#### GitHub Action के माध्यम से समर्थित (स्वचालित और हमेशा अद्यतन)
#### GitHub Action के माध्यम से समर्थित (स्वचालित और हमेशा अद्यतित)
> **स्थानीय रूप से क्लोन करना पसंद है?**
>
> इस रिपॉजिटरी में 50+ भाषा अनुवाद शामिल हैं जो डाउनलोड आकार को काफी बढ़ाते हैं। बिना अनुवाद के क्लोन करने के लिए sparse checkout का उपयोग करें:
> इस रिपॉजिटरी में 50+ भाषा अनुवाद शामिल हैं जो डाउनलोड आकार को काफी बढ़ाते हैं। बिना अनुवाद के क्लोन करने के लिए, sparse checkout का उपयोग करें:
>
> **Bash / macOS / Linux:**
> ```bash
@ -20,59 +20,60 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> यह आपको पाठ्यक्रम पूरा करने के लिए आवश्यक सब कुछ प्रदान करता है एक बहुत ही तेज़ डाउनलोड के साथ।
> यह आपको उस सब कुछ देता है जिसकी आपको तेज़ डाउनलोड के साथ कोर्स पूरा करने के लिए ज़रूरत है।
#### हमारे समुदाय में शामिल हों
हमारे पास AI के साथ सीखने की एक Discord श्रृंखला चल रही है, अधिक जानने और शामिल होने के लिए [Learn with AI Series](https://aka.ms/learnwithai/discord) पर जाएं 18 - 30 सितंबर, 2025 से। आपको GitHub Copilot का उपयोग डेटा साइंस के लिए करने के टिप्स और ट्रिक्स मिलेंगे।
हमारे पास डिसॉर्ड में AI के साथ सीखने की श्रृंखला चल रही है, अधिक जानने और इसमें शामिल होने के लिए [Learn with AI Series](https://aka.ms/learnwithai/discord) पर जाएं, जो 18 - 30 सितंबर, 2025 को है। आपको GitHub Copilot का डेटा साइंस के लिए उपयोग करने के टिप्स और ट्रिक्स मिलेंगे।
# शुरुआती लोगों के लिए मशीन लर्निंग - एक पाठ्यक्रम
# शुरुआती के लिए मशीन लर्निंग - एक पाठ्यक्रम
> 🌍 हम दुनिया के विभिन्न सांस्कृतिक क्षेत्रों की मदद से मशीन लर्निंग का अन्वेषण करते हुए दुनिया की सैर करेंगे 🌍
> 🌍 जब हम दुनिया की संस्कृतियों के माध्यम से मशीन लर्निंग का पता लगाते हैं तो दुनिया की यात्रा करें 🌍
Microsoft में Cloud Advocates खुशी से प्रस्तुत करते हैं 12 सप्ताह का, 26-पाठ्यक्रम वाला एक पाठ्यक्रम जो पूरी तरह से **मशीन लर्निंग** के बारे में है। इस पाठ्यक्रम में, आप सीखेंगे जिसे कभी-कभी**क्लासिक मशीन लर्निंग** कहा जाता है, मुख्य रूप से Scikit-learn लाइब्रेरी का उपयोग करके, और डीप लर्निंग से बचेंगे, जो हमारे [AI for Beginners' पाठ्यक्रम](https://aka.ms/ai4beginners) में कवर किया गया है। साथ ही ये पाठ [Data Science for Beginners' पाठ्यक्रम](https://aka.ms/ds4beginners) के साथ जोड़े जा सकते हैं।
Microsoft के Cloud Advocates एक 12-सप्ताह, 26-लक्षण पाठ्यक्रम प्रदान करते हैं जो पूरी तरह से **मशीन लर्निंग** के बारे में है। इस पाठ्यक्रम में, आप सीखेंगे कि कभी-कभी जिसे**क्लासिक मशीन लर्निंग** कहा जाता है, मुख्य रूप से Scikit-learn पुस्तकालय का उपयोग करके और गहरे लर्निंग से बचते हुए, जिसे हमारे [AI for Beginners' पाठ्यक्रम](https://aka.ms/ai4beginners) में कवर किया गया है। साथ ही, इन पाठों को हमारे ['Data Science for Beginners' पाठ्यक्रम](https://aka.ms/ds4beginners) के साथ जोड़ें।
हमारे साथ दुनिया भर की यात्रा करें क्योंकि हम इन क्लासिक तकनीकों को दुनिया के कई क्षेत्रों के डेटा पर लागू करते हैं। प्रत्येक पाठ में प्रारंभिक और अंतिम क्विज़, लिखित निर्देश, समाधान, असाइनमेंट और भी बहुत कुछ शामिल है। हमारी परियोजना-आधारित शिक्षाशास्त्र आपको निर्माण करते हुए सीखने की अनुमति देती है, जो नई कौशलों को 'जमा' करने का सिद्ध तरीका है।
दुनिया भर के डाटा पर इन क्लासिक तकनीकों को लागू करते हुए हमारे साथ यात्रा करें। प्रत्येक पाठ में पूर्व और पश्चात परीक्षण शामिल हैं, पूरा करने के लिए लिखित निर्देश, समाधान, असाइनमेंट और अधिक। हमारी परियोजना-आधारित शिक्षण विधि आपको निर्माण करते हुए सीखने की अनुमति देती है, जो नई कौशल सीखने का सिद्ध तरीका है।
**✍️ हमारे लेखकों का हार्दिक धन्यवाद** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu और Amy Boyd
**🎨 हमारे चित्रकारों को भी धन्यवाद** टोमॉमी इमुरा, दासानी मडिपल्ली, और जेन लूपर
**🎨 हमारे चित्रकारों को भी धन्यवाद** Tomomi Imura, Dasani Madipalli, और Jen Looper
**🙏 विशेष धन्यवाद 🙏 हमारे Microsoft Student Ambassador लेखकों, समीक्षाकर्ताओं, और सामग्री योगदानकर्ताओं को**, विशेष रूप से ऋषित डागली, मुहम्मद साक़िब खान इनान, रोहन राज, अलेक्जेंड्रू पेट्रेस्कू, अभिषेक जायसवाल, नवरीन तबस्सुम, इआन सामुइला, और स्निग्धा अग्रवाल को
**🙏 विशेष धन्यवाद 🙏 हमारे Microsoft Student Ambassador लेखकों, समीक्षकों, और सामग्री योगदानकर्ताओं को**, विशेष रूप से Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, और Snigdha Agarwal
**🤩 अतिरिक्त आभार Microsoft Student Ambassadors एरिक वांजाऊ, जसलीन सोंधी, और विदुषी गुप्ता को हमारे R पाठों के लिए!**
**🤩 हमारे R पाठों के लिए Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, और Vidushi Gupta को अतिरिक्त आभार!**
# आरंभ कैसे करें
# आरंभ करना
इन चरणों का पालन करें:
1. **रिपॉजिटरी को Fork करें**: इस पृष्ठ के ऊपर-दाएं कोने में "Fork" बटन पर क्लिक करें।
2. **रिपॉजिटरी को Clone करें**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
1. **रिपॉजिटरी को फोर्क करें**: इस पृष्ठ के ऊपर-दाएं कोने में "Fork" बटन पर क्लिक करें।
> [इस पाठ्यक्रम के सभी अतिरिक्त संसाधन हमारे Microsoft Learn संग्रह में देखें](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [इस कोर्स के लिए सभी अतिरिक्त संसाधन हमारे Microsoft Learn संग्रह में खोजें](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **मदद चाहिए?** सामान्य समस्याओं जैसे इंस्टॉलेशन, सेटअप, और पाठ चलाने से संबंधित समाधान के लिए हमारा [Troubleshooting Guide](TROUBLESHOOTING.md) देखें।
