్టగా, డేటా శాస్త్రవేత్తలు మరియు సంస్థలు AI సిస్టమ్ నియంత్రక నిబంధనలకు అనుగుణంగా ఉందో లేదో వివరిచే బాధ్యత వహించాలి, ముఖ్యంగా అనుకోని ఫలితం ఉన్నప్పుడు.
AI వ్యవస్థలు అర్థమయ్యే విధంగా ఉండాలి. పారదర్శకతకు మూలమైన భాగం AI వ్యవస్థల ప్రవర్తన మరియు వాటి భాగాలను వివరించడం. AI వ్యవస్థల అర్థాన్ని మెరుగుపరచడానికి వాటి పనితీరు మరియు ఎందుకు అనేవి అర్థం కావాలి, తద్వారా వాటి సామర్ధ్య సమస్యలు, భద్రతా మరియు గోప్యతా ఆందోళనలు, పాక్షికతలు, తీసివేతా చర్యలు లేదా అనుకోని ఫలితాలను గుర్తించగలుగుతారు. మేము AI వ్యవస్థలు ఉపయోగించేవారు వీటిని ఎప్పుడు, ఎందుకు, ఎలా ఉపయోగించారో, మరియు వారు ఉపయోగించే వ్యవస్థల పరిమితులు ఏమిటి అనే విషయాలను నిజాయితీగా వెల్లడించాలి అని కూడా నమ్ముతాము. ఉదాహరణగా, ఒక బ్యాంకు తన ఖాతాదారుల రుణ నిర్ణయాలకు AI వ్యవస్థను ఉపయోగిస్తే, ఫలితాలను పరిశీలించి ఏ డేటా వ్యవస్థ సిఫార్సులకు ప్రభావం చూపిందో తెలుసుకోవడం ముఖ్యం. ప్రభుత్వాలు పరిశ్రమల్లో AI నియంత్రణ ప్రారంభిస్తున్నాయి, కాబట్టి డేటా శాస్త్రవేత్తలు మరియు సంస్థలు AI వ్యవస్థా undesired ఫలితాల ఉన్నప్పుడు కూడా నియంత్రణ నిబంధనల ప్రామాణికతను వివరించాలి.
> [🎥 AIలో పారదర్శకత వీడియో కోసం ఇక్కడ క్లిక్ చేయండి](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 ఈ వీడియో చూడండి: AIలో పారదర్శకత](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- AI వ్యవస్థలు చాలా సంక్లిష్టమైనవిగా ఉండి, అవి ఎలా పనిచేస్తాయో అర్థం చేసుకోవడం మరియు ఫలితాలను విశ్లేషించడం కష్టంగా ఉంటుంది.
- AI వ్యవస్థలు చాలా క్లిష్టమైనవిగా ఉండటంతో, అవి ఎలా పని చేస్తాయో అర్థం చేసుకోవడం మరియు ఫలితాలను విశ్లేషించడం కష్టం.
- అర్థం కాకపోవటం వాటి నిర్వహణ, ఉపయోగం మరియు డాక్యుమెంటేషన్ పై ప్రతికూల ప్రభావం చూపిస్తుంది.
- ఈ అర్థం తక్కువగా ఉండటం వల్ల ఈ వ్యవస్థలను నిర్వహించడం, ఆపరేషన్ చేయడం మరియు డాక్యుమెంట్ చేయడం ప్రభావితం అవుతుంది.
- ఈ అర్థం మచ్చలు ముఖ్యంగా ఈ వ్యవస్థల ఫలితాలను ఉపయోగించి తీసుకునే నిర్ణయాలపై ప్రతికూల ప్రభావం చూపిస్తుంది.
- ముఖ్యంగా, ఈ అర్థం తక్కువవుండటం వల్ల ఈ వ్యవస్థల ఫలితాలను ఉపయోగించి తీసుకొనే నిర్ణయాలు ప్రభావితం అవుతున్నాయి.
### బాధ్యత
### బాధ్యత
AI వ్యవస్థలను రూపకల్పన చేసి అమలు చేసే వారు తమ వ్యవస్థలు ఎలా పనిచేస్తాయో బాధ్యత వహించాలి. ముఖచిత్ర గుర్తింపు వంటి సున్నితమైన సాంకేతికతలకు బాధ్యత చాలా ముఖ్యము. ఇటీవల, అనేక ప్రాంతాల్లో ముఖచిత్ర గుర్తింపు సాంకేతికత కోసం డిమాండ్ పెరిగింది, ముఖ్యంగా పిల్లలు కనబడని సందర్భాలు కోసం. ఇంకా, ఈ సాంకేతికత ప్రభుత్వాలు వారు వారి పౌరుల మౌలిక స్వేచ్ఛలను ప్రమాదంలో పెట్టేందుకు ఉపయోగించవచ్చు, ఉదాహరణకు నిర్ధిష్ట వ్యక్తులపై నిరంతర సమీక్ష. అందుచేత, డేటా శాస్త్రవేత్తలు మరియు సంస్థలు తమ AI వ్యవస్థ వ్యక్తులకు లేదా సమాజానికి ప్రভাবం ఎంత తమ బాధ్యతగా భావించాలి.
AI వ్యవస్థలను రూపకల్పన చేసి అమలు చేసేవారికి వారి వ్యవస్థలు ఎలా పనిచేస్తాయో బాధ్యత వహించాలి. ముఖాముఖి గుర్తింపు వంటి సున్నితమైన సాంకేతికతలలో బాధ్యత అవసరం ఎంత ముఖ్యమో అధికంగా. ఇటీవల, ముఖాముఖి గుర్తింపు సాంకేతికతకు డిమాండ్ పెరుగుతోంది, ముఖ్యంగా పోలీస్ సంస్థల వద్ద, కంటి కనుమరుగైన పిల్లలను కనుగొనడంలో ఈ సాంకేతికత ఉపయోగపడుతుందని తెలుస్తోంది. అయితే, ఈ సాంకేతికతలు ప్రభుత్వం నిర్దిష్ట వ్యక్తులపై నిరంతర పర్యవేక్షణ చేయడానికి ఉపయోగించవచ్చు, దాంతో వారి ప్రాథమిక స్వేచ్ఛలకు ప్రమాదం కలిగే అవకాశం ఉంది. అందువల్ల, డేటా శాస్త్రవేత్తలు మరియు సంస్థలు వారి AI వ్యవస్థ వ్యక్తులు లేదా సమాజంపై ఎలా ప్రభావం చూపుతుందో బాధ్యత వహించాలి.
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft యొక్క బాధ్యతాయుత AI దృష్టికోణం")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "మైక్రోసాఫ్ట్ బాధ్యతాయుత AI దృష్టికోణం")
> 🎥 వీడియో కోసం పైచిత్రం క్లిక్ చేయండి: ముఖచిత్ర గుర్తింపు ద్వారా భారీ పర్యవేక్షణ హెచ్చరికలు
> 🎥 పై చిత్రాన్ని క్లిక్ చేసి వీడియో చూడండి: ముఖాముఖి గుర్తింపుతో మాస్ పర్యవేక్షణ హెచ్చరికలు
చివరకి, AIని సమాజానికి సం<E0B0B8>దిస్తూ మొదటి తరం మన సంతతి ఎంతో పెద్ద ప్రశ్నకు ఎదురు చూస్తున్నాం – కంప్యూటర్లు ప్రజలకూ బాధ్యత వహించడానికి ఎలా ఉండాలి మరియు కంప్యూటర్ రూపకల్పన దారులు ప్రతి ఒక్కరికీ బాధ్యత వహించేలా ఎలా చూడాలి.
చివరగా, మా తరం, సమాజానికి AI ను తీసుకురావటంలో తొలి తరం వ్యక్తులుగా, కంప్యూటర్లు ప్రజలకు బాధ్యత కలిగి ఉండేలా మరియు కంప్యూటర్లు రూపకల్పన చేసిన వారు అందరికి బాధ్యత వహించేలా ఎలా నిర్ధారించాలో పెద్ద ప్రశ్న.
## ప్రభావం అంచనా
## ప్రభావం అంచనా
మెషీన్ లెర్నింగ్ మోడల్ శిక్షణకు ముందుగా, AI వ్యవస్థ ప్రయోజనం, అవు ఉపయోగించబోవడం, ఎక్కడ అమలు అవుతుందో మరియు ఎవరు వ్యవస్థతో పరస్పరం ఉంటారో అర్థం చేసుకోవడానికి ప్రభావం అంచనాను నిర్వహించడం ముఖ్యం. ఇది వ్యవస్థను సమీక్షించే వారికి ప్రమాదాలు మరియు గమనిస్తున్న పరిణామాలు ఏమిటి అనే విషయాలను పరిశీలించడానికి ఉపయోగపడుతుంది.
AI నమూనాను శిక్షణ ఇవ్వక ముందే, AI వ్యవస్థ ఉద్దేశిస్తున్న వాడకం, ఎక్కడ అమలు చేసేది, మరియు ఎవరు వ్యవస్థతో ముడిపడతారో అర్థం చేసుకునేందుకు ప్రభావం అంచనా నిర్వహించడం ముఖ్యం. ఇవి సిస్టమ్ను సమీక్షించే లేదా పరీక్షించే వారికి రిస్కులు మరియు ఆశించిన పరిణామాలను గుర్తించేటప్పుడు పరిగణలోకి తీసుకోవాల్సిన అంశాలను తెలియజేస్తాయి.
ప్రభావం అంచనా సమయంలో కింది ప్రాంతాలు దృష్టి పెట్టవలసినవి:
ప్రభావం అంచన చేయడం సమయంలో దృష్టి పెట్టాల్సిన ప్రాంతాలు:
* **వ్యక్తులపై ప్రతికూల ప్రభావం**. ఏవైనా పరిమితులు లేదా అవసరాలు, అసమర్థ వాడకం లేదా వ్యవస్థ పనితీరును అడ్డుకునే పరిమితులను గుర్తించడం ముఖ్యం, తద్వారానే తప్పదని ఉపయోగాన్ని నిరోధించడం.
* **వ్యక్తులపై ప్రతికూల ప్రభావం**. ఏ ఇతర నిషేధాలు లేదా అవసరాలు, అనధికారిక వాడకం లేదా వ్యవస్థ పనితీర్పులో ఉన్న పరిమితుల గురించి సమాచారం ఉండాలి, తద్వారా ఇది వ్యక్తులకు హాని కలిగించకుండా ఉపయోగించబడుతుంది.
* **డేటా అవసరాలు**. వ్యవస్థ ఎక్కడ మరియు ఎలా డేటాను ఉపయోగిస్తుందో అర్థం చేసుకోవడం, సమీక్షకులు నియమాలు మరియు ఆంక్షల (ఉదా. GDPR లేదా HIPAA) జాగ్రత్తలు తీసుకోవడానికి సహాయపడుతుంది. అదనంగా, శిక్షణకి సముచితం లేదా సరిపోతున్న డేటా వనరు యొక్క పరిమాణం పరిశీలించాలి.
* **డేటా అవసరాలు**. వ్యవస్థ డేటాను ఎలా మరియు ఎక్కడ ఉపయోగిస్తుందో అర్థం చేసుకోవడం సమీక్షకులకు (ఉదాహరణకి GDPR లేదా HIPAA రెగ్యులేషన్లు) పాటించవలసిన డేటా అవసరాలను పరిశీలించడానికి అవకాశం ఇస్తుంది. దాని మూలం లేదా పరిమాణం శిక్షణకు అవసరమో లేదో కూడా తేలుస్తుంది.
* **ప్రభావ సారాంశం**. వ్యవస్థ వాడుకలో ప్రసంగించే హానుల జాబితాను సేకరించండి. ML జీవనచక్రంలో ఇబ్బందులు పరిష్కరించబడుతున్నాయో లేదా దృష్టిలో ఉన్నాయో సమీక్షించండి.
* **ప్రభావం సారాంశం**. వ్యవస్థ వాడకంలో వచ్చే సాధ్యమైన హానుల జాబితాను సేకరించండి. మిషిన్ లెర్నింగ్ జీవిత చక్రం సమయంలో గుర్తించిన సమస్యలు పరిష్కారం పొందినాయా లేదా అని సమీక్షించండి.
* **ఆరు ముఖ్య సూత్రాలకు అనుగుణంగా గోల్స్**. ప్రతి సూత్రానికి గోల్స్ పూర్తయ్యాయో లేదా లోపాలున్నాయో అంచనా వేయండి.
* ఆరు కోర్ సూత్రాలకు సంబంధించిన **ప్రయోజనాత్మక లక్ష్యాలు**. ప్రతీ సూత్రం లక్ష్యాలు నెరవేర్చబడ్డాయా లేదా ఉన్న లోపాలు ఉన్నాయా అని అంచనా లు.
## బాధ్యతాయుత AIతో డీబగ్గింగ్
## బాధ్యతాయుత AIతో డీబగ్గింగ్
సాఫ్ట్వేర్ అప్లికేషన్ డీబగ్గింగ్ లాగా, AI వ్యవస్థలో సమస్యలను గుర్తించడం మరియు పరిష్కరించడం అవసరం. మోడల్ అనుకున్నట్లు లేదా బాధ్యతాయుతంగా పని చేయకపోవటానికి అనేక కారణాలు ఉంటాయి. ఎక్కువగా స్థాణికతా ప్రమాణాలు మోడల్ పనితీరు యొక్క గణాంక సమ్మేళనాలు, అవి బాధ్యతాయుత AI సూత్రాలను లంఘించే విధానాన్ని విశ్లేషించేందుకు తగినవి కావు. అంతేకాదు, మెషీన్ లెర్నింగ్ మోడల్ ఒక బ్లాక్ బాక్స్ లాంటిది, దాని ఫలితానికి కారణమయ్యే అంశాల వివరాలు అర్థం చేసుకోవడం కష్టం. తరువాత ఈ కోర్సులో, బాధ్యతాయుత AI డ్యాష్బోర్డ్స్ ఉపయోగించి AI వ్యవస్థలను డీబగ్గింగ్ చేయడం నేర్చుకుంటాము. ఈ డ్యాష్బోర్డ్ డేటా శాస్త్రవేత్తలు మరియు AI అభివృద్ధిపరులకు సమగ్ర టూల్ అందిస్తుంది:
సాఫ్ట్వేర్ అప్లికేషన్ డీబగ్గింగ్ లాగా, AI వ్యవస్థను డీబగ్గింగ్ చేయటం కూడా అవసరం, అది వ్యవస్థలో ఉన్న సమస్యలను గుర్తించడం మరియు పరిష్కరించడం కోసం. అధికం కారణాలు ఓ నమూనా అంచనాలకు తగ్గట్టుగా లేదా బాధ్యతాయుతంగా పనిచేయకపోవడం. సంప్రదాయ నమూనా పనితీరు గణాంకాలు నమూనా పనితీరు యొక్క గుణాత్మక సమీక్షలకు సరిపోవు, మరియు అవి బాధ్యతాయుత AI సూత్రాలను ఎలా ఉల్లంఘిస్తున్నాయో అర్థం చేసుకోడం కష్టం. అంతేకాదు, మిషిన్ లెర్నింగ్ నమూనా ఒక బ్లాక్ బాక్స్ లాంటిది, దాని ఫలితాని నడిపే కారణాలు అర్థం చేసుకోవడం మరియు పొరపాట్లున్నప్పుడు వివరణ ఇవ్వడం కష్టం. ఈ కోర్సులో తర్వాత భాగంలో, బాధ్యతాయుత AI డాష్బోర్డు ఉపయోగించి AI వ్యవస్థలను డీబగ్గింగ్ చేయడం నేర్పుతాము. డాష్బోర్డు డేటా శాస్త్రవేత్తలు మరియు AI డెవలపర్లకు సమగ్ర సాధనాన్ని అందిస్తుంది:
* **పొరపాటు విశ్లేషణ**. వ్యవస్థ న్యాయం లేదా విశ్వసనీయతపై ప్రభావం చూపే పొరపాటు పంపిణీని గుర్తించడానికి.
* **లోపం విశ్లేషణ**. వ్యవస్థ న్యాయత్వం లేదా విశ్వసనీయతపై ప్రభావం చూపే లోపాల విభజన ను గుర్తించడానికి.
* **మోడల్ అవలోకనం**. డేటా వర్గాల మధ్య మోడల్ పనితీరులో అంతరం ఉన్న ప్రాంతాలను కనుగొనటానికి.
* **నమూనా అవగాహన**. డేటా సమూహాలలో నమూనా పనితీరు లో వ్యత్యాసాలను కనుగొనడానికి.
* **డేటా విశ్లేషణ**. డేటా పంపిణీని అర్థం చేసుకుని, న్యాయం, అంతర్ప్రవేశ, విశ్వసనీయత సమస్యలకు దారి తీయగలిగే పక్షపాతాన్ని గుర్తించడానికి.
* **డేటా విశ్లేషణ**. డేటా పంపిణీ అర్థం చేసుకోవడం మరియు న్యాయత్వం, సామరస్యం, విశ్వసనీయత సమస్యలకు దారితీసే భ్రమలు ఉన్నాయా లేదో గుర్తించడానికి.
* **మోడల్ వివరణాత్మకత**. మోడల్ అంచనాలపై ప్రభావం చూపే కారణాలను అర్థం చేసుకోవడానికి. ఇది మోడల్ ప్రవర్తనను వివరించడం సహాయపడుతుంది, ఇది పారదర్శకత మరియు బాధ్యతకు ముఖ్యమైనది.
