> ಈ ಸಂಗ್ರಹವು 50+ ಭಾಷಾ ಭಾಷಾಂತರಗಳನ್ನು ಒಳಗೊಂಡಿದ್ದು, ಇದು ಡೌನ್ಲೋಡ್ ಗಾತ್ರವನ್ನು ಬಹುಮಟ್ಟಿಗೆ ಹೆಚ್ಚಿಸುತ್ತದೆ. ಭಾಷಾಂತರಗಳಿಲ್ಲದೆ ಕ್ಲೋನ್ ಮಾಡಲು, ಸ್ಪಾರ್ಸ್ ಚೆಕ್ಔಟ್ ಬಳಸಿ:
> ಈ ಸಂಗ್ರಹವು 50+ ಭಾಷಾ ಅನುವಾದಗಳನ್ನು ಒಳಗೊಂಡಿದೆ, ಇದು ಡೌನ್ಲೋಡ್ ಗಾತ್ರವನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಹೆಚ್ಚಿಸುತ್ತದೆ. ಅನುವಾದಗಳಿಲ್ಲದೇ ಕ್ಲೋನ್ ಮಾಡಲು sparse checkout ಬಳಸಿ:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,63 +33,62 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> ಇದರಿಂದ ನೀವು ಕೋರ್ಸನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಅಗತ್ಯವಿರುವ ಎಲ್ಲಾ ವಿಷಯಗಳನ್ನು ತ್ವರಿತ ಡೌನ್ಲೋಡ್ೊಂದಿಗೆ ಪಡೆಯಬಹುದು.
> ಇದು ಕರ್ಸನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಬೇಕಾದ ಎಲ್ಲವನ್ನೂ ಬಹು ವೇಗದ ಡೌನ್ಲೋಡ್ಗೆ ಒದಗಿಸುತ್ತದೆ.
ನಾವು ಡಿಸ್ಕಾರ್ಡ್ ನಲ್ಲಿ AI ಸರಣಿಯನ್ನು ನಡೆಸುತ್ತಿದ್ದೇವೆ, ಹೆಚ್ಚಾಗಿ ತಿಳಿದುಕೊಳ್ಳಲು ಮತ್ತು ಸೇರ್ಪಡೆಗಾಗಿ [Learn with AI Series](https://aka.ms/learnwithai/discord) ನಲ್ಲಿ 18 - 30 ಸೆಪ್ಟೆಂಬರ್, 2025 ರಂದು ಸೇರಿ. ನೀವು GitHub Copilot ಉಪಯೋಗಿಸುವ ಉಲುಕುಗಳ ಮತ್ತು ಸಲಹೆಗಳನ್ನೂ ಪಡೆಯುವಿರಿ.
ನಮ್ಮ ಬಳಿ ಡಿಸ್ಕೋರ್ಡ್ AI ಘಟಕ ಸರಣಿಯಿದೆ, ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ ಮತ್ತು ಸೇರಿಕೊಳ್ಳಲು [Learn with AI Series](https://aka.ms/learnwithai/discord) 18 - 30 ಸೆಪ್ಟೆಂಬರ್, 2025 ರಲ್ಲಿ. ನೀವು ಗಿಟ್ಹಬ್ ಕೋಪೈಲಟ್ ಅನ್ನು ಡೇಟಾ ವಿಜ್ಞಾನಕ್ಕಾಗಿ ಹೇಗೆ ಬಳಸುವುದು ಎಂಬ ಸಲಹೆಗಳು ಮತ್ತು ಪುಟಗಳನ್ನೂ ಪಡೆಯುತ್ತೀರಿ.
# ಯಾಂತ್ರಿಕ ಅಧ್ಯಯನ ಆರಂಭಿಕರಿಗಾಗಿ - ಒಂದು ಪಠ್ಯಕ್ರಮ
# ಆರಂಭಿಕರಿಗಾಗಿ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ - ಒಂದು ಪಠ್ಯಕ್ರಮ
> 🌍 ಜಗತ್ತಿನ ಸಂಸ್ಕೃತಿಗಳನ್ನು ಅನ್ವೇಷಿಸುವ ಮೂಲಕ ಯಾಂತ್ರಿಕ ಅಧ್ಯಯನವನ್ನು ಪರ್ವತಾರೋಹಣ ಮಾಡಿ 🌍
> 🌍 ಜಗತ್ತಿನ ಸಂಸ್ಕೃತಿಗಳ ಮೂಲಕ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಅನ್ನು ಅನ್ವೇಷಿಸಿ ಜಗತ್ತನ್ನು ಸುತ್ತಿ ಓರೆಯಾಗಿರಿ 🌍
ಮೈಕ್ರೋಸಾಫ್ಟ್ನ ಕ್ಲೌಡ್ ಅಭಿಕಾರಕರು 12-ವಾರ, 26-ಪಾಠಗಳ ಪಠ್ಯಕ್ರಮವನ್ನು ನೀಡಲು ಸಂತೋಷಪಡುತ್ತಾರೆ, ಇದು **ಯಾಂತ್ರಿಕ ಅಧ್ಯಯನ** ಬಗ್ಗೆ ಸಂಪೂರ್ಣವಾಗಿ. ಈ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ನೀವು ಕೆಲವೊಮ್ಮೆ **ಸಾಂಪ್ರದಾಯಿಕ ಯಾಂತ್ರಿಕ ಅಧ್ಯಯನ** ಎಂದು ಕರೆಯಲ್ಪಡುವ ತಂತ್ರಗಳನ್ನು ಕಲಿಯೋಿರಿ, ಮುಖ್ಯವಾಗಿ Scikit-learn लाईಬ್ರೆರಿಯನ್ನು ಬಳಸುತ್ತೀರಾ ಮತ್ತು ನಮ್ಮ [AI for Beginners' ಪಠ್ಯಕ್ರಮ](https://aka.ms/ai4beginners) ನಲ್ಲಿ ಒಳಗೊಂಡಿರುವ ಡೀಪ್ ಲರ್ನಿಂಗ್ನಿಂದ ದೂರವಿರುತ್ತೀರಿ. ಈ ಪಾಠಗಳನ್ನು ನಮ್ಮ ['ಡೇಟಾ ಸೈನ್ಸ್ ಫಾರ್ ಬಿಗಿನರ್ಸ್' ಪಠ್ಯಕ್ರಮ](https://aka.ms/ds4beginners) ಜೊತೆಗೆ ಜೋಡಿಸಬಹುದು.
ಮೈಕ್ರೋಸಾಫ್ಟ್ನ ಕ್ಲೌಡ್ ಪರಿಷ್ಕಾರಿಗಳು 12 ವಾರಗಳ, 26 ಪಾಠಗಳ ಪಠ್ಯಕ್ರಮವನ್ನು ನಿಮಗೆ ನೀಡಲು ಸಂತೋಷಪಡುತ್ತಾರೆ, ಇದು **ಮೆಷಿನ್ ಲರ್ನಿಂಗ್** ಬಗ್ಗೆ ಸಂಪೂರ್ಣವಾಗಿದೆ. ಈ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ನೀವು ಕೆಲವೊಮ್ಮೆ **ಪ್ರಾಚೀನ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್** ಎಂದು ಕರೆಸಿಕೊಳ್ಳುವದರ ಬಗ್ಗೆ ತಿಳಿಯುತ್ತೀರಿ, ಮುಖ್ಯವಾಗಿ ಸ್ಕಿಕಿಟ್-ಲರ್ನ್ ಗ್ರಂಥಾಲಯವನ್ನು ಬಳಸಿ ಮತ್ತು ಗಾಢ ಅಭ್ಯಾಸವನ್ನು ತಪ್ಪಿಸಿ, ಅದು ನಮ್ಮ [ಮೂಲತಃ AI ಆರಂಭಿಕರ ಪಠ್ಯಕ್ರಮ](https://aka.ms/ai4beginners) ನಲ್ಲಿ ಕಾಣಬಹುದು. ಈ ಪಾಠಗಳನ್ನು ನಮ್ಮ ['ಡೇಟಾ ಸೈನ್ಸ್ ಆರಂಭಿಕರ ಪಠ್ಯಕ್ರಮ'](https://aka.ms/ds4beginners) ಜೊತೆಗೆ ಕೂಡ ಸಂಪರ್ಕಿಸಬಹುದು.
ನಮ್ಮೊಂದಿಗೆ ಜಗತ್ತಿನ ಸುತ್ತು ಪ್ರಯಾಣ ಮಾಡಿ, ಈ ಸಾಂಪ್ರದಾಯಿಕ ತಂತ್ರಗಳನ್ನು ಜಗತ್ತಿನ ಹಲವು ಭಾಗಗಳ ಡೇಟಾದ ಮೇಲೆ ಅನ್ವಯಿಸುವ ಸಮಯ. ಪ್ರತಿಯೊಂದು ಪಾಠದಲ್ಲಿ ಪೂರ್ವಪಾಠ ಮತ್ತು ಪರಪಾಠ ಟೆಸ್ಟ್ಗಳು, ಪಾಠವನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಬರೆದ ಸೂಚನೆಗಳು, ಪರಿಹಾರ,ೊಂದು ಕಾರ್ಯ ಮತ್ತು ಇನ್ನಷ್ಟು ಅಂಶಗಳಿವೆ. ನಮ್ಮ ಯೋಜನೆ ಆಧಾರಿತ ಪಠಣಶೈಲಿಯು ನಿಮ್ಮನ್ನು ಕಲಿಕೆಗೆ ಪ್ರೇರೇಪಿಸಿ, ಹೊಸ ಕೌಶಲ್ಯಗಳು ಅಳವಡಿಕೊಳ್ಳಲ್ಪಡುವ ಪರಿಣಾಮಕಾರಿ ವಿಧಾನವಾಗಿದೆ.
ನಾವು ಜಗತ್ತಿನ ವಿವಿಧ ಭಾಗಗಳ ಡೇಟಾವನ್ನು ಬಳಸಿ ಈ ಕ್ಲಾಸಿಕ್ ತಂತ್ರಗಳನ್ನು ಅನ್ವಯಿಸುವಾಗ ಜಗತ್ತನ್ನು ಸುತ್ತಿ ನೋಡಿ. ಪ್ರತಿ ಪಾಠವು ಪೂರ್ವ ಮತ್ತು ನಂತರದ ಪ್ರಶ್ನೋತ್ತರಗಳು, ಪಾಠವನ್ನು ಪೂರ್ಣಗೊಳಿಸುವ ಯುಕ್ತಿವTIM, ಪರಿಹಾರ, ಕಾರ್ಯನಿರ್ವಹಣೆ ಮತ್ತು ಇನ್ನಷ್ಟು ಒಳಗೊಂಡಿದೆ. ನಮ್ಮ ಯೋಜನೆ-ಆಧಾರಿತ ಪಠ್ಯಶಿಕ್ಷಣವು ನೀವು ಕಲಿಯುವಾಗ ನಿರ್ಮಿಸುವುದು ಸಾಧ್ಯವಾಗಿಸುತ್ತದೆ, ಇದು ಹೊಸ ಕೌಶಲ್ಯಗಳಿಗೆ ' ಒತ್ತಿಗೆ ಹಾಕುವ ' ಒಂದು ಸಾಬೀತಾದ ವಿಧಾನ.
**✍️ ನಮಗೆ ಬರಹಗಾರರಿಗೆ ಹೃತ್ಪೂರ್ವಕ ಧನ್ಯವಾದಗಳು**: ಜೆನ್ ಲೂಪರ್, ಸ್ಟೀಫನ್ ಹೌವೆಲ್, ಫ್ರಾನ್ಸೆಸ್ಕಾ ಲಾಜ್ಜೇರಿ, ಟೊಮೊಮಿ ಇಮುರಾ, ಕ್ಯাস್ಸಿ ಬ್ರೇವಿಯು, ಡಿಮಿಟ್ರಿ ಸೋಶ್ನಿಕೊವ್, ಕ್ರಿಸ್ ನೋರಿಂಗ್, ಅನಿರ್ಬಾನ್ ಮುಖರ್ಜೀ, ಒರ್ನೆಲ್ಲಾ ಅಲ್ಟುನ್ಯಾನ್, ರೂತ್ ಯಾಕುಬು ಮತ್ತು ಎಂಬಿ ಬಾಯ್ಡ್
**✍️ ನಮ್ಮ ಲೇಖಕರಿಗೆ ಹೃತ್ಪೂರ್ವಕ ಧನ್ಯವಾದಗಳು** ಜೆನ್ ಲೂಪರ್, ಸ್ಟೀಫನ್ ಹಾವೆಲ್, ಫ್ರಾನ್ಸೆಸ್ಕಾ ಲಾಜ್ಜೇರಿ, ಟೊಮೊಮಿ ಇಮುರಾ, ಕ್ಯಾಸ್ ಬ್ರೇವಿಯೂ, ದ್ಮಿತ್ರಿ ಸೋಷ್ನಿಕೋವ್, ಕ್ರಿಸ್ ನೊರಿಂಗ್, ಅನಿರ್ಬಾನ್ ಮುಖರ್ಜಿ, ಒರ್ನೆಲಾ ಅಲ್ಷನ್ಯಾನ್, ರೂತ್ ಯಕುಬು ಮತ್ತು ಎಮಿ ಬಾಯ್ಡ್
**🎨 ಚಿತ್ರಿಗರಿಗೆ ಧನ್ಯವಾದಗಳು**: ಟೊಮೊಮಿ ಇಮುರಾ, ದಸಾಣಿ ಮाडಿಪಳ್ಳಿ ಮತ್ತು ಜೆನ್ ಲೂಪರ್
**🎨 ನಮ್ಮ ಚಿತ್ರಕಾರರಿಗೆ ಕೂಡ ಧನ್ಯವಾದಗಳು** ಟೊಮೊಮಿ ಇಮುರಾ, ದಾಸನಿ ಮಾದಿಪಳ್ಳಿ, ಮತ್ತು ಜೆನ್ ಲೂಪರ್
**🙏 ವಿಶೇಷ ಧನ್ಯವಾದಗಳು 🙏 ಮೈಕ್ರೋಸಾಫ್ಟ್ ವಿದ್ಯಾರ್ಥಿ ರಾಯಭಾರಿ ಬರಹಗಾರರು, ವಿಮರ್ಶಕರು ಮತ್ತು ವಿಷಯದ ಕೊಡುಗೆದಾರರಿಗೆ**, ವಿಶೇಷವಾಗಿ ರಿಷಿತ್дагಲಿ, ಮುಹಮ್ಮದ್ ಸಕೀಬ್ ಖಾನ್ ಇನಾನ್, ರೋಹನ್ ರಾಜ್, ಅಲೆಕ್ಸಾಂಡು್ರು ಪೆಟ್ರೆಸ್ಕು, અભિષೇಕ್ ಜೈಸ್ವಾಲ್, ನವ್ರಿನ್ ತಬಸ್ಸುಮ್, ಯೋನ್ ಸಮೈಲಾ ಮತ್ತು ಸ್ನಿಗ್ಧಾಗ ಅಗರ್వಾಲ್
**🙏 ವಿಶೇಷ ಧನ್ಯವಾದಗಳು 🙏 ನಮ್ಮ ಮೈಕ್ರೋಸಾಫ್ಟ್ ವಿದ್ಯಾರ್ಥಿ ಆಂಬಾಸಿಡರ್ ಲೇಖಕರು, ಪರಿಶೀಲಕರು, ಮತ್ತು ವಿಷಯದ ಸಹಾಯಕರಿಗೆ**, ವಿಶೇಷವಾಗಿ ರಿಷಿತ್ ಡಾಗ್ಲಿ, ಮುಹಮ್ಮದ್ ಸಕಿಬ್ ಖಾನ್ ಇನಾನ್, ರೋಹನ್ ರಾಜ್, ಅಲೆಕ್ಷಾಂಡ್ರು ಪೆಟ್ರೆಸ್ಕು, ಅಭಿಶೇಕ್ ಜೈಸ್ವಾಲ್, ನವ್ರಿನ್ ತಬಸ್ಸುಮ್, ಇವಸ್ಥಿ ಸಮುಯಿಲಾ ಮತ್ತು ಸ್ನಿಗ್ಧಾಗರ್ ಅಗರ್ವಾಲ್
**🤩 Microsoft ವಿದ್ಯಾರ್ಥಿ ರಾಯಭಾರ್ ಎರಿಗೆ ವಾಂಜೌ, ಜಸ್ಲೀನ್ ಸೋಂಧಿ ಮತ್ತು ವಿದುವಿ ಗುಪ್ತರಿಗೆ ನಮ್ಮ R ಪಾಠಗಳಿಗಾಗಿ ಹೆಚ್ಚಿನ ಧನ್ಯವಾದಗಳು!**
**🤩 Microsoft ವಿದ್ಯಾರ್ಥಿ ಆಂಬಾಸಿಡರ್ಗಳು ಏರಿಕ್ ವಾಂಜೌ, ಜಸ್ಲೀನ್ ಸೋಂಧಿ ಮತ್ತು ವಿದ್ಯುಷಿ Гуп्ता ಅವರಿಗೆ ನಮ್ಮ R ಪಾಠಗಳಿಗಾಗಿ ಹೆಚ್ಚಿನ ಕೃತಜ್ಞತೆ!**
# ಪ್ರಾರಂಭಿಸುವುದು
ಈ ಹಂತಗಳನ್ನು ಅನುಸರಿಸಿ:
1. **ರಿಪೋಜಿಟರಿಯನ್ನು ಫೋರ್ಕ್ ಮಾಡಿ**: ಈ ಪುಟದ ಮೇಲ್ಭಾಗದಲ್ಲಿ "Fork" ಬಟನ್ ಮೇಲೆ ಕ್ಲಿಕ್ ಮಾಡಿ.
> [ಈ ಕೋರ್ಸ್ಗೆ ಎಲ್ಲಾ ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಮ್ಮ ಮೈಕ್ರೋಸಾಫ್ಟ್ ಲರ್ನ್ ಸಂಗ್ರಹದಲ್ಲಿ ಕಂಡುಹಿಡಿಯಿರಿ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [ಈ ಪಠ್ಯಕ್ರಮದ ಎಲ್ಲಾ ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಮ್ಮ ಮೈಕ್ರೋಸಾಫ್ಟ್ ಲರ್ನ್ ಸಂಗ್ರಹದಲ್ಲಿ ಹುಡುಕಿ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **ಸಹಾಯ ಬೇಕೆ?**Our [ತೊಂದರೆ ಪರಿಹಾರ ಮಾರ್ಗದರ್ಶನ](TROUBLESHOOTING.md) ಅನ್ನು ಸ್ಥಾಪನೆ, ಸೆಟಪ್ ಮತ್ತು ಪಾಠಗಳ ರನ್ನಿಂಗ್ ಸಮಸ্ಯೆಗಳ ಪರಿಹಾರಕ್ಕಾಗಿ ಪರಿಶೀಲಿಸಿ.
> 🔧 **ಸಹಾಯ ಬೇಕಾದರೆ?** ಸ್ಥಾಪನೆ, ಸೆಟ್ಅಪ್ ಹಾಗೂ ಪಾಠಗಳನ್ನು ರನ್ ಮಾಡುವ ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಗಳ ಪರಿಹಾರಕ್ಕಾಗಿ ನಮ್ಮ [ಸಮಸ್ಯೆ ಪರಿಹಾರ ಮಾರ್ಗದರ್ಶಿ](TROUBLESHOOTING.md) ನೋಡಿ.
**[ವಿದ್ಯಾರ್ಥಿಗಳು](https://aka.ms/student-page)**, ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ಬಳಸಲು, ಸಂಪೂರ್ಣ ರೆಪ್ ಅನ್ನು ನಿಮ್ಮ ಸ್ವಂತ GitHub ಖಾತೆಗೆ Fork ಮಾಡಿ ಮತ್ತು ವ್ಯಾಯಾಮಗಳನ್ನು ನಿಮ್ಮದೇ ಅಥವಾ ಗುಂಪಿನೊಂದಿಗೆ ಪೂರ್ಣಗೊಳಿಸಿ:
**[ವಿದ್ಯಾರ್ಥಿಗಳು](https://aka.ms/student-page)**, ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ಬಳಸಲು, ನಿಮ್ಮ ಸ್ವಂತ GitHub ಖಾತೆಗೆ ಸಂಪೂರ್ಣ ರಿಪೊವನ್ನು ಫೋರ್ಕ್ ಮಾಡಿ ಮತ್ತು ಕ್ರಿಯಾಕಲಾಪಗಳನ್ನು ಸ್ವತಃ ಅಥವಾ ಗುಂಪಿನಲ್ಲಿ ಪೂರ್ಣಗೊಳಿಸಿ:
- ಪೂರ್ವ ಉಪನ್ಯಾಸ ಪ್ರಶ್ನೋತ್ತರದಿಂದ ಪ್ರಾರಂಭಿಸಿ.
- ಉಪನ್ಯಾಸ ಓದಿ ಮತ್ತು ಚಟುವಟಿಕೆಗಳನ್ನು ನಿರ್ವಹಿಸಿ, ಪ್ರತಿಯೊಬ್ಬ ಜ್ಞಾನ ಪರಿಶೀಲನೆಗೆ ವಿರಾಮ ಕೊಡಿ ಮತ್ತು ಪರಿಗಣಿಸಿ.
- ಯೋಜನೆಗಳನ್ನು ರಚಿಸಲು ಪಾಠಗಳನ್ನು ತಲಪಿಸಿ, ಪರಿಹಾರ ಕೋಡ್ ಅನ್ನು ನೇರವಾಗಿ ರನ್ ಮಾಡುವದಕ್ಕೆ ಬದಲು ಪಾಠಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ; ಆದರೆ ಆ ಕೋಡ್ ಪ್ರತಿ ಯೋಜನೆಗೆ ಸಂಬಂಧಿಸಿದ `/solution` ಫೋಲ್ಡರ್ಗಳಲ್ಲಿ ಲಭ್ಯವಿದೆ.
- ಉಪನ್ಯಾಸದ ನಂತರದ ಪ್ರಶ್ನೋತ್ತರವನ್ನು ತೆಗೆದುಕೊಳ್ಳಿ.
- ಸವಾಲನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ.
- ಕಾರ್ಯನಿರ್ವಹಣೆಯನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ.
- ಪಾಠ ಗುಂಪನ್ನು ಪೂರ್ಣಗೊಳಿಸಿದ ನಂತರ, [ಚರ್ಚಾ ಫಲಕ](https://github.com/microsoft/ML-For-Beginners/discussions) ಗೆ ಭೇಟಿ ನೀಡಿ ಮತ್ತು ಸರಿಯಾದ PAT ರೂಪವನ್ನು ತುಂಬಿ "ಬಳಿಕಲಿಕೆಯಿಂದ" ಕಲಿಯೋಿರಿ. 'PAT' ಎಂದರೆ ಪ್ರಗತಿ ಮೌಲ್ಯಮಾಪನ ಉಪಕರಣ, ಇದನ್ನು ನೀವು ನಿಮ್ಮ ಪಠ್ಯಂಶವನ್ನು ಮುಂದುವರೆಸಲು ತುಂಬುತ್ತೀರಿ. ನೀವು ಇತರ PAT ಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆ ನೀಡಬಹುದು ಮತ್ತು ನಮ್ಮೆ ಜೊತೆ ಕಲಿಯಬಹುದು.