> 🔧 **मदद चाहिए?** सामान्य इंस्टॉलेशन, सेटअप, और पाठ चलाने में समस्याओं के समाधान के लिए हमारे [Troubleshooting Guide](TROUBLESHOOTING.md) की जांच करें।
**[छात्र](https://aka.ms/student-page)**, इस पाठ्यक्रम का उपयोग करने के लिए, पूरे रिपॉजिटरी को अपने GitHub अकाउंट पर fork करें और खुद से या समूह में अभ्यास पूरा करें:
- प्रि-लेक्चर क्विज़ के साथ शुरुआत करें।
- व्याख्यान पढ़ें और गतिविधियाँ पूरी करें, हर ज्ञान जांच पर रुककर सोचें।
- परियोजना बनाने का प्रयास करें पाठों को समझकर, समाधान कोड चलाने के बजाय; हलाँकि वह कोड `/solution` फोल्डरों में उपलब्ध है हर प्रोजेक्ट-आधारित पाठ में।
- पोस्ट-लेक्चर क्विज़ लें।
**[छात्रों](https://aka.ms/student-page)**, इस पाठ्यक्रम का उपयोग करने के लिए, पूरी रिपॉजिटरी को अपनी GitHub अकाउंट पर फोर्क करें और स्वयं या समूह के साथ अभ्यास पूर्ण करें:
- पूर्व व्याख्यान क्विज़ से शुरू करें।
- व्याख्यान पढ़ें और गतिविधियों को पूरा करें, प्रत्येक ज्ञान जांच पर रुककर चिंतन करें।
- समाधान कोड चलाने से अधिक, पाठों को समझकर परियोजनाएं बनाने का प्रयास करें; हालांकि यह कोड प्रत्येक परियोजना-केंद्रित पाठ के `/solution` फ़ोल्डरों में उपलब्ध है।
- पश्चात व्याख्यान क्विज़ लें।
- चुनौती पूरी करें।
- असाइनमेंट पूरा करें।
- एक समूह पूरा करने के बाद, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) पर जाएं और उपयुक्त PAT रुब्रिक भरकर "जोर से सीखें"। 'PAT' एक प्रोग्रेस असेसमेंट टूल होता है जिसे आप अपनी सीख को आगे बढ़ाने के लिए भरते हैं। आप अन्य PATs पर भी प्रतिक्रिया दे सकते हैं ताकि हम साथ सीख सकें।
- एक पाठ समूह पूरा करने के बाद, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) पर जाएं और उपयुक्त PAT रूपरेखा भरकर "उच्चारण से सीखें"। 'PAT' एक प्रगति मूल्यांकन उपकरण है जिसे आप सीखने को आगे बढ़ाने के लिए भरते हैं। आप अन्य PATs पर प्रतिक्रिया भी कर सकते हैं ताकि हम साथ सीख सकें।
> आगे अध्ययन के लिए, हम निम्न [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) मॉड्यूल और लर्निंग पाथ्स का पालन करने की सलाह देते हैं।
> आगे अध्ययन के लिए, हम इन [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) मॉड्यूल और लर्निंग पाथ का अनुसरण करने की सलाह देते हैं।
**शिक्षकगण**, हमने इस पाठ्यक्रम के उपयोग के लिए कुछ सुझाव [शामिल किए हैं](for-teachers.md)।
**शिक्षकों**, हमने इस पाठ्यक्रम का उपयोग कैसे करें इसके लिए [कुछ सुझाव शामिल किए हैं](for-teachers.md)।
---
## वीडियो वॉकथ्रू
कुछ पाठ छोटे वीडियो के रूप में उपलब्ध हैं। आप उन्हें पाठ के साथ इन-लाइन पा सकते हैं, या [Microsoft Developer YouTube चैनल पर ML for Beginners प्लेलिस्ट](https://aka.ms/ml-beginners-videos) में नीचे दी गई छवि पर क्लिक करके देख सकते हैं।
कुछ पाठ छोटे वीडियो रूप में उपलब्ध हैं। आप इन्हें पाठों के अंदर पा सकते हैं, या [Microsoft Developer YouTube चैनल पर ML for Beginners प्लेलिस्ट](https://aka.ms/ml-beginners-videos) पर नीचे दी गई छवि पर क्लिक करके देख सकते हैं।
[](https://aka.ms/ml-beginners-videos)
@ -80,80 +81,81 @@ Microsoft में Cloud Advocates खुशी से प्रस्तुत
> 🎥 ऊपर की छवि पर क्लिक करें परियोजना और इसे बनाने वालों के बारे में वीडियो के लिए!
> 🎥 परियोजना और इसे बनाने वाले लोगों के बारे में वीडियो के लिए ऊपर की छवि पर क्लिक करें!
---
## शिक्षाशास्त्र
## शिक्षणशास्त्र
इस पाठ्यक्रम के निर्माण में हमने दो शैक्षणिक सिद्धांत चुने हैं: इसे हाथों-हाथ**परियोजना-आधारित** बनाना सुनिश्चित करना और इसमें**बार-बार क्विज़** शामिल करना। इसके अलावा, इस पाठ्यक्रम में आम **थीम** भी है जो इसे एकरूपता देता है।
इस पाठ्यक्रम का निर्माण करते समय हमने दो शिक्षण सिद्धांत चुने हैं: इसे प्रायोगिक**परियोजना-आधारित** बनाना और **बार-बार क्विज़** शामिल करना। इसके अलावा, इस पाठ्यक्रम में एक सामान्य **थीम** शामिल है जो इसे संलग्नता देता है।
सामग्री को परियोजनाओं के अनुरूप बनाकर, छात्रों के लिए प्रक्रिया अधिक रुचिकर हो जाती है और अवधारणाओं को याद रखना बढ़ता है। साथ ही, कक्षा से पहले कम दबाव वाला क्विज़ छात्रों को विषय सीखने के लिए प्रेरित करता है, जबकि कक्षा के बाद दूसरा क्विज़ और अधिक स्मरण सुनिश्चित करता है। यह पाठ्यक्रम लचीला और मनोरंजक होने के लिए डिजाइन किया गया है और इसे पूर्ण रूप से या आंशिक रूप से लिया जा सकता है। परियोजनाएं शुरू में सरल होती हैं और 12 सप्ताह के अंत तक धीरे-धीरे जटिल होती जाती हैं। यह पाठ्यक्रम ML के वास्तविक विश्व अनुप्रयोगों पर एक पोस्टस्क्रिप्ट भी शामिल करता है, जिसे अतिरिक्त क्रेडिट या चर्चा के आधार के रूप में उपयोग किया जा सकता है।
सामग्री को परियोजनाओं से संरेखित कर यह प्रक्रिया छात्रों के लिए अधिक व्यस्त और अवधारणाओं के प्रतिधारण को बढ़ावा देने वाली बन जाती है। इसके अतिरिक्त, कक्षा से पहले एक कम जोखिम वाली क्विज़ विद्यार्थी की किसी विषय को सीखने की मंशा निर्धारित करती है, जबकि कक्षा के बाद दूसरी क्विज़ आगे की अवधारण सुनिश्चित करती है। यह पाठ्यक्रम लचीला और मजेदार होने के लिए डिज़ाइन किया गया है और इसे पूरी तरह या आंशिक रूप से लिया जा सकता है। परियोजनाएं छोटी शुरू होती हैं और 12-सप्ताह के चक्र के अंत तक अधिक जटिल हो जाती हैं। इस पाठ्यक्रम में मशीन लर्निंग के वास्तविक विश्व उपयोगों पर एक पोस्टस्क्रिप्ट भी शामिल है, जिसे अतिरिक्त क्रेडिट के रूप में या चर्चा के आधार के रूप में उपयोग किया जा सकता है।
> हमारा [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md), और [Troubleshooting](TROUBLESHOOTING.md) दिशानिर्देश देखें। हम आपकी रचनात्मक प्रतिक्रिया का स्वागत करते हैं!
> हमारे [आचार संहिता](CODE_OF_CONDUCT.md), [योगदान](CONTRIBUTING.md), [अनुवाद](..) और [समस्या निवारण](TROUBLESHOOTING.md) दिशा-निर्देश खोजें। हम आपकी रचनात्मक प्रतिक्रिया का स्वागत करते हैं!
