# മെഷീൻ ലേണിംഗിനുള്ള റെഗ്രഷൻ മോഡലുകൾ
## പ്രാദേശിക വിഷയം: നോർത്ത് അമേരിക്കയിലെ പംപ്കിൻ വിലകൾക്കുള്ള റെഗ്രഷൻ മോഡലുകൾ 🎃

നോർത്ത് അമേരിക്കയിൽ, ഹാലോവീൻക്കായി പംപ്കിനുകൾ ഭയങ്കരമായ മുഖങ്ങളായി മുറിക്കുന്നു. ഈ ആകർഷകമായ പച്ചക്കറികളെ കുറിച്ച് കൂടുതൽ കണ്ടെത്താം!

![jack-o-lanterns](../../../translated_images/ml/jack-o-lanterns.181c661a9212457d.webp)
> ഫോട്ടോ <a href="https://unsplash.com/@teutschmann?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">ബെത്ത് ട്യൂട്ഷ്മാൻ</a> <a href="https://unsplash.com/s/photos/jack-o-lanterns?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">അൺസ്പ്ലാഷിൽ</a>
  
## നിങ്ങൾ പഠിക്കാനിരിക്കുന്നതെന്ത്

[![Regression പരിചയം](https://img.youtube.com/vi/5QnJtDad4iQ/0.jpg)](https://youtu.be/5QnJtDad4iQ "Regression Introduction video - Click to Watch!")
> 🎥 ഈ പാഠത്തിന് ഒരു വേഗത്തിലുള്ള പരിചയ വീഡിയോക്കായി മുകളിൽ ചിത്രത്തിൽ ക്ലിക്ക് ചെയ്യുക

ഈ വിഭാഗത്തിലെ പാഠങ്ങൾ മെഷീൻ ലേണിംഗിന്റെ സാന്ദർഭ്യത്തിൽ റെഗ്രഷൻ തരംകുറിപ്പുകൾ ഉൾക്കൊള്ളുന്നു. റെഗ്രഷൻ മോഡലുകൾ വ്യത്യസ്ത വേരിയബിളുകൾ തമ്മിലുള്ള _ബന്ധം_ കണ്ടെത്താൻ സഹായിക്കുന്നു. ഈ മോഡൽ തരം നീളം, താപനില, പ്രായം പോലുള്ള മൂല്യങ്ങൾ പ്രവചിക്കാൻ കഴിയും, അതിലൂടെ ഡാറ്റാ പോയിന്റുകൾ വിശകലനം ചെയ്ത് വേരിയബിളുകൾ തമ്മിലുള്ള ബന്ധങ്ങൾ കണ്ടെത്തുന്നു.

ഈ പാഠമാലയിൽ, ലീനിയർ റെഗ്രഷനും ലോജിസ്റ്റിക് റെഗ്രഷനും തമ്മിലുള്ള വ്യത്യാസങ്ങൾ നിങ്ങൾ കണ്ടെത്തും, കൂടാതെ ഒരുപാട് ഒരുപാട് തിരഞ്ഞെടുക്കേണ്ട സമയവും അറിയും.

[![മെഷീൻ ലേണിംഗിനുള്ള റെഗ്രഷൻ മോഡലുകളുടെ പരിചയം - തുടക്കക്കാർക്ക്](https://img.youtube.com/vi/XA3OaoW86R8/0.jpg)](https://youtu.be/XA3OaoW86R8 "ML for beginners - Introduction to Regression models for Machine Learning")

> 🎥 റെഗ്രഷൻ മോഡലുകൾ പരിചയപ്പെടുത്തുന്ന ഒരു ചെറിയ വീഡിയോക്കായി മുകളിൽ ചിത്രത്തിൽ ക്ലിക്ക് ചെയ്യുക.

ഈ പാഠസമൂഹത്തിൽ, നിങ്ങൾ മെഷീൻ ലേണിംഗ് പ്രവർത്തനങ്ങൾ ആരംഭിക്കാൻ സജ്ജമാകും, ഇതിൽ ഡാറ്റാ സയന്റിസ്റ്റുകൾക്കുള്ള സാധാരണ പരിസ്ഥിതി ആയ നോട്ട്‌ബുക്കുകൾ കൈകാര്യം ചെയ്യാൻ വിസ്വൽ സ്റ്റുഡിയോ കോഡ് ക്രമീകരിക്കുന്നതും ഉൾപ്പെടുന്നു. നിങ്ങൾ മെഷീൻ ലേണിംഗിനുള്ള ലൈബ്രറി ആയ Scikit-learn കണ്ടെത്തും, ഈ അധ്യായത്തിൽ റെഗ്രഷൻ മോഡലുകൾക്ക് കേന്ദ്രീകരിച്ച് നിങ്ങളുടെ ആദ്യ മോഡലുകൾ നിർമ്മിക്കും.

> റെഗ്രഷൻ മോഡലുകളുമായി പ്രവർത്തിക്കുന്നത് പഠിക്കാൻ സഹായിക്കുന്ന കുറച്ച് ലൊ-കോഡ് ഉപകരണങ്ങൾ ഉണ്ട്. ഈ പ്രവർത്തനത്തിന് [Azure ML പരീക്ഷിക്കുക](https://docs.microsoft.com/learn/modules/create-regression-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)

### പാഠങ്ങൾ

1. [വ്യാപാര ഉപകരണങ്ങൾ](1-Tools/README.md)
2. [ഡാറ്റാ മാനേജ്മെന്റ്](2-Data/README.md)
3. [ലീനിയർ, പോളിനോമിയൽ റെഗ്രഷൻ](3-Linear/README.md)
4. [ലോജിസ്റ്റിക് റെഗ്രഷൻ](4-Logistic/README.md)

---
### ക്രെഡിറ്റുകൾ

"ML with regression" ♥️ കൊണ്ട് എഴുതിയത് [ജെൻ ലൂപ്പർ](https://twitter.com/jenlooper)

♥️ ക്വിസ് സംഭാവകർ: [മുഹമ്മദ് സകിബ് ഖാൻ ഇനാൻ](https://twitter.com/Sakibinan) & [ഓർനെല്ല അൾടുന്യൻ](https://twitter.com/ornelladotcom)

പംപ്കിൻ ഡാറ്റാസെറ്റ് [കാഗിൾ上的 ഈ പ്രോജക്ട്](https://www.kaggle.com/usda/a-year-of-pumpkin-prices) നിർദ്ദേശിച്ചതാണ്, അതിന്റെ ഡാറ്റ [Specialty Crops Terminal Markets Standard Reports](https://www.marketnews.usda.gov/mnp/fv-report-config-step1?type=termPrice) എന്ന യുഎസ് ഡിപ്പാർട്ട്മെന്റ് ഓഫ് അഗ്രിക്കൾച്ചർ വിതരണം ചെയ്യുന്ന റിപ്പോർട്ടുകളിൽ നിന്നാണ്. വിതരണത്തെ സാധാരണമാക്കാൻ വർണ്ണം അടിസ്ഥാനമാക്കി ചില പോയിന്റുകൾ ചേർത്തിട്ടുണ്ട്. ഈ ഡാറ്റ പബ്ലിക് ഡൊമെയ്‌നിലാണ്.

---

<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**അസൂയാ**:  
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് പരിഗണിക്കേണ്ടതാണ്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->