- ಪ್ರಾರಂಭದಲ್ಲಿ ಪೂರ್ವ-ಪಾಠ ಪ್ರಶ್ನೋತ್ತರ ಆಯ್ಕೆಮಾಡಿ.
- ಪಾಠವನ್ನು ಓದಿ, ಪ್ರತಿ ಜ್ಞಾನ-ಪರಿಶೀಲನೆಯಲ್ಲಿ ವಿರಾಮ ತೆಗೆದು ಆಲೋಚಿಸಿ.
- ಪಾಠಗಳನ್ನು ಅರಿತು ಯೋಜನೆಗಳನ್ನು ಸೃಷ್ಟಿಸುವ ಪ್ರಯತ್ನ ಮಾಡಿ; ಬದಲಾಗಿ ಪರಿಹಾರ ಕೋಡ್ `/solution` ಫೋಲ್ಡರ್ಗಳಲ್ಲಿ ಲಭ್ಯವಿದೆ.
- ಪಾಠದ ನಂತರದ ಪ್ರಶ್ನೋತ್ತರ ಆಯ್ಕೆಮಾಡಿ.
- ಸವಾಲು ಪೂರ್ಣಗೊಳಿಸಿ.
- ಕಾರ್ಯವನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ.
- ಪಾಠಗಳ ಗುರೂಪನ್ನು ಪೂರ್ಣಗೊಳಿಸಿದ ನಂತರ, [ಚರ್ಚಾ ಫಲಕ](https://github.com/microsoft/ML-For-Beginners/discussions) ಗೆ ಭೇಟಿ ನೀಡಿ ಮತ್ತು ಸೂಕ್ತ PAT ರೂಬ್ರಿಕ್ ಭರ್ತಿ ಮಾಡಿ 'ಮೆಚ್ಚುಗೆಯೊಂದಿಗೆ ಕಲಿದುಕೊಳ್ಳಿ.' ‘PAT’ ಎಂದರೆ ಪ್ರಗತಿ ಮೌಲ್ಯಮಾಪನ ಸಾಧನ. ನೀವು ಇನ್ನಿತರ PAT ಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯಿಸಲು ಸಹ ಸಾದ್ಯ.
> ಹೆಚ್ಚಿನ ಅಧ್ಯಯನಕ್ಕಾಗಿ, ಈ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) ಮಾಡ್ಯೂಲ್ಗಳು ಮತ್ತು ಕಲಿಕೆ ಮಾರ್ಗಗಳನ್ನು ಅನುಸರಿಸುವುದು ಸಲಹೆ.
> ಮುಂದಿನ ಅಧ್ಯಯನಕ್ಕಾಗಿ, ಈ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) ಮೋಡ್ಯೂಲುಗಳು ಮತ್ತು ಕಲಿಕೆ ಮಾರ್ಗಗಳನ್ನು ಅನುಸರಿಸುವುದು ಶಿಫಾರಸುಮಾಡಲ್ಪಟ್ಟಿದೆ.
**ಶಿಕ್ಷಕರಿಗೆ**, ನಾವು ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ಹೇಗೆ ಬಳಸುವುದು ಎಂಬ ಕೆಲವು ಶಿಫಾರಸುಗಳನ್ನು [ಸೇರಿಸಿದ್ದೇವೆ](for-teachers.md).
**ಶಿಕ್ಷಕರು**, ನಾವು ಈ [ಪಠ್ಯಕ್ರಮವನ್ನು ಹೇಗೆ ಬಳಸಬಹುದು ಎಂಬ ಸಲಹೆಗಳನ್ನು ಸೇರಿಸಿದ್ದೇವೆ](for-teachers.md).
---
## ವಿಡಿಯೋ ನಡೆಯಿ
## ವಿಡಿಯೋ ನಿರ್ವಹಣೆಗಳು
ಕೆಲವು ಪಾಠಗಳು ಚಿಕ್ಕ ವೀಡಿಯೊ ರೂಪದಲ್ಲಿ ಲಭ್ಯವಿವೆ. ನೀವು ಈ ಎಲ್ಲವನ್ನೂ ಪಾಠಗಳಲ್ಲಿ ಆನ್ಲೈನ್ ನೋಡಬಹುದು ಅಥವಾ [Microsoft Developer YouTube ಚಾನೆಲ್ನ ML for Beginners ಪ್ಲೇಲಿಸ್ಟ್](https://aka.ms/ml-beginners-videos) ನಲ್ಲಿ ಈ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ.
ಕೆಲವು ಪಾಠಗಳು ಚಿಕ್ಕ ವೀಡಿಯೋ ರೂಪದಲ್ಲಿವೆ. ನೀವು ಇವನ್ನು ಪಾಠಗಳಲ್ಲಿ ಸಾದಾರಣವಾಗಿ ಅಥವಾ [ಮೈಕ್ರೋಸಾಫ್ಟ್ ಡೆವಲಪರ್ YouTube ಚಾನಲ್ ನಲ್ಲಿ 'ML for Beginners' ಪ್ಲೇಲಿಸ್ಟ್ನಲ್ಲಿ](https://aka.ms/ml-beginners-videos) ಕೆಳಗಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ಕಾಣಬಹುದು.
[](https://aka.ms/ml-beginners-videos)
> 🎥 ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ಯೋಜನೆ ಮತ್ತು ಅದನ್ನು ರಚಿಸಿದವರ ಬಗ್ಗೆ ವೀಡಿಯೊ ನೋಡಿ!
> 🎥 ಈ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ಈ ಯೋಜನೆಯ ಮತ್ತು ಅದನ್ನು ರಚಿಸಿದವರ ಕುರಿತಾಗಿ ವೀಡಿಯೋ ನೋಡಿ!
---
## ಪಠಣಶೈಲಿ
## ಪಾಠಶಾಸ್ತ್ರ
ನಾವು ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ತಯಾರಿಸುವಾಗ ಎರಡು ಪಠಣಶೈಲಿ ತತ್ವಗಳನ್ನು ಆಯ್ಕೆಮಾಡಿದ್ದೇವೆ: ಕಾರ್ಯಾಧಾರಿತ ಕಾರ್ಯಕ್ರಮ (**project-based**) ಮತ್ತು ನಿಯಮಿತ ಪ್ರಶ್ನೋತ್ತರಗಳ ಒಳಗೊಂಡಿರುವುದು. கூடಲೇ, ಈ ಪಠ್ಯಕ್ರಮಕ್ಕೆ ಒಂದೇ ಇಕೈ ಹೊಂದಿರುವ **ಥೀಮ್** ಇದೆ.
ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ರಚಿಸುವಾಗ ನಾವು ಎರಡು ಪಾಠಶಾಸ್ತ್ರೀಯ ಸಿದ್ದಾಂತಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಿದ್ದೇವೆ: ಪ್ರಾಯೋಗಿಕ **ಯೋಜನೆ-ಆಧಾರಿತ**ವಾಗಿರಬೇಕು ಮತ್ತು **ಸಮಾನಾಂತರ ಪ್ರಶ್ನೋತ್ತರಗಳೆಡೆ ಇದ್ದಾರೆ**. ಜೊತೆಗೆ, ಈ ಪಠ್ಯಕ್ರಮದಲ್ಲೊಂದು ಸಾಮಾನ್ಯ **ಥೀಮ್** ಇದೆಯೆಂದು ತಾಳಮೇಳ ಕಲ್ಪಿಸಲಾಗಿದೆ.
ವಿಷಯವು ಯೋಜನೆಗಳಿಗೆ ಹೊಂದಾಣಿಕೆ ಆಗುವ ಮೂಲಕ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಹೆಚ್ಚು ಆಕರ್ಷಕವಾಗುತ್ತದೆ ಮತ್ತು ತತ್ವಾರ್ಹತೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ತರಗತಿಯ ಮುಂಚೆಯೂ ವ್ಯಾಪಿತ ಪ್ರಶ್ನೋತ್ತರವು ವಿದ್ಯಾರ್ಥಿಯನ್ನು ಕಲಿಕೆ ನಿಟ್ಟಿನಲ್ಲಿ ಸಿದ್ಧಪಡಿಸುತ್ತದೆ, ಮತ್ತು ತರಗತಿಯ ನಂತರದ ಪ್ರಶ್ನೋತ್ತರವು ಸ್ಮರಣವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಈ ಪಠ್ಯಕ್ರಮವು ಆರಾಮದಾಯಕ, ನಿರ್ವಿಕಲ್ಪವಾಗಿ ಸಾರ್ವಜನಿಕವಾಗಿ ಅಥವಾ ಹಂತವಾಗಿ ಇಳಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ಯೋಜನೆಗಳು ಸಣ್ಣದಾಗಿ ಪ್ರಾರಂಭಿಸಿ 12 ವಾರಗಳ ಕೊನೆಯಲ್ಲಿ ಜಟಿಲವಾಗುತ್ತವೆ. ಈ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ಯಾಂತ್ರಿಕ ಅಧ್ಯಯನದ ನೈಜ ಜಗತ್ತಿನ ಅನ್ವಯಿಕೆಗಳ ಮೇಲಿನ ಒಂದು ನಂತರದ ಟಿಪ್ಪಣಿಯೂ ಇದೆ, ಇದನ್ನು ಹೆಚ್ಚುವರಿ ಕ್ರೆಡಿಟ್ ಅಥವಾ ಚರ್ಚೆಗೆ ನೆಲೆಮಿಡಿಸಲು ಬಳಸಬಹುದು.
ವಿಷಯವಸ್ತು ಯೋಜನೆಗಳೊಂದಿಗೆ ಹೊಂದಿಕೊಳ್ಳುವುದನ್ನು ಖಚಿತಪಡಿಸುವ ಮೂಲಕ, ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಆಸಕ್ತಿ ಮೂಡುವಂತೆ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಕಲಿಕೆಯ ಕೆಲವೆತ್ತಿಗೆದ ಹತ್ತಿರ ಬರುತ್ತದೆ. ತರಗತಿಯ ಮುಂಚೆಯಾಗಿ ಕಡಿಮೆ-ಐತಿಹಾಸಿಕ ಪ್ರಶ್ನೋತ್ತರವು ವಿದ್ಯಾರ್ಥಿಯ ಕಲಿಕೆಯ ಆದ್ಯತೆಯನ್ನು ನಿರ್ಧರಿಸುವಂತಾಗಿದೆ, ಮತ್ತು ತರಗತಿದ್ ನಂತರದ ಎರಡನೇ ಪ್ರಶ್ನೋತ್ತರವು ಅಧ್ಯಯನವನ್ನು ತೀವ್ರಗೊಳಿಸುತ್ತದೆ. ಈ ಪಠ್ಯಕ್ರಮವು ನಿಗಮೃತಮ್ ಮತ್ತು ಸುಂದರವಿದ್ದಂತೆ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ ಮತ್ತು ಸಂಪೂರ್ಣ ಅಥವಾ ಭಾಗಾಂತರವಾಗಿ ತೆಗೆದುಕೊಳ್ಳಬಹುದು. ಯೋಜನೆಗಳು ಸಣ್ಣದಾಗಿಡುತ್ತವೆ ಮತ್ತು 12 ವಾರಗಳ ಸೈಕಲ್ ಮುಟ್ಟುವವರೆಗೆ ಏರಿಕೆಯಾಗುತ್ತವೆ. ಈ ಪಠ್ಯಕ್ರಮವು ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ನ ನೈಜ ಜಗತ್ತಿನ ಅನ್ವಯಗಳ ಕುರಿತು ನಂತರದ ಚರ್ಚೆಗೆ ಅಥವಾ ಹೆಚ್ಚುವರಿ ಕ್ರೆಡಿಟ್ ಕಲಿಸಲು ಉಪಯುಕ್ತವಾದ ಪ್ರಕಟಣೆಯನ್ನು ಸಹ ಒಳಗೊಂಡಿದೆ.
> ನಮ್ಮ [ನಡವಳಿಕೆ ನಿಯಮಾವಳಿ](CODE_OF_CONDUCT.md), [ನಿಯೋಗ](CONTRIBUTING.md), [ಭಾಷಾಂತರ](TRANSLATIONS.md), ಮತ್ತು [ತೊಂದರೆ ಪರಿಹಾರ](TROUBLESHOOTING.md) ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ನೋಡಿ. ನಿಮ್ಮ ರಚನೆಾತ್ಮಕ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ನಾವು ಸ್ವಾಗತಿಸುತ್ತೇವೆ!
> ನಮ್ಮ [ನಡತ ನಿಯಮಕ](CODE_OF_CONDUCT.md), [ ಸಹಕಾರಿಕೆ](CONTRIBUTING.md), [ಅನುವಾದಗಳು](..), ಮತ್ತು [ಸಮಸ್ಯೆ ಪರಿಹಾರ](TROUBLESHOOTING.md) ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ನೋಡಿ. ನಿಮ್ಮ ನಿರ್ಮಾಣಾತ್ಮಕ ಅಭಿಪ್ರಾಯಕ್ಕೆ ನಾವು ಸಿದ್ಧರಾಗಿದ್ದೇವೆ!
## ಪ್ರತಿ ಪಾಠದಲ್ಲಿ ಒಳಗೊಂಡಿದೆ
## ಪ್ರತಿ ಪಾಠವು ಒಳಗೊಂಡಿದೆ
- ಐಚ್ಛಿಕ ಸ್ಕೆಚ್ನೋಟ್
- ಐಚ್ಛಿಕ ಪೂರಕ ವೀಡಿಯೊ
- ವಿಡಿಯೋ ನಡೆಯು (ಕೆಲವು ಪಾಠಗಳಿಗೆ ಮಾತ್ರ)
- [ಪೂರ್ವ ಪಾಠ ತಯಾರಿಕಾ ಪ್ರಶ್ನೋತ್ತರ](https://ff-quizzes.netlify.app/en/ml/)
- ಬರೆದ ಪಾಠ
- ಯೋಜನೆ ಆಧಾರಿತ ಪಾಠಗಳಿಗೆ, ಯೋಜನೆಯನ್ನು ನಿರ್ಮಿಸುವ ಹಂತ ಹಂತದ ಮಾರ್ಗದರ್ಶಿ
> **ಭಾಷೆಗಳ ಬಗ್ಗೆ ಒಂದು ಟಿಪ್ಪಣಿ**: ಈ ಪಾಠಗಳು ಪ್ರಾಮುಖ್ಯವಾಗಿ ಪೈಥಾನ್ನಲ್ಲಿ ಬರೆಯಲ್ಪಟ್ಟಿವೆ, ಆದರೆ ಹಲವಾರು R ದಲ್ಲೂ ಲಭ್ಯವಿವೆ. R ಪಾಠವನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು, `/solution` ಫೋಲ್ಡರ್ಗೆ ಹೋಗಿ R ಪಾಠಗಳನ್ನು ಹುಡುಕಿ. ಇವುಗಳಲ್ಲಿಗೆ ಒಂದು .rmd ವಿಸ್ತರಣೆಒದಗಿಸಲಾಗಿದೆ, ಇದು **R ಮಾರ್ಕ್ಡೌನ್** ಫೈಲ್ ಅನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ, ಇದು `code chunks` (R ಅಥವಾ ಇತರ ಭಾಷೆಗಳ) ಮತ್ತು ಒಂದು `YAML header` (PDF ಮುಂತಾದ output ಗಳನ್ನು ಹೇಗೆ ಫಾರ್ಮಾಟ್ ಮಾಡುವುದು ಎಂಬುದನ್ನು ಸೂಚಿಸುವ) ಅನ್ನು `Markdown ಡಾಕ್ಯುಮೆಂಟ್`ರಲ್ಲಿ ಎम्बೆಡ್ ಮಾಡುವುದಾಗಿ ಸರಳವಾಗಿ ವಿವರಿಸಬಹುದು. ಹೀಗಾಗಿ, ಇದು ಡೇಟಾ ಸೈನ್ಸ್ ಕ್ಕೆ ಒಂದು ಉದಾಹರಣಾದ ಲೇಖನ ಚಟುವಟಿಕೆ ವ್ಯವಸ್ಥೆ ಆಗಿದ್ದು, ನೀವು ನಿಮ್ಮ ಕೋಡ್, ಅದರಿಂದ ಬರುವ output ಮತ್ತು ನಿಮ್ಮ ಆಲೋಚನೆಗಳನ್ನು ಮಾರ್ಕ್ಡೌನ್ನಲ್ಲಿ ಬರೆದು ಒಟ್ಟುಗೂಡಿಸಲು ಅನುಮತಿಸುತ್ತದೆ. ಮತ್ತೊಮ್ಮೆ, R ಮಾರ್ಕ್ಡೌನ್ ಡಾಕ್ಯುಮೆಂಟ್ಗಳನ್ನು PDF, HTML, ಅಥವಾ ವರ್ಡ್ ಮುಂತಾದ_OUTPUT_ ಸ್ವರೂಪಗಳಿಗೆ ರೆಂಡರ್ ಮಾಡಬಹುದು.
> **ಪ್ರಶ್ನೋತ್ತರಗಳ ಬಗ್ಗೆ ಒಂದು ಟಿಪ್ಪಣಿ**: ಎಲ್ಲಾ ಪ್ರಶ್ನೋತ್ತರಗಳು [Quiz App ಫೋಲ್ಡರ್](../../quiz-app) ನಲ್ಲಿ ಸೇರಿವೆ, ಒಟ್ಟು 52 ಪ್ರಶ್ನೋತ್ತರಗಳು, ಪ್ರತಿ ಮೂರು ಪ್ರಶ್ನೆಗಳನ್ನು ಒಳಗೊಂಡಿವೆ. ಅವು ಪಾಠಗಳಲ್ಲಿ ಲಿಂಕ್ ಆಗಿದ್ದು, Quiz App ಅನ್ನು ಸ್ಥಳೀಯವಾಗಿ ರನ್ ಮಾಡಬಹುದು; ಸ್ಥಳೀಯವಾಗಿ ಹೋಸ್ಟ್ ಮಾಡಲು ಅಥವಾ Azure ಗೆ ಡಿಪ್ಲಾಯ್ ಮಾಡಲು `quiz-app` ಫೋಲ್ಡರ್ನಲ್ಲಿನ ಸೂಚನೆಗಳನ್ನು ಅನುಸರಿಸಿ.
