- 完成一組課程後，請前往 [討論區](https://github.com/microsoft/ML-For-Beginners/discussions) 並以「大聲學習」的方式填寫適當的 PAT 評分表。PAT（Progress Assessment Tool）是一份讓你填寫以促進學習的評分規準。你也可以對其他人的 PAT 做回應，讓我們一起學習。
- 完成一組課程後，請造訪 [討論板](https://github.com/microsoft/ML-For-Beginners/discussions) 並透過填寫相應的 PAT 評分規準來「公開學習」。PAT 是一種進度評估工具（Progress Assessment Tool），是一份您填寫以促進學習的評分規準。您也可以對其他人的 PAT 做出回應，讓我們一起學習。
部分課程有提供短片形式的影片。你可以在課程內容中內嵌觀看，或點選下方圖片至 [Microsoft Developer YouTube 頻道上的 ML for Beginners 播放清單](https://aka.ms/ml-beginners-videos)。
部分課程提供短片形式的影片。您可以在課程內容中內嵌觀看，或在 [Microsoft 開發者 YouTube 頻道上的 ML for Beginners 播放清單](https://aka.ms/ml-beginners-videos) 中觀看，點擊下方圖片即可。
[](https://aka.ms/ml-beginners-videos)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[](https://discord.gg/nTYy5BXMWG)
Ми проводимо серію Discord «Навчайся з ШІ», дізнайтеся більше та приєднуйтесь до нас на [Серія «Навчайся з ШІ»](https://aka.ms/learnwithai/discord) з 18 по 30 вересня 2025 року. Ви отримаєте поради та трюки щодо використання GitHub Copilot для науки про дані.
У нас триває серія заходів у Discord під назвою "Навчайся зі ШІ", дізнайтеся більше та приєднуйтесь до нас на [Серія «Навчання зі ШІ»](https://aka.ms/learnwithai/discord) з 18 по 30 вересня 2025 року. Ви отримаєте поради та прийоми використання GitHub Copilot для Data Science.
# Машинне навчання для початківців - Навчальна програма
# Машинне навчання для початківців - навчальна програма
> 🌍 Подорожуйте світом, досліджуючи машинне навчання через світові культури 🌍
> 🌍 Подорожуйте навколо світу, досліджуючи машинне навчання через призму світових культур 🌍
Cloud Advocates у Microsoft раді запропонувати 12-тижневу, 26-лекційну навчальну програму, присвячену **Машинному навчанню**. У цій програмі ви дізнаєтеся про те, що іноді називають **класичним машинним навчанням**, використовуючи переважно Scikit-learn як бібліотеку та уникаючи глибинного навчання, яке висвітлено в нашій [навчальній програмі «AI for Beginners»](https://aka.ms/ai4beginners). Поєднуйте ці уроки з нашою [навчальною програмою «Data Science for Beginners»](https://aka.ms/ds4beginners)!
Cloud Advocates у Microsoft раді запропонувати 12-тижневу, 26-урочну навчальну програму, присвячену темі **Машинного навчання**. У цій програмі ви дізнаєтесь про те, що іноді називають **класичним машинним навчанням**, використовуючи переважно бібліотеку Scikit-learn і уникаючи глибокого навчання, яке висвітлено в нашому курсі [AI for Beginners' curriculum](https://aka.ms/ai4beginners). Поєднуйте ці уроки з нашим курсом ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners).
Подорожуйте з нами по всьому світу, застосовуючи ці класичні методи до даних із різних регіонів. Кожен урок включає перед- та після-урочні опитування, письмові інструкції для виконання уроку, рішення, завдання та інше. Наша проєктно-орієнтована педагогіка дозволяє вчитися під час створення проєктів — це доведений спосіб закріплення нових навичок.
Подорожуйте з нами навколо світу, застосовуючи ці класичні техніки до даних із різних регіонів. Кожен урок включає опитування до та після уроку, письмові інструкції для виконання уроку, рішення, завдання та інше. Наша проектно-орієнтована педагогіка дозволяє вчитися шляхом створення — перевірений спосіб для надійного засвоєння нових навичок.
**✍️ Щира подяка нашим авторам** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd
**✍️ Величезна подяка нашим авторам** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd
**🎨 Також дякуємо нашим ілюстраторам** Tomomi Imura, Dasani Madipalli, and Jen Looper
**🎨 Також дякуємо нашим ілюстраторам** Tomomi Imura, Dasani Madipalli та Jen Looper
**🙏 Особлива подяка 🙏 нашим Microsoft Student Ambassador авторам, рецензентам та контриб'юторам вмісту**, зокрема Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, and Snigdha Agarwal
**🙏 Особлива подяка 🙏 нашим студентським амбасадорам Microsoft — авторам, рецензентам та учасникам контенту**, зокрема Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila та Snigdha Agarwal
**🤩 Додаткова подяка студентам-амбасадорам Microsoft Eric Wanjau, Jasleen Sondhi та Vidushi Gupta за наші уроки з R!**
**🤩 Додаткова подяка студентським амбасадорам Microsoft Eric Wanjau, Jasleen Sondhi та Vidushi Gupta за наші уроки R!**
# Початок роботи
Дотримуйтесь цих кроків:
1. **Створіть форк репозиторію**: Натисніть кнопку "Fork" у верхньому правому куті цієї сторінки.
1. **Fork the Repository**: Натисніть кнопку "Fork" у верхньому правому куті цієї сторінки.
2. **Clone the Repository**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
> [знайдіть всі додаткові ресурси для цього курсу в нашій колекції Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [знайдіть усі додаткові ресурси для цього курсу в нашій колекції Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Потрібна допомога?** Перегляньте наш [Посібник з усунення несправностей](TROUBLESHOOTING.md) для рішень поширених проблем з інсталяцією, налаштуванням та запуском уроків.
> 🔧 **Потрібна допомога?** Перевірте наш [Посібник з вирішення проблем](TROUBLESHOOTING.md) для вирішення поширених проблем із встановленням, налаштуванням та запуском уроків.
**[Студенти](https://aka.ms/student-page)**, щоб використовувати цю програму, зробіть форк усього репозиторію до власного облікового запису GitHubі виконуйте вправи самостійно або в групі:
**[Студенти](https://aka.ms/student-page)**, щоб використовувати цю навчальну програму, форкніть увесь репозиторій на свій GitHub-акаунті виконуйте вправи самостійно або в групі:
- Почніть з передлекційного розминкового опитування.
- Прочитайте лекцію та виконайте завдання, зупиняючись і обдумуючи кожну перевірку знань.
- Намагайтеся створювати проекти, розуміючи матеріал, а не просто виконуючи код рішень; проте цей код доступний у папках /solution у кожному уроці, орієнтованому на проєкти.
- Пройдіть післялекційне опитування.
- Виконайте виклик.
- Почніть з опитування перед лекцією.
- Прочитайте лекцію та виконайте активності, зупиняючись і розмірковуючи під час кожної перевірки знань.
- Намагайтеся створювати проекти, розуміючи уроки, замість того щоб просто запускати код рішення; однак цей код доступний у папках `/solution`у кожному уроці, орієнтованому на проект.
- Пройдіть опитування після лекції.
- Виконайте челендж.
- Виконайте завдання.
- Після завершення групи уроків відвідайте [Дошку обговорень](https://github.com/microsoft/ML-For-Beginners/discussions) та "навчайтеся вголос", заповнивши відповідну рубрику PAT. 'PAT' — це Progress Assessment Tool (Інструмент оцінювання прогресу), що є рубрикою, яку ви заповнюєте для подальшого навчання. Ви також можете реагувати на інші PAT, щоб ми могли вчитися разом.
- Після завершення групи уроків відвідайте [Дошку обговорень](https://github.com/microsoft/ML-For-Beginners/discussions) і «вчіться вголос», заповнивши відповідну рубрику PAT. 'PAT' — це інструмент оцінки прогресу, який ви заповнюєте, щоб поглибити своє навчання. Ви також можете реагувати на інші PAT, щоб ми могли вчитися разом.
> Для подальшого вивчення ми рекомендуємо пройти ці модулі та навчальні шляхи на [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> Для подальшого вивчення ми рекомендуємо слідувати цим модулям і навчальним шляхам на [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**Викладачі**, ми [включили деякі пропозиції](for-teachers.md) щодо того, як використовувати цю програму.
**Викладачі**, ми включили деякі поради у [for-teachers.md](for-teachers.md) щодо того, як використовувати цю навчальну програму.
---
## Відео-інструкції
## Відеоогляди
Деякі уроки доступні укороткому відеоформаті. Ви можете знайти їх вбудованими в уроки або на [плейлисті "ML for Beginners" на YouTube-каналі Microsoft Developer](https://aka.ms/ml-beginners-videos), натиснувши на зображення нижче.
Деякі уроки доступні увигляді коротких відео. Ви можете знайти їх вбудованими в уроки або в [плейлисті ML for Beginners на каналі Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos), натиснувши на зображення нижче.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 Натисніть на зображення вище, щоб переглянути відео про проєкт та людей, які його створили!
@ -96,74 +96,74 @@ Cloud Advocates у Microsoft раді запропонувати 12-тижнев
## Педагогіка
Побудовуючи цю програму, ми обрали два педагогічні принципи: забезпечити практичну, **проектно-орієнтовану** методологію та включити **часті опитування**. Крім того, ця програма має спільну **тему**, яка забезпечує її цілісність.
Ми обрали два педагогічні принципи під час створення цієї навчальної програми: забезпечити практичну, проектно-орієнтовану структуру та включити часті опитування. Крім того, ця програма має спільну **тему**, щоб надати їй цілісності.
Забезпечуючи відповідність контенту проєктам, процес стає більш залученим для студентів, і закріплення концепцій підвищується. Також низькоформатне опитування перед заняттям налаштовує студента на вивчення теми, а друге опитування після заняття забезпечує подальше закріплення. Ця програма розроблена так, щоб бути гнучкою та цікавою, іїї можна проходити повністю або частково. Проєкти починаються з простих і поступово ускладнюються до кінця 12-тижневого циклу. Програма також містить постскриптум про реальні застосування МН, який можна використати як додаткові бали або як підставу для обговорення.
Забезпечивши відповідність контенту проєктам, процес стає більш цікавим для студентів, а засвоєння концепцій — кращим. До того ж, низькостресове опитування перед заняттям спрямовує увагу студента на вивчення теми, а друге опитування після заняття забезпечує подальше закріплення знань. Ця програма розроблена так, щоб бути гнучкою та цікавою, її можна проходити повністю або частинами. Проєкти починаються з малого і стають складнішими до кінця 12-тижневого циклу. Програма також містить епілог про застосування ML у реальному світі, який можна використати як додаткові бали або як основу для обговорення.
> Знайдіть наші [Кодекс поведінки](CODE_OF_CONDUCT.md), [Як внести внесок](CONTRIBUTING.md), [Переклад](TRANSLATIONS.md) та [Усунення несправностей](TROUBLESHOOTING.md) вказівки. Ми вітаємо ваш конструктивний зворотний зв'язок!
> Знайдіть наші настанови: [Кодекс поведінки](CODE_OF_CONDUCT.md), [Внесення змін](CONTRIBUTING.md), [Переклад](TRANSLATIONS.md) та [Вирішення проблем](TROUBLESHOOTING.md). Ми вітаємо ваш конструктивний відгук!
- [опитування після лекції](https://ff-quizzes.netlify.app/en/ml/)
> **Примітка щодо мов**: Ці уроки переважно написані на Python, але багато з них також доступні на R. Щоб виконати урок на R, перейдіть до папки `/solution`ізнайдіть уроки на R. Вони мають розширення .rmd, що позначає **R Markdown** файл, який можна просто визначити як вкладення `code chunks` (мов R або інших) та `YAML header` (що керує форматуванням виводу, наприклад PDF) в `Markdown document`. Таким чином, це є зразковим авторським фреймворком для науки про дані, оскільки дозволяє поєднувати ваш код, його вивід та ваші думки, записуючи їх у Markdown. Більше того, документи R Markdown можна рендерити у формати виводу, такі як PDF, HTML або Word.
> **Примітка щодо мов**: Ці уроки головним чином написані на Python, але багато з них також доступні на R. Щоб виконати урок на R, перейдіть до папки `/solution`ішукайте уроки на R. Вони містять розширення .rmd, яке позначає файл **R Markdown**, який можна просто визначити як вбудовування `code chunks` (написаних на R або інших мовах) та `YAML header` (який керує форматом виводу, наприклад PDF) у`Markdown document`. Як такий, він слугує прикладною авторською рамкою для науки про дані, оскільки дозволяє поєднувати ваш код, його вивід та ваші думки, записуючи їх у Markdown. Крім того, документи R Markdown можна відтворювати у формати виводу, такі як PDF, HTML або Word.
