"## ലോജിസ്റ്റിക് റെഗ്രഷൻ മോഡൽ നിർമ്മിക്കുക - പാഠം 4\n",
"\n",
"\n",
"\n",
"ലോജിസ്റ്റിക് റെഗ്രഷൻ ലീനിയർ റെഗ്രഷനിൽ ഉള്ളതുപോലെ സവിശേഷതകൾ നൽകുന്നില്ല. മുൻപുള്ളത് ഒരു `ബൈനറി വിഭാഗം` (\"ഓറഞ്ച് അല്ലെങ്കിൽ ഓറഞ്ച് അല്ല\") സംബന്ധിച്ച പ്രവചനമാണ് നൽകുന്നത്, പിന്നീടുള്ളത് തുടർച്ചയായ മൂല്യങ്ങൾ പ്രവചിക്കാൻ കഴിയും, ഉദാഹരണത്തിന് ഒരു പംപ്കിന്റെ ഉത്ഭവവും വിളവെടുപ്പ് സമയവും നൽകിയാൽ, *അതിന്റ വില എത്ര ഉയരും* എന്നത്.\n",
"\n",
"\n",
"\n",
"\n",
"### മറ്റ് ക്ലാസിഫിക്കേഷനുകൾ\n",
"\n",
@ -88,7 +88,7 @@
"\n",
"- **ഓർഡിനൽ**, ഇത് ക്രമീകരിച്ച വിഭാഗങ്ങൾ ഉൾക്കൊള്ളുന്നു, ഉദാഹരണത്തിന് നമുക്ക് ഫലം ലജിക്കൽ ആയി ക്രമീകരിക്കേണ്ടതുണ്ടെങ്കിൽ, നമ്മുടെ പംപ്കിനുകൾ ചെറിയ, ചെറിയ, മധ്യ, വലിയ, എക്സ് എൽ, ഡബിൾ എക്സ് എൽ എന്നിങ്ങനെ ക്രമീകരിച്ചിരിക്കുന്നതുപോലെ.\n",
"\n",
"\n",
"\n",
"\n",
"#### **വേരിയബിളുകൾ തമ്മിൽ ബന്ധപ്പെടേണ്ടതില്ല**\n",
> ഫോട്ടോ <ahref="https://unsplash.com/@teutschmann?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">ബെത്ത് ട്യൂട്ഷ്മാൻ</a><ahref="https://unsplash.com/s/photos/jack-o-lanterns?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">അൺസ്പ്ലാഷിൽ</a>
പാഠ്യപദ്ധതിയുടെ ഈ ഭാഗത്തിൽ, നിങ്ങൾക്ക് പ്രയോഗാത്മകമായ ഒരു ML വിഷയം പരിചയപ്പെടുത്തും: നിങ്ങളുടെ Scikit-learn മോഡൽ ഫയലായി സേവ് ചെയ്യുന്നത്, അത് വെബ് ആപ്ലിക്കേഷനിൽ പ്രവചനങ്ങൾ നടത്താൻ ഉപയോഗിക്കാവുന്നതാണ്. മോഡൽ സേവ് ചെയ്ത ശേഷം, Flask-ൽ നിർമ്മിച്ച ഒരു വെബ് ആപ്പിൽ അത് എങ്ങനെ ഉപയോഗിക്കാമെന്ന് നിങ്ങൾ പഠിക്കും. ആദ്യം, UFO കാണപ്പെട്ടതുമായി ബന്ധപ്പെട്ട ചില ഡാറ്റ ഉപയോഗിച്ച് ഒരു മോഡൽ നിങ്ങൾ സൃഷ്ടിക്കും! പിന്നീട്, ഒരു വെബ് ആപ്പ് നിർമ്മിക്കും, അതിലൂടെ നിങ്ങൾ സെക്കൻഡുകളുടെ എണ്ണം, അക്ഷാംശവും രേഖാംശവും നൽകുമ്പോൾ ഏത് രാജ്യമാണ് UFO കണ്ടതായി റിപ്പോർട്ട് ചെയ്തതെന്ന് പ്രവചിക്കാനാകും.
ഫോട്ടോ <ahref="https://unsplash.com/@mdherren?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Michael Herren</a> എന്നവരിൽ നിന്നാണ് <ahref="https://unsplash.com/s/photos/ufo?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
ഈ നാല് പാഠങ്ങളിൽ, നിങ്ങൾ ക്ലാസിക് മെഷീൻ ലേണിങ്ങിന്റെ ഒരു അടിസ്ഥാന ശ്രദ്ധാകേന്ദ്രമായ _വർഗ്ഗീകരണം_ അന്വേഷിക്കും. ഏഷ്യയും ഇന്ത്യയും ഉൾപ്പെടുന്ന എല്ലാ പ്രശസ്തമായ പാചകശാലകളെക്കുറിച്ചുള്ള ഒരു ഡാറ്റാസെറ്റുമായി വിവിധ വർഗ്ഗീകരണ ആൽഗോരിതങ്ങൾ ഉപയോഗിച്ച് നാം നടക്കും. നിങ്ങൾക്ക് വിശക്കുമെന്നാണ് പ്രതീക്ഷ!
> ഈ പാഠങ്ങളിൽ പാൻ-ഏഷ്യൻ പാചകശാലകളെ ആഘോഷിക്കൂ! ചിത്രം [ജെൻ ലൂപ്പർ](https://twitter.com/jenlooper) നൽകിയത്
@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA:
പ്രക്രിയയെ കൂടുതൽ ശാസ്ത്രീയമായി പറയുമ്പോൾ, നിങ്ങളുടെ വർഗ്ഗീകരണ രീതി ഇൻപുട്ട് വേരിയബിളുകളും ഔട്ട്പുട്ട് വേരിയബിളുകളും തമ്മിലുള്ള ബന്ധം മാപ്പ് ചെയ്യാൻ സഹായിക്കുന്ന പ്രവചന മോഡൽ സൃഷ്ടിക്കുന്നു.
> ബൈനറി vs. മൾട്ടിക്ലാസ് പ്രശ്നങ്ങൾ വർഗ്ഗീകരണ ആൽഗോരിതങ്ങൾ കൈകാര്യം ചെയ്യേണ്ടത്. ഇൻഫോഗ്രാഫിക് [ജെൻ ലൂപ്പർ](https://twitter.com/jenlooper) നൽകിയത്
@ -134,7 +134,7 @@ Scikit-learn വിവിധ പ്രശ്നങ്ങൾ പരിഹരി
df.cuisine.value_counts().plot.barh()
```
പാചകശാലകളുടെ എണ്ണം പരിമിതമാണ്, പക്ഷേ ഡാറ്റയുടെ വിതരണം അസമമാണ്. നിങ്ങൾ അത് ശരിയാക്കാം! അതിന് മുമ്പ്, കുറച്ച് കൂടുതൽ അന്വേഷിക്കൂ.
@ -188,7 +188,7 @@ Scikit-learn വിവിധ പ്രശ്നങ്ങൾ പരിഹരി
"ഈ നാല് പാഠങ്ങളിൽ, നിങ്ങൾ ക്ലാസിക് മെഷീൻ ലേണിങ്ങിന്റെ ഒരു അടിസ്ഥാന ശ്രദ്ധാകേന്ദ്രമായ *ക്ലാസിഫിക്കേഷൻ* അന്വേഷിക്കും. ഏഷ്യയും ഇന്ത്യയും ഉൾപ്പെടുന്ന എല്ലാ പ്രശസ്തമായ പാചകശാലകളെക്കുറിച്ചുള്ള ഒരു ഡാറ്റാസെറ്റുമായി വിവിധ ക്ലാസിഫിക്കേഷൻ ആൽഗോരിതങ്ങൾ ഉപയോഗിച്ച് നാം നടക്കും. നിങ്ങൾക്ക് വിശക്കുമെന്ന് പ്രതീക്ഷിക്കുന്നു!\n",
"പ്രക്രിയ ശാസ്ത്രീയമായി പറയുമ്പോൾ, നിങ്ങളുടെ ക്ലാസിഫിക്കേഷൻ രീതി ഇൻപുട്ട് വേരിയബിളുകളും ഔട്ട്പുട്ട് വേരിയബിളുകളും തമ്മിലുള്ള ബന്ധം മാപ്പ് ചെയ്യാൻ സഹായിക്കുന്ന പ്രവചന മോഡൽ സൃഷ്ടിക്കുന്നു.\n",
" <figcaption>Artwork by @allison_horst</figcaption>\n",
"\n",
@ -712,7 +712,7 @@
"[Cassie Breviu](https://www.twitter.com/cassieview) and [Jen Looper](https://www.twitter.com/jenlooper) ഈ മോഡ്യൂളിന്റെ ഒറിജിനൽ പൈതൺ പതിപ്പ് സൃഷ്ടിച്ചതിന് ♥️\n",
അപ്പോൾ, ഏത് ക്ലാസിഫയർ തിരഞ്ഞെടുക്കണം? പലതും പരീക്ഷിച്ച് നല്ല ഫലം കാണുന്നത് പരീക്ഷിക്കാൻ ഒരു മാർഗമാണ്. Scikit-learn ഒരു [സൈഡ്-ബൈ-സൈഡ് താരതമ്യം](https://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html) ഒരുക്കിയിട്ടുണ്ട്, KNeighbors, SVC രണ്ട് രീതികൾ, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB, QuadraticDiscrinationAnalysis എന്നിവയുടെ ഫലങ്ങൾ ദൃശ്യമായി കാണിക്കുന്നു:
> Scikit-learn ഡോക്യുമെന്റേഷനിൽ നിന്നുള്ള പ്ലോട്ടുകൾ
> AutoML ഈ പ്രശ്നം ക്ലൗഡിൽ ഈ താരതമ്യങ്ങൾ നടത്തിക്കൊണ്ട് സുതാര്യമായി പരിഹരിക്കുന്നു, നിങ്ങളുടെ ഡാറ്റയ്ക്ക് ഏറ്റവും അനുയോജ്യമായ ആൽഗോരിതം തിരഞ്ഞെടുക്കാൻ സഹായിക്കുന്നു. [ഇവിടെ](https://docs.microsoft.com/learn/modules/automate-model-selection-with-azure-automl/?WT.mc_id=academic-77952-leestott) പരീക്ഷിക്കുക
വളരെ അനുമാനിച്ച് തിരഞ്ഞെടുക്കുന്നതിന് പകരം, ഡൗൺലോഡ് ചെയ്യാവുന്ന [ML ചീറ്റ് ഷീറ്റ്](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott) ൽ ഉള്ള ആശയങ്ങൾ പിന്തുടരുക. ഇവിടെ, നമ്മുടെ മൾട്ടിക്ലാസ് പ്രശ്നത്തിന് ചില തിരഞ്ഞെടുപ്പുകൾ കാണാം:
" <figcaption>Artwork by @allison_horst</figcaption>\n"
],
@ -618,7 +618,7 @@
"വൈല്ഡ് ഗസ്സ് ചെയ്യുന്നതിന് പകരം, ഡൗൺലോഡ് ചെയ്യാവുന്ന [ML Cheat sheet](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott) ൽ ഉള്ള ആശയങ്ങൾ പിന്തുടരുക. ഇവിടെ, നമ്മുടെ മൾട്ടിക്ലാസ് പ്രശ്നത്തിന് ചില തിരഞ്ഞെടുപ്പുകൾ ഉണ്ട് എന്ന് കണ്ടെത്താം:\n",
മുൻപ്, മൈക്രോസോഫ്റ്റിന്റെ ചീറ്റ്ഷീറ്റിന്റെ സഹായത്തോടെ ഡാറ്റ വർഗ്ഗീകരിക്കുന്നതിനുള്ള വിവിധ ഓപ്ഷനുകൾ നിങ്ങൾ പഠിച്ചിരുന്നു. Scikit-learn സമാനമായ, എന്നാൽ കൂടുതൽ സൂക്ഷ്മമായ ഒരു ചീറ്റ്ഷീറ്റ് നൽകുന്നു, ഇത് നിങ്ങളുടെ എസ്റ്റിമേറ്റർമാരെ (വർഗ്ഗീകരണ ഉപാധികൾക്ക് മറ്റൊരു പദം) കൂടുതൽ കുറയ്ക്കാൻ സഹായിക്കും:
> ടിപ്പ്: [ഈ മാപ്പ് ഓൺലൈനിൽ സന്ദർശിക്കുക](https://scikit-learn.org/stable/tutorial/machine_learning_map/) കൂടാതെ പാതയിലൂടെ ക്ലിക്ക് ചെയ്ത് ഡോക്യുമെന്റേഷൻ വായിക്കുക.
"മുൻപ്, മൈക്രോസോഫ്റ്റിന്റെ ചീറ്റ് ഷീറ്റ് ഉപയോഗിച്ച് ഡാറ്റ വർഗ്ഗീകരിക്കുമ്പോൾ നിങ്ങൾക്കുള്ള വിവിധ ഓപ്ഷനുകൾക്കുറിച്ച് നാം പഠിച്ചു. പൈത്തൺ മെഷീൻ ലേണിംഗ് ഫ്രെയിംവർക്ക്, സ്കൈകിറ്റ്-ലേൺ, സമാനമായെങ്കിലും കൂടുതൽ സൂക്ഷ്മമായ ഒരു ചീറ്റ് ഷീറ്റ് നൽകുന്നു, ഇത് നിങ്ങളുടെ എസ്റ്റിമേറ്ററുകൾ (വർഗ്ഗീകരണങ്ങളുടെ മറ്റൊരു പദം) കൂടുതൽ നിശ്ചയിക്കാൻ സഹായിക്കും:\n",
"ക്ലാസിഫിക്കേഷൻ സന്ധർഭത്തിൽ, `സപ്പോർട്ട് വെക്ടർ മെഷീനുകൾ` എന്നത് ഒരു മെഷീൻ ലേണിംഗ് സാങ്കേതിക വിദ്യയാണ്, ഇത് ക്ലാസുകൾ \"മികച്ച\" വിധത്തിൽ വേർതിരിക്കുന്ന ഒരു *ഹൈപ്പർപ്ലെയിൻ* കണ്ടെത്താൻ ശ്രമിക്കുന്നു. ഒരു ലളിതമായ ഉദാഹരണം നോക്കാം:\n",
Onnx മോഡലുകൾ Visual Studio കോഡിൽ വളരെ ദൃശ്യമായില്ല, പക്ഷേ മോഡൽ ശരിയായി നിർമ്മിച്ചതെന്ന് ഉറപ്പാക്കാൻ പല ഗവേഷകരും ഉപയോഗിക്കുന്ന നല്ല സൗജന്യ സോഫ്റ്റ്വെയർ ഉണ്ട്. [Netron](https://github.com/lutzroeder/Netron) ഡൗൺലോഡ് ചെയ്ത് model.onnx ഫയൽ തുറക്കുക. 380 ഇൻപുട്ടുകളും ക്ലാസിഫയർ ലിസ്റ്റും ഉള്ള ലളിതമായ മോഡൽ ദൃശ്യമായി കാണാം:
Netron നിങ്ങളുടെ മോഡലുകൾ കാണാൻ സഹായിക്കുന്ന ഉപകരണം ആണ്.
@ -301,7 +301,7 @@ Netron നിങ്ങളുടെ മോഡലുകൾ കാണാൻ സഹ
Visual Studio Code-ൽ index.html ഫയൽ ഉള്ള ഫോൾഡറിൽ ടെർമിനൽ സെഷൻ തുറക്കുക. [http-server](https://www.npmjs.com/package/http-server) ഗ്ലോബലായി ഇൻസ്റ്റാൾ ചെയ്തിട്ടുണ്ടെന്ന് ഉറപ്പാക്കുക, പ്രോംപ്റ്റിൽ `http-server` ടൈപ്പ് ചെയ്യുക. ഒരു ലോക്കൽഹോസ്റ്റ് തുറക്കും, നിങ്ങളുടെ വെബ് ആപ്പ് കാണാം. വിവിധ ഘടകങ്ങൾ അടിസ്ഥാനമാക്കി ശുപാർശ ചെയ്യുന്ന ക്യൂസീൻ പരിശോധിക്കുക:
അഭിനന്ദനങ്ങൾ, നിങ്ങൾ കുറച്ച് ഫീൽഡുകളുള്ള 'ശുപാർശ' വെബ് ആപ്പ് സൃഷ്ടിച്ചു. ഈ സിസ്റ്റം വികസിപ്പിക്കാൻ കുറച്ച് സമയം ചെലവഴിക്കൂ!
ഏഷ്യയിലും ഇന്ത്യയിലും ഭക്ഷണപരമ്പരകൾ വളരെ വൈവിധ്യമാർന്നതും, വളരെ രുചികരവുമാണ്! അവയുടെ ഘടകങ്ങൾ മനസ്സിലാക്കാൻ പ്രാദേശിക ഭക്ഷണങ്ങളെക്കുറിച്ചുള്ള ഡാറ്റ നോക്കാം.
> ഫോട്ടോ <ahref="https://unsplash.com/@changlisheng?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">ലിഷെങ് ചാങ്</a><ahref="https://unsplash.com/s/photos/asian-food?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">അൺസ്പ്ലാഷിൽ</a>
> ഈ സന്ദർഭത്തിൽ 'ഫ്ലാറ്റ്' യൂക്ലിഡിയൻ ജ്യാമിതീയത്തെയാണ് സൂചിപ്പിക്കുന്നത് (ഇതിന്റെ ഭാഗങ്ങൾ 'പ്ലെയിൻ' ജ്യാമിതീയമായി പഠിപ്പിക്കുന്നു), നോൺ-ഫ്ലാറ്റ് നോൺ-യൂക്ലിഡിയൻ ജ്യാമിതീയമാണ്. മെഷീൻ ലേണിംഗുമായി ജ്യാമിതീയത്തിന് എന്ത് ബന്ധമുണ്ട്? ഗണിതശാസ്ത്രത്തിൽ ആധാരമാക്കിയ രണ്ട് മേഖലകളായതിനാൽ, ക്ലസ്റ്ററുകളിലെ പോയിന്റുകൾ തമ്മിലുള്ള ദൂരം അളക്കാനുള്ള ഒരു പൊതുവായ മാർഗ്ഗം വേണം, അത് 'ഫ്ലാറ്റ്' അല്ലെങ്കിൽ 'നോൺ-ഫ്ലാറ്റ്' രീതിയിലായിരിക്കും, ഡാറ്റയുടെ സ്വഭാവം അനുസരിച്ച്. [Euclidean distances](https://wikipedia.org/wiki/Euclidean_distance) രണ്ട് പോയിന്റുകൾ തമ്മിലുള്ള രേഖാഖണ്ഡത്തിന്റെ നീളമായി അളക്കപ്പെടുന്നു. [Non-Euclidean distances](https://wikipedia.org/wiki/Non-Euclidean_geometry) ഒരു വളവിലൂടെ അളക്കപ്പെടുന്നു. നിങ്ങളുടെ ഡാറ്റ, ദൃശ്യവൽക്കരിച്ചപ്പോൾ, ഒരു സമതലത്തിൽ ഇല്ലാത്തതുപോലെ തോന്നുകയാണെങ്കിൽ, അതിനെ കൈകാര്യം ചെയ്യാൻ പ്രത്യേക ആൽഗോരിതം ഉപയോഗിക്കേണ്ടി വരും.
>
- **ഹയർആർക്കിക്കൽ ക്ലസ്റ്ററിംഗ്**. ഒരു വസ്തു അടുത്തുള്ള മറ്റൊരു വസ്തുവിന്റെ സമീപത പ്രകാരം വർഗ്ഗീകരിക്കപ്പെടുമ്പോൾ, ക്ലസ്റ്ററുകൾ അവരുടെ അംഗങ്ങളുടെ മറ്റുള്ള വസ്തുക്കളോടുള്ള ദൂരത്തിന്റെ അടിസ്ഥാനത്തിൽ രൂപപ്പെടുന്നു. Scikit-learn-ന്റെ അഗ്ലോമറേറ്റീവ് ക്ലസ്റ്ററിംഗ് ഹയർആർക്കിക്കൽ ആണ്.
- **സെൻട്രോയിഡ് ക്ലസ്റ്ററിംഗ്**. ഈ ജനപ്രിയ ആൽഗോരിതം 'k' എന്ന ക്ലസ്റ്ററുകളുടെ എണ്ണം തിരഞ്ഞെടുക്കേണ്ടതുണ്ട്, തുടർന്ന് ആൽഗോരിതം ഒരു ക്ലസ്റ്ററിന്റെ കേന്ദ്ര പോയിന്റ് നിർണയിച്ച് ആ പോയിന്റിന്റെ ചുറ്റും ഡാറ്റാ ശേഖരിക്കുന്നു. [K-means clustering](https://wikipedia.org/wiki/K-means_clustering) സെൻട്രോയിഡ് ക്ലസ്റ്ററിംഗിന്റെ ജനപ്രിയ പതിപ്പാണ്. കേന്ദ്രം അടുത്ത ശരാശരിയാൽ നിർണയിക്കുന്നു, അതുകൊണ്ടാണ് പേര്. ക്ലസ്റ്ററിൽ നിന്നുള്ള ചതുരശ്ര ദൂരം കുറഞ്ഞു പോകുന്നു.
- **വിതരണ അടിസ്ഥാനത്തിലുള്ള ക്ലസ്റ്ററിംഗ്**. സാംഖ്യിക മോഡലിംഗിൽ ആധാരമാക്കിയ, ഒരു ഡാറ്റാ പോയിന്റ് ഒരു ക്ലസ്റ്ററിന് പറ്റിയതായിരിക്കാനുള്ള സാധ്യത നിർണയിച്ച് അതനുസരിച്ച് അത് നിയോഗിക്കുന്നു. Gaussian മിശ്രിത രീതികൾ ഇതിൽപ്പെടുന്നു.
1. ഇതുവരെ, ടോപ്പ് മൂന്ന് ജാനറുകൾ ഈ ഡാറ്റാസെറ്റിൽ ഭൂരിപക്ഷം കൈവശം വയ്ക്കുന്നു. `afro dancehall`, `afropop`, `nigerian pop` എന്നിവയിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുക, കൂടാതെ ജനപ്രിയത 0 ഉള്ളവ നീക്കം ചെയ്യുക (അർത്ഥം, ഡാറ്റാസെറ്റിൽ ജനപ്രിയതയില്ലാത്തവ, നമ്മുടെ ആവശ്യങ്ങൾക്ക് ശബ്ദം ആയി കണക്കാക്കാം):
ഏകദേശം ശക്തമായ ബന്ധം `energy` ഉം `loudness` ഉം തമ്മിലാണുള്ളത്, അതും അത്ഭുതകരമല്ല, കാരണം ശബ്ദം ഉയർന്ന സംഗീതം സാധാരണയായി ഊർജ്ജസ്വലമാണ്. മറ്റുള്ള ബന്ധങ്ങൾ വളരെ ദുർബലമാണ്. ഈ ഡാറ്റയിൽ ക്ലസ്റ്ററിംഗ് ആൽഗോരിതം എന്ത് കണ്ടെത്തും എന്ന് കാണുന്നത് രസകരമായിരിക്കും.
@ -307,7 +307,7 @@ CO_OP_TRANSLATOR_METADATA:
പൊതുവായി, ഈ മൂന്ന് ജാനറുകൾ ജനപ്രിയതയിലും ഡാൻസബിലിറ്റിയിലും അല്പം സാരമായ ഏകീകരണം കാണിക്കുന്നു. ഈ അല്പം ഏകീകരിച്ച ഡാറ്റയിൽ ക്ലസ്റ്ററുകൾ കണ്ടെത്തുന്നത് ഒരു വെല്ലുവിളിയാകും:
പൊതുവായി, ക്ലസ്റ്ററിംഗിനായി, ഡാറ്റ ക്ലസ്റ്ററുകൾ കാണിക്കാൻ സ്കാറ്റർപ്ലോട്ടുകൾ ഉപയോഗിക്കാം, അതിനാൽ ഈ തരത്തിലുള്ള ദൃശ്യീകരണം നന്നായി പഠിക്കുക വളരെ പ്രയോജനകരമാണ്. അടുത്ത പാഠത്തിൽ, ഈ ഫിൽട്ടർ ചെയ്ത ഡാറ്റ ഉപയോഗിച്ച് k-means ക്ലസ്റ്ററിംഗ് ഉപയോഗിച്ച് ഈ ഡാറ്റയിൽ താൽപ്പര്യമുള്ള രീതിയിൽ ഒത്തുചേരുന്ന ഗ്രൂപ്പുകൾ കണ്ടെത്തും.
"> ഈ സന്ദർഭത്തിൽ 'ഫ്ലാറ്റ്' Euclidean ജ്യാമിതീയതയെ സൂചിപ്പിക്കുന്നു (ഇതിന്റെ ഭാഗങ്ങൾ 'പ്ലെയിൻ' ജ്യാമിതീയതയായി പഠിപ്പിക്കുന്നു), non-flat non-Euclidean ജ്യാമിതീയതയാണ്. ജ്യാമിതീയതയ്ക്ക് മെഷീൻ ലേണിങ്ങുമായി എന്ത് ബന്ധമുണ്ട്? ഗണിതശാസ്ത്രത്തിൽ ആധാരമാക്കിയ രണ്ട് മേഖലകളായതിനാൽ, ക്ലസ്റ്ററുകളിലെ പോയിന്റുകൾ തമ്മിലുള്ള ദൂരം അളക്കാനുള്ള പൊതുവായ മാർഗ്ഗം വേണം, അത് 'ഫ്ലാറ്റ്' അല്ലെങ്കിൽ 'non-flat' രീതിയിലായിരിക്കും, ഡാറ്റയുടെ സ്വഭാവം അനുസരിച്ച്. [Euclidean ദൂരം](https://wikipedia.org/wiki/Euclidean_distance) രണ്ട് പോയിന്റുകൾ തമ്മിലുള്ള രേഖാഖണ്ഡത്തിന്റെ നീളമായി അളക്കുന്നു. [Non-Euclidean ദൂരം](https://wikipedia.org/wiki/Non-Euclidean_geometry) വളവിലൂടെയാണ് അളക്കുന്നത്. നിങ്ങളുടെ ഡാറ്റ ദൃശ്യമായി ഒരു സമതലത്തിൽ ഇല്ലാത്തതുപോലെയാണ് തോന്നുന്നത് എങ്കിൽ, അതിനെ കൈകാര്യം ചെയ്യാൻ പ്രത്യേക ആൽഗോരിതം ഉപയോഗിക്കേണ്ടി വരും.\r\n",
"- **സെൻട്രോയിഡ് ക്ലസ്റ്ററിംഗ്**. ഈ ജനപ്രിയ ആൽഗോരിതം 'k' എന്ന ക്ലസ്റ്ററുകളുടെ എണ്ണം തിരഞ്ഞെടുക്കേണ്ടതുണ്ട്, തുടർന്ന് ആൽഗോരിതം ഒരു ക്ലസ്റ്ററിന്റെ കേന്ദ്ര പോയിന്റ് നിർണയിച്ച് ആ പോയിന്റിന്റെ ചുറ്റും ഡാറ്റ ശേഖരിക്കുന്നു. [K-means clustering](https://wikipedia.org/wiki/K-means_clustering) സെൻട്രോയിഡ് ക്ലസ്റ്ററിംഗിന്റെ ഒരു ജനപ്രിയ രൂപമാണ്, ഇത് ഡാറ്റാസെറ്റ് മുൻകൂട്ടി നിർവചിച്ച K ഗ്രൂപ്പുകളായി വിഭജിക്കുന്നു. കേന്ദ്രം അടുത്ത ശരാശരിയാൽ നിർണയിക്കുന്നു, അതിനാൽ പേര്. ക്ലസ്റ്ററിൽ നിന്നുള്ള ചതുരശ്ര ദൂരം കുറഞ്ഞിരിക്കുന്നു.\r\n",
ക്ലസ്റ്ററുകൾ [വോറോണോയി ഡയഗ്രാമുകൾ](https://wikipedia.org/wiki/Voronoi_diagram) ആയി ദൃശ്യവത്കരിക്കാം, അവയിൽ ഒരു പോയിന്റ് (അഥവാ 'സീഡ്') അതിന്റെ അനുബന്ധ പ്രദേശം ഉൾക്കൊള്ളുന്നു.
ഡാറ്റാസെറ്റ് പരിശോധിച്ച് ഈ ഔട്ട്ലൈയർമാർ നീക്കം ചെയ്യാം, പക്ഷേ അത് ഡാറ്റ വളരെ കുറവാക്കും.
@ -187,7 +187,7 @@ K-മീൻസ് ഉപയോഗിക്കുന്നതിന്റെ ഒ
മുൻപത്തെ ഘട്ടത്തിൽ നിർമ്മിച്ച `wcss` വേരിയബിൾ ഉപയോഗിച്ച് എൽബോയിൽ 'വളവ്' എവിടെയാണ് എന്ന് കാണിക്കുന്ന ചാർട്ട് സൃഷ്ടിക്കുക, ഇത് ഏറ്റവും അനുയോജ്യമായ ക്ലസ്റ്റർ എണ്ണം സൂചിപ്പിക്കുന്നു. അത് **3** ആകാം!
ഈ ഡാറ്റ വളരെ അസമതുലിതമാണ്, correlation കുറവാണ്, കോളം മൂല്യങ്ങൾക്കിടയിൽ വ്യത്യാസം കൂടുതലാണ്, അതിനാൽ നല്ല ക്ലസ്റ്ററിംഗ് സാധ്യമല്ല. യഥാർത്ഥത്തിൽ, രൂപപ്പെടുന്ന ക്ലസ്റ്ററുകൾ മുകളിൽ നിർവചിച്ച മൂന്ന് ജാനർ വിഭാഗങ്ങൾ മൂലം ശക്തമായി സ്വാധീനിക്കപ്പെട്ടതായിരിക്കാം. അത് ഒരു പഠന പ്രക്രിയ ആയിരുന്നു!
Scikit-learn ഡോക്യുമെന്റേഷനിൽ, ഈ പോലുള്ള മോഡലുകൾക്ക്, ക്ലസ്റ്ററുകൾ നന്നായി വേർതിരിച്ചിട്ടില്ലാത്തതിനാൽ, 'വ്യത്യാസം' പ്രശ്നമുണ്ട്:
"ക്ലസ്റ്ററുകൾ [Voronoi ഡയഗ്രാമുകൾ](https://wikipedia.org/wiki/Voronoi_diagram) ആയി ദൃശ്യവത്കരിക്കാം, അവയിൽ ഒരു പോയിന്റ് (അഥവാ 'സീഡ്') അതിന്റെ അനുബന്ധ പ്രദേശവും ഉൾപ്പെടുന്നു.\n",
"Scikit-learn ന്റെ ഡോക്യുമെന്റേഷനിൽ, ഈ പോലുള്ള മോഡലുകൾക്ക്, ക്ലസ്റ്ററുകൾ വളരെ വ്യക്തമായി വേർതിരിക്കപ്പെട്ടിട്ടില്ലാത്തതിനാൽ, 'വ്യത്യാസം' പ്രശ്നമുണ്ടെന്ന് കാണാം:\n",
നൈജീരിയയുടെ വൈവിധ്യമാർന്ന പ്രേക്ഷകർക്ക് വൈവിധ്യമാർന്ന സംഗീത രുചികൾ ഉണ്ട്. Spotify-യിൽ നിന്നുള്ള ഡാറ്റ ഉപയോഗിച്ച് (ഈ ലേഖനം പ്രചോദനമായി [this article](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), നൈജീരിയയിൽ പ്രചാരത്തിലുള്ള ചില സംഗീതങ്ങൾ നോക്കാം. ഈ ഡാറ്റാസെറ്റിൽ വിവിധ പാട്ടുകളുടെ 'danceability' സ്കോർ, 'acousticness', ലൗഡ്നസ്, 'speechiness', ജനപ്രിയത, എനർജി എന്നിവയെക്കുറിച്ചുള്ള ഡാറ്റ ഉൾപ്പെടുന്നു. ഈ ഡാറ്റയിൽ പാറ്റേണുകൾ കണ്ടെത്തുന്നത് രസകരമായിരിക്കും!
> ഫോട്ടോ <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a> യുടെ <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> ൽ നിന്നാണ്
നിങ്ങൾ ടൈപ്പുചെയ്യാതെ നിങ്ങളുടെ ഫോൺക്ക് വാക്കുകൾ പറഞ്ഞിട്ടുണ്ടെങ്കിൽ അല്ലെങ്കിൽ ഒരു വെർച്വൽ അസിസ്റ്റന്റിനോട് ചോദിച്ചിട്ടുണ്ടെങ്കിൽ, നിങ്ങളുടെ സംസാരത്തെ ടെക്സ്റ്റ് രൂപത്തിലേക്ക് മാറ്റി പിന്നീട് നിങ്ങൾ സംസാരിച്ച ഭാഷയിൽ നിന്നു *പാഴ്സ്* ചെയ്തു. കണ്ടെത്തിയ കീവേഡുകൾ പിന്നീട് ഫോൺ അല്ലെങ്കിൽ അസിസ്റ്റന്റ് മനസ്സിലാക്കി പ്രവർത്തിക്കാൻ കഴിയുന്ന ഫോർമാറ്റിലേക്ക് പ്രോസസ് ചെയ്തു.
ഏതാണ്ട് എല്ലാ NLP ആൽഗോരിതങ്ങൾക്കും ആദ്യം ചെയ്യേണ്ടത് ടെക്സ്റ്റ് ടോക്കണുകളായി, അല്ലെങ്കിൽ വാക്കുകളായി വിഭജിക്കുക എന്നതാണ്. ഇത് ലളിതമായതായി തോന്നിയാലും, പദവിരാമം, വ്യത്യസ്ത ഭാഷകളിലെ വാക്കുകളും വാക്യവിരാമങ്ങളും പരിഗണിക്കേണ്ടത് സങ്കീർണ്ണമാക്കാം. വ്യത്യസ്ത മാർഗ്ഗങ്ങൾ ഉപയോഗിച്ച് വിഭജനം നിർണയിക്കേണ്ടിവരും.
> **Pride and Prejudice** എന്ന പുസ്തകത്തിലെ ഒരു വാക്യം ടോക്കൺ ചെയ്യുന്നു. ഇൻഫോഗ്രാഫിക് [Jen Looper](https://twitter.com/jenlooper)
### എംബെഡ്ഡിംഗ്സ്
[വേർഡ് എംബെഡ്ഡിംഗ്സ്](https://wikipedia.org/wiki/Word_embedding) നിങ്ങളുടെ ടെക്സ്റ്റ് ഡാറ്റ സംഖ്യാത്മകമായി മാറ്റാനുള്ള ഒരു മാർഗ്ഗമാണ്. സമാന അർത്ഥമുള്ള വാക്കുകൾ അല്ലെങ്കിൽ ഒരുമിച്ച് ഉപയോഗിക്കുന്ന വാക്കുകൾ കൂട്ടമായി ക്ലസ്റ്റർ ചെയ്യപ്പെടുന്ന രീതിയിൽ എംബെഡ്ഡിംഗ്സ് ചെയ്യപ്പെടുന്നു.
