ನಮ್ಮ ಬಳಿ ಡಿಸ್ಕೋರ್ಡ್ AI ಘಟಕ ಸರಣಿಯಿದೆ, ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ ಮತ್ತು ಸೇರಿಕೊಳ್ಳಲು [Learn with AI Series](https://aka.ms/learnwithai/discord) 18 - 30 ಸೆಪ್ಟೆಂಬರ್, 2025 ರಲ್ಲಿ. ನೀವು ಗಿಟ್ಹಬ್ ಕೋಪೈಲಟ್ ಅನ್ನು ಡೇಟಾ ವಿಜ್ಞಾನಕ್ಕಾಗಿ ಹೇಗೆ ಬಳಸುವುದು ಎಂಬ ಸಲಹೆಗಳು ಮತ್ತು ಪುಟಗಳನ್ನೂ ಪಡೆಯುತ್ತೀರಿ.
ನಾವು Discord ನಲ್ಲಿ AI ಸರಣಿಯನ್ನು ಕಲಿಯುತ್ತಿರುವುದು ನಡೆಯುತ್ತಿದೆ, ಇನ್ನಷ್ಟು ತಿಳಿಯಲು ಮತ್ತು ನಮಗೆ ಸೇರಿಸಲು [Learn with AI Series](https://aka.ms/learnwithai/discord) ಐತಿಹಾಸ 18 - 30 ಸೆಪ್ಟಂಬರ್, 2025. ನೀವು GitHub Copilot ಅನ್ನು ಡೇಟಾ ವಿಜ್ಞಾನಕ್ಕಾಗಿ ಬಳಸುವ ಸಲಹೆಗಳು ಮತ್ತು ಸುಪಾಚಾರಗಳನ್ನು ಪಡೆಯುತ್ತೀರಿ.
# ಆರಂಭಿಕರಿಗಾಗಿ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ - ಒಂದು ಪಠ್ಯಕ್ರಮ
# ಪ್ರಾರಂಭಿಕರಿಗೆ ಯಂತ್ರ ಕಲಿಕೆ - ಪಾಠಕ್ರಮ
> 🌍 ಜಗತ್ತಿನ ಸಂಸ್ಕೃತಿಗಳ ಮೂಲಕ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಅನ್ನು ಅನ್ವೇಷಿಸಿ ಜಗತ್ತನ್ನು ಸುತ್ತಿ ಓರೆಯಾಗಿರಿ 🌍
> 🌍 ಜಗತ್ತಿನ ಸಂಸ್ಕೃತಿಗಳ ಮೂಲಕ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಅನ್ವೇಷಿಸುವಾಗ ಜಗತ್ತಿನ ಸುತ್ತ ಮುಂದುವರೆಯಿರಿ 🌍
ಮೈಕ್ರೋಸಾಫ್ಟ್ನ ಕ್ಲೌಡ್ ಪರಿಷ್ಕಾರಿಗಳು 12 ವಾರಗಳ, 26 ಪಾಠಗಳ ಪಠ್ಯಕ್ರಮವನ್ನು ನಿಮಗೆ ನೀಡಲು ಸಂತೋಷಪಡುತ್ತಾರೆ, ಇದು **ಮೆಷಿನ್ ಲರ್ನಿಂಗ್** ಬಗ್ಗೆ ಸಂಪೂರ್ಣವಾಗಿದೆ. ಈ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ನೀವು ಕೆಲವೊಮ್ಮೆ **ಪ್ರಾಚೀನ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್** ಎಂದು ಕರೆಸಿಕೊಳ್ಳುವದರ ಬಗ್ಗೆ ತಿಳಿಯುತ್ತೀರಿ, ಮುಖ್ಯವಾಗಿ ಸ್ಕಿಕಿಟ್-ಲರ್ನ್ ಗ್ರಂಥಾಲಯವನ್ನು ಬಳಸಿ ಮತ್ತು ಗಾಢ ಅಭ್ಯಾಸವನ್ನು ತಪ್ಪಿಸಿ, ಅದು ನಮ್ಮ [ಮೂಲತಃ AI ಆರಂಭಿಕರ ಪಠ್ಯಕ್ರಮ](https://aka.ms/ai4beginners) ನಲ್ಲಿ ಕಾಣಬಹುದು. ಈ ಪಾಠಗಳನ್ನು ನಮ್ಮ ['ಡೇಟಾ ಸೈನ್ಸ್ ಆರಂಭಿಕರ ಪಠ್ಯಕ್ರಮ'](https://aka.ms/ds4beginners) ಜೊತೆಗೆ ಕೂಡ ಸಂಪರ್ಕಿಸಬಹುದು.
Microsoft ನಲ್ಲಿ ಕ್ಲೌಡ್ ಸಲಹೆಗಾರರು 12 ವಾರಗಳ, 26 ಪಾಠಗಳ ಪಾಠಕ್ರಮವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಲು ಸಂತೋಷ ಪಡುತ್ತಾರೆ ಇದು **ಯಂತ್ರ ಕಲಿಕೆ** ಬಗ್ಗೆ ಸಂಪೂರ್ಣವಾಗಿದೆ. ಈ ಪಾಠಕ್ರಮದಲ್ಲಿ, ನೀವು ಕೆಲವೊಮ್ಮೆ **ಪಾರಂಪರಿಕ ಯಂತ್ರ ಕಲಿಕೆ** ಎಂದು ಕರೆಯಲ್ಪಡುವುದನ್ನು ಕುರಿತು, ಮುಖ್ಯವಾಗಿ Scikit-learn ಗ್ರಂಥಾಲಯವನ್ನು ಬಳಸಿ ಮತ್ತು ಡೀಪ್ ಲರ್ನಿಂಗ್ (ನಮ್ಮ [AI for Beginners' curriculum](https://aka.ms/ai4beginners) ನಲ್ಲಿ ವಿವರಣೆ ನೀಡಲ್ಪಟ್ಟಿದೆ) ದನ್ನು ತಪ್ಪಿಸುತ್ತೀರಾ. ಈ ಪಾಠಗಳನ್ನು ನಮ್ಮ ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) ಜೊತೆಗೆ ಜೋಡಿಸಬಹುದು.
ನಾವು ಜಗತ್ತಿನ ವಿವಿಧ ಭಾಗಗಳ ಡೇಟಾವನ್ನು ಬಳಸಿ ಈ ಕ್ಲಾಸಿಕ್ ತಂತ್ರಗಳನ್ನು ಅನ್ವಯಿಸುವಾಗ ಜಗತ್ತನ್ನು ಸುತ್ತಿ ನೋಡಿ. ಪ್ರತಿ ಪಾಠವು ಪೂರ್ವ ಮತ್ತು ನಂತರದ ಪ್ರಶ್ನೋತ್ತರಗಳು, ಪಾಠವನ್ನು ಪೂರ್ಣಗೊಳಿಸುವ ಯುಕ್ತಿವTIM, ಪರಿಹಾರ, ಕಾರ್ಯನಿರ್ವಹಣೆ ಮತ್ತು ಇನ್ನಷ್ಟು ಒಳಗೊಂಡಿದೆ. ನಮ್ಮ ಯೋಜನೆ-ಆಧಾರಿತ ಪಠ್ಯಶಿಕ್ಷಣವು ನೀವು ಕಲಿಯುವಾಗ ನಿರ್ಮಿಸುವುದು ಸಾಧ್ಯವಾಗಿಸುತ್ತದೆ, ಇದು ಹೊಸ ಕೌಶಲ್ಯಗಳಿಗೆ ' ಒತ್ತಿಗೆ ಹಾಕುವ ' ಒಂದು ಸಾಬೀತಾದ ವಿಧಾನ.
ನಾವು ಜಗತ್ತಿನ ವಿವಿಧ ಭಾಗಗಳಿಂದ ಡೇಟಾ ಪಡೆಯುವ ಈ ಪಾರಂಪರಿಕ ತಂತ್ರಗಳನ್ನು ಅನ್ವಯಿಸುವಾಗ ಜಗತ್ತಿನ ಸುತ್ತ ಪ್ರಯಾಣ ಮಾಡಿ. ಪ್ರತಿಯೊಂದು ಪಾಠವೂ ಪೂರ್ವ ಮತ್ತು ನಂತರದ ಪ್ರಶ್ನೋತ್ತರಗಳನ್ನು, ಪಾಠವನ್ನು ಪೂರ್ಣಗೊಳಿಸುವ ಬರಹದ ಕಾರ್ಯವಿಧಾನವನ್ನು, ಪರಿಹಾರವನ್ನು, ಅವಲೋಕನವನ್ನು ಮತ್ತು ಇನ್ನಷ್ಟು ಹೊಂದಿದೆ. ನಮ್ಮ ಪ್ರಾಜೆಕ್ಟ್ ಆಧಾರಿತ ಪಠಾನದ ಮೂಲಕ ನೀವು ಕಲಿಯುವಾಗ ನಿರ್ಮಿಸುವ ಮೂಲಕ ಕಲಿತಿರಿ, ಇದು ಹೊಸ ಕೌಶಲ್ಯಗಳಿಗೆ 'ಜೃಂಭಣೀಯ'ವಾಗಲು ಪರೀಕ್ಷಿತ ಮಾರ್ಗವಾಗಿದೆ.
**✍️ ನಮ್ಮ ಲೇಖಕರಿಗೆ ಹೃತ್ಪೂರ್ವಕ ಧನ್ಯವಾದಗಳು** ಜೆನ್ ಲೂಪರ್, ಸ್ಟೀಫನ್ ಹಾವೆಲ್, ಫ್ರಾನ್ಸೆಸ್ಕಾ ಲಾಜ್ಜೇರಿ, ಟೊಮೊಮಿ ಇಮುರಾ, ಕ್ಯಾಸ್ ಬ್ರೇವಿಯೂ, ದ್ಮಿತ್ರಿ ಸೋಷ್ನಿಕೋವ್, ಕ್ರಿಸ್ ನೊರಿಂಗ್, ಅನಿರ್ಬಾನ್ ಮುಖರ್ಜಿ, ಒರ್ನೆಲಾ ಅಲ್ಷನ್ಯಾನ್, ರೂತ್ ಯಕುಬು ಮತ್ತು ಎಮಿ ಬಾಯ್ಡ್
**✍️ ನಮ್ಮ ಲೇಖಕರಿಗೆ ಹೃತ್ಪೂರ್ವಕ ಧನ್ಯವಾದಗಳು** ಜೆನ್ ಲೂಪರ್, ಸ್ಟೀಫನ್ ಹೋವಲ್, ಫ್ರಾನ್ಸೆಸ್ಕಾ ಲಾಜ್ಜೆರಿ, ತೊಮೊಮಿ ಇಮುರಾ, ಕ್ಯಾಶಿ ಬ್ರೇವಿಯು, ದ್ಮಿತ್ರಿ ಸೋಶ್ನಿಕೋವ್, ಕ್ರಿಸ್ ನೋರಿಂಗ್, ಅನಿರ್ಬಾನ್ ಮುಖರ್ಜೀ, ಓರ್ನೇಲ್ಲಾ ಅಲ್ಪುನ್ಯಾನ್, ರೂತ್ ಯಾಕುಬು ಮತ್ತು ಎಮೀ ಬಾಯ್ಡ್
**🎨 ನಮ್ಮ ಚಿತ್ರಕಾರರಿಗೆ ಕೂಡ ಧನ್ಯವಾದಗಳು** ಟೊಮೊಮಿ ಇಮುರಾ, ದಾಸನಿ ಮಾದಿಪಳ್ಳಿ, ಮತ್ತು ಜೆನ್ ಲೂಪರ್
**🎨 ನಮ್ಮ ಚಿತ್ರಕಾರರಿಗೆ ಸಹ ಧನ್ಯವಾದಗಳು** ತೊಮೊಮಿ ಇಮುರಾ, ದಾಸನಿ ಮಡಿಪಳ್ಳಿ, ಮತ್ತು ಜೆನ್ ಲೂಪರ್
**🙏 ವಿಶೇಷ ಧನ್ಯವಾದಗಳು 🙏 ನಮ್ಮ ಮೈಕ್ರೋಸಾಫ್ಟ್ ವಿದ್ಯಾರ್ಥಿ ಆಂಬಾಸಿಡರ್ ಲೇಖಕರು, ಪರಿಶೀಲಕರು, ಮತ್ತು ವಿಷಯದ ಸಹಾಯಕರಿಗೆ**, ವಿಶೇಷವಾಗಿ ರಿಷಿತ್ ಡಾಗ್ಲಿ, ಮುಹಮ್ಮದ್ ಸಕಿಬ್ ಖಾನ್ ಇನಾನ್, ರೋಹನ್ ರಾಜ್, ಅಲೆಕ್ಷಾಂಡ್ರು ಪೆಟ್ರೆಸ್ಕು, ಅಭಿಶೇಕ್ ಜೈಸ್ವಾಲ್, ನವ್ರಿನ್ ತಬಸ್ಸುಮ್, ಇವಸ್ಥಿ ಸಮುಯಿಲಾ ಮತ್ತು ಸ್ನಿಗ್ಧಾಗರ್ ಅಗರ್ವಾಲ್
**🙏 ವಿಶೇಷ ಧನ್ಯವಾದಗಳು 🙏 ನಮ್ಮ Microsoft ವಿದ್ಯಾರ್ಥಿ ಅಗვისಕರಿಗೆ, ವಿಮರ್ಶಕರಿಗೆ ಮತ್ತು ವಿಷಯ ಕೊಡುಗೆದಾರರಿಗೆ**, ವಿಶೇಷವಾಗಿ ರಿಷಿತ್ ಡಾಗ್ಲಿ, ಮುಹಮ್ಮದ್ ಸಕೀಬ್ ಖಾನ್ ಇನಾನ್, ರೋಹನ್ ರಾಜ್, ಅಲೆಕ್ಸಾಂಡ್ರು ಪೆಟ್ರೆಸ್ಕು, ಅಭಿಷೇಕ್ ಜೈಸ್ವಾಲ್, ನವ್ರೀನ್ ಥಬಸ್ಸುಮ್, ಐವಾನ್ ಸಾಮುಯಿಲಾ, ಮತ್ತು ಸ್ನಿಗ್ಧಾ ಅಗರ್ವಾಲ್
**🤩 Microsoft ವಿದ್ಯಾರ್ಥಿ ಆಂಬಾಸಿಡರ್ಗಳು ಏರಿಕ್ ವಾಂಜೌ, ಜಸ್ಲೀನ್ ಸೋಂಧಿ ಮತ್ತು ವಿದ್ಯುಷಿ Гуп्ता ಅವರಿಗೆ ನಮ್ಮ R ಪಾಠಗಳಿಗಾಗಿ ಹೆಚ್ಚಿನ ಕೃತಜ್ಞತೆ!**
**🤩 Microsoft ವಿದ್ಯಾರ್ಥಿ ಅಗವಿಸಕರಾದ ಎರಿಕ್ ವಾಂಜೌ, ಜಸ್ಲೀನ್ ಸೊಂಡಿ, ಮತ್ತು ವಿದ್ಯುಷಿ ಗುಪ್ತಾಗೆ ನಮ್ಮ R ಪಾಠಗಳಿಗೆ ಹೆಚ್ಚಿನ ಧನ್ಯವಾದಗಳು!**
# ಪ್ರಾರಂಭಿಸುವುದು
# ಪ್ರಾರಂಭಿಸೋಣ
ಈ ಹಂತಗಳನ್ನು ಅನುಸರಿಸಿ:
1. **ಗ್ರಂಥಾಲಯ Fork ಮಾಡಿ**: ಈ ಪುಟದ ಮೇಲೆ-ಬಲ ಭಾಗದಲ್ಲಿರುವ "Fork" ಬಟನ್పై ಕ್ಲಿಕ್ ಮಾಡಿ.
> [ಈ ಪಠ್ಯಕ್ರಮದ ಎಲ್ಲಾ ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಮ್ಮ ಮೈಕ್ರೋಸಾಫ್ಟ್ ಲರ್ನ್ ಸಂಗ್ರಹದಲ್ಲಿ ಹುಡುಕಿ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [ಈ ಕೋರ್ಸ್ಗಾಗಿ ಎಲ್ಲಾ ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಮ್ಮ Microsoft Learn ಸಂಗ್ರಹದಲ್ಲಿ ಹುಡುಕಿ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **ಸಹಾಯ ಬೇಕಾದರೆ?** ಸ್ಥಾಪನೆ, ಸೆಟ್ಅಪ್ ಹಾಗೂ ಪಾಠಗಳನ್ನು ರನ್ ಮಾಡುವ ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಗಳ ಪರಿಹಾರಕ್ಕಾಗಿ ನಮ್ಮ [ಸಮಸ್ಯೆ ಪರಿಹಾರ ಮಾರ್ಗದರ್ಶಿ](TROUBLESHOOTING.md) ನೋಡಿ.
> 🔧 **ಸಹಾಯ ಬೇಕಾ?** ಸ್ಥಾಪನೆ, ಸೆಟ್ ಅಪ್ ಮತ್ತು ಪಾಠಗಳನ್ನು ಚಲಿಸಲು ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಗಳ ಪರಿಹಾರಗಳಿಗೆ ನಮ್ಮ [Troubleshooting Guide](TROUBLESHOOTING.md) ಪರಿಶೀಲಿಸಿ.
**[ವಿದ್ಯಾರ್ಥಿಗಳು](https://aka.ms/student-page)**, ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ಬಳಸಲು, ಸಂಪೂರ್ಣ ರೆಪ್ ಅನ್ನು ನಿಮ್ಮ ಸ್ವಂತ GitHub ಖಾತೆಗೆ Fork ಮಾಡಿ ಮತ್ತು ವ್ಯಾಯಾಮಗಳನ್ನು ನಿಮ್ಮದೇ ಅಥವಾ ಗುಂಪಿನೊಂದಿಗೆ ಪೂರ್ಣಗೊಳಿಸಿ:
**[ವಿದ್ಯಾರ್ಥಿಗಳು](https://aka.ms/student-page)**, ಈ ಪಾಠಕ್ರಮವನ್ನು ಬಳಸಲು, ಸಂಪೂರ್ಣ ರೆಪೊವನ್ನು ನಿಮ್ಮ ಸ್ವಂತ GitHub ಖಾತೆಗೆ ಫೋರ್ಕ್ ಮಾಡಿ ಮತ್ತು ಅಭ್ಯಾಸಗಳನ್ನು ನಿಮ್ಮ ತಾನೇ ಅಥವಾ ಗುಂಪಿನಲ್ಲಿ ಪೂರ್ಣಗೊಳಿಸಿ:
- ಪೂರ್ವ ಉಪನ್ಯಾಸ ಪ್ರಶ್ನೋತ್ತರದಿಂದ ಪ್ರಾರಂಭಿಸಿ.
- ಉಪನ್ಯಾಸ ಓದಿ ಮತ್ತು ಚಟುವಟಿಕೆಗಳನ್ನು ನಿರ್ವಹಿಸಿ, ಪ್ರತಿಯೊಬ್ಬ ಜ್ಞಾನ ಪರಿಶೀಲನೆಗೆ ವಿರಾಮ ಕೊಡಿ ಮತ್ತು ಪರಿಗಣಿಸಿ.
- ಯೋಜನೆಗಳನ್ನು ರಚಿಸಲು ಪಾಠಗಳನ್ನು ತಲಪಿಸಿ, ಪರಿಹಾರ ಕೋಡ್ ಅನ್ನು ನೇರವಾಗಿ ರನ್ ಮಾಡುವದಕ್ಕೆ ಬದಲು ಪಾಠಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ; ಆದರೆ ಆ ಕೋಡ್ ಪ್ರತಿ ಯೋಜನೆಗೆ ಸಂಬಂಧಿಸಿದ `/solution` ಫೋಲ್ಡರ್ಗಳಲ್ಲಿ ಲಭ್ಯವಿದೆ.
- ಉಪನ್ಯಾಸದ ನಂತರದ ಪ್ರಶ್ನೋತ್ತರವನ್ನು ತೆಗೆದುಕೊಳ್ಳಿ.
- ಸವಾಲನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ.
- ಕಾರ್ಯನಿರ್ವಹಣೆಯನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ.
- ಪಾಠ ಗುಂಪನ್ನು ಪೂರ್ಣಗೊಳಿಸಿದ ನಂತರ, [ಚರ್ಚಾ ಫಲಕ](https://github.com/microsoft/ML-For-Beginners/discussions) ಗೆ ಭೇಟಿ ನೀಡಿ ಮತ್ತು ಸರಿಯಾದ PAT ರೂಪವನ್ನು ತುಂಬಿ "ಬಳಿಕಲಿಕೆಯಿಂದ" ಕಲಿಯೋಿರಿ. 'PAT' ಎಂದರೆ ಪ್ರಗತಿ ಮೌಲ್ಯಮಾಪನ ಉಪಕರಣ, ಇದನ್ನು ನೀವು ನಿಮ್ಮ ಪಠ್ಯಂಶವನ್ನು ಮುಂದುವರೆಸಲು ತುಂಬುತ್ತೀರಿ. ನೀವು ಇತರ PAT ಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆ ನೀಡಬಹುದು ಮತ್ತು ನಮ್ಮೆ ಜೊತೆ ಕಲಿಯಬಹುದು.
- ಪೂರ್ವ ಉಪನ್ಯಾಸ ಪ್ರಶ್ನೋತ್ತರಗಳೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸಿ.
- ಉಪನ್ಯಾಸ ಓದಿ ಮತ್ತು ಚಟುವಟಿಕೆಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ, ಪ್ರತಿ ಜ್ಞಾನದ ಪರೀಕ್ಷೆಯಲ್ಲಿ ವಿರಾಮ ನೀಡಿ ಮತ್ತು ಪರಿಗಣಿಸಿ.
- ಪರಿಹಾರ ಕೋಡ್ ಚಲಿಸುವದಕ್ಕಿಂತ ಪಾಠಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದರ ಮೂಲಕ ಪ್ರಾಜೆಕ್ಟ್ಗಳನ್ನು ಸೃಷ್ಟಿಸಲು ಯತ್ನಿಸಿ; ಆ ಕೋಡ್ ಪ್ರತಿ ಪ್ರಾಜೆಕ್ಟ್ ಆಧರಿತ ಪಾಠದಲ್ಲಿ `/solution` ಫೋಲ್ಡರ್ಗಳಲ್ಲಿ ಲಭ್ಯವಿದೆ.
- ನಂತರ ಉಪನ್ಯಾಸ ಪ್ರಶ್ನೋತ್ತರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಿ.
- ಸವಾಲುಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ.
- ನೇಮಕವನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ.
- ಪಾಠ ಗುಂಪನ್ನು ಪೂರ್ಣಗೊಳಿಸಿದ ನಂತರ, [ಚರ್ಚಾ ಮಂಡಳಿ](https://github.com/microsoft/ML-For-Beginners/discussions) ಭೇಟಿ ನೀಡಿ ಮತ್ತು ಸೂಕ್ತ PAT ರೂಬ್ರಿಕ್ ಅನ್ನು ತುಂಬಿ "ಉಚ್ಛರಿಸಿ". 'PAT' ಎಂದರೆ ಪ್ರಗತಿ ಅಂದಾಜು ಸಾಧನ, ಇದನ್ನು ನಿಮ್ಮ ಕಲಿಕೆಯನ್ನು ಮುಂದುವರಿಸಲು ನೀವು ತುಂಬಬಹುದು. ನೀವು ಇತರ PAT ಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆ ನೀಡಬಹುದು ಆದ್ದರಿಂದ ನಾವು ಒಟ್ಟಿಗೆ ಕಲಿಯಬಹುದು.