* **నమూనా వివరణాత్మకత**. నమూనా అంచనాలను ప్రభావితం చేసే అంశాలను అర్థం చేసుకోవడానికి. ఇది పారదర్శకత మరియు బాధ్యతకు ముఖ్యమైన నమూనా ప్రవర్తనను వివరించడంలో సహాయపడుతుంది.
## 🚀 సవాలు
## 🚀 సవాలు
హానులను ముందుగా తప్పించే విధంగా మనం:
హానులను తొలి దశలోనే పరిష్కరించేందుకు, మనం:
- వ్యవస్థలపై పనిచేసే ప్రజలలో విభిన్న నేపథ్యాలు మరియు దృష్టికోణాలు ఉన్నట్టుండేటట్లు చూసుకోవాలి
- వ్యవస్థలపై పనిచేస్తున్న వారికి విభిన్న నేపథ్యాలు మరియు దృక్కోణాలు ఉండాలి
- మన సమాజ విభిన్నతలను ప్రతిబింబించే డేటాసెట్లలో పెట్టుబడి పెట్టాలి
- సమాజ వివిధత్వాన్ని ప్రతిబింబించే డేటాసెట్లలో పెట్టుబడి చేయాలి
- మెషీన్ లెర్నింగ్ జీవనచక్రం అంతటా బాధ్యతాయుత AIని గుర్తించి సరిదిద్దేందుకు మెరుగైన పద్ధతులు అభివృద్ధి చేయాలి
- మిషిన్ లెర్నింగ్ జీవన చక్రంలో అవినీతిపరమైన AI ని గుర్తించి సరి చేసేందుకు మెరుగైన విధానాలను అభివృద్ధి చేయాలి
ఒక మోడల్ అవిశ్వసనీయత స్పష్టంగా కనిపించే శాస్త్ర మరియు వాడుక సందర్భాల గురించి ఆలోచించండి. ఇంకేమి పరిగణించాలి?
నమూనా విశ్వసనీయత లేకపోవడం స్పష్టం కాబోతున్న జీవిత పరిస్థుతులపై ఆలోచించండి. మనం మరైనది పరిగణించాలి?
## [పాఠం తర్వాత క్విజ్](https://ff-quizzes.netlify.app/en/ml/)
## [ఉపదేశం తర్వాత క్విజ్](https://ff-quizzes.netlify.app/en/ml/)
## సమీక్ష & స్వఅధ్యయనం
## సమీక్ష & స్వయంపఠనం
ఈ పాఠంలో మీరు మిషిన్ లెర్నింగ్ లో న్యాయత్వం మరియు అన్యాయత్వం సంబంధమైన కొన్ని ప్రాథమిక భావనలను నేర్చుకున్నారు.
ఈ పాఠంలో, మీరు మిషన్ లెర్నింగ్లో సరసమైన మరియు అసరసమైన భావనల కొంత మౌలికాలు నేర్చుకున్నారు.
ఈ విషయాలపై మరింత లోతైన అవగాహన కోసం ఈ వర్క్షాప్ చూడండి:
ఈ వీడియో వర్క్షాప్ను వీక్షించి విషయాలను మరింత లోతుగా అర్థం చేసుకోండి:
- బాధ్యతాయుత AI కోసం: సూత్రాలను ప్రయోగంలోకి తీసుకురావడం - బేస్మిరా నుషీ, మెహర్నూష్ సమెక్కీ మరియు అమిత్ శర్మ ద్వారా
- బాధ్యతగల AI కోసం తపించడంలో: Besmira Nushi, Mehrnoosh Sameki మరియు Amit Sharma చేత సూత్రాలను ఆచరణలోకి తీసుకువెళ్లడం
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: జవాబుదారి AI ని నిర్మించడానికి ఓపెన్-సోర్స్ ఫ్రేమ్వర్క్")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: బాధ్యతగల AI నిర్మాణం కోసం ఓపెన్శోర్స్ ఫ్రేమ్వర్క్")
> 🎥 వీడియో కోసం పై చిత్రంపై క్లిక్ చేయండి: Besmira Nushi, Mehrnoosh Sameki, మరియు Amit Sharma రచించిన RAI Toolbox: జవాబుదారి AI ని నిర్మించడానికి ఓపెన్-సోర్స్ ఫ్రేమ్వర్క్
> 🎥 వీడియో కోసం పై చిత్రం క్లిక్ చేయండి: Besmira Nushi, Mehrnoosh Sameki, మరియు Amit Sharma ద్వారా బాధ్యతగల AI టూల్బాక్స్: ఓపెన్శోర్స్ ఫ్రేమ్వర్క్
ఇంకా చదవండి:
అదనంగా చదవండి:
- Microsoft యొక్క RAI వనరు కేంద్రం: [Responsible AI Resources – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- Microsoft యొక్క RAI రిసోర్స్ సెంటర్: [బాధ్యతగల AI వనరులు – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- Microsoft యొక్క FATE పరిశోధనా గ్రూప్: [FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
- Microsoft యొక్క FATE పరిశోధనా గుంపు: [FATE: ఎఫైర్నెస్, అకౌంటబిలిటీ, పారదర్శకత మరియు AIలో నైతికత - Microsoft రీసర్చ్](https://www.microsoft.com/research/theme/fate/)
RAI Toolbox:
RAI టూల్బాక్స్:
- [జవాబుదారి AI టూల్బాక్స్ GitHub రిపోజిటరీ](https://github.com/microsoft/responsible-ai-toolbox)
- [బాధ్యతగల AI టూల్బాక్స్ GitHub రిపాజిటరీ](https://github.com/microsoft/responsible-ai-toolbox)
న్యాయసంబంధితతను నిర్ధారించడానికి Azure Machine Learning టూల్స్ గురించి చదవండి:
Azure Machine Learning యొక్క సరసత్వాన్ని నిర్ధారించే టూల్స్ గురించి చదవండి:
> ### [ఈ పాఠం R లో కూడా అందుబాటులో ఉంది!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
> ### [ఈ పాఠం R లో అందుబాటులో ఉంది!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
## పరిచయం
## పరిచయం
ఈ నాలుగు పాఠాల్లో, మీరు రిగ్రెషన్ మోడల్స్ ఎలా రూపొందించాలో తెలుసుకుంటారు. వీటికి గానీ మనం త్వరలో చర్చించబోతున్నాం. కానీ మీరు ఏదైనా చేయకముందు, ప్రారంభించడానికి సరైన సాధనాలు మీ వద్ద ఉన్నాయా చాలు చూడు!
ఈ నాలుగు పాఠాలలో, మీరు రిగ్రెషన్ మోడల్స్ను ఎలా తయారు చేసుకోవచ్చో తెలుసుకుంటారు. వీటి ఉపయోగం త్వరలో చర్చించబడుతుంది. కానీ ఏదైనా చేయక ముందే, మీరు సరైన టూల్స్ను సిద్ధం చేసుకున్నారని నిర్ధారించుకోండి!
ఈ పాఠంలో మీరు నేర్చుకోబోతున్న విషయాలు:
ఈ పాఠంలో మీరు నేర్చుకుంటారు:
- స్థానిక మెషిన్ లెర్నింగ్ పనుల కోసం మీ కంప్యూటర్ కన్ఫిగర్ చేయడం.
- స్థానిక మెషిన్ లెర్నింగ్ పనుల కోసం మీ కంప్యూటర్ని సెట్ చేయటం.
[](https://youtu.be/-DfeD2k2Kj0 "నవ ప్రవేశికల కోసం - మీ సాధనాలను సెట్ చేసి మెషిన్ లెర్నింగ్ మోడల్స్ తయారు చేయండి")
[](https://youtu.be/-DfeD2k2Kj0 "మాంలోకులకు - మెషిన్ లెర్నింగ్ మోడల్స్ సృష్టించేందుకు మీ టూల్స్ సిద్ధం చేసుకోండి")
> 🎥 ML కోసం మీ కంప్యూటర్ను ఎలా కన్ఫిగర్ చేయాలి అనే చిన్న వీడియో కోసం పై చిత్రం పై క్లిక్ చేయండి.
> 🎥 మీ కంప్యూటర్ను మెషిన్ లెర్నింగ్ కోసం సెటప్ చేయాలెం ఇచ్చిన ఈ చిన్న వీడియో కోసం పై చిత్రాన్ని క్లిక్ చేయండి.
1. **Python ఇన్స్టాల్ చేయండి**. మీ కంప్యూటర్ లో [Python](https://www.python.org/downloads/) ఇన్స్టాప్ అయి ఉందో లేదో చూసుకోండి. మీరు చాలా డేటా సైన్స్ మరియు మెషిన్ లెర్నింగ్ పనుల కోసం Python ను ఉపయోగించబోతున్నారు. ఎక్కువ కంప్యూటర్ సిస్టమ్స్ లో Python ఇన్స్టాలేషన్ ముందే ఉంటుంది. కొందరు వినియోగదారుల కోసం నమూనా [Python కోడింగ్ ప్యాక్స్](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) కూడా అందుబాటులో ఉన్నాయి, వీటిని సెట్ అప్ చేయడం సులభం.
1. **పైథాన్ ఇన్స్టాల్ చేయండి**. [పైథాన్](https://www.python.org/downloads/) మీ కంప్యూటర్లో ఇన్స్టాల్ ఉందని నిర్ధారించుకోండి. మీరు డేటా సైన్స్ మరియు మెషిన్ లెర్నింగ్ పనుల కోసం పైథాన్ను ఉపయోగిస్తారు. చాలా కంప్యూటర్ వ్యవస్థల్లోనే పైథాన్ ఇన్స్టాలేషన్ ఉంటుంది. కొన్ని వినియోగదారులకు సులభతరం చేయడానికి ఉపయోగకరమైన [పైథాన్ కోడింగ్ ప్యాక్స్](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) కూడా అందుబాటులో ఉన్నాయి.
అయినప్పటికీ, Python ఉపయోగానికి కొన్నిసార్లు ఒక వెర్షన్ అవుతుంది, మరికొన్ని సందర్భాల్లో వేరే వెర్షన్ అవసరం. అందుకే మీరు [వర్చువల్ ఎన్విరాన్మెంట్](https://docs.python.org/3/library/venv.html) లో పనిచేసే విధానం మంచిదిగా ఉంటుంది.
కానీ కొన్ని ఉపయోగాలు ఒక వెర్షన్ ది వైయేర్ చేస్తాయి, మరి కొన్ని వేరొక వెర్షన్ అవసరం. అందుకే [వర్చువల్ ఎన్విరాన్మెంట్](https://docs.python.org/3/library/venv.html)లో పనిచేయడం బెటర్.
2. **Visual Studio Code ఇన్స్టాల్ చేసుకోండి**. మీ కంప్యూటర్ లో Visual Studio Code ఉందో లేదో ధృవీకరించుకోండి. ప్రాథమిక ఇన్స్టాలేషన్ కోసం ఈ దిశానిర్దేశాల్ని ఫాలో అవ్వండి: [Visual Studio Code ఇన్స్టాలేషన్](https://code.visualstudio.com/). మీరు ఈ కోర్స్ లో Visual Studio Code లో Python ఉపయోగించబోతున్నందున, Python అభివృద్ధి కోసం [Visual Studio Code ను ఎలా సెటప్ చేసుకోవాలి](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) అనే విషయాన్ని కూడా నేర్చుకోవచ్చు.
2. **విజువల్ స్టూడియో కోడ్ ఇన్స్టాల్ చేయండి**. మీ కంప్యూటర్ మీద Visual Studio Code ఉండటం చాందనం. ఈ సూచనలు పాటించి [Visual Studio Code ఇన్స్టాల్](https://code.visualstudio.com/) చేయండి. ఈ కోర్సు కోసం మీరు Visual Studio Codeలో Python ఉపయోగించనున్నందున, Python డెవలప్మెంట్ కోసం [Visual Studio Code ఎలా కాంపిగర్ చేయాలి](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) తెలుసుకోవచ్చు.
> Python లో నిపుణుడయ్యేందుకు ఈ [లెర్న్ మాడ్యూల్స్ సేకరణ](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) చూసుకోండి
> ఈ [Learn మాడ్యూల్స్](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) ఉపయోగించి పైథాన్తో సౌకర్యంగా ఉన్న బ్రష్ అయిపోండి
>
>
> [](https://youtu.be/yyQM70vi7V8 "Visual Studio Code తో Python సెటప్")
> [](https://youtu.be/yyQM70vi7V8 "Visual Studio Code తో Python సెటప్")
>
>
> 🎥 పై చిత్రం మీద క్లిక్ చేస్తే VS Code లో Python ఎలా వాడాలి అనే వీడియో తెరుచుకుంటుంది.
> 🎥 పై చిత్రం క్లిక్ చేసి వీడియో చూడండి: VS కోడ్ లో Python ఉపయోగించడం.
3. **Scikit-learn ఇన్స్టాల్ చేయండి**, [ఈ దిశానిర్దేశాలు](https://scikit-learn.org/stable/install.html) అనుసరించండి. మీరు Python 3 వాడాలని నిర్ధారించుకోండి, అందువల్ల వర్చువల్ ఎన్విరాన్మెంట్ ఉపయోగించడం సలహా ఇవ్వబడింది. మీరు M1 Mac లో ఈ లైబ్రరీ ని ఇన్స్టాల్ చేస్తున్నట్లయితే, ప్రత్యేక సూచనలు ఉన్నాయని పై లింకులో చూడండి.
3. **స్కైకిట్-లెర్న్ ఇన్స్టాల్ చేయండి**, [ఈ సూచనలు](https://scikit-learn.org/stable/install.html) అనుసరించి. Python 3 ఉపయోగించటం తప్పనిసరి కావడంతో, వర్చువల్ ఎన్విరాన్మెంట్ వాడటం మంచిది. M1 మాక్ మీద ఇన్స్టాల్ చేస్తే ప్రత్యేక సూచనలు లింక్ పేజీలో ఉన్నాయి.
1. **Jupyter Notebook ఇన్స్టాల్ చేయండి**. మీరు [Jupyter ప్యాకేజీ ఇన్స్టాల్](https://pypi.org/project/jupyter/) చేయాలి.
1. **జూపైటర్ నోట్బుక్ ఇన్స్టాల్ చేయండి**. [జూపైటర్ ప్యాకేజీ ఇన్స్టాల్](https://pypi.org/project/jupyter/) చేయాలి.
## మీ ML రచనా వాతావరణం
## మీ ML రచనా వాతావరణం
మీరు మీ Python కోడ్ను అభివృద్ధి చేయడానికి మరియు మెషిన్ లెర్నింగ్ మోడల్స్ సృష్టించడానికి **నోట్బుక్స్** ను ఉపయోగించబోతున్నారు. ఈ రకం ఫైల్ డేటా సైన్తిస్ట్ల సాధారణ పరికరం, మరియు ఇవి `.ipynb` విస్తరణతో గుర్తింపు పొందతాయి.
మీరు మీ Python కోడ్ అభివృద్ధి చేసేందుకు మరియు మెషిన్ లెర్నింగ్ మోడల్స్ తయారుచేయడానికి **నోట్లబుక్స్**ను ఉపయోగిస్తారు. ఈ ఫైల్ రకం డేటా శాస్త్రవేత్తలకు సాధారణ ఉపకరణం, ఇవి వారి సఫిక్స్ లేదా విస్తరణ `.ipynb` ద్వారా గుర్తించబడతాయి.
నోట్బుక్స్ అనేవి ఒక ఇంటరాక్టివ్ వాతావరణం, దీని ద్వారా డెవలపర్ కోడ్ రాయవచ్చు మరియు కోడ్ చుట్టూ గమనికలు మరియు డాక్యుమెంటేషన్ చేర్చవచ్చు, ఇది ప్రయోగాత్మక లేదా పరిశోధనా ప్రాజెక్టుల కోసం చాలా ఉపయోగకరం.
నోట్లబుక్స్ ఒక ఇంటరాక్టివ్ వాతావరణం, కోడ్ తోపాటు గమనికలు జోడించడానికి, డాక్యుమెంటేషన్ రాయడానికి సహాయం చేస్తాయి, ఇది ప్రయోగదారుల లేదా పరిశోధనా-ఆధారిత ప్రాజెక్టులకు ఔత్సాహికంగా ఉపయోగపడుతుంది.
[](https://youtu.be/7E-jC8FLA2E "నవ ప్రవేశికల కోసం - రిగ్రెషన్ మోడల్స్ ప్రారంభించడానికి Jupyter Notebooks సెట్ చేయడం")
[](https://youtu.be/7E-jC8FLA2E "మాంలోకులకు - రిగ్రెషన్ మోడల్స్ తయారుచేసేందుకు జూపైటర్ నోట్లబుక్స్ సెట్ చేయండి")
> 🎥 ఈ వ్యాయామాన్ని పూర్తి చేయడం చూపించే చిన్న వీడియో కోసం పై చిత్రంపై క్లిక్ చేయండి.
> 🎥 ఈ వ్యాయామం ద్వారా షార్ట్ వీడియో కోసం పై చిత్రాన్ని క్లిక్ చేయండి.
### వ్యాయామం - ఒక నోట్బుకుతో పని చేయండి
### వ్యాయామం - నోట్లు బుక్తో పని చేయండి
ఈ ఫోల్డర్లో మీరు _notebook.ipynb_ ఫైల్ను కనుగొంటారు.
ఈ ఫోల్డర్లో, _notebook.ipynb_ ఫైల్ ఉంది.