> **भाषाओं के बारे में एक नोट**: ये पाठ मुख्य रूप से Python में लिखे गए हैं, लेकिन कई R में भी उपलब्ध हैं। एक R पाठ पूरा करने के लिए, `/solution` फ़ोल्डर पर जाएं और R पाठ खोजें। इनमें .rmd एक्सटेंशन होता है जो एक **R Markdown** फ़ाइल को दर्शाता है जिसे सरलता से ऐसे परिभाषित किया जा सकता है कि यह `कोड चंक्स` (R या अन्य भाषाओं के) और `YAML हैडर` (जो आउटपुट जैसे PDF के स्वरूप को मार्गदर्शन करता है) को `Markdown दस्तावेज़` में एम्बेड करता है। इसलिए, यह डेटा साइंस के लिए एक आदर्श लेखक ढांचा के रूप में काम करता है क्योंकि यह आपको अपने कोड, उसके आउटपुट, और अपने विचारों को Markdown में लिखने की अनुमति देकर संयोजित करने देता है। इसके अलावा, R Markdown दस्तावेज़ों को PDF, HTML, या Word जैसे आउटपुट स्वरूपों में प्रस्तुत किया जा सकता है।
> **परीक्षा के बारे में एक नोट**: सभी क्विज [Quiz App folder](../../quiz-app) में हैं, कुल 52 क्विज़ तीन प्रश्नों के प्रत्येक। ये पाठों से लिंक्ड हैं लेकिन क्विज ऐप स्थानीय रूप से चलाया जा सकता है; `quiz-app` फ़ोल्डर में निर्देशों का पालन करें ताकि इसे स्थानीय रूप से होस्ट या Azure पर तैनात किया जा सके।
| पाठ संख्या | विषय | पाठ समूह | सीखने के उद्देश्य | लिंक्ड पाठ | लेखक |
| 01 | मशीन लर्निंग परिचय | [Introduction](1-Introduction/README.md) | मशीन लर्निंग के मूल सिद्धांत सीखें | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | मशीन लर्निंग का इतिहास | [Introduction](1-Introduction/README.md) | इस क्षेत्र के पीछे का इतिहास सीखें | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | निष्पक्षता और मशीन लर्निंग | [Introduction](1-Introduction/README.md) | निष्पक्षता से जुड़े महत्वपूर्ण दार्शनिक मुद्दे क्या हैं जिन्हें छात्र ML मॉडल बनाने और लागू करते वक्त विचार करें? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | मशीन लर्निंग के लिए तकनीकें | [Introduction](1-Introduction/README.md) | ML शोधकर्ता ML मॉडल बनाने के लिए कौन-कौन सी तकनीकें इस्तेमाल करते हैं? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | प्रतिगमन परिचय | [Regression](2-Regression/README.md) | प्रतिगमन मॉडलों के लिए Python और Scikit-learn के साथ शुरुआत करें | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | उत्तरी अमेरिकी कद्दू के दाम 🎃 | [Regression](2-Regression/README.md) | ML के लिए डेटा को देखना और साफ करना | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | उत्तरी अमेरिकी कद्दू के दाम 🎃 | [Regression](2-Regression/README.md) | रैखिक और बहुपद प्रतिगमन मॉडल बनाएं | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | उत्तरी अमेरिकी कद्दू के दाम 🎃 | [Regression](2-Regression/README.md) | एक लॉजिस्टिक प्रतिगमन मॉडल बनाएं | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | एक वेब ऐप 🔌 | [Web App](3-Web-App/README.md) | अपने प्रशिक्षित मॉडल का उपयोग करने के लिए एक वेब ऐप बनाएं | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | वर्गीकरण परिचय | [Classification](4-Classification/README.md) | अपने डेटा को साफ़ करें, तैयार करें, और विज़ुअलाइज़ करें; वर्गीकरण का परिचय | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | स्वादिष्ट एशियाई और भारतीय भोजन 🍜 | [Classification](4-Classification/README.md) | क्लासिफायर्स का परिचय | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | स्वादिष्ट एशियाई और भारतीय भोजन 🍜 | [Classification](4-Classification/README.md) | और क्लासिफायर्स | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | स्वादिष्ट एशियाई और भारतीय भोजन 🍜 | [Classification](4-Classification/README.md) | अपने मॉडल का उपयोग करके एक अनुशंसक वेब ऐप बनाएं | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | क्लस्टरिंग का परिचय | [Clustering](5-Clustering/README.md) | अपने डेटा को साफ़ करें, तैयार करें, और विज़ुअलाइज़ करें; क्लस्टरिंग का परिचय | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | नाइजीरियाई संगीत स्वाद का अन्वेषण 🎧 | [Clustering](5-Clustering/README.md) | K-Means क्लस्टरिंग विधि का अन्वेषण करें | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | प्राकृतिक भाषा प्रसंस्करण का परिचय ☕️ | [Natural language processing](6-NLP/README.md) | एक सरल बॉट बनाकर NLP के मूल बातें सीखें | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | सामान्य NLP कार्य ☕️ | [Natural language processing](6-NLP/README.md) | भाषा संरचनाओं से निपटने के लिए आवश्यक सामान्य कार्यों को समझकर अपने NLP ज्ञान को गहरा करें | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | अनुवाद और भावना विश्लेषण ♥️ | [Natural language processing](6-NLP/README.md) | जेन ऑस्टेन के साथ अनुवाद और भावना विश्लेषण | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | यूरोप के रोमांटिक होटल ♥️ | [Natural language processing](6-NLP/README.md) | होटल समीक्षाओं के साथ भावना विश्लेषण 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | यूरोप के रोमांटिक होटल ♥️ | [Natural language processing](6-NLP/README.md) | होटल समीक्षाओं के साथ भावना विश्लेषण 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | समय श्रृंखला पूर्वानुमान का परिचय | [Time series](7-TimeSeries/README.md) | समय श्रृंखला पूर्वानुमान का परिचय | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ विश्व बिजली उपयोग ⚡️ - ARIMA के साथ समय श्रृंखला पूर्वानुमान | [Time series](7-TimeSeries/README.md) | ARIMA के साथ समय श्रृंखला पूर्वानुमान | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ विश्व बिजली उपयोग ⚡️ - SVR के साथ समय श्रृंखला पूर्वानुमान | [Time series](7-TimeSeries/README.md) | सपोर्ट वेक्टर रिग्रेशन के साथ समय श्रृंखला पूर्वानुमान | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | पुनर्बलन लर्निंग का परिचय | [Reinforcement learning](8-Reinforcement/README.md) | Q-लर्निंग के साथ पुनर्बलन लर्निंग का परिचय | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | पीटर को भेड़िये से बचाएं! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | पुनर्बलन लर्निंग जिम | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| उपसंहार | वास्तविक दुनिया के ML परिदृश्य और अनुप्रयोग | [ML in the Wild](9-Real-World/README.md) | क्लासिक ML के रोचक और खुलासे वाले वास्तविक विश्व अनुप्रयोग | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| उपसंहार | RAI डैशबोर्ड का उपयोग करके ML मॉडल डिबगिंग | [ML in the Wild](9-Real-World/README.md) | जिम्मेदार AI डैशबोर्ड घटकों का उपयोग करते हुए मशीन लर्निंग में मॉडल डिबगिंग | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> **भाषाओं के बारे में एक नोट**: ये पाठ मुख्य रूप से Python में लिखे गए हैं, लेकिन कई R में भी उपलब्ध हैं। R पाठ पूरा करने के लिए, `/solution` फ़ोल्डर में जाएं और R पाठ देखें। इनमें .rmd एक्सटेंशन शामिल है जो एक **R Markdown** फ़ाइल का प्रतिनिधित्व करता है, जिसे सरलता से परिभाषित किया जा सकता है जैसे कि `कोड खंडों` (R या अन्य भाषाओं के) और एक `YAML हेडर` (जो आउटपुट जैसे PDF के स्वरूपण को निर्देशित करता है) के साथ एक `Markdown दस्तावेज़` एमबेडिंग। इस प्रकार, यह डेटा साइंस के लिए एक आदर्श लेखन ढांचा है क्योंकि यह आपको अपने कोड, उसका आउटपुट, और अपने विचार को Markdown में लिखने की अनुमति देता है। इसके अलावा, R Markdown दस्तावेज़ों को PDF, HTML या Word जैसे आउटपुट स्वरूपों में रेंडर किया जा सकता है।
