|
|
[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
|
|
|
[](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
|
|
|
[](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
|
|
|
[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
|
|
|
[](http://makeapullrequest.com)
|
|
|
|
|
|
[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
|
|
|
[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
|
|
|
[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
|
|
|
|
|
|
### 🌐 బహుభాషా మద్దతు
|
|
|
|
|
|
#### GitHub Action ద్వారా మద్దతు (ఆటోమేటెడ్ & ఎప్పుడూ నవీనీకరించబడుతుంది)
|
|
|
|
|
|
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
|
|
[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](./README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
|
|
|
|
|
|
> **స్థానికంగా క్లోన్ చేయాలనుకుంటున్నారా?**
|
|
|
>
|
|
|
> ఈ రిపాజిటరీ 50+ భాషా అనువాదాలను కలిగి ఉంది, ఇది డౌన్లోడ్ పరిమాణాన్ని గణనీయంగా పెంచుతుంది. అనువాదాలు లేకుండానే క్లోన్ చేయడానికి, sparse checkout ఉపయోగించండి:
|
|
|
>
|
|
|
> **Bash / macOS / Linux:**
|
|
|
> ```bash
|
|
|
> git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
|
|
|
> cd ML-For-Beginners
|
|
|
> git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
|
|
|
> ```
|
|
|
>
|
|
|
> **CMD (Windows):**
|
|
|
> ```cmd
|
|
|
> git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
|
|
|
> cd ML-For-Beginners
|
|
|
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
|
|
|
> ```
|
|
|
>
|
|
|
> ఇది కోర్సును పూర్తిచేయడానికి అవసరమైన అన్ని వాటిని వేగవంతమైన డౌన్లోడ్తో మీకు ఇస్తుంది.
|
|
|
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
|
|
|
|
|
#### మా కమ్యూనిటీ లో చేరండి
|
|
|
|
|
|
[](https://discord.gg/nTYy5BXMWG)
|
|
|
|
|
|
మా వద్ద AI సిరీస్తో కూడిన Discord సీక్వెన్స్ కొనసాగుతోంది, మరిన్ని వివరాలు మరియు మా తో చేరడానికి [Learn with AI Series](https://aka.ms/learnwithai/discord) కు 18 - 30 సెప్టెంబర్, 2025 లో వచ్చండి. మీరు GitHub Copilot ను డేటా సైన్స్ కోసం ఉపయోగించే చిట్కాలు మరియు సలహాలు పొందుతారు.
|
|
|
|
|
|
|
|
|
|
|
|
# ప్రారంభికుల కోసం మెషిన్ లెర్నింగ్ - ఒక పాఠ్యాంశం
|
|
|
|
|
|
> 🌍 ప్రపంచ సంస్కృతుల ద్వారా మెషిన్ లెర్నింగ్ ను అనువర్తనం చేస్తూ ప్రపంచాన్ని చుట్టూ ప్రయాణించండి 🌍
|
|
|
|
|
|
మైక్రోసాఫ్ట్ యొక్క క్లౌడ్ అడ్వొకేట్స్ ఒక 12 వారాల, 26 పాఠాల పాఠ్యాంశాన్ని అందిస్తున్నందుకు సంతృప్తి చెందుతున్నారు. ఈ పాఠ్యాంశంలో మీరు ప్రాముఖ్యంగా Scikit-learn లైబ్రరీని ఉపయోగించి మరియు డీప్ లెర్నింగ్ ను తప్పిస్తూ, కొన్నిసార్లు **సాంప్రదాయ మెషిన్ లెర్నింగ్** అని పిలవబడే విషయాలను నేర్చుకుంటారు, ఇది మా [AI for Beginners' curriculum](https://aka.ms/ai4beginners) లో అందించబడినది. ఈ పాఠాలను మా ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) తో కలిపి కూడా చూడండి!
