# AGENTS.md

## Project Overview

ഇത് **Machine Learning for Beginners** ആണ്, പൈതൺ (പ്രധാനമായും Scikit-learn ഉപയോഗിച്ച്)യും R ഉം ഉപയോഗിച്ച് ക്ലാസിക് മെഷീൻ ലേണിംഗ് ആശയങ്ങൾ ഉൾക്കൊള്ളുന്ന സമഗ്രമായ 12 ആഴ്ച, 26 പാഠപുസ്തക കോഴ്സ്. ഈ റിപോസിറ്ററി സ്വയം പഠനത്തിനുള്ള ഒരു വിഭവമായി രൂപകൽപ്പന ചെയ്തതാണ്, പ്രായോഗിക പ്രോജക്റ്റുകൾ, ക്വിസുകൾ, അസൈൻമെന്റുകൾ എന്നിവയോടുകൂടി. ഓരോ പാഠവും ലോകമാകെയുള്ള വിവിധ സംസ്കാരങ്ങളുടെയും പ്രദേശങ്ങളുടെയും യഥാർത്ഥ ഡാറ്റ ഉപയോഗിച്ച് ML ആശയങ്ങൾ പരിശോധിക്കുന്നു.

പ്രധാന ഘടകങ്ങൾ:
- **വിദ്യാഭ്യാസ ഉള്ളടക്കം**: ML പരിചയം, റെഗ്രഷൻ, ക്ലാസിഫിക്കേഷൻ, ക്ലസ്റ്ററിംഗ്, NLP, ടൈം സീരീസ്, റീഇൻഫോഴ്‌സ്‌മെന്റ് ലേണിംഗ് എന്നിവ ഉൾപ്പെടുന്ന 26 പാഠങ്ങൾ
- **ക്വിസ് ആപ്പ്**: Vue.js അടിസ്ഥാനമാക്കിയുള്ള ക്വിസ് ആപ്പ്, പാഠത്തിന് മുൻപും ശേഷവും മൂല്യനിർണയം
- **ബഹുഭാഷാ പിന്തുണ**: GitHub Actions വഴി 40+ ഭാഷകളിലേക്ക് സ്വയം വിവർത്തനം
- **രണ്ടു ഭാഷാ പിന്തുണ**: പാഠങ്ങൾ Python (Jupyter നോട്ട്‌ബുക്കുകൾ) ഉം R (R Markdown ഫയലുകൾ) ഉം ആയി ലഭ്യമാണ്
- **പ്രോജക്റ്റ് അടിസ്ഥാന പഠനം**: ഓരോ വിഷയത്തിനും പ്രായോഗിക പ്രോജക്റ്റുകളും അസൈൻമെന്റുകളും ഉൾപ്പെടുന്നു

## Repository Structure

```
ML-For-Beginners/
├── 1-Introduction/         # ML basics, history, fairness, techniques
├── 2-Regression/          # Regression models with Python/R
├── 3-Web-App/            # Flask web app for ML model deployment
├── 4-Classification/      # Classification algorithms
├── 5-Clustering/         # Clustering techniques
├── 6-NLP/               # Natural Language Processing
├── 7-TimeSeries/        # Time series forecasting
├── 8-Reinforcement/     # Reinforcement learning
├── 9-Real-World/        # Real-world ML applications
├── quiz-app/           # Vue.js quiz application
├── translations/       # Auto-generated translations
└── sketchnotes/       # Visual learning aids
```

ഓരോ പാഠ ഫോൾഡറിലും സാധാരണയായി ഉണ്ടാകുന്നത്:
- `README.md` - പ്രധാന പാഠ ഉള്ളടക്കം
- `notebook.ipynb` - Python Jupyter നോട്ട്‌ബുക്ക്
- `solution/` - പരിഹാര കോഡ് (Python, R പതിപ്പുകൾ)
- `assignment.md` - അഭ്യാസങ്ങൾ
- `images/` - ദൃശ്യ വിഭവങ്ങൾ