> "I have the highest respect for your nerves, they are my old friends." - **Pride and Prejudice** എന്ന വാക്യത്തിനുള്ള വാക്കുകളുടെ എംബെഡ്ഡിംഗ്സ്. ഇൻഫോഗ്രാഫിക് [Jen Looper](https://twitter.com/jenlooper)
✅ വാക്കുകളുടെ എംബെഡ്ഡിംഗ്സ് പരീക്ഷിക്കാൻ [ഈ രസകരമായ ടൂൾ](https://projector.tensorflow.org/) പരീക്ഷിക്കൂ. ഒരു വാക്കിൽ ക്ലിക്ക് ചെയ്യുമ്പോൾ സമാന വാക്കുകളുടെ ക്ലസ്റ്ററുകൾ കാണാം: 'toy' 'disney', 'lego', 'playstation', 'console' എന്നിവയുമായി ക്ലസ്റ്റർ ചെയ്യുന്നു.
@ -39,7 +39,7 @@ CO_OP_TRANSLATOR_METADATA:
ടോക്കൺ ചെയ്ത ഓരോ വാക്കും വാക്കിന്റെ ഭാഗമായി ടാഗ് ചെയ്യാം - നാമം, ക്രിയ, വിശേഷണം എന്നിവ. `the quick red fox jumped over the lazy brown dog` എന്ന വാക്യം fox = നാമം, jumped = ക്രിയ എന്നിങ്ങനെ POS ടാഗ് ചെയ്യാം.
ഉദാഹരണത്തിന്, `I have no money` എന്ന ഇംഗ്ലീഷ് വാചകം ഫ്രഞ്ചിലേക്ക് ശബ്ദാർത്ഥമായി വിവർത്തനം ചെയ്താൽ, അത് `Je n'ai pas de monnaie` ആകാം. "Monnaie" ഒരു പ്രയാസമുള്ള ഫ്രഞ്ച് 'false cognate' ആണ്, 'money' ഉം 'monnaie' ഉം സമാനാർത്ഥകങ്ങൾ അല്ല. മനുഷ്യൻ നൽകുന്ന നല്ല വിവർത്തനം `Je n'ai pas d'argent` ആകും, കാരണം ഇത് നിങ്ങൾക്ക് പണം ഇല്ല എന്ന അർത്ഥം കൂടുതൽ വ്യക്തമാക്കുന്നു ('monnaie' യുടെ അർത്ഥം 'loose change' ആണ്).
ഈ പാഠങ്ങളിൽ നാം ചെറിയ സംഭാഷണ ബോട്ടുകൾ നിർമ്മിച്ച് NLPയുടെ അടിസ്ഥാനങ്ങൾ പഠിക്കും, യന്ത്രം പഠനം ഈ സംഭാഷണങ്ങളെ കൂടുതൽ 'സ്മാർട്ട്' ആക്കുന്നതിൽ എങ്ങനെ സഹായിക്കുന്നുവെന്ന് മനസ്സിലാക്കും. 1813-ൽ പ്രസിദ്ധീകരിച്ച ജെയിൻ ഓസ്റ്റന്റെ ക്ലാസിക് നോവൽ **പ്രൈഡ് ആൻഡ് പ്രെജുഡിസ്**-ലെ എലിസബത്ത് ബെനെറ്റ്, മിസ്റ്റർ ഡാർസി എന്നിവരുമായി സംഭാഷണം നടത്താൻ നിങ്ങൾ കാലയാത്ര നടത്തും. തുടർന്ന്, യൂറോപ്പിലെ ഹോട്ടൽ അവലോകനങ്ങളിലൂടെ സന്റിമെന്റ് അനാലിസിസ് പഠിച്ച് നിങ്ങളുടെ അറിവ് വർദ്ധിപ്പിക്കും.
> ഫോട്ടോ <ahref="https://unsplash.com/@elaineh?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Elaine Howlin</a><ahref="https://unsplash.com/s/photos/pride-and-prejudice?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> ൽ നിന്നാണ്
> സ്കെച്ച്നോട്ട് [Tomomi Imura](https://www.twitter.com/girlie_mac) tarafından
@ -112,7 +112,7 @@ CO_OP_TRANSLATOR_METADATA:
✅ [ഈ സാമ്പിൾ ടൈം സീരീസ് പ്ലോട്ട്](https://www.kaggle.com/kashnitsky/topic-9-part-1-time-series-analysis-in-python) നോക്കൂ, ഇത് ചില വർഷങ്ങളിലായി ദിവസേന കളിയിൽ ചെലവഴിച്ച കറൻസി കാണിക്കുന്നു. മുകളിൽ പറഞ്ഞ സവിശേഷതകളിൽ ഏതെങ്കിലും ഈ ഡാറ്റയിൽ തിരിച്ചറിയാമോ?
> [MAPE](https://www.linkedin.com/pulse/what-mape-mad-msd-time-series-allameh-statistics/) മുൻകൂട്ടി കണക്കാക്കലിന്റെ കൃത്യത മുകളിൽ നൽകിയ ഫോർമുല ഉപയോഗിച്ച് നിർവചിച്ച അനുപാതമായി കാണിക്കാൻ ഉപയോഗിക്കുന്നു. actual<sub>t</sub>നും predicted<sub>t</sub>നും ഇടയിലെ വ്യത്യാസം actual<sub>t</sub>ൽ വിഭജിക്കുന്നു. "ഈ കണക്കിൽ ആബ്സല്യൂട്ട് മൂല്യം ഓരോ മുൻകൂട്ടി കണക്കാക്കിയ സമയബിന്ദുവിനും കൂട്ടിച്ചേർത്ത് ഫിറ്റുചെയ്ത ബിന്ദുക്കളുടെ എണ്ണം n-ൽ വിഭജിക്കുന്നു." [wikipedia](https://wikipedia.org/wiki/Mean_absolute_percentage_error)
@ -381,7 +381,7 @@ ARIMAയുടെ ഭാഗങ്ങൾ വിശദീകരിച്ച്,
plt.show()
```
🏆 വളരെ നല്ല ഒരു പ്ലോട്ട്, നല്ല കൃത്യതയുള്ള ഒരു മോഡൽ കാണിക്കുന്നു. നല്ല ജോലി!
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.
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.
# റീഇൻഫോഴ്സ്മെന്റ് ലേണിംഗിനും ക്യൂ-ലേണിംഗിനും പരിചയം
> സ്കെച്ച്നോട്ട് [Tomomi Imura](https://www.twitter.com/girlie_mac) tarafından
റീഇൻഫോഴ്സ്മെന്റ് ലേണിംഗ് മൂന്ന് പ്രധാന ആശയങ്ങൾ ഉൾക്കൊള്ളുന്നു: ഏജന്റ്, ചില സ്റ്റേറ്റുകൾ, ഓരോ സ്റ്റേറ്റിനും ഒരു ക്രമീകരിച്ച പ്രവർത്തനസമൂഹം. ഒരു നിശ്ചിത സ്റ്റേറ്റിൽ ഒരു പ്രവർത്തനം നടപ്പിലാക്കുമ്പോൾ, ഏജന്റിന് ഒരു റിവാർഡ് ലഭിക്കും. വീണ്ടും കമ്പ്യൂട്ടർ ഗെയിം സൂപ്പർ മാരിയോയെ കണക്കിലെടുക്കുക. നിങ്ങൾ മാരിയോയാണ്, നിങ്ങൾ ഒരു ഗെയിം ലെവലിൽ, ഒരു കുന്നിന്റെ അരികിൽ നിൽക്കുന്നു. നിങ്ങളുടെ മുകളിൽ ഒരു നാണയം ഉണ്ട്. നിങ്ങൾ മാരിയോ ആയതിനാൽ, ഒരു ഗെയിം ലെവലിൽ, ഒരു പ്രത്യേക സ്ഥാനത്ത് ... അത് നിങ്ങളുടെ സ്റ്റേറ്റ് ആണ്. വലത്തേക്ക് ഒരു പടി നീങ്ങുന്നത് (ഒരു പ്രവർത്തനം) നിങ്ങളെ അരികിൽ കൊണ്ടുപോകും, അത് കുറഞ്ഞ സംഖ്യാത്മക സ്കോർ നൽകും. എന്നാൽ, ജമ്പ് ബട്ടൺ അമർത്തുന്നത് നിങ്ങൾക്ക് ഒരു പോയിന്റ് നേടാൻ അനുവദിക്കും, നിങ്ങൾ ജീവിച്ചിരിക്കും. അത് ഒരു പോസിറ്റീവ് ഫലം ആണ്, അതിനാൽ നിങ്ങൾക്ക് പോസിറ്റീവ് സംഖ്യാത്മക സ്കോർ ലഭിക്കണം.
@ -40,7 +40,7 @@ CO_OP_TRANSLATOR_METADATA:
സൗകര്യത്തിന്, പീറ്ററിന്റെ ലോകം `width` x `height` വലിപ്പമുള്ള ഒരു ചതുര് ബോർഡ് ആണെന്ന് കരുതാം, ഇങ്ങനെ:
നാം ക്യൂ-ടേബിളിലെ എല്ലാ മൂല്യങ്ങളും സമാനമായ മൂല്യത്തോടെ, നമ്മുടെ കേസിൽ 0.25, ആരംഭിക്കുന്നു. ഇത് "റാൻഡം വാക്ക്" നയത്തിന് പൊരുത്തപ്പെടുന്നു, കാരണം ഓരോ സ്റ്റേറ്റിലും എല്ലാ ചലനങ്ങളും സമാനമായി നല്ലതാണ്. നാം `plot` ഫംഗ്ഷനിലേക്ക് ക്യൂ-ടേബിൾ പാസ്സ് ചെയ്ത് ബോർഡിൽ ടേബിൾ ദൃശ്യവൽക്കരിക്കാം: `m.plot(Q)`.
ഓരോ സെല്ലിന്റെ മദ്ധ്യത്തിൽ ഒരു "അറ" കാണിക്കുന്നു, അത് പ്രിയപ്പെട്ട ചലന ദിശ സൂചിപ്പിക്കുന്നു. എല്ലാ ദിശകളും സമാനമായതിനാൽ, ഒരു ഡോട്ട് പ്രദർശിപ്പിക്കുന്നു.
ഈ ആൽഗോരിതം നടപ്പിലാക്കിയ ശേഷം, ക്യൂ-ടേബിൾ ഓരോ ഘട്ടത്തിലും വിവിധ പ്രവർത്തനങ്ങളുടെ ആകർഷകത നിർവചിക്കുന്ന മൂല്യങ്ങളാൽ അപ്ഡേറ്റ് ചെയ്യപ്പെടും. നാം ക്യൂ-ടേബിൾ ദൃശ്യവൽക്കരിക്കാൻ ഓരോ സെല്ലിലും ഒരു വെക്ടർ വരയ്ക്കാം, അത് ആഗ്രഹിക്കുന്ന ചലന ദിശ കാണിക്കും. ലളിതത്വത്തിന്, അറിന്റെ തലക്കെട്ട് പകരം ചെറിയ വൃത്തം വരയ്ക്കുന്നു.
പഠന പ്രക്രിയ പ്രശ്നത്തിന്റെ ഘടനയെക്കുറിച്ചുള്ള അറിവ് കണ്ടെത്തലും പരീക്ഷണവും തമ്മിലുള്ള സമതുല്യമാണ്. പഠന ഫലങ്ങൾ (ഏജന്റിന് ലക്ഷ്യത്തിലേക്ക് ചെറുതായ പാത കണ്ടെത്താൻ സഹായിക്കുന്ന കഴിവ്) മെച്ചപ്പെട്ടതായി കാണാം, എന്നാൽ പഠന പ്രക്രിയയിൽ ശരാശരി പാത നീളം എങ്ങനെ പെരുമാറുന്നു എന്ന് നിരീക്ഷിക്കാനും താൽപര്യമുണ്ട്:
> **പ്രശ്നം**: പീറ്റർ വംശജനെ നിന്ന് രക്ഷപ്പെടാൻ, അവൻ വേഗത്തിൽ ചലിക്കാൻ കഴിയണം. പീറ്റർ എങ്ങനെ സ്കേറ്റ് ചെയ്യാൻ പഠിക്കാമെന്ന് നാം കാണും, പ്രത്യേകിച്ച്, ബാലൻസ് നിലനിർത്താൻ, Q-ലേണിംഗ് ഉപയോഗിച്ച്.
> പീറ്ററും അവന്റെ സുഹൃത്തുക്കളും വംശജനെ നിന്ന് രക്ഷപ്പെടാൻ സൃഷ്ടിപരമായ മാർഗങ്ങൾ കണ്ടെത്തുന്നു! ചിത്രം [ജെൻ ലൂപ്പർ](https://twitter.com/jenlooper) എന്നവരുടെ.
നാം ബാലൻസിംഗ് എന്നത് ലളിതമാക്കിയ ഒരു പതിപ്പ് ഉപയോഗിക്കും, ഇത് **കാർട്ട്പോൾ** പ്രശ്നമായി അറിയപ്പെടുന്നു. കാർട്ട്പോൾ ലോകത്ത്, ഒരു ഹോരിസോണ്ടൽ സ്ലൈഡർ ഇടത്തോ വലത്തോ ചലിക്കാൻ കഴിയും, ലക്ഷ്യം സ്ലൈഡറിന്റെ മുകളിൽ ഒരു വെർട്ടിക്കൽ പോൾ ബാലൻസ് ചെയ്യുകയാണ്.
ഈ ഗ്രാഫിൽ ഒന്നും വ്യക്തമാക്കാൻ കഴിയില്ല, കാരണം സ്റ്റോക്കാസ്റ്റിക് പരിശീലന പ്രക്രിയയുടെ സ്വഭാവം മൂലം പരിശീലന സെഷനുകളുടെ ദൈർഘ്യം വളരെ വ്യത്യാസപ്പെടുന്നു. ഈ ഗ്രാഫിന്റെ അർത്ഥം മനസ്സിലാക്കാൻ, നാം 100 പരീക്ഷണങ്ങളുടെ **റണ്ണിംഗ് ശരാശരി** കണക്കാക്കാം. ഇത് `np.convolve` ഉപയോഗിച്ച് എളുപ്പത്തിൽ ചെയ്യാം: (കോഡ് ബ്ലോക്ക് 12)
നിങ്ങൾക്ക് സ്റ്റോക്ക് മാർക്കറ്റ് പോലൊരു സിമുലേറ്റഡ് പരിസ്ഥിതി ഉണ്ടെന്ന് കരുതുക. ഒരു നിശ്ചിത നിയന്ത്രണം ഏർപ്പെടുത്തുകയാണെങ്കിൽ എന്ത് സംഭവിക്കും? അത് പോസിറ്റീവ് ഫലമോ നെഗറ്റീവ് ഫലമോ ഉണ്ടാക്കുമോ? എന്തെങ്കിലും നെഗറ്റീവ് സംഭവിച്ചാൽ, നിങ്ങൾക്ക് ഈ _നെഗറ്റീവ് റീഇൻഫോഴ്സ്മെന്റ്_ സ്വീകരിച്ച് അതിൽ നിന്ന് പഠിച്ച് ദിശ മാറ്റണം. അത് പോസിറ്റീവ് ഫലമായാൽ, നിങ്ങൾക്ക് ആ _പോസിറ്റീവ് റീഇൻഫോഴ്സ്മെന്റ്_ അടിസ്ഥാനമാക്കി മുന്നോട്ട് പോകണം.
> പീറ്ററും അവന്റെ സുഹൃത്തുക്കളും വിശപ്പുള്ള വുൾഫിൽ നിന്ന് രക്ഷപ്പെടണം! ചിത്രം [Jen Looper](https://twitter.com/jenlooper) എന്നവന്റെതാണ്
# പോസ്റ്റ്സ്ക്രിപ്റ്റ്: യാഥാർത്ഥ്യ ലോകത്തിലെ മെഷീൻ ലേണിംഗ്
> സ്കെച്ച്നോട്ട് [Tomomi Imura](https://www.twitter.com/girlie_mac) tarafından
ഈ പാഠ്യപദ്ധതിയിൽ, നിങ്ങൾ പരിശീലനത്തിനായി ഡാറ്റ തയ്യാറാക്കാനും മെഷീൻ ലേണിംഗ് മോഡലുകൾ സൃഷ്ടിക്കാനും നിരവധി മാർഗങ്ങൾ പഠിച്ചു. നിങ്ങൾ ക്ലാസിക് റെഗ്രഷൻ, ക്ലസ്റ്ററിംഗ്, ക്ലാസിഫിക്കേഷൻ, നാച്ചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിംഗ്, ടൈം സീരീസ് മോഡലുകളുടെ ഒരു പരമ്പര നിർമ്മിച്ചു. അഭിനന്ദനങ്ങൾ! ഇപ്പോൾ, നിങ്ങൾക്ക് ഇതെല്ലാം എന്തിനാണെന്ന് അറിയാൻ ആഗ്രഹമുണ്ടാകാം... ഈ മോഡലുകൾക്ക് യാഥാർത്ഥ്യ ലോകത്തിൽ എന്തെല്ലാം പ്രയോഗങ്ങൾ ഉണ്ട്?
കൃത്യത അളക്കാൻ ഉപയോഗിക്കുന്ന പരമ്പരാഗത മോഡൽ പ്രകടന മെട്രിക്സുകൾ സാധാരണയായി ശരിയായ പ്രവചനങ്ങൾക്കും തെറ്റായ പ്രവചനങ്ങൾക്കും അടിസ്ഥാനമായ കണക്കുകളാണ്. ഉദാഹരണത്തിന്, ഒരു മോഡൽ 89% കൃത്യതയുള്ളതാണെന്ന് 0.001 പിശക് നഷ്ടത്തോടെ നിശ്ചയിക്കുന്നത് നല്ല പ്രകടനമായി കണക്കാക്കാം. പിശകുകൾ സാധാരണയായി നിങ്ങളുടെ അടിസ്ഥാന ഡാറ്റാസെറ്റിൽ സമാനമായി വിതരണം ചെയ്തിട്ടില്ല. നിങ്ങൾക്ക് 89% കൃത്യതയുള്ള മോഡൽ സ്കോർ ലഭിച്ചാലും, മോഡൽ 42% തവണ പരാജയപ്പെടുന്ന ഡാറ്റാ മേഖലകൾ വ്യത്യസ്തമായി ഉണ്ടാകാം. ഈ പരാജയ മാതൃകകൾ ചില ഡാറ്റാ ഗ്രൂപ്പുകളിൽ ഫെയർനസോ വിശ്വസനീയതയോ സംബന്ധിച്ച പ്രശ്നങ്ങൾ ഉണ്ടാക്കാം. മോഡൽ എവിടെ നല്ല പ്രകടനം കാഴ്ചവെക്കുന്നു അല്ലെങ്കിൽ പരാജയപ്പെടുന്നു എന്ന് മനസ്സിലാക്കുന്നത് അനിവാര്യമാണ്. മോഡലിൽ പിശകുകൾ കൂടുതലുള്ള ഡാറ്റാ മേഖലകൾ ഒരു പ്രധാന ഡാറ്റാ ജനസംഖ്യയായി മാറാം.
RAI ഡാഷ്ബോർഡിലെ പിശക് വിശകലന ഘടകം വിവിധ കോഹോർട്ടുകളിൽ മോഡൽ പരാജയം എങ്ങനെ വിതരണം ചെയ്തിട്ടുള്ളതെന്ന് ഒരു ട്രീ വിസ്വലൈസേഷനിലൂടെ കാണിക്കുന്നു. ഇത് നിങ്ങളുടെ ഡാറ്റാസെറ്റിൽ ഉയർന്ന പിശക് നിരക്കുള്ള സവിശേഷതകൾ അല്ലെങ്കിൽ മേഖലകൾ കണ്ടെത്താൻ സഹായിക്കുന്നു. മോഡലിന്റെ പിശകുകൾ എവിടെ നിന്നാണ് വരുന്നത് എന്ന് കാണുമ്പോൾ, നിങ്ങൾ മൂലകാരണം അന്വേഷിക്കാൻ തുടങ്ങാം. ഡാറ്റാ കോഹോർട്ടുകൾ സൃഷ്ടിച്ച് അവയിൽ വിശകലനം നടത്താനും കഴിയും. ഈ ഡാറ്റാ കോഹോർട്ടുകൾ ഡീബഗ്ഗിംഗ് പ്രക്രിയയിൽ സഹായിക്കുന്നു, ഒരു കോഹോർട്ടിൽ മോഡൽ പ്രകടനം നല്ലതായിരിക്കുമ്പോൾ മറ്റൊന്നിൽ പിശകുള്ളതെന്തുകൊണ്ടെന്ന് കണ്ടെത്താൻ.
ട്രീ മാപ്പിലെ ദൃശ്യ സൂചകങ്ങൾ പ്രശ്നമേഖലകൾ വേഗത്തിൽ കണ്ടെത്താൻ സഹായിക്കുന്നു. ഉദാഹരണത്തിന്, ട്രീ നോഡിന് ഇരുണ്ട ചുവപ്പ് നിറം കൂടുതലായിരിക്കുമ്പോൾ പിശക് നിരക്ക് ഉയർന്നതാണ്.
ഹീറ്റ് മാപ്പ് മറ്റൊരു വിസ്വലൈസേഷൻ ഫംഗ്ഷണാലിറ്റിയാണ്, ഇത് ഒരു അല്ലെങ്കിൽ രണ്ട് സവിശേഷതകൾ ഉപയോഗിച്ച് പിശക് നിരക്ക് പരിശോധിക്കാൻ സഹായിക്കുന്നു, മുഴുവൻ ഡാറ്റാസെറ്റിലോ കോഹോർട്ടുകളിലോ മോഡൽ പിശകുകൾക്ക് കാരണമായ ഘടകങ്ങൾ കണ്ടെത്താൻ.
@ -57,11 +57,11 @@ RAI ഡാഷ്ബോർഡിലെ പിശക് വിശകലന ഘട
RAI ഡാഷ്ബോർഡിലെ മോഡൽ അവലോകന ഘടകം ഡാറ്റാ പ്രതിനിധാനമുള്ള കോഹോർട്ടുകളുടെ പ്രകടന മെട്രിക്സുകൾ വിശകലനം ചെയ്യുന്നതിൽ മാത്രമല്ല, വ്യത്യസ്ത കോഹോർട്ടുകളിലുടനീളം മോഡലിന്റെ പെരുമാറ്റം താരതമ്യം ചെയ്യാനുള്ള കഴിവും നൽകുന്നു.
ഘടകത്തിന്റെ സവിശേഷതാ അടിസ്ഥാനത്തിലുള്ള വിശകലന ഫംഗ്ഷണാലിറ്റി ഉപയോക്താക്കളെ ഒരു പ്രത്യേക സവിശേഷതയിലുള്ള ഡാറ്റാ ഉപഗ്രൂപ്പുകൾ കുറയ്ക്കാൻ സഹായിക്കുന്നു, സൂക്ഷ്മതയിൽ അനോമലികൾ കണ്ടെത്താൻ. ഉദാഹരണത്തിന്, ഡാഷ്ബോർഡിൽ ഒരു ഉപയോക്താവ് തിരഞ്ഞെടുക്കുന്ന സവിശേഷതയ്ക്ക് (ഉദാ: *"time_in_hospital < 3"* അല്ലെങ്കിൽ *"time_in_hospital >= 7"*) സ്വയം കോഹോർട്ടുകൾ സൃഷ്ടിക്കുന്ന ബുദ്ധിമുട്ട് ഉണ്ട്. ഇത് വലിയ ഡാറ്റാ ഗ്രൂപ്പിൽ നിന്നൊരു പ്രത്യേക സവിശേഷത വേർതിരിച്ച് മോഡലിന്റെ പിശകുള്ള ഫലങ്ങൾക്ക് പ്രധാന കാരണമാണോ എന്ന് പരിശോധിക്കാൻ സഹായിക്കുന്നു.
മോഡൽ അവലോകന ഘടകം രണ്ട് തരത്തിലുള്ള വ്യത്യാസ മെട്രിക്സുകൾ പിന്തുണയ്ക്കുന്നു:
@ -85,7 +85,7 @@ RAI ഡാഷ്ബോർഡിലെ മോഡൽ അവലോകന ഘടക
RAI ഡാഷ്ബോർഡിലെ ഡാറ്റാ വിശകലന ഘടകം ഡാറ്റാസെറ്റിൽ അധികം അല്ലെങ്കിൽ കുറവായി പ്രതിനിധാനം ചെയ്യുന്ന മേഖലകൾ കണ്ടെത്താൻ സഹായിക്കുന്നു. ഡാറ്റ അസമത്വങ്ങൾ അല്ലെങ്കിൽ ഒരു പ്രത്യേക ഡാറ്റാ ഗ്രൂപ്പിന്റെ പ്രതിനിധാനക്കുറവ് മൂലം ഉണ്ടാകുന്ന പിശകുകളും നീതിപൂർണത പ്രശ്നങ്ങളും കണ്ടെത്താൻ ഉപയോക്താക്കളെ സഹായിക്കുന്നു. പ്രവചിച്ച ഫലങ്ങളും യഥാർത്ഥ ഫലങ്ങളും, പിശക് ഗ്രൂപ്പുകളും, പ്രത്യേക സവിശേഷതകളും അടിസ്ഥാനമാക്കി ഡാറ്റാസെറ്റുകൾ ദൃശ്യവൽക്കരിക്കാൻ കഴിയും. ചിലപ്പോൾ കുറവായി പ്രതിനിധാനം ചെയ്യുന്ന ഡാറ്റാ ഗ്രൂപ്പ് കണ്ടെത്തുന്നത് മോഡൽ നന്നായി പഠിക്കുന്നില്ലെന്ന് വെളിപ്പെടുത്താം, അതിനാൽ പിശകുകൾ കൂടുതലാണ്. ഡാറ്റാ പക്ഷപാതമുള്ള മോഡൽ ഫെയർനസിന്റെ പ്രശ്നമല്ല, അത് ഉൾക്കൊള്ളലില്ലായ്മയും വിശ്വസനീയതയില്ലായ്മയും കാണിക്കുന്നു.
ഡാറ്റാ വിശകലനം ഉപയോഗിക്കേണ്ടത്:
@ -104,14 +104,14 @@ RAI ഡാഷ്ബോർഡിലെ ഡാറ്റാ വിശകലന ഘ
RAI ഡാഷ്ബോർഡിലെ സവിശേഷതാ പ്രാധാന്യം ഘടകം മോഡൽ ഡീബഗ് ചെയ്യാനും മോഡൽ പ്രവചനങ്ങൾ എങ്ങനെ ഉണ്ടാകുന്നു എന്ന് സമഗ്രമായി മനസ്സിലാക്കാനും സഹായിക്കുന്നു. ഇത് മെഷീൻ ലേണിംഗ് പ്രൊഫഷണലുകൾക്കും തീരുമാനമെടുക്കുന്നവർക്കും മോഡലിന്റെ പെരുമാറ്റത്തെ സ്വാധീനിക്കുന്ന സവിശേഷതകൾ വിശദീകരിക്കാനും തെളിവുകൾ കാണിക്കാനും സഹായിക്കുന്ന ഉപകരണമാണ്, നിയമാനുസൃത പാലനത്തിനായി. ഉപയോക്താക്കൾ ആഗോളവും പ്രാദേശികവുമായ വിശദീകരണങ്ങൾ പരിശോധിച്ച് മോഡലിന്റെ പ്രവചനത്തെ സ്വാധീനിക്കുന്ന സവിശേഷതകൾ സ്ഥിരീകരിക്കാം. ആഗോള വിശദീകരണങ്ങൾ മോഡലിന്റെ മൊത്തം പ്രവചനത്തെ സ്വാധീനിച്ച പ്രധാന സവിശേഷതകൾ പട്ടികപ്പെടുത്തുന്നു. പ്രാദേശിക വിശദീകരണങ്ങൾ വ്യക്തിഗത കേസിനുള്ള മോഡൽ പ്രവചനത്തിന് കാരണമായ സവിശേഷതകൾ കാണിക്കുന്നു. പ്രാദേശിക വിശദീകരണങ്ങൾ വിലയിരുത്തുന്നത് ഒരു പ്രത്യേക കേസ് ഡീബഗ് ചെയ്യാനും ഓഡിറ്റ് ചെയ്യാനും സഹായിക്കുന്നു, മോഡൽ ശരിയായോ തെറ്റായോ പ്രവചനമുണ്ടാക്കിയത് എന്തുകൊണ്ടെന്ന് മനസ്സിലാക്കാൻ.
* ആഗോള വിശദീകരണങ്ങൾ: ഉദാഹരണത്തിന്, ഒരു ഡയബറ്റിക് ആശുപത്രി വീണ്ടും പ്രവേശന മോഡലിന്റെ മൊത്തം പെരുമാറ്റത്തെ സ്വാധീനിക്കുന്ന സവിശേഷതകൾ എന്തൊക്കെയാണ്?
* പ്രാദേശിക വിശദീകരണങ്ങൾ: ഉദാഹരണത്തിന്, 60 വയസ്സിന് മുകളിൽ മുൻപ് ആശുപത്രിയിൽ പ്രവേശനമുണ്ടായ ഒരു ഡയബറ്റിക് രോഗിയെ 30 ദിവസത്തിനുള്ളിൽ വീണ്ടും പ്രവേശിപ്പിക്കുമോ ഇല്ലയോ എന്ന് മോഡൽ പ്രവചിച്ചത് എന്തുകൊണ്ടാണ്?
വിവിധ കോഹോർട്ടുകളിലുടനീളം മോഡലിന്റെ പ്രകടനം പരിശോധിക്കുന്ന ഡീബഗ്ഗിംഗ് പ്രക്രിയയിൽ, സവിശേഷതാ പ്രാധാന്യം ഘടകം ഒരു സവിശേഷതയ്ക്ക് കോഹോർട്ടുകളിൽ എത്ര സ്വാധീനം ഉണ്ടെന്ന് കാണിക്കുന്നു. മോഡലിന്റെ പിശകുള്ള പ്രവചനങ്ങളെ പ്രേരിപ്പിക്കുന്ന സവിശേഷതയുടെ സ്വാധീനം താരതമ്യം ചെയ്യുമ്പോൾ അനോമലികൾ കണ്ടെത്താൻ ഇത് സഹായിക്കുന്നു. ഒരു മോഡൽ തെറ്റായ പ്രവചനമുണ്ടാക്കിയാൽ, ഈ ഘടകം നിങ്ങൾക്ക് ആ പ്രവചനത്തെ പ്രേരിപ്പിച്ച സവിശേഷതകൾ അല്ലെങ്കിൽ സവിശേഷതാ മൂല്യങ്ങൾ കണ്ടെത്താൻ സഹായിക്കുന്നു. ഈ വിശദാംശം ഡീബഗ്ഗിംഗിനും പാരദർശകതക്കും ഉത്തരവാദിത്വത്തിനും സഹായിക്കുന്നു. അവസാനം, ഈ ഘടകം നീതിപൂർണത പ്രശ്നങ്ങൾ കണ്ടെത്താനും സഹായിക്കുന്നു. ഉദാഹരണത്തിന്, ജാതി അല്ലെങ്കിൽ ലിംഗം പോലുള്ള സെൻസിറ്റീവ് സവിശേഷത മോഡലിന്റെ പ്രവചനത്തെ വളരെ സ്വാധീനിക്കുന്നുവെങ്കിൽ, ഇത് മോഡലിൽ ജാതി അല്ലെങ്കിൽ ലിംഗഭേദം ഉണ്ടാകാമെന്ന സൂചനയാണ്.
പാഠ്യപദ്ധതിയുടെ ഈ വിഭാഗത്തിൽ, നിങ്ങൾക്ക് ക്ലാസിക്കൽ എംഎൽ ഉപയോഗിച്ച യഥാർത്ഥ ലോക പ്രയോഗങ്ങളെ പരിചയപ്പെടുത്തും. നാം ന്യുറൽ നെറ്റ്വർക്കുകൾ, ഡീപ്പ് ലേണിംഗ്, എഐ എന്നിവ ഒഴിവാക്കി ഈ തന്ത്രങ്ങൾ ഉപയോഗിച്ച പ്രയോഗങ്ങളെക്കുറിച്ചുള്ള വൈറ്റ്പേപ്പറുകളും ലേഖനങ്ങളും കണ്ടെത്താൻ ഇന്റർനെറ്റ് തിരഞ്ഞെടുത്തു. ബിസിനസ് സിസ്റ്റങ്ങൾ, പരിസ്ഥിതി പ്രയോഗങ്ങൾ, ഫിനാൻസ്, കലയും സംസ്കാരവും ഉൾപ്പെടെ എങ്ങനെ എംഎൽ ഉപയോഗിക്കപ്പെടുന്നു എന്ന് പഠിക്കൂ.
> ഫോട്ടോ <ahref="https://unsplash.com/@childeye?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Alexis Fauvet</a><ahref="https://unsplash.com/s/photos/artificial-intelligence?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> ൽ നിന്നാണ്
ഞങ്ങൾക്ക് ഒരു Discord-ൽ തുടരുന്ന "Learn with AI" പരമ്പരയുണ്ട്; കൂടുതൽ വിവരങ്ങൾക്കായി 18 - 30 സെപ്റ്റംബർ, 2025 കാലയളവിൽ [Learn with AI Series](https://aka.ms/learnwithai/discord) സന്ദർശിച്ച് ഞങ്ങളോടൊത്ത് ചേരുക. നിങ്ങൾക്ക് GitHub Copilot ഡേറ്റാ സയൻസിനായി ഉപയോഗിക്കുന്നതിന്റെ ടിപ്സുകളും ട്രിക്കുകളും ലഭിക്കും.
നമുക്കു Discord-ൽ "Learn with AI" സീരീസ് നീണ്ടുനടക്കുകയാണ്; കൂടുതല് അറിയാന് , 18 - 30 സെപ്റ്റംബർ, 2025 തീയതികൾക്കായി ഞങ്ങളോടൊപ്പം ചേരൂ: [Learn with AI Series](https://aka.ms/learnwithai/discord). GitHub Copilot ഉപയോഗിച്ച് Data Science ചെയ്യാനുള്ള ടിപ്സ്-ട്രിക്ക്സ് നിങ്ങൾക്ക് ലഭിക്കും.
# തുടക്കം കുറുപ്പ് - മെഷീൻ ലേണിങ് ആരംഭക്കാർക്കുള്ള പാഠ്യക്രമം
# Machine Learning for Beginners - A Curriculum
> 🌍 ലോകത്തിന്റെ വിവിധ സംസ്കാരങ്ങളെ അടിസ്ഥാനമാക്കി മെഷീൻ ലേണിങ് പഠിക്കുമ്പോൾ ലോകം മുഴുവനും സഞ്ചരിക്കാം 🌍
> 🌍 ലോക വിഭവങ്ങളിലൂടെ (world cultures) ഞങ്ങൾ മെഷീൻ ലേണിംഗ് ആഴത്തില് അന്വേഷിക്കുന്നതിനൊടുവിലാണ് ഈ യാത്ര 🌍
Microsoft-യിലെ Cloud Advocates ഈ 12 ആഴ്ചകളിലായി 26 പാഠങ്ങളുള്ള ഒരു പാഠ്യക്രമം അവതരിപ്പിക്കാൻ സന്തോഷിക്കുന്നു, വിഷയം മുഴുവൻ **Machine Learning** ആണ്. ഈ പാഠ്യക്രമത്തിൽ, നിങ്ങൾ സാധാരണയായി Scikit-learn ലാബ്രററി ഉപയോഗിച്ച് പൊതുവായി "ക്ലാസിക് മെഷീൻ ലേണിങ്" എന്നു വിളിക്കപ്പെടുന്ന അതിനെ കുറിച്ച് പഠിക്കുമെന്ന് പ്രതീക്ഷിക്കാം; ഡീപ്പ് ലേണിങ് ഒഴിവാക്കി, അത് നമ്മുടെ [AI for Beginners' curriculum](https://aka.ms/ai4beginners) ൽ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. ഈ പാഠങ്ങൾ ഞങ്ങളുടെ ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) ല്റെ പാഠ്യപദ്ധതിയോടും കൂടിച്ച് രണ്ട് കൂടിച്ച് ഉപയോഗിക്കാവുന്നതാണ്.
