[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) [](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) [](https://GitHub.com/microsoft/ML-For-Beginners/issues/) [](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) [](http://makeapullrequest.com) [](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) [](https://GitHub.com/microsoft/ML-For-Beginners/network/) [](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) ### 🌐 बहुभाषिक समर्थन #### GitHub Action च्या माध्यमातून समर्थित (स्वयंचलित आणि नेहमी अद्ययावत) [French](../fr/README.md) | [Spanish](../es/README.md) | [German](../de/README.md) | [Russian](../ru/README.md) | [Arabic](../ar/README.md) | [Persian (Farsi)](../fa/README.md) | [Urdu](../ur/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Japanese](../ja/README.md) | [Korean](../ko/README.md) | [Hindi](../hi/README.md) | [Bengali](../bn/README.md) | [Marathi](./README.md) | [Nepali](../ne/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Portuguese (Brazil)](../br/README.md) | [Italian](../it/README.md) | [Polish](../pl/README.md) | [Turkish](../tr/README.md) | [Greek](../el/README.md) | [Thai](../th/README.md) | [Swedish](../sv/README.md) | [Danish](../da/README.md) | [Norwegian](../no/README.md) | [Finnish](../fi/README.md) | [Dutch](../nl/README.md) | [Hebrew](../he/README.md) | [Vietnamese](../vi/README.md) | [Indonesian](../id/README.md) | [Malay](../ms/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Swahili](../sw/README.md) | [Hungarian](../hu/README.md) | [Czech](../cs/README.md) | [Slovak](../sk/README.md) | [Romanian](../ro/README.md) | [Bulgarian](../bg/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Croatian](../hr/README.md) | [Slovenian](../sl/README.md) | [Ukrainian](../uk/README.md) | [Burmese (Myanmar)](../my/README.md) #### समुदायामध्ये सामील व्हा [](https://discord.gg/kzRShWzttr) # मशीन लर्निंगसाठी नवशिक्यांसाठी - अभ्यासक्रम > 🌍 जगभर प्रवास करा आणि विविध संस्कृतींच्या माध्यमातून मशीन लर्निंगचा अभ्यास करा 🌍 Microsoft मधील Cloud Advocates ने 12 आठवड्यांचा, 26 धड्यांचा अभ्यासक्रम तयार केला आहे जो **मशीन लर्निंग** वर आधारित आहे. या अभ्यासक्रमात तुम्ही **क्लासिक मशीन लर्निंग** म्हणून ओळखल्या जाणाऱ्या तंत्रज्ञानाचा अभ्यास कराल, मुख्यतः Scikit-learn लायब्ररीचा वापर करून आणि डीप लर्निंग टाळून, ज्याचा अभ्यास आमच्या [AI for Beginners' अभ्यासक्रमात](https://aka.ms/ai4beginners) केला जातो. या धड्यांना आमच्या ['Data Science for Beginners' अभ्यासक्रमाशी](https://aka.ms/ds4beginners) जोडून अभ्यास करा! जगभर प्रवास करताना आम्ही या क्लासिक तंत्रांचा उपयोग विविध क्षेत्रांतील डेटावर करू. प्रत्येक धड्यात प्री-लेसन आणि पोस्ट-लेसन क्विझ, धडा पूर्ण करण्यासाठी लेखी सूचना, समाधान, असाइनमेंट आणि बरेच काही समाविष्ट आहे. आमची प्रोजेक्ट-आधारित पद्धती तुम्हाला शिकताना तयार करण्याची संधी देते, जी नवीन कौशल्ये आत्मसात करण्याचा सिद्ध मार्ग आहे. **✍️ आमच्या लेखकांचे मनःपूर्वक आभार** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu आणि Amy Boyd **🎨 आमच्या चित्रकारांचे आभार** Tomomi Imura, Dasani Madipalli, आणि Jen Looper **🙏 विशेष आभार 🙏 Microsoft Student Ambassador लेखक, समीक्षक, आणि सामग्री योगदानकर्त्यांचे**, विशेषतः Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, आणि Snigdha Agarwal **🤩 अतिरिक्त आभार Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, आणि Vidushi Gupta यांचे R धड्यांसाठी!