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": "2025-09-06T06:34:34+00:00",
|
|
"source_file": "1-Introduction/1-intro-to-ML/README.md",
|
|
"language_code": "ne"
|
|
}
|
|
-->
|
|
# मेसिन लर्निङको परिचय
|
|
|
|
## [पाठ अघि क्विज](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
---
|
|
|
|
[](https://youtu.be/6mSx_KJxcHI "सुरुवातका लागि मेसिन लर्निङ - मेसिन लर्निङको परिचय")
|
|
|
|
> 🎥 माथिको तस्बिरमा क्लिक गरेर यस पाठको छोटो भिडियो हेर्नुहोस्।
|
|
|
|
सुरुवातका लागि क्लासिकल मेसिन लर्निङको यो पाठ्यक्रममा स्वागत छ! तपाईं यस विषयमा बिल्कुल नयाँ हुनुहुन्छ वा अनुभवी ML अभ्यासकर्ता हुनुहुन्छ जसले कुनै क्षेत्रलाई पुनः अध्ययन गर्न चाहनुहुन्छ, हामी तपाईंलाई यहाँ सामेल भएकोमा खुसी छौं! हामी तपाईंको ML अध्ययनको लागि मैत्रीपूर्ण सुरुवातको ठाउँ सिर्जना गर्न चाहन्छौं र तपाईंको [प्रतिक्रिया](https://github.com/microsoft/ML-For-Beginners/discussions) मूल्याङ्कन, प्रतिक्रिया दिन, र समावेश गर्न खुसी हुनेछौं।
|
|
|
|
[](https://youtu.be/h0e2HAPTGF4 "मेसिन लर्निङको परिचय")
|
|
|
|
> 🎥 माथिको तस्बिरमा क्लिक गरेर भिडियो हेर्नुहोस्: MIT का John Guttag ले मेसिन लर्निङको परिचय दिनुहुन्छ।
|
|
|
|
---
|
|
## मेसिन लर्निङ सुरु गर्दै
|
|
|
|
यस पाठ्यक्रम सुरु गर्नु अघि, तपाईंको कम्प्युटरलाई स्थानीय रूपमा नोटबुक चलाउन तयार गर्न आवश्यक छ।
|
|
|
|
- **तपाईंको मेसिनलाई यी भिडियोहरूसँग कन्फिगर गर्नुहोस्**। [Python कसरी इन्स्टल गर्ने](https://youtu.be/CXZYvNRIAKM) र विकासको लागि [टेक्स्ट एडिटर सेटअप गर्ने](https://youtu.be/EU8eayHWoZg) सिक्न निम्न लिंकहरू प्रयोग गर्नुहोस्।
|
|
- **Python सिक्नुहोस्**। [Python](https://docs.microsoft.com/learn/paths/python-language/?WT.mc_id=academic-77952-leestott) को आधारभूत ज्ञान हुनु सिफारिस गरिन्छ, जुन डाटा वैज्ञानिकहरूको लागि उपयोगी प्रोग्रामिङ भाषा हो र हामी यस पाठ्यक्रममा प्रयोग गर्छौं।
|
|
- **Node.js र JavaScript सिक्नुहोस्**। हामी यस पाठ्यक्रममा वेब एप्स निर्माण गर्दा केही पटक JavaScript प्रयोग गर्छौं, त्यसैले तपाईंले [node](https://nodejs.org) र [npm](https://www.npmjs.com/) इन्स्टल गर्नुपर्नेछ, साथै [Visual Studio Code](https://code.visualstudio.com/) Python र JavaScript विकासको लागि उपलब्ध हुनुपर्नेछ।
|
|
- **GitHub खाता बनाउनुहोस्**। तपाईंले हामीलाई यहाँ [GitHub](https://github.com) मा भेट्नुभएको हुनाले, तपाईंले पहिले नै खाता बनाइसक्नुभएको हुन सक्छ, तर यदि छैन भने, एउटा खाता बनाउनुहोस् र यो पाठ्यक्रमलाई आफ्नो लागि फोर्क गर्नुहोस्। (हामीलाई स्टार दिन नबिर्सिनुहोस् 😊)
|
|
- **Scikit-learn अन्वेषण गर्नुहोस्**। [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) को साथ परिचित हुनुहोस्, ML पुस्तकालयहरूको सेट जसलाई हामी यी पाठहरूमा सन्दर्भ गर्छौं।