> **क्विज़ के बारे में एक नोट**: सभी क्विज़ [Quiz App folder](../../quiz-app) में शामिल हैं, प्रत्येक में तीन प्रश्नों के 52 कुल क्विज़ हैं। इन्हें पाठ्यक्रम के भीतर लिंक किया गया है लेकिन क्विज़ ऐप को स्थानीय रूप से चलाया जा सकता है; स्थानीय होस्ट करने या Azure पर डिप्लॉय करने के लिए `quiz-app` फ़ोल्डर में निर्देशों का पालन करें।
| Lesson Number | टॉपिक | पाठ्य समूह | सीखने के उद्देश्य | लिंक किया गया पाठ | लेखक |
| 01 | मशीन लर्निंग का परिचय | [परिचय](1-Introduction/README.md) | मशीन लर्निंग के मूलभूत सिद्धांत सीखें | [पाठ](1-Introduction/1-intro-to-ML/README.md) | मुहम्मद |
| 02 | मशीन लर्निंग का इतिहास | [परिचय](1-Introduction/README.md) | इस क्षेत्र के पीछे का इतिहास सीखें | [पाठ](1-Introduction/2-history-of-ML/README.md) | जेन और एमी |
| 03 | निष्पक्षता और मशीन लर्निंग | [परिचय](1-Introduction/README.md) | जब छात्र ML मॉडल बनाते और लागू करते हैं, तो निष्पक्षता के महत्वपूर्ण दार्शनिक मुद्दे क्या हैं? | [पाठ](1-Introduction/3-fairness/README.md) | टोमोमी |
| 04 | मशीन लर्निंग की तकनीकें | [परिचय](1-Introduction/README.md) | ML शोधकर्ता ML मॉडल बनाने के लिए किन तकनीकों का उपयोग करते हैं? | [पाठ](1-Introduction/4-techniques-of-ML/README.md) | क्रिस और जेन |
| 05 | प्रतिगमन का परिचय | [प्रतिगमन](2-Regression/README.md) | प्रतिगमन मॉडल के लिए पाइथन और Scikit-learn के साथ शुरुआत करें | [पाइथन](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | जेन • एरिक वंजीउ |
| 06 | उत्तर अमेरिकी कद्दू के दाम 🎃 | [प्रतिगमन](2-Regression/README.md) | ML की तैयारी में डेटा को स्वरूपित और साफ़ करें | [पाइथन](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | जेन • एरिक वंजीउ |
| 07 | उत्तर अमेरिकी कद्दू के दाम 🎃 | [प्रतिगमन](2-Regression/README.md) | रैखिक और बहुपद प्रतिगमन मॉडल बनाएं | [पाइथन](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | जेन और दिमित्रि • एरिक वंजीउ |
| 08 | उत्तर अमेरिकी कद्दू के दाम 🎃 | [प्रतिगमन](2-Regression/README.md) | एक लॉजिस्टिक प्रतिगमन मॉडल बनाएं | [पाइथन](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | जेन • एरिक वंजीउ |
| 09 | एक वेब ऐप 🔌 | [वेब ऐप](3-Web-App/README.md) | अपने प्रशिक्षित मॉडल का उपयोग करने के लिए एक वेब ऐप बनाएं | [पाइथन](3-Web-App/1-Web-App/README.md) | जेन |
| 10 | वर्गीकरण का परिचय | [वर्गीकरण](4-Classification/README.md) | अपने डेटा को साफ़ करें, तैयार करें और दृष्टिगत करें; वर्गीकरण का परिचय | [पाइथन](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | जेन और कैसी • एरिक वंजीउ |
| 11 | स्वादिष्ट एशियाई और भारतीय व्यंजन 🍜 | [वर्गीकरण](4-Classification/README.md) | वर्गीकारकों का परिचय | [पाइथन](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | जेन और कैसी • एरिक वंजीउ |
| 12 | स्वादिष्ट एशियाई और भारतीय व्यंजन 🍜 | [वर्गीकरण](4-Classification/README.md) | और वर्गीकारक | [पाइथन](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | जेन और कैसी • एरिक वंजीउ |
| 13 | स्वादिष्ट एशियाई और भारतीय व्यंजन 🍜 | [वर्गीकरण](4-Classification/README.md) | अपने मॉडल का उपयोग करके एक अनुशंसा वेब ऐप बनाएं | [पाइथन](4-Classification/4-Applied/README.md) | जेन |
| 14 | क्लस्टरिंग का परिचय | [क्लस्टरिंग](5-Clustering/README.md) | अपने डेटा को साफ़ करें, तैयारी करें और दृष्टिगत करें; क्लस्टरिंग का परिचय | [पाइथन](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | जेन • एरिक वंजीउ |
| 15 | नाइजीरियाई संगीत रुचियों की खोज 🎧 | [क्लस्टरिंग](5-Clustering/README.md) | K-Means क्लस्टरिंग विधि का अन्वेषण करें | [पाइथन](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | जेन • एरिक वंजीउ |
| 16 | प्राकृतिक भाषा प्रसंस्करण का परिचय ☕️ | [प्राकृतिक भाषा प्रसंस्करण](6-NLP/README.md) | एक सरल बोट बनाकर NLP के मूल बातें सीखें | [पाइथन](6-NLP/1-Introduction-to-NLP/README.md) | स्टीफन |
| 17 | सामान्य NLP कार्य ☕️ | [प्राकृतिक भाषा प्रसंस्करण](6-NLP/README.md) | भाषा संरचनाओं से निपटने के लिए आवश्यक सामान्य कार्यों को समझकर अपने NLP ज्ञान को गहरा करें | [पाइथन](6-NLP/2-Tasks/README.md) | स्टीफन |
| 18 | अनुवाद और भावना विश्लेषण ♥️ | [प्राकृतिक भाषा प्रसंस्करण](6-NLP/README.md) | जेन ऑस्टेन के साथ अनुवाद और भावना विश्लेषण | [पाइथन](6-NLP/3-Translation-Sentiment/README.md) | स्टीफन |
| 19 | यूरोप के रोमांटिक होटल ♥️ | [प्राकृतिक भाषा प्रसंस्करण](6-NLP/README.md) | होटल समीक्षाओं के साथ भावना विश्लेषण 1 | [पाइथन](6-NLP/4-Hotel-Reviews-1/README.md) | स्टीफन |
| 20 | यूरोप के रोमांटिक होटल ♥️ | [प्राकृतिक भाषा प्रसंस्करण](6-NLP/README.md) | होटल समीक्षाओं के साथ भावना विश्लेषण 2 | [पाइथन](6-NLP/5-Hotel-Reviews-2/README.md) | स्टीफन |
| 21 | समय श्रृंखला पूर्वानुमान का परिचय | [समय श्रृंखला](7-TimeSeries/README.md) | समय श्रृंखला पूर्वानुमान का परिचय | [पाइथन](7-TimeSeries/1-Introduction/README.md) | फ्रांसेस्का |
| 22 | ⚡️ विश्व विद्युत उपयोग ⚡️ - ARIMA के साथ समय श्रृंखला पूर्वानुमान | [समय श्रृंखला](7-TimeSeries/README.md) | ARIMA के साथ समय श्रृंखला पूर्वानुमान | [पाइथन](7-TimeSeries/2-ARIMA/README.md) | फ्रांसेस्का |
| 23 | ⚡️ विश्व विद्युत उपयोग ⚡️ - SVR के साथ समय श्रृंखला पूर्वानुमान | [समय श्रृंखला](7-TimeSeries/README.md) | Support Vector Regressor के साथ समय श्रृंखला पूर्वानुमान | [पाइथन](7-TimeSeries/3-SVR/README.md) | अनिर्बान |
| 24 | सुदृढीकरण अधिगम का परिचय | [सुदृढीकरण अधिगम](8-Reinforcement/README.md) | Q-लर्निंग के साथ सुदृढीकरण अधिगम का परिचय | [पाइथन](8-Reinforcement/1-QLearning/README.md) | दिमित्रि |
| 25 | पीटर को भेड़िये से बचाने में मदद करें! 🐺 | [सुदृढीकरण अधिगम](8-Reinforcement/README.md) | सुदृढीकरण अधिगम जिम | [पाइथन](8-Reinforcement/2-Gym/README.md) | दिमित्रि |
