From 4db601e560594ca902fb15b37b6be773c2a33275 Mon Sep 17 00:00:00 2001 From: "localizeflow[bot]" Date: Thu, 1 Jan 2026 14:42:00 +0000 Subject: [PATCH] chore(i18n): sync translations with latest source changes (chunk 89/173, 100 files) --- .../solution/R/lesson_10-R.ipynb | 10 +- .../2-Classifiers-1/README.md | 6 +- .../solution/R/lesson_11-R.ipynb | 4 +- .../3-Classifiers-2/README.md | 2 +- .../solution/R/lesson_12-R.ipynb | 6 +- .../ta/4-Classification/4-Applied/README.md | 4 +- translations/ta/4-Classification/README.md | 2 +- .../ta/5-Clustering/1-Visualize/README.md | 16 +- .../1-Visualize/solution/R/lesson_14-R.ipynb | 6 +- .../ta/5-Clustering/2-K-Means/README.md | 10 +- .../2-K-Means/solution/R/lesson_15-R.ipynb | 6 +- translations/ta/5-Clustering/README.md | 2 +- .../ta/6-NLP/1-Introduction-to-NLP/README.md | 2 +- translations/ta/6-NLP/2-Tasks/README.md | 6 +- .../6-NLP/3-Translation-Sentiment/README.md | 2 +- translations/ta/6-NLP/README.md | 2 +- .../ta/7-TimeSeries/1-Introduction/README.md | 8 +- .../ta/7-TimeSeries/2-ARIMA/README.md | 10 +- translations/ta/7-TimeSeries/3-SVR/README.md | 10 +- translations/ta/7-TimeSeries/README.md | 2 +- .../ta/8-Reinforcement/1-QLearning/README.md | 12 +- .../ta/8-Reinforcement/2-Gym/README.md | 8 +- .../ta/8-Reinforcement/2-Gym/assignment.md | 2 +- translations/ta/8-Reinforcement/README.md | 2 +- .../ta/9-Real-World/1-Applications/README.md | 2 +- .../2-Debugging-ML-Models/README.md | 12 +- translations/ta/9-Real-World/README.md | 2 +- translations/ta/README.md | 227 +++++++++--------- .../te/1-Introduction/1-intro-to-ML/README.md | 4 +- .../1-Introduction/2-history-of-ML/README.md | 6 +- .../te/1-Introduction/3-fairness/README.md | 8 +- .../4-techniques-of-ML/README.md | 2 +- translations/te/1-Introduction/README.md | 2 +- .../te/2-Regression/1-Tools/README.md | 6 +- .../1-Tools/solution/R/lesson_1-R.ipynb | 4 +- translations/te/2-Regression/2-Data/README.md | 6 +- .../2-Data/solution/R/lesson_2-R.ipynb | 10 +- .../te/2-Regression/3-Linear/README.md | 22 +- .../3-Linear/solution/R/lesson_3-R.ipynb | 16 +- .../te/2-Regression/4-Logistic/README.md | 16 +- .../4-Logistic/solution/R/lesson_4-R.ipynb | 6 +- translations/te/2-Regression/README.md | 2 +- translations/te/3-Web-App/README.md | 2 +- .../4-Classification/1-Introduction/README.md | 16 +- .../solution/R/lesson_10-R.ipynb | 10 +- .../2-Classifiers-1/README.md | 6 +- .../solution/R/lesson_11-R.ipynb | 4 +- .../3-Classifiers-2/README.md | 2 +- .../solution/R/lesson_12-R.ipynb | 6 +- .../te/4-Classification/4-Applied/README.md | 4 +- translations/te/4-Classification/README.md | 2 +- .../te/5-Clustering/1-Visualize/README.md | 16 +- .../1-Visualize/solution/R/lesson_14-R.ipynb | 6 +- .../te/5-Clustering/2-K-Means/README.md | 10 +- .../2-K-Means/solution/R/lesson_15-R.ipynb | 6 +- translations/te/5-Clustering/README.md | 2 +- .../te/6-NLP/1-Introduction-to-NLP/README.md | 2 +- translations/te/6-NLP/2-Tasks/README.md | 6 +- .../6-NLP/3-Translation-Sentiment/README.md | 2 +- translations/te/6-NLP/README.md | 2 +- .../te/7-TimeSeries/1-Introduction/README.md | 8 +- .../te/7-TimeSeries/2-ARIMA/README.md | 10 +- translations/te/7-TimeSeries/3-SVR/README.md | 10 +- translations/te/7-TimeSeries/README.md | 2 +- .../te/8-Reinforcement/1-QLearning/README.md | 12 +- .../te/8-Reinforcement/2-Gym/README.md | 8 +- .../te/8-Reinforcement/2-Gym/assignment.md | 2 +- translations/te/8-Reinforcement/README.md | 2 +- .../te/9-Real-World/1-Applications/README.md | 2 +- .../2-Debugging-ML-Models/README.md | 16 +- translations/te/9-Real-World/README.md | 2 +- translations/te/README.md | 206 ++++++++-------- translations/th/README.md | 171 ++++++------- translations/tl/1-Introduction/README.md | 2 +- .../1-Tools/solution/R/lesson_1-R.ipynb | 2 +- .../2-Data/solution/R/lesson_2-R.ipynb | 6 +- .../3-Linear/solution/R/lesson_3-R.ipynb | 10 +- .../4-Logistic/solution/R/lesson_4-R.ipynb | 6 +- translations/tl/2-Regression/README.md | 2 +- translations/tl/3-Web-App/README.md | 2 +- translations/tl/4-Classification/README.md | 2 +- translations/tl/5-Clustering/README.md | 2 +- translations/tl/6-NLP/README.md | 2 +- translations/tl/7-TimeSeries/README.md | 2 +- translations/tl/8-Reinforcement/README.md | 2 +- translations/tl/9-Real-World/README.md | 2 +- translations/tl/README.md | 170 ++++++------- translations/tr/README.md | 166 +++++++------ translations/tw/1-Introduction/README.md | 2 +- .../1-Tools/solution/R/lesson_1-R.ipynb | 2 +- .../2-Data/solution/R/lesson_2-R.ipynb | 6 +- .../3-Linear/solution/R/lesson_3-R.ipynb | 10 +- .../4-Logistic/solution/R/lesson_4-R.ipynb | 6 +- translations/tw/2-Regression/README.md | 2 +- translations/tw/3-Web-App/README.md | 2 +- translations/tw/4-Classification/README.md | 2 +- translations/tw/5-Clustering/README.md | 2 +- translations/tw/6-NLP/README.md | 2 +- translations/tw/7-TimeSeries/README.md | 2 +- translations/tw/8-Reinforcement/README.md | 2 +- 100 files changed, 732 insertions(+), 734 deletions(-) diff --git a/translations/ta/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb b/translations/ta/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb index cd16a11f8..d78242f88 100644 --- a/translations/ta/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb +++ b/translations/ta/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb @@ -39,7 +39,7 @@ "இந்த நான்கு பாடங்களில், பாரம்பரிய இயந்திரக் கற்றலின் அடிப்படை அம்சமான *வகைப்பாட்டை* நீங்கள் ஆராய்வீர்கள். ஆசியா மற்றும் இந்தியாவின் அனைத்து அற்புதமான சமையல்களையும் பற்றிய தரவுத்தொகுப்புடன் பல்வேறு வகைப்பாட்டு அல்காரிதங்களைப் பயன்படுத்தி நாம் பயணிக்கப் போகிறோம். உங்களுக்குப் பசிக்கிறது என்று நம்புகிறேன்!\n", "\n", "

\n", - " \n", "

இந்த பாடங்களில் பான்-ஆசிய சமையல்களை கொண்டாடுங்கள்! படம்: ஜென் லூப்பர்
\n", "\n", @@ -62,7 +62,7 @@ "இந்த செயல்முறையை ஒரு விஞ்ஞான ரீதியாக கூறுவதானால், உங்கள் வகைப்பாட்டு முறை ஒரு கணிப்புப் மாதிரியை உருவாக்குகிறது, இது உள்ளீட்டு மாறிலிகளுக்கும் வெளியீட்டு மாறிலிகளுக்கும் இடையிலான தொடர்பை வரைபடமாக்க உதவுகிறது.\n", "\n", "

\n", - " \n", "

வகைப்பாட்டு அல்காரிதங்களுக்கு கையாள இரட்டை மற்றும் பலவகை பிரச்சினைகள். இன்ஃபோகிராபிக்: ஜென் லூப்பர்
\n", "\n", @@ -222,7 +222,7 @@ "> ஒரு [tibble](https://tibble.tidyverse.org/) என்பது நவீன தரவுப் பட்டியல் ஆகும்.\n", "\n", "

\n", - " \n", "

@allison_horst அவர்களின் படைப்புகள்
\n" ], @@ -512,7 +512,7 @@ "## தரவுகளை முன்கூட்டியே செயலாக்கம் செய்வது - சமநிலையற்ற தரவுகளை கையாளுதல் ⚖️\n", "\n", "

\n", - " \n", "

@allison_horst அவர்களின் கலைப்பணி
\n", "\n", @@ -707,7 +707,7 @@ "[Cassie Breviu](https://www.twitter.com/cassieview) மற்றும் [Jen Looper](https://www.twitter.com/jenlooper) இந்த தொகுதியின் அசல் Python பதிப்பை உருவாக்கியதற்காக ♥️\n", "\n", "

\n", - " \n", "

@allison_horst அவர்களின் கலைப்பணி
\n" ], diff --git a/translations/ta/4-Classification/2-Classifiers-1/README.md b/translations/ta/4-Classification/2-Classifiers-1/README.md index e151be20f..5a8cf0b40 100644 --- a/translations/ta/4-Classification/2-Classifiers-1/README.md +++ b/translations/ta/4-Classification/2-Classifiers-1/README.md @@ -106,7 +106,7 @@ Scikit-learn வகைப்படுத்தலை Supervised Learning கீ அப்படியென்றால், எந்த வகைப்படுத்தியை நீங்கள் தேர்ந்தெடுக்க வேண்டும்? பலவற்றைச் சோதித்து நல்ல முடிவைத் தேடுவது ஒரு வழியாக இருக்கலாம். Scikit-learn ஒரு [பக்கமொத்த ஒப்பீட்டை](https://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html) வழங்குகிறது, KNeighbors, SVC இரண்டு வழிகள், GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB மற்றும் QuadraticDiscrinationAnalysis ஆகியவற்றை ஒப்பிட்டு, முடிவுகளை காட்சிப்படுத்துகிறது: -![வகைப்படுத்திகளின் ஒப்பீடு](../../../../translated_images/comparison.edfab56193a85e7fdecbeaa1b1f8c99e94adbf7178bed0de902090cf93d6734f.ta.png) +![வகைப்படுத்திகளின் ஒப்பீடு](../../../../translated_images/comparison.edfab56193a85e7f.ta.png) > Scikit-learn ஆவணங்களில் உருவாக்கப்பட்ட வரைபடங்கள் > AutoML இந்தப் பிரச்சினையை எளிதாகத் தீர்க்கிறது, இந்த ஒப்பீடுகளை மேகத்தில் இயக்கி, உங்கள் தரவுக்கான சிறந்த ஆல்கொரிதத்தைத் தேர்ந்தெடுக்க அனுமதிக்கிறது. [இங்கே முயற்சிக்கவும்](https://docs.microsoft.com/learn/modules/automate-model-selection-with-azure-automl/?WT.mc_id=academic-77952-leestott) @@ -115,7 +115,7 @@ Scikit-learn வகைப்படுத்தலை Supervised Learning கீ குறிப்பிட்ட ஆல்கொரிதத்தைத் தேர்ந்தெடுப்பதற்கான ஒரு சிறந்த வழி, இந்த பதிவிறக்கக்கூடிய [ML Cheat sheet](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott) ஐப் பின்பற்றுவது. இங்கே, நமது multiclass பிரச்சினைக்கான சில தேர்வுகளை காணலாம்: -![multiclass பிரச்சினைகளுக்கான cheat sheet](../../../../translated_images/cheatsheet.07a475ea444d22234cb8907a3826df5bdd1953efec94bd18e4496f36ff60624a.ta.png) +![multiclass பிரச்சினைகளுக்கான cheat sheet](../../../../translated_images/cheatsheet.07a475ea444d2223.ta.png) > Microsoft's Algorithm Cheat Sheet இன் ஒரு பகுதி, multiclass வகைப்படுத்தல் விருப்பங்களை விவரிக்கிறது ✅ இந்த cheat sheet ஐ பதிவிறக்கி, அச்சிட்டு, உங்கள் சுவரில் தொங்கவிடுங்கள்! @@ -146,7 +146,7 @@ Scikit-learn வகைப்படுத்தலை Supervised Learning கீ Scikit-learn இந்த அட்டவணையை வழங்குகிறது, solvers வெவ்வேறு தரவுத்தொகுப்புகளால் ஏற்படும் சவால்களை எவ்வாறு கையாளுகின்றன என்பதை விளக்க: -![solvers](../../../../translated_images/solvers.5fc648618529e627dfac29b917b3ccabda4b45ee8ed41b0acb1ce1441e8d1ef1.ta.png) +![solvers](../../../../translated_images/solvers.5fc648618529e627.ta.png) ## பயிற்சி - தரவுகளைப் பிரிக்க diff --git a/translations/ta/4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb b/translations/ta/4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb index af3e3cabb..a5be0bc2b 100644 --- a/translations/ta/4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb +++ b/translations/ta/4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb @@ -564,7 +564,7 @@ "## 3. உங்கள் வகைப்பாட்டாளரை தேர்வு செய்வது\n", "\n", "

\n", - " \n", "

@allison_horst அவர்களின் கலைப்பணி
\n" ], @@ -607,7 +607,7 @@ "அதற்கான சிறந்த வழி, wild guessing செய்வதற்குப் பதிலாக, இந்த பதிவிறக்கக்கூடிய [ML Cheat sheet](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott) ஐப் பின்பற்றுவது. இங்கே, எங்கள் மல்டிகிளாஸ் பிரச்சினைக்கு சில தேர்வுகள் உள்ளன என்பதை கண்டறிகிறோம்:\n", "\n", "

\n", - " \n", "

Microsoft-இன் அல்காரிதம் Cheat Sheet-இன் ஒரு பகுதி, மல்டிகிளாஸ் வகைப்பாட்டிற்கான விருப்பங்களை விவரிக்கிறது
\n" ], diff --git a/translations/ta/4-Classification/3-Classifiers-2/README.md b/translations/ta/4-Classification/3-Classifiers-2/README.md index 5987805c5..99758434b 100644 --- a/translations/ta/4-Classification/3-Classifiers-2/README.md +++ b/translations/ta/4-Classification/3-Classifiers-2/README.md @@ -25,7 +25,7 @@ CO_OP_TRANSLATOR_METADATA: முந்தைய பாடத்தில், Microsoft-இன் சாட் ஷீட்டை பயன்படுத்தி தரவுகளை வகைப்படுத்துவதற்கான பல விருப்பங்களைப் பற்றி நீங்கள் கற்றுக்கொண்டீர்கள். Scikit-learn இதே போன்ற, ஆனால் மேலும் விரிவான சாட் ஷீட்டை வழங்குகிறது, இது உங்கள் வகைப்படுத்திகளை (வகைப்படுத்திகள் என்ற மற்றொரு சொல்) குறைக்க உதவுகிறது: -![Scikit-learn-இன் ML வரைபடம்](../../../../translated_images/map.e963a6a51349425ab107b38f6c7307eb4c0d0c7ccdd2e81a5e1919292bab9ac7.ta.png) +![Scikit-learn-இன் ML வரைபடம்](../../../../translated_images/map.e963a6a51349425a.ta.png) > குறிப்புகள்: [இந்த வரைபடத்தை ஆன்லைனில் பாருங்கள்](https://scikit-learn.org/stable/tutorial/machine_learning_map/) மற்றும் பாதையில் கிளிக் செய்து ஆவணங்களைப் படிக்கவும். ### திட்டம் diff --git a/translations/ta/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb b/translations/ta/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb index 40cb0f64f..a04e1289c 100644 --- a/translations/ta/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb +++ b/translations/ta/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb @@ -90,7 +90,7 @@ "முந்தையதாக, தரவுகளை வகைப்படுத்த Microsoft-இன் சிட் ஷீட்டை பயன்படுத்துவதற்கான பல்வேறு விருப்பங்களைப் பற்றி நாம் கற்றுக்கொண்டோம். Python-இன் இயந்திரக் கற்றல் கட்டமைப்பு, Scikit-learn, இதே போன்ற ஆனால் மேலும் விரிவான சிட் ஷீட்டை வழங்குகிறது, இது உங்கள் எஸ்டிமேட்டர்களை (வகைப்பாட்டாளர்களுக்கான மற்றொரு சொல்) மேலும் குறைக்க உதவுகிறது:\n", "\n", "

\n", - " \n", "

\n" ] @@ -233,7 +233,7 @@ "வகைப்பாட்டின் சூழலில், `ஆதரவு வெக்டார் இயந்திரங்கள்` என்பது வகைகளை \"சிறந்த\" முறையில் பிரிக்கும் ஒரு *ஹைப்பர்பிளேன்* கண்டுபிடிக்க முயற்சிக்கும் ஒரு இயந்திரக் கற்றல் தொழில்நுட்பமாகும். ஒரு எளிய உதாரணத்தைப் பார்ப்போம்:\n", "\n", "

\n", - " \n", "

https://commons.wikimedia.org/w/index.php?curid=22877598
\n" ] @@ -638,7 +638,7 @@ "[Eric](https://twitter.com/ericntay), Gold Microsoft Learn Student Ambassador.\n", "\n", "

\n", - " \n", "

@allison_horst அவர்களின் கலைப்பணி
\n" ] diff --git a/translations/ta/4-Classification/4-Applied/README.md b/translations/ta/4-Classification/4-Applied/README.md index 86b4c55db..a1c99cf61 100644 --- a/translations/ta/4-Classification/4-Applied/README.md +++ b/translations/ta/4-Classification/4-Applied/README.md @@ -152,7 +152,7 @@ CO_OP_TRANSLATOR_METADATA: Onnx மாதிரிகள் Visual Studio Code இல் மிகவும் தெளிவாக இல்லை, ஆனால் பல ஆராய்ச்சியாளர்கள் மாதிரியை சரியாக உருவாக்கப்பட்டுள்ளதா என்பதை உறுதிப்படுத்த பார்க்க பயன்படுத்தும் ஒரு நல்ல இலவச மென்பொருள் உள்ளது. [Netron](https://github.com/lutzroeder/Netron) ஐ பதிவிறக்கம் செய்து உங்கள் model.onnx கோப்பைத் திறக்கவும். 380 உள்ளீடுகள் மற்றும் வகைப்படுத்தல் பட்டியலுடன் உங்கள் எளிய மாதிரி காட்சிப்படுத்தப்பட்டிருப்பதை நீங்கள் காணலாம்: -![Netron காட்சி](../../../../translated_images/netron.a05f39410211915e0f95e2c0e8b88f41e7d13d725faf660188f3802ba5c9e831.ta.png) +![Netron காட்சி](../../../../translated_images/netron.a05f39410211915e.ta.png) Netron உங்கள் மாதிரிகளைப் பார்வையிட உதவும் ஒரு பயனுள்ள கருவியாகும். @@ -301,7 +301,7 @@ Netron உங்கள் மாதிரிகளைப் பார்வை Visual Studio Code இல் உங்கள் index.html கோப்பு இருக்கும் கோப்பகத்தில் ஒரு டெர்மினல் அமர்வைத் திறக்கவும். [http-server](https://www.npmjs.com/package/http-server) உலகளவில் நிறுவப்பட்டுள்ளதா என்பதை உறுதிப்படுத்தி, உத்தரவிடும் இடத்தில் `http-server` என தட்டச்சு செய்யவும். ஒரு localhost திறக்க வேண்டும், மேலும் உங்கள் வலை பயன்பாட்டைப் பார்க்கலாம். பல பொருட்களின் அடிப்படையில் பரிந்துரைக்கப்படும் சமையல் வகையைச் சரிபார்க்கவும்: -![பொருள் வலை பயன்பாடு](../../../../translated_images/web-app.4c76450cabe20036f8ec6d5e05ccc0c1c064f0d8f2fe3304d3bcc0198f7dc139.ta.png) +![பொருள் வலை பயன்பாடு](../../../../translated_images/web-app.4c76450cabe20036.ta.png) வாழ்த்துக்கள், நீங்கள் சில புலங்களுடன் ஒரு 'பரிந்துரை' வலை பயன்பாட்டை உருவாக்கியுள்ளீர்கள். இந்த அமைப்பை உருவாக்குவதற்கு சில நேரம் செலவிடுங்கள்! ## 🚀சவால் diff --git a/translations/ta/4-Classification/README.md b/translations/ta/4-Classification/README.md index 3a1b0007a..d5134cca0 100644 --- a/translations/ta/4-Classification/README.md +++ b/translations/ta/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: ஆசியா மற்றும் இந்தியாவில், உணவுப் பாரம்பரியங்கள் மிகவும் பல்வகைமிக்கவை மற்றும் மிகவும் சுவையானவை! அவற்றின் பொருட்களைப் புரிந்துகொள்ள பிராந்திய உணவுகள் பற்றிய தரவுகளைப் பார்ப்போம். -![தாய் உணவு விற்பனையாளர்](../../../translated_images/thai-food.c47a7a7f9f05c21892a1f9dc7bf30669e6d18dfda420c5c7ebb4153f6a304edd.ta.jpg) +![தாய் உணவு விற்பனையாளர்](../../../translated_images/thai-food.c47a7a7f9f05c218.ta.jpg) > புகைப்படம் லிஷெங் சாங் மூலம் Unsplash இல் ## நீங்கள் என்ன கற்றுக்கொள்வீர்கள் diff --git a/translations/ta/5-Clustering/1-Visualize/README.md b/translations/ta/5-Clustering/1-Visualize/README.md index d0f976d50..3bc11d3b5 100644 --- a/translations/ta/5-Clustering/1-Visualize/README.md +++ b/translations/ta/5-Clustering/1-Visualize/README.md @@ -70,7 +70,7 @@ CO_OP_TRANSLATOR_METADATA: > >'Flat' இந்த சூழலில் Euclidean geometry (இதில் சில 'plane' geometry எனக் கற்பிக்கப்படுகிறது) மற்றும் non-flat non-Euclidean geometry-யை குறிக்கிறது. கணிதவியல் மற்றும் மெஷின் லெர்னிங் ஆகிய இரு துறைகள் கணிதவியல் அடிப்படையில் உள்ளதால், கிளஸ்டர்களில் புள்ளிகளுக்கிடையிலான தூரத்தை அளவிட ஒரு பொதுவான வழி இருக்க வேண்டும், மேலும் தரவின் தன்மையைப் பொறுத்து அதை 'flat' அல்லது 'non-flat' முறையில் செய்யலாம். [Euclidean distances](https://wikipedia.org/wiki/Euclidean_distance) என்பது இரண்டு புள்ளிகளுக்கிடையிலான கோடு பகுதியின் நீளமாக அளவிடப்படுகிறது. [Non-Euclidean distances](https://wikipedia.org/wiki/Non-Euclidean_geometry) ஒரு வளைவின் sepanjang அளவிடப்படுகிறது. உங்கள் தரவுகள், காட்சிப்படுத்தப்பட்டவை, ஒரு தளத்தில் இல்லை என்று தோன்றினால், அதைச் சமாளிக்க ஒரு சிறப்பு الگாரிதத்தைப் பயன்படுத்த வேண்டும். > -![Flat vs Nonflat Geometry Infographic](../../../../translated_images/flat-nonflat.d1c8c6e2a96110c1d57fa0b72913f6aab3c245478524d25baf7f4a18efcde224.ta.png) +![Flat vs Nonflat Geometry Infographic](../../../../translated_images/flat-nonflat.d1c8c6e2a96110c1.ta.png) > [Dasani Madipalli](https://twitter.com/dasani_decoded) உருவாக்கிய தகவல்படம் > > 🎓 ['Distances'](https://web.stanford.edu/class/cs345a/slides/12-clustering.pdf) @@ -93,12 +93,12 @@ CO_OP_TRANSLATOR_METADATA: - **Hierarchical clustering**. ஒரு பொருள் அருகிலுள்ள பொருளுக்கு அதன் அருகாமையை அடிப்படையாகக் கொண்டு வகைப்படுத்தப்பட்டால், கிளஸ்டர்கள் அதன் உறுப்பினர்களின் தூரத்தை அடிப்படையாகக் கொண்டு உருவாக்கப்படுகின்றன. Scikit-learn-இன் agglomerative clustering hierarchical ஆகும். - ![Hierarchical clustering Infographic](../../../../translated_images/hierarchical.bf59403aa43c8c47493bfdf1cc25230f26e45f4e38a3d62e8769cd324129ac15.ta.png) + ![Hierarchical clustering Infographic](../../../../translated_images/hierarchical.bf59403aa43c8c47.ta.png) > [Dasani Madipalli](https://twitter.com/dasani_decoded) உருவாக்கிய தகவல்படம் - **Centroid clustering**. இந்த பிரபல الگாரிதம் 'k', அல்லது உருவாக்க வேண்டிய கிளஸ்டர்களின் எண்ணிக்கையைத் தேர்ந்தெடுக்க வேண்டும், அதன் பிறகு الگாரிதம் ஒரு கிளஸ்டரின் மைய புள்ளியைத் தீர்மானித்து அந்த புள்ளியைச் சுற்றி தரவுகளைச் சேர்க்கிறது. [K-means clustering](https://wikipedia.org/wiki/K-means_clustering) என்பது centroid clustering-இன் பிரபலமான பதிப்பு. மையம் அருகிலுள்ள சராசரியால் தீர்மானிக்கப்படுகிறது, எனவே பெயர். கிளஸ்டரிலிருந்து சதுர தூரம் குறைக்கப்படுகிறது. - ![Centroid clustering Infographic](../../../../translated_images/centroid.097fde836cf6c9187d0b2033e9f94441829f9d86f4f0b1604dd4b3d1931aee34.ta.png) + ![Centroid clustering Infographic](../../../../translated_images/centroid.097fde836cf6c918.ta.png) > [Dasani Madipalli](https://twitter.com/dasani_decoded) உருவாக்கிய தகவல்படம் - **Distribution-based clustering**. புள்ளி ஒரு கிளஸ்டருக்கு சொந்தமான சாத்தியக்கூறுகளைத் தீர்மானிக்க மற்றும் அதற்கேற்ப ஒதுக்குவதில் மையமாக இருக்கும் புள்ளிவிவர மாடலிங் அடிப்படையில் உள்ளது. Gaussian mixture முறைகள் இந்த வகையைச் சேர்ந்தவை. @@ -234,7 +234,7 @@ CO_OP_TRANSLATOR_METADATA: plt.title('Top genres',color = 'blue') ``` - ![most popular](../../../../translated_images/popular.9c48d84b3386705f98bf44e26e9655bee9eb7c849d73be65195e37895bfedb5d.ta.png) + ![most popular](../../../../translated_images/popular.9c48d84b3386705f.ta.png) ✅ மேலும் அதிக மதிப்புகளைப் பார்க்க விரும்பினால், `[:5]` ஐ பெரிய மதிப்பாக மாற்றவும் அல்லது அனைத்தையும் பார்க்க அதை நீக்கவும். @@ -253,7 +253,7 @@ CO_OP_TRANSLATOR_METADATA: இப்போது இசை வகைகளை மீண்டும் சரிபார்க்கவும்: - ![most popular](../../../../translated_images/all-genres.1d56ef06cefbfcd61183023834ed3cb891a5ee638a3ba5c924b3151bf80208d7.ta.png) + ![most popular](../../../../translated_images/all-genres.1d56ef06cefbfcd6.ta.png) 1. இந்த தரவுத்தொகுப்பில் மூன்று முக்கியமான இசை வகைகள் அதிகளவில் உள்ளது. `afro dancehall`, `afropop`, மற்றும் `nigerian pop` ஆகியவற்றில் கவனம் செலுத்துவோம், மேலும் 0 `popularity` மதிப்புடன் உள்ளவற்றை நீக்குவோம் (அதாவது தரவுத்தொகுப்பில் பிரபலத்துடன் வகைப்படுத்தப்படவில்லை, எனவே நமது நோக்கங்களுக்கு இது சத்தமாகக் கருதலாம்): @@ -275,7 +275,7 @@ CO_OP_TRANSLATOR_METADATA: sns.heatmap(corrmat, vmax=.8, square=True) ``` - ![correlations](../../../../translated_images/correlation.a9356bb798f5eea51f47185968e1ebac5c078c92fce9931e28ccf0d7fab71c2b.ta.png) + ![correlations](../../../../translated_images/correlation.a9356bb798f5eea5.ta.png) `energy` மற்றும் `loudness` இடையே மட்டுமே வலுவான தொடர்பு உள்ளது, இது ஆச்சரியமாக இல்லை, ஏனெனில் சத்தமான இசை பொதுவாக மிகவும் ஆற்றல்மிக்கதாக இருக்கும். இல்லையெனில், தொடர்புகள் ஒப்பீட்டளவில் பலவீனமாக உள்ளன. இந்த தரவிலிருந்து க்ளஸ்டரிங் அல்காரிதம் என்ன கண்டறிய முடியும் என்பதைப் பார்க்க ஆர்வமாக உள்ளது. @@ -307,7 +307,7 @@ CO_OP_TRANSLATOR_METADATA: பொதுவாக, மூன்று இசை வகைகள் `popularity` மற்றும் `danceability` அடிப்படையில் சற்றே ஒருமித்தமாக இணைகின்றன. இந்த சற்றே இணைந்த தரவுகளில் க்ளஸ்டர்களைத் தீர்மானிப்பது ஒரு சவாலாக இருக்கும்: - ![distribution](../../../../translated_images/distribution.9be11df42356ca958dc8e06e87865e09d77cab78f94fe4fea8a1e6796c64dc4b.ta.png) + ![distribution](../../../../translated_images/distribution.9be11df42356ca95.ta.png) 1. ஒரு scatter plot உருவாக்கவும்: @@ -319,7 +319,7 @@ CO_OP_TRANSLATOR_METADATA: அதே அச்சுகளின் scatterplot ஒரே மாதிரியான ஒருமித்த முறைமையை காட்டுகிறது - ![Facetgrid](../../../../translated_images/facetgrid.9b2e65ce707eba1f983b7cdfed5d952e60f385947afa3011df6e3cc7d200eb5b.ta.png) + ![Facetgrid](../../../../translated_images/facetgrid.9b2e65ce707eba1f.ta.png) பொதுவாக, க்ளஸ்டரிங் செய்ய, தரவுக் க்ளஸ்டர்களைக் காட்ட scatterplots பயன்படுத்தலாம், எனவே இந்த வகை காட்சியமைப்பை கையாள்வதில் நிபுணத்துவம் பெறுவது மிகவும் பயனுள்ளதாக இருக்கும். அடுத்த பாடத்தில், இந்த வடிகட்டப்பட்ட தரவுகளை எடுத்து, k-means clustering பயன்படுத்தி, இந்த தரவுகளில் ஒருமித்தமான முறையில் ஒட்டுமொத்தமாக உள்ள interesting குரூப்புகளை கண்டறிவோம். diff --git a/translations/ta/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb b/translations/ta/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb index e0e222a5c..60e123c11 100644 --- a/translations/ta/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb +++ b/translations/ta/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb @@ -42,7 +42,7 @@ "> 'Flat' என்பது இங்கு Euclidean geometry (இதில் சில 'plane' geometry எனக் கற்பிக்கப்படுகிறது) மற்றும் 'non-flat' என்பது non-Euclidean geometry. கணிதவியல் மற்றும் இயந்திர கற்றல் என்ன தொடர்பு? கணிதவியல் அடிப்படையில் இரு துறைகளாக, க்ளஸ்டர்களில் புள்ளிகளுக்கிடையிலான தூரத்தை அளவிட ஒரு பொதுவான வழி இருக்க வேண்டும், மேலும் தரவின் தன்மையைப் பொறுத்து அதை 'flat' அல்லது 'non-flat' முறையில் செய்யலாம். [Euclidean distances](https://wikipedia.org/wiki/Euclidean_distance) என்பது இரண்டு புள்ளிகளுக்கிடையிலான கோடு பகுதியின் நீளமாக அளவிடப்படுகிறது. [Non-Euclidean distances](https://wikipedia.org/wiki/Non-Euclidean_geometry) ஒரு வளைவின் வழியாக அளவிடப்படுகிறது. உங்கள் தரவுகள், காட்சிப்படுத்தப்பட்டவுடன், ஒரு தளத்தில் இல்லை என்று தோன்றினால், அதை கையாள ஒரு சிறப்பு الگாரிதத்தைப் பயன்படுத்த வேண்டும்.\n", "\n", "

\n", - " \n", "

தசானி மடிபல்லி உருவாக்கிய தகவல் வரைபடம்
\n", "\n", @@ -72,7 +72,7 @@ "\n", "\n", "

\n", - " \n", "

தசானி மடிபல்லி உருவாக்கிய தகவல் வரைபடம்
\n", "\n", @@ -81,7 +81,7 @@ "- **Centroid clustering**. இந்த பிரபல الگாரிதம் 'k', அல்லது உருவாக்க வேண்டிய க்ளஸ்டர்களின் எண்ணிக்கையைத் தேர்ந்தெடுக்க வேண்டும், அதன் பிறகு الگாரிதம் ஒரு க்ளஸ்டரின் மைய புள்ளியைத் தீர்மானித்து, அந்த புள்ளியைச் சுற்றி தரவுகளைச் சேர்க்கிறது. [K-means clustering](https://wikipedia.org/wiki/K-means_clustering) என்பது Centroid clustering இன் பிரபலமான பதிப்பு, இது ஒரு தரவுத்தொகுப்பை முன்பே வரையறுக்கப்பட்ட K குழுக்களாகப் பிரிக்கிறது. மையம் அருகிலுள்ள சராசரியால் தீர்மானிக்கப்படுகிறது, எனவே பெயர். க்ளஸ்டரிலிருந்து சதுர தூரம் குறைக்கப்படுகிறது.\n", "\n", "

\n", - " \n", "

தசானி மடிபல்லி உருவாக்கிய தகவல் வரைபடம்
\n", "\n", diff --git a/translations/ta/5-Clustering/2-K-Means/README.md b/translations/ta/5-Clustering/2-K-Means/README.md index 99330821b..d9f738893 100644 --- a/translations/ta/5-Clustering/2-K-Means/README.md +++ b/translations/ta/5-Clustering/2-K-Means/README.md @@ -26,7 +26,7 @@ CO_OP_TRANSLATOR_METADATA: குழுமங்களை [Voronoi diagrams](https://wikipedia.org/wiki/Voronoi_diagram) போல காட்சிப்படுத்தலாம், இதில் ஒரு புள்ளி (அல்லது 'seed') மற்றும் அதற்குரிய பகுதி அடங்கும். -![voronoi diagram](../../../../translated_images/voronoi.1dc1613fb0439b9564615eca8df47a4bcd1ce06217e7e72325d2406ef2180795.ta.png) +![voronoi diagram](../../../../translated_images/voronoi.1dc1613fb0439b95.ta.png) > [Jen Looper](https://twitter.com/jenlooper) உருவாக்கிய தகவல் வரைபடம் @@ -91,7 +91,7 @@ K-Means பயன்படுத்துவதற்கான ஒரு கு இந்த தரவு கொஞ்சம் சத்தமாக உள்ளது: ஒவ்வொரு நெடுவரிசையையும் பாக்ஸ் பிளாட்டாகக் கவனிப்பதன் மூலம், நீங்கள் வெளிப்புற மதிப்புகளை காணலாம். - ![outliers](../../../../translated_images/boxplots.8228c29dabd0f29227dd38624231a175f411f1d8d4d7c012cb770e00e4fdf8b6.ta.png) + ![outliers](../../../../translated_images/boxplots.8228c29dabd0f292.ta.png) நீங்கள் தரவுத்தொகுப்பைச் சென்று இந்த வெளிப்புற மதிப்புகளை அகற்றலாம், ஆனால் அது தரவுகளை மிகவும் குறைவாக்கும். @@ -187,7 +187,7 @@ K-Means பயன்படுத்துவதற்கான ஒரு கு நீங்கள் முந்தைய படியில் உருவாக்கிய `wcss` மாறியைப் பயன்படுத்தி ஒரு வரைபடத்தை உருவாக்கவும், இதில் 'elbow' இல் உள்ள வளைவு எங்கு உள்ளது என்பதை காட்டுகிறது, இது குழுமங்களின் சரியான எண்ணிக்கையை குறிக்கிறது. அது **மூன்று** இருக்கலாம்! - ![elbow method](../../../../translated_images/elbow.72676169eed744ff03677e71334a16c6b8f751e9e716e3d7f40dd7cdef674cca.ta.png) + ![elbow method](../../../../translated_images/elbow.72676169eed744ff.ta.png) ## பயிற்சி - குழுமங்களை காட்சிப்படுத்தவும் @@ -218,13 +218,13 @@ K-Means பயன்படுத்துவதற்கான ஒரு கு இந்த மாதிரியின் துல்லியம் மிகவும் நல்லதல்ல, மேலும் குழுமங்களின் வடிவம் ஏன் என்பதை உங்களுக்கு ஒரு குறிப்பைக் கொடுக்கிறது. - ![clusters](../../../../translated_images/clusters.b635354640d8e4fd4a49ef545495518e7be76172c97c13bd748f5b79f171f69a.ta.png) + ![clusters](../../../../translated_images/clusters.b635354640d8e4fd.ta.png) இந்த தரவு மிகவும் சமநிலையற்றது, மிகவும் குறைவாக தொடர்புடையது மற்றும் நெடுவரிசை மதிப்புகளுக்கு இடையிலான வேறுபாடு மிகவும் அதிகமாக உள்ளது, குழுமம் நன்றாக செயல்படுவதற்கு. உண்மையில், உருவாகும் குழுமங்கள் மேலே வரையறுக்கப்பட்ட மூன்று வகை பிரிவுகளால் மிகவும் பாதிக்கப்படுகின்றன அல்லது சாய்ந்திருக்கின்றன. அது ஒரு கற்றல் செயல்முறை! Scikit-learn இன் ஆவணங்களில், இந்த மாதிரி, குழுமங்கள் மிகவும் நன்றாக வரையறுக்கப்படாதது, 'variance' பிரச்சனை கொண்டுள்ளது: - ![problem models](../../../../translated_images/problems.f7fb539ccd80608e1f35c319cf5e3ad1809faa3c08537aead8018c6b5ba2e33a.ta.png) + ![problem models](../../../../translated_images/problems.f7fb539ccd80608e.ta.png) > Scikit-learn இன் தகவல் வரைபடம் ## Variance diff --git a/translations/ta/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb b/translations/ta/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb index ae0a6d7ab..f3812a017 100644 --- a/translations/ta/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb +++ b/translations/ta/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb @@ -59,7 +59,7 @@ "இந்த க்ளஸ்டர்களை [Voronoi diagrams](https://wikipedia.org/wiki/Voronoi_diagram) போல காட்சிப்படுத்தலாம், இதில் ஒரு புள்ளி (அல்லது 'விதை') மற்றும் அதனுடன் தொடர்புடைய பகுதி அடங்கும்.\n", "\n", "

\n", - " \n", "

ஜென் லூப்பர் உருவாக்கிய தகவல் வரைபடம்
\n", "\n", @@ -570,7 +570,7 @@ "Scikit-learn-இன் ஆவணங்களில், இந்த மாதிரி போன்ற ஒரு மாடல், களவுகள் தெளிவாக வரையறுக்கப்படாத நிலையில், 'variance' பிரச்சினை உள்ளது என்பதை நீங்கள் காணலாம்:\n", "\n", "

\n", - " \n", "

Scikit-learn-இன் தகவல் வரைபடம்
\n", "\n", @@ -623,7 +623,7 @@ "[Eric](https://twitter.com/ericntay), Gold Microsoft Learn Student Ambassador.\n", "\n", "

\n", - " \n", "

