You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
157 lines
22 KiB
157 lines
22 KiB
# మెషిన్ లెర్నింగ్ పరిచయము
|
|
|
|
## [పూర్తి లెక్చర్ క్విజ్](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
---
|
|
|
|
[](https://youtu.be/6mSx_KJxcHI "ML for beginners - Introduction to Machine Learning for Beginners")
|
|
|
|
> 🎥 ఈ పాఠాన్ని సమీక్షించడానికి పై చిత్రంపై క్లిక్ చేయండి.
|
|
|
|
కొద్దిరోజులకి ఈ శ్రేణి క్లాసికల్ మెషిన్ లెర్నింగ్ ప్రారంభాదులతో! మీరు ఈ విషయం పై కొత్తవారు అయినా, లేదా ఒక అనుభవజ్ఞుడైన ML ప్రాక్టিশనర్ అయినా అభ్యాసంరీతి విషయంలో మెరగడానికి ప్రయత్నిస్తున్నా, మేము మీకు స్వాగతం చెబుతున్నాము! మీ మెషిన్ లెర్నింగ్ అధ్యయనం కోసం ఇక్కడ స్నేహపూర్వక ప్రాంగణాన్ని సృష్టించాలనుకుంటున్నాము మరియు మీ [ఫీడ్బ్యాక్](https://github.com/microsoft/ML-For-Beginners/discussions) ను విలయితం చేసి, స్పందించి, చేర్చడానికి ఇష్టపడతాము.
|
|
|
|
[](https://youtu.be/h0e2HAPTGF4 "Introduction to ML")
|
|
|
|
> 🎥 పై చిత్రం పై క్లిక్ చేసి ఒక వీడియో చూడండి: MIT కి జాన్ గుట్టాగ్ మెషిన్ లెర్నింగ్ పరిచయం చేయడం
|
|
|
|
---
|
|
## మెషిన్ లెర్నింగ్ ప్రారంభం
|
|
|
|
ఈ పాఠ్యాంశమును ప్రారంభించేముందు, మీ కంప్యూటర్ లో నోట్బుక్లు స్థానికంగా నడపడానికి సജ్జమై ఉండాలి.
|
|
|
|
- **ఈ వీడియోలతో మీ యంత్రాన్ని ఏర్పర్చుకోండి**. మీ సిస్టంలో [Python ని ఎలా ఇన్స్టాల్ చేసుకోవాలో](https://youtu.be/CXZYvNRIAKM) మరియు అభివృద్ధి కోసం [టెక్స్ట్ ఎడిటర్ని సెట్ చేయడం](https://youtu.be/EU8eayHWoZg) నేర్చుకోండి.
|
|
- **Python నేర్చుకోండి**. ఈ కోర్సులో ఉపయోగించే డేటా శాస్త్రజ్ఞుల కోసం ఉపయోగకరమైన ప్రోగ్రామింగ్ భాష అయిన [Python](https://docs.microsoft.com/learn/paths/python-language/?WT.mc_id=academic-77952-leestott) యొక్క ప్రాథమిక అవగాహన కలిగి ఉండటం మంచిది.
|
|
- **Node.js మరియు JavaScript తెలుసుకోండి**. వెబ్ యాప్లను నిర్మించేటప్పుడు ఈ కోర్సులో JavaScript ను కూడా ఉపయోగిస్తాము, కాబట్టి మీరు [node](https://nodejs.org), [npm](https://www.npmjs.com/) మరియు Python మరియు JavaScript అభివృద్ధి కోసం [Visual Studio Code](https://code.visualstudio.com/) ను ఇన్స్టాల్ చేసుకోవాలి.
|
|
- **GitHub ఖాతాను సృష్టించండి**. మీరు ఇక్కడ [GitHub](https://github.com) లో మమ్మల్ని కనుగొన్నందున, మీకు ఇప్పటికే ఒక ఖాతా ఉండొచ్చు, లేకపోతే, ఒకటి సృష్టించి ఈ పాఠ్యాంశాన్ని మీ కోసం ఫోర్క్ చేసుకోండి. (మమ్మల్ని ఒక స్టార్ ఇవ్వడానికి మర్చిపోకండి, అదృష్టం తెలుసుకోండి 😊)
|
|
- **Scikit-learn ను అన్వేషించండి**. ఈ పాఠాలలో సూచించిన ML లైബ്രరీల సమాహారం అయిన [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) పరిచయమును తెలుసుకోండి.
