[](https://youtu.be/N6wxM4wZ7V0 "মেশিন লার্নিং এর ইতিহাস - শিক্ষার্থীদের জন্য")
[](https://youtu.be/N6wxM4wZ7V0 "শুরুর জন্য এমএল - মেশিন লার্নিংয়ের ইতিহাস")
> 🎥 উপরের ছবিতে ক্লিক করুন এই পাঠের সংক্ষিপ্ত ভিডিও দেখার জন্য।
> 🎥 এই পাঠের মাধ্যমে কাজ করার জন্য উপরের ছবিতে ক্লিক করুন একটি সংক্ষিপ্ত ভিডিওর জন্য।
এই পাঠে আমরা মেশিন লার্নিং এবং কৃত্রিম বুদ্ধিমত্তার ইতিহাসের গুরুত্বপূর্ণ মাইলফলকগুলো নিয়ে আলোচনা করব।
এই পাঠে আমরা মেশিন লার্নিং এবং কৃত্রিম বুদ্ধিমত্তার ইতিহাসের প্রধান মাইলফলকগুলো সম্পর্কে আলোচনা করব।
কৃত্রিম বুদ্ধিমত্তা (AI) এর ইতিহাস মেশিন লার্নিং এর ইতিহাসের সাথে গভীরভাবে জড়িত, কারণ ML এর অ্যালগরিদম এবং কম্পিউটেশনাল অগ্রগতি AI এর বিকাশে ভূমিকা রেখেছে। মনে রাখা দরকার যে, যদিও এই ক্ষেত্রগুলো ১৯৫০ এর দশকে পৃথক গবেষণা ক্ষেত্র হিসেবে গঠিত হতে শুরু করে, গুরুত্বপূর্ণ [অ্যালগরিদমিক, পরিসংখ্যানগত, গাণিতিক, কম্পিউটেশনাল এবং প্রযুক্তিগত আবিষ্কার](https://wikipedia.org/wiki/Timeline_of_machine_learning) এই সময়ের আগেই হয়েছিল এবং এর সাথে মিশে গিয়েছিল। আসলে, মানুষ [শত শত বছর ধরে](https://wikipedia.org/wiki/History_of_artificial_intelligence) এই প্রশ্নগুলো নিয়ে চিন্তা করে আসছে: এই নিবন্ধটি 'চিন্তা করতে পারে এমন মেশিন' ধারণার বুদ্ধিবৃত্তিক ভিত্তি নিয়ে আলোচনা করে।
কৃত্রিম বুদ্ধিমত্তা (এআই) ক্ষেত্র হিসাবে মেশিন লার্নিংয়ের ইতিহাসের সঙ্গে আন্তঃসংযুক্ত, কারণ এমএল-এর ভিত্তি সাপোর্ট করা অ্যালগরিদম এবং গণনাযুক্ত অগ্রগতি এআই-এর উন্নয়নে অবদান রেখেছে। মনে রাখা দরকার, যদিও এই ক্ষেত্রগুলি পৃথক অনুসন্ধানের স্থান হিসেবে ১৯৫০-এর দশকে স্ফটিকৃত হয়েছিল, গুরুত্বপূর্ণ [অ্যালগরিদমিক, পরিসংখ্যানগত, গাণিতিক, কম্পিউটেশনাল এবং প্রযুক্তিগত আবিষ্কার](https://wikipedia.org/wiki/Timeline_of_machine_learning) এই যুগের পূর্বেই ঘটে এবং অতিক্রম করেছিল। প্রকৃতপক্ষে, মানুষ [শতাব্দীর পর শতাব্দী ধরে](https://wikipedia.org/wiki/History_of_artificial_intelligence) এই প্রশ্নগুলো নিয়ে চিন্তা করে আসছে: এই নিবন্ধে 'ভাবনার মেশিন' ধারার ঐতিহাসিক বৌদ্ধিক ভিত্তি আলোচনা করা হয়েছে।
---
## উল্লেখযোগ্য আবিষ্কার
## উল্লেখযোগ্য আবিষ্কারসমূহ
- ১৭৬৩, ১৮১২ [বেইজ থিওরেম](https://wikipedia.org/wiki/Bayes%27_theorem) এবং এর পূর্বসূরী। এই থিওরেম এবং এর প্রয়োগ পূর্ব জ্ঞান ভিত্তিক কোনো ঘটনার সম্ভাবনা বর্ণনা করে।
- ১৮০৫ [লিস্ট স্কয়ার থিওরি](https://wikipedia.org/wiki/Least_squares) ফরাসি গণিতবিদ Adrien-Marie Legendre দ্বারা। এই থিওরি, যা আপনি আমাদের রিগ্রেশন ইউনিটে শিখবেন, ডেটা ফিটিংয়ে সাহায্য করে।
- ১৯১৩ [মারকভ চেইন](https://wikipedia.org/wiki/Markov_chain), রাশিয়ান গণিতবিদ Andrey Markov এর নামে নামকরণ করা হয়েছে, যা পূর্ববর্তী অবস্থার ভিত্তিতে সম্ভাব্য ঘটনার একটি ক্রম বর্ণনা করে।
- ১৯৫৭ [পারসেপট্রন](https://wikipedia.org/wiki/Perceptron) একটি লিনিয়ার ক্লাসিফায়ার যা আমেরিকান মনোবিজ্ঞানী Frank Rosenblatt আবিষ্কার করেছিলেন এবং যা ডিপ লার্নিং এর উন্নতির ভিত্তি।
- ১৭৬৩, ১৮১২ [বেজ থিওরেম](https://wikipedia.org/wiki/Bayes%27_theorem) এবং এর পূর্বসূরী। এই থিওরেম এবং এর প্রয়োগগুলি ইনফারেন্সের ভিত্তি, যা পূর্ব জ্ঞানের ভিত্তিতে একটি ঘটনাটি সংঘটিত হওয়ার সম্ভাবনা বর্ণনা করে।
- ১৮০৫ [লিস্ট স্কোয়ার থিওরি](https://wikipedia.org/wiki/Least_squares) ফরাসি গাণিতিক অ্যাড্রিয়েন-মেরি লেজান্দ্রে কর্তৃক প্রবর্তিত। এই থিওরি, যা আপনি আমাদের রিগ্রেশন ইউনিটে শিখবেন, ডেটা ফিটিংয়ে সহায়ক।
- ১৯১৩ [মার্কভ চেইনস](https://wikipedia.org/wiki/Markov_chain), রাশিয়ান গাণিতিক আন্দ্রে মার্কভের নামে নামকৃত, একটি পূর্ববর্তী অবস্থার ভিত্তিতে সম্ভাব্য ঘটনাগুলোর ক্রম বর্ণনা করতে ব্যবহৃত হয়।
- ১৯৫৭ [পারসেপট্রন](https://wikipedia.org/wiki/Perceptron) একটি প্রকারের লিনিয়ার ক্লাসিফায়ার যা আমেরিকান মনোবিজ্ঞানি ফ্রাঙ্ক রোজেনব্লাট আবিষ্কার করেছিলেন, যা ডিপ লার্নিং নিয়ে অগ্রগতির ভিত্তি।
---
- ১৯৬৭ [নিয়ারেস্ট নেবার](https://wikipedia.org/wiki/Nearest_neighbor) একটি অ্যালগরিদম যা মূলত রুট ম্যাপ করার জন্য ডিজাইন করা হয়েছিল। ML এর ক্ষেত্রে এটি প্যাটার্ন সনাক্ত করতে ব্যবহৃত হয়।
- ১৯৭০ [ব্যাকপ্রপাগেশন](https://wikipedia.org/wiki/Backpropagation) [ফিডফরওয়ার্ড নিউরাল নেটওয়ার্ক](https://wikipedia.org/wiki/Feedforward_neural_network) প্রশিক্ষণের জন্য ব্যবহৃত হয়।
- ১৯৮২ [রিকারেন্ট নিউরাল নেটওয়ার্ক](https://wikipedia.org/wiki/Recurrent_neural_network) ফিডফরওয়ার্ড নিউরাল নেটওয়ার্ক থেকে উদ্ভূত কৃত্রিম নিউরাল নেটওয়ার্ক যা টেম্পোরাল গ্রাফ তৈরি করে।
- ১৯৬৭ [নিকটতম প্রতিবেশী](https://wikipedia.org/wiki/Nearest_neighbor) একটি অ্যালগরিদম যা মূলত রুট ম্যাপ করার জন্য ডিজাইন করা হয়েছিল। এমএল প্রেক্ষাপটে এটি প্যাটার্ন সনাক্ত করতে ব্যবহৃত হয়।
- ১৯৭০ [ব্যাকপ্রোপাগেশন](https://wikipedia.org/wiki/Backpropagation) ব্যবহৃত হয় [ফিডফরওয়ার্ড নিউরাল নেটওয়ার্ক](https://wikipedia.org/wiki/Feedforward_neural_network) প্রশিক্ষণের জন্য।
- ১৯৮২ [রিকারেন্ট নিউরাল নেটওয়ার্কস](https://wikipedia.org/wiki/Recurrent_neural_network) ফিডফরওয়ার্ড নিউরাল নেটওয়ার্ক থেকে উদ্ভূত কৃত্রিম নিউরাল নেটওয়ার্ক যা কালিক গ্রাফ তৈরি করে।
✅ একটু গবেষণা করুন। ML এবং AI এর ইতিহাসে আর কোন তারিখগুলো গুরুত্বপূর্ণ বলে মনে হয়?
✅ একটু গবেষণা করুন। মেশিন লার্নিং এবং এআই-এর ইতিহাসে আর কী কী গুরুত্বপূর্ণ তারিখ চোখে পড়ে?
---
## ১৯৫০: চিন্তা করতে পারে এমন মেশিন
## ১৯৫০: চিন্তা করতে সক্ষম মেশিন
Alan Turing, একজন অসাধারণ ব্যক্তি যাকে [২০১৯ সালে](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) জনগণের ভোটে ২০ শতকের সর্বশ্রেষ্ঠ বিজ্ঞানী হিসেবে নির্বাচিত করা হয়েছিল, 'চিন্তা করতে পারে এমন মেশিন' ধারণার ভিত্তি স্থাপনে সাহায্য করেছেন। তিনি এই ধারণার জন্য প্রমাণের প্রয়োজনীয়তা অনুভব করেছিলেন এবং [টুরিং টেস্ট](https://www.bbc.com/news/technology-18475646) তৈরি করেছিলেন, যা আপনি আমাদের NLP পাঠে শিখবেন।
অ্যালান টুরিং, একজন সত্যিই অসাধারণ ব্যক্তি যিনি [২০১৯ সালে জনসাধারণের ভোটে](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) ২০ ও শতকের সেরা বিজ্ঞানী নির্বাচিত হয়েছিলেন, 'চিন্তা করতে সক্ষম মেশিন' ধারণার ভিত্তি স্থাপনে সহায়তা করার জন্য পরিচিত। তিনি নিন্দকদের মোকাবিলা করেছিলেন এবং এই ধারণার প্রমাণের অংশ হিসেবে নিজের প্রয়োজনীয়তা মেটাতে [টুরিং টেস্ট](https://www.bbc.com/news/technology-18475646) তৈরি করেছিলেন, যা আপনি আমাদের NLP পাঠে অন্বেষণ করবেন।
---
## ১৯৫৬: ডার্টমাউথ সামার রিসার্চ প্রজেক্ট
"ডার্টমাউথ সামার রিসার্চ প্রজেক্ট কৃত্রিম বুদ্ধিমত্তার ক্ষেত্রে একটি গুরুত্বপূর্ণ ঘটনা ছিল," এবং এখানেই 'কৃত্রিম বুদ্ধিমত্তা' শব্দটি তৈরি করা হয়েছিল ([source](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth))।
"কৃত্রিম বুদ্ধিমত্তা ক্ষেত্র হিসেবে ডার্টমাউথ সামার রিসার্চ প্রজেক্ট একটি গুরুত্বপূর্ণ ঘটনা," এবং এখানেই 'কৃত্রিম বুদ্ধিমত্তা' শব্দটি প্রবর্তিত হয়েছিল ([সুত্র](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth))।
> শেখার প্রতিটি দিক বা বুদ্ধিমত্তার অন্য কোনো বৈশিষ্ট্য এমনভাবে বর্ণনা করা যেতে পারে যে একটি মেশিন এটি অনুকরণ করতে পারে।
> শিক্ষার যেকোনো দিক বা বুদ্ধিমত্তার অন্য যেকোনো বৈশিষ্ট্য এমন সূক্ষ্মভাবে বর্ণনা করা যেতে পারে যে একটি মেশিন সেটা নকল করতে পারে।
---
প্রধান গবেষক, গণিতের অধ্যাপক John McCarthy, আশা করেছিলেন "শেখার প্রতিটি দিক বা বুদ্ধিমত্তার অন্য কোনো বৈশিষ্ট্য এমনভাবে বর্ণনা করা যেতে পারে যে একটি মেশিন এটি অনুকরণ করতে পারে।" অংশগ্রহণকারীদের মধ্যে ছিলেন Marvin Minsky, যিনি এই ক্ষেত্রের আরেকজন বিশিষ্ট ব্যক্তি।
প্রধান গবেষক, গণিতের অধ্যাপক জন ম্যাককার্থি আশা করেছিলেন "সিদ্ধান্ত নিয়ে কাজ করতে যে, শিক্ষার যেকোনো দিক বা বুদ্ধিমত্তার অন্য বৈশিষ্ট্য এমন সূক্ষ্মভাবে বর্ণনা করা যেতে পারে যে একটি মেশিন তা নকল করতে পারে।" অংশগ্রহণকারীদের মধ্যে এই ক্ষেত্রের আরেকজন প্রখ্যাত ব্যক্তি মারভিন মিনস্কি ছিলেন।
এই কর্মশালাটি "প্রতীকী পদ্ধতির উত্থান, সীমিত ডোমেইন ভিত্তিক সিস্টেম (প্রাথমিক এক্সপার্ট সিস্টেম), এবং ডিডাকটিভ সিস্টেম বনাম ইনডাকটিভ সিস্টেম" সহ বেশ কিছু আলোচনার সূচনা এবং উৎসাহ প্রদান করেছে। ([source](https://wikipedia.org/wiki/Dartmouth_workshop))।
এই কর্মশালাটি "প্রতীকাত্মক পদ্ধতির উত্তরণ, সীমিত ডোমেইনে কেন্দ্রিত সিস্টেমসমূহ (প্রাথমিক বিশেষজ্ঞ সিস্টেম), এবং সংকেততাত্ত্বিক ও অভ্যর্থিত সিস্টেমের মধ্যে আলোচনা" শুরু ও উত্সাহিত করার জন্য স্বীকৃত। ([সুত্র](https://wikipedia.org/wiki/Dartmouth_workshop))
---
## ১৯৫৬ - ১৯৭৪: "সোনালী বছর"
## ১৯৫৬ - ১৯৭৪: "সোনালী বছরগুলি"
১৯৫০ এর দশক থেকে ৭০ এর দশকের মাঝামাঝি পর্যন্ত, AI এর মাধ্যমে অনেক সমস্যার সমাধান করা যাবে বলে উচ্চ আশাবাদ ছিল। ১৯৬৭ সালে Marvin Minsky আত্মবিশ্বাসের সাথে বলেছিলেন, "এক প্রজন্মের মধ্যে ... 'কৃত্রিম বুদ্ধিমত্তা' তৈরির সমস্যা মূলত সমাধান হয়ে যাবে।" (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
১৯৫০-এর দশক থেকে ৭০-এর মাঝামাঝি পর্যন্ত, এআই অনেক সমস্যা সমাধানে সক্ষম হবে বলে আশাবাদী ছিল। ১৯৬৭ সালে মারভিন মিনস্কি আত্মবিশ্বাসের সঙ্গে বলেছিলেন, "এক প্রজন্মের মধ্যে ... 'কৃত্রিম বুদ্ধিমত্তা' তৈরির সমস্যা যথেষ্টাংশে সমাধান হবে।" (মিনস্কি, মারভিন (১৯৬৭), কম্পিউটেশন: ফাইনাইট অ্যান্ড ইনফিনাইট মেশিনস, ইংলউড ক্লিফস, এন.জে.: প্রেন্টিস-হল)
প্রাকৃতিক ভাষা প্রক্রিয়াকরণ গবেষণা বিকশিত হয়েছিল, সার্চ আরও পরিশীলিত এবং শক্তিশালী হয়েছিল, এবং 'মাইক্রো-ওয়ার্ল্ড' ধারণা তৈরি হয়েছিল, যেখানে সাধারণ ভাষার নির্দেশনা ব্যবহার করে সহজ কাজ সম্পন্ন করা যেত।
প্রাকৃতিক ভাষা প্রক্রিয়াকরণের গবেষণা ফুলে উঠল, অনুসন্ধান পরিমার্জিত ও শক্তিশালী হল, এবং 'মাইক্রো-ওয়ার্ল্ডস' ধারণা সৃষ্টি করা হল, যেখানে সরল কাজগুলি সোজা ভাষার নির্দেশে সম্পন্ন হত।
---
গভর্নমেন্ট এজেন্সি দ্বারা গবেষণা ভালোভাবে অর্থায়িত হয়েছিল, কম্পিউটেশন এবং অ্যালগরিদমে অগ্রগতি হয়েছিল, এবং বুদ্ধিমান মেশিনের প্রোটোটাইপ তৈরি করা হয়েছিল। এই মেশিনগুলোর মধ্যে রয়েছে:
সরকারী সংস্থার ভালো তহবিল নিয়ে গবেষণা চালানো হয়, গণনা ও অ্যালগরিদমে অগ্রগতি ঘটে, এবং বুদ্ধিমান মেশিনের প্রোটোটাইপ তৈরি হয়। কিছু মেশিন হলো:
* [Shakey রোবট](https://wikipedia.org/wiki/Shakey_the_robot), যে বুদ্ধিমত্তার সাথে কাজ সম্পন্ন করার সিদ্ধান্ত নিতে এবং চলাচল করতে পারত।
* [শেকি দ্য রোবট](https://wikipedia.org/wiki/Shakey_the_robot), যিনি 'বুদ্ধিমত্তার সঙ্গে' কাজ করার পদ্ধতি পরিকল্পনা ও সিদ্ধান্ত নিতে পারতেন।
> Shakey, ১৯৭২ সালে
> ১৯৭২ সালে শেকি
---
* Eliza, একটি প্রাথমিক 'চ্যাটারবট', মানুষের সাথে কথা বলতে এবং একটি প্রাথমিক 'থেরাপিস্ট' হিসেবে কাজ করতে পারত। NLP পাঠে আপনি Eliza সম্পর্কে আরও জানবেন।
* এলিজা, একটি প্রাথমিক 'চ্যাটারবট', মানুষের সঙ্গে কথা বলত এবং এক প্রাথমিক 'থেরাপিস্ট' হিসেবে কাজ করত। আপনি NLP পাঠে এলিজা সম্পর্কে আরও জানতে পারবেন।
> Eliza এর একটি সংস্করণ, একটি চ্যাটবট
> এলিজার একটি সংস্করণ, একটি চ্যাটবট
---
* "Blocks world" ছিল একটি মাইক্রো-ওয়ার্ল্ডের উদাহরণ যেখানে ব্লকগুলো স্ট্যাক এবং সাজানো যেত, এবং মেশিনকে সিদ্ধান্ত নিতে শেখানোর পরীক্ষা করা যেত। [SHRDLU](https://wikipedia.org/wiki/SHRDLU) এর মতো লাইব্রেরি দিয়ে তৈরি অগ্রগতি ভাষা প্রক্রিয়াকরণকে এগিয়ে নিয়ে গেছে।
* "ব্লকস ওয়ার্ল্ড" ছিল একটি মাইক্রো-ওয়ার্ল্ডের উদাহরণ যেখানে ব্লকগুলোকে স্তূপিত এবং শ্রেণীবদ্ধ করা যেত, এবং মেশিনকে সিদ্ধান্তগ্রহণ শেখানোর পরীক্ষাগুলো সম্পন্ন করা যেত। [SHRDLU](https://wikipedia.org/wiki/SHRDLU) মত লাইব্রেরির মাধ্যমে নির্মিত অগ্রগতি ভাষা প্রক্রিয়াকরণকে এগিয়ে নিয়ে গেল।
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "SHRDLU এর সাথে Blocks world")
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "SHRDLU সহ ব্লকস ওয়ার্ল্ড")
> 🎥 উপরের ছবিতে ক্লিক করুন একটি ভিডিও দেখার জন্য: SHRDLU এর সাথে Blocks world
> 🎥 ভিডিওর জন্য উপরের ছবিতে ক্লিক করুন: SHRDLU সহ ব্লকস ওয়ার্ল্ড
---
## ১৯৭৪ - ১৯৮০: "AI শীতকাল"
## ১৯৭৪ - ১৯৮০: "এআই শীতকাল"
৭০ এর দশকের মাঝামাঝি সময়ে, 'বুদ্ধিমান মেশিন' তৈরির জটিলতা কম মূল্যায়িত হয়েছিল এবং এর প্রতিশ্রুতি, উপলব্ধ কম্পিউট ক্ষমতার ভিত্তিতে, অতিরিক্তভাবে মূল্যায়িত হয়েছিল। অর্থায়ন বন্ধ হয়ে যায় এবং এই ক্ষেত্রের প্রতি আত্মবিশ্বাস কমে যায়। কিছু সমস্যাগুলো ছিল:
১৯৭০-এর দশকের মাঝামাঝি সময়ে বোঝা গেল, 'বুদ্ধিমান মেশিন' তৈরি করার জটিলতা কম আঁকা হয়েছে এবং উপলব্ধ কম্পিউট ক্ষমতার জন্য অঙ্গীকার অতিরঞ্জিত ছিল। তহবিল শুকিয়ে গেল এবং ক্ষেত্রের প্রতি আত্মবিশ্বাস কমে গেল। কিছু বিষয় যা আত্মবিশ্বাসে প্রভাব ফেলেছিল:
---
- **সীমাবদ্ধতা**। কম্পিউট ক্ষমতা খুব সীমিত ছিল।
- **কম্বিনেটোরিয়াল বিস্ফোরণ**। কম্পিউটারের কাছে আরও বেশি কিছু চাওয়ার সাথে সাথে প্রশিক্ষণের জন্য প্রয়োজনীয় প্যারামিটারগুলো গাণিতিকভাবে বৃদ্ধি পায়, কিন্তু কম্পিউট ক্ষমতা এবং সক্ষমতার সমান্তরাল উন্নতি হয়নি।
- **ডেটার অভাব**। ডেটার অভাব অ্যালগরিদম পরীক্ষা, উন্নয়ন এবং পরিমার্জনের প্রক্রিয়াকে বাধাগ্রস্ত করেছিল।
- **আমরা কি সঠিক প্রশ্ন করছি?**। যে প্রশ্নগুলো করা হচ্ছিল তা নিয়ে প্রশ্ন উঠতে শুরু করে। গবেষকরা তাদের পদ্ধতির সমালোচনার সম্মুখীন হন:
- টুরিং টেস্ট বিভিন্ন ধারণার মাধ্যমে প্রশ্নবিদ্ধ হয়, যেমন 'চাইনিজ রুম থিওরি' যা বলেছিল, "একটি ডিজিটাল কম্পিউটার প্রোগ্রাম করা হলে এটি ভাষা বুঝতে পারে বলে মনে হতে পারে কিন্তু প্রকৃত বোঝার সৃষ্টি করতে পারে না।" ([source](https://plato.stanford.edu/entries/chinese-room/))
- কৃত্রিম বুদ্ধিমত্তা যেমন "থেরাপিস্ট" ELIZA কে সমাজে পরিচিত করার নৈতিকতা চ্যালেঞ্জ করা হয়েছিল।
- **সীমাবদ্ধতা**। কম্পিউট ক্ষমতা খুব কম ছিল।
- **কম্বিনেটোরিয়াল বিস্ফোরণ**। প্রশিক্ষণের জন্য প্রয়োজনীয় পরামিতির পরিমাণ বিস্তৃতভাবে বৃদ্ধি পেয়েছিল, কম্পিউট ক্ষমতা বা সক্ষমতার সমান্তরালে নয়।
- **তথ্যের অভাব**। ডেটার অভাব ছিল যা অ্যালগরিদম পরীক্ষা, উন্নয়ন ও পরিমার্জনে বাধা সৃষ্টি করেছিল।
- **আমরা কি সঠিক প্রশ্ন করছি?**। যে প্রশ্নগুলো করা হচ্ছিল সেগুলি নিয়েও প্রশ্ন উঠতে শুরু করে। গবেষকরা তাদের পদ্ধতি নিয়ে সমালোচনার মুখোমুখি হন:
- টুরিং টেস্টগুলো প্রশ্নবিদ্ধ হলো বিশেষত 'চাইনিজ রুম থিওরি' দ্বারা যা যুক্তি দেয়, "ডিজিটাল কম্পিউটার প্রোগ্রামিং ভাষা বোঝার ছাপ দিতে পারে কিন্তু সত্যিকারের বোঝাপড়া তৈরি করতে পারবে না।" ([সুত্র](https://plato.stanford.edu/entries/chinese-room/))
- "থেরাপিস্ট" এলিজার মত কৃত্রিম বুদ্ধিমত্তা সমাজে পরিচয় করানোর নৈতিকতা চ্যালেঞ্জের মুখে পড়ে।
---
একই সময়ে, বিভিন্ন AI চিন্তাধারা গঠিত হতে শুরু করে। ["স্ক্রাফি" বনাম "নিট AI"](https://wikipedia.org/wiki/Neats_and_scruffies) পদ্ধতির মধ্যে একটি বিভাজন তৈরি হয়। _স্ক্রাফি_ ল্যাবগুলো কাঙ্ক্ষিত ফলাফল পাওয়ার জন্য প্রোগ্রামগুলো ঘন্টার পর ঘন্টা টুইক করত। _নিট_ ল্যাবগুলো "লজিক এবং আনুষ্ঠানিক সমস্যা সমাধানের উপর" মনোযোগ দিত। ELIZA এবং SHRDLU ছিল পরিচিত _স্ক্রাফি_ সিস্টেম। ১৯৮০ এর দশকে, যখন ML সিস্টেমগুলোকে পুনরুত্পাদনযোগ্য করার চাহিদা দেখা দেয়, _নিট_ পদ্ধতি ধীরে ধীরে অগ্রাধিকার পায় কারণ এর ফলাফলগুলো আরও ব্যাখ্যাযোগ্য।
একই সময়ে, বিভিন্ন এআই চিন্তার বই তৈরি হতে শুরু করে। ["স্ক্রাফি" বনাম "নিট এআই"](https://wikipedia.org/wiki/Neats_and_scruffies) পদ্ধতির মধ্যে একটি দ্বৈততা গড়ে ওঠে। _স্ক্রাফি_ ল্যাবগুলো ঘণ্টার পর ঘণ্টা প্রোগ্রাম পরিবর্তন করতো যতক্ষণ না কাঙ্ক্ষিত ফলাফল আসতো। _নিট_ ল্যাবগুলো "তথ্যগত ও আনুষ্ঠানিক সমস্যা সমাধানে মনোযোগ দিতো"। এলিজা এবং SHRDLU ছিল সুপরিচিত _স্ক্রাফি_ সিস্টেম। ১৯৮০-এর দশকে, এমএল সিস্টেম পুনরুত্পাদনীয় করার চাহিদা জন্ম নিচ্ছিল, তখন _নিট_ পদ্ধতি অগ্রগামী হয় কারণ এর ফলাফলগুলো আরও ব্যাখ্যাযোগ্য।
---
## ১৯৮০ এর দশক: এক্সপার্ট সিস্টেম
## ১৯৮০-এর দশকের বিশেষজ্ঞ সিস্টেম
যেমন এই ক্ষেত্রটি বৃদ্ধি পায়, এর ব্যবসায়িক সুবিধা আরও স্পষ্ট হয়ে ওঠে, এবং ১৯৮০ এর দশকে 'এক্সপার্ট সিস্টেম' এর প্রসার ঘটে। "এক্সপার্ট সিস্টেমগুলো কৃত্রিম বুদ্ধিমত্তার (AI) সফটওয়্যারের প্রথম সত্যিকারের সফল রূপগুলোর মধ্যে ছিল।" ([source](https://wikipedia.org/wiki/Expert_system))।
ক্ষেত্রটি বাড়ার সঙ্গে সঙ্গে, ব্যবসায়িক উপকারিতা স্পষ্ট হলো, এবং ১৯৮০-এর দশকে 'বিশেষজ্ঞ সিস্টেম' ব্যাপকভাবে ছড়িয়ে পড়ল। "বিশেষজ্ঞ সিস্টেমগুলো প্রথম সফল কৃত্রিম বুদ্ধিমত্তা সফটওয়্যারের মধ্যে একটি।" ([সুত্র](https://wikipedia.org/wiki/Expert_system))
এই ধরনের সিস্টেম আসলে _হাইব্রিড_, যা আংশিকভাবে একটি রুলস ইঞ্জিনের উপর ভিত্তি করে ব্যবসায়িক প্রয়োজনীয়তা সংজ্ঞায়িত করে এবং একটি ইনফারেন্স ইঞ্জিন ব্যবহার করে নতুন তথ্য অনুমান করে।
এই ধরনের সিস্টেম প্রকৃতপক্ষে _হাইব্রিড_, আংশিকভাবে একটি নিয়ম ইঞ্জিন যা ব্যবসায়িক চাহিদাগুলি সংজ্ঞায়িত করে এবং একটি ইনফারেন্স ইঞ্জিন যা নতুন তথ্য অনুসন্ধানে নিয়ম ব্যবস্থার ব্যবহার করে।
এই যুগে নিউরাল নেটওয়ার্কের প্রতি আরও বেশি মনোযোগ দেওয়া হয়।
এই যুগে নিউরাল নেটওয়ার্কের প্রতি মনোযোগ বাড়তে থাকে।
---
## ১৯৮৭ - ১৯৯৩: AI 'ঠান্ডা'
## ১৯৮৭ - ১৯৯৩: এআই 'ঠান্ডা'
বিশেষায়িত এক্সপার্ট সিস্টেম হার্ডওয়্যারের প্রসার দুর্ভাগ্যজনকভাবে অত্যন্ত বিশেষায়িত হয়ে ওঠে। ব্যক্তিগত কম্পিউটারের উত্থান এই বড়, বিশেষায়িত, কেন্দ্রীভূত সিস্টেমগুলোর সাথে প্রতিযোগিতা করে। কম্পিউটিং এর গণতন্ত্রায়ন শুরু হয়, যা শেষ পর্যন্ত বিগ ডেটার আধুনিক বিস্ফোরণের পথ প্রশস্ত করে।
বিশেষায়িত বিশেষজ্ঞ সিস্টেমের হার্ডওয়্যারগুলোর বিস্তার অত্যধিক বিশেষায়িত হওয়ার কারণ হয়ে দাঁড়ায়। ব্যক্তিগত কম্পিউটারের উত্থানও এই বড়, বিশেষায়িত, কেন্দ্রিয়কৃত সিস্টেমগুলোর সঙ্গে প্রতিযোগিতা করে। গণনার গণতান্ত্রিকরণ শুরু হয়, যা অবশেষে বড় ডেটার আধুনিক বিস্ফোরণের পথ প্রস্তুত করে।
---
## ১৯৯৩ - ২০১১
এই যুগে ML এবং AI নতুনভাবে কিছু সমস্যার সমাধান করতে সক্ষম হয় যা আগে ডেটা এবং কম্পিউট ক্ষমতার অভাবে হয়েছিল। ডেটার পরিমাণ দ্রুত বৃদ্ধি পায় এবং আরও সহজলভ্য হয়ে ওঠে, ভালো এবং খারাপ উভয়ের জন্যই, বিশেষত ২০০৭ সালের আশেপাশে স্মার্টফোনের আবির্ভাবের সাথে। কম্পিউট ক্ষমতা গাণিতিকভাবে বৃদ্ধি পায়, এবং অ্যালগরিদমগুলোও এর সাথে বিকশিত হয়। এই ক্ষেত্রটি পরিপক্ক হতে শুরু করে কারণ অতীতের স্বাধীন গবেষণাগুলো একটি সত্যিকারের শৃঙ্খলায় রূপ নিতে শুরু করে।
এই সময়ে এমএল এবং এআই এলাকায় নতুন যুগ শুরু হয় যা আগের ডেটা ও কম্পিউট ক্ষমতার অভাব থেকে সৃষ্ট সমস্যাগুলো সমাধান করতে সক্ষম হয়। ডেটার পরিমাণ দ্রুত বৃদ্ধি পেতে থাকে এবং আরো ব্যাপকভাবে উপলব্ধি হয়, বিশেষ করে ২০০৭ সালে স্মার্টফোন আবির্ভাবের সাথে। কম্পিউট ক্ষমতা বহুগুণ বৃদ্ধি পায়, এবং অ্যালগরিদমও সঙ্গতিপূর্ণ উন্নত হয়। ক্ষেত্রটি পরিপক্বতা লাভ করে কারণ অতীতের স্বাধীন দিনগুলো একটি যথার্থ শাস্ত্রতে রূপ নেয়।
---
## বর্তমান
## এখন
আজ মেশিন লার্নিং এবং AI আমাদের জীবনের প্রায় প্রতিটি অংশকে স্পর্শ করে। এই যুগে এই অ্যালগরিদমগুলো মানুষের জীবনে কী প্রভাব ফেলতে পারে তা সতর্কতার সাথে বোঝার প্রয়োজন রয়েছে। Microsoft's Brad Smith বলেছেন, "তথ্য প্রযুক্তি এমন বিষয়গুলো উত্থাপন করে যা মৌলিক মানবাধিকার সুরক্ষার মতো বিষয়গুলোর সাথে সম্পর্কিত, যেমন গোপনীয়তা এবং মত প্রকাশের স্বাধীনতা। এই বিষয়গুলো প্রযুক্তি কোম্পানিগুলোর জন্য আরও বেশি দায়িত্ববোধ তৈরি করে যারা এই পণ্যগুলো তৈরি করে। আমাদের মতে, এগুলো চিন্তাশীল সরকারি নিয়ন্ত্রণ এবং গ্রহণযোগ্য ব্যবহারের চারপাশে মানদণ্ডের বিকাশের জন্যও আহ্বান জানায়।" ([source](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/))।
আজ মেশিন লার্নিং এবং এআই আমাদের জীবনের প্রায় প্রতিটি অংশে ছোঁয়। এই যুগে এই অ্যালগরিদমগুলোর মানুষের জীবনে ঝুঁকি এবং সম্ভাব্য প্রভাবগুলি সাবধানে বোঝা জরুরি। মাইক্রোসফটের ব্র্যাড স্মিথ বলেছেন, "তথ্য প্রযুক্তি মানবাধিকার সুরক্ষা যেমন গোপনীয়তা এবং প্রকাশের স্বাধীনতার মূল বিষয়সমূহ তুলে ধরে। এই বিষয়গুলো প্রযুক্তি কোম্পানিগুলোর জন্য আরও বেশি দায়িত্বের কথা বলে যারা এই পণ্য তৈরি করে। আমাদের দৃষ্টিতে, এগুলোই সরকারী নিয়ন্ত্রনের জন্য চিন্তাশীল আহ্বান এবং গ্রহণযোগ্য ব্যবহারের জন্য নীতিমালা বিকাশের আহ্বান তোলে।" ([সুত্র](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/))
---
ভবিষ্যতে কী অপেক্ষা করছে তা এখনও দেখা বাকি, তবে এই কম্পিউটার সিস্টেম এবং সফটওয়্যার এবং অ্যালগরিদমগুলোকে বোঝা গুরুত্বপূর্ণ। আমরা আশা করি এই পাঠক্রম আপনাকে আরও ভালোভাবে বুঝতে সাহায্য করবে যাতে আপনি নিজের জন্য সিদ্ধান্ত নিতে পারেন।
ভবিষ্যতে কী ঘটবে তা দেখা বাকি, কিন্তু এই কম্পিউটার সিস্টেম এবং যেসব সফটওয়্যার ও অ্যালগরিদম তারা চালায় তা বোঝা গুরুত্বপূর্ণ। আমরা আশা করি এই কারিকুলাম আপনাকে ভালো বোঝাপড়া অর্জনে সাহায্য করবে যাতে আপনি নিজের জন্য সিদ্ধান্ত নিতে পারেন।
[](https://www.youtube.com/watch?v=mTtDfKgLm54 "ডিপ লার্নিং এর ইতিহাস")
> 🎥 উপরের ছবিতে ক্লিক করুন একটি ভিডিও দেখার জন্য: Yann LeCun এই লেকচারে ডিপ লার্নিং এর ইতিহাস নিয়ে আলোচনা করেছেন
> 🎥 উপরের ছবিতে ক্লিক করুন ভিডিওর জন্য: ইয়্যান লেকুন এই লেকচারে ডিপ লার্নিংয়ের ইতিহাস আলোচনা করছেন
---
## 🚀চ্যালেঞ্জ
এই ঐতিহাসিক মুহূর্তগুলোর মধ্যে একটি নিয়ে গভীরভাবে গবেষণা করুন এবং এর পেছনের মানুষগুলো সম্পর্কে আরও জানুন। এখানে আকর্ষণীয় চরিত্র রয়েছে, এবং কোনো বৈজ্ঞানিক আবিষ্কার কখনোই সাংস্কৃতিক শূন্যতায় তৈরি হয়নি। আপনি কী আবিষ্কার করেন?
ঐতিহাসিক মুহূর্তগুলোর মধ্যে একটিতে গভীরভাবে প্রবেশ করুন এবং তাদের পেছনের ব্যক্তিদের সম্পর্কে আরও জানুন। আকর্ষণীয় চরিত্র রয়েছে, এবং কোনো বৈজ্ঞানিক আবিষ্কার কখনো সাংস্কৃতিক শূন্যস্থান থেকে আবির্ভূত হয়নি। আপনি কী আবিষ্কার করেন?
[এই পডকাস্ট যেখানে Amy Boyd AI এর বিবর্তন নিয়ে আলোচনা করেছেন](http://runasradio.com/Shows/Show/739)
[এই পডকাস্ট যেখানে অ্যামি বোইড এআই এর বিবর্তন আলোচনা করছেন](http://runasradio.com/Shows/Show/739)
[](https://www.youtube.com/watch?v=EJt3_bFYKss "Amy Boyd এর AI এর ইতিহাস")
[](https://www.youtube.com/watch?v=EJt3_bFYKss "অ্যামি বোইড এর দ্বারা এআই এর ইতিহাস")
---
@ -151,5 +151,7 @@ Alan Turing, একজন অসাধারণ ব্যক্তি যাক
---
**অস্বীকৃতি**:
এই নথিটি AI অনুবাদ পরিষেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনুবাদ করা হয়েছে। আমরা যথাসম্ভব সঠিকতার জন্য চেষ্টা করি, তবে অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। মূল ভাষায় থাকা নথিটিকে প্রামাণিক উৎস হিসেবে বিবেচনা করা উচিত। গুরুত্বপূর্ণ তথ্যের জন্য, পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদ ব্যবহারের ফলে কোনো ভুল বোঝাবুঝি বা ভুল ব্যাখ্যা হলে আমরা দায়বদ্ধ থাকব না।
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**অস্বীকৃতি**:
এই নথিটি AI অনুবাদ পরিষেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনূদিত হয়েছে। যদিও আমরা শুদ্ধতার জন্য চেষ্টা করি, অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। মূল নথিটি তার স্বভাষায় কর্তৃত্বপূর্ণ উৎস হিসেবে বিবেচিত হওয়া উচিত। গুরুত্বপূর্ণ তথ্যের জন্য পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদের ব্যবহারে প্রয়োজনীয় ভুল বোঝাবুঝি বা ভুল ব্যাখ্যার জন্য আমরা দায়বদ্ধ নই।
এই পাঠক্রমে, আপনি আবিষ্কার করতে শুরু করবেন যে কীভাবে মেশিন লার্নিং আমাদের প্রতিদিনের জীবনে প্রভাব ফেলছে এবং ফেলতে পারে। বিশেষ করে আজকের দিনে, সিস্টেম এবং মডেলগুলি প্রতিদিনের সিদ্ধান্ত গ্রহণের কাজগুলোতে জড়িত থাকে, যেমন স্বাস্থ্যসেবা নির্ণয়, ঋণ অনুমোদন বা দুর্নীতির সনাক্তকরণ। তাই, এই মডেলগুলোর সঠিক ও বিশ্বাসযোগ্য ফলাফল দেওয়া জরুরি। যেকোন সফটওয়্যার অ্যাপ্লিকেশনের মতো, AI সিস্টেমও প্রত্যাশা পূরণ করতে না পারা বা অনাকাঙ্ক্ষিত ফলাফল দেয়ার সম্ভাবনা থাকে। এজন্য AI মডেলের আচরণ বোঝা এবং ব্যাখ্যা করার ক্ষমতা থাকা অপরিহার্য।
এই পাঠক্রমে, আপনি আবিষ্কার করতে শুরু করবেন যে মেশিন লার্নিং কীভাবে এবং কীভাবে আমাদের দৈনন্দিন জীবনে প্রভাব ফেলছে। এমনকি এখনো, সিস্টেম এবং মডেলগুলি দৈনন্দিন সিদ্ধান্ত গ্রহণের কাজগুলোতে জড়িত, যেমন স্বাস্থ্যসেবা নির্ণয়, ঋণ অনুমোদন বা জালিয়াতি সনাক্তকরণ। তাই, এই মডেলগুলো ভাল কাজ করা গুরুত্বপূর্ণ যাতে ফলাফলগুলি বিশ্বাসযোগ্য হয়। যেকোনো সফটওয়্যার অ্যাপ্লিকেশনের মত, AI সিস্টেমগুলো প্রত্যাশা মিস করতে পারে বা অনাকাঙ্ক্ষিত ফলাফল প্রদান করতে পারে। এজন্য AI মডেলের আচরণ বুঝতে এবং ব্যাখ্যা করতে পারা অত্যাবশ্যক।
ভাবুন যখন আপনি মডেল তৈরিতে ব্যবহার করা ডাটাতে কোনো নির্দিষ্ট জনগোষ্ঠীর যেমন: বর্ণ, লিঙ্গ, রাজনৈতিক মতামত, ধর্মের অভাব থাকে বা অনুপাতে বেশি প্রতিনিধিত্ব পায়, তখন কী হতে পারে? যখন মডেলের আউটপুট কোনো নির্দিষ্ট জনগোষ্ঠীর পক্ষে যায় তখন কী হয়? তার পরিণতি কী? এছাড়াও, মডেলের ফলাফল কোনো ক্ষতিকর হলে এবং মানুষের জন্য অযাচিত হলে কী ঘটে? AI সিস্টেমের আচরণের জন্য কে দায়ী? এই প্রশ্নগুলোই আমরা এই পাঠক্রমে অনুসন্ধান করব।
কল্পনা করুন, যখন আপনি যে ডেটা ব্যবহার করছেন মডেল গড়ার জন্য সেটিতে নির্দিষ্ট কিছু জনসমষ্টি যেমন জাতি, লিঙ্গ, রাজনৈতিক দৃষ্টিভঙ্গি, ধর্ম অনুপস্থিত বা অসমভাবে প্রতিনিধিত্ব করছে। যখন মডেলের আউটপুট কোনো একটি জনসমষ্টির পক্ষপাত করে ব্যাখ্যা করা হয় তখন কী হবে? প্রয়োগের জন্য এর কি পরিণতি? এছাড়াও, যখন মডেল নেতিবাচক ফল দেয় এবং মানুষের জন্য ক্ষতিকর হয় তখন কী হবে? AI সিস্টেমের আচরণের জন্য কে দায়ী? এই হল কিছু প্রশ্ন যা আমরা এই পাঠক্রমে অন্বেষণ করব।
এই পাঠে আপনি:
- মেশিন লার্নিংয়ে ন্যায়বিচারের গুরুত্ব এবং ন্যায়বিচার সংক্রান্ত ক্ষতির বিষয়ে সচেতনতা বাড়াবেন।
- আউটলায়ার এবং অস্বাভাবিক পরিস্থিতি অন্বেষণ করার অভ্যাসে পরিচিত হবেন, যাতে নির্ভরযোগ্যতা ও নিরাপত্তা নিশ্চিত করা যায়।
- অন্তর্ভুক্তিমূলক সিস্টেম ডিজাইন করে সবাইকে ক্ষমতায়িত করার প্রয়োজনীয়তা সম্পর্কে বোঝাপড়া লাভ করবেন।
- ডেটা এবং মানুষের গোপনীয়তা ও সুরক্ষা রক্ষার গুরুত্ব অন্বেষণ করবেন।
- AI মডেলের আচরণ ব্যাখ্যার জন্য গ্লাস বক্স পদ্ধতির গুরুত্ব দেখবেন।
- AI সিস্টেমে বিশ্বাস গড়ে তুলতে জবাবদিহিতা কতটা অপরিহার্য তা সচেতন থাকবেন।
- মেশিন লার্নিংএ ন্যায্যতার গুরুত্ব এবং ন্যায্যতা-সম্পর্কিত ক্ষতির বিষয়ে আপনার সচেতনতা বৃদ্ধি করবেন।
- নির্ভরযোগ্যতা এবং নিরাপত্তা নিশ্চিত করতে আউটলার এবং অস্বাভাবিক পরিস্থিতি অনুসন্ধানের প্র্যাকটিস সম্পর্কে পরিচিত হবেন।
- অন্তর্ভুক্তিমূলক সিস্টেম ডিজাইনের মাধ্যমে সবাইকে ক্ষমতায়ন করার প্রয়োজনীয়তা বুঝতে পারবেন।
- তথ্য ও মানুষের গোপনীয়তা ও নিরাপত্তা রক্ষার কি গুরুত্ব তা অন্বেষণ করবেন।
- AI মডেলের আচরণ ব্যাখ্যা করার জন্য গ্লাস বক্স পদ্ধতির গুরুত্ব দেখবেন।
- AI সিস্টেমে বিশ্বাস গড়ার জন্য দায়বদ্ধতার প্রয়োজনীয়তা সম্পর্কে সচেতন হবেন।
## পূর্বশর্ত
## পূর্বপ্রয়োজনীয়তা
পূর্বশর্ত হিসেবে, অনুগ্রহ করে "দায়িত্বশীল AI নীতি" লার্ন পাথ সম্পন্ন করুন এবং নিচের ভিডিওটি দেখুন:
পূর্বপ্রয়োজনীয়তা হিসেবে, দয়া করে "Responsible AI Principles" শেখার পথ গ্রহণ করুন এবং নিচের ভিডিওটি দেখুন:
দায়িত্বশীল AI সম্পর্কে আরও শিখতে এই [লার্ন পাথ](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) অনুসরণ করুন
এই [Learning Path](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) অনুসরণ করে দায়িত্বশীল AI সম্পর্কে আরও জানুন
[](https://youtu.be/dnC8-uUZXSc "Microsoft's Approach to Responsible AI")
[](https://youtu.be/dnC8-uUZXSc "Microsoft's Approach to Responsible AI")
> 🎥 ভিডিও দেখতে উপরের ছবিতে ক্লিক করুন: Microsoft-এর দায়িত্বশীল AI-এর পদ্ধতি
> 🎥 উপরোক্ত ছবিতে ক্লিক করে একটি ভিডিও দেখুন: Microsoft's Approach to Responsible AI
## ন্যায়বিচার
## ন্যায্যতা
AI সিস্টেমকে সবার প্রতি ন্যায়বান হতে হবে এবং একই ধরনের মানুষের গোষ্ঠীগুলোর প্রতি ভিন্নভাবে আচরণ এড়াতে হবে। উদাহরণস্বরূপ, যখন AI সিস্টেম চিকিৎসা নির্দেশনা, ঋণ আবেদন বা চাকরির ক্ষেত্রে পরামর্শ দেয়, তখন একই ধরনের উপসর্গ, আর্থিক পরিস্থিতি বা পেশাগত যোগ্যতা সম্পন্ন সবাইকে একই সুপারিশ করা উচিত। আমরা প্রত্যেকেই এমন বংশগত পক্ষপাত বহন করি যা আমাদের সিদ্ধান্ত ও কার্যকলাপকে প্রভাবিত করে। এই পক্ষপাতগুলি ডেটায় প্রতিফলিত হতে পারে যা AI সিস্টেমকে প্রশিক্ষিত করতে ব্যবহৃত হয়। কখনো কখনো এমন প্রভাব অজান্তে চলে আসে। পক্ষপাত অন্তর্ভুক্তির সজ্ঞানে সচেতন হওয়া কঠিন।
AI সিস্টেমগুলো সকলকে ন্যায্যভাবে আচরণ করা উচিত এবং একই ধরনের মানুষের একাধিক গোষ্ঠীকে বিভিন্নভাবে প্রভাবিত করা এড়ানো উচিত। উদাহরণস্বরূপ, যখন AI সিস্টেমগুলি চিকিৎসা চিকিৎসা, ঋণ আবেদন বা চাকরিতে নির্দেশনা প্রদান করে, তখন তাদের একই লক্ষণ, আর্থিক পরিস্থিতি, বা পেশাগত যোগ্যতা সম্পন্ন সবাইকে একই পরামর্শ দেওয়া উচিত। প্রত্যেক মানুষের মধ্যেই উত্তরাধিকার সূত্রে প্রাপ্ত পক্ষপাত থাকে যা আমাদের সিদ্ধান্ত ও ক্রিয়াকলাপকে প্রভাবিত করে। এই ধরণের পক্ষপাত AI সিস্টেম প্রশিক্ষণে ব্যবহৃত ডেটাতে প্রকাশ পেতে পারে। কখনো কখনো এটি অজান্তেই ঘটে। সচেতনভাবে জানা কঠিন কখন আপনি ডেটাতে পক্ষপাত প্রবেশ করাচ্ছেন।
**“অন্যায়”** মানে নেতিবাচক প্রভাব বা “ক্ষতি”, যা নির্দিষ্ট জনগোষ্ঠীর জন্য হয়, যেমন বর্ণ, লিঙ্গ, বয়স বা প্রতিবন্ধী অবস্থার ভিত্তিতে। প্রধান ন্যায়বিচার-সংক্রান্ত ক্ষতি শ্রেণীবদ্ধ করা যায়:
**“অন্যায়”** মানে হলো নেতিবাচক প্রভাব বা “ক্ষতি”, যেমন জাতি, লিঙ্গ, বয়স বা প্রতিবন্ধকতা অবস্থার ভিত্তিতে সংজ্ঞায়িত একটি গোষ্ঠীর জন্য। প্রধান ন্যায্যতা-সম্পর্কিত ক্ষতিসমূহ শ্রেণীবদ্ধ করা যায়:
- **বন্টন**, যেমন লিঙ্গ বা জাতিগততার ক্ষেত্রে এক পক্ষের পক্ষে বেশি সুবিধা দেওয়া হয়।
- **পরিষেবার গুণগত মান**। যদি আপনি এক বিশেষ পরিস্থিতির জন্য ডেটা প্রশিক্ষণ দেন কিন্তু বাস্তবতা অনেক বেশি জটিল হয়, তবে তা খারাপ সেবাতে পরিণত হয়। উদাহরণস্বরূপ, এমন একটি হ্যান্ড সাবান ডিসপেন্সার যা গাঢ় রঙের ত্বকের মানুষের উপস্থিতি শনাক্ত করতে পারে না। [তথ্যসূত্র](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **হেয় করা**। অন্যায়ভাবে কারো সমালোচনা বা খারাপ ট্যাগ দেয়া। উদাহরণস্বরূপ, একটি ছবি লেবেলিং প্রযুক্তি গাঢ় রঙের মানুষের ছবি গোড়িলাদের হিসেবে ভুল চিহ্নিত করেছিল।
- **অধিক বা কম প্রতিনিধিত্ব**। ধারণাটি হলো কোনো নির্দিষ্ট গোষ্ঠী কোনো পেশায় দেখা যায় না এবং যেকোনো পরিষেবা বা কাজ যা তা প্রাধান্য দেয়, তা ক্ষতিকর হতে পারে।
- **স্টেরিওটাইপিং**। কোনো গোষ্ঠীকে পূর্বনির্ধারিত বৈশিষ্ট্যের সাথে যুক্ত করা। উদাহরণস্বরূপ, ইংরেজি এবং তুর্কি ভাষার অনুবাদ ব্যবস্থায় লিঙ্গভিত্তিক স্টেরিওটাইপিক্যাল শব্দ থাকার কারণে ভুল হতে পারে।
- **বণ্টন**, উদাহরণস্বরূপ লিঙ্গ বা জাতি যাতে অন্যের চেয়ে প্রাধান্য পায়।
- **সেবার গুণমান**। যদি কোনো নির্দিষ্ট পরিস্থিতির জন্য ডেটা প্রশিক্ষণ দেওয়া হয় কিন্তু বাস্তবতা অনেক বেশি জটিল হয়, তাহলে খারাপ কর্মক্ষমতার সেবা হয়। উদাহরণস্বরূপ, একটি হাত ধোয়ার সাবানের ডিসপেন্সার যা অন্ধকার ত্বকের মানুষকে সনাক্ত করতে পারেনি। [Reference](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **বিরূপ মন্তব্য**। অন্যায়ভাবে সমালোচনা ও লেবেল করা। উদাহরণস্বরূপ, একটি ছবি লেবেলিং প্রযুক্তি অন্ধকার ত্বকের মানুষদের ছবিকে গরিলার মতো ভুল লেবেল করেছিল।
- **অতিরিক্ত বা কম প্রতিনিধিত্ব**। ধারণাটি হলো কোনো একটি গোষ্ঠী একটি পেশায় দেখা যায় না, আর কোনো সেবা বা ফাংশন যা সেটি প্রচার করে সেটি ক্ষতিসাধন করে।
- **স্টেরিওটাইপিং**। কোনো গোষ্ঠীকে পূর্বনির্ধারিত বৈশিষ্ট্যের সাথে যুক্ত করা। উদাহরণস্বরূপ, ইংরেজি ও তুর্কি ভাষার অনুবাদ ব্যবস্থায় লিঙ্গভিত্তিক স্টেরিওটাইপিকাল শব্দ ব্যবহারে ভুল হতে পারে।
AI সিস্টেম ডিজাইন ও পরীক্ষার সময় নিশ্চিত করতে হয় যে AI ন্যায়সঙ্গত এবং পক্ষপাতমূলক বা বৈষম্যমূলক সিদ্ধান্ত না দেয়, যা মানবকেও বাধ্যতামূলকভাবে এড়াতে হয়। AI ও মেশিন লার্নিংয়ে ন্যায়প্রদতা নিশ্চিত করা একটি জটিল সামাজিক-প্রযুক্তিগত চ্যালেঞ্জ।
AI সিস্টেম ডিজাইন এবং পরীক্ষা করার সময়, নিশ্চিত করতে হবে AI ন্যায্য এবং পক্ষপাতদুষ্ট বা বৈষম্যমূলক সিদ্ধান্ত গ্রহণের জন্য প্রোগ্রাম করা হয়নি, যা মানুষেরাও করতে পারে না। AI ও মেশিন লার্নিং-এ ন্যায্যতা নিশ্চিত রাখা জটিল সামাজিক-প্রযুক্তিগত চ্যালেঞ্জ।
### নির্ভরযোগ্যতা এবং নিরাপত্তা
বিশ্বাস গড়ে তুলতে AI সিস্টেমগুলোকে সাধারণ ও অপ্রত্যাশিত পরিস্থিতিতেও নির্ভরযোগ্য, নিরাপদ এবং নিয়মিত থাকতে হবে। একাধিক পরিস্থিতিতে বিশেষ করে আউটলায়ার হলে AI সিস্টেম কেমন আচরণ করবে জানা গুরুত্বপূর্ণ। AI সমাধান গড়ে তোলার সময়ে AI সমাধানগুলো বিভিন্ন পরিস্থিতি মোকাবেলার উপর শক্ত ফোকাস থাকা প্রয়োজন। উদাহরণস্বরূপ, স্বয়ংচালিত গাড়ি মানুষের নিরাপত্তাকে সর্বোচ্চ অগ্রাধিকার দেবে। তাই গাড়িকে AI চালিত করার সময় গাড়িটি রাত, বিদ্যুৎ ঝড়, তুষারঝড়, রাস্তা পারাপারকারী শিশু, পোষা প্রাণী, রাস্তা নির্মাণ ইত্যাদি সকল সম্ভাব্য পরিস্থিতি বিবেচনা করতে হবে। একটি AI সিস্টেম কতটা ভালোভাবে এবং নিরাপদে বিভিন্ন পরিবেশ মোকাবেলা করতে পারে তা প্রকৌশলী বা AI ডেভেলপার কতটা পূর্বাভাস দিয়েছে, তা প্রতিফলিত করে।
বিশ্বাস গড়ে তুলতে, AI সিস্টেমগুলিকে নির্ভরযোগ্য, নিরাপদ ও সাধারণ এবং অপ্রত্যাশিত অবস্থায় ধারাবাহিক হতে হবে। বিভিন্ন পরিস্থিতিতে AI সিস্টেম কেমন আচরণ করবে জানা গুরুত্বপূর্ণ, বিশেষ করে যখন তারা আউটলার হয়। AI সমাধান তৈরি করার সময় বিভিন্ন বিচিত্র পরিস্থিতির মোকাবেলায় যথেষ্ট মনোযোগ দিতে হবে যা AI সিস্টেম পেতে পারে। উদাহরণস্বরূপ, একটি স্বয়ংচালিত গাড়ি মানুষের নিরাপত্তাকে সর্বোচ্চ অগ্রাধিকার দিতে হবে। তাই গাড়ির AI-কে সন্ধ্যা, ঝড়, তুষারঝড়, রাস্তা পার হওয়া শিশুরা, পোষা প্রাণী, রাস্তা নির্মাণ ইত্যাদি পরিস্থিতি বিবেচনা করতে হবে। একটি AI সিস্টেম কীভাবে বিস্তৃত পরিস্থিতি নির্ভরযোগ্য ও নিরাপদে মোকাবেলা করে তা ডিজাইন বা পরীক্ষার সময় ডেটা বিজ্ঞানী বা AI ডেভেলপার কতটা পূর্বাভাস দিয়েছেন তা প্রতিফলিত করে।
> [🎥 ভিডিও দেখতে এখানে ক্লিক করুন: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
> [🎥 এখানে ক্লিক করুন ভিডিওর জন্য: AI-এ নির্ভরযোগ্যতা এবং নিরাপত্তা](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
### অন্তর্ভুক্তিমূলকতা
AI সিস্টেম এমনভাবে ডিজাইন করা উচিত যা সবাইকে জড়িত করে এবং ক্ষমতায়িত করে। AI সিস্টেম ডিজাইন ও বাস্তবায়নের সময় ডেটা বিজ্ঞানী ও ডেভেলপাররা সিস্টেমের সম্ভাব্য প্রতিবন্ধকতাগুলো সনাক্ত করে যা মানুষের বেছে নিয়ে বাদ দিতে পারে। উদাহরণস্বরূপ, বিশ্বে ১ বিলিয়ন প্রতিবন্ধী মানুষ আছেন। AI প্রগতির মাধ্যমে তারা প্রতিদিনের জীবনে তথ্য ও সুযোগ আরও সহজে পেতে পারেন। প্রতিবন্ধকতাগুলো মোকাবেলা করে, everyoneকে উপকৃত করে এমন AI পণ্য উদ্ভাবন এবং উন্নয়নের সুযোগ তৈরি হয়।
AI সিস্টেম ডিজাইন করা উচিত সবাইকে সক্রিয় এবং ক্ষমতায়িত করার জন্য। যখন AI সিস্টেম ডিজাইন ও বাস্তবায়ন করেন, তখন ডেটা বিজ্ঞানী এবং ডেভেলপাররা সিস্টেমে এমন বাধাগুলো শনাক্ত করে ও সমাধান করেন যা অনিচ্ছাকৃতভাবে মানুষকে বর্জন করতে পারে। উদাহরণস্বরূপ, পৃথিবীতে প্রায় ১ বিলিয়ন প্রতিবন্ধী মানুষ রয়েছে। AI-এর অগ্রগতির সাথে তারা দৈনন্দিন জীবনে সহজে অনেক তথ্য ও সুযোগ পেতে পারে। বাধাগুলো ঠিক করে AI পণ্য উন্নয়ন ও উদ্ভাবনের সুযোগ সৃষ্টি হয় যা সবার জন্য উন্নত অভিজ্ঞতা প্রদান করে।
> [🎥 AI-তে অন্তর্ভুক্তিমূলকতা সম্পর্কে ভিডিও দেখতে এখানে ক্লিক করুন](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
> [🎥 এখানে ক্লিক করুন ভিডিওর জন্য: AI-এ অন্তর্ভুক্তিমূলকতা](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
### সুরক্ষা ও গোপনীয়তা
### নিরাপত্তা এবং গোপনীয়তা
AI সিস্টেম নিরাপদ হওয়া উচিত এবং মানুষের গোপনীয়তা সম্মান করা উচিত। যারা তাদের গোপনীয়তা, তথ্য বা জীবন ঝুঁকিতে ফেলে এমন সিস্টেমে কম বিশ্বাস করে। মেশিন লার্নিং মডেল প্রশিক্ষণের সময় সেরা ফলাফল পাওয়ার জন্য আমরা ডেটার ওপর নির্ভর করি। এজন্য ডেটার উৎস ও অখণ্ডতা বিবেচনা জরুরি। যেমন, ডেটা ব্যবহারকারী জমা দিয়েছেন কি না বা এটি কি প্রকাশ্যে উপলব্ধ ছিল? পরবর্তী ধাপে, ডেটার সঙ্গে কাজ করার সময় গোপনীয় তথ্য রক্ষা এবং আক্রমণ প্রতিরোধী AI সিস্টেম তৈরি করা আবশ্যক। AI ব্যাপক হওয়ায় গোপনীয়তা এবং গুরুত্বপূর্ণ ব্যক্তিগত ও ব্যবসায়িক তথ্য রক্ষা করা আরও গুরুত্বপূর্ণ ও জটিল হয়ে দাঁড়িয়েছে। গোপনীয়তা ও ডেটা সুরক্ষা সমস্যা AI-র জন্য বিশেষ মনোযোগ দাবি করে কারণ সঠিক ও সচেতন পূর্বাভাস ও সিদ্ধান্ত নেওয়ার জন্য AI সিস্টেমের ডেটা প্রবেশাধিকার অপরিহার্য।
AI সিস্টেম নিরাপদ হওয়া উচিত এবং মানুষের গোপনীয়তা সম্মান করা উচিত। যারা তাদের গোপনীয়তা, তথ্য বা জীবন ঝুঁকিতে ফেলে, সেসব সিস্টেমে মানুষের বিশ্বাস কম থাকে। মেশিন লার্নিং মডেল প্রশিক্ষণে আমরা ডেটার ওপর নির্ভর করি সর্বোত্তম ফলাফল দেওয়ার জন্য। তাই ডেটার উৎস এবং অখণ্ডতা বিবেচনা করা অপরিহার্য। যেমন, ডেটা ব্যবহারকারী দ্বারা জমা দেওয়া নাকি প্রকাশ্যে পাওয়া যায়? এরপর কাজ করার সময় গোপনীয় তথ্য রক্ষা করতে পারে এবং আক্রমণের প্রতিরোধ করতে পারে এমন AI সিস্টেম তৈরি করতে হবে। AI যখন প্রচলিত হচ্ছে, ব্যক্তিগত ও ব্যবসায়িক তথ্য সুরক্ষা আরও গুরুত্বপূর্ণ ও জটিল হচ্ছে। গোপনীয়তা এবং ডেটা নিরাপত্তা AI-এর জন্য বিশেষভাবে গুরুত্বপূর্ণ কারণ সঠিক ও তথ্যভিত্তিক পূর্বাভাস ও সিদ্ধান্ত নিতে AI সিস্টেমের ডেটা প্রবেশাধিকার অপরিহার্য।
> [🎥 AI-তে সুরক্ষা সম্পর্কে ভিডিও দেখতে এখানে ক্লিক করুন](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 এখানে ক্লিক করুন ভিডিওর জন্য: AI-এ নিরাপত্তা](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- একটি শিল্প হিসেবে, আমরা গোপনীয়তা ও সুরক্ষায় উল্লেখযোগ্য অগ্রগতি করেছি, বিশেষ করে GDPR (জনरल ডেটা প্রোটেকশন রেগুলেশন) এর মত নিয়মকানুন দ্বারা চালিত হয়।
- তবে AI সিস্টেমে আমাদের মেনে নিতে হবে যে, ব্যক্তিগত ডেটার বেশি প্রয়োজন এবং গোপনীয়তার মধ্যে একটি টানাপোড়েন আছে।
- যেমন ইন্টারনেটের জন্মের সময় সংযুক্ত কম্পিউটারগুলোর ক্ষেত্রে, এখনও AI-এর সাথে সম্পর্কিত সুরক্ষা সমস্যাগুলোর ব্যাপক বৃদ্ধি দেখছি।
- একই সাথে, আমরা দেখেছি AI কে সুরক্ষা উন্নত করতে ব্যবহার করা হচ্ছে। উদাহরণস্বরূপ, অধিকাংশ আধুনিক অ্যান্টিভাইরাস স্ক্যানার আজকাল AI হিউরিস্টিক দ্বারা চালিত হয়।