1. Visual Studio Code లో _notebook.ipynb_ ని తెరవండి.
1. Visual Studio Codeలో _notebook.ipynb_ ని ఓపెన్ చేయండి.
ఒక Jupyter సర్వర్ ప్రారంభమవుతుంది, Python 3+ తో ప్రారంభం అవుతుంది. నోట్బుక్లో `run` చేయగల కోడ్ భాగాలు ఉంటాయి. ప్లే బటన్లా కనిపించే చిహ్నం ఎంచుకుని మీరు కోడ్ బ్లాక్ నడిపించవచ్చు.
జూపైటర్ సర్వర్ Python 3+తో స్టార్ట్ అవుతుంది. నోట్లు బుక్లో `run` చేయగల కోడ్ భాగాలు ఉంటాయి. కోడ్ బ్లాక్ నడిపేందుకు ప్లే బటన్ లాంటిది ఉన్న ఐకాన్ ఎంచుకోండి.
1. `md`చిహ్నాన్ని ఎంచుకుని కొంత మార్క్డౌన్ జోడించండి, టెక్స్ట్ గా **# Welcome to your notebook** వ్రాయండి.
1. `md`ఐకాన్ ఎంచుకుని కొంత Markdown జోడించి క్రింద వాక్యం రాయండి **# మీ నోటుబుక్కి స్వాగతం**.
తరువాత కొంత Python కోడ్ జోడించండి.
తర్వాత కొద్ది Python కోడ్ జోడించండి.
1. కోడ్ బ్లాక్లో **print('hello notebook')** టైప్ చేయండి.
1. కోడ్ బ్లాక్లో **print('hello notebook')** టైప్ చేయండి.
1. కోడ్ నడిపేందుకు ఎరో బటన్ ని ఎంచుకోండి.
1. కోడ్ నడిపేందుకు అడుగు ఎంచుకోండి.
మీరు క్రింద చూపించిన వాక్యాన్ని ప్రింట్ అవ్వడం చూడాలి:
మీరు ప్రింట్ చేసిన ప్రకటన చూడగలరు:
```output
```output
hello notebook
hello notebook
```
```
మీ కోడ్ను సొంతంగా డాక్యుమెంట్ చేయడానికి వ్యాఖ్యలతో కలిపి నోట్బుక్లో చేర్చవచ్చు.
మీ కోడ్ పక్కన వ్యాఖ్యలను జోడించి నోటుబుక్ను స్వయంగా డాక్యుమెంట్ చేయవచ్చు.
✅ ఒక నిమిషం ఆలోచించండి: వెబ్ డెవలపర్ పని వాతావరణం మరియు డేటా సైన్తిస్ట్ పని వాతావరణం ఎంత భిన్నమో.
✅ వెబ్ డెవలపర్ వాతావరణం మరియు డేటా శాస్త్రవేత్త వాతావరణం ఎంత భిన్నమో ఒక నిమిషం ఆలోచించండి.
## Scikit-learn తో వర్కింగ్ ప్రారంభం
## స్కైకిట్-లెర్న్తో ప్రారంభం
ఇప్పటికే Python మీ లోకల్ వాతావరణంలో సెటప్ అయింది, మీరు జుపిటర్ నోట్బుక్లతో సౌకర్యవంతంగా ఉన్నారు, ఇప్పుడు Scikit-learn (దీన్ని `'sci'` అని ఉచ్చరించాలి, `science` లాగా) తో కూడా సమానంగా సులభంగా పరిచయం కావచ్చు. Scikit-learn మీకు మెషిన్ లెర్నింగ్ పనులు సులభం చేసే [విస్తృత API](https://scikit-learn.org/stable/modules/classes.html#api-ref) అందిస్తుంది.
ఇప్పుడు Python స్థానికంగా సెట్ అయ్యింది, జూపైటర్ నోట్లు బుక్స్తో సౌకర్యంగా ఉన్నారు, స్కైకిట్-లెర్న్తో కూడా సమానంగా సౌకర్యంగా అవ్వండి (ఇది ఎటువంటి శాస్త్రం అని `sci` అనే ఉచ్చారణ). స్కైకిట్-లెర్న్ ఒక [విస్తృత API](https://scikit-learn.org/stable/modules/classes.html#api-ref)ని అందిస్తుంది, ఇది మీ ML పనులను చేయడానికి సహాయం చేస్తుంది.
వారి [వెబ్సైట్](https://scikit-learn.org/stable/getting_started.html) ప్రకారం, "Scikit-learn అనేది ఓపెన్ సోర్స్ మెషిన్ లెర్నింగ్ లైబ్రరీ, ఇది సూపర్వైజ్డ్ మరియు అన్సూపర్వైజ్డ్ లెర్నింగ్ను మద్దతు ఇస్తుంది. ఇది మోడల్ ఫిట్టింగ్, డేటా ప్రీప్రాసెసింగ్, మోడల్ సెలెక్షన్, ఇవాల్యుయేషన్ మరియు అనేక ఇతర టూల్స్ అందిస్తుంది."
వారి [వెబ్సైట్](https://scikit-learn.org/stable/getting_started.html) ప్రకారం, "స్కైకిట్-లెర్న్ ఒక ఓపెన్ సోర్స్ మెషిన్ లెర్నింగ్ లైబ్రరీ, ఇది సూపర్వైజ్డ్ మరియు అన్సూపర్వైజ్డ్ లెర్నింగ్ను మద్దతు ఇస్తుంది. ఇది మోడల్ ఫిట్టింగ్, డేటా ప్రీప్రొసెసింగ్, మోడల్ సెలెక్షన్ మరియు మూల్యాంకన, మరియు ఇతర అనేక పనులకు పరికరాలు అందిస్తుంది."
ఈ కోర్సులో మీరు Scikit-learn మరియు ఇతర సాధనాలు ఉపయోగించి మేము 'సాంప్రదాయ మెషిన్ లెర్నింగ్' పనులు చేయడానికి మోడల్స్ తయారుచేస్తారు. న్యూరల్ నెట్వర్క్స్ మరియు డీప్ లెర్నింగ్ నుండి deliberate గా దూరంగా ఉన్నాము, అవి రాబోయే 'AI ఫర్ బిగినర్స్' కార్యక్రమంలో మెరుగుగా చర్చించబడతాయి.
ఈ కోర్సులో మీరు స్కైకిట్-లెర్న్ మరియు ఇతర పరికరాలను ఉపయోగించి 'పారంపరిక మెషిన్ లెర్నింగ్' పనుల కోసం మోడల్స్ తయారీ చేస్తారు. న్యూరల్ నెట్వర్క్స్ మరియు డీప్ లెర్నింగ్ను దూరంగా ఉంచాము, అవి మాకొస్తున్న 'AI ఫర్ బెగినర్స్' కోర్సులో బాగా కవర్ చేస్తారు.
Scikit-learn మోడల్స్ తయారుచేయడం మరియు వాటిని వాడుకునేలా ఈవాల్యుయేట్ చేయడం సులభం చేస్తుంది. ఇది ప్రధానంగా న్యూమరిక్ డేటాను ఫోకస్ చేస్తుంది మరియు అనుకరణకు కొంత సిద్ధ డేటా సెట్లు కలిగి ఉంది. ఇది విద్యార్థులకు ప్రయత్నించడానికి ప్రీ-బిల్ట్ మోడల్స్ కూడా కలిగి ఉంది. ముందుగా ప్యాకేజీవై డేటాను లోడ్ చేసుకోవడం, ఇన్-బిల్ట్ ఎస్టిమేటర్ తో ప్రాథమిక ML మోడల్ సృష్టించటం చూద్దాం.
స్కైకిట్-లెర్న్ మోడల్స్ నిర్మాణం, వాటి ఉపయోగాన్ని సులభతరం చేస్తుంది. ఇది ప్రధానంగా సంఖ్యాత్మక డేటా కోసం మరియు నేర్చుకునేందుకు ఉపయోగించే సిద్ధమైన డేటా సెట్లను కలిగి ఉంది. విద్యార్థులు ప్రయత్నించేందుకు ప్రీ-బిల్ట్ మోడల్స్ కూడా అందుబాటులో ఉన్నాయి. ప్రీ-ప్యాకేజ్డ్ డేటాను లోడ్ చేసి, ఒక ఎస్టిమేటర్ను ఉపయోగించి ప్రాథమిక డేటాతో మీ మొదటి ML మోడల్ సృష్టించే ప్రక్రియను పరిశీలించుకుందాం.
## వ్యాయామం - మీ మొదటి Scikit-learn నోట్బుక్
## వ్యాయామం - మీ మొదటి స్కైకిట్-లెర్న్ నోట్లు బుక్
> ఈ ట్యుటోరియల్ Scikit-learn వెబ్సైట్ లోని [లీనియర్ రిగ్రెషన్ ఉదాహరణ](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) ఆధారంగా రూపొందింది.
> ఈ ట్యుటోరియల్ స్కైకిట్-లెర్న్ వెబ్సైట్పై ఉన్న [లీనియర్ రిగ్రెషన్ ఉదాహరణ](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py)నుంచి ప్రేరణ పొందింది.
[](https://youtu.be/2xkXL5EUpS0 "Pythonలో మీ మొదటి లీనియర్ రిగ్రెషన్ ప్రాజెక్ట్")
[](https://youtu.be/2xkXL5EUpS0 "మాంలోకులకు - Pythonలో మీ మొదటి లీనియర్ రిగ్రెషన్ ప్రాజెక్ట్")
> 🎥 ఈ వ్యాయామం ఆచరణలో చూపించే వీడియో కోసం పై చిత్రంపై క్లిక్ చేయండి.
> 🎥 ఈ వ్యాయామం కోసం షార్ట్ వీడియో చూడటానికి పై చిత్రం క్లిక్ చేయండి.
ఈ పాఠానికి సంబంధించిన _notebook.ipynb_ ఫైల్లో, 'trash can' ఐకాన్ నొక్కి అన్ని సెల్లను క్లియర్ చేయండి.
ఈ పాఠానికి సంబంధించిన _notebook.ipynb_ ఫైల్లోని అన్ని సెల్స్ను 'trash can' ఐకాన్ నొక్కి ఖాళీ చేయండి.
ఈ భాగంలో, మీరు సన్నని డయాబెటిస్ డేటాసెట్ తో పని చేస్తారు, ఇది Scikit-learn లో నేర్చుకునే ఉద్దేశ్యంతో ఉండి ఉంటుంది. మీరు ఓ చికిత్సని పరీక్షించాలనుకుంటున్న డయాబెటిస్ రోగుల గురించి ఆలోచించండి. మెషిన్ లెర్నింగ్ మోడల్స్ వీరు ఎవరికి మెరుగుగా స్పందించగలరో అంచనా వేయడంలో సహాయపడతాయి. సరళమైన రిగ్రెషన్ మోడల్ కూడా విజువలైజ్ చేస్తే, వేరియబుల్స్ గురించి ఉపయోగకరమైన సమాచారాన్ని చూపించి, తౌరైటికల్ క్లినికల్ ట్రయల్స్ను ఏర్పాటు చేయడంలో సహాయపడుతుంది.
ఈ సెక్షన్లో, స్కైకిట్-లెర్న్లో శిక్షణ కోసం రూపొందించిన డయాబెటిస్ గురించి చిన్న డేటాసెట్తో మీరు పని చేస్తారు. మీకు డయాబెటిక్ రోగుల చికిత్స పరీక్షించాలని అనుకుంటే, మెషిన్ లెర్నింగ్ మోడల్స్ ఏ రోగులు మెరుగ్గా స్పందించరో నిర్ణయించడానికి సహాయం చేస్తాయి, వివిధ వేరియబుల్స్ కలయిక ఆధారంగా. చాలా ఆధారరహిత రిగ్రెషన్ మోడల్ చూపినప్పుడు, మీరు మీ సిద్దాంత క్లినికల్ ట్రయల్స్ను ఎలా నిర్వహించాలో సమాచారం పొందవచ్చు.
✅ రిగ్రెషన్ పద్ధతులు అనేక రకాలున్నాయి, మీరు ఎంచుకునేది మీకు కావలసిన సమాధానంపై ఆధారపడి ఉంటుంది. ఒక వ్యక్తి వయస్సుకు తగిన ఎత్తును అంచనా వేయాలనుకుంటే, లీనియర్ రిగ్రెషన్ ఉపయోగిస్తారు, ఎందుకంటే మీరు ఒక **సంఖ్యా విలువ** కోరుతున్నారు. ఒక వంటకాన్ని వეგన్ లో పెట్టాలా లేదా అనేది తెలుసుకోవాలనుకుంటే, మీరు **వర్గీకరణ** కోసం చూస్తున్నారు, అందుకే లాజిస్టిక్ రిగ్రెషన్ ఉపయోగిస్తారు. లాజిస్టిక్ రిగ్రెషన్ గురించి తర్వాత నేర్చుతారు. మీరు డేటాను అడిగే ప్రశ్నల గురించి ఆలోచించండి, ఏ పద్ధతి అనుకూలమో తెలుసుకోండి.
✅ రిగ్రెషన్ పద్ధతులు ఎన్నో ఉంటాయి, మీరు ఎవరైనా ఎంచుకునేది మీరు కోరుకునే సమాధానంపై ఆధారపడి ఉంటుంది. మీరు ఒక వ్యక్తి వయసు కోసం సాద్యమైన ఎత్తు అంచనా వేయాలని అనుకుంటే, లీనియర్ రిగ్రెషన్ ఉపయోగిస్తారు, ఎందుకంటే మీరు **సంఖ్యాత్మక విలువ** కోరుతున్నారు. మీరు ఏ వంటకాల్ని వెజిటేరియన్ అని భావించవచ్చో తెలుసుకోవాలని ఉంటే, మీరు **వర్గీకరణ** కోసం చూస్తున్నారు కనుక లాజిస్టిక్ రిగ్రెషన్ వాడుతారు. తర్వాత మీరు లాజిస్టిక్ రిగ్రెషన్ గురించి మరింత నేర్చుకుంటారు. మీకు దత్తాంశం గురించి అడగగల ప్రశ్నలు, వాటికి అనుకూలమైన పద్ధతులు ఏవో ఆలోచించండి.
మనం ఈ పనిని ప్రారంభిద్దాము.
ఈ పనిని మొదలు పెట్టుదాం.
### లైబ్రరీలు దిగుమతి చేసుకోండి
### లైబ్రరీస్ దిగుమతి చేసుకునే ప్రక్రియ
ఈ పనికి మనం కొన్ని లైబ్రరీలు దిగుమతి చేసుకోబోతున్నాం:
ఈ పనికి కొన్ని లైబ్రరీస్ దిగుమతి చేసుకుంటాం:
- **matplotlib**. ఇది ఉపయోగకరమైన [గ్రాఫింగ్ టూల్](https://matplotlib.org/) మరియు గీయడానికి మనం లైన్ ప్లాట్ తయారుచేస్తాం.
- **matplotlib**. ఇది ఒక ఉపయోగకరమైన [గ్రాఫింగ్ టూల్](https://matplotlib.org/), మెట్లు తెరుస్తుంది.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) పాఠ్య రాశిగ ఉత్పత్తుల కోసం ఉపయోగపడే లైబ్రరీ.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) అనేది Pythonలో సంఖ్యాత్మక డేటాను నిర్వహించడానికి ఉపయోగించే లైబ్రరీ.
- **sklearn**. ఇది [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) లైబ్రరీ.
- **sklearn**. ఇది [స్కైకిట్-లెర్న్](https://scikit-learn.org/stable/user_guide.html) లైబ్రరీ.
మీ పనులకు సహాయం కోసం కొన్ని లైబ్రరీలను దిగుమతి చేసుకోండి.
మీ పనులకు సహాయం చేయడానికి కొన్ని లైబ్రరీస్ దిగుమతి చేసుకోండి.
from sklearn import datasets, linear_model, model_selection
from sklearn import datasets, linear_model, model_selection
```
```
ఇక్కడ మీరు `matplotlib`, `numpy`మరియు `sklearn` నుండి `datasets`, `linear_model` మరియు `model_selection` లను దిగుమతి చేసుకుంటున్నారు. `model_selection` ను డేటాను శిక్షణ మరియు పరీక్ష సెట్లుగా విడగొట్టడానికి వాడతారు.
మీరు `matplotlib`, `numpy`దిగుమతి చేసుకుంటున్నారు, అంతే కాక `sklearn` నుంచి `datasets`, `linear_model` మరియు `model_selection` ను కూడా. `model_selection` డేటాను శిక్షణ మరియు పరీక్ష సెట్లుగా విభజించడానికి ఉపయోగపడుతుంది.
### డయాబెటిస్ డేటాసెట్
### డయాబెటిస్ డేటాసెట్
బిల్ట్-ఇన్ [డయాబెటిస్ డేటాసెట్](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) 442 నమూనాలు కలిగి ఉంది, 10 ఫీచర్ వేరియబుల్స్తో, వాటిలో కొన్ని:
లోడ్ చేసిన [డయాబెటిస్ డేటాసెట్](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) 442 శాంపిల్స్ కలదు, 10 ఫీచర్ వేరియబుల్స్ తో, వాటిలో కొన్ని:
- వయసు: సంవత్సరాలతో వయస్సు
- వయస్సు: సంవత్సరాలలో వయసు
- బిఎమ్ఐ: బాడీ మాస్ ఇండెక్స్
- బిఎంఐ: శరీర ద్రవ్యం సూచిక
- బిపి: సగటు రక్తపోటు
- బీపీ: సగటు రక్తపోటు
- s1 tc: టీ-సెల్స్ (తెల్ల రక్త కణాలు)
- s1 tc: టీ కంపెన్ల్స్ (తెల్ల రక్తకణాలు)
✅ ఈ డేటాసెట్ లో 'లింగం' అనే సంకల్పన ఒక ముఖ్యమైన ఫీచర్ వేరియబుల్ గా ఉంది, ఇది డయాబెటిస్ పరిశోధనకు అవసరం. అనేక వైద్య డేటాసెట్లు ఈ రకమైన ద్విభాగ వర్గీకరణ కలిగి ఉంటాయి. ఈ వర్గీకరణలు జనాభాలోని కొన్ని భాగాలను చికిత్సల నుంచి ఎలా మినహాయించవచ్చో ఆలోచించండి.
