> See hoidla sisaldab üle 50 keele tõlkeid, mis suurendavad allalaadimise mahtu. Kui soovid kloonida ilma tõlgeteta, kasuta sparse checkouti:
> See hoidla sisaldab üle 50 keele tõlkeid, mis suurendavad oluliselt allalaadimismahtu. Tõlgete ilma kloonimiseks kasuta harvendatud kontrolli (sparse checkout):
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,65 +33,65 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> See annab sulle kõik vajaliku kursuse läbimiseks palju kiiremalt.
> See annab sulle kõik vajaliku kursuse läbimiseks palju kiirema allalaadimisega.
Meil on Discordis käimas AI õppesari, saad rohkem teada ja liituda aadressil [Learn with AI Series](https://aka.ms/learnwithai/discord) ajavahemikus 18.-30. september 2025. Õpid GitHub Copiloti kasutamise nippe andmeteaduses.
Meil on käimas Discordis õppesari AI-ga, saa rohkem teada ja liitu meiega aadressil [Learn with AI Series](https://aka.ms/learnwithai/discord) 18.-30. septembril 2025. Saad nippe ja trikke GitHub Copiloti kasutamiseks andmeteaduses.
> 🌍 Reisime mööda maailma, uurides masinõpet maailma kultuuride kaudu 🌍
> 🌍 Rändame ümber maailma, uurides masinõpet läbi maailma kultuuride 🌍
Microsofti Cloud Advocates pakuvad 12-nädalast, 26-loengust koosnevat õppekava, mis on pühendatud **Masinõppele**. Selles õppekavas õpid ehk kuidas ajada niiöelda **klassikalist masinõpet**, kasutades peamiselt Scikit-learn teeki ning vältides sügavat õppimist, mida käsitletakse meie [AI algajate õppekavas](https://aka.ms/ai4beginners). Paarita need õppetunnid ka meie ['Andmeteadus algajatele' õppekavaga](https://aka.ms/ds4beginners)!
Microsofti Cloud Advocates pakuvad 12-nädalast, 26-õpetunniga õppekava, mis käsitleb **masinõpet**. Selles õppekavas õpid seda, mida mõnikord nimetatakse **klassikaliseks masinõppeks**, kasutades peamiselt Scikit-learn'i raamatukogu ja vältides süvaõpet (mida käsitletakse meie [AI algajatele õppekavas](https://aka.ms/ai4beginners)). Ühenda need õppetunnid meie ['Andmeteadus algajatele' õppekavaga](https://aka.ms/ds4beginners)!
Reisi meiega üle maailma, kui rakendame neid klassikalisi meetodeid paljude maailma piirkondade andmetele. Iga õppetund sisaldab eel- ja järelloengu viktoriine, kirjalikke juhiseid, lahendust, ülesannet ja muud. Meie projektipõhine pedagoogika võimaldab õppida praktiliselt, mis on tõestatud efektiivne viis uute oskuste omandamiseks.
Rändame koos ümber maailma ja rakendame neid klassikalisi meetodeid mitmesugustest piirkondadest pärit andmetele. Igas õppetükis on ette- ja järelülesanded, kirjalikud juhised ülesande täitmiseks, lahendus, kodutöö ja palju muud. Meie projektipõhine õpetus võimaldab sul õppida ehitades – see on tõestatud meetod uute oskuste kinnistamiseks.
**✍️ Suur tänu meie autoritele** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ja Amy Boyd
**✍️ Südamlikud tänud meie autoritele** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ja Amy Boyd
**🎨 Tänud ka meie illustraatoritele** Tomomi Imura, Dasani Madipalli ja Jen Looper
**🙏 Eriti suur tänu 🙏 meie Microsofti tudengisaadikest autoritele, ülevaatajatele ja sisuloojatele**, eelkõige Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ja Snigdha Agarwal
**🙏 Suur tänu meie Microsoft Student Ambassador autoritele, ülevaatajatele ja sisuloojatele**, eriti Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ja Snigdha Agarwal
**🤩 Tänu Microsofti tudengisaadikutele Eric Wanjau, Jasleen Sondhi ja Vidushi Gupta meie R loengute eest!**
**🤩 Täiendav tänu Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi ja Vidushi Gupta R-õppetundide eest!**
# Alustamine
Järgi neid samme:
1. **Forki hoidla**: Klõpsa selle lehe paremas ülanurgas nuppu "Fork".
Järgne neid samme:
1. **Hargne hoidla**: Vali selle lehe paremas ülanurgas nupp "Fork".
> [Leia kursusega seotud lisamaterjalid meie Microsoft Learni kollektsioonist](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [Leia kõik lisamaterjalid selle kursuse jaoks meie Microsoft Learn kogumikust](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Vajad abi?** Vaata meie [Probleemide lahendamise juhendit](TROUBLESHOOTING.md), kus on lahendused tavalistele paigaldus-, seadistus- ja loengute käivitamise probleemidele.
> 🔧 **Vaja abi?** Tutvu meie [Veaotsingu juhendiga](TROUBLESHOOTING.md), kust leiad lahendusi sagedastele probleemidele paigalduse, seadistuse ja õppetundide käivitamisega.
**[Õpilased](https://aka.ms/student-page)**, et kasutada seda õppekava, forkige kogu hoidla oma GitHubi kontole ja lahendage harjutused ise või grupis:
**[Õpilased](https://aka.ms/student-page)**, et seda õppekava kasutada, tee terve hoidla hargnemine oma GitHub kontole ja tee harjutused ise või grupiga:
- Alusta eel-loengu viktoriiniga.
- Loe loengut ja tee ülesanded, peatu ning mõtiskle iga teadmiste kontrolli juures.
- Püüa projektid üles ehitada loenguid mõistes, mitte lahenduskoodi käivitades; lahendused on saadaval ka igas projektipõhises loengus kaustas `/solution`.
- Tee järel-loengu viktoriin.
- Lahenda väljakutse.
- Alusta eelloenguks mõeldud viktoriiniga.
- Loe loengut ja soorita tegevused, peatudes ja mõeldes iga teadmistekontrolli juures.
- Proovi projekte ise luua õppetundide mõistmise alusel, mitte ainult lahenduskoodi käivitades; siiski on see kood saadaval iga projektiõpetuse `/solution` kaustas.
- Tee järelviktoriin.
- Täida väljakutse.
- Täida kodutöö.
- Pärast loengugrupi lõpetamist külasta [Arutelufoorumit](https://github.com/microsoft/ML-For-Beginners/discussions) ja "õpi valjusti", täites sobiva PAT hindamismallija. PAT on Progressiivse Hindamise Tööriist, mida täites süvendad oma õppimist. Võid ka teiste PATide leidudele reageerida, et koos õppida.
- Pärast õppetundidegrupi lõpetamist külasta [Arutelufoorumit](https://github.com/microsoft/ML-For-Beginners/discussions) ja „õpi valjult“, täites sobiva PAT hindamisskaala. 'PAT' on edenemise hindamise tööriist, mille abil saad oma õppimist süvendada. Samuti saad reageerida teiste PAT-idele, et koos õppida.
> Täiendava õppimise tarvis soovitame neid [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) mooduleid ja õtearasid.
> Edasiseks õppimiseks soovitame järgida neid [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) mooduleid ja õpiteid.
**Õpetajad**, oleme lisanud [soovitused](for-teachers.md), kuidas seda õppekava kasutada.
**Õpetajad**, oleme lisanud mõningaid [soovitusi](for-teachers.md), kuidas seda õppekava kasutada.
---
## Videokäigud
## Video juhendid
Mõned õppetunnid on saadaval lühivideotena. Saad neid vaadata õppetundide sees või [ML algajate esitusloendist Microsofti arendaja YouTube kanalil](https://aka.ms/ml-beginners-videos) pildil klõpsates.
Mõned õppetunnid on saadaval lühikeste videotena. Kõik need leiad õppetundide sisse ehitatuna või [ML for Beginners esitusloendist Microsoft Developeri YouTube kanalil](https://aka.ms/ml-beginners-videos) pildi klõpsates.
[](https://aka.ms/ml-beginners-videos)
> 🎥 Klõpsa ülaloleval pildil, et vaadata videot projekti ja selle loojate kohta!
> 🎥 Klõpsa ülaloleval pildil, et vaadata videot projektist ja inimestest, kes selle lõid!
---
## Pedagoogika
Õppekava loomisel valisime kaks pedagoogilist põhimõtet: tagada, et see on praktiline **projektipõhine** ja sisaldab **sagedasi viktoriine**. Lisaks on õppekaval ühine **teema**, mis seob kogu sisu.
Selle õppekava loomisel valisime kaks pedagoogilist põhimõtet: tagada, et see on praktiline, **projektipõhine**, ning sisaldab **sagedasi viktoriine**. Lisaks on õppekaval ühine **teema** sidususe saavutamiseks.
Sisu projektidega kooskõlla viimine muudab protsessi õpilastele kaasahaaravamaks ning suurendab kontseptsioonide meeldejäämist. Madala panusega viktoriin enne loengut seab õppijale sihi teemat omandada, teine viktoriin pärast loengut aitab teadmisi kinnistada. See õppekava on paindlik ja lõbus ning seda saab läbida tervikuna või osade kaupa. Projektid algavad väikeselt ja muutuvad 12-nädalase tsükli lõpus järjest keerulisemaks. Õppekava sisaldab ka järelmärget masinõppe reaalse maailma rakenduste kohta, mida saab kasutada lisapunktide saamiseks või arutelupõhisena.
Projektidega sobiva sisu tagamine muudab protsessi õpilaste jaoks kaasahaaravamaks ja aitab kontseptsioonidel paremini meelde jääda. Madala panusega viktoriin enne tundi seab õppurile eesmärgi teemaga tutvumiseks, ning teine viktoriin pärast tundi kindlustab mõistete püsivama kinnistamise. See õppekava on paindlik ja lõbus ning seda saab läbida tervikuna või osadena. Projektid algavad väikestest ja muutuvad 12 nädala jooksul järjest keerukamaks. Õppekavas on ka järelsõna masinõppe reaalse maailma rakenduste kohta, mida saab kasutada lisapunktide või arutelualusena.
> Tutvu meie [käitumisjuhisega](CODE_OF_CONDUCT.md), [panustamise juhistega](CONTRIBUTING.md), [tõlkimise juhistega](TRANSLATIONS.md) ja [probleemide lahendamise juhendiga](TROUBLESHOOTING.md). Hindame konstruktiivset tagasisidet!
> Leia meie [käitumiskoodeks](CODE_OF_CONDUCT.md), [panustamise juhendid](CONTRIBUTING.md), [tõlked](..) ja [veaotsingu juhendid](TROUBLESHOOTING.md). Ootame konstruktiivset tagasisidet!
> **Märk keeltest**: Need õppetunnid on peamiselt kirjutatud Pythonis, kuid paljud on saadaval ka R-is. R-õppetunni läbimiseks minge kausta `/solution` ja otsige R-õppetunnid. Neil on .rmd laiendus, mis tähistab **R Markdown** faili, mida saab lihtsalt määratleda kui `kooditükkide` (R-i või teiste keelte) ja `YAML päise` (mis juhib, kuidas vormindada väljundeid nagu PDF) manustamist `Markdown dokumendis`. Seetõttu on see eeskujuks andmeteaduse autoriraamistiku jaoks, kuna võimaldab kombineerida koodi, selle väljundi ja oma mõtted, lubades need Markdownis kirja panna. Lisaks saab R Markdown dokumente renderdada väljundvormingutesse nagu PDF, HTML või Word.
