diff --git a/translations/ml/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/ml/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index 6c1e32052..d1ab5388f 100644 --- a/translations/ml/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/ml/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## ലോജിസ്റ്റിക് റെഗ്രഷൻ മോഡൽ നിർമ്മിക്കുക - പാഠം 4\n", "\n", - "![Logistic vs. linear regression infographic](../../../../../../translated_images/linear-vs-logistic.ba180bf95e7ee66721ba10ebf2dac2666acbd64a88b003c83928712433a13c7d.ml.png)\n", + "![Logistic vs. linear regression infographic](../../../../../../translated_images/linear-vs-logistic.ba180bf95e7ee667.ml.png)\n", "\n", "#### **[പ്രീ-ലെക്ചർ ക്വിസ്](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", @@ -78,7 +78,7 @@ "\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", - "![Infographic by Dasani Madipalli](../../../../../../translated_images/pumpkin-classifier.562771f104ad5436b87d1c67bca02a42a17841133556559325c0a0e348e5b774.ml.png)\n", + "![Infographic by Dasani Madipalli](../../../../../../translated_images/pumpkin-classifier.562771f104ad5436.ml.png)\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", - "![Multinomial vs ordinal regression](../../../../../../translated_images/multinomial-vs-ordinal.36701b4850e37d86c9dd49f7bef93a2f94dbdb8fe03443eb68f0542f97f28f29.ml.png)\n", + "![Multinomial vs ordinal regression](../../../../../../translated_images/multinomial-vs-ordinal.36701b4850e37d86.ml.png)\n", "\n", "#### **വേരിയബിളുകൾ തമ്മിൽ ബന്ധപ്പെടേണ്ടതില്ല**\n", "\n", diff --git a/translations/ml/2-Regression/README.md b/translations/ml/2-Regression/README.md index ede636387..939612f8d 100644 --- a/translations/ml/2-Regression/README.md +++ b/translations/ml/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: നോർത്ത് അമേരിക്കയിൽ, ഹാലോവീൻക്കായി പംപ്കിനുകൾ ഭയങ്കരമായ മുഖങ്ങളായി മുറിക്കുന്നു. ഈ ആകർഷകമായ പച്ചക്കറികളെ കുറിച്ച് കൂടുതൽ കണ്ടെത്താം! -![jack-o-lanterns](../../../translated_images/jack-o-lanterns.181c661a9212457d7756f37219f660f1358af27554d856e5a991f16b4e15337c.ml.jpg) +![jack-o-lanterns](../../../translated_images/jack-o-lanterns.181c661a9212457d.ml.jpg) > ഫോട്ടോ ബെത്ത് ട്യൂട്ഷ്മാൻ അൺസ്പ്ലാഷിൽ ## നിങ്ങൾ പഠിക്കാനിരിക്കുന്നതെന്ത് diff --git a/translations/ml/3-Web-App/README.md b/translations/ml/3-Web-App/README.md index b34fc25b8..dcd3fce8c 100644 --- a/translations/ml/3-Web-App/README.md +++ b/translations/ml/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 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. -![UFO Parking](../../../translated_images/ufo.9e787f5161da9d4d1dafc537e1da09be8210f2ee996cb638aa5cee1d92867a04.ml.jpg) +![UFO Parking](../../../translated_images/ufo.9e787f5161da9d4d.ml.jpg) ഫോട്ടോ Michael Herren എന്നവരിൽ നിന്നാണ് Unsplash diff --git a/translations/ml/4-Classification/1-Introduction/README.md b/translations/ml/4-Classification/1-Introduction/README.md index 6b29f1633..dd6a7978b 100644 --- a/translations/ml/4-Classification/1-Introduction/README.md +++ b/translations/ml/4-Classification/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 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! -![just a pinch!](../../../../translated_images/pinch.1b035ec9ba7e0d408313b551b60c721c9c290b2dd2094115bc87e6ddacd114c9.ml.png) +![just a pinch!](../../../../translated_images/pinch.1b035ec9ba7e0d40.ml.png) > 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. -![binary vs. multiclass classification](../../../../translated_images/binary-multiclass.b56d0c86c81105a697dddd82242c1d11e4d78b7afefea07a44627a0f1111c1a9.ml.png) +![binary vs. multiclass classification](../../../../translated_images/binary-multiclass.b56d0c86c81105a6.ml.png) > 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() ``` - ![cuisine data distribution](../../../../translated_images/cuisine-dist.d0cc2d551abe5c25f83d73a5f560927e4a061e9a4560bac1e97d35682ef3ca6d.ml.png) + ![cuisine data distribution](../../../../translated_images/cuisine-dist.d0cc2d551abe5c25.ml.png) പാചകശാലകളുടെ എണ്ണം പരിമിതമാണ്, പക്ഷേ ഡാറ്റയുടെ വിതരണം അസമമാണ്. നിങ്ങൾ അത് ശരിയാക്കാം! അതിന് മുമ്പ്, കുറച്ച് കൂടുതൽ അന്വേഷിക്കൂ. @@ -188,7 +188,7 @@ Scikit-learn വിവിധ പ്രശ്നങ്ങൾ പരിഹരി thai_ingredient_df.head(10).plot.barh() ``` - ![thai](../../../../translated_images/thai.0269dbab2e78bd38a132067759fe980008bdb80b6d778e5313448dbe12bed846.ml.png) + ![thai](../../../../translated_images/thai.0269dbab2e78bd38.ml.png) 1. ജാപ്പനീസ് ഡാറ്റയ്ക്കും അതേപോലെ ചെയ്യുക: @@ -197,7 +197,7 @@ Scikit-learn വിവിധ പ്രശ്നങ്ങൾ പരിഹരി japanese_ingredient_df.head(10).plot.barh() ``` - ![japanese](../../../../translated_images/japanese.30260486f2a05c463c8faa62ebe7b38f0961ed293bd9a6db8eef5d3f0cf17155.ml.png) + ![japanese](../../../../translated_images/japanese.30260486f2a05c46.ml.png) 1. ചൈനീസ് ഘടകങ്ങൾക്കായി: @@ -206,7 +206,7 @@ Scikit-learn വിവിധ പ്രശ്നങ്ങൾ പരിഹരി chinese_ingredient_df.head(10).plot.barh() ``` - ![chinese](../../../../translated_images/chinese.e62cafa5309f111afd1b54490336daf4e927ce32bed837069a0b7ce481dfae8d.ml.png) + ![chinese](../../../../translated_images/chinese.e62cafa5309f111a.ml.png) 1. ഇന്ത്യൻ ഘടകങ്ങൾ പ്ലോട്ട് ചെയ്യുക: @@ -215,7 +215,7 @@ Scikit-learn വിവിധ പ്രശ്നങ്ങൾ പരിഹരി indian_ingredient_df.head(10).plot.barh() ``` - ![indian](../../../../translated_images/indian.2c4292002af1a1f97a4a24fec6b1459ee8ff616c3822ae56bb62b9903e192af6.ml.png) + ![indian](../../../../translated_images/indian.2c4292002af1a1f9.ml.png) 1. അവസാനം കൊറിയൻ ഘടകങ്ങൾ: @@ -224,7 +224,7 @@ Scikit-learn വിവിധ പ്രശ്നങ്ങൾ പരിഹരി korean_ingredient_df.head(10).plot.barh() ``` - ![korean](../../../../translated_images/korean.4a4f0274f3d9805a65e61f05597eeaad8620b03be23a2c0a705c023f65fad2c0.ml.png) + ![korean](../../../../translated_images/korean.4a4f0274f3d9805a.ml.png) 1. ഇപ്പോൾ, വ്യത്യസ്ത പാചകശാലകളിൽ ആശയക്കുഴപ്പം സൃഷ്ടിക്കുന്ന ഏറ്റവും സാധാരണ ഘടകങ്ങൾ `drop()` വിളിച്ച് ഒഴിവാക്കുക: diff --git a/translations/ml/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb b/translations/ml/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb index 77d4c41eb..53f0cce50 100644 --- a/translations/ml/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb +++ b/translations/ml/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb @@ -39,7 +39,7 @@ "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", "\n", "

\n", - " \n", "

ഈ പാഠങ്ങളിൽ പാൻ-ഏഷ്യൻ പാചകശാലകൾ ആഘോഷിക്കൂ! ചിത്രം: ജെൻ ലൂപ്പർ
\n", "\n", @@ -65,7 +65,7 @@ "പ്രക്രിയ ശാസ്ത്രീയമായി പറയുമ്പോൾ, നിങ്ങളുടെ ക്ലാസിഫിക്കേഷൻ രീതി ഇൻപുട്ട് വേരിയബിളുകളും ഔട്ട്പുട്ട് വേരിയബിളുകളും തമ്മിലുള്ള ബന്ധം മാപ്പ് ചെയ്യാൻ സഹായിക്കുന്ന പ്രവചന മോഡൽ സൃഷ്ടിക്കുന്നു.\n", "\n", "

\n", - " \n", "

ക്ലാസിഫിക്കേഷൻ ആൽഗോരിതങ്ങൾ കൈകാര്യം ചെയ്യേണ്ട ബൈനറി vs. മൾട്ടിക്ലാസ് പ്രശ്നങ്ങൾ. ഇൻഫോഗ്രാഫിക്: ജെൻ ലൂപ്പർ
\n", "\n", @@ -227,7 +227,7 @@ "> ഒരു [ടിബിള്](https://tibble.tidyverse.org/) ഒരു ആധുനിക ഡാറ്റാ ഫ്രെയിം ആണ്.\n", "\n", "

\n", - " \n", "

Artwork by @allison_horst
\n" ], @@ -517,7 +517,7 @@ "## Preprocessing data using recipes 👩‍🍳👨‍🍳 - Dealing with imbalanced data ⚖️\n", "\n", "

\n", - " \n", "

Artwork by @allison_horst
\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", "\n", "

\n", - " \n", "

Artwork by @allison_horst
\n" ], diff --git a/translations/ml/4-Classification/2-Classifiers-1/README.md b/translations/ml/4-Classification/2-Classifiers-1/README.md index 4ac531a9d..91988924e 100644 --- a/translations/ml/4-Classification/2-Classifiers-1/README.md +++ b/translations/ml/4-Classification/2-Classifiers-1/README.md @@ -107,7 +107,7 @@ Scikit-learn ക്ലാസിഫിക്കേഷൻ സൂപ്പർവൈ 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: -![ക്ലാസിഫയറുകളുടെ താരതമ്യം](../../../../translated_images/comparison.edfab56193a85e7fdecbeaa1b1f8c99e94adbf7178bed0de902090cf93d6734f.ml.png) +![ക്ലാസിഫയറുകളുടെ താരതമ്യം](../../../../translated_images/comparison.edfab56193a85e7f.ml.png) > 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 @@ -116,7 +116,7 @@ Scikit-learn ക്ലാസിഫിക്കേഷൻ സൂപ്പർവൈ 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: -![മൾട്ടിക്ലാസ് പ്രശ്നങ്ങൾക്ക് ചീറ്റ് ഷീറ്റ്](../../../../translated_images/cheatsheet.07a475ea444d22234cb8907a3826df5bdd1953efec94bd18e4496f36ff60624a.ml.png) +![മൾട്ടിക്ലാസ് പ്രശ്നങ്ങൾക്ക് ചീറ്റ് ഷീറ്റ്](../../../../translated_images/cheatsheet.07a475ea444d2223.ml.png) > മൈക്രോസോഫ്റ്റിന്റെ ആൽഗോരിതം ചീറ്റ് ഷീറ്റിന്റെ ഒരു ഭാഗം, മൾട്ടിക്ലാസ് ക്ലാസിഫിക്കേഷൻ ഓപ്ഷനുകൾ വിശദീകരിക്കുന്നു ✅ ഈ ചീറ്റ് ഷീറ്റ് ഡൗൺലോഡ് ചെയ്ത് പ്രിന്റ് ചെയ്ത് നിങ്ങളുടെ ഭിത്തിയിൽ തൂക്കുക! @@ -147,7 +147,7 @@ Scikit-learn ക്ലാസിഫിക്കേഷൻ സൂപ്പർവൈ Scikit-learn ഈ പട്ടിക നൽകുന്നു, സോൾവറുകൾ വിവിധ ഡാറ്റാ ഘടനകളിൽ എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്ന് വിശദീകരിക്കാൻ: -![സോൾവറുകൾ](../../../../translated_images/solvers.5fc648618529e627dfac29b917b3ccabda4b45ee8ed41b0acb1ce1441e8d1ef1.ml.png) +![സോൾവറുകൾ](../../../../translated_images/solvers.5fc648618529e627.ml.png) ## അഭ്യാസം - ഡാറ്റ വിഭജിക്കുക diff --git a/translations/ml/4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb b/translations/ml/4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb index a26a6a851..3047ce5b3 100644 --- a/translations/ml/4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb +++ b/translations/ml/4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb @@ -564,7 +564,7 @@ "## 3. നിങ്ങളുടെ ക്ലാസിഫയർ തിരഞ്ഞെടുക്കൽ\n", "\n", "

\n", - " \n", "

Artwork by @allison_horst
\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", "\n", "

\n", - " \n", "

മൾട്ടിക്ലാസ് ക്ലാസിഫിക്കേഷൻ ഓപ്ഷനുകൾ വിശദീകരിക്കുന്ന മൈക്രോസോഫ്റ്റിന്റെ ആൽഗോരിതം ചീറ്റ് ഷീറ്റിന്റെ ഒരു ഭാഗം
\n" ], diff --git a/translations/ml/4-Classification/3-Classifiers-2/README.md b/translations/ml/4-Classification/3-Classifiers-2/README.md index 382073030..df75eb8c9 100644 --- a/translations/ml/4-Classification/3-Classifiers-2/README.md +++ b/translations/ml/4-Classification/3-Classifiers-2/README.md @@ -25,7 +25,7 @@ CO_OP_TRANSLATOR_METADATA: 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: -![ML Map from Scikit-learn](../../../../translated_images/map.e963a6a51349425ab107b38f6c7307eb4c0d0c7ccdd2e81a5e1919292bab9ac7.ml.png) +![ML Map from Scikit-learn](../../../../translated_images/map.e963a6a51349425a.ml.png) > ടിപ്പ്: [ഈ മാപ്പ് ഓൺലൈനിൽ സന്ദർശിക്കുക](https://scikit-learn.org/stable/tutorial/machine_learning_map/) കൂടാതെ പാതയിലൂടെ ക്ലിക്ക് ചെയ്ത് ഡോക്യുമെന്റേഷൻ വായിക്കുക. ### പദ്ധതി diff --git a/translations/ml/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb b/translations/ml/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb index c802a42c1..cf999acd9 100644 --- a/translations/ml/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb +++ b/translations/ml/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb @@ -90,7 +90,7 @@ "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", "\n", "

\n", - " \n", "

\n" ] @@ -233,7 +233,7 @@ "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", "\n", "

\n", - " \n", "

https://commons.wikimedia.org/w/index.php?curid=22877598
\n" ] @@ -639,7 +639,7 @@ "[Eric](https://twitter.com/ericntay), ഗോൾഡ് മൈക്രോസോഫ്റ്റ് ലേൺ സ്റ്റുഡന്റ് അംബാസഡർ.\n", "\n", "

\n", - " \n", "

@allison_horst എന്നവരുടെ കലാസൃഷ്ടി
\n" ] diff --git a/translations/ml/4-Classification/4-Applied/README.md b/translations/ml/4-Classification/4-Applied/README.md index 1cdb27b6d..04e6413c9 100644 --- a/translations/ml/4-Classification/4-Applied/README.md +++ b/translations/ml/4-Classification/4-Applied/README.md @@ -152,7 +152,7 @@ CO_OP_TRANSLATOR_METADATA: 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 visual](../../../../translated_images/netron.a05f39410211915e0f95e2c0e8b88f41e7d13d725faf660188f3802ba5c9e831.ml.png) +![Netron visual](../../../../translated_images/netron.a05f39410211915e.ml.png) 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: -![ingredient web app](../../../../translated_images/web-app.4c76450cabe20036f8ec6d5e05ccc0c1c064f0d8f2fe3304d3bcc0198f7dc139.ml.png) +![ingredient web app](../../../../translated_images/web-app.4c76450cabe20036.ml.png) അഭിനന്ദനങ്ങൾ, നിങ്ങൾ കുറച്ച് ഫീൽഡുകളുള്ള 'ശുപാർശ' വെബ് ആപ്പ് സൃഷ്ടിച്ചു. ഈ സിസ്റ്റം വികസിപ്പിക്കാൻ കുറച്ച് സമയം ചെലവഴിക്കൂ! diff --git a/translations/ml/4-Classification/README.md b/translations/ml/4-Classification/README.md index bcc285ae7..27bd762a1 100644 --- a/translations/ml/4-Classification/README.md +++ b/translations/ml/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: ഏഷ്യയിലും ഇന്ത്യയിലും ഭക്ഷണപരമ്പരകൾ വളരെ വൈവിധ്യമാർന്നതും, വളരെ രുചികരവുമാണ്! അവയുടെ ഘടകങ്ങൾ മനസ്സിലാക്കാൻ പ്രാദേശിക ഭക്ഷണങ്ങളെക്കുറിച്ചുള്ള ഡാറ്റ നോക്കാം. -![Thai food seller](../../../translated_images/thai-food.c47a7a7f9f05c21892a1f9dc7bf30669e6d18dfda420c5c7ebb4153f6a304edd.ml.jpg) +![Thai food seller](../../../translated_images/thai-food.c47a7a7f9f05c218.ml.jpg) > ഫോട്ടോ ലിഷെങ് ചാങ് അൺസ്പ്ലാഷിൽ ## നിങ്ങൾ പഠിക്കാനിരിക്കുന്നതെന്ത് diff --git a/translations/ml/5-Clustering/1-Visualize/README.md b/translations/ml/5-Clustering/1-Visualize/README.md index 71e685509..1447e5d87 100644 --- a/translations/ml/5-Clustering/1-Visualize/README.md +++ b/translations/ml/5-Clustering/1-Visualize/README.md @@ -70,7 +70,7 @@ CO_OP_TRANSLATOR_METADATA: > > 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. > -![Flat vs Nonflat Geometry Infographic](../../../../translated_images/flat-nonflat.d1c8c6e2a96110c1d57fa0b72913f6aab3c245478524d25baf7f4a18efcde224.ml.png) +![Flat vs Nonflat Geometry Infographic](../../../../translated_images/flat-nonflat.d1c8c6e2a96110c1.ml.png) > ഇൻഫോഗ്രാഫിക്: [ദാസാനി മടിപള്ളി](https://twitter.com/dasani_decoded) > > 🎓 ['Distances'](https://web.stanford.edu/class/cs345a/slides/12-clustering.pdf) @@ -93,12 +93,12 @@ CO_OP_TRANSLATOR_METADATA: - **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. - ![Hierarchical clustering Infographic](../../../../translated_images/hierarchical.bf59403aa43c8c47493bfdf1cc25230f26e45f4e38a3d62e8769cd324129ac15.ml.png) + ![Hierarchical clustering Infographic](../../../../translated_images/hierarchical.bf59403aa43c8c47.ml.png) > ഇൻഫോഗ്രാഫിക്: [ദാസാനി മടിപള്ളി](https://twitter.com/dasani_decoded) - **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. - ![Centroid clustering Infographic](../../../../translated_images/centroid.097fde836cf6c9187d0b2033e9f94441829f9d86f4f0b1604dd4b3d1931aee34.ml.png) + ![Centroid clustering Infographic](../../../../translated_images/centroid.097fde836cf6c918.ml.png) > ഇൻഫോഗ്രാഫിക്: [ദാസാനി മടിപള്ളി](https://twitter.com/dasani_decoded) - **വിതരണ അടിസ്ഥാനത്തിലുള്ള ക്ലസ്റ്ററിംഗ്**. സാംഖ്യിക മോഡലിംഗിൽ ആധാരമാക്കിയ, ഒരു ഡാറ്റാ പോയിന്റ് ഒരു ക്ലസ്റ്ററിന് പറ്റിയതായിരിക്കാനുള്ള സാധ്യത നിർണയിച്ച് അതനുസരിച്ച് അത് നിയോഗിക്കുന്നു. Gaussian മിശ്രിത രീതികൾ ഇതിൽപ്പെടുന്നു. @@ -234,7 +234,7 @@ CO_OP_TRANSLATOR_METADATA: plt.title('Top genres',color = 'blue') ``` - ![most popular](../../../../translated_images/popular.9c48d84b3386705f98bf44e26e9655bee9eb7c849d73be65195e37895bfedb5d.ml.png) + ![most popular](../../../../translated_images/popular.9c48d84b3386705f.ml.png) ✅ കൂടുതൽ ടോപ്പ് മൂല്യങ്ങൾ കാണാൻ ആഗ്രഹിക്കുന്നുവെങ്കിൽ, ടോപ്പ് `[:5]` വലുതാക്കുക അല്ലെങ്കിൽ നീക്കം ചെയ്ത് എല്ലാം കാണുക. @@ -253,7 +253,7 @@ CO_OP_TRANSLATOR_METADATA: ഇപ്പോൾ ജാനറുകൾ വീണ്ടും പരിശോധിക്കുക: - ![most popular](../../../../translated_images/all-genres.1d56ef06cefbfcd61183023834ed3cb891a5ee638a3ba5c924b3151bf80208d7.ml.png) + ![most popular](../../../../translated_images/all-genres.1d56ef06cefbfcd6.ml.png) 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): @@ -275,7 +275,7 @@ CO_OP_TRANSLATOR_METADATA: sns.heatmap(corrmat, vmax=.8, square=True) ``` - ![correlations](../../../../translated_images/correlation.a9356bb798f5eea51f47185968e1ebac5c078c92fce9931e28ccf0d7fab71c2b.ml.png) + ![correlations](../../../../translated_images/correlation.a9356bb798f5eea5.ml.png) 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: - ![distribution](../../../../translated_images/distribution.9be11df42356ca958dc8e06e87865e09d77cab78f94fe4fea8a1e6796c64dc4b.ml.png) + ![distribution](../../../../translated_images/distribution.9be11df42356ca95.ml.png) 1. ഒരു സ്കാറ്റർ പ്ലോട്ട് സൃഷ്ടിക്കുക: @@ -319,7 +319,7 @@ CO_OP_TRANSLATOR_METADATA: സമാന അക്ഷങ്ങളുള്ള സ്കാറ്റർപ്ലോട്ട് ഏകീകൃത മാതൃക കാണിക്കുന്നു - ![Facetgrid](../../../../translated_images/facetgrid.9b2e65ce707eba1f983b7cdfed5d952e60f385947afa3011df6e3cc7d200eb5b.ml.png) + ![Facetgrid](../../../../translated_images/facetgrid.9b2e65ce707eba1f.ml.png) 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. diff --git a/translations/ml/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb b/translations/ml/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb index 66d670205..056cf6221 100644 --- a/translations/ml/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb +++ b/translations/ml/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb @@ -42,7 +42,7 @@ "> 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", "\r\n", "

\r\n", - " \r\n", "

ഇൻഫോഗ്രാഫിക്: ദാസാനി മടിപള്ളി
\r\n", "\r\n", @@ -72,7 +72,7 @@ "\r\n", "\r\n", "

\r\n", - " \r\n", "

ഇൻഫോഗ്രാഫിക്: ദാസാനി മടിപള്ളി
\r\n", "\r\n", @@ -81,7 +81,7 @@ "- **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", "\r\n", "

\r\n", - " \r\n", "

ഇൻഫോഗ്രാഫിക്: ദാസാനി മടിപള്ളി
\r\n", "\r\n", diff --git a/translations/ml/5-Clustering/2-K-Means/README.md b/translations/ml/5-Clustering/2-K-Means/README.md index dfd8fb19f..b8bdeb92a 100644 --- a/translations/ml/5-Clustering/2-K-Means/README.md +++ b/translations/ml/5-Clustering/2-K-Means/README.md @@ -26,7 +26,7 @@ CO_OP_TRANSLATOR_METADATA: ക്ലസ്റ്ററുകൾ [വോറോണോയി ഡയഗ്രാമുകൾ](https://wikipedia.org/wiki/Voronoi_diagram) ആയി ദൃശ്യവത്കരിക്കാം, അവയിൽ ഒരു പോയിന്റ് (അഥവാ 'സീഡ്') അതിന്റെ അനുബന്ധ പ്രദേശം ഉൾക്കൊള്ളുന്നു. -![voronoi diagram](../../../../translated_images/voronoi.1dc1613fb0439b9564615eca8df47a4bcd1ce06217e7e72325d2406ef2180795.ml.png) +![voronoi diagram](../../../../translated_images/voronoi.1dc1613fb0439b95.ml.png) > ഇൻഫോഗ്രാഫിക് [ജെൻ ലൂപ്പർ](https://twitter.com/jenlooper) tarafından @@ -91,7 +91,7 @@ K-മീൻസ് ഉപയോഗിക്കുന്നതിന്റെ ഒ ഈ ഡാറ്റ കുറച്ച് ശബ്ദമുള്ളതാണ്: ഓരോ കോളവും ബോക്സ്‌പ്ലോട്ട് ആയി നിരീക്ഷിച്ചാൽ, ഔട്ട്‌ലൈയർമാർ കാണാം. - ![outliers](../../../../translated_images/boxplots.8228c29dabd0f29227dd38624231a175f411f1d8d4d7c012cb770e00e4fdf8b6.ml.png) + ![outliers](../../../../translated_images/boxplots.8228c29dabd0f292.ml.png) 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! - ![elbow method](../../../../translated_images/elbow.72676169eed744ff03677e71334a16c6b8f751e9e716e3d7f40dd7cdef674cca.ml.png) + ![elbow method](../../../../translated_images/elbow.72676169eed744ff.ml.png) ## അഭ്യാസം - ക്ലസ്റ്ററുകൾ പ്രദർശിപ്പിക്കുക @@ -218,13 +218,13 @@ K-മീൻസ് ഉപയോഗിക്കുന്നതിന്റെ ഒ ഈ മോഡലിന്റെ കൃത്യത വളരെ നല്ലതല്ല, ക്ലസ്റ്ററുകളുടെ ആകൃതി ഇതിന് കാരണം നൽകുന്നു. - ![clusters](../../../../translated_images/clusters.b635354640d8e4fd4a49ef545495518e7be76172c97c13bd748f5b79f171f69a.ml.png) + ![clusters](../../../../translated_images/clusters.b635354640d8e4fd.ml.png) 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: - ![problem models](../../../../translated_images/problems.f7fb539ccd80608e1f35c319cf5e3ad1809faa3c08537aead8018c6b5ba2e33a.ml.png) + ![problem models](../../../../translated_images/problems.f7fb539ccd80608e.ml.png) > Scikit-learn ഇൻഫോഗ്രാഫിക് ## വ്യത്യാസം diff --git a/translations/ml/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb b/translations/ml/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb index 998b6c8b7..04980f384 100644 --- a/translations/ml/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb +++ b/translations/ml/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb @@ -59,7 +59,7 @@ "ക്ലസ്റ്ററുകൾ [Voronoi ഡയഗ്രാമുകൾ](https://wikipedia.org/wiki/Voronoi_diagram) ആയി ദൃശ്യവത്കരിക്കാം, അവയിൽ ഒരു പോയിന്റ് (അഥവാ 'സീഡ്') അതിന്റെ അനുബന്ധ പ്രദേശവും ഉൾപ്പെടുന്നു.\n", "\n", "

\n", - " \n", "

ജെൻ ലൂപ്പർ ഒരുക്കിയ ഇൻഫോഗ്രാഫിക്
\n", "\n", @@ -573,7 +573,7 @@ "Scikit-learn ന്റെ ഡോക്യുമെന്റേഷനിൽ, ഈ പോലുള്ള മോഡലുകൾക്ക്, ക്ലസ്റ്ററുകൾ വളരെ വ്യക്തമായി വേർതിരിക്കപ്പെട്ടിട്ടില്ലാത്തതിനാൽ, 'വ്യത്യാസം' പ്രശ്നമുണ്ടെന്ന് കാണാം:\n", "\n", "

\n", - " \n", "

Scikit-learn ന്റെ ഇൻഫോഗ്രാഫിക്
\n", "\n", @@ -626,7 +626,7 @@ "[Eric](https://twitter.com/ericntay), ഗോൾഡ് മൈക്രോസോഫ്റ്റ് ലേൺ സ്റ്റുഡന്റ് അംബാസഡർ.\n", "\n", "

\n", - " \n", "