|
|
|
|
---
|
|
## मेसिन लर्निङ के हो?
|
|
|
|
'मेसिन लर्निङ' शब्द आजको सबैभन्दा लोकप्रिय र बारम्बार प्रयोग गरिने शब्दहरू मध्ये एक हो। यदि तपाईं प्रविधिसँग केही प्रकारको परिचित हुनुहुन्छ भने, तपाईंले यो शब्द कम्तिमा एक पटक सुन्नुभएको सम्भावना छ। तर, मेसिन लर्निङको यान्त्रिकी अधिकांश व्यक्तिहरूका लागि रहस्यमय छ। मेसिन लर्निङको सुरुवात गर्ने व्यक्तिका लागि, विषय कहिलेकाहीँ भारी लाग्न सक्छ। त्यसैले, मेसिन लर्निङ वास्तवमा के हो भन्ने बुझ्न र व्यावहारिक उदाहरणहरू मार्फत चरणबद्ध रूपमा सिक्न महत्त्वपूर्ण छ।
|
|
|
|
---
|
|
## हाइप कर्भ
|
|
|
|
|
|
|
|
> Google Trends ले 'मेसिन लर्निङ' शब्दको हालको 'हाइप कर्भ' देखाउँछ।
|
|
|
|
---
|
|
## एक रहस्यमय ब्रह्माण्ड
|
|
|
|
हामी एक रहस्यमय ब्रह्माण्डमा बस्छौं। Stephen Hawking, Albert Einstein जस्ता महान वैज्ञानिकहरूले आफ्नो जीवनलाई वरपरको संसारका रहस्यहरू उजागर गर्ने अर्थपूर्ण जानकारी खोज्न समर्पित गरेका छन्। यो सिक्ने मानव अवस्था हो: एक मानव बच्चाले नयाँ कुरा सिक्छ र वयस्कतामा बढ्दै जाँदा आफ्नो संसारको संरचना उजागर गर्छ।
|
|
|
|
---
|
|
## बच्चाको मस्तिष्क
|
|
|
|
बच्चाको मस्तिष्क र इन्द्रियहरूले आफ्नो वरपरको तथ्यहरू बुझ्छन् र जीवनका लुकेका ढाँचाहरू क्रमिक रूपमा सिक्छन् जसले बच्चालाई सिकेका ढाँचाहरू पहिचान गर्न तार्किक नियमहरू निर्माण गर्न मद्दत गर्छ। मानव मस्तिष्कको सिक्ने प्रक्रियाले मानिसलाई यो संसारको सबैभन्दा परिष्कृत जीवित प्राणी बनाउँछ। लुकेका ढाँचाहरू पत्ता लगाएर निरन्तर सिक्दै र त्यस ढाँचाहरूमा नवीनता ल्याउँदै हामीलाई हाम्रो जीवनभरि आफूलाई राम्रो बनाउने क्षमता दिन्छ। यो सिक्ने क्षमता र विकास गर्ने क्षमता [मस्तिष्कको प्लास्टिसिटी](https://www.simplypsychology.org/brain-plasticity.html) नामक अवधारणासँग सम्बन्धित छ। सतही रूपमा, हामी मानव मस्तिष्कको सिक्ने प्रक्रियाको प्रेरणात्मक समानताहरू मेसिन लर्निङको अवधारणासँग तुलना गर्न सक्छौं।
|
|
|
|
---
|
|
## मानव मस्तिष्क
|
|
|
|
[मानव मस्तिष्क](https://www.livescience.com/29365-human-brain.html) वास्तविक संसारबाट कुराहरू बुझ्छ, बुझिएको जानकारीलाई प्रक्रिया गर्छ, तार्किक निर्णयहरू लिन्छ, र परिस्थितिको आधारमा निश्चित कार्यहरू गर्छ। यसलाई हामी बुद्धिमानीपूर्वक व्यवहार गर्ने भन्छौं। जब हामी बुद्धिमानी व्यवहार प्रक्रियाको प्रतिकृति मेसिनमा प्रोग्राम गर्छौं, यसलाई कृत्रिम बुद्धिमत्ता (AI) भनिन्छ।