> **Märk viktoriinide kohta**: Kõik viktoriinid asuvad [Quiz App kaustas](../../quiz-app), kokku 52 viktoriini, millest igaühes on kolm küsimust. Neid lingitakse õppetundide sees, kuid viktoriinirakendust saab käivitada ka kohapeal; järgige juhiseid `quiz-app` kaustas kohalikuks hostimiseks või Azure'i juurutamiseks.
| Õppetunni number | Teema | Õppetunni grupeerimine | Õppe eesmärgid | Lingitud õppetund | Autor |
| 01 | Sissejuhatus masinõppesse | [Sissejuhatus](1-Introduction/README.md) | Õppida masinõppe põhimõisteid | [Õppetund](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Masinõppe ajalugu | [Sissejuhatus](1-Introduction/README.md) | Õppida selle valdkonna tausta puudutavat ajalugu | [Õppetund](1-Introduction/2-history-of-ML/README.md) | Jen ja Amy |
| 03 | Õiglus ja masinõpe | [Sissejuhatus](1-Introduction/README.md) | Millised on olulised filosoofilised küsimused õiglusest, mida õpilased peaksid kaaluma masinõppemudelite ehitamisel ja kasutamisel? | [Õppetund](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Masinõppe tehnikad | [Sissejuhatus](1-Introduction/README.md) | Milliseid tehnikaid kasutavad masinõppe uurijad mudelite loomiseks? | [Õppetund](1-Introduction/4-techniques-of-ML/README.md) | Chris ja Jen |
| 05 | Sissejuhatus regressiooni | [Regressioon](2-Regression/README.md) | Alustada Pythoniga ja Scikit-learniga regressioonimudelite puhul | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Põhja-Ameerika kõrvitsa hinnad 🎃 | [Regressioon](2-Regression/README.md) | Andmete visualiseerimine ja puhastamine masinõppeks valmistumiseks | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Põhja-Ameerika kõrvitsa hinnad 🎃 | [Regressioon](2-Regression/README.md) | Ehita lineaarsed ja polünoomsed regressioonimudelid | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen ja Dmitry • Eric Wanjau |
| 08 | Põhja-Ameerika kõrvitsa hinnad 🎃 | [Regressioon](2-Regression/README.md) | Ehita logistiline regressioonimudel | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Veebirakendus 🔌 | [Veebirakendus](3-Web-App/README.md) | Ehita veebirakendus treenitud mudeli kasutamiseks | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Sissejuhatus klassifikatsiooni | [Klassifikatsioon](4-Classification/README.md) | Puhasta, valmista ette ja visualiseeri andmeid; sissejuhatus klassifikatsiooni | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen ja Cassie • Eric Wanjau |
| 11 | Maitsvad Aasia ja India köögid 🍜 | [Klassifikatsioon](4-Classification/README.md) | Sissejuhatus klassifikaatoritesse | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen ja Cassie • Eric Wanjau |
| 12 | Maitsvad Aasia ja India köögid 🍜 | [Klassifikatsioon](4-Classification/README.md) | Rohkem klassifikaatoreid | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen ja Cassie • Eric Wanjau |
| 13 | Maitsvad Aasia ja India köögid 🍜 | [Klassifikatsioon](4-Classification/README.md) | Ehita soovitusrakendus veebis oma mudeli põhjal | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Sissejuhatus klasterdamisse | [Klasterdamine](5-Clustering/README.md) | Puhasta, valmista ette ja visualiseeri andmeid; sissejuhatus klasterdamisse | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Nigeeria muusikamaitsete uurimine 🎧 | [Klasterdamine](5-Clustering/README.md) | Uuri K-Meansi klasterdamismeetodit | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Sissejuhatus loomuliku keele töötlemisse ☕️ | [Loomuliku keele töötlemine](6-NLP/README.md) | Õpi NLP baase, ehitades lihtsa boti | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Tavalised NLP ülesanded ☕️ | [Loomuliku keele töötlemine](6-NLP/README.md) | Süvenda teadmisi NLP-st, mõistes keelestruktuuride käsitlemisel vajaminevaid tavapäraseid ülesandeid | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Tõlge ja sentimentide analüüs ♥️ | [Loomuliku keele töötlemine](6-NLP/README.md) | Tõlge ja emotsioonianalüüs Jane Austeni tekstidega | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Euroopa romantilised hotellid ♥️ | [Loomuliku keele töötlemine](6-NLP/README.md) | Emotsioonianalüüs hotellikriitikatest 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Euroopa romantilised hotellid ♥️ | [Loomuliku keele töötlemine](6-NLP/README.md) | Emotsioonianalüüs hotellikriitikatest 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| Postscript | Masinõppe reaalsed stsenaariumid ja rakendused | [ML metsikus looduses](9-Real-World/README.md) | Klassikalise masinõppe huvitavad ja valgustavad reaalsed rakendused | [Õppetund](9-Real-World/1-Applications/README.md) | Meeskond |
| Postscript | Masinõppe mudelite silumine RAI juhtpaneeliga | [ML metsikus looduses](9-Real-World/README.md) | Masinõppe mudelite silumine kasutades Responsible AI juhtpaneeli | [Õppetund](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [leidke kõik selle kursuse lisamaterjalid meie Microsoft Learn kogus](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Võrgust väljas juurdepääs
Seda dokumentatsiooni saab käitada ka võrguühenduseta, kasutades [Docsify](https://docsify.js.org/#/). Forkige see repo, [installige Docsify](https://docsify.js.org/#/quickstart) oma kohalikusse masinasse ja seejärel tippige selle repo juurkaustas käsk `docsify serve`. Veebilehte serveeritakse pordil 3000 teie localhostil: `localhost:3000`.
> **Märkuse keelte kohta**: Need õppetunnid on kirjutatud peamiselt Pythonis, kuid paljud on saadaval ka R-keeles. R-õppetunni läbimiseks mine projekti `/solution` kausta ja otsi seal R-õppetunnid. Neil on .rmd laiend, mis tähendab **R Markdown** faili – sisuliselt on see `koodiblokkide` (R või muude keelte) ja `YAML päise` (mis juhib väljundite vormindamist, näiteks PDF) manustamine `Markdown dokumendis`. See on suurepärane raamistik andmeteaduse autorlustöödeks, sest võimaldab kombineerida koodi, selle väljundi ja oma mõtteid Markdownis. Lisaks saab R Markdown dokumente renderdada PDF, HTML või Word väljunditeks.
> **Märkus viktoriinide kohta**: Kõik viktoriinid asuvad kaustas [Quiz App folder](../../quiz-app), kokku 52 viktoriini, millest igaüks sisaldab kolme küsimust. Nendeni on viidatud õppetükkide sees, kuid viktoriinirakendust saab käivitada ka lokaalselt; juhised kohaliku hostimise või Azure’i pilve juurutamiseks leiad `quiz-app` kaustast.
| Loengu number | Teema | Loengute grupp | Õpieesmärgid | Seotud loeng | Autor |
| 01 | Masinõppe tutvustus | [Introduction](1-Introduction/README.md) | Õppida masinõppe põhikontseptsioone | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Masinõppe ajalugu | [Introduction](1-Introduction/README.md) | Tutvuda selle valdkonna ajaloolise taustaga | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Õiglus ja masinõpe | [Introduction](1-Introduction/README.md) | Millised on õiglusfilosoofia olulised küsimused, mida õpilased peaksid masinõppemudelite loomisel ja rakendamisel arvesse võtma? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Masinõppe tehnikad | [Introduction](1-Introduction/README.md) | Milliseid tehnikaid kasutavad masinõppe uurijad masinõppemudelite ehitamiseks? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Regresseerimise tutvustus | [Regression](2-Regression/README.md) | Alustada Pythoniga ja Scikit-learniga regresseerimismudelite jaoks | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Põhja-Ameerika kõrvitsa hinnad 🎃 | [Regression](2-Regression/README.md) | Andmete visualiseerimine ja puhastamine masinõppeks ettevalmistamisel | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Põhja-Ameerika kõrvitsa hinnad 🎃 | [Regression](2-Regression/README.md) | Lineaarsete ja polünoomsete regressioonimudelite loomine | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | Põhja-Ameerika kõrvitsa hinnad 🎃 | [Regression](2-Regression/README.md) | Logistilise regressioonimudeli loomine | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Veebirakendus 🔌 | [Web App](3-Web-App/README.md) | Veebirakenduse loomine oma väljaõpetatud mudeli kasutamiseks | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Klassifitseerimise tutvustus | [Classification](4-Classification/README.md) | Andmete puhastamine, ettevalmistamine ja visualiseerimine; klassifitseerimise tutvustus | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | Maitsvad Aasia ja India köögid 🍜 | [Classification](4-Classification/README.md) | Klassifikaatorite tutvustus | [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 | Maitsvad Aasia ja India köögid 🍜 | [Classification](4-Classification/README.md) | Rohkem klassifikaatoreid | [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 | Maitsvad Aasia ja India köögid 🍜 | [Classification](4-Classification/README.md) | Soovitusrakenduse loomine veebis oma mudelit kasutades | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Klasterdamise tutvustus | [Clustering](5-Clustering/README.md) | Andmete puhastamine, ettevalmistamine ja visualiseerimine; klasterdamise tutvustus | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Nigeeria muusikamaitsmete avastamine 🎧 | [Clustering](5-Clustering/README.md) | Uurida K-keskmiste klasterdamismeetodit | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Loodusliku keele töötlemise tutvustus ☕️ | [Natural language processing](6-NLP/README.md) | Õpi NLP põhialuseid lihtsa roboti loomise kaudu | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Üldised NLP ülesanded ☕️ | [Natural language processing](6-NLP/README.md) | Sügavama NLP teadmise omandamine, mõistes keelestruktuuridega seotud tavapäraseid ülesandeid | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Tõlkimine ja sentimentide analüüs ♥️ | [Natural language processing](6-NLP/README.md) | Tõlkimine ja sentimentide analüüs Jane Austeni tekstidega | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Euroopas romantilised hotellid ♥️ | [Natural language processing](6-NLP/README.md) | Sentimentide analüüs hotellide arvustustega 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Euroopas romantilised hotellid ♥️ | [Natural language processing](6-NLP/README.md) | Sentimentide analüüs hotellide arvustustega 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| Järelsõna | Klassikaliste masinõppelahenduste rakendused | [ML in the Wild](9-Real-World/README.md) | Huvitavad ja valgustavad reaalsed kasutusjuhtumid klassikalise masinõppe jaoks | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| Järelsõna | Mudelite silumine ML-is RAI juhtpaneeli abil | [ML in the Wild](9-Real-World/README.md) | Masinõppemudelite silumine kasutades Responsible AI juhtpaneeli komponente | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [Leia kõik selle kursuse lisamaterjalid meie Microsoft Learni kogumikust](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Võimalus kasutada võrguühenduseta
Seda dokumentatsiooni saab kasutada võrguühenduseta, kasutades [Docsify](https://docsify.js.org/#/). Tehke selle hoidla fork, [installige Docsify](https://docsify.js.org/#/quickstart) oma kohalikule arvutile ja seejärel selle hoidla juurkaustas tippige `docsify serve`. Veebileht teenindatakse pordil 3000 teie localhostis: `localhost:3000`.
