ML-For-Beginners/translations/ur

🌐 کثیر زبان کی حمایت

GitHub ایکشن کے ذریعے دستیاب (خودکار اور ہمیشہ تازہ ترین)

French | Spanish | German | Russian | Arabic | Persian (Farsi) | Urdu | Chinese (Simplified) | Chinese (Traditional, Macau) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Taiwan) | Japanese | Korean | Hindi | Bengali | Marathi | Nepali | Punjabi (Gurmukhi) | Portuguese (Portugal) | Portuguese (Brazil) | Italian | Polish | Turkish | Greek | Thai | Swedish | Danish | Norwegian | Finnish | Dutch | Hebrew | Vietnamese | Indonesian | Malay | Tagalog (Filipino) | Swahili | Hungarian | Czech | Slovak | Romanian | Bulgarian | Serbian (Cyrillic) | Croatian | Slovenian | Ukrainian | Burmese (Myanmar)

کمیونٹی میں شامل ہوں

مشین لرننگ کے لیے ابتدائی رہنما - ایک نصاب

🌍 دنیا کے مختلف ثقافتوں کے ذریعے مشین لرننگ کو دریافت کریں 🌍

Microsoft کے Cloud Advocates نے 12 ہفتوں اور 26 اسباق پر مشتمل نصاب پیش کیا ہے جو مشین لرننگ کے بارے میں ہے۔ اس نصاب میں آپ کلاسک مشین لرننگ کے بارے میں سیکھیں گے، بنیادی طور پر Scikit-learn لائبریری کا استعمال کرتے ہوئے اور گہرے لرننگ سے گریز کرتے ہوئے، جو ہمارے AI for Beginners' نصاب میں شامل ہے۔ ان اسباق کو ہمارے 'Data Science for Beginners' نصاب کے ساتھ جوڑیں!

ہمارے ساتھ دنیا بھر کا سفر کریں کیونکہ ہم ان کلاسک تکنیکوں کو دنیا کے مختلف علاقوں کے ڈیٹا پر لاگو کرتے ہیں۔ ہر سبق میں سبق سے پہلے اور بعد کے کوئز، تحریری ہدایات، حل، اسائنمنٹ، اور مزید شامل ہیں۔ ہمارا پروجیکٹ پر مبنی طریقہ کار آپ کو سیکھنے کے دوران تعمیر کرنے کی اجازت دیتا ہے، جو نئے مہارتوں کو مضبوط کرنے کا ایک ثابت شدہ طریقہ ہے۔

✍️ ہمارے مصنفین کا دل سے شکریہ Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu اور Amy Boyd

🎨 ہمارے مصوروں کا بھی شکریہ Tomomi Imura, Dasani Madipalli, اور Jen Looper

🙏 خاص شکریہ 🙏 ہمارے Microsoft Student Ambassador مصنفین، جائزہ لینے والوں، اور مواد کے تعاون کرنے والوں کا، خاص طور پر Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, اور Snigdha Agarwal

🤩 اضافی شکریہ Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, اور Vidushi Gupta کو ہمارے R اسباق کے لیے!

شروع کریں

ان مراحل پر عمل کریں:

1. ریپوزیٹری کو فورک کریں: اس صفحے کے اوپر دائیں کونے میں "Fork" بٹن پر کلک کریں۔
2. ریپوزیٹری کو کلون کریں: git clone https://github.com/microsoft/ML-For-Beginners.git

اس کورس کے لیے تمام اضافی وسائل ہماری Microsoft Learn کلیکشن میں تلاش کریں

طلباء، اس نصاب کو استعمال کرنے کے لیے، پورے ریپوزیٹری کو اپنے GitHub اکاؤنٹ میں فورک کریں اور مشقیں خود یا گروپ کے ساتھ مکمل کریں:

• سبق سے پہلے کوئز شروع کریں۔
• سبق پڑھیں اور سرگرمیاں مکمل کریں، ہر علم کی جانچ پر توقف کریں اور غور کریں۔
• اسباق کو سمجھ کر پروجیکٹس بنانے کی کوشش کریں بجائے اس کے کہ حل کوڈ چلائیں؛ تاہم وہ کوڈ /solution فولڈرز میں دستیاب ہے۔
• سبق کے بعد کوئز لیں۔
• چیلنج مکمل کریں۔
• اسائنمنٹ مکمل کریں۔
• سبق گروپ مکمل کرنے کے بعد، Discussion Board پر جائیں اور "بلند آواز میں سیکھیں" PAT rubric کو بھر کر۔ ایک 'PAT' ایک Progress Assessment Tool ہے جو آپ کو اپنی سیکھنے کو مزید آگے بڑھانے کے لیے بھرنا ہوتا ہے۔ آپ دوسرے PATs پر ردعمل بھی دے سکتے ہیں تاکہ ہم مل کر سیکھ سکیں۔

