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.
159 lines
22 KiB
159 lines
22 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "69389392fa6346e0dfa30f664b7b6fec",
|
|
"translation_date": "2025-09-06T06:14:20+00:00",
|
|
"source_file": "1-Introduction/1-intro-to-ML/README.md",
|
|
"language_code": "mr"
|
|
}
|
|
-->
|
|
# मशीन लर्निंगची ओळख
|
|
|
|
## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
---
|
|
|
|
[](https://youtu.be/6mSx_KJxcHI "शिकणाऱ्यांसाठी मशीन लर्निंग - मशीन लर्निंगची सुरुवात")
|
|
|
|
> 🎥 वरील प्रतिमेवर क्लिक करा आणि या धड्याचा व्हिडिओ पहा.
|
|
|
|
शिकणाऱ्यांसाठी क्लासिकल मशीन लर्निंग या कोर्समध्ये आपले स्वागत आहे! तुम्ही या विषयात पूर्णपणे नवीन असाल किंवा अनुभवी ML व्यावसायिक असाल ज्यांना एखाद्या क्षेत्रात आपले ज्ञान ताजे करायचे असेल, आम्ही तुम्हाला आमच्यासोबत सामील होण्यासाठी आनंदाने स्वागत करतो! आम्ही तुमच्या ML अभ्यासासाठी एक मैत्रीपूर्ण प्रारंभिक ठिकाण तयार करू इच्छितो आणि तुमच्या [प्रतिक्रियेचे](https://github.com/microsoft/ML-For-Beginners/discussions) मूल्यांकन, प्रतिसाद आणि समावेश करण्यास तयार आहोत.
|
|
|
|
[](https://youtu.be/h0e2HAPTGF4 "मशीन लर्निंगची ओळख")
|
|
|
|
> 🎥 वरील प्रतिमेवर क्लिक करा: MIT चे जॉन गुट्टाग मशीन लर्निंगची ओळख करून देतात
|
|
|
|
---
|
|
## मशीन लर्निंगची सुरुवात
|
|
|
|
या अभ्यासक्रमाला सुरुवात करण्यापूर्वी, तुमचा संगणक स्थानिक स्तरावर नोटबुक चालवण्यासाठी तयार असणे आवश्यक आहे.
|
|
|
|
- **तुमचे मशीन कॉन्फिगर करा या व्हिडिओंसह**. तुमच्या सिस्टममध्ये [Python कसे इंस्टॉल करायचे](https://youtu.be/CXZYvNRIAKM) आणि विकासासाठी [टेक्स्ट एडिटर कसे सेटअप करायचे](https://youtu.be/EU8eayHWoZg) हे शिकण्यासाठी खालील लिंक वापरा.
|
|
- **Python शिका**. [Python](https://docs.microsoft.com/learn/paths/python-language/?WT.mc_id=academic-77952-leestott) या प्रोग्रामिंग भाषेची मूलभूत समज असणे शिफारसीय आहे, जी डेटा सायंटिस्टसाठी उपयुक्त आहे आणि आम्ही या कोर्समध्ये वापरतो.
|
|
- **Node.js आणि JavaScript शिका**. आम्ही या कोर्समध्ये वेब अॅप्स तयार करताना काही वेळा JavaScript वापरतो, त्यामुळे तुम्हाला [node](https://nodejs.org) आणि [npm](https://www.npmjs.com/) इंस्टॉल करणे आवश्यक आहे, तसेच Python आणि JavaScript विकासासाठी [Visual Studio Code](https://code.visualstudio.com/) उपलब्ध असणे आवश्यक आहे.
|
|
- **GitHub खाते तयार करा**. तुम्ही आम्हाला [GitHub](https://github.com) वर शोधले असल्याने, तुमच्याकडे आधीच खाते असण्याची शक्यता आहे, परंतु नसल्यास, एक तयार करा आणि नंतर तुमच्यासाठी या अभ्यासक्रमाची फोर्क करा. (आम्हाला स्टार देण्यास मोकळे 😊)
|
|
- **Scikit-learn एक्सप्लोर करा**. [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) या ML लायब्ररीशी परिचित व्हा, ज्याचा संदर्भ आम्ही या धड्यांमध्ये घेतो.