## PDF-id
Leidke õppekava pdf linkidega [siit](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Õppekava pdf koos linkidega leiad [siit](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/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/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](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)
Kui jääd hätta või sul on küsimusi AI-rakenduste loomise kohta, liitu teiste õppijate ja kogenud arendajatega MCP teemalistes aruteludes. See on toetav kogukond, kus küsimused on teretulnud ja teadmisi jagatakse vabalt.
Kui jääd hätta või sul on AI rakenduste loomise kohta küsimusi, liitu teiste õppijate ja kogenud arendajatega MCP aruteludes. See on toetav kogukond, kus küsimusi võetakse lahkesti vastu ja teadmisi jagatakse vabalt.
- Vaata õppetükkide järel märkmeid paremaks arusaamiseks üle.
- Harjuta algoritmide iseseisvat rakendamist.
- Uuri õpitud kontseptsioonide abil reaalse maailma andmekogumeid.
- Vaata läbi märkmikud pärast iga õppetükki paremaks arusaamiseks.
- Harjuta algoritmide rakendamist iseseisvalt.
- Uuri reaalseid andmekogumeid, kasutades õpitud kontseptsioone.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Tähelepanek**:
See dokument on tõlgitud kasutades tehisintellekti tõlketeenust [Co-op Translator](https://github.com/Azure/co-op-translator). Kuigi püüame tagada täpsust, tuleb arvestada, et automatiseeritud tõlgetes võib esineda vigu või ebatäpsusi. Algne dokument selle emakeeles tuleks pidada autoriteetseks allikaks. Kriitilise tähtsusega teabe puhul soovitatakse kasutada professionaalset inimtõlget. Me ei vastuta selle tõlke kasutamisest tulenevate arusaamatuste või väärarusaamade eest.
**Vastutusest loobumine**:
See dokument on tõlgitud kasutades tehisintellektil põhinevat tõlkeplatvormi [Co-op Translator](https://github.com/Azure/co-op-translator). Kuigi püüame tagada täpsuse, tuleb arvestada, et automaatsed tõlked võivad sisaldada vigu või ebatäpsusi. Originaaldokument selle emakeeles tuleks pidada autoriteetseks allikaks. Olulise info puhul soovitatakse kasutada professionaalset inimtõlget. Me ei vastuta selle tõlke kasutamisest tulenevate arusaamatuste ega valesti mõistmiste eest.
We get one Discord "learn with AI" series wey dey go on, learn more and join us for [Learn with AI Series](https://aka.ms/learnwithai/discord) from 18 - 30 September, 2025. You go fit collect tips and now-how for how to use GitHub Copilot for Data Science.
We get Discord learn wit AI series wey dey go, learn more and join us fo [Learn with AI Series](https://aka.ms/learnwithai/discord) from 18 - 30 September, 2025. You go get beta tips and tricks for how to use GitHub Copilot for Data Science.
# Machine Learning for Beginners - A Curriculum
> 🌍 Make we waka all around di world as we dey explore Machine Learning through different world cultures 🌍
> 🌍 Travel round di world as we dey explore Machine Learning with world cultures 🌍
Cloud Advocates for Microsoft dey happy to offer one 12-week, 26-lesson curriculum wey dey all about **Machine Learning**. For this curriculum, you go learn about wetin dem dey call sometimes **classic machine learning**, we go mainly use Scikit-learn as library and avoid deep learning, wey dem cover for our [AI for Beginners' curriculum](https://aka.ms/ai4beginners). Combine this lessons with our ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners), too!
Cloud Advocates for Microsoft happy to offer 12-week, 26-lesson curriculum wey dey all about **Machine Learning**. For dis curriculum, you go learn wetin dem dey sometimes call **classic machine learning**, mainly using Scikit-learn as library, no go deep learning wey dey inside our [AI for Beginners' curriculum](https://aka.ms/ai4beginners). You fit pair dis lessons wit our ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) too!
Make you waka with us round di world as we take these classic techniques apply to data from plenty areas for di world. Every lesson get pre- and post-lesson quizzes, written instructions to finish the lesson, solution, assignment, and plenty more. Our project-based way to teach dey help you learn as you build, na better way to make new skills dey stay for your head.
Travel wit us round di world as we apply these classic techniques to data from many different places for di world. Every lesson get pre- and post-lesson quizzes, written instructions to complete di lesson, solution, assignment, and more. Our project-based method make you learn while you dey build, na beta way to make new skills stick.
**✍️ Big tori and thanks to our authors** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd
**✍️ Big thanks to our authors** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd
**🎨 Thanks again to our illustrators** Tomomi Imura, Dasani Madipalli, and Jen Looper
**🎨 Thanks to our illustrators** Tomomi Imura, Dasani Madipalli, and Jen Looper
**🙏 Special thanks 🙏 to our Microsoft Student Ambassador authors, reviewers, and content contributors**, especially Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, and Snigdha Agarwal
**🤩 Extra big thanks to Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, and Vidushi Gupta for our R lessons!**
**🤩 Extra thanks to Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, and Vidushi Gupta for our R lessons!**
# How to Start
# Getting Started
Follow these steps:
1. **Fork the Repository**: Click the "Fork" button wey dey for di top-right corner of this page.
1. **Fork the Repository**: Click di "Fork" button for top-right corner of dis page.
2. **Clone the Repository**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
> [You go find all other materials for dis course for our Microsoft Learn collection](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [find all additional resources for this course inside our Microsoft Learn collection](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **You need help?** Check our [Troubleshooting Guide](TROUBLESHOOTING.md) for solutions to common wahala with installation, setup, and to run lessons.
> 🔧 **Need help?** Check our [Troubleshooting Guide](TROUBLESHOOTING.md) for solutions to common problems with installation, setup, and running lessons.
**[Students](https://aka.ms/student-page)**, to use this curriculum, fork the whole repo to your own GitHub account and do the exercises your own or with group:
**[Students](https://aka.ms/student-page)**, to use dis curriculum, fork di whole repo go your own GitHub account and complete di exercises on your own or wit group:
- Start with pre-lecture quiz.
- Read di lecture and complete di activities, stop sometimes and reflect at every knowledge check.
- Try make you create the projects by understanding di lessons rather than just running di solution code; but dat code dey available for the `/solution` folders for each project-based lesson.
- Take di post-lecture quiz.
- Finish di challenge.
- Finish di assignment.
- After you don finish one lesson group, go visit di [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) and "learn out loud" by filling out di correct PAT rubric. PAT na Progress Assessment Tool wey be rubric wey you go fill to help your learning. You fit react to other PATs so we fit learn together.
- Start wit pre-lecture quiz.
- Read di lecture and do di activities, stop and think for each knowledge check.
- Try build di projects by understanding di lessons instead of just running di solution code; however di code dey inside `/solution` folder for each project-based lesson.
- Do post-lecture quiz.
- Complete di challenge.
- Complete di assignment.
- After you finish one lesson group, visit di [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) and "learn out loud" by filling di correct PAT rubric. PAT na Progress Assessment Tool wey be rubric wey you fit fill to deepen your learning. You fit also react to other people PATs so we fit learn together.
> For more study, we recommend sey you follow these [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modules and learning paths.
> For more study, we recommend following these [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modules and learning paths.
**Teachers**, we don put [some suggestions](for-teachers.md) on top how to use this curriculum.
**Teachers**, we don [include some suggestions](for-teachers.md) for how to use dis curriculum.
---
## Video walkthroughs
Some lessons dey available as short form video. You fit find all of them inline for di lessons, or for di [ML for Beginners playlist on di Microsoft Developer YouTube channel](https://aka.ms/ml-beginners-videos) by clicking the image below.
Some lessons dey available as short video form. You fit find all dem for inside di lessons, or for [ML for Beginners playlist on the Microsoft Developer YouTube channel](https://aka.ms/ml-beginners-videos) by clicking di picture below.
[](https://aka.ms/ml-beginners-videos)
@ -107,17 +107,17 @@ Some lessons dey available as short form video. You fit find all of them inline
## Pedagogy
We choose two main tinz wey we go dey follow while making this curriculum: make e hands-on **project-based** and make e get **frequent quizzes**. Plus, dis curriculum get one common **theme** to make e get connection.
We choose two pedagogy principles as we dey build dis curriculum: make e be hands-on **project-based** and make e get **many quizzes**. Plus, dis curriculum get one common **theme** to make am get connection.
By making sure sey di content match with projects, di process go be more interesting for students and e go help dem remember better. Plus, one low-stakes quiz before class dey set di student mind to learn topic, and the second quiz after class dey make dem remember more. This curriculum na flexible and fun, you fit do am complete or part-part. The projects start small and dem dey get more complex as di 12 weeks dey reach end. This curriculum also get one postscript about real-world ways to use ML, wey fit be extra credit or foundation for discussion.
By making sure say di content dey relate to projects, di process dey more interesting for students and e go help them remember things well. Also, low-stakes quiz before class dey set the mindset of di student for how to learn di topic, while another quiz after class dey make dem store di knowledge more. Dis curriculum na flexible and fun one, you fit take all or part. Di projects start small and go get harder by di time 12 weeks finish. Dis curriculum get one postscript on real-world uses of ML, wey fit be extra credit or starting point for discussion.
> Find our [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md), and [Troubleshooting](TROUBLESHOOTING.md) guidelines. We dey happy to hear your constructive feedback!
> Find our [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translations](..), and [Troubleshooting](TROUBLESHOOTING.md) guidelines. We dey welcome your constructive feedback!
> **One note about languages**: These lessons mainly dem write for Python, but plenti sef dey available for R. To finish one R lesson, go the `/solution` folder and find R lessons. Dem get .rmd extension wey mean **R Markdown** file wey fit be simply talk say na di joining of `code chunks` (we fit get for R or other languages) and one `YAML header` (wey dey guide how outputs like PDF go be formatted) for one `Markdown document`. So e be like example authoring framework for data science because e go allow you put your code, di output, and your thoughts together by allowing you write am for Markdown. Plus, R Markdown documents fit get rendered to output formats like PDF, HTML, or Word.
> **One note about quizzes**: All di quizzes dey for [Quiz App folder](../../quiz-app), get 52 quizzes wey get three questions each. Dem link dem from inside di lessons but you fit run di quiz app local; just follow di instruction wey dey di `quiz-app` folder to run or deploy am to Azure.
> **One note about languages**: These lessons mainly written for Python, but many dey also for R. To finish R lesson, go di `/solution` folder and find di R lessons. Dem get .rmd extension wey mean **R Markdown** file wey fit be described as mixing `code chunks` (of R or other languages) and `YAML header` (wey dey guide how to format outputs like PDF) inside `Markdown document`. Like dis, e serve as good authoring setup for data science because e let you put together your code, output, and your thoughts by writing them down in Markdown. Also, R Markdown documents fit be rendered into output formats like PDF, HTML, or Word.