> ಹೆಚ್ಚಿನ ಅಧ್ಯಯನಕ್ಕಾಗಿ, ಈ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) ಮಾಡ್ಯೂಲ್ಗಳು ಮತ್ತು ಕಲಿಕೆ ಮಾರ್ಗಗಳನ್ನು ಅನುಸರಿಸುವುದು ಸಲಹೆ.
> ಮುಂದುವರಿದ ಅಧ್ಯಯನಕ್ಕಾಗಿ, ನಾವು ಈ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) ಘಟಕಗಳು ಮತ್ತು ಕಲಿಕೆ ಮಾರ್ಗಗಳನ್ನು ಅನುಸರಿಸುವಂತೆ ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ.
**ಶಿಕ್ಷಕರು**, ನಾವು ಈ [ಪಠ್ಯಕ್ರಮವನ್ನು ಹೇಗೆ ಬಳಸಬಹುದು ಎಂಬ ಸಲಹೆಗಳನ್ನು ಸೇರಿಸಿದ್ದೇವೆ](for-teachers.md).
**ಶಿಕ್ಷಕರು**, ಈ ಪಾಠಕ್ರಮವನ್ನು ಹೇಗೆ ಬಳಸಬೇಕೆಂದು [ಕೆಲವು ಸಲಹೆಗಳನ್ನು](for-teachers.md) ನಾವು ಸೇರಿಸಿದ್ದೇವೆ.
---
## ವಿಡಿಯೋ ನಿರ್ವಹಣೆಗಳು
## ವೀಡಿಯೋ ವಾಕ್ಥ್ರೂಗಳು
ಕೆಲವು ಪಾಠಗಳು ಚಿಕ್ಕ ವೀಡಿಯೋ ರೂಪದಲ್ಲಿವೆ. ನೀವು ಇವನ್ನು ಪಾಠಗಳಲ್ಲಿ ಸಾದಾರಣವಾಗಿ ಅಥವಾ [ಮೈಕ್ರೋಸಾಫ್ಟ್ ಡೆವಲಪರ್ YouTube ಚಾನಲ್ ನಲ್ಲಿ 'ML for Beginners' ಪ್ಲೇಲಿಸ್ಟ್ನಲ್ಲಿ](https://aka.ms/ml-beginners-videos) ಕೆಳಗಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ಕಾಣಬಹುದು.
ಕೆಲವು ಪಾಠಗಳು ಚುಟುಕು ವೀಡಿಯೋ ರೂಪದಲ್ಲಿ ಲಭ್ಯವಿದ್ದು. ನೀವು ಈ ಎಲ್ಲವನ್ನೂ ಪಾಠಗಳೊಳಗೆ_inline_ ಅಥವಾ Microsoft ವಿಕಸಕ YouTube ಚಾನೆಲ್ನ [ML for Beginners ಪ್ಲೇಲಿಸ್ಟ್](https://aka.ms/ml-beginners-videos) ನಲ್ಲಿ ಚಿತ್ರ ಮೇಲೆ ಕ್ಲಿಕ್ ಮಾಡಿ ಕಾಣಬಹುದು.
[](https://aka.ms/ml-beginners-videos)
> 🎥 ಈ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ಈ ಯೋಜನೆಯ ಮತ್ತು ಅದನ್ನು ರಚಿಸಿದವರ ಕುರಿತಾಗಿ ವೀಡಿಯೋ ನೋಡಿ!
> 🎥 ಈ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ಯೋಜನೆ ಮತ್ತು ಅದನ್ನು ರಚಿಸಿದವರ ಬಗ್ಗೆ ವೀಡಿಯೋ ನೋಡಿ!
---
## ಪಾಠಶಾಸ್ತ್ರ
## ಪಠ್ಯದ ತತ್ತ್ವಶಾಸ್ತ್ರ
ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ರಚಿಸುವಾಗ ನಾವು ಎರಡು ಪಾಠಶಾಸ್ತ್ರೀಯ ಸಿದ್ದಾಂತಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಿದ್ದೇವೆ: ಪ್ರಾಯೋಗಿಕ **ಯೋಜನೆ-ಆಧಾರಿತ**ವಾಗಿರಬೇಕು ಮತ್ತು **ಸಮಾನಾಂತರ ಪ್ರಶ್ನೋತ್ತರಗಳೆಡೆ ಇದ್ದಾರೆ**. ಜೊತೆಗೆ, ಈ ಪಠ್ಯಕ್ರಮದಲ್ಲೊಂದು ಸಾಮಾನ್ಯ **ಥೀಮ್** ಇದೆಯೆಂದು ತಾಳಮೇಳ ಕಲ್ಪಿಸಲಾಗಿದೆ.
ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ರಚಿಸುವಾಗ ನಾವು ಎರಡು ಪಠ್ಯತಾಂತ್ರಿಕ ತತ್ವಗಳನ್ನು ಆಯ್ಕೆಮಾಡಿದ್ದು: ಇದು ಕೈಯಿಂದ ಚಟುವಟಿಕೆ ಮಾಡಬಹುದಾಗಿರುವ **ಪ್ರಾಜೆಕ್ಟ್ ಆಧಾರಿತ** ಆಗಿರಲಿ ಮತ್ತು **ಸತತ ಪ್ರಶ್ನೋತ್ತರಗಳು** ಇರಲಿ ಎಂಬುದನ್ನು ಖಾತರಿಪಡಿಸುವುದು. ಜೊತೆಗೆ, ಈ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ಸಾಮಾನ್ಯ **ಥೀಮ್** ಒಂದನ್ನು ಹೊಂದಿದೆ ಇದರ ಮೂಲಕ ಸಸಂಬಂಧ ಸೃಷ್ಟಿ.
ವಿಷಯವಸ್ತು ಯೋಜನೆಗಳೊಂದಿಗೆ ಹೊಂದಿಕೊಳ್ಳುವುದನ್ನು ಖಚಿತಪಡಿಸುವ ಮೂಲಕ, ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಆಸಕ್ತಿ ಮೂಡುವಂತೆ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಕಲಿಕೆಯ ಕೆಲವೆತ್ತಿಗೆದ ಹತ್ತಿರ ಬರುತ್ತದೆ. ತರಗತಿಯ ಮುಂಚೆಯಾಗಿ ಕಡಿಮೆ-ಐತಿಹಾಸಿಕ ಪ್ರಶ್ನೋತ್ತರವು ವಿದ್ಯಾರ್ಥಿಯ ಕಲಿಕೆಯ ಆದ್ಯತೆಯನ್ನು ನಿರ್ಧರಿಸುವಂತಾಗಿದೆ, ಮತ್ತು ತರಗತಿದ್ ನಂತರದ ಎರಡನೇ ಪ್ರಶ್ನೋತ್ತರವು ಅಧ್ಯಯನವನ್ನು ತೀವ್ರಗೊಳಿಸುತ್ತದೆ. ಈ ಪಠ್ಯಕ್ರಮವು ನಿಗಮೃತಮ್ ಮತ್ತು ಸುಂದರವಿದ್ದಂತೆ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ ಮತ್ತು ಸಂಪೂರ್ಣ ಅಥವಾ ಭಾಗಾಂತರವಾಗಿ ತೆಗೆದುಕೊಳ್ಳಬಹುದು. ಯೋಜನೆಗಳು ಸಣ್ಣದಾಗಿಡುತ್ತವೆ ಮತ್ತು 12 ವಾರಗಳ ಸೈಕಲ್ ಮುಟ್ಟುವವರೆಗೆ ಏರಿಕೆಯಾಗುತ್ತವೆ. ಈ ಪಠ್ಯಕ್ರಮವು ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ನ ನೈಜ ಜಗತ್ತಿನ ಅನ್ವಯಗಳ ಕುರಿತು ನಂತರದ ಚರ್ಚೆಗೆ ಅಥವಾ ಹೆಚ್ಚುವರಿ ಕ್ರೆಡಿಟ್ ಕಲಿಸಲು ಉಪಯುಕ್ತವಾದ ಪ್ರಕಟಣೆಯನ್ನು ಸಹ ಒಳಗೊಂಡಿದೆ.
ವಿಷಯವು ಪ್ರಾಜೆಕ್ಟ್ಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳುವಂತೆ ಖಚಿತಪಡಿಸುವ ಮೂಲಕ, ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಹೆಚ್ಚು ಆಕರ್ಷಕವಾಗುತ್ತದೆ ಮತ್ತು ಕಲಿಕೆಯ ಉಳಿವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಜೊತೆಗೆ, ತರಗತಿಗೆ ಮೊದಲು ಮಾಡುವ ಕಡಿಮೆ ಅಂಕಗಳ ಪ್ರಶ್ನೋತ್ತರವು ವಿದ್ಯಾರ್ಥಿಯು ವಿವರಣೆ ಕಲಿಯಲು ತೊಡಗಿಸಿಕೊಳ್ಳುವ ಪ್ರೇರಣೆಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ, ಮತ್ತು ತರಗತಿಗೆ ನಂತರದ ಮತ್ತೊಂದು ಪ್ರಶ್ನೋತ್ತರವು ಹೆಚ್ಚುವರಿ ಉಳಿವಿನ ಖಾತರಿಯನ್ನು ಕೊಡುತ್ತದೆ. ಈ ಪಠ್ಯಕ್ರಮವು ಲವಚಿಕವಾಗಿದೆ ಮತ್ತು ಮೋಜಿನದು, ಇದನ್ನು ಸಂಪೂರ್ಣ ಅಥವಾ ಭಾಗವಾಗಿ ತೆಗೆದುಕೊಳ್ಳಬಹುದು. ಪ್ರಾಜೆಕ್ಟುಗಳು ಚಿಕ್ಕದರಿಂದ ಪ್ರಾರಂಭಿಸಿ 12 ವಾರಗಳ ವ್ಯವಸ್ಥೆಯ ಕೊನೆಯಲ್ಲಿ ಜಟಿಲವಾಗಿ ಬದಲಾಗುತ್ತವೆ. ಈ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯ ನೈಜ ಜಗತ್ತಿನ ಅನ್ವಯಿಕೆಗಳ ಕುರಿತು ಒಂದು ನಂತರದ ಟಿಪ್ಪಣಿಯೂ ಇದೆ, ಇದನ್ನು ಹೆಚ್ಚುವರಿ ಕ್ರೆಡಿಟ್ ಅಥವಾ ಚರ್ಚೆಯ ಮೂಲಭೂತವಾಗಿ ಬಳಸಬಹುದು.
> ನಮ್ಮ [ನಡತ ನಿಯಮಕ](CODE_OF_CONDUCT.md), [ ಸಹಕಾರಿಕೆ](CONTRIBUTING.md), [ಅನುವಾದಗಳು](..), ಮತ್ತು [ಸಮಸ್ಯೆ ಪರಿಹಾರ](TROUBLESHOOTING.md) ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ನೋಡಿ. ನಿಮ್ಮ ನಿರ್ಮಾಣಾತ್ಮಕ ಅಭಿಪ್ರಾಯಕ್ಕೆ ನಾವು ಸಿದ್ಧರಾಗಿದ್ದೇವೆ!
> ನಮ್ಮ [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translations](..), ಮತ್ತು [Troubleshooting](TROUBLESHOOTING.md) ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ನೋಡಿ. ನಿಮ್ಮ ರಚನಾತ್ಮಕ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಹಾರ್ದಿಕ स्वागत.
> **ಭಾಷೆಗಳ ಬಗ್ಗೆ ಟಿಪ್ಪಣಿ**: ಈ ಪಾಠಗಳು ಪ್ರಮುಖವಾಗಿ Python ನಲ್ಲಿ ಬರೆಯಲ್ಪಟ್ಟಿವೆ, ಆದರೆ ಬಹುಮಾನದವು R ನಲ್ಲಿ ಸಹ ಲಭ್ಯವಿವೆ. R ಪಾಠವನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು, `/solution` ಫೋಲ್ಡರ್ಗೆ ಹೋಗಿ R ಪಾಠಗಳನ್ನು ಹುಡುಕಿ. ಅವು .rmd ವಿಸ್ತರಣೆ ಹೊಂದಿವೆ, ಇದು ಒಂದು **R ಮಾರ್ಕ್ಡೌನ್** ಕಡತವಾಗಿದೆ, ಅದು `ಕೋಡ್ ಚಂಕ್ಗಳು` (R ಅಥವಾ ಇತರ ಭಾಷೆಗಳ) ಮತ್ತು `YAML ಹೆಡರ್` (PDF ಗಳು ಮೊದಲಾದ ಫಾರ್ಮಾಟ್ ಔಟ್ಪುಟ್ ಹೇಗೆ ಮಾಡಬೇಕು ಎಂಬುದನ್ನು ಕಳುಹಿಸುವಂತೆ) ಅನ್ನು ಬೆರಸುವ ಪ್ರಕ್ರಿಯೆ. ಆದಕ್ಕೆ, ಇದು ಡೇಟಾ ಸೈನ್ಸ್ಗೆ ಅತ್ಯುತ್ತಮ ಲೇಖನ ಚಟುವಟಿಕೆಯಾಗಿ ಸೇವಿಸುತ್ತದೆ, ಏಕೆಂದರೆ ನೀವು ನಿಮ್ಮ ಕೋಡ್, ಅದರ ಔಟ್ಪುಟ್ ಮತ್ತು ನಿಮ್ಮ ಯೋಚನೆಗಳನ್ನು Markdown ನಲ್ಲಿ ಬರೆಯಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. R Markdown ದಾಖಲೆಗಳನ್ನು PDF, HTML ಅಥವಾ Word ಆಟ್ಪುಟ್ ರೂಪಗಳಲ್ಲಿ ರೆಂಡರ್ ಮಾಡಬಹುದು.
> **ಕ್ವಿಜ್ಗಳ ಬಗ್ಗೆ ಒಂದು ಟಿಪ್ಪಣಿ**: ಎಲ್ಲ ಕ್ವಿಜ್ಗಳು [ಕ್ವಿಜ್ ಆ್ಯಪ್ ಫೋಲ್ಡರ್](../../quiz-app)ನಲ್ಲಿ ಇರುತ್ತವೆ, ಪ್ರತಿಯೊಂದು ಪ್ರಶ್ನೆಯಲ್ಲಿ ಮೂರು ಪ್ರಶ್ನೆಗಳಿವೆ ಒಟ್ಟು 52 ಕ್ವಿಜ್ಗಳಿವೆ. ಅವುಗಳನ್ನು ಪಾಠಗಳಲ್ಲಿ ಒಳಗೊಂಡಿದೆ ಆದರೆ ಕ್ವಿಜ್ ಆ್ಯಪ್ ಸ್ಥಳೀಯವಾಗಿ ನಿರ್ವಹಿಸಬಹುದಾಗಿದೆ; ಸ್ಥಳೀಯವಾಗಿ ಹೋಸ್ಟ್ ಅಥವಾ ಅಜೂರ್ಗೆ ನಿಯೋಜಿಸಲು `quiz-app` ಫೋಲ್ಡರ್ನಲ್ಲಿ ಸೂಚನೆಯನ್ನು ಅನುಸರಿಸಿ.
| ಪಾಠ ಸಂಖ್ಯಾ | ವಿಷಯ | ಪಾಠ ಗುಂಪು | ಕಲಿಕೆ ಗುರಿಗಳು | ಲಿಂಕ್ ಮಾಡಿದ ಪಾಠ | ಲೇಖಕ |
| 01 | ಯಂತ್ರ ಕಲಿಕೆಯ ಪರಿಚಯ | [ಪರಿಚಯ](1-Introduction/README.md) | ಯಂತ್ರ ಕಲಿಕೆಯ ಮೂಲ ಆಲೋಚನೆಗಳನ್ನು ತಿಳಿದುಕೊಳ್ಳಿ | [ಪಾಠ](1-Introduction/1-intro-to-ML/README.md) | ಮುಹಮ್ಮದ್ |
| 02 | ಯಂತ್ರ ಕಲಿಕೆಯ ಇತಿಹಾಸ | [ಪರಿಚಯ](1-Introduction/README.md) | ಈ ಕ್ಷೇತ್ರದ ಹಿಂದಿರುವ ಇತಿಹಾಸವನ್ನು ತಿಳಿದುಕೊಳ್ಳಿ | [ಪಾಠ](1-Introduction/2-history-of-ML/README.md) | ಜೆನ್ ಮತ್ತು ಅಮಿ |
| 03 | ಯಂತ್ರ ಕಲಿಕೆಯ ನ್ಯಾಯತೀರ್ಮಾನ | [ಪರಿಚಯ](1-Introduction/README.md) | ನ್ಯಾಯತೀರ್ಮಾನದ ಸಿದ್ದಾಂತ ಸಂಬಂಧಿಸಿದ ಮುಖ್ಯ ತತ್ವಗಳು ಯಾವವು? ವಿದ್ಯಾರ್ಥಿಗಳು ML ಮಾದರಿಗಳನ್ನು ರಚಿಸಲು ಮತ್ತು ಅನ್ವಯಿಸಲು ಗಮನಿಸುವ ಪ್ರಮುಖ ತತ್ವಗಳು ಯಾವುವು? | [ಪಾಠ](1-Introduction/3-fairness/README.md) | ಟೊಮೊಮಿ |
| 04 | ಯಂತ್ರ ಕಲಿಕೆಯ ತಂತ್ರಗಳು | [ಪರಿಚಯ](1-Introduction/README.md) | ML ಸಂಶೋಧಕರು ML ಮಾದರಿಗಳನ್ನು ರಚಿಸಲು ಯಾವ ತಂತ್ರಗಳನ್ನು ಬಳಸುತ್ತಾರೆ? | [ಪಾಠ](1-Introduction/4-techniques-of-ML/README.md) | ಕ್ರಿಸ್ ಮತ್ತು ಜೆನ್ |
| 05 | ರೆಗ್ರೆಶನ್ನ ಪರಿಚಯ | [ರೆಗ್ರೆಶನ್](2-Regression/README.md) | ರೆಗ್ರೆಶನ್ ಮಾದರಿಗಳಿಗಾಗಿ ಪೈಥಾನ್ ಮತ್ತು ಸ್ಕೈಕಟ್ಲೀನ್ ಬಳಸಲು ಪ್ರಾರಂಭಿಸಿ | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | ಜೆನ್ • ಎರಿಕ್ ವಾಂಜಾವು |
| 06 | ಉತ್ತರ ಅಮೆರಿಕದ ಕಂಬಳ ಬೆಲೆಗಳು 🎃 | [ರೆಗ್ರೆಶನ್](2-Regression/README.md) | ML ಗೆ ಡೇಟಾವನ್ನು ದೃಶ್ಯೀಕರಿಸಿ ಮತ್ತು ಸ್ವಚ್ಛಗೊಳಿಸಿ | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | ಜೆನ್ • ಎರಿಕ್ ವಾಂಜಾವು |
| 07 | ಉತ್ತರ ಅಮೆರಿಕದ ಕಂಬಳ ಬೆಲೆಗಳು 🎃 | [ರೆಗ್ರೆಶನ್](2-Regression/README.md) | ರೇಖೀಯ ಮತ್ತು ಪೌಲಿನೋಮಿಯಲ್ ರೆಗ್ರೆಶನ್ ಮಾದರಿಗಳನ್ನು ರಚಿಸಿ | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | ಜೆನ್ ಮತ್ತು ದ್ಮಿತ್ರೀ • ಎರಿಕ್ ವಾಂಜಾವು |
| 08 | ಉತ್ತರ ಅಮೆರಿಕದ ಕಂಬಳ ಬೆಲೆಗಳು 🎃 | [ರೆಗ್ರೆಶನ್](2-Regression/README.md) | ಲોજಿಸ್ಟಿಕ್ ರೆಗ್ರೆಶನ್ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಿ | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | ಜೆನ್ • ಎರಿಕ್ ವಾಂಜಾವು |
| 09 | ವೆಬ್ ಆಪ್ 🔌 | [ವೆಬ್ ಆಪ್](3-Web-App/README.md) | ನಿಮ್ಮ ತರಬೇತಿ ಪಡೆಯಲಾದ ಮಾದರಿಯನ್ನು ಉಪಯೋಗಿಸಲು ವೆಬ್ ಆಪ್ ನಿರ್ಮಿಸಿ | [Python](3-Web-App/1-Web-App/README.md) | ಜೆನ್ |
| 10 | ವರ್ಗೀಕರಣದ ಪರಿಚಯ | [ವರ್ಗೀಕರಣ](4-Classification/README.md) | ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಿ, ಸಜ್ಜುಗೊಳಿಸಿ ಮತ್ತು ದೃಶ್ಯೀಕರಿಸಿ; ವರ್ಗೀಕರಣಕ್ಕೆ ಪರಿಚಯ | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | ಜೆನ್ ಮತ್ತು ಕ್ಯಾಸಿ • ಎರಿಕ್ ವಾಂಜಾವು |
| 11 | ರುಚಿಯಾದ ಏಷಿಯನ್ ಮತ್ತು ಭಾರತದ ಆಹಾರಗಳು 🍜 | [ವರ್ಗೀಕರಣ](4-Classification/README.md) | ವರ್ಗೀಕರಣಕર્તೆಗಳಿಗೆ ಪರಿಚಯ | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | ಜೆನ್ ಮತ್ತು ಕ್ಯಾಸಿ • ಎರಿಕ್ ವಾಂಜಾವು |
| 12 | ರುಚಿಯಾದ ಏಷಿಯನ್ ಮತ್ತು ಭಾರತದ ಆಹಾರಗಳು 🍜 | [ವರ್ಗೀಕರಣ](4-Classification/README.md) | ಹೆಚ್ಚು ವರ್ಗೀಕರಣಕರ | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | ಜೆನ್ ಮತ್ತು ಕ್ಯಾಸಿ • ಎರಿಕ್ ವಾಂಜಾವು |
| 13 | ರುಚಿಯಾದ ಏಷಿಯನ್ ಮತ್ತು ಭಾರತದ ಆಹಾರಗಳು 🍜 | [ವರ್ಗೀಕರಣ](4-Classification/README.md) | ನಿಮ್ಮ ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಶಿಫಾರಸು ವೆಬ್ ಆಪ್ ರಚಿಸಿ | [Python](4-Classification/4-Applied/README.md) | ಜೆನ್ |
| 14 | ಕ್ಲಸ್ಟರಿಂಗ್ನ ಪರಿಚಯ | [ಕ್ಲಸ್ಟರಿಂಗ್](5-Clustering/README.md)| ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಿ, ಸಜ್ಜುಗೊಳಿಸಿ ಮತ್ತು ದೃಶ್ಯೀಕರಿಸಿ; ಕ್ಲಸ್ಟರಿಂಗ್ಗೆ ಪರಿಚಯ | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | ಜೆನ್ • ಎరిక್ ವಾಂಜವು |
| 15 | ನೈಗೇರಿಯನ್ ಸಂಗೀತ ರುಚಿಗಳ ಆಯ್ಕೆ 🎧 | [ಕ್ಲಸ್ಟರಿಂಗ್](5-Clustering/README.md)| ಕೆ-ಮೀನ್ ಕ್ಲಸ್ಟರಿಂಗ್ ವಿಧಾನವನ್ನು ಅನ್ವೇಷಿಸಿ | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | ಜೆನ್ • ಎरिक್ ವಾಂಜವು |
| 16 | ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ ಪರಿಚಯ ☕️ | [ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ](6-NLP/README.md)| ಸರಳ ಬಾಟ್ ರಚಿಸುವ ಮೂಲಕ NLP ಮೂಲಭೂತಗಳನ್ನು ಕಲಿಯಿರಿ | [Python](6-NLP/1-Introduction-to-NLP/README.md) | ಸ್ಟೀಫನ್ |
| 17 | ಸಾಮಾನ್ಯ NLP ಕಾರ್ಯಗಳು ☕️ | [ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ](6-NLP/README.md)| ಭಾಷಾ ರಚನೆಗಳೊಂದಿಗೆ ನಿಭಾಯಿಸುವಾಗ ಅವಶ್ಯಕ ಸಾಮಾನ್ಯ ಕಾರ್ಯಗಳನ್ನು ತಿಳಿದುಕೊಳ್ಳಿ| [Python](6-NLP/2-Tasks/README.md) | ಸ್ಟೀಫನ್ |
| 18 | ಅನುವಾದ ಮತ್ತು ಭಾವುಕ تحليل ♥️ | [ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ](6-NLP/README.md)| ಜೇನ್ ಆಸ್ಟಿನ್ ಅವರೊಂದಿಗೆ ಅನುವಾದ ಮತ್ತು ಭಾವನಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆ | [Python](6-NLP/3-Translation-Sentiment/README.md) | ಸ್ಟೀಫನ್ |
| 19 | ಯುರೋಪಿಯನ್ ಪ್ರೇಮಕೋಟೆಲ್ಗಳು ♥️ | [ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ](6-NLP/README.md)| ಹೋಟೆಲ್ ವಿಮರ್ಶೆಗಳ ಮೂಲಕ ಭಾವನಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆ 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | ಸ್ಟೀಫನ್ |
| 20 | ಯುರೋಪಿಯನ್ ಪ್ರೇಮಕೋಟೆಲ್ಗಳು ♥️ | [ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ](6-NLP/README.md)| ಹೋಟೆಲ್ ವಿಮರ್ಶೆಗಳ ಮೂಲಕ ಭಾವನಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆ 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | ಸ್ಟೀಫನ್ |
