ML-For-Beginners/translations/sw

🌐 Msaada wa Lugha Nyingi

Inayosaidiwa kupitia GitHub Action (Imefanywa Kiotomatiki & Inasasishwa Kila Wakati)

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)

Jiunge na Jamii

Kujifunza Mashine kwa Kompyuta kwa Kompyuta - Mtaala

🌍 Safiri kote ulimwenguni tunapochunguza Kujifunza Mashine kupitia tamaduni za ulimwengu 🌍

Wakili wa Wingu katika Microsoft wanajivunia kutoa mtaala wa wiki 12, masomo 26 kuhusu Kujifunza Mashine. Katika mtaala huu, utajifunza kuhusu kile kinachoitwa mara nyingine kujifunza mashine ya kawaida, ukitumia hasa maktaba ya Scikit-learn na kuepuka kujifunza kwa kina, ambako kunashughulikiwa katika mtaala wetu wa AI kwa Kompyuta. Unganisha masomo haya na mtaala wetu wa 'Sayansi ya Takwimu kwa Kompyuta', pia!

Safiri nasi kote ulimwenguni tunapotumia mbinu hizi za kawaida kwa data kutoka maeneo mengi ya ulimwengu. Kila somo linajumuisha maswali ya awali na ya baada ya somo, maelekezo yaliyoandikwa ya kukamilisha somo, suluhisho, kazi, na zaidi. Mbinu yetu ya mradi inakuwezesha kujifunza huku ukijenga, njia iliyothibitishwa ya kuhakikisha ujuzi mpya unakaa.

✍️ Shukrani za dhati kwa waandishi wetu Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu na Amy Boyd

🎨 Shukrani pia kwa wachoraji wetu Tomomi Imura, Dasani Madipalli, na Jen Looper

🙏 Shukrani za pekee 🙏 kwa waandishi, wakaguzi, na wachangiaji wa maudhui wa Microsoft Student Ambassador, hasa Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, na Snigdha Agarwal

🤩 Shukrani za ziada kwa Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, na Vidushi Gupta kwa masomo yetu ya R!

Kuanza

Fuata hatua hizi:

1. Fork Hifadhi: Bonyeza kitufe cha "Fork" kwenye kona ya juu-kulia ya ukurasa huu.
2. Clone Hifadhi: git clone https://github.com/microsoft/ML-For-Beginners.git

pata rasilimali zote za ziada kwa kozi hii katika mkusanyiko wetu wa Microsoft Learn

Wanafunzi, ili kutumia mtaala huu, fork hifadhi nzima kwenye akaunti yako ya GitHub na ukamilishe mazoezi peke yako au na kikundi:

• Anza na jaribio la awali la somo.
• Soma somo na ukamilishe shughuli, ukisimama na kutafakari kila ukaguzi wa maarifa.
• Jaribu kuunda miradi kwa kuelewa masomo badala ya kuendesha msimbo wa suluhisho; hata hivyo msimbo huo unapatikana katika folda za /solution katika kila somo linalohusiana na mradi.
• Chukua jaribio la baada ya somo.
• Kamilisha changamoto.
• Kamilisha kazi.
• Baada ya kukamilisha kikundi cha masomo, tembelea Bodi ya Majadiliano na "jifunze kwa sauti" kwa kujaza rubriki ya PAT inayofaa. 'PAT' ni Chombo cha Tathmini ya Maendeleo ambacho ni rubriki unayojaza ili kuendeleza kujifunza kwako. Unaweza pia kujibu PAT za wengine ili tujifunze pamoja.

Kwa masomo zaidi, tunapendekeza kufuata moduli na njia za kujifunza za Microsoft Learn.

Walimu, tumetoa mapendekezo kadhaa kuhusu jinsi ya kutumia mtaala huu.

---

Video za maelezo

Baadhi ya masomo yanapatikana kama video fupi. Unaweza kupata zote hizi ndani ya masomo, au kwenye orodha ya ML kwa Kompyuta kwenye kituo cha YouTube cha Microsoft Developer kwa kubonyeza picha hapa chini.

---

Kutana na Timu

Gif na Mohit Jaisal

🎥 Bonyeza picha hapo juu kwa video kuhusu mradi na watu waliouunda!

---

Mbinu ya Kufundisha

Tumechagua kanuni mbili za kufundisha wakati wa kujenga mtaala huu: kuhakikisha kuwa ni wa vitendo unaotegemea mradi na kwamba unajumuisha maswali ya mara kwa mara. Aidha, mtaala huu una mada ya kawaida ili kuupa mshikamano.