@allison_horst രചിച്ച ആർട്ട്‌വർക്കുകൾ
\n" ] diff --git a/translations/ml/5-Clustering/README.md b/translations/ml/5-Clustering/README.md index 80f6aff33..ec2e19ec3 100644 --- a/translations/ml/5-Clustering/README.md +++ b/translations/ml/5-Clustering/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: 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! -![A turntable](../../../translated_images/turntable.f2b86b13c53302dc106aa741de9dc96ac372864cf458dd6f879119857aab01da.ml.jpg) +![A turntable](../../../translated_images/turntable.f2b86b13c53302dc.ml.jpg) > ഫോട്ടോ Marcela Laskoski യുടെ Unsplash ൽ നിന്നാണ് diff --git a/translations/ml/6-NLP/1-Introduction-to-NLP/README.md b/translations/ml/6-NLP/1-Introduction-to-NLP/README.md index 5801b01cb..6a03904e5 100644 --- a/translations/ml/6-NLP/1-Introduction-to-NLP/README.md +++ b/translations/ml/6-NLP/1-Introduction-to-NLP/README.md @@ -32,7 +32,7 @@ NLP, സാധാരണയായി അറിയപ്പെടുന്നത 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. -![comprehension](../../../../translated_images/comprehension.619708fc5959b0f6a24ebffba2ad7b0625391a476141df65b43b59de24e45c6f.ml.png) +![comprehension](../../../../translated_images/comprehension.619708fc5959b0f6.ml.png) > യഥാർത്ഥ ഭാഷാശാസ്ത്രപരമായ ബോധം ബുദ്ധിമുട്ടാണ്! ചിത്രം [Jen Looper](https://twitter.com/jenlooper) യുടെ ### ഈ സാങ്കേതികവിദ്യ എങ്ങനെ സാധ്യമായി? diff --git a/translations/ml/6-NLP/2-Tasks/README.md b/translations/ml/6-NLP/2-Tasks/README.md index 156de47e0..50a5d2001 100644 --- a/translations/ml/6-NLP/2-Tasks/README.md +++ b/translations/ml/6-NLP/2-Tasks/README.md @@ -23,14 +23,14 @@ CO_OP_TRANSLATOR_METADATA: 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. -![tokenization](../../../../translated_images/tokenization.1641a160c66cd2d93d4524e8114e93158a9ce0eba3ecf117bae318e8a6ad3487.ml.png) +![tokenization](../../../../translated_images/tokenization.1641a160c66cd2d9.ml.png) > **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. -![word embeddings](../../../../translated_images/embedding.2cf8953c4b3101d188c2f61a5de5b6f53caaa5ad4ed99236d42bc3b6bd6a1fe2.ml.png) +![word embeddings](../../../../translated_images/embedding.2cf8953c4b3101d1.ml.png) > "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. -![parsing](../../../../translated_images/parse.d0c5bbe1106eae8fe7d60a183cd1736c8b6cec907f38000366535f84f3036101.ml.png) +![parsing](../../../../translated_images/parse.d0c5bbe1106eae8f.ml.png) > **Pride and Prejudice** എന്ന വാക്യം പാർസ് ചെയ്യുന്നു. ഇൻഫോഗ്രാഫിക് [Jen Looper](https://twitter.com/jenlooper) diff --git a/translations/ml/6-NLP/3-Translation-Sentiment/README.md b/translations/ml/6-NLP/3-Translation-Sentiment/README.md index e6a9a509c..55c36a5ac 100644 --- a/translations/ml/6-NLP/3-Translation-Sentiment/README.md +++ b/translations/ml/6-NLP/3-Translation-Sentiment/README.md @@ -56,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA: 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). -![monnaie](../../../../translated_images/monnaie.606c5fa8369d5c3b3031ef0713e2069485c87985dd475cd9056bdf4c76c1f4b8.ml.png) +![monnaie](../../../../translated_images/monnaie.606c5fa8369d5c3b.ml.png) > ചിത്രം [Jen Looper](https://twitter.com/jenlooper) യുടെതാണ് diff --git a/translations/ml/6-NLP/README.md b/translations/ml/6-NLP/README.md index 7f1c7cd88..e5d50089c 100644 --- a/translations/ml/6-NLP/README.md +++ b/translations/ml/6-NLP/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: 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. -![Pride and Prejudice book and tea](../../../translated_images/p&p.279f1c49ecd889419e4ce6206525e9aa30d32a976955cd24daa636c361c6391f.ml.jpg) +![Pride and Prejudice book and tea](../../../translated_images/p&p.279f1c49ecd88941.ml.jpg) > ഫോട്ടോ Elaine Howlin Unsplash ൽ നിന്നാണ് ## പാഠങ്ങൾ diff --git a/translations/ml/7-TimeSeries/1-Introduction/README.md b/translations/ml/7-TimeSeries/1-Introduction/README.md index 20757ced4..898fe12d2 100644 --- a/translations/ml/7-TimeSeries/1-Introduction/README.md +++ b/translations/ml/7-TimeSeries/1-Introduction/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ടൈം സീരീസ് ഫോറ്കാസ്റ്റിംഗിലേക്ക് പരിചയം -![ടൈം സീരീസിന്റെ സംഗ്രഹം ഒരു സ്കെച്ച്നോട്ടിൽ](../../../../translated_images/ml-timeseries.fb98d25f1013fc0c59090030080b5d1911ff336427bec31dbaf1ad08193812e9.ml.png) +![ടൈം സീരീസിന്റെ സംഗ്രഹം ഒരു സ്കെച്ച്നോട്ടിൽ](../../../../translated_images/ml-timeseries.fb98d25f1013fc0c.ml.png) > 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? -![ഇൻ-ഗെയിം കറൻസി ചെലവ്](../../../../translated_images/currency.e7429812bfc8c6087b2d4c410faaa4aaa11b2fcaabf6f09549b8249c9fbdb641.ml.png) +![ഇൻ-ഗെയിം കറൻസി ചെലവ്](../../../../translated_images/currency.e7429812bfc8c608.ml.png) ## അഭ്യാസം - വൈദ്യുതി ഉപയോഗ ഡാറ്റയുമായി ആരംഭിക്കുക @@ -160,7 +160,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![energy plot](../../../../translated_images/energy-plot.5fdac3f397a910bc6070602e9e45bea8860d4c239354813fa8fc3c9d556f5bad.ml.png) + ![energy plot](../../../../translated_images/energy-plot.5fdac3f397a910bc.ml.png) 4. ഇപ്പോൾ, 2014 ജൂലൈയുടെ ആദ്യ ആഴ്ച `[from date]: [to date]` മാതൃകയിൽ `energy`-ക്ക് ഇൻപുട്ടായി നൽകി പ്ലോട്ട് ചെയ്യുക: @@ -171,7 +171,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![july](../../../../translated_images/july-2014.9e1f7c318ec6d5b30b0d7e1e20be3643501f64a53f3d426d7c7d7b62addb335e.ml.png) + ![july](../../../../translated_images/july-2014.9e1f7c318ec6d5b3.ml.png) മനോഹരമായ പ്ലോട്ട്! ഈ പ്ലോട്ടുകൾ നോക്കി മുകളിൽ പറഞ്ഞ സവിശേഷതകളിൽ ഏതെങ്കിലും തിരിച്ചറിയാമോ? ഡാറ്റ ദൃശ്യവൽക്കരിച്ച് നാം എന്ത് നിഗമനം വരുത്താം? diff --git a/translations/ml/7-TimeSeries/2-ARIMA/README.md b/translations/ml/7-TimeSeries/2-ARIMA/README.md index 86e3161e1..991150310 100644 --- a/translations/ml/7-TimeSeries/2-ARIMA/README.md +++ b/translations/ml/7-TimeSeries/2-ARIMA/README.md @@ -114,7 +114,7 @@ ARIMAയുടെ ഭാഗങ്ങൾ വിശദീകരിച്ച്, plt.show() ``` - ![training and testing data](../../../../translated_images/train-test.8928d14e5b91fc942f0ca9201b2d36c890ea7e98f7619fd94f75de3a4c2bacb9.ml.png) + ![training and testing data](../../../../translated_images/train-test.8928d14e5b91fc94.ml.png) അതിനാൽ, ഡാറ്റ പരിശീലനത്തിന് ചെറിയ ഒരു സമയവിൻഡോ ഉപയോഗിക്കുന്നത് മതിയാകും. @@ -157,11 +157,11 @@ ARIMAയുടെ ഭാഗങ്ങൾ വിശദീകരിച്ച്, plt.show() ``` - ![original](../../../../translated_images/original.b2b15efe0ce92b8745918f071dceec2231661bf49c8db6918e3ff4b3b0b183c2.ml.png) + ![original](../../../../translated_images/original.b2b15efe0ce92b87.ml.png) > ഒറിജിനൽ ഡാറ്റ - ![scaled](../../../../translated_images/scaled.e35258ca5cd3d43f86d5175e584ba96b38d51501f234abf52e11f4fe2631e45f.ml.png) + ![scaled](../../../../translated_images/scaled.e35258ca5cd3d43f.ml.png) > സ്കെയിൽ ചെയ്ത ഡാറ്റ @@ -321,7 +321,7 @@ ARIMAയുടെ ഭാഗങ്ങൾ വിശദീകരിച്ച്, > **🧮 ഗണിതം കാണിക്കുക** > -> ![MAPE](../../../../translated_images/mape.fd87bbaf4d346846df6af88b26bf6f0926bf9a5027816d5e23e1200866e3e8a4.ml.png) +> ![MAPE](../../../../translated_images/mape.fd87bbaf4d346846.ml.png) > > [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. actualtനും predictedtനും ഇടയിലെ വ്യത്യാസം actualtൽ 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() ``` - ![a time series model](../../../../translated_images/accuracy.2c47fe1bf15f44b3656651c84d5e2ba9b37cd929cd2aa8ab6cc3073f50570f4e.ml.png) + ![a time series model](../../../../translated_images/accuracy.2c47fe1bf15f44b3.ml.png) 🏆 വളരെ നല്ല ഒരു പ്ലോട്ട്, നല്ല കൃത്യതയുള്ള ഒരു മോഡൽ കാണിക്കുന്നു. നല്ല ജോലി! diff --git a/translations/ml/7-TimeSeries/3-SVR/README.md b/translations/ml/7-TimeSeries/3-SVR/README.md index c237e4156..7e21999c3 100644 --- a/translations/ml/7-TimeSeries/3-SVR/README.md +++ b/translations/ml/7-TimeSeries/3-SVR/README.md @@ -71,7 +71,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![full data](../../../../translated_images/full-data.a82ec9957e580e976f651a4fc38f280b9229c6efdbe3cfe7c60abaa9486d2cbe.ml.png) + ![full data](../../../../translated_images/full-data.a82ec9957e580e97.ml.png) ഇപ്പോൾ, നമുക്ക് SVR മോഡൽ നിർമ്മിക്കാം. @@ -97,7 +97,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![training and testing data](../../../../translated_images/train-test.ead0cecbfc341921d4875eccf25fed5eefbb860cdbb69cabcc2276c49e4b33e5.ml.png) + ![training and testing data](../../../../translated_images/train-test.ead0cecbfc341921.ml.png) @@ -275,7 +275,7 @@ plt.title("Training data prediction") plt.show() ``` -![training data prediction](../../../../translated_images/train-data-predict.3c4ef4e78553104ffdd53d47a4c06414007947ea328e9261ddf48d3eafdefbbf.ml.png) +![training data prediction](../../../../translated_images/train-data-predict.3c4ef4e78553104f.ml.png) ട്രെയിനിംഗ് ഡാറ്റയ്ക്ക് MAPE പ്രിന്റ് ചെയ്യുക @@ -298,7 +298,7 @@ plt.xlabel('Timestamp') plt.show() ``` -![testing data prediction](../../../../translated_images/test-data-predict.8afc47ee7e52874f514ebdda4a798647e9ecf44a97cc927c535246fcf7a28aa9.ml.png) +![testing data prediction](../../../../translated_images/test-data-predict.8afc47ee7e52874f.ml.png) ടെസ്റ്റിംഗ് ഡാറ്റയ്ക്ക് MAPE പ്രിന്റ് ചെയ്യുക @@ -354,7 +354,7 @@ plt.xlabel('Timestamp') plt.show() ``` -![full data prediction](../../../../translated_images/full-data-predict.4f0fed16a131c8f3bcc57a3060039dc7f2f714a05b07b68c513e0fe7fb3d8964.ml.png) +![full data prediction](../../../../translated_images/full-data-predict.4f0fed16a131c8f3.ml.png) ```python print('MAPE: ', mape(Y_pred, Y)*100, '%') diff --git a/translations/ml/7-TimeSeries/README.md b/translations/ml/7-TimeSeries/README.md index fd970959f..d71450f59 100644 --- a/translations/ml/7-TimeSeries/README.md +++ b/translations/ml/7-TimeSeries/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: 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. -![electric grid](../../../translated_images/electric-grid.0c21d5214db09ffae93c06a87ca2abbb9ba7475ef815129c5b423d7f9a7cf136.ml.jpg) +![electric grid](../../../translated_images/electric-grid.0c21d5214db09ffa.ml.jpg) 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. diff --git a/translations/ml/8-Reinforcement/1-QLearning/README.md b/translations/ml/8-Reinforcement/1-QLearning/README.md index ec939b538..5720113ef 100644 --- a/translations/ml/8-Reinforcement/1-QLearning/README.md +++ b/translations/ml/8-Reinforcement/1-QLearning/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # റീഇൻഫോഴ്‌സ്‌മെന്റ് ലേണിംഗിനും ക്യൂ-ലേണിംഗിനും പരിചയം -![മെഷീൻ ലേണിംഗിലെ റീഇൻഫോഴ്‌സ്‌മെന്റിന്റെ സംഗ്രഹം ഒരു സ്കെച്ച്നോട്ടിൽ](../../../../translated_images/ml-reinforcement.94024374d63348dbb3571c343ca7ddabef72adac0b8086d47164b769ba3a8a1d.ml.png) +![മെഷീൻ ലേണിംഗിലെ റീഇൻഫോഴ്‌സ്‌മെന്റിന്റെ സംഗ്രഹം ഒരു സ്കെച്ച്നോട്ടിൽ](../../../../translated_images/ml-reinforcement.94024374d63348db.ml.png) > 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: -![പീറ്ററിന്റെ പരിസരം](../../../../translated_images/environment.40ba3cb66256c93fa7e92f6f7214e1d1f588aafa97d266c11d108c5c5d101b6c.ml.png) +![പീറ്ററിന്റെ പരിസരം](../../../../translated_images/environment.40ba3cb66256c93f.ml.png) ഈ ബോർഡിലെ ഓരോ സെല്ലും താഴെ പറയുന്നവയിൽ ഒന്നായിരിക്കും: @@ -177,7 +177,7 @@ Q = np.ones((width,height,len(actions)),dtype=np.float)*1.0/len(actions) 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)`. -![പീറ്ററിന്റെ പരിസരം](../../../../translated_images/env_init.04e8f26d2d60089e128f21d22e5fef57d580e559f0d5937b06c689e5e7cdd438.ml.png) +![പീറ്ററിന്റെ പരിസരം](../../../../translated_images/env_init.04e8f26d2d60089e.ml.png) ഓരോ സെല്ലിന്റെ മദ്ധ്യത്തിൽ ഒരു "അറ" കാണിക്കുന്നു, അത് പ്രിയപ്പെട്ട ചലന ദിശ സൂചിപ്പിക്കുന്നു. എല്ലാ ദിശകളും സമാനമായതിനാൽ, ഒരു ഡോട്ട് പ്രദർശിപ്പിക്കുന്നു. @@ -195,7 +195,7 @@ Q = np.ones((width,height,len(actions)),dtype=np.float)*1.0/len(actions) ഇത് സ്റ്റേറ്റ് *s* ൽ പ്രവർത്തനം *a* നുള്ള ക്യൂ-ടേബിൾ മൂല്യം കണക്കാക്കാനുള്ള **ബെൽമാൻ ഫോർമുല** നൽകുന്നു: - + ഇവിടെ γ എന്നത് **ഡിസ്‌കൗണ്ട് ഫാക്ടർ** ആണ്, ഇത് നിലവിലെ റിവാർഡ് ഭാവി റിവാർഡിനേക്കാൾ എത്രമാത്രം മുൻഗണന നൽകണമെന്ന് നിർണ്ണയിക്കുന്നു. @@ -267,7 +267,7 @@ Q = np.ones((width,height,len(actions)),dtype=np.float)*1.0/len(actions) 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. - + ## നയം പരിശോധിക്കൽ @@ -311,7 +311,7 @@ print_statistics(qpolicy) 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: - + പഠനങ്ങൾ ചുരുക്കി പറയാം: diff --git a/translations/ml/8-Reinforcement/2-Gym/README.md b/translations/ml/8-Reinforcement/2-Gym/README.md index 91f929de1..363b9414c 100644 --- a/translations/ml/8-Reinforcement/2-Gym/README.md +++ b/translations/ml/8-Reinforcement/2-Gym/README.md @@ -19,13 +19,13 @@ CO_OP_TRANSLATOR_METADATA: > **പ്രശ്നം**: പീറ്റർ വംശജനെ നിന്ന് രക്ഷപ്പെടാൻ, അവൻ വേഗത്തിൽ ചലിക്കാൻ കഴിയണം. പീറ്റർ എങ്ങനെ സ്‌കേറ്റ് ചെയ്യാൻ പഠിക്കാമെന്ന് നാം കാണും, പ്രത്യേകിച്ച്, ബാലൻസ് നിലനിർത്താൻ, Q-ലേണിംഗ് ഉപയോഗിച്ച്. -![The great escape!](../../../../translated_images/escape.18862db9930337e3fce23a9b6a76a06445f229dadea2268e12a6f0a1fde12115.ml.png) +![The great escape!](../../../../translated_images/escape.18862db9930337e3.ml.png) > 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. -a cartpole +a cartpole ## മുൻപരിചയം @@ -285,7 +285,7 @@ Q-ലേണിങ്ങിൽ, ഓരോ അവസ്ഥയിലും എന plt.plot(rewards) ``` -![raw progress](../../../../translated_images/train_progress_raw.2adfdf2daea09c596fc786fa347a23e9aceffe1b463e2257d20a9505794823ec.ml.png) +![raw progress](../../../../translated_images/train_progress_raw.2adfdf2daea09c59.ml.png) 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) @@ -296,7 +296,7 @@ def running_average(x,window): plt.plot(running_average(rewards,100)) ``` -![training progress](../../../../translated_images/train_progress_runav.c71694a8fa9ab35935aff6f109e5ecdfdbdf1b0ae265da49479a81b5fae8f0aa.ml.png) +![training progress](../../../../translated_images/train_progress_runav.c71694a8fa9ab359.ml.png) ## ഹൈപ്പർപാരാമീറ്ററുകൾ മാറ്റി പരീക്ഷിക്കൽ diff --git a/translations/ml/8-Reinforcement/2-Gym/assignment.md b/translations/ml/8-Reinforcement/2-Gym/assignment.md index 1da90a7c0..11083b352 100644 --- a/translations/ml/8-Reinforcement/2-Gym/assignment.md +++ b/translations/ml/8-Reinforcement/2-Gym/assignment.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: [Mountain Car environment](https://gym.openai.com/envs/MountainCar-v0/) ഒരു താഴ്വരയിൽ കുടുങ്ങിയ ഒരു കാർ ഉൾക്കൊള്ളുന്നു: - + ലക്ഷ്യം താഴ്വരയിൽ നിന്ന് പുറത്തുകടക്കുകയും പതാക പിടിക്കുകയും ചെയ്യുക ആണ്, ഓരോ ഘട്ടത്തിലും താഴെപ്പറയുന്ന പ്രവർത്തനങ്ങളിൽ ഒന്നും ചെയ്യുക: diff --git a/translations/ml/8-Reinforcement/README.md b/translations/ml/8-Reinforcement/README.md index 62af165cd..dc61e6449 100644 --- a/translations/ml/8-Reinforcement/README.md +++ b/translations/ml/8-Reinforcement/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: 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. -![peter and the wolf](../../../translated_images/peter.779730f9ba3a8a8d9290600dcf55f2e491c0640c785af7ac0d64f583c49b8864.ml.png) +![peter and the wolf](../../../translated_images/peter.779730f9ba3a8a8d.ml.png) > പീറ്ററും അവന്റെ സുഹൃത്തുക്കളും വിശപ്പുള്ള വുൾഫിൽ നിന്ന് രക്ഷപ്പെടണം! ചിത്രം [Jen Looper](https://twitter.com/jenlooper) എന്നവന്റെതാണ് diff --git a/translations/ml/9-Real-World/1-Applications/README.md b/translations/ml/9-Real-World/1-Applications/README.md index 645c2eb54..bb9f6e92c 100644 --- a/translations/ml/9-Real-World/1-Applications/README.md +++ b/translations/ml/9-Real-World/1-Applications/README.md @@ -10,7 +10,7 @@ CO_OP_TRANSLATOR_METADATA: # പോസ്റ്റ്‌സ്‌ക്രിപ്റ്റ്: യാഥാർത്ഥ്യ ലോകത്തിലെ മെഷീൻ ലേണിംഗ് -![യാഥാർത്ഥ്യ ലോകത്തിലെ മെഷീൻ ലേണിംഗിന്റെ സംഗ്രഹം ഒരു സ്കെച്ച്നോട്ടിൽ](../../../../translated_images/ml-realworld.26ee2746716155771f8076598b6145e6533fe4a9e2e465ea745f46648cbf1b84.ml.png) +![യാഥാർത്ഥ്യ ലോകത്തിലെ മെഷീൻ ലേണിംഗിന്റെ സംഗ്രഹം ഒരു സ്കെച്ച്നോട്ടിൽ](../../../../translated_images/ml-realworld.26ee274671615577.ml.png) > 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? diff --git a/translations/ml/9-Real-World/2-Debugging-ML-Models/README.md b/translations/ml/9-Real-World/2-Debugging-ML-Models/README.md index 559f5d539..8a476079d 100644 --- a/translations/ml/9-Real-World/2-Debugging-ML-Models/README.md +++ b/translations/ml/9-Real-World/2-Debugging-ML-Models/README.md @@ -34,17 +34,17 @@ CO_OP_TRANSLATOR_METADATA: 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. -![മോഡൽ പിശകുകൾ വിശകലനം ചെയ്യുക](../../../../translated_images/ea-error-distribution.117452e1177c1dd84fab2369967a68bcde787c76c6ea7fdb92fcf15d1fce8206.ml.png) +![മോഡൽ പിശകുകൾ വിശകലനം ചെയ്യുക](../../../../translated_images/ea-error-distribution.117452e1177c1dd8.ml.png) 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. -![പിശക് വിശകലനം](../../../../translated_images/ea-error-cohort.6886209ea5d438c4daa8bfbf5ce3a7042586364dd3eccda4a4e3d05623ac702a.ml.png) +![പിശക് വിശകലനം](../../../../translated_images/ea-error-cohort.6886209ea5d438c4.ml.png) 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. -![പിശക് വിശകലന ഹീറ്റ് മാപ്പ്](../../../../translated_images/ea-heatmap.8d27185e28cee3830c85e1b2e9df9d2d5e5c8c940f41678efdb68753f2f7e56c.ml.png) +![പിശക് വിശകലന ഹീറ്റ് മാപ്പ്](../../../../translated_images/ea-heatmap.8d27185e28cee383.ml.png) പിശക് വിശകലനം ഉപയോഗിക്കേണ്ടത്: @@ -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. -![ഡാറ്റാസെറ്റ് കോഹോർട്ടുകൾ - RAI ഡാഷ്ബോർഡിലെ മോഡൽ അവലോകനം](../../../../translated_images/model-overview-dataset-cohorts.dfa463fb527a35a0afc01b7b012fc87bf2cad756763f3652bbd810cac5d6cf33.ml.png) +![ഡാറ്റാസെറ്റ് കോഹോർട്ടുകൾ - RAI ഡാഷ്ബോർഡിലെ മോഡൽ അവലോകനം](../../../../translated_images/model-overview-dataset-cohorts.dfa463fb527a35a0.ml.png) 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. -![സവിശേഷതാ കോഹോർട്ടുകൾ - RAI ഡാഷ്ബോർഡിലെ മോഡൽ അവലോകനം](../../../../translated_images/model-overview-feature-cohorts.c5104d575ffd0c80b7ad8ede7703fab6166bfc6f9125dd395dcc4ace2f522f70.ml.png) +![സവിശേഷതാ കോഹോർട്ടുകൾ - RAI ഡാഷ്ബോർഡിലെ മോഡൽ അവലോകനം](../../../../translated_images/model-overview-feature-cohorts.c5104d575ffd0c80.ml.png) 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. -![RAI ഡാഷ്ബോർഡിലെ ഡാറ്റാ വിശകലന ഘടകം](../../../../translated_images/dataanalysis-cover.8d6d0683a70a5c1e274e5a94b27a71137e3d0a3b707761d7170eb340dd07f11d.ml.png) +![RAI ഡാഷ്ബോർഡിലെ ഡാറ്റാ വിശകലന ഘടകം](../../../../translated_images/dataanalysis-cover.8d6d0683a70a5c1e.ml.png) 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. -![RAI ഡാഷ്ബോർഡിലെ സവിശേഷതാ പ്രാധാന്യം ഘടകം](../../../../translated_images/9-feature-importance.cd3193b4bba3fd4bccd415f566c2437fb3298c4824a3dabbcab15270d783606e.ml.png) +![RAI ഡാഷ്ബോർഡിലെ സവിശേഷതാ പ്രാധാന്യം ഘടകം](../../../../translated_images/9-feature-importance.cd3193b4bba3fd4b.ml.png) * 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. -![സവിശേഷതാ പ്രാധാന്യം](../../../../translated_images/9-features-influence.3ead3d3f68a84029f1e40d3eba82107445d3d3b6975d4682b23d8acc905da6d0.ml.png) +![സവിശേഷതാ പ്രാധാന്യം](../../../../translated_images/9-features-influence.3ead3d3f68a84029.ml.png) വ്യാഖ്യാനം ഉപയോഗിക്കേണ്ടത്: diff --git a/translations/ml/9-Real-World/README.md b/translations/ml/9-Real-World/README.md index e36e03df7..ad344be88 100644 --- a/translations/ml/9-Real-World/README.md +++ b/translations/ml/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 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. -![chess](../../../translated_images/chess.e704a268781bdad85d1876b6c2295742fa0d856e7dcf3659147052df9d3db205.ml.jpg) +![chess](../../../translated_images/chess.e704a268781bdad8.ml.jpg) > ഫോട്ടോ Alexis Fauvet Unsplash ൽ നിന്നാണ് diff --git a/translations/ml/README.md b/translations/ml/README.md index 5e1976f40..cf8ed9161 100644 --- a/translations/ml/README.md +++ b/translations/ml/README.md @@ -1,88 +1,86 @@ [![GitHub ലൈസൻസ്](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) -[![GitHub സംഭാവകർ](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) +[![GitHub പങ്കാളികൾ](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) [![GitHub പ്രശ്നങ്ങൾ](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) -[![GitHub പുൾ-റിക്വെസ്റ്റുകൾ](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) +[![GitHub പുൾ-റിക്വസ്റ്റുകൾ](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) [![PRs സ്വാഗതം](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) -[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) - [![GitHub വാച്ചർമാർ](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) -[![GitHub ഫോർക്കുകൾ](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/) +[![GitHub ഫോർകുകൾ](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/) [![GitHub സ്റ്റാർസ്](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) ### 🌐 ബഹുഭാഷാ പിന്തുണ -#### GitHub Action വഴി പിന്തുണ (സ്വയം പ്രവർത്തനവും എല്ലായ്പ്പോഴും പുതുക്കിക്കൊണ്ടിരിക്കുന്നതും) +#### GitHub Action മുഖാന്തിരം (ആട്ടോമേറ്റഡ് & എല്ലായ്പ്പോഴും അപ്-ടു-ഡേറ്റ്) വഴി പിന്തുണയ്ക്കുന്നു -[അറബി](../ar/README.md) | [ബംഗാളി](../bn/README.md) | [ബൾഗേറിയൻ](../bg/README.md) | [ബർമീസ് (മ്യാസ്മാർ)](../my/README.md) | [ചൈനീസ് (സിംപ്ലിഫൈഡ്)](../zh/README.md) | [ചൈനീസ് (പരമ്പരാഗതം, ഹോങ്കോങ്)](../hk/README.md) | [ചൈനീസ് (പരമ്പരാഗതം, മകAU)](../mo/README.md) | [ചൈനീസ് (പരമ്പരാഗതം, തായ്‌വാൻ)](../tw/README.md) | [ക്രോएട്ടിയൻ](../hr/README.md) | [ചെക്ക്](../cs/README.md) | [ഡെട്ടിഷ്](../da/README.md) | [ഡച്ച്](../nl/README.md) | [എസ്റ്റോണിയൻ](../et/README.md) | [ഫിന്നിഷ്](../fi/README.md) | [ഫ്രഞ്ച്](../fr/README.md) | [ജർമ്മൻ](../de/README.md) | [ഗ്രീസിയൻ](../el/README.md) | [ഹേബ്രു](../he/README.md) | [ഹിന്ദി](../hi/README.md) | [ഹंगേറിയൻ](../hu/README.md) | [ഇന്തോനീഷ്യൻ](../id/README.md) | [ഇറ്റാലിയൻ](../it/README.md) | [ജാപ്പനീസ്](../ja/README.md) | [കനഡ (Kannada)](../kn/README.md) | [കൊറിയൻ](../ko/README.md) | [ലിത്തുവേനിയൻ](../lt/README.md) | [മലേയോ](../ms/README.md) | [മലയാളം](./README.md) | [മറാത്തി](../mr/README.md) | [നെപാളി](../ne/README.md) | [നাইজീരിയൻ പിഡ്ജിൻ](../pcm/README.md) | [നോർവീജിയൻ](../no/README.md) | [ഫാർസി (പേർഷ്യൻ)](../fa/README.md) | [പോളിഷ്](../pl/README.md) | [പോർതുഗീസ് (ബ്രസീൽ)](../br/README.md) | [പോർതുഗീസ് (പോർച്ചുഗൽ)](../pt/README.md) | [പഞ്ചാബി (ഗുരുമുഖി)](../pa/README.md) | [റൊമാനിയൻ](../ro/README.md) | [റഷ്യൻ](../ru/README.md) | [സെർബിയൻ (സെരിലിക്)](../sr/README.md) | [സ്ലോവാക്](../sk/README.md) | [സ്ലോവീനിയൻ](../sl/README.md) | [സ്പാനിഷ്](../es/README.md) | [സ്വാഹിലി](../sw/README.md) | [സ്വീഡീഷ്](../sv/README.md) | [തഗാലോഗ് (ഫിലിപ്പീൻ)](../tl/README.md) | [തമിഴ്](../ta/README.md) | [തെലുഗു](../te/README.md) | [ഥായ്](../th/README.md) | [തർക്കിഷ്](../tr/README.md) | [ഉക്രെയ്‌നിയൻ](../uk/README.md) | [ഉർദു](../ur/README.md) | [വിയറ്റ്നാമീസ്](../vi/README.md) +[അറബി](../ar/README.md) | [ബെംഗാളി](../bn/README.md) | [ബൾഗേറിയൻ](../bg/README.md) | [ബർമീസ് (മ്യാൻമാർ)](../my/README.md) | [ചൈനീസ് (സിംപ്ലിഫൈഡ്)](../zh/README.md) | [ചൈനീസ് (ട്രാഡിഷണൽ, ഹോങ്കോങ്)](../hk/README.md) | [ചൈനീസ് (ട്രാഡിഷണൽ, മകാവോ)](../mo/README.md) | [ചൈനീസ് (ട്രാഡിഷണൽ, തായ്‍വാൻ)](../tw/README.md) | [ക്രൊവേഷ്യൻ](../hr/README.md) | [ചെക്](../cs/README.md) | [ഡാനിഷ്](../da/README.md) | [ഡച്ച്](../nl/README.md) | [എസ്റ്റോണിയൻ](../et/README.md) | [ഫിനിഷ്](../fi/README.md) | [ഫ്രഞ്ച്](../fr/README.md) | [ജർമ്മൻ](../de/README.md) | [ഗ്രീക്ക്](../el/README.md) | [ഹെബ്രോ](../he/README.md) | [ഹിന്ദി](../hi/README.md) | [ഹംഗേറിയൻ](../hu/README.md) | [ഇന്തോനേശ്യൻ](../id/README.md) | [ഇറ്റാലിയൻ](../it/README.md) | [ജാപ്പനീസ്](../ja/README.md) | [കന്നഡ](../kn/README.md) | [കൊറിയൻ](../ko/README.md) | [ലിതുവേനിയൻ](../lt/README.md) | [മലായ്](../ms/README.md) | [മലയാളം](./README.md) | [മറാത്തി](../mr/README.md) | [നെപ്പാളി](../ne/README.md) | [നായജീരിയൻ പിഡ്ജിൻ](../pcm/README.md) | [നോർവീജിയൻ](../no/README.md) | [പെഴ്സിയൻ (ഫാർസി)](../fa/README.md) | [പോളിഷ്](../pl/README.md) | [പോർച്ചുഗീസ് (ബ്രസീൽ)](../br/README.md) | [പോർച്ചുഗീസ് (പോർച്ചുഗൽ)](../pt/README.md) | [പഞ്ചാബി (ഗുരുമുഖി)](../pa/README.md) | [റൊമേനിയൻ](../ro/README.md) | [റഷ്യൻ](../ru/README.md) | [സെർബിയൻ (സിറിലിക്)](../sr/README.md) | [സ്ലോവാക്](../sk/README.md) | [സ്ലോവേനിയൻ](../sl/README.md) | [സ്പാനിഷ്](../es/README.md) | [സ്വാഹിലി](../sw/README.md) | [സ്വീഡിഷ്](../sv/README.md) | [ടാഗലോഗ് (ഫിലിപ്പീനോ)](../tl/README.md) | [തമിഴ്](../ta/README.md) | [തെലുങ്കു](../te/README.md) | [തായ്](../th/README.md) | [ടർക്കിഷ്](../tr/README.md) | [ഉക്രെയ്‌നിയൻ](../uk/README.md) | [ഉർദു](../ur/README.md) | [വിയറ്റ്നാമീസ്](../vi/README.md) -#### ഞങ്ങളുടെ കമ്മ്യൂണിറ്റിയിൽ ചേർക്കുക +#### നമ്മുടെ സമൂഹത്തിൽ ചേർക്കൂ -[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +[![Microsoft Foundry ഡിസ്കോർഡ്](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -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. -![AI-യോടൊപ്പം പഠിക്കുക പരമ്പര](../../translated_images/3.9b58fd8d6c373c20c588c5070c4948a826ab074426c28ceb5889641294373dfc.ml.png) +![Learn with AI series](../../translated_images/3.9b58fd8d6c373c20.ml.png) -# 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. 2. **റിപ്പോസിറ്ററി ക്ലോൺ ചെയ്യുക**: `git clone https://github.com/microsoft/ML-For-Beginners.git` -> [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. -[![ML for beginners ബാനർ](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6251134294459696e070a3a9a04632e9fe6a24aa0de4a7384.ml.png)](https://aka.ms/ml-beginners-videos) +[![ML for beginners ബാനർ](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6.ml.png)](https://aka.ms/ml-beginners-videos) --- @@ -90,136 +88,136 @@ Microsoft-യിലെ Cloud Advocates ഈ 12 ആഴ്ചകളിലായി [![പ്രമോ വീഡിയോ](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) -**ഗിഫ് സൃഷ്ടിച്ചത്** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) +**ജിഫ് ഒരുക്കിയത്** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) -> 🎥 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! -## ഓരോ പാഠത്തിലും ഉൾപ്പെടുന്നു +## ഓരോ പാഠത്തിലും ഉൾപ്പെടുന്നത് -- ഐച്ഛിക സ്കെച്ച്‌നോട്ട് -- ഐച്ഛിക സാമ്പ്രദായിക വീഡിയോ -- വീഡിയോ വാക്ക്-ത്രൂ (ചില പാഠങ്ങൾക്കായി മാത്രം) -- [പ്രീ-ലെക്ചർ വാർം-അപ് ക്വിസ്](https://ff-quizzes.netlify.app/en/ml/) -- എഴുത്തു പാഠം -- പ്രോജക്റ്റ്-കേന്ദ്ര പാഠങ്ങൾക്കായി, പ്രോജക്റ്റ് എങ്ങനെ നിർമ്മിക്കാൻ എന്നതിന്റെ ഘട്ടം-ഘട്ടമായ മാർഗ്ഗനിർദ്ദേശങ്ങൾ -- നോളജ് ചെക്കുകൾ +- ഐച്ഛിക sketchnote +- ഐച്ഛിക കൂടുതൽ വീഡിയോകൾ +- വീഡിയോ വാക്ക്-ത്രൂ (ചില പാഠങ്ങൾ മാത്രം) +- [pre-lecture warmup quiz](https://ff-quizzes.netlify.app/en/ml/) +- എഴുത്തായ പാഠം +- പ്രോജെക്ട്-അധിഷ്ഠിത പാഠങ്ങളിലൊക്കെയാണ്, പ്രോജക്ട് നിർമ്മിക്കുന്നതിന്‍റെ ഘട്ടം-ഘട്ടമായും ഗൈഡുകൾ +- knowledge checks - ഒരു ചലഞ്ച് -- പരിപൂരക വായന +- അനുബന്ധ വായന - അസൈൻമെന്റ് -- [പോസ്റ്റ്-ലെക്ചർ ക്വിസ്](https://ff-quizzes.netlify.app/en/ml/) +- [post-lecture quiz](https://ff-quizzes.netlify.app/en/ml/) -> **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. -| Lesson Number | Topic | Lesson Grouping | Learning Objectives | Linked Lesson | Author | +| പാഠം നമ്പർ | വിഷയം | പാഠം വിഭാഗം | അഭ്യസന ലക്ഷ്യങ്ങൾ | ലിങ്ക് ചെയ്ത പാഠം | രചയിതാവ് | | :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | -| 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 | +| 15 | നൈജീരിയന്‍ സംഗീതസ്വാദുകൾ ഗവേഷിക്കുക 🎧 | [ക്ലസ്റ്ററിംഗ്](5-Clustering/README.md) | K-Means ക്ലസ്റ്ററിംഗ് രീതീ പരിശോധിക്കുക | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.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: ### LangChain -[![LangChain4j - തുടക്കക്കാർ](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) -[![LangChain.js - തുടക്കക്കാർ](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) +[![LangChain4j ആരംഭക്കാർക്കുള്ളത്](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) +[![LangChain.js ആരംഭക്കാർക്കുള്ളത്](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) --- -### Azure / Edge / MCP / ഏജന്റുകൾ -[![AZD - തുടക്കക്കാർ](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Edge AI - തുടക്കക്കാർ](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![MCP - തുടക്കക്കാർ](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) -[![AI ഏജന്റുകൾ - തുടക്കക്കാർ](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) +### Azure / Edge / MCP / Agents +[![AZD ആരംഭക്കാർക്കുള്ളത്](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Edge AI ആരംഭക്കാർക്കുള്ളത്](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![MCP ആരംഭക്കാർക്കുള്ളത്](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AI ഏജന്റുകൾ ആരംഭക്കാർക്കുള്ളത്](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### ജനറേറ്റീവ് AI സീരീസ് -[![ജനറേറ്റീവ് AI - തുടക്കക്കാർ](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-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 +[![ജനറേറ്റീവ് AI ആരംഭക്കാർക്കുള്ളത്](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![ജനറേറ്റീവ് AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-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 എഐ (ജാവ)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) -[![ജനറേറ്റീവ് എഐ (ജാവാസ്ക്രിപ്റ്റ്)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) +[![ജനറേറ്റീവ് എഐ (ജാവാസ്ക്രിപ്റ്റ್)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) --- -### പ്രധാന പഠനങ്ങൾ -[![ആരംഭകർക്കുള്ള എംഎൽ](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) -[![ആരംഭകർക്കുള്ള ഡാറ്റാ സയൻസ്](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) -[![ആരംഭകർക്കുള്ള എഐ](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) -[![ആരംഭകർക്കുള്ള സൈബര്‍സുരക്ഷ](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) -[![ആരംഭകർക്കുള്ള വെബ് ഡെവ്](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) -[![ആരംഭകർക്കുള്ള ഐഒടി](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) -[![ആരംഭകർക്കുള്ള XR വികസനം](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) +### പ്രധാന പഠനം +[![ആരംഭക്കാർക്കുള്ള മെഷീൻ ലേണിംഗ്](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) +[![ആരംഭക്കാർക്കുള്ള ഡേറ്റാ സയൻസ്](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) +[![ആരംഭക്കാർക്കുള്ള എഐ](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) +[![ആരംഭക്കാർക്കുള്ള സൈബർസെക്യൂരിറ്റി](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) +[![ആരംഭക്കാർക്കുള്ള വെബ് ഡെവലപ്പ്മെന്റ്](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) +[![ആരംഭക്കാർക്കുള്ള ഐഒടി](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) +[![ആരംഭക്കാർക്കുള്ള XR ഡെവലപ്‌മെന്റ്](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### കോപ്പൈലറ്റ് സീരീസ് -[![എഐ സഹപ്രോഗ്രാമിംഗിനുള്ള Copilot](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) -[![C#/.NET-നുള്ള Copilot](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) +### കോപൈലറ്റ് സീരീസ് +[![AI കൂട്ടുപ്രോഗ്രാമിംഗിനുള്ള Copilot](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) +[![C#/.NET-ക്കായുള്ള Copilot](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) [![Copilot അഡ്വഞ്ചർ](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) -## സഹായം നേടുക +## സഹായം -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. -[![Microsoft Foundry ഡിസ്കോർഡ്](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -If you have product feedback or errors while building visit: +നിർമ്മിക്കുന്നതിനിടെ ഉൽപ്പന്ന അഭിപ്രായങ്ങൾ അല്ലെങ്കിൽ പിശകുകൾ ഉണ്ടെങ്കിൽ സന്ദർശിക്കുക: -[![Microsoft Foundry ഡവലപ്പർ ഫോറം](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) +[![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) --- -ഡിസ്ക്ലെയിമർ: -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. \ No newline at end of file diff --git a/translations/mo/1-Introduction/README.md b/translations/mo/1-Introduction/README.md index fcd4e1fde..7e18e1662 100644 --- a/translations/mo/1-Introduction/README.md +++ b/translations/mo/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 在本課程中，您將了解機器學習領域的基本概念、它的定義，以及它的歷史和研究人員使用的技術。讓我們一起探索這個機器學習的新世界吧！ -![globe](../../../translated_images/globe.59f26379ceb40428672b4d9a568044618a2bf6292ecd53a5c481b90e3fa805eb.mo.jpg) +![globe](../../../translated_images/globe.59f26379ceb40428.mo.jpg) > 照片由 Bill Oxford 提供，來自 Unsplash ### 課程 diff --git a/translations/mo/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/mo/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index e54ad2850..57da75477 100644 --- a/translations/mo/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/mo/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -48,7 +48,7 @@ " width=\"630\"/>\n", "
插畫作者：@allison_horst
\n", "\n", - "\n" + "\n" ], "metadata": { "id": "LWNNzfqd6feZ" diff --git a/translations/mo/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/mo/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index a15d77d16..074b77d3d 100644 --- a/translations/mo/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/mo/2-Regression/2-Data/solution/R/lesson_2-R.ipynb @@ -49,7 +49,7 @@ "
插圖由 @allison_horst 提供
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "Pg5aexcOPqAZ" @@ -230,7 +230,7 @@ "
插圖由 @allison_horst 提供
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "o4jLY5-VZO2C" @@ -535,7 +535,7 @@ "
資訊圖表由 Dasani Madipalli 提供
\n", "\n", "\n", - "\n", + "\n", "\n", "有一句*智慧*的名言是這樣說的：\n", "\n", diff --git a/translations/mo/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/mo/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index 7187a0304..9d26ed539 100644 --- a/translations/mo/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/mo/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -40,7 +40,7 @@ "
資訊圖表由 Dasani Madipalli 製作
\n", "\n", "\n", - "\n", + "\n", "\n", "#### 簡介\n", "\n", @@ -804,7 +804,7 @@ "
圖表由 Dasani Madipalli 製作