> **Примітка щодо опитувань**: Усі опитування містяться в [папці Quiz App](../../quiz-app), загалом 52 опитування по три питання в кожному. Вони пов'язані в межах уроків, але додаток опитувань можна запускати локально; дотримуйтеся інструкцій у папці `quiz-app` для локального хостингу або розгортання в Azure.
> **Примітка щодо опитувань**: Всі опитування містяться в папці [Quiz App folder](../../quiz-app), всього 52 опитування по три запитання у кожному. Вони пов'язані з уроків, але додаток опитувань можна запустити локально; дотримуйтесь інструкцій у папці `quiz-app`, щоб розгорнути локально або в Azure.
| 01 | Вступ до машинного навчання | [Вступ](1-Introduction/README.md) | Ознайомтеся з основними поняттями машинного навчання | [Урок](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Історія машинного навчання | [Вступ](1-Introduction/README.md) | Дізнайтеся історію, яка лежить в основі цієї галузі | [Урок](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Справедливість у машинному навчанні | [Вступ](1-Introduction/README.md) | Які важливі філософські питання щодо справедливості мають враховувати студенти при побудові та використанні моделей машинного навчання? | [Урок](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Методи машинного навчання | [Вступ](1-Introduction/README.md) | Які техніки використовують дослідники машинного навчання для побудови моделей? | [Урок](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Вступ до регресії | [Регресія](2-Regression/README.md) | Розпочніть роботу з Python та Scikit-learn для регресійних моделей | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Ціни на гарбузи в Північній Америці 🎃 | [Регресія](2-Regression/README.md) | Візуалізуйте та очистіть дані в рамках підготовки до машинного навчання | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Ціни на гарбузи в Північній Америці 🎃 | [Регресія](2-Regression/README.md) | Побудуйте лінійні та поліноміальні регресійні моделі | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | Ціни на гарбузи в Північній Америці 🎃 | [Регресія](2-Regression/README.md) | Побудуйте модель логістичної регресії | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Веб‑додаток 🔌 | [Веб-додаток](3-Web-App/README.md) | Створіть веб-додаток для використання вашої навченої моделі | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 01 | Вступ до машинного навчання | [Вступ](1-Introduction/README.md) | Ознайомтеся з базовими поняттями машинного навчання | [Урок](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Історія машинного навчання | [Вступ](1-Introduction/README.md) | Дізнайтеся про історію цієї галузі | [Урок](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Справедливість і машинне навчання | [Вступ](1-Introduction/README.md) | Які важливі філософські питання щодо справедливості мають враховувати студенти при побудові та застосуванні моделей МН? | [Урок](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Техніки машинного навчання | [Вступ](1-Introduction/README.md) | Які методи використовують дослідники МН для побудови моделей? | [Урок](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Вступ до регресії | [Регресія](2-Regression/README.md) | Почніть працювати з Python та Scikit-learn для регресійних моделей | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Ціни на гарбузи Північної Америки 🎃 | [Регресія](2-Regression/README.md) | Візуалізуйте та очистіть дані для підготовки до МН | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Ціни на гарбузи Північної Америки 🎃 | [Регресія](2-Regression/README.md) | Побудова лінійних та поліноміальних регресійних моделей | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | Ціни на гарбузи Північної Америки 🎃 | [Регресія](2-Regression/README.md) | Побудуйте модель логістичної регресії | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Веб-додаток 🔌 | [Веб-додаток](3-Web-App/README.md) | Створіть веб-додаток для використання вашої натренованої моделі | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Вступ до класифікації | [Класифікація](4-Classification/README.md) | Очистіть, підготуйте та візуалізуйте дані; вступ до класифікації | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | Смачні азіатські та індійські кухні 🍜 | [Класифікація](4-Classification/README.md) | Вступ до класифікаторів | [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 | Смачні азіатські та індійські кухні 🍜 | [Класифікація](4-Classification/README.md) | Більше класифікаторів | [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 | Смачні азіатські та індійські кухні 🍜 | [Класифікація](4-Classification/README.md) | Побудуйте веб-додаток-рекомендатор, використовуючи вашу модель | [Python](4-Classification/4-Applied/README.md) | Jen |
| 11 | Смачні азійські та індійські страви 🍜 | [Класифікація](4-Classification/README.md) | Вступ до класифікаторів | [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 | Смачні азійські та індійські страви 🍜 | [Класифікація](4-Classification/README.md) | Додаткові класифікатори | [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 | Смачні азійські та індійські страви 🍜 | [Класифікація](4-Classification/README.md) | Створіть рекомендаційний веб-додаток, використовуючи вашу модель | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Вступ до кластеризації | [Кластеризація](5-Clustering/README.md) | Очистіть, підготуйте та візуалізуйте дані; вступ до кластеризації | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Дослідження музичних смаків Нігерії 🎧 | [Кластеризація](5-Clustering/README.md) | Дослідіть метод кластеризації K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 15 | Дослідження музичних вподобань Нігерії 🎧 | [Кластеризація](5-Clustering/README.md) | Ознайомтеся з методом кластеризації 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 | Вступ до обробки природної мови ☕️ | [Обробка природної мови](6-NLP/README.md) | Вивчіть основи NLP, створивши простого бота | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Поширені завдання NLP ☕️ | [Обробка природної мови](6-NLP/README.md) | Поглибте свої знання з NLP, зрозумівши поширені задачі, що виникають при роботі зі структурами мови | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Переклад і аналіз тональності ♥️ | [Обробка природної мови](6-NLP/README.md) | Переклад і аналіз тональності на прикладі текстів Джейн Остін | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Романтичні готелі Європи ♥️ | [Обробка природної мови](6-NLP/README.md) | Аналіз тональності на основі відгуків про готелі 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Романтичні готелі Європи ♥️ | [Обробка природної мови](6-NLP/README.md) | Аналіз тональності на основі відгуків про готелі 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 17 | Поширені задачі NLP ☕️ | [Обробка природної мови](6-NLP/README.md) | Поглибте знання з NLP, розуміючи типові задачі, що виникають при роботі з мовними структурами | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Переклад і аналіз тональності ♥️ | [Обробка природної мови](6-NLP/README.md) | Переклад і аналіз тональності на прикладі творів Джейн Остін | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Романтичні готелі Європи ♥️ | [Обробка природної мови](6-NLP/README.md) | Аналіз тональності з відгуків про готелі 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Романтичні готелі Європи ♥️ | [Обробка природної мови](6-NLP/README.md) | Аналіз тональності з відгуків про готелі 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 22 | ⚡️ Світове споживання електроенергії ⚡️ - прогнозування часових рядів з ARIMA | [Часові ряди](7-TimeSeries/README.md) | Прогнозування часових рядів за допомогою ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Світове споживання електроенергії ⚡️ - прогнозування часових рядів з SVR | [Часові ряди](7-TimeSeries/README.md) | Прогнозування часових рядів за допомогою Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 22 | ⚡️ Світове споживання електроенергії ⚡️ - прогнозування часових рядів з ARIMA | [Часові ряди](7-TimeSeries/README.md) | Прогнозування часових рядів з ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Світове споживання електроенергії ⚡️ - прогнозування часових рядів зі SVR | [Часові ряди](7-TimeSeries/README.md) | Прогнозування часових рядів за допомогою Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Вступ до підкріплювального навчання | [Підкріплювальне навчання](8-Reinforcement/README.md) | Вступ до підкріплювального навчання з Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Допоможіть Пітеру уникнути вовка! 🐺 | [Підкріплювальне навчання](8-Reinforcement/README.md) | Gym для підкріплювального навчання | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Реальні сценарії та застосування машинного навчання | [ML у реальному світі](9-Real-World/README.md) | Цікаві та повчальні приклади застосувань класичного машинного навчання у реальному світі | [Урок](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Налагодження моделей у ML із використанням RAI dashboard | [ML у реальному світі](9-Real-World/README.md) | Налагодження моделей машинного навчання із використанням компонентів панелі Responsible AI (RAI) | [Урок](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
| Postscript | Сценарії та застосування ML у реальному світі | [ML у реальному світі](9-Real-World/README.md) | Цікавi та показові реальні застосування класичного МН | [Урок](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Налагодження моделей у ML за допомогою панелі RAI | [ML у реальному світі](9-Real-World/README.md) | Налагодження моделей машинного навчання з використанням компонентів панелі Responsible AI | [Урок](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [Знайдіть усі додаткові матеріали для цього курсу в нашій колекції Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [Знайдіть усі додаткові ресурси для цього курсу в нашій колекції Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Офлайн доступ
Ви можете запускати цю документацію офлайн за допомогою [Docsify](https://docsify.js.org/#/). Форкніть цей репозиторій, [встановіть Docsify](https://docsify.js.org/#/quickstart) на вашому локальному комп'ютері, а потім у кореневій папці цього репозиторію введіть `docsify serve`. Вебсайт буде доступний на порту 3000 на вашому localhost: `localhost:3000`.
Ви можете запускати цю документацію офлайн, використовуючи [Docsify](https://docsify.js.org/#/). Зробіть форк цього репозиторію, [встановіть Docsify](https://docsify.js.org/#/quickstart) на вашому локальному комп'ютері, а потім у кореневій папці цього репозиторію введіть `docsify serve`. Вебсайт буде доступний на порту 3000 на вашому localhost: `localhost:3000`.
## PDF
## PDF-файли
Знайдіть PDF-версію навчальної програми з посиланнями [тут](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Знайдіть PDF навчальної програми з посиланнями [тут](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Інші курси
Наша команда випускає інші курси! Ознайомтеся:
Наша команда створює й інші курси! Перегляньте:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -180,9 +180,9 @@ Cloud Advocates у Microsoft раді запропонувати 12-тижнев
---
### Серія генеративного ШІ
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
@ -200,18 +200,18 @@ Cloud Advocates у Microsoft раді запропонувати 12-тижнев
---
### Серія Copilot
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
Якщо ви застрягли або маєте будь-які питання щодо створення ШІ-застосунків. Приєднуйтесь до інших учнів та досвідчених розробників удискусіях про MCP. Це підтримуюча спільнота, де питання вітаються, а знання вільно передаються.
Якщо ви застрягли або маєте запитання щодо створення додатків ШІ. Приєднуйтесь до інших учнів та досвідчених розробників уобговореннях MCP. Це підтримуюча спільнота, де питання вітаються, а знання поширюються вільно.
[](https://discord.gg/nTYy5BXMWG)
Якщо у вас є відгуки про продукт або ви зіткнулися з помилками під час розробки, відвідайте:
Якщо у вас є відгуки про продукт або ви натрапили на помилки під час розробки, відвідайте:
[](https://aka.ms/foundry/forum)
@ -219,5 +219,5 @@ Cloud Advocates у Microsoft раді запропонувати 12-тижнев
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
Відмова від відповідальності:
Цей документ було перекладено за допомогою сервісу перекладу на основі ШІ [Co-op Translator](https://github.com/Azure/co-op-translator). Хоч ми й прагнемо до точності, просимо врахувати, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується скористатися послугами професійного перекладача. Ми не несемо відповідальності за будь-які непорозуміння або хибні тлумачення, що виникли внаслідок використання цього перекладу.
Цей документ було перекладено за допомогою сервісу перекладу на основі ШІ [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, просимо врахувати, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ рідною мовою слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується звернутися до професійного перекладача. Ми не несемо відповідальності за будь-які непорозуміння чи неправильні тлумачення, що виникли внаслідок використання цього перекладу.
اس نصاب کے اس حصے میں، آپ کو مشین لرننگ کے میدان کے بنیادی تصورات، یہ کیا ہے، اس کی تاریخ، اور وہ تکنیکیں جنہیں محققین اس کے ساتھ کام کرنے کے لیے استعمال کرتے ہیں، سے متعارف کرایا جائے گا۔ آئیے مل کر مشین لرننگ کی اس نئی دنیا کو دریافت کرتے ہیں!