| 21 | ಕಾಲ ಸರಣಿ ಪೂರ್ವಪ್ರತಿಷ್ಠಾಪನೆಗೆ ಪರಿಚಯ | [ಕಾಲ ಸರಣಿ](7-TimeSeries/README.md) | ಕಾಲ ಸರಣಿ ಪೂರ್ವಪ್ರತಿಷ್ಠಾಪನೆಗೆ ಪರಿಚಯ | [Python](7-TimeSeries/1-Introduction/README.md)| ಫ್ರಾನ್ಸೆಸ್ಕಾ |
| 22 | ⚡️ ವಿಶ್ವ ವಿದ್ಯುತ್ ಬಳಕೆ ⚡️ - ARIMA ಬಳಸಿ ಕಾಲ ಸರಣಿ ಪೂರ್ವಪ್ರತಿಷ್ಠಾಪನೆ | [ಕಾಲ ಸರಣಿ](7-TimeSeries/README.md) | ARIMA ಬಳಸಿ ಕಾಲ ಸರಣಿ ಪೂರ್ವಪ್ರತಿಷ್ಠಾಪನೆ | [Python](7-TimeSeries/2-ARIMA/README.md)| ಫ್ರಾನ್ಸೆಸ್ಕಾ |
| 23 | ⚡️ ವಿಶ್ವ ವಿದ್ಯುತ್ ಬಳಕೆ ⚡️ - SVR ಬಳಸಿ ಕಾಲ ಸರಣಿ ಪೂರ್ವಪ್ರತಿಷ್ಠಾಪನೆ | [ಕಾಲ ಸರಣಿ](7-TimeSeries/README.md) | Support Vector Regressor ಬಳಸಿ ಕಾಲ ಸರಣಿ ಪೂರ್ವಪ್ರತಿಷ್ಠಾಪನೆ | [Python](7-TimeSeries/3-SVR/README.md) | ಅನಿರ್ಬಾನ್ |
| 24 | ಪ್ರಬಲವರ್ಧನಾ ಕಲಿಕೆಯ ಪರಿಚಯ | [ಪ್ರಬಲವರ್ಧನಾ ಕಲಿಕೆ](8-Reinforcement/README.md) | Q-ಕಲಿಕೆ ಬಳಸಿ ಪ್ರಬಲವರ್ಧನಾ ಕಲಿಕೆಯ ಪರಿಚಯ |[Python](8-Reinforcement/1-QLearning/README.md) | ದ್ಮಿತ್ರೀ |
| 25 | ಪೀಟರ್ ಕುರುವ ನಾಯಿ ತಪ್ಪಿಸಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡಿ! 🐺 | [ಪ್ರಬಲವರ್ಧನಾ ಕಲಿಕೆ](8-Reinforcement/README.md) | ಪ್ರಬಲವರ್ಧನಾ ಕಲಿಕೆಯ ಜಿಮ್ | [Python](8-Reinforcement/2-Gym/README.md) | ದ್ಮಿತ್ರೀ |
| ನಂತರವನ್ನು | ವಾಸ್ತವಿಕ ಜಗತ್ತಿನ ML ಘಟನಗಳು ಮತ್ತು ಅನ್ವಯಿಕೆಗಳು | [ಜಂಗಲದಲ್ಲಿ ML](9-Real-World/README.md) | ಪರಂಪರागत ML ನ ಆಸಕ್ತಿದಾಯಕ ಮತ್ತು ಅನಾವೃತ ವಾಸ್ತವಿಕ ಅನ್ವಯಿಕೆಗಳು | [ಪಾಠ](9-Real-World/1-Applications/README.md) | ತಂಡ |
| ನಂತರವನ್ನು | RAI ಡ್ಯಾಶ್ಬೋರ್ಡ್ ಬಳಸಿ ML ನಲ್ಲಿ ಮಾದರಿ ದೋಷಪರೀಕ್ಷೆ | [ಜಂಗಲದಲ್ಲಿ ML](9-Real-World/README.md) | ಜವಾಬ್ದಾರಿಯುತ AI ಡ್ಯಾಶ್ಬೋರ್ಡ್ ಘಟಕಗಳನ್ನು ಬಳಸಿ ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ಮಾದರಿಗಳ ದೋಷಪರೀಕ್ಷೆ | [ಪಾಠ](9-Real-World/2-Debugging-ML-Models/README.md) | ರೂತ್ ಯಾಕುಬು |
> [ಈ کورس್ಗೆ ಸಂಬಂಧಿಸಿದ ಎಲ್ಲಾ ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಮ್ಮ Microsoft Learn ಸಂಗ್ರಹದಲ್ಲಿ ಹುಡುಕಿ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## ಆಫ್ಲೈನ್ ಆಕ್ಸೆಸ್
ನೀವು [Docsify](https://docsify.js.org/#/) ಬಳಸಿ ಈ ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಅನ್ನು ಆಫ್ಲೈನ್ನಲ್ಲಿ ಚಾಲನೆ ಮಾಡಬಹುದು. ಈ ರೆಪೋವನ್ನು ಫೋರ್ಕ್ ಮಾಡಿ, ನಿಮ್ಮ ಸ್ಥಳೀಯ ಯಂತ್ರದಲ್ಲಿ [Docsify ಅನ್ನು ಇನ್ಸ್ಟಾಲ್](https://docsify.js.org/#/quickstart) ಮಾಡಿ, ನಂತರ ಈ ರೆಪೋದ ಮೂಲ ಫೋಲ್ಡರ್ನಲ್ಲಿ `docsify serve` ಟೈಪ್ ಮಾಡಿ. ವೆಬ್ಸೈಟ್ ನಿಮ್ಮ ಸ್ಥಳೀಯಹೋಸ್ಟ್ನಲ್ಲಿ 3000 ಪೋರ್ಟ್ನಲ್ಲಿ ನೀಡಲಾಗುತ್ತದೆ: `localhost:3000`.
> **ಭಾಷೆಗಳ ಬಗ್ಗೆ ಒಂದು ಟಿಪ್ಪಣಿ**: ಈ ಪಾಠಗಳು ಮುಖ್ಯವಾಗಿ Python ನಲ್ಲಿ ಬರೆಯಲ್ಪಟ್ಟಿವೆ, ಆದರೆ ಅನೇಕವು R ನಲ್ಲಿ ಕೂಡ ಲಭ್ಯವಿರುವುವು. R ಪಾಠವನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು, `/solution` ಫೋಲ್ಡರ್ಗೆ ಹೋಗಿ R ಪಾಠಗಳನ್ನು ಹುಡುಕಿ. ಅವು .rmd ವಿಸ್ತರಣೆ ಹೊಂದಿವೆ, ಇದು ಒಂದು **R Markdown** ಫೈಲ್ ಆಗಿದ್ದು, ಅದು `code chunks` (R ಅಥವಾ ಇತರೆ ಭಾಷೆಗಳ) ಹಾಗೂ `YAML header` (PDF ಮುಂತಾದ ನಂತರಸಾರಗಳನ್ನು ಹೇಗೆ ಅಳವಡಿಸುವುದೆಂದು ಮಾರ್ಗದರ್ಶನ ಮಾಡುತ್ತದೆ) ಅನ್ನು `Markdown ಡಾಕ್ಯುಮೆಂಟ್` ನಲ್ಲಿ ಸೇರಿಸಿರುವುದಾಗಿ ಸರಳವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಬಹುದು. ಆದ್ದರಿಂದ, ಇದು ಡೇಟಾ ಸೈನ್ಸ್ ಗೆ ಅತ್ಯುತ್ತಮ ಆವೃತ್ತಿ ರೂಪೋದ್ಯಮವಾಗಿದೆ ಏಕೆಂದರೆ ಇದು ನಿಮ್ಮ ಕೋಡ್, ಅದರ ಔಟ್ಪುಟ್ ಮತ್ತು ನಿಮ್ಮ ಭಾವನೆಗಳನ್ನು Markdown ನಲ್ಲಿ ಬರೆಯಲು ಅವಕಾಶವನ್ನು ನೀಡುತ್ತದೆ. ಮತ್ತೊಂದು, R Markdown ಡಾಕ್ಯುಮೆಂಟುಗಳನ್ನು PDF, HTML ಅಥವಾ Word ಮುಂತಾದ ಔಟ್ಪುಟ್ ರೂಪಗಳಲ್ಲಿ ಪ್ರದರ್ಶಿಸಬಹುದು.
> **ಪ್ರಶ್ನೋತ್ತರಗಳ ಬಗ್ಗೆ ಒಂದು ಟಿಪ್ಪಣಿ**: ಎಲ್ಲಾ ಪ್ರಶ್ನೋತ್ತರಗಳು [Quiz App folder](../../quiz-app) ನಲ್ಲಿ ಇವೆ, ಒಟ್ಟು 52 ಪ್ರಶ್ನೋತ್ತರಗಳು, ಪ್ರತಿ ಒಂದು ಮೂರು ಪ್ರಶ್ನೆಗಳ ಪಟ್ಟಿಯಾಗಿವೆ. ಅವು ಪಾಠಗಳಲ್ಲಿ ಲಿಂಕ್ ಮಾಡಲ್ಪಟ್ಟಿದ್ದರೂ ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್ ಸ್ಥಳೀಯವಾಗಿ ಚಾಲನೆ ಮಾಡಬಹುದು; ಸ್ಥಳೀಯವಾಗಿ ಹೋಸ್ಟ್ ಅಥವಾ Azure ಗೆ ನಿಯೋಜಿಸಲು `quiz-app` ಫೋಲ್ಡರಿನ ಸೂಚನೆಗಳನ್ನು ಅನುಸರಿಸಿ.
| ಪಾಠ ಸಂಖ್ಯೆ | ವಿಷಯ | ಪಾಠ ಗುಂಪು | ಕಲಿಕಾ ಉದ್ದೇಶಗಳು | ಲಿಂಕ್ ಪಾಠ | ಲೇಖಕ |
| 01 | ಯಂತ್ರ ಕಲಿಕೆಗೆ ಪರಿಚಯ | [Introduction](1-Introduction/README.md) | ಯಂತ್ರ ಕಲಿಕೆಯ ಮೂಲಭೂತ ಸಾಮಾಜಿಕ ಅಂಶಗಳನ್ನು ಕಲಿಕೊಳ್ಗೊಳ್ಳಿ | [Lesson](1-Introduction/1-intro-to-ML/README.md) | ಮುಖಮ್ಮದ್ |
| 02 | ಯಂತ್ರ ಕಲಿಕೆಯ ಇತಿಹಾಸ | [Introduction](1-Introduction/README.md) | ಈ ಕ್ಷೇತ್ರದ ಇತಿಹಾಸವನ್ನು ಕಲಿಯಿರಿ | [Lesson](1-Introduction/2-history-of-ML/README.md) | ಜೆನ್ ಮತ್ತು ಈಮಿ |
| 03 | ನ್ಯಾಯತಾಂತ್ರಿಕತೆ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆ | [Introduction](1-Introduction/README.md) | ನ್ಯಾಯತಾಂತ್ರಿಕತೆಯ ಸುತ್ತಲಿನ ಪ್ರಮುಖ ತತ್ವಜ್ಞಾನ ಸಮಸ್ಯೆಗಳು ಯಾವುವು? ವಿದ್ಯಾರ್ಥಿಗಳು ML ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲೂ, ಅನ್ವಯಿಸಲೂ ಪರಿಗಣಿಸಬೇಕಾದವು? | [Lesson](1-Introduction/3-fairness/README.md) | ಟೊಮೊಮಿ |
| 04 | ಯಂತ್ರ ಕಲಿಕೆಯ ತಂತ್ರಗಳು | [Introduction](1-Introduction/README.md) | ML ಸಂಶೋಧಕರು ML ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲು ಯಾವ ತಂತ್ರಗಳನ್ನು ಬಳಸುತ್ತಾರೆ? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | ಕ್ರಿಸ್ ಮತ್ತು ಜೆನ್ |
| 05 | Regression ಗೆ ಪರಿಚಯ | [Regression](2-Regression/README.md) | Regression ಮಾದರಿಗಳಿಗಾಗಿ Python ಮತ್ತು Scikit-learn ನಿಂದ ಪ್ರಾರಂಭಿಸಿ | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | ಜೆನ್ •Eric Wanjau |
| 06 | ನಾರ್ತ್ ಅಮೆರಿಕಾ ಕಂಬಳದ ಬೆಲೆಗಳು 🎃 | [Regression](2-Regression/README.md) | ML ಗೆ ಸಿದ್ಧತೆಗಾಗಿ ಡೇಟಾವನ್ನು ದೃಷ್ಯರೂಪಗೊಳಿಸಿ ಮತ್ತು ಸ್ವಚ್ಛಗೊಳಿಸಿ | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | ಜೆನ್ •Eric Wanjau |
| 07 | ನಾರ್ತ್ ಅಮೆರಿಕಾ ಕಂಬಳದ ಬೆಲೆಗಳು 🎃 | [Regression](2-Regression/README.md) | ರೇಖೀಯ ಮತ್ತು ಬಹುಪಡಿಯ Regression ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಿ | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | ಜೆನ್ ಮತ್ತು ದಿಮಿತ್ರಿ •Eric Wanjau |
| 08 | ನಾರ್ತ್ ಅಮೆರಿಕಾ ಕಂಬಳದ ಬೆಲೆಗಳು 🎃 | [Regression](2-Regression/README.md) | ಲಾಜಿಸ್ಟಿಕ್ Regression ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಿ | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | ಜೆನ್ •Eric Wanjau |
| 09 | ವೆಬ್ ಆಪ್ 🔌 | [Web App](3-Web-App/README.md) | ತರಬೇತಿ ಪಡೆದ ಮodel ಬಳಕೆಗೆ ವೆಬ್ ಆಪ್ ನಿರ್ಮಿಸಿ | [Python](3-Web-App/1-Web-App/README.md) | ಜೆನ್ |
| 10 | ವರ್ಗೀಕರಣಕ್ಕೆ ಪರಿಚಯ | [Classification](4-Classification/README.md) | ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಿ, ಸಿದ್ಧಪಡಿಸಿ ಮತ್ತು ದೃಶ್ಯಗೊಳಿಸಿ; ವರ್ಗೀಕರಣಕ್ಕೆ ಪರಿಚಯ | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | ಜೆನ್ ಮತ್ತು ಕ್ಯಾಸಿ •Eric Wanjau |
| 11 | ರುಚಿಕರ ಏಶಿಯ ಮತ್ತು ಭಾರತೀಯ ಆಹಾರ 🍜 | [Classification](4-Classification/README.md) | ವರ್ಗೀಕರಿಸುವಿಕೆಗೆ ಪರಿಚಯ | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | ಜೆನ್ ಮತ್ತು ಕ್ಯಾಸಿ •Eric Wanjau |
| 12 | ರುಚಿಕರ ಏಶಿಯ ಮತ್ತು ಭಾರತೀಯ ಆಹಾರ 🍜 | [Classification](4-Classification/README.md) | ಇನ್ನಷ್ಟು ವರ್ಗೀಕರಿಸುವಿಕೆಗಳು | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | ಜೆನ್ ಮತ್ತು ಕ್ಯಾಸಿ •Eric Wanjau |
| 13 | ರುಚಿಕರ ಏಶಿಯ ಮತ್ತು ಭಾರತೀಯ ಆಹಾರ 🍜 | [Classification](4-Classification/README.md) | ನಿಮ್ಮ ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಶಿಫಾರಸ್ಸು ಮಾಡುವ ವೆಬ್ ಆಪ್ ನಿರ್ಮಿಸಿ | [Python](4-Classification/4-Applied/README.md) | ಜೆನ್ |
| 14 | ಕ್ಲಸ್ಟರಿಂಗ್ ಗೆ ಪರಿಚಯ | [Clustering](5-Clustering/README.md) | ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಿ, ಸಿದ್ಧಪಡಿಸಿ ಮತ್ತು ದೃಶ್ಯಗೊಳಿಸಿ; ಕ್ಲಸ್ಟರಿಂಗ್ ಗೆ ಪರಿಚಯ | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | ಜೆನ್ •Eric Wanjau |
| 16 | ಪ್ರಕೃತಿಪ್ರಭಾಷೆ ಸಂಸ್ಕರಣೆಗೆ ಪರಿಚಯ ☕️ | [Natural language processing](6-NLP/README.md) | ಸರಳ ಬಾಟ್ ನಿರ್ಮಿಸುವ ಮೂಲಕ NLP ನ ಮೂಲಭೂತಗಳನ್ನು ಕಲಿಯಿರಿ | [Python](6-NLP/1-Introduction-to-NLP/README.md) | ಸ್ಟೀಫನ್ |
| 17 | ಸಾಮಾನ್ಯ NLP ಕಾರ್ಯಗಳು ☕️ | [Natural language processing](6-NLP/README.md) | ಭಾಷಾ ರಚನೆಗಳೊಂದಿಗೆ ವ್ಯವಹರಿಸುವಾಗ ಅಗತ್ಯವಿರುವ ಸಾಮಾನ್ಯ ಕಾರ್ಯಗಳನ್ನು ತಿಳಿದುಕೊಳ್ಳಿ | [Python](6-NLP/2-Tasks/README.md) | ಸ್ಟೀಫನ್ |
| 18 | ಅನುವಾದ ಮತ್ತು ಮನೋಭಾವ ವಿಶ್ಲೇಷಣೆ ♥️ | [Natural language processing](6-NLP/README.md) | ಜೇನ್ ಆಸ್ಟಿನ್ ಜೊತೆ ಅನುವಾದ ಮತ್ತು ಮನೋಭಾವ ವಿಶ್ಲೇಷಣೆ | [Python](6-NLP/3-Translation-Sentiment/README.md) | ಸ್ಟೀಫನ್ |
| 19 | ಯೂರೋಪಿನ ಪ್ರಣಯ ಹೋಟೆಲ್ ಗಳು ♥️ | [Natural language processing](6-NLP/README.md) | ಹೋಟೆಲ್ ವಿಮರ್ಶೆಗಳೊಂದಿಗೆ ಮನೋಭಾವ ವಿಶ್ಲೇಷಣೆ 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | ಸ್ಟೀಫನ್ |
| 20 | ಯೂರೋಪಿನ ಪ್ರಣಯ ಹೋಟೆಲ್ ಗಳು ♥️ | [Natural language processing](6-NLP/README.md) | ಹೋಟೆಲ್ ವಿಮರ್ಶೆಗಳೊಂದಿಗೆ ಮನೋಭಾವ ವಿಶ್ಲೇಷಣೆ 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | ಸ್ಟೀಫನ್ |
| 21 | ಕಾಲ ಸರಣಿಯ ನಿರೀಕ್ಷಣೆಗೆ ಪರಿಚಯ | [Time series](7-TimeSeries/README.md) | ಕಾಲ ಸರಣಿ ನಿರೀಕ್ಷಣೆಗೆ ಪರಿಚಯ | [Python](7-TimeSeries/1-Introduction/README.md) | ಫ್ರಾನ್ಸೆಸ್ಕಾ |
| 22 | ⚡️ ವಿಶ್ವ ವಿದ್ಯುತ್ ಬಳಕೆ ⚡️ - ARIMA ನೇತೃತ್ವದ ಕಾಲ ಸರಣಿ | [Time series](7-TimeSeries/README.md) | ARIMA ಮಾದರಿಯೊಂದಿಗೆ ಕಾಲ ಸರಣಿ ನಿರೀಕ್ಷಣೆ | [Python](7-TimeSeries/2-ARIMA/README.md) | ಫ್ರಾನ್ಸೆಸ್ಕಾ |
| 23 | ⚡️ ವಿಶ್ವ ವಿದ್ಯುತ್ ಬಳಕೆ ⚡️ - SVR ನೇತೃತ್ವದ ಕಾಲ ಸರಣಿ | [Time series](7-TimeSeries/README.md) | Support Vector Regressor ಮೂಲಕ ಕಾಲ ಸರಣಿ ನಿರೀಕ್ಷಣೆ | [Python](7-TimeSeries/3-SVR/README.md) | ಅನಿರ್ಬನ್ |
| 24 | ಬಲವರ್ಧನೆ ಕಲಿಕೆಯ ಪರಿಚಯ | [Reinforcement learning](8-Reinforcement/README.md) | Q-ಕಲಿಕೆ ಮೂಲಕ ಬಲವರ್ಧನೆ ಕಲಿಕೆಯ ಪರಿಚಯ | [Python](8-Reinforcement/1-QLearning/README.md) | ದಿಮಿತ್ರಿ |
| 25 | ಪಿಟರ್ ನಾಯಿಯನ್ನು ತಪ್ಪಿಸಲು ಸಹಾಯ ಮಾಡಿ! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | ಬಲವರ್ಧನೆ ಕಲಿಕೆಯ ಜಿಮ್ | [Python](8-Reinforcement/2-Gym/README.md) | ದಿಮಿತ್ರಿ |
| Postscript | ನಿಜಜೀವ ML ಸನ್ನಿವೇಶಗಳು ಮತ್ತು ಅನ್ವಯಗಳು | [ML in the Wild](9-Real-World/README.md) | ಶ್ರೇಷ್ಠ ಮತ್ತು ಅನಾವರಣ ಯುಕ್ತ ನೈಜ ಜಾಗತಿಕ ML ಅನ್ವಯಗಳು | [Lesson](9-Real-World/1-Applications/README.md) | ತಂಡ |
| Postscript | RAI ಡ್ಯಾಶ್ಬೋರ್ಡ್ ಬಳಸಿ ML ಮಾದರಿ ಡಿಬಗಿಂಗ್ | [ML in the Wild](9-Real-World/README.md) | ಜವಾಬ್ದಾರಿಯುತ AI ಡ್ಯಾಶ್ಬೋರ್ಡ್ ಘಟಕಗಳ ಬಳಕೆ ಮೂಲಕ ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿ ಡಿಬಗಿಂಗ್ | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | ರುತ್ ಯಶುಕು |
> [ಈ ಪಾಠಕ್ರಮಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಎಲ್ಲಾ ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಮ್ಮ Microsoft Learn ಸಂಗ್ರಹದಲ್ಲಿ ಹುಡುಕಿ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## ಆಫ್ಲೈನ್ ಪ್ರವೇಶ
ನೀವು [Docsify](https://docsify.js.org/#/) ಬಳಸಿ ಈ ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಅನ್ನು ಆಫ್ಲೈನ್ನಲ್ಲಿ ಚಾಲನೆ ಮಾಡಬಹುದು. ಈ ಸಂಗ್ರಹವನ್ನು ಫೋರ್ಕ್ ಮಾಡಿ, [Docsify ಅನ್ನು ಸ್ಥಾಪಿಸಿ](https://docsify.js.org/#/quickstart) ನಿಮ್ಮ ಸ್ಥಳೀಯ ಯಂತ್ರದಲ್ಲಿ, ಮತ್ತು ನಂತರ ಈ ಸಂಗ್ರಹದ ರೂಟ್ ಫೋಲ್ಡರ್ನಲ್ಲಿ `docsify serve` ಟೈಪ್ ಮಾಡಿ. ವೆಬ್ಸೈಟ್ ನಿಮ್ಮ ಲೋಕಲ್ಹೋಸ್ಟ್ನಲ್ಲಿ 3000 ಪೋರ್ಟ್ನಲ್ಲಿ ಸೇವ್ ಆಗುತ್ತದೆ: `localhost:3000`.