|
|
|
|
|
|
ప్రపంచంలోని అనేక ప్రాంతాల నుండి సేకరించిన డేటాకు ఈ సాంప్రదాయ సాంకేతికతలను అనువర్తనం చేస్తూ మా తో కలిసే ప్రయాణం చేయండి. ప్రతి పాఠం ముందుగా మరియు తర్వాత పరీక్షలు, పాఠ్య సూచనలు, పరిష్కారాలు, అసైనిమెంట్లు మరియు మరిన్ని అంశాలను అందిస్తుంది. మా ప్రాజెక్ట్ ఆధారిత పద్ధతి మీరు నిర్మించేటప్పుడు నేర్చుకునేలా చేస్తుంది, ఇది కొత్త నైపుణ్యాలు మరింత నిలిచిపోయే నిరూపిత మార్గం.
|
|
|
|
|
|
**✍️ మా రచయితలకు హృదయపూర్వక ధన్యవాదాలు**: జెన్ లూపర్, స్టీఫెన్ హావెల్, ఫ్రాన్సెస్కా లాజెర్, టోమోమీ ఇమురా, క్యాస్సీ బ్రేవియు, డిమిత్రి సోశనికోవ్, క్రిస్ నోరింగ్, అనిర్బన్ ముకర్నీ, ఒర్నెల్లా ఆల్టున్యన్, రూత్ యకుబ్ మరియు ఏమీ బాయిడ్
|
|
|
|
|
|
**🎨 మా చిత్రకారులకు కూడా ధన్యవాదాలు**: టోమోమీ ఇమురా, దసాని మడిపల్లి, మరియు జెన్ లూపర్
|
|
|
|
|
|
**🙏 ప్రత్యేక ధన్యవాదాలు 🙏 మా మైక్రోసాఫ్ట్ స్టూడెంట్ అంబాసిడార్ రచయితలు, సమీక్షకులు మరియు కంటెంట్ కండ్రిబ్యూటర్లు**, ముఖ్యంగా రిషిత్ దాగ్లీ, ముహమ్మద్ సాకిబ్ ఖాన్ ఇనాన్, రోహన్ రాజ్, అలెగ్జాండ్రు పెట్రెస్కు, అభిషేక్ జైస్వాల్, నావ్రిన్ టబస్సుమ్, ఐకాన్ సముయిలా, మరియు స్నిగ్ధ అగర్వాల్
|
|
|
|
|
|
**🤩 అదనపు కృతజ్ఞతలు మా R పాఠాలకు మైక్రోసాఫ్ట్ స్టూడెంట్ అంబాసిడార్లు ఎరిక్ వాన్జావ్, జస్లీన్ సون్దీ, మరియు విదుషి గుప్తా**
|
|
|
|
|
|
# ప్రారంభం ఎలా చేయాలి
|
|
|
|
|
|
ఈ దశలను అనుసరించండి:
|
|
|
1. **రిపోజిటరీని ఫోర్క్ చేయండి**: ఈ పేజీ యొక్క పై-కుడి మూలలో ఉన్న "Fork" బటన్పై క్లిక్ చేయండి.
|
|
|
2. **రిపోజిటరీని క్లోన్ చేయండి**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
|
|
|
|
|
|
> [ఈ కోర్సుకు సంబంధించిన అన్ని అదనపు వనరులు మా Microsoft Learn సేకరణలో చూడండి](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
|
|
|
|
|
|
> 🔧 **సహాయం కావాలా?** ఇన్స్టాలేషన్, సెటప్, మరియు పాఠాలు నడిపే సమయంలో సాధారణ సమస్యలు పరిష్కరించడానికి మా [ట్రబుల్షూటింగ్ గైడ్](TROUBLESHOOTING.md) చూడండి.
|
|
|
|
|
|
|
|
|
**[విద్యార్థులు](https://aka.ms/student-page)**, ఈ పాఠ్యాంశాన్ని ఉపయోగించడానికి, మొత్తం రిపోజిటరీని మీ GitHub ఖాతాలో ఫోర్క్ చేసి, స్వయంగా లేదా గ్రూపుగా వ్యవహరించండి:
|
|
|
|
|
|
- ముందస్తు పాఠ శిక్షణ క్విజ్ తో ప్రారంభించండి.
|
|
|
- పాఠ్యాన్ని చదవండి మరియు కార్యకలాపాలను పూర్తి చేయండి, ప్రతి జ్ఞాన తనిఖీ వద్ద ఆగి, ఆలోచించండి.