| ಪಾಠ ಸಂಖ್ಯೆ | ವಿಷಯ | ಪಾಠ ಗುಂಪು | ಕಲಿಕೆ ಗುರಿಗಳು | ಲಿಂಕ್ ಪಾಠ | ಲೇಖಕ |
| 01 | ಯಂತ್ರ ಕಲಿಕೆಗೆ ಪರಿಚಯ | [ಪರಿಚಯ](1-Introduction/README.md) | ಯಂತ್ರ ಕಲಿಕೆಯ ಮೂಲಭೂತ ಸಂಸ್ಥಾನಗಳನ್ನು ಕಲಿಯಿರಿ | [ಪಾಠ](1-Introduction/1-intro-to-ML/README.md) | ಮೂಹಮ್ಮದ್ |
| 02 | ಯಂತ್ರ ಕಲಿಕೆಯ ಇತಿಹಾಸ | [ಪರಿಚಯ](1-Introduction/README.md) | ಈ ಕ್ಷೇತ್ರದ ಇತಿಹಾಸವನ್ನು ತಿಳಿದುಕೊಳ್ಳಿ | [ಪಾಠ](1-Introduction/2-history-of-ML/README.md) | ಜೆನ್ ಮತ್ತು ಎಮಿ |
| 03 | ನ್ಯಾಯ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆ | [ಪರಿಚಯ](1-Introduction/README.md) | ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸುವಾಗ ವಾದಸರಣೀಯ ನ್ಯಾಯದ ಪ್ರಮುಖ ತತ್ತ್ವಾಂಶಗಳೇನು ಎಂದು ವಿದ್ಯಾರ್ಥಿಗಳು ಪರಿಗಣಿಸುವುದೇನು? | [ಪಾಠ](1-Introduction/3-fairness/README.md) | ಟೊಮೊಮಿ |
| 04 | ಯಂತ್ರ ಕಲಿಕೆಯ ತಂತ್ರಗಳು | [ಪರಿಚಯ](1-Introduction/README.md) | ಯಂತ್ರ ಕಲಿಕೆ ಸಂಶೋಧಕರು ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲು ಯಾವ ತಂತ್ರಗಳನ್ನು ಬಳಕೆ ಮಾಡುತ್ತಾರೆ? | [ಪಾಠ](1-Introduction/4-techniques-of-ML/README.md) | ಕ್ರಿಸ್ ಮತ್ತು ಜೆನ್ |
| 05 | ರಿಗ್ರೆಶನ್ಗೆ ಪರಿಚಯ | [ರಿಗ್ರೆಶನ್](2-Regression/README.md) | ರಿಗ್ರೆಶನ್ ಮಾದರಿಗಳಿಗಾಗಿ ಪೈಥಾನ್ ಮತ್ತು ಸೈಕಿಟ್-ಲರ್ನ್ ಮೂಲಕ ಪ್ರಾರಂಭಿಸಿ | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | ಜೆನ್ • ಎರಿಕ್ ವಾಂಜ್ಜಿ |
| 06 | ನಾರ್ತ್ ಅಮೆರಿಕದ ಹುಳಿಗೆ ದರಗಳು 🎃 | [ರಿಗ್ರೆಶನ್](2-Regression/README.md) | ಯಂತ್ರ ಕಲಿಕೆಯ ತಯಾರಿಗಾಗಿ ಡೇಟಾವನ್ನು ದೃಶ್ಯೀಕರಣ ಮತ್ತು ಸ್ವಚ್ಛತೆ ಮಾಡಿರಿ | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | ಜೆನ್ • ಎರಿಕ್ ವಾಂಜ್ಜಿ |
| 07 | ನಾರ್ತ್ ಅಮೆರಿಕದ ಹುಳಿಗೆ ದರಗಳು 🎃 | [ರಿಗ್ರೆಶನ್](2-Regression/README.md) | ರೇಖೀಯ ಮತ್ತು ಬಹುಪದ ರಿಗ್ರೆಶನ್ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಿ | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | ಜೆನ್ ಮತ್ತು ಡ್ಮಿಟ್ರಿ • ಎರಿಕ್ ವಾಂಜ್ಜೌ |
| 08 | ನಾರ್ತ್ ಅಮೆರಿಕದ ಹುಳಿಗೆ ದರಗಳು 🎃 | [ರಿಗ್ರೆಶನ್](2-Regression/README.md) | ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಶನ್ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಿ | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | ಜೆನ್ • ಎರಿಕ್ ವಾಂಜ್ಜೌ |
| 09 | ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ 🔌 | [ವೆಬ್ ಅಪ್](3-Web-App/README.md) | ನಿಮ್ಮ ತರಬೇತುಗೊಳ್ಳಿಸಿದ ಮಾದರಿಯನ್ನು ಬಳಸಲು ಒಂದು ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ನಿರ್ಮಿಸಿ | [Python](3-Web-App/1-Web-App/README.md) | ಜೆನ್ |
| 10 | ವರ್ಗೀಕರಣಕ್ಕೆ ಪರಿಚಯ | [ವರ್ಗೀಕರಣ](4-Classification/README.md) | ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛ, ತಯಾರಿಸಿ, ಮತ್ತು ದೃಶ್ಯೀಕರಿಸಿ; ವರ್ಗೀಕರಣಕ್ಕೆ ಪರಿಚಯ | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | ಜೆನ್ ಮತ್ತು ಕ್ಯಾಸಿ • ಎರಿಕ್ ವಾಂಜ್ಜೌ |
| 11 | ಆಸೀಯ ಮತ್ತು ಭಾರತೀಯ ರುಚಿಗಳು 🍜 | [ವರ್ಗೀಕರಣ](4-Classification/README.md) | ವರ್ಗೀಕರಣಕಾರರ ಪರಿಚಯ | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | ಜೆನ್ ಮತ್ತು ಕ್ಯಾಸಿ • ಎರಿಕ್ ವಾಂಜ್ಜೌ |
| 12 | ಆಸೀಯ ಮತ್ತು ಭಾರತೀಯ ರುಚಿಗಳು 🍜 | [ವರ್ಗೀಕರಣ](4-Classification/README.md) | ಹೆಚ್ಚಿನ ವರ್ಗೀಕರಣಕಾರರು | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | ಜೆನ್ ಮತ್ತು ಕ್ಯಾಸಿ • ಎರಿಕ್ ವಾಂಜ್ಜೌ |
| 13 | ಆಸೀಯ ಮತ್ತು ಭಾರತೀಯ ರುಚಿಗಳು 🍜 | [ವರ್ಗೀಕರಣ](4-Classification/README.md) | ನಿಮ್ಮ ಮಾದರಿಯನ್ನು ಉಪಯೋಗಿಸಿ ಶಿಫಾರಸು ಮಾಡುವ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ನಿರ್ಮಿಸಿ | [Python](4-Classification/4-Applied/README.md) | ಜೆನ್ |
| 14 | ಕ್ಲಸ್ಟರಿಂಗ್ಗೆ ಪರಿಚಯ | [ಕ್ಲಸ್ಟರಿಂಗ್](5-Clustering/README.md) | ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛ, ತಯಾರಿಸಿ, ಮತ್ತು ದೃಶ್ಯೀಕರಿಸಿ; ಕ್ಲಸ್ಟರಿಂಗ್ಗೆ ಪರಿಚಯ | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | ಜೆನ್ • ಎರಿಕ್ ವಾಂಜ್ಜೌ |
| 15 | ನೈಜೀರಿಯನ್ ಸಂಗೀತ ರುಚಿಗಳ ಅನ್ವೇಷಣೆ 🎧 | [ಕ್ಲಸ್ಟರಿಂಗ್](5-Clustering/README.md) | ಕೆ-ಮೀನ್ಸ್ ಕ್ಲಸ್ಟರಿಂಗ್ ವಿಧಾನವನ್ನು ಅನ್ವೇಷಿಸಿ | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | ಜೆನ್ • ಎರಿಕ್ ವಾಂಜ್ಜೌ |
| 16 | ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಂಸ್ಕರಣೆಗೆ ಪರಿಚಯ ☕️ | [ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಂಸ್ಕರಣೆ](6-NLP/README.md) | ಸರಳ ಬಾಟ್ ಅನ್ನು ನಿರ್ಮಿಸುವ ಮೂಲಕ NLP ಮೂಲಗಳನ್ನು ಕಲಿಯಿರಿ | [Python](6-NLP/1-Introduction-to-NLP/README.md) | ಸ್ಟೀಫನ್ |
| 17 | ಸಾಮಾನ್ಯ NLP ಕೆಲಸಗಳು ☕️ | [ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಂಸ್ಕರಣೆ](6-NLP/README.md) | ಭಾಷಾ ರಚನೆಗಳನ್ನು ನಿರ್ವಹಿಸುವಾಗ ಬೇಕಾದ ಸಾಮಾನ್ಯ ಕಾರ್ಯಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದರಿಂದ ನಿಮ್ಮ NLP ಜ್ಞಾನವನ್ನು ಆಳಗೊಳಿಸಿ | [Python](6-NLP/2-Tasks/README.md) | ಸ್ಟೀಫನ್ |
| 18 | ಅನುವಾದ ಮತ್ತು ಭಾವ ವಿಶ್ಲೇಷಣೆ ♥️ | [ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಂಸ್ಕರಣೆ](6-NLP/README.md) | ಜೆನ್ ಆಷ್ಟಿನ್ ಮೂಲಕ ಅನುವಾದ ಮತ್ತು ಭಾವ ವಿಶ್ಲೇಷಣೆ | [Python](6-NLP/3-Translation-Sentiment/README.md) | ಸ್ಟೀಫನ್ |
| 19 | ಯುರೋಪಿಯನ್ ಪ್ರೇಮ ಆಸ್ಪತ್ರೆಗಳು ♥️ | [ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಂಸ್ಕರಣೆ](6-NLP/README.md) | ಹೋಟೆಲ್ ವಿಮರ್ಶೆಗಳಿಂದ ಭಾವ ವಿಶ್ಲೇಷಣೆ 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | ಸ್ಟೀಫನ್ |
| 20 | ಯುರೋಪಿಯನ್ ಪ್ರೇಮ ಆಸ್ಪತ್ರೆಗಳು ♥️ | [ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಂಸ್ಕರಣೆ](6-NLP/README.md) | ಹೋಟೆಲ್ ವಿಮರ್ಶೆಗಳಿಂದ ಭಾವ ವಿಶ್ಲೇಷಣೆ 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | ಸ್ಟೀಫನ್ |
| 21 | ಕಾಲ ಸರಣಿಗಳ ಭವಿಷ್ಯಕ್ತಿಸುವಿಕೆಗೆ ಪರಿಚಯ | [ಕಾಲ ಸರಣಿ](7-TimeSeries/README.md) | ಕಾಲ ಸರಣಿಗಳ ಭವಿಷ್ಯಕ್ಟಿಸುವಿಕೆಗೆ ಪರಿಚಯ | [Python](7-TimeSeries/1-Introduction/README.md) | ഫ്രಾನ್ಸೆಸ್ಕ |
| 22 | ⚡️ ವಿಶ್ವ ವಿದ್ಯुत ಬಳಕೆ ⚡️ - ARIMA ಸಹಿತ ಕಾಲ ಸರಣಿ forecasting | [ಕಾಲ ಸರಣಿ](7-TimeSeries/README.md) | ARIMA ನೊಂದಿಗೆ ಕಾಲ ಸರಣಿ forecasting | [Python](7-TimeSeries/2-ARIMA/README.md) | ഫ്രಾನ್ಸೆಸ್ಕ |
| 23 | ⚡️ ವಿಶ್ವ ವಿದ್ಯುತ್ ಬಳಕೆ ⚡️ - SVR ಸಹಿತ ಕಾಲ ಸರಣಿ forecasting | [ಕಾಲ ಸರಣಿ](7-TimeSeries/README.md) | ಸಪೋರ್ಟ್ ವೆಕ್ಟರ್ ರಿಗ್ರೆಶನ್ (SVR) ಸಹಿತ ಕಾಲ ಸರಣಿ forecasting | [Python](7-TimeSeries/3-SVR/README.md) | ಅನಿರ್ಬಾನ್ |
| 24 | ಪುನರಾವೃತ್ತ ಕಲಿಕೆಯ ಪರಿಚಯ | [ಪುನರಾವೃತ್ತ ಕಲಿಕೆ](8-Reinforcement/README.md) | Q-ಲರ್ನಿಂಗ್ ಬಳಸಿ ಪುನರಾವೃತ್ತ ಕಲಿಕೆಯ ಪರಿಚಯ | [Python](8-Reinforcement/1-QLearning/README.md) | ಡ್ಮಿಟ್ರಿ |
| 25 | ಪೀಟರ್ ಪ್ರಾಣಿಗಳಿಂದ ತಪ್ಪಿಸಿರಿ! 🐺 | [ಪುನರಾವೃತ್ತ ಕಲಿಕೆ](8-Reinforcement/README.md) | ಪುನರಾವೃತ್ತ ಕಲಿಕೆಯ ಜಿಮ್ | [Python](8-Reinforcement/2-Gym/README.md) | ಡ್ಮಿಟ್ರಿ |
| ಅನುಬಂಧ | ನಿಜಜೀವ ML ಘಟನಾಕ್ರಮಗಳು ಮತ್ತು ಅನ್ವಯಿಕೆಗಳು | [ಜೀವರಹಿತದ ML](9-Real-World/README.md) | ಕ್ಲಾಸಿಕಲ್ ML ನ ಆಸಕ್ತಿದಾಯಕ ಮತ್ತು ಪ್ರಕಟಣೆಮಾಡುವ ನಿಜಜೀವ ಅನ್ವಯಿಕೆಗಳು | [ಪಾಠ](9-Real-World/1-Applications/README.md) | ತಂಡ |
| ಅನುಬಂಧ | RAI ಡ್ಯಾಶ್ಬೋರ್ಡ್ ಬಳಸಿ ML ಮಾದರಿ ಡಿಬಗಿಂಗ್ | [ಜೀವರಹಿತದ ML](9-Real-World/README.md) | ಜವಾಬ್ದಾರಿ AI ಡ್ಯಾಶ್ಬೋರ್ಡ್ ಘಟಕಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿ ಡಿಬಗಿಂಗ್ | [ಪಾಠ](9-Real-World/2-Debugging-ML-Models/README.md) | ರೂತ್ ಯಾಕುಬು |
> [ಈ ಕೋರ್ಸ್ನ ಎಲ್ಲಾ ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಮ್ಮ Microsoft Learn ಸಂಗ್ರಹದಲ್ಲಿ ಪತ್ತೆಮಾಡಿ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## ಆಫ್ಲೈನ್ ಪ್ರವೇಶ
ನೀವು ಈ ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಅನ್ನು ಆಫ್ಲೈನಲ್ಲಿಯೇ [Docsify](https://docsify.js.org/#/) ಬಳಸಿ রান್ ಮಾಡಬಹುದು. ಈ ರೆಪೊವನ್ನು ಫೋರ್ಕ್ ಮಾಡಿ, ನಿಮ್ಮ ಸ್ಥಳೀಯ ಯಂತ್ರದಲ್ಲಿ [Docsify ಹೊಂದಿಸಿ](https://docsify.js.org/#/quickstart), ನಂತರ ಈ ರೆಪೊ ರూట್ ಫೋಲ್ಡರ್ನಲ್ಲಿ `docsify serve` ಎಂಬ ಲಿಖನ ನೀಡಿ. ವೆಬ್ಸೈಟ್ ನಿಮ್ಮ ಸ್ಥಳೀಯ ಯಂತ್ರದಲ್ಲಿ ಪೋರ್ಟ್ 3000 ಮೇಲೆ ಸರ್ವ್ ಆಗುತ್ತದೆ: `localhost:3000`.
## PDFಗಳು
ಪಠ್ಯಕ್ರಮದ ಪಿಡಿಎಫ್ ಅನ್ನು [ಇಲ್ಲಿ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) ಹುಡುಕಿ.
> **ಭಾಷೆಗಳ ಬಗ್ಗೆ ಟಿಪ್ಪಣಿ**: ಈ ಪಾಠಗಳು ಪ್ರಮುಖವಾಗಿ Python ನಲ್ಲಿ ಬರೆಯಲ್ಪಟ್ಟಿವೆ, ಆದರೆ ಬಹುಮಾನದವು R ನಲ್ಲಿ ಸಹ ಲಭ್ಯವಿವೆ. R ಪಾಠವನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು, `/solution` ಫೋಲ್ಡರ್ಗೆ ಹೋಗಿ R ಪಾಠಗಳನ್ನು ಹುಡುಕಿ. ಅವು .rmd ವಿಸ್ತರಣೆ ಹೊಂದಿವೆ, ಇದು ಒಂದು **R ಮಾರ್ಕ್ಡೌನ್** ಕಡತವಾಗಿದೆ, ಅದು `ಕೋಡ್ ಚಂಕ್ಗಳು` (R ಅಥವಾ ಇತರ ಭಾಷೆಗಳ) ಮತ್ತು `YAML ಹೆಡರ್` (PDF ಗಳು ಮೊದಲಾದ ಫಾರ್ಮಾಟ್ ಔಟ್ಪುಟ್ ಹೇಗೆ ಮಾಡಬೇಕು ಎಂಬುದನ್ನು ಕಳುಹಿಸುವಂತೆ) ಅನ್ನು ಬೆರಸುವ ಪ್ರಕ್ರಿಯೆ. ಆದಕ್ಕೆ, ಇದು ಡೇಟಾ ಸೈನ್ಸ್ಗೆ ಅತ್ಯುತ್ತಮ ಲೇಖನ ಚಟುವಟಿಕೆಯಾಗಿ ಸೇವಿಸುತ್ತದೆ, ಏಕೆಂದರೆ ನೀವು ನಿಮ್ಮ ಕೋಡ್, ಅದರ ಔಟ್ಪುಟ್ ಮತ್ತು ನಿಮ್ಮ ಯೋಚನೆಗಳನ್ನು Markdown ನಲ್ಲಿ ಬರೆಯಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. R Markdown ದಾಖಲೆಗಳನ್ನು PDF, HTML ಅಥವಾ Word ಆಟ್ಪುಟ್ ರೂಪಗಳಲ್ಲಿ ರೆಂಡರ್ ಮಾಡಬಹುದು.
> **ಕ್ವಿಜ್ಗಳ ಬಗ್ಗೆ ಒಂದು ಟಿಪ್ಪಣಿ**: ಎಲ್ಲ ಕ್ವಿಜ್ಗಳು [ಕ್ವಿಜ್ ಆ್ಯಪ್ ಫೋಲ್ಡರ್](../../quiz-app)ನಲ್ಲಿ ಇರುತ್ತವೆ, ಪ್ರತಿಯೊಂದು ಪ್ರಶ್ನೆಯಲ್ಲಿ ಮೂರು ಪ್ರಶ್ನೆಗಳಿವೆ ಒಟ್ಟು 52 ಕ್ವಿಜ್ಗಳಿವೆ. ಅವುಗಳನ್ನು ಪಾಠಗಳಲ್ಲಿ ಒಳಗೊಂಡಿದೆ ಆದರೆ ಕ್ವಿಜ್ ಆ್ಯಪ್ ಸ್ಥಳೀಯವಾಗಿ ನಿರ್ವಹಿಸಬಹುದಾಗಿದೆ; ಸ್ಥಳೀಯವಾಗಿ ಹೋಸ್ಟ್ ಅಥವಾ ಅಜೂರ್ಗೆ ನಿಯೋಜಿಸಲು `quiz-app` ಫೋಲ್ಡರ್ನಲ್ಲಿ ಸೂಚನೆಯನ್ನು ಅನುಸರಿಸಿ.
| ಪಾಠ ಸಂಖ್ಯಾ | ವಿಷಯ | ಪಾಠ ಗುಂಪು | ಕಲಿಕೆ ಗುರಿಗಳು | ಲಿಂಕ್ ಮಾಡಿದ ಪಾಠ | ಲೇಖಕ |
| 01 | ಯಂತ್ರ ಕಲಿಕೆಯ ಪರಿಚಯ | [ಪರಿಚಯ](1-Introduction/README.md) | ಯಂತ್ರ ಕಲಿಕೆಯ ಮೂಲ ಆಲೋಚನೆಗಳನ್ನು ತಿಳಿದುಕೊಳ್ಳಿ | [ಪಾಠ](1-Introduction/1-intro-to-ML/README.md) | ಮುಹಮ್ಮದ್ |
| 02 | ಯಂತ್ರ ಕಲಿಕೆಯ ಇತಿಹಾಸ | [ಪರಿಚಯ](1-Introduction/README.md) | ಈ ಕ್ಷೇತ್ರದ ಹಿಂದಿರುವ ಇತಿಹಾಸವನ್ನು ತಿಳಿದುಕೊಳ್ಳಿ | [ಪಾಠ](1-Introduction/2-history-of-ML/README.md) | ಜೆನ್ ಮತ್ತು ಅಮಿ |
| 03 | ಯಂತ್ರ ಕಲಿಕೆಯ ನ್ಯಾಯತೀರ್ಮಾನ | [ಪರಿಚಯ](1-Introduction/README.md) | ನ್ಯಾಯತೀರ್ಮಾನದ ಸಿದ್ದಾಂತ ಸಂಬಂಧಿಸಿದ ಮುಖ್ಯ ತತ್ವಗಳು ಯಾವವು? ವಿದ್ಯಾರ್ಥಿಗಳು ML ಮಾದರಿಗಳನ್ನು ರಚಿಸಲು ಮತ್ತು ಅನ್ವಯಿಸಲು ಗಮನಿಸುವ ಪ್ರಮುಖ ತತ್ವಗಳು ಯಾವುವು? | [ಪಾಠ](1-Introduction/3-fairness/README.md) | ಟೊಮೊಮಿ |
| 04 | ಯಂತ್ರ ಕಲಿಕೆಯ ತಂತ್ರಗಳು | [ಪರಿಚಯ](1-Introduction/README.md) | ML ಸಂಶೋಧಕರು ML ಮಾದರಿಗಳನ್ನು ರಚಿಸಲು ಯಾವ ತಂತ್ರಗಳನ್ನು ಬಳಸುತ್ತಾರೆ? | [ಪಾಠ](1-Introduction/4-techniques-of-ML/README.md) | ಕ್ರಿಸ್ ಮತ್ತು ಜೆನ್ |
| 05 | ರೆಗ್ರೆಶನ್ನ ಪರಿಚಯ | [ರೆಗ್ರೆಶನ್](2-Regression/README.md) | ರೆಗ್ರೆಶನ್ ಮಾದರಿಗಳಿಗಾಗಿ ಪೈಥಾನ್ ಮತ್ತು ಸ್ಕೈಕಟ್ಲೀನ್ ಬಳಸಲು ಪ್ರಾರಂಭಿಸಿ | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | ಜೆನ್ • ಎರಿಕ್ ವಾಂಜಾವು |
| 06 | ಉತ್ತರ ಅಮೆರಿಕದ ಕಂಬಳ ಬೆಲೆಗಳು 🎃 | [ರೆಗ್ರೆಶನ್](2-Regression/README.md) | ML ಗೆ ಡೇಟಾವನ್ನು ದೃಶ್ಯೀಕರಿಸಿ ಮತ್ತು ಸ್ವಚ್ಛಗೊಳಿಸಿ | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | ಜೆನ್ • ಎರಿಕ್ ವಾಂಜಾವು |
| 07 | ಉತ್ತರ ಅಮೆರಿಕದ ಕಂಬಳ ಬೆಲೆಗಳು 🎃 | [ರೆಗ್ರೆಶನ್](2-Regression/README.md) | ರೇಖೀಯ ಮತ್ತು ಪೌಲಿನೋಮಿಯಲ್ ರೆಗ್ರೆಶನ್ ಮಾದರಿಗಳನ್ನು ರಚಿಸಿ | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | ಜೆನ್ ಮತ್ತು ದ್ಮಿತ್ರೀ • ಎರಿಕ್ ವಾಂಜಾವು |
| 08 | ಉತ್ತರ ಅಮೆರಿಕದ ಕಂಬಳ ಬೆಲೆಗಳು 🎃 | [ರೆಗ್ರೆಶನ್](2-Regression/README.md) | ಲોજಿಸ್ಟಿಕ್ ರೆಗ್ರೆಶನ್ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಿ | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | ಜೆನ್ • ಎರಿಕ್ ವಾಂಜಾವು |
| 09 | ವೆಬ್ ಆಪ್ 🔌 | [ವೆಬ್ ಆಪ್](3-Web-App/README.md) | ನಿಮ್ಮ ತರಬೇತಿ ಪಡೆಯಲಾದ ಮಾದರಿಯನ್ನು ಉಪಯೋಗಿಸಲು ವೆಬ್ ಆಪ್ ನಿರ್ಮಿಸಿ | [Python](3-Web-App/1-Web-App/README.md) | ಜೆನ್ |
| 10 | ವರ್ಗೀಕರಣದ ಪರಿಚಯ | [ವರ್ಗೀಕರಣ](4-Classification/README.md) | ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಿ, ಸಜ್ಜುಗೊಳಿಸಿ ಮತ್ತು ದೃಶ್ಯೀಕರಿಸಿ; ವರ್ಗೀಕರಣಕ್ಕೆ ಪರಿಚಯ | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | ಜೆನ್ ಮತ್ತು ಕ್ಯಾಸಿ • ಎರಿಕ್ ವಾಂಜಾವು |
| 11 | ರುಚಿಯಾದ ಏಷಿಯನ್ ಮತ್ತು ಭಾರತದ ಆಹಾರಗಳು 🍜 | [ವರ್ಗೀಕರಣ](4-Classification/README.md) | ವರ್ಗೀಕರಣಕર્તೆಗಳಿಗೆ ಪರಿಚಯ | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | ಜೆನ್ ಮತ್ತು ಕ್ಯಾಸಿ • ಎರಿಕ್ ವಾಂಜಾವು |
| 12 | ರುಚಿಯಾದ ಏಷಿಯನ್ ಮತ್ತು ಭಾರತದ ಆಹಾರಗಳು 🍜 | [ವರ್ಗೀಕರಣ](4-Classification/README.md) | ಹೆಚ್ಚು ವರ್ಗೀಕರಣಕರ | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | ಜೆನ್ ಮತ್ತು ಕ್ಯಾಸಿ • ಎರಿಕ್ ವಾಂಜಾವು |
| 13 | ರುಚಿಯಾದ ಏಷಿಯನ್ ಮತ್ತು ಭಾರತದ ಆಹಾರಗಳು 🍜 | [ವರ್ಗೀಕರಣ](4-Classification/README.md) | ನಿಮ್ಮ ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಶಿಫಾರಸು ವೆಬ್ ಆಪ್ ರಚಿಸಿ | [Python](4-Classification/4-Applied/README.md) | ಜೆನ್ |