|
|
|
|
---
|
|
## मशीन लर्निंग म्हणजे काय?
|
|
|
|
'मशीन लर्निंग' हा आजच्या काळातील सर्वात लोकप्रिय आणि वारंवार वापरला जाणारा शब्द आहे. तुम्ही तंत्रज्ञानाशी काही प्रमाणात परिचित असाल, मग तुम्ही कोणत्याही क्षेत्रात काम करत असाल, तरी तुम्ही हा शब्द किमान एकदा ऐकला असेल. मात्र, मशीन लर्निंगचे यांत्रिकी बहुतेक लोकांसाठी गूढ आहे. मशीन लर्निंग शिकणाऱ्यांसाठी, हा विषय कधी कधी गोंधळात टाकणारा वाटू शकतो. म्हणूनच, मशीन लर्निंग म्हणजे काय हे समजून घेणे आणि व्यावहारिक उदाहरणांद्वारे ते टप्प्याटप्प्याने शिकणे महत्त्वाचे आहे.
|
|
|
|
---
|
|
## हायप कर्व्ह
|
|
|
|
|
|
|
|
> Google Trends 'मशीन लर्निंग' या शब्दाचा अलीकडील 'हायप कर्व्ह' दर्शवते
|
|
|
|
---
|
|
## एक गूढ विश्व
|
|
|
|
आपण एका गूढांनी भरलेल्या विश्वात राहतो. स्टीफन हॉकिंग, अल्बर्ट आईन्स्टाईन यांसारख्या महान वैज्ञानिकांनी आणि इतर अनेकांनी आपल्या आजूबाजूच्या जगातील रहस्ये उलगडणारी अर्थपूर्ण माहिती शोधण्यासाठी आपले जीवन समर्पित केले आहे. हे शिकण्याचे मानवी स्वरूप आहे: मानवी मूल नवीन गोष्टी शिकते आणि प्रौढ होईपर्यंत दरवर्षी त्यांच्या जगाची रचना उलगडते.
|
|
|
|
---
|
|
## मुलाचे मेंदू
|
|
|
|
मुलाचा मेंदू आणि संवेदना त्यांच्या आजूबाजूच्या गोष्टींचा अनुभव घेतात आणि हळूहळू जीवनातील लपलेल्या नमुन्यांचा अभ्यास करतात, ज्यामुळे मुलाला शिकलेल्या नमुन्यांची ओळख पटवण्यासाठी तार्किक नियम तयार करण्यात मदत होते. मानवी मेंदूची शिकण्याची प्रक्रिया मानवाला या जगातील सर्वात प्रगत सजीव बनवते. लपलेल्या नमुन्यांचा शोध घेऊन सतत शिकणे आणि त्या नमुन्यांवर नाविन्यपूर्ण काम करणे आपल्याला आयुष्यभर चांगले बनवण्यास सक्षम करते. ही शिकण्याची क्षमता आणि विकसित होण्याची क्षमता [मेंदूची प्लास्टिसिटी](https://www.simplypsychology.org/brain-plasticity.html) या संकल्पनेशी संबंधित आहे. वरवर पाहता, मानवी मेंदूच्या शिकण्याच्या प्रक्रियेतील प्रेरणादायक साम्य आणि मशीन लर्निंगच्या संकल्पनांमध्ये काही साम्य आहे असे आपण म्हणू शकतो.
|
|
|
|
---
|
|
## मानवी मेंदू
|
|
|
|
[मानवी मेंदू](https://www.livescience.com/29365-human-brain.html) वास्तविक जगातील गोष्टींचा अनुभव घेतो, अनुभवलेली माहिती प्रक्रिया करतो, तर्कसंगत निर्णय घेतो आणि परिस्थितीनुसार विशिष्ट कृती करतो. याला आपण बुद्धिमान वर्तन म्हणतो. जेव्हा आपण बुद्धिमान वर्तन प्रक्रियेची प्रतिकृती मशीनमध्ये प्रोग्राम करतो, तेव्हा त्याला कृत्रिम बुद्धिमत्ता (AI) म्हणतात.