|
|
|
|
---
|
|
## మెషిన్ లెర్నింగ్ అంటే ఏమిటి?
|
|
|
|
'మెషిన్ లెర్నింగ్' అనే పదం ఇప్పటికీ చాలా ప్రాచుర్యం మరియు తరచుగా వినిపించే పదాలలో ఒకటి. మీరు ఎందులో పని చేస్తారో ఏ స్థాయిలో ఉన్నా, సాంకేతిక పరిజ్ఞానంపై కొంత పరిచయం ఉంటే ఈ పదాన్ని కనీసం ఒకసారి వినివుంటారు. అయితే మెషిన్ లెర్నింగ్ యొక్క యంత్రాంగం చాలా మందికి తెలియదు. మెషిన్ లెర్నింగ్ ప్రారంభదారులకు ఈ విషయం కొన్నిసార్లు భయంకరంగా అనిపించవచ్చు. అందువల్ల, మెషిన్ లెర్నింగ్ అంటే నిజానికి ఏమిటి, దాన్ని ప్రాక్టికల్ ఉదాహరణల ద్వారా దశలవారీగా నేర్చుకోవటం ముఖ్యమైనది.
|
|
|
|
---
|
|
## హైప్ వక్రరేఖ
|
|
|
|
|
|
|
|
> గూగుల్ ట్రెండ్స్ 'మెషిన్ లెర్నింగ్' అనే పదం యొక్క తాజా 'హైప్ వక్రరేఖ'ని చూపిస్తుంది
|
|
|
|
---
|
|
## ఒక గూఢ విశ్వం
|
|
|
|
మనం ఆసక్తికరమైన రహస్యాలతో నిండిన విశ్వంలో నివసిస్తున్నాము. స్టీఫెన్ హాకింగ్, ఆల్బర్ట్ ఐన్స్టీన్ వంటి గొప్ప శాస్త్రవేత్తలు ప్రపంచ చుట్టూ ఉన్న రహస్యాలను అన్వేషించేందుకు తమ జీవితాలు అర్పించారు. ఇది మనుషుల చేసిన నేర్చుకునే ప్రక్రియ: ఒక మానవ శిశువు కొత్త విషయాలను నేర్చుకుంటూ, వయసుతో తాను నివసిస్తున్న ప్రపంచ నిర్మాణాన్ని అవగాహన చేసుకుంటూ పెరుగుతుంది.
|
|
|
|
---
|
|
## బాలుడి మస్తిష్కం
|
|
|
|
బాలుడి మస్తిష్కం మరియు ఇంద్రియాలు చుట్టుపక్కల వాస్తవాలను గ్రహించి, జీవితం యొక్క దాచిన నమూనాలను నేర్చుకుంటాయి, ఈ నమూనాలపై స్థిరమైన నియమాలను తయారుచేసుకోవడంలో సహాయపడుతుంది. మానవ మస్తిష్కం యొక్క అభ్యాస ప్రక్రియ మానవులను ఈ ప్రపంచంలో అత్యంత జ్ఞానవంతులైన జీవిగా మార్చింది. దాచిన నమూనాలను కనుగొని వాటి ఆధారంగా క్రియాత్మకతను ప్రదర్శించడం ద్వారా మనము జీవితాంతం మెరుగుపడగలుగుతాము. ఈ నేర్చుకునే సామర్థ్యం మరియు అభివృద్ధి సాధనను [బ్రెయిన్ ప్లాస్టిసిటీ](https://www.simplypsychology.org/brain-plasticity.html) అనబడే భావనకు సంబంధించింది. ఉపరితలంగా, మానవ మెదడు నేర్చుకోవడం మరియు మెషిన్ లెర్నింగ్ భావనల మధ్య కొన్ని ప్రేరణాత్మక సామ్యాలు గీయవచ్చు.