| 14 | ಕ್ಲಸ್ಟರಿಂಗ್ನ ಪರಿಚಯ | [ಕ್ಲಸ್ಟರಿಂಗ್](5-Clustering/README.md)| ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಿ, ಸಜ್ಜುಗೊಳಿಸಿ ಮತ್ತು ದೃಶ್ಯೀಕರಿಸಿ; ಕ್ಲಸ್ಟರಿಂಗ್ಗೆ ಪರಿಚಯ | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | ಜೆನ್ • ಎరిక್ ವಾಂಜವು |
| 15 | ನೈಗೇರಿಯನ್ ಸಂಗೀತ ರುಚಿಗಳ ಆಯ್ಕೆ 🎧 | [ಕ್ಲಸ್ಟರಿಂಗ್](5-Clustering/README.md)| ಕೆ-ಮೀನ್ ಕ್ಲಸ್ಟರಿಂಗ್ ವಿಧಾನವನ್ನು ಅನ್ವೇಷಿಸಿ | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | ಜೆನ್ • ಎरिक್ ವಾಂಜವು |
| 16 | ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ ಪರಿಚಯ ☕️ | [ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ](6-NLP/README.md)| ಸರಳ ಬಾಟ್ ರಚಿಸುವ ಮೂಲಕ NLP ಮೂಲಭೂತಗಳನ್ನು ಕಲಿಯಿರಿ | [Python](6-NLP/1-Introduction-to-NLP/README.md) | ಸ್ಟೀಫನ್ |
| 17 | ಸಾಮಾನ್ಯ NLP ಕಾರ್ಯಗಳು ☕️ | [ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ](6-NLP/README.md)| ಭಾಷಾ ರಚನೆಗಳೊಂದಿಗೆ ನಿಭಾಯಿಸುವಾಗ ಅವಶ್ಯಕ ಸಾಮಾನ್ಯ ಕಾರ್ಯಗಳನ್ನು ತಿಳಿದುಕೊಳ್ಳಿ | [Python](6-NLP/2-Tasks/README.md) | ಸ್ಟೀಫನ್ |
| 18 | ಅನುವಾದ ಮತ್ತು ಭಾವುಕ تحليل ♥️ | [ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ](6-NLP/README.md)| ಜೇನ್ ಆಸ್ಟಿನ್ ಅವರೊಂದಿಗೆ ಅನುವಾದ ಮತ್ತು ಭಾವನಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆ | [Python](6-NLP/3-Translation-Sentiment/README.md) | ಸ್ಟೀಫನ್ |
| 19 | ಯುರೋಪಿಯನ್ ಪ್ರೇಮಕೋಟೆಲ್ಗಳು ♥️ | [ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ](6-NLP/README.md)| ಹೋಟೆಲ್ ವಿಮರ್ಶೆಗಳ ಮೂಲಕ ಭಾವನಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆ 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | ಸ್ಟೀಫನ್ |
| 20 | ಯುರೋಪಿಯನ್ ಪ್ರೇಮಕೋಟೆಲ್ಗಳು ♥️ | [ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ](6-NLP/README.md)| ಹೋಟೆಲ್ ವಿಮರ್ಶೆಗಳ ಮೂಲಕ ಭಾವನಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆ 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | ಸ್ಟೀಫನ್ |
| 21 | ಕಾಲ ಸರಣಿ ಪೂರ್ವಪ್ರತಿಷ್ಠಾಪನೆಗೆ ಪರಿಚಯ | [ಕಾಲ ಸರಣಿ](7-TimeSeries/README.md) | ಕಾಲ ಸರಣಿ ಪೂರ್ವಪ್ರತಿಷ್ಠಾಪನೆಗೆ ಪರಿಚಯ | [Python](7-TimeSeries/1-Introduction/README.md) | ಫ್ರಾನ್ಸೆಸ್ಕಾ |
| 22 | ⚡️ ವಿಶ್ವ ವಿದ್ಯುತ್ ಬಳಕೆ ⚡️ - ARIMA ಬಳಸಿ ಕಾಲ ಸರಣಿ ಪೂರ್ವಪ್ರತಿಷ್ಠಾಪನೆ | [ಕಾಲ ಸರಣಿ](7-TimeSeries/README.md) | ARIMA ಬಳಸಿ ಕಾಲ ಸರಣಿ ಪೂರ್ವಪ್ರತಿಷ್ಠಾಪನೆ | [Python](7-TimeSeries/2-ARIMA/README.md) | ಫ್ರಾನ್ಸೆಸ್ಕಾ |
| 23 | ⚡️ ವಿಶ್ವ ವಿದ್ಯುತ್ ಬಳಕೆ ⚡️ - SVR ಬಳಸಿ ಕಾಲ ಸರಣಿ ಪೂರ್ವಪ್ರತಿಷ್ಠಾಪನೆ | [ಕಾಲ ಸರಣಿ](7-TimeSeries/README.md) | Support Vector Regressor ಬಳಸಿ ಕಾಲ ಸರಣಿ ಪೂರ್ವಪ್ರತಿಷ್ಠಾಪನೆ | [Python](7-TimeSeries/3-SVR/README.md) | ಅನಿರ್ಬಾನ್ |
| 24 | ಪ್ರಬಲವರ್ಧನಾ ಕಲಿಕೆಯ ಪರಿಚಯ | [ಪ್ರಬಲವರ್ಧನಾ ಕಲಿಕೆ](8-Reinforcement/README.md) | Q-ಕಲಿಕೆ ಬಳಸಿ ಪ್ರಬಲವರ್ಧನಾ ಕಲಿಕೆಯ ಪರಿಚಯ | [Python](8-Reinforcement/1-QLearning/README.md) | ದ್ಮಿತ್ರೀ |
| 25 | ಪೀಟರ್ ಕುರುವ ನಾಯಿ ತಪ್ಪಿಸಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡಿ! 🐺 | [ಪ್ರಬಲವರ್ಧನಾ ಕಲಿಕೆ](8-Reinforcement/README.md) | ಪ್ರಬಲವರ್ಧನಾ ಕಲಿಕೆಯ ಜಿಮ್ | [Python](8-Reinforcement/2-Gym/README.md) | ದ್ಮಿತ್ರೀ |
| ನಂತರವನ್ನು | ವಾಸ್ತವಿಕ ಜಗತ್ತಿನ ML ಘಟನಗಳು ಮತ್ತು ಅನ್ವಯಿಕೆಗಳು | [ಜಂಗಲದಲ್ಲಿ ML](9-Real-World/README.md) | ಪರಂಪರागत ML ನ ಆಸಕ್ತಿದಾಯಕ ಮತ್ತು ಅನಾವೃತ ವಾಸ್ತವಿಕ ಅನ್ವಯಿಕೆಗಳು | [ಪಾಠ](9-Real-World/1-Applications/README.md) | ತಂಡ |
| ನಂತರವನ್ನು | RAI ಡ್ಯಾಶ್ಬೋರ್ಡ್ ಬಳಸಿ ML ನಲ್ಲಿ ಮಾದರಿ ದೋಷಪರೀಕ್ಷೆ | [ಜಂಗಲದಲ್ಲಿ ML](9-Real-World/README.md) | ಜವಾಬ್ದಾರಿಯುತ AI ಡ್ಯಾಶ್ಬೋರ್ಡ್ ಘಟಕಗಳನ್ನು ಬಳಸಿ ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ಮಾದರಿಗಳ ದೋಷಪರೀಕ್ಷೆ | [ಪಾಠ](9-Real-World/2-Debugging-ML-Models/README.md) | ರೂತ್ ಯಾಕುಬು |
> [ಈ کورس್ಗೆ ಸಂಬಂಧಿಸಿದ ಎಲ್ಲಾ ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಮ್ಮ Microsoft Learn ಸಂಗ್ರಹದಲ್ಲಿ ಹುಡುಕಿ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## ಆಫ್ಲೈನ್ ಆಕ್ಸೆಸ್
ನೀವು [Docsify](https://docsify.js.org/#/) ಬಳಸಿ ಈ ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಅನ್ನು ಆಫ್ಲೈನ್ನಲ್ಲಿ ಚಾಲನೆ ಮಾಡಬಹುದು. ಈ ರೆಪೋವನ್ನು ಫೋರ್ಕ್ ಮಾಡಿ, ನಿಮ್ಮ ಸ್ಥಳೀಯ ಯಂತ್ರದಲ್ಲಿ [Docsify ಅನ್ನು ಇನ್ಸ್ಟಾಲ್](https://docsify.js.org/#/quickstart) ಮಾಡಿ, ನಂತರ ಈ ರೆಪೋದ ಮೂಲ ಫೋಲ್ಡರ್ನಲ್ಲಿ `docsify serve` ಟೈಪ್ ಮಾಡಿ. ವೆಬ್ಸೈಟ್ ನಿಮ್ಮ ಸ್ಥಳೀಯಹೋಸ್ಟ್ನಲ್ಲಿ 3000 ಪೋರ್ಟ್ನಲ್ಲಿ ನೀಡಲಾಗುತ್ತದೆ: `localhost:3000`.
## PDF ಗಳು
ಕರೆ큳್ಯುಲಮ್ನ PDF ಅನ್ನು ಲಿಂಕ್ಗಳೊಂದಿಗೆ [ಇಲ್ಲಿ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) ನೋಡಿ.
## 🎒 ಇತರೆ ಕೋರ್ಸ್ಗಳು
ನಮ್ಮ ತಂಡ ಇತರ ಕೋರ್ಸ್ಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ! ಪರಿಶೀಲಿಸಿ:
[](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)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
ನೀವು ಅಡ್ಡಬಿದ್ದರೆ ಅಥವಾ AI ಆ್ಯಪ್ಗಳನ್ನು ನಿರ್ಮಿಸುವ ಬಗ್ಗೆ ಯಾವುದೇ ಪ್ರಶ್ನೆಗಳಿದ್ದರೆ, MCP ಬಗ್ಗೆ ಚರ್ಚೆಗಳಲ್ಲಿ ಇತರ ಕಲಿಯುತ್ತಿರುವವರ ಮತ್ತು ಅನುಭವೀ ಡೆವಲಪರ್ಗಳೊಂದಿಗೆ ಸೇರಿ. ಇದು ಪ್ರಶ್ನೆಗಳಿಗೆ ಸ್ವಾಗತ ನೀಡುವ ಮತ್ತು ಜ್ಞಾನದ ವಿನಿಮಯದ ಸಹಾಯಕ ಸಮುದಾಯವಾಗಿದೆ.
ನೀವು ಅಡಚಣೆಗಳಿಗೆ ಸಿಕ್ಕಿದ್ದೀರಾ ಅಥವಾ AI ಅಪ್ಲಿಕೇಶನ್ಗಳನ್ನು ನಿರ್ಮಿಸುವ ಬಗ್ಗೆ ಯಾವುದೇ ಪ್ರಶ್ನೆ ಇದ್ದರೆ, MCP ಬಗ್ಗೆ ಚರ್ಚೆಗಳಲ್ಲಿ ಭಾಗವಹಿಸುವ ಸಹಪಾಠಿಗಳ ಮತ್ತು ಅನುಭವಿ ಡೆವಲಪರ್ಗಳ ಜೊತೆಗೆ ಸೇರಿ. ಇದು ಪ್ರಶ್ನೆಗಳಿಗೆ ಸ್ವಾಗತ ನೀಡುವ ಮತ್ತು ಜ್ಞಾನವನ್ನು ಮುಕ್ತವಾಗಿ ಹಂಚುವ ಸಹಾಯಕ ಸಮುದಾಯವಾಗಿದೆ.
- ಪ್ರತಿ ಪಾಠದ ನಂತರ ಟಿಪ್ಪಣಿಗಳನ್ನು ಪರಿಶೀಲಿಸಿ ಉತ್ತಮ ಅರ್ಥವಾಗಲು.
- ಸ್ವತಃ ಅಲ್ಗಾರಿತಮ್ಗಳನ್ನು ಅನುಸರಿಸಿ ಅಭ್ಯಾಸ ಮಾಡಿ.
- ಕಲಿತ ತತ್ವಗಳನ್ನು ಬಳಸಿ ವಾಸ್ತವಿಕ ಡೇಟಾಸೆಟ್ಗಳನ್ನು ಅನ್ವೇಷಿಸಿ.
- ಉತ್ತಮ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಪ್ರತಿ ಪಾಠದ ನಂತರ ನೋಟ್ಬುಕ್ಗಳನ್ನು ಪರಿಶೀಲಿಸಿ.
- ತಮ್ಮದೇ ಆದ ಅಲ್ಗೋರಿದಮ್ಗಳನ್ನು ಅನುಷ್ಠಾನ ಮಾಡುವುದು ಅಭ್ಯಾಸ ಮಾಡಿ.
- ಕಲಿತ ತತ್ವಗಳನ್ನು ಬಳಸಿ ನಿಜವಾದ ಜಗತ್ತಿನ ಡೇಟಾಸೆಟ್ಗಳನ್ನು ಅನ್ವೇಷಿಸಿ.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**ತಳ್ಳುವಿಕೆ**:
ಈ ದಸ್ತಾವೇಜುವನ್ನು AI ಭಾಷಾಂತರ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಭಾಷಾಂತರಿಸಲಾಗಿದೆ. ನಾವು ಸತ್ಯತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುವುದಾದರೂ, ಸ್ವಯಂಚಾಲಿತ ಭಾಷಾಂತರಗಳು ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಯನ್ನು ಹೊಂದಿರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿನ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕಾರಪೂರ್ಣ ಮೂಲ ಎಂದು ಪರಿಗಣಿಸಬೇಕಾಗಿದೆ. ಸಂವೇದನಶೀಲ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಭಾಷಾಂತರವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಭಾಷಾಂತರದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪುಅರ್ಥಗಳನ್ನು ಅಥವಾ ತಪ್ಪು ವ್ಯಾಖ್ಯಾನಗಳನ್ನು ನಾವು ಹೊಣೆಗಾರರಾಗಿರುವುದಿಲ್ಲ.
**ನಿರಾಕರಣಾ ಪ್ರಕಟಣೆ**:
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಗೆ ಪ್ರಯತ್ನಿಸುವಾಗ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ತಪ್ಪುಗಳು ಇರಬಹುದು ಎಂಬುದು ಗಮನದಲ್ಲಿಟ್ಟಿಕೊಳ್ಳಿ. ಮೂಲಸ್ಥ ಭಾಷೆಯ ಮೌಲಿಕ ದಾಖಲೆವೇ ಅಧಿಕೃತ ಮೂಲ ಎಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ ವೃತ್ತಿಜ್ಞ ಮಾನವ ಅನುವಾದನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆ ಕಾರಣದಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಲುವಿಕೆಗೆ ನಾವು ಜವಾಬ್ದಾರಿಯಾಗುವುದಿಲ್ಲ.
> **പ്രിയപ്പെട്ടവരെ, ലോക്കലായി ക്ലോണ് ചെയ്യുക ആഗ്രഹിക്കുന്നോ?**
> **പ്രാദേശികമായി ക്ലോൺ ചെയ്യാൻ ആഗ്രഹിക്കുന്നവർക്ക്?**
>
> ഈ റിപ്പോസിറ്ററിയില് 50+ ഭാഷാ വിവര്ത്തനങ്ങള് ഉള്പ്പെടുന്നു, ഇത് ഡൗണ്ലോഡ് വലുപ്പം ഗണ്യമായി വര്ധിപ്പിക്കും. വിവര്ത്തനങ്ങള് ഇല്ലാതെ ക്ലോണ് ചെയ്യാന്, സ്പാര്സ് ചെക്ഔട്ട് ഉപയോഗിക്കുക:
> ഈ റിപോസിറ്ററിയിൽ 50ത്തിലധികം ഭാഷകൾ ഉൾപ്പെടുന്ന തർജ്ജമകൾ ഉണ്ടാകുന്നതുകൊണ്ട് ഡൗൺലോഡ് വലുതാകും. തർജ്മകൾ ഇല്ലാതെ ക്ലോൺ ചെയ്യാൻ sparse checkout ഉപയോഗിക്കുക:
നാമൊരു ഡിസ്കോർഡ് 'learn with AI' സീരീസ് നടത്തുകയാണ്, 18 - 30 സെപ്റ്റംബർ, 2025 കാലയളവിൽ [Learn with AI Series](https://aka.ms/learnwithai/discord) ൽ കൂടി ഞങ്ങളോടൊപ്പം ചേക്കേറുക. ഡാറ്റ സയൻസിനായി GitHub Copilot ഉപയോഗിക്കുന്ന ടിപ്പുകളും ട്രിക്കുകളും നിങ്ങൾക്ക് ലഭിക്കും.
നിങ്ങൾക്ക് AI ൽ പഠിക്കാൻ ഞങ്ങൾ നടത്തുന്ന Discord സീരീസിൽ പങ്കെടുത്ത് കൂടുതൽ അറിയാൻ [Learn with AI Series](https://aka.ms/learnwithai/discord) സന്ദർശിക്കൂ, 2025 സെപ്റ്റംബർ 18 - 30. GitHub Copilot ഉപയോഗിച്ച് ഡാറ്റ സയൻസിനുള്ള വഴிகள் നിങ്ങൾക്ക് ലഭിക്കും.
# തുടക്കക്കാർക്കുള്ള മെഷീൻ ലേണിംഗ് - ഒരു പാഠ്യപദ്ധതി
# ആരംഭക്കാർക്കായി മെഷീൻ ലേണിംഗ് - ഒരു പാഠ്യക്രമം
> 🌍 ലോക സംസ്കാരങ്ങളിലൂടെ മധ്യേയൂ ട്രാവൽ ചെയ്ത് മെഷീൻ ലേണിംഗ് പഠിക്കാം 🌍
> 🌍 ലോക സംസ്കാരങ്ങളിലൂടെ നമ്മൾ മെഷീൻ ലേണിംഗ് പഠിക്കുന്നതിൽ ഒരു ലോകയാത്ര 🌍
Microsoft ലിലെ Cloud Advocates നിങ്ങളുടെ സേവനത്തിൽ ഒരു 12-ആഴ്ച, 26 പാഠങ്ങളുടെ പാഠ്യപദ്ധതി സമർപ്പിക്കുന്നതിൽ സന്തോഷം പറയുന്നു, ഇത് **Machine Learning**യെക്കുറിച്ചാണ്. ഈ പാഠ്യപദ്ധതിയിൽ, പലപ്പോഴും **ശാസ്ത്രീയ മെഷീൻ ലേണിംഗ്** എന്നറിയപ്പെടുന്നതു പഠിക്കും, പ്രാഥമികമായും Scikit-learn ലൈബ്രറിയെ ഉപയോഗിച്ച്, ഡീപ്പ് ലേണിംഗ് ഒഴിവാക്കി, അത് നമ്മുടെ [AI for Beginners' curriculum](https://aka.ms/ai4beginners) ൽ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. ഈ പാഠങ്ങൾ ഞങ്ങളുടെ ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) നെ കൂടെ കൂട്ടിച്ചേർക്കൂ!
Microsoftയിലെ Cloud Advocates നിങ്ങൾക്കായി 12 ആഴ്ച്ചകളുള്ള, 26 പാഠങ്ങളുള്ള മെഷീൻ ലേണിംഗ് പാഠ്യക്രമം ഒരുക്കിയിരിക്കുന്നു. ഈ പാഠ്യക്രമത്തിൽ നിങ്ങള് അവയവപശ്ചാത്തല മെഷീൻ ലേണിംഗ് എന്നറിയാവുന്ന കാര്യം പഠിക്കും, പ്രധാനമായും Scikit-learn ലൈബ്രറി ഉപയോഗിച്ച്, ഡീപ്പ് ലേണിംഗ് ഒഴിവാക്കി, അതിനെ കുറിച്ച് ഞങ്ങളുടെ [എഐ ആരംഭക്കാർക്കായി പാഠ്യക്രമം](https://aka.ms/ai4beginners) ഉൾക്കൊള്ളുന്നു. ഈ പാഠങ്ങളോടൊപ്പം ഞങ്ങളുടെ ['ഡാറ്റ സയൻസ് ആരംഭക്കാർക്കായി' പാഠ്യക്രമം](https://aka.ms/ds4beginners) കൂടെ പഠിക്കാം.
ലോകത്തിലെ വിവിധ ഭാഗങ്ങളിൽ നിന്നുള്ള ഡാറ്റയിൽ ഈ ശാസ്ത്രീയ സാങ്കേതികവിദ്യകൾ പ്രയോഗിച്ച് ലോകമയാത്ര ചെയ്യാം. ഓരോ പാഠവും മുൻപ്-പോസ്റ്റു-ക്വിസുകൾ, പാഠ مکملമാക്കുന്നതിനുള്ള എഴുത്തുരേഖകൾ, പരിഹാരം, അസൈൻമെന്റ് എന്നിവ ഉൾക്കൊള്ളുന്നു. ഞങ്ങളുടെ പ്രൊജക്ട്-ആധാരിത പദഗതി നിങ്ങളെ ഉത്തരവാദിത്വത്തോടെ പഠിപ്പിക്കും, പുതിയ കഴിവുകൾ ഉറപ്പായി തിരഞ്ഞെടുക്കാൻ സഹായിക്കും.
ലോകത്തിന്റെ വിവിധ ഭാഗങ്ങളിൽ നിന്നുള്ള ഡാറ്റ പരിഗണിച്ച് ഈ ക്ലാസിക് സാങ്കേതിക വിദ്യകൾ ഞങ്ങളോടൊപ്പം പഠിക്കൂ. ഓരോ പാഠത്തിനും മുൻകൂട്ടി-ശ്രമ, പാഠ ശേഷമുള്ള ക്വിസുകൾ, നിർദേശിക്കൽ, പരിഹാരം, അസൈൻമെന്റ് എന്നിവ ഉൾപ്പെടുന്നു. ഞങ്ങളുടെ പ്രോജക്ട് അടിസ്ഥാനമന്ത്രി പഠനരീതി നിങ്ങൾക്ക് നിർമ്മിക്കുമ്പോൾ പഠിക്കാനുള്ള സൗകര്യം നൽകുന്നു, പുതിയ കഴിവുകൾ പൊറുതിക്കപ്പെടുന്നതിനുള്ള തെളിയിച്ച മാർഗമാണ്.
**✍️ ഞങ്ങളുടെ എഴുത്തുകാർക്ക് ഹൃദയം നിറഞ്ഞ നന്ദി**: Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu, Amy Boyd
**✍️ നമ്മുടെ എഴുത്തുകാരെ ഹൃദയം നിറഞ്ഞ നന്ദി**: Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu, Amy Boyd
**🎨 ഞങ്ങളുടെ ചിത്രകാരന്മാർക്കും നന്ദി**: Tomomi Imura, Dasani Madipalli, Jen Looper
**🎨 ചിത്രരചനക്ക് നന്ദി**: Tomomi Imura, Dasani Madipalli, Jen Looper
**🙏 പ്രത്യേക നന്ദി 🙏 Microsoft സ്റ്റുഡന്റ് അംബാസിഡർ എഴുത്തുകാരും റിവ്യൂവേഴ്സും കണ്ടന്റ് സംഭാവകരും**, പ്രത്യേകിച്ച് Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, Snigdha Agarwal
**🙏 പ്രത്യേക നന്ദി Microsoft Student Ambassador എഴുത്തുകാർ, പരിശോധകർ, ഉള്ളടക്ക സംഭാവന നൽകുനവർ**, പ്രത്യേകിച്ച് Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, Snigdha Agarwal
**🤩 Microsoft സ്റ്റുഡന്റ് അംബാസിഡർമാരായ Eric Wanjau, Jasleen Sondhi, Vidushi Gupta എന്നിവർക്ക് R പാഠങ്ങളിലുള്ള പ്രത്യേക നന്ദി!**
**🤩 Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, Vidushi Gupta - നമുക്ക് R പാഠങ്ങൾക്കായുള്ള പ്രത്യേക നന്ദി!**
# ആരംഭിക്കുന്ന വിധം
# ആരംഭിക്കൽ
ഈ ചുവടുകൾ പിന്തുടരുക:
1. **റിപ്പോസിറ്ററി ഫോർക്കുചെയ്യുക**: ഈ പേജ് വലതുഭാഗത്ത് "Fork" ബട്ടൺ ക്ലിക്ക് ചെയ്യുക.
> [ഈ കോഴ്സിനുള്ള എല്ലാ അധിക വിഭവങ്ങളും Microsoft Learn കൂട്ടത്തിൽ കണ്ടെത്തുക](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [ഈ കോഴ്സിനുള്ള എല്ലാ അധിക വിഭവങ്ങളും Microsoft Learn ശേഖരത്തിൽ കാണുക](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **സഹായം വേണമോ?** ഇൻസ്റ്റാളേഷൻ, സെറ്റ്അപ്പ്, പാഠങ്ങൾ നടത്തുന്നതുമായി ബന്ധപ്പെട്ട സാധാരണ പ്രശ്നങ്ങൾക്ക് പരിഹാരം നൽകുന്ന [Troubleshooting Guide](TROUBLESHOOTING.md) പരിശോധിക്കൂ.