مزید مطالعہ کے لیے، ہم ان Microsoft Learn ماڈیولز اور سیکھنے کے راستے کی پیروی کرنے کی سفارش کرتے ہیں۔

اساتذہ، ہم نے کچھ تجاویز شامل کی ہیں کہ اس نصاب کو کیسے استعمال کریں۔

---

ویڈیو واک تھرو

کچھ اسباق مختصر ویڈیو کی شکل میں دستیاب ہیں۔ آپ ان سب کو اسباق میں یا Microsoft Developer YouTube چینل پر ML for Beginners پلے لسٹ پر دیکھ سکتے ہیں۔

---

ٹیم سے ملاقات کریں

Gif by Mohit Jaisal

🎥 اوپر دی گئی تصویر پر کلک کریں تاکہ پروجیکٹ اور اسے بنانے والے افراد کے بارے میں ویڈیو دیکھ سکیں!

---

تدریسی طریقہ کار

ہم نے اس نصاب کو بناتے وقت دو تدریسی اصولوں کا انتخاب کیا ہے: یہ یقینی بنانا کہ یہ پروجیکٹ پر مبنی ہے اور اس میں بار بار کوئز شامل ہیں۔ اس کے علاوہ، اس نصاب میں ایک عام موضوع شامل ہے تاکہ اسے ہم آہنگ بنایا جا سکے۔

یہ یقینی بنا کر کہ مواد پروجیکٹس کے ساتھ ہم آہنگ ہے، عمل کو طلباء کے لیے زیادہ دلچسپ بنایا گیا ہے اور تصورات کی یادداشت کو بڑھایا گیا ہے۔ اس کے علاوہ، کلاس سے پہلے ایک کم دباؤ والا کوئز طلباء کو ایک موضوع سیکھنے کی طرف متوجہ کرتا ہے، جبکہ کلاس کے بعد دوسرا کوئز مزید یادداشت کو یقینی بناتا ہے۔ یہ نصاب لچکدار اور تفریحی بنایا گیا ہے اور اسے مکمل یا جزوی طور پر لیا جا سکتا ہے۔ پروجیکٹس چھوٹے سے شروع ہوتے ہیں اور 12 ہفتوں کے اختتام تک بتدریج پیچیدہ ہو جاتے ہیں۔ اس نصاب میں مشین لرننگ کے حقیقی دنیا کے اطلاقات پر ایک پوسٹ اسکرپٹ بھی شامل ہے، جسے اضافی کریڈٹ کے طور پر یا بحث کی بنیاد کے طور پر استعمال کیا جا سکتا ہے۔

ہمارا Code of Conduct، Contributing، اور Translation رہنما تلاش کریں۔ ہم آپ کی تعمیری رائے کا خیر مقدم کرتے ہیں!

ہر سبق میں شامل ہیں

• اختیاری اسکیچ نوٹ
• اختیاری اضافی ویڈیو
• ویڈیو واک تھرو (کچھ اسباق میں)
• سبق سے پہلے وارم اپ کوئز
• تحریری سبق
• پروجیکٹ پر مبنی اسباق کے لیے، پروجیکٹ بنانے کے مرحلہ وار رہنما
• علم کی جانچ
• ایک چیلنج
• اضافی مطالعہ
• اسائنمنٹ
• سبق کے بعد کوئز

زبانوں کے بارے میں نوٹ: یہ اسباق بنیادی طور پر Python میں لکھے گئے ہیں، لیکن بہت سے R میں بھی دستیاب ہیں۔ R سبق مکمل کرنے کے لیے، /solution فولڈر میں جائیں اور R اسباق تلاش کریں۔ ان میں .rmd ایکسٹینشن شامل ہے جو R Markdown فائل کی نمائندگی کرتا ہے، جسے Markdown دستاویز میں کوڈ چنکس (R یا دیگر زبانوں کے) اور YAML ہیڈر (جو آؤٹ پٹ فارمیٹس جیسے PDF کو فارمیٹ کرنے کی رہنمائی کرتا ہے) کے طور پر بیان کیا جا سکتا ہے۔ اس طرح، یہ ڈیٹا سائنس کے لیے ایک مثالی تصنیفی فریم ورک کے طور پر کام کرتا ہے کیونکہ یہ آپ کو اپنے کوڈ، اس کے آؤٹ پٹ، اور اپنے خیالات کو Markdown میں لکھنے کی اجازت دیتا ہے۔ مزید برآں، R Markdown دستاویزات کو PDF، HTML، یا Word جیسے آؤٹ پٹ فارمیٹس میں رینڈر کیا جا سکتا ہے۔