|
|
|
|
---
|
|
## మానవ మస్తిష్కం
|
|
|
|
[మానవ మస్తిష్కం](https://www.livescience.com/29365-human-brain.html) నిజ ప్రపంచం నుంచి విషయాలను గ్రహించి, ఆ సమాచారాన్ని ప్రాసెస్ చేసి, తార్కిక నిర్ణయాలు తీసుకుని పరిస్థితుల ఆధారంగా చర్యలు చేపడుతుంది. దీన్ని మనం తెలివిగా వ్యవహరించడం అనుకుంటాము. ఈ తెలివైన ప్రవర్తనా ప్రక్రియను యంత్రానికి అనుకరణ చేయగలిగితే, దాన్ని ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) అంటాము.
|
|
|
|
---
|
|
## కొన్ని పర్యాయపదాలు
|
|
|
|
పదాలు కొంతమేర కలగకడానికి ఉండగలవు, కానీ మెషిన్ లెర్నింగ్ (ML) ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ యొక్క ఒక ముఖ్యమైన భాగం. **ML అనేది ప్రత్యేక అల్గోరిథమ్లను ఉపయోగించి గ్రహించిన డేటా నుంచి అర్థవంతమైన సమాచారాన్ని మరియు దాచిన నమూనాలను కనుగొని, తార్కిక నిర్ణయాల తీసుకునే ప్రక్రియలో సహకరించడం**.
|
|
|
|
---
|
|
## AI, ML, డీప్ లెర్నింగ్
|
|
|
|
|
|
|
|
> AI, ML, డీప్ లెర్నింగ్ మరియు డేటా సైన్స్ మధ్య సంబంధాలను చూపిస్తున్న చిత్రం. ఇన్ఫోగ్రాఫిక్ Jen Looper ద్వారా రూపొందించబడింది మరియు [ఈ గ్రాఫిక్](https://softwareengineering.stackexchange.com/questions/366996/distinction-between-ai-ml-neural-networks-deep-learning-and-data-mining) నుండి ప్రేరణ పొందింది.
|
|
|
|
---
|
|
## కవర్ చేయాల్సిన భావనలు
|
|
|
|
ఈ పాఠ్యాంశంలో, ఒక ప్రారంభదారుకు తెలుసుకోల్సిన మెషిన్ లెర్నింగ్ యొక్క ప్రాథమిక భావనలను మాత్రమే కవర్ చేస్తాము. అత్యుత్తమ లైబ్రరీ అయిన Scikit-learn ద్వారా 'క్లాసికల్ మెషిన్ లెర్నింగ్' ను ప్రాధాన్యంగా నేర్పుతాము. ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ లేదా డీప్ లెర్నింగ్ యొక్క విస్తృత భావనలు అర్థం చేసుకోవటానికి మెషిన్ లెర్నింగ్ లో సుదీర్ఘ ప్రాథమిక జ్ఞానం అవసరం కాబట్టి, మేము దాన్ని ఇక్కడ అందిస్తున్నాము.
|
|
|
|
---
|
|
## ఈ కోర్సులో మీరు నేర్చుకోబోతున్నది:
|
|
|
|
- మెషిన్ లెర్నింగ్ యొక్క ప్రాథమిక భావనలు
|
|
- ML చరిత్ర
|
|
- ML మరియు న్యాయం
|
|
- రిగ్రెషన్ ML సాంకేతికతలు
|
|
- వర్గీకరణ ML సాంకేతికతలు
|
|
- క్లస్టరింగ్ ML సాంకేతికతలు
|
|
- సహజ భాష ప్రాసెసింగ్ ML సాంకేతికతలు
|
|
- టైమ్ సీరీస్ ఫోర్కాస్టింగ్ ML సాంకేతికతలు
|
|
- రీన్ఫోర్స్మెంట్ లెర్నింగ్
|
|
- ML కోసం వాస్తవ ప్రపంచ అనువర్తనాలు
|
|
|
|
---
|
|
## మేము కవర్ చేయని విషయాలు
|
|
|
|
- డీప్ లెర్నింగ్
|
|
- న్యూయరల్ నెట్వర్క్స్
|
|
- AI
|
|
|
|
మంచి నేర్చుకునే అనుభవానికి, న్యూయరల్ నెట్వర్క్స్, 'డీప్ లెర్నింగ్' - న్యూయరల్ నెట్వర్క్లు ఉపయోగించి బహుళస్థాయి మోడల్-నిర్మాణం - మరియు AI ముద్రణలను మేము వేరే పాఠ్యాంశంలో చర్చించాలనుకుంటున్నాము. దీనితో పాటు, ఈ పెద్ద రంగానికి సంబంధించిన డేటా సైన్స్ పాఠ్యాంశాన్ని తర్వాత అందించనున్నాము.