** # सुरुवात कशी करावी या चरणांचे अनुसरण करा: 1. **रेपॉजिटरी फोर्क करा**: या पृष्ठाच्या वरच्या उजव्या कोपऱ्यातील "Fork" बटणावर क्लिक करा. 2. **रेपॉजिटरी क्लोन करा**: `git clone https://github.com/microsoft/ML-For-Beginners.git` > [या अभ्यासक्रमासाठी सर्व अतिरिक्त संसाधने Microsoft Learn संग्रहामध्ये शोधा](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) **[विद्यार्थी](https://aka.ms/student-page)**, हा अभ्यासक्रम वापरण्यासाठी, संपूर्ण रेपॉजिटरी तुमच्या GitHub खात्यावर फोर्क करा आणि स्वतः किंवा गटासह व्यायाम पूर्ण करा: - प्री-लेक्चर क्विझने सुरुवात करा. - लेक्चर वाचा आणि क्रियाकलाप पूर्ण करा, प्रत्येक ज्ञान तपासणीवर थांबा आणि विचार करा. - धड्यांचा अर्थ समजून प्रोजेक्ट तयार करण्याचा प्रयत्न करा, समाधान कोड चालवण्याऐवजी; तथापि, तो कोड प्रत्येक प्रोजेक्ट-आधारित धड्याच्या `/solution` फोल्डर्समध्ये उपलब्ध आहे. - पोस्ट-लेक्चर क्विझ घ्या. - आव्हान पूर्ण करा. - असाइनमेंट पूर्ण करा. - धड्यांचा गट पूर्ण केल्यानंतर, [चर्चा बोर्ड](https://github.com/microsoft/ML-For-Beginners/discussions) ला भेट द्या आणि योग्य PAT रुब्रिक भरून "शिकून दाखवा". 'PAT' म्हणजे प्रगती मूल्यांकन साधन आहे जे तुम्ही तुमच्या शिक्षणाला पुढे नेण्यासाठी भरता. तुम्ही इतर PAT वर प्रतिक्रिया देखील देऊ शकता जेणेकरून आपण एकत्र शिकू शकू. > पुढील अभ्यासासाठी, आम्ही [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) मॉड्यूल्स आणि शिक्षण मार्गांचे अनुसरण करण्याची शिफारस करतो. **शिक्षक**, आम्ही या अभ्यासक्रमाचा उपयोग कसा करायचा याबद्दल काही सूचना [समाविष्ट केल्या आहेत](for-teachers.md). --- ## व्हिडिओ वॉकथ्रू काही धडे लघु व्हिडिओ स्वरूपात उपलब्ध आहेत. तुम्हाला हे सर्व धड्यांमध्ये इन-लाइन सापडतील किंवा [Microsoft Developer YouTube चॅनेलवरील ML for Beginners प्लेलिस्ट](https://aka.ms/ml-beginners-videos) वर क्लिक करून पाहता येतील. [](https://aka.ms/ml-beginners-videos) --- ## टीमची ओळख [](https://youtu.be/Tj1XWrDSYJU) **Gif द्वारे** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) > 🎥 वरच्या प्रतिमेवर क्लिक करा प्रकल्प आणि ते तयार करणाऱ्या लोकांबद्दल व्हिडिओ पाहण्यासाठी! --- ## शिक्षण पद्धती आम्ही हा अभ्यासक्रम तयार करताना दोन शिक्षण पद्धती निवडल्या आहेत: हे **प्रोजेक्ट-आधारित** आणि **वारंवार क्विझ** समाविष्ट करणारे आहे याची खात्री करणे. याशिवाय, या अभ्यासक्रमाला एक सामान्य **थीम** आहे ज्यामुळे त्याला सुसंगतता मिळते. सामग्री प्रोजेक्टशी संरेखित असल्याची खात्री करून, प्रक्रिया विद्यार्थ्यांसाठी अधिक आकर्षक बनते आणि संकल्पनांचे टिकून राहणे वाढते. याशिवाय, वर्गाच्या आधी कमी-जोखीम क्विझ विद्यार्थ्याला विषय शिकण्याच्या उद्देशाने सेट करते, तर वर्गानंतर दुसरी क्विझ आणखी टिकून राहण्याची खात्री करते. हा अभ्यासक्रम लवचिक आणि मजेदार बनवण्यासाठी डिझाइन केला गेला आहे आणि संपूर्ण किंवा अंशतः घेतला जाऊ शकतो. प्रोजेक्ट लहान सुरू होतात आणि 12 आठवड्यांच्या चक्राच्या शेवटी अधिकाधिक जटिल होतात. या