@allison_horst உருவாக்கிய கலை
\n" ] diff --git a/translations/ta/5-Clustering/README.md b/translations/ta/5-Clustering/README.md index e7577bf2e..65e37b7fa 100644 --- a/translations/ta/5-Clustering/README.md +++ b/translations/ta/5-Clustering/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: நைஜீரியாவின் பல்வகை பார்வையாளர்களுக்கு பல்வகை இசை விருப்பங்கள் உள்ளன. [இந்த கட்டுரையால்](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421) ஊக்கமடைந்து Spotify-இல் இருந்து சேகரிக்கப்பட்ட தரவுகளைப் பயன்படுத்தி, நைஜீரியாவில் பிரபலமான சில இசைகளைப் பார்ப்போம். இந்த தரவுத்தொகுப்பில் பாடல்களின் 'danceability' மதிப்பெண், 'acousticness', ஒலியளவு, 'speechiness', பிரபலத்தன்மை மற்றும் ஆற்றல் பற்றிய தகவல்கள் அடங்கும். இந்த தரவுகளில் முறைமைகள் கண்டறிவது 흥மையாக இருக்கும்! -![ஒரு டர்ன்டேபிள்](../../../translated_images/turntable.f2b86b13c53302dc106aa741de9dc96ac372864cf458dd6f879119857aab01da.ta.jpg) +![ஒரு டர்ன்டேபிள்](../../../translated_images/turntable.f2b86b13c53302dc.ta.jpg) > புகைப்படம் Marcela Laskoski மூலம் Unsplash இல் diff --git a/translations/ta/6-NLP/1-Introduction-to-NLP/README.md b/translations/ta/6-NLP/1-Introduction-to-NLP/README.md index ab7b4911f..149b63c9f 100644 --- a/translations/ta/6-NLP/1-Introduction-to-NLP/README.md +++ b/translations/ta/6-NLP/1-Introduction-to-NLP/README.md @@ -32,7 +32,7 @@ NLP (இயற்கை மொழி செயலாக்கம்) என் நீங்கள் ஒருபோதும் உங்கள் தொலைபேசியில் டைப் செய்வதற்குப் பதிலாக диктировать செய்திருந்தால் அல்லது ஒரு மெய்நிகர் உதவியாளரிடம் கேள்வி கேட்டிருந்தால், உங்கள் பேச்சு உரை வடிவமாக மாற்றப்பட்டு, பின்னர் நீங்கள் பேசிய மொழியில் இருந்து செயலாக்கப்பட்டது அல்லது *பாகுபடுத்தப்பட்டது*. கண்டறியப்பட்ட முக்கிய வார்த்தைகள் பின்னர் தொலைபேசி அல்லது உதவியாளர் புரிந்து கொண்டு செயல்படக்கூடிய வடிவமாக மாற்றப்பட்டன. -![புரிதல்](../../../../translated_images/comprehension.619708fc5959b0f6a24ebffba2ad7b0625391a476141df65b43b59de24e45c6f.ta.png) +![புரிதல்](../../../../translated_images/comprehension.619708fc5959b0f6.ta.png) > உண்மையான மொழியியல் புரிதல் கடினம்! படம்: [Jen Looper](https://twitter.com/jenlooper) ### இந்த தொழில்நுட்பம் எப்படி சாத்தியமாகிறது? diff --git a/translations/ta/6-NLP/2-Tasks/README.md b/translations/ta/6-NLP/2-Tasks/README.md index bb7f6c9d9..360de3a1b 100644 --- a/translations/ta/6-NLP/2-Tasks/README.md +++ b/translations/ta/6-NLP/2-Tasks/README.md @@ -23,14 +23,14 @@ CO_OP_TRANSLATOR_METADATA: மிகவும் முதலில், பெரும்பாலான NLP ஆல்கொரிதங்கள் செய்ய வேண்டியது உரையை டோக்கன்கள் அல்லது சொற்களாகப் பிரிப்பது. இது எளிதாகத் தோன்றினாலும், குறியீடுகள் மற்றும் பல மொழிகளின் சொல் மற்றும் வாக்கிய எல்லைகளை கணக்கில் எடுத்துக்கொள்ள வேண்டிய அவசியம் இதை சிக்கலாக்குகிறது. நீங்கள் எல்லைகளைத் தீர்மானிக்க பல்வேறு முறைகளைப் பயன்படுத்த வேண்டியிருக்கலாம். -![டோக்கனேஷன்](../../../../translated_images/tokenization.1641a160c66cd2d93d4524e8114e93158a9ce0eba3ecf117bae318e8a6ad3487.ta.png) +![டோக்கனேஷன்](../../../../translated_images/tokenization.1641a160c66cd2d9.ta.png) > **Pride and Prejudice**-இன் ஒரு வாக்கியத்தை டோக்கனேஷன் செய்கிறது. [Jen Looper](https://twitter.com/jenlooper) உருவாக்கிய தகவல்படம் ### எம்பெடிங்ஸ் [சொல் எம்பெடிங்ஸ்](https://wikipedia.org/wiki/Word_embedding) என்பது உங்கள் உரைத் தரவுகளை எண் வடிவமாக மாற்றும் ஒரு வழியாகும். எம்பெடிங்ஸ், ஒரே பொருள் கொண்ட சொற்கள் அல்லது ஒன்றாகப் பயன்படுத்தப்படும் சொற்கள் ஒன்றாகக் குழுவாக அமைக்கப்படும் வகையில் செய்யப்படுகிறது. -![சொல் எம்பெடிங்ஸ்](../../../../translated_images/embedding.2cf8953c4b3101d188c2f61a5de5b6f53caaa5ad4ed99236d42bc3b6bd6a1fe2.ta.png) +![சொல் எம்பெடிங்ஸ்](../../../../translated_images/embedding.2cf8953c4b3101d1.ta.png) > "I have the highest respect for your nerves, they are my old friends." - **Pride and Prejudice**-இன் ஒரு வாக்கியத்திற்கான சொல் எம்பெடிங்ஸ். [Jen Looper](https://twitter.com/jenlooper) உருவாக்கிய தகவல்படம் ✅ [இந்த 흥미로운 கருவியை](https://projector.tensorflow.org/) முயற்சிக்கவும். ஒரு சொல் மீது கிளிக் செய்வது 유사மான சொற்களின் குழுக்களை காட்டுகிறது: 'toy' 'disney', 'lego', 'playstation', மற்றும் 'console' உடன் குழுவாக உள்ளது. @@ -39,7 +39,7 @@ CO_OP_TRANSLATOR_METADATA: டோக்கனேஷன் செய்யப்பட்ட ஒவ்வொரு சொல் ஒரு பாகம்-ஆஃப்-ஸ்பீச் ஆக டேக் செய்யப்படலாம் - ஒரு பெயர்ச்சொல், வினைச்சொல், அல்லது பெயரடை. `the quick red fox jumped over the lazy brown dog` என்ற வாக்கியம் fox = noun, jumped = verb என POS டேக் செய்யப்படலாம். -![பார்சிங்](../../../../translated_images/parse.d0c5bbe1106eae8fe7d60a183cd1736c8b6cec907f38000366535f84f3036101.ta.png) +![பார்சிங்](../../../../translated_images/parse.d0c5bbe1106eae8f.ta.png) > **Pride and Prejudice**-இன் ஒரு வாக்கியத்தை பார்சிங் செய்கிறது. [Jen Looper](https://twitter.com/jenlooper) உருவாக்கிய தகவல்படம் diff --git a/translations/ta/6-NLP/3-Translation-Sentiment/README.md b/translations/ta/6-NLP/3-Translation-Sentiment/README.md index 5b7d2d85d..18069bd96 100644 --- a/translations/ta/6-NLP/3-Translation-Sentiment/README.md +++ b/translations/ta/6-NLP/3-Translation-Sentiment/README.md @@ -56,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA: உதாரணமாக, `I have no money` என்ற ஆங்கில சொற்றொடர் பிரெஞ்சுக்கு சொற்தொகுப்பாக மொழிபெயர்க்கப்படும் போது, அது `Je n'ai pas de monnaie` ஆக மாறலாம். "Monnaie" என்பது ஒரு சிக்கலான பிரெஞ்சு 'தவறான ஒத்தசொல்', ஏனெனில் 'money' மற்றும் 'monnaie' ஒரே அர்த்தம் கொண்டவை அல்ல. ஒரு மனிதன் செய்யக்கூடிய சிறந்த மொழிபெயர்ப்பு `Je n'ai pas d'argent` ஆக இருக்கும், ஏனெனில் இது உங்களிடம் பணம் இல்லை என்பதைச் சரியாக வெளிப்படுத்துகிறது (அல்லது 'சில்லறை' என்பதை அல்ல, இது 'monnaie' என்பதன் அர்த்தம்). -![monnaie](../../../../translated_images/monnaie.606c5fa8369d5c3b3031ef0713e2069485c87985dd475cd9056bdf4c76c1f4b8.ta.png) +![monnaie](../../../../translated_images/monnaie.606c5fa8369d5c3b.ta.png) > படம்: [Jen Looper](https://twitter.com/jenlooper) diff --git a/translations/ta/6-NLP/README.md b/translations/ta/6-NLP/README.md index eaf6b1bbb..e7f42b972 100644 --- a/translations/ta/6-NLP/README.md +++ b/translations/ta/6-NLP/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: இந்த பாடங்களில், சிறிய உரையாடல் பாட்டுகளை உருவாக்குவதன் மூலம் NLP இன் அடிப்படைகளை கற்றுக்கொள்வோம், இந்த உரையாடல்களை மேலும் 'சிறந்த'தாக மாற்ற இயந்திரக் கற்றல் எப்படி உதவுகிறது என்பதைப் புரிந்துகொள்வோம். நீங்கள் காலத்தை மீண்டும் பயணம் செய்து, ஜேன் ஆஸ்டனின் 1813-ல் வெளியிடப்பட்ட **Pride and Prejudice** என்ற புகழ்பெற்ற நாவலின் எலிசபெத் பென்னட் மற்றும் திரு. டார்சி உடன் உரையாடுவீர்கள். பின்னர், ஐரோப்பிய ஹோட்டல் விமர்சனங்கள் மூலம் உணர்வு பகுப்பாய்வு பற்றி கற்றுக்கொள்வதன் மூலம் உங்கள் அறிவை மேம்படுத்துவீர்கள். -![Pride and Prejudice புத்தகம் மற்றும் தேநீர்](../../../translated_images/p&p.279f1c49ecd889419e4ce6206525e9aa30d32a976955cd24daa636c361c6391f.ta.jpg) +![Pride and Prejudice புத்தகம் மற்றும் தேநீர்](../../../translated_images/p&p.279f1c49ecd88941.ta.jpg) > புகைப்படம் Elaine Howlin மூலம் Unsplash இல் ## பாடங்கள் diff --git a/translations/ta/7-TimeSeries/1-Introduction/README.md b/translations/ta/7-TimeSeries/1-Introduction/README.md index 05d5bbd13..87b576022 100644 --- a/translations/ta/7-TimeSeries/1-Introduction/README.md +++ b/translations/ta/7-TimeSeries/1-Introduction/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # கால வரிசை முன்னறிவிப்பு அறிமுகம் -![கால வரிசையின் சுருக்கம் ஒரு ஸ்கெட்ச் நோட்டில்](../../../../translated_images/ml-timeseries.fb98d25f1013fc0c59090030080b5d1911ff336427bec31dbaf1ad08193812e9.ta.png) +![கால வரிசையின் சுருக்கம் ஒரு ஸ்கெட்ச் நோட்டில்](../../../../translated_images/ml-timeseries.fb98d25f1013fc0c.ta.png) > ஸ்கெட்ச் நோட்: [Tomomi Imura](https://www.twitter.com/girlie_mac) @@ -112,7 +112,7 @@ CO_OP_TRANSLATOR_METADATA: ✅ [இந்த மாதிரி கால வரிசை வரைபடத்தை](https://www.kaggle.com/kashnitsky/topic-9-part-1-time-series-analysis-in-python) பாருங்கள், இது சில ஆண்டுகளாக தினசரி விளையாட்டு நாணய செலவுகளை காட்டுகிறது. இந்த தரவுகளில் மேலே பட்டியலிடப்பட்ட பண்புகளில் ஏதேனும் ஒன்றை நீங்கள் அடையாளம் காண முடியுமா? -![விளையாட்டு நாணய செலவுகள்](../../../../translated_images/currency.e7429812bfc8c6087b2d4c410faaa4aaa11b2fcaabf6f09549b8249c9fbdb641.ta.png) +![விளையாட்டு நாணய செலவுகள்](../../../../translated_images/currency.e7429812bfc8c608.ta.png) ## பயிற்சி - மின்சார பயன்பாட்டு தரவுடன் தொடங்குதல் @@ -160,7 +160,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![மின்சார வரைபடம்](../../../../translated_images/energy-plot.5fdac3f397a910bc6070602e9e45bea8860d4c239354813fa8fc3c9d556f5bad.ta.png) + ![மின்சார வரைபடம்](../../../../translated_images/energy-plot.5fdac3f397a910bc.ta.png) 4. இப்போது, 2014 ஜூலை மாதத்தின் முதல் வாரத்தை வரைபடமாக்கவும், அதை `[from date]: [to date]` வடிவத்தில் `energy` க்கு உள்ளீடாக வழங்கவும்: @@ -171,7 +171,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![ஜூலை](../../../../translated_images/july-2014.9e1f7c318ec6d5b30b0d7e1e20be3643501f64a53f3d426d7c7d7b62addb335e.ta.png) + ![ஜூலை](../../../../translated_images/july-2014.9e1f7c318ec6d5b3.ta.png) அழகான ஒரு வரைபடம்! இந்த வரைபடங்களைப் பாருங்கள் மற்றும் மேலே பட்டியலிடப்பட்ட பண்புகளில் ஏதேனும் ஒன்றை இந்த தரவுகளில் இருந்து நீங்கள் கண்டறிய முடியுமா என்பதை பாருங்கள். தரவுகளை காட்சிப்படுத்துவதன் மூலம் நாம் என்ன முடிவு செய்ய முடியும்? diff --git a/translations/ta/7-TimeSeries/2-ARIMA/README.md b/translations/ta/7-TimeSeries/2-ARIMA/README.md index fc853e94f..0f13690f5 100644 --- a/translations/ta/7-TimeSeries/2-ARIMA/README.md +++ b/translations/ta/7-TimeSeries/2-ARIMA/README.md @@ -91,7 +91,7 @@ ARIMA-யுடன் வேலை செய்ய, சில முக்கி plt.show() ``` - ![பயிற்சி மற்றும் சோதனை தரவுகள்](../../../../translated_images/train-test.8928d14e5b91fc942f0ca9201b2d36c890ea7e98f7619fd94f75de3a4c2bacb9.ta.png) + ![பயிற்சி மற்றும் சோதனை தரவுகள்](../../../../translated_images/train-test.8928d14e5b91fc94.ta.png) எனவே, தரவுகளை பயிற்சி செய்ய ஒரு சிறிய கால சாளரத்தைப் பயன்படுத்துவது போதுமானதாக இருக்கும். @@ -134,11 +134,11 @@ ARIMA-யுடன் வேலை செய்ய, சில முக்கி plt.show() ``` - ![அசல்](../../../../translated_images/original.b2b15efe0ce92b8745918f071dceec2231661bf49c8db6918e3ff4b3b0b183c2.ta.png) + ![அசல்](../../../../translated_images/original.b2b15efe0ce92b87.ta.png) > அசல் தரவுகள் - ![அளவீடு செய்யப்பட்ட](../../../../translated_images/scaled.e35258ca5cd3d43f86d5175e584ba96b38d51501f234abf52e11f4fe2631e45f.ta.png) + ![அளவீடு செய்யப்பட்ட](../../../../translated_images/scaled.e35258ca5cd3d43f.ta.png) > அளவீடு செய்யப்பட்ட தரவுகள் @@ -298,7 +298,7 @@ Walk-forward validation நேர்முக மாதிரி மதிப் > **🧮 கணிதத்தை காட்டவும்** > -> ![MAPE](../../../../translated_images/mape.fd87bbaf4d346846df6af88b26bf6f0926bf9a5027816d5e23e1200866e3e8a4.ta.png) +> ![MAPE](../../../../translated_images/mape.fd87bbaf4d346846.ta.png) > > [MAPE](https://www.linkedin.com/pulse/what-mape-mad-msd-time-series-allameh-statistics/) என்பது மேலே கொடுக்கப்பட்ட சமன்பாட்டின் மூலம் வரையறுக்கப்பட்ட விகிதமாக கணிப்பு துல்லியத்தை காட்ட பயன்படுத்தப்படுகிறது. உண்மையானt மற்றும் கணிக்கப்பட்டt இடையேயான வேறுபாடு உண்மையானt மூலம் வகுக்கப்படுகிறது. "இந்த கணக்கீட்டில் உள்ள முழு மதிப்பு ஒவ்வொரு கணிக்கப்பட்ட நேர புள்ளிக்கும் சேர்க்கப்பட்டு, பொருத்தப்பட்ட புள்ளிகளின் எண்ணிக்கையால் n வகுக்கப்படுகிறது." [wikipedia](https://wikipedia.org/wiki/Mean_absolute_percentage_error) @@ -358,7 +358,7 @@ Walk-forward validation நேர்முக மாதிரி மதிப் plt.show() ``` - ![ஒரு நேர வரிசை மாதிரி](../../../../translated_images/accuracy.2c47fe1bf15f44b3656651c84d5e2ba9b37cd929cd2aa8ab6cc3073f50570f4e.ta.png) + ![ஒரு நேர வரிசை மாதிரி](../../../../translated_images/accuracy.2c47fe1bf15f44b3.ta.png) 🏆 ஒரு மிக அழகான வரைபடம், நல்ல துல்லியத்துடன் ஒரு மாதிரியை காட்டுகிறது. நல்ல வேலை! diff --git a/translations/ta/7-TimeSeries/3-SVR/README.md b/translations/ta/7-TimeSeries/3-SVR/README.md index 463ea13e0..fbf672dfc 100644 --- a/translations/ta/7-TimeSeries/3-SVR/README.md +++ b/translations/ta/7-TimeSeries/3-SVR/README.md @@ -71,7 +71,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![முழு தரவு](../../../../translated_images/full-data.a82ec9957e580e976f651a4fc38f280b9229c6efdbe3cfe7c60abaa9486d2cbe.ta.png) + ![முழு தரவு](../../../../translated_images/full-data.a82ec9957e580e97.ta.png) இப்போது, உங்கள் SVR மாதிரியை உருவாக்குவோம். @@ -97,7 +97,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![பயிற்சி மற்றும் சோதனை தரவுகள்](../../../../translated_images/train-test.ead0cecbfc341921d4875eccf25fed5eefbb860cdbb69cabcc2276c49e4b33e5.ta.png) + ![பயிற்சி மற்றும் சோதனை தரவுகள்](../../../../translated_images/train-test.ead0cecbfc341921.ta.png) ### பயிற்சிக்கான தரவுகளை தயாரிக்கவும் @@ -273,7 +273,7 @@ plt.title("Training data prediction") plt.show() ``` -![பயிற்சி தரவுகளின் முன்னறிவிப்பு](../../../../translated_images/train-data-predict.3c4ef4e78553104ffdd53d47a4c06414007947ea328e9261ddf48d3eafdefbbf.ta.png) +![பயிற்சி தரவுகளின் முன்னறிவிப்பு](../../../../translated_images/train-data-predict.3c4ef4e78553104f.ta.png) பயிற்சி தரவுகளுக்கான MAPE அச்சிடவும் @@ -296,7 +296,7 @@ plt.xlabel('Timestamp') plt.show() ``` -![சோதனை தரவுகளின் முன்னறிவிப்பு](../../../../translated_images/test-data-predict.8afc47ee7e52874f514ebdda4a798647e9ecf44a97cc927c535246fcf7a28aa9.ta.png) +![சோதனை தரவுகளின் முன்னறிவிப்பு](../../../../translated_images/test-data-predict.8afc47ee7e52874f.ta.png) சோதனை தரவுகளுக்கான MAPE அச்சிடவும் @@ -352,7 +352,7 @@ plt.xlabel('Timestamp') plt.show() ``` -![முழு தரவுகளின் முன்னறிவிப்பு](../../../../translated_images/full-data-predict.4f0fed16a131c8f3bcc57a3060039dc7f2f714a05b07b68c513e0fe7fb3d8964.ta.png) +![முழு தரவுகளின் முன்னறிவிப்பு](../../../../translated_images/full-data-predict.4f0fed16a131c8f3.ta.png) ```python print('MAPE: ', mape(Y_pred, Y)*100, '%') diff --git a/translations/ta/7-TimeSeries/README.md b/translations/ta/7-TimeSeries/README.md index 900775870..e028a1fe7 100644 --- a/translations/ta/7-TimeSeries/README.md +++ b/translations/ta/7-TimeSeries/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: நாம் கவனம் செலுத்தும் பிராந்தியப் பகுதி உலகின் மின்சார பயன்பாடு ஆகும், இது கடந்த கால சுமை (load) முறைமைகளின் அடிப்படையில் எதிர்கால மின்சார பயன்பாட்டை முன்னறிவிக்க கற்றுக்கொள்ள ஒரு சுவாரஸ்யமான தரவுத்தொகுப்பாகும். இந்த மாதிரியான முன்னறிவிப்பு வணிக சூழலில் மிகவும் பயனுள்ளதாக இருக்க முடியும் என்பதை நீங்கள் காணலாம். -![மின்சார வலை](../../../translated_images/electric-grid.0c21d5214db09ffae93c06a87ca2abbb9ba7475ef815129c5b423d7f9a7cf136.ta.jpg) +![மின்சார வலை](../../../translated_images/electric-grid.0c21d5214db09ffa.ta.jpg) இந்தியாவின் ராஜஸ்தானில் சாலையில் மின்சார கோபுரங்களைப் பற்றிய [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) எடுத்த புகைப்படம் [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) மூலம். diff --git a/translations/ta/8-Reinforcement/1-QLearning/README.md b/translations/ta/8-Reinforcement/1-QLearning/README.md index e7c3c1edd..921962472 100644 --- a/translations/ta/8-Reinforcement/1-QLearning/README.md +++ b/translations/ta/8-Reinforcement/1-QLearning/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ரீன்போர்ஸ்மென்ட் லெர்னிங் மற்றும் Q-லெர்னிங் அறிமுகம் -![மெஷின் லெர்னிங்கில் ரீன்போர்ஸ்மென்ட் பற்றிய சுருக்கம்](../../../../translated_images/ml-reinforcement.94024374d63348dbb3571c343ca7ddabef72adac0b8086d47164b769ba3a8a1d.ta.png) +![மெஷின் லெர்னிங்கில் ரீன்போர்ஸ்மென்ட் பற்றிய சுருக்கம்](../../../../translated_images/ml-reinforcement.94024374d63348db.ta.png) > ஸ்கெட்ச் நோட்: [Tomomi Imura](https://www.twitter.com/girlie_mac) ரீன்போர்ஸ்மென்ட் லெர்னிங்கில் மூன்று முக்கியமான கருத்துகள் உள்ளன: ஏஜென்ட், சில நிலைகள், மற்றும் ஒவ்வொரு நிலைக்கும் ஒரு செயல்களின் தொகுப்பு. குறிப்பிட்ட நிலையில் ஒரு செயலைச் செயல்படுத்துவதன் மூலம், ஏஜென்டுக்கு ஒரு பரிசு வழங்கப்படும். மீண்டும் Super Mario என்ற கணினி விளையாட்டை நினைவில் கொள்ளுங்கள். நீங்கள் Mario, நீங்கள் ஒரு விளையாட்டு நிலைமையில், ஒரு பாறையின் விளிம்புக்கு அருகில் நிற்கிறீர்கள். உங்களுக்குப் மேலே ஒரு நாணயம் உள்ளது. நீங்கள் Mario, ஒரு விளையாட்டு நிலைமையில், ஒரு குறிப்பிட்ட இடத்தில்... அதுதான் உங்கள் நிலை. வலதுபுறம் ஒரு படி நகர்வது (ஒரு செயல்) உங்களை விளிம்புக்கு மேலே கொண்டு செல்லும், இது உங்களுக்கு குறைந்த எண் மதிப்பை வழங்கும். ஆனால், ஜம்ப் பொத்தானை அழுத்துவது உங்களுக்கு ஒரு புள்ளியைப் பெற அனுமதிக்கும் மற்றும் நீங்கள் உயிருடன் இருப்பீர்கள். இது ஒரு நேர்மறை முடிவாகும், இது உங்களுக்கு ஒரு நேர்மறை எண் மதிப்பை வழங்க வேண்டும். @@ -40,7 +40,7 @@ CO_OP_TRANSLATOR_METADATA: எளிமைக்காக, Peter-ன் உலகத்தை `width` x `height` அளவுடைய ஒரு சதுர பலகையாகக் கருதுவோம், இது இவ்வாறு இருக்கும்: -![Peter-ன் சூழல்](../../../../translated_images/environment.40ba3cb66256c93fa7e92f6f7214e1d1f588aafa97d266c11d108c5c5d101b6c.ta.png) +![Peter-ன் சூழல்](../../../../translated_images/environment.40ba3cb66256c93f.ta.png) இந்த பலகையின் ஒவ்வொரு செல்: @@ -177,7 +177,7 @@ Q = np.ones((width,height,len(actions)),dtype=np.float)*1.0/len(actions) Q-டேபிளின் அனைத்து மதிப்புகளையும் சமமான மதிப்புடன் ஆரம்பிக்கிறோம், எங்கள் வழக்கில் - 0.25. இது "சீரற்ற நடை" கொள்கைக்கு இணங்கும், ஏனெனில் ஒவ்வொரு நிலையிலும் அனைத்து நகர்வுகளும் சமமாக நல்லவை. `m.plot(Q)` என்ற செயல்பாட்டிற்கு Q-டேபிளை அனுப்பி, பலகையில் டேபிளை காட்சிப்படுத்தலாம். -![Peter-ன் சூழல்](../../../../translated_images/env_init.04e8f26d2d60089e128f21d22e5fef57d580e559f0d5937b06c689e5e7cdd438.ta.png) +![Peter-ன் சூழல்](../../../../translated_images/env_init.04e8f26d2d60089e.ta.png) ஒவ்வொரு செல் மையத்திலும், நகர்வின் விருப்பமான திசையை குறிக்கும் ஒரு "அம்பு" உள்ளது. அனைத்து திசைகளும் சமமாக இருப்பதால், ஒரு புள்ளி காட்டப்படுகிறது. @@ -195,7 +195,7 @@ Q-டேபிளின் அனைத்து மதிப்புகளை இது *s* நிலையில் *a* செயலுக்கான Q-டேபிள் மதிப்பை கணக்கிட **Bellman சமன்பாட்டை** வழங்குகிறது: - + இங்கே γ என்பது **discount factor** என்று அழைக்கப்படுகிறது, இது தற்போதைய பரிசை எதிர்கால பரிசுக்கு முன்னுரிமை கொடுக்க வேண்டும் என்பதைத் தீர்மானிக்கிறது. @@ -267,7 +267,7 @@ Q-டேபிளின் அனைத்து மதிப்புகளை இந்த அல்காரிதத்தை செயல்படுத்திய பிறகு, Q-டேபிள் ஒவ்வொரு நிலையிலும் ஒவ்வொரு செயலின் "ஆக்ரமத்துவத்தை" வரையறுக்கும் மதிப்புகளுடன் புதுப்பிக்கப்படும். Q-டேபிளை காட்சிப்படுத்த முயற்சிக்கலாம், ஒவ்வொரு செல்லிலும் நகர்வின் விருப்பமான திசையை குறிக்கும் ஒரு வெகுஜனத்தை வரைந்து. எளிமைக்காக, அம்பு தலைவிடமாற்றாக ஒரு சிறிய வட்டத்தை வரைகிறோம். - + ## கொள்கையைச் சரிபார > நீங்கள் மேலே கொடுத்துள்ள குறியீட்டை பல முறை முயற்சித்தால், சில நேரங்களில் அது "நிறுத்தி விடும்" என்பதை கவனிக்கலாம், மேலும் அதை நிறுத்த நொட்புக்-இல் STOP பொத்தானை அழுத்த வேண்டும். இது நிகழ்வதற்கான காரணம், சில நேரங்களில் இரண்டு நிலைகள் ஒருவருக்கொருவர் சிறந்த Q-Value அடிப்படையில் "சுட்டிக்காட்டும்" சூழ்நிலைகள் இருக்கலாம், அப்போது முகவர் அந்த நிலைகளுக்கு இடையில் முடிவில்லாமல் நகர்ந்து கொண்டிருப்பார். @@ -298,7 +298,7 @@ print_statistics(qpolicy) நாம் கூறியபடி, கற்றல் செயல்முறை என்பது சுரண்டல் மற்றும் பிரச்சனை இடத்தின் அமைப்பைப் பற்றிய அறிவைப் பயன்படுத்துவதற்கான சமநிலையாகும். கற்றலின் முடிவுகள் (குறிக்கோளுக்கான குறுகிய பாதையை முகவருக்கு கண்டுபிடிக்க உதவுவதற்கான திறன்) மேம்பட்டுள்ளது என்பதை நாம் பார்த்துள்ளோம், ஆனால் கற்றல் செயல்முறையின் போது சராசரி பாதை நீளம் எப்படி நடக்கிறது என்பதை கவனிப்பது 흥미கரமாக உள்ளது: - + கற்றலின் முக்கிய அம்சங்கள்: diff --git a/translations/ta/8-Reinforcement/2-Gym/README.md b/translations/ta/8-Reinforcement/2-Gym/README.md index 580d5e87f..703969c00 100644 --- a/translations/ta/8-Reinforcement/2-Gym/README.md +++ b/translations/ta/8-Reinforcement/2-Gym/README.md @@ -19,13 +19,13 @@ CO_OP_TRANSLATOR_METADATA: > **பிரச்சினை**: பீட்டர் ஓநாயிடம் இருந்து தப்பிக்க விரும்பினால், அவர் வேகமாக நகர முடியும் திறன் பெற வேண்டும். பீட்டர் ஸ்கேட் செய்ய கற்றுக்கொள்வது, குறிப்பாக சமநிலையை பராமரிப்பது எப்படி என்பதை நாம் காண்போம். -![பெரிய தப்பிப்பு!](../../../../translated_images/escape.18862db9930337e3fce23a9b6a76a06445f229dadea2268e12a6f0a1fde12115.ta.png) +![பெரிய தப்பிப்பு!](../../../../translated_images/escape.18862db9930337e3.ta.png) > பீட்டர் மற்றும் அவரது நண்பர்கள் ஓநாயிடம் இருந்து தப்பிக்க சிருஷ்டிப்பாக செயல்படுகிறார்கள்! படம்: [ஜென் லூப்பர்](https://twitter.com/jenlooper) நாம் **CartPole** பிரச்சினை என அறியப்படும் சமநிலையை பராமரிக்கும் ஒரு எளிமையான பதிப்பைப் பயன்படுத்துவோம். கார்ட்போல் உலகில், இடது அல்லது வலது நோக்கி நகரக்கூடிய ஒரு தூரிகை உள்ளது, மேலும் நோக்கம் தூரிகையின் மேல் உள்ள செங்குத்து கம்பத்தை சமநிலைப்படுத்துவது. -ஒரு கார்ட்போல் +ஒரு கார்ட்போல் ## முன்னோட்டம் @@ -285,7 +285,7 @@ Q-Learning இல், ஒவ்வொரு நிலையிலும் எ plt.plot(rewards) ``` -![raw progress](../../../../translated_images/train_progress_raw.2adfdf2daea09c596fc786fa347a23e9aceffe1b463e2257d20a9505794823ec.ta.png) +![raw progress](../../../../translated_images/train_progress_raw.2adfdf2daea09c59.ta.png) இந்த graph-இல் எதையும் சொல்ல முடியாது, ஏனெனில் stochastic training செயல்முறையின் இயல்பால் பயிற்சி அமர்வுகளின் நீளம் மிகவும் மாறுபடுகிறது. இந்த graph-ஐ மேலும் அர்த்தமுள்ளதாக்க, 100 போன்ற ஒரு சோதனைகளின் **running average**-ஐ கணக்கிடலாம். இது `np.convolve`-ஐ பயன்படுத்தி வசதியாக செய்யலாம்: (குறியீட்டு தொகுதி 12) @@ -296,7 +296,7 @@ def running_average(x,window): plt.plot(running_average(rewards,100)) ``` -![training progress](../../../../translated_images/train_progress_runav.c71694a8fa9ab35935aff6f109e5ecdfdbdf1b0ae265da49479a81b5fae8f0aa.ta.png) +![training progress](../../../../translated_images/train_progress_runav.c71694a8fa9ab359.ta.png) ## hyperparameters-ஐ மாறுதல் செய்ய diff --git a/translations/ta/8-Reinforcement/2-Gym/assignment.md b/translations/ta/8-Reinforcement/2-Gym/assignment.md index 791851947..c6a246e23 100644 --- a/translations/ta/8-Reinforcement/2-Gym/assignment.md +++ b/translations/ta/8-Reinforcement/2-Gym/assignment.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: [மலை கார் சூழல்](https://gym.openai.com/envs/MountainCar-v0/) ஒரு பள்ளத்தாக்கில் சிக்கியுள்ள காரை கொண்டுள்ளது: - + பள்ளத்தாக்கிலிருந்து வெளியேறி கொடியை பிடிக்க வேண்டும், இதற்காக ஒவ்வொரு படியிலும் பின்வரும் செயல்களில் ஒன்றை செய்ய வேண்டும்: diff --git a/translations/ta/8-Reinforcement/README.md b/translations/ta/8-Reinforcement/README.md index 11ba32946..2bbf0c3e3 100644 --- a/translations/ta/8-Reinforcement/README.md +++ b/translations/ta/8-Reinforcement/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: உங்கள் கற்பனைக்கு ஒரு சோதனைச் சூழல், உதாரணமாக பங்கு சந்தை உள்ளது என்று நினைக்கவும். நீங்கள் ஒரு குறிப்பிட்ட விதிமுறையை விதிக்கும்போது என்ன நடக்கும்? இது நேர்மறையான அல்லது எதிர்மறையான விளைவுகளை ஏற்படுத்துமா? ஏதேனும் எதிர்மறையானது நிகழ்ந்தால், நீங்கள் அந்த _எதிர்மறை பலகூறு_யை எடுத்துக்கொண்டு, அதிலிருந்து கற்றுக்கொண்டு, பாதையை மாற்ற வேண்டும். இது ஒரு நேர்மறை விளைவாக இருந்தால், நீங்கள் அந்த _நேர்மறை பலகூறு_யை மேம்படுத்த வேண்டும். -![பீட்டர் மற்றும் ஓநாய்](../../../translated_images/peter.779730f9ba3a8a8d9290600dcf55f2e491c0640c785af7ac0d64f583c49b8864.ta.png) +![பீட்டர் மற்றும் ஓநாய்](../../../translated_images/peter.779730f9ba3a8a8d.ta.png) > பீட்டர் மற்றும் அவரது நண்பர்கள் பசிக்கொண்டு இருக்கும் ஓநாயைத் தப்பிக்க வேண்டும்! படம்: [ஜென் லூப்பர்](https://twitter.com/jenlooper) diff --git a/translations/ta/9-Real-World/1-Applications/README.md b/translations/ta/9-Real-World/1-Applications/README.md index a1b44ec02..923b7ae57 100644 --- a/translations/ta/9-Real-World/1-Applications/README.md +++ b/translations/ta/9-Real-World/1-Applications/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Postscript: இயல்புநிலை உலகில் இயந்திரக் கற்றல் -![Sketchnote: இயல்புநிலை உலகில் இயந்திரக் கற்றலின் சுருக்கம்](../../../../translated_images/ml-realworld.26ee2746716155771f8076598b6145e6533fe4a9e2e465ea745f46648cbf1b84.ta.png) +![Sketchnote: இயல்புநிலை உலகில் இயந்திரக் கற்றலின் சுருக்கம்](../../../../translated_images/ml-realworld.26ee274671615577.ta.png) > Sketchnote: [Tomomi Imura](https://www.twitter.com/girlie_mac) உருவாக்கியது இந்த பாடத்திட்டத்தில், தரவுகளை பயிற்சிக்கத் தயார்படுத்தவும், இயந்திரக் கற்றல் மாதிரிகளை உருவாக்கவும் பல வழிகளை நீங்கள் கற்றுக்கொண்டீர்கள். நீங்கள் பாரம்பரிய ரிக்ரஷன், கிளஸ்டரிங், வகைப்படுத்தல், இயற்கை மொழி செயலாக்கம் மற்றும் நேரம் வரிசை மாதிரிகளை உருவாக்கினீர்கள். வாழ்த்துக்கள்! இப்போது, இதற்கெல்லாம் என்ன பயன் என்று நீங்கள் கேட்கலாம்... இந்த மாதிரிகளின் இயல்புநிலை பயன்பாடுகள் என்ன? diff --git a/translations/ta/9-Real-World/2-Debugging-ML-Models/README.md b/translations/ta/9-Real-World/2-Debugging-ML-Models/README.md index 3860b1ca5..621eea812 100644 --- a/translations/ta/9-Real-World/2-Debugging-ML-Models/README.md +++ b/translations/ta/9-Real-World/2-Debugging-ML-Models/README.md @@ -34,17 +34,17 @@ CO_OP_TRANSLATOR_METADATA: பாரம்பரிய மாடல் செயல்திறன் அளவுகோள்கள் துல்லியத்தை அளவிட பயன்படுத்தப்படுகின்றன, அவை பெரும்பாலும் சரியான மற்றும் தவறான கணிப்புகளின் அடிப்படையில் கணக்கீடுகள். உதாரணமாக, ஒரு மாடல் 89% துல்லியமாக உள்ளது மற்றும் 0.001 பிழை இழப்புடன் உள்ளது என்று தீர்மானித்தல் நல்ல செயல்திறனாகக் கருதப்படலாம். பிழைகள் உங்கள் அடிப்படை தரவுத்தொகுப்பில் ஒரே மாதிரியான முறையில் பகிரப்படவில்லை. நீங்கள் 89% மாடல் துல்லிய மதிப்பெண் பெறலாம், ஆனால் மாடல் 42% நேரத்தில் தோல்வியடையும் உங்கள் தரவின் பல பகுதிகளை கண்டறியலாம். குறிப்பிட்ட தரவுக் குழுக்களுடன் இந்த தோல்வி முறைமைகளின் விளைவுகள் நியாயம் அல்லது நம்பகத்தன்மை பிரச்சினைகளை உருவாக்கலாம். மாடல் எங்கு நன்றாக செயல்படுகிறது அல்லது இல்லை என்பதைப் புரிந்து கொள்வது அவசியம். உங்கள் மாடலில் அதிக தவறுகள் உள்ள தரவுப் பகுதிகள் முக்கியமான தரவுக் குழுவாக இருக்கலாம். -![மாடல் பிழைகளை பகுப்பாய்வு மற்றும் சரிசெய்தல்](../../../../translated_images/ea-error-distribution.117452e1177c1dd84fab2369967a68bcde787c76c6ea7fdb92fcf15d1fce8206.ta.png) +![மாடல் பிழைகளை பகுப்பாய்வு மற்றும் சரிசெய்தல்](../../../../translated_images/ea-error-distribution.117452e1177c1dd8.ta.png) RAI டாஷ்போர்டில் உள்ள பிழை பகுப்பாய்வு கூறு மாடல் தோல்வி பல்வேறு குழுக்களுக்கிடையே எவ்வாறு பகிரப்பட்டுள்ளது என்பதை மரக்காட்சி மூலம் விளக்குகிறது. இது உங்கள் தரவுத்தொகுப்பில் அதிக பிழை விகிதம் உள்ள அம்சங்கள் அல்லது பகுதிகளை அடையாளம் காண உதவுகிறது. மாடலின் தவறான கணிப்புகள் எங்கு அதிகமாக உள்ளன என்பதைப் பார்த்து, நீங்கள் அடிப்படை காரணத்தை ஆராயத் தொடங்கலாம். மேலும், தரவுக் குழுக்களை உருவாக்கி அவற்றில் பகுப்பாய்வு செய்யலாம். இந்த தரவுக் குழுக்கள் பிழை சரிசெய்தல் செயல்முறையில் உதவுகின்றன, ஏனெனில் ஒரு குழுவில் மாடல் செயல்திறன் நல்லது, ஆனால் மற்றொன்றில் தவறாக உள்ளது என்பதை தீர்மானிக்க உதவுகின்றன. -![பிழை பகுப்பாய்வு](../../../../translated_images/ea-error-cohort.6886209ea5d438c4daa8bfbf5ce3a7042586364dd3eccda4a4e3d05623ac702a.ta.png) +![பிழை பகுப்பாய்வு](../../../../translated_images/ea-error-cohort.6886209ea5d438c4.ta.png) மரக்காட்சியில் உள்ள காட்சி குறியீடுகள் பிரச்சினை பகுதிகளை விரைவாக அடையாளம் காண உதவுகின்றன. உதாரணமாக, மரக்கிளை ஒரு ஆழமான சிவப்பு நிறத்துடன் இருந்தால், பிழை விகிதம் அதிகமாக இருக்கும். ஹீட் மேப் என்பது மற்றொரு காட்சி செயல்பாடு, இது ஒரு அல்லது இரண்டு அம்சங்களைப் பயன்படுத்தி பிழை விகிதத்தை ஆராய்ந்து, மாடல் பிழைகளுக்கு காரணமாக இருக்கும் அம்சங்களை முழு தரவுத்தொகுப்பில் அல்லது குழுக்களில் கண்டறிய உதவுகிறது. -![பிழை பகுப்பாய்வு ஹீட் மேப்](../../../../translated_images/ea-heatmap.8d27185e28cee3830c85e1b2e9df9d2d5e5c8c940f41678efdb68753f2f7e56c.ta.png) +![பிழை பகுப்பாய்வு ஹீட் மேப்](../../../../translated_images/ea-heatmap.8d27185e28cee383.ta.png) பிழை பகுப்பாய்வை நீங்கள் பயன்படுத்த வேண்டிய சூழல்கள்: @@ -57,11 +57,11 @@ RAI டாஷ்போர்டில் உள்ள பிழை பகுப RAI டாஷ்போர்டின் மாடல் மேற்பார்வை கூறு, தரவுக் குழுக்களில் மாடலின் நடத்தை ஒப்பிடுவதற்கான திறனைக் கொடுப்பதுடன், குழுவில் தரவின் பிரதிநிதித்துவத்தின் செயல்திறன் அளவுகோள்களை பகுப்பாய்வு செய்ய உதவுகிறது. -![டாஷ்போர்டில் மாடல் மேற்பார்வை - தரவுக் குழுக்கள்](../../../../translated_images/model-overview-dataset-cohorts.dfa463fb527a35a0afc01b7b012fc87bf2cad756763f3652bbd810cac5d6cf33.ta.png) +![டாஷ்போர்டில் மாடல் மேற்பார்வை - தரவுக் குழுக்கள்](../../../../translated_images/model-overview-dataset-cohorts.dfa463fb527a35a0.ta.png) கூறின் அம்ச அடிப்படையிலான பகுப்பாய்வு செயல்பாடு, குறிப்பிட்ட அம்சத்தில் உள்ள தரவின் துணைக்குழுக்களை குறுகிய அளவில் அடையாளம் காண உதவுகிறது. உதாரணமாக, டாஷ்போர்டில் உள்ள உள்ளமை intelligence, பயனர் தேர்ந்தெடுத்த அம்சத்திற்கான குழுக்களை தானாக உருவாக்குகிறது (உதாரணமாக, *"time_in_hospital < 3"* அல்லது *"time_in_hospital >= 7"*). இது ஒரு பயனருக்கு பெரிய தரவுக் குழுவிலிருந்து ஒரு குறிப்பிட்ட அம்சத்தை தனிமைப்படுத்தி, மாடலின் தவறான முடிவுகளின் முக்கியமான தாக்கம் உள்ளதா என்பதைப் பார்க்க உதவுகிறது. -![டாஷ்போர்டில் மாடல் மேற்பார்வை - அம்சக் குழுக்கள்](../../../../translated_images/model-overview-feature-cohorts.c5104d575ffd0c80b7ad8ede7703fab6166bfc6f9125dd395dcc4ace2f522f70.ta.png) +![டாஷ்போர்டில் மாடல் மேற்பார்வை - அம்சக் குழுக்கள்](../../../../translated_images/model-overview-feature-cohorts.c5104d575ffd0c80.ta.png) மாடல் மேற்பார்வை கூறு இரண்டு வகையான வேறுபாடு அளவுகோள்களை ஆதரிக்கிறது: @@ -85,7 +85,7 @@ RAI டாஷ்போர்டின் மாடல் மேற்பார RAI டாஷ்போர்டில் உள்ள தரவு பகுப்பாய்வு கூறு, தரவுத்தொகுப்பில் அதிக மற்றும் குறைவான பிரதிநிதித்துவம் உள்ள பகுதிகளை அடையாளம் காண உதவுகிறது. இது தரவின் சமநிலையற்ற தன்மை அல்லது குறிப்பிட்ட தரவுக் குழுவின் பிரதிநிதித்துவம் இல்லாமை காரணமாக பிழைகள் மற்றும் நியாய பிரச்சினைகளை அறிய உதவுகிறது. இது பயனர்களுக்கு கணிப்பிடப்பட்ட மற்றும் உண்மையான முடிவுகள், பிழை குழுக்கள் மற்றும் குறிப்பிட்ட அம்சங்களை அடிப்படையாகக் கொண்ட தரவுத்தொகுப்புகளை காட்சிப்படுத்தும் திறனை வழங்குகிறது. சில நேரங்களில் குறைவாக பிரதிநிதித்துவம் செய்யப்பட்ட தரவுக் குழுவை கண்டறிதல், மாடல் நன்றாக கற்றுக்கொள்ளவில்லை என்பதை வெளிப்படுத்தலாம், இதனால் அதிக தவறுகள் ஏற்படுகின்றன. தரவுப் பாகுபாடு கொண்ட மாடல் என்பது ஒரு நியாய பிரச்சினை மட்டுமல்ல, மாடல் உள்ளடக்கமானது அல்லது நம்பகமானது அல்ல என்பதை காட்டுகிறது. -![RAI டாஷ்போர்டில் தரவு பகுப்பாய்வு கூறு](../../../../translated_images/dataanalysis-cover.8d6d0683a70a5c1e274e5a94b27a71137e3d0a3b707761d7170eb340dd07f11d.ta.png) +![RAI டாஷ்போர்டில் தரவு பகுப்பாய்வு கூறு](../../../../translated_images/dataanalysis-cover.8d6d0683a70a5c1e.ta.png) தரவு பகுப்பாய்வை நீங்கள் பயன்படுத்த வேண்டிய சூழல்கள்: diff --git a/translations/ta/9-Real-World/README.md b/translations/ta/9-Real-World/README.md index 28d291476..894742390 100644 --- a/translations/ta/9-Real-World/README.md +++ b/translations/ta/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: இந்த பாடத்திட்டத்தின் இந்த பகுதியில், பாரம்பரிய ML-இன் சில நிஜ உலக பயன்பாடுகளை நீங்கள் அறிந்து கொள்ளுவீர்கள். நாங்கள் இணையத்தில் தேடிப்பார்த்து, நரம்பியல் வலைகள், ஆழமான கற்றல் மற்றும் AI-ஐ ככלவியளவு தவிர்த்து, இந்த உத்திகளை பயன்படுத்திய பயன்பாடுகள் பற்றிய வெள்ளை ஆவணங்கள் மற்றும் கட்டுரைகளை கண்டுபிடித்துள்ளோம். ML வணிக அமைப்புகள், சுற்றுச்சூழல் பயன்பாடுகள், நிதி, கலை மற்றும் கலாச்சாரம் மற்றும் பலவற்றில் எப்படி பயன்படுத்தப்படுகிறது என்பதை அறிக. -![chess](../../../translated_images/chess.e704a268781bdad85d1876b6c2295742fa0d856e7dcf3659147052df9d3db205.ta.jpg) +![chess](../../../translated_images/chess.e704a268781bdad8.ta.jpg) > புகைப்படம் Alexis Fauvet மூலம் Unsplash இல் diff --git a/translations/ta/README.md b/translations/ta/README.md index 1af14c89e..71b18c631 100644 --- a/translations/ta/README.md +++ b/translations/ta/README.md @@ -1,224 +1,223 @@ [![GitHub உரிமம்](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) [![GitHub பங்களிப்பாளர்கள்](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) -[![GitHub பிரச்சினைகள்](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) -[![GitHub புல்-ரிக்வெஸ்ட்கள்](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) -[![PRs வரவேற்கப்படுகின்றன](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) +[![GitHub பிரச்சனைகள்](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) -[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -[![GitHub பார்க்குபவர்கள்](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 கண்காணிப்பவர்கள்](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) +[![GitHub Forkகள்](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/) [![GitHub நட்சத்திரங்கள்](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) ### 🌐 பல மொழி ஆதரவு -#### GitHub Action மூலம் ஆதரிக்கப்படுகிறது (தானியங்கி & எப்போதும் புதுப்பிக்கப்பட்டது) +#### GitHub Action மூலம் ஆதரிக்கப்படுகிறது (தானியங்கி & எப்போதும் புதுப்பிக்கப்பட்டுள்ளது) -[அரபு](../ar/README.md) | [பெங்காலி](../bn/README.md) | [பல்கேரியன்](../bg/README.md) | [பர்மீஸ் (மியான்மர்)](../my/README.md) | [சீன (சுருக்கப்பட்ட)](../zh/README.md) | [சீன (சம்பிரதாயம், ஹொங்கொங்)](../hk/README.md) | [சீன (சம்பிரதாயம், மெகாவ்)](../mo/README.md) | [சீன (சம்பிரதாயம், தைவான்)](../tw/README.md) | [குரோயேஷியன்](../hr/README.md) | [செக்](../cs/README.md) | [டேனிஷ்](../da/README.md) | [டச்சு](../nl/README.md) | [எஸ்டோனியன்](../et/README.md) | [பின்னிஷ்](../fi/README.md) | [பிரெஞ்சு](../fr/README.md) | [ஜெர்மன்](../de/README.md) | [கிரேக்கம்](../el/README.md) | [ஹீப்ரு](../he/README.md) | [இந்தி](../hi/README.md) | [ஹங்கேரியன்](../hu/README.md) | [இந்தோனேஷியன்](../id/README.md) | [இத்தாலியன்](../it/README.md) | [ஜப்பானீஸ்](../ja/README.md) | [கன்னடம்](../kn/README.md) | [கொரியன்](../ko/README.md) | [லிதுவேனியன்](../lt/README.md) | [மலாய்](../ms/README.md) | [மலையாளம்](../ml/README.md) | [மராத்தி](../mr/README.md) | [நீபாளி](../ne/README.md) | [நைஜீரியன் பிஜின்](../pcm/README.md) | [நார்வேஜியன்](../no/README.md) | [பெர்ஷியன் (ஃபார்ஸி)](../fa/README.md) | [போலிஷ்](../pl/README.md) | [போர்த்துக்கீஸ் (பிரசில்)](../br/README.md) | [போர்த்துக்கீஸ் (போர்ச்சுகல்)](../pt/README.md) | [பஞ்சாபி (குர்முகி)](../pa/README.md) | [ரோமேனியன்](../ro/README.md) | [ரஷ்யன்](../ru/README.md) | [செர்பியன் (சைரிலிக்)](../sr/README.md) | [ஸ்லோவாக்](../sk/README.md) | [ஸ்லோவேனியன்](../sl/README.md) | [ஸ்பானிஷ்](../es/README.md) | [ஸ்வாஹிலி](../sw/README.md) | [ஸ்வீடிஷ்](../sv/README.md) | [டாகாலுக் (பிலிப்பின்)](../tl/README.md) | [தமிழ்](./README.md) | [తెLINKு](../te/README.md) | [தாய்](../th/README.md) | [துருக்கிய](../tr/README.md) | [உக்ரைனியன்](../uk/README.md) | [உருது](../ur/README.md) | [வியட்நாமீஸ்](../vi/README.md) +[அரபு](../ar/README.md) | [பெங்காலி](../bn/README.md) | [பல்கேரியன்](../bg/README.md) | [பர்மீஸ் (மியான்மார்)](../my/README.md) | [சீனம் (எளிமைப்படுத்தப்பட்டது)](../zh/README.md) | [சீனம் (பாரம்பரிய, ஹொங்க் காங்)](../hk/README.md) | [சீனம் (பாரம்பரிய, மாகாவ்)](../mo/README.md) | [சீனம் (பாரம்பரிய, தைவான்)](../tw/README.md) | [குரோயேஷியன்](../hr/README.md) | [செக்](../cs/README.md) | [டேனிஷ்](../da/README.md) | [டச்சு](../nl/README.md) | [எஸ்டோனியன்](../et/README.md) | [ஃபின்னிஷ்](../fi/README.md) | [பிரெஞ்சு](../fr/README.md) | [ஜெர்மன்](../de/README.md) | [கிரேக்க](../el/README.md) | [ஹீப்ரூ](../he/README.md) | [இந்தி](../hi/README.md) | [ஹங்கேரியன்](../hu/README.md) | [இந்தோனேஷியன்](../id/README.md) | [இத்தாலியன்](../it/README.md) | [ஜப்பானீஸ்](../ja/README.md) | [கன்னடம்](../kn/README.md) | [கொரியன்](../ko/README.md) | [லிதுவேனியன்](../lt/README.md) | [மலாய்](../ms/README.md) | [மலையாளம்](../ml/README.md) | [மராத்தி](../mr/README.md) | [நேபாளம்](../ne/README.md) | [நைஜீரியன் பிகின்](../pcm/README.md) | [நோர்வேஜியன்](../no/README.md) | [பேர்ஷியன் (ஃபார்ஸி)](../fa/README.md) | [பொலிஷ்](../pl/README.md) | [போர்ச்சுகீஸ் (பிரேசில்)](../br/README.md) | [போர்ச்சுகீஸ் (போர்ச்சுகல்)](../pt/README.md) | [பஞ்சாப்பி (குர்முகி)](../pa/README.md) | [ரோமானியன்](../ro/README.md) | [ரஷ்யன்](../ru/README.md) | [சர்பியன் (சைரிலிக்)](../sr/README.md) | [ஸ்லோவாக்](../sk/README.md) | [ஸ்லோவேனியன்](../sl/README.md) | [ஸ்பானிஷ்](../es/README.md) | [ஸ்வாஹிலி](../sw/README.md) | [ஸ்வீடிஷ்](../sv/README.md) | [டாகாலோக (பிலிப்பைன்ஸ்)](../tl/README.md) | [தமிழ்](./README.md) | [తెలుగు](../te/README.md) | [தாய்](../th/README.md) | [துருக்கிஷ்](../tr/README.md) | [உக்ரைனியன்](../uk/README.md) | [உருது](../ur/README.md) | [வியட்நாமியம்](../vi/README.md) -#### எங்கள் சமூகத்தில் சேருக +#### எங்கள் சமூகத்தில் இணையுங்கள் [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -நாங்கள் ஒரு Discord "AI உடன் கற்றல்" தொடரை நடத்தியுக்கொண்டிருக்கிறோம், மேலும் தகவலுக்கு மற்றும் எங்களை சேர்ந்துகொள்ள [Learn with AI Series](https://aka.ms/learnwithai/discord) இல் 18 - 30 செப்டம்பர், 2025 அன்று அணுகவும். நீங்கள் Data Science க்காக GitHub Copilot ஐ பயன்படுத்துவதற்கான டிப்ஸ் மற்றும் சூடு-கைவினைகளை பெறுவீர்கள். +நாங்கள் ஒரு Discord "Learn with AI" தொடர் நடத்தி வருகிறோம், மேலும் விவரங்களுக்காக மற்றும் 18 - 30 செப்டம்பர், 2025 அன்று நடைபெறும் நிகழ்ச்சியில் கலந்து கொள்ள [Learn with AI Series](https://aka.ms/learnwithai/discord) என்ற இணைப்பில் சேரவும். Data Science க்கான GitHub Copilot பயன்படுத்துவதற்கான குறிப்புகள் மற்றும் முறைகள் கிடைக்கும். -![AI உடன் கற்றல் தொடர்](../../translated_images/3.9b58fd8d6c373c20c588c5070c4948a826ab074426c28ceb5889641294373dfc.ta.png) +![AI உடன் கற்றல் தொடர்](../../translated_images/3.9b58fd8d6c373c20.ta.png) -# தொடக்க நிலை இயந்திரக் கற்றல் - ஒரு பாடத்திட்டம் +# துவக்கர்களுக்கான மெஷின் லெர்னிங் - ஒரு பாடத்திட்டம் -> 🌍 உலகின் பல்வேறு கலாச்சாரங்களின் வழியாக இயந்திரக் கற்றலை ஆராய்வோம் என்று சுற்றுலா செய்யுங்கள் 🌍 +> 🌍 உலக பண்பாட்டுகளின் மூலம் மெஷின் லெர்னிங்கை ஆராயும் பயணத்தில் உலகம் சுற்றுங்களாம் 🌍 -Microsoft இல் Cloud Advocates குழு 12 வாரம், 26 பாடங்கள் கொண்ட முழுமையான பாடத்திட்டத்தை மகிழ்ச்சியாக வழங்குகிறது, இது **இயந்திரக் கற்றல்** பற்றியது. இந்த பாடத்திட்டத்தில், நாம் பெரும்பாலான Scikit-learn நூலகத்தை பயன்படுத்தி, ஆழ்கட்ட பயிற்சியை தவிர்த்து, சில நேரங்களில் "சீனியர் இயந்திரக் கற்றல்" என்று அழைக்கப்படும் ஒன்றைப் பற்றி கற்றுக்கொள்வோம் — அது நமது [AI for Beginners' curriculum](https://aka.ms/ai4beginners) இல் கவரப்பட்டுள்ள ஆழ்கட்டக் கற்றலை தவிர்க்கிறது. இக் பாடங்களை நம்முடைய ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) உடன் இணைத்துக் கொள்வதையும் பரிந்துரைக்கிறோம். +Microsoft இல் உள்ள Cloud Advocates குழு 12 வாரங்கள், 26 பாடங்கள் கொண்ட முழு பாடத்திட்டமான **Machine Learning** ஐ வழங்க தொழில்நுட்பமாக மகிழ்ச்சியுடன் வழங்குகிறது. இந்த பாடத்திட்டத்தில், நீங்கள் பெரும்பாலும் Scikit-learn நூலகத்தை பயன்படுத்தி மற்றும் ஆழமான கற்றலைக் கைவிட்டு சில நேரங்களில் "classic machine learning" என்று அழைக்கப்படும் வகையைப் பற்றி கற்பீர்கள். மேலும் இதை எமது [AI for Beginners' பாடத்திட்டம்](https://aka.ms/ai4beginners) உடன் சேர்த்து ஆழமான கற்றலைப் பெறலாம். இதை எங்கள் ['Data Science for Beginners' பாடத்திட்டம்](https://aka.ms/ds4beginners) உடன் இணைத்து பயன்படுத்தவும். -உலகம் முழுவதும் பல்வேறு பகுதிகளிலிருந்து எடுக்கப்பட்ட தரவுகளில் இந்த பாரம்பரியத் தொழில்நுட்பங்களைப் பயன்படுத்து க சுற்றுலா செய்யுங்கள். ஒவ்வொரு பாடமும் முன்னுஅபாத்து மற்றும் பின்னுஅபாத்து கருத்துரிமைகள், பாடத்தை முடிக்க எழுத்துப் பயிற்சி, ஒரு தீர்வு, ஒரு பணிவகுப்பு மற்றும் மேலும் பலவற்றை உள்ளடக்கியதாக இருக்கும். எங்கள் திட்ட-அடிப்படையிலான பாடக் கொள்கை, நீங்கள் ஒன்றை கட்டிக்கொண்டே கற்றுக்கொள்ள வாய்ப்பளிக்கிறது — இது புதிய திறன்கள் "அடிக்க" உதவுமென்பது நிரூபிக்கப்பட்ட வழி. +உலகின் பல பகுதிகளில் இருந்து எடுக்கப்பட்ட தரவுகளுடன் இந்த கம்ப்யூட்டிங் தொழில்நுட்பங்களை செலுத்தி பயணியுங்கள். ஒவ்வொரு பாடமும் முன்னும் பின்னும் க்விச், பாடத்தை முடிக்க படிப்படி வழிமுறைகள், ஒரு தீர்வு, ஒரு பணிப் பணி மற்றும் பலவற்றை கொண்டுள்ளது. எங்கள் திட்ட அடிப்படை பயிற்சி முறையால் நீங்கள் கட்டமைக்கும்போது கற்றுக் கொள்வீர்கள், இது புதிய திறமைகள் நிலைத்திருவதற்கு உதவுகிறது. -**✍️ எங்கள் ஆசிரியர்களுக்கு மனமார்ந்த நன்றிகள்** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu மற்றும் Amy Boyd +**✍️ எங்கள் எழுத்தாளர்களுக்கு மனமார்ந்த நன்றி** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu மற்றும் Amy Boyd -**🎨 எங்கள் வரைதரகர்களுக்கும் நன்றிகள்** Tomomi Imura, Dasani Madipalli, மற்றும் Jen Looper +**🎨 நன்றி எமது வரைபடக் கலைஞர்களுக்கும்** Tomomi Imura, Dasani Madipalli, மற்றும் Jen Looper -**🙏 சிறப்பு நன்றி 🙏 எங்கள் Microsoft மாணவர் தூதர்கள் எழுத்தாளர்கள், समीକ்ஷையாளர்கள் மற்றும் உள்ளடக்க பங்களிப்பாளர்கள்**, குறிப்பாக Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, மற்றும் Snigdha Agarwal +**🙏 சிறப்பு நன்றி 🙏 எமது Microsoft Student Ambassador எழுத்தாளர்கள், மதிப்பாய்வு செய்பவர்கள் மற்றும் உள்ளடக்க பங்களிப்பாளர்களுக்கு**, குறிப்பாக Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, மற்றும் Snigdha Agarwal -**🤩 எங்கள் R பாடங்களுக்காக Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi மற்றும் Vidushi Gupta அவர்களுக்கு கூடுதல் நன்றிகள்!** +**🤩 எமது R பாடங்களுக்காக Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, மற்றும் Vidushi Gupta ஆகியோருக்கு கூடுதல் நன்றிகள்!** -# தொடங்குவது எப்படி +# தொடங்குவது -இந்த படிகளைக் கடைபிடிக்கவும்: -1. **களஞ்சியத்தை Fork செய்க**: இந்த பக்கத்தின் மேல்-வலது மூலைவீச்சில் இருக்கும் "Fork" பொத்தானை கிளிக் செய்யவும். -2. **களஞ்சியத்தை கிளோன் செய்க**: `git clone https://github.com/microsoft/ML-For-Beginners.git` +இந்த படிகளை பின்பற்றவும்: +1. **கோப்பகத்தை Fork செய்யுங்கள்**: இந்த பக்கத்தின் மேல்-வலது மூலையில் உள்ள "Fork" பொத்தானை அழுத்தவும். +2. **கோப்பகத்தை Clone செய்யுங்கள்**: `git clone https://github.com/microsoft/ML-For-Beginners.git` -> [இந்த பாடத்திட்டத்திற்கான அனைத்து கூடுதல் வளங்களையும் எங்கள் Microsoft Learn தொகுப்பில் காண்க](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) +> [இந்த பாடத்திட்டத்திற்கான கூடுதல் அனைத்து வளங்களையும் எமது Microsoft Learn சேகரிப்பில் காணவும்](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) -> 🔧 **உதவி தேவைதா?** நிறுவல், அமைப்பு மற்றும் பாடங்களை இயக்குவதில் பொதுவாக சந்திக்கப்படும் பிரச்சினைகளுக்கான தீர்வுகளுக்கு எங்கள் [தTroubleshooting Guide](TROUBLESHOOTING.md) ஐ சரிபார்க்கவும். +> 🔧 **உதவி தேவைவுமா?** நிறுவல், அமைப்பு மற்றும் பாடங்களை இயக்கும் போது வரும் பொதுக் குறைகளை தீர்க்க எங்கள் [Troubleshooting Guide](TROUBLESHOOTING.md) ஐ பார்க்கவும். -**[மாணவர்கள்](https://aka.ms/student-page)**, இந்த பாடத்திட்டத்தை பயன்படுத்த, முழு ரெப்போவை உங்கள் சொந்த GitHub கணக்கிற்கு Fork செய்து அக்கல்வியை தனியாகவோ அல்லது குழுவாகவோ முடிக்கவும்: +**[மாணவர்கள்](https://aka.ms/student-page)**, இந்த பாடத்திட்டத்தை பயன்படுத்த, முழு repo-வை உங்கள் GitHub கணக்கிற்கு fork செய்து தனியாக அல்லது குழுவாக பயிற்சிகளை முடிக்கவும்: -- பாடத்திற்கு முன் ஒரு முன்னறிமுகக் கேள்வித்தாளுடன் தொடங்குங்கள். -- பேச்சுரையை படித்து நடவடிக்கைகளை தொடங்கி, ஒவ்வொரு அறிவுத்திறன் சரிபார்ப்பிலும் நிறுத்தி சிந்தியுங்கள். -- தீர்வு கோடுகளைப் பதிப்பாக இயக்காமல் உள்ளடக்கத்தை புரிந்து கொண்டு திட்டங்களை உருவாக்க முயற்சிக்கவும்; இருப்பினும் அந்தக் கோடுகள் ஒவ்வொரு திட்ட-கருத்து பாடகத்தின் `/solution` கோப்புறைகளில் கிடைக்கின்றன. -- பாடம் முடிந்தவுடன் பின்னர்-பேச்சு கேள்வித்தாளை தேர்வு செய்யுங்கள். -- சவாலைப் புகப்பெறுங்கள். -- பணியை முடிக்கவும். -- ஒரு பாடக் குழுவை முடித்தவுடன், [பேச்சு பலகை](https://github.com/microsoft/ML-For-Beginners/discussions) ஐ பார்வையிட்டு முன்னேற்றம் பற்றி வெளிப்படையாக "கற்று வெளிப்படையாக" (learn out loud) PAT ரூப்ரிக்கை நிரப்புங்கள். 'PAT' என்பது ஒரு Progress Assessment Tool ஆகும், நீங்கள் உங்கள் கற்றலை மேலும் மேம்படுத்த நிரப்பும் ஒரு ரூப்ரிக். மற்ற PAT களைப் பற்றியும் நீங்கள் பதிலளித்து நம்முடன் சேர்ந்து கற்றுக்கொள்ளலாம். +- முன்-பாடத் தேர்வுடன் துவங்குங்கள். +- வகுப்பை படித்து செயல்பாடுகளை முடிக்கவும்; ஒவ்வொரு அறிவு சோதனையிலும் நிறுத்தி குறித்த விஷயங்களை பரிசீலிக்கவும். +- தீர்வு குறியீட்டை இயக்குவதைக் காட்டிலும் பாடங்களை புரிந்து கொண்டு திட்டங்களை உருவாக்க முயற்சிக்கவும்; அதினாலும் அந்தக் குறியீடு ஒவ்வொரு திட்ட-ஆதார பாடத்திலும் உள்ள `/solution` கோப்புறைகளில் கிடைக்கிறது. +- பாடம் முடிந்த பிறகு உள்ள க்விசை எடுத்துப் பாருங்கள். +- சவால்களை முடிக்கவும். +- ஒதுக்கப்பட்ட பணியை முடிக்கவும். +- ஒரு பாடக் குழுவை முடித்த பிறகு, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) ஐப் பார்வையிட்டு உரிய PAT ரூப்ரிக் நிரப்புவது மூலம் "பொலிவாக கற்று கொள்ளுங்கள்". 'PAT' என்பது உங்கள் கற்றலை மேலும் ஊக்கப்படுத்த நீங்கள் நிரப்புகிற முன்னேற்ற மதிப்பீட்டு கருவி ஆகும். மற்ற PAT களுக்கு பிரதிசெய்தியைச் செலுத்துவதன்மூலம் நாமொன்றாக கற்றுக்கொள்ளலாம். -> கூடுதல் படிப்புக்கு, இவற்றை பின்பற்ற Microsoft Learn மாடியூல்கள் மற்றும் கற்றல் பாதைகளைக் கணிந்துக் கொள்ள பரிந்துரைக்கிறோம்: [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott). +> மேலும் படிப்பதற்காக, கீழ் உள்ள [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) மாட்யூல்கள் மற்றும் கற்றல் பாதைகளை பின்பற்ற பரிந்துரைக்கப்படுகின்றன. -**ஆசிரியர்கள்**, இந்த பாடத்திட்டத்தை எப்படிப் பயன்படுத்துவது குறித்து நாங்கள் [சில பரிந்துரைகளை சேர்த்துள்ளோம்](for-teachers.md). +**ஆசிரியர்கள்**, இந்த பாடத்திட்டத்தை எப்படி பயன்படுத்துவது என்பதற்கு நாம் [சில பரிந்துரைகளை சேர்த்துள்ளோம்](for-teachers.md). --- -## காணொளி நடைமுறை விளக்கங்கள் +## வீடியோ நடைமுறை விளக்கங்கள் -சில பாடங்கள் குறுகிய வடிவ காணொளியாக கிடைக்கின்றன. இந்த全部ையக் பாடங்களில் நேரடியாக அல்லது [ML for Beginners விழுப்பொருள் Microsoft Developer YouTube சேனலில் உள்ள பிளேலிஸ்டில்](https://aka.ms/ml-beginners-videos) காணலாம் — கீழுள்ள படத்தை கிளிக் செய்வதன் மூலம். +சில பாடங்கள் குறுகிய வடிவ வீடியோவாக கிடைக்கின்றன. இவைகளைப் பாடங்களில் நேரடியாக காணலாம், அல்லது கீழ் படத்தை கிளிக் செய்து [ML for Beginners playlist on the Microsoft Developer YouTube channel](https://aka.ms/ml-beginners-videos) இல் காணலாம். -[![ML தொடக்கர்களுக்கான பேனர்](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6251134294459696e070a3a9a04632e9fe6a24aa0de4a7384.ta.png)](https://aka.ms/ml-beginners-videos) +[![ML for beginners பேனர்](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6.ta.png)](https://aka.ms/ml-beginners-videos) --- -## அணியை சந்திக்கவும் +## குழுவை சந்திக்கவும் [![விளம்பர வீடியோ](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) **GIF உருவாக்கியவர்** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) -> 🎥 திட்டம் மற்றும் அதை உருவாக்கியவர்களைப் பற்றிய வீடியோவிற்காக மேலே உள்ள படத்தை கிளிக் செய்யவும்! +> 🎥 மேற்கண்ட படத்தை கிளிக் செய்து இந்த திட்டம் மற்றும் அதை உருவாக்கியவர்களின் பற்றிய வீடியோவை பாருங்கள்! --- -## படிப்பு கொள்கை +## கல்விமுறை -இந்த பாடத்திட்டத்தை உருவாக்கும்போதே, நாங்கள் இரண்டு படிப்பு கொள்கைகளை தேர்வு செய்துள்ளோம்: இது செயலில் செய்யக்கூடியவாகவும் (project-based) இருக்க வேண்டும் மற்றும் அதில் பலமுறை சோதனைகள் (frequent quizzes) இடம்பெற வேண்டும். கூடுதலாக, இந்த பாடத்திட்டத்துக்கு ஒருங்கிணைப்புக் கருதுகோள் (theme) ஒன்றை வழங்கி ஒருமித்த தன்மையை கொடுத்துள்ளோம். +இந்த பாடத்திட்டத்தை உருவாக்கும் போது நாம் இரண்டு கல்வி கொள்கைகளைத் தேர்ந்தெடுத்துள்ளோம்: இது நடைமுறையாகையான, திட்டம்-அடிப்படையிலான (project-based) ஆக இருக்க வேண்டும் மற்றும் அதில் அடிக்கடி க்விச்கள் (frequent quizzes) இருக்க வேண்டும். மேலும் இந்த பாடத்திட்டத்திற்கு ஒன்றிணைந்த ஒரு **தீம்** உள்ளது, இது ஒருங்கிணைப்புக்கு உதவும். -உள்ளடக்கம் திட்டங்களுடன் ஒத்துப்போகும் வகையில் அமைப்பதால் மாணவர்களுக்காக செயல்முறை ஈடுபாட்டாக பரிமாறுகிறது மற்றும் கருத்து நினைவில் இருப்பதை அதிகரிக்கிறது. வகுப்பிற்கு முன் குறைந்த-பொறுப்பு ஒரு கூட்டு-சோதனை மாணவரின் நோக்கத்தினை தலைப்புக்கு திருப்புகிறது, மற்றும் வகுப்புக்குப் பிறகு மற்றொரு சோதனை மேலும் நினைவுகளை உறுதிசெய்கிறது. இந்த பாடத்திட்டம் மிகவும் நெகிழ்வாகவும் மனதுக்கு இனிமையாகவும் வடிவமைக்கப்பட்டுள்ளது மற்றும் முழுமையாக அல்லது ஒரு பகுதியை எடுத்துக் கொண்டு படிக்கலாம். திட்டங்கள் ஆரம்பத்தில் சிறியதாக இருந்து 12-வாரம் முடிவில் அதிகளவில் சிக்கலானதாக மாறுகின்றன. இக்கிரேடியக்கிற்கு பதிலாக அல்லது விவாதத்திற்கு ஆதாரமாக பயன்படும் என்றோ குறிப்பிடத்தக்க உலக நடைமுறை பயன்பாடுகள் குறித்த பின்னுரையும் இதில் சேர்க்கப்பட்டுள்ளது. +உள்ளடக்கம் திட்டங்களோடு ஒத்துப்போகும்படி தொகுக்கப்பட்டால் மாணவர்களுக்கு அதிக ஈடுபாடு வழங்கும்படியும், கொள்கைகளின் நினைவாற்றலும் உயர்வதாக இருக்கும். மேலும் ஒரு வகுப்புக்கு முன் உள்ள விடுமுறை-விகிதம் குறைந்த-பரீட்சை மாணவரின் பாடம் கற்றுக்கொள்ளும் நோக்கத்தை உருவாக்கும்; வகுப்பின் பிறகு ஒரு இரண்டாவது க்விஸ் கூடுதல் நினைவாற்றலை உறுதிப்படுத்தும். இந்த பாடத்திட்டம் நெகிழ்வானதும் மகிழ்ச்சியானதுமானதாக வடிவமைக்கப்பட்டுள்ளது மற்றும் முழுவதையும் அல்லது ஒரு பகுதியைப் படித்து முடிக்கலாம். திட்டங்கள் சிறிது அளவில் துவங்கி 12 வார வட்டத்தின் முடிவில் வரையிலானவையாக progressively சிக்கலாகிறது. இந்த பாடத்திட்டம் மேலும் ML இன் இயல்பான பயன்பாடுகளின் மீது ஒரு பின்குறிப்பு(postscript) கொண்டுள்ளது, இது கூடுதல் கிரெடிட்டாக அல்லது கலந்துரையாடலுக்கான அடிப்படையாகப் பயன்படுத்தக்கூடியது. -> எங்கள் [நடவடிக்கை கோடுகள்](CODE_OF_CONDUCT.md), [அழைப்புக்குறிப்புகள்](CONTRIBUTING.md), [மொழிபெயர்ப்பு கொள்கை](TRANSLATIONS.md), மற்றும் [பிரச்சினை தீர்வுக் குறிப்புகள்](TROUBLESHOOTING.md) ஆகியவற்றைப் காணுங்கள். உங்கள் கட்டுமானமிக்க கருத்துக்களை நாங்கள் வரவேற்கிறோம்! +> எங்கள் [நடத்தை விதிகள்](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md), மற்றும் [Troubleshooting](TROUBLESHOOTING.md) கையேடுகளை காணவும். உங்கள் கட்டுமானமான கருத்துப்பின்னூட்டத்தைக் கிழிக்கிறோம்! -## ஒவ்வொரு பாடத்திலும் கீழ்கண்டவை உண்டு +## ஒவ்வொரு பாடத்திட்டமும் கொண்டவை -- விருப்பத்தேர்ந்த ஸ்கெட்ச்நோட் -- விருப்பத்தேர்ந்த கூட்டு வீடியோ -- காணொளி நடைமுறை விளக்கம் (சில பாடங்கள் மட்டும்) -- [பாடத்திற்கு முன் வெப்பப்பயிற்சி கேள்வித்தாள்](https://ff-quizzes.netlify.app/en/ml/) -- எழுத்து பாடம் -- திட்ட-அடிப்படையிலான பாடங்களுக்காக, திட்டத்தை உருவாக்குவதற்கான படி படியான வழிகாட்டிகள் -- அறிவுத்திறன் சரிபார்ப்புகள் +- விருப்பமான ஸ்கெட்ச் நோட் +- விருப்பமான கூடுதல் வீடியோ +- வீடியோ நடைமுறை விளக்கம் (சில பாடங்களுக்கே மட்டும்) +- [முன்-பாடம் தயாரிப்பு க்விஸ்](https://ff-quizzes.netlify.app/en/ml/) +- எழுதப்பட்ட பாடம் +- திட்டம்-அடிப்படையிலான பாடங்களுக்காக, திட்டத்தை எப்படி உருவாக்குவது என்பதற்கான படி-படி வழிகாட்டல்கள் +- அறிவு சோதனைகள் - ஒரு சவால் -- கூடுதல் வாசிப்பு -- பணியினம் -- [பாடத்திற்கு பிறகு கேள்வித்தாள்](https://ff-quizzes.netlify.app/en/ml/) +- கூடுதல் வாசிப்புகள் +- பணி +- [பாடம் பிறகு க்விஸ்](https://ff-quizzes.netlify.app/en/ml/) -> **மொழிகள் பற்றி ஒரு குறிப்பு**: இதில் உள்ள பாடங்கள் பெரும்பாலும் Python இல் எழுதப்பட்டுள்ளன, ஆனால் பல பாடங்கள் R-இலும் கிடைக்கின்றன. R பாடத்தை முடிக்க, `/solution` கோப்புறையைப் பார்க்கவும் மற்றும் R பாடங்களைத் தேடுங்கள். அவை `.rmd` விரிவாக்கத்தை கொண்டுள்ளன, இது **R Markdown** கோப்பாக உருவாக்கப்படுகின்றது; இது `code chunks` (R அல்லது பிற மொழிகளின்) மற்றும் ஒரு `YAML header` (PDF போன்ற வெளியீடுகளை வடிவமைக்க வழிகாட்டும்) ஆகியவற்றை ஒரு `Markdown document`இல் ஒருங்கிணைக்கும் வடிவத்தை குறிக்கிறது. ஆகவே, இது உங்கள் கோடு, அதன் வெளியீடு மற்றும் உங்கள் எண்ணங்களை Markdown இல் எழுதுவதன் மூலம் இணைத்துக் கொள்ள உதவுவது காரணமாக தரவுத்துறைக் கலைத்துறைக்கு ஒரு சிறந்த ஆசிரியர் வடிவமைப்பாக அமைகிறது. மேலும், R Markdown ஆவணங்கள் PDF, HTML அல்லது Word போன்ற வெளியீட்டு வடிவங்களுக்கு மாற்றப்படலாம். +> **மொழிகள் பற்றிய ஒரு குறிப்பு**: இந்தக் பாடங்கள் முதன்மையாக Python-இல் எழுதப்பட்டவை, ஆனால் பல பாடங்களும் R இல் கிடைக்கின்றன. R பாடத்தை முடிக்க `/solution` கோப்புறைக்கு சென்று R பாடங்களைத் தேடுங்கள். அவை .rmd நீட்சியைக் கொண்டிருக்கும், இது ஒரு **R Markdown** கோப்பாகும், இது எளிதில் வரையறுக்கப்படுவது `code chunks` (R அல்லது பிற மொழிகள்) மற்றும் `YAML header` (PDF போன்ற வெளியீடுகளின் வடிவமைப்பை வழிகாட்டும்) ஆகியவற்றின் இணைப்பாக ஒரு `Markdown document` இல் உள்ளடக்கியதாகும். இதன் மூலம், உங்கள் குறியீட்டு பகுதி, அதன் வெளியீடு மற்றும் உங்கள் எண்ணங்களை ஒன்றிணைத்து Markdown இல் எழுதுவதன் மூலம் தொடர் ஆவணமாகக் கொண்டு வர முடியும். மேலும், R Markdown ஆவணங்கள் PDF, HTML அல்லது Word போன்ற வெளியீடு வடிவங்களுக்கு உருவாக்கப்படலாம். -> **கேள்வித்தாள்கள் பற்றி ஒரு குறிப்பு**: அனைத்து கேள்வித்தாள்களும் [Quiz App folder](../../quiz-app) இல் உள்ளன, மொத்தம் 52 கேள்வித்தாள்கள், ஒவ்வொன்றிலும் மூன்று கேள்விகள் உள்ளன. அவை பாடங்களில் உள்ள இணைப்புகளாக இருக்கும்; ஆனால் quiz app-ஐ உள்ளூர் முறையில் இயக்கலாம்; உள்ளூர் ஹோஸ்ட் செய்ய அல்லது Azure-க்கு விருப்பம்உள்ளDeploy செய்வதற்கான வழிமுறைகளை `quiz-app` கோப்புறையில் பின்பற்றவும். +> **க்விஸ் பற்றிய ஒரு குறிப்பு**: அனைத்து க்விஸ்களும் [Quiz App folder](../../quiz-app) இல் உள்ளன; மொத்தம் 52 க்விஸ்கள் உள்ளன, ஒவ்வொன்றிலும் மூன்று கேள்விகள். இவை பாடங்களில் இணைக்கப்பட்டுள்ளன, ஆனால் quiz app-ஐ உள்ளூரில் இயக்கிக் கொள்ளலாம்; உள்ளூரில் ஹோஸ்ட் செய்தல் அல்லது Azure-க்கு deploy செய்வதற்கான வழிமுறைகள் `quiz-app` கோப்புறையில் கொடுக்கப்பட்டுள்ளன. -| Lesson Number | Topic | Lesson Grouping | Learning Objectives | Linked Lesson | Author | +| பாடம் எண் | தலைப்பு | பாடம் குழு | கற்றல் நோக்கங்கள் | இணைக்கப்பட்ட பாடம் | ஆசிரியர் | | :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | -| 01 | யந்திரக் கற்றலுக்கு அறிமுகம் | [அறிமுகம்](1-Introduction/README.md) | யந்திரக் கற்றலின் அடிப்படை கருத்துகளை கற்றுக்கொள்ளுங்கள் | [பாடம்](1-Introduction/1-intro-to-ML/README.md) | Muhammad | -| 02 | யந்திரக் கற்றலின் வரலாறு | [அறிமுகம்](1-Introduction/README.md) | இந்த துறையின் அடிப்படை வரலாற்றை கற்றுக்கொள்ளுங்கள் | [பாடம்](1-Introduction/2-history-of-ML/README.md) | Jen and Amy | -| 03 | நியாயம் மற்றும் யந்திரக் கற்றல் | [அறிமுகம்](1-Introduction/README.md) | யந்திரக் கற்றல் மாதிரிகளை உருவாக்கி பயன்படுத்தும் போது மாணவர்கள் பரிசீலிக்க வேண்டிய நியாயத்தின் முக்கிய தத்துவப் பிரச்சினைகள் என்ன? | [பாடம்](1-Introduction/3-fairness/README.md) | Tomomi | -| 04 | யந்திரக் கற்றலுக்கான தொழில்நுட்பங்கள் | [அறிமுகம்](1-Introduction/README.md) | யந்திரக் கற்றல் ஆராய்ச்சியாளர்கள் மாதிரிகளை உருவாக்க எவ்வகை தொழில்நுட்பங்களைப் பயன்படுத்துகிறார்கள்? | [பாடம்](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen | -| 05 | ரெக்ரெஷன் அறிமுகம் | [ரெக்ரெஷன்](2-Regression/README.md) | ரெக்ரெஷன் மாதிரிகளுக்காக Python மற்றும் Scikit-learn உடன் தொடங்குங்கள் | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | -| 06 | வட அமெரிக்க பூசணிக்காய் விலைகள் 🎃 | [ரெக்ரெஷன்](2-Regression/README.md) | யந்திரக் கற்றலுக்கான தரவுகளை காட்சி செய்து சுத்தம் செய்யுங்கள் | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | -| 07 | வட அமெரிக்க பூசணிக்காய் விலைகள் 🎃 | [ரெக்ரெஷன்](2-Regression/README.md) | நேரியல் மற்றும் பொலினோமியல் ரெக்ரெஷன் மாதிரிகளை உருவாக்குங்கள் | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau | -| 08 | வட அமெரிக்க பூசணிக்காய் விலைகள் 🎃 | [ரெக்ரெஷன்](2-Regression/README.md) | ஒரு லாஜிஸ்டிக் ரெக்ரெஷன் மாதிரியை உருவாக்குங்கள் | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | -| 09 | ஒரு வலை செயலி 🔌 | [வலை செயலி](3-Web-App/README.md) | உங்கள் பயிற்றெடுக்கப்பட்ட மாதிரியைப் பயன்படுத்த ஒரு வலை செயலியை கட்டுங்கள் | [Python](3-Web-App/1-Web-App/README.md) | Jen | -| 10 | வகைப்படுத்தலுக்கு அறிமுகம் | [வகைப்படுத்தல்](4-Classification/README.md) | தரவுகளை சுத்தம் செய்து, முன்னமைப்பு செய்து, காட்சி போடுதல்; வகைப்படுத்தலுக்கான அறிமுகம் | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau | -| 11 | சுவையான ஆசிய மற்றும் இந்திய சமையல்கள் 🍜 | [வகைப்படுத்தல்](4-Classification/README.md) | வகைப்படுத்திகளுக்கு அறிமுகம் | [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 | சுவையான ஆசிய மற்றும் இந்திய சமையல்கள் 🍜 | [வகைப்படுத்தல்](4-Classification/README.md) | மேலும் வகைப்படுத்திகள் | [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 | சுவையான ஆசிய மற்றும் இந்திய சமையல்கள் 🍜 | [வகைப்படுத்தல்](4-Classification/README.md) | உங்கள் மாதிரியைப் பயன்படுத்தி ஒரு பரிந்துரை வலை செயலியை உருவாக்குங்கள் | [Python](4-Classification/4-Applied/README.md) | Jen | -| 14 | கிளஸ்டரிங்கிற்கு அறிமுகம் | [கிளஸ்டரிங்](5-Clustering/README.md) | தரவுகளை சுத்தம் செய்து, முன்னமைத்து, காட்சி போடுதல்; கிளஸ்டரிங்கிற்கு அறிமுகம் | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | -| 15 | நைஜீரிய இசை விருப்பங்களை ஆராய்தல் 🎧 | [கிளஸ்டரிங்](5-Clustering/README.md) | K-Means கிளஸ்டரிங் முறைமையை ஆராயுங்கள் | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | -| 16 | இயற்கை மொழி செயலாக்கத்திற்கு அறிமுகம் ☕️ | [இயற்கை மொழி செயலாக்கம்](6-NLP/README.md) | ஒரு எளிய பாட்டை உருவாக்கி NLP அடிப்படைகளை கற்றுக்கொள்ளுங்கள் | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | -| 17 | பொதுவான NLP பணிகள் ☕️ | [இயற்கை மொழி செயலாக்கம்](6-NLP/README.md) | மொழி அமைப்புகளுடன் செயல்படும்போது தேவைப்படும் பொதுவான பணிகளைப் புரிந்துகொள்ளுவதன் மூலம் உங்கள் NLP அறிவை ஆழப்படுத்துங்கள் | [Python](6-NLP/2-Tasks/README.md) | Stephen | -| 18 | மொழிபெயர்ப்பு மற்றும் உணர்வு பகுப்பாய்வு ♥️ | [இயற்கை மொழி செயலாக்கம்](6-NLP/README.md) | ஜேன் ஓஸ்டினுடன் மொழிபெயர்ப்பு மற்றும் உணர்வு பகுப்பாய்வு | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | -| 19 | யூரோப்பின் காதலான ஓட்டல்கள் ♥️ | [இயற்கை மொழி செயலாக்கம்](6-NLP/README.md) | ஓட்டல் மதிப்புரைகளுடன் உணர்வு பகுப்பாய்வு 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | -| 20 | யூரோப்பின் காதலான ஓட்டல்கள் ♥️ | [இயற்கை மொழி செயலாக்கம்](6-NLP/README.md) | ஓட்டல் மதிப்புரைகளுடன் உணர்வு பகுப்பாய்வு 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | -| 21 | நேரத் தொடர் முன்னறிவு அறிமுகம் | [நேரத் தொடர்](7-TimeSeries/README.md) | நேரத் தொடர் முன்னறிவிப்பு அறிமுகம் | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | -| 22 | ⚡️ World Power Usage ⚡️ - ARIMA கொண்டு நேரத் தொடர் முன்னறிவு | [நேரத் தொடர்](7-TimeSeries/README.md) | ARIMA மூலம் நேரத் தொடர் முன்னறிவு | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | -| 23 | ⚡️ World Power Usage ⚡️ - SVR கொண்டு நேரத் தொடர் முன்னறிவு | [நேரத் தொடர்](7-TimeSeries/README.md) | Support Vector Regressor கொண்டு நேரத் தொடர் முன்னறிவு | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | -| 24 | ரீஇன்ஃபோர்ஸ்மெண்ட் லெர்னிங்கிற்கு அறிமுகம் | [ரீஇன்ஃபோர்ஸ்மெண்ட் லெர்னிங்](8-Reinforcement/README.md) | Q-Learning உடன் ரீஇன்ஃபோர்ஸ்மெண்ட் லெர்னிங்கிற்கு அறிமுகம் | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | -| 25 | பீட்டர் ஓநாயைத் தவிர்க்க உதவ세요! 🐺 | [ரீஇன்ஃபோர்ஸ்மெண்ட் லெர்னிங்](8-Reinforcement/README.md) | ரீஇன்ஃபோர்ஸ்மெண்ட் லெர்னிங் Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | -| Postscript | உண்மையான உலகில் யந்திரக் கற்றல் சூழ்நிலைகள் மற்றும் பயன்பாடுகள் | [உலகில் ML](9-Real-World/README.md) | பாரம்பரிய யந்திரக் கற்றலின் சுவாரஸ்யமான மற்றும் வெளிப்படையான உண்மையான உலக பயன்பாடுகள் | [பாடம்](9-Real-World/1-Applications/README.md) | Team | -| Postscript | RAI டாஷ்போர்டைப் பயன்படுத்தி யந்திரக் கற்றலில் மாதிரி பிழைதிருத்தம் | [உலகில் ML](9-Real-World/README.md) | Responsible AI டாஷ்போர்டு கூறுகளைப் பயன்படுத்தி யந்திரக் கற்றலில் மாதிரி பிழைதிருத்தம் | [பாடம்](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | - -> [இந்த பாடக்கருத்திற்கான அனைத்து கூடுதல் வளங்களையும் எங்கள் Microsoft Learn சேமிப்பில் கண்டுபிடிக்கவும்](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) +| 01 | இயந்திரக் கற்றலுக்கு அறிமுகம் | [Introduction](1-Introduction/README.md) | இயந்திரக் கற்றலின் அடிப்படை கருத்துக்களை கற்றுக்கொள்ளுங்கள் | [பாடம்](1-Introduction/1-intro-to-ML/README.md) | Muhammad | +| 02 | இயந்திரக் கற்றலின் வரலாறு | [Introduction](1-Introduction/README.md) | இந்த துறையின் அடிப்படையில் உள்ள வரலாற்றை கற்றுக்கொள்ளுங்கள் | [பாடம்](1-Introduction/2-history-of-ML/README.md) | Jen and Amy | +| 03 | நியாயம் மற்றும் இயந்திரக் கற்றல் | [Introduction](1-Introduction/README.md) | எம்எல் மாதிரிகளை உருவாக்கியதும் மற்றும் பயன்படுத்தியதும் மாணவர்கள் கவனிக்க வேண்டிய நியாயம் தொடர்பான முக்கிய தத்துவப் பிரச்சனைகள் எவை? | [பாடம்](1-Introduction/3-fairness/README.md) | Tomomi | +| 04 | இயந்திரக் கற்றலுக்கான தொழில்நுட்பங்கள் | [Introduction](1-Introduction/README.md) | எம்எல் ஆராய்ச்சியாளர்கள் எம்எல் மாதிரிகளை உருவாக்க எந்த தொழில்நுட்பங்களைப் பயன்படுத்துகிறார்கள்? | [பாடம்](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen | +| 05 | ரெக்ரெஷன் அறிமுகம் | [Regression](2-Regression/README.md) | ரெக்ரெஷன் மாதிரிகளுக்காக Python மற்றும் Scikit-learn உடன் துவங்குங்கள் | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | +| 06 | வட அமெரிக்க பூசணிக்காய் விலைகள் 🎃 | [Regression](2-Regression/README.md) | எம்எலுக்கான தயாரிப்பாக தரவை காட்சியிடவும் மற்றும் சுத்தம் செய்யவும் | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | +| 07 | வட அமெரிக்க பூசணிக்காய் விலைகள் 🎃 | [Regression](2-Regression/README.md) | லினியர் மற்றும் பாலினோமியல் ரெக்ரெஷன் மாதிரிகளை உருவாக்கவும் | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau | +| 08 | வட அமெரிக்க பூசணிக்காய் விலைகள் 🎃 | [Regression](2-Regression/README.md) | ஒரு லொஜிஸ்டிக் ரெக்ரெஷன் மாதிரியை உருவாக்கவும் | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | +| 09 | ஒரு வலை பயன்பாடு 🔌 | [Web App](3-Web-App/README.md) | பயிற்சி பெற்ற மாதிரியை பயன்படுத்த ஒரு வலைப் பயன்பாட்டை உருவாக்கவும் | [Python](3-Web-App/1-Web-App/README.md) | Jen | +| 10 | வகைப்படுத்தலுக்கான அறிமுகம் | [Classification](4-Classification/README.md) | உங்கள் தரவுகளை சுத்தம் செய்து, தயாரித்து, காட்சியிடுங்கள்; வகைப்படுத்தலுக்கான அறிமுகம் | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau | +| 11 | சுவையான ஆசிய மற்றும் இந்திய உணவுகள் 🍜 | [Classification](4-Classification/README.md) | வகைப்பவர்(கிளாஸிபையர்) அறிமுகம் | [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 | சுவையான ஆசிய மற்றும் இந்திய உணவுகள் 🍜 | [Classification](4-Classification/README.md) | மேலும் கிளாஸிபையர்கள் | [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 | சுவையான ஆசிய மற்றும் இந்திய உணவுகள் 🍜 | [Classification](4-Classification/README.md) | உங்கள் மாதிரியைப் பயன்படுத்தி ஒரு பரிந்துரை செய்யும் வலைப் பயன்பாட்டை உருவாக்கவும் | [Python](4-Classification/4-Applied/README.md) | Jen | +| 14 | கிளஸ்டரிங் அறிமுகம் | [Clustering](5-Clustering/README.md) | உங்கள் தரவுகளை சுத்தம் செய்து, தயாரித்து, காட்சியிடுங்கள்; கிளஸ்டரிங்கிற்கான அறிமுகம் | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | +| 15 | நைஜீரிய இசை ருசிகளை ஆராய்தல் 🎧 | [Clustering](5-Clustering/README.md) | K-Means கிளஸ்டரிங் முறையை ஆராயுங்கள் | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | +| 16 | இயல்பான மொழி செயலாக்கத்திற்கான அறிமுகம் ☕️ | [Natural language processing](6-NLP/README.md) | ஒரு எளிய பாட்டை உருவாக்குவதன் மூலம் NLP பற்றிய அடிப்படைகளை கற்றுக்கொள்ளுங்கள் | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | +| 17 | பொதுவான NLP பணிகள் ☕️ | [Natural language processing](6-NLP/README.md) | மொழி அமைப்புகளுடன் வேலை செய்வதில் தேவையான பொதுவான பணிகளைப் புரிந்து கொண்டு NLP அறிவை ஆழப்படுத்துங்கள் | [Python](6-NLP/2-Tasks/README.md) | Stephen | +| 18 | மொழிபெயர்ப்பு மற்றும் உணர்வு பகுப்பாய்வு ♥️ | [Natural language processing](6-NLP/README.md) | ஜேன் ஆஸ்டினுடன் மொழிபெயர்ப்பு மற்றும் உணர்வு பகுப்பாய்வு | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | +| 19 | ரோமான்டிக் ஹோட்டல்கள் ஐரோப்பாவின் ♥️ | [Natural language processing](6-NLP/README.md) | ஹோட்டல் மதிப்புரைகளுடன் உணர்வு பகுப்பாய்வு 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | +| 20 | ரோமான்டிக் ஹோட்டல்கள் ஐரோப்பாவின் ♥️ | [Natural language processing](6-NLP/README.md) | ஹோட்டல் மதிப்புரைகளுடன் உணர்வு பகுப்பாய்வு 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | +| 21 | கால வரிசை முன்னறிவிப்பு அறிமுகம் | [Time series](7-TimeSeries/README.md) | கால வரிசை முன்னறிவிப்பிற்கு அறிமுகம் | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | +| 22 | ⚡️ உலக மின்சாரம் பயன்பாடு ⚡️ - ARIMA உடன் கால வரிசை முன்னறிவிப்பு | [Time series](7-TimeSeries/README.md) | ARIMA மூலம் கால வரிசை முன்னறிவிப்பு | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | +| 23 | ⚡️ உலக மின்சாரம் பயன்பாடு ⚡️ - SVR உடன் கால வரிசை முன்னறிவிப்பு | [Time series](7-TimeSeries/README.md) | Support Vector Regressor மூலம் கால வரிசை முன்னறிவிப்பு | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | +| 24 | ரீஇன்போர்ஸ்மெண்ட் லெர்னிங்கின் அறிமுகம் | [Reinforcement learning](8-Reinforcement/README.md) | Q-Learning உடன் ரீஇன்போர்ஸ்மெண்ட் லெர்னிங்கின் அறிமுகம் | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | +| 25 | பீட்டரை நரியைத் தவிர்க்க உதவுங்கள்! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | ரீஇன்போர்ஸ்மெண்ட் லெர்னிங் ஜிம் | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | +| பின்குறிப்பு | உலக உண்மையான எம்எல் சூழ்நிலைகள் மற்றும் பயன்பாடுகள் | [ML in the Wild](9-Real-World/README.md) | பாரம்பரிய எம்எலின் சுவாரசியமான மற்றும் வெளிப்படுத்தும் நடைமுறை பயன்பாடுகள் | [பாடம்](9-Real-World/1-Applications/README.md) | Team | +| பின்குறிப்பு | RAI டாஷ்போர்டைப் பயன்படுத்தி எம்எலில் மாதிரி டிபக்கிங் | [ML in the Wild](9-Real-World/README.md) | Responsible AI டாஷ்போர்டு கூறுகளைப் பயன்படுத்தி இயந்திரக் கற்றலில் மாதிரி டிபக்கிங் | [பாடம்](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | + +> [இந்த பாடத்திற்கான மேலும் அனைத்து வளங்களையும் எங்கள் Microsoft Learn சேமிப்பகத்தில் காண்க](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) ## ஆஃப்லைன் அணுகல் -இந்த ஆவணத்தைக் [Docsify](https://docsify.js.org/#/) பயன்படுத்தி ஆஃப்லைனில் இயக்கலாம். இந்த repo-வை fork செய்து, உங்கள் உள்ளூர் கணினியில் [Docsify ஐ நிறுவுங்கள்](https://docsify.js.org/#/quickstart), பின்னர் இந்த repo-வின் ரூட் கோப்பகத்தில் `docsify serve` என தட்டச்சு செய்யவும். இந்த இணையதளம் உங்கள் localhost இல் போர்ட் 3000-இல் சேவையாகும்: `localhost:3000`. +இந்த ஆவணத்தை நீங்கள் [Docsify](https://docsify.js.org/#/) ஐ பயன்படுத்தி ஆஃப்லைனில் இயக்கலாம். இந்த repo-ஐ fork செய்து, உங்கள் உள்ளூர் கணினியில் [Docsify ஐ நிறுவவும்](https://docsify.js.org/#/quickstart), பின்னர் இந்த repo-வின் ரூட் கோப்பகத்தில் `docsify serve` என தட்டச்சு செய்யவும். வலைத்தளம் உங்கள் localhost இல் போர்டு 3000 இல் வழங்கப்படும்: `localhost:3000`. ## PDFகள் -இப்பாடத்திட்டத்தின் இணைப்புகளுடன் கூடிய pdf ஐ [இங்கே](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) காண்க. +இத்திட்டத்தின் விவரக்கூட்டத்தில் இணைப்புகளுடன் உள்ள pdf-ஐ [இங்கே](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) காண்க. -## 🎒 பிற படிப்புகள் +## 🎒 பிற பாடங்கள் -எங்கள் குழு மற்ற படிப்புகளையும் தயாரிக்கிறது! பாருங்கள்: +எங்கள் குழு மற்ற பாடங்களையும் உருவாக்குகிறது! பார்க்க: ### LangChain -[![LangChain4j தொடக்கக்காரர்களுக்காக](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 தொடக்கக்காரர்களுக்காக](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 ஆரம்பத்திற்கான](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 ஆரம்பத்திற்கான](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 தொடக்கக்காரர்களுக்கானது](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 தொடக்கக்காரர்களுக்காக](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 தொடக்கக்காரர்களுக்காக](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 தொடக்கக்காரர்களுக்காக](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 ஆரம்பத்திற்கான](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 ஆரம்பத்திற்கான](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 ஆரம்பத்திற்கான](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 ஆரம்பத்திற்கான](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 -[![உருவாக்கும் AI தொடக்கக்காரர்களுக்காக](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) +### உருவாக்குநர் AI தொடர் +[![Generative AI ஆரம்பத்திற்கான](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) -[![உருவாக்கும் 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) -[![உருவாக்கும் 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) +[![உற்பத்தி செயற்கை நுண்ணறிவு (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) +[![உற்பத்தி செயற்கை நுண்ணறிவு (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) --- -### அடிப்படை கற்றல் +### முக்கியக் கற்றல் [![ஆரம்பிகளுக்கான இயந்திரக் கற்றல்](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) -[![ஆரம்பிகளுக்கான தரவுத்துறை அறிவியல்](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) +[![ஆரம்பிகளுக்கான தரவு அறிவியல்](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) [![ஆரம்பிகளுக்கான செயற்கை நுண்ணறிவு](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) -[![ஆரம்பிகளுக்கான இணையப் பாதுகாப்பு](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) -[![ஆரம்பிகளுக்கான வலை அபிவிருத்தி](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) +[![ஆரம்பிகளுக்கான சைபர் பாதுகாப்பு](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) +[![ஆரம்பிகளுக்கான வலை மேம்பாடு](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) [![ஆரம்பிகளுக்கான 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) -[![ஆரம்பிகளுக்கான XR அபிவிருத்தி](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) +[![ஆரம்பிகளுக்கான XR மேம்பாடு](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 தொடர் -[![AI இணைந்த நிரலாக்கத்திற்கான 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 க்கான 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) +[![AI இணை நிரலாக்கத்திற்கான 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-க்கான 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 சாகசம்](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) ## உதவி பெறுதல் -AI பயன்பாடுகளை உருவாக்கும்போது சிக்கி விடுவது அல்லது ஏதேனும் கேள்விகள் இருந்தால். MCP பற்றிய கலந்துரையாடல்களில் மற்ற கற்றுக்கொள்வோர் மற்றும் அனுபவமிக்க டெவலப்பர்களுடன் சேருங்கள். இது கேள்விகளை வரவேற்கும் மற்றும் அறிவை சுதந்திரமாகப் பகிரும் ஆதரவான சமூகமாகும். +AI செயலிகளை உருவாக்குவதில் சிக்கி போய்க் கிடக்கும்போது அல்லது ஏதேனும் கேள்விகள் இருந்தால், MCP குறித்து நடத்தப்படும் விவாதங்களில் மற்ற கற்றலாளர்கள் மற்றும் அனுபவமிக்க டெவலப்பர்களுடன் இணைந்து கலந்துகொள்ளுங்கள். இது கேள்விகள் வரவேற்கப்படும் மற்றும் அறிவு சுதந்திரமாக பகிரப்படும் ஒரு ஆதரவு சமூகமாகும். [![Microsoft Foundry டிஸ்கார்ட்](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) If you have product feedback or errors while building visit: -[![Microsoft Foundry டெவலப்பர் அரங்கம்](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 டெவலப்பர் மன்றம்](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) --- -பொறுப்புவிலக்கு: -இந்த ஆவணம் AI மொழிபெயர்ப்பு சேவை [Co-op Translator](https://github.com/Azure/co-op-translator) பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சித்தாலும், தானியங்கி மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறான விளக்கங்கள் இருக்க வாய்ப்புண்டு என்பதை தயவுகூர்ந்து கவனிக்கவும். எந்தவொரு சந்தேகமான நிலைமையிலும், அசல் ஆவணம் அதன் சொந்த மொழியில் உள்ளதையே அதிகாரப்பூர்வ ஆதாரமாக கருத வேண்டும். முக்கியமான தகவல்களுக்காக தொழில்முறை மனித மொழிபெயர்ப்பைச் செய்ய பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதினால் ஏற்படும் எந்தவொரு தவறான புரிதலுக்கும், தவறாகப் பயன்படுத்தலுக்கும் நாங்கள் பொறுப்பேற்க மாட்டோம். +மறுப்பு: +இந்த ஆவணம் AI மொழிபெயர்ப்பு சேவை [Co-op Translator](https://github.com/Azure/co-op-translator) மூலம் மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சி செய்கிறோம் என்றாலும், தானியங்கி மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறான பொருள் விளக்கங்கள் இருக்கலாம் என்பதை கவனத்தில் கொள்ளவும். சொந்த மொழியில் உள்ள மூல ஆவணம் அதிகாரபூர்வ மூலமாகக் கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்காக, தொழில்முறை மனித மொழிபெயர்ப்பாளர்களை அணுக பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பின் பயன்பாட்டால் ஏற்படும் எந்தவொரு புரிதல் தவறுகள் அல்லது தவறான விளக்கங்களுக்காக நாங்கள் பொறுப்பேற்கமாட்டோம். \ No newline at end of file diff --git a/translations/te/1-Introduction/1-intro-to-ML/README.md b/translations/te/1-Introduction/1-intro-to-ML/README.md index 13d91ef6e..3169debd7 100644 --- a/translations/te/1-Introduction/1-intro-to-ML/README.md +++ b/translations/te/1-Introduction/1-intro-to-ML/README.md @@ -42,7 +42,7 @@ CO_OP_TRANSLATOR_METADATA: --- ## హైప్ కర్వ్ -![ml hype curve](../../../../translated_images/hype.07183d711a17aafe70915909a0e45aa286ede136ee9424d418026ab00fec344c.te.png) +![ml hype curve](../../../../translated_images/hype.07183d711a17aafe.te.png) > గూగుల్ ట్రెండ్స్ 'మెషీన్ లెర్నింగ్' పదం యొక్క తాజా 'హైప్ కర్వ్' ను చూపిస్తుంది @@ -69,7 +69,7 @@ CO_OP_TRANSLATOR_METADATA: --- ## AI, ML, డీప్ లెర్నింగ్ -![AI, ML, deep learning, data science](../../../../translated_images/ai-ml-ds.537ea441b124ebf69c144a52c0eb13a7af63c4355c2f92f440979380a2fb08b8.te.png) +![AI, ML, deep learning, data science](../../../../translated_images/ai-ml-ds.537ea441b124ebf6.te.png) > AI, ML, డీప్ లెర్నింగ్ మరియు డేటా సైన్స్ మధ్య సంబంధాలను చూపించే డయాగ్రామ్. ఇన్ఫోగ్రాఫిక్ [జెన్ లూపర్](https://twitter.com/jenlooper) ద్వారా, ఈ గ్రాఫిక్ ఆధారంగా [ఇది](https://softwareengineering.stackexchange.com/questions/366996/distinction-between-ai-ml-neural-networks-deep-learning-and-data-mining) diff --git a/translations/te/1-Introduction/2-history-of-ML/README.md b/translations/te/1-Introduction/2-history-of-ML/README.md index 321335761..553b1e241 100644 --- a/translations/te/1-Introduction/2-history-of-ML/README.md +++ b/translations/te/1-Introduction/2-history-of-ML/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # మెషీన్ లెర్నింగ్ చరిత్ర -![మెషీన్ లెర్నింగ్ చరిత్ర యొక్క సారాంశం స్కెచ్ నోట్‌లో](../../../../translated_images/ml-history.a1bdfd4ce1f464d9a0502f38d355ffda384c95cd5278297a46c9a391b5053bc4.te.png) +![మెషీన్ లెర్నింగ్ చరిత్ర యొక్క సారాంశం స్కెచ్ నోట్‌లో](../../../../translated_images/ml-history.a1bdfd4ce1f464d9.te.png) > స్కెచ్ నోట్ [టోమోమీ ఇమురా](https://www.twitter.com/girlie_mac) ద్వారా ## [పూర్వ-లెక్చర్ క్విజ్](https://ff-quizzes.netlify.app/en/ml/) @@ -71,14 +71,14 @@ CO_OP_TRANSLATOR_METADATA: * [షేకీ రోబోట్](https://wikipedia.org/wiki/Shakey_the_robot), ఇది చురుకైన విధంగా పనులు చేయగలదు మరియు నిర్ణయాలు తీసుకోగలదు. - ![షేకీ, ఒక తెలివైన రోబోట్](../../../../translated_images/shakey.4dc17819c447c05bf4b52f76da0bdd28817d056fdb906252ec20124dd4cfa55e.te.jpg) + ![షేకీ, ఒక తెలివైన రోబోట్](../../../../translated_images/shakey.4dc17819c447c05b.te.jpg) > 1972లో షేకీ --- * ఎలిజా, ఒక ప్రారంభ 'చాటర్‌బాట్', ప్రజలతో సంభాషించగలదు మరియు ప్రాథమిక 'థెరపిస్ట్'గా పనిచేయగలదు. మీరు NLP పాఠాలలో ఎలిజా గురించి మరింత తెలుసుకుంటారు. - ![ఎలిజా, ఒక బాట్](../../../../translated_images/eliza.84397454cda9559bb5ec296b5b8fff067571c0cccc5405f9c1ab1c3f105c075c.te.png) + ![ఎలిజా, ఒక బాట్](../../../../translated_images/eliza.84397454cda9559b.te.png) > ఎలిజా యొక్క ఒక వెర్షన్, ఒక చాట్‌బాట్ --- diff --git a/translations/te/1-Introduction/3-fairness/README.md b/translations/te/1-Introduction/3-fairness/README.md index 7fee47f72..e226def3c 100644 --- a/translations/te/1-Introduction/3-fairness/README.md +++ b/translations/te/1-Introduction/3-fairness/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # బాధ్యతాయుత AIతో మెషీన్ లెర్నింగ్ పరిష్కారాలను నిర్మించడం -![మెషీన్ లెర్నింగ్‌లో బాధ్యతాయుత AI యొక్క సారాంశం స్కెచ్ నోట్](../../../../translated_images/ml-fairness.ef296ebec6afc98a44566d7b6c1ed18dc2bf1115c13ec679bb626028e852fa1d.te.png) +![మెషీన్ లెర్నింగ్‌లో బాధ్యతాయుత AI యొక్క సారాంశం స్కెచ్ నోట్](../../../../translated_images/ml-fairness.ef296ebec6afc98a.te.png) > స్కెచ్ నోట్: [Tomomi Imura](https://www.twitter.com/girlie_mac) ## [పూర్వ-లెక్చర్ క్విజ్](https://ff-quizzes.netlify.app/en/ml/) @@ -51,10 +51,10 @@ AI వ్యవస్థలు అందరితో సమానంగా వ - **అధిక లేదా తక్కువ ప్రాతినిధ్యం**. ఒక నిర్దిష్ట గుంపు ఒక నిర్దిష్ట వృత్తిలో కనిపించకపోవడం, మరియు ఆ సేవ లేదా ఫంక్షన్ ఆ గుంపును ప్రోత్సహించడం హానికరంగా మారడం. - **స్టీరియోటైపింగ్**. ఒక గుంపును ముందుగా కేటాయించిన లక్షణాలతో అనుసంధానం చేయడం. ఉదాహరణకు, ఆంగ్లం మరియు టర్కిష్ మధ్య భాషా అనువాద వ్యవస్థలో లింగానికి సంబంధించిన స్టీరియోటైపికల్ పదాల కారణంగా తప్పులు ఉండవచ్చు. -![translation to Turkish](../../../../translated_images/gender-bias-translate-en-tr.f185fd8822c2d4372912f2b690f6aaddd306ffbb49d795ad8d12a4bf141e7af0.te.png) +![translation to Turkish](../../../../translated_images/gender-bias-translate-en-tr.f185fd8822c2d437.te.png) > టర్కిష్‌కు అనువాదం -![translation back to English](../../../../translated_images/gender-bias-translate-tr-en.4eee7e3cecb8c70e13a8abbc379209bc8032714169e585bdeac75af09b1752aa.te.png) +![translation back to English](../../../../translated_images/gender-bias-translate-tr-en.4eee7e3cecb8c70e.te.png) > ఇంగ్లీష్‌కు తిరిగి అనువాదం AI వ్యవస్థలను రూపకల్పన మరియు పరీక్షల సమయంలో, AI న్యాయసమ్మతమైనదిగా ఉండాలని మరియు పక్షపాత లేదా వివక్షాత్మక నిర్ణయాలు తీసుకోకుండా ప్రోగ్రామ్ చేయబడకూడదని నిర్ధారించాలి, ఇవి మానవులు కూడా చేయకూడదు. AI మరియు మెషీన్ లెర్నింగ్‌లో న్యాయసమ్మతతను హామీ చేయడం ఒక క్లిష్టమైన సామాజిక సాంకేతిక సవాలు. @@ -97,7 +97,7 @@ AI వ్యవస్థలు అర్థమయ్యే విధంగా AI వ్యవస్థలను రూపకల్పన మరియు అమలు చేసే వారు వారి వ్యవస్థలు ఎలా పనిచేస్తాయో బాధ్యత వహించాలి. ముఖచిత్ర గుర్తింపు వంటి సున్నితమైన సాంకేతికతలతో బాధ్యత అవసరం మరింత కీలకం. ఇటీవల, ముఖచిత్ర గుర్తింపు సాంకేతికతకు పెరుగుతున్న డిమాండ్ ఉంది, ముఖ్యంగా మిస్సింగ్ పిల్లలను కనుగొనడంలో ఈ సాంకేతికత ఉపయోగపడుతుందని భావించే చట్ట అమలాదారుల నుండి. అయితే, ఈ సాంకేతికతలు ప్రభుత్వాలు తమ పౌరుల ప్రాథమిక స్వేచ్ఛలను ప్రమాదంలో పెట్టడానికి ఉపయోగించవచ్చు, ఉదాహరణకు నిర్దిష్ట వ్యక్తులపై నిరంతర పర్యవేక్షణను సులభతరం చేయడం. అందువల్ల, డేటా శాస్త్రవేత్తలు మరియు సంస్థలు వారి AI వ్యవస్థ వ్యక్తులు లేదా సమాజంపై ఎలా ప్రభావం చూపుతుందో బాధ్యత వహించాలి. -[![ముఖచిత్ర గుర్తింపు ద్వారా భారీ పర్యవేక్షణపై ప్రముఖ AI పరిశోధకుడు హెచ్చరిస్తున్నారు](../../../../translated_images/accountability.41d8c0f4b85b6231301d97f17a450a805b7a07aaeb56b34015d71c757cad142e.te.png)](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI") +[![ముఖచిత్ర గుర్తింపు ద్వారా భారీ పర్యవేక్షణపై ప్రముఖ AI పరిశోధకుడు హెచ్చరిస్తున్నారు](../../../../translated_images/accountability.41d8c0f4b85b6231.te.png)](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI") > 🎥 వీడియో కోసం పై చిత్రాన్ని క్లిక్ చేయండి: ముఖచిత్ర గుర్తింపు ద్వారా భారీ పర్యవేక్షణ హెచ్చరికలు diff --git a/translations/te/1-Introduction/4-techniques-of-ML/README.md b/translations/te/1-Introduction/4-techniques-of-ML/README.md index a8c993b2b..26602d0f0 100644 --- a/translations/te/1-Introduction/4-techniques-of-ML/README.md +++ b/translations/te/1-Introduction/4-techniques-of-ML/README.md @@ -97,7 +97,7 @@ CO_OP_TRANSLATOR_METADATA: 🎓 **అండర్‌ఫిట్టింగ్** మరియు **ఓవర్‌ఫిట్టింగ్** సాధారణ సమస్యలు, ఇవి మోడల్ నాణ్యతను తగ్గిస్తాయి, ఎందుకంటే మోడల్ సరైన రీతిలో సరిపోలడం లేదా ఎక్కువగా సరిపోలడం లేదు. ఓవర్‌ఫిట్ మోడల్ శిక్షణ డేటాను చాలా బాగా పూర్వానుమానిస్తుంది, ఎందుకంటే అది డేటా వివరాలు మరియు శబ్దాన్ని బాగా నేర్చుకుంది. అండర్‌ఫిట్ మోడల్ ఖచ్చితంగా లేదు, ఎందుకంటే అది తన శిక్షణ డేటాను లేదా ఇప్పటి వరకు 'చూసిన' డేటాను సరిగ్గా విశ్లేషించలేకపోతుంది. -![overfitting model](../../../../translated_images/overfitting.1c132d92bfd93cb63240baf63ebdf82c30e30a0a44e1ad49861b82ff600c2b5c.te.png) +![overfitting model](../../../../translated_images/overfitting.1c132d92bfd93cb6.te.png) > ఇన్ఫోగ్రాఫిక్ [జెన్ లూపర్](https://twitter.com/jenlooper) ద్వారా ## పారామీటర్ ట్యూనింగ్ diff --git a/translations/te/1-Introduction/README.md b/translations/te/1-Introduction/README.md index f77d949d5..9a1a5af0b 100644 --- a/translations/te/1-Introduction/README.md +++ b/translations/te/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ఈ పాఠ్యాంశంలో, మీరు మెషీన్ లెర్నింగ్ రంగానికి ఆధారమైన మూల భావనలను, అది ఏమిటి, మరియు పరిశోధకులు దీని తో పని చేయడానికి ఉపయోగించే చరిత్ర మరియు సాంకేతికతలను తెలుసుకుంటారు. ఈ కొత్త ML ప్రపంచాన్ని కలిసి అన్వేషిద్దాం! -![globe](../../../translated_images/globe.59f26379ceb40428672b4d9a568044618a2bf6292ecd53a5c481b90e3fa805eb.te.jpg) +![globe](../../../translated_images/globe.59f26379ceb40428.te.jpg) > ఫోటో బిల్ ఆక్స్ఫర్డ్ ద్వారా అన్స్ప్లాష్ ### పాఠాలు diff --git a/translations/te/2-Regression/1-Tools/README.md b/translations/te/2-Regression/1-Tools/README.md index 6fa2a285e..c1f2f0f7c 100644 --- a/translations/te/2-Regression/1-Tools/README.md +++ b/translations/te/2-Regression/1-Tools/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # రిగ్రెషన్ మోడల్స్ కోసం Python మరియు Scikit-learn తో ప్రారంభించండి -![Summary of regressions in a sketchnote](../../../../translated_images/ml-regression.4e4f70e3b3ed446e3ace348dec973e133fa5d3680fbc8412b61879507369b98d.te.png) +![Summary of regressions in a sketchnote](../../../../translated_images/ml-regression.4e4f70e3b3ed446e.te.png) > Sketchnote by [Tomomi Imura](https://www.twitter.com/girlie_mac) @@ -81,7 +81,7 @@ CO_OP_TRANSLATOR_METADATA: hello notebook ``` -![VS Code with a notebook open](../../../../translated_images/notebook.4a3ee31f396b88325607afda33cadcc6368de98040ff33942424260aa84d75f2.te.jpg) +![VS Code with a notebook open](../../../../translated_images/notebook.4a3ee31f396b8832.te.jpg) మీరు మీ కోడ్‌ను వ్యాఖ్యలతో కలిపి నోట్బుక్‌ను స్వయంగా డాక్యుమెంట్ చేయవచ్చు. @@ -212,7 +212,7 @@ Scikit-learn మోడల్స్ నిర్మించడం మరియ plt.show() ``` - ![a scatterplot showing datapoints around diabetes](../../../../translated_images/scatterplot.ad8b356bcbb33be68d54050e09b9b7bfc03e94fde7371f2609ae43f4c563b2d7.te.png) + ![a scatterplot showing datapoints around diabetes](../../../../translated_images/scatterplot.ad8b356bcbb33be6.te.png) ✅ ఇక్కడ ఏమి జరుగుతుందో కొంచెం ఆలోచించండి. ఒక సరళ రేఖ అనేక చిన్న డాటా బిందువుల ద్వారా నడుస్తోంది, కానీ అది నిజంగా ఏమి చేస్తోంది? మీరు ఈ రేఖను ఉపయోగించి కొత్త, చూడని డాటా పాయింట్ ప్లాట్ యొక్క y అక్షానికి సంబంధించి ఎక్కడ సరిపోతుందో ఎలా అంచనా వేయాలో చూడగలరా? ఈ మోడల్ యొక్క ప్రాక్టికల్ ఉపయోగాన్ని పదాలలో వ్యక్తం చేయడానికి ప్రయత్నించండి. అభినందనలు, మీరు మీ మొదటి లీనియర్ రిగ్రెషన్ మోడల్‌ను నిర్మించారు, దానితో ఒక అంచనాను సృష్టించారు, మరియు దాన్ని ఒక ప్లాట్‌లో ప్రదర్శించారు! diff --git a/translations/te/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/te/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index 51a1820fa..00f73f33e 100644 --- a/translations/te/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/te/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -46,11 +46,11 @@ "అందువల్ల, ఈ పనిని ప్రారంభిద్దాం!\n", "\n", "