## Setup Commands

### Python പാഠങ്ങൾക്കായി

മിക്ക പാഠങ്ങളും Jupyter നോട്ട്‌ബുക്കുകൾ ഉപയോഗിക്കുന്നു. ആവശ്യമായ ഡിപ്പെൻഡൻസികൾ ഇൻസ്റ്റാൾ ചെയ്യുക:

```bash
# Python 3.8+ ഇതിനകം ഇൻസ്റ്റാൾ ചെയ്തിട്ടില്ലെങ്കിൽ ഇൻസ്റ്റാൾ ചെയ്യുക
python --version

# Jupyter ഇൻസ്റ്റാൾ ചെയ്യുക
pip install jupyter

# സാധാരണ ML ലൈബ്രറികൾ ഇൻസ്റ്റാൾ ചെയ്യുക
pip install scikit-learn pandas numpy matplotlib seaborn

# പ്രത്യേക പാഠങ്ങൾക്കായി, പാഠം-നിർദ്ദിഷ്ട ആവശ്യകതകൾ പരിശോധിക്കുക
# ഉദാഹരണം: വെബ് ആപ്പ് പാഠം
pip install flask
```

### R പാഠങ്ങൾക്കായി

R പാഠങ്ങൾ `solution/R/` ഫോൾഡറുകളിൽ `.rmd` അല്ലെങ്കിൽ `.ipynb` ഫയലുകളായി ഉണ്ട്:

```bash
# Rയും ആവശ്യമായ പാക്കേജുകളും ഇൻസ്റ്റാൾ ചെയ്യുക
# R കൺസോളിൽ:
install.packages(c("tidyverse", "tidymodels", "caret"))
```

### ക്വിസ് ആപ്പിനായി

ക്വിസ് ആപ്പ് `quiz-app/` ഡയറക്ടറിയിൽ ഉള്ള Vue.js ആപ്പാണ്:

```bash
cd quiz-app
npm install
```

### ഡോക്യുമെന്റേഷൻ സൈറ്റിനായി

ഡോക്യുമെന്റേഷൻ ലോക്കലായി പ്രവർത്തിപ്പിക്കാൻ:

```bash
# ഡോക്സിഫൈ ഇൻസ്റ്റാൾ ചെയ്യുക
npm install -g docsify-cli

# റിപോസിറ്ററി റൂട്ടിൽ നിന്ന് സർവ് ചെയ്യുക
docsify serve

# http://localhost:3000 ൽ ആക്‌സസ് ചെയ്യുക
```

## Development Workflow

### പാഠ നോട്ട്‌ബുക്കുകളുമായി ജോലി ചെയ്യൽ

1. പാഠ ഡയറക്ടറിയിലേക്ക് പോകുക (ഉദാ: `2-Regression/1-Tools/`)
2. Jupyter നോട്ട്‌ബുക്ക് തുറക്കുക:
   ```bash
   jupyter notebook notebook.ipynb
   ```
3. പാഠ ഉള്ളടക്കം, അഭ്യാസങ്ങൾ ചെയ്യുക
4. ആവശ്യമായാൽ `solution/` ഫോൾഡറിൽ പരിഹാരങ്ങൾ പരിശോധിക്കുക

### Python ഡെവലപ്പ്മെന്റ്

- പാഠങ്ങൾ സാധാരണ Python ഡാറ്റ സയൻസ് ലൈബ്രറികൾ ഉപയോഗിക്കുന്നു
- ഇന്ററാക്ടീവ് പഠനത്തിന് Jupyter നോട്ട്‌ബുക്കുകൾ
- ഓരോ പാഠത്തിന്റെയും `solution/` ഫോൾഡറിൽ പരിഹാര കോഡ് ലഭ്യമാണ്

### R ഡെവലപ്പ്മെന്റ്

- R പാഠങ്ങൾ `.rmd` ഫോർമാറ്റിൽ (R Markdown)
- പരിഹാരങ്ങൾ `solution/R/` സബ്‌ഡയറക്ടറികളിൽ
- RStudio അല്ലെങ്കിൽ R കർണൽ ഉപയോഗിച്ച് Jupyter വഴി R നോട്ട്‌ബുക്കുകൾ പ്രവർത്തിപ്പിക്കുക

### ക്വിസ് ആപ്പ് ഡെവലപ്പ്മെന്റ്

```bash
cd quiz-app

# വികസന സെർവർ ആരംഭിക്കുക
npm run serve
# http://localhost:8080 ൽ പ്രവേശിക്കുക

# ഉത്പാദനത്തിനായി നിർമ്മിക്കുക
npm run build

# ഫയലുകൾ ലിന്റ് ചെയ്ത് ശരിയാക്കുക
npm run lint
```