अभ्यासक्रमात ML च्या वास्तविक-जगातील अनुप्रयोगांवर एक पोस्टस्क्रिप्ट देखील समाविष्ट आहे, ज्याचा अतिरिक्त क्रेडिट म्हणून किंवा चर्चेचा आधार म्हणून उपयोग केला जाऊ शकतो. > आमचा [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), आणि [Translation](TRANSLATIONS.md) मार्गदर्शक शोधा. आम्ही तुमच्या रचनात्मक अभिप्रायाचे स्वागत करतो! ## प्रत्येक धड्यात समाविष्ट आहे - वैकल्पिक स्केच नोट - वैकल्पिक पूरक व्हिडिओ - व्हिडिओ वॉकथ्रू (काही धडे फक्त) - [प्री-लेक्चर वॉर्मअप क्विझ](https://ff-quizzes.netlify.app/en/ml/) - लेखी धडा - प्रोजेक्ट-आधारित धड्यांसाठी, प्रोजेक्ट कसा तयार करायचा याबद्दल चरण-दर-चरण मार्गदर्शक - ज्ञान तपासणी - एक आव्हान - पूरक वाचन - असाइनमेंट - [पोस्ट-लेक्चर क्विझ](https://ff-quizzes.netlify.app/en/ml/) > **भाषांबद्दल एक टीप**: हे धडे मुख्यतः Python मध्ये लिहिलेले आहेत, परंतु अनेक R मध्ये देखील उपलब्ध आहेत. R धडा पूर्ण करण्यासाठी, `/solution` फोल्डरमध्ये जा आणि R धडे शोधा. त्यात .rmd विस्तार समाविष्ट आहे जो **R Markdown** फाइलचे प्रतिनिधित्व करतो ज्याला `Markdown दस्तऐवज` मध्ये `code chunks` (R किंवा इतर भाषांचे) आणि `YAML header` (PDF सारख्या आउटपुट स्वरूपात कसे स्वरूपित करायचे याचे मार्गदर्शन करते) एम्बेडिंग म्हणून सोप्या शब्दात परिभाषित करता येते. त्यामुळे, डेटा सायन्ससाठी एक आदर्श लेखन फ्रेमवर्क म्हणून काम करते कारण ते तुमचा कोड, त्याचे आउटपुट आणि तुमचे विचार Markdown मध्ये लिहिण्याची परवानगी देते. याशिवाय, R Markdown दस्तऐवज PDF, HTML, किंवा Word सारख्या आउटपुट स्वरूपात प्रस्तुत केले जाऊ शकतात. > **क्विझबद्दल एक टीप**: सर्व क्विझ [Quiz App फोल्डर](../../quiz-app) मध्ये समाविष्ट आहेत, एकूण 52 क्विझ प्रत्येक तीन प्रश्नांसह. ते धड्यांमधून लिंक केलेले आहेत परंतु क्विझ अॅप स्थानिक पातळीवर चालवले जाऊ शकते; `quiz-app` फोल्डरमधील सूचनांचे अनुसरण करा स्थानिक पातळीवर होस्ट करण्यासाठी किंवा Azure वर तैनात करण्यासाठी. | धडा क्रमांक | विषय | धड्यांचा गट | शिकण्याची उद्दिष्टे | लिंक केलेला धडा | लेखक | | :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | | 01 | मशीन लर्निंगची ओळख | [ओळख](1-Introduction/README.md) | मशीन लर्निंगमागील मूलभूत संकल्पना जाणून घ्या | [धडा](1-Introduction/1-intro-to-ML/README.md) | Muhammad | | 02 | मशीन लर्निंगचा इतिहास | [ओळख](1-Introduction/README.md) | या क्षेत्रामागील इतिहास जाणून घ्या | [धडा](1-Introduction/2-history-of-ML/README.md) | Jen आणि Amy | | 03 | मशीन लर्निंग आणि न्याय | [ओळख](1-Introduction/README.md) | ML मॉडेल तयार करताना आणि लागू करताना विद्यार्थ्यांनी विचार करावा लागणाऱ्या न्यायासंबंधी महत्त्वाच्या तत्त्वज्ञानात्मक मुद्द्यांबद्दल काय? | [धडा](1-Introduction/3-fairness/README.md) | Tomomi | | 04 | मशीन लर्निंगसाठी तंत्रज्ञान | [Introduction](1-Introduction/README.md) | मशीन लर्निंग मॉडेल तयार करण्यासाठी संशोधक कोणती तंत्रे वापरतात? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris आणि Jen | | 05 | रिग्रेशनची ओळख | [Regression](2-Regression/README.md) | रिग्रेशन मॉडेलसाठी Python आणि Scikit-learn वापरण्यास सुरुवात करा | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | | 06 | उत्तर अमेरिकन भोपळ्याचे दर 🎃 | [Regression](2-Regression/README.md) | मशीन लर्निंगसाठी डेटा व्हिज्युअलाइझ आणि स्वच्छ करा | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | | 07 | उत्तर अमेरिकन भोपळ्याचे दर 🎃 | [Regression](2-Regression/README.md) | रेषीय आणि बहुपद रिग्रेशन मॉडेल तयार करा | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen आणि Dmitry • Eric Wanjau | | 08 | उत्तर अमेरिकन भोपळ्याचे दर 🎃 | [Regression](2-Regression/README.md) | लॉजिस्टिक रिग्रेशन मॉडेल तयार करा | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | | 09 | एक वेब अॅप 🔌 | [Web App](3-Web-App/README.md) | प्रशिक्षित मॉडेल वापरण्यासाठी वेब अॅप तयार करा | [Python](3-Web-App/1-Web-App/README.md) | Jen | | 10 | वर्गीकरणाची ओळख | [Classification](4-Classification/README.md) | तुमचा डेटा स्वच्छ करा, तयार करा आणि व्हिज्युअलाइझ करा; वर्गीकरणाची ओळख | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen आणि Cassie • Eric Wanjau | | 11 | स्वादिष्ट आशियाई आणि भारतीय पदार्थ 🍜 | [Classification](4-Classification/README.md) | वर्गीकरणकर्त्यांची ओळख | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen आणि Cassie • Eric Wanjau | | 12 | स्वादिष्ट आशियाई आणि भारतीय पदार्थ 🍜 | [Classification](4-Classification/README.md) | अधिक वर्गीकरणकर्ते | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen आणि Cassie • Eric Wanjau | | 13 | स्वादिष्ट आशियाई आणि भारतीय पदार्थ 🍜 | [Classification](4-Classification/README.md) | तुमच्या मॉडेलचा वापर करून शिफारस करणारा वेब अॅप तयार करा | [Python](4-Classification/4-Applied/README.md) | Jen | | 14 | क्लस्टरिंगची ओळख | [Clustering](5-Clustering/README.md) | तुमचा डेटा स्वच्छ करा, तयार करा आणि व्हिज्युअलाइझ करा; क्लस्टरिंगची ओळख | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | | 15 | नायजेरियन संगीताची आवड शोधणे 🎧 | [Clustering](5-Clustering/README.md) | K-Means क्लस्टरिंग पद्धत एक्सप्लोर करा | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | | 16 | नैसर्गिक भाषा प्रक्रिया (NLP) ची ओळख ☕️ | [Natural language processing](6-NLP/README.md) | एक साधा बॉट तयार करून NLP च्या मूलभूत गोष्टी शिका | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | | 17 | सामान्य NLP कार्य ☕️ | [Natural language processing](6-NLP/README.md) | भाषेच्या संरचनांशी संबंधित सामान्य कार्य समजून घेऊन तुमचे NLP ज्ञान वाढवा | [Python](6-NLP/2-Tasks/README.md) | Stephen | | 18 | भाषांतर आणि भावना विश्लेषण ♥️ | [Natural language processing](6-NLP/README.md) | Jane Austen च्या मदतीने भाषांतर आणि भावना विश्लेषण | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | | 19 | युरोपमधील रोमँटिक हॉटेल्स ♥️ | [Natural language processing](6-NLP/README.md) | हॉटेल पुनरावलोकनांसह भावना विश्लेषण 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | | 20 | युरोपमधील रोमँटिक हॉटेल्स ♥️ | [Natural language processing](6-NLP/README.md) | हॉटेल पुनरावलोकनांसह भावना विश्लेषण 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | | 21 | वेळ मालिका अंदाजाची ओळख | [Time series](7-TimeSeries/README.md) | वेळ मालिका अंदाजाची ओळख | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | | 22 | ⚡️ जागतिक ऊर्जा वापर ⚡️ - ARIMA सह वेळ मालिका अंदाज | [Time series](7-TimeSeries/README.md) | ARIMA