| उपसंहार | वास्तविक विश्व के ML परिदृश्य और अनुप्रयोग | [ML इन द वाइल्ड](9-Real-World/README.md) | क्लासिकल ML के दिलचस्प और प्रकट करने वाले वास्तविक विश्व अनुप्रयोग | [पाठ](9-Real-World/1-Applications/README.md) | टीम |
| उपसंहार | RAI डैशबोर्ड का उपयोग करके ML में मॉडल डीबगिंग | [ML इन द वाइल्ड](9-Real-World/README.md) | जिम्मेदार AI डैशबोर्ड घटकों का उपयोग करके मशीन लर्निंग में मॉडल डीबगिंग | [पाठ](9-Real-World/2-Debugging-ML-Models/README.md) | रूथ याकुबू |
> [इस कोर्स के लिए हमारे Microsoft Learn संग्रह में सभी अतिरिक्त संसाधन खोजें](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## ऑफलाइन पहुँच
## ऑफ़लाइन पहुँच
आप यह दस्तावेज़ [Docsify](https://docsify.js.org/#/) का उपयोग करके ऑफ़लाइन चला सकते हैं। इस रिपो को फ़ोर्क करें, अपने स्थानीय मशीन पर [Docsify स्थापित करें](https://docsify.js.org/#/quickstart), और फिर इस रिपो के रूट फोल्डर में `docsify serve` टाइप करें। वेबसाइट आपके स्थानीयहोस्ट पर पोर्ट 3000 पर सेवा करेगी: `localhost:3000`।
आप इस दस्तावेज़ को ऑफलाइन [Docsify](https://docsify.js.org/#/) का उपयोग करके चला सकते हैं। इस रिपॉजिटरी को फोर्क करें, अपने स्थानीय मशीन पर [Docsify स्थापित करें](https://docsify.js.org/#/quickstart), और फिर इस रिपॉजिटरी के रूट फ़ोल्डर में `docsify serve` टाइप करें। वेबसाइट आपके लोकलहोस्ट पर पोर्ट 3000 पर सर्व होगी: `localhost:3000`।
## पीडीएफ़
## पीडीएफ
लिंक के साथ पाठ्यक्रम की पीडीएफ़ [यहाँ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) देखें।
लिंक के साथ पाठ्यक्रम का PDF यहाँ देखें [here](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf)।
## 🎒 अन्य कोर्स
## 🎒 अन्य कोर्स
हमारी टीम अन्य कोर्स भी बनाती है! देखें:
@ -172,7 +174,7 @@ Microsoft में Cloud Advocates खुशी से प्रस्तुत
---
### जेनेरेटिव एआई श्रृंखला
### 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)
@ -180,7 +182,7 @@ Microsoft में Cloud Advocates खुशी से प्रस्तुत
---
### मूल सीखना
### मुख्य शिक्षण
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
@ -191,30 +193,30 @@ Microsoft में Cloud Advocates खुशी से प्रस्तुत
---
### कोपिलॉट श्रृंखला
### कॉपाइलट श्रृंखला
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
यदि आप अटक जाते हैं या AI ऐप बनाने के बारे में कोई प्रश्न हैं। MCP के बारे में चर्चाओं में साथी शिक्षार्थियों और अनुभवी डेवलपर्स के साथ जुड़ें। यह एक सहायक समुदाय है जहां प्रश्न स्वागत योग्य हैं और ज्ञान खुलेआम साझा किया जाता है।
यदि आप अटक जाते हैं या AI ऐप बनाने के बारे में कोई प्रश्न है। एमसीपी के बारे में चर्चा में साथी शिक्षार्थियों और अनुभवी डेवलपर्स से जुड़ें। यह एक सहायक समुदाय है जहां प्रश्नों का स्वागत है और ज्ञान स्वतंत्र रूप से साझा किया जाता है।
- बेहतर समझ के लिए प्रत्येक पाठ के बाद नोटबुक समीक्षा करें।
- स्वयं एल्गोरिदम लागू करने का अभ्यास करें।
- सीखे गए सिद्धांतों का उपयोग कर वास्तविक विश्व डेटासेट्स का अन्वेषण करें।
- बेहतर समझ के लिए प्रत्येक पाठ के बाद नोटबुक की समीक्षा करें।
- अपने आप एल्गोरिदम लागू करने का अभ्यास करें।
- सीखे गए सिद्धांतों का उपयोग करके वास्तविक दुनिया के डेटासेट खोजें।
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**अस्वीकरण**:
यह दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) का उपयोग करके अनुवादित किया गया है। जबकि हम सटीकता के लिए प्रयासरत हैं, कृपया ध्यान दें कि स्वचालित अनुवादों में त्रुटियाँ या गलतियाँ हो सकती हैं। मूल दस्तावेज़ अपनी मूल भाषा में प्रामाणिक स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए, पेशेवर मानव अनुवाद की सलाह दी जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या गलत व्याख्या के लिए हम जिम्मेदार नहीं हैं।
**अस्वीकरण**:
यह दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) का उपयोग करके अनुवादित किया गया है। हम सटीकता के लिए प्रयासरत हैं, लेकिन कृपया ध्यान दें कि स्वचालित अनुवादों में त्रुटियाँ या अशुद्धियाँ हो सकती हैं। मूल भाषा में मौलिक दस्तावेज़ ही अधिकारिक स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए, पेशेवर मानव अनुवाद की सलाह दी जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या गलत व्याख्या के लिए हम जिम्मेदार नहीं हैं।
2025年9月18日〜30日の間、Discordで「AIと一緒に学ぼう」シリーズを開催しています。詳細と参加はこちらから [Learn with AI Series](https://aka.ms/learnwithai/discord)。GitHub Copilotを使ったデータサイエンスのコツやヒントをお届けします。
Discord上で進行中の「Learn with AI」シリーズについての詳細および参加は、[Learn with AI Series](https://aka.ms/learnwithai/discord) でご覧いただけます。2025年9月18日から30日まで開催され、GitHub Copilotを使ったデータサイエンスのヒントやコツを得られます。
# 初心者のための機械学習 - カリキュラム
> 🌍 世界の文化を通じて機械学習を探求しながら世界一周の旅へ 🌍
> 🌍 世界の文化を通じて機械学習を探求しながら世界を旅しよう 🌍
MicrosoftのCloud Advocatesは、**機械学習**に関する12週間、26レッスンのカリキュラムを提供します。このカリキュラムでは、主にScikit-learnライブラリを使用し、ディープラーニングは避けるいわゆる**クラシック機械学習**を学びます（ディープラーニングは[AI for Beginners'カリキュラム](https://aka.ms/ai4beginners)で扱っています）。合わせて[『初心者のためのデータサイエンス』カリキュラム](https://aka.ms/ds4beginners)もご利用ください。
Microsoft のクラウドアドボケートが提供する、12週間・26レッスンの機械学習に関するカリキュラムを紹介します。本カリキュラムでは、主に Scikit-learn ライブラリを使用した **「クラシック機械学習」** と呼ばれる分野について学びます。ディープラーニングは弊社の [AI for Beginners カリキュラム](https://aka.ms/ai4beginners) にて扱っています。『初心者向けデータサイエンス』カリキュラムともぜひ合わせてご利用ください。
一部のレッスンは短い動画で提供されています。各レッスン内、または[Microsoft Developer YouTubeチャンネルのML for Beginnersプレイリスト](https://aka.ms/ml-beginners-videos)でご覧になれます。下の画像をクリックしてください。
いくつかのレッスンは短い動画で視聴可能です。各レッスン内または [Microsoft Developer YouTube チャンネルの ML for Beginners プレイリスト](https://aka.ms/ml-beginners-videos) でご覧いただけます。下の画像をクリックしてください。
[](https://aka.ms/ml-beginners-videos)
| 04 | 機械学習の技法 | [Introduction](1-Introduction/README.md) | ML研究者がMLモデルを構築するために使う技法とは？ | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | 回帰分析の紹介 | [Regression](2-Regression/README.md) | PythonとScikit-learnを使った回帰モデルの入門 | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | 北米のカボチャの価格 🎃 | [Regression](2-Regression/README.md) | MLのためのデータの可視化とクレンジング | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | 北米のカボチャの価格 🎃 | [Regression](2-Regression/README.md) | 線形回帰モデルと多項式回帰モデルを構築 | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | 北米のカボチャの価格 🎃 | [Regression](2-Regression/README.md) | ロジスティック回帰モデルを構築 | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
[](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/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)
우리는 Discord에서 AI 시리즈를 진행 중이며, 2025년 9월 18일부터 30일까지 [Learn with AI Series](https://aka.ms/learnwithai/discord)에서 자세히 알아보고 함께하세요. GitHub Copilot을 사용한 데이터 과학 팁과 요령을 제공합니다.