\n", - " \n", "

@allison_horst చేత కళాకృతి
\n", "\n", - "\n" + "\n" ], "metadata": { "id": "LWNNzfqd6feZ" diff --git a/translations/te/2-Regression/2-Data/README.md b/translations/te/2-Regression/2-Data/README.md index 28f28651f..6bc23baec 100644 --- a/translations/te/2-Regression/2-Data/README.md +++ b/translations/te/2-Regression/2-Data/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Scikit-learn ఉపయోగించి రిగ్రెషన్ మోడల్ నిర్మించండి: డేటాను సిద్ధం చేయండి మరియు విజువలైజ్ చేయండి -![డేటా విజువలైజేషన్ ఇన్ఫోగ్రాఫిక్](../../../../translated_images/data-visualization.54e56dded7c1a804d00d027543f2881cb32da73aeadda2d4a4f10f3497526114.te.png) +![డేటా విజువలైజేషన్ ఇన్ఫోగ్రాఫిక్](../../../../translated_images/data-visualization.54e56dded7c1a804.te.png) ఇన్ఫోగ్రాఫిక్ [దాసాని మడిపల్లి](https://twitter.com/dasani_decoded) ద్వారా @@ -183,7 +183,7 @@ Jupyter నోట్బుక్స్‌లో బాగా పనిచేస plt.show() ``` - ![ధర మరియు నెల సంబంధాన్ని చూపించే స్కాటర్‌ప్లాట్](../../../../translated_images/scatterplot.b6868f44cbd2051c6680ccdbb1510697d06a3ff6cd4abda656f5009c0ed4e3fc.te.png) + ![ధర మరియు నెల సంబంధాన్ని చూపించే స్కాటర్‌ప్లాట్](../../../../translated_images/scatterplot.b6868f44cbd2051c.te.png) ఇది ఉపయోగకరమైన ప్లాట్నా? ఇందులో ఏదైనా ఆశ్చర్యకరమైనది ఉందా? @@ -200,7 +200,7 @@ Jupyter నోట్బుక్స్‌లో బాగా పనిచేస plt.ylabel("Pumpkin Price") ``` - ![ధర మరియు నెల సంబంధాన్ని చూపించే బార్ చార్ట్](../../../../translated_images/barchart.a833ea9194346d769c77a3a870f7d8aee51574cd1138ca902e5500830a41cbce.te.png) + ![ధర మరియు నెల సంబంధాన్ని చూపించే బార్ చార్ట్](../../../../translated_images/barchart.a833ea9194346d76.te.png) ఇది మరింత ఉపయోగకరమైన డేటా విజువలైజేషన్! ఇది పంప్కిన్ ధర సెప్టెంబర్ మరియు అక్టోబర్‌లో అత్యధికంగా ఉంటుందని సూచిస్తుంది. ఇది మీ అంచనాకు సరిపోతుందా? ఎందుకు లేదా ఎందుకు కాదు? diff --git a/translations/te/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/te/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index 87524ef9c..eeab1943e 100644 --- a/translations/te/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/te/2-Regression/2-Data/solution/R/lesson_2-R.ipynb @@ -45,7 +45,7 @@ "\n", "\n", "

\n", - " \n", "

కళాకృతి @allison_horst
\n" ], @@ -224,12 +224,12 @@ "\n", "\n", "

\n", - " \n", "

@allison_horst చేత కళాకృతి
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "o4jLY5-VZO2C" @@ -531,12 +531,12 @@ "## 4. ggplot2 తో డేటా విజువలైజేషన్\n", "\n", "

\n", - " \n", "

ఇన్ఫోగ్రాఫిక్ - దసాని మడిపల్లి
\n", "\n", "\n", - "\n", + "\n", "\n", "ఇలా ఒక *జ్ఞానవంతమైన* మాట ఉంది:\n", "\n", diff --git a/translations/te/2-Regression/3-Linear/README.md b/translations/te/2-Regression/3-Linear/README.md index 5853f1c14..8625fa84b 100644 --- a/translations/te/2-Regression/3-Linear/README.md +++ b/translations/te/2-Regression/3-Linear/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Scikit-learn ఉపయోగించి రిగ్రెషన్ మోడల్ నిర్మించండి: రిగ్రెషన్ నాలుగు విధానాలు -![లీనియర్ vs పాలినోమియల్ రిగ్రెషన్ ఇన్ఫోగ్రాఫిక్](../../../../translated_images/linear-polynomial.5523c7cb6576ccab0fecbd0e3505986eb2d191d9378e785f82befcf3a578a6e7.te.png) +![లీనియర్ vs పాలినోమియల్ రిగ్రెషన్ ఇన్ఫోగ్రాఫిక్](../../../../translated_images/linear-polynomial.5523c7cb6576ccab.te.png) > ఇన్ఫోగ్రాఫిక్ [దాసాని మడిపల్లి](https://twitter.com/dasani_decoded) ద్వారా ## [ప్రీ-లెక్చర్ క్విజ్](https://ff-quizzes.netlify.app/en/ml/) @@ -66,13 +66,13 @@ CO_OP_TRANSLATOR_METADATA: > > `X` అనేది 'వివరణాత్మక వేరియబుల్'. `Y` అనేది 'ఆధారిత వేరియబుల్'. లైన్ యొక్క స్లోప్ `b` మరియు `a` y-ఇంటర్సెప్ట్, అంటే `X = 0` ఉన్నప్పుడు `Y` విలువ. > ->![స్లోప్ లెక్కించండి](../../../../translated_images/slope.f3c9d5910ddbfcf9096eb5564254ba22c9a32d7acd7694cab905d29ad8261db3.te.png) +>![స్లోప్ లెక్కించండి](../../../../translated_images/slope.f3c9d5910ddbfcf9.te.png) > > మొదట, స్లోప్ `b` లెక్కించండి. ఇన్ఫోగ్రాఫిక్ [జెన్ లూపర్](https://twitter.com/jenlooper) ద్వారా > > మరొక మాటలో చెప్పాలంటే, మా పంప్కిన్ డేటా యొక్క అసలు ప్రశ్నకు సంబంధించి: "నెల వారీగా పంప్కిన్ ధర అంచనా వేయండి", `X` ధరకు సూచిస్తుంది మరియు `Y` అమ్మకాల నెలకు సూచిస్తుంది. > ->![సమీకరణ పూర్తి చేయండి](../../../../translated_images/calculation.a209813050a1ddb141cdc4bc56f3af31e67157ed499e16a2ecf9837542704c94.te.png) +>![సమీకరణ పూర్తి చేయండి](../../../../translated_images/calculation.a209813050a1ddb1.te.png) > > Y విలువ లెక్కించండి. మీరు సుమారు $4 చెల్లిస్తుంటే, అది ఏప్రిల్ కావాలి! ఇన్ఫోగ్రాఫిక్ [జెన్ లూపర్](https://twitter.com/jenlooper) ద్వారా > @@ -114,11 +114,11 @@ day_of_year = pd.to_datetime(pumpkins['Date']).apply(lambda dt: (dt-datetime(dt. మునుపటి పాఠం నుండి మీరు చూసినట్లయితే, వివిధ నెలల సగటు ధర ఇలా ఉంటుంది: -నెల వారీ సగటు ధర +నెల వారీ సగటు ధర ఇది కొంత సహసంబంధం ఉండాలని సూచిస్తుంది, మరియు మేము `నెల` మరియు `ధర` మధ్య లేదా `DayOfYear` మరియు `ధర` మధ్య సంబంధాన్ని అంచనా వేయడానికి లీనియర్ రిగ్రెషన్ మోడల్ శిక్షణ ఇవ్వవచ్చు. క్రింది స్కాటర్ ప్లాట్ ఆ తర్వాత సంబంధాన్ని చూపిస్తుంది: -ధర vs. సంవత్సరం లో రోజు స్కాటర్ ప్లాట్ +ధర vs. సంవత్సరం లో రోజు స్కాటర్ ప్లాట్ `corr` ఫంక్షన్ ఉపయోగించి సహసంబంధం ఉందా చూద్దాం: @@ -137,7 +137,7 @@ for i,var in enumerate(new_pumpkins['Variety'].unique()): ax = df.plot.scatter('DayOfYear','Price',ax=ax,c=colors[i],label=var) ``` -ధర vs. సంవత్సరం లో రోజు రంగు స్కాటర్ ప్లాట్ +ధర vs. సంవత్సరం లో రోజు రంగు స్కాటర్ ప్లాట్ మా పరిశీలన ప్రకారం, రకం అమ్మకాల తేదీ కంటే మొత్తం ధరపై ఎక్కువ ప్రభావం చూపుతుంది. దీన్ని బార్ గ్రాఫ్‌తో చూడవచ్చు: @@ -145,7 +145,7 @@ for i,var in enumerate(new_pumpkins['Variety'].unique()): new_pumpkins.groupby('Variety')['Price'].mean().plot(kind='bar') ``` -ధర vs రకం బార్ గ్రాఫ్ +ధర vs రకం బార్ గ్రాఫ్ ఇప్పుడు మనం కేవలం ఒక పంప్కిన్ రకం, 'పై టైప్' పై దృష్టి పెట్టి, తేదీ ధరపై ఎలాంటి ప్రభావం చూపుతుందో చూద్దాం: @@ -153,7 +153,7 @@ new_pumpkins.groupby('Variety')['Price'].mean().plot(kind='bar') pie_pumpkins = new_pumpkins[new_pumpkins['Variety']=='PIE TYPE'] pie_pumpkins.plot.scatter('DayOfYear','Price') ``` -ధర vs. సంవత్సరం లో రోజు స్కాటర్ ప్లాట్ +ధర vs. సంవత్సరం లో రోజు స్కాటర్ ప్లాట్ ఇప్పుడు `corr` ఫంక్షన్ ఉపయోగించి `ధర` మరియు `DayOfYear` మధ్య సహసంబంధం లెక్కిస్తే, సుమారు `-0.27` వస్తుంది - అంటే అంచనా వేయగల మోడల్ శిక్షణ ఇవ్వడం అర్థం. @@ -228,7 +228,7 @@ plt.scatter(X_test,y_test) plt.plot(X_test,pred) ``` -Linear regression +Linear regression ## పాలినోమియల్ రిగ్రెషన్ @@ -257,7 +257,7 @@ pipeline.fit(X_train,y_train) Pipelines ను అసలు `LinearRegression` ఆబ్జెక్ట్ లాగా ఉపయోగించవచ్చు, అంటే మేము pipeline ను `fit` చేసి, ఆపై `predict` ఉపయోగించి అంచనా ఫలితాలు పొందవచ్చు. ఇక్కడ టెస్ట్ డేటా మరియు సన్నిహిత వక్రీకరణ వక్రాన్ని చూపించే గ్రాఫ్ ఉంది: -Polynomial regression +Polynomial regression పాలినోమియల్ రిగ్రెషన్ ఉపయోగించి, మేము కొంచెం తక్కువ MSE మరియు ఎక్కువ నిర్ణయ సహగుణం పొందవచ్చు, కానీ గణనీయంగా కాదు. మేము ఇతర ఫీచర్లను కూడా పరిగణలోకి తీసుకోవాలి! @@ -275,7 +275,7 @@ Pipelines ను అసలు `LinearRegression` ఆబ్జెక్ట్ ల ఇక్కడ మీరు వేరియటీపై సగటు ధర ఎలా ఆధారపడి ఉందో చూడవచ్చు: -Average price by variety +Average price by variety వేరియటీని పరిగణలోకి తీసుకోవడానికి, ముందుగా దాన్ని సంఖ్యాత్మక రూపంలోకి మార్చాలి, లేదా **ఎంకోడ్** చేయాలి. దీని కోసం కొన్ని మార్గాలు ఉన్నాయి: diff --git a/translations/te/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/te/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index a32c76f74..ad3048be7 100644 --- a/translations/te/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/te/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -37,12 +37,12 @@ "source": [ "## Linear and Polynomial Regression for Pumpkin Pricing - పాఠం 3\n", "

\n", - " \n", "

ఇన్ఫోగ్రాఫిక్ - దసాని మడిపల్లి
\n", "\n", "\n", - "\n", + "\n", "\n", "#### పరిచయం\n", "\n", @@ -161,12 +161,12 @@ "## **2. డేటాతో నృత్యం: మోడలింగ్ కోసం ఉపయోగించే డేటా ఫ్రేమ్ సృష్టించడం**\n", "\n", "

\n", - " \n", "

@allison_horst చేత కళాకృతి
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "WdUKXk7Bs8-V" @@ -455,7 +455,7 @@ "దానికి, మీరు రెండు మరిన్ని క్రియలు అవసరం: `prep()` మరియు `bake()` మరియు ఎప్పుడూ లాగా, మన చిన్న R స్నేహితులు [`Allison Horst`](https://github.com/allisonhorst/stats-illustrations) మీకు దీన్ని బాగా అర్థం చేసుకోవడంలో సహాయపడతారు!\n", "\n", "

\n", - " \n", "

Artwork by @allison_horst
\n" ], @@ -566,12 +566,12 @@ "## 4. లీనియర్ రిగ్రెషన్ మోడల్ నిర్మించండి\n", "\n", "

\n", - " \n", "

ఇన్ఫోగ్రాఫిక్ - దసాని మడిపల్లి
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "YqXjLuWavNxW" @@ -808,7 +808,7 @@ "## 5. పాలినోమియల్ రిగ్రెషన్ మోడల్‌ను నిర్మించండి\n", "\n", "

\n", - " \n", "