> تصویر <ahref="https://unsplash.com/@bill_oxford?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">بل آکسفورڈ</a> کی جانب سے <ahref="https://unsplash.com/s/photos/globe?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> پر
" <figcaption>آرٹ ورک از @allison_horst</figcaption>\n",
"\n",
"\n",
"<!--<br/>آرٹ ورک از \\@allison_horst-->\n"
"<!--<br/>آرٹ ورک از \\@allison_horst-->\n"
"#### **[لیکچر سے پہلے کا کوئز](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n",
"\n",
@ -78,7 +78,7 @@
"\n",
"لاجسٹک ریگریشن وہی خصوصیات پیش نہیں کرتا جو لینیئر ریگریشن کرتا ہے۔ پہلا ایک `بائنری کیٹیگری` (\"نارنجی یا غیر نارنجی\") کے بارے میں پیش گوئی کرتا ہے جبکہ دوسرا `مسلسل ویلیوز` کی پیش گوئی کرنے کی صلاحیت رکھتا ہے، جیسے کہ کدو کی اصل اور فصل کے وقت کے حساب سے *اس کی قیمت کتنی بڑھے گی*۔\n",
"\n",
"\n",
"\n",
"\n",
"### دیگر کلاسیفیکیشنز\n",
"\n",
@ -88,7 +88,7 @@
"\n",
"- **آرڈینل**، جس میں ترتیب شدہ کیٹیگریز شامل ہوتی ہیں، جو اس وقت مفید ہوتی ہیں جب ہم اپنے نتائج کو منطقی طور پر ترتیب دینا چاہتے ہیں، جیسے ہمارے کدو جو ایک محدود تعداد کے سائز (mini, sm, med, lg, xl, xxl) کے حساب سے ترتیب دیے گئے ہیں۔\n",
> تصویر از <ahref="https://unsplash.com/@teutschmann?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Beth Teutschmann</a> on <ahref="https://unsplash.com/s/photos/jack-o-lanterns?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
اس نصاب کے اس حصے میں، آپ کو ایک عملی مشین لرننگ موضوع سے متعارف کرایا جائے گا: اپنے Scikit-learn ماڈل کو ایک فائل کے طور پر محفوظ کرنے کا طریقہ جو ویب ایپلیکیشن کے اندر پیش گوئی کرنے کے لیے استعمال کی جا سکتی ہے۔ جب ماڈل محفوظ ہو جائے گا، تو آپ سیکھیں گے کہ اسے Flask میں بنائی گئی ویب ایپ میں کیسے استعمال کریں۔ آپ پہلے کچھ ڈیٹا کا استعمال کرتے ہوئے ایک ماڈل بنائیں گے جو UFO دیکھنے کے بارے میں ہے! پھر، آپ ایک ویب ایپ بنائیں گے جو آپ کو سیکنڈز کی تعداد، عرض بلد اور طول بلد کی قدر درج کرنے کی اجازت دے گی تاکہ یہ پیش گوئی کی جا سکے کہ کس ملک نے UFO دیکھنے کی اطلاع دی۔
تصویر از <ahref="https://unsplash.com/@mdherren?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">مائیکل ہیرن</a> پر <ahref="https://unsplash.com/s/photos/ufo?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
ایشیا اور بھارت میں کھانے کی روایات بے حد متنوع اور بہت مزیدار ہیں! آئیے علاقائی کھانوں کے بارے میں ڈیٹا دیکھتے ہیں تاکہ ان کے اجزاء کو سمجھنے کی کوشش کریں۔
> تصویر از <ahref="https://unsplash.com/@changlisheng?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">لی شینگ چانگ</a>، <ahref="https://unsplash.com/s/photos/asian-food?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> پر
نائجیریا کے متنوع سامعین کے موسیقی کے ذوق بھی متنوع ہیں۔ اس سلسلے میں، Spotify سے حاصل کردہ ڈیٹا کا استعمال کرتے ہوئے (جیسا کہ [اس مضمون](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421) سے متاثر ہو کر)، آئیے نائجیریا میں مقبول موسیقی پر نظر ڈالیں۔ اس ڈیٹا سیٹ میں مختلف گانوں کے 'ڈانس ایبلٹی' اسکور، 'اکوسٹکنیس'، آواز کی بلندی، 'اسپیچنیس'، مقبولیت اور توانائی کے بارے میں معلومات شامل ہیں۔ اس ڈیٹا میں پیٹرنز دریافت کرنا دلچسپ ہوگا!
> تصویر از <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">مارسیلا لاسکوسکی</a>، <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> پر
ان اسباق میں ہم NLP کی بنیادی باتیں سیکھیں گے، چھوٹے گفتگو کرنے والے بوٹس بنا کر یہ جانیں گے کہ مشین لرننگ ان گفتگو کو زیادہ سے زیادہ 'سمارٹ' بنانے میں کیسے مدد کرتی ہے۔ آپ وقت میں پیچھے جائیں گے، جین آسٹن کے کلاسک ناول **Pride and Prejudice** کے کردار الزبتھ بینٹ اور مسٹر ڈارسی کے ساتھ گفتگو کریں گے، جو 1813 میں شائع ہوا تھا۔ پھر، آپ اپنی معلومات کو مزید بڑھائیں گے، یورپ کے ہوٹل کے جائزوں کے ذریعے جذباتی تجزیہ کے بارے میں سیکھ کر۔
> تصویر <ahref="https://unsplash.com/@elaineh?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Elaine Howlin</a> کی جانب سے <ahref="https://unsplash.com/s/photos/pride-and-prejudice?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> پر
ہمارا علاقائی فوکس دنیا میں بجلی کے استعمال پر ہے، ایک دلچسپ ڈیٹا سیٹ جو ماضی کے لوڈ کے نمونوں کی بنیاد پر مستقبل کی بجلی کی کھپت کی پیش گوئی کرنے کے بارے میں سیکھنے کے لیے ہے۔ آپ دیکھ سکتے ہیں کہ اس قسم کی پیش گوئی کاروباری ماحول میں کتنی مددگار ثابت ہو سکتی ہے۔
تصویر [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) کی، جو راجستھان کی ایک سڑک پر بجلی کے ٹاورز کی ہے، [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) پر۔
تصور کریں کہ آپ کے پاس ایک تخیلاتی ماحول ہے جیسے اسٹاک مارکیٹ۔ اگر آپ کوئی خاص قانون نافذ کریں تو کیا ہوتا ہے؟ کیا اس کا مثبت یا منفی اثر ہوتا ہے؟ اگر کچھ منفی ہوتا ہے، تو آپ کو اس _منفی ری انفورسمنٹ_ کو لینا، اس سے سیکھنا، اور راستہ بدلنا ہوگا۔ اگر نتیجہ مثبت ہو، تو آپ کو اس _مثبت ری انفورسمنٹ_ پر کام کرنا ہوگا۔
> پیٹر اور اس کے دوستوں کو بھوکے بھیڑیے سے بچنا ہے! تصویر [Jen Looper](https://twitter.com/jenlooper) کی جانب سے
اس نصاب کے اس حصے میں، آپ کو کلاسیکل مشین لرننگ کے حقیقی دنیا میں استعمالات سے متعارف کرایا جائے گا۔ ہم نے انٹرنیٹ پر تحقیق کی ہے تاکہ ایسے وائٹ پیپرز اور مضامین تلاش کیے جا سکیں جو ان حکمت عملیوں کو استعمال کرتے ہیں، اور جہاں تک ممکن ہو نیورل نیٹ ورکس، ڈیپ لرننگ اور اے آئی سے گریز کیا گیا ہو۔ جانیں کہ مشین لرننگ کو کاروباری نظاموں، ماحولیاتی استعمالات، مالیات، فنون اور ثقافت، اور دیگر شعبوں میں کیسے استعمال کیا جاتا ہے۔
> تصویر از <ahref="https://unsplash.com/@childeye?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">الیکسس فوویٹ</a>، <ahref="https://unsplash.com/s/photos/artificial-intelligence?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> پر
ہماری Discord میں "Learn with AI" سلسلہ جاری ہے، مزید جاننے اور 18 - 30 ستمبر، 2025 میں ہمارے ساتھ شامل ہونے کے لیے [Learn with AI Series](https://aka.ms/learnwithai/discord) پر جائیں۔ آپ کو GitHub Copilot کو ڈیٹا سائنس کے لیے استعمال کرنے کے ٹپس اور ٹرکس ملیں گے۔
ہماری طرف سے ایک Discord "Learn with AI" سیریز جاری ہے، مزید جاننے اور ہمارے ساتھ شامل ہونے کے لیے [Learn with AI Series](https://aka.ms/learnwithai/discord) پر 18 - 30 ستمبر، 2025 کے درمیان تشریف لائیں۔ آپ کو GitHub Copilot کو ڈیٹا سائنس کے لیے استعمال کرنے کے متعلق تجاویز اور طریقے ملیں گے۔
# مشین لرننگ برائے مبتدی - ایک نصاب
# مشین لرننگ برائے مبتدی - نصاب
> 🌍 دنیا بھر کا سفر کریں جب ہم عالمی ثقافتوں کے ذریعے مشین لرننگ کو تلاش کرتے ہیں 🌍
> 🌍 دنیا بھر کا سفر کریں جب ہم دنیا کی ثقافتوں کے ذریعے مشین لرننگ کا مطالعہ کریں 🌍
Microsoft کے Cloud Advocates خوشی سے ایک 12 ہفتوں، 26 اسباق پر مشتمل نصاب پیش کرتے ہیں جو پوری طرح **مشین لرننگ** کے بارے میں ہے۔ اس نصاب میں آپ اس چیز کے بارے میں سیکھیں گے جسے بعض اوقات **کلاسیکل مشین لرننگ** کہا جاتا ہے، بنیادی طور پر Scikit-learn کو ایک لائبریری کے طور پر استعمال کرتے ہوئے اور ڈیپ لرننگ سے گریز کرتے ہوئے، جسے ہمارے [AI for Beginners' curriculum](https://aka.ms/ai4beginners) میں کور کیا گیا ہے۔ ان اسباق کو ہمارے ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) کے ساتھ جوڑیں!
Microsoft کے کلاؤڈ ایڈووکیٹس خوش ہیں کہ وہ 12 ہفتوں، 26 اسباق پر مشتمل ایک نصاب پیش کر رہے ہیں جو مکمل طور پر **مشین لرننگ** کے بارے میں ہے۔ اس نصاب میں آپ وہی کچھ سیکھیں گے جسے بعض اوقات **کلاسیکل مشین لرننگ** کہا جاتا ہے، جو بنیادی طور پر Scikit-learn لائبریری کا استعمال کرتا ہے اور ڈیپ لرننگ سے پرہیز کرتا ہے، جسے ہمارے [AI for Beginners' curriculum](https://aka.ms/ai4beginners) میں کور کیا گیا ہے۔ ان اسباق کو ہمارے ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) کے ساتھ جوڑیں، بھی۔
دنیا بھر کے مختلف علاقوں کے ڈیٹا پر ان کلاسیکل تکنیکوں کو لاگو کرتے ہوئے ہمارے ساتھ سفر کریں۔ ہر سبق میں پری-اور پوسٹ-سبق کوئزز، تحریری ہدایات برائے سبق مکمل کرنا، ایک حل، ایک اسائنمنٹ، اور مزید شامل ہیں۔ ہمارا پراجیکٹ پر مبنی تدریسی طریقہ آپ کو تعمیر کرتے ہوئے سیکھنے کی اجازت دیتا ہے، جو کہ نئی مہارتوں کو پائیدار بنانے کا ایک ثابت شدہ طریقہ ہے۔
دنیا بھر کے ڈیٹا پر ان کلاسیکی تکنیکوں کو لاگو کرتے ہوئے ہمارے ساتھ سفر کریں۔ ہر سبق میں پری-اور پوسٹ لیسن کوئزز، سبق مکمل کرنے کی تحریری ہدایات، ایک حل، ایک اسائنمنٹ، اور مزید شامل ہیں۔ ہمارا پروجیکٹ بیسڈ طریقۂ تدریس آپ کو بنانے کے دوران سیکھنے کا موقع دیتا ہے، جو نئی مہارتوں کو مستحکم کرنے کا ایک ثابت شدہ طریقہ ہے۔
**✍️ ہمارے مصنفین کے لیے پرخلوص شکریہ** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu اور Amy Boyd
**✍️ ہمارے مصنفین کے لیے دل کی گہری شکرگزاری** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd
**🎨 ہمارے مصوروں کا بھی شکریہ** Tomomi Imura, Dasani Madipalli, اور Jen Looper
**🎨 ہمارے مصوروں کا بھی شکریہ** Tomomi Imura, Dasani Madipalli, and Jen Looper
**🙏 خصوصی شکریہ 🙏 ہمارے Microsoft Student Ambassador مصنفین، جائزہ نگاروں، اور مواد میں حصہ دینے والوں کو**، خاص طور پر Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila، اور Snigdha Agarwal
**🙏 خصوصی شکریہ 🙏 ہمارے Microsoft Student Ambassador مصنفین، جائزہ نگاروں، اور مواد میں حصہ ڈالنے والوں کو**، خاص طور پر Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, اور Snigdha Agarwal
**🤩 اضافی شکریہ Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, اور Vidushi Gupta کو ہمارے R اسباق کے لیے!**
**🤩 اضافی شکرگزاری Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, اور Vidushi Gupta کا ہمارے R اسباق کے لیے!**
# شروع کرنے کا طریقہ
# شروع کریں
ان اقدامات پر عمل کریں:
1. **ریپوزیٹری کو فورک کریں**: اس صفحہ کے اوپر دائیں کونے میں "Fork" بٹن پر کلک کریں۔
2. **ریپوزیٹری کو کلون کریں**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
مندرجہ ذیل مراحل پر عمل کریں:
1. **ریپوزیٹری کو فورک کریں**: اس صفحہ کے اوپر دائیں کونے میں موجود "Fork" بٹن پر کلک کریں.