> 🔧 **സഹായം വേണമോ?** ഇൻസ്റ്റാളേഷൻ, ക്രമീകരണം, പാഠങ്ങൾ റൺ ചെയ്യൽ എന്നിവയുമായി ബന്ധപ്പെട്ട സാധാരണ പ്രശ്നങ്ങൾക്ക് [തൊഴിലാളി കൈപുസ്തകം](TROUBLESHOOTING.md) പരിശോധിക്കുക.
**[വിദ്യാർത്ഥികൾ](https://aka.ms/student-page)**, ഈ പാഠ്യപദ്ധതിയുടെ ഉപയോഗത്തിനായി, മുഴുവൻ റീപ്പോ നിങ്ങളുടെ സ്വന്തം GitHub അക്കൗണ്ടിലേക്ക് ഫോർക്കുചെയ്യുകയും വ്യത്യസ്ത വ്യായാമങ്ങൾ സ്വയം അല്ലെങ്കിൽ ഗ്രൂപ്പിനൊപ്പം പൂർത്തിയാക്കുകയും ചെയ്യുക:
**[സർവ്വത്ര വിദ്യാർത്ഥികൾ](https://aka.ms/student-page)**, ഈ പാഠ്യക്രമം ഉപയോഗിക്കാൻ, റിപോ മുഴുവനായി നിങ്ങളുടെ GitHub അക്കൗണ്ടിലേക്ക് ഫോർക്ക് ചെയ്ത് സ്വയം അല്ലെങ്കിൽ കൂട്ടായ്മയോടെ ആസൂത്രണം പൂർത്തിയാക്കുക:
- ഒരു പ്രീ-ലെക്ചർ ക്വിസ് ആരംഭിക്കുക.
- പ്രഭാഷണം വായിച്ച് പ്രവർത്തനങ്ങൾ പൂർത്തിയാക്കുക, ഓരോ നോമനുസരണ ചോദ്യത്തിലും നിർത്തി ആലോചിക്കുക.
- പാഠങ്ങൾ മനസ്സിലാക്കി പ്രോജക്ടുകൾ സൃഷ്ടിക്കാൻ ശ്രമിക്കുക, പരിഹാര കോഡ് റൺ ചെയ്യുന്നതിനു പകരം; അതുവഴി /solution ഫോൾഡറുകളിലെ കോഡ് ലഭ്യമാണ്.
- പോസ്റ്റ്-ലെക്ചർ ക്വിസ് എടുത്തുക.
- പ്രീ-ലെക്ചർ ക്വിസ് നിറയ്ക്കുക.
- പാഠം വായിച്ച് പ്രവർത്തനങ്ങൾ പൂർത്തിയാക്കുക, ഓരോ അറിവ് പരിശോധിക്കുന്നിടത്തും ഒന്ന് നിൽക്കുകയും ചിന്തിക്കുകയും ചെയ്യുക.
- പരിഹാര കോഡ് ഓടിക്കുന്നതിന് പകരം പാഠം മനസ്സിലാക്കി പ്രോജക്ടുകൾ നിർമ്മിക്കാൻ ശ്രമിക്കുക; എന്നാൽ പരിഹാര കോഡ് ഓരോ പ്രോജക്ട് അധിഷ്ഠിത പാഠത്തിന്റെയും `/solution` ഫോൾഡറുകളിൽ ലഭ്യമാണ്.
- പോസ്റ്റ്-ലെക്ചർ ക്വിസ് നൽകുക.
- ചലഞ്ച് പൂർത്തിയാക്കുക.
- അസൈൻമെന്റ് പൂർത്തിയാക്കുക.
- ഒരു പാഠ ഗ്രൂപ്പ് പൂർത്തിയാക്കിയശേഷം, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) സന്ദർശിച്ച് അനുയോജ്യമായ PAT റൂബ്രിക് പൂരിപ്പിച്ച് "learn out loud" ചെയ്യുക. 'PAT' progress assessment tool ആണ്, പഠനത്തിനു സഹായകരമായ ഒരു റൂബ്രിക്. ഇത്തരത്തിലുള്ള മറ്റ് PAT-കളിൽ പ്രതികരിച്ചോളാം, ഒപ്പം പഠിച്ചോളാം.
- ഒരു പാഠ സമൂഹം പൂർത്തിയാക്കിയശേഷം, [ചർച്ച ബോർഡ്](https://github.com/microsoft/ML-For-Beginners/discussions) സന്ദർശിച്ച് അനുയോജ്യമായ PAT റൂബ്രിക് പൂരിപ്പിച്ച് "ലേണ്അව්ട്ട് ലൗഡ്" ചെയ്യുക. PAT (പ്രോഗ്രസ് അസ്സസ്മെന്റ് ടൂൾ) ഒരു റൂബ്രിക് ആണ്, നിങ്ങൾക്ക് പഠനങ്ങൾ മെച്ചപ്പെടുത്താൻ സഹായിക്കുന്നതാണ്. മറ്റു PAT-കളിലേക്കും പ്രതികരിക്കാനാകും, ഒത്തുകൂടി പഠിക്കാം.
> കൂടുതൽ പഠനത്തിന്, ഈ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) മോഡ്യൂളുകളും പഠന പാതകളും പിന്തുടരാൻ ശിപാര്ശ ചെയ്യുന്നു.
> കൂടുതല് പഠനത്തിനായി, ഈ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) മോഡ്യൂളുകളും ലേണിംഗ് പാത്തുകളും പിന്തുടരാൻ ഞങ്ങൾ ശുപാർശ ചെയ്യുന്നു.
**അധ്യാപകർക്ക്** ഈ പാഠ്യപദ്ധതി ഉപയോഗിക്കുന്നതിനുള്ള ചില ശുപാർശകൾ ഞങ്ങൾ [ഇവിടെ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്](for-teachers.md).
**അദ്ധ്യാപകർ**, ഈ പാഠ്യക്രമം ഉപയോഗിക്കുന്നതിന് ഞങ്ങൾ [ചടങ്ങുകൾ](for-teachers.md) ഉൾപ്പെടുത്തിയിട്ടുണ്ട്.
---
## വീഡിയോ വഴിതടങ്ങൾ
## വിഡിയോ നടത്തിപ്പുകൾ
കുറച്ച് പാഠങ്ങൾ ചുരുക്കത്തിലുള്ള വീഡിയോ രൂപത്തിൽ ലഭ്യമാണ്. ഇവ പാഠങ്ങളുടെ വരിയിലെങ്കിലും, [Microsoft Developer YouTube ചാനലിലെ ML for Beginners പ്ലേലിസ്റ്റിൽ](https://aka.ms/ml-beginners-videos) താഴെ കാണുന്ന ചിത്രത്തിൽ ക്ലിക്ക് ചെയ്തും കണ്ടെത്താം.
ചില പാഠങ്ങൾ സ്വല്പ ദൈർഘ്യമുള്ള വിഡിയോ രൂപത്തിലാണ് ലഭിക്കുന്നത്. നിങ്ങൾക്ക് ഈ എല്ലാം പാഠങ്ങളിൽ ലൈൻ ആയി കാണാമോ, അല്ലെങ്കിൽ [Microsoft Developer YouTube ചാനലിലെ ML for Beginners പ്ലേലിസ്റ്റിൽ](https://aka.ms/ml-beginners-videos) താഴെയുള്ള ചിത്രത്തിൽ ക്ലിക്ക് ചെയ്ത് ലഭിക്കാം.
[](https://aka.ms/ml-beginners-videos)
> 🎥 ഈ പ്രോജക്ടിന്റെയും സൃഷ്ടിച്ചവരുടെയും വീഡിയോ കാണാൻ മുകളിൽ കാണുന്ന ചിത്രം ക്ലിക്ക് ചെയ്യുക!
> 🎥 ഈ ചിത്രത്തിൽ ക്ലിക്ക് ചെയ്ത് പ്രോജക്ടും സൃഷ്ടിച്ചവരും സംബന്ധിച്ച വീഡിയോ കാണുക!
---
## പഠനരീതി
ഈ പാഠ്യപദ്ധതി നിർമ്മിക്കുമ്പോൾ കേരളത്തു രണ്ടിടത്തായി ശ്രദ്ധിച്ചു: ഹാൻഡ്സ്-ഓൺ **പ്രോജക്ട്-ബേസ്ഡ്** ആയിരിക്കണം, കൂടാതെ **സാധാരണ ക്വിസുകൾ** ഉണ്ടാകണം. കൂടാതെ, പാഠ്യപദ്ധതിക്ക് ഒരു സാധാരണ **തീം** ഉണ്ടായിരിക്കണം.
ഈ പാഠ്യക്രമം നിർമ്മിക്കുന്നപ്പോൾ ഞങ്ങൾ രണ്ട് പ്രധാനം പരിഗണനകൾ സ്വീകരിച്ചു: പ്രോജക്ട് അടിസ്ഥാനമാക്കിയുള്ള കൈകാര്യം ഉറപ്പാക്കുക, കൂടാതെ తరവാറുള്ള ക്വിസുകൾ ഉൾപ്പെടുത്തുക. കൂടാതെ, ഇതിന് ഒരു പൊതു **തീം** നൽകിയത് ഏകീകരണത്തിനായി.
സന്ദർഭം പ്രോജക്ടുകളുമായി ഒത്തുചേരുന്നതിനാൽ വിദ്യാര്ത്ഥികൾക്ക് ഉൾക്കാഴ്ചയും പാഠങ്ങൾ എളുപ്പത്തോടെ മനസ്സിലാകുന്നതുമാണ് സംഭവിക്കുന്നത്; നിമിഷം കുറഞ്ഞ ക്വിസ് ഒരു ക്ലാസിന് മുൻപായി വിദ്യാർത്ഥിയുടെ പഠന ഉദ്ദേശ്യം സജ്ജീകരിക്കും, രണ്ടാമത്തേക്കു ക്വിസ് മെച്ചപ്പെട്ട മനസ്സിലാക്കലും ഉറപ്പാക്കും. ഈ പാഠ്യപദ്ധതി ഇളവുള്ളതും രസകരവുമാണ്, മുഴുവൻ പാഠ്യപദ്ധതിയോ അതിലുണ്ടായ ഭാഗങ്ങളോ പഠിക്കാവുന്നതാണ്. പ്രോജക്ടുകൾ ചെറിയതിങ്ങനെ ആരംഭിച്ച് 12 ആഴ്ചകളുടെ അവസാനം കൂടുതൽ സങ്കീർണ്ണമാകും. യഥാർത്ഥ ലോക പരിഗണനകൾ ഉൾപ്പെടുന്ന ഒരു പോസ്റ്റ്സ്ക്രിപ്റ്റും ഇതിലുണ്ട്, ഇത് അധിക ക്രെഡിറ്റിനോ സംവാദത്തിനോ ഉപയോഗിക്കാം.
ഉള്ളടക്കം പ്രോജക്ടുകളുമായി ചേർന്നിട്ടുണ്ടെന്ന് ഉറപ്പാക്കുന്നത്, വിദ്യാർത്ഥികൾക്ക് ഉല്ലാസകരമായ അനുഭവമുണ്ടാക്കുകയും ആശയങ്ങളുടെ പിന്തുടർച്ച മെച്ചപ്പെടുത്തുകയും ചെയ്യും. ഒരു ക്ലാസിനുമുൻപ് നടത്തുന്ന ഒരു ചെറിയ മത്സരം പഠന ദിശ നിര്ത്തുന്നു; ക്ലാസിനു ശേഷം രണ്ടാം മത്സരം അറിവ് ഉറപ്പാക്കുന്നു. ഈ പാഠ്യക്രമം സൗകര്യപ്രദവും രസകരവുമാണ്, മുഴുവനായി ಅಥವಾ ഭാഗികമായി പഠിക്കാവുന്നതാണ്. പ്രോജക്ടുകൾ ചെറിയവയിൽ തുടങ്ങുകയും 12 ആഴ്ചകളിൽ പതിവുപോലെ സങ്കീര്ണ്ണമായിത്തീരും. പാഠ്യക്രമം മെഷീൻ ലേണിംഗിന്റെ യാഥാർത്ഥ്യ പ്രയോഗങ്ങളെ കുറിച്ചുള്ള ഒരു പോസ്റ്റ്സ്ക്രിപ്റ്റും ഉൾക്കൊള്ളിക്കുന്നു, ഇത് കൂടുതൽ ക്രഡിറ്റ് ക്ക് ഉപയോഗിക്കാവുന്നതും ചർച്ചയ്ക്കായി അടിസ്ഥാനമായി ഉപയോഗിക്കാവുന്നതും ആകാം.
> ഞങ്ങളുടെ [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md), [Troubleshooting](TROUBLESHOOTING.md) ഗൈഡ്ലൈനുകൾ കാണുക. നിങ്ങളുടെ നിർമാതൃകാത്മക கருத்தുകൾ സ്വാഗതം!
> നമ്മുടെ [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translations](..), [Troubleshooting](TROUBLESHOOTING.md) മാർഗനിർദേശങ്ങൾ കാണുക. നിങ്ങളുടെ നിർമാണപരമായ അഭിപ്രായങ്ങൾ സ്വാഗതം ചെയ്യുന്നു!
> **ഭാഷകളെക്കുറിച്ചുള്ള ഒരു കുറിപ്പ്**: ഈ പാഠങ്ങൾ പ്രധാനമായും Python-ൽ എഴുതപ്പെട്ടതാണ്, എന്നാൽ പലതും R-ലിലും ലഭ്യമാണ്. ഒരു R പാഠം പൂർത്തിയാക്കാൻ, `/solution` ഫോൾഡറിൽ പോയി R പാഠങ്ങൾ കാണുക. അവയ്ക്ക് .rmd എക്സ്റ്റൻഷൻ ഉണ്ട്, ഇത് **R Markdown** ഫയൽ ആണ്, ഇത് ഒരു `Markdown ഡോക്യുമെന്റിൽ``code chunks` (R അല്ലെങ്കിൽ മറ്റു ഭാഷകളിലെ)യും `YAML ഹെഡർ` (PDF പോലുള്ള ഔട്ട്പുട്ടുകൾ എങ്ങനെ ഫോർമാറ്റ് ചെയ്യണമെന്ന് മാർഗനിർദേശിക്കുന്ന) എന്നടക്കമുളള ഒരു ഘടകവും ഉൾക്കൊണ്ടാണ്. അതിനാൽ, σας നിങ്ങളുടെ കോഡ്, അതിന്റെ ഔട്ട്പുട്ട്, നിങ്ങളുടെ ചിന്തകൾ എന്നിവയെ Markdown-ൽ എഴുതാൻ അനുവദിക്കുന്നതിനാൽ, ഇത് ഡാറ്റാ സയൻസിനായി ഉദാഹരണരൂപത്തിലുള്ള ഒരു റൈറ്റിംഗ് ഫ്രെയിംവർക്ക് ആയി സേവിക്കുന്നു. കൂടാതെ, R Markdown ഡോക്യുമെന്റുകൾ PDF, HTML, അല്ലെങ്കിൽ Word പോലുള്ള ഔട്ട്പുട്ട് ഫോർമാറ്റുകളിലേക്ക് രendere ചെയ്യാം.
> **ക്വിസുകളെക്കുറിച്ചുള്ള ഒരു കുറിപ്പ്**: എല്ലാ ക്വിസുകളും [Quiz App folder](../../quiz-app) എന്നിടത്ത് ഉൾപ്പെടുത്തിയിട്ടുണ്ട്, മൂന്ന് ചോദ്യങ്ങളുള്ള 52 മൊത്തം ക്വിസുകളാണ്. ഇവ പാഠങ്ങളിലൂടെയും ബന്ധിപ്പിച്ചിരിക്കുന്നു, പക്ഷേ ക്വിസ് ആപ്പ് പ്രാദേശികമായി പ്രവർത്തിപ്പിക്കാവുന്നതാണ്; പ്രാദേശികമായി ഹോസ്റ്റ് ചെയ്യാനോ Azure-ലേക്ക് ഡിപ്ലോയ് ചെയ്യാനോ `quiz-app` ഫോൾഡറിലെ നിർദ്ദേശങ്ങൾ പാലിക്കുക.
| പാഠം നമ്പർ | വിഷയം | പാഠസംഘടനം | പഠന ലക്ഷ്യങ്ങൾ | ബന്ധിപ്പിച്ച പാഠം | രചയിതാവ് |
| 01 | മെഷീൻ ലേണിങ്ങിലേക്കുള്ള அறிமுகം | [Introduction](1-Introduction/README.md) | മെഷീൻ ലേണിങ്ങിന് പിന്ബലമായ അടിസ്ഥാന ആശയങ്ങൾ പഠിക്കുക | [Lesson](1-Introduction/1-intro-to-ML/README.md) | മുഹമ്മദ് |
| 02 | മെഷീൻ ലേണിങ്ങിന്റെ ചരിത്രം | [Introduction](1-Introduction/README.md) | ഈ മേഖലയ്ക്കുള്ള പശ്ചാത്തല ചരിത്രം പഠിക്കുക | [Lesson](1-Introduction/2-history-of-ML/README.md) | ജെൻ ആൻഡ് അമി |
| 03 | നീതിയും മെഷീൻ ലേണിംഗും | [Introduction](1-Introduction/README.md) | ML മോഡലുകളുടെ നിർമ്മാണത്തിലും പ്രയോഗത്തിലും വിദ്യാർഥികൾ പരിഗണിക്കേണ്ട ന്യായപരമായ തത്ത്വചിന്തന വിഷയങ്ങൾ എന്തെല്ലാം ആണെന്നറിയുക | [Lesson](1-Introduction/3-fairness/README.md) | ടോമോമി |
| 04 | മെഷീൻ ലേണിംഗിന്റെ സാങ്കേതിക വിദ്യകൾ | [Introduction](1-Introduction/README.md) | ML ഗവേഷകർ ML മോഡലുകൾ നിർമ്മിക്കാൻ ഉപയോഗിക്കുന്ന സാങ്കേതിക വിദ്യകൾ എന്തെല്ലാമാണെന്ന് അറിയുക | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | ക്രിസ് ആൻഡ് ജെൻ |
| 05 | റെഗ്രഷൻলৈക്കുള്ള പരിചയം | [Regression](2-Regression/README.md) | റെഗ്രഷൻ മോഡലുകൾക്കായി Python ഉം Scikit-learn ഉം ഉപയോഗിച്ച് തുടങ്ങുക | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | ജെൻ • എറിക് വാൻജോ |
| 06 | ഉത്തര അമേരിക്കയിലെ പംപ്കിൻ വിലകൾ 🎃 | [Regression](2-Regression/README.md) | ML-ന് മുൻകൂർ ഡേറ്റാ ദൃശ്യവത്കരിച്ച് ആഴ്ച്ചയാക്കി ശുദ്ധമാക്കുക | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | ജെൻ • എറിക് വാൻജോ |
| 07 | ഉത്തര അമേരിക്കയിലെ പംപ്കിൻ വിലകൾ 🎃 | [Regression](2-Regression/README.md) | രേഖാഖണ്ഡ പുനർവൈകല്യസാധ്യതയും പോളിനോമിയൽ റെഗ്രഷൻ മോഡലുകളും നിർമ്മിക്കുക | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | ജെൻ, ഡ്മിത്രി • എറിക് വാൻജോ |
| 08 | ഉത്തര അമേരിക്കയിലെ പംപ്കിൻ വിലകൾ 🎃 | [Regression](2-Regression/README.md) | ലോഗിസ്റ്റിക് റെഗ്രഷൻ മോഡൽ നിർമ്മിക്കുക | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | ജെൻ • എറിക് വാൻജോ |
| 09 | ഒരു വെബ് ആപ്പ് 🔌 | [Web App](3-Web-App/README.md) | പരിശീലിപ്പിച്ച മോഡൽ ഉപയോഗിച്ച് ഒരു വെബ് ആപ്പ് നിർമ്മിക്കുക | [Python](3-Web-App/1-Web-App/README.md) | ജെൻ |
| 10 | ക്ലാസിഫിക്കേഷനിലേക്കുള്ള പരിചയം | [Classification](4-Classification/README.md) | ഡാറ്റ ശുദ്ധമാക്കും, തയ്യാറാക്കും, ദൃശ്യവത്ക്കരിക്കും; ക്ലാസിഫിക്കേഷനിലെ പരിചയം | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | ജെൻ ആൻഡ് കാസ്സി • എറിക് വാൻജോ |
| 11 | രുചികരമായ ഏഷ്യൻ-ഇന്ത്യൻ പാചകകലകൾ 🍜 | [Classification](4-Classification/README.md) | ക്ലാസിഫയറുകളിലേക്ക് പരിചയം | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | ജെൻ ആൻഡ് കാസ്സി • എറിക് വാൻജോ |
| 12 | രുചികരമായ ഏഷ്യൻ-ഇന്ത്യൻ പാചകകലകൾ 🍜 | [Classification](4-Classification/README.md) | കൂടുതൽ ക്ലാസിഫയറുകൾ | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | ജെൻ ആൻഡ് കാസ്സി • എറിക് വാൻജോ |
| 13 | രുചികരമായ ഏഷ്യൻ-ഇന്ത്യൻ പാചകകലകൾ 🍜 | [Classification](4-Classification/README.md) | നിങ്ങളുടെ മോഡൽ ഉപയോഗിച്ച് ഒരു റികमेंഡർ വെബ് ആപ്പ് നിർമ്മിക്കുക | [Python](4-Classification/4-Applied/README.md) | ജെൻ |
| 14 | ക്ലസ്റ്ററിങ്ങിലേക്കുള്ള പരിചയം | [Clustering](5-Clustering/README.md) | ഡാറ്റ ശുദ്ധമാക്കുക, തയ്യാറാക്കുക, ദൃശ്യവത്കരിക്കുക; ക്ലസ്റ്ററിങ്ങിലേക്കുള്ള പരിചയം | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | ജെൻ • എറിക് വാൻജോ |
| 15 | നൈജീരിയൻ സംഗീത രുചികൾ അന്വേഷിക്കൽ 🎧 | [Clustering](5-Clustering/README.md) | K-മീൻസ് ക്ലസ്റ്ററിങ് രീതി അന്വേഷിക്കുക | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | ജെൻ • എറിക് വാൻജോ |
| 16 | പ്രകൃതിമാറ്റഭാഷാ പ്രോസസ്സിംഗിന്റെ പരിചയം ☕️ | [Natural language processing](6-NLP/README.md) | ഒരു ലളിതമായ ബോട്ട് നിർമ്മിച്ച് NLP-യുടെ അടിസ്ഥാന കാര്യങ്ങൾ പഠിക്കുക | [Python](6-NLP/1-Introduction-to-NLP/README.md) | സ്റ്റീഫൻ |
| 17 | പൊതുവായ NLP പ്രവര്ത്തനങ്ങൾ ☕️ | [Natural language processing](6-NLP/README.md) | ഭാഷാസംരചനകളുമായി ഇടപെടുമ്പോൾ ആവശ്യമായ സാധാരണ പ്രവൃത്തികൾ മനസ്സിലാക്കി NLP അറിവ് വിപുലப்படുത്തുക | [Python](6-NLP/2-Tasks/README.md) | സ്റ്റീഫൻ |
| 18 | വിവർത്തനം, വികാര വിശകലനം ♥️ | [Natural language processing](6-NLP/README.md) | ജെയിൻ ഓസ്റ്റീനുമായി വിവർത്തനവും വികാര വിശകലനവും | [Python](6-NLP/3-Translation-Sentiment/README.md) | സ്റ്റീഫൻ |
| 19 | യൂറോപ്പിലെ റോമാന്റിക് ഹോട്ടലുകൾ ♥️ | [Natural language processing](6-NLP/README.md) | ഹോട്ടൽ അവലോകനങ്ങളുമായി വികാര വിശകലനം 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | സ്റ്റീഫൻ |
| 20 | യൂറോപ്പിലെ റോമാന്റിക് ഹോട്ടലുകൾ ♥️ | [Natural language processing](6-NLP/README.md) | ഹോട്ടൽ അവലോകനങ്ങളുമായി വികാര വിശകലനം 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | സ്റ്റീഫൻ |
| 21 | ടൈം സീരിസിന്റെ പ്രവചനം പരിചയം | [Time series](7-TimeSeries/README.md) | ടൈം സീരിസ് പ്രവചനത്തിലേക്ക് പരിചയം | [Python](7-TimeSeries/1-Introduction/README.md) | ഫ്രാൻസെസ്ക |
| 22 | ⚡️ ലോക വൈദ്യുതി ഉപയോഗം ⚡️ - ARIMA ഉപയോഗിച്ചുള്ള ടൈം സീരിസ് പ്രവചന | [Time series](7-TimeSeries/README.md) | ARIMA ഉപയോഗിച്ച് ടൈം സീരിസ് പ്രവചന | [Python](7-TimeSeries/2-ARIMA/README.md) | ഫ്രാൻസെസ്ക |
| 23 | ⚡️ ലോക വൈദ്യുതി ഉപയോഗം ⚡️ - SVR ഉപയോഗിച്ചുള്ള ടൈം സീരിസ് പ്രവചന | [Time series](7-TimeSeries/README.md) | Support Vector Regressor ഉപയോഗിച്ച് ടൈം സീരിസ് പ്രവചന | [Python](7-TimeSeries/3-SVR/README.md) | അനിർബാൻ |
| 24 | റീൻഫോഴ്സ്മെന്റ് ലേണിങ്ങിലേക്ക് പരിചയം | [Reinforcement learning](8-Reinforcement/README.md) | Q-Learning ഉപയോഗിച്ചുള്ള റീൻഫോഴ്സ്മെന്റ് ലേണിങ്ങിലേക്ക് പരിചയം | [Python](8-Reinforcement/1-QLearning/README.md) | ഡ്മിത്രി |
| 25 | പീറ്റർ നായകനെ ഒഴിവാക്കാൻ സഹായിക്കുക! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | റീൻഫോഴ്സ്മെന്റ് ലേണിങ്ങ് ജിം | [Python](8-Reinforcement/2-Gym/README.md) | ഡ്മിത്രി |
| പോസ്ക്രിപ്റ്റ് | യാഥാർത്ഥ്യ ML സാഹചര്യങ്ങൾ, പ്രയോഗങ്ങൾ | [ML in the Wild](9-Real-World/README.md) | ക്ലാസിക്കൽ ML ന്റെ സാരവുമായ യാഥാർത്ഥ്യ ആപ്ലിക്കേഷനുകൾ | [Lesson](9-Real-World/1-Applications/README.md) | ടീം |
| പോസ്ക്രിപ്റ്റ് | RAI ഡാഷ്ബോർഡ് ഉപയോഗിച്ച് ML മോഡൽ ഡീബഗിങ് | [ML in the Wild](9-Real-World/README.md) | വെറുപ്പ് AI ഡാഷ്ബോർഡ് ഘടകങ്ങൾ ഉപയോഗിച്ച് മെഷീൻ ലേണിങ്ങിലെ മോഡൽ ഡീബഗിങ് | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | റുത് യകുബു |
> [ഈ കോഴ്സിന്റെ എല്ലാ അധിക വിഭവങ്ങളും ഞങ്ങളുടെ Microsoft Learn ശേഖരത്തിൽ കണ്ടെത്തുക](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## ഓഫ്ലൈൻ ആക്സസ്
[Docsify](https://docsify.js.org/#/) ഉപയോഗിച്ച് നിങ്ങള്ക്ക് ഈ ഡോക്യുമെന്റაცია ഓഫ്ലൈൻ പ്രവർത്തിപ്പിക്കാം. ഈ റിപ്പൊ ഫോർക്ക് ചെയ്ത്, നിങ്ങളുടെ പ്രാദേശിക യന്ത്രത്തിൽ [Docsify ഇൻസ്റ്റാൾ](https://docsify.js.org/#/quickstart) ചെയ്തു, ശേഷം ഈ റിപ്പൊയുടെ റൂട്ട് ഫോൾഡറിൽ ടൈപ്പ് ചെയ്യുക `docsify serve`. വെബ്സൈറ്റ് പ്രാദേശികഹോസ്റ്റിൽ പോർട് 3000-ൽ പ്രവർത്തിക്കും: `localhost:3000`.