- আমাদের ডেটা সায়েন্স প্রক্রিয়াগুলো সম্প্রতি গোপনীয়তা এবং সুরক্ষার সর্বাধুনিক অনুশীলনের সাথে αρμονিয়ভাবে মিশতে হবে।
- শিল্প হিসেবে আমরা গোপনীয়তা ও নিরাপত্তায় উল্লেখযোগ্য অগ্রগতি করেছি, যা GDPR (General Data Protection Regulation) মত নিয়মাবলীর দ্বারা ব্যাপকভাবে চালিত।
- তথাপি AI সিস্টেমে আমাদের স্বীকার করতে হবে যে ব্যক্তিগত ডেটা বেশি প্রয়োজন যাতে সিস্টেম আরও ব্যক্তিগত এবং কার্যকর হয়—এবং গোপনীয়তার মধ্যে উত্তেজনা থাকে।
- যেমন ইন্টারনেট সংযুক্ত কম্পিউটারের জন্মের সময়, এখন AI সম্পর্কিত অনেক নিরাপত্তা সমস্যা বেড়ে চলেছে।
- একই সঙ্গে আমরা দেখছি AI নিরাপত্তা উন্নত করার জন্য ব্যবহৃত হচ্ছে। উদাহরণস্বরূপ, বর্তমানে আধুনিক অ্যান্টিভাইরাস স্ক্যানারগুলো AI হিউরিস্টিক দ্বারা চালিত।
- আমাদের নিশ্চিত করতে হবে ডেটা সায়েন্স প্রক্রিয়াগুলো সাম্প্রতিক গোপনীয়তা ও নিরাপত্তা অনুশীলনের সাথে সাদৃশ্যপূর্ণ।
### স্বচ্ছতা
AI সিস্টেম বোঝাপড়াযোগ্য হওয়া উচিত। স্বচ্ছতার একটি গুরুত্বপূর্ণ অংশ হলো AI সিস্টেম ও তাদের উপাদানগুলোর আচরণ ব্যাখ্যা করা। AI সিস্টেমের ভালো বোঝাপড়া নিশ্চিত করতে অংশীদারদের বুঝতে হবে তারা কেন এবং কীভাবে কাজ করে যাতে তারা সম্ভাব্য কর্মক্ষমতা সমস্যা, নিরাপত্তা ও গোপনীয়তা উদ্বেগ, পক্ষপাত, বঞ্চনামূলক অনুশীলন অথবা অনিচ্ছাকৃত ফলাফলের সনাক্তকরণ করতে পারে। আমরা বিশ্বাস করি AI ব্যবহারকারীদের উচিত সতর্ক এবং সৎ হওয়া যে কখন, কেন এবং কীভাবে তারা AI ব্যবহার করছেন, এবং ব্যবহৃত সিস্টেমের সীমাবদ্ধতা সম্পর্কে জানান। উদাহরণস্বরূপ, যদি একটি ব্যাংক তাদের ভোক্তা ঋণ সিদ্ধান্ত সমর্থনে AI সিস্টেম ব্যবহার করে, তবে ফলাফলগুলি নিরীক্ষণ ও বুঝা জরুরি কোন ডেটা সিস্টেমের পরামর্শকে প্রভাবিত করে। সরকার শিল্পগুলোর AI নিয়ন্ত্রণ শুরু করছে, তাই ডেটা বিজ্ঞানী ও প্রতিষ্ঠানগুলোকে ব্যাখ্যা করতে হবে যদি AI সিস্টেম আইনগত শর্ত পূরণ করে, বিশেষ করে অনিচ্ছাকৃত ফলাফল হলে।
AI সিস্টেম বুঝতে সুবিধাজনক হওয়া উচিত। স্বচ্ছতার অন্যতম গুরুত্বপূর্ণ অংশ হলো AI সিস্টেম ও তাদের উপাদানগুলোর আচরণ ব্যাখ্যা করা। AI সিস্টেম বোধগম্য করতে স্টেকহোল্ডারদের বুঝতে হবে কিভাবে এবং কেন তারা কাজ করে যাতে তারা সম্ভাব্য কর্মক্ষমতা সমস্যা, নিরাপত্তা ও গোপনীয়তা উদ্বেগ, পক্ষপাত, বর্জনমূলক প্র্যাকটিস বা অনাকাঙ্ক্ষিত ফলাফল চিহ্নিত করতে পারে। আমরা বিশ্বাস করি যারা AI সিস্টেম ব্যবহার করে তারা কখন, কেন এবং কিভাবে সেগুলো ব্যবহার করবে সে বিষয়ে খোলাখুলি এবং সততা বজায় রাখবে। তাদের ব্যবহৃত সিস্টেমের সীমাবদ্ধতাও জানাতে হবে। উদাহরণস্বরূপ, যদি কোনো ব্যাংক গ্রাহকের ঋণ সিদ্ধান্তে AI সিস্টেম ব্যবহার করে, ফলাফল পরীক্ষা করা এবং জানতে হবে কোন ডেটা সিস্টেমের সুপারিশে প্রভাব ফেলে। সরকার শিল্পগুলোতে AI নিয়ন্ত্রণ শুরু করেছে, তাই ডেটা বিজ্ঞানী ও প্রতিষ্ঠানকে ব্যাখ্যা করতে হবে AI সিস্টেম নিয়ন্ত্রক চাহিদা পূরণ করে কি না, বিশেষত যখন অপ্রত্যাশিত ফল হয়।
> [🎥 AI-তে স্বচ্ছতা সম্পর্কিত ভিডিও দেখতে এখানে ক্লিক করুন](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 এখানে ক্লিক করুন ভিডিওর জন্য: AI-এ স্বচ্ছতা](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- AI সিস্টেমগুলি এত জটিল যে তারা কীভাবে কাজ করে এবং ফলাফল কেমন আসে বোঝা কঠিন।
- এর ফলে এই সিস্টেমগুলোর ব্যবস্থাপনা, প্রয়োগ এবং নথিবদ্ধকরণ প্রভাবিত হয়।
- সবচেয়ে গুরুত্বপূর্ণ, এর ফলে সিস্টেমগুলোর ফলাফল ব্যবহার করে যেসব সিদ্ধান্ত নেওয়া হয়, তারা প্রভাবিত হয়।
- AI সিস্টেম অত্যন্ত জটিল, তাই কীভাবে কাজ করে এবং ফলাফল ব্যাখ্যা করা কঠিন।
- এই বোঝাপড়ার অভাবে সিস্টেমগুলি ব্যবস্থাপনা, অপারেশন ও নথিভুক্তকরণে প্রভাব পড়ে।
- সবচেয়ে গুরুত্বপূর্ণ, এই বোঝাপড়ার অভাবে এই সিস্টেমগুলি তৈরি ফলাফলের ভিত্তিতে গৃহীত সিদ্ধান্তগুলিতে প্রভাব পড়ে।
### জবাবদিহিতা
### দায়িত্ব
যারা AI সিস্টেম ডিজাইন ও প্রয়োগ করে তাদের সিস্টেমের কার্যকরির জন্য দায়ী হতে হবে। বিশেষত ফেসিয়াল রিকগনিশন মত সংবেদনশীল প্রযুক্তিতে জবাবদিহিতা অপরিহার্য। সম্প্রতি, ফেসিয়াল রিকগনিশন প্রযুক্তির উপর চাহিদা বেড়েছে, বিশেষত আইন প্রয়োগকারী সংস্থাগুলো থেকে যারা হারানো শিশু খুঁজে পেতে সম্ভাবনা দেখছেন। তবে এই প্রযুক্তি সরকার দ্বারা নাগরিকদের মৌলিক স্বাধীনতা ঝুঁকিতে ফেলতে ব্যবহৃত হতে পারে যেমন নির্দিষ্ট ব্যক্তিদের অব্যাহত নজরদারি চালানোর মাধ্যমে। তাই, ডেটা বিজ্ঞানী ও প্রতিষ্ঠানগুলোকে দায়িত্বশীল হতে হবে AI সিস্টেম মানুষ অথবা সমাজে কী প্রভাব ফেলে তার জন্য।
যারা AI সিস্টেম ডিজাইন ও বাস্তবায়ন করে তারা তাদের সিস্টেমের অপারেশনের জন্য দায়িত্বশীল হতে হবে। দায়িত্বপূর্ণ থাকা বিশেষভাবে গুরুত্বপূর্ণ স্পর্শকাতর প্রযুক্তির জন্য যেমন মুখ সনাক্তকরণ। সম্প্রতি, মুখ সনাক্তকরণ প্রযুক্তির চাহিদা বাড়ছে, বিশেষত আইন প্রয়োগকারী সংস্থার থেকে যারা মিসিং শিশু খুঁজে পাওয়ার মতো কাজে এর সম্ভাবনা দেখে। তবে এই প্রযুক্তি সরকার কর্তৃক নাগরিকদের মৌলিক স্বাধীনতাকে ঝুঁকিতে ফেলার জন্য যেমন নিরবিচ্ছিন্ন নজরদারিতে ব্যবহৃত হতে পারে। সুতরাং, ডেটা বিজ্ঞানী ও প্রতিষ্ঠানদের দায়িত্ব নিতে হবে AI সিস্টেমের প্রভাব সম্পর্কে যা ব্যক্তি বা সমাজকে প্রভাবিত করে।
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI")
> 🎥 ভিডিও দেখতে উপরের ছবিতে ক্লিক করুন: ফেসিয়াল রিকগনিশন দ্বারা বৃহৎ পর্যবেক্ষণের সতর্কতা
> 🎥 উপরোক্ত ছবিতে ক্লিক করে একটি ভিডিও দেখুন: মুখ সনাক্তকরণের মাধ্যমে ব্যাপক নজরদারির সতর্কতা
আমাদের প্রজন্মের জন্য সবচেয়ে বড় প্রশ্নগুলোর মধ্যে একটি হলো, আমরা কিভাবে নিশ্চিত করব যে কম্পিউটার মানুষের প্রতি দায়বদ্ধ থাকবে এবং যারা কম্পিউটার ডিজাইন করে তারা সকলের প্রতি দায়বদ্ধ থাকবে।
মূলত আমাদের প্রজন্মের জন্য সবচেয়ে বড় প্রশ্ন হলো, যেহেতু আমরা প্রথম প্রজন্ম যারা AI সমাজে নিয়ে আসছে, কীভাবে নিশ্চিত করা যায় কম্পিউটাররা মানুষের প্রতি দায়িত্বশীল থাকবে এবং যারা কম্পিউটার ডিজাইন করে তারা অন্য সবার প্রতি দায়িত্বশীল থাকবে।
## প্রভাব মূল্যায়ন
## প্রভাব মূল্যায়ন
মেশিন লার্নিং মডেল প্রশিক্ষণের আগে, AI সিস্টেমের উদ্দেশ্য, এর পরিকল্পিত ব্যবহার, কোথায় এটি বসানো হবে এবং কারা সিস্টেমের সঙ্গে ইন্টার্যাক্ট করবে তা বোঝার জন্য প্রভাব মূল্যায়ন করা জরুরি। এটি রিভিউয়ার বা টেস্টারদের জন্য উপকারী যারা সিস্টেম পর্যালোচনা করছেন, যাতে তারা সম্ভাব্য ঝুঁকি ও প্রত্যাশিত পরিণতি নির্ধারণের জন্য প্রাসঙ্গিক বিষয় বিবেচনা করতে পারেন।
মেশিন লার্নিং মডেল প্রশিক্ষণের আগে, AI সিস্টেমের উদ্দেশ্য বুঝতে একটি প্রভাব মূল্যায়ন করা গুরুত্বপূর্ণ; এর ব্যবহার কী; কোথায় এটি বাস্তবায়িত হবে; এবং কে সিস্টেমের সাথে ইন্টারাক্ট করবে। এটি রিভিউয়ার বা পরীক্ষকের জন্য কার্যকর যারা সিস্টেম পর্যালোচনার সময় সম্ভাব্য ঝুঁকি এবং প্রত্যাশিত পরিণতি নিরূপনে বিষয়গুলো বিবেচনা করবে।
প্রভাব মূল্যায়ন করার সময় নিম্নলিখিত বিষয়গুলো ফোকাসের অধীনে থাকে:
প্রভাব মূল্যায়ন করার সময় নিম্নলিখিত ক্ষেত্রগুলো ফোকাস হয়:
* **ব্যক্তিগত ওপর নেতিবাচক প্রভাব**। কোন বিধিনিষেধ, সীমাবদ্ধতা, অপর্যাপ্ত ব্যবহার বা পরিচিত সীমাবদ্ধতা যা সিস্টেমের কর্মদক্ষতাকে বাধাগ্রস্ত করে, তা জেনে রাখা জরুরি যেন সিস্টেম মানুষের ক্ষতি করতে ব্যবহৃত না হয়।
* **ডেটা প্রয়োজনীয়তা**। সিস্টেম কিভাবে এবং কোথায় ডেটা ব্যবহার করবে তা বোঝার মাধ্যমে রিভিউয়াররা কোন ডেটা নিয়ম (যেমন, GDPR বা HIPAA) মেনে চলা প্রয়োজন কী না তা পরীক্ষা করতে পারবেন। আর ডেটার উৎস বা পরিমাণ প্রশিক্ষণের জন্য যথেষ্ট কি না তাও নিশ্চিত করবেন।
* **প্রভাবের সারাংশ**। সিস্টেম ব্যবহার থেকে সম্ভাব্য ক্ষতির একটি তালিকা সংগ্রহ করুন। পুরো মেশিন লার্নিং ব lifecycle জুড়ে এই সমস্যা সমাধান বা মোকাবেলা হচ্ছে কিনা তা পর্যালোচনা করুন।
* প্রতিটি ছয়টি মূল নীতির জন্য**প্রযোজ্য লক্ষ্য**। প্রতিটি নীতির লক্ষ্যে পৌঁছানো হয়েছে কিনা এবং কোনো ফাঁক আছে কিনা তা মূল্যায়ন করুন।
* **ব্যক্তিদের উপর নেতিবাচক প্রভাব**। যেকোনো সীমাবদ্ধতা, বাধা বা অপ্রত্যাশিত ব্যবহার ও সীমাবদ্ধতার সচেতন থাকা জরুরি যাতে সিস্টেম স্বাস্থ্যের জন্য ক্ষতিকর না হয়।
* **ডেটা চাহিদা**। সিস্টেম ডেটা ব্যবহার করবে কোথায় ও কীভাবে তা বোঝা রিভিউয়ারদের ডেটা চাহিদা যেমন GDPR বা HIPAA ডেটা নিয়মাবলী যাচাই করতে সাহায্য করে। এছাড়া ডেটার উৎস বা পরিমাণ প্রশিক্ষণের জন্য যথেষ্ট কিনা তা খতিয়ে দেখা।
* **প্রভাবের সারাংশ**। সিস্টেম ব্যবহারের ফলে উদ্ভূত সম্ভাব্য ক্ষতির তালিকা সংগ্রহ। ML জীবনচক্র জুড়ে নির্ধারিত সমস্যা মোকাবেলা বা সমাধান হয়েছে কিনা পর্যালোচনা।
* **সম্ভাব্য লক্ষ্যসমূহ** প্রতিটি ছয়টি মূল নীতির জন্য। মূলনীতির লক্ষ্য পূরণ হয়েছে কিনা এবং কোনো ফাঁক আছে কিনা মূল্যায়ন।
## দায়িত্বশীল AI দিয়ে ডিবাগিং
## দায়িত্বশীল AI দিয়ে ডিবাগিং
সফটওয়্যার অ্যাপ্লিকেশন ডিবাগিংয়ের মতোই, AI সিস্টেমে সমস্যা চিহ্নিত করা এবং সমাধান করা একটি অপরিহার্য প্রক্রিয়া। মডেল প্রত্যাশিত বা দায়িত্বশীলভাবে কাজ না করার অনেক কারণ থাকতে পারে। অনেক প্রচলিত মডেল কর্মক্ষমতা মেট্রিক্স একটি মডেলের ফলাফলের পরিমাণগত সামগ্রিক হিসাব প্রদান করে, যা দায়িত্বশীল AI নীতিমালা লঙ্ঘনের বিশ্লেষণে যথেষ্ট নয়। তদুপরি, মেশিন লার্নিং মডেল একটি কালো বাক্স যা এর ফলাফলের কারণ বোঝা বা ভুল হলে ব্যাখ্যা দেওয়া কঠিন করে তোলে। এই কোর্সের পরে, আমরা শেখব কিভাবে দায়িত্বশীল AI ড্যাশবোর্ড ব্যবহার করে AI সিস্টেম ডিবাগ করতে হয়। ড্যাশবোর্ড ডেটা বিজ্ঞানী ও AI ডেভেলপারদের জন্য একটি সমন্বিত টুল যা নিম্নলিখিত কাজ করতে সাহায্য করে:
সফটওয়্যার অ্যাপ্লিকেশন ডিবাগ করার মত, AI সিস্টেম ডিবাগিং হলো সিস্টেমের সমস্যা সনাক্ত ও সমাধানের প্রয়োজনীয় প্রক্রিয়া। অনেক কারণ আছে যার ফলে মডেল প্রত্যাশিত বা দায়িত্বশীলভাবে কাজ করে না। অধিকাংশ প্রচলিত মডেল পারফরমেন্স মেট্রিক হলো মডেলের পারফরমেন্সের পরিমাণগত সারাংশ, যা পর্যাপ্ত নয় যখন বিশ্লেষণ করতে হয় কিভাবে মডেল দায়িত্বশীল AI নীতিমালা লঙ্ঘন করে। তদুপরি, মেশিন লার্নিং মডেল একটি ব্ল্যাক বক্স যা তার ফলাফলের কারণ বুঝতে ও ভুল হলে ব্যাখ্যা দিতে কঠিন। পরবর্তী এই কোর্সে, আমরা শিখব কিভাবে দায়িত্বশীল AI ড্যাশবোর্ড ব্যবহার করে AI সিস্টেম ডিবাগ করা যায়। ড্যাশবোর্ড ডেটা বিজ্ঞানী এবং AI ডেভেলপারদের জন্য একটি হোলিস্টিক টুল যা প্রদান করে:
* **ত্রুটি বিশ্লেষণ**। মডেলের ত্রুটি বণ্টন চিহ্নিত করতে যা সিস্টেমের ন্যায়বিচার বা নির্ভরযোগ্যতাকে প্রভাবিত করতে পারে।
* **মডেল ওভারভিউ**। ডেটা গোষ্ঠীগুলোর মধ্যে মডেলের পারফরম্যান্সের পার্থক্য কোথায় তা আবিষ্কার করতে।
* **ডেটা বিশ্লেষণ**। ডেটা বণ্টন বোঝার ও ডেটায় যে কোনো পক্ষপাত চিহ্নিত করার জন্য, যা ন্যায়বিচার, অন্তর্ভুক্তিমূলকতা, এবং নির্ভরযোগ্যতার সমস্যা তৈরি করতে পারে।
* **মডেল ব্যাখ্যাযোগ্যতা**। মডেলের পূর্বাভাসকে কী প্রভাবিত করে বা প্রভাব ফেলছে তা বুঝতে। এটি মডেলের আচরণ ব্যাখ্যা করতে সাহায্য করে যা স্বচ্ছতা ও জবাবদিহিতার জন্য গুরুত্বপূর্ণ।
* **ত্রুটি বিশ্লেষণ**। মডেলের ত্রুটি বিতরণ নির্ধারণ করতে যা সিস্টেমের ন্যায্যতা বা নির্ভরযোগ্যতার ওপর প্রভাব ফেলে।
* **মডেল ওভারভিউ**। ডেটা কোহর্টের মধ্যে মডেলের পারফরমেন্স বৈষম্য কোথায় তা আবিষ্কার করতে।
* **ডেটা বিশ্লেষণ**। ডেটা বিতরণ বুঝতে এবং সম্ভাব্য পক্ষপাত সনাক্ত করতে যা ন্যায্যতা, অন্তর্ভুক্তিমূলকতা ও নির্ভরযোগ্যতার সমস্যা সৃষ্টি করতে পারে।
* **মডেল ব্যাখ্যাযোগ্যতা**। মডেলের পূর্বাভাসে কি প্রভাব ফেলে তা বুঝতে। এটি মডেলের আচরণ ব্যাখ্যা করতে সাহায্য করে, যা স্বচ্ছতা ও দায়িত্বের জন্য গুরুত্বপূর্ণ।
## 🚀 চ্যালেঞ্জ
## 🚀 চ্যালেঞ্জ
প্রথম থেকেই বিপদ এড়াতে আমাদের উচিত:
ক্ষতি প্রথম থেকেই প্রতিরোধ করতে হলে আমাদের:
- সিস্টেমে কাজ করা মানুষের মধ্যে বিভিন্ন পটভূমি ও দৃষ্টিভঙ্গির বৈচিত্র রাখা
- এমন ডেটাসেটগুলিতে বিনিয়োগ করা যা আমাদের সমাজের বৈচিত্র প্রতিফলিত করে
- মেশিন লার্নিং লাইফসাইকেলের প্রতিটি ধাপে দায়িত্বশীল AI এর ত্রুটি সনাক্ত ও সংশোধনের উন্নত পদ্ধতি উন্নয়ন করা
- সিস্টেমে কাজ করা মানুষের মধ্যে পটভূমি ও দৃষ্টিভঙ্গির বৈচিত্র্য থাকতে হবে
- আমাদের সমাজের বৈচিত্র্য প্রতিফলিত করে এমন ডেটাসেটে বিনিয়োগ করতে হবে
- পুরো মেশিন লার্নিং জীবনচক্র জুড়ে দায়িত্বহীন AI সনাক্ত ও সংশোধনের উন্নত পদ্ধতি তৈরি করতে হবে
বাস্তব জীবনের পরিস্থিতি ভাবুন যেখানে মডেলের অবিশ্বাসযোগ্যতা মডেল নির্মাণ ও ব্যবহারে স্পষ্ট। আর কী বিবেচনা করা উচিত?
বাস্তব জীবনের পরিস্থিতি সম্পর্কে ভাবুন যেখানে মডেলের অবিশ্বাসযোগ্যতা মডেল নির্মাণ ও ব্যবহারে স্পষ্ট। আর কী বিবেচনা করা উচিত?
এই পাঠে, আপনি মেশিন লার্নিংয়ে ন্যায্যতা এবং অন্যায়তার ধারণাগুলির কিছু মৌলিক বিষয় শিখেছেন।
এই পাঠে, আপনি মেশিন লার্নিংয়ে ন্যায্যতা এবং অন্যায়ের মৌলিক ধারণাগুলো শিখেছেন।
এই কর্মশালাটি দেখুন বিষয়গুলির ওপর গভীরভাবে জানতে:
নিচের কর্মশালা দেখুন বিষয়গুলো গভীরভাবে বুঝতে:
- দায়িত্বশীল AI অনুসরণে: নীতিগুলোকে অনুশীলনে আনা Besmira Nushi, Mehrnoosh Sameki এবং Amit Sharma দ্বারা
- দায়িত্বশীল AI অনুসরণে: নীতিমালা বাস্তবে আনার উপর Besmira Nushi, Mehrnoosh Sameki এবং Amit Sharma দ্বারা
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: দায়িত্বশীল এআই তৈরির জন্য একটি ওপেন-সোর্স ফ্রেমওয়ার্ক")
> 🎥 উপরের ছবিতে ক্লিক করুন একটি ভিডিওর জন্য: RAI Toolbox: An open-source framework for building responsible AI by Besmira Nushi, Mehrnoosh Sameki, and Amit Sharma
> 🎥 উপরের ছবিতে ক্লিক করে একটি ভিডিও দেখুন: RAI Toolbox: দায়িত্বশীল এআই তৈরির জন্য একটি ওপেন-সোর্স ফ্রেমওয়ার্ক, তৈরি করেছেন বেসমিরা নুশি, মেহরনুশ সামেকি, এবং অমিত শর্মা
এছাড়াও পড়ুন:
- মাইক্রোসফটের RAI রিসোর্স সেন্টার: [Responsible AI Resources – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- মাইক্রোসফটের FATE গবেষণা দল: [FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
- মাইক্রোসফটের FATE গবেষণা দল: [FATE: ন্যায্যতা, জবাবদিহিতা, স্বচ্ছতা, এবং নৈতিকতা এআই-তে - মাইক্রোসফট রিসার্চ](https://www.microsoft.com/research/theme/fate/)
RAI Toolbox:
- [Responsible AI Toolbox GitHub repository](https://github.com/microsoft/responsible-ai-toolbox)
> ### [এই পাঠটি R এ পাওয়া যায়!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
## পরিচিতি
## ভূমিকা
এই চারটি পাঠে, আপনি কিভাবে রিগ্রেশন মডেল তৈরি করতে হয় তা জানবেন। আমরা এক্ষুনি আলোচনা করব এগুলি কী জন্য। কিন্তু কিছু করার আগে, নিশ্চিত করুন যে আপনার কাছে প্রক্রিয়া শুরু করার জন্য সঠিক সরঞ্জাম রয়েছে!
এই চারটি পাঠে, আপনি কীভাবে রিগ্রেশন মডেল তৈরি করতে হয় তা আবিষ্কার করবেন। আমরা শীঘ্রই আলোচনা করব এগুলো কী জন্য ব্যবহৃত হয়। কিন্তু আপনি যেকোনো কিছু করার আগে, নিশ্চিত করুন আপনার কাছে প্রক্রিয়া শুরু করার জন্য সঠিক সরঞ্জাম রয়েছে!
এই পাঠে, আপনি শিখবেন কিভাবে:
এই পাঠে, আপনি শিখবেন কীভাবে:
- আপনার কম্পিউটারকে স্থানীয় মেশিন লার্নিং কাজের জন্য কনফিগার করবেন।
- জুপিটার নোটবুকের সাথে কাজ করবেন।
- স্কিকিট-লার্ন ব্যবহার করবেন, ইনস্টলেশনসহ।
- একটি হাতে-কলমে অনুশীলন সহ লিনিয়ার রিগ্রেশন অন্বেষণ করবেন।
- লোকাল মেশিন লার্নিং কাজের জন্য আপনার কম্পিউটার কনফিগার করবেন।
- Jupyter নোটবুকের সাথে কাজ করবেন।
- Scikit-learn ব্যবহার করবেন, ইনস্টলেশনসহ।
- হাতে-কলমে একটি অনুশীলনের মাধ্যমে লিনিয়ার রিগ্রেশন বিনিয়োগ করবেন।
## ইনস্টলেশন এবং কনফিগারেশন
[](https://youtu.be/-DfeD2k2Kj0 "শুরুর জন্য এমএল - মেশিন লার্নিং মডেল তৈরির জন্য আপনার টুলস প্রস্তুত করুন")
[](https://youtu.be/-DfeD2k2Kj0 "শুরু কর্নার জন্য ML - মেশিন লার্নিং মডেল তৈরির জন্য আপনার সরঞ্জাম প্রস্তুত করুন")
> 🎥 এমএল কনফিগার করার জন্য একটি সংক্ষিপ্ত ভিডিও দেখতে উপরের চিত্রে ক্লিক করুন।
> 🎥 আপনার কম্পিউটারকে ML জন্য কনফিগার করার কাজটি করার জন্য উপরের ছবিতে ক্লিক করুন একটি সংক্ষিপ্ত ভিডিওর জন্য।
1. **পাইথন ইনস্টল করুন**। নিশ্চিত করুন যে [Python](https://www.python.org/downloads/) আপনার কম্পিউটারে ইনস্টল করা আছে। আপনি অনেক ডেটা সাইন্স এবং মেশিন লার্নিং কাজের জন্য পাইথন ব্যবহার করবেন। বেশিরভাগ কম্পিউটার সিস্টেমে ইতিমধ্যে পাইথন ইনস্টল থাকে। কিছু ব্যবহারকারীর জন্য সহজতর করতে [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott)ও পাওয়া যায়।
1. **Python ইনস্টল করুন।** নিশ্চিত করুন যে [Python](https://www.python.org/downloads/) আপনার কম্পিউটারে ইনস্টল করা আছে। আপনি অনেক ডেটা সায়েন্স ও মেশিন লার্নিং কাজের জন্য Python ব্যবহার করবেন। বেশিরভাগ কম্পিউটার সিস্টেমে ইতোমধ্যে Python ইনস্টল থাকে। কিছু ব্যবহারকারীর জন্য সেটআপ সহজ করতে [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott)ও পাওয়া যায়।
তবে, পাইথনের কিছু ব্যবহার এক ভার্সনের সফটওয়্যার চান, আবার কিছু অন্য ভার্সনের। এজন্য, একটি [ভার্চুয়াল এনভায়রনমেন্টে](https://docs.python.org/3/library/venv.html) কাজ করা উপকারী।
তবে Python-এর কিছু ব্যবহার এক সংস্করণের প্রয়োজন, এবং অন্যগুলো অন্য সংস্করণের। এজন্য, [ভারচুয়াল এনভায়রনমেন্ট](https://docs.python.org/3/library/venv.html) এর মধ্যে কাজ করা উপকারী।
2. **ভিজুয়াল স্টুডিও কোড ইনস্টল করুন**। নিশ্চিত করুন যে আপনার কম্পিউটারে ভিজুয়াল স্টুডিও কোড ইনস্টল করা আছে। বেসিক ইনস্টলেশনের জন্য এই নির্দেশনাগুলো অনুসরণ করুন: [Visual Studio Code ইনস্টল করুন](https://code.visualstudio.com/)। এই কোর্সে আপনি ভিজুয়াল স্টুডিও কোডে পাইথন ব্যবহার করবেন, তাই পাইথন ডেভেলপমেন্টের জন্য [Visual Studio Code কনফিগার করা](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) সম্পর্কেও জানতে পারেন।
2. **Visual Studio Code ইনস্টল করুন।** নিশ্চিত করুন আপনার কম্পিউটারে Visual Studio Code ইনস্টল আছে। বেসিক ইনস্টলেশনের জন্য এই নির্দেশাবলী অনুসরণ করুন [Visual Studio Code ইনস্টল করুন](https://code.visualstudio.com/)। এই কোর্সে আপনি Visual Studio Code-এ Python ব্যবহার করবেন, তাই [Python ডেভেলপমেন্টের জন্য Visual Studio Code কনফিগার করা](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) কীভাবে করবেন তা রিভিউ করতে পারেন।
> এই [লার্ন মডিউলস](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) থেকে কাজ করে পাইথনে স্বাচ্ছন্দ্যতা অর্জন করুন
> Python-এর সঙ্গে পরিচিত হতে এই [লার্ন মডিউলগুলোর](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) মাধ্যমে কাজ করুন
>
> [](https://youtu.be/yyQM70vi7V8 "Visual Studio Code-এ Python সেটআপ করুন")
> [](https://youtu.be/yyQM70vi7V8 "Visual Studio Code দিয়ে Python সেটআপ করুন")
>
> 🎥 ভিডিওটির জন্য উপরের চিত্রে ক্লিক করুন: VS কোডে পাইথন ব্যবহার।
> 🎥 উপরের ছবিতে ক্লিক করুন একটি ভিডিওর জন্য: VS Code-এ Python ব্যবহার করা।
3. **স্কিকিট-লার্ন ইনস্টল করুন**, এই [নির্দেশনাগুলো](https://scikit-learn.org/stable/install.html) অনুসরণ করে। আপনাকে নিশ্চিত করতে হবে যে আপনি পাইথন ৩ ব্যবহার করছেন, তাই ভার্চুয়াল এনভায়রনমেন্ট ব্যবহার করার পরামর্শ দেওয়া হয়। লক্ষ্য করুন, যদি আপনি M1 ম্যাক-এ এই লাইব্রেরি ইনস্টল করছেন, তাহলে উপরের লিঙ্কে বিশেষ নির্দেশনাগুলো আছে।
3. **Scikit-learn ইনস্টল করুন**, এই [নির্দেশাবলী](https://scikit-learn.org/stable/install.html) অনুসরণ করে। আপনাকে নিশ্চিত করতে হবে আপনি Python 3 ব্যবহার করছেন, তাই ভার্চুয়াল এনভায়রনমেন্ট ব্যবহারের পরামর্শ দেওয়া হয়। লক্ষ্য করুন, যদি আপনি M1 Mac এ এই লাইব্রেরি ইনস্টল করেন, তাহলে উপরের লিঙ্কে বিশেষ নির্দেশনা আছে।
4. **জুপিটার নোটবুক ইনস্টল করুন**। আপনাকে [জুপিটার প্যাকেজ ইনস্টল](https://pypi.org/project/jupyter/) করতে হবে।
আপনি পাইথন কোড উন্নয়ন এবং মেশিন লার্নিং মডেল তৈরি করতে **নোটবুকস** ব্যবহার করবেন। এই ধরণের ফাইল ডেটা বিজ্ঞানীদের একটি সাধারণ টুল এবং এগুলোর সাফিক্স বা এক্সটেনশন `.ipynb` দ্বারা চিহ্নিত করা হয়।
আপনি আপনার Python কোড তৈরি এবং মেশিন লার্নিং মডেল ডেভেলপ করতে **নোটবুক** ব্যবহার করবেন। এই ধরনের ফাইল ডেটা বিজ্ঞানীদের জন্য একটি সাধারণ সরঞ্জাম, এবং এগুলো তাদের সাফিক্স বা এক্সটেনশন .ipynb দ্বারা চেনা যায়।
নোটবুক একটি ইন্টারঅ্যাকটিভ পরিবেশ যা ডেভেলপারকে কোড করার পাশাপাশি কোডের চারপাশে নোট এবং ডকুমেন্টেশন লেখার সুযোগ দেয়, যা পরীক্ষামূলক বা গবেষণাভিত্তিক প্রকল্পে খুব সহায়ক।
নোটবুক একটি ইন্টারেক্টিভ পরিবেশ যা ডেভেলপারকে কোড লেখার পাশাপাশি নোট যোগ করা এবং কোডের চারপাশে ডকুমেন্টেশন লিখতে দেয়, যা পরীক্ষামূলক বা গবেষণামূলক প্রকল্পের জন্য খুবই সাহায্যকারী।
[](https://youtu.be/7E-jC8FLA2E "শুরুর জন্য এমএল - রিগ্রেশন মডেল তৈরির জন্য জুপিটার নোটবুক সেটআপ করুন")
[](https://youtu.be/7E-jC8FLA2E "শুরু কর্নার জন্য ML - রিগ্রেশন মডেল তৈরির জন্য Jupyter Notebooks সেট আপ করুন")
> 🎥 এই অনুশীলনটি করতে উপরের ছবিতে ক্লিক করুন একটি সংক্ষিপ্ত ভিডিওর জন্য।
> 🎥 আপনাকে এই অনুশীলনটি করার জন্য উপরের ছবিতে ক্লিক করুন একটি সংক্ষিপ্ত ভিডিওর জন্য।
### অনুশীলন - একটি নোটবুকের সাথে কাজ করুন
এই ফোল্ডারে, আপনি _notebook.ipynb_ ফাইলটি দেখতে পাবেন।
এই ফোল্ডারে, আপনি _notebook.ipynb_ ফাইলটি পাবেন।
1. Visual Studio Code-এ _notebook.ipynb_ খুলুন।
একটি জুপিটার সার্ভার Python 3+ দিয়ে চালু হবে। আপনি নোটবুকের এমন স্থান পাবেন যা `run` করা যাবে, কোডের টুকরা। কার্টির মত দেখতে আইকনটি নির্বাচন করে কোড ব্লক চালাতে পারেন।
একটি Jupyter সার্ভার Python 3+ দিয়ে শুরু হবে। আপনি নোটবুকের যেসব অংশ চালাতে পারেন সেগুলো পাবেন, কোডের অংশসমূহ। একটি কোড ব্লক চালাতে, প্লে বাটনের মত আইকনে ক্লিক করুন।
2. `md` আইকন নির্বাচন করুন এবং কিছু মার্কডাউন লিখুন, এবং নিম্নলিখিত টেক্সট দিন **# আপনার নোটবুকে স্বাগতম**।
1. `md` আইকনে ক্লিক করে কিছু Markdown যোগ করুন, এবং নিচের টেক্সটটি লিখুন **# Welcome to your notebook**।
আপনি নোটবুক নিজেই ডকুমেন্ট করার জন্য মন্তব্যসহ কোডের মধ্যে ইন্টারলিফ করতে পারেন।
আপনি নিজের নোটবুকে মন্তব্য দিয়ে কোডের সাথে বিশ্লেষণ যোগ করতে পারেন।
✅ একটি ওয়েব ডেভেলপার এবং একটি ডেটা বিজ্ঞানীর কাজের পরিবেশ কতোটা ভিন্ন হতে পারে, একটু ভাবুন।
✅ একটু ভাবুন, ওয়েব ডেভেলপারের কাজের পরিবেশ এবং একটি ডেটা সায়েন্টিস্টের কাজের পরিবেশ কতটা আলাদা।
## স্কিকিট-লার্ন দিয়ে কাজ শুরু করুন
## Scikit-learn দিয়ে চালু হওয়া
এখন যেহেতু পাইথন আপনার স্থানীয় পরিবেশে প্রস্তুত, এবং আপনি জুপিটার নোটবুকে স্বাচ্ছন্দ্যবোধ করছেন, চলুন স্কিকিট-লার্নের সাথেও সমান স্বাচ্ছন্দ্য অর্জন করি (উচ্চারণ `sci` যেমন `science`)। স্কিকিট-লার্ন একটি [বিস্তৃত এপিআই](https://scikit-learn.org/stable/modules/classes.html#api-ref) দেয় যেটা আপনাকে এমএল কাজ করতে সাহায্য করবে।
এখন যেহেতু আপনার লোকাল পরিবেশে Python সেভাবে সেটআপ হয়েছে, এবং আপনি Jupyter Notebook ব্যবহার করতে স্বাচ্ছন্দ্য বোধ করছেন, চলুন জানি Scikit-learn নিয়ে যেভাবে স্বাচ্ছন্দ্য পেতে হয় (এটির উচ্চারণ `sci` যেমন `science`)। Scikit-learn আপনাকে ML কাজ করার জন্য একটি [বিস্তৃত API](https://scikit-learn.org/stable/modules/classes.html#api-ref) প্রদান করে।
তাদের [ওয়েবসাইট](https://scikit-learn.org/stable/getting_started.html) অনুযায়ী, "স্কিকিট-লার্ন একটি ওপেন সোর্স মেশিন লার্নিং লাইব্রেরি যা সুপারভাইজড এবং আনসুপারভাইজড লার্নিং সাপোর্ট করে। এটি মডেল ফিটিং, ডেটা প্রিপ্রসেসিং, মডেল সিলেকশন এবং ইভ্যালুয়েশন, এবং অন্যান্য অনেক টুলস প্রদান করে।"
তাদের [ওয়েবসাইট](https://scikit-learn.org/stable/getting_started.html) অনুযায়ী, "Scikit-learn একটি ওপেন সোর্স মেশিন লার্নিং লাইব্রেরি যা সুপারভাইজড এবং আনসুপারভাইজড লার্নিং সমর্থন করে। এটি মডেল ফিটিং, ডেটা প্রিপ্রসেসিং, মডেল নির্বাচন এবং মূল্যায়ন, এবং আরও অনেক ইউটিলিটি সরবরাহ করে।"
এই কোর্সে, আপনি স্কিকিট-লার্ন এবং অন্যান্য সরঞ্জাম ব্যবহার করে একটি মেশিন লার্নিং মডেল গড়ে তুলবেন যা আমরা 'পরম্পরাগত মেশিন লার্নিং' কাজ বলে থাকি। আমরা ইচ্ছাকৃতভাবে নিউরাল নেটওয়ার্ক এবং ডিপ লার্নিং এড়িয়েছি, কারণ এগুলো আমাদের আসন্ন 'এআই ফর বিগিনার্স' কারিকুলামে ভালোভাবে কভার করা হয়েছে।
এই কোর্সে, আপনি Scikit-learn এবং অন্যান্য সরঞ্জাম ব্যবহার করে মেশিন লার্নিং মডেল তৈরি করবেন যা আমরা 'প্রচলিত মেশিন লার্নিং' কাজ বলে ডাকি। আমরা ইচ্ছাকৃতভাবে নিউরাল নেটওয়ার্ক এবং ডিপ লার্নিং এড়িয়েছি, কারণ সেগুলো আমাদের আসন্ন 'AI for Beginners' কারিকুলামে ভালোভাবে বিস্তারিত করা হবে।
স্কিকিট-লার্ন মডেল তৈরি করা এবং সেগুলোর মূল্যায়ন সহজ করে তোলে। এটি প্রধানত সংখ্যাগত ডেটা ব্যবহার করে এবং শেখার সরঞ্জাম হিসেবে বেশ কিছু প্রস্তুত ডেটাসেট রয়েছে। এতে শিক্ষার্থীদের জন্য প্রাক-তৈরি মডেলও আছে। প্রথমে স্কিকিট-লার্নের সাথে প্রিপ্যাকেজড ডেটা লোড এবং বিল্ট-ইন এস্টিমেটর ব্যবহার করে মৌলিক এমএল মডেল তৈরির প্রক্রিয়া অন্বেষণ করি।
Scikit-learn মডেল তৈরি এবং মূল্যায়ন করা সহজ করে তোলে। এটি প্রধানত সংখ্যামান ডেটা ব্যবহারে মনোযোগ দেয় এবং শেখার জন্য কিছু প্রস্তুত-তৈরি dataset অন্তর্ভুক্ত করে। এছাড়া এটি শিক্ষার্থীদের জন্য কিছু প্রস্তুত মডেলও অন্তর্ভুক্ত করে। চলুন প্রিপ্যাকেজড ডেটা লোড করা এবং Scikit-learn-এর বিল্ট-ইন এস্টিমেটর ব্যবহার করে আপনার প্রথম ML মডেল তৈরি করার পদ্ধতি অনুসন্ধান করি।
## অনুশীলন - আপনার প্রথম স্কিকিট-লার্ন নোটবুক
## অনুশীলন - আপনার প্রথম Scikit-learn নোটবুক
> এই টিউটোরিয়ালটি অনুপ্র inspirationণ হয়েছে স্কিকিট-লার্নের ওয়েবসাইটের [লিনিয়ার রিগ্রেশন উদাহরণ](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) থেকে।
> এই টিউটোরিয়ালটি অনুপ্রাণিত একটি [লিনিয়ার রিগ্রেশন উদাহরণ](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) থেকে যা Scikit-learn এর ওয়েবসাইটে আছে।
[](https://youtu.be/2xkXL5EUpS0 "শুরুর জন্য এমএল - পাইথনে আপনার প্রথম লিনিয়ার রিগ্রেশন প্রকল্প")
[](https://youtu.be/2xkXL5EUpS0 "শুরু কর্নার জন্য ML - আপনার প্রথম লিনিয়ার রিগ্রেশন প্রজেক্ট Python-এ")
> 🎥 এই অনুশীলনটি দেখতে উপরের চিত্রে ক্লিক করুন একটি সংক্ষিপ্ত ভিডিওর জন্য।
> 🎥 এই অনুশীলনটি করার জন্য উপরের ছবিতে ক্লিক করুন একটি সংক্ষিপ্ত ভিডিওর জন্য।
এই পাঠের সাথে সংযুক্ত _notebook.ipynb_ ফাইলে, সকল সেলগুলি 'ট্র্যাশ ক্যান' আইকন চাপ দিয়ে ক্লিয়ার করুন।
এই পাঠের সাথে সম্পর্কিত _notebook.ipynb_ ফাইলে, সব সেলগুলো মুছে দিন 'ট্র্যাশ ক্যান' আইকনে ক্লিক করে।
এই অংশে, আপনি ডায়াবেটিস সম্পর্কে একটি ছোট ডেটাসেট নিয়ে কাজ করবেন যা স্কিকিট-লার্নে শেখার জন্য অন্তর্ভুক্ত। কল্পনা করুন আপনি ডায়াবেটিক রোগীদের জন্য একটি চিকিৎসা পরীক্ষা করতে চান। মেশিন লার্নিং মডেল আপনাকে নির্ধারণ করতে সাহায্য করতে পারে কোন রোগী চিকিৎসায় ভাল সাড়া দেবে বিভিন্ন ভেরিয়েবলের সংমিশ্রণের ভিত্তিতে। একটি মৌলিক রিগ্রেশন মডেল, ভিজুয়ালাইজ করা হলে, ভেরিয়েবলের তথ্য দেখাতে পারে যা আপনার তাত্ত্বিক ক্লিনিক্যাল ট্রায়াল সংগঠনে সাহায্য করবে।
এই অংশে, আপনি Scikit-learn-এ শেখার জন্য তৈরি একটি ছোট ডায়াবেটিস dataset নিয়ে কাজ করবেন। কল্পনা করুন আপনি ডায়াবেটিস রোগীদের জন্য একটি চিকিৎসার পরীক্ষা করতে চান। মেশিন লার্নিং মডেল আপনাকে সাহায্য করতে পারে নির্ধারণ করতে কোন রোগীরা চিকিৎসার প্রতি ভালো সাড়া দেবে, বিভিন্ন ভেরিয়েবলের সংমিশ্রণ উপর ভিত্তি করে। এখানে এমনকি একটি খুব প্রাথমিক রিগ্রেশন মডেলও, যখন দৃশ্যায়িত হয়, আপনাকে ভেরিয়েবলের সম্পর্কে তথ্য দেখাতে পারে যা আপনার তাত্ত্বিক ক্লিনিকাল ট্রায়াল সাজাতে সাহায্য করবে।
✅ রিগ্রেশনের অনেক ধরন আছে এবং আপনি কোনটি বেছে নেন তা নির্ভর করে আপনি কোন প্রশ্নের উত্তর খুঁজছেন তার উপর। যদি আপনি নির্দিষ্ট বয়সের একজন ব্যক্তির সম্ভাব্য উচ্চতা পূর্বাভাস দিতে চান, তাহলে আপনি লিনিয়ার রিগ্রেশন ব্যবহার করবেন, কারণ আপনি একটি **সংখ্যাগত মান** খুঁজছেন। যদি আপনি জানতে চান একটি রান্নার ধরন নিরামিষ কিনা, তাহলে সেটি একটি **শ্রেণিবিন্যাস** তাই আপনি লজিস্টিক রিগ্রেশন ব্যবহার করবেন। লজিস্টিক রিগ্রেশন সম্পর্কে পরে শিখবেন। কিছু প্রশ্ন নিয়ে ভাবুন যা আপনি ডেটাবেজে করতে পারেন এবং কোন পদ্ধতিটি উপযুক্ত হবে।
✅ রিগ্রেশনের অনেক ধরনের পদ্ধতি আছে, এবং কোনটি বেছে নেবেন তা নির্ভর করে আপনি কোন প্রশ্নের উত্তর খুঁজছেন তার ওপর। যদি আপনি কারো নির্দিষ্ট বয়সের সম্ভাব্য উচ্চতা ভবিষ্যদ্বাণী করতে চান, তাহলে আপনি লিনিয়ার রিগ্রেশন ব্যবহার করবেন, কারণ আপনি একটি **সংখ্যামান মান** খুঁজছেন। যদি আপনি জানতে চান কোন ধরণের খাবার নিরামিষ খাবারের আওতায় পড়ে কিনা, তাহলে আপনি **ক্যাটাগরি অ্যাসাইনমেন্ট** খুঁজছেন, তাই লজিস্টিক রিগ্রেশন ব্যবহার করবেন। লজিস্টিক রিগ্রেশনের ব্যাপারে পরে শিখবেন। কিছু ডেটার ওপর আপনি কোন প্রশ্ন করতে পারেন এবং এগুলোর মধ্যে কোন পদ্ধতি বেশি উপযুক্ত হবে, সে বিষয়ে একটু ভাবুন।
চলুন এই কাজ শুরু করি।
### লাইব্রেরি আমদানি
### লাইব্রেরি ইম্পোর্ট করুন
এই কাজের জন্য আমরা কিছু লাইব্রেরি আমদানি করব:
এই কাজের জন্য আমরা কিছু লাইব্রেরি ইম্পোর্ট করব:
- **matplotlib**। এটি একটি উপকারী [গ্রাফিং টুল](https://matplotlib.org/) এবং আমরা একটি লাইন প্লট তৈরি করতে এটি ব্যবহার করব।
- **numpy**। [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) পাইথনে সংখ্যাগত ডেটা পরিচালনার জন্য একটি দরকারী লাইব্রেরি।
- **sklearn**। এটি [স্কিকিট-লার্ন](https://scikit-learn.org/stable/user_guide.html) লাইব্রেরি।
- **matplotlib**। এটি একটি দরকারী [গ্রাফিং টুল](https://matplotlib.org/) এবং আমরা এটি ব্যবহার করব একটি লাইন প্লট তৈরির জন্য।
- **numpy**। [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) হল Python এ সংখ্যামান ডেটা পরিচালনার জন্য একটি দরকারী লাইব্রেরি।
- **sklearn**। এটি [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) লাইব্রেরি।
আপনার কাজের জন্য কিছু লাইব্রেরি আমদানি করুন।
কাজের জন্য কিছু লাইব্রেরি ইম্পোর্ট করুন।
1. নিচের কোড টাইপ করে আমদানি করুন:
1. নীচের কোডটি টাইপ করে ইম্পোর্ট যোগ করুন:
```python
import matplotlib.pyplot as plt
@ -123,26 +123,26 @@
from sklearn import datasets, linear_model, model_selection
```
উপরে আপনি `matplotlib`, `numpy` আমদানি করছেন এবং `sklearn` থেকে `datasets`, `linear_model` এবং `model_selection`আমদানি করছেন। `model_selection` ডেটাকে প্রশিক্ষণ এবং পরীক্ষা সেটে ভাগ করার জন্য ব্যবহৃত।
এখানে আপনি `matplotlib`, `numpy` ইম্পোর্ট করছেন এবং `sklearn` থেকে `datasets`, `linear_model` এবং `model_selection`ইম্পোর্ট করছেন। `model_selection` ডেটা ট্রেনিং ও টেস্ট সেটে ভাগ করতে ব্যবহৃত হয়।
### ডায়াবেটিস ডেটাসেট
### ডায়াবেটিস dataset
অন্তর্ভুক্ত [ডায়াবেটিস ডেটাসেট](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) এ ৪৪২টি নমুনা রয়েছে, যেখানে ১০টি বৈশিষ্ট্য ভেরিয়েবল আছে, কিছু হল:
বিল্ট-ইন [ডায়াবেটিস dataset](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) এ ৪৪২টি উদাহরণ (স্যাম্পল), যার মধ্যে ১০টি ফিচার ভেরিয়েবল আছে, যেমন:
- বয়স: বছরে বয়স
- BMI: শরীরের ভর সূচক
- রক্তচাপ: গড় রক্তচাপ
- s1 tc: টি-সেলস (সাদা রক্তকণিকার একটি প্রকার)
- বয়স: বছর হিসেবে বয়স
- bmi: শরীরের ভর সূচক
- bp: গড় রক্তচাপ
- s1 tc: টি-সেল (সাদা রক্তকণিকার একটি ধরন)
✅ এই ডেটাসেটে 'লিঙ্গ' নামক একটি বৈশিষ্ট্য ভেরিয়েবল অন্তর্ভুক্ত আছে, যা ডায়াবেটিস গবেষণায় গুরুত্বপূর্ণ। অনেক চিকিৎসা তথ্যসেট এই ধরনের বাইনারি শ্রেণিবিভাজন অন্তর্ভুক্ত করে। ভাবুন কিভাবে এমন শ্রেণিবিভাজন কিছু জনগোষ্ঠীকে চিকিৎসা থেকে বাদ দিতে পারে।
✅ এই dataset-এ 'sex' ধারণা রয়েছে যা ডায়াবেটিস গবেষণার জন্য একটি গুরুত্বপূর্ণ ফিচার ভেরিয়েবল। অনেক মেডিকেল dataset-এ এই ধরনের বাইনারি শ্রেণীবিভাগ থাকে। চিন্তা করুন এই ধরনের শ্রেণীবিভাগগুলি কীভাবে জনসংখ্যার কিছু অংশকে চিকিৎসার বাইরে রাখে।
এখন, X এবং y ডেটা লোড করুন।
> 🎓 মনে রাখবেন, এটি একটি সুপারভাইজড লার্নিং, এবং আমাদের একটি নামকৃত 'y' লক্ষ্য দরকার।
> 🎓 মনে রাখবেন, এটি সুপারভাইজড লার্নিং, এবং আমাদের একটি নামযুক্ত 'y' টার্গেট দরকার।
একটি নতুন কোড সেলে, `load_diabetes()` কল করে ডায়াবেটিস ডেটাসেট লোড করুন। `return_X_y=True` ইনপুট মানে হল `X` একটি ডেটা ম্যাট্রিক্স হবে, এবং `y` হবে রিগ্রেশন লক্ষ্য।
একটি নতুন কোড সেলে, `load_diabetes()` কল করে ডায়াবেটিস dataset লোড করুন। ইনপুট `return_X_y=True` নির্দেশ করে `X` হবে ডেটা ম্যাট্রিক্স, এবং `y` হবে রিগ্রেশন টার্গেট।
1. ডেটা ম্যাট্রিক্সের আকৃতি এবং এর প্রথম উপাদান প্রদর্শনের জন্য কিছু প্রিন্ট কমান্ড যোগ করুন:
1. প্রথম এড্রেস এবং ডেটা ম্যাট্রিক্সের আকৃতি দেখাতে কিছু print কমান্ড যোগ করুন:
```python
X, y = datasets.load_diabetes(return_X_y=True)
@ -150,9 +150,9 @@
print(X[0])
```
আপনি যে রেসপন্স পাচ্ছেন, তা একটি tuple। আপনি tuple- এর প্রথম দুটি মান `X` এবং `y` তে আলাদা করছেন। [tuple সম্পর্কে আরও জানুন](https://wikipedia.org/wiki/Tuple)।
যা আপনি পাচ্ছেন তা একটি tuple। আপনি টুপলের প্রথম দুটি মান যথাক্রমে `X` এবং `y` তে অ্যাসাইন করছেন। টুপল সম্পর্কে আরও জানুন [এখানে](https://wikipedia.org/wiki/Tuple)।
আপনি দেখতে পাচ্ছেন ডেটা ৪৪২টি আইটেম নিয়ে তৈরি, যার প্রতিটি ১০টি উপাদানের অ্যারে আকারে:
আপনি দেখতে পাবেন এই ডেটা ৪৪২টি আইটেমের, যার প্রতিটির আকৃতি ১০ উপাদানের একটি অ্যারে।
```text
(442, 10)
@ -160,39 +160,39 @@
-0.04340085 -0.00259226 0.01990842 -0.01764613]
```
✅ কিছুক্ষণ ভেবে দেখুন ডেটা এবং রিগ্রেশন লক্ষ্য এর সম্পর্ক। লিনিয়ার রিগ্রেশন বৈশিষ্ট্য X এবং লক্ষ্য ভেরিয়েবল y-এর মধ্যে সম্পর্ক পূর্বাভাস দেয়। আপনি কি ডকুমেন্টেশনে ডায়াবেটিস ডেটাসেটের [লক্ষ্য](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) খুঁজে পেয়েছেন? এই ডেটাসেটটি কি প্রদর্শন করছে, লক্ষ্য দেখে?
✅ একটু ভাবুন ডেটা এবং রিগ্রেশন টার্গেটের সম্পর্ক নিয়ে। লিনিয়ার রিগ্রেশন ফিচার `X` এবং টার্গেট ভেরিয়েবল `y` এর মধ্যে সম্পর্ক পূর্বানুমান করে। ডায়াবেটিস dataset এর [টার্গেট](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) ডকুমেন্টেশনে কোথায় আছে? এই dataset কোন বিষয় প্রদর্শন করছে, টার্গেট দেখে?
2. তারপরে, ডেটাসেটের একটি অংশ নির্বাচন করুন প্লট করার জন্য: ডেটাসেটের ৩য় কলাম নির্বাচিত করুন। `:` অপারেটর ব্যবহার করে সব সারি নির্বাচন করে তারপর ইনডেক্স (২) ব্যবহার করে তৃতীয় কলাম নির্বাচন করতে পারেন। প্লট করার জন্য ডেটাকে 2D অ্যারেতে রিশেপ করা দরকার `reshape(n_rows, n_columns)` ব্যবহার করে। যদি একটি প্যারামিটার -1 হয়, সংশ্লিষ্ট মাত্রা স্বয়ংক্রিয়ভাবে হিসাব হয়।
2. dataset এর একটি অংশ প্লট করার জন্য ৩য় কলাম নির্বাচন করুন। সব সারি বেছে নিতে `:` অপারেটর ব্যবহার করুন, এবং ৩য় কলাম নির্বাচনের জন্য ইনডেক্স (২) ব্যবহার করুন। প্লটিং-এর জন্য ডেটা ২-ডি অ্যারে আকারে রিশেপ করতে হবে, `reshape(n_rows, n_columns)` ব্যবহার করুন। প্যারামিটার হলো -1 হলে স্বয়ংক্রিয়ভাবে সংশ্লিষ্ট মাত্রা গণনা হয়।
```python
X = X[:, 2]
X = X.reshape((-1,1))
```
✅ যেকোনো সময় ডেটার আকৃতি পরীক্ষা করতে প্রিন্ট করুন।
✅ যেকোনো সময় ডেটার আকৃতি যাচাই করতে প্রিন্ট করুন।
3. এখন ডেটা প্লট করার প্রস্তুত, দেখুন একটি মেশিন সংখ্যাগুলোর মধ্যে যৌক্তিক বিভাজন নির্ধারণে সাহায্য করতে পারে কিনা। এর জন্য, আপনাকে ডেটা (X) এবং লক্ষ্য (y) উভয়ই পরীক্ষা এবং প্রশিক্ষণ সেটে ভাগ করতে হবে। স্কিকিট-লার্নে এর জন্য সরল উপায় আছে; আপনি নির্দিষ্ট পয়েন্টে পরীক্ষা ডেটা ভাগ করতে পারবেন।
3. এখন যেহেতু ডেটা প্লটের জন্য প্রস্তুত, আপনি দেখতে পারেন মেশিন সাহায্য করতে পারে কি একটি যৌক্তিক বিভাজন নির্ধারণ করতে ডেটা মধ্যে। এজন্য আপনাকে ডেটা (X) এবং টার্গেট (y) উভয়কে টেস্ট এবং ট্রেনিং সেটে ভাগ করতে হবে। Scikit-learn এর মাধ্যমে এটি করা সহজ; আপনি একটি নির্দিষ্ট পয়েন্টে টেস্ট ডেটা ভাগ করতে পারবেন।
```python
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
```
4. এখন আপনার মডেল প্রশিক্ষণের জন্য প্রস্তুত! লিনিয়ার রিগ্রেশন মডেল লোড করুন এবং `model.fit()` ব্যবহার করে X ও y প্রশিক্ষণ সেট দিয়ে প্রশিক্ষণ দিন:
4. এখন আপনার মডেল ট্রেন করানোর প্রস্তুতি! লিনিয়ার রিগ্রেশন মডেল লোড করুন এবং আপনার X ও y ট্রেনিং সেট দিয়ে `model.fit()` ব্যবহার করে ট্রেন করুন:
```python
model = linear_model.LinearRegression()
model.fit(X_train, y_train)
```
✅ `model.fit()` একটি ফাংশন যা আপনি অনেক এমএল লাইব্রেরিতে যেমন TensorFlow দেথতে পাবেন
✅ `model.fit()` একটি ফাংশন যা আপনি অনেক ML লাইব্রেরিতে যেমন TensorFlow এ দেখতে পাবেন
5. এরপর, `predict()` ফাংশন ব্যবহার করে পরীক্ষার ডেটা দিয়ে পূর্বাভাস তৈরি করুন। এটি ডেটা গ্রুপের মধ্যে একটি লাইন আঁকতে ব্যবহৃত হবে
5. এরপর, টেস্ট ডেটা ব্যবহার করে পূর্বাভাস তৈরি করুন`predict()` ফাংশন দিয়ে। এটি ডেটা গ্রুপের মধ্যে একটি রেখা আঁকার জন্য ব্যবহৃত হবে
```python
y_pred = model.predict(X_test)
```
6. এখন ডেটা একটি প্লটে প্রদর্শনের সময়। এই কাজের জন্য matplotlib খুব দরকারী টুল। সমস্ত X এবং y পরীক্ষার ডেটার একটি scatterplot তৈরি করুন এবং পূর্বাভাস ব্যবহার করে মডেলের ডেটা গ্রুপের মধ্যে সবচেয়ে উপযুক্ত স্থানে একটি লাইন আঁকুন।
6. এখন ডেটা একটি প্লটে দেখানোর সময়। Matplotlib এই কাজের জন্য খুব দরকারী একটি টুল। টেস্ট ডেটার X এবং y এর স্ক্যাটারপ্লট তৈরি করুন, এবং পূর্বাভাস ব্যবহার করে মডেলের ডেটা গোষ্ঠীর মধ্যে সবচেয়ে যুক্তিসঙ্গত স্থানে একটি লাইন আঁকুন।
```python
plt.scatter(X_test, y_test, color='black')
@ -203,24 +203,23 @@
plt.show()
```
✅ একটু ভাবুন এখানে কী ঘটছে। একটি সোজা রেখা অনেক ছোট ছোট ডেটা ডটের মধ্যে চলছে, কিন্তু এটি সঠিকভাবে কী করছে? আপনি কি দেখতে পাচ্ছেন কীভাবে এই রেখাটি ব্যবহার করে নতুন, অদেখা ডেটা বিন্দুর অবস্থান প্লটের y অক্ষের সম্পর্কেই পূর্বাভাস দিতে পারবে? এই মডেলের ব্যবহারিক গুরুত্ব শব্দে প্রকাশ করার চেষ্টা করুন।
✅ এখানে কী ঘটছে তা একটু ভাবুন। একটি সরলরেখা অনেক ছোট ডেটার বিন্দুর মধ্য দিয়ে যাচ্ছে, কিন্তু এটি ঠিক কী করছে? আপনি কি দেখতে পাচ্ছেন কীভাবে এই রেখাটিকে ব্যবহার করে কোনও নতুন, অদেখা ডেটা পয়েন্ট কোথায় প্লটের y অক্ষের সাথে সম্পর্ক করে বসাতে হবে তা পূর্বাভাস দেবে? এই মডেলের ব্যবহারিক উপযোগিতাটি শব্দে প্রকাশ করার চেষ্টা করুন।
অভিনন্দন, আপনি প্রথম লিনিয়ার রিগ্রেশন মডেলটি তৈরি করেছেন, এটি দিয়ে একটি পূর্বাভাস তৈরি করেছেন, এবং এটি একটি প্লটে প্রদর্শন করেছেন!