> **Note about quizzes**: All quizzes dem de for inside [Quiz App folder](../../quiz-app), get total 52 quizzes wey each get three questions. Dem link am for inside lesson dem but quiz app fit run local; just follow the instruction wey dey for `quiz-app` folder to run am local or make e go Azure.
| 01 | Introduction to machine learning | [Introduction](1-Introduction/README.md) | Learn the basic concepts behind machine learning | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | The History of machine learning | [Introduction](1-Introduction/README.md) | Learn the history underlying this field | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Fairness and machine learning | [Introduction](1-Introduction/README.md) | Wetin be di important philosophical issues about fairness wey students suppose consider when dem dey build and use ML models? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniques for machine learning | [Introduction](1-Introduction/README.md) | Which techniques ML researchers dey use to build ML models? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Introduction to regression | [Regression](2-Regression/README.md) | Start to waka for Python and Scikit-learn for regression models | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | North American pumpkin prices 🎃 | [Regression](2-Regression/README.md) | Visualize and clean data to prepare for ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 01 | Introduction to machine learning | [Introduction](1-Introduction/README.md) | Learn the basic concepts wey dey behind machine learning | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | The History of machine learning | [Introduction](1-Introduction/README.md) | Learn the history wey dey under this field | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Fairness and machine learning | [Introduction](1-Introduction/README.md) | Wetin be the important philosophical wahala about fairness wey pikin dem for learn when dem dey build and use ML models? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniques for machine learning | [Introduction](1-Introduction/README.md) | Wetin kind techniques ML researchers dey use to build ML models? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Introduction to regression | [Regression](2-Regression/README.md) | Start to learn Python and Scikit-learn for regression models | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | North American pumpkin prices 🎃 | [Regression](2-Regression/README.md) | Visualize and clean data make e ready for ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | North American pumpkin prices 🎃 | [Regression](2-Regression/README.md) | Build linear and polynomial regression models | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | North American pumpkin prices 🎃 | [Regression](2-Regression/README.md) | Build one logistic regression model | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | A Web App 🔌 | [Web App](3-Web-App/README.md) | Build web app to use your trained model | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Introduction to classification | [Classification](4-Classification/README.md) | Clean, prepare, and visualize your data; introduction to classification | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 08 | North American pumpkin prices 🎃 | [Regression](2-Regression/README.md) | Build logistic regression model | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | A Web App 🔌 | [Web App](3-Web-App/README.md) | Build web app to use your trained model | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Introduction to classification | [Classification](4-Classification/README.md) | Clean, prep, and visualize your data; introduction to classification | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | Delicious Asian and Indian cuisines 🍜 | [Classification](4-Classification/README.md) | Introduction to classifiers | [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 | Delicious Asian and Indian cuisines 🍜 | [Classification](4-Classification/README.md) | More classifiers | [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 | Delicious Asian and Indian cuisines 🍜 | [Classification](4-Classification/README.md) | Build recommender web app using your model | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introduction to clustering | [Clustering](5-Clustering/README.md) | Clean, prepare, and visualize your data; Introduction to clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Exploring Nigerian Musical Tastes 🎧 | [Clustering](5-Clustering/README.md) | Learn about K-Means clustering method | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Introduction to natural language processing ☕️ | [Natural language processing](6-NLP/README.md) | Learn di small-small basics about NLP by building one simple bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Common NLP Tasks ☕️ | [Natural language processing](6-NLP/README.md) | Sharpen your NLP knowledge by understanding common tasks to do when you dey reason language structures | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 13 | Delicious Asian and Indian cuisines 🍜 | [Classification](4-Classification/README.md) | Build recommender web app with your model | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introduction to clustering | [Clustering](5-Clustering/README.md) | Clean, prep, and visualize your data; Introduction to clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 16 | Introduction to natural language processing ☕️ | [Natural language processing](6-NLP/README.md) | Learn the basics about NLP by building simple bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Common NLP Tasks ☕️ | [Natural language processing](6-NLP/README.md) | Increase your NLP knowledge by understanding common tasks wey you need when you dey handle language structures | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Translation and sentiment analysis ♥️ | [Natural language processing](6-NLP/README.md) | Translation and sentiment analysis with Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantic hotels of Europe ♥️ | [Natural language processing](6-NLP/README.md) | Sentiment analysis with hotel reviews 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantic hotels of Europe ♥️ | [Natural language processing](6-NLP/README.md) | Sentiment analysis with hotel reviews 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
@ -157,18 +157,18 @@ By making sure sey di content match with projects, di process go be more interes
| 23 | ⚡️ World Power Usage ⚡️ - time series forecasting with SVR | [Time series](7-TimeSeries/README.md) | Time series forecasting with Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Introduction to reinforcement learning | [Reinforcement learning](8-Reinforcement/README.md) | Introduction to reinforcement learning with Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Help Peter avoid the wolf! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Reinforcement learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Real-World ML scenarios and applications | [ML in the Wild](9-Real-World/README.md) | Interesting real-world applications of classical ML | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Model Debugging in ML using RAI dashboard | [ML in the Wild](9-Real-World/README.md) | Model Debugging in Machine Learning using Responsible AI dashboard components | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
| Postscript | Real-World ML scenarios and applications | [ML in the Wild](9-Real-World/README.md) | Interesting and real real real-world applications of classical ML | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Model Debugging in ML using RAI dashboard | [ML in the Wild](9-Real-World/README.md) | Model Debugging in Machine Learning using Responsible AI dashboard components | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [find all additional resources for this course in our Microsoft Learn collection](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [find all additional resources for this course for inside our Microsoft Learn collection](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Offline access
You fit run this documentation offline using [Docsify](https://docsify.js.org/#/). Fork this repo, [install Docsify](https://docsify.js.org/#/quickstart) for your local machine, then for di root folder of this repo, type `docsify serve`. Di website go dey serve for port 3000 for your localhost: `localhost:3000`.
You fit run this documentation offline by using [Docsify](https://docsify.js.org/#/). Fork this repo, [install Docsify](https://docsify.js.org/#/quickstart) for your local machine, then for the root folder of this repo, type `docsify serve`. The website go de serve for port 3000 for your localhost: `localhost:3000`.
## PDFs
Find pdf version of di curriculum with links [here](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Find pdf of the curriculum with links [here](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Other Courses
@ -217,22 +217,22 @@ Our team dey produce other courses! Check am out:
## Getting Help
If you get stuck or get any question about how to build AI apps. Join other learners and experience developers for talk about MCP. Na supportive community wey dey open for questions and knowledge dey share freely.
If you get stuck or get any question about how you go build AI apps. Join other learners and beta developers for discussions about MCP. Na supportive community wey questions dey welcome and knowledge dey share freely.
- Check your notebooks after every lesson to understand better.
- Try dey practice to implement algorithms by yourself.
- Explore real-world datasets using the things wey you learn.
- Check your notebooks after every lesson to understand well well.
- Try dey implement algorithms by yourself.
- Explore real-world datasets using the concepts wey you don learn.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Disclaimer**:
Dis document na AI translation service [Co-op Translator](https://github.com/Azure/co-op-translator) translate am. Even though we try make am correct, abeg sabi say automated translation fit get wahala or mistakes. The original document for the original language be di correct source. If na important thing, e better make professional human translation do am. We no go responsible if person waka misunderstand or use dis translation wrong.
**Disclaimer**:
Dis document dem don use AI translation service [Co-op Translator](https://github.com/Azure/co-op-translator) translate am. Even though we dey try make everything correct, abeg sabi say automatic translation fit get some errors or wahala. Di original document wey dem write for di proper language na di correct one to trust. If na serious matter, e better make human expert translate am. We no go responsible if person misunderstand or interpret am wrong because of this translation.
> இந்த ரெപ്പോzitரி 50+ மொழி மொழிபெயர்ப்புகளை உள்ளடக்கியுள்ளது, இது பதிவிறக்கும் அளவு משמעותமாக அதிகரிக்கிறது. மொழிபெயர்ப்புகள் இல்லாமல் கிளோன் செய்ய, sparse checkout பயன்படுத்தவும்:
> இந்த ஸ்டோரேஜ் 50+ மொழி மொழிபெயர்ப்புகளை உள்ளடக்குகிறது, இது பதிவிறக்க அளவை முக்கியமாக அதிகரிக்கிறது. மொழிபெயர்ப்புகள் இல்லாமல் கிளோன் செய்ய sparse checkout பயன்படுத்தவும்:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,147 +33,147 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> இது மிக வேகமான பதிவிறக்கத்துடன் பாடத்திட்டத்தை முடிக்க தேவையான அனைத்தையும் வழங்குகிறது.
> இது விரைவான பதிவிறக்கம் மூலம் பாடத்திட்டத்தை முடிக்க தேவையான அனைத்தையும் உங்களுக்கு வழங்கும்.
எங்களிடம் ஒரு Discord கற்றுக்கொள் AI தொடர்கதை நடைபெறுகிறது, மேலும் அறிந்துகொண்டு எங்களுடன் சேர [Learn with AI Series](https://aka.ms/learnwithai/discord) விடுப்பு 18 - 30 செப்டம்பர், 2025. இதில் GitHub Copilot ஐ Data Science இற்காக பயன்படுத்துவதற்கான குறிப்புகள் மற்றும் குறும்படங்கள் கிடைக்கும்.
எங்களிடம் AI உடன் கற்றல் தொடர்ச்சியில் ஒரு Discord உள்ளது, மேலும் படிக்கவும் சேரவும் [Learn with AI Series](https://aka.ms/learnwithai/discord) 18 - 30 செப்டம்பர், 2025. நீங்கள் GitHub Copilot ஐ Data Science க்குப் பயன்படுத்தும் குறிப்பு மற்றும் டிரிக்குகளைப் பெறுவீர்கள்.
# ஆரம்பநிலை இயந்திரக் கற்றல் - ஒரு பாடத்திட்டம்
# ஆரம்பக்கால கிராமிய இயந்திரக் கற்றல் - ஒரு பாடத்திட்டம்
> 🌍 உலக பண்பாட்டைப் பயன்படுத்தி இயந்திரக் கற்றலை ஆராய்ந்து உலகம் சுற்றிப் பயணம் செய்கின்றோம் 🌍
> 🌍 உலகுக்குச் சுற்றுலா போகச் செல்வோம், உலக கலாச்சாரங்களின் மூலம் இயந்திரக் கற்றல் ஆராய்வோம் 🌍
Microsoft இல் Cloud Advocates ஒரு 12 வார, 26 பாடங்களைக் கொண்ட முழுமையான **இயந்திரக் கற்றல்** பாடத்திட்டத்தை வழங்குவதில் மகிழ்ச்சி அடைகின்றனர். இந்த பாடத்திட்டத்தில் நீங்கள் சில நேரங்களில் **சாதாரண இயந்திரக் கற்றல்** எனப்படும் விஷயங்களை, பெரும்பாலும் Scikit-learn நூலகத்தைப் பயன்படுத்தி, ஆழமான கற்றல் தவிர்த்து கற்றுக்கொள்வீர்கள், அதில் ஆழமான கற்றல் பற்றிய பாடங்கள் எங்கள் [AI for Beginners' curriculum](https://aka.ms/ai4beginners) இல் உள்ளன. கூடுதலாக, 'Data Science for Beginners' பாடத்திட்டத்துடனும் இணைக்கவும் [https://aka.ms/ds4beginners](https://aka.ms/ds4beginners).