> [اس کورس کے لئے تمام اضافی وسائل ہماری Microsoft Learn کلیکشن میں تلاش کریں](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [اس کورس کے تمام اضافی وسائل ہمارے Microsoft Learn کلیکشن میں یہاں پائیں](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **مدد درکار؟** ہمارے [رہنمائے مسائل حل کرنے](TROUBLESHOOTING.md) کے لیے عام تنصیبات، سیٹ اپ، اور اسباق چلانے کے مسائل کے حل دیکھیں۔
> 🔧 **مدد درکار ہے؟** عام انسٹالیشن، سیٹ اپ، اور اسباق چلانے کے مسائل کے حل کے لیے ہمارا [Troubleshooting Guide](TROUBLESHOOTING.md) دیکھیں۔
**[طلباء](https://aka.ms/student-page)**، اس نصاب کو استعمال کرنے کے لیے، پورا ریپو اپنے GitHub اکاؤنٹ میں فورک کریں اور مشقیں اپنے طور پر یا گروپ کے ساتھ مکمل کریں:
**[طلباء](https://aka.ms/student-page)**، اس نصاب کو استعمال کرنے کے لیے، پوری ریپو کو اپنے GitHub اکاؤنٹ پر فورک کریں اور مشقیں خود یا کسی گروپ کے ساتھ مکمل کریں:
- پری-لیکچر کوئز سے شروع کریں۔
- لیکچر پڑھیں اور سرگرمیاں مکمل کریں، ہر علمی چیک پر رک کر غور کریں۔
- اسباق کو سمجھ کر پراجیکٹس بنانے کی کوشش کریں بجائے اس کے کہ صرف حل کوڈ چلائیں؛ تاہم وہ کوڈ ہر پراجیکٹ-مرکوز سبق کے `/solution` فولڈرز میں دستیاب ہے۔
- لیکچر کے بعد کا کوئز دیں۔
- لیکچر پڑھیں اور سرگرمیاں مکمل کریں، ہر علم چیک پر رک کر غور کریں۔
- کوشش کریں کہ پروجیکٹس سبق سمجھ کر بنائیں نہ کہ صرف حل کا کوڈ چلانے سے؛ تاہم وہ کوڈ ہر پروجیکٹ-مرکوز سبق کے `/solution` فولڈرز میں دستیاب ہے۔
- پوسٹ-لیکچر کوئز لیں۔
- چیلنج مکمل کریں۔
- اسائنمنٹ مکمل کریں۔
- ایک سبق گروپ مکمل کرنے کے بعد، [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) پر جائیں اور مناسب PAT روبرک بھر کر "بلا جھجھک سیکھیں"۔ 'PAT' ایک Progress Assessment Tool ہے جو ایک روبرک ہے جسے آپ اپنی سیکھنے کی مزید ترقی کے لیے بھر سکتے ہیں۔ آپ دوسرے PATs پر بھی ردعمل دے سکتے ہیں تاکہ ہم ایک ساتھ سیکھ سکیں۔
- ایک سبق کے گروپ کو مکمل کرنے کے بعد، [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) دیکھیں اور مناسب PAT روبریک بھر کر "سیکھنے کا اظہار" کریں۔ 'PAT' ایک Progress Assessment Tool ہے جو ایک روبریک ہے جسے آپ بھر کر اپنی سیکھ کو مزید بڑھا سکتے ہیں۔ آپ دوسرے PATs پر بھی ردعمل دے سکتے ہیں تاکہ ہم ایک ساتھ سیکھ سکیں۔
> مزید مطالعے کے لیے، ہم سفارش کرتے ہیں کہ آپ ان [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) ماڈیولز اور سیکھنے کے راستوں پر عمل کریں۔
> مزید مطالعے کے لیے، ہم سفارش کرتے ہیں کہ یہ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) ماڈیولز اور سیکھنے کے راستے فالو کریں۔
**اساتذہ**، ہم نے [کچھ تجاویز شامل کی ہیں](for-teachers.md) کہ اس نصاب کو کیسے استعمال کیا جائے۔
**اساتذہ**، ہم نے [for-teachers.md](for-teachers.md) میں اس نصاب کے استعمال کے بارے میں چند تجاویز شامل کی ہیں۔
---
## ویڈیو واک تھروز
## ویڈیو گائیڈز
کچھ اسباق مختصر ویڈیو کی شکل میں دستیاب ہیں۔ آپ یہ سب اسباق میں اندرونی طور پر حاصل کر سکتے ہیں، یا نیچے دی گئی تصویر پر کلک کر کے [ML for Beginners playlist on the Microsoft Developer YouTube channel](https://aka.ms/ml-beginners-videos) پر جا سکتے ہیں۔
کچھ اسباق مختصر ویڈیو کے طور پر دستیاب ہیں۔ آپ انہیں اسباق کے اندر ہی دیکھ سکتے ہیں، یا نیچے موجود تصویر پر کلک کر کے [Microsoft Developer YouTube چینل پر ML for Beginners پلے لسٹ](https://aka.ms/ml-beginners-videos) پر جا سکتے ہیں۔
[](https://aka.ms/ml-beginners-videos)
> 🎥 پروجیکٹ اور اسے بنانے والوں کے بارے میں ویڈیو کے لیے اوپر دی گئی تصویر پر کلک کریں!
> 🎥 مزید جاننے کے لیے اوپر والی تصویر پر کلک کریں کہ اس پروجیکٹ اور اسے بنانے والے افراد کے بارے میں ویڈیو دیکھیں!
---
## تدریسی اصول
ہم نے اس نصاب کی تعمیر کے دوران دو تدریسی اصولیں منتخب کی ہیں: یہ یقینی بنانا کہ یہ عملی طور پر **پراجیکٹ پر مبنی** ہو اور اس میں **بار بار کوئزز** شامل ہوں۔ اس کے علاوہ، اس نصاب میں ایک مشترکہ **تھیم** بھی ہے تاکہ اسے مربوط بنایا جا سکے۔
اس نصاب کو بناتے وقت ہم نے دو تدریسی اصول منتخب کیے ہیں: اسے عملی طور پر پروجیکٹ بیسڈ رکھنا اور اس میں کثرت سے کوئزز شامل کرنا۔ اس کے علاوہ، نصاب میں ایک مشترکہ **مضمون** بھی شامل ہے جو اسے یکجہتی دیتا ہے۔
مواد کو پراجیکٹس کے ساتھ ہم آہنگ رکھ کر، عمل طلباء کے لیے مزید پرکشش بنایا جاتا ہے اور تصورات کی یادداشت میں اضافہ ہوتا ہے۔ اس کے علاوہ، ایک کم خطرے والا کوئز کلاس سے پہلے طالب علم کے ارادے کو کسی موضوع سیکھنے کی طرف متعین کرتا ہے، جبکہ کلاس کے بعد دوسرا کوئز مزید حفظ کو یقینی بناتا ہے۔ یہ نصاب لچکدار اور دلچسپ ہونے کے لیے ڈیزائن کیا گیا ہے اور اسے پورا یا جزوی طور پر لیا جا سکتا ہے۔ پراجیکٹس چھوٹے شروع ہوتے ہیں اور 12-ہفتہ سائیکل کے آخر تک بڑھتے بڑھتے پیچیدہ ہو جاتے ہیں۔ اس نصاب میں ML کے حقیقی دنیا کے اطلاق پر ایک پس نوشت بھی شامل ہے، جسے اضافی کریڈٹ کے طور پر یا گفتگو کے لیے بنیاد کے طور پر استعمال کیا جا سکتا ہے۔
مواد کو پروجیکٹس کے ساتھ ہم آہنگ رکھنے سے طلباء کے لیے عمل مزید دلچسپ بنتا ہے اور تصورات کی یادداشت میں اضافہ ہوتا ہے۔ علاوہ ازیں، کلاس سے پہلے ایک کم دباؤ والا کوئز طالب علم کے اندر موضوع سیکھنے کی نیت قائم کرتا ہے، جبکہ کلاس کے بعد دوسرا کوئز مزید یادداشت کو یقینی بناتا ہے۔ یہ نصاب لچکدار اور دلچسپ بنانے کے لیے ڈیزائن کیا گیا ہے اور پورا یا جزوی طور پر کیا جا سکتا ہے۔ پروجیکٹس چھوٹے سے شروع ہو کر 12 ہفتوں کے دورانیے کے آخر تک بتدریج پیچیدہ ہوتے جاتے ہیں۔ اس نصاب میں حقیقی دنیا میں ML کے اطلاق پر ایک پوسٹ اسکرپٹ بھی شامل ہے، جسے اضافی کریڈٹ کے طور پر یا مباحثے کی بنیاد کے طور پر استعمال کیا جا سکتا ہے۔
> ہمارے [ضابطۂ اخلاق](CODE_OF_CONDUCT.md)، [شراکت](CONTRIBUTING.md), [ترجمہ](TRANSLATIONS.md), اور [مسائل حل کرنے](TROUBLESHOOTING.md) کی رہنما ہدایات دیکھیں۔ ہم آپ کی تعمیری آراء کا خیرمقدم کرتے ہیں!
> ہمارے [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md), اور [Troubleshooting](TROUBLESHOOTING.md) رہنما خطوط پائیں۔ ہم آپ کی تعمیری رائے کا خیرمقدم کرتے ہیں!