## Testing Instructions

### ക്വിസ് ആപ്പ് ടെസ്റ്റിംഗ്

```bash
cd quiz-app

# കോഡ് ലിന്റ് ചെയ്യുക
npm run lint

# പിശകുകൾ ഇല്ലെന്ന് സ്ഥിരീകരിക്കാൻ നിർമ്മിക്കുക
npm run build
```

**കുറിപ്പ്**: ഇത് പ്രധാനമായും ഒരു വിദ്യാഭ്യാസ കോഴ്സ് റിപോസിറ്ററിയാണ്. പാഠ ഉള്ളടക്കത്തിന് യാന്ത്രിക പരിശോധനകൾ ഇല്ല. സാധൂകരണം നടത്തുന്നത്:
- പാഠ അഭ്യാസങ്ങൾ പൂർത്തിയാക്കൽ
- നോട്ട്‌ബുക്ക് സെല്ലുകൾ വിജയകരമായി പ്രവർത്തിപ്പിക്കൽ
- പരിഹാരങ്ങളിലെ പ്രതീക്ഷിച്ച ഫലങ്ങൾ പരിശോധിക്കൽ

## Code Style Guidelines

### Python കോഡ്
- PEP 8 സ്റ്റൈൽ മാർഗ്ഗനിർദ്ദേശങ്ങൾ പാലിക്കുക
- വ്യക്തമായ, വിവരണാത്മകമായ വേരിയബിൾ നാമങ്ങൾ ഉപയോഗിക്കുക
- സങ്കീർണ്ണ പ്രവർത്തനങ്ങൾക്ക് കമന്റുകൾ ഉൾപ്പെടുത്തുക
- Jupyter നോട്ട്‌ബുക്കുകളിൽ ആശയങ്ങൾ വിശദീകരിക്കുന്ന മാർക്ക്ഡൗൺ സെല്ലുകൾ വേണം

### JavaScript/Vue.js (ക്വിസ് ആപ്പ്)
- Vue.js സ്റ്റൈൽ ഗൈഡ് പാലിക്കുക
- `quiz-app/package.json` ൽ ESLint കോൺഫിഗറേഷൻ
- പ്രശ്നങ്ങൾ പരിശോധിക്കാൻ, സ്വയം പരിഹരിക്കാൻ `npm run lint` ഓടിക്കുക

### ഡോക്യുമെന്റേഷൻ
- മാർക്ക്ഡൗൺ ഫയലുകൾ വ്യക്തവും നന്നായി ഘടിപ്പിച്ചവയും ആയിരിക്കണം
- കോഡ് ഉദാഹരണങ്ങൾ ഫെൻസ്ഡ് കോഡ് ബ്ലോക്കുകളിൽ ഉൾപ്പെടുത്തുക
- ആന്തരിക റഫറൻസുകൾക്ക് സാപേക്ഷ ലിങ്കുകൾ ഉപയോഗിക്കുക
- നിലവിലുള്ള ഫോർമാറ്റിംഗ് പരമ്പരാഗതങ്ങൾ പാലിക്കുക

## Build and Deployment

### ക്വിസ് ആപ്പ് ഡിപ്ലോയ്മെന്റ്

ക്വിസ് ആപ്പ് Azure Static Web Apps-ലേക്ക് ഡിപ്ലോയ് ചെയ്യാം:

1. **ആവശ്യങ്ങൾ**:
   - Azure അക്കൗണ്ട്
   - GitHub റിപോസിറ്ററി (മുൻകൂട്ടി ഫോർക്ക് ചെയ്തത്)

2. **Azure-ലേക്ക് ഡിപ്ലോയ് ചെയ്യുക**:
   - Azure Static Web App റിസോഴ്‌സ് സൃഷ്ടിക്കുക
   - GitHub റിപോസിറ്ററിയുമായി കണക്ട് ചെയ്യുക
   - ആപ്പ് ലൊക്കേഷൻ: `/quiz-app`
   - ഔട്ട്പുട്ട് ലൊക്കേഷൻ: `dist`
   - Azure സ്വയം GitHub Actions workflow സൃഷ്ടിക്കും

3. **GitHub Actions Workflow**:
   - `.github/workflows/azure-static-web-apps-*.yml` ൽ workflow ഫയൽ സൃഷ്ടിക്കും
   - മെയിൻ ബ്രാഞ്ചിലേക്ക് പുഷ് ചെയ്താൽ സ്വയം ബിൽഡ് ചെയ്ത് ഡിപ്ലോയ് ചെയ്യും