|
|
|
|
---
|
|
## काही परिभाषा
|
|
|
|
जरी या संज्ञा गोंधळात टाकणाऱ्या असू शकतात, तरी मशीन लर्निंग (ML) ही कृत्रिम बुद्धिमत्तेची एक महत्त्वाची उपशाखा आहे. **ML ही विशेष अल्गोरिदम वापरून अर्थपूर्ण माहिती शोधणे आणि अनुभवलेल्या डेटामधून लपलेले नमुने शोधणे यावर केंद्रित आहे, जे तर्कसंगत निर्णय घेण्याच्या प्रक्रियेला समर्थन देते**.
|
|
|
|
---
|
|
## AI, ML, डीप लर्निंग
|
|
|
|
|
|
|
|
> AI, ML, डीप लर्निंग आणि डेटा सायन्स यांच्यातील संबंध दर्शवणारे एक चित्र. [Jen Looper](https://twitter.com/jenlooper) यांनी प्रेरित होऊन तयार केलेले [हे ग्राफिक](https://softwareengineering.stackexchange.com/questions/366996/distinction-between-ai-ml-neural-networks-deep-learning-and-data-mining) आधारित इन्फोग्राफिक.
|
|
|
|
---
|
|
## कव्हर करायचे संकल्पना
|
|
|
|
या अभ्यासक्रमात, आपण मशीन लर्निंगच्या मुख्य संकल्पनांवर लक्ष केंद्रित करणार आहोत, जे एका नवशिक्याला माहित असणे आवश्यक आहे. आम्ही 'क्लासिकल मशीन लर्निंग' कव्हर करतो, मुख्यतः Scikit-learn वापरून, एक उत्कृष्ट लायब्ररी जी अनेक विद्यार्थी मूलभूत गोष्टी शिकण्यासाठी वापरतात. कृत्रिम बुद्धिमत्ता किंवा डीप लर्निंगच्या व्यापक संकल्पना समजून घेण्यासाठी, मशीन लर्निंगचे मजबूत मूलभूत ज्ञान आवश्यक आहे, आणि म्हणूनच आम्ही ते येथे ऑफर करू इच्छितो.
|
|
|
|
---
|
|
## या कोर्समध्ये तुम्ही शिकाल:
|
|
|
|
- मशीन लर्निंगच्या मुख्य संकल्पना
|
|
- ML चा इतिहास
|
|
- ML आणि न्याय्यता
|
|
- रिग्रेशन ML तंत्र
|
|
- वर्गीकरण ML तंत्र
|
|
- क्लस्टरिंग ML तंत्र
|
|
- नैसर्गिक भाषा प्रक्रिया ML तंत्र
|
|
- टाइम सिरीज फोरकास्टिंग ML तंत्र
|
|
- रिइन्फोर्समेंट लर्निंग
|
|
- ML साठी वास्तविक-जगातील अनुप्रयोग
|
|
|
|
---
|
|
## आम्ही काय कव्हर करणार नाही
|
|
|
|
- डीप लर्निंग
|
|
- न्यूरल नेटवर्क्स
|
|
- AI
|
|
|
|
शिकण्याचा अनुभव चांगला होण्यासाठी, आम्ही न्यूरल नेटवर्क्सच्या गुंतागुंती, 'डीप लर्निंग' - न्यूरल नेटवर्क्स वापरून अनेक स्तरांवर मॉडेल तयार करणे - आणि AI टाळणार आहोत, ज्यावर आम्ही वेगळ्या अभ्यासक्रमात चर्चा करू. आम्ही डेटा सायन्सवर लक्ष केंद्रित करण्यासाठी एक आगामी अभ्यासक्रम देखील ऑफर करू.
|
|
|
|
---
|
|
## मशीन लर्निंग का शिकावे?
|
|
|
|
सिस्टमच्या दृष्टिकोनातून, मशीन लर्निंग ही स्वयंचलित प्रणाली तयार करणे आहे जी डेटामधून लपलेले नमुने शिकून बुद्धिमान निर्णय घेण्यास मदत करते.
|
|
|
|
ही प्रेरणा मानवी मेंदू बाह्य जगातून अनुभवलेल्या डेटावर आधारित विशिष्ट गोष्टी कशा शिकतो यावर सैलपणे आधारित आहे.
|
|
|
|
✅ विचार करा की एखाद्या व्यवसायाला हार्ड-कोडेड नियम-आधारित इंजिन तयार करण्याऐवजी मशीन लर्निंग रणनीती का वापरायच्या असतील.