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "HOCqJXLTwtWI" diff --git a/translations/mo/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/mo/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index b2162e405..e086dd2db 100644 --- a/translations/mo/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/mo/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## 建立邏輯迴歸模型 - 第四課\n", "\n", - "![邏輯迴歸與線性迴歸資訊圖表](../../../../../../translated_images/linear-vs-logistic.ba180bf95e7ee66721ba10ebf2dac2666acbd64a88b003c83928712433a13c7d.mo.png)\n", + "![邏輯迴歸與線性迴歸資訊圖表](../../../../../../translated_images/linear-vs-logistic.ba180bf95e7ee667.mo.png)\n", "\n", "#### **[課前測驗](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", @@ -78,7 +78,7 @@ "\n", "邏輯回歸不提供與線性回歸相同的功能。前者提供對「二元類別」（例如「橙色或非橙色」）的預測，而後者則能夠預測「連續值」，例如根據南瓜的來源和收穫時間，*價格會上漲多少*。\n", "\n", - "![Dasani Madipalli 的資訊圖表](../../../../../../translated_images/pumpkin-classifier.562771f104ad5436b87d1c67bca02a42a17841133556559325c0a0e348e5b774.mo.png)\n", + "![Dasani Madipalli 的資訊圖表](../../../../../../translated_images/pumpkin-classifier.562771f104ad5436.mo.png)\n", "\n", "### 其他分類方式\n", "\n", @@ -88,7 +88,7 @@ "\n", "- **序列型**，涉及有序的類別，適合我們希望按邏輯順序排列結果的情境，例如南瓜按有限的尺寸（迷你、小、中、大、特大、超大）排序。\n", "\n", - "![多項式 vs 序列型回歸](../../../../../../translated_images/multinomial-vs-ordinal.36701b4850e37d86c9dd49f7bef93a2f94dbdb8fe03443eb68f0542f97f28f29.mo.png)\n", + "![多項式 vs 序列型回歸](../../../../../../translated_images/multinomial-vs-ordinal.36701b4850e37d86.mo.png)\n", "\n", "#### **變數不需要相關**\n", "\n", diff --git a/translations/mo/2-Regression/README.md b/translations/mo/2-Regression/README.md index d0a3a7560..e8a165e5a 100644 --- a/translations/mo/2-Regression/README.md +++ b/translations/mo/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: 在北美，南瓜常被雕刻成恐怖的臉孔以慶祝萬聖節。讓我們一起探索這些迷人的蔬菜吧！ -![jack-o-lanterns](../../../translated_images/jack-o-lanterns.181c661a9212457d7756f37219f660f1358af27554d856e5a991f16b4e15337c.mo.jpg) +![jack-o-lanterns](../../../translated_images/jack-o-lanterns.181c661a9212457d.mo.jpg) > 照片由 Beth Teutschmann 提供，來自 Unsplash ## 你將學到什麼 diff --git a/translations/mo/3-Web-App/README.md b/translations/mo/3-Web-App/README.md index d53abbec1..066255dd9 100644 --- a/translations/mo/3-Web-App/README.md +++ b/translations/mo/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 在本課程的這一部分，您將學習一個應用機器學習的主題：如何將您的 Scikit-learn 模型保存為一個文件，並在網頁應用程式中使用它進行預測。一旦模型保存完成，您將學習如何在使用 Flask 建立的網頁應用程式中使用它。首先，您將使用一些關於 UFO 目擊事件的數據來建立模型！接著，您將建立一個網頁應用程式，允許您輸入秒數、緯度和經度值，來預測哪個國家報告了看到 UFO。 -![UFO 停車場](../../../translated_images/ufo.9e787f5161da9d4d1dafc537e1da09be8210f2ee996cb638aa5cee1d92867a04.mo.jpg) +![UFO 停車場](../../../translated_images/ufo.9e787f5161da9d4d.mo.jpg) 照片由 Michael Herren 提供，來自 Unsplash diff --git a/translations/mo/4-Classification/README.md b/translations/mo/4-Classification/README.md index 36a20c133..164ccf8fd 100644 --- a/translations/mo/4-Classification/README.md +++ b/translations/mo/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: 在亞洲和印度，飲食文化非常多樣化，而且非常美味！讓我們來看看有關區域料理的數據，試著了解它們的食材。 -![泰國食物攤販](../../../translated_images/thai-food.c47a7a7f9f05c21892a1f9dc7bf30669e6d18dfda420c5c7ebb4153f6a304edd.mo.jpg) +![泰國食物攤販](../../../translated_images/thai-food.c47a7a7f9f05c218.mo.jpg) > 照片由 Lisheng Chang 提供，來自 Unsplash ## 你將學到什麼 diff --git a/translations/mo/5-Clustering/README.md b/translations/mo/5-Clustering/README.md index 64ea68fb5..bf7825907 100644 --- a/translations/mo/5-Clustering/README.md +++ b/translations/mo/5-Clustering/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: 尼日利亞多元化的觀眾擁有多樣的音樂品味。利用從 Spotify 擷取的數據（靈感來自[這篇文章](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)），讓我們來看看尼日利亞流行的音樂。這個數據集包含了各種歌曲的「舞蹈性」分數、「聲學性」、音量、「語音性」、流行度和能量等數據。探索這些數據中的模式將會非常有趣！ -![一台唱盤](../../../translated_images/turntable.f2b86b13c53302dc106aa741de9dc96ac372864cf458dd6f879119857aab01da.mo.jpg) +![一台唱盤](../../../translated_images/turntable.f2b86b13c53302dc.mo.jpg) > 照片由 Marcela Laskoski 提供，來自 Unsplash diff --git a/translations/mo/6-NLP/README.md b/translations/mo/6-NLP/README.md index 2b96d5fbf..4a0cf1349 100644 --- a/translations/mo/6-NLP/README.md +++ b/translations/mo/6-NLP/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: 在這些課程中，我們將通過建立小型對話機器人來學習自然語言處理的基礎，了解機器學習如何幫助使這些對話變得越來越「智能」。你將穿越時光，與珍·奧斯汀1813年出版的經典小說《傲慢與偏見》中的伊麗莎白·班內特和達西先生進行交流。接著，你將進一步學習如何通過歐洲酒店評論進行情感分析。 -![傲慢與偏見書籍與茶](../../../translated_images/p&p.279f1c49ecd889419e4ce6206525e9aa30d32a976955cd24daa636c361c6391f.mo.jpg) +![傲慢與偏見書籍與茶](../../../translated_images/p&p.279f1c49ecd88941.mo.jpg) > 照片由 Elaine Howlin 提供，來自 Unsplash ## 課程 diff --git a/translations/mo/7-TimeSeries/README.md b/translations/mo/7-TimeSeries/README.md index ad266521c..53bfdec19 100644 --- a/translations/mo/7-TimeSeries/README.md +++ b/translations/mo/7-TimeSeries/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: 我們的區域重點是全球的電力使用情況，這是一個有趣的數據集，可以用來學習如何根據過去的負載模式預測未來的電力使用情況。您可以看到，這種預測在商業環境中是多麼有幫助。 -![電網](../../../translated_images/electric-grid.0c21d5214db09ffae93c06a87ca2abbb9ba7475ef815129c5b423d7f9a7cf136.mo.jpg) +![電網](../../../translated_images/electric-grid.0c21d5214db09ffa.mo.jpg) 照片由 [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) 拍攝，展示了拉賈斯坦邦道路上的電塔，來自 [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) diff --git a/translations/mo/8-Reinforcement/README.md b/translations/mo/8-Reinforcement/README.md index 488a49e20..f399d482e 100644 --- a/translations/mo/8-Reinforcement/README.md +++ b/translations/mo/8-Reinforcement/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: 想像一下你有一個模擬環境，例如股市。如果你施加某項規定，會發生什麼？它會產生正面還是負面的影響？如果發生負面影響，你需要接受這種_負面強化_，從中學習並改變方向。如果結果是正面的，你需要基於這種_正面強化_繼續努力。 -![彼得與狼](../../../translated_images/peter.779730f9ba3a8a8d9290600dcf55f2e491c0640c785af7ac0d64f583c49b8864.mo.png) +![彼得與狼](../../../translated_images/peter.779730f9ba3a8a8d.mo.png) > 彼得和他的朋友們需要逃離飢餓的狼！圖片來源：[Jen Looper](https://twitter.com/jenlooper) diff --git a/translations/mo/9-Real-World/README.md b/translations/mo/9-Real-World/README.md index a563d2d76..54f1a114d 100644 --- a/translations/mo/9-Real-World/README.md +++ b/translations/mo/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 在本課程的這一部分，你將了解經典機器學習在現實世界中的一些應用。我們在網路上搜尋了許多白皮書和文章，介紹了使用這些策略的應用，並儘量避免涉及神經網路、深度學習和人工智慧。學習機器學習如何應用於商業系統、生態應用、金融、藝術與文化等領域。 -![chess](../../../translated_images/chess.e704a268781bdad85d1876b6c2295742fa0d856e7dcf3659147052df9d3db205.mo.jpg) +![chess](../../../translated_images/chess.e704a268781bdad8.mo.jpg) > 圖片由 Alexis Fauvet 提供，來源於 Unsplash diff --git a/translations/mo/README.md b/translations/mo/README.md index 32ca79877..a314def31 100644 --- a/translations/mo/README.md +++ b/translations/mo/README.md @@ -1,8 +1,8 @@ -[阿拉伯語](../ar/README.md) | [孟加拉語](../bn/README.md) | [保加利亞語](../bg/README.md) | [緬甸語（緬甸）](../my/README.md) | [中文（簡體）](../zh/README.md) | [中文（繁體，香港）](../hk/README.md) | [中文（繁體，澳門）](./README.md) | [中文（繁體，台灣）](../tw/README.md) | [克羅地亞語](../hr/README.md) | [捷克語](../cs/README.md) | [丹麥語](../da/README.md) | [荷蘭語](../nl/README.md) | [愛沙尼亞語](../et/README.md) | [芬蘭語](../fi/README.md) | [法語](../fr/README.md) | [德語](../de/README.md) | [希臘語](../el/README.md) | [希伯來語](../he/README.md) | [印地語](../hi/README.md) | [匈牙利語](../hu/README.md) | [印尼語](../id/README.md) | [義大利語](../it/README.md) | [日語](../ja/README.md) | [卡納達語](../kn/README.md) | [韓語](../ko/README.md) | [立陶宛語](../lt/README.md) | [馬來語](../ms/README.md) | [馬拉雅拉姆語](../ml/README.md) | [馬拉地語](../mr/README.md) | [尼泊爾語](../ne/README.md) | [尼日利亞皮欽語](../pcm/README.md) | [挪威語](../no/README.md) | [波斯語（法爾西）](../fa/README.md) | [波蘭語](../pl/README.md) | [葡萄牙語（巴西）](../br/README.md) | [葡萄牙語（葡萄牙）](../pt/README.md) | [旁遮普語（Gurmukhi）](../pa/README.md) | [羅馬尼亞語](../ro/README.md) | [俄語](../ru/README.md) | [塞爾維亞語（西里爾字母）](../sr/README.md) | [斯洛伐克語](../sk/README.md) | [斯洛文尼亞語](../sl/README.md) | [西班牙語](../es/README.md) | [斯瓦希里語](../sw/README.md) | [瑞典語](../sv/README.md) | [他加祿語（菲律賓語）](../tl/README.md) | [泰米爾語](../ta/README.md) | [泰盧固語](../te/README.md) | [泰語](../th/README.md) | [土耳其語](../tr/README.md) | [烏克蘭語](../uk/README.md) | [烏爾都語](../ur/README.md) | [越南語](../vi/README.md) +[阿拉伯語](../ar/README.md) | [孟加拉語](../bn/README.md) | [保加利亞語](../bg/README.md) | [緬甸語（Myanmar）](../my/README.md) | [中文（簡體）](../zh/README.md) | [中文（繁體，香港）](../hk/README.md) | [中文（繁體，澳門）](./README.md) | [中文（繁體，台灣）](../tw/README.md) | [克羅地亞語](../hr/README.md) | [捷克語](../cs/README.md) | [丹麥語](../da/README.md) | [荷蘭語](../nl/README.md) | [愛沙尼亞語](../et/README.md) | [芬蘭語](../fi/README.md) | [法語](../fr/README.md) | [德語](../de/README.md) | [希臘語](../el/README.md) | [希伯來語](../he/README.md) | [印地語](../hi/README.md) | [匈牙利語](../hu/README.md) | [印尼語](../id/README.md) | [義大利語](../it/README.md) | [日語](../ja/README.md) | [卡納達語](../kn/README.md) | [韓語](../ko/README.md) | [立陶宛語](../lt/README.md) | [馬來語](../ms/README.md) | [馬拉雅拉姆語](../ml/README.md) | [馬拉地語](../mr/README.md) | [尼泊爾語](../ne/README.md) | [奈及利亞皮欽語](../pcm/README.md) | [挪威語](../no/README.md) | [波斯語（法爾西）](../fa/README.md) | [波蘭語](../pl/README.md) | [葡萄牙語（巴西）](../br/README.md) | [葡萄牙語（葡萄牙）](../pt/README.md) | [旁遮普語（Gurmukhi）](../pa/README.md) | [羅馬尼亞語](../ro/README.md) | [俄語](../ru/README.md) | [塞爾維亞語（西里爾字）](../sr/README.md) | [斯洛伐克語](../sk/README.md) | [斯洛文尼亞語](../sl/README.md) | [西班牙語](../es/README.md) | [斯瓦希里語](../sw/README.md) | [瑞典語](../sv/README.md) | [塔加洛語（菲律賓）](../tl/README.md) | [泰米爾語](../ta/README.md) | [泰盧固語](../te/README.md) | [泰語](../th/README.md) | [土耳其語](../tr/README.md) | [烏克蘭語](../uk/README.md) | [烏爾都語](../ur/README.md) | [越南語](../vi/README.md) #### 加入我們的社群 -[![Microsoft Foundry Discord 伺服器](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -我們正在舉辦一個 Discord 的「與 AI 一起學習」系列活動，請於 2025 年 9 月 18 日至 30 日 了解更多並加入我們（連結：[Learn with AI Series](https://aka.ms/learnwithai/discord)）。您將獲得使用 GitHub Copilot 進行資料科學的技巧與秘訣。 +我們正在舉辦 Discord「與 AI 一起學習」系列活動，更多資訊與加入請至 [與 AI 一起學習 系列](https://aka.ms/learnwithai/discord)。活動期間為 2025 年 9 月 18 日至 9 月 30 日。您將會獲得有關在資料科學中使用 GitHub Copilot 的技巧與秘訣。 -![與 AI 一起學習 系列](../../translated_images/3.9b58fd8d6c373c20c588c5070c4948a826ab074426c28ceb5889641294373dfc.mo.png) +![與 AI 一起學習 系列](../../translated_images/3.9b58fd8d6c373c20.mo.png) -# 初學者機器學習課程 - 課程大綱 +# 初學者機器學習課程綱要 -> 🌍 跟隨我們以世界文化為媒介，周遊列國探索機器學習 🌍 +> 🌍 跟著我們環遊世界，一邊透過世界文化探索機器學習 🌍 -Microsoft 的 Cloud Advocates 很高興提供一個為期 12 週、共 26 節課的 **機器學習** 課程。在本課程中，您將學到有時被稱為 **經典機器學習** 的內容，主要使用 Scikit-learn 作為函式庫，並避免涵蓋深度學習（深度學習可在我們的 [AI 初學者課程](https://aka.ms/ai4beginners) 中找到）。您也可以將這些課程與我們的 ['資料科學初學者' 課程](https://aka.ms/ds4beginners) 搭配使用。 +Microsoft 的 Cloud Advocates 很高興提供一個為期 12 週、共 26 節課的完整課程，主要內容為 **機器學習**。在本課程中，您將學到有時被稱為 **經典機器學習** 的概念，主要使用 Scikit-learn 這個函式庫，並避開深度學習（深度學習已在我們的 [AI 初學者課程](https://aka.ms/ai4beginners) 中介紹）。也可以搭配我們的 [「數據科學初學者」課程](https://aka.ms/ds4beginners) 一起學習！ -跟我們一起周遊世界，將這些經典技術應用於來自世界各地的資料。每堂課都包含課前與課後小測、書面教學以完成課程、解答、作業等等。我們以專案為基礎的教學法讓您在構建過程中學習，這是讓新技能「穩固」的驗證方法。 +跟著我們周遊世界，將這些經典技術應用到世界各地的資料。每堂課包含課前與課後的測驗、完成課程所需的書面指示、解答、作業，以及更多內容。我們以專案為導向的教學法讓你在實作中學習，這是讓新技能能夠「養成」的有效方式。 -**✍️ 衷心感謝我們的作者** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd +**✍️ 衷心感謝作者** Jen Looper、Stephen Howell、Francesca Lazzeri、Tomomi Imura、Cassie Breviu、Dmitry Soshnikov、Chris Noring、Anirban Mukherjee、Ornella Altunyan、Ruth Yakubu 以及 Amy Boyd -**🎨 也要感謝插畫家** Tomomi Imura, Dasani Madipalli, and Jen Looper +**🎨 也感謝插畫師** Tomomi Imura、Dasani Madipalli 以及 Jen Looper -**🙏 特別感謝 🙏 我們的 Microsoft 學生大使作者、審稿人與內容貢獻者**，特別是 Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, 以及 Snigdha Agarwal +**🙏 特別感謝 🙏 我們的 Microsoft Student Ambassador 作者、審閱者與內容貢獻者**，尤其是 Rishit Dagli、Muhammad Sakib Khan Inan、Rohan Raj、Alexandru Petrescu、Abhishek Jaiswal、Nawrin Tabassum、Ioan Samuila，以及 Snigdha Agarwal -**🤩 額外感謝 Microsoft 學生大使 Eric Wanjau, Jasleen Sondhi, 以及 Vidushi Gupta 對於我們的 R 課程貢獻！** +**🤩 額外感謝 Microsoft Student Ambassadors Eric Wanjau、Jasleen Sondhi 以及 Vidushi Gupta 對我們的 R 課程所做的貢獻！** # 開始使用 -請遵循以下步驟： -1. **Fork the Repository**：點擊本頁右上角的 "Fork" 按鈕。 -2. **Clone the Repository**： `git clone https://github.com/microsoft/ML-For-Beginners.git` +請依照下列步驟： +1. **Fork 倉庫**：點擊此頁面右上角的「Fork」按鈕。 +2. **Clone 倉庫**： `git clone https://github.com/microsoft/ML-For-Beginners.git` -> [在我們的 Microsoft Learn 集合中找到此課程的所有額外資源](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) +> [在我們的 Microsoft Learn 集合中找到本課程的所有額外資源](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) -> 🔧 **需要幫助嗎？** 請查看我們的 [Troubleshooting Guide](TROUBLESHOOTING.md) 以取得安裝、設定與執行課程常見問題的解決方案。 +> 🔧 **需要協助嗎？** 請查看我們的 [疑難排解指南](TROUBLESHOOTING.md)，以解決安裝、設定及執行課程時常見的問題。 -**[學生](https://aka.ms/student-page)**，要使用此課程，請將整個倉庫 fork 到您自己的 GitHub 帳戶，並單獨或與小組一起完成練習： +**[學生](https://aka.ms/student-page)**，要使用此課程，請將整個專案 Fork 到您自己的 GitHub 帳號，並獨立或與小組完成練習： -- 先從課前小測開始。 -- 閱讀講義並完成活動，在每個知識檢核點暫停並反思。 -- 嘗試在理解課程內容後自行建立專案，而不是直接執行解答程式碼；不過該程式碼可在每個專案導向課程的 `/solution` 資料夾中找到。 -- 完成課後小測。 +- 從課前測驗開始。 +- 閱讀講義並完成活動，於每個知識檢核處暫停並思考。 +- 嘗試透過理解課程內容來建立專案，而不是直接執行解答程式碼；不過每個專案導向課程的解答程式碼都可在 `/solution` 資料夾中找到。 +- 完成課後測驗。 - 完成挑戰。 - 完成作業。 -- 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。 -> 如需進一步學習，我們建議您參考以下這些 [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) 模組與學習路徑。 +> 若要進一步進修，我們建議追蹤這些 [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) 模組與學習路徑。 -**教師們**，我們在 [for-teachers.md](for-teachers.md) 中提供了一些使用本課程的建議。 +**教師**，我們已在 [包含一些建議](for-teachers.md) 以說明如何使用本課程。 --- ## 影片導覽 -部分課程提供短片形式的教學。您可以在各課程內內嵌觀看，或透過點擊下方圖片前往 [Microsoft Developer YouTube 頻道上的 ML for Beginners 播放清單](https://aka.ms/ml-beginners-videos)。 +部分課程提供短片形式的教學影片。您可以在每堂課內嵌找到這些影片，或在 Microsoft Developer YouTube 頻道上的 [ML for Beginners 播放清單](https://aka.ms/ml-beginners-videos) 觀看，點選下方圖片即可前往。 -[![ML 初學者 橫幅](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6251134294459696e070a3a9a04632e9fe6a24aa0de4a7384.mo.png)](https://aka.ms/ml-beginners-videos) +[![初學者機器學習 橫幅](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6.mo.png)](https://aka.ms/ml-beginners-videos) --- -## 團隊成員 +## 認識團隊 [![宣傳影片](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) -**動圖作者** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) +**GIF 由** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) -> 🎥 點擊上方圖片觀看關於此專案及其創作者的影片！ +> 🎥 點擊上方圖片觀看關於專案及其創作者的影片！ --- ## 教學法 -我們在建立此課程時選擇了兩個教學原則：確保課程是實作導向的「專案式學習（project-based）」，以及包含「頻繁的小測」。此外，本課程也有一個共同的「主題」，以提升整體一致性。 +本課程在設計時採用了兩個教學原則：確保以實作為主的 **專案導向**，以及包含 **頻繁測驗**。此外，本課程具有共同的 **主題** 以強化內容的一致性。 -透過確保內容與專案對齊，學習過程對學生更具吸引力，概念的記憶也會因此提升。此外，課前的低壓小測可幫助學生設定學習意向，而課後的第二次小測則可強化記憶。本課程設計具彈性且富趣味性，可整體學習或分段學習。專案從簡單開始，並在 12 週週期結束時逐漸變得更具挑戰性。本課程也包含一段關於機器學習真實世界應用的附錄，可作為加分題或討論基礎。 +透過讓內容與專案對齊，學生的學習過程會更有參與感，概念的記憶也會增加。此外，課前的低門檻測驗能幫助學員在課堂前就設定學習意圖，而課後的第二次測驗則能加強記憶。本課程設計上彈性且有趣，可整套修習或單元修習。專案由淺入深，至 12 週結束時逐步提升複雜度。本課程亦包含一段關於機器學習真實世界應用的後記，可作為額外加分或討論基礎。 -> 請參閱我們的 [行為準則](CODE_OF_CONDUCT.md)、[貢獻指南](CONTRIBUTING.md)、[翻譯指南](TRANSLATIONS.md)、以及[故障排除](TROUBLESHOOTING.md)。我們歡迎您提出建設性的回饋！ +> 查閱我們的 [行為準則](CODE_OF_CONDUCT.md)、[貢獻指南](CONTRIBUTING.md)、[翻譯指南](TRANSLATIONS.md) 以及 [疑難排解](TROUBLESHOOTING.md)。我們歡迎您的建設性意見！ ## 每堂課包含 -- 選擇性手繪筆記 +- 可選的手繪筆記 - 可選的補充影片 - 影片導覽（僅部分課程） -- [課前熱身小測](https://ff-quizzes.netlify.app/en/ml/) -- 書面課程 -- 對於專案導向課程，逐步指南教您如何構建專案 +- [課前暖身測驗](https://ff-quizzes.netlify.app/en/ml/) +- 書面講義 +- 對於專案導向課程，提供逐步指南教你如何建置專案 - 知識檢核 - 一個挑戰 - 補充閱讀 - 作業 -- [課後小測](https://ff-quizzes.netlify.app/en/ml/) +- [課後測驗](https://ff-quizzes.netlify.app/en/ml/) -> **關於語言的一則說明**：這些課程主要以 Python 撰寫，但許多也有 R 版本。要完成 R 課程，請到 `/solution` 資料夾並尋找 R 課程。它們包含 .rmd 副檔名，代表一個 **R Markdown** 檔案，其可簡單定義為在 `Markdown document` 中嵌入 `code chunks`（R 或其他語言）和一個 `YAML header`（指示如何格式化輸出，例如 PDF）。因此，它作為資料科學的範例撰寫框架，允許您結合程式碼、輸出與您的想法，並以 Markdown 撰寫。此外，R Markdown 文件可被轉換為 PDF、HTML 或 Word 等輸出格式。 +> **關於語言的一則說明**：這些課程主要以 Python 撰寫，但很多課程也提供 R 版本。要完成 R 課程，請前往 `/solution` 資料夾並尋找 R 課程。它們包含 `.rmd` 副檔名，代表一個 **R Markdown** 檔案，可以簡單定義為在 `Markdown` 文件中嵌入 `code chunks`（R 或其他語言）與一個 `YAML header`（用來指導如何輸出為 PDF 等格式）。因此，它是一個示範性的資料科學撰寫框架；您可以結合程式碼、輸出與說明文字，一併以 Markdown 撰寫。R Markdown 文件亦可輸出為 PDF、HTML 或 Word 等格式。 -> **關於小測的一則說明**：所有小測都放在 [Quiz App 資料夾](../../quiz-app)，總共有 52 個小測，每個小測三個問題。它們在課程中有連結，但 quiz app 也可以在本機執行；請依照 `quiz-app` 資料夾中的說明來本機架設或部署到 Azure。 +> **關於測驗的一則說明**：所有測驗都集中在 [測驗應用程式資料夾](../../quiz-app)，共 52 個測驗，每個測驗三題。這些測驗由課程內連結，但測驗應用程式也可以在本機執行；請依照 `quiz-app` 資料夾中的說明在本機 host 或部署到 Azure。 | Lesson Number | Topic | Lesson Grouping | Learning Objectives | Linked Lesson | Author | | :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | -| 01 | 機器學習簡介 | [介紹](1-Introduction/README.md) | 了解機器學習背後的基本概念 | [課程](1-Introduction/1-intro-to-ML/README.md) | Muhammad | -| 02 | 機器學習的歷史 | [介紹](1-Introduction/README.md) | 了解支撐此領域的歷史 | [課程](1-Introduction/2-history-of-ML/README.md) | Jen and Amy | -| 03 | 公平性與機器學習 | [介紹](1-Introduction/README.md) | 在構建和應用機器學習模型時，學生應該考慮哪些關於公平性的重要哲學議題？ | [課程](1-Introduction/3-fairness/README.md) | Tomomi | -| 04 | 機器學習技術 | [介紹](1-Introduction/README.md) | 機器學習研究者用哪些技術來建立模型？ | [課程](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen | -| 05 | 迴歸簡介 | [迴歸](2-Regression/README.md) | 使用 Python 和 Scikit-learn 開始建立迴歸模型 | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | -| 06 | 北美南瓜價格 🎃 | [迴歸](2-Regression/README.md) | 視覺化並清理資料以準備機器學習 | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | -| 07 | 北美南瓜價格 🎃 | [迴歸](2-Regression/README.md) | 建立線性和多項式迴歸模型 | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau | -| 08 | 北美南瓜價格 🎃 | [迴歸](2-Regression/README.md) | 建立邏輯迴歸模型 | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | -| 09 | 網頁應用 🔌 | [網頁應用](3-Web-App/README.md) | 建立一個網頁應用來使用你已訓練的模型 | [Python](3-Web-App/1-Web-App/README.md) | Jen | -| 10 | 分類簡介 | [分類](4-Classification/README.md) | 清理、準備並視覺化你的資料；分類入門 | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau | -| 11 | 美味的亞洲與印度料理 🍜 | [分類](4-Classification/README.md) | 分類器入門 | [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 | 美味的亞洲與印度料理 🍜 | [分類](4-Classification/README.md) | 更多分類器 | [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 | 美味的亞洲與印度料理 🍜 | [分類](4-Classification/README.md) | 使用你的模型建立一個推薦系統網頁應用 | [Python](4-Classification/4-Applied/README.md) | Jen | -| 14 | 分群簡介 | [分群](5-Clustering/README.md) | 清理、準備並視覺化你的資料；分群入門 | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | -| 15 | 探索奈及利亞的音樂口味 🎧 | [分群](5-Clustering/README.md) | 探索 K-Means 分群方法 | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | -| 16 | 自然語言處理簡介 ☕️ | [自然語言處理](6-NLP/README.md) | 透過建立一個簡單機器人學習 NLP 的基本概念 | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | -| 17 | 常見的 NLP 任務 ☕️ | [自然語言處理](6-NLP/README.md) | 透過了解處理語言結構時常見的任務來加深你的 NLP 知識 | [Python](6-NLP/2-Tasks/README.md) | Stephen | -| 18 | 翻譯與情感分析 ♥️ | [自然語言處理](6-NLP/README.md) | 使用珍·奧斯汀的文本進行翻譯與情感分析 | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | -| 19 | 歐洲浪漫飯店 ♥️ | [自然語言處理](6-NLP/README.md) | 使用飯店評論的情感分析 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | -| 20 | 歐洲浪漫飯店 ♥️ | [自然語言處理](6-NLP/README.md) | 使用飯店評論的情感分析 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | -| 21 | 時間序列預測簡介 | [時間序列](7-TimeSeries/README.md) | 時間序列預測入門 | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | -| 22 | ⚡️ 世界用電量 ⚡️ - 使用 ARIMA 的時間序列預測 | [時間序列](7-TimeSeries/README.md) | 使用 ARIMA 的時間序列預測 | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | -| 23 | ⚡️ 世界用電量 ⚡️ - 使用 SVR 的時間序列預測 | [時間序列](7-TimeSeries/README.md) | 使用支持向量回歸 (SVR) 的時間序列預測 | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | -| 24 | 強化學習簡介 | [強化學習](8-Reinforcement/README.md) | 使用 Q-Learning 的強化學習入門 | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | -| 25 | 幫助彼得躲避狼！ 🐺 | [強化學習](8-Reinforcement/README.md) | 強化學習 Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | -| 後記 | 真實世界的機器學習情境與應用 | [實務中的 ML](9-Real-World/README.md) | 古典機器學習在真實世界中有趣且具啟發性的應用 | [課程](9-Real-World/1-Applications/README.md) | Team | -| 後記 | 使用 RAI 儀表板進行 ML 模型除錯 | [實務中的 ML](9-Real-World/README.md) | 使用 Responsible AI 儀表板元件進行機器學習模型除錯 | [課程](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | - -> [在我們的 Microsoft Learn 收藏中找到本課程的所有其他資源](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) +| 01 | 機器學習簡介 | [簡介](1-Introduction/README.md) | 學習機器學習背後的基本概念 | [課程](1-Introduction/1-intro-to-ML/README.md) | Muhammad | +| 02 | 機器學習的歷史 | [簡介](1-Introduction/README.md) | 了解此領域的歷史 | [課程](1-Introduction/2-history-of-ML/README.md) | Jen and Amy | +| 03 | 公平性與機器學習 | [簡介](1-Introduction/README.md) | 在建立與應用機器學習模型時，學生應該考慮哪些與公平性相關的重要哲學議題？ | [課程](1-Introduction/3-fairness/README.md) | Tomomi | +| 04 | 機器學習技術 | [簡介](1-Introduction/README.md) | 機器學習研究者使用什麼技術來建立機器學習模型？ | [課程](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen | +| 05 | 回歸入門 | [Regression](2-Regression/README.md) | 使用 Python 與 Scikit-learn 開始回歸模型 | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | +| 06 | 北美洲南瓜價格 🎃 | [Regression](2-Regression/README.md) | 視覺化並清理資料，以準備進行機器學習 | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | +| 07 | 北美洲南瓜價格 🎃 | [Regression](2-Regression/README.md) | 建立線性與多項式回歸模型 | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau | +| 08 | 北美洲南瓜價格 🎃 | [Regression](2-Regression/README.md) | 建立邏輯回歸模型 | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | +| 09 | 網頁應用程式 🔌 | [Web App](3-Web-App/README.md) | 建立一個網頁應用以使用你訓練好的模型 | [Python](3-Web-App/1-Web-App/README.md) | Jen | +| 10 | 分類入門 | [Classification](4-Classification/README.md) | 清理、準備並視覺化資料；分類入門 | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau | +| 11 | 美味的亞洲與印度料理 🍜 | [Classification](4-Classification/README.md) | 分類器介紹 | [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 | 美味的亞洲與印度料理 🍜 | [Classification](4-Classification/README.md) | 更多分類器 | [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 | 美味的亞洲與印度料理 🍜 | [Classification](4-Classification/README.md) | 使用你的模型建立推薦系統網頁應用程式 | [Python](4-Classification/4-Applied/README.md) | Jen | +| 14 | 分群入門 | [Clustering](5-Clustering/README.md) | 清理、準備並視覺化資料；分群入門 | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | +| 15 | 探索奈及利亞的音樂喜好 🎧 | [Clustering](5-Clustering/README.md) | 探索 K-Means 分群方法 | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | +| 16 | 自然語言處理入門 ☕️ | [Natural language processing](6-NLP/README.md) | 透過建立一個簡單機器人來學習自然語言處理的基礎 | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | +| 17 | 常見的自然語言處理任務 ☕️ | [Natural language processing](6-NLP/README.md) | 透過理解處理語言結構時常用的任務來深化你對自然語言處理的知識 | [Python](6-NLP/2-Tasks/README.md) | Stephen | +| 18 | 翻譯與情感分析 ♥️ | [Natural language processing](6-NLP/README.md) | 使用珍·奧斯汀進行翻譯與情感分析 | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | +| 19 | 歐洲浪漫飯店 ♥️ | [Natural language processing](6-NLP/README.md) | 使用飯店評論進行情感分析 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | +| 20 | 歐洲浪漫飯店 ♥️ | [Natural language processing](6-NLP/README.md) | 使用飯店評論進行情感分析 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | +| 21 | 時間序列預測入門 | [Time series](7-TimeSeries/README.md) | 時間序列預測入門 | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | +| 22 | ⚡️ 全球電力使用 ⚡️ - 使用 ARIMA 的時間序列預測 | [Time series](7-TimeSeries/README.md) | 使用 ARIMA 的時間序列預測 | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | +| 23 | ⚡️ 全球電力使用 ⚡️ - 使用 SVR 的時間序列預測 | [Time series](7-TimeSeries/README.md) | 使用 SVR 的時間序列預測 | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | +| 24 | 強化學習入門 | [Reinforcement learning](8-Reinforcement/README.md) | 以 Q-Learning 為基礎的強化學習介紹 | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | +| 25 | 幫助 Peter 避免狼！ 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | 強化學習 Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | +| 後記 | 真實世界的機器學習情境與應用 | [ML in the Wild](9-Real-World/README.md) | 傳統機器學習在真實世界中的有趣且有啟發性的應用 | [課程](9-Real-World/1-Applications/README.md) | 團隊 | +| 後記 | 使用 RAI 儀表板進行機器學習模型除錯 | [ML in the Wild](9-Real-World/README.md) | 使用 Responsible AI 儀表板元件進行機器學習模型除錯 | [課程](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | + +> [在我們的 Microsoft Learn 集合中找到本課程的所有其他資源](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) ## 離線存取 -您可以使用 [Docsify](https://docsify.js.org/#/) 離線執行這份文件。Fork 此 repo，並在您的本機安裝 [Docsify](https://docsify.js.org/#/quickstart)，然後在此 repo 的根資料夾中輸入 `docsify serve`。網站將會在您本機的 3000 埠提供服務：`localhost:3000`。 +您可以使用 [Docsify](https://docsify.js.org/#/) 離線執行此文件。Fork 此 repo，[安裝 Docsify](https://docsify.js.org/#/quickstart) 在您的本機機器上，然後在此 repo 的根目錄，輸入 `docsify serve`。該網站將在您本機的 3000 連接埠上提供：`localhost:3000`。 ## PDF 檔案 -您可以在[這裡](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf)找到含有連結的課程 PDF。 +在 [這裡](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) 找到帶連結的課程 PDF。 ## 🎒 其他課程 -我們的團隊還製作其他課程！看看： +Our team produces other courses! Check out: ### LangChain -[![LangChain4j 入門](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) -[![LangChain.js 入門](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) +[![LangChain4j 新手入門](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) +[![LangChain.js 新手入門](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) --- ### Azure / Edge / MCP / Agents -[![AZD 入門](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Edge AI 入門](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![MCP 入門](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) -[![AI Agents 入門](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AZD 新手入門](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Edge AI 新手入門](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![MCP 新手入門](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AI Agents 新手入門](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### 生成式 AI 系列 -[![生成式 AI 入門](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) +### Generative AI Series +[![生成式 AI 新手入門](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) [![生成式 AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) -[![生成式 AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) -[![生成式 AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) +[![生成式 AI（Java）](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) +[![生成式 AI（JavaScript）](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) --- @@ -195,25 +193,25 @@ Microsoft 的 Cloud Advocates 很高興提供一個為期 12 週、共 26 節課 [![資料科學（初學者）](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) [![人工智慧（初學者）](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) [![網絡安全（初學者）](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) -[![網頁開發（初學者）](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) +[![網站開發（初學者）](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) [![物聯網（初學者）](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) [![XR 開發（初學者）](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) --- ### Copilot 系列 -[![Copilot（AI 配對編程）](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) -[![Copilot（C#/.NET）](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) +[![AI 配對程式設計的 Copilot](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) +[![C#/.NET 的 Copilot](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) [![Copilot 冒險](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) -## 尋求幫助 +## 取得幫助 -如果在構建 AI 應用程式時遇到困難或有任何疑問，請加入其他學習者和經驗豐富的開發人員，一起參與有關 MCP 的討論。這是一個支持性的社群，歡迎提問並自由分享知識。 +如果你遇到困難或對建立 AI 應用有任何疑問，加入其他學習者與有經驗的開發者，在關於 MCP 的討論中互相交流。這是一個互相支持的社群，歡迎提問並自由分享知識。 -[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +[![Microsoft Foundry 的 Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -如果您在開發期間有產品回饋或遇到錯誤，請前往： +如果你在開發期間有產品回饋或發現錯誤，請造訪： [![Microsoft Foundry 開發者論壇](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) @@ -221,6 +219,5 @@ Microsoft 的 Cloud Advocates 很高興提供一個為期 12 週、共 26 節課 免責聲明： - -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。 +本文件已使用人工智能翻譯服務 Co-op Translator（https://github.com/Azure/co-op-translator）進行翻譯。雖然我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。原始文件（其母語版本）應視為具權威性的來源。對於重要資訊，建議採用專業人工翻譯。我們不對因使用本翻譯而導致的任何誤解或曲解承擔責任。 \ No newline at end of file diff --git a/translations/mr/1-Introduction/README.md b/translations/mr/1-Introduction/README.md index 8d769c700..9053d416c 100644 --- a/translations/mr/1-Introduction/README.md +++ b/translations/mr/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 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! -![globe](../../../translated_images/globe.59f26379ceb40428672b4d9a568044618a2bf6292ecd53a5c481b90e3fa805eb.mr.jpg) +![globe](../../../translated_images/globe.59f26379ceb40428.mr.jpg) > फोटो बिल ऑक्सफर्ड यांनी Unsplash वर घेतला आहे ### धडे diff --git a/translations/mr/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/mr/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index 89a990861..39a8dc8cd 100644 --- a/translations/mr/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/mr/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -48,7 +48,7 @@ " width=\"630\"/>\n", "
कला @allison_horst
\n", "\n", - "\n" + "\n" ], "metadata": { "id": "LWNNzfqd6feZ" diff --git a/translations/mr/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/mr/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index 0973aa15c..0cf99c785 100644 --- a/translations/mr/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/mr/2-Regression/2-Data/solution/R/lesson_2-R.ipynb @@ -49,7 +49,7 @@ "
@allison_horst यांचे कलाकृती
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "Pg5aexcOPqAZ" @@ -230,7 +230,7 @@ "
चित्रकृती: @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "o4jLY5-VZO2C" @@ -532,7 +532,7 @@ "
डासानी मदीपल्ली यांचे माहितीपट
\n", "\n", "\n", - "\n", + "\n", "\n", "एक *शहाणपणाचे* वाक्य असे आहे:\n", "\n", diff --git a/translations/mr/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/mr/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index 1b83b77ba..df4607e4b 100644 --- a/translations/mr/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/mr/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -162,7 +162,7 @@ "
@allison_horst यांचे कलाकृती
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "WdUKXk7Bs8-V" @@ -567,7 +567,7 @@ "
दासानी मदीपल्ली यांनी तयार केलेले माहितीपट
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "YqXjLuWavNxW" @@ -808,7 +808,7 @@ "
दासानी मदीपल्ली यांनी तयार केलेले माहितीग्राफिक
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "HOCqJXLTwtWI" diff --git a/translations/mr/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/mr/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index 3b281cc2a..7df47927e 100644 --- a/translations/mr/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/mr/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## लॉजिस्टिक रिग्रेशन मॉडेल तयार करा - धडा 4\n", "\n", - "![लॉजिस्टिक वि. लीनियर रिग्रेशन इन्फोग्राफिक](../../../../../../translated_images/linear-vs-logistic.ba180bf95e7ee66721ba10ebf2dac2666acbd64a88b003c83928712433a13c7d.mr.png)\n", + "![लॉजिस्टिक वि. लीनियर रिग्रेशन इन्फोग्राफिक](../../../../../../translated_images/linear-vs-logistic.ba180bf95e7ee667.mr.png)\n", "\n", "#### **[पूर्व-व्याख्यान प्रश्नमंजुषा](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", @@ -78,7 +78,7 @@ "\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", - "![दासानी मदीपल्ली यांचे इन्फोग्राफिक](../../../../../../translated_images/pumpkin-classifier.562771f104ad5436b87d1c67bca02a42a17841133556559325c0a0e348e5b774.mr.png)\n", + "![दासानी मदीपल्ली यांचे इन्फोग्राफिक](../../../../../../translated_images/pumpkin-classifier.562771f104ad5436.mr.png)\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", - "![बहुपद विरुद्ध क्रमवार रिग्रेशन](../../../../../../translated_images/multinomial-vs-ordinal.36701b4850e37d86c9dd49f7bef93a2f94dbdb8fe03443eb68f0542f97f28f29.mr.png)\n", + "![बहुपद विरुद्ध क्रमवार रिग्रेशन](../../../../../../translated_images/multinomial-vs-ordinal.36701b4850e37d86.mr.png)\n", "\n", "#### **चलांमध्ये परस्परसंबंध असणे आवश्यक नाही**\n", "\n", diff --git a/translations/mr/2-Regression/README.md b/translations/mr/2-Regression/README.md index 9db17bf09..54f07b963 100644 --- a/translations/mr/2-Regression/README.md +++ b/translations/mr/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: उत्तर अमेरिकेत, कद्दू हॅलोविनसाठी भीतीदायक चेहऱ्यांमध्ये कोरले जातात. चला या आकर्षक भाजीपाल्याबद्दल अधिक जाणून घेऊया! -![jack-o-lanterns](../../../translated_images/jack-o-lanterns.181c661a9212457d7756f37219f660f1358af27554d856e5a991f16b4e15337c.mr.jpg) +![jack-o-lanterns](../../../translated_images/jack-o-lanterns.181c661a9212457d.mr.jpg) > फोटो बेथ टॉयचमन यांनी Unsplash वर Unsplash वर दिला आहे. ## तुम्ही काय शिकाल diff --git a/translations/mr/3-Web-App/README.md b/translations/mr/3-Web-App/README.md index fbb08b711..1758d361a 100644 --- a/translations/mr/3-Web-App/README.md +++ b/translations/mr/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 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. -![UFO Parking](../../../translated_images/ufo.9e787f5161da9d4d1dafc537e1da09be8210f2ee996cb638aa5cee1d92867a04.mr.jpg) +![UFO Parking](../../../translated_images/ufo.9e787f5161da9d4d.mr.jpg) फोटो मायकेल हेरन यांनी Unsplash वर प्रकाशित केला. diff --git a/translations/mr/4-Classification/README.md b/translations/mr/4-Classification/README.md index 3c3fcac47..e9e88d8ba 100644 --- a/translations/mr/4-Classification/README.md +++ b/translations/mr/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: आशिया आणि भारतात अन्न परंपरा अत्यंत विविध आणि अतिशय स्वादिष्ट आहेत! त्यांच्या घटकांचा अभ्यास करण्यासाठी प्रादेशिक खाद्यपदार्थांबद्दलच्या डेटावर एक नजर टाकूया. -![थाई खाद्य विक्रेता](../../../translated_images/thai-food.c47a7a7f9f05c21892a1f9dc7bf30669e6d18dfda420c5c7ebb4153f6a304edd.mr.jpg) +![थाई खाद्य विक्रेता](../../../translated_images/thai-food.c47a7a7f9f05c218.mr.jpg) > फोटो लिशेंग चांग यांनी अनस्प्लॅश वर दिला आहे ## तुम्ही काय शिकाल diff --git a/translations/mr/5-Clustering/README.md b/translations/mr/5-Clustering/README.md index d7a6a76c3..e0ca7fe77 100644 --- a/translations/mr/5-Clustering/README.md +++ b/translations/mr/5-Clustering/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: 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! -![एक टर्नटेबल](../../../translated_images/turntable.f2b86b13c53302dc106aa741de9dc96ac372864cf458dd6f879119857aab01da.mr.jpg) +![एक टर्नटेबल](../../../translated_images/turntable.f2b86b13c53302dc.mr.jpg) > Marcela Laskoski यांनी Unsplash वर फोटो दिला आहे diff --git a/translations/mr/6-NLP/README.md b/translations/mr/6-NLP/README.md index 3c9bc1e14..333cee117 100644 --- a/translations/mr/6-NLP/README.md +++ b/translations/mr/6-NLP/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: 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. -![Pride and Prejudice पुस्तक आणि चहा](../../../translated_images/p&p.279f1c49ecd889419e4ce6206525e9aa30d32a976955cd24daa636c361c6391f.mr.jpg) +![Pride and Prejudice पुस्तक आणि चहा](../../../translated_images/p&p.279f1c49ecd88941.mr.jpg) > फोटो Elaine Howlin यांनी Unsplash वरून घेतला आहे ## धडे diff --git a/translations/mr/7-TimeSeries/README.md b/translations/mr/7-TimeSeries/README.md index d550af51c..78a34dac5 100644 --- a/translations/mr/7-TimeSeries/README.md +++ b/translations/mr/7-TimeSeries/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: 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. -![electric grid](../../../translated_images/electric-grid.0c21d5214db09ffae93c06a87ca2abbb9ba7475ef815129c5b423d7f9a7cf136.mr.jpg) +![electric grid](../../../translated_images/electric-grid.0c21d5214db09ffa.mr.jpg) [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) diff --git a/translations/mr/8-Reinforcement/README.md b/translations/mr/8-Reinforcement/README.md index f95b74a01..af70e1785 100644 --- a/translations/mr/8-Reinforcement/README.md +++ b/translations/mr/8-Reinforcement/README.md @@ -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. -![peter and the wolf](../../../translated_images/peter.779730f9ba3a8a8d9290600dcf55f2e491c0640c785af7ac0d64f583c49b8864.mr.png) +![peter and the wolf](../../../translated_images/peter.779730f9ba3a8a8d.mr.png) > पीटर आणि त्याचे मित्र भुकेल्या लांडग्यापासून पळून जाण्याचा प्रयत्न करत आहेत! प्रतिमा [Jen Looper](https://twitter.com/jenlooper) यांच्याकडून diff --git a/translations/mr/9-Real-World/README.md b/translations/mr/9-Real-World/README.md index 2d227392a..fe96bd87a 100644 --- a/translations/mr/9-Real-World/README.md +++ b/translations/mr/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 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. -![chess](../../../translated_images/chess.e704a268781bdad85d1876b6c2295742fa0d856e7dcf3659147052df9d3db205.mr.jpg) +![chess](../../../translated_images/chess.e704a268781bdad8.mr.jpg) > फोटो Alexis Fauvet यांनी Unsplash वर घेतला आहे diff --git a/translations/mr/README.md b/translations/mr/README.md index 7a9472add..1d90de534 100644 --- a/translations/mr/README.md +++ b/translations/mr/README.md @@ -1,217 +1,215 @@ [![GitHub परवाना](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) -[![GitHub योगदानकर्ता](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) +[![GitHub योगदानकर्ते](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) [![GitHub समस्या](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) -[![GitHub पुल विनंत्या](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) +[![GitHub पुल-रेक्वेस्ट](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) [![PRs स्वागत](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) -[![GitHub वॉचर्स](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) -[![GitHub फोर्क](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/) -[![GitHub स्टार्स](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) +[![Microsoft Foundry डिसकॉर्ड](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -### 🌐 बहुभाषी समर्थन +### 🌐 एकाधिक भाषा समर्थन -#### GitHub Action द्वारे समर्थित (स्वयंचलित & नेहमी अद्ययावत) +#### GitHub Action द्वारे समर्थित (स्वयंचलित आणि नेहमी अद्ययावत) -[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](./README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../br/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md) +[अरबी](../ar/README.md) | [बंगाली](../bn/README.md) | [बल्गेरियन](../bg/README.md) | [बर्मी (म्यानमार)](../my/README.md) | [चिनी (सरलीकृत)](../zh/README.md) | [चिनी (पारंपरिक, हाँगकाँग)](../hk/README.md) | [चिनी (पारंपरिक, मकाऊ)](../mo/README.md) | [चिनी (पारंपरिक, तैवान)](../tw/README.md) | [क्रोएशियन](../hr/README.md) | [चेक](../cs/README.md) | [डॅनिश](../da/README.md) | [डच](../nl/README.md) | [इस्टोनियन](../et/README.md) | [फिनिश](../fi/README.md) | [फ्रेंच](../fr/README.md) | [जर्मन](../de/README.md) | [ग्रीक](../el/README.md) | [हिब्रू](../he/README.md) | [हिंदी](../hi/README.md) | [हंगेरीयन](../hu/README.md) | [इंडोनेशियन](../id/README.md) | [इटालियन](../it/README.md) | [जपानी](../ja/README.md) | [कन्नड](../kn/README.md) | [कोरियन](../ko/README.md) | [लिथुआनियन](../lt/README.md) | [मलय](../ms/README.md) | [मलयाळम](../ml/README.md) | [मराठी](./README.md) | [नेपाली](../ne/README.md) | [नायजेरियन पिजिन](../pcm/README.md) | [नॉर्वेजियन](../no/README.md) | [फ़ारसी (फारसी)](../fa/README.md) | [पोलिश](../pl/README.md) | [पोर्तुगीज (ब्राझील)](../br/README.md) | [पोर्तुगीज (पोर्तुगाल)](../pt/README.md) | [पंजाबी (गुरमुखी)](../pa/README.md) | [रोमानियन](../ro/README.md) | [रशियन](../ru/README.md) | [सर्बियन (सिरिलिक)](../sr/README.md) | [स्लोवाक](../sk/README.md) | [स्लोव्हेनियन](../sl/README.md) | [स्पॅनिश](../es/README.md) | [स्वाहिली](../sw/README.md) | [स्वीडिश](../sv/README.md) | [टागालॉग (फिलिपिनो)](../tl/README.md) | [तमिळ](../ta/README.md) | [तेलुगु](../te/README.md) | [थाई](../th/README.md) | [तुर्किश](../tr/README.md) | [युक्रेनी](../uk/README.md) | [उर्दू](../ur/README.md) | [व्हिएतनामी](../vi/README.md) #### आमच्या समुदायात सामील व्हा -[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +[![Microsoft Foundry डिसकॉर्ड](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -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. -![AI सह शिकण्याची मालिका](../../translated_images/3.9b58fd8d6c373c20c588c5070c4948a826ab074426c28ceb5889641294373dfc.mr.png) +![AI सह शिकण्याची मालिका](../../translated_images/3.9b58fd8d6c373c20.mr.png) -# 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!