### ഡോക്യുമെന്റേഷൻ PDF

ഡോക്യുമെന്റേഷൻ നിന്ന് PDF സൃഷ്ടിക്കുക:

```bash
npm install
npm run convert
```

## Translation Workflow

**പ്രധാനമാണ്**: വിവർത്തനങ്ങൾ GitHub Actions ഉപയോഗിച്ച് Co-op Translator വഴി സ്വയം നടക്കുന്നു.

- `main` ബ്രാഞ്ചിൽ മാറ്റങ്ങൾ പുഷ് ചെയ്താൽ സ്വയം വിവർത്തനം സൃഷ്ടിക്കും
- **കൈയാൽ വിവർത്തനം ചെയ്യരുത്** - സിസ്റ്റം തന്നെ കൈകാര്യം ചെയ്യും
- `.github/workflows/co-op-translator.yml` ൽ workflow നിർവചിച്ചിരിക്കുന്നു
- Azure AI/OpenAI സേവനങ്ങൾ ഉപയോഗിച്ച് വിവർത്തനം
- 40+ ഭാഷകൾക്ക് പിന്തുണ

## Contributing Guidelines

### ഉള്ളടക്കം സംഭാവനക്കാർക്കായി

1. **റിപോസിറ്ററി ഫോർക്ക് ചെയ്ത്** ഫീച്ചർ ബ്രാഞ്ച് സൃഷ്ടിക്കുക
2. **പാഠ ഉള്ളടക്കം മാറ്റങ്ങൾ വരുത്തുക** (പാഠങ്ങൾ ചേർക്കുകയോ അപ്ഡേറ്റ് ചെയ്യുകയോ ചെയ്യുമ്പോൾ)
3. **വിവർത്തന ഫയലുകൾ മാറ്റരുത്** - അവ സ്വയം സൃഷ്ടിക്കപ്പെട്ടവയാണ്
4. **കോഡ് ടെസ്റ്റ് ചെയ്യുക** - എല്ലാ നോട്ട്‌ബുക്ക് സെല്ലുകളും വിജയകരമായി ഓടണം
5. **ലിങ്കുകളും ചിത്രങ്ങളും ശരിയാണെന്ന് ഉറപ്പാക്കുക**
6. **സ്പഷ്ടമായ വിവരണത്തോടെ പുൾ റിക്വസ്റ്റ് സമർപ്പിക്കുക**

### പുൾ റിക്വസ്റ്റ് മാർഗ്ഗനിർദ്ദേശങ്ങൾ

- **ശീർഷകം ഫോർമാറ്റ്**: `[Section] മാറ്റങ്ങളുടെ സംക്ഷിപ്ത വിവരണം`
  - ഉദാ: `[Regression] പാഠം 5-ൽ ടൈപ്പോ ശരിയാക്കൽ`
  - ഉദാ: `[Quiz-App] ഡിപ്പെൻഡൻസികൾ അപ്ഡേറ്റ് ചെയ്യൽ`
- **സമർപ്പിക്കുന്നതിന് മുമ്പ്**:
  - എല്ലാ നോട്ട്‌ബുക്ക് സെല്ലുകളും പിശകില്ലാതെ ഓടുന്നത് ഉറപ്പാക്കുക
  - ക്വിസ് ആപ്പ് മാറ്റുമ്പോൾ `npm run lint` ഓടിക്കുക
  - മാർക്ക്ഡൗൺ ഫോർമാറ്റിംഗ് പരിശോധിക്കുക
  - പുതിയ കോഡ് ഉദാഹരണങ്ങൾ ടെസ്റ്റ് ചെയ്യുക
- **PR-ൽ ഉൾപ്പെടുത്തേണ്ടത്**:
  - മാറ്റങ്ങളുടെ വിവരണം
  - മാറ്റങ്ങളുടെ കാരണം
  - UI മാറ്റങ്ങൾ ഉണ്ടെങ്കിൽ സ്ക്രീൻഷോട്ടുകൾ
- **കോഡ് ഓഫ് കണ്ടക്റ്റ്**: [Microsoft Open Source Code of Conduct](CODE_OF_CONDUCT.md) പാലിക്കുക
- **CLA**: Contributor License Agreement ഒപ്പിടേണ്ടതാണ്