অভিনন্দন, আপনি আপনার প্রথম লিনিয়ার রিগ্রেশন মডেল তৈরি করলেন, এতে পূর্বাভাস তৈরি করলেন এবং একটি প্লটে তা প্রদর্শন করলেন!
---
## 🚀চ্যালেঞ্জ
এই ডেটাসেট থেকে একটি আলাদা ভেরিয়েবল প্লট করুন। ইঙ্গিত: এই লাইনটি সম্পাদনা করুন: `X = X[:,2]`। এই ডেটাসেটের টার্গেট বিবেচনায়, আপনি কী জানতে পারছেন ডায়াবেটিস রোগের অগ্রগতির সম্পর্কে?
এই dataset থেকে একটি ভিন্ন ভেরিয়েবল প্লট করুন। হিন্ট: এই লাইনটি সম্পাদনা করুন: `X = X[:,2]`। এই dataset এর টার্গেটকে বিবেচনা করে, আপনি কী আবিষ্কার করতে পারেন ডায়াবেটিস কীভাবে একটি রোগ হিসেবে বিকাশ লাভ করে?
এই টিউটোরিয়ালে, আপনি সহজ সরলরেখীয় রিগ্রেশন নিয়ে কাজ করেছেন, যা ইউনিভেরিয়েট বা মাল্টিপল লিনিয়ার রিগ্রেশনের থেকে আলাদা। এই পদ্ধতিগুলির মধ্যে পার্থক্য সম্পর্কে একটু পড়ুন, অথবা [এই ভিডিওটি](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) দেখুন।
এই টিউটোরিয়ালে, আপনি সিম্পল লিনিয়ার রিগ্রেশন নিয়ে কাজ করেছেন, ইউনিভেরিয়েট বা মাল্টিপল লিনিয়ার রিগ্রেশন নয়। এই পদ্ধতিগুলোর পার্থক্য নিয়ে সামান্য পড়ুন, অথবা [এই ভিডিওটি](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) দেখুন
রিগ্রেশন ধারণা সম্পর্কে আরও পড়ুন এবং ভাবুন কী ধরনের প্রশ্ন এই প্রযুক্তি দ্বারা উত্তরযোগ্য। আপনার বোঝাপড়া গভীর করার জন্য এই [টিউটোরিয়ালটি](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) অনুসরণ করুন।
রিগ্রেশন ধারণা সম্পর্কে আরও জানুন এবং ভাবুন এই কৌশল দ্বারা কী ধরনের প্রশ্নের উত্তর দেওয়া যায়। আপনার বোঝাপড়া গভীর করতে এই [টিউটোরিয়ালটি](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) গ্রহণ করুন।
ক্লাস্টারিং একটি মেশিন লার্নিং কাজ যেখানে একে এমন বস্তু খুঁজে বের করতে হয় যেগুলো একে অপরের সাথে সাদৃশ্যপূর্ণ এবং সেগুলোকে ক্লাস্টার নামে পরিচিত গ্রুপে ভাগ করা হয়। ক্লাস্টারিংয়ের বিশেষত্ব হলো এটি স্বয়ংক্রিয়ভাবে ঘটে, যা মেশিন লার্নিংয়ের অন্যান্য পদ্ধতির থেকে আলাদা। আসলে, এটি সুপারভাইজড লার্নিংয়ের বিপরীত বলা যেতে পারে।
ক্লাস্টারিং হল একটি যন্ত্র শিক্ষার কাজ যেখানে এটি দেখতে চেষ্টা করে এমন বস্তুগুলি খুঁজে বের করতে যা একে অপরের অনুরূপ এবং এগুলিকে ক্লাস্টার নামে পরিচিত গোষ্ঠীগুলিতে ভাগ করে। যন্ত্র শিক্ষার অন্যান্য পদ্ধতি থেকে ক্লাস্টারিংকে আলাদা করে তা হল যে কাজগুলি স্বয়ংক্রিয়ভাবে ঘটে, আসলে বলা যায় এটি তত্ত্বাবধানকৃত শিক্ষার বিপরীত।
## আঞ্চলিক বিষয়: নাইজেরিয়ান শ্রোতাদের সঙ্গীত রুচির জন্য ক্লাস্টারিং মডেল 🎧
## আঞ্চলিক বিষয়: নাইজেরিয়ার শ্রোতাদের সঙ্গীত রুচি অনুযায়ী ক্লাস্টারিং মডেল 🎧
নাইজেরিয়ার বৈচিত্র্যময় শ্রোতাদের সঙ্গীতের রুচিও বৈচিত্র্যময়। Spotify থেকে সংগৃহীত ডেটা ব্যবহার করে (এই [প্রবন্ধটি](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421) দ্বারা অনুপ্রাণিত), আসুন নাইজেরিয়ায় জনপ্রিয় কিছু সঙ্গীত দেখি। এই ডেটাসেটে বিভিন্ন গানের 'danceability' স্কোর, 'acousticness', শব্দের উচ্চতা, 'speechiness', জনপ্রিয়তা এবং এনার্জি সম্পর্কিত তথ্য অন্তর্ভুক্ত রয়েছে। এই ডেটায় প্যাটার্ন খুঁজে বের করাটা বেশ মজার হবে!
নাইজেরিয়ার বৈচিত্র্যময় শ্রোতাদের বৈচিত্র্যময় সঙ্গীত রুচি রয়েছে। Spotify থেকে সংগ্রহ করা ডেটা ব্যবহার করে (এই [লেখা](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421) দ্বারা অনুপ্রাণিত), চলুন নাইজেরিয়ায় জনপ্রিয় কিছু সঙ্গীত দেখি। এই ডেটাসেটে বিভিন্ন গানের 'ডান্সাবিলিটি' স্কোর, 'একাউস্টিকনেস', লাউডনেস, 'স্পিচিনেস', জনপ্রিয়তা এবং শক্তি সম্পর্কিত তথ্য রয়েছে। এই ডেটাতে প্যাটার্ন আবিষ্কার করা আকর্ষণীয় হবে!
> ছবি তুলেছেন<ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a><ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>-এ
এই পাঠগুলোর মাধ্যমে, আপনি ক্লাস্টারিং টেকনিক ব্যবহার করে ডেটা বিশ্লেষণের নতুন উপায় শিখবেন। ক্লাস্টারিং বিশেষভাবে কার্যকর যখন আপনার ডেটাসেটে লেবেল থাকে না। যদি লেবেল থাকে, তাহলে পূর্ববর্তী পাঠে শেখা ক্লাসিফিকেশন টেকনিকগুলো বেশি কার্যকর হতে পারে। কিন্তু যখন আপনি লেবেলবিহীন ডেটাকে গ্রুপ করতে চান, তখন ক্লাস্টারিং প্যাটার্ন আবিষ্কারের জন্য একটি চমৎকার পদ্ধতি।
এই পাঠের সিরিজে, আপনি ক্লাস্টারিং কৌশল ব্যবহার করে ডেটা বিশ্লেষণের নতুন উপায় আবিষ্কার করবেন। ক্লাস্টারিং বিশেষত উপকারী যখন আপনার ডেটাসেটে লেবেল নেই। যদি লেবেল থাকে, তবে পূর্ববর্তী পাঠে শেখা শ্রেণীবিন্যাস কৌশলগুলি আরও উপকারী হতে পারে। তবে যেখানে আপনি লেবেলবিহীন ডেটাকে গোষ্ঠীতে বিভক্ত করতে চান, সেখানে ক্লাস্টারিং প্যাটার্ন আবিষ্কারের একটি চমৎকার উপায়।
> ক্লাস্টারিং মডেলের সাথে কাজ করার জন্য কিছু কার্যকর লো-কোড টুল রয়েছে। এই কাজের জন্য [Azure ML চেষ্টা করুন](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
> ক্লাস্টারিং মডেল নিয়ে কাজ শেখার জন্য কিছু দরকারী লো-কোড টুল রয়েছে। এই কাজের জন্য [Azure ML ব্যবহার করে দেখুন](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
এই পাঠগুলো 🎶 দিয়ে লিখেছেন [Jen Looper](https://www.twitter.com/jenlooper), এবং সহায়ক পর্যালোচনা করেছেন [Rishit Dagli](https://rishit_dagli) এবং [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan)।
এই পাঠগুলি 🎶 সহ [জেন লুপার](https://www.twitter.com/jenlooper) দ্বারা রচিত হয়েছে এবং সহায়ক পর্যালোচনা করেছেন [রিশিত দাগলি](https://rishit_dagli/) এবং [মুহাম্মদ সাকিব খান ইনান](https://twitter.com/Sakibinan)।
[Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) ডেটাসেটটি Kaggle থেকে সংগৃহীত, যা Spotify থেকে স্ক্র্যাপ করা হয়েছে।
[নাইজেরিয়ান গানগুলো](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) ডেটাসেটটি Kaggle থেকে Spotify থেকে সংগ্রহ করা হয়েছে।
এই পাঠ তৈরিতে সহায়ক কিছু কার্যকর কে-মিন্স উদাহরণ অন্তর্ভুক্ত ছিল, যেমন এই [আইরিস বিশ্লেষণ](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), এই [পরিচিতিমূলক নোটবুক](https://www.kaggle.com/prashant111/k-means-clustering-with-python), এবং এই [কাল্পনিক এনজিও উদাহরণ](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering)।
এই পাঠ তৈরি করতে সাহায্যকারী দরকারী কে-মিনস উদাহরণগুলির মধ্যে রয়েছে এই [আইরিস এক্সপ্লোরেশন](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), এই [পরিচিতিমূলক নোটবুক](https://www.kaggle.com/prashant111/k-means-clustering-with-python), এবং এই [সাংকল্পিক এনজিও উদাহরণ](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering)।
---
**অস্বীকৃতি**:
এই নথিটি AI অনুবাদ পরিষেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনুবাদ করা হয়েছে। আমরা যথাসম্ভব সঠিক অনুবাদ প্রদানের চেষ্টা করি, তবে অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। মূল ভাষায় থাকা নথিটিকে প্রামাণিক উৎস হিসেবে বিবেচনা করা উচিত। গুরুত্বপূর্ণ তথ্যের জন্য, পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদ ব্যবহারের ফলে কোনো ভুল বোঝাবুঝি বা ভুল ব্যাখ্যা হলে আমরা তার জন্য দায়বদ্ধ থাকব না।
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**অস্বীকৃতি**:
এই নথিটি AI অনুবাদ পরিষেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনূদিত হয়েছে। যদিও আমরা শুদ্ধতার জন্য চেষ্টা করি, অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। মূল নথিটি তার স্বভাষায় কর্তৃত্বপূর্ণ উৎস হিসেবে বিবেচিত হওয়া উচিত। গুরুত্বপূর্ণ তথ্যের জন্য পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদের ব্যবহারে প্রয়োজনীয় ভুল বোঝাবুঝি বা ভুল ব্যাখ্যার জন্য আমরা দায়বদ্ধ নই।
টাইম সিরিজ পূর্বাভাস কী? এটি অতীতের প্রবণতা বিশ্লেষণ করে ভবিষ্যতের ঘটনা পূর্বাভাস দেওয়ার একটি পদ্ধতি।
টাইম সিরিজ অগ্রদর্শন কী? অতীতের প্রবণতা বিশ্লেষণ করে ভবিষ্যত ঘটনা পূর্বাভাস দেওয়া বিষয়টি।
## আঞ্চলিক বিষয়: বিশ্বব্যাপী বিদ্যুৎ ব্যবহার ✨
এই দুটি পাঠে, আপনাকে টাইম সিরিজ পূর্বাভাসের সাথে পরিচয় করানো হবে, যা মেশিন লার্নিংয়ের একটি তুলনামূলকভাবে কম পরিচিত ক্ষেত্র হলেও শিল্প এবং ব্যবসায়িক প্রয়োগসহ অন্যান্য ক্ষেত্রে অত্যন্ত মূল্যবান। যদিও নিউরাল নেটওয়ার্ক এই মডেলগুলোর কার্যকারিতা বাড়াতে ব্যবহার করা যেতে পারে, আমরা এগুলোকে ক্লাসিক্যাল মেশিন লার্নিংয়ের প্রেক্ষাপটে অধ্যয়ন করব, যেখানে মডেলগুলো অতীতের উপর ভিত্তি করে ভবিষ্যতের কর্মক্ষমতা পূর্বাভাস দিতে সাহায্য করে।
এই দুই পাঠে, আপনি টাইম সিরিজ অগ্রদর্শনের সাথে পরিচিত হবেন, যা মেশিন লার্নিংয়ের একটি কিছুটা কম পরিচিত এলাকা হলেও শিল্প এবং ব্যবসায়িক প্রয়োগ সহ বিভিন্ন ক্ষেত্রে অত্যন্ত মূল্যবান। নিউরাল নেটওয়ার্কগুলি এই মডেলগুলির কার্যকারিতা বাড়াতে ব্যবহার করা যেতে পারে, তবুও আমরা সেগুলিকে শাস্ত্রীয় মেশিন লার্নিংয়ের পরিপ্রেক্ষিতে অধ্যয়ন করব কারণ মডেলগুলি অতীতের উপর ভিত্তি করে ভবিষ্যত পারফরম্যান্স পূর্বাভাস দিতে সহায়তা করে।
আমাদের আঞ্চলিক ফোকাস হলো বিশ্বব্যাপী বিদ্যুৎ ব্যবহার, যা একটি আকর্ষণীয় ডেটাসেট যা অতীতের লোডের প্যাটার্নের উপর ভিত্তি করে ভবিষ্যতের বিদ্যুৎ ব্যবহারের পূর্বাভাস সম্পর্কে শেখার সুযোগ দেয়। আপনি দেখতে পাবেন যে এই ধরনের পূর্বাভাস ব্যবসায়িক পরিবেশে কতটা কার্যকর হতে পারে।
আমাদের আঞ্চলিক ফোকাস হল বিশ্বের বিদ্যুৎ ব্যবহার, একটি আকর্ষণীয় ডেটাসেট যা অতীতের লোডের নমুনার ওপর ভিত্তি করে ভবিষ্যত শক্তি ব্যবহারের পূর্বাভাস শেখার জন্য। আপনি দেখতে পাবেন কিভাবে এই ধরনের অগ্রদর্শন ব্যবসায়িক পরিবেশে অত্যন্ত সহায়ক হতে পারে।
ছবি [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) কর্তৃক, রাজস্থানের একটি রাস্তায় বৈদ্যুতিক টাওয়ারের। [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) থেকে নেওয়া।
ছবি [পেদ্দি সাই হৃতিক](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) এর, রাজস্থানে একটি সড়কের পাশে বৈদ্যুতিক টাওয়ারগুলি, [আনস্প্লাশ](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) থেকে
৩. [টাইম সিরিজ অগ্রদর্শনের জন্য সাপোর্ট ভেক্টর রিগ্রেশন নির্মাণ](3-SVR/README.md)
## কৃতজ্ঞতা
## কৃতিত্ব
"টাইম সিরিজ পূর্বাভাসের পরিচিতি" ⚡️ দিয়ে লিখেছেন [Francesca Lazzeri](https://twitter.com/frlazzeri) এবং [Jen Looper](https://twitter.com/jenlooper)। নোটবুকগুলো প্রথমে অনলাইনে প্রকাশিত হয়েছিল [Azure "Deep Learning For Time Series" রিপোতে](https://github.com/Azure/DeepLearningForTimeSeriesForecasting), যা মূলত Francesca Lazzeri লিখেছিলেন। SVR পাঠটি লিখেছেন [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD)।
"টাইম সিরিজ অগ্রদর্শনের পরিচয়" ⚡️ দ্বারা লিখিত [ফ্রান্সেসকা লাজ্জেরি](https://twitter.com/frlazzeri) এবং [জেন লুপার](https://twitter.com/jenlooper)। নোটবুকগুলি প্রথমে অনলাইনে প্রকাশ পায় [অ্যাজুর "টাইম সিরিজের জন্য ডিপ লার্নিং" রিপোজিটরি](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) তে, যা মূলত ফ্রান্সেসকা লাজ্জেরি লিখেছিলেন। SVR পাঠটি লিখেছেন [অনির্বাণ মুখার্জী](https://github.com/AnirbanMukherjeeXD)
---
**অস্বীকৃতি**:
এই নথিটি AI অনুবাদ পরিষেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনুবাদ করা হয়েছে। আমরা যথাসম্ভব সঠিক অনুবাদ প্রদানের চেষ্টা করি, তবে অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। মূল ভাষায় থাকা নথিটিকে প্রামাণিক উৎস হিসেবে বিবেচনা করা উচিত। গুরুত্বপূর্ণ তথ্যের জন্য, পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদ ব্যবহারের ফলে কোনো ভুল বোঝাবুঝি বা ভুল ব্যাখ্যা হলে আমরা তার জন্য দায়ী থাকব না।
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**অস্বীকৃতি**:
এই নথিটি AI অনুবাদ পরিষেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনূদিত হয়েছে। যদিও আমরা শুদ্ধতার জন্য চেষ্টা করি, অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। মূল নথিটি তার স্বভাষায় কর্তৃত্বপূর্ণ উৎস হিসেবে বিবেচিত হওয়া উচিত। গুরুত্বপূর্ণ তথ্যের জন্য পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদের ব্যবহারে প্রয়োজনীয় ভুল বোঝাবুঝি বা ভুল ব্যাখ্যার জন্য আমরা দায়বদ্ধ নই।
> এই রিপোজিটরিতে ৫০টিরও বেশি ভাষার অনুবাদ অন্তর্ভুক্ত রয়েছে যা ডাউনলোডের আকার উল্লেখযোগ্যভাবে বৃদ্ধি করে। শুধুমাত্র মূল কোড ক্লোন করতে স্পার্স চেকআউট ব্যবহার করুন:
> এই রিপোজিটরিতে ৫০টিরও বেশি ভাষার অনুবাদ রয়েছে যা ডাউনলোডের আকার অনেক বাড়িয়ে দেয়। অনুবাদ ছাড়া ক্লোন করতে, স্পার্স চেকআউট ব্যবহার করুন:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,163 +33,168 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> এটি আপনাকে দ্রুত ডাউনলোডের মাধ্যমে সম্পূর্ণ কোর্স করার জন্য প্রয়োজনীয় সমস্ত কিছু প্রদান করে।
> এটি আপনাকে দ্রুত ডাউনলোডের মাধ্যমে কোর্স সম্পূর্ণ করার জন্য প্রয়োজনীয় সবকিছু দেয়।
আমাদের একটি Discord এআই সহ শেখার সিরিজ চলছে, আরও জানতে এবং অংশগ্রহণ করতে এখানে যান [Learn with AI Series](https://aka.ms/learnwithai/discord), সেপ্টেম্বর ১৮-৩০, ২০২৫ পর্যন্ত। আপনি GitHub Copilot ব্যবহার করে ডেটা সায়েন্সের টিপস এবং ট্রিকস পাবেন।
আমাদের একটি Discord এআই সহ শেখার সিরিজ চলছে, আরও জানুন এবং আমাদের সাথে যোগ দিন [Learn with AI Series](https://aka.ms/learnwithai/discord) ১৮ - ৩০ সেপ্টেম্বর, ২০২৫ পর্যন্ত। আপনি GitHub Copilot ব্যবহার করে Data Science এর টিপস ও ট্রিক্স পাবেন।
# শুরুদের জন্য মেশিন লার্নিং - একটি কারিকুলাম
# নবাগতদের জন্য মেশিন লার্নিং - একটি পাঠ্যক্রম
> 🌍 বিশ্ব সংস্কৃতি দ্বারা মেশিন লার্নিং অন্বেষণ করার মাধ্যমে বিশ্বের ভ্রমণ করুন 🌍
> 🌍 বিশ্ব সংস্কৃতির মাধ্যমে মেশিন লার্নিং অন্বেষণ করতে বিশ্বজুড়ে ভ্রমণ করুন 🌍
মাইক্রোসফটের ক্লাউড অ্যাডভোকেটরা একটি ১২ সপ্তাহের, ২৬টি পাঠের কারিকুলাম উপস্থাপন করতে পেরে আনন্দিত, যা সম্পূর্ণরূপে **মেশিন লার্নিং** এর উপর কেন্দ্রীভূত। এই কারিকুলামে, আপনি যা কখনো কখনো **ক্লাসিক মেশিন লার্নিং** নামে ডাকা হয় তা সম্পর্কে শিখবেন, যেখানে প্রধানত Scikit-learn একটি লাইব্রেরি হিসেবে ব্যবহৃত হয় এবং ডিপ লার্নিং এড়ানো হয়, যা আমাদের [AI for Beginners' কারিকুলাম](https://aka.ms/ai4beginners) এ অন্তর্ভুক্ত। এ লেসনের সাথে আমাদের ['Data Science for Beginners' কারিকুলাম](https://aka.ms/ds4beginners) মিলিয়ে শিখতে পারেন।
মাইক্রোসফটের ক্লাউড অ্যাডভোকেটরা একটি ১২ সপ্তাহের, ২৬-টি পাঠের পাঠ্যক্রম প্রদান করতে পেরে আনন্দিত, যা সম্পূর্ণরূপে **মেশিন লার্নিং** নিয়ে। এই পাঠ্যক্রমে আপনি যাকে কখনও কখনও **ক্লাসিক মেশিন লার্নিং** বলা হয়, তা শিখবেন, প্রধানত Scikit-learn লাইব্রেরি ব্যবহার করে এবং দীপ্ লার্নিং এড়িয়ে যাবেন, যা আমাদের [নবাগতদের জন্য এআই পাঠ্যক্রমে](https://aka.ms/ai4beginners) অন্তর্ভুক্ত। এই পাঠগুলো আমাদের ['Data Science for Beginners' পাঠ্যক্রমের](https://aka.ms/ds4beginners) সাথে মিলিয়েও নিতে পারেন!
বিশ্বের বিভিন্ন অংশের তথ্য ব্যবহার করে এই ক্লাসিক প্রযুক্তিগুলো প্রয়োগ করতে আমাদের সাথে বিশ্ব ভ্রমণ করুন। প্রতিটি লেসনে পূর্ব এবং পরবর্তী ক্লাসের কুইজ, শেখার জন্য লিখিত নির্দেশ, সমাধান, অ্যাসাইনমেন্ট এবং আরও অনেক কিছু অন্তর্ভুক্ত আছে। আমাদের প্রকল্পভিত্তিক শিক্ষাদান পদ্ধতি আপনাকে তৈরির মাধ্যমে শেখার সুযোগ দেয়, যা নতুন দক্ষতার অভ্যস্ত হতে সাহায্য করে।
বিশ্বজুড়ে বিভিন্ন এলাকা থেকে তথ্য নিয়ে এই ক্লাসিক প্রযুক্তিগুলো প্রয়োগ করতে আমাদের সাথে ভ্রমণ করুন। প্রতিটি পাঠে থাকবে পূর্ব ও পরবর্তী কুইজ, লিখিত নির্দেশনা, একটি সমাধান, একটি নিয়োগ এবং আরও অনেক কিছু। আমাদের প্রকল্প-ভিত্তিক শিক্ষাদান পদ্ধতি আপনাকে নির্মাণের মাধ্যমে শেখার সুযোগ দেয়, যা নতুন দক্ষতা গুলো দৃঢ় হয়।
**✍️ আমাদের লেখকদের প্রতি আন্তরিক ধন্যবাদ** জেন লুপার, স্টিফেন হাওয়েল, ফ্রান্সেসকা লাজেরি, টোমোমি ইমুরা, ক্যাসি ব্রেভিউ, দিমিত্রি সশনিকভ, ক্রিস নরিং, অনীর্বাণ মুখার্জী, ওর্নেলা আল্টুনিয়ান, রুথ ইয়াকুুবু এবং এমি বয়ড
**✍️ আমাদের লেখকদের প্রতি আন্তরিক ধন্যবাদ:** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu এবং Amy Boyd
**🎨 আমাদের চিত্রশিল্পীদের প্রতি ধন্যবাদ** টোমোমি ইমুরা, দাসানি মাদিপল্লি, এবং জেন লুপার
**🎨 আমাদের চিত্রকারদের প্রতি ধন্যবাদ** Tomomi Imura, Dasani Madipalli, এবং Jen Looper
**🙏 বিশেষ ধন্যবাদ 🙏 মাইক্রোসফট স্টুডেন্ট অ্যাম্বাসেডর লেখক, সমীক্ষক, এবং কনটেন্ট প্রদানকারীদের**, বিশেষ করে রিষিত দাগলি, মুহাম্মদ সাকিব খান ইনান, রোহান রাজ, আলেকজান্দ্রু পেত্রেস্কু, অভিষেক জৈসওয়াল, নওরিন তাবাসসুম, ইওয়ান সামুইলা, এবং স্নিগ্ধা আগরওয়াল
**🙏 বিশেষ ধন্যবাদ 🙏 আমাদের Microsoft Student Ambassador লেখক, পর্যালোচক এবং বিষয়বস্তু প্রদানকারীদের, বিশেষত Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, এবং Snigdha Agarwal কে**
**🤩 অতিরিক্ত কৃতজ্ঞতা মাইক্রোসফট স্টুডেন্ট অ্যাম্বাসেডরদের কাছে, এরিক ওয়ানজাউ, জাসলিন সোঁধি, এবং বিদুষী গুপ্তা আমাদের R লেসনের জন্য!**
**🤩 আমাদের R পাঠগুলির জন্য Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, এবং Vidushi Gupta কে অতিরিক্ত কৃতজ্ঞতা!**
> [এই কোর্সের সমস্ত অতিরিক্ত সম্পদ মাইক্রোসফট লার্ন কালেকশনে খুঁজুন](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 💡 **দ্রুত শুরু করার পরামর্শ:** আপনি কি ব্রাউজারে সরাসরি শুরু করতে চান, লোকালি পাইথন সেটআপ ছাড়াই? আপনার ফর্কের জন্য ক্লাউড ডেভেলপমেন্ট পরিবেশ তৈরি করতে [GitHub Codespaces](https://github.com/features/codespaces) ব্যবহার করুন। সবুজ **Code** মেনু খুলুন, **Codespaces** নির্বাচন করুন, এবং একটি কোডস্পেস তৈরি করুন; প্রয়োজন অনুযায়ী প্রতিটি পাঠের জন্য প্রয়োজনীয় ডিপেন্ডেন্সি ইনস্টল করুন।
> 🔧 **সাহায্যের দরকার?** আমাদের [সমস্যা নিষ্পত্তির গাইড](TROUBLESHOOTING.md) দেখুন ইনস্টলেশন, সেটআপ এবং লেসন চালানোর সাধারণ সমস্যার সমাধানের জন্য।
> [এই কোর্সের সকল অতিরিক্ত সম্পদ আমাদের Microsoft Learn সংগ্রহে খুঁজুন](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
**[শিক্ষার্থী](https://aka.ms/student-page)রা**, এই কারিকুলাম ব্যবহারের জন্য, পুরো রিপোজিটরি নিজেদের গিটহাব অ্যাকাউন্টে ফর্ক করুন এবং একক বা গ্রুপে অনুশীলন সম্পন্ন করুন:
> 🔧 **সহায়তা প্রয়োজন?** ইনস্টলেশন, সেটআপ এবং পাঠ চালানোর সাথে সম্পর্কিত সাধারণ সমস্যার সমাধানের জন্য আমাদের [Troubleshooting Guide](TROUBLESHOOTING.md) দেখুন।
- একটি প্রাক-লেকচার কুইজ দিয়ে শুরু করুন।
- লেকচার পড়ুন এবং ক্রিয়াকলাপ সম্পন্ন করুন, প্রতিটি জ্ঞান পরীক্ষা করার সময় থামুন এবং চিন্তা করুন।
- লেসনগুলো বুঝে প্রকল্প তৈরি করার চেষ্টা করুন কোড রান করার বাইরে; তবে কোডটি /solution ফোল্ডারে প্রতিটি প্রকল্পভিত্তিক লেসনে পাওয়া যায়।
- পরের লেকচার কুইজ দিন।
**[ছাত্র-ছাত্রীদের জন্য](https://aka.ms/student-page)**, এই পাঠ্যক্রম ব্যবহারের জন্য, পুরো রিপোটি নিজের GitHub অ্যাকাউন্টে ফর্ক করুন এবং অভ্যাসগুলো নিজের বা গোষ্ঠীর সাথে সম্পন্ন করুন:
- প্র্যাক্টিস শুরু করুন একটি প্রাক-লেকচার কুইজ দিয়ে।
- লেকচার পড়ুন এবং কাজ সম্পন্ন করুন, প্রতিটি জ্ঞান যাচাইয়ের সময় বিরতি নিন এবং চিন্তা করুন।
- পাঠ বুঝে প্রকল্পগুলো তৈরি করার চেষ্টা করুন, সমাধান কোড চালানোর চাইতে; যদিও সেই কোড প্রতিটি প্রকল্প-ভিত্তিক পাঠে `/solution` ফোল্ডারে পাওয়া যাবে।
- লেকচারের পরবর্তী কুইজ নিন।
- চ্যালেঞ্জ সম্পন্ন করুন।
- অ্যাসাইনমেন্ট সম্পন্ন করুন।
- একটি লেসন গ্রুপ শেষে, [ডিসকাশন বোর্ড](https://github.com/microsoft/ML-For-Beginners/discussions) এ যান এবং "উচ্চস্বরে শেখা" করুন উপযুক্ত PAT রুব্রিক পূরণ করে। 'PAT' হলো একটি প্রগ্রেস মূল্যায়ন টুল যা আপনার শেখাকে এগিয়ে নিয়ে যায়। আপনি অন্যান্য PAT-র প্রতিক্রিয়া জানিয়ে একসাথে শিখতে পারেন।
- নিয়োগ সম্পন্ন করুন।
- একটি লেসন গ্রুপ শেষ করার পর, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) এ যান এবং যথাযথ PAT রুব্রিকে পূরণ করে "শিখে প্রকাশ করুন"। 'PAT' হলো একটি প্রগ্রেস অ্যাসেসমেন্ট টুল যা আপনাকে শেখার উন্নতি করতে সহায়তা করে। আপনি অন্যদের PAT-এ প্রতিক্রিয়া জানাতে পারেন, যাতে আমরা একসাথে শিখতে পারি।
> আরও অধ্যয়নের জন্য, আমরা এই [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) মডিউল এবং লার্নিং পাথ অনুসরণ করার সিফারিশ করছি।
> অতিরিক্ত অধ্যয়নের জন্য, আমরা এই [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) মডিউল এবং শেখার পথে অনুসরণ করার পরামর্শ দিই।
**শিক্ষকগণ**, আমরা [কিছু পরামর্শ](for-teachers.md) অন্তর্ভুক্ত করেছি এই কারিকুলাম ব্যবহার করার জন্য।
**শিক্ষকদের জন্য**, আমরা [কিছু পরামর্শ](for-teachers.md) যুক্ত করেছি কিভাবে এই পাঠ্যক্রম ব্যবহার করবেন।
---
## ভিডিও ওয়াকথ্রু
কিছু লেসন সংক্ষিপ্ত ভিডিও হিসেবে উপলব্ধ। আপনি এই ভিডিওগুলো লেসনের মধ্যে অথবা [ML for Beginners প্লেলিস্ট, Microsoft Developer YouTube চ্যানেলে](https://aka.ms/ml-beginners-videos) খুঁজে পেতে পারেন নিচের চিত্রে ক্লিক করে।
কিছু পাঠ স্বল্প দৈর্ঘ্যের ভিডিওতে পাওয়া যায়। আপনি এগুলো পাঠের ভিতরে অথবা [Microsoft Developer YouTube চ্যানেলের ML for Beginners প্লেলিস্টে](https://aka.ms/ml-beginners-videos) নিচের ছবিতে ক্লিক করে পেতে পারেন।
[](https://aka.ms/ml-beginners-videos)
**গিফ তৈরি করেছেন** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal)
> 🎥 প্রকল্প এবং এর স্রষ্টাদের সম্পর্কে জানতে উপরের ছবিতে ক্লিক করুন!
> 🎥 প্রকল্প এবং এটি নির্মাতা সম্পর্কে ভিডিও দেখতে উপরের ছবিতে ক্লিক করুন!
---
## শিক্ষাদান পদ্ধতি
এই কারিকুলাম তৈরি করার সময় আমরা দুটি শিক্ষণ নীতিকে বেছে নিয়েছি: এটি থাকুক হ্যান্ডস-অন **প্রকল্পভিত্তিক** এবং এতে থাকুক **ঘনঘন কুইজ**। এছাড়াও, এই কারিকুলামের একটি সাধারণ **বিষয়বস্তু** রাখা হয়েছে যাতে এটি সুসংগত হয়।
এই পাঠ্যক্রম তৈরির সময় আমরা দুটি শিক্ষাদান তত্ত্ব বেছে নিয়েছি: এটি অবশ্যই হাতে-কলমে **প্রকল্পভিত্তিক** হতে হবে এবং এর মধ্যে থাকতে হবে **নিয়মিত কুইজ**। এছাড়াও, এই পাঠ্যক্রমের একটি সাধারণ **থিম** আছে যা একঘনত্ব প্রদান করে।
বিষয়বস্তু প্রকল্পের সাথে সামঞ্জস্যপূর্ণ করার মাধ্যমে ছাত্রদের আকর্ষণ বাড়ানো হয় এবং ধারণাগুলি দীর্ঘস্থায়ী হয়। এছাড়াও, একটি ক্লাসের আগে একটি কম ঝুঁকিপূর্ণ কুইজ ছাত্রের শেখার উদ্দেশ্য স্থাপন করে, এবং ক্লাসের পরে দ্বিতীয় কুইজ ধারণাগুলির রিটেনশন নিশ্চিত করে। এই কারিকুলামটি নমনীয় এবং মজাদার হওয়ার জন্য ডিজাইন করা হয়েছে এবং পুরোপুরি অথবা আংশিকভাবে গ্রহণ করা যেতে পারে। প্রকল্পগুলো ছোট ছোট শুরু হয় এবং ১২ সপ্তাহের শেষে ক্রমশ জটিল হয়ে ওঠে। এই কারিকুলামে একটি পোস্টস্ক্রিপ্ট রয়েছে যা ML এর বাস্তব জগতের প্রয়োগের উপর, যা অতিরিক্ত ক্রেডিট হিসেবে অথবা আলোচনা ভিত্তি হিসেবে ব্যবহার করা যেতে পারে।
বিষয়বস্তুকে প্রকল্পের সঙ্গে সমন্বয় করে ছাত্রদের জন্য আরও আকর্ষণীয় করা হয় এবং ধারণাগুলোর ধারণ ক্ষমতা বাড়ানো হয়। পাশাপাশি, ক্লাস শুরুর আগে একটি কম ঝুঁকিপূর্ণ কুইজ ছাত্রের শেখার উদ্দেশ্য নির্ধারণ করে এবং ক্লাস শেষে দ্বিতীয় কুইজ ধারণ ক্ষমতা বৃদ্ধি করে। এই পাঠ্যক্রমটি নমনীয় এবং মজাদার হওয়ার জন্য ডিজাইন করা হয়েছে এবং আপনি এটি সম্পূর্ণ অথবা আংশিক ভাবে নিতে পারেন। প্রকল্পগুলি ছোট থেকে শুরু হয়ে ১২-সপ্তাহের শেষে ধীরে ধীরে জটিল হয়। এই পাঠ্যক্রমে মেশিন লার্নিং এর বাস্তব জীবনের প্রয়োগ নিয়ে একটি পোস্টস্ক্রিপটও অন্তর্ভুক্ত, যা অতিরিক্ত ক্রেডিট হিসেবে অথবা আলোচনা ভিত্তি হিসেবে ব্যবহার করা যেতে পারে।
> আমাদের [আচরণ বিধি](CODE_OF_CONDUCT.md), [অংশগ্রহণের নিয়মাবলী](CONTRIBUTING.md), [অনুবাদ](..), এবং [সমস্যা মোকাবেলার নির্দেশিকা](TROUBLESHOOTING.md) দেখুন। আমরা আপনার গঠনমূলক প্রতিক্রিয়াকে স্বাগত জানাই!
> আমাদের [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translations](..), এবং [Troubleshooting](TROUBLESHOOTING.md) নির্দেশিকা দেখুন। আমরা আপনার গঠনমূলক প্রতিক্রিয়াকে স্বাগত জানাই!
> **ভাষা সম্পর্কে একটি নোট**: এই পাঠগুলি মূলত পাইথনে লেখা হয়েছে, তবে অনেকগুলি R-তেও উপলব্ধ। একটি R পাঠ সম্পূর্ণ করতে, `/solution` ফোল্ডারে যান এবং R পাঠগুলি অনুসন্ধান করুন। সেগুলোর .rmd এক্সটেনশন থাকে যা একটি **R Markdown** ফাইল নির্দেশ করে, যা সহজভাবে সংজ্ঞায়িত করা যায় `কোড চাঙ্ক` (R বা অন্যান্য ভাষার) এবং একটি `YAML হেডার` (যা আউটপুট যেমন PDF এর ফরম্যাট নির্ধারণে সাহায্য করে) সহ একটি `Markdown ডকুমেন্ট` হিসাবে। এ কারণে, এটি একটি আদর্শ লেখাপড়ার ফ্রেমওয়ার্ক হিসেবে কাজ করে ডেটা সায়েন্সের জন্য কারণ এটি আপনাকে আপনার কোড, তার আউটপুট, এবং আপনার চিন্তাভাবনাগুলো Markdown-এ লিখে একত্রিত করার সুযোগ দেয়। এছাড়া, R Markdown ডকুমেন্টগুলি PDF, HTML, বা Word এর মতো আউটপুট ফরম্যাটে রেন্ডার করা যায়।
> **কুইজ সম্পর্কে একটি নোট**: সমস্ত কুইজ [Quiz App ফোল্ডারে](../../quiz-app) অন্তর্ভুক্ত, মোট ৫২টি কুইজ যেগুলোর প্রতিটিতে তিনটি প্রশ্ন থাকে। এগুলি পাঠগুলির ভিতর থেকে লিঙ্ক করা হয়েছে কিন্তু কুইজ অ্যাপ লোকালি চালানো যায়; লোকালি হোস্ট বা Azure-এ ডিপ্লয় করার জন্য `quiz-app` ফোল্ডারের নির্দেশনা অনুসরণ করুন।
| পাঠ নম্বর | বিষয় | পাঠের শ্রেণীবন্ধন | শেখার উদ্দেশ্য | সংযুক্ত পাঠ | লেখক |
| ০১ | মেশিন লার্নিং-এর ভূমিকা | [পরিচিতি](1-Introduction/README.md) | মেশিন লার্নিং-এর বুনিয়াদি ধারণা শেখা | [পাঠ](1-Introduction/1-intro-to-ML/README.md) | মুহাম্মদ |
| ০২ | মেশিন লার্নিং-এর ইতিহাস | [পরিচিতি](1-Introduction/README.md) | এই ক্ষেত্রে ব্যাকগ্রাউন্ড ইতিহাস শেখা | [পাঠ](1-Introduction/2-history-of-ML/README.md) | জেন ও এমি |
| ০৩ | ন্যায়পরায়ণতা ও মেশিন লার্নিং | [পরিচিতি](1-Introduction/README.md) | মেশিন লার্নিং মডেল তৈরি ও প্রয়োগে ন্যায়পরায়ণতার গুরুত্বপূর্ণ দার্শনিক বিষয়সমূহ সম্পর্কে শেখা | [পাঠ](1-Introduction/3-fairness/README.md) | তোমোমি |
| ০৪ | মেশিন লার্নিং-এর প্রযুক্তি | [পরিচিতি](1-Introduction/README.md) | মেশিন লার্নাররা কোন কোন প্রযুক্তি ব্যবহার করে মডেল তৈরি করে তা শেখা | [পাঠ](1-Introduction/4-techniques-of-ML/README.md) | ক্রিস ও জেন |
| ০৫ | রিগ্রেশন পরিচিতি | [রিগ্রেশন](2-Regression/README.md) | পাইথন ও স্কিকিট-লার্ন ব্যবহার করে রিগ্রেশন মডেল শুরু করা | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | জেন • এরিক ওয়ানজাউ |
| ০৬ | উত্তর আমেরিকার কুমড়ো মূল্য 🎃 | [রিগ্রেশন](2-Regression/README.md) | মেশিন লার্নিং-এর প্রস্তুতিতে ডেটা ভিজ্যুয়ালাইজেশন ও পরিষ্কারকরণ | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | জেন • এরিক ওয়ানজাউ |
| ০৭ | উত্তর আমেরিকার কুমড়ো মূল্য 🎃 | [রিগ্রেশন](2-Regression/README.md) | লিনিয়ার ও পলিনোমিয়াল রিগ্রেশন মডেল তৈরি করা | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | জেন ও ডিমিত্রি • এরিক ওয়ানজাউ |
| ০৮ | উত্তর আমেরিকার কুমড়ো মূল্য 🎃 | [রিগ্রেশন](2-Regression/README.md) | লজিস্টিক রিগ্রেশন মডেল তৈরি করা | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | জেন • এরিক ওয়ানজাউ |
| ০৯ | একটি ওয়েব অ্যাপ 🔌 | [ওয়েব অ্যাপ](3-Web-App/README.md) | প্রশিক্ষিত মডেল ব্যবহারের জন্য একটি ওয়েব অ্যাপ নির্মাণ | [Python](3-Web-App/1-Web-App/README.md) | জেন |
| ১০ | শ্রেণীবিভাগের পরিচিতি | [শ্রেণীবিভাগ](4-Classification/README.md) | আপনার ডেটা পরিষ্কারকরণ, প্রস্তুতি ও ভিজ্যুয়ালাইজেশন; শ্রেণীবিভাগের পরিচিতি | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | জেন ও কেসি • এরিক ওয়ানজাউ |
| ১১ | সুস্বাদু এশিয়ান ও ভারতীয় রান্না 🍜 | [শ্রেণীবিভাগ](4-Classification/README.md) | শ্রেণীবিভাগকারীদের পরিচয় | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | জেন ও কেসি • এরিক ওয়ানজাউ |
| ১২ | সুস্বাদু এশিয়ান ও ভারতীয় রান্না 🍜 | [শ্রেণীবিভাগ](4-Classification/README.md) | আরও শ্রেণীবিভাগকারী | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | জেন ও কেসি • এরিক ওয়ানজাউ |
| ১৩ | সুস্বাদু এশিয়ান ও ভারতীয় রান্না 🍜 | [শ্রেণীবিভাগ](4-Classification/README.md) | আপনার মডেল ব্যবহার করে একটি সুপারিশকারী ওয়েব অ্যাপ তৈরি করুন | [Python](4-Classification/4-Applied/README.md) | জেন |
| ১৫ | নাইজেরিয়ার সঙ্গীত স্বাদের অনুসন্ধান 🎧 | [ক্লাস্টারিং](5-Clustering/README.md) | K-Means ক্লাস্টারিং পদ্ধতি অনুসন্ধান | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | জেন • এরিক ওয়ানজাউ |
| ১৬ | প্রাকৃতিক ভাষা প্রক্রিয়াকরণের পরিচিতি ☕️ | [প্রাকৃতিক ভাষা প্রক্রিয়াকরণ](6-NLP/README.md) | একটি সহজ বট তৈরি করে NLP-এর বুনিয়াদি শিখুন | [Python](6-NLP/1-Introduction-to-NLP/README.md) | স্টিফেন |
| ১৭ | প্রচলিত NLP কাজসমূহ ☕️ | [প্রাকৃতিক ভাষা প্রক্রিয়াকরণ](6-NLP/README.md) | ভাষাগত কাঠামোর মোকাবিলায় প্রয়োজনীয় সাধারণ কাজগুলি বোঝার মাধ্যমে আপনার NLP জ্ঞান গভীর করুন | [Python](6-NLP/2-Tasks/README.md) | স্টিফেন |
| ১৮ | অনুবাদ ও মনোভাব বিশ্লেষণ ♥️ | [প্রাকৃতিক ভাষা প্রক্রিয়াকরণ](6-NLP/README.md) | জেন অস্টিনের সঙ্গে অনুবাদ ও মনোভাব বিশ্লেষণ | [Python](6-NLP/3-Translation-Sentiment/README.md) | স্টিফেন |
| ১৯ | ইউরোপের রোমান্টিক হোটেল ♥️ | [প্রাকৃতিক ভাষা প্রক্রিয়াকরণ](6-NLP/README.md) | হোটেল পর্যালোচনার সঙ্গে মনোভাব বিশ্লেষণ ১ | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | স্টিফেন |
| ২০ | ইউরোপের রোমান্টিক হোটেল ♥️ | [প্রাকৃতিক ভাষা প্রক্রিয়াকরণ](6-NLP/README.md) | হোটেল পর্যালোচনার সঙ্গে মনোভাব বিশ্লেষণ ২ | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | স্টিফেন |
| পরিশিষ্ট | বাস্তব বিশ্বের মেশিন লার্নিং পরিস্থিতি ও প্রয়োগ | [বন্যায় মেশিন লার্নিং](9-Real-World/README.md) | ক্লাসিক্যাল মেশিন লার্নিং-এর মজাদার ও পর্যালোচনামূলক বাস্তব বিশ্বের প্রয়োগসমূহ | [পাঠ](9-Real-World/1-Applications/README.md) | টিম |
| পরিশিষ্ট | RAI ড্যাশবোর্ড ব্যবহার করে ML মডেল ডিবাগিং | [বন্যায় মেশিন লার্নিং](9-Real-World/README.md) | দায়বদ্ধ AI ড্যাশবোর্ড উপাদান ব্যবহার করে মেশিন লার্নিং মডেল ডিবাগিং | [পাঠ](9-Real-World/2-Debugging-ML-Models/README.md) | রুথ ইয়াকুবু |
> [এই কোর্সের সব অতিরিক্ত সংস্থান আমাদের Microsoft Learn সংগ্রহে খুঁজুন](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## অফলাইন অ্যাকসেস
আপনি [Docsify](https://docsify.js.org/#/) ব্যবহার করে এই ডকুমেন্টেশন অফলাইনে চালাতে পারেন। এই রিপোজিটরিটি ফর্ক করুন, আপনার লোকাল মেশিনে [Docsify ইনস্টল করুন](https://docsify.js.org/#/quickstart), এবং এরপর এই রিপোর রুট ফোল্ডারে `docsify serve` টাইপ করুন। ওয়েবসাইটটি আপনার লোকালহোস্টে ৩০০০ নম্বর পোর্টে চালু হবে: `localhost:3000`।
## PDF
কুরিকুলামের PDF প্রাপ্তির জন্য [এখানে](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) দেখুন।
> **একটি ভাষা সম্পর্কে নোট**: এই পাঠগুলো প্রাথমিকভাবে Python এ লেখা, কিন্তু অনেকগুলো R তেও পাওয়া যায়। একটি R পাঠ সম্পন্ন করতে, `/solution` ফোল্ডারে যান এবং R পাঠ খুঁজুন। এগুলোতে .rmd এক্সটেনশন থাকে যা একটি **R Markdown** ফাইল বোঝায়, যা R অথবা অন্যান্য ভাষার `কোড ব্লক` এবং একটি `YAML হেডার` (যা আউটপুট যেমন PDF কিভাবে তৈরি হবে সেটি নির্দেশ করে) যুক্ত একটি `Markdown ডকুমেন্ট`। এটি ডেটা সায়েন্সের জন্য একটি আদর্শ লেখন কাঠামো, কারণ এটি আপনাকে আপনার কোড, আউটপুট ও চিন্তাভাবনা Markdown এ লিখতে দেয়। এছাড়াও, R Markdown ডকুমেন্টগুলো PDF, HTML, বা Word আউটপুট ফরম্যাটে রেন্ডার করা যায়।
> **কুইজ সম্পর্কে নোট**: সমস্ত কুইজ [Quiz App ফোল্ডারে](../../quiz-app) রয়েছে, মোট ৫২টি কুইজ যা প্রতি একটি তিনটি প্রশ্ন নিয়ে গঠিত। এগুলো পাঠের মধ্যে লিঙ্কযুক্ত, তবে কুইজ অ্যাপ লোকালি চালানো যেতে পারে; লোকালি হোস্ট বা Azure-তে ডিপ্লয় করার নির্দেশিকা `quiz-app` ফোল্ডারে পাওয়া যাবে।
| 01 | মেশিন লার্নিংয়ের পরিচিতি | [Introduction](1-Introduction/README.md) | মেশিন লার্নিংয়ের মৌলিক ধারণাগুলো শিখুন | [Lesson](1-Introduction/1-intro-to-ML/README.md) | মুহাম্মদ |
| 02 | মেশিন লার্নিংয়ের ইতিহাস | [Introduction](1-Introduction/README.md) | এই ক্ষেত্রটির ইতিহাস শিখুন | [Lesson](1-Introduction/2-history-of-ML/README.md) | জেন ও অ্যামি |
| 03 | ন্যায্যতা এবং মেশিন লার্নিং | [Introduction](1-Introduction/README.md) | ন্যায্যতা সম্পর্কিত গুরুত্বপূর্ণ দার্শনিক বিষয়গুলো কী, যা শিক্ষার্থীদের মেশিন লার্নিং মডেল তৈরি ও প্রয়োগের সময় বিবেচনা করা উচিত? | [Lesson](1-Introduction/3-fairness/README.md) | টোমোমি |
| 04 | মেশিন লার্নিংয়ের কৌশলসমূহ | [Introduction](1-Introduction/README.md) | মেশিন লার্নিং গবেষকরা মডেল তৈরির জন্য কী কী কৌশল ব্যবহার করেন? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | ক্রিস এবং জেন |
| 05 | রিগ্রেশন পরিচিতি | [Regression](2-Regression/README.md) | রিগ্রেশন মডেলের জন্য পাইথন ও স্কাইকিট-লার্ন দিয়ে শুরু করুন | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | জেন • এরিক ওয়ানজাউ |
| 06 | উত্তর আমেরিকার কুমড়োর দাম 🎃 | [Regression](2-Regression/README.md) | মেশিন লার্নিংয়ের জন্য ডেটা ভিজ্যুয়ালাইজ ও পরিষ্কার করুন | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | জেন • এরিক ওয়ানজাউ |
| 07 | উত্তর আমেরিকার কুমড়োর দাম 🎃 | [Regression](2-Regression/README.md) | লিনিয়ার এবং পলিনোমিয়াল রিগ্রেশন মডেল তৈরি করুন | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | জেন এবং দিমিত্রি • এরিক ওয়ানজাউ |
| 08 | উত্তর আমেরিকার কুমড়োর দাম 🎃 | [Regression](2-Regression/README.md) | লগিস্টিক রিগ্রেশন মডেল তৈরি করুন | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | জেন • এরিক ওয়ানজাউ |
| 09 | ওয়েব অ্যাপ 🔌 | [Web App](3-Web-App/README.md) | প্রশিক্ষিত মডেল ব্যবহার করার জন্য একটি ওয়েব অ্যাপ তৈরি করুন | [Python](3-Web-App/1-Web-App/README.md) | জেন |
| 11 | সুস্বাদু এশীয় এবং ভারতীয় রান্নাঘর 🍜 | [Classification](4-Classification/README.md) | শ্রেণীবিন্যাসের পরিচিতি | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | জেন এবং ক্যাসি • এরিক ওয়ানজাউ |
| 12 | সুস্বাদু এশীয় এবং ভারতীয় রান্নাঘর 🍜 | [Classification](4-Classification/README.md) | আরও শ্রেণীবিন্যাসকারী | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | জেন এবং ক্যাসি • এরিক ওয়ানজাউ |
| 13 | সুস্বাদু এশীয় এবং ভারতীয় রান্নাঘর 🍜 | [Classification](4-Classification/README.md) | আপনার মডেল ব্যবহার করে একটি সুপারিশমূলক ওয়েব অ্যাপ তৈরি করুন | [Python](4-Classification/4-Applied/README.md) | জেন |
| 15 | নাইজেরিয়ান সঙ্গীতের স্বাদ আবিষ্কার 🎧 | [Clustering](5-Clustering/README.md) | K-Mean ক্লাস্টারিং পদ্ধতি পরীক্ষা করুন | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | জেন • এরিক ওয়ানজাউ |
| 16 | প্রাকৃত ভাষা প্রক্রিয়াকরণ পরিচিতি ☕️ | [Natural language processing](6-NLP/README.md) | একটি সাধারণ বট তৈরি করে NLP-এর মৌলিক বিষয়াবলী শিখুন | [Python](6-NLP/1-Introduction-to-NLP/README.md) | স্টিফেন |
| 17 | সাধারণ NLP কাজগুলো ☕️ | [Natural language processing](6-NLP/README.md) | ভাষার গঠন নিয়ে কাজ করার সময় প্রয়োজনীয় সাধারণ কাজগুলো বোঝার মাধ্যমে আপনার NLP জ্ঞান গভীর করুন | [Python](6-NLP/2-Tasks/README.md) | স্টিফেন |
| 18 | অনুবাদ এবং ভাব বিশ্লেষণ ♥️ | [Natural language processing](6-NLP/README.md) | জেন অস্টেনের সাথে অনুবাদ এবং অনুভূতি বিশ্লেষণ | [Python](6-NLP/3-Translation-Sentiment/README.md) | স্টিফেন |
| 19 | ইউরোপের রোমান্টিক হোটেলগুলি ♥️ | [Natural language processing](6-NLP/README.md) | হোটেল পর্যালোচনার সাথে অনুভূতি বিশ্লেষণ ১ | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | স্টিফেন |
| 20 | ইউরোপের রোমান্টিক হোটেলগুলি ♥️ | [Natural language processing](6-NLP/README.md) | হোটেল পর্যালোচনার সাথে অনুভূতি বিশ্লেষণ ২ | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | স্টিফেন |
| 25 | পিটারকে বাঘের হাত থেকে বাঁচাতে সাহায্য করুন! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | রিইনফোর্সমেন্ট লার্নিং জিম | [Python](8-Reinforcement/2-Gym/README.md) | দিমিত্রি |
| Postscript | বাস্তব জীবনের মেশিন লার্নিং দৃশ্য এবং প্রয়োগ | [ML in the Wild](9-Real-World/README.md) | ক্লাসিক্যাল ML-এর আকর্ষণীয় এবং প্রকাশক বাস্তব বিশ্বের প্রয়োগ | [Lesson](9-Real-World/1-Applications/README.md) | টিম |
| Postscript | RAI ড্যাশবোর্ড ব্যবহার করে মডেল ডিবাগিং | [ML in the Wild](9-Real-World/README.md) | রেসপনসিবল এআই ড্যাশবোর্ড উপাদান ব্যবহার করে মেশিন লার্নিংয়ে মডেল ডিবাগিং | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | রুথ ইয়াকুবু |
> [এই কোর্সের সমস্ত অতিরিক্ত সম্পদ আমাদের Microsoft Learn সংগ্রহে খুঁজুন](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## অফলাইন এক্সেস
আপনি [Docsify](https://docsify.js.org/#/) ব্যবহার করে এই ডকুমেন্টেশন অফলাইনে চালাতে পারেন। এই রেপোটি ফর্ক করুন, আপনার লোকাল মেশিনে [Docsify ইনস্টল করুন](https://docsify.js.org/#/quickstart), এবং তারপর এই রেপোর মূল ফোল্ডারে `docsify serve` টাইপ করুন। ওয়েবসাইটটি আপনার লোকালহোস্টে পোর্ট 3000-এ পরিবর্ধিত হবে: `localhost:3000`।
## পিডিএফ
সিলেবাসের একটি পিডিএফ লিঙ্ক সহ [এখানে](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) খুঁজুন।
## 🎒 অন্যান্য কোর্স
আমাদের টিম অন্যান্য কোর্স তৈরি করে! দেখুন:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
### তৈরি AI সিরিজ
[](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)
@ -197,51 +202,51 @@
---
### মূল শেখা
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/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)
- প্রতিটি পাঠের পর নোটবুকগুলি পর্যালোচনা করুন আরও ভালো বোঝার জন্য।
- নিজে অ্যালগরিদমগুলো প্রয়োগ করার অনুশীলন করুন।
- শেখা ধারণাগুলো ব্যবহার করে বাস্তব বিশ্বের ডেটাসেট অন্বেষণ করুন।
- প্রতিটি লেসনের পরে নোটবুকগুলো পর্যালোচনা করুন ভালো বোঝার জন্য।
- নিজেরা অ্যালগোরিদম প্রয়োগের অনুশীলন করুন।
- শেখা ধারণা ব্যবহার করে বাস্তব ডেটাসেট অন্বেষণ করুন।
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**অস্বীকৃতি**:
এই নথিটি AI অনুবাদ সেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনূদিত হয়েছে। আমরা যথাসাধ্য সঠিকতার চেষ্টা করি, তবুও জেনে রাখুন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা ভুল থাকতে পারে। মূল নথিটি তার মাতৃভাষায়ই কর্তৃত্বপূর্ণ উৎস হিসেবে গণ্য করা উচিত। গুরুত্বপূর্ণ তথ্যের জন্য পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদের ব্যবহারে সৃষ্ট কোনো ভুল বোঝাবুঝি বা ভুল ব্যাখ্যার জন্য আমরা দায়বদ্ধ নই।
**অস্বীকৃতি**:
এই নথিটি AI অনুবাদ পরিষেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনূদিত হয়েছে। যদিও আমরা শুদ্ধতার জন্য চেষ্টা করি, অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। মূল নথিটি তার স্বভাষায় কর্তৃত্বপূর্ণ উৎস হিসেবে বিবেচিত হওয়া উচিত। গুরুত্বপূর্ণ তথ্যের জন্য পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদের ব্যবহারে প্রয়োজনীয় ভুল বোঝাবুঝি বা ভুল ব্যাখ্যার জন্য আমরা দায়বদ্ধ নই।
আপনি কি আপনার ক্লাসরুমে এই পাঠ্যক্রমটি ব্যবহার করতে চান? নির্দ্বিধায় ব্যবহার করুন!
আপনি কি আপনার শ্রেণিকক্ষে এই পাঠ্যক্রমটি ব্যবহার করতে চান? নিশ্চিন্তে ব্যবহার করুন!