✅ ఈ డేటాసెట్ 'లింగం' అనే అంశాన్ని ముఖ్యమైన అంశంగా కలిగి ఉంది, ఇది డయాబెటిస్ పరిశోధనలో కీలకం. చాలా వైద్య డేటాసెట్స్ ఈ రకమైన ద్విభాజన వర్గీకరణ కలిగి ఉంటాయి. ఇలాంటి వర్గీకరణలు జనాభాలోని కొంత భాగాన్ని చికిత్సల నుండి ఎలా తీసివేయవచ్చో ఆలోచించండి.
ఇప్పుడు, X మరియు y డేటాను లోడ్ చేయండి.
ఇప్పడు, X మరియు y డేటాను లోడ్ చేయండి.
> 🎓 గుర్తుంచుకోండి, ఇది సుపర్వైజ్డ్ లెర్నింగ్, అందుకే 'y' అనే లక్ష్య సంబంధించినది ఉండాలి.
> 🎓 జ్ఞాపకం ఉంచుకోండి, ఇది సూపర్వైజ్డ్ లెర్నింగ్, మరియు మనకు పేరుపొందిన 'y' లక్ష్యం అవసరం.
కొత్త కోడ్ సెల్లో, `load_diabetes()` ను పిలిచి డయాబెటిస్ డేటాను లోడ్ చేయండి. `return_X_y=True` అంటే `X` డేటా మ్యాట్రిక్సు, `y` రిగ్రెషన్ లక్ష్యం.
కొత్త కోడ్ సెల్లో`load_diabetes()` కాల్ చేస్తూ డయాబెటిస్ డేటాసెట్ లోడ్ చేయండి. `return_X_y=True` అనే ఇన్పుట్ Xని డేటా మ్యాట్రిక్స్ గా, yని రిగ్రెషన్ టార్గెట్ గా సూచిస్తుంది.
1. డేటా మ్యాట్రిక్స్ ఆకారాన్ని మరియు మొదటి అంశాన్ని ప్రింట్ చేయడానికి కొన్ని ఆదేశాలు జోడించండి:
1. డేటా మ్యాట్రిక్స్ ఆకారం మరియు మొదటి వస్తువును చూపించేందుకు ప్రింట్ కమాండ్లు చేర్చండి:
మీరు పొందేది ఒక టూపుల్. మీరు టూపుల్ మొదటి ఇద్దరు విలువలను వరుసగా `X` మరియు `y` లో ఉంచుతున్నారు. [టూపుల్స్ గురించి](https://wikipedia.org/wiki/Tuple) మరింత తెలుసుకోండి.
మీరు తిరిగి పొందేది ఒక టుపుల్. ఈ టుపుల్ మొదటి రెండు విలువలను `X` మరియు `y`గా కేటాయిస్తున్నారు. [టుపుల్స్ గురించి మరిన్ని తెలుసుకోండి](https://wikipedia.org/wiki/Tuple).
ఈ డేటా 442 అంశాలతో 10 అంశాల అర್ರೆల్లో ఉందని చూడవచ్చు:
మీరు చూడగలరు, ఈ డేటాలో 442 అంశాలు ఉన్నాయి, ప్రతి ఒక్కటి 10 అంశాల అర్రేస్ రూపంలో:
✅ డేటా మరియు రిగ్రెషన్ లక్ష్యానికి మధ్య సంబంధంపై కాస్త ఆలోచించండి. లీనియర్ రిగ్రెషన్ X మరియు y మధ్య సంబంధాలను అంచనా వేస్తుంది. డయాబెటిస్ డేటాసెట్ కోసం [లక్ష్యం](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) డాక్యుమెంటేషన్లో ఎక్కడ ఉందో చూడండి? ఈ డేటాసెట్ ఏాన్ని నిరూపిస్తోంది అని అర్థం చేసుకోండి.
✅ డేటా మరియు రిగ్రెషన్ టార్గెట్ సంబంధం గురించి ఆలోచించండి. లీనియర్ రిగ్రెషన్ ఫీచర్ X మరియు లక్ష్యం y మధ్య సంబంధాలను అంచనా వేస్తుంది. డయాబెటిస్ డేటాసెట్ [లక్ష్యం](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) డాక్యుమెంటేషన్లో ఏది చూడవచ్చు? ఈ డేటాసెట్ ఏం ప్రదర్శిస్తుంది, ఆ లక్ష్యం ఇచ్చిన సందర్భంలో?
2. తర్వాత, ఈ డేటాసెట్ నుండి ఒక భాగాన్ని ప్లాట్ చేయడానికి 3వ కాలమ్ని ఎంచుకోండి. `:` ఆపరేటర్ ఉపయోగించి అన్ని వరుసలను ఎంచుకొండి, ఆపై సూచీలు (ఇండెక్స్ 2) తో 3వ కాలమ్ ఎంచుకోండి. ప్లాటింగ్ కోసం డేటాను 2D అర్రేగా మార్చేందుకు `reshape(n_rows, n_columns)` ఉపయోగించవచ్చు. ఒక పారామీటరు -1 అయితే, ఆ మియాన్ని ఆటోమేటిగానే లెక్కిస్తుంది.
2. తరువాత, డేటాసెట్ నుండి భాగాన్ని ఎంపిక చేసుకోండి, 3వ కాలమ్ను ఎంచుకొని. మీరు `:` ఆపరేటర్ను ఉపయోగించి అన్ని వరుసలను ఎంచుకుని, 3వ కాలమ్ సూచిక ద్వారా (2), ఎంచుకోవచ్చు. మీరు డేటాను 2D అర్రేగా మార్చవచ్చు - గ్రాఫ్ డ్రా చేయడానికి అవసరం - `reshape(n_rows, n_columns)` ఉపయోగించి. ఒక పరామితి -1 అయితే, ఆ కొలత ఆటోమేటిక్ గా లెక్కించబడుతుంది.
```python
```python
X = X[:, 2]
X = X[:, 2]
X = X.reshape((-1,1))
X = X.reshape((-1,1))
```
```
✅ ఎప్పుడైనా డేటా ఆకారాన్ని ప్రింట్ చేసి తనిఖీ చేయండి.
✅ ఎప్పుడు కావాలంటే డేటా ఆకారం పరిశీలించడానికి ప్రింట్ చేయండి.
3. ఇప్పుడు మీకు ప్లాట్ చేసేటటువంటి డేటా సిద్ధంగా ఉంది, మిషన్ ఇప్పటికే సరిపోయే సరిహద్దును గుర్తించగలదో చూద్దాం. దీనికై, మీరు X మరియు y రెండింటిని టెస్ట్ మరియు ట్రైన్ సెట్లుగా విడగొట్టాలి. Scikit-learn తో దీన్ని చేయడం సులభం; మీరు టెస్ట్ డేటాను ఒక నిర్దిష్ట పాయింట్ వద్ద విభజించవచ్చు.
3. ఇప్పుడు, మీరు ప్లాట్ చేయడానికి డేటా సిద్ధంగా ఉంటుంది, యాంత్రికంగా ఒక లాజికల్ విభజన ఎంత వరకూ కావచ్చో చూడండి. ఇలా చేయడానికి, డేటా (X) మరియు టార్గెట్ (y) రెండూ పరీక్ష మరియు శిక్షణ సెట్లుగా విభజించాలి. స్కైకిట్-లెర్న్ అందించిన సులభమైన పద్ధతి ద్వారా మీరు టెస్టు డేటాను కచ్చితమైన స్పాట్ వద్ద విభజించవచ్చు.
```python
```python
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
```
```
4. ఇప్పుడు మీరు మీ మోడల్ శిక్షణకు సిద్ధంగా ఉన్నారు! లీనియర్ రిగ్రెషన్ మోడల్ లోడ్ చేసి `model.fit()` ఉపయోగించి మీ X, y శిక్షణ సెట్లతో శిక్షణ చేయండి:
4. ఇప్పుడు మీ మోడల్ ట్రైనింగ్కు సిద్ధం! లీనియర్ రిగ్రెషన్ మోడల్ లోడ్ చేయండి, మీ X మరియు y శిక్షణ సెట్లతో `model.fit()` ఉపయోగించి శిక్షణ ఇస్తూ:
```python
```python
model = linear_model.LinearRegression()
model = linear_model.LinearRegression()
model.fit(X_train, y_train)
model.fit(X_train, y_train)
```
```
✅ `model.fit()` అనేది మీరు TensorFlow వంటి ML లైబ్రరీస్ లో చూడగల ఫంక్షన్.
✅ `model.fit()` అనేది TensorFlow వంటి మెషిన్ లెర్నింగ్ లైబ్రరీలలో కనిపించే ఫంక్షన్.
5. తరువాత, `predict()` ఫంక్షన్ ఉపయోగించి టెస్ట్ డేటాతో అంచనా (prediction) సృష్టించండి. ఇది డేటా గ్రూపుల మధ్య గానీ లైన్ గీయడానికి ఉపయోగించబడుతుంది.
5. తర్వాత, టెస్ట్ డేటాను ఉపయోగించి `predict()` ఫంక్షన్ ద్వారా అంచనా చేయండి. ఇది డేటా గుంపుల మధ్య రేఖ తెరుస్తుంది.
```python
```python
y_pred = model.predict(X_test)
y_pred = model.predict(X_test)
```
```
6. ఇప్పుడు డేటాను ప్లాట్ చేయడానికి సమయం. Matplotlib ఈ పనికి చాలా ఉపయోగకరం. X మరియు y టెస్ట్ డేటాలోని డేటాపాయింట్ల scatterplot ను సృష్టించి, అంచనా తీసుకున్న లైన్ ని మోడల్ డేటా గ్రూపుల మధ్య తగిన చోట గీయండి.
6. ఇప్పుడు డేటాను ప్లాట్లో చూపించడానికి సమయం వచ్చింది. matplotlib ఇది ఒక చాలా ఉపయోగకరమైన సాధనం. అన్ని X మరియు y టెస్ట్ డేటాను స్పాటర్ప్లాట్ చేయండి, అంచనా ఉపయోగించి మోడల్స్ డేటా గుంపుల మధ్య సరైన స్థలంలో రేఖ వీస్తుంది.
✅ ఇది ఏమి చేస్తున్నది అనేదానిపై ఆలోచించండి. ఒక సరళి అనేక చిన్న డాటా పాయింట్ల మధ్య దూస్తోంది, ఇది ఏం సూచిస్తోంది? ఈ రేఖను ఉపయోగించి కొత్త మరియు చూడని డేటా పాయింట్ ఎక్కడ ఉండాలి అని అంచనా వేయొచ్చు కదా? ఈ మోడల్ యొక్క ప్రాక్టికల్ ఉపయోగం ఏమిటనే దాన్ని మాటలలో వ్యక్తం చేయండి.
✅ ఇక్కడ ఏమి జరుగుతుందో కొంచెం ఆలోచించండి. ఒక సూటా రేఖ చాలా చిన్న డేటా డాట్లన్ను దాటి పోతుంది, కానీ అది ఏమి చేస్తున్నది తేల్చుకోవాలి? మీరు కొత్త, కనిపించని డేటా పాయింట్ ఎక్కడ ఉంటుందో ఈ రేఖ ఉపయోగించి ముందస్తుగా అంచనా వేయడం ఎలా సాధ్యం అవుతుందో చూడగలరా? ఈ మోడల్ యొక్క ప్రాక్టికల్ ఉపయోగాన్ని పదాల్లో వ్యక్తం చేయడానికి ప్రయత్నించండి.
అభినందనలు, మీరు మీ మొదటి లీనియర్ రిగ్రెషన్ మోడల్ నిర్మించి, దీని తో అంచనా చేసి, ప్లాట్లో చూపించారు!
అభినందనలు, మీరు మీ మొదటి లీనియర్ రిగ్రెషన్ మోడల్ నిర్మించి, దానితో ఒక అంచನాను సృష్టించి, దీనిని ఒక ప్లాట్లో ప్రదర్శించారూ!
---
---
## 🚀సవాలు
## 🚀చాలెంజ్
ఈ డేటాసెట్ నుండి వేరొక వేరియబుల్ను ప్లాట్ చేయండి. సూచన: ఈ లైన్ను సవరించండి: `X = X[:,2]`. ఈ డాటాసెట్ లక్ష్యాన్ని ఇచ్చినా డయాబెటిస్ వ్యాధిగా ఎలా ప్రగతిస్తుంది అనేదానిపై మీరు ఏమి కనుగొనగలరు?
ఈ డేటాసెట్ నుండి ఒక వేరొక వేరియబుల్ ప్లాట్ చేయండి. సూచన: ఈ లైన్ మార్చండి: `X = X[:,2]`. ఈ డేటాసెట్ లక్ష్యం ఆధారంగా, డయాబెటిస్ వ్యాధి పురోగతి గురించి మీరు ఏం తెలుసుకుంటారు?
## [ఉపన్యాస తర్వాత క్విజ్](https://ff-quizzes.netlify.app/en/ml/)
## సమీక్ష & స్వీయ అధ్యయనం
## సమీక్ష & స్వీయ అధ్యయనం
ఈ ట్యూటోరియల్లో, మీరు సింపుల్ లీనియర్ రిగ్రెషన్తో పనిచేశారు, యూనివేరియట్ లేదా మల్టీపుల్ లీనియర్ రిగ్రెషన్ కాకుండా. ఈ విధానాల మధ్య తేడాలను కొంచెం చదవండి, లేదా [ఈ వీడియో](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)ను చూడండి.
ఈ ట్యుటోరియల్లో మీరు సింపుల్ లీనియర్ రిగ్రెషన్తో పనిచేశారు, యూనివేరియట్ లేదా మల్టిపుల్ లీనియర్ రిగ్రెషన్ కాకుండా. ఈ పద్ధతుల మధ్య తేడాలపై కొంత చదవండి, లేదా [ఈ వీడియో](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) చూడండి
రిగ్రెషన్ పదార్థం గురించి ఇంకా చదవండి మరియు ఈ సాంకేతికత ద్వారా ఎలాంటి ప్రశ్నలకు సమాధానాలు పొందగలమో ఆలోచించండి. మీ అవగాహనను మరింత లోతుగా చేసుకోవడానికి ఈ [ట్యూటోరియల్](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) ను అనుసరించండి.
రిగ్రెషన్ సూత్రం గురించి మరింత చదవండి మరియు ఈ సాంకేతికత ద్వారా ఏ రకమైన ప్రశ్నలకు సమాధానం ఇవ్వగలమో ఆలోచించండి. మీ అవగాహనను పెంపొందించడానికి ఈ [పాఠం](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) తీసుకోండి.
క్లస్టరింగ్ అనేది ఒక మెషీన్ లెర్నింగ్ పని, ఇందులో ఒకదానితో మరొకటి పోలిక ఉన్న వస్తువులను కనుగొని వాటిని క్లస్టర్లు అని పిలవబడే సమూహాలలో గుంపు చేస్తుంది. మెషీన్ లెర్నింగ్లో ఇతర పద్ధతుల నుండి క్లస్టరింగ్ వేరుగా ఉండేది ఏమిటంటే, ఇది ఆటోమేటిక్గా జరుగుతుంది, వాస్తవానికి, ఇది సూపర్వైజ్డ్ లెర్నింగ్కు వ్యతిరేకంగా ఉంటుంది అని చెప్పవచ్చు.
క్లస్టరింగ్ అనేది యాంత్రిక అధ్యయనంలో ఒక పని, ఇది ఒకరిని పోలి ఉండే వస్తువులను కనుగొని వాటిని క్లస్టర్లుగా పిలవబడే గుంపులుగా వర్గీకరించడానికి చూస్తుంది. యాంత్రిక అధ్యయనంలోని ఇతర పద్ధతుల నుండి క్లస్టరింగ్ విభిన్నంగా ఉండేది ఏమిటంటే, విషయాలు స్వయంచాలకంగా జరుగుతాయి, వాస్తవానికి ఇది పర్యవేక్షిత అధ్యయనానికి వ్యతిరేకమని చెప్పడం సరైనది.
## ప్రాంతీయ విషయం: నైజీరియన్ ప్రేక్షకుల సంగీత రుచికి క్లస్టరింగ్ మోడల్స్ 🎧
## ప్రాంతీయ విషయం: నైజీరియన్ ఆడియెన్సు సంగీత రుచి కోసం క్లస్టరింగ్ మోడళ్లు 🎧
నైజీరియాలోని విభిన్న ప్రేక్షకులు విభిన్న సంగీత రుచులు కలిగి ఉన్నారు. Spotify నుండి సేకరించిన డేటాను ఉపయోగించి ([ఈ ఆర్టికల్](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421) నుండి ప్రేరణ పొందిన), నైజీరియాలో ప్రాచుర్యం పొందిన కొన్ని సంగీతాలను చూద్దాం. ఈ డేటాసెట్లో వివిధ పాటల 'డాన్స్బిలిటీ' స్కోరు, 'అకౌస్టిక్నెస్', లౌడ్నెస్, 'స్పీచినెస్', ప్రాచుర్యం మరియు ఎనర్జీ గురించి డేటా ఉంది. ఈ డేటాలో నమూనాలను కనుగొనడం ఆసక్తికరం!