## PDF ಗಳು
ಕರೆ큳್ಯುಲಮ್ನ PDF ಅನ್ನು ಲಿಂಕ್ಗಳೊಂದಿಗೆ [ಇಲ್ಲಿ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) ನೋಡಿ.
ಪಾಠಕ್ರಮದ ಪಿಡಿಎಫ್ ನ್ನು ಇಲ್ಲಿ ಲಿಂಕ್ಗಳ ಮೂಲಕ ಪಡೆದುಕೊಳ್ಳಿ [ಅಲ್ಲಿ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 ಇತರೆ ಕೋರ್ಸ್ಗಳು
## 🎒 ಇತರೆ ಕೋರ್ಸುಗಳು
ನಮ್ಮ ತಂಡ ಇತರ ಕೋರ್ಸ್ಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ! ಪರಿಶೀಲಿಸಿ:
ನಮ್ಮ ತಂಡ ಇತರೆ ಕೋರ್ಸುಗಳನ್ನು ನಿರ್ಮಿಸುತ್ತಿದೆ! ಪರಿಶೀಲಿಸಿ:
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-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)
### ರಚನಾತ್ಮಕ AI ಸರಣಿಗಳು
[](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/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
ನೀವು ಅಡಚಣೆಗಳಿಗೆ ಸಿಕ್ಕಿದ್ದೀರಾ ಅಥವಾ AI ಅಪ್ಲಿಕೇಶನ್ಗಳನ್ನು ನಿರ್ಮಿಸುವ ಬಗ್ಗೆ ಯಾವುದೇ ಪ್ರಶ್ನೆ ಇದ್ದರೆ, MCP ಬಗ್ಗೆ ಚರ್ಚೆಗಳಲ್ಲಿ ಭಾಗವಹಿಸುವ ಸಹಪಾಠಿಗಳ ಮತ್ತು ಅನುಭವಿ ಡೆವಲಪರ್ಗಳ ಜೊತೆಗೆ ಸೇರಿ. ಇದು ಪ್ರಶ್ನೆಗಳಿಗೆ ಸ್ವಾಗತ ನೀಡುವ ಮತ್ತು ಜ್ಞಾನವನ್ನು ಮುಕ್ತವಾಗಿ ಹಂಚುವ ಸಹಾಯಕ ಸಮುದಾಯವಾಗಿದೆ.
ನೀವು ಅಡಗಿ ಹೋದೆರೆ ಅಥವಾ AI ಅನ್ವಯಿಕೆಗಳನ್ನು ನಿರ್ಮಿಸುವ ಬಗ್ಗೆ ಯಾವುದೇ ಪ್ರಶ್ನೆಗಳಿದ್ದರೆ. MCP ಬಗ್ಗೆ ಚರ್ಚೆಗಳಲ್ಲಿ ಇತರ ಕಲಿಯುವವರು ಮತ್ತು ಅನುಭವಸಂಪನ್ಮೂಲದ ಡೆವಲಪರ್ಗಳ ಜೊತೆಯಲ್ಲಿ ಸೇರಿ. ಇದು ಸಹಾಯಕ ಸಮುದಾಯವಾಗಿದ್ದು, ಪ್ರಶ್ನೆಗಳಿಗೆ ಸ್ವಾಗತ ಇದೆ ಮತ್ತು ಜ್ಞಾನವನ್ನು ಮುಕ್ತವಾಗಿ ಹಂಚಿಕೊಳ್ಳಲಾಗುತ್ತದೆ.
- ಉತ್ತಮ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಪ್ರತಿ ಪಾಠದ ನಂತರ ನೋಟ್ಬುಕ್ಗಳನ್ನು ಪರಿಶೀಲಿಸಿ.
- ತಮ್ಮದೇ ಆದ ಅಲ್ಗೋರಿದಮ್ಗಳನ್ನು ಅನುಷ್ಠಾನ ಮಾಡುವುದು ಅಭ್ಯಾಸ ಮಾಡಿ.
- ಕಲಿತ ತತ್ವಗಳನ್ನು ಬಳಸಿ ನಿಜವಾದ ಜಗತ್ತಿನ ಡೇಟಾಸೆಟ್ಗಳನ್ನು ಅನ್ವೇಷಿಸಿ.
- ಪ್ರತಿ ಪಾಠದ ನಂತರ ನೋಟ್ಬುಕ್ಗಳನ್ನು ವಿಮರ್ಶಿಸಿ ಉತ್ತಮ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು.
- ಸ್ವತಃ ಅಲ್ಪಾಗಿ ಅಲ್ಗಾರಿದಮ್ಗಳನ್ನು ಅಭ್ಯಾಸ ಮಾಡಿ.
- ಕಲಿತ ತತ್ವಗಳನ್ನು ಬಳಸಿ ನಿಜ ಜೀವನದ ಡೇಟಾಸೆಟ್ಗಳನ್ನು ಅನ್ವೇಷಿಸಿ.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**ನಿರಾಕರಣಾ ಪ್ರಕಟಣೆ**:
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಗೆ ಪ್ರಯತ್ನಿಸುವಾಗ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ತಪ್ಪುಗಳು ಇರಬಹುದು ಎಂಬುದು ಗಮನದಲ್ಲಿಟ್ಟಿಕೊಳ್ಳಿ. ಮೂಲಸ್ಥ ಭಾಷೆಯ ಮೌಲಿಕ ದಾಖಲೆವೇ ಅಧಿಕೃತ ಮೂಲ ಎಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ ವೃತ್ತಿಜ್ಞ ಮಾನವ ಅನುವಾದನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆ ಕಾರಣದಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಲುವಿಕೆಗೆ ನಾವು ಜವಾಬ್ದಾರಿಯಾಗುವುದಿಲ್ಲ.
**ಅಸ್ವೀಕಾರ**:
ಈ ನ್ಯೂಗಡೆಯನ್ನು AI ಭಾಷಾಂತರ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಭಾಷಾಂತರಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯನ್ನು ಸಾಧಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಭಾಷಾಂತರಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಕುರತಿಗಳು ಇರುವಂತೆ ಇರುವುದು ಸಹಜ. ಮೂಲ ಭಾಷೆಯ ಮೌಲಿಕ ದಾಖಲೆ ಅಧೀನ ಮೂಲ ಎಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವಪೂರ್ಣ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಭಾಷಾಂತರವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಭಾಷಾಂತರದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ಕಲಹಗಳು ಅಥವಾ ತಪ್ಪು ಅರ್ಥಗ್ರಹಣೆಗಳಿಗೆ ನಾವು ಜವಾಬ್ದಾರರಾಗುವುದಿಲ್ಲ.
> **പ്രാദേശികമായി ക്ലോൺ ചെയ്യാൻ ആഗ്രഹിക്കുന്നവർക്ക്?**
> **അതോ പ്രാദേശികമായി ക്ലോൺ ചെയ്യണമെന്നോ?**
>
> ഈ റിപോസിറ്ററിയിൽ 50ത്തിലധികം ഭാഷകൾ ഉൾപ്പെടുന്ന തർജ്ജമകൾ ഉണ്ടാകുന്നതുകൊണ്ട് ഡൗൺലോഡ് വലുതാകും. തർജ്മകൾ ഇല്ലാതെ ക്ലോൺ ചെയ്യാൻ sparse checkout ഉപയോഗിക്കുക:
> ഈ റീപ്പോസിറ്ററിയിൽ 50-ത്തിലധികം ഭാഷാ പരിഭാഷകൾ ഉൾപ്പെടുത്തിയിട്ടുള്ളതിനാൽ ഡൗൺലോഡ് വലുതാകുന്നു. പരിഭാഷകൾ ഇല്ലാതെ ക്ലോൺ ചെയ്യാൻ sparse checkout ഉപയോഗിക്കുക:
നിങ്ങൾക്ക് AI ൽ പഠിക്കാൻ ഞങ്ങൾ നടത്തുന്ന Discord സീരീസിൽ പങ്കെടുത്ത് കൂടുതൽ അറിയാൻ [Learn with AI Series](https://aka.ms/learnwithai/discord) സന്ദർശിക്കൂ, 2025 സെപ്റ്റംബർ 18 - 30. GitHub Copilot ഉപയോഗിച്ച് ഡാറ്റ സയൻസിനുള്ള വഴிகள் നിങ്ങൾക്ക് ലഭിക്കും.
നമുക്ക് Discord-ൽ ഒരു learn with AI സീരിസ് തുടരുകയാണ്, കൂടുതൽ പഠിക്കാനും ഞങ്ങളോടൊപ്പം ചേരാനും [Learn with AI Series](https://aka.ms/learnwithai/discord) സന്ദർശിക്കുക 2025 സെപ്റ്റംബർ 18 മുതൽ 30 വരെ. GitHub Copilot ഡാറ്റാ സയൻസിനായി ഉപയോഗിക്കുന്ന ടിപ്സും ട്രിക്കുകളും ലഭിക്കും.
# ആരംഭക്കാർക്കായി മെഷീൻ ലേണിംഗ് - ഒരു പാഠ്യക്രമം
# തുടക്കക്കാർക്കുള്ള മെഷീൻ ലേണിംഗ് - ഒരു പാഠ്യപദ്ധതി
> 🌍 ലോക സംസ്കാരങ്ങളിലൂടെ നമ്മൾ മെഷീൻ ലേണിംഗ് പഠിക്കുന്നതിൽ ഒരു ലോകയാത്ര 🌍
> 🌍 ലോകം മുഴുവൻ നിന്നുമുള്ള സംസ്കാരങ്ങളിലൂടെ മെഷീൻ ലേണിംഗ് അന്വേഷിക്കുമ്പോൾ ലോകത്തൂടെ സഞ്ചരിക്കുക 🌍
Microsoftയിലെ Cloud Advocates നിങ്ങൾക്കായി 12 ആഴ്ച്ചകളുള്ള, 26 പാഠങ്ങളുള്ള മെഷീൻ ലേണിംഗ് പാഠ്യക്രമം ഒരുക്കിയിരിക്കുന്നു. ഈ പാഠ്യക്രമത്തിൽ നിങ്ങള് അവയവപശ്ചാത്തല മെഷീൻ ലേണിംഗ് എന്നറിയാവുന്ന കാര്യം പഠിക്കും, പ്രധാനമായും Scikit-learn ലൈബ്രറി ഉപയോഗിച്ച്, ഡീപ്പ് ലേണിംഗ് ഒഴിവാക്കി, അതിനെ കുറിച്ച് ഞങ്ങളുടെ [എഐ ആരംഭക്കാർക്കായി പാഠ്യക്രമം](https://aka.ms/ai4beginners) ഉൾക്കൊള്ളുന്നു. ഈ പാഠങ്ങളോടൊപ്പം ഞങ്ങളുടെ ['ഡാറ്റ സയൻസ് ആരംഭക്കാർക്കായി' പാഠ്യക്രമം](https://aka.ms/ds4beginners) കൂടെ പഠിക്കാം.
Microsoft ലെ ക്ലൗഡ് അഡ്വക്കേറ്റ്സുകൾ 12 ആഴ്ചകളുള്ള, 26 പാഠങ്ങളുള്ള **Machine Learning** പാഠ്യപദ്ധതിയുമായി എത്തി. ഈ പാഠ്യപദ്ധതിയിൽ നിങ്ങൾക്ക് ചിലപ്പോഴൊക്കെ പറഞ്ഞുതരുന്ന **പാരമ്പര്യ മെഷീൻ ലേണിംഗ്** എന്താണെന്ന് അറിയാം, പ്രധാനമായും Scikit-learn ലൈബ്രറി ഉപയോഗിച്ച് പഠിക്കും, ഡീപ്പ് ലേണിംഗ് ഒഴിവാക്കും, അത് നമ്മുടെ [AI for Beginners' curriculum](https://aka.ms/ai4beginners) ൽ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. ഈ പാഠങ്ങൾ ഞങ്ങളുടെ ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) യുമായി കൂടെ കൂട്ടി പാരായണം ചെയ്യുക.
ലോകത്തിന്റെ വിവിധ ഭാഗങ്ങളിൽ നിന്നുള്ള ഡാറ്റ പരിഗണിച്ച് ഈ ക്ലാസിക് സാങ്കേതിക വിദ്യകൾ ഞങ്ങളോടൊപ്പം പഠിക്കൂ. ഓരോ പാഠത്തിനും മുൻകൂട്ടി-ശ്രമ, പാഠ ശേഷമുള്ള ക്വിസുകൾ, നിർദേശിക്കൽ, പരിഹാരം, അസൈൻമെന്റ് എന്നിവ ഉൾപ്പെടുന്നു. ഞങ്ങളുടെ പ്രോജക്ട് അടിസ്ഥാനമന്ത്രി പഠനരീതി നിങ്ങൾക്ക് നിർമ്മിക്കുമ്പോൾ പഠിക്കാനുള്ള സൗകര്യം നൽകുന്നു, പുതിയ കഴിവുകൾ പൊറുതിക്കപ്പെടുന്നതിനുള്ള തെളിയിച്ച മാർഗമാണ്.
ലോകത്തിനാകമാനം നിന്നുള്ള ഡാറ്റയിൽ ഈ പാരമ്പര്യ സാങ്കേതിക വിദ്യകൾ പ്രയോഗിക്കുമ്പോൾ നമ്മുക്ക് അനുഭാവം കൂടും. ഓരോ പാഠത്തിനും മുൻപും ശേഷവും ക്വിസ് ഉണ്ടായിരിക്കും, എഴുത്തുപ്രകാരം നിർദേശങ്ങൾ, പരിഹാരങ്ങൾ, അസൈൻമെന്റ് എന്നിവയും ഉണ്ടാകും. നമ്മുടെ പ്രോജക്റ്റ്-ആധാരിത പഠനരീതിയും നിങ്ങൾക്ക് നിർമ്മിക്കുമ്പോഴും പഠിക്കുന്നതിനായ ഒരു തെളിവാണ്.
**✍️ നമ്മുടെ എഴുത്തുകാരെ ഹൃദയം നിറഞ്ഞ നന്ദി**: Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu, Amy Boyd
**🙏 പ്രത്യേക നന്ദി Microsoft Student Ambassador എഴുത്തുകാർ, പരിശോധകർ, ഉള്ളടക്ക സംഭാവന നൽകുനവർ**, പ്രത്യേകിച്ച് Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, Snigdha Agarwal
**🙏 പ്രത്യേക നന്ദി 🙏 മൈക്രോസോഫ്റ്റ് സ്റ്റുഡന്റ് അംബാസഡർ ആയ ലേഖകര്ക്ക്, പരിഷ്കാരകർക്ക്, ഉള്ളടക്ക പ്രവർത്തകർക്കും**, പ്രത്യേകിച്ച് റിഷിത് ദഗ്ലി, മുഹമ്മദ് സകിബ് ഖാൻ ഇൻ, റോഹൻ രാജ്, അലക്സാൻഡ്രു പേട്രസ്കു, അഭിഷേക് ജയസ്വൽ, നൗറിൻ ടബസുമ, ഇവാൻ സമുഇല, സ്നിഗ്ധ അഗർവാൾ
**🤩 Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, Vidushi Gupta - നമുക്ക് R പാഠങ്ങൾക്കായുള്ള പ്രത്യേക നന്ദി!**
**🤩 റ്റ്യുൾ പാഠങ്ങൾക്ക് Microsoft Student Ambassadors ആയ എറിക് വാർജാവ്, ജാസ്ലീൻ സോന്ധി, വിദുഷി ഗുപ്തയ്കും പ്രത്യേക നന്ദി!**
# ആരംഭിക്കൽ
# തുടങ്ങാൻ
ഈ ചുവടുവയ്പ്പുകൾ പിന്തുടരുക:
1. **റിപോസിറ്ററി ഫോർക്ക് ചെയ്യുക**: ഈ പേജിന്റെ മുകളിൽ വലത് കോണിലെ "Fork" ബട്ടൺ ക്ലിക്ക് ചെയ്യുക.
> [ഈ കോഴ്സിനുള്ള എല്ലാ അധിക വിഭവങ്ങളും Microsoft Learn ശേഖരത്തിൽ കാണുക](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [ഈ കോഴ്സിനുള്ള എല്ലാ അധിക വസ്തുക്കളും Microsoft Learn ശേഖരത്തിൽ കാണാം](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **സഹായം വേണമോ?** ഇൻസ്റ്റാളേഷൻ, ക്രമീകരണം, പാഠങ്ങൾ റൺ ചെയ്യൽ എന്നിവയുമായി ബന്ധപ്പെട്ട സാധാരണ പ്രശ്നങ്ങൾക്ക് [തൊഴിലാളി കൈപുസ്തകം](TROUBLESHOOTING.md) പരിശോധിക്കുക.
> 🔧 **സഹായം വേണോ?** ഇൻസ്റ്റലേഷൻ, സജ്ജീകരണം, പാഠങ്ങൾ നടത്തലിൽ സാധാരണ പ്രശ്നങ്ങൾക്ക് പരിഹാരങ്ങൾ കാണാൻ [Troubleshooting Guide](TROUBLESHOOTING.md) കാണുക.
**[വിദ്യാർത്ഥികൾ](https://aka.ms/student-page)**, ഈ പാഠ്യപദ്ധതി ഉപയോഗിക്കാൻ, മുഴുവൻ റീപ്പോ നിങ്ങളുടെ GitHub അക്കൗണ്ടിലേക്ക് ഫോർക്കുചെയ്യൂവും കോട്ടിപ്പോരവും ഒറ്റക്ക് അല്ലെങ്കിൽ കൂട്ടുകാർക്കൊപ്പം പൂർത്തിയാക്കുക:
**[സർവ്വത്ര വിദ്യാർത്ഥികൾ](https://aka.ms/student-page)**, ഈ പാഠ്യക്രമം ഉപയോഗിക്കാൻ, റിപോ മുഴുവനായി നിങ്ങളുടെ GitHub അക്കൗണ്ടിലേക്ക് ഫോർക്ക് ചെയ്ത് സ്വയം അല്ലെങ്കിൽ കൂട്ടായ്മയോടെ ആസൂത്രണം പൂർത്തിയാക്കുക:
- പ്രീ-ലെക്ചർ ക്വിസ് നിറയ്ക്കുക.
- പാഠം വായിച്ച് പ്രവർത്തനങ്ങൾ പൂർത്തിയാക്കുക, ഓരോ അറിവ് പരിശോധിക്കുന്നിടത്തും ഒന്ന് നിൽക്കുകയും ചിന്തിക്കുകയും ചെയ്യുക.
- പരിഹാര കോഡ് ഓടിക്കുന്നതിന് പകരം പാഠം മനസ്സിലാക്കി പ്രോജക്ടുകൾ നിർമ്മിക്കാൻ ശ്രമിക്കുക; എന്നാൽ പരിഹാര കോഡ് ഓരോ പ്രോജക്ട് അധിഷ്ഠിത പാഠത്തിന്റെയും `/solution` ഫോൾഡറുകളിൽ ലഭ്യമാണ്.
- പോസ്റ്റ്-ലെക്ചർ ക്വിസ് നൽകുക.
- പ്രീ-ലെക്ചർ ക്വിസ് തുടങ്ങുക.
- ലെക്ചർ വായിച്ച് പ്രവർത്തനങ്ങൾ പൂർത്തിയാക്കുക, ഓരോ അറിവ് പരിശോധിച്ചും ചിന്തിച്ച്.
- പരിഹാരകോഡ് റൺ ചെയ്യുന്നതിന് പകരം പാഠങ്ങൾ മനസ്സിലാക്കി പ്രോജക്റ്റുകൾ നിർമ്മിക്കാൻ ശ്രമിക്കുക; എന്നാൽ ഓരോ പ്രോജക്റ്റിനുംറെ `/solution` ഫോൾഡറിൽ പരിഹാരകോഡ് ലഭ്യമാണ്.
- പോസ്റ്റ്-ലെക്ചർ ക്വിസ് എടുക്കുക.
- ചലഞ്ച് പൂർത്തിയാക്കുക.
- അസൈൻമെന്റ് പൂർത്തിയാക്കുക.
- ഒരു പാഠ സമൂഹം പൂർത്തിയാക്കിയശേഷം, [ചർച്ച ബോർഡ്](https://github.com/microsoft/ML-For-Beginners/discussions) സന്ദർശിച്ച് അനുയോജ്യമായ PAT റൂബ്രിക് പൂരിപ്പിച്ച് "ലേണ്അව්ട്ട് ലൗഡ്" ചെയ്യുക. PAT (പ്രോഗ്രസ് അസ്സസ്മെന്റ് ടൂൾ) ഒരു റൂബ്രിക് ആണ്, നിങ്ങൾക്ക് പഠനങ്ങൾ മെച്ചപ്പെടുത്താൻ സഹായിക്കുന്നതാണ്. മറ്റു PAT-കളിലേക്കും പ്രതികരിക്കാനാകും, ഒത്തുകൂടി പഠിക്കാം.
- ഒരു പാഠ ഘടകം പൂർത്തിയാക്കിയശേഷം, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) സന്ദർശിച്ച് അനുയോജ്യമായ PAT റൂബ്രിക് പൂരിപ്പിച്ച് "learn out loud" ചെയ്യുക. 'PAT' അഥവാ പ്രോഗ്രസ് അസസ്മെന്റ ടൂള് പഠനത്തിന് സഹായിക്കുന്ന ഒരു റൂബ്രികാണ്. മറ്റുള്ള PAT-കളിലും പ്രതികരിക്കുക, ഒരുമിച്ച് പഠിക്കാം.