దాసాని మడిపల్లి ద్వారా ఇన్ఫోగ్రాఫిక్
\n" ], diff --git a/translations/te/2-Regression/4-Logistic/README.md b/translations/te/2-Regression/4-Logistic/README.md index fb02cf608..e2789cfaf 100644 --- a/translations/te/2-Regression/4-Logistic/README.md +++ b/translations/te/2-Regression/4-Logistic/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # వర్గాలను అంచనా వేయడానికి లాజిస్టిక్ రిగ్రెషన్ -![లాజిస్టిక్ vs. లీనియర్ రిగ్రెషన్ ఇన్ఫోగ్రాఫిక్](../../../../translated_images/linear-vs-logistic.ba180bf95e7ee66721ba10ebf2dac2666acbd64a88b003c83928712433a13c7d.te.png) +![లాజిస్టిక్ vs. లీనియర్ రిగ్రెషన్ ఇన్ఫోగ్రాఫిక్](../../../../translated_images/linear-vs-logistic.ba180bf95e7ee667.te.png) ## [ప్రీ-లెక్చర్ క్విజ్](https://ff-quizzes.netlify.app/en/ml/) @@ -52,7 +52,7 @@ CO_OP_TRANSLATOR_METADATA: లాజిస్టిక్ రిగ్రెషన్ లీనియర్ రిగ్రెషన్ లాంటి లక్షణాలను అందించదు. మొదటిది ద్విభాగ వర్గం గురించి అంచనా ఇస్తుంది ("వైట్ లేదా వైట్ కాదు") కానీ రెండవది నిరంతర విలువలను అంచనా వేయగలదు, ఉదాహరణకు పంప్కిన్ మూలం మరియు పంట కోత సమయం ఇచ్చినప్పుడు, _దాని ధర ఎంత పెరుగుతుందో_. -![Pumpkin classification Model](../../../../translated_images/pumpkin-classifier.562771f104ad5436b87d1c67bca02a42a17841133556559325c0a0e348e5b774.te.png) +![Pumpkin classification Model](../../../../translated_images/pumpkin-classifier.562771f104ad5436.te.png) > ఇన్ఫోగ్రాఫిక్: [దాసాని మడిపల్లి](https://twitter.com/dasani_decoded) ### ఇతర వర్గీకరణలు @@ -62,7 +62,7 @@ CO_OP_TRANSLATOR_METADATA: - **మల్టినోమియల్**, అంటే ఒక కంటే ఎక్కువ వర్గాలు ఉండటం - "ఆరెంజ్, వైట్, మరియు స్ట్రైప్డ్". - **ఆర్డినల్**, అంటే క్రమబద్ధమైన వర్గాలు, ఉదాహరణకు మన పంప్కిన్లు పరిమాణాల క్రమంలో (మినీ, చిన్న, మధ్య, పెద్ద, ఎక్స్ ఎల్, డబుల్ ఎక్స్ ఎల్) ఉంటే ఉపయోగపడుతుంది. -![మల్టినోమియల్ vs ఆర్డినల్ రిగ్రెషన్](../../../../translated_images/multinomial-vs-ordinal.36701b4850e37d86c9dd49f7bef93a2f94dbdb8fe03443eb68f0542f97f28f29.te.png) +![మల్టినోమియల్ vs ఆర్డినల్ రిగ్రెషన్](../../../../translated_images/multinomial-vs-ordinal.36701b4850e37d86.te.png) ### వేరియబుల్స్ తప్పనిసరిగా సంబంధం ఉండాల్సిన అవసరం లేదు @@ -120,7 +120,7 @@ Seaborn మీ డేటాను విజువలైజ్ చేయడాన ) ``` - ![విజువలైజ్ చేసిన డేటా గ్రిడ్](../../../../translated_images/pumpkins_catplot_1.c55c409b71fea2ecc01921e64b91970542101f90bcccfa4aa3a205db8936f48b.te.png) + ![విజువలైజ్ చేసిన డేటా గ్రిడ్](../../../../translated_images/pumpkins_catplot_1.c55c409b71fea2ec.te.png) డేటాను పరిశీలించి, మీరు Color డేటా Variety తో ఎలా సంబంధం ఉన్నదో చూడవచ్చు. @@ -199,7 +199,7 @@ Seaborn మీ డేటాను విజువలైజ్ చేయడాన g.set(xlabel="Item Size", ylabel="").set(xlim=(0,6)) g.set_titles(row_template="{row_name}") ``` -![విజువలైజ్ చేసిన డేటా క్యాట్‌ప్లాట్](../../../../translated_images/pumpkins_catplot_2.87a354447880b3889278155957f8f60dd63db4598de5a6d0fda91c334d31f9f1.te.png) +![విజువలైజ్ చేసిన డేటా క్యాట్‌ప్లాట్](../../../../translated_images/pumpkins_catplot_2.87a354447880b388.te.png) ### స్వార్మ్ ప్లాట్ ఉపయోగించండి @@ -217,7 +217,7 @@ Seaborn ప్లాట్లతో వేరియబుల్స్ ను ప sns.swarmplot(x="Color", y="ord__Item Size", data=encoded_pumpkins, palette=palette) ``` - ![విజువలైజ్ చేసిన డేటా స్వార్మ్](../../../../translated_images/swarm_2.efeacfca536c2b577dc7b5f8891f28926663fbf62d893ab5e1278ae734ca104e.te.png) + ![విజువలైజ్ చేసిన డేటా స్వార్మ్](../../../../translated_images/swarm_2.efeacfca536c2b57.te.png) **జాగ్రత్త**: పై కోడ్ ఒక హెచ్చరికను ఉత్పత్తి చేయవచ్చు, ఎందుకంటే seaborn ఇంత పెద్ద డేటా పాయింట్లను స్వార్మ్ ప్లాట్ లో చూపించలేకపోవచ్చు. ఒక పరిష్కారం 'size' పారామీటర్ ఉపయోగించి మార్కర్ పరిమాణం తగ్గించడం. అయితే, ఇది ప్లాట్ చదవడాన్ని ప్రభావితం చేస్తుంది. @@ -225,7 +225,7 @@ Seaborn ప్లాట్లతో వేరియబుల్స్ ను ప > > లాజిస్టిక్ రిగ్రెషన్ 'మాక్సిమమ్ లైక్లిహుడ్' సూత్రంపై ఆధారపడి ఉంటుంది, [సిగ్మాయిడ్ ఫంక్షన్లు](https://wikipedia.org/wiki/Sigmoid_function) ఉపయోగించి. ఒక 'సిగ్మాయిడ్ ఫంక్షన్' ప్లాట్ లో 'S' ఆకారంలో ఉంటుంది. ఇది ఒక విలువ తీసుకుని 0 మరియు 1 మధ్య ఎక్కడో మ్యాప్ చేస్తుంది. దీని వక్రరేఖను 'లాజిస్టిక్ వక్రరేఖ' అంటారు. దీని సూత్రం ఇలా ఉంటుంది: > -> ![లాజిస్టిక్ ఫంక్షన్](../../../../translated_images/sigmoid.8b7ba9d095c789cf72780675d0d1d44980c3736617329abfc392dfc859799704.te.png) +> ![లాజిస్టిక్ ఫంక్షన్](../../../../translated_images/sigmoid.8b7ba9d095c789cf.te.png) > > ఇక్కడ సిగ్మాయిడ్ మధ్యబిందువు x యొక్క 0 పాయింట్ వద్ద ఉంటుంది, L వక్రరేఖ గరిష్ట విలువ, k వక్రత యొక్క తీవ్రత. ఫంక్షన్ ఫలితం 0.5 కంటే ఎక్కువ అయితే, ఆ లేబుల్ '1' అనే ద్విభాగ ఎంపికకు ఇవ్వబడుతుంది. లేకపోతే, '0' గా వర్గీకరించబడుతుంది. @@ -374,7 +374,7 @@ plt.show() Matplotlib ఉపయోగించి, మోడల్ యొక్క [Receiving Operating Characteristic](https://scikit-learn.org/stable/auto_examples/model_selection/plot_roc.html?highlight=roc) లేదా ROC ను ప్లాట్ చేయండి. ROC వక్రాలు తరచుగా క్లాసిఫయర్ అవుట్పుట్ ను నిజమైన మరియు తప్పు పాజిటివ్స్ పరంగా చూడటానికి ఉపయోగిస్తారు. "ROC వక్రాలు సాధారణంగా Y అక్షంపై నిజమైన పాజిటివ్ రేటును, X అక్షంపై తప్పు పాజిటివ్ రేటును చూపిస్తాయి." కాబట్టి వక్రం యొక్క తిప్పట మరియు మధ్య రేఖ మరియు వక్రం మధ్య ఉన్న స్థలం ముఖ్యం: మీరు త్వరగా పైకి వెళ్లి రేఖను దాటే వక్రం కావాలి. మన కేసులో, మొదట కొన్ని తప్పు పాజిటివ్స్ ఉన్నాయి, ఆ తర్వాత రేఖ సరిగ్గా పైకి వెళ్లి దాటుతుంది: -![ROC](../../../../translated_images/ROC_2.777f20cdfc4988ca683ade6850ac832cb70c96c12f1b910d294f270ef36e1a1c.te.png) +![ROC](../../../../translated_images/ROC_2.777f20cdfc4988ca.te.png) చివరగా, Scikit-learn యొక్క [`roc_auc_score` API](https://scikit-learn.org/stable/modules/generated/sklearn.metrics.roc_auc_score.html?highlight=roc_auc#sklearn.metrics.roc_auc_score) ఉపయోగించి వాస్తవ 'Area Under the Curve' (AUC) ను లెక్కించండి: diff --git a/translations/te/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/te/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index 845cf8450..4762da726 100644 --- a/translations/te/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/te/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## లాజిస్టిక్ రిగ్రెషన్ మోడల్ నిర్మాణం - పాఠం 4\n", "\n", - "![లాజిస్టిక్ vs. లీనియర్ రిగ్రెషన్ ఇన్ఫోగ్రాఫిక్](../../../../../../translated_images/linear-vs-logistic.ba180bf95e7ee66721ba10ebf2dac2666acbd64a88b003c83928712433a13c7d.te.png)\n", + "![లాజిస్టిక్ vs. లీనియర్ రిగ్రెషన్ ఇన్ఫోగ్రాఫిక్](../../../../../../translated_images/linear-vs-logistic.ba180bf95e7ee667.te.png)\n", "\n", "#### **[పూర్వ-ఉపన్యాస క్విజ్](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", @@ -78,7 +78,7 @@ "\n", "లాజిస్టిక్ రిగ్రెషన్ లీనియర్ రిగ్రెషన్ వంటి లక్షణాలను అందించదు. ముందటి ఒక `బైనరీ వర్గం` (\"ఆరెంజ్ లేదా ఆరెంజ్ కాదు\") గురించి అంచనాను అందిస్తుంది, అయితే తర్వాతి `కొనసాగుతున్న విలువలను` అంచనా వేయగలదు, ఉదాహరణకు పండ్ల ఉత్పత్తి ప్రాంతం మరియు కోత సమయం ఇచ్చినప్పుడు, *దాని ధర ఎంత పెరుగుతుంది*.\n", "\n", - "![Infographic by Dasani Madipalli](../../../../../../translated_images/pumpkin-classifier.562771f104ad5436b87d1c67bca02a42a17841133556559325c0a0e348e5b774.te.png)\n", + "![Infographic by Dasani Madipalli](../../../../../../translated_images/pumpkin-classifier.562771f104ad5436.te.png)\n", "\n", "### ఇతర వర్గీకరణలు\n", "\n", @@ -88,7 +88,7 @@ "\n", "- **ఆర్డినల్**, ఇది క్రమబద్ధమైన వర్గాలను కలిగి ఉంటుంది, మన ఫలితాలను తార్కికంగా క్రమబద్ధీకరించాలనుకుంటే ఉపయోగపడుతుంది, ఉదాహరణకు మన పండ్లు పరిమాణాల పరిమిత సంఖ్య (మినీ, చిన్న, మధ్య, పెద్ద, ఎక్స్ ఎల్, ఎక్స్ ఎక్స్ ఎల్) ద్వారా క్రమబద్ధీకరించబడ్డాయి.\n", "\n", - "![Multinomial vs ordinal regression](../../../../../../translated_images/multinomial-vs-ordinal.36701b4850e37d86c9dd49f7bef93a2f94dbdb8fe03443eb68f0542f97f28f29.te.png)\n", + "![Multinomial vs ordinal regression](../../../../../../translated_images/multinomial-vs-ordinal.36701b4850e37d86.te.png)\n", "\n", "#### **వేరియబుల్స్ అనుసంధానం అవసరం లేదు**\n", "\n", diff --git a/translations/te/2-Regression/README.md b/translations/te/2-Regression/README.md index 2eaaf5f44..9789cfdd3 100644 --- a/translations/te/2-Regression/README.md +++ b/translations/te/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: ఉత్తర అమెరికాలో, హాలోవీన్ కోసం పంప్కిన్లను తరచుగా భయంకరమైన ముఖాలుగా కోసి తయారు చేస్తారు. ఈ ఆకర్షణీయమైన కూరగాయల గురించి మరింత తెలుసుకుందాం! -![jack-o-lanterns](../../../translated_images/jack-o-lanterns.181c661a9212457d7756f37219f660f1358af27554d856e5a991f16b4e15337c.te.jpg) +![jack-o-lanterns](../../../translated_images/jack-o-lanterns.181c661a9212457d.te.jpg) > ఫోటో బెత్ ట్యూట్ష్మాన్ ద్వారా అన్స్ప్లాష్ లో ## మీరు నేర్చుకునేది diff --git a/translations/te/3-Web-App/README.md b/translations/te/3-Web-App/README.md index d36bf4d3d..67f8456d0 100644 --- a/translations/te/3-Web-App/README.md +++ b/translations/te/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ఈ పాఠ్యాంశంలో, మీరు ఒక అన్వయించిన ML అంశాన్ని పరిచయం చేయబడతారు: మీ Scikit-learn మోడల్‌ను ఫైల్‌గా ఎలా సేవ్ చేయాలో, అది వెబ్ అప్లికేషన్‌లో అంచనాలు చేయడానికి ఉపయోగించవచ్చు. మోడల్ సేవ్ అయిన తర్వాత, మీరు దాన్ని Flaskలో నిర్మించిన వెబ్ యాప్‌లో ఎలా ఉపయోగించాలో నేర్చుకుంటారు. మీరు మొదట UFO సాక్ష్యాల గురించి ఉన్న కొన్ని డేటాతో ఒక మోడల్‌ను సృష్టిస్తారు! ఆ తర్వాత, మీరు సెకన్ల సంఖ్య, అక్షాంశం మరియు రేఖాంశం విలువలను ఇన్‌పుట్‌గా ఇచ్చి ఏ దేశం UFO చూసిందని అంచనా వేయగల వెబ్ యాప్‌ను నిర్మిస్తారు. -![UFO Parking](../../../translated_images/ufo.9e787f5161da9d4d1dafc537e1da09be8210f2ee996cb638aa5cee1d92867a04.te.jpg) +![UFO Parking](../../../translated_images/ufo.9e787f5161da9d4d.te.jpg) ఫోటో Michael Herren ద్వారా Unsplash diff --git a/translations/te/4-Classification/1-Introduction/README.md b/translations/te/4-Classification/1-Introduction/README.md index 14b6e8045..044105d94 100644 --- a/translations/te/4-Classification/1-Introduction/README.md +++ b/translations/te/4-Classification/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ఈ నాలుగు పాఠాలలో, మీరు క్లాసిక్ మెషీన్ లెర్నింగ్ యొక్క ఒక ప్రాథమిక దృష్టి - _వర్గీకరణ_ ను అన్వేషించబోతున్నారు. ఆసియా మరియు భారతదేశంలోని అన్ని అద్భుతమైన వంటకాల గురించి డేటాసెట్‌తో వివిధ వర్గీకరణ అల్గోరిథమ్స్ ఉపయోగించడం ద్వారా మనం నడవబోతున్నాము. మీరు ఆకలిగా ఉన్నారని ఆశిస్తున్నాము! -![just a pinch!](../../../../translated_images/pinch.1b035ec9ba7e0d408313b551b60c721c9c290b2dd2094115bc87e6ddacd114c9.te.png) +![just a pinch!](../../../../translated_images/pinch.1b035ec9ba7e0d40.te.png) > ఈ పాఠాలలో పాన్-ఆసియన్ వంటకాలను జరుపుకోండి! చిత్రం [జెన్ లూపర్](https://twitter.com/jenlooper) ద్వారా @@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA: ప్రక్రియను మరింత శాస్త్రీయంగా చెప్పాలంటే, మీ వర్గీకరణ పద్ధతి ఇన్‌పుట్ వేరియబుల్స్ మరియు అవుట్‌పుట్ వేరియబుల్స్ మధ్య సంబంధాన్ని మ్యాప్ చేయగల ఒక అంచనా మోడల్‌ను సృష్టిస్తుంది. -![binary vs. multiclass classification](../../../../translated_images/binary-multiclass.b56d0c86c81105a697dddd82242c1d11e4d78b7afefea07a44627a0f1111c1a9.te.png) +![binary vs. multiclass classification](../../../../translated_images/binary-multiclass.b56d0c86c81105a6.te.png) > వర్గీకరణ అల్గోరిథమ్స్ నిర్వహించాల్సిన బైనరీ మరియు బహుళ వర్గ సమస్యలు. ఇన్ఫోగ్రాఫిక్ [జెన్ లూపర్](https://twitter.com/jenlooper) ద్వారా @@ -134,7 +134,7 @@ Scikit-learn వివిధ అల్గోరిథమ్స్ అంది df.cuisine.value_counts().plot.barh() ``` - ![cuisine data distribution](../../../../translated_images/cuisine-dist.d0cc2d551abe5c25f83d73a5f560927e4a061e9a4560bac1e97d35682ef3ca6d.te.png) + ![cuisine data distribution](../../../../translated_images/cuisine-dist.d0cc2d551abe5c25.te.png) వంటకాల సంఖ్య పరిమితి ఉన్నప్పటికీ, డేటా పంపిణీ అసమానంగా ఉంది. మీరు దీన్ని సరిచేయవచ్చు! ముందుగా, మరింత అన్వేషించండి. @@ -188,7 +188,7 @@ Scikit-learn వివిధ అల్గోరిథమ్స్ అంది thai_ingredient_df.head(10).plot.barh() ``` - ![thai](../../../../translated_images/thai.0269dbab2e78bd38a132067759fe980008bdb80b6d778e5313448dbe12bed846.te.png) + ![thai](../../../../translated_images/thai.0269dbab2e78bd38.te.png) 1. జపనీస్ డేటా కోసం అదే చేయండి: @@ -197,7 +197,7 @@ Scikit-learn వివిధ అల్గోరిథమ్స్ అంది japanese_ingredient_df.head(10).plot.barh() ``` - ![japanese](../../../../translated_images/japanese.30260486f2a05c463c8faa62ebe7b38f0961ed293bd9a6db8eef5d3f0cf17155.te.png) + ![japanese](../../../../translated_images/japanese.30260486f2a05c46.te.png) 1. ఇప్పుడు చైనీస్ పదార్థాల కోసం: @@ -206,7 +206,7 @@ Scikit-learn వివిధ అల్గోరిథమ్స్ అంది chinese_ingredient_df.head(10).plot.barh() ``` - ![chinese](../../../../translated_images/chinese.e62cafa5309f111afd1b54490336daf4e927ce32bed837069a0b7ce481dfae8d.te.png) + ![chinese](../../../../translated_images/chinese.e62cafa5309f111a.te.png) 1. ఇండియన్ పదార్థాలను ప్లాట్ చేయండి: @@ -215,7 +215,7 @@ Scikit-learn వివిధ అల్గోరిథమ్స్ అంది indian_ingredient_df.head(10).plot.barh() ``` - ![indian](../../../../translated_images/indian.2c4292002af1a1f97a4a24fec6b1459ee8ff616c3822ae56bb62b9903e192af6.te.png) + ![indian](../../../../translated_images/indian.2c4292002af1a1f9.te.png) 1. చివరగా, కొరియన్ పదార్థాలను ప్లాట్ చేయండి: @@ -224,7 +224,7 @@ Scikit-learn వివిధ అల్గోరిథమ్స్ అంది korean_ingredient_df.head(10).plot.barh() ``` - ![korean](../../../../translated_images/korean.4a4f0274f3d9805a65e61f05597eeaad8620b03be23a2c0a705c023f65fad2c0.te.png) + ![korean](../../../../translated_images/korean.4a4f0274f3d9805a.te.png) 1. ఇప్పుడు, వేర్వేరు వంటకాల మధ్య గందరగోళం సృష్టించే అత్యంత సాధారణ పదార్థాలను `drop()` పిలిచి తొలగించండి: diff --git a/translations/te/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb b/translations/te/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb index 28d006416..1f8431b66 100644 --- a/translations/te/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb +++ b/translations/te/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb @@ -39,7 +39,7 @@ "ఈ నాలుగు పాఠాలలో, మీరు క్లాసిక్ మెషీన్ లెర్నింగ్ యొక్క ఒక ప్రాథమిక దృష్టిని అన్వేషించబోతున్నారు - *వర్గీకరణ*. ఆసియా మరియు భారతదేశంలోని అన్ని అద్భుతమైన వంటకాల గురించి ఒక డేటాసెట్‌తో వివిధ వర్గీకరణ అల్గోరిథమ్స్ ఉపయోగించడం ద్వారా మనం నడవబోతున్నాము. మీరు ఆకలిగా ఉన్నారని ఆశిస్తున్నాము!\n", "\n", "

\n", - " \n", "

ఈ పాఠాలలో పాన్-ఆసియన్ వంటకాలను జరుపుకోండి! చిత్రం జెన్ లూపర్ ద్వారా
\n", "\n", @@ -65,7 +65,7 @@ "ప్రక్రియను మరింత శాస్త్రీయంగా చెప్పాలంటే, మీ వర్గీకరణ పద్ధతి ఒక అంచనా మోడల్‌ను సృష్టిస్తుంది, ఇది ఇన్‌పుట్ వేరియబుల్స్ మరియు అవుట్‌పుట్ వేరియబుల్స్ మధ్య సంబంధాన్ని మ్యాప్ చేయడానికి సహాయపడుతుంది.\n", "\n", "

\n", - " \n", "

వర్గీకరణ అల్గోరిథమ్స్ నిర్వహించాల్సిన బైనరీ మరియు బహుళ వర్గ సమస్యలు. ఇన్ఫోగ్రాఫిక్ జెన్ లూపర్ ద్వారా
\n", "\n", @@ -227,7 +227,7 @@ "> ఒక [టిబుల్](https://tibble.tidyverse.org/) అనేది ఆధునిక డేటా ఫ్రేమ్.\n", "\n", "

\n", - " \n", "

కళాకృతి @allison_horst ద్వారా
\n" ], @@ -517,7 +517,7 @@ "## రెసిపీలను ఉపయోగించి డేటాను ప్రీప్రాసెస్ చేయడం 👩‍🍳👨‍🍳 - అసమతుల్య డేటాతో వ్యవహరించడం ⚖️\n", "\n", "

\n", - " \n", "

కళాకృతి @allison_horst
\n", "\n", @@ -713,7 +713,7 @@ "[Cassie Breviu](https://www.twitter.com/cassieview) మరియు [Jen Looper](https://www.twitter.com/jenlooper) కు ఈ మాడ్యూల్ యొక్క అసలు Python సంస్కరణను సృష్టించినందుకు ♥️\n", "\n", "

\n", - " \n", "

Artwork by @allison_horst
\n" ], diff --git a/translations/te/4-Classification/2-Classifiers-1/README.md b/translations/te/4-Classification/2-Classifiers-1/README.md index f56b0103f..f40ed2f20 100644 --- a/translations/te/4-Classification/2-Classifiers-1/README.md +++ b/translations/te/4-Classification/2-Classifiers-1/README.md @@ -107,7 +107,7 @@ Scikit-learn వర్గీకరణను సూపర్వైజ్డ్ అయితే, మీరు ఏ వర్గీకరణకర్తను ఎంచుకోవాలి? తరచుగా, అనేక వర్గీకరణకర్తలను పరీక్షించి మంచి ఫలితాన్ని చూసే విధానం ఒక పరీక్షా మార్గం. Scikit-learn ఒక [పక్కపక్కన పోలిక](https://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html)ను సృష్టించిన డేటాసెట్‌పై అందిస్తుంది, ఇందులో KNeighbors, SVC రెండు విధాలుగా, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB మరియు QuadraticDiscrinationAnalysis పోల్చబడతాయి, ఫలితాలు విజువలైజ్ చేయబడ్డాయి: -![వర్గీకరణకర్తల పోలిక](../../../../translated_images/comparison.edfab56193a85e7fdecbeaa1b1f8c99e94adbf7178bed0de902090cf93d6734f.te.png) +![వర్గీకరణకర్తల పోలిక](../../../../translated_images/comparison.edfab56193a85e7f.te.png) > Scikit-learn డాక్యుమెంటేషన్‌లో రూపొందించిన ప్లాట్లు > AutoML ఈ సమస్యను క్లౌడ్‌లో ఈ పోలికలను నడిపించి, మీ డేటాకు ఉత్తమ అల్గోరిథం ఎంచుకునే అవకాశం ఇస్తూ సులభంగా పరిష్కరిస్తుంది. దీన్ని [ఇక్కడ](https://docs.microsoft.com/learn/modules/automate-model-selection-with-azure-automl/?WT.mc_id=academic-77952-leestott) ప్రయత్నించండి @@ -116,7 +116,7 @@ Scikit-learn వర్గీకరణను సూపర్వైజ్డ్ అనుమానించకుండా అంచనా వేయడం కంటే మెరుగైన మార్గం, ఈ డౌన్లోడ్ చేసుకునే [ML చీట్ షీట్](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott)లోని ఆలోచనలను అనుసరించడం. ఇక్కడ, మన మల్టిక్లాస్ సమస్య కోసం కొన్ని ఎంపికలు ఉన్నాయి: -![మల్టిక్లాస్ సమస్యల కోసం చీట్ షీట్](../../../../translated_images/cheatsheet.07a475ea444d22234cb8907a3826df5bdd1953efec94bd18e4496f36ff60624a.te.png) +![మల్టిక్లాస్ సమస్యల కోసం చీట్ షీట్](../../../../translated_images/cheatsheet.07a475ea444d2223.te.png) > మైక్రోసాఫ్ట్ యొక్క అల్గోరిథం చీట్ షీట్‌లోని ఒక భాగం, మల్టిక్లాస్ వర్గీకరణ ఎంపికలను వివరించడం ✅ ఈ చీట్ షీట్‌ను డౌన్లోడ్ చేసుకుని, ప్రింట్ చేసి, మీ గోడపై పెట్టుకోండి! @@ -147,7 +147,7 @@ Scikit-learn వర్గీకరణను సూపర్వైజ్డ్ Scikit-learn ఈ పట్టికను అందిస్తుంది, వివిధ డేటా నిర్మాణాల సవాళ్లను solverలు ఎలా నిర్వహిస్తాయో వివరించడానికి: -![solverలు](../../../../translated_images/solvers.5fc648618529e627dfac29b917b3ccabda4b45ee8ed41b0acb1ce1441e8d1ef1.te.png) +![solverలు](../../../../translated_images/solvers.5fc648618529e627.te.png) ## వ్యాయామం - డేటాను విభజించండి diff --git a/translations/te/4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb b/translations/te/4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb index 89f392a21..22d10cc09 100644 --- a/translations/te/4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb +++ b/translations/te/4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb @@ -564,7 +564,7 @@ "## 3. మీ క్లాసిఫైయర్‌ను ఎంచుకోవడం\n", "\n", "

\n", - " \n", "

@allison_horst చేత కళాకృతి
\n" ], @@ -618,7 +618,7 @@ "అనుమానంగా ఊహించడంకంటే మెరుగైన మార్గం, ఈ డౌన్లోడ్ చేసుకునే [ML చీట్ షీట్](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott)లోని ఆలోచనలను అనుసరించడం. ఇక్కడ, మన మల్టిక్లాస్ సమస్య కోసం మనకు కొన్ని ఎంపికలు ఉన్నాయి:\n", "\n", "

\n", - " \n", "

మైక్రోసాఫ్ట్ యొక్క అల్గోరిథమ్ చీట్ షీట్‌లోని ఒక భాగం, మల్టిక్లాస్ వర్గీకరణ ఎంపికలను వివరించడం
\n" ], diff --git a/translations/te/4-Classification/3-Classifiers-2/README.md b/translations/te/4-Classification/3-Classifiers-2/README.md index 4b4c12869..ac0f7c28d 100644 --- a/translations/te/4-Classification/3-Classifiers-2/README.md +++ b/translations/te/4-Classification/3-Classifiers-2/README.md @@ -25,7 +25,7 @@ CO_OP_TRANSLATOR_METADATA: ముందుగా, మీరు మైక్రోసాఫ్ట్ యొక్క చీట్ షీట్ ఉపయోగించి డేటాను వర్గీకరించేటప్పుడు మీకు ఉన్న వివిధ ఎంపికల గురించి తెలుసుకున్నారు. Scikit-learn ఒక సమానమైన, కానీ మరింత సూక్ష్మమైన చీట్ షీట్ అందిస్తుంది, ఇది మీ అంచనాదారులను (ఇంకో పేరు వర్గీకర్తలు) మరింత సన్నిహితంగా తగ్గించడంలో సహాయపడుతుంది: -![ML Map from Scikit-learn](../../../../translated_images/map.e963a6a51349425ab107b38f6c7307eb4c0d0c7ccdd2e81a5e1919292bab9ac7.te.png) +![ML Map from Scikit-learn](../../../../translated_images/map.e963a6a51349425a.te.png) > సూచన: [ఈ మ్యాప్‌ను ఆన్‌లైన్‌లో సందర్శించండి](https://scikit-learn.org/stable/tutorial/machine_learning_map/) మరియు దారిలో క్లిక్ చేసి డాక్యుమెంటేషన్ చదవండి. ### ప్రణాళిక diff --git a/translations/te/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb b/translations/te/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb index 7862e0723..a01426750 100644 --- a/translations/te/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb +++ b/translations/te/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb @@ -90,7 +90,7 @@ "మునుపటి పాఠంలో, మైక్రోసాఫ్ట్ యొక్క చీట్ షీట్ ఉపయోగించి డేటాను వర్గీకరించేటప్పుడు మీకు ఉన్న వివిధ ఎంపికల గురించి నేర్చుకున్నాము. పైథాన్ యొక్క మెషీన్ లెర్నింగ్ ఫ్రేమ్‌వర్క్, స్కైకిట్-లెర్న్, ఒక సమానమైన కానీ మరింత సూక్ష్మమైన చీట్ షీట్‌ను అందిస్తుంది, ఇది మీ అంచనాదారులను (మరొక పదం వర్గీకరణకర్తలకు) మరింత సన్నిహితంగా తగ్గించడంలో సహాయపడుతుంది:\n", "\n", "

\n", - " \n", "

\n" ] @@ -233,7 +233,7 @@ "వర్గీకరణ సందర్భంలో, `సపోర్ట్ వెక్టర్ మెషీన్లు` అనేది ఒక మెషీన్ లెర్నింగ్ సాంకేతికత, ఇది తరగతులను \"మంచిగా\" వేరు చేసే *హైపర్ప్లేన్* ను కనుగొనడానికి ప్రయత్నిస్తుంది. ఒక సులభమైన ఉదాహరణను చూద్దాం:\n", "\n", "

\n", - " \n", "

https://commons.wikimedia.org/w/index.php?curid=22877598
\n" ] @@ -639,7 +639,7 @@ "[Eric](https://twitter.com/ericntay), గోల్డ్ మైక్రోసాఫ్ట్ లెర్న్ స్టూడెంట్ అంబాసిడర్.\n", "\n", "

\n", - " \n", "

Artwork by @allison_horst
\n" ] diff --git a/translations/te/4-Classification/4-Applied/README.md b/translations/te/4-Classification/4-Applied/README.md index 141eb5356..4c4c49545 100644 --- a/translations/te/4-Classification/4-Applied/README.md +++ b/translations/te/4-Classification/4-Applied/README.md @@ -152,7 +152,7 @@ CO_OP_TRANSLATOR_METADATA: Onnx మోడల్స్ Visual Studio కోడ్‌లో చాలా స్పష్టంగా కనిపించవు, కానీ చాలా పరిశోధకులు ఉపయోగించే ఒక మంచి ఉచిత సాఫ్ట్‌వేర్ ఉంది, ఇది మోడల్ సరిగ్గా నిర్మించబడిందో లేదో చూడటానికి ఉపయోగపడుతుంది. [Netron](https://github.com/lutzroeder/Netron) డౌన్లోడ్ చేసి మీ model.onnx ఫైల్‌ను తెరవండి. మీరు మీ సాదారణ మోడల్‌ను దాని 380 ఇన్‌పుట్లు మరియు వర్గీకరణతో చూడవచ్చు: -![Netron visual](../../../../translated_images/netron.a05f39410211915e0f95e2c0e8b88f41e7d13d725faf660188f3802ba5c9e831.te.png) +![Netron visual](../../../../translated_images/netron.a05f39410211915e.te.png) Netron మీ మోడల్స్‌ను వీక్షించడానికి సహాయక సాధనం. @@ -301,7 +301,7 @@ Netron మీ మోడల్స్‌ను వీక్షించడాన Visual Studio Codeలో మీ index.html ఫైల్ ఉన్న ఫోల్డర్‌లో టెర్మినల్ సెషన్‌ను తెరవండి. మీరు [http-server](https://www.npmjs.com/package/http-server) ను గ్లోబల్‌గా ఇన్‌స్టాల్ చేసుకున్నారని నిర్ధారించుకుని, ప్రాంప్ట్ వద్ద `http-server` టైప్ చేయండి. ఒక localhost తెరుచుకుంటుంది మరియు మీరు మీ వెబ్ యాప్‌ను వీక్షించవచ్చు. వివిధ పదార్థాల ఆధారంగా ఏ వంటకం సిఫార్సు అవుతుందో తనిఖీ చేయండి: -![ingredient web app](../../../../translated_images/web-app.4c76450cabe20036f8ec6d5e05ccc0c1c064f0d8f2fe3304d3bcc0198f7dc139.te.png) +![ingredient web app](../../../../translated_images/web-app.4c76450cabe20036.te.png) అభినందనలు, మీరు కొన్ని ఫీల్డ్స్‌తో 'సిఫార్సు' వెబ్ యాప్‌ను సృష్టించారు. ఈ వ్యవస్థను మరింత అభివృద్ధి చేసేందుకు కొంత సమయం కేటాయించండి! diff --git a/translations/te/4-Classification/README.md b/translations/te/4-Classification/README.md index 68d6fd73c..80bd9f390 100644 --- a/translations/te/4-Classification/README.md +++ b/translations/te/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: ఆసియా మరియు భారతదేశంలో, ఆహార సంప్రదాయాలు చాలా వైవిధ్యంగా ఉంటాయి, మరియు చాలా రుచికరంగా ఉంటాయి! వారి పదార్థాలను అర్థం చేసుకోవడానికి ప్రాంతీయ వంటకాల గురించి డేటాను చూద్దాం. -![Thai food seller](../../../translated_images/thai-food.c47a7a7f9f05c21892a1f9dc7bf30669e6d18dfda420c5c7ebb4153f6a304edd.te.jpg) +![Thai food seller](../../../translated_images/thai-food.c47a7a7f9f05c218.te.jpg) > ఫోటో లిషెంగ్ చాంగ్ ద్వారా అన్స్ప్లాష్లో ## మీరు నేర్చుకునేది diff --git a/translations/te/5-Clustering/1-Visualize/README.md b/translations/te/5-Clustering/1-Visualize/README.md index d75f73861..d3075cb8b 100644 --- a/translations/te/5-Clustering/1-Visualize/README.md +++ b/translations/te/5-Clustering/1-Visualize/README.md @@ -69,7 +69,7 @@ CO_OP_TRANSLATOR_METADATA: > >'ఫ్లాట్' ఈ సందర్భంలో యూక్లిడియన్ జ్యామితిని సూచిస్తుంది (దాని భాగాలు 'ప్లేన్' జ్యామితిగా బోధించబడతాయి), మరియు నాన్-ఫ్లాట్ అనేది నాన్-యూక్లిడియన్ జ్యామితి. జ్యామితి మెషీన్ లెర్నింగ్‌కు ఏమి సంబంధం? గణితంలో ఆధారపడిన రెండు రంగాలుగా, క్లస్టర్లలో పాయింట్ల మధ్య దూరాలను కొలవడానికి సాధారణ మార్గం ఉండాలి, అది 'ఫ్లాట్' లేదా 'నాన్-ఫ్లాట్' విధంగా చేయవచ్చు, డేటా స్వభావం ఆధారంగా. [యూక్లిడియన్ దూరాలు](https://wikipedia.org/wiki/Euclidean_distance) రెండు పాయింట్ల మధ్య రేఖా భాగం పొడవుగా కొలవబడతాయి. [నాన్-యూక్లిడియన్ దూరాలు](https://wikipedia.org/wiki/Non-Euclidean_geometry) వక్రరేఖపై కొలవబడతాయి. మీ డేటా, దృశ్యరూపంలో, ఒక సమతలంపై లేనట్టుగా కనిపిస్తే, మీరు దానిని నిర్వహించడానికి ప్రత్యేక అల్గోరిథం అవసరం కావచ్చు. > -![ఫ్లాట్ vs నాన్-ఫ్లాట్ జ్యామితి ఇన్ఫోగ్రాఫిక్](../../../../translated_images/flat-nonflat.d1c8c6e2a96110c1d57fa0b72913f6aab3c245478524d25baf7f4a18efcde224.te.png) +![ఫ్లాట్ vs నాన్-ఫ్లాట్ జ్యామితి ఇన్ఫోగ్రాఫిక్](../../../../translated_images/flat-nonflat.d1c8c6e2a96110c1.te.png) > ఇన్ఫోగ్రాఫిక్ [దాసాని మడిపల్లి](https://twitter.com/dasani_decoded) ద్వారా > > 🎓 ['దూరాలు'](https://web.stanford.edu/class/cs345a/slides/12-clustering.pdf) @@ -92,12 +92,12 @@ CO_OP_TRANSLATOR_METADATA: - **హైరార్కికల్ క్లస్టరింగ్**. ఒక వస్తువు దాని సమీప వస్తువుతో సమీపత ఆధారంగా వర్గీకరించబడితే, దూరం ఆధారంగా క్లస్టర్లు ఏర్పడతాయి. Scikit-learn యొక్క అగ్లోమెరేటివ్ క్లస్టరింగ్ హైరార్కికల్. - ![హైరార్కికల్ క్లస్టరింగ్ ఇన్ఫోగ్రాఫిక్](../../../../translated_images/hierarchical.bf59403aa43c8c47493bfdf1cc25230f26e45f4e38a3d62e8769cd324129ac15.te.png) + ![హైరార్కికల్ క్లస్టరింగ్ ఇన్ఫోగ్రాఫిక్](../../../../translated_images/hierarchical.bf59403aa43c8c47.te.png) > ఇన్ఫోగ్రాఫిక్ [దాసాని మడిపల్లి](https://twitter.com/dasani_decoded) ద్వారా - **సెంట్రాయిడ్ క్లస్టరింగ్**. ఈ ప్రాచుర్యం పొందిన అల్గోరిథం 'k' లేదా ఏర్పరచాల్సిన క్లస్టర్ల సంఖ్యను ఎంచుకోవాలి, ఆ తర్వాత అల్గోరిథం క్లస్టర్ కేంద్ర పాయింట్‌ను నిర్ణయించి ఆ పాయింట్ చుట్టూ డేటాను సేకరిస్తుంది. [K-means క్లస్టరింగ్](https://wikipedia.org/wiki/K-means_clustering) సెంట్రాయిడ్ క్లస్టరింగ్ యొక్క ప్రాచుర్యం పొందిన వెర్షన్. కేంద్రం సమీప సగటు ద్వారా నిర్ణయించబడుతుంది, అందుకే పేరు. క్లస్టర్ నుండి చతురస్ర దూరం తగ్గించబడుతుంది. - ![సెంట్రాయిడ్ క్లస్టరింగ్ ఇన్ఫోగ్రాఫిక్](../../../../translated_images/centroid.097fde836cf6c9187d0b2033e9f94441829f9d86f4f0b1604dd4b3d1931aee34.te.png) + ![సెంట్రాయిడ్ క్లస్టరింగ్ ఇన్ఫోగ్రాఫిక్](../../../../translated_images/centroid.097fde836cf6c918.te.png) > ఇన్ఫోగ్రాఫిక్ [దాసాని మడిపల్లి](https://twitter.com/dasani_decoded) ద్వారా - **వితరణ ఆధారిత క్లస్టరింగ్**. గణాంక నమూనాలపై ఆధారపడి, వితరణ ఆధారిత క్లస్టరింగ్ ఒక డేటా పాయింట్ ఒక క్లస్టర్‌కు చెందే సంభావ్యతను నిర్ణయించి, దానికి అనుగుణంగా కేటాయిస్తుంది. గౌసియన్ మిశ్రమ పద్ధతులు ఈ రకానికి చెందుతాయి. @@ -233,7 +233,7 @@ CO_OP_TRANSLATOR_METADATA: plt.title('Top genres',color = 'blue') ``` - ![most popular](../../../../translated_images/popular.9c48d84b3386705f98bf44e26e9655bee9eb7c849d73be65195e37895bfedb5d.te.png) + ![most popular](../../../../translated_images/popular.9c48d84b3386705f.te.png) ✅ మీరు ఎక్కువ టాప్ విలువలు చూడాలనుకుంటే, టాప్ `[:5]` ను పెద్ద విలువగా మార్చండి లేదా అన్ని చూడటానికి తీసివేయండి. @@ -252,7 +252,7 @@ CO_OP_TRANSLATOR_METADATA: ఇప్పుడు జానర్లను మళ్లీ తనిఖీ చేయండి: - ![most popular](../../../../translated_images/all-genres.1d56ef06cefbfcd61183023834ed3cb891a5ee638a3ba5c924b3151bf80208d7.te.png) + ![most popular](../../../../translated_images/all-genres.1d56ef06cefbfcd6.te.png) 1. ఇప్పటి వరకు, టాప్ మూడు జానర్లు ఈ డేటాసెట్‌ను ఆధిపత్యం చేస్తాయి. `afro dancehall`, `afropop`, మరియు `nigerian pop` పై దృష్టి పెట్టండి, అదనంగా 0 ప్రాచుర్యం విలువ ఉన్న ఏదైనా డేటాను తీసివేయండి (అంటే డేటాసెట్‌లో ప్రాచుర్యం తో వర్గీకరించబడలేదు మరియు మన ప్రయోజనాలకు శబ్దం గా పరిగణించవచ్చు): @@ -274,7 +274,7 @@ CO_OP_TRANSLATOR_METADATA: sns.heatmap(corrmat, vmax=.8, square=True) ``` - ![correlations](../../../../translated_images/correlation.a9356bb798f5eea51f47185968e1ebac5c078c92fce9931e28ccf0d7fab71c2b.te.png) + ![correlations](../../../../translated_images/correlation.a9356bb798f5eea5.te.png) ఒకే బలమైన సంబంధం `energy` మరియు `loudness` మధ్య ఉంది, ఇది ఆశ్చర్యకరం కాదు, ఎందుకంటే శబ్దమైన సంగీతం సాధారణంగా చాలా శక్తివంతంగా ఉంటుంది. మిగతా సంబంధాలు తక్కువ బలంగా ఉన్నాయి. ఈ డేటాను క్లస్టరింగ్ అల్గోరిథం ఎలా ఉపయోగిస్తుందో చూడటం ఆసక్తికరం. @@ -306,7 +306,7 @@ CO_OP_TRANSLATOR_METADATA: సాధారణంగా, ఈ మూడు జానర్లు వారి ప్రాచుర్యం మరియు డ్యాన్సబిలిటీ పరంగా సడలిన సరిపోలికలో ఉంటాయి. ఈ సడలిన సరిపోలిక డేటాలో క్లస్టర్లను నిర్ణయించడం ఒక సవాలు: - ![distribution](../../../../translated_images/distribution.9be11df42356ca958dc8e06e87865e09d77cab78f94fe4fea8a1e6796c64dc4b.te.png) + ![distribution](../../../../translated_images/distribution.9be11df42356ca95.te.png) 1. ఒక స్కాటర్ ప్లాట్ సృష్టించండి: @@ -318,7 +318,7 @@ CO_OP_TRANSLATOR_METADATA: అదే అక్షాల స్కాటర్‌ప్లాట్ ఒక సమానమైన సమీకరణ నమూనాను చూపిస్తుంది - ![Facetgrid](../../../../translated_images/facetgrid.9b2e65ce707eba1f983b7cdfed5d952e60f385947afa3011df6e3cc7d200eb5b.te.png) + ![Facetgrid](../../../../translated_images/facetgrid.9b2e65ce707eba1f.te.png) సాధారణంగా, క్లస్టరింగ్ కోసం, మీరు డేటా క్లస్టర్లను చూపించడానికి స్కాటర్‌ప్లాట్లను ఉపయోగించవచ్చు, కాబట్టి ఈ రకమైన విజువలైజేషన్‌ను నేర్చుకోవడం చాలా ఉపయోగకరం. తదుపరి పాఠంలో, మనం ఈ ఫిల్టర్ చేసిన డేటాను తీసుకుని k-means క్లస్టరింగ్ ఉపయోగించి ఈ డేటాలో ఆసక్తికరమైన రీతిలో ఓవర్‌ల్యాప్ అయ్యే గ్రూపులను కనుగొంటాము. diff --git a/translations/te/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb b/translations/te/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb index ccb98d403..6facc7c0a 100644 --- a/translations/te/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb +++ b/translations/te/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb @@ -42,7 +42,7 @@ "> ఇక్కడ 'ఫ్లాట్' అనగా యూక్లిడియన్ జ్యామితి (దాని భాగాలు 'ప్లేన్' జ్యామితిగా బోధించబడతాయి), మరియు నాన్-ఫ్లాట్ అనగా నాన్-యూక్లిడియన్ జ్యామితి. జ్యామితి కి మెషీన్ లెర్నింగ్ తో సంబంధం ఏమిటి? గణిత శాస్త్రంలో ఆధారపడిన రెండు రంగాలుగా, క్లస్టర్లలో పాయింట్ల మధ్య దూరాలను కొలవడానికి ఒక సాధారణ మార్గం ఉండాలి, అది 'ఫ్లాట్' లేదా 'నాన్-ఫ్లాట్' విధంగా చేయవచ్చు, డేటా స్వభావం ఆధారంగా. [యూక్లిడియన్ దూరాలు](https://wikipedia.org/wiki/Euclidean_distance) రెండు పాయింట్ల మధ్య రేఖా భాగం పొడవుగా కొలవబడతాయి. [నాన్-యూక్లిడియన్ దూరాలు](https://wikipedia.org/wiki/Non-Euclidean_geometry) వక్రరేఖపై కొలవబడతాయి. మీ డేటా, దృశ్యరూపంలో, ఒక ప్లేన్ పై లేనట్టుగా కనిపిస్తే, మీరు దాన్ని నిర్వహించడానికి ప్రత్యేక అల్గోరిథం అవసరం కావచ్చు.\n", "\n", "

\n", - " \n", "

ఇన్ఫోగ్రాఫిక్ - దాసాని మడిపల్లి
\n", "\n", @@ -72,7 +72,7 @@ "\n", "\n", "

\n", - " \n", "

ఇన్ఫోగ్రాఫిక్ - దాసాని మడిపల్లి
\n", "\n", @@ -81,7 +81,7 @@ "- **సెంట్రాయిడ్ క్లస్టరింగ్**. ఈ ప్రాచుర్యం పొందిన అల్గోరిథం 'k' అనే క్లస్టర్ల సంఖ్యను ఎంచుకోవాలి, ఆ తర్వాత అల్గోరిథం ఒక క్లస్టర్ కేంద్ర పాయింట్‌ను నిర్ణయించి ఆ పాయింట్ చుట్టూ డేటాను సేకరిస్తుంది. [K-means క్లస్టరింగ్](https://wikipedia.org/wiki/K-means_clustering) సెంట్రాయిడ్ క్లస్టరింగ్ యొక్క ఒక ప్రాచుర్యం పొందిన వెర్షన్, ఇది డేటా సెట్‌ను ముందుగా నిర్వచించిన K గుంపులుగా విడగొడుతుంది. కేంద్రం సమీప సగటు ద్వారా నిర్ణయించబడుతుంది, అందుకే పేరు. క్లస్టర్ నుండి చతురస్ర దూరం తగ్గించబడుతుంది.\n", "\n", "

\n", - " \n", "

ఇన్ఫోగ్రాఫిక్ - దాసాని మడిపల్లి
\n", "\n", diff --git a/translations/te/5-Clustering/2-K-Means/README.md b/translations/te/5-Clustering/2-K-Means/README.md index 49eeefafe..de44db140 100644 --- a/translations/te/5-Clustering/2-K-Means/README.md +++ b/translations/te/5-Clustering/2-K-Means/README.md @@ -26,7 +26,7 @@ CO_OP_TRANSLATOR_METADATA: క్లస్టర్లు [Voronoi డయాగ్రామ్స్](https://wikipedia.org/wiki/Voronoi_diagram) గా దృశ్యమానమవుతాయి, ఇవి ఒక బిందువు (లేదా 'సీడ్') మరియు దాని సంబంధిత ప్రాంతాన్ని కలిగి ఉంటాయి. -![voronoi diagram](../../../../translated_images/voronoi.1dc1613fb0439b9564615eca8df47a4bcd1ce06217e7e72325d2406ef2180795.te.png) +![voronoi diagram](../../../../translated_images/voronoi.1dc1613fb0439b95.te.png) > ఇన్ఫోగ్రాఫిక్ [Jen Looper](https://twitter.com/jenlooper) ద్వారా @@ -91,7 +91,7 @@ K-Means ఉపయోగించడంలో ఒక లోపం ఏమిటం ఈ డేటా కొంత శబ్దంగా ఉంది: ప్రతి కాలమ్‌ను బాక్స్‌ప్లాట్‌గా పరిశీలించడం ద్వారా మీరు అవుట్లయర్స్‌ను చూడవచ్చు. - ![outliers](../../../../translated_images/boxplots.8228c29dabd0f29227dd38624231a175f411f1d8d4d7c012cb770e00e4fdf8b6.te.png) + ![outliers](../../../../translated_images/boxplots.8228c29dabd0f292.te.png) మీరు డేటాసెట్‌ను పరిశీలించి అవుట్లయర్స్‌ను తొలగించవచ్చు, కానీ అది డేటాను చాలా తక్కువగా చేస్తుంది. @@ -187,7 +187,7 @@ K-Means ఉపయోగించడంలో ఒక లోపం ఏమిటం మీరు గత దశలో నిర్మించిన `wcss` వేరియబుల్ ఉపయోగించి ఒక చార్ట్ సృష్టించండి, ఇందులో ఎల్బోలో 'వంక' ఎక్కడ ఉందో చూపిస్తుంది, ఇది ఉత్తమ క్లస్టర్ సంఖ్యను సూచిస్తుంది. కావచ్చు అది **3**నే! - ![elbow method](../../../../translated_images/elbow.72676169eed744ff03677e71334a16c6b8f751e9e716e3d7f40dd7cdef674cca.te.png) + ![elbow method](../../../../translated_images/elbow.72676169eed744ff.te.png) ## వ్యాయామం - క్లస్టర్లను ప్రదర్శించండి @@ -218,13 +218,13 @@ K-Means ఉపయోగించడంలో ఒక లోపం ఏమిటం ఈ మోడల్ యొక్క ఖచ్చితత్వం చాలా మంచిది కాదు, మరియు క్లస్టర్ల ఆకారం మీకు కారణాన్ని సూచిస్తుంది. - ![clusters](../../../../translated_images/clusters.b635354640d8e4fd4a49ef545495518e7be76172c97c13bd748f5b79f171f69a.te.png) + ![clusters](../../../../translated_images/clusters.b635354640d8e4fd.te.png) ఈ డేటా చాలా అసమతుల్యంగా ఉంది, తక్కువ సంబంధం కలిగి ఉంది మరియు కాలమ్ విలువల మధ్య చాలా వైవిధ్యం ఉంది కాబట్టి బాగా క్లస్టర్ చేయడం కష్టం. వాస్తవానికి, ఏర్పడిన క్లస్టర్లు పై పేర్కొన్న మూడు జానర్ వర్గాల ప్రభావంతో లేదా వక్రీకృతమై ఉండవచ్చు. అది ఒక నేర్చుకునే ప్రక్రియ! Scikit-learn డాక్యుమెంటేషన్‌లో, మీరు ఇలాంటి మోడల్, అంటే క్లస్టర్లు బాగా వేరుగా లేని మోడల్, 'వైవిధ్యం' సమస్యను కలిగి ఉందని చూడవచ్చు: - ![problem models](../../../../translated_images/problems.f7fb539ccd80608e1f35c319cf5e3ad1809faa3c08537aead8018c6b5ba2e33a.te.png) + ![problem models](../../../../translated_images/problems.f7fb539ccd80608e.te.png) > Scikit-learn నుండి ఇన్ఫోగ్రాఫిక్ ## వైవిధ్యం diff --git a/translations/te/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb b/translations/te/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb index b613cd0be..464f49126 100644 --- a/translations/te/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb +++ b/translations/te/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb @@ -59,7 +59,7 @@ "క్లస్టర్లు [Voronoi డయాగ్రామ్స్](https://wikipedia.org/wiki/Voronoi_diagram) గా దృశ్యమానమవుతాయి, ఇవి ఒక పాయింట్ (లేదా 'సీడ్') మరియు దాని సంబంధిత ప్రాంతాన్ని కలిగి ఉంటాయి.\n", "\n", "

\n", - " \n", "

ఇన్ఫోగ్రాఫిక్ జెన్ లూపర్ ద్వారా
\n", "\n", @@ -573,7 +573,7 @@ "Scikit-learn డాక్యుమెంటేషన్‌లో, మీరు ఇలాంటి మోడల్, క్లస్టర్లు బాగా వేరుగా లేని, 'వేరియన్స్' సమస్యను కలిగి ఉంటుందని చూడవచ్చు:\n", "\n", "

\n", - " \n", "

Scikit-learn నుండి ఇన్ఫోగ్రాఫిక్
\n", "\n", @@ -626,7 +626,7 @@ "[ఎరిక్](https://twitter.com/ericntay), గోల్డ్ మైక్రోసాఫ్ట్ లెర్న్ స్టూడెంట్ అంబాసిడర్.\n", "\n", "

\n", - " \n", "