Kwa kuhakikisha kuwa maudhui yanalingana na miradi, mchakato unakuwa wa kuvutia zaidi kwa wanafunzi na uhifadhi wa dhana utaongezeka. Aidha, jaribio la hatari ndogo kabla ya darasa linaweka nia ya mwanafunzi kuelekea kujifunza mada, wakati jaribio la pili baada ya darasa linahakikisha uhifadhi zaidi. Mtaala huu uliundwa kuwa rahisi na wa kufurahisha na unaweza kuchukuliwa kwa ukamilifu au kwa sehemu. Miradi huanza ndogo na kuwa ngumu zaidi mwishoni mwa mzunguko wa wiki 12. Mtaala huu pia unajumuisha maelezo ya mwisho kuhusu matumizi halisi ya ML, ambayo yanaweza kutumika kama alama za ziada au kama msingi wa majadiliano.

Pata Kanuni za Maadili, Kuchangia, na Mwongozo wa Tafsiri. Tunakaribisha maoni yako ya kujenga!

Kila somo linajumuisha

• sketchnote ya hiari
• video ya ziada ya hiari
• video ya maelezo (baadhi ya masomo tu)
• jaribio la awali la somo
• somo lililoandikwa
• kwa masomo yanayotegemea mradi, mwongozo wa hatua kwa hatua wa jinsi ya kujenga mradi
• ukaguzi wa maarifa
• changamoto
• usomaji wa ziada
• kazi
• jaribio la baada ya somo

Kumbuka kuhusu lugha: Masomo haya yameandikwa hasa kwa Python, lakini mengi yanapatikana pia kwa R. Ili kukamilisha somo la R, nenda kwenye folda ya /solution na utafute masomo ya R. Yanajumuisha kiendelezi cha .rmd ambacho kinawakilisha faili ya R Markdown ambayo inaweza kufafanuliwa kwa urahisi kama mchanganyiko wa vipande vya msimbo (wa R au lugha nyingine) na kichwa cha YAML (kinachoongoza jinsi ya kuunda matokeo kama PDF) katika hati ya Markdown. Kwa hivyo, inatumika kama mfumo bora wa uandishi wa sayansi ya data kwa kuwa inakuwezesha kuchanganya msimbo wako, matokeo yake, na mawazo yako kwa kukuruhusu kuyaandika katika Markdown. Aidha, hati za R Markdown zinaweza kutolewa kwa fomati za matokeo kama PDF, HTML, au Word.

Kumbuka kuhusu maswali: Maswali yote yamejumuishwa katika folda ya Quiz App, kwa jumla ya maswali 52 ya maswali matatu kila moja. Yameunganishwa kutoka ndani ya masomo lakini programu ya maswali inaweza kuendeshwa ndani; fuata maelekezo katika folda ya quiz-app ili kuendesha ndani au kupeleka kwenye Azure.

Nambari ya Somo	Mada	Kikundi cha Somo	Malengo ya Kujifunza	Somo Lililounganishwa	Mwandishi
01	Utangulizi wa kujifunza mashine	Utangulizi	Jifunze dhana za msingi za kujifunza mashine	Somo	Muhammad
02	Historia ya kujifunza mashine	Utangulizi	Jifunze historia ya msingi ya uwanja huu	Somo	Jen na Amy
03	Haki na kujifunza mashine	Utangulizi	Ni masuala gani muhimu ya kifalsafa kuhusu haki ambayo wanafunzi wanapaswa kuzingatia wanapojenga na kutumia mifano ya ML?	Somo	Tomomi
04	Mbinu za kujifunza kwa mashine	Introduction	Ni mbinu gani watafiti wa ML hutumia kujenga mifano ya ML?	Lesson	Chris na Jen
05	Utangulizi wa regression	Regression	Anza na Python na Scikit-learn kwa mifano ya regression

• [Python](2-Regression/1-Tools/README.md)
• [R](../../2-Regression/1-Tools/solution/R/lesson_1.html)

|

• Jen
• Eric Wanjau

| | 06 | Bei za malenge Amerika Kaskazini 🎃 | [Regression](2-Regression/README.md) | Onyesha na safisha data kwa maandalizi ya ML |

• [Python](2-Regression/2-Data/README.md)
• [R](../../2-Regression/2-Data/solution/R/lesson_2.html)

|

• Jen
• Eric Wanjau

| | 07 | Bei za malenge Amerika Kaskazini 🎃 | [Regression](2-Regression/README.md) | Jenga mifano ya regression ya mstari na polynomial |

• [Python](2-Regression/3-Linear/README.md)
• [R](../../2-Regression/3-Linear/solution/R/lesson_3.html)

|

• Jen na Dmitry
• Eric Wanjau

| | 08 | Bei za malenge Amerika Kaskazini 🎃 | [Regression](2-Regression/README.md) | Jenga mfano wa regression ya logistic |

• [Python](2-Regression/4-Logistic/README.md)
• [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html)

|

• Jen
• Eric Wanjau

| | 09 | Tovuti ya Mtandao 🔌 | [Web App](3-Web-App/README.md) | Jenga tovuti ya mtandao kutumia mfano uliyojifunza | [Python](3-Web-App/1-Web-App/README.md) | Jen | | 10 | Utangulizi wa uainishaji | [Classification](4-Classification/README.md) | Safisha, andaa, na onyesha data yako; utangulizi wa uainishaji |