우리는 Discord에서 AI 시리즈와 함께 학습 중입니다. 자세한 내용과 참여는 [Learn with AI Series](https://aka.ms/learnwithai/discord)에서 2025년 9월 18일부터 30일까지 확인하세요. GitHub Copilot을 데이터 과학에 활용하는 유용한 팁과 노하우를 얻을 수 있습니다.
# 초보자를 위한 머신러닝 - 커리큘럼
# 초심자를 위한 머신러닝 - 교육 과정
> 🌍 세계 문화를 통해 머신러닝을 탐험하며 전 세계를 여행하세요 🌍
> 🌍 세계 문화를 통해 머신러닝을 탐험하며 세계 여행을 떠나요 🌍
마이크로소프트 클라우드 옹호자들이 제공하는 12주, 26강의 커리큘럼은 **머신러닝**에 관한 모든 것을 다룹니다. 이 커리큘럼에서는 주로 Scikit-learn 라이브러리를 사용하는, 때로는 **고전 머신러닝**이라고 불리는 내용을 배우며, 딥러닝은 우리의 [초보자를 위한 AI 커리큘럼](https://aka.ms/ai4beginners)에서 다룹니다. 또한 이 강의를 우리의 ['초보자를 위한 데이터 과학' 커리큘럼](https://aka.ms/ds4beginners)과 함께 활용하세요!
Microsoft의 클라우드 전도사들이 12주, 26개의 강의로 구성된 **머신러닝** 교육 과정을 제공합니다. 이 교육 과정에서는 주로 Scikit-learn 라이브러리를 사용하며, 때때로 '고전적 머신러닝'이라 불리는 내용을 다룹니다. 딥러닝은 우리의 [AI for Beginners 교육 과정](https://aka.ms/ai4beginners)에서 다룹니다. 이 강의들을 ['Data Science for Beginners' 교육 과정](https://aka.ms/ds4beginners)과 함께 학습할 수도 있습니다!
전 세계를 여행하며 고전적인 머신러닝 기법을 다양한 데이터를 통해 적용해보세요. 각 강의는 사전 및 사후 퀴즈, 강의 완료를 위한 서면 지침, 해답, 과제 등을 포함합니다. 프로젝트 기반 학습법으로 배우면서 직접 만들어 보는 경험을 제공하며, 새로운 기술을 효과적으로 체득할 수 있습니다.
세계 각지의 데이터를 활용하여 이 고전적인 기법들을 적용하며 여행하세요. 각 강의에는 사전 및 사후 퀴즈, 강의 완료를 위한 서면 지침, 해답, 과제 등이 포함되어 있습니다. 프로젝트 기반 교육법은 여러분이 구축하면서 배우도록 하여 새로운 기술이 '단단히' 자리잡도록 도와줍니다.
**✍️ 진심으로 감사드립니다, 저자분들** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu, Amy Boyd
**✍️ 저자 분들께 진심으로 감사드립니다** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu, Amy Boyd
**🎨 삽화 제공에 감사드립니다** Tomomi Imura, Dasani Madipalli, Jen Looper
**🎨 일러스트레이터 분들께도 감사드립니다** Tomomi Imura, Dasani Madipalli, Jen Looper
**🙏 특별 감사드립니다 🙏 마이크로소프트 학생대사로 활동하는 저자, 리뷰어 및 컨텐츠 기여자분들**, 특히 Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, Snigdha Agarwal
**🙏 특별 감사 🙏 Microsoft Student Ambassador 저자, 검토자, 콘텐츠 기여자 분들께**, 특히 Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, Snigdha Agarwal
**🤩 R 강의에 도움 주신 Microsoft 학생대사 Eric Wanjau, Jasleen Sondhi, Vidushi Gupta에게도 감사드립니다!**
**🤩 특별 감사 Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, Vidushi Gupta에게 R 강의 제공에 대하여!**
# 시작하기
다음 절차를 따라 주세요:
1. **레포지토리 포크(Fork)**: 이 페이지 오른쪽 상단의 "Fork" 버튼을 클릭하세요.
> [Microsoft Learn 컬렉션에서 이 강의에 관한 모든 추가 자료를 확인하세요](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [이 과정을 위한 모든 추가 자료는 Microsoft Learn 컬렉션에서 찾으실 수 있습니다](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **도움이 필요하신가요?** 설치, 설정, 강의 실행과 관련한 일반적인 문제 해결법은 [문제 해결 가이드](TROUBLESHOOTING.md)를 확인하세요.
> 🔧 **도움이 필요하신가요?** 설치, 설정, 강의 실행 관련 일반적인 문제 해결책은 [문제 해결 가이드](TROUBLESHOOTING.md)를 참고하세요.
**[학생 여러분](https://aka.ms/student-page)**, 이 커리큘럼을 활용하려면, 전체 레포를 자신의 GitHub 계정에 포크한 후 개인적으로 또는 그룹과 함께 연습 문제를 완료하세요:
**[학생 여러분](https://aka.ms/student-page)**, 이 교육 과정을 사용하려면 전체 저장소를 자신의 GitHub 계정에 포크하고 개인 또는 그룹으로 연습 문제를 수행하세요:
- 강의 전 퀴즈부터 시작하세요.
- 강의를 읽고 각 지식 점검에서 멈추어 반성하며 활동을 완료하세요.
- 솔루션 코드를 실행하기보다는 내용을 이해하여 프로젝트를 직접 만들어 보세요; 그러나 각 프로젝트 지향 강의의 `/solution` 폴더에 코드가 제공됩니다.
- 강의 후 퀴즈를 응시하세요.
- 챌린지를 완료하세요.
- 과제를 완료하세요.
- 한 그룹의 강의를 마친 후, [토론 게시판](https://github.com/microsoft/ML-For-Beginners/discussions)을 방문하여 적합한 PAT 루브릭을 작성하며 ‘학습을 소리내어’ 공유하세요. ‘PAT’는 학습 진척 평가 도구(Progress Assessment Tool)로, 학습을 심화하기 위해 작성하는 루브릭입니다. 다른 사람들의 PAT에 반응하며 함께 배울 수도 있습니다.
- 강의 전 퀴즈부터 시작합니다.
- 강의를 읽고 활동을 수행하며 각 지식 점검에서 잠시 멈추고 생각해 보세요.
- 강의를 이해하며 코드를 실행하기보다는 프로젝트를 직접 만들어 보세요. 다만 각 프로젝트별로 `/solution` 폴더에 해답 코드는 제공됩니다.
- 강의 후 퀴즈를 풉니다.
- 챌린지를 완료합니다.
- 과제를 완수합니다.
- 강의 그룹을 마친 후, [토론 게시판](https://github.com/microsoft/ML-For-Beginners/discussions)을 방문해 관련 PAT 루브릭을 작성하며 '큰 소리로 배우기'를 실천하세요. 'PAT'는 학습 진척 평가 도구로, 여러분이 작성하며 학습을 더욱 발전시킬 수 있는 루브릭입니다. 다른 PAT에 반응하는 것도 함께 배우는 데 도움이 됩니다.
> 추가 학습을 위해 다음 [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) 모듈과 학습 경로를 추천합니다.
> 추가 학습을 원한다면, 이 [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) 모듈과 학습 경로를 추천합니다.
**교사분들께**, 이 커리큘럼 활용에 관한 [몇 가지 제안](for-teachers.md)을 포함했습니다.
**교사 분들께**는 이 교육 과정을 활용하는 방법에 대한 [제안 사항](for-teachers.md)을 포함했습니다.
---
## 영상 강의
## 비디오 강의
일부 강의는 짧은 영상으로 제공됩니다. 강의 내에서 직접 보거나, 아래 이미지를 클릭하여 [Microsoft Developer 유튜브 채널 내 ML for Beginners 재생목록](https://aka.ms/ml-beginners-videos)에서 모두 확인할 수 있습니다.
몇몇 강의는 짧은 동영상 형태로 제공됩니다. 이 영상들은 강의 내에 인라인으로 포함되어 있거나, 아래 이미지를 클릭하면 Microsoft Developer YouTube 채널의 [ML for Beginners 재생목록](https://aka.ms/ml-beginners-videos)에서 모두 보실 수 있습니다.