> **زبانوں کے بارے میں ایک نوٹ**: یہ اسباق بنیادی طور پر Python میں لکھے گئے ہیں، مگر بہت سے R میں بھی دستیاب ہیں۔ R سبق مکمل کرنے کے لیے، `/solution` فولڈر میں جائیں اور R اسباق تلاش کریں۔ ان میں .rmd توسیع شامل ہوتی ہے جو کہ ایک **R Markdown** فائل کی نمائندگی کرتی ہے جو سادہ طور پر `code chunks` (R یا دوسری زبانوں کے) اور ایک `YAML header` (جو نتائج جیسے PDF کو کس طرح فارمیٹ کرنا ہے ہدایت کرتا ہے) کو ایک `Markdown document` میں ایمبیڈ کرنے کے طور پر تعریف کی جا سکتی ہے۔ اس طرح، یہ ڈیٹا سائنس کے لیے ایک مثالی تحریری فریم ورک کے طور پر کام کرتا ہے کیونکہ یہ آپ کو اپنا کوڈ، اس کا آؤٹ پٹ، اور اپنے خیالات یکجا کرنے کی اجازت دیتا ہے کیونکہ آپ انہیں Markdown میں لکھ سکتے ہیں۔ مزید برآں، R Markdown دستاویزات کو PDF، HTML، یا Word جیسے آؤٹ پٹ فارمیٹس میں رینڈر کیا جا سکتا ہے۔
> **زبانوں کے بارے میں نوٹ**: یہ اسباق بنیادی طور پر Python میں لکھے گئے ہیں، لیکن بہت سے اسباق R میں بھی دستیاب ہیں۔ کسی R سبق کو مکمل کرنے کے لیے، `/solution` فولڈر میں جا کر R اسباق تلاش کریں۔ وہ .rmd توسیع رکھتے ہیں جو ایک **R Markdown** فائل کی نمائندگی کرتی ہے، جسے آسانی سے `code chunks` (R یا دیگر زبانوں کے) اور ایک `YAML header` کو ایک `Markdown document` میں شامل کرنے کے طور پر بیان کیا جا سکتا ہے۔ اس طرح یہ ڈیٹا سائنس کے لیے ایک مثالی مصنفانہ فریم ورک کے طور پر کام کرتا کیونکہ یہ آپ کو اپنے کوڈ، اس کے نتائج، اور اپنے خیالات کو Markdown میں لکھ کر ملا کر دکھانے کی اجازت دیتا ہے۔ مزید یہ کہ، R Markdown دستاویزات کو PDF، HTML، یا Word جیسے آؤٹ پٹ فارمیٹس میں رینڈر کیا جا سکتا ہے۔
> **کوئزز کے بارے میں ایک نوٹ**: تمام کوئزز [Quiz App folder](../../quiz-app) میں موجود ہیں، کل 52 کوئزز جن میں ہر ایک میں تین سوالات ہیں۔ وہ اسباق کے اندر لنک کیے گئے ہیں لیکن کوئز ایپ کو مقامی طور پر چلایا جا سکتا ہے؛ مقامی ہوسٹنگ یا Azure پر ڈپلائے کرنے کے لیے`quiz-app` فولڈر میں دی گئی ہدایات پر عمل کریں۔
> **کوئزز کے بارے میں نوٹ**: تمام کوئزز [Quiz App فولڈر](../../quiz-app) میں موجود ہیں، کل 52 کوئزز جن میں ہر ایک میں تین سوالات ہیں۔ وہ اسباق کے اندر لنک کیے گئے ہیں لیکن کوئز ایپ لوکل طور پر چلائی جا سکتی ہے؛`quiz-app` فولڈر میں دی گئی ہدایات پر عمل کریں تاکہ لوکل طور پر ہوسٹ یا Azure پر ڈیپلائے کیا جا سکے۔
| سبق نمبر | موضوع | سبق گروپنگ | سیکھنے کے مقاصد | مربوط سبق | مصنف |
| سبق نمبر | موضوع | سبق کا گروپ | سیکھنے کے مقاصد | منسلک سبق | مصنف |
| 01 | مشین لرننگ کا تعارف | [تعارف](1-Introduction/README.md) | مشین لرننگ کے بنیادی تصورات سیکھیں | [سبق](1-Introduction/1-intro-to-ML/README.md) | محمد |
| 02 | مشین لرننگ کی تاریخ | [تعارف](1-Introduction/README.md) | اس میدان کی بنیادی تاریخ سیکھیں | [سبق](1-Introduction/2-history-of-ML/README.md) | جین اور ایمی |
| 03 | انصاف اور مشین لرننگ | [تعارف](1-Introduction/README.md) | انصاف کے بارے میں وہ اہم فلسفیانہ مسائل کون سے ہیں جن پر طلباء کو ML ماڈلز بناتے اور اطلاق کرتے وقت غور کرنا چاہیے؟ | [سبق](1-Introduction/3-fairness/README.md) | ٹومومی |
| 04 | مشین لرننگ کی تکنیکیں | [تعارف](1-Introduction/README.md) | ML محققین ML ماڈلز بنانے کے لیے کون سی تکنیکیں استعمال کرتے ہیں؟ | [سبق](1-Introduction/4-techniques-of-ML/README.md) | کرس اور جین |
| 05 | ریگریشن کا تعارف | [ریگریشن](2-Regression/README.md) | ریگریشن ماڈلز کے لیے Python اور Scikit-learn کے ساتھ شروعات کریں | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | جین • ایرک ونجاو |
| 06 | شمالی امریکہ میں کدو کے دام 🎃 | [ریگریشن](2-Regression/README.md) | ML کی تیاری کے لیے ڈیٹا کو بصری شکل دیں اور صاف کریں | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | جین • ایرک ونجاو |
| 07 | شمالی امریکہ میں کدو کے دام 🎃 | [ریگریشن](2-Regression/README.md) | لکیری اور کثیر الدرجہ ریگریشن ماڈلز بنائیں | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | جین اور دمیتری • ایرک ونجاو |
| 08 | شمالی امریکہ میں کدو کے دام 🎃 | [ریگریشن](2-Regression/README.md) | لاجسٹک ریگریشن ماڈل بنائیں | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | جین • ایرک ونجاو |
| 02 | مشین لرننگ کی تاریخ | [تعارف](1-Introduction/README.md) | اس میدان کے پس منظر کی تاریخ سیکھیں | [سبق](1-Introduction/2-history-of-ML/README.md) | جین اور ایمی |
| 03 | انصاف پسندی اور مشین لرننگ | [تعارف](1-Introduction/README.md) | جب طلباء ML ماڈلز بناتے اور لاگو کرتے ہیں تو انصاف کے بارے میں کون سے اہم فلسفیانہ مسائل پر غور کرنا چاہیے؟ | [سبق](1-Introduction/3-fairness/README.md) | ٹومومی |
| 04 | مشین لرننگ کی تکنیکیں | [تعارف](1-Introduction/README.md) | ML محققین کون سی تکنیکیں استعمال کرتے ہیں تاکہ ML ماڈلز بنائیں؟ | [سبق](1-Introduction/4-techniques-of-ML/README.md) | کرس اور جین |
| 05 | ریگریشن کا تعارف | [ریگریشن](2-Regression/README.md) | ریگریشن ماڈلز کے لیے Python اور Scikit-learn کے ساتھ آغاز کریں | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | جین • ایرک وانجاؤ |
| 06 | شمالی امریکہ میں کدو کی قیمتیں 🎃 | [ریگریشن](2-Regression/README.md) | ML کی تیاری کے لیے ڈیٹا کی بصری نمائندگی اور صفائی کریں | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | جین • ایرک وانجاؤ |
| 07 | شمالی امریکہ میں کدو کی قیمتیں 🎃 | [ریگریشن](2-Regression/README.md) | لکیری اور کثیرالحدّی ریگریشن ماڈلز بنائیں | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | جین اور دمتری • ایرک وانجاؤ |
| 08 | شمالی امریکہ میں کدو کی قیمتیں 🎃 | [ریگریشن](2-Regression/README.md) | ایک لاجسٹک ریگریشن ماڈل بنائیں | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | جین • ایرک وانجاؤ |
| 09 | ایک ویب ایپ 🔌 | [ویب ایپ](3-Web-App/README.md) | اپنے تربیت یافتہ ماڈل کو استعمال کرنے کے لیے ایک ویب ایپ بنائیں | [Python](3-Web-App/1-Web-App/README.md) | جین |
| 10 | درجہ بندی کا تعارف | [درجہ بندی](4-Classification/README.md) | اپنے ڈیٹا کو صاف، تیار، اور بصری بنائیں؛ درجہ بندی کا تعارف | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | جین اور کیسّی • ایرک ونجاو |
| 11 | مزیدار ایشیائی اور ہندوستانی کھانے 🍜 | [درجہ بندی](4-Classification/README.md) | کلاسیفائرز کا تعارف | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | جین اور کیسّی • ایرک ونجاو |
| 13 | مزیدار ایشیائی اور ہندوستانی کھانے 🍜 | [درجہ بندی](4-Classification/README.md) | اپنے ماڈل کا استعمال کرتے ہوئے ریکمنڈر ویب ایپ بنائیں | [Python](4-Classification/4-Applied/README.md) | جین |
| 14 | کلسٹرنگ کا تعارف | [کلسٹرنگ](5-Clustering/README.md) | اپنے ڈیٹا کو صاف، تیار، اور بصری بنائیں؛ کلسٹرنگ کا تعارف | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | جین • ایرک ونجاو |
| 15 | نائیجیریائی موسیقی کے ذوق کی کھوج 🎧 | [کلسٹرنگ](5-Clustering/README.md) | K-Means کلسٹرنگ طریقہ کی تلاش کریں | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | جین • ایرک ونجاو |
| 16 | قدرتی زبان کی پروسیسنگ کا تعارف ☕️ | [قدرتی زبان کی پروسیسنگ](6-NLP/README.md) | ایک سادہ بوٹ بنا کر NLP کی بنیادی باتیں سیکھیں | [Python](6-NLP/1-Introduction-to-NLP/README.md) | اسٹیفن |
| 17 | عام NLP کے کام ☕️ | [قدرتی زبان کی پروسیسنگ](6-NLP/README.md) | زبان کی ساختوں سے نمٹنے کے وقت درکار عام کاموں کو سمجھ کر اپنے NLP علم کو گہرا کریں | [Python](6-NLP/2-Tasks/README.md) | اسٹیفن |
| 18 | ترجمہ اور جذباتی تجزیہ ♥️ | [قدرتی زبان کی پروسیسنگ](6-NLP/README.md) | جین آستن کے ساتھ ترجمہ اور جذباتی تجزیہ | [Python](6-NLP/3-Translation-Sentiment/README.md) | اسٹیفن |
| 19 | یورپ کے رومانوی ہوٹلز ♥️ | [قدرتی زبان کی پروسیسنگ](6-NLP/README.md) | ہوٹل کے جائزوں کے ساتھ جذباتی تجزیہ 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | اسٹیفن |
| 20 | یورپ کے رومانوی ہوٹلز ♥️ | [قدرتی زبان کی پروسیسنگ](6-NLP/README.md) | ہوٹل کے جائزوں کے ساتھ جذباتی تجزیہ 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | اسٹیفن |
| 22 | ⚡️ دنیا کی بجلی کا استعمال ⚡️ - ARIMA کے ساتھ ٹائم سیریز پیشن گوئی | [ٹائم سیریز](7-TimeSeries/README.md) | ARIMA کے ساتھ ٹائم سیریز پیشن گوئی | [Python](7-TimeSeries/2-ARIMA/README.md) | فرانچسکا |
| 23 | ⚡️ دنیا کی بجلی کا استعمال ⚡️ - SVR کے ساتھ ٹائم سیریز پیشن گوئی | [ٹائم سیریز](7-TimeSeries/README.md) | Support Vector Regressor کے ساتھ ٹائم سیریز پیشن گوئی | [Python](7-TimeSeries/3-SVR/README.md) | انربن |
| 24 | ری انفورسمنٹ لرننگ کا تعارف | [تقویتی سیکھنا](8-Reinforcement/README.md) | Q-Learning کے ساتھ ری انفورسمنٹ لرننگ کا تعارف | [Python](8-Reinforcement/1-QLearning/README.md) | دمیتری |
| 25 | پیٹر کو بھیڑیا سے بچانے میں مدد کریں! 🐺 | [تقویتی سیکھنا](8-Reinforcement/README.md) | Reinforcement learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | دمیتری |
| Postscript | حقیقی دنیا میں ML کے منظرنامے اور اطلاقات | [حقیقی دنیا میں ML](9-Real-World/README.md) | کلاسیکی ML کی دلچسپ اور آشکار کرنے والی حقیقی دنیا کی اطلاقات | [سبق](9-Real-World/1-Applications/README.md) | ٹیم |
| Postscript | ML ماڈل کی ڈیبگنگ RAI ڈیش بورڈ استعمال کرتے ہوئے | [حقیقی دنیا میں ML](9-Real-World/README.md) | Responsible AI ڈیش بورڈ اجزاء استعمال کرتے ہوئے مشین لرننگ میں ماڈل ڈیبگنگ | [سبق](9-Real-World/2-Debugging-ML-Models/README.md) | روتھ یاکوبو |
> [اس کورس کے اضافی تمام وسائل ہماری Microsoft Learn کلیکشن میں یہاں تلاش کریں](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
| 10 | کلاسیفیکیشن کا تعارف | [کلاسیفیکیشن](4-Classification/README.md) | اپنے ڈیٹا کو صاف کریں، تیار کریں، اور بصری طور پر دکھائیں؛ کلاسیفیکیشن کا تعارف | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | جین اور کیسی • ایرک وانجاؤ |
| 11 | لذیذ ایشیائی اور ہندی کھانے 🍜 | [کلاسیفیکیشن](4-Classification/README.md) | کلاسفائرز کا تعارف | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | جین اور کیسی • ایرک وانجاؤ |
| 13 | لذیذ ایشیائی اور ہندی کھانے 🍜 | [کلاسیفیکیشن](4-Classification/README.md) | اپنے ماڈل کا استعمال کرتے ہوئے ایک سفارش کنندہ ویب ایپ بنائیں | [Python](4-Classification/4-Applied/README.md) | جین |
| 14 | کلسٹرنگ کا تعارف | [کلسٹرنگ](5-Clustering/README.md) | اپنے ڈیٹا کو صاف کریں، تیار کریں، اور بصری بنائیں؛ کلسٹرنگ کا تعارف | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | جین • ایرک وانجاؤ |
| 15 | نائجیریائی موسیقی کے ذوق کا مطالعہ 🎧 | [کلسٹرنگ](5-Clustering/README.md) | K-Means کلسٹرنگ طریقہ کا مطالعہ کریں | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | جین • ایرک وانجاؤ |
| 16 | قدرتی زبان پروسیسنگ کا تعارف ☕️ | [قدرتی زبان پروسیسنگ](6-NLP/README.md) | ایک سادہ بوٹ بنا کر NLP کی بنیادی باتیں سیکھیں | [Python](6-NLP/1-Introduction-to-NLP/README.md) | اسٹیفن |
| 17 | عام NLP کے کام ☕️ | [قدرتی زبان پروسیسنگ](6-NLP/README.md) | زبان کی ساختوں سے نمٹنے کے وقت درکار عام کاموں کو سمجھ کر اپنے NLP کے علم کو گہرا کریں | [Python](6-NLP/2-Tasks/README.md) | اسٹیفن |
| 18 | ترجمہ اور جذباتی تجزیہ ♥️ | [قدرتی زبان پروسیسنگ](6-NLP/README.md) | جین آسٹن کے ساتھ ترجمہ اور جذباتی تجزیہ | [Python](6-NLP/3-Translation-Sentiment/README.md) | اسٹیفن |
| 19 | یورپ کے رومانوی ہوٹل ♥️ | [قدرتی زبان پروسیسنگ](6-NLP/README.md) | ہوٹل کے جائزوں کے ساتھ جذباتی تجزیہ 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | اسٹیفن |
| 20 | یورپ کے رومانوی ہوٹل ♥️ | [قدرتی زبان پروسیسنگ](6-NLP/README.md) | ہوٹل کے جائزوں کے ساتھ جذباتی تجزیہ 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | اسٹیفن |
| 22 | ⚡️ عالمی بجلی کا استعمال ⚡️ - ARIMA کے ساتھ ٹائم سیریز پیش گوئی | [ٹائم سیریز](7-TimeSeries/README.md) | ARIMA کے ساتھ ٹائم سیریز پیش گوئی | [Python](7-TimeSeries/2-ARIMA/README.md) | فرانسسکا |
| 23 | ⚡️ عالمی بجلی کا استعمال ⚡️ - SVR کے ساتھ ٹائم سیریز پیش گوئی | [ٹائم سیریز](7-TimeSeries/README.md) | Support Vector Regressor کے ساتھ ٹائم سیریز پیش گوئی | [Python](7-TimeSeries/3-SVR/README.md) | انربن |
| 24 | تقویتی سیکھنے کا تعارف | [تقویتی سیکھنے](8-Reinforcement/README.md) | Q-Learning کے ساتھ تقویتی سیکھنے کا تعارف | [Python](8-Reinforcement/1-QLearning/README.md) | دمتری |
| پوسٹ اسکرپٹ | حقیقی دنیا کے ML منظرنامے اور اطلاقات | [حقیقی دنیا میں ML](9-Real-World/README.md) | روایتی ML کی دلچسپ اور آشکارہ حقیقی دنیا کی اطلاقات | [سبق](9-Real-World/1-Applications/README.md) | ٹیم |
| پوسٹ اسکرپٹ | ML میں ماڈل کی ڈیبگنگ RAI ڈیش بورڈ کے ذریعے | [حقیقی دنیا میں ML](9-Real-World/README.md) | Responsible AI ڈیش بورڈ اجزاء کا استعمال کرتے ہوئے مشین لرننگ میں ماڈل ڈیبگنگ | [سبق](9-Real-World/2-Debugging-ML-Models/README.md) | رتھ یاکوبو |
> [اس کورس کے لیے تمام اضافی وسائل ہماری Microsoft Learn کلیکشن میں تلاش کریں](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## آف لائن رسائی
آپ اس دستاویز کو Docsify استعمال کرکے آف لائن چلا سکتے ہیں۔ اس ریپو کو فورک کریں، اپنی مقامی مشین پر Docsify انسٹال کریں، اور پھر اس ریپو کے روٹ فولڈر میں ٹائپ کریں `docsify serve`۔ ویب سائٹ آپ کے localhost پر پورٹ 3000 پر سرور ہوگی: `localhost:3000`.