> കൂടുതല് പഠനത്തിനായി, ഈ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) മോഡ്യൂളുകളും ലേണിംഗ് പാത്തുകളും പിന്തുടരാൻ ഞങ്ങൾ ശുപാർശ ചെയ്യുന്നു.
> കൂടുതൽ പഠനത്തിനായി, ഈ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) മോഡ്യൂളുകളും പഠന പാതകളും പിന്തുടരാൻ ഞങ്ങൾ ശിപാർശ ചെയ്യുന്നു.
**അദ്ധ്യാപകർ**, ഈ പാഠ്യക്രമം ഉപയോഗിക്കുന്നതിന് ഞങ്ങൾ [ചടങ്ങുകൾ](for-teachers.md) ഉൾപ്പെടുത്തിയിട്ടുണ്ട്.
**അധ്യാപകർ**, ഈ പാഠ്യപദ്ധതി എങ്ങനെ ഉപയോഗിക്കാമെന്ന് കുറച്ച് നിർദ്ദേശങ്ങൾ [for-teachers.md](for-teachers.md) ನಲ್ಲಿകാണാം.
---
## വിഡിയോ നടത്തിപ്പുകൾ
## വീഡിയോകളിലൂടെ വഴി കാണിക്കല്
ചില പാഠങ്ങൾ സ്വല്പ ദൈർഘ്യമുള്ള വിഡിയോ രൂപത്തിലാണ് ലഭിക്കുന്നത്. നിങ്ങൾക്ക് ഈ എല്ലാം പാഠങ്ങളിൽ ലൈൻ ആയി കാണാമോ, അല്ലെങ്കിൽ [Microsoft Developer YouTube ചാനലിലെ ML for Beginners പ്ലേലിസ്റ്റിൽ](https://aka.ms/ml-beginners-videos) താഴെയുള്ള ചിത്രത്തിൽ ക്ലിക്ക് ചെയ്ത് ലഭിക്കാം.
ചില പാഠങ്ങൾ ചെറുതായി വീഡിയോകളാണ്. പാഠങ്ങളിൽ തന്നെ ഇവ കാണാനാകും, അല്ലെങ്കിൽ [ML for Beginners YouTube പ്ലേലിസ്റ്റിൽ](https://aka.ms/ml-beginners-videos) വീക്ഷിക്കാം താഴെയുള്ള ചിത്രത്തിൽ ക്ലിക്കുചെയ്യുകയോ.
[](https://aka.ms/ml-beginners-videos)
**ഗിഫ്** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) tarafından
> 🎥 ഈ ചിത്രത്തിൽ ക്ലിക്ക് ചെയ്ത് പ്രോജക്ടും സൃഷ്ടിച്ചവരും സംബന്ധിച്ച വീഡിയോ കാണുക!
> 🎥 പന്തകം കുറിക്കുന്നവരും ഈ പ്രൊജക്റ്റും നിർമിച്ചവരും ഉള്ള വീഡിയോ കാണാൻ മേൽചിത്രത്തിൽ ക്ലിക്കുചെയ്യുക!
---
## പഠനരീതി
## പഠനരീതികൾ
ഈ പാഠ്യക്രമം നിർമ്മിക്കുന്നപ്പോൾ ഞങ്ങൾ രണ്ട് പ്രധാനം പരിഗണനകൾ സ്വീകരിച്ചു: പ്രോജക്ട് അടിസ്ഥാനമാക്കിയുള്ള കൈകാര്യം ഉറപ്പാക്കുക, കൂടാതെ తరവാറുള്ള ക്വിസുകൾ ഉൾപ്പെടുത്തുക. കൂടാതെ, ഇതിന് ഒരു പൊതു **തീം** നൽകിയത് ഏകീകരണത്തിനായി.
ഈ പാഠ്യപദ്ധതി നിർമ്മിക്കുമ്പോൾ കാൽ കുറ്റികളായി രണ്ട് അക്കാദമിക സിദ്ധാന്തങ്ങൾ തിരഞ്ഞെടുത്തു: ഹാൻഡ്സ് ഓൺ **പ്രോജക്റ്റ് ആധാരിതം**, കൂടാതെ **സാധാരണയായി ക്വിസുകൾ** ഉൾപ്പെടുത്തുക. കൂടാതെ, ഈ പാഠ്യപദ്ധതിക്ക് ഒരു സാധാരണമുള്ള **തീം** എല്ലാം ചേർത്ത് കൂട്ടാറുണ്ട്.
ഉള്ളടക്കം പ്രോജക്ടുകളുമായി ചേർന്നിട്ടുണ്ടെന്ന് ഉറപ്പാക്കുന്നത്, വിദ്യാർത്ഥികൾക്ക് ഉല്ലാസകരമായ അനുഭവമുണ്ടാക്കുകയും ആശയങ്ങളുടെ പിന്തുടർച്ച മെച്ചപ്പെടുത്തുകയും ചെയ്യും. ഒരു ക്ലാസിനുമുൻപ് നടത്തുന്ന ഒരു ചെറിയ മത്സരം പഠന ദിശ നിര്ത്തുന്നു; ക്ലാസിനു ശേഷം രണ്ടാം മത്സരം അറിവ് ഉറപ്പാക്കുന്നു. ഈ പാഠ്യക്രമം സൗകര്യപ്രദവും രസകരവുമാണ്, മുഴുവനായി ಅಥವಾ ഭാഗികമായി പഠിക്കാവുന്നതാണ്. പ്രോജക്ടുകൾ ചെറിയവയിൽ തുടങ്ങുകയും 12 ആഴ്ചകളിൽ പതിവുപോലെ സങ്കീര്ണ്ണമായിത്തീരും. പാഠ്യക്രമം മെഷീൻ ലേണിംഗിന്റെ യാഥാർത്ഥ്യ പ്രയോഗങ്ങളെ കുറിച്ചുള്ള ഒരു പോസ്റ്റ്സ്ക്രിപ്റ്റും ഉൾക്കൊള്ളിക്കുന്നു, ഇത് കൂടുതൽ ക്രഡിറ്റ് ക്ക് ഉപയോഗിക്കാവുന്നതും ചർച്ചയ്ക്കായി അടിസ്ഥാനമായി ഉപയോഗിക്കാവുന്നതും ആകാം.
ഉള്ളടക്കം പ്രോജക്റ്റുകളുമായി അനുബന്ധിപ്പിച്ചു പഠനം ആകർഷകവും കർശനമാക്കുന്നു. ക്ലാസ് ആരംഭിക്കുന്ന മുന്നോടിയായി കുറഞ്ഞ സമ്മർദം ഉള്ള ഒരു ക്വിസ് വിദ്യാർത്ഥിയുടെ പഠന ഉദ്ദേശ്യം ക്രിസ്റ്റലൈസ് ചെയ്യുന്നു, ക്ലാസ് കഴിഞ്ഞ് രണ്ടാമത് ക്വിസ് മെച്ചപ്പെട്ട അറിവ് ഉറപ്പാക്കുന്നു. ഈ പാഠ്യപദ്ധതി സ്ഥിരതയുള്ളതും രസകരവുമായിട്ടാണ് രൂപകല്പന ചെയ്തിരിക്കുന്നത്, മുഴുവനോ ഭാഗികമായോ സ്വീകരിക്കാവുന്നതാണ്. 12- ആഴ്ചകളിലായി പ്രോജക്റ്റുകൾ ചെറിയതായും ശേഷം കൂടുതൽ സങ്കീർണ്ണമായിത്തീരും. ഈ പാഠ്യപദ്ധതിക്ക് മെഷീൻ ലേണിങ്ങിന്റെ യാഥാർത്ഥ്യ പ്രയോഗങ്ങൾക്കുള്ള പോസ്റ്റ്സ്ക്രിപ്റ്റും ഉൾപ്പെടുന്നു, അത് അധിക മാർക്ക് ലഭിക്കാനോ ചർച്ചയ്ക്കൊരു അധിഷ്ഠാനമായി ഉപയോഗിക്കാനോ കഴിയും.
> നമ്മുടെ [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translations](..), [Troubleshooting](TROUBLESHOOTING.md) മാർഗനിർദേശങ്ങൾ കാണുക. നിങ്ങളുടെ നിർമാണപരമായ അഭിപ്രായങ്ങൾ സ്വാഗതം ചെയ്യുന്നു!
> നമ്മുടെ [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translations](..), [Troubleshooting](TROUBLESHOOTING.md) മാർഗ്ഗനിർദേശങ്ങൾ കാണുക. നിങ്ങളുടെ നിർമ്മാണപരമായ പ്രതികരണങ്ങൾ ഞങ്ങൾ സ്വാഗതം ചെയ്യുന്നു!
> **ഭാഷകൾക്കുറിച്ച് ഒരു കുറിപ്പ്**: ഈ പാഠങ്ങൾ പ്രധാനമായും Python ൽ എഴുതപ്പെട്ടിരിക്കുന്നു, എന്നാൽ പലത് R ൽ ലഭ്യമാണ്. R പാഠം പൂർത്തിയാക്കാൻ, `/solution` ഫോൾഡറിൽ പോയി R പാഠങ്ങൾ അന്വേഷിക്കൂ. അവയിൽ `.rmd` എന്ന് ഒരു എക്സ്റ്റൻഷൻ ഉണ്ടു, ഇത് ഒരു **R മാർക്ക്ഡൗൺ** ഫയലിനെ സൂചിപ്പിക്കുന്നു; ഇതിൽ R അല്ലെങ്കിൽ മറ്റു ഭാഷകളിലെ `code chunks` നും PDF പോലുള്ള ഔട്ട്പുട്ടുകൾ എങ്ങനെ ഫോർമാറ്റ് ചെയ്യാമെന്ന് നിർദ്ദേശിക്കുന്ന `YAML ഹെഡർ` നും സംയോജിതമാണ്. അതിനാൽ, നിങ്ങളുടെ കോഡ്, അതിന്റെ ഔട്ട്പുട്ടുകൾ, നിങ്ങളുടെ ചിന്തകൾ എന്നിവ മറൈക്കക്കുള്ള മികച്ച ഒരു രചനാരീതിയാണ് ഇത്. കൂടാതെ, R മാർക്ക്ഡൗൺ ഡോക്യുമെന്റുകൾ PDF, HTML, അല്ലെങ്കിൽ Word പോലുള്ള ഔട്ട്പുട്ട് ഫോർമാറ്റുകളിൽ മാറ്റാവുന്നതാണ്.
> **ക്വിസുകൾക്കെ 관한 ഒരു കുറിപ്പ്**: സംഖ്യ 52 എണ്ണം, ഓരോന്നിലും മൂന്ന് ചോദ്യങ്ങളുള്ള ക്വിസുകൾ എല്ലാമുള്ളത് [Quiz App ഫോൾഡറിൽ](../../quiz-app). ക്വിസുകൾ പാഠങ്ങളിൽനിന്ന് ലിങ്കുചെയ്യപ്പെട്ടിട്ടുണ്ടെങ്കിലും ക്വിസ് ആപ്പ് പ്രാദേശികമായി ഓടിക്കാം; പ്രാദേശികമായി ഹോസ്റ്റ് ചെയ്യാനോ Azure ലേക്ക് ഡിപ്പ്ലോയ്ചെയ്യാനോ `quiz-app` ഫോൾഡറിൽ നിർദ്ദേശങ്ങൾ പാലിക്കുക.
| പാഠം നമ്പർ | വിഷയം | പാഠം ഗ്രൂപ്പിംഗ് | പഠന ലക്ഷ്യങ്ങൾ | ലിങ്കുചെയ്ത പാഠം | എഴുത്തുകാരൻ |
| 01 | മെഷീൻ ലേണിംഗിലേക്ക് പരിചയം | [Introduction](1-Introduction/README.md) | മെഷീൻ ലേണിംഗിന്റെ അടിസ്ഥാന ആശയങ്ങൾ പഠിക്കുക | [Lesson](1-Introduction/1-intro-to-ML/README.md) | മുഹമ്മദ് |
| 02 | മെഷീൻ ലേണിംഗിന്റെ ചരിത്രം | [Introduction](1-Introduction/README.md) | ഈ മേഖലയെ പൊരുത്തപ്പെടുത്തുന്ന ചരിത്രം മനസിലാക്കുക | [Lesson](1-Introduction/2-history-of-ML/README.md) | ജെൻ & ആമി |
| 03 | നീതിയും മെഷീൻ ലേണിംഗും | [Introduction](1-Introduction/README.md) | ML മോഡലുകൾ രൂപീകരിക്കുമ്പോൾ പരിഗണിക്കേണ്ട നീതിയുമായി ബന്ധപ്പെട്ട ദാർശനിക പ്രശ്നങ്ങൾ എന്തെല്ലാമാണ്? | [Lesson](1-Introduction/3-fairness/README.md) | ടോമോമി |
| 04 | മെഷീൻ ലേണിംഗ് സാങ്കേതികവിദ്യകൾ | [Introduction](1-Introduction/README.md) | ML ഗവേഷകർ ML മോഡലുകൾ സൃഷ്ടിക്കാൻ ഉപയോഗിക്കുന്ന സാങ്കേതികവिधികൾ | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | ക്രിസ് & ജെൻ |
| 05 | റെഗ്രഷൻ പരിചയം | [Regression](2-Regression/README.md) | Python, Scikit-learn ഉപയോഗിച്ച് റെഗ്രഷൻ മോഡലുകൾ ആരംഭിക്കുക | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | ജെൻ • എറിക് വഞ്ജാവ് |
| 06 | നോർത്ത് അമേരിക്കൻ പമ്പ്കിൻ വിലകൾ 🎃 | [Regression](2-Regression/README.md) | ML-ക്കായി ഡാറ്റ വിസ്വലൈസ് ചെയ്ത് ശുചിത്വം വരുത്തുക | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | ജെൻ • എറിക് വഞ്ജാവ് |
| 07 | നോർത്ത് അമേരിക്കൻ പമ്പ്കിൻ വിലകൾ 🎃 | [Regression](2-Regression/README.md) | രേഖീയവും പോളിനോമിയൽ റെഗ്രഷൻ മോഡലുകളും നിർമ്മിക്കുക | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | ജെൻ& ഡിമിത്രി • എറിക് വഞ്ജാവ് |
| 08 | നോർത്ത് അമേരിക്കൻ പമ്പ്കിൻ വിലകൾ 🎃 | [Regression](2-Regression/README.md) | ലോജിസ്റ്റിക് റെഗ്രഷൻ മോഡൽ നിർമ്മിക്കുക | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | ജെൻ • എറിക് വഞ്ജാവ് |
| 09 | ഒരു വെബ് ആപ്പ് 🔌 | [Web App](3-Web-App/README.md) | പരിശീലിപ്പിച്ച മോഡൽ ഉപയോഗിച്ച് ഒരു വെബ് ആപ്പ് നിർമ്മിക്കുക | [Python](3-Web-App/1-Web-App/README.md) | ജെൻ |
| 10 | ക്ലാസിഫിക്കേഷനിലേക്ക് പരിചയം | [Classification](4-Classification/README.md) | ഡാറ്റ ശുചീകരണം, തയ്യാറാക്കൽ, വിസ്വലൈസ്; ക്ലാസിഫിക്കേഷനിലേക്ക് പരിചയം | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | ജെൻ& കാസ്സി • എറിക് വഞ്ജാവ് |
| 11 | രുചികരമായ ഏഷ്യൻ, ഇന്ത്യൻ വിഭവങ്ങൾ 🍜 | [Classification](4-Classification/README.md) | ക്ലാസിഫയറുകളെ പരിചയപ്പെടുക | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | ജെൻ& കാസ്സി • എറിക് വഞ്ജാവ് |
| 12 | രുചികരമായ ഏഷ്യൻ, ഇന്ത്യൻ വിഭവങ്ങൾ 🍜 | [Classification](4-Classification/README.md) | കൂടുതൽ ക്ലാസിഫയറുകൾ | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | ജെൻ& കാസ്സി • എറിക് വഞ്ജാവ് |
| 13 | രുചികരമായ ഏഷ്യൻ, ഇന്ത്യൻ വിഭവങ്ങൾ 🍜 | [Classification](4-Classification/README.md) | നിങ്ങളുടെ മോഡൽ ഉപയോഗിച്ച് ഒരു ശിപാർശക വെബ് ആപ്പ് നിർമ്മിക്കുക | [Python](4-Classification/4-Applied/README.md) | ജെൻ |
| 14 | ക്ലസ്റ്ററിങ്ങിലേക്ക് പരിചയം | [Clustering](5-Clustering/README.md) | ഡാറ്റ ശുചീകരണം, തയ്യാറാക്കൽ, വിസ്വലൈസ്; ക്ലസ്റ്ററിങ്ങിലേക്ക് പരിചയം | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | ജെൻ • എറിക് വഞ്ജാവ് |
| 16 | സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിങ്ങിലേക്ക് പരിചയം ☕️ | [Natural language processing](6-NLP/README.md) | ലളിതമായ ബോട്ട് നിർമ്മിച്ച് NLP അടിസ്ഥാനങ്ങൾ പഠിക്കുക | [Python](6-NLP/1-Introduction-to-NLP/README.md) | സ്റ്റെഫൻ |
| 17 | സാധാരണ NLP പ്രവർത്തനങ്ങൾ ☕️ | [Natural language processing](6-NLP/README.md) | ഭാഷാ ഘടനകളെ കൈകാര്യം ചെയ്യുമ്പോൾ ആവശ്യമായ സാധാരണ പ്രവർത്തനങ്ങൾ മനസ്സിലാക്കുക | [Python](6-NLP/2-Tasks/README.md) | സ്റ്റെഫൻ |
| 18 | വിവർത്തനവും ആത്മീയ വിശകലനവും ♥️ | [Natural language processing](6-NLP/README.md) | ജെയ്ൻ ഓസ്റ്റ്ന് ഉപയോഗിച്ച് വിവർത്തനവും ആത്മീയ വിശകലനവും | [Python](6-NLP/3-Translation-Sentiment/README.md) | സ്റ്റെഫൻ |
| 19 | യൂറോപ്യൻ പ്രണയ ഹോട്ടലുകൾ ♥️ | [Natural language processing](6-NLP/README.md) | ഹോട്ടൽ റിവ്യൂകളാൽ ആത്മീയ വിശകലനം 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | സ്റ്റെഫൻ |
| 20 | യൂറോപ്യൻ പ്രണയ ഹോട്ടലുകൾ ♥️ | [Natural language processing](6-NLP/README.md) | ഹോട്ടൽ റിവ്യൂകളാൽ ആത്മീയ വിശകലനം 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | സ്റ്റെഫൻ |
| 21 | ടൈം സീരീസ് പ്രവചനത്തിന് പരിചയം | [Time series](7-TimeSeries/README.md) | ടൈം സീരീസ് പ്രവചനത്തിൽ അടിസ്ഥാനപരിചയം | [Python](7-TimeSeries/1-Introduction/README.md) | ഫ്രാൻസെസ്ക |
| 22 | ⚡️ ലോക വൈദ്യുതി ഉപയോഗം ⚡️ - ARIMA ഉപയോഗിച്ചുള്ള ടൈം സീരീസ് പ്രവചന | [Time series](7-TimeSeries/README.md) | ARIMA ഉപയോഗിച്ച് ടൈം സീരീസ് പ്രവചന | [Python](7-TimeSeries/2-ARIMA/README.md) | ഫ്രാൻസെസ്ക |
| 23 | ⚡️ ലോക വൈദ്യുതി ഉപയോഗം ⚡️ - SVR ഉപയോഗിച്ചുള്ള ടൈിം സീരീസ് പ്രവചന | [Time series](7-TimeSeries/README.md) | Support Vector Regressor ഉപയോഗിച്ചുള്ള ടൈം സീരീസ് പ്രവചന | [Python](7-TimeSeries/3-SVR/README.md) | അനിർബൻ |
| 24 | ശക്തിവർദ്ധക പഠനത്തിലെ പരിചയം | [Reinforcement learning](8-Reinforcement/README.md) | Q-ലേണിംഗ് ഉപയോഗിച്ച് ശക്തിവർദ്ധക പഠനത്തിൽ പരിചയം | [Python](8-Reinforcement/1-QLearning/README.md) | ഡിമിത്രി |
| 25 | പീറ്ററിന് നീരാളൻ തടയാൻ സഹായിക്കുക! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | റീൻഫോർസ്മെന്റ് ലേണിംഗ് ജിം | [Python](8-Reinforcement/2-Gym/README.md) | ഡിമിത്രി |
| അപസ്മാരം | യഥാർത്ഥ ലോക ML സ്ഥിതികളും പ്രയോഗങ്ങളും | [ML in the Wild](9-Real-World/README.md) | ക്ലാസിക്കൽ ML-ന്റെ അത്ഭുതകരവും വെളിപ്പെടുത്തലുകളും നിറഞ്ഞ യഥാർത്ഥ ലോക പ്രയോഗങ്ങൾ | [Lesson](9-Real-World/1-Applications/README.md) | ടീം |
| അപസ്മാരം | RAI ഡാഷ്ബോർഡ് ഉപയോഗിച്ച് ML മോഡൽ ഡീബഗിങ് | [ML in the Wild](9-Real-World/README.md) | Machine Learning മോഡൽ ഡീബഗിംഗ് RAI ഡാഷ്ബോർഡ് ഘടകങ്ങൾ ഉപയോഗിച്ച് | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Рുത് യാകുബു |
> [ഈ കോഴ്സിന് ആവശ്യമായ എല്ലാ അധിക സ്രോതസ്സുകളും Microsoft Learn ശേഖരത്തിൽ കണ്ടെത്തുക](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> **ഭാഷകൾക്കുറിച്ചുള്ള ഒരു കുറിപ്പ്**: ഈ പാഠങ്ങൾ പ്രധാനമായും പൈതോണിലുള്ളതാണ്, പക്ഷെ പലതും R-ലും ലഭ്യമാണ്. ഒരു R പാഠം പൂർത്തിയാക്കാൻ, `/solution` ഫോൾഡറിൽ പോയി R പാഠങ്ങൾ കണ്ടെത്തുക. അവക്ക് .rmd എക്സ്റ്റൻഷൻ ഉണ്ട്, ഇത് **R മാർക്ക്ഡൗൺ** ഫയലിനെയാണ് സൂചിപ്പിക്കുന്നത്, ഇത് `കോഡ് ചങ്കുകൾ` (R അല്ലെങ്കിൽ മറ്റ് ഭാഷകളിൽ) ഒപ്പം `YAML ഹെഡർ` (PDF പോലുള്ള output ഫോർമാറ്റുകൾ ക്രമീകരിക്കുന്നതിനുള്ള മാർഗ്ഗനിർദ്ദേശം) അടങ്ങിയ ഒരു `Markdown ഡോക്യുമെന്റ്` എളുപ്പത്തിൽ കലർത്തി നിർമ്മിച്ചിരിക്കുന്നു. അതിനാൽ, നിങ്ങൾക്ക് നിങ്ങളുടെ കോഡ്, അതിന്റെ output, നിങ്ങളുടെ ചിന്തകൾ എന്നിവ Markdown-ൽ എഴുതിക്കൊണ്ട് ചേർക്കാൻ കഴിയുന്ന ഒരു മികച്ച ഉള്ളടക്ക രചനാ ഘടന എന്ന നിലയിൽ ഇത് പ്രവർത്തിക്കുന്നു. കൂടാതെ, R Markdown ഡോക്യുമെന്റുകൾ PDF, HTML, അല്ലെങ്കിൽ Word പോലുള്ള output ഫോർമാറ്റുകളിലേക്ക് രൂപാന്തരപ്പെടാവുന്നതാണ്.