Microsoft-ലെ Cloud Advocates-ുകൾ സന്തോഷത്തോടെ ഒരു 12-വാര, 26-പാഠങ്ങളുടെ പാഠ്യപദ്ധതി അവതരിക്കുന്നു — പരമാവധി ഫോകസ് ചെയ്യുന്നത് **Machine Learning** എന്നതിലാണി. ഈ പാഠ്യപദ്ധതിയിൽ, നിങ്ങൾ പലപ്പോഴും **classic machine learning** എന്ന് വിളിക്കപ്പെടുന്ന കാര്യങ്ങളെക്കുറിച്ച് പഠിക്കും, പ്രധാനമായി Scikit-learn ലൈബ്രറി ഉപയോഗിച്ച്, ആഴത്തിലുള്ള പഠനം (deep learning) ഒഴിവാക്കി; ആ ഭാഗം നമ്മുടെ [AI for Beginners' curriculum](https://aka.ms/ai4beginners) ൽ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. ഈ പാഠങ്ങൾ ഞങ്ങളുടെ ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) നെ കൂടാതെ ഉപയോഗിക്കാവുന്നതാണ്.
ലോകമെമ്പാടുമുള്ള വിവിധ ഡാറ്റാ സ്രോതസ്സുകളിൽ ഈ ക്ലാസിക് സാങ്കേതിക വിദ്യകൾ പ്രയോഗിച്ച് ഞങ്ങളോടൊപ്പം യാത്ര ചെയ്യൂ. ഓരോ പാഠവും കേമം-മുൻപും ശേഷമുള്ള ക്വിസ്, എഴുത്ത് നിർദേശങ്ങൾ, ഒരു പരിഹാരം, ഒരു അസൈൻമെന്റ് എന്നിവ ഉൾക്കൊള്ളുന്നു. നമ്മുടെ പ്രോജക്റ്റ്-കേന്ദ്രമായ ഉപാധി നിങ്ങളെ നിര്മ്മാണത്തിലൂടെ പഠിപ്പിക്കാൻ സഹായിക്കുന്നു — പുതിയ നൈപുണ്യങ്ങൾ "ഒതുങ്ങാൻ" ഇതൊരു തെളിയിച്ച രീതിയാണ്.
ലോകമാകെയുള്ള ഡാറ്റാ സ്രോതസ്സുകളിൽ ക്ലാസിക്കൽ സാങ്കേതികവിദ്യകൾ പ്രയോഗിക്കുമ്പോൾ ഞങ്ങളോടൊപ്പം യാത്ര ചെയ്യൂ. ഓരോ പാഠത്തിനും pre- and post-lesson quizzes ഉം, എഴുത്തായ നിർദ്ദേശങ്ങളും, ഒരു സൊല്യൂഷനും, അസൈൻമെന്റും, കൂടാതെ മറ്റും ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. പ്രോജെക്ട്-ആധാരിത പഠനരീതിയിലൂടെ നിങ്ങൾ നിര്മിക്കുമ്പോൾ പഠിക്കുന്നതാണ്; ഇത് പുതിയ കഴിവുകൾ 'സ്ഥിരമാക്കുന്നതിനുള്ള' തെളിയിച്ച രീതിയാണ്.
**✍️ നമ്മുടെ എഴുത്തുകാരോട് ഹൃദയം നിറഞ്ഞ നന്ദി** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd
**✍️ наших ആർഹതക്കാര്ക്ക് ഹൃദയം നിറഞ്ഞ നന്ദി** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd
**🎨 ചിത്രകാരന്മാർക്കും നന്ദി** Tomomi Imura, Dasani Madipalli, and Jen Looper
**🎨 ഞങ്ങളുടെ ചിത്രകാരന്മാർക്കും നന്ദി** Tomomi Imura, Dasani Madipalli, and Jen Looper
**🙏 പ്രത്യേക നന്ദി 🙏** Microsoft Student Ambassador എഴുത്തുകാര്ക്ക്, റിവ്യൂവർക്കും ഉള്ള സംഭാവനക്കാർക്ക്, പ്രത്യേകിച്ച് Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, and Snigdha Agarwal
**🙏 പ്രത്യേക നന്ദി 🙏 നമ്മുടെ Microsoft Student Ambassador രചയിതാക്കൾക്കും, റിവ്യൂവേർമാർക്കും, ഉള്ളടക്ക സംഭാവനക്കാർക്കും**, പ്രത്യേകിച്ച് Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, and Snigdha Agarwal
**🤩 പ്രത്യേകം നന്ദി Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, and Vidushi Gupta-യ്ക്ക് R പാഠങ്ങൾക്കായി!**
**🤩 R പാഠങ്ങൾക്കുള്ള വളരെയധികം നന്ദി Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, and Vidushi Gupta-ന്!**
# ആരംഭിക്കാം
# ആരംഭിക്കുന്നത്
ഈ പടികൾ പിന്തുടരുക:
1. **റിപ്പോസിറ്ററി ഫോർക്ക് ചെയ്യുക**: ഈ പേജിന്റെ മുകളില് വലത് കോണിൽ ഉള്ള "Fork" ബട്ടൺ അമർത്തുക.
ഈ ചുവടുകൾ പിന്തുടരുക:
1. **റിപ്പോസിറ്ററി Fork ചെയ്യുക**: ഈ പേജിന്റെ മുകളിൽ വലത്തുഭാഗത്ത് ഉള്ള "Fork" ബട്ടണിൽ ക്ലിക്ക് ചെയ്യുക.
> [ഈ കോഴ്സിന് ആവശ്യമായ എല്ലാ അധിക რესോഴ്സുകളും ഞങ്ങളുടെ Microsoft Learn ശേഖരത്തിൽ കണ്ടെത്താം](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [ഈ കോഴ്സിന് ആവശ്യമായ എല്ലാ അധിക സാമ്പത്തിക വనറുകൾ ഞങ്ങളുടെ Microsoft Learn ശേഖരത്തിൽ കാണുക](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **സഹായം വേണമോ?** ഇൻസ്റ്റലേഷൻ, സെറ്റ്അപ്, പാഠങ്ങൾ നടപ്പിലാക്കുന്നതിൽ വരുന്ന പൊതുവായ പ്രശ്നങ്ങളുടെ പരിഹാരങ്ങൾക്ക് ഞങ്ങളുടെ [Troubleshooting Guide](TROUBLESHOOTING.md) പരിശോധിക്കുക.
> 🔧 **സഹായം വേണമോ?** ഇൻസ്റ്റലേഷൻ, സജ്ജീകരണം, പാഠങ്ങൾ റൺ ചെയ്യുന്നതുമായി ബന്ധപ്പെട്ട പൊതു പ്രശ്നങ്ങൾക്ക് പരിഹാരങ്ങൾക്കായി ഞങ്ങളുടെ [Troubleshooting Guide](TROUBLESHOOTING.md) പരിശോധിക്കുക.
**[വിദ്യാർത്ഥികൾ](https://aka.ms/student-page)**, ഈ പാഠ്യക്രമം ഉപയോഗിക്കാൻ, മുഴുവൻ റീപോ നിങ്ങളുടെ സ്വന്തം GitHub അക്കൗണ്ടിലേക്ക് ഫോർക്ക് ചെയ്ത് വ്യത്യസ്തമായി അല്ലെങ്കിൽ ഗ്രൂപ്പുമായി ചേർന്ന് വ്യായാമങ്ങൾ പൂർത്തിയാക്കുക:
**[Students](https://aka.ms/student-page)**, ഈ പാഠ്യപദ്ധതി ഉപയോഗിക്കാൻ, മുഴുവൻ റെപ്പോ നിങ്ങളുടെ സ്വന്തം GitHub അക്കൗണ്ടിലേക്ക് fork ചെയ്ത് താങ്കൾ തനിക്കോ അല്ലെങ്കിൽ ഒരു ഗ്രൂപ്പിനൊത്ത് ചേർന്ന് വ്യായാമങ്ങൾ പൂർത്തിയാക്കുക:
- പ്രീ-ലെക്ചർ ക്വിസുമായി തുടങ്ങുക.
- ലെക്ചർ വായിച്ച് പ്രവർത്തനങ്ങൾ പൂർത്തിയാക്കുക, ഓരോ നോളജ് ചെക്കിലും നിർത്തി ആലോചിക്കുക.
- പരിഹാര കോഡ് ഓടിക്കാൻ പകരം പാഠങ്ങൾ മനസ്സിലാക്കി ആ പ്രോജക്റ്റുകൾ സൃഷ്ടിക്കാൻ ശ്രമിക്കുക; എന്നിരുന്നാലും ആ കോഡ് ഓരോ പ്രോജക്റ്റ്-അഭിമുഖ പാഠത്തിൻറെ `/solution` ഫോൾഡറിൽ ലഭ്യമാണ്.
- പോസ്റ്റ്-ലെക്ചർ ക്വിസെടുത്തുക.
- ഒരു pre-lecture quiz-ൽ തുടങ്ങുക.
- ലക്ചർ വായിച്ച് പ്രവർത്തനങ്ങൾ പൂർത്തിയാക്കുക, ഓരോ knowledge check-ൽ നില്ക്കുകയും ആലോചിക്കുകയും ചെയ്യുക.
- സൊല്യൂഷൻ കോഡ് ഓടിക്കാതെ പാഠങ്ങൾ മനസ്സിലാക്കി പ്രോജക്ടുകൾ സൃഷ്ടിക്കാൻ ശ്രമിക്കുക; എന്നിരുന്നാലും ആ കോഡ് ഓരോ project-ഓറിയന്റഡ് പാഠത്തിനും ഉള്ള `/solution` സഹ ഫോളഡറുകളിൽ ലഭ്യമായിരിക്കും.
- post-lecture quiz സ്വീകരിക്കുക.
- ചലഞ്ച് പൂർത്തിയാക്കുക.
- അസൈൻമെന്റ് പൂർത്തിയാക്കുക.
- ഒരു പാഠ ഗ്രൂപ്പ് പൂർത്തിയാക്കിയതിന് ശേഷം, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) സന്ദർശിച്ച് അനുയോജ്യമായ PAT റൂബ്രിക് പൂരിപ്പിച്ച് "മുന്നേറ്റം തുറന്ന് പഠിക്കുക". PAT എന്നാണ് പറയുന്നത് — അതായത് നിങ്ങളുടെ പഠനത്തിന് സഹായകമായ ഒരു പുരോഗതി മാനദണ്ഡം പൂരിപ്പിക്കുന്ന റൂബ്രിക്. മറ്റുള്ളവരുടെ PAT-മാർക്കും പ്രതികരിക്കാൻ μπορείτε, അതിലൂടെ എല്ലാവരും ഒരുമിച്ചാണ് പഠിക്കുന്നത്.
- ഒരു പാഠ ഗ്രൂപ്പ് പൂർത്തിയാക്കിയതിന് ശേഷം, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) സന്ദർശിച്ച് പരിച്ഛേദം പങ്കുവെയ്ക്കുക மற்றும் അനുയോജ്യമായ PAT റൂബ്രിക്ക് പൂർത്തിയാക്കി "learn out loud" ചെയ്യുക. 'PAT' എന്നത് Progress Assessment Tool-ആണ്; ഇത് നിങ്ങൾ ഭാവിപ്പാഠ്യകൗശലങ്ങൾ മെച്ചപ്പെടുത്താൻ ഉപയോഗിക്കുന്ന ഒരു റൂബ്രിക്കാണ്. മറ്റുള്ളവരുടെ PAT-കളിലും പ്രതികരിക്കാൻ സാധിക്കും; ഇപ്രകാരം നാം ഒരുമിച്ച് പഠിക്കാം.
> കൂടുതൽ പഠനത്തിന്, നമ്മൾ ഈ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) മോർഡ്യൂളുകളും ലേർണിംഗ് പാത്തുകളും പിന്തുടരാൻ ശുപാർശ ചെയ്യുന്നു.
> കൂടുതൽ പഠനത്തിന്, ഞങ്ങൾ ഇവ നിർദേശിക്കുന്നു: [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) മോഡ്യൂളുകൾ आणि ലേണിംഗ് പാതകൾ പിന്തുടരുക.
**അധ്യാപകർ**, ഈ പാഠ്യക്രമം ഉപയോഗിക്കുന്നതിനെക്കുറിച്ച് ഞങ്ങൾ ചില നിർദ്ദേശങ്ങൾ [ഇവിടെ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്](for-teachers.md).
**ഉപാധ്യാപകർ**, ഈ പാഠ്യപദ്ധതി എങ്ങനെ ഉപയോഗിക്കാമെന്നതിന്റെ കുറിച്ച് ഞങ്ങൾ [കുറിപ്പ് നൽകിയിട്ടുണ്ട്](for-teachers.md).
---
## വീഡിയോ വാക്ക്ത്രൂകൾ
## വീഡിയോ വെൽക്കോുതുകൾ
ചില പാഠങ്ങൾ ചെറു ഫോർമാറ്റിലുള്ള വീഡിയോകളായി ലഭ്യമാണ്. നിങ്ങൾക്ക് ഇവ ഫെപ്പണ്ഡുകളിലോ പാഠങ്ങളുടെ ഉള്ളിലുള്ള ലിങ്കുകളിലോ കാണാം, അല്ലെങ്കിൽ [ML for Beginners പ്ലേലിസ്റ്റ് - Microsoft Developer YouTube ചാനൽ](https://aka.ms/ml-beginners-videos) ൽ ചിത്രത്തിലclick ചെയ്യുന്നതിലൂടെ കാണാം.
ചില പാഠങ്ങൾ ചെറിയ ഫോർമാറ്റിലുള്ള വീഡിയോ ആയി ലഭ്യമാണ്. ഈ മുഴുവൻ വിഡിയോകൾ പാഠങ്ങളിൽ തന്നെ ഇൻ-ലൈൻ ആയി കാണാനോ, അല്ലെങ്കിൽ [ML for Beginners പ്ലേലിസ്റ്റ് - Microsoft Developer YouTube ചാനൽ](https://aka.ms/ml-beginners-videos) ൽ ചിത്രം ക്ലിക്കുചെയ്ത് കാണാവുന്നതാണ്.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
---
@ -90,136 +88,136 @@ Microsoft-യിലെ Cloud Advocates ഈ 12 ആഴ്ചകളിലായി
> 🎥 പ്രോജക്ടും അതിനെ സൃഷ്ടിച്ച ആളുകളെക്കുറിച്ചുള്ള വീഡിയോ കാണാൻ മുകളിൽ കാണുന്ന ചിത്രം ക്ലിക്ക് ചെയ്യൂ!
> 🎥 പ്രോജക്ടിനെப் பற்றിയും അതിനെ സൃഷ്ടിച്ചവരെക്കുറിച്ചുള്ള വീഡിയോ കാണാൻ മുകളിൽ ഉള്ള ചിത്രം ക്ലിക്ക് ചെയ്യൂ!
---
## പഠനരീതി (Pedagogy)
## ശൈലി-രീതികൾ (Pedagogy)
ഈ പാഠ്യക്രമം നിർമ്മിക്കുമ്പോൾ ഞങ്ങൾ രണ്ടുകൊണ്ട് പ്രധാന പാഠരീതികളെ തെരഞ്ഞെടുത്തു: അത് ഹാൻഡ്സ്-ഓൺ ആയി **പ്രോജക്ട്-അപകടമാക്കിയിരിക്കണം** എന്നത്, കൂടാതെ **സമീപകാല ക്വിസുകൾ** ഉൾപ്പെടണമെന്നും. കൂടാതെ, ഈ പാഠ്യക്രമത്തിന് ഒരു സംയുക്ത **ഥീം** ഉണ്ട് അതിലൂടെ മുഴുവൻ കോഴ്സ് ഏകോപിപ്പിക്കപ്പെടുന്നു.
ഈ പാഠ്യപദ്ധതി നിർമ്മിച്ചുകൊണ്ടിരിക്കുമ്പോൾ ഞങ്ങൾ രണ്ട് അധ്യാപന സിദ്ധാന്തങ്ങൾ തിരഞ്ഞെടുക്കുകയും ചെയ്തിട്ടുണ്ട്: കൈകൊണ്ടുള്ള രീതിയായത് (hands-on) എന്ന് ഉറപ്പാക്കുന്ന **project-based** ആയതും, കൂടാതെ അതിൽ **സഹജമായ കുറേക്വിസുകൾ (frequent quizzes)** ഉണ്ടായിട്ടുള്ളതുമാണ്. കൂടാതെ ഈ പാഠ്യപദ്ധതിക്ക് ഒരു പൊതു **തീം** കൂടി നൽകിയിട്ടുണ്ട്, ഇതു ഒരു ഏകോപനം നൽകാൻ സഹായിക്കുന്നു.
ഉള്ളടക്കം പ്രോജക്ടുകൾക്കനുസരിച്ച് ക്രമീകരിച്ചതിനാൽ വിദ്യാർത്ഥികൾക്ക് അത് കൂടുതൽ ആകർഷകവും ആശയങ്ങൾ സ്ഥിരമാക്കുന്നതിലും സഹായകരമാകും. അതോടനുബന്ധിച്ച്, ക്ലാസിനു മുമ്പുള്ള കുറഞ്ഞസൂചനയുള്ള ഒരു ക്വിസ് വിദ്യാർത്ഥിക്ക് ഒരു വിഷയം പഠിക്കാനുള്ള മനോഭാവം സജ്ജമാക്കുകയും, ക്ലാസിനുശേഷമുള്ള മറ്റൊരു ക്വീസ് ദൈനംദിനം അറിവ് കൂടുതൽ ഉറപ്പാക്കാൻ സഹായിക്കുകയും ചെയ്യുന്നു. ഈ പാഠ്യക്രമം ലളിതവും രസകരവുമാണ് രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്, മുഴുവനായോ ഭാഗികമായോ നടത്തുന്ന രീതിയിൽ ഉപയോഗിക്കാവുന്നതാണ്. പ്രോജക്ടുകൾ ചെറിയതിൽ തുടങ്ങുകയും 12-ആഴ്ചയിലായുള്ള അവസാനത്തിൽ progressively കൂടുതൽ സങ്കീർണമാകുകയും ചെയ്യുന്നു. ഈ പാഠ്യക്രമത്തിൽ യഥാർത്ഥ ലോകത്തിൽ ML ഉപയോഗിക്കാവുന്ന ചില ഉപയോക്തൃപ്രയോഗങ്ങൾക്കുള്ള ഒരു പോസ്റ്റ്സ്ക്രിപ്റ്റും ഉൾപ്പെടുത്തിയിട്ടുണ്ട്, ഇത് അധിക ക്രെഡിറ്റിനോ ചർച്ചയ്ക്കായോ ഉപയോഗിക്കാവുന്നതാണ്.
സാമ്പത്തികമായും കാര്യക്ഷമമായും ഉള്ളടക്കം പ്രോജെക്ടുകളുമായി ബന്ധിപ്പിക്കുമ്പോൾ വിദ്യാർത്ഥികളുടെ മൊഹവും ശ്രദ്ധയും വർദ്ധിക്കുന്നു, ആശയങ്ങളുടെ retention മെച്ചപ്പെടും. ക്ലാസിനു മെൽലേര്ച്ചയില്ലാത്ത ഒരു quiz പഠിപ്പിക്കുന്നതിനുള്ള ലക്ഷ്യം സജ്ജമാക്കുന്നു, mentre ക്ലാസിനു ശേഷം വരുന്ന രണ്ടാമത്തെ quiz കൂടുതൽ retention ഉറപ്പാക്കും. ഈ പരിപാടി പ്രാവിന് അനുസരിച്ച് ലവിച്ചും രസകരവുമാണ്; പൂർണ്ണമായോ ഭാഗികമായോ നിങ്ങൾക്ക് സ്വീകരിക്കാവുന്നതാണ്. പ്രോജെക്ടുകൾ ചെറിയതിൽ ആരംഭിച്ച് 12-വാരക്കാലയളവിന്റെ അവസാനം വരെ ക്രമേണ സങ്കീർണ്ണമാവും. ഈ പാഠ്യപദ്ധതിയിൽ ML-ന്റെ യാഥാർഥ്യ ലോക പ്രയോഗങ്ങളെക്കുറിച്ചുള്ള ഒരു പോസ്ട്സ്ക്രിപ്റ്റും ഉൾപ്പെടുത്തിയിട്ടുണ്ട്, ഇത് കൂടുതൽ ക്രെഡിറ്റ് ലഭിക്കാൻ അല്ലെങ്കിൽ ചർച്ചയ്ക്കുള്ള അടിസ്ഥാനമായ് ഉപയോഗിക്കാവുന്നതാണ്.
> ഞങ്ങളുടെ [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md), and [Troubleshooting](TROUBLESHOOTING.md) മാർഗ്ഗനിർദ്ദേശങ്ങൾ കാണുക. നിങ്ങളുടെ നിർമാണപരമായ അഭിപ്രായങ്ങൾ ഞങ്ങൾ സ്വാഗതം ചെയ്യുന്നു!
> ഞങ്ങളുടെ [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md), এবং [Troubleshooting](TROUBLESHOOTING.md) മാർഗനിർദ്ദേശങ്ങൾ കാണുക. നിങ്ങളുടെ നിർമാതൃകമുള്ള ഫീഡ്ബാക്ക് ഞങ്ങൾ സ്വാഗതം ചെയ്യുന്നു!
> **ഭാഷകളെക്കുറിച്ചുള്ള ഒരു കുറിപ്പ്**: ഈ പാഠങ്ങൾ പ്രധാനമായും Python-ൽ എഴുതപ്പെട്ടിരിക്കുന്നു, എന്നാൽ പലതും R-ലും ലഭ്യമാണ്. R പാഠം പൂർത്തിയാക്കാൻ, `/solution` ഫോൾഡറിലേക്ക് പോകുക കൂടാതെ R പാഠങ്ങൾ തിരയുക. അവയിൽ .rmd എക്സ്റ്റൻഷൻ ഉണ്ടാകും, അത് ഒരു **R Markdown** ഫയലാണ്, സാധാരണയായി അതിനെ `code chunks` (R അല്ലെങ്കിൽ മറ്റു ഭാഷകളിലെ) എന്നിവയും ഒരു `YAML header` (PDF പോലെയുള്ള ഔട്ട്പുട്ടുകൾ എങ്ങനെ ഫോർമാറ്റ് ചെയ്യാമെന്നത് നയിക്കുന്ന) എന്നതും അടങ്ങിയ ഒരു `Markdown document` എന്ന രീതിയിൽ നിർവചിക്കാം. അതിനാൽ, ഇത് ഡേറ്റാ സയൻസിനുള്ള ഒരു ഉത്തമമായ ആദ്ധ്യാത്മിക രചന ഘടനയായി പ്രവർത്തിക്കുന്നു — നിങ്ങൾക്ക് നിങ്ങളുടെ കോഡ്, അതിന്റെ ഔട്ട്പുട്ട്, നിങ്ങളുടെ ചിന്തകൾ എന്നിവ Markdown-ൽ എഴുതിക്കൊണ്ട് ലേഖനമായി സംയോജിപ്പിക്കാൻ ഇത് അനുവദിക്കുന്നു. കൂടാതെ, R Markdown ഡോക്യുമെന്റുകൾ PDF, HTML, അല്ലെങ്കിൽ Word പോലുള്ള ഔട്ട്പുട്ട് ഫോർമാറ്റുകളിലേക്ക് റെൻഡർ ചെയ്യാൻ സാധിക്കുന്നു.
> **ഭാഷകളെക്കുറിച്ചുള്ള ഒരു കുറിപ്പ്**: ഈ പാഠങ്ങൾ പ്രധാനമായും Python-ൽ എഴുതിയതാണെങ്കിലും, പലതും R-യിലും ലഭ്യമാണ്. R പാഠം പൂർത്തിയാക്കാൻ, `/solution` ഫോൾഡർ കാണുക, അവിടെയുണ്ടാകുന്ന R പാഠങ്ങൾക്കായ് നോക്കുക. അവയ്ക്ക് .rmd എക്സ്റ്റൻഷൻ ഉണ്ടായിരിക്കും, ഇത് ഒരു **R Markdown** ഫയൽക്ക് പ്രതീകമാണ് — ഇത് `code chunks` (R അല്ലെങ്കിൽ മറ്റ് ഭാഷകളിലെ) ഒപ്പം ഒരു `YAML header` (PDF പോലുള്ള ഔട്ട്പുട്ടുകൾ എങ്ങിനെ ഫോർമാറ്റ് ചെയ്യാമെന്ന് മാർഗനിർദ്ദേശം നൽകുന്നു) ഒരു `Markdown document`-ലാണ് ഉൾപ്പെടുത്തുന്നത്. അതുകൊണ്ട്, ഇത് ഡാറ്റാ സയൻസിന്റെ മികച്ച ഒരു കെട്ടിടരചനാ ഫ്രെയിംവർക്കായി സേവിക്കുന്നു — നിങ്ങളുടെ കോഡ്, അതിന്റെ ഔട്ട്പുട്ട്, നിങ്ങളുടെ ചിന്തകൾ എന്നിവ എല്ലാം Markdown-ൽ എഴുതി ഫലമായി കാണിക്കാനുള്ള സംവിധാനമാണ്. കൂടാതെ, R Markdown ഡോക്യുമെന്റുകൾ PDF, HTML, അല്ലെങ്കിൽ Word പോലുള്ള ഔട്ട്പുട്ട് ഫോർമാറ്റുകളിലേക്ക് റെൻഡർ ചെയ്യാൻ കഴിയും.
> **ക്വിസുകൾക്കുറിച്ചുള്ള കുറിപ്പ്**: എല്ലാ ക്വിസുകളും [Quiz App ഫോൾഡറിൽ](../../quiz-app) അടങ്ങിയിരിക്കുന്നു, ആകെ 52 ക്വിസുകൾ, ഓരോന്നിലും മൂന്ന് ചോദ്യങ്ങളുള്ളവ. അവ പാഠങ്ങളുടെ ഉള്ളിലേക്കാണ് ലിങ്ക് ചെയ്യപ്പെട്ടിരിക്കുന്നത്, പക്ഷേ quiz app ലോക്കലായി പ്രവർത്തിപ്പിക്കാം; ലോക്കലായി ഹോസ്റ്റ് ചെയ്യാനോ Azure-ൽ déപ്ലോയ്ചെയ്യാനോ `quiz-app` ഫോൾഡറിലുള്ള നിർദ്ദേശങ്ങൾ പിന്തുടരുക.
> **ക്വിസുകൾ സംബന്ധിച്ച ഒരു കുറിപ്പ്**: എല്ലാ ക്വിസുകളും [Quiz App folder](../../quiz-app) ൽ ഉൾപ്പെടുത്തിയിട്ടുണ്ട് — ആകെ 52 ക്വിസുകൾ, ഓരോന്നിലും മൂന്ന് ചോദ്യങ്ങളാണ്. അവ പാഠങ്ങളിൽ നിന്ന് ലിങ്കുചെയ്യപ്പെട്ടിട്ടുണ്ട്; എന്നാൽ quiz ആപ്പ് ലോക്കലായി ഓടിക്കാൻ കഴിയും; ലോക്കലായി ഹോസ്റ്റ് ചെയ്യാനോ Azure-ലേക്ക് ഡിപ്ലോയിക്കാനോ `quiz-app` ഫോൾഡറിലെ നിർദ്ദേശങ്ങൾ പിന്തുടരുക.