• [Python](4-Classification/1-Introduction/README.md)
• [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) |
  • Jen na Cassie
  • Eric Wanjau
  | | 11 | Vyakula vitamu vya Asia na India 🍜 | [Classification](4-Classification/README.md) | Utangulizi wa classifiers |
  • [Python](4-Classification/2-Classifiers-1/README.md)
  • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) |
    • Jen na Cassie
    • Eric Wanjau
    | | 12 | Vyakula vitamu vya Asia na India 🍜 | [Classification](4-Classification/README.md) | Classifiers zaidi |
    • [Python](4-Classification/3-Classifiers-2/README.md)
    • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) |
      • Jen na Cassie
      • Eric Wanjau
      | | 13 | Vyakula vitamu vya Asia na India 🍜 | [Classification](4-Classification/README.md) | Jenga tovuti ya mapendekezo kwa kutumia mfano wako | [Python](4-Classification/4-Applied/README.md) | Jen | | 14 | Utangulizi wa clustering | [Clustering](5-Clustering/README.md) | Safisha, andaa, na onyesha data yako; Utangulizi wa clustering |
      • [Python](5-Clustering/1-Visualize/README.md)
      • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) |
        • Jen
        • Eric Wanjau
        | | 15 | Kuchunguza ladha za muziki wa Nigeria 🎧 | [Clustering](5-Clustering/README.md) | Chunguza mbinu ya clustering ya K-Means |
        • [Python](5-Clustering/2-K-Means/README.md)
        • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) |
          • Jen
          • Eric Wanjau
          | | 16 | Utangulizi wa usindikaji wa lugha asilia ☕️ | [Natural language processing](6-NLP/README.md) | Jifunze misingi ya NLP kwa kujenga bot rahisi | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | | 17 | Kazi za kawaida za NLP ☕️ | [Natural language processing](6-NLP/README.md) | Panua maarifa yako ya NLP kwa kuelewa kazi za kawaida zinazohitajika wakati wa kushughulikia miundo ya lugha | [Python](6-NLP/2-Tasks/README.md) | Stephen | | 18 | Tafsiri na uchambuzi wa hisia ♥️ | [Natural language processing](6-NLP/README.md) | Tafsiri na uchambuzi wa hisia na Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | | 19 | Hoteli za kimapenzi za Ulaya ♥️ | [Natural language processing](6-NLP/README.md) | Uchambuzi wa hisia na hakiki za hoteli 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | | 20 | Hoteli za kimapenzi za Ulaya ♥️ | [Natural language processing](6-NLP/README.md) | Uchambuzi wa hisia na hakiki za hoteli 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | | 21 | Utangulizi wa utabiri wa mfululizo wa muda | [Time series](7-TimeSeries/README.md) | Utangulizi wa utabiri wa mfululizo wa muda | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | | 22 | ⚡️ Matumizi ya Nguvu Duniani ⚡️ - utabiri wa mfululizo wa muda na ARIMA | [Time series](7-TimeSeries/README.md) | Utabiri wa mfululizo wa muda na ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | | 23 | ⚡️ Matumizi ya Nguvu Duniani ⚡️ - utabiri wa mfululizo wa muda na SVR | [Time series](7-TimeSeries/README.md) | Utabiri wa mfululizo wa muda na Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | | 24 | Utangulizi wa kujifunza kwa kuimarisha | [Reinforcement learning](8-Reinforcement/README.md) | Utangulizi wa kujifunza kwa kuimarisha na Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | | 25 | Msaidie Peter kuepuka mbwa mwitu! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Gym ya kujifunza kwa kuimarisha | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | | Postscript | Matukio na matumizi halisi ya ML | [ML in the Wild](9-Real-World/README.md) | Matumizi halisi ya kuvutia na kufichua ya ML ya kawaida | [Lesson](9-Real-World/1-Applications/README.md) | Team | | Postscript | Urekebishaji wa Mfano katika ML kwa kutumia dashibodi ya RAI | [ML in the Wild](9-Real-World/README.md) | Urekebishaji wa Mfano katika Kujifunza kwa Mashine kwa kutumia vipengele vya dashibodi ya AI inayowajibika | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |

          tafuta rasilimali zote za ziada kwa kozi hii katika mkusanyiko wetu wa Microsoft Learn

          Ufikiaji wa nje ya mtandao

          Unaweza kuendesha nyaraka hizi nje ya mtandao kwa kutumia Docsify. Fork repo hii, sakinisha Docsify kwenye mashine yako ya ndani, kisha katika folda ya mizizi ya repo hii, andika docsify serve. Tovuti itahudumiwa kwenye bandari 3000 kwenye localhost yako: localhost:3000.

          PDFs

          Pata pdf ya mtaala na viungo hapa.

          🎒 Kozi Nyingine

          Timu yetu inazalisha kozi nyingine! Angalia:

          • 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

          ---

          Kanusho:
          Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI Co-op Translator. Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.