|
|
|
- పరిష్కార కోడ్ ను నడపకుండా పాఠాలను అర్థం చేసుకొని ప్రాజెక్టులను సృష్టించడానికి ప్రయత్నించండి; అయితే ఆ కోడ్ ప్రతి ప్రాజెక్ట్-ఆధారిత పాఠంలో `/solution` ఫోల్డర్లలో అందుబాటులో ఉంటుంది.
|
|
|
- పాఠం అనంతరం క్విజ్ తీసుకోండి.
|
|
|
- ఛాలెంజ్ పూర్తి చేయండి.
|
|
|
- అసైన్మెంట్ పూర్తి చేయండి.
|
|
|
- పాఠం సమూహం పూర్తిచేసిన తర్వాత, [చర్చా ఫలకం](https://github.com/microsoft/ML-For-Beginners/discussions) సందర్శించి, సరైన PAT రుబ్రిక్ నింపి "మీరు నేర్చుకున్నది బయటపెట్టండి". 'PAT' అంటే ప్రోగ్రెస్ అసెస్మెంట్ టూల్, ఇది మీరు మీ అభ్యాసాన్ని పెంచడానికి నింపే రుబ్రిక్. మీరు ఇతర PATలకు కూడా స్పందించవచ్చు, అందువల్ల మనం కలసి నేర్చుకుంటాము.
|
|
|
|
|
|
> ఇంకా అభ్యాసం కోసం, ఈ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) మాడ్యూల్స్ మరియు అభ్యాస మార్గాలను అనుసరించమని మేము సిఫార్సు చేస్తున్నాము.
|
|
|
|
|
|
**ఉపాధ్యాయులు**, ఈ పాఠ్యాంశాన్ని ఉపయోగించే విధానం పై మేము కొన్ని [సూచనలు](for-teachers.md) చేర్చాము.
|
|
|
|
|
|
---
|
|
|
|
|
|
## వీడియో వాక్త్రోల్స్
|
|
|
|
|
|
కొన్ని పాఠాలు చిన్న వీడియో రూపంలో అందుబాటులో ఉన్నాయి. మీరు ఈ వీడియోలను పాఠాలలో పక్కన చూడవచ్చు లేదా [Microsoft Developer YouTube ఛానెల్పై ML for Beginners ప్లేలిస్ట్](https://aka.ms/ml-beginners-videos) లో దిగువ చిత్రంపై క్లిక్ చేసి చూడవచ్చు.
|
|
|
|
|
|
[](https://aka.ms/ml-beginners-videos)
|
|
|
|
|
|
---
|
|
|
|
|
|
## టీమ్ను కలుసుకొండి
|
|
|
|
|
|
[](https://youtu.be/Tj1XWrDSYJU)
|
|
|
|
|
|
**Gif సృష్టికర్త** [మోహిత్ జైసాల్](https://linkedin.com/in/mohitjaisal)
|
|
|
|
|
|
> 🎥 ప్రాజెక్టు మరియు అందిన వారు గురించి వీడియో కోసం పై చిత్రాన్ని క్లిక్ చేయండి!
|
|
|
|
|
|
---
|
|
|
|
|
|
## పాఠ్య విభాగం
|
|
|
|
|
|
ఈ పాఠ్యాంశాన్ని రూపొందించేటప్పుడు మేము రెండు విద్యా సిద్ధాంతాలను ఎంచుకున్నాము: ఇది **ప్రాజెక్ట్ ఆధారిత** గా ఉండటం మరియు అందులో **తీవ్రమైన క్విజ్లు** ఉండటం. అదనంగా, ఈ పాఠ్యాంశానికి ఒక సాధారణ **థీము** కలిగి ఉండటం అందించే వర్తకత కోసం.