> **ക്വിസുകൾക്കുറിച്ചുള്ള ഒരു കുറിപ്പ്**: എല്ലാ ക്വിസുകളും [Quiz App folder](../../quiz-app) ൽ അടങ്ങിയിട്ടുണ്ട്, ആകെ 52 ക്വിസുകൾ, ഓരോന്നിലും മൂന്ന് ചോദ്യങ്ങൾ ഉണ്ട്. അവ പാഠങ്ങളിൽ ലിങ്ക് ചെയ്തിട്ടുണ്ട്, പക്ഷെ ക്വിസ് ആപ്പ് ലൊക്കലിയായി പ്രവർത്തിപ്പിക്കാം; `quiz-app` ഫോൾഡറിൽ നൽകിയ നിർദ്ദേശങ്ങൾ പാലിച്ച് ലൊക്കൽ ഹോസ്റ്റ് ചെയ്യുകയോ Azure-ൽ ഡിപ്ലോയ് ചെയ്യുകയോ ചെയ്യുക.
| പാഠ സംഖ്യ | വിഷയം | പാഠ ഗ്രൂപ്പിംഗ് | പഠന ലക്ഷ്യങ്ങൾ | ലിങ്ക് ചെയ്ത പാഠം | രചയിതാവ് |
| 01 | മെഷീൻ ലേണിങ്ങിലേക്കുള്ള പരിചയം | [ಪರಿಚಯം](1-Introduction/README.md) | മെഷീൻ ലേണിങ്ങിന്റെ അടിസ്ഥാന ആശയങ്ങൾ പഠിക്കുക | [പാഠം](1-Introduction/1-intro-to-ML/README.md) | മുഹമ്മദ് |
| 02 | മെഷീൻ ലേണിങ്ങിന്റെ ചരിത്രം | [പരിചയം](1-Introduction/README.md) | ഈ മേഖലയെ പറ്റി ചരിത്രം മനസിലാക്കുക| [പാഠം](1-Introduction/2-history-of-ML/README.md) | ജെൻ ആൻഡ് എമി |
| 03 | നീതിമാന്മാരും മെഷീൻ ലേണിങ്ങും | [പരിചയം](1-Introduction/README.md) | നീതിമാനം സംബന്ധിച്ച വിശേഷപ്പെട്ട ദാർശനിക പ്രശ്നങ്ങൾ മെഷീൻ ലേണിംഗ് മോഡലുകൾ നിർമ്മിക്കുന്നപ്പോൾ ശ്രദ്ധിക്കേണ്ടതെന്താണെന്ന് പഠിക്കുക | [പാഠം](1-Introduction/3-fairness/README.md) | ടൊമോമി |
| 04 | മെഷീൻ ലേണിംഗിനുള്ള സാങ്കേതികവിദ്യകൾ | [പരിചയം](1-Introduction/README.md) | മെഷീൻ ലേണിംഗ് ഗവേഷകർ മോഡലുകൾ നിർമ്മിക്കാൻ ഉപയോഗിക്കുന്ന സാങ്കേതികവിദ്യകൾ എന്തെല്ലാമാണ്? | [പാഠം](1-Introduction/4-techniques-of-ML/README.md) | ക്രിസ് അൻഡ് ജെൻ |
| 05 | റിപ്പ്രഷനിലേക്ക് പരിചയം | [റിപ്രഷൻ](2-Regression/README.md) | Python, Scikit-learn ഉപയോഗിച്ച് റിപ്പ്രഷൻ മോഡലുകൾ ആരംഭിക്കുക | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | ജെൻ • എറിക് വഞ്ചൗ |
| 06 | നോർത്ത് അമേരിക്കൻ പംപ്കിൻ വിലകൾ 🎃 | [റിപ്രഷൻ](2-Regression/README.md) | മെഷീൻ ലേണിങ്ങിനായി ഡാറ്റ കാണിക്കുക, ശുദ്ധീകരിക്കുക | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | ജെൻ • എറിക് വഞ്ചൗ |
| 07 | നോർത്ത് അമേരിക്കൻ പംപ്കിൻ വിലകൾ 🎃 | [റിപ്രഷൻ](2-Regression/README.md) | ലിനിയർ, പോളിനോമിയൽ റിപ്പ്രഷൻ മോഡലുകൾ നിർമ്മിക്കുക | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | ജെൻ, ഡിമിത്രി • എറിക് വഞ്ചൗ |
| 08 | നോർത്ത് അമേരിക്കൻ പംപ്കിൻ വിലകൾ 🎃 | [റിപ്രഷൻ](2-Regression/README.md) | ലോജിസ്റ്റിക് റിപ്പ്രഷൻ മോഡൽ നിർമ്മിക്കുക | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | ജെൻ • എറിക് വഞ്ചൗ |
| 09 | ഒരു വെബ് ആപ്പ് 🔌 | [വെബ് ആപ്പ്](3-Web-App/README.md) | പരിശീലിപ്പിച്ച മോഡൽ ഉപയോഗിച്ച് ഒരു വെബ് ആപ്പ് നിർമ്മിക്കുക | [Python](3-Web-App/1-Web-App/README.md) | ജെൻ |
| 10 | ക്ലാസിഫിക്കേഷനിലേക്കുള്ള പരിചയം | [ക്ലാസിഫിക്കേഷൻ](4-Classification/README.md) | ഡാറ്റ ശുദ്ധിയാക്കൽ, തയ്യാറാക്കൽ, കണ്ടതിരിക്കൽ; ക്ലാസിഫിക്കേഷനിലേക്ക് പരിചയം | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | ജെൻ, കാസ്സി • എറിക് വഞ്ചൗ |
| 11 | ആസ്യൻ, ഇന്ത്യന് വിഭവങ്ങൾ 🍜 | [ക്ലാസിഫിക്കേഷൻ](4-Classification/README.md) | ക്ലാസിഫയർമാരെക്കുറിച്ച് പരിചയം | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | ജെൻ, കാസ്സി • എറിക് വഞ്ചൗ |
| 12 | ആസ്യൻ, ഇന്ത്യന് വിഭവങ്ങൾ 🍜 | [ക്ലാസിഫിക്കേഷൻ](4-Classification/README.md) | കൂടുതൽ ക്ലാസിഫയർമാർ | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | ജെൻ, കാസ്സി • എറിക് വഞ്ചൗ |
| 13 | ആസ്യൻ, ഇന്ത്യന് വിഭവങ്ങൾ 🍜 | [ക്ലാസിഫിക്കേഷൻ](4-Classification/README.md) | നിങ്ങളുടെ മോഡൽ ഉപയോഗിച്ച് ഒരു ശുപാർശ വെബ് ആപ്പ് നിർമ്മിക്കുക | [Python](4-Classification/4-Applied/README.md) | ജെൻ |
| 14 | ക്ലസ്റ്ററിങ്ങിലേക്കുള്ള പരിചയം | [ക്ലസ്റ്ററിംഗ്](5-Clustering/README.md) | ഡാറ്റ ശുദ്ധിയാക്കൽ, തയ്യാറാക്കൽ, കണ്ടതിരിക്കൽ; ക്ലസ്റ്ററിംഗിന്റെ പരിചയം | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | ജെൻ • എറിക് വഞ്ചൗ |
| 16 | പ്രകൃതി ഭാഷാ പ്രോസസ്സിംഗ് പരിചയം ☕️ | [പ്രകൃതി ഭാഷാ പ്രോസസ്സിംഗ്](6-NLP/README.md) | ഒരു ലളിതമായ ബോട്ട് നിർമ്മിച്ചുകൊണ്ട് NLPയുടെ അടിസ്ഥാനങ്ങൾ പഠിക്കുക | [Python](6-NLP/1-Introduction-to-NLP/README.md) | സ്റ്റീഫൻ |
| 17 | സാധാരണ NLP പ്രവൃത്തികൾ ☕️ | [പ്രകൃതി ഭാഷാ പ്രോസസ്സിംഗ്](6-NLP/README.md) | ഭാഷാപാരമ്പര്യ ഘടനകളുമായി പ്രവർത്തിക്കുന്നപ്പോൾ ആവശ്യമായ സാധാരണയുടെ കാര്യങ്ങൾ മനസിലാക്കുക | [Python](6-NLP/2-Tasks/README.md) | സ്റ്റീഫൻ |
| 19 | യൂറോപ്പിലെ റോമാന്റിക് ഹോട്ടലുകൾ ♥️ | [പ്രകൃതി ഭാഷാ പ്രോസസ്സിംഗ്](6-NLP/README.md) | ഹോട്ടൽ പുനർവിമർശനങ്ങളിലെ മനോഭാവ വിശകലനം 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | സ്റ്റീഫൻ |
| 20 | യൂറോപ്പിലെ റോമാന്റിക് ഹോട്ടലുകൾ ♥️ | [പ്രകൃതി ഭാഷാ പ്രോസസ്സിംഗ്](6-NLP/README.md) | ഹോട്ടൽ പുനർവിമർശനങ്ങളിലെ മനോഭാവ വിശകലനം 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | സ്റ്റീഫൻ |
| 21 | ടൈം സീരീസ് ഫോറ്കാസ്റ്റിങ്ങിലേക്കുള്ള പരിചയം | [ടൈം സീരീസ്](7-TimeSeries/README.md) | ടൈം സീരീസ് ഫോറ്കാസ്റ്റിങ്ങിന്റെ പരിചയം | [Python](7-TimeSeries/1-Introduction/README.md) | ഫ്രാൻസെസ്ക |
| 22 | ⚡️ ലോക വൈദ്യുതി ഉപയോഗം ⚡️ - ARIMA ഉപയോഗിച്ചുള്ള ടൈം സീരീസ് ഫോറ്കാസ്റ്റിംഗ് | [ടൈം സീരീസ്](7-TimeSeries/README.md) | ARIMA ഉപയോഗിച്ച് ടൈം സീരീസ് ഫോറ്കാസ്റ്റിംഗ് | [Python](7-TimeSeries/2-ARIMA/README.md) | ഫ്രാൻസെസ്ക |
| 23 | ⚡️ ലോക വൈദ്യുതി ഉപയോഗം ⚡️ - SVR ഉപയോഗിച്ചുള്ള ടൈം സീരീസ് ഫോറ്കാസ്റ്റിംഗ് | [ടൈം സീരീസ്](7-TimeSeries/README.md) | Support Vector Regressor ഉപയോഗിച്ചുള്ള ടൈം സീരീസ് ഫോറ്കാസ്റ്റിംഗ് | [Python](7-TimeSeries/3-SVR/README.md) | അനിർബാൻ |
| 24 | റീഇൻഫോഴ്സ്മെന്റ് ലേണിംഗിലേക്കുള്ള പരിചയം | [റീഇൻഫോഴ്സ്മെന്റ് ലേണിംഗ്](8-Reinforcement/README.md) | Q-ലേണിംഗ് ഉപയോഗിച്ചുള്ള റീഇൻഫോഴ്സ്മെന്റ് ലേണിംഗിന്റെ പരിചയം | [Python](8-Reinforcement/1-QLearning/README.md) | ഡിമിത്രി |
| 25 | പീറ്റർ കരടിയെ വഴിപറയുക! 🐺 | [റീഇൻഫോഴ്സ്മെന്റ് ലേണിംഗ്](8-Reinforcement/README.md) | റീഇൻഫോഴ്സ്മെന്റ് ലേണിങ് ജിം | [Python](8-Reinforcement/2-Gym/README.md) | ഡിമിത്രി |
| Postscript | യഥാർത്ഥ ലോകം ML സാഹചര്യങ്ങളും പ്രയോഗങ്ങളും | [ML in the Wild](9-Real-World/README.md) | ക്ലാസിക്കൽ ML ന്റെ രസകരവും വെളിപ്പെടുത്തലുള്ള യഥാർത്ഥ ലോക പ്രയോഗങ്ങൾ | [പാഠം](9-Real-World/1-Applications/README.md) | ടീം |
| Postscript | RAI ഡാഷ്ബോർഡ് ഉപയോഗിച്ച് ML മോഡൽ ഡഗ്ഗിംഗ് | [ML in the Wild](9-Real-World/README.md) | Responsible AI ഡാഷ്ബോർഡ് ഘടകങ്ങൾ ഉപയോഗിച്ച് മെഷീൻ ലേണിംഗ് മോഡൽ ഡഗ്ഗിംഗ് | [പാഠം](9-Real-World/2-Debugging-ML-Models/README.md) | രுத் യാക്കുബു |
> [ഈ കോഴ്സിന്റെ എല്ലാ അധിക വിഭവങ്ങളും Microsoft Learn ശേഖരത്തിൽ കണ്ടെത്തുക](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## ഓഫ്ലൈൻ ആക്സസ്
[Docsify](https://docsify.js.org/#/) ഉപയോഗിച്ച് നിങ്ങൾ ഈ ഡോക്യുമെന്റേഷൻ ഓഫ്ലൈൻ ഓടിക്കാം. ഈ റെപ്പോ ഫോർക്ക് ചെയ്ത്, നിങ്ങളുടെ ലൊക്കൽ മെഷീനിൽ [Docsify ഇൻസ്റ്റാൾ](https://docsify.js.org/#/quickstart)ചെയ്യുക, ശേഷം ഈ റെപ്പോയുടെ റൂട്ട് ഫോൾഡറിൽ `docsify serve` ടൈപ്പ് ചെയ്യുക. വെബ്സൈറ്റ് പോർട്ട് 3000-ൽ പ്രാദേശികമായി `localhost:3000`-ൽ സർവ് ചെയ്യപ്പെടും.
[Docsify](https://docsify.js.org/#/) ഉപയോഗിച്ച് നിങ്ങൾക്ക് ഈ ഡോക്യുമെന്റേഷൻ ഓഫ്ലൈൻ ഓടിക്കാമെന്ന് അറിയാം. ഈ റിപൊ ഫോർക്കുചെയ്തു, [Docsify ഇൻസ്റ്റാൾ ചെയ്യുക](https://docsify.js.org/#/quickstart) നിങ്ങളുടെ ലോക്കൽ മെഷീനിൽ, തുടർന്ന് ഈ റിപൊയുടെ റൂട്ട് ഫോൾഡറിൽ പോയി `docsify serve`എന്നത് ടൈപ്പ് ചെയ്യുക. വെബ്സൈറ്റ് നിങ്ങളുടെ ലോക്കൽഹോസ്റ്റിലെ 3000 പോർട്ടിൽ ലഭ്യമായിരിക്കും: `localhost:3000`.
## PDFs
## PDF-കൾ
പാഠക്രമത്തിന്റെ PDF ലിങ്കുകൾ [ഇവിടെയുണ്ട്](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
പഠനപദ്ധതിയുടെ PDF [ഇവിടെ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) ലഭ്യമാണ്.
## 🎒 മറ്റു കോഴ്സുകൾ
ഞങ്ങളുടെ ടീം മറ്റ് കോഴ്സുകളും ഒരുക്കുന്നു! നോക്കൂ:
## 🎒 മറ്റ് കോഴ്സുകൾ
നമ്മുടെ ടീം മറ്റ് കോഴ്സുകളും പ്രസിദ്ധീകരിക്കുന്നു! അവയെല്ലാം പരിശോധിക്കുക:
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-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)
[-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/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
എ.ഐ. ആപ്പുകൾ നിർമ്മിക്കുമ്പോൾ നിങ്ങള്ക്ക് തടസം ഉണ്ടാകുകയോ ചോദ്യങ്ങളുണ്ടായിരിക്കുകയോ ചെയ്താൽ, MCP-യിലെവരുടെ കൂടെ ചർച്ചകളിൽ ചേരുക. ചോദ്യങ്ങൾ സ്വാഗതം ചെയ്യുന്ന, അറിവ് സ്വതന്ത്രമായി പങ്കുവെക്കുന്ന സഹായപരമായ ഒരു സമൂഹമാണ് ഇത്.
AI ആപ്ലിക്കേഷനുകൾ നിർമ്മിക്കുന്നതിൽ നിങ്ങൾക്ക് തടസം നേരിടുകയാണെങ്കിൽ അല്ലെങ്കിൽ എന്തെങ്കിലും ചോദിക്കാനുണ്ടെങ്കിൽ, MCP സംവാദങ്ങളിൽ അധ്യാപകരും പരിചയസമ്പത്തുള്ള ഡെവലപ്പർമാരും ചേർന്നുള്ള കൂട്ടായ്മയിൽ ചേരുക. ഇവിടെ ചോദ്യങ്ങൾ സ്വാഗതം ചെയ്യപ്പെടുന്നു, അറിവ് സ്വതന്ത്രമായി പങ്കുവെക്കുന്നു.
- ഓരോ പാഠത്തിനും ശേഷം നോട്ട്ബുക്കുകൾ അവലോകനം ചെയ്യുക നല്ലൊരു മനസ്സിലാക്കലിനായി.
- ആല്ഗോറിതം സ്വയം പ്രയോഗിച്ച് അഭ്യാസം നടത്തുക.
- പഠിച്ച ആശയങ്ങൾ ഉപയോഗിച്ച് യാഥാർഥ ശേഖരങ്ങൾ അന്വേഷിക്കുക.
- ഓരോ പാഠത്തിനും ശേഷം നോട്ട്ബുക്കുകൾ കണ്ടുപിടിക്കൂ നല്ല മനസ്സിലാക്കലിന്.
- വളരെത്തന്നെ ആൾഗോരിതങ്ങൾ സ്വയം നടപ്പിലാക്കാൻ പ്രാക്ടീസ് ചെയ്യുക.
- പഠിച്ച ആശയങ്ങൾ ഉപയോഗിച്ച് യഥാർത്ഥ ഡേറ്റാസെറ്റുകൾ എക്സ്പ്ലോർ ചെയ്യുക.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**അസൂയാനിർദേശം**:
ഈ രേഖ [Co-op Translator](https://github.com/Azure/co-op-translator) എന്ന AI പരിഭാഷാ സേവനം ഉപയോഗിച്ച് പരിഭാഷപ്പെടുത്തിയതാണ്. ഞങ്ങൾ കൃത്യതയ്ക്കായി ശ്രമിക്കുന്നെങ്കിലും, യന്ത്രപരിഭാഷകളിൽ പിശകുകളും അകൃത്യതകളും ഉണ്ടാകാമെന്ന് ശ്രദ്ധിക്കുക. മൂല രേഖ അതിന്റെ സ്വദേശീയ ഭാഷയിൽ അവകാശവിശ്വാസീയമായ സ്രോതസായി പരിഗണിക്കേണ്ടതാണ്. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ പരിഭാഷാ സേവനം ശിപാർശ ചെയ്യപ്പെടുന്നു. ഈ പരിഭാഷ ഉപയോഗിച്ചുപിന്നിലുണ്ടാകാവുന്ന യാതൊരു തെറ്റിദ്ധാരണകൾക്കും പ്രശ്നങ്ങൾക്കും ഞങ്ങൾ ഉത്തരവാദികളല്ല.
**അസംബന്ധപ്പെട്ട പരാമർശം**:
ഈ പ്രമാണം AI പരിഭാഷ സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തിരിക്കുന്നു. നൂതനമായ നിശ്ചയത്വത്തിനായി നാം പരിശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ കൃത്യതക്കുറവുകൾ ഉണ്ടാകാം എന്ന് ദയവായി മനസ്സിലാക്കുക. പ്രാഥമിക ഭാഷയിലുള്ള അവകാശപ്രമാണം --- അതായത് യഥാർത്ഥ പ്രമാണം --- ആത്മാർത്ഥമായ സ്രോതസ്സായി പരിഗണിക്കപ്പെടണം. ആധികാരിക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ പരിഭാഷ നിർദ്ദേശിക്കുന്നു. ഈ വിവർത്തനത്തിൽ നിന്നു ഉണ്ടാകാവുന്ന ആരും തെറ്റിദ്ധാരണകൾക്കും വ്യാഖ്യാനക്കുറവുകൾക്കും ഞങ്ങൾ ഉത്തരവാദിത്വം ഏറ്റെടുക്കുകയില്ല.
> ఈ రిపాజిటరీ 50+ భాషా అనువాదాలను కలిగి ఉంది, ఇది డౌన్లోడ్ పరిమాణాన్ని గణనీయంగా పెంచుతుంది. అనువాదాలు లేకుండానే క్లోన్ చేయడానికి, sparse checkout ఉపయోగించండి:
> ఈ రిపోసిటరీ 50+ భాషా అనువాదాలను కలిగి ఉంది, ఇది డౌన్లోడ్ పరిమాణాన్ని గణనీయంగా పెంచుతుంది. అనువాదాలు లేకుండా క్లోన్ చేసుకోవడానికి, స్పార్స్ చెకౌట్ ను ఉపయోగించండి:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,147 +33,147 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> ఇది కోర్సును పూర్తిచేయడానికి అవసరమైన అన్ని వాటిని వేగవంతమైన డౌన్లోడ్తో మీకు ఇస్తుంది.
> ఇది మీరు కోర్సును పూర్తి చేసుకోవడానికి అవసరమయిన అన్ని విషయాలను మరింత వేగంగా డౌన్లోడ్ చేయడానికి సహాయపడుతుంది.
మా వద్ద AI సిరీస్తో కూడిన Discord సీక్వెన్స్ కొనసాగుతోంది, మరిన్ని వివరాలు మరియు మా తో చేరడానికి [Learn with AI Series](https://aka.ms/learnwithai/discord) కు 18 - 30 సెప్టెంబర్, 2025 లో వచ్చండి. మీరు GitHub Copilot ను డేటా సైన్స్ కోసం ఉపయోగించే చిట్కాలు మరియు సలహాలు పొందుతారు.
మాకు Discord లో AI తో తెలుసుకునే సిరీస్ జరుగుతోంది, మరిన్ని వివరాలు తెలుసుకుని [Learn with AI Series](https://aka.ms/learnwithai/discord) లో 18 - 30 సెప్టెంబర్, 2025 మధ్య చేరండి. మీరు GitHub Copilot ను డేటా సైన్స్ కోసం ఎలా ఉపయోగించాలో చిట్కాలు మరియు చాపళ్లను పొందుతారు.
# ప్రారంభికుల కోసం మెషిన్ లెర్నింగ్ - ఒక పాఠ్యాంశం
# ప్రారంభదశల కోసం మెషిన్ లెర్నింగ్ - ఒక పాఠ్యక్రమం
> 🌍 ప్రపంచ సంస్కృతుల ద్వారా మెషిన్ లెర్నింగ్ ను అనువర్తనం చేస్తూ ప్రపంచాన్ని చుట్టూ ప్రయాణించండి 🌍
> 🌍 మేము వేర్వేరు ప్రపంచ సంస్కృతుల ద్వారా మెషిన్ లెర్నింగ్ ను అన్వేషిస్తూ ప్రపంచమంతా ప్రయాణిస్తాము 🌍
మైక్రోసాఫ్ట్ యొక్క క్లౌడ్ అడ్వొకేట్స్ ఒక 12 వారాల, 26 పాఠాల పాఠ్యాంశాన్ని అందిస్తున్నందుకు సంతృప్తి చెందుతున్నారు. ఈ పాఠ్యాంశంలో మీరు ప్రాముఖ్యంగా Scikit-learn లైబ్రరీని ఉపయోగించి మరియు డీప్ లెర్నింగ్ ను తప్పిస్తూ, కొన్నిసార్లు **సాంప్రదాయ మెషిన్ లెర్నింగ్** అని పిలవబడే విషయాలను నేర్చుకుంటారు, ఇది మా [AI for Beginners' curriculum](https://aka.ms/ai4beginners) లో అందించబడినది. ఈ పాఠాలను మా ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) తో కలిపి కూడా చూడండి!