@allison_horst చేత కళాకృతి
\n" ] diff --git a/translations/te/5-Clustering/README.md b/translations/te/5-Clustering/README.md index 519dbfa3b..947f56bc3 100644 --- a/translations/te/5-Clustering/README.md +++ b/translations/te/5-Clustering/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: నైజీరియాలోని విభిన్న ప్రేక్షకులు విభిన్న సంగీత రుచులు కలిగి ఉన్నారు. Spotify నుండి సేకరించిన డేటాను ఉపయోగించి ([ఈ ఆర్టికల్](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421) నుండి ప్రేరణ పొందిన), నైజీరియాలో ప్రాచుర్యం పొందిన కొన్ని సంగీతాలను చూద్దాం. ఈ డేటాసెట్‌లో వివిధ పాటల 'డాన్స్‌బిలిటీ' స్కోరు, 'అకౌస్టిక్‌నెస్', లౌడ్నెస్, 'స్పీచినెస్', ప్రాచుర్యం మరియు ఎనర్జీ గురించి డేటా ఉంది. ఈ డేటాలో నమూనాలను కనుగొనడం ఆసక్తికరం! -![A turntable](../../../translated_images/turntable.f2b86b13c53302dc106aa741de9dc96ac372864cf458dd6f879119857aab01da.te.jpg) +![A turntable](../../../translated_images/turntable.f2b86b13c53302dc.te.jpg) > ఫోటో మార్సెలా లాస్కోస్కి ద్వారా అన్స్ప్లాష్లో diff --git a/translations/te/6-NLP/1-Introduction-to-NLP/README.md b/translations/te/6-NLP/1-Introduction-to-NLP/README.md index 03d22cbdf..2ce59be7a 100644 --- a/translations/te/6-NLP/1-Introduction-to-NLP/README.md +++ b/translations/te/6-NLP/1-Introduction-to-NLP/README.md @@ -32,7 +32,7 @@ NLP, సాధారణంగా పిలవబడేది, యంత్ర మీరు ఎప్పుడైనా టైప్ చేయకుండా మీ ఫోన్‌కు డిక్టేట్ చేసినట్లయితే లేదా వర్చువల్ అసిస్టెంట్‌కు ప్రశ్న అడిగితే, మీ మాటలను టెక్స్ట్ రూపంలోకి మార్చి, మీరు మాట్లాడిన భాష నుండి ప్రాసెస్ లేదా *పార్స్* చేయబడింది. గుర్తించిన కీలకపదాలు ఫోన్ లేదా అసిస్టెంట్ అర్థం చేసుకుని చర్య తీసుకునే ఫార్మాట్‌లో ప్రాసెస్ చేయబడ్డాయి. -![comprehension](../../../../translated_images/comprehension.619708fc5959b0f6a24ebffba2ad7b0625391a476141df65b43b59de24e45c6f.te.png) +![comprehension](../../../../translated_images/comprehension.619708fc5959b0f6.te.png) > నిజమైన భాషా అవగాహన కష్టం! చిత్రం [జెన్ లూపర్](https://twitter.com/jenlooper) ద్వారా ### ఈ సాంకేతికత ఎలా సాధ్యమైంది? diff --git a/translations/te/6-NLP/2-Tasks/README.md b/translations/te/6-NLP/2-Tasks/README.md index c1bfd1dfe..6cd6649df 100644 --- a/translations/te/6-NLP/2-Tasks/README.md +++ b/translations/te/6-NLP/2-Tasks/README.md @@ -23,14 +23,14 @@ CO_OP_TRANSLATOR_METADATA: బహుశా చాలా NLP అల్గోరిథమ్స్ మొదట చేయవలసిన పని టెక్స్ట్‌ను టోకెన్స్ లేదా పదాలుగా విభజించడం. ఇది సులభంగా అనిపించినప్పటికీ, విరామ చిహ్నాలు మరియు వివిధ భాషల పదాలు, వాక్య విభజనలను పరిగణలోకి తీసుకోవడం కష్టంగా ఉంటుంది. మీరు విభజనలను నిర్ణయించడానికి వివిధ పద్ధతులు ఉపయోగించవలసి ఉంటుంది. -![tokenization](../../../../translated_images/tokenization.1641a160c66cd2d93d4524e8114e93158a9ce0eba3ecf117bae318e8a6ad3487.te.png) +![tokenization](../../../../translated_images/tokenization.1641a160c66cd2d9.te.png) > **Pride and Prejudice** నుండి ఒక వాక్యాన్ని టోకనైజ్ చేయడం. ఇన్ఫోగ్రాఫిక్ [Jen Looper](https://twitter.com/jenlooper) ద్వారా ### ఎంబెడ్డింగ్స్ [పద ఎంబెడ్డింగ్స్](https://wikipedia.org/wiki/Word_embedding) అనేవి మీ టెక్స్ట్ డేటాను సంఖ్యలుగా మార్చే ఒక విధానం. ఎంబెడ్డింగ్స్ అలా చేయబడతాయి, అర్థం సమానమైన లేదా కలిసి ఉపయోగించే పదాలు సమీపంగా క్లస్టర్ అవుతాయి. -![word embeddings](../../../../translated_images/embedding.2cf8953c4b3101d188c2f61a5de5b6f53caaa5ad4ed99236d42bc3b6bd6a1fe2.te.png) +![word embeddings](../../../../translated_images/embedding.2cf8953c4b3101d1.te.png) > "నేను మీ నర్వ్స్‌కు అత్యంత గౌరవం కలిగి ఉన్నాను, అవి నా పాత స్నేహితులు." - **Pride and Prejudice** లో ఒక వాక్యానికి పద ఎంబెడ్డింగ్స్. ఇన్ఫోగ్రాఫిక్ [Jen Looper](https://twitter.com/jenlooper) ద్వారా ✅ పద ఎంబెడ్డింగ్స్‌తో ప్రయోగించడానికి [ఈ ఆసక్తికరమైన టూల్](https://projector.tensorflow.org/) ను ప్రయత్నించండి. ఒక పదాన్ని క్లిక్ చేస్తే సమానమైన పదాల క్లస్టర్లు చూపబడతాయి: 'toy' క్లస్టర్‌లో 'disney', 'lego', 'playstation', మరియు 'console' ఉన్నాయి. @@ -39,7 +39,7 @@ CO_OP_TRANSLATOR_METADATA: ప్రతి టోకనైజ్ చేసిన పదాన్ని భాగంగా ట్యాగ్ చేయవచ్చు - నామవాచకం, క్రియ, లేదా విశేషణం. వాక్యం `the quick red fox jumped over the lazy brown dog` లో fox = నామవాచకం, jumped = క్రియ అని POS ట్యాగ్ చేయవచ్చు. -![parsing](../../../../translated_images/parse.d0c5bbe1106eae8fe7d60a183cd1736c8b6cec907f38000366535f84f3036101.te.png) +![parsing](../../../../translated_images/parse.d0c5bbe1106eae8f.te.png) > **Pride and Prejudice** నుండి ఒక వాక్యాన్ని పార్స్ చేయడం. ఇన్ఫోగ్రాఫిక్ [Jen Looper](https://twitter.com/jenlooper) ద్వారా diff --git a/translations/te/6-NLP/3-Translation-Sentiment/README.md b/translations/te/6-NLP/3-Translation-Sentiment/README.md index 74fef55f3..6a0d8721b 100644 --- a/translations/te/6-NLP/3-Translation-Sentiment/README.md +++ b/translations/te/6-NLP/3-Translation-Sentiment/README.md @@ -56,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA: ఉదాహరణకు, ఇంగ్లీష్ పదబంధం `I have no money` ను ఫ్రెంచ్‌కు నేరుగా అనువదిస్తే, అది `Je n'ai pas de monnaie` అవుతుంది. "Monnaie" అనేది ఒక క్లిష్టమైన ఫ్రెంచ్ 'తప్పు సారూప్యం' (false cognate), ఎందుకంటే 'money' మరియు 'monnaie' సమానార్థకాలు కావు. మానవుడు చేసే మంచి అనువాదం `Je n'ai pas d'argent` అవుతుంది, ఎందుకంటే ఇది మీరు డబ్బు లేనట్టుగా అర్థం చెప్పడంలో మెరుగ్గా ఉంటుంది (మరియు 'monnaie' అర్థం 'చిన్న నాణేలు'). -![monnaie](../../../../translated_images/monnaie.606c5fa8369d5c3b3031ef0713e2069485c87985dd475cd9056bdf4c76c1f4b8.te.png) +![monnaie](../../../../translated_images/monnaie.606c5fa8369d5c3b.te.png) > చిత్రం [Jen Looper](https://twitter.com/jenlooper) ద్వారా diff --git a/translations/te/6-NLP/README.md b/translations/te/6-NLP/README.md index e020ac179..961ac19ec 100644 --- a/translations/te/6-NLP/README.md +++ b/translations/te/6-NLP/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: ఈ పాఠాలలో మనం NLP యొక్క ప్రాథమికాలను చిన్న సంభాషణ బాట్లను నిర్మించడం ద్వారా నేర్చుకుంటాము, యంత్ర అభ్యాసం ఈ సంభాషణలను మరింత 'స్మార్ట్' గా చేయడంలో ఎలా సహాయపడుతుందో తెలుసుకుంటాము. మీరు జేన్ ఆస్టెన్ యొక్క క్లాసిక్ నవల **ప్రైడ్ అండ్ ప్రెజుడిస్**, 1813లో ప్రచురించబడిన ఎలిజబెత్ బెన్నెట్ మరియు మిస్టర్ డార్సీతో చర్చిస్తూ కాలంలో వెనక్కి ప్రయాణిస్తారు. ఆ తర్వాత, మీరు యూరోపియన్ హోటల్ సమీక్షల ద్వారా భావ విశ్లేషణ గురించి మరింత తెలుసుకుంటారు. -![Pride and Prejudice book and tea](../../../translated_images/p&p.279f1c49ecd889419e4ce6206525e9aa30d32a976955cd24daa636c361c6391f.te.jpg) +![Pride and Prejudice book and tea](../../../translated_images/p&p.279f1c49ecd88941.te.jpg) > ఫోటో ఎలైన్ హౌలిన్ ద్వారా అన్స్ప్లాష్లో ## పాఠాలు diff --git a/translations/te/7-TimeSeries/1-Introduction/README.md b/translations/te/7-TimeSeries/1-Introduction/README.md index f8f78ee08..76b479f82 100644 --- a/translations/te/7-TimeSeries/1-Introduction/README.md +++ b/translations/te/7-TimeSeries/1-Introduction/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # టైమ్ సిరీస్ ఫోర్కాస్టింగ్ పరిచయం -![స్కెచ్ నోట్‌లో టైమ్ సిరీస్ సారాంశం](../../../../translated_images/ml-timeseries.fb98d25f1013fc0c59090030080b5d1911ff336427bec31dbaf1ad08193812e9.te.png) +![స్కెచ్ నోట్‌లో టైమ్ సిరీస్ సారాంశం](../../../../translated_images/ml-timeseries.fb98d25f1013fc0c.te.png) > స్కెచ్ నోట్ [Tomomi Imura](https://www.twitter.com/girlie_mac) ద్వారా @@ -112,7 +112,7 @@ CO_OP_TRANSLATOR_METADATA: ✅ ఇది ఒక [నమూనా టైమ్ సిరీస్ ప్లాట్](https://www.kaggle.com/kashnitsky/topic-9-part-1-time-series-analysis-in-python), ఇది కొన్ని సంవత్సరాల పాటు రోజువారీ గేమ్ కరెన్సీ ఖర్చును చూపిస్తుంది. మీరు పై పేర్కొన్న లక్షణాలలో ఏవైనా ఈ డేటాలో గుర్తించగలరా? -![ఇన్-గేమ్ కరెన్సీ ఖర్చు](../../../../translated_images/currency.e7429812bfc8c6087b2d4c410faaa4aaa11b2fcaabf6f09549b8249c9fbdb641.te.png) +![ఇన్-గేమ్ కరెన్సీ ఖర్చు](../../../../translated_images/currency.e7429812bfc8c608.te.png) ## వ్యాయామం - విద్యుత్ వినియోగ డేటాతో ప్రారంభం @@ -160,7 +160,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![energy plot](../../../../translated_images/energy-plot.5fdac3f397a910bc6070602e9e45bea8860d4c239354813fa8fc3c9d556f5bad.te.png) + ![energy plot](../../../../translated_images/energy-plot.5fdac3f397a910bc.te.png) 4. ఇప్పుడు, 2014 జూలై మొదటి వారాన్ని `[from date]: [to date]` నమూనాలో `energy`కి ఇన్‌పుట్‌గా అందించి ప్లాట్ చేయండి: @@ -171,7 +171,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![july](../../../../translated_images/july-2014.9e1f7c318ec6d5b30b0d7e1e20be3643501f64a53f3d426d7c7d7b62addb335e.te.png) + ![july](../../../../translated_images/july-2014.9e1f7c318ec6d5b3.te.png) ఒక అందమైన ప్లాట్! ఈ ప్లాట్లను పరిశీలించి పై పేర్కొన్న లక్షణాలలో ఏవైనా మీరు గుర్తించగలరా? డేటాను దృశ్యీకరించడం ద్వారా మనం ఏమి అర్థం చేసుకోవచ్చు? diff --git a/translations/te/7-TimeSeries/2-ARIMA/README.md b/translations/te/7-TimeSeries/2-ARIMA/README.md index 2b6b35007..635a81aba 100644 --- a/translations/te/7-TimeSeries/2-ARIMA/README.md +++ b/translations/te/7-TimeSeries/2-ARIMA/README.md @@ -114,7 +114,7 @@ ARIMA భాగాలను విప్పి చూద్దాం, ఇది plt.show() ``` - ![training and testing data](../../../../translated_images/train-test.8928d14e5b91fc942f0ca9201b2d36c890ea7e98f7619fd94f75de3a4c2bacb9.te.png) + ![training and testing data](../../../../translated_images/train-test.8928d14e5b91fc94.te.png) కాబట్టి, ట్రైనింగ్ కోసం తక్కువ సమయ విండో ఉపయోగించడం సరిపోతుంది. @@ -157,11 +157,11 @@ ARIMA భాగాలను విప్పి చూద్దాం, ఇది plt.show() ``` - ![original](../../../../translated_images/original.b2b15efe0ce92b8745918f071dceec2231661bf49c8db6918e3ff4b3b0b183c2.te.png) + ![original](../../../../translated_images/original.b2b15efe0ce92b87.te.png) > ఒరిజినల్ డేటా - ![scaled](../../../../translated_images/scaled.e35258ca5cd3d43f86d5175e584ba96b38d51501f234abf52e11f4fe2631e45f.te.png) + ![scaled](../../../../translated_images/scaled.e35258ca5cd3d43f.te.png) > స్కేల్ చేసిన డేటా @@ -321,7 +321,7 @@ ARIMA భాగాలను విప్పి చూద్దాం, ఇది > **🧮 గణితం చూపించండి** > -> ![MAPE](../../../../translated_images/mape.fd87bbaf4d346846df6af88b26bf6f0926bf9a5027816d5e23e1200866e3e8a4.te.png) +> ![MAPE](../../../../translated_images/mape.fd87bbaf4d346846.te.png) > > [MAPE](https://www.linkedin.com/pulse/what-mape-mad-msd-time-series-allameh-statistics/) ను పై సూత్రం ద్వారా నిర్వచించబడిన నిష్పత్తిగా అంచనా ఖచ్చితత్వాన్ని చూపడానికి ఉపయోగిస్తారు. actualt మరియు predictedt మధ్య తేడా actualt తో భాగించబడుతుంది. "ఈ లెక్కింపులో పరమాన్న విలువ ప్రతి అంచనా వేయబడిన సమయ బిందువు కోసం సమీకరించబడుతుంది మరియు సరిపోయిన బిందువుల సంఖ్య n తో భాగించబడుతుంది." [wikipedia](https://wikipedia.org/wiki/Mean_absolute_percentage_error) @@ -381,7 +381,7 @@ ARIMA భాగాలను విప్పి చూద్దాం, ఇది plt.show() ``` - ![a time series model](../../../../translated_images/accuracy.2c47fe1bf15f44b3656651c84d5e2ba9b37cd929cd2aa8ab6cc3073f50570f4e.te.png) + ![a time series model](../../../../translated_images/accuracy.2c47fe1bf15f44b3.te.png) 🏆 చాలా మంచి ప్లాట్, మంచి ఖచ్చితత్వం ఉన్న మోడల్‌ను చూపిస్తోంది. బాగుంది! diff --git a/translations/te/7-TimeSeries/3-SVR/README.md b/translations/te/7-TimeSeries/3-SVR/README.md index bfb0b7614..2c8e4b3be 100644 --- a/translations/te/7-TimeSeries/3-SVR/README.md +++ b/translations/te/7-TimeSeries/3-SVR/README.md @@ -71,7 +71,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![full data](../../../../translated_images/full-data.a82ec9957e580e976f651a4fc38f280b9229c6efdbe3cfe7c60abaa9486d2cbe.te.png) + ![full data](../../../../translated_images/full-data.a82ec9957e580e97.te.png) ఇప్పుడు, మన SVR మోడల్‌ను నిర్మిద్దాం. @@ -97,7 +97,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![training and testing data](../../../../translated_images/train-test.ead0cecbfc341921d4875eccf25fed5eefbb860cdbb69cabcc2276c49e4b33e5.te.png) + ![training and testing data](../../../../translated_images/train-test.ead0cecbfc341921.te.png) @@ -275,7 +275,7 @@ plt.title("Training data prediction") plt.show() ``` -![training data prediction](../../../../translated_images/train-data-predict.3c4ef4e78553104ffdd53d47a4c06414007947ea328e9261ddf48d3eafdefbbf.te.png) +![training data prediction](../../../../translated_images/train-data-predict.3c4ef4e78553104f.te.png) శిక్షణ డేటా కోసం MAPE ముద్రించండి @@ -298,7 +298,7 @@ plt.xlabel('Timestamp') plt.show() ``` -![testing data prediction](../../../../translated_images/test-data-predict.8afc47ee7e52874f514ebdda4a798647e9ecf44a97cc927c535246fcf7a28aa9.te.png) +![testing data prediction](../../../../translated_images/test-data-predict.8afc47ee7e52874f.te.png) పరీక్ష డేటా కోసం MAPE ముద్రించండి @@ -354,7 +354,7 @@ plt.xlabel('Timestamp') plt.show() ``` -![full data prediction](../../../../translated_images/full-data-predict.4f0fed16a131c8f3bcc57a3060039dc7f2f714a05b07b68c513e0fe7fb3d8964.te.png) +![full data prediction](../../../../translated_images/full-data-predict.4f0fed16a131c8f3.te.png) ```python print('MAPE: ', mape(Y_pred, Y)*100, '%') diff --git a/translations/te/7-TimeSeries/README.md b/translations/te/7-TimeSeries/README.md index 1bf591259..6a71de727 100644 --- a/translations/te/7-TimeSeries/README.md +++ b/translations/te/7-TimeSeries/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: మా ప్రాంతీయ దృష్టి ప్రపంచంలో విద్యుత్ వినియోగం మీద ఉంది, ఇది గత లోడ్ నమూనాల ఆధారంగా భవిష్యత్తు విద్యుత్ వినియోగాన్ని అంచనా వేయడాన్ని నేర్చుకోవడానికి ఆసక్తికరమైన డేటాసెట్. ఈ రకమైన ఫోర్కాస్టింగ్ వ్యాపార వాతావరణంలో ఎంతగానో సహాయకరమవుతుందో మీరు చూడవచ్చు. -![electric grid](../../../translated_images/electric-grid.0c21d5214db09ffae93c06a87ca2abbb9ba7475ef815129c5b423d7f9a7cf136.te.jpg) +![electric grid](../../../translated_images/electric-grid.0c21d5214db09ffa.te.jpg) ఫోటో [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) ద్వారా రాజస్థాన్‌లో రోడ్డుపై ఉన్న విద్యుత్ టవర్స్ యొక్క [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) diff --git a/translations/te/8-Reinforcement/1-QLearning/README.md b/translations/te/8-Reinforcement/1-QLearning/README.md index 41bbd13d4..eb5e0eae7 100644 --- a/translations/te/8-Reinforcement/1-QLearning/README.md +++ b/translations/te/8-Reinforcement/1-QLearning/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # రీన్ఫోర్స్‌మెంట్ లెర్నింగ్ మరియు క్యూ-లెర్నింగ్ పరిచయం -![మిషన్ లెర్నింగ్‌లో రీన్ఫోర్స్‌మెంట్ యొక్క సారాంశం స్కెచ్‌నోట్‌లో](../../../../translated_images/ml-reinforcement.94024374d63348dbb3571c343ca7ddabef72adac0b8086d47164b769ba3a8a1d.te.png) +![మిషన్ లెర్నింగ్‌లో రీన్ఫోర్స్‌మెంట్ యొక్క సారాంశం స్కెచ్‌నోట్‌లో](../../../../translated_images/ml-reinforcement.94024374d63348db.te.png) > స్కెచ్‌నోట్ [టోమోమీ ఇమురా](https://www.twitter.com/girlie_mac) ద్వారా రీన్ఫోర్స్‌మెంట్ లెర్నింగ్ మూడు ముఖ్యమైన భావనలను కలిగి ఉంటుంది: ఏజెంట్, కొన్ని స్టేట్స్, మరియు ప్రతి స్టేట్‌కు చర్యల సమూహం. ఒక నిర్దిష్ట స్టేట్‌లో చర్యను అమలు చేయడం ద్వారా, ఏజెంట్‌కు రివార్డు ఇవ్వబడుతుంది. మళ్లీ కంప్యూటర్ గేమ్ సూపర్ మారియోని ఊహించండి. మీరు మారియో, మీరు ఒక గేమ్ లెవెల్లో ఉన్నారు, ఒక క్లిఫ్ ఎడ్జ్ పక్కన నిలబడి ఉన్నారు. మీ పై ఒక నాణెం ఉంది. మీరు మారియోగా, ఒక గేమ్ లెవెల్లో, ఒక నిర్దిష్ట స్థితిలో ఉన్నారు ... అది మీ స్టేట్. కుడి వైపు ఒక అడుగు కదలడం (చర్య) మీను ఎడ్జ్ మీదకు తీసుకెళ్తుంది, మరియు అది తక్కువ సంఖ్యా స్కోర్ ఇస్తుంది. అయితే, జంప్ బటన్ నొక్కడం ద్వారా మీరు ఒక పాయింట్ పొందగలరు మరియు మీరు బతుకుతారు. అది ఒక సానుకూల ఫలితం మరియు అది మీకు సానుకూల సంఖ్యా స్కోర్ ఇవ్వాలి. @@ -40,7 +40,7 @@ CO_OP_TRANSLATOR_METADATA: సరళత కోసం, మనం పీటర్ ప్రపంచాన్ని `width` x `height` పరిమాణం గల చతురస్ర బోర్డు అని పరిగణిద్దాం, ఇలా: -![పీటర్ పరిసరం](../../../../translated_images/environment.40ba3cb66256c93fa7e92f6f7214e1d1f588aafa97d266c11d108c5c5d101b6c.te.png) +![పీటర్ పరిసరం](../../../../translated_images/environment.40ba3cb66256c93f.te.png) ఈ బోర్డు లో ప్రతి సెల్: @@ -177,7 +177,7 @@ Q = np.ones((width,height,len(actions)),dtype=np.float)*1.0/len(actions) గమనించండి, మనం Q-టేబుల్ యొక్క అన్ని విలువలను సమాన విలువతో ప్రారంభిస్తాము, మన సందర్భంలో - 0.25. ఇది "రాండమ్ వాక్" పాలసీకి సరిపోతుంది, ఎందుకంటే ప్రతి స్టేట్‌లో అన్ని కదలికలు సమానంగా మంచివి. మనం Q-టేబుల్‌ను `plot` ఫంక్షన్‌కు పంపించి బోర్డుపై పట్టికను విజువలైజ్ చేయవచ్చు: `m.plot(Q)`. -![పీటర్ పరిసరం](../../../../translated_images/env_init.04e8f26d2d60089e128f21d22e5fef57d580e559f0d5937b06c689e5e7cdd438.te.png) +![పీటర్ పరిసరం](../../../../translated_images/env_init.04e8f26d2d60089e.te.png) ప్రతి సెల్ మధ్యలో ఒక "అర్రో" ఉంటుంది, ఇది ప్రాధాన్యత ఉన్న కదలిక దిశను సూచిస్తుంది. అన్ని దిశలు సమానంగా ఉన్నప్పుడు, ఒక బిందువు ప్రదర్శించబడుతుంది. @@ -195,7 +195,7 @@ Q = np.ones((width,height,len(actions)),dtype=np.float)*1.0/len(actions) ఇది స్టేట్ *s* లో చర్య *a* కోసం Q-టేబుల్ విలువను లెక్కించే **బెల్మన్ సూత్రం**: - + ఇక్కడ γ అనేది **డిస్కౌంట్ ఫ్యాక్టర్**, ఇది మీరు ప్రస్తుత రివార్డును భవిష్యత్ రివార్డుపై ఎంత ప్రాధాన్యం ఇవ్వాలో నిర్ణయిస్తుంది. @@ -267,7 +267,7 @@ Q = np.ones((width,height,len(actions)),dtype=np.float)*1.0/len(actions) ఈ అల్గోరిథం అమలు చేసిన తర్వాత, Q-టేబుల్ విలువలు నవీకరించబడతాయి, ఇవి ప్రతి దశలో వివిధ చర్యల ఆకర్షణను నిర్వచిస్తాయి. మనం Q-టేబుల్‌ను విజువలైజ్ చేయడానికి ప్రతి సెల్‌లో ఒక వెక్టర్ డ్రా చేయవచ్చు, ఇది కదలిక యొక్క ఇష్టమైన దిశను సూచిస్తుంది. సరళత కోసం, మనం అర్రో హెడ్ స్థానంలో చిన్న వృత్తాన్ని డ్రా చేస్తాము. - + ## పాలసీ తనిఖీ @@ -311,7 +311,7 @@ print_statistics(qpolicy) మనం చెప్పినట్లుగా, అభ్యాస ప్రక్రియ అన్వేషణ మరియు సేకరించిన జ్ఞానాన్ని అన్వేషణ మధ్య సమతుల్యత. అభ్యాస ఫలితాలు (ఏజెంట్‌కు లక్ష్యానికి చిన్న మార్గం కనుగొనడంలో సహాయం చేసే సామర్థ్యం) మెరుగుపడినట్లు మనం చూశాము, కానీ అభ్యాస ప్రక్రియలో సగటు మార్గ పొడవు ఎలా ప్రవర్తిస్తుందో గమనించడం కూడా ఆసక్తికరం: - + అభ్యాసాలను సారాంశం చేయవచ్చు: diff --git a/translations/te/8-Reinforcement/2-Gym/README.md b/translations/te/8-Reinforcement/2-Gym/README.md index 301e7d458..aa15b1fbc 100644 --- a/translations/te/8-Reinforcement/2-Gym/README.md +++ b/translations/te/8-Reinforcement/2-Gym/README.md @@ -19,13 +19,13 @@ CO_OP_TRANSLATOR_METADATA: > **సమస్య**: పీటర్ నక్క నుండి తప్పించుకోవాలంటే, అతను వేగంగా కదలగలగాలి. పీటర్ ఎలా స్కేట్ చేయాలో, ముఖ్యంగా, సమతుల్యతను ఎలా ఉంచాలో Q-లెర్నింగ్ ఉపయోగించి నేర్చుకోవడం ఎలా అనేది మేము చూడబోతున్నాము. -![The great escape!](../../../../translated_images/escape.18862db9930337e3fce23a9b6a76a06445f229dadea2268e12a6f0a1fde12115.te.png) +![The great escape!](../../../../translated_images/escape.18862db9930337e3.te.png) > పీటర్ మరియు అతని స్నేహితులు నక్క నుండి తప్పించుకోవడానికి సృజనాత్మకత చూపుతున్నారు! చిత్రం [Jen Looper](https://twitter.com/jenlooper) ద్వారా మేము సమతుల్యతను సాధించడానికి సులభీకరించిన వెర్షన్ అయిన **కార్ట్‌పోల్** సమస్యను ఉపయోగిస్తాము. కార్ట్‌పోల్ ప్రపంచంలో, మాకు ఎడమ లేదా కుడి వైపు కదలగల ఒక ఆడంబరమైన స్లైడర్ ఉంటుంది, మరియు లక్ష్యం స్లైడర్ పై ఒక నిలువెత్తు కాండాన్ని సమతుల్యం చేయడం. -a cartpole +a cartpole ## ముందస్తు అవగాహన @@ -285,7 +285,7 @@ Q-లెర్నింగ్‌లో, ప్రతి స్థితిలో plt.plot(rewards) ``` -![raw progress](../../../../translated_images/train_progress_raw.2adfdf2daea09c596fc786fa347a23e9aceffe1b463e2257d20a9505794823ec.te.png) +![raw progress](../../../../translated_images/train_progress_raw.2adfdf2daea09c59.te.png) ఈ గ్రాఫ్ నుండి ఏమీ చెప్పలేము, ఎందుకంటే యాదృచ్ఛిక శిక్షణ ప్రక్రియ స్వభావం వల్ల శిక్షణ సెషన్ల పొడవు చాలా మారుతుంది. ఈ గ్రాఫ్‌కు అర్థం చేసుకోవడానికి, మేము అనేక ప్రయోగాలపై, ఉదా: 100, **రన్నింగ్ సగటు** లెక్కించవచ్చు. ఇది `np.convolve` ఉపయోగించి సులభంగా చేయవచ్చు: (కోడ్ బ్లాక్ 12) @@ -296,7 +296,7 @@ def running_average(x,window): plt.plot(running_average(rewards,100)) ``` -![training progress](../../../../translated_images/train_progress_runav.c71694a8fa9ab35935aff6f109e5ecdfdbdf1b0ae265da49479a81b5fae8f0aa.te.png) +![training progress](../../../../translated_images/train_progress_runav.c71694a8fa9ab359.te.png) ## హైపర్‌పారామీటర్ల మార్పులు diff --git a/translations/te/8-Reinforcement/2-Gym/assignment.md b/translations/te/8-Reinforcement/2-Gym/assignment.md index 81c197190..814adfcec 100644 --- a/translations/te/8-Reinforcement/2-Gym/assignment.md +++ b/translations/te/8-Reinforcement/2-Gym/assignment.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: [మౌంటైన్ కార్ వాతావరణం](https://gym.openai.com/envs/MountainCar-v0/) లో ఒక కారు ఒక లోయలో చిక్కుకుంది: - + ప్రతి దశలో క్రింది చర్యలలో ఒకదాన్ని చేయడం ద్వారా లోయ నుండి బయటకు వచ్చి జెండాను పట్టుకోవడం లక్ష్యం: diff --git a/translations/te/8-Reinforcement/README.md b/translations/te/8-Reinforcement/README.md index bbf691683..d93735ba0 100644 --- a/translations/te/8-Reinforcement/README.md +++ b/translations/te/8-Reinforcement/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: మీకు స్టాక్ మార్కెట్ వంటి అనుకరణాత్మక వాతావరణం ఉందని ఊహించుకోండి. మీరు ఒక నిర్దిష్ట నియంత్రణను విధిస్తే ఏమవుతుంది? అది సానుకూల లేదా ప్రతికూల ప్రభావం కలిగిస్తుందా? ఏదైనా ప్రతికూలం జరిగితే, మీరు ఆ _ప్రతికూల రీన్ఫోర్స్‌మెంట్_ తీసుకుని, దానినుండి నేర్చుకుని, మార్గాన్ని మార్చుకోవాలి. అది సానుకూల ఫలితం అయితే, మీరు ఆ _సానుకూల రీన్ఫోర్స్‌మెంట్_ పై ఆధారపడి నిర్మించుకోవాలి. -![peter and the wolf](../../../translated_images/peter.779730f9ba3a8a8d9290600dcf55f2e491c0640c785af7ac0d64f583c49b8864.te.png) +![peter and the wolf](../../../translated_images/peter.779730f9ba3a8a8d.te.png) > పీటర్ మరియు అతని స్నేహితులు ఆకలితో ఉన్న నక్క నుండి తప్పించుకోవాలి! చిత్రం [Jen Looper](https://twitter.com/jenlooper) ద్వారా diff --git a/translations/te/9-Real-World/1-Applications/README.md b/translations/te/9-Real-World/1-Applications/README.md index 1a0718609..c09ef3876 100644 --- a/translations/te/9-Real-World/1-Applications/README.md +++ b/translations/te/9-Real-World/1-Applications/README.md @@ -10,7 +10,7 @@ CO_OP_TRANSLATOR_METADATA: # పోస్ట్‌స్క్రిప్ట్: వాస్తవ ప్రపంచంలో మెషీన్ లెర్నింగ్ -![వాస్తవ ప్రపంచంలో మెషీన్ లెర్నింగ్ యొక్క సారాంశం స్కెచ్‌నోట్‌లో](../../../../translated_images/ml-realworld.26ee2746716155771f8076598b6145e6533fe4a9e2e465ea745f46648cbf1b84.te.png) +![వాస్తవ ప్రపంచంలో మెషీన్ లెర్నింగ్ యొక్క సారాంశం స్కెచ్‌నోట్‌లో](../../../../translated_images/ml-realworld.26ee274671615577.te.png) > స్కెచ్‌నోట్ [టోమోమీ ఇమురా](https://www.twitter.com/girlie_mac) ద్వారా ఈ పాఠ్యक्रमంలో, మీరు శిక్షణ కోసం డేటాను సిద్ధం చేయడం మరియు మెషీన్ లెర్నింగ్ మోడల్స్ సృష్టించడానికి అనేక మార్గాలను నేర్చుకున్నారు. మీరు క్లాసిక్ రిగ్రెషన్, క్లస్టరింగ్, వర్గీకరణ, సహజ భాషా ప్రాసెసింగ్, మరియు టైమ్ సిరీస్ మోడల్స్ సిరీస్‌ను నిర్మించారు. అభినందనలు! ఇప్పుడు, మీరు ఆలోచిస్తున్నారా ఇది అంతా ఏం కోసం... ఈ మోడల్స్‌కు వాస్తవ ప్రపంచంలో ఏవైనా అనువర్తనాలు ఏమిటి? diff --git a/translations/te/9-Real-World/2-Debugging-ML-Models/README.md b/translations/te/9-Real-World/2-Debugging-ML-Models/README.md index 13f133876..a52522c28 100644 --- a/translations/te/9-Real-World/2-Debugging-ML-Models/README.md +++ b/translations/te/9-Real-World/2-Debugging-ML-Models/README.md @@ -34,17 +34,17 @@ CO_OP_TRANSLATOR_METADATA: ఖచ్చితత్వాన్ని కొలవడానికి ఉపయోగించే సాంప్రదాయ మోడల్ పనితీరు మెట్రిక్స్ ఎక్కువగా సరైన మరియు తప్పు అంచనాల ఆధారంగా లెక్కింపులు. ఉదాహరణకు, ఒక మోడల్ 89% సార్లు ఖచ్చితంగా ఉందని, లోపం నష్టం 0.001 అని నిర్ణయించడం మంచి పనితీరు అని పరిగణించవచ్చు. లోపాలు సాధారణంగా మీ ప్రాథమిక డేటాసెట్‌లో సమానంగా పంపిణీ కావు. మీరు 89% మోడల్ ఖచ్చితత్వ స్కోరు పొందవచ్చు కానీ మోడల్ 42% సార్లు విఫలమవుతున్న డేటా ప్రాంతాలు వేరుగా ఉండవచ్చు. ఈ విఫలత నమూనాలు కొన్ని డేటా గుంపులతో న్యాయం లేదా నమ్మకదగినత సమస్యలకు దారితీస్తాయి. మోడల్ బాగా పనిచేస్తున్న లేదా చేయని ప్రాంతాలను అర్థం చేసుకోవడం అవసరం. మోడల్‌లో ఎక్కువ లోపాలు ఉన్న డేటా ప్రాంతాలు ముఖ్యమైన డేటా జనాభా కావచ్చు. -![మోడల్ లోపాలను విశ్లేషించండి మరియు డీబగ్ చేయండి](../../../../translated_images/ea-error-distribution.117452e1177c1dd84fab2369967a68bcde787c76c6ea7fdb92fcf15d1fce8206.te.png) +![మోడల్ లోపాలను విశ్లేషించండి మరియు డీబగ్ చేయండి](../../../../translated_images/ea-error-distribution.117452e1177c1dd8.te.png) RAI డాష్‌బోర్డ్‌లో లోపాల విశ్లేషణ భాగం వివిధ కోహార్ట్లలో మోడల్ విఫలత ఎలా పంపిణీ అయిందో చెట్టు విజువలైజేషన్ ద్వారా చూపిస్తుంది. ఇది మీ డేటాసెట్‌లో ఎక్కువ లోపాలున్న లక్షణాలు లేదా ప్రాంతాలను గుర్తించడంలో ఉపయోగపడుతుంది. మోడల్ లోపాల ఎక్కువగా ఎక్కడ నుండి వస్తున్నాయో చూసి, మీరు మూల కారణాన్ని పరిశీలించవచ్చు. మీరు విశ్లేషణ కోసం డేటా కోహార్ట్లను కూడా సృష్టించవచ్చు. ఈ డేటా కోహార్ట్లు డీబగ్గింగ్ ప్రక్రియలో సహాయపడతాయి, ఎందుకు ఒక కోహార్ట్‌లో మోడల్ పనితీరు మంచిది కానీ మరొకదిలో లోపభూయిష్టమో తెలుసుకోవడానికి. -![లోపాల విశ్లేషణ](../../../../translated_images/ea-error-cohort.6886209ea5d438c4daa8bfbf5ce3a7042586364dd3eccda4a4e3d05623ac702a.te.png) +![లోపాల విశ్లేషణ](../../../../translated_images/ea-error-cohort.6886209ea5d438c4.te.png) చెట్టు మ్యాప్‌పై విజువల్ సూచికలు సమస్య ప్రాంతాలను త్వరగా గుర్తించడంలో సహాయపడతాయి. ఉదాహరణకు, చెట్టు నోడ్ యొక్క ఎరుపు రంగు గాఢత ఎక్కువైతే, లోపాల రేటు ఎక్కువగా ఉంటుంది. హీట్ మ్యాప్ మరో విజువలైజేషన్ ఫంక్షనాలిటీ, ఇది ఒకటి లేదా రెండు లక్షణాలను ఉపయోగించి లోపాల రేటును పరిశీలించడానికి ఉపయోగపడుతుంది, మొత్తం డేటాసెట్ లేదా కోహార్ట్లలో మోడల్ లోపాలకు కారణం కనుగొనడానికి. -![లోపాల విశ్లేషణ హీట్‌మ్యాప్](../../../../translated_images/ea-heatmap.8d27185e28cee3830c85e1b2e9df9d2d5e5c8c940f41678efdb68753f2f7e56c.te.png) +![లోపాల విశ్లేషణ హీట్‌మ్యాప్](../../../../translated_images/ea-heatmap.8d27185e28cee383.te.png) లోపాల విశ్లేషణను ఉపయోగించండి, మీరు: @@ -57,11 +57,11 @@ RAI డాష్‌బోర్డ్‌లో లోపాల విశ్ల RAI డాష్‌బోర్డ్‌లో మోడల్ అవలోకనం భాగం కేవలం కోహార్ట్‌లో డేటా ప్రాతినిధ్యం పనితీరు మెట్రిక్స్‌ను విశ్లేషించడంలో మాత్రమే కాకుండా, వాడుకదారులకు వివిధ కోహార్ట్లలో మోడల్ ప్రవర్తనను తులనాత్మకంగా చూడటానికి అవకాశం ఇస్తుంది. -![డేటాసెట్ కోహార్ట్లు - RAI డాష్‌బోర్డ్‌లో మోడల్ అవలోకనం](../../../../translated_images/model-overview-dataset-cohorts.dfa463fb527a35a0afc01b7b012fc87bf2cad756763f3652bbd810cac5d6cf33.te.png) +![డేటాసెట్ కోహార్ట్లు - RAI డాష్‌బోర్డ్‌లో మోడల్ అవలోకనం](../../../../translated_images/model-overview-dataset-cohorts.dfa463fb527a35a0.te.png) ఈ భాగం లక్షణాల ఆధారిత విశ్లేషణ ఫంక్షనాలిటీ వాడుకదారులకు ఒక నిర్దిష్ట లక్షణంలో డేటా ఉపగుంపులను కుదించడానికి సహాయపడుతుంది, తద్వారా సూక్ష్మ స్థాయిలో అసాధారణతలను గుర్తించవచ్చు. ఉదాహరణకు, డాష్‌బోర్డ్‌లో ఒక వాడుకదారు ఎంచుకున్న లక్షణం కోసం ఆటోమేటిక్‌గా కోహార్ట్లను సృష్టించే ఇంటెలిజెన్స్ ఉంది (ఉదా: *"time_in_hospital < 3"* లేదా *"time_in_hospital >= 7"*). ఇది పెద్ద డేటా గుంపులోని ఒక లక్షణాన్ని వేరుచేసి, అది మోడల్ లోపాలపై కీలక ప్రభావం చూపుతున్నదా అని చూడటానికి సహాయపడుతుంది. -![లక్షణ కోహార్ట్లు - RAI డాష్‌బోర్డ్‌లో మోడల్ అవలోకనం](../../../../translated_images/model-overview-feature-cohorts.c5104d575ffd0c80b7ad8ede7703fab6166bfc6f9125dd395dcc4ace2f522f70.te.png) +![లక్షణ కోహార్ట్లు - RAI డాష్‌బోర్డ్‌లో మోడల్ అవలోకనం](../../../../translated_images/model-overview-feature-cohorts.c5104d575ffd0c80.te.png) మోడల్ అవలోకనం భాగం రెండు తరహా వ్యత్యాస మెట్రిక్స్‌ను మద్దతు ఇస్తుంది: @@ -85,7 +85,7 @@ RAI డాష్‌బోర్డ్‌లో మోడల్ అవలోక RAI డాష్‌బోర్డ్‌లో డేటా విశ్లేషణ భాగం డేటాసెట్‌లో అధిక మరియు తక్కువ ప్రాతినిధ్యం ఉన్న ప్రాంతాలను గుర్తించడంలో సహాయపడుతుంది. ఇది వాడుకదారులకు డేటా అసమతుల్యతల వల్ల లేదా నిర్దిష్ట డేటా గుంపు ప్రాతినిధ్యం లేకపోవడం వల్ల ఏర్పడిన లోపాలు మరియు న్యాయ సమస్యల మూల కారణాన్ని నిర్ధారించడంలో సహాయపడుతుంది. ఇది వాడుకదారులకు అంచనా మరియు వాస్తవ ఫలితాల, లోపాల గుంపులు, మరియు నిర్దిష్ట లక్షణాల ఆధారంగా డేటాసెట్లను విజువలైజ్ చేయడానికి అవకాశం ఇస్తుంది. కొన్నిసార్లు తక్కువ ప్రాతినిధ్యం ఉన్న డేటా గుంపును కనుగొనడం మోడల్ బాగా నేర్చుకోలేదని కూడా వెల్లడించవచ్చు, అందువల్ల ఎక్కువ లోపాలు ఉంటాయి. డేటా పక్షపాతం ఉన్న మోడల్ కేవలం న్యాయ సమస్య మాత్రమే కాకుండా, మోడల్ సమగ్రత లేదా నమ్మకదగినత లేని దాన్ని సూచిస్తుంది. -![RAI డాష్‌బోర్డ్‌లో డేటా విశ్లేషణ భాగం](../../../../translated_images/dataanalysis-cover.8d6d0683a70a5c1e274e5a94b27a71137e3d0a3b707761d7170eb340dd07f11d.te.png) +![RAI డాష్‌బోర్డ్‌లో డేటా విశ్లేషణ భాగం](../../../../translated_images/dataanalysis-cover.8d6d0683a70a5c1e.te.png) డేటా విశ్లేషణను ఉపయోగించండి, మీరు: @@ -104,14 +104,14 @@ RAI డాష్‌బోర్డ్‌లో డేటా విశ్లే RAI డాష్‌బోర్డ్‌లో లక్షణ ప్రాముఖ్యత భాగం మోడల్ డీబగ్గింగ్ మరియు మోడల్ అంచనాలు ఎలా జరుగుతున్నాయో సమగ్రంగా అర్థం చేసుకోవడంలో సహాయపడుతుంది. ఇది మెషీన్ లెర్నింగ్ నిపుణులు మరియు నిర్ణయ తీసుకునే వారు మోడల్ ప్రవర్తనను ప్రభావితం చేసే లక్షణాలను వివరించడానికి మరియు నియంత్రణ అనుగుణత కోసం సాక్ష్యాలు చూపడానికి ఉపయోగపడే టూల్. తరువాత, వాడుకదారులు గ్లోబల్ మరియు లోకల్ వివరణలను అన్వేషించి ఏ లక్షణాలు మోడల్ అంచనాలను ప్రభావితం చేస్తున్నాయో ధృవీకరించవచ్చు. గ్లోబల్ వివరణలు మోడల్ మొత్తం అంచనాపై ప్రభావం చూపిన టాప్ లక్షణాలను చూపిస్తాయి. లోకల్ వివరణలు వ్యక్తిగత కేసు కోసం మోడల్ అంచనాకు కారణమైన లక్షణాలను చూపిస్తాయి. లోకల్ వివరణలను అంచనా వేయడం ఒక నిర్దిష్ట కేసును డీబగ్ చేయడంలో లేదా ఆడిట్ చేయడంలో సహాయపడుతుంది, ఎందుకు మోడల్ ఖచ్చితమైన లేదా తప్పు అంచనాను ఇచ్చిందో అర్థం చేసుకోవడానికి. -![RAI డాష్‌బోర్డ్‌లో లక్షణ ప్రాముఖ్యత భాగం](../../../../translated_images/9-feature-importance.cd3193b4bba3fd4bccd415f566c2437fb3298c4824a3dabbcab15270d783606e.te.png) +![RAI డాష్‌బోర్డ్‌లో లక్షణ ప్రాముఖ్యత భాగం](../../../../translated_images/9-feature-importance.cd3193b4bba3fd4b.te.png) * గ్లోబల్ వివరణలు: ఉదాహరణకు, మధుమేహ ఆసుపత్రి తిరిగి చేరే మోడల్ మొత్తం ప్రవర్తనను ఏ లక్షణాలు ప్రభావితం చేస్తున్నాయి? * లోకల్ వివరణలు: ఉదాహరణకు, 60 సంవత్సరాల పైబడిన మధుమేహ రోగి గత ఆసుపత్రి చేర్పులతో 30 రోజుల్లో తిరిగి చేరే లేదా చేరని అంచనాకు కారణమైనది ఏమిటి? వివిధ కోహార్ట్లలో మోడల్ పనితీరును పరిశీలించే డీబగ్గింగ్ ప్రక్రియలో, లక్షణ ప్రాముఖ్యత కోహార్ట్లలో లక్షణం ఎంత ప్రభావం చూపుతుందో చూపిస్తుంది. ఇది మోడల్ లోపభూయిష్ట అంచనాలను ప్రభావితం చేస్తున్న లక్షణం ప్రభావం స్థాయిలను పోల్చేటప్పుడు అసాధారణతలను వెలుగులోకి తీసుకువస్తుంది. లక్షణ ప్రాముఖ్యత భాగం ఒక లక్షణంలోని విలువలు మోడల్ ఫలితాన్ని సానుకూలంగా లేదా ప్రతికూలంగా ప్రభావితం చేశాయో చూపిస్తుంది. ఉదాహరణకు, ఒక మోడల్ తప్పు అంచనాను ఇచ్చినప్పుడు, ఈ భాగం మీరు లోతుగా వెళ్ళి ఏ లక్షణాలు లేదా లక్షణ విలువలు అంచనాను ప్రభావితం చేశాయో గుర్తించడానికి అవకాశం ఇస్తుంది. ఈ స్థాయి వివరాలు కేవలం డీబగ్గింగ్‌లో కాకుండా ఆడిట్ పరిస్థితుల్లో పారదర్శకత మరియు బాధ్యతను అందిస్తాయి. చివరగా, ఈ భాగం న్యాయ సమస్యలను గుర్తించడంలో సహాయపడుతుంది. ఉదాహరణకు, జాతి లేదా లింగం వంటి సున్నిత లక్షణం మోడల్ అంచనాను ఎక్కువగా ప్రభావితం చేస్తే, ఇది మోడల్‌లో జాతి లేదా లింగ పక్షపాతం సూచన కావచ్చు. -![లక్షణ ప్రాముఖ్యత](../../../../translated_images/9-features-influence.3ead3d3f68a84029f1e40d3eba82107445d3d3b6975d4682b23d8acc905da6d0.te.png) +![లక్షణ ప్రాముఖ్యత](../../../../translated_images/9-features-influence.3ead3d3f68a84029.te.png) వివరణాత్మకతను ఉపయోగించండి, మీరు: diff --git a/translations/te/9-Real-World/README.md b/translations/te/9-Real-World/README.md index 98c5a4d91..6de49a714 100644 --- a/translations/te/9-Real-World/README.md +++ b/translations/te/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ఈ పాఠ్యాంశంలో, మీరు క్లాసికల్ ML యొక్క కొన్ని వాస్తవ ప్రపంచ అనువర్తనాలను పరిచయం చేయబడతారు. మేము న్యూరల్ నెట్‌వర్క్స్, డీప్ లెర్నింగ్ మరియు AI ను సాధ్యమైనంత వరకు తప్పించి, ఈ వ్యూహాలను ఉపయోగించిన అనువర్తనాల గురించి వైట్‌పేపర్లు మరియు వ్యాసాలను వెతికాము. వ్యాపార వ్యవస్థలు, పర్యావరణ అనువర్తనాలు, ఆర్థిక, కళలు మరియు సంస్కృతి మరియు మరిన్ని విషయాలలో ML ఎలా ఉపయోగించబడుతున్నదో తెలుసుకోండి. -![chess](../../../translated_images/chess.e704a268781bdad85d1876b6c2295742fa0d856e7dcf3659147052df9d3db205.te.jpg) +![chess](../../../translated_images/chess.e704a268781bdad8.te.jpg) > ఫోటో Alexis Fauvet ద్వారా Unsplash diff --git a/translations/te/README.md b/translations/te/README.md index 8d4f4bc74..d7ce875ee 100644 --- a/translations/te/README.md +++ b/translations/te/README.md @@ -1,172 +1,170 @@ [![GitHub లైసెన్స్](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) -[![GitHub పాల్గొనేవారు](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) -[![GitHub ఇష్యూస్](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) -[![GitHub పుల్-రీస్క్వెస్టులు](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) -[![PRs కి స్వాగతం](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) +[![GitHub కాంట్రిబ్యూటర్స్](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) +[![GitHub సమస్యలు](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) +[![GitHub పుల్-రిక్వెస్ట్‌లు](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) +[![PRలు స్వాగతం](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) [![Microsoft Foundry డిస్కార్డ్](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) ### 🌐 బహుభాషా మద్దతు -#### GitHub Action ద్వారా మద్దతు (స్వయంచాలక & ఎల్లప్పుడూ తాజా) +#### GitHub Action ద్వారా మద్దతు (ఆటోమేటెడ్ & ఎప్పుడూ అప్-టు-డేట్) -[అరబిక్](../ar/README.md) | [బెంగాలీ](../bn/README.md) | [బల్గేరియన్](../bg/README.md) | [బర్మీస్ (మయన్మార్)](../my/README.md) | [చైనా (సరళీకృత)](../zh/README.md) | [చైనా (పారంపరిక, హాంకాంగ్)](../hk/README.md) | [చైనా (పారంపరిక, మకావో)](../mo/README.md) | [చైనా (పారంపరిక, తైవాన్)](../tw/README.md) | [క్రొయేషియన్](../hr/README.md) | [చెక్](../cs/README.md) | [డానిష్](../da/README.md) | [డచ్](../nl/README.md) | [ఎస్టోనియన్](../et/README.md) | [ఫిన్నిష్](../fi/README.md) | [ఫ్రెంచ్](../fr/README.md) | [జర్మన్](../de/README.md) | [గ్రీకు](../el/README.md) | [హీబ్రూ](../he/README.md) | [హిందీ](../hi/README.md) | [హంగేరియన్](../hu/README.md) | [ఇండోనేషియన్](../id/README.md) | [ఇటాలియన్](../it/README.md) | [జపనీస్](../ja/README.md) | [కన్నడ](../kn/README.md) | [కొరియన్](../ko/README.md) | [లిథువేనియన్](../lt/README.md) | [మలేషియన్](../ms/README.md) | [మలయాళం](../ml/README.md) | [మరాఠీ](../mr/README.md) | [నేపాలి](../ne/README.md) | [నైజీరియన్ పిడ్గిన్](../pcm/README.md) | [నార్వేజియన్](../no/README.md) | [ఫార్సీ (పర్షియన్)](../fa/README.md) | [పోలిష్](../pl/README.md) | [పోర్చుగు (బ్రెజిల్)](../br/README.md) | [పోర్చుగీస్ (పోర్టుగల్)](../pt/README.md) | [పంజాబీ (గుర్ముఖీ)](../pa/README.md) | [రొమేనియన్](../ro/README.md) | [రష్యన్](../ru/README.md) | [సెర్బియన్ (సిరిలిక్)](../sr/README.md) | [స్లోవాక్](../sk/README.md) | [స్లోవేనియన్](../sl/README.md) | [స్పానిష్](../es/README.md) | [స్వాహిలి](../sw/README.md) | [స్వీడిష్](../sv/README.md) | [టాగాలోగ్ (ఫిలిప్పైనా)](../tl/README.md) | [తమిళ్](../ta/README.md) | [తెలుగు](./README.md) | [థాయ్](../th/README.md) | [తుర్కిష్](../tr/README.md) | [ఉక్రెయిన్](../uk/README.md) | [ఉర్దూ](../ur/README.md) | [వియత్నామీస్](../vi/README.md) +[అరబిక్](../ar/README.md) | [బెంగాలీ](../bn/README.md) | [బల్గేరియన్](../bg/README.md) | [బర్మీస్ (మయన్మార్)](../my/README.md) | [చైనీస్ (సరళీకృత)](../zh/README.md) | [చైనీస్ (సాంప్రదాయ, హాంకాంగ్)](../hk/README.md) | [చైనీస్ (సాంప్రదాయ, మకావు)](../mo/README.md) | [చైనీస్ (సాంప్రదాయ, తైవాన్)](../tw/README.md) | [క్రొయేషియన్](../hr/README.md) | [చెక్](../cs/README.md) | [డానిష్](../da/README.md) | [డచ్](../nl/README.md) | [ఎస్తోనియన్](../et/README.md) | [ఫిన్నిష్](../fi/README.md) | [ఫ్రెంచ్](../fr/README.md) | [జర్మన్](../de/README.md) | [గ్రీకు](../el/README.md) | [హెబ్రూ](../he/README.md) | [హిందీ](../hi/README.md) | [హంగేరియన్](../hu/README.md) | [ఇండోనేషియన్](../id/README.md) | [ఇటాలియన్](../it/README.md) | [జపనీస్](../ja/README.md) | [కన్నడ](../kn/README.md) | [కొరియన్](../ko/README.md) | [లిథువేనియన్](../lt/README.md) | [మలయ్](../ms/README.md) | [మలయాళం](../ml/README.md) | [మరాఠీ](../mr/README.md) | [నేపాలి](../ne/README.md) | [నైజీరియన్ పిడ్జిన్](../pcm/README.md) | [నార్వెజియన్](../no/README.md) | [పర్షియన్ (ఫార్సీ)](../fa/README.md) | [పోలిష్](../pl/README.md) | [పోర్టుగీస్ (బ్రజిల్)](../br/README.md) | [పోర్టుగీస్ (పోర్టుగల్)](../pt/README.md) | [పంజాబీ (గుర్ముఖి)](../pa/README.md) | [రొమానియన్](../ro/README.md) | [రష్యన్](../ru/README.md) | [సర్బియన్ (సిరిలిక్)](../sr/README.md) | [స్లోవాక్](../sk/README.md) | [స్లోవేనియన్](../sl/README.md) | [స్పానిష్](../es/README.md) | [స్వాహిలి](../sw/README.md) | [స్వీడిష్](../sv/README.md) | [టాగలోగ్ (ఫిలిపినో)](../tl/README.md) | [తమిళ్](../ta/README.md) | [తెలుగు](./README.md) | [థాయ్](../th/README.md) | [టర్కిష్](../tr/README.md) | [ఉక్రెయిన్](../uk/README.md) | [ఉర్దూ](../ur/README.md) | [వియత్నామీస్](../vi/README.md) #### మా కమ్యూనిటీలో చేరండి -[![Microsoft Foundry డిస్కార్డ్](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) - -మాకు ఒక Discordలో "Learn with AI" శ్రేణి కొనసాగుతోంది, మరింత తెలుసుకోవడానికి మరియు చేరడానికి [Learn with AI Series](https://aka.ms/learnwithai/discord) ని సందర్శించండి — 18 - 30 సెప్టెంబర్, 2025. మీరు GitHub Copilot ను Data Science కోసం ఉపయోగించే సూచనలు మరియు చిట్కాలు పొందుతారు. +We have a Discord learn with AI series ongoing, learn more and join us at [Learn with AI Series](https://aka.ms/learnwithai/discord) from 18 - 30 September, 2025. You will get tips and tricks of using GitHub Copilot for Data Science. -![Learn with AI శ్రేణి](../../translated_images/3.9b58fd8d6c373c20c588c5070c4948a826ab074426c28ceb5889641294373dfc.te.png) +![AI తో నేర్చుకునే సిరీస్](../../translated_images/3.9b58fd8d6c373c20.te.png) -# మెషీన్ లెర్నింగ్ ప్రారంభికులకు - ఒక పాఠ్యక్ర‌మం +# ప్రారంభికుల కోసం మెషిన్ లెర్నింగ్ - ఒక పాఠ్యక్రమం -> 🌍 ప్రపంచ సంస్కృతుల ద్వారా మెషీన్ లెర్నింగ్‌ను అన్వేషిస్తూ ప్రపంచాన్ని చుట్టి ప్రయాణించండి 🌍 +> 🌍 ప్రపంచ సంస్కృతుల ద్వారా మెషిన్ లెర్నింగ్‌ను అన్వేషిస్తూ ప్రపంచాన్ని చుట్టి ప్రయాణించండి 🌍 -Microsoft లోని Cloud Advocates మీకు 12 వారాల, 26 పాఠాల మొత్తం **మెషీన్ లెర్నింగ్** గురించి ఒక పాఠ్యక్రమం అందిస్తున్నందుకు సంతోషంగా ఉన్నారు. ఈ పాఠ్యక్రమంలో, మీరు ప్రధానంగా Scikit-learn లైబ్రరీని ఉపయోగించి ఎక్కువగా డీప్ లెర్నింగ్‌ను వ్యతిరేకిస్తూ, కొన్నిసార్లు "క్లాసిక్ మెషీన్ లెర్నింగ్" అని పిలవబడే విషయాలను నేర్చుకుంటారు — డీప్ లెర్నింగ్ మా [AI ప్రారంభికుల పాఠ్యక్రమం](https://aka.ms/ai4beginners) లో behandeld చేయబడింది. ఈ పాఠ్యక్రమాన్ని మా ['Data Science for Beginners' పాఠ్యక్రమం](https://aka.ms/ds4beginners) తో కూడా జతచేయండి. +Microsoft లోని క్లౌడ్ అడ్వొకేట్స్ ఒక 12-వారం, 26-పాఠాల పాఠ్యక్రమాన్ని అందించడం ద్వారా ఆనందంగా ఉన్నారు, ఇది మొత్తం **మెషిన్ లెర్నింగ్** గురించి. ఈ పాఠ్యక్రమంలో, మీరు సాధారణంగా Scikit-learn లైబ్రరీని ఉపయోగించి మరియు డీప్ లెర్నింగ్‌ను తప్పించుకుంటూ, కsometimesాచుకొని "క్లాసిక్ మెషిన్ లెర్నింగ్" అని పిలవబడే విషయాన్ని తెలుసుకుంటారు, డీప్ లెర్నింగ్ గురించి మా [AI ప్రారంభుల పాఠ్యక్రమం](https://aka.ms/ai4beginners) లో వివరించబడింది. ఈ పాఠ్యాల్ని మా ['డేటా సైన్స్ ప్రారంభులకు' పాఠ్యక్రమం](https://aka.ms/ds4beginners) తో జత చేయండి కూడా. -ఈ క్లాసిక్ టెక్నిక్స్‌ను ప్రపంచంలోని వివిధ ప్రాంతాల డేటాపై వర్తింపజేస్తూ మాతో ప్రపంచం చుట్టి ప్రయాణించండి. ప్రతి పాఠంలో ప్రీ- మరియు పోస్ట్-పాఠ పరీక్షలు, పాఠాన్ని పూర్తి చేయడానికి రచించిన సూచనలు, ఒక పరిష్కారం, ఒక అసైన్మెంట్ మరియు మరిన్ని ఉంటాయి. మా ప్రాజెక్ట్-ఆధారిత విద్యాదర్శనం మీరు నిర్మిస్తూ నేర్చుకునేలా చేస్తుంది, ఇది కొత్త నైపుణ్యాలు 'జారకవద్ది' అయిపోవాలని నిరూపిత మార్గం. +ప్రపంచం చుట్టూ మా ప్రయాణంలో, మేము ఈ క్లాసిక్ సాంకేతికతలను ప్రపంచంలోని అనేక ప్రాంతాల డేటాకు వర్తింపజేస్తున్నాము. ప్రతి పాఠంలో పాఠానికి ముందు మరియు పాఠానికి తరువాత క్విజ్‌లు, పాఠాన్ని పూర్తి చేయడానికి రాసిన సూచనలు, ఒక పరిష్కారం, ఒక అసైన్మెంట్ మరియు మరిన్ని ఉన్నాయి. మా ప్రాజెక్ట్-ఆధారిత పాఠ్య విధానం మీరు నిర్మించడం ద్వారా నేర్చుకోవడానికి అనుమతిస్తుంది, కొత్త నైపుణ్యాలు 'unalకి ఉండటానికి' ఈ provedవ విధానం నిరూపితంగా ఉపయోగపడుతుంది. -**✍️ మా రచయితలకు హృదయపూర్వక ధన్యవాదాలు** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu మరియు Amy Boyd +**✍️ మా రచయితలకు హృదయపూర్వక కృతజ్ఞతలు** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd -**🎨 మా చిత్రస్రష్టలకు కూడా ధన్యవాదాలు** Tomomi Imura, Dasani Madipalli, మరియు Jen Looper +**🎨 మా చిత్రరచయితలకు కూడా ధన్యవాదాలు** Tomomi Imura, Dasani Madipalli, and Jen Looper -**🙏 మా Microsoft Student Ambassador రచయితలు, సమీక్షకులు మరియు కంటెంట్ సహాయకులకు ప్రత్యేక ధన్యవాదాలు**, ముఖ్యంగా Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, మరియు Snigdha Agarwal +**🙏 మా Microsoft Student Ambassador రచయితలు, సమీక్షకులు, మరియు కంటెంట్ సహకారులకు ప్రత్యేక కృతజ్ఞతలు**, ముఖ్యంగా Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, మరియు Snigdha Agarwal -**🤩 మా R పాఠాల కోసం Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, మరియు Vidushi Gupta కు అదనపు కృతజ్ఞతలు!** +**🤩 మా R పాఠాల కోసం Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, మరియు Vidushi Gupta గారికి అదనపు కృతజ్ఞతలు!** # ప్రారంభించడం ఈ దశలను అనుసరించండి: -1. **రిపోజిటరీని Fork చేయండి**: ఈ పేజీపై ఉన్న పై-కుడి మూలలోని "Fork" బటన్‌పై క్లిక్ చేయండి. -2. **రిపోజిటరీని క్లోన్ చేయండి**: `git clone https://github.com/microsoft/ML-For-Beginners.git` +1. **రిపొజిటరీని ఫార్క్ చేయండి**: ఈ పేజీ యొక్క పై-కుడి మూలంలో ఉన్న "Fork" బటన్‌పై క్లిక్ చేయండి. +2. **రిపొజిటరీని క్లోన్ చేయండి**: `git clone https://github.com/microsoft/ML-For-Beginners.git` -> [ఈ కోర్సు కి సంబంధించిన అన్ని అదనపు వనరులను మా Microsoft Learn కలెక్షన్ లో కనుగొనండి](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) +> [ఈ కోర్సుకు సంబంధించిన అన్ని అదనపు వనరులను మా Microsoft Learn సేకరణలో కనుగొనండి](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) -> 🔧 **సహాయం కావాలా?** ఇన్స్టాలేషన్, సెటప్, మరియు పాఠాలు నడపడంలో సాధారణ సమస్యల పరిష్కారాల కోసం మా [Troubleshooting Guide](TROUBLESHOOTING.md) ని తనిఖీ చేయండి. +> 🔧 **సహాయం కావాలా?** ఇన్‌స్టాలేషన్, సెటప్ మరియు పాఠాలను నడుపుతున్న సమయంలో సాధారణ సమస్యల పరిష్కారాల కోసం మా [ట్రబుల్‌షూటింగ్ గైడ్](TROUBLESHOOTING.md) ను తనిఖీ చేయండి. -**[విద్యార్థులు](https://aka.ms/student-page)**, ఈ పాఠ్యక్రమాన్ని ఉపయోగించడానికి, మొత్తం రిపోను మీ స్వంత GitHub ఖాతాకు Fork చేసి, వ్యాయామాలను వ్యక్తిగతంగా లేదా ఒక గ్రూపుతో పూర్తి చేయండి: +**[విద్యార్థులు](https://aka.ms/student-page)**, ఈ పాఠ్యక్రమాన్ని ఉపయోగించడానికి, మొత్తం రిపోను మీ GitHub ఖాతాకు ఫార్క్ చేయండి మరియు ఒకరితో లేదా సమూహంతో స్వతంత్రంగా వ్యాయామాలను పూర్తి చేయండి: -- ప్రీ-లెక్చర్ క్విజ్ తో ప్రారంభించండి. -- లెక్చర్ చదవండి మరియు చర్యలను పూర్తి చేయండి, ప్రతి జ్ఞాన తనిఖీ వద్ద ఆగి ఆలోచించండి. -- పరిష్కార కోడ్‌ను నేరుగా నడపడం కంటే పాఠ్యాలను అర్థం చేసుకుని ప్రాజెక్ట్‌లను సృష్టించడానికి ప్రయత్నించండి; అయితే ఆ కోడ్ ప్రతి ప్రాజెక్ట్-ఆధారిత పాఠం లోని `/solution` ఫోల్డర్లలో అందుబాటులో ఉంటుంది. -- పోస్ట్-లెక్చర్ క్విజ్ తీసుకోండి. -- చల్లెంజ్ పూర్తి చేయండి. -- అసైన్మెంట్ పూర్తి చేయండి. -- ఒక పాఠ్య ಗುుంపు పూర్తి చేసిన తరువాత, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) ని సందర్శించి, సంబంధిత PAT రూపకల్పనను పూరించటం ద్వారా "ఆవిర్భావంగా నేర్చుకోండి". 'PAT' అనేది ఒక ప్రోగ్రెస్ అసెస్‌మెంట్ టూల్, మీరు మీ అభ్యాసాన్ని మరింతగా పెంచేందుకు పూరించే ఒక రుబ్రిక్. మీరు ఇతర PATలకు రియాక్ట్ చేయొచ్చు కాబట్టి మనము కలసి నేర్చుకోవచ్చు. +- పాఠశాల ముందు ఒక ప్రీ-లెక్చర్ క్విజ్‌తో ప్రారంభించండి. +- లెక్చర్‌ను చదవండి మరియు చర్యలను పూర్తి చేయండి, ప్రతి నాలెడ్జ్ చెక్ వద్ద ఆపివేసి ఆలోచించండి. +- పరిష్కార కోడ్‌ని నేరుగా నడిపే పనిని కాకుండా పాఠాలను అర్థం చేసుకుని ప్రాజెక్టులను సృష్టించడానికి ప్రయత్నించండి; అయితే ఆ కోడ్ ప్రతి ప్రాజెక్ట్-ఆధారిత పాఠంలోని `/solution` ఫోల్డర్లలో అందుబాటులో ఉంటుంది. +- పాఠ శేషంలో పోస్ట్-లెక్చర్ క్విజ్ తీసుకోండి. +- చాలెంజ్‌ను పూర్తి చేయండి. +- అసైన్మెంట్‌ను పూర్తి చేయండి. +- ఒక పాఠ గ్రూప్‌ను పూర్తిచేసిన తర్వాత, [చర్చ ఫోరం](https://github.com/microsoft/ML-For-Beginners/discussions) ను సందర్శించి, సరైన PAT రుబ్రిక్‌ని భర్తీచేసి "తెలివిగా నేర్చుకోండి" (learn out loud). 'PAT' అనేది మీరు మీ అభ్యాసాన్ని మరింతగా పెంపొందించుకునేందుకు భర్తీచేసే ఒక ప్రోగ్రెస్ असेస్మెంట్ టూల్ (రుబ్రిక్). మీరు ఇతర PATs పై కూడా స్పందించవచ్చు కాబట్టి మేము కలిసి నేర్చుకోవచ్చు. -> మరింత అధ్యయనానికి, ఈ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) మాడ్యూల్స్ మరియు లెర్నింగ్ పాథ్స్ ను అనుసరించడానికి మేము సిఫార్సు చేస్తాము. +> తదుపరి అధ్యయనానికి, ఈ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) మాడ్యూల్స్ మరియు లర్నింగ్ పాథ్‌లను అనుసరించడం మేము సిఫార్సు చేస్తాము. -** టీచర్స్ **, ఈ పాఠ్యక్రమాన్ని ఎలా ఉపయోగించాలో మేము [కొన్ని సూచనలను చేర్చాము](for-teachers.md). +**ఉపాధ్యాయులు**, ఈ పాఠ్యక్రమాన్ని ఎలా ఉపయోగించాలో మేము [కొన్ని సూచనలను చేర్చాము](for-teachers.md). --- -## వీడియో వాక్‌ద్రూస్ +## వీడియో అవలోకనాలు -కొన్ని పాఠాలు షార్ట్ ఫార్మ్ వీడియోలుగా అందుబాటులో ఉన్నాయి. మీరు వీటిని పాఠాల్లోనే ఉపయోగించవచ్చు లేదా దిగువ చిత్రంపై క్లిక్ చేయడం ద్వారా [ML for Beginners ప్లేలిస్ట్ ను Microsoft Developer YouTube ఛానెల్ లో](https://aka.ms/ml-beginners-videos) చూడవచ్చు. +కొన్ని పాఠాలు షార్ట్ ఫార్మ్ వీడియోలుగా అందుబాటులో ఉన్నాయి. మీరు ఇవన్ని పాఠాలలో inlineగా కనుగొనవచ్చు, లేదా దిగువ చిత్రం పై క్లిక్ చేయడం ద్వారా [Microsoft Developer YouTube చానల్上的 ML for Beginners ప్లేలిస్ట్](https://aka.ms/ml-beginners-videos) లో పొందవచ్చు. -[![ML ప్రారంభికుల బేనర్](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6251134294459696e070a3a9a04632e9fe6a24aa0de4a7384.te.png)](https://aka.ms/ml-beginners-videos) +[![ప్రారంభుల కోసం ML బ్యానర్](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6.te.png)](https://aka.ms/ml-beginners-videos) --- -## బృందాన్ని కలవండి +## టీమ్‌ను పరిచయం [![ప్రోమో వీడియో](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) -**GIF ద్వారా** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) +**జిఫ్ ద్వారా** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) -> 🎥 ప్రాజెక్ట్ మరియు దీన్ని సృష్టించిన వ్యక్తుల గురించి వీడియో కోసం పై చిత్రంపై క్లిక్ చేయండి! +> 🎥 ప్రాజెక్ట్ మరియు దీన్ని సృష్టించిన వారిపై వీడియో కోసం పై చిత్రాన్ని క్లిక్ చేయండి! --- ## పాఠ్య విధానం -ఈ పాఠ్యక్రమాన్ని రూపొందిస్తూ మేము రెండు విద్యా సిద్ధాంతాలను ఎంచుకున్నాము: ఇది చేతితో చేయాల్సిన, ప్రాజెక్ట్-ఆధారితమై ఉండాలి మరియు ఇది తరచుగా క్విజ్‌లను కలిగివుండాలి. అదనంగా, ఈ పాఠ్యక్రమానికి ఒక సాధారణ థీమ్ ఉంది ఇది ఒక సమగ్రతను ఇస్తుంది. +ఈ పాఠ్యక్రమాన్ని రూపొందించేటప్పుడు మేము రెండు పాఠ్య సూత్రాలను ఎంచుకున్నాము: ఇది హ్యాండ్స్-ఆన్ గా ఉండాలని, అంటే **ప్రాజెక్ట్-ఆధారిత** ఉండాలని మరియు ఇందులో **తరచుగా క్విజ్‌లు** ఉండాలని. అదనంగా, ఈ పాఠ్యక్రమం ఒక సాధారణ **థీమ్** కలిగి ఉండటం ద్వారా ఒకరీతి సంకలనం పొందుతుంది. -కంటెంట్ ప్రాజెక్టులకు సరిపోకుండా చూసుకోవడం ద్వారా, ప్రక్రియ విద్యార్థులకు మరింత ఆకర్షణీయంగా మారుతుంది మరియు కాన్సెప్ట్‌ల నిలుపుదల పెరుగుతుంది. అదనంగా, తరగతికి ముందు తక్కువ-ప్రమాద క్విజ్ విద్యార్థి యొక్క ఒక విషయం నేర్చుకునే ఉద్ధేశ్యాన్ని సెట్ చేస్తుంది, తరగతి తరువాత రెండవ క్విజ్ మరింత నిలుపుదలకు అనుకూలంగా ఉంటుంది. ఈ పాఠ్యక్రమం సరళమైనది మరియు సరదాగా ఉండేలా రూపొందించబడింది మరియు మొత్తం లేదా భాగంగా తీసుకోవచ్చు. 