আসলে, আপনি এটি GitHub-এর মাধ্যমেই ব্যবহার করতে পারেন GitHub Classroom ব্যবহার করে।
আসলে, আপনি GitHub Classroom ব্যবহার করে GitHub-এর ভিতরেই এটি ব্যবহার করতে পারেন।
এটি করতে, এই রিপোজিটরিটি ফর্ক করুন। আপনাকে প্রতিটি পাঠের জন্য একটি রিপোজিটরি তৈরি করতে হবে, তাই আপনাকে প্রতিটি ফোল্ডার আলাদা রিপোজিটরিতে বের করতে হবে। এভাবে, [GitHub Classroom](https://classroom.github.com/classrooms) প্রতিটি পাঠ আলাদাভাবে নিতে পারবে।
তা করতে, এই রিপোটি fork করুন। আপনাকে প্রতিটি পাঠের জন্য আলাদা রিপো তৈরি করতে হবে, তাই আপনাকে প্রতিটি ফোল্ডার আলাদা করে একটি রিপোতে রূপান্তর করতে হবে। এইভাবে, [GitHub Classroom](https://classroom.github.com/classrooms) প্রতিটি পাঠ আলাদাভাবে গ্রহণ করতে পারবে।
এই [সম্পূর্ণ নির্দেশাবলী](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) আপনাকে ক্লাসরুম সেটআপ করার ধারণা দেবে।
এই [পূর্ণ নির্দেশাবলী](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) আপনাকে আপনার শ্রেণিকক্ষ সেটআপ করার ধারণা দেবে।
## রিপোজিটরি বর্তমান অবস্থায় ব্যবহার করা
## বিদ্যমান রিপো ব্যবহার
আপনি যদি GitHub Classroom ব্যবহার না করে এই রিপোজিটরিটি বর্তমান অবস্থায় ব্যবহার করতে চান, সেটিও সম্ভব। আপনাকে আপনার শিক্ষার্থীদের জানাতে হবে কোন পাঠটি একসঙ্গে কাজ করতে হবে।
আপনি যদি এই রিপোটি যেমন আছে তেমন ব্যবহার করতে চান, GitHub Classroom ব্যবহার না করেও, তাও সম্ভব। আপনাকে আপনার ছাত্রদের সাথে যোগাযোগ করতে হবে কোন পাঠটি একসাথে করতে হবে সে সম্পর্কে।
অনলাইন ফরম্যাটে (Zoom, Teams, বা অন্য কিছু) আপনি কুইজের জন্য ব্রেকআউট রুম তৈরি করতে পারেন এবং শিক্ষার্থীদের শেখার জন্য প্রস্তুত করতে মেন্টর করতে পারেন। তারপর শিক্ষার্থীদের কুইজের জন্য আমন্ত্রণ জানান এবং নির্দিষ্ট সময়ে তাদের উত্তর 'ইস্যু' হিসেবে জমা দিতে বলুন। আপনি একই কাজ অ্যাসাইনমেন্টের জন্যও করতে পারেন, যদি আপনি চান শিক্ষার্থীরা খোলামেলা পরিবেশে একসঙ্গে কাজ করুক।
অনলাইনে (Zoom, Teams, অথবা অন্য) আপনি কুইজের জন্য ব্রেকআউট রুম তৈরি করতে পারেন, এবং ছাত্রদের সাহায্য করতে পারেন যাতে তারা শেখার জন্য প্রস্তুত হয়। এরপর ছাত্রদের আমন্ত্রণ করতে পারেন কুইজ নেওয়ার জন্য এবং তাদের উত্তর 'ইস্যু' হিসেবে নির্দিষ্ট সময়ে জমা দিতে বলুন। আপনি চাইলে একইভাবে অ্যাসাইনমেন্টেও কাজ করতে পারেন, যদি আপনি চান ছাত্ররা মিলেমিশে খোলা পরিবেশে কাজ করুক।
যদি আপনি আরও ব্যক্তিগত ফরম্যাট পছন্দ করেন, তাহলে আপনার শিক্ষার্থীদের পাঠ্যক্রমটি পাঠ ধরে ধরে তাদের নিজস্ব GitHub রিপোজিটরিতে ফর্ক করতে বলুন, যা প্রাইভেট রিপোজিটরি হবে, এবং আপনাকে অ্যাক্সেস দিন। এরপর তারা কুইজ এবং অ্যাসাইনমেন্টগুলো ব্যক্তিগতভাবে সম্পন্ন করতে পারবে এবং আপনার ক্লাসরুম রিপোজিটরিতে ইস্যুর মাধ্যমে সেগুলো জমা দিতে পারবে।
আপনি যদি একটি ব্যক্তিগত ফরম্যাট পছন্দ করেন, তাহলে আপনার ছাত্রদের বলুন যে তারা পাঠক্রমটি ধাপে ধাপে ফর্ক করুক তাদের নিজস্ব GitHub রিপোতে, যা ব্যক্তিগত রিপো হবে, এবং আপনাকে অ্যাক্সেস দিন। তারপর তারা ব্যক্তিগতভাবে কুইজ এবং অ্যাসাইনমেন্ট সম্পন্ন করে আপনাকে ইস্যুর মাধ্যমে জমা দিতে পারবে, যা আপনার ক্লাসরুম রিপোতে থাকবে।
অনলাইন ক্লাসরুম ফরম্যাটে এটি কাজ করার অনেক উপায় আছে। আমাদের জানান কোনটি আপনার জন্য সবচেয়ে ভালো কাজ করে!
অনলাইন শ্রেণিকক্ষ ফরম্যাটে এটি কাজ করার অনেক উপায় রয়েছে। অনুগ্রহ করে জানান কি আপনার জন্য সবচেয়ে ভাল কাজ করে!
## আমাদের আপনার মতামত দিন!
## অনুগ্রহ করে আপনার মতামত দিন!
আমরা চাই এই পাঠ্যক্রমটি আপনার এবং আপনার শিক্ষার্থীদের জন্য কার্যকর হোক। আমাদের [মতামত দিন](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u)।
আমরা এই পাঠ্যক্রমটি আপনার এবং আপনার ছাত্রদের জন্য কার্যকর করতে চাই। অনুগ্রহ করে আমাদের [ফিডব্যাক](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u) দিন।
---
**অস্বীকৃতি**:
এই নথিটি AI অনুবাদ পরিষেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনুবাদ করা হয়েছে। আমরা যথাসাধ্য সঠিকতা নিশ্চিত করার চেষ্টা করি, তবে অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। মূল ভাষায় থাকা নথিটিকে প্রামাণিক উৎস হিসেবে বিবেচনা করা উচিত। গুরুত্বপূর্ণ তথ্যের জন্য, পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদ ব্যবহারের ফলে কোনো ভুল বোঝাবুঝি বা ভুল ব্যাখ্যা হলে আমরা দায়বদ্ধ থাকব না।
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**অস্বীকৃতি**:
এই নথিটি AI অনুবাদ পরিষেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনূদিত হয়েছে। যদিও আমরা শুদ্ধতার জন্য চেষ্টা করি, অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। মূল নথিটি তার স্বভাষায় কর্তৃত্বপূর্ণ উৎস হিসেবে বিবেচিত হওয়া উচিত। গুরুত্বপূর্ণ তথ্যের জন্য পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদের ব্যবহারে প্রয়োজনীয় ভুল বোঝাবুঝি বা ভুল ব্যাখ্যার জন্য আমরা দায়বদ্ধ নই।
> 🎥 वरील प्रतिमेवर क्लिक करा आणि या धड्याचा व्हिडिओ पहा.
> 🎥 या धड्याद्वारे काम करत असलेल्या एका लहान व्हिडिओसाठी वरील प्रतिमेवर क्लिक करा.
या धड्यात आपण मशीन लर्निंग आणि कृत्रिम बुद्धिमत्तेच्या इतिहासातील महत्त्वाच्या टप्प्यांवर चर्चा करू.
या धड्यात, आपण मशीन लर्निंग आणि कृत्रिम बुद्धिमत्तेच्या इतिहासातील प्रमुख टप्प्यांवरून प्रवास करू.
कृत्रिम बुद्धिमत्ता (AI) क्षेत्राचा इतिहास मशीन लर्निंगच्या इतिहासाशी जोडलेला आहे, कारण ML च्या अल्गोरिदम्स आणि संगणकीय प्रगतींनी AI च्या विकासाला चालना दिली. हे लक्षात ठेवणे उपयुक्त आहे की, जरी या क्षेत्रांनी स्वतंत्र संशोधन क्षेत्र म्हणून 1950 च्या दशकात आकार घेतला, तरी [अल्गोरिदमिक, सांख्यिकीय, गणितीय, संगणकीय आणि तांत्रिक शोध](https://wikipedia.org/wiki/Timeline_of_machine_learning) या काळापूर्वी आणि त्याच वेळी झाले होते. खरं तर, लोक [शेकडो वर्षांपासून](https://wikipedia.org/wiki/History_of_artificial_intelligence) या प्रश्नांवर विचार करत आहेत: या लेखात 'विचार करणाऱ्या मशीन'च्या संकल्पनेच्या ऐतिहासिक बौद्धिक पाया यावर चर्चा केली आहे.
कृत्रिम बुद्धिमत्ता (एआय) या क्षेत्राचा इतिहास मशीन लर्निंगच्या इतिहासाशी गुंतलेला आहे, कारण एमएलला आधार देणारे अल्गोरिदम व संगणकीय प्रगती एआयच्या विकासात मदत करतात. लक्षात ठेवणे उपयोगी आहे की, या क्षेत्रांनी वेगळ्या संशोधनाच्या भागांप्रमाणे 1950च्या दशकात स्वरूप घेतले, परंतु महत्त्वपूर्ण [अल्गोरिदमिक, सांख्यिकीय, गणितीय, संगणकीय व तांत्रिक शोध] (https://wikipedia.org/wiki/Timeline_of_machine_learning) यांनी या काळापूर्वी आणि त्याच वेळी कार्य केले. खरंतर, लोक या प्रश्नांवर [शेकडा वर्षे](https://wikipedia.org/wiki/History_of_artificial_intelligence) विचार करत आले आहेत: हा लेख 'विचार करणाऱ्या यंत्राच्या' या कल्पनेच्या ऐतिहासिक मानसिक आधारांबाबत चर्चा करतो.
---
## महत्त्वाचे शोध
- 1763, 1812 [Bayes Theorem](https://wikipedia.org/wiki/Bayes%27_theorem) आणि त्याचे पूर्वसूरी. हा प्रमेय आणि त्याचे उपयोग अनुमानावर आधारित आहेत, जे पूर्वीच्या ज्ञानावर आधारित एखाद्या घटनेच्या घडण्याची शक्यता वर्णन करतात.
- 1805 [Least Square Theory](https://wikipedia.org/wiki/Least_squares) फ्रेंच गणितज्ञ Adrien-Marie Legendre यांनी मांडली. ही सिद्धांत, जी आपण Regression युनिटमध्ये शिकणार आहात, डेटा फिटिंगसाठी मदत करते.
- 1913 [Markov Chains](https://wikipedia.org/wiki/Markov_chain), रशियन गणितज्ञ Andrey Markov यांच्या नावावर आधारित, पूर्वीच्या स्थितीवर आधारित संभाव्य घटनांच्या अनुक्रमाचे वर्णन करण्यासाठी वापरली जाते.
- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron) हा एक प्रकारचा रेषीय वर्गीकरणकर्ता आहे जो अमेरिकन मानसशास्त्रज्ञ Frank Rosenblatt यांनी शोधला आणि जो डीप लर्निंगच्या प्रगतीसाठी आधारभूत आहे.
- 1763, 1812 [बेस प्रमेय](https://wikipedia.org/wiki/Bayes%27_theorem) आणि त्याच्या पूर्वज. हे प्रमेय आणि त्याच्या अनुप्रयोगांवर आधारित परिणामकारकता आहे, जे पूर्वीच्या माहितीवर आधारित घटनेच्या शक्यतेचे वर्णन करतात.
- 1805 फ्रेंच गणितज्ञ अड्रियन-मारी लेजंद्र यांनी तयार केलेली [लीस्ट स्क्वेअर थिअरी](https://wikipedia.org/wiki/Least_squares). ही सिद्धांत, जी आपण आमच्या रिग्रेशन युनिटमध्ये शिकाल, डेटा फिटिंगसाठी मदत करते.
- 1913 [मार्कोव्ह चेन](https://wikipedia.org/wiki/Markov_chain), रशियन गणितज्ञ आंद्रे मार्कोव्ह यांच्या नावावर, ही शक्य घटनांच्या अनुक्रमाचे वर्णन करण्यासाठी वापरली जाते.
- 1957 [परसेप्ट्रॉन](https://wikipedia.org/wiki/Perceptron) हे अमेरिकन मानसशास्त्रज्ञ फ्रँक रोजनब्लॅट यांनी शोधलेले एक रेषीय वर्गीकरण आहे जे डीप लर्निंगमध्ये प्रगतीला आधार देते.
---
- 1967 [Nearest Neighbor](https://wikipedia.org/wiki/Nearest_neighbor) हा अल्गोरिदम मूळतः मार्ग शोधण्यासाठी डिझाइन केला गेला होता. ML संदर्भात तो नमुने ओळखण्यासाठी वापरला जातो.
- 1970 [Backpropagation](https://wikipedia.org/wiki/Backpropagation) [feedforward neural networks](https://wikipedia.org/wiki/Feedforward_neural_network) प्रशिक्षणासाठी वापरला जातो.
- 1982 [Recurrent Neural Networks](https://wikipedia.org/wiki/Recurrent_neural_network) हे कृत्रिम न्यूरल नेटवर्क्स आहेत जे feedforward neural networks वरून तयार केले जातात आणि तात्कालिक ग्राफ तयार करतात.
- 1967 [निकटतम शेजारी](https://wikipedia.org/wiki/Nearest_neighbor) हा मूळतः मार्ग शोधण्यासाठी तयार केलेला अल्गोरिदम आहे. एमएल संदर्भात, तो पॅटर्न ओळखण्यासाठी वापरला जातो.
- 1970 [बॅकप्रोपगेशन](https://wikipedia.org/wiki/Backpropagation) वापरून [फीडफॉरवर्ड न्यूरल नेटवर्क](https://wikipedia.org/wiki/Feedforward_neural_network) प्रशिक्षित केले जातात.
- 1982 [रेक करण्य न्यूरल नेटवर्क](https://wikipedia.org/wiki/Recurrent_neural_network) हा फीडफॉरवर्ड न्यूरल नेटवर्कमधून तयार केलेला कृत्रिम न्यूरल नेटवर्क आहे जो कालक्रमिक ग्राफ तयार करतो.
✅ थोडे संशोधन करा. ML आणि AI च्या इतिहासातील आणखी कोणते महत्त्वाचे टप्पे आहेत?
✅ थोडे संशोधन करा. मशीन लर्निंग आणि AI च्या इतिहासातील दुसरे कोणते महत्त्वाचे तारखा लक्ष वेधून घेतात?
---
## 1950: विचार करणाऱ्या मशीन
## 1950: विचार करणारी यंत्रे
Alan Turing, एक विलक्षण व्यक्ती ज्यांना [2019 मध्ये](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) सार्वजनिक मताने 20व्या शतकातील महान वैज्ञानिक म्हणून निवडले गेले, 'विचार करू शकणाऱ्या मशीन'च्या संकल्पनेचा पाया घालण्यात मदत केल्याचे श्रेय दिले जाते. त्यांनी [Turing Test](https://www.bbc.com/news/technology-18475646) तयार करून या संकल्पनेच्या अनुभवजन्य पुराव्याची गरज पूर्ण केली, ज्याचा अभ्यास आपण NLP धड्यांमध्ये कराल.
अॅलन ट्युरिंग, एक खरोखरच विलक्षण व्यक्ती ज्यास [2019 मध्ये जनतेने](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) 20 व्या शतकाचा महानतम शास्त्रज्ञ म्हणून निवडले, 'विचार करू शकणाऱ्या यंत्राच्या' संकल्पनेची पायाभरणी करण्यात मदत केल्याचा दावा केला जातो. त्यांनी विरोधकांशी संघर्ष केला आणि या संकल्पनेच्या अनुभवजन्य पुराव्याची गरज भागवण्यासाठी [ट्युरिंग टेस्ट](https://www.bbc.com/news/technology-18475646) तयार केली, जी आपण आपल्या NLP धड्यांत पाहणार आहोत.
---
## 1956: डार्टमथ समर रिसर्च प्रोजेक्ट
## 1956: डार्टमाऊथ समर रिसर्च प्रोजेक्ट
"डार्टमथ समर रिसर्च प्रोजेक्ट ऑन आर्टिफिशियल इंटेलिजन्स हा कृत्रिम बुद्धिमत्तेच्या क्षेत्रासाठी एक महत्त्वाचा कार्यक्रम होता," आणि याच ठिकाणी 'कृत्रिम बुद्धिमत्ता' हा शब्द तयार करण्यात आला ([source](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
"कृत्रिम बुद्धिमत्तेवरील डार्टमाऊथ समर रिसर्च प्रोजेक्ट हा एआय क्षेत्रासाठी एक प्रमुख घटना होती," आणि येथेच 'कृत्रिम बुद्धिमत्ता' या संज्ञेची निर्मिती झाली ([स्रोत](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
> शिकण्याचा प्रत्येक पैलू किंवा बुद्धिमत्तेची कोणतीही वैशिष्ट्ये तत्त्वतः इतकी अचूकपणे वर्णन केली जाऊ शकतात की मशीन त्याची नक्कल करू शकते.
> शिक्षणाचा किंवा बुद्धिमत्तेच्या कोणत्याही वैशिष्ट्याचा प्रत्येक पैलू इतक्या अचूकतेने वर्णन केला जाऊ शकतो की ते अनुकरण करणारे यंत्र तयार केले जाऊ शकते.
---
प्रमुख संशोधक, गणिताचे प्राध्यापक John McCarthy, यांनी "शिकण्याचा प्रत्येक पैलू किंवा बुद्धिमत्तेची कोणतीही वैशिष्ट्ये तत्त्वतः इतकी अचूकपणे वर्णन केली जाऊ शकतात की मशीन त्याची नक्कल करू शकते" या गृहीतकाच्या आधारावर पुढे जाण्याची आशा व्यक्त केली. सहभागी Marvin Minsky यांच्यासारख्या क्षेत्रातील आणखी एका महान व्यक्तीचा समावेश होता.
प्रकल्पाचे प्रमुख संशोधक, गणितप्रोफेसर जॉन मॅकार्थी, "हा अनुमान आहे की शिक्षण किंवा बुद्धिमत्तेच्या कोणत्याही वैशिष्ट्याला इतक्या अचूकतेने वर्णन करता येते की यंत्र तयार करून ते अनुकरण करता येईल" अशी आशा बाळगत होते. सहभागी यामध्ये क्षेत्रातील दुसरे एक दिग्गज, मार्विन मिंस्की होते.
या कार्यशाळेने "प्रतीकात्मक पद्धतींचा उदय, मर्यादित डोमेनवर केंद्रित प्रणाली (प्रारंभिक तज्ञ प्रणाली), आणि deductive प्रणाली विरुद्ध inductive प्रणाली" यासह अनेक चर्चांना चालना दिली ([source](https://wikipedia.org/wiki/Dartmouth_workshop)).
या कार्यशाळेने "प्रतीकात्मक पद्धतींचा उदय, मर्यादित क्षेत्रांवर लक्ष केंद्रीत सिस्टीम्स (प्रारंभिक विशेषज्ञ प्रणाली), आणि सूक्ष्म प्रणाली विरुद्ध प्रेरित प्रणाली" या विषयांवर अनेक चर्चांना प्रोत्साहन दिले होते. ([स्रोत](https://wikipedia.org/wiki/Dartmouth_workshop)).
---
## 1956 - 1974: "सुवर्ण युग"
## 1956 - 1974: "सुवर्णकाल"
1950 च्या दशकापासून ते 70 च्या दशकाच्या मध्यापर्यंत, AI अनेक समस्या सोडवू शकेल अशी आशा मोठ्या प्रमाणावर होती. 1967 मध्ये Marvin Minsky यांनी आत्मविश्वासाने सांगितले की "एका पिढीच्या आत ... 'कृत्रिम बुद्धिमत्ता' तयार करण्याचे काम मोठ्या प्रमाणावर सोडवले जाईल." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
1950 पासून मध्य 70 पर्यंत, AI अनेक समस्या सोडवेल अशी आशा होती. 1967 मध्ये, मार्विन मिंस्की आत्मविश्वासाने म्हणाले की "एक पिढीच्या आत ... 'कृत्रिम बुद्धिमत्ता' तयार करण्याचा प्रश्न संपुष्टात येईल." (मिंस्की, मार्विन (1967), कम्प्युटेशन: फाइनेट आणि इनफाइनेट मशिन्स, इंग्लवुड क्लिफ्स, एन.जे.: प्रेंटिस-हॉल)
नैसर्गिक भाषा प्रक्रिया संशोधन फुलले, शोध अधिक परिष्कृत आणि शक्तिशाली बनला, आणि 'मायक्रो-वर्ल्ड्स'ची संकल्पना तयार झाली, जिथे साध्या कार्यांना साध्या भाषेतील सूचनांचा वापर करून पूर्ण केले गेले.
नॅचरल लँग्वेज प्रोसेसिंग संशोधनाला चालना मिळाली, शोधाचा विकास झाला आणि शक्तिशाली झाला, तसेच 'मायक्रो-वर्ल्ड' संकल्पना निर्माण झाली, जिथे साध्या भाषेतील सूचनांद्वारे सोप्या कामांना पूर्ण केले गेले.
---
सरकारी संस्थांकडून संशोधनाला चांगले वित्तपुरवठा मिळाला, संगणन आणि अल्गोरिदम्समध्ये प्रगती झाली, आणि बुद्धिमान मशीनचे प्रोटोटाइप तयार करण्यात आले. या मशीनमध्ये समाविष्ट आहेत:
संशोधनासाठी सरकारी एजन्सीजकडून चांगली आर्थिक मदत मिळाली, संगणक व अल्गोरिदममध्ये प्रगती झाली, आणि बुद्धिमान यंत्रांच्या प्रोटोटाइप तयार झाले. यापैकी काही यंत्रे म्हणजे:
* [Shakey the robot](https://wikipedia.org/wiki/Shakey_the_robot), जो कार्य 'बुद्धिमत्तेने' कसे करायचे ते ठरवू शकतो.
* [शेकी द रोबोट](https://wikipedia.org/wiki/Shakey_the_robot), ज्याला बुद्धिमत्तेने काम कसे करायचे याचा निर्णय घेता येई.
> Shakey, 1972 मध्ये
> 1972 मधील शेकी
---
* Eliza, एक प्रारंभिक 'चॅटरबॉट', लोकांशी संवाद साधू शकतो आणि एक प्राथमिक 'थेरपिस्ट' म्हणून काम करू शकतो. NLP धड्यांमध्ये तुम्ही Eliza बद्दल अधिक शिकाल.
* एलिझा, एक आग्ली 'चॅटरबोट', जी लोकांशी संवाद साधू शकत असे आणि प्राथमिक 'थेरपिस्ट' म्हणून काम करू शकत असे. NLP धड्यांत आपल्याला एलिझा बद्दल अधिक माहिती मिळेल.
> Eliza, एक चॅटबॉट
> एलिझाचा एक आवृत्ती, एक चॅटबॉट
---
* "Blocks world" हा मायक्रो-वर्ल्डचा एक उदाहरण होता जिथे ब्लॉक्स स्टॅक आणि सॉर्ट केले जाऊ शकतात, आणि मशीनला निर्णय घेण्याचे शिक्षण देण्याचे प्रयोग केले जाऊ शकतात. [SHRDLU](https://wikipedia.org/wiki/SHRDLU) सारख्या लायब्ररीसह तयार केलेल्या प्रगतींनी भाषा प्रक्रिया पुढे नेण्यास मदत केली.
* "ब्लॉक्स वर्ल्ड" हा एक मायक्रो-वर्ल्ड होता जिथे ब्लॉक्सना ढगावता येत असे आणि छाटता येत असे, आणि मशीनला निर्णय घेण्यासाठी शिकवण्याचा प्रयोग केला जात असे. [SHRDLU](https://wikipedia.org/wiki/SHRDLU) सारख्या लायब्ररींच्या मदतीने भाषेचे संशोधन पुढे चालले.
1970 च्या दशकाच्या मध्यापर्यंत, 'बुद्धिमान मशीन' तयार करण्याची गुंतागुंत कमी लेखली गेली होती आणि उपलब्ध संगणन शक्तीच्या तुलनेत त्याचे वचन अतिशयोक्तीपूर्ण असल्याचे स्पष्ट झाले. निधी कमी झाला आणि क्षेत्रातील आत्मविश्वास कमी झाला. आत्मविश्वासावर परिणाम करणाऱ्या काही मुद्द्यांमध्ये समाविष्ट आहेत:
मध्य 1970 च्या दशकाच्या आसपास, 'बुद्धिमान यंत्रे' तयार करण्याची गुंतागुंत खूप कमी गणली गेली होती आणि उपलब्ध संगणकीय क्षमता विचारात घेता त्याचे आश्वासन जास्त दाखवण्यात आले होते, हे स्पष्ट झाले. निधी संपुष्टात आला आणि आत्मविश्वास कमी झाला. काही मुद्दे जे आत्मविश्वासावर परिणाम करत होते त्यात समाविष्ट आहेत:
---
- **मर्यादा**. संगणन शक्ती खूप मर्यादित होती.
- **संयोजनात्मक स्फोट**. संगणकांकडून अधिक अपेक्षा केल्यामुळे प्रशिक्षित करावयाच्या पॅरामीटर्सची संख्या घातांकीय वाढली, परंतु संगणन शक्ती आणि क्षमता यामध्ये समांतर उत्क्रांती झाली नाही.
- **डेटाची कमतरता**. डेटाची कमतरता होती ज्यामुळे अल्गोरिदम्सची चाचणी, विकास आणि परिष्करण प्रक्रिया अडथळ्यात आली.
- **आपण योग्य प्रश्न विचारत आहोत का?**. विचारले जात असलेल्या प्रश्नांवरच प्रश्न उपस्थित होऊ लागले. संशोधक त्यांच्या दृष्टिकोनांबद्दल टीका सहन करू लागले:
- Turing चाचण्यांवर 'चायनीज रूम थिअरी' सारख्या कल्पनांद्वारे प्रश्न उपस्थित करण्यात आला, ज्याने "डिजिटल संगणक प्रोग्रामिंगमुळे भाषा समजल्यासारखे वाटू शकते परंतु खऱ्या समजुतीची निर्मिती होऊ शकत नाही" असे मांडले. ([source](https://plato.stanford.edu/entries/chinese-room/))
- "थेरपिस्ट" ELIZA सारख्या कृत्रिम बुद्धिमत्तांना समाजात आणण्याच्या नैतिकतेवर प्रश्न उपस्थित करण्यात आला.
- **मर्यादा**. संगणकीय शक्ति खूप मर्यादित होती.
- **संयोजक विस्फोट**. जास्त मागणीमुळे प्रशिक्षित करावयाच्या पॅरामीटर्सची संख्या घनघोरपणे वाढली, पण संगणकीय शक्ति आणि क्षमता यातील समान विकास नव्हता.
- **डेटाची कमतरता**. डेटा कमतरतेमुळे अल्गोरिदम चाचणी, विकास, आणि सुधारणेची प्रक्रिया बाधित झाली.
- **आपण योग्य प्रश्न विचारत आहोत काय?**. विचारलेल्या प्रश्नांवरच प्रश्न उपस्थित होऊ लागले. संशोधकांना त्यांच्या दृष्टिकोनांचा टीका सहन करावी लागली:
- ट्युरिंग चाचणीवर प्रश्न उभा राहिला, जसे की 'चायनीज रूम थिअरी'ने मांडले की, "डिजिटल संगणकाला प्रोग्रामिंग करून तो भाषा समजत असल्यासारखा दिसू शकतो पण खरे समजूतदारपणा निर्माण करू शकत नाही." ([स्रोत](https://plato.stanford.edu/entries/chinese-room/))
- समाजात 'थेरपिस्ट' एलिझा सारख्या कृत्रिम बुद्धिमत्ता आणण्याच्या नैतिकतेवर प्रश्न उपस्थित झाला.
---
त्याच वेळी, AI च्या विविध विचारधारा तयार होऊ लागल्या. ["scruffy" vs. "neat AI"](https://wikipedia.org/wiki/Neats_and_scruffies) पद्धतींमध्ये द्वंद्व निर्माण झाले. _Scruffy_ प्रयोगशाळा तासन्तास प्रोग्राम्समध्ये बदल करत होत्या जोपर्यंत त्यांना हवे असलेले परिणाम मिळत नाहीत. _Neat_ प्रयोगशाळा "तार्किक आणि औपचारिक समस्या सोडवण्यावर" लक्ष केंद्रित करत होत्या. ELIZA आणि SHRDLU हे प्रसिद्ध _scruffy_ प्रणाली होते. 1980 च्या दशकात, ML प्रणाली पुनरुत्पादनीय बनवण्याची मागणी वाढल्यामुळे, _neat_ दृष्टिकोन हळूहळू पुढे आला कारण त्याचे परिणाम अधिक स्पष्ट आहेत.
त्याच वेळी, विविध AI विचारसरणी तयार होऊ लागल्या. ["स्क्रफी" विरुद्ध "नीट AI"](https://wikipedia.org/wiki/Neats_and_scruffies) या द्वैताने मार्ग दाखविला. _स्क्रफी_ प्रयोगशाळा तासोंत प्रोग्राममध्ये बदल करत काही निष्कर्ष मिळवायचा प्रयत्न करत असे. _नीट_ प्रयोगशाळा "तार्किक आणि औपचारिक समस्या सोडवण्यावर" लक्ष केंद्रित करत असे. एलिझा आणि SHRDLU हे प्रसिद्ध _स्क्रफी_ प्रणाली होती. 1980 च्या दशकात, जेव्हा ML प्रणाली पुनरुत्पादक बनवण्याची मागणी वाढली, तेव्हा _नीट_ दृष्टिकोन हळूहळू आघाडीवर आला कारण त्याचे परिणाम अधिक स्पष्ट होते.
---
## 1980s: तज्ञ प्रणाली
## 1980 चे दशक - विशेषज्ञ प्रणाली
जसे क्षेत्र वाढले, त्याचा व्यवसायासाठी होणारा फायदा अधिक स्पष्ट झाला, आणि 1980 च्या दशकात 'तज्ञ प्रणाली'चा प्रसार झाला. "तज्ञ प्रणाली कृत्रिम बुद्धिमत्तेच्या (AI) सॉफ्टवेअरच्या पहिल्या खऱ्या यशस्वी प्रकारांपैकी एक होती." ([source](https://wikipedia.org/wiki/Expert_system)).
क्षेत्र वाढल्यामुळे त्याचा व्यवसायात उपयोग स्पष्ट झाला, आणि 1980 च्या दशकात 'विशेषज्ञ प्रणाली'ची प्रचंड लोकप्रियता झाली. "विशेषज्ञ प्रणाली ही कृत्रिम बुद्धिमत्तेच्या (AI) खऱ्या यशस्वी सॉफ्टवेअर प्रकारांपैकी प्राथमिक होती." ([स्रोत](https://wikipedia.org/wiki/Expert_system)).
हा प्रकार प्रत्यक्षात _हायब्रिड_ होता, ज्यामध्ये व्यवसायाच्या गरजा परिभाषित करणारे नियम इंजिन आणि नियम प्रणालीचा उपयोग करून नवीन तथ्ये शोधण्यासाठी एक अनुमान इंजिन समाविष्ट होते.
ही प्रणाली प्रत्यक्षात _हायब्रिड_ आहे, ज्यात व्यवसायिक आवश्यकतांसाठी नियम इंजिन आणि नियम प्रणालीचा उपयोग करून नवीन तथ्ये शोधणारी इनफरन्स इंजिन असते.
या काळात न्यूरल नेटवर्क्सकडे अधिक लक्ष दिले गेले.
या काळात न्यूरल नेटवर्कला वाढती लक्षवेधी झाली.
---
## 1987 - 1993: AI 'थंडावा'
## 1987 - 1993: AI 'चिल'
विशेष तज्ञ प्रणाली हार्डवेअरचा प्रसार दुर्दैवाने खूप विशेषीकृत झाला. वैयक्तिक संगणकांच्या उदयानंतर या मोठ्या, विशेषीकृत, केंद्रीकृत प्रणालींशी स्पर्धा झाली. संगणनाचे लोकशाहीकरण सुरू झाले, आणि शेवटी मोठ्या डेटाच्या आधुनिक स्फोटासाठी मार्ग तयार झाला.
विशेषज्ञ प्रणाली हार्डवेअरच्या प्रचंड वाढीमुळे ती खूप विशेषीकृत झाली. पर्सनल कॉम्प्युटरचा उदय यांसोबत स्पर्धा करू लागला. संगणक सुलभ झाली आणि मग मोठा डेटा संकटकाळातून बाहेर आला.
---
## 1993 - 2011
या कालखंडाने ML आणि AI साठी डेटा आणि संगणन शक्तीच्या अभावामुळे पूर्वी निर्माण झालेल्या काही समस्यांचे निराकरण करण्यासाठी नवीन युग आणले. डेटाची मात्रा वेगाने वाढू लागली आणि अधिक व्यापकपणे उपलब्ध होऊ लागली, चांगल्या आणि वाईटासाठी, विशेषतः 2007 च्या सुमारास स्मार्टफोनच्या आगमनासह. संगणन शक्ती घातांकीय वाढली, आणि अल्गोरिदम्स त्याचबरोबर विकसित झाले. क्षेत्राने परिपक्वता मिळवायला सुरुवात केली कारण भूतकाळातील मुक्तपणे चालणारे दिवस खऱ्या शिस्तीत रूपांतरित होऊ लागले.
या काळात एमएल आणि AI ला आधीच्या डेटाची आणि संगणकीय शक्तीची कमतरता दूर करून काही समस्या सोडवण्याची संधी मिळाली. डेटाची प्रमाणिक वाढ झाली आणि त्याचा अधिक व्यापक उपयोग होऊ लागला, विशेषतः 2007 नजीक स्मार्टफोनच्या उदयामुळे. संगणकीय शक्ति घनघोर वाढली आणि अल्गोरिदमचीही प्रगती झाली. क्षेत्र अधिक प्रगल्भ झाले कारण आधीच्या मुक्त दिवसानी शिस्तबद्ध क्षेत्राला आकार दिला.
---
## आज
आज मशीन लर्निंग आणि AI आपल्या जीवनाच्या जवळजवळ प्रत्येक भागाला स्पर्श करतात. या युगात या अल्गोरिदम्सचा मानवी जीवनावर होणाऱ्या परिणामांचा काळजीपूर्वक अभ्यास करण्याची गरज आहे. Microsoft चे Brad Smith म्हणतात, "माहिती तंत्रज्ञान मूलभूत मानवी अधिकार संरक्षणांसारख्या गोष्टींवर प्रश्न उपस्थित करते जसे की गोपनीयता आणि अभिव्यक्ती स्वातंत्र्य. या मुद्द्यांमुळे या उत्पादने तयार करणाऱ्या तंत्रज्ञान कंपन्यांवर जबाबदारी वाढते. आमच्या मते, ते विचारशील सरकारी नियमन आणि स्वीकारार्ह उपयोगांभोवती मानदंडांच्या विकासासाठी देखील कॉल करतात" ([source](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
आज मशीन लर्निंग आणि AI आपल्या जीवनाचा जवळपास प्रत्येक भागाशी निगडित आहे. या युगात या अल्गोरिदम्सचे धोके आणि संभाव्य परिणाम समजून घेणे आवश्यक आहे. मायक्रोसॉफ्टचे ब्रॅड स्मिथ म्हणाले आहेत, "माहिती तंत्रज्ञानानं गोपनीयता आणि अभिव्यक्ती स्वातंत्र्य यांसारख्या मूलतत्त्व मानवाधिकारांच्या संरक्षणाशी संबंधित समस्या वाढविल्या आहेत. यामुळे तंत्रज्ञान कंपन्यांवर जबाबदारी वाढते. आमच्या मते, या उत्पादनांच्या बाबतीत विचारपूर्वक सरकारनियमन आणि स्वीकार्य वापरासंबंधी नियम विकसित होणे आवश्यक आहे." ([स्रोत](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
---
भविष्यात काय होईल हे पाहायचे आहे, परंतु या संगणकीय प्रणाली आणि त्या चालवणारे सॉफ्टवेअर आणि अल्गोरिदम्स समजून घेणे महत्त्वाचे आहे. आम्हाला आशा आहे की हा अभ्यासक्रम तुम्हाला चांगले समजून घेण्यास मदत करेल जेणेकरून तुम्ही स्वतः निर्णय घेऊ शकाल.
भविष्य काय घेऊन येईल हे पाहणे बाकी आहे, पण या संगणक प्रणाली आणि त्यावर चालणारे सॉफ्टवेअर व अल्गोरिदम समजून घेणे महत्त्वाचे आहे. आम्ही आशा करतो की या अभ्यासक्रमामुळे आपल्याला चांगले समज प्राप्त होईल जेणेकरून आपण स्वतः निर्णय घेऊ शकता.
> 🎥 वरील प्रतिमेवर क्लिक करा: Yann LeCun या व्याख्यानात डीप लर्निंगच्या इतिहासावर चर्चा करतात
> 🎥 वरील प्रतिमेवर क्लिक करा व्हिडिओसाठी: यान लेकून डीप लर्निंगचा इतिहास या व्याख्यानात स्पष्ट करतात
---
## 🚀चॅलेंज
## 🚀आव्हान
या ऐतिहासिक क्षणांपैकी एका क्षणाचा अभ्यास करा आणि त्यामागील लोकांबद्दल अधिक जाणून घ्या. तेथे आकर्षक व्यक्तिमत्त्वे आहेत, आणि कोणताही वैज्ञानिक शोध सांस्कृतिक निर्वातात तयार झाला नाही. तुम्हाला काय सापडते?
या ऐतिहासिक क्षणांपैकी एका मध्ये खोल संशोधन करा आणि त्यांच्या मागील लोकांबद्दल अधिक जाणून घ्या. येथे मनोरंजक व्यक्तिमत्त्वे आहेत, आणि कोणत्याही वैज्ञानिक शोधाची निर्मिती केवळ संस्कृतीच्या रिकामटेकड्याने केली जात नाही. आपण काय शोधता?
[Amy Boyd यांचा AI च्या उत्क्रांतीवर चर्चा करणारा पॉडकास्ट](http://runasradio.com/Shows/Show/739)
[एमी बॉयड इथे AI च्या उत्क्रांतीवर चर्चा करतात](http://runasradio.com/Shows/Show/739)
[](https://www.youtube.com/watch?v=EJt3_bFYKss "Amy Boyd द्वारे AI चा इतिहास")
हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील मूळ दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर केल्यामुळे उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**अस्वीकरण**:
हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून अनुवादित केला आहे. जरी आम्ही अचूकतेसाठी प्रयत्न करतो, तरी कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेची कमतरता असू शकते. मूळ दस्तऐवज त्याच्या मूळ भाषेत अधिकृत स्रोत मानला पाहिजे. महत्त्वाची माहिती असल्यास, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराच्या वापरामुळे उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थलावणीसाठी आम्ही जबाबदार नाही.
या अभ्यासक्रमात, आपण शोधायला सुरुवात कराल की मशीन लर्निंग आपले दररोजचे जीवन कसे प्रभावित करत आहे आणि करीत आहे. अगोदरच, प्रणाली आणि मॉडेल दररोजच्या निर्णय घेण्यात सहभागी आहेत, जसे की आरोग्य देखभाल निदान, कर्ज मंजुरी किंवा फसवणूक शोधणे. त्यामुळे, हे मॉडेल विश्वसनीय निकाल देण्यासाठी चांगले काम करणे आवश्यक आहे. कोणत्याही सॉफ्टवेअर अनुप्रयोगाप्रमाणे, AI प्रणाली अपेक्षा पूर्ण करू शकत नाहीत किंवा अपेक्षित निकाल देऊ शकतात. त्यामुळे, AI मॉडेलच्या वर्तनाचे समजून घेणे आणि स्पष्ट करणे आवश्यक आहे.
या अभ्यासक्रमात, तुम्ही शोधायला सुरुवात कराल की मशीन लर्निंग कसे आणि आपल्या दैनंदिन जीवनावर कसा प्रभाव टाकतो. अजूनही, प्रणाली आणि मॉडेल्स दैनंदिन निर्णय घेण्याच्या कामात सामील आहेत, जसे की आरोग्य सेवा निदान, कर्ज मंजुरी किंवा फसवणूक शोधणे. त्यामुळे, हे मॉडेल्स चांगले काम करतील जेणेकरून परिणाम विश्वासार्ह असतील हे महत्त्वाचे आहे. कोणत्याही सॉफ्टवेअर अॅप्लिकेशनप्रमाणेच, AI प्रणाली अपेक्षा पूर्ण करणार नाहीत किंवा अवांछित परिणाम देतील. म्हणूनच AI मॉडेलच्या वर्तनाला समजून घेणे आणि स्पष्ट करणे अत्यावश्यक आहे.
विचार करा की जेव्हा आपण मॉडेल तयार करताना वापरत असलेला डेटा काही विशिष्ट लोकसंख्याशास्त्र जसे की जात, लिंग, राजकीय दृष्टीकोन, धर्म किंवा असममितपणे अशा लोकसंख्यांसाठी प्रतिनिधित्व करणारा नसेल तर काय होईल? जेव्हा मॉडेलचे परिणाम एखाद्या लोकसंख्यास प्राधान्य देण्यासाठी समजले जातात तेव्हा काय होते? अनुप्रयोगासाठी काय परिणाम होतो? शिवाय, जेव्हा मॉडेलचा परिणाम प्रतिकूल असेल आणि लोकांसाठी हानिकारक असेल तेव्हा काय होईल? AI प्रणालींच्या वर्तनासाठी कोण जबाबदार आहे? या काही प्रश्नांचा आपण या अभ्यासक्रमात शोध घेऊ.
कल्पना करा की तुम्ही जे डेटा या मॉडेल्स तयार करण्यासाठी वापरत आहात त्यात काही विशिष्ट लोकसंख्याशास्त्र, जसे की वंश, लिंग, राजकीय दृष्टीकोन, धर्म, किंवा अशा लोकसंख्याशास्त्राचा असंतुलित प्रतिनिधित्व आहे. जेव्हा मॉडेलचा परिणाम काही लोकसंख्याशास्त्राला प्राधान्य देतो तेव्हा काय होते? अॅप्लिकेशनसाठी काय परिणाम होतो? शिवाय, जेव्हा मॉडेलचा प्रतिकूल परिणाम होतो आणि लोकांना हानी पोहोचवतो तेव्हा काय होते? AI प्रणालीच्या वर्तनाची कोण जबाबदार आहे? हे काही प्रश्न आहेत जे आपण या अभ्यासक्रमात तपासणार आहोत.
या धडे दरम्यान, आपण:
या धड्यात, तुम्ही:
- मशीन लर्निंगमधील निष्पक्षतेचे आणि निष्पक्षतेशी संबंधित हानिकारक परिणाम यांचे महत्त्व जाणून घ्या.
- विश्वासार्हता आणि सुरक्षिततेसाठी अपवादात्मक परिस्थिती आणि असामान्य परिस्थितींचे अन्वेषण करण्याच्या पद्धतीशी परिचित व्हा.
- सर्वांना सशक्त करण्यासाठी समावेशक प्रणाली डिझाइन करण्याच्या गरजेचा समज प्राप्त करा.
- डेटा आणि लोकांच्या गोपनीयता आणि सुरक्षिततेचे संरक्षण करणे किती महत्त्वाचे आहे, हे जाणून घ्या.
- AI मॉडेलच्या वर्तनाचे स्पष्टीकरण देण्यासाठी ग्लास बॉक्स दृष्टिकोन असण्याचे महत्त्व बघा.
- AI प्रणालींमध्ये विश्वास निर्माण करण्यासाठी जबाबदारी किती आवश्यक आहे, याची जाणीव ठेवा.
- मशीन लर्निंगमधील न्यायाधिकार आणि न्यायाधिकार-संबंधी हानिकारक बाबींचे महत्त्व वाढविणे
- विश्वासार्हता आणि सुरक्षितता सुनिश्चित करण्यासाठी अपवाद आणि असामान्य परिस्थितींचा शोध घेण्याच्या सरावाची परिचय घेणे
- सर्वांना सक्षमी करण्यासाठी सर्वसमावेशक प्रणाली डिझाइन करण्याच्या गरजेची समज मिळवणे
- डेटा आणि लोकांच्या खाजगीपणाचे आणि सुरक्षिततेचे संरक्षण करण्याचे महत्त्व शोधणे
- AI मॉडेलच्या वर्तनाचे स्पष्टीकरण देण्यासाठी ग्लास बॉक्स दृष्टिकोन ठेवण्याचे महत्त्व पहा
- AI प्रणालींमध्ये विश्वास निर्माण करण्यासाठी जबाबदारी कशी आवश्यक आहे याची जाण ठेवणे
## पूर्व-आवश्यकता
## मागील अटी
पूर्व-आवश्यकतेसाठी, कृपया "Responsible AI Principles" लर्न पाथ घ्या आणि खालील विषयावर व्हिडिओ पहा:
मागील अटी म्हणून, कृपया "जबाबदार AI तत्त्वे" लर्न पाथ घ्या आणि खालील विषयावर व्हिडिओ पहा:
जबाबदार AI बद्दल अधिक जाणून घेण्यासाठी हा [लर्निंग पाथ](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) फॉलो करा
जबाबदार AI बद्दल अधिक जाणून घ्या या [Learning Path](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) चा पाठपुरावा करून
[](https://youtu.be/dnC8-uUZXSc "Microsoft's Approach to Responsible AI")
> 🎥 व्हिडिओसाठी वरील प्रतिमा क्लिक करा: Microsoft's Approach to Responsible AI
> 🎥 व्हिडिओसाठी वरील प्रतिमेवर क्लिक करा: Microsoft's Approach to Responsible AI
## निष्पक्षता
## न्यायाधिकार
AI प्रणाली प्रत्येकाला निष्पक्ष वागवायला हवी आणि संबंधित लोकसमुहांना भिन्न प्रकारे परिणाम करण्यापासून टाळाव्या. उदाहरणार्थ, जेव्हा AI प्रणाली वैद्यकीय उपचार, कर्ज अर्ज, किंवा नोकरी संदर्भात मार्गदर्शन करतात, तेव्हा त्यांनी अशाच लक्षणे, आर्थिक परिस्थिती, किंवा व्यावसायिक पात्रता असलेल्या सर्व लोकांना समान शिफारशी कराव्यात. आपल्यापैकी प्रत्येकजण जन्मजात पूर्वग्रह घेऊन चालतो ज्यामुळे आपल्या निर्णयांमध्ये प्रभाव पडतो. ह्या पूर्वग्रहांना आम्ही AI प्रणालींसाठी प्रशिक्षण देण्यासाठी वापरलेल्या डेटामधूनही आढळून येते. असे मनुष्याने जाणूनबुजून न करता देखील होऊ शकते. डेटा मध्ये पूर्वग्रह घेत आहात की नाही हे जाणणे अनेकदा कठीण असते.
AI प्रणालींनी प्रत्येकाला न्यायपूर्ण वागवले पाहिजे आणि समान लोकसंख्या गटांना वेगळ्या प्रकारे प्रभावित करणे टाळावे. उदाहरणार्थ, जेव्हा AI प्रणाली वैद्यकीय उपचार, कर्ज अर्ज, किंवा रोजगारावर मार्गदर्शन पुरवतात, तेव्हा त्यांना समान लक्षणे, आर्थिक परिस्थिती किंवा व्यावसायिक पात्रतेसह प्रत्येकाला समान शिफारसी कराव्या. आपण प्रत्येकजण मानवी नसतानाही आपल्यात गुणसूत्रीय पक्षपात असतो जो आपल्या निर्णयांवर आणि क्रियांवर प्रभाव टाकतो. हा पक्षपात कधी कधी अनपेक्षितपणे डेटा मध्ये दिसू शकतो. डेटा मध्ये पक्षपात कधी तुम्ही इतरथा जाणून घ्यावा कठीण असते.
**“अनिष्पक्षता”** म्हणजे एखाद्या लोकसमूहावर नकारात्मक परिणाम किंवा “हानि” अशी जसे की जात, लिंग, वय, किंवा अपंगत्वाच्या आधारे ठरवल्या गेलेल्या लोकांवर होणारी हानी. मुख्य निष्पक्षतेशी संबंधित हानिकारक परिणाम खालीलप्रमाणे वर्गीकृत करता येतात:
**"अन्याय"** म्हणजे नकारात्मक परिणाम किंवा "हानि", जसे की वंश, लिंग, वय, किंवा अपंगत्वस्थिती प्रमाणे काही लोकसंख्याशास्त्रासाठी. प्रमुख न्यायाधिकार-संबंधित हानिकारक बाबी ह्या अशा वर्गीकृत केल्या जाऊ शकतात:
- **विनियोजन**, उदाहरणार्थ, एखाद्या लिंग किंवा वंशाला इतरांवर प्राधान्य दिले गेले.
- **सेवेची गुणवत्ता**. जर एक विशिष्ट परिस्थितीसाठी डेटा प्रशिक्षित केला पण वास्तव अधिक गुंतागुंतीचे असेल तर ते कमी गुणवत्ता असलेल्या सेवेकडे नेतं. उदाहरणार्थ, हात धुण्याचा साबण देणारी यंत्रणा काळा त्वचा असलेल्या लोकांना ओळखू शकत नसणे. [संदर्भ](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **अपमान**. एखाद्या व्यक्ती किंवा वस्तूचे अन्यायकारकपणे टीका करणे किंवा लेबल करणे. उदाहरणार्थ, चित्र लेबेलिंग तंत्रज्ञानाने काळ्या त्वचेच्या लोकांची चित्रे गोरिल्ला म्हणून चुकीने ग्रुप केल्या होत्या.
- **अधिक किंवा कमी प्रतिनिधित्व**. कल्पना अशी की एखादा समुह विशिष्ट व्यवसायात दिसत नाही, आणि कोणताही सेवा किंवा कार्य जे ते पुढे नेते तितका हानीकारक असतो.
- **सामान्यीकरण**. दिलेल्या गटाशी पूर्व-निर्धारित वैशिष्ट्ये जोडणे. उदाहरणार्थ, इंग्रजी ते तुर्की भाषांतरण प्रणालीत लिंगाधारित सामान्यीकरणामुळे चूका होण्याची शक्यता.
- **वाटप**, उदाहरणार्थ, जर लिंग किंवा जातीयता एखाद्याला दुसऱ्यापेक्षा प्राधान्य दिले गेले.
- **सेवेची गुणवत्ता**. जर तुम्ही एखाद्या विशेष परिस्थितीसाठी डेटा प्रशिक्षित केला आणि वास्तव अधिक गुंतागुंतीचे असेल, तर सेवा नीट काम करत नाही. उदा., हाताच्या साबणाची डिस्पेंसर जी काळ्या त्वचेच्या लोकांना ओळखू शकत नव्हती. [संदर्भ](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **अपमान**. एखाद्या गोष्टीला किंवा व्यक्तीला अन्यायकारकपणे टीका करणे आणि लेबल करणे. उदाहरणार्थ, इमेज लेबलिंग तंत्रज्ञानाने काळ्या त्वचेच्या लोकांच्या प्रतिमा गोरिल्ला म्हणून चुकीच्या प्रकारे लेबल केल्या.
- **अधिक किंवा कमी प्रतिनिधित्व**. एखाद्या विशिष्ट गटाचे एका विशिष्ट व्यावसायात न दिसणे, आणि अशा सेवेने किंवा कार्याने ते चालू ठेवणे ज्याने हानी पोहोचते.
- **स्थितीगत प्रतिमा**. एखाद्या गटाशी पूर्वनिर्धारित विशेषतांना जोडणे. उदाहरणार्थ, इंग्रजी आणि टर्की भाषांमध्ये भाषांतर प्रणालीमध्ये लिंगाशी संबंधित पूर्वनिर्धारित शब्दांमुळे चुका होऊ शकतात.
AI प्रणाली डिझाइन करताना आणि चाचणी घेताना आपल्याला खात्री करावी लागेल की AI निष्पक्ष आहे आणि पूर्वग्रहित किंवा भेदभाव करणारे निर्णय घेण्यासाठी प्रोग्राम केलेले नाही, जे मानवी लोक देखील करू शकत नाहीत. AI आणि मशीन लर्निंग मधील निष्पक्षता सुनिश्चित करणे एक गुंतागुंतीची सामाजिक-तांत्रिक आव्हान आहे.
AI प्रणाली डिझाइन आणि चाचणी करताना, AI न्यायपूर्ण असणे आवश्यक आहे आणि पक्षपाती किंवा भेदभाव करणारे निर्णय प्रोग्राम केलेले नसावेत, जे मानवी व्यक्तींनाही निषिद्ध आहे. AI आणि मशीन लर्निंगमध्ये न्यायाधिकाराची हमी देणे ही एक गुंतागुंतीची सामाजिक-तांत्रिक आव्हान आहे.
### विश्वासार्हता आणि सुरक्षितता
विश्वास निर्माण करण्यासाठी, AI प्रणाली विश्वासार्ह, सुरक्षित आणि सामान्य तसेच अनपेक्षित परिस्थितीत सुसंगत असणे आवश्यक आहे. AI प्रणाली कशा परिस्थितीत कशी वागतील हे जाणून घेणे महत्त्वाचे आहे, विशेषतः जेव्हा त्या अपवादात्मक असतात. AI सोल्यूशन्स तयार करताना विविध परिस्थितींशी कसे हाताळावे यावर भर देणे गरजेचे आहे. उदाहरणार्थ, स्वयंचलित कार लोकांच्या सुरक्षिततेला सर्वोच्च प्राधान्य देते. परिणामी, त्या कारला AI ने सर्व संभाव्य परिस्थितींचा विचार करावा लागतो जसे की रात्री, वादळी हवामान, अपघात, रस्त्यावरील कामे इत्यादी. AI प्रणाली विविध परिस्थितीला किती चांगल्या प्रकारे हाताळतात यावर तिच्या डिझाइनर किंवा डेव्हलपरच्या तयारीचे प्रतिबिंब दिसते.
विश्वास निर्माण करण्यासाठी, AI प्रणाली विश्वासार्ह, सुरक्षित आणि सामान्य तसेच अपेक्षित नसलेल्या परिस्थितींमध्ये सुसंगत असणे आवश्यक आहे. AI प्रणाली विविध परिस्थितींमध्ये कसे वागतील हे जाणून घेणे महत्त्वाचे आहे, विशेषतः जेव्हा ते अपवादात्मक आहेत. AI सोल्यूशन्स तयार करताना, AI सोल्यूशन्सला भेडसावणाऱ्या विविध परिस्थितींना कसे हाताळायचे यावर भर द्यावा लागतो. उदाहरणार्थ, सेल्फ-ड्रायव्हिंग कारला लोकांच्या सुरक्षिततेला सर्वोच्च प्राधान्य द्यावे लागते. परिणामी, कार चालवणाऱ्या AI ला सगळ्या शक्य परिस्थितींचा विचार करावा लागतो जसे की रात्र, वादळे किंवा हिमवृष्टी, रस्त्यावरून धावत जाणारी मुले, पाळीव प्राणी, रस्ते बांधकाम इ. AI प्रणालीचे विश्वसनीय आणि सुरक्षितपणे विविध परिस्थिती हाताळू शकण्याचे प्रमाण हे डिझाइन किंवा टेस्टिंग दरम्यान डेटासायंटिस्ट किंवा AI विकासकाने घेतलेल्या भाकीतांचे प्रतिबिंब दर्शवते.
> [🎥 व्हिडिओसाठी येथे क्लिक करा: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
> [🎥 येथे क्लिक करा: AI मध्ये विश्वासार्हता आणि सुरक्षितता](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
### समावेशकता
AI प्रणाली अशा प्रकारे डिझाइन कराव्यात की ते प्रत्येकाला सहभागी करून सशक्त करतील. AI प्रणाली डिझाइन आणि अंमलबजावणी करताना डेटा वैज्ञानिक आणि AI डेव्हलपर अनपेक्षित तह टाळण्यासाठी संभाव्य अडथळ्यांची ओळख करतात आणि त्यांचे निराकरण करतात. उदाहरणार्थ, जगभरात 1 अब्ज लोक अपंग आहेत. AI च्या प्रगतीमुळे ते त्यांच्या दैनंदिन आयुष्यात सुलभपणे माहिती आणि संधींपर्यंत पोहोचू शकतात. अडथळे ओलांडून AI उत्पादनांचे नवोन्मेष आणि विकास करण्याच्या संधी निर्माण होतात.
AI प्रणाली असे डिझाइन केली पाहिजे की ती प्रत्येकाला सहभागी करून घेतील आणि सक्षमी करतील. AI प्रणाली डिझाइन आणि अमलात आणताना, डेटासायंटिस्ट आणि AI विकासक प्रणालीतील अशा अडथळ्यांना ओळखतात आणि दूर करतात ज्यामुळे लोक अनपेक्षितपणे वगळले जाऊ शकतात. उदाहरणार्थ, जगभरात 1 अब्ज.people disability आहेत. AI च्या प्रगतीसह, ते दैनंदिन जीवनात अधिक सहज माहिती आणि संधींना प्रवेश मिळवू शकतात. अडथळे दूर करून, यामुळे सर्वांसाठी फायदेशीर चांगल्या अनुभवांसह AI उत्पादने तयार करण्याची आणि नवकल्पना करण्याची संधी निर्माण होते.
> [🎥 इथे क्लिक करा: AI मध्ये समावेशन](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
> [🎥 येथे क्लिक करा: AI मध्ये समावेशकता](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
### सुरक्षा आणि गोपनीयता
### सुरक्षा आणि खाजगीपणा
AI प्रणाली सुरक्षित असावीत आणि लोकांच्या गोपनीयतेचा आदर करावा. लोक त्या प्रणालींवर कमी विश्वास ठेवतात ज्या त्यांच्या गोपनीयता, माहिती किंवा जीवन धोक्यात आणू शकतात. मशीन लर्निंग मॉडेल्स प्रशिक्षण देताना आम्ही उत्तम निकालांसाठी डेटावर अवलंबून असतो. त्यामुळे, डेटाचा स्रोत आणि अखंडता विचारात घेतली पाहिजे. उदाहरणार्थ, डेटा वापरकर्त्याने सबमिट केलेला आहे का सर्वसामान्यपणे उपलब्ध आहे? त्यानंतर, डेटा वापरून AI प्रणाली विकसित करताना गोपनीय माहितीचे संरक्षण करणे आणि हल्ल्यांशी लढणे आवश्यक आहे. AI अधिक प्रमाणात वापरात येत असल्याने गोपनीयता आणि महत्त्वपूर्ण वैयक्तिक व व्यावसायिक माहितीचे संरक्षण अधिक महत्त्वाचे आणि गुंतागुंतीचे होत आहे. गोपनीयता आणि डेटा सुरक्षा समस्यांवर विशेष लक्ष देणे आवश्यक आहे कारण AI प्रणाली अचूक आणि माहितीपूर्ण अंदाज व निर्णय घेण्यासाठी डेटावर अवलंबून असतात.
AI प्रणाली सुरक्षित असावीत आणि लोकांच्या खाजगीपणाचा आदर करावा. लोक अशा प्रणालींवर कमी विश्वास ठेवतात ज्यामुळे त्यांचा खाजगीपणा, माहिती किंवा जीवन धोकेत येते. मशीन लर्निंग मॉडेल ट्रेन करताना, सर्वोत्तम निकालासाठी डेटा वापरला जातो. ते करताना, डेटाचा स्रोत आणि अखंडता विचारात घ्यावी लागते. उदाहरणार्थ, डेटा वापरकर्ता कडून दिला गेला आहे की सार्वजनिकरित्या उपलब्ध आहे? पुढे, डेटा वापरताना, संवेदनशील माहितीचे संरक्षण करणाऱ्या आणि हल्ल्यांना तोंड देऊ शकणाऱ्या AI प्रणाली विकसित करणे अत्यंत आवश्यक आहे. AI अधिक वापरात येत असल्यामुळे, खाजगीपणा आणि महत्वाची वैयक्तिक व व्यावसायिक माहिती सुरक्षित ठेवणे कायदेशीर व गुंतागुंतीचे होत आहे. गोपनीयता आणि डेटा सुरक्षा प्रश्न AI साठी विशेष लक्ष देणे गरजेचे आहे कारण AI प्रणालीसाठी अचूक आणि माहितीपूर्ण भाकीत व निर्णय घेण्यासाठी डेटावर प्रवेश अत्यावश्यक असतो.
> [🎥 येथे क्लिक करा: AI मध्ये सुरक्षा](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- उद्योग म्हणून, आम्ही गोपनीयता आणि सुरक्षा क्षेत्रांत महत्त्वपूर्ण प्रगती केली आहे, जी विशेषतः GDPR (General Data Protection Regulation) सारख्या नियमांमुळे झाली आहे.
- तरीही AI प्रणालींसाठी, अधिक वैयक्तिक डेटा आवश्यक असून सिस्टम अधिक वैयक्तिक आणि कार्यक्षम करण्याच्या गरजेमुळे गोपनीयतेत तणाव असतो.
- इंटरनेटसह कनेक्टेड संगणकांच्या उदयाप्रमाणे, AI संबंधित सुरक्षा समस्यांतही मोठ्या प्रमाणात वाढ झाली आहे.
- त्याच वेळी, AIचा वापर सुरक्षा सुधारण्यासाठीही होतो आहे. उदाहरणार्थ, आजकाल बहुतेक आधुनिक अँटी-व्हायरस स्कॅनर्स AI युक्ति वापरून चालतात.
- आम्हाला आपले डेटा सायन्स प्रक्रिया नवीनतम गोपनीयता आणि सुरक्षा धोरणांसह सुसंगत ठेवावे लागतील.
- उद्योग म्हणून आपण गोपनीयता आणि सुरक्षिततेत महत्त्वपूर्ण प्रगती केली आहे, जी मुख्यत्वे GDPR (जनरल डेटा प्रोटेक्शन रेग्युलेशन) सारख्या नियमांमुळे संभवली आहे.
- तथापि, AI प्रणालींसाठी आपल्याला अधिक वैयक्तिक डेटाची गरज आणि गोपनीयतेतील तणाव यातील तणाव मान्य करावा लागतो.
- कनेक्ट केलेल्या संगणकांच्या जन्मासारखे, आपण सध्या AI शी संबंधित सुरक्षासंबंधी समस्या वाढताना पाहत आहोत.
- त्याच वेळी, AIचा वापर सुरक्षा सुधारण्यासाठी होत आहे. उदाहरणार्थ, अधिकांश आधुनिक अँटी-व्हायरस स्कॅनर्स आज AI हीयुरिस्टिक्सने चालतात.
- आपल्या डेटा सायन्स प्रक्रियांनी नवीनतम गोपनीयता आणि सुरक्षा पद्धतींसोबत सुसंगत असणे आवश्यक आहे.
### पारदर्शकता
AI प्रणाली समजण्याजोगी असावीत. पारदर्शकतेचा महत्त्वाचा भाग म्हणजे AI प्रणाली आणि त्यांच्या घटकांचे वर्तन स्पष्ट करणे. AI प्रणालींचे समज वाढविण्यासाठी भागधारकांनी शोधून काढले पाहिजे की ते कसे आणि का कार्य करतात जेणेकरून ते संभाव्य कार्यक्षमता प्रश्न, सुरक्षा आणि गोपनीयता चिंता, पूर्वग्रह, वगळण्याच्या प्रथांविषयी, किंवा अनपेक्षित परिणाम ओळखू शकतील. आम्हाला असा विश्वास आहे की AI प्रणाली वापरणारे लोक ईमानदारीने आणि स्पष्टपणे सांगायला हवे की ते कधी, का आणि कसे वापरतात तसेच वापरत असलेल्या सिस्टमची मर्यादा काय आहेत. उदाहरणार्थ, जर एक बँक ग्राहक कर्ज निर्णयांसाठी AI प्रणाली वापरत असेल, तर परिणाम तपासणे आणि कोणता डेटा सिस्टमच्या शिफारशींवर प्रभाव टाकतो हे समजणे महत्त्वाचे आहे. सरकारे उद्योगांमध्ये AI ला नियमन करत आहेत, म्हणून डेटा वैज्ञानिक आणि संस्थांनी AI सिस्टम नियमांचे पालन करते का ते समजावून सांगणे आवश्यक आहे, विशेषतः जेव्हा अपेक्षित परिणामीत.