## PDFs
> **ഭാഷകൾക്കുറിച്ച് ഒരു കുറിപ്പ്**: ഈ പാഠങ്ങൾ പ്രധാനമായും Python ൽ എഴുതപ്പെട്ടിരിക്കുന്നു, എന്നാൽ പലത് R ൽ ലഭ്യമാണ്. R പാഠം പൂർത്തിയാക്കാൻ, `/solution` ഫോൾഡറിൽ പോയി R പാഠങ്ങൾ അന്വേഷിക്കൂ. അവയിൽ `.rmd` എന്ന് ഒരു എക്സ്റ്റൻഷൻ ഉണ്ടു, ഇത് ഒരു **R മാർക്ക്ഡൗൺ** ഫയലിനെ സൂചിപ്പിക്കുന്നു; ഇതിൽ R അല്ലെങ്കിൽ മറ്റു ഭാഷകളിലെ `code chunks` നും PDF പോലുള്ള ഔട്ട്പുട്ടുകൾ എങ്ങനെ ഫോർമാറ്റ് ചെയ്യാമെന്ന് നിർദ്ദേശിക്കുന്ന `YAML ഹെഡർ` നും സംയോജിതമാണ്. അതിനാൽ, നിങ്ങളുടെ കോഡ്, അതിന്റെ ഔട്ട്പുട്ടുകൾ, നിങ്ങളുടെ ചിന്തകൾ എന്നിവ മറൈക്കക്കുള്ള മികച്ച ഒരു രചനാരീതിയാണ് ഇത്. കൂടാതെ, R മാർക്ക്ഡൗൺ ഡോക്യുമെന്റുകൾ PDF, HTML, അല്ലെങ്കിൽ Word പോലുള്ള ഔട്ട്പുട്ട് ഫോർമാറ്റുകളിൽ മാറ്റാവുന്നതാണ്.
> **ക്വിസുകൾക്കെ 관한 ഒരു കുറിപ്പ്**: സംഖ്യ 52 എണ്ണം, ഓരോന്നിലും മൂന്ന് ചോദ്യങ്ങളുള്ള ക്വിസുകൾ എല്ലാമുള്ളത് [Quiz App ഫോൾഡറിൽ](../../quiz-app). ക്വിസുകൾ പാഠങ്ങളിൽനിന്ന് ലിങ്കുചെയ്യപ്പെട്ടിട്ടുണ്ടെങ്കിലും ക്വിസ് ആപ്പ് പ്രാദേശികമായി ഓടിക്കാം; പ്രാദേശികമായി ഹോസ്റ്റ് ചെയ്യാനോ Azure ലേക്ക് ഡിപ്പ്ലോയ്ചെയ്യാനോ `quiz-app` ഫോൾഡറിൽ നിർദ്ദേശങ്ങൾ പാലിക്കുക.
| പാഠം നമ്പർ | വിഷയം | പാഠം ഗ്രൂപ്പിംഗ് | പഠന ലക്ഷ്യങ്ങൾ | ലിങ്കുചെയ്ത പാഠം | എഴുത്തുകാരൻ |
| 01 | മെഷീൻ ലേണിംഗിലേക്ക് പരിചയം | [Introduction](1-Introduction/README.md) | മെഷീൻ ലേണിംഗിന്റെ അടിസ്ഥാന ആശയങ്ങൾ പഠിക്കുക | [Lesson](1-Introduction/1-intro-to-ML/README.md) | മുഹമ്മദ് |
| 02 | മെഷീൻ ലേണിംഗിന്റെ ചരിത്രം | [Introduction](1-Introduction/README.md) | ഈ മേഖലയെ പൊരുത്തപ്പെടുത്തുന്ന ചരിത്രം മനസിലാക്കുക | [Lesson](1-Introduction/2-history-of-ML/README.md) | ജെൻ & ആമി |
| 03 | നീതിയും മെഷീൻ ലേണിംഗും | [Introduction](1-Introduction/README.md) | ML മോഡലുകൾ രൂപീകരിക്കുമ്പോൾ പരിഗണിക്കേണ്ട നീതിയുമായി ബന്ധപ്പെട്ട ദാർശനിക പ്രശ്നങ്ങൾ എന്തെല്ലാമാണ്? | [Lesson](1-Introduction/3-fairness/README.md) | ടോമോമി |
| 04 | മെഷീൻ ലേണിംഗ് സാങ്കേതികവിദ്യകൾ | [Introduction](1-Introduction/README.md) | ML ഗവേഷകർ ML മോഡലുകൾ സൃഷ്ടിക്കാൻ ഉപയോഗിക്കുന്ന സാങ്കേതികവिधികൾ | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | ക്രിസ് & ജെൻ |
| 05 | റെഗ്രഷൻ പരിചയം | [Regression](2-Regression/README.md) | Python, Scikit-learn ഉപയോഗിച്ച് റെഗ്രഷൻ മോഡലുകൾ ആരംഭിക്കുക | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | ജെൻ • എറിക് വഞ്ജാവ് |
| 06 | നോർത്ത് അമേരിക്കൻ പമ്പ്കിൻ വിലകൾ 🎃 | [Regression](2-Regression/README.md) | ML-ക്കായി ഡാറ്റ വിസ്വലൈസ് ചെയ്ത് ശുചിത്വം വരുത്തുക | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | ജെൻ • എറിക് വഞ്ജാവ് |
| 07 | നോർത്ത് അമേരിക്കൻ പമ്പ്കിൻ വിലകൾ 🎃 | [Regression](2-Regression/README.md) | രേഖീയവും പോളിനോമിയൽ റെഗ്രഷൻ മോഡലുകളും നിർമ്മിക്കുക | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | ജെൻ & ഡിമിത്രി • എറിക് വഞ്ജാവ് |
| 08 | നോർത്ത് അമേരിക്കൻ പമ്പ്കിൻ വിലകൾ 🎃 | [Regression](2-Regression/README.md) | ലോജിസ്റ്റിക് റെഗ്രഷൻ മോഡൽ നിർമ്മിക്കുക | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | ജെൻ • എറിക് വഞ്ജാവ് |
| 09 | ഒരു വെബ് ആപ്പ് 🔌 | [Web App](3-Web-App/README.md) | പരിശീലിപ്പിച്ച മോഡൽ ഉപയോഗിച്ച് ഒരു വെബ് ആപ്പ് നിർമ്മിക്കുക | [Python](3-Web-App/1-Web-App/README.md) | ജെൻ |
| 10 | ക്ലാസിഫിക്കേഷനിലേക്ക് പരിചയം | [Classification](4-Classification/README.md) | ഡാറ്റ ശുചീകരണം, തയ്യാറാക്കൽ, വിസ്വലൈസ്; ക്ലാസിഫിക്കേഷനിലേക്ക് പരിചയം | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | ജെൻ & കാസ്സി • എറിക് വഞ്ജാവ് |
| 11 | രുചികരമായ ഏഷ്യൻ, ഇന്ത്യൻ വിഭവങ്ങൾ 🍜 | [Classification](4-Classification/README.md) | ക്ലാസിഫയറുകളെ പരിചയപ്പെടുക | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | ജെൻ & കാസ്സി • എറിക് വഞ്ജാവ് |
| 12 | രുചികരമായ ഏഷ്യൻ, ഇന്ത്യൻ വിഭവങ്ങൾ 🍜 | [Classification](4-Classification/README.md) | കൂടുതൽ ക്ലാസിഫയറുകൾ | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | ജെൻ & കാസ്സി • എറിക് വഞ്ജാവ് |
| 13 | രുചികരമായ ഏഷ്യൻ, ഇന്ത്യൻ വിഭവങ്ങൾ 🍜 | [Classification](4-Classification/README.md) | നിങ്ങളുടെ മോഡൽ ഉപയോഗിച്ച് ഒരു ശിപാർശക വെബ് ആപ്പ് നിർമ്മിക്കുക | [Python](4-Classification/4-Applied/README.md) | ജെൻ |
| 14 | ക്ലസ്റ്ററിങ്ങിലേക്ക് പരിചയം | [Clustering](5-Clustering/README.md) | ഡാറ്റ ശുചീകരണം, തയ്യാറാക്കൽ, വിസ്വലൈസ്; ക്ലസ്റ്ററിങ്ങിലേക്ക് പരിചയം | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | ജെൻ • എറിക് വഞ്ജാവ് |
| 16 | സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിങ്ങിലേക്ക് പരിചയം ☕️ | [Natural language processing](6-NLP/README.md) | ലളിതമായ ബോട്ട് നിർമ്മിച്ച് NLP അടിസ്ഥാനങ്ങൾ പഠിക്കുക | [Python](6-NLP/1-Introduction-to-NLP/README.md) | സ്റ്റെഫൻ |
| 17 | സാധാരണ NLP പ്രവർത്തനങ്ങൾ ☕️ | [Natural language processing](6-NLP/README.md) | ഭാഷാ ഘടനകളെ കൈകാര്യം ചെയ്യുമ്പോൾ ആവശ്യമായ സാധാരണ പ്രവർത്തനങ്ങൾ മനസ്സിലാക്കുക | [Python](6-NLP/2-Tasks/README.md) | സ്റ്റെഫൻ |
| 18 | വിവർത്തനവും ആത്മീയ വിശകലനവും ♥️ | [Natural language processing](6-NLP/README.md) | ജെയ്ൻ ഓസ്റ്റ്ന് ഉപയോഗിച്ച് വിവർത്തനവും ആത്മീയ വിശകലനവും | [Python](6-NLP/3-Translation-Sentiment/README.md) | സ്റ്റെഫൻ |
| 19 | യൂറോപ്യൻ പ്രണയ ഹോട്ടലുകൾ ♥️ | [Natural language processing](6-NLP/README.md) | ഹോട്ടൽ റിവ്യൂകളാൽ ആത്മീയ വിശകലനം 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | സ്റ്റെഫൻ |
| 20 | യൂറോപ്യൻ പ്രണയ ഹോട്ടലുകൾ ♥️ | [Natural language processing](6-NLP/README.md) | ഹോട്ടൽ റിവ്യൂകളാൽ ആത്മീയ വിശകലനം 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | സ്റ്റെഫൻ |
| 21 | ടൈം സീരീസ് പ്രവചനത്തിന് പരിചയം | [Time series](7-TimeSeries/README.md) | ടൈം സീരീസ് പ്രവചനത്തിൽ അടിസ്ഥാനപരിചയം | [Python](7-TimeSeries/1-Introduction/README.md) | ഫ്രാൻസെസ്ക |
| 22 | ⚡️ ലോക വൈദ്യുതി ഉപയോഗം ⚡️ - ARIMA ഉപയോഗിച്ചുള്ള ടൈം സീരീസ് പ്രവചന | [Time series](7-TimeSeries/README.md) | ARIMA ഉപയോഗിച്ച് ടൈം സീരീസ് പ്രവചന | [Python](7-TimeSeries/2-ARIMA/README.md) | ഫ്രാൻസെസ്ക |
| 23 | ⚡️ ലോക വൈദ്യുതി ഉപയോഗം ⚡️ - SVR ഉപയോഗിച്ചുള്ള ടൈിം സീരീസ് പ്രവചന | [Time series](7-TimeSeries/README.md) | Support Vector Regressor ഉപയോഗിച്ചുള്ള ടൈം സീരീസ് പ്രവചന | [Python](7-TimeSeries/3-SVR/README.md) | അനിർബൻ |
| 24 | ശക്തിവർദ്ധക പഠനത്തിലെ പരിചയം | [Reinforcement learning](8-Reinforcement/README.md) | Q-ലേണിംഗ് ഉപയോഗിച്ച് ശക്തിവർദ്ധക പഠനത്തിൽ പരിചയം | [Python](8-Reinforcement/1-QLearning/README.md) | ഡിമിത്രി |
| 25 | പീറ്ററിന് നീരാളൻ തടയാൻ സഹായിക്കുക! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | റീൻഫോർസ്മെന്റ് ലേണിംഗ് ജിം | [Python](8-Reinforcement/2-Gym/README.md) | ഡിമിത്രി |
| അപസ്മാരം | യഥാർത്ഥ ലോക ML സ്ഥിതികളും പ്രയോഗങ്ങളും | [ML in the Wild](9-Real-World/README.md) | ക്ലാസിക്കൽ ML-ന്റെ അത്ഭുതകരവും വെളിപ്പെടുത്തലുകളും നിറഞ്ഞ യഥാർത്ഥ ലോക പ്രയോഗങ്ങൾ | [Lesson](9-Real-World/1-Applications/README.md) | ടീം |
| അപസ്മാരം | RAI ഡാഷ്ബോർഡ് ഉപയോഗിച്ച് ML മോഡൽ ഡീബഗിങ് | [ML in the Wild](9-Real-World/README.md) | Machine Learning മോഡൽ ഡീബഗിംഗ് RAI ഡാഷ്ബോർഡ് ഘടകങ്ങൾ ഉപയോഗിച്ച് | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Рുത് യാകുബു |
> [ഈ കോഴ്സിന് ആവശ്യമായ എല്ലാ അധിക സ്രോതസ്സുകളും Microsoft Learn ശേഖരത്തിൽ കണ്ടെത്തുക](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## ഓഫ്ലൈൻ ആക്സസ്
[Docsify](https://docsify.js.org/#/) ഉപയോഗിച്ച് നിങ്ങൾ ഈ ഡോക്യുമെന്റേഷൻ ഓഫ്ലൈൻ ഓടിക്കാം. ഈ റെപ്പോ ഫോർക്ക് ചെയ്ത്, നിങ്ങളുടെ ലൊക്കൽ മെഷീനിൽ [Docsify ഇൻസ്റ്റാൾ](https://docsify.js.org/#/quickstart)ചെയ്യുക, ശേഷം ഈ റെപ്പോയുടെ റൂട്ട് ഫോൾഡറിൽ `docsify serve` ടൈപ്പ് ചെയ്യുക. വെബ്സൈറ്റ് പോർട്ട് 3000-ൽ പ്രാദേശികമായി `localhost:3000`-ൽ സർവ് ചെയ്യപ്പെടും.
പാഠ്യപദ്ധതിയുടെ PDF ഇവിടെ കണ്ടെത്തുക [here](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## PDFs
പാഠക്രമത്തിന്റെ PDF ലിങ്കുകൾ [ഇവിടെയുണ്ട്](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 മറ്റു കോഴ്സുകൾ
നമ്മുടെ ടീം മറ്റു കോഴ്സുകളും നിർമ്മിക്കുന്നു! നോക്കൂ:
ഞങ്ങളുടെ ടീം മറ്റ് കോഴ്സുകളും ഒരുക്കുന്നു! നോക്കൂ:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -190,49 +189,50 @@ Microsoft ലിലെ Cloud Advocates നിങ്ങളുടെ സേവന
---
### ജനറേറ്റീവ് AI പരമ്പര
[](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)
[-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)
---
### മദ്ധ്യസ്ഥാന പഠനം
[](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/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
AI അപ്ലിക്കേഷനുകൾ നിർമ്മിക്കുമ്പോൾ നിങ്ങൾ കുടുങ്ങിയാൽ അല്ലെങ്കിൽ എന്തെങ്കിലും ചോദ്യങ്ങൾ ഉണ്ടെങ്കിലോ, MCP-യുമായി ബന്ധപ്പെട്ട ചര്ച്ചകളിൽ അനുഭവ സമ്പന്നരായ വികസകർ പൊതു പഠനക്കാരുമായി ചേരുക. ചോദ്യം ചോദിക്കാൻ സ്വാതന്ത്ര്യവും അറിയിപ്പ് സൗകര്യവും ഉള്ള ഒരു പിന്തുണയുള്ള സമൂഹമാണ് ഇത്.
എ.ഐ. ആപ്പുകൾ നിർമ്മിക്കുമ്പോൾ നിങ്ങള്ക്ക് തടസം ഉണ്ടാകുകയോ ചോദ്യങ്ങളുണ്ടായിരിക്കുകയോ ചെയ്താൽ, MCP-യിലെവരുടെ കൂടെ ചർച്ചകളിൽ ചേരുക. ചോദ്യങ്ങൾ സ്വാഗതം ചെയ്യുന്ന, അറിവ് സ്വതന്ത്രമായി പങ്കുവെക്കുന്ന സഹായപരമായ ഒരു സമൂഹമാണ് ഇത്.
- ഓരോ പാഠവും കഴിഞ്ഞ് നോട്ട്ബുക്കുകൾ അവലോകനം ചെയ്യുക മനസ്സിലാക്കാൻ സഹായിക്കും.
- ആല്ഗാരിതങ്ങൾ സ്വയം പ്രയോജനപ്പെടുത്താൻ പരിശീലനമെടുക്കുക.
- പഠിച്ച ആശയങ്ങൾ ഉപയോഗിച്ച് യഥാർത്ഥ ലോക ഡാറ്റാ സെറ്റുകൾ പരിശോധിക്കുക.
## അധിക പഠന ടിപ്പുകൾ
- ഓരോ പാഠത്തിനും ശേഷം നോട്ട്ബുക്കുകൾ അവലോകനം ചെയ്യുക നല്ലൊരു മനസ്സിലാക്കലിനായി.
- ആല്ഗോറിതം സ്വയം പ്രയോഗിച്ച് അഭ്യാസം നടത്തുക.