| 01 | മെഷീൻ ലേർണിങ്ങിലേക്കുള്ള പരിചയം | [പരിചയം](1-Introduction/README.md) | മെഷീൻ ലേർണിങിന് പിന്നിലെ അടിസ്ഥാന ആശയങ്ങൾ പഠിക്കുക | [പാഠം](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | മെഷീൻ ലേർണിങ്ങിന്റെ ചരിത്രം | [പരിചയം](1-Introduction/README.md) | ഈ മേഖലയെ നയിച്ച ചരിത്രം പഠിക്കുക | [പാഠം](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | നീതിയും മെഷീൻ ലേർണിങ്ങും | [പരിചയം](1-Introduction/README.md) | എംഎൽ മോഡലുകൾ നിർമ്മിക്കുകയും പ്രയോഗിക്കുകയും ചെയ്യുമ്പോൾ വിദ്യാർഥികൾ പരിഗണിക്കേണ്ട ന്യായതയുടെ പ്രധാന തത്ത്വശാസ്ത്രപരമായ വിഷയങ്ങളേന്താണ്? | [പാഠം](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | മെഷീൻ ലേർണിംഗിന് ഉപയോഗിക്കുന്ന സാങ്കേതിക വിദ്യകൾ | [പരിചയം](1-Introduction/README.md) | എംഎൽ ഗവേഷകർ എംഎൽ മോഡലുകൾ നിർമ്മിക്കാൻ ഏത് സാങ്കേതിക വിദ്യകൾ ഉപയോഗിക്കുന്നു? | [പാഠം](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | റിഗ്രഷനിലേക്കുള്ള പരിചയം | [റിഗ്രഷൻ](2-Regression/README.md) | റിഗ്രഷൻ മോഡലുകൾക്കായി Python 및 Scikit-learn ഉപയോഗിച്ച് ആരംഭിക്കുക | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | വടക്കേ അമേരിക്കൻ പംപ്കിൻ വിലകൾ 🎃 | [റിഗ്രഷൻ](2-Regression/README.md) | എംഎലിന് തയ്യാറാക്കൽ ആയി ഡാറ്റ ദൃശ്യീകരിച്ച് ശുദ്ധമാക്കുക | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | വടക്കേ അമേരിക്കൻ പംപ്കിൻ വിലകൾ 🎃 | [റിഗ്രഷൻ](2-Regression/README.md) | ലീനിയർ (രേഖീയ) ಹಾಗೂ പൊളിനോമിയൽ റിഗ്രഷൻ മോഡലുകൾ നിർമ്മിക്കുക | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | വടക്കേ അമേരിക്കൻ പംപ്കിൻ വിലകൾ 🎃 | [റിഗ്രഷൻ](2-Regression/README.md) | ഒരു ലോജിസ്റ്റിക് റിഗ്രഷൻ മോഡൽ നിർമ്മിക്കുക | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 01 | മെഷീൻ ലേണിങിന്റെ പരിചയം | [പരിചയം](1-Introduction/README.md) | മെഷീൻ ലേണിങ്ങിന്റെ അടിസ്ഥാന ധാരണകൾ പഠിക്കുക | [പാഠം](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | മെഷീൻ ലേണിങ്ങിന്റെ ചരിത്രം | [പരിചയം](1-Introduction/README.md) | ഈ മേഖലയ്ക്കുള്ള അടിസ്ഥാന ചരിത്രം പഠിക്കുക | [പാഠം](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | നീതിയും മെഷീൻ ലേണിങ്ങും | [പരിചയം](1-Introduction/README.md) | എംഎൽ മോഡലുകൾ നിർമ്മിക്കആരും പ്രയോഗിക്കാറുമ്പോൾ വിദ്യാർത്ഥികൾ പരിഗണിക്കേണ്ട പ്രധാന ദാർശനിക പ്രശ്നങ്ങൾ എന്തൊക്കെയാണ്? | [പാഠം](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | മെഷീൻ ലേണിംഗ് ടെക്നിക്കുകൾ | [പരിചയം](1-Introduction/README.md) | എംഎൽ ഗവേഷകർ എംഎൽ മോഡലുകൾ നിർമ്മിക്കാൻ ഏത് സാങ്കേതിക വിദ്യകൾ ഉപയോഗിക്കുന്നു? | [പാഠം](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | റെഗ്രഷനിലേക്ക് പരിചയം | [റെഗ്രഷൻ](2-Regression/README.md) | റെഗ്രഷൻ മോഡലുകൾക്കായി Python, Scikit-learn എന്നിവ ഉപയോഗിച്ച് ആരംഭിക്കുക | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | നോർത്ത് അമേരിക്കൻ പംപ്കിൻ വിലകൾ 🎃 | [റെഗ്രഷൻ](2-Regression/README.md) | എംഎലിന് തയ്യാറെടുക്കലായി ഡാറ്റ വിന്യസിക്കുകയും ശുദ്ധീകരിക്കുകയും ചെയ്യുക | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | നോർത്ത് അമേരിക്കൻ പംപ്കിൻ വിലകൾ 🎃 | [റെഗ്രഷൻ](2-Regression/README.md) | ലീനിയർ ಮತ್ತು പോളിനോമിയൽ റെഗ്രഷൻ മോഡലുകൾ നിർമ്മിക്കുക | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | നോർത്ത് അമേരിക്കൻ പംപ്കിൻ വിലകൾ 🎃 | [റെഗ്രഷൻ](2-Regression/README.md) | ഒരു ലൊജിസ്റ്റിക് റെഗ്രഷൻ മോഡൽ നിർമ്മിക്കുക | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | ഒരു വെബ് ആപ്പ് 🔌 | [വെബ് ആപ്പ്](3-Web-App/README.md) | നിങ്ങളുടെ പരിശീലിപ്പിച്ച മോഡൽ ഉപയോഗിക്കാൻ ഒരു വെബ് ആപ്പ് നിർമ്മിക്കുക | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | ക്ലാസിഫിക്കേഷനിലേക്കുള്ള പരിചയം | [ക്ലാസിഫിക്കേഷൻ](4-Classification/README.md) | ഡാറ്റ ശുദ്ധമാക്കുക, തയ്യാറാക്കുക, ദൃശ്യീകരിക്കുക; ക്ലാസിഫിക്കേഷനിലേക്ക് ഒരു പരിചയം | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | സ്വാദിഷ്ടമായ ഏഷ്യൻ, ഇന്ത്യൻ ഭക്ഷണങ്ങൾ 🍜 | [ക്ലാസിഫിക്കേഷൻ](4-Classification/README.md) | ക്ലാസിഫയർകളിലേക്ക് പരിചയം | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | സ്വാദിഷ്ടമായ ഏഷ്യൻ, ഇന്ത്യൻ ഭക്ഷണങ്ങൾ 🍜 | [ക്ലാസിഫിക്കേഷൻ](4-Classification/README.md) | കൂടുതൽ ക്ലാസിഫയർകൾ | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | സ്വാദിഷ്ടമായ ഏഷ്യൻ, ഇന്ത്യൻ ഭക്ഷണങ്ങൾ 🍜 | [ക്ലാസിഫിക്കേഷൻ](4-Classification/README.md) | നിങ്ങളുടെ മോഡൽ ഉപയോഗിച്ച് ഒരു ശുപാർശാ വെബ് ആപ്പ് നിർമിക്കുക | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | ക്ലസ്റ്ററിങ്ങിലേക്കുള്ള പരിചയം | [ക്ലസ്റ്ററിംഗ്](5-Clustering/README.md) | ഡാറ്റ ശുദ്ധമാക്കുക, തയ്യാറാക്കുക, ദൃശ്യീകരിക്കുക; ക്ലസ്റ്ററിങ്ങിലേക്കുള്ള പരിചയം | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | നൈജീരിയൻ സംഗീത രുചികൾ അന്വേഷണമാണ് 🎧 | [ക്ലസ്റ്ററിംഗ്](5-Clustering/README.md) | K-Means ക്ലസ്റ്ററിംഗ് രീതി പരിശോധിക്കുക | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | പ്രകൃതിദത്ത ഭാഷാ പ്രോസസ്സിംഗിലേക്കുള്ള പരിചയം ☕️ | [പ്രകൃതിദത്ത ഭാഷാ പ്രോസസ്സിംഗ്](6-NLP/README.md) | ഒരു ലളിതമായ ബോട്ട് നിർമിച്ച് NLP അടിസ്ഥാനങ്ങൾ പഠിക്കുക | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | പൊതുവായ NLP ചുമതലകൾ ☕️ | [പ്രകൃതിദത്ത ഭാഷാ പ്രോസസ്സിംഗ്](6-NLP/README.md) | ഭാഷാ ഘടനകളെ കൈകാര്യം ചെയ്യുമ്പോൾ ആവശ്യമായ പൊതുവായ ചുമതലകൾ മനസിലാക്കുന്നതിലൂടെ നിങ്ങളുടെ NLP അറിവ് ആഴപ്പെടുത്തുക | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | പരിഭാഷയും ഭാവപ്രവൃത്തി വിശകലനവും ♥️ | [പ്രകൃതിദത്ത ഭാഷാ പ്രോസസ്സിംഗ്](6-NLP/README.md) | Jane Austen ഉപയോഗിച്ച് പരിഭാഷയും ഭാവപ്രവൃത്തി വിശകലനവും | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | യൂറപ്പിലെ പ്രണയാത്മക ഹോട്ടലുകൾ ♥️ | [പ്രകൃതിദത്ത ഭാഷാ പ്രോസസ്സിംഗ്](6-NLP/README.md) | ഹോട്ടൽ റിവ്യൂകൾ ഉപയോഗിച്ച് ഭാവപ്രവൃത്തി വിശകലനം 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | യൂറപ്പിലെ പ്രണയാത്മക ഹോട്ടലുകൾ ♥️ | [പ്രകൃതിദത്ത ഭാഷാ പ്രോസസ്സിംഗ്](6-NLP/README.md) | ഹോട്ടൽ റിവ്യൂകൾ ഉപയോഗിച്ച് ഭാവപ്രവൃത്തി വിശകലനം 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | ടൈം സീരീസ് ഫോറികാസ്റ്റിംഗിലേക്കുള്ള പരിചയം | [ടൈം സീരീസ്](7-TimeSeries/README.md) | ടൈം സീരീസ് ഫോറികാസ്റ്റിംഗിന്റെ പരിചയം | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 10 | ക്ലാസിഫിക്കേഷനിലേക്ക് പരിചയം | [ക്ലാസിഫിക്കേഷൻ](4-Classification/README.md) | ഡാറ്റ ശുദ്ധമാക്കുക, തയ്യാറാക്കുക, വിന്യസിക്കുക; ക്ലാസിഫിക്കേഷനിലേക്ക് പരിചയം | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | സ്വാദിഷ്ടമായ ഏഷ്യൻ, ഇന്ത്യൻ ഭക്ഷണങ്ങൾ 🍜 | [ക്ലാസിഫിക്കേഷൻ](4-Classification/README.md) | ക്ലാസിഫയറുകളിലേക്ക് പരിചയം | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | സ്വാദിഷ്ടമായ ഏഷ്യൻ, ഇന്ത്യൻ ഭക്ഷണങ്ങൾ 🍜 | [ക്ലാസിഫിക്കേഷൻ](4-Classification/README.md) | കൂടുതൽ ക്ലാസിഫയറുകൾ | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | സ്വാദിഷ്ടമായ ഏഷ്യൻ, ഇന്ത്യൻ ഭക്ഷണങ്ങൾ 🍜 | [ക്ലാസിഫിക്കേഷൻ](4-Classification/README.md) | നിങ്ങളുടെ മോഡൽ ഉപയോഗിച്ച് ഒരു റികമൻഡർ വെബ് ആപ്പ് നിർമ്മിക്കുക | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | ക്ലസ്റ്ററിംഗിലേക്ക് പരിചയം | [ക്ലസ്റ്ററിംഗ്](5-Clustering/README.md) | ഡാറ്റ ശുദ്ധമാക്കുക, തയ്യാറാക്കുക, വിന്യസിക്കുക; ക്ലസ്റ്ററിംഗിലേക്ക് പരിചയം | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 16 | സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിങ്ങിലേക്ക് പരിചയം ☕️ | [സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിംഗ്](6-NLP/README.md) | ഒരു ലളിതമായ ബോട്ട് നിർമ്മിച്ച് NLP-ന്റെ അടിസ്ഥാനങ്ങൾ പഠിക്കുക | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | സാധാരണ NLP ജോലികൾ ☕️ | [സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിംഗ്](6-NLP/README.md) | ഭാഷാ ഘടനകൾ കൈകാര്യം ചെയ്യുമ്പോൾ ആവശ്യമുള്ള സാധാരണ ജോലികൾ മനസ്സിലാക്കി നിങ്ങളുടെ NLP അറിവ് ആഴമാക്കുക | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | പരിഭാഷയും സെൻറ്റിമെന്റ് വിശകലനവും ♥️ | [സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിംഗ്](6-NLP/README.md) | ജെയിൻ ഓസ്റ്റെൻ ഉപയോഗിച്ച് പരിഭാഷയും സെൻറ്റിമെന്റ് വിശകലനവും | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | യൂറോപ്പിലെ റൊമാന്റിക് ഹോട്ടലുകൾ ♥️ | [സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിംഗ്](6-NLP/README.md) | ഹോട്ടൽ റിവ്യൂകളുമായി സെൻറ്റിമെന്റ് വിശകലനം 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | യൂറോപ്പിലെ റൊമാന്റിക് ഹോട്ടലുകൾ ♥️ | [സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിംഗ്](6-NLP/README.md) | ഹോട്ടൽ റിവ്യൂകളുമായി സെൻറ്റിമെന്റ് വിശകലനം 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | ടൈം സീരീസുകൾ പ്രവചിക്കുന്നതിന്റെ പരിചയം | [ടൈം സീരീസ്](7-TimeSeries/README.md) | ടൈം സീരീസ് ഫോറികാസ്റ്റിങ്ങിന്റെ പരിചയം | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ ലോക വൈദ്യുതി ഉപയോഗം ⚡️ - ARIMA ഉപയോഗിച്ചുള്ള ടൈം സീരീസ് ഫോറികാസ്റ്റിംഗ് | [ടൈം സീരീസ്](7-TimeSeries/README.md) | ARIMA ഉപയോഗിച്ചുള്ള ടൈം സീരീസ് ഫോറികാസ്റ്റിംഗ് | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ ലോക വൈദ്യുതി ഉപയോഗം ⚡️ - SVR ഉപയോഗിച്ചുള്ള ടൈം സീരീസ് ഫോറികാസ്റ്റിംഗ് | [ടൈം സീരീസ്](7-TimeSeries/README.md) | Support Vector Regressor ഉപയോഗിച്ചുള്ള ടൈം സീസ്സ് ഫോറികാസ്റ്റിംഗ് | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | റീൻഫോഴ്സ്മെന്റ് ലേണിംഗിലേക്ക് പരിചയം | [റീൻഫോഴ്സ്മെന്റ് ലേണിംഗ്](8-Reinforcement/README.md) | Q-Learning ഉപയോഗിച്ചുള്ള റീൻഫോഴ്സ്മെന്റ് ലേണിംഗിന്റെ പരിചയം | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | പീറ്ററെ വുൾഫിൽ നിന്നും രക്ഷിക്കുക! 🐺 | [റീൻഫോഴ്സ്മെന്റ് ലേണിംഗ്](8-Reinforcement/README.md) | റീൻഫോഴ്സ്മെന്റ് ലേണിംഗ് ജിം | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| പോസ്റ്റ്സ്ക്രിപ്റ്റ్ | യാഥാർത്ഥ്യ ലോക ML സീനാറിയോയും അപ്ലിക്കേഷനുകളും | [വാസ്തവ ലോകത്തിലെ ML](9-Real-World/README.md) | പരമ്പരാഗത ML ന്റെ രസകരവും വെളിപ്പെടുത്തലുമായ യഥാർത്ഥ ലോക ആപ്ലിക്കേഷനുകൾ | [പാഠം](9-Real-World/1-Applications/README.md) | Team |
| പോസ്റ്റ്സ്ക്രിപ്റ്റ് | RAI ഡാഷ്ബോർഡ് ഉപയോഗിച്ച് ML മോഡൽ ഡീബഗ്ഗിംഗ് | [വാസ്തവ ലോകത്തിലെ ML](9-Real-World/README.md) | Responsible AI ഡാഷ്ബോർഡ് ഘടകങ്ങൾ ഉപയോഗിച്ച് മെഷീൻ ലേണിങ്ങിൽ മോഡൽ ഡീബഗ്ഗിംഗ് | [പാഠം](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
| 23 | ⚡️ ലോക വൈദ്യുതി ഉപയോഗം ⚡️ - SVR ഉപയോഗിച്ചുള്ള ടൈം സീരീസ് ഫോറികാസ്റ്റിംഗ് | [ടൈം സീരീസ്](7-TimeSeries/README.md) | Support Vector Regressor ഉപയോഗിച്ചുള്ള ടൈം സീരീസ് ഫോറികാസ്റ്റിംഗ് | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | റീഇൻഫോഴ്സ്മെന്റ് ലേണിങ്ങിലേക്ക് പരിചയം | [റീഇൻഫോഴ്സ്മെന്റ് ലേണിംഗ്](8-Reinforcement/README.md) | Q-Learning ഉപയോഗിച്ച് റീഇൻഫോഴ്സ്മെന്റ് ലേണിങ്ങിന്റെ പരിചയം | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | പീറ്ററെ നരിയെ ഒഴിവാക്കാൻ സഹായിക്കുക! 🐺 | [റീഇൻഫോഴ്സ്മെന്റ് ലേണിംഗ്](8-Reinforcement/README.md) | റീഇൻഫോഴ്സ്മെന്റ് ലേണിംഗ് ജിം | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | യഥാർത്ഥ ലോകത്തിലെ ML സാഹചര്യങ്ങളും പ്രയോഗങ്ങളും | [യഥാർത്ഥ ലോകത്തിലെ ML](9-Real-World/README.md) | ക്ലാസിക്കൽ ML ന്റെ രസകരവും വെളിപ്പെടുത്തുന്നതിനുമായ യഥാർത്ഥ ലോക പ്രയോഗങ്ങൾ | [പാഠം](9-Real-World/1-Applications/README.md) | Team |
| Postscript | RAI ഡാഷ്ബോർഡ് ഉപയോഗിച്ച് ML-ൽ മോഡൽ ഡീബഗിങ് | [യഥാർത്ഥ ലോകത്തിലെ ML](9-Real-World/README.md) | Responsible AI ഡാഷ്ട്ബോര്ഡ് ഘടകങ്ങൾ ഉപയോഗിച്ച് മെഷീൻ ലേണിങ്ങിലെ മോഡൽ ഡീബഗിങ് | [പാഠം](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [ഈ കോഴ്സിനുള്ള എല്ലാ അധിക വിഭവങ്ങളും ഞങ്ങളുടെ Microsoft Learn ശേഖരത്തിൽ കാണുക](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## ഓഫ്ലൈൻ ആക്സസ്
## ഓഫ്ലൈൻ ആക്സസ്
ഈ ഡോകുമെന്റേഷൻ Docsify ഉപയോഗിച്ച് ഓഫ്ലൈൻ ആയും പ്രവർത്തിപ്പിക്കാൻ കഴിയും. ഈ റിപ്പൊ ഫോർക്ക് ചെയ്യുക, നിങ്ങളുടെ ലോക്കൽ മെഷീനിൽ [Docsify](https://docsify.js.org/#/quickstart) ഇൻസ്റ്റാൾ ചെയ്യുക, തുടർന്ന് ഈ റിപ്പൊയുടെ റൂട്ട് ഫോൾഡറിൽ `docsify serve` ടൈപ്പ് ചെയ്യുക. വെബ്സൈറ്റ് നിങ്ങളുടെ ലോക്കൽഹോസ്റ്റിൽ പോർട്ട് 3000-ൽ സർവ് ചെയ്യും: `localhost:3000`.
ഈ ഡോക്യുമെന്റേഷൻ [Docsify](https://docsify.js.org/#/) ഉപയോഗിച്ച് ഓഫ്ലൈൻ ആയി പ്രവർത്തിപ്പിക്കാവുന്നതാണ്. ഈ റിപ്പോസിറ്ററി ഫോർക്ക് ചെയ്യുക, നിങ്ങളുടെ ലൊക്കൽ മെഷീനിൽ [Docsify ഇൻസ്റ്റാൾ ചെയ്യുക](https://docsify.js.org/#/quickstart), തുടർന്ന് ഈ റിപ്പോയുടെ റൂട്ട് ഫോൾഡറിൽ `docsify serve` ടൈപ്പ് ചെയ്യുക. വെബ്സൈറ്റ് നിങ്ങളുടെ localhost-ൽ പോർട്ട് 3000-ൽ സർവുചെയ്യപ്പെടുന്ന būs: `localhost:3000`.
## PDF-കൾ
## PDF ഫയലുകൾ
ലിങ്കുകളോടുകൂടിയ പാഠ്യക്രമത്തിന്റെ pdf [ഇവിടെ കണ്ടെത്തുക](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
പഠന പരിപാടിയുടെ ലിങ്കുകളോടുകൂടിയ PDF [ഇവിടെ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) കണ്ടെത്തുക.
## 🎒 മറ്റ് കോഴ്സുകൾ
ഞങ്ങളുടെ ടീം മറ്റു കോഴ്സുകളും നിർമ്മിക്കുന്നു! പരിശോധിക്കുക:
ഞങ്ങളുടെ ടീം മറ്റ് കോഴ്സുകളും നിർമ്മിക്കുന്നു! ഇവ പരിശോധിക്കുക:
[](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/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)
### ജനറേറ്റീവ് AI പരമ്പര
[](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)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
If you get stuck or have any questions about building AI apps. Join fellow learners and experienced developers in discussions about MCP. It's a supportive community where questions are welcome and knowledge is shared freely.
എഐ ആപ്പുകൾ നിർമ്മിക്കുന്നതിൽ കുടുങ്ങുക അല്ലെങ്കിൽ ഏതെങ്കിലും ചോദ്യങ്ങൾ ഉണ്ടയാൽ, MCP സംബന്ധിച്ച ചർച്ചകളിൽ മറ്റു പഠനക്കാരെയും പരിചയസമ്പന്നരുമായ ഡെവലപ്പർമാരെയും ചേർക്കുക. ചോദ്യങ്ങൾക്ക് സ്വാഗതം പറയുന്നതും അറിവുകൾ സ്വതന്ത്രമായി പങ്കുവെയ്ക്കപ്പെടുന്നതുമായൊരു പിന്തുണയുള്ള സമുദായമാണ് ഇത്.
ഈ രേഖ AI വിവർത്തന സേവനമായ [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതായാണ്. നാം കൃത്യതക്ക് ശ്രമിക്കുന്നുവെങ്കിലും, ഓട്ടോമേറ്റഡ് വിവർത്തനങ്ങളിൽ പിഴവുകൾ അല്ലെങ്കിൽ അകൃത്യതകൾ ഉണ്ടാകാവുന്നതാണ്. അതിനാൽ മൂലഭാഷയിൽ ഉള്ള യഥാർത്ഥ രേഖയെ അധികാരപരമായ ഉറവിടമായി കരുതണം. അതീവഗൗരവമുള്ള വിവരങ്ങൾക്ക് പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനത്തിന്റെ ഉപയോഗത്തിൽ നിന്നുള്ള എന്തെങ്കിലും തെറ്റിദ്ധാരണകൾക്കും തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കുമ 우리는 ഉത്തരവാദികളല്ല.
അസ്വീകരണ കുറിപ്പ്:
ഈ രേഖ AI അധിഷ്ഠിത പരിഭാഷാ സേവനമായ Co-op Translator (https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. ഞങ്ങൾ കൃത്യതയ്ക്ക് ശ്രമിച്ചുവെങ്കിലും ഓട്ടോമേറ്റഡ് വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ അശുദ്ധതകൾ ഉണ്ടായിരിക്കാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. ഈ രേഖയുടെ സ്വദേശ ഭാഷയിലെ യഥാർത്ഥ പ്രമാണം പ്രാമാണിക ഉറവിടമായി കണക്കാക്കണം. നിർണായക വിവരങ്ങൾക്ക് പ്രൊഫഷണൽ മനുഷ്യ പരിഭാഷ ശുപാർശ ചെയ്യുന്നു. ഈ വിവർത്തനം ഉപയോഗിച്ചതിലുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
"\n",
"\n",
- 在完成一組課程後，請造訪 [討論區](https://github.com/microsoft/ML-For-Beginners/discussions) 並以「大聲學習」方式填寫相應的 PAT 評量表。所謂的 'PAT'（Progress Assessment Tool）是一個用來評估進度的評量表，您也可以對其他人的 PAT 做出回應，讓我們一起學習。
- 完成一組課程後，請造訪 [討論板](https://github.com/microsoft/ML-For-Beginners/discussions)，並透過填寫相對應的 PAT 評分表來「大聲學習」。PAT 是一份進度評估工具（Progress Assessment Tool），是一種讓你填寫以促進學習的評分規準。您也可以對其他人的 PAT 作出回應，讓大家一起學習。
[](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/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
### Generative AI Series
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
本文件已使用 AI 翻譯服務 Co-op Translator（https://github.com/Azure/co-op-translator）進行翻譯。雖然我們力求準確，但自動翻譯可能包含錯誤或不精確之處，敬請留意。原始語言版本應視為具權威性的資料來源。對於重要或關鍵資訊，建議採用專業人工翻譯。我們不對因使用本翻譯而引致的任何誤解或誤釋承擔責任。
या अभ्यासक्रमाच्या विभागात, तुम्हाला मशीन लर्निंग क्षेत्राशी संबंधित मूलभूत संकल्पना, त्याचा अर्थ, त्याचा इतिहास आणि संशोधक त्यावर काम करण्यासाठी वापरत असलेल्या तंत्रज्ञानाची ओळख करून दिली जाईल. चला, आपण एकत्रितपणे या नवीन ML च्या जगाचा शोध घेऊया!
> फोटो <ahref="https://unsplash.com/@bill_oxford?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">बिल ऑक्सफर्ड</a> यांनी <ahref="https://unsplash.com/s/photos/globe?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> वर घेतला आहे
" <figcaption>@allison_horst यांचे कलाकृती</figcaption>\n",
"\n",
"\n",
"<!--<br>@allison_horst यांचे कलाकृती-->\n"
"<!--<br>@allison_horst यांचे कलाकृती-->\n"
" <figcaption>डासानी मदीपल्ली यांचे माहितीपट</figcaption>\n",
"\n",
"\n",
"<!--{width=\"600\"}-->\n",
"<!--{width=\"600\"}-->\n",
" <figcaption>@allison_horst यांचे कलाकृती</figcaption>\n",
"\n",
"\n",
"<!--{width=\"700\"}-->\n"
"<!--{width=\"700\"}-->\n"
],
"metadata": {
"id": "WdUKXk7Bs8-V"
@ -567,7 +567,7 @@
" <figcaption>दासानी मदीपल्ली यांनी तयार केलेले माहितीपट</figcaption>\n",
"\n",
"\n",
"<!--{width=\"800\"}-->\n"
"<!--{width=\"800\"}-->\n"
],
"metadata": {
"id": "YqXjLuWavNxW"
@ -808,7 +808,7 @@
" <figcaption>दासानी मदीपल्ली यांनी तयार केलेले माहितीग्राफिक</figcaption>\n",
"\n",
"\n",
"<!--{width=\"800\"}-->\n"
"<!--{width=\"800\"}-->\n"
"\n",
"\n",
"लॉजिस्टिक रिग्रेशन रेषीय रिग्रेशनसारखी वैशिष्ट्ये देत नाही. लॉजिस्टिक रिग्रेशन `द्विपद श्रेणी` (\"नारिंगी किंवा नारिंगी नाही\") याबद्दल अंदाज देते, तर रेषीय रिग्रेशन `सातत्यपूर्ण मूल्ये` अंदाज करू शकते, जसे की भोपळ्याचे मूळ आणि कापणीचा वेळ दिल्यास, *त्याच्या किमतीत किती वाढ होईल*.\n",
"\n",
"\n",
"\n",
"\n",
"### इतर वर्गीकरण\n",
"\n",
@ -88,7 +88,7 @@
"\n",
"- **क्रमवार (Ordinal)**, ज्यामध्ये क्रमबद्ध श्रेणी असतात, जेव्हा आपण आपल्या परिणामांना तार्किकरित्या क्रमबद्ध करायचे असेल, जसे की भोपळ्यांचे आकार (लहान, मध्यम, मोठा, खूप मोठा) यावर आधारित क्रम.\n",
"\n",
"\n",
"\n",
"\n",
"#### **चलांमध्ये परस्परसंबंध असणे आवश्यक नाही**\n",
> फोटो <ahref="https://unsplash.com/@teutschmann?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">बेथ टॉयचमन</a> यांनी Unsplash वर <ahref="https://unsplash.com/s/photos/jack-o-lanterns?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> वर दिला आहे.
या अभ्यासक्रमाच्या या विभागात, तुम्हाला एक अनुप्रयुक्त ML विषयाची ओळख करून दिली जाईल: तुमचे Scikit-learn मॉडेल कसे जतन करायचे जेणेकरून ते वेब अॅप्लिकेशनमध्ये अंदाज वर्तवण्यासाठी वापरले जाऊ शकेल. एकदा मॉडेल जतन केल्यानंतर, तुम्ही ते Flask मध्ये तयार केलेल्या वेब अॅपमध्ये कसे वापरायचे ते शिकाल. तुम्ही प्रथम UFO पाहण्याच्या डेटाचा वापर करून एक मॉडेल तयार कराल! त्यानंतर, तुम्ही एक वेब अॅप तयार कराल जो तुम्हाला सेकंदांची संख्या, अक्षांश, आणि रेखांश मूल्य प्रविष्ट करून अंदाज लावण्याची परवानगी देईल की कोणत्या देशाने UFO पाहिल्याचा अहवाल दिला आहे.
फोटो <ahref="https://unsplash.com/@mdherren?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">मायकेल हेरन</a> यांनी Unsplash वर <ahref="https://unsplash.com/s/photos/ufo?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">प्रकाशित केला</a>.
आशिया आणि भारतात अन्न परंपरा अत्यंत विविध आणि अतिशय स्वादिष्ट आहेत! त्यांच्या घटकांचा अभ्यास करण्यासाठी प्रादेशिक खाद्यपदार्थांबद्दलच्या डेटावर एक नजर टाकूया.
> फोटो <ahref="https://unsplash.com/@changlisheng?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">लिशेंग चांग</a> यांनी <ahref="https://unsplash.com/s/photos/asian-food?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">अनस्प्लॅश</a> वर दिला आहे
नायजेरियाच्या विविध प्रेक्षकांची संगीताची आवडही विविध आहे. Spotify वरून डेटा स्क्रॅप करून (या [लेखातून प्रेरित](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), नायजेरियामध्ये लोकप्रिय असलेल्या काही संगीतावर नजर टाकूया. या डेटासेटमध्ये विविध गाण्यांच्या 'danceability' स्कोअर, 'acousticness', loudness, 'speechiness', लोकप्रियता आणि ऊर्जा याबद्दलचा डेटा समाविष्ट आहे. या डेटामध्ये नमुने शोधणे खूपच मनोरंजक ठरेल!
> <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a> यांनी <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> वर फोटो दिला आहे
या धड्यांमध्ये आपण NLP चे मूलभूत तत्त्व शिकू, जिथे लहान संवादात्मक बॉट्स तयार करून मशीन लर्निंग कसे या संवादांना अधिकाधिक 'स्मार्ट' बनवते हे समजून घेऊ. तुम्ही भूतकाळात प्रवास कराल, जेन ऑस्टेनच्या १८१३ मध्ये प्रकाशित झालेल्या **Pride and Prejudice** या क्लासिक कादंबरीतील एलिझाबेथ बेनेट आणि मिस्टर डार्सी यांच्याशी संवाद साधाल. त्यानंतर, युरोपमधील हॉटेल पुनरावलोकनांद्वारे भावना विश्लेषण शिकून तुमचे ज्ञान वाढवाल.
> फोटो <ahref="https://unsplash.com/@elaineh?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Elaine Howlin</a> यांनी <ahref="https://unsplash.com/s/photos/pride-and-prejudice?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> वरून घेतला आहे
आपला प्रादेशिक फोकस जागतिक वीज वापरावर आहे, जो भूतकाळातील लोडच्या पॅटर्न्सच्या आधारे भविष्यातील वीज वापराचा अंदाज लावण्यासाठी एक मनोरंजक डेटासेट आहे. व्यवसायाच्या वातावरणात अशा प्रकारचा अंदाज किती उपयुक्त ठरू शकतो हे तुम्हाला पाहता येईल.
[Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) यांनी राजस्थानमधील रस्त्यावर वीज टॉवर्सचे Unsplash वरील [फोटो](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
@ -13,7 +13,7 @@ reinforcement learning, RL, हे supervised learning आणि unsupervised le
कल्पना करा की तुमच्याकडे स्टॉक मार्केटसारखे एक सिम्युलेटेड वातावरण आहे. जर तुम्ही एखादा नियम लागू केला तर काय होईल? त्याचा सकारात्मक परिणाम होतो का किंवा नकारात्मक? जर काही नकारात्मक घडले, तर तुम्हाला त्या _नकारात्मक reinforcement_ वरून शिकून मार्ग बदलण्याची गरज आहे. जर सकारात्मक परिणाम झाला, तर तुम्हाला त्या _सकारात्मक reinforcement_ वर आधारित पुढे जायचे आहे.
> पीटर आणि त्याचे मित्र भुकेल्या लांडग्यापासून पळून जाण्याचा प्रयत्न करत आहेत! प्रतिमा [Jen Looper](https://twitter.com/jenlooper) यांच्याकडून
या अभ्यासक्रमाच्या विभागात, तुम्हाला क्लासिक मशीन लर्निंगचे काही वास्तविक जगातील उपयोग समजावून सांगितले जातील. आम्ही इंटरनेटवर शोध घेतला आहे आणि अशा पद्धतींचा वापर करणाऱ्या अनुप्रयोगांबद्दल श्वेतपत्रे आणि लेख शोधले आहेत, ज्यामध्ये न्यूरल नेटवर्क्स, डीप लर्निंग आणि AI यांचा शक्य तितका कमी वापर केला आहे. व्यवसाय प्रणाली, पर्यावरणीय उपयोग, वित्त, कला आणि संस्कृती, आणि इतर क्षेत्रांमध्ये मशीन लर्निंगचा कसा उपयोग केला जातो हे जाणून घ्या.
> फोटो <ahref="https://unsplash.com/@childeye?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Alexis Fauvet</a> यांनी <ahref="https://unsplash.com/s/photos/artificial-intelligence?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> वर घेतला आहे
आम्ही Discord वर Learn with AI मालिकेसह कार्यरत आहोत, अधिक जाणून घेण्यासाठी आणि 18 - 30 सप्टेंबर, 2025 दरम्यान आम्हाला [Learn with AI Series](https://aka.ms/learnwithai/discord) येथे सामील व्हा. आपल्याला GitHub Copilot चा डेटा सायन्ससाठी वापर करण्याच्या टिप्स आणि ट्रिक्स मिळतील.
आमच्याकडे Discord वर AI सह शिकण्याची मालिका चालू आहे; अधिक जाणून घेण्यासाठी आणि 18 - 30 September, 2025 या काळात [AI सह शिकण्याची मालिका](https://aka.ms/learnwithai/discord) येथे आमच्यात सामील व्हा. तुम्हाला Data Science साठी GitHub Copilot वापरण्याचे टिप्स आणि ट्रिक्स मिळतील.
# प्रारंभकर्त्यांसाठी मशीन लर्निंग - एक अभ्यासक्रम
# सुरूवात
> 🌍 जगभर प्रवास करा जेव्हा आपण जागतिक संस्कृतींच्या माध्यमातून मशीन लर्निंगचा अभ्यास करतो 🌍
> 🌍 जगभर फिरा जसे आपण जागतिक संस्कृतींमधून मशीन लर्निंगचा शोध घेतो 🌍
Microsoft मधील Cloud Advocates यांनी आनंदाने 12 आठवड्यांचा, 26 धड्यांचा एक अभ्यासक्रम सादर केला आहे जो पूर्णपणे **मशीन लर्निंग** विषयी आहे. या अभ्यासक्रमात आपण ज्याला कधीकधी **क्लासिक मशीन लर्निंग** असे म्हणतात ते शिकाल, मुख्यत्वे Scikit-learn या लायब्ररीचा वापर करून आणि डीप लर्निंग टाळून, जे आमच्या [AI for Beginners चा अभ्यासक्रम](https://aka.ms/ai4beginners) मध्ये समाविष्ट आहे. या धड्यांना आमच्या ['Data Science for Beginners' अभ्यासक्रम](https://aka.ms/ds4beginners) सोबत जोडता येईल!
Microsoft मधील Cloud Advocates तुमच्यासाठी 12 आठवड्यांचा, 26 धड्यांचा अभ्यासक्रम सादर करताना आनंदित आहेत जो पूर्णपणे **मशीन लर्निंग** विषयी आहे. या अभ्यासक्रमात आपण प्रामुख्याने Scikit-learn या लायब्ररीचा उपयोग करून आणि डीप लर्निंग टाळून ज्याला कधीकधी **क्लासिक मशीन लर्निंग** असे म्हणतात ते शिकू. डीप लर्निंग आमच्या [AI for Beginners चा अभ्यासक्रम](https://aka.ms/ai4beginners) मध्ये समाविष्ट आहे. तसेच हे धडे आमच्या ['Data Science for Beginners' अभ्यासक्रम](https://aka.ms/ds4beginners) बरोबर जोडून घ्या.
आमच्यासोबत जगभर प्रवास करा जेव्हा आपण या क्लासिक तंत्रांचा वापर जगभरातील विविध भागांमधील डेटावर करतो. प्रत्येक धड्यात पूर्व- आणि पश्चात-धडा क्विझ, धडा पूर्ण करण्यासाठी लिखित सूचना, एक सोडवणूक, एक असाइनमेंट आणि बरेच काही समाविष्ट आहे. आमची प्रोजेक्ट-आधारित अध्यापन पद्धत तुम्हाला बनवत असताना शिकण्याची संधी देते, ही नवीन कौशल्ये चिकटून राहण्यासाठी सिद्ध पद्धत आहे.
आमच्यासोबत जगभर प्रवास करा जसे आपण या क्लासिक तंत्रांचा विविध जगातील डेटावर उपयोग करतो. प्रत्येक धड्यात पूर्व आणि उत्तर-धड्याचे क्विझ, लेखी सूचनांद्वारे धडा पूर्ण करणे, एक समाधान (solution), एक असाइनमेंट आणि बरेच काही समाविष्ट आहे. आमची प्रकल्प-आधारित अध्यापनपद्धत तुम्हाला बांधून शिकण्याची संधी देते, जी नव्या कौशल्यांना टिकवून ठेवण्यासाठी प्रभावी आहे.
**✍️ आमच्या लेखकांना मनापासून आभार** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu आणि Amy Boyd
**✍️ आमच्या लेखनकर्त्यांचे मनःपूर्वक आभार** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu आणि Amy Boyd
**🎨 आमच्या चित्रकारांना देखील धन्यवाद** Tomomi Imura, Dasani Madipalli, आणि Jen Looper
**🎨 आमच्या चित्रकारांचे देखील धन्यवाद** Tomomi Imura, Dasani Madipalli, आणि Jen Looper
**🙏 विशेष आभार 🙏 आमच्या Microsoft Student Ambassador लेखक, समीक्षक आणि संदर्भ देणार्या सदस्यांना**, विशेषतः Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, आणि Snigdha Agarwal
**🙏 विशेष आभार 🙏 आमच्या Microsoft Student Ambassador लेखनकर्ते, पुनरावलोकक, आणि सामग्री योगदानकर्त्यांना**, विशेषतः Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, आणि Snigdha Agarwal
**🤩 आमच्या R धड्यांसाठी Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, आणि Vidushi Gupta यांना अतिरिक्त आभार!**
**🤩 आमच्या R धड्यांसाठी Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, आणि Vidushi Gupta यांचे अतिरिक्त आभार!**
> [या कोर्ससाठी सर्व अतिरिक्त संसाधने आमच्या Microsoft Learn संग्रहात शोधा](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [या कोर्ससाठीची सर्व अतिरिक्त संसाधने आमच्या Microsoft Learn संग्रहात शोधा](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **मदतीची गरज आहे का?** सामान्य स्थापना, सेटअप, आणि धडे चालविण्याशी संबंधित समस्या सोडवण्यासाठी आमच्या [Troubleshooting Guide](TROUBLESHOOTING.md) पहा.
> 🔧 **मदत हवी?** सामान्य इंस्टॉलेशन, सेटअप, आणि धडे चालवण्याशी संबंधित समस्यांसाठी आमच्या [समस्या निवारण मार्गदर्शक](TROUBLESHOOTING.md) पाहा.
**[Students](https://aka.ms/student-page)**, हा अभ्यासक्रम वापरण्यासाठी संपूर्ण रेपो आपल्या GitHub खात्यात फोर्क करा आणि व्यायाम स्वतः किंवा गटासह पूर्ण करा:
**[विद्यार्थी](https://aka.ms/student-page)**, हा अभ्यासक्रम वापरण्यासाठी, संपूर्ण रेपो तुमच्या GitHub खात्यात फोर्क करा आणि खालील व्यायाम स्वतः किंवा गटासह पूर्ण करा:
- पूर्व-व्याख्यान क्विझ पासून सुरू करा.
- व्याख्यान वाचा आणि प्रत्येक ज्ञान तपासणीत थांबून आणि विचार करून क्रियाकलाप पूर्ण करा.
- सोल्यूशन कोड चालविण्याऐवजी धडे समजून प्रकल्प तयार करण्याचा प्रयत्न करा; तरीही तो कोड प्रत्येक प्रोजेक्ट-आधारित धड्यातील `/solution` फोल्डर्स मध्ये उपलब्ध आहे.
- पोस्ट-व्याख्यान क्विझ द्या.
- पूर्व-व्याख्यान क्विझ पासून प्रारंभ करा.
- व्याख्यान वाचा आणि क्रियाकलाप पूर्ण करा, प्रत्येक ज्ञान तपासणीवर थांबा आणि चिंतन करा.