[](https://aka.ms/ml-beginners-videos)
이 커리큘럼을 구축하면서 두 가지 교육 원칙을 선택했습니다: 실습 중심의 **프로젝트 기반** 학습과 **빈번한 퀴즈** 포함. 또한 내용을 하나로 묶는 공통의 **주제**도 설정했습니다.
이 교육 과정을 만들면서 두 가지 교육적 원칙을 선택했습니다: 직접 체험하는 **프로젝트 기반 학습**과 **빈번한 퀴즈** 포함입니다. 또한 전체 교육 과정에 통일감을 주는 **주제**를 가지고 있습니다.
강의 내용이 프로젝트와 맞춰져 있으면 학생들이 더 몰입하고 개념의 이해와 기억이 증진됩니다. 수업 전의 낮은 부담 퀴즈는 학습 의도를 세우며, 수업 후 퀴즈는 학습 유지에 도움을 줍니다. 이 커리큘럼은 유연하고 재미있게 구성되어 전체 또는 일부만 수강할 수 있습니다. 프로젝트는 처음에는 간단하게 시작하여 12주 과정 말에는 점점 복잡해집니다. 또한, 실제 머신러닝 적용 사례를 서문 뒤에 포함해 추가 학점이나 토론 자료로 활용할 수 있습니다.
내용이 실제 프로젝트와 연계되도록 하여 학생들이 더 몰입할 수 있고 개념의 기억이 강화됩니다. 수업 전에 부담 없는 퀴즈를 봄으로써 학생들이 배우려는 의도를 확립하고, 수업 후 두 번째 퀴즈를 통해 더 깊은 이해와 기억을 돕습니다. 이 교육 과정은 유연하고 재미있게 진행될 수 있도록 설계되었으며, 전체 또는 일부만 수강할 수도 있습니다. 프로젝트는 작게 시작해서 12주 과정이 끝날 때쯤 점점 복잡해집니다. 또한 머신러닝의 실제 적용 사례를 다룬 부록도 포함되어 있어 추가 학점이나 토론 주제로 활용할 수 있습니다.
- [사전 강의 준비 퀴즈](https://ff-quizzes.netlify.app/en/ml/)
- 영상 강의(일부 강의만)
- [강의 전 준비 퀴즈](https://ff-quizzes.netlify.app/en/ml/)
- 서면 강의 자료
- 프로젝트 기반 강의의 경우, 프로젝트 구축 단계별 안내
- 프로젝트 기반 강의의 경우 단계별 프로젝트 구축 가이드
- 지식 점검
- 챌린지
- 보조 읽기 자료
- 보충 읽기 자료
- 과제
- [사후 강의 퀴즈](https://ff-quizzes.netlify.app/en/ml/)
> **언어에 대한 참고**: 이 수업들은 주로 Python으로 작성되었지만, 많은 수업이 R로도 제공됩니다. R 수업을 완료하려면 `/solution` 폴더로 가서 R 수업을 찾아보세요. 여기에는 **R Markdown** 파일을 나타내는 .rmd 확장자가 포함되어 있으며, 이는 `코드 청크`(R 또는 다른 언어)와 `YAML 헤더`(PDF와 같은 출력 형식 지정 방법을 안내)를 `Markdown 문서`에 포함한 것이라 간단히 정의할 수 있습니다. 따라서, 코드, 출력 결과, 그리고 생각을 Markdown으로 작성하면서 결합할 수 있어 데이터 과학 저작을 위한 훌륭한 프레임워크 역할을 합니다. 또한 R Markdown 문서는 PDF, HTML, Word와 같은 출력 형식으로 렌더링될 수 있습니다.
> **퀴즈에 대한 참고**: 모든 퀴즈는 [퀴즈 앱 폴더](../../quiz-app)에 포함되어 있으며, 총 52개의 퀴즈가 각 3개 문제로 구성되어 있습니다. 수업 내에서 연결되어 있지만, 퀴즈 앱은 로컬에서 실행할 수 있습니다; `quiz-app` 폴더 내 지침을 따라 로컬 호스팅 또는 Azure 배포가 가능합니다.
| 01 | 머신러닝 소개 | [소개](1-Introduction/README.md) | 머신러닝의 기본 개념을 학습 | [수업](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | 머신러닝의 역사 | [소개](1-Introduction/README.md) | 이 분야의 역사를 학습 | [수업](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | 공정성과 머신러닝 | [소개](1-Introduction/README.md) | ML 모델을 구축하고 적용할 때 학생들이 고려해야 할 공정성에 관한 중요한 철학적 이슈는 무엇인가? | [수업](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | 머신러닝 기법 | [소개](1-Introduction/README.md) | ML 연구자들이 ML 모델을 구축하기 위해 사용하는 기법들은 무엇인가? | [수업](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | 회귀 소개 | [회귀](2-Regression/README.md) | Python과 Scikit-learn을 이용한 회귀 모델 시작 | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | 북미 호박 가격 🎃 | [회귀](2-Regression/README.md) | 머신러닝 준비를 위한 데이터 시각화 및 정제 | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | 북미 호박 가격 🎃 | [회귀](2-Regression/README.md) | 선형 및 다항 회귀 모델 구축 | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | 북미 호박 가격 🎃 | [회귀](2-Regression/README.md) | 로지스틱 회귀 모델 구축 | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | 웹 앱 🔌 | [웹 앱](3-Web-App/README.md) | 학습한 모델을 활용하는 웹 앱 구축 | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | 분류 소개 | [분류](4-Classification/README.md) | 데이터 정제, 준비 및 시각화; 분류 소개 | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | 맛있는 아시아 및 인도 요리 🍜 | [분류](4-Classification/README.md) | 분류기 소개 | [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 | 맛있는 아시아 및 인도 요리 🍜 | [분류](4-Classification/README.md) | 추가 분류기 | [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 | 맛있는 아시아 및 인도 요리 🍜 | [분류](4-Classification/README.md) | 모델을 이용한 추천 웹 앱 구축 | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | 군집화 소개 | [군집화](5-Clustering/README.md) | 데이터 정제, 준비 및 시각화; 군집화 소개 | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | 나이지리아 음악 취향 탐험 🎧 | [군집화](5-Clustering/README.md) | K-평균 군집화 기법 탐색 | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | 자연어 처리 소개 ☕️ | [자연어 처리](6-NLP/README.md) | 간단한 봇을 만들어 NLP 기본 사항 학습 | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | 일반적인 NLP 과제들 ☕️ | [자연어 처리](6-NLP/README.md) | 언어 구조 처리에 필요한 일반 과제를 이해해 NLP 지식 심화 | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | 번역 및 감정 분석 ♥️ | [자연어 처리](6-NLP/README.md) | 제인 오스틴 작품을 활용한 번역 및 감정 분석 | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | 유럽의 낭만 호텔 ♥️ | [자연어 처리](6-NLP/README.md) | 호텔 리뷰를 이용한 감정 분석 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | 유럽의 낭만 호텔 ♥️ | [자연어 처리](6-NLP/README.md) | 호텔 리뷰를 이용한 감정 분석 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 사후 수록 | 실제 ML 시나리오 및 응용 | [야생의 ML](9-Real-World/README.md) | 고전 ML의 흥미롭고 의미 있는 실제 응용 사례 | [수업](9-Real-World/1-Applications/README.md) | Team |
| 사후 수록 | RAI 대시보드를 사용한 ML 모델 디버깅 | [야생의 ML](9-Real-World/README.md) | 책임 있는 AI 대시보드 컴포넌트를 이용한 머신러닝 모델 디버깅 | [수업](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [이 과정에 대한 모든 추가 리소스는 Microsoft Learn 컬렉션에서 찾기](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
- [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ml/)
> **언어 관련 참고**: 이 강의들은 주로 Python으로 작성되었지만, 많은 강의는 R로도 제공됩니다. R 강의를 완료하려면 `/solution` 폴더의 R 강의를 찾아보세요. `.rmd` 확장자는 R Markdown 파일을 의미하며, 코드 청크(코드 조각)와 `YAML 헤더`(PDF 등 출력 형식 설정을 안내)로 구성된 마크다운 문서입니다. 이는 코드를 실행한 결과와 생각을 마크다운 내에서 함께 작성할 수 있어 데이터 과학 작성을 위한 훌륭한 프레임워크 역할을 합니다. 또한 R Markdown 문서는 PDF, HTML, Word 등 다양한 출력 형식으로 렌더링할 수 있습니다.