** -# सुरुवात +# सुरू करण्याचे पाउल -या पायऱ्यांचे पालन करा: +या पायऱ्या पाळा: 1. **रिपॉझिटरी फोर्क करा**: या पृष्ठाच्या वरच्या-उजव्या कोपर्‍यातील "Fork" बटणावर क्लिक करा. 2. **रिपॉझिटरी क्लोन करा**: `git clone https://github.com/microsoft/ML-For-Beginners.git` -> [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. -[![ML for Beginners बॅनर](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6251134294459696e070a3a9a04632e9fe6a24aa0de4a7384.mr.png)](https://aka.ms/ml-beginners-videos) +[![ML for Beginners बॅनर](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6.mr.png)](https://aka.ms/ml-beginners-videos) --- -## टीमशी ओळख +## टीमला भेटा [![प्रमो व्हिडिओ](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) -**Gif द्वारा** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) +**Gif द्वारे** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) -> 🎥 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! ## प्रत्येक धड्यात समाविष्ट आहे -- ऐच्छिक स्केचनोट +- ऐच्छिक स्केच नोट - ऐच्छिक पूरक व्हिडिओ -- व्हिडिओ मार्गदर्शक (केवळ काही धडे) -- [पूर्व-व्याख्यान वॉर्मअप क्विझ](https://ff-quizzes.netlify.app/en/ml/) +- व्हिडिओ मार्गदर्शन (केवळ काही धडे) +- [पूर्व-व्याख्यान वॉर्मअप चाचणी](https://ff-quizzes.netlify.app/en/ml/) - लिखित धडा -- प्रोजेक्ट-आधारित धड्यांसाठी, प्रकल्प कसा तयार करायचा यावर टप्प्याटप्प्याने मार्गदर्शक +- प्रकल्प-आधारित धड्यांसाठी, प्रकल्प कसा तयार करायचा याचे पायरी-दर-पायरी मार्गदर्शक - ज्ञान तपासण्या - एक आव्हान - पूरक वाचन - असाइनमेंट -- [पोस्ट-व्याख्यान क्विझ](https://ff-quizzes.netlify.app/en/ml/) +- [पोस्ट-व्याख्यान चाचणी](https://ff-quizzes.netlify.app/en/ml/) -> **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 | -| 25 | पीटरला लांडगा टाळायला मदत करा! 🐺 | [रिइन्फोर्समेंट लर्निंग](8-Reinforcement/README.md) | रिइन्फोर्समेंट लर्निंग जिम | [Python](8-Reinforcement/2-Gym/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 | +| 25 | पीटरला लांडग्यापासून वाचवा! 🐺 | [रिइन्फोर्समेंट लर्निंग](8-Reinforcement/README.md) | रिइन्फोर्समेंट लर्निंग Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | +| 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. +अभ्यासक्रमाची दुवाांसहित पीडीएफ [इथे](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) शोधा. -## 🎒 इतर कोर्सेस +## 🎒 इतर अभ्यासक्रम -आमची टीम इतर कोर्सेस तयार करते! तपासा: +आमची टीम इतर अभ्यासक्रम तयार करते! तपासा: ### LangChain -[![LangChain4j for Beginners](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) -[![LangChain.js for Beginners](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) +[![LangChain4j नवशिक्यांसाठी](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) +[![LangChain.js नवशिक्यांसाठी](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) --- ### Azure / Edge / MCP / Agents -[![AZD for Beginners](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Edge AI for Beginners](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![MCP for Beginners](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) -[![AI Agents for Beginners](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AZD नवशिक्यांसाठी](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Edge AI नवशिक्यांसाठी](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![MCP नवशिक्यांसाठी](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AI Agents नवशिक्यांसाठी](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### Generative AI Series -[![Generative AI for Beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) +### जनरेटिव्ह AI मालिका +[![Generative AI नवशिक्यांसाठी](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) [![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) [![जनरेटिव्ह AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) [![जनरेटिव्ह AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) --- -### मुख्य शिक्षण -[![नवशिक्यांसाठी ML](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) -[![नवशिक्यांसाठी डेटा सायन्स](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) -[![नवशिक्यांसाठी AI](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) -[![नवशिक्यांसाठी सायबरसुरक्षा](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) -[![नवशिक्यांसाठी वेब विकास](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) -[![नवशिक्यांसाठी IoT](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) -[![नवशिक्यांसाठी XR विकास](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) +### कोअर शिक्षण +[![ML नवशिक्यांसाठी](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) +[![डेटा सायन्स नवशिक्यांसाठी](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) +[![AI नवशिक्यांसाठी](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) +[![सायबरसुरक्षा नवशिक्यांसाठी](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) +[![वेब विकास नवशिक्यांसाठी](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) +[![IoT नवशिक्यांसाठी](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) +[![XR विकास नवशिक्यांसाठी](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### Copilot मालिका -[![AI सह-प्रोग्रामिंगसाठी Copilot](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) +### Copilot सिरीज +[![AI पेअर प्रोग्रामिंगसाठी Copilot](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) [![C#/.NET साठी Copilot](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) [![Copilot साहस](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) ## मदत मिळवा -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. [![Microsoft Foundry डिस्कॉर्ड](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -जर तुम्हाला उत्पादनाबद्दल अभिप्राय किंवा तयार करताना त्रुटी आढळली तर भेट द्या: +जर तुमच्याकडे उत्पादनाबद्दल अभिप्राय किंवा तयार करताना त्रुटी असतील तर भेट द्या: [![Microsoft Foundry विकसक फोरम](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) @@ -219,5 +217,5 @@ Microsoft मधील Cloud Advocates यांनी आनंदाने 12 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. \ No newline at end of file diff --git a/translations/ms/README.md b/translations/ms/README.md index a02716ec2..4080815ca 100644 --- a/translations/ms/README.md +++ b/translations/ms/README.md @@ -1,8 +1,8 @@ -[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](./README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../br/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md) +[Arab](../ar/README.md) | [Bengali](../bn/README.md) | [Bahasa Bulgaria](../bg/README.md) | [Bahasa Burma (Myanmar)](../my/README.md) | [Cina (Dipermudahkan)](../zh/README.md) | [Cina (Tradisional, Hong Kong)](../hk/README.md) | [Cina (Tradisional, Macau)](../mo/README.md) | [Cina (Tradisional, Taiwan)](../tw/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Bahasa Denmark](../da/README.md) | [Belanda](../nl/README.md) | [Bahasa Estonia](../et/README.md) | [Bahasa Finland](../fi/README.md) | [Perancis](../fr/README.md) | [Jerman](../de/README.md) | [Yunani](../el/README.md) | [Ibrani](../he/README.md) | [Hindi](../hi/README.md) | [Hungari](../hu/README.md) | [Indonesia](../id/README.md) | [Itali](../it/README.md) | [Jepun](../ja/README.md) | [Kannada](../kn/README.md) | [Korea](../ko/README.md) | [Bahasa Lithuania](../lt/README.md) | [Melayu](./README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Pidgin Nigeria](../pcm/README.md) | [Bahasa Norway](../no/README.md) | [Parsi (Farsi)](../fa/README.md) | [Poland](../pl/README.md) | [Portugis (Brazil)](../br/README.md) | [Portugis (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romania](../ro/README.md) | [Rusia](../ru/README.md) | [Serbia (Cyrillic)](../sr/README.md) | [Slovakia](../sk/README.md) | [Slovenia](../sl/README.md) | [Sepanyol](../es/README.md) | [Swahili](../sw/README.md) | [Bahasa Sweden](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turki](../tr/README.md) | [Ukraine](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnam](../vi/README.md) #### Sertai Komuniti Kami [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -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. -![Siri Belajar dengan AI](../../translated_images/3.9b58fd8d6c373c20c588c5070c4948a826ab074426c28ceb5889641294373dfc.ms.png) +![Siri Belajar dengan AI](../../translated_images/3.9b58fd8d6c373c20.ms.png) -# 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. +2. **Clone Repositori**: `git clone https://github.com/microsoft/ML-For-Beginners.git` -> [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. -[![Sepanduk ML untuk Pemula](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6251134294459696e070a3a9a04632e9fe6a24aa0de4a7384.ms.png)](https://aka.ms/ml-beginners-videos) +[![Sepanduk ML untuk Pemula](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6.ms.png)](https://aka.ms/ml-beginners-videos) --- -## Kenali Pasukan +## Temui Pasukan [![Video promosi](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) **Gif oleh** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) -> 🎥 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! ## Setiap pelajaran termasuk -- sketchnote pilihan +- nota lakaran pilihan - video tambahan pilihan -- video panduan (sesetengah pelajaran sahaja) +- panduan video (sesetengah pelajaran sahaja) - [kuiz pemanasan pra-ceramah](https://ff-quizzes.netlify.app/en/ml/) - pelajaran bertulis - untuk pelajaran berasaskan projek, panduan langkah demi langkah tentang cara membina projek - pemeriksaan pengetahuan -- satu cabaran -- bacaan tambahan +- sebuah cabaran +- bahan bacaan tambahan - tugasan - [kuiz pasca-ceramah](https://ff-quizzes.netlify.app/en/ml/) -> **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. -| Nombor Pelajaran | Topik | Pengelompokan Pelajaran | Objektif Pembelajaran | Pelajaran Berpaut | Pengarang | +| Nombor Pelajaran | Topik | Pengelompokan Pelajaran | Objektif Pembelajaran | Pelajaran Dipautkan | Pengarang | | :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | | 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 | -| 25 | Bantu Peter mengelakkan serigala! 🐺 | [Pembelajaran penguatan](8-Reinforcement/README.md) | Reinforcement learning Gym | [Python](8-Reinforcement/2-Gym/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 | +| 25 | Bantu Peter elakkan serigala! 🐺 | [Pembelajaran penguatan](8-Reinforcement/README.md) | Pembelajaran penguatan Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | +| 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 [![AZD untuk Pemula](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) [![Edge AI untuk Pemula](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) [![MCP untuk Pemula](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](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 [![AI Generatif untuk Pemula](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![AI Generatif (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) +[![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) [![AI Generatif (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) [![AI Generatif (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?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. [![Discord Microsoft Foundry](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](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: [![Forum Pembangun Microsoft Foundry](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) @@ -217,5 +219,5 @@ Jika anda mempunyai maklum balas produk atau ralat semasa membina lawati: 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. \ No newline at end of file diff --git a/translations/my/README.md b/translations/my/README.md index f9e4dfd77..973d13dbe 100644 --- a/translations/my/README.md +++ b/translations/my/README.md @@ -1,197 +1,197 @@ [![GitHub လိုင်စင်](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) [![GitHub ပါဝင်သူများ](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) -[![GitHub ပြဿနာများ](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) -[![GitHub ဆွဲယူ တောင်းဆိုမှုများ](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) -[![PRs ကြိုဆိုပါတယ်](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) +[![GitHub Issue များ](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) +[![GitHub Pull Requests](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) +[![PRs ကြိုဆိုပါသည်](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) [![GitHub ကြည့်ရှုသူများ](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) -[![GitHub forks](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/) +[![GitHub Forks](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/) [![GitHub ကြယ်များ](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) -### 🌐 ဘာသာစကား အများအပြား ပံ့ပိုးမှု +### 🌐 ဘာသာစကားစုံထောက်ပံ့မှု -#### GitHub Action မှတဆင့် ပံ့ပိုးသည် (အလိုအလျောက် & 항상 up-to-date) +#### GitHub Action မှတဆင့် ထောက်ပံ့ (အလိုအလျောက်နှင့် အမြဲတမ်း နောက်ဆုံးပေါ်) [Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](./README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../br/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md) -#### ကျွန်တော်တို့၏ အသိုင်းအဝိုင်းသို့ ပါဝင်ပါ +#### ကျွန်တော်တို့အသိုင်းအဝိုင်းထဲ ဆက်သွယ်ပါ [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -ကျွန်တော်တို့မှာ Discord ပေါ်တွင် "AI နဲ့ လေ့လာခြင်း" စီးရီး ရှိနေပြီး 18 - 30 စက်တင်ဘာ 2025 နောက်ပိုင်းတွင် [AI နဲ့ လေ့လာခြင်း စီးရီး](https://aka.ms/learnwithai/discord) မှာ ပိုမိုသိရှိပြီး ကျွန်တော်တို့နှင့် လက်လှမ်းမီပါ။ ဤကာလအတွင်း GitHub Copilot ကို Data Science အတွက် အသုံးပြုရာတွင် အကြံပေးနည်းများနှင့် လျှော့နည်းများကို လေ့လာနိုင်ပါလိမ့်မည်။ +ကျွန်တော်တို့မှာ Discord ပေါ်တွင် "Learn with AI" စီးရီးတစ်ခု ဆက်လက်လည်ပတ်နေပါသည်။ 18 - 30 September, 2025 အတွင်း၊ အသေးစိတ်ကို သင်ယူရန်နှင့် ပူးပေါင်းရန် [Learn with AI Series](https://aka.ms/learnwithai/discord) တွင် ပါဝင်နိုင်ပါတယ်။ GitHub Copilot ကို Data Science အတွက် အသုံးပြုနည်း လှမ်းများနှင့် ကိုယ့်ရဲ့လက်တွေ့အကောင်းဆုံး လက်နက်များ၊ လက်ရာများကို ရယူနိုင်ပါမယ်။ -![AI နဲ့ လေ့လာမှု စီးရီး](../../translated_images/3.9b58fd8d6c373c20c588c5070c4948a826ab074426c28ceb5889641294373dfc.my.png) +![AI နှင့် လေ့လာမှု စီးရီး](../../translated_images/3.9b58fd8d6c373c20.my.png) -# အစပြုသူများအတွက် စက်လေ့လာခြင်း (Machine Learning) - သင်ရိုးညွှန်းတမ်း +# မစတင်သူများအတွက် Machine Learning - သင်ရိုးညွှန်းတမ်း -> 🌍 ကမ္ဘာပတ်လည် ခရီးသွားကြပြီး ကမ္ဘာ့ယဉ်ကျေးမှုများမှတဆင့် စက်လေ့လာခြင်းကို ရှာဖွေကြမယ် 🌍 +> 🌍 ကမ္ဘာတစ်ဝှမ်း ခရီးထွက်ပြီး ကမ္ဘာ့ယဉ်ကျေးမှုများအား အသုံးချ၍ Machine Learning ကို လေ့လာကြမယ် 🌍 -Microsoft ၏ Cloud Advocates များသည် 12 ပတ်တစ်နေ့လျှင် 26 သင်ခန်းစာပါသော စက်လေ့လာခြင်း (Machine Learning) သင်ရိုးညွှန်းတမ်းကို မိတ်ဆက်ပေးရန် ဝမ်းမြောက်ပါသည်။ ဤသင်ရိုးတွင် မကြာခဏ "classic machine learning" ဟု ခေါ်သော Scikit-learn ကို အဓိက အသုံးပြုကာ deep learning ကို ရှောင်ရှားထားပြီး၊ deep learning ကို ကျွန်တော်တို့၏ [AI for Beginners' curriculum](https://aka.ms/ai4beginners) တွင် covers လုပ်ထားသည်။ ဤသင်ခန်းစာများကို ကျွန်တော်တို့၏ ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) နှင့် တွဲဖက်၍ လေ့လာနိုင်ပါသည်။ +Cloud Advocates တွေက Microsoft မှ အသင်းအဖွဲ့သုံး 12 ပတ်၊ 26 သင်ခန်းစာပါအောင် **Machine Learning** အကြောင်း အားလုံးပါရှိတဲ့ သင်ရိုးအစီအစဉ်တစ်ခု ကို ပံ့ပိုးပေးလိုက်ပါတယ်။ ယခု သင်ရိုးတွင် အဓိကအားဖြင့် Scikit-learn ကို အသုံးပြုပြီး အတက်ရောက်သော deep learning ကို ရှောင်ရှားကာ (deep learning ကို ကျွန်တော်တို့ရဲ့ [AI for Beginners' curriculum](https://aka.ms/ai4beginners) တွင် ဖော်ပြထားသည်) သင်ကြားပေးထားပါတယ်။ ဒီသင်ခန်းစာများကို ကျွန်တော်တို့ရဲ့ ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) နှင့်တွဲဖက်၍လည်း အသုံးပြုနိုင်ပါတယ်။ -ကမ္ဘာတစ်လွှားမှ ဒေတာများအား classic နည်းလမ်းများဖြင့် လျှောက်ထားကြမည်။ သင်ခန်းစာတိုင်းတွင် သင်ခန်းစာမတိုင်မီနှင့် သင်ခန်းစာပြီးဆုံးပြီးနောက် ကြို/နောက်စမ်းသပ်ခန်းမများ၊ စာရေးလမ်းညွှန်ချက်များ၊ ဖြေရှင်းချက်၊ အလုပ်အပ်ဒေးမှု(အပ်ကြောင်း)များ နှင့် အခြားပိုများ ပါဝင်သည်။ ကျွန်တော်တို့၏ project-based သင်ယူရေးနည်းလမ်းသည် သင်တန်းသားများကို တည်ဆောက်စဉ်က သင်ယူနိုင်စေရန် အထောက်အကူပြုသည်။ +ကမ္ဘာတစ်ဝှမ်း ခရီးထွက်ပြီး classic technique တွေကို ကမ္ဘာ၏ အချက်အလက်များပေါ် အသုံးချကာ လေ့လာကြမယ်။ သင်ခန်းစာတိုင်းတွင် pre- နှင့် post- သင်ခန်းစာ မေးစရာများ၊ သင်ခန်းစာများကို ပြီးစီးရန် ရေးသားထားသော ညွှန်ကြားချက်များ၊ ဖြေရှင်းချက်များ၊ အာစီန်းမင့်များ နှင့် အခြား အရာများ ပါဝင်သည်။ ကျွန်တော်တို့၏ project-based သင်ကြားပေးမှုနည်းလမ်းက သင်ယူသူများကို တည်ဆောက်နေချိန်တွင် သင်ယူစေခြင်းဖြင့် ကျွမ်းကျင်မှုများ စွဲကြည်စေသည်။ -**✍️ ကျွန်တော်တို့၏ စာရေးသူများအား နက်ရှိုင်းသော ကျေးဇူးတင်ရှိပါသည်** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu နှင့် Amy Boyd +**✍️ ကျေးဇူးအများကြီး တင်ရှိပါသည် ကျွန်တော်တို့၏ ရေးသားခဲ့သူများအတွက်** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu နှင့် Amy Boyd -**🎨 ကျွန်တော်တို့၏ ပန်းချီဆရာများအားလည်း ကျေးဇူးတင်ပါသည်** Tomomi Imura, Dasani Madipalli, နှင့် Jen Looper +**🎨 ဂရိတ်ပေးရသော ပုံဆွဲသူများကိုလည်း ကျေးဇူးတင်ရှိပါသည်** Tomomi Imura, Dasani Madipalli, နှင့် Jen Looper -**🙏 အထူးကျေးဇူးတင်ရှိပါသည် 🙏** Microsoft Student Ambassador စာရေးသူများ၊ ပြန်လည်သုံးသပ်သူများ၊ နှင့် အကြောင်းအရာ ပံ့ပို့သူများအား— အထူးသဖြင့် Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, နှင့် Snigdha Agarwal +**🙏 အထူးကျေးဇူးများ 🙏 Microsoft Student Ambassador အဖြစ် ရေးသားသူများ၊ ပြန်လည်သုံးသပ်သူများနှင့် မျှဝေသူများအား**, အထူးသဖြင့် Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, နှင့် Snigdha Agarwal -**🤩 ကျွန်တော်တို့၏ R သင်ခန်းစာများအတွက် Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, နှင့် Vidushi Gupta များအား အထူးကျေးဇူးတင်ပါသည်!** +**🤩 ကျွန်တော်တို့၏ R သင်ခန်းစာများအတွက် Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, နှင့် Vidushi Gupta တို့ကို ထပ်မံကျေးဇူးတင်ရှိပါသည်!** # စတင်ရန် -အောက်ပါအဆင့်များကို လိုက်နာပါ: -1. **Repository ကို Fork လုပ်ပါ**: ဤစာမျက်နှာ၏ အပေါ်-ညာဘက်ထောင့်ရှိ "Fork" ခလုတ်ကို နှိပ်ပါ။ +ဒီအဆင့်များကို လိုက်နာပါ: +1. **Repository ကို Fork လုပ်ပါ**: ဒီစာမျက်နှာ၏ ထောင့်ညာ အပေါ်ဖက်ရှိ "Fork" ခလုတ်ကို နှိပ်ပါ။ 2. **Repository ကို Clone လုပ်ပါ**: `git clone https://github.com/microsoft/ML-For-Beginners.git` -> [ဤသင်တန်းအတွက် အပိုရင်းမြစ်များအားလုံးကို Microsoft Learn ကာလက်ရှင်းတွင် ရှာပါ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) +> [အခုသင်ယူမည့် သင်တန်းအတွက် အပိုအရင်းအမြစ်များအားလုံးကို ကျွန်တော်တို့၏ Microsoft Learn အစုအရင်းမှ ရှာတွေ့ပါ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) -> 🔧 **အကူအညီ လိုပါသလား?** installation, setup, နှင့် သင်ခန်းစာများကို စတင်လည်ပတ်ရာတွင် ရှာတွေ့ကျရောက်နိုင်သည့် ပုံမှန် ပြဿနာများအတွက် [Troubleshooting Guide](TROUBLESHOOTING.md) ကို စစ်ဆေးပါ။ +> 🔧 **ကူညီလိုပါသလား?** installation, setup, နှင့် သင်ခန်းစာများ ပြေးဆွဲရာတွင် ဖြစ်တတ်သော ပုံမှန် ပြဿနာများအတွက် ဖြေရှင်းချက်များကို ကြည့်ရန် [Troubleshooting Guide](TROUBLESHOOTING.md) ကို စစ်ဆေးပါ။ -**[ကျောင်းသားများ](https://aka.ms/student-page)**၊ ဤသင်ရိုးကို အသုံးချရန် အတွက် သင်၏ GitHub အကောင့်သို့ repository အားလုံးကို fork လုပ်ပြီး ကိုယ့်အတွင်း သို့မဟုတ် အဖွဲ့ဖြင့် အလက်လက်များကို ပြီးမြောက်စေပါ: +**[ကျောင်းသားများ](https://aka.ms/student-page)**၊ ဒီသင်ရိုးကို အသုံးပြုရန်အတွက် သင့် GitHub အကောင့်သို့ repository ကို အားလုံး Fork လုပ်ပြီး ကိုယ့်အနေဖြင့် သို့မဟုတ် အုပ်စုတစ်စုနှင့် အတူ လေ့ကျင့်ခန်းများကို ပြီးစီးပါ: -- သင်ခန်းစာ မတိုင်မီ pre-lecture စစ်ဆေးနိုင်ရေး စမ်းသပ်မေးခွန်းဖြေပါ။ -- သင်ခန်းစာကို ဖတ်ရှုပြီး လုပ်ဆောင်ချက်များကို ပြီးဆုံးပါ၊ အဆင့်တိုင်းတွင် ပြုလုပ်မှုပြန်လည်စစ်ခြင်းများတွင် ရပ်နားပြီး ထိရောက်စွာ နားလည်ပါ။ -- ဖြေရှင်းနည်းကို တိုက်ရိုက် run မလုပ်ပဲ သင်ခန်းစာများကို နားလည်ကာ စီမံကိန်းများကို ဖန်တီးရန် ကြိုးစားပါ; သို့သော် solution ကုဒ်ကို အဆိုပါ project-oriented သင်ခန်းစာတိုင်းရှိ `/solution` ဖိုလ်ဒါများတွင် ရနိုင်ပါသည်။ -- သင်ခန်းစာပြီးဆုံးပြီးနောက် post-lecture စမ်းသပ်မေးခွန်းဖြေပါ။ +- စတင်ရန် pre-lecture quiz ဖြေပါ။ +- သင်ခန်းစာကို ဖတ်ပြီး လှုပ်ရှားမှုများကို ပြီးစီးပါ၊ knowledge check များတွင် တစ်ခါစတင် မှတ်ယူပြီး ပြန်လှေကားပါ။ +- solution ကုဒ်ကို အလျင်အမြန် လှုပ်ချင်သလို မလှုပ်ပါ၊ သင်ခန်းစာများကို နားလည်မှုဖြင့် ပရောဂျက်များကို စမ်းသပ်ကြည့်ရန် ကြိုးစားပါ။ သို့သော် ဒီကုဒ်များကို `/solution` ဖိုလ်ဒါများတွင် project-oriented သင်ခန်းစာတစ်ခုချင်းစီအတွက် ရှိပါသည်။ +- post-lecture quiz ကို ဖြေပါ။ - စိန်ခေါ်မှုကို ဖြေရှင်းပါ။ -- အလုပ်အပ်ဒေးမှု(assignment) ကို ပြီးဆုံးပါ။ -- သင်ခန်းစာအုပ်စုတစ်ခု ပြီးဆုံးပြီးနောက် [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) သို့ သွားပါ ၏နှင့် သင်ယူထားသောအချက်အလက်များကို PAT rubric ဖြင့် "learn out loud" ဆောင်ရွက်ပါ။ 'PAT' သည် Progress Assessment Tool ဖြစ်ပြီး သင်၏ သင်ယူမှုကို မြှင့်တင်ပေးမည့် rubric တစ်ခုဖြစ်သည်။ သင်သည် အခြား PAT များကိုလည်း တုံ့ပြန်နိုင်ပြီး အတူတကွ လေ့လာနိုင်ပါသည်။ +- အပ်မဲ့တာဝန်(Assignment) ကို ပြီးစီးပါ။ +- သင်ခန်းစာအုပ်စုတစ်ခု ပြီးစီးပါက၊ [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) သို့ သွား၍ သင့်လေ့လာမှုကို "learn out loud" ဖြစ်အောင် သင့် PAT rubric ကို ဖြည့်စွက်ပါ။ 'PAT' သည် သင်၏ တိုးတက်မှုကို ဆန်းစစ်ရန် အသုံးပြုသော Progress Assessment Tool ဖြစ်ပြီး သင်ဖြည့်စွက်ရန် ရူဘရစ်တစ်ခုဖြစ်သည်။ အခြား PAT များကိုလည်း တုံ့ပြန်နိုင်ပြီး အတူတကွ သင်ယူကြပါစို့။ -> နောက်ထပ် လေ့လာရန်အတွက် ကျွန်တော်တို့ ချမှတ်ထားသော [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modules နှင့် learning paths များကို ဆက်လက်လိုက်ဆောင်ရန် အကြံပြုပါသည်။ +> နောက်ထပ် သင်ကြားမှုအတွက် ကျွန်တော်တို့ အကြံပေးလိုသော [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modules နှင့် learning paths များကို လိုက်နာကြည့်ပါ။ -**ဆရာ/ဆရာမများအတွက်**, ဤသင်ရိုးကို မည်သို့ အသုံးပြုရမည်ဆိုသည်ကို [အကြံပြုချက်အချို့](for-teachers.md) ထည့်သွင်းပေးထားပါသည်။ +**ဆရာ/ဆရာမများ**, ကျွန်တော်တို့မှာ ဒီသင်ရိုးကို ဘယ်လိုအသုံးချရမည်ဆိုသည့် ပေးအပ်ချက်အချို့ကို [included some suggestions](for-teachers.md) တွင် ထည့်သွင်းပေးထားသည်။ --- -## ဗီဒီယို လမ်းပြများ +## ဗီဒီယို လမ်းညွှန်မှုများ -တချို့ သင်ခန်းစာများကို အတိုချုံး ဗီဒီယိုအဖြစ် ရရှိနိုင်ပါသည်။ သင်ခန်းစာများအတွင်း ပိုင်းပိုင်းတွင် သို့မဟုတ် [Microsoft Developer YouTube ချန်နယ်ပေါ်ရှိ ML for Beginners playlist](https://aka.ms/ml-beginners-videos) တွင် ဗီဒီယိုများအား ကြည့်ရှုနိုင်သည်၊ အောက်ပါ ပုံကို နှိပ်ပါ။ +သင်ခန်းစာတချို့ကို အတိုချုံး ဗီဒီယိုအဖြစ် ရရှိနိုင်ပါသည်။ သင်ခန်းစာများထဲတွင် တန်းစီထည့်ထားသော ဗီဒီယိုများအားလုံးကို သင့်သင်ခန်းစာများအတွင်းကနေ သို့မဟုတ် [ML for Beginners playlist on the Microsoft Developer YouTube channel](https://aka.ms/ml-beginners-videos) မှာ ဗီဒီယိုကို နှိပ်၍ ကြည့်ရှုနိုင်သည်။ -[![ML အစပြုသူများ ဘန်နာ](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6251134294459696e070a3a9a04632e9fe6a24aa0de4a7384.my.png)](https://aka.ms/ml-beginners-videos) +[![ML for beginners banner](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6.my.png)](https://aka.ms/ml-beginners-videos) --- -## အဖွဲ့သားများနဲ့ တွေ့ဆုံခြင်း +## အဖွဲ့ကို မိတ်ဆက်ခြင်း -[![ကြော်ငြာဗီဒီယို](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) +[![ပရိုမိုးရှင်း ဗီဒီယို](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) -**Gif ဖန်တီးသူ** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) +**Gif ရိုက်သူ** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) -> 🎥 အပေါ်ရှိ ပုံကို နှိပ်ပြီး ဒီစီဂျက်နှင့်ဒီ စီမံကိစၥအကြောင်း ဗီဒီယိုကို ကြည့်ရှုပါ။ +> 🎥 အထက်ပါ ရုပ်ပုံကို နှိပ်၍ ဒီပရိုဂျက်နှင့် ၎င်းကို ဖန်တီးသူများအကြောင်း ဗီဒီယိုကို ကြည့်ပါ။ --- -## သင်ကြားပေးနည်း +## ပညာသင်ကြားနည်း -ဤသင်ရိုးကို ဆောက်တည်ရင်း ကျွန်တော်တို့သည် နှစ်ခုသော သင်ကြားပုံစံ အဓိကကို ရွေးချယ်ထားပါသည် - လက်တွေ့ လုပ်ငန်းအခြေပြု "project-based" ဖြစ်ခြင်းနှင့် "အကြိမ်ကြိမ် စမ်းသပ်မေးခွန်းများ" ပါဝင်စေရန်ဖြစ်သည်။ ထို့အပြင် သင်ရိုးတွင် ပုံစံတစ်ခုအဖြစ် သင်ခန်းစာများ ဆက်စပ်မှုရှိစေရန် common theme တစ်ခုလည်း ပါဝင်သည်။ +ဒီသင်ရိုးကို တည်ဆောက်စဉ် အာရုံစိုက်ထားသော သင်ကြားနည်းအချက်နှစ်ချက် ရှိသည်။ ၎င်းမှာ လက်တွေ့ လေ့လာစရာ ပြီးသားဖြစ်သော project-based ပုံစံနှင့် အကြိမ်ကြိမ် ရှိသော မေးခွန်းများ (frequent quizzes) ပါဝင်ရန် ဖြစ်သည်။ ထို့အပြင် ဒီသင်ရိုးတွင် ချိတ်ဆက်မှု ရရှိစေရန် အထူးတစ်ခုသော **theme** တစ်ခု ပါဝင်သည်။ -အကြောင်းအရာများကို project များနှင့် ကိုက်ညီအောင်လုပ်ခြင်းအားဖြင့် ကျောင်းသားများအတွက် ပိုမိုစိတ်ဝင်စားမှုရှိလာစေပြီး အယူအဆများကို ပိုမိုထိန်းသိမ်းနိုင်စေသည်။ ထို့အပြင် သင်တန်းမတိုင်မှီ လျော့ငယ်သော စမ်းသပ်မေးခွန်းတစ်ခုသည် သင်တန်းသား၏ ဉာဏ်ရည်ကို သင်ယူရန် ဦးတည်ချက်ချနိုင်စေပြီး သင်တန်းပြီးနောက် ထပ်မံမေးခွန်းဖြေခြင်းက သင်ယူထားသည့် အချက်အလက်ကို ပိုမို သိုင်းထိန်းပေးနိုင်သည်။ ဤသင်ရိုးကို ယေဘုယျအားဖြင့် မျိုးစုံလှုပ်ရှားနိုင်ပြီး စိတ်ဝင်စားဖွယ် ဖြစ်စေရန် ဖန်တီးထားသည်။ project များသည် စတင်ရာတွင် သေးငယ်ပြီး 12 ပတ်၏ အဆုံးသတ်သို့ ရောက်သည်နှင့် အဆင့်မြင့်လာပါသည်။ ဤသင်ရိုးတွင် real-world applications of ML အကြောင်း ရှင်းလင်းချက်တစ်ခုလည်း ပါရှိပြီး ၎င်းကို အပိုအမှတ်များအတွက် သို့မဟုတ် ဆွေးနွေးရေးအခြေခံအဖြစ် အသုံးပြုနိုင်ပါသည်။ +အကြောင်းအရာများကို project တွေနှင့် သက်ဆိုင်အောင် ထားရှိခြင်းဖြင့် သင်သားများအတွက် ပိုမို စိတ်၀င်စားဖွယ်ဖြစ်စေပြီး အတွေးအမြင်များကို ပိုမို သိမ်းပိုက်နိုင်စေသည်။ သင်တန်းမတိုင်မှီ မေးခွန်းအနည်းငယ် (low-stakes quiz) တစ်ခုက သင်ယူမည့် အကြောင်းအရာကို သင်ယူသူ၏ ရည်ရွယ်ချက်ထားရှိမှုကို ဖန်တီးပေးပြီး သင်တန်းပြီးဆုံးချိန်မှာ ပြန်လည်မေးမည့် မေးခွန်းဖြင့် အတိုးအမြှင့်သိမ်းဆည်းမှုကို အတည်ပြုပေးသည်။ ဒီသင်ရိုးကို လြယ်ကူ၍ ပျော်ရွှင်စေဖို့ ဒီဇိုင်းထုတ်ထားပြီး အပိုင်းပိုင်း သို့မဟုတ် အားလုံးကိုလည်း လေ့လာနိုင်သည်။ ပရောဂျက်များက အသေးငယ်စပြီး 12 ပတ် အဆုံးသတ်ချိန်အထိ တဖြည်းဖြည်းခက်ခဲလာသည်။ ဒီသင်ရိုးတွင် ML ၏ အမှန်တကယ်သုံးပုံများအပေါ် ပို့စ်စကရစ်တစ်ခုပါဝင်ပြီး ၎င်းကို အပိုအမှတ် (extra credit) သို့မဟုတ် ဆွေးနွေးရန် အခြေခံအဖြစ် အသုံးပြုနိုင်သည်။ -> ကျွန်တော်တို့၏ [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md), နှင့် [Troubleshooting](TROUBLESHOOTING.md) ညွှန်ကြားချက်များကို ရှာဖွေပါ။ သင်၏ တည်ဆောက်ဖွံ့ဖြိုးမှု အကြံပြုချက်များကို ကြိုဆိုပါသည်! +> ကျွန်တော်တို့၏ [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md), နှင့် [Troubleshooting](TROUBLESHOOTING.md) ညွှန်ကြားချက်များကို ရှာဖွေကြည့်ပါ။ သင့်၏ ဆောက်လုပ်တည်ဆောက်ရမည့် တုံ့ပြန်ချက်များကို ကြိုဆိုပါတယ်! -## သင်ခန်းစာတိုင်းတွင် ပါဝင်သောအရာများ +## သင်ခန်းစာတိုင်းတွင် ပါဝင်သည့်အရာများ -- ရွေးချယ်လို့ရသော sketchnote -- ရွေးချယ်လို့ရသော အပိုထည့် ဗီဒီယို -- ဗီဒီယို လမ်းပြ (တချို့ သင်ခန်းစာများတွင်သာ) -- [သင်ခန်းစာ မတိုင်မီ warmup စမ်းသပ်မေးခွန်း](https://ff-quizzes.netlify.app/en/ml/) -- စာရေးထားသော သင်ခန်းစာ -- project-based သင်ခန်းစာများအတွက် project ကို တည်ဆောက်ရန် အဆင့်လိုက် လမ်းညွှန်ချက်များ -- အသိပညာ စစ်ဆေးချက်များ (knowledge checks) -- စိန်ခေါ်မှုတစ်ခု -- အပိုဖတ်ရန်စာအုပ်စာရင်း -- အလုပ်အပ်ဒေးမှု(assignment) -- [သင်ခန်းစာပြီးနောက် စမ်းသပ်မေးခွန်း](https://ff-quizzes.netlify.app/en/ml/) +- ရွေးချယ်၍ sketchnote +- ရွေးချယ်၍ ထပ်ဆောင်း ဗီဒီယို +- ဗီဒီယို လမ်းညွှန်မှု (သင်ခန်းစာအချို့တွင်သာ) +- [pre-lecture warmup quiz](https://ff-quizzes.netlify.app/en/ml/) +- ရေးသားထားသော သင်ခန်းစာ +- project-based သင်ခန်းစာများအတွက် ပရောဂျက်ကို ဘယ်လို တည်ဆောက်ရမည်ကို အဆင့်လိုက် ညွှန်ကြားချက်များ +- knowledge checks +- တစ်စုံတစ်ခုသော စိန်ခေါ်မှု +- ထပ်ဆောင်း ဖတ်စရာ +- အပ်မဲ့တာဝန် +- [post-lecture quiz](https://ff-quizzes.netlify.app/en/ml/) -> **ဘာသာစကားများနှင့်ပတ်သက်သောမှတ်ချက်**: ဤသင်ခန်းစာများသည် ပင်မအားဖြင့် Python ဖြင့်ရေးသားထားသော်လည်း အချို့ကို R သုံး၍လည်း ရရှိနိုင်ပါသည်။ R သင်ခန်းစာတစ်ခုကို ပြီးမြောက်ရန်အတွက် `/solution` ဖိုလ်ဒါတွင် R သင်ခန်းစာများကို ရှာဖွေပါ။ ၎င်းတို့တွင် .rmd extension သာရှိပြီး ၎င်းသည် **R Markdown** ဖိုင်တစ်ခုဖြစ်သည်။ R Markdown ကို `code chunks` (R သို့မဟုတ် အခြားဘာသာစကားများမှ) နှင့် `YAML header` (PDF ကဲ့သို့သော output များကို မည်သို့ format ဖော်မည်ကို ညွှန်ပြသည်) ကို ထည့်သွင်းထားသည့် `Markdown document` အဖြစ် အလွယ်တကူ သတ်မှတ်နိုင်သည်။ ထို့ကြောင့် ၎င်းသည် သင်၏ ကုဒ်၊ အထွက်များနှင့် သဘောထားများကို Markdown တွင် ရေးသားနိုင်စေပြီး data science အတွက် သတ်မှတ်ဖန်တီးရေးစနစ်အနေဖြင့် အသုံးပြုရန် သင့်တော်သည်။ ထို့အပြင် R Markdown စာတမ်းများကို PDF, HTML, သို့မဟုတ် Word ကဲ့သို့ output ဖော်မူပုံများသို့ render လုပ်နိုင်သည်။ +> **ဘာသာစကားများအကြောင်း အချက်တစ်ချက်**: သင်ခန်းစာများအများစုကို Python ဖြင့် ရေးသားထားပေမယ့် R ဖြင့်လည်း ရရှိနိုင်သည့် သင်ခန်းစာများ များစွာ ရှိသည်။ R သင်ခန်းစာတစ်ခုကို ပြီးစီးရန် `/solution` ဖိုလ်ဒါကို သွားကြည့်ပြီး R သင်ခန်းစာများကို ရှာဖွေပါ။ ၎င်းတို့တွင် .rmd extension ပါပြီး ၎င်းသည် **R Markdown** ဖိုင်တစ်မျိုးဖြစ်သည်။ R Markdown ကို ရိုးရှင်းစွာ သတ်မှတ်လျှင် `code chunks` (R သို့မဟုတ် အခြားဘာသာစကားများမှ) နှင့် `YAML header` (PDF ကဲ့သို့ ထုတ်လွှင့်မှုများကို ပြသရန် ဘယ်လို format ပြုလုပ်မည်ကို ညွှန်ပြသည်) ကို `Markdown document` ထဲတွင် ထည့်သွင်းထားသည့် ဖိုင်တစ်မျိုးအဖြစ် သတ်မှတ်နိုင်သည်။ ထို့ကြောင့် ၎င်းသည် သင်၏ ကုဒ်၊ ၎င်း၏ အထွက်နှင့် သင်၏စဉ်းစားချက်များကို Markdown ဖြင့် ရေးသားနိုင်စေရန် ဖိုင်ရေးသားသူတစ်ဦးအတွက် အကောင်းဆုံး ရေးသားပုံစံတစ်ခုအဖြစ် အလုပ်လုပ်နိုင်သည်။ ထို့အပေါ် R Markdown စာရွက်များကို PDF, HTML, သို့မဟုတ် Word ကဲ့သို့သော output ဖော်မတ်များသို့ ပြန်လည်ဖော်ပြနိုင်သည်။ -> **စမ်းသပ်မေးခွန်းများအကြောင်း မှတ်ချက်**: စမ်းသပ်မေးခွန်းအားလုံးကို [Quiz App folder](../../quiz-app) တွင် သိမ်းဆည်းထားပြီး စုစုပေါင်း 52 ခုရှိပြီး တစ်ခုစီသည် မေးခွန်းသုံးခုပါရှိသည်။ ၎င်းများကို သင်ခန်းစာအတွင်းတွင် လင့်ခ်ထားထားသော်လည်း quiz app ကို ဒေသတွင်း run လုပ်ကာ အသုံးပြုနိုင်ပါသည်; ဒေသတွင်း host လုပ်ရန် သို့မဟုတ် Azure သို့ deploy လုပ်ရန် `quiz-app` ဖိုလ်ဒါအတွင်း သတ်မှတ်ချက်များကို လိုက်နာပါ။ +> **မေးပွဲများအကြောင်း အချက်တစ်ချက်**: မေးပွဲအားလုံးကို [Quiz App folder](../../quiz-app) အတွင်း ထည့်ထားပြီး စုစုပေါင်း မေးခွန်း 52 ခုရှိပြီး မေးခွန်းသုံးခု နှင့် တစ်ခုချင်းစီပါဝင်သည်။ မေးခွန်းများကို သင်ခန်းစာများထဲတွင် ချိတ်ဆက်ထားပေမယ့် quiz app ကို ဒေသဖြင့်လည်း ပြေးနိုင်ပါသည်; ဒေသခံ host လုပ်ရန် သို့မဟုတ် Azure တွင် deploy ပြုလုပ်ရန် `quiz-app` ဖိုလ်ဒါ၌ ပါသော ညွှန်ကြားချက်ကို လိုက်နာပါ။ -| သင်ခန်းစာ အမှတ် | ခေါင်းစဉ် | သင်ခန်းစာ အုပ်စု | သင်ယူရည်မှန်းချက်များ | လင့်ခ်ထားသော သင်ခန်းစာ | အရေးတော်မူသူ | +| Lesson Number | Topic | Lesson Grouping | Learning Objectives | Linked Lesson | Author | | :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | -| 01 | စက်လေ့လာသင်ယူမှု မိတ်ဆက် | [မိတ်ဆက်](1-Introduction/README.md) | စက်လေ့လာသင်ယူမှု၏ အခြေခံ အယူအဆများကို သင်ယူပါ | [သင်ခန်းစာ](1-Introduction/1-intro-to-ML/README.md) | Muhammad | -| 02 | စက်လေ့လာသင်ယူမှု၏ သမိုင်းကြောင်း | [မိတ်ဆက်](1-Introduction/README.md) | ဤဘာသာရပ်၏ အောက်ခံ သမိုင်းကြောင်းကို လေ့လာပါ | [သင်ခန်းစာ](1-Introduction/2-history-of-ML/README.md) | Jen and Amy | -| 03 | တရားမျှတမှုနှင့် စက်လေ့လာသင်ယူမှု | [မိတ်ဆက်](1-Introduction/README.md) | ML မော်ဒယ်များ တည်ဆောက်၍ အသုံးချစဉ် ကျောင်းသားများ စဉ်းစားသင့်သော တရားမျှတမှုနှင့် ဆိုင်သော အရေးကြီးသော အယူအဆများမှာ ဘာများနည်း? | [သင်ခန်းစာ](1-Introduction/3-fairness/README.md) | Tomomi | -| 04 | စက်လေ့လာသင်ယူမှု နည်းစနစ်များ | [မိတ်ဆက်](1-Introduction/README.md) | ML သုတေသနရှင်များသည် မော်ဒယ်များ တည်ဆောက်ရန် မည်သည့် နည်းပညာများကို အသုံးပြုကြသလဲ? | [သင်ခန်းစာ](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen | -| 05 | Regression မိတ်ဆက် | [Regression](2-Regression/README.md) | Regression မော်ဒယ်များအတွက် Python နှင့် Scikit-learn ဖြင့် စတင်လေ့လာပါ | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | -| 06 | မြောက်အမေရိက ပန်ကင်းဈေးနှုန်းများ 🎃 | [Regression](2-Regression/README.md) | ML အသုံးပြုရန် အချက်အလက်များကို မြင်ကွင်းဖော်ပြ၍ သန့်စင်ခြင်း | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | -| 07 | မြောက်အမေရိက ပန်ကင်းဈေးနှုန်းများ 🎃 | [Regression](2-Regression/README.md) | Linear နှင့် Polynomial Regression မော်ဒယ်များ တည်ဆောက်ခြင်း | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau | -| 08 | မြောက်အမေရိက ပန်ကင်းဈေးနှုန်းများ 🎃 | [Regression](2-Regression/README.md) | Logistic Regression မော်ဒယ် တည်ဆောက်ခြင်း | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | -| 09 | ဝက်ဘ်အက်ပ် 🔌 | [ဝက်ဘ်အက်ပ်](3-Web-App/README.md) | သင်လေ့ကျင့်ပြီးသား မော်ဒယ်ကို အသုံးပြုရန် ဝက်ဘ်အက်ပ် တည်ဆောက်ပါ | [Python](3-Web-App/1-Web-App/README.md) | Jen | -| 10 | ခွဲအုပ်ခြင်း မိတ်ဆက် | [ခွဲအုပ်ခြင်း](4-Classification/README.md) | သင့်ဒေတာကို သန့်စင်၊ ပြင်ဆင်နှင့် မြင်ကွင်းဖော်ပြခြင်း; ခွဲအုပ်ခြင်း မိတ်ဆက် | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau | -| 11 | အရသာရှိသော အာရှနှင့် အိန္ဒိယ အစားအသောက် 🍜 | [ခွဲအုပ်ခြင်း](4-Classification/README.md) | Classifier များ မိတ်ဆက် | [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 | အရသာရှိသော အာရှနှင့် အိန္ဒိယ အစားအသောက် 🍜 | [ခွဲအုပ်ခြင်း](4-Classification/README.md) | Classifier များ ထပ်မံလေ့လာခြင်း | [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 | အရသာရှိသော အာရှနှင့် အိန္ဒိယ အစားအသောက် 🍜 | [ခွဲအုပ်ခြင်း](4-Classification/README.md) | သင့်မော်ဒယ်ကို အသုံးပြု၍ အကြံပြု ဝက်ဘ်အက်ပ် တည်ဆောက်ခြင်း | [Python](4-Classification/4-Applied/README.md) | Jen | -| 14 | စုလိုက်ခြင်း (Clustering) မိတ်ဆက် | [Clustering](5-Clustering/README.md) | သင့်ဒေတာကို သန့်စင်၊ ပြင်ဆင်နှင့် မြင်ကွင်းဖော်ပြခြင်း; Clustering မိတ်ဆက် | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | -| 15 | နိုင်ဂျီးရီးယား ဂီတ စရိုက်များ ရှာဖွေခြင်း 🎧 | [Clustering](5-Clustering/README.md) | K-Means clustering နည်းစနစ်ကို ရှာဖွေပါ | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | -| 16 | သဘာဝဘာသာစကားကို ကိုင်တွယ်ခြင်း (Natural language processing) မိတ်ဆက် ☕️ | [သဘာဝဘာသာစကားကို ကိုင်တွယ်ခြင်း](6-NLP/README.md) | ရိုးရှင်းသော ဘော့တစ်ခု တည်ဆောက်ခြင်းဖြင့် NLP အခြေခံများကို သင်ယူပါ | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | -| 17 | NLP တွင် ကြုံတွေ့ရသော ပင်မ လုပ်ငန်းများ ☕️ | [သဘာဝဘာသာစကားကို ကိုင်တွယ်ခြင်း](6-NLP/README.md) | ဘာသာစကားစနစ်များနှင့် ဆိုင်ရာ လုပ်ငန်းများကို နားလည်ခြင်းဖြင့် NLP ဗဟုသုတကို ပိုမိုချဲ့ထွင်ပါ | [Python](6-NLP/2-Tasks/README.md) | Stephen | -| 18 | ဘာသာပြန်နှင့် စိတ်ခံစားချက် သုံးသပ်ခြင်း ♥️ | [သဘာဝဘာသာစကားကို ကိုင်တွယ်ခြင်း](6-NLP/README.md) | Jane Austen အလုပ်များကို အသုံးပြု၍ ဘာသာပြန်နှင့် စိတ်ခံစားချက် သုံးသပ်ခြင်း | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | -| 19 | ဥရောပရှိ ရည်းစားလိုလှသော ဟိုတယ်များ ♥️ | [သဘာဝဘာသာစကားကို ကိုင်တွယ်ခြင်း](6-NLP/README.md) | ဟိုတယ်သုံးသပ်ချက်များဖြင့် စိတ်ခံစားချက် သုံးသပ်ခြင်း 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | -| 20 | ဥရောပရှိ ရည်းစားလိုလှသော ဟိုတယ်များ ♥️ | [သဘာဝဘာသာစကားကို ကိုင်တွယ်ခြင်း](6-NLP/README.md) | ဟိုတယ်သုံးသပ်ချက်များဖြင့် စိတ်ခံစားချက် သုံးသပ်ခြင်း 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | -| 21 | အချိန်စီးရီး ခန့်မှန်းခြင်း မိတ်ဆက် | [အချိန်စီးရီး](7-TimeSeries/README.md) | အချိန်စီးရီး ခန့်မှန်းခြင်း မိတ်ဆက် | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | -| 22 | ⚡️ ကမ္ဘာ၏ လျှပ်စီးစွမ်းအင် အသုံးအနှုန်း ⚡️ - ARIMA ဖြင့် အချိန်စီးရီး ခန့်မှန်းခြင်း | [အချိန်စီးရီး](7-TimeSeries/README.md) | ARIMA ဖြင့် အချိန်စီးရီး ခန့်မှန်းခြင်း | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | -| 23 | ⚡️ ကမ္ဘာ၏ လျှပ်စီးစွမ်းအင် အသုံးအနှုန်း ⚡️ - SVR ဖြင့် အချိန်စီးရီး ခန့်မှန်းခြင်း | [အချိန်စီးရီး](7-TimeSeries/README.md) | Support Vector Regressor (SVR) ဖြင့် အချိန်စီးရီး ခန့်မှန်းခြင်း | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | -| 24 | Reinforcement learning မိတ်ဆက် | [Reinforcement learning](8-Reinforcement/README.md) | Q-Learning ဖြင့် Reinforcement learning မိတ်ဆက် | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | -| 25 | Peter ကို ဝုလ်ဖ်မှ ရှောင်ရှားစေရန် ကူညီပါ! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Reinforcement learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | -| Postscript | အမှန်တကယ့် ကမ္ဘာတွင် ML သုံးနည်းများနှင့် လျှောက်လွှာများ | [ML in the Wild](9-Real-World/README.md) | ရိုးရာ ML ၏ စိတ်ဝင်တစားနှင့် ဖော်ထုတ်ပေးသော အမှန်တကယ့် လျှောက်လွှာများ | [သင်ခန်းစာ](9-Real-World/1-Applications/README.md) | Team | -| Postscript | RAI dashboard ဖြင့် ML မော်ဒယ် အမှားပြင်စစ်ခြင်း | [ML in the Wild](9-Real-World/README.md) | Responsible AI dashboard ပစ္စည်းများကို အသုံးပြု၍ စက်လေ့လာသင်ယူမှု မော်ဒယ်များ အမှားပြင်ခြင်း | [သင်ခန်းစာ](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | - -> [ဤ သင်တန်းအတွက် ထပ်မံလေ့လာရန် အရင်းအမြစ်များအားလုံးကို ကျွန်ုပ်တို့၏ Microsoft Learn စုစည်းမှုတွင် ရှာဖွေပါ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) - -## အော့ဖ်လိုင်း အသုံးချခြင်း - -ဤစာတမ်းကို [Docsify](https://docsify.js.org/#/) ကို အသုံးပြုပြီး အော့ဖ်လိုင်းတွင် ဖလှယ်၍ ပြေးစေနိုင်သည်။ ဤ repo ကို fork လုပ်ပြီး၊ သင့်ဒေသဆိုင်ရာ စက်ပေါ်တွင် [Docsify ကို တပ်ဆင်ပါ](https://docsify.js.org/#/quickstart)၊ ထို့နောက် ဤ repo ၏ root ဖိုလ်ဒါထဲ၌ `docsify serve` ဟု ရိုက်ထည့်ပါ။ ဝက်ဘ်ဆိုဒ်ကို သင့် localhost ပေါ်တွင် port 3000 မှာ ဆာဗ်လုပ်မည်: `localhost:3000`။ +| 01 | စက်သင်ယူမှုအတွက် နိဒါန်း | [Introduction](1-Introduction/README.md) | စက်သင်ယူမှု၏ အခြေခံ အယူအဆများကို လေ့လာပါ | [သင်ခန်းစာ](1-Introduction/1-intro-to-ML/README.md) | Muhammad | +| 02 | စက်သင်ယူမှု၏ သမိုင်း | [Introduction](1-Introduction/README.md) | ဤနယ်ပယ်၏ နောက်ခံ သမိုင်းကို သင်ယူပါ | [သင်ခန်းစာ](1-Introduction/2-history-of-ML/README.md) | Jen and Amy | +| 03 | တရားမျှတမှုနှင့် စက်သင်ယူမှု | [Introduction](1-Introduction/README.md) | ML မော်ဒယ်များကို တည်ဆောက်ပြီး အသုံးချရာတွင် ကျောင်းသားများ စဉ်းစားသင့်သော တရားမျှတမှုဆိုင်ရာ အရေးကြီးသော အချက်များက ဘာတွေရှိပါသလဲ။ | [သင်ခန်းစာ](1-Introduction/3-fairness/README.md) | Tomomi | +| 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 | +| 05 | Regression အတွက် နိဒါန်း | [Regression](2-Regression/README.md) | Regression မော်ဒယ်များအတွက် Python နှင့် Scikit-learn ဖြင့် အစပြုပါ | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | +| 06 | မြောက်အမေရိက မုန်လာဥဈေးများ 🎃 | [Regression](2-Regression/README.md) | ML အတွက် ပြင်ဆင်ရာတွင် ဒေတာကို ကြည့်ရှု၍ သန့်စင်ပါ | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | +| 07 | မြောက်အမေရိက မုန်လာဥဈေးများ 🎃 | [Regression](2-Regression/README.md) | လိုင်းနီယာ (linear) နှင့် ပိုလစ်နိုမီယယ် (polynomial) regression မော်ဒယ်များ ဖန်တီးပါ | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau | +| 08 | မြောက်အမေရိက မုန်လာဥဈေးများ 🎃 | [Regression](2-Regression/README.md) | Logistic regression မော်ဒယ် တစ်ခု တည်ဆောက်ပါ | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | +| 09 | ဝက်ဘ် အက်ပ် 🔌 | [Web App](3-Web-App/README.md) | လေ့ကျင့်ပြီးသော မော်ဒယ်ကို အသုံးပြုရန် ဝက်ဘ် အက်ပ်တစ်ခု တည်ဆောက်ပါ | [Python](3-Web-App/1-Web-App/README.md) | Jen | +| 10 | Classification အတွက် နိဒါန်း | [Classification](4-Classification/README.md) | ဒေတာကို သန့်စင်၊ ပြင်ဆင်၊ ကြည့်ရှုခြင်းနှင့် classification မိတ်ဆက် | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau | +| 11 | အာရှနှင့် အိန္ဒိယ ထမင်းအရသာများ 🍜 | [Classification](4-Classification/README.md) | Classifier များ မိတ်ဆက် | [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 | အာရှနှင့် အိန္ဒိယ ထမင်းအရသာများ 🍜 | [Classification](4-Classification/README.md) | Classifier များပို၍ | [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 | အာရှနှင့် အိန္ဒိယ ထမင်းအရသာများ 🍜 | [Classification](4-Classification/README.md) | မော်ဒယ်ကို အသုံးပြု၍ အကြံပြုဝက်ဘ်အက်ပ်တစ်ခု တည်ဆောက်ပါ | [Python](4-Classification/4-Applied/README.md) | Jen | +| 14 | Clustering အတွက် နိဒါန်း | [Clustering](5-Clustering/README.md) | ဒေတာကို သန့်စင်၊ ပြင်ဆင်၊ ကြည့်ရှုခြင်းနှင့် clustering မိတ်ဆက် | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | +| 15 | နိုက်ဂျီးရီးယား ဂီတအရသာ စူးစမ်းခြင်း 🎧 | [Clustering](5-Clustering/README.md) | K-Means clustering နည်းပညာကို စူးစမ်းရှာဖွေပါ | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | +| 16 | သဘာဝဘာသာစကား ကိုင်တွယ်ခြင်း (NLP) အတွက် နိဒါန်း ☕️ | [Natural language processing](6-NLP/README.md) | ရိုးရှင်းသော ဘော့တစ်ခု တည်ဆောက်ကာ NLP အခြေခံများကို လေ့လာပါ | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | +| 17 | NLP အတွက် ပုံမှန်လုပ်ဆောင်မှုများ ☕️ | [Natural language processing](6-NLP/README.md) | ဘာသာစကား ဖွဲ့စည်းမှုများကို ကိုင်တွယ်ရာတွင် လိုအပ်သော ပုံမှန် လုပ်ဆောင်မှုများကို နားလည်ခြင်းဖြင့် သင်၏ NLP အသိကို နက်ရှိုင်းစေပါ | [Python](6-NLP/2-Tasks/README.md) | Stephen | +| 18 | ဘာသာပြန်ခြင်းနှင့် စိတ်ခံစားချက် သုံးသပ်ခြင်း ♥️ | [Natural language processing](6-NLP/README.md) | Jane Austen အလုပ်များနှင့် အတူ ဘာသာပြန်ခြင်းနှင့် စိတ်ခံစားချက် သုံးသပ်ခြင်း | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | +| 19 | ဥရောပရဲ့ ချစ်မှုနှင့်သက်ဆိုင်သည့် ဟိုတယ်များ ♥️ | [Natural language processing](6-NLP/README.md) | ဟိုတယ် သုံးသပ်ချက်များဖြင့် စိတ်ခံစားချက် သုံးသပ်ခြင်း 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | +| 20 | ဥရောပရဲ့ ချစ်မှုနှင့်သက်ဆိုင်သည့် ဟိုတယ်များ ♥️ | [Natural language processing](6-NLP/README.md) | ဟိုတယ် သုံးသပ်ချက်များဖြင့် စိတ်ခံစားချက် သုံးသပ်ခြင်း 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | +| 21 | အချိန်စီးရီး မျှော်မှန်းခြင်း အတွက် နိဒါန်း | [Time series](7-TimeSeries/README.md) | အချိန်စီးရီး မျှော်မှန်းခြင်း အတွက် နိဒါန်း | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | +| 22 | ⚡️ ကမ္ဘာလုံးဆိုင်ရာ စွမ်းအင် အသုံးပြုမှု ⚡️ - ARIMA ဖြင့် အချိန်စီးရီး မျှော်မှန်းခြင်း | [Time series](7-TimeSeries/README.md) | ARIMA ဖြင့် အချိန်စီးရီး မျှော်မှန်းခြင်း | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | +| 23 | ⚡️ ကမ္ဘာလုံးဆိုင်ရာ စွမ်းအင် အသုံးပြုမှု ⚡️ - SVR ဖြင့် အချိန်စီးရီး မျှော်မှန်းခြင်း | [Time series](7-TimeSeries/README.md) | Support Vector Regressor (SVR) ဖြင့် အချိန်စီးရီး မျှော်မှန်းခြင်း | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | +| 24 | Reinforcement learning အတွက် နိဒါန်း | [Reinforcement learning](8-Reinforcement/README.md) | Q-Learning ဖြင့် Reinforcement learning မိတ်ဆက် | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | +| 25 | Peter ကို ခြင်္သေ့မှ ရှောင်ရှားနိုင်하도록 ကူညီပါ! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Reinforcement learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | +| Postscript | အမှန်တကယ်ရှိသော ML အခြေအနေများနှင့် အသုံးချမှုများ | [ML in the Wild](9-Real-World/README.md) | ရိုးရာ ML ကို အသုံးချသော စိတ်ဝင်စားစရာနှင့် သက်သေပြသော အမှန်ကျ အသုံးချမှုများ | [သင်ခန်းစာ](9-Real-World/1-Applications/README.md) | Team | +| Postscript | RAI dashboard ကို အသုံးပြုပ၍ ML မော်ဒယ်များ ပြင်ဆင် စစ်ဆေးခြင်း | [ML in the Wild](9-Real-World/README.md) | Responsible AI dashboard အစိတ်အပိုင်းများကို အသုံးပြု၍ စက်သင်ယူမှု မော်ဒယ်များကို စစ်ဆေးပြီး ပြင်ဆင်ခြင်း | [သင်ခန်းစာ](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | + +> [ဤသင်တန်းနှင့်သက်ဆိုင်သော ထပ်ဆင့် အရင်းအမြစ်များအားလုံးကို ကျွန်ုပ်တို့၏ Microsoft Learn စုစည်းမှုတွင် ရှာဖွေပါ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) + +## အော့ဖ်လိုင်း ဝင်ရောက်မှု + +ဤစာတမ်းကို [Docsify](https://docsify.js.org/#/) ကို အသုံးပြု၍ အော့ဖ်လိုင်းတွင် လည်ပတ်နိုင်သည်။ ဤ repo ကို fork လုပ်ပြီး၊ သင်၏ ဒေသတွင်း စက်ပေါ်တွင် [Docsify](https://docsify.js.org/#/quickstart) ကို တပ်ဆင်ပါ၊ ထို့နောက် ဤ repo ၏ ရှေ့ခြေ ဖိုလ်ဒါထဲတွင် `docsify serve` ဟု ရိုက်ထည့်ပါ။ ဝက်ဘ်ဆိုက်ကို သင်၏ localhost ပေါ်တွင် port 3000 တွင် ယူဆောင်ပြသမည်ဖြစ်သည်: `localhost:3000`. ## PDF များ -သင်ရိုးဇယား၏ PDF ဖိုင်အား လင့်ခ်များနှင့်အတူ [ဒီမှာ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) တွင် ရှာဖွေပါ။ +သင်ရိုးညွှန်းစာရင်း၏ PDF ကို link များနှင့်အတူ [ဤနေရာတွင်](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) ရှာနိုင်ပါသည်။ -## 🎒 အခြားသင်တန်းများ +## 🎒 အခြား သင်တန်းများ -ကျွန်ုပ်တို့အဖွဲ့သည် အခြားသင်တန်းများလည်း ထုတ်လုပ်ပါသည်! ကြည့်ရှုပါ: +ကျွန်ုပ်တို့၏ အဖွဲ့သည် အခြား သင်တန်းများလည်း ထုတ်လုပ်ပါသည်! ကြည့်ရှုပါ: ### LangChain -[![LangChain4j အတွက် စတင်သူများ](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) -[![LangChain.js အတွက် စတင်သူများ](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) +[![LangChain4j for Beginners](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) +[![LangChain.js for Beginners](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) --- ### Azure / Edge / MCP / Agents -[![AZD အတွက် စတင်သူများ](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Edge AI အတွက် စတင်သူများ](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![MCP အတွက် စတင်သူများ](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) -[![AI Agents အတွက် စတင်သူများ](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AZD အစပြုသူများအတွက်](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Edge AI အစပြုသူများအတွက်](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![MCP အစပြုသူများအတွက်](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AI Agents အစပြုသူများအတွက်](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) --- ### Generative AI Series -[![Generative AI အတွက် စတင်သူများ](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Generative AI အစပြုသူများအတွက်](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) [![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) [![ဖန်တီးနိုင်သော AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) [![ဖန်တီးနိုင်သော AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) --- -### အခြေခံ သင်ယူမှု -[![စတင်လေ့လာသူများအတွက် စက်လေ့လာမှု](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) -[![စတင်လေ့လာသူများအတွက် ဒေတာသိပ္ပံ](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) +### အဓိက သင်ယူမှု +[![စတင်လေ့လာသူများအတွက် ML](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) +[![စတင်လေ့လာသူများအတွက် ဒေတာ သိပ္ပံ](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) [![စတင်လေ့လာသူများအတွက် AI](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) -[![စတင်လေ့လာသူများအတွက် စိုင်ဘာလုံခြုံရေး](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) +[![စတင်လေ့လာသူများအတွက် ဆိုက်ဘာလုံခြုံရေး](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) [![စတင်လေ့လာသူများအတွက် ဝက်ဘ် ဖွံ့ဖြိုးရေး](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) [![စတင်လေ့လာသူများအတွက် IoT](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) [![စတင်လေ့လာသူများအတွက် XR ဖွံ့ဖြိုးရေး](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) @@ -199,24 +199,24 @@ Microsoft ၏ Cloud Advocates များသည် 12 ပတ်တစ်နေ --- ### Copilot စီးရီး -[![AI နှင့် တွဲဖက် ပရိုဂရမ်ရေးဆွဲရန် Copilot](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) +[![AI တွဲဖက် ပရိုဂရမ်ရေးရန် Copilot](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) [![C#/.NET အတွက် Copilot](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) -[![Copilot စူးစမ်းခရီး](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) +[![Copilot စွန့်စားခန်း](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) ## အကူအညီ ရယူခြင်း -AI အက်ပ်များ ဖန်တီးရာတွင် အခက်အခဲ ရှိပါက သို့မဟုတ် မေးခွန်းများ ရှိပါက၊ MCP အကြောင်း ဆွေးနွေးရာတွင် အခြားလေ့လာသူများနှင့် အတွေ့ကြုံရှိ ဖွံ့ဖြိုးရေးသူများနှင့် ပူးပေါင်းပါ။ ဒီနေရာမှာ မေးခွန်းများကို ကြိုဆိုပြီး အသိပညာများကို လွတ်လပ်စွာ မျှဝေသည့် ထောက်ခံကြောင့် ကောင်းသော အသိုင်းအဝိုင်း တစ်ခု ဖြစ်ပါတယ်။ +AI အက်ပ်များ ဖန်တီးရာတွင် အခက်အခဲ ဖြစ်လာပါက သို့မဟုတ် မေးခွန်းများ ရှိပါက MCP အကြောင်းကို သင်ယူနေသူများနှင့် အတွေ့အကြုံရှိ ဖွံ့ဖြိုးသူများနှင့် ပူးပေါင်းပြီး ဆွေးနွေးနိုင်သည်။ ဤသည်မှာ မေးခွန်းများကို ကြိုဆိုပြီး သတင်းအချက်အလက်များကို လွတ်လပ်စွာ မျှဝေကြသော ပံ့ပိုးမှုရှိသော လူမှုအသိုင်းအဝိုင်းတစ်ခုဖြစ်သည်။ -[![Microsoft Foundry Discord ဆာဗာ](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -ထုတ်ကုန် အတွက် တုံ့ပြန်ချက်များ သို့မဟုတ် တည်ဆောက်စဉ် အမှားများ ရှိပါက သွားရောက်ကြည့်ရန်: +ထုတ်ကုန် အတွက် တုံ့ပြန်ချက်များ သို့မဟုတ် တည်ဆောက်စဉ် အမှားများ ရှိပါက ဤနေရာသို့ သွားပါ။ -[![Microsoft Foundry ဖွံ့ဖြိုးရေးသူ ဖိုရမ်](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) +[![Microsoft Foundry ဖွံ့ဖြိုးသူ ဖိုရမ်](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) --- သတိပေးချက်: -ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု Co-op Translator (https://github.com/Azure/co-op-translator) ဖြင့် ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးပမ်းပေမယ့် အလိုအလျောက်ဘာသာပြန်ချက်များတွင် အမှားများ သို့မဟုတ် မှန်ကန်မှုနည်းပါးသော အချက်များ ပါဝင်နိုင်ပါသည်။ မူလစာတမ်းကို မူလဘာသာဖြင့်သာ အာဏာပိုင် ရင်းမြစ်အဖြစ် ယူဆရမည်ဖြစ်ပြီး အရေးကြီးသော အချက်အလက်များအတွက် လူသား ပရော်ဖက်ရှင်နယ် ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ချက်ကို အသုံးပြုခြင်းကြောင့် ဖြစ်ပေါ်နိုင်သည့် နားလည်မှုမှားများ သို့မဟုတ် မှားယွင်းသော သဘောပေါက်ချက်များအတွက် ကျွန်ုပ်တို့ တာဝန် မယူပါ။ +ဤစာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု Co-op Translator (https://github.com/Azure/co-op-translator) ဖြင့် ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားပေမယ့် အလိုအလျောက် ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မမှန်ကန်ချက်များ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူလစာတမ်းကို မူလဘာသာဖြင့်သာ တရားဝင် အရင်းအမြစ်အဖြစ် ယူဆသင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် ပရော်ဖက်ရှင်နယ် လူဘာသာပြန်ထံမှ ဘာသာပြန်ချက်ကို အတည်ပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်ချက်ကို အသုံးပြုမှုကြောင့် ဖြစ်ပေါ်လာသော နားလည်မှုပျက်ခြင်းများ သို့မဟုတ် အဓိပ္ပာယ်လွဲမှားခြင်းများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/ne/1-Introduction/README.md b/translations/ne/1-Introduction/README.md index 975b8d8ad..5f178af0a 100644 --- a/translations/ne/1-Introduction/README.md +++ b/translations/ne/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 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! -![globe](../../../translated_images/globe.59f26379ceb40428672b4d9a568044618a2bf6292ecd53a5c481b90e3fa805eb.ne.jpg) +![globe](../../../translated_images/globe.59f26379ceb40428.ne.jpg) > फोटो: बिल अक्सफोर्ड द्वारा अनस्प्ल्यास मा ### पाठहरू diff --git a/translations/ne/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/ne/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index 8e150148a..b56e7f1f0 100644 --- a/translations/ne/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/ne/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -48,7 +48,7 @@ " width=\"630\"/>\n", "
@allison_horst द्वारा कलाकृति
\n", "\n", - "\n" + "\n" ], "metadata": { "id": "LWNNzfqd6feZ" diff --git a/translations/ne/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/ne/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index ee0289095..c02adcb89 100644 --- a/translations/ne/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/ne/2-Regression/2-Data/solution/R/lesson_2-R.ipynb @@ -50,7 +50,7 @@ "
@allison_horst द्वारा कलाकृति
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "Pg5aexcOPqAZ" @@ -231,7 +231,7 @@ "
कलाकृति @allison_horst द्वारा
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "o4jLY5-VZO2C" @@ -532,7 +532,7 @@ "
डासानी मडिपल्लीद्वारा इन्फोग्राफिक
\n", "\n", "\n", - "\n", + "\n", "\n", "यहाँ एउटा *बुद्धिमानीपूर्ण* भनाइ छ, जसले यसो भन्छ:\n", "\n", diff --git a/translations/ne/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/ne/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index 1bbb762a1..f753a3ef2 100644 --- a/translations/ne/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/ne/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -162,7 +162,7 @@ "
@allison_horst द्वारा सिर्जित कला
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "WdUKXk7Bs8-V" @@ -567,7 +567,7 @@ "
डासानी मडिपल्लीद्वारा इन्फोग्राफिक
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "YqXjLuWavNxW" @@ -808,7 +808,7 @@ "
डसानी मडिपल्लीद्वारा इन्फोग्राफिक
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "HOCqJXLTwtWI" diff --git a/translations/ne/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/ne/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index 5470950f3..b7022bfdc 100644 --- a/translations/ne/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/ne/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## Logistic Regression मोडेल बनाउनुहोस् - पाठ ४\n", "\n", - "![Logistic vs. linear regression infographic](../../../../../../translated_images/linear-vs-logistic.ba180bf95e7ee66721ba10ebf2dac2666acbd64a88b003c83928712433a13c7d.ne.png)\n", + "![Logistic vs. linear regression infographic](../../../../../../translated_images/linear-vs-logistic.ba180bf95e7ee667.ne.png)\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", "\n", - "![दासानी मडिपल्लीद्वारा इन्फोग्राफिक](../../../../../../translated_images/pumpkin-classifier.562771f104ad5436b87d1c67bca02a42a17841133556559325c0a0e348e5b774.ne.png)\n", + "![दासानी मडिपल्लीद्वारा इन्फोग्राफिक](../../../../../../translated_images/pumpkin-classifier.562771f104ad5436.ne.png)\n", "\n", "### अन्य वर्गीकरणहरू\n", "\n", @@ -88,7 +88,7 @@ "\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", "\n", - "![मल्टिनोमियल बनाम अर्डिनल रिग्रेसन](../../../../../../translated_images/multinomial-vs-ordinal.36701b4850e37d86c9dd49f7bef93a2f94dbdb8fe03443eb68f0542f97f28f29.ne.png)\n", + "![मल्टिनोमियल बनाम अर्डिनल रिग्रेसन](../../../../../../translated_images/multinomial-vs-ordinal.36701b4850e37d86.ne.png)\n", "\n", "#### **भेरिएबलहरू अनिवार्य रूपमा सम्बन्धित हुनु पर्दैन**\n", "\n", diff --git a/translations/ne/2-Regression/README.md b/translations/ne/2-Regression/README.md index b6abc5911..7f0ffd04c 100644 --- a/translations/ne/2-Regression/README.md +++ b/translations/ne/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: उत्तर अमेरिकामा, कद्दूहरू प्रायः हेलोविनको लागि डर लाग्दो अनुहारमा कुँदिन्छन्। यी रोचक तरकारीहरूको बारेमा थप जानौं! -![jack-o-lanterns](../../../translated_images/jack-o-lanterns.181c661a9212457d7756f37219f660f1358af27554d856e5a991f16b4e15337c.ne.jpg) +![jack-o-lanterns](../../../translated_images/jack-o-lanterns.181c661a9212457d.ne.jpg) > फोटो बेथ ट्युट्सम्यान द्वारा अनस्प्ल्यास मा ## तपाईंले के सिक्नुहुनेछ diff --git a/translations/ne/3-Web-App/README.md b/translations/ne/3-Web-App/README.md index a1a8cf598..5832a44da 100644 --- a/translations/ne/3-Web-App/README.md +++ b/translations/ne/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 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। -![UFO पार्किङ](../../../translated_images/ufo.9e787f5161da9d4d1dafc537e1da09be8210f2ee996cb638aa5cee1d92867a04.ne.jpg) +![UFO पार्किङ](../../../translated_images/ufo.9e787f5161da9d4d.ne.jpg) फोटो माइकल हेरेन द्वारा Unsplash मा diff --git a/translations/ne/4-Classification/README.md b/translations/ne/4-Classification/README.md index 228fd5d02..a06e7f47e 100644 --- a/translations/ne/4-Classification/README.md +++ b/translations/ne/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: एशिया र भारतमा, खानाको परम्परा अत्यन्त विविध र स्वादिष्ट छ! क्षेत्रीय परिकारहरूको सामग्रीलाई बुझ्नको लागि हामी डाटालाई हेर्नेछौं। -![थाई खाना बेच्ने व्यक्ति](../../../translated_images/thai-food.c47a7a7f9f05c21892a1f9dc7bf30669e6d18dfda420c5c7ebb4153f6a304edd.ne.jpg) +![थाई खाना बेच्ने व्यक्ति](../../../translated_images/thai-food.c47a7a7f9f05c218.ne.jpg) > फोटो लिशेंग चांग द्वारा अनस्प्ल्यास मा ## तपाईंले के सिक्नुहुनेछ diff --git a/translations/ne/5-Clustering/README.md b/translations/ne/5-Clustering/README.md index 9df68970d..e57c584a4 100644 --- a/translations/ne/5-Clustering/README.md +++ b/translations/ne/5-Clustering/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: 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! -![एक टर्नटेबल](../../../translated_images/turntable.f2b86b13c53302dc106aa741de9dc96ac372864cf458dd6f879119857aab01da.ne.jpg) +![एक टर्नटेबल](../../../translated_images/turntable.f2b86b13c53302dc.ne.jpg) > फोटो मार्सेला लास्कोस्की द्वारा अनस्प्ल्यास मा diff --git a/translations/ne/6-NLP/README.md b/translations/ne/6-NLP/README.md index a597df02a..c9da56e3c 100644 --- a/translations/ne/6-NLP/README.md +++ b/translations/ne/6-NLP/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: 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। -![Pride and Prejudice पुस्तक र चिया](../../../translated_images/p&p.279f1c49ecd889419e4ce6206525e9aa30d32a976955cd24daa636c361c6391f.ne.jpg) +![Pride and Prejudice पुस्तक र चिया](../../../translated_images/p&p.279f1c49ecd88941.ne.jpg) > फोटो Elaine Howlin द्वारा Unsplash मा ## पाठहरू diff --git a/translations/ne/7-TimeSeries/README.md b/translations/ne/7-TimeSeries/README.md index ac95e00cc..9fda67adb 100644 --- a/translations/ne/7-TimeSeries/README.md +++ b/translations/ne/7-TimeSeries/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: 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। -![electric grid](../../../translated_images/electric-grid.0c21d5214db09ffae93c06a87ca2abbb9ba7475ef815129c5b423d7f9a7cf136.ne.jpg) +![electric grid](../../../translated_images/electric-grid.0c21d5214db09ffa.ne.jpg) 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। diff --git a/translations/ne/8-Reinforcement/README.md b/translations/ne/8-Reinforcement/README.md index 36dc3ec64..e61546a03 100644 --- a/translations/ne/8-Reinforcement/README.md +++ b/translations/ne/8-Reinforcement/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: 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 भेडिया](../../../translated_images/peter.779730f9ba3a8a8d9290600dcf55f2e491c0640c785af7ac0d64f583c49b8864.ne.png) +![पिटर र भेडिया](../../../translated_images/peter.779730f9ba3a8a8d.ne.png) > पिटर र उनका साथीहरूले भोकाएको भेडियाबाट भाग्नुपर्छ! छवि [जेन लूपर](https://twitter.com/jenlooper) द्वारा diff --git a/translations/ne/9-Real-World/README.md b/translations/ne/9-Real-World/README.md index 033d01625..170fbae6f 100644 --- a/translations/ne/9-Real-World/README.md +++ b/translations/ne/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 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। -![chess](../../../translated_images/chess.e704a268781bdad85d1876b6c2295742fa0d856e7dcf3659147052df9d3db205.ne.jpg) +![chess](../../../translated_images/chess.e704a268781bdad8.ne.jpg) > फोटो एलेक्सिस फोभेट द्वारा अनस्प्ल्यास मा उपलब्ध diff --git a/translations/ne/README.md b/translations/ne/README.md index bd446086e..cbd5988c4 100644 --- a/translations/ne/README.md +++ b/translations/ne/README.md @@ -1,205 +1,205 @@ -[![GitHub अनुमतिपत्र](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) +[![GitHub लाइसेन्स](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) [![GitHub योगदानकर्ताहरू](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) -[![GitHub मुद्दाहरू](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) -[![GitHub पुल-रिक्वेस्टहरू](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) -[![PRs Welcome](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) +[![GitHub इश्यूहरू](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) +[![GitHub पुल अनुरोधहरू](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) +[![पुल अनुरोधहरू स्वागत छ](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) -[![GitHub हेर्नेहरू](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) +[![GitHub वाचरहरू](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) [![GitHub फोर्कहरू](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/) [![GitHub स्टारहरू](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) ### 🌐 बहुभाषी समर्थन -#### GitHub Action मार्फत समर्थित (स्वचालित र सधैं अद्यावधिक) +#### GitHub Action मार्फत समर्थन गरिएको (स्वचालित र सधैं अद्यावधिक) -[अरबी](../ar/README.md) | [बंगाली](../bn/README.md) | [बुल्गेरियाली](../bg/README.md) | [बर्मेली (म्यान्मार)](../my/README.md) | [चिनियाँ (सरलीकृत)](../zh/README.md) | [चिनियाँ (परम्परागत, होङकङ)](../hk/README.md) | [चिनियाँ (परम्परागत, माकाउ)](../mo/README.md) | [चिनियाँ (परम्परागत, ताइवान)](../tw/README.md) | [क्रोएशियाली](../hr/README.md) | [चेक](../cs/README.md) | [डेनिश](../da/README.md) | [डच](../nl/README.md) | [एस्टोनियाली](../et/README.md) | [फिनिश](../fi/README.md) | [फ्रेन्च](../fr/README.md) | [जर्मन](../de/README.md) | [ग्रीक](../el/README.md) | [हिब्रू](../he/README.md) | [हिन्दी](../hi/README.md) | [हङ्गेरियन](../hu/README.md) | [इन्डोनेशियाली](../id/README.md) | [इटालियन](../it/README.md) | [जापानी](../ja/README.md) | [कन्नड](../kn/README.md) | [कोरियाली](../ko/README.md) | [लिथुनियाली](../lt/README.md) | [मलय](../ms/README.md) | [मलयालम](../ml/README.md) | [मराठी](../mr/README.md) | [नेपाली](./README.md) | [नाइजेरियन पिजिन](../pcm/README.md) | [नर्वेजियन](../no/README.md) | [फारसी (फार्सी)](../fa/README.md) | [पोलिश](../pl/README.md) | [पोर्चुगिज (ब्राजिल)](../br/README.md) | [पोर्चुगिज (पोर्चुगल)](../pt/README.md) | [पञ्जाबी (गुरमुखी)](../pa/README.md) | [रोमानियाई](../ro/README.md) | [रसियाली](../ru/README.md) | [सर्बियाली (सिरिलिक)](../sr/README.md) | [स्लोभाक](../sk/README.md) | [स्लोभेनियाली](../sl/README.md) | [स्पेनिश](../es/README.md) | [स्वाहिली](../sw/README.md) | [स्विडिश](../sv/README.md) | [ट्यागालॉग (फिलिपिनो)](../tl/README.md) | [तमिल](../ta/README.md) | [तेलुगु](../te/README.md) | [थाई](../th/README.md) | [टर्किश](../tr/README.md) | [युक्रेनी](../uk/README.md) | [उर्दू](../ur/README.md) | [भियतनामी](../vi/README.md) +[अरबी](../ar/README.md) | [बंगाली](../bn/README.md) | [बुल्गेरियाली](../bg/README.md) | [बर्मी (म्यानमार)](../my/README.md) | [चिनियाँ (सरलीकृत)](../zh/README.md) | [चिनियाँ (परम्परागत, हङकङ)](../hk/README.md) | [चिनियाँ (परम्परागत, मकाउ)](../mo/README.md) | [चिनियाँ (परम्परागत, ताइवान)](../tw/README.md) | [क्रोएशियाली](../hr/README.md) | [चेक](../cs/README.md) | [डेनिश](../da/README.md) | [डच](../nl/README.md) | [एस्टोनियन](../et/README.md) | [फिनिश](../fi/README.md) | [फ्रेन्च](../fr/README.md) | [जर्मन](../de/README.md) | [ग्रीक](../el/README.md) | [हिब्रू](../he/README.md) | [हिन्दी](../hi/README.md) | [हंगेरीय](../hu/README.md) | [इन्डोनेशियाली](../id/README.md) | [इटालियन](../it/README.md) | [जापानी](../ja/README.md) | [कन्नड](../kn/README.md) | [कोरियाली](../ko/README.md) | [लिथुआनियाली](../lt/README.md) | [मलय](../ms/README.md) | [मलयालम](../ml/README.md) | [मराठी](../mr/README.md) | [नेपाली](./README.md) | [नाइजेरियन पिजिन](../pcm/README.md) | [नर्वे](../no/README.md) | [फारसी (फारसी)](../fa/README.md) | [पोलिश](../pl/README.md) | [पोर्चुगाली (ब्राजिल)](../br/README.md) | [पोर्चुगाली (पुर्तगाल)](../pt/README.md) | [पञ्जाबी (गुरमुखी)](../pa/README.md) | [रोमानियन](../ro/README.md) | [रूसी](../ru/README.md) | [सर्बियाली (सिरिलिक)](../sr/README.md) | [स्लोभाक](../sk/README.md) | [स्लोभेनियाली](../sl/README.md) | [स्पेनिश](../es/README.md) | [स्वाहिली](../sw/README.md) | [स्वीडिश](../sv/README.md) | [टागालॉग (फिलिपिनो)](../tl/README.md) | [तमिल](../ta/README.md) | [तेलुगु](../te/README.md) | [थाई](../th/README.md) | [टर्किश](../tr/README.md) | [युक्रेनी](../uk/README.md) | [उर्दु](../ur/README.md) | [भियतनामी](../vi/README.md) -#### हाम्रो समुदायमा सामेल हुनुस् +#### हाम्रो समुदायमा सहभागी हुनुहोस् -[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +[![Microsoft Foundry डिस्कोर्ड](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -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। -![AI सँग सिक्ने सिरिज](../../translated_images/3.9b58fd8d6c373c20c588c5070c4948a826ab074426c28ceb5889641294373dfc.ne.png) +![AI सँग सिक्ने सिरिज](../../translated_images/3.9b58fd8d6c373c20.ne.png) -# 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। -2. **रिपोजिटरी Clone गर्नुहोस्**: `git clone https://github.com/microsoft/ML-For-Beginners.git` +यी चरणहरू पालना गर्नुहोस्: +1. **रिपोजिटरी फोर्क गर्नुहोस्**: यस पृष्ठको माथि-दायाँ कुनामा रहेको "Fork" बटनमा क्लिक गर्नुहोस्। +2. **रिपोजिटरी क्लोन गर्नुहोस्**: `git clone https://github.com/microsoft/ML-For-Beginners.git` -> [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। -[![शुरुवातीहरूका लागि ML ब्यानर](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6251134294459696e070a3a9a04632e9fe6a24aa0de4a7384.ne.png)](https://aka.ms/ml-beginners-videos) +[![ML for beginners ब्यानर](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6.ne.png)](https://aka.ms/ml-beginners-videos) --- -## टोलीसँग भेट्नुहोस् +## टिमलाई भेट्नुहोस् [![प्रोमो भिडियो](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) -**Gif द्वारा** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) +**गिफ द्वारा** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) -> 🎥 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! ## प्रत्येक पाठमा समावेश छ - वैकल्पिक स्केचनोट - वैकल्पिक पूरक भिडियो -- भिडियो व्याख्या (केही पाठहरू मात्र) -- [pre-lecture warmup quiz](https://ff-quizzes.netlify.app/en/ml/) +- भिडियो वाकथ्रु (केही पाठहरूमा मात्र) +- [प्रि-लेक्चर वर्मअप क्विज](https://ff-quizzes.netlify.app/en/ml/) - लेखिएको पाठ -- परियोजना-आधारित पाठहरूका लागि परियोजना कसरी बनाउने विस्तृत चरण-द्वारा-चरण निर्देशनहरू +- प्रोजेक्ट-आधारित पाठहरूको लागि, प्रोजेक्ट कसरी बनाउने भन्ने चरण-दर-चरण मार्गदर्शन - ज्ञान जाँचहरू -- एक चुनौती -- पूरक पठन +- एउटा चुनौती +- पूरक पढाइ - असाइनमेन्ट -- [post-lecture quiz](https://ff-quizzes.netlify.app/en/ml/) +- [पोस्ट-लेक्चर क्विज](https://ff-quizzes.netlify.app/en/ml/) -> **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 | | :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | -| 01 | मेसिन लर्निङको परिचय | [परिचय](1-Introduction/README.md) | मेसिन लर्निङको आधारभूत अवधारणाहरू सिक्नुहोस् | [पाठ](1-Introduction/1-intro-to-ML/README.md) | Muhammad | -| 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 | -| 15 | नाइजेरियन सङ्गीत रुचिहरूको अन्वेषण 🎧 | [क्लस्टरिङ](5-Clustering/README.md) | K-Means क्लस्टरिङ विधि अन्वेषण गर्नुहोस् | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.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 | +| 01 | मेसिन लर्निङ परिचय | [परिचय](1-Introduction/README.md) | मेसिन लर्निङको आधारभूत अवधारणाहरू सिक्नुहोस् | [पाठ](1-Introduction/1-intro-to-ML/README.md) | Muhammad | +| 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 | +| 15 | नाइजीरियाली संगीतका रुचिहरू अन्वेषण 🎧 | [क्लस्टरिङ](5-Clustering/README.md) | K-Means क्लस्टरिङ विधि अन्वेषण गर्नुहोस् | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.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 | | 21 | टाइम सिरिज पूर्वानुमानमा परिचय | [टाइम सिरिज](7-TimeSeries/README.md) | टाइम सिरिज पूर्वानुमानमा परिचय | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | -| 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 | -| 24 | रिइन्फोर्समेन्ट लर्निङमा परिचय | [रिइन्फोर्समेन्ट लर्निङ](8-Reinforcement/README.md) | Q-Learning सहित रिइन्फोर्समेन्ट लर्निङमा परिचय | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | -| 25 | पीटरलाई ब्वाँसोबाट जोगाउन मद्दत गर्नुहोस्! 🐺 | [रिइन्फोर्समेन्ट लर्निङ](8-Reinforcement/README.md) | रिइन्फोर्समेन्ट लर्निङ जिम | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | -| 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 | +| 24 | रिइन्फोर्समेन्ट लर्निङमा परिचय | [रिइन्फोर्समेन्ट लर्निङ](8-Reinforcement/README.md) | Q-Learning सँग रिइन्फोर्समेन्ट लर्निङमा परिचय | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | +| 25 | पिटरलाई ब्वाँसोबाट बचाउन मद्दत गर्नुहोस्! 🐺 | [रिइन्फोर्समेन्ट लर्निङ](8-Reinforcement/README.md) | रिइन्फोर्समेन्ट लर्निङ जिम | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | +| 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 -लिङ्कहरू सहित 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: ### LangChain -[![LangChain4j सुरु गर्नेहरूका लागि](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) -[![LangChain.js सुरु गर्नेहरूका लागि](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) +[![LangChain4j (शुरुआतीहरूको लागि)](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) +[![LangChain.js (शुरुआतीहरूको लागि)](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) --- ### Azure / Edge / MCP / Agents -[![AZD प्रारम्भिकहरूका लागि](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Edge AI प्रारम्भिकहरूका लागि](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![MCP प्रारम्भिकहरूका लागि](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) -[![AI Agents प्रारम्भिकहरूका लागि](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AZD (शुरुआतीहरूको लागि)](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Edge AI (शुरुआतीहरूको लागि)](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![MCP (शुरुआतीहरूको लागि)](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AI Agents (शुरुआतीहरूको लागि)](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### Generative AI Series -[![Generative AI प्रारम्भिकहरूका लागि](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) +### जनरेटिभ AI श्रृंखला +[![Generative AI (शुरुआतीहरूको लागि)](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) [![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) -[![जेनेरेटिभ AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) -[![जेनेरेटिभ AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) +[![जनरेटिभ एआई (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) +[![जनरेटिभ एआई (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) --- ### मुख्य सिकाइ -[![शुरुवातकर्ताका लागि ML](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) -[![शुरुवातकर्ताका लागि डेटा विज्ञान](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) -[![शुरुवातकर्ताका लागि AI](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) -[![शुरुवातकर्ताका लागि साइबर सुरक्षा](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) -[![शुरुवातकर्ताका लागि वेब विकास](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) -[![शुरुवातकर्ताका लागि IoT](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) -[![शुरुवातकर्ताका लागि XR विकास](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) +[![शुरुआतीहरूको लागि ML](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) +[![शुरुआतीहरूको लागि डेटा विज्ञान](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) +[![शुरुआतीहरूको लागि एआई](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) +[![शुरुआतीहरूको लागि साइबरसुरक्षा](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) +[![शुरुआतीहरूको लागि वेब विकास](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) +[![शुरुआतीहरूको लागि IoT](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) +[![शुरुआतीहरूको लागि XR विकास](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### Copilot शृंखला +### Copilot श्रृंखला [![AI जोडी प्रोग्रामिङका लागि Copilot](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) [![C#/.NET का लागि Copilot](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) [![Copilot साहसिक](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?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। -[![Microsoft Foundry डिस्कोर्ड](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -यदि तपाईंसँग उत्पादन सम्बन्धी प्रतिक्रिया वा निर्माण गर्दा त्रुटिहरू छन् भने, कृपया भ्रमण गर्नुहोस्: +यदि तपाईंको उत्पादन सम्बन्धी प्रतिक्रिया वा निर्माणको क्रममा त्रुटिहरू छन् भने भ्रमण गर्नुहोस्: [![Microsoft Foundry विकासकर्ता फोरम](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) @@ -219,5 +219,5 @@ Microsoft का क्लाउड एड्भोकेटहरूले 12 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 हुन सक्छ। 