کوئز کے بارے میں نوٹ: تمام کوئز Quiz App فولڈر میں موجود ہیں، کل 52 کوئز، ہر ایک میں تین سوالات۔ یہ اسباق کے اندر سے لنک کیے گئے ہیں لیکن کوئز ایپ کو مقامی طور پر چلایا جا سکتا ہے؛ quiz-app فولڈر میں ہدایات پر عمل کریں تاکہ اسے مقامی طور پر ہوسٹ کریں یا Azure پر تعینات کریں۔

سبق نمبر	موضوع	سبق گروپنگ	سیکھنے کے مقاصد	لنک شدہ سبق	مصنف
01	مشین لرننگ کا تعارف	تعارف	مشین لرننگ کے بنیادی تصورات سیکھیں	سبق	محمد
02	مشین لرننگ کی تاریخ	تعارف	اس میدان کے پیچھے کی تاریخ سیکھیں	سبق	جین اور ایمی
03	مشین لرننگ اور انصاف	تعارف	وہ اہم فلسفیانہ مسائل کیا ہیں جو طلباء کو مشین لرننگ ماڈلز بناتے اور لاگو کرتے وقت غور کرنا چاہیے؟	سبق	ٹومومی
04	مشین لرننگ کے لیے تکنیکیں	Introduction	مشین لرننگ ماڈلز بنانے کے لیے محققین کون سی تکنیکیں استعمال کرتے ہیں؟	Lesson	کرس اور جین
05	ریگریشن کا تعارف	Regression	ریگریشن ماڈلز کے لیے پائتھون اور سکائی کٹ لرن کے ساتھ شروعات کریں	Python • R	جین • ایرک وانجو
06	شمالی امریکہ کے کدو کی قیمتیں 🎃	Regression	مشین لرننگ کی تیاری کے لیے ڈیٹا کو بصری بنائیں اور صاف کریں	Python • R	جین • ایرک وانجو
07	شمالی امریکہ کے کدو کی قیمتیں 🎃	Regression	لکیری اور پولینومیئل ریگریشن ماڈلز بنائیں	Python • R	جین اور دمتری • ایرک وانجو
08	شمالی امریکہ کے کدو کی قیمتیں 🎃	Regression	لاجسٹک ریگریشن ماڈل بنائیں	Python • R	جین • ایرک وانجو
09	ایک ویب ایپ 🔌	Web App	اپنے تربیت یافتہ ماڈل کو استعمال کرنے کے لیے ایک ویب ایپ بنائیں	Python	جین
10	درجہ بندی کا تعارف	Classification	اپنے ڈیٹا کو صاف کریں، تیار کریں، اور بصری بنائیں؛ درجہ بندی کا تعارف	Python • R	جین اور کیسی • ایرک وانجو
11	مزیدار ایشیائی اور بھارتی کھانے 🍜	Classification	درجہ بندی کرنے والوں کا تعارف	Python • R	جین اور کیسی • ایرک وانجو
12	مزیدار ایشیائی اور بھارتی کھانے 🍜	Classification	مزید درجہ بندی کرنے والے	Python • R	جین اور کیسی • ایرک وانجو
13	مزیدار ایشیائی اور بھارتی کھانے 🍜	Classification	اپنے ماڈل کا استعمال کرتے ہوئے ایک سفارش کنندہ ویب ایپ بنائیں	Python	جین
14	کلسٹرنگ کا تعارف	Clustering	اپنے ڈیٹا کو صاف کریں، تیار کریں، اور بصری بنائیں؛ کلسٹرنگ کا تعارف	Python • R	جین • ایرک وانجو
15	نائجیریا کے موسیقی کے ذوق کی تلاش 🎧	Clustering	کے-میینز کلسٹرنگ طریقہ کی تلاش	Python • R	جین • ایرک وانجو
16	قدرتی زبان کی پروسیسنگ کا تعارف ☕️	Natural language processing	ایک سادہ بوٹ بنا کر NLP کے بنیادی اصول سیکھیں	Python	اسٹیفن
17	عام NLP کام ☕️	Natural language processing	زبان کے ڈھانچوں سے نمٹنے کے دوران درکار عام کاموں کو سمجھ کر اپنی NLP معلومات کو گہرا کریں	Python	اسٹیفن
18	ترجمہ اور جذبات کا تجزیہ ♥️	Natural language processing	جین آسٹن کے ساتھ ترجمہ اور جذبات کا تجزیہ	Python	اسٹیفن
19	یورپ کے رومانوی ہوٹل ♥️	Natural language processing	ہوٹل کے جائزوں کے ساتھ جذبات کا تجزیہ 1	Python	اسٹیفن
20	یورپ کے رومانوی ہوٹل ♥️	Natural language processing	ہوٹل کے جائزوں کے ساتھ جذبات کا تجزیہ 2	Python	اسٹیفن
21	وقت کے سلسلے کی پیشن گوئی کا تعارف	Time series	وقت کے سلسلے کی پیشن گوئی کا تعارف	Python	فرانسسکا
22	⚡️ دنیا کی بجلی کا استعمال ⚡️ - ARIMA کے ساتھ وقت کے سلسلے کی پیشن گوئی	Time series	ARIMA کے ساتھ وقت کے سلسلے کی پیشن گوئی	Python	فرانسسکا
23	⚡️ دنیا کی بجلی کا استعمال ⚡️ - SVR کے ساتھ وقت کے سلسلے کی پیشن گوئی	Time series	سپورٹ ویکٹر ریگریسر کے ساتھ وقت کے سلسلے کی پیشن گوئی	Python	انربان
24	تقویت یافتہ لرننگ کا تعارف	Reinforcement learning	کیو لرننگ کے ساتھ تقویت یافتہ لرننگ کا تعارف	Python	دمتری
25	پیٹر کو بھیڑیا سے بچائیں! 🐺	Reinforcement learning	تقویت یافتہ لرننگ جم	Python	دمتری
Postscript	حقیقی دنیا کے مشین لرننگ کے منظرنامے اور اطلاقات	ML in the Wild	کلاسیکل مشین لرننگ کے دلچسپ اور انکشاف کرنے والے حقیقی دنیا کے اطلاقات	Lesson	ٹیم
Postscript	RAI ڈیش بورڈ کا استعمال کرتے ہوئے مشین لرننگ میں ماڈل کی ڈیبگنگ	ML in the Wild	ذمہ دار AI ڈیش بورڈ کے اجزاء کا استعمال کرتے ہوئے مشین لرننگ میں ماڈل کی ڈیبگنگ	Lesson	روتھ یاکوب