> **퀴즈 관련 참고 사항**: 모든 퀴즈는 [Quiz App 폴더](../../quiz-app)에 포함되어 있으며, 각 퀴즈는 3개의 질문으로 구성된 총 52개의 퀴즈가 있습니다. 수업 내에서 링크되어 있지만, 퀴즈 앱은 로컬에서 실행할 수 있습니다. `quiz-app` 폴더에 있는 지침을 따라 로컬에서 호스트하거나 Azure에 배포하십시오.
| 01 | 머신러닝 소개 | [Introduction](1-Introduction/README.md) | 머신러닝의 기본 개념 학습 | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | 머신러닝의 역사 | [Introduction](1-Introduction/README.md) | 이 분야의 역사를 학습 | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | 공정성과 머신러닝 | [Introduction](1-Introduction/README.md) | 학생들이 ML 모델을 구축하고 적용할 때 고려해야 할 중요한 공정성 관련 철학적 이슈는 무엇인가? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | 머신러닝 기법 | [Introduction](1-Introduction/README.md) | ML 연구자들이 ML 모델을 구축할 때 사용하는 기법은 무엇인가? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | 회귀 소개 | [Regression](2-Regression/README.md) | 회귀 모델을 위한 Python과 Scikit-learn 시작하기 | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | 북미 호박 가격 🎃 | [Regression](2-Regression/README.md) | ML 준비를 위한 데이터 시각화 및 정제 | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | 북미 호박 가격 🎃 | [Regression](2-Regression/README.md) | 선형 및 다항 회귀 모델 구축 | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | 북미 호박 가격 🎃 | [Regression](2-Regression/README.md) | 로지스틱 회귀 모델 구축 | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | 웹 앱 🔌 | [Web App](3-Web-App/README.md) | 훈련된 모델을 사용할 웹 앱 구축 | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | 분류 소개 | [Classification](4-Classification/README.md) | 데이터 정제, 준비 및 시각화; 분류 소개 | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | 맛있는 아시아 및 인도 요리 🍜 | [Classification](4-Classification/README.md) | 분류기 소개 | [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 | 맛있는 아시아 및 인도 요리 🍜 | [Classification](4-Classification/README.md) | 추가 분류기 | [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 | 맛있는 아시아 및 인도 요리 🍜 | [Classification](4-Classification/README.md) | 모델을 사용해 추천 웹 앱 구축 | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | 군집화 소개 | [Clustering](5-Clustering/README.md) | 데이터 정제, 준비 및 시각화; 군집화 소개 | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | 나이지리아 음악 취향 탐방 🎧 | [Clustering](5-Clustering/README.md) | K-평균 군집화 방법 탐색 | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | 자연어 처리 소개 ☕️ | [Natural language processing](6-NLP/README.md) | 간단한 봇 만들기로 NLP의 기본 학습 | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | 일반적인 NLP 작업 ☕️ | [Natural language processing](6-NLP/README.md) | 언어 구조를 다룰 때 필요한 일반 작업을 이해하여 NLP 지식 심화 | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | 번역 및 감정 분석 ♥️ | [Natural language processing](6-NLP/README.md) | Jane Austen과 함께하는 번역 및 감정 분석 | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | 유럽의 로맨틱 호텔 ♥️ | [Natural language processing](6-NLP/README.md) | 호텔 리뷰 감정 분석 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | 유럽의 로맨틱 호텔 ♥️ | [Natural language processing](6-NLP/README.md) | 호텔 리뷰 감정 분석 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 22 | ⚡️ 세계 전력 사용량 ⚡️ - ARIMA를 이용한 시계열 예측 | [Time series](7-TimeSeries/README.md) | ARIMA를 사용한 시계열 예측 | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ 세계 전력 사용량 ⚡️ - SVR을 이용한 시계열 예측 | [Time series](7-TimeSeries/README.md) | 서포트 벡터 회귀를 이용한 시계열 예측 | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | 강화 학습 소개 | [Reinforcement learning](8-Reinforcement/README.md) | Q-러닝을 이용한 강화 학습 소개 | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | 피터가 늑대를 피하도록 도와주세요! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | 강화 학습 Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| 후기 | 실제 머신러닝 사례 및 응용 | [ML in the Wild](9-Real-World/README.md) | 고전적인 ML의 흥미롭고 유익한 실제 응용 사례 | [Lesson](9-Real-World/1-Applications/README.md) | 팀 |
| 후기 | RAI 대시보드를 사용한 ML 모델 디버깅 | [ML in the Wild](9-Real-World/README.md) | 책임 있는 AI 대시보드 구성요소를 사용한 머신러닝 모델 디버깅 | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [이 과정의 모든 추가 리소스는 Microsoft Learn 컬렉션에서 찾을 수 있습니다](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## 오프라인 접근
[Docsify](https://docsify.js.org/#/)를 사용하여 이 문서를 오프라인에서 실행할 수 있습니다. 이 저장소를 포크하고, 로컬 머신에 [Docsify를 설치](https://docsify.js.org/#/quickstart) 한 후, 이 저장소 루트 폴더에서 `docsify serve` 명령을 입력하세요. 웹사이트는 로컬호스트의 포트 3000에서 제공됩니다: `localhost:3000`.
[Docsify](https://docsify.js.org/#/)를 사용하여 이 문서를 오프라인에서 실행할 수 있습니다. 이 저장소를 포크하고, 로컬 머신에 [Docsify를 설치](https://docsify.js.org/#/quickstart)한 다음, 이 저장소의 루트 폴더에서 `docsify serve`를 입력하십시오. 웹사이트는 로컬호스트 포트 3000에서 제공됩니다: `localhost:3000`.
## PDF
링크와 함께 커리큘럼 PDF를 [여기](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf)에서 확인하세요.
링크가 포함된 커리큘럼 PDF는 [여기](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf)에서 확인하세요.
## 🎒 기타 강좌
## 🎒 다른 강좌들
우리 팀은 다른 강좌들도 제공합니다! 확인하세요:
우리 팀은 다른 강좌도 제작합니다! 확인해 보세요:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -185,12 +185,12 @@
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### 생성형 AI 시리즈
### 생성 AI 시리즈
[](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)
@ -217,22 +217,22 @@
## 도움 받기
AI 앱 개발에 막히거나 질문이 있으면 MCP 관련 토론에 동료 학습자와 경험 많은 개발자들이 함께합니다. 질문을 자유롭게 할 수 있고 지식을 나누는 지원 커뮤니티입니다.
AI 앱 개발에 어려움이 있거나 질문이 있으면 MCP에 대해 다른 학습자 및 경험 있는 개발자들과 함께 토론에 참여하세요. 질문이 환영받고 지식이 자유롭게 공유되는 지원 커뮤니티입니다.
이 문서는 AI 번역 서비스 [Co-op Translator](https://github.com/Azure/co-op-translator)를 사용하여 번역되었습니다. 정확성을 위해 노력하고 있으나, 자동 번역에는 오류나 부정확성이 포함될 수 있으니 참고해 주시기 바랍니다. 원문은 해당 언어의 원본 문서를 권위 있는 출처로 간주하여야 합니다. 중요한 정보의 경우 전문적인 인간 번역을 권장합니다. 본 번역 사용으로 인한 오해나 잘못된 해석에 대해 당사는 책임지지 않습니다.
이 문서는 AI 번역 서비스 [Co-op Translator](https://github.com/Azure/co-op-translator)를 사용하여 번역되었습니다. 정확성을 위해 노력하고 있지만, 자동 번역은 오류나 부정확한 표현을 포함할 수 있음을 알려드립니다. 원문은 해당 언어의 원본 문서가 권위 있는 자료로 간주되어야 합니다. 중요한 정보에 대해서는 전문적인 인간 번역을 권장합니다. 본 번역 사용으로 인한 오해나 잘못된 해석에 대해 당사는 책임을 지지 않습니다.
localizeflow[bot]
3 weeks ago