Microsoft లో క్లౌడ్ అడ్వొకేట్స్ 12 వారాల, 26 పాఠాల పాఠ్యక్రమాన్ని మెషిన్ లెర్నింగ్ గురించి అందించడంలో ఆనందంగా ఉన్నారు. ఈ పాఠ్యక్రమంలో మీరు కొన్నిసార్లు **ప్రాచీన మెషిన్ లెర్నింగ్** గా పిలవబడే విషయాలను, ప్రధానంగా Scikit-learn లైబ్రరీని ఉపయోగించి, డీప్ లెర్నింగ్ (మా [AI for Beginners' curriculum](https://aka.ms/ai4beginners) లో వర్చబడింది)ను లేకుండా నేర్చుకుంటారు. ఈ పాఠాల జంటగా మా ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) కూడా ఉపయోగించండి!
ప్రపంచంలోని అనేక ప్రాంతాల నుండి సేకరించిన డేటాకు ఈ సాంప్రదాయ సాంకేతికతలను అనువర్తనం చేస్తూ మా తో కలిసే ప్రయాణం చేయండి. ప్రతి పాఠం ముందుగా మరియు తర్వాత పరీక్షలు, పాఠ్య సూచనలు, పరిష్కారాలు, అసైనిమెంట్లు మరియు మరిన్ని అంశాలను అందిస్తుంది. మా ప్రాజెక్ట్ ఆధారిత పద్ధతి మీరు నిర్మించేటప్పుడు నేర్చుకునేలా చేస్తుంది, ఇది కొత్త నైపుణ్యాలు మరింత నిలిచిపోయే నిరూపిత మార్గం.
ప్రపంచం మొత్తం నుండి వచ్చిన డేటా పై ఈ క్లాసిక్ సాంకేతికతలను ఉపయోగిస్తూ మాతో పాటు ప్రపంచం చుట్టూ యాత్ర చేయండి. ప్రతి పాఠం ముందస్తు మరియు తరువాతి పరీక్షలు, పాఠాన్ని పూర్తిచేసే వ్రాత సూచనలు, పరిష్కారం, అసైన్మెంట్ మరియు మరిన్ని ఉంటాయి. మా ప్రాజెక్టు-ఆధారిత పద్ధతులు మీరు నేర్చుకుంటూ నిర్మిస్తూ ముందుకు పోతారని నిర్ధారిస్తాయి.
**✍️ మా రచయితలకు హృదయపూర్వక ధన్యవాదాలు**: జెన్ లూపర్, స్టీఫెన్ హావెల్, ఫ్రాన్సెస్కా లాజెర్, టోమోమీ ఇమురా, క్యాస్సీ బ్రేవియు, డిమిత్రి సోశనికోవ్, క్రిస్ నోరింగ్, అనిర్బన్ ముకర్నీ, ఒర్నెల్లా ఆల్టున్యన్, రూత్ యకుబ్ మరియు ఏమీ బాయిడ్
**✍️ మా రచయితలకు హృదయపూర్వక ధన్యవాదాలు** జెన్ లూపర్, స్టీఫెన్ హౌల్, ఫ్రాన్సెస్కా లాజ్జెరి, టొమోమీ ఇమురా, క్యాసీ బ్రేవియు, డ్మిత్రి సోష్నికోవ్, క్రిస్ నోరింగ్, అనిర్బన్ ముఖర్జీ, ఒర్నెల్లా ఆల్టున్యన్, రూత్ యాకుబు మరియు ఎమీ బాయిడ్
**🎨 మా చిత్రకారులకు కూడా ధన్యవాదాలు**: టోమోమీ ఇమురా, దసాని మడిపల్లి, మరియు జెన్ లూపర్
**🎨 మా చిత్రకారులకు కూడా ధన్యవాదాలు** టొమోమీ ఇమురా, దాసాని మడిపల్లి, మరియు జెన్ లూపర్
**🙏 ప్రత్యేక ధన్యవాదాలు 🙏 మా మైక్రోసాఫ్ట్ స్టూడెంట్ అంబాసిడార్ రచయితలు, సమీక్షకులు మరియు కంటెంట్ కండ్రిబ్యూటర్లు**, ముఖ్యంగా రిషిత్ దాగ్లీ, ముహమ్మద్ సాకిబ్ ఖాన్ ఇనాన్, రోహన్ రాజ్, అలెగ్జాండ్రు పెట్రెస్కు, అభిషేక్ జైస్వాల్, నావ్రిన్ టబస్సుమ్, ఐకాన్ సముయిలా, మరియు స్నిగ్ధ అగర్వాల్
**🙏 ప్రత్యేక ధన్యవాదాలు 🙏 మా Microsoft స్టూడెంట్ అంబాసిడార్ల రచయితలు, సమీక్షకులు మరియు కంటెంట్ విరాళదారులు** వంటి రిషిత్ డాగ్లీ, ముహమ్మద్ సాకిబ్ ఖాన ఇనాన్, ರోహನ್ ರಾಜ్, అలెగ్జాండ్రు పెట్రెస్కు, అభిషేక్ జైస్వాల్, నవ్రిన్ టబస్సం, ఐవాన్ సాములో, మరియు స్నigdha అగర్వాల్
**🤩 అదనపు కృతజ్ఞతలు మా R పాఠాలకు మైక్రోసాఫ్ట్ స్టూడెంట్ అంబాసిడార్లు ఎరిక్ వాన్జావ్, జస్లీన్ సون్దీ, మరియు విదుషి గుప్తా**
**🤩 Microsoft స్టూడెంట్ అంబాసిడార్ల ఎరిక్ వాంజావ్, జస్లీన్ సొంధీ, మరియు విద్యుషి గుప్తా కు మా R పాఠాలకు అదనపు కృతజ్ఞతలు!**
# ప్రారంభం ఎలా చేయాలి
# ప్రారంభించడం
ఈ దశలను అనుసరించండి:
1. **రిపోజిటరీని ఫోర్క్ చేయండి**: ఈ పేజీ యొక్క పై-కుడి మూలలో ఉన్న "Fork" బటన్పై క్లిక్ చేయండి.
> [ఈ కోర్సుకు సంబంధించిన అన్ని అదనపు వనరులు మా Microsoft Learn సేకరణలో చూడండి](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [ఈ కోర్సు కి సంబంధించిన అన్ని అదనపు వనరులను మా Microsoft Learn సేకరణలో చూడండి](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **సహాయం కావాలా?** ఇన్స్టాలేషన్, సెటప్, మరియు పాఠాలు నడిపే సమయంలో సాధారణ సమస్యలు పరిష్కరించడానికి మా [ట్రబుల్షూటింగ్ గైడ్](TROUBLESHOOTING.md) చూడండి.
> 🔧 **సహాయం కావాలా?** ఇన్స్టల్, సెటప్ మరియు పాఠాలు నడిపే సాధారణ సమస్యల పరిష్కారాల కోసం మా [Troubleshooting Guide](TROUBLESHOOTING.md) చూడండి.
**[విద్యార్థులు](https://aka.ms/student-page)**, ఈ పాఠ్యాంశాన్ని ఉపయోగించడానికి, మొత్తం రిపోజిటరీని మీ GitHub ఖాతాలో ఫోర్క్ చేసి, స్వయంగా లేదా గ్రూపుగా వ్యవహరించండి:
**[విద్యార్థులు](https://aka.ms/student-page)**, ఈ పాఠ్యక్రమాన్ని ఉపయోగించడానికి, పూర్తి రిపోను మీ స్వంత GitHub ఖాతాకు ఫోర్క్ చేసి, తానే లేదా குழువుతో కలిసి యాక్టివిటీలను పూర్తిచేయండి:
- ముందస్తు పాఠ శిక్షణ క్విజ్ తో ప్రారంభించండి.
- పాఠ్యాన్ని చదవండి మరియు కార్యకలాపాలను పూర్తి చేయండి, ప్రతి జ్ఞాన తనిఖీ వద్ద ఆగి, ఆలోచించండి.
- పరిష్కార కోడ్ ను నడపకుండా పాఠాలను అర్థం చేసుకొని ప్రాజెక్టులను సృష్టించడానికి ప్రయత్నించండి; అయితే ఆ కోడ్ ప్రతి ప్రాజెక్ట్-ఆధారిత పాఠంలో `/solution` ఫోల్డర్లలో అందుబాటులో ఉంటుంది.
- పాఠం అనంతరం క్విజ్ తీసుకోండి.
- ఛాలెంజ్ పూర్తి చేయండి.
- అసైన్మెంట్ పూర్తిచేయండి.
- పాఠం సమూహం పూర్తిచేసిన తర్వాత, [చర్చా ఫలకం](https://github.com/microsoft/ML-For-Beginners/discussions) సందర్శించి, సరైన PAT రుబ్రిక్ నింపి "మీరు నేర్చుకున్నది బయటపెట్టండి". 'PAT' అంటే ప్రోగ్రెస్ అసెస్మెంట్ టూల్, ఇది మీరు మీ అభ్యాసాన్ని పెంచడానికి నింపే రుబ్రిక్. మీరు ఇతర PATలకు కూడా స్పందించవచ్చు, అందువల్ల మనం కలసి నేర్చుకుంటాము.
- ముందస్తు లెక్చర్ క్విజ్ తో ప్రారంభించండి.
- లెక్చర్ చదవండి, చురుకైన పరీక్షల వద్ద ఆగి ఆలోచించు.
- పాఠాలను అర్థం చేసుకుని ప్రాజెక్టులను సృష్టించడానికి ప్రయత్నించండి; అయితే పరిష్కార కోడ్ `/solution` ఫోల్డర్ లో అందుబాటులో ఉంది.
- తరపు తర్వాత క్విజ్ చేయండి.
- చెల్లింపు పూర్తి చేయండి.
- అసైన్మెంట్ పూర్తిచేయండి.
- పాఠం గుంపు పూర్తయ్యాక, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) సందర్శించి, సంబంధిత PAT రుబ్రిక్ నింపి "తెలుసుకోండి" అని పలకండి. PAT అనేది ప్రగతి మూల్యాంకన పరికరం, మీరు నేర్చుకున్నదాన్ని విస్తరించడానికి ఉపయోగించేదీ. మీరు ఇతర PAT లకు కూడా స్పందించి మనం కలిసి నేర్చుకోవచ్చు.
> ఇంకా అభ్యాసం కోసం, ఈ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) మాడ్యూల్స్ మరియు అభ్యాస మార్గాలను అనుసరించమని మేము సిఫార్సు చేస్తున్నాము.
> మరింత అధ్యయనానికి, ఈ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) మాడ్యూల్స్ మరియు అభ్యాస మార్గాలను అనుసరించండి.
**ఉపాధ్యాయులు**, ఈ పాఠ్యాంశాన్ని ఉపయోగించే విధానం పై మేము కొన్ని [సూచనలు](for-teachers.md) చేర్చాము.
**టీవీచర్స్**, ఈ పాఠ్యక్రమాన్ని ఎలా ఉపయోగించాలో కొన్ని సూచనలను [for-teachers.md] లో చేర్చాము.
---
## వీడియో వాక్త్రోల్స్
కొన్ని పాఠాలు చిన్న వీడియో రూపంలో అందుబాటులో ఉన్నాయి. మీరు ఈ వీడియోలను పాఠాలలో పక్కన చూడవచ్చు లేదా [Microsoft Developer YouTube ఛానెల్పై ML for Beginners ప్లేలిస్ట్](https://aka.ms/ml-beginners-videos) లో దిగువ చిత్రంపై క్లిక్ చేసి చూడవచ్చు.
కొన్ని పాఠాలు సంక్షిప్త వీడియోలుగా అందుబాటులో ఉన్నాయి. మీరు ఈ వీడియోలను పాఠాల్లో ఇన్-లైన్ లో లేదా [Microsoft Developer YouTube ఛానెల్ లో ఉన్న ML for Beginners ప్లేలిస్ట్](https://aka.ms/ml-beginners-videos) లో ఇమేజ్ పై క్లిక్ చేసి చూడవచ్చు.
[](https://aka.ms/ml-beginners-videos)
**Gif చేసిన వారు** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal)
> 🎥 ప్రాజెక్టు మరియు అందిన వారు గురించి వీడియో కోసం పై చిత్రాన్ని క్లిక్ చేయండి!
> 🎥 ప్రాజెక్ట్ మరియు సృష్టించిన వారు గురించి వీడియో కోసం పై చిత్రం పై క్లిక్ చేయండి!
---
## పాఠ్య విభాగం
## విద్యా విధానం
ఈ పాఠ్యాంశాన్ని రూపొందించేటప్పుడు మేము రెండు విద్యా సిద్ధాంతాలను ఎంచుకున్నాము: ఇది **ప్రాజెక్ట్ ఆధారిత** గా ఉండటం మరియు అందులో **తీవ్రమైన క్విజ్లు** ఉండటం. అదనంగా, ఈ పాఠ్యాంశానికి ఒక సాధారణ **థీము** కలిగి ఉండటం అందించే వర్తకత కోసం.
ఈ పాఠ్యక్రమాన్ని నిర్మిస్తూ మేము రెండు విద్యా సూత్రాలను ఎంచుకున్నాము: ఇది చేతితో చేసే **ప్రాజెక్ట్-ఆధారిత** ఉండాలి మరియు ఇందులో **అనేక పరీక్షలు** ఉండాలి. అదనంగా, ఈ పాఠ్యక్రమానికి ఒక సాధారణ **థీమ్** ఉంటుంది, ఇది ఐక్యతని ఇస్తుంది.
విషయము ప్రాజెక్టులతో అనుసంధానం అయ్యేలా చూసుకోవడం వలన విద్యార్థుల కోసం ప్రక్రియ మరింత ఆకర్షణీయమవుతుందని, భావనల నిలుపుదల మరింత మెరుగ్గా ఉంటుందని ఆశించవచ్చు. అదనంగా, తరగతి ముందు తీసుకునే తక్కువ-పూకాల క్విజ్ విద్యార్థి లక్ష్యాన్ని నేర్చుకునే దిశగా సెట్ చేస్తుంది, తరగతి తర్వాత రెండవ క్విజ్ మరింత నిలుపుదలను నిర్ధారిస్తుంది. ఈ పాఠ్యాంశం అనుకూలంగా మరియు సంతోషంగా ఉంటుందని రూపొందించబడింది; మొత్తం లేదా భాగంగా తీసుకోవచ్చు. ప్రాజెక్టులు చిన్నదనుండి మొదలై 12వారం చక్రం చివరికి క్లిష్టత పెరుగుతుంది. ఇది ML యొక్క వాస్తవ ప్రపంచ ఉపయోగాలపై ఒక పోస్ట్స్క్రిప్ట్ను కూడా కలిగి ఉంది; ఇది అదనపు క్రెడిట్ లేదా చర్చ కోసం ఉపయోగించవచ్చు.
కంటెంట్ ప్రాజెక్టులకు ఒకటిగా ఉంటే, విద్యార్థుల కోసం కంటెంట్ ఆకర్షణీయంగా మారి భావనల నిలకడ పెరుగుతుంది. తరగతి ముందు తక్కువ-దృఢత క్విజ్ విద్యార్థులను నేర్చుకునే ఉద్దేశ్యాన్ని ఏర్పాటు చేస్తుంది, తరగతి తరువాతి క్విజ్ మరింత నిలకడను అందిస్తుంది. ఈ పాఠ్యక్రమం సౌకర్యవంతమైనది మరియు సరదాగా ఉంటుంది; మొత్తం లేదా భాగంగా తీసుకోవచ్చు. ప్రాజెక్టులు చిన్నదిగా మొదలవుతాయి మరియు 12 వారాల సైకిల్ చివరికి మరింత క్లిష్టంగా మారుతాయి. ఈ పాఠ్యక్రమంలో మెషీన్ లెర్నింగ్ యొక్క వాస్తవ ప్రపంచ వినియోగాలు మీద ఒక పోస్ట్స్క్రిప్ట్ కూడా ఉంది, ఇది అదనపు క్రెడిట్ లేదా చర్చ నిదర్శనంగా ఉపయోగించవచ్చు.
> మా [కోడ్ ఆఫ్ కండక్ట్](CODE_OF_CONDUCT.md), [కాంట్రిబ్యూటింగ్](CONTRIBUTING.md), [అనువాదాలు](..), మరియు [ట్రబుల్షూటింగ్](TROUBLESHOOTING.md) మార్గదర్శకాలను చూడండి. మీ నిర్మాణాత్మక అభిప్రాయాలను స్వాగతిస్తాము!
> మా [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translations](..), మరియు [Troubleshooting](TROUBLESHOOTING.md) మార్గదర్శకాల్నీ చూడండి. మీ నిర్మాణాత్మక అభిప్రాయాలకు మేము స్వాగతం!
## ప్రతి పాఠం లో ఉన్నాయి
## ప్రతి పాఠం కలిగివుంటుంది
- ఐచ్ఛిక స్కెచ్నోట్
- ఐచ్ఛిక సప్లిమెంటరీ వీడియో
- వీడియో వాక్త్రో (కొన్ని పాఠాలు మాత్రమే)
- [పాఠం ముందు వార్మప్ క్విజ్](https://ff-quizzes.netlify.app/en/ml/)
- రచనా పాఠం
- ప్రాజెక్ట్ ఆధారిత పాఠాల కోసం, ప్రాజెక్టు ఎలా నిర్మించాలో దశల వారీ మార్గదర్శకాలు
- జ్ఞాన తనిఖీలు
- ఒక ఛాలెంజ్
- సప్లిమెంటరీ పఠనం
- అసైన్మెంట్
- [పాఠం తర్వాత క్విజ్](https://ff-quizzes.netlify.app/en/ml/)
> **భాషల గురించి ఒక గమనిక**: ఈ పాఠాలు ప్రాముఖ్యంగా Python లో రాయబడ్డాయి, కాని చాలా వాటి R లో కూడా అందుబాటులో ఉన్నాయి. R పాఠం పూర్తి చేయడానికి, `/solution` ఫోల్డర్ లో ఉన్న R పాఠాలను చూడండి. అవి `.rmd` అనే విస్తరణ కలిగి ఉంటాయి, ఇది ఒక **R Markdown** ఫైల్ అని సూచిస్తుంది, దీన్ని R లేదా ఇతర భాషల యొక్క `కోడ్ ఛంక్లు` మరియు `YAML హెడర్` (PDF లాంటి అవుట్పుట్లను ఎలా ఫార్మాట్ చేయాలో దిశానిర్దేశం చేస్తుంది) కలిగిన ఒక మార్క్డౌన్ డాక్యుమెంట్ గా నిర్వచించవచ్చు. దీనివల్ల మీరు మీ కోడ్, అవుట్పుట్, మరియు ఆలోచనలను మార్క్డౌన్ లో రాసుకోవచ్చు. అంతేకాక, R Markdown డాక్యుమెంట్లు PDF, HTML, లేదా Word వంటి అవుట్పుట్ ఫార్మాట్లుగా తయారు చేయబడవచ్చు.
> **క్విజ్ల గురించి ఒక గమనిక**: అన్ని క్విజ్లు [క్విజ్ యాప్ ఫోల్డర్](../../quiz-app)లో ఉన్నాయి, మొత్తం 52 క్విజ్లు, ప్రతి ఒక్కటి మూడు ప్రశ్నలనుండి ఉంటాయి. అవి పాఠాల నుండి లింక్ చేయబడ్డాయి కానీ క్విజ్ యాప్ను స్థానికంగా కూడా నడపవచ్చు; స్థానికంగా హోస్ట్ చేయడానికి లేదా Azureకు పరిపోషించడానికి `quiz-app` ఫోల్డర్లో ఉన్న సూచనలను అనుసరించండి.