|
|
|
|
---
|
|
## ఎందుకు మెషిన్ లెర్నింగ్ నేర్చుకోవాలి?
|
|
|
|
మెషిన్ లెర్నింగ్ అంటే, సిస్టమ్ యొక్క దృష్టికోణంలో, డేటా నుండి దాచిన నమూనాలను తెలుసుకొని తెలివైన నిర్ణయాలు తీసుకోగల ఆటోమేటెడ్ సిస్టమ్స్ తయారు చేయడం.
|
|
|
|
ఈ ప్రోత్సాహక శక్తి మనుషుల మెదడు బయట ప్రపంచం నుంచి గ్రహించిన డేటా ఆధారంగా నేర్చుకునే విధానాన్ని సారాంశంగా ప్రకటిస్తుంది.
|
|
|
|
✅ ఓ నిమిషం ఆలోచించండి, ఒక వ్యాపారం కఠిన నియమాలతో కూడిన ఇంజిన్ తయారు చేయడం కన్నా మెషిన్ లెర్నింగ్ వ్యూహాలను ఎందుకు ఉపయోగించాలనుకుంటుంది?
|
|
|
|
---
|
|
## డేటా నాణ్యత ఎందుకు ముఖ్యం?
|
|
|
|
అధిక నాణ్యత గల డేటా మోడల్ పనితీరును మెరుగుపరుస్తుంది. తక్కువ నాణ్యత గల లేదా శబ్దంతో కూడిన డేటా తప్పు భవిష్యవాణీ కి దారితీస్తుంది, అత్యాధునిక మెషిన్ లెర్నింగ్ అల్గోరిథమ్లను ఉపయోగించినా.
|
|
|
|
---
|
|
## మెషిన్ లెర్నింగ్ అనువర్తనాలు
|
|
|
|
మెషిన్ లెర్నింగ్ అనువర్తనాలు ఇప్పుడు ప్రాతినిధ్యంగా అన్ని చోట్ల ఉన్నాయి, మరియు మన సమాజాల్లో ప్రవహిస్తున్న డేటా వలె విస్తృతంగా ఉన్నాయి, ఇది మన స్మార్ట్ ఫోన్లు, కనెక్టెడ్ పరికరాలు మరియు ఇతర వ్యవస్థల ద్వారా సృష్టించబడింది. ఆధునిక మెషిన్ లెర్నింగ్ అల్గోరిథమ్ల అమిత సామర్ధ్యంతో, పరిశోధకులు బహుళ వైశాల్య మరియు బహుళ విద్యా రంగాల ప్రస్తుత జీవిత సమస్యలను గొప్ప సానుకూల ఫలితాలతో పరిష్కరించగల సామర్థ్యాన్ని అన్వేషిస్తున్నారు.
|
|
|
|
---
|
|
## అమలులో ఉన్న ML ఉదాహరణలు
|
|
|
|
**మీరు మెషిన్ లెర్నింగ్ను అనేక మార్గాల్లో ఉపయోగించవచ్చు**:
|
|
|
|
- రోగిని యొక్క వైద్య చరిత్ర లేదా నివేదికల ఆధారంగా వ్యాధి సంభావ్యతను అంచనా వేయడానికి.