AI प्रणाली समजण्यास सोपी असावीत. पारदर्शकतेचा एक महत्त्वाचा भाग म्हणजे AI प्रणालींच्या वर्तनाचे आणि त्यांच्या घटकांचे स्पष्टीकरण देणे. AI प्रणाली समजण्यास सुधारणा करणे म्हणजे हितधारकांनी ते कसे आणि का कार्य करतात याबाबत समजून घेणे आवश्यक आहे जेणेकरून ते संभाव्य कार्यक्षमता समस्या, सुरक्षा आणि गोपनीयता चिंता, पक्षपात, वगळण्याचे सराव किंवा अनपेक्षित परिणाम ओळखू शकतील. आम्ही असेही मानतो की AI प्रणाली वापरणाऱ्यांनी ते कधी, का आणि कसे वापरतात याबाबत प्रामाणिक असले पाहिजे. तसेच ते वापरणाऱ्या प्रणालींच्या मर्यादा स्पष्ट करणे आवश्यक आहे. उदाहरणार्थ, जर बँकेने ग्राहक कर्ज निर्णयासाठी AI प्रणाली वापरली, तर निकालांचे परीक्षण करणे आणि कोणता डेटा प्रणालीच्या शिफारसींवर प्रभाव टाकतो हे समजून घेणे महत्त्वाचे आहे. सरकार उद्योगांमध्ये AI नियंत्रित करण्यास सुरुवात करत आहेत, म्हणून डेटासायंटिस्ट आणि संस्था समजावून सांगायला हव्यात की AI प्रणाली नियमांच्या आवश्यकतांना पूर्ण करते का, विशेषतः जेव्हा अवांछित परिणाम होतात.
> [🎥 येथे क्लिक करा: AI मध्ये पारदर्शकता](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- AI प्रणाली इतक्या गुंतागुंतीच्या असल्यामुळे, त्यांचा कार्य कसे होते आणि निकालांचे अर्थ लावणे कठीण आहे.
- अशा समजुतीच्या अभावामुळे हे सिस्टम कसे व्यवस्थापित, ऑपरेशनल आणि दस्तऐवजीकरण केले जातात यावर परिणाम होतो.
- सर्वात महत्त्वाचे म्हणजे, परिणामांवर आधारित निर्णय घेण्यात हा अभाव परिणाम करतो.
- AI प्रणाली इतक्या जटिल आहेत की त्यांचे कार्य कसे होते आणि निकालांचे अर्थ लावणे कठीण आहे.
- या समजुतीच्या अभावामुळे ह्या प्रणाली कसे व्यवस्थापित, कार्यान्वित, आणि दस्तऐवजीकरण केले जातात यावर परिणाम होतो.
- सर्वात महत्त्वाचे म्हणजे, या समजुतीच्या अभावामुळे या प्रणालींनी निर्माण केलेल्या निकालांचा वापर करून घेतलेल्या निर्णयांवर परिणाम होतो.
### जबाबदारी
जे लोक AI प्रणाली डिझाइन व वापरात आणतात त्यांना त्यांच्या प्रणाली कशा चालतात याची जबाबदारी घ्यावी लागते. विशेषतः चेहरा ओळखण्याच्या तंत्रज्ञानासारख्या संवेदनशील वापरासंबंधित तंत्रज्ञानात जबाबदारी महत्त्वाची आहे. अलीकडे, चेहरा ओळखण्याच्या तंत्रज्ञानाची मागणी वाढली आहे, विशेषतः कायदे अंमलबजावणी संघटनांकडून जे हरवलेली मुले शोधण्यात वापरतात. तरीही, ही तंत्रज्ञान सरकारकडून लोकांच्या मूलभूत स्वातंत्र्यांवर धोका आणण्यासाठीही वापरली जाऊ शकते, उदा. विशिष्ट व्यक्तींवर सातत्य surveillance करण्यासाठी. त्यामुळे, डेटा वैज्ञानिक आणि संस्था त्यांचे AI प्रणाली व्यक्तींवर किंवा समाजावर कसा परिणाम करतात यासाठी जबाबदार असायला हवे.
AI प्रणाली डिझाइन आणि तैनात करणाऱ्या लोकांनी त्यांच्या प्रणालींच्या कसे कार्य करतात याबद्दल जबाबदार असले पाहिजेत. चेहरा ओळख तंत्रज्ञानासह संवेदनशील तंत्रज्ञानासाठी जबाबदारीची आवश्यकता विशेषतः गरजेची आहे. अलीकडे, वेगळ्या संस्थांकडून चेहरा ओळख तंत्रज्ञानाची मागणी वाढती आहे, विशेषतः कायदा अंमलबजावणी संघटना ज्यांना हरवलेली मुले शोधण्यात या तंत्रज्ञानाची क्षमता दिसते. तथापि, ही तंत्रे सरकारकडून नागरिकांच्या मूलभूत स्वातंत्र्यावर धोका निर्माण करण्यासाठी वापरली जाऊ शकतात, उदाहरणार्थ, विशिष्ट व्यक्तींच्या सातत्यपूर्ण देखरेखीची परवानगी देणे. त्यामुळे, डेटासायंटिस्ट आणि संस्थांनी त्यांच्या AI प्रणालीचा लोकांवर किंवा समाजावर असलेल्या प्रभावासाठी जबाबदार असणे आवश्यक आहे.
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI")
> 🎥 वरील प्रतिमा क्लिक करा: Mass Surveillance Through Facial Recognition चे इशारे
> 🎥 चेहरा ओळख यंत्रणेद्वारे मोठ्या प्रमाणावर देखरेखीची इशारा देणाऱ्या व्हिडिओसाठी वरील प्रतिमेवर क्लिक करा
शेवटी, आपल्या पिढीसाठी, जी पहिली पिढी आहे जी AI समाजात आणत आहे, सर्वाधिक मोठा प्रश्न आहे की संगणक लोकांशी जबाबदार राहतील कसे आणि जे लोक संगणक डिझाइन करतात ते सर्वांसाठी जबाबदार राहतील कसे.
शेवटी, आपल्या पिढीवर एक मोठा प्रश्न आहे, म्हणजे AI समाजात आणणारी पहिली पिढी म्हणून, संगणक लोकांच्या प्रति जबाबदार राहतील कसे आणि संगणक डिझाइन करणारे लोक इतर सर्व लोकांसाठी जबाबदार राहतील कसे याची खात्री कशी करावी.
## परिणाम मूल्यांकन
मशीन लर्निंग मॉडेल प्रशिक्षित करण्यापूर्वी, AI प्रणालीचा हेतू समजून घेण्यासाठी परिणाम मूल्यांकन करणे महत्त्वाचे आहे; उद्दिष्ट काय आहे; कुठे हे तैनात केले जाईल; आणि कोण प्रणालीशी संवाद साधेल. हे समीक्षा करणाऱ्या किंवा प्रणाली चाचणी करणाऱ्या लोकांना संभाव्य धोके आणि अपेक्षित परिणाम ओळखताना विचारात घेण्यास मदत करते.
मशीन लर्निंग मॉडेल ट्रेन करण्यापूर्वी, AI प्रणालीचा उद्देश काय आहे, त्याचा हेतू काय आहे, कुठे तैनात केली जाईल, आणि कोण प्रणालीशी संवाद साधेल हे समजण्यासाठी परिणाम मूल्यांकन करणे महत्त्वाचे आहे. हे पुनरावलोकक किंवा परीक्षकांसाठी उपयुक्त असते जेणेकरून ते संभाव्य धोके आणि अपेक्षित परिणाम ओळखताना कोणते घटक लक्षात घ्यावेत हे समजू शकेल.
परिणाम मूल्यांकन करताना लक्ष द्यावयाच्या क्षेत्रांमध्ये समाविष्ट आहे:
परिणाम मूल्यांकन करताना लक्ष देण्याजोग्या क्षेत्रे:
* **व्यक्तींवर प्रतिकूल परिणाम**. प्रणाली व न वापरले जाणारे प्रतिबंध, समर्थन नसलेली वापर किंवा ज्ञात मर्यादा याबद्दल जागरूक राहणे अत्यंत आवश्यक आहे जेणेकरून प्रणाली असा वापर होणार नाही ज्यामुळे व्यक्तींना हानी पोहोचेल.
* **डेटा आवश्यकता**. प्रणाली डेटा कसा आणि कुठे वापरेल हे समजणे समीक्षकांना डेटा आवश्यकता (उदा., GDPR किंवा HIPAA नियमांचे) लक्षात ठेवण्यासाठी मदत करते. शिवाय, डेटा स्रोत आणि प्रमाण पुरेसे आहे का तपासले पाहिजे.
* **परिणाम सारांश**. प्रणाली वापरल्यामुळे उद्भवू शकणाऱ्या संभाव्य हान्यांची यादी तयार करा. ML जीवनचक्रादरम्यान, ओळखलेल्या समस्यांचे निराकरण झाले आहे की नाही हे बघा.
* सहा मुख्य तत्त्वांसाठी **लक्ष्ये**. प्रत्येक तत्त्वांमधील लक्ष्य पूर्ण झाले आहे का आणि काही त्रुटी आहेत का याचे मूल्यमापन करा.
* **वैयक्तिक लोकांवर प्रतिकूल परिणाम**. कोणतीही बंधने किंवा आवश्यकतांची जाणीव, असमर्थित वापर किंवा कोणतीही ज्ञात मर्यादा जी प्रणालीच्या कार्यक्षमतेला अडथळा आणते, याची जाणीव असणे आवश्यक आहे जेणेकरून सिस्टम अशा प्रकारे वापरली जाऊ नये ज्यामुळे लोकांना हानी पोहोचेल.
* **डेटा आवश्यकताएं**. प्रणाली डेटा कसे आणि कुठे वापरेल हे समजणे पुनरावलोककांना कोणत्या डेटा आवश्यकतांवर लक्ष ठेवावे ते पाहण्यास मदत करते (उदा., GDPR किंवा HIPAA डेटा नियम). शिवाय, डेटा स्रोत किंवा प्रमाण प्रशिक्षणासाठी पर्याप्त आहे का हे तपासा.
* **परिणामाचा सारांश**. प्रणाली वापरल्याने होऊ शकणाऱ्या संभाव्य धोक्यांची यादी तयार करा. ML जीवनचक्रात, तपासा की ओळखलेल्या समस्यांचा निराकरण किंवा प्रतिबंध केला गेला आहे का.
* **सहा मुख्य तत्त्वांसाठी लागू होणारे उद्दिष्टे**. प्रत्येक तत्त्वाचे उद्दिष्टे पूर्ण होत आहेत का आणि काही अंतर आहेत का ते तपासा.
## जबाबदार AI सह डीबगिंग
सॉफ्टवेअर अनुप्रयोग डीबगिंग प्रमाणेच, AI प्रणाली डीबगिंग ही प्रणालीतील त्रुटी ओळखण्याची व सोडविण्याची आवश्यक प्रक्रिया आहे. अनेक कारणे असू शकतात ज्या एक मॉडेल अपेक्षेप्रमाणे किंवा जबाबदारीपूर्वक काम करत नाही. बहुतेक पारंपारिक मॉडेल कार्यप्रदर्शन मेट्रिक्स हे मॉडेलच्या एकत्रित कार्याचे मात्रात्मक मूल्यांकन करतात, ज्यामुळे जबाबदार AI तत्त्वांचे उल्लंघन कसे होत आहे हे विश्लेषित करता येत नाही. अजूनही, मशीन लर्निंग मॉडेल हे एक ब्लॅक बॉक्स आहे ज्यामुळे त्याचा निकाल काय प्रेरित करेल किंवा चुका झाल्यास स्पष्टकरण देणे कठीण होते. या कोर्समध्ये पुढे, आपण Responsible AI डॅशबोर्ड वापरून AI प्रणाली डीबग करणे शिकू. हा डॅशबोर्ड डेटा वैज्ञानिक आणि AI डेव्हलपरसाठी संपूर्ण साधन देतो:
सॉफ्टवेअर अॅप्लिकेशन डीबग करण्यासारखे, AI प्रणाली डीबग करणे म्हणजे प्रणालीतील समस्या ओळखणे आणि सोडविणे आवश्यक प्रक्रिया आहे. मॉडेल अपेक्षित किंवा जबाबदार रीतीने काम करत नसल्याचे अनेक घटक आहेत. पारंपारिक मॉडेल कार्यक्षमता मेट्रिक्स ही मॉडेलच्या कार्यक्षमतेचे मात्र संख्यात्मक एकत्रीकरण आहेत, जे जबाबदार AI तत्त्वांचे उल्लंघन कसे होते हे विश्लेषित करण्यासाठी अपुरी आहेत. शिवाय, मशीन लर्निंग मॉडेल एक ब्लॅक बॉक्स असते ज्यामुळे निकालावर काय परिणाम होतो किंवा चुकीचा निकाल केव्हा होतो हे समजणे अवघड होते. पुढील धड्यात, आपण जबाबदार AI डॅशबोर्ड कसा वापरायचा हे शिकू. डॅशबोर्ड डेटासायंटिस्ट आणि AI विकासकांसाठी एक सर्वांगिण साधन आहे जे खालील कामे करण्यास मदत करते:
* **त्रुटी विश्लेषण**. प्रणालीच्या निष्पक्षता किंवा विश्वासार्हतेवर परिणाम करणाऱ्या त्रुटी वितरण ओळखण्यासाठी.
* **डेटा विश्लेषण**. डेटा वितरण समजण्यासाठी आणि संभाव्य पूर्वग्रह ओळखण्यासाठी ज्यामुळे निष्पक्षता, समावेशन व विश्वासार्हतेचे प्रश्न उद्भवू शकतात.
* **मॉडेल समज**. मॉडेलच्या भाकितांवर प्रभाव टाकणाऱ्या घटकांचा आढावा घ्या. हे मॉडेलच्या वर्तनाचे स्पष्टीकरण देण्यासाठी महत्त्वाचे आहे, जे पारदर्शकता आणि जबाबदारीसाठी आवश्यक आहे.
* **त्रुटी विश्लेषण**. सिस्टमच्या न्यायाधिकार किंवा विश्वासार्हतेवर परिणाम करणाऱ्या त्रुटी वितरणाची ओळख करणे.
* **मॉडेल विहंगावलोकन**. डेटा गटांमधील मॉडेलच्या कार्यक्षमतेतील फरक शोधणे.
* **डेटा विश्लेषण**. डेटा वितरण समजून घेणे आणि डेटा मध्ये कोणताही पक्षपात आहे का हे ओळखणे जे न्याय, समावेश, आणि विश्वासार्हतेच्या समस्यांना कारणीभूत ठरू शकते.
* **मॉडेल अर्थव्यवस्था**. मॉडेलच्या अंदाजांवर काय प्रभाव टाकतो हे समजणे. हे मॉडेलच्या वर्तनाचे स्पष्टीकरण देण्यास मदत करते, जे पारदर्शकता आणि जबाबदारीसाठी महत्त्वाचे आहे.
## 🚀 आव्हान
हानिकारक परिणाम प्रथमच उद्भवू नयेत यासाठी, आपल्याला:
हानी प्रथमच निर्माण होण्यापासून टाळण्यासाठी, आपल्याला:
- प्रणालींवर काम करणाऱ्या लोकांमध्ये वैविध्यपूर्ण पार्श्वभूमी आणि दृष्टीकोन असावेत
- आपल्या समाजातील विविधतेचे प्रतिबिंब दाखवणाऱ्या डेटासेटमध्ये गुंतवणूक करावी
- मशीन लर्निंगच्या संपूर्ण जीवनचक्रात संभाव्य जबाबदार AI चे शोध घेणे आणि दुरुस्ती करण्याच्या अधिक चांगल्या पद्धती विकसित कराव्यात
- प्रणालींवर काम करणाऱ्या लोकांमध्ये विविध पार्श्वभूमी आणि दृष्टीकोन असणे आवश्यक आहे
- आपल्या समाजाच्या विविधतेचे प्रतिबिंब करणाऱ्या डेटासेटमध्ये गुंतवणूक करणे आवश्यक आहे
- जबाबदार न नसलेल्या AI संशोधन, शोध आणि दुरुस्तीकरिता मशीन लर्निंग जीवनचक्रातील उत्तम पद्धती विकसित करणे आवश्यक आहे
वास्तविक जीवनातील अशा परिस्थितींचा विचार करा जिथे मॉडेलचा अविश्वासार्हपणा मॉडेल तयार करणे आणि वापरण्यात स्पष्ट आहे. आणखी काय विचारले पाहिजे?
अशा वास्तव जीवनातील परिस्थिती विषयी विचार करा जिथे मॉडेलच्या अविश्वासार्हतेची स्पष्टता दिसून येते. आपण आणखी काय विचारात घ्यायला हवे?
या धड्यात, आपण मशीन लर्निंगमधील न्याय आणि अन्याय या संकल्पनांच्या काही मूलभूत गोष्टी शिकलात.
या धड्यात, तुम्ही मशीन लर्निंगमधील न्याय आणि अन्यायाच्या संकल्पनांबद्दल काही मूलभूत गोष्टी शिकलात.
या विषयांवर अधिक खोलवर जाण्यासाठी हा कार्यशाळा पहा:
या विषयांत अधिक खोलीत जाण्यासाठी हे कार्यशाळा पहा:
- जबाबदार AI च्या शोधासाठी: Besmira Nushi, Mehrnoosh Sameki आणि Amit Sharma यांचेद्वारे तत्त्वांना व्यवहारात आणणे
- जबाबदार AI साठी प्रयत्न: तत्त्वांना व्यवहारात आणणे, Besmira Nushi, Mehrnoosh Sameki आणि Amit Sharma द्वारे
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: उत्तरदायी AI निर्माणासाठी एक खुला स्त्रोत चौकट")
> 🎥 वरील प्रतिमेवर क्लिक करा व्हिडिओसाठी: Besmira Nushi, Mehrnoosh Sameki आणि Amit Sharma यांचेद्वारे RAI Toolbox: जबाबदार AI तयार करण्यासाठी एक मुक्त स्रोत फ्रेमवर्क
> 🎥 वरील प्रतिमेवर क्लिक करा व्हिडिओसाठी: Besmira Nushi, Mehrnoosh Sameki आणि Amit Sharma यांचे 'RAI Toolbox: उत्तरदायी AI निर्माणासाठी एक खुला स्त्रोत चौकट'
तसेच, वाचा:
- Microsoft चे RAI संसाधन केंद्र: [Responsible AI Resources– Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- मायक्रोसॉफ्टचे RAI संसाधन केंद्र: [उत्तरदायी AI संसाधने– Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- Microsoft चे FATE संशोधन समूह: [FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
- मायक्रोसॉफ्टचे FATE संशोधन गट: [FATE: कदर, जबाबदारी, पारदर्शकता, आणि नैतिकता AI मध्ये - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
RAI Toolbox:
RAI टूलबॉक्स:
- [Responsible AI Toolbox GitHub संग्रहालय](https://github.com/microsoft/responsible-ai-toolbox)
- [उत्तरदायी AI टूलबॉक्स GitHub संग्रहालय](https://github.com/microsoft/responsible-ai-toolbox)
Azure मशीन लर्निंगच्या न्याय सुनिश्चित करण्यासाठीच्या साधनांविषयी वाचा:
Azure मशीन शिक्षणाचे उपकरणे वाचा जे न्याय सुनिश्चित करतात:
> ### [हा धडा R मध्ये उपलब्ध आहे!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
## परिचय
या चार धड्यांमध्ये, आपण पुनरावृत्ती मॉडेल्स कसे तयार करायचे हे शोधणार आहात. आपण लवकरच या मॉडेल्ससाठी काय उपयोग होतो ते चर्चा करू. पण काहीही करण्यापूर्वी, खात्री करा की आपल्या जवळ योग्य साधने आहेत ज्यामुळे प्रक्रिया सुरू करता येईल!
या चार धड्यांमध्ये, तुम्ही regression मॉडेल्स कसे तयार करावे हे शोधणार आहात. थोडक्यात आपण या मॉडेल्स काय करतात यावर चर्चा करू. पण काहीही करण्याआधी, प्रक्रिया सुरू करण्यासाठी योग्य साधने तुमच्याकडे असल्याची खात्री करा!
या धड्यात, आपण शिकाल कसे:
या धड्यात, तुम्हाला शिकायला मिळेल:
- आपल्या संगणकाला स्थानिक मशीन लर्निंग कार्यांसाठी सेटअप करा.
- Jupyter नोटबुक्ससह काम करा.
- Scikit-learn वापरा, स्थापना समाविष्ट आहे.
- एक प्रत्यक्ष हाताळणीसह रेषीय पुनरावृत्तीचा अभ्यास करा.
- तुमच्या संगणकाचे स्थानिक मशीन लर्निंग कामांसाठी कॉन्फिगर करणे.
- Jupyter Notebooks वापरणे.
- Scikit-learn वापरणे, त्यात स्थापना देखील समाविष्ट आहे.
- एक प्रत्यक्ष व्यायाम करून linear regression तपासणे.
## स्थापना आणि कॉन्फिगरेशन
[](https://youtu.be/-DfeD2k2Kj0 "ML प्रारंभिकांसाठी - तुमची साधने तयार करा")
[](https://youtu.be/-DfeD2k2Kj0 "ML for beginners -मशीन लर्निंग मॉडेल्स तयार करण्यासाठी तुमची साधने तयार करा")
> 🎥 ML साठी संगणक कॉन्फिगर करण्यासंबंधी थोडक व्हिडिओ पाहण्यासाठी वरील प्रतिमेवर क्लिक करा.
> 🎥 वर दिलेल्या चित्रावर क्लिक करा आणि संगणक ML साठी कॉन्फिगर करण्याबाबत एक संक्षिप्त व्हिडिओ पाहा.
1. **Python स्थापित करा**. खात्री करा की [Python](https://www.python.org/downloads/) आपल्याला संगणकावर स्थापित आहे. आपण Python अनेक डेटा सायन्स आणि मशीन लर्निंग कार्यांसाठी वापरणार आहात. अनेक संगणकांमध्ये Python आधीपासूनच स्थापित असलेला असतो. काही वापरकर्त्यांसाठी सेटअप सुलभ करण्यासाठी उपयोगी [Python कोडिंग पॅक्स](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) देखील उपलब्ध आहेत.
1. **Python स्थापित करा**. खात्री करा की तुमच्या संगणकावर [Python](https://www.python.org/downloads/) स्थापित आहे. अनेक डेटा सायन्स आणि मशीन लर्निंग कामांसाठी Python वापरायचा असतो. बहुतेक संगणक प्रणालींमध्ये आधीच Python स्थापित असते. काही वापरकर्त्यांसाठी आढळणारे [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) देखील उपलब्ध आहेत, ज्यामुळे सेटअप सोपे होते.
काही Python चा वापर एका आवृत्तीमध्ये असतो, तर काही दुसऱ्या आवृत्तीची गरज असते. म्हणूनच, [वर्च्युअल एन्व्हायर्नमेंट](https://docs.python.org/3/library/venv.html) मध्ये काम करणे उपयोगी ठरते.
Python चे काही वापर एक सॉफ्टवेअर व्हर्जन वापरतात, तर काही दुसरा वापरतात. त्यामुळे, [virtual environment](https://docs.python.org/3/library/venv.html) मध्ये काम करणे उपयुक्त ठरते.
2. **Visual Studio Code स्थापित करा**. खात्री करा की आपल्याकडे Visual Studio Code स्थापित आहे. मूलभूत स्थापना करण्यासाठी [Visual Studio Code कसे स्थापित करायचे](https://code.visualstudio.com/) याचे निर्देश पाळा. आपण या कोर्समध्ये Visual Studio Code मध्ये Python वापरणार आहात, त्यामुळे Python विकासासाठी Visual Studio Code कसे कॉन्फिगर करायचे याचा आढावा घेणे अनिवार्य आहे. [Visual Studio Code कॉन्फिगरेशन](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) कसे करायचे ते पाहा.
2. **Visual Studio Code स्थापित करा**. खात्री करा की Visual Studio Code तुमच्या संगणकावर स्थापित आहे. बेसिक इन्स्टॉलेशनसाठी या माहितीचे अनुसरण करा: [Visual Studio Code स्थापित करा](https://code.visualstudio.com/). तुम्ही या कोर्समध्ये Visual Studio Code मध्ये Python वापरणार आहात, त्यामुळे Python विकासासाठी Visual Studio Code कसे कॉन्फिगर करायचे ते थोडे शिकून घ्या: [Visual Studio Code कॉन्फिगर करा](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott).
> Python सोबत आरामदायी होण्यासाठी या [Learn modules](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) मध्ये काम करा.
> [Learn modules](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) वापरून Python मध्ये काम करून आरामदायक व्हा
>
> [](https://youtu.be/yyQM70vi7V8 "Visual Studio Code सह Python सेटअप करा")
>
> 🎥 VS Code मध्ये Python कसा वापरायचा याबाबत व्हिडिओ पाहण्यासाठी प्रतिमेवर क्लिक करा.
> 🎥 वरील चित्रावर क्लिक करा आणि Visual Studio Code मध्ये Python वापरण्याचा व्हिडिओ पहा.
3. **Scikit-learn स्थापित करा**, [या सूचनांचे](https://scikit-learn.org/stable/install.html) पालन करून. आपण Python 3 वापरत असल्याची खात्री करावी लागते, म्हणून वर्च्युअल एन्व्हायर्नमेंट वापरण्याचा सल्ला दिला जातो. लक्षात घ्या की, आपल्याला हे M1 Mac वर स्थापित करायचे असल्यास, वर दिलेल्या लिंकवर खास सूचना उपलब्ध आहेत.
3. **Scikit-learn स्थापित करा**, या [सूचनांचे पालन करा](https://scikit-learn.org/stable/install.html). Python 3 वापरायचा असल्यामुळे, virtual environment वापरणे शिफारसीय आहे. लक्षात ठेवा, M1 Mac वर स्थापना करत असल्यास, वरील दिलेल्या पृष्ठावर खास सूचना आहेत.
1. **Jupyter Notebook स्थापित करा**. आपण [Jupyter पॅकेज](https://pypi.org/project/jupyter/) स्थापित करणे आवश्यक आहे.
1. **Jupyter Notebook स्थापित करा**. तुम्हाला [Jupyter पॅकेज स्थापित करावे लागेल](https://pypi.org/project/jupyter/).
## आपले ML लेखन वातावरण
## तुमचे ML लेखन वातावरण
आपण Python कोड विकसित करण्यासाठी आणि मशीन लर्निंग मॉडेल्स तयार करण्यासाठी **नोटबुक्स** वापरणार आहात. अशा प्रकारचे फायली डेटा सायंटिस्टसाठी सामान्य साधन असून त्यांचा प्रत्यय `.ipynb` या प्रत्ययाने ओळखला जातो.
तुम्ही तुमचा Python कोड विकसित करण्यासाठी आणि मशीन लर्निंग मॉडेल्स तयार करण्यासाठी **notebooks** वापरणार आहात. हा प्रकार फाइलचा साधारण प्रकार डेटा सायंटिस्टसाठी सामान्य आहे, आणि त्याचा उपसर्ग `.ipynb` द्वारे ओळखला जातो.
नोटबुक्स हे एक परस्परसंवादी वातावरण आहे जे विकासकाला कोड करण्यास आणि कोडबाबत नोट्स व दस्तऐवज लिहिण्यास अनुमती देते, जे अनुभवात्मक किंवा संशोधन-उन्मुख प्रकल्पांसाठी फारच उपयुक्त आहे.
Notebooks एक संवादात्मक वातावरण आहे जे विकसकाला कोडिंग करण्यास तसेच नोट्स आणि कोडभोवती दस्तऐवजीकरण लिहिण्यास अनुमती देते; हे विशेषतः प्रयोगात्मक किंवा संशोधनात्मक प्रकल्पांसाठी खूप उपयोगी आहे.
[](https://youtu.be/7E-jC8FLA2E "ML प्रारंभिकांसाठी - पुनरावृत्ती मॉडेल तयार करण्यासाठी Jupyter नोटबुक सेट करा")
[](https://youtu.be/7E-jC8FLA2E "ML for beginners - Jupyter Notebooks सेटअप करा आणि regression मॉडेल्स तयार करायला सुरुवात करा")
> 🎥 या व्यायामाद्वारे कार्यरत व्हिडिओ पाहण्यासाठी वरील प्रतिमेवर क्लिक करा.
> 🎥 वरील चित्रावर क्लिक करा आणि या व्यायामातून संक्षिप्त व्हिडिओ पाहा.
### व्यायाम - नोटबुकसोबत काम करा
### व्यायाम - notebook सह काम करा
या फोल्डरमध्ये, आपण _notebook.ipynb_ फाइल पाहू शकता.
या फोल्डरमध्ये, तुम्हाला _notebook.ipynb_ फाइल मिळेल.
1. Visual Studio Code मध्ये _notebook.ipynb_ उघडा.
Python 3+ सह Jupyter सर्व्हर सुरू होईल. नोटबुकमध्ये काही ठिकाणी कोड ब्लॉक्स `run` करता येतात. एखादा कोड ब्लॉक चालवायला, प्ले बटणासारखा असलेला आयकॉन निवडा.
Jupyter सर्व्हर Python 3+ सह सुरू होईल. तुम्हाला notebook मधील काही भाग `run` करू शकता, उदाहरणार्थ कोडचे तुकडे. कोड ब्लॉक चालविण्यासाठी प्ले बटनासारखा चिन्ह निवडा.
1. `md`आयकॉन निवडा आणि थोडा Markdown आणि पुढील मजकूर **# Welcome to your notebook** जोडा.
1. `md`चिन्ह निवडा आणि थोडा markdown जोडा, पुढील मजकूर **# Welcome to your notebook** असा लिहा.
नंतर काही Python कोड जोडा.
नंतर, काही Python कोड जोडा.
1. कोड ब्लॉकमध्ये **print('hello notebook')** टाइप करा.
तुम्ही तुमचा कोड टिप्पणींसह एका नोटबुकमध्ये दस्तऐवजीकरणासाठी मिसळू शकता.
तुम्ही तुमचा कोड टिप्पण्यांसह समाविष्ट करू शकता ज्यामुळे notebook ची स्वयं-दस्तऐवजीकरणही होते.
✅ एक मिनिट थांबा आणि विचार करा की वेब विकसकाचे कामाचे वातावरण आणि डेटा सायंटिस्टचे कामाचे वातावरण किती वेगळे आहे.
✅ एक मिनिट विचार करा: वेब डेव्हलपरचे कामाचे वातावरण आणि डेटा सायंटिस्टचे कामाच्या वातावरणात किती फरक आहे.
## Scikit-learn सह सुरू करा
## Scikit-learn सह सुरु करा
आता Python आपल्या स्थानिक वातावरणामध्ये सेट झाला आहे आणि आपण Jupyter नोटबुक्ससह परिचित आहात, चला Scikit-learn (हे `sci` म्हणजे `science` सारखे उच्चारले जाते) ज्यासह समान परिचित होऊया. Scikit-learn तुम्हाला ML कार्य करण्यासाठी मोठ्या प्रमाणात API देतो.
आता Python तुमच्या स्थानिक वातावरणात सेट झाला आहे आणि तुम्ही Jupyter Notebooks मध्ये आरामदायक आहात, तर आपण Scikit-learn सहही तितकंच आरामदायक होऊया (`sci` हे 'science' प्रमाणे उच्चारायचे). Scikit-learn मशीन लर्निंग कार्य पूर्ण करण्यासाठी एक [विस्तृत API](https://scikit-learn.org/stable/modules/classes.html#api-ref) पुरवते.
त्यांच्या [वेबसाईट](https://scikit-learn.org/stable/getting_started.html) नुसार, "Scikit-learn हे एक मुक्त स्रोत मशीन लर्निंग लायब्ररी आहे जे सुपरवाइज्ड आणि अनसुपरवाइज्ड लर्निंग समर्थित करते. हे मॉडेल फिटिंग, डेटा पूर्वप्रक्रिया, मॉडेल निवड आणि मूल्यांकन यासाठी विविध साधने देते."
त्यांच्या [वेबसाइट](https://scikit-learn.org/stable/getting_started.html) नुसार, "Scikit-learn ही एक मुक्त स्रोत मशीन लर्निंग लायब्ररी आहे जी supervised आणि unsupervised learning ला समर्थन देते. ती मॉडेल फिटिंग, डेटा पूर्वतयारी, मॉडेल निवड आणि मूल्यमापन, तसेच अनेक इतर उपयुक्त उपकरणे प्रदान करते."
या कोर्समध्ये, आपण Scikit-learn आणि इतर साधने वापरून पारंपरिक मशीन लर्निंग कार्ये पार पाडणारे मशीन लर्निंग मॉडेल्स तयार करणार आहोत. आम्ही नेहमीच्या न्यूरल नेटवर्क्स आणि डीप लर्निंग टाळले आहे, ते आमच्या येत्या 'AI for Beginners' अभ्यासक्रमात चांगल्या प्रकारे समजावले जातील.
या कोर्समध्ये, तुम्ही पारंपारिक मशीन लर्निंग कार्य पूर्ण करण्यासाठी Scikit-learn आणि इतर साधने वापरणार आहात. आम्ही जाळी नेटवर्क्स आणि गहिरे शिक्षण यांचा त्याग केला आहे कारण ते आमच्या पुढील 'AI for Beginners' अभ्यासक्रमात उत्तम रीतीने समजावले जातील.
Scikit-learn मॉडेल तयार करणे आणि त्यांचे मूल्यांकन करणे सोपे करते. हा मुख्यतः संख्यात्मक डेटासाठी लक्ष केंद्रित करतो आणि शिकण्यासाठी अनेक तयार केलेले डेटासेट्स समाविष्ट करतो. यात पूर्व-निर्मित मॉडेल्सही आहेत, ज्याचा विद्यार्थी प्रयत्न करू शकतात. चला प्रीपॅकज्ड डेटा लोड करणे आणि स्थापत्याकार वापरून प्रथम ML मॉडेल तयार करण्याची प्रक्रिया पाहूया.
Scikit-learn मॉडेल तयार करणे आणि त्याचे मूल्यमापन करणे सोपे करते. हे प्रामुख्याने संख्यात्मक डेटावर लक्ष केंद्रित करते आणि शिकण्यासाठी अनेक पूर्वनिर्मित डेटा संच प्रदान करते. यात विद्यार्थ्यांसाठी वापरण्यासाठी पूर्वनिर्मित मॉडेल्स देखील समाविष्ट आहेत. चला, पूर्वसूचि डेटा लोड करणे आणि अंतर्भूत estimator वापरून तुमचा पहिला ML मॉडेल Scikit-learn वापरून तयार करण्याची प्रक्रिया पाहूया.
## व्यायाम - तुमचा पहिला Scikit-learn नोटबुक
## व्यायाम - तुमचा पहिला Scikit-learn notebook
> हा ट्युटोरियल Scikit-learn च्या [रेषीय पुनरावृत्ती उदाहरणावर](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) आधारित आहे.
> हा ट्यूटोरियल Scikit-learn च्या वेबसाइटवरील [linear regression उदाहरण](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) पासून प्रेरित आहे.
[](https://youtu.be/2xkXL5EUpS0 "ML प्रारंभिकांसाठी - तुमचा पहिला रेषीय पुनरावृत्ती प्रकल्प")
[](https://youtu.be/2xkXL5EUpS0 "ML for beginners - Python मध्ये तुमचा पहिला Linear Regression प्रोजेक्ट")
> 🎥 या व्यायामामुळे कार्यरत व्हिडिओ पाहण्यासाठी प्रतिमेवर क्लिक करा.
> 🎥 वरील चित्रावर क्लिक करा आणि या व्यायामाचे संक्षिप्त व्हिडिओ पाहा.
_notebook.ipynb_ फायलीमध्ये, या धड्याशी संलग्न असलेल्या सर्व सेल काढा 'trash can' आयकॉनवर क्लिक करून.
या धड्यासोबत दिलेल्या _notebook.ipynb_ फाइलमधील सर्व सेल्स 'trash can' चिन्ह दाबून साफ करा.
या विभागात, आपण Scikit-learn मध्ये शिकण्यासाठी तयार केलेल्या मध्यम आकाराच्या डायबिटीज डेटासेटसह काम करणार आहात. समजा तुम्हाला डायबिटीक रुग्णांसाठी उपचाराची चाचणी करायची आहे. मशीन लर्निंग मॉडेल तुम्हाला ठरवण्यास मदत करू शकतात की कोणते रुग्ण उपचारावर चांगले प्रतिसाद देतील, भिन्न चलांच्या संयोजनावरून. अगदी प्राथमिक पुनरावृत्ती मॉडेल, जे दृश्यात आणले आहे, ते चलांबद्दल अशी माहिती दाखवू शकते जी तुमच्या तात्विक नैदानिक चाचण्यांचे आयोजन करण्यास मदत करू शकते.
या भागात, तुम्ही Scikit-learn मध्ये शिकण्यासाठी पूर्वनिर्मित मधील मध्यम आकाराच्या diabetes डेटासेटसह काम कराल. कल्पना करा की तुम्हाला diabetic रुग्णांच्या उपचाराची चाचणी करायची आहे. मशीन लर्निंग मॉडेल्स मदत करू शकतात की कोणते रुग्ण उपचाराला चांगला प्रतिसाद देतील, विविध चलांच्या संयोजनावर आधारित. अगदी एक साधा regression मॉडेल, ज्याचे व्हिज्युअलायझेशन केले, तो रुग्णांच्या संकल्पित क्लिनिकल ट्रायलसाठी वापरता येणारी माहिती देऊ शकतो.
✅ पुनरावृत्तीच्या अनेक प्रकार आहेत, आणि आपल्याला कोणता वापरायचा हे तुम्ही शोधत असलेल्या उत्तरावर अवलंबून आहे. जर तुम्हाला एखाद्या वयाच्या व्यक्तीची संभाव्य उंची भविष्यवाणी करायची असेल, तर तुम्ही रेषीय पुनरावृत्ती वापराल कारण तुम्हाला **संख्यात्मक मूल्य** हवे आहे. जर तुम्हाला शोधायचे असेल की कुठल्या प्रकारच्या खाद्यपदार्थाचे वर्गीकरण व्हेगन म्हणून करायचे आहे का नाही, तर तुम्हाला **श्रेणी-नियुक्ती** पाहिजे असेल, म्हणून तुम्ही लॉजिस्टिक पुनरावृत्ती वापराल. लॉजिस्टिक पुनरावृत्तीबद्दल आपण पुढे शिकलो. डेटा विषयी तुम्ही विचार कराल असे काही प्रश्न आणि त्यासाठी कोणती पद्धत योग्य ठरेल हे थोडे विचार करा.
✅ regression पद्धतींचे अनेक प्रकार आहेत आणि तुम्ही कोणती निवडाल हे तुमच्या प्रश्नावर अवलंबून आहे. जर तुम्हाला एखाद्या दिलेल्या वयाच्या व्यक्तीची शक्यतापूर्ण उंची भाकीत करायची असेल, तर तुम्ही linear regression वापराल कारण तुम्ही **संख्यात्मक मूल्य** शोधत आहात. जर तुम्ही शोधत असाल की एखाद्या प्रकारच्या आहाराला vegan मानले पाहिजे का नाही, तर तुम्ही शोधत आहात **वर्गीकरण**, त्यामुळे logistic regression वापराल. logistic regression नंतर शिकाल. काही प्रश्नांवर विचार करा जे तुम्ही डेटामधून विचारू शकता आणि कोणती पद्धत अधिक योग्य ठरेल.
चला या कार्यावर सुरुवात करूया.
### लायब्ररी आयात करा
### लायब्ररी इम्पोर्ट करा
या कार्यासाठी आपण काही लायब्ररी आयात करू:
या कार्यासाठी आपण काही लायब्ररी इम्पोर्ट करू:
- **matplotlib**. हे एक उपयुक्त [ग्राफिंग साधन](https://matplotlib.org/) आहे आणि आपण याचा वापर रेषा प्लॉटसाठी करू.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) हा Python मध्ये संख्यात्मक डेटाचा हाताळणीसाठी उपयुक्त लायब्ररी आहे.
- **sklearn**. ही [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) लायब्ररी आहे.
- **matplotlib**. हा एक उपयुक्त [ग्राफिंग साधन](https://matplotlib.org/) आहे आणि आपण त्याचा वापर करून लाईन प्लॉट तयार करू.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) हा Python मध्ये संख्यात्मक डेटावर काम करण्यासाठी उपयुक्त लायब्ररी आहे.
- **sklearn**. हा [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) लायब्ररी आहे.
तुमच्या कार्यांसाठी काही लायब्ररी आयात करा.
काही लायब्ररी इम्पोर्ट करा ज्यामुळे तुमचे कार्य सोपे होईल.
1. पुढील कोड टाइप करून आयात जोडा:
1. खालील कोड टाइप करून इम्पोर्ट जोडा:
```python
import matplotlib.pyplot as plt
@ -123,26 +123,26 @@ _notebook.ipynb_ फायलीमध्ये, या धड्याशी
from sklearn import datasets, linear_model, model_selection
```
वरील कोडमध्ये आपण `matplotlib`, `numpy` आयात करत आहात आणि `sklearn` मधून `datasets`, `linear_model` आणि `model_selection`आयात करत आहात. `model_selection` डेटा प्रशिक्षण आणि चाचणी संचात विभागण्यासाठी वापरला जातो.
वरील कोडमध्ये तुम्ही `matplotlib`, `numpy` इम्पोर्ट करत आहात आणि `sklearn` मधून `datasets`, `linear_model` आणि `model_selection`इम्पोर्ट करत आहात. `model_selection` डेटा ट्रेनिंग आणि टेस्ट सेटमध्ये विभागण्यासाठी वापरला जातो.
### डायबिटीज डेटासेट
अंतर्भूत [diabetes dataset](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) मध्ये डायबिटीज संदर्भातील 442 नमुने आहेत, ज्यामध्ये 10 वैशिष्ट्य चल आहेत, ज्यात काही आहेत:
अंतर्भूत [diabetes डेटासेट](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) मध्ये 442 नमुने असतात, ज्यात 10 वैशिष्ट्ये (features) आहेत, त्यापैकी काही खालीलप्रमाणे आहेत:
- age: वय वर्षांत
- bmi: शरीर द्रव्यमान निर्देशांक
- वय: वर्षांमधील वय
- bmi: बॉडी मास इंडेक्स
- bp: सरासरी रक्तदाब
- s1 tc: टी-सेल्स (पांढऱ्या रक्तकणांचा प्रकार)
- s1 tc: टी-सेल (पांढर्या रक्तकणांचा एक प्रकार)
✅ या डेटासेटमध्ये 'sex' नावाचा एक वैशिष्ट्य चल आहे जो डायबिटीज संशोधनासाठी महत्त्वाचा आहे. अनेक वैद्यकीय डेटासेट्समध्ये अशा द्विअर्थ वर्गीकरणाचा समावेश असतो. असा विचार करा की अशा प्रकारच्या वर्गीकरणामुळे लोकसंख्येचा काही भाग उपचारापासून वगळला जाऊ शकतो.
✅ या डेटासेट मध्ये 'sex' हा एक वैशिष्ट्य महत्त्वाचा आहे जो डायबिटीज संशोधनासाठी उपयोगी आहे. बरेच वैद्यकीय डेटासेट या प्रकारच्या द्वैध वर्गीकरणाचा वापर करतात. यावर विचार करा की अशा वर्गीकरणामुळे काही लोकसंख्या उपचारांपासून वगळली जाऊ शकते.
आता X आणि y डेटा लोड करा.
आता, X आणि y डेटा लोड करा.
> 🎓 लक्षात ठेवा, हे सुपरवाइज्ड लर्निंग आहे, आणि आम्हाला एका नाव असलेल्या 'y' टारगेटची गरज आहे.
> 🎓 लक्षात ठेवा, हे supervised learning आहे आणि आपल्याला नाव असलेला 'y' लक्ष्य हवा आहे.
एका नवीन कोड सेलमध्ये,`load_diabetes()` कॉल करून डायबिटीज डेटासेट लोड करा. इनपुट `return_X_y=True` सूचित करतो की `X` हा डेटाचा मॅट्रिक्स असेल आणि `y` पुर्नावृत्ती टारगेट असेल.
नवीन कोड सेलमध्ये `load_diabetes()` कॉल करून diabetes डेटासेट लोड करा. `return_X_y=True` असल्याने `X` हा डेटा मॅट्रिक्स असेल आणि `y` हा regression लक्ष्य असेल.
1. काही प्रिंट कमांडसाठी डेटा मॅट्रिक्सचा आकार आणि त्याचा पहिला घटक दाखवा:
1. डेटा मॅट्रिक्सचा आकार आणि त्याचा पहिला घटक दाखविण्यासाठी काही print कमांड जोडा:
```python
X, y = datasets.load_diabetes(return_X_y=True)
@ -150,9 +150,9 @@ _notebook.ipynb_ फायलीमध्ये, या धड्याशी
print(X[0])
```
तुमची मिळालेली प्रतिक्रिया एक ट्युपल आहे. तुम्ही ट्युपलच्या पहिल्या दोन मूल्यांना अनुक्रमे `X` आणि `y` शी जोडत आहात. अधिक जाणून घेण्यासाठी [ट्युपल बद्दल](https://wikipedia.org/wiki/Tuple) पहा.
तुम्हाला परत मिळालेला प्रतिसाद म्हणजे एक tuple आहे. येथे तुम्ही tuple च्या पहिल्या दोन किंमती `X` आणि `y` मध्ये वेगळ्या करत आहात. अधिक जाणून घेण्यासाठी [tuples बद्दल वाचा](https://wikipedia.org/wiki/Tuple).
तुम्हाला दिसेल की या डेटामध्ये 442 नोंदी आहेत ज्या 10 घटकांच्या अॅरेमध्ये आहेत:
तुम्ही पाहू शकता की हा डेटा 442 आयटम असलेला आहे ज्याचे प्रत्येक अरेमध्ये 10 घटक आहेत:
```text
(442, 10)
@ -160,39 +160,39 @@ _notebook.ipynb_ फायलीमध्ये, या धड्याशी
-0.04340085 -0.00259226 0.01990842 -0.01764613]
```
✅ डेटा आणि पुर्नावृत्ती टारगेट यामधील संबंधावर विचार करा. रेषीय पुनरावृत्ती वैशिष्ट्य X आणि टारगेट y यामधील संबंध भाकीत करते. डेटासेटच्या कागदपत्रीत [टारगेट](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) कोणता आहे ते पाहा? हा डेटासेट कोणत्या गोष्टीचे प्रदर्शन करतो?
✅ थोडं विचार करा डेटा आणि regression लक्षाच्या नात्याबद्दल. Linear regression वैशिष्ट्य X आणि लक्ष्य y यांच्यातील संबंध भाकीत करते. तुम्ही वापरत असलेल्या डायबिटीज डेटासेट साठी [लक्ष्य](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) काय आहे? या डेटासेटमध्ये हा लक्ष्य काय दाखवत आहे?
2. नंतर, या डेटासेटचा एक भाग निवडा ज्यासाठी प्लॉट करायचा आहे, म्हणजे डेटासेटचा 3रा स्तंभ निवडा. तुम्ही `:` ऑपरेटर वापरून सर्व पंक्ती निवडू शकता, आणि नंतर 3रा स्तंभ (इंडेक्स 2) निवडू शकता. तुम्ही `reshape(n_rows, n_columns)` वापरून डेटा 2D अॅरेमध्ये देखील आणू शकता - प्लॉटिंगसाठी आवश्यक. जर एक पॅरामीटर -1 असेल, तर संबंधित परिमाण आपोआप गणना केले जाते.
2. नंतर, डेटासेटचा एक भाग निवडा जो 3रा स्तंभ आहे. तुम्ही `:` ऑपरेटर वापरून सर्व रो निवडू शकता, आणि नंतर अनुक्रमणिका (2) वापरून 3रा स्तंभ निवडू शकता. प्लॉटिंगसाठी, डेटा 2D अरेमध्ये रूपांतरित करा `reshape(n_rows, n_columns)` वापरून. जर पैरामिटर्सपैकी एक `-1` असेल तर त्या उपकरणाचा आकार स्वयंचलितपणे गणना केला जातो.
```python
X = X[:, 2]
X = X.reshape((-1,1))
```
✅ कधीही डेटा तपासण्यासाठी त्याचा आकार प्रिंट करा.
✅ कधीही डेटा आणि त्याचा आकार तपासण्यासाठी print करा.
3. आता डेटा प्लॉट करण्यास तयार असल्याने, पाहू या की मशीन या डेटासेटमधील संख्यांमध्ये तर्कशीर विभागणी ठरवू शकते का. यासाठी, तुम्हाला डेटा (X) आणि टारगेट (y) हे दोन्ही प्रशिक्षण आणि चाचणी संचात विभाजित करावे लागतील. Scikit-learn मध्ये हे करणे सोपे आहे; तुम्ही दिलेल्या बिंदूवर तुमचा चाचणी डेटा विभाजित करू शकता.
3. आता डेटा प्लॉट करण्यासाठी तयार आहे, तुम्ही पाहू शकता की मशीन या डेटासेटमधील आकड्यांमध्ये तार्किक विभाजन ठरवू शकते का. हे करण्यासाठी, डेटा (X) आणि लक्ष्य (y) यांना प्रशिक्षण आणि टेस्ट सेटमध्ये विभाजित करा. Scikit-learn मध्ये हे सोपे आहे; तुम्ही तुमच्या टेस्ट डेटाचे विभाजन ठराविक ठिकाणी करू शकता.
```python
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
```
4. आता तुम्ही तुमचा मॉडेल प्रशिक्षित करण्यास तयार आहात! रेषीय पुनरावृत्ती मॉडेल लोड करा आणि `model.fit()` वापरून तुमचा X आणि y प्रशिक्षण संचाने प्रशिक्षित करा:
4. आता तुम्ही तुमचा मॉडेल ट्रेन करण्यासाठी तयार आहात! linear regression मॉडेल लोड करा आणि `model.fit()` वापरून X आणि y प्रशिक्षण सेटसह प्रशिक्षित करा:
```python
model = linear_model.LinearRegression()
model.fit(X_train, y_train)
```
✅ `model.fit()`हे अनेक ML लायब्ररींमध्ये वापरले जाणारे फंक्शन आहे जसे TensorFlow मध्ये.
✅ `model.fit()` अनेक ML लायब्ररींमध्ये वापरले जाणारे फंक्शन आहे जसे TensorFlow मध्ये.
5. नंतर, चाचणी डेटा वापरून `predict()` फंक्शनने भाकीत तयार करा. हे मॉडेलच्या डेटागटांदरम्यान रेषा काढण्यासाठी वापरले जाईल.
5. नंतर, `predict()` फंक्शन वापरून टेस्ट डेटा वापरून भाकीत तयार करा. हे डेटा ग्रुप्समधील रेषा काढण्यासाठी वापरले जाईल.
```python
y_pred = model.predict(X_test)
```
6. आता डेटा प्लॉटमध्ये दाखवण्याची वेळ आली आहे. matplotlib हे या कार्यासाठी फारच उपयुक्त साधन आहे. सर्व X आणि y चाचणी डेटाचा स्कॅटरप्लॉट तयार करा, आणि भाकीत वापरून मॉडेलच्या डेटागटांदरम्यान योग्य ठिकाणी रेषा काढा.
6. आता डेटा प्लॉटमध्ये दर्शवण्याची वेळ आहे. Matplotlib हा या कामासाठी एक खूप उपयुक्त साधन आहे. सर्व X आणि y टेस्ट डेटाचा scatterplot तयार करा, आणि prediction वापरून मॉडेलच्या डेटागटांमधील सर्वात योग्य ठिकाणी एक रेषा काढा.
```python
plt.scatter(X_test, y_test, color='black')
@ -203,28 +203,27 @@ _notebook.ipynb_ फायलीमध्ये, या धड्याशी
✅ या वेळी तुम्हाला काय चालले आहे याचा विचार करा. अनेक छोटे डाटापॉइंट्सच्या मधोमध सरळ रेषा आहे, पण ती नक्की काय करत आहे? तुम्ही पाहू शकता का की तुम्ही या रेषेचा उपयोग नवीन, न दिसलेल्या डेटापॉइंटनुसार y axis च्या दृष्टीने भाकीत करायला कसा करू शकता? या मॉडेलचा व्यावहारिक वापर शब्दांमध्ये कसा मांडता येईल ते प्रयत्न करा.
✅ येथे काय घडत आहे याबद्दल थोडं विचार करा. एक सरळ रेषा अनेक लहान डेटा बिंदूंमधून जात आहे, पण ती नेमकी काय करत आहे? तुम्हाला दिसतंय का की तुम्हाला या रेषेचा वापर करून नवीन, अद्याप न पाहिलेल्या डेटा पॉइंटला प्लॉटच्या y अक्षाच्या संदर्भात कुठे बसवायचं हे अंदाज लावता येईल? या मॉडेलच्या व्यावहारिक वापराबद्दल शब्दांमध्ये मांडण्याचा प्रयत्न करा.
अभिनंदन, तुम्ही तुमचा पहिला रेखीय प्रतिगमन मॉडेल तयार केला, त्याच्याशी भविष्यकाळी अंदाज लावला आणि तो प्लॉटमध्ये प्रदर्शित केला!
अभिनंदन, तुम्ही तुमचा पहिला linear regression मॉडेल तयार केला, त्यावर भाकीत तयार केली, आणि प्लॉटमध्ये ते दाखवले!
---
## 🚀आव्हान
या डेटासेटमधल्या वेगळ्या चलाचा प्लॉट करा. इशारा: हा ओळ संपादित करा: `X = X[:,2]`. या डेटासेटच्या लक्ष्याला पाहता, तुम्हाला मधुमेह या रोगाच्या प्रगतीबद्दल काय शोधायला मिळतं?
या डेटासेटमधून वेगळा चल प्लॉट करा. सूचना: या ओळी संपादित करा: `X = X[:,2]`. या डेटासेटच्या लक्ष्याच्या दृष्टीने तुम्हाला डायबिटीज रोगप्रगतीबद्दल काय शोधता येते?
या शिक्षणात, तुम्ही सोपा रेखीय प्रतिगमन वापरला आहे, एकक किंवा बहुविध रेखीय प्रतिगमन नव्हे. या पद्धतींच्या फरकांबद्दल थोडे वाचा, किंवा [हा व्हिडिओ](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) पाहा.
या ट्यूटोरियलमध्ये, तुम्ही साधा linear regression वापरला, जसे univariate किंवा multiple linear regression नाही. या पद्धतींमधील फरक लक्षात घेण्यासाठी थोडे वाचा किंवा [हा व्हिडिओ](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) पाहा.
प्रतिगमन या संकल्पनेबद्दल अधिक माहिती वाचा आणि कोणत्या प्रकारच्या प्रश्नांना या तंत्राने उत्तर दिलं जाऊ शकतं हे विचार करा. तुमचं ज्ञान खोल करण्यासाठी हा [ट्युटोरियल](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) करा.
पुनरावृत्ती संकल्पनेबद्दल अधिक वाचा आणि या तंत्राने कोणत्या प्रकारच्या प्रश्नांची उत्तरे देता येऊ शकतात याचा विचार करा. तुमची समज वाढवण्यासाठी हा [ट्यूटोरियल](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) घ्या.
क्लस्टरिंग ही मशीन लर्निंगची एक कार्यप्रणाली आहे ज्यामध्ये एकमेकांसारखे दिसणारे ऑब्जेक्ट शोधले जातात आणि त्यांना क्लस्टर्स नावाच्या गटांमध्ये वर्गीकृत केले जाते. मशीन लर्निंगमधील इतर पद्धतींपेक्षा क्लस्टरिंग वेगळे आहे कारण गोष्टी आपोआप घडतात. खरं तर, हे सुपरवाइज्ड लर्निंगच्या अगदी उलट आहे असे म्हणणे योग्य ठरेल.
क्लस्टरिंग ही एक मशीन लर्निंगची कार्य आहे जिथे सारखे दिसणारे ऑब्जेक्ट्स शोधून त्यांना क्लस्टर्स म्हणणाऱ्या गटांमध्ये विभागले जाते. मशीन लर्निंगमधील इतर पद्धतींपेक्षा क्लस्टरिंग वेगळी आहे कारण येथे गोष्टी आपोआप घडतात, खऱ्या अर्थाने ही supervised learning च्या उलट आहे असे म्हणायला हरकत नाही.
## प्रादेशिक विषय: नायजेरियन प्रेक्षकांच्या संगीत आवडीसाठी क्लस्टरिंग मॉडेल्स 🎧
## स्थानिक विषय: नायजेरियन प्रेक्षकांच्या संगीत आवडीनुसार क्लस्टरिंग मॉडेल्स 🎧
नायजेरियाच्या विविध प्रेक्षकांची संगीताची आवडही विविध आहे. Spotify वरून डेटा स्क्रॅप करून (या [लेखातून प्रेरित](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), नायजेरियामध्ये लोकप्रिय असलेल्या काही संगीतावर नजर टाकूया. या डेटासेटमध्ये विविध गाण्यांच्या 'danceability' स्कोअर, 'acousticness', loudness, 'speechiness', लोकप्रियता आणि ऊर्जा याबद्दलचा डेटा समाविष्ट आहे. या डेटामध्ये नमुने शोधणे खूपच मनोरंजक ठरेल!
नायजेरियाच्या विविध प्रेक्षकांची संगीत आवडही वेगवेगळी आहे. Spotify वरून स्क्रॅप केलेल्या डेटाचा वापर करून (या [आलेखाद्वारे](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421) प्रेरित होऊन), नायजेरियामध्ये लोकप्रिय असलेल्या काही संगीताचा आढावा घेऊया. या डेटासेटमध्ये विविध गाण्यांचे 'danceability' स्कोर, 'acousticness', आवाजाचा तीव्रता, 'speechiness', लोकप्रियता आणि ऊर्जा यांची माहिती आहे. या डेटामध्ये नमुने शोधणे मनोरंजक ठरेल!
> <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a> यांनी <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> वर फोटो दिला आहे
> <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">मार्सेला लासकोस्की</a> यांनी <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">अनस्प्लॅशवर</a> घेतलेला फोटो
या धड्यांच्या मालिकेत तुम्ही क्लस्टरिंग तंत्रांचा वापर करून डेटा विश्लेषण करण्याचे नवीन मार्ग शोधाल. क्लस्टरिंग विशेषतः उपयुक्त आहे जेव्हा तुमच्या डेटासेटमध्ये लेबल्स नसतात. जर लेबल्स असतील, तर तुम्ही मागील धड्यांमध्ये शिकलेल्या वर्गीकरण तंत्रे अधिक उपयुक्त ठरू शकतात. परंतु अशा परिस्थितीत जिथे तुम्ही लेबल नसलेल्या डेटाचे गट तयार करू इच्छित असाल, क्लस्टरिंग हे नमुने शोधण्यासाठी एक उत्कृष्ट पद्धत आहे.
या धड्यांच्या मालिकेत, तुम्हाला क्लस्टरिंग तंत्रांचा वापर करून डेटाचे नवीन प्रकाराने विश्लेषण करायला शिकवले जाईल. जेव्हा तुमच्या डेटासेटमध्ये लेबले नसतात तेव्हा क्लस्टरिंग विशेष प्रभावी ठरते. जर लेबले असतील, तर तुम्हाला आधीच्या धड्यांमध्ये शिकवलेल्या वर्गीकरण तंत्रांचा जास्त फायदा होऊ शकतो. पण जेव्हा तुम्हाला अनलेबल केलेला डेटा गटात विभागायचा असेल, तेव्हा क्लस्टरिंग वापरून नमुने शोधणे खूपच उपयुक्त आहे.
> क्लस्टरिंग मॉडेल्ससह काम करण्याबद्दल शिकण्यासाठी उपयुक्त लो-कोड टूल्स उपलब्ध आहेत. [Azure ML](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott) वापरून हे कार्य करून पहा.
> कार्य करण्यासाठी क्लस्टरिंग मॉडेल्ससह काम शिकण्यास मदत करणाऱ्या कमी कोडिंगच्या उपयुक्त साधनांचा वापर करा. या कार्यासाठी [Azure ML वापरून पाहा](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
## धडे
@ -21,13 +21,15 @@
## श्रेय
हे धडे 🎶 सह [Jen Looper](https://www.twitter.com/jenlooper) यांनी लिहिले असून [Rishit Dagli](https://rishit_dagli) आणि [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan) यांनी उपयुक्त पुनरावलोकने केली आहेत.
हे धडे 🎶 [जेन लूपर](https://www.twitter.com/jenlooper) यांनी लिहिले असून यासाठी [ऋषित डागळी](https://rishit_dagli/) आणि [मुहम्मद साकिब खान इनान](https://twitter.com/Sakibinan) यांनी उपयुक्त अभिप्राय दिले.
[Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) डेटासेट Kaggle वरून Spotify मधून स्क्रॅप केलेले आहे.
[नायजेरियन गाणी](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) हा डेटासेट कॅगल वरून Spotify वरून स्क्रॅप करून मिळविला गेला आहे.
K-Means च्या उपयुक्त उदाहरणांमध्ये या [iris exploration](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), या [प्रारंभिक नोटबुक](https://www.kaggle.com/prashant111/k-means-clustering-with-python), आणि या [काल्पनिक NGO उदाहरणाचा](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering) समावेश आहे, ज्यांनी हा धडा तयार करण्यात मदत केली.
या धड्याच्या निर्मितीस मदत करणारे उपयुक्त K-Means उदाहरणांमध्ये हा [अयर्स (iris) शोध](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), हा [प्रास्ताविक नोटबुक](https://www.kaggle.com/prashant111/k-means-clustering-with-python), आणि हे [काल्पनिक NGO उदाहरण](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering) यांचा समावेश आहे.
---
**अस्वीकरण**:
हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**अस्वीकरण**:
हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून अनुवादित केला आहे. जरी आम्ही अचूकतेसाठी प्रयत्न करतो, तरी कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेची कमतरता असू शकते. मूळ दस्तऐवज त्याच्या मूळ भाषेत अधिकृत स्रोत मानला पाहिजे. महत्त्वाची माहिती असल्यास, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराच्या वापरामुळे उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थलावणीसाठी आम्ही जबाबदार नाही.
टाइम सिरीज अंदाज म्हणजे काय? भूतकाळातील ट्रेंड्सचा अभ्यास करून भविष्यातील घटनांची भविष्यवाणी करणे.
टाइम सिरिज फोरकास्टिंग म्हणजे काय? हे भूतकाळातील ट्रेंडचे विश्लेषण करून भविष्यकालीन घटना अनुमान करण्याबद्दल आहे.
## प्रादेशिक विषय: जागतिक वीज वापर ✨
या दोन धड्यांमध्ये, तुम्हाला टाइम सिरीज अंदाजाची ओळख करून दिली जाईल, मशीन लर्निंगमधील एक तुलनेने कमी परिचित क्षेत्र, जे उद्योग आणि व्यवसाय अनुप्रयोगांसह इतर क्षेत्रांसाठी अत्यंत मौल्यवान आहे. जरी न्यूरल नेटवर्क्स या मॉडेल्सची उपयुक्तता वाढवण्यासाठी वापरली जाऊ शकतात, तरी आपण त्यांचा अभ्यास पारंपरिक मशीन लर्निंगच्या संदर्भात करू, कारण मॉडेल्स भूतकाळाच्या आधारे भविष्यातील कामगिरीची भविष्यवाणी करण्यात मदत करतात.