| పాఠ సంఖ్య | విషయం | పాఠ సమూహం | నేర్చుకునే లక్ష్యాలు | లింక్ చేయబడిన పాఠం | రచయిత |
| 01 | మిషన్ లెర్నింగ్ కు పరిచయం | [పరిచయం](1-Introduction/README.md) | మిషన్ లెర్నింగ్ వెనుక ఉన్న ప్రాథమిక భావనలను తెలుసుకోండి | [పాఠం](1-Introduction/1-intro-to-ML/README.md) | ముహమ్మద్ |
| 02 | మిషన్ లెర్నింగ్ చరిత్ర | [పరిచయం](1-Introduction/README.md) | ఈ రంగంపై ఆధారపడిన చరిత్రను తెలుసుకోండి | [పాఠం](1-Introduction/2-history-of-ML/README.md) | జెన్ మరియు ఏమీ |
| 03 | న్యాయవంతత్వం మరియు మిషన్ లెర్నింగ్ | [పరిచయం](1-Introduction/README.md) | మిషన్ లెర్నింగ్ మోడల్స్ నిర్మించడం మరియు వినియోగానికి సంబంధించిన న్యాయవంతత్వంపై కీలక తాత్విక అంశాలు ఏమిటి? | [పాఠం](1-Introduction/3-fairness/README.md) | తోమోమీ |
| 04 | మిషన్ లెర్నింగ్ సాంకేతికతలు | [పరిచయం](1-Introduction/README.md) | మిషన్ లెర్నింగ్ పరిశోధకులు మోడల్స్ నిర్మించడానికి ఉపయోగించే సాంకేతికతలు ఏమిటి? | [పాఠం](1-Introduction/4-techniques-of-ML/README.md) | క్రిస్ మరియు జెన్ |
| 05 | రిగ్రెషన్ కు పరిచయం | [రిగ్రెషన్](2-Regression/README.md) | రిగ్రెషన్ మోడల్స్ కోసం Python మరియు Scikit-learn తో మొదలు పెట్టండి | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | జెన్ • ఎరిక్ వాంజావ్ |
| 06 | ఉత్తర అమెరికన్ దిండు ధరలు 🎃 | [రిగ్రెషన్](2-Regression/README.md) | మిషన్ లెర్నింగ్ సిద్ధంగా డేటాను విజువలైజ్ చేయండి మరియు శుభ్రపరచండి | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | జెన్ • ఎరిక్ వాంజావ్ |
| 07 | ఉత్తర అమెరికన్ దిండు ధరలు 🎃 | [రిగ్రెషన్](2-Regression/README.md) | లీనియర్ మరియు పాలినామియల్ రిగ్రెషన్ మోడల్స్ నిర్మించండి | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | జెన్ మరియు డిమిట్రీ • ఎరిక్ వాంజావ్ |
| 08 | ఉత్తర అమెరికన్ దిండు ధరలు 🎃 | [రిగ్రెషన్](2-Regression/README.md) | లాజిస్టిక్ రిగ్రెషన్ మోడల్ నిర్మించండి | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | జెన్ • ఎరిక్ వాంజావ్ |
| 09 | వెబ్ యాప్ 🔌 | [వెబ్ యాప్](3-Web-App/README.md) | మీ శిక్షణ పొందిన మోడల్ ఉపయోగించేందుకు వెబ్ యాప్ ను నిర్మించండి | [Python](3-Web-App/1-Web-App/README.md) | జెన్ |
| 10 | వర్గీకరణకు పరిచయం | [వర్గీకరణ](4-Classification/README.md) | మీ డేటాను శుభ్రం చేయండి, సిద్ధం చేయండి మరియు విజువలైజ్ చేయండి; వర్గీకరణకు పరిచయం | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | జెన్ మరియు క్యాసీ • ఎరిక్ వాంజావ్ |
| 11 | రుచికర ఆసియన్ మరియు భారతీయ వంటకాలు 🍜 | [వర్గీకరణ](4-Classification/README.md) | వర్గీకరణకర్తలకు పరిచయం | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | జెన్ మరియు క్యాసీ • ఎరిక్ వాంజావ్ |
| 12 | రుచికర ఆసియన్ మరియు భారతీయ వంటకాలు 🍜 | [వర్గీకరణ](4-Classification/README.md) | మరిన్ని వర్గీకరణకর্তులు | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | జెన్ మరియు క్యాసీ • ఎరిక్ వాంజావ్ |
| 13 | రుచికర ఆసియన్ మరియు భారతీయ వంటకాలు 🍜 | [వర్గీకరణ](4-Classification/README.md) | మీ మోడల్ ఉపయోగించి ఒక సిఫార్సుదారుడి వెబ్ యాప్ ను నిర్మించండి | [Python](4-Classification/4-Applied/README.md) | జెన్ |
| 14 | క్లస్టరింగ్ కు పరిచయం | [క్లస్టరింగ్](5-Clustering/README.md) | మీ డేటాను శుభ్రం చేయండి, సిద్ధం చేయండి మరియు విజువలైజ్ చేయండి; క్లస్టరింగ్ కు పరిచయం | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | జెన్ • ఎరిక్ వాంజావ్ |
| 15 | నైజీరియన్ సంగీత రుచులను అన్వేషించడం 🎧 | [క్లస్టరింగ్](5-Clustering/README.md) | K-మీన్స్ క్లస్టరింగ్ పద్ధతిని అన్వేషించండి | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | జెన్ • ఎరిక్ వాంజావ్ |
| 16 | సహజ భాషల ప్రాసెసింగ్ కు పరిచయం ☕️ | [సహజ భాషల ప్రాసెసింగ్](6-NLP/README.md) | ఒక సింపుల్ బాట్ ను సృష్టించడం ద్వారా NLP యొక్క ప్రాథమిక విషయాలను తెలుసుకోండి | [Python](6-NLP/1-Introduction-to-NLP/README.md) | స్టీఫెన్ |
| 17 | సామాన్య NLP పనులు ☕️ | [సహజ భాషల ప్రాసెసింగ్](6-NLP/README.md) | భాషా నిర్మాణాలతో వ్యవహరించేటప్పుడు అవసరమైన సాధారణ పనులను అర్థం చేసుకొని NLP అవగాహనను లోతుగా చేసుకోండి | [Python](6-NLP/2-Tasks/README.md) | స్టీఫెన్ |
| 18 | అనువాదం మరియు భావ విశ్లేషణ ♥️ | [సహజ భాషల ప్రాసెసింగ్](6-NLP/README.md) | జేన్ ఆస్టెన్ తో అనువాదం మరియు భావ విశ్లేషణ | [Python](6-NLP/3-Translation-Sentiment/README.md) | స్టీఫెన్ |
| 19 | యూరోప్ రొమాంటిక్ హోటల్స్ ♥️ | [సహజ భాషల ప్రాసెసింగ్](6-NLP/README.md) | హోటల్ సమీక్షలతో భావ విశ్లేషణ 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | స్టీఫెన్ |
| 20 | యూరోప్ రొమాంటిక్ హోటల్స్ ♥️ | [సహజ భాషల ప్రాసెసింగ్](6-NLP/README.md) | హోటల్ సమీక్షలతో భావ విశ్లేషణ 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | స్టీఫెన్ |
| 21 | సమయ శ్రేణి ముందస్తు అంచనాకు పరిచయం | [సమయ శ్రేణి](7-TimeSeries/README.md) | సమయ శ్రేణి ముందస్తు అంచనాకు పరిచయం | [Python](7-TimeSeries/1-Introduction/README.md) | ఫ్రాన్సెస్కా |
| 22 | ⚡️ ప్రపంచ శక్తి వినియోగం ⚡️ - ARIMA తో సమయ శ్రేణి అంచనా | [సమయ శ్రేణి](7-TimeSeries/README.md) | ARIMA తో సమయ శ్రేణి అంచನಾ | [Python](7-TimeSeries/2-ARIMA/README.md) | ఫ్రాన్సెస్కా |
| 23 | ⚡️ ప్రపంచ శక్తి వినియోగం ⚡️ - SVR తో సమయ శ్రేణి అంచనా | [సమయ శ్రేణి](7-TimeSeries/README.md) | సపోర్ట్ వెక్టర్ రిగ్రెషర్ తో సమయ శ్రేణి అంచనా | [Python](7-TimeSeries/3-SVR/README.md) | అనిర్బన్ |
| 24 | రీ ఇన్ఫోర్స్మెంట్ లెర్నింగ్ కు పరిచయం | [రీ ఇన్ఫోర్స్మెంట్ లెర్నింగ్](8-Reinforcement/README.md) | Q-లెర్నింగ్ తో రీ ఇన్ఫోర్స్మెంట్ లెర్నింగ్ పరిచయం | [Python](8-Reinforcement/1-QLearning/README.md) | డిమిట్రీ |
| పోస్ట్స్క్రిప్ట్ | వాస్తవ ప్రపంచ ML సన్నివేశాలు మరియు అప్లికేషన్లు | [డబ్బులో ML](9-Real-World/README.md) | క్లాసిక్ ML యొక్క ఆసక్తికరమైన, విప్లవాత్మక యథార్థ ప్రపంచ అప్లికేషన్లు | [పాఠం](9-Real-World/1-Applications/README.md) | టీం |
| పోస్ట్స్క్రిప్ట్ | RAI డ్యాష్బోర్డ్ ఉపయోగించి ML లో మోడల్ డీబగ్గింగ్ | [డబ్బులో ML](9-Real-World/README.md) | రెస్పాన్స్బుల్ AI డ్యాష్బోర్డ్ భాగాలతో మిషన్ లెర్నింగ్ లో మోడల్ డీబగ్గింగ్ | [పాఠం](9-Real-World/2-Debugging-ML-Models/README.md) | రుధ్ యకుబు |
> **భాషల గురించి ఒక గమనిక**: ఈ పాఠాలు ప్రధానంగా Pythonలో రాయబడ్డాయి, కానీ చాలావరకు Rలో కూడా అందుబాటులో ఉన్నాయి. R పాఠాన్ని పూర్తి చేయడానికి, `/solution` ఫోల్డర్కు వెళ్ళి R పాఠాలను చూడండి. అవి **R మార్క్డౌన్** ఫైల్ ప్రతినిథ్యం వహించే .rmd విస్తరణ కలిగి ఉంటాయి, దీన్ని సులభంగా R లేదా ఇతర భాషల `code chunks` మరియు `YAML header` (PDF వంటి అవుట్పుటులను ఎలా ఫార్మాట్ చేయాలనేది మార్గదర్శించడం)ని ఒక `మార్క్డౌన్ డాక్యుమెంట్`లో ఎంబెడ్ చేయడం వంటివిగా నిర్వచించవచ్చు. అందువల్ల, ఇది డేటా సైన్స్ కోసం ఒక గొప్ప రమణీయ రచనా ఫ్రేమ్వర్క్గా పనిచేస్తుంది, ఎందుకంటే మీరు మీ కోడ్, దాని అవుట్పుట్, మరియు మీ ఆలోచనలను మార్క్డౌన్లో వ్రాయడానికి అనుమతిస్తుంది. అంతేకాక, R మార్క్డౌన్ డాక్యుమెంట్లను PDF, HTML లేదా Word వంటి అవుట్పుట్ ఫార్మాట్స్కు రెండర్ చేయవచ్చు.
> **క్విజ్ల గురించి ఒక గమనిక**: అన్ని క్విజ్లు [క్విజ్ యాప్ ఫోల్డర్లో](../../quiz-app) ఉన్నాయి, మొత్తం 52 క్విజ్లు, ప్రతి ఒక్కటిలో మూడు ప్రశ్నలు ఉంటాయి. అవి పాఠాల నుండి లింక్ చేయబడ్డాయి కానీ క్విజ్ యాప్ను స్థానికంగా అమలు చేయవచ్చు; స్థానికంగా హోస్ట్ చేయడానికి లేదా Azureలో డిప్లాయ్ చేయడానికి `quiz-app` ఫోల్డర్లో ఉన్న సూచనలను అనుసరించండి.
| పాఠ సంఖ్య | విషయము | పాఠ సమూహం | అభ్యాస లక్ష్యాలు | లింక్ చేసిన పాఠం | రచయిత |
| 01 | యంత్ర అధ్యయనానికి పరిచయం | [పరిచయం](1-Introduction/README.md) | యంత్ర అధ్యయనం పై ఆధారంగా ఉన్న ప్రాథమిక సిద్ధాంతాలను నేర్చుకోండి | [పాఠం](1-Introduction/1-intro-to-ML/README.md) | ముహంమద్ |
| 02 | యంత్ర అధ్యయన చరిత్ర | [పరిచయం](1-Introduction/README.md) | ఈ రంగం పైన ఉన్న చరిత్రను తెలుసుకోండి | [పాఠం](1-Introduction/2-history-of-ML/README.md) | జెన్ మరియు ఎమి |
| 03 | న్యాయం మరియు యంత్ర అధ్యయనం | [పరిచయం](1-Introduction/README.md) | యంత్ర అధ్యయన నమూనాలను నిర్మించేటప్పుడు విద్యార్ధులు పరిగణించవలసిన న్యాయ సంబంధి ముఖ్య తాత్విక సమస్యలు ఏవి? | [పాఠం](1-Introduction/3-fairness/README.md) | టోమోమీ |
| 04 | యంత్ర అధ్యయన సాంకేతికతలు | [పరిచయం](1-Introduction/README.md) | యంత్ర అధ్యయన పరిశోధకులు ML నమూనాలను నిర్మించటానికి ఉపయోగించే సాంకేతికాలు ఏమిటి? | [పాఠం](1-Introduction/4-techniques-of-ML/README.md) | క్రిస్ మరియు జెన్ |
| 05 | రిగ్రెషన్కు పరిచయం | [రిగాేషన్](2-Regression/README.md) | రిగ్రెషన్ నమూనాలకు Python మరియు Scikit-learn ఉపయోగించడం ప్రారంభించండి | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | జెన్ • ఎరిక్ వాన్జావ్ |
| 06 | ఉత్తర అమెరికా పుంబ్కిన్ ధరలు 🎃 | [రిగాేషన్](2-Regression/README.md) | యంత్ర అధ్యయనానికి తయారీలో డేటాను క్లీన్ చేసి విజువలైజ్ చేయండి | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | జెన్ • ఎరిక్ వాన్జావ్ |
| 07 | ఉత్తర అమెరికా పుంబ్కిన్ ధరలు 🎃 | [రిగాేషన్](2-Regression/README.md) | లీనియర్ మరియు పాలి రిగ్రెషన్ నమూనాలను నిర్మించండి | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | జెన్ మరియు డ్మిత్రి • ఎరిక్ వాన్జావ్ |
| 08 | ఉత్తర అమెరికా పుంబ్కిన్ ధరలు 🎃 | [రిగాేషన్](2-Regression/README.md) | లాజిస్టిక్ రిగ్రెషన్ నమూనాను నిర్మించండి | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | జెన్ • ఎరిక్ వాన్జావ్ |
| 09 | వెబ్ యాప్ 🔌 | [వెబ్ యాప్](3-Web-App/README.md) | మీ శిక్షణ పొందిన నమూనాను ఉపయోగించటానికి వెబ్ యాప్ను నిర్మించండి | [Python](3-Web-App/1-Web-App/README.md) | జెన్ |
| 10 | వర్గీకరణకు పరిచయం | [వర్గీకరణ](4-Classification/README.md) | మీ డేటాను శుభ్రపరచి, సిద్ధం చేసి, విజువలైజ్ చేయండి; వర్గీకరణకు పరిచయం | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | జెన్ మరియు క్యాసి • ఎరిక్ వన్జావ్ |
| 11 | రుచికరమైన ఆసియన్లు మరియు భారతీయ వంటకాలు 🍜 | [వర్గీకరణ](4-Classification/README.md) | వర్గీకరణ నమూనాలపై పరిచయం | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | జెన్ మరియు క్యాసి • ఎరిక్ వన్జావ్ |
| 12 | రుచికరమైన ఆసియన్లు మరియు భారతీయ వంటకాలు 🍜 | [వర్గీకరణ](4-Classification/README.md) | మరిన్ని వర్గీకరణ నమూనాలు | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | జెన్ మరియు క్యాసి • ఎరిక్ వన్జావ్ |
| 13 | రుచికరమైన ఆసియన్లు మరియు భారతీయ వంటకాలు 🍜 | [వర్గీకరణ](4-Classification/README.md) | మీ నమూనాను ఉపయోగించి రికమెండర్ వెబ్ యాప్ను నిర్మించండి | [Python](4-Classification/4-Applied/README.md) | జెన్ |
| 14 | కస్టరింగ్కు పరిచయం | [కస్టరింగ్](5-Clustering/README.md) | మీ డేటాను శుభ్రపరచి, సిద్ధం చేసి, విజువలైజ్ చేయండి; కస్టరింగ్కు పరిచయం | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | జెన్ • ఎరిక్ వన్జావ్ |
| 15 | నైజీడియన్స్కీ సంగీత రుచులను అన్వేషణ చేయడం 🎧 | [కస్టరింగ్](5-Clustering/README.md) | K-Means కస్టరింగ్ పద్ధతిని అన్వేషించండి | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | జెన్ • ఎరిక్ వన్జావ్ |
| 16 | సహజ భాష ప్రాసెసింగ్ కు పరిచయం ☕️| [సహజ భాష ప్రాసెసింగ్](6-NLP/README.md) | ఒక సరళమైన బాట్ను నిర్మించడం ద్వారా NLP యొక్క ప్రాథమికాలను నేర్చుకోండి | [Python](6-NLP/1-Introduction-to-NLP/README.md) | స్టీఫన్ |
| 17 | సాధారణ NLP పనులు ☕️ | [సహజ భాష ప్రాసెసింగ్](6-NLP/README.md) | భాషా నిర్మాణాలతో వ్యవహరించేటప్పుడు అవసరమైన సామాన్య పనులను అర్థం చేసుకోవడం ద్వారా NLP జ్ఞానాన్ని మరింత 심화 చేయండి | [Python](6-NLP/2-Tasks/README.md) | స్టీఫన్ |
| 18 | అనువాదం మరియు భావ విశ్లేషణ ♥️ | [సహజ భాష ప్రాసెసింగ్](6-NLP/README.md) | జేన్ ఆస్టిన్తో అనువాదం మరియు భావ విశ్లేషణ | [Python](6-NLP/3-Translation-Sentiment/README.md) | స్టీఫన్ |
| 19 | యూరోప్ రొమాంటిక్ హోటల్స్ ♥️ | [సహజ భాష ప్రాసెసింగ్](6-NLP/README.md) | హోటల్ సమీక్షలతో భావ విశ్లేషణ 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | స్టీఫన్ |
| 20 | యూరోప్ రొమాంటిక్ హోటల్స్ ♥️ | [సహజ భాష ప్రాసెసింగ్](6-NLP/README.md) | హోటల్ సమీక్షలతో భావ విశ్లేషణ 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | స్టీఫన్ |
| 21 | టైం సిరీస్ ఫార్కాస్టింగ్ కు పరిచయం | [టైం సిరీస్](7-TimeSeries/README.md) | టైమ్ సిరీస్ ఫార్కాస్టింగ్కు పరిచయం | [Python](7-TimeSeries/1-Introduction/README.md) | ఫ్రాన్సెస్కా |
| 22 | ⚡️ ప్రపంచ విద్యుత్ వినియోగం ⚡️ - ARIMAతో టైం సిరీస్ ఫార్కాస్టింగ్ | [టైం సిరీస్](7-TimeSeries/README.md) | ARIMAతో టైం సిరీస్ ఫార్కాస్టింగ్ | [Python](7-TimeSeries/2-ARIMA/README.md) | ఫ్రాన్సెస్కా |
| 23 | ⚡️ ప్రపంచ విద్యుత్ వినియోగం ⚡️ - SVRతో టైం సిరీస్ ఫార్కాస్టింగ్ | [టైం సిరీస్](7-TimeSeries/README.md) | సపోర్ట్ వెక్టర్ రిగ్రెషర్తో టైం సిరీస్ ఫార్కాస్టింగ్ | [Python](7-TimeSeries/3-SVR/README.md) | అనిర్బన్ |
| 24 | రీన్ఫోర్స్మెంట్ లెర్నింగ్కు పరిచయం | [రీన్ఫోర్స్మెంట్ లెర్నింగ్](8-Reinforcement/README.md) | Q-లెర్నింగ్తో రీన్ఫోర్స్మెంట్ లెర్నింగ్కు పరిచయం | [Python](8-Reinforcement/1-QLearning/README.md) | డ్మిత్రి |
| పోస్ట్స్క్రిప్ట్ | వాస్తవ ప్రపంచం ML పరిస్థితులు మరియు అన్వయాలు | [ML వనరు](9-Real-World/README.md) | శ్రేణి ML యొక్క ఆసక్తికరమైన మరియు వాస్తవ ప్రపంచ అన్వయాలు | [పాఠం](9-Real-World/1-Applications/README.md) | జట్టు |
| పోస్ట్స్క్రిప్ట్ | RAI డ్యాష్బోర్డ్ ఉపయోగించి MLలో నమూనా డిబగ్గింగ్ | [ML వనరు](9-Real-World/README.md) | రెస్పాన్సిబుల్ AI డ్యాష్బోర్డ్ భాగాలను ఉపయోగించి మెషిన్ లెర్నింగ్లో నమూనా డిబగ్గింగ్ | [పాఠం](9-Real-World/2-Debugging-ML-Models/README.md) | రుత్ యకుబు |
> [మా Microsoft Learn సేకరణలో ఈ కోర్సుకు సంబంధించిన అన్ని అదనపు వనరులను కనుగొనండి](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## ఆఫ్లైన్ యాక్సెస్
[Docsify](https://docsify.js.org/#/) ఉపయోగించి మీరు ఈ డాక్యుమెంటేషన్ను ఆఫ్లైన్లో నడపవచ్చు. ఈ రెపోను ఫోর্ক్ చేసి, మీ లోకల్ మెషీన్లో [Docsifyను ఇన్స్టాల్](https://docsify.js.org/#/quickstart) చేసుకొని, ఆ తరువాత ఈ రెపో యొక్క రూట్ ఫోల్డర్లో `docsify serve` టైపు చేయండి. వెబ్సైట్ మీ లోకల్హోస్ట్పై పోర్టు 3000లో అందుబాటులో ఉంటుంది: `localhost:3000`.
మీరు ఈ డాక్యుమెంటేషన్ను ఆఫ్లైన్లో [Docsify](https://docsify.js.org/#/) ఉపయోగించి నడిపించవచ్చు. ఈ రిపోను Fork చేసి, మీ స్థానిక యంత్రంలో [Docsifyని ఇన్స్టాల్](https://docsify.js.org/#/quickstart) చేసుకుని, అప్పుడు ఈ రిపో యొక్క రూట్ ఫోల్డర్లో `docsify serve`అని టైపు చేయండి. వెబ్సైట్ 3000 పోర్టులో మీ స్థానిక యంత్రం: `localhost:3000` పైన సేవ్ అవుతుంది.
## PDF లు
## PDFs
లింకులతో కూడిన పాఠ్యক্রমం PDFని [ఇక్కడ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) చూడండి.
లింకులతో కూడిన పాఠ్యాంశపు PDFని [ఇక్కడ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) చూడండి.
## 🎒 ఇతర కోర్సులు
## 🎒 ఇతర కోర్సులు
మా బృందం ఇతర కోర్సులను తయారు చేస్తుంది! చెక్ చేయండి:
మా జట్టు ఇతర కోర్సులు తయారు చేస్తుంది! చూడండి:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -185,54 +185,54 @@
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Generative AI Series
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-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)
### జనరేటివ్ AI సిరీస్
[](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/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### కోపైలట్ సిరీస్
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](https://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)
మీరు చిక్కుకుపోతే లేదా AI అనువర్తనాలు అభివృద్ధి గురించి ఏవైనా ప్రశ్నలు ఉంటే, MCP గురించి చర్చల్లో పాల్గొనే విద్యార్థులు మరియు అనుభవజ్ఞులైన డెవలపర్లతో చేరండి. ఇది ఒక సహాయక సమాజం, ఇక్కడ ప్రశ్నలు స్వాగతించబడతాయి మరియు జ్ఞానం స్వేచ్ఛగా పంచబడుతుంది.
AI అప్లికేషన్లను నిర్మించడంలో మీరు ఎక్కడైనా చిక్కుకుంటే లేదా ప్రశ్నలు ఉంటే, MCP గురించి చర్చలలో సహచర విద్యార్థులు మరియు అనుభవజ్ఞులైన డెవలపర్లు కలుసుకోవండి. ఇది ప్రశ్నలు స్వాగతం చేయబడే మరియు జ్ఞానం స్వేచ్ఛగా పంచుకునే మద్దతుతో కూడిన సమాజం.
- ప్రతి పాఠం తర్వాత నోట్బుక్లను సవివరంగా సమీక్షించండి.
- మీ స్వంతంగా అల్గోరిథంలను అమలు చేయడం సాధన చేయండి.
- నేర్చుకున్న కాన్సెప్ట్లను ఉపయోగించి వాస్తవ ప్రపంచ డేటాసెట్లను అన్వేషించండి.
- ప్రతి పాఠం తరువాత నోట్బుక్లను సమీక్షించండి, బెటర్ అవగాహన కోసం.
- స్వయంగా అల్గోరిథములను ప్రయత్నించి అమలు చేయండి.
- నేర్చుకున్న సూత్రాలను ఉపయోగించి వాస్తవ ప్రపంచ డేటాసెట్లను అన్వేషించండి.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**అత్యవసర నోటీసు**:
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ద్వారా అనువదించారు. మనం ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటిక్ అనువాదాలలో పొరపాట్లు లేదా తప్పుడు వివరాలు ఉండొచ్చు. మూల పత్రాన్ని దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. కీలకమైన సమాచారం కోసం, నైపుణ్యమున్న మనుష్య అనువాదాన్ని సూచించబడుతుంది. ఈ అనువాదం వాడుకోవడం వల్ల ఏర్పడిన ఏ విధమైన తప్పుబాటులు లేదా తప్పుదారులు గురించి మేము జవాబుదారులు కారు.
**ప్రత్యేక నివేదిక**:
ఈ డాక్యుమెంట్ను AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడి ఉంది. మేము సరిగా ఉండేందుకు ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో తప్పులు లేదా లోపాలు ఉండవచ్చు. మూల డాక్యుమెంట్ దాని స్థానిక భాషలో అధికారిక వనరుగా పరిగణించాలి. ముఖ్యమైన సమాచారం కోసం, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం ఉపయోగంతో పుట్టే ఏ అలమిటీలు లేదా తప్పు అర్థాలు తిరుగుబాటు జవాబుదారుడిగా మేము ఉండము.
localizeflow[bot]
3 months ago