آپ اس دستاویز کو آف لائن [Docsify](https://docsify.js.org/#/) کے ذریعے چلا سکتے ہیں۔ اس ریپو کو فورک کریں، اپنی مقامی مشین پر [Docsify انسٹال کریں](https://docsify.js.org/#/quickstart)، اور پھر اس ریپو کے روٹ فولڈر میں `docsify serve` ٹائپ کریں۔ ویب سائٹ آپ کے لوکل ہوسٹ پر پورٹ 3000 پر سرور کی جائے گی: `localhost:3000`.
## پی ڈی ایفز
نصاب کا پی ڈی ایف لنکس کے ساتھ [یہاں](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) ملے گا۔
نصاب کا ایک pdf لنکس کے ساتھ [یہاں](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) تلاش کریں۔
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### بنیادی تعلیم
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
### بنیادی سیکھنا
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
@ -200,24 +197,24 @@ Microsoft کے Cloud Advocates خوشی سے ایک 12 ہفتوں، 26 اسبا
---
### کوپائلٹ سیریز
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
اگر آپ پھنس جائیں یا AI ایپس بنانے کے بارے میں کوئی سوال ہو تو۔ MCP کے بارے میں ہونے والی بحثوں میں دوسرے سیکھنے والوں اور تجربہ کار ڈویلپرز کے ساتھ شامل ہوں۔ یہ ایک معاون کمیونٹی ہے جہاں سوالات کا خیرمقدم کیا جاتا ہے اور علم آزادانہ طور پر شیئر کیا جاتا ہے۔
اگر آپ پھنس جائیں یا AI ایپس بنانے کے بارے میں آپ کے پاس کوئی سوالات ہوں تو۔ MCP کے بارے میں ساتھی سیکھنے والے اور تجربہ کار ڈویلپرز کے ساتھ مباحثوں میں شامل ہوں۔ یہ ایک معاون کمیونٹی ہے جہاں سوالات کا خیرمقدم کیا جاتا ہے اور علم آزادانہ طور پر شیئر کیا جاتا ہے۔
یہ دستاویز AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کا استعمال کر کے ترجمہ کی گئی ہے۔ اگرچہ ہم درستگی کے لیے کوشاں ہیں، براہِ کرم نوٹ کریں کہ خودکار تراجم میں غلطیاں یا نقائص ہو سکتے ہیں۔ اصل دستاویز کو اس کی مادری زبان میں حتمی اور معتبر ماخذ سمجھا جانا چاہیے۔ اہم معلومات کے لیے پیشہ ورانہ انسانی ترجمہ کی سفارش کی جاتی ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تعبیر کے لیے ہم ذمہ دار نہیں ہیں۔
اعلانِ عدمِ ذمہ داری:
اس دستاویز کا ترجمہ AI ترجمہ سروس Co-op Translator (https://github.com/Azure/co-op-translator) کے ذریعے کیا گیا ہے۔ اگرچہ ہم درستگی کے لیے کوشاں ہیں، براہِ کرم نوٹ کریں کہ خودکار تراجم میں خامیاں یا غلطیاں ہو سکتی ہیں۔ اصل دستاویز کو اس کی مادری زبان میں ہی مستند ماخذ سمجھا جانا چاہیے۔ اہم معلومات کے لیے پیشہ ور انسانی ترجمعہ تجویز کیا جاتا ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تعبیر کے لیے ہم ذمہ دار نہیں ہیں۔
[](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
[](https://discord.gg/nTYy5BXMWG)
[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
### 🌐 Hỗ trợ Đa Ngôn Ngữ
### 🌐 Hỗ trợ Đa ngôn ngữ
#### Hỗ trợ qua GitHub Action (Tự động & Luôn Cập nhật)
#### Được hỗ trợ thông qua GitHub Action (Tự động & Luôn cập nhật)
Chúng tôi đang có một chuỗi Discord "Học với AI" đang diễn ra, tìm hiểu thêm và tham gia cùng chúng tôi tại [Chuỗi Học với AI](https://aka.ms/learnwithai/discord) từ 18 - 30 tháng 9, 2025. Bạn sẽ nhận được mẹo và thủ thuật sử dụng GitHub Copilot for Data Science.
Chúng tôi có một chuỗi Discord Learn with AI đang diễn ra, tìm hiểu thêm và tham gia cùng chúng tôi tại [Chuỗi Learn with AI](https://aka.ms/learnwithai/discord) từ ngày 18 - 30 tháng 9, 2025. Bạn sẽ nhận được mẹo và thủ thuật sử dụng GitHub Copilot cho Data Science.
# Học Máy cho Người Mới Bắt Đầu - Một Chương Trình Học
# Học Máy cho Người Mới Bắt Đầu - Một Chương trình giảng dạy
> 🌍 Du hành vòng quanh thế giới khi chúng ta khám phá Học Máy thông qua các nền văn hóa trên thế giới 🌍
> 🌍 Du lịch vòng quanh thế giới khi chúng ta khám phá Học Máy thông qua các nền văn hóa trên toàn cầu 🌍
Các Cloud Advocates tại Microsoft vui mừng giới thiệu một chương trình học 12 tuần, 26 bài toàn về **Học Máy**. Trong chương trình này, bạn sẽ tìm hiểu về cái mà đôi khi được gọi là **học máy cổ điển**, chủ yếu sử dụng Scikit-learn làm thư viện và tránh deep learning, phần này được đề cập trong [chương trình 'AI cho Người Mới Bắt Đầu'](https://aka.ms/ai4beginners). Kết hợp những bài học này với [chương trình 'Khoa học Dữ liệu cho Người Mới Bắt Đầu'](https://aka.ms/ds4beginners) của chúng tôi nữa nhé!
Các Cloud Advocates tại Microsoft rất vui được cung cấp một chương trình giảng dạy 12 tuần, 26 bài hoàn toàn về **Học Máy**. Trong chương trình này, bạn sẽ học về cái mà đôi khi được gọi là **học máy cổ điển**, chủ yếu sử dụng Scikit-learn làm thư viện và tránh học sâu, phần này được đề cập trong [chương trình 'AI cho Người Mới Bắt Đầu'](https://aka.ms/ai4beginners). Hãy ghép những bài học này với [chương trình 'Khoa học dữ liệu cho Người Mới Bắt Đầu'](https://aka.ms/ds4beginners) của chúng tôi nữa!
Hãy cùng chúng tôi du lịch vòng quanh thế giới khi áp dụng các kỹ thuật cổ điển này cho dữ liệu từ nhiều khu vực trên thế giới. Mỗi bài học bao gồm bài kiểm tra trước và sau bài học, hướng dẫn bằng văn bản để hoàn thành bài học, một lời giải, một bài tập, và nhiều hơn nữa. Phương pháp dạy học theo dự án cho phép bạn học trong khi xây dựng, một cách đã được chứng minh giúp kỹ năng mới "được ghi nhớ".
Hãy đồng hành cùng chúng tôi vòng quanh thế giới khi chúng ta áp dụng những kỹ thuật cổ điển này cho dữ liệu từ nhiều khu vực khác nhau. Mỗi bài học bao gồm bài kiểm tra trước và sau bài học, hướng dẫn viết để hoàn thành bài học, một lời giải, một bài tập, và hơn thế nữa. Phương pháp dạy theo dự án của chúng tôi cho phép bạn học trong khi xây dựng, một cách đã được chứng minh giúp kỹ năng mới dễ ghi nhớ hơn.
**✍️ Xin gửi lời cảm ơn chân thành đến các tác giả của chúng tôi** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu và Amy Boyd
**✍️ Lời cảm ơn nồng hậu tới các tác giả của chúng tôi** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu và Amy Boyd
**🎨 Cảm ơn các họa sĩ minh họa của chúng tôi** Tomomi Imura, Dasani Madipalli, và Jen Looper
**🎨 Cảm ơn các họa sĩ minh họa** Tomomi Imura, Dasani Madipalli, và Jen Looper
**🙏 Xin cảm ơn đặc biệt 🙏 tới các Microsoft Student Ambassador là tác giả, người xem xét và đóng góp nội dung**, đặc biệt là Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, và Snigdha Agarwal
**🙏 Lời cảm ơn đặc biệt 🙏 tới các Microsoft Student Ambassador là tác giả, người đánh giá và đóng góp nội dung**, đặc biệt Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, và Snigdha Agarwal
**🤩 Lời cảm ơn thêm tới các Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, và Vidushi Gupta cho các bài học R của chúng tôi!**
**🤩 Xin cảm ơn thêm tới Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, và Vidushi Gupta cho các bài học R của chúng tôi!**
# Bắt đầu
Thực hiện các bước sau:
1. **Tạo fork kho lưu trữ**: Nhấp vào nút "Fork" ở góc trên bên phải của trang này.
> [tìm tất cả tài nguyên bổ sung cho khóa học này trong bộ sưu tập Microsoft Learn của chúng tôi](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [tìm tất cả các tài nguyên bổ sung cho khóa học này trong bộ sưu tập Microsoft Learn của chúng tôi](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Cần trợ giúp?** Xem [Hướng dẫn Khắc phục sự cố](TROUBLESHOOTING.md) của chúng tôi để tìm các giải pháp cho những vấn đề phổ biến về cài đặt, cấu hình và chạy bài học.
> 🔧 **Cần trợ giúp?** Xem [Hướng dẫn Khắc phục sự cố](TROUBLESHOOTING.md) của chúng tôi để tìm giải pháp cho các sự cố phổ biến về cài đặt, cấu hình và chạy các bài học.
**[Học sinh](https://aka.ms/student-page)**, để sử dụng chương trình này, hãy fork toàn bộ repo vào tài khoản GitHub của bạn và hoàn thành các bài tập một mình hoặc theo nhóm:
**[Học viên](https://aka.ms/student-page)**, để sử dụng chương trình này, fork toàn bộ repo vào tài khoản GitHub của bạn và hoàn thành các bài tập một mình hoặc theo nhóm:
- Bắt đầu với một bài kiểm tra khởi động trước bài giảng.