या दोन धड्यांमध्ये, तुम्हाला टाइम सिरिज फोरकास्टिंगची ओळख करून दिली जाईल, जी मशीन लर्निंगमधील एक काहीशी कमी परिचित पण उद्योग आणि व्यवसायासह इतर क्षेत्रांसाठी अत्यंत मौल्यवान क्षेत्र आहे. न्यूरल नेटवर्क्सचा वापर या मॉडेल्सच्या उपयुक्ततेसाठी केला जाऊ शकतो, परंतु आपण क्लासिकल मशीन लर्निंगच्या संदर्भात हे अभ्यास करू जे भविष्यातील कामगिरी भूतकाळावर आधारित अंदाज करण्यास मदत करतात.
आपला प्रादेशिक फोकस जागतिक वीज वापरावर आहे, जो भूतकाळातील लोडच्या पॅटर्न्सच्या आधारे भविष्यातील वीज वापराचा अंदाज लावण्यासाठी एक मनोरंजक डेटासेट आहे. व्यवसायाच्या वातावरणात अशा प्रकारचा अंदाज किती उपयुक्त ठरू शकतो हे तुम्हाला पाहता येईल.
आमचा प्रादेशिक लक्ष जागतिक वीज वापरावर आहे, जे भूतकाळातील लोडच्या नमुन्यांवर आधारित भविष्यातील वीज वापराचे अंदाज करण्यासाठी शिकण्यासारखा एक मनोरंजक डेटा सेट आहे. तुम्हाला कसे ह्या प्रकारचा फोरकास्टिंग व्यावसायिक वातावरणात अत्यंत उपयुक्त ठरू शकतो हे दिसेल.
[Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) यांनी राजस्थानमधील रस्त्यावर वीज टॉवर्सचे Unsplash वरील [फोटो](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
फोटो [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) यांनी राजस्थानमधील एका रस्त्यावरच्या विद्युत टॉवर्सचा, [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) वरून
2. [ARIMA टाइम सिरिज मॉडेल्स तयार करणे](2-ARIMA/README.md)
3. [टाइम सिरिज फोरकास्टिंगसाठी सपोर्ट व्हेक्टर रिग्रेशनर तयार करणे](3-SVR/README.md)
## श्रेय
## क्रेडिट्स
"टाइम सिरीज अंदाजाची ओळख" ⚡️ सह [Francesca Lazzeri](https://twitter.com/frlazzeri) आणि [Jen Looper](https://twitter.com/jenlooper) यांनी लिहिले आहे. नोटबुक्स प्रथम [Azure "Deep Learning For Time Series" repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) मध्ये ऑनलाइन दिसल्या, ज्या मूळतः Francesca Lazzeri यांनी लिहिल्या होत्या. SVR धडा [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) यांनी लिहिला आहे.
"टाइम सिरिज फोरकास्टिंगचे परिचय" ⚡️ [Francesca Lazzeri](https://twitter.com/frlazzeri) आणि [Jen Looper](https://twitter.com/jenlooper) यांनी लिहिले आहे. नोटबुक्स प्रथम [Azure "Deep Learning For Time Series" रेपो](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) मध्ये ऑनलाईन दिसले जे मूळतः Francesca Lazzeri यांनी लिहिले होते. SVR धडा [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) यांनी लिहिला आहे.
---
**अस्वीकरण**:
हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**अस्वीकरण**:
हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून अनुवादित केला आहे. जरी आम्ही अचूकतेसाठी प्रयत्न करतो, तरी कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेची कमतरता असू शकते. मूळ दस्तऐवज त्याच्या मूळ भाषेत अधिकृत स्रोत मानला पाहिजे. महत्त्वाची माहिती असल्यास, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराच्या वापरामुळे उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थलावणीसाठी आम्ही जबाबदार नाही.
आमच्याकडे डिस्कॉर्डवर AI सोबत शिकण्याची मालिका सुरू आहे, अधिक जाणून घ्या आणि 18 - 30 सप्टेंबर, 2025 रोजी आमच्यात सामील व्हा [Learn with AI Series](https://aka.ms/learnwithai/discord). तुम्हाला GitHub Copilot चा डेटा सायन्ससाठी वापर करण्याचे टिप्स आणि ट्रिक्स मिळतील.
आमच्याकडे डिसकॉर्ड मध्ये AI सह शिक्षण मालिकेतसुद्धा आहे, अधिक जाणून घ्या आणि आमच्यात सामील व्हा [Learn with AI Series](https://aka.ms/learnwithai/discord) १८ - ३० सप्टेंबर, २०२५ पासून. तुम्हाला GitHub Copilot वापरण्याचे टिप्स आणि ट्रिक्स मिळतील Data Science साठी.
# नवशिक्यांसाठी मशीन लर्निंग - एक अभ्यासक्रम
> 🌍 जगभर प्रवास करा जसे आपण जगातील संस्कृतींच्या माध्यमातून मशीन लर्निंगचा अभ्यास करतो 🌍
> 🌍 जगभर प्रवास करा जसे आपण जगातील संस्कृतींमधून मशीन लर्निंग शोधतो 🌍
Microsoft मधील क्लाउड अॅडव्होकेट्स यांनी 12 आठवड्यांचा, 26 धड्यांचा संपूर्ण अभ्यासक्रम सादर करत आहोत जो **मशीन लर्निंग** विषयी आहे. या अभ्यासक्रमात आपण ज्याला कधीकधी **क्लासिक मशीन लर्निंग** म्हणतात ते शिकाल, मुख्यतः Scikit-learn लायब्ररी वापरून आणि डीप लर्निंग टाळून, जी आमच्या [AI for Beginners' curriculum](https://aka.ms/ai4beginners) मध्ये समाविष्ट आहे. हे धडे आमच्या ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) सोबत जोडून घ्या!
Microsoft मधील Cloud Advocates आनंदाने 12 आठवड्यांचा, 26 धड्यांचा अभ्यासक्रम सादर करतात जो **मशीन लर्निंग** विषयी आहे. या अभ्यासक्रमात आपण जे काही कधीकधी **क्लासिक मशीन लर्निंग** म्हणतात, त्याबद्दल शिकलो, मुख्यत्वे Scikit-learn या लायब्ररीचा वापर करत आणि डीप लर्निंग टाळत, जी आमच्या [AI for Beginners' curriculum](https://aka.ms/ai4beginners) मध्ये कव्हर केली जाते. या धडे जोडून आमच्या ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) सह शिका!
जगभर प्रवास करा जसे आपण हे क्लासिक तंत्रज्ञान जगभरच्या अनेक भागांतील डेटावर लागू करतो. प्रत्येक धड्यामध्ये पूर्व-आणि पश्चात-धडा क्विझेस, धडा पूर्ण करण्यासाठी लिखित सूचना, सोडवणूक, असाइनमेंट आणि बरेच काही समाविष्ट आहे. आमचा प्रोजेक्ट-आधारित शिक्षण पद्धत तुम्हाला शिकत असताना तयार करण्याची संधी देते, जी नवीन कौशल्ये 'लागून राहण्यासाठी' एक सिद्ध मार्ग आहे.
जगभरच्या वेगवेगळ्या भागांमधून डेटा वापरून आपण या क्लासिक तंत्रांचा वापर कसा करतो ते बघण्यासाठी आमच्यासोबत प्रवास करा. प्रत्येक धड्यात प्री-आणि पोस्ट-धडा क्विज, लेखी सूचना, एक उत्तर, एक असाइनमेंट आणि अनेक गोष्टी असतात. आमची प्रकल्प-आधारित शिकवण आपल्याला शिकत असताना तयार करण्यास अनुमती देते, जे नवीन कौशल्ये टिकाव धरायला पुरावा असतो.
**✍️ आमच्या लेखकांचे हार्दिक आभार** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu आणि Amy Boyd यांना
**🎨 आमच्या चित्रकारांचे देखील आभार** टोमॉमी इमुरा, दासानी मदीपल्ली, आणि जेन लूपर
**🎨 आमच्या चित्रकारांचे देखील आभार** Tomomi Imura, Dasani Madipalli आणि Jen Looper यांना
**🙏 विशेष धन्यवाद 🙏 आमच्या Microsoft Student Ambassador लेखक, पुनरावलोकक आणि सामग्री पुरवठादारांना**, विशेषतः ऋषित डगलि, मुहम्मद साकिब खान इनान, रोहन राज, अलेक्झांडर पेट्रेस्क्यू, अभिषेक जैसवाल, नवरिन ताबास्सुम, इओन सामुइला, आणि स्निग्धा अग्रवाल यांना
**🙏 खास आभार 🙏 आमच्या Microsoft Student Ambassador लेखक, लेखक समीक्षक, आणि कंटेंट योगदानकर्त्यांना**, विशेषतः Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, आणि Snigdha Agarwal यांना
**🤩 Microsoft Student Ambassadors एरिक वांजाऊ, जसलीन सोंधी, आणि विदुषी गुप्ता यांना आमच्या R धड्यांसाठी विशेष आभार!**
**🤩 Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, आणि Vidushi Gupta यांना आमच्या R धड्यांसाठी अतिरिक्त आभार!**
# सुरुवात कशी करावी
हे चरण पाळा:
या स्टेप्सचे पालन करा:
1. **रिपॉझिटरी फोर्क करा**: या पृष्ठाच्या वरच्या उजव्या कोपऱ्यातील "Fork" बटणावर क्लिक करा.
> 💡 **त्वरित सुरुवात सूचना:** स्थानिकपणे Python सेटअप न करता ब्राउझरमध्ये सुरुवात करायची आहे का? तुमच्या फोर्कसाठी क्लाउड विकास वातावरण तयार करण्यासाठी [GitHub Codespaces](https://github.com/features/codespaces) वापरा. हिरव्या **Code** मेनूमध्ये जा, **Codespaces** निवडा, आणि एक codespace तयार करा; त्यामध्ये आवश्यकतेनुसार प्रत्येक धड्याच्या आवश्यक dependencies इंस्टॉल करा.
> [या कोर्ससाठी सर्व अतिरिक्त संसाधने आमच्या Microsoft Learn संग्रहात शोधा](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **मदत हवी आहे?** आमच्या [Troubleshooting Guide](TROUBLESHOOTING.md) मध्ये इंस्टॉलेशन, सेटअप, आणि धडे चालवण्यासाठी सामान्य समस्यांवर उपाय पहा.
> 🔧 **मदतीची गरज आहे का?** सेटअप, स्थापनेशी संबंधित सामान्य समस्या आणि धडे चालवण्याबाबत उत्तरासाठी आमचा [Troubleshooting Guide](TROUBLESHOOTING.md) पहा.
**[विद्यार्थी](https://aka.ms/student-page)**, या अभ्यासक्रमाचा वापर करण्यासाठी, संपूर्ण रिपॉझिटरी आपल्या GitHub खात्यात फोर्क करा आणि व्यायाम स्वतः किंवा गटात पूर्ण करा:
**[विद्यार्थी](https://aka.ms/student-page)**, हा अभ्यासक्रम वापरण्यासाठी, संपूर्ण रिपॉझिटरी तुमच्या GitHub खात्यात फोर्क करा आणि व्यायाम स्वतः किंवा गटात पूर्ण करा:
- पूर्व-व्याख्याने क्विझपासून सुरुवात करा.
- व्याख्याने वाचा आणि क्रियाकलाप पूर्ण करा, प्रत्येक ज्ञान तपासणीवर थांबा आणि चिंतन करा.
- धडे समजून घेऊन प्रकल्प तयार करण्याचा प्रयत्न करा, फक्त सोडवणूक कोड चालवण्याऐवजी; हा कोड प्रत्येक प्रकल्प-आधारित धड्याच्या `/solution` फोल्डरमध्ये उपलब्ध आहे.
- व्याख्यानानंतरची क्विझ करा.
- प्री-लेक्चर क्विज पासून सुरू करा.
- व्याख्यान वाचा आणि क्रियाकलाप पूर्ण करा, प्रत्येक ज्ञान तपासणीत थांबा आणि विचार करा.
- धडे समजून घेऊन प्रकल्प तयार करण्याचा प्रयत्न करा, फक्त सोडवणूक कोड चालवण्याऐवजी; तो कोड प्रत्येक प्रकल्प-आधारित धड्याच्या `/solution` फोल्डरमध्ये उपलब्ध आहे.
- पोस्ट-लेक्चर क्विज घ्या.
- आव्हान पूर्ण करा.
- असाइनमेंट पूर्ण करा.
- एका धडा गटानंतर, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) ला भेट द्या आणि योग्य PAT रूपरेषा भरून "उच्चारून शिका". 'PAT' म्हणजे प्रगती मोजण्याचे साधन जे तुम्ही भरता जेणेकरून तुमचा अभ्यास वाढेल. तुम्ही इतर PAT जाहीर पाठिंबा देऊ शकता जेणेकरून आपण एकत्र शिकू शकू.
- धडा समूह पूर्ण केल्यानंतर, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) ला भेट द्या आणि योग्य PAT रूब्रिक भरून "उच्चार करत शिका". 'PAT' म्हणजे प्रगती मूल्यांकन साधन जे तुमच्या शिकण्याला पुढे नेण्यासाठी तुम्ही भरता. तुम्ही इतर PATs ला प्रतिक्रिया देखील देऊ शकता ज्याने आपण एकत्र शिकू.
> पुढील अभ्यासासाठी, आम्ही या [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) मॉड्यूल आणि शिकण्याच्या मार्गांचा पाठपुरावा करण्याचा सल्ला देतो.
> पुढील अभ्यासासाठी, आम्ही खालील [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) मॉड्यूल्स आणि लर्निंग पाथ्स अनुसरण करण्याची शिफारस करतो.
**शिक्षक**, आम्ही या अभ्यासक्रमाचा कसा वापर करावा यावर काही [सूचना](for-teachers.md) समाविष्ट केल्या आहेत.
**शिक्षक**, या अभ्यासक्रमाचा वापर कसा करायचा याबद्दल आम्ही [काही सूचना](for-teachers.md) दिल्या आहेत.
---
## व्हिडिओ मार्गदर्शन
## व्हिडिओ वॉकथ्रू
काही धडे व्हिडिओच्यास्वरूपात उपलब्ध आहेत. तुम्ही हे सर्व धडा मध्ये इन-लाइन पाहू शकता, किंवा [ML for Beginners प्लेलिस्ट Microsoft Developer YouTube चॅनेलवर](https://aka.ms/ml-beginners-videos) खालील प्रतिमेवर क्लिक करून पाहू शकता.
काही धडे छोट्या व्हिडिओ रूपात उपलब्ध आहेत. तुम्ही हे सर्व धडे ओळखीमध्ये किंवा [Microsoft Developer YouTube चॅनेलवरील ML for Beginners प्लेलिस्ट](https://aka.ms/ml-beginners-videos) मध्ये या खालील प्रतिमेवर क्लिक करून पाहू शकता.
[](https://aka.ms/ml-beginners-videos)
> 🎥 प्रकल्प आणि त्यास तयार करणाऱ्या लोकांबद्दल व्हिडिओसाठी वरील चित्रावर क्लिक करा!
> 🎥 प्रकल्प आणि त्याचे निर्माता यांबद्दल व्हिडिओसाठी वरील प्रतिमेवर क्लिक करा!
---
## शिक्षण पद्धत
## शैक्षणिक तत्वज्ञान
या अभ्यासक्रमाची रचना करताना आम्ही दोन शैक्षणिक तत्त्वे निवडली आहेत: त्याचा प्रत्यक्ष कामावर आधारित **प्रकल्प-आधारित** असणे आणि यामध्ये **वारंवार क्विझ समाविष्ट** असणे. शिवाय, या अभ्यासक्रमाला एक सामान्य **थीम** आहे जी त्यास सुसंगतता देते.
या अभ्यासक्रमाची निर्मिती करताना आम्ही दोन शैक्षणिक तत्त्वे निवडली: हस्तगत **प्रोजेक्ट-आधारित** असणे आणि **वारंवार क्विझ** असणे. याशिवाय, या अभ्यासक्रमाला एक सामान्य **थीम** दिली आहे जी त्याला एकत्र बांधते.
सामग्री प्रकल्पांशी सुसंगत असल्याने, विद्यार्थ्यांची रस घेण्याची प्रक्रिया अधिक प्रभावी होते आणि संकल्पनांचे टिकाऊपणा वाढतो. व्याख्यानाच्या आधीचा कमी-दाबाचा क्विझ विद्यार्थ्याच्या या विषय शिकण्याची तयारी सेट करतो, तर व्याख्यानानंतरचा दुसरा क्विझ अधिक टिकाऊपणासाठी मदत करतो. हा अभ्यासक्रम लवचीक व मजेशीर आहे आणि संपूर्ण किंवा भागाने केला जाऊ शकतो. प्रकल्प सुरुवातीला लहान असतात आणि 12 आठवड्याच्या शेवटी अधिक क्लिष्ट होतात. या अभ्यासक्रमात वास्तविक जगातील ML चे वापरांवरील एक पोस्टस्क्रिप्ट देखील आहे, ज्याचा उपयोग अतिरिक्त गुणांसाठी किंवा चर्चेसाठी करता येतो.
सामग्री प्रकल्पांशी संबंधित असल्याने, विद्यार्थ्यांसाठी प्रक्रिया अधिक मनोरंजक होते आणि संकल्पनांचा टिकाव वाढतो. वर्गापूर्वीचा कमी-दाबाचा क्विझ विद्यार्थ्याला विषय शिकण्याचा मानस तयार करतो, तर वर्गानंतरचा दुसरा क्विझ अधिक टिकाव सुनिश्चित करतो. हा अभ्यासक्रम लवचिक आणि मजेदार करण्यासाठी तयार करण्यात आला असून तो संपूर्ण किंवा भागांमध्ये घेतला जाऊ शकतो. प्रकल्प लहान सुरू होतात आणि 12 आठवड्यांच्या कालावधीत अधिक जटिल होतात. तसेच या अभ्यासक्रमात वास्तविक जगात ML च्या अनुप्रयोगांवर पोस्टस्क्रिप्ट आहे, ज्याचा वापर अतिरिक्त गुणांसाठी किंवा चर्चेसाठी करता येऊ शकतो.
> आमच्या [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translations](..), आणि [Troubleshooting](TROUBLESHOOTING.md) मार्गदर्शक तत्त्वे पाहा. तुमचा बांधकामात्मक अभिप्राय आम्हाला स्वागत आहे!
> आमचा [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translations](..), आणि [Troubleshooting](TROUBLESHOOTING.md) मार्गदर्शकांसाठी शोधा. तुमचा रचनात्मक अभिप्राय आम्ही स्वागत करतो!
> **भाषांबद्दल एक टीप**: हे धडे प्राथमिकतः Python मध्ये लिहिलेले आहेत, परंतु अनेक धडे R मध्ये सुद्धा उपलब्ध आहेत. R चा अभ्यासक्रम पूर्ण करण्यासाठी, `/solution` फोल्डरमध्ये जा आणि R शी संबंधित धडे शोधा. त्यांना .rmd विस्तार असतो जे एक **R Markdown** फाइल दर्शवते, जी `कोड चंक` (R किंवा इतर भाषांचे) आणि `YAML हेडर` (ज्यामुळे PDF सारखे आउटपुट कसे फॉरमॅट करायचे ते निर्देशित करते) या गोष्टींचे एम्बेडिंग असते एका `Markdown दस्तऐवजात`. म्हणून, हे डेटा सायन्ससाठी एक आदर्श लेखक फ्रेमवर्क म्हणून काम करते कारण यामुळे तुम्ही तुमचा कोड, त्याचा आउटपुट व तुमचे विचार Markdown मध्ये लिहून संगठित करू शकता. शिवाय, R Markdown दस्तऐवज PDF, HTML किंवा Word सारख्या आउटपुट फॉरमॅटसाठी तयार केले जाऊ शकतात.
> **प्रश्नमंजूषा बद्दल एक टीप**: सर्व प्रश्नमंजूषा [Quiz App फोल्डर](../../quiz-app) मध्ये आहेत, एकूण ५२ प्रश्नमंजूषा असून प्रत्येकात तीन प्रश्न आहेत. त्या धड्यांमध्ये लिंक केलेल्या आहेत पण प्रश्नमंजूषा अॅप स्थानिकपणे चालवता येतो; स्थानिक होस्टिंग किंवा Azure वर तैनात करण्याबाबत सूचना `quiz-app` फोल्डरमध्ये आहेत.
| धडा क्रमांक | विषय | धड्यांचे वर्गीकरण | शिकण्याचे उद्दिष्टे | लिंक केलेला धडा | लेखक |
| 01 | मशीन लर्निंगची ओळख | [Introduction](1-Introduction/README.md) | मशीन लर्निंगमागील मूलभूत संकल्पना शिका | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | मशीन लर्निंगचा इतिहास | [Introduction](1-Introduction/README.md) | या क्षेत्राच्या इतिहासाचे ज्ञान मिळवा | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | न्याय्यतेबद्दल व मशीन लर्निंग | [Introduction](1-Introduction/README.md) | न्याय्यतेभोवतीच्या महत्त्वाच्या तत्वज्ञानिक मुद्यांबद्दल विचार करा जे विद्यार्थी ML मॉडेल तयार करताना आणि वापरताना लक्षात ठेवायला हवेत | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | मशीन लर्निंगसाठी तंत्रे | [Introduction](1-Introduction/README.md) | ML संशोधक कोणती तंत्रे वापरतात? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | प्रतिगमनाची परिचय | [Regression](2-Regression/README.md) | Python आणि Scikit-learn वापरून प्रतिगमन मॉडेल्समध्ये प्रारंभ करा | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | उत्तर अमेरिकन कोळंबी भाव 🎃 | [Regression](2-Regression/README.md) | मशीन लर्निंगपूर्वी डेटा दृश्यात्मक स्वरूपात पाहणे आणि स्वच्छ करणे | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | उत्तर अमेरिकन कोळंबी भाव 🎃 | [Regression](2-Regression/README.md) | रेषीय व बहुपद प्रतिगमन मॉडेल तयार करा | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | उत्तर अमेरिकन कोळंबी भाव 🎃 | [Regression](2-Regression/README.md) | लॉजिस्टिक प्रतिगमन मॉडेल तयार करा | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | वेब अॅप 🔌 | [Web App](3-Web-App/README.md) | तुम्ही तयार केलेल्या मॉडेलचा वापर करून वेब अॅप तयार करा | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | वर्गीकरणाची ओळख | [Classification](4-Classification/README.md) | डेटा स्वच्छ, तयार आणि दृश्य स्वरूपात आणा; वर्गीकरणाचा परिचय | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | स्वादिष्ट आशियाई व भारतीय जेवण 🍜 | [Classification](4-Classification/README.md) | वर्गीकरण करणाऱ्यांचा परिचय | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | स्वादिष्ट आशियाई व भारतीय जेवण 🍜 | [Classification](4-Classification/README.md) | आणखी वर्गीकरण करणारे | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | स्वादिष्ट आशियाई व भारतीय जेवण 🍜 | [Classification](4-Classification/README.md) | तुमच्या मॉडेलचा वापर करून शिफारस करणारे वेब अॅप तयार करा | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | क्लस्टरिंगची ओळख | [Clustering](5-Clustering/README.md) | डेटा स्वच्छ, तयार करा आणि दृश्य स्वरूपात आणा; क्लस्टरिंगची ओळख | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | नायजेरियाच्या संगीत अभिरुचीचा अभ्यास 🎧 | [Clustering](5-Clustering/README.md) | K-Means क्लस्टरिंग पद्धत शिका | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | नैसर्गिक भाषा प्रक्रिया परिचय ☕️ | [Natural language processing](6-NLP/README.md) | साधा बॉट तयार करून NLP चे मूलभूत सांगाणे | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | सामान्य NLP कार्ये ☕️ | [Natural language processing](6-NLP/README.md) | भाषा रचनेसंबंधी कामे कशी हाताळायची हे समजून NLP ज्ञान वाढवा | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | भाषांतर व भावना विश्लेषण ♥️ | [Natural language processing](6-NLP/README.md) | Jane Austen सह भाषांतर व भावना विश्लेषण | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | युरोपच्या रोमँटिक हॉटेल्स ♥️ | [Natural language processing](6-NLP/README.md) | हॉटेल पुनरावलोकनांसह भावना विश्लेषण 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | युरोपच्या रोमँटिक हॉटेल्स ♥️ | [Natural language processing](6-NLP/README.md) | हॉटेल पुनरावलोकनांसह भावना विश्लेषण 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | टाइम सिरिज फोरकास्टिंगची ओळख | [Time series](7-TimeSeries/README.md) | टाइम सिरिज फोरकास्टिंगची ओळख | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ जगातील विद्युत वापर ⚡️ - ARIMA सह फोरकास्टिंग | [Time series](7-TimeSeries/README.md) | ARIMA सह टाइम सिरिज फोरकास्टिंग | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ जगातील विद्युत वापर ⚡️ - SVR सह फोरकास्टिंग | [Time series](7-TimeSeries/README.md) | Support Vector Regressor सह टाइम सिरिज फोरकास्टिंग | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | पुनर्बळणीकरण शिक्षण परिचय | [Reinforcement learning](8-Reinforcement/README.md) | Q-Learning सह पुनर्बळणीकरण शिक्षणाची ओळख | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| पोस्टस्क्रिप्ट | वास्तविक जगातील ML परिस्थिती आणि अनुप्रयोग | [ML in the Wild](9-Real-World/README.md) | पारंपरिक ML चे मनोरंजक व उघडणारे वास्तविक जगातील अनुप्रयोग | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| पोस्टस्क्रिप्ट | RAI डॅशबोर्ड वापरून मॉडेल डीबगिंग | [ML in the Wild](9-Real-World/README.md) | जबाबदार AI डॅशबोर्ड घटक वापरून मशीन लर्निंगमधील मॉडेल डीबगिंग | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [या कोर्ससाठी सर्व अतिरिक्त संसाधने आमच्या Microsoft Learn संग्रहात शोधा](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> **भाषांबद्दल एक टीप**: हे धडे मुख्यत्वे Python मध्ये लिहिलेले आहेत, पण बरीच R मध्ये देखील उपलब्ध आहेत. R धडा पूर्ण करण्यासाठी, `/solution` फोल्डरमध्ये जा आणि R धडे शोधा. त्यामध्ये .rmd विस्तार असतो जो **R Markdown** फाइल दर्शवितो ज्याचा अर्थ `कोड चंक` (R किंवा इतर भाषांचे) आणि `YAML हेडर` (`PDF` सारख्या आउटपुट कसे फॉरमॅट करायचे ते निर्देशित करणारा) एकत्रित करणारा Markdown डॉक्युमेंट आहे. त्यामुळे, तो डेटा सायन्ससाठी उत्तम लेखन फ्रेमवर्क आहे कारण यामध्ये तुम्ही तुमचा कोड, त्याचे आउटपुट आणि विचार Markdown मध्ये सहज लिहू शकता. शिवाय, R Markdown डॉक्युमेंट्स PDF, HTML, किंवा Word सारख्या आउटपुट स्वरूपांमध्ये हलवत येऊ शकतात.
> **क्विझबद्दल एक टीप**: सर्व क्विझ [Quiz App फोल्डर](../../quiz-app) मध्ये आहेत, एकूण 52 क्विझ प्रत्येक तीन प्रश्नांसह. ते धड्यांतून लिंक केलेले आहेत पण क्विझ ऍप लोकल चालवू शकतो; `quiz-app` फोल्डरमधील सूचनांचे पालन करा ज्याद्वारे तुम्ही लोकली होस्ट किंवा Azure वर डिप्लॉय करू शकता.
| Lesson Number | विषय | धडा गट | शिक्षण उद्दिष्टे | लिंक केलेला धडा | लेखक |
| 01 | मशीन लर्निंग परिचय | [परिचय](1-Introduction/README.md) | मशीन लर्निंगच्या मूलभूत संकल्पना शिका | [धडा](1-Introduction/1-intro-to-ML/README.md) | मुहम्मद |
| 02 | मशीन लर्निंगचा इतिहास | [परिचय](1-Introduction/README.md) | या क्षेत्राच्या इतिहासाबद्दल शिका | [धडा](1-Introduction/2-history-of-ML/README.md) | जेन आणि एमी |
| 03 | नीतिमत्ता आणि मशीन लर्निंग | [परिचय](1-Introduction/README.md) | मशीन लर्निंग मॉडेल तयार करताना आणि लागू करताना कोणते महत्त्वाचे तत्त्वज्ञान विषय विचारात घ्यावे? | [धडा](1-Introduction/3-fairness/README.md) | टोमोमी |
| 06 | उत्तर अमेरिकेतील भोपळा किमती 🎃 | [रिग्रेशन](2-Regression/README.md) | मशीन लर्निंगसाठी डेटा दृश्य आणि स्वच्छ करा | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | जेन • एरिक वांजाऊ |
| 07 | उत्तर अमेरिकेतील भोपळा किमती 🎃 | [रिग्रेशन](2-Regression/README.md) | रेषीय आणि बहुपदीय रिग्रेशन मॉडेल तयार करा | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | जेन आणि द्मित्री • एरिक वांजाऊ |
| 08 | उत्तर अमेरिकेतील भोपळा किमती 🎃 | [रिग्रेशन](2-Regression/README.md) | लॉजिस्टिक रिग्रेशन मॉडेल तयार करा | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | जेन • एरिक वांजाऊ |
| 09 | वेब अॅप 🔌 | [वेब अॅप](3-Web-App/README.md) | आपल्या ट्रेन केलेल्या मॉडेलसाठी वेब अॅप तयार करा | [Python](3-Web-App/1-Web-App/README.md) | जेन |
| 10 | वर्गीकरणाचे परिचय | [वर्गीकरण](4-Classification/README.md) | आपला डेटा स्वच्छ करा, तयार करा आणि दृश्य करा; वर्गीकरणाचे परिचय | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | जेन आणि कॅसी • एरिक वांजाऊ |
| 11 | स्वादिष्ट आशियाई आणि भारतीय जेवण 🍜 | [वर्गीकरण](4-Classification/README.md) | वर्गीकरण करणाऱ्यांचे परिचय | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | जेन आणि कॅसी • एरिक वांजाऊ |
| 12 | स्वादिष्ट आशियाई आणि भारतीय जेवण 🍜 | [वर्गीकरण](4-Classification/README.md) | अधिक वर्गीकरण करणारे | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | जेन आणि कॅसी • एरिक वांजाऊ |
| 13 | स्वादिष्ट आशियाई आणि भारतीय जेवण 🍜 | [वर्गीकरण](4-Classification/README.md) | आपला मॉडेल वापरून रिकमेंडर वेब अॅप तयार करा | [Python](4-Classification/4-Applied/README.md) | जेन |
| 14 | क्लस्टरिंगचे परिचय | [क्लस्टरिंग](5-Clustering/README.md) | आपला डेटा स्वच्छ करा, तयार करा आणि दृश्य करा; क्लस्टरिंगचे परिचय | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | जेन • एरिक वांजाऊ |
| 16 | नैसर्गिक भाषा प्रक्रिया परिचय ☕️ | [नैसर्गिक भाषा प्रक्रिया](6-NLP/README.md) | एक सोपी बॉट बनवून NLP चे मूलभूत गोष्टी शिका | [Python](6-NLP/1-Introduction-to-NLP/README.md) | स्टीफन |
| 17 | सामान्य NLP कार्ये ☕️ | [नैसर्गिक भाषा प्रक्रिया](6-NLP/README.md) | भाषा रचनांसह काम करताना आवश्यक सामान्य कार्ये समजून आपल्या NLP ज्ञानाला सखोल करा | [Python](6-NLP/2-Tasks/README.md) | स्टीफन |
| 18 | भाषांतर आणि भावना विश्लेषण ♥️ | [नैसर्गिक भाषा प्रक्रिया](6-NLP/README.md) | जेन ऑस्टेनसह भाषांतर आणि भावना विश्लेषण | [Python](6-NLP/3-Translation-Sentiment/README.md) | स्टीफन |
| उपसंहार | वास्तविक जगातील ML परिस्थिती आणि अनुप्रयोग | [ML इन द वाइल्ड](9-Real-World/README.md) | पारंपरिक ML चे मनोरंजक आणि उघडकीस आणणारे वास्तविक जगातील अनुप्रयोग | [धडा](9-Real-World/1-Applications/README.md) | टीम |
| उपसंहार | RAI डॅशबोर्ड वापरून ML मध्ये मॉडेल डीबगिंग | [ML इन द वाइल्ड](9-Real-World/README.md) | जबाबदार AI डॅशबोर्ड घटकांचा वापर करून मशीन लर्निंगमधील मॉडेल डीबगिंग | [धडा](9-Real-World/2-Debugging-ML-Models/README.md) | रूथ याकुबू |
> [या कोर्ससाठी सर्व अतिरिक्त संसाधने आमच्या Microsoft Learn संग्रहामध्ये शोधा](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## ऑफलाइन प्रवेश
तुम्ही [Docsify](https://docsify.js.org/#/) वापरून हे दस्तऐवज ऑफलाइन चालवू शकता. या रिपॉजिटरीचा फोर्क करा, तुमच्या स्थानिक संगणकावर [Docsify इंस्टॉल करा](https://docsify.js.org/#/quickstart) आणि नंतर या रिपॉजिटरीच्या मुळ फोल्डरमध्ये `docsify serve` टाइप करा. वेबसाइट तुमच्या लोकलहोस्टवर पोर्ट 3000 वर सुरू होईल: `localhost:3000`.
तुम्ही [Docsify](https://docsify.js.org/#/) वापरून ही माहितीपत्रक ऑफलाइन चालवू शकता. या रेको फोर्क करा, आपल्या स्थानिक मशीनवर [Docsify इंस्टॉल करा](https://docsify.js.org/#/quickstart) आणि नंतर या रेकोच्या रूट फोल्डरमध्ये `docsify serve` टाइप करा. वेबसाइट तुमच्या लोकलहोस्टवर पोर्ट 3000 वर सेवा देईल: `localhost:3000`.
## PDF
## PDF फायली
पाठ्यक्रमाचा PDF [येथे](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) उपलब्ध आहे.
अभ्यासक्रमाचा PDF लिंकसहित येथे मिळवा [येथे](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 इतर कोर्सेस
## 🎒 इतर कोर्सेस
आमच्या टीमद्वारे इतर कोर्सेस तयार केले जातात! पाहा:
आमचा संघ इतर कोर्सेस तयार करतो! तपासा:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -190,7 +193,7 @@ Microsoft मधील क्लाउड अॅडव्होकेट्स
---
### जनरेटिव AI सिरिज
### जनरेटिव AI सिरीज
[](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)
@ -198,52 +201,52 @@ Microsoft मधील क्लाउड अॅडव्होकेट्स
---
### कोअर शिक्षण
### कोर शिक्षण
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/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://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
- प्रत्येक धड्याच्या नंतर नोटबुक्स पुनरावलोकन करा म्हणजे समज अधिक चांगला होईल.
- अल्गोरिदम स्वतः अंमलात आणण्याचा सराव करा.
- शिकलेल्या संकल्पनांचा वापर करून वास्तविक डेटासेट्स एक्सप्लोर करा.
- प्रत्येक धड्यानंतर नोटबुक पुन्हा पहा, ज्यामुळे चांगली समजेल.
- स्वतःसाठी अल्गोरिदम अंमलात आणण्याचा सराव करा.
- शिकलेल्या संकल्पनांचा वापर करून वास्तविक जगातील डेटासेट शोधा.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**अस्वीकरण**:
हा दस्तऐवज AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून अनुवादित केला आहे. आम्ही अचूकतेसाठी प्रयत्नशील आहोत, तरी कृपया लक्षात ठेवा की स्वयंचलित अनुवादांमध्ये चुका किंवा अशुद्धी असू शकते. मूळ दस्तऐवज त्याच्या स्थानिक भाषेत अधिकृत स्रोत मानला पाहिजे. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी अनुवाद शिफारसीय आहे. या अनुवादाच्या वापरातून उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थलग्नीसाठी आम्ही जबाबदार नाही.
हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून अनुवादित केला आहे. जरी आम्ही अचूकतेसाठी प्रयत्न करतो, तरी कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेची कमतरता असू शकते. मूळ दस्तऐवज त्याच्या मूळ भाषेत अधिकृत स्रोत मानला पाहिजे. महत्त्वाची माहिती असल्यास, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराच्या वापरामुळे उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थलावणीसाठी आम्ही जबाबदार नाही.
आपण आपल्या वर्गात हा अभ्यासक्रम वापरू इच्छिता? कृपया जरूर वापरा!
आपण आपल्या वर्गात हा अभ्यासक्रम वापरू इच्छिता का? कृपया स्वातंत्र्याने वापर करा!
खरं तर, आपण GitHub Classroom वापरून GitHub मध्येच हा अभ्यासक्रम वापरू शकता.
प्रत्यक्षात, आपण GitHub Classroom वापरून GitHub मध्येच हा अभ्यासक्रम वापरू शकता.
ते करण्यासाठी, या रेपोला फोर्क करा. प्रत्येक धड्यासाठी एक रेपो तयार करावा लागेल, त्यामुळे प्रत्येक फोल्डर वेगळ्या रेपोमध्ये काढावा लागेल. अशा प्रकारे [GitHub Classroom](https://classroom.github.com/classrooms) प्रत्येक धडा स्वतंत्रपणे उचलू शकेल.
तसे करण्यासाठी, हा रेपो फोर्क करा. आपल्याला प्रत्येक धड्यासाठी एक रेपो तयार करणे आवश्यक आहे, त्यामुळे प्रत्येक फोल्डर वेगळ्या रेपोत काढावे लागतील. अशाप्रकारे, [GitHub Classroom](https://classroom.github.com/classrooms) वेगळ्या वेगळ्या धडे उचलू शकतो.
या [संपूर्ण सूचना](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) आपल्याला आपला वर्ग कसा सेटअप करायचा याची कल्पना देतील.
हे [पूर्ण सूचनांसाठी](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) आपल्याला वर्ग कसा सेटअप करायचा हे समजेल.
## रेपो तसाच वापरणे
## रेपो सध्या असलेल्या स्वरूपात वापरणे
जर आपण GitHub Classroom न वापरता हा रेपो सध्याच्या स्वरूपात वापरू इच्छित असाल, तर ते देखील शक्य आहे. आपल्याला आपल्या विद्यार्थ्यांशी संवाद साधावा लागेल की कोणता धडा एकत्रितपणे शिकायचा आहे.
जर आपण GitHub Classroom वापरल्याशिवाय हा रेपो सध्या जसा आहे तसाच वापरू इच्छित असाल, तर ते सुद्धा शक्य आहे. आपल्याला आपल्या विद्यार्थ्यांशी संवाद साधावा लागेल की कोणता धडा एकत्रितपणे कार्य करायचा आहे.
ऑनलाइन स्वरूपात (Zoom, Teams, किंवा इतर) आपण क्विझसाठी ब्रेकआउट रूम तयार करू शकता आणि विद्यार्थ्यांना शिकण्यासाठी तयार होण्यासाठी मार्गदर्शन करू शकता. नंतर विद्यार्थ्यांना क्विझसाठी आमंत्रित करा आणि ठराविक वेळेत त्यांची उत्तरे 'issues' म्हणून सबमिट करण्यास सांगा. जर आपण विद्यार्थ्यांना सार्वजनिकपणे सहकार्याने काम करायला सांगू इच्छित असाल, तर असाइनमेंटसाठीही हेच करू शकता.
ऑनलाइन स्वरूपात (Zoom, Teams किंवा इतर) आपण क्विझसाठी ब्रेकआउट रूम तयार करू शकता आणि विद्यार्थ्यांना शिकण्यासाठी तयार व्हायला मेंटर करू शकता. नंतर विद्यार्थ्यांना क्विझ घेण्यासाठी आणि त्यांचे उत्तरे 'issues' म्हणून ठरलेल्या वेळेस सबमिट करण्यासाठी आमंत्रित करा. आपण आवडल्यास असाइनमेंटसाठीही हेच करू शकता, जिथे विद्यार्थी सहकार्याने खुलेपणाने काम करू शकतात.
जर आपण अधिक खाजगी स्वरूप पसंत करत असाल, तर आपल्या विद्यार्थ्यांना अभ्यासक्रम, धडा दर धडा, त्यांच्या स्वतःच्या GitHub रेपोमध्ये खाजगी रेपो म्हणून फोर्क करण्यास सांगा आणि आपल्याला प्रवेश द्या. मग ते क्विझ आणि असाइनमेंट खाजगीपणे पूर्ण करू शकतात आणि आपल्या वर्गाच्या रेपोवरील issues द्वारे आपल्याला सबमिट करू शकतात.
जर आपल्याला खाजगी स्वरूप आवडत असेल, तर आपल्या विद्यार्थ्यांना प्रत्येक धडा वेगळा फोर्क करून आपल्याला प्रवेश द्यावा असा सांगू शकता, त्यामुळे ते आपले स्वतःच्या GitHub रेपोत खाजगी स्वरूपात ठेवू शकतील. नंतर ते प्रत्येकी क्विझ आणि असाइनमेंट्स खाजगी पद्धतीने पूर्ण करून क्लासरूम रेपोवर 'issues' द्वारे आपल्याला सादर करू शकतील.
ऑनलाइन वर्ग स्वरूपात हे कार्य करण्याचे अनेक मार्ग आहेत. कृपया आम्हाला कळवा की आपल्यासाठी काय सर्वोत्तम कार्य करते!
ऑनलाइन वर्ग स्वरूपात हे कार्य करण्याचे अनेक मार्ग आहेत. कृपया आम्हाला सांगा की आपल्यासाठी काय सर्वोत्तम आहे!
## कृपया आपले विचार सांगा!
## कृपया आपल्या अभिप्राय द्या!
आम्हाला हा अभ्यासक्रम आपल्यासाठी आणि आपल्या विद्यार्थ्यांसाठी उपयुक्त बनवायचा आहे. कृपया आम्हाला [अभिप्राय](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u) द्या.
आम्हाला हा अभ्यासक्रम आपल्यासाठी आणि आपल्या विद्यार्थ्यांसाठी कार्यक्षम बनवायचा आहे. कृपया [अभिप्राय](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u) द्या.
---
**अस्वीकरण**:
हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**अस्वीकरण**:
हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून अनुवादित केला आहे. जरी आम्ही अचूकतेसाठी प्रयत्न करतो, तरी कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेची कमतरता असू शकते. मूळ दस्तऐवज त्याच्या मूळ भाषेत अधिकृत स्रोत मानला पाहिजे. महत्त्वाची माहिती असल्यास, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराच्या वापरामुळे उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थलावणीसाठी आम्ही जबाबदार नाही.
# जिम्मेवार AI सँग मेशिन लर्निङ समाधानहरू निर्माण गर्दै
# उत्तरदायी AI को साथ मेसिन लर्निङ समाधान बनाउँदै
> स्केचनोट द्वारा [टोमोमी इमुरा](https://www.twitter.com/girlie_mac)
> स्केचनोट द्वारा [Tomomi Imura](https://www.twitter.com/girlie_mac)
## [पाठ अघि क्विज](https://ff-quizzes.netlify.app/en/ml/)
## [पाठ भन्दा पहिले क्विज](https://ff-quizzes.netlify.app/en/ml/)
## परिचय
यस पाठ्यक्रममा, तपाईं मेशिन लर्निङले कसरी हाम्रो दैनिक जीवनलाई प्रभाव पारिरहेको छ र पार्नेछ भन्ने कुरा पत्ता लगाउन थाल्नुहुनेछ। अहिले पनि, प्रणालीहरू र मोडेलहरू दैनिक निर्णय-प्रक्रियामा संलग्न छन्, जस्तै स्वास्थ्य सेवाको रोग निदान, ऋण स्वीकृति वा ठगी पत्ता लगाउनु। त्यसैले, यी मोडेलहरूले भरपर्दो परिणाम प्रदान गर्न राम्रोसँग काम गर्नु आवश्यक छ। जस्तो कुनै सफ्टवेयर एप्लिकेशन, AI प्रणालीहरूले अपेक्षा पुरा गर्न नसक्न सक्छन् वा अवाञ्छित परिणाम दिन सक्छन्। त्यसैले AI मोडेलको व्यवहार बुझ्न र व्याख्या गर्न सक्षम हुनु आवश्यक छ।
यस पाठ्यक्रममा, तपाईंले मेसिन लर्निङले हाम्रो दैनिक जीवनमा कसरी प्रभाव पारिरहेको छ भन्ने पत्ता लगाउन सुरु गर्नुहुनेछ। अहिले पनि, प्रणालीहरू र मोडेलहरू दैनिक निर्णय गर्ने कार्यहरूमा संलग्न छन्, जस्तै स्वास्थ्य सेवा निदान, ऋण स्वीकृति वा ठगी पत्ता लगाउने। त्यसैले, यी मोडेलहरूले विश्वसनीय परिणामहरू प्रदान गर्न राम्रोसँग काम गर्नु महत्त्वपूर्ण छ। जसरी कुनै सफ्टवेयर अनुप्रयोग पनि अपेक्षाहरू पूरा नगर्न सक्छ वा अवाञ्छित परिणाम दिन सक्छ, त्यसैगरी AI प्रणालीहरूले पनि यस्तो हुन सक्छ। त्यसैले AI मोडेलको व्यवहार बुझ्न र स्पष्ट पार्न सक्नु आवश्यक छ।
कल्पना गर्नुहोस् कि तपाईंले यी मोडेलहरू बनाउन प्रयोग गर्ने डेटा केही जनसांख्यिकी, जस्तै जाति, लिंग, राजनीतिक दृष्टिकोण, धर्म, वा यस्ता जनसांख्यिकीमा असमान प्रतिनिधित्व गरेको अवस्था कस्तो हुन्छ। जब मोडेलको नतिजा केही जनसांख्यिकीलाई पक्षपात गरेको व्याख्या गरिन्छ भने के हुन्छ? अनुप्रयोगका लागि यसको के परिणाम होला? थपमा, जब मोडेलले हानिकारक परिणाम दिन्छ र मानिसहरूलाई नोक्सान पुर्याउँछ भने के हुन्छ? AI प्रणालीको व्यवहारका लागि को जिम्मेवार हुन्छ? यी केही प्रश्नहरू हामी यस पाठ्यक्रममा अन्वेषण गर्नेछौं।
कल्पना गर्नुहोस्, तपाईंले प्रयोग गरिरहेको डाटामा केही जनसांख्यिकीय विवरणहरू जस्तै जाति, लिङ्ग, राजनीतिक दृष्टिकोण, धर्म वा disproportionate प्रतिनिधित्व छैन भने के हुन सक्छ? मोडेलको परिणाम कसैले केही जनसमूहलाई पक्षपाती रूपमा व्याख्या गर्दा के हुन्छ? यस अनुप्रयोगको परिणाम के होला? साथै, यदि मोडेलले हानिकारक परिणाम दिन्छ भने के हुन्छ? AI प्रणालीको व्यवहारका लागि को जिम्मेवार हुनेछ? यी केही प्रश्नहरू यस पाठ्यक्रममा अन्वेषण गरिने छन्।
यस पाठमा, तपाईं:
यस पाठमा, तपाईंले:
- मेशिन लर्निङमा निष्पक्षताको महत्त्व र निष्पक्षता सम्बन्धी हानिहरूको बारेमा जागरुकता बढाउनुहोस्।
- विश्वसनीयता र सुरक्षा सुनिश्चित गर्न आउट्लायर्स र अस्वाभाविक परिस्थितिहरू अन्वेषण गर्ने अभ्याससँग परिचित हुनुहोस्।
- सबैलाई समावेशी प्रणालीहरू डिजाइन गरेर सशक्त पार्ने जरुरतमा बुझाइ हासिल गर्नुहोस्।
- डेटा र मानिसहरूको गोप्यता र सुरक्षा संरक्षण गर्न कति महत्त्वपूर्ण छ अन्वेषण गर्नुहोस्।
- AI मोडेलहरूको व्यवहार व्याख्या गर्न गिलास बक्स दृष्टिकोणको महत्त्व देख्नुहोस्।
- AI प्रणालीहरूमा विश्वास निर्माण गर्न जिम्मेवारी हुनु आवश्यक कुरा मनन गर्नुहोस्।
- मेसिन लर्निङमा निष्पक्षताको महत्त्व र निष्पक्षता सम्बन्धी हानिका बारेमा जागरूकता बढाउनुहोस्।
- विसंगतिहरू र असामान्य अवस्थाहरू पत्ता लगाउने अभ्याससँग परिचित हुनुहोस् जसले विश्वसनीयता र सुरक्षा सुनिश्चित गर्छ।
- समावेशी प्रणालीहरू डिजाइन गरेर सबैलाई सशक्त पार्ने आवश्यकतालाई बुझ्नुहोस्।
- डाटा र मानिसहरूको गोपनीयता र सुरक्षालाई कसरी संरक्षण गर्ने अन्वेषण गर्नुहोस्।
- AI मोडेलहरूको व्यवहार स्पष्ट पार्न गिलास बाकस दृष्टिकोणको महत्त्व देख्नुहोस्।
- उत्तरदायित्व कत्तिको आवश्यक छ भनेर बुझेर AI प्रणालीहरूमा विश्वास बनाउन सचेत हुनुहोस्।
## पूर्वापेक्षा
## पूर्व शर्त
पूर्वापेक्षाका रूपमा कृपया "जिम्मेवार AI सिद्धान्तहरू" सिक्ने मार्ग लिनुहोस् र तलको भिडियो हेर्नुहोस्:
पूर्व शर्तको रूपमा, कृपया "उत्तरदायी AI सिद्धान्तहरू" अध्ययन मार्ग लिनुहोस् र तलको भिडियो हेर्नुहोस्:
जिम्मेवार AI बारे थप जान्न यो [सिकाइ मार्ग](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) पछ्याउनुहोस्।
यस [अध्ययन मार्ग](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) मार्फत उत्तरदायी AI बारे थप जान्नुहोस्
[](https://youtu.be/dnC8-uUZXSc "Microsoftको जिम्मेवार AI दृष्टिकोण")
[](https://youtu.be/dnC8-uUZXSc "Microsoft को उत्तरदायी AI को दृष्टिकोण")
> 🎥 माथि तस्बिरमा क्लिक गर्नुहोस् भिडियोको लागि: Microsoftको जिम्मेवार AI दृष्टिकोण
> 🎥 माथिको छवि क्लिक गर्नुहोस् भिडियोको लागि: Microsoft को उत्तरदायी AI को दृष्टिकोण
## निष्पक्षता
AI प्रणालीहरूले सबैलाई निष्पक्ष व्यवहार गर्नुपर्छ र समान समूहका मानिसहरूलाई फरक तरिकाले प्रभावित गर्नु हुँदैन। उदाहरणका लागि, जब AI प्रणालीहरूले चिकित्सा उपचार, ऋण आवेदन वा रोजगारमा मार्गनिर्देशन प्रदान गर्छन्, तिनीहरूले समान लक्षण, आर्थिक अवस्था वा व्यावसायिक योग्यताहरू भएका सबैलाई समान सिफारिश गर्नुपर्छ। हामी सबै मान्छेले आफ्नो निर्णय र कार्यहरूमा असर गर्ने पूर्वाग्रहहरू बोकेर हिँड्छौं। यी पूर्वाग्रहहरू कहिलेकाहीँ अनायासै डेटा मार्फत AI प्रणालीहरूलाई प्रभाव पार्न सक्छ। जब तपाई डेटा भित्र पूर्वाग्रह ल्याउँदै हुनुहुन्छ भन्ने कुरा सचेत रूपले जान्न गाह्रो हुन्छ।
AI प्रणालीहरूले सबैलाई न्यायसंगत व्यवहार गर्नु पर्छ र समान समूहका मानिसहरूलाई फरक तरिकाले असर गर्नु हुँदैन। जस्तै AI प्रणालीहरूले चिकित्सा उपचार, ऋण आवेदन वा रोजगारमा सल्लाह दिने अवस्था, समान लक्षण, आर्थिक अवस्था, वा पेशागत योग्यता भएका सबैलाई समान सिफारिस गर्नु पर्छ। हामी मध्ये प्रत्येक मानिसले पूर्वाग्रह बोकेका हुन्छौं जसले निर्णय र क्रियाकलापहरूलाई असर गर्छ। यी पूर्वाग्रहहरू हामीले AI प्रणाली प्रशिक्षण गर्न प्रयोग गर्ने डाटामा पनि देख्न सकिन्छ। यस्तो हेरफेर कहिलेकाहीं अनजानमै हुन्छ। डाटामा पूर्वाग्रह प्रविष्टि कहिले भइरहेको छ भनेर सचेतपूर्वक थाहा पाउनु कठिन हुन्छ।
**"अनिष्पक्षता"** भन्नाले कुनै समूह जस्तै जाति, लिंग, उमेर वा अपाङ्गताको आधारमा नकारात्मक प्रभाव वा "हानिहरू"लाई जनाउँछ। मुख्य निष्पक्षता सम्बन्धी हानिहरू यस प्रकार वर्गीकरण गर्न सकिन्छ:
**“अनिष्पक्षता”** ले कुनै समूहका लागि नकारात्मक प्रभावहरू वा “हानि”हरूको व्याख्या गर्छ, यो जाति, लिङ्ग, उमेर वा अपांगता अवस्थाका अनुसार परिभाषित हुन सक्छ। मुख्य निष्पक्षता सम्बन्धी हानि वर्गीकरण गरिएका छन्:
- **वितरण**, उदाहरणका लागि एउटा लिंग वा जाति अर्कोभन्दा बढी पक्षपाती भएमा।
- **सेवाको गुणस्तर**। यदि तपाईंले एक विशिष्ट परिदृश्यको लागि डेटा प्रशिक्षण गर्नुभयो तर वास्तविकता बढी जटिल छ भने, यो खराब प्रदर्शन गर्ने सेवामा परिणत हुन्छ। उदाहरणका लागि, एउटा हात धुने साबुन डिस्पेन्सरले कालो छालाका मानिसहरूलाई चिन्ह्नेमा असमर्थ थियो। [स्रोत](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **अपमान**। अन्यायपूर्ण रूपमा केही वा कसैलाई आलोचना र लेबल लगाउनु। उदाहरणका लागि, छवि लेबलिङ प्रविधिले कालो छालाका मानिसहरूलाई गोरिल्लाका रूपमा गलत लेबल गरेको थियो।
- **अधिक वा कम प्रतिनिधित्व**। विचार यो हो कि कुनै समूह विशेष पेशामा देखिन्न, र जसले यस्तो प्रवर्द्धन गर्छ त्यसले हानि पुर्याउँछ।
- **स्टिरियोटाइपिङ**। कुनै समूहलाई पूर्वनिर्धारित विशेषतासँग जोड्नु। उदाहरणका लागि, अंग्रेजी र टर्किश भाषाको अनुवाद प्रणालीले लिंगसँग सम्बन्धित स्टिरियोटाइपिकल शब्दहरूका कारण गलत अनुवाद गर्न सक्छ।
- **विनियोजन**, जस्तै कुनै लिङ्ग वा जातीयता अर्को भन्दा प्राथमिकता पाउने।
- **सेवा गुणस्तर**। यदि तपाईं एउटा विशेष परिदृश्यका लागि डाटा प्रशिक्षण गर्नुहुन्छ र वास्तविकता धेरै जटिल छ भने, यो खराब प्रदर्शन गर्ने सेवामा परिणत हुन्छ। उदाहरणका लागि, एउटा हात धोने साबुन डिस्पेन्सरले कालो छालाका मानिसहरूलाई संवेदनशील बनाउन सकेन। [सन्दर्भ](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **अपमानजनक आलोचना**। कुनै वस्तु वा व्यक्तिलाई अन्यायपूर्वक आलोचना र लेबल लगाउने। उदाहरणका लागि, एउटा छवि लेबलिङ प्रविधिले कालो छाला भएका मानिसहरूको छविहरूलाई बन्दरको रूपमा गलत चिन्ह लगायो।
- **अधिक वा कम प्रतिनिधित्व**। सोचाइ यो हो कि कुनै समूहलाई कुनै पेशामा देखिँदैन, र कुनै सेवा वा कार्यले यस्तो प्रवर्द्धन गरिरहँदा हानि पुर्याउँछ।
- **स्टीरियोटाइपिङ**। कुनै समूहलाई पूर्वनिर्धारित गुणसँग जोड्नु। उदाहरणका लागि, अंग्रेजी र टर्किस भाषाको अनुवाद प्रणालीमा लिङ्गसँग सम्बन्धित सामान्य पूर्वाग्रहका कारण त्रुटिहरू देखा पर्न सक्छन्।
AI प्रणालीहरू डिजाइन र परीक्षण गर्दा, हामीले AI निष्पक्ष हो र पूर्वाग्राही वा भेदभावपूर्ण निर्णयहरू नगर्ने सुनिश्चित गर्नुपर्छ, जुन मानवहरूलाई पनि गर्नु निषेध गरिएको छ। AI र मेशिन लर्निङमा निष्पक्षताको ग्यारेन्टी गर्नु एक जटिल सामाजिक-प्रविधिगत चुनौती हो।
AI प्रणालीहरू डिजाइन र परीक्षण गर्दा, AI निष्पक्ष छ र पूर्वाग्रही वा भेदभावपूर्ण निर्णय गर्न प्रोग्राम गरिएको छैन भन्ने सुनिश्चित गर्नुपर्छ, जुन मानवहरूले पनि गर्न पाउँदैनन्। AI र मेसिन लर्निङमा निष्पक्षता सुनिश्चित गर्नु अझै जटिल सामाजिक-प्राविधिक चुनौती हो।
### विश्वसनीयता र सुरक्षा
विश्वास निर्माण गर्न, AI प्रणालीहरू विश्वसनीय, सुरक्षित र सामान्य तथा अप्रत्याशित अवस्थाहरूमा स्थिर हुनुपर्छ। AI प्रणालीहरूले कसरी विभिन्न परिस्थितिहरूमा व्यवहार गर्ने जानकारी हुनु महत्त्वपूर्ण छ, विशेष गरी जब तिनीहरू आउट्लायर्स हुन्छन्। AI समाधान बनाउँदा, व्यापक प्रकारका अवस्थाहरूलाई कसरी व्यवस्थापन गर्ने भन्ने कुरामा पर्याप्त ध्यान दिनुपर्छ जुन AI समाधानहरू सामना गर्न सक्छन्। उदाहरणका लागि, सेल्फ ड्राइभिङ कारले मानिसहरूको सुरक्षा प्राथमिकता राख्नुपर्छ। जसको परिणामस्वरूप, कारलाई चलाउने AI ले रात, चर्को वर्षा वा हिमपहिरो, सडक पार गर्ने बच्चाहरू, गाई-बिरालो, सडक निर्माण आदि जस्ता सम्भावित अवस्थाहरू विचार गर्नुपर्छ। कसरी AI प्रणालीले विविध अवस्थाहरूलाई विश्वसनीय र सुरक्षित रूपमा व्यवस्थापन गर्न सक्छ भन्ने कुरा डिजाइन वा परीक्षण गर्दा डाटा वैज्ञानिक वा AI विकासकर्ताले कस्तो अपेक्षा गरेका थिए भन्ने देखाउँछ।
विश्वास निर्माण गर्न, AI प्रणालीहरू विश्वसनीय, सुरक्षित र सामान्य तथा अप्रत्याशित अवस्थाहरूमा स्थिर हुनु आवश्यक छ। AI प्रणालीहरूले विभिन्न अवस्थाहरूमा कसरी व्यवहार गर्नेछन् भन्न जान्नु महत्त्वपूर्ण छ, विशेष गरी जब ती असामान्य अवस्थाहरू हुन्छन्। AI समाधानहरू बनाउँदा विभिन्न परिस्थितिहरू कसरी ह्यान्डल गर्ने भन्नेमा धेरै ध्यान दिनुपर्छ। उदाहरणका लागि, सेल्फ-ड्राइभिङ कारले मानिसहरूको सुरक्षा सर्वोच्च प्राथमिकता दिनुपर्छ। त्यसैले कारलाई चलाउने AI ले सबै सम्भावित परिस्थितिहरू विचार गर्नुपर्छ जस्तै रात, आँधी-तुफान, बच्चाहरू सडक क्रस गर्दैछन्, पशुहरू, सडक निर्माण आदि। AI प्रणालीले यस्ता अवस्था विश्वसनीय र सुरक्षित तरिकाले कसरी ह्यान्डल गर्छ भन्ने कुरा डाटा वैज्ञानिक वा AI विकासकर्ताले डिजाइन वा परीक्षण गर्दा ध्यान दिएको स्तर प्रतिबिम्बित गर्छ।
> [🎥 भिडियोको लागि यहाँ क्लिक गर्नुहोस्: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
> [🎥 यहाँ क्लिक गर्नुहोस् भिडियोको लागि: AI मा विश्वसनीयता र सुरक्षा](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
### समावेशिता
### समावेशीता
AI प्रणालीहरूले सबैलाई संलग्न र सशक्त बनाउन डिजाइन गर्नुपर्छ। AI प्रणालीहरू डिजाइन र लागू गर्दा डेटा वैज्ञानिकहरू र AI विकासकर्ताहरूले प्रणालीमा सम्भावित बाधाहरू पत्ता लगाएर समाधान गर्छन् जुन अनायासै मानिसहरूलाई बहिष्कृत गर्न सक्छ। उदाहरणका लागि, विश्वभर एक अर्ब मानिसहरू अपाङ्गता भएका छन्। AI को प्रगतिको साथ, उनीहरूले दैनिक जीवनमा जानकारी र अवसरहरू सजिलै पहुँच गर्न सक्छन्। बाधाहरू समाधान गर्दा सबैका लागि लाभदायक अनुभवहरूसहित AI उत्पादनहरू नवप्रवर्तन गर्न र विकास गर्न अवसरहरू सिर्जना हुन्छन्।
AI प्रणालीहरू सबैलाई सहभागी र सशक्त बनाउने गरी डिजाइन गरिनु पर्छ। AI प्रणालीहरू विकास गर्दा डाटा वैज्ञानिक र AI विकासकर्ताहरूले अनपेक्षित रूपमा मानिसहरूलाई बाहिष्कृत गर्न सक्ने सम्भावित बाधाहरू पत्ता लगाएर समाधान गर्नुपर्छ। उदाहरणका लागि, विश्वभर लगभग १ अर्ब मानिसहरू अपाङ्गता भएका छन्। AI प्रगतिको साथ, उनीहरू दैनिक जीवनमा व्यापक जानकारी र अवसरहरू सजिलै पहुँच गर्न सक्छन्। बाधाहरूलाई समाधान गरेर, सबैलाई लाभ दिने राम्रो अनुभव सहित AI उत्पादनहरू विकास गर्ने अवसर सिर्जना हुन्छ।
> [🎥 AI मा समावेशिताको लागि यहाँ क्लिक गर्नुहोस्: ](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
> [🎥 यहाँ क्लिक गर्नुहोस् भिडियोको लागि: AI मा समावेशीता](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
### सुरक्षा र गोप्यता
### सुरक्षा र गोपनीयता
AI प्रणालीहरूले सुरक्षित हुनुपर्छ र मानिसहरूको गोप्यता सम्मान गर्नुपर्छ। मानिसहरूले आफ्ना गोप्यता, जानकारी वा जीवन खतरा पर्ने प्रणालीहरूमा कम विश्वास गर्छन्। मेशिन लर्निङ मोडेलहरू प्रशिक्षण गर्दा, राम्रो परिणाम निकाल्नको लागि डेटा आवश्यक पर्छ। यस क्रममा, डेटाको उत्पत्ति र अखण्डता विचार गर्नुपर्छ। उदाहरणका लागि, डेटा उपयोगकर्ता द्वारा प्रस्तुत गरिएको हो वा सार्वजनिक रूपमा उपलब्ध थियो? त्यसपछि, डेटा प्रयोग गर्दा, गोप्य जानकारीलाई सुरक्षा गर्न र आक्रमणबाट बचाउन सक्षम AI प्रणाली विकास गर्नु जरुरी छ। AI बढ्दै जाँदा, गोप्यता र महत्वपूर्ण व्यक्तिगत तथा व्यवसायिक जानकारीको सुरक्षा बढी महत्वपूर्ण र जटिल हुँदै गएको छ। गोप्यता र डेटा सुरक्षा मुद्दाहरू AI को लागि विशेष ध्यान आवश्यक पार्छन् किनकि AI प्रणालीहरूलाई सटीक र सूचित भविष्यवाणी र निर्णय गर्न डेटामा पहुँच आवश्यक हुन्छ।
AI प्रणालीहरू सुरक्षित र मानिसहरूको गोपनीयता सम्मान गर्नुपर्छ। मानिसहरूले त्यस्ता प्रणालीहरूमा विश्वास कम गर्छन् जुन उनीहरूको गोपनीयता, जानकारी, वा जीवनलाई जोखिममा पार्छ। मेसिन लर्निङ मोडेलहरू प्रशिक्षण गर्दा, हामीले राम्रो नतिजा निकाल्न डाटामा भर पर्छौं। त्यसैले डाटाको स्रोत र अखण्डता विचार गर्नुपर्छ। उदाहरणका लागि, डाटा प्रयोगकर्ताले प्रदान गरेको हो वा सार्वजनिक रूपमा उपलब्ध? त्यसपछि, डाटासँग काम गर्दा confidential जानकारी संरक्षण गर्ने र आक्रमणहरू प्रतिरोध गर्ने AI प्रणाली विकास गर्नु जरूरी हुन्छ। AI व्यापक हुँदै जाँदा गोपनीयता रक्षा र महत्त्वपूर्ण व्यक्तिगत तथा व्यापार जानकारीलाई सुरक्षित राख्नु अझ महत्वपूर्ण र जटिल हुँदैछ। गोपनीयता र डाटा सुरक्षा मुद्दाहरू AI का लागि विशेष ध्यान दिन आवश्यक छन् किनकि डाटामा पहुँच हुनु AI प्रणालीहरूले सही पूर्वानुमान र निर्णय गर्न आवश्यक छ।
> [🎥 AI मा सुरक्षा को भिडियोको लागि यहाँ क्लिक गर्नुहोस्: ](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 यहाँ क्लिक गर्नुहोस् भिडियोको लागि: AI मा सुरक्षा](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- उद्योगको रूपमा हामीले गोप्यता र सुरक्षा क्षेत्रमा महत्वपूर्ण प्रगति गरेका छौं, जुन GDPR जस्ता नियमहरूले पनि प्रेरित गरेको छ।
- तर AI प्रणालीहरूको सन्दर्भमा, प्रणालीलाई व्यक्तिगत र प्रभावकारी बनाउनको लागि बढी व्यक्तिगत डेटा आवश्यक पर्दैछ र गोप्यताको बीच तनाव स्वीकार्नुपर्छ।
- इन्टरनेटसहित जोडिएको कम्प्युटरहरूको जन्म जस्तो, AI सँग सम्बन्धित सुरक्षाका समस्याहरूमा पनि ठूलो वृद्धि हुँदैछ।
- त्यस्तै, AI ले सुरक्षामा सुधार ल्याउनमा मद्दत गरेको छ। उदाहरणका लागि, अधिकांश आधुनिक एन्टी-भाइरस स्क्यानरहरू आज AI युक्त विधिहरूले चलाउँछन्।
- हाम्रा डेटा विज्ञान प्रक्रिया नवीनतम गोप्यता र सुरक्षा अभ्यासहरूसँग सुमधुर रूपमा मेल खाने सुनिश्चित गर्न आवश्यक छ।
- उद्योगको रूपमा हामीले गोपनीयता र सुरक्षामा महत्वपूर्ण प्रगति गरेका छौं, विशेष गरी GDPR जस्ता नियमावलीहरूद्वारा।
- तर AI प्रणालीहरूसँग अधिक व्यक्तिगत डेटा बुज्न चुनौती र गोपनीयताबीच तनाव रहन्छ।
- इन्टरनेटसहित जडित कम्प्युटरहरूको उदय जस्तै, AI सम्बन्धी सुरक्षा मुद्दाहरूमा पनि ठूलो वृद्धि देखिदैछ।
- त्यही समयमा, हामीले देखेका छौं की AI लाई सुरक्षा सुधार गर्न पनि प्रयोग गरिएको छ। उदाहरणका लागि, आधुनिक एन्टी-भाइरस स्क्यानरहरू AI ह्युरिस्टिक्समा आधारित छन्।
- हामीले हाम्रो डाटा विज्ञान प्रक्रियाहरू समसामयिक गोपनीयता र सुरक्षा अभ्याससँग समाहित गर्न आवश्यक छ।
### पारदर्शিতা
AI प्रणालीहरू बुझ्न मिल्ने हुनुपर्छ। पारदर्शिताको महत्त्वपूर्ण अंश भनेको AI प्रणालीहरू र तिनका कम्पोनेन्टहरूको व्यवहार व्याख्या गर्नु हो। AI प्रणालीहरूको बुझाइ सुधार्नको लागि सरोकारवालाहरूले तिनले कसरी र किन काम गर्छन् भन्ने बुझ्नुपर्छ ताकि सम्भावित प्रदर्शन समस्या, सुरक्षा र गोप्यता चिन्ताहरू, पूर्वाग्रह, बहिष्कृत अभ्यासहरू वा अनपेक्षित परिणामहरू पत्ता लगाउन सकून्। हामी विश्वास गर्छौं कि AI प्रणालीहरू प्रयोग गर्नेहरूले कहिले, किन, र कसरी तिनीहरूलाई तैनाथ गर्छन् त्यसबारे इमानदार र स्पष्ट हुनुपर्छ। प्रयोग गरिएका प्रणालीहरूको सीमाहरू समेत जानकारी गराउनु आवश्यक छ। उदाहरणका लागि, एउटा बैंकले आफ्नो उपभोक्ता ऋण निर्णय समर्थन गर्न AI प्रणाली प्रयोग गर्दा, परिणामहरू परीक्षण गरी कुन डेटा प्रणालीका सिफारिशहरू प्रभावित गर्छ भन्ने बुझ्नु महत्वपूर्ण हुन्छ। सरकारले उद्योगमा AI को नियमावली सुरु गरिरहेकाले डेटा वैज्ञानिकहरू र संस्थाहरूले AI प्रणालीले नियमावली पूरा गर्छ कि गर्दैन भनेर स्पष्ट गर्नुपर्छ, विशेष गरी जब अवाञ्छित परिणाम हुन्छ।
### पारदर्शिता
AI प्रणालीहरू बुझ्न सकिने हुनुपर्छ। पारदर्शिताको महत्वपूर्ण भाग भनेको AI प्रणाली र तिनका कम्पोनेन्टहरूको व्यवहारको स्पष्टिकरण हो। AI प्रणाली बुझ्न सुधार गर्न सरोकारवालाहरूले कसरी र किन यी प्रणालीहरू काम गर्छन् भनेर बुझ्नुपर्छ ताकि सम्भावित प्रदर्शन समस्याहरू, सुरक्षा र गोपनीयता चिन्ताहरू, पूर्वाग्रह, बहिष्कार अभ्यास वा अनपेक्षित परिणामहरू पहिचान गर्न सकून्। हामी विश्वास गर्छौं कि AI प्रणाली प्रयोग गर्नेहरूले कहिले, किन, र कसरी तिनीहरू प्रयोगमा ल्याइन्छन् इमानदार रूपमा खुलासा गर्नु पर्छ। साथै तिनीहरूले प्रयोग गर्ने प्रणालीहरूको सीमितता पनि बताउनु पर्छ। उदाहरणका लागि, यदि कुनै बैंकले आफ्नो उपभोक्ता ऋण निर्णयका लागि AI प्रणाली प्रयोग गर्छ भने, परिणामहरू जाँच्न र कुन डाटा प्रणालीका सिफारिसहरूलाई प्रभाव पार्छ भनेर बुझ्न महत्त्वपूर्ण छ। सरकारले विभिन्न उद्योगहरूमा AI नियमन गर्न थालिसकेकोले डाटा वैज्ञानिक र संगठनहरूले AI प्रणालीले नियामक आवश्यकताहरू पूरा गर्छ भनेर स्पष्ट पार्नुपर्छ, विशेष गरी जब अवाञ्छित परिणाम हुन्छ।
> [🎥 AI मा पारदर्शिताको लागि यहाँ क्लिक गर्नुहोस्: ](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 यहाँ क्लिक गर्नुहोस् भिडियोको लागि: AI मा पारदर्शिता](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- AI प्रणालीहरू यति जटिल हुनुका कारण, तिनीहरूको कार्य प्रणाली र नतिजा व्याख्या गर्न कठिनाइ हुन्छ।
- बुझाइको कमीले यी प्रणालीहरूलाई कसरी व्यवस्थापन, सञ्चालन र डकुमेन्ट गर्ने प्रभावित गर्दछ।
- यस बुझाइको कमीले विशेषगरी यी प्रणालीहरूले उत्पादन गर्ने नतिजाको आधारमा गरिएका निर्णयहरूलाई प्रभाव गर्छ।
- AI प्रणालीहरू निकै जटिल छन्, त्यसैले तिनले कसरी काम गर्छन् र परिणामहरू कसरी व्याख्या गर्ने बुझ्न गाह्रो हुन्छ।
- यसले प्रणालीहरूको व्यवस्थापन, सञ्चालन र कागजातिकरणमा असर पार्छ।
- अझ महत्त्वपूर्ण कुरा, यसले यी प्रणालीहरूले उत्पादन गर्ने नतिजाबाट गरिने निर्णयहरूमा असर गर्छ।
### जिम्मेवारी
### उत्तरदायित्व
AI प्रणाली डिजाइन र तैनाथ गर्ने मानिसहरू आफ्नो प्रणाली कसरी संचालन हुन्छ त्यसको लागि जिम्मेवार हुनुपर्छ। जिम्मेवारी आवश्यकतालाई विशेष गरी अनुहार पहिचान जस्ता संवेदनशील प्रविधिहरूमा महत्त्व दिइन्छ। हालै, कानुन कार्यान्वयन संस्थाहरूले अनुहार पहिचान प्रविधिको माग बढेको छ, विशेष गरी हराएका बच्चा खोज्न प्रविधिको सम्भावना रूपमा। तर, यी प्रविधिहरू सरकारहरुले आफ्ना नागरिकहरूको आधारभूत स्वतन्त्रताहरूमाथि खतरा पुर्याउन प्रयोग गर्न सक्छन्, जस्तै विशिष्ट व्यक्तिहरूको निरन्तर अनुगमन गर्न सक्षम बनाएर। त्यसैले, डेटा वैज्ञानिकहरू र संस्थाहरूले आफ्नो AI प्रणालीले व्यक्तिहरू वा समाजमा पार्ने प्रभावका लागि जिम्मेवार हुनुपर्छ।
AI प्रणाली डिजाइन र कार्यान्वयन गर्नेहरूले तिनीहरूको प्रणाली कसरी काम गर्छ भनेर जिम्मेवार हुनुपर्छ। विशेष गरी संवेदनशील प्रविधिहरू जस्तै अनुहार पहिचानमा उत्तरदायित्व धेरै आवश्यक छ। हालसालै, अनुहार पहिचान प्रविधिको माग बढेको छ, विशेषगरी कानुन कार्यान्वयन संगठनहरूबाट जो यस प्रविधिलाई हराएका बच्चा खोज्न उपयोगी देख्छन्। तर, यी प्रविधिहरू सरकारहरूले आफ्ना नागरिकहरूको मौलिक स्वतन्त्रता जोखिममा पार्न प्रयोग गर्न सक्छन्, जस्तै कुनै विशेष व्यक्ति निरन्तर निगरानीमा राख्न सकिन्छ। त्यसैले डाटा वैज्ञानिक र संस्थाहरूले आफ्नो AI प्रणालीले व्यक्तिहरू वा समाजमा कस्तो प्रभाव पार्छ भनेर जिम्मेवार हुनुपर्छ।
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoftको जिम्मेवार AI दृष्टिकोण")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft को उत्तरदायी AI को दृष्टिकोण")
> 🎥 माथिको छवि क्लिक गर्नुहोस् भिडियोको लागि: अनुहार पहिचान मार्फत व्यापक निगरानीको चेतावनीहरू
अन्ततः हाम्रो पुस्ताको सबैभन्दा ठूलो प्रश्नहरू मध्ये एक, जसले AI लाई समाजमा ल्याइरहेको पहिलो पुस्ता हो, के हो भने कम्प्युटरहरू मानिसहरूसँग जिम्मेवार रहिरहनेछन् र जसले कम्प्युटर डिजाइन गर्छन् तिनीहरू अरू सबैमै जिम्मेवार कसरी रहिरहनेछन्?