## Lesson Structure

ഓരോ പാഠവും ഒരു സ്ഥിരമായ മാതൃക പിന്തുടരുന്നു:

1. **പ്രീ-ലെക്ചർ ക്വിസ്** - അടിസ്ഥാന അറിവ് പരിശോധിക്കുക
2. **പാഠ ഉള്ളടക്കം** - എഴുത്ത് നിർദ്ദേശങ്ങളും വിശദീകരണങ്ങളും
3. **കോഡ് ഡെമോ** - നോട്ട്‌ബുക്കുകളിൽ പ്രായോഗിക ഉദാഹരണങ്ങൾ
4. **അറിവ് പരിശോധനകൾ** - പഠനമനസ്സിലാക്കൽ ഉറപ്പാക്കുക
5. **ചലഞ്ച്** - ആശയങ്ങൾ സ്വതന്ത്രമായി പ്രയോഗിക്കുക
6. **അസൈൻമെന്റ്** - വിപുലമായ അഭ്യാസം
7. **പോസ്റ്റ്-ലെക്ചർ ക്വിസ്** - പഠനഫലം വിലയിരുത്തുക

## Common Commands Reference

```bash
# Python/Jupyter
jupyter notebook                    # Jupyter സെർവർ ആരംഭിക്കുക
jupyter notebook notebook.ipynb     # പ്രത്യേക നോട്ട്‌ബുക്ക് തുറക്കുക
pip install -r requirements.txt     # ആശ്രിതങ്ങൾ ഇൻസ്റ്റാൾ ചെയ്യുക (ലഭ്യമായിടത്ത്)

# ക്വിസ് ആപ്പ്
cd quiz-app
npm install                        # ആശ്രിതങ്ങൾ ഇൻസ്റ്റാൾ ചെയ്യുക
npm run serve                      # വികസന സെർവർ
npm run build                      # പ്രൊഡക്ഷൻ ബിൽഡ്
npm run lint                       # ലിന്റ് ചെയ്ത് ശരിയാക്കുക

# ഡോക്യുമെന്റേഷൻ
docsify serve                      # ഡോക്യുമെന്റേഷൻ പ്രാദേശികമായി സർവ് ചെയ്യുക
npm run convert                    # PDF സൃഷ്ടിക്കുക

# Git പ്രവൃത്തി പ്രവാഹം
git checkout -b feature/my-change  # ഫീച്ചർ ബ്രാഞ്ച് സൃഷ്ടിക്കുക
git add .                         # മാറ്റങ്ങൾ സ്റ്റേജ് ചെയ്യുക
git commit -m "Description"       # മാറ്റങ്ങൾ കമ്മിറ്റ് ചെയ്യുക
git push origin feature/my-change # റിമോട്ട്‌ിലേക്ക് പുഷ് ചെയ്യുക
```

## Additional Resources

- **Microsoft Learn Collection**: [ML for Beginners modules](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
- **Quiz App**: [Online quizzes](https://ff-quizzes.netlify.app/en/ml/)
- **Discussion Board**: [GitHub Discussions](https://github.com/microsoft/ML-For-Beginners/discussions)
- **Video Walkthroughs**: [YouTube Playlist](https://aka.ms/ml-beginners-videos)

## Key Technologies

- **Python**: ML പാഠങ്ങൾക്ക് പ്രധാന ഭാഷ (Scikit-learn, Pandas, NumPy, Matplotlib)
- **R**: tidyverse, tidymodels, caret ഉപയോഗിച്ച് ബദൽ നടപ്പാക്കൽ
- **Jupyter**: Python പാഠങ്ങൾക്ക് ഇന്ററാക്ടീവ് നോട്ട്‌ബുക്കുകൾ
- **R Markdown**: R പാഠങ്ങൾക്ക് ഡോക്യുമെന്റുകൾ
- **Vue.js 3**: ക്വിസ് ആപ്പ് ഫ്രെയിംവർക്ക്
- **Flask**: ML മോഡൽ ഡിപ്ലോയ്മെന്റിനുള്ള വെബ് ആപ്പ് ഫ്രെയിംവർക്ക്
- **Docsify**: ഡോക്യുമെന്റേഷൻ സൈറ്റ് ജനറേറ്റർ
- **GitHub Actions**: CI/CD, സ്വയം വിവർത്തനങ്ങൾ