12-వారాల చక్రం చివరికి ప్రాజెక్టులు చిన్నగా ప్రారంభించి, మెరుగైన క్లిష్టతను అందిస్తాయి. ఈ పాఠ్యక్రమంలో నిజజీవిత ML అప్లికేషన్లపై ఒక పోస్ట్‌స్క్రిప్ట్ కూడా ఉంది, ఇది అదనపు క్రెడిట్ లేదా చర్చకు ఆధారంగా ఉపయోగించుకోవచ్చు. +కంటెంట్ ప్రాజెక్ట్‌లతో సరిసమంగా ఉంటుందనడంతో, విద్యార్థులకి ఇది మరింత ఆసక్తికరంగా మారుతుంది మరియు భావనల నిల్వ పెరుగుతుంది. గమనించదగిన విషయం, తరగతి ప్రారంభానికి ముందు ఒక తేలికపాటి క్విజ్ విద్యార్థి శ్రద్ధను ఆ విషయం నేర్చుకునే దిశగా కేంద్రీకరించడానికి సహాయపడుతుంది, మరియు తరగతి తర్వాత రెండో క్విజ్ మరింత నిల్వను నిర్ధారిస్తుంది. ఈ పాఠ్యక్రమం అనుకూలంగా, సరదాగా ఉండ도록 రూపొందించబడింది మరియు మీకు మొత్తం లేదా భాగంగా తీసుకోవడానికి సరిపోతుంది. ప్రాజెక్టులు చిన్నదిగా ప్రారంభమై 12-వారం చక్రానికి చివరికి క్రమేణా క్లిష్టంగా మారతాయి. ఈ పాఠ్యక్రమంలో మెషిన్ లెర్నింగ్ యొక్క యథార్థ ప్రపంచ అనువర్తనాలపై ఒక పోస్ట్‌స్క్రిప్ట్ కూడా ఉంది, దీనిని అదనపు క్రెడిట్ లేదా చర్చకు ఆధారంగా ఉపయోగించవచ్చు. -> మా [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md), మరియు [Troubleshooting](TROUBLESHOOTING.md) మార్గదర్శకాలను కనుగొనండి. మీ నిర్మాణాత్మక ప్రతిస్పందనకు మేము స్వాగతం తెలియజేస్తాము! +> మా [నడవడిక నియమాలు](CODE_OF_CONDUCT.md), [సహకారం](CONTRIBUTING.md), [అనువాదం](TRANSLATIONS.md), మరియు [ట్రబుల్‌షూటింగ్](TROUBLESHOOTING.md) మార్గదర్శకాలను కనుగొనండి. మీ నిర్మాణాత్మక ఫీడ్బ్యాక్‌ను మేము స్వాగతిస్తాము! -## ప్రతి పాఠంలో ఉండే అంశాలు +## ప్రతి పాఠంలో ఉంటాయి - ఐచ్ఛిక స్కెచ్‌నోట్ -- ఐచ్ఛిక మద్దతు వీడియో -- వీడియో వాక్‌థ్రూ (కొంత పాఠాలు మాత్రమే) -- [ప్రీ-లెక్చర్ వార్మప్ క్విజ్](https://ff-quizzes.netlify.app/en/ml/) -- రచించిన పాఠం -- ప్రాజెక్ట్-ఆధారిత పాఠాల కోసం ప్రాజెక్ట్‌ను ఎలా నిర్మించాలో దశలవారీగా గైడ్‌లు -- జ్ఞాన తనిఖీలు -- ఒక ఛాలెంజ్ -- అదనపు చదవడం +- ఐచ్ఛిక సహాయక వీడియో +- వీడియో వాక్‍త్రూ (కొన్ని పాఠాలు మాత్రమే) +- [పాఠానికి ముందు వార్మప్ క్విజ్](https://ff-quizzes.netlify.app/en/ml/) +- రాసిన పాఠం +- ప్రాజెక్ట్-ఆధారిత పాఠాల కోసం, ప్రాజెక్ట్ ఎలా నిర్మించాలో దశల వారీ మార్గదర్శకాలు +- నాలెడ్జ్ చెక్స్ +- ఒక చాలెంజ్ +- సహాయక పఠనం - అసైన్మెంట్ -- [పోస్ట్-లెక్చర్ క్విజ్](https://ff-quizzes.netlify.app/en/ml/) +- [పాఠానికి తరువాత క్విజ్](https://ff-quizzes.netlify.app/en/ml/) -> **భాషల గురించి ఒక నోట్**: ఈ పాఠాలు ప్రధానంగా Python లో వ్రాసబడినవి, కానీ అనేకం R లో కూడా అందుబాటులో ఉన్నవి. ఒక R పాఠాన్ని పూర్తి చేయడానికి, `/solution` ఫోల్డర్ చేరి R పాఠాల కోసం చూడండి. అవి `.rmd` ఒక ఎక్స్‌టెన్షన్ కలిగి ఉంటాయి, ఇది ఒక **R Markdown** ఫైల్ ని సూచిస్తుంది, ఇది `code chunks` (R లేదా ఇతర భాషల యొక్క) మరియు `YAML header` (PDF వంటి ఔట్‌పుట్‌లను ఎలా ఫార్మాట్ చేయాలో మార్గనిర్దేశం చేసే) కలిగిన ఒక Markdown డాక్యుమెంట్‌లో embedding గా నిర్వచించబడుతుంది. కాబట్టి, ఇది డేటా సైన్స్ కోసం ఒక నమూనా రచనా ఫ్రేమ్‌వర్క్‌గా పనిచేస్తుంది ఎందుకంటే ఇది మీ కోడ్, దాని ఔట్‌పుట్ మరియు మీ ఆలోచనలను Markdown లో వ్రాయడానికి అనుమతిస్తుంది. అంతేకాక, R Markdown డాక్యుమెంట్లు PDF, HTML, లేదా Word వంటి ఔట్‌పుట్ ఫార్మాట్స్‌కు రెండర్ చేయబడవచ్చు. +> **భాషల గురించి ఒక సూచన**: ఈ పాఠాలు ప్రధానంగా Python లో రాసినవి, కానీ చాలా పాఠాలు R లో కూడా అందుబాటులో ఉన్నాయి. R పాఠాన్ని పూర్తి చేయడానికి, `/solution` ఫోల్డర్‌కి వెళ్లి R పాఠాలను చూడండి. అవి `.rmd` ఎగ్జ్టెన్షన్‌ను కలిగి ఉంటాయి, ఇది `R Markdown` ఫైల్‌కు చెందినది, మరియు సాధారణంగా ఇది `code chunks` (R లేదా ఇతర భాషల యొక్క) మరియు ఒక `YAML header` (PDF వంటి అవుట్‌పుట్‌ను ఎలా ఫార్మాట్ చేయాలనే దానిని మార్గదర్శకం చేస్తుంది) ని ఒక `Markdown document` లో ఎంబెడ్ చేయడం అని నిర్వచించవచ్చు. అందువల్ల, ఇది డేటా సైన్స్ కోసం ఒక ఉదాహరణాత్మక రచనా ఫ్రేమ్‌వర్క్‌గా పనిచేస్తుంది ఎందుకంటే ఇది మీ కోడ్, దాని అవుట్‌పుట్, మరియు మీ ఆలోచనలను Markdown లో రాసుకోవడానికి అనుమతిస్తుంది. అదనంగా, R Markdown డాక్యుమెంట్లు PDF, HTML, లేదా Word వంటి అవుట్‌పుట్ ఫార్మాట్స్‌కు రేందర్ చేయబడవచ్చు. -> **క్విజ్‌ల గురించి ఒక నోట్**: అన్ని క్విజ్‌లు [Quiz App ఫోల్డర్](../../quiz-app) లో ఉంటాయి, మొత్తం 52 క్విజ్‌లు, ప్రతి ఒక్కటి మూడు ప్రశ్నలతో. అవి పాఠాల నుండి లింకు చేయబడ్డాయి కానీ క్విజ్ యాప్‌ని లోకల్‌గా నడపవచ్చు; స్థానికంగా హోస్ట్ చేయడానికి లేదా Azure కి డిప్లాయ్ చేయడానికి `quiz-app` ఫొల్డర్లో ఇచ్చిన సూచనలను అనుసరించండి. +> **క్విజ్‌ల గురించి ఒక సూచన**: అన్ని క్విజ్‌లు [Quiz App ఫోల్డర్](../../quiz-app) లో ఉంచబడ్డాయి, మొత్తం 52 క్విజ్‌లు, ప్రతి ఒక్కదాంట్లో మూడు ప్రశ్నలు ఉన్నాయి. అవి పాఠాలలోని లింక్‌ల ద్వారా పొందుపరచబడ్డాయి కానీ క్విజ్ యాప్‌ను లోకల్‌గా నడపవచ్చు; లోకల్ హోస్ట్ లేదా Azure కు డిప్లాయ్ చేయడానికి `quiz-app` ఫోల్డర్‌లోని సూచనలను అనుసరించండి. -| పాఠ సంఖ్య | అంశం | పాఠ గుంపు | లర్నింగ్ లక్ష్యాలు | లింక్డ్ పాఠం | రచయిత | +| పాఠం సంఖ్య | విషయం | పాఠ్య సమూహం | అధ్యయన లక్ష్యాలు | లింక్ చేయబడ్డ పాఠం | రచయిత | | :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | -| 01 | మిషిన్ లెర్నింగ్ పరిచయం | [Introduction](1-Introduction/README.md) | మిషిన్ లెర్నింగ్‌కు సంబంధించిన ప్రాథమిక భావనలను నేర్చుకోండి | [పాఠం](1-Introduction/1-intro-to-ML/README.md) | Muhammad | -| 02 | మిషిన్ లెర్నింగ్ చరిత్ర | [Introduction](1-Introduction/README.md) | ఈ రంగం వెనుక ఉన్న చరిత్రను తెలుసుకోండి | [పాఠం](1-Introduction/2-history-of-ML/README.md) | Jen and Amy | -| 03 | న్యాయం మరియు మిషిన్ లెర్నింగ్ | [Introduction](1-Introduction/README.md) | ML మోడల్స్ రూపొందించేటప్పుడు మరియు ఉపయోగించేటప్పుడు విద్యార్థులు గమనించాల్సిన న్యాయ సంబంధ తాత్విక ముఖ్యాంశాలు ఏమిటి? | [పాఠం](1-Introduction/3-fairness/README.md) | Tomomi | -| 04 | మిషిన్ లెర్నింగ్ కోసం పద్ధతులు | [Introduction](1-Introduction/README.md) | ML పరిశోధకులు ML మోడల్స్ నిర్మించడానికి ఏ పద్ధతులను ఉపయోగిస్తారు? | [పాఠం](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen | -| 05 | రెగ్రెషన్ పరిచయం | [Regression](2-Regression/README.md) | రెగ్రెషన్ మోడల్స్ కోసం Python మరియు Scikit-learn తో ప్రారంభించండి | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | -| 06 | ఉత్తర అమెరికా గుమ్మడికాయ ధరలు 🎃 | [Regression](2-Regression/README.md) | MLకు సిద్ధం చేయడానికి డేటాను దృశ్యీకరించండి మరియు శుభ్రపరచండి | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | -| 07 | ఉత్తర అమెరికా గుమ్మడికాయ ధరలు 🎃 | [Regression](2-Regression/README.md) | లీనియర్ మరియు పాలినామియల్ రెగ్రెషన్ మోడల్స్ నిర్మించండి | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau | -| 08 | ఉత్తర అమెరికా గుమ్మడికాయ ధరలు 🎃 | [Regression](2-Regression/README.md) | లాజిస్టిక్ రెగ్రెషన్ మోడల్ నిర్మించండి | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | -| 09 | వెబ్ యాప్ 🔌 | [Web App](3-Web-App/README.md) | మీ శిక్షణ పొందిన మోడల్ ఉపయోగించేందుకు ఒక వెబ్ యాప్ నిర్మించండి | [Python](3-Web-App/1-Web-App/README.md) | Jen | -| 10 | వర్గీకరణ పరిచయం | [Classification](4-Classification/README.md) | డేటాను శుభ్రపరచి, సిద్ధం చేసి, దృశ్యీకరించండి; వర్గీకరణకు పరిచయం | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau | -| 11 | రుచికరమైన ఆసియా మరియు భారతీయ వంటకాలు 🍜 | [Classification](4-Classification/README.md) | క్లాసిఫైయర్లకు పరిచయం | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau | -| 12 | రుచికరమైన ఆసియా మరియు భారతీయ వంటకాలు 🍜 | [Classification](4-Classification/README.md) | మరిన్ని క్లాసిఫైయర్లు | [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 | రుచికరమైన ఆసియా మరియు భారతీయ వంటకాలు 🍜 | [Classification](4-Classification/README.md) | మీ మోడల్ ఉపయోగించి ఒక రికమండర్ వెబ్ యాప్ నిర్మించండి | [Python](4-Classification/4-Applied/README.md) | Jen | -| 14 | క్లస్టరింగ్ పరిచయం | [Clustering](5-Clustering/README.md) | డేటాను శుభ్రపరచి, సిద్ధం చేసి, దృశ్యీకరించండి; క్లస్టరింగ్ పరిచయం | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | -| 15 | నైజీరియన్ సంగీత రుచుల అన్వేషణ 🎧 | [Clustering](5-Clustering/README.md) | K-Means క్లస్టరింగ్ పద్ధతిని అన్వేషించండి | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | -| 16 | స్వాభావిక భాషా ప్రాసెసింగ్ పరిచయం ☕️ | [Natural language processing](6-NLP/README.md) | ఒక సాధారణ బాట్ నిర్మించడం ద్వారా NLP యొక్క మౌలికాలను నేర్చుకోండి | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | -| 17 | సాధారణ NLP పనులు ☕️ | [Natural language processing](6-NLP/README.md) | భాషా నిర్మాణాలతో వ్యవహరించినప్పుడు అవసరమయ్యే సాధారణ పనులు గురించి అర్థం చేసుకుని మీ NLP జ్ఞానాన్ని లోతుగా చేయండి | [Python](6-NLP/2-Tasks/README.md) | Stephen | -| 18 | అనువాదం మరియు భావ విశ్లేషణ ♥️ | [Natural language processing](6-NLP/README.md) | జేన్ ఆస్టిన్ తో అనువాదం మరియు భావ విశ్లేషణ | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | -| 19 | యూరప్‌లో రొమాంటిక్ హోటల్స్ ♥️ | [Natural language processing](6-NLP/README.md) | హోటల్ సమీక్షలతో భావ విశ్లేషణ 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | -| 20 | యూరప్‌లో రొమాంటిక్ హోటల్స్ ♥️ | [Natural language processing](6-NLP/README.md) | హోటల్ సమీక్షలతో భావ విశ్లేషణ 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | -| 21 | టైమ్ సిరీస్ ఫోరకాస్టింగ్ పరిచయం | [Time series](7-TimeSeries/README.md) | టైమ్ సిరీస్ ఫోరకాస్టింగ్ పరిచయం | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | -| 22 | ⚡️ ప్రపంచ శక్తి వినియోగం ⚡️ - ARIMAతో టైమ్ సిరీస్ ఫోరకాస్టింగ్ | [Time series](7-TimeSeries/README.md) | ARIMAతో టైమ్ సిరీస్ ఫోరకాస్టింగ్ | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | -| 23 | ⚡️ ప్రపంచ శక్తి వినియోగం ⚡️ - SVRతో టైమ్ సిరీస్ ఫోరకాస్టింగ్ | [Time series](7-TimeSeries/README.md) | Support Vector Regressor (SVR) తో టైమ్ సిరీస్ ఫోరకాస్టింగ్ | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | -| 24 | రీఫోర్స్మెంట్ లర్నింగ్ పరిచయం | [Reinforcement learning](8-Reinforcement/README.md) | Q-Learning తో రీఫోర్స్మెంట్ లర్నింగ్ పరిచయం | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | -| 25 | పీటర్‌కి నక్కను తప్పించడంలో సహాయం చేయండి! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | రీఫోర్స్మెంట్ లర్నింగ్ జిం (Gym) | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | -| Postscript | వాస్తవ ప్రపంచపు ML సందర్భాలు మరియు అప్లికేషన్లు | [ML in the Wild](9-Real-World/README.md) | సాంప్రదాయిక ML యొక్క ఆసక్తికరమైన మరియు బయటిక చూపిస్తున్న వాస్తవ ప్రపంచ అప్లికేషన్లు | [పాఠం](9-Real-World/1-Applications/README.md) | టీమ్ | -| Postscript | RAI డ్యాష్‌బోర్డు ద్వారా ML లో మోడల్ డీబగ్గింగ్ | [ML in the Wild](9-Real-World/README.md) | Responsible AI డ్యాష్‌బోర్డ్ భాగాలను ఉపయోగించి మెషీన్ లెర్నింగ్‌లో మోడల్ డీబగ్గింగ్ | [పాఠం](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | - -> [ఈ కోర్సు కోసం అన్ని అదనపు వనరులను మా Microsoft Learn సేకరణలో కనుగొనండి](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) +| 01 | మెషిన్ లెర్నింగ్‌కు పరిచయం | [పరిచయం](1-Introduction/README.md) | మెషిన్ లెర్నింగ్ వెనుక ఉన్న ప్రాథమిక సూత్రాలను నేర్చుకోండి | [పాఠం](1-Introduction/1-intro-to-ML/README.md) | Muhammad | +| 02 | మెషిన్ లెర్నింగ్ చరిత్ర | [పరిచయం](1-Introduction/README.md) | ఈ రంగాన్ని ఆధారపెట్టిన చరిత్రను తెలుసుకోండి | [పాఠం](1-Introduction/2-history-of-ML/README.md) | Jen and Amy | +| 03 | మెషిన్ లెర్నింగ్‌లో న్యాయత | [పరిచయం](1-Introduction/README.md) | ML మోడల్స్‌ను రూపొందించేటప్పుడు మరియు వర్తింపజేసేటప్పుడు విద్యార్థులు న్యాయత గురించి పరిశీలించవలసిన ముఖ్యమైన తత్వశాస్త్రీయ అంశాలు ఏమిటి? | [పాఠం](1-Introduction/3-fairness/README.md) | Tomomi | +| 04 | మెషిన్ లెర్నింగ్ కోసం సాంకేతిక విధానాలు | [పరిచయం](1-Introduction/README.md) | ML పరిశోధకులు ML మోడల్స్‌ను తయారు చేయడానికి ఏ పద్ధతులను ఉపయోగిస్తారు? | [పాఠం](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen | +| 05 | రెగ్రెషన్‌కు పరిచయం | [రెగ్రెషన్](2-Regression/README.md) | రెగ్రెషన్ మోడల్స్ కోసం Python మరియు Scikit-learn తో మొదలు పెట్టండి | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | +| 06 | ఉత్తర అమెరికా గుమ్మడి ధరలు 🎃 | [రెగ్రెషన్](2-Regression/README.md) | ML కోసం సిద్ధం చేయడానికి డేటాను విజువలైజ్ చేసి శుభ్రం చేయండి | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | +| 07 | ఉత్తర అమెరికా గుమ్మడి ధరలు 🎃 | [రెగ్రెషన్](2-Regression/README.md) | లీనియర్ మరియు పాలినొమియల్ రెగ్రెషన్ మోడల్స్‌ను నిర్మించండి | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau | +| 08 | ఉత్తర అమెరికా గుమ్మడి ధరలు 🎃 | [రెగ్రెషన్](2-Regression/README.md) | లాజిస్టిక్ రెగ్రెషన్ మోడల్ నిర్మించండి | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | +| 09 | వెబ్ యాప్ 🔌 | [వెబ్ యాప్](3-Web-App/README.md) | మీ శిక్షణ పొందిన మోడల్ ఉపయోగించడానికి ఒక వెబ్ యాప్ నిర్మించండి | [Python](3-Web-App/1-Web-App/README.md) | Jen | +| 10 | వర్గీకరణకు పరిచయం | [వర్గీకరణ](4-Classification/README.md) | మీ డేటాను శుభ్రపరచండి, సిద్ధం చేయండి మరియు విజువలైజ్ చేయండి; వర్గీకరణకు పరిచయం | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau | +| 11 | రుచికరమైన ఆసియా మరియు భారతీయ వంటకాలు 🍜 | [వర్గీకరణ](4-Classification/README.md) | వర్గీకర్తల పరిచయం | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau | +| 12 | రుచికరమైన ఆసియా మరియు భారతీయ వంటకాలు 🍜 | [వర్గీకరణ](4-Classification/README.md) | ఇంకా వర్గీకర్తలు | [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 | రుచికరమైన ఆసియా మరియు భారతీయ వంటకాలు 🍜 | [వర్గీకరణ](4-Classification/README.md) | మీ మోడల్‌ను ఉపయోగించి ఒక సిఫార్సు చేసే వెబ్ యాప్ నిర్మించండి | [Python](4-Classification/4-Applied/README.md) | Jen | +| 14 | క్లస్టరింగ్‌కు పరిచయం | [క్లస్టరింగ్](5-Clustering/README.md) | మీ డేటాను శుభ్రపరచండి, సిద్ధం చేయండి మరియు విజువలైజ్ చేయండి; క్లస్టరింగ్‌కు పరిచయం | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | +| 15 | నైజీరియా సంగీత రుచుల అన్వేషణ 🎧 | [క్లస్టరింగ్](5-Clustering/README.md) | K-Means క్లస్టరింగ్ పద్ధతిని అన్వేషించండి | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | +| 16 | నేచురల్ లాంగ్వేజ్ ప్రాసెసింగ్ (NLP)కు పరిచయం ☕️ | [నేచురల్ లాంగ్వేజ్ ప్రాసెసింగ్](6-NLP/README.md) | సాదా బాట్ నిర్మిస్తూ NLP గురించి ఆధారభూతాలను నేర్చుకోండి | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | +| 17 | సాధారణ NLP పనులు ☕️ | [నేచురల్ లాంగ్వేజ్ ప్రాసెసింగ్](6-NLP/README.md) | భాషా నిర్మాణాలతో పని చేయడంలో అవసరమయ్యే సాధారణ పనులను అర్థం చేసుకుని మీ NLP జ్ఞానాన్ని లోతుగా చేయండి | [Python](6-NLP/2-Tasks/README.md) | Stephen | +| 18 | అనువాదం మరియు భావన విశ్లేషణ ♥️ | [నేచురల్ లాంగ్వేజ్ ప్రాసెసింగ్](6-NLP/README.md) | జేన్ ఆస్టిన్ రచనలతో అనువాదం మరియు భావన విశ్లేషణ | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | +| 19 | యూరప్ రొమాంటిక్ హోటల్స్ ♥️ | [నేచురల్ లాంగ్వేజ్ ప్రాసెసింగ్](6-NLP/README.md) | హోటల్ సమీక్షలతో భావన విశ్లేషణ 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | +| 20 | యూరప్ రొమాంటిక్ హోటల్స్ ♥️ | [నేచురల్ లాంగ్వేజ్ ప్రాసెసింగ్](6-NLP/README.md) | హోటల్ సమీక్షలతో భావన విశ్లేషణ 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | +| 21 | టైమ్ సిరీస్ ఫోరకాస్టింగ్‌కు పరిచయం | [టైమ్ సిరీస్](7-TimeSeries/README.md) | టైమ్ సిరీస్ ఫోరకాస్టింగ్‌కు పరిచయం | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | +| 22 | ⚡️ ప్రపంచ విద్యుత్ వినియోగం ⚡️ - ARIMA తో టైమ్ సిరీస్ ఫోరకాస్టింగ్ | [టైమ్ సిరీస్](7-TimeSeries/README.md) | ARIMA తో టైమ్ సిరీస్ ఫోరకాస్టింగ్ | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | +| 23 | ⚡️ ప్రపంచ విద్యుత్ వినియోగం ⚡️ - SVRతో టైమ్ సిరీస్ ఫోరకాస్టింగ్ | [టైమ్ సిరీస్](7-TimeSeries/README.md) | Support Vector Regressorతో టైమ్ సిరీస్ ఫోరకాస్టింగ్ | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | +| 24 | రీయిన్ఫోర్స్‌మెంట్ లెర్నింగ్‌కు పరిచయం | [రీఇన్ఫోర్స్‌మెంట్ లెర్నింగ్](8-Reinforcement/README.md) | Q-Learning తో రీయిన్ఫోర్స్‌మెంట్ లెర్నింగ్ పరిచయం | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | +| 25 | పీటర్‌ను నక్క నుంచి తప్పించండి! 🐺 | [రీఇన్ఫోర్స్‌మెంట్ లెర్నింగ్](8-Reinforcement/README.md) | రీయిన్ఫోర్స్‌మెంట్ లెర్నింగ్ జిమ్ | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | +| Postscript | వాస్తవ ప్రపంచ ML పరిస్ధితులు మరియు అనువర్తనాలు | [ML in the Wild](9-Real-World/README.md) | శాస్త్రీయ ML యొక్క ఆసక్తికరమైన మరియు వెలికితీయే వాస్తవ ప్రపంచ అనువర్తనాలు | [పాఠం](9-Real-World/1-Applications/README.md) | జట్టు | +| Postscript | RAI డ్యాష్‌బోర్డ్ ఉపయోగించి MLలో మోడల్ డీబగ్గింగ్ | [ML in the Wild](9-Real-World/README.md) | Responsible AI డ్యాష్‌బోర్డ్ భాగాలు ఉపయోగించి మెషిన్ లెర్నింగ్‌లో మోడల్ డీబగ్గింగ్ | [పాఠం](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | + +> [ఈ కోర్సు కోసం ఉన్న అన్ని అదనపు వనరులను మా Microsoft Learn సేకరణలో కనుగొనండి](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) ## ఆఫ్‌లైన్ యాక్సెస్ -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`. +మీరు ఈ డాక్యుమెంటేషన్‌ను ఆఫ్‌లైన్‌లో నడపడానికి [Docsify](https://docsify.js.org/#/) ఉపయోగించవచ్చు. ఈ రెపోను ఫోర్క్ చేయండి, మీ లోకల్ మెషీన్‌లో [Docsify](https://docsify.js.org/#/quickstart) ను ఇన్‌స్టాల్ చేయండి, ఆ తర్వాత ఈ రెపో యొక్క రూట్ ఫోల్డర్లో `docsify serve` టైప్ చేయండి. వెబ్‌సైట్ మీ లోకల్‌హోస్ట్‌లో పోర్ట్ 3000పై సర్వ్ చేయబడుతుంది: `localhost:3000`. ## PDFలు -Find a pdf of the curriculum with links [ఇక్కడ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf). +పాఠ్యక్రమం యొక్క లింకులతో కూడిన pdf‌ను [ఇక్కడ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) కనుగొనండి。 ## 🎒 ఇతర కోర్సులు -Our team produces other courses! Check out: +మా బృందం ఇతర కోర్సులు కూడా రూపొందిస్తుంది! చూడండి: ### LangChain [![LangChain4j ప్రారంభికులకు](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 ప్రారంభికులకు](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) +[![LangChain.js ప్రారంభికులు](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) --- @@ -178,22 +176,22 @@ Our team produces other courses! Check out: --- -### జనరేటివ్ AI శ్రేణి +### జనరేటివ్ AI సిరీస్ [![జనరేటివ్ AI ప్రారంభికులకు](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) [![జనరేటివ్ 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) -[![జనరేటివ్ 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) -[![జనరేటివ్ 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) +[![సృజనాత్మక 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) +[![సృజనాత్మక 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) --- ### ప్రధాన అభ్యాసాలు -[![ప్రారంభికుల కోసం 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) -[![ప్రారంభికుల కోసం డేటా సైన్స్](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) -[![ప్రారంభికుల కోసం 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) -[![ప్రారంభికుల కోసం సైబర్‌సెక్యూరిటీ](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) -[![ప్రారంభికుల కోసం వెబ్ డెవలప్‌మెంట్](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) -[![ప్రారంభికుల కోసం 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) -[![ప్రారంభికుల కోసం XR అభివృద్ధి](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) +[![ప్రారంభులకు 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) +[![ప్రారంభులకు డేటా సైన్స్](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) +[![ప్రారంభులకు 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) +[![ప్రారంభులకు సైబర్‌సెక్యూరిటీ](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) +[![ప్రారంభులకు వెబ్ డెవలప్‌మెంట్](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) +[![ప్రారంభులకు 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) +[![ప్రారంభులకు XR అభివృద్ధి](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) --- @@ -203,19 +201,19 @@ Our team produces other courses! Check out: [![Copilot అడ్వెంచర్](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) -## సహాయం పొందండి +## సహాయం -AI యాప్స్ నిర్మించేటప్పుడు మీరు చిక్కుబడితే లేదా మీకు ఏవైనా ప్రశ్నలు ఉంటే. MCP గురించి చర్చల్లో ఇతర అభ్యసకులు మరియు అనుభవజ్ఞులైన డెవలపర్లతో చేరండి. ఇది ప్రశ్నలను స్వాగతించే, జ్ఞానాన్ని స్వేచ్ఛగా పంచుకునే మద్దతుదాయక సమాజం. +మీరు AI యాప్స్ నిర్మిస్తున్నప్పుడు చిక్కుకుపోతే లేదా మీకు ఏదైనా ప్రశ్నలు ఉంటే. MCP గురించి చర్చలలో ఇతర అభ్యాసకులు మరియు అనుభవజ్ఞులైన డెవలపర్లతో చేరండి. ఇది ప్రశ్నలకు స్వాగతం చెప్పే మరియు జ్ఞానాన్ని స్వేచ্ছగా పంచుకునే మద్దతు ఇచ్చే కమ్యూనిటీ. [![Microsoft Foundry డిస్కార్డ్](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -If you have product feedback or errors while building visit: +నిర్మిస్తున్నప్పుడు ఉత్పత్తి ఫీడ్‌బ్యాక్ లేదా లోపాలు ఉంటే సందర్శించండి: [![Microsoft Foundry డెవలపర్ ఫోరమ్](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) --- -డిస్క్లేమర్: -ఈ పత్రం AI అనువాద సేవైన [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. ఖచ్చితత్వాన్ని పాటించడానికి మేము ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాలలో పొరపాట్లు లేదా లోపాలు ఉండవచ్చు. మూల పత్రాన్ని దాని స్థానిక భాషలోని రూపంలోనే అధికారిక మూలంగా పరిగణించాలి. కీలకమైన సమాచారానికి వృత్తిపరులైన మానవ అనువాదాన్ని సూచించబడుతుంది. ఈ అనువాదం వాడకంతో సంభవించే ఏవైనా అపార్థాలు లేదా తప్పుగా అర్థం చేసుకోవడాలకు మేము బాధ్యులం కాబోదు. +జవాబుదారీ మినహాయింపు: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వాన్ని లక్ష్యంగా పెట్టుకున్నప్పటికీ, స్వయంచాలక అనువాదాలలో తప్పులు లేదా లోపాలు ఉండవచ్చని దయచేసి గమనించండి. మూల భాషలోని అసలు పత్రాన్ని అధికారిక మూలంగా పరిగణించాలి. కీలకమైన సమాచారానికి వృత్తిపరమైన మానవ అనువాదాన్ని సూచిస్తాము. ఈ అనువాదాన్ని ఉపయోగించడంలోనుంచి ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుగా అర్థమెంచుకున్నట్లయితే అందుకు మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/th/README.md b/translations/th/README.md index 3c2980b01..ebdec31cf 100644 --- a/translations/th/README.md +++ b/translations/th/README.md @@ -1,8 +1,8 @@ -[อาหรับ](../ar/README.md) | [เบงกอลี](../bn/README.md) | [บัลแกเรีย](../bg/README.md) | [พม่า (เมียนมาร์)](../my/README.md) | [จีน (ตัวย่อ)](../zh/README.md) | [จีน (ดั้งเดิม, ฮ่องกง)](../hk/README.md) | [จีน (ดั้งเดิม, มาเก๊า)](../mo/README.md) | [จีน (ดั้งเดิม, ไต้หวัน)](../tw/README.md) | [โครเอเชีย](../hr/README.md) | [เช็ก](../cs/README.md) | [เดนมาร์ก](../da/README.md) | [ดัตช์](../nl/README.md) | [เอสโตเนีย](../et/README.md) | [ฟินแลนด์](../fi/README.md) | [ฝรั่งเศส](../fr/README.md) | [เยอรมัน](../de/README.md) | [กรีก](../el/README.md) | [ฮีบรู](../he/README.md) | [ฮินดี](../hi/README.md) | [ฮังการี](../hu/README.md) | [อินโดนีเซีย](../id/README.md) | [อิตาลี](../it/README.md) | [ญี่ปุ่น](../ja/README.md) | [กันนาดา](../kn/README.md) | [เกาหลี](../ko/README.md) | [ลิทัวเนีย](../lt/README.md) | [มาเลย์](../ms/README.md) | [มาลายาลัม](../ml/README.md) | [มราฐี](../mr/README.md) | [เนปาล](../ne/README.md) | [ไนจีเรีย พิดจิน](../pcm/README.md) | [นอร์เวย์](../no/README.md) | [เปอร์เซีย (ฟาร์ซี)](../fa/README.md) | [โปแลนด์](../pl/README.md) | [โปรตุเกส (บราซิล)](../br/README.md) | [โปรตุเกส (โปรตุเกส)](../pt/README.md) | [ปัญจาบี (กูรมุกี)](../pa/README.md) | [โรมาเนีย](../ro/README.md) | [รัสเซีย](../ru/README.md) | [เซอร์เบีย (คีริลลิก)](../sr/README.md) | [สโลวัก](../sk/README.md) | [สโลวีเนีย](../sl/README.md) | [สเปน](../es/README.md) | [สวาฮีลี](../sw/README.md) | [สวีเดน](../sv/README.md) | [ตากาล็อก (ฟิลิปปินส์)](../tl/README.md) | [ทมิฬ](../ta/README.md) | [เตลูกู](../te/README.md) | [ไทย](./README.md) | [ตุรกี](../tr/README.md) | [ยูเครน](../uk/README.md) | [อูรดู](../ur/README.md) | [เวียดนาม](../vi/README.md) +[อาหรับ](../ar/README.md) | [เบงกาลี](../bn/README.md) | [บัลแกเรีย](../bg/README.md) | [พม่า (เมียนมา)](../my/README.md) | [จีน (ตัวย่อ)](../zh/README.md) | [จีน (ตัวเต็ม, ฮ่องกง)](../hk/README.md) | [จีน (ตัวเต็ม, มาเก๊า)](../mo/README.md) | [จีน (ตัวเต็ม, ไต้หวัน)](../tw/README.md) | [โครเอเชีย](../hr/README.md) | [เช็ก](../cs/README.md) | [เดนมาร์ก](../da/README.md) | [ดัตช์](../nl/README.md) | [เอสโตเนีย](../et/README.md) | [ฟินนิช](../fi/README.md) | [ฝรั่งเศส](../fr/README.md) | [เยอรมัน](../de/README.md) | [กรีก](../el/README.md) | [ฮีบรู](../he/README.md) | [ฮินดี](../hi/README.md) | [ฮังการี](../hu/README.md) | [อินโดนีเซีย](../id/README.md) | [อิตาลี](../it/README.md) | [ญี่ปุ่น](../ja/README.md) | [กันนาดา](../kn/README.md) | [เกาหลี](../ko/README.md) | [ลิทัวเนีย](../lt/README.md) | [มาเลย์](../ms/README.md) | [มาลายาลัม](../ml/README.md) | [มราฐี](../mr/README.md) | [เนปาล](../ne/README.md) | [นาอิเจอเรีย พิดจิน](../pcm/README.md) | [นอร์เวย์](../no/README.md) | [เปอร์เซีย (ฟาร์ซี)](../fa/README.md) | [โปแลนด์](../pl/README.md) | [โปรตุเกส (บราซิล)](../br/README.md) | [โปรตุเกส (โปรตุเกส)](../pt/README.md) | [ปัญจาบ (กุรมุกี)](../pa/README.md) | [โรมาเนีย](../ro/README.md) | [รัสเซีย](../ru/README.md) | [เซอร์เบีย (คีริลลิก)](../sr/README.md) | [สโลวัค](../sk/README.md) | [สโลวีเนีย](../sl/README.md) | [สเปน](../es/README.md) | [สวาฮีลี](../sw/README.md) | [สวีเดน](../sv/README.md) | [ตากาล็อก (ฟิลิปปินส์)](../tl/README.md) | [ทมิฬ](../ta/README.md) | [เทลูกู](../te/README.md) | [ไทย](./README.md) | [ตุรกี](../tr/README.md) | [ยูเครน](../uk/README.md) | [อูรดู](../ur/README.md) | [เวียดนาม](../vi/README.md) #### เข้าร่วมชุมชนของเรา [![Discord ของ Microsoft Foundry](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -เรามีซีรีส์ Learn with AI บน Discord อยู่แล้ว เรียนรู้เพิ่มเติมและเข้าร่วมกับเราที่ [ซีรีส์ Learn with AI](https://aka.ms/learnwithai/discord) ระหว่างวันที่ 18 - 30 กันยายน 2025 คุณจะได้รับเคล็ดลับและทริคในการใช้ GitHub Copilot สำหรับงานด้านวิทยาศาสตร์ข้อมูล +เรามีซีรีส์ Learn with AI บน Discord กำลังดำเนินการ เรียนรู้เพิ่มเติมและเข้าร่วมกับเราที่ [Learn with AI Series](https://aka.ms/learnwithai/discord) ระหว่างวันที่ 18 - 30 กันยายน 2025 คุณจะได้รับเคล็ดลับและทริคในการใช้ GitHub Copilot สำหรับ Data Science -![ซีรีส์ เรียนรู้กับ AI](../../translated_images/3.9b58fd8d6c373c20c588c5070c4948a826ab074426c28ceb5889641294373dfc.th.png) +![ชุดการเรียนรู้ด้วย AI](../../translated_images/3.9b58fd8d6c373c20.th.png) # การเรียนรู้ของเครื่องสำหรับผู้เริ่มต้น - หลักสูตร -> 🌍 ท่องรอบโลกขณะที่เราสำรวจการเรียนรู้ของเครื่องผ่านวัฒนธรรมต่าง ๆ ทั่วโลก 🌍 +> 🌍 ท่องเที่ยวรอบโลกขณะที่เราสำรวจการเรียนรู้ของเครื่องผ่านวัฒนธรรมต่าง ๆ ของโลก 🌍 -Cloud Advocates ที่ Microsoft ยินดีนำเสนอหลักสูตร 12 สัปดาห์ จำนวน 26 บทเรียน ทั้งหมดเกี่ยวกับเรื่องของ **Machine Learning** ในหลักสูตรนี้ คุณจะได้เรียนรู้สิ่งที่บางครั้งเรียกว่า **classic machine learning** โดยใช้ Scikit-learn เป็นไลบรารีหลักและหลีกเลี่ยงการเรียนรู้เชิงลึก (deep learning) ซึ่งครอบคลุมอยู่ใน [หลักสูตร AI สำหรับผู้เริ่มต้น](https://aka.ms/ai4beginners) ของเรา จับคู่อ่านบทเรียนเหล่านี้กับ ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) ของเราได้เช่นกัน +Cloud Advocates ที่ Microsoft ยินดีนำเสนอหลักสูตร 12 สัปดาห์ มี 26 บทเรียน ทั้งหมดเกี่ยวกับ **Machine Learning** ในหลักสูตรนี้ คุณจะได้เรียนรู้สิ่งที่บางครั้งเรียกว่า **classic machine learning** โดยใช้ไลบรารีหลักเป็น Scikit-learn และหลีกเลี่ยง deep learning ซึ่งครอบคลุมใน [AI for Beginners' curriculum](https://aka.ms/ai4beginners) ของเรา ผสมผสานบทเรียนเหล่านี้กับ ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) ของเราได้ด้วยเช่นกัน -ท่องไปกับเราไปรอบโลกขณะที่เรานำเทคนิคคลาสสิกเหล่านี้ไปใช้กับข้อมูลจากหลายพื้นที่ของโลก บทเรียนแต่ละบทประกอบด้วยแบบทดสอบก่อนและหลังบทเรียน คำแนะนำเป็นลายลักษณ์อักษรสำหรับการทำบทเรียน คำตอบ ตัวแบบฝึกหัด และอื่น ๆ วิธีการสอนแบบเน้นโครงการของเราช่วยให้คุณเรียนรู้ในขณะที่สร้างผลงาน ซึ่งเป็นวิธีที่พิสูจน์แล้วว่าสำหรับให้ทักษะใหม่ ๆ "ติด" กับผู้เรียน +เดินทางไปกับเราไปรอบโลกขณะที่เราใช้เทคนิคคลาสสิกเหล่านี้กับข้อมูลจากหลายพื้นที่ของโลก แต่ละบทเรียนประกอบด้วยแบบทดสอบก่อนและหลังบทเรียน คำแนะนำเป็นลายลักษณ์อักษรเพื่อทำบทเรียน คำตอบ ตัวอย่างงาน และอื่น ๆ การสอนแบบโครงการของเราช่วยให้คุณเรียนรู้ขณะสร้างงาน ซึ่งเป็นวิธีที่พิสูจน์แล้วว่าทักษะใหม่ ๆ จะ "ติด" ได้ดี -**✍️ ขอขอบคุณผู้เขียนของเราอย่างจริงใจ** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu และ Amy Boyd +**✍️ ขอบคุณอย่างจริงใจต่อผู้เขียนของเรา** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd -**🎨 ขอบคุณผู้วาดภาพประกอบของเรา** Tomomi Imura, Dasani Madipalli, และ Jen Looper +**🎨 ขอบคุณแก่ผู้วาดภาพประกอบของเรา** Tomomi Imura, Dasani Madipalli, และ Jen Looper -**🙏 ขอบคุณเป็นพิเศษ 🙏 แก่นักเรียนผู้แทนของ Microsoft (Microsoft Student Ambassador) ที่เป็นผู้เขียน ผู้ตรวจ และผู้ร่วมสร้างเนื้อหา** โดยเฉพาะ Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, และ Snigdha Agarwal +**🙏 ขอบคุณเป็นพิเศษ 🙏 แก่ Microsoft Student Ambassador ผู้เขียน ผู้ตรวจทาน และผู้ให้เนื้อหา** โดยเฉพาะ Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, และ Snigdha Agarwal -**🤩 ขอขอบคุณเพิ่มเติมแก่ Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, และ Vidushi Gupta สำหรับบทเรียน R ของเรา!** +**🤩 ขอบคุณเป็นพิเศษแก่ Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, และ Vidushi Gupta สำหรับบทเรียน R ของเรา!** -# การเริ่มต้นใช้งาน +# เริ่มต้นใช้งาน ทำตามขั้นตอนเหล่านี้: -1. **Fork the Repository**: คลิกปุ่ม "Fork" ที่มุมขวาบนของหน้านี้ +1. **Fork the Repository**: คลิกที่ปุ่ม "Fork" ที่มุมบนขวาของหน้านี้ 2. **Clone the Repository**: `git clone https://github.com/microsoft/ML-For-Beginners.git` -> [ค้นหาทรัพยากรเพิ่มเติมทั้งหมดสำหรับคอร์สนี้ได้ในคอลเลกชัน Microsoft Learn ของเรา](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) +> [ค้นหาแหล่งข้อมูลเพิ่มเติมสำหรับหลักสูตรนี้ทั้งหมดในชุดการเรียนรู้ Microsoft Learn ของเรา](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) + +> 🔧 **ต้องการความช่วยเหลือหรือไม่?** ตรวจสอบ [Troubleshooting Guide](TROUBLESHOOTING.md) ของเราสำหรับวิธีแก้ไขปัญหาทั่วไปเกี่ยวกับการติดตั้ง การตั้งค่า และการรันบทเรียน -> 🔧 **ต้องการความช่วยเหลือ?** ตรวจสอบ [คู่มือแก้ไขปัญหา](TROUBLESHOOTING.md) ของเราสำหรับวิธีแก้ไขปัญหาทั่วไปเกี่ยวกับการติดตั้ง การตั้งค่า และการรันบทเรียน -**[นักเรียน](https://aka.ms/student-page)** เพื่อใช้หลักสูตรนี้ ให้ fork รีโปทั้งหมดไปยังบัญชี GitHub ของคุณเอง แล้วทำแบบฝึกหัดต่าง ๆ ด้วยตนเองหรือเป็นกลุ่ม: +**[นักเรียน](https://aka.ms/student-page)** ในการใช้หลักสูตรนี้ ให้ fork รีโพทั้งหมดไปยังบัญชี GitHub ของคุณเองและทำแบบฝึกหัดด้วยตัวเองหรือเป็นกลุ่ม: -- เริ่มด้วยแบบทดสอบก่อนบรรยาย -- อ่านบรรยายและทำกิจกรรมให้ครบ หยุดและสะท้อนความคิดในการตรวจสอบความเข้าใจแต่ละจุด -- พยายามสร้างโครงการโดยทำความเข้าใจบทเรียนแทนการรันโค้ดคำตอบโดยตรง; อย่างไรก็ตาม โค้ดคำตอบนั้นมีอยู่ในโฟลเดอร์ `/solution` ในแต่ละบทเรียนที่เน้นโครงการ +- เริ่มจากแบบทดสอบก่อนบรรยาย +- อ่านบรรยายและทำกิจกรรมให้เสร็จ หยุดและไตร่ตรองที่แต่ละการตรวจสอบความรู้ +- พยายามสร้างโปรเจกต์โดยเข้าใจบทเรียนแทนการรันโค้ดตัวอย่าง; อย่างไรก็ตาม โค้ดนั้นมีให้ในโฟลเดอร์ `/solution` ในแต่ละบทเรียนที่เน้นโปรเจกต์ - ทำแบบทดสอบหลังบรรยาย - ทำความท้าทาย -- ทำแบบฝึกหัดที่มอบหมาย -- หลังจากทำครบชุดบทเรียน ให้ไปที่ [กระดานอภิปราย](https://github.com/microsoft/ML-For-Beginners/discussions) และ "เรียนรู้แบบเปิดเผย" โดยกรอกแบบประเมิน PAT ตามที่เหมาะสม 'PAT' คือเครื่องมือประเมินความก้าวหน้า (Progress Assessment Tool) ซึ่งเป็นเกณฑ์ที่คุณกรอกเพื่อส่งเสริมการเรียนรู้ของคุณเอง คุณยังสามารถโต้ตอบกับ PAT ของผู้อื่นเพื่อให้เราเรียนรู้ร่วมกัน +- ทำการบ้าน +- หลังจากทำกลุ่มบทเรียนเสร็จ เยี่ยมชม [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) และ "เรียนออกเสียง" โดยกรอก PAT rubric ที่เหมาะสม 'PAT' คือ Progress Assessment Tool ซึ่งเป็นรูบริกที่คุณกรอกเพื่อเสริมการเรียนรู้ของคุณ คุณยังสามารถแสดงปฏิกิริยาต่อ PAT ของผู้อื่นเพื่อให้เราเรียนรู้ร่วมกันได้ -> สำหรับการศึกษาต่อ เราแนะนำให้ติดตามโมดูลและเส้นทางการเรียนรู้บน [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) +> สำหรับการเรียนรู้เพิ่มเติม เราแนะนำให้ติดตามโมดูลและเส้นทางการเรียนรู้เหล่านี้ใน [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) -**ครูผู้สอน** เราได้ [รวมข้อเสนอแนะบางส่วน](for-teachers.md) เกี่ยวกับวิธีการใช้หลักสูตรนี้ไว้ให้ +**ครู/อาจารย์**, เราได้ [รวมคำแนะนำบางส่วน](for-teachers.md) เกี่ยวกับวิธีการใช้หลักสูตรนี้ --- -## วิดีโอสรุป +## วิดีโอแนะนำ -บทเรียนบางบทมีวิดีโอสั้นให้ดู คุณสามารถหาได้ในบทเรียนโดยตรง หรือบน [เพลย์ลิสต์ ML for Beginners บนช่อง Microsoft Developer บน YouTube](https://aka.ms/ml-beginners-videos) โดยคลิกที่รูปภาพด้านล่าง +บทเรียนบางบทมีให้เป็นวิดีโอสั้น ๆ คุณสามารถหาได้ในบทเรียนโดยตรง หรือบน [เพลย์ลิสต์ ML for Beginners บนช่อง Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) โดยคลิกที่รูปด้านล่าง -[![แบนเนอร์ ML สำหรับผู้เริ่มต้น](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6251134294459696e070a3a9a04632e9fe6a24aa0de4a7384.th.png)](https://aka.ms/ml-beginners-videos) +[![แบนเนอร์ ML สำหรับผู้เริ่มต้น](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6.th.png)](https://aka.ms/ml-beginners-videos) --- ## พบทีมงาน -[![วิดีโอโฆษณา](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) +[![วิดีโอนำเสนอ](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) -**ภาพเคลื่อนไหวโดย** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) +**Gif โดย** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) -> 🎥 คลิกที่รูปภาพด้านบนเพื่อดูวิดีโอเกี่ยวกับโครงการและผู้คนที่สร้างมันขึ้นมา! +> 🎥 คลิกที่รูปด้านบนเพื่อดูวิดีโอเกี่ยวกับโครงการและทีมผู้สร้าง! --- -## วิธีการสอน +## แนวการสอน -เราเลือกหลักการสอนสองประการขณะสร้างหลักสูตรนี้: ทำให้เป็นแบบลงมือปฏิบัติจริงแบบเน้นโครงการ (project-based) และมีแบบทดสอบบ่อยครั้ง (frequent quizzes) นอกจากนี้ หลักสูตรนี้มีธีมร่วมกันเพื่อสร้างความสอดคล้อง +เราเลือกสองหลักการสอนในการสร้างหลักสูตรนี้: ให้เป็นแบบปฏิบัติจริง **อิงโปรเจกต์** และมี **แบบทดสอบบ่อยครั้ง** นอกจากนี้ หลักสูตรนี้ยังมี **ธีม** ร่วมกันเพื่อให้มีความสอดคล้อง -การทำให้เนื้อหาเชื่อมโยงกับโครงการจะทำให้กระบวนการมีความน่าสนใจสำหรับผู้เรียนและช่วยเพิ่มการจดจำแนวคิด นอกจากนี้ แบบทดสอบที่มีความเสี่ยงต่ำก่อนชั้นเรียนช่วยตั้งความตั้งใจของนักเรียนสู่การเรียนรู้หัวข้อนั้น ในขณะที่แบบทดสอบหลังชั้นเรียนอีกครั้งจะช่วยเสริมการจดจำ หลักสูตรนี้ออกแบบมาให้ยืดหยุ่นและสนุก และสามารถเรียนได้ทั้งชุดหรือเป็นบางส่วน โครงการเริ่มต้นจากขนาดเล็กและเพิ่มความซับซ้อนมากขึ้นในตอนท้ายของรอบ 12 สัปดาห์ หลักสูตรนี้ยังมีบทย่อเกี่ยวกับการใช้ ML ในโลกจริง ซึ่งสามารถใช้เป็นเครดิตพิเศษหรือเป็นหัวข้อสำหรับการอภิปรายได้ +โดยการทำให้เนื้อหาสอดคล้องกับโปรเจกต์ กระบวนการจะน่าสนใจกว่าสำหรับผู้เรียนและช่วยเพิ่มการจำแนวคิด ยิ่งไปกว่านั้น แบบทดสอบที่ไม่มีความเสี่ยงก่อนชั้นเรียนจะช่วยตั้งเจตนารมณ์ของผู้เรียนในการเรียนรู้หัวข้อ ส่วนแบบทดสอบหลังชั้นเรียนจะช่วยยืนยันการจดจำเพิ่มเติม หลักสูตรนี้ออกแบบมาให้ยืดหยุ่นและสนุก และสามารถเรียนทั้งหมดหรือเป็นบางส่วนได้ โครงการเริ่มจากเล็กและซับซ้อนขึ้นเรื่อย ๆ จนสิ้นสุดรอบ 12 สัปดาห์ หลักสูตรนี้ยังรวมตอนพิเศษเกี่ยวกับการประยุกต์ใช้ ML ในโลกจริง ซึ่งสามารถใช้เป็นเครดิตพิเศษหรือเป็นฐานสำหรับการอภิปราย -> ค้นหาประกาศแนวปฏิบัติของเรา [แนวนโยบายการปฏิบัติ](CODE_OF_CONDUCT.md), [แนวทางการมีส่วนร่วม](CONTRIBUTING.md), [การแปล](TRANSLATIONS.md), และ [คู่มือแก้ไขปัญหา](TROUBLESHOOTING.md) เรายินดีรับคำติชมเชิงสร้างสรรค์จากคุณ! +> ค้นหา [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md), และแนวทาง [Troubleshooting](TROUBLESHOOTING.md) ของเรา เรายินดีรับข้อเสนอแนะเชิงสร้างสรรค์ของคุณ! ## แต่ละบทเรียนประกอบด้วย -- สเก็ตช์โน้ต (ถ้ามี) -- วิดีโอเสริม (ถ้ามี) -- วิดีโอสรุป (เฉพาะบางบท) -- [แบบทดสอบวอร์มอัพก่อนบรรยาย](https://ff-quizzes.netlify.app/en/ml/) +- สเก็ตช์โน้ต (ไม่บังคับ) +- วิดีโอเสริม (ไม่บังคับ) +- วิดีโอสาธิต (เฉพาะบางบทเรียน) +- [แบบทดสอบอุ่นเครื่องก่อนบรรยาย](https://ff-quizzes.netlify.app/en/ml/) - บทเรียนเป็นลายลักษณ์อักษร -- สำหรับบทเรียนที่เน้นโครงการ มีคำแนะนำทีละขั้นตอนในการสร้างโครงการ -- การตรวจสอบความรู้ +- สำหรับบทเรียนแบบโปรเจกต์ มีคำแนะนำทีละขั้นตอนเกี่ยวกับวิธีสร้างโปรเจกต์ +- แบบทดสอบความรู้ย่อย - ความท้าทาย - การอ่านเสริม -- แบบฝึกหัดที่มอบหมาย +- การบ้าน - [แบบทดสอบหลังบรรยาย](https://ff-quizzes.netlify.app/en/ml/) -> **หมายเหตุเกี่ยวกับภาษา**: บทเรียนเหล่านี้เขียนด้วย Python เป็นหลัก แต่หลายบทเรียนมีเวอร์ชันภาษา R ด้วย เพื่อทำบทเรียน R ให้ไปที่โฟลเดอร์ `/solution` แล้วมองหาบทเรียน R พวกนั้น ซึ่งมีนามสกุล .rmd ซึ่งหมายถึงไฟล์ **R Markdown** ที่สามารถอธิบายได้อย่างง่าย ๆ ว่าเป็นการฝังของ `code chunks` (ของ R หรือภาษาอื่น ๆ) และ `YAML header` (ที่ชี้นำวิธีการจัดรูปแบบผลลัพธ์ เช่น PDF) ลงใน `Markdown document` นั่นทำให้มันเป็นกรอบการเขียนตัวอย่างที่ดีสำหรับงานด้านวิทยาศาสตร์ข้อมูลเพราะคุณสามารถรวมโค้ด ผลลัพธ์ของโค้ด และความเห็นของคุณไว้ด้วยกันในเอกสารเดียว และเอกสาร R Markdown ยังสามารถเรนเดอร์เป็นรูปแบบเอาต์พุตอย่าง PDF, HTML หรือ Word ได้ +> **หมายเหตุเกี่ยวกับภาษา**: บทเรียนเหล่านี้เขียนเป็นหลักใน Python แต่หลายบทเรียนก็มีใน R ด้วย หากต้องการทำบทเรียน R ให้ไปที่โฟลเดอร์ `/solution` แล้วค้นหาบทเรียน R พวกมันมีนามสกุล .rmd ซึ่งเป็นไฟล์ **R Markdown** ซึ่งสามารถนิยามได้ง่าย ๆ ว่าเป็นการฝัง `code chunks` (ของ R หรือภาษาอื่น ๆ) และ `YAML header` (ที่ชี้แนะวิธีการจัดรูปแบบผลลัพธ์ เช่น PDF) ใน `Markdown document` ดังนั้น มันจึงทำหน้าที่เป็นกรอบการเขียนตัวอย่างสำหรับงานข้อมูล เพราะอนุญาตให้คุณรวมโค้ด ผลลัพธ์ และความคิดของคุณโดยเขียนลงใน Markdown ยิ่งไปกว่านั้น เอกสาร R Markdown สามารถเรนเดอร์เป็นรูปแบบเอาต์พุตเช่น PDF, HTML, หรือ Word ได้ -> **หมายเหตุเกี่ยวกับแบบทดสอบ**: แบบทดสอบทั้งหมดอยู่ใน [โฟลเดอร์ Quiz App](../../quiz-app) รวมทั้งหมด 52 แบบทดสอบ แต่ละแบบมี 3 คำถาม พวกมันเชื่อมโยงจากภายในบทเรียน แต่แอปแบบทดสอบสามารถรันได้ในเครื่อง; ทำตามคำแนะนำในโฟลเดอร์ `quiz-app` เพื่อตั้งโฮสต์ในเครื่องหรือนำขึ้นไปยัง Azure +> **หมายเหตุเกี่ยวกับแบบทดสอบ**: แบบทดสอบทั้งหมดอยู่ใน [Quiz App folder](../../quiz-app), รวมทั้งหมด 52 แบบทดสอบ แต่ละแบบมีสามคำถาม พวกมันลิงก์จากภายในบทเรียน แต่แอปแบบทดสอบสามารถรันได้ในเครื่อง; ทำตามคำแนะนำในโฟลเดอร์ `quiz-app` เพื่อโฮสต์ในเครื่องหรือปรับใช้ไปยัง Azure -| หมายเลขบทเรียน | หัวข้อ | การจัดกลุ่มบทเรียน | วัตถุประสงค์การเรียนรู้ | บทเรียนที่เชื่อมโยง | ผู้แต่ง | +| Lesson Number | Topic | Lesson Grouping | Learning Objectives | Linked Lesson | Author | | :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | | 01 | บทนำสู่การเรียนรู้ของเครื่อง | [บทนำ](1-Introduction/README.md) | เรียนรู้แนวคิดพื้นฐานเบื้องหลังการเรียนรู้ของเครื่อง | [บทเรียน](1-Introduction/1-intro-to-ML/README.md) | Muhammad | -| 02 | ประวัติศาสตร์ของการเรียนรู้ของเครื่อง | [บทนำ](1-Introduction/README.md) | เรียนรู้ประวัติพื้นฐานของสาขานี้ | [บทเรียน](1-Introduction/2-history-of-ML/README.md) | Jen and Amy | -| 03 | ความยุติธรรมและการเรียนรู้ของเครื่อง | [บทนำ](1-Introduction/README.md) | มีประเด็นเชิงปรัชญาที่สำคัญเกี่ยวกับความยุติธรรมอะไรบ้างที่นักเรียนควรพิจารณาเมื่อสร้างและใช้งานโมเดล ML? | [บทเรียน](1-Introduction/3-fairness/README.md) | Tomomi | -| 04 | เทคนิคสำหรับการเรียนรู้ของเครื่อง | [บทนำ](1-Introduction/README.md) | นักวิจัยด้าน ML ใช้เทคนิคอะไรบ้างในการสร้างโมเดล ML? | [บทเรียน](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen | -| 05 | บทนำสู่การถดถอย | [Regression](2-Regression/README.md) | เริ่มต้นใช้งาน Python และ Scikit-learn สำหรับโมเดลการถดถอย | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | -| 06 | ราคาฟักทองในอเมริกาเหนือ 🎃 | [Regression](2-Regression/README.md) | สร้างภาพและทำความสะอาดข้อมูลเพื่อเตรียมพร้อมสำหรับ ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | -| 07 | ราคาฟักทองในอเมริกาเหนือ 🎃 | [Regression](2-Regression/README.md) | สร้างโมเดลการถดถอยเชิงเส้นและพหุนาม | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau | -| 08 | ราคาฟักทองในอเมริกาเหนือ 🎃 | [Regression](2-Regression/README.md) | สร้างโมเดลการถดถอยโลจิสติก | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | -| 09 | เว็บแอป 🔌 | [เว็บแอป](3-Web-App/README.md) | สร้างเว็บแอปเพื่อใช้งานโมเดลที่คุณฝึกแล้ว | [Python](3-Web-App/1-Web-App/README.md) | Jen | +| 02 | ประวัติของการเรียนรู้ของเครื่อง | [บทนำ](1-Introduction/README.md) | เรียนรู้ประวัติศาสตร์ที่เป็นพื้นฐานของสาขานี้ | [บทเรียน](1-Introduction/2-history-of-ML/README.md) | Jen and Amy | +| 03 | ความยุติธรรมและการเรียนรู้ของเครื่อง | [บทนำ](1-Introduction/README.md) | ประเด็นทางปรัชญาที่สำคัญเกี่ยวกับความยุติธรรมคืออะไรที่นักเรียนควรพิจารณาเมื่อสร้างและนำแบบจำลอง ML ไปใช้? | [บทเรียน](1-Introduction/3-fairness/README.md) | Tomomi | +| 04 | เทคนิคสำหรับการเรียนรู้ของเครื่อง | [บทนำ](1-Introduction/README.md) | นักวิจัยด้าน ML ใช้เทคนิคใดบ้างในการสร้างแบบจำลอง ML? | [บทเรียน](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen | +| 05 | บทนำสู่การถดถอย | [การถดถอย](2-Regression/README.md) | เริ่มต้นด้วย Python และ Scikit-learn สำหรับแบบจำลองการถดถอย | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | +| 06 | ราคาฟักทองในอเมริกาเหนือ 🎃 | [การถดถอย](2-Regression/README.md) | สร้างภาพและทำความสะอาดข้อมูลเพื่อเตรียมสำหรับ ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | +| 07 | ราคาฟักทองในอเมริกาเหนือ 🎃 | [การถดถอย](2-Regression/README.md) | สร้างแบบจำลองการถดถอยเชิงเส้นและเชิงพหุนาม | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau | +| 08 | ราคาฟักทองในอเมริกาเหนือ 🎃 | [การถดถอย](2-Regression/README.md) | สร้างแบบจำลองการถดถอยโลจิสติก | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | +| 09 | เว็บแอป 🔌 | [เว็บแอป](3-Web-App/README.md) | สร้างเว็บแอปเพื่อใช้แบบจำลองที่ฝึกแล้วของคุณ | [Python](3-Web-App/1-Web-App/README.md) | Jen | | 10 | บทนำสู่การจำแนกประเภท | [การจำแนกประเภท](4-Classification/README.md) | ทำความสะอาด เตรียม และสร้างภาพข้อมูลของคุณ; บทนำสู่การจำแนกประเภท | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau | -| 11 | อาหารเอเชียและอินเดียอร่อยๆ 🍜 | [การจำแนกประเภท](4-Classification/README.md) | บทนำสู่ตัวจำแนก | [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 | อาหารเอเชียและอินเดียอร่อยๆ 🍜 | [การจำแนกประเภท](4-Classification/README.md) | ตัวจำแนกเพิ่มเติม | [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 | อาหารเอเชียและอินเดียอร่อยๆ 🍜 | [การจำแนกประเภท](4-Classification/README.md) | สร้างเว็บแอปแนะนำโดยใช้โมเดลของคุณ | [Python](4-Classification/4-Applied/README.md) | Jen | +| 11 | อาหารเอเชียและอินเดียแสนอร่อย 🍜 | [การจำแนกประเภท](4-Classification/README.md) | บทนำสู่ตัวจำแนก | [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 | อาหารเอเชียและอินเดียแสนอร่อย 🍜 | [การจำแนกประเภท](4-Classification/README.md) | ตัวจำแนกเพิ่มเติม | [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 | อาหารเอเชียและอินเดียแสนอร่อย 🍜 | [การจำแนกประเภท](4-Classification/README.md) | สร้างเว็บแอประบบแนะนำโดยใช้แบบจำลองของคุณ | [Python](4-Classification/4-Applied/README.md) | Jen | | 14 | บทนำสู่การจัดกลุ่ม | [การจัดกลุ่ม](5-Clustering/README.md) | ทำความสะอาด เตรียม และสร้างภาพข้อมูลของคุณ; บทนำสู่การจัดกลุ่ม | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | -| 15 | สำรวจรสนิยมทางดนตรีของไนจีเรีย 🎧 | [การจัดกลุ่ม](5-Clustering/README.md) | สำรวจวิธีการจัดกลุ่มแบบ 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 | บทนำสู่การประมวลผลภาษาธรรมชาติ ☕️ | [การประมวลผลภาษาธรรมชาติ](6-NLP/README.md) | เรียนรู้พื้นฐานของ NLP โดยการสร้างบ็อตง่ายๆ | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | -| 17 | งาน NLP ทั่วไป ☕️ | [การประมวลผลภาษาธรรมชาติ](6-NLP/README.md) | เสริมความรู้ด้าน NLP ของคุณโดยการเข้าใจงานทั่วไปที่จำเป็นเมื่อจัดการกับโครงสร้างภาษา | [Python](6-NLP/2-Tasks/README.md) | Stephen | -| 18 | การแปลภาษาและการวิเคราะห์ความรู้สึก ♥️ | [การประมวลผลภาษาธรรมชาติ](6-NLP/README.md) | การแปลภาษาและการวิเคราะห์ความรู้สึกด้วยผลงานของ Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | -| 19 | โรงแรมโรแมนติกในยุโรป ♥️ | [การประมวลผลภาษาธรรมชาติ](6-NLP/README.md) | การวิเคราะห์ความรู้สึกด้วยรีวิวโรงแรม 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | -| 20 | โรงแรมโรแมนติกในยุโรป ♥️ | [การประมวลผลภาษาธรรมชาติ](6-NLP/README.md) | การวิเคราะห์ความรู้สึกด้วยรีวิวโรงแรม 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | +| 15 | สำรวจรสนิยมดนตรีของไนจีเรีย 🎧 | [การจัดกลุ่ม](5-Clustering/README.md) | สำรวจวิธีการจัดกลุ่มแบบ 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 | บทนำสู่การประมวลผลภาษาธรรมชาติ ☕️ | [การประมวลผลภาษาธรรมชาติ](6-NLP/README.md) | เรียนรู้พื้นฐานเกี่ยวกับ NLP โดยการสร้างบ็อตง่ายๆ | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | +| 17 | งาน NLP ที่พบบ่อย ☕️ | [การประมวลผลภาษาธรรมชาติ](6-NLP/README.md) | เพิ่มพูนความรู้ด้าน NLP ของคุณโดยเข้าใจงานทั่วไปที่จำเป็นเมื่อจัดการกับโครงสร้างภาษา | [Python](6-NLP/2-Tasks/README.md) | Stephen | +| 18 | การแปลภาษาและการวิเคราะห์อารมณ์ ♥️ | [การประมวลผลภาษาธรรมชาติ](6-NLP/README.md) | การแปลและการวิเคราะห์อารมณ์ด้วย Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | +| 19 | โรงแรมโรแมนติกในยุโรป ♥️ | [การประมวลผลภาษาธรรมชาติ](6-NLP/README.md) | การวิเคราะห์อารมณ์จากรีวิวโรงแรม 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | +| 20 | โรงแรมโรแมนติกในยุโรป ♥️ | [การประมวลผลภาษาธรรมชาติ](6-NLP/README.md) | การวิเคราะห์อารมณ์จากรีวิวโรงแรม 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | | 21 | บทนำสู่การพยากรณ์อนุกรมเวลา | [อนุกรมเวลา](7-TimeSeries/README.md) | บทนำสู่การพยากรณ์อนุกรมเวลา | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | -| 22 | ⚡️ การใช้พลังงานของโลก ⚡️ - การพยากรณ์อนุกรมเวลากับ ARIMA | [อนุกรมเวลา](7-TimeSeries/README.md) | การพยากรณ์อนุกรมเวลากับ ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | -| 23 | ⚡️ การใช้พลังงานของโลก ⚡️ - การพยากรณ์อนุกรมเวลากับ SVR | [อนุกรมเวลา](7-TimeSeries/README.md) | การพยากรณ์อนุกรมเวลากับ Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | +| 22 | ⚡️ การใช้พลังงานโลก ⚡️ - การพยากรณ์อนุกรมเวลากับ ARIMA | [อนุกรมเวลา](7-TimeSeries/README.md) | การพยากรณ์อนุกรมเวลากับ ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | +| 23 | ⚡️ การใช้พลังงานโลก ⚡️ - การพยากรณ์อนุกรมเวลากับ SVR | [อนุกรมเวลา](7-TimeSeries/README.md) | การพยากรณ์อนุกรมเวลากับ SVR | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | | 24 | บทนำสู่การเรียนรู้แบบเสริมกำลัง | [การเรียนรู้แบบเสริมกำลัง](8-Reinforcement/README.md) | บทนำสู่การเรียนรู้แบบเสริมกำลังด้วย Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | -| 25 | ช่วยปีเตอร์หลีกเลี่ยงหมาป่า! 🐺 | [การเรียนรู้แบบเสริมกำลัง](8-Reinforcement/README.md) | Gym สำหรับการเรียนรู้แบบเสริมกำลัง | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | -| Postscript | สถานการณ์และการประยุกต์ใช้งาน ML ในโลกจริง | [ML ในโลกจริง](9-Real-World/README.md) | แอปพลิเคชันในโลกจริงที่น่าสนใจและเปิดเผยของ ML แบบคลาสสิก | [บทเรียน](9-Real-World/1-Applications/README.md) | Team | -| Postscript | การดีบักโมเดลใน ML โดยใช้แดชบอร์ด RAI | [ML ในโลกจริง](9-Real-World/README.md) | การดีบักโมเดลในการเรียนรู้ของเครื่องโดยใช้ส่วนประกอบแดชบอร์ด Responsible AI | [บทเรียน](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | +| 25 | ช่วย Peter หลีกเลี่ยงหมาป่า! 🐺 | [การเรียนรู้แบบเสริมกำลัง](8-Reinforcement/README.md) | การเรียนรู้แบบเสริมกำลังใน Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | +| บทส่งท้าย | สถานการณ์และการประยุกต์ใช้ ML ในโลกจริง | [ML ในโลกจริง](9-Real-World/README.md) | การประยุกต์ใช้ ML แบบคลาสิกในโลกจริงที่น่าสนใจและเผยข้อมูลเชิงลึก | [บทเรียน](9-Real-World/1-Applications/README.md) | Team | +| บทส่งท้าย | การดีบักโมเดลใน ML โดยใช้แดชบอร์ด RAI | [ML ในโลกจริง](9-Real-World/README.md) | การดีบักโมเดลในการเรียนรู้ของเครื่องโดยใช้คอมโพเนนต์แดชบอร์ด Responsible AI | [บทเรียน](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | -> [ค้นหาทรัพยากรเพิ่มเติมทั้งหมดสำหรับคอร์สนี้ในคอลเลกชัน Microsoft Learn ของเรา](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) +> [ค้นหาทรัพยากรเพิ่มเติมทั้งหมดสำหรับหลักสูตรนี้ได้ในคอลเลกชัน Microsoft Learn ของเรา](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) -## การใช้งานแบบออฟไลน์ +## การเข้าถึงแบบออฟไลน์ -คุณสามารถเรียกใช้เอกสารนี้แบบออฟไลน์โดยใช้ [Docsify](https://docsify.js.org/#/). สร้าง Fork ของรีโปนี้, [ติดตั้ง Docsify](https://docsify.js.org/#/quickstart) บนเครื่องของคุณ, และจากนั้นในโฟลเดอร์รากของรีโปนี้ ให้พิมพ์ `docsify serve`. เว็บไซต์จะถูกให้บริการที่พอร์ต 3000 บน localhost ของคุณ: `localhost:3000`. +คุณสามารถเรียกใช้งานเอกสารนี้แบบออฟไลน์ได้โดยใช้ [Docsify](https://docsify.js.org/#/). Fork รีโปนี้, [ติดตั้ง Docsify](https://docsify.js.org/#/quickstart) บนเครื่องของคุณ, แล้วในโฟลเดอร์รากของรีโปนี้ ให้พิมพ์ `docsify serve`. เว็บไซต์จะถูกให้บริการบนพอร์ต 3000 บนเครื่องท้องถิ่นของคุณ: `localhost:3000`. ## ไฟล์ PDF -ค้นหาไฟล์ PDF ของหลักสูตรพร้อมลิงก์ [ที่นี่](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf). +ค้นหาไฟล์ pdf ของหลักสูตรพร้อมลิงก์ [ที่นี่](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf). ## 🎒 คอร์สอื่นๆ @@ -177,7 +180,7 @@ Cloud Advocates ที่ Microsoft ยินดีนำเสนอหลั --- -### ชุด Generative AI +### ชุดคอร์ส Generative AI [![Generative AI สำหรับผู้เริ่มต้น](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) [![ปัญญาประดิษฐ์เชิงสร้างสรรค์ (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) @@ -186,10 +189,10 @@ Cloud Advocates ที่ Microsoft ยินดีนำเสนอหลั --- ### การเรียนรู้หลัก -[![การเรียนรู้เครื่องสำหรับผู้เริ่มต้น](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) +[![ML สำหรับผู้เริ่มต้น](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) [![วิทยาศาสตร์ข้อมูลสำหรับผู้เริ่มต้น](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) [![ปัญญาประดิษฐ์สำหรับผู้เริ่มต้น](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) -[![ความปลอดภัยไซเบอร์สำหรับผู้เริ่มต้น](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) +[![ความมั่นคงปลอดภัยไซเบอร์สำหรับผู้เริ่มต้น](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) [![การพัฒนาเว็บสำหรับผู้เริ่มต้น](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 สำหรับผู้เริ่มต้น](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) [![การพัฒนา XR สำหรับผู้เริ่มต้น](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) @@ -197,24 +200,24 @@ Cloud Advocates ที่ Microsoft ยินดีนำเสนอหลั --- ### ชุด Copilot -[![Copilot สำหรับการเขียนโปรแกรมแบบจับคู่โดย AI](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 สำหรับการเขียนโปรแกรมแบบคู่กับ AI](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 สำหรับ 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) -[![การผจญภัยของ Copilot](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) +[![ผจญภัยกับ Copilot](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) ## ขอความช่วยเหลือ -หากคุณติดขัดหรือมีคำถามเกี่ยวกับการสร้างแอป AI ให้เข้าร่วมกับผู้เรียนคนอื่นและนักพัฒนาที่มีประสบการณ์ในการสนทนาเกี่ยวกับ MCP ชุมชนแห่งนี้ให้การสนับสนุน ยินดีต้อนรับคำถาม และแบ่งปันความรู้กันอย่างเสรี +หากคุณติดขัดหรือมีคำถามเกี่ยวกับการสร้างแอป AI ให้เข้าร่วมกับผู้เรียนคนอื่นๆ และนักพัฒนาที่มีประสบการณ์ เพื่อร่วมอภิปรายเกี่ยวกับ MCP ชุมชนนี้ให้การสนับสนุน ยินดีต้อนรับคำถาม และแบ่งปันทักษะความรู้กันอย่างเสรี [![Discord ของ Microsoft Foundry](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -หากคุณมีความคิดเห็นเกี่ยวกับผลิตภัณฑ์หรือพบข้อผิดพลาดขณะพัฒนา โปรดไปที่: +หากคุณมีข้อเสนอแนะเกี่ยวกับผลิตภัณฑ์หรือพบข้อผิดพลาดระหว่างการสร้าง โปรดเยี่ยมชม: -[![ฟอรัมผู้พัฒนา 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) +[![ฟอรัมนักพัฒนา 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) --- -**ข้อจำกัดความรับผิดชอบ**: -เอกสารฉบับนี้ได้รับการแปลโดยใช้บริการแปลด้วยปัญญาประดิษฐ์ [Co-op Translator](https://github.com/Azure/co-op-translator). แม้เราจะพยายามให้การแปลมีความถูกต้อง โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความคลาดเคลื่อนได้ เอกสารต้นฉบับในภาษาต้นฉบับควรถูกถือว่าเป็นแหล่งข้อมูลที่มีอำนาจ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้การแปลโดยนักแปลมืออาชีพ เราจะไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่อาจเกิดขึ้นจากการใช้การแปลฉบับนี้. +ข้อจำกัดความรับผิดชอบ: +เอกสารฉบับนี้ถูกแปลโดยใช้บริการแปลภาษาอัตโนมัติ AI Co‑op Translator (https://github.com/Azure/co-op-translator) แม้เราจะพยายามให้การแปลมีความถูกต้อง โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้องได้ เอกสารต้นฉบับในภาษาต้นทางควรถูกถือเป็นเอกสารอ้างอิงหลัก สำหรับข้อมูลที่มีความสำคัญ แนะนำให้ใช้บริการแปลโดยผู้เชี่ยวชาญด้านมนุษย์ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดใด ๆ ที่เกิดจากการใช้การแปลนี้ \ No newline at end of file diff --git a/translations/tl/1-Introduction/README.md b/translations/tl/1-Introduction/README.md index ee76b4feb..aacd2d899 100644 --- a/translations/tl/1-Introduction/README.md +++ b/translations/tl/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Sa seksyong ito ng kurikulum, ipapakilala sa iyo ang mga pangunahing konsepto na bumubuo sa larangan ng machine learning, kung ano ito, at matutunan ang tungkol sa kasaysayan nito at ang mga teknik na ginagamit ng mga mananaliksik upang magtrabaho dito. Tuklasin natin ang bagong mundo ng ML nang magkasama! -![globe](../../../translated_images/globe.59f26379ceb40428672b4d9a568044618a2bf6292ecd53a5c481b90e3fa805eb.tl.jpg) +![globe](../../../translated_images/globe.59f26379ceb40428.tl.jpg) > Larawan ni Bill Oxford sa Unsplash ### Mga Aralin diff --git a/translations/tl/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/tl/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index a97fbfd86..f3364be91 100644 --- a/translations/tl/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/tl/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -48,7 +48,7 @@ " width=\"630\"/>\n", "