|
|
|
|
|
|
విషయము ప్రాజెక్టులతో అనుసంధానం అయ్యేలా చూసుకోవడం వలన విద్యార్థుల కోసం ప్రక్రియ మరింత ఆకర్షణీయమవుతుందని, భావనల నిలుపుదల మరింత మెరుగ్గా ఉంటుందని ఆశించవచ్చు. అదనంగా, తరగతి ముందు తీసుకునే తక్కువ-పూకాల క్విజ్ విద్యార్థి లక్ష్యాన్ని నేర్చుకునే దిశగా సెట్ చేస్తుంది, తరగతి తర్వాత రెండవ క్విజ్ మరింత నిలుపుదలను నిర్ధారిస్తుంది. ఈ పాఠ్యాంశం అనుకూలంగా మరియు సంతోషంగా ఉంటుందని రూపొందించబడింది; మొత్తం లేదా భాగంగా తీసుకోవచ్చు. ప్రాజెక్టులు చిన్నదనుండి మొదలై 12వారం చక్రం చివరికి క్లిష్టత పెరుగుతుంది. ఇది ML యొక్క వాస్తవ ప్రపంచ ఉపయోగాలపై ఒక పోస్ట్స్క్రిప్ట్ను కూడా కలిగి ఉంది; ఇది అదనపు క్రెడిట్ లేదా చర్చ కోసం ఉపయోగించవచ్చు.
|
|
|
|
|
|
> మా [కోడ్ ఆఫ్ కండక్ట్](CODE_OF_CONDUCT.md), [కాంట్రిబ్యూటింగ్](CONTRIBUTING.md), [అనువాదాలు](..), మరియు [ట్రబుల్షూటింగ్](TROUBLESHOOTING.md) మార్గదర్శకాలను చూడండి. మీ నిర్మాణాత్మక అభిప్రాయాలను స్వాగతిస్తాము!
|
|
|
|
|
|
## ప్రతి పాఠం లో ఉన్నాయి
|
|
|
|
|
|
- ఐచ్ఛిక స్కెచ్నోట్
|
|
|
- ఐచ్ఛిక సప్లిమెంటరీ వీడియో
|
|
|
- వీడియో వాక్త్రో (కొన్ని పాఠాలు మాత్రమే)
|
|
|
- [పాఠం ముందు వార్మప్ క్విజ్](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
- రచనా పాఠం
|
|
|
- ప్రాజెక్ట్ ఆధారిత పాఠాల కోసం, ప్రాజెక్టు ఎలా నిర్మించాలో దశల వారీ మార్గదర్శకాలు
|
|
|
- జ్ఞాన తనిఖీలు
|
|
|
- ఒక ఛాలెంజ్
|
|
|
- సప్లిమెంటరీ పఠనం
|
|
|
- అసైన్మెంట్
|
|
|
- [పాఠం తర్వాత క్విజ్](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
|
|
> **భాషల గురించి ఒక గమనిక**: ఈ పాఠాలు ప్రాముఖ్యంగా Python లో రాయబడ్డాయి, కాని చాలా వాటి R లో కూడా అందుబాటులో ఉన్నాయి. R పాఠం పూర్తి చేయడానికి, `/solution` ఫోల్డర్ లో ఉన్న R పాఠాలను చూడండి. అవి `.rmd` అనే విస్తరణ కలిగి ఉంటాయి, ఇది ఒక **R Markdown** ఫైల్ అని సూచిస్తుంది, దీన్ని R లేదా ఇతర భాషల యొక్క `కోడ్ ఛంక్లు` మరియు `YAML హెడర్` (PDF లాంటి అవుట్పుట్లను ఎలా ఫార్మాట్ చేయాలో దిశానిర్దేశం చేస్తుంది) కలిగిన ఒక మార్క్డౌన్ డాక్యుమెంట్ గా నిర్వచించవచ్చు. దీనివల్ల మీరు మీ కోడ్, అవుట్పుట్, మరియు ఆలోచనలను మార్క్డౌన్ లో రాసుకోవచ్చు. అంతేకాక, R Markdown డాక్యుమెంట్లు PDF, HTML, లేదా Word వంటి అవుట్పుట్ ఫార్మాట్లుగా తయారు చేయబడవచ్చు.
|
|
|
> **క్విజ్ల గురించి ఒక గమనిక**: అన్ని క్విజ్లు [క్విజ్ యాప్ ఫోల్డర్](../../quiz-app)లో ఉన్నాయి, మొత్తం 52 క్విజ్లు, ప్రతి ఒక్కటి మూడు ప్రశ్నలనుండి ఉంటాయి. అవి పాఠాల నుండి లింక్ చేయబడ్డాయి కానీ క్విజ్ యాప్ను స్థానికంగా కూడా నడపవచ్చు; స్థానికంగా హోస్ట్ చేయడానికి లేదా Azureకు పరిపోషించడానికి `quiz-app` ఫోల్డర్లో ఉన్న సూచనలను అనుసరించండి.