Microsoft இல் உள்ள Cloud Advocates, **Machine Learning** பற்றி 12 வாரங்கள், 26 பாடங்கள் கொண்ட பாடத்திட்டத்தை சமர்ப்பிக்க மகிழ்ச்சியடைகிறோம். இந்த பாடத்திட்டத்தில், நீங்கள் சில சமயங்களில் **பாரம்பரிய இயந்திரக் கற்றல்** என்று அழைக்கப்படும் விஷயங்களை கற்றுக்கொள்வீர்கள், பெரும்பாலும் Scikit-learn நூலகத்தை பயன்படுத்தி, ஆழ்ந்த கற்றலைத் தவிர்த்து கற்போம், ஆழ்ந்த கற்றல் எங்கள் [AI for Beginners' பாடத்திட்டத்தில்](https://aka.ms/ai4beginners) தெளிவானது. இந்த பாடங்களை எங்கள் ['Data Science for Beginners' பாடத்திட்டத்துடனும்](https://aka.ms/ds4beginners) இணைத்து கொள்ளவும்!
உலகின் பல்வேறு பகுதிகளின் தரவுகளில் இந்த பாரம்பரிய தொழில்நுட்பங்களை நாம் பயன்படுத்திப் பயணிக்கும். ஒவ்வொரு பாடத்திலும் முன்னும் பின் உள்ளக் குவிஸ், பாடங்களை முடிக்க எழுதப்பட்ட விளக்கம், தீர்வு, பணியிடம் மற்றும் பிறவைகளைக் கொண்டுள்ளது. எங்கள் திட்டத்தின்படி கற்றல் முறைகள் புதிய திறன்களை உறுதிப்படுத்த உதவுகிறது.
உலகில் இருந்து பல்வேறு பகுதியிலிருந்து தரவுகளைப் பயன்படுத்தி பாரம்பரிய நுட்பங்களை செயல்படுத்தி உலகு சுற்றுலாவோடு பயணம் செய்யுங்கள். ஒவ்வொரு பாடமும் முன் மற்றும் பின் பரிசோதனை கேள்விகள், கற்றலை நிறைவேற்ற எழுதப்பட்ட வழிமுறைகள், ஒரு தீர்வு, ஒரு பணிகள் உள்ளடக்கம் மற்றும் பலவற்றையும் கொண்டுள்ளது. எங்கள் திட்ட அடிப்படையிலான கற்றல் முறைசெயல் புதிய திறன்கள் 'சேர்கிறதை' உறுதி செய்யும்.
**✍️ எங்கள் ஆசிரியர்களுக்கு மனமார்ந்த நன்றி** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu மற்றும் Amy Boyd
**✍️ எங்கள் ஆசிரியர்களுக்கு இனிய நன்றி** ஜென் லூபர், ஸ்டீபன் ஹாவெல், ஃப்ரான்செஸ்கா லாசெரி, தோமாமி இமுரா, காசி பிரேவியூ, ட்மிட்ரி சோஷ்னிக்கோவ், கிறிஸ் நோரிங், அனிர்பான் முகர்ஜி, ஆர்னெல்லா ஆல்டுன்யன், ரூத் யகுபு மற்றும் ஏமி பாய்ட்
**🎨 ஓவியர்களுக்கு நன்றிகள்** Tomomi Imura, Dasani Madipalli மற்றும் Jen Looper
**🎨 எங்கள் வரைபடக்கலைஞர்களுக்கு நன்றி** தோமாமி இமுரா, தசானி மாதிபல்லி மற்றும் ஜென் லூபர்
**🙏 சிறப்பு நன்றி Microsoft Student Ambassador ஆசிரியர்கள், மதிப்பாய்வாளர்கள் மற்றும் உள்ளடக்கு வழங்குநர்களுக்கு**, குறிப்பாக Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila மற்றும் Snigdha Agarwal
**🙏 சிறப்பு நிகர்பு 🙏 எங்கள் Microsoft மாணவர் தூதர்கள் இயற்றிய, மறுசீராய்வு செய்த மற்றும் உள்ளடக்க பங்கு வாங்கியவர்களுக்கு**, குறிப்பாக ரிஷிட் டக்லி, முகமது சகிப் கான் இனம், ரோஹன் ராஜ், அலெக்சான்ட்ரு பெட்ரெஸ்கு, அாபிஷேக் ஜெய்ஸ்வால், நவ்ரின் தபசும், ஐயான் சமுலா மற்றும் ஸ்னிக்த அகார்வால்
**🤩 Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi மற்றும் Vidushi Gupta ஆகியோருக்கு எங்கள் R பாடங்களுக்கான கூடுதல் நன்றி!**
**🤩 கூடுதல் நிகர்பு Microsoft மாணவர் தூதர்கள் எரிக் வஞ்சாவ், ஜஸ்லீன் செய்க், மற்றும் விடுஷி குப்பதுக்கு எங்கள் R பாடங்களுக்காக!**
> [இந்த பாடத்திட்டத்திற்கான கூடுதல் வளங்களை எங்கள் Microsoft Learn தொகுப்பில் காணவும்](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [இந்த பாடத்திட்டத்துக்கான அனைத்து கூடுதல் வளங்களையும் எங்கள் Microsoft Learn கூடத்திலிருந்து காண்க](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **உதவி தேவையா?** நிறுவல், அமைப்பு மற்றும் பாடங்களை இயக்குவதற்கான பொதுவான பிரச்சனைகள் தொடர்பான தீர்வுகளுக்கு எங்கள் [திறம்பூட்டி வழிகாட்டி](TROUBLESHOOTING.md) பார்க்கவும்.
> 🔧 **உதவி தேவைப்படுகிறதா?** எங்கள் [ப்ரச்சனை தீர்க்கும் வழிகாட்டி](TROUBLESHOOTING.md) கற்றல் நிலைமை, அமைப்பு மற்றும் பாடங்களைக் இயக்குவதில் பொதுவான பிரச்சனைகளுக்கான தீர்வுகளை சரிபார்க்கவும்.
**[மாணவர்கள்](https://aka.ms/student-page)**, இந்த பாடத்திட்டத்தை பயன்படுத்த, முழு ரெப்போவை உங்கள் GitHub கணக்குக்கு Fork செய்து, தனிப்பட்டவாறு அல்லது குழுவாக பயிற்சிகளை முடிக்கவும்:
**[மாணவர்கள்](https://aka.ms/student-page)**, இந்த பாடத்திட்டத்தை பயன்படுத்த, இந்த ஸ்டோரேஜை உங்கள் சொந்த GitHub கணக்கிற்கு fork செய்து பயிற்சிகளை தனியாக அல்லது குழுவுடன் முடிக்கவும்:
- முன்னுரை க்விஸ் மூலம் தொடங்கவும்.
- பாடத்தைப் படித்து, செயல்பாடுகளை நிறைவேற்றவும், ஒவ்வொரு அறிவு பரிசோதனையும் ஒன்றெருக்காக நிறுத்தி யோச்சிக்கவும்.
- பாடங்களை புரிந்து கொள்ள முயன்று திட்டங்களை உருவாக்கவும்; தீர்வு கோடுகள் `/solution` கோப்புறையில் தற்போது உள்ளது.
- பின்விளைவு க்விஸ் செய்க.
- சவால் முடிக்கவும்.
- பணியிடத்தை முடிக்கவும்.
- ஒரு பாடக் குழுவை முடித்த பின், [உரையாடல் பலகை](https://github.com/microsoft/ML-For-Beginners/discussions) ஐப் பார்வையிட்டு PAT ரூப்ரிக் நிரப்பி "உள்ளடக்கத்தை வெளிப்படுத்தவும்". 'PAT' என்பது உங்கள் கற்றலை மேம்படுத்தும் முன்னேற்ற மதிப்பீட்டு கருவி. மற்ற PAT களுக்கு பதிலளித்து நாம் ஒன்றாக கற்றுக்கொள்ளலாம்.
- ஒரு முன்பள்ளி கற்றல் பரிசோதனையுடன் தொடங்கவும்.
- படிக்கவும் செயல்பாடுகளை முடிக்கவும், ஒவ்வொரு அறிவுக் கண்காணிப்பிலும் நின்று சிந்திக்கவும்.
- தீர்வைக் கோடுகளை இயக்குும் பதிலாக பாடங்களைப் புரிந்து கொண்டு திட்டங்களை உருவாக்க முயற்சிக்கவும்; ஆனால் அந்த கோடுகள் ஒவ்வொரு திட்டம் சார்ந்த பாடங்களின் `/solution` கோப்பகத்தில் கிடைக்கும்.
- பின்பள்ளி பரிசோதனையை எடுக்கவும்.
- சவாலை முடிக்கவும்.
- பணிகளை முடிக்கவும்.
- ஒரு பாடக் குழுவை முடித்த பின், [பேச்சு பலகை](https://github.com/microsoft/ML-For-Beginners/discussions) சென்று "வெளிப்படையாக கற்றுக்கொள்ளுங்கள்" மற்றும் உரிய PAT ரூப்ரிகை நிரப்பவும். PAT என்பது உங்கள் முன்னேற்றத்தை மதிப்பீடு செய்யும் கருவி ஆகும். மற்ற PAT களிற்கு பின்னூட்டமும் செய்ய முடியும், இதனால் நாம் சேர்ந்து கற்றுக்கொள்ள முடியும்.
> மேலதிக படிப்புக்கு, இந்த [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) பாடங்களையும் கற்றல் பாதைகளையும் பின்பற்ற பரிந்துரைக்கிறோம்.
> மேலதிக படிப்புக்கு, நாம் பரிந்துரை செய்கிறோம் இந்த [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) மாட்யூல்கள் மற்றும் கற்றல் பாதைகள்.
**ஆசிரியர்கள்**, இந்த பாடத்திட்டத்தை எப்படி பயன்படுத்துவது பற்றி சில பரிந்துரைகளை [இங்கே](for-teachers.md) வழங்கியுள்ளோம்.
**ஆசிரியைர்கள்**, இந்த பாடத்திட்டத்தை பயன்படுத்த சில பரிந்துரைகளை நாங்கள் [சேர்த்துள்ளோம்](for-teachers.md).
---
## காணொலி பெற்றோல்
## வீடியோ நடைமுறை விளக்கங்கள்
சில பாடங்கள் குறுகிய வடிவத்தில் காணொளிகள் வடிவில் கிடைக்கின்றன. இந்த முழுவதும் பாடங்களில் அல்லது [ML for Beginners YouTube தொகுப்பில் Microsoft Developer சேனல்](https://aka.ms/ml-beginners-videos) காணலாம். கீழுள்ள படத்தைக் கிளிக் செய்யவும்.
கடந்த சில பாடங்களை குறுகிய படிவ வீடியோவாகப் பார்க்கலாம். இவை எல்லா பாடங்களுக்கு உள்ளே வழங்கப்பட்டுள்ளன அல்லது [Microsoft Developer YouTube சேனலில் ML for Beginners பிளேலிஸ்டில்](https://aka.ms/ml-beginners-videos) கீழுள்ள படத்தை அழுத்தி பார்க்கலாம்.