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। \ No newline at end of file diff --git a/translations/nl/README.md b/translations/nl/README.md index 4b1ba8f3e..898243fbf 100644 --- a/translations/nl/README.md +++ b/translations/nl/README.md @@ -1,25 +1,25 @@ [![GitHub-licentie](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) -[![GitHub-bijdragers](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) -[![GitHub-issues](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) -[![GitHub pull-requests](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) -[![PR's welkom](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) +[![GitHub bijdragers](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) +[![GitHub-problemen](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) +[![GitHub pull-aanvragen](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) +[![PRs welkom](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) -[![GitHub-volgers](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) +[![GitHub-waarnemers](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) [![GitHub-forks](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/) [![GitHub-sterren](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) ### 🌐 Meertalige ondersteuning -#### Ondersteund via GitHub Action (Geautomatiseerd & Altijd up-to-date) +#### Ondersteund via GitHub Action (Geautomatiseerd & altijd up-to-date) [Arabisch](../ar/README.md) | [Bengaals](../bn/README.md) | [Bulgaars](../bg/README.md) | [Birmaans (Myanmar)](../my/README.md) | [Chinees (vereenvoudigd)](../zh/README.md) | [Chinees (traditioneel, Hongkong)](../hk/README.md) | [Chinees (traditioneel, Macau)](../mo/README.md) | [Chinees (traditioneel, Taiwan)](../tw/README.md) | [Kroatisch](../hr/README.md) | [Tsjechisch](../cs/README.md) | [Deens](../da/README.md) | [Nederlands](./README.md) | [Ests](../et/README.md) | [Fins](../fi/README.md) | [Frans](../fr/README.md) | [Duits](../de/README.md) | [Grieks](../el/README.md) | [Hebreeuws](../he/README.md) | [Hindi](../hi/README.md) | [Hongaars](../hu/README.md) | [Indonesisch](../id/README.md) | [Italiaans](../it/README.md) | [Japans](../ja/README.md) | [Kannada](../kn/README.md) | [Koreaans](../ko/README.md) | [Litouws](../lt/README.md) | [Maleis](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepalees](../ne/README.md) | [Nigeriaans Pidgin](../pcm/README.md) | [Noors](../no/README.md) | [Perzisch (Farsi)](../fa/README.md) | [Pools](../pl/README.md) | [Portugees (Brazilië)](../br/README.md) | [Portugees (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Roemeens](../ro/README.md) | [Russisch](../ru/README.md) | [Servisch (Cyrillisch)](../sr/README.md) | [Slowaaks](../sk/README.md) | [Sloveens](../sl/README.md) | [Spaans](../es/README.md) | [Swahili](../sw/README.md) | [Zweeds](../sv/README.md) | [Tagalog (Filipijns)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thais](../th/README.md) | [Turks](../tr/README.md) | [Oekraïens](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamees](../vi/README.md) @@ -29,58 +29,58 @@ CO_OP_TRANSLATOR_METADATA: [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -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. -![Learn with AI-serie](../../translated_images/3.9b58fd8d6c373c20c588c5070c4948a826ab074426c28ceb5889641294373dfc.nl.png) +![Learn with AI-serie](../../translated_images/3.9b58fd8d6c373c20.nl.png) -# 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. -[![ML for beginners banner](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6251134294459696e070a3a9a04632e9fe6a24aa0de4a7384.nl.png)](https://aka.ms/ml-beginners-videos) +[![ML for beginners-banner](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6.nl.png)](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 **Gif door** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) -> 🎥 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! ## Elke les bevat - optionele sketchnote - optionele aanvullende video -- videoduitleg (alleen sommige lessen) -- [pre-lecture warmup quiz](https://ff-quizzes.netlify.app/en/ml/) +- video-doorloop (alleen bij sommige lessen) +- [opwarmquiz vóór de les](https://ff-quizzes.netlify.app/en/ml/) - geschreven les - voor projectgebaseerde lessen, stapsgewijze handleidingen over hoe je het project bouwt -- kennischecks +- kenniscontroles - een uitdaging -- aanvullende lectuur +- aanvullende leesstof - opdracht -- [post-lecture quiz](https://ff-quizzes.netlify.app/en/ml/) +- [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. -| Lesnummer | Onderwerp | Lesgroep | Leerdoelen | Gekoppelde les | Auteur | +| Lesnummer | Onderwerp | Lesindeling | Leerdoelen | Gekoppelde les | Auteur | | :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | -| 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 | -| 22 | ⚡️ Wereldwijd stroomverbruik ⚡️ - tijdreeksvoorspelling met ARIMA | [Time series](7-TimeSeries/README.md) | Tijdreeksvoorspelling met ARIMA | [Python](7-TimeSeries/2-ARIMA/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 | +| 22 | ⚡️ Wereldwijd stroomverbruik ⚡️ - tijdreeksvoorspelling met ARIMA | [Tijdreeksen](7-TimeSeries/README.md) | Tijdreeksvoorspelling met ARIMA | [Python](7-TimeSeries/2-ARIMA/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) -## Offline toegang +## 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: ### LangChain -[![LangChain4j voor beginners](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) -[![LangChain.js voor beginners](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) +[![LangChain4j voor Beginners](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) +[![LangChain.js voor Beginners](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) --- ### Azure / Edge / MCP / Agents -[![AZD voor beginners](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Edge AI voor beginners](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![MCP voor beginners](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) -[![AI-agenten voor beginners](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AZD voor Beginners](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Edge AI voor Beginners](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![MCP voor Beginners](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AI Agents voor Beginners](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### Generative AI Series -[![Generative AI voor beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) +### Generative AI-serie +[![Generative AI voor Beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) [![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) [![Generatieve AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) [![Generatieve AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-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 [![ML voor Beginners](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) [![Data Science voor Beginners](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) [![AI voor Beginners](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) @@ -199,19 +199,19 @@ Ons team maakt ook andere cursussen! Bekijk: --- -### Copilotreeks -[![Copilot voor AI-gepaard programmeren](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) +### Copilot-reeks +[![Copilot voor AI-pairprogrammering](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) [![Copilot voor C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) [![Copilot-avontuur](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) -## Hulp krijgen +## Hulp -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. [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -Als je productfeedback of fouten tegenkomt tijdens het bouwen, bezoek: +Als je productfeedback hebt of fouten tegenkomt tijdens het bouwen, bezoek: [![Microsoft Foundry Ontwikkelaarsforum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) @@ -219,5 +219,5 @@ Als je productfeedback of fouten tegenkomt tijdens het bouwen, bezoek: 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. \ No newline at end of file diff --git a/translations/no/README.md b/translations/no/README.md index 99da10172..0157aa877 100644 --- a/translations/no/README.md +++ b/translations/no/README.md @@ -1,86 +1,86 @@ [![GitHub-lisens](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) [![GitHub-bidragsytere](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) -[![GitHub-problemer](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) -[![GitHub pull-forespørsler](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) -[![PR-er velkomne](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) +[![GitHub-issues](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) +[![GitHub-pull-requests](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) +[![PRs Welcome](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) -[![GitHub-overvåkere](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) +[![GitHub-watchere](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) [![GitHub-forks](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/) [![GitHub-stjerner](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) -### 🌐 Flerspråklig støtte +### 🌐 Støtte for flere språk #### Støttet via GitHub Action (automatisert og alltid oppdatert) -[Arabisk](../ar/README.md) | [Bengalsk](../bn/README.md) | [Bulgarsk](../bg/README.md) | [Burmesisk (Myanmar)](../my/README.md) | [Kinesisk (forenklet)](../zh/README.md) | [Kinesisk (tradisjonell, Hong Kong)](../hk/README.md) | [Kinesisk (tradisjonell, Macau)](../mo/README.md) | [Kinesisk (tradisjonell, Taiwan)](../tw/README.md) | [Kroatisk](../hr/README.md) | [Tsjekkisk](../cs/README.md) | [Dansk](../da/README.md) | [Nederlandsk](../nl/README.md) | [Estisk](../et/README.md) | [Finsk](../fi/README.md) | [Fransk](../fr/README.md) | [Tysk](../de/README.md) | [Gresk](../el/README.md) | [Hebraisk](../he/README.md) | [Hindi](../hi/README.md) | [Ungarsk](../hu/README.md) | [Indonesisk](../id/README.md) | [Italiensk](../it/README.md) | [Japansk](../ja/README.md) | [Kannada](../kn/README.md) | [Koreansk](../ko/README.md) | [Litauisk](../lt/README.md) | [Malaysisk](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepalsk](../ne/README.md) | [Nigeriansk Pidgin](../pcm/README.md) | [Norsk](./README.md) | [Persisk (Farsi)](../fa/README.md) | [Polsk](../pl/README.md) | [Portugisisk (Brasil)](../br/README.md) | [Portugisisk (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Rumensk](../ro/README.md) | [Russisk](../ru/README.md) | [Serbisk (kyrillisk)](../sr/README.md) | [Slovakisk](../sk/README.md) | [Slovensk](../sl/README.md) | [Spansk](../es/README.md) | [Swahili](../sw/README.md) | [Svensk](../sv/README.md) | [Tagalog (filippinsk)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Tyrkisk](../tr/README.md) | [Ukrainsk](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamesisk](../vi/README.md) +[Arabisk](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarsk](../bg/README.md) | [Burmesisk (Myanmar)](../my/README.md) | [Kinesisk (forenklet)](../zh/README.md) | [Kinesisk (tradisjonell, Hong Kong)](../hk/README.md) | [Kinesisk (tradisjonell, Macau)](../mo/README.md) | [Kinesisk (tradisjonell, Taiwan)](../tw/README.md) | [Kroatisk](../hr/README.md) | [Tsjekkisk](../cs/README.md) | [Dansk](../da/README.md) | [Nederlandsk](../nl/README.md) | [Estisk](../et/README.md) | [Finsk](../fi/README.md) | [Fransk](../fr/README.md) | [Tysk](../de/README.md) | [Gresk](../el/README.md) | [Hebraisk](../he/README.md) | [Hindi](../hi/README.md) | [Ungarsk](../hu/README.md) | [Indonesisk](../id/README.md) | [Italiensk](../it/README.md) | [Japansk](../ja/README.md) | [Kannada](../kn/README.md) | [Koreansk](../ko/README.md) | [Litauisk](../lt/README.md) | [Malaysisk](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigeriansk pidgin](../pcm/README.md) | [Norsk](./README.md) | [Persisk (Farsi)](../fa/README.md) | [Polsk](../pl/README.md) | [Portugisisk (Brasil)](../br/README.md) | [Portugisisk (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Rumensk](../ro/README.md) | [Russisk](../ru/README.md) | [Serbisk (kyrillisk)](../sr/README.md) | [Slovakisk](../sk/README.md) | [Slovensk](../sl/README.md) | [Spansk](../es/README.md) | [Swahili](../sw/README.md) | [Svensk](../sv/README.md) | [Tagalog (filippinsk)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Tyrkisk](../tr/README.md) | [Ukrainsk](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamesisk](../vi/README.md) -#### Bli med i vårt fellesskap +#### Bli med i fellesskapet vårt [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -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. -![Lær med AI-serien](../../translated_images/3.9b58fd8d6c373c20c588c5070c4948a826ab074426c28ceb5889641294373dfc.no.png) +![Learn with AI-serien](../../translated_images/3.9b58fd8d6c373c20.no.png) # 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. -2. **Klone depotet**: `git clone https://github.com/microsoft/ML-For-Beginners.git` +1. **Opprett en fork av depotet**: Klikk på "Fork"-knappen øverst til høyre på denne siden. +2. **Klon depotet**: `git clone https://github.com/microsoft/ML-For-Beginners.git` -> [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. -[![ML for nybegynnere-banner](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6251134294459696e070a3a9a04632e9fe6a24aa0de4a7384.no.png)](https://aka.ms/ml-beginners-videos) +[![ML for nybegynnere-banner](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6.no.png)](https://aka.ms/ml-beginners-videos) --- @@ -90,47 +90,47 @@ Noen av leksjonene er tilgjengelige som korte videoer. Du finner alle disse inne **GIF av** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) -> 🎥 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/) +- video-gjennomgang (noen leksjoner kun) +- [pre-lecture warmup quiz](https://ff-quizzes.netlify.app/en/ml/) - skriftlig leksjon -- for prosjektbaserte leksjoner, trinnvise guider om hvordan bygge prosjektet +- for prosjektbaserte leksjoner, trinnvise guider for hvordan bygge prosjektet - kunnskapssjekker - en utfordring -- supplerende lesing +- supplerende lesning - oppgave -- [quiz etter forelesning](https://ff-quizzes.netlify.app/en/ml/) +- [post-lecture quiz](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. -| Leksjonsnummer | Tema | Leksjonsgruppering | Læringsmål | Lenket leksjon | Forfatter | +| Leksjonsnummer | Emne | Leksjonsgruppe | Læringsmål | Lenket leksjon | Forfatter | | :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | | 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 | | 15 | Utforske nigerianske musikksmak 🎧 | [Klynging](5-Clustering/README.md) | Utforsk K-Means klyngemetoden | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.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). ## 🎒 Andre kurs @@ -172,7 +172,7 @@ Teamet vårt produserer andre kurs! Sjekk ut: --- -### Azure / Edge / MCP / Agenter +### Azure / Edge / MCP / Agents [![AZD for nybegynnere](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) [![Edge AI for nybegynnere](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) [![MCP for nybegynnere](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) @@ -188,10 +188,10 @@ Teamet vårt produserer andre kurs! Sjekk ut: --- -### Kjerneinnhold -[![Maskinlæring for nybegynnere](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) +### Grunnleggende læring +[![ML for nybegynnere](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) [![Datavitenskap for nybegynnere](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) -[![Kunstig intelligens for nybegynnere](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) +[![AI for nybegynnere](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) [![Cybersikkerhet for nybegynnere](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) [![Webutvikling for nybegynnere](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) [![IoT for nybegynnere](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) @@ -200,24 +200,24 @@ Teamet vårt produserer andre kurs! Sjekk ut: --- ### Copilot-serien -[![Copilot for AI-parprogrammering](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) +[![Copilot for AI parprogrammering](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) [![Copilot for C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) -[![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) +[![Copilot-eventyr](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) ## Få hjelp -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. [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -If you have product feedback or errors while building visit: +Hvis du har produkttilbakemeldinger eller opplever feil mens du bygger, besøk: -[![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) +[![Microsoft Foundry utviklerforum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) --- Ansvarsfraskrivelse: -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. \ No newline at end of file diff --git a/translations/pa/1-Introduction/README.md b/translations/pa/1-Introduction/README.md index f715e0b33..85e0cd74b 100644 --- a/translations/pa/1-Introduction/README.md +++ b/translations/pa/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ਇਸ ਪਾਠਕ੍ਰਮ ਦੇ ਇਸ ਭਾਗ ਵਿੱਚ, ਤੁਹਾਨੂੰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਮੂਲ ਧਾਰਨਾਵਾਂ, ਇਹ ਕੀ ਹੈ, ਇਸ ਦਾ ਇਤਿਹਾਸ ਅਤੇ ਉਹ ਤਕਨੀਕਾਂ ਜਿਨ੍ਹਾਂ ਨੂੰ ਖੋਜਕਰਤਾ ਇਸ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ ਵਰਤਦੇ ਹਨ, ਨਾਲ ਜਾਣੂ ਕਰਵਾਇਆ ਜਾਵੇਗਾ। ਆਓ, ਇਸ ਨਵੇਂ ML ਦੀ ਦੁਨੀਆ ਨੂੰ ਇਕੱਠੇ ਖੋਜੀਏ! -![globe](../../../translated_images/globe.59f26379ceb40428672b4d9a568044618a2bf6292ecd53a5c481b90e3fa805eb.pa.jpg) +![globe](../../../translated_images/globe.59f26379ceb40428.pa.jpg) > ਫੋਟੋ ਬਿਲ ਆਕਸਫੋਰਡ ਦੁਆਰਾ ਅਨਸਪਲੈਸ਼ 'ਤੇ ### ਪਾਠ diff --git a/translations/pa/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/pa/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index 2680ccf7a..4da972a9c 100644 --- a/translations/pa/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/pa/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -48,7 +48,7 @@ " width=\"630\"/>\n", "
ਕਲਾ ਰਚਨਾ @allison_horst ਦੁਆਰਾ
\n", "\n", - "\n" + "\n" ], "metadata": { "id": "LWNNzfqd6feZ" diff --git a/translations/pa/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/pa/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index a0edee3be..85a7a947e 100644 --- a/translations/pa/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/pa/2-Regression/2-Data/solution/R/lesson_2-R.ipynb @@ -50,7 +50,7 @@ "
@allison_horst ਦੁਆਰਾ ਕਲਾ ਕਿਰਤੀ
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "Pg5aexcOPqAZ" @@ -231,7 +231,7 @@ "
ਕਲਾ ਰਚਨਾ @allison_horst ਦੁਆਰਾ
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "o4jLY5-VZO2C" @@ -533,7 +533,7 @@ "
ਦਸਾਨੀ ਮਦੀਪੱਲੀ ਦੁਆਰਾ ਇਨਫੋਗ੍ਰਾਫਿਕ
\n", "\n", "\n", - "\n", + "\n", "\n", "ਇੱਕ *ਸਿਆਣੀ* ਕਹਾਵਤ ਹੈ ਜੋ ਇਸ ਤਰ੍ਹਾਂ ਜਾਂਦੀ ਹੈ:\n", "\n", diff --git a/translations/pa/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/pa/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index c68938ffe..57e7a54da 100644 --- a/translations/pa/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/pa/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -162,7 +162,7 @@ "
ਕਲਾ ਕਿਰਤੀ @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "WdUKXk7Bs8-V" @@ -456,7 +456,7 @@ "
ਕਲਾ @allison_horst ਦੁਆਰਾ
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "KEiO0v7kuC9O" @@ -570,7 +570,7 @@ "
ਦਸਾਨੀ ਮਦਿਪੱਲੀ ਦੁਆਰਾ ਇਨਫੋਗ੍ਰਾਫਿਕ
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "YqXjLuWavNxW" diff --git a/translations/pa/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/pa/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index 8d21191be..811b70ad8 100644 --- a/translations/pa/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/pa/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## ਲੌਜਿਸਟਿਕ ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲ ਬਣਾਉਣਾ - ਪਾਠ 4\n", "\n", - "![ਲੌਜਿਸਟਿਕ ਅਤੇ ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ ਇਨਫੋਗ੍ਰਾਫਿਕ](../../../../../../translated_images/linear-vs-logistic.ba180bf95e7ee66721ba10ebf2dac2666acbd64a88b003c83928712433a13c7d.pa.png)\n", + "![ਲੌਜਿਸਟਿਕ ਅਤੇ ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ ਇਨਫੋਗ੍ਰਾਫਿਕ](../../../../../../translated_images/linear-vs-logistic.ba180bf95e7ee667.pa.png)\n", "\n", "#### **[ਪਾਠ ਤੋਂ ਪਹਿਲਾਂ ਕਵਿਜ਼](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", @@ -78,7 +78,7 @@ "\n", "ਲੌਜਿਸਟਿਕ ਰਿਗ੍ਰੈਸ਼ਨ ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ ਵਾਲੀਆਂ ਹੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨਹੀਂ ਦਿੰਦਾ। ਲੌਜਿਸਟਿਕ ਰਿਗ੍ਰੈਸ਼ਨ ਇੱਕ `ਬਾਈਨਰੀ ਸ਼੍ਰੇਣੀ` ('ਸੰਤਰੀ ਜਾਂ ਸੰਤਰੀ ਨਹੀਂ') ਬਾਰੇ ਅਨੁਮਾਨ ਦਿੰਦਾ ਹੈ, ਜਦਕਿ ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ `ਲਗਾਤਾਰ ਮੁੱਲਾਂ` ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੇ ਯੋਗ ਹੁੰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਕੱਦੂ ਦੇ ਮੂਲ ਅਤੇ ਕੱਟਣ ਦੇ ਸਮੇਂ ਦੇ ਆਧਾਰ 'ਇਸ ਦੀ ਕੀਮਤ ਕਿੰਨੀ ਵਧੇਗੀ'।\n", "\n", - "![ਦਸਾਨੀ ਮਦੀਪੱਲੀ ਦੁਆਰਾ ਇਨਫੋਗ੍ਰਾਫਿਕ](../../../../../../translated_images/pumpkin-classifier.562771f104ad5436b87d1c67bca02a42a17841133556559325c0a0e348e5b774.pa.png)\n", + "![ਦਸਾਨੀ ਮਦੀਪੱਲੀ ਦੁਆਰਾ ਇਨਫੋਗ੍ਰਾਫਿਕ](../../../../../../translated_images/pumpkin-classifier.562771f104ad5436.pa.png)\n", "\n", "### ਹੋਰ ਵਰਗੀਕਰਨ\n", "\n", @@ -88,7 +88,7 @@ "\n", "- **ਆਰਡਿਨਲ**, ਜਿਸ ਵਿੱਚ ਕ੍ਰਮਬੱਧ ਸ਼੍ਰੇਣੀਆਂ ਹੁੰਦੀਆਂ ਹਨ, ਜੋ ਸਾਡੇ ਨਤੀਜਿਆਂ ਨੂੰ ਤਰਤੀਬਵਾਰ ਲਗਾਉਣ ਲਈ ਲਾਭਦਾਇਕ ਹੁੰਦੀਆਂ ਹਨ, ਜਿਵੇਂ ਕਿ ਸਾਡੇ ਕੱਦੂ, ਜੋ ਇੱਕ ਨਿਰਧਾਰਤ ਗਿਣਤੀ ਦੇ ਆਕਾਰਾਂ (ਮਿਨੀ, ਛੋਟਾ, ਦਰਮਿਆਨਾ, ਵੱਡਾ, ਬਹੁਤ ਵੱਡਾ, ਆਦਿ) ਦੁਆਰਾ ਕ੍ਰਮਬੱਧ ਕੀਤੇ ਗਏ ਹਨ।\n", "\n", - "![ਮਲਟੀਨੋਮਿਅਲ ਵਸ ਆਰਡਿਨਲ ਰਿਗ੍ਰੈਸ਼ਨ](../../../../../../translated_images/multinomial-vs-ordinal.36701b4850e37d86c9dd49f7bef93a2f94dbdb8fe03443eb68f0542f97f28f29.pa.png)\n", + "![ਮਲਟੀਨੋਮਿਅਲ ਵਸ ਆਰਡਿਨਲ ਰਿਗ੍ਰੈਸ਼ਨ](../../../../../../translated_images/multinomial-vs-ordinal.36701b4850e37d86.pa.png)\n", "\n", "#### **ਵੈਰੀਏਬਲਜ਼ ਦਾ ਆਪਸ ਵਿੱਚ ਸੰਬੰਧ ਹੋਣਾ ਜ਼ਰੂਰੀ ਨਹੀਂ**\n", "\n", diff --git a/translations/pa/2-Regression/README.md b/translations/pa/2-Regression/README.md index 0ab0632cf..5718e8d0c 100644 --- a/translations/pa/2-Regression/README.md +++ b/translations/pa/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: ਉੱਤਰੀ ਅਮਰੀਕਾ ਵਿੱਚ, ਕੱਦੂਆਂ ਨੂੰ ਅਕਸਰ ਹੈਲੋਵੀਨ ਲਈ ਡਰਾਉਣੇ ਚਿਹਰੇ ਬਣਾਉਣ ਲਈ ਕੱਟਿਆ ਜਾਂਦਾ ਹੈ। ਆਓ, ਇਨ੍ਹਾਂ ਦਿਲਚਸਪ ਸਬਜ਼ੀਆਂ ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ ਲਵਾਂ! -![jack-o-lanterns](../../../translated_images/jack-o-lanterns.181c661a9212457d7756f37219f660f1358af27554d856e5a991f16b4e15337c.pa.jpg) +![jack-o-lanterns](../../../translated_images/jack-o-lanterns.181c661a9212457d.pa.jpg) > ਫੋਟੋ ਬੈਥ ਟਿਊਚਮੈਨ ਵੱਲੋਂ ਅਨਸਪਲੈਸ਼ 'ਤੇ ## ਤੁਸੀਂ ਕੀ ਸਿੱਖੋਗੇ diff --git a/translations/pa/3-Web-App/README.md b/translations/pa/3-Web-App/README.md index a27ea7275..0bd092efd 100644 --- a/translations/pa/3-Web-App/README.md +++ b/translations/pa/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ਇਸ ਪਾਠਕ੍ਰਮ ਦੇ ਇਸ ਹਿੱਸੇ ਵਿੱਚ, ਤੁਹਾਨੂੰ ਇੱਕ ਲਾਗੂ ਕੀਤੀ ਗਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿਸ਼ੇ ਨਾਲ ਜਾਣੂ ਕਰਵਾਇਆ ਜਾਵੇਗਾ: ਆਪਣੇ Scikit-learn ਮਾਡਲ ਨੂੰ ਇੱਕ ਫਾਈਲ ਵਜੋਂ ਕਿਵੇਂ ਸੇਵ ਕਰਨਾ ਹੈ ਜੋ ਵੈੱਬ ਐਪਲੀਕੇਸ਼ਨ ਵਿੱਚ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਜਦੋਂ ਮਾਡਲ ਸੇਵ ਹੋ ਜਾਂਦਾ ਹੈ, ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ ਇਸਨੂੰ Flask ਵਿੱਚ ਬਣਾਈ ਗਈ ਵੈੱਬ ਐਪ ਵਿੱਚ ਕਿਵੇਂ ਵਰਤਣਾ ਹੈ। ਸਭ ਤੋਂ ਪਹਿਲਾਂ, ਤੁਸੀਂ ਇੱਕ ਮਾਡਲ ਬਣਾਓਗੇ ਜੋ UFO ਦੇ ਨਜ਼ਾਰਿਆਂ ਬਾਰੇ ਕੁਝ ਡਾਟਾ ਵਰਤਦਾ ਹੈ! ਫਿਰ, ਤੁਸੀਂ ਇੱਕ ਵੈੱਬ ਐਪ ਬਣਾਓਗੇ ਜੋ ਤੁਹਾਨੂੰ ਸਕਿੰਟਾਂ ਦੀ ਗਿਣਤੀ, ਲੈਟੀਟਿਊਡ ਅਤੇ ਲੌਂਗਿਟਿਊਡ ਦੀ ਮੁੱਲ ਦਾਖਲ ਕਰਨ ਦੀ ਆਗਿਆ ਦੇਵੇਗਾ ਤਾਂ ਜੋ ਇਹ ਅਨੁਮਾਨ ਲਗਾਇਆ ਜਾ ਸਕੇ ਕਿ ਕਿਸ ਦੇਸ਼ ਨੇ UFO ਦੇਖਣ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ। -![UFO Parking](../../../translated_images/ufo.9e787f5161da9d4d1dafc537e1da09be8210f2ee996cb638aa5cee1d92867a04.pa.jpg) +![UFO Parking](../../../translated_images/ufo.9e787f5161da9d4d.pa.jpg) ਫੋਟੋ ਮਾਈਕਲ ਹੇਰਨ ਦੁਆਰਾ ਅਨਸਪਲੈਸ਼ 'ਤੇ diff --git a/translations/pa/4-Classification/README.md b/translations/pa/4-Classification/README.md index d0a3ff205..d8f81283c 100644 --- a/translations/pa/4-Classification/README.md +++ b/translations/pa/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: ਏਸ਼ੀਆ ਅਤੇ ਭਾਰਤ ਵਿੱਚ, ਖਾਣੇ ਦੀਆਂ ਰਿਵਾਇਤਾਂ ਬਹੁਤ ਹੀ ਵੱਖ-ਵੱਖ ਅਤੇ ਸੁਆਦਿਸ਼ਟ ਹੁੰਦੀਆਂ ਹਨ! ਆਓ ਖੇਤਰੀ ਖਾਣਿਆਂ ਦੇ ਡਾਟਾ ਨੂੰ ਦੇਖੀਏ ਤਾਂ ਜੋ ਉਨ੍ਹਾਂ ਦੇ ਸਮੱਗਰੀ ਨੂੰ ਸਮਝਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਜਾ ਸਕੇ। -![ਥਾਈ ਖਾਣੇ ਵੇਚਣ ਵਾਲਾ](../../../translated_images/thai-food.c47a7a7f9f05c21892a1f9dc7bf30669e6d18dfda420c5c7ebb4153f6a304edd.pa.jpg) +![ਥਾਈ ਖਾਣੇ ਵੇਚਣ ਵਾਲਾ](../../../translated_images/thai-food.c47a7a7f9f05c218.pa.jpg) > ਫੋਟੋ ਲਿਸ਼ੇਂਗ ਚੈਂਗ ਦੁਆਰਾ ਅਨਸਪਲੈਸ਼ 'ਤੇ ## ਤੁਸੀਂ ਕੀ ਸਿੱਖੋਗੇ diff --git a/translations/pa/5-Clustering/README.md b/translations/pa/5-Clustering/README.md index 682072562..c14379b49 100644 --- a/translations/pa/5-Clustering/README.md +++ b/translations/pa/5-Clustering/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: ਨਾਈਜੀਰੀਆ ਦੇ ਵੱਖ-ਵੱਖ ਦਰਸ਼ਕਾਂ ਦੀਆਂ ਵੱਖ-ਵੱਖ ਸੰਗੀਤਕ ਰੁਚੀਆਂ ਹਨ। Spotify ਤੋਂ ਡਾਟਾ ਇਕੱਠਾ ਕਰਕੇ (ਇਸ ਲੇਖ ਤੋਂ ਪ੍ਰੇਰਿਤ [ਇਥੇ](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), ਆਓ ਨਾਈਜੀਰੀਆ ਵਿੱਚ ਪ੍ਰਸਿੱਧ ਕੁਝ ਸੰਗੀਤਾਂ ਨੂੰ ਵੇਖੀਏ। ਇਸ ਡਾਟਾਸੈਟ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਗੀਤਾਂ ਦੇ 'ਡਾਂਸੇਬਿਲਿਟੀ' ਸਕੋਰ, 'ਅਕੂਸਟਿਕਨੈਸ', ਲਾਊਡਨੈਸ, 'ਸਪੀਚੀਨੈਸ', ਪ੍ਰਸਿੱਧੀ ਅਤੇ ਊਰਜਾ ਬਾਰੇ ਡਾਟਾ ਸ਼ਾਮਲ ਹੈ। ਇਸ ਡਾਟੇ ਵਿੱਚ ਪੈਟਰਨ ਲੱਭਣਾ ਦਿਲਚਸਪ ਹੋਵੇਗਾ! -![ਇੱਕ ਟਰਨਟੇਬਲ](../../../translated_images/turntable.f2b86b13c53302dc106aa741de9dc96ac372864cf458dd6f879119857aab01da.pa.jpg) +![ਇੱਕ ਟਰਨਟੇਬਲ](../../../translated_images/turntable.f2b86b13c53302dc.pa.jpg) > ਫੋਟੋ ਮਾਰਸੇਲਾ ਲਾਸਕੋਸਕੀ ਦੁਆਰਾ ਅਨਸਪਲੈਸ਼ 'ਤੇ diff --git a/translations/pa/6-NLP/README.md b/translations/pa/6-NLP/README.md index 0b775eacb..c121c6347 100644 --- a/translations/pa/6-NLP/README.md +++ b/translations/pa/6-NLP/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: ਇਨ੍ਹਾਂ ਪਾਠਾਂ ਵਿੱਚ ਅਸੀਂ NLP ਦੇ ਬੁਨਿਆਦੀ ਸਿਧਾਂਤਾਂ ਨੂੰ ਸਿੱਖਾਂਗੇ, ਛੋਟੇ ਗੱਲਬਾਤੀ ਬੋਟ ਬਣਾਕੇ ਇਹ ਸਮਝਾਂਗੇ ਕਿ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕਿਵੇਂ ਇਹ ਗੱਲਬਾਤਾਂ ਨੂੰ ਹੋਰ 'ਸਮਾਰਟ' ਬਣਾਉਣ ਵਿੱਚ ਸਹਾਇਕ ਹੁੰਦੀ ਹੈ। ਤੁਸੀਂ ਸਮੇਂ ਵਿੱਚ ਪਿੱਛੇ ਯਾਤਰਾ ਕਰੋਗੇ, ਜੇਨ ਆਸਟਿਨ ਦੇ ਕਲਾਸਿਕ ਨਾਵਲ, **ਪ੍ਰਾਈਡ ਐਂਡ ਪ੍ਰਿਜੂਡਿਸ** (1813 ਵਿੱਚ ਪ੍ਰਕਾਸ਼ਿਤ) ਦੇ ਐਲਿਜ਼ਬੇਥ ਬੈਨੇਟ ਅਤੇ ਮਿਸਟਰ ਡਾਰਸੀ ਨਾਲ ਗੱਲਬਾਤ ਕਰਦੇ ਹੋਏ। ਫਿਰ, ਤੁਸੀਂ ਹੋਰ ਗਿਆਨ ਪ੍ਰਾਪਤ ਕਰੋਗੇ ਯੂਰਪ ਦੇ ਹੋਟਲ ਰਿਵਿਊਜ਼ ਰਾਹੀਂ ਸੈਂਟੀਮੈਂਟ ਐਨਾਲਿਸਿਸ ਸਿੱਖ ਕੇ। -![ਪ੍ਰਾਈਡ ਐਂਡ ਪ੍ਰਿਜੂਡਿਸ ਕਿਤਾਬ ਅਤੇ ਚਾਹ](../../../translated_images/p&p.279f1c49ecd889419e4ce6206525e9aa30d32a976955cd24daa636c361c6391f.pa.jpg) +![ਪ੍ਰਾਈਡ ਐਂਡ ਪ੍ਰਿਜੂਡਿਸ ਕਿਤਾਬ ਅਤੇ ਚਾਹ](../../../translated_images/p&p.279f1c49ecd88941.pa.jpg) > ਫੋਟੋ Elaine Howlin ਦੁਆਰਾ Unsplash 'ਤੇ ## ਪਾਠ diff --git a/translations/pa/7-TimeSeries/README.md b/translations/pa/7-TimeSeries/README.md index ff250b127..054ba93d4 100644 --- a/translations/pa/7-TimeSeries/README.md +++ b/translations/pa/7-TimeSeries/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: ਸਾਡਾ ਖੇਤਰੀ ਧਿਆਨ ਦੁਨੀਆ ਵਿੱਚ ਬਿਜਲੀ ਦੀ ਖਪਤ 'ਤੇ ਹੈ, ਜੋ ਕਿ ਭਵਿੱਖ ਵਿੱਚ ਬਿਜਲੀ ਦੀ ਖਪਤ ਦੀ ਭਵਿੱਖਵਾਣੀ ਕਰਨ ਲਈ ਪਿਛਲੇ ਲੋਡ ਦੇ ਪੈਟਰਨਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਸਿੱਖਣ ਲਈ ਇੱਕ ਦਿਲਚਸਪ ਡਾਟਾਸੈਟ ਹੈ। ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਇਸ ਤਰ੍ਹਾਂ ਦੀ ਫੋਰਕਾਸਟਿੰਗ ਕਾਰੋਬਾਰੀ ਮਾਹੌਲ ਵਿੱਚ ਕਿੰਨੀ ਮਦਦਗਾਰ ਹੋ ਸਕਦੀ ਹੈ। -![electric grid](../../../translated_images/electric-grid.0c21d5214db09ffae93c06a87ca2abbb9ba7475ef815129c5b423d7f9a7cf136.pa.jpg) +![electric grid](../../../translated_images/electric-grid.0c21d5214db09ffa.pa.jpg) ਫੋਟੋ [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) ਵੱਲੋਂ, ਜੋ ਕਿ ਰਾਜਸਥਾਨ ਵਿੱਚ ਸੜਕ 'ਤੇ ਬਿਜਲੀ ਦੇ ਟਾਵਰਾਂ ਦੀ ਹੈ, [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) 'ਤੇ। diff --git a/translations/pa/8-Reinforcement/README.md b/translations/pa/8-Reinforcement/README.md index d21999c85..8355e5d20 100644 --- a/translations/pa/8-Reinforcement/README.md +++ b/translations/pa/8-Reinforcement/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: ਕਲਪਨਾ ਕਰੋ ਕਿ ਤੁਹਾਡੇ ਕੋਲ ਇੱਕ ਨਕਲੀ ਵਾਤਾਵਰਣ ਹੈ, ਜਿਵੇਂ ਕਿ ਸਟਾਕ ਮਾਰਕੀਟ। ਜੇ ਤੁਸੀਂ ਕੋਈ ਨਿਯਮ ਲਾਗੂ ਕਰਦੇ ਹੋ ਤਾਂ ਕੀ ਹੁੰਦਾ ਹੈ? ਕੀ ਇਸਦਾ ਸਕਾਰਾਤਮਕ ਜਾਂ ਨਕਾਰਾਤਮਕ ਪ੍ਰਭਾਵ ਹੁੰਦਾ ਹੈ? ਜੇ ਕੁਝ ਨਕਾਰਾਤਮਕ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਤੁਹਾਨੂੰ ਇਸ _ਨਕਾਰਾਤਮਕ ਰੀਇਨਫੋਰਸਮੈਂਟ_ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨਾ ਪਵੇਗਾ, ਇਸ ਤੋਂ ਸਿੱਖਣਾ ਪਵੇਗਾ ਅਤੇ ਦਿਸ਼ਾ ਬਦਲਣੀ ਪਵੇਗੀ। ਜੇ ਇਹ ਸਕਾਰਾਤਮਕ ਨਤੀਜਾ ਹੈ, ਤਾਂ ਤੁਹਾਨੂੰ ਇਸ _ਸਕਾਰਾਤਮਕ ਰੀਇਨਫੋਰਸਮੈਂਟ_ 'ਤੇ ਅੱਗੇ ਵਧਣਾ ਪਵੇਗਾ। -![ਪੀਟਰ ਅਤੇ ਭੇੜੀਆ](../../../translated_images/peter.779730f9ba3a8a8d9290600dcf55f2e491c0640c785af7ac0d64f583c49b8864.pa.png) +![ਪੀਟਰ ਅਤੇ ਭੇੜੀਆ](../../../translated_images/peter.779730f9ba3a8a8d.pa.png) > ਪੀਟਰ ਅਤੇ ਉਸਦੇ ਦੋਸਤਾਂ ਨੂੰ ਭੁੱਖੇ ਭੇੜੀਏ ਤੋਂ ਬਚਣਾ ਹੈ! ਚਿੱਤਰ [ਜੈਨ ਲੂਪਰ](https://twitter.com/jenlooper) ਵੱਲੋਂ। diff --git a/translations/pa/9-Real-World/README.md b/translations/pa/9-Real-World/README.md index ccbe9e716..0bf3ef7dd 100644 --- a/translations/pa/9-Real-World/README.md +++ b/translations/pa/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ਇਸ ਪਾਠਕ੍ਰਮ ਦੇ ਇਸ ਹਿੱਸੇ ਵਿੱਚ, ਤੁਹਾਨੂੰ ਕਲਾਸਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਕੁਝ ਅਸਲ ਦੁਨੀਆ ਵਿੱਚ ਲਾਗੂ ਹੋਣ ਵਾਲੇ ਉਦਾਹਰਣਾਂ ਨਾਲ ਜਾਣੂ ਕਰਵਾਇਆ ਜਾਵੇਗਾ। ਅਸੀਂ ਇੰਟਰਨੈਟ 'ਤੇ ਖੋਜ ਕੀਤੀ ਹੈ ਤਾਂ ਜੋ ਵਾਈਟਪੇਪਰ ਅਤੇ ਲੇਖ ਲੱਭੇ ਜਾ ਸਕਣ ਜੋ ਇਨ੍ਹਾਂ ਰਣਨੀਤੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ, ਜਿੱਥੇ ਤਕ ਸੰਭਵ ਹੋਵੇ, ਨਿਊਰਲ ਨੈਟਵਰਕ, ਡੀਪ ਲਰਨਿੰਗ ਅਤੇ AI ਤੋਂ ਬਚਦੇ ਹੋਏ। ਸਿੱਖੋ ਕਿ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨੂੰ ਵਪਾਰਕ ਪ੍ਰਣਾਲੀਆਂ, ਪਰਿਆਵਰਣਕ ਉਪਯੋਗ, ਵਿੱਤ, ਕਲਾ ਅਤੇ ਸਭਿਆਚਾਰ, ਅਤੇ ਹੋਰ ਕਈ ਖੇਤਰਾਂ ਵਿੱਚ ਕਿਵੇਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। -![chess](../../../translated_images/chess.e704a268781bdad85d1876b6c2295742fa0d856e7dcf3659147052df9d3db205.pa.jpg) +![chess](../../../translated_images/chess.e704a268781bdad8.pa.jpg) > ਫੋਟੋ Alexis Fauvet ਦੁਆਰਾ Unsplash 'ਤੇ diff --git a/translations/pa/README.md b/translations/pa/README.md index e714906f3..1adc4e370 100644 --- a/translations/pa/README.md +++ b/translations/pa/README.md @@ -1,8 +1,8 @@ -[ਅਰਬੀ](../ar/README.md) | [ਬੰਗਾਲੀ](../bn/README.md) | [ਬੁਲਗੇਰੀਅਨ](../bg/README.md) | [ਬਰਮੀ (ਮਿਆਨਮਾਰ)](../my/README.md) | [ਚੀਨੀ (ਸਰਲ)](../zh/README.md) | [ਚੀਨੀ (ਪਰੰਪਰਾਗਤ, ਹਾਂਗਕਾਂਗ)](../hk/README.md) | [ਚੀਨੀ (ਪਰੰਪਰਾਗਤ, ਮਕਾਉ)](../mo/README.md) | [ਚੀਨੀ (ਪਰੰਪਰਾਗਤ, ਤਾਈਵਾਨ)](../tw/README.md) | [ਕਰੋਏਸ਼ੀਆਈ](../hr/README.md) | [ਚੈੱਕ](../cs/README.md) | [ਡੈਨਿਸ਼](../da/README.md) | [ਡੱਚ](../nl/README.md) | [ਐਸਟੋਨੀਆਈ](../et/README.md) | [ਫਿਨਲੈਂਡੀ](../fi/README.md) | [ਫਰਾਂਸੀਸੀ](../fr/README.md) | [ਜਰਮਨ](../de/README.md) | [ਗ੍ਰੀਕ](../el/README.md) | [ਹਿਬਰੂ](../he/README.md) | [ਹਿੰਦੀ](../hi/README.md) | [ਹੰਗੇਰੀਅਨ](../hu/README.md) | [ਇੰਡੋਨੇਸ਼ੀਆਈ](../id/README.md) | [ਇਤਾਲਵੀ](../it/README.md) | [ਜਪਾਨੀ](../ja/README.md) | [ਕੰਨੜ](../kn/README.md) | [ਕੋਰੀਆਈ](../ko/README.md) | [ਲਿਥੂਏਨੀਆਈ](../lt/README.md) | [ਮਲਯ](../ms/README.md) | [ਮਲਯਾਲਮ](../ml/README.md) | [ਮਰਾਠੀ](../mr/README.md) | [ਨੇਪਾਲੀ](../ne/README.md) | [ਨਾਈਜੀਰੀਆਈ ਪਿਡਜਿਨ](../pcm/README.md) | [ਨਾਰਵੇਜੀਅਨ](../no/README.md) | [ਫਾਰਸੀ (ਫਾਰਸੀ)](../fa/README.md) | [ਪੋਲਿਸ਼](../pl/README.md) | [ਪੁਰਤਗਾਲੀ (ਬ੍ਰਾਜ਼ੀਲ)](../br/README.md) | [ਪੁਰਤਗਾਲੀ (ਪੁਰਤਗਾਲ)](../pt/README.md) | [ਪੰਜਾਬੀ (ਗੁਰਮੁਖੀ)](./README.md) | [ਰੋਮਾਨੀਆਈ](../ro/README.md) | [ਰੂਸੀ](../ru/README.md) | [ਸੇਰਬੀਆਈ (ਸਿਰਿਲਿਕ)](../sr/README.md) | [ਸਲੋਵਾਕ](../sk/README.md) | [ਸਲੋਵੇਨੀਆਈ](../sl/README.md) | [ਸਪੇਨੀ](../es/README.md) | [ਸਵਾਹਿਲੀ](../sw/README.md) | [ਸਵੀਡਿਸ਼](../sv/README.md) | [ਟੈਗਾਲੋਗ (ਫਿਲੀਪੀਨੋ)](../tl/README.md) | [ਤਮਿਲ](../ta/README.md) | [ਤੇਲਗੂ](../te/README.md) | [ਥਾਈ](../th/README.md) | [ਤੁਰਕੀ](../tr/README.md) | [ਯੂਕਰੇਨੀਅਨ](../uk/README.md) | [ਉਰਦੂ](../ur/README.md) | [ਵੀਅਤਨਾਮੀ](../vi/README.md) +[ਅਰਬੀ](../ar/README.md) | [ਬੰਗਾਲੀ](../bn/README.md) | [ਬੁਲਗੇਰੀਅਨ](../bg/README.md) | [ਬਰਮੀ (ਮਿਆਂਮਾਰ)](../my/README.md) | [ਚੀਨੀ (ਸਰਲ)](../zh/README.md) | [ਚੀਨੀ (ਪਾਰੰਪਰਿਕ, ਹੋਂਗ ਕਾਂਗ)](../hk/README.md) | [ਚੀਨੀ (ਪਾਰੰਪਰਿਕ, ਮਕਾਓ)](../mo/README.md) | [ਚੀਨੀ (ਪਾਰੰਪਰਿਕ, ਤਾਈਵਾਨ)](../tw/README.md) | [ਕ੍ਰੋਏਸ਼ੀਆਈ](../hr/README.md) | [ਚੈਕ](../cs/README.md) | [ਡੈਨਿਸ਼](../da/README.md) | [ਡੱਚ](../nl/README.md) | [ਐਸਟੋਨੀਅਨ](../et/README.md) | [ਫਿਨਲੈਂਡੀ](../fi/README.md) | [ਫ਼ਰਾਂਸੀਸੀ](../fr/README.md) | [ਜਰਮਨ](../de/README.md) | [ਗ੍ਰੀਕ](../el/README.md) | [ਹੀਬਰੂ](../he/README.md) | [ਹਿੰਦੀ](../hi/README.md) | [ਹੰਗੇਰੀਅਨ](../hu/README.md) | [ਇੰਡੋਨੇਸ਼ੀਆਈ](../id/README.md) | [ਇਤਾਲਵੀ](../it/README.md) | [ਜਪਾਨੀ](../ja/README.md) | [ਕੰਨੜ](../kn/README.md) | [ਕੋਰੀਆਈ](../ko/README.md) | [ਲਿਥੁਆਨੀਆਈ](../lt/README.md) | [ਮਲੇ](../ms/README.md) | [ਮਲਯਾਲਮ](../ml/README.md) | [ਮਰਾਠੀ](../mr/README.md) | [ਨੇਪਾਲੀ](../ne/README.md) | [ਨਾਇਜੀਰੀਆਈ ਪਿਡਜਿਨ](../pcm/README.md) | [ਨਾਰਵੇਜੀਆਈ](../no/README.md) | [ਫਾਰਸੀ (ਫਾਰਸੀ)](../fa/README.md) | [ਪੋਲਿਸ਼](../pl/README.md) | [ਪੁਰਤਗਾਲੀ (ਬ੍ਰਾਜ਼ੀਲ)](../br/README.md) | [ਪੁਰਤਗਾਲੀ (ਪੁਰਤਗਾਲ)](../pt/README.md) | [ਪੰਜਾਬੀ (ਗੁਰਮੁਖੀ)](./README.md) | [ਰੋਮਾਨੀਆਈ](../ro/README.md) | [ਰੂਸੀ](../ru/README.md) | [ਸਰਬੀਆਈ (ਸਿਰਿਲਿਕ)](../sr/README.md) | [ਸਲੋਵਾਕ](../sk/README.md) | [ਸਲੋਵੇਨੀਅਨ](../sl/README.md) | [ਸਪੇਨੀ](../es/README.md) | [ਸਵਾਹਿਲੀ](../sw/README.md) | [ਸਵੀਡਿਸ਼](../sv/README.md) | [ਟਾਗਾਲੋਗ (ਫਿਲੀਪੀਨੀ)](../tl/README.md) | [ਤਮਿੱਲ](../ta/README.md) | [ਤੇਲਗੂ](../te/README.md) | [ਥਾਈ](../th/README.md) | [ਤੁਰਕੀ](../tr/README.md) | [ਯੂਕਰੇਨੀਅਨ](../uk/README.md) | [ਉਰਦੂ](../ur/README.md) | [ਵੀਅਤਨਾਮੀ](../vi/README.md) -#### ਸਾਡੇ ਕਮਿਊਨਿਟੀ ਵਿੱਚ ਸ਼ਾਮਿਲ ਹੋਵੋ +#### ਸਾਡੀ ਕਮਿਊਨਿਟੀ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਵੋ [![Microsoft Foundry ਡਿਸਕੋਰਡ](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -ਅਸੀਂ ਇੱਕ Discord 'Learn with AI' ਸੀਰੀਜ਼ ਚਲਾ ਰਹੇ ਹਾਂ; ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ ਅਤੇ ਸਾਡੇ ਨਾਲ 18 - 30 ਸਤੰਬਰ, 2025 ਨੂੰ [Learn with AI Series](https://aka.ms/learnwithai/discord) 'ਤੇ ਸ਼ਾਮਿਲ ਹੋਵੋ। ਤੁਹਾਨੂੰ Data Science ਲਈ GitHub Copilot ਵਰਤਣ ਦੇ ਟਿੱਪਸ ਅਤੇ ਤਰੀਕੇ ਮਿਲਣਗੇ। +ਅਸੀਂ Discord 'ਤੇ ਇੱਕ "Learn with AI" ਸੀਰੀਜ਼ ਚਲਾ ਰਹੇ ਹਾਂ, ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ ਤੇ ਸਾਡੇ ਨਾਲ 18 - 30 ਸਤੰਬਰ, 2025 ਦੌਰਾਨ [Learn with AI Series](https://aka.ms/learnwithai/discord) 'ਤੇ ਜੁੜੋ। ਤੁਹਾਨੂੰ GitHub Copilot ਨੂੰ Data Science ਲਈ ਵਰਤਣੇ ਦੀਆਂ ਟਿੱਪਸ ਅਤੇ ਚਾਲਾਂ ਮਿਲਣਗੀਆਂ। -![Learn with AI ਸੀਰੀਜ਼](../../translated_images/3.9b58fd8d6c373c20c588c5070c4948a826ab074426c28ceb5889641294373dfc.pa.png) +![Learn with AI ਸੈਰੀਜ਼](../../translated_images/3.9b58fd8d6c373c20.pa.png) -# ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ - ਇੱਕ ਕੋਰਿਕੁਲਮ +# ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ - ਇੱਕ ਪਾਠਕ੍ਰਮ -> 🌍 ਦੁਨੀਆ ਭਰ ਦੀਆਂ ਸੰਸਕ੍ਰਿਤੀਆਂ ਰਾਹੀਂ ਅਸੀਂ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਖੋਜ ਕਰਦੇ ਹੋਏ ਦੁਨੀਆ ਦੀ ਯਾਤਰਾ ਕਰੋ 🌍 +> 🌍 ਦੁਨੀਆ ਭਰ ਵਿੱਚ ਫਿਰੋ ਜਿਵੇਂ ਅਸੀਂ ਦੁਨੀਆ ਦੀਆਂ ਸੰਸਕ੍ਰਿਤੀਆਂ ਰਾਹੀਂ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਖੋਜ ਕਰਦੇ ਹਾਂ 🌍 -Microsoft ਦੇ Cloud Advocates ਖੁਸ਼ ਹਨ 12-ਹਫ਼ਤੇ, 26-ਪਾਠਾਂ ਦਾ ਇੱਕ ਕੋਰਿਕੁਲਮ ਪੇਸ਼ ਕਰਨ ਲਈ ਜੋ **Machine Learning** ਬਾਰੇ ਹੈ। ਇਸ ਕੋਰਿਕੁਲਮ ਵਿੱਚ, ਤੁਸੀਂ ਉਹਨਾਂ ਚੀਜ਼ਾਂ ਬਾਰੇ ਸਿੱਖੋਗੇ ਜਿਨ੍ਹਾਂ ਨੂੰ ਅਕਸਰ **classic machine learning** ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਮੁੱਖ ਤੌਰ 'ਤੇ Scikit-learn ਲਾਇਬ੍ਰੇਰੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਤੇ ਡੀਪ ਲਰਨਿੰਗ ਤੋਂ ਬਚਦੇ ਹੋਏ, ਜਿਸਨੂੰ ਸਾਡੇ [AI for Beginners' ਕੋਰਿਕੁਲਮ](https://aka.ms/ai4beginners) ਵਿੱਚ ਕਵਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਨ੍ਹਾਂ ਪਾਠਾਂ ਨੂੰ ਸਾਡੇ ['Data Science for Beginners' ਕੋਰਿਕੁਲਮ](https://aka.ms/ds4beginners) ਨਾਲ ਮਿਲਾ ਕੇ ਵੀ ਕਰੋ! +Microsoft ਦੇ Cloud Advocates ਖੁਸ਼ ਹਨ ਕਿ ਉਹ 12-ਹਫ਼ਤਿਆਂ, 26-ਪਾਠਾਂ ਵਾਲਾ ਪਾਠਕ੍ਰਮ ਦੇ ਰਹੇ ਹਨ ਜੋ ਪੂਰੀ ਤਰ੍ਹਾਂ **Machine Learning** ਬਾਰੇ ਹੈ। ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ, ਤੁਸੀਂ ਉਹਨਾਂ ਚੀਜ਼ਾਂ ਬਾਰੇ ਸਿੱਖੋਗੇ ਜੋ ਕਈ ਵਾਰੀ **classic machine learning** ਕਹੀ ਜਾਂਦੀ ਹੈ, ਮੁੱਖ ਤੌਰ 'ਤੇ Scikit-learn ਲਾਇਬ੍ਰੇਰੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਅਤੇ ਡੀਪ ਲਰਨਿੰਗ ਤੋਂ ਬਚਦੇ ਹੋ, ਜਿਸ ਨੂੰ ਸਾਡੇ [AI for Beginners' curriculum](https://aka.ms/ai4beginners) ਵਿੱਚ ਕਵਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਨ੍ਹਾਂ ਪਾਠਾਂ ਨੂੰ ਸਾਡੇ ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) ਨਾਲ ਜੋੜ ਕੇ ਵੀ ਲੋ। -ਸਾਡੇ ਨਾਲ ਦੁਨੀਆ ਭਰ ਘੁੰਮੋ ਜਦੋਂ ਅਸੀਂ ਇਹ ਕਲਾਸਿਕ ਤਕਨੀਕਾਂ ਦੁਨੀਆ ਦੇ ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਦੇ ਡੇਟਾ 'ਤੇ ਲਗਾਉਂਦੇ ਹਾਂ। ਹਰ ਪਾਠ ਵਿੱਚ ਪ੍ਰੀ-ਅਤੇ ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼, ਪਾਠ ਪੂਰਾ ਕਰਨ ਲਈ ਲਿਖਤੀ ਹਦਾਇਤਾਂ, ਇੱਕ ਹੱਲ, ਇੱਕ ਅਸਾਈਨਮੈਂਟ ਅਤੇ ਹੋਰ ਸ਼ਾਮਿਲ ਹਨ। ਸਾਡੀ ਪ੍ਰਾਜੈਕਟ-ਆਧਾਰਿਤ ਪੈਡਾਗੋਜੀ ਤੁਹਾਨੂੰ ਬਣਾਉਂਦੇ ਹੋਏ ਸਿੱਖਣ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ — ਨਵੀਆਂ ਕੌਸ਼ਲਾਂ ਨੂੰ ਅਟਕਣ ਲਈ ਇਹ ਇੱਕ ਪ੍ਰਮਾਣਤ ਤਰੀਕਾ ਹੈ। +ਸਾਡੇ ਨਾਲ ਦੁਨੀਆ ਭਰ 'ਚ ਯਾਤਰਾ ਕਰੋ ਜਿਵੇਂ ਅਸੀਂ ਇਨ ਕਲਾਸਿਕ ਤਕਨੀਕਾਂ ਨੂੰ ਦੁਨੀਆਂ ਦੇ ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਦੇ ਡੇਟਾ 'ਤੇ ਲਾਗੂ ਕਰਦੇ ਹਾਂ। ਹਰ ਪਾਠ ਵਿੱਚ ਪ੍ਰੀ-ਅਤੇ ਪੋਸਟ-ਪਾਠ ਕਵਿਜ਼, ਲਿਖਤੀ ਹਦਾਇਤਾਂ, ਇੱਕ ਹੱਲ, ਇੱਕ ਅਸਾਈਨਮੈਂਟ ਅਤੇ ਹੋਰ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ। ਸਾਡੇ ਪ੍ਰਾਜੈਕਟ-ਅਧਾਰਿਤ ਪੈਡਾਗੋਜੀ ਨਾਲ ਤੁਸੀਂ ਬਣਾਉਂਦੇ ਹੋਏ ਸਿੱਖਦੇ ਹੋ, ਜੋ ਨਵੀਆਂ ਕੁਸ਼ਲਤਾਵਾਂ ਨੂੰ 'ਟਿਕਾਉ' ਬਣਾਉਣ ਦਾ ਪ੍ਰਮਾਣਿਤ ਤਰੀਕਾ ਹੈ। -**✍️ ਸਾਡੇ ਲੇਖਕਾਂ ਲਈ ਦਿਲੋਂ ਧੰਨਵਾਦ** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd +**✍️ ਸਾਡੇ ਲੇਖਕਾਂ ਨੂੰ ਦਿਲੋਂ ਧੰਨਵਾਦ** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd -**🎨 ਸਾਡੇ ਚਿੱਤਰਕਾਰਾਂ ਲਈ ਧੰਨਵਾਦ ਵੀ** Tomomi Imura, Dasani Madipalli, ਅਤੇ Jen Looper +**🎨 ਸਾਡੇ ਚਿੱਤਰਕਾਰਾਂ ਦਾ ਵੀ ਧੰਨਵਾਦ** Tomomi Imura, Dasani Madipalli, and Jen Looper -**🙏 ਵਿਸ਼ੇਸ਼ ਧੰਨਵਾਦ 🙏 ਸਾਡੇ Microsoft Student Ambassador ਲੇਖਕਾਂ, ਸਮੀਖਿਆਕਾਰਾਂ, ਅਤੇ ਸਮੱਗਰੀ ਯੋਗਦਾਨਕਾਰਾਂ ਨੂੰ**, ਖਾਸ ਤੌਰ 'ਤੇ Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, ਅਤੇ Snigdha Agarwal +**🙏 ਵਿਸ਼ੇਸ਼ ਧੰਨਵਾਦ 🙏 ਸਾਡੇ Microsoft Student Ambassador ਲੇਖਕਾਂ, ਸਮੀਖਿਆਕਾਰਾਂ, ਅਤੇ ਸਮੱਗਰੀ ਯੋਗਦਾਨਕਾਰਾਂ ਨੂੰ**, ਵਿਸ਼ੇਸ਼ ਕਰਕੇ Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, ਅਤੇ Snigdha Agarwal -**🤩 ਵਾਧੂ ਸ਼ੁਕਰਗੁਜ਼ਾਰੀ Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, ਅਤੇ Vidushi Gupta ਨੂੰ ਸਾਡੇ R ਪਾਠਾਂ ਲਈ!** +**🤩 ਸਾਡੇ R ਪਾਠਾਂ ਲਈ Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, ਅਤੇ Vidushi Gupta ਨੂੰ ਵਧੀਕ ਧੰਨਵਾਦ!** -# ਸ਼ੁਰੂਆਤ +# ਸ਼ੁਰੂ ਕਰਨ ਲਈ -ਇਹ ਕਦਮ ਅਨੁਸਰਣ ਕਰੋ: -1. **ਰੈਪੋਜ਼ਿਟਰੀ Fork ਕਰੋ**: ਇਸ ਪੰਨੇ ਦੇ ਉੱਪਰ-ਸੱਜੇ ਕੋਨੇ 'Fork' ਬਟਨ 'ਤੇ ਕਲਿਕ ਕਰੋ। -2. **ਰੈਪੋਜ਼ਿਟਰੀ Clone ਕਰੋ**: `git clone https://github.com/microsoft/ML-For-Beginners.git` +ਇਹ ਕਦਮ ਅਨੁਸਰੋ: +1. **ਰੇਪੋ ਨੂੰ Fork ਕਰੋ**: Click on the "Fork" button at the top-right corner of this page. +2. **ਰੇਪੋ ਨੂੰ Clone ਕਰੋ**: `git clone https://github.com/microsoft/ML-For-Beginners.git` -> [ਇਸ ਕੋਰਸ ਲਈ ਸਾਰੇ ਵਾਧੂ ਸਰੋਤ ਸਾਡੇ Microsoft Learn ਕਲੈਕਸ਼ਨ ਵਿੱਚ ਲੱਭੋ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) +> [ਇਸ ਕੋਰਸ ਲਈ ਸਾਰੇ ਵਾਧੂ ਸਾਧਨ ਸਾਡੇ Microsoft Learn ਕਲੈਕਸ਼ਨ ਵਿੱਚ ਮਿਲਣਗੇ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) -> 🔧 **ਮਦਦ ਚਾਹੀਦੀ ਹੈ?** ਇੰਸਟਾਲੇਸ਼ਨ, ਸੈਟਅਪ ਅਤੇ ਲੈਸਨ ਚਲਾਉਣ ਨਾਲ ਸੰਬੰਧਤ ਆਮ ਸਮੱਸਿਆਵਾਂ ਦੇ ਹੱਲਾਂ ਲਈ ਸਾਡੀ [Troubleshooting Guide](TROUBLESHOOTING.md) ਵੇਖੋ। +> 🔧 **ਮਦਦ ਦੀ ਲੋੜ ਹੈ?