- धड्यांची उत्तरे चालवण्याऐवजी धडे समजून प्रकल्प तयार करण्याचा प्रयत्न करा; तरीही त्या कोडचा वापर `/solution` फोल्डरमधून करू शकता.
- पोस्ट-व्याख्यान क्विझ घ्या.
- आव्हान पूर्ण करा.
- असाइनमेंट पूर्ण करा.
- धडा गट पूर्ण केल्यानंतर, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) वर जा आणि योग्य PAT रूपरेषा भरून "उघडीपणे शिका". PAT म्हणजे Progress Assessment Tool आहे, जी एक रूपरेषा आहे जी आपण आपले शिक्षण पुढे नेण्यासाठी भरता. आपण इतर PATs यांच्यावर प्रतिक्रिया तरी देऊ शकता जेणेकरून आपण एकत्र शिकू शकू.
- धडा गट पूर्ण केल्यानंतर, [चर्चा फलक](https://github.com/microsoft/ML-For-Beginners/discussions) ला भेट द्या आणि संबंधित PAT रूब्रिक भरून "उच्चारून शिका" करा. 'PAT' म्हणजे Progress Assessment Tool ज्यामध्ये तुम्ही तुमचे शिक्षण पुढे नेण्यासाठी एक रूब्रिक भरता. तुम्ही इतर PATs वर प्रतिक्रिया देऊनही एकत्र शिकू शकता.
> पुढील अभ्यासासाठी, आम्ही खालील [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) मॉड्यूल्स आणि शिक्षण मार्गांचे अनुसरण करण्याची शिफारस करतो.
> पुढील अभ्यासासाठी, आम्ही या [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) मॉड्यूल्स आणि शिक्षण मार्गांचे अनुसरण करण्याचा सल्ला देतो.
**शिक्षकांनो**, या अभ्यासक्रमाचा कसा वापर करायचा याबद्दल आम्ही [काही सूचना समाविष्ट केल्या आहेत](for-teachers.md).
**शिक्षक/शिक्षिका**, या अभ्यासक्रमाचा वापर कसा करावा याबाबत आम्ही [काही सूचना समाविष्ट केल्या आहेत](for-teachers.md).
---
## व्हिडिओ मार्गदर्शक
## व्हिडिओ मार्गदर्शने
काही धडे लघु स्वरूपाच्या व्हिडिओ रूपात उपलब्ध आहेत. आपण हे सर्व धड्यातील इन-लाइन किंवा खालील प्रतिमेवर क्लिक करून [Microsoft Developer YouTube चॅनेलवरील ML for Beginners प्लेलिस्ट](https://aka.ms/ml-beginners-videos) मध्ये पाहू शकता.
काही धडे लहान स्वरूपाच्या व्हिडिओ म्हणून उपलब्ध आहेत. तुम्ही हे सर्व धड्यामध्ये इन-लाइन शोधू शकता, किंवा Microsoft Developer YouTube चॅनेलवरील [ML for Beginners प्लेलिस्ट](https://aka.ms/ml-beginners-videos) वर खालील प्रतिमेवर क्लिक करून पाहू शकता.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 प्रकल्प आणि त्यासाठी काम करणाऱ्या लोकांविषयी व्हिडिओ पाहण्यासाठी वरच्या प्रतिमेवर क्लिक करा!
> 🎥 प्रकल्प आणि ते तयार करणाऱ्या लोकांविषयी व्हिडिओसाठी वरची प्रतिमा क्लिक करा!
---
## अध्यापन पद्धती
या अभ्यासक्रमाच्या निर्मिती दरम्यान आम्ही दोन अध्यापन तत्त्वे निवडली आहेत: हे हाताने करून शिकण्यास प्रोत्साहित करणारे ("project-based") असावे आणि त्यात वारंवार क्विझ असावेत. याशिवाय, या अभ्यासक्रमाला एकसारखे साम्य देण्यासाठी एक सामान्य थीम देण्यात आली आहे.
या अभ्यासक्रमाचे निर्मिती करताना आम्ही दोन अध्यापन तत्त्वे निवडली आहेत: हे हाताळण्यायोग्य आणि प्रकल्प-आधारित असावे तसेच यात वारंवार क्विझ समाविष्ट असाव्यात. याशिवाय, या अभ्यासक्रमाला एक साधी **थीम** दिली आहे ज्यामुळे एकसंधता येते.
सामग्री प्रकल्पांशी जुळवून घेतल्यामुळे विद्यार्थ्यांसाठी प्रक्रिया अधिक आकर्षक होते आणि संकल्पनांचे स्मरण वाढते. तसेच, वर्गाच्या आधीचा एक कमी-जोखीम क्विझ विद्यार्थ्याच्या लक्षात विषय शिकण्याची प्रेरणा निर्माण करतो, तर वर्गानंतरचा दुसरा क्विझ अधिक शाश्वत स्मरण सुनिश्चित करतो. हा अभ्यासक्रम लवचीक आणि मजेदार असावा यासाठी डिझाइन केला गेला आहे आणि तो पूर्ण किंवा अंशतः घेतला जाऊ शकतो. प्रकल्प छोट्या प्रमाणात सुरू होतात आणि 12 आठवड्यांच्या चक्राच्या शेवटी अधिक क्लिष्ट होतात. या अभ्यासक्रमात वास्तविक जगातील ML च्या अनुप्रयोगांवर एक परिशिष्ट देखील आहे, जे अतिरिक्त गुणांसाठी किंवा चर्चेच्या आधारासाठी वापरले जाऊ शकते.
सामग्री प्रकल्पांशी जुळवून दिल्यामुळे विद्यार्थ्यांसाठी ही प्रक्रिया अधिक आकर्षक होते आणि संकल्पनांची समज अधिक चिरंतनरीत्या टिकून राहते. याशिवाय, वर्गापूर्वीची कमी-जोखीम असलेली क्विझ विद्यार्थ्याच्या अभ्यासाच्या हेतू सेट करते, तर वर्गानंतरची दुसरी क्विझ अधिक टिकाव सुनिश्चित करते. हा अभ्यासक्रम लवचिक आणि मजेदार बनवण्यासाठी डिझाइन केला गेला आहे आणि संपूर्ण किंवा भागाने घेतला जाऊ शकतो. प्रकल्प लहानपासून सुरू होऊन 12 आठवड्यांच्या चक्राच्या शेवटी अधिक क्लिष्ट बनतात. या अभ्यासक्रमात ML च्या वास्तविक जगातील अनुप्रयोगांवर एक पोस्टस्क्रिप्ट देखील आहे, जो अतिरिक्त क्रेडिटसाठी किंवा चर्चेसाठी वापरता येऊ शकतो.
> आमचा [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md), आणि [Troubleshooting](TROUBLESHOOTING.md) मार्गदर्शक शोधा. आम्हाला तुमचा रचनात्मक अभिप्राय आवडेल!
> आमचा [आचार संहिता](CODE_OF_CONDUCT.md), [योगदान कसे करावे](CONTRIBUTING.md), [अनुवाद मार्गदर्शक](TRANSLATIONS.md), आणि [समस्या निवारण](TROUBLESHOOTING.md) मार्गदर्शक शोधा. आम्हाला तुमचा रचनात्मक अभिप्राय स्वागत आहे!
> **भाषांबद्दल एक नोट**: हे धडे मुख्यतः Python मध्ये लिहिलेले आहेत, परंतु अनेक धडे R मध्येही उपलब्ध आहेत. R धडा पूर्ण करण्यासाठी,`/solution` फोल्डरमध्ये जा आणि R धडे शोधा. त्यात .rmd विस्तार असतो जो एक **R Markdown** फाईल दर्शवतो जी साधारणपणे `code chunks` (R किंवा इतर भाषा) आणि `YAML header` (उदा. PDF सारखे आउटपुट कसे फॉरमॅट करायचे याचे मार्गदर्शन करणारे) एका `Markdown document` मध्ये एम्बेड केलेले असते. म्हणूनच, हे डेटा सायन्ससाठी एक आदर्श लेखक फ्रेमवर्क म्हणून काम करते कारण ते आपला कोड, त्याचे आउटपुट आणि आपले विचार एकत्र करण्यास परवानगी देते आणि तुम्हाला Markdown मध्ये ते लिहिण्याची परवानगी देते. शिवाय, R Markdown दस्तऐवज PDF, HTML किंवा Word सारख्या आउटपुट स्वरूपात रेंडर केले जाऊ शकतात.
> **भाषांबद्दल एक टीप**: हे धडे प्रामुख्याने Python मध्ये लिहिलेले आहेत, परंतु अनेक धडे R मध्ये देखील उपलब्ध आहेत. R धडा पूर्ण करण्यासाठी `/solution` फोल्डरमध्ये जा आणि R धडे शोधा. ते .rmd एक्स्टेंशन समाविष्ट करतात जे **R Markdown** फाइल दर्शवते जी साधारणपणे `code chunks` (R किंवा अन्य भाषांचे) आणि `YAML header` (PDF सारखे आउटपुट कसे फॉरमॅट करायचे ते मार्गदर्शन करणार्या) चे एम्बेडिंग असलेले `Markdown document` म्हणून परिभाषित केली जाऊ शकते. म्हणून, हे डेटा सायन्ससाठी एक उत्कृष्ट लेखन फ्रेमवर्क म्हणून काम करते कारण यात तुम्ही तुमचा कोड, त्याचे आउटपुट, आणि तुमचे विचार Markdown मध्ये लिहून मिश्रित करू शकता. शिवाय, R Markdown कागदपत्रे PDF, HTML किंवा Word सारख्या आउटपुट फॉरमॅटमध्ये रेंडर केली जाऊ शकतात.
> **क्विझबद्दल एक नोंद**: सर्व क्विझ [Quiz App फोल्डर](../../quiz-app) मध्ये आहेत, एकूण 52 क्विझ ज्यात प्रत्येकी तीन प्रश्न आहेत. ते धड्यातून लिंक केलेले आहेत परंतु क्विझ अॅप लोकली चालवता येते; लोकली होस्ट किंवा Azure वर तैनात करण्यासाठी `quiz-app` फोल्डरमधील सूचनांचे पालन करा.
> **क्विझबद्दल एक टीप**: सर्व क्विझ [Quiz App फोल्डर](../../quiz-app) मध्ये ठेवण्यात आले आहेत, ज्यात एकूण 52 क्विझ आहेत आणि प्रत्येकी तीन प्रश्न आहेत. ते धड्यांमधून लिंक केलेले आहेत परंतु क्विझ अॅप स्थानिकरित्या चालवता येऊ शकते; स्थानिक होस्ट करणे किंवा Azure वर डिप्लॉय करण्यासाठी `quiz-app` फोल्डरमधील सूचना पाळा.
| धडा क्रमांक | विषय | धडा समूह | अभ्यासाचे उद्दिष्टे | संबंधित धडा | लेखक |
| धड्याचा क्रमांक | विषय | धड्यांचे गट | शिकण्याचे उद्दिष्टे | संबंधित धडा | लेखक |
| 01 | मशीन लर्निंगची ओळख | [परिचय](1-Introduction/README.md) | मशीन लर्निंगच्या मुळ संकल्पना शिका | [धडा](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | मशीन लर्निंगचा इतिहास | [परिचय](1-Introduction/README.md) | या क्षेत्राचा इतिहास शिका | [धडा](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | निष्पक्षता आणि मशीन लर्निंग | [परिचय](1-Introduction/README.md) | मशीन लर्निंग मॉडेल तयार करताना आणि लागू करताना विद्यार्थ्यांनी विचारात घ्यावयाचे निष्पक्षतेशी संबंधित महत्त्वाचे तात्त्विक मुद्दे कोणते? | [धडा](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | मशीन लर्निंगसाठी तंत्रे | [परिचय](1-Introduction/README.md) | ML संशोधक मशीन लर्निंग मॉडेल तयार करण्यासाठी कोणती तंत्रे वापरतात? | [धडा](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | रिग्रेशन परिचय | [रिग्रेशन](2-Regression/README.md) | रिग्रेशन मॉडेलसाठी Python आणि Scikit-learn वापरून प्रारंभ करा | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | उत्तर अमेरिकेतील भोपळ्यांचे भाव 🎃 | [रिग्रेशन](2-Regression/README.md) | ML साठी तयारी करण्यासाठी डेटा दृश्यरूप करा आणि साफ करा | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | उत्तर अमेरिकेतील भोपळ्यांचे भाव 🎃 | [रिग्रेशन](2-Regression/README.md) | रेषीय आणि बहुपद रिग्रेशन मॉडेल तयार करा | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen आणि Dmitry • Eric Wanjau |
| 08 | उत्तर अमेरिकेतील भोपळ्यांचे भाव 🎃 | [रिग्रेशन](2-Regression/README.md) | लोजिस्टिक रिग्रेशन मॉडेल तयार करा | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | एक वेब अॅप 🔌 | [वेब अॅप](3-Web-App/README.md) | तुमचा प्रशिक्षित मॉडेल वापरण्यासाठी एक वेब अॅप तयार करा | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | वर्गीकरणाची ओळख | [वर्गीकरण](4-Classification/README.md) | आपला डेटा साफ करा, तयार करा आणि दृश्यरूप करा; वर्गीकरणाची ओळख | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen आणि Cassie • Eric Wanjau |
| 11 | चविष्ट आशियाई आणि भारतीय पदार्थ 🍜 | [वर्गीकरण](4-Classification/README.md) | क्लासिफायरची ओळख | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen आणि Cassie • Eric Wanjau |
| 12 | चविष्ट आशियाई आणि भारतीय पदार्थ 🍜 | [वर्गीकरण](4-Classification/README.md) | अधिक क्लासिफायर | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen आणि Cassie • Eric Wanjau |
| 13 | चविष्ट आशियाई आणि भारतीय पदार्थ 🍜 | [वर्गीकरण](4-Classification/README.md) | तुमच्या मॉडेलचा वापर करून एक शिफारस करणारे वेब अॅप तयार करा | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | क्लस्टरिंगची ओळख | [क्लस्टरिंग](5-Clustering/README.md) | आपला डेटा साफ करा, तयार करा आणि दृश्यरूप करा; क्लस्टरिंगची ओळख | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | नायजेरियन संगीताच्या आवडीनिवडींचा अभ्यास 🎧 | [क्लस्टरिंग](5-Clustering/README.md) | K-Means क्लस्टरिंग पद्धत शोधा | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | नैसर्गिक भाषा प्रक्रिया (NLP) ची ओळख ☕️ | [नैसर्गिक भाषा प्रक्रिया](6-NLP/README.md) | एक साधा बॉट बनवून NLP विषयी मूलभूत गोष्टी शिका | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | सामान्य NLP कार्ये ☕️ | [नैसर्गिक भाषा प्रक्रिया](6-NLP/README.md) | भाषेच्या संरचनांवर काम करताना आवश्यक असलेली सामान्य कार्ये समजून NLP ज्ञान वाढवा | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | भाषांतर आणि भावना विश्लेषण ♥️ | [नैसर्गिक भाषा प्रक्रिया](6-NLP/README.md) | Jane Austen च्या मजकुरासोबत भाषांतर आणि भावना विश्लेषण | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | युरोपमधील रोमँटिक हॉटेल्स ♥️ | [नैसर्गिक भाषा प्रक्रिया](6-NLP/README.md) | हॉटेल पुनरावलोकनांसह भावना विश्लेषण 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | युरोपमधील रोमँटिक हॉटेल्स ♥️ | [नैसर्गिक भाषा प्रक्रिया](6-NLP/README.md) | हॉटेल पुनरावलोकनांसह भावना विश्लेषण 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 01 | मशीन लर्निंगची ओळख | [परिचय](1-Introduction/README.md) | मशीन लर्निंगमागील मूलभूत संकल्पना शिका | [धडा](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | मशीन लर्निंगचा इतिहास | [परिचय](1-Introduction/README.md) | या क्षेत्रामागील इतिहास जाणून घ्या | [धडा](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | न्याय्यपणा आणि मशीन लर्निंग | [परिचय](1-Introduction/README.md) | मशीन लर्निंग मॉडेल बनवताना आणि लागू करताना विद्यार्थ्यांनी विचारात घ्यावयाच्या न्याय्यतेसंबंधी कोणत्या महत्त्वाच्या तत्त्वज्ञानात्मक प्रश्न आहेत? | [धडा](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | मशीन लर्निंगसाठी तंत्रे | [परिचय](1-Introduction/README.md) | मशीन लर्निंग संशोधक कोणती तंत्रे ML मॉडेल तयार करण्यासाठी वापरतात? | [धडा](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | रेग्रेशनची ओळख | [रेग्रेशन](2-Regression/README.md) | रेग्रेशन मॉडेलसाठी Python आणि Scikit-learn वापरून सुरुवात करा | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | उत्तर अमेरिकेतील भोपळ्यांचे किंमती 🎃 | [रेग्रेशन](2-Regression/README.md) | ML साठी तयारीसाठी डेटा दृश्यरुप करा आणि स्वच्छ करा | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | उत्तर अमेरिकेतील भोपळ्यांचे किंमती 🎃 | [रेग्रेशन](2-Regression/README.md) | रेखीय आणि बहुपद रेग्रेशन मॉडेल तयार करा | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | उत्तर अमेरिकेतील भोपळ्यांचे किंमती 🎃 | [रेग्रेशन](2-Regression/README.md) | लॉजिस्टिक रेग्रेशन मॉडेल तयार करा | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | वेब अॅप 🔌 | [वेब अॅप](3-Web-App/README.md) | आपल्या प्रशिक्षित मॉडेलचा वापर करण्यासाठी वेब अॅप तयार करा | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | वर्गीकरणाची ओळख | [वर्गीकरण](4-Classification/README.md) | आपला डेटा स्वच्छ करा, तयारी करा आणि दृश्यरुप करा; वर्गीकरणाची ओळख | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | स्वादिष्ट आशियाई आणि भारतीय खाद्यपदार्थ 🍜 | [वर्गीकरण](4-Classification/README.md) | क्लासिफायरची ओळख | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | स्वादिष्ट आशियाई आणि भारतीय खाद्यपदार्थ 🍜 | [वर्गीकरण](4-Classification/README.md) | अधिक वर्गीकर्ते | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | स्वादिष्ट आशियाई आणि भारतीय खाद्यपदार्थ 🍜 | [वर्गीकरण](4-Classification/README.md) | आपल्या मॉडेलचा वापर करून शिफारस करणारे वेब अॅप तयार करा | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | क्लस्टरिंगची ओळख | [क्लस्टरिंग](5-Clustering/README.md) | आपला डेटा स्वच्छ करा, तयारी करा आणि दृश्यरुप करा; क्लस्टरिंगची ओळख | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | नायजेरियन संगीत आवडींचा शोध 🎧 | [क्लस्टरिंग](5-Clustering/README.md) | K-Means क्लस्टरिंग पद्धत शोधा | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | नैसर्गिक भाषा प्रक्रियेची ओळख ☕️ | [नैसर्गिक भाषा प्रक्रिया](6-NLP/README.md) | साधा बॉट बनवून NLP ची मूलभूत माहिती शिका | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | सामान्य NLP कार्ये ☕️ | [नैसर्गिक भाषा प्रक्रिया](6-NLP/README.md) | भाषिक संरचनेशी व्यवहार करताना आवश्यक असलेली सामान्य कार्ये समजून घेऊन आपल्या NLP ज्ञानाला वाढवा | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | अनुवाद आणि भावना विश्लेषण ♥️ | [नैसर्गिक भाषा प्रक्रिया](6-NLP/README.md) | Jane Austen सह अनुवाद आणि भावना विश्लेषण | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | युरोपमधील रोमँटिक हॉटेल्स ♥️ | [नैसर्गिक भाषा प्रक्रिया](6-NLP/README.md) | हॉटेल रिव्ह्यूजसह भावना विश्लेषण 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | युरोपमधील रोमँटिक हॉटेल्स ♥️ | [नैसर्गिक भाषा प्रक्रिया](6-NLP/README.md) | हॉटेल रिव्ह्यूजसह भावना विश्लेषण 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | टाइम सिरीज पूर्वानुमानाची ओळख | [टाइम सिरीज](7-TimeSeries/README.md) | टाइम सिरीज पूर्वानुमानाची ओळख | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ जागतिक वीज वापर ⚡️ - ARIMA सह टाइम सिरीज पूर्वानुमान | [टाइम सिरीज](7-TimeSeries/README.md) | ARIMA सह टाइम सिरीज पूर्वानुमान | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ जागतिक वीज वापर ⚡️ - SVR सह टाइम सिरीज पूर्वानुमान | [टाइम सिरीज](7-TimeSeries/README.md) | Support Vector Regressor सह टाइम सिरीज पूर्वानुमान | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 22 | ⚡️ जगातील वीज वापर ⚡️ - ARIMA सह टाइम सिरीज पूर्वानुमान | [टाइम सिरीज](7-TimeSeries/README.md) | ARIMA सह टाइम सिरीज पूर्वानुमान | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ जगातील वीज वापर ⚡️ - SVR सह टाइम सिरीज पूर्वानुमान | [टाइम सिरीज](7-TimeSeries/README.md) | Support Vector Regressor सह टाइम सिरीज पूर्वानुमान | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | रिइन्फोर्समेंट लर्निंगची ओळख | [रिइन्फोर्समेंट लर्निंग](8-Reinforcement/README.md) | Q-Learning सह रिइन्फोर्समेंट लर्निंगची ओळख | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| Postscript | वास्तविक जगातील ML संदर्भ आणि अनुप्रयोग | [ML in the Wild](9-Real-World/README.md) | क्लासिक ML चे मनोरंजक आणि उघड करणारे वास्तविक जगातील अनुप्रयोग | [धडा](9-Real-World/1-Applications/README.md) | टीम |
| Postscript | RAI डॅशबोर्ड वापरून ML मधील मॉडेल डीबगिंग | [ML in the Wild](9-Real-World/README.md) | Responsible AI डॅशबोर्ड घटकांचा वापर करून मशीन लर्निंगमधील मॉडेल डीबगिंग | [धडा](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
| परिशिष्ट | खऱ्या जगातील ML परिस्थिती आणि अनुप्रयोग | [खऱ्या जगातील ML](9-Real-World/README.md) | क्लासिकल ML चे रोचक आणि उघड करणारे खऱ्या जगातील अनुप्रयोग | [धडा](9-Real-World/1-Applications/README.md) | टीम |
| परिशिष्ट | RAI डॅशबोर्ड वापरून ML मध्ये मॉडेल डीबगिंग | [खऱ्या जगातील ML](9-Real-World/README.md) | Responsible AI डॅशबोर्ड घटकांचा वापर करून मशीन लर्निंगमधील मॉडेल डीबगिंग | [धडा](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [या अभ्यासक्रमासाठी असलेली सर्व अतिरिक्त संसाधने आमच्या Microsoft Learn संग्रहात शोधा](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [या अभ्यासक्रमासाठी सर्व अतिरिक्त संसाधने आमच्या Microsoft Learn संग्रहामध्ये शोधा](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## ऑफलाइन प्रवेश
आपण हा दस्तऐवज ऑफलाइन चालवू शकता [Docsify](https://docsify.js.org/#/) वापरून. हा रेपो फोर्क करा, आपल्या स्थानिक मशीनवर [Docsify स्थापित करा](https://docsify.js.org/#/quickstart), आणि नंतर या रेपोच्या रूट फोल्डरमध्ये `docsify serve` टाइप करा. वेबसाइट आपल्याच्या localhost वर पोर्ट 3000 वर सर्व्ह केली जाईल: `localhost:3000`.
आपण हा दस्तऐवज ऑफलाइन Docsify वापरून चालवू शकता. हा रेपो fork करा, आपल्या स्थानिक मशीनवर [Docsify](https://docsify.js.org/#/)[स्थापित](https://docsify.js.org/#/quickstart) करा, आणि नंतर या रेपोच्या रूट फोल्डरमध्ये `docsify serve` टाइप करा. वेबसाइट आपल्या लोकलहोस्टवर पोर्ट 3000 वर सर्व्ह होईल: `localhost:3000`.
## पीडीएफ
कोर्सक्रमाचा PDF दुव्यांसह [येथे](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) मिळेल.
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
### जनरेटिव्ह AI मालिका
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
जर तुम्हाला अडकले किंवा AI अॅप्स बनवण्याबद्दल काही प्रश्न असतील तर. MCP विषयी चर्चांमध्ये सहशिक्षार्थी आणि अनुभवी विकसकांशी सामील व्हा. हे एक पाठबळ देणारे समुदाय आहे जिथे प्रश्नांचे स्वागत केले जाते आणि ज्ञान मुक्तपणे वाटले जाते.
AI अॅप्स बनवताना तुम्ही अडकलात किंवा काही प्रश्न आहेत का. MCP बद्दलच्या चर्चेत इतर शिकणाऱ्यां आणि अनुभवी विकासकांमध्ये सहभागी व्हा. हे एक सहायक समुदाय आहे जिथे प्रश्नांचे स्वागत केले जाते आणि ज्ञान मुक्तपणे शेअर केले जाते.
@ -219,5 +217,5 @@ Microsoft मधील Cloud Advocates यांनी आनंदाने 12
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
अस्वीकरण:
हा दस्तऐवज AI-आधारित अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून अनुवादित केला आहे. आम्ही अचूकतेसाठी प्रयत्न करतो, परंतु कृपया लक्षात घ्या की स्वयंचलित अनुवादांमध्ये चुका किंवा अयोग्यताअसू शकतात. मूळ दस्तऐवज त्याच्या स्थानिक भाषेत अधिकृत स्रोत म्हणून मानला गेला पाहिजे. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी अनुवादाची शिफारस केली जाते. या अनुवादाच्या वापरामुळे उद्भवणाऱ्या कोणत्याही गैरसमजां किंवा चुकीच्या अर्थलागीसाठी आम्ही जबाबदार नाही.
हा दस्तऐवज एआय अनुवाद सेवा (Co-op Translator: https://github.com/Azure/co-op-translator) वापरून अनुवादित केला आहे. आम्ही अचूकतेसाठी प्रयत्न करतो, परंतु कृपया लक्षात घ्या की स्वयंचलित अनुवादांमध्ये चुका किंवा अचूकतेच्या त्रुटी असू शकतात. मूळ दस्तऐवज त्याच्या मूळ भाषेत अधिकृत स्रोत मानला जावा. महत्वाच्या माहितीकरिता व्यावसायिक मानवी अनुवाद शिफारसीय आहे. या अनुवादाच्या वापरामुळे उद्भवलेल्या कोणत्याही गैरसमजुती किंवा चुकीच्या अर्थलागीसाठी आम्ही जबाबदार नाही.
Kami mempunyai siri Discord "learn with AI" yang sedang berlangsung, ketahui lebih lanjut dan sertai kami di [Learn with AI Series](https://aka.ms/learnwithai/discord) dari 18 - 30 September, 2025. Anda akan mendapat petua dan trik menggunakan GitHub Copilot untuk Sains Data.
Kami mempunyai siri Learn with AI di Discord yang sedang berjalan, ketahui lebih lanjut dan sertai kami di [Siri Belajar dengan AI](https://aka.ms/learnwithai/discord) dari 18 - 30 September, 2025. Anda akan mendapat petua dan trik menggunakan GitHub Copilot untuk Sains Data.
# Pembelajaran Mesin untuk Pemula - Kurikulum
# Machine Learning for Beginners - A Curriculum
> 🌍 Jelajahi seluruh dunia sambil kita meneroka Pembelajaran Mesin melalui budaya-budaya dunia 🌍
> 🌍 Jelajah ke seluruh dunia semasa kita meneroka Pembelajaran Mesin melalui budaya dunia 🌍
Penyokong Awan di Microsoft dengan sukacitanya menawarkan kurikulum 12 minggu, 26 pelajaran yang sepenuhnya mengenai **Pembelajaran Mesin**. Dalam kurikulum ini, anda akan belajar tentang apa yang kadangkala dipanggil **pembelajaran mesin klasik**, menggunakan terutamanya Scikit-learn sebagai perpustakaan dan mengelakkan pembelajaran mendalam, yang dibincangkan dalam [kurikulum AI for Beginners](https://aka.ms/ai4beginners). Padankan pelajaran ini dengan ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) kami juga!
Cloud Advocates di Microsoft gembira untuk menawarkan kurikulum 12 minggu, 26 pelajaran yang semuanya mengenai **Machine Learning**. Dalam kurikulum ini, anda akan belajar tentang apa yang kadang-kadang dipanggil **pembelajaran mesin klasik**, menggunakan terutamanya Scikit-learn sebagai perpustakaan dan mengelakkan pembelajaran mendalam, yang diliputi dalam [kurikulum 'AI untuk Pemula'](https://aka.ms/ai4beginners). Padankan pelajaran ini dengan [kurikulum 'Data Science for Beginners'](https://aka.ms/ds4beginners), juga!
Ikuti kami mengelilingi dunia ketika kami mengaplikasikan teknik klasik ini kepada data daripada pelbagai kawasan di dunia. Setiap pelajaran termasuk kuiz pra- dan pasca-pelajaran, arahan bertulis untuk menyelesaikan pelajaran, satu penyelesaian, tugasan, dan banyak lagi. Pedagogi berasaskan projek kami membolehkan anda belajar sambil membina, satu cara terbukti untuk kemahiran baru 'melekat'.
Jelajah dengan kami ke seluruh dunia semasa kami menerapkan teknik klasik ini kepada data dari banyak kawasan dunia. Setiap pelajaran termasuk kuiz pra- dan pasca-pelajaran, arahan bertulis untuk menyelesaikan pelajaran, satu penyelesaian, satu tugasan, dan banyak lagi. Pedagogi berasaskan projek membolehkan anda belajar sambil membina, satu cara yang terbukti untuk kemahiran baru 'melekat'.
**✍️ Ucapan terima kasih kepada pengarang kami** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu dan Amy Boyd
**✍️ Terima kasih tidak terhingga kepada penulis kami** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu dan Amy Boyd
**🎨 Terima kasih juga kepada pereka ilustrasi kami** Tomomi Imura, Dasani Madipalli, dan Jen Looper
**🎨 Terima kasih juga kepada ilustrator kami** Tomomi Imura, Dasani Madipalli, dan Jen Looper
**🙏 Terima kasih istimewa 🙏 kepada penulis, penyemak, dan penyumbang kandungan Microsoft Student Ambassador kami**, antaranya Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, dan Snigdha Agarwal
**🙏 Terima kasih khas 🙏 kepada penulis, penilai, dan penyumbang kandungan Microsoft Student Ambassador kami**, terutamanya Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, dan Snigdha Agarwal
**🤩 Penghargaan tambahan kepada Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, dan Vidushi Gupta untuk pelajaran R kami!**
# Mula
# Memulakan
Ikuti langkah-langkah ini:
1. **Fork the Repository**: Klik pada butang "Fork" di penjuru atas-kanan halaman ini.
2. **Clone the Repository**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
1. **Fork Repositori**: Klik butang "Fork" di penjuru atas-kanan halaman ini.
> [dapati semua sumber tambahan untuk kursus ini dalam koleksi Microsoft Learn kami](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [temui semua sumber tambahan untuk kursus ini dalam koleksi Microsoft Learn kami](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Perlukan bantuan?** Semak [Panduan Penyelesaian Masalah](TROUBLESHOOTING.md) kami untuk penyelesaian kepada isu biasa berkaitan pemasangan, persediaan, dan menjalankan pelajaran.
> 🔧 **Perlu bantuan?** Semak [Panduan Penyelesaian Masalah](TROUBLESHOOTING.md) kami untuk penyelesaian kepada isu biasa berkaitan pemasangan, tetapan, dan menjalankan pelajaran.
**[Pelajar](https://aka.ms/student-page)**, untuk menggunakan kurikulum ini, fork keseluruhan repo ke akaun GitHub anda sendiri dan lengkapkan latihan secara individu atau berkumpulan:
**[Pelajar](https://aka.ms/student-page)**, untuk menggunakan kurikulum ini, fork keseluruhan repo ke akaun GitHub anda sendiri dan selesaikan latihan secara sendiri atau bersama kumpulan:
- Mulakan dengan kuiz pra-ceramah.
- Baca ceramah dan lengkapkan aktiviti, berhenti dan renungkan pada setiap pemeriksaan pengetahuan.
- Cuba cipta projek dengan memahami pelajaran dan bukannya hanya menjalankan kod penyelesaian; bagaimanapun kod itu tersedia dalam folder `/solution` dalam setiap pelajaran berorientasikan projek.
- Baca ceramah dan lengkapkan aktiviti, berhenti dan renungkan setiap pemeriksaan pengetahuan.
- Cuba buat projek dengan memahami pelajaran daripada menjalankan kod penyelesaian; bagaimanapun kod tersebut tersedia dalam folder `/solution` dalam setiap pelajaran berorientasikan projek.
- Ambil kuiz pasca-ceramah.
- Lengkapkan cabaran.
- Lengkapkan tugasan.
- Selepas menamatkan satu kumpulan pelajaran, lawati [Lembaga Perbincangan](https://github.com/microsoft/ML-For-Beginners/discussions) dan "belajar secara terbuka" dengan mengisi rubrik PAT yang sesuai. 'PAT' adalah Alat Penilaian Kemajuan yang merupakan rubrik yang anda isi untuk memajukan pembelajaran anda. Anda juga boleh memberi reaksi kepada PAT lain supaya kita dapat belajar bersama.
- Selepas menyelesaikan kumpulan pelajaran, lawati [Papan Perbincangan](https://github.com/microsoft/ML-For-Beginners/discussions) dan "belajar secara terbuka" dengan mengisi rubrik PAT yang sesuai. 'PAT' ialah Progress Assessment Tool (Alat Penilaian Kemajuan) iaitu rubrik yang anda isi untuk meningkatkan pembelajaran anda. Anda juga boleh memberi reaksi kepada PAT lain supaya kita boleh belajar bersama.
> Untuk pengajian lanjut, kami mengesyorkan mengikuti modul dan laluan pembelajaran [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> Untuk kajian lanjut, kami mengesyorkan mengikuti modul dan laluan pembelajaran [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**Guru**, kami telah [menyertakan beberapa cadangan](for-teachers.md) tentang cara menggunakan kurikulum ini.
**Guru**, kami telah [menyertakan beberapa cadangan](for-teachers.md) mengenai cara menggunakan kurikulum ini.
---
## Video panduan
## Panduan video
Beberapa pelajaran tersedia sebagai video bentuk pendek. Anda boleh menemui kesemua ini dalam pelajaran, atau pada [senarai main ML for Beginners di saluran YouTube Microsoft Developer](https://aka.ms/ml-beginners-videos) dengan mengklik imej di bawah.
Beberapa pelajaran tersedia sebagai video bentuk pendek. Anda boleh mencari semua ini bersusun dalam pelajaran, atau di [playlist ML for Beginners pada saluran Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) dengan mengklik imej di bawah.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 Klik imej di atas untuk video tentang projek dan orang-orang yang menciptanya!
> 🎥 Klik imej di atas untuk menonton video tentang projek dan orang-orang yang menciptakannya!
---
## Pedagogi
Kami telah memilih dua prinsip pedagogi semasa membina kurikulum ini: memastikan ia praktikal berasaskan projek dan bahawa ia merangkumi kuiz yang kerap. Di samping itu, kurikulum ini mempunyai tema umum untuk memberikan keseragaman.