నైజీరియాలో వివిధ రకాల ప్రేక్షకులు వివిధ రకాల సంగీత రుచులను కలిగి ఉన్నారు. Spotify నుండి సేకరించిన డేటాను ఉపయోగించి (ఈ వ్యాసం నుంచి ప్రేరణ పొందిన [this article](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), నైజీరియాలో ప్రాచుర్యంలో ఉన్న కొన్ని పాటలను చూద్దాం. ఈ డేటాసెట్ వివిధ పాటల 'డ్యాన్సబిలిటీ' స్కోరు, 'ఆకస్టిక్నెస్', లౌడ్నెస్, 'స్పీచినెస్', ప్రాచుర్యం మరియు ఎనర్జీ గురించి డేటాను కలిగి ఉంది. ఈ డేటాలో ప్యాటర్న్లు కనుగొనడం ఆసక్తికరంగా ఉంటుంది!
ఈ పాఠమాల సిరీస్లో, మీరు క్లస్టరింగ్ సాంకేతికతలను ఉపయోగించి డేటాను విశ్లేషించే కొత్త మార్గాలను కనుగొంటారు. క్లస్టరింగ్ ప్రత్యేకంగా ఉపయోగకరంగా ఉంటుంది, మీ డేటాసెట్లో లేబుల్స్ లేకపోతే. లేబుల్స్ ఉంటే, మీరు గత పాఠాలలో నేర్చుకున్న వర్గీకరణ సాంకేతికతలు మరింత ఉపయోగకరంగా ఉండవచ్చు. కానీ లేబుల్స్ లేని డేటాను గుంపు చేయాలనుకుంటే, క్లస్టరింగ్ నమూనాలను కనుగొనడానికి గొప్ప మార్గం.
ఈ పాఠశ్రేణిలో, మీరు క్లస్టరింగ్ సాంకేతికతలను ఉపయోగించి డేటాను విశ్లేషించే కొత్త మార్గాలను కనుగొంటారు. క్లస్టరింగ్ మీ డేటాసెట్ లేబుల్స్ లేకపోతే ప్రత్యేకంగా ఉపయోగకరం. అది లేబుల్స్ కలిగి ఉంటే, మీరు మాజీ పాఠాలలో నేర్చుకున్న వర్గీకరణ సాంకేతికతలు మరింత ఉపయోగకరంగా ఉండవచ్చు. కానీ లేబుల్తో గాను లేబుల్స్ లేని డేటాను గుంపుగా విడగొట్టాలనుకున్నప్పుడు, క్లస్టరింగ్ మంచి మార్గంగా ప్యాటర్న్లను కనుగొనేందుకు అనుకూలం.
> క్లస్టరింగ్ మోడల్స్తో పని చేయడం నేర్చుకోవడానికి సహాయపడే ఉపయోగకరమైన లో-కోడ్ టూల్స్ ఉన్నాయి. ఈ పనికి [Azure ML ను ప్రయత్నించండి](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
> క్లస్టరింగ్ మోడళ్లతో పని చేయడం గురించి నేర్చుకోవడానికి సహాయపడే కొన్ని తక్కువ కోడ్ టూల్స్ ఉన్నాయి. ఈ పనికి [Azure ML ప్రయత్నించండి](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
## పాఠాలు
## పాఠాలు
@ -21,15 +21,15 @@
## క్రెడిట్స్
## క్రెడిట్స్
ఈ పాఠాలు 🎶 [జెన్ లూపర్](https://www.twitter.com/jenlooper) ద్వారా రాయబడ్డాయి, సహాయక సమీక్షలతో [రిషిత్ దాగ్లీ](https://rishit_dagli) మరియు [ముహమ్మద్ సకీబ్ ఖాన్ ఇనాన్](https://twitter.com/Sakibinan).
ఈ పాఠాలు 🎶 [జెన్ లూపర్](https://www.twitter.com/jenlooper) ద్వారా రచించబడ్డాయి, సహాయక సమీక్షలు [రిషిత్ దగ్లీ](https://rishit_dagli/) మరియు [ముహమ్మద్ సకిబ్ ఖాన్ ఇనాన్](https://twitter.com/Sakibinan)చే చేయబడ్డాయి.
[Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) డేటాసెట్ Spotify నుండి స్క్రాప్ చేసి Kaggle నుండి పొందబడింది.
[నైజీరియన్ సాంగ్స్](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) డేటాసెట్ Spotify నుండి సేకరించి Kaggle నుండి లభించింది.
ఈ పాఠం సృష్టించడంలో సహాయపడిన ఉపయోగకరమైన కె-మీన్స్ ఉదాహరణలు ఈ [ఐరిస్ అన్వేషణ](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), ఈ [పరిచయ నోట్బుక్](https://www.kaggle.com/prashant111/k-means-clustering-with-python), మరియు ఈ [హైపోథెటికల్ NGO ఉదాహరణ](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering) ఉన్నాయి.
ఈ పాఠాన్ని సృష్టించడంలో సహాయపడిన ఉపయోగకరమైన కె-మీన్స్ ఉదాహరణలు ఇందులో ఉన్నాయి: ఈ [ఐరిస్ అన్వేషణ](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), ఈ [పరిచయ నోట్బుక్](https://www.kaggle.com/prashant111/k-means-clustering-with-python), మరియు ఈ [సంభావ్య NGO ఉదాహరణ](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
---
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**అస్పష్టత**:
**అస్వీకరణ**:
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకం వల్ల కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారుల బాధ్యత మేము తీసుకోము.
ఈ పత్రం AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నిస్తున్నప్పటికీ, ఆటోమేటెడ్ అనువాదాలు తప్పులు లేదా అసమగ్రతలను కలిగి ఉండవచ్చు. దాని స్వదేశ భాషలో ఉన్న అసలు పత్రాన్ని అధికారం కలిగిన మూలంగా పరిగణించాలి. కీలకమైన సమాచారం కోసం, ప్రొఫెషనల్ మానవ అనువాదాన్ని సిఫారసు చేస్తాము. ఈ అనువాదం ఉపయోగం వల్ల కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారులు కోసం మేము బాధ్యత వహించము.
టైమ్ సిరీస్ ఫోర్కాస్టింగ్ అంటే ఏమిటి? ఇది గత ధోరణులను విశ్లేషించి భవిష్యత్తు సంఘటనలను అంచనా వేయడం.
టైం సిరీస్ ఫోర్కాస్టింగ్ అంటే ఏమిటి? ఇది గతం ఉన్న ట్రెండ్లను విశ్లేషించడం ద్వారా భవిష్యత్ సంఘటనలను ఊహించడం గురించి.
## ప్రాంతీయ విషయం: ప్రపంచవ్యాప్తంగా విద్యుత్ వినియోగం ✨
## ప్రాంతీయ విషయం: ప్రపంచవ్యాప్త విద్యుత్ వినియోగం ✨
ఈ రెండు పాఠాలలో, మీరు టైమ్ సిరీస్ ఫోర్కాస్టింగ్కు పరిచయం అవుతారు, ఇది యంత్ర అభ్యాసంలో కొంతమేరకు తక్కువగా తెలిసిన ప్రాంతం అయినప్పటికీ, పరిశ్రమ మరియు వ్యాపార అనువర్తనాల కోసం చాలా విలువైనది, ఇతర రంగాలతో పాటు. న్యూరల్ నెట్వర్క్లను ఈ మోడల్స్ యొక్క ఉపయోగకరతను పెంచడానికి ఉపయోగించవచ్చు, కానీ మేము వాటిని క్లాసికల్ యంత్ర అభ్యాసం సందర్భంలో అధ్యయనం చేస్తాము, ఎందుకంటే మోడల్స్ గత ఆధారంగా భవిష్యత్తు పనితీరును అంచనా వేయడంలో సహాయపడతాయి.
ఈ రెండు పాఠాలలో, మీరు టైం సిరీస్ ఫోర్కాస్టింగ్ను పరిచయపరచుతారు, ఇది యంత్ర అభ్యాసంలో కొంతమేరగా తక్కువ తెలిసిన ప్రాంతం అయినప్పటికీ వాణిజ్య మరియు వ్యాపార అనువర్తనాలకు మరియు ఇతర రంగాలకు ఎంతో విలువైనది. న్యూరల్ నెట్వర్క్స్ను ఈ మోడళ్ల ఉపయోగాన్ని పెంచడానికి ఉపయోగించవచ్చు, కాని మనం క్లాసికల్ యంత్ర అభ్యాసం సందర్భంలో ఈ మోడళ్లను అధ్యయనం చేస్తాము, ఎందుకంటే మోడళ్లు గతం ఆధారంగా భవిష్యత్ ప్రదర్శనను ముందుగానే చెప్పడంలో సహాయపడతాయి.
మా ప్రాంతీయ దృష్టి ప్రపంచంలో విద్యుత్ వినియోగం మీద ఉంది, ఇది గత లోడ్ నమూనాల ఆధారంగా భవిష్యత్తు విద్యుత్ వినియోగాన్ని అంచనా వేయడాన్ని నేర్చుకోవడానికి ఆసక్తికరమైన డేటాసెట్. ఈ రకమైన ఫోర్కాస్టింగ్ వ్యాపార వాతావరణంలో ఎంతగానో సహాయకరమవుతుందో మీరు చూడవచ్చు.
మన ప్రాంతీయ దృష్టి బ్రహ్మాండంలో విద్యుత్ వినియోగం, గత లోడ్ నమూనాల ఆధారంగా భవిష్యత్ పవర్ వినియోగాన్ని ఫోర్కాస్ట్ చేయడం నేర్చుకోవడానికి ఆసక్తికరమైన డేటాసెట్. ఈ రకమైన ఫోర్కాస్టింగ్ ఎలా వ్యాపార పరిసరాల్లో చాలా సహాయకారిగా ఉండగలదో మీరు చూడవచ్చు.
ఫోటో [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) ద్వారా రాజస్థాన్లో రోడ్డుపై ఉన్న విద్యుత్ టవర్స్ యొక్క [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
ఫొటో [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) చేత రాజస్థాన్లో గొడ్డలి మీద విద్యుత్ టవర్లు ఉన్న రోడ్డుపై [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
## పాఠాలు
## పాఠాలు
1. [టైమ్ సిరీస్ ఫోర్కాస్టింగ్ పరిచయం](1-Introduction/README.md)
1. [టైం సిరీస్ ఫోర్కాస్టింగ్ పరిచయం](1-Introduction/README.md)
2. [ARIMA టైమ్ సిరీస్ మోడల్స్ నిర్మాణం](2-ARIMA/README.md)
2. [ARIMA టైం సిరీస్ మోడళ్ల నిర్మాణం](2-ARIMA/README.md)
3. [టైమ్ సిరీస్ ఫోర్కాస్టింగ్ కోసం సపోర్ట్ వెక్టర్ రిగ్రెసర్ నిర్మాణం](3-SVR/README.md)
3. [టైం సిరీస్ ఫోర్కాస్టింగ్ కోసం సపోర్ట్ వెక్టర్ రిగ్రెషన్ మోడల్ నిర్మాణం](3-SVR/README.md)
## క్రెడిట్స్
## క్రెడిట్స్
"టైమ్ సిరీస్ ఫోర్కాస్టింగ్ పరిచయం" ను ⚡️ తో [Francesca Lazzeri](https://twitter.com/frlazzeri) మరియు [Jen Looper](https://twitter.com/jenlooper) రచించారు. నోట్బుక్స్ మొదట ఆన్లైన్లో [Azure "Deep Learning For Time Series" రిపో](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) లో కనిపించాయి, ఇది మొదటగా Francesca Lazzeri ద్వారా రాయబడింది. SVR పాఠం [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) ద్వారా రాయబడింది.
"టైం సిరీస్ ఫోర్కాస్టింగ్ పరిచయం" ని ⚡️ తో రాశారు [Francesca Lazzeri](https://twitter.com/frlazzeri) మరియు [Jen Looper](https://twitter.com/jenlooper). నోట్బుక్లు 처음గా ఆన్లైన్లో కనిపించాయి [Azure "Deep Learning For Time Series" repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting), ఇది ప్రారంభంగా Francesca Lazzeri చేత రాసినవి. SVR పాఠం [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) ద్వారా రాయబడింది.
---
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**అస్పష్టత**:
**అస్వీకరణ**:
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వలన కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము.
ఈ పత్రం AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నిస్తున్నప్పటికీ, ఆటోమేటెడ్ అనువాదాలు తప్పులు లేదా అసమగ్రతలను కలిగి ఉండవచ్చు. దాని స్వదేశ భాషలో ఉన్న అసలు పత్రాన్ని అధికారం కలిగిన మూలంగా పరిగణించాలి. కీలకమైన సమాచారం కోసం, ప్రొఫెషనల్ మానవ అనువాదాన్ని సిఫారసు చేస్తాము. ఈ అనువాదం ఉపయోగం వల్ల కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారులు కోసం మేము బాధ్యత వహించము.
> ఈ రీపాజిటరీలో 50+ భాషల అనువాదాలు ఉన్నాయి, ఇది డౌన్లోడ్ పరిమాణాన్ని గణనీయంగా పెంచుతుంది. అనువాదాలు లేకుండా క్లోన్ చేయడానికి, స్పార్స్ చెకౌట్ ఉపయోగించండి:
> ఈ రిపోజిటరీ 50కి పైగా భాషా అనువాదాలను కలిగి ఉంది, ఇది డౌన్లోడ్ పరిమాణాన్ని గణనీయంగా పెంచుతుంది. అనువాదాలు లేకుండా క్లోన్ చేయడానికి, స్పార్స్ చెకౌట్ ఉపయోగించండి:
>
>
> **Bash / macOS / Linux:**
> **Bash / macOS / Linux:**
> ```bash
> ```bash
@ -33,216 +33,220 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
> ```
>
>
> ఇది మీకు కోర్స్ పూర్తి చేయడానికి అవసరమైన ప్రతిదీ తక్కువ డౌన్లోడ్తో అందిస్తుంది.
> ఇది మీరు కోర్సును కంప్లీట్ చేసుకునేందుకు అవసరమైన ప్రతి దానిని చాలా వేగంగా డౌన్లోడ్ చేసుకోవడానికి సహాయపడుతుంది.
మనం ఒక డిస్కోర్డ్ ఈ AI సిరీస్ ని ఆడుతున్నాము, మరింత తెలుసుకోండి మరియు [Learn with AI Series](https://aka.ms/learnwithai/discord) వద్ద 18 - 30 సెప్టెంబర్, 2025 ని చేరండి. మీరు గిట్హబ్ కోపైలట్ ను డేటా సైన్స్ కోసం ఉపయోగించే చిట్కాలు మరియు ట్రిక్స్ పొందుతారు.
మనకు డిస్కార్డ్లో ఎఐ పాటితంతో నేర్చుకునే సిరీస్ కొనసాగుతోంది, మరింత తెలుసుకోవడానికి మరియు మా తో చేరడానికి [Learn with AI Series](https://aka.ms/learnwithai/discord) ను 2025 సెప్టెంబర్ 18 నుంచి 30 వరకు వీక్షించండి. మీరు GitHub Copilot ను డేటా సైన్స్ కోసం ఉపయోగించే సూచనలు మరియు పద్ధతులు తెలుసుకుంటారు.
# మొదటి సారి లెర్నర్స్ కొరకు మెషీన్ లెర్నింగ్ - ఒక పాఠ్యక్రమం
# ప్రారంభం నుండి మెషిన్ లెర్నింగ్ - ఒక పాఠ్యాంశం
> 🌍 ప్రపంచ సంస్కృతుల ద్వారా మెషీన్ లెర్నింగ్ ను అన్వేషిస్తూ ప్రపంచాన్ని భ్రమణించండి 🌍
> 🌍 ప్రపంచ సంస్కృతుల ద్వారా మెషిన్ లెర్నింగ్ ను పరిశీలిస్తూ ప్రపంచం చుట్టూ ప్రయాణించండి 🌍
Microsoftలో క్లౌడ్ అడ్వకేట్స్ సంతోషంగా 12 వారాలు, 26 పాఠాలు కలిగిన ఒక పాఠ్యక్రమాన్ని అందిస్తున్నారు, ఇది **మెషీన్ లెర్నింగ్** గురించినది. ఈ పాఠ్యక్రమంలో, మీరు సాధారణంగా **క్లాసిక్ మెషీన్ లెర్నింగ్** అని పిలవబడే విషయాలను, ప్రధానంగా Scikit-learn లైబ్రరీ ఉపయోగించి నేర్చుకోబోతున్నారు మరియు దీర్ఘ శిక్షణ (డీప్ లెర్నింగ్) ను మళ్లీ [AI for Beginners' curriculum](https://aka.ms/ai4beginners) లో కవర్ చేయబడుతుంది. ఈ పాఠ్యాల్ని మా ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) తో జత పెట్టండి.