|
|
|
|
|
|
| పాఠ సంఖ్య | విషయం | పాఠ సమూహం | నేర్చుకునే లక్ష్యాలు | లింక్ చేయబడిన పాఠం | రచయిత |
|
|
|
| :-------: | :------------------------------------------------------------: | :---------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------ | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: |
|
|
|
| 01 | మిషన్ లెర్నింగ్ కు పరిచయం | [పరిచయం](1-Introduction/README.md) | మిషన్ లెర్నింగ్ వెనుక ఉన్న ప్రాథమిక భావనలను తెలుసుకోండి | [పాఠం](1-Introduction/1-intro-to-ML/README.md) | ముహమ్మద్ |
|
|
|
| 02 | మిషన్ లెర్నింగ్ చరిత్ర | [పరిచయం](1-Introduction/README.md) | ఈ రంగంపై ఆధారపడిన చరిత్రను తెలుసుకోండి | [పాఠం](1-Introduction/2-history-of-ML/README.md) | జెన్ మరియు ఏమీ |
|
|
|
| 03 | న్యాయవంతత్వం మరియు మిషన్ లెర్నింగ్ | [పరిచయం](1-Introduction/README.md) | మిషన్ లెర్నింగ్ మోడల్స్ నిర్మించడం మరియు వినియోగానికి సంబంధించిన న్యాయవంతత్వంపై కీలక తాత్విక అంశాలు ఏమిటి? | [పాఠం](1-Introduction/3-fairness/README.md) | తోమోమీ |
|
|
|
| 04 | మిషన్ లెర్నింగ్ సాంకేతికతలు | [పరిచయం](1-Introduction/README.md) | మిషన్ లెర్నింగ్ పరిశోధకులు మోడల్స్ నిర్మించడానికి ఉపయోగించే సాంకేతికతలు ఏమిటి? | [పాఠం](1-Introduction/4-techniques-of-ML/README.md) | క్రిస్ మరియు జెన్ |
|
|
|
| 05 | రిగ్రెషన్ కు పరిచయం | [రిగ్రెషన్](2-Regression/README.md) | రిగ్రెషన్ మోడల్స్ కోసం Python మరియు Scikit-learn తో మొదలు పెట్టండి | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | జెన్ • ఎరిక్ వాంజావ్ |
|
|
|
| 06 | ఉత్తర అమెరికన్ దిండు ధరలు 🎃 | [రిగ్రెషన్](2-Regression/README.md) | మిషన్ లెర్నింగ్ సిద్ధంగా డేటాను విజువలైజ్ చేయండి మరియు శుభ్రపరచండి | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | జెన్ • ఎరిక్ వాంజావ్ |
|
|
|
| 07 | ఉత్తర అమెరికన్ దిండు ధరలు 🎃 | [రిగ్రెషన్](2-Regression/README.md) | లీనియర్ మరియు పాలినామియల్ రిగ్రెషన్ మోడల్స్ నిర్మించండి | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | జెన్ మరియు డిమిట్రీ • ఎరిక్ వాంజావ్ |
|
|
|
| 08 | ఉత్తర అమెరికన్ దిండు ధరలు 🎃 | [రిగ్రెషన్](2-Regression/README.md) | లాజిస్టిక్ రిగ్రెషన్ మోడల్ నిర్మించండి | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | జెన్ • ఎరిక్ వాంజావ్ |
|
|
|
| 09 | వెబ్ యాప్ 🔌 | [వెబ్ యాప్](3-Web-App/README.md) | మీ శిక్షణ పొందిన మోడల్ ఉపయోగించేందుకు వెబ్ యాప్ ను నిర్మించండి | [Python](3-Web-App/1-Web-App/README.md) | జెన్ |
|
|
|