अन्ततः हाम्रो पुस्ताका लागि सबैभन्दा ठूलो प्रश्नहरू मध्ये एउटा भनेको, जुन पहिलो पुस्ता हो जसले AI लाई समाजमा ल्याउँदैछ, कम्प्युटरहरूले मानिसहरू प्रती उत्तरदायी रहोस र कम्प्युटर डिजाइन गर्ने मानिसहरू अरू सबैप्रति उत्तरदायी रहुन् कसरी सुनिश्चित गर्ने हो।
## प्रभाव मूल्याङ्कन
## प्रभाव मूल्यांकन
मेशिन लर्निङ मोडेल प्रशिक्षित गर्नु अघि, AI प्रणालीको उद्देश्य के हो, यसको अपेक्षित प्रयोग के हो, कहाँ लागू गरिनेछ, र को प्रणालीसँग अन्तर्क्रिया गर्नेछ भन्ने बुझ्न प्रभाव मूल्याङ्कन गर्नु महत्त्वपूर्ण छ। यी कुरा समीक्षकहरू वा परीक्षण गर्नेहरूले प्रणालीको सम्भावित जोखिम र अपेक्षित परिणामहरूको मूल्याङ्कन गर्दा ध्यान दिनु पर्ने छन्।
मेसिन लर्निङ मोडेल प्रशिक्षण गर्नु अघि, AI प्रणालीको उद्देश्य, इच्छित प्रयोग के हो, कहाँ कार्यान्वयन हुनेछ, र को प्रणालीसँग अन्तरक्रिया गर्नेछ भनेर बुझ्न प्रभाव मूल्यांकन गर्नु महत्त्वपूर्ण छ। यी समीक्षा गर्नेहरू वा परीक्षार्थीहरूले सम्भावित जोखिम र अपेक्षित परिणामहरू चिन्हित गर्दा विचार गर्नुपर्ने कारकहरू थाहा पाउन सहयोग गर्छ।
प्रभाव मूल्याङ्कन गर्दा ध्यान दिनुपर्ने क्षेत्रहरू:
प्रभाव मूल्यांकन गर्दा ध्यान दिनुपर्ने क्षेत्रहरू तल दिइएका छन्:
* **व्यक्तिगतमा प्रतिकूल प्रभाव**। कुनै प्रतिबन्ध वा आवश्यकता, समर्थन नगरेको प्रयोग वा प्रणालीको प्रदर्शनमा बाधा पुर्याउने ज्ञात सीमाहरूको बारेमा सचेत हुनु आवश्यक छ ताकि प्रणालीले मानिसहरूलाई हानि पुर्याउन नपाओस्।
* **डेटा आवश्यकताहरू**। प्रणालीले डेटा कसरी र कहाँ प्रयोग गर्ने बुझ्नाले समीक्षकहरूलाई डेटा आवश्यकताहरू (जस्तै GDPR वा HIPAA नियमहरू) बारे विचार गर्न मद्दत गर्छ। साथै, डेटा स्रोत वा परिमाण प्रशिक्षणको लागि पर्याप्त छ कि छैन हेर्नुहोस्।
* **प्रभावको सारांश**। प्रणाली प्रयोग गर्दा आउन सक्ने सम्भावित हानिहरूको सूची तयार गर्नुहोस्। ML जीवनचक्रभरि समस्याहरू देखिन्छन् भने तिनीहरूलाई समाधान वा सम्बोधन गरिन्छ कि छैन पुनरावलोकन गर्नुहोस्।
* **छ मुख्य सिद्धान्तका लागि लागू हुने लक्ष्यहरू**। प्रत्येक सिद्धान्तका लक्ष्यहरू पुरा भए वा कुनै खाली ठाउँ छ कि छैन मूल्याङ्कन गर्नुहोस्।
* **व्यक्तिहरूमा हानिकारक प्रभाव**। कुनै प्रतिबन्ध, आवश्यकता, असमर्थित प्रयोग वा कुनै ज्ञात सीमाहरूले प्रणालीको प्रदर्शनमा बाधा पुर्याउने छ कि छैन थाहा पाउनु महत्त्वपूर्ण छ ताकि प्रणाली व्यक्तिलाई हानि पुर्याउने तरिकाले प्रयोग नहोस्।
* **डाटा आवश्यकताहरू**। प्रणालीले डाटा कस्तो र कहाँ प्रयोग गर्छ भन्ने बुझ्नुले समीक्षा गर्नेहरूलाई GDPR वा HIPAA जस्ता डाटा नियमहरूको पालना जाँच्न सहायता गर्छ। साथै, डाटाको स्रोत र संख्या पर्याप्त छ भन्ने जाँच गर्न।
* **प्रभावको सारांश**। प्रणाली प्रयोग गर्दा सम्भावित हानि सूचीकरण गर्नुहोस्। मेसिन लर्निङ जीवनचक्रमा यी समस्याहरू समाधान वा न्यूनीकृत छन् कि छैनन् हेर्नुहोस्।
* **छ वटा मुख्य सिद्धान्तहरूको लागू हुने लक्ष्यहरू**। प्रत्येक सिद्धान्तबाट लक्ष्यहरूसँग मेल खान्छ कि, कुनै कमजोरी छ कि छैन मूल्याङ्कन गर्नुहोस्।
## जिम्मेवार AI सँग डिबगिङ
## उत्तरदायी AI सँग डिबगिङ
सफ्टवेयर एप्लिकेशन डिबग गर्ने झै, AI प्रणाली डिबग गर्नु यसको समस्याहरू पहिचान र समाधान गर्ने जरूरी प्रक्रिया हो। मोडेलले अपेक्षा अनुसार वा जिम्मेवार रूपमा काम नगर्न धेरै कारकहरू हुन सक्छन्। अधिकांश परम्परागत मोडेल प्रदर्शन मेट्रिक्स मोडेलको प्रदर्शनको मात्रात्मक अभिव्यक्ति मात्र हो, तर तिनीहरूले जिम्मेवार AI सिद्धान्तहरूको उल्लंघन कसरी भयो भन्ने विश्लेषण गर्न पर्याप्त छैन। थपमा, मेशिन लर्निङ मोडेल एक कालो बाकस हो जसले आफ्नो नतिजाको कारण बुझ्न र गल्ती गर्दा व्याख्या दिन कठिन बनाउँछ। यस कोर्सको पछि भागमा, हामी जिम्मेवार AI ड्यासबोर्ड प्रयोग गर्न सिक्नेछौं जसले AI प्रणालीहरू डिबग गर्न मद्दत गर्छ। ड्यासबोर्डले डेटा वैज्ञानिकहरू र AI विकासकर्तालाई को समग्र उपकरण प्रदान गर्छ जसले:
सफ्टवेयर अनुप्रयोग डिबगिङ जस्तै, AI प्रणाली डिबगिङ आवश्यक प्रक्रिया हो जसले प्रणालीका समस्याहरू पहिचान र समाधान गर्दछ। मोडेलले अपेक्षित वा जिम्मेवार प्रदर्शन नगर्न सहयोग गर्ने धेरै कारकहरू हुन्छन्। अधिकांश परम्परागत मोडेल प्रदर्शन मेट्रिक्स मात्र मात्रात्मक प्रदर्शनका योगात्मक तथ्याङ्कहरू हुन्, जुन जिम्मेवार AI सिद्धान्त उल्लंघन कसरी हुन्छ विश्लेषण गर्न पर्याप्त छैन। थप रूपमा, मेसिन लर्निङ मोडेल कालो बाकस जस्तो हुन्छ जसले यसको परिणामहरू प्रेरित गर्ने कुराहरू बुझ्न र गल्ती हुँदा व्याख्या दिन गाह्रो हुन्छ। यस कोर्समा पछि, हामी जिम्मेوار AI ड्यासबोर्ड प्रयोग गर्दा सिक्नेछौं जसले AI प्रणाली डिबग गर्न मद्दत गर्दछ। ड्यासबोर्ड डाटा वैज्ञानिक र AI विकासकर्ताहरूलाई समग्र उपकरण उपलब्ध गराउँछ जसले:
* **त्रुटि विश्लेषण**। प्रणालीको निष्पक्षता वा विश्वसनीयतामा असर गर्ने मोडेलको त्रुटि वितरण पत्ता लगाउन।
* **डेटा विश्लेषण**। डेटा वितरण बुझ्न र निष्पक्षता, समावेशिता, र विश्वसनीयता सम्बन्धी सम्भावित पूर्वाग्रह पत्ता लगाउन।
* **मोडेल व्याख्यायोग्यता**। मोडेलका पूर्वानुमानमा के के असर गर्छ बुझ्न। यसले मोडेलको व्यवहार व्याख्या गर्न मद्दत गर्छ, जुन पारदर्शिता र जिम्मेवारीका लागि महत्त्वपूर्ण छ।
* **गल्ती विश्लेषण**। मोडेलको त्रुटि वितरण पहिचान गर्न जसले प्रणालीको निष्पक्षता वा विश्वसनीयतामा असर पुर्याउन सक्छ।
* **डाटा विश्लेषण**। डाटाको वितरण बुझ्न र सम्भावित पूर्वाग्रह पहिचान गर्न जुन निष्पक्षता, समावेशीता र विश्वसनीयता सम्बन्धी समस्या ल्याउन सक्छ।
* **मोडेल व्याख्यात्मकता**। मोडेलका पूर्वानुमानहरूमा के असर गर्छ वा प्रभाव पार्छ बुझ्न। यसले मोडेलको व्यवहार व्याख्या गर्न मद्दत गर्दछ जुन पारदर्शिता र उत्तरदायित्वको लागि महत्त्वपूर्ण छ।
## 🚀 चुनौती
हानीहरू आरम्भमा नै रोक्न, हामीले:
हानि प्रारम्भमै रोक्न हामीले:
- प्रणालीहरूमा काम गर्ने मानिसहरूमा फरक पृष्ठभूमि र दृष्टिकोणको विविधता हुनुपर्छ।
- हाम्रो समाजको विविधता प्रतिबिम्बित गर्ने डाटासेटहरूमा लगानी गर्नुपर्छ।
- मेशिन लर्निङ जीवनचक्रभर जिम्मेवार AI पत्ता लगाउन र सुधार गर्न राम्रो विधिहरू विकास गर्नुपर्छ।
- प्रणालीमा काम गर्ने मानिसहरू बीचमा विविध पृष्ठभूमि र दृष्टिकोण हुनुपर्छ
- हाम्रो समाजको विविधता प्रतिबिम्बित गर्ने डेटासेटहरूमा लगानी गर्नुहोस्
- मेसिन लर्निङ जीवनचक्रभरि असंवेदनशील AI पत्ता लगाउन र सुधार्न राम्रो विधिहरू विकास गर्नुहोस्
मोडेलको अविश्वसनीयता मोडेल निर्माण र प्रयोगमा कसरी देखिन्छ भन्ने वास्तविक जीवनका परिदृश्यहरू बारे सोच्नुहोस्। के अरू कुरा विचार गर्नुपर्छ?
मोडेल निर्माण र प्रयोगमा असंवेदनशीलता देखिने वास्तविक जीवनका परिदृश्यहरू सोच्नुहोस्। अरू के विचार गर्नुपर्छ?
## [पाठ पछि क्विज](https://ff-quizzes.netlify.app/en/ml/)
## समीक्षा र आत्म-अध्ययन
## समीक्षा र आत्मअध्ययन
यस पाठमा, तपाईंले मेसिन लर्निंगमा निष्पक्षता र अन्याय सम्बन्धी केहि आधारभूत अवधारणाहरू सिक्नुभएको छ।
यस पाठमा, तपाईंले मेसिन लर्निङमा निष्पक्षता र अनिष्पक्षता सम्बन्धी आधारभूत अवधारणाहरू सिक्नुभयो।
यी विषयहरूमा गहिराइमा जान यो कार्यशालामा हेर्नुहोस्:
- जिम्मेवार AI को खोजीमा: व्यवहारमा सिद्धान्त ल्याउने कुरामा Besmira Nushi, Mehrnoosh Sameki र Amit Sharma द्वारा
- जिम्मेवार AI को खोजीमा: सिद्धान्तलाई अभ्यासमा ल्याउने कार्यशाला - Besmira Nushi, Mehrnoosh Sameki र Amit Sharma द्वारा
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI उपकरणशाला: जिम्मेवार AI निर्माण गर्ने खुला स्रोत फ्रेमवर्क")
> 🎥 भिडियोका लागि माथिको तस्वीरमा क्लिक गर्नुहोस्: RAI Toolbox: An open-source framework for building responsible AI Besmira Nushi, Mehrnoosh Sameki, र Amit Sharma द्वारा
> 🎥 माथिको तस्वीरमा क्लिक गर्नुहोस् भिडियोका लागि: RAI उपकरणशाला: जिम्मेवार AI निर्माण गर्ने खुला स्रोत फ्रेमवर्क, लेखकहरु: बेस्मिरा नुशी, मेहरनूश सामेकी, र अमित शर्मा
साथै, पढ्नुस्:
साथै, पढ्नुहोस्:
- माइक्रोसफ्टको RAI स्रोत केन्द्र: [Responsible AI Resources– Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- माइक्रोसफ्टको RAI स्रोत केन्द्र: [जिम्मेवार AI स्रोतहरू– Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- माइक्रोसफ्टको FATE अनुसन्धान समूह: [FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
- माइक्रोसफ्टको FATE अनुसन्धान समूह: [FATE: निष्पक्षता, जवाफदेहिता, पारदर्शिता, र AI मा नैतिकता - माइक्रोसफ्ट अनुसन्धान](https://www.microsoft.com/research/theme/fate/)
RAI Toolbox:
RAI उपकरणशाला:
- [Responsible AI Toolbox GitHub repository](https://github.com/microsoft/responsible-ai-toolbox)
- [जिम्मेवार AI उपकरणशाला GitHub भण्डार](https://github.com/microsoft/responsible-ai-toolbox)
Azure Machine Learning का उपकरणहरू बारेमा जान्नुस् जसले निष्पक्षता सुनिश्चित गर्छ:
Azure मशीन लर्निङका औजारहरूबारे पढ्नुहोस् जसले निष्पक्षता सुनिश्चित गर्छ:
यी चार पाठहरूमा, तपाईंले कसरी रिग्रेसन मोडेलहरू बनाउन सकिन्छ भन्ने पत्ता लगाउनुहुनेछ। हामी चाँडै यीको के लागि प्रयोग हुन्छ भन्ने कुरा छलफल गर्नेछौं। तर कुनै कुरा गर्नु अघि, प्रक्रिया सुरु गर्न सही उपकरणहरू हुनु आवश्यक छ!
यी चार पाठहरूमा, तपाइँले regression मोडेलहरू कसरी बनाउने थाहा पाउनुहुनेछ। हामी चाँडै यी मोडेलहरूको उद्देश्य के हो भन्ने कुरा छलफल गर्नेछौं। तर केही गर्नु अघि, प्रक्रिया सुरु गर्न सही उपकरणहरु भएको सुनिश्चित गर्नुहोस्!
यस पाठमा, तपाईंले सिक्नुहुनेछ:
यस पाठमा, तपाइँ सिक्नुहुनेछ कि:
- स्थानीय मेसिन लर्निङ कार्यहरूको लागि तपाईंको कम्प्युटर कन्फिगर गर्न।
- ज्युपिटर नोटबुकहरूसँग काम गर्न।
- स्कikit-लर्न प्रयोग गर्न, स्थापना सहित।
- हात-ऑन अभ्याससहित रेखीय रिग्रेसन अन्वेषण गर्न।
- तपाइँको कम्प्युटरलाई स्थानीय मेसिन लर्निङ कार्यहरूका लागि कसरी सेटअप गर्ने।
- Jupyter Notebooks सँग कसरी काम गर्ने।
- Scikit-learn को प्रयोग गर्ने, स्थापना सहित।
- linear regression लाई हातमा अभ्यास गरेर अन्वेषण गर्ने।
## स्थापना र कन्फिगरेसनहरू
[](https://youtu.be/-DfeD2k2Kj0 "शुरुआतीहरूका लागि ML - मेसिन लर्निङ मोडेलहरू बनाउनका लागि उपकरणहरू तयार पार्नुहोस्")
[](https://youtu.be/-DfeD2k2Kj0 "शिक्षार्थीहरूका लागि ML - मेसिन लर्निङ मोडेलहरू बनाउनका लागि उपकरणहरू तयार गर्ने")
> 🎥 माथिको तस्बिरमा क्लिक गरेर मेसिन लर्निङको लागि तपाईंको कम्प्युटर कसरी कन्फिगर गर्ने भन्ने छोटो भिडियो हेर्नुहोस्।
> 🎥 माथिको तस्वीरमा क्लिक गर्नुहोस् छोटो भिडियोका लागि जसले तपाईको कम्प्युटरलाई ML का लागि कन्फिगर गर्ने प्रक्रिया देखाउँदछ।
1. **पाइथन स्थापना गर्नुहोस्**। सुनिश्चित गर्नुहोस् कि तपाईंको कम्प्युटरमा [Python](https://www.python.org/downloads/) स्थापना गरिएको छ। तपाईंले धेरै डेटा विज्ञान र मेसिन लर्निङ कार्यहरूका लागि पाइथन प्रयोग गर्नुहुनेछ। अधिकांश कम्प्युटर सिस्टममा पहिले नै पाइथन स्थापना हुन्छ। केही प्रयोगकर्ताका लागि सेटअप सजिलो बनाउन उपयोगी [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) पनि उपलब्ध छन्।
1. **Python स्थापना गर्नुहोस्**। सुनिश्चित गर्नुहोस् कि तपाइँको कम्प्युटरमा [Python](https://www.python.org/downloads/) स्थापना गरिएको छ। तपाइँ धेरै डाटा विज्ञान र मेसिन लर्निङ कार्यहरूका लागि Python प्रयोग गर्नेछ। धेरै कम्प्युटर प्रणालीहरूमा पहिले नै Python स्थापना भएको हुन्छ। केही प्रयोगकर्ताहरूको लागि सजिलो पार्न, उपयोगी [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) पनि उपलब्ध छन्।
यद्यपि केही पाइथन प्रयोगहरूले फरक संस्करणको आवश्यकता पर्न सक्छ। त्यसैले, [वर्चुअल वातावरण](https://docs.python.org/3/library/venv.html) भित्र काम गर्नु उपयोगी हुन्छ।
तर Python को केही प्रयोगले एक भिन्न संस्करण चाहिन्छ, भने अन्यलाई अर्को संस्करण। यसैले, [virtual environment](https://docs.python.org/3/library/venv.html) भित्र काम गर्नु उपयोगी हुन्छ।
2. **भिजुअल स्टुडियो कोड स्थापना गर्नुहोस्**। सुनिश्चित गर्नुहोस् कि तपाईंको कम्प्युटरमा भिजुअल स्टुडियो कोड स्थापना गरिएको छ। सामान्य स्थापना गर्न यी निर्देशनहरू पछ्याउनुहोस्: [install Visual Studio Code](https://code.visualstudio.com/)। तपाईं यस कोर्समा भिजुअल स्टुडियो कोडमा पाइथन प्रयोग गर्न जाँदै हुनुहुन्छ, त्यसैले [Visual Studio Code कन्फिगर गर्न](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) यो अभ्यास गर्नुहोस्।
2. **Visual Studio Code स्थापना गर्नुहोस्।** सुनिश्चित गर्नुहोस् कि तपाइँको कम्प्युटरमा Visual Studio Code स्थापना गरिएको छ। यसलाई आधारभूत रूपमा स्थापना गर्नका लागि यी निर्देशनहरू अनुसरण गर्नुहोस्: [Visual Studio Code स्थापना](https://code.visualstudio.com/)। यस कोर्समा तपाइँ Python लाई Visual Studio Code मा प्रयोग गर्न जाँदै हुनुहुन्छ, त्यसैले कसरी Python विकासका लागि [Visual Studio Code सेटअप गर्ने](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) सिक्न मन लाग्न सक्छ।
> यो [स्किक modules](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) को संग्रहमार्फत पाइथनसँग परिचित बन्नुहोस्।
> Python मा सजिलो बनाउन यो [Learn modules](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) सङ्ग्रहमा काम गर्दै जानुहोस्।
>
> [](https://youtu.be/yyQM70vi7V8 "Visual Studio Code सँग पाइथन सेटअप गर्नुहोस्")
> [](https://youtu.be/yyQM70vi7V8 "Visual Studio Code सँग Python सेटअप गर्नुहोस्")
>
> 🎥 माथिको तस्बिरमा क्लिक गरेर उपयुक्त भिडियो हेर्नुहोस्: VS Code भित्र पाइथन प्रयोग गर्ने तरिका।
> 🎥 माथिको चित्रमा क्लिक गर्नुहोस् भिडियोका लागि: VS Code भित्र Python प्रयोग गर्दै।
3. **स्कikit-लर्न स्थापना गर्नुहोस्**, यी निर्देशनहरू अनुसरण गरेर: [install instructions](https://scikit-learn.org/stable/install.html)। स्कikit-लर्न प्रयोग गर्न पाइथन 3 आवश्यक छ, त्यसैले वर्चुअल वातावरण प्रयोग गर्न सल्लाह दिइन्छ। यदि तपाईं M1 Mac मा यो पुस्तकालय स्थापना गर्दै हुनुहुन्छ भने, माथिको पृष्ठमा विशेष निर्देशनहरू छन्।
3. **Scikit-learn स्थापना गर्नुहोस्**। [यी निर्देशनहरू](https://scikit-learn.org/stable/install.html) अनुसरण गरेर। तपाइँले Python 3 प्रयोग गर्ने सुनिश्चित गर्नुपर्ने भएकाले virtual environment प्रयोग गर्नु सिफारिस गरिएको छ। यदि तपाइँ M1 Mac मा यो लाइब्रेरी स्थापना गर्दै हुनुहुन्छ भने माथिको लिंकमा विशेष निर्देशनहरू छन्।
1. **ज्युपिटर नोटबुक स्थापना गर्नुहोस्**। तपाईंले [जुपिटर प्याकेज](https://pypi.org/project/jupyter/) स्थापना गर्नु आवश्यक छ।
1. **Jupyter Notebook स्थापना गर्नुहोस्**। तपाइँले [Jupyter प्याकेज स्थापना](https://pypi.org/project/jupyter/) गर्न आवश्यक पर्दछ।
## तपाईंको मेसिन लर्निङ लेखन वातावरण
## तपाइँको ML विकास वातावरण
तपाईंले आफ्नो पाइथन कोड विकास गर्न र मेसिन लर्निङ मोडेलहरू निर्माण गर्न **नोटबुकहरू** प्रयोग गर्नुहुनेछ। यस प्रकारको फाइल डेटा वैज्ञानिकहरूका लागि सामान्य उपकरण हो, र यसको पहिचान यसको suffix वा विस्तार `.ipynb` बाट हुन्छ।
तपाइँले Python कोड विकास गर्न र मेसिन लर्निङ मोडेलहरू सिर्जना गर्न **notebooks** प्रयोग गर्नुहुनेछ। यो प्रकारको फाइल डाटा वैज्ञानिकहरूका लागि सामान्य उपकरण हो र `.ipynb` एक्सटेन्सन वा फाइल नाउँबाट चिनिन्छ।
नोटबुकहरू अन्तरक्रियात्मक वातावरण हुन् जसले विकासकर्ता कोड लेख्न र नोटहरू, डकुमेन्टेशन थप्न मद्दत गर्छ जुन प्रयोगात्मक वा अनुसन्धान सम्बन्धी परियोजनाहरूको लागि धेरै उपयोगी हुन्छ।
नोटबुकहरू अन्तरक्रियात्मक वातावरण हुन् जसले विकासकर्तालाई कोड गर्ने र कोड वरिपरि नोटहरू तथा कागजातहरू लेख्न अनुमति दिन्छ, यो विशेष गरी प्रायोगात्मक वा अनुसन्धान आधारित परियोजनाहरूका लागि धेरै उपयोगी छ।
[](https://youtu.be/7E-jC8FLA2E "शुरुआतीहरूका लागि ML - रिग्रेसन मोडेलहरू बनाउन ज्युपिटर नोटबुकहरू सेटअप गर्नुहोस्")
[](https://youtu.be/7E-jC8FLA2E "शिक्षार्थीहरूका लागि ML - Jupyter Notebooks सेटअप गर्नुहोस् र regression मोडेलहरू बनाउन सुरु गर्नुहोस्")
> 🎥 माथिको तस्बिरमा क्लिक गरेर यो अभ्यासको छोटो भिडियो हेर्नुहोस्।
> 🎥 माथिको तस्वीरमा क्लिक गर्नुहोस् छोटो भिडियोका लागि जसले यो अभ्यास देखाउँदछ।
### अभ्यास - नोटबुकसँग काम गर्नुहोस्
### अभ्यास - नोटबुकसंग काम गर्नुहोस्
यस फोल्डरमा, तपाईं_notebook.ipynb_ फाइल पाउनुहुनेछ।
यस फोल्डरमा, तपाइँले_notebook.ipynb_ फाइल पाउनुहुनेछ।
1. Visual Studio Code मा _notebook.ipynb_ खोल्नुहोस्।
एउटा ज्युपिटर सर्भर Python 3+ सँग सुरु हुनेछ। नोटबुकका केही भागहरू `run` गर्न मिल्छन्, अर्थात् कोडका टुक्राहरू। आपले प्ले बटन जस्तो देखिने आइकन चयन गरेर कोड ब्लक चलाउन सक्नुहुन्छ।
Jupyter सर्भर Python 3+ सँग सुरु हुनेछ। तपाइँ नोटबुकका भागहरू पाउनुहुनेछ जुन `run` गर्न सकिन्छ, कोडका टुक्राहरू। तपाइँले कोड ब्लक चलाउन प्ले बटन जस्तो आइकन छान्न सक्नुहुन्छ।
1. `md` आइकन चयन गरेर मार्कडाउन थप्नुहोस्, र तलको पाठ **# Welcome to your notebook** लेख्नुहोस्।
1. `md` आइकन छान्नुहोस् र अलि markdown थप्नुहोस्, र तलको पाठ थप्नुहोस् **# Welcome to your notebook**।
त्यसपछि केही पाइथन कोड थप्नुहोस्।
अब, केही Python कोड थप्नुहोस्।
1. कोड ब्लकमा **print('hello notebook')** टाइप गर्नुहोस्।
1. कोड चलाउन तीर आइकन चयन गर्नुहोस्।
1. कोड ब्लकमा टाइप गर्नुहोस् **print('hello notebook')**।
1. कोड चलाउन तीर आइकन छान्नुहोस्।
तपाईंले निम्न मुद्रित वाक्यांश देख्नु पर्नेछ:
तपाइँले तलको मुद्रित वक्तव्य देख्नु पर्नेछ:
```output
hello notebook
```
तपाईं आफ्नो कोडसँग टिप्पणीहरू मिसाएर नोटबुकलाई स्वयं-डकुमेन्ट गर्न सक्नुहुन्छ।
तपाइँले आफ्नो कोडलाई टिप्पणीहरूसँग मिलाएर नोटबुक स्व-डोकुमेन्ट गर्न सक्नुहुन्छ।
✅ एक मिनेट सोच्नुहोस् कि वेब विकासकर्ताको कार्य वातावरण र डेटा वैज्ञानिकको कार्य वातावरण कत्तिको फरक हुन्छ।
✅ सोच्नुहोस् कि वेब विकासकर्ताको काम गर्ने वातावरण र डाटा वैज्ञानिकको वातावरण कति फरक हुन्छ।
## स्कikit-लर्नसँग सुरु हुँदै
## Scikit-learn सँग सुरु र चलाउनुहोस्
अब पाइथन तपाईंको स्थानीय वातावरणमा सेटअप भइसकेको छ, र तपाईं ज्युपिटर नोटबुकसँग सहज हुनुहुन्छ, स्कikit-लर्नसँग पनि सहज हुन 시작 गरौं (`sci` लाई `science` जस्तै उच्चारण गर्नुहोस्)। स्कikit-लर्नले तपाईंलाई मेसिन लर्निङ कार्यहरू गर्न मद्दत पुर्याउने [विस्तृत API](https://scikit-learn.org/stable/modules/classes.html#api-ref) प्रदान गर्दछ।
अहिले Python तपाइँको स्थानीय वातावरणमा सेट अप भइसकेको छ, र Jupyter Notebooks मा सहज हुनुहुन्छ, अब Scikit-learn सँग पनि उस्तै सहज बनौं (`sci` लाई `science` जस्तै उच्चारण गर्नुहोस्)। Scikit-learn ले ML कार्यहरू गर्न मद्दत गर्ने [विस्तृत API](https://scikit-learn.org/stable/modules/classes.html#api-ref) प्रदान गर्दछ।
तिनीहरूको [वेबसाइट](https://scikit-learn.org/stable/getting_started.html) अनुसार, "Scikit-learn खुला स्रोत मेसिन लर्निङ पुस्तकालय हो जुन सुपरभाइज्ड र अनसुपरभाइज्ड लर्निङलाई समर्थन गर्छ। यसले मोडेल फिटिंग, डेटा प्रिप्रसेसिङ, मोडेल चयन र मूल्यांकन, तथा अन्य धेरै उपयोगिताहरूका लागि विभिन्न उपकरणहरू पनि प्रदान गर्दछ।"
तिनीहरूको [वेबसाइट](https://scikit-learn.org/stable/getting_started.html) अनुसार, "Scikit-learn एक खुला स्रोत मेसिन लर्निङ लाइब्रेरी हो जसले supervised र unsupervised learning दुवै समर्थन गर्दछ। साथै मोडेल फिटिङ, डाटा पूर्वप्रशोधन, मोडेल चयन र मूल्यांकन, र अन्य धेरै युटिलिटीज प्रदान गर्दछ।"
यस कोर्समा, तपाईंले स्कikit-लर्न र अन्य उपकरणहरू प्रयोग गरेर परम्परागत मेसिन लर्निङ कार्यहरू गर्ने मोडेलहरू निर्माण गर्नुहुनेछ। हामीले जानाजानी न्यूरल नेटवर्क र डीप लर्निङलाई समावेश गरेका छैनौं, ती हामीले आउने 'शुरुआतीहरूको लागि AI' पाठ्यक्रममा राम्रोसँग समेट्नेछौं।
यस कोर्समा, तपाइँले Scikit-learn र अन्य उपकरणहरू प्रयोग गरेर 'परम्परागत मेसिन लर्निङ' कार्यहरू गर्ने मेसिन लर्निङ मोडेलहरू बनाउनेछौं। हामी जानबुझेर neural networks र deep learning माथि ध्यान दिएका छैनौं, जुन हाम्रो आउँदो 'AI for Beginners' पाठ्यक्रममा राम्रोसँग समेटिएको छ।
स्कikit-लर्नले मोडेलहरू बनाउन र तिनीहरूको मूल्याङ्कन गर्न सजिलो बनाउँछ। यो मुख्यतया संख्यात्मक डेटा प्रयोग गर्नेमा केन्द्रित छ र सिकाइ उपकरणका रूपमा प्रयोग गर्न तयार धेरै पूर्वप्याक गरिएको डेटा सेटहरू पनि समावेश गर्दछ। यसमा विद्यार्थीहरूका लागि पूर्वनिर्मित मोडेलहरू पनि हुन्छन्। पहिले हामी पूर्वप्याक गरिएको डेटा लोड गर्ने र स्कikit-लर्नको बिल्ट-इन इस्टिमेटर प्रयोग गरेर पहिलो ML मोडेल बनाउने प्रक्रिया अन्वेषण गरौं।
Scikit-learn ले मोडेलहरू बनाउन र प्रयोग गर्न सजिलो बनाउँछ। यो मुख्य रूपमा अंक संख्यात्मक डाटामा केन्द्रित छ र सिकाइ उपकरणहरूका लागि धेरै तयार डेटा सेटहरू समावेश गर्दछ। यसले विद्यार्थीहरूले प्रयास गर्न प्रि-बिल्ट मोडेलहरू पनि समावेश गर्दछ। अब हामी prepackaged डाटा लोड गर्ने र Scikit-learn को built-in मोडेल प्रयोग गरेर पहिलो ML मोडेल बनाउन प्रक्रिया अन्वेषण गर्नेछौं।
## अभ्यास - तपाईंको पहिलो स्कikit-लर्न नोटबुक
## अभ्यास - तपाइँको पहिलो Scikit-learn नोटबुक
> यो ट्यूटोरियल स्कikit-लर्नको वेबसाइटमा रहेको [रेखीय रिग्रेसन उदाहरण](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py)बाट प्रेरित छ।
> यो ट्युटोरियल Scikit-learn को वेबसाइटमा रहेको [lineār regression उदाहरण](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py)बाट प्रेरित छ।
[](https://youtu.be/2xkXL5EUpS0 "शुरुआतीहरूका लागि ML - पाइथनमा तपाईंको पहिलो रेखीय रिग्रेसन परियोजना")
[](https://youtu.be/2xkXL5EUpS0 "शिक्षार्थीहरूका लागि ML - Python मा तपाइँको पहिलो linear regression परियोजना")
> 🎥 माथिको तस्बिरमा क्लिक गरेर यो अभ्यासको छोटो भिडियो हेर्नुहोस्।
> 🎥 माथिको तस्वीरमा क्लिक गर्नुहोस् छोटो भिडियोका लागि जुन यो अभ्यास देखाउँदछ।
_notebook.ipynb_ फाइलमा, यस पाठसंग सम्बन्धित सबै सेलहरू खाली गर्न 'ट्र्यास क्यान' आइकन थिच्नुहोस्।
यस पाठसँग सम्बन्धित _notebook.ipynb_ फाइलमा सबै सेलहरू 'trash can' आइकन थिचेर खाली गर्नुहोस्।
यस खण्डमा, तपाईंले डाइबिटीज सम्बन्धी सानो डेटासेट प्रयोग गर्नु हुनेछ जुन स्कikit-लर्नमा सिकाइको लागि बिल्ट-इन छ। कल्पना गर्नुहोस् तपाईंले डायबिटिक बिरामीहरूको उपचार परीक्षण गर्न चाहनुहुन्छ। मेसिन लर्निङ मोडेलहरूले ठम्याउन मद्दत गर्न सक्छन् कुन बिरामीले उपचार राम्रोसँग प्रतिक्रिया दिनेछन्, भेरिएबलहरूको संयोजनको आधारमा। धेरै आधारभूत रिग्रेसन मोडेलले पनि दृश्यात्मक रूपमा यस विषयमा जानकारी दिन सक्छ जुन तपाईंको सैद्धान्तिक क्लिनिकल ट्रायलहरूलाई व्यवस्थित गर्न मद्दत गर्नेछ।
यस भागमा, तपाइँले Scikit-learn मा सिकाइका लागि बनाइएको मध्यम सानो डायबिटीज डेटासेटसँग काम गर्नु हुनेछ। विचार गर्नुहोस् तपाइँले डायबेटिक बिरामीहरूको उपचार परीक्षण गर्न चाहनुहुन्छ। मेसिन लर्निङ मोडेलहरूले कुन बिरामीले उपचारमा राम्रो प्रतिक्रिया दिने निर्धारण गर्न मद्दत गर्न सक्छ, भेरिएबलहरूको संयोजनहरूका आधारमा। एउटा सरल regression मोडेलले पनि, दृश्यात्मक रूपमा प्रस्तुत गर्दा, भेरिएबलहरूको बारेमा सूचना देखाउन सक्छ जसले तपाइँलाई आफ्नो थियोरिटिकल क्लिनिकल ट्रायलहरू व्यवस्थित गर्न मद्दत गर्न सक्छ।
✅ रिग्रेसन विधिहरू धेरै प्रकारका हुन्छन्, र कुन विधि छनोट गर्ने भन्ने कुरा तपाईंले खोजिरहेको उत्तरमा निर्भर गर्दछ। यदि तपाईंको लक्ष्य केहि उमेरका व्यक्तिको सम्भावित उचाइ भविष्यवाणी गर्नु हो भने, तपाईंले रेखीय रिग्रेसन प्रयोग गर्नुहुनेछ किनकि तपाईं**संख्यात्मक मान** खोज्दै हुनुहुन्छ। यदि तपाईंलाई थाहा पाउनुछ कि खाद्यप्रकार शाकाहारी हो वा होइन, तपाईं**श्रेणी निर्धारण** खोज्दै हुनुहुन्छ र त्यसका लागि लोगिस्टिक रिग्रेसन उपयुक्त हुन्छ। तपाईंले पछि लोगिस्टिक रिग्रेसन सिक्नु हुनेछ। केहि प्रश्नहरूको बारेमा सोच्नुहोस् जुन तपाईं डेटा बाट सोध्न सक्नुहुन्छ, र ती प्रश्नहरूको लागि कुन विधि उचित हुन्छ।
✅ धेरै प्रकारका regression मेथडहरू छन्, र कुन मेथड छनौट गर्ने तपाइँको प्रश्न कस्तो छ भन्नेमा निर्भर गर्दछ। यदि तपाइँ कुनै व्यक्तिको उमेरको लागि सम्भावित उचाइ अन्दाज गर्न चाहानुहुन्छ भने, तपाइँ linear regression प्रयोग गर्नुहुनेछ, किनभने तपाइँले एक**संख्यात्मक मान** खोज्दै हुनुहुन्छ। यदि तपाइँ थाहा पाउन चाहनुहुन्छ कि कुनै प्रकारको खाना वेगन हो कि होइन भने, तपाइँ**श्रेणी निर्धारण** खोज्दै हुनुहुन्छ र यसको लागि logistic regression प्रयोग गर्नुहुनेछ। logistic regression पछि सिक्नुहुनेछ। अलि सोच्नुहोस् कि तपाइँले डाटाबाट कुन प्रश्नहरू सोध्न सक्नुहुन्छ, र कुन मेथड उपयुक्त हुन्छ।
अब यो कार्य सुरु गरौं।
@ -109,13 +109,13 @@ _notebook.ipynb_ फाइलमा, यस पाठसंग सम्बन
यस कार्यका लागि हामी केही पुस्तकालयहरू आयात गर्नेछौं:
- **matplotlib**। यो एक उपयोगी [ग्राफिङ टूल](https://matplotlib.org/) हो र हामी यसलाई लाइन प्लट बनाउन प्रयोग गर्नेछौं।
- **numpy**। [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) पाइथनमा संख्यात्मक डेटा व्यवस्थापनका लागि उपयोगी लाइब्रेरी हो।
- **sklearn**। यो [स्कikit-लर्न](https://scikit-learn.org/stable/user_guide.html) लाइब्रेरी हो।
- **matplotlib**। यो उपयोगी [ग्राफ उपकरण](https://matplotlib.org/) हो र हामी यसलाई लाइन प्लट बनाउन प्रयोग गर्नेछौं।
- **numpy**। [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) Python मा संख्यात्मक डेटा ह्यान्डल गर्न उपयोगी पुस्तकालय हो।
- **sklearn**। यो [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) लाइब्रेरी हो।
तपाईंका कार्यहरूमा सहयोग गर्न केही पुस्तकालयहरू आयात गर्नुहोस्।
कति पुस्तकालयहरू आयात गर्नुहोस् जसले तपाइँको कार्यहरूलाई मद्दत गर्दछ।
1. तलको कोड टाइप गरेर आयातहरू थप्नुहोस्:
1. निम्न कोड टाइप गरेर आयातहरू थप्नुहोस्:
```python
import matplotlib.pyplot as plt
@ -123,26 +123,26 @@ _notebook.ipynb_ फाइलमा, यस पाठसंग सम्बन
from sklearn import datasets, linear_model, model_selection
```
माथि तपाईंले `matplotlib`, `numpy` आयात गर्दै हुनुहुन्छ र `sklearn` बाट `datasets`, `linear_model`, `model_selection` आयात गर्दै हुनुहुन्छ। `model_selection` डेटा प्रशिक्षण र परीक्षण सेटमा विभाजन गर्न प्रयोग हुन्छ।
माथि तपाइँले `matplotlib`, `numpy` आयात गर्नुभएको छ र `sklearn` बाट `datasets`, `linear_model` र `model_selection` आयात गर्नुभएको छ। `model_selection` डाटालाई प्रशिक्षण र परीक्षण सेटमा विभाजन गर्न प्रयोग हुन्छ।
### डायबिटीज डेटासेट
बिल्ट-इन [डायबिटीज डेटासेट](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset)मा ४४२ नमुनाहरू छन्, जसमा १० विशेषताहरू समावेश छन्, जसमध्ये केही:
निर्मित [diabetes dataset](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) मा 442 डायबिटीज सम्बन्धी डेटा नमूनाहरू छन्, जसमा 10 सुविधा भेरिएबलहरू छन्, जसमध्ये केहि समावेश छन्:
- उमेर: वर्षमा उमेर
- bmi: शरीरको मास सूचकांक
- bp: औसत रक्तचाप
- s1 tc: T-सेलहरू (सेतो रक्तकोषिका प्रकार)
- s1 tc: टी-सेलहरू (सेतो रक्तकणहरू मध्ये एक प्रकार)
✅ यस डेटासेटमा 'लिङ्ग' एक महत्वपूर्ण विशेषता भेरिएबलको रूपमा समावेश गरिएको छ जुन डायबिटीज अनुसन्धानमा महत्त्वपूर्ण छ। धेरै चिकित्सा डेटासेटहरूमा यस्ता द्विक वर्गीकरणहरू हुन्छन्। सोच्नुहोस् यस्ता वर्गीकरणहरूले जनसंख्याबाट कतिपय भागहरू उपचारबाट बाहिर पार्न सक्छन्।
✅ यो डेटासेटमा 'sex' को अवधारणा पनि छ जुन डायबिटीज अनुसन्धानका लागि महत्वपूर्ण सुविधा भेरिएबल हो। धेरै मेडिकल डेटासेटहरूले यस्तो द्विविध वर्गीकरण समावेश गर्छन्। अलि सोच्नुहोस् यस्ता वर्गीकरणले कसरी जनसंख्याका केही भागहरूलाई उपचारबाट बहिष्कृत गर्न सक्छ।
अब, X र y डेटा लोड गर्नुहोस्।
> 🎓 याद गर्नुहोस्, यो सुपरभाइज्ड लर्निङ हो र हामीलाई 'y' नामक लक्ष्य चाहिन्छ।
> 🎓 सम्झनुहोस्, यो supervised learning हो र हामीलाई नामयुक्त 'y' लक्ष्य चाहिन्छ।
नयाँ कोड सेलमा, `load_diabetes()` कल गरेर डायबिटीज डेटासेट लोड गर्नुहोस्। `return_X_y=True` इनपुटले संकेत गर्छ कि `X` डेटा म्याट्रिक्स हुनेछ र `y` रिग्रेसन लक्ष्य हुनेछ।
नयाँ कोड सेलमा, `load_diabetes()` कल गरेर डायबिटीज डेटासेट लोड गर्नुहोस्। `return_X_y=True` इनपुटले संकेत गर्दछ कि `X` डाटा म्याट्रिक्स हुनेछ र `y` regression लक्ष्य हुनेछ।
1. डेटा म्याट्रिक्सको आकार र यसको पहिलो तत्त्वलाई देखाउन प्रिन्ट कमाण्डहरू थप्नुहोस्:
1. डाटा म्याट्रिक्सको आकार र यसको पहिलो तत्त्व देखाउन केही print आदेश थप्नुहोस्:
```python
X, y = datasets.load_diabetes(return_X_y=True)
@ -150,9 +150,9 @@ _notebook.ipynb_ फाइलमा, यस पाठसंग सम्बन
print(X[0])
```
तपाईंले प्रतिक्रिया स्वरूप ट्युपल पाउनुहुनेछ। तपाईंले सो ट्युपलका पहिलो दुई मानहरू क्रमश: `X` र `y` मा असाइन गर्दै हुनुहुन्छ। [ट्युपलहरूको बारेमा थप जान्नुहोस्](https://wikipedia.org/wiki/Tuple)।
तपाइँले प्राप्त गरिरहनुभएको प्रतिक्रिया एउटा टुपल हो। तपाइँले टुपलका पहिलो दुई मानहरूलाई क्रमशः `X` र `y` मा असाइन गर्दै हुनुहुन्छ। टुपलहरू बारे थप जान्न [यहाँ](https://wikipedia.org/wiki/Tuple) पढ्नुहोस्।
यस डेटामा ४४२ वस्तुहरू छन् जुन १० तत्त्वहरू भएको एर्रेमा आकारमा छन्:
तपाइँ देख्न सक्नुहुन्छ कि यो डेटा 442 वस्तुहरू छन् जसले 10 तत्त्व भएका एरेहरूमा आकार दिइएको छ:
```text
(442, 10)
@ -160,39 +160,39 @@ _notebook.ipynb_ फाइलमा, यस पाठसंग सम्बन
-0.04340085 -0.00259226 0.01990842 -0.01764613]
```
✅ डेटाको रिग्रेसन लक्ष्य बिचको सम्बन्धबारे सोच्नुहोस्। रेखीय रिग्रेसनले विशेषता X र लक्ष्य भेरिएबल y बिचको सम्बन्धहरू भविष्यवाणी गर्छ। के तपाईं [टार्गेट](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) डायबिटीज डेटासेटको दस्तावेजमा फेला पार्न सक्नुहुन्छ? यो डेटासेटले उक्त लक्ष्यसँग के देखाउँदैछ?
✅ डाटा र regression लक्ष्य बीचको सम्बन्धका बारेमा अलि सोच्नुहोस्। Linear regression ले सुविधा X र लक्ष्य बदलि y बीच सम्बन्धहरूको पूर्वानुमान गर्छ। डायबिटीज डेटासेटका लागि [लक्ष्य](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) के छ भन्ने दस्तावेजमा खोज्नुहोस्। यो डेटासेट के देखाउँदैछ, त्यो लक्ष्यलाई ध्यानमा राख्दा?