|
|
|
|
---
|
|
## मशीन लर्निंगचे अनुप्रयोग
|
|
|
|
मशीन लर्निंगचे अनुप्रयोग आता जवळजवळ सर्वत्र आहेत आणि आपल्या समाजांमध्ये वाहणाऱ्या डेटासारखेच सर्वव्यापी आहेत, जे आपल्या स्मार्टफोन, कनेक्टेड डिव्हाइस आणि इतर प्रणालींनी निर्माण केले आहे. अत्याधुनिक मशीन लर्निंग अल्गोरिदमच्या प्रचंड क्षमतेचा विचार करता, संशोधक त्यांच्या बहुआयामी आणि बहुविषयक वास्तविक जीवनातील समस्यांचे समाधान करण्याच्या क्षमतेचा शोध घेत आहेत आणि सकारात्मक परिणाम मिळवत आहेत.
|
|
|
|
---
|
|
## लागू केलेल्या ML चे उदाहरणे
|
|
|
|
**तुम्ही मशीन लर्निंग अनेक प्रकारे वापरू शकता**:
|
|
|
|
- रुग्णाच्या वैद्यकीय इतिहास किंवा अहवालांवरून आजार होण्याची शक्यता भाकीत करण्यासाठी.
|
|
- हवामान डेटा वापरून हवामानाच्या घटना भाकीत करण्यासाठी.
|
|
- मजकूराचा भाव समजून घेण्यासाठी.
|
|
- खोट्या बातम्या ओळखून प्रचाराचा प्रसार थांबवण्यासाठी.
|
|
|
|
आर्थिक, अर्थशास्त्र, पृथ्वी विज्ञान, अंतराळ अन्वेषण, बायोमेडिकल अभियांत्रिकी, संज्ञानात्मक विज्ञान आणि अगदी मानवतावादी क्षेत्रांनी त्यांच्या क्षेत्रातील कठीण, डेटा-प्रक्रिया जड समस्यांचे समाधान करण्यासाठी मशीन लर्निंग स्वीकारले आहे.
|
|
|
|
---
|
|
## निष्कर्ष
|
|
|
|
मशीन लर्निंग वास्तविक-जगातील किंवा निर्माण केलेल्या डेटामधून अर्थपूर्ण अंतर्दृष्टी शोधून नमुना-शोधण्याची प्रक्रिया स्वयंचलित करते. व्यवसाय, आरोग्य आणि आर्थिक अनुप्रयोगांमध्ये याने स्वतःला अत्यंत मौल्यवान सिद्ध केले आहे.
|
|
|
|
निकट भविष्यात, मशीन लर्निंगच्या मूलभूत गोष्टी समजून घेणे कोणत्याही क्षेत्रातील लोकांसाठी आवश्यक होणार आहे कारण त्याचा व्यापक स्वीकार होत आहे.
|
|
|
|
---
|
|
# 🚀 आव्हान
|
|
|
|
कागदावर किंवा [Excalidraw](https://excalidraw.com/) सारख्या ऑनलाइन अॅपचा वापर करून, AI, ML, डीप लर्निंग आणि डेटा सायन्स यांच्यातील फरक समजून घेण्यासाठी तुमचे विचार रेखाटून दाखवा. प्रत्येक तंत्रज्ञान कोणत्या प्रकारच्या समस्यांचे समाधान करण्यात चांगले आहे याबद्दल काही कल्पना जोडा.
|
|
|
|
# [व्याख्यानानंतरची प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
---
|
|
# पुनरावलोकन आणि स्व-अभ्यास
|
|
|
|
क्लाउडमध्ये ML अल्गोरिदमसह कसे काम करता येईल याबद्दल अधिक जाणून घेण्यासाठी, [Learning Path](https://docs.microsoft.com/learn/paths/create-no-code-predictive-models-azure-machine-learning/?WT.mc_id=academic-77952-leestott) अनुसरण करा.
|
|
|
|
ML च्या मूलभूत गोष्टींबद्दल [Learning Path](https://docs.microsoft.com/learn/modules/introduction-to-machine-learning/?WT.mc_id=academic-77952-leestott) घ्या.
|
|
|
|
---
|
|
# असाइनमेंट
|
|
|
|
[सुरू करा](assignment.md)
|
|
|
|
---
|
|
|
|
**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. |