Likha ni @allison_horst
\n", "\n", - "\n" + "\n" ], "metadata": { "id": "LWNNzfqd6feZ" diff --git a/translations/tl/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/tl/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index 4dbbd0403..0002049f8 100644 --- a/translations/tl/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/tl/2-Regression/2-Data/solution/R/lesson_2-R.ipynb @@ -49,7 +49,7 @@ "
Likha ni @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "Pg5aexcOPqAZ" @@ -230,7 +230,7 @@ "
Likha ni @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "o4jLY5-VZO2C" @@ -533,7 +533,7 @@ "
Infographic ni Dasani Madipalli
\n", "\n", "\n", - "\n", + "\n", "\n", "May isang *matalinong* kasabihan na ganito ang sinasabi:\n", "\n", diff --git a/translations/tl/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/tl/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index 83fca0541..d1be3a34e 100644 --- a/translations/tl/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/tl/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -40,7 +40,7 @@ "
Infographic ni Dasani Madipalli
\n", "\n", "\n", - "\n", + "\n", "\n", "#### Panimula\n", "\n", @@ -164,7 +164,7 @@ "
Sining ni @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "WdUKXk7Bs8-V" @@ -458,7 +458,7 @@ "
Artwork ni @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "KEiO0v7kuC9O" @@ -572,7 +572,7 @@ "
Infographic ni Dasani Madipalli
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "YqXjLuWavNxW" @@ -813,7 +813,7 @@ "
Infographic ni Dasani Madipalli
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "HOCqJXLTwtWI" diff --git a/translations/tl/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/tl/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index 37de1a1cd..71a7b5fee 100644 --- a/translations/tl/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/tl/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## Gumawa ng logistic regression model - Aralin 4\n", "\n", - "![Infographic ng Logistic vs. Linear Regression](../../../../../../translated_images/linear-vs-logistic.ba180bf95e7ee66721ba10ebf2dac2666acbd64a88b003c83928712433a13c7d.tl.png)\n", + "![Infographic ng Logistic vs. Linear Regression](../../../../../../translated_images/linear-vs-logistic.ba180bf95e7ee667.tl.png)\n", "\n", "#### **[Pre-lecture quiz](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", @@ -78,7 +78,7 @@ "\n", "Ang logistic regression ay hindi nag-aalok ng parehong mga tampok tulad ng linear regression. Ang una ay nagbibigay ng prediksyon tungkol sa isang `binary category` (\"orange o hindi orange\") samantalang ang huli ay may kakayahang mag-predict ng `continual values`, halimbawa, batay sa pinanggalingan ng kalabasa at oras ng pag-ani, *kung gaano tataas ang presyo nito*.\n", "\n", - "![Infographic ni Dasani Madipalli](../../../../../../translated_images/pumpkin-classifier.562771f104ad5436b87d1c67bca02a42a17841133556559325c0a0e348e5b774.tl.png)\n", + "![Infographic ni Dasani Madipalli](../../../../../../translated_images/pumpkin-classifier.562771f104ad5436.tl.png)\n", "\n", "### Iba pang mga klasipikasyon\n", "\n", @@ -88,7 +88,7 @@ "\n", "- **Ordinal**, na may mga ordered categories, kapaki-pakinabang kung nais nating ayusin ang ating mga resulta nang lohikal, tulad ng mga kalabasa na nakaayos ayon sa tiyak na bilang ng mga sukat (mini, sm, med, lg, xl, xxl).\n", "\n", - "![Multinomial vs ordinal regression](../../../../../../translated_images/multinomial-vs-ordinal.36701b4850e37d86c9dd49f7bef93a2f94dbdb8fe03443eb68f0542f97f28f29.tl.png)\n", + "![Multinomial vs ordinal regression](../../../../../../translated_images/multinomial-vs-ordinal.36701b4850e37d86.tl.png)\n", "\n", "#### **Hindi kailangang magkaugnay ang mga variable**\n", "\n", diff --git a/translations/tl/2-Regression/README.md b/translations/tl/2-Regression/README.md index 045f1f870..23010db92 100644 --- a/translations/tl/2-Regression/README.md +++ b/translations/tl/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: Sa Hilagang Amerika, madalas na inukit ang mga kalabasa upang maging nakakatakot na mukha para sa Halloween. Tuklasin natin ang higit pa tungkol sa mga kamangha-manghang gulay na ito! -![jack-o-lanterns](../../../translated_images/jack-o-lanterns.181c661a9212457d7756f37219f660f1358af27554d856e5a991f16b4e15337c.tl.jpg) +![jack-o-lanterns](../../../translated_images/jack-o-lanterns.181c661a9212457d.tl.jpg) > Larawan ni Beth Teutschmann sa Unsplash ## Ano ang Matututunan Mo diff --git a/translations/tl/3-Web-App/README.md b/translations/tl/3-Web-App/README.md index a362de340..aab65793d 100644 --- a/translations/tl/3-Web-App/README.md +++ b/translations/tl/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Sa seksyong ito ng kurikulum, ipapakilala sa iyo ang isang praktikal na paksa sa ML: kung paano i-save ang iyong Scikit-learn model bilang isang file na magagamit para gumawa ng mga prediksyon sa loob ng isang web application. Kapag na-save na ang model, matutunan mo kung paano ito gamitin sa isang web app na ginawa gamit ang Flask. Una, gagawa ka ng model gamit ang ilang data na may kaugnayan sa mga sightings ng UFO! Pagkatapos, gagawa ka ng isang web app na magbibigay-daan sa iyo na mag-input ng bilang ng mga segundo kasama ang latitude at longitude value upang hulaan kung aling bansa ang nag-ulat ng pag-sighting ng UFO. -![UFO Parking](../../../translated_images/ufo.9e787f5161da9d4d1dafc537e1da09be8210f2ee996cb638aa5cee1d92867a04.tl.jpg) +![UFO Parking](../../../translated_images/ufo.9e787f5161da9d4d.tl.jpg) Larawan ni Michael Herren sa Unsplash diff --git a/translations/tl/4-Classification/README.md b/translations/tl/4-Classification/README.md index 63d648b07..d31a0c6a4 100644 --- a/translations/tl/4-Classification/README.md +++ b/translations/tl/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: Sa Asya at India, ang mga tradisyon sa pagkain ay napaka-diverse at napakasarap! Tingnan natin ang datos tungkol sa mga lutuing rehiyonal upang maunawaan ang kanilang mga sangkap. -![Nagbebenta ng pagkaing Thai](../../../translated_images/thai-food.c47a7a7f9f05c21892a1f9dc7bf30669e6d18dfda420c5c7ebb4153f6a304edd.tl.jpg) +![Nagbebenta ng pagkaing Thai](../../../translated_images/thai-food.c47a7a7f9f05c218.tl.jpg) > Larawan ni Lisheng Chang sa Unsplash ## Ano ang iyong matututuhan diff --git a/translations/tl/5-Clustering/README.md b/translations/tl/5-Clustering/README.md index 90a8c301e..ffd348c01 100644 --- a/translations/tl/5-Clustering/README.md +++ b/translations/tl/5-Clustering/README.md @@ -15,7 +15,7 @@ Ang clustering ay isang gawain sa machine learning kung saan sinusubukan nitong Ang iba't ibang audience sa Nigeria ay may iba't ibang panlasa sa musika. Gamit ang datos na nakuha mula sa Spotify (inspirado ng [artikulong ito](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), tingnan natin ang ilang musikang sikat sa Nigeria. Ang dataset na ito ay naglalaman ng impormasyon tungkol sa iba't ibang kanta tulad ng 'danceability' score, 'acousticness', lakas ng tunog (loudness), 'speechiness', kasikatan (popularity), at enerhiya. Magiging interesante ang pagtuklas ng mga pattern sa datos na ito! -![Isang turntable](../../../translated_images/turntable.f2b86b13c53302dc106aa741de9dc96ac372864cf458dd6f879119857aab01da.tl.jpg) +![Isang turntable](../../../translated_images/turntable.f2b86b13c53302dc.tl.jpg) > Larawan ni Marcela Laskoski sa Unsplash diff --git a/translations/tl/6-NLP/README.md b/translations/tl/6-NLP/README.md index 3edbe2673..8138fdcf1 100644 --- a/translations/tl/6-NLP/README.md +++ b/translations/tl/6-NLP/README.md @@ -17,7 +17,7 @@ Sa bahaging ito ng kurikulum, ipakikilala sa iyo ang isa sa mga pinakalaganap na Sa mga araling ito, matututuhan natin ang mga pangunahing kaalaman sa NLP sa pamamagitan ng paggawa ng maliliit na conversational bots upang matutunan kung paano nakakatulong ang machine learning sa paggawa ng mga pag-uusap na mas 'matalino'. Maglalakbay ka pabalik sa nakaraan, makikipag-usap kina Elizabeth Bennett at Mr. Darcy mula sa klasikong nobela ni Jane Austen, **Pride and Prejudice**, na inilathala noong 1813. Pagkatapos, palalalimin mo pa ang iyong kaalaman sa pamamagitan ng pag-aaral tungkol sa sentiment analysis gamit ang mga review ng hotel sa Europa. -![Aklat ng Pride and Prejudice at tsaa](../../../translated_images/p&p.279f1c49ecd889419e4ce6206525e9aa30d32a976955cd24daa636c361c6391f.tl.jpg) +![Aklat ng Pride and Prejudice at tsaa](../../../translated_images/p&p.279f1c49ecd88941.tl.jpg) > Larawan ni Elaine Howlin sa Unsplash ## Mga Aralin diff --git a/translations/tl/7-TimeSeries/README.md b/translations/tl/7-TimeSeries/README.md index 1214f3699..97a7e7135 100644 --- a/translations/tl/7-TimeSeries/README.md +++ b/translations/tl/7-TimeSeries/README.md @@ -17,7 +17,7 @@ Sa dalawang araling ito, ipakikilala sa iyo ang pag-forecast ng time series, isa Ang ating pokus na rehiyon ay ang paggamit ng kuryente sa buong mundo, isang kawili-wiling dataset upang matutunan ang pag-forecast ng hinaharap na paggamit ng kuryente batay sa mga pattern ng nakaraang load. Makikita mo kung paano ang ganitong uri ng pag-forecast ay maaaring maging lubos na kapaki-pakinabang sa isang kapaligiran ng negosyo. -![electric grid](../../../translated_images/electric-grid.0c21d5214db09ffae93c06a87ca2abbb9ba7475ef815129c5b423d7f9a7cf136.tl.jpg) +![electric grid](../../../translated_images/electric-grid.0c21d5214db09ffa.tl.jpg) Larawan ni [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) ng mga electrical tower sa isang kalsada sa Rajasthan sa [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) diff --git a/translations/tl/8-Reinforcement/README.md b/translations/tl/8-Reinforcement/README.md index 1c5fc94f1..85f2f93d2 100644 --- a/translations/tl/8-Reinforcement/README.md +++ b/translations/tl/8-Reinforcement/README.md @@ -13,7 +13,7 @@ Ang reinforcement learning, RL, ay itinuturing bilang isa sa mga pangunahing par Isipin mo na mayroon kang isang simulated na kapaligiran tulad ng stock market. Ano ang mangyayari kung magpataw ka ng isang partikular na regulasyon? Magkakaroon ba ito ng positibo o negatibong epekto? Kung may negatibong mangyari, kailangan mong tanggapin ang _negative reinforcement_, matuto mula rito, at baguhin ang direksyon. Kung positibo ang resulta, kailangan mong palakasin ang _positive reinforcement_. -![peter and the wolf](../../../translated_images/peter.779730f9ba3a8a8d9290600dcf55f2e491c0640c785af7ac0d64f583c49b8864.tl.png) +![peter and the wolf](../../../translated_images/peter.779730f9ba3a8a8d.tl.png) > Si Peter at ang kanyang mga kaibigan ay kailangang tumakas mula sa gutom na lobo! Larawan ni [Jen Looper](https://twitter.com/jenlooper) diff --git a/translations/tl/9-Real-World/README.md b/translations/tl/9-Real-World/README.md index f5dc2375f..dfbea3d54 100644 --- a/translations/tl/9-Real-World/README.md +++ b/translations/tl/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Sa bahaging ito ng kurikulum, ipakikilala sa iyo ang ilang totoong aplikasyon ng klasikong ML. Nagsaliksik kami sa internet upang makahanap ng mga whitepaper at artikulo tungkol sa mga aplikasyon na gumamit ng mga estratehiyang ito, iniiwasan hangga't maaari ang neural networks, deep learning, at AI. Alamin kung paano ginagamit ang ML sa mga sistema ng negosyo, mga aplikasyon sa ekolohiya, pananalapi, sining at kultura, at marami pang iba. -![chess](../../../translated_images/chess.e704a268781bdad85d1876b6c2295742fa0d856e7dcf3659147052df9d3db205.tl.jpg) +![chess](../../../translated_images/chess.e704a268781bdad8.tl.jpg) > Larawan ni Alexis Fauvet sa Unsplash diff --git a/translations/tl/README.md b/translations/tl/README.md index 6fe24c49f..66dcbb9e9 100644 --- a/translations/tl/README.md +++ b/translations/tl/README.md @@ -1,8 +1,8 @@ -[Arabe](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgaryo](../bg/README.md) | [Burmes (Myanmar)](../my/README.md) | [Intsik (Pinasimple)](../zh/README.md) | [Intsik (Tradisyunal, Hong Kong)](../hk/README.md) | [Intsik (Tradisyunal, Macau)](../mo/README.md) | [Intsik (Tradisyunal, Taiwan)](../tw/README.md) | [Kroata](../hr/README.md) | [Tseko](../cs/README.md) | [Danish](../da/README.md) | [Olandes](../nl/README.md) | [Estonyano](../et/README.md) | [Finnish](../fi/README.md) | [Pranses](../fr/README.md) | [Aleman](../de/README.md) | [Griyego](../el/README.md) | [Hebreo](../he/README.md) | [Hindi](../hi/README.md) | [Hungaro](../hu/README.md) | [Indonesio](../id/README.md) | [Italyano](../it/README.md) | [Hapones](../ja/README.md) | [Kannada](../kn/README.md) | [Koreano](../ko/README.md) | [Lithuaniano](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Pidgin ng Nigeria](../pcm/README.md) | [Noruwego](../no/README.md) | [Persiano (Farsi)](../fa/README.md) | [Polako](../pl/README.md) | [Portuges (Brazil)](../br/README.md) | [Portuges (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romaniano](../ro/README.md) | [Ruso](../ru/README.md) | [Serbio (Ciriliko)](../sr/README.md) | [Slovako](../sk/README.md) | [Slovenyo](../sl/README.md) | [Espanyol](../es/README.md) | [Swahili](../sw/README.md) | [Suwedo](../sv/README.md) | [Tagalog (Filipino)](./README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turko](../tr/README.md) | [Ukrainiano](../uk/README.md) | [Urdu](../ur/README.md) | [Biyetname](../vi/README.md) +[Arabe](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgaro](../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) | [Kroatiyan](../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)](./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) #### Sumali sa Aming Komunidad -[![Discord ng Microsoft Foundry](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) -May kasalukuyang serye kami sa Discord na "Learn with AI", alamin pa at sumali sa amin sa [Serye na Matuto kasama ang AI](https://aka.ms/learnwithai/discord) mula 18 - 30 Setyembre, 2025. Makakakuha ka ng mga tip at trick sa paggamit ng GitHub Copilot para sa Data Science. +Mayroon kaming serye sa Discord na "Learn with AI" na nagpapatuloy—alamin pa at sumali sa amin sa [Learn with AI Series](https://aka.ms/learnwithai/discord) mula 18 - 30 Setyembre, 2025. Makakakuha ka ng mga tip at trick sa paggamit ng GitHub Copilot para sa Data Science. -![Serye na Matuto kasama ang AI](../../translated_images/3.9b58fd8d6c373c20c588c5070c4948a826ab074426c28ceb5889641294373dfc.tl.png) +![Serye ng Learn with AI](../../translated_images/3.9b58fd8d6c373c20.tl.png) # Machine Learning para sa mga Nagsisimula - Isang Kurikulum -> 🌍 Maglakbay sa buong mundo habang sinasaliksik natin ang Machine Learning sa pamamagitan ng mga kultura ng mundo 🌍 +> 🌍 Maglakbay sa paligid ng mundo habang tinutuklas natin ang Machine Learning sa pamamagitan ng mga kultura sa mundo 🌍 -Ang Cloud Advocates sa Microsoft ay natutuwa na mag-alok ng isang 12-linggong, 26-araling kurikulum tungkol sa **Machine Learning**. Sa kurikulung ito, matututuhan mo ang tinatawag minsan na **classic machine learning**, na pangunahing gumagamit ng Scikit-learn bilang isang library at iniiwasan ang deep learning, na sakop sa aming [AI for Beginners' curriculum](https://aka.ms/ai4beginners). Pagsamahin din ang mga leksyon na ito sa aming ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners). +Ang Cloud Advocates sa Microsoft ay natutuwa na mag-alok ng isang 12-linggong, 26-araling kurikulum na tungkol sa **Machine Learning**. Sa kurikulum na ito, matututuhan mo ang kung ano ang tinatawag minsan na **classic machine learning**, gamit pangunahin ang Scikit-learn bilang library at iniiwasan ang deep learning, na sakop sa aming [AI for Beginners' curriculum](https://aka.ms/ai4beginners). Pagsamahin din ang mga leksyon na ito sa aming ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners). -Maglakbay kasama namin sa buong mundo habang inaaplay namin ang mga klasikong teknik na ito sa datos mula sa maraming bahagi ng mundo. Bawat aralin ay may kasamang pre- at post-lesson quizzes, nakasulat na mga instruksiyon para tapusin ang aralin, isang solusyon, isang takdang-aralin, at iba pa. Ang aming pedagohiyang nakabatay sa proyekto ay nagpapahintulot sa iyo na matuto habang nagtatayo, isang napatunayang paraan para manatili ang mga bagong kasanayan. +Maglakbay kasama namin sa iba't ibang panig ng mundo habang inaaplay namin ang mga tradisyunal na teknik na ito sa data mula sa maraming lugar sa mundo. Bawat aralin ay may kasamang pre- at post-lesson quizzes, nakasulat na mga tagubilin para tapusin ang aralin, isang solusyon, isang takdang-aralin, at iba pa. Ang aming project-based na pedagogiya ay nagpapahintulot sa iyo na matuto habang nagtatayo, isang napatunayang paraan para manatili ang mga bagong kasanayan. -**✍️ Malugod na pasasalamat sa aming mga may-akda** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu at Amy Boyd +**✍️ Taos-pusong pasasalamat sa aming mga may-akda** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd -**🎨 Salamat din sa aming mga ilustrador** Tomomi Imura, Dasani Madipalli, at Jen Looper +**🎨 Pasasalamat din sa aming mga illustrator** Tomomi Imura, Dasani Madipalli, at Jen Looper -**🙏 Espesyal na pasasalamat 🙏 sa aming mga Microsoft Student Ambassador na mga may-akda, nag-review, at kontribyutor ng nilalaman**, partikular kina Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, at Snigdha Agarwal +**🙏 Espesyal na pasasalamat 🙏 sa aming mga Microsoft Student Ambassador na mga may-akda, reviewer, at kontribyutor ng nilalaman**, lalo na sina Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, at Snigdha Agarwal -**🤩 Karagdagang pasasalamat kina Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, at Vidushi Gupta para sa aming mga R na leksyon!** +**🤩 Dagdag na pasasalamat kina Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, at Vidushi Gupta para sa aming mga R na leksyon!** # Pagsisimula Sundin ang mga hakbang na ito: -1. **I-Fork ang Repository**: I-click ang pindutang "Fork" sa itaas-kanang sulok ng pahinang ito. -2. **I-Clone ang Repository**: `git clone https://github.com/microsoft/ML-For-Beginners.git` +1. **I-fork ang Repository**: I-click ang pindutang "Fork" sa kanang-itaas ng pahinang ito. +2. **I-clone ang Repository**: `git clone https://github.com/microsoft/ML-For-Beginners.git` -> [hanapin ang lahat ng karagdagang mapagkukunan para sa kursong ito sa aming koleksyon sa Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) +> [hanapin ang lahat ng karagdagang mga resources para sa kursong ito sa aming Microsoft Learn collection](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) -> 🔧 **Kailangan ng tulong?** Tingnan ang aming [Gabinete sa Pag-troubleshoot](TROUBLESHOOTING.md) para sa mga solusyon sa karaniwang isyu sa pag-install, setup, at pagpapatakbo ng mga aralin. +> 🔧 **Kailangan ng tulong?** Tingnan ang aming [Troubleshooting Guide](TROUBLESHOOTING.md) para sa mga solusyon sa karaniwang isyu sa pag-install, pagsasaayos, at pagpapatakbo ng mga leksyon. -**[Mga Mag-aaral](https://aka.ms/student-page)**, upang magamit ang kurikulum na ito, i-fork ang buong repo sa sarili mong GitHub account at tapusin ang mga pagsasanay nang mag-isa o kasama ng grupo: +**[Mga Estudyante](https://aka.ms/student-page)**, upang magamit ang kurikulum na ito, i-fork ang buong repo sa inyong sariling GitHub account at kumpletuhin ang mga ehersisyo nang mag-isa o kasama ng grupo: -- Magsimula sa isang pre-lecture na pagsusulit. -- Basahin ang lektura at kumpletuhin ang mga aktibidad, huminto at magmuni-muni sa bawat knowledge check. -- Subukang likhain ang mga proyekto sa pamamagitan ng pag-unawa sa mga aralin sa halip na patakbuhin agad ang solution code; gayunpaman ang code ay magagamit sa mga `/solution` na folder sa bawat araling nakabatay sa proyekto. -- Kumuha ng post-lecture na pagsusulit. +- Magsimula sa isang pre-lecture quiz. +- Basahin ang lektyur at kumpletuhin ang mga aktibidad, huminto at magnilay sa bawat knowledge check. +- Subukang likhain ang mga proyekto sa pamamagitan ng pagkaunawa sa mga aralin sa halip na direktang patakbuhin ang code ng solusyon; gayunpaman ang code na iyon ay makukuha sa mga `/solution` na folder sa bawat araling nakatuon sa proyekto. +- Kunan ang post-lecture quiz. - Kumpletuhin ang hamon. -- Tapusin ang takdang-aralin. -- Pagkatapos makumpleto ang isang grupo ng mga aralin, bisitahin ang [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) at "matuto nang malakas" sa pamamagitan ng pagpuno ng angkop na PAT rubric. Ang 'PAT' ay isang Progress Assessment Tool na isang rubric na pinupunan mo upang palalimin ang iyong pagkatuto. Maaari ka ring mag-react sa ibang mga PAT upang magkakasama tayong matuto. +- Kumpletuhin ang takdang-aralin. +- Pagkatapos makumpleto ang isang grupo ng mga aralin, bisitahin ang [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) at "mag-aral nang malakas" sa pamamagitan ng pagpuno ng angkop na PAT rubric. Ang 'PAT' ay isang Progress Assessment Tool na isang rubric na pinupunan mo upang higit pang paunlarin ang iyong pagkatuto. Maaari ka ring mag-react sa ibang mga PAT upang sabay-sabay tayong matuto. -> Para sa karagdagang pag-aaral, inirerekumenda naming sundan ang mga [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) na module at learning paths. +> Para sa karagdagang pag-aaral, inirerekomenda naming sundan ang mga [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) module at learning paths. -**Mga Guro**, may [nagdagdag kami ng ilang mungkahi](for-teachers.md) kung paano gamitin ang kurikulum na ito. +**Mga Guro**, naglagay kami ng [ilang mungkahi](for-teachers.md) kung paano gamitin ang kurikulum na ito. --- ## Mga walkthrough na video -Ang ilan sa mga aralin ay magagamit bilang maiikling video. Maaari mong makita ang lahat ng ito sa loob mismo ng mga aralin, o sa [ML for Beginners playlist sa Microsoft Developer YouTube channel](https://aka.ms/ml-beginners-videos) sa pamamagitan ng pag-click sa larawan sa ibaba. +Ang ilan sa mga leksyon ay available bilang maikling anyo ng video. Makikita mo ang lahat ng ito sa loob mismo ng mga leksyon, o sa [ML for Beginners playlist on the Microsoft Developer YouTube channel](https://aka.ms/ml-beginners-videos) sa pamamagitan ng pag-click sa larawan sa ibaba. -[![Banner ng ML para sa mga nagsisimula](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6251134294459696e070a3a9a04632e9fe6a24aa0de4a7384.tl.png)](https://aka.ms/ml-beginners-videos) +[![ML for beginners banner](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6.tl.png)](https://aka.ms/ml-beginners-videos) --- ## Kilalanin ang Koponan -[![Video promo](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) +[![Pampromosyong video](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) **Gif ni** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) -> 🎥 I-click ang larawan sa itaas para sa isang video tungkol sa proyekto at sa mga taong gumawa nito! +> 🎥 I-click ang larawang nasa itaas para sa isang video tungkol sa proyekto at sa mga taong lumikha nito! --- ## Pedagohiya -Pinili namin ang dalawang pedagogical tenet habang binubuo ang kurikulum na ito: siguraduhing ito ay hands-on **batay-sa-proyekto** at na kasama nito ang **madalas na pagsusulit**. Bilang karagdagan, ang kurikulum na ito ay may isang karaniwang **tema** upang bigyan ito ng kohesyon. +Pinili namin ang dalawang prinsipyo sa pagtuturo habang binubuo ang kurikulum na ito: tiyakin na ito ay hands-on at nakabatay sa proyekto (**project-based**) at na mayroon itong **madalas na mga pagsusulit**. Bilang karagdagan, ang kurikulum na ito ay may isang karaniwang **tema** upang magbigay ng pagkakaugnay-ugnay. -Sa pamamagitan ng pagtiyak na ang nilalaman ay naka-align sa mga proyekto, nagiging mas kaakit-akit ang proseso para sa mga estudyante at mapapalakas ang pag-retain ng mga konsepto. Bilang karagdagan, ang isang mababang-stakes na pagsusulit bago ang klase ay nagtatakda ng intensyon ng estudyante tungo sa pag-aaral ng isang paksa, habang ang isang pangalawang pagsusulit pagkatapos ng klase ay nagsisiguro ng karagdagang pag-retain. Ang kurikulum na ito ay idinisenyo upang maging flexible at masaya at maaaring kunin nang buo o bahagi-bahagi. Nagsisimula ang mga proyekto nang maliit at unti-unting kumplikado sa pagtatapos ng 12-linggong siklo. Kasama rin sa kurikulum na ito ang isang postscript tungkol sa mga aplikasyon ng ML sa totoong mundo, na maaaring gamitin bilang karagdagang kredito o bilang batayan para sa diskusyon. +Sa pamamagitan ng pagtiyak na ang nilalaman ay naka-align sa mga proyekto, nagiging mas kaakit-akit ang proseso para sa mga estudyante at mas napapaigting ang pag-alala ng mga konsepto. Bilang karagdagan, ang isang low-stakes quiz bago ang klase ay nagtatakda ng intensyon ng estudyante tungo sa pagkatuto ng isang paksa, habang ang pangalawang pagsusulit pagkatapos ng klase ay nagtutiyak ng karagdagang pag-alala. Ang kurikulum na ito ay idinisenyo upang maging flexible at masaya at maaaring kunin nang buo o kahit bahagya. Ang mga proyekto ay nagsisimula nang maliit at dahan-dahang nagiging mas kumplikado sa pagtatapos ng 12-linggong siklo. Kasama rin sa kurikulum na ito ang isang postscript tungkol sa mga aplikasyon ng ML sa totoong mundo, na maaaring gamitin bilang dagdag na kredito o bilang batayan para sa diskusyon. -> Hanapin ang aming [Kodigo ng Pag-uugali](CODE_OF_CONDUCT.md), [Kontribusyon](CONTRIBUTING.md), [Pagsasalin](TRANSLATIONS.md), at [Pag-troubleshoot](TROUBLESHOOTING.md) na mga alituntunin. Malugod naming tinatanggap ang iyong konstruktibong feedback! +> Hanapin ang aming [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md), at [Troubleshooting](TROUBLESHOOTING.md) na mga gabay. Malugod naming tinatanggap ang iyong konstruktibong puna! -## Kasama sa bawat aralin +## Bawat aralin ay may kasamang - opsyonal na sketchnote - opsyonal na karagdagang video -- video walkthrough (ilang aralin lamang) -- [pagsasanay na pagsusulit bago ang lektyur](https://ff-quizzes.netlify.app/en/ml/) +- video walkthrough (ilan lamang sa mga aralin) +- [paunang warmup na pagsusulit bago lektyur](https://ff-quizzes.netlify.app/en/ml/) - nakasulat na aralin -- para sa mga araling nakabatay-sa-proyekto, sunud-sunod na mga gabay kung paano itayo ang proyekto -- mga tseke ng kaalaman +- para sa mga araling nakabatay sa proyekto, mga gabay na hakbang-hakbang kung paano buuin ang proyekto +- mga tsek sa kaalaman - isang hamon - karagdagang babasahin - takdang-aralin - [pagsusulit pagkatapos ng lektyur](https://ff-quizzes.netlify.app/en/ml/) -> **Tala tungkol sa mga wika**: Ang mga araling ito ay pangunahing nakasulat sa Python, ngunit marami rin ang magagamit sa R. Upang kompletuhin ang isang R na aralin, pumunta sa `/solution` folder at hanapin ang mga araling R. May kasama itong isang .rmd extension na kumakatawan sa isang **R Markdown** file na maaaring simpleng tukuyin bilang isang pag-embed ng `code chunks` (ng R o iba pang mga wika) at isang `YAML header` (na gumagabay kung paano i-format ang mga output tulad ng PDF) sa isang `Markdown document`. Dahil dito, nagsisilbi itong isang halimbawa ng authoring framework para sa data science dahil pinapayagan ka nitong pagsamahin ang iyong code, ang output nito, at ang iyong mga naiisip sa pamamagitan ng pagsulat ng mga ito sa Markdown. Bukod pa rito, ang mga R Markdown na dokumento ay maaaring i-render sa mga output na format tulad ng PDF, HTML, o Word. +> **Isang paalala tungkol sa mga wika**: Pangunahin na nakasulat ang mga leksyon na ito sa Python, ngunit marami rin ang available sa R. Upang kumpletuhin ang isang R na leksyon, pumunta sa `/solution` folder at hanapin ang mga R na leksyon. Sila ay may extension na .rmd na kumakatawan sa isang **R Markdown** file na maaaring simpleng ilarawan bilang isang pagsasanib ng `code chunks` (ng R o iba pang mga wika) at isang `YAML header` (na gumagabay kung paano i-format ang mga output tulad ng PDF) sa isang `Markdown document`. Bilang ganoon, nagsisilbi itong isang halimbawa ng framework sa pag-author para sa data science dahil pinapayagan kang pagsamahin ang iyong code, ang output nito, at ang iyong mga ideya sa pamamagitan ng pagsusulat ng mga ito sa Markdown. Higit pa rito, ang mga dokumentong R Markdown ay maaaring i-render sa mga output format tulad ng PDF, HTML, o Word. -> **Tala tungkol sa mga pagsusulit**: Lahat ng pagsusulit ay nasa loob ng [Quiz App folder](../../quiz-app), para sa kabuuang 52 pagsusulit na may tig-3 tanong bawat isa. Nakakabit ang mga ito mula sa loob ng mga aralin ngunit ang quiz app ay maaaring patakbuhin nang lokal; sundin ang mga instruksiyon sa `quiz-app` folder para i-host nang lokal o i-deploy sa Azure. +> **Isang paalala tungkol sa mga pagsusulit**: Lahat ng pagsusulit ay nasa [Quiz App folder](../../quiz-app), para sa kabuuang 52 na pagsusulit na may tig-3 tanong bawat isa. Nakalink ang mga ito mula sa loob ng mga leksyon ngunit ang quiz app ay maaaring patakbuhin nang lokal; sundin ang mga tagubilin sa `quiz-app` folder upang i-host nang lokal o i-deploy sa Azure. -| Bilang ng Aralin | Paksa | Pangkat ng Aralin | Mga Layunin sa Pagkatuto | Nakakabit na Aralin | May-akda | +| Numero ng Aralin | Paksa | Pag-uuri ng Aralin | Mga Layunin sa Pagkatuto | Naka-link na Aralin | May-Akda | | :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | -| 01 | Panimula sa machine learning | [Panimula](1-Introduction/README.md) | Alamin ang mga pangunahing konsepto sa likod ng machine learning | [Aralin](1-Introduction/1-intro-to-ML/README.md) | Muhammad | -| 02 | Kasaysayan ng machine learning | [Panimula](1-Introduction/README.md) | Alamin ang kasaysayan sa likod ng larangang ito | [Aralin](1-Introduction/2-history-of-ML/README.md) | Jen and Amy | -| 03 | Katarungan at machine learning | [Panimula](1-Introduction/README.md) | Ano ang mahahalagang pilosopikal na isyu tungkol sa katarungan na dapat isaalang-alang ng mga estudyante kapag nagtatayo at nag-aaplay ng mga modelo ng ML? | [Aralin](1-Introduction/3-fairness/README.md) | Tomomi | -| 04 | Mga Teknik para sa machine learning | [Panimula](1-Introduction/README.md) | Anong mga teknik ang ginagamit ng mga mananaliksik sa ML upang bumuo ng mga modelo ng ML? | [Aralin](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen | -| 05 | Panimula sa regresyon | [Regresyon](2-Regression/README.md) | Magsimula sa Python at Scikit-learn para sa mga modelong regresyon | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | -| 06 | Mga presyo ng kalabasa sa Hilagang Amerika 🎃 | [Regresyon](2-Regression/README.md) | I-visualize at linisin ang data bilang paghahanda para sa ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | -| 07 | Mga presyo ng kalabasa sa Hilagang Amerika 🎃 | [Regresyon](2-Regression/README.md) | Bumuo ng linear at polynomial na mga modelo ng regresyon | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau | -| 08 | Mga presyo ng kalabasa sa Hilagang Amerika 🎃 | [Regresyon](2-Regression/README.md) | Bumuo ng logistic regression na modelo | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | -| 09 | Isang Web App 🔌 | [Web App](3-Web-App/README.md) | Bumuo ng web app para gamitin ang iyong na-train na modelo | [Python](3-Web-App/1-Web-App/README.md) | Jen | -| 10 | Panimula sa klasipikasyon | [Klasipikasyon](4-Classification/README.md) | Linisin, ihanda, at i-visualize ang iyong data; panimula sa klasipikasyon | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau | -| 11 | Masasarap na lutuing Asyano at Indian 🍜 | [Klasipikasyon](4-Classification/README.md) | Panimula sa mga classifier | [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 | Masasarap na lutuing Asyano at Indian 🍜 | [Klasipikasyon](4-Classification/README.md) | Higit pang mga classifier | [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 | Masasarap na lutuing Asyano at Indian 🍜 | [Klasipikasyon](4-Classification/README.md) | Bumuo ng recommender web app gamit ang iyong modelo | [Python](4-Classification/4-Applied/README.md) | Jen | -| 14 | Panimula sa clustering | [Pag-clustering](5-Clustering/README.md) | Linisin, ihanda, at i-visualize ang iyong data; Panimula sa clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | -| 15 | Pagsusuri sa Mga Panlasa sa Musika ng Nigeria 🎧 | [Pag-clustering](5-Clustering/README.md) | Suriin ang pamamaraang K-Means clustering | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | -| 16 | Panimula sa pagpoproseso ng natural na wika ☕️ | [Pagpoproseso ng natural na wika](6-NLP/README.md) | Alamin ang mga batayan ng NLP sa pamamagitan ng pagbuo ng isang simpleng bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | -| 17 | Karaniwang Mga Gawain sa NLP ☕️ | [Pagpoproseso ng natural na wika](6-NLP/README.md) | Palalimin ang iyong kaalaman sa NLP sa pamamagitan ng pag-unawa sa mga karaniwang gawain na kinakailangan kapag humaharap sa mga estruktura ng wika | [Python](6-NLP/2-Tasks/README.md) | Stephen | -| 18 | Pagsasalin at pagsusuri ng damdamin ♥️ | [Pagpoproseso ng natural na wika](6-NLP/README.md) | Pagsasalin at pagsusuri ng damdamin gamit si Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | -| 19 | Mga romantikong hotel sa Europa ♥️ | [Pagpoproseso ng natural na wika](6-NLP/README.md) | Pagsusuri ng damdamin gamit mga review ng hotel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | -| 20 | Mga romantikong hotel sa Europa ♥️ | [Pagpoproseso ng natural na wika](6-NLP/README.md) | Pagsusuri ng damdamin gamit mga review ng hotel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | -| 21 | Panimula sa forecasting ng serye ng oras | [Serye ng Oras](7-TimeSeries/README.md) | Panimula sa forecasting ng serye ng oras | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | -| 22 | ⚡️ World Power Usage ⚡️ - time series forecasting with ARIMA | [Serye ng Oras](7-TimeSeries/README.md) | Time series forecasting gamit ang ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | -| 23 | ⚡️ World Power Usage ⚡️ - time series forecasting with SVR | [Serye ng Oras](7-TimeSeries/README.md) | Time series forecasting gamit ang Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | -| 24 | Panimula sa reinforcement learning | [Pinatibay na Pagkatuto](8-Reinforcement/README.md) | Panimula sa reinforcement learning gamit ang Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | -| 25 | Tulungan si Peter iwasan ang lobo! 🐺 | [Pinatibay na Pagkatuto](8-Reinforcement/README.md) | Reinforcement learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | -| Postscript | Mga senaryo at aplikasyon ng ML sa totoong mundo | [ML sa Tunay na Mundo](9-Real-World/README.md) | Kawili-wili at nakakabunyag na mga aplikasyon sa totoong mundo ng klasikal na ML | [Aralin](9-Real-World/1-Applications/README.md) | Koponan | -| Postscript | Pag-debug ng modelo sa ML gamit ang RAI dashboard | [ML sa Tunay na Mundo](9-Real-World/README.md) | Pag-debug ng Modelo sa Machine Learning gamit ang mga bahagi ng Responsible AI dashboard | [Aralin](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | +| 01 | Panimula sa machine learning | [Panimula](1-Introduction/README.md) | Matutunan ang mga pangunahing konsepto sa likod ng machine learning | [Aralin](1-Introduction/1-intro-to-ML/README.md) | Muhammad | +| 02 | Kasaysayan ng machine learning | [Panimula](1-Introduction/README.md) | Matutunan ang kasaysayan sa likod ng larangang ito | [Aralin](1-Introduction/2-history-of-ML/README.md) | Jen and Amy | +| 03 | Katarungan at machine learning | [Panimula](1-Introduction/README.md) | Ano ang mga mahahalagang pilosopikal na isyu tungkol sa katarungan na dapat isaalang-alang ng mga estudyante kapag bumubuo at nag-aaplay ng mga modelo ng ML? | [Aralin](1-Introduction/3-fairness/README.md) | Tomomi | +| 04 | Mga Teknik para sa machine learning | [Panimula](1-Introduction/README.md) | Anong mga teknik ang ginagamit ng mga mananaliksik ng ML para bumuo ng mga modelo? | [Aralin](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen | +| 05 | Panimula sa regresyon | [Regresyon](2-Regression/README.md) | Magsimula sa Python at Scikit-learn para sa mga modelo ng regresyon | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | +| 06 | Presyo ng kalabasa sa Hilagang Amerika 🎃 | [Regresyon](2-Regression/README.md) | I-visualize at linisin ang datos bilang paghahanda para sa ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | +| 07 | Presyo ng kalabasa sa Hilagang Amerika 🎃 | [Regresyon](2-Regression/README.md) | Bumuo ng linear at polynomial na mga modelo ng regresyon | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau | +| 08 | Presyo ng kalabasa sa Hilagang Amerika 🎃 | [Regresyon](2-Regression/README.md) | Bumuo ng isang logistic regression na modelo | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | +| 09 | Isang Web App 🔌 | [Web App](3-Web-App/README.md) | Bumuo ng web app para gamitin ang iyong sinanay na modelo | [Python](3-Web-App/1-Web-App/README.md) | Jen | +| 10 | Panimula sa klasipikasyon | [Klasipikasyon](4-Classification/README.md) | Linisin, ihanda, at i-visualize ang iyong datos; panimula sa klasipikasyon | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau | +| 11 | Masasarap na pagkaing Asyano at Indiano 🍜 | [Klasipikasyon](4-Classification/README.md) | Panimula sa mga classifier | [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 | Masasarap na pagkaing Asyano at Indiano 🍜 | [Klasipikasyon](4-Classification/README.md) | Higit pang mga classifier | [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 | Masasarap na pagkaing Asyano at Indiano 🍜 | [Klasipikasyon](4-Classification/README.md) | Bumuo ng recommender web app gamit ang iyong modelo | [Python](4-Classification/4-Applied/README.md) | Jen | +| 14 | Panimula sa clustering | [Clustering](5-Clustering/README.md) | Linisin, ihanda, at i-visualize ang iyong datos; panimula sa clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | +| 15 | Pagtuklas sa mga Panlasa sa Musika ng Nigeria 🎧 | [Clustering](5-Clustering/README.md) | Suriin ang paraan ng K-Means clustering | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | +| 16 | Panimula sa natural language processing ☕️ | [Natural language processing](6-NLP/README.md) | Matutunan ang mga pangunahing kaalaman sa NLP sa pamamagitan ng pagbuo ng isang simpleng bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | +| 17 | Mga Karaniwang Gawain sa NLP ☕️ | [Natural language processing](6-NLP/README.md) | Palalimin ang iyong kaalaman sa NLP sa pamamagitan ng pag-unawa sa mga karaniwang gawain na kailangan kapag humaharap sa mga istruktura ng wika | [Python](6-NLP/2-Tasks/README.md) | Stephen | +| 18 | Pagsasalin at sentiment analysis ♥️ | [Natural language processing](6-NLP/README.md) | Pagsasalin at pagsusuri ng damdamin gamit si Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | +| 19 | Mga romantikong hotel sa Europa ♥️ | [Natural language processing](6-NLP/README.md) | Pagsusuri ng damdamin gamit ang mga review ng hotel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | +| 20 | Mga romantikong hotel sa Europa ♥️ | [Natural language processing](6-NLP/README.md) | Pagsusuri ng damdamin gamit ang mga review ng hotel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | +| 21 | Panimula sa time series forecasting | [Time series](7-TimeSeries/README.md) | Panimula sa time series forecasting | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | +| 22 | ⚡️ Paggamit ng Kuryente sa Mundo ⚡️ - time series forecasting with ARIMA | [Time series](7-TimeSeries/README.md) | Pagtataya ng time series gamit ang ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | +| 23 | ⚡️ Paggamit ng Kuryente sa Mundo ⚡️ - time series forecasting with SVR | [Time series](7-TimeSeries/README.md) | Pagtataya ng time series gamit ang Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | +| 24 | Panimula sa reinforcement learning | [Reinforcement learning](8-Reinforcement/README.md) | Panimula sa reinforcement learning gamit ang Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | +| 25 | Tulungan si Peter iwasan ang lobo! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Reinforcement learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | +| Postscript | Mga totoong sitwasyon at aplikasyon ng ML | [ML in the Wild](9-Real-World/README.md) | Mga kawili-wili at nagsisilbing paglalarawan na aplikasyon sa totoong mundo ng klasikong ML | [Aralin](9-Real-World/1-Applications/README.md) | Koponan | +| Postscript | Pag-debug ng Modelo sa ML gamit ang RAI dashboard | [ML in the Wild](9-Real-World/README.md) | Pag-debug ng Modelo sa Machine Learning gamit ang mga komponent ng Responsible AI dashboard | [Aralin](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | > [hanapin ang lahat ng karagdagang mapagkukunan para sa kursong ito sa aming koleksyon ng Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) -## Pag-access nang offline +## Offline na pag-access -Maaari mong patakbuhin ang dokumentasyong ito nang offline gamit ang [Docsify](https://docsify.js.org/#/). I-fork ang repo na ito, [i-install ang Docsify](https://docsify.js.org/#/quickstart) sa iyong lokal na makina, at pagkatapos sa root na folder ng repo na ito, i-type ang `docsify serve`. Ihahain ang website sa port 3000 sa iyong localhost: `localhost:3000`. +Maaari mong patakbuhin ang dokumentasyong ito nang offline gamit ang [Docsify](https://docsify.js.org/#/). I-fork ang repo na ito, [i-install ang Docsify](https://docsify.js.org/#/quickstart) sa iyong lokal na makina, at pagkatapos ay sa root na folder ng repo na ito, i-type `docsify serve`. Ang website ay ihahain sa port na 3000 sa iyong localhost: `localhost:3000`. ## Mga PDF -Makikita ang PDF ng kurikulum na may mga link [dito](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf). +Makakahanap ng pdf ng kurikulum na may mga link [dito](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf). -## 🎒 Iba pang Mga Kurso +## 🎒 Iba pang Kurso Ang aming koponan ay gumagawa ng iba pang mga kurso! Tingnan: @@ -180,15 +180,15 @@ Ang aming koponan ay gumagawa ng iba pang mga kurso! Tingnan: --- -### Serye ng Generative AI +### Series ng Generative AI [![Generative AI para sa mga Nagsisimula](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) -[![Generatibong 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) -[![Generatibong 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) +[![Generative 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) +[![Generative 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) --- -### Pangunahing Pagkatuto +### Pangunahing Pag-aaral [![ML para sa mga Nagsisimula](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 para sa mga Nagsisimula](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 para sa mga Nagsisimula](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) @@ -207,17 +207,17 @@ Ang aming koponan ay gumagawa ng iba pang mga kurso! Tingnan: ## Pagkuha ng Tulong -Kung maipit ka o may mga katanungan tungkol sa paggawa ng mga AI app. Sumali sa mga kapwa nag-aaral at mga may karanasang developer sa mga talakayan tungkol sa MCP. Ito ay isang sumusuportang komunidad kung saan malugod ang mga tanong at malayang ibinabahagi ang kaalaman. +Kung ma-stuck ka o may anumang mga tanong tungkol sa paggawa ng mga AI app. Sumali sa kapwa mga nag-aaral at mga bihasang developer sa mga talakayan tungkol sa MCP. Ito ay isang suportadong komunidad kung saan malugod ang mga tanong at malayang ibinabahagi ang kaalaman. -[![Discord ng Microsoft Foundry](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) -Kung mayroon kang puna tungkol sa produkto o mga error habang nagtatayo, bisitahin: +Kung mayroon kang feedback tungkol sa produkto o mga error habang nagtatayo, bisitahin: -[![Forum ng Microsoft Foundry para sa Mga Developer](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) --- Paunawa: -Ang dokumentong ito ay isinalin gamit ang AI na serbisyo ng pagsasalin [Co-op Translator](https://github.com/Azure/co-op-translator). Bagaman nagsusumikap kami para sa katumpakan, pakitandaan na ang mga awtomatikong salin ay maaaring maglaman ng mga pagkakamali o hindi tumpak na pahayag. Ang orihinal na dokumento sa orihinal nitong wika ang dapat ituring na may awtoridad. Para sa mahahalagang impormasyon, inirerekomenda ang propesyonal na pagsasaling ginawa ng tao. Hindi kami mananagutan sa anumang hindi pagkakaunawaan o maling pagbibigay-kahulugan na maaaring magmula sa paggamit ng salin na ito. +Isinalin ang dokumentong ito gamit ang AI na serbisyo sa pagsasalin na [Co-op Translator](https://github.com/Azure/co-op-translator). Bagaman nagsusumikap kami para sa kawastuhan, pakatandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o kamalian. Ang orihinal na dokumento sa orihinal nitong wika ang dapat ituring na pangunahing pinagmumulan. Para sa mahahalagang impormasyon, inirerekomenda ang propesyonal na pagsasaling-tao. Hindi kami mananagot para sa anumang hindi pagkakaunawaan o maling interpretasyon na maaaring magmula sa paggamit ng pagsasaling ito. \ No newline at end of file diff --git a/translations/tr/README.md b/translations/tr/README.md index e742cfc07..0a4661c37 100644 --- a/translations/tr/README.md +++ b/translations/tr/README.md @@ -1,55 +1,53 @@ [![GitHub lisansı](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) [![GitHub katkıda bulunanlar](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) -[![GitHub sorunlar](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) +[![GitHub sorunları](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) [![GitHub çekme istekleri](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) -[![PR'lere Açık](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) +[![PR'ler Hoş Geldiniz](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 izleyiciler](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) +[![GitHub izleyicileri](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) [![GitHub fork'ları](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/) [![GitHub yıldızları](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) ### 🌐 Çok Dilli Destek -#### GitHub Action ile desteklenir (Otomatik & Her Zaman Güncel) +#### GitHub Action ile desteklenir (Otomatik ve Her Zaman Güncel) -[Arapça](../ar/README.md) | [Bengalce](../bn/README.md) | [Bulgarca](../bg/README.md) | [Burmaca (Myanmar)](../my/README.md) | [Çince (Basitleştirilmiş)](../zh/README.md) | [Çince (Geleneksel, Hong Kong)](../hk/README.md) | [Çince (Geleneksel, Makao)](../mo/README.md) | [Çince (Geleneksel, Tayvan)](../tw/README.md) | [Hırvatça](../hr/README.md) | [Çekçe](../cs/README.md) | [Danca](../da/README.md) | [Hollandaca](../nl/README.md) | [Estonca](../et/README.md) | [Fince](../fi/README.md) | [Fransızca](../fr/README.md) | [Almanca](../de/README.md) | [Yunanca](../el/README.md) | [İbranice](../he/README.md) | [Hintçe](../hi/README.md) | [Macarca](../hu/README.md) | [Endonezce](../id/README.md) | [İtalyanca](../it/README.md) | [Japonca](../ja/README.md) | [Kannada](../kn/README.md) | [Korece](../ko/README.md) | [Litvanca](../lt/README.md) | [Malayca](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepalce](../ne/README.md) | [Nijerya Pidgini](../pcm/README.md) | [Norveççe](../no/README.md) | [Farsça (Farsi)](../fa/README.md) | [Lehçe](../pl/README.md) | [Portekizce (Brezilya)](../br/README.md) | [Portekizce (Portekiz)](../pt/README.md) | [Pencapça (Gurmukhi)](../pa/README.md) | [Romence](../ro/README.md) | [Rusça](../ru/README.md) | [Sırpça (Kiril)](../sr/README.md) | [Slovakça](../sk/README.md) | [Slovence](../sl/README.md) | [İspanyolca](../es/README.md) | [Svahili](../sw/README.md) | [İsveççe](../sv/README.md) | [Tagalog (Filipince)](../tl/README.md) | [Tamilce](../ta/README.md) | [Telugu](../te/README.md) | [Tayca](../th/README.md) | [Türkçe](./README.md) | [Ukraynaca](../uk/README.md) | [Urduca](../ur/README.md) | [Vietnamca](../vi/README.md) +[Arapça](../ar/README.md) | [Bengalce](../bn/README.md) | [Bulgarca](../bg/README.md) | [Birmence (Myanmar)](../my/README.md) | [Çince (Basitleştirilmiş)](../zh/README.md) | [Çince (Geleneksel, Hong Kong)](../hk/README.md) | [Çince (Geleneksel, Makao)](../mo/README.md) | [Çince (Geleneksel, Tayvan)](../tw/README.md) | [Hırvatça](../hr/README.md) | [Çekçe](../cs/README.md) | [Danca](../da/README.md) | [Flemenkçe](../nl/README.md) | [Estonca](../et/README.md) | [Fince](../fi/README.md) | [Fransızca](../fr/README.md) | [Almanca](../de/README.md) | [Yunanca](../el/README.md) | [İbranice](../he/README.md) | [Hintçe](../hi/README.md) | [Macarca](../hu/README.md) | [Endonezce](../id/README.md) | [İtalyanca](../it/README.md) | [Japonca](../ja/README.md) | [Kannada](../kn/README.md) | [Korece](../ko/README.md) | [Litvanca](../lt/README.md) | [Malayca](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepalce](../ne/README.md) | [Nijerya Pidgincesi](../pcm/README.md) | [Norveççe](../no/README.md) | [Farsça (Farsi)](../fa/README.md) | [Lehçe](../pl/README.md) | [Portekizce (Brezilya)](../br/README.md) | [Portekizce (Portekiz)](../pt/README.md) | [Pencapça (Gurmukhi)](../pa/README.md) | [Romence](../ro/README.md) | [Rusça](../ru/README.md) | [Sırpça (Kiril)](../sr/README.md) | [Slovakça](../sk/README.md) | [Slovence](../sl/README.md) | [İspanyolca](../es/README.md) | [Svahili](../sw/README.md) | [İsveççe](../sv/README.md) | [Tagalog (Filipince)](../tl/README.md) | [Tamilce](../ta/README.md) | [Telugu](../te/README.md) | [Tayca](../th/README.md) | [Türkçe](./README.md) | [Ukraynaca](../uk/README.md) | [Urduca](../ur/README.md) | [Vietnamca](../vi/README.md) #### Topluluğumuza Katılın [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -Discord'da devam eden bir AI ile Öğrenme serimiz var; daha fazla bilgi edinmek ve 18 - 30 Eylül 2025 tarihleri arasında bize katılmak için [AI ile Öğrenme Serisi](https://aka.ms/learnwithai/discord) bağlantısına tıklayın. Veri Bilimi için GitHub Copilot kullanımıyla ilgili ipuçları ve püf noktaları edineceksiniz. +Discord üzerinde devam eden bir AI ile öğrenme serimiz var; daha fazlasını öğrenin ve 18 - 30 September, 2025 tarihlerinde bize katılın: [AI ile Öğrenme Serisi](https://aka.ms/learnwithai/discord). Veri Bilimi için GitHub Copilot kullanımıyla ilgili ipuçları ve püf noktaları alacaksınız. -![AI ile Öğrenme serisi](../../translated_images/3.9b58fd8d6c373c20c588c5070c4948a826ab074426c28ceb5889641294373dfc.tr.png) +![AI ile Öğrenme serisi](../../translated_images/3.9b58fd8d6c373c20.tr.png) -# Yeni Başlayanlar için Makine Öğrenimi - Bir Müfredat +# Başlangıç İçin Makine Öğrenimi - Bir Müfredat -> 🌍 Dünya kültürleri aracılığıyla Makine Öğrenimini keşfederken dünyayı gezin 🌍 +> 🌍 Dünya kültürleri aracılığıyla Makine Öğrenimini keşfederken dünya çapında seyahat edin 🌍 -Microsoft Bulut Savunucuları, tamamen **Makine Öğrenimi** üzerine 12 haftalık, 26 derslik bir müfredat sunmaktan memnuniyet duyar. Bu müfredatta çoğunlukla Scikit-learn kütüphanesini kullanarak ve derin öğrenmeyi (derin öğrenme, bizim [Yeni Başlayanlar için AI müfredatımızda](https://aka.ms/ai4beginners) ele alınmıştır) atlayarak bazen "klasik makine öğrenimi" olarak adlandırılan konuları öğreneceksiniz. Bu dersleri ayrıca ['Veri Bilimi Yeni Başlayanlar' müfredatı](https://aka.ms/ds4beginners) ile eşleştirerek de alabilirsiniz. +Microsoft Bulut Savunucuları, **Makine Öğrenimi** hakkında 12 haftalık, 26 derslik bir müfredat sunmaktan memnuniyet duyar. Bu müfredatta, genellikle bir kütüphane olarak Scikit-learn kullanılarak ve derin öğrenmeden kaçınılarak bazen "klasik makine öğrenimi" olarak adlandırılan konuları öğreneceksiniz; derin öğrenme, [AI for Beginners' curriculum](https://aka.ms/ai4beginners) içinde ele alınmıştır. Bu dersleri ayrıca ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) ile eşleştirin! -Dünya çapındaki veriler üzerinde bu klasik teknikleri uygularak bizimle birlikte seyahat edin. Her ders, ders öncesi ve ders sonrası kısa sınavlar, dersi tamamlamak için yazılı talimatlar, bir çözüm, bir ödev ve daha fazlasını içerir. Proje tabanlı pedagojimiz, yeni becerilerin "kalıcı" olmasını sağlayan kanıtlanmış bir yöntem olarak, öğrencilerin inşa ederken öğrenmesine olanak tanır. +Bu klasik teknikleri dünyanın birçok bölgesinden gelen veriler üzerinde uygularken bizimle dünyayı gezin. Her ders öncesi ve sonrası kısa sınavlar, dersin tamamlanması için yazılı talimatlar, bir çözüm, bir ödev ve daha fazlasını içerir. Proje tabanlı pedagojimiz, oluştururken öğrenmenizi sağlar; yeni becerilerin 'kalıcı' olmasını sağlayan kanıtlanmış bir yoldur. -**✍️ Yazarlarımıza içten teşekkürlerimiz** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ve Amy Boyd +**✍️ Yazarlarımıza içten teşekkürler** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ve Amy Boyd **🎨 İllüstratörlerimize de teşekkürler** Tomomi Imura, Dasani Madipalli ve Jen Looper -**🙏 Özel teşekkürler 🙏 Microsoft Öğrenci Elçisi yazarlarımıza, gözden geçiricilere ve içerik katkıda bulunanlara**, özellikle Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ve Snigdha Agarwal +**🙏 Özel teşekkürler 🙏 Microsoft Student Ambassador yazarlarımıza, inceleyicilerimize ve içerik katkıda bulunanlarımıza**, özellikle Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ve Snigdha Agarwal -**🤩 R derslerimiz için Microsoft Öğrenci Elçileri Eric Wanjau, Jasleen Sondhi ve Vidushi Gupta'ya ekstra teşekkürler!** +**🤩 R derslerimiz için Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi ve Vidushi Gupta'ya ekstra teşekkürler!** # Başlarken @@ -59,108 +57,108 @@ Bu adımları izleyin: > [Bu kurs için tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) -> 🔧 **Yardıma mı ihtiyacınız var?** Kurulum, ayar ve dersleri çalıştırmayla ilgili yaygın sorunların çözümleri için [Sorun Giderme Rehberimize](TROUBLESHOOTING.md) bakın. +> 🔧 **Yardıma mı ihtiyacınız var?** Kurulum, yapılandırma ve dersleri çalıştırmayla ilgili yaygın sorunlar için [Sorun Giderme Rehberimizi](TROUBLESHOOTING.md) kontrol edin. -**[Öğrenciler](https://aka.ms/student-page)**, bu müfredatı kullanmak için, tüm depoyu kendi GitHub hesabınıza fork'layın ve egzersizleri kendi başınıza veya bir grupla tamamlayın: +**[Öğrenciler](https://aka.ms/student-page)**, bu müfredatı kullanmak için tüm repo'yu kendi GitHub hesabınıza fork'layın ve alıştırmaları kendi başınıza veya bir grupla tamamlayın: - Ders öncesi kısa sınavla başlayın. -- Dersi okuyun ve etkinlikleri tamamlayın; her bilgi kontrolünde durup düşünün. +- Dersi okuyun ve her bilgi kontrolünde durup düşünerek etkinlikleri tamamlayın. - Çözüm kodunu çalıştırmaktan ziyade dersleri anlayarak projeleri oluşturmaya çalışın; ancak bu kod her proje odaklı dersin `/solution` klasöründe mevcuttur. -- Ders sonrası sınavı yapın. +- Ders sonrası kısa sınavı yapın. - Meydan okumayı tamamlayın. - Ödevi tamamlayın. -- Bir ders grubunu tamamladıktan sonra [Tartışma Panosu](https://github.com/microsoft/ML-For-Beginners/discussions)nu ziyaret edin ve uygun PAT rubriğini doldurarak öğrendiklerinizi paylaşın. 'PAT', öğreniminizi ilerletmek için doldurduğunuz bir İlerleme Değerlendirme Aracıdır. Ayrıca birlikte öğrenebilmemiz için diğer PAT'lere tepki verebilirsiniz. +- Bir ders grubunu tamamladıktan sonra [Tartışma Panosu](https://github.com/microsoft/ML-For-Beginners/discussions)'nu ziyaret edin ve uygun PAT değerlendirme formunu doldurarak "yüksek sesle öğrenin". 'PAT', öğreniminizi ilerletmek için doldurduğunuz bir İlerleme Değerlendirme Aracı (Progress Assessment Tool) olan bir derecelendirme formudur. Birlikte öğrenebilmemiz için diğer PAT'lere de tepki verebilirsiniz. -> İleri çalışmalar için bu [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modüllerini ve öğrenme yollarını takip etmenizi öneririz. +> İleri çalışma için bu [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modüllerini ve öğrenme yollarını takip etmenizi öneririz. -**Öğretmenler**, bu müfredatı nasıl kullanacağınıza dair [bazı öneriler ekledik](for-teachers.md). +**Öğretmenler**, bu müfredatı nasıl kullanacağınıza dair bazı önerileri [içeriyoruz](for-teachers.md). --- ## Video anlatımları -Bazı dersler kısa formatlı video olarak mevcuttur. Bunların tümünü derslerin içinde bulabilir veya aşağıdaki resme tıklayarak [Microsoft Developer YouTube kanalındaki 'ML for Beginners' oynatma listesinde](https://aka.ms/ml-beginners-videos) bulabilirsiniz. +Bazı dersler kısa format video olarak mevcuttur. Bunların tamamını derslerin içinde bulabilirsiniz ya da aşağıdaki görseli tıklayarak [Microsoft Developer YouTube kanalındaki ML for Beginners oynatma listesinde](https://aka.ms/ml-beginners-videos) izleyebilirsiniz. -[![ML for Beginners afişi](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6251134294459696e070a3a9a04632e9fe6a24aa0de4a7384.tr.png)](https://aka.ms/ml-beginners-videos) +[![ML için başlangıç afişi](../../translated_images/ml-for-beginners-video-banner.63f694a100034bc6.tr.png)](https://aka.ms/ml-beginners-videos) --- -## Ekip ile Tanışın +## Ekiple Tanışın [![Tanıtım videosu](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) -**Gif yapan** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) +**Gif tarafından** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) -> 🎥 Proje ve onu yaratan kişiler hakkında bir video için yukarıdaki resme tıklayın! +> 🎥 Proje ve yaratan kişiler hakkında bir video için yukarıdaki görsele tıklayın! --- -## Öğretim Yaklaşımı +## Pedagoji -Bu müfredatı oluştururken iki pedagojik ilke seçtik: içeriğin el ile uygulanabilir olması için **proje tabanlı** olması ve **sık kısa sınavlar** içermesi. Buna ek olarak, bu müfredatın bir bütünlük sağlaması için ortak bir **tema**sı vardır. +Bu müfredatı oluştururken iki pedagojik ilke seçtik: uygulamalı ve proje tabanlı olmasını sağlamak ve içinde sık sık kısa sınavlar bulundurmak. Ayrıca, bu müfredatın bütünlüğünü sağlamak için ortak bir **tema** içerir. -İçeriğin projelerle uyumlu olmasını sağlayarak süreç öğrenciler için daha ilgi çekici hale gelir ve kavramların kalıcılığı artırılır. Ayrıca, sınıf öncesi düşük riskli bir kısa sınav öğrencinin öğrenme niyetini belirlerken, sınıf sonrası ikinci bir sınav daha fazla kalıcılık sağlar. Bu müfredat esnek ve eğlenceli olacak şekilde tasarlanmıştır ve tamamı ya da bir kısmı alınabilir. Projeler küçük başlayıp 12 haftalık döngünün sonunda giderek daha karmaşık hale gelir. Bu müfredat ayrıca ek kredi veya tartışma temeli olarak kullanılabilecek ML'nin gerçek dünya uygulamaları hakkında bir not içerir. +İçeriğin projelerle hizalanmasını sağlayarak süreç öğrenciler için daha ilgi çekici hale gelir ve kavramların kalıcılığı artırılır. Ayrıca, sınıftan önce yapılan düşük riskli bir sınav öğrencinin bir konuya yönelik niyetini belirlerken, sınıftan sonra yapılan ikinci bir sınav ek kalıcılık sağlar. Bu müfredat esnek ve eğlenceli olacak şekilde tasarlanmıştır ve tamamını veya bir kısmını alabilirsiniz. Projeler küçük başlar ve 12 haftalık döngünün sonunda giderek daha karmaşık hale gelir. Bu müfredat ayrıca gerçek dünya ML uygulamaları hakkında bir sonuç bölümü içerir; bu, ekstra kredi olarak veya tartışma temeli olarak kullanılabilir. -> [Davranış Kurallarımızı](CODE_OF_CONDUCT.md), [Katkıda Bulunma](CONTRIBUTING.md), [Çeviri](TRANSLATIONS.md) ve [Sorun Giderme](TROUBLESHOOTING.md) yönergelerimizi bulun. Yapıcı geri bildirimlerinizi bekliyoruz! +> Davranış Kuralları, Katkıda Bulunma, Çeviri ve Sorun Giderme yönergelerimizi bulun: [Davranış Kuralları](CODE_OF_CONDUCT.md), [Katkıda Bulunma](CONTRIBUTING.md), [Çeviri](TRANSLATIONS.md) ve [Sorun Giderme](TROUBLESHOOTING.md). Yapıcı geri bildirimlerinizi memnuniyetle karşılıyoruz! -## Her ders şunları içerir +## Her ders içerir - isteğe bağlı sketchnote - isteğe bağlı ek video -- video anlatım (sadece bazı dersler) -- [ders öncesi ısınma sınavı](https://ff-quizzes.netlify.app/en/ml/) +- video anlatımı (sadece bazı dersler) +- [Derse öncesi ısınma sınavı](https://ff-quizzes.netlify.app/en/ml/) - yazılı ders - proje tabanlı dersler için, projeyi nasıl oluşturacağınıza dair adım adım rehberler - bilgi kontrolleri - bir meydan okuma - ek okuma - ödev -- [ders sonrası sınavı](https://ff-quizzes.netlify.app/en/ml/) +- [Ders sonrası kısa sınav](https://ff-quizzes.netlify.app/en/ml/) -> **Diller hakkında bir not**: Bu dersler öncelikle Python ile yazılmıştır, ancak birçoğu R'de de mevcuttur. Bir R dersini tamamlamak için `/solution` klasörüne gidin ve R derslerini arayın. Bunlar .rmd uzantısı içerir; bu uzantı, `code chunks` (R veya diğer dillerde) ve çıktıların PDF gibi formatlara nasıl dönüştürüleceğini yönlendiren bir `YAML header` içeren bir `Markdown document` gömmesini temsil eden **R Markdown** dosyası anlamına gelir. Bu nedenle, kodunuzu, çıktısını ve düşüncelerinizi Markdown içinde yazarak bir araya getirmenize izin verdiği için veri bilimi için örnek bir yazım çerçevesi görevi görür. Ayrıca, R Markdown belgeleri PDF, HTML veya Word gibi çıktı formatlarına dönüştürülebilir. +> **Diller hakkında bir not**: Bu dersler öncelikle Python ile yazılmıştır, ancak birçoğu R olarak da mevcuttur. Bir R dersini tamamlamak için `/solution` klasörüne gidin ve R derslerini arayın. Bunlar .rmd uzantısı içerir; bu uzantı, `R Markdown` dosyasını temsil eder ve basitçe `kod parçacıkları` (R veya diğer dillerden) ve `YAML başlığı` (PDF gibi çıktıları nasıl biçimlendireceğinizi yönlendiren) içeren bir `Markdown belgesi` olarak tanımlanabilir. Bu nedenle, kodunuzu, çıktısını ve düşüncelerinizi Markdown içinde yazmanıza olanak tanıyarak veri bilimi için örnek bir yazım çerçevesi olarak hizmet eder. Ayrıca, R Markdown belgeleri PDF, HTML veya Word gibi çıktı formatlarına dönüştürülebilir. -> **Sınavlar hakkında bir not**: Tüm sınavlar [Sınav Uygulaması klasöründe](../../quiz-app) bulunur; toplam 52 sınav, her biri üç sorudan oluşur. Derslerin içinde bu sınavlara bağlantılar vardır ancak sınav uygulaması yerel olarak çalıştırılabilir; yerel barındırma veya Azure'a dağıtım için `quiz-app` klasöründeki talimatları izleyin. +> **Quiz'ler hakkında bir not**: Tüm sınavlar [Quiz Uygulaması klasöründe](../../quiz-app) bulunur; toplam 52 sınav, her biri üç sorudan oluşmaktadır. Bunlar derslerin içinden bağlantılanmıştır ancak quiz uygulaması yerel olarak çalıştırılabilir; yerel olarak barındırmak veya Azure'a dağıtmak için `quiz-app` klasöründeki talimatları izleyin. -| Ders Numarası | Konu | Ders Grubu | Öğrenme Hedefleri | Bağlantılı Ders | Yazar | +| Lesson Number | Topic | Lesson Grouping | Learning Objectives | Linked Lesson | Author | | :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | -| 01 | Makine öğrenimine giriş | [Giriş](1-Introduction/README.md) | Makine öğrenmesinin temel kavramlarını öğrenin | [Ders](1-Introduction/1-intro-to-ML/README.md) | Muhammad | -| 02 | Makine öğrenmesinin tarihi | [Giriş](1-Introduction/README.md) | Bu alanın temelindeki tarihi öğrenin | [Ders](1-Introduction/2-history-of-ML/README.md) | Jen and Amy | -| 03 | Adalet ve makine öğrenmesi | [Giriş](1-Introduction/README.md) | Öğrencilerin ML modelleri oluştururken ve uygularken dikkate almaları gereken adaletle ilgili önemli felsefi konular nelerdir? | [Ders](1-Introduction/3-fairness/README.md) | Tomomi | -| 04 | Makine öğrenmesi teknikleri | [Giriş](1-Introduction/README.md) | ML araştırmacılarının ML modelleri oluşturmak için kullandığı teknikler nelerdir? | [Ders](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen | -| 05 | Regresyona giriş | [Regresyon](2-Regression/README.md) | Regresyon modelleri için Python ve Scikit-learn ile başlayın | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | -| 06 | Kuzey Amerika balkabağı fiyatları 🎃 | [Regresyon](2-Regression/README.md) | ML için hazırlanırken veriyi görselleştirin ve temizleyin | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | -| 07 | Kuzey Amerika balkabağı fiyatları 🎃 | [Regresyon](2-Regression/README.md) | Doğrusal ve polinom regresyon modelleri oluşturun | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau | -| 08 | Kuzey Amerika balkabağı fiyatları 🎃 | [Regresyon](2-Regression/README.md) | Lojistik regresyon modeli oluşturun | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | -| 09 | Bir Web Uygulaması 🔌 | [Web Uygulaması](3-Web-App/README.md) | Eğitilmiş modelinizi kullanmak için bir web uygulaması oluşturun | [Python](3-Web-App/1-Web-App/README.md) | Jen | -| 10 | Sınıflandırmaya giriş | [Sınıflandırma](4-Classification/README.md) | Verinizi temizleyin, hazırlayın ve görselleştirin; sınıflandırmaya giriş | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau | -| 11 | Lezzetli Asya ve Hint mutfakları 🍜 | [Sınıflandırma](4-Classification/README.md) | Sınıflandırıcılara giriş | [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 | Lezzetli Asya ve Hint mutfakları 🍜 | [Sınıflandırma](4-Classification/README.md) | Daha fazla sınıflandırıcı | [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 | Lezzetli Asya ve Hint mutfakları 🍜 | [Sınıflandırma](4-Classification/README.md) | Modelinizi kullanarak bir tavsiye web uygulaması oluşturun | [Python](4-Classification/4-Applied/README.md) | Jen | -| 14 | Kümelemeye giriş | [Kümeleme](5-Clustering/README.md) | Verinizi temizleyin, hazırlayın ve görselleştirin; kümelemeye giriş | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | -| 15 | Nijerya Müzik Zevklerini Keşfetmek 🎧 | [Kümeleme](5-Clustering/README.md) | K-Ortalamalar kümeleme yöntemini keşfedin | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | -| 16 | Doğal dil işlemeye giriş ☕️ | [Doğal dil işleme](6-NLP/README.md) | Basit bir bot oluşturarak NLP'nin temellerini öğrenin | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | -| 17 | Yaygın NLP Görevleri ☕️ | [Doğal dil işleme](6-NLP/README.md) | Dil yapılarıyla uğraşırken gereken yaygın görevleri anlayarak NLP bilginizi derinleştirin | [Python](6-NLP/2-Tasks/README.md) | Stephen | -| 18 | Çeviri ve duygu analizi ♥️ | [Doğal dil işleme](6-NLP/README.md) | Jane Austen ile çeviri ve duygu analizi | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | -| 19 | Avrupa'nın romantik otelleri ♥️ | [Doğal dil işleme](6-NLP/README.md) | Otel yorumlarıyla duygu analizi 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | -| 20 | Avrupa'nın romantik otelleri ♥️ | [Doğal dil işleme](6-NLP/README.md) | Otel yorumlarıyla duygu analizi 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | -| 21 | Zaman serisi tahmine giriş | [Zaman serileri](7-TimeSeries/README.md) | Zaman serisi tahminlemeye giriş | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | -| 22 | ⚡️ Dünya Enerji Tüketimi ⚡️ - ARIMA ile zaman serisi tahmini | [Zaman serileri](7-TimeSeries/README.md) | ARIMA ile zaman serisi tahmini | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | -| 23 | ⚡️ Dünya Enerji Tüketimi ⚡️ - SVR ile zaman serisi tahmini | [Zaman serileri](7-TimeSeries/README.md) | Destek Vektör Regresörü ile zaman serisi tahmini | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | -| 24 | Pekiştirmeli öğrenmeye giriş | [Pekiştirmeli öğrenme](8-Reinforcement/README.md) | Q-Öğrenme ile pekiştirmeli öğrenmeye giriş | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | -| 25 | Peter'ın kurttan kaçmasına yardım et! 🐺 | [Pekiştirmeli öğrenme](8-Reinforcement/README.md) | Pekiştirmeli öğrenme Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | -| Son Not | Gerçek Dünya ML senaryoları ve uygulamaları | [Gerçek Dünyada ML](9-Real-World/README.md) | Klasik ML'in ilginç ve aydınlatıcı gerçek dünya uygulamaları | [Ders](9-Real-World/1-Applications/README.md) | Ekip | -| Son Not | RAI panosu kullanarak ML'de model hata ayıklama | [Gerçek Dünyada ML](9-Real-World/README.md) | Sorumlu AI panosu bileşenleri kullanarak Makine Öğrenmesinde Model Hata Ayıklama | [Ders](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | - -> [Bu kurs için tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulabilirsiniz](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) +| 01 | Makine öğrenimine giriş | [Giriş](1-Introduction/README.md) | Makine öğreniminin temel kavramlarını öğrenin | [Ders](1-Introduction/1-intro-to-ML/README.md) | Muhammad | +| 02 | Makine öğreniminin tarihi | [Giriş](1-Introduction/README.md) | Bu alanın tarihini öğrenin | [Ders](1-Introduction/2-history-of-ML/README.md) | Jen and Amy | +| 03 | Adillik ve makine öğrenimi | [Giriş](1-Introduction/README.md) | Makine öğrenimi modelleri oluşturup uygularken öğrencilerin dikkate alması gereken adillik etrafındaki önemli felsefi konular nelerdir? | [Ders](1-Introduction/3-fairness/README.md) | Tomomi | +| 04 | Makine öğrenimi teknikleri | [Giriş](1-Introduction/README.md) | ML araştırmacılarının ML modelleri oluşturmak için kullandığı teknikler nelerdir? | [Ders](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen | +| 05 | Regresyona giriş | [Regresyon](2-Regression/README.md) | Regresyon modelleri için Python ve Scikit-learn ile başlayın | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | +| 06 | Kuzey Amerika kabak fiyatları 🎃 | [Regresyon](2-Regression/README.md) | Makine öğrenimi için veri hazırlığı kapsamında verileri görselleştirin ve temizleyin | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | +| 07 | Kuzey Amerika kabak fiyatları 🎃 | [Regresyon](2-Regression/README.md) | Doğrusal ve polinomsal regresyon modelleri oluşturun | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau | +| 08 | Kuzey Amerika kabak fiyatları 🎃 | [Regresyon](2-Regression/README.md) | Lojistik regresyon modeli oluşturun | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | +| 09 | Bir Web Uygulaması 🔌 | [Web Uygulaması](3-Web-App/README.md) | Eğittiğiniz modeli kullanmak için bir web uygulaması oluşturun | [Python](3-Web-App/1-Web-App/README.md) | Jen | +| 10 | Sınıflandırmaya giriş | [Sınıflandırma](4-Classification/README.md) | Verilerinizi temizleyin, hazırlayın ve görselleştirin; sınıflandırmaya giriş | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau | +| 11 | Lezzetli Asya ve Hint mutfağı 🍜 | [Sınıflandırma](4-Classification/README.md) | Sınıflandırıcılara giriş | [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 | Lezzetli Asya ve Hint mutfağı 🍜 | [Sınıflandırma](4-Classification/README.md) | Daha fazla sınıflandırıcı | [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 | Lezzetli Asya ve Hint mutfağı 🍜 | [Sınıflandırma](4-Classification/README.md) | Modelinizi kullanarak bir öneri web uygulaması oluşturun | [Python](4-Classification/4-Applied/README.md) | Jen | +| 14 | Kümelemeye giriş | [Kümeleme](5-Clustering/README.md) | Verilerinizi temizleyin, hazırlayın ve görselleştirin; kümelemeye giriş | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | +| 15 | Nijerya Müzik Zevklerini Keşfetme 🎧 | [Kümeleme](5-Clustering/README.md) | K-Means kümeleme yöntemini keşfedin | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | +| 16 | Doğal dil işlemeye giriş ☕️ | [Doğal dil işleme](6-NLP/README.md) | Basit bir bot oluşturarak doğal dil işleme (NLP) hakkında temel bilgileri öğrenin | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | +| 17 | Yaygın NLP Görevleri ☕️ | [Doğal dil işleme](6-NLP/README.md) | Dil yapılarını ele alırken gereken yaygın görevleri anlayarak NLP bilginizi derinleştirin | [Python](6-NLP/2-Tasks/README.md) | Stephen | +| 18 | Çeviri ve duygu analizi ♥️ | [Doğal dil işleme](6-NLP/README.md) | Jane Austen ile çeviri ve duygu analizi | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | +| 19 | Avrupa'nın romantik otelleri ♥️ | [Doğal dil işleme](6-NLP/README.md) | Otel yorumları ile duygu analizi 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | +| 20 | Avrupa'nın romantik otelleri ♥️ | [Doğal dil işleme](6-NLP/README.md) | Otel yorumları ile duygu analizi 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | +| 21 | Zaman serisi tahminine giriş | [Zaman serileri](7-TimeSeries/README.md) | Zaman serisi tahminine giriş | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | +| 22 | ⚡️ Dünya Enerji Kullanımı ⚡️ - ARIMA ile zaman serisi tahmini | [Zaman serileri](7-TimeSeries/README.md) | ARIMA ile zaman serisi tahmini | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | +| 23 | ⚡️ Dünya Enerji Kullanımı ⚡️ - SVR ile zaman serisi tahmini | [Zaman serileri](7-TimeSeries/README.md) | Destek Vektör Regresörü ile zaman serisi tahmini | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | +| 24 | Pekiştirmeli öğrenmeye giriş | [Pekiştirmeli öğrenme](8-Reinforcement/README.md) | Q-Öğrenme ile pekiştirmeli öğrenmeye giriş | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | +| 25 | Peter'ın kurttan kaçmasına yardım et! 🐺 | [Pekiştirmeli öğrenme](8-Reinforcement/README.md) | Pekiştirmeli öğrenme Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | +| Dipnot | Gerçek Dünyada ML senaryoları ve uygulamaları | [ML in the Wild](9-Real-World/README.md) | Klasik ML'nin ilginç ve öğretici gerçek dünya uygulamaları | [Ders](9-Real-World/1-Applications/README.md) | Takım | +| Dipnot | RAI panosu kullanarak ML'de model hata ayıklama | [ML in the Wild](9-Real-World/README.md) | Responsible AI panosu bileşenlerini kullanarak Makine Öğreniminde model hata ayıklama | [Ders](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | + +> [Bu kurs için tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) ## Çevrimdışı erişim -Bu belgeleri [Docsify](https://docsify.js.org/#/) kullanarak çevrimdışı olarak çalıştırabilirsiniz. Bu depoyu fork'layın, yerel makinenize [Docsify'i yükleyin](https://docsify.js.org/#/quickstart) ve sonra bu deponun kök klasöründe `docsify serve` yazın. Web sitesi localhost'unuzda 3000 portunda servis edilecektir: `localhost:3000`. +Bu dökümantasyonu çevrimdışı olarak [Docsify](https://docsify.js.org/#/) kullanarak çalıştırabilirsiniz. Bu depoyu fork edin, yerel makinenize [Docsify](https://docsify.js.org/#/quickstart) yükleyin ve ardından bu deponun kök klasöründe `docsify serve` yazın. Web sitesi localhost'ınızda 3000 portundan sunulacaktır: `localhost:3000`. ## PDF'ler -Müfredatın bağlantılar içeren bir PDF'ini [burada](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) bulabilirsiniz. +Müfredatın bağlantılarıyla birlikte PDF'ini [burada](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) bulabilirsiniz. ## 🎒 Diğer Kurslar @@ -169,21 +167,21 @@ Ekibimiz başka kurslar da üretiyor! Göz atın: ### LangChain -[![LangChain4j Yeni Başlayanlar için](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 Yeni Başlayanlar için](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) +[![Yeni Başlayanlar için LangChain4j](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) +[![Yeni Başlayanlar için LangChain.js](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 / Ajanlar -[![AZD Yeni Başlayanlar için](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 Yeni Başlayanlar için](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 Yeni Başlayanlar için](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) -[![Yapay Zeka Ajanları Yeni Başlayanlar için](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) +[![Yeni Başlayanlar için AZD](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) +[![Yeni Başlayanlar için Edge AI](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) +[![Yeni Başlayanlar için MCP](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) +[![Yeni Başlayanlar için AI Ajanları](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) --- ### Üretken Yapay Zeka Serisi -[![Üretken Yapay Zeka Yeni Başlayanlar için](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) +[![Yeni Başlayanlar için Üretken Yapay Zeka](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) [![Üretken Yapay Zeka (.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) [![Üretken Yapay Zeka (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) [![Üretken Yapay Zeka (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) @@ -191,7 +189,7 @@ Ekibimiz başka kurslar da üretiyor! Göz atın: --- ### Temel Öğrenme -[![Yeni Başlayanlar için 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) +[![Yeni Başlayanlar için Makine Öğrenimi](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) [![Yeni Başlayanlar için Veri Bilimi](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) [![Yeni Başlayanlar için Yapay Zeka](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) [![Yeni Başlayanlar için Siber Güvenlik](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) @@ -202,7 +200,7 @@ Ekibimiz başka kurslar da üretiyor! Göz atın: --- ### Copilot Serisi -[![Yapay Zeka Eşli Programlama için 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 Eşli Programlama için 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 için 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 Macerası](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) @@ -211,9 +209,9 @@ Ekibimiz başka kurslar da üretiyor! Göz atın: 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. -[![Microsoft Foundry Discord Sunucusu](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: +Eğer ürünle ilgili geri bildirimleriniz veya geliştirme sırasında karşılaştığınız hatalar varsa ziyaret edin: [![Microsoft Foundry Geliştirici Forumu](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) @@ -221,5 +219,5 @@ If you have product feedback or errors while building visit: Feragatname: -Bu belge, yapay zeka çeviri hizmeti [Co-op Translator](https://github.com/Azure/co-op-translator) kullanılarak çevrilmiştir. Doğruluğa özen gösterilse de otomatik çevirilerin hata veya yanlışlık içerebileceğini lütfen unutmayın. Orijinal belge, kaynak dilindeki metni yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımı sonucunda ortaya çıkabilecek herhangi bir yanlış anlama veya yanlış yorumdan sorumlu değiliz. +Bu belge, yapay zeka çeviri hizmeti [Co-op Translator](https://github.com/Azure/co-op-translator) kullanılarak çevrilmiştir. Doğruluğu sağlamaya çalışsak da, otomatik çevirilerin hatalar veya eksiklikler içerebileceğini lütfen unutmayın. Belgenin orijinal dilindeki sürümü yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi tavsiye edilir. Bu çevirinin kullanımı sonucunda ortaya çıkabilecek herhangi bir yanlış anlama veya yanlış yorumdan sorumlu değiliz. \ No newline at end of file diff --git a/translations/tw/1-Introduction/README.md b/translations/tw/1-Introduction/README.md index 4c8a72670..1b26ef8e5 100644 --- a/translations/tw/1-Introduction/README.md +++ b/translations/tw/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 在本課程的這一部分中，您將了解機器學習領域的基本概念、它的定義，並學習它的歷史以及研究人員使用的相關技術。讓我們一起探索這個嶄新的機器學習世界吧！ -![globe](../../../translated_images/globe.59f26379ceb40428672b4d9a568044618a2bf6292ecd53a5c481b90e3fa805eb.tw.jpg) +![globe](../../../translated_images/globe.59f26379ceb40428.tw.jpg) > 照片由 Bill Oxford 提供，來自 Unsplash ### 課程 diff --git a/translations/tw/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/tw/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index 4ead4e032..66a5e1ea7 100644 --- a/translations/tw/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/tw/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/tw/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/tw/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index de9710a30..f6decdff4 100644 --- a/translations/tw/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/tw/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" @@ -533,7 +533,7 @@ "
資訊圖表由 Dasani Madipalli 製作
\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/tw/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/tw/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index 0a4388197..070c266a3 100644 --- a/translations/tw/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/tw/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -40,7 +40,7 @@ "
Dasani Madipalli 的資訊圖表
\n", "\n", "\n", - "\n", + "\n", "\n", "#### 簡介\n", "\n", @@ -164,7 +164,7 @@ "
插圖作者：@allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "WdUKXk7Bs8-V" @@ -458,7 +458,7 @@ "
插圖由 @allison_horst 提供
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "KEiO0v7kuC9O" @@ -572,7 +572,7 @@ "
由 Dasani Madipalli 製作的資訊圖表
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "YqXjLuWavNxW" @@ -813,7 +813,7 @@ "
資訊圖表由 Dasani Madipalli 提供
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "HOCqJXLTwtWI" diff --git a/translations/tw/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/tw/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index 78a95108e..cd11a03cd 100644 --- a/translations/tw/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/tw/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](../../../../../../translated_images/linear-vs-logistic.ba180bf95e7ee66721ba10ebf2dac2666acbd64a88b003c83928712433a13c7d.tw.png)\n", + "![邏輯迴歸與線性迴歸資訊圖](../../../../../../translated_images/linear-vs-logistic.ba180bf95e7ee667.tw.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，而後者則能預測「連續值」，例如根據南瓜的來源和收穫時間，*價格將上漲多少*。\n", "\n", - "![Dasani Madipalli 的資訊圖表](../../../../../../translated_images/pumpkin-classifier.562771f104ad5436b87d1c67bca02a42a17841133556559325c0a0e348e5b774.tw.png)\n", + "![Dasani Madipalli 的資訊圖表](../../../../../../translated_images/pumpkin-classifier.562771f104ad5436.tw.png)\n", "\n", "### 其他分類方式\n", "\n", @@ -88,7 +88,7 @@ "\n", "- **序列式**，涉及有序的類別，適合我們希望按邏輯順序排列結果的情況，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 序列式回歸](../../../../../../translated_images/multinomial-vs-ordinal.36701b4850e37d86c9dd49f7bef93a2f94dbdb8fe03443eb68f0542f97f28f29.tw.png)\n", + "![多項式 vs 序列式回歸](../../../../../../translated_images/multinomial-vs-ordinal.36701b4850e37d86.tw.png)\n", "\n", "#### **變數不必相關**\n", "\n", diff --git a/translations/tw/2-Regression/README.md b/translations/tw/2-Regression/README.md index ea3d16dfb..127d603f9 100644 --- a/translations/tw/2-Regression/README.md +++ b/translations/tw/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.tw.jpg) +![jack-o-lanterns](../../../translated_images/jack-o-lanterns.181c661a9212457d.tw.jpg) > 照片由 Beth Teutschmann 提供，來自 Unsplash ## 你將學到什麼 diff --git a/translations/tw/3-Web-App/README.md b/translations/tw/3-Web-App/README.md index 2baad209b..16124123e 100644 --- a/translations/tw/3-Web-App/README.md +++ b/translations/tw/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.tw.jpg) +![UFO 停車場](../../../translated_images/ufo.9e787f5161da9d4d.tw.jpg) 照片由 Michael Herren 提供，來自 Unsplash diff --git a/translations/tw/4-Classification/README.md b/translations/tw/4-Classification/README.md index 0d4fd97fe..2d1bed19a 100644 --- a/translations/tw/4-Classification/README.md +++ b/translations/tw/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！讓我們來看看有關地區料理的數據，試著了解它們的食材。 -![泰國街頭小吃](../../../translated_images/thai-food.c47a7a7f9f05c21892a1f9dc7bf30669e6d18dfda420c5c7ebb4153f6a304edd.tw.jpg) +![泰國街頭小吃](../../../translated_images/thai-food.c47a7a7f9f05c218.tw.jpg) > 照片由 Lisheng Chang 提供，來自 Unsplash ## 你將學到什麼 diff --git a/translations/tw/5-Clustering/README.md b/translations/tw/5-Clustering/README.md index a011844df..c061cc1b7 100644 --- a/translations/tw/5-Clustering/README.md +++ b/translations/tw/5-Clustering/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: 尼日利亞的多元化觀眾擁有多樣化的音樂品味。使用從 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)），讓我們來看看一些在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！ -![唱盤](../../../translated_images/turntable.f2b86b13c53302dc106aa741de9dc96ac372864cf458dd6f879119857aab01da.tw.jpg) +![唱盤](../../../translated_images/turntable.f2b86b13c53302dc.tw.jpg) > 照片由 Marcela Laskoski 提供，來自 Unsplash diff --git a/translations/tw/6-NLP/README.md b/translations/tw/6-NLP/README.md index 8c2ca9445..45ce79795 100644 --- a/translations/tw/6-NLP/README.md +++ b/translations/tw/6-NLP/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: 在這些課程中，我們將通過構建小型對話機器人來學習 NLP 的基礎知識，了解機器學習如何幫助使這些對話變得越來越「智能」。您將穿越時光，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對話。接著，您將進一步學習如何通過分析歐洲酒店評論來了解情感分析。 -![傲慢與偏見書籍與茶](../../../translated_images/p&p.279f1c49ecd889419e4ce6206525e9aa30d32a976955cd24daa636c361c6391f.tw.jpg) +![傲慢與偏見書籍與茶](../../../translated_images/p&p.279f1c49ecd88941.tw.jpg) > 圖片由 Elaine Howlin 提供，來自 Unsplash ## 課程 diff --git a/translations/tw/7-TimeSeries/README.md b/translations/tw/7-TimeSeries/README.md index eeffd37de..4ef7e63b9 100644 --- a/translations/tw/7-TimeSeries/README.md +++ b/translations/tw/7-TimeSeries/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: 我們的地區重點是全球的電力使用，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。您可以看到這種預測在商業環境中是多麼有幫助。 -![電力網](../../../translated_images/electric-grid.0c21d5214db09ffae93c06a87ca2abbb9ba7475ef815129c5b423d7f9a7cf136.tw.jpg) +![電力網](../../../translated_images/electric-grid.0c21d5214db09ffa.tw.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力塔，來自 [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) diff --git a/translations/tw/8-Reinforcement/README.md b/translations/tw/8-Reinforcement/README.md index ab9ff95f3..47744a2e7 100644 --- a/translations/tw/8-Reinforcement/README.md +++ b/translations/tw/8-Reinforcement/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: 想像你有一個模擬環境，例如股票市場。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。如果是正面結果，你需要基於這種_正面強化_進一步發展。 -![彼得與狼](../../../translated_images/peter.779730f9ba3a8a8d9290600dcf55f2e491c0640c785af7ac0d64f583c49b8864.tw.png) +![彼得與狼](../../../translated_images/peter.779730f9ba3a8a8d.tw.png) > 彼得和他的朋友們需要逃離飢餓的狼！圖片由 [Jen Looper](https://twitter.com/jenlooper) 提供