| 10 | వర్గీకరణకు పరిచయం | [వర్గీకరణ](4-Classification/README.md) | మీ డేటాను శుభ్రం చేయండి, సిద్ధం చేయండి మరియు విజువలైజ్ చేయండి; వర్గీకరణకు పరిచయం | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | జెన్ మరియు క్యాసీ • ఎరిక్ వాంజావ్ |
|
|
|
| 11 | రుచికర ఆసియన్ మరియు భారతీయ వంటకాలు 🍜 | [వర్గీకరణ](4-Classification/README.md) | వర్గీకరణకర్తలకు పరిచయం | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | జెన్ మరియు క్యాసీ • ఎరిక్ వాంజావ్ |
|
|
|
| 12 | రుచికర ఆసియన్ మరియు భారతీయ వంటకాలు 🍜 | [వర్గీకరణ](4-Classification/README.md) | మరిన్ని వర్గీకరణకর্তులు | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | జెన్ మరియు క్యాసీ • ఎరిక్ వాంజావ్ |
|
|
|
| 13 | రుచికర ఆసియన్ మరియు భారతీయ వంటకాలు 🍜 | [వర్గీకరణ](4-Classification/README.md) | మీ మోడల్ ఉపయోగించి ఒక సిఫార్సుదారుడి వెబ్ యాప్ ను నిర్మించండి | [Python](4-Classification/4-Applied/README.md) | జెన్ |
|
|
|
| 14 | క్లస్టరింగ్ కు పరిచయం | [క్లస్టరింగ్](5-Clustering/README.md) | మీ డేటాను శుభ్రం చేయండి, సిద్ధం చేయండి మరియు విజువలైజ్ చేయండి; క్లస్టరింగ్ కు పరిచయం | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | జెన్ • ఎరిక్ వాంజావ్ |
|
|
|
| 15 | నైజీరియన్ సంగీత రుచులను అన్వేషించడం 🎧 | [క్లస్టరింగ్](5-Clustering/README.md) | K-మీన్స్ క్లస్టరింగ్ పద్ధతిని అన్వేషించండి | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | జెన్ • ఎరిక్ వాంజావ్ |
|
|
|
| 16 | సహజ భాషల ప్రాసెసింగ్ కు పరిచయం ☕️ | [సహజ భాషల ప్రాసెసింగ్](6-NLP/README.md) | ఒక సింపుల్ బాట్ ను సృష్టించడం ద్వారా NLP యొక్క ప్రాథమిక విషయాలను తెలుసుకోండి | [Python](6-NLP/1-Introduction-to-NLP/README.md) | స్టీఫెన్ |
|
|
|
| 17 | సామాన్య NLP పనులు ☕️ | [సహజ భాషల ప్రాసెసింగ్](6-NLP/README.md) | భాషా నిర్మాణాలతో వ్యవహరించేటప్పుడు అవసరమైన సాధారణ పనులను అర్థం చేసుకొని NLP అవగాహనను లోతుగా చేసుకోండి | [Python](6-NLP/2-Tasks/README.md) | స్టీఫెన్ |
|
|
|
| 18 | అనువాదం మరియు భావ విశ్లేషణ ♥️ | [సహజ భాషల ప్రాసెసింగ్](6-NLP/README.md) | జేన్ ఆస్టెన్ తో అనువాదం మరియు భావ విశ్లేషణ | [Python](6-NLP/3-Translation-Sentiment/README.md) | స్టీఫెన్ |
|
|
|
| 19 | యూరోప్ రొమాంటిక్ హోటల్స్ ♥️ | [సహజ భాషల ప్రాసెసింగ్](6-NLP/README.md) | హోటల్ సమీక్షలతో భావ విశ్లేషణ 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | స్టీఫెన్ |
|
|
|
| 20 | యూరోప్ రొమాంటిక్ హోటల్స్ ♥️ | [సహజ భాషల ప్రాసెసింగ్](6-NLP/README.md) | హోటల్ సమీక్షలతో భావ విశ్లేషణ 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | స్టీఫెన్ |