Kami telah memilih dua prinsip pedagogi semasa membina kurikulum ini: memastikan ia bersifat praktikal **berasaskan projek** dan bahawa ia merangkumi **kuiz yang kerap**. Selain itu, kurikulum ini mempunyai **tema** yang sama untuk memberikan kesinambungan.
Dengan memastikan kandungan selaras dengan projek, proses menjadi lebih menarik untuk pelajar dan pengekalan konsep akan dipertingkatkan. Selain itu, kuiz bertaraf rendah sebelum kelas menetapkan niat pelajar untuk mempelajari topik, manakala kuiz kedua selepas kelas memastikan pengekalan selanjutnya. Kurikulum ini direka untuk fleksibel dan menyeronokkan dan boleh diambil sepenuhnya atau sebahagiannya. Projek bermula kecil dan menjadi semakin kompleks pada penghujung kitaran 12 minggu. Kurikulum ini juga merangkumi sepina mengenai aplikasi dunia sebenar ML, yang boleh digunakan sebagai kredit tambahan atau sebagai asas untuk perbincangan.
Dengan memastikan kandungan selari dengan projek, proses menjadi lebih menarik untuk pelajar dan pengekalan konsep akan dipertingkatkan. Selain itu, kuiz berisiko rendah sebelum kelas menetapkan niat pelajar untuk mempelajari topik, manakala kuiz kedua selepas kelas memastikan pengekalan lanjut. Kurikulum ini direka untuk fleksibel dan menyeronokkan dan boleh diambil secara keseluruhan atau sebahagian. Projek bermula kecil dan menjadi semakin kompleks menjelang akhir kitaran 12 minggu. Kurikulum ini juga termasuk posskrip mengenai aplikasi dunia sebenar ML, yang boleh digunakan sebagai kredit tambahan atau sebagai asas untuk perbincangan.
> Dapati [Kod Tingkah Laku](CODE_OF_CONDUCT.md), [Menyumbang](CONTRIBUTING.md), [Terjemahan](TRANSLATIONS.md), dan panduan [Penyelesaian Masalah](TROUBLESHOOTING.md) kami. Kami mengalu-alukan maklum balas membina anda!
> Temui [Kod Tingkah Laku](CODE_OF_CONDUCT.md), [Sumbangan](CONTRIBUTING.md), [Terjemahan](TRANSLATIONS.md), dan garis panduan [Penyelesaian Masalah](TROUBLESHOOTING.md) kami. Kami mengalu-alukan maklum balas membina anda!
> **Nota tentang bahasa**: Pelajaran ini terutamanya ditulis dalam Python, tetapi banyak juga tersedia dalam R. Untuk melengkapkan pelajaran R, pergi ke folder `/solution` dan cari pelajaran R. Mereka termasuk peluasan .rmd yang mewakili fail **R Markdown** yang boleh ditakrifkan sebagai penyisipan `code chunks` (R atau bahasa lain) dan `YAML header` (yang mengarahkan cara memformat output seperti PDF) dalam dokumen `Markdown`. Oleh itu, ia berfungsi sebagai rangka kerja penerbitan contoh untuk sains data kerana ia membolehkan anda menggabungkan kod anda, outputnya, dan pemikiran anda dengan membenarkan anda menulisnya dalam Markdown. Selain itu, dokumen R Markdown boleh dirender kepada format output seperti PDF, HTML, atau Word.
> **Catatan tentang bahasa**: Pelajaran ini terutamanya ditulis dalam Python, tetapi banyak juga tersedia dalam R. Untuk melengkapkan pelajaran R, pergi ke folder `/solution` dan cari pelajaran R. Mereka termasuk sambungan .rmd yang mewakili fail **R Markdown** yang boleh didefinisikan secara ringkas sebagai penempatan `code chunks` (R atau bahasa lain) dan `YAML header` (yang membimbing cara memformat output seperti PDF) dalam satu `Markdown document`. Oleh itu, ia berfungsi sebagai rangka kerja penulisan contoh untuk sains data kerana ia membolehkan anda menggabungkan kod anda, outputnya, dan pemikiran anda dengan membenarkan anda menulisnya dalam Markdown. Selain itu, dokumen R Markdown boleh dirender kepada format output seperti PDF, HTML, atau Word.
> **Nota tentang kuiz**: Semua kuiz terkandung dalam [Quiz App folder](../../quiz-app), untuk 52 kuiz jumlahnya dengan tiga soalan setiap satu. Mereka dipautkan dari dalam pelajaran tetapi aplikasi kuiz boleh dijalankan secara tempatan; ikut arahan dalam folder `quiz-app` untuk menghos atau menyebarkan secara tempatan ke Azure.
> **Catatan tentang kuiz**: Semua kuiz terkandung dalam [folder Quiz App](../../quiz-app), untuk 52 kuiz keseluruhan dengan tiga soalan setiap satu. Mereka dipautkan dari dalam pelajaran tetapi aplikasi kuiz boleh dijalankan secara tempatan; ikut arahan dalam folder `quiz-app` untuk menghoskan secara tempatan atau mendeploy ke Azure.
| 01 | Pengenalan kepada pembelajaran mesin | [Pengenalan](1-Introduction/README.md) | Pelajari konsep asas di sebalik pembelajaran mesin | [Pelajaran](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Sejarah pembelajaran mesin | [Pengenalan](1-Introduction/README.md) | Pelajari sejarah yang mendasari bidang ini | [Pelajaran](1-Introduction/2-history-of-ML/README.md) | Jen dan Amy |
| 03 | Keadilan dan pembelajaran mesin | [Pengenalan](1-Introduction/README.md) | Apakah isu falsafah penting mengenai keadilan yang pelajar harus pertimbangkan apabila membina dan menggunakan model ML? | [Pelajaran](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Teknik untuk pembelajaran mesin | [Pengenalan](1-Introduction/README.md) | Apakah teknik yang digunakan oleh penyelidik ML untuk membina model ML? | [Pelajaran](1-Introduction/4-techniques-of-ML/README.md) | Chris dan Jen |
| 03 | Keadilan dan pembelajaran mesin | [Pengenalan](1-Introduction/README.md) | Apakah isu falsafah penting mengenai keadilan yang patut dipertimbangkan pelajar apabila membina dan menerapkan model ML? | [Pelajaran](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Teknik untuk pembelajaran mesin | [Pengenalan](1-Introduction/README.md) | Apakah teknik yang digunakan penyelidik ML untuk membina model ML? | [Pelajaran](1-Introduction/4-techniques-of-ML/README.md) | Chris dan Jen |
| 05 | Pengenalan kepada regresi | [Regresi](2-Regression/README.md) | Mula dengan Python dan Scikit-learn untuk model regresi | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Harga labu Amerika Utara 🎃 | [Regresi](2-Regression/README.md) | Visualisasikan dan bersihkan data sebagai persediaan untuk ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Harga labu Amerika Utara 🎃 | [Regresi](2-Regression/README.md) | Bina model regresi linear dan polinomial | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen dan Dmitry • Eric Wanjau |
@ -131,12 +133,12 @@ Dengan memastikan kandungan selaras dengan projek, proses menjadi lebih menarik
| 09 | Aplikasi Web 🔌 | [Aplikasi Web](3-Web-App/README.md) | Bina aplikasi web untuk menggunakan model yang telah dilatih | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Pengenalan kepada klasifikasi | [Klasifikasi](4-Classification/README.md) | Bersihkan, sediakan, dan visualisasikan data anda; pengenalan kepada klasifikasi | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen dan Cassie • Eric Wanjau |
| 11 | Masakan Asia dan India yang Lazat 🍜 | [Klasifikasi](4-Classification/README.md) | Pengenalan kepada pengklasifikasi | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen dan Cassie • Eric Wanjau |
| 12 | Masakan Asia dan India yang Lazat 🍜 | [Klasifikasi](4-Classification/README.md) | Pengklasifikasi tambahan | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen dan Cassie • Eric Wanjau |
| 12 | Masakan Asia dan India yang Lazat 🍜 | [Klasifikasi](4-Classification/README.md) | Lebih banyak pengklasifikasi | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen dan Cassie • Eric Wanjau |
| 13 | Masakan Asia dan India yang Lazat 🍜 | [Klasifikasi](4-Classification/README.md) | Bina aplikasi web cadangan menggunakan model anda | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Pengenalan kepada pengelompokan | [Pengelompokan](5-Clustering/README.md) | Bersihkan, sediakan, dan visualisasikan data anda; Pengenalan kepada pengelompokan | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 14 | Pengenalan kepada pengelompokan | [Pengelompokan](5-Clustering/README.md) | Bersihkan, sediakan, dan visualisasikan data anda; pengenalan kepada pengelompokan | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Meneroka Selera Muzik Nigeria 🎧 | [Pengelompokan](5-Clustering/README.md) | Terokai kaedah pengelompokan K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Pengenalan kepada pemprosesan bahasa semula jadi ☕️ | [Pemprosesan bahasa semula jadi](6-NLP/README.md) | Pelajari asas NLP dengan membina bot ringkas | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Tugasan NLP biasa ☕️ | [Pemprosesan bahasa semula jadi](6-NLP/README.md) | Perdalam pengetahuan NLP anda dengan memahami tugasan biasa yang diperlukan apabila berurusan dengan struktur bahasa | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 17 | Tugas NLP Biasa ☕️ | [Pemprosesan bahasa semula jadi](6-NLP/README.md) | Perdalam pengetahuan NLP anda dengan memahami tugas biasa yang diperlukan apabila berurusan dengan struktur bahasa | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Terjemahan dan analisis sentimen ♥️ | [Pemprosesan bahasa semula jadi](6-NLP/README.md) | Terjemahan dan analisis sentimen dengan Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Hotel romantik di Eropah ♥️ | [Pemprosesan bahasa semula jadi](6-NLP/README.md) | Analisis sentimen dengan ulasan hotel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Hotel romantik di Eropah ♥️ | [Pemprosesan bahasa semula jadi](6-NLP/README.md) | Analisis sentimen dengan ulasan hotel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
@ -144,17 +146,17 @@ Dengan memastikan kandungan selaras dengan projek, proses menjadi lebih menarik
| 22 | ⚡️ Penggunaan Tenaga Dunia ⚡️ - ramalan siri masa dengan ARIMA | [Siri masa](7-TimeSeries/README.md) | Ramalan siri masa dengan ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Penggunaan Tenaga Dunia ⚡️ - ramalan siri masa dengan SVR | [Siri masa](7-TimeSeries/README.md) | Ramalan siri masa dengan Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Pengenalan kepada pembelajaran penguatan | [Pembelajaran penguatan](8-Reinforcement/README.md) | Pengenalan kepada pembelajaran penguatan dengan Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| Postscript | Senario dan aplikasi ML dunia sebenar | [ML di Dunia Sebenar](9-Real-World/README.md) | Aplikasi dunia sebenar yang menarik dan mendedahkan bagi ML klasik | [Pelajaran](9-Real-World/1-Applications/README.md) | Pasukan |
| Postscript | Penyahpepijat Model dalam ML menggunakan papan pemuka RAI | [ML di Dunia Sebenar](9-Real-World/README.md) | Penyahpepijat Model dalam Pembelajaran Mesin menggunakan komponen papan pemuka Responsible AI | [Pelajaran](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
| Postskrip | Senario dan aplikasi ML Dunia Sebenar | [ML in the Wild](9-Real-World/README.md) | Aplikasi dunia sebenar yang menarik dan mendedahkan bagi ML klasik | [Pelajaran](9-Real-World/1-Applications/README.md) | Pasukan |
| Postskrip | Penyahpepijatan Model dalam ML menggunakan papan pemuka RAI | [ML in the Wild](9-Real-World/README.md) | Penyahpepijatan model dalam Pembelajaran Mesin menggunakan komponen papan pemuka Responsible AI | [Pelajaran](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [cari semua sumber tambahan untuk kursus ini dalam koleksi Microsoft Learn kami](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Akses luar talian
Anda boleh menjalankan dokumentasi ini secara luar talian dengan menggunakan [Docsify](https://docsify.js.org/#/). Fork repo ini, [pasang Docsify](https://docsify.js.org/#/quickstart) pada mesin tempatan anda, dan kemudian di folder root repo ini, taip `docsify serve`. Laman web akan dihidangkan pada port 3000 pada localhost anda: `localhost:3000`.
Anda boleh menjalankan dokumentasi ini secara luar talian dengan menggunakan [Docsify](https://docsify.js.org/#/). Fork repo ini, [pasang Docsify](https://docsify.js.org/#/quickstart) pada mesin setempat anda, dan kemudian di folder root repo ini, taip `docsify serve`. Laman web akan dihidangkan pada port 3000 pada localhost anda: `localhost:3000`.
## PDF
## PDFs
Cari pdf kurikulum dengan pautan [di sini](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
@ -170,7 +172,7 @@ Pasukan kami menghasilkan kursus lain! Lihat:
---
### Azure / Edge / MCP / Ejen
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
@ -180,7 +182,7 @@ Pasukan kami menghasilkan kursus lain! Lihat:
### Siri AI Generatif
[](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)
@ -205,11 +207,11 @@ Pasukan kami menghasilkan kursus lain! Lihat:
## Mendapatkan Bantuan
Jika anda tersekat atau mempunyai sebarang soalan tentang membina aplikasi AI, sertai pelajar lain dan pembangun berpengalaman dalam perbincangan mengenai MCP. Ia adalah komuniti yang menyokong di mana soalan dialu-alukan dan pengetahuan dikongsi secara bebas.
Jika anda tersekat atau mempunyai sebarang soalan mengenai pembinaan aplikasi AI. Sertai pelajar lain dan pembangun berpengalaman dalam perbincangan tentang MCP. Ia adalah komuniti yang menyokong di mana soalan dialu-alukan dan pengetahuan dikongsi dengan bebas.
[](https://discord.gg/nTYy5BXMWG)
Jika anda mempunyai maklum balas produk atau ralat semasa membina lawati:
Jika anda mempunyai maklum balas produk atau ralat semasa membina, lawati:
[](https://aka.ms/foundry/forum)
@ -217,5 +219,5 @@ Jika anda mempunyai maklum balas produk atau ralat semasa membina lawati:
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
Penafian:
Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Walaupun kami berusaha untuk ketepatan, sila ambil maklum bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya hendaklah dianggap sebagai sumber rujukan yang muktamad. Untuk maklumat yang kritikal, disarankan mendapatkan terjemahan profesional oleh penterjemah manusia. Kami tidak bertanggungjawab terhadap sebarang salah faham atau salah tafsiran yang timbul daripada penggunaan terjemahan ini.
Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Walaupun kami berusaha untuk ketepatan, sila ambil perhatian bahawa terjemahan automatik mungkin mengandungi ralat atau ketidakakuratan. Dokumen asal dalam bahasa asalnya hendaklah dianggap sebagai sumber yang sah. Untuk maklumat penting, disyorkan terjemahan profesional oleh penterjemah manusia. Kami tidak bertanggungjawab terhadap sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.
| 04 | စက်သင်ယူမှု နည်းဗျူဟာများ | [Introduction](1-Introduction/README.md) | ML သုတေသနပညာရှင်များသည် ML မော်ဒယ်များ ဖန်တီးရာတွင် မည်သည့် နည်းလမ်းများကို အသုံးပြုကြသနည်း။ | [သင်ခန်းစာ](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](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/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)
[-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)
यस पाठ्यक्रमको यस खण्डमा, तपाईंलाई मेसिन लर्निङ क्षेत्रको आधारभूत अवधारणाहरू, यसको अर्थ के हो, यसको इतिहास, र अनुसन्धानकर्ताहरूले यससँग काम गर्न प्रयोग गर्ने प्रविधिहरूको बारेमा परिचय गराइनेछ। आउनुहोस्, हामी सँगै यो नयाँ मेसिन लर्निङको संसार अन्वेषण गरौं!
> फोटो: <ahref="https://unsplash.com/@bill_oxford?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">बिल अक्सफोर्ड</a> द्वारा <ahref="https://unsplash.com/s/photos/globe?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">अनस्प्ल्यास</a> मा
" <figcaption>@allison_horst द्वारा कलाकृति</figcaption>\n",
"\n",
"<!--<br>@allison_horst द्वारा कलाकृति-->\n"
"<!--<br>@allison_horst द्वारा कलाकृति-->\n"
" <figcaption>@allison_horst द्वारा कलाकृति</figcaption>\n",
"\n",
"\n",
"<!--<br>@allison_horst द्वारा कलाकृति-->\n"
"<!--<br>@allison_horst द्वारा कलाकृति-->\n"
" <figcaption>@allison_horst द्वारा सिर्जित कला</figcaption>\n",
"\n",
"\n",
"<!--{width=\"700\"}-->\n"
"<!--{width=\"700\"}-->\n"
"\n",
"\n",
"\n",
"#### **[पाठ अघि क्विज](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n",
"\n",
@ -78,7 +78,7 @@
"\n",
"लजिस्टिक रिग्रेसनले लीनियर रिग्रेसनजस्तै विशेषताहरू प्रदान गर्दैन। लजिस्टिक रिग्रेसनले `द्विविधात्मक श्रेणी` (\"सुन्तला वा सुन्तला होइन\") को भविष्यवाणी प्रदान गर्छ भने लीनियर रिग्रेसनले `निरन्तर मानहरू`को भविष्यवाणी गर्न सक्षम छ, जस्तै कद्दूको उत्पत्ति र कटनीको समय दिइएको अवस्थामा, *यसको मूल्य कति बढ्नेछ*।\n",
"- **अर्डिनल**, जसमा क्रमबद्ध श्रेणीहरू हुन्छन्, यदि हामी हाम्रो परिणामहरूलाई तार्किक रूपमा क्रमबद्ध गर्न चाहन्छौं भने उपयोगी हुन्छ, जस्तै कद्दूहरू जुन निश्चित संख्याका आकारहरू (mini, sm, med, lg, xl, xxl) द्वारा क्रमबद्ध गरिएका छन्।\n",
> फोटो <ahref="https://unsplash.com/@teutschmann?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">बेथ ट्युट्सम्यान</a> द्वारा <ahref="https://unsplash.com/s/photos/jack-o-lanterns?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">अनस्प्ल्यास</a> मा
यस पाठ्यक्रमको यस भागमा, तपाईंलाई एक प्रयोगात्मक ML विषयमा परिचय गराइनेछ: कसरी आफ्नो Scikit-learn मोडेललाई फाइलको रूपमा सुरक्षित गर्ने जसलाई वेब एप्लिकेसनमा भविष्यवाणी गर्न प्रयोग गर्न सकिन्छ। मोडेल सुरक्षित गरेपछि, तपाईंले यसलाई Flask मा बनाइएको वेब एपमा प्रयोग गर्न सिक्नुहुनेछ। तपाईंले पहिलोमा केही डाटाको प्रयोग गरेर मोडेल बनाउनुहुनेछ, जुन UFO देखिएको घटनाको बारेमा हुनेछ! त्यसपछि, तपाईंले एउटा वेब एप बनाउनुहुनेछ जसले तपाईंलाई सेकन्डको संख्या, अक्षांश र देशान्तरको मान प्रविष्ट गर्न अनुमति दिनेछ, ताकि कुन देशले UFO देखेको रिपोर्ट गरेको हो भनेर भविष्यवाणी गर्न सकियोस्।
फोटो <ahref="https://unsplash.com/@mdherren?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">माइकल हेरेन</a> द्वारा <ahref="https://unsplash.com/s/photos/ufo?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> मा
> फोटो <ahref="https://unsplash.com/@changlisheng?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">लिशेंग चांग</a> द्वारा <ahref="https://unsplash.com/s/photos/asian-food?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">अनस्प्ल्यास</a> मा
नाइजेरियाको विविध दर्शकहरूको संगीत रुचि पनि विविध छ। Spotify बाट सङ्कलित डाटाको प्रयोग गरेर (यस [लेख](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421) बाट प्रेरित), नाइजेरियामा लोकप्रिय केही संगीतलाई हेरौं। यो डेटासेटमा विभिन्न गीतहरूको 'डान्सएबिलिटी' स्कोर, 'एकुस्टिकनेस', लाउडनेस, 'स्पिचिनेस', लोकप्रियता र ऊर्जा सम्बन्धी डाटा समावेश छ। यस डाटामा पैटर्नहरू पत्ता लगाउनु रोचक हुनेछ!
> फोटो <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">मार्सेला लास्कोस्की</a> द्वारा <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">अनस्प्ल्यास</a> मा
यी पाठहरूमा हामी NLP को आधारभूत कुरा सिक्नेछौं, साना संवादात्मक बोटहरू निर्माण गरेर मेसिन लर्निङले यी संवादहरूलाई कसरी 'स्मार्ट' बनाउँदै लगेको छ भन्ने कुरा बुझ्नेछौं। तपाईं समयको यात्रा गर्दै, Jane Austen को क्लासिक उपन्यास **Pride and Prejudice**, जुन १८१३ मा प्रकाशित भएको थियो, बाट Elizabeth Bennett र Mr. Darcy सँग कुराकानी गर्नेछौं। त्यसपछि, तपाईं युरोपका होटल समीक्षाहरूको माध्यमबाट भावना विश्लेषण सिकेर आफ्नो ज्ञानलाई अझ अगाडि बढाउनुहुनेछ।
> फोटो <ahref="https://unsplash.com/@elaineh?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Elaine Howlin</a> द्वारा <ahref="https://unsplash.com/s/photos/pride-and-prejudice?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> मा
हाम्रो क्षेत्रीय ध्यान विश्वको विद्युत उपयोगमा केन्द्रित छ, जुन भविष्यको पावर उपयोगको पूर्वानुमान गर्न विगतको लोडका ढाँचाहरूको आधारमा सिक्नका लागि रोचक डाटासेट हो। तपाईं देख्न सक्नुहुन्छ कि यस प्रकारको पूर्वानुमान व्यापार वातावरणमा कति उपयोगी हुन सक्छ।
फोटो [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) द्वारा राजस्थानको सडकमा रहेका विद्युत टावरहरूको [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) मा।
कल्पना गर्नुहोस् कि तपाईंसँग स्टक बजार जस्तो सिमुलेट गरिएको वातावरण छ। यदि तपाईंले कुनै निश्चित नियम लागू गर्नुभयो भने के हुन्छ? के यसले सकारात्मक वा नकारात्मक प्रभाव पार्छ? यदि केही नकारात्मक हुन्छ भने, तपाईंले यो _नकारात्मक सुदृढीकरण_ लिनुपर्छ, यसबाट सिक्नुपर्छ, र मार्ग परिवर्तन गर्नुपर्छ। यदि यो सकारात्मक परिणाम हो भने, तपाईंले त्यस _सकारात्मक सुदृढीकरण_ मा निर्माण गर्नुपर्छ।
> पिटर र उनका साथीहरूले भोकाएको भेडियाबाट भाग्नुपर्छ! छवि [जेन लूपर](https://twitter.com/jenlooper) द्वारा
यस पाठ्यक्रमको यस खण्डमा, तपाईंलाई परम्परागत मेसिन लर्निङका केही वास्तविक संसारका प्रयोगहरूबारे परिचित गराइनेछ। हामीले इन्टरनेटमा खोजी गरेर यस्ता सेतो कागजातहरू र लेखहरू संकलन गरेका छौं जसले यी रणनीतिहरू प्रयोग गरेका छन्, न्यूरल नेटवर्क, डीप लर्निङ र एआईलाई सकेसम्म टाढा राख्दै। जान्नुहोस् कसरी मेसिन लर्निङ व्यापार प्रणालीहरू, पारिस्थितिक प्रयोगहरू, वित्त, कला र संस्कृति, र अन्य क्षेत्रमा प्रयोग गरिन्छ।
> फोटो <ahref="https://unsplash.com/@childeye?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">एलेक्सिस फोभेट</a> द्वारा <ahref="https://unsplash.com/s/photos/artificial-intelligence?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">अनस्प्ल्यास</a> मा उपलब्ध
[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
हामीसँग Discord मा "Learn with AI" सिरिज चलिरहेको छ, थप जान्न र सामेल हुन हामीलाई [Learn with AI Series](https://aka.ms/learnwithai/discord) मा 18 - 30 सेप्टेम्बर, 2025 बाट भेट्नुहोस्। तपाईंले Data Science का लागि GitHub Copilot प्रयोग गर्ने सुझावहरू र तरिकाहरू प्राप्त गर्नुहुनेछ।
हामीसँग Discord मा "AI सँग सिक्ने" सिरिज जारी छ, थप जानकारीका लागि र हामीसँग जोडिनुहोस् [Learn with AI Series](https://aka.ms/learnwithai/discord) मा जुन 18 - 30 सेप्टेम्बर, 2025 सम्म हुनेछ। तपाईंले GitHub Copilot लाई डाटा साइन्सको लागि प्रयोग गर्ने टिप्स र ट्रिक्स पाउनुहुनेछ।
# मशीन लर्निङ सुरूवातकर्ताहरूका लागि - एक पाठ्यक्रम
# Machine Learning for Beginners - एक पाठ्यक्रम
> 🌍 विश्वभरी यात्रा गर्दै हामी संसारका संस्कृतिहरूको माध्यमबाट मशीन लर्निङ अन्वेषण गरौँ 🌍
> 🌍 विश्व संस्कृतिहरूको माध्यमबाट मेसिन लर्निङ अन्वेषण गर्दै संसारभर यात्रा गर्नुहोस् 🌍
Microsoft का क्लाउड एड्भोकेटहरूले 12 हप्ताको, 26-पाठ्यक्रमीय पाठ्यक्रम जसले **मशीन लर्निङ** सम्बन्धी सबै कुरा समेट्छ प्रस्तुत गर्न पाउँदा खुशी व्यक्त गर्छन्। यस पाठ्यक्रममा, तपाईंले प्राय: Scikit-learn लाई पुस्तकालयको रूपमा प्रयोग गरी र डीप लर्निङलाई टाढा राखेर कहिलेकाहीं "क्लासिक मशीन लर्निङ" भनिने कुराहरू सिक्नेछौं, जुन हाम्रो [AI for Beginners' curriculum](https://aka.ms/ai4beginners) मा समेटिएको छ। यी पाठहरूलाई हाम्रो ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) सँग पनि जोड्न सकिन्छ।
Microsoft का Cloud Advocates हरूले 12 हप्ते, 26-पाठको पाठ्यक्रम प्रस्तुत गर्न पाउँदा खुशी छौं जुन पूर्ण रूपमा **Machine Learning** सम्बन्धित छ। यस पाठ्यक्रममा, तपाईंले कहिलेकाहीं "क्लासिक मेसिन लर्निङ" भनिने विषयबस्तु सिक्नुहुनेछ, जसमा मुख्य रूपमा Scikit-learn लाई लाइब्रेरीको रूपमा प्रयोग गरिन्छ र डिप लर्निङबाट टाढा राखिन्छ, जुन हाम्रो [AI for Beginners' curriculum](https://aka.ms/ai4beginners) मा समेटिएको छ। यी पाठहरूलाई हाम्रो ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) सँग भी जोड्न सकिन्छ।
विश्वका विभिन्न क्षेत्रका डाटामा यी क्लासिक प्रविधिहरू लागू गर्दै हाम्रो साथ यात्रा गर्नुहोस्। प्रत्येक पाठमा पूर्व-र पोस्ट-पाठ्यक्रम क्विजहरू, पाठ पूरा गर्न लेखिएका निर्देशहरू, एक समाधान, एक असाइनमेन्ट, र थप छन्। हाम्रो परियोजना-आधारित पेडागोजीले तपाईंलाई निर्माण गर्दै सिक्न अनुमति दिन्छ, नयाँ सीपहरू लामो समयसम्म टिक्नको लागि प्रमाणित तरिका हो।
हामीसँगै संसारभर यात्रा गर्नुहोस् जब हामी यी क्लासिक प्रविधिहरूलाई विश्वका विभिन्न क्षेत्रका डाटामा लागू गर्छौं। हरेक पाठमा प्रि-र पोस्ट-लसन क्विज, लेखिएको निर्देशनहरू, समाधान, असाइनमेन्ट, र बढी समावेश छ। हाम्रो प्रोजेक्ट-आधारित शिक्षणले तपाईंलाई बनाउँदै सिक्न मद्दत गर्छ, जुन नयाँ सीपहरू टिकाउन प्रभावकारी तरिका हो।
**✍️ हाम्रा लेखकहरूलाई हार्दिक धन्यवाद** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu र Amy Boyd
**✍️ हाम्रो लेखकहरूलाई हार्दिक धन्यवाद** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu र Amy Boyd
**🎨 हाम्रा चित्रकारहरूलाई पनि धन्यवाद** Tomomi Imura, Dasani Madipalli, र Jen Looper
**🎨 हाम्रो इलस्ट्रेटरहरूलाई पनि धन्यवाद** Tomomi Imura, Dasani Madipalli, र Jen Looper
**🙏 विशेष धन्यवाद 🙏 हाम्रा Microsoft Student Ambassador लेखकहरू, समीक्षकहरू, र सामग्री योगदानकर्ताहरूलाई**, विशेष गरी Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, र Snigdha Agarwal
**🙏 विशेष धन्यवाद 🙏 हाम्रा Microsoft Student Ambassador लेख, समीक्षक, र सामग्री योगदानकर्ताहरूलाई**, विशेष गरी Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, र Snigdha Agarwal
**🤩 हाम्रो R पाठहरूका लागि Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, र Vidushi Gupta लाई थप कृतज्ञता!**
**🤩 अतिरिक्त कृतज्ञता Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, र Vidushi Gupta लाई हाम्रा R पाठहरूको लागि!**
# सुरु गर्ने तरिका
# सुरु गर्नुहोस्
यी चरणहरू अनुसरण गर्नुहोस्:
1. **रिपोजिटरी Fork गर्नुहोस्**: यस पृष्ठको माथि-दायाँ कुनामा रहेको "Fork" बटनमा क्लिक गर्नुहोस्।
> [यस कोर्सका लागि थप सबै स्रोतहरू हाम्रो Microsoft Learn संग्रहमा फेला पार्नुहोस्](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [यस पाठ्यक्रमका लागि सबै अतिरिक्त स्रोतहरू हाम्रो Microsoft Learn संग्रहमा पत्ता लगाउनुहोस्](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **मद्दत चाहिन्छ?** इन्स्टलेशन, सेटअप, र पाठहरू चलाउँदा सामान्य समस्याहरूका समाधानका लागि हाम्रा [Troubleshooting Guide](TROUBLESHOOTING.md) जाँच गर्नुहोस्।
> 🔧 **मद्दत चाहिन्छ?** स्थापन, सेटअप, र पाठहरू चलाउँदा सामान्य समस्याहरूको समाधानका लागि हाम्रा [Troubleshooting Guide](TROUBLESHOOTING.md) जाँच गर्नुहोस्।
**[विद्यार्थीहरू](https://aka.ms/student-page)**, यो पाठ्यक्रम प्रयोग गर्नका लागि, सम्पूर्ण रेपो आफ्नो GitHub खातामा Fork गर्नुहोस् र अभ्यासहरू आफ्नै रूपमा वा समूहसँग पूरा गर्नुहोस्:
**[विद्यार्थीहरू](https://aka.ms/student-page)**, यो पाठ्यक्रम प्रयोग गर्नका लागि, सम्पूर्ण रिपो आफ्नो GitHub खातामा फोर्क गर्नुहोस् र अभ्यासहरू व्यक्तिगत रूपमा वा समूहसँग पूरा गर्नुहोस्:
- पाठ भन्दा पहिले pre-lecture क्विजबाट सुरु गर्नुहोस्।
- लेक्चर पढ्नुहोस् र गतिविधिहरू पूरा गर्नुहोस्, प्रत्येक ज्ञान जाँचमा रोक्ने र प्रतिबिम्ब गर्ने।
- समाधान कोड चलाएर होइन, पाठहरू बुझेर परियोजनाहरू सिर्जना गर्न प्रयास गर्नुहोस्; तथापि त्यस कोडलाई प्रत्येक परियोजना-केन्द्रित पाठमा `/solution` फोल्डरमा उपलब्ध गराइएको छ।
- पाठ पछि पोस्ट-लेक्चर क्विज लिनुहोस्।
- प्रारम्भमा प्रि-लेक्चर क्विज लिइराख्नुहोस्।
- व्याख्या पढ्नुहोस् र गतिविधिहरू पूरा गर्नुहोस्, प्रत्येक ज्ञान जाँचमा रोकिएर सोच्नुहोस्।
- समाधान कोड चलाउने भन्दा सिकाइ बुझेर प्रोजेक्टहरू सिर्जना गर्न प्रयास गर्नुहोस्; तथापि त्यो कोड प्रत्येक प्रोजेक्ट-उन्मुख पाठमा `/solution` फोल्डरहरूमा उपलब्ध छ।
- पोस्ट-लेक्चर क्विज लिनुहोस्।
- चुनौती पूरा गर्नुहोस्।
- असाइनमेन्ट पूरा गर्नुहोस्।
- पाठ समूह पूरा गरेपछि, [चर्चा बोर्ड](https://github.com/microsoft/ML-For-Beginners/discussions) भ्रमण गर्नुहोस् र उपयुक्त PAT रूब्रिक भरेर "आउट लाउड सिकाइ" गर्नुहोस्। 'PAT' एक प्रोग्रेस असेस्मेन्ट टुल हो जुन तपाईंले भर्नुहुने रूब्रिक हो जसले तपाईंको सिकाइलाई अघि बढाउँछ। तपाईं अरू PAT हरूमा प्रतिक्रिया दिन पनि सक्नुहुन्छ जसले हामीलाई सँगै सिक्न मद्दत गर्छ।
- पाठ समूह पूरा गरेपछि, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) भ्रमण गरी सान्दर्भिक PAT रूब्रिक भरी "आवाजमा सिक्नुहोस्"। 'PAT' एक Progress Assessment Tool हो जुन तपाईंले सिकाइ अगाडि बढाउन भर्ने रूब्रिक हो। तपाईंले अरू PAT हरूमा प्रतिक्रिया पनि दिन सक्नुहुन्छ ताकि हामी सँगै सिक्न सक्छौं।
> थप अध्ययनका लागि, हामीले यी [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) मोड्युलहरू र सिक्ने मार्गहरू अनुसरण गर्न सिफारिस गर्दछौं।
> थप अध्ययनका लागि, हामीले यी [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) मोड्युलहरू र सिकाइ मार्गहरू अनुसरण गर्न सिफारिस गर्दछौं।
**शिक्षकहरू**, यो पाठ्यक्रम कसरी प्रयोग गर्ने भन्ने बारेमा हामीले [केही सुझावहरू समावेश गरेका छौं](for-teachers.md)।
**शिक्षकहरू**, यस पाठ्यक्रम प्रयोग गर्ने बारे हामीले केही [सुझावहरू समावेश गरेका छौं](for-teachers.md)।
---
## भिडियो व्याख्या
## भिडियो वाकथ्रुहरू
केही पाठहरू छोटो परिवारका भिडियोको रूपमा उपलब्ध छन्। यी सबै पाठहरूमा सिधै फेला पार्न सकिन्छ, वा [ML for Beginners playlist on the Microsoft Developer YouTube channel](https://aka.ms/ml-beginners-videos) मा तलको छविमा क्लिक गरेर हेर्न सकिन्छ।
केही पाठहरू छोटो रूपका भिडियोमा उपलब्ध छन्। यी सबै तपाईंलाई पाठहरू भित्रै देख्न सकिन्छ, वा [ML for Beginners प्लेलिष्टमा Microsoft Developer YouTube च्यानलमा](https://aka.ms/ml-beginners-videos) तलको तस्वीर क्लिक गरेर हेर्न सक्नुहुन्छ।
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 परियोजना र यसलाई बनाउने व्यक्तिहरूबारे भिडियोको लागि माथिको छविमा क्लिक गर्नुहोस्!