- Đọc bài giảng và hoàn thành các hoạt động, tạm dừng và suy ngẫm ở mỗi phần kiểm tra kiến thức.
- Cố gắng tự tạo các dự án bằng cách hiểu các bài học thay vì chạy mã giải; tuy nhiên mã đó có sẵn trong các thư mục `/solution` trong mỗi bài học theo dự án.
- Đọc bài giảng và hoàn thành các hoạt động, tạm dừng và suy ngẫm ở mỗi kiểm tra kiến thức.
- Cố gắng tạo các dự án bằng cách hiểu bài học thay vì chạy mã giải; tuy nhiên mã đó có sẵn trong các thư mục `/solution` trong mỗi bài học theo dự án.
- Làm bài kiểm tra sau bài giảng.
- Hoàn thành thử thách.
- Hoàn thành bài tập.
- Sau khi hoàn thành một nhóm bài học, hãy ghé thăm [Diễn đàn Thảo luận](https://github.com/microsoft/ML-For-Beginners/discussions) và "học một cách công khai" bằng cách điền vào biểu mẫu đánh giá PAT tương ứng. 'PAT' là một Progress Assessment Tool (Công cụ Đánh giá Tiến độ) — một bảng chấm điểm mà bạn điền để thúc đẩy việc học của mình. Bạn cũng có thể phản ứng với PAT của người khác để chúng ta cùng học hỏi.
- Sau khi hoàn thành một nhóm bài học, hãy truy cập [Bảng Thảo luận](https://github.com/microsoft/ML-For-Beginners/discussions) và "học cùng nhau" bằng cách điền vào rubric PAT phù hợp. 'PAT' là một Công cụ Đánh giá Tiến độ, là rubric bạn điền vào để thúc đẩy việc học của mình. Bạn cũng có thể phản ứng với các PAT khác để chúng ta cùng học.
> Để học thêm, chúng tôi khuyến nghị theo dõi các module và lộ trình học trên [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> Để học sâu hơn, chúng tôi khuyên bạn theo các module và lộ trình học sau trên [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**Giáo viên**, chúng tôi đã [đưa ra một số gợi ý](for-teachers.md) về cách sử dụng chương trình này.
**Giáo viên**, chúng tôi đã [đưa một số gợi ý](for-teachers.md) về cách sử dụng chương trình này.
---
## Hướng dẫn bằng video
## Video hướng dẫn
Một số bài học có sẵn dưới dạng video ngắn. Bạn có thể tìm tất cả những video này nhúng trong các bài học, hoặc trên [danh sách phát 'ML for Beginners' trên kênh Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) bằng cách nhấp vào hình ảnh bên dưới.
Một số bài học có sẵn dưới dạng video ngắn. Bạn có thể tìm tất cả những video này nhúng trong các bài học, hoặc trên [danh sách phát ML for Beginners trên kênh Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) bằng cách nhấp vào hình ảnh bên dưới.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 Nhấp vào hình ảnh ở trên để xem video về dự án và những người đã tạo ra nó!
@ -94,19 +96,19 @@ Một số bài học có sẵn dưới dạng video ngắn. Bạn có thể tì
## Phương pháp giảng dạy
Chúng tôi đã lựa chọn hai nguyên tắc sư phạm khi xây dựng chương trình này: đảm bảo rằng nó thực hành nhiều theo hướng **dự án** và bao gồm **các bài kiểm tra thường xuyên**. Ngoài ra, chương trình này có một **chủ đề** chung để tạo tính liên kết.
Chúng tôi đã chọn hai nguyên tắc sư phạm khi xây dựng chương trình này: đảm bảo rằng nó mang tính thực hành **theo dự án** và bao gồm **các bài kiểm tra thường xuyên**. Ngoài ra, chương trình này có một **chủ đề** chung để tạo sự liên kết.
Bằng cách đảm bảo nội dung phù hợp với dự án, quá trình học trở nên hấp dẫn hơn cho học viên và việc ghi nhớ khái niệm sẽ được tăng cường. Thêm vào đó, một bài kiểm tra nhẹ trước lớp đặt mục tiêu học tập cho học viên về một chủ đề, trong khi bài kiểm tra thứ hai sau lớp giúp củng cố ghi nhớ. Chương trình này được thiết kế linh hoạt và vui vẻ và có thể được học toàn bộ hoặc từng phần. Các dự án bắt đầu nhỏ và trở nên ngày càng phức tạp vào cuối chu trình 12 tuần. Chương trình này cũng bao gồm một phần chú thích về ứng dụng thực tiễn của ML, có thể dùng làm điểm thưởng thêm hoặc làm cơ sở cho thảo luận.
Bằng cách đảm bảo nội dung phù hợp với các dự án, quá trình học trở nên hấp dẫn hơn cho học sinh và việc ghi nhớ khái niệm sẽ được tăng cường. Thêm vào đó, một bài kiểm tra trước lớp không áp lực sẽ thiết lập ý định học tập của học viên về một chủ đề, trong khi bài kiểm tra thứ hai sau lớp đảm bảo việc ghi nhớ lâu hơn. Chương trình này được thiết kế linh hoạt và thú vị, có thể học toàn bộ hoặc một phần. Các dự án bắt đầu nhỏ và trở nên phức tạp hơn theo cuối chu kỳ 12 tuần. Chương trình này cũng bao gồm một phần phụ lục về các ứng dụng thực tế của ML, có thể dùng làm điểm cộng thêm hoặc làm cơ sở cho thảo luận.
> Tìm [Bộ Quy tắc Ứng xử](CODE_OF_CONDUCT.md), [Hướng dẫn Đóng góp](CONTRIBUTING.md), [Dịch thuật](TRANSLATIONS.md), và [Hướng dẫn Khắc phục sự cố](TROUBLESHOOTING.md) của chúng tôi. Chúng tôi hoan nghênh phản hồi mang tính xây dựng của bạn!
> Tìm [Bộ Quy tắc Ứng xử](CODE_OF_CONDUCT.md), [Hướng dẫn Đóng góp](CONTRIBUTING.md), [Dịch thuật](TRANSLATIONS.md), và [Khắc phục sự cố](TROUBLESHOOTING.md) của chúng tôi. Chúng tôi hoan nghênh phản hồi mang tính xây dựng của bạn!
## Mỗi bài học bao gồm
- sketchnote tùy chọn
- video bổ sung tùy chọn
- hướng dẫn bằng video (chỉ một số bài học)
- video hướng dẫn (chỉ một số bài)
- [bài kiểm tra khởi động trước bài giảng](https://ff-quizzes.netlify.app/en/ml/)
- bài học bằng văn bản
- bài học viết
- đối với các bài học theo dự án, hướng dẫn từng bước về cách xây dựng dự án
- kiểm tra kiến thức
- một thử thách
@ -114,54 +116,54 @@ Bằng cách đảm bảo nội dung phù hợp với dự án, quá trình họ
- bài tập
- [bài kiểm tra sau bài giảng](https://ff-quizzes.netlify.app/en/ml/)
> **Ghi chú về ngôn ngữ**: Các bài học này chủ yếu viết bằng Python, nhưng nhiều bài cũng có sẵn bằng R. Để hoàn thành một bài học R, hãy vào thư mục `/solution` và tìm các bài học R. Chúng bao gồm phần mở rộng .rmd đại diện cho một **R Markdown**file, có thể đơn giản được định nghĩa là nhúng các`code chunks` (của R hoặc ngôn ngữ khác) và một `YAML header` (hướng dẫn cách định dạng đầu ra như PDF) trong một `Markdown document`. Do đó, nó phục vụ như một khung tác giả mẫu cho khoa học dữ liệu vì nó cho phép bạn kết hợp mã của mình, kết quả đầu ra và suy nghĩ của bạn bằng cách cho phép bạn viết chúng xuống bằng Markdown. Hơn nữa, tài liệu R Markdown có thể được xuất ra các định dạng như PDF, HTML hoặc Word.
> **Ghi chú về ngôn ngữ**: Các bài học này chủ yếu được viết bằng Python, nhưng nhiều bài cũng có sẵn bằng R. Để hoàn thành một bài học R, hãy vào thư mục `/solution` và tìm các bài học R. Chúng bao gồm phần mở rộng .rmd đại diện cho một tệp **R Markdown** có thể được định nghĩa đơn giản là nhúng `code chunks` (của R hoặc ngôn ngữ khác) và một `YAML header` (hướng dẫn cách định dạng đầu ra như PDF) trong một `Markdown document`. Do đó, nó phục vụ như một khung soạn thảo mẫu cho khoa học dữ liệu vì nó cho phép bạn kết hợp mã, đầu ra của mã và suy nghĩ của bạn bằng cách cho phép bạn viết chúng trong Markdown. Hơn nữa, các tài liệu R Markdown có thể được render ra các định dạng đầu ra như PDF, HTML hoặc Word.
> **Ghi chú về các bài kiểm tra**: Tất cả các bài kiểm tra đều nằm trong [thư mục Quiz App](../../quiz-app), tổng cộng 52 bài kiểm tra, mỗi bài gồm ba câu hỏi. Chúng được liên kết từ trong các bài học nhưng ứng dụng quiz có thể chạy cục bộ; làm theo hướng dẫn trong thư mục `quiz-app` để lưu trữ cục bộ hoặc triển khai lên Azure.
> **Ghi chú về các bài kiểm tra**: Tất cả các bài kiểm tra được chứa trong [thư mục Quiz App](../../quiz-app), tổng cộng 52 bài kiểm tra, mỗi bài gồm ba câu hỏi. Chúng được liên kết từ trong các bài học nhưng ứng dụng quiz có thể chạy cục bộ; làm theo hướng dẫn trong thư mục `quiz-app` để lưu trữ cục bộ hoặc triển khai lên Azure.