[](https://aka.ms/ml-beginners-videos)
> 🎥 மேலே உள்ள படத்தை கிளிக் செய்து திட்டம் மற்றும் அதை உருவாக்கியவர்களைப் பற்றி காணொளி பார்வையிடுங்கள்!
> 🎥 மேலுள்ள படத்தை அழுத்தி திட்டம் மற்றும் அதை உருவாக்கிய நபர்களைப் பற்றிய வீடியோவைப் பார்க்கவும்!
---
## கற்பித்தல் முறைகள்
## கற்றல் முறை
இந்த பாடத்திட்டத்தை உருவாக்கும் போது இரண்டு முக்கியக் கோட்பாடுகளைத் தாங்கள் தேர்ந்தெடுத்துள்ளோம்: செயலில் பங்கு பெறும் **திட்டம் சார்ந்தக் கிடைப்பின்மை** மற்றும் **மிகுந்த அளவில் இடையிடை க்விஸ்** வழங்கல். கூடுதலாக, பாடத்திட்டத்துக்கு ஒரு ஒருங்கிணைப்பான பொதுத் **தொகுதி** உள்ளது.
இந்த பாடத்திட்டத்தை உருவாக்கும்போது நாங்கள் இரண்டு கற்றல் கொள்கைகளைத் தேர்ந்தெடுத்தோம்: இது கைபோன்ற **திட்ட அடிப்படையிலான** மற்றும் அதில் **அடிக்கடி வினாடி வினா உள்ளது** என்பது உறுதி செய்யும். மேலும, இந்த பாடத்திட்டத்திற்கு பொதுவான ஒரு **தீம்** உண்டு.
உள்ளடக்கம் திட்டங்களோடு இணைக்கப்பட்டதால் மாணவர்கள் தொடர்பு கொள்ளச் சாத்தியம் அதிகரிக்கிறது மற்றும் கருத்துக்களை நீண்டகாலத்திற்கு நினைவுபடுத்தும். வகுப்பிற்கு முன் ஒரு குறைந்த அழுத்தக் க்விஸ் மாணவரின் நோக்கம் தெரிவிப்பதற்கும், வகுப்புக்குப் பின் இரண்டாவது க்விஸ் கூட்டு நினைவூட்டலுக்குமாக செயல்படும். இந்த பாடத்திட்டம் நெகிழ்வும் மற்றும் மகிழ்ச்சியுடனும் கற்றுக் கொள்ள முடியும். 12 வார கால அவகாசத்தில் திட்டங்கள் சிறியதாக தொடங்கி முதிர்ந்ததாக மாறுகின்றன. பாடத்திட்டம் ஒரு உலகில் பயன்பாட்டை உரைக்கும் பின்னூட்டத்தினை உள்ளடக்கியுள்ளது, இது கூடுதல் மதிப்பெண்களுக்கோ அல்லது விவாதத்திற்கோ பயன்படுத்தக்கூடியது.
உள்ளடக்கம் திட்டங்களுடன் பொருந்துவதை உறுதி செய்தல், மாணவர்களுக்கு செயல்படுத்தும் முறையைக் அதிகரிக்கிறது மற்றும் கருத்துகளை நினைவில் வைத்திருக்க உதவுகிறது. கூடுதலாக, வகுப்பு முன்னர் ஒரு குறைந்த போராட்ட வினாடி வினா மாணவர்களை ஒரு தலைப்பை கற்றுக்கொள்ளும் நோக்கத்தை அமைக்க உதவுகிறது, வகுப்புக்குப் பிறகு இரண்டாவது வினாடி வினா தக்க நினைவாற்றலை உறுதி செய்கிறது. இந்த பாடத்திட்டம் தளர்வான மற்றும் ரசிப்பானதாக வடிவமைக்கப்பட்டுள்ளது மற்றும் முழுவதுமோ பகுதியிலோ எடுத்துக் கொள்ளலாம். திட்டங்கள் சிறிய அளவில் தொடங்கி 12 வாரங்களின் இறுதிக்குள் அதிகம் சிக்கலானவை ஆவது. இந்த பாடத்திட்டத்தில் இயந்திரக் கற்றலின் உண்மை உலக பயன்பாட்டைப் பற்றிய ஒரு பின்னூட்டமும் உள்ளது, இது கூடுதல் வம்சோட்டி அல்லது கலந்துரையாடல் அடிப்படையாக பயன்படுத்தலாம்.
> எங்கள் [கட்டுப்பாட்டு விதிகள்](CODE_OF_CONDUCT.md), [கொள்கைகள்](CONTRIBUTING.md), [மொழிபெயர்ப்பு](TRANSLATIONS.md), மற்றும் [திறம்பூட்டி](TROUBLESHOOTING.md) வழிகாட்டுதல்கள் உள்ளன. உங்கள் கட்டுமான பின்னூட்டங்களை வரவேற்கிறோம்!
> எங்கள் [நடத்தைப் பழக்கங்கள்](CODE_OF_CONDUCT.md), [பங்களிப்பு வழிகாட்டிகள்](CONTRIBUTING.md), [மொழிபெயர்ப்புகள்](..), மற்றும் [பிரச்சனை தீர்க்கும் வழிகாட்டி](TROUBLESHOOTING.md) விதிமுறைகளை கண்டறியவும். உங்கள் கட்டுமான பின்னூட்டத்துக்கு நாங்கள் வரவேற்கின்றோம்!
> **மொழிகள் பற்றிய குறிப்பு**: இத்தகைய பாடங்கள் பெரும்பாலும் Python இல் எழுதப்பட்டவை, ஆனால் பல R இல் கூட கிடைக்கின்றன. R பாடத்தைக் கற்றுக்கொள்ள `/solution` கோப்பகத்துக்குச் சென்று R பாடங்களைத் தேடவும். அவைகளுக்கு .rmd நீட்சிகள் உள்ளன, அவை **R மார்க்டவுன்** கோப்பாகக் குறிப்பிடப்படுகின்றன, இது `code chunks` (R அல்லது பிற மொழிகளின்) மற்றும் `YAML header` (PDF போன்ற வெளியீடுகளை எவ்வாறு வடிவமைக்க வேண்டும் என்பதைக் காண்பிக்கும்) ஆகியவற்றுடன் கூடிய `Markdown document` ஆக வரையறுக்கப்படுகிறது. இதனால், நீங்கள் உங்கள் கோடுகள், அவற்றின் வெளியீடு மற்றும் உங்கள் எண்ணங்களைக் கொண்டுவர Markdown இல் எழுத அனுமதிப்பதால், இது தரவு அறிவியல் எழுதுதல் அமைப்பிற்கான உத்தமமான வடிவமைப்பாக செயல் படுகிறது. மேலும், R மார்க்டவுன் ஆவணங்களை PDF, HTML அல்லது Word போன்ற வெளியீட்டு வடிவங்களில் உருவாக்க முடியும்.
> **வினாடி வினா குறிப்பு**: அனைத்து வினாடி வினாக்களும் [Quiz App folder](../../quiz-app) இல் உள்ளன, மொத்தம் 52 வினாடி வினாக்கள், ஒவ்வொன்றும் மூன்று கேள்விகளைக் கொண்டவை. அவை பாடங்களிலிருந்து இணைக்கப்பட்டுள்ளன, ஆனால் வினாடி வினா செயலியை உள்ளூரில் இயக்கலாம்; உள்ளூரில் அணுக அல்லது Azure இல் பகிர்வதற்கான வழிமுறைகளை `quiz-app` கோப்பகத்தில் பின்பற்றவும்.
| படிப்பு எண் | தலைப்பு | படிப்பு தொகுப்பு | கற்றல் குறிக்கோள்கள் | இணைக்கப்பட்ட படிப்பு | ஆசிரியர் |
| 01 | இயந்திரக் கற்றல் அறிமுகம் | [Introduction](1-Introduction/README.md) | இயந்திரக் கற்றலின் அடிப்படைக் கருத்துகளை கற்பதற்கு | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | இயந்திரக் கற்றலின் வரலாறு | [Introduction](1-Introduction/README.md) | இந்த துறையின் பின்னணியிலுள்ள வரலாற்றைப் பற்றிக் கற்பதற்கு | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen மற்றும் Amy |
| 03 | நீதிமுற்றத்தும் இயந்திரக் கற்றலும் | [Introduction](1-Introduction/README.md) | இயந்திரக் கற்றல் மாதிரிகளை உருவாக்கும் மற்றும் பயன்படுத்தும்போது மாணவர்கள் பரிசீலிக்க வேண்டிய முக்கிய தத்துவ பிரச்சினைகள் என்ன? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | இயந்திரக் கற்றல் தொழில்நுட்பங்கள் | [Introduction](1-Introduction/README.md) | இயந்திரக் கற்றல் ஆராய்ச்சியாளர்கள் எந்த தொழில்நுட்பங்களை பயன்படுத்தி மாதிரிகளை உருவாக்குகிறார்கள்? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris மற்றும் Jen |
| 05 | பின்விளைவியல் அறிமுகம் | [Regression](2-Regression/README.md) | பின்விளைவியல் மாதிரிகளுக்கு Python மற்றும் Scikit-learn இல் தொடங்கவும் | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | வடக்கு அமெரிக்க பூசணிக்காய் விலை 🎃 | [Regression](2-Regression/README.md) | இயந்திரக் கற்றலுக்கான தரவுகளை காட்சிப்படுத்தி சுத்தமாக்கவும் | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | வடக்கு அமெரிக்க பூசணிக்காய் விலை 🎃 | [Regression](2-Regression/README.md) | நேரியல் மற்றும் பன்முக பின்விளைவியல் மாதிரிகளை கட்டமைக்கவும் | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen மற்றும் Dmitry • Eric Wanjau |
| 08 | வடக்கு அமெரிக்க பூசணிக்காய் விலை 🎃 | [Regression](2-Regression/README.md) | லாஜிஸ்டிக் பின்விளைவியல் மாதிரியை கட்டமைக்கவும் | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | ஒரு வலை செயலி 🔌 | [Web App](3-Web-App/README.md) | பயிற்சி பெற்ற மாதிரியை பயன்படுத்த ஒரு வலை செயலியை கட்டமைக்கவும் | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | வகை வகைப்புப் பயன்படுத்தும் அறிமுகம் | [Classification](4-Classification/README.md) | தரவை சுத்தப்படுத்த, தயாராகவும், காட்சிப்படுத்தவும்; வகைப்படுத்தல் அறிமுகம் | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen மற்றும் Cassie • Eric Wanjau |
| 11 | ருசிகரமான ஆசிய மற்றும் இந்திய உணவுகள் 🍜 | [Classification](4-Classification/README.md) | வகைப்படுத்திகளுக்கு அறிமுகம் | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen மற்றும் Cassie • Eric Wanjau |
| 12 | ருசிகரமான ஆசிய மற்றும் இந்திய உணவுகள் 🍜 | [Classification](4-Classification/README.md) | கூடுதல் வகைப்படுத்திகள் | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen மற்றும் Cassie • Eric Wanjau |