Microsoft లో క్లౌడ్ అడ్వొకేట్స్ ఒక 12 వారాల, 26 పాఠ్యాంశాల పాఠ్యాంశాన్ని అందిస్తున్నందుకు సంతోషం. ఈ పాఠ్యాంశంలో మీరు కొన్ని సార్లు **సాంప్రదాయ మెషిన్ లెర్నింగ్** అని పిలవబడే విషయం గురించి నేర్చుకుంటారు, ఇందులో ప్రధానంగా Scikit-learn లైబ్రరీ ఉపయోగించి, డీప్ లెర్నింగ్ను తప్పించడం జరుగుతుంది, అది మన [AI ప్రారంభ పాఠ్యాంశం](https://aka.ms/ai4beginners) లో ఉంది. ఈ పాఠ్యాంశాలను మన ['డేటా సైన్స్ ప్రారంభ పాఠ్యాంశంతో'](https://aka.ms/ds4beginners) జత చేయండి.
ప్రపంచంలోని వలయాలను చుట్టి ప్రయాణిస్తూ, ఈ క్లాసిక్ సాంకేతిక పద్ధతులను వివిధ ప్రాంతాల డేటాకు వర్తింపజేస్తాము. ప్రతి పాఠానికి ముందు మరియు తర్వాత క్విజ్లు, పాఠాన్ని పూర్తిచేసేందుకు రాసిన సూచనలు, పరిష్కారము, అసైన్మెంట్ మరియు మరిన్ని ఉంటాయి. మా ప్రాజెక్ట్ ఆధారిత ఉపాధి విధానం, మీరు నిర్మించి నేర్చుకోవడానికి అనుమతిస్తుంది, ఇది కొత్త నైపుణ్యాలు మేలుకొని ఉండటానికి ఒక నిరూపిత మార్గం.
మనతో కలిసి ప్రపంచానికి చుట్టూ ప్రయాణిస్తూ, ఈ సాంప్రదాయ పద్ధతులను ప్రపంచంలోని వివిధ ప్రాంతాల డేటాపై వర్తింపజేస్తాము. ప్రతి పాఠ్యాంశంలో మునుపటి మరియు తరువాత ప్రశ్నలతో కూడిన క్విజ్లు, పాఠం పూర్తి చేయడానికి రాత సూచనలు, పరిష్కారం, అసైన్మెంట్ మరియు మరిన్ని ఉంటాయి. మన ప్రాజెక్ట్ ఆధారిత పాఠంచాలన విధానం మీరు నిర్మాణం చేస్తూ నేర్చుకునే తీరు, కొత్త నైపుణ్యాలు నిలిచిపోవడానికి ఉత్తమ మార్గం.
**✍️ మా రచయితలకు హృదయపూర్వక ధన్యవాదాలు** జెిన్ లూపర్, స్టీఫెన్ హావెల్, ఫ్రాన్సెస్కా లాజ్జెరి, తోమోమి ఇమురా, క్యాసీ బ్రెవియు, డ్రిమిత్రి సోష్నికోవ్, క్రిస్ నోరిక్, అనిర్బన్ ముఖర్జీ, ఒర్నెల్లా ఆల్టూన్యాన్, రూత్ యకుబూ మరియు ఏమీ బోయ్డ్
**✍️ మన రచయితలకు హృదయపూర్వక ధన్యవాదాలు** జెన్ లూపర్, స్టీఫెన్ హవెల్, ఫ్రాన్సెస్కా లాజ్జెరి, తమోమీ ఇమురా, క్యాసి బ్రేవియు, డిమిత్రి సోష్నికోфф్, క్రిస్ నోరింగ్, అనిర్బాన్ ముఖర్జీ, ఆర్నెల్లా అల్టున్యాన్, రూత్ యకుబూ మరియు ఎమీ బాయిడ్
**🎨 మా చిత్రకారులకు కూడా ధన్యవాదాలు** తోమోమి ఇమురా, దసాని మడిపల్లి మరియు జెయిన్ లూపర్
**🎨 మన చిత్రకారులకు కూడా ధన్యవాదాలు** తమోమీ ఇమురా, దసాని మడిపల్లి, మరియు జెన్ లూపర్
**🙏 ప్రత్యేక ధన్యవాదాలు 🙏 మా Microsoft స్టూడెంట్ అంబాసిడర్ రచయితలు, సమీక్షకులు మరియు విషయం సహకారులకు**, ముఖ్యంగా రిషిత్ దాగ్లీ, ముహమ్మద్ సకిబ్ ఖాన్ ఇనాన్, రోహన్ రాజ్, అలెగ్జాండ్రూ పెట్రెస్కూ, అభిషేక్ జైస్వాల్, నావ్రిన్ టబస్సం, ఐవాన్ సాములో మరియు స్నిగ్ధ అగర్వాల్
**🙏 ప్రత్యేక ధన్యవాదాలు 🙏 మన Microsoft స్టూడెంట్ అంబాసిడార్ రచయితలు, సమీక్షకులు, మరియు కంటెంట్ సహకారులకి**, ముఖ్యంగా రిషిట్ దాగ్లి, ముహమ్మద్ సకీబ్ ఖాన్ ఇనాన్, రోజాన్ రాజ్, అలెక్సాండ్రూ పేత్రెస్కూ, అభిషేక్ జయిశ్వాల్, నౌరిన్ టబస్సూమ్, ఇయాన్ సమ్యూలా, మరియు స్నిగ్ధా అగర్వాల్
**🤩 Microsoft స్టూడెంట్ అంబాసిడర్లు ఎరిక్ వంజూ, జస్లీన్ సోంఢీ, మరియు విదుషి గుప్తా కు మా R పాఠాల కోసం అదనపు కృతజ్ఞతలు!**
**🤩 Microsoft స్టూడెంట్ అంబాసిడార్లు ఎరిక్ వాంజౌ, జాస్లీన్ సొంధీ, మరియు విద్యుషి గుప్తా వారి R పాఠ్యాంశాలకు అదనపు కృతజ్ఞతలు!**
# ప్రారంభం
# ప్రారంభించడం
ఈ దశలను అనుసరించండి:
ఈ చర్యలను అనుసరించండి:
1. **రిపోజిటరీని ఫోర్క్ చేయండి**: ఈ పేజీ పై-కుడి కోణంలో "Fork" బటన్ పై క్లిక్ చేయండి.
1. **రిపోజిటరీని ఫోర్క్ చేయండి**: ఈ పేజీ పై-కుడి మూలలోని "Fork" బటన్ ను నొక్కండి.
> [ఈ కోర్సుకు సంబంధించిన అన్ని అదనపు వనరులను మా Microsoft Learn కలెక్షన్ లో అందుబాటులో ఉన్నవి](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 💡 **త్వరగా ప్రారంభించడానికి చిట్కా:** మీరు స్థానికంగా Python సెటప్ చేయకుండానే బ్రౌజర్ లో ప్రారంభించాలనుకుంటున్నారా? మీ ఫోర్క్ కి క్లౌడ్ అభివృద్ధి పరిసరాన్ని సృష్టించడానికి [GitHub Codespaces](https://github.com/features/codespaces) ను ఉపయోగించండి. ఆకుపచ్చ **Code** మెనూ ఓపెన్ చేసి, **Codespaces** ఎంచుకుని ఒక కోడ్స్పేస్ సృష్టించండి; అవసరమైతే ప్రతి పాఠం కి అవసరమైన డిపెండెన్సీలను ఇంతలోనైనా ఇన్స్టాల్ చేయండి.
> 🔧 **సహాయం కావాలా?** ఇన్స్టలేషన్, సెటప్ మరియు పాఠాలు నడిపించే సాధారణ సమస్యలకు మా [Troubleshooting Guide](TROUBLESHOOTING.md) చూడండి.
> [మోర్ Microsoft Learn సేకరణలో ఈ కోర్సుకు సంబంధించిన అన్ని అదనపు వనరులను ఇక్కడ తెలుసుకోండి](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **సహాయం కావాలా?** సంస్థాపన, సెటప్, మరియు పాఠ్యాంశాలు నడిపే సందర్భంగా సాధారణ సమస్యలకు పరిష్కారాల కోసం మన [Troubleshooting Guide](TROUBLESHOOTING.md) ని చూడండి.
**[విద్యార్థులు](https://aka.ms/student-page)**, ఈ పాఠ్యక్రమాన్ని ఉపయోగించడానికి, మొత్తం రిపోను మీ అతని GitHub ఖాతాకు ఫోర్క్ చేయండి మరియు వ్యాయామాలను మీ సొంతంగా లేదా ఒక గ్రూపుతో పూర్తి చేయండి:
- ముందు స్పష్టంగా ప్రశ్నాపత్రం తో ప్రారంభించండి.
**[స్టూడెంట్లు](https://aka.ms/student-page)**, ఈ పాఠ్యాంశాన్ని ఉపయోగించడానికి, పూర్తి రిపోను మీ GitHub ఖాతాకు ఫోర్క్ చేసి, సాధనలను ఒంటరిగా లేదా గ్రూపు తో పూర్తి చేయండి:
- శాఖను చదవండి మరియు కార్యాచరణలను పూర్తి చేయండి, ప్రతి "నాలెడ్జ్ చెక" వద్ద ఆచరణ చేయండి మరియు పరిగణించండి.
- కోడ్ పరిష్కారం నడిపించే కాకుండా పాఠాల్ని అర్థం చేసుకొని ప్రాజెక్టులను సృష్టించే ప్రయత్నం చేయండి; అయినప్పటికీ ఆ కోడ్ ప్రతీ ప్రాజెక్ట్ ప్రోరియెంటెడ్ పాఠాలలోని `/solution` ఫోల్డర్లలో అందుబాటులో ఉంటుంది.
- తర్వాత స్పష్టంగా ప్రశ్నాపత్రం లను నిర్వహించండి.
- సవాలు పూర్తి చేయండి.
- అసైన్మెంటును పూర్తి చేయండి.
- ఒక పాఠ్య సమూహాన్ని పూర్తిచేసిన తరువాత, [చర్చ ఫోరమ్](https://github.com/microsoft/ML-For-Beginners/discussions) ను సందర్శించి సరైన PAT రూపాన్ని పూర్తి చేసి "ఉచ్చరిస్తూ నేర్చుకోండి". PAT అంటే ప్రోగ్రెస్ అసెస్మెంట్ టూల్, ఇది మీరు పూర్తి చేయవలసిన రూపం. మీరు ఇతర PAT లకు కూడా స్పందించవచ్చు, తద్వారా మనం కలిసి నేర్చుకోవచ్చు.
> మరింత అధ్యయనానికి, ఈ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) మాడ్యూల్స్ మరియు నేర్చుకునే మార్గాలను అనుసరించమన్నాను.
- ముందుగా పాఠం ముందు క్విజ్ ప్రారంభించండి.
- పాఠాన్ని చదవండి మరియు క్రియాక్షమతలు పూర్తి చేయండి, ప్రతి జ్ఞాన తనిఖీ వద్ద ఆగి ఆలోచించండి.
- దయచేసి ప్రత్యామ్నాయ కోడ్ను రన్ చేయడానికి కాకుండా పాఠాలు అర్థం చేసుకుని ప్రాజెక్టులు సృష్టించడానికి ప్రయత్నించండి; అయితే ఆ కోడ్ ప్రతీ ప్రాజెక్ట్-ఆధారిత పాఠంలో `/solution` ఫోల్డర్లలో అందుబాటులో ఉంటుంది.
- పాఠం తరువాత క్విజ్ ఇవ్వండి.
- ఛాలెంజ్ పూర్తి చేయండి.
- అసైన్మెంట్ పూర్తి చేయండి.
- ఒక పాఠం సమూహాన్ని పూర్తి చేసిన తర్వాత, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) ను సందర్శించి "గట్టిగా నేర్చుకోండి" అని PAT రుబ్రిక్ను పూరించండి. 'PAT' అనేది ప్రగతి అంచనా సాధనం, ఇది మీరు నిక్ యొక్క నేర్చుకుపోవడాన్ని మరింతగా బలోపేతం చేస్తుంది. మీరు ఇతర PATలకు స్పందించవచ్చు, తద్వారా మనం కలిసి నేర్చుకుంటాం.
**ఉపాధ్యాయులు**, మేము ఈ పాఠ్యక్రమాన్ని ఎలా ఉపయోగించాలో కొన్ని [సూచనలు](for-teachers.md) ఇచ్చాము.
> మరింత అధ్యయనానికి, ఈ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) మాడ్యూల్స్ మరియు నేర్చుకునే మార్గాలను అనుసరించాలని మేము సూచిస్తున్నాము.
**ఉపాధ్యాయులు**, ఈ పాఠ్యాంశాన్ని ఎలా ఉపయోగించాలో మా వద్ద [కొన్ని సూచనలు](for-teachers.md) ఉన్నాయి.
---
---
## వీడియో వాక్ థ్రూస్
## వీడియో వాక్థ్రూస్
కొన్ని పాఠాలు చిన్న వీడియోల రూపంలో అందుబాటులో ఉన్నాయి. మీరు ఇవన్నీ పాఠాలలో ప్రత్యక్షంగా లేదా [ML for Beginners పైలిస్ట్ Microsoft డెవలపర్ YouTube ఛానల్ లో](https://aka.ms/ml-beginners-videos) క్రింద చిత్రంపై క్లిక్ చేసి చూడవచ్చు.
కొన్ని పాఠ్యాంశాలు స్వల్పకాల వీడియోలుగా అందుబాటులో ఉంటాయి. మీరు ఇవన్నీ పాఠాల్లోనే లేదా [Microsoft Developer YouTube చానెల్ లో ML for Beginners ప్లేలిస్ట్](https://aka.ms/ml-beginners-videos) లో చూడవచ్చు, కింది చిత్రం నొక్కండి.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 ప్రాజెక్ట్ మరియు సృష్టించిన వారిని గురించి వీడియో కోసం పై చిత్రం క్లిక్ చేయండి!
> 🎥 ప్రాజెక్టు మరియు దాన్ని సృష్టించిన వ్యక్తుల గురించి వీడియో కోసం పై చిత్రం నొక్కండి!
---
---
## నేర్పు విధానం
## పాఠ్య విధానం
ఈ పాఠ్యక్రమాన్ని తయారు చేయడంలో మేము రెండు ఉపాధ్యాయ సూత్రాలను ఎన్నుకున్నాము: చేతులతో చేసే **ప్రాజెక్ట్-ఆధారిత** శిక్షణ మరియు **సంక్రమిక క్విజ్లను** కలిగి ఉండడం. అదనంగా, ఈ పాఠ్యక్రమానికి ఒక సాధారణ **థీమ్** కూడా ఉంది, ఇది సమగ్రతను అందిస్తుంది.
ఈ పాఠ్యాంశం రూపొందించినప్పుడు మేము రెండు పాఠ్య విధాన సిద్ధాంతాలను ఎంచుకున్నాము: ఇది చేతితో చేయగలిగిన **ప్రాజెక్ట్ ఆధారిత**గా ఉండాలని మరియు **తరచుగా క్విజ్ లు** ఉండాలని. అదనంగా, ఈ పాఠ్యాంశానికి సారాంశం ఇచ్చే ఒక సాధారణ **థీమ్** ఉంటుంది.
పాఠ్యాంశాలు ప్రాజెక్ట్స్ తో సరిపోనటంతో, విద్యార్థుల ఆసక్తి పెరిగి, భావనలను నిలుపుకునే అవకాశం మెరుగుపడుతుంది. తరగతి ముందు తక్కువ మెరుగైన క్విజ్ ద్వారా విద్యార్థి విషయం నేర్చుకోవటానికి ఉద్దేశ్యం స్థాపించబడుతుంది, తరగతి తరువాత రెండవ క్విజ్ మరింత నిలుపుకోనేలా చేస్తుంది. ఈ పాఠ్యక్రమం సవ్యంగా, సరదాగా ఉండేలా రూపొందించబడింది, మొత్తం లేదా భాగంగా తీసుకోవచ్చు. ప్రాజెక్టులు చిన్న చిన్నగా ప్రారంభించి 12 వారాల చక్రం తర్వాత గట్టి అవును పరిణామవంతంగా మారతాయి. ఈ పాఠ్యక్రమంలో మెషీన్ లెర్నింగ్ యొక్క వాస్తవ ప్రపంచ వినియోగాలపై ఒక అదనపు అంశం కూడా ఉంటుంది, దీన్ని అదనపు క్రెడిట్ లేదా చర్చ కోసం ఉపయోగించవచ్చు.
విషయం ప్రాజెక్టులకు అనుగుణంగా ఉండేలా చూసుకోవడం ద్వారా విద్యార్థుల కోసం ప్రక్రియ మరింత ఆసక్తికరంగా మారుతుంది మరియు భావనలు మరింత నిలిచిపోతాయి. ఒక తరగతి ముందు ఒక తక్కువ-పరిధి క్విజ్ విద్యార్థులని ఒక విషయం నేర్చుకోవడానికి ఉద్దేశ్యం ఏర్పరుస్తుంది, తరగతి తర్వాత మరో క్విజ్ మరింత నిలిచిపోవడాన్ని నిర్ధారిస్తుంది. ఈ పాఠ్యాంశం మలుపు తగినది మరియు సరదాగా ఉండేలా రూపకల్పన చేయబడింది మరియు పూర్తి లేదా భాగంగా తీసుకోవచ్చు. ప్రాజెక్టులు చిన్నగా మొదలు కాబడి 12 వారాల సైకిల్ చివరికి మరింత సంక్లిష్టంగా మారతాయి. ఈ పాఠ్యాంశంలో మెషిన్ లెర్నింగ్ యొక్క వాస్తవ ప్రపంచ అనువర్తనాలపై ఒక పూరకాలేఖను కూడా కలిగి ఉంది, దీన్ని అదనపు క్రెడిట్ లేదా చర్చ ఆధారంగా ఉపయోగించవచ్చు.