| Số bài học | Chủ đề | Nhóm bài học | Mục tiêu học tập | Bài học liên kết | Tác giả |
| Số Bài Học | Chủ đề | Nhóm Bài học | Mục tiêu học tập | Bài học liên kết | Tác giả |
| 01 | Giới thiệu về học máy | [Introduction](1-Introduction/README.md) | Tìm hiểu các khái niệm cơ bản về học máy | [Bài học](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Lịch sử của học máy | [Introduction](1-Introduction/README.md) | Tìm hiểu lịch sử nền tảng của lĩnh vực này | [Bài học](1-Introduction/2-history-of-ML/README.md) | Jen và Amy |
| 03 | Công bằng và học máy | [Introduction](1-Introduction/README.md) | Những vấn đề triết học quan trọng nào liên quan đến công bằng mà học viên nên cân nhắc khi xây dựng và áp dụng các mô hình ML? | [Bài học](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Các kỹ thuật cho học máy | [Introduction](1-Introduction/README.md) | Các nhà nghiên cứu ML sử dụng những kỹ thuật nào để xây dựng mô hình ML? | [Bài học](1-Introduction/4-techniques-of-ML/README.md) | Chris và Jen |
| 01 | Giới thiệu về học máy | [Giới thiệu](1-Introduction/README.md) | Tìm hiểu các khái niệm cơ bản về học máy | [Bài học](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Lịch sử của học máy | [Giới thiệu](1-Introduction/README.md) | Tìm hiểu lịch sử nền tảng của lĩnh vực này | [Bài học](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Công bằng trong học máy | [Giới thiệu](1-Introduction/README.md) | Những vấn đề triết học quan trọng xung quanh công bằng mà sinh viên nên xem xét khi xây dựng và áp dụng các mô hình ML là gì? | [Bài học](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Các kỹ thuật trong học máy | [Giới thiệu](1-Introduction/README.md) | Các nhà nghiên cứu ML sử dụng những kỹ thuật nào để xây dựng các mô hình ML? | [Bài học](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Giới thiệu về hồi quy | [Hồi quy](2-Regression/README.md) | Bắt đầu với Python và Scikit-learn cho các mô hình hồi quy | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Giá bí ngô Bắc Mỹ 🎃 | [Hồi quy](2-Regression/README.md) | Trực quan hóa và làm sạch dữ liệu để chuẩn bị cho ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Giá bí ngô Bắc Mỹ 🎃 | [Hồi quy](2-Regression/README.md) | Xây dựng các mô hình hồi quy tuyến tính và đa thức | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen và Dmitry • Eric Wanjau |
| 08 | Giá bí ngô Bắc Mỹ 🎃 | [Hồi quy](2-Regression/README.md) | Xây dựng mô hình hồi quy logistic | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Một Ứng Dụng Web 🔌 | [Web App](3-Web-App/README.md) | Xây dựng một ứng dụng web để sử dụng mô hình đã được huấn luyện | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Giới thiệu về phân loại | [Classification](4-Classification/README.md) | Làm sạch, chuẩn bị và trực quan hóa dữ liệu của bạn; giới thiệu về phân loại | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen và Cassie • Eric Wanjau |
| 11 | Ẩm thực châu Á và Ấn Độ ngon miệng 🍜 | [Classification](4-Classification/README.md) | Giới thiệu về bộ phân loại | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen và Cassie • Eric Wanjau |
| 12 | Ẩm thực châu Á và Ấn Độ ngon miệng 🍜 | [Classification](4-Classification/README.md) | Thêm các bộ phân loại | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen và Cassie • Eric Wanjau |
| 13 | Ẩm thực châu Á và Ấn Độ ngon miệng 🍜 | [Classification](4-Classification/README.md) | Xây dựng ứng dụng web đề xuất sử dụng mô hình của bạn | [Python](4-Classification/4-Applied/README.md) | Jen |
| 06 | North American pumpkin prices 🎃 | [Hồi quy](2-Regression/README.md) | Trực quan hóa và làm sạch dữ liệu để chuẩn bị cho học máy | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | North American pumpkin prices 🎃 | [Hồi quy](2-Regression/README.md) | Xây dựng các mô hình hồi quy tuyến tính và đa thức | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | North American pumpkin prices 🎃 | [Hồi quy](2-Regression/README.md) | Xây dựng mô hình hồi quy logistic | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Một ứng dụng web 🔌 | [Web App](3-Web-App/README.md) | Xây dựng một ứng dụng web để sử dụng mô hình đã được huấn luyện của bạn | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Giới thiệu về phân loại | [Classification](4-Classification/README.md) | Làm sạch, chuẩn bị và trực quan hóa dữ liệu của bạn; giới thiệu về phân loại | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | Món ăn ngon châu Á và Ấn Độ 🍜 | [Classification](4-Classification/README.md) | Giới thiệu về các bộ phân loại | [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 | Món ăn ngon châu Á và Ấn Độ 🍜 | [Classification](4-Classification/README.md) | Thêm bộ phân loại | [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 | Món ăn ngon châu Á và Ấn Độ 🍜 | [Classification](4-Classification/README.md) | Xây dựng một ứng dụng web gợi ý sử dụng mô hình của bạn | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Giới thiệu về phân cụm | [Clustering](5-Clustering/README.md) | Làm sạch, chuẩn bị và trực quan hóa dữ liệu của bạn; Giới thiệu về phân cụm | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Khám phá sở thích âm nhạc của Nigeria 🎧 | [Clustering](5-Clustering/README.md) | Khám phá phương pháp phân cụm 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 | Giới thiệu về xử lý ngôn ngữ tự nhiên ☕️ | [Natural language processing](6-NLP/README.md) | Tìm hiểu những điều cơ bản về NLP bằng cách xây dựng một bot đơn giản | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Các tác vụ NLP phổ biến ☕️ | [Natural language processing](6-NLP/README.md) | Tăng cường kiến thức NLP của bạn bằng cách hiểu các tác vụ phổ biến cần thiết khi xử lý cấu trúc ngôn ngữ | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 15 | Khám phá gu âm nhạc Nigeria 🎧 | [Clustering](5-Clustering/README.md) | Khám phá phương pháp phân cụm 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 | Giới thiệu về xử lý ngôn ngữ tự nhiên ☕️ | [Natural language processing](6-NLP/README.md) | Tìm hiểu cơ bản về NLP bằng cách xây dựng một bot đơn giản | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Các nhiệm vụ NLP phổ biến ☕️ | [Natural language processing](6-NLP/README.md) | Nâng cao kiến thức NLP của bạn bằng cách hiểu các nhiệm vụ phổ biến khi xử lý cấu trúc ngôn ngữ | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Dịch và phân tích cảm xúc ♥️ | [Natural language processing](6-NLP/README.md) | Dịch và phân tích cảm xúc với Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Những khách sạn lãng mạn ở châu Âu ♥️ | [Natural language processing](6-NLP/README.md) | Phân tích cảm xúc với đánh giá khách sạn 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Những khách sạn lãng mạn ở châu Âu ♥️ | [Natural language processing](6-NLP/README.md) | Phân tích cảm xúc với đánh giá khách sạn 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 19 | Khách sạn lãng mạn ở châu Âu ♥️ | [Natural language processing](6-NLP/README.md) | Phân tích cảm xúc với đánh giá khách sạn 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Khách sạn lãng mạn ở châu Âu ♥️ | [Natural language processing](6-NLP/README.md) | Phân tích cảm xúc với đánh giá khách sạn 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Giới thiệu về dự báo chuỗi thời gian | [Time series](7-TimeSeries/README.md) | Giới thiệu về dự báo chuỗi thời gian | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Sử dụng điện trên toàn cầu ⚡️ - dự báo chuỗi thời gian với ARIMA | [Time series](7-TimeSeries/README.md) | Dự báo chuỗi thời gian với ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Sử dụng điện trên toàn cầu ⚡️ - dự báo chuỗi thời gian với SVR | [Time series](7-TimeSeries/README.md) | Dự báo chuỗi thời gian với Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 22 | ⚡️ World Power Usage ⚡️ - time series forecasting with ARIMA | [Time series](7-TimeSeries/README.md) | Dự báo chuỗi thời gian với ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ World Power Usage ⚡️ - time series forecasting with SVR | [Time series](7-TimeSeries/README.md) | Dự báo chuỗi thời gian với Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Giới thiệu về học tăng cường | [Reinforcement learning](8-Reinforcement/README.md) | Giới thiệu về học tăng cường với Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Giúp Peter tránh con sói! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Học tăng cường với Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Phụ lục | Các kịch bản và ứng dụng học máy trong thực tế | [ML in the Wild](9-Real-World/README.md) | Những ứng dụng thực tế thú vị và đầy thông tin của ML cổ điển | [Bài học](9-Real-World/1-Applications/README.md) | Nhóm |
| Phụ lục | Gỡ lỗi mô hình trong ML bằng bảng điều khiển RAI | [ML in the Wild](9-Real-World/README.md) | Gỡ lỗi mô hình trong Machine Learning bằng cách sử dụng các thành phần bảng điều khiển Responsible AI | [Bài học](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
| 25 | Giúp Peter tránh con sói! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Gym học tăng cường | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Phụ lục | Các kịch bản và ứng dụng ML trong thế giới thực | [ML in the Wild](9-Real-World/README.md) | Các ứng dụng thực tế thú vị và mang tính khai phá của ML cổ điển | [Bài học](9-Real-World/1-Applications/README.md) | Team |
| Phụ lục | Gỡ lỗi mô hình trong ML sử dụng bảng điều khiển RAI | [ML in the Wild](9-Real-World/README.md) | Gỡ lỗi mô hình trong Machine Learning sử dụng các thành phần của bảng điều khiển Responsible AI | [Bài học](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [tìm tất cả các tài nguyên bổ sung cho khóa học này trong bộ sưu tập Microsoft Learn của chúng tôi](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Truy cập ngoại tuyến
Bạn có thể chạy tài liệu này ngoại tuyến bằng cách sử dụng [Docsify](https://docsify.js.org/#/). Sao chép (fork) kho lưu trữ này, [cài Docsify](https://docsify.js.org/#/quickstart) trên máy cục bộ của bạn, và sau đó trong thư mục gốc của kho lưu trữ này, gõ `docsify serve`. Trang web sẽ được phục vụ trên cổng 3000 trên localhost của bạn: `localhost:3000`.
Bạn có thể chạy tài liệu này ngoại tuyến bằng cách sử dụng [Docsify](https://docsify.js.org/#/). Fork repo này, [cài đặt Docsify](https://docsify.js.org/#/quickstart) trên máy cục bộ của bạn, và sau đó trong thư mục gốc của repo này, gõ `docsify serve`. Trang web sẽ được phục vụ trên cổng 3000 tại localhost của bạn: `localhost:3000`.
## Tệp PDF
Tìm tệp pdf của chương trình học với các liên kết [tại đây](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Tìm tệp PDF của giáo trình với các liên kết [tại đây](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Các Khóa Học Khác
Nhóm của chúng tôi sản xuất các khóa học khác! Xem:
Nhóm của chúng tôi sản xuất các khóa học khác! Xem thêm:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -178,16 +180,16 @@ Nhóm của chúng tôi sản xuất các khóa học khác! Xem:
---
### Chuỗi AI tạo sinh
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
### Generative AI Series
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### Học tập cốt lõi
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
@ -197,25 +199,25 @@ Nhóm của chúng tôi sản xuất các khóa học khác! Xem:
---
### Chuỗi Copilot
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
### Loạt Copilot
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
Nếu bạn bị mắc kẹt hoặc có bất kỳ câu hỏi nào về việc xây dựng ứng dụng AI. Hãy tham gia cùng những người học khác và các nhà phát triển có kinh nghiệm trong các thảo luận về MCP. Đó là một cộng đồng hỗ trợ nơi các câu hỏi được chào đón và kiến thức được chia sẻ một cách tự do.
Nếu bạn gặp khó khăn hoặc có bất kỳ câu hỏi nào về việc xây dựng ứng dụng AI. Tham gia cùng những người học khác và các nhà phát triển giàu kinh nghiệm trong các thảo luận về MCP. Đây là một cộng đồng hỗ trợ nơi mọi câu hỏi đều được hoan nghênh và kiến thức được chia sẻ tự do.
[](https://discord.gg/nTYy5BXMWG)
[](https://discord.gg/nTYy5BXMWG)
Nếu bạn có phản hồi về sản phẩm hoặc gặp lỗi trong khi xây dựng, hãy truy cập:
Nếu bạn có phản hồi về sản phẩm hoặc gặp lỗi khi xây dựng, hãy truy cập:
[](https://aka.ms/foundry/forum)
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Miễn trừ trách nhiệm**:
Tài liệu này đã được dịch bằng dịch vụ dịch AI [Co-op Translator](https://github.com/Azure/co-op-translator). Mặc dù chúng tôi cố gắng đảm bảo độ chính xác, xin lưu ý rằng các bản dịch tự động có thể chứa lỗi hoặc sai sót. Tài liệu gốc bằng ngôn ngữ nguyên bản nên được coi là nguồn tham khảo có thẩm quyền. Đối với thông tin quan trọng, khuyến nghị sử dụng dịch vụ dịch thuật chuyên nghiệp do con người thực hiện. Chúng tôi không chịu trách nhiệm về bất kỳ sự hiểu lầm hoặc giải thích sai nào phát sinh từ việc sử dụng bản dịch này.
Miễn trừ trách nhiệm:
Tài liệu này đã được dịch bằng dịch vụ dịch thuật AI [Co-op Translator](https://github.com/Azure/co-op-translator). Mặc dù chúng tôi nỗ lực để đảm bảo độ chính xác, xin lưu ý rằng các bản dịch tự động có thể chứa lỗi hoặc sai sót. Văn bản gốc bằng ngôn ngữ nguyên bản nên được coi là nguồn chính thức. Đối với thông tin quan trọng, nên sử dụng dịch vụ dịch thuật chuyên nghiệp do người thực hiện. Chúng tôi không chịu trách nhiệm về bất kỳ sự hiểu nhầm hoặc giải thích sai nào phát sinh từ việc sử dụng bản dịch này.
"\n",
"\n",
- 在完成一个课程组后，请访问 [讨论区](https://github.com/microsoft/ML-For-Beginners/discussions) 并通过填写相应的 PAT 评分量表进行“公开学习”。“PAT”是一个进度评估工具，你填写评分量表以促进学习。你也可以对其他人的 PAT 做出反应，以便我们共同学习。
- 在完成一组课程后，访问 [讨论区](https://github.com/microsoft/ML-For-Beginners/discussions) 并通过填写相应的 PAT 量表来“公开学习”。“PAT” 是一个进度评估工具（Progress Assessment Tool），是你填写以促进学习的量表。你也可以对其他人的 PAT 做出反应，以便我们一起学习。
带有链接的课程 PDF 可在 [这里](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) 获取。
## 🎒 其他课程
@ -183,35 +183,35 @@ CO_OP_TRANSLATOR_METADATA:
### 生成式 AI 系列
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
本文件使用 AI 翻译服务 Co‑op Translator（https://github.com/Azure/co-op-translator）进行翻译。尽管我们尽力保证准确性，但自动翻译可能包含错误或不准确之处。原文（母语版本）应被视为权威来源。对于关键信息，建议采用专业人工翻译。因使用本翻译而产生的任何误解或误释，我们不承担任何责任。
本文件使用 AI 翻译服务 [Co-op Translator](https://github.com/Azure/co-op-translator) 进行翻译。尽管我们努力确保准确性，但请注意，自动翻译可能包含错误或不准确之处。应以原文（原始语言版本）为权威来源。对于重要信息，建议采用专业人工翻译。我们不对因使用本翻译而产生的任何误解或曲解承担责任。
localizeflow[bot]
7 months ago