** ਸਥਾਪਨਾ, ਸੈਟਅਪ ਅਤੇ ਪਾਠ ਚਲਾਉਣ ਨਾਲ ਜੁੜੀਆਂ ਆਮ ਸਮੱਸਿਆਵਾਂ ਲਈ ਸਾਡੇ [Troubleshooting Guide](TROUBLESHOOTING.md) ਨੂੰ ਚੈੱਕ ਕਰੋ। -**[ਵਿਦਿਆਰਥੀ](https://aka.ms/student-page)**, ਇਸ ਕੋਰਿਕੁਲਮ ਨੂੰ ਵਰਤਣ ਲਈ, ਪੂਰਾ ਰੇਪੋ ਆਪਣੇ GitHub ਅਕਾਊਂਟ 'ਤੇ fork ਕਰੋ ਅਤੇ ਅਭਿਆਸ ਆਪਣੇ ਆਪ ਜਾਂ ਇੱਕ ਸਮੂਹ ਨਾਲ ਪੂਰੇ ਕਰੋ: +**[ਵਿਦਿਆਰਥੀ](https://aka.ms/student-page)**, ਇਸ ਪਾਠਕ੍ਰਮ ਦਾ ਉਪਯੋਗ ਕਰਨ ਲਈ, ਪੂਰਾ ਰੇਪੋ ਆਪਣੇ GitHub ਖਾਤੇ ਵਿੱਚ fork ਕਰੋ ਅਤੇ ਅਭਿਆਸ ਆਪਣੇ ਤੌਰ 'ਤੇ ਜਾਂ ਸਮੂਹ ਨਾਲ ਪੂਰੇ ਕਰੋ: -- ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ। -- ਲੈਕਚਰ ਪੜ੍ਹੋ ਅਤੇ ਸਰਗਰਮੀ ਪੂਰੀ ਕਰੋ, ਹਰ ਗਿਆਨ ਜਾਂਚ 'ਤੇ ਰੁਕ ਕੇ ਅਤੇ ਪਰਾਵੇਚਨਾ ਕਰਦਿਆਂ। -- ਹੱਲ ਕੋਡ ਚਲਾਉਣ ਤੋਂ ਬਿਨਾਂ ਪਾਠਾਂ ਨੂੰ ਸਮਝ ਕੇ ਪ੍ਰਾਜੈਕਟ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ; ਹਾਲਾਂਕਿ ਉਹ ਕੋਡ ਹਰ ਪ੍ਰਾਜੈਕਟ-ਆਧਾਰਤ ਪਾਠ ਵਿੱਚ `/solution` ਫੋਲਡਰਾਂ ਵਿੱਚ ਉਪਲਬਧ ਹੈ। -- ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼ ਲਵੋ। +- ਪ੍ਰੀ-ਲੇਕਚਰ ਕਵਿਜ਼ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ। +- ਲੈਕਚਰ ਪੜ੍ਹੋ ਅਤੇ ਐਕਟਿਵਿਟੀਜ਼ ਪੂਰੀਆਂ ਕਰੋ, ਹਰ ਗਿਆਨ ਜਾਂਚ 'ਤੇ ਰੁਕ ਕੇ ਸੋਚੋ। +- ਕੋਸ਼ਿਸ਼ ਕਰੋ ਕਿ ਪ੍ਰੋਜੈਕਟਾਂ ਨੂੰ ਪਾਠ ਨੂੰ ਸਮਝ ਕੇ ਬਣਾਓ ਨਾ ਕਿ ਹੱਲ ਕੋਡ ਦੌੜਾਕੇ; ਹਾਲਾਂਕਿ ਉਹ ਕੋਡ ਹਰ ਪ੍ਰੋਜੈਕਟ-ਓਰਿਏਂਟੇਡ ਪਾਠ ਵਿੱਚ `/solution` ਫੋਲਡਰਾਂ ਵਿੱਚ ਉਪਲਬਧ ਹੈ। +- ਪੋਸਟ-ਲੇਕਚਰ ਕਵਿਜ਼ ਲਓ। - ਚੈਲੈਂਜ ਪੂਰਾ ਕਰੋ। - ਅਸਾਈਨਮੈਂਟ ਪੂਰਾ ਕਰੋ। -- ਇੱਕ ਪਾਠ ਸਮੂਹ ਪੂਰਾ ਕਰਨ ਤੋਂ ਬਾਅਦ, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) 'ਤੇ ਜਾਓ ਅਤੇ ਉਚਿਤ PAT ਰੁਬ੍ਰਿਕ ਭਰ ਕੇ "ਖੁੱਲ੍ਹ ਕੇ ਸਿੱਖੋ"। 'PAT' ਇੱਕ Progress Assessment Tool ਹੈ — ਇਹ ਇੱਕ ਰੁਬ੍ਰਿਕ ਹੈ ਜੋ ਤੁਸੀਂ ਆਪਣੇ ਸਿੱਖਣ ਵਿੱਚ ਅੱਗੇ ਵੱਧਣ ਲਈ ਭਰਦੇ ਹੋ। ਤੁਸੀਂ ਹੋਰ PATs 'ਤੇ ਰਿਏਕਟ ਵੀ ਕਰ ਸਕਦੇ ਹੋ ਤਾਂ ਜੋ ਅਸੀਂ ਇਕੱਠੇ ਸਿੱਖੀਏ। +- ਇੱਕ ਪਾਠ ਸਮੂਹ ਪੂਰਾ ਕਰਨ ਮਗਰੋਂ, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) 'ਤੇ ਜਾਓ ਅਤੇ موزوں PAT ਰੁਬ੍ਰਿਕ ਭਰ ਕੇ "learn out loud" ਕਰੋ। 'PAT' ਦਾ ਅਰਥ Progress Assessment Tool ਹੈ ਜੋ ਤੁਹਾਡੇ ਸਿਖਣ ਨੂੰ ਅੱਗੇ ਵਧਾਉਣ ਲਈ ਇੱਕ ਰੁਬ੍ਰਿਕ ਹੈ। ਤੁਸੀਂ ਹੋਰ PATs 'ਤੇ ਰਿਆਕਸ਼ਨ ਵੀ ਕਰ ਸਕਦੇ ਹੋ ਤਾਂ ਜੋ ਅਸੀਂ ਇਕੱਠੇ ਸਿੱਖ ਸਕੀਏ। -> ਹੋਰ ਪੜ੍ਹਾਈ ਲਈ, ਅਸੀਂ ਇਹ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) ਮੌਡੀਊਲ ਅਤੇ ਲਰਨਿੰਗ ਪਾਥ ਅਨੁਸਰਣ ਕਰਨ ਦੀ ਸਿਫਾਰਸ਼ ਕਰਦੇ ਹਾਂ। +> ਅਗਲੇ ਅਧਿਐਨ ਲਈ, ਅਸੀਂ ਤੁਹਾਨੂੰ ਇਹ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) ਮੋਡੀਊਲ ਅਤੇ ਲਰਨਿੰਗ ਪਾਥਸ ਫਾਲੋ ਕਰਨ ਦੀ ਸਿਫਾਰਿਸ਼ ਕਰਦੇ ਹਾਂ। -**ਅਧਿਆਪਕ**, ਅਸੀਂ [for-teachers.md](for-teachers.md) ਵਿੱਚ ਇਸ ਕੋਰਿਕੁਲਮ ਨੂੰ ਵਰਤਣ ਬਾਰੇ ਕੁਝ ਸੁਝਾਵ ਸ਼ਾਮਿਲ ਕੀਤੇ ਹਨ। +**ਅਧਿਆਪਕ**, ਅਸੀਂ ਇਸ ਪਾਠਕ੍ਰਮ ਨੂੰ ਵਰਤਣ ਦੇ ਤਰੀਕਿਆਂ ਬਾਰੇ [ਕੁਝ ਸੁਝਾਅ](for-teachers.md) ਸ਼ਾਮਿਲ ਕੀਤੇ ਹਨ। --- ## ਵੀਡੀਓ ਵਾਕਥਰੂ -ਕੁਝ ਪਾਠ ਛੋਟੇ ਫਾਰਮ ਵਾਲੇ ਵੀਡੀਓ ਦੇ ਰੂਪ ਵਿੱਚ ਉਪਲਬਧ ਹਨ। ਤੁਸੀਂ ਇਹਨਾਂ ਨੂੰ ਪਾਠਾਂ ਵਿੱਚ ਸਿੱਧਾ ਹੀ ਵੇਖ ਸਕਦੇ ਹੋ, ਜਾਂ ਹੇਠਾਂ ਦਿੱਤੀ ਚਿੱਤਰ 'ਤੇ ਕਲਿਕ ਕਰਕੇ [ML for Beginners playlist on the Microsoft Developer YouTube channel](https://aka.ms/ml-beginners-videos) 'ਤੇ ਵੀ ਦੇਖ ਸਕਦੇ ਹੋ। +ਕੁਝ ਪਾਠ ਛੋਟੇ ਫਾਰਮ ਦੀ ਵੀਡੀਓ ਵਜੋਂ ਉਪਲਬਧ ਹਨ। ਤੁਸੀਂ ਇਹ ਸਾਰੇ ਪਾਠਾਂ ਵਿੱਚ ਲਾਈਨ-ਅੰਦਰ ਪਾ ਸਕਦੇ ਹੋ, ਜਾਂ Microsoft Developer YouTube ਚੈਨਲ 'ਤੇ [ML for Beginners playlist](https://aka.ms/ml-beginners-videos) 'ਤੇ ਹੇਠ ਲਿਖੀ ਚਿੱਤਰ 'ਤੇ ਕਲਿੱਕ ਕਰਕੇ ਵੇਖ ਸਕਦੇ ਹੋ। -[![ML for Beginners ਬੈਨਰ](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6251134294459696e070a3a9a04632e9fe6a24aa0de4a7384.pa.png)](https://aka.ms/ml-beginners-videos) +[![ML for beginners ਬੈਨਰ](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6.pa.png)](https://aka.ms/ml-beginners-videos) --- ## ਟੀਮ ਨਾਲ ਮਿਲੋ -[![ਪ੍ਰੋਿਮੋ ਵੀਡੀਓ](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) +[![ਪ੍ਰੋਮੋ ਵੀਡੀਓ](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) -**ਗਿਫ਼ ਦੁਆਰਾ** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) +**ਗਿਫ ਦੁਆਰਾ** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) -> 🎥 ਉੱਤੇ ਦਿੱਤੀ ਚਿੱਤਰ 'ਤੇ ਕਲਿਕ ਕਰੋ ਪ੍ਰੋਜੈਕਟ ਅਤੇ ਉਸ ਦੇ ਬਣਾਉਣ ਵਾਲਿਆਂ ਬਾਰੇ ਵੀਡੀਓ ਦੇਖਣ ਲਈ! +> 🎥 ਪ੍ਰੋਜੈਕਟ ਅਤੇ ਇਸਨੂੰ ਬਣਾਉਣ ਵਾਲੇ ਲੋਕਾਂ ਬਾਰੇ ਵੀਡੀਓ ਦੇ ਲਈ ਉੱਪਰ ਦੀ ਛਵੀ 'ਤੇ ਕਲਿੱਕ ਕਰੋ! --- -## ਪੈਡਾਗੋਜੀ +## ਪੇਡਾਗੋਜੀ -ਅਸੀਂ ਇਸ ਕੋਰਿਕੁਲਮ ਨੂੰ ਬਣਾਉਂਦੇ ਸਮੇਂ ਦੋ ਪੈਡਾਗੋਜੀਕਲ ਨਿਯਮਾਂ ਦੀ ਚੋਣ ਕੀਤੀ ਹੈ: ਇਹ ਹਥਾਂ-ਉੱਤੇ ਅਧਾਰਤ ਹੋਵੇ (project-based) ਅਤੇ ਹਰ ਵੇਲੇ ਕਵਿਜ਼ ਸ਼ਾਮਿਲ ਹੋਣ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਸ ਕੋਰਿਕੁਲਮ ਵਿੱਚ ਇੱਕ ਸਾਂਝਾ ਥੀਮ ਵੀ ਹੈ ਜੋ ਇਸਨੂੰ ਇੱਕਤਾ ਦਿੰਦੀ ਹੈ। +ਇਸ ਪਾਠਕ੍ਰਮ ਨੂੰ ਬਣਾਉਂਦਿਆਂ ਅਸੀਂ ਦੋ ਅਧਿਆਪਿਕ ਨਿਯਮ ਚੁਣੇ ਹਨ: ਇਹ হਾਸਥ-ਓਨ (ਹੱਥੋਂ-ਕਰਨ ਵਾਲਾ) ਅਤੇ **ਪ੍ਰੋਜੈਕਟ-ਅਧਾਰਿਤ** ਹੋਵੇ ਅਤੇ ਇਸ ਵਿੱਚ **ਅਕਸਰ ਕਵਿਜ਼** ਸ਼ਾਮਲ ਹੋਣ। ਇਸ ਦੇ ਨਾਲ-ਨਾਲ, ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਇੱਕ ਆਮ **ਥੀਮ** ਹੈ ਜੋ ਇਸਨੂੰ ਇੱਕ ਹੁਨਰਵਾਨ ਇੱਕਤਾ ਦਿੰਦੀ ਹੈ। -ਸਮੱਗਰੀ ਨੂੰ ਪ੍ਰਾਜੈਕਟਾਂ ਨਾਲ ਸੰਰਚਿਤ ਕਰਕੇ, ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਪ੍ਰਕਿਰਿਆ ਹੋਰ ਰੁਚਿਕਰ ਬਣ ਜਾਂਦੀ ਹੈ ਅਤੇ ਧਾਰਨਾ ਦੀ ਰੱਖਿਆ ਵਧਦੀ ਹੈ। ਇਸਦੇ ਨਾਲ-ਨਾਲ, ਕਲਾਸ ਤੋਂ ਪਹਿਲਾਂ ਹੋਣ ਵਾਲਾ ਇੱਕ ਘੱਟ-ਝਟਕਾ ਕਵਿਜ਼ ਵਿਦਿਆਰਥੀ ਦਾ ਧਿਆਨ ਸਿੱਖਣ ਵੱਲ ਕੇਂਦ੍ਰਿਤ ਕਰਦਾ ਹੈ, ਜਦਕਿ ਕਲਾਸ ਦੇ ਬਾਅਦ ਦੂਜਾ ਕਵਿਜ਼ ਹੋਰ ਰੱਖਿਆ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ। ਇਹ ਕੋਰਿਕੁਲਮ ਲਚਕੀਲਾ ਅਤੇ ਮਨੋਰੰਜਕ ਬਣਾਇਆ ਗਿਆ ਹੈ ਅਤੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਜਾਂ ਹਿੱਸੇ ਵੱਜੋਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਪ੍ਰਾਜੈਕਟ ਛੋਟੇ ਤੋਂ ਸ਼ੁਰੂ ਹੁੰਦੇ ਹਨ ਅਤੇ 12-ਹਫ਼ਤੇ ਦੇ ਚੱਕਰ ਦੇ ਅੰਤ ਤੱਕ ਬਾਰੀਕੀ ਨਾਲ ਜਟਿਲ ਹੋ ਜਾਂਦੇ ਹਨ। ਇਸ ਕੋਰਿਕੁਲਮ ਵਿੱਚ ML ਦੇ ਅਸਲ-ਜੀਵਨ ਉਪਯੋਗਾਂ 'ਤੇ ਇੱਕ ਪੋਸਟਸਕ੍ਰਿਪਟ ਵੀ ਹੈ, ਜਿਸਨੂੰ ਵਾਧੂ ਕ੍ਰੈਡਿਟ ਵਜੋਂ ਜਾਂ ਚਰਚਾ ਦੇ ਆਧਾਰ ਵਜੋਂ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ। +ਸਮੱਗਰੀ ਨੂੰ ਪ੍ਰੋਜੈਕਟਾਂ ਨਾਲ ਸੰਰਚਿਤ ਕਰਕੇ, ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਪ੍ਰਕਿਰਿਆ ਹੋਰ ਰੁਚਿਕਰ ਬਣਾਈ ਜਾਂਦੀ ਹੈ ਅਤੇ ਧਾਰਣਾਵਾਂ ਦੀ ਧਾਰਣਸ਼ੀਲਤਾ ਵਧਦੀ ਹੈ। ਇਸ ਦੇ ਨਾਲ, ਕਲਾਸ ਤੋਂ ਪਹਿਲਾਂ ਇਕ ਨਿਮਨ-ਦਾਇਰਾ ਵਾਲਾ ਕਵਿਜ਼ ਵਿਦਿਆਰਥੀ ਦੇ ਮਨ ਵਿੱਚ ਉਸ ਵਿਸ਼ੇ ਨੂੰ ਸਿੱਖਣ ਦੀ ਨੀਅਤ ਸੈੱਟ ਕਰਦਾ ਹੈ, ਜਦਕਿ ਕਲਾਸ ਮਗਰੋਂ ਦੂਜਾ ਕਵਿਜ਼ ਅਗਲੀ ਰਿਟੇਨਸ਼ਨ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ। ਇਹ ਪਾਠਕ੍ਰਮ ਲਚਕੀਲਾ ਅਤੇ ਮਨੋਰੰਜਕ ਬਣਾਇਆ ਗਿਆ ਹੈ ਅਤੇ ਇਸਨੂੰ ਪੂਰਾ ਜਾਂ ਭਾਗ ਵਜੋਂ ਲਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਪ੍ਰੋਜੈਕਟ ਛੋਟੇ ਤੋਂ ਸ਼ੁਰੂ ਹੁੰਦੇ ਹਨ ਅਤੇ 12-ਹੱਫਤਿਆਂ ਦੇ ਆਖਿਰ ਤੱਕ ਵੱਧ-ਵੱਧ ਗੁੰਝਲਦਾਰ ਹੋ ਜਾਂਦੇ ਹਨ। ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ ML ਦੇ ਅਸਲ-ਜੀਵਨ ਉਪਯੋਗਾਂ ਤੇ ਇੱਕ ਪੋਸਟਸਕ੍ਰਿਪਟ ਵੀ ਸ਼ਾਮਲ ਹੈ, ਜਿਸਨੂੰ ਵਾਧੂ ਕ੍ਰੈਡਿਟ ਵਜੋਂ ਜਾਂ ਚਰਚਾ ਲਈ ਆਧਾਰ ਵਜੋਂ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ। -> ਸਾਡਾ [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md), ਅਤੇ [Troubleshooting](TROUBLESHOOTING.md) ਗਾਈਡਲਾਈਨਾਂ ਵੇਖੋ। ਅਸੀਂ ਤੁਹਾਡੇ ਰਚਨਾਤਮਕ ਫੀਡਬੈਕ ਦਾ ਸਵਾਗਤ ਕਰਦੇ ਹਾਂ! +> ਸਾਡਾ [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md), ਅਤੇ [Troubleshooting](TROUBLESHOOTING.md) ਦਿਸ਼ਾ-निर्दੇਸ਼ ਲੱਭੋ। ਅਸੀਂ ਤੁਹਾਡੇ ਰਚਨਾਤਮਕ ਫੀਡਬੈਕ ਦਾ ਸਵਾਗਤ ਕਰਦੇ ਹਾਂ! ## ਹਰ ਪਾਠ ਵਿੱਚ ਸ਼ਾਮਲ ਹੈ -- ਵਿਕਲਪਿਕ ਸਕੈਚਨੋਟ -- ਵਿਕਲਪਿਕ ਪੂਰਕ ਵੀਡੀਓ +- ਵਿਕਲਪਿਕ ਸਕੇਚਨੋਟ +- ਵਿਕਲਪਿਕ ਸਹਾਇਕ ਵੀਡੀਓ - ਵੀਡੀਓ ਵਾਕਥਰੂ (ਕੇਵਲ ਕੁਝ ਪਾਠ) -- [ਪ੍ਰੀ-ਲੈਕਚਰ ਵਾਰਮਅਪ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ml/) -- ਲਿਖਤੀ ਪਾਠ -- ਪ੍ਰਾਜੈਕਟ-ਆਧਾਰਤ ਪਾਠਾਂ ਲਈ, ਪ੍ਰਾਜੈਕਟ ਬਣਾਉਣ ਦੇ ਕਦਮ-ਦਰ-ਕਦਮ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ -- ਗਿਆਨ ਜਾਂਚ +- [ਪ੍ਰੀ-ਲੇਕਚਰ ਵਾਰਮਅਪ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ml/) +- ਲਿਖਿਆ ਪਾਠ +- ਪ੍ਰੋਜੈਕਟ-ਅਧਾਰਿਤ ਪਾਠਾਂ ਲਈ, ਪ੍ਰੋਜੈਕਟ ਬਣਾਉਣ ਲਈ ਕਦਮ-ਬਾਈ-ਕਦਮ ਗਾਈਡ +- ਗਿਆਨ ਜਾਂਚਾਂ - ਇੱਕ ਚੈਲੈਂਜ -- ਪੂਰਕ ਪੜ੍ਹਾਈ +- ਸਹਾਇਕ ਪੜ੍ਹਾਈ - ਅਸਾਈਨਮੈਂਟ -- [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ml/) +- [ਪੋਸਟ-ਲੇਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ml/) -> **ਭਾਸ਼ਾਵਾਂ ਬਾਰੇ ਇੱਕ ਨੋਟ**: ਇਹ ਪਾਠ ਮੁੱਖ ਰੂਪ ਵਿੱਚ Python ਵਿੱਚ ਲਿਖੇ ਗਏ ਹਨ, ਪਰ ਬਹੁਤ ਸਾਰੇ R ਵਿੱਚ ਵੀ ਉਪਲਬਧ ਹਨ। ਕਿਸੇ R ਪਾਠ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ, `/solution` ਫੋਲਡਰ ਵਿੱਚ ਜਾਓ ਅਤੇ R ਪਾਠ ਲੱਭੋ। ਉਹ .rmd ਐਕਸਟੇੰਸ਼ਨ ਸ਼ਾਮਿਲ ਕਰਦੇ ਹਨ ਜੋ ਕਿ ਇੱਕ **R Markdown** ਫਾਈਲ ਦਰਸਾਉਂਦੀ ਹੈ ਜੋ `code chunks` (R ਜਾਂ ਹੋਰ ਭਾਸ਼ਾਵਾਂ ਦੇ) ਅਤੇ ਇੱਕ `YAML header` (ਜੋ PDF ਵਰਗੇ ਆਉਟਪੁਟਾਂ ਨੂੰ ਫਾਰਮੈਟ ਕਰਨ ਬਾਰੇ ਦਿਸ਼ਾ ਦਿੰਦੀ ਹੈ) ਨੂੰ ਇੱਕ Markdown ਦਸਤਾਵੇਜ਼ ਵਿੱਚ ਐਂਬੈਡ ਕਰਦੀ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਇਹ ਡੇਟਾ ਸਾਇੰਸ ਲਈ ਇੱਕ ਉਦਾਹਰਨ-ਯੋਗ ਲੇਖਕ ਫਰੇਮਵਰਕ ਵਜੋਂ ਕੰਮ ਕਰਦੀ ਹੈ ਕਿਉਂਕਿ ਇਹ ਤੁਹਾਨੂੰ ਆਪਣਾ ਕੋਡ, ਉਸਦਾ ਆਉਟਪੁੱਟ ਅਤੇ ਆਪਣੇ ਵਿਚਾਰ Markdown ਵਿੱਚ ਲਿਖ ਕੇ ਜੋੜਨ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, R Markdown ਦਸਤਾਵੇਜ਼ PDF, HTML, ਜਾਂ Word ਵਰਗੇ ਆਉਟਪੁੱਟ ਫਾਰਮੈਟਾਂ ਵਿੱਚ ਰੇਂਡਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। +> **ਭਾਸ਼ਾਵਾਂ ਬਾਰੇ ਇੱਕ ਨੋਟ**: ਇਹ ਪਾਠ ਮੁੱਖਤੌਰ 'ਤੇ Python ਵਿੱਚ ਲਿਖੇ ਗਏ ਹਨ, ਪਰ ਬਹੁਤ ਸਾਰੇ R ਵਿੱਚ ਵੀ ਉਪਲਬਧ ਹਨ। ਇੱਕ R ਪਾਠ ਪੂਰਾ ਕਰਨ ਲਈ, `/solution` ਫੋਲਡਰ ਵਿੱਚ ਜਾਓ ਅਤੇ R ਪਾਠਾਂ ਲਈ ਖੋਜੋ। ਇਹਨਾਂ ਵਿੱਚ .rmd ਐਕਸਟੇਸ਼ਨ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ ਜੋ ਇੱਕ **R Markdown** ਫਾਈਲ ਦਾ ਪ੍ਰਤੀਨਿਧੀ ਹੁੰਦੀ ਹੈ ਜਿਸਨੂੰ ਸਧਾਰਣ ਤੌਰ 'ਤੇ `code chunks` (R ਜਾਂ ਹੋਰ ਭਾਸ਼ਾਵਾਂ ਦੇ) ਅਤੇ ਇੱਕ `YAML header` (ਜੋ PDF ਵਰਗੇ ਆਉਟਪੁੱਟ ਸੰਦਰਭਾਂ ਨੂੰ ਕਿਵੇਂ ਫਾਰਮੈਟ ਕਰਨਾ ਹੈ, ਦਿਖਾਉਂਦਾ ਹੈ) ਦੇ ਐਂਬੈੱਡਿੰਗ ਵਜੋਂ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਇੱਕ `Markdown document` ਵਿੱਚ। ਇਸ ਤਰ੍ਹਾਂ, ਇਹ ਡੇਟਾ ਸਾਇੰਸ ਲਈ ਇੱਕ ਉਦਾਹਰਣਾਤਮਕ ਲੇਖਨ framework ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਤੁਹਾਨੂੰ ਆਪਣੇ ਕੋਡ, ਉਸ ਦੇ ਆਉਟਪੁੱਟ, ਅਤੇ ਆਪਣੇ ਵਿਚਾਰ ਇੱਕੱਠੇ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ ਕਿ ਤੁਸੀਂ ਉਨ੍ਹਾਂ ਨੂੰ Markdown ਵਿੱਚ ਲਿਖ ਸਕੋ। ਇਲਾਵਾ, R Markdown ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ PDF, HTML, ਜਾਂ Word ਵਰਗੇ ਆਉਟਪੁੱਟ ਫਾਰਮੈਟਾਂ ਵਿੱਚ ਰੈਂਡਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। -> **ਕਵਿਜ਼ ਬਾਰੇ ਇੱਕ ਨੋਟ**: ਸਾਰੇ ਕਵਿਜ਼ [Quiz App folder](../../quiz-app) ਵਿੱਚ ਹਨ, ਕੁੱਲ 52 ਕਵਿਜ਼ ਹਨ ਜਿਨ੍ਹਾਂ ਵਿੱਚੋਂ ਹਰ ਇੱਕ ਵਿੱਚ ਤਿੰਨ ਸਵਾਲ ਹਨ। ਉਹ ਪਾਠਾਂ ਵਿੱਚ ਲਿੰਕ ਕੀਤੇ ਗਏ ਹਨ ਪਰ quiz app ਲੋਕਲ ਤੌਰ 'ਤੇ ਚਲਾਇਆ ਜਾ ਸਕਦਾ ਹੈ; ਲੋਕਲ ਹੋਸਟ ਕਰਨ ਜਾਂ Azure 'ਤੇ ਡਿਪਲੌਏ ਕਰਨ ਲਈ `quiz-app` ਫੋਲਡਰ ਵਿੱਚ ਦਿੱਤੀਆਂ ਹਦਾਇਤਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ। +> **ਕਵਿਜ਼ਾਂ ਬਾਰੇ ਇੱਕ ਨੋਟ**: ਸਾਰੇ ਕਵਿਜ਼ [Quiz App ਫੋਲਡਰ](../../quiz-app) ਵਿੱਚ ਹਨ, ਜੋ ਕੁੱਲ 52 ਕਵਿਜ਼ ਹਨ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਹਰ ਇੱਕ 3 ਪ੍ਰਸ਼ਨਾਂ ਵਾਲਾ ਹੈ। ਉਹ ਪਾਠਾਂ ਵਿੱਚ ਲਿੰਕ ਕੀਤੇ ਗਏ ਹਨ ਪਰ quiz app ਲੋਕਲ ਤੌਰ 'ਤੇ ਚਲਾਇਆ ਜਾ ਸਕਦਾ ਹੈ; ਲੋਕਲ ਹੋਸਟ ਕਰਨ ਜਾਂ Azure 'ਤੇ ਡਿਪਲੋਇ ਕਰਨ ਲਈ `quiz-app` ਫੋਲਡਰ ਵਿੱਚ ਦਿੱਤੀਆਂ ਹਦਾਇਤਾਂ ਦੀ ਪਾਲਨਾ ਕਰੋ। -| ਪਾਠ ਨੰਬਰ | ਵਿਸ਼ਾ | ਪਾਠ ਗਰੁੱਪ | ਸਿੱਖਣ ਦੇ ਉਦੇਸ਼ | ਲਿੰਕ ਕੀਤਾ ਗਿਆ ਪਾਠ | ਲੇਖਕ | +| ਪਾਠ ਨੰਬਰ | ਵਿਸ਼ਾ | ਪਾਠ ਸਮੂਹ | ਸਿੱਖਣ ਦੇ ਉਦੇਸ਼ | ਲਿੰਕ ਕੀਤਾ ਪਾਠ | ਲੇਖਕ | | :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | -| 01 | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਪਰਿਚਯ | [ਪਰਿਚਯ](1-Introduction/README.md) | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਮੂਢੀਕ ਤਤ੍ਵ ਸਿੱਖੋ | [ਪਾਠ](1-Introduction/1-intro-to-ML/README.md) | Muhammad | -| 02 | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਇਤਿਹਾਸ | [ਪਰਿਚਯ](1-Introduction/README.md) | ਇਸ ਖੇਤਰ ਦੇ ਪਿੱਛੋਕੜ ਦਾ ਇਤਿਹਾਸ ਸਿੱਖੋ | [ਪਾਠ](1-Introduction/2-history-of-ML/README.md) | Jen and Amy | -| 03 | ਨਿਆਇਕਤਾ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ | [ਪਰਿਚਯ](1-Introduction/README.md) | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਬਣਾਉਂਦੇ ਅਤੇ ਲਾਗੂ ਕਰਦੇ ਸਮੇਂ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣ ਯੋਗ ਇਤਿਹਾਸਕ ਅਤੇ ਦਰਸ਼ਨਸ਼ਾਸਤਰੀ ਮੁੱਦੇ ਕਿੰਨੇ ਮਹੱਤਵਪੂਰਨ ਹਨ? | [ਪਾਠ](1-Introduction/3-fairness/README.md) | Tomomi | -| 04 | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਲਈ ਤਕਨੀਕਾਂ | [ਪਰਿਚਯ](1-Introduction/README.md) | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ML ਖੋਜਕਰਤਾ ਕਿਹੜੀਆਂ ਤਕਨੀਕਾਂ ਵਰਤਦੇ ਹਨ? | [ਪਾਠ](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen | -| 05 | ਰੈਗ੍ਰੈਸ਼ਨ ਦਾ ਪਰਿਚਯ | [ਰੈਗ੍ਰੈਸ਼ਨ](2-Regression/README.md) | ਰੈਗ੍ਰੈਸ਼ਨ ਮਾਡਲਾਂ ਲਈ Python ਅਤੇ Scikit-learn ਨਾਲ ਸ਼ੁਰੂਆਤ ਕਰੋ | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | -| 06 | ਉੱਤਰੀ ਅਮਰੀਕੀ ਕੱਦੂਆਂ ਦੀਆਂ ਕੀਮਤਾਂ 🎃 | [ਰੈਗ੍ਰੈਸ਼ਨ](2-Regression/README.md) | ML ਦੀ ਤਿਆਰੀ ਲਈ ਡੇਟਾ ਨੂੰ ਵਿਜ਼ੂਅਲਾਈਜ਼ ਅਤੇ ਸਾਫ਼ ਕਰੋ | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | -| 07 | ਉੱਤਰੀ ਅਮਰੀਕੀ ਕੱਦੂਆਂ ਦੀਆਂ ਕੀਮਤਾਂ 🎃 | [ਰੈਗ੍ਰੈਸ਼ਨ](2-Regression/README.md) | ਲਿਨੀਅਰ ਅਤੇ ਪੋਲਿਨੋਮਿਆਲ ਰੈਗ੍ਰੈਸ਼ਨ ਮਾਡਲ ਬਣਾਓ | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau | -| 08 | ਉੱਤਰੀ ਅਮਰੀਕੀ ਕੱਦੂਆਂ ਦੀਆਂ ਕੀਮਤਾਂ 🎃 | [ਰੈਗ੍ਰੈਸ਼ਨ](2-Regression/README.md) | ਇੱਕ ਲੋਜਿਸਟਿਕ ਰੈਗ੍ਰੈਸ਼ਨ ਮਾਡਲ ਬਣਾਓ | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | -| 09 | ਇੱਕ ਵੈੱਬ ਐਪ 🔌 | [ਵੈੱਬ ਐਪ](3-Web-App/README.md) | ਆਪਣੇ ਟਰੇਨਡ ਮਾਡਲ ਨੂੰ ਵਰਤਣ ਲਈ ਇੱਕ ਵੈੱਬ ਐਪ ਬਣਾਓ | [Python](3-Web-App/1-Web-App/README.md) | Jen | -| 10 | ਵਰਗੀਕਰਨ ਦਾ ਪਰਿਚਯ | [ਵਰਗੀਕਰਨ](4-Classification/README.md) | ਆਪਣਾ ਡੇਟਾ ਸਾਫ਼, ਤਿਆਰ, ਅਤੇ ਵਿਜ਼ੂਅਲਾਈਜ਼ ਕਰੋ; ਵਰਗੀਕਰਨ ਦਾ ਪਰਿਚਯ | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau | -| 11 | ਸਵਾਦਿਸ਼ਟ ਏਸ਼ੀਆਈ ਤੇ ਭਾਰਤੀ ਖਾਣੇ 🍜 | [ਵਰਗੀਕਰਨ](4-Classification/README.md) | ਕਲਾਸੀਫਾਇਰਾਂ ਦਾ ਪਰਿਚਯ | [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 | ਸਵਾਦਿਸ਼ਟ ਏਸ਼ੀਆਈ ਤੇ ਭਾਰਤੀ ਖਾਣੇ 🍜 | [ਵਰਗੀਕਰਨ](4-Classification/README.md) | ਹੋਰ ਕਲਾਸੀਫਾਇਰ | [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 | ਸਵਾਦਿਸ਼ਟ ਏਸ਼ੀਆਈ ਤੇ ਭਾਰਤੀ ਖਾਣੇ 🍜 | [ਵਰਗੀਕਰਨ](4-Classification/README.md) | ਆਪਣੇ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਰਿਕਮੈਂਡਰ ਵੈੱਬ ਐਪ ਬਣਾਓ | [Python](4-Classification/4-Applied/README.md) | Jen | -| 14 | ਕਲੱਸਟਰਿੰਗ ਦਾ ਪਰਿਚਯ | [ਕਲੱਸਟਰਿੰਗ](5-Clustering/README.md) | ਡੇਟਾ ਸਾਫ਼, ਤਿਆਰ, ਅਤੇ ਵਿਜ਼ੂਅਲਾਈਜ਼ ਕਰੋ; ਕਲੱਸਟਰਿੰਗ ਦਾ ਪਰਿਚਯ | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | -| 15 | ਨਾਈਜੀਰੀਆਈ ਸੰਗੀਤਕ ਰੁਚੀਆਂ ਦੀ ਖੋਜ 🎧 | [ਕਲੱਸਟਰਿੰਗ](5-Clustering/README.md) | K-Means ਕਲੱਸਟਰਿੰਗ ਵਿਧੀ ਦੀ ਖੋਜ | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | -| 16 | ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰਕਿਰਿਆ ਦਾ ਪਰਿਚਯ ☕️ | [ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰਕਿਰਿਆ](6-NLP/README.md) | ਇੱਕ ਸਧਾਰਣ ਬਾਟ ਬਣਾਕੇ NLP ਬਾਰੇ ਬੁਨਿਆਦੀ ਗਿਆਨ ਪ੍ਰਾਪਤ ਕਰੋ | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | -| 17 | ਆਮ NLP ਕੰਮ ☕️ | [ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰਕਿਰਿਆ](6-NLP/README.md) | ਭਾਸ਼ਾਈ ਢਾਂਚਿਆਂ ਨਾਲ ਨਜਿੱਠਣ ਸਮੇਂ ਲੋੜੀਲੇ ਆਮ ਕਾਰਜਾਂ ਨੂੰ ਸਮਝ ਕੇ ਆਪਣੇ NLP ਗਿਆਨ ਨੂੰ ਗਹਿਰਾ ਕਰੋ | [Python](6-NLP/2-Tasks/README.md) | Stephen | -| 18 | ਅਨੁਵਾਦ ਅਤੇ ਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਣ ♥️ | [ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰਕਿਰਿਆ](6-NLP/README.md) | ਜੇਨ ਆਸਟਿਨ ਨਾਲ ਅਨੁਵਾਦ ਅਤੇ ਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਣ | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | -| 19 | ਯੂਰਪ ਦੇ ਰੋਮਾਂਟਿਕ ਹੋਟਲ ♥️ | [ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰਕਿਰਿਆ](6-NLP/README.md) | ਹੋਟਲ ਸਮੀਖਿਆਵਾਂ ਨਾਲ ਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਣ 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | -| 20 | ਯੂਰਪ ਦੇ ਰੋਮਾਂਟਿਕ ਹੋਟਲ ♥️ | [ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰਕਿਰਿਆ](6-NLP/README.md) | ਹੋਟਲ ਸਮੀਖਿਆਵਾਂ ਨਾਲ ਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਣ 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | +| 01 | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਪਰਿਚਯ | [ਪਰਿਚਯ](1-Introduction/README.md) | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਬੁਨਿਆਦੀ ਸਿਧਾਂਤ ਸਮਝੋ | [ਪਾਠ](1-Introduction/1-intro-to-ML/README.md) | Muhammad | +| 02 | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਇਤਿਹਾਸ | [ਪਰਿਚਯ](1-Introduction/README.md) | ਇਸ ਖੇਤਰ ਦੇ ਪਿੱਛੇ ਦੇ ਇਤਿਹਾਸ ਨੂੰ ਜਾਣੋ | [ਪਾਠ](1-Introduction/2-history-of-ML/README.md) | Jen ਅਤੇ Amy | +| 03 | ਨਿਆਂ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ | [ਪਰਿਚਯ](1-Introduction/README.md) | ਨਿਆਂ ਸੰਬੰਧੀ ਕਿਹੜੇ ਅਹਮ ਦਾਰਸ਼ਨਿਕ ਮੁੱਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਬਾਰੇ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ML ਮਾਡਲ ਬਣਾਉਂਦੇ ਅਤੇ ਲਾਗੂ ਕਰਦੇ ਸਮੇਂ ਸੋਚਣਾ ਚਾਹੀਦਾ ਹੈ? | [ਪਾਠ](1-Introduction/3-fairness/README.md) | Tomomi | +| 04 | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀਆਂ ਤਕਨੀਕਾਂ | [ਪਰਿਚਯ](1-Introduction/README.md) | ML ਸ਼ੋਧਕ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਕਿਹੜੀਆਂ ਤਕਨੀਕਾਂ ਵਰਤਦੇ ਹਨ? | [ਪਾਠ](1-Introduction/4-techniques-of-ML/README.md) | Chris ਅਤੇ Jen | +| 05 | ਰਿਗ੍ਰੈਸ਼ਨ ਦਾ ਪਰਿਚਯ | [ਰਿਗ੍ਰੈਸ਼ਨ](2-Regression/README.md) | ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲਾਂ ਲਈ Python ਅਤੇ Scikit-learn ਨਾਲ ਸ਼ੁਰੂਆਤ ਕਰੋ | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | +| 06 | ਉੱਤਰੀ ਅਮਰੀਕਾ ਦੇ ਕਦੂ ਦੇ ਭਾਅ 🎃 | [ਰਿਗ੍ਰੈਸ਼ਨ](2-Regression/README.md) | ML ਲਈ ਤਿਆਰੀ ਵਿੱਚ ਡੇਟਾ ਨੂੰ ਵਿਜ਼ੂਅਲਾਈਜ਼ ਅਤੇ ਸਾਫ਼ ਕਰੋ | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | +| 07 | ਉੱਤਰੀ ਅਮਰੀਕਾ ਦੇ ਕਦੂ ਦੇ ਭਾਅ 🎃 | [ਰਿਗ੍ਰੈਸ਼ਨ](2-Regression/README.md) | ਲਿਨੀਅਰ ਅਤੇ ਪੋਲਿਨੋਮਿਯਲ ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲ ਬਣਾਓ | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen ਅਤੇ Dmitry • Eric Wanjau | +| 08 | ਉੱਤਰੀ ਅਮਰੀਕਾ ਦੇ ਕਦੂ ਦੇ ਭਾਅ 🎃 | [ਰਿਗ੍ਰੈਸ਼ਨ](2-Regression/README.md) | ਲੋਜਿਸਟਿਕ ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲ ਬਣਾਓ | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | +| 09 | ਇੱਕ ਵੈਬ ਐਪ 🔌 | [ਵੈਬ ਐਪ](3-Web-App/README.md) | ਆਪਣੇ ਪ੍ਰਸ਼ਿਕਸ਼ਿਤ ਮਾਡਲ ਨੂੰ ਵਰਤਣ ਲਈ ਇੱਕ ਵੈਬ ਐਪ ਬਣਾਓ | [Python](3-Web-App/1-Web-App/README.md) | Jen | +| 10 | ਕਲਾਸੀਫਿਕੇਸ਼ਨ ਦਾ ਪਰਿਚਯ | [ਕਲਾਸੀਫਿਕੇਸ਼ਨ](4-Classification/README.md) | ਆਪਣੇ ਡੇਟਾ ਨੂੰ ਸਾਫ, ਤਿਆਰ, ਅਤੇ ਵਿਜ਼ੂਅਲਾਈਜ਼ ਕਰੋ; ਕਲਾਸੀਫਿਕੇਸ਼ਨ ਦਾ ਪਰਿਚਯ | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen ਅਤੇ Cassie • Eric Wanjau | +| 11 | ਸੁਆਦਿਸ਼ਟ ਏਸ਼ੀਆਈ ਅਤੇ ਭਾਰਤੀ ਖਾਣੇ 🍜 | [ਕਲਾਸੀਫਿਕੇਸ਼ਨ](4-Classification/README.md) | ਕਲਾਸੀਫਾਇਰਾਂ ਦਾ ਪਰਿਚਯ | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen ਅਤੇ Cassie • Eric Wanjau | +| 12 | ਸੁਆਦਿਸ਼ਟ ਏਸ਼ੀਆਈ ਅਤੇ ਭਾਰਤੀ ਖਾਣੇ 🍜 | [ਕਲਾਸੀਫਿਕੇਸ਼ਨ](4-Classification/README.md) | ਹੋਰ ਕਲਾਸੀਫਾਇਰ | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen ਅਤੇ Cassie • Eric Wanjau | +| 13 | ਸੁਆਦਿਸ਼ਟ ਏਸ਼ੀਆਈ ਅਤੇ ਭਾਰਤੀ ਖਾਣੇ 🍜 | [ਕਲਾਸੀਫਿਕੇਸ਼ਨ](4-Classification/README.md) | ਆਪਣੇ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਰੇਕਮੈਂਡਰ ਵੈਬ ਐਪ ਬਣਾਓ | [Python](4-Classification/4-Applied/README.md) | Jen | +| 14 | ਕਲੱਸਟਰਿੰਗ ਦਾ ਪਰਿਚਯ | [ਕਲੱਸਟਰਿੰਗ](5-Clustering/README.md) | ਆਪਣੇ ਡੇਟਾ ਨੂੰ ਸਾਫ, ਤਿਆਰ, ਅਤੇ ਵਿਜ਼ੂਅਲਾਈਜ਼ ਕਰੋ; ਕਲੱਸਟਰਿੰਗ ਦਾ ਪਰਿਚਯ | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | +| 15 | ਨਾਈਜੀਰੀਆਈ ਸੰਗੀਤਿਕ ਰੁਚੀਆਂ ਦੀ ਖੋਜ 🎧 | [ਕਲੱਸਟਰਿੰਗ](5-Clustering/README.md) | K-Means ਕਲੱਸਟਰਿੰਗ ਤਰੀਕੇ ਦੀ ਖੋਜ | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | +| 16 | ਨੈਚਰਲ ਲੈਂਗਵੇਜ ਪ੍ਰੋਸੈਸਿੰਗ ਦਾ ਪਰਿਚਯ ☕️ | [ਨੈਚਰਲ ਲੈਂਗਵੇਜ ਪ੍ਰੋਸੈਸਿੰਗ](6-NLP/README.md) | ਇੱਕ ਸਧਾਰਣ ਬੌਟ ਬਣਾ ਕੇ NLP ਦੇ ਮੂਲ ਬਿੰਦੂ ਸਿੱਖੋ | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | +| 17 | ਆਮ NLP ਟਾਸਕ ☕️ | [ਨੈਚਰਲ ਲੈਂਗਵੇਜ ਪ੍ਰੋਸੈਸਿੰਗ](6-NLP/README.md) | ਭਾਸ਼ਾਈ ਢਾਂਚਿਆਂ ਨਾਲ ਨਿਪਟਣ ਵੇਲੇ ਲੋੜੀਂਦੇ ਆਮ ਟਾਸਕਾਂ ਨੂੰ ਸਮਝ ਕੇ ਆਪਣੀ NLP ਗਿਆਨ ਨੂੰ ਡੂੰਘਾ ਕਰੋ | [Python](6-NLP/2-Tasks/README.md) | Stephen | +| 18 | ਅਨੁਵਾਦ ਅਤੇ ਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਣ ♥️ | [ਨੈਚਰਲ ਲੈਂਗਵੇਜ ਪ੍ਰੋਸੈਸਿੰਗ](6-NLP/README.md) | Jane Austen ਨਾਲ ਅਨੁਵਾਦ ਅਤੇ ਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਣ | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | +| 19 | ਯੂਰਪ ਦੇ ਰੋਮਾਂਟਿਕ ਹੋਟਲ ♥️ | [ਨੈਚਰਲ ਲੈਂਗਵੇਜ ਪ੍ਰੋਸੈਸਿੰਗ](6-NLP/README.md) | ਹੋਟਲ ਸਮੀਖਿਆਵਾਂ ਨਾਲ ਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਣ 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | +| 20 | ਯੂਰਪ ਦੇ ਰੋਮਾਂਟਿਕ ਹੋਟਲ ♥️ | [ਨੈਚਰਲ ਲੈਂਗਵੇਜ ਪ੍ਰੋਸੈਸਿੰਗ](6-NLP/README.md) | ਹੋਟਲ ਸਮੀਖਿਆਵਾਂ ਨਾਲ ਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਣ 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | | 21 | ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ ਦਾ ਪਰਿਚਯ | [ਟਾਈਮ ਸੀਰੀਜ਼](7-TimeSeries/README.md) | ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ ਦਾ ਪਰਿਚਯ | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | -| 22 | ⚡️ ਦੁਨੀਆ ਦੀ ਬਿਜਲੀ ਖਪਤ ⚡️ - ARIMA ਨਾਲ ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ | [ਟਾਈਮ ਸੀਰੀਜ਼](7-TimeSeries/README.md) | ARIMA ਨਾਲ ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | -| 23 | ⚡️ ਦੁਨੀਆ ਦੀ ਬਿਜਲੀ ਖਪਤ ⚡️ - SVR ਨਾਲ ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ | [ਟਾਈਮ ਸੀਰੀਜ਼](7-TimeSeries/README.md) | Support Vector Regressor ਨਾਲ ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | +| 22 | ⚡️ ਦੁਨਿਆ ਭਰ ਦੀ ਬਿਜਲੀ ਵਰਤੋਂ ⚡️ - ARIMA ਨਾਲ ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ | [ਟਾਈਮ ਸੀਰੀਜ਼](7-TimeSeries/README.md) | ARIMA ਨਾਲ ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | +| 23 | ⚡️ ਦੁਨਿਆ ਭਰ ਦੀ ਬਿਜਲੀ ਵਰਤੋਂ ⚡️ - SVR ਨਾਲ ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ | [ਟਾਈਮ ਸੀਰੀਜ਼](7-TimeSeries/README.md) | Support Vector Regressor ਨਾਲ ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | | 24 | ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਦਾ ਪਰਿਚਯ | [ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ](8-Reinforcement/README.md) | Q-Learning ਨਾਲ ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਦਾ ਪਰਿਚਯ | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | -| 25 | ਪੀਟਰ ਨੂੰ ਭੇਡੀਆ ਤੋਂ ਬਚਾਓ! 🐺 | [ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ](8-Reinforcement/README.md) | ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | -| Postscript | ਵਾਸਤਵਿਕ ਦੁਨੀਆ ਵਿੱਚ ML ਦੇ ਦ੍ਰਿਸ਼ ਅਤੇ ਉਪਯੋਗ | [ਵਾਸਤਵਿਕ ਦੁਨੀਆ ਵਿੱਚ ML](9-Real-World/README.md) | ਕਲਾਸਿਕਲ ML ਦੇ ਦਿਲਚਸਪ ਅਤੇ ਖੁਲਾਸਾ ਕਰਨ ਵਾਲੇ ਵਾਸਤਵਿਕ ਉਪਯੋਗ | [ਪਾਠ](9-Real-World/1-Applications/README.md) | Team | -| Postscript | RAI ਡੈਸ਼ਬੋਰਡ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ML ਵਿੱਚ ਮਾਡਲ ਡੀਬੱਗਿੰਗ | [ਵਾਸਤਵਿਕ ਦੁਨੀਆ ਵਿੱਚ ML](9-Real-World/README.md) | Responsible AI ਡੈਸ਼ਬੋਰਡ ਕੰਪੋਨੈਂਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ ਮਾਡਲ ਡੀਬੱਗਿੰਗ | [ਪਾਠ](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | +| 25 | Peter ਨੂੰ ਭੇੜੀ ਤੋਂ ਬਚਾਓ! 🐺 | [ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ](8-Reinforcement/README.md) | ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਜਿਮ | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | +| Postscript | ਰੀਅਲ-ਵਰਲਡ ML ਸਿਨਾਰਿਓਜ਼ ਅਤੇ ਉਪਯੋਗ | [ML in the Wild](9-Real-World/README.md) | ਕਲਾਸਿਕ ML ਦੇ ਦਿਲਚਸਪ ਅਤੇ ਸਾਫ਼-ਦਿਖਾਏ ਅਸਲ ਦੁਨੀਆ ਉਪਯੋਗ | [ਪਾਠ](9-Real-World/1-Applications/README.md) | ਟੀਮ | +| Postscript | RAI ਡੈਸ਼ਬੋਰਡ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ML ਵਿੱਚ ਮਾਡਲ ਡੀਬੱਗਿੰਗ | [ML in the Wild](9-Real-World/README.md) | Responsible AI ਡੈਸ਼ਬੋਰਡ ਹਿੱਸਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ ਮਾਡਲ ਡੀਬੱਗਿੰਗ | [ਪਾਠ](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | -> [ਇਸ ਕੋਰਸ ਲਈ ਸਾਰੇ ਹੋਰ ਸਰੋਤ ਸਾਡੇ Microsoft Learn ਸੰਗ੍ਰਹਿ ਵਿੱਚ ਲੱਭੋ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) +> [ਇਸ ਕੋਰਸ ਲਈ ਸਾਰੇ ਵਾਧੂ ਸਰੋਤਾਂ ਨੂੰ ਸਾਡੇ Microsoft Learn ਸੰਗ੍ਰਹਿ ਵਿੱਚ ਲੱਭੋ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) ## ਆਫਲਾਈਨ ਪਹੁੰਚ -ਤੁਸੀਂ ਇਸ ਡੌਕੂਮੈਂਟੇਸ਼ਨ ਨੂੰ [Docsify](https://docsify.js.org/#/) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਆਫਲਾਈਨ ਚਲਾ ਸਕਦੇ ਹੋ। ਇਸ ਰੇਪੋ ਨੂੰ ਫੋਰਕ ਕਰੋ, ਆਪਣੇ ਲੋਕਲ ਮਸ਼ੀਨ 'ਤੇ [Docsify ਨੂੰ ਇੰਸਟਾਲ ਕਰੋ](https://docsify.js.org/#/quickstart), ਅਤੇ ਫਿਰ ਇਸ ਰੇਪੋ ਦੇ ਰੂਟ ਫੋਲਡਰ ਵਿੱਚ, `docsify serve` ਲਿਖੋ। ਵੈੱਬਸਾਈਟ ਤੁਹਾਡੇ ਲੋਕਲਹੋਸਟ 'ਤੇ ਪੋਰਟ 3000 'ਤੇ ਸੇਰਵ ਕੀਤੀ ਜਾਏਗੀ: `localhost:3000`. +ਤੁਸੀਂ ਇਹ ਦਸਤਾਵੇਜ਼ ਆਫਲਾਈਨ ਚਲਾ ਸਕਦੇ ਹੋ [Docsify](https://docsify.js.org/#/) ਦੀ ਵਰਤੋਂ ਕਰਕੇ। ਇਸ ਰੇਪੋ ਨੂੰ Fork ਕਰੋ, ਆਪਣੇ ਲੋਕਲ ਮਸ਼ੀਨ 'ਤੇ [Docsify](https://docsify.js.org/#/quickstart) ਇੰਸਟਾਲ ਕਰੋ, ਅਤੇ ਫਿਰ ਇਸ ਰੇਪੋ ਦੇ ਰੂਟ ਫੋਲਡਰ ਵਿੱਚ `docsify serve` ਟਾਈਪ ਕਰੋ। ਵੈਬਸਾਈਟ ਤੁਹਾਡੇ localhost ਤੇ ਪੋਰਟ 3000 'ਤੇ ਸਰਵ ਹੋਵੇਗੀ: `localhost:3000`. -## PDF ਫਾਈਲਾਂ +## ਪੀਡੀਐਫ -ਲਿੰਕਾਂ ਸਮੇਤ ਕਰਿਕੁਲਮ ਦਾ PDF [ਇੱਥੇ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) ਲੱਭੋ। +ਕਰੀਕੁਲਮ ਦਾ ਇੱਕ ਪੀਡੀਐਫ ਲਿੰਕਾਂ ਸਮੇਤ [ਇੱਥੇ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) ਲੱਭੋ。 ## 🎒 ਹੋਰ ਕੋਰਸ -ਸਾਡੀ ਟੀਮ ਹੋਰ ਕੋਰਸ ਵੀ ਬਣਾਉਂਦੀ ਹੈ! ਵੇਖੋ: +ਸਾਡੀ ਟੀਮ ਹੋਰ ਕੋਰਸ ਤਿਆਰ ਕਰਦੀ ਹੈ! ਵੇਖੋ: ### LangChain -[![LangChain4j for Beginners](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) -[![LangChain.js for Beginners](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) +[![LangChain4j ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) +[![LangChain.js ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) --- ### Azure / Edge / MCP / Agents -[![AZD for Beginners](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Edge AI for Beginners](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![MCP for Beginners](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) -[![AI Agents for Beginners](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AZD ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Edge AI ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![MCP ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AI Agents ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) --- ### Generative AI Series -[![Generative AI for Beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Generative AI ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) [![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) -[![ਜਨਰੇਟਿਵ AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) -[![ਜਨਰੇਟਿਵ AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) +[![ਜਨਰੇਟਿਵ ਏਆਈ (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) +[![ਜਨਰੇਟਿਵ ਏਆਈ (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) --- ### ਮੁੱਖ ਸਿੱਖਿਆ -[![ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ ML](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) -[![ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ ਡੇਟਾ ਸਾਇੰਸ](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) -[![ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ AI](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) -[![ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ ਸਾਈਬਰਸੁਰੱਖਿਆ](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) -[![ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ ਵੈੱਬ ਡੈਵ](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) -[![ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ IoT](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) -[![ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ XR ਵਿਕਾਸ](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) +[![ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ ML](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) +[![ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ ਡੇਟਾ ਵਿਗਿਆਨ](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) +[![ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ ਏਆਈ](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) +[![ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ ਸਾਇਬਰਸੁਰੱਖਿਆ](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) +[![ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ ਵੈੱਬ ਡਿਵੈਲਪਮੈਂਟ](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) +[![ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ IoT](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) +[![ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ XR ਵਿਕਾਸ](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### Copilot ਸਿਰੀਜ਼ -[![AI ਪੇਅਰ ਪ੍ਰੋਗ੍ਰਾਮਿੰਗ ਲਈ Copilot](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) -[![C#/.NET ਲਈ Copilot](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) -[![Copilot ਐਡਵੈਂਚਰ](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) +### Copilot ਸੀਰੀਜ਼ +[![Copilot - AI ਜੋੜੀ ਪ੍ਰੋਗ੍ਰਾਮਿੰਗ ਲਈ](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) +[![Copilot - C#/.NET ਲਈ](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) +[![Copilot ਅਡਵੈਂਚਰ](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) -## ਮਦਦ ਲੈਣਾ +## ਮਦਦ ਲਓ -ਜੇ ਤੁਸੀਂ ਫੱਸ ਜਾਂਦੇ ਹੋ ਜਾਂ AI ਐਪ ਬਣਾਉਣ ਬਾਰੇ ਤੁਹਾਨੂੰ ਕੋਈ ਸਵਾਲ ਹਨ। MCP ਬਾਰੇ ਚਰਚਾਂ ਵਿੱਚ ਹੋਰ ਸਿੱਖਣ ਵਾਲੇ ਅਤੇ ਅਨੁਭਵੀ ਡਿਵੈਲਪਰਾਂ ਨਾਲ ਸ਼ਾਮਿਲ ਹੋਵੋ। ਇਹ ਇਕ ਸਹਿਯੋਗੀ ਕਮਿਊਨਿਟੀ ਹੈ ਜਿੱਥੇ ਸਵਾਲਾਂ ਦਾ ਸੁਆਗਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਗਿਆਨ ਖੁੱਲ੍ਹ ਕੇ ਸਾਂਝਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। +ਜੇ ਤੁਸੀਂ ਅਟਕ ਜਾਂ AI ਐਪ ਬਣਾਉਣ ਬਾਰੇ ਕੋਈ ਸਵਾਲ ਹੋਣ, ਤਾਂ MCP ਬਾਰੇ ਚਰਚਾ ਕਰਨ ਵਾਲੇ ਹੋਰ ਸਿੱਖਣ ਵਾਲਿਆਂ ਅਤੇ ਤਜ਼ਰਬੇਕਾਰ ਡਿਵੈਲਪਰਾਂ ਨਾਲ ਜੁੜੋ। ਇਹ ਇੱਕ ਸਹਾਇਕ ਕਮਿਊਨਿਟੀ ਹੈ ਜਿੱਥੇ ਸਵਾਲਾਂ ਦਾ ਸਵਾਗਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਗਿਆਨ ਖੁਲ ਕੇ ਸਾਂਝਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। -[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +[![Microsoft Foundry ਡਿਸਕੋਰਡ](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -ਜੇ ਤੁਹਾਡੇ ਕੋਲ ਉਤਪਾਦ ਬਾਰੇ ਫੀਡਬੈਕ ਜਾਂ ਨਿਰਮਾਣ ਦੌਰਾਨ ਕੋਈ ਗਲਤੀਆਂ ਹੋਣ ਤਾਂ ਇੱਥੇ ਜਾਓ: +ਜੇ ਤੁਹਾਡੇ ਕੋਲ ਉਤਪਾਦ ਸੰਬੰਧੀ ਫੀਡਬੈਕ ਜਾਂ ਬਿਲਡ ਕਰਦੇ ਸਮੇਂ ਕੋਈ ਗਲਤੀ ਹੋਵੇ ਤਾਂ ਜਾਓ: [![Microsoft Foundry ਡਿਵੈਲਪਰ ਫੋਰਮ](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) --- -ਅਸਵੀਕਾਰ: -ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਨਾਲ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਹਾਲਾਂਕਿ ਅਸੀਂ ਸ਼ੁੱਧਤਾ ਲਈ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਰੱਖੋ ਕਿ ਆਟੋਮੇਟਿਕ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਣਸ਼ੁੱਧਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਿਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਹੋਣ ਵਾਲੀਆਂ ਕਿਸੇ ਵੀ ਗਲਤਫਹਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ। +ਜ਼ਿੰਮੇਵਾਰੀ ਅਸਵੀਕਾਰ: +ਇਸ ਦਸਤਾਵੇਜ਼ ਦਾ ਅਨੁਵਾਦ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਗਿਆ ਹੈ। ਅਸੀਂ ਸ਼ੁੱਧਤਾ ਲਈ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਪਰ ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਰੱਖੋ ਕਿ ਆਟੋਮੇਟਿਕ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸਪਸ਼ਟਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼, ਜਿਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਹੈ, ਨੂੰ ਅਧਿਕਾਰਿਕ ਸਰੋਤ ਵਜੋਂ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਣ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫ਼ਾਰਿਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਉੱਠਣ ਵਾਲੀਆਂ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀਆਂ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆਵਾਂ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ। \ No newline at end of file diff --git a/translations/pcm/1-Introduction/1-intro-to-ML/README.md b/translations/pcm/1-Introduction/1-intro-to-ML/README.md index 99c8f7fe1..cab34c4c2 100644 --- a/translations/pcm/1-Introduction/1-intro-to-ML/README.md +++ b/translations/pcm/1-Introduction/1-intro-to-ML/README.md @@ -42,7 +42,7 @@ Di word 'machine learning' na one of di popular and common words wey people dey --- ## Di hype curve -![ml hype curve](../../../../translated_images/hype.07183d711a17aafe70915909a0e45aa286ede136ee9424d418026ab00fec344c.pcm.png) +![ml hype curve](../../../../translated_images/hype.07183d711a17aafe.pcm.png) > 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 -![AI, ML, deep learning, data science](../../../../translated_images/ai-ml-ds.537ea441b124ebf69c144a52c0eb13a7af63c4355c2f92f440979380a2fb08b8.pcm.png) +![AI, ML, deep learning, data science](../../../../translated_images/ai-ml-ds.537ea441b124ebf6.pcm.png) > 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) diff --git a/translations/pcm/1-Introduction/2-history-of-ML/README.md b/translations/pcm/1-Introduction/2-history-of-ML/README.md index cc4f42177..5e708211e 100644 --- a/translations/pcm/1-Introduction/2-history-of-ML/README.md +++ b/translations/pcm/1-Introduction/2-history-of-ML/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # History of machine learning -![Summary of History of machine learning in a sketchnote](../../../../translated_images/ml-history.a1bdfd4ce1f464d9a0502f38d355ffda384c95cd5278297a46c9a391b5053bc4.pcm.png) +![Summary of History of machine learning in a sketchnote](../../../../translated_images/ml-history.a1bdfd4ce1f464d9.pcm.png) > Sketchnote by [Tomomi Imura](https://www.twitter.com/girlie_mac) ## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ml/) @@ -71,14 +71,14 @@ Research dey well funded by government agencies, progress dey for computation an * [Shakey di robot](https://wikipedia.org/wiki/Shakey_the_robot), wey fit move and decide how e go do tasks 'intelligently'. - ![Shakey, an intelligent robot](../../../../translated_images/shakey.4dc17819c447c05bf4b52f76da0bdd28817d056fdb906252ec20124dd4cfa55e.pcm.jpg) + ![Shakey, an intelligent robot](../../../../translated_images/shakey.4dc17819c447c05b.pcm.jpg) > Shakey for 1972 --- * Eliza, one early 'chatterbot', fit talk with people and act like one basic 'therapist'. You go learn more about Eliza for di NLP lessons. - ![Eliza, a bot](../../../../translated_images/eliza.84397454cda9559bb5ec296b5b8fff067571c0cccc5405f9c1ab1c3f105c075c.pcm.png) + ![Eliza, a bot](../../../../translated_images/eliza.84397454cda9559b.pcm.png) > One version of Eliza, one chatbot --- diff --git a/translations/pcm/1-Introduction/3-fairness/README.md b/translations/pcm/1-Introduction/3-fairness/README.md index 9407f5a17..e7e6d2c60 100644 --- a/translations/pcm/1-Introduction/3-fairness/README.md +++ b/translations/pcm/1-Introduction/3-fairness/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # How to Build Machine Learning Solutions Wey Get Responsible AI -![Summary of responsible AI in Machine Learning in a sketchnote](../../../../translated_images/ml-fairness.ef296ebec6afc98a44566d7b6c1ed18dc2bf1115c13ec679bb626028e852fa1d.pcm.png) +![Summary of responsible AI in Machine Learning in a sketchnote](../../../../translated_images/ml-fairness.ef296ebec6afc98a.pcm.png) > Sketchnote by [Tomomi Imura](https://www.twitter.com/girlie_mac) ## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ml/) @@ -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](../../../../translated_images/gender-bias-translate-en-tr.f185fd8822c2d4372912f2b690f6aaddd306ffbb49d795ad8d12a4bf141e7af0.pcm.png) +![translation to Turkish](../../../../translated_images/gender-bias-translate-en-tr.f185fd8822c2d437.pcm.png) > translation to Turkish -![translation back to English](../../../../translated_images/gender-bias-translate-tr-en.4eee7e3cecb8c70e13a8abbc379209bc8032714169e585bdeac75af09b1752aa.pcm.png) +![translation back to English](../../../../translated_images/gender-bias-translate-tr-en.4eee7e3cecb8c70e.pcm.png) > 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. -[![Leading AI Researcher Warns of Mass Surveillance Through Facial Recognition](../../../../translated_images/accountability.41d8c0f4b85b6231301d97f17a450a805b7a07aaeb56b34015d71c757cad142e.pcm.png)](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI") +[![Leading AI Researcher Warns of Mass Surveillance Through Facial Recognition](../../../../translated_images/accountability.41d8c0f4b85b6231.pcm.png)](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 diff --git a/translations/pcm/1-Introduction/4-techniques-of-ML/README.md b/translations/pcm/1-Introduction/4-techniques-of-ML/README.md index 15d5ef3fd..e18828a4b 100644 --- a/translations/pcm/1-Introduction/4-techniques-of-ML/README.md +++ b/translations/pcm/1-Introduction/4-techniques-of-ML/README.md @@ -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. -![overfitting model](../../../../translated_images/overfitting.1c132d92bfd93cb63240baf63ebdf82c30e30a0a44e1ad49861b82ff600c2b5c.pcm.png) +![overfitting model](../../../../translated_images/overfitting.1c132d92bfd93cb6.pcm.png) > Infographic by [Jen Looper](https://twitter.com/jenlooper) ## Parameter tuning diff --git a/translations/pcm/1-Introduction/README.md b/translations/pcm/1-Introduction/README.md index 92eb760e3..014314f48 100644 --- a/translations/pcm/1-Introduction/README.md +++ b/translations/pcm/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 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! -![globe](../../../translated_images/globe.59f26379ceb40428672b4d9a568044618a2bf6292ecd53a5c481b90e3fa805eb.pcm.jpg) +![globe](../../../translated_images/globe.59f26379ceb40428.pcm.jpg) > Foto by Bill Oxford for Unsplash ### Lessons diff --git a/translations/pcm/2-Regression/1-Tools/README.md b/translations/pcm/2-Regression/1-Tools/README.md index 35e8c7f07..c1e3f1ec6 100644 --- a/translations/pcm/2-Regression/1-Tools/README.md +++ b/translations/pcm/2-Regression/1-Tools/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Start wit Python and Scikit-learn for regression models -![Summary of regressions in a sketchnote](../../../../translated_images/ml-regression.4e4f70e3b3ed446e3ace348dec973e133fa5d3680fbc8412b61879507369b98d.pcm.png) +![Summary of regressions in a sketchnote](../../../../translated_images/ml-regression.4e4f70e3b3ed446e.pcm.png) > Sketchnote by [Tomomi Imura](https://www.twitter.com/girlie_mac) @@ -81,7 +81,7 @@ For dis folder, you go see di file _notebook.ipynb_. hello notebook ``` -![VS Code wit notebook open](../../../../translated_images/notebook.4a3ee31f396b88325607afda33cadcc6368de98040ff33942424260aa84d75f2.pcm.jpg) +![VS Code wit notebook open](../../../../translated_images/notebook.4a3ee31f396b8832.pcm.jpg) 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() ``` - ![scatterplot wey dey show datapoints about diabetes](../../../../translated_images/scatterplot.ad8b356bcbb33be68d54050e09b9b7bfc03e94fde7371f2609ae43f4c563b2d7.pcm.png) + ![scatterplot wey dey show datapoints about diabetes](../../../../translated_images/scatterplot.ad8b356bcbb33be6.pcm.png) ✅ 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! diff --git a/translations/pcm/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/pcm/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index f27ab5fbf..c2f76e40f 100644 --- a/translations/pcm/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/pcm/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -46,7 +46,7 @@ "So, make we start dis task!\n", "\n", "