2. अब डेटासेटको एउटा भाग चयन गरेर प्लट गर्न ३rd स्तम्भ चयन गर्नुहोस्। यो गर्न सबै पङ्क्तिहरू `:` प्रयोग गरी छान्न सकिन्छ, र ३rd स्तम्भ इन्डेक्स (2) द्वारा चयन गर्न सकिन्छ। प्लटिङको लागि डेटा २D एर्रेमा `reshape(n_rows, n_columns)` प्रयोग गरी परिवर्तन गर्न सकिन्छ। यदि कुनै एक पैरामीटर -1 हो भने, त्यो आयाम स्वत: गणना हुन्छ।
2. अब, यो डेटासेटको केही भाग चयन गरेर प्लट बनाउने तयारी गर्नुहोस्। डेटासेटको 3र्ो स्तम्भ चयन गर्नुहोस्। सबै पंक्तिहरू चयन गर्न `:` अपरेटर प्रयोग गर्न सक्नुहुन्छ, त्यसपछि 3र्ो स्तम्भका लागि सुचकांक (2) प्रयोग गर्नुहोस्। प्लटिङको लागि आवश्यक २D एरे बनाउन `reshape(n_rows, n_columns)` पनि गर्न सक्नुहुन्छ। यदि कुनै पैरामीटर -1 छ भने, सो सन्दर्भको आयाम स्वचालित रूपमा गणना हुन्छ।
```python
X = X[:, 2]
X = X.reshape((-1,1))
```
✅ जुनसुकै समयमा डेटा प्रिन्ट गरेर यसको आकार जाँच्नुहोस्।
✅ कुनै पनि समयमा डाटाको आकार जाँच्न प्रिन्ट गर्नुहोस्।
3. अब तपाईंसँग प्लट गर्न डेटा तयार भएपछि, मेशिनलाई यो डेटासेटका संख्या बीच तार्किक विभाजन निर्धारण गर्न मद्दत गर्ने देख्नुहोस्। यसको लागि, तपाईंलाई डेटा (X) र लक्ष्य (y) दुवैलाई परीक्षण र प्रशिक्षण सेटहरूमा विभाजन गर्न आवश्यक छ। स्कikit-लर्नले यो सजिलै गर्ने तरिका छ; तपाईंले परीक्षण डेटा कुनै निश्चित स्थानमा विभाजन गर्न सक्नुहुन्छ।
3. अब जब तपाइँसँग प्लट तयार डाटा छ, तपाइँ हेर्न सक्नुहुन्छ कि मेसिनले यस डेटासेटका संख्या बीच तार्किक विभाजन कसरी निर्धारण गर्छ। यसको लागि, तपाइँले डाटा (X) र लक्ष्य (y) दुवैलाई परीक्षण र प्रशिक्षण सेटमा विभाजन गर्नुपर्नेछ। Scikit-learn ले यो सजिलो बनाउँछ; तपाइँ परीक्षण डाटा कुनै निश्चित स्थानमा विभाजन गर्न सक्नुहुन्छ।
```python
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
```
4. अब तपाईंको मोडेल प्रशिक्षणका लागि तयार हुनुहोस्! रेखीय रिग्रेसन मोडेल लोड गर्नुहोस् र आफ्नो X र y प्रशिक्षण सेटहरू प्रयोग गरी `model.fit()` प्रयोग गरेर प्रशिक्षण गर्नुहोस्:
4. अब तपाइँ मोडेललाई प्रशिक्षण दिन तयार हुनुहुन्छ! linear regression मोडेल लोड गर्नुहोस् र तपाइँको X र y प्रशिक्षण सेटहरू प्रयोग गरी `model.fit()`ले ट्रेन गर्नुहोस्:
```python
model = linear_model.LinearRegression()
model.fit(X_train, y_train)
```
✅ `model.fit()`एउटा यस्तो फङ्क्शन हो जुन तपाईं धेरै ML लाइब्रेरीहरूमा जस्तै TensorFlow मा पनि देख्नुहुनेछ।
✅ `model.fit()` धेरै ML लाइब्रेरीहरू जस्तै TensorFlow मा देखिने एउटा फङ्क्सन हो।
5. त्यसपछि, परीक्षण डेटा प्रयोग गरेर भविष्यवाणी बनाउन `predict()` फङ्क्शन प्रयोग गर्नुहोस्। यसले मोडेलको डेटा समूहहरू बिच लाइन तान्न प्रयोग हुनेछ।
5. त्यसपछि, परीक्षण डाटा प्रयोग गरेर `predict()` फङ्क्सनले पूर्वानुमान बनाउनुहोस्। यसले डाटा समूहहरूको बीचमा रेखा तान्न प्रयोग हुनेछ।
```python
y_pred = model.predict(X_test)
```
6. अब डेटा प्लटमा देखाउन समय भयो। matplotlib यो कार्यका लागि धेरै उपयोगी उपकरण हो। सबै X र y परीक्षण डेटा स्क्याटरप्लट बनाएर, मोडेलका डेटा समूहहरू बिच सबैभन्दा उपयुक्त ठाउँमा भविष्यवाणीले अन्तरगत लाइन खिच्नुहोस्।
6. अब डाटालाई प्लटमा देखाउने बेला हो। Matplotlib यो कामका लागि अत्यन्त उपयोगी उपकरण हो। सबै X र y परीक्षण डाटाको scatterplot बनाउनुहोस्, र मोडेलको डाटा समूहहरूको बीचमा ठीक स्थानमा रेखा तान्न पूर्वानुमान प्रयोग गर्नुहोस्।
```python
plt.scatter(X_test, y_test, color='black')
@ -203,28 +203,27 @@ _notebook.ipynb_ फाइलमा, यस पाठसंग सम्बन
✅ अलि सोच्नुहोस् यहाँ के भइरहेको छ। एउटा सोझो रेखा धेरै साना डाटा डटहरूमा चलिरहेको छ, तर यो ठीक के गर्दैछ? तपाइँ देख्न सक्नुहुन्छ कि परीक्षण नभएको नयाँ डाटापॉइन्ट प्लटको y अक्षसँग सम्बन्धमा कहाँ पर्नुपर्छ भनेर पूर्वानुमान गर्न यो रेखा कसरी प्रयोग गर्न सकिन्छ? यस मोडेलको व्यवहारिक उपयोगलाई शब्दमा राख्न प्रयास गर्नुहोस्।
✅ यहाँ के हुँदैछ भनेर अलिकति सोच्नुहोस्। सिधा रेखा धेरै साना डाटा पोइन्टहरूको माथि जान्छ, तर यो ठीक के गर्दैछ? तपाईले देख्न सक्नुहुन्छ कि यो रेखा प्रयोग गरेर नयाँ, नदेखिएको डाटा पोइन्ट प्लटको y अक्षसँग कसरी सम्बन्धित हुनुपर्छ भनेर पूर्वानुमान गर्न सकिन्छ? यस मोडेलको व्यावहारिक उपयोगलाई शब्दहरूमा व्यक्त गर्न प्रयास गर्नुहोस्।
बधाई छ, तपाइँले आफ्नो पहिलो रेखीय प्रतिस्थापन मोडेल बनाउनु भयो, यससँग पूर्वानुमान गर्नुभयो, र प्लटमा प्रदर्शन गर्नुभयो!
बधाई छ, तपाइँले पहिलो linear regression मोडेल बनायो, त्यसको प्रयोग गरेर पूर्वानुमान सिर्जना गर्यो, र प्लटमा देखाउनुभयो!
---
## 🚀चुनौती
यो डेटासेटबाट फरक चल (variable) प्लट गर्नुहोस्। संकेत: यो लाइन सम्पादन गर्नुहोस्: `X = X[:,2]`। यस डेटासेटको लक्ष्यको आधारमा, तपाई मधुमेह रोगको प्रगतिको बारेमा के पत्ता लगाउन सक्नुहुन्छ?
यो डेटासेटबाट अर्को भेरिएबल प्लट गर्नुहोस्। संकेत: यो लाइन सम्पादन गर्नुहोस्: `X = X[:,2]`। यो डेटासेटको लक्ष्यलाई ध्यानमा राख्दै, तपाइँ डायबिटीजको रोगको प्रगति बारे के पत्ता लगाउन सक्नुहुन्छ?
यस ट्युटोरियलमा, तपाईले सरल रेखीय प्रतिस्थापनसँग काम गर्नुभयो, बहुविमीय वा बहुविध रेखीय प्रतिस्थापनमध्ये होइन। यी विधिहरूबीचको भिन्नता बारे अलिकति पढ्नुहोस्, वा यो [भिडियो](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) हेर्नुहोस्।
यस ट्युटोरियलमा, तपाइँले सरल linear regression सँग काम गर्नुभयो, univariate वा multiple linear regressionसंग होइन। यी विधिहरूबीच फरकहरूबारे अलि पढ्नुहोस्, वा [यस भिडियो](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) हेर्नुहोस्।
प्रतिस्थापनको अवधारणा बारे थप पढ्नुहोस् र सोच्नुहोस् कि यस प्रविधिले कस्ता प्रकारका प्रश्नहरूको उत्तर दिन सक्छ। आफ्नो बुझाइ गाढा बनाउन यो [ट्युटोरियल](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) लिनुहोस्।
पुनर regression को अवधारणाको बारेमा थप पढ्नुहोस् र विचार गर्नुहोस् कि यस प्रविधिद्वारा कस्ता प्रकारका प्रश्नहरूको उत्तर दिन सकिन्छ। आफ्नो बुझाइलाई गहिरो बनाउन यो [tutorial](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) लिनुहोस्।
क्लस्टरिङ एक मेसिन लर्निङ कार्य हो जहाँ समान विशेषताहरू भएका वस्तुहरूलाई पहिचान गरी समूहहरूमा विभाजन गरिन्छ, जसलाई क्लस्टर भनिन्छ। अन्य मेसिन लर्निङ विधिहरूसँग तुलना गर्दा, क्लस्टरिङ स्वतः हुन्छ। वास्तवमा, यो सुपरभाइज्ड लर्निङको विपरीत हो भन्नु उचित हुन्छ।
क्लस्टरिङ मेसिन शिक्षणको एउटा कार्य हो जहाँ एउटै प्रकारका वस्तुहरू एकअर्का जस्तै देखिने र समूहमा राखिने खोजिन्छन् जसलाई क्लस्टर भनिन्छ। मेसिन शिक्षणका अन्य तरिकाहरूबाट क्लस्टरिङ फरक पर्छ किनकि यसमा कुरा स्वचालित रूपमा हुन्छ, वस्तुतः यसलाई सुपरवाइज्ड शिक्षणको विपरित भन्न सकिन्छ।
## क्षेत्रीय विषय: नाइजेरियन दर्शकहरूको संगीत रुचिका लागि क्लस्टरिङ मोडेलहरू 🎧
## क्षेत्रीय विषय: नाइजेरियाली दर्शकको सङ्गीत रुचिका लागि क्लस्टरिङ मोडेलहरू 🎧
नाइजेरियाको विविध दर्शकहरूको संगीत रुचि पनि विविध छ। Spotify बाट सङ्कलित डाटाको प्रयोग गरेर (यस [लेख](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421) बाट प्रेरित), नाइजेरियामा लोकप्रिय केही संगीतलाई हेरौं। यो डेटासेटमा विभिन्न गीतहरूको 'डान्सएबिलिटी' स्कोर, 'एकुस्टिकनेस', लाउडनेस, 'स्पिचिनेस', लोकप्रियता र ऊर्जा सम्बन्धी डाटा समावेश छ। यस डाटामा पैटर्नहरू पत्ता लगाउनु रोचक हुनेछ!
नाइजेरियाका विविध दर्शकहरूसँग विविध संगीत रुचिहरू छन्। Spotify बाट सङ्कलित डेटा प्रयोग गर्दै (यो [यो लेखबाट](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421) प्रेरित), नाइजेरियामा लोकप्रिय केही संगीतहरू हेरौं। यस डेटासेटमा विभिन्न गीतहरूको 'डान्सबिलिटी' स्कोर, 'अकोस्टिकनेस', आवाजको तीव्रता, 'स्पीचिनेस', लोकप्रियता र ऊर्जा जस्ता डेटा समावेश छन्। यस डेटामा पैटर्नहरू फेला पार्नु रोचक हुनेछ!
> फोटो <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">मार्सेला लास्कोस्की</a> द्वारा <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">अनस्प्ल्यास</a> मा
> फोटो <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">मार्सेला लसकोस्की</a> द्वारा <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">अन्सप्ल्याश</a> मा
यस पाठहरूको श्रृंखलामा, तपाईं क्लस्टरिङ प्रविधिहरू प्रयोग गरेर डाटा विश्लेषण गर्ने नयाँ तरिकाहरू पत्ता लगाउनुहुनेछ। क्लस्टरिङ विशेष गरी उपयोगी हुन्छ जब तपाईंको डेटासेटमा लेबलहरू हुँदैनन्। यदि लेबलहरू छन् भने, तपाईंले अघिल्लो पाठहरूमा सिकेका वर्गीकरण प्रविधिहरू अधिक उपयोगी हुन सक्छ। तर, जब तपाईं लेबल नभएको डाटालाई समूहबद्ध गर्न खोज्दै हुनुहुन्छ, क्लस्टरिङ पैटर्नहरू पत्ता लगाउनको लागि उत्कृष्ट तरिका हो।
यस पाठ श्रृंखलामा, तपाईं क्लस्टरिङ प्रविधिहरूको प्रयोग गरेर डेटा विश्लेषण गर्ने नयाँ तरिकाहरू पत्ता लगाउनुहुनेछ। क्लस्टरिङ तब विशेष उपयोगी हुन्छ जब तपाईंको डेटासेटमा लेबलहरू हुँदैनन्। यदि लेबलहरू छन् भने, पूर्वका पाठहरूमा सिकेका वर्गीकरण प्रविधिहरू बढी उपयोगी हुन सक्छन्। तर जब तपाईंले बिना लेबलको डेटा समूह बनाउन खोज्नुहुन्छ, क्लस्टरिङ पैटर्नहरू खोज्न उत्कृष्ट उपाय हो।
> क्लस्टरिङ मोडेलहरूसँग काम गर्न सिक्न उपयोगी लो-कोड उपकरणहरू उपलब्ध छन्। यस कार्यका लागि [Azure ML](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott) प्रयास गर्नुहोस्।
> क्लस्टरिङ मोडेलहरूसँग काम गर्न सिक्न उपयोगी लो-कोड उपकरणहरू उपलब्ध छन्। यस कार्यका लागि [Azure ML प्रयोग गर्नुहोस्](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
## पाठहरू
1. [क्लस्टरिङको परिचय](1-Visualize/README.md)
2. [के-मिन्स क्लस्टरिङ](2-K-Means/README.md)
1. [क्लस्टरिङमा परिचय](1-Visualize/README.md)
2. [के-मीन्स क्लस्टरिङ](2-K-Means/README.md)
## श्रेय
## श्रेयहरू
यी पाठहरू 🎶 सहित [जेन लूपर](https://www.twitter.com/jenlooper) द्वारा लेखिएका हुन्, र [रिशित डागली](https://rishit_dagli) र [मुहम्मद साकिब खान इनान](https://twitter.com/Sakibinan) द्वारा सहायक समीक्षाहरू गरिएको छ।
यी पाठहरू 🎶 [जेन लूपर](https://www.twitter.com/jenlooper) द्वारा लेखिएको हो र सहयोगी समीक्षा [ऋषित डागली](https://rishit_dagli/) र [मुहम्मद साकिब खान इनान](https://twitter.com/Sakibinan) द्वारा गरिएको हो।
[Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) डेटासेट Kaggle बाट Spotify बाट सङ्कलन गरिएको हो।
[नाइजेरियाली गीतहरू](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) को डेटासेट Kaggle बाट Spotify बाट सङ्कलित गरिएको हो।
यी पाठहरू तयार गर्न मद्दत गर्ने उपयोगी के-मिन्स उदाहरणहरूमा यो [आइरिस अन्वेषण](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), यो [परिचयात्मक नोटबुक](https://www.kaggle.com/prashant111/k-means-clustering-with-python), र यो [काल्पनिक एनजीओ उदाहरण](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering) समावेश छन्।
यस पाठ निर्माणमा सहयोग पुर्याएका उपयोगी के-मीन्स उदाहरणहरूमा यो [आइरिस अन्वेषण](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), यो [परिचयात्मक नोटबुक](https://www.kaggle.com/prashant111/k-means-clustering-with-python), र यो [कल्पनात्मक एनजीओ उदाहरण](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering) समावेश छन्।
---
**अस्वीकरण**:
यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**अस्वीकरण**:
यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको हो। हामी सही हुन प्रयास गर्छौं, तर कृपया जानकार हुनुस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छन्। मूल दस्तावेज़ यसको मूल भाषामा आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीका लागि व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न कुनै पनि गलत बुझाइ वा त्रुटिको लागि हामी जिम्मेवार छैनौं।
समय श्रृंखला पूर्वानुमान के हो? यो विगतका प्रवृत्तिहरूको विश्लेषण गरेर भविष्यका घटनाहरूको अनुमान लगाउने विषय हो।
समय शृङ्खला पूर्वानुमान भनेको के हो? यो विगतका ट्रेन्डहरूको विश्लेषण गरेर भविष्यका घटनाहरूको पूर्वानुमान गर्ने कुरा हो।
## क्षेत्रीय विषय: विश्वव्यापी विद्युत उपयोग ✨
## क्षेत्रीय विषय: विश्वव्यापी बिजुली उपयोग ✨
यी दुई पाठहरूमा, तपाईंलाई समय श्रृंखला पूर्वानुमानसँग परिचित गराइनेछ, जुन यद्यपि मेसिन लर्निङको अलिक कम परिचित क्षेत्र हो, तर उद्योग र व्यापार अनुप्रयोगहरू लगायत अन्य क्षेत्रहरूका लागि अत्यन्तै मूल्यवान छ। यद्यपि न्यूरल नेटवर्कहरू यी मोडेलहरूको उपयोगिता बढाउन प्रयोग गर्न सकिन्छ, हामी यसलाई परम्परागत मेसिन लर्निङको सन्दर्भमा अध्ययन गर्नेछौं, किनभने मोडेलहरूले विगतको आधारमा भविष्यको प्रदर्शनको अनुमान गर्न मद्दत गर्छन्।
यी दुई पाठहरूमा, तपाईंलाई समय शृङ्खला पूर्वानुमानसँग परिचय गराइनेछ, जुन मेसिन लर्निङको केहि कम परिचित क्षेत्र हो तर उद्योग र व्यावसायिक आवेदनहरू सहित विभिन्न क्षेत्रहरूमा अत्यन्त उपयोगी छ। यद्यपि न्यूरल नेटवर्कहरूलाई यी मोडेलहरूको उपयोगिता बढाउन प्रयोग गर्न सकिन्छ, हामी तिनीहरूलाई परम्परागत मेसिन लर्निङको सन्दर्भमा अध्ययन गर्नेछौं जसले विगतको आधारमा भविष्यको प्रदर्शन अनुमान गर्न मद्दत गर्छ।
हाम्रो क्षेत्रीय ध्यान विश्वको विद्युत उपयोगमा केन्द्रित छ, जुन भविष्यको पावर उपयोगको पूर्वानुमान गर्न विगतको लोडका ढाँचाहरूको आधारमा सिक्नका लागि रोचक डाटासेट हो। तपाईं देख्न सक्नुहुन्छ कि यस प्रकारको पूर्वानुमान व्यापार वातावरणमा कति उपयोगी हुन सक्छ।
हाम्रो क्षेत्रीय फोकस विश्वमा बिजुलीको उपयोग हो, भविष्यको बिजुली उपयोगको पूर्वानुमान गर्न विगतको लोडका ढाँचाहरूमा आधारित सिक्न रोचक डाटासेट। तपाईं देख्न सक्नुहुन्छ कि यस्तो प्रकारको पूर्वानुमान व्यवसायको वातावरणमा अत्यन्त मद्दतगार हुन सक्छ।
फोटो [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) द्वारा राजस्थानको सडकमा रहेका विद्युत टावरहरूको [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) मा।
फोटो [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) द्वारा राजस्थानको सडकमा रहेका विद्युत् टावरहरूको, [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) मा
## पाठहरू
1. [समय श्रृंखला पूर्वानुमानको परिचय](1-Introduction/README.md)
2. [ARIMA समय श्रृंखला मोडेलहरू निर्माण गर्नुहोस्](2-ARIMA/README.md)
3. [समय श्रृंखला पूर्वानुमानका लागि Support Vector Regressor निर्माण गर्नुहोस्](3-SVR/README.md)
2. [ARIMA समय शृङ्खला मोडेलहरू निर्माण गर्ने](2-ARIMA/README.md)
3. [समय शृङ्खला पूर्वानुमानका लागि Support Vector Regressor निर्माण गर्ने](3-SVR/README.md)
## श्रेय
## क्रेडिटहरू
"समय श्रृंखला पूर्वानुमानको परिचय" [Francesca Lazzeri](https://twitter.com/frlazzeri) र [Jen Looper](https://twitter.com/jenlooper) द्वारा ⚡️ लेखिएको हो। यी नोटबुकहरू पहिलो पटक [Azure "Deep Learning For Time Series" repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) मा अनलाइन देखा परेका थिए, जुन मूल रूपमा Francesca Lazzeri द्वारा लेखिएको थियो। SVR पाठ [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) द्वारा लेखिएको हो।
"समय शृङ्खला पूर्वानुमानको परिचय" ⚡️ सहित [Francesca Lazzeri](https://twitter.com/frlazzeri) र [Jen Looper](https://twitter.com/jenlooper) द्वारा लिखित। नोटबुकहरू पहिलो पटक अनलाइन [Azure "Deep Learning For Time Series" repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) मा प्रकट भए जुन मूल रूपमा Francesca Lazzeri द्वारा लिखित थियो। SVR पाठ [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) द्वारा लिखित छ।
---
**अस्वीकरण**:
यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको हो। हामी यथासम्भव शुद्धता सुनिश्चित गर्न प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**अस्वीकरण**:
यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको हो। हामी सही हुन प्रयास गर्छौं, तर कृपया जानकार हुनुस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छन्। मूल दस्तावेज़ यसको मूल भाषामा आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीका लागि व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न कुनै पनि गलत बुझाइ वा त्रुटिको लागि हामी जिम्मेवार छैनौं।
> यो रिपोजिटरीमा ५० भन्दा बढी भाषा अनुवादहरू उपलब्ध छन् जसले डाउन्लोड साइज अत्यधिक बढाउँछ। अनुवाद बिना क्लोन गर्नका लागि sparse checkout प्रयोग गर्नुहोस्:
> यो रिपोजिटोरीमा ५०+ भाषा अनुवादहरू समावेश छन् जसले डाउनलोड साइजलाई महत्त्वपूर्ण रूपमा बढाउँछ। अनुवादहरू बिना क्लोन गर्न, sparse checkout प्रयोग गर्नुहोस्:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,145 +33,150 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> यसले तपाईंलाई कोर्स पूरा गर्न आवश्यक सबै सामग्री छिटो डाउनलोड गर्न मद्दत गर्छ।
> यसले तपाईंलाई कोर्स पूरा गर्न आवश्यक सबै कुरा धेरै छिटो डाउनलोडको साथ उपलब्ध गराउँछ।
हामीसँग Discord मा Learn with AI श्रृंखला जारी छ, थप जान्न र सामेल हुनका लागि [Learn with AI Series](https://aka.ms/learnwithai/discord) मा जानुहोस् १८ - ३० सेप्टेम्बर, २०२५। तपाईं GitHub Copilot लाई Data Science मा प्रयोग गर्ने टिप्स र ट्रिक्स पाउनुहुनेछ।
हामीसँग डिस्कोर्डमा एआईसँग सिक्ने श्रृंखला चलिरहेको छ, थप जान्न र सामेल हुन [Learn with AI Series](https://aka.ms/learnwithai/discord) मा १८ - ३० सेप्टेम्बर, २०२५ सम्म। तपाईंलाई डेटा विज्ञानका लागि GitHub Copilot प्रयोग गर्ने सुझाव र तरिका प्राप्त हुनेछ।
# शुरुवातकर्ताहरूका लागि मेशिन लर्निङ - एक शिक्षण कार्यक्रम
# शुरुवातकर्ताहरूका लागि मेसिन लर्निङ - एक पाठ्यक्रम
> 🌍 विश्व संस्कृतिको माध्यमबाट मेशिन लर्निङ अभ्यास गर्दै विश्वभर यात्रा गरौं 🌍
> 🌍 हामी विश्वका संस्कृतिहरूको माध्यमले मेसिन लर्निङ अन्वेषण गर्दै विश्व यात्रा गरिरहेका छौं 🌍
Microsoft का Cloud Advocatesहरूले १२ हप्ता, २६ पाठहरू समेटिएको **मेशिन लर्निङ** को बारेमा एक पाठ्यक्रम प्रस्तुत गरेका छन्। यस पाठ्यक्रममा तपाईंले "क्लासिक मेशिन लर्निङ" भनेर चिनिने विधि सिक्नु हुनेछ, मुख्य रूपमा Scikit-learn पुस्तकालय प्रयोग गरेर र गहिरो सिकाइबाट जोगिनु हुनेछ, जुन हाम्रो [AI for Beginners' curriculum](https://aka.ms/ai4beginners) मा समेटिएको छ। यी पाठहरूलाई हाम्रो ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) सँग जोडेर पनि अध्ययन गर्न सक्नुहुन्छ।
माइक्रोसफ्टका क्लाउड अधिवक्ताहरूले १२ हप्ता, २६ पाठको पाठ्यक्रम प्रस्तुत गर्न पाउँदा खुशी छन् जुन पूर्ण रूपमा **मेसिन लर्निङ** सम्बन्धी छ। यस पाठ्यक्रममा, तपाईंले कहिलेकाहीं भनिने **परम्परागत मेसिन लर्निङ** सिक्नु हुनेछ, प्राथमिक रूपमा Scikit-learn लाई पुस्तकालयको रूपमा प्रयोग गर्दै र गहिरो अध्ययनबाट बच्दै, जुन हाम्रो [शुरुवातकर्ताहरूका लागि एआई पाठ्यक्रम](https://aka.ms/ai4beginners) मा समेटिएको छ। यी पाठहरूलाई हाम्रो ['डाटा विज्ञानका लागि शुरुवातकर्ताहरू' पाठ्यक्रम](https://aka.ms/ds4beginners) सँग सँगै पाल्नुहोस्।
हामीसँग संसारभरका विभिन्न क्षेत्रका डेटाहरूमा यी क्लासिक प्रविधिहरूलाई लागू गर्दै यात्रा गरौं। प्रत्येक पाठमा सुरु र अन्तिममा क्विजहरू, लेखिएको निर्देशनहरू, समाधान, कार्यपत्र र अन्य सामग्रीहरू छन्। हाम्रो परियोजना-आधारित शिक्षण पद्धतिले तपाईंलाई सिक्दै निर्माण गर्ने मौका दिन्छ, जुन नयाँ सीपहरूलाई राम्रोसँग लाग्ने प्रमाणित तरिका हो।
संसारभरका विभिन्न क्षेत्रहरूको डाटामा यी परम्परागत प्रविधिहरूलाई लागू गर्दै हामीसँग यात्रा गर्नुहोस्। प्रत्येक पाठमा पूर्व- र पश्चात-परीक्षणहरू, लेखिएको निर्देशनहरू, समाधानहरू, कार्यहरू, र थप कुरा समावेश छ। हाम्रो परियोजना-आधारित शिक्षणशैलीले तपाईंलाई निर्माण गर्दागर्दै सिक्न अनुमति दिन्छ, जुन नयाँ सीपहरूलाई 'टिकाउँदा' प्रमाणित विधि हो।
**✍️ हाम्रा लेखकहरूलाई हार्दिक धन्यवाद** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu र Amy Boyd
**🎨 हाम्रा चित्रकारहरूलाई पनि धन्यवाद** Tomomi Imura, Dasani Madipalli, र Jen Looper
**🙏 विशेष धन्यवाद 🙏 हाम्रा Microsoft Student Ambassador लेखकहरू, समीक्षकहरू र सामग्री योगदानकर्ताहरूलाई**, विशेष गरी Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, र Snigdha Agarwal
**🙏 विशेष धन्यवाद 🙏 हाम्रा माइक्रोसफ्ट विद्यार्थी राजदूत लेखकहरू, समीक्षकहरू, र सामग्री योगदानकर्ताहरूलाई**, विशेष गरी Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, र Snigdha Agarwal
**🤩 अतिरिक्त कृतज्ञता Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, र Vidushi Gupta लाई R पाठहरूका लागि!**
**🤩 हाम्रो R पाठहरूका लागि Microsoft विद्यार्थी राजदूत Eric Wanjau, Jasleen Sondhi, र Vidushi Gupta लाई अतिरिक्त कृतज्ञता!**
# सुरु गर्ने तरिका
# सुरु गर्दै
यी चरणहरू पालना गर्नुहोस्:
1. **रिपोजिटरी फोर्क गर्नुहोस्**: यस पृष्ठको माथिल्लो-दायाँ कुनामा रहेको "Fork" बटनमा क्लिक गर्नुहोस्।
> [यो कोर्सका सबै थप स्रोतहरू हाम्रो Microsoft Learn सङ्ग्रहमा पाउन सकिन्छ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 💡 **छिटो सुरु सुझाव:** स्थानीय रूपमा Python सेटअप नगरी ब्राउजरमा सुरु गर्न चाहनुहुन्छ? [GitHub Codespaces](https://github.com/features/codespaces) प्रयोग गरेर आफ्नो फोर्कको लागि क्लाउड विकास वातावरण सिर्जना गर्नुहोस्। हरियो **Code** मेनु खोल्नुहोस्, **Codespaces** छान्नुहोस्, र एउटा codespace सिर्जना गर्नुहोस्; आवश्यक परे प्रत्येक पाठको आवश्यक निर्भरताहरू भित्र स्थापित गर्नुहोस्।
> 🔧 **मद्दत चाहिन्छ?** सामान्य स्थापना, सेटअप र पाठ सञ्चालन सम्बन्धी समस्याका समाधानको लागि हाम्रो [Troubleshooting Guide](TROUBLESHOOTING.md) हेर्नुहोस्।
> [यस कोर्सका सबै अतिरिक्त स्रोतहरू हाम्रो Microsoft Learn संग्रहमा भेट्नुहोस्](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
**[विद्यार्थीहरू](https://aka.ms/student-page)**, यस पाठ्यक्रम प्रयोग गर्न, पुरै रिपो आफ्नो GitHub खातामा फोर्क गरी आफू वा समूहमा अभ्यास पूरा गर्नुहोस्:
> 🔧 **मद्दत चाहिन्छ?** स्थापना, सेटअप र पाठहरू चलाउन सम्बन्धित सामान्य समस्याहरूका समाधानका लागि हाम्रो [समाधान निर्देशन](TROUBLESHOOTING.md) हेर्नुहोस्।
- सुरुमा प्रि-लेक्चर क्विज दिनुहोस्।
- व्याख्यान पढ्नुहोस् र क्रियाकलापहरू पूरा गर्नुहोस्, प्रत्येक ज्ञान जाँचमा रोकेर विचार गर्नुहोस्।
- समाधान कोड चलाउने सट्टा पाठहरू बुझेर परियोजनाहरू बनाउन प्रयास गर्नुहोस्; तर त्यो कोड प्रत्येक परियोजना-केन्द्रित पाठका `/solution` फोल्डरमा उपलब्ध छ।
- पोष्ट-लेक्चर क्विज लिनुहोस्।
**[विद्यार्थीहरू](https://aka.ms/student-page)**, यस पाठ्यक्रमलाई प्रयोग गर्न, पुरै रिपो आफ्नो GitHub खातामा फोर्क गरी अभ्यासहरू आफैँ वा समूहमा पूरा गर्नुहोस्:
- पूर्व-पाठ क्विजबाट सुरु गर्नुहोस्।
- व्याख्यान पढ्नुहोस् र गतिविधिहरू पूरा गर्नुहोस्, हरेक ज्ञान परीक्षणमा रोकिएर सोच्नुहोस्।
- समाधान कोड चलाउनुभन्दा पाठहरू बुझेर परियोजनाहरू सिर्जना गर्ने प्रयास गर्नुहोस्; यो कोड प्रत्येक परियोजना-आधारित पाठको `/solution` फोल्डरमा उपलब्ध छ।
- पश्चात-पाठ क्विज लिनुहोस्।
- चुनौती पूरा गर्नुहोस्।
- कार्यपत्र पूरा गर्नुहोस्।
- पाठ समूह पूरा गरेपछि, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) मा जानुहोस् र उपयुक्त PAT रूब्रिक भर्नुहोस्। 'PAT' भनेको प्रगति मूल्यांकन उपकरण हो जुन तपाईंले सिकाइ थप प्रगाढ बनाउन भर्नुहुन्छ। तपाईंले अरूका PAT हरूलाई पनि प्रतिक्रिया दिन सक्नुहुन्छ ताकि हामी संगै सिक्न सकौं।
- कार्य पूरा गर्नुहोस्।
- पाठ समूह पूरा गरेपछि, [डिस्कसन बोर्ड](https://github.com/microsoft/ML-For-Beginners/discussions) भ्रमण गरी उपयुक्त PAT रुब्रिक भर्नुहोस् र 'आवाजमा सिक्नुहोस्'। 'PAT' भनेको प्रगति मूल्यांकन उपकरण हो जसले तपाईंको सिकाइलाई बढावा दिनको लागि भर्ने रुब्रिक हो। तपाईंले अरू PAT हरूमा पनि प्रतिक्रिया दिन सक्नुहुन्छ ताकि हामी सँगै सिक्न सकौँ।
> थप अध्ययनका लागि, यी [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) मोड्युलहरू र सिकाइ मार्गहरू अनुशरण गर्न सिफारिस गरिन्छ।
> थप अध्ययनको लागि, यी [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) मोड्युल र सिकाइ मार्गहरू अनुसरण गर्न सिफारिस गर्दछौं।
**शिक्षकहरू**, हामीसँग [यस पाठ्यक्रम प्रयोग गर्ने केही सुझावहरू](for-teachers.md) पनि उपलब्ध छन्।
**शिक्षकहरू**, हामीले यस पाठ्यक्रमलाई कसरी प्रयोग गर्ने बारे [केही सुझावहरू](for-teachers.md) समावेश गरेका छौं।
---
## भिडियो विद्यार्थी मार्गदर्शनहरू
## भिडियो मार्गदर्शनहरू
केही पाठहरू छोटो भिडियो स्वरूपमा उपलब्ध छन्। तपाईं यी सबैलाई पाठहरू भित्र, वा [ML for Beginners प्लेलिस्टमा Microsoft Developer YouTube च्यानलमा](https://aka.ms/ml-beginners-videos) तलको छविमा क्लिक गरेर हेर्न सक्नुहुन्छ।
केही पाठहरू छोटो भिडियोको रूपमा उपलब्ध छन्। तपाईं यी पाठहरूभित्रै सबैलाई भेट्टाउन सक्नुहुन्छ, वा [Microsoft Developer YouTube च्यानलको ML for Beginners प्लेइलिस्ट](https://aka.ms/ml-beginners-videos) मा तल रहेको छविमा क्लिक गरेर हेर्न सक्नुहुन्छ।
[](https://aka.ms/ml-beginners-videos)
> 🎥 परियोजना र यसलाई सिर्जना गर्ने व्यक्तिहरूको बारेमा भिडियो हेर्न माथि छविमा क्लिक गर्नुहोस्!
> 🎥 परियोजना र यसलाई सिर्जना गर्ने व्यक्तिहरूको बारेमा भिडियो हेर्न माथि रहेको छविमा क्लिक गर्नुहोस्!
---
## शिक्षण पद्धति
## शिक्षणशैली
हामीले यस पाठ्यक्रम निर्माण गर्दा दुई प्रमुख काठमाडौँ अपाएछौं: यसलाई प्रायोगिक **परियोजना-आधारित** बनाउनु र **अप्रत्यक्ष क्विजहरू** समावेश गर्नु। साथै यसमा एक साझा **थिम** छ जसले एकता दिन्छ।
हामीले यस पाठ्यक्रम निर्माण गर्दा दुइटा शिक्षण सिद्धान्त चुनेका छौं: यो प्रायोगात्मक **परियोजना-आधारित** हुनुपर्ने र यसमा **बारम्बार क्विजहरू** हुनुपर्ने। थप रूपमा, यस पाठ्यक्रममा एक सामान्य **थिम** हुन्छ जसले यसलाई एकताको भावना दिन्छ।
सामग्रीलाई परियोजनासँग मेल खाने गरी व्यवस्थित गर्दा विद्यार्थीलाई आकर्षित गर्न र अवधारणाहरू सुदृढ गर्न मद्दत पुग्छ। कक्षाको सुरुमा सानो क्विज विद्यार्थीको सिकाइ उद्देश्य बनाउँछ भने कक्षापछि दोश्रो क्विज सिकेका कुरालाई थप सुदृढ पार्छ। यस पाठ्यक्रमलाई लचकदार र रमाईलो बनाउन डिजाइन गरिएको छ र पूरै वा अंशमा लिन सकिन्छ। परियोजनाहरू सानोतिरबाट सुरु भएर १२ हप्ते चक्रको अन्त्य तिर जटिल बन्छन्। यस पाठ्यक्रममा ML को वास्तविक प्रयोगहरू सम्बन्धी पोस्टस्क्रिप्ट पनि समावेश गरिएको छ, जुन अतिरिक्त क्रेडिट वा छलफलको आधारको रूपमा प्रयोग गर्न सकिन्छ।
सामग्री परियोजनासँग मेल खाने सुनिश्चित गरेर, प्रक्रिया विद्यार्थीहरूका लागि बढी जादुई हुन्छ र अवधारणाहरूको स्मृति बढ्छ। कक्षाको अघि कम जोखिमयुक्त क्विजले विद्यार्थीलाई विषय सिक्न प्रयासको उद्देश्य सेट गर्छ भने, कक्षापछि दोस्रो क्विजले थप सम्झना सुनिश्चित गर्छ। यो पाठ्यक्रम लचकदार र रमाइलो हुने गरी डिजाइन गरिएको छ र पूरै वा आंशिक रूपमा लिन सकिन्छ। परियोजनाहरू साना हुँदै क्रमशः बढ्दो जटिल हुन्छन् १२ हप्ते चक्रको अन्त्यमा। यस पाठ्यक्रममा मेसिन लर्निङका वास्तविक विश्व प्रयोगहरूमा एउटा पोस्टस्क्रिप्ट पनि समावेश छ, जुन अतिरिक्त क्रेडिट वा छलफलको आधारको रूपमा प्रयोग गर्न सकिन्छ।
> हाम्रो [व्यवहार संहिता](CODE_OF_CONDUCT.md), [योगदान गर्ने तरिका](CONTRIBUTING.md), [अनुवादहरू](..), र [समस्या समाधान](TROUBLESHOOTING.md) मार्गनिर्देशनहरू पनि उपलब्ध छन्। तपाईंहरुको रचनात्मक प्रतिक्रिया स्वागत छ!
> हाम्रो [आचार संहिता](CODE_OF_CONDUCT.md), [योगदान गर्ने तरिका](CONTRIBUTING.md), [अनुवादहरू](..), र [समस्या समाधान](TROUBLESHOOTING.md) मार्गनिर्देशनहरू पनि हेर्नुहोस्। हामी तपाईंको रचनात्मक प्रतिक्रिया स्वागत गर्छौं!
## प्रत्येक पाठमा समावेश छन्
## प्रत्येक पाठ समावेश गर्दछ
- वैकल्पिक स्केचनोट
- वैकल्पिक स्केचनोट
- वैकल्पिक पूरक भिडियो
- भिडियो विद्यार्थी मार्गदर्शन (केही पाठहरूमा मात्र)
> **भाषाहरूको बारेमा एक नोट**: यी पाठहरू मुख्य रूपमा Python मा लेखिएका छन्, तर धेरै पाठहरू R मा पनि उपलब्ध छन्। Rको पाठ पूरा गर्नका लागि `/solution` फोल्डरमा गएर R पाठहरू खोज्नुहोस्। तिनीहरूमा .rmd एक्सटेन्सन हुन्छ जुन **R Markdown** फाइललाई जनाउँछ जुन `code chunks` (R वा अन्य भाषाहरूका) र `YAML header` (जसले PDF जस्ता आउटपुटहरू कसरी फर्म्याट गर्ने भनेर निर्देशन दिन्छ) सङ्ग समाहित गरिएको Markdown दस्तावेजको रूपमा परिभाषित गर्न सकिन्छ। यसप्रकार, यो डेटा विज्ञानका लागि उत्कृष्ट लेखकत्व ढाँचा हो किनभने यसले तपाईंलाई आफ्नो कोड, यसको आउटपुट, र आफ्ना विचारहरू Markdown मा लेख्न अनुमति दिन्छ। थप रूपमा, R Markdown दस्तावेजहरूलाई PDF, HTML, वा Word जस्ता आउटपुट ढाँचाहरूमा रेंडर गर्न सकिन्छ।
> **कुइजहरूको बारेमा एक नोट**: सबै कुइजहरू [Quiz App folder](../../quiz-app) मा समाविष्ट छन्, जम्मा ५२ कुइजहरू तीन प्रश्नहरूसहित। ती पाठहरूबाट लिंक गरिएको छ तर कुइज एप स्थानीय रूपमा चलाउन सकिन्छ; स्थानीय रूपमा होस्ट वा Azure मा डिप्लोय गर्न `quiz-app` फोल्डरमा दिइएका निर्देशनहरू पालना गर्नुहोस्।
| पाठ संख्या | विषय | पाठ समूह | सिकाइ उद्देश्यहरू | लिंक गरिएको पाठ | लेखक |
| ०२ | मेसिन लर्निङ्गको इतिहास | [परिचय](1-Introduction/README.md) | यस क्षेत्रमा रहेको इतिहास सिक्नुहोस् | [पाठ](1-Introduction/2-history-of-ML/README.md) | जेन र एमी |
| ०३ | निष्पक्षता र मेसिन लर्निङ्ग | [परिचय](1-Introduction/README.md) | मेसिन लर्निङ्ग मोडेलहरू बनाउँदा र लागू गर्दा विद्यार्थीहरूले विचार गर्नुपर्ने महत्त्वपूर्ण दार्शनिक मुद्दाहरू के हुन्? | [पाठ](1-Introduction/3-fairness/README.md) | टोमोमी |
| ०४ | मेसिन लर्निङ्गका प्रविधिहरू | [परिचय](1-Introduction/README.md) | मेसिन लर्निङ्ग अनुसन्धानकर्ताहरूले प्रयोग गर्ने प्रविधिहरू के के हुन्? | [पाठ](1-Introduction/4-techniques-of-ML/README.md) | क्रिस र जेन |
| ०५ | रेग्रेसन परिचय | [रेग्रेसन](2-Regression/README.md) | रेग्रेसन मोडेलहरूको लागि Python र Scikit-learn प्रयोग गरेर सुरूवात गर्नुहोस् | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | जेन • एरिक वान्जाउ |
| ०६ | उत्तर अमेरिकी फर्सी दाउर्या मूल्यहरू 🎃 | [रेग्रेसन](2-Regression/README.md) | मेसिन लर्निङ्गको तयारीका लागि डाटा दृश्यिकरण र सफा गर्नुहोस् | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | जेन • एरिक वान्जाउ |
| ०७ | उत्तर अमेरिकी फर्सी दाउर्या मूल्यहरू 🎃 | [रेग्रेसन](2-Regression/README.md) | लीनियर र पोलिनोमियल रेग्रेसन मोडेल बनाउनुहोस् | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | जेन र Dmitry • एरिक वान्जाउ |
| ०९ | वेब एप्लिकेसन 🔌 | [वेब एप](3-Web-App/README.md) | तपाईंको तालिम प्राप्त मोडेल प्रयोग गर्न वेब एप्लिकेसन बनाउनुहोस् | [Python](3-Web-App/1-Web-App/README.md) | जेन |
| १० | वर्गीकरण परिचय | [वर्गीकरण](4-Classification/README.md) | तपाईंको डाटा सफा, तयार, र दृश्यिकरण गर्नुहोस्; वर्गीकरणमा परिचय | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | जेन र क्यास्सी • एरिक वान्जाउ |
| ११ | स्वादिष्ट एशियन र भारतीय खानाहरू 🍜 | [वर्गीकरण](4-Classification/README.md) | वर्गीकरणकर्ताहरूमा परिचय | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | जेन र क्यास्सी • एरिक वान्जाउ |
| १२ | स्वादिष्ट एशियन र भारतीय खानाहरू 🍜 | [वर्गीकरण](4-Classification/README.md) | अझै थप वर्गीकरणकर्ताहरू | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | जेन र क्यास्सी • एरिक वान्जाउ |
| १३ | स्वादिष्ट एशियन र भारतीय खानाहरू 🍜 | [वर्गीकरण](4-Classification/README.md) | तपाईंको मोडेल प्रयोग गरेर सिफारिस गर्ने वेब एप बनाउनुहोस् | [Python](4-Classification/4-Applied/README.md) | जेन |
| १६ | प्राकृतिक भाषा प्रशोधन परिचय ☕️ | [प्राकृतिक भाषा प्रशोधन](6-NLP/README.md) | एक साधारण बोट बनाएर NLP का आधारभूत कुराहरू सिक्नुहोस् | [Python](6-NLP/1-Introduction-to-NLP/README.md) | स्टीफेन |
| १७ | सामान्य NLP कार्यहरू ☕️ | [प्राकृतिक भाषा प्रशोधन](6-NLP/README.md) | भाषा संरचनासँग डिल गर्दा आवश्यक सामान्य कार्यहरू बुझेर आफ्नो NLP ज्ञान गहिरो बनाउनुस् | [Python](6-NLP/2-Tasks/README.md) | स्टीफेन |
| १८ | अनुवाद र भावना विश्लेषण ♥️ | [प्राकृतिक भाषा प्रशोधन](6-NLP/README.md) | Jane Austen सँग अनुवाद र भावना विश्लेषण | [Python](6-NLP/3-Translation-Sentiment/README.md) | स्टीफेन |
| १९ | यूरोपका रोमान्टिक होटलहरू ♥️ | [प्राकृतिक भाषा प्रशोधन](6-NLP/README.md) | होटल समीक्षाहरूको साथ भावना विश्लेषण १ | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | स्टीफेन |
| २० | यूरोपका रोमान्टिक होटलहरू ♥️ | [प्राकृतिक भाषा प्रशोधन](6-NLP/README.md) | होटल समीक्षाहरूको साथ भावना विश्लेषण २ | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | स्टीफेन |
| पोस्टस्क्रिप्ट | वास्तविक-विश्व ML परिदृश्यहरू र अनुप्रयोगहरू | [ML in the Wild](9-Real-World/README.md) | क्लासिकल ML का रमाईला र खुलासा गर्ने वास्तविक विश्व अनुप्रयोगहरू | [पाठ](9-Real-World/1-Applications/README.md) | टोली |
| पोस्टस्क्रिप्ट | RAI ड्यासबोर्ड प्रयोग गरेर ML मा मोडेल डिबगिङ | [ML in the Wild](9-Real-World/README.md) | Responsible AI ड्यासबोर्ड कम्पोनेंटहरू प्रयोग गरेर मेसिन लर्निङ्गमा मोडेल डिबगिङ | [पाठ](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [यस कोर्सका लागि सबै थप स्रोतहरू हाम्रो Microsoft Learn सङ्ग्रहमा फेला पार्नुहोस्](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> **भाषाहरूको सम्बन्धमा नोट**: यी पाठहरू मुख्य रूपमा Python मा लेखिएका छन्, तर धेरै R मा पनि उपलब्ध छन्। R पाठ पूरा गर्न, `/solution` फोल्डरमा जानुहोस् र R पाठहरूको खोजी गर्नुहोस्। तिनीहरूमा .rmd एक्सटेन्सन हुन्छ जुन **R Markdown** फाइल हो जसलाई सरल रूपमा `code chunks` (R वा अन्य भाषाहरूका) र `YAML हेडर` (PDF जस्ता आउटपुट कसरी ढाँचाबद्ध गर्ने भनेर निर्देशन दिने) संलग्न गरिएको `Markdown कागजात` को रूपमा परिभाषित गर्न सकिन्छ। यसैले, यो डेटा विज्ञानका लागि आदर्श लेखक फ्रेमवर्क हो किनभने यसले तपाईंलाई कोड, यसको आउटपुट र विचारहरूलाई Markdown मा लेखेर संयोजन गर्न अनुमति दिन्छ। थप रूपमा, R Markdown कागजातहरूलाई PDF, HTML, वा Word जस्ता आउटपुट ढाँचाहरूमा परिणत गर्न सकिन्छ।
> **क्विजहरूका सम्बन्धमा नोट**: सबै क्विजहरू [Quiz App फोल्डर](../../quiz-app) मा छन्, कुल ५२ क्विजहरू प्रत्येकमा तीन प्रश्नहरू सहित। यिनीहरू पाठहरूबाट लिंक गरिएका छन् तर क्विज एप्स स्थानीय रूपमा चलाउन सकिन्छ; स्थानीय होस्टिङ्ग वा Azure मा डिप्लोय गर्न `quiz-app` फोल्डरमा निर्देशनहरू पछ्याउनुहोस्।
| पाठ संख्या | विषय | पाठ समूह | सिकाइ उद्देश्यहरू | लिंक गरिएका पाठ | लेखक |
| 02 | मेशिन लर्निङको इतिहास | [Introduction](1-Introduction/README.md) | यो क्षेत्रमा रहेको इतिहास जान्नुहोस् | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | निष्पक्षता र मेशिन लर्निङ | [Introduction](1-Introduction/README.md) | मेशिन लर्निङ मोडेलहरू निर्माण गर्दा र लागू गर्दा विद्यार्थीहरूले विचार गर्नुपर्ने महत्वपूर्ण दार्शनिक मुद्दाहरू के हुन्? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | मेशिन लर्निङका प्रविधिहरू | [Introduction](1-Introduction/README.md) | मेशिन लर्निङ अनुसन्धानकर्ताहरूले मोडेल बनाउन कस्ता प्रविधिहरू प्रयोग गर्छन्? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Regression परिचय | [Regression](2-Regression/README.md) | रिग्रेसन मोडेलका लागि Python र Scikit-learn प्रयोग गरेर सुरु गर्नुहोस् | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | उत्तर अमेरिकी कद्दू मूल्यहरू 🎃 | [Regression](2-Regression/README.md) | मेशिन लर्निङको तयारीका लागि डाटा दृश्यावलोकन र सफा गर्नुहोस् | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | उत्तर अमेरिकी कद्दू मूल्यहरू 🎃 | [Regression](2-Regression/README.md) | रेखीय र बहुपद रिग्रेसन मोडेलहरू बनाउनुहोस् | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | उत्तर अमेरिकी कद्दू मूल्यहरू 🎃 | [Regression](2-Regression/README.md) | लगिस्टिक रिग्रेसन मोडेल बनाउनुहोस् | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | वेब एप्लिकेशन 🔌 | [Web App](3-Web-App/README.md) | तपाईंले तालिम लिएको मोडेल प्रयोग गर्न वेब एप्लिकेशन बनाउनुहोस् | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | वर्गीकरण परिचय | [Classification](4-Classification/README.md) | तपाईंको डाटा सफा, तयारी, र दृश्यावलोकन गर्नुहोस्; वर्गीकरण परिचय | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | स्वादिष्ट एसियाली र भारतीय व्यंजनहरू 🍜 | [Classification](4-Classification/README.md) | वर्गीकरणकर्ताहरूको परिचय | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | स्वादिष्ट एसियाली र भारतीय व्यंजनहरू 🍜 | [Classification](4-Classification/README.md) | थप वर्गीकरणकर्ताहरू | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | स्वादिष्ट एसियाली र भारतीय व्यंजनहरू 🍜 | [Classification](4-Classification/README.md) | तपाईंको मोडेल प्रयोग गरेर सिफारिस गर्ने वेब एप्लिकेशन बनाउनुहोस् | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | क्लस्टरिङ परिचय | [Clustering](5-Clustering/README.md) | तपाईंको डाटा सफा, तयारी, र दृश्यावलोकन गर्नुहोस्; क्लस्टरिङ परिचय | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | नाइजेरियाली संगीत रुचिहरू अन्वेषण 🎧 | [Clustering](5-Clustering/README.md) | K-Means क्लस्टरिङ विधि अन्वेषण गर्नुहोस् | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | प्राकृतिक भाषा प्रसंस्करण परिचय ☕️ | [Natural language processing](6-NLP/README.md) | सरल बोट निर्माण गरेर NLP का आधारभूत कुरा सिक्नुहोस् | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | सामान्य NLP कार्यहरू ☕️ | [Natural language processing](6-NLP/README.md) | भाषा संरचनाहरूको साथ व्यवहार गर्दा आवश्यक सामान्य कार्यहरू बुझेर तपाईंको NLP ज्ञान गहिरो बनाउनुहोस् | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | अनुवाद र भावना विश्लेषण ♥️ | [Natural language processing](6-NLP/README.md) | Jane Austen सँग अनुवाद र भावना विश्लेषण | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | युरोपका रोमाञ्चक होटेलहरू ♥️ | [Natural language processing](6-NLP/README.md) | होटेल समीक्षा संग भावना विश्लेषण 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | युरोपका रोमाञ्चक होटेलहरू ♥️ | [Natural language processing](6-NLP/README.md) | होटेल समीक्षा संग भावना विश्लेषण 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | समय शृंखला पूर्वानुमान परिचय | [Time series](7-TimeSeries/README.md) | समय शृंखला पूर्वानुमान परिचय | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ विश्व विद्युत प्रयोग ⚡️ - ARIMA सँग समय शृंखला पूर्वानुमान | [Time series](7-TimeSeries/README.md) | ARIMA सँग समय शृंखला पूर्वानुमान | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ विश्व विद्युत प्रयोग ⚡️ - SVR सँग समय शृंखला पूर्वानुमान | [Time series](7-TimeSeries/README.md) | Support Vector Regressor सँग समय शृंखला पूर्वानुमान | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| Postscript | वास्तविक संसारका ML परिदृश्यहरू र अनुप्रयोगहरू | [ML in the Wild](9-Real-World/README.md) | क्लासिक ML का रोचक र खुलासे गर्ने वास्तविक संसारका अनुप्रयोगहरू | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| Postscript | RAI ड्यासबोर्ड प्रयोग गरेर ML मा मोडेल डिबगिङ | [ML in the Wild](9-Real-World/README.md) | जिम्मेवार AI ड्यासबोर्ड कम्पोनेन्टहरू प्रयोग गरेर मेशिन लर्निङमा मोडेल डिबगिङ | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [यस कोर्सका लागि सबै थप स्रोतहरू हाम्रो Microsoft Learn संग्रहमा खोज्नुहोस्](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## अफलाइन पहुँच
तपाईं [Docsify](https://docsify.js.org/#/) प्रयोग गरेर यो दस्तावेजलाई अफलाइन चलाउन सक्नुहुन्छ। यस रिपोमा फोर्क गर्नुहोस्, आफ्नो स्थानीय मेसिनमा [Docsify स्थापना](https://docsify.js.org/#/quickstart) गर्नुहोस्, र त्यसपछि यस रिपोको रुट फोल्डरमा गएर `docsify serve` टाइप गर्नुहोस्। वेबसाइट तपाईँको लोकलहोस्टमा पोर्ट ३००० मा सेवा गरिनेछ: `localhost:3000`।
तपाईं [Docsify](https://docsify.js.org/#/) प्रयोग गरेर यो दस्तावेजीकरण अफलाइन चलाउन सक्नुहुन्छ। यस रेपो फोर्क गर्नुहोस्, आफ्नो स्थानीय मेसिनमा [Docsify स्थापना गर्नुहोस्](https://docsify.js.org/#/quickstart), अनि यो रेपको मूल फोल्डरमा `docsify serve` टाइप गर्नुहोस्। वेबसाइट तपाईंको localhost मा पोर्ट 3000 मा सेवा हुनेछ: `localhost:3000`.
## PDF हरू
## PDFहरू
पाठ्यक्रमको लिंकसहित PDF यहाँ पाउन सकिन्छ [यहाँ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf)।
पाठ्यक्रमको PDF यहाँ लिंकसहित भेट्न सकिन्छ [यहाँ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf)।
## 🎒 अन्य कोर्सहरू
## 🎒 अन्य कोर्सहरू
हाम्रो टोलीले अन्य कोर्सहरूसमेत उत्पादन गर्दछ! हेर्नुहोस्:
हाम्रो टिमले अन्य कोर्सहरू उत्पादन गर्छ! हेर्नुहोस्:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -188,7 +193,7 @@ Microsoft का Cloud Advocatesहरूले १२ हप्ता, २६
---
### जनरेटिभ AI सिरिज
### Generative AI श्रृंखला
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
@ -207,41 +212,41 @@ Microsoft का Cloud Advocatesहरूले १२ हप्ता, २६
---
### कोपायलट सिरिज
### कोपाइलट श्रृंखला
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
- प्रत्येक पाठ पछि नोटबुकहरू समीक्षा गर्नुहोस् राम्रो बुझाइका लागि।
- आफ्नैले एल्गोरिदमहरू लागू गर्ने अभ्यास गर्नुहोस्।
- सिकेका अवधारणाहरू प्रयोग गर्दै वास्तविक विश्वका डेटासेटहरूको अन्वेषण गर्नुहोस्।
- प्रत्येक पाठपश्चात नोटबुकहरूलाई समीक्षा गर्नुहोस् राम्रो बुझ्नका लागि।
- आफ्नैले एल्गोरिदमहरू कार्यान्वयन गर्ने अभ्यास गर्नुहोस्।
- सिकेका अवधारणाहरू प्रयोग गरी वास्तविक विश्व डाटासेटहरू अन्वेषण गर्नुहोस्।
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**अस्वीकरण**:
यो कागजातलाई एआई अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरी अनुवाद गरिएको हो। हामी सटीकताको लागि प्रयासरत छौं, तर कृपया बुझ्नुस् कि स्वचालित अनुवादमा त्रुटि वा अशुद्धता हुन सक्नेछ। मूल कागजात यसको मौलिक भाषामा नै आधिकारिक स्रोत मानिनेछ। महत्वपूर्ण जानकारीको लागि, पेशेवर मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलत बुझाइ वा गलत व्याख्याका लागि हामी जिम्मेवार हुनेछैनौं।
**अस्वीकरण**:
यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको हो। हामी सही हुन प्रयास गर्छौं, तर कृपया जानकार हुनुस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छन्। मूल दस्तावेज़ यसको मूल भाषामा आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीका लागि व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न कुनै पनि गलत बुझाइ वा त्रुटिको लागि हामी जिम्मेवार छैनौं।
के तपाईं यो पाठ्यक्रम आफ्नो कक्षामा प्रयोग गर्न चाहनुहुन्छ? कृपया निःसंकोच प्रयोग गर्नुहोस्!
के तपाईं यो पाठ्यक्रम आफ्नो कक्षामा प्रयोग गर्न चाहनुहुन्छ? निःसंकोच गर्नुहोस्!
वास्तवमा, तपाईं यसलाई GitHub Classroom प्रयोग गरेर GitHub भित्रै प्रयोग गर्न सक्नुहुन्छ।
वास्तवमा, तपाईं यसलाई GitHub को माध्यमबाट GitHub Classroom प्रयोग गरेर पनि प्रयोग गर्न सक्नुहुन्छ।
त्यसका लागि, यो रिपोजिटरीलाई fork गर्नुहोस्। तपाईंलाई प्रत्येक पाठका लागि छुट्टाछुट्टै रिपोजिटरी बनाउनुपर्नेछ, त्यसैले प्रत्येक फोल्डरलाई छुट्टाछुट्टै रिपोजिटरीमा निकाल्नुपर्नेछ। यसरी, [GitHub Classroom](https://classroom.github.com/classrooms)ले प्रत्येक पाठलाई छुट्टै रूपमा लिन सक्छ।
त्यसका लागि, यो रिपो फोर्क गर्नुहोस्। तपाईंले प्रत्येक पाठका लागि एउटा रिपो बनाउनुपर्ने हुन्छ, यसैले प्रत्येक फोल्डर अलग रिपोमा निकाल्नुपर्ने हुन्छ। यसरी, [GitHub Classroom](https://classroom.github.com/classrooms)ले प्रत्येक पाठलाई अलग्गै समात्न सक्छ।
यी [पूर्ण निर्देशनहरू](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/)ले तपाईंलाई आफ्नो कक्षा कसरी सेटअप गर्ने भन्ने बारेमा जानकारी दिनेछ।
यी [पूर्ण निर्देशनहरू](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/)ले तपाईंलाई आफ्नो कक्षा सेटअप गर्ने तरिका बताउनेछ।
## रिपोजिटरीलाई जस्ताको तस्तै प्रयोग गर्ने
## रिपोलाई यसरी नै प्रयोग गर्ने तरिका
यदि तपाईं यो रिपोजिटरीलाई हालको अवस्थामा नै प्रयोग गर्न चाहनुहुन्छ, GitHub Classroom प्रयोग नगरी, त्यो पनि सम्भव छ। तपाईंले आफ्ना विद्यार्थीहरूसँग कुन पाठ सँगै काम गर्ने भनेर जानकारी दिनुपर्नेछ।
यदि तपाईं GitHub Classroom प्रयोग नगरी यो रिपो हाल जस्तो छ, त्यसरी नै प्रयोग गर्न चाहनुहुन्छ भने पनि त्यो सम्भव छ। तपाईंले आफ्ना विद्यार्थीसँग कुराकानी गरेर कुन पाठ एकसाथ गर्ने भन्ने कुरा तय गर्नुपर्ने हुनेछ।
अनलाइन माध्यम (जस्तै Zoom, Teams, वा अन्य) मा, तपाईं क्विजहरूको लागि ब्रेकआउट रूमहरू बनाउन सक्नुहुन्छ, र विद्यार्थीहरूलाई सिक्न तयार हुन मद्दत गर्न सक्नुहुन्छ। त्यसपछि विद्यार्थीहरूलाई क्विजहरूमा सहभागी हुन र निश्चित समयमा 'issues' को रूपमा आफ्नो उत्तरहरू बुझाउन आमन्त्रित गर्नुहोस्। यदि तपाईं चाहनुहुन्छ कि विद्यार्थीहरूले खुला रूपमा सहकार्य गरेर काम गरून्, तपाईं असाइनमेन्टहरू पनि यसरी गर्न सक्नुहुन्छ।
अनलाइन स्वरूपमा (Zoom, Teams, वा अन्य) तपाईं क्विजहरूका लागि ब्रेकआउट रूम बनाउन सक्नुहुन्छ, र विद्यार्थीहरूलाई सिक्न तयार गराउन मार्गदर्शन गर्न सक्नुहुन्छ। त्यसपछि विद्यार्थीहरूलाई क्विज दिन आमन्त्रण गर्न सक्नुहुन्छ र उनीहरूले आफ्नो उत्तरहरू 'issues' को रूपमा निश्चित समयमा पेश गर्न सक्छन्। यदि तपाईं चाहनुहुन्छ भने विद्यार्थीहरूलाई खुला रूपमा सहकार्य गरेर कार्यहरू गर्न दिने पनि त्यस्तै गर्न सक्नुहुन्छ।
यदि तपाईंलाई बढी निजी ढाँचा मनपर्छ भने, आफ्ना विद्यार्थीहरूलाई पाठ्यक्रमलाई पाठ-पाठ अनुसार आफ्नो निजी GitHub रिपोजिटरीहरूमा fork गर्न भन्नुहोस्, र तपाईंलाई पहुँच दिन भन्नुहोस्। त्यसपछि उनीहरूले क्विजहरू र असाइनमेन्टहरू निजी रूपमा पूरा गर्न सक्छन् र तपाईंलाई तपाईंको कक्षा रिपोजिटरीमा issues मार्फत बुझाउन सक्छन्।
यदि तपाईं बढी निजी स्वरूप रोज्न चाहनुहुन्छ भने, विद्यार्थीहरूलाई पाठ्यक्रमलाई प्रत्येक पाठ अनुसार फोर्क गर्न लगाउनुहोस् र आफ्नो GitHub रिपोहरूलाई निजी रिपो बनाएर तपाईंलाई पहुँच दिनुहोस्। यसपछि उनीहरूले निजी रूपमा क्विज र कार्यहरू पूरा गरेर तपाईंको कक्षा रिपोमा issues मार्फत पेश गर्न सक्छन्।
अनलाइन कक्षा ढाँचामा यसलाई काम गराउने धेरै तरिकाहरू छन्। कृपया हामीलाई तपाईंका लागि के राम्रो काम गर्छ भनेर जानकारी दिनुहोस्!
यसलाई अनलाइन कक्षा स्वरूपमा काम गर्ने धेरै तरिकाहरू छन्। कुन तरिका तपाईंलाई सबैभन्दा राम्रो लाग्छ, कृपया हामीलाई जानकारी दिनुहोस्!
## कृपया हामीलाई आफ्नो विचार दिनुहोस्!
## कृपया तपाईंको विचारहरू दिनुहोस्!
हामी यो पाठ्यक्रम तपाईं र तपाईंका विद्यार्थीहरूको लागि उपयोगी बनाउन चाहन्छौं। कृपया हामीलाई [प्रतिक्रिया](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u) दिनुहोस्।
हामी यो पाठ्यक्रम तपाईं र तपाईंका विद्यार्थीहरूका लागि उपयोगी बनाउने चाहना राख्छौं। कृपया हामीलाई [प्रतिक्रिया](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u) दिनुहोस्।
---
**अस्वीकरण**:
यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको हो। हामी यथासम्भव शुद्धता सुनिश्चित गर्न प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषामा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**अस्वीकरण**:
यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको हो। हामी सही हुन प्रयास गर्छौं, तर कृपया जानकार हुनुस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छन्। मूल दस्तावेज़ यसको मूल भाषामा आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीका लागि व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न कुनै पनि गलत बुझाइ वा त्रुटिको लागि हामी जिम्मेवार छैनौं।
localizeflow[bot]
3 weeks ago