|
|
|
|
---
|
|
## केही शब्दावली
|
|
|
|
यद्यपि शब्दहरू भ्रमित हुन सक्छन्, मेसिन लर्निङ (ML) कृत्रिम बुद्धिमत्ताको महत्त्वपूर्ण उपसमूह हो। **ML विशेष एल्गोरिदमहरू प्रयोग गरेर बुझिएको डाटाबाट अर्थपूर्ण जानकारी पत्ता लगाउन र लुकेका ढाँचाहरू खोज्न सम्बन्धित छ जसले तार्किक निर्णय प्रक्रियालाई समर्थन गर्छ।**
|
|
|
|
---
|
|
## AI, ML, डीप लर्निङ
|
|
|
|
|
|
|
|
> AI, ML, डीप लर्निङ, र डाटा साइन्स बीचको सम्बन्ध देखाउने एक चित्र। [Jen Looper](https://twitter.com/jenlooper) द्वारा बनाइएको इन्फोग्राफिक [यो ग्राफिक](https://softwareengineering.stackexchange.com/questions/366996/distinction-between-ai-ml-neural-networks-deep-learning-and-data-mining) बाट प्रेरित।
|
|
|
|
---
|
|
## कभर गर्नुपर्ने अवधारणाहरू
|
|
|
|
यस पाठ्यक्रममा, हामी मेसिन लर्निङका मुख्य अवधारणाहरू मात्र कभर गर्नेछौं जुन एक सुरुवातकर्ताले जान्नैपर्छ। हामी 'क्लासिकल मेसिन लर्निङ' लाई मुख्य रूपमा Scikit-learn प्रयोग गरेर कभर गर्छौं, एक उत्कृष्ट पुस्तकालय जसलाई धेरै विद्यार्थीहरूले आधारभूत कुरा सिक्न प्रयोग गर्छन्। कृत्रिम बुद्धिमत्ता वा डीप लर्निङका व्यापक अवधारणाहरू बुझ्न, मेसिन लर्निङको बलियो आधारभूत ज्ञान अपरिहार्य छ, र त्यसैले हामी यसलाई यहाँ प्रस्ताव गर्न चाहन्छौं।
|
|
|
|
---
|
|
## यस पाठ्यक्रममा तपाईंले सिक्नुहुनेछ:
|
|
|
|
- मेसिन लर्निङका मुख्य अवधारणाहरू
|
|
- ML को इतिहास
|
|
- ML र निष्पक्षता
|
|
- रिग्रेसन ML प्रविधिहरू
|
|
- वर्गीकरण ML प्रविधिहरू
|
|
- क्लस्टरिङ ML प्रविधिहरू
|
|
- प्राकृतिक भाषा प्रशोधन ML प्रविधिहरू
|
|
- समय श्रृंखला पूर्वानुमान ML प्रविधिहरू
|
|
- सुदृढीकरण लर्निङ
|
|
- ML को वास्तविक जीवनमा प्रयोगहरू
|
|
|
|
---
|
|
## हामी के कभर गर्नेछैनौं
|
|
|
|
- डीप लर्निङ
|
|
- न्युरल नेटवर्कहरू
|
|
- AI
|
|
|
|
सिक्ने अनुभवलाई राम्रो बनाउन, हामी न्युरल नेटवर्कहरूको जटिलता, 'डीप लर्निङ' - न्युरल नेटवर्कहरू प्रयोग गरेर धेरै तहको मोडेल निर्माण - र AI लाई टाढा राख्नेछौं, जुन हामी अर्को पाठ्यक्रममा छलफल गर्नेछौं। हामी डाटा साइन्समा केन्द्रित गर्न आगामी पाठ्यक्रम पनि प्रस्ताव गर्नेछौं।