## Security Considerations

- **കോഡിൽ രഹസ്യങ്ങൾ ഇല്ല**: API കീകൾ അല്ലെങ്കിൽ ക്രെഡൻഷ്യലുകൾ ഒരിക്കലും കമ്മിറ്റ് ചെയ്യരുത്
- **ഡിപ്പെൻഡൻസികൾ**: npm, pip പാക്കേജുകൾ അപ്ഡേറ്റ് ചെയ്തിരിക്കണം
- **ഉപയോക്തൃ ഇൻപുട്ട്**: Flask വെബ് ആപ്പ് ഉദാഹരണങ്ങളിൽ അടിസ്ഥാന ഇൻപുട്ട് പരിശോധന
- **സെൻസിറ്റീവ് ഡാറ്റ**: ഉദാഹരണ ഡാറ്റാസെറ്റുകൾ പൊതു, സെൻസിറ്റീവ് അല്ല

## Troubleshooting

### Jupyter നോട്ട്‌ബുക്കുകൾ

- **കർണൽ പ്രശ്നങ്ങൾ**: സെല്ലുകൾ ഹാംഗായാൽ Kernel → Restart ചെയ്യുക
- **ഇംപോർട്ട് പിശകുകൾ**: ആവശ്യമായ പാക്കേജുകൾ pip ഉപയോഗിച്ച് ഇൻസ്റ്റാൾ ചെയ്തിട്ടുണ്ടെന്ന് ഉറപ്പാക്കുക
- **പാത പ്രശ്നങ്ങൾ**: നോട്ട്‌ബുക്കുകൾ അവരുടെ ഉള്ള ഡയറക്ടറിയിൽ നിന്ന് ഓടിക്കുക

### ക്വിസ് ആപ്പ്

- **npm install പരാജയം**: npm കാഷെ ക്ലിയർ ചെയ്യുക: `npm cache clean --force`
- **പോർട്ട് കോൺഫ്ലിക്റ്റുകൾ**: പോർട്ട് മാറ്റാൻ: `npm run serve -- --port 8081`
- **ബിൽഡ് പിശകുകൾ**: `node_modules` ഡിലീറ്റ് ചെയ്ത് വീണ്ടും ഇൻസ്റ്റാൾ ചെയ്യുക: `rm -rf node_modules && npm install`

### R പാഠങ്ങൾ

- **പാക്കേജ് കണ്ടെത്താനില്ല**: ഇൻസ്റ്റാൾ ചെയ്യുക: `install.packages("package-name")`
- **RMarkdown റെൻഡറിംഗ്**: rmarkdown പാക്കേജ് ഇൻസ്റ്റാൾ ചെയ്തിട്ടുണ്ടെന്ന് ഉറപ്പാക്കുക
- **കർണൽ പ്രശ്നങ്ങൾ**: Jupyter-ക്ക് IRkernel ഇൻസ്റ്റാൾ ചെയ്യേണ്ടതുണ്ടാകാം

## Project-Specific Notes

- ഇത് പ്രധാനമായും **പഠന കോഴ്സ്** ആണ്, പ്രൊഡക്ഷൻ കോഡ് അല്ല
- **ML ആശയങ്ങൾ മനസ്സിലാക്കലിൽ** പ്രാധാന്യം, പ്രായോഗിക അഭ്യാസം മുഖേന
- കോഡ് ഉദാഹരണങ്ങൾ **വ്യക്തതയ്ക്ക് മുൻഗണന**
- മിക്ക പാഠങ്ങളും **സ്വയം പൂർത്തിയാക്കാവുന്നതും സ്വതന്ത്രവുമാണ്**
- **പരിഹാരങ്ങൾ നൽകിയിട്ടുണ്ട്**, പക്ഷേ പഠിതാക്കൾ ആദ്യം അഭ്യാസങ്ങൾ ശ്രമിക്കണം
- റിപോസിറ്ററി **Docsify** ഉപയോഗിച്ച് വെബ് ഡോക്യുമെന്റേഷൻ സൃഷ്ടിക്കുന്നു, ബിൽഡ് ഘട്ടമില്ലാതെ
- **സ്കെച്ച്നോട്ടുകൾ** ആശയങ്ങളുടെ ദൃശ്യ സംഗ്രഹങ്ങൾ നൽകുന്നു
- **ബഹുഭാഷാ പിന്തുണ** ഉള്ളടക്കം ആഗോളമായി ലഭ്യമാക്കുന്നു

---

<!-- 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 -->