> మా [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translations](..), మరియు [Troubleshooting](TROUBLESHOOTING.md) మార్గదర్శకాలను చూడండి. మీ నిర్మాణాత్మక అభిప్రాయాలు మాకు సంతోషాన్నిస్తాయి!
> మా [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translations](..), మరియు [Troubleshooting](TROUBLESHOOTING.md) మార్గదర్శకాలు తెలుసుకోండి. మీ నిర్మాణాత్మక ప్రశంసను స్వాగతిస్తున్నాము!
## ప్రతి పాఠంలో ఉంటాయి
## ప్రతి పాఠం లో ఉంటుంది
- ఐచ్ఛిక స్కెచ్నోట్
- ఐచ్ఛిక స్కెచ్నోట్
- ఐచ్ఛిక అదనపు వీడియో
- ఐచ్ఛిక అదనపు వీడియో
- వీడియో వాక్థ్రూ (కొన్ని పాఠాల్లో మాత్రమే)
- వీడియో వాక్థ్రూ (కొన్ని పాఠాలు మాత్రమే)
- [క్లాసు ముందు వార్మప్ క్విజ్](https://ff-quizzes.netlify.app/en/ml/)
- [పాఠం ముందు వార్మప్ క్విజ్](https://ff-quizzes.netlify.app/en/ml/)
- రాయబడిన పాఠం
- రాత పాఠ్యం
- ప్రాజెక్ట్-ఆధారిత పాఠాల కొరకు, ప్రాజెక్టు నిర్మాణం ఎలా చేయాలో దశల వారీ మార్గదర్శకాలు
- ప్రాజెక్ట్ ఆధారిత పాఠ్యాల్లో, ప్రాజెక్టు నిర్మాణం ఎలా చేయాలో దశల వారీ మార్గదర్శకాలు
- నాలెడ్జ్ చెక్స్
- జ్ఞాన తనిఖీలు
- సవాలు
- ఒక ఛాలెంజ్
- అదనపు పఠనం
- అదనపు చదువు
- అసైన్మెంట్
- అసైన్మెంట్
- [క్లాసు తర్వాత క్విజ్](https://ff-quizzes.netlify.app/en/ml/)
- [పాఠం తర్వాత క్విజ్](https://ff-quizzes.netlify.app/en/ml/)
> **భాషల గురించి ఒక గమనిక**: ఈ పాఠాలు ప్రధానంగా Python లో రాయబడ్డాయి, కానీ చాలా పాఠాలు R లో కూడా అందుబాటులో ఉన్నాయి. ఒక R పాఠం పూర్తి చేయడానికి, `/solution` ఫోల్డర్ కి వెళ్లి R పాఠాలను చూడండి. అవి .rmd ఎక్స్టెన్షన్ కలిగి ఉంటాయి, ఇది **R Markdown** ఫైల్ను సూచిస్తుంది, ఇది `code chunks` (R లేదా ఇతర భాషల కోడ్) మరియు `YAML header` (PDF వంటి అవుట్పుట్లను ఎలా ఫార్మాట్ చేయాలో మార్గనిర్దేశం చేసే) ని `Markdown డాక్యుమెంట్` లో చేర్చినట్టుగా నిర్వచించవచ్చు. అందువల్ల, ఇది డేటా సైన్స్ కోసం ఒక నమూనా రచనా ఫ్రేమ్వర్క్గా పనిచేస్తుంది, ఎందుకంటే ఇది మీ కోడ్, దాని అవుట్పుట్ మరియు మీ ఆలోచనలు Markdown లో వ్రాయడాన్ని మిళితం చేయడానికి అనుమతిస్తుంది. అదేవిధంగా, R Markdown డాక్యుమెంట్లు PDF, HTML లేదా Word వంటి అవుట్పుట్ ఫార్మాట్లకు రేండర్ చేయబడవచ్చు.
> **భాషల గురించి ఒక గమనిక**: ఈ పాఠ్యాంశాలు ప్రధానంగా Python లో రాయబడ్డాయి, కానీ కొన్నింటిని R లో కూడా అందుబాటులో ఉన్నాయి. R పాఠ్యాంశాన్ని పూర్తి చేయడానికి `/solution` ఫోల్డర్ లో R పాఠ్యాలు చూడండి. అవి `.rmd` పొడగింపు కలిగి ఉంటాయి, ఇది **R మార్క్డౌన్** ఫైల్ అని సూచిస్తుంది, ఇది `code chunks` (R లేదా ఇతర భాషలలో) మరియు `YAML హెడ్డర్` (PDF లాంటి అవుట్పుట్లను ఎలా ఫార్మాట్ చేయాలో సూచించే) తో కూడిన `Markdown డాక్యుమెంట్` రూపంలో ఉంటుంది. దీని వల్ల మీరు మీ కోడ్, అవుట్పుట్ మరియు ఆలోచనలను గమనికలలో నొక్కి రాయకొలవచ్చు. అంతేకాదు, R Markdown డాక్యుమెంట్లు PDF, HTML లేదా Word వంటి అవుట్పుట్ ఫార్మాట్లలోకి మార్చగలవు.
> **క్విజ్ల గురించి ఒక గమనిక**: అన్ని క్విజ్లు [Quiz App ఫోల్డర్](../../quiz-app) లో ఉన్నాయి, మొత్తం 52 క్వజ్లు, ప్రతి ఒక్కటి 3 ప్రశ్నలతో. అవి పాఠాల నుండి లింక్ చేయబడ్డాయి కానీ క్విజ్ యాప్ స్థానికంగా నడిపించవచ్చు; స్థానికంగా హోస్ట్ చేయడానికి లేదా Azureకి పంపడానికి `quiz-app` ఫోల్డర్ లోని సూచనలను అనుసరించండి.
> **క్విజ్ల గురించి ఒక గమనిక**: అన్ని క్విజ్లూ [Quiz App ఫోల్డర్](../../quiz-app) లో ఉంటాయి, ఇవి 52 మొత్తం క్విజ్లు, ఒక్కో క్విజ్లో మూడు ప్రశ్నలు ఉంటాయి. అవి పాఠ్యాల్లో లింక్ చేయబడ్డాయి కానీ క్విజ్ యాప్ స్థానికంగా నడుపుకోవచ్చు; `quiz-app` ఫోల్డర్ లో సూచనలు పాటించి స్థానిక హోస్టింగ్ లేదా Azure కి అనువర్తించండి.
| పాఠం సంఖ్య | విషయం | పాఠ సమూహం | అభ్యసన లక్ష్యాలు | లింక్ చేసిన పాఠం | రచయిత |
| 02 | మెషీన్ లెర్నింగ్ చరిత్ర | [పరిచయం](1-Introduction/README.md) | ఈ రంగం వెనుక చరిత్ర తెలుసుకోండి | [పాఠం](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 01 | మెషీన్ లెర్నింగ్ కు పరిచయం | [Introduction](1-Introduction/README.md) | మెషీన్ లెర్నింగ్ వెనుక ఉన్న ప్రాథమిక సూత్రాలు నేర్చుకోండి | [Lesson](1-Introduction/1-intro-to-ML/README.md) | మహమ్మద్ |
| 03 | న్యాయమైనతనం మరియు మెషీన్ లెర్నింగ్ | [పరిచయం](1-Introduction/README.md) | ML మోడల్స్ నిర్మించేటప్పుడు మరియు అన్వయించేటప్పుడు విద్యార్థులు పరిగణించాల్సిన న్యాయమైనతనంపై ముఖ్య తార్కిక సమస్యలు ఏమిటి? | [పాఠం](1-Introduction/3-fairness/README.md) | Tomomi |
| 02 | మెషీన్ లెర్నింగ్ యొక్క చరిత్ర | [Introduction](1-Introduction/README.md) | ఈ రంగానికి సంబంధించిన చరిత్ర గురించి తెలుసుకోండి | [Lesson](1-Introduction/2-history-of-ML/README.md) | జెన్ మరియు ఎమీ |
| 04 | మెషీన్ లెర్నింగ్ సాంకేతికతలు | [పరిచయం](1-Introduction/README.md) | ML పరిశోధకులు ఏ సాంకేతికతలను ఉపయోగించి ML మోడల్స్ నిర్మిస్తారు? | [పాఠం](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 03 | న్యాయత మరియు మెషీన్ లెర్నింగ్ | [Introduction](1-Introduction/README.md) | మెషీన్ లెర్నింగ్ మోడల్స్ ను నిర్మించడం మరియు వినియోగించడం లో విద్యార్థులు పరిగణించాల్సిన ముఖ్య తాత్విక అంశాలు ఏవి? | [Lesson](1-Introduction/3-fairness/README.md) | టోమొమి |
| 05 | రెగ్రెషన్ పరిచయం | [రెగ్రెషన్](2-Regression/README.md) | Python మరియు Scikit-learn తో రెగ్రెషన్ మోడల్స్ ప్రారంభించుకోండి | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 04 | మెషీన్ లెర్నింగ్ పద్ధతులు | [Introduction](1-Introduction/README.md) | మెషీన్ లెర్నింగ్ పరిశోధకులు మెషీన్ లెర్నింగ్ మోడల్స్ నిర్మించడానికి ఏ పద్ధతులు ఉపయోగిస్తారు? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | క్రిస్ మరియు జెన్ |
| 06 | ఉత్తర అమెరికా కూరగాయల ధరలు 🎃 | [రెగ్రెషన్](2-Regression/README.md) | ML కోసం డేటాను దృశ్యీకరించి, శుభ్రపరుచండి | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 05 | రిగ్రెషన్ కు పరిచయం | [Regression](2-Regression/README.md) | రిగ్రెషన్ మోడల్స్ కోసం Python మరియు Scikit-learn తో ప్రారంభించండి | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | జెన్ • ఎరిక్ వాంజౌ |
| 07 | ఉత్తర అమెరికా కూరగాయల ధరలు 🎃 | [రెగ్రెషన్](2-Regression/README.md) | రేఖీయ మరియు పాలినామియల్ రెగ్రెషన్ మోడల్స్ నిర్మించండి | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 06 | ఉత్తర అమెరికన్ గుమ్మడికాయ ధరలు 🎃 | [Regression](2-Regression/README.md) | మెషీన్ లెర్నింగ్ కోసం డేటాను దృశ్యీకరించి శుభ్రం చేయండి | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | జెన్ • ఎరిక్ వాంజౌ |
| 08 | ఉత్తర అమెరికా కూరగాయల ధరలు 🎃 | [రెగ్రెషన్](2-Regression/README.md) | లాజిస్టిక్ రెగ్రెషన్ మోడల్ నిర్మించండి | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 07 | ఉత్తర అమెరికన్ గుమ్మడికాయ ధరలు 🎃 | [Regression](2-Regression/README.md) | లీనియర్ మరియు పొలినోమియల్ రిగ్రెషన్ మోడల్స్ నిర్మించండి | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | జెన్ మరియు డిమిత్రి • ఎరిక్ వాంజౌ |
| 09 | వెబ్ యాప్ 🔌 | [వెబ్ యాప్](3-Web-App/README.md) | మీ శిక్షణ పొందిన మోడల్ ఉపయోగించడానికి వెబ్ యాప్ నిర్మించండి | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 08 | ఉత్తర అమెరికన్ గుమ్మడికాయ ధరలు 🎃 | [Regression](2-Regression/README.md) | లాజిస్టిక్ రిగ్రెషన్ మోడల్ నిర్మించండి | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | జెన్ • ఎరిక్ వాంజౌ |
| 10 | వర్గీకరణ పరిచయం | [వర్గీకరణ](4-Classification/README.md) | మీ డేటాను శుభ్రం చేసి, సన్నాహాలు చేసి, దృశ్యీకరించండి; వర్గీకరణ పరిచయం | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 09 | వెబ్ యాప్ 🔌 | [Web App](3-Web-App/README.md) | మీ శిక్షణ పొందిన మోడల్ ఉపయోగించడానికి వెబ్ యాప్ నిర్మించండి | [Python](3-Web-App/1-Web-App/README.md) | జెన్ |
| 11 | ఆసియాన్ మరియు భారతీయ వంటకాలు 🍜 | [వర్గీకరణ](4-Classification/README.md) | వర్గీకరణరాలు పరిచయం | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 10 | వర్గీకరణకు పరిచయం | [Classification](4-Classification/README.md) | డేటాను శుభ్రం చేయండి, సిద్ధం చేసుకోండి, దృశ్యీకరించండి; వర్గీకరణకు పరిచయం | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | జెన్ మరియు కాస్సీ • ఎరిక్ వాంజౌ |
| 12 | ఆసియాన్ మరియు భారతీయ వంటకాలు 🍜 | [వర్గీకరణ](4-Classification/README.md) | అదనపు వర్గీకరణరాలు | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 11 | రుచికర ఆసియా మరియు భారతీయ వంటకాలు 🍜 | [Classification](4-Classification/README.md) | వర్గీకరణయంత్రాలకి పరిచయం | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | జెన్ మరియు కాస్సీ • ఎరిక్ వాంజౌ |
| 13 | ఆసియాన్ మరియు భారతీయ వంటకాలు 🍜 | [వర్గీకరణ](4-Classification/README.md) | మీ మోడల్ ఉపయోగించి సిఫార్సు వెబ్ యాప్ నిర్మించండి | [Python](4-Classification/4-Applied/README.md) | Jen |
| 12 | రుచికర ఆసియా మరియు భారతీయ వంటకాలు 🍜 | [Classification](4-Classification/README.md) | మరిన్ని వర్గీకరణయంత్రాలు | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | జెన్ మరియు కాస్సీ • ఎరిక్ వాంజౌ |
| 14 | క్లస్టరింగ్ పరిచయం | [క్లస్టరింగ్](5-Clustering/README.md) | మీరు డేటాను శుభ్రపరించి, సన్నాహాలు చేసి, దృశ్యీకరించండి; క్లస్టరింగ్ పరిచయం | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 13 | రుచికర ఆసియా మరియు భారతీయ వంటకాలు 🍜 | [Classification](4-Classification/README.md) | మీ మోడల్ ఉపయోగించి రికమెండర్ వెబ్ యాప్ నిర్మించండి | [Python](4-Classification/4-Applied/README.md) | జెన్ |
| 15 | నైజీరియన్ సంగీత రుచులు అధ్యయనం 🎧 | [క్లస్టరింగ్](5-Clustering/README.md) | K-Means క్లస్టరింగ్ పద్ధతిని పరిశీలించండి | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 14 | క్లస్టరింగ్ కు పరిచయం | [Clustering](5-Clustering/README.md) | మీ డేటాను శుభ్రం చేయండి, సిద్ధం చేసుకోండి మరియు దృశ్యీకరించండి; క్లస్టరింగ్ కు పరిచయం | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | జెన్ • ఎరిక్ వాంజౌ |
| 16 | సహజ భాషా ప్రాసెసింగ్ పరిచయం ☕️ | [సహజ భాషా ప్రాసెసింగ్](6-NLP/README.md) | ఒక సులభమైన బాట్ ని నిర్మించడం ద్వారా NLP యొక్క మౌలికాలు నేర్చుకోండి | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 15 | నైజేరియన్ సంగీత రుచులను అన్వేషించడం 🎧 | [Clustering](5-Clustering/README.md) | K-మీన్స్ క్లస్టరింగ్ పద్ధతిని అన్వేషించండి | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | జెన్ • ఎరిక్ వాంజౌ |
| 17 | సాధారణ NLP పనులు ☕️ | [సహజ భాషా ప్రాసెసింగ్](6-NLP/README.md) | భాషా నిర్మాణాలతో పని చేయడంలో అవసరమైన సాధారణ పనులను అర్థం చేసుకుని మీ NLP జ్ఞానాన్ని మన్నకించుకోండి | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 16 | సహజ భాషా ప్రాసెసింగ్ కు పరిచయం ☕️ | [Natural language processing](6-NLP/README.md) | ఒక సరళమైన బాట్ నిర్మించడం ద్వారా NLP యొక్క ప్రాథమిక విషయాలు నేర్చుకోండి | [Python](6-NLP/1-Introduction-to-NLP/README.md) | స్తీఫెన్ |
| 18 | అనువాదం మరియు భావ విశ్లేషణ ♥️ | [సహజ భాషా ప్రాసెసింగ్](6-NLP/README.md) | జెయిన్ ఆస్టియన్ తో అనువాదం మరియు భావ విశ్లేషణ | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 17 | సాధారణ NLP ప задач ☕️ | [Natural language processing](6-NLP/README.md) | భాషా నిర్మాణాలతో వ్యవహరించేటప్పుడు అవసరమైన సాధారణ పనులను అర్థం చేసుకోవడం ద్వారా NLP జ్ఞానాన్ని లోతుగా చేయండి | [Python](6-NLP/2-Tasks/README.md) | స్తీఫెన్ |
| 19 | యూరప్ రొమాంటిక్ హోటల్స్ ♥️ | [సహజ భాషా ప్రాసెసింగ్](6-NLP/README.md) | హోటల్ సమీక్షలతో భావ విశ్లేషణ 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 18 | అనువాదం మరియు భావ విశ్లేషణ ♥️ | [Natural language processing](6-NLP/README.md) | జేన్ ఆస్టెన్ తో అనువాదం మరియు భావ విశ్లేషణ | [Python](6-NLP/3-Translation-Sentiment/README.md) | స్తీఫెన్ |
| 20 | యూరప్ రొమాంటిక్ హోటల్స్ ♥️ | [సహజ భాషా ప్రాసెసింగ్](6-NLP/README.md) | హోటల్ సమీక్షలతో భావ విశ్లేషణ 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 19 | యూరోప్ రొమాంటిక్ హోటల్స్ ♥️ | [Natural language processing](6-NLP/README.md) | హోటల్ సమీక్షలతో భావ విశ్లేషణ 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | స్తీఫెన్ |