|
|
|
|
---
|
|
## किन मेसिन लर्निङ अध्ययन गर्ने?
|
|
|
|
मेसिन लर्निङलाई प्रणालीको दृष्टिकोणबाट परिभाषित गर्दा, डाटाबाट लुकेका ढाँचाहरू सिक्न र बुद्धिमानी निर्णय लिन सहयोग पुर्याउने स्वचालित प्रणालीहरूको निर्माण हो।
|
|
|
|
यो प्रेरणा मानव मस्तिष्कले बाहिरी संसारबाट बुझ्ने डाटाको आधारमा केही कुरा कसरी सिक्छ भन्ने कुराबाट ढिलो प्रेरित छ।
|
|
|
|
✅ एक मिनेट सोच्नुहोस् कि किन कुनै व्यवसायले हार्ड-कोड गरिएको नियम-आधारित इन्जिन बनाउने सट्टा मेसिन लर्निङ रणनीतिहरू प्रयोग गर्न चाहन्छ।
|
|
|
|
---
|
|
## मेसिन लर्निङका प्रयोगहरू
|
|
|
|
मेसिन लर्निङका प्रयोगहरू अहिले लगभग सबै ठाउँमा छन्, र हाम्रो समाजमा प्रवाहित भइरहेको डाटाजस्तै सर्वव्यापी छन्, जुन हाम्रो स्मार्ट फोन, जडित उपकरणहरू, र अन्य प्रणालीहरूले उत्पन्न गर्छन्। अत्याधुनिक मेसिन लर्निङ एल्गोरिदमहरूको विशाल सम्भावनालाई ध्यानमा राख्दै, अनुसन्धानकर्ताहरूले बहु-आयामिक र बहु-अनुशासनात्मक वास्तविक जीवनका समस्याहरू समाधान गर्न यसको क्षमता अन्वेषण गर्दै आएका छन्।
|
|
|
|
---
|
|
## लागू गरिएको ML का उदाहरणहरू
|
|
|
|
**तपाईं मेसिन लर्निङलाई धेरै तरिकामा प्रयोग गर्न सक्नुहुन्छ**:
|
|
|
|
- बिरामीको मेडिकल इतिहास वा रिपोर्टबाट रोगको सम्भावना पूर्वानुमान गर्न।
|
|
- मौसम डाटालाई प्रयोग गरेर मौसम घटनाहरू पूर्वानुमान गर्न।
|
|
- पाठको भावना बुझ्न।
|
|
- गलत समाचार पत्ता लगाएर प्रचार रोक्न।
|
|
|
|
वित्त, अर्थशास्त्र, पृथ्वी विज्ञान, अन्तरिक्ष अन्वेषण, जैव चिकित्सा इन्जिनियरिङ, संज्ञानात्मक विज्ञान, र मानविकीका क्षेत्रहरूले पनि मेसिन लर्निङलाई आफ्नो क्षेत्रका कठिन, डाटा-प्रशोधन भारी समस्याहरू समाधान गर्न अनुकूलित गरेका छन्।
|
|
|
|
---
|
|
## निष्कर्ष
|
|
|
|
मेसिन लर्निङले वास्तविक संसार वा उत्पन्न डाटाबाट अर्थपूर्ण जानकारी पत्ता लगाएर ढाँचाको खोजी प्रक्रियालाई स्वचालित बनाउँछ। यसले व्यवसाय, स्वास्थ्य, र वित्तीय अनुप्रयोगहरूमा अत्यधिक मूल्यवान साबित गरेको छ।
|
|
|
|
निकट भविष्यमा, मेसिन लर्निङको आधारभूत कुरा बुझ्नु कुनै पनि क्षेत्रका व्यक्तिहरूका लागि अनिवार्य हुने छ यसको व्यापक अपनत्वका कारण।
|
|
|
|
---
|
|
# 🚀 चुनौती
|
|
|
|
कागजमा वा [Excalidraw](https://excalidraw.com/) जस्ता अनलाइन एप प्रयोग गरेर, AI, ML, डीप लर्निङ, र डाटा साइन्स बीचको भिन्नता बुझ्ने आफ्नो समझको स्केच बनाउनुहोस्। यी प्रविधिहरूले समाधान गर्न सक्ने समस्याहरूको केही विचारहरू थप्नुहोस्।
|
|
|
|
# [पाठ पछि क्विज](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
---
|
|
# समीक्षा र आत्म अध्ययन
|
|
|
|
क्लाउडमा ML एल्गोरिदमहरूसँग कसरी काम गर्न सकिन्छ भन्ने बारे थप जान्न, यो [Learning Path](https://docs.microsoft.com/learn/paths/create-no-code-predictive-models-azure-machine-learning/?WT.mc_id=academic-77952-leestott) अनुसरण गर्नुहोस्।
|
|
|
|
ML को आधारभूत कुरा बारे [Learning Path](https://docs.microsoft.com/learn/modules/introduction-to-machine-learning/?WT.mc_id=academic-77952-leestott) लिनुहोस्।
|
|
|
|
---
|
|
# असाइनमेन्ट
|
|
|
|
[सुरु गर्नुहोस्](assignment.md)
|
|
|
|
---
|
|
|
|
**अस्वीकरण**:
|
|
यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं। |