सह वेळ मालिका अंदाज | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | | 23 | ⚡️ जागतिक ऊर्जा वापर ⚡️ - SVR सह वेळ मालिका अंदाज | [Time series](7-TimeSeries/README.md) | सपोर्ट व्हेक्टर रिग्रेशनसह वेळ मालिका अंदाज | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | | 24 | पुनर्बलन शिक्षणाची ओळख | [Reinforcement learning](8-Reinforcement/README.md) | Q-Learning सह पुनर्बलन शिक्षणाची ओळख | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | | 25 | पीटरला लांडग्यापासून वाचवा! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | पुनर्बलन शिक्षण जिम | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | | Postscript | वास्तविक जगातील ML परिस्थिती आणि अनुप्रयोग | [ML in the Wild](9-Real-World/README.md) | क्लासिकल मशीन लर्निंगचे मनोरंजक आणि उघड करणारे वास्तविक जगातील अनुप्रयोग | [Lesson](9-Real-World/1-Applications/README.md) | Team | | Postscript | RAI डॅशबोर्ड वापरून ML मॉडेल डीबगिंग | [ML in the Wild](9-Real-World/README.md) | जबाबदार AI डॅशबोर्ड घटक वापरून मशीन लर्निंग मॉडेल डीबगिंग | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | > [या कोर्ससाठी Microsoft Learn संग्रहामध्ये सर्व अतिरिक्त संसाधने शोधा](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) ## ऑफलाइन प्रवेश तुम्ही [Docsify](https://docsify.js.org/#/) वापरून ही दस्तऐवज ऑफलाइन चालवू शकता. या रेपोला फोर्क करा, तुमच्या स्थानिक मशीनवर [Docsify इंस्टॉल करा](https://docsify.js.org/#/quickstart), आणि मग या रेपोच्या मूळ फोल्डरमध्ये `docsify serve` टाइप करा. वेबसाइट तुमच्या लोकलहोस्टवर पोर्ट 3000 वर चालवली जाईल: `localhost:3000`. ## PDFs लिंक्ससह अभ्यासक्रमाचा PDF [इथे](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) शोधा. ## 🎒 इतर कोर्सेस आमची टीम इतर कोर्सेस तयार करते! पहा: - [Generative AI for Beginners](https://aka.ms/genai-beginners) - [Generative AI for Beginners .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet) - [Generative AI with JavaScript](https://github.com/microsoft/generative-ai-with-javascript) - [Generative AI with Java](https://github.com/microsoft/Generative-AI-for-beginners-java) - [AI for Beginners](https://aka.ms/ai-beginners) - [Data Science for Beginners](https://aka.ms/datascience-beginners) - [ML for Beginners](https://aka.ms/ml-beginners) - [Cybersecurity for Beginners](https://github.com/microsoft/Security-101) - [Web Dev for Beginners](https://aka.ms/webdev-beginners) - [IoT for Beginners](https://aka.ms/iot-beginners) - [XR Development for Beginners](https://github.com/microsoft/xr-development-for-beginners) - [Mastering GitHub Copilot for Paired Programming](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming) - [Mastering GitHub Copilot for C#/.NET Developers](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers) - [Choose Your Own Copilot Adventure](https://github.com/microsoft/CopilotAdventures) --- **अस्वीकरण**: हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील मूळ दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर केल्यामुळे उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.