|
|
|
| 21 | సమయ శ్రేణి ముందస్తు అంచనాకు పరిచయం | [సమయ శ్రేణి](7-TimeSeries/README.md) | సమయ శ్రేణి ముందస్తు అంచనాకు పరిచయం | [Python](7-TimeSeries/1-Introduction/README.md) | ఫ్రాన్సెస్కా |
|
|
|
| 22 | ⚡️ ప్రపంచ శక్తి వినియోగం ⚡️ - ARIMA తో సమయ శ్రేణి అంచనా | [సమయ శ్రేణి](7-TimeSeries/README.md) | ARIMA తో సమయ శ్రేణి అంచನಾ | [Python](7-TimeSeries/2-ARIMA/README.md) | ఫ్రాన్సెస్కా |
|
|
|
| 23 | ⚡️ ప్రపంచ శక్తి వినియోగం ⚡️ - SVR తో సమయ శ్రేణి అంచనా | [సమయ శ్రేణి](7-TimeSeries/README.md) | సపోర్ట్ వెక్టర్ రిగ్రెషర్ తో సమయ శ్రేణి అంచనా | [Python](7-TimeSeries/3-SVR/README.md) | అనిర్బన్ |
|
|
|
| 24 | రీ ఇన్ఫోర్స్మెంట్ లెర్నింగ్ కు పరిచయం | [రీ ఇన్ఫోర్స్మెంట్ లెర్నింగ్](8-Reinforcement/README.md) | Q-లెర్నింగ్ తో రీ ఇన్ఫోర్స్మెంట్ లెర్నింగ్ పరిచయం | [Python](8-Reinforcement/1-QLearning/README.md) | డిమిట్రీ |
|
|
|
| 25 | పీటర్ను నక్క బాగునుండాలని సహాయం చేయండి! 🐺 | [రీ ఇన్ఫోర్స్మెంట్ లెర్నింగ్](8-Reinforcement/README.md) | రీ ఇన్ఫోర్స్మెంట్ లెర్నింగ్ జిమ్ | [Python](8-Reinforcement/2-Gym/README.md) | డిమిట్రీ |
|
|
|
| పోస్ట్స్క్రిప్ట్ | వాస్తవ ప్రపంచ ML సన్నివేశాలు మరియు అప్లికేషన్లు | [డబ్బులో ML](9-Real-World/README.md) | క్లాసిక్ ML యొక్క ఆసక్తికరమైన, విప్లవాత్మక యథార్థ ప్రపంచ అప్లికేషన్లు | [పాఠం](9-Real-World/1-Applications/README.md) | టీం |
|
|
|
| పోస్ట్స్క్రిప్ట్ | RAI డ్యాష్బోర్డ్ ఉపయోగించి ML లో మోడల్ డీబగ్గింగ్ | [డబ్బులో ML](9-Real-World/README.md) | రెస్పాన్స్బుల్ AI డ్యాష్బోర్డ్ భాగాలతో మిషన్ లెర్నింగ్ లో మోడల్ డీబగ్గింగ్ | [పాఠం](9-Real-World/2-Debugging-ML-Models/README.md) | రుధ్ యకుబు |
|
|
|
|
|
|
> [మా Microsoft Learn సేకరణలో ఈ కోర్సుకు సంబంధించిన అన్ని అదనపు వనరులను కనుగొనండి](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
|
|
|
|
|
|
## ఆఫ్లైన్ యాక్సెస్
|
|
|
|
|
|
[Docsify](https://docsify.js.org/#/) ఉపయోగించి మీరు ఈ డాక్యుమెంటేషన్ను ఆఫ్లైన్లో నడపవచ్చు. ఈ రెపోను ఫోর্ক్ చేసి, మీ లోకల్ మెషీన్లో [Docsifyను ఇన్స్టాల్](https://docsify.js.org/#/quickstart) చేసుకొని, ఆ తరువాత ఈ రెపో యొక్క రూట్ ఫోల్డర్లో `docsify serve` టైపు చేయండి. వెబ్సైట్ మీ లోకల్హోస్ట్పై పోర్టు 3000లో అందుబాటులో ఉంటుంది: `localhost:3000`.
|
|
|
|
|
|
## PDF లు
|
|
|
|
|
|
లింకులతో కూడిన పాఠ్యক্রমం PDFని [ఇక్కడ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) చూడండి.
|
|
|
|
|
|
|
|
|
## 🎒 ఇతర కోర్సులు
|
|
|
|
|
|
మా