- പഠിച്ച ആശയങ്ങൾ ഉപയോഗിച്ച് യാഥാർഥ ശേഖരങ്ങൾ അന്വേഷിക്കുക.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**അയക്കിപ്പ്**:
ഈ രേഖ [Co-op Translator](https://github.com/Azure/co-op-translator) എന്ന AI വിവർത്തന സേവനം ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. ഞങ്ങൾ കൃത്യത ഉറപ്പാക്കാൻ ശ്രമിച്ചുവെങ്കിലും, യന്ത്രക്രമം അടങ്ങിയ വിവർത്തനങ്ങളിൽ പിഴവുകൾ അല്ലെങ്കിൽ അശുദ്ധികൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മൂലഭാഷയിലെ ആദ്യരൂപം മാത്രം അതിന്റേതായ സ്വതന്ത്ര സ്രോതസ്സായി പരിഗണിക്കേണ്ടതാണ്. പ്രധാനപ്പെട്ട വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മാനവ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
**അസൂയാനിർദേശം**:
ഈ രേഖ [Co-op Translator](https://github.com/Azure/co-op-translator) എന്ന AI പരിഭാഷാ സേവനം ഉപയോഗിച്ച് പരിഭാഷപ്പെടുത്തിയതാണ്. ഞങ്ങൾ കൃത്യതയ്ക്കായി ശ്രമിക്കുന്നെങ്കിലും, യന്ത്രപരിഭാഷകളിൽ പിശകുകളും അകൃത്യതകളും ഉണ്ടാകാമെന്ന് ശ്രദ്ധിക്കുക. മൂല രേഖ അതിന്റെ സ്വദേശീയ ഭാഷയിൽ അവകാശവിശ്വാസീയമായ സ്രോതസായി പരിഗണിക്കേണ്ടതാണ്. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ പരിഭാഷാ സേവനം ശിപാർശ ചെയ്യപ്പെടുന്നു. ഈ പരിഭാഷ ഉപയോഗിച്ചുപിന്നിലുണ്ടാകാവുന്ന യാതൊരു തെറ്റിദ്ധാരണകൾക്കും പ്രശ്നങ്ങൾക്കും ഞങ്ങൾ ഉത്തരവാദികളല്ല.
> ఈ రిపోసిటరీలో 50+ భాషా అనువాదాలు ఉన్నాయి, ఇవి డౌన్లోడ్ పరిమాణాన్ని గణనీయంగా పెంచుతాయి. అనువాదాలు లేకుండా క్లోన్ చేసుకోవడానికి, స్పార్స్ చెకౌట్ ఉపయోగించండి:
> ఈ రిపాజిటరీ 50+ భాషా అనువాదాలను కలిగి ఉంది, ఇది డౌన్లోడ్ పరిమాణాన్ని గణనీయంగా పెంచుతుంది. అనువాదాలు లేకుండానే క్లోన్ చేయడానికి, sparse checkout ఉపయోగించండి:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,147 +33,147 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> ఈ విధంగా మీరు కోర్సును పూర్తి చేయడానికి అవసరమైన అన్నింటినీ తక్షణంగా పొందవచ్చు.
> ఇది కోర్సును పూర్తిచేయడానికి అవసరమైన అన్ని వాటిని వేగవంతమైన డౌన్లోడ్తో మీకు ఇస్తుంది.
మనం ఒక Discord లో "learn with AI" సీరీస్ జరుగుతున్నది, మరింత తెలుసుకోండి మరియు 18 - 30 సెప్టెంబర్, 2025 వరకు [Learn with AI Series](https://aka.ms/learnwithai/discord) వద్ద మాతో చేరండి. మీరు GitHub Copilot ను Data Science కోసం ఉపయోగించే సూచనలు మరియు మాయాజాలాలను పొందగలుగుతారు.
మా వద్ద AI సిరీస్తో కూడిన Discord సీక్వెన్స్ కొనసాగుతోంది, మరిన్ని వివరాలు మరియు మా తో చేరడానికి [Learn with AI Series](https://aka.ms/learnwithai/discord) కు 18 - 30 సెప్టెంబర్, 2025 లో వచ్చండి. మీరు GitHub Copilot ను డేటా సైన్స్ కోసం ఉపయోగించే చిట్కాలు మరియు సలహాలు పొందుతారు.
# కొత్తవారికి మెషీన్ లెర్నింగ్ - ఒక పాఠ్యક્રમం
# ప్రారంభికుల కోసం మెషిన్ లెర్నింగ్ - ఒక పాఠ్యాంశం
> 🌍 ప్రపంచ సంస్కృతుల ద్వారా మెషీన్ లెర్నింగ్ను అన్వేషించడమే మన ప్రయాణం 🌍
> 🌍 ప్రపంచ సంస్కృతుల ద్వారా మెషిన్ లెర్నింగ్ ను అనువర్తనం చేస్తూ ప్రపంచాన్ని చుట్టూ ప్రయాణించండి 🌍
Microsoftలో క్లౌడ్ అడ్వొకేట్లు **మెషీన్ లెర్నింగ్** గురించి 12-వారం, 26-పాఠాలు కలిగిన పాఠ్యક્રમాన్ని అందిస్తున్నందుకు సంతోషిస్తున్నాము. ఈ పాఠ్యക്രമంలో, మీరు కొన్ని సందర్భాలలో **క్లాసిక్ మెషీన్ లెర్నింగ్** అనే పద్ధతులను నేర్చుకుంటారు, ప్రధానంగా Scikit-learn లైబ్రరీ ఉపయోగించి, డీప్ లెర్నింగ్ను తప్పించుకుంటూ, ఇది మన [AI for Beginners' curriculum](https://aka.ms/ai4beginners) లో ఉన్నది. ఈ పాఠ్యక్రమాన్ని మన ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) తో జత చేస్తే బాగుంటుంది!
మైక్రోసాఫ్ట్ యొక్క క్లౌడ్ అడ్వొకేట్స్ ఒక 12 వారాల, 26 పాఠాల పాఠ్యాంశాన్ని అందిస్తున్నందుకు సంతృప్తి చెందుతున్నారు. ఈ పాఠ్యాంశంలో మీరు ప్రాముఖ్యంగా Scikit-learn లైబ్రరీని ఉపయోగించి మరియు డీప్ లెర్నింగ్ ను తప్పిస్తూ, కొన్నిసార్లు **సాంప్రదాయ మెషిన్ లెర్నింగ్** అని పిలవబడే విషయాలను నేర్చుకుంటారు, ఇది మా [AI for Beginners' curriculum](https://aka.ms/ai4beginners) లో అందించబడినది. ఈ పాఠాలను మా ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) తో కలిపి కూడా చూడండి!
ప్రపంచం మొత్తం నుండి డేటాను తీసుకుని ఈ క్లాసిక్ పద్ధతులను మనం అన్వయిస్తాం. ప్రతి పాఠంలో ప్రీ మరియు పోస్టు-పాఠం క్విజ్లు, పాఠం పూర్తి చేసేందుకు రచనాత్మక ఆదేశాలు, ఒక పరిష్కారం, ఒక అసైన్మెంట్ మరియు ఇతర వివరాలు ఉంటాయి. మన ప్రాజెక్ట్-ఆధారిత పద్ధతి వల్ల మీరు అభ్యాసం చేస్తూ నేర్చుకుంటారు, ఇది కొత్త నైపుణ్యాలను గ్రహించడానికి చాలా ఉపయోగకరం.
ప్రపంచంలోని అనేక ప్రాంతాల నుండి సేకరించిన డేటాకు ఈ సాంప్రదాయ సాంకేతికతలను అనువర్తనం చేస్తూ మా తో కలిసే ప్రయాణం చేయండి. ప్రతి పాఠం ముందుగా మరియు తర్వాత పరీక్షలు, పాఠ్య సూచనలు, పరిష్కారాలు, అసైనిమెంట్లు మరియు మరిన్ని అంశాలను అందిస్తుంది. మా ప్రాజెక్ట్ ఆధారిత పద్ధతి మీరు నిర్మించేటప్పుడు నేర్చుకునేలా చేస్తుంది, ఇది కొత్త నైపుణ్యాలు మరింత నిలిచిపోయే నిరూపిత మార్గం.
**✍️ హృదయపూర్వక ధన్యవాదాలు మా రచయితలకు**: Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu మరియు Amy Boyd
**✍️ మా రచయితలకు హృదయపూర్వక ధన్యవాదాలు**: జెన్ లూపర్, స్టీఫెన్ హావెల్, ఫ్రాన్సెస్కా లాజెర్, టోమోమీ ఇమురా, క్యాస్సీ బ్రేవియు, డిమిత్రి సోశనికోవ్, క్రిస్ నోరింగ్, అనిర్బన్ ముకర్నీ, ఒర్నెల్లా ఆల్టున్యన్, రూత్ యకుబ్ మరియు ఏమీ బాయిడ్
**🎨 మాకు చిత్రాలు అందించిన**: Tomomi Imura, Dasani Madipalli, మరియు Jen Looper కు ధన్యవాదాలు
**🎨 మా చిత్రకారులకు కూడా ధన్యవాదాలు**: టోమోమీ ఇమురా, దసాని మడిపల్లి, మరియు జెన్ లూపర్
**🙏 ప్రత్యేక ధన్యవాదాలు 🙏 మా Microsoft Student Ambassador రచయితలు, సమీక్షకులు, మరియు కంటెంట్ సహకారిణులకు**, ముఖ్యంగా Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, మరియు Snigdha Agarwal
**🙏 ప్రత్యేక ధన్యవాదాలు 🙏 మా మైక్రోసాఫ్ట్ స్టూడెంట్ అంబాసిడార్ రచయితలు, సమీక్షకులు మరియు కంటెంట్ కండ్రిబ్యూటర్లు**, ముఖ్యంగా రిషిత్ దాగ్లీ, ముహమ్మద్ సాకిబ్ ఖాన్ ఇనాన్, రోహన్ రాజ్, అలెగ్జాండ్రు పెట్రెస్కు, అభిషేక్ జైస్వాల్, నావ్రిన్ టబస్సుమ్, ఐకాన్ సముయిలా, మరియు స్నిగ్ధ అగర్వాల్
**🤩 R పాఠాల కొరకు Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, మరియు Vidushi Gupta కు అదనపు కృతజ్ఞతలు!**
**🤩 అదనపు కృతజ్ఞతలు మా R పాఠాలకు మైక్రోసాఫ్ట్ స్టూడెంట్ అంబాసిడార్లు ఎరిక్ వాన్జావ్, జస్లీన్ సون్దీ, మరియు విదుషి గుప్తా**
# ప్రారంభించడం
# ప్రారంభం ఎలా చేయాలి
ఈ దశలను అనుసరించండి:
1. **రిపోజిటరీని Fork చేసుకోండి**: ఈ పేజీ పైకుడి కోనలో ఉన్న "Fork" బటన్ పై క్లిక్ చేయండి.
> [ఈ కోర్సుకు సంబంధించిన అన్ని అదనపు వనరులను మా Microsoft Learn సేకరణలో చూడండి](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [ఈ కోర్సుకు సంబంధించిన అన్ని అదనపు వనరులు మా Microsoft Learn సేకరణలో చూడండి](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **సహాయం కావాలా?** సాధారణ ఇన్స్టాలేషన్, సెటప్, మరియు పాఠాలు నడిపించడంలో సమస్యలకు మేము [Troubleshooting Guide](TROUBLESHOOTING.md) అందిస్తున్నాము.
> 🔧 **సహాయం కావాలా?** ఇన్స్టాలేషన్, సెటప్, మరియు పాఠాలు నడిపే సమయంలో సాధారణ సమస్యలు పరిష్కరించడానికి మా [ట్రబుల్షూటింగ్ గైడ్](TROUBLESHOOTING.md) చూడండి.
**[విద్యార్థులు](https://aka.ms/student-page)**, ఈ పాఠ్యక్రమం ఉపయోగించేందుకు, మీరు ఈ మొత్తం రెపోను మీ GitHub ఖాతాకు ఫోర్క్ చేసి, స్వయంగా లేదా జట్టుతో వ్యాయామాలు పూర్తి చేయండి:
**[విద్యార్థులు](https://aka.ms/student-page)**, ఈ పాఠ్యాంశాన్ని ఉపయోగించడానికి, మొత్తం రిపోజిటరీని మీ GitHub ఖాతాలో ఫోర్క్ చేసి, స్వయంగా లేదా గ్రూపుగా వ్యవహరించండి:
- ప్రీ-లెక్చర్ క్విజ్ తో ప్రారంభించండి.
- పాఠం చదవండి మరియు క్రియాకలాపాలను పూర్తి చేయండి, ప్రతి నోటిఫికేషన్ వద్ద ఆలోచింప జేయండి.
- ప్రాజెక్టులు సృష్టించే ప్రయత్నం చెయ్యండి, పరిష్కార కోడ్ నడపడం కాకుండా పాఠాలు అర్థం చేసుకుంటూ; ఆ కోడ్ /solution ఫోల్డర్లలో అందుబాటులో ఉంటుంది.
- పోస్ట్-లెక్చర్ క్విజ్ చేయండి.
- ముందస్తు పాఠ శిక్షణ క్విజ్ తో ప్రారంభించండి.
- పాఠ్యాన్ని చదవండి మరియు కార్యకలాపాలను పూర్తి చేయండి, ప్రతి జ్ఞాన తనిఖీ వద్ద ఆగి, ఆలోచించండి.
- పరిష్కార కోడ్ ను నడపకుండా పాఠాలను అర్థం చేసుకొని ప్రాజెక్టులను సృష్టించడానికి ప్రయత్నించండి; అయితే ఆ కోడ్ ప్రతి ప్రాజెక్ట్-ఆధారిత పాఠంలో `/solution` ఫోల్డర్లలో అందుబాటులో ఉంటుంది.
- పాఠం అనంతరం క్విజ్ తీసుకోండి.
- ఛాలెంజ్ పూర్తి చేయండి.
- అసైన్మెంట్ పూర్తి చేయండి.
- పాఠాల గుంపు పూర్తయిన తర్వాత, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) ను సందర్శించండి మరియు 'PAT రుబ్రిక్'ని సరిగ్గా పూరించి "స్పష్టంగా నేర్చుకోండి." PAT అంటే మీరు మీ అభ్యాసాన్ని ముందుకు తీసుకెళ్లేందుకు పూర్తి చేసే ప్రోగ్రెస్ అసెస్మెంట్ టూల్. మీరు ఇతర PATs కు కూడా స్పందించి మనం కలిసి నేర్చుకోవచ్చు.
- పాఠం సమూహం పూర్తిచేసిన తర్వాత, [చర్చా ఫలకం](https://github.com/microsoft/ML-For-Beginners/discussions) సందర్శించి, సరైన PAT రుబ్రిక్ నింపి "మీరు నేర్చుకున్నది బయటపెట్టండి". 'PAT' అంటే ప్రోగ్రెస్ అసెస్మెంట్ టూల్, ఇది మీరు మీ అభ్యాసాన్ని పెంచడానికి నింపే రుబ్రిక్. మీరు ఇతర PATలకు కూడా స్పందించవచ్చు, అందువల్ల మనం కలసి నేర్చుకుంటాము.
> మరింత అభ్యాసం కొరకు, ఈ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) మాడ్యూల్స్ మరియు లెర్నింగ్ పాథ్స్ ను అనుసరించండి.
> ఇంకా అభ్యాసం కోసం, ఈ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) మాడ్యూల్స్ మరియు అభ్యాస మార్గాలను అనుసరించమని మేము సిఫార్సు చేస్తున్నాము.
**ఉపాధ్యాయులు**, ఈ పాఠ్యక్రమాన్ని ఎలా ఉపయోగించాలో కొంత సలహాలు మేము [కొత్తగా చేర్చాము](for-teachers.md).
**ఉపాధ్యాయులు**, ఈ పాఠ్యాంశాన్ని ఉపయోగించే విధానం పై మేము కొన్ని [సూచనలు](for-teachers.md) చేర్చాము.
---
## వీడియో వాక్థ్రూ
## వీడియో వాక్త్రోల్స్
కొన్ని పాఠాలు చిన్నవీడియోలుగా అందుబాటులో ఉన్నాయి. మీరు ఇవన్నీ పాఠాలలో పక్కననే చూడవచ్చు, లేదా [ML for Beginners ప్లేలిస్ట్ ను Microsoft Developer YouTube ఛానెల్లో](https://aka.ms/ml-beginners-videos) క్రింది చిత్రం క్లిక్ చేసి చూడవచ్చు.
కొన్ని పాఠాలు చిన్న వీడియో రూపంలో అందుబాటులో ఉన్నాయి. మీరు ఈ వీడియోలను పాఠాలలో పక్కన చూడవచ్చు లేదా [Microsoft Developer YouTube ఛానెల్పై ML for Beginners ప్లేలిస్ట్](https://aka.ms/ml-beginners-videos) లో దిగువ చిత్రంపై క్లిక్ చేసి చూడవచ్చు.
[](https://aka.ms/ml-beginners-videos)
> 🎥 పై చిత్రాన్ని క్లిక్ చేసి ప్రాజెక్ట్ మరియు అంద darin వారు గురించి వీడియో చూడండి!
> 🎥 ప్రాజెక్టు మరియు అందిన వారు గురించి వీడియో కోసం పై చిత్రాన్ని క్లిక్ చేయండి!
---
## పాఠ్య విధానం
## పాఠ్య విభాగం
మేము ఈ పాఠ్యక్రమాన్ని నిర్మించడంలో రెండు ముఖ్యమైన పాఠ్య సిద్ధాంతాలను ఎంచుకున్నాము: ఇది **ప్రాక్టికల్ ప్రాజెక్ట్ ఆధారితం** కావాలి మరియు **తదుపరి తరచూ క్విజ్లు** ఉండాలి. అదనంగా, ఈ పాఠ్యక్రమానికి ఒక సాధారణ **విషయం** ఉంటుంది, ఇది పాఠ్యక్రమాన్ని సుస్పష్టంగా చేస్తుంది.
ఈ పాఠ్యాంశాన్ని రూపొందించేటప్పుడు మేము రెండు విద్యా సిద్ధాంతాలను ఎంచుకున్నాము: ఇది **ప్రాజెక్ట్ ఆధారిత** గా ఉండటం మరియు అందులో **తీవ్రమైన క్విజ్లు** ఉండటం. అదనంగా, ఈ పాఠ్యాంశానికి ఒక సాధారణ **థీము** కలిగి ఉండటం అందించే వర్తకత కోసం.
కంటెంట్ ప్రాజెక్ట్లతో సమన్వయంగా ఉన్నప్పుడు, విద్యార్థులు ఎక్కువ ఆసక్తితో నేర్చుకోవడం మరియు కాన్సెప్ట్ల మెమరేషన్ మెరుగుపడుతుంది. తరగతి మొదట ఒక తక్కువ-పనికి క్విజ్ విద్యార్థిని ఆ విషయాన్ని నేర్చుకునేందుకు ఉద్దేశం పెట్టిస్తుంది, తరువాతి క్విజ్ మరింత మెమరేషన్కు సహాయపడుతుంది. ఈ పాఠ్యక్రమం మెరుగైన అనుకూలతను కలిగి, పూర్తి లేదా భాగంగా తీసుకోవచ్చు. ప్రాజెక్టులు చిన్నగా మొదలై చివరికి క్లిష్టత పెరుగుతాయి. ఈ పాఠ్యక్రమంలో ML యొక్క వాస్తవ ప్రపంచ కార్యక్రమాల గురించి ఒక పుస్తకారం కూడా ఉంది, దీన్ని అదనపు క్రెడిట్ లేదా చర్చకు ఉపయోగించవచ్చు.
విషయము ప్రాజెక్టులతో అనుసంధానం అయ్యేలా చూసుకోవడం వలన విద్యార్థుల కోసం ప్రక్రియ మరింత ఆకర్షణీయమవుతుందని, భావనల నిలుపుదల మరింత మెరుగ్గా ఉంటుందని ఆశించవచ్చు. అదనంగా, తరగతి ముందు తీసుకునే తక్కువ-పూకాల క్విజ్ విద్యార్థి లక్ష్యాన్ని నేర్చుకునే దిశగా సెట్ చేస్తుంది, తరగతి తర్వాత రెండవ క్విజ్ మరింత నిలుపుదలను నిర్ధారిస్తుంది. ఈ పాఠ్యాంశం అనుకూలంగా మరియు సంతోషంగా ఉంటుందని రూపొందించబడింది; మొత్తం లేదా భాగంగా తీసుకోవచ్చు. ప్రాజెక్టులు చిన్నదనుండి మొదలై 12వారం చక్రం చివరికి క్లిష్టత పెరుగుతుంది. ఇది ML యొక్క వాస్తవ ప్రపంచ ఉపయోగాలపై ఒక పోస్ట్స్క్రిప్ట్ను కూడా కలిగి ఉంది; ఇది అదనపు క్రెడిట్ లేదా చర్చ కోసం ఉపయోగించవచ్చు.
> మా [ప్రవర్తనా నియమాలు](CODE_OF_CONDUCT.md), [ఒపందం](CONTRIBUTING.md), [అనువాదం](TRANSLATIONS.md), మరియు [సమస్య పరిష్కారం](TROUBLESHOOTING.md) మార్గదర్శకాలని చూడండి. మీ అభిప్రాయాలను స్వాగతిస్తున్నాము!
> మా [కోడ్ ఆఫ్ కండక్ట్](CODE_OF_CONDUCT.md), [కాంట్రిబ్యూటింగ్](CONTRIBUTING.md), [అనువాదాలు](..), మరియు [ట్రబుల్షూటింగ్](TROUBLESHOOTING.md) మార్గదర్శకాలను చూడండి. మీ నిర్మాణాత్మక అభిప్రాయాలను స్వాగతిస్తాము!
> **భాషల గురించి ఒక గమనిక**: ఈ పాఠాలు ప్రధానంగా Pythonలో రాయబడ్డవి, కాని చాలా పాఠాలు Rలో కూడా అందుబాటులో ఉన్నాయి. R పాఠం పూర్తి చేయడానికి, మీరు `/solution` ఫోల్డర్లోకి వెళ్లి R పాఠాలను చూడండి. అవి .rmd యాక్స్టెన్షన్ కలిగి ఉంటాయి, ఇది **R Markdown** ఫైల్కు చెందినది, దీన్ని సులభంగా `code chunks` (R లేదా ఇతర భాషల కోడ్ భాగాలు) మరియు `YAML header` (PDF లాంటి అవుట్పుట్లను ఎలా ఫార్మాట్ చేయాలో మార్గనిర్దేశం చేసే)తో కూడిన `Markdown document`గా నిర్వచించవచ్చు. అందువల్ల, ఇది డేటా సైన్స్ కోసం ఒక ఆదర్శ రచనా ఫ్రేమ్వర్క్గా పనిచేస్తుంది, ఎందుకంటే మీరు మీ కోడ్, దాని అవుట్పుట్ మరియు మీ ఆలోచనలను Markdownలో వ్రాయడానికి అనుకూలిస్తుంది. ఇంకా, R Markdown డాక్యుమెంటులను PDF, HTML లేదా Word వంటి అవుట్పుట్ ఫార్మాట్లకు మార్చవచ్చు.