اس کورس کے لیے تمام اضافی وسائل ہماری Microsoft Learn کلیکشن میں تلاش کریں

آف لائن رسائی

آپ اس دستاویز کو آف لائن چلا سکتے ہیں Docsify کا استعمال کرتے ہوئے۔ اس ریپو کو فورک کریں، Docsify انسٹال کریں اپنی مقامی مشین پر، اور پھر اس ریپو کے روٹ فولڈر میں docsify serve ٹائپ کریں۔ ویب سائٹ آپ کے لوکل ہوسٹ پر پورٹ 3000 پر پیش کی جائے گی: localhost:3000۔

PDFs

نصاب کا پی ڈی ایف لنکس کے ساتھ یہاں تلاش کریں۔

🎒 دیگر کورسز

ہماری ٹیم دیگر کورسز تیار کرتی ہے! دیکھیں:

• Generative AI for Beginners
• Generative AI for Beginners .NET
• Generative AI with JavaScript
• Generative AI with Java
• AI for Beginners
• Data Science for Beginners
• ML for Beginners
• Cybersecurity for Beginners
• Web Dev for Beginners
• IoT for Beginners
• XR Development for Beginners
• Mastering GitHub Copilot for Paired Programming
• Mastering GitHub Copilot for C#/.NET Developers
• Choose Your Own Copilot Adventure

---

ڈسکلیمر:
یہ دستاویز AI ترجمہ سروس Co-op Translator کا استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ ہم درستگی کے لیے کوشش کرتے ہیں، لیکن براہ کرم آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا عدم درستگی ہو سکتی ہیں۔ اصل دستاویز کو اس کی اصل زبان میں مستند ذریعہ سمجھا جانا چاہیے۔ اہم معلومات کے لیے، پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کے لیے ہم ذمہ دار نہیں ہیں۔