| 13 | ருசிகரமான ஆசிய மற்றும் இந்திய உணவுகள் 🍜 | [Classification](4-Classification/README.md) | உங்கள் மாதிரியைப் பயன்படுத்தி பரிந்துரை வலை செயலியை கட்டமைக்கவும் | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | கிளஸ்டரிங் அறிமுகம் | [Clustering](5-Clustering/README.md) | தரவை சுத்தமாக்க, தயாராகவும், காட்சிப்படுத்தவும்; கிளஸ்டரிங் அறிமுகம் | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | நைஜீரிய இசை ருசிகளைக் கண்டுகொள்ளுதல் 🎧 | [Clustering](5-Clustering/README.md) | K-Means கிளஸ்டரிங் முறையை ஆராய்க | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | இயற்கை மொழி செயலாக்க அறிமுகம் ☕️ | [Natural language processing](6-NLP/README.md) | ஒரு எளிய பாய்டை கட்டமைத்து NLP அடிப்படைகளை கற்றுக்கொள்ளவும் | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | பொதுவான NLP பணிகள் ☕️ | [Natural language processing](6-NLP/README.md) | மொழி அமைப்புகளுடன் தொடர்பு கொள்ளும் போது தேவையான பொதுவான பணிகளை புரிந்து உங்கள் NLP அறிவைக் தீவிரப்படுத்தவும் | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | மொழிபெயர்ப்பு மற்றும் உணர்வு பகுப்பாய்வு ♥️ | [Natural language processing](6-NLP/README.md) | ஜெய்ன் ஆஸ்டின் மூலம் மொழிபெயர்ப்பு மற்றும் உணர்வு பகுப்பாய்வு | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | ஐரோப்பிய காதல் விடுதிகள் ♥️ | [Natural language processing](6-NLP/README.md) | ஹோட்டல் விமர்சனங்களுடன் உணர்வு பகுப்பாய்வு 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | ஐரோப்பிய காதல் விடுதிகள் ♥️ | [Natural language processing](6-NLP/README.md) | ஹோட்டல் விமர்சனங்களுடன் உணர்வு பகுப்பாய்வு 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | கால வரிசை முன்னறிவிப்பு அறிமுகம் | [Time series](7-TimeSeries/README.md) | கால வரிசை முன்னறிவிப்புக்கு அறிமுகம் | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ உலக சக்தி பயன்பாடு ⚡️ - ARIMA உடன் கால வரிசை முன்னறிவிப்பு | [Time series](7-TimeSeries/README.md) | ARIMA உடன் கால வரிசை முன்னறிவிப்பு | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ உலக சக்தி பயன்பாடு ⚡️ - SVR உடன் கால வரிசை முன்னறிவிப்பு | [Time series](7-TimeSeries/README.md) | ஆதரவு வெக்டர் பின்விளைவியாளருடன் கால வரிசை முன்னறிவிப்பு | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | பராமரிப்பு கற்றல் அறிமுகம் | [Reinforcement learning](8-Reinforcement/README.md) | Q-Learning உடன் பராமரிப்பு கற்றல் அறிமுகம் | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | பீட்டர் காட்டியைத் தவிர்க்க உதவி! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | பராமரிப்பு கற்றல் ஜிம் | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| பின்னூட்டம் | உண்மையான உலக இயந்திர கற்றல் காட்சிகள் மற்றும் பயன்பாடுகள் | [ML in the Wild](9-Real-World/README.md) | பழைய இயந்திரக் கற்றல் பயன்முறைகளின் சுவாரஸ்யமான மற்றும் வெளிப்படுத்தும் உண்மையான உலக பயன்பாடுகள் | [Lesson](9-Real-World/1-Applications/README.md) | குழு |
| பின்னூட்டம் | RAI டாஷ்போர்டைப் பயன்படுத்தி இயந்திரக் கற்றல் மாதிரி பிழைத்திருத்தம் | [ML in the Wild](9-Real-World/README.md) | பொறுப்பான AI டாஷ்போர்டு கூறுகளைப் பயன்படுத்தி இயந்திரக் கற்றலில் மாதிரி பிழைத்திருத்தம் | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [இந்த பாடத்திட்டத்திற்கு மேலும் அனைத்து ஆதாரங்களையும் எங்கள் Microsoft Learn தொகுப்பில் பாருங்கள்](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## ஆஃப்லைன் அணுகல்
இந்த ஆவணத்தை ஆஃப்லைனில் ஓட்ட [Docsify](https://docsify.js.org/#/) பயன்பாட்டை பயன்படுத்தலாம். இந்த ரெப்போவை fork செய்து, உங்கள் உள்ளூர் கணினியில் [Docsify ஐ நிறுவி](https://docsify.js.org/#/quickstart), பிறகு இந்த ரெப்போவின் வேர் கோப்பகத்தில் `docsify serve` என்ற கட்டளை அதிவலைக்கவும். தளத்தை உங்கள் உள்ளூர் 3000 போர்டில் வழங்கும்: `localhost:3000`.
- கூடுதல் படிப்புக் குறிப்பு
- பணிகள்
- [பாடம் பின் வினாடி வினா](https://ff-quizzes.netlify.app/en/ml/)
> **மொழிகள் குறித்து ஒரு குறிப்பு**: இவை பெரும்பாலும் Python இல் எழுதப்பட்டவை, ஆனால் பலவும் R இல் கிடைக்கின்றன. ஒரு R பாடத்தை முடிக்க, `/solution` கோப்பகத்தை பாருங்கள் மற்றும் R பாடங்கள் காண்க. அவை .rmd நீட்சியை கொண்டுள்ளன, இது **R மார்க்டவுன்** கோப்பாகும், இது `code chunks` (R அல்லது பிற மொழிகளின்) மற்றும் `YAML தலைப்பு` (PDF போன்ற வெளியீடுகளை வடிவமைக்க வழிகாட்டும்) ஆகியவற்றின் இணைவாக வரையறுக்கப்படும். ஆக, இது தரவு அறிவியலுக்கான ஒரு சிறந்த எழுத்துப்பாட அமைப்பாகவே செயல்படுகிறது, ஏனெனில் நீங்கள் உங்கள் கோடுகளை, அதன் வெளியீடு மற்றும் உங்கள் எண்ணங்களை மார்க்டவுனில் எழுத அனுமதிக்கிறது. மேலும, R மார்க்டவுன் கோப்புகள் PDF, HTML, அல்லது Word போன்ற வெளியீடு வடிவங்களில் மாற்றப்படலாம்.
> **விளையாட்டுக்கள் குறித்த ஒரு குறிப்புரை**: அனைத்து விளையாட்டுக்கள் [Quiz App கோப்புறை](../../quiz-app) என்பதில் உள்ளன, மொத்தம் 52 விளையாட்டுக்கள், ஒவ்வொன்றிலும் மூன்று கேள்விகள் உள்ளன. அவை பாடங்களுக்குள் இணைக்கப்பட்டுள்ளன, ஆனால் quizzes செயலி உள்ளகமாக இயங்கும்; உள்ளகமாக ஹோஸ்ட் செய்ய அல்லது Azure இல் பிரயோகிக்க `quiz-app` கோப்புறையின் வழிமுறைகளை பின்பற்றவும்.
| பாட எண் | தலைப்பு | பாடக் குழு | கற்றல் நோக்குகள் | இணைக்கப்பட்ட பாடம் | ஆசிரியர் |
| 01 | இயந்திரக் கற்றலுக்கான அறிமுகம் | [அறிமுகம்](1-Introduction/README.md) | இயந்திரக் கற்றலுக்குப் பின்பற்றப்படும் அடிப்படைக் கோட்பாடுகளை கற்றுக்கொள்ளுங்கள் | [பாடம்](1-Introduction/1-intro-to-ML/README.md) | முஹம்மத் |
| 02 | இயந்திரக் கற்றலின் வரலாறு | [அறிமுகம்](1-Introduction/README.md) | இந்த துறையின் வரலாறை கற்றுக்கொள்ளுங்கள் | [பாடம்](1-Introduction/2-history-of-ML/README.md) | ஜென் மற்றும் ஆமி |
| 03 | நீதிமற்றும் இயந்திரக் கற்றல் | [அறிமுகம்](1-Introduction/README.md) | நீதி தொடர்பான முக்கிய தத்துவக் கேள்விகள் எவை என்பதையும், ML மொடல்களை உருவாக்குதல் மற்றும் பயன்படுத்தும்போது இது எப்படி தொடர்புடையதென மாணவர்கள் பரிசீலிக்க வேண்டும்? | [பாடம்](1-Introduction/3-fairness/README.md) | துமோமி |
| 04 | இயந்திரக் கற்றலுக்கு பயன்படும் முறைகள் | [அறிமுகம்](1-Introduction/README.md) | இயந்திரக் கற்றல் ஆராய்ச்சியாளர்கள் ML மொடல்களை உருவாக்க என்ன முறைகள் பயன்படுத்துகின்றனர்? | [பாடம்](1-Introduction/4-techniques-of-ML/README.md) | கிரிஸ் மற்றும் ஜென் |
| 05 | தொடர்புக் கணிதத்தின் அறிமுகம் | [Regression](2-Regression/README.md) | தொடர்புக் கணித மொடல்களுக்கு Python மற்றும் Scikit-learn பயன்படுத்தத் தொடங்குங்கள் | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | ஜென் • எரிக் வஞ்ஜாவ் |
| 06 | வட அமெரிக்க பரங்கிக்காய் விலை 🎃 | [Regression](2-Regression/README.md) | ML க்கான தரவுகளை காட்சி மூலம் பார்க்கவும், சுத்தப்படுத்தவும் | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | ஜென் • எரிக் வஞ்ஜாவ் |
| 07 | வட அமெரிக்க பரங்கிக்காய் விலை 🎃 | [Regression](2-Regression/README.md) | நேரியல் மற்றும் பன்முக தொடர்புக் கணித மொடல்களை உருவாக்கவும் | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | ஜென் மற்றும் Dmitry • எரிக் வஞ்ஜாவ் |
| 08 | வட அமெரிக்க பரங்கிக்காய் விலை 🎃 | [Regression](2-Regression/README.md) | ஒரு லாஜிஸ்டிக் தொடர்புக் கணிதக் மொடல் உருவாக்கவும் | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | ஜென் • எரிக் வஞ்ஜாவ் |
| 09 | ஒரு வலை செயலி 🔌 | [Web App](3-Web-App/README.md) | உங்கள் பயிற்சியளிக்கப்பட்ட மொடலைப் பயன்படுத்த ஒரு வலை செயலியை உருவாக்கவும் | [Python](3-Web-App/1-Web-App/README.md) | ஜென் |
| 10 | வகைப்படுத்தலுக்கான அறிமுகம் | [Classification](4-Classification/README.md) | உங்கள் தரவை சுத்தம் செய்யவும், தயாரிக்கவும், காட்சிப்படுத்தவும்; வகைப்படுத்தலுக்கான அறிமுகம் | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | ஜென் மற்றும் கேசி • எரிக் வஞ்ஜாவ் |
| 11 | சுவையான ஆசிய மற்றும் இந்திய சமையல் 🍜 | [Classification](4-Classification/README.md) | வகைப்படுத்தலரின் அறிமுகம் | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | ஜென் மற்றும் கேசி • எரிக் வஞ்ஜாவ் |
| 12 | சுவையான ஆசிய மற்றும் இந்திய சமையல் 🍜 | [Classification](4-Classification/README.md) | கூடுதல் வகைப்படுத்தலர்கள் | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | ஜென் மற்றும் கேசி • எரிக் வஞ்ஜாவ் |