| 21 | టైం సిరీస్ ఫోర్కాస్టింగ్ పరిచయం | [టైం సిరీస్](7-TimeSeries/README.md) | టైం సిరీస్ ఫోర్కాస్టింగ్ పరిచయం | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 20 | యూరోప్ రొమాంటిక్ హోటల్స్ ♥️ | [Natural language processing](6-NLP/README.md) | హోటల్ సమీక్షలతో భావ విశ్లేషణ 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | స్తీఫెన్ |
| 22 | ⚡️ ప్రపంచ విద్యుత్ వినియోగం ⚡️ - ARIMA తో టైం సిరీస్ ఫోర్కాస్టింగ్ | [టైం సిరీస్](7-TimeSeries/README.md) | ARIMA తో టైం సిరీస్ ఫోర్కాస్టింగ్ | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 21 | టైమ్ సిరీస్ ఫోర్కాస్టింగ్ కు పరిచయం | [Time series](7-TimeSeries/README.md) | టైమ్ సిరీస్ ఫోర్కాస్టింగ్ కు పరిచయం | [Python](7-TimeSeries/1-Introduction/README.md) | ఫ్రాన్సెస్కా |
| 23 | ⚡️ ప్రపంచ విద్యుత్ వినియోగం ⚡️ - SVR తో టైం సిరీస్ ఫోర్కాస్టింగ్ | [టైం సిరీస్](7-TimeSeries/README.md) | సపోర్ట్ వెక్టర్ రిగ్రెసర్ తో టైం సిరీస్ ఫోర్కాస్టింగ్ | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 22 | ⚡️ వరల్డ్ పవర్ వినియోగం ⚡️ - ARIMA తో టైమ్ సిరీస్ ఫోర్కాస్టింగ్ | [Time series](7-TimeSeries/README.md) | ARIMA తో టైమ్ సిరీస్ ఫోర్కాస్టింగ్ | [Python](7-TimeSeries/2-ARIMA/README.md) | ఫ్రాన్సెస్కా |
| 24 | రీఫోర్స్మెంట్ లెర్నింగ్ పరిచయం | [రిఫోర్స్మెంట్ లెర్నింగ్](8-Reinforcement/README.md) | Q-లెర్నింగ్ తో రీఫోర్స్మెంట్ లెర్నింగ్ పరిచయం | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 23 | ⚡️ వరల్డ్ పవర్ వినియోగం ⚡️ - SVR తో టైమ్ సిరీస్ ఫోర్కాస్టింగ్ | [Time series](7-TimeSeries/README.md) | సపోర్ట్ వెక్టర్ రిగ్రెషర్ తో టైమ్ సిరీస్ ఫోర్కాస్టింగ్ | [Python](7-TimeSeries/3-SVR/README.md) | అనిర్బన్ |
| 24 | రీఇన్ఫోర్స్మెంట్ లెర్నింగ్ కు పరిచయం | [Reinforcement learning](8-Reinforcement/README.md) | Q-లెర్నింగ్ తో రీఇన్ఫోర్స్మెంట్ లెర్నింగ్ కు పరిచయం | [Python](8-Reinforcement/1-QLearning/README.md) | డిమిత్రి |
| అదికారిక | వాస్తవిక ML పరిస్థితులు మరియు అనువర్తనలు | [స్థలంలో ML](9-Real-World/README.md) | క్లాసికల్ ML యొక్క ఆసక్తికరమైన, పరిశీలనీయమైన వాస్తవిక అనువర్తనలు | [పాఠం](9-Real-World/1-Applications/README.md) | టీమ్ |
| అదికారిక | RAI డ్యాష్బోర్డ్ ఉపయోగించి ML లో మోడల్ డీబగింగ్ | [స్థలంలో ML](9-Real-World/README.md) | రిస్పాన్సిబుల్ AI డ్యాష్బోర్డ్ భాగాలతో మెషీన్ లెర్నింగ్ లో మోడల్ డీబగింగ్ | [పాఠం](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
| Postscript | వాస్తవ ప్రపంచ ML సందర్భాలు మరియు అనువర్తనాలు | [ML in the Wild](9-Real-World/README.md) | క్లాసికల్ ML యొక్క ఆసక్తికరమైన మరియు తెలియజేసే వాస్తవ ప్రపంచ అనువర్తనాలు | [Lesson](9-Real-World/1-Applications/README.md) | బృందం |
| Postscript | RAI డాష్బోర్డ్ ఉపయోగించి ML లో మోడల్ డీబగింగ్ | [ML in the Wild](9-Real-World/README.md) | రిస్పాన్సిబుల్ AI డాష్బోర్డ్ భాగాలను ఉపయోగించి మెషీన్ లెర్నింగ్లో మోడల్ డీబగింగ్ | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | రూత్ యకుబు |
> [ఈ కోర్సు కోసం అన్ని అదనపు వనరులను మా Microsoft Learn సేకరణలో కనుగొనండి](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [ఈ కోర్సుకు సంబంధించి అన్ని అదనపు వనరు లను మా Microsoft Learn సేకరణలో కనుగొనండి](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## ఆఫ్లైన్ యాక్సెస్
## ఆఫ్లైన్ యాక్సెస్
[Docsify](https://docsify.js.org/#/) ఉపయోగించి మీరు ఈ డాక్యుమెంటేషన్ని ఆఫ్లైన్లో నడపవచ్చు. ఈ రిపోని Fork చేసి, మీ స్థానిక యంత్రంలో [Docsify ని ఇన్స్టాల్](https://docsify.js.org/#/quickstart) చేసుకోండి, అనంతరం ఈ రిపో యొక్క రూట్ ఫోల్డర్లో `docsify serve` అని టైప్ చేయండి. వెబ్సైట్ మీ స్థానిక 3000 పోర్ట్పై అందుబాటులో ఉంటుంది: `localhost:3000`.
మీరు [Docsify](https://docsify.js.org/#/) ఉపయోగించి ఈ డాక్యుమెంటేషన్ను ఆఫ్లైన్ లో నిర్వహించవచ్చు. ఈ రెपोను ఫోర్క్ చేయండి, మీ స్థానిక మెషీన్ లో [Docsify ను ఇన్స్టాల్ చేయండి](https://docsify.js.org/#/quickstart), తరువాత ఈ రెపో రూట్ ఫోల్డర్ లో, `docsify serve` టైపు చేయండి. ఈ వెబ్సైట్ పోర్ట్ 3000 లో మీ లోకల్ హోస్టు లో సర్వ్ చేయబడుతుంది: `localhost:3000`.
## PDFలు
## PDFs
లంకెలతో కూడిన అమరికల pdfను [ఇక్కడ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) పొందండి.
కురిక్యులం యొక్క PDF లింకులతో [ఇక్కడ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) పొందండి.
## 🎒 ఇతర కోర్సులు
## 🎒 ఇతర కోర్సులు
మా జట్టు ఇతర కోర్సులు రూపొందిస్తుంది! చూడండి:
మా బృందం ఇతర కోర్సులను ఉత్పత్తి చేస్తోంది! చూడండి:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](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/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
---
### Azure / Edge / MCP / Agents
### Azure /<Edge/MCP/ఏజెంట్లు
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](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/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/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/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
---
### Generative AI Series
### జనరేటివ్ AI సిరీస్
[](https://github.com/microsoft/generative-ai-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)
[-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)
[-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)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
---
### Core Learning
### ప్రాథమిక అభ్యాసం
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](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/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-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://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/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-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://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
---
### Copilot Series
### కప్లోట్ సిరీస్
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](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://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
- ప్రతీ పాఠం తర్వతో నోట్బుక్స్ని సమీక్షించండి మరింత బాగా అర్థం చేసుకోవడానికి.
- ప్రతి పాఠం తర్వాత నోటుబుక్స్ ను సమీక్షించండి, మంచితనాన్ని పెంపొందించడానికి.
- స్వయంగా ఆల్గోరిథమ్లను అమలు చేయడం సాధన చేయండి.
- స్వయంగా అల్గోరిథములు అమలు చేయడం సాధన చేయండి.
- నేర్చుకున్న భావనలని నిజ జీవిత డేటాసెట్లపై అన్వేషించండి.
- నేర్చుకున్న సూత్రాలతో వాస్తవ ప్రపంచ డేటాస్ట్స్ ను అన్వేషించండి.
---
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**అస్పష్టత**:
**అస్వీకరణ**:
ఈ డాక్యూమెంట్ AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. ఖచ్చితత్వానికి మేము ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాలలో తప్పులు లేదా అపరిగణనలుండవచ్చు. అసలు డాక్యూమెంట్ మాతృభాషలో ఉన్నదే అధికారం కలిగిన మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం అవసరం. ఈ అనువాద్వారా ఏర్పడిన ఏమైనా అర్థం తప్పులు లేదా అపార్థీకరణకు మేము బాధ్యత వహించము.
ఈ పత్రం AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నిస్తున్నప్పటికీ, ఆటోమేటెడ్ అనువాదాలు తప్పులు లేదా అసమగ్రతలను కలిగి ఉండవచ్చు. దాని స్వదేశ భాషలో ఉన్న అసలు పత్రాన్ని అధికారం కలిగిన మూలంగా పరిగణించాలి. కీలకమైన సమాచారం కోసం, ప్రొఫెషనల్ మానవ అనువాదాన్ని సిఫారసు చేస్తాము. ఈ అనువాదం ఉపయోగం వల్ల కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారులు కోసం మేము బాధ్యత వహించము.
మీ తరగతిలో ఈ పాఠ్యాంశాన్ని ఉపయోగించాలనుకుంటున్నారా? దయచేసి స్వేచ్ఛగా ఉపయోగించండి!
మీరు ఈ పాఠ్యक्रमాన్ని మీ తరగతిలో ఉపయోగించాలనుకుంటున్నారా? దయచేసి మీకు సౌకర్యంగా ఉపయోగించండి!
వాస్తవానికి, మీరు GitHub Classroom ఉపయోగించి GitHub లోనే దీన్ని ఉపయోగించవచ్చు.
వాస్తవానికి, మీరు GitHub క్లాస్రూమ్ ఉపయోగించి దానిని GitHub లోనే ఉపయోగించవచ్చు.
అందుకోసం, ఈ రిపోను ఫోర్క్ చేయండి. ప్రతి పాఠం కోసం ఒక రిపో సృష్టించాల్సి ఉంటుంది, కాబట్టి ప్రతి ఫోల్డర్ను వేరే రిపోగా విడగొట్టాలి. అలా చేస్తే, [GitHub Classroom](https://classroom.github.com/classrooms) ప్రతి పాఠాన్ని వేరుగా తీసుకోగలదు.
ఆ పనిని చేయడానికి, ఈ రిపోని fork చేయండి. మీరు ప్రతి పాఠం కోసం ఒక రిపోని సృష్టించుకోవలసి ఉంటుంది, కాబట్టి మీరు ప్రతి ఫోల్డర్ను వేరే రిపోగా విడగొట్టాలి. అలా చేయడం ద్వారా [GitHub Classroom](https://classroom.github.com/classrooms) ప్రతి పాఠాన్ని విడిగా స్వీకరించగలదు.
ఈ [పూర్తి సూచనలు](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) మీకు మీ తరగతిని ఎలా ఏర్పాటు చేయాలో ఒక ఆలోచన ఇస్తాయి.
ఈ [పూర్తి సూచనలు](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) మీరు ఎలా మీ తరగతిని ఏర్పాటుచేయాలో ఆలోచన ఇస్తాయి.
## రిపోను ఉన్నట్లుగా ఉపయోగించడం
## ఇప్పటికే ఉన్న రిపోను ఉపయోగించడం
GitHub Classroom ఉపయోగించకుండా ఈ రిపోను ప్రస్తుతం ఉన్నట్లుగా ఉపయోగించాలనుకుంటే, అది కూడా చేయవచ్చు. మీరు మీ విద్యార్థులతో ఏ పాఠం మీద కలిసి పని చేయాలో తెలియజేయాలి.
మీరు ఈ రిపోను ప్రస్తుతం ఉన్న విధంగా, GitHub క్లాస్రూమ్ ఉపయోగించకundi ఉపయోగించాలనుకుంటే, అది కూడా సాధ్యం. మీరు మీ విద్యార్థులతో ఏ పాఠం గురించి కలిసి పనిచేయాలో వార్తలాడుకోవాలి.
ఆన్లైన్ ఫార్మాట్ (Zoom, Teams, లేదా ఇతర) లో మీరు క్విజ్ల కోసం బ్రేక్అవుట్ రూమ్లు ఏర్పాటు చేసి, విద్యార్థులను నేర్చుకునేందుకు సన్నద్ధం చేయడానికి మెంటర్ చేయవచ్చు. ఆపై విద్యార్థులను క్విజ్లకు ఆహ్వానించి, ఒక నిర్దిష్ట సమయంలో 'issues' గా వారి సమాధానాలను సమర్పించమని చెప్పవచ్చు. మీరు విద్యార్థులు కలిసి పని చేయాలని అనుకుంటే, అసైన్మెంట్లతో కూడా ఇదే విధంగా చేయవచ్చు.
ఆన్లైన్ ఫార్మాట్లో (Zoom, Teams లేదా ఇతర), మీరు క్విజ్ల కోసం బ్రేక్ఆవుట్ గదులను ఏర్పాటు చేసి, విద్యార్థులను సిద్ధం చేసేందుకు మెంటర్గా పని చేయవచ్చు. ఆ వెంటనే విద్యార్థులను క్విజ్లను తీసుకోవడానికి మరియు వారి జవాబులను ఒక నిర్దిష్ట సమయంలో 'issues'గా సమర్పించడానికి ఆహ్వానించండి. మీరు ఇదే విధంగా అసైన్మెంట్లతో కూడా చేయవచ్చు, మీరు విద్యార్థులు సహకారంగా బయటపడ్డేటట్లు పని చేయాలని యోచిస్తే.
మీకు ప్రైవేట్ ఫార్మాట్ ఇష్టమైతే, విద్యార్థులు పాఠ్యాంశాన్ని పాఠం వారీగా వారి స్వంత GitHub రిపోస్గా ప్రైవేట్ రిపోస్గా ఫోర్క్ చేసి, మీకు యాక్సెస్ ఇవ్వమని అడగండి. అప్పుడు వారు క్విజ్లు మరియు అసైన్మెంట్లను ప్రైవేట్గా పూర్తిచేసి, మీ క్లాస్రూమ్ రిపోలో issues ద్వారా సమర్పించవచ్చు.
మీరు మరింత ప్రైవేట్ ఫార్మాట్ ఇష్టపడితే, మీరు మీ విద్యార్థులను పాఠ్యక్రమాన్ని ఒక్కో పాఠం ప్రతి ఒక్క GitHub రిపోకు ఫోర్క్ చేయమని, వాటిని ప్రైవేట్ రిపోగా మార్చి, మీకు యాక్సెస్ ఇవ్వాలని అడగండి. తర్వాత వారు క్విజ్లు మరియు అసైన్మెంట్లను ప్రైవేట్గా పూర్తిచేసి, వాటిని issues రూపంలో మీ క్లాస్రూమ్ రిపోకు సమర్పించవచ్చు.
ఆన్లైన్ తరగతి ఫార్మాట్లో దీన్ని పనిచేయించడానికి అనేక మార్గాలు ఉన్నాయి. మీకు ఏది బాగా పనిచేస్తుందో దయచేసి మాకు తెలియజేయండి!
ఆన్లైన్ తరగతి ఫార్మాట్లో ఇది పనిచేయడానికి అనేక మార్గాలు ఉన్నాయి. దయచేసి మీకు ఏది బాగా పనిచేస్తుందో మాకు తెలియజేయండి!
## దయచేసి మీ అభిప్రాయాలు ఇవ్వండి!
## దయచేసి మీ అభిప్రాయాలను ఇవ్వండి!
మేము ఈ పాఠ్యాంశాన్ని మీకు మరియు మీ విద్యార్థులకు ఉపయోగపడేలా చేయాలనుకుంటున్నాము. దయచేసి మాకు [ఫీడ్బ్యాక్](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u) ఇవ్వండి.
ఈ పాఠ్యక్రమం మీ మరియు మీ విద్యార్థులకు సేంద్రియంగా పనిచేయాలని మేము కోరుకుంటున్నాము. దయచేసి మాకు [ఫీడ్బాక్](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u) ఇవ్వండి.
---
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**అస్పష్టత**:
**అస్వీకరణ**:
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. అసలు పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వలన కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారుల బాధ్యత మేము తీసుకోము.
ఈ పత్రం AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నిస్తున్నప్పటికీ, ఆటోమేటెడ్ అనువాదాలు తప్పులు లేదా అసమగ్రతలను కలిగి ఉండవచ్చు. దాని స్వదేశ భాషలో ఉన్న అసలు పత్రాన్ని అధికారం కలిగిన మూలంగా పరిగణించాలి. కీలకమైన సమాచారం కోసం, ప్రొఫెషనల్ మానవ అనువాదాన్ని సిఫారసు చేస్తాము. ఈ అనువాదం ఉపయోగం వల్ల కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారులు కోసం మేము బాధ్యత వహించము.
localizeflow[bot]
3 weeks ago