> **క్విజ్ల గురించి ఒక గమనిక**: అన్ని క్విజ్లు [Quiz App ఫోల్డర్](../../quiz-app)లో ఉన్నాయి, మొత్తం 52 క్విజ్లు, ప్రతి ఒక్కటి మూడు ప్రశ్నలతో కూడుకున్నవి. అవి పాఠాలలో నుండి లింక్ చేయబడ్డాయి కానీ క్విజ్ యాప్ను స్థానికంగా రన్ చేయవచ్చు; స్థానికంగా హోస్ట్ చేయడానికి లేదా Azureలో డిప్లాయ్ చేసేందుకు `quiz-app` ఫోల్డర్లో ఇచ్చిన సూచనలను అనుసరించండి.
| పాఠం సంఖ్య | విషయం | పాఠం సమూహం | అభ్యాస లక్ష్యాలు | లింక్ చేయబడిన పాఠం | రచయిత |
| 01 | మెషీన్ లెర్నింగ్కు పరిచయం | [Introduction](1-Introduction/README.md) | మెషీన్ లెర్నింగ్ పునాదులు నేర్చుకోండి | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | మెషీన్ లెర్నింగ్ చరిత్ర | [Introduction](1-Introduction/README.md) | ఈ రంగం వెనుక ఉన్న చరిత్ర తెలుసుకోండి | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | ఇన్పాటు మరియు మెషీన్ లెర్నింగ్ | [Introduction](1-Introduction/README.md) | మెషీన్ లెర్నింగ్ నమూనాలు నిర్మించే మరియు ఉపయోగించే సమయంలో పరిశీలించవలసిన ఇన్పాటు సంబంధమైన ముఖ్య తత్త్వాలు ఏమిటి? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | మెషీన్ లెర్నింగ్ సాంకేతిక పద్ధతులు | [Introduction](1-Introduction/README.md) | మెషీన్ లెర్నింగ్ పరిశోధకులు ఎలాంటి పద్ధతులను ఉపయోగించి ML నమూనాలను నిర్మిస్తారు? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | రెగ్రెషన్కు పరిచయం | [Regression](2-Regression/README.md) | Python మరియు Scikit-learn ఉపయోగించి రెగ్రెషన్ మోడల్స్ మొదలు పెట్టండి | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | నార్త్ అమెరికన్ పంశిన్ప్ ధరలు 🎃 | [Regression](2-Regression/README.md) | మెషీన్ లెర్నింగ్ కోసం డేటాను విజువలైజ్ చేసి శుభ్రం చేయండి | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | నార్త్ అమెరికన్ పంశిన్ప్ ధరలు 🎃 | [Regression](2-Regression/README.md) | లీనియర్ మరియు పాలినామియల్ రెగ్రెషన్ మోడల్స్ నిర్మించండి | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | నార్త్ అమెరికన్ పంశిన్ప్ ధరలు 🎃 | [Regression](2-Regression/README.md) | లాజిస్టిక్ రెగ్రెషన్ మోడల్ నిర్మించండి | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | వెబ్ యాప్ 🔌 | [Web App](3-Web-App/README.md) | మీరు ప్రక్షిక్షణ చేసిన మోడల్ ఉపయోగించే వెబ్ యాప్ నిర్మించండి | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | వర్గీకరణకు పరిచయం | [Classification](4-Classification/README.md) | మీ డేటాను శుభ్రం చేయండి, సిద్ధం చేసుకోండి, విజువలైజ్ చేయండి; వర్గీకరణకు పరిచయం | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | ఆసియన్ మరియు ఇండియన్ వంటకాలు 🍜 | [Classification](4-Classification/README.md) | వర్గీకరణాల పరిచయం | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | ఆసియన్ మరియు ఇండియన్ వంటకాలు 🍜 | [Classification](4-Classification/README.md) | ఇంకా వర్గీకరణాలు | [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 | ఆసియన్ మరియు ఇండియన్ వంటకాలు 🍜 | [Classification](4-Classification/README.md) | మీ మోడల్ ఉపయోగించి రికమెండర్ వెబ్ యాప్ నిర్మించండి | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | క్లస్టరింగ్కు పరిచయం | [Clustering](5-Clustering/README.md) | మీ డేటాను శుభ్రం చేసి సిద్ధం చేసుకోండి; క్లస్టరింగ్కు పరిచయం | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | నైజీరియన్ సంగీత రుచులు 🎧 | [Clustering](5-Clustering/README.md) | K-Means క్లస్టరింగ్ పద్ధతిని అధ్యయనం చేయండి | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | సహజ భాషా ప్రాసెసింగ్కు పరిచయం ☕️ | [Natural language processing](6-NLP/README.md) | ఒక సులభమైన బాట్ను నిర్మించి NLP ప్రాథమికాంశాలను నేర్చుకోండి | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | సాధారణ NLP పనులు ☕️ | [Natural language processing](6-NLP/README.md) | భాషా నిర్మాణాలతో వ్యవహరించేటప్పుడు అవసరమైన సాధారణ పనులను అర్థం చేసుకుని మీ NLP పరిజ్ఞానాన్ని లోతుగా ఆవలోకనం చేయండి | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | అనువాదం మరియు భావ విశ్లేషణ ♥️ | [Natural language processing](6-NLP/README.md) | జేన్ ఆస్టెన్తో అనువాదం మరియు భావ విశ్లేషణ | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | యూరప్ రొమాంటిక్ హోటల్స్ ♥️ | [Natural language processing](6-NLP/README.md) | హోటల్ సమీక్షలతో భావ విశ్లేషణ 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | యూరప్ రొమాంటిక్ హోటల్స్ ♥️ | [Natural language processing](6-NLP/README.md) | హోటల్ సమీక్షలతో భావ విశ్లేషణ 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | టైమ్ సిరీస్ ఫోర్కాస్టింగ్కు పరిచయం | [Time series](7-TimeSeries/README.md) | టైమ్ సిరీస్ ఫోర్కాస్టింగ్ పరిచయం | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ ప్రపంచ విద్యుత్ వినియోగం ⚡️ - ARIMAతో టైమ్ సిరీస్ ఫోర్కాస్టింగ్ | [Time series](7-TimeSeries/README.md) | ARIMAతో టైమ్ సిరీస్ ఫోర్కాస్టింగ్ | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ ప్రపంచ విద్యుత్ వినియోగం ⚡️ - SVRతో టైమ్ సిరీస్ ఫోర్కాస్టింగ్ | [Time series](7-TimeSeries/README.md) | Support Vector Regressorతో టైమ్ సిరీస్ ఫోర్కాస్టింగ్ | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| పోస్ట్ స్క్రిప్ట్ | వాస్తవ ప్రపంచ ML సందర్భాలు మరియు అనువర్తనాలు | [ML in the Wild](9-Real-World/README.md) | క్లాసికల్ ML వాస్తవ ప్రపంచంలో ఆసక్తికరమైన మరియు ప్రకాశవంతమైన అనువర్తనాలు | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| పోస్ట్స్క్రిప్ట్ | RAI డాష్బోర్డ్ ఉపయోగించి ML మోడల్ డీబగ్గింగ్ | [ML in the Wild](9-Real-World/README.md) | రిస్పాన్స్ిబుల్ AI డాష్బోర్డ్ భాగాల ద్వారా మెషీన్ లెర్నింగ్ మోడల్ డీబగ్గింగ్ | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [ఈ కోర్సు గురించి మా Microsoft Learn సేకరణలో మొత్తం అదనపు వనరులను ఇక్కడ కనుగొనండి](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
- సప్లిమెంటరీ పఠనం
- అసైన్మెంట్
- [పాఠం తర్వాత క్విజ్](https://ff-quizzes.netlify.app/en/ml/)
> **భాషల గురించి ఒక గమనిక**: ఈ పాఠాలు ప్రాముఖ్యంగా Python లో రాయబడ్డాయి, కాని చాలా వాటి R లో కూడా అందుబాటులో ఉన్నాయి. R పాఠం పూర్తి చేయడానికి, `/solution` ఫోల్డర్ లో ఉన్న R పాఠాలను చూడండి. అవి `.rmd` అనే విస్తరణ కలిగి ఉంటాయి, ఇది ఒక **R Markdown** ఫైల్ అని సూచిస్తుంది, దీన్ని R లేదా ఇతర భాషల యొక్క `కోడ్ ఛంక్లు` మరియు `YAML హెడర్` (PDF లాంటి అవుట్పుట్లను ఎలా ఫార్మాట్ చేయాలో దిశానిర్దేశం చేస్తుంది) కలిగిన ఒక మార్క్డౌన్ డాక్యుమెంట్ గా నిర్వచించవచ్చు. దీనివల్ల మీరు మీ కోడ్, అవుట్పుట్, మరియు ఆలోచనలను మార్క్డౌన్ లో రాసుకోవచ్చు. అంతేకాక, R Markdown డాక్యుమెంట్లు PDF, HTML, లేదా Word వంటి అవుట్పుట్ ఫార్మాట్లుగా తయారు చేయబడవచ్చు.
> **క్విజ్ల గురించి ఒక గమనిక**: అన్ని క్విజ్లు [క్విజ్ యాప్ ఫోల్డర్](../../quiz-app)లో ఉన్నాయి, మొత్తం 52 క్విజ్లు, ప్రతి ఒక్కటి మూడు ప్రశ్నలనుండి ఉంటాయి. అవి పాఠాల నుండి లింక్ చేయబడ్డాయి కానీ క్విజ్ యాప్ను స్థానికంగా కూడా నడపవచ్చు; స్థానికంగా హోస్ట్ చేయడానికి లేదా Azureకు పరిపోషించడానికి `quiz-app` ఫోల్డర్లో ఉన్న సూచనలను అనుసరించండి.
| పాఠ సంఖ్య | విషయం | పాఠ సమూహం | నేర్చుకునే లక్ష్యాలు | లింక్ చేయబడిన పాఠం | రచయిత |
| 01 | మిషన్ లెర్నింగ్ కు పరిచయం | [పరిచయం](1-Introduction/README.md) | మిషన్ లెర్నింగ్ వెనుక ఉన్న ప్రాథమిక భావనలను తెలుసుకోండి | [పాఠం](1-Introduction/1-intro-to-ML/README.md) | ముహమ్మద్ |
| 02 | మిషన్ లెర్నింగ్ చరిత్ర | [పరిచయం](1-Introduction/README.md) | ఈ రంగంపై ఆధారపడిన చరిత్రను తెలుసుకోండి | [పాఠం](1-Introduction/2-history-of-ML/README.md) | జెన్ మరియు ఏమీ |
| 03 | న్యాయవంతత్వం మరియు మిషన్ లెర్నింగ్ | [పరిచయం](1-Introduction/README.md) | మిషన్ లెర్నింగ్ మోడల్స్ నిర్మించడం మరియు వినియోగానికి సంబంధించిన న్యాయవంతత్వంపై కీలక తాత్విక అంశాలు ఏమిటి? | [పాఠం](1-Introduction/3-fairness/README.md) | తోమోమీ |
| 04 | మిషన్ లెర్నింగ్ సాంకేతికతలు | [పరిచయం](1-Introduction/README.md) | మిషన్ లెర్నింగ్ పరిశోధకులు మోడల్స్ నిర్మించడానికి ఉపయోగించే సాంకేతికతలు ఏమిటి? | [పాఠం](1-Introduction/4-techniques-of-ML/README.md) | క్రిస్ మరియు జెన్ |
| 05 | రిగ్రెషన్ కు పరిచయం | [రిగ్రెషన్](2-Regression/README.md) | రిగ్రెషన్ మోడల్స్ కోసం Python మరియు Scikit-learn తో మొదలు పెట్టండి | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | జెన్ • ఎరిక్ వాంజావ్ |
| 06 | ఉత్తర అమెరికన్ దిండు ధరలు 🎃 | [రిగ్రెషన్](2-Regression/README.md) | మిషన్ లెర్నింగ్ సిద్ధంగా డేటాను విజువలైజ్ చేయండి మరియు శుభ్రపరచండి | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | జెన్ • ఎరిక్ వాంజావ్ |
| 07 | ఉత్తర అమెరికన్ దిండు ధరలు 🎃 | [రిగ్రెషన్](2-Regression/README.md) | లీనియర్ మరియు పాలినామియల్ రిగ్రెషన్ మోడల్స్ నిర్మించండి| [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | జెన్ మరియు డిమిట్రీ • ఎరిక్ వాంజావ్ |
| 08 | ఉత్తర అమెరికన్ దిండు ధరలు 🎃 | [రిగ్రెషన్](2-Regression/README.md) | లాజిస్టిక్ రిగ్రెషన్ మోడల్ నిర్మించండి | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | జెన్ • ఎరిక్ వాంజావ్ |
| 09 | వెబ్ యాప్ 🔌 | [వెబ్ యాప్](3-Web-App/README.md) | మీ శిక్షణ పొందిన మోడల్ ఉపయోగించేందుకు వెబ్ యాప్ ను నిర్మించండి| [Python](3-Web-App/1-Web-App/README.md) | జెన్ |
| 10 | వర్గీకరణకు పరిచయం | [వర్గీకరణ](4-Classification/README.md) | మీ డేటాను శుభ్రం చేయండి, సిద్ధం చేయండి మరియు విజువలైజ్ చేయండి; వర్గీకరణకు పరిచయం| [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | జెన్ మరియు క్యాసీ • ఎరిక్ వాంజావ్ |
| 11 | రుచికర ఆసియన్ మరియు భారతీయ వంటకాలు 🍜 | [వర్గీకరణ](4-Classification/README.md) | వర్గీకరణకర్తలకు పరిచయం | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | జెన్ మరియు క్యాసీ • ఎరిక్ వాంజావ్ |
| 12 | రుచికర ఆసియన్ మరియు భారతీయ వంటకాలు 🍜 | [వర్గీకరణ](4-Classification/README.md) | మరిన్ని వర్గీకరణకর্তులు | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | జెన్ మరియు క్యాసీ • ఎరిక్ వాంజావ్ |
| 13 | రుచికర ఆసియన్ మరియు భారతీయ వంటకాలు 🍜 | [వర్గీకరణ](4-Classification/README.md) | మీ మోడల్ ఉపయోగించి ఒక సిఫార్సుదారుడి వెబ్ యాప్ ను నిర్మించండి | [Python](4-Classification/4-Applied/README.md) | జెన్ |
| 14 | క్లస్టరింగ్ కు పరిచయం | [క్లస్టరింగ్](5-Clustering/README.md) | మీ డేటాను శుభ్రం చేయండి, సిద్ధం చేయండి మరియు విజువలైజ్ చేయండి; క్లస్టరింగ్ కు పరిచయం | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | జెన్ • ఎరిక్ వాంజావ్ |
| 15 | నైజీరియన్ సంగీత రుచులను అన్వేషించడం 🎧 | [క్లస్టరింగ్](5-Clustering/README.md) | K-మీన్స్ క్లస్టరింగ్ పద్ధతిని అన్వేషించండి | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | జెన్ • ఎరిక్ వాంజావ్ |
| 16 | సహజ భాషల ప్రాసెసింగ్ కు పరిచయం ☕️ | [సహజ భాషల ప్రాసెసింగ్](6-NLP/README.md) | ఒక సింపుల్ బాట్ ను సృష్టించడం ద్వారా NLP యొక్క ప్రాథమిక విషయాలను తెలుసుకోండి | [Python](6-NLP/1-Introduction-to-NLP/README.md) | స్టీఫెన్ |
| 17 | సామాన్య NLP పనులు ☕️ | [సహజ భాషల ప్రాసెసింగ్](6-NLP/README.md) | భాషా నిర్మాణాలతో వ్యవహరించేటప్పుడు అవసరమైన సాధారణ పనులను అర్థం చేసుకొని NLP అవగాహనను లోతుగా చేసుకోండి | [Python](6-NLP/2-Tasks/README.md) | స్టీఫెన్ |
| 18 | అనువాదం మరియు భావ విశ్లేషణ ♥️ | [సహజ భాషల ప్రాసెసింగ్](6-NLP/README.md) | జేన్ ఆస్టెన్ తో అనువాదం మరియు భావ విశ్లేషణ | [Python](6-NLP/3-Translation-Sentiment/README.md) | స్టీఫెన్ |
| 19 | యూరోప్ రొమాంటిక్ హోటల్స్ ♥️ | [సహజ భాషల ప్రాసెసింగ్](6-NLP/README.md) | హోటల్ సమీక్షలతో భావ విశ్లేషణ 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | స్టీఫెన్ |
| 20 | యూరోప్ రొమాంటిక్ హోటల్స్ ♥️ | [సహజ భాషల ప్రాసెసింగ్](6-NLP/README.md) | హోటల్ సమీక్షలతో భావ విశ్లేషణ 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | స్టీఫెన్ |
| 21 | సమయ శ్రేణి ముందస్తు అంచనాకు పరిచయం | [సమయ శ్రేణి](7-TimeSeries/README.md) | సమయ శ్రేణి ముందస్తు అంచనాకు పరిచయం | [Python](7-TimeSeries/1-Introduction/README.md) | ఫ్రాన్సెస్కా |
| 22 | ⚡️ ప్రపంచ శక్తి వినియోగం ⚡️ - ARIMA తో సమయ శ్రేణి అంచనా | [సమయ శ్రేణి](7-TimeSeries/README.md) | ARIMA తో సమయ శ్రేణి అంచನಾ |[Python](7-TimeSeries/2-ARIMA/README.md) | ఫ్రాన్సెస్కా |
| 23 | ⚡️ ప్రపంచ శక్తి వినియోగం ⚡️ - SVR తో సమయ శ్రేణి అంచనా | [సమయ శ్రేణి](7-TimeSeries/README.md) | సపోర్ట్ వెక్టర్ రిగ్రెషర్ తో సమయ శ్రేణి అంచనా | [Python](7-TimeSeries/3-SVR/README.md) | అనిర్బన్ |
| 24 | రీ ఇన్ఫోర్స్మెంట్ లెర్నింగ్ కు పరిచయం | [రీ ఇన్ఫోర్స్మెంట్ లెర్నింగ్](8-Reinforcement/README.md) | Q-లెర్నింగ్ తో రీ ఇన్ఫోర్స్మెంట్ లెర్నింగ్ పరిచయం | [Python](8-Reinforcement/1-QLearning/README.md) | డిమిట్రీ |
| పోస్ట్స్క్రిప్ట్ | వాస్తవ ప్రపంచ ML సన్నివేశాలు మరియు అప్లికేషన్లు | [డబ్బులో ML](9-Real-World/README.md) | క్లాసిక్ ML యొక్క ఆసక్తికరమైన, విప్లవాత్మక యథార్థ ప్రపంచ అప్లికేషన్లు | [పాఠం](9-Real-World/1-Applications/README.md) | టీం |
| పోస్ట్స్క్రిప్ట్ | RAI డ్యాష్బోర్డ్ ఉపయోగించి ML లో మోడల్ డీబగ్గింగ్ | [డబ్బులో ML](9-Real-World/README.md) | రెస్పాన్స్బుల్ AI డ్యాష్బోర్డ్ భాగాలతో మిషన్ లెర్నింగ్ లో మోడల్ డీబగ్గింగ్ | [పాఠం](9-Real-World/2-Debugging-ML-Models/README.md) | రుధ్ యకుబు |
> [మా Microsoft Learn సేకరణలో ఈ కోర్సుకు సంబంధించిన అన్ని అదనపు వనరులను కనుగొనండి](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## ఆఫ్లైన్ యాక్సెస్
మీరు ఈ డాక్యుమెంటేషన్ను ఆఫ్లైన్లో [Docsify](https://docsify.js.org/#/) ఉపయోగించి రన్ చేయవచ్చు. ఈ రిపోని ఫోర్క్ చేసి, మీ స్థానిక యంత్రంలో [Docsify ఇన్స్టాల్](https://docsify.js.org/#/quickstart) చేసి, ఈ రిపో యొక్క రూట్ ఫోల్డర్లో `docsify serve` టైప్ చేయండి. వెబ్సైట్ స్థానికంగా పోర్ట్ 3000లో అందుబాటులో ఉంటుంది: `localhost:3000`.
[Docsify](https://docsify.js.org/#/) ఉపయోగించి మీరు ఈ డాక్యుమెంటేషన్ను ఆఫ్లైన్లో నడపవచ్చు. ఈ రెపోను ఫోর্ক్ చేసి, మీ లోకల్ మెషీన్లో [Docsifyను ఇన్స్టాల్](https://docsify.js.org/#/quickstart) చేసుకొని, ఆ తరువాత ఈ రెపో యొక్క రూట్ ఫోల్డర్లో `docsify serve` టైపు చేయండి. వెబ్సైట్ మీ లోకల్హోస్ట్పై పోర్టు 3000లో అందుబాటులో ఉంటుంది: `localhost:3000`.
## PDFs
## PDF లు
అధ్యయన పాఠ్య ప్రణాళిక PDFను [ఇక్కడ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) కనుగొనండి.
లింకులతో కూడిన పాఠ్యক্রমం PDFని [ఇక్కడ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) చూడండి.
## 🎒 ఇతర కోర్సులు
## 🎒 ఇతర కోర్సులు
మా టీమ్ ఇతర కోర్సులు కూడా సృష్టిస్తోంది! చూసుకోండి:
మా బృందం ఇతర కోర్సులను తయారు చేస్తుంది! చెక్ చేయండి:
[](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)
### Generative AI Series
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### మూలభూతం అభ్యాసం
[](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/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](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)
AI యాప్స్ తయారీలో మీరు అడ్డుకట్ట పడినట్లయితే లేదా ఏవైనా ప్రశ్నలు ఉంటే, MCP గురించి చర్చలలో పాఠశాల విద్యార్థులు మరియు అనుభవజ్ఞులైన డెవలపర్లు కలిసి చేరండి. ఇది ప్రశ్నలు అడగడానికి అనుకూలమైన కమ్యూనిటీ, ఇక్కడ విజ్ఞానం సడలింపుగా పంచుకుంటారు.
మీరు చిక్కుకుపోతే లేదా AI అనువర్తనాలు అభివృద్ధి గురించి ఏవైనా ప్రశ్నలు ఉంటే, MCP గురించి చర్చల్లో పాల్గొనే విద్యార్థులు మరియు అనుభవజ్ఞులైన డెవలపర్లతో చేరండి. ఇది ఒక సహాయక సమాజం, ఇక్కడ ప్రశ్నలు స్వాగతించబడతాయి మరియు జ్ఞానం స్వేచ్ఛగా పంచబడుతుంది.
- ప్రతి పాఠం తర్వాత నోట్బుక్స్ని సమీక్షించండి మరింత బాగా అర్థం చేసుకోవడానికి.
- స్వయంగా ఆల్గోరిథమ్స్ అమలు చేయాలని సాధన చేయండి.
- నేర్చుకున్న భావనలను ఉపయోగించి ప్రాక్టికల్ డేటా సెట్లను అన్వేషించండి.
- ప్రతి పాఠం తర్వాత నోట్బుక్లను సవివరంగా సమీక్షించండి.
- మీ స్వంతంగా అల్గోరిథంలను అమలు చేయడం సాధన చేయండి.
- నేర్చుకున్న కాన్సెప్ట్లను ఉపయోగించి వాస్తవ ప్రపంచ డేటాసెట్లను అన్వేషించండి.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**అస్పష్టత**:
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నిస్తున్నప్పటికీ, ఆటోమేటిక్ అనువాదాలలో పొరపాట్లు లేదా తప్పులుండవచ్చు. స్వదేశీ భాషలో ఉన్న అసలు పత్రం అధికారిక మూలంగా పరిగణించబడాలి. ముఖ్యమైన సమాచారం కోసం, నిపుణుల మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదాన్ని ఉపయోగించి కలిగే ఏ ఇతరార్థాలు లేదా తప్పుదారితులను మేము బాధ్యులు కాదు.
**అత్యవసర నోటీసు**:
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ద్వారా అనువదించారు. మనం ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటిక్ అనువాదాలలో పొరపాట్లు లేదా తప్పుడు వివరాలు ఉండొచ్చు. మూల పత్రాన్ని దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. కీలకమైన సమాచారం కోసం, నైపుణ్యమున్న మనుష్య అనువాదాన్ని సూచించబడుతుంది. ఈ అనువాదం వాడుకోవడం వల్ల ఏర్పడిన ఏ విధమైన తప్పుబాటులు లేదా తప్పుదారులు గురించి మేము జవాబుదారులు కారు.
localizeflow[bot]
2 weeks ago