| 13 | சுவையான ஆசிய மற்றும் இந்திய சமையல் 🍜 | [Classification](4-Classification/README.md) | உங்கள் மொடலைப் பயன்படுத்தி பரிந்துரைக்கும் வலை செயலி உருவாக்கவும் | [Python](4-Classification/4-Applied/README.md) | ஜென் |
| 14 | கூட்டு வகைப்படுத்தலுக்கான அறிமுகம் | [Clustering](5-Clustering/README.md) | உங்கள் தரவை சுத்தம் செய்யவும், தயாரிக்கவும், காட்டவும்; கூட்டு வகைப்படுத்தலுக்கான அறிமுகம் | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | ஜென் • எரிக் வஞ்ஜாவ் |
| 15 | நைஜீரிய இசை ருசிகளை ஆராய்தல் 🎧 | [Clustering](5-Clustering/README.md) | K-Means கூட்டு வகைப்படுத்தல் முறையை ஆராயுங்கள் | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | ஜென் • எரிக் வஞ்ஜாவ் |
| 16 | இயற்கை மொழி செயலாக்க அறிமுகம் ☕️ | [Natural language processing](6-NLP/README.md) | எளிதான ஒரு பாட்டை உருவாக்கி NLP அடிப்படைகளை கற்றுக்கொள்ளுங்கள் | [Python](6-NLP/1-Introduction-to-NLP/README.md) | ஸ்டீபன் |
| 17 | பொதுவான NLP பணி ☕️ | [Natural language processing](6-NLP/README.md) | மொழி கட்டமைப்புகளுடன் பணியாற்றுவதற்கு தேவையான பொதுவான பணிகளைப் புரிந்துகொண்டு உங்கள் NLP அறிவை விரிவுபடுத்தவும் | [Python](6-NLP/2-Tasks/README.md) | ஸ்டீபன் |
| 18 | மொழிபெயர்ப்பு மற்றும் உணர்வு பகுப்பாய்வு ♥️ | [Natural language processing](6-NLP/README.md) | ஜேன் ஆஸ்டன் உடன் மொழிபெயர்ப்பு மற்றும் உணர்வு பகுப்பாய்வு | [Python](6-NLP/3-Translation-Sentiment/README.md) | ஸ்டீபன் |
| 19 | ஐரோப்பிய காதல் விடுதிகள் ♥️ | [Natural language processing](6-NLP/README.md) | ஹோட்டல் விமர்சனங்களுடன் உணர்வு பகுப்பாய்வு 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | ஸ்டீபன் |
| 20 | ஐரோப்பிய காதல் விடுதிகள் ♥️ | [Natural language processing](6-NLP/README.md) | ஹோட்டல் விமர்சனங்களுடன் உணர்வு பகுப்பாய்வு 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | ஸ்டீபன் |
| 21 | கால அளவு தொடர் படிம முன்கூட்டியறிதல் அறிமுகம் | [Time series](7-TimeSeries/README.md) | கால அளவு தொடர் படிம முன்கூட்டியறிதல் அறிமுகம் | [Python](7-TimeSeries/1-Introduction/README.md) | பிரான்செஸ்கா |
| 22 | ⚡️ உலக சக்தி பயன்பாடு ⚡️ - ARIMA உடன் கால அளவு தொடர் முன்கூட்டியறிதல் | [Time series](7-TimeSeries/README.md) | ARIMA உடன் கால அளவு தொடர் முன்கூட்டியறிதல் | [Python](7-TimeSeries/2-ARIMA/README.md) | பிரான்செஸ்கா |
| 23 | ⚡️ உலக சக்தி பயன்பாடு ⚡️ - SVR உடன் கால அளவு தொடர் முன்கூட்டியறிதல் | [Time series](7-TimeSeries/README.md) | Support Vector Regressor மூலம் கால அளவு தொடர் முன்கூட்டியறிதல் | [Python](7-TimeSeries/3-SVR/README.md) | அனிர்பான் |
| 24 | வலிமையூட்டும் கற்றலுக்கான அறிமுகம் | [Reinforcement learning](8-Reinforcement/README.md) | Q-Learning உடன் வலிமையூட்டும் கற்றலுக்கான அறிமுகம் | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| கடைசிக் குறிப்புகள் | உலக nyata இயந்திரக் கற்றல் சூழல்கள் மற்றும் பயன்பாடுகள் | [ML in the Wild](9-Real-World/README.md) | பாரம்பரிய இயந்திரக் கற்றலின் சுவாரஸ்யமான மற்றும் வெளிப்படுத்தும் உண்மையான பயன்பாடுகள்| [பாடம்](9-Real-World/1-Applications/README.md) | குழு |
| கடைசிக் குறிப்புகள் | RAI டாஷ்போர்டைப் பயன்படுத்தி இயந்திரக் கற்றலில் மொடல் பிழைத்திருத்தல் | [ML in the Wild](9-Real-World/README.md) | பதிலாளர் AI டாஷ்போர்டு கூறுகளைப் பயன்படுத்தி இயந்திரக் கற்றலில் மொடல் பிழைத்திருத்தல் | [பாடம்](9-Real-World/2-Debugging-ML-Models/README.md) | ரூத் யகுபு |
> [இந்த படிப்புக்கான அனைத்து கூடுதல் வளங்களையும் எங்கள் Microsoft Learn தொகுப்பில் காணவும்](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## ஆன்லைனாக இல்லாத அணுகல்
[Docsify](https://docsify.js.org/#/) பயன்படுத்தி இந்த ஆவணத்தினை ஆன்லைனாக இல்லாத முறையில் இயக்கலாம். இந்த ரெப்போவை ஃபோர்க் செய்து, உங்கள் உள்ளக கணினியில் [Docsify ஐ நிறுவி](https://docsify.js.org/#/quickstart), அதன் பிறகு இந்த ரெப்போவின் ரூட் கோப்புறையில் `docsify serve` என தட்டச்சு செய்யவும். இணையதளம் 3000 என்ற பிளோர்டு இலக்கத்தில் உங்கள் உள்ளூர் கணினியில் (localhost:3000) கிடைக்கும்.
## PDFகள்
பாடத்திட்டத்தின் PDF ஐ [இங்கே](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) இணைப்புடன் காணலாம்.
வழிகாட்டுதலின் PDF பதிப்பை இணைப்புடன் [இங்கே](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) காணவும்.
## 🎒 மற்ற பாடங்கள்
## 🎒 மற்ற படிப்புகள்
எங்கள் குழு பிற பாடங்களையும் உருவாக்குகிறது! பாருங்கள்:
எங்கள் குழு மற்ற படிப்புகளை உருவாக்குகிறது! பாருங்கள்:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -190,7 +190,7 @@ Microsoft இல் Cloud Advocates ஒரு 12 வார, 26 பாடங்
---
### உருவாக்கும் AI தொடர்கதை
### 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)
@ -198,7 +198,7 @@ Microsoft இல் Cloud Advocates ஒரு 12 வார, 26 பாடங்
---
### முக்கியக் கற்றல்
### மூலக் கற்றல்
[](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)
@ -209,7 +209,7 @@ Microsoft இல் Cloud Advocates ஒரு 12 வார, 26 பாடங்
---
### கோபைலட் தொடர்
### கோபைலட் தொடர்ச்சி
[](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)
@ -217,22 +217,22 @@ Microsoft இல் Cloud Advocates ஒரு 12 வார, 26 பாடங்
## உதவி பெறுதல்
AI பயன்பாடுகள் உருவாக்கும்போது எதுவும் புரியவில்லை என்றால் அல்லது கேள்விகள் இருந்தால். MCP பற்றி சம்மந்தப்பட்ட கற்றாளர்கள் மற்றும் அனுபவமிக்க டெவலப்பர்களுடன் விவாதங்களில் கலந்து கொள்ளவும். இது கேள்விகளுக்கு வரவேற்கப்படும் மற்றும் அறிவு சுதந்திரமாக பகிரப்படும் ஒரு ஆதரவான சமூகமாகும்.
உங்கள் AI செயலிகள் கட்டுவதில் சிக்கல் வந்தால் அல்லது கேள்விகள் உள்ளன என்றால். MCP பற்றி சக லெர்னர்கள் மற்றும் அனுபவசாலிகள் உடன் விவாதங்களில் சேரவும். கேள்விகள் வரவேற்கப்பட்டு அறிவு சுதந்திரமாக பகிரப்படும் ஆதரவுள்ளதாகிய சமூகம் இது.
- ஒவ்வொரு பாடத்திலும் நோட்புக்குகளை மறுபரிசீலனை செய்யவும் சிறந்த புரிதலுக்காக.
- உங்கள் சொந்தமாக ஆல்கொரிதம்களை செயல்படுத்திப் பயிற்சி பெறவும்.
- கற்றுக்கொண்ட கருத்துக்களை பயன்படுத்தி நிஜ உலக தரவுத் தொகுப்புகளை ஆய்வு செய்யவும்.
- ஒவ்வொரு பாடத்திற்கும் பின்னர் நோட்டுபுத்தகங்களை மறுபரிசீலனை செய்யவும்.
- ஆல்குரிதத்தினை தானே நடைமுறைப்படுத்துவதை பயிற்சி செய்யவும்.
- கற்றுக்கொண்ட கருத்துக்களை பயன்படுத்தி உண்மையான தரவுத்தளங்களை ஆராயவும்.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**குறிப்புரை**:
இந்த ஆவணம் [Co-op Translator](https://github.com/Azure/co-op-translator) என்ற AI மொழிபெயர்ப்பு சேவையை பயன்படுத்தி மொழி மாற்றப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சி செய்தாலும், தானாகச் செய்யப்படும் மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறுகள் இருக்க வாய்ப்பு உள்ளது என்பதை கவனிக்கவும். அசல் ஆவணம் அதன் சொந்த மொழியில் அதிகாரப்பூர்வ மூலமாகக் கருதப்பட வேண்டும். முக்கியமான தகவலுக்காக, தொழில் நுட்பமான மனித மொழிபெயர்ப்பை பரிந்துரைக்கிறோம். இந்த மொழிபெயர்ப்பினால் ஏதாவது தவறான புரிதல்கள் அல்லது தவறான விளக்கங்கள் ஏற்பட்டால் நாம் பொறுப்பாக இருப்பில் இல்லை.
**ஒருங்குறிப்பு**:
இந்த ஆவணம் AI மொழிபெயர்ப்பு சேவை [Co-op Translator](https://github.com/Azure/co-op-translator) பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் இலக்கான துல்லியத்திற்காக முயற்சித்தாலும், தானியங்கி மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறுகள் இருக்கக்கூடும் என்பதை தயவுசெய்து கவனமாக இருக்கவும். துவக்க ஆவணத்தின் இயல்பு மொழியில் உள்ள உள்ளடக்கம் அதிகாரப்பூர்வமான மூலமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்நுட்ப மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பின் பயன்படுத்துதலால் ஏற்படும் எந்தவொரு தவறான புரிதல்கள் அல்லது தவறான பாராட்டுகளுக்கு நாங்கள் பொறுப்பேற்க மாட்டோம்.
localizeflow[bot]
2 weeks ago