\n", - " \n", "

Artwork by @allison_horst
\n" ], diff --git a/translations/pcm/2-Regression/2-Data/README.md b/translations/pcm/2-Regression/2-Data/README.md index 60de55979..225499c90 100644 --- a/translations/pcm/2-Regression/2-Data/README.md +++ b/translations/pcm/2-Regression/2-Data/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Build regression model wit Scikit-learn: prepare and show data -![Data visualization infographic](../../../../translated_images/data-visualization.54e56dded7c1a804d00d027543f2881cb32da73aeadda2d4a4f10f3497526114.pcm.png) +![Data visualization infographic](../../../../translated_images/data-visualization.54e56dded7c1a804.pcm.png) 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() ``` - ![A scatterplot showing price to month relationship](../../../../translated_images/scatterplot.b6868f44cbd2051c6680ccdbb1510697d06a3ff6cd4abda656f5009c0ed4e3fc.pcm.png) + ![A scatterplot showing price to month relationship](../../../../translated_images/scatterplot.b6868f44cbd2051c.pcm.png) 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") ``` - ![A bar chart showing price to month relationship](../../../../translated_images/barchart.a833ea9194346d769c77a3a870f7d8aee51574cd1138ca902e5500830a41cbce.pcm.png) + ![A bar chart showing price to month relationship](../../../../translated_images/barchart.a833ea9194346d76.pcm.png) 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?