> 🎥 प्रोजेक्ट र यसलाई सिर्जना गर्ने टोलीबारेको भिडियोका लागि माथिको चित्रमा क्लिक गर्नुहोस्!
---
## शिक्षाशास्त्र
## शिक्षण पद्धति
यो पाठ्यक्रम निर्माण गर्दा हामीले दुई वटा पेडागोजिकल सिद्धान्तहरू रोजेका छौं: हातबाट गर्ने (project-based) र बारम्बार क्विजहरू समावेश गर्ने। थप रूपमा, यस पाठ्यक्रमले एक साझा **थीम** राखेर समेकन प्रदान गर्छ।
हामीले यो पाठ्यक्रम निर्माण गर्दा दुई शिक्षण सम्बन्धी सिद्घान्त छानेका छौं: यसलाई व्यावहारिक, **प्रोजेक्ट-आधारित** बनाउने र यसमा **बारम्बार क्विजहरू** समावेश गर्ने। थप रूपमा, यस पाठ्यक्रमलाई एक साझा **थिम** दिई यसको समेकन सुनिश्चित गरिएको छ।
सामाग्री परियोजनासँग अनुरूप राख्दा विद्यार्थीहरूको लागि प्रक्रिया बढी आकर्षक बनिन्छ र अवधारणाहरूको अवधारण क्षमतामा वृद्धि हुन्छ। साथै, कक्षाको पूर्वमा एउटा कम-जोखिम क्विजले विद्यार्थीको सिकाइ तर्फको मनोवृत्ति सेट गर्छ, भने कक्षापछि दोस्रो क्विजले थप अवधारण सुनिश्चित गर्छ। यो पाठ्यक्रम लचिलो र रमाइलो हुने गरी डिजाइन गरिएको छ र पूर्ण वा आंशिक रूपमा लिन सकिन्छ। परियोजनाहरू सानोतिनोबाट सुरु भएर 12 हप्ताको चक्रको अन्त्यतिर क्रमशः जटिल हुन्छन्। यो पाठ्यक्रमले वास्तविक-विश्व ML अनुप्रयोगहरूमा पोस्टस्क्रिप्ट पनि समावेश गर्दछ, जुन अतिरिक्त क्रेडिट वा छलफलको आधारको रूपमा प्रयोग गर्न सकिन्छ।
सामग्री प्रोजेक्टसँग मेल खाने गरी सुनिश्चित गर्दा विद्यार्थीहरूको लागि प्रक्रिया बढी आकर्षक हुन्छ र अवधारणाहरूको धारण क्षमता बढ्छ। साथै, कक्षाको अघि एक कम जोखिमको क्विजले विद्यार्थीको सिकाइ तर्फको लक्ष्य निर्धारण गर्छ भने कक्षापछि दोस्रो क्विजले थप धारण सुनिश्चित गर्छ। यो पाठ्यक्रम लचकदार र रमाइलो हुने गरी डिजाइन गरिएको छ र पूरै वा अंशमा लिन सकिन्छ। प्रोजेक्टहरू साना बाट सुरु हुन्छन् र 12 हप्ते चक्रको अन्त्यतिर बढ्दै जटिल बन्छन्। यस पाठ्यक्रमले एमएलका वास्तविक-विश्व प्रयोगहरूमा पोस्टस्क्रिप्ट पनि समावेश गर्दछ, जुन अतिरिक्त क्रेडिट वा छलफलको आधारको रूपमा प्रयोग गर्न सकिन्छ।
> हाम्रा [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md), र [Troubleshooting](TROUBLESHOOTING.md) निर्देशनहरू फेला पार्नुहोस्। हामी तपाईंको रचनात्मक प्रतिक्रियाको स्वागत गर्छौं!
> हाम्रो [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md), र [Troubleshooting](TROUBLESHOOTING.md) दिशानिर्देशहरू पत्ता लगाउनुहोस्। हामी तपाईंको रचनात्मक प्रतिक्रिया स्वागत गर्दछौं!
> **भाषाहरूको बारेमा एउटा नोट**: यी पाठहरू प्राथमिक रूपमा Python मा लेखिएका छन्, तर अनेकौँ पाठहरू R मा पनि उपलब्ध छन्। R पाठ पूरा गर्न, `/solution` फोल्डरमा जानुहोस् र R पाठहरू खोज्नुहोस्। तिनीहरूमा .rmd एक्सटेन्सन समावेश हुन्छ जसले एउटा **R Markdown** फाइल प्रतिनिधित्व गर्दछ जुन सामान्यतया`code chunks` (R वा अन्य भाषाका) र एक `YAML header` (जसले PDF जस्ता आउटपुटहरू कसरी फर्म्याट गर्ने भनेर निर्देश गर्छ) लाई एउटा `Markdown document` भित्र एम्बेड गर्नको रूपमा परिभाषित गर्न सकिन्छ। यसरी, यसले डाटा साइन्सका लागि एक उत्कृष्ट लेखक ढाँचा प्रदान गर्छ किनभने यसले तपाईंलाई तपाईंको कोड, यसको आउटपुट, र तपाईंका विचारहरूलाई Markdown मा लेखेर संयोजन गर्न अनुमति दिन्छ। थप रूपमा, R Markdown दस्तावेजहरूलाई PDF, HTML, वा Word जस्ता आउटपुट ढाँचाहरूमा रेंडर गर्न सकिन्छ।
> **भाषाहरूको बारेमा एक टिप्पणी**: यी पाठहरू मुख्य रूपमा Python मा लेखिएका छन्, तर धेरै पाठहरू R मा पनि उपलब्ध छन्। R पाठ पूरा गर्नका लागि `/solution` फोल्डरमा गएर R पाठहरू खोज्नुहोस्। तीमा `.rmd` एक्सटेन्सन हुन्छ जुन **R Markdown** फाइल प्रतिनिधित्व गर्छ जुन सरलताले`code chunks` (R वा अन्य भाषाका) र `YAML header` (जसले PDF जस्ता आउटपुट कसरी ढाँचाबद्ध गर्ने भनेर मार्गनिर्देशन गर्छ) लाई `Markdown document` मा एम्बेड गरेको रूपमा परिभाषित गर्न सकिन्छ। यसरी, यो डाटा साइन्सका लागि एक उत्कृष्ट लेखकिङ फ्रेमवर्कको रूपमा काम गर्छ किनकि यसले तपाईंलाई तपाईंको कोड, त्यसको आउटपुट, र तपाईंका विचारहरू Markdown मा लेख्न मिल्ने गरी संयोजन गर्न अनुमति दिन्छ। थप रूपमा, R Markdown दस्तावेजहरू PDF, HTML, वा Word जस्ता आउटपुट ढाँचाहरूमा रन्डर गर्न सकिन्छ।
> **क्विजहरूका बारेमा एउटा नोट**: सबै क्विजहरू [Quiz App folder](../../quiz-app) मा समावेश छन्, कुल 52 क्विज जसमा प्रत्येकमा तीन प्रश्नहरू छन्। ती पाठहरूबाट लिंक गरिएको छन् तर क्विज एप्लिकेसन स्थानीय रूपमा चलाउन सकिन्छ; स्थानीय होस्ट वा Azure मा डिप्लोय गर्न `quiz-app` फोल्डरमा दिइएका निर्देशनहरू अनुसरण गर्नुहोस्।
> **क्विजहरूबारे एक टिप्पणी**: सबै क्विजहरू [Quiz App फोल्डर](../../quiz-app) भित्र समावेश छन्, कुल 52 क्विजहरू जुन प्रत्येकमा तीन प्रश्नहरू छन्। तिनीहरू पाठहरूबाट लिङ्क गरिएका छन् तर क्विज एप स्थानीय रूपमा चलाउन सकिन्छ; स्थानीय रूपमा होस्ट वा Azure मा डिप्लोय गर्नका लागि`quiz-app` फोल्डरमा दिइएका निर्देशनहरू पालन गर्नुहोस्।
| Lesson Number | विषय | पाठ समूह | सिकाइ उद्देश्यहरू | लिंक गरिएको पाठ | लेखक |
| पाठ संख्या | विषय | पाठ समूह | अध्ययन लक्ष्यहरू | लिङ्क गरिएको पाठ | लेखक |
| 02 | मेसिन लर्निङको इतिहास | [परिचय](1-Introduction/README.md) | यस क्षेत्रको पृष्ठभूमिमा भएको इतिहास सिक्नुहोस् | [पाठ](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | निष्पक्षता र मेसिन लर्निङ | [परिचय](1-Introduction/README.md) | मेसिन लर्निङ मोडेलहरू बनाउँदा र लागू गर्दा विद्यार्थीहरूले विचार गर्नुपर्ने निष्पक्षता सम्बन्धी महत्वपूर्ण दार्शनिक प्रश्नहरू के हुन्? | [पाठ](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | मेसिन लर्निङका प्रविधिहरू | [परिचय](1-Introduction/README.md) | ML अनुसन्धानकर्ताहरूले ML मोडेलहरू बनाउन कुन-कुन प्रविधिहरू प्रयोग गर्छन्? | [पाठ](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | रिग्रेसनको परिचय | [रिग्रेसन](2-Regression/README.md) | रिग्रेसन मोडेलहरूसँग Python र Scikit-learn प्रयोग गरेर सुरु गर्नुहोस् | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | उत्तर अमेरिकी फर्सी मूल्यहरू 🎃 | [रिग्रेसन](2-Regression/README.md) | ML का लागि तयार पार्दै डेटा भिजुअलाइज र सफा गर्नुहोस् | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | उत्तर अमेरिकी फर्सी मूल्यहरू 🎃 | [रिग्रेसन](2-Regression/README.md) | रेखीय र बहुपद रिग्रेसन मोडेलहरू बनाउनुहोस् | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | उत्तर अमेरिकी फर्सी मूल्यहरू 🎃 | [रिग्रेसन](2-Regression/README.md) | लोजिस्टिक रिग्रेसन मोडेल बनाउनुहोस् | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | एक वेब एप 🔌 | [वेब एप](3-Web-App/README.md) | तपाईंको तालिम प्राप्त मोडेल प्रयोग गर्न वेब एप निर्माण गर्नुहोस् | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | वर्गीकरणमा परिचय | [वर्गीकरण](4-Classification/README.md) | आफ्नो डेटा साफ, तयारी, र भिजुअलाइज गर्नुहोस्; वर्गीकरणमा परिचय | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | स्वादिष्ट एशियाली र भारतीय परिकारहरू 🍜 | [वर्गीकरण](4-Classification/README.md) | क्लासिफायरहरूको परिचय | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | स्वादिष्ट एशियाली र भारतीय परिकारहरू 🍜 | [वर्गीकरण](4-Classification/README.md) | अझ क्लासिफायरहरू | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | स्वादिष्ट एशियाली र भारतीय परिकारहरू 🍜 | [वर्गीकरण](4-Classification/README.md) | आफ्नो मोडेल प्रयोग गरेर सिफारिस गर्ने वेब एप बनाउनुहोस् | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | क्लस्टरिङमा परिचय | [क्लस्टरिङ](5-Clustering/README.md) | आफ्नो डेटा साफ, तयारी, र भिजुअलाइज गर्नुहोस्; क्लस्टरिङमा परिचय | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 16 | प्राकृतिक भाषा प्रशोधनमा परिचय ☕️ | [प्राकृतिक भाषा प्रशोधन](6-NLP/README.md) | सानो बोट बनाउँदै NLP का आधारहरू सिक्नुहोस् | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | सामान्य NLP कार्यहरू ☕️ | [प्राकृतिक भाषा प्रशोधन](6-NLP/README.md) | भाषा संरचनासँग व्यवहार गर्दा आवश्यक सामान्य कार्यहरू बुझेर आफ्नो NLP ज्ञान गहिरो बनाउनुहोस् | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | अनुवाद र भावना विश्लेषण ♥️ | [प्राकृतिक भाषा प्रशोधन](6-NLP/README.md) | जेन ओस्टेनसँग अनुवाद र भावना विश्लेषण | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 02 | मेसिन लर्निङको इतिहास | [परिचय](1-Introduction/README.md) | यस क्षेत्रको इतिहास बारे जान्नुहोस् | [पाठ](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | निष्पक्षता र मेसिन लर्निङ | [परिचय](1-Introduction/README.md) | मोडेल बनाउँदा र लागू गर्दा विद्यार्थीहरूले विचार गर्नुपर्ने निष्पक्षता सम्बन्धी के महत्वपूर्ण दार्शनिक मुद्दाहरू छन्? | [पाठ](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | मेसिन लर्निङका प्रविधिहरू | [परिचय](1-Introduction/README.md) | एमएल अनुसन्धानकर्ताहरूले ML मोडेल बनाउन कुन प्रविधिहरू प्रयोग गर्छन्? | [पाठ](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | रिग्रेसन परिचय | [रिग्रेसन](2-Regression/README.md) | रिग्रेसन मोडेलहरूका लागि Python र Scikit-learn सँग सुरूवात गर्नुहोस् | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | उत्तर अमेरिकी कद्दू मूल्यहरू 🎃 | [रिग्रेसन](2-Regression/README.md) | ML को तयारीका लागि डेटा भिजुअलाइज र सफा गर्नुहोस् | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | उत्तर अमेरिकी कद्दू मूल्यहरू 🎃 | [रिग्रेसन](2-Regression/README.md) | रेखीय र बहुपद रिग्रेसन मोडेलहरू निर्माण गर्नुहोस् | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | उत्तर अमेरिकी कद्दू मूल्यहरू 🎃 | [रिग्रेसन](2-Regression/README.md) | लजिस्टिक रिग्रेसन मोडेल निर्माण गर्नुहोस् | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | एक वेब एप 🔌 | [वेब एप](3-Web-App/README.md) | तपाईंले तालिम दिएको मोडेल प्रयोग गर्न वेब एप बनाउनुहोस् | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | वर्गीकरण परिचय | [वर्गीकरण](4-Classification/README.md) | आफ्नो डेटा सफा, तयारी, र भिजुअलाइज गर्नुहोस्; वर्गीकरणमा परिचय | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | स्वादिलो एसियाली र भारतीय परिकारहरू 🍜 | [वर्गीकरण](4-Classification/README.md) | क्लासिफायरहरूको परिचय | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | स्वादिलो एसियाली र भारतीय परिकारहरू 🍜 | [वर्गीकरण](4-Classification/README.md) | थप क्लासिफायरहरू | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | स्वादिलो एसियाली र भारतीय परिकारहरू 🍜 | [वर्गीकरण](4-Classification/README.md) | आफ्नो मोडेल प्रयोग गरेर सिफारिस गर्ने वेब एप बनाउनुहोस् | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | क्लस्टरिङ परिचय | [क्लस्टरिङ](5-Clustering/README.md) | आफ्नो डेटा सफा, तयारी, र भिजुअलाइज गर्नुहोस्; क्लस्टरिङमा परिचय | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 16 | प्राकृतिक भाषा प्रशोधनमा परिचय ☕️ | [प्राकृतिक भाषा प्रशोधन](6-NLP/README.md) | एक सानो बोट बनाउँदै NLP का आधारहरू सिक्नुहोस् | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | सामान्य NLP कार्यहरू ☕️ | [प्राकृतिक भाषा प्रशोधन](6-NLP/README.md) | भाषिक संरचनासँग व्यवहार गर्दा आवश्यक सामान्य कार्यहरू बुझेर आफ्नो NLP ज्ञानलाई गहिरो बनाउनुहोस् | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | अनुवाद र भावना विश्लेषण ♥️ | [प्राकृतिक भाषा प्रशोधन](6-NLP/README.md) | जेने ऑस्टेनसँग अनुवाद र भावना विश्लेषण | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | युरोपका रोमान्टिक होटलहरू ♥️ | [प्राकृतिक भाषा प्रशोधन](6-NLP/README.md) | होटल समीक्षाहरू प्रयोग गरी भावना विश्लेषण 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | युरोपका रोमान्टिक होटलहरू ♥️ | [प्राकृतिक भाषा प्रशोधन](6-NLP/README.md) | होटल समीक्षाहरू प्रयोग गरी भावना विश्लेषण 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 22 | ⚡️ विश्व शक्ति प्रयोग ⚡️ - ARIMA सहित टाइम सिरिज पूर्वानुमान | [टाइम सिरिज](7-TimeSeries/README.md) | ARIMA सहित टाइम सिरिज पूर्वानुमान | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ विश्व शक्ति प्रयोग ⚡️ - SVR सहित टाइम सिरिज पूर्वानुमान | [टाइम सिरिज](7-TimeSeries/README.md) | Support Vector Regressor सहित टाइम सिरिज पूर्वानुमान | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| Postscript | वास्तविक-विश्व ML परिदृश्य र अनुप्रयोगहरू | [वास्तविक-विश्वमा ML](9-Real-World/README.md) | क्लासिकल ML का रोचक र सूचनाप्रद वास्तविक-विश्व अनुप्रयोगहरू | [पाठ](9-Real-World/1-Applications/README.md) | टोली |
| Postscript | RAI ड्यासबोर्ड प्रयोग गरी ML मा मोडेल डिबगिङ | [वास्तविक-विश्वमा ML](9-Real-World/README.md) | Responsible AI ड्यासबोर्ड कम्पोनेन्टहरू प्रयोग गरी मशीन लर्निङमा मोडेल डिबगिङ | [पाठ](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
| 22 | ⚡️ विश्व बिजुली प्रयोग ⚡️ - ARIMA सँग टाइम सिरिज पूर्वानुमान | [टाइम सिरिज](7-TimeSeries/README.md) | ARIMA सँग टाइम सिरिज पूर्वानुमान | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ विश्व बिजुली प्रयोग ⚡️ - SVR सँग टाइम सिरिज पूर्वानुमान | [टाइम सिरिज](7-TimeSeries/README.md) | Support Vector Regressor सँग टाइम सिरिज पूर्वानुमान | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| Postscript | वास्तविक संसारका ML परिदृश्य र अनुप्रयोगहरू | [वास्तविक संसारमा ML](9-Real-World/README.md) | क्लासिकल ML का रोचक र प्रदर्शन गर्ने वास्तविक संसारका अनुप्रयोगहरू | [पाठ](9-Real-World/1-Applications/README.md) | Team |
| Postscript | RAI ड्यासबोर्ड प्रयोग गरी ML मा मोडेल डिबगिङ | [वास्तविक संसारमा ML](9-Real-World/README.md) | Responsible AI ड्यासबोर्ड कम्पोनेन्टहरू प्रयोग गरी मेशिन लर्निङमा मोडेल डिबगिङ | [पाठ](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [यस कोर्सका लागि थप स्रोतहरू हाम्रो Microsoft Learn संग्रहमा फेला पार्नुहोस्](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [यस कोर्सका थप सबै स्रोतहरू हाम्रो Microsoft Learn सङ्ग्रहमा फेला पार्नुहोस्](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## अफलाइन पहुँच
यो दस्तावेजलाई अफलाइन चलाउन तपाईं [Docsify](https://docsify.js.org/#/) प्रयोग गर्न सक्नुहुन्छ। यो रिपो फोर्क गर्नुहोस्, [Docsify इन्स्टल गर्नुहोस्](https://docsify.js.org/#/quickstart) आफ्नो स्थानीय मेसिनमा, र त्यसपछि यो रिपोको मूल फोल्डरमा `docsify serve` टाइप गर्नुहोस्। वेबसाइट तपाईँको लोकलहोस्टमा पोर्ट 3000 मा सर्भ हुनेछ: `localhost:3000`.
You can run this documentation offline by using [Docsify](https://docsify.js.org/#/). Fork this repo, [install Docsify](https://docsify.js.org/#/quickstart) on your local machine, and then in the root folder of this repo, type `docsify serve`. The website will be served on port 3000 on your localhost: `localhost:3000`.
## PDF फाइलहरू
## PDFहरू
लिङ्कहरूसहित पाठ्यक्रमको PDF फाइल [यहाँ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) पाउनुहोस्।
लिङ्कहरूसहितको पाठ्यक्रमको PDF [यहाँ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) फेला पार्नुहोस्।
## 🎒 अन्य कोर्सहरू
## 🎒 अन्य पाठ्यक्रमहरू
हाम्रो टोलीले अरू कोर्सहरू पनि उत्पादन गर्छ! हेर्नुहोस्:
हाम्रो टोलीले अन्य पाठ्यक्रमहरू उत्पादन गर्छ! हेर्नुहोस्:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/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/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
### जनरेटिभ AI श्रृंखला
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Copilot शृंखला
### Copilot श्रृंखला
[](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)
@ -207,11 +207,11 @@ Microsoft का क्लाउड एड्भोकेटहरूले 12
## मद्दत पाउनुहोस्
यदि तपाईं अड्किनुहुन्छ वा AI एपहरू निर्माण गर्दा कुनै प्रश्नहरू छन् भने। MCP सम्बन्धी छलफलहरूमा सहअध्ययनकर्ताहरू र अनुभवी विकासकर्ताहरू संग सहभागी हुनुहोस्। यो एक सहयोगी समुदाय हो जहाँ प्रश्नहरू स्वागत गरिन्छ र ज्ञान स्वतन्त्र रूपमा साझा गरिन्छ।
यदि तपाईं अड्किनुहुन्छ वा AI एपहरू निर्माण गर्दा कुनै प्रश्नहरू छन् भने। MCP सम्बन्धी छलफलहरूमा सहपाठी सिक्नेहरू र अनुभवी विकासकर्ताहरूमा सामेल हुनुहोस्। यो एक सहयोगी समुदाय हो जहाँ प्रश्नहरू स्वागतयोग्य छन् र ज्ञान स्वतन्त्र रूपमा साझा गरिन्छ।
@ -219,5 +219,5 @@ Microsoft का क्लाउड एड्भोकेटहरूले 12
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
अस्वीकरण:
यो दस्तावेज AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको हो। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटि वा अशुद्धता हुनसक्छ। मूल भाषा(मौलिक भाषामा)मा रहेको दस्तावेजलाई अधिकारिक स्रोत मानिनु पर्छ। महत्त्वपूर्ण जानकारीका लागि व्यावसायिक मानिसद्वारा गरिएको अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न कुनै पनि गलतफहमी वा गलत व्याख्याका लागि हामी जिम्मेवार हुनेछैनौं।
यो दस्तावेज AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको हो। हामी सटीकताको लागि प्रयासरत छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटि वा अशुद्धता हुनसक्छ। मूल दस्तावेजलाई यसको मातृभाषामा नै अधिकारिक स्रोत मान्नुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याका लागि हामी जिम्मेवार छैनौं।
We hebben een lopende Discord Learn with AI-serie; lees meer en doe mee via [Learn with AI Series](https://aka.ms/learnwithai/discord) van 18 - 30 september 2025. Je krijgt tips en trucs voor het gebruik van GitHub Copilot voor Data Science.
We hebben een Discord Learn with AI-serie die doorgaat; lees meer en sluit je van 18 - 30 september 2025 bij ons aan op [Learn with AI-serie](https://aka.ms/learnwithai/discord). Je ontvangt tips en trucs voor het gebruik van GitHub Copilot voor Data Science.
# Machine Learning voor beginners - Een curriculum
# Machine Learning for Beginners - Een curriculum
> 🌍 Reis rond de wereld terwijl we Machine Learning verkennen aan de hand van wereldculturen 🌍
> 🌍 Reis over de hele wereld terwijl we Machine Learning verkennen door middel van wereldculturen 🌍
Cloud Advocates bij Microsoft bieden graag een curriculum van 12 weken, 26 lessen aan, volledig gewijd aan**Machine Learning**. In dit curriculum leer je over wat soms **klassieke machine learning** wordt genoemd, waarbij we voornamelijk Scikit-learn gebruiken als bibliotheek en deep learning vermijden, dat behandeld wordt in ons [AI for Beginners' curriculum](https://aka.ms/ai4beginners). Combineer deze lessen ook met ons ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners).
Cloud Advocates bij Microsoft bieden met plezier een 12-weekse, 26-les curriculum aan over**Machine Learning**. In dit curriculum leer je over wat soms **klassieke machine learning** wordt genoemd, met voornamelijk Scikit-learn als bibliotheek en zonder deep learning, dat behandeld wordt in ons [AI for Beginners-curriculum](https://aka.ms/ai4beginners). Combineer deze lessen ook met ons [Data Science for Beginners-curriculum](https://aka.ms/ds4beginners)!
Reis met ons de wereld over terwijl we deze klassieke technieken toepassen op data uit verschillende regio's van de wereld. Elke les bevat een pre- en post-les quiz, geschreven instructies om de les te voltooien, een oplossing, een opdracht en meer. Onze projectgebaseerde pedagogiek stelt je in staat te leren terwijl je bouwt — een beproefde manier om nieuwe vaardigheden te laten beklijven.
Reis met ons mee over de hele wereld terwijl we deze klassieke technieken toepassen op gegevens uit veel regio's van de wereld. Elke les bevat pre- en post-lesson quizzes, schriftelijke instructies om de les te voltooien, een oplossing, een opdracht en meer. Onze projectgebaseerde pedagogiek stelt je in staat te leren terwijl je bouwt, een bewezen manier zodat nieuwe vaardigheden 'blijven hangen'.
**✍️ Hartelijke dank aan onze auteurs** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu en Amy Boyd
**✍️ Hartelijke dank aan onze auteurs** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd
**🎨 Dank ook aan onze illustratoren** Tomomi Imura, Dasani Madipalli, en Jen Looper
**🎨 Dank ook aan onze illustratoren** Tomomi Imura, Dasani Madipalli, and Jen Looper
**🙏 Bijzondere dank 🙏 aan onze Microsoft Student Ambassador-auteurs, beoordelaars en inhoudsbijdragers**, met name Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila en Snigdha Agarwal
**🙏 Speciale dank 🙏 aan onze Microsoft Student Ambassador-auteurs, beoordelaars en bijdragers aan de inhoud**, met name Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, en Snigdha Agarwal
**🤩 Extra dank aan Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi en Vidushi Gupta voor onze R-lessen!**
**🤩 Extra dank aan Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, en Vidushi Gupta voor onze R-lessen!**
# Aan de slag
Volg deze stappen:
1. **Maak een fork van de repository**: Klik op de knop "Fork" rechtsboven op deze pagina.
1. **Fork de repository**: Klik op de "Fork" knop in de rechterbovenhoek van deze pagina.
2. **Kloon de repository**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
> [vind alle aanvullende bronnen voor deze cursus in onze Microsoft Learn-collectie](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Hulp nodig?** Bekijk onze [Probleemoplossingsgids](TROUBLESHOOTING.md) voor oplossingen voor veelvoorkomende problemen met installatie, setup en het draaien van lessen.
> 🔧 **Heeft u hulp nodig?** Bekijk onze [Probleemoplossingsgids](TROUBLESHOOTING.md) voor oplossingen voor veelvoorkomende problemen met installatie, setup en het uitvoeren van lessen.
**[Studenten](https://aka.ms/student-page)**, om dit curriculum te gebruiken, maak de volledige repo een fork naar je eigen GitHub-account en voltooi de oefeningen alleen of met een groep:
**[Studenten](https://aka.ms/student-page)**, om dit curriculum te gebruiken, fork de gehele repo naar je eigen GitHub-account en voltooi de oefeningen alleen of in een groep:
- Begin met een quiz vóór de les.
- Lees de les en voltooi de activiteiten; pauzeer en reflecteer bij elke kennischeck.
- Probeer de projecten te maken door de lessen te begrijpen in plaats van direct de oplossingscode uit te voeren; die code is echter te vinden in de `/solution`-mappen in elke projectgerichte les.
- Begin met een quiz voor de les.
- Lees de les en voltooi de activiteiten, pauzeer en reflecteer bij elke kennischeck.
- Probeer de projecten te maken door de lessen te begrijpen in plaats van direct de oplossingscode uit te voeren; die code is echter beschikbaar in de `/solution`-mappen in elke projectgerichte les.
- Maak de quiz na de les.
- Voltooi de uitdaging.
- Voltooi de challenge.
- Voltooi de opdracht.
- Nadat je een lesgroep hebt voltooid, bezoek het [Discussieforum](https://github.com/microsoft/ML-For-Beginners/discussions) en "learn out loud" door de juiste PAT-rubriek in te vullen. Een 'PAT' is een Progress Assessment Tool: een rubriek die je invult om je leren te bevorderen. Je kunt ook reageren op andere PATs zodat we samen kunnen leren.
- Nadat je een lesgroep hebt voltooid, bezoek het [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) en "learn out loud" door de juiste PAT-rubric in te vullen. Een 'PAT' is een Progress Assessment Tool, een rubric die je invult om je leren te bevorderen. Je kunt ook reageren op andere PAT's zodat we samen kunnen leren.
> Voor verdere studie raden we aan deze [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modules en leerroutes te volgen.
> Voor verder studie raden we aan deze [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modules en leerroutes te volgen.
**Docenten**, we hebben [enkele suggesties opgenomen](for-teachers.md) over hoe u dit curriculum kunt gebruiken.
---
## Videorondleidingen
## Video-rondleidingen
Sommige lessen zijn beschikbaar als korte video's. Je kunt ze in de lessen zelf vinden, of op de [ML for Beginners-afspeellijst op het Microsoft Developer YouTube-kanaal](https://aka.ms/ml-beginners-videos) door op de afbeelding hieronder te klikken.
Sommige van de lessen zijn beschikbaar als korte video's. Je kunt ze allemaal inline in de lessen vinden, of op de [ML for Beginners afspeellijst op het Microsoft Developer YouTube-kanaal](https://aka.ms/ml-beginners-videos) door op de afbeelding hieronder te klikken.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
---
@ -90,73 +90,73 @@ Sommige lessen zijn beschikbaar als korte video's. Je kunt ze in de lessen zelf
> 🎥 Klik op de bovenstaande afbeelding voor een video over het project en de mensen die het hebben gemaakt!
> 🎥 Klik op de afbeelding hierboven voor een video over het project en de mensen die het hebben gemaakt!
---
## Pedagogiek
We hebben twee pedagogische beginselen gekozen tijdens het bouwen van dit curriculum: ervoor zorgen dat het hands-on en **projectgebaseerd** is en dat het **frequente quizzen** bevat. Daarnaast heeft dit curriculum een gemeenschappelijk **thema** om samenhang te creëren.
We hebben twee pedagogische beginselen gekozen bij het opbouwen van dit curriculum: ervoor zorgen dat het hands-on en **projectgebaseerd** is en dat het **frequente quizzes** bevat. Daarnaast heeft dit curriculum een gemeenschappelijk **thema** om het samenhang te geven.
Door te zorgen dat de inhoud is afgestemd op projecten, wordt het proces aantrekkelijker voor studenten en wordt het vasthouden van concepten vergroot. Bovendien zet een quiz met lage inzet vóór de les de intentie van de student om een onderwerp te leren, terwijl een tweede quiz na de les verdere retentie bevordert. Dit curriculum is ontworpen om flexibel en leuk te zijn en kan volledig of gedeeltelijk worden gevolgd. De projecten beginnen klein en worden geleidelijk complexer tegen het einde van de 12-weekse cyclus. Dit curriculum bevat ook een epiloog over toepassingen van ML in de echte wereld, die kan worden gebruikt als extra credit of als basis voor discussie.
Door ervoor te zorgen dat de inhoud is afgestemd op projecten, wordt het proces boeiender voor studenten en zal het vasthouden van concepten worden vergroot. Bovendien zet een quiz met lage inzet vóór een les de intentie van de student richting het leren van een onderwerp, terwijl een tweede quiz na de les verdere retentie waarborgt. Dit curriculum is ontworpen om flexibel en leuk te zijn en kan geheel of gedeeltelijk worden gevolgd. De projecten beginnen klein en worden geleidelijk complexer tegen het einde van de 12-weekse cyclus. Dit curriculum bevat ook een postscriptum over toepassingen van ML in de echte wereld, dat kan worden gebruikt als extra krediet of als basis voor discussie.
> Vind onze [Gedragscode](CODE_OF_CONDUCT.md), [Bijdragen](CONTRIBUTING.md), [Vertaling](TRANSLATIONS.md), en [Probleemoplossing](TROUBLESHOOTING.md) richtlijnen. We verwelkomen je constructieve feedback!
> Bekijk onze [Gedragscode](CODE_OF_CONDUCT.md), [Bijdragen](CONTRIBUTING.md), [Vertalingen](TRANSLATIONS.md), en [Probleemoplossing](TROUBLESHOOTING.md) richtlijnen. We verwelkomen je constructieve feedback!
- [quiz na de les](https://ff-quizzes.netlify.app/en/ml/)
> **Een opmerking over talen**: Deze lessen zijn voornamelijk geschreven in Python, maar veel zijn ook beschikbaar in R. Om een R-les te voltooien, ga naar de `/solution`-map en zoek naar R-lessen. Ze bevatten een .rmd-extensie die staat voor een **R Markdown**-bestand, wat eenvoudig kan worden gedefinieerd als een insluiting van `code chunks` (van R of andere talen) en een `YAML header` (die aangeeft hoe uitvoer zoals PDF moet worden opgemaakt) in een `Markdown document`. Als zodanig dient het als een voorbeeldig auteurframework voor data science, omdat het je in staat stelt je code, de uitvoer en je gedachten te combineren door ze in Markdown neer te schrijven. Bovendien kunnen R Markdown-documenten worden gerenderd naar uitvoerformaten zoals PDF, HTML of Word.
> **Een opmerking over talen**: Deze lessen zijn hoofdzakelijk in Python geschreven, maar veel zijn ook beschikbaar in R. Om een R-les te voltooien, ga naar de `/solution` folder en zoek naar R-lessen. Ze bevatten een .rmd-extensie die een **R Markdown**-bestand vertegenwoordigt dat eenvoudig gedefinieerd kan worden als een insluiting van `code chunks` (van R of andere talen) en een `YAML header` (die aangeeft hoe uitvoer zoals PDF geformatteerd moet worden) in een `Markdown document`. Als zodanig dient het als een voorbeeldig auteurframework voor data science omdat het je in staat stelt je code, de uitvoer ervan en je gedachten te combineren door ze in Markdown op te schrijven. Bovendien kunnen R Markdown-documenten worden gerenderd naar uitvoerformaten zoals PDF, HTML of Word.
> **Een opmerking over quizzen**: Alle quizzen bevinden zich in de [Quiz App folder](../../quiz-app), in totaal 52 quizzen van elk drie vragen. Ze worden gelinkt vanuit de lessen, maar de quiz-app kan lokaal worden uitgevoerd; volg de instructies in de `quiz-app`-map om lokaal te hosten of te implementeren naar Azure.