|
|
- వాతావరణ డేటాను ఉపయోగించి వాతావరణ సంఘటనలను అంచనా వేయడానికి.
|
|
- టెక్స్ట్ యొక్క భావాన్ని అర్థం చేసుకోవడానికి.
|
|
- ప్రచారం వ్యాప్తిని ఆపడానికి నకిలీ వార్తలను గుర్తించడానికి.
|
|
|
|
ఆర్థిక, ఆర్ధిక శాస్త్రం, భూగర్భ శాస్త్రం, అంతరిక్ష అన్వేషణ, బయోమెడికల్ ఇంజనీరింగ్, జ్ఞాన శాస్త్రం మరియు మనవ వయస్సు రంగాలల్లో కూడా తమ విధి కష్టమైన, భారీ డేటా ప్రక్రియ సమస్యలను పరిష్కరించడానికి మెషిన్ లెర్నింగ్ను అనుసరించారు.
|
|
|
|
---
|
|
## ముగింపు
|
|
|
|
మెషిన్ లెర్నింగ్ ప్రధానంగా నమూనాలను కనుగొనడం ఆటోమేటెడ్గా చేయడం ద్వారా వాస్తవ లేదా సృష్టించిన డేటా నుంచి అర్థవంతమైన అవగాహనలను కనుగొంటుంది. ఇది వ్యాపారం, ఆరోగ్య, ఆర్థిక అనువర్తనాల్లో అత్యంత విలువైనదిగా నిరూపితమైంది.
|
|
|
|
సమీప భవిష్యత్తులో, మెషిన్ లెర్నింగ్ ప్రాథమిక విషయాలను అర్థం చేసుకోవటం ఏ రంగం నుండి వారు అయినా తప్పనిసరిగా అవసరం అవుతుంది, దాని విస్తృత ఆమోదం కారణంగా.
|
|
|
|
---
|
|
# 🚀 సవాలు
|
|
|
|
కాగితం పై లేదా [Excalidraw](https://excalidraw.com/) వంటి ఆన్లైన్ యాప్ ఉపయోగించి, AI, ML, డీప్ లెర్నింగ్ మరియు డేటా సైన్స్ మధ్య వ్యత్యాసాలు మీ అవగాహనను చిత్రించండి. ప్రతి సాంకేతికత మంచి పరిష్కారం అందించే సమస్యల యొక్క కొన్ని ఆలోచనలను జత చేయండి.
|
|
|
|
# [పోస్ట్-లెక్చర్ క్విజ్](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
---
|
|
# సమీక్ష & స్వీయ అభ్యాసం
|
|
|
|
ML అల్గోరిథమ్లతో మేఘంలో ఎలా పనిచేయాలో మరింత తెలుసుకోవడానికి, ఈ [Learning Path](https://docs.microsoft.com/learn/paths/create-no-code-predictive-models-azure-machine-learning/?WT.mc_id=academic-77952-leestott) ను అనుసరించండి.
|
|
|
|
ML యొక్క ప్రాథమిక విషయాలపై ఇది ఒక [Learning Path](https://docs.microsoft.com/learn/modules/introduction-to-machine-learning/?WT.mc_id=academic-77952-leestott).
|
|
|
|
---
|
|
# అసైన్మెంట్
|
|
|
|
[ప్రారంభించండి](assignment.md)
|
|
|
|
---
|
|
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
|
**అస్వీకరణ**:
|
|
ఈ పత్రం AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నిస్తున్నప్పటికీ, ఆటోమేటెడ్ అనువాదాలు తప్పులు లేదా అసమగ్రతలను కలిగి ఉండవచ్చు. దాని స్వదేశ భాషలో ఉన్న అసలు పత్రాన్ని అధికారం కలిగిన మూలంగా పరిగణించాలి. కీలకమైన సమాచారం కోసం, ప్రొఫెషనల్ మానవ అనువాదాన్ని సిఫారసు చేస్తాము. ఈ అనువాదం ఉపయోగం వల్ల కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారులు కోసం మేము బాధ్యత వహించము.
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER END --> |