> **Een opmerking over quizzes**: Alle quizzes bevinden zich in de [Quiz App-map](../../quiz-app), in totaal 52 quizzes met elk drie vragen. Ze zijn gekoppeld vanuit de lessen, maar de quiz-app kan lokaal worden uitgevoerd; volg de instructies in de `quiz-app` folder om lokaal te hosten of te implementeren naar Azure.
| 01 | Inleiding tot machine learning | [Inleiding](1-Introduction/README.md) | Leer de basisconcepten van machine learning | [Les](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | De geschiedenis van machine learning | [Inleiding](1-Introduction/README.md) | Leer de geschiedenis achter dit vakgebied | [Les](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Eerlijkheid en machine learning | [Inleiding](1-Introduction/README.md) | Wat zijn de belangrijke filosofische kwesties rond eerlijkheid die studenten moeten overwegen bij het bouwen en toepassen van ML-modellen? | [Les](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Technieken voor machine learning | [Inleiding](1-Introduction/README.md) | Welke technieken gebruiken ML-onderzoekers om ML-modellen te bouwen? | [Les](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Inleiding tot regressie | [Regression](2-Regression/README.md) | Begin met Python en Scikit-learn voor regressiemodellen | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Pompoenprijzen in Noord-Amerika 🎃 | [Regression](2-Regression/README.md) | Visualiseer en maak gegevens schoon ter voorbereiding op ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Pompoenprijzen in Noord-Amerika 🎃 | [Regression](2-Regression/README.md) | Bouw lineaire en polynomiale regressiemodellen | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | Pompoenprijzen in Noord-Amerika 🎃 | [Regression](2-Regression/README.md) | Bouw een logistiek regressiemodel | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Een web-app 🔌 | [Web App](3-Web-App/README.md) | Bouw een web-app om je getrainde model te gebruiken | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Inleiding tot classificatie | [Classification](4-Classification/README.md) | Maak je gegevens schoon, bereid ze voor en visualiseer; inleiding tot classificatie | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | Heerlijke Aziatische en Indiase keukens 🍜 | [Classification](4-Classification/README.md) | Inleiding tot classificatoren | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | Heerlijke Aziatische en Indiase keukens 🍜 | [Classification](4-Classification/README.md) | Meer classificatoren | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | Heerlijke Aziatische en Indiase keukens 🍜 | [Classification](4-Classification/README.md) | Bouw een aanbevelings-webapp met je model | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Inleiding tot clustering | [Clustering](5-Clustering/README.md) | Maak je gegevens schoon, bereid ze voor en visualiseer; inleiding tot clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 01 | Introductie tot machine learning | [Introductie](1-Introduction/README.md) | Leer de basisconcepten achter machine learning | [Les](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | De geschiedenis van machine learning | [Introductie](1-Introduction/README.md) | Leer de geschiedenis achter dit vakgebied | [Les](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Eerlijkheid en machine learning | [Introductie](1-Introduction/README.md) | Wat zijn de belangrijke filosofische kwesties rond eerlijkheid die studenten moeten overwegen bij het bouwen en toepassen van ML-modellen? | [Les](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Technieken voor machine learning | [Introductie](1-Introduction/README.md) | Welke technieken gebruiken ML-onderzoekers om ML-modellen te bouwen? | [Les](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Introductie tot regressie | [Regressie](2-Regression/README.md) | Aan de slag met Python en Scikit-learn voor regressiemodellen | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Pompoenprijzen in Noord-Amerika 🎃 | [Regressie](2-Regression/README.md) | Visualiseer en maak gegevens schoon ter voorbereiding op ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Pompoenprijzen in Noord-Amerika 🎃 | [Regressie](2-Regression/README.md) | Bouw lineaire en polynomiale regressiemodellen | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | Pompoenprijzen in Noord-Amerika 🎃 | [Regressie](2-Regression/README.md) | Bouw een logistiek regressiemodel | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Een webapp 🔌 | [Web App](3-Web-App/README.md) | Bouw een webapp om je getrainde model te gebruiken | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Introductie tot classificatie | [Classificatie](4-Classification/README.md) | Maak je gegevens schoon, bereid ze voor en visualiseer ze; introductie tot classificatie | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | Heerlijke Aziatische en Indiase keukens 🍜 | [Classificatie](4-Classification/README.md) | Introductie tot classificatoren | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | Heerlijke Aziatische en Indiase keukens 🍜 | [Classificatie](4-Classification/README.md) | Meer classificatoren | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | Heerlijke Aziatische en Indiase keukens 🍜 | [Classificatie](4-Classification/README.md) | Bouw een recommender-webapp met je model | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introductie tot clustering | [Clustering](5-Clustering/README.md) | Maak je gegevens schoon, bereid ze voor en visualiseer ze; introductie tot clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Verkenning van Nigeriaanse muzikale voorkeuren 🎧 | [Clustering](5-Clustering/README.md) | Verken de K-Means clusteringmethode | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Inleiding tot natuurlijke taalverwerking ☕️ | [Natural language processing](6-NLP/README.md) | Leer de basis van NLP door een eenvoudige bot te bouwen | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Veelvoorkomende NLP-taken ☕️ | [Natural language processing](6-NLP/README.md) | Verdiep je NLP-kennis door veelvoorkomende taken te begrijpen die nodig zijn bij het omgaan met taalstructuren | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Vertaling en sentimentanalyse ♥️ | [Natural language processing](6-NLP/README.md) | Vertaling en sentimentanalyse met Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantische hotels in Europa ♥️ | [Natural language processing](6-NLP/README.md) | Sentimentanalyse met hotelbeoordelingen 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantische hotels in Europa ♥️ | [Natural language processing](6-NLP/README.md) | Sentimentanalyse met hotelbeoordelingen 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Inleiding tot tijdreeksvoorspelling | [Time series](7-TimeSeries/README.md) | Inleiding tot tijdreeksvoorspelling | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 23 | ⚡️ Wereldwijd stroomverbruik ⚡️ - tijdreeksvoorspelling met SVR | [Time series](7-TimeSeries/README.md) | Tijdreeksvoorspelling met Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Inleiding tot reinforcement learning | [Reinforcement learning](8-Reinforcement/README.md) | Inleiding tot reinforcement learning met Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Help Peter de wolf te ontwijken! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Reinforcement learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| 16 | Introductie tot natuurlijke taalverwerking ☕️ | [Natuurlijke taalverwerking](6-NLP/README.md) | Leer de basis van NLP door een eenvoudige bot te bouwen | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Veelvoorkomende NLP-taken ☕️ | [Natuurlijke taalverwerking](6-NLP/README.md) | Verdiep je NLP-kennis door veelvoorkomende taken te begrijpen die nodig zijn bij het omgaan met taalstructuren | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Vertaling en sentimentanalyse ♥️ | [Natuurlijke taalverwerking](6-NLP/README.md) | Vertaling en sentimentanalyse met Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantische hotels in Europa ♥️ | [Natuurlijke taalverwerking](6-NLP/README.md) | Sentimentanalyse met hotelrecensies 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantische hotels in Europa ♥️ | [Natuurlijke taalverwerking](6-NLP/README.md) | Sentimentanalyse met hotelrecensies 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Introductie tot tijdreeksvoorspelling | [Tijdreeksen](7-TimeSeries/README.md) | Introductie tot tijdreeksvoorspelling | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 23 | ⚡️ Wereldwijd stroomverbruik ⚡️ - tijdreeksvoorspelling met SVR | [Tijdreeksen](7-TimeSeries/README.md) | Tijdreeksvoorspelling met Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Introductie tot reinforcement learning | [Versterkend leren](8-Reinforcement/README.md) | Introductie tot versterkend leren met Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Help Peter de wolf te vermijden! 🐺 | [Versterkend leren](8-Reinforcement/README.md) | Reinforcement learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | ML-scenario's en toepassingen in de echte wereld | [ML in the Wild](9-Real-World/README.md) | Interessante en onthullende toepassingen uit de echte wereld van klassieke ML | [Les](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Modeldebugging in ML met de RAI-dashboard | [ML in the Wild](9-Real-World/README.md) | Modeldebugging in machine learning met Responsible AI-dashboardcomponenten | [Les](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
| Postscript | Modeldebugging in ML met behulp van de RAI-dashboard | [ML in the Wild](9-Real-World/README.md) | Modeldebugging in machine learning met behulp van Responsible AI-dashboardcomponenten | [Les](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [vind alle aanvullende bronnen voor deze cursus in onze Microsoft Learn-collectie](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Offlinetoegang
## Offline-toegang
Je kunt deze documentatie offline uitvoeren met [Docsify](https://docsify.js.org/#/). Maak een fork van deze repo, [installeer Docsify](https://docsify.js.org/#/quickstart) op je lokale machine, en typ vervolgens in de hoofdmap van deze repo `docsify serve`. De website wordt geserveerd op poort 3000 op je localhost: `localhost:3000`.
Je kunt deze documentatie offline uitvoeren met [Docsify](https://docsify.js.org/#/). Fork dit repo, [installeer Docsify](https://docsify.js.org/#/quickstart) op je lokale machine, en typ vervolgens in de hoofdmap van dit repo `docsify serve`. De website wordt geserveerd op poort 3000 op je localhost: `localhost:3000`.
## PDFs
## PDF's
Vind een pdf van het curriculum met links [hier](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
@ -167,28 +167,28 @@ Ons team maakt ook andere cursussen! Bekijk:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-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/mcp-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
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
### Generative AI-serie
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### Kernonderwijs
### Kernonderwerpen
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
@ -199,19 +199,19 @@ Ons team maakt ook andere cursussen! Bekijk:
---
### Copilotreeks
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
### Copilot-reeks
[](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)
Als je vastloopt of vragen hebt over het bouwen van AI-apps, sluit je dan aan bij medeleerlingen en ervaren ontwikkelaars om te discussiëren over MCP. Het is een ondersteunende community waar vragen welkom zijn en kennis vrijelijk wordt gedeeld.
Als je vastloopt of vragen hebt over het bouwen van AI-apps, sluit je dan aan bij medeleerlingen en ervaren ontwikkelaars in discussies over MCP. Het is een ondersteunende community waar vragen welkom zijn en kennis vrijelijk wordt gedeeld.
@ -219,5 +219,5 @@ Als je productfeedback of fouten tegenkomt tijdens het bouwen, bezoek:
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
Disclaimer:
Dit document is vertaald met behulp van de AI-vertalingsdienst [Co-op Translator](https://github.com/Azure/co-op-translator). Hoewel we streven naar nauwkeurigheid, dient u er rekening mee te houden dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het oorspronkelijke document in de originele taal moet worden beschouwd als de gezaghebbende bron. Voor kritieke informatie wordt een professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor eventuele misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling.
Dit document is vertaald met behulp van de AI-vertalingsdienst [Co-op Translator](https://github.com/Azure/co-op-translator). Hoewel wij naar nauwkeurigheid streven, dient u er rekening mee te houden dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het oorspronkelijke document in de oorspronkelijke taal moet als de gezaghebbende bron worden beschouwd. Voor kritieke informatie wordt een professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor eventuele misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling.
Vi har en Discord-serie "Learn with AI" pågående — lær mer og bli med oss på [Learn with AI Series](https://aka.ms/learnwithai/discord) fra 18. til 30. september 2025. Du vil få tips og triks for å bruke GitHub Copilot for Data Science.
Vi har en pågående Discord-serie "Learn with AI". Lær mer og bli med oss på [Learn with AI-serien](https://aka.ms/learnwithai/discord) fra 18. til 30. september 2025. Du får tips og triks for å bruke GitHub Copilot for Data Science.
# Maskinlæring for nybegynnere - En læreplan
> 🌍 Reis rundt i verden mens vi utforsker maskinlæring gjennom verdens kulturer 🌍
> 🌍 Reis rundt om i verden mens vi utforsker maskinlæring gjennom kulturene i verden 🌍
Cloud Advocates hos Microsoft tilbyr en 12-ukers, 26-leksjoners læreplan om **Maskinlæring**. I denne læreplanen vil du lære om det som noen ganger kalles **klassisk maskinlæring**, ved hovedsakelig å bruke Scikit-learn som bibliotek og unngå dyp læring, som dekkes i vår [AI for Beginners' curriculum](https://aka.ms/ai4beginners). Kombiner disse leksjonene med vår ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) også!
Cloud Advocates hos Microsoft er glade for å tilby en 12-ukers, 26-leksjoners læreplan som handler om **maskinlæring**. I denne læreplanen skal du lære om det som noen ganger kalles **klassisk maskinlæring**, ved primært å bruke Scikit-learn som et bibliotek og unngå dyp læring, som dekkes i vårt [AI for Beginners-kurset](https://aka.ms/ai4beginners). Kombiner disse leksjonene med vårt ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) også!
Reis med oss rundt i verden mens vi anvender disse klassiske teknikkene på data fra mange deler av verden. Hver leksjon inkluderer forhånds- og etter-forelesningsquizzer, skriftlige instruksjoner for å fullføre leksjonen, en løsning, en oppgave, og mer. Vår prosjektbaserte pedagogikk lar deg lære mens du bygger, en bevist måte for nye ferdigheter å "feste seg".
Reis med oss rundt om i verden mens vi anvender disse klassiske teknikkene på data fra mange deler av kloden. Hver leksjon inkluderer quiz før og etter leksjonen, skriftlige instruksjoner for å fullføre leksjonen, en løsning, en oppgave og mer. Vår prosjektbaserte pedagogikk lar deg lære mens du bygger, en velprøvd måte for nye ferdigheter å «feste seg».
**✍️ Hjertelig takk til våre forfattere** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu og Amy Boyd
**🎨 Takk også til våre illustratører** Tomomi Imura, Dasani Madipalli, og Jen Looper
**🎨 Takk også til våre illustratører** Tomomi Imura, Dasani Madipalli og Jen Looper
**🙏 Spesiell takk 🙏 til våre Microsoft Student Ambassador-forfattere, -anmeldere og innholdsbidragsytere**, spesielt Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, og Snigdha Agarwal
**🙏 Spesiell takk 🙏 til våre Microsoft Student Ambassador-forfattere, -gjennomlesere og -innholdsbidragsytere**, spesielt Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila og Snigdha Agarwal
**🤩 Ekstra takk til Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, og Vidushi Gupta for våre R-leksjoner!**
**🤩 Ekstra takk til Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi og Vidushi Gupta for våre R-leksjoner!**
# Komme i gang
# Kom i gang
Følg disse trinnene:
1. **Opprett en fork av repoet**: Klikk på "Fork"-knappen øverst til høyre på denne siden.
> [finn alle tilleggsressurser for dette kurset i vår Microsoft Learn-samling](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [finn alle tilleggressurser for dette kurset i vår Microsoft Learn-samling](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Trenger du hjelp?** Sjekk vår [Feilsøkingsveiledning](TROUBLESHOOTING.md) for løsninger på vanlige problemer med installasjon, oppsett og kjøring av leksjoner.
> 🔧 **Trenger du hjelp?** Se vår [Feilsøkingsguide](TROUBLESHOOTING.md) for løsninger på vanlige problemer med installasjon, oppsett og kjøring av leksjoner.
**[Studenter](https://aka.ms/student-page)**, for å bruke denne læreplanen, opprett en fork av hele repoet til din egen GitHub-konto og fullfør oppgavene på egenhånd eller i en gruppe:
**[Studenter](https://aka.ms/student-page)**, for å bruke denne læreplanen, opprett en fork av hele repoet til din egen GitHub-konto og fullfør øvelsene på egenhånd eller i gruppe:
- Start med en forhåndsforelesningsquiz.
- Les forelesningen og fullfør aktivitetene, pause og reflekter ved hver kunnskapssjekk.
- Prøv å lage prosjektene ved å forstå leksjonene i stedet for å kjøre løsningskoden; den koden er imidlertid tilgjengelig i `/solution`-mappene i hver prosjektorienterte leksjon.
- Ta etter-forelesningsquizen.
- Start med en quiz før forelesningen.
- Les forelesningen og fullfør aktivitetene, stopp opp og reflekter ved hver kunnskapssjekk.
- Forsøk å lage prosjektene ved å forstå leksjonene i stedet for å bare kjøre løsningskoden; den koden er imidlertid tilgjengelig i `/solution`-mappene i hver prosjektorienterte leksjon.
- Ta quizen etter forelesningen.
- Fullfør utfordringen.
- Fullfør oppgaven.
- Etter å ha fullført en gruppe leksjoner, besøk [Diskusjonstavlen](https://github.com/microsoft/ML-For-Beginners/discussions) og "learn out loud" ved å fylle ut den passende PAT-rubrikken. En 'PAT' er et Progress Assessment Tool som er en rubrikk du fyller ut for å fremme læringen din. Du kan også reagere på andre PATer så vi kan lære sammen.
- Etter å ha fullført en leksjonsgruppe, besøk [Diskusjonstavlen](https://github.com/microsoft/ML-For-Beginners/discussions) og «learn out loud» ved å fylle ut passende PAT-rubrik. En 'PAT' er et Progress Assessment Tool som er en rubrikk du fyller ut for å videreutvikle læringen din. Du kan også reagere på andre PAT-er slik at vi kan lære sammen.
> For videre studier anbefaler vi å følge disse [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modulene og læringsveiene.
> For videre studier anbefaler vi å følge disse [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modulene og læringsløpene.
**Lærere**, vi har [inkludert noen forslag](for-teachers.md) om hvordan du kan bruke denne læreplanen.
---
## Videogjennomganger
## Video-gjennomganger
Noen av leksjonene er tilgjengelige som korte videoer. Du finner alle disse innebygd i leksjonene, eller på [ML for Beginners-spillelisten på Microsoft Developer YouTube-kanalen](https://aka.ms/ml-beginners-videos) ved å klikke bildet under.
Noen av leksjonene er tilgjengelige som kortform video. Du finner alle disse inne i leksjonene, eller på [ML for Beginners-spillelisten på Microsoft Developer YouTube-kanalen](https://aka.ms/ml-beginners-videos) ved å klikke bildet nedenfor.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
---
@ -90,47 +90,47 @@ Noen av leksjonene er tilgjengelige som korte videoer. Du finner alle disse inne
> 🎥 Klikk bildet ovenfor for en video om prosjektet og menneskene som skapte det!
> 🎥 Klikk bildet ovenfor for en video om prosjektet og folka som skapte det!
---
## Pedagogikk
Vi har valgt to pedagogiske prinsipper mens vi bygde denne læreplanen: å sikre at den er praktisk og **prosjektbasert** og at den inkluderer **hyppige quizer**. I tillegg har denne læreplanen et felles **tema** for å gi den sammenheng.
Vi har valgt to pedagogiske prinsipper under utviklingen av denne læreplanen: å sikre at den er praktisk og **prosjektbasert**, og at den inkluderer **hyppige quizer**. I tillegg har denne læreplanen et felles **tema** for å gi den sammenheng.
Ved å sikre at innholdet er knyttet til prosjekter gjøres prosessen mer engasjerende for studenter og konseptene vil huskes bedre. I tillegg setter en lavterskel-quiz før en time studentens intensjon mot å lære et emne, mens en andre quiz etter timen sikrer videre innlæring. Denne læreplanen er utformet for å være fleksibel og morsom og kan tas i sin helhet eller delvis. Prosjektene starter små og blir gradvis mer komplekse mot slutten av den 12-ukers syklusen. Denne læreplanen inkluderer også en epilog om virkelige anvendelser av ML, som kan brukes som ekstra poeng eller som grunnlag for diskusjon.
Ved å sørge for at innholdet er knyttet til prosjekter, blir prosessen mer engasjerende for studentene og begrepsfestingen vil økes. I tillegg setter en lavterskel-quiz før en klasse studentens intensjon mot å lære et emne, mens en andre quiz etter klassen sørger for ytterligere fastholdelse. Denne læreplanen er designet for å være fleksibel og morsom og kan tas i sin helhet eller delvis. Prosjektene starter små og blir gradvis mer komplekse ved slutten av 12-ukerssyklusen. Denne læreplanen inkluderer også et etterord om virkelige anvendelser av ML, som kan brukes som tilleggspoeng eller som grunnlag for diskusjon.
> Finn våre retningslinjer for [Adferdskodeks](CODE_OF_CONDUCT.md), [Bidrag](CONTRIBUTING.md), [Oversettelse](TRANSLATIONS.md), og [Feilsøking](TROUBLESHOOTING.md). Vi ønsker dine konstruktive tilbakemeldinger velkommen!
> Finn vår [Atferdskodeks](CODE_OF_CONDUCT.md), [Bidra](CONTRIBUTING.md), [Oversettelse](TRANSLATIONS.md), og [Feilsøking](TROUBLESHOOTING.md) retningslinjer. Vi setter pris på din konstruktive tilbakemelding!
## Hver leksjon inneholder
- valgfri sketchnote
- valgfri supplerende video
- videogjennomgang (kun noen leksjoner)
- [oppvarmingsquiz før forelesning](https://ff-quizzes.netlify.app/en/ml/)
> **Et notat om språk**: Disse leksjonene er primært skrevet i Python, men mange er også tilgjengelige i R. For å fullføre en R-leksjon, gå til `/solution`-mappen og se etter R-leksjoner. De inkluderer en .rmd-utvidelse som representerer en **R Markdown**-fil som kort kan defineres som en innebygging av `code chunks` (av R eller andre språk) og en `YAML header` (som styrer hvordan utdata formateres, som PDF) i et `Markdown document`. Som sådan fungerer det som en utmerket forfatterramme for datavitenskap siden det lar deg kombinere koden din, dens utdata, og tankene dine ved å skrive dem ned i Markdown. I tillegg kan R Markdown-dokumenter rendres til utdataformater som PDF, HTML eller Word.
> **En merknad om språk**: Disse leksjonene er primært skrevet i Python, men mange er også tilgjengelige i R. For å fullføre en R-leksjon går du til `/solution`-mappen og ser etter R-leksjoner. De inkluderer en .rmd-utvidelse som representerer en **R Markdown**-fil som enkelt kan defineres som en innbygging av `code chunks` (av R eller andre språk) og en `YAML header` (som styrer hvordan man formaterer output som PDF) i et `Markdown-dokument`. Som sådan fungerer det som et eksemplarisk forfatterrammeverk for data science siden det lar deg kombinere koden din, outputen og tankene dine ved å skrive dem ned i Markdown. I tillegg kan R Markdown-dokumenter rendres til output-formater som PDF, HTML eller Word.
> **Et notat om quizer**: Alle quizer ligger i [Quiz App folder](../../quiz-app), totalt 52 quizer med tre spørsmål hver. De er lenket fra leksjonene, men quiz-appen kan kjøres lokalt; følg instruksjonene i `quiz-app`-mappen for å hoste lokalt eller distribuere til Azure.
> **En merknad om quizer**: Alle quizer finnes i [Quiz App-mappen](../../quiz-app), for totalt 52 quizer med tre spørsmål hver. De er lenket fra leksjonene, men quiz-appen kan kjøres lokalt; følg instruksjonene i `quiz-app`-mappen for å hoste lokalt eller distribuere til Azure.
| 01 | Introduksjon til maskinlæring | [Introduksjon](1-Introduction/README.md) | Lær de grunnleggende konseptene bak maskinlæring | [Leksjon](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Historien til maskinlæring | [Introduksjon](1-Introduction/README.md) | Lær historien bak dette feltet | [Leksjon](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Rettferdighet og maskinlæring | [Introduksjon](1-Introduction/README.md) | Hvilke viktige filosofiske spørsmål rundt rettferdighet bør studenter vurdere når de bygger og bruker ML-modeller? | [Leksjon](1-Introduction/3-fairness/README.md) | Tomomi |
| 02 | Historien om maskinlæring | [Introduksjon](1-Introduction/README.md) | Lær historien bak dette feltet | [Leksjon](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Rettferdighet og maskinlæring | [Introduksjon](1-Introduction/README.md) | Hva er de viktige filosofiske spørsmålene rundt rettferdighet som studenter bør vurdere når de bygger og bruker ML-modeller? | [Leksjon](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Teknikker for maskinlæring | [Introduksjon](1-Introduction/README.md) | Hvilke teknikker bruker ML-forskere for å bygge ML-modeller? | [Leksjon](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Introduksjon til regresjon | [Regresjon](2-Regression/README.md) | Kom i gang med Python og Scikit-learn for regresjonsmodeller | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Nordamerikanske gresskarpriser 🎃 | [Regresjon](2-Regression/README.md) | Visualiser og rens data som forberedelse til ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Nordamerikanske gresskarpriser 🎃 | [Regresjon](2-Regression/README.md) | Bygg lineære og polynomiale regresjonsmodeller | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | Nordamerikanske gresskarpriser 🎃 | [Regresjon](2-Regression/README.md) | Bygg en logistisk regresjonsmodell | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | En web-app 🔌 | [Web-app](3-Web-App/README.md) | Bygg en web-app for å bruke din trente modell | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 06 | Gresskarpriser i Nord-Amerika 🎃 | [Regresjon](2-Regression/README.md) | Visualiser og rengjør data i forberedelse til ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Gresskarpriser i Nord-Amerika 🎃 | [Regresjon](2-Regression/README.md) | Bygg lineære og polynomiske regresjonsmodeller | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | Gresskarpriser i Nord-Amerika 🎃 | [Regresjon](2-Regression/README.md) | Bygg en logistisk regresjonsmodell | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | En webapp 🔌 | [Web-app](3-Web-App/README.md) | Bygg en webapp for å bruke den trente modellen din | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Introduksjon til klassifisering | [Klassifisering](4-Classification/README.md) | Rens, forbered og visualiser dataene dine; introduksjon til klassifisering | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | Deilige asiatiske og indiske retter 🍜 | [Klassifisering](4-Classification/README.md) | Introduksjon til klassifikatorer | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | Deilige asiatiske og indiske retter 🍜 | [Klassifisering](4-Classification/README.md) | Flere klassifikatorer | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
@ -138,27 +138,27 @@ Ved å sikre at innholdet er knyttet til prosjekter gjøres prosessen mer engasj
| 14 | Introduksjon til klynging | [Klynging](5-Clustering/README.md) | Rens, forbered og visualiser dataene dine; introduksjon til klynging | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 16 | Introduksjon til naturlig språkbehandling ☕️ | [Naturlig språkbehandling](6-NLP/README.md) | Lær det grunnleggende om NLP ved å bygge en enkel bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Vanlige NLP-oppgaver ☕️ | [Naturlig språkbehandling](6-NLP/README.md) | Fordyp din NLP-kunnskap ved å forstå vanlige oppgaver som kreves når du arbeider med språklige strukturer | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 17 | Vanlige NLP-oppgaver ☕️ | [Naturlig språkbehandling](6-NLP/README.md) | Utdyp din NLP-kunnskap ved å forstå vanlige oppgaver som kreves når man jobber med språkstrukturer | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Oversettelse og sentimentanalyse ♥️ | [Naturlig språkbehandling](6-NLP/README.md) | Oversettelse og sentimentanalyse med Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantiske hoteller i Europa ♥️ | [Naturlig språkbehandling](6-NLP/README.md) | Sentimentanalyse med hotellomtaler 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantiske hoteller i Europa ♥️ | [Naturlig språkbehandling](6-NLP/README.md) | Sentimentanalyse med hotellomtaler 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Introduksjon til tidsserieprognoser | [Tidsserier](7-TimeSeries/README.md) | Introduksjon til tidsserieprognoser | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Verdens strømforbruk ⚡️ - tidsserieprognoser med ARIMA | [Tidsserier](7-TimeSeries/README.md) | Tidsserieprognoser med ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Verdens strømforbruk ⚡️ - tidsserieprognoser med SVR | [Tidsserier](7-TimeSeries/README.md) | Tidsserieprognoser med Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Introduksjon til forsterkende læring | [Forsterkende læring](8-Reinforcement/README.md) | Introduksjon til forsterkende læring med Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Hjelp Peter å unngå ulven! 🐺 | [Forsterkende læring](8-Reinforcement/README.md) | Forsterkende læring Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Etterskrift | Reelle ML-scenarier og applikasjoner | [ML i felten](9-Real-World/README.md) | Interessante og avslørende virkelige anvendelser av klassisk ML | [Leksjon](9-Real-World/1-Applications/README.md) | Team |
| Etterskrift | Modellfeilsøking i ML ved bruk av RAI-dashboard | [ML i felten](9-Real-World/README.md) | Modellfeilsøking i maskinlæring ved bruk av Responsible AI-dashboardkomponenter | [Leksjon](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
| 24 | Introduksjon til forsterkningslæring | [Forsterkningslæring](8-Reinforcement/README.md) | Introduksjon til forsterkningslæring med Q-læring | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Hjelp Peter å unngå ulven! 🐺 | [Forsterkningslæring](8-Reinforcement/README.md) | Forsterkningslæring Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Etterskrift | Reelle ML-scenarier og anvendelser | [ML i praksis](9-Real-World/README.md) | Interessante og avslørende virkelige anvendelser av klassisk ML | [Leksjon](9-Real-World/1-Applications/README.md) | Team |
| Etterskrift | Feilsøking av modeller i ML ved bruk av RAI-dashboard | [ML i praksis](9-Real-World/README.md) | Feilsøking av modeller i maskinlæring ved bruk av Responsible AI-dashboardkomponenter | [Leksjon](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [finn alle tilleggressurser for dette kurset i vår Microsoft Learn-samling](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [finn alle tilleggsressurser for dette kurset i vår Microsoft Learn-samling](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Offline-tilgang
## Frakoblet tilgang
Du kan kjøre denne dokumentasjonen offline ved å bruke [Docsify](https://docsify.js.org/#/). Fork dette repoet, [installer Docsify](https://docsify.js.org/#/quickstart) på din lokale maskin, og så i rotmappen til dette repoet, skriv `docsify serve`. Nettsiden vil bli servert på port 3000 på din localhost: `localhost:3000`.
Du kan kjøre denne dokumentasjonen frakoblet ved å bruke [Docsify](https://docsify.js.org/#/). Fork dette repoet, [installer Docsify](https://docsify.js.org/#/quickstart) på din lokale maskin, og deretter i rotmappen av dette repoet, skriv `docsify serve`. Nettstedet vil bli servert på port 3000 på din localhost: `localhost:3000`.
## PDF-er
Finn en PDF av læreplanen med lenker [her](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Finn en PDF av pensumet med lenker [her](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
### Grunnleggende læring
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://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)
Hvis du står fast eller har spørsmål om å bygge AI-apper. Bli med medstudenter og erfarne utviklere i diskusjoner om MCP. Det er et støttende fellesskap hvor spørsmål er velkomne og kunnskap deles fritt.
Hvis du står fast eller har spørsmål om å bygge AI-apper. Bli med andre lærende og erfarne utviklere i diskusjoner om MCP. Det er et støttende fellesskap hvor spørsmål er velkomne og kunnskap deles fritt.
Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selv om vi streber etter nøyaktighet, vær oppmerksom på at automatiske oversettelser kan inneholde feil eller unøyaktigheter. Det opprinnelige dokumentet på originalspråket bør anses som den autoritative kilden. For viktig informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for noen misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen.
Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten Co-op Translator (https://github.com/Azure/co-op-translator). Selv om vi streber etter nøyaktighet, vennligst vær oppmerksom på at automatiske oversettelser kan inneholde feil eller unøyaktigheter. Det opprinnelige dokumentet på originalspråket bør anses som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for eventuelle misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen.
"<!--<br>Artwork by \\@allison_horst-->\n"
"<!--<br>Artwork by \\@allison_horst-->\n"
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://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)
[-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)
> Google Trends dey show di recent 'hype curve' of di word 'machine learning'
@ -69,7 +69,7 @@ Even though di words fit confuse person, machine learning (ML) na one important
---
## AI, ML, Deep Learning
> One diagram wey dey show di relationship between AI, ML, deep learning, and data science. Infographic by [Jen Looper](https://twitter.com/jenlooper) wey e take inspiration from [dis graphic](https://softwareengineering.stackexchange.com/questions/366996/distinction-between-ai-ml-neural-networks-deep-learning-and-data-mining)
> Sketchnote by [Tomomi Imura](https://www.twitter.com/girlie_mac)
# How to Build Machine Learning Solutions Wey Get Responsible AI
> Sketchnote by [Tomomi Imura](https://www.twitter.com/girlie_mac)
@ -51,10 +51,10 @@ AI systems suppose treat everybody fairly and no dey affect similar groups diffe
- **Over- or under-representation**. When one group no dey seen for one profession, and any service wey dey promote that na harm.
- **Stereotyping**. To connect one group with pre-assigned attributes. For example, language translation system between English and Turkish fit get mistake because of words wey dey stereotype gender.
> translation to Turkish
> translation back to English
When we dey design and test AI systems, we need to make sure say AI dey fair and no dey programmed to make biased or discriminatory decisions, wey humans no suppose make. To make AI and machine learning fair na one big sociotechnical challenge.
@ -97,7 +97,7 @@ AI systems suppose dey easy to understand. Transparency mean to explain how AI s
The people wey dey design and use AI systems suppose take responsibility for how their systems dey work. Accountability dey very important for sensitive technologies like facial recognition. Recently, demand for facial recognition technology don dey grow, especially from law enforcement wey wan use am to find missing children. But these technologies fit make government use am to take away people freedom, like to dey monitor specific people every time. So, data scientists and organizations need to take responsibility for how their AI system dey affect people or society.
[](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")
> 🎥 Click the image above for a video: Warnings of Mass Surveillance Through Facial Recognition
@ -97,7 +97,7 @@ For machine learning, model fitting mean how accurate di model function dey as e
🎓 **Underfitting** and **overfitting** na common problems wey dey reduce di quality of di model, as di model fit no fit well or e fit too fit. Dis one dey make di model predictions either too close or too far from di training data. Overfit model dey predict training data too well because e don sabi di details and noise of di data too much. Underfit model no dey accurate because e no fit analyze di training data or di data wey e never see well.
For dis section of di curriculum, you go sabi di basic idea wey dey behind machine learning, wetin e mean, and you go learn about di history and di techniques wey researchers dey use to work with am. Make we waka enter dis new world of ML together!
> Foto by <ahref="https://unsplash.com/@bill_oxford?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Bill Oxford</a> for <ahref="https://unsplash.com/s/photos/globe?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
# Start wit Python and Scikit-learn for regression models
> Sketchnote by [Tomomi Imura](https://www.twitter.com/girlie_mac)
@ -81,7 +81,7 @@ For dis folder, you go see di file _notebook.ipynb_.
You fit mix your code wit comments to self-document di notebook.
@ -211,7 +211,7 @@ For new code cell, load di diabetes dataset by calling `load_diabetes()`. Di inp
plt.show()
```
✅ Tink small small about wetin dey happen here. One straight line dey waka pass plenty small dots wey be data, but wetin e dey really do? You fit see how you go fit use dis line take predict where new data wey you never see go fit enter for the plot y axis? Try talk the practical use of dis model.
Congrats, you don build your first linear regression model, use am predict something, and show am for one plot!
Infographic by [Dasani Madipalli](https://twitter.com/dasani_decoded)
@ -183,7 +183,7 @@ Try create some basic plots to show di new dataframe wey you don create. Wetin b
plt.show()
```
Dis plot dey useful? E surprise you?
@ -200,7 +200,7 @@ To get charts wey dey useful, you go need group di data somehow. Make we try cre
plt.ylabel("Pumpkin Price")
```
Dis na more useful data visualization! E dey show say di highest price for pumpkins dey September and October. E match wetin you dey expect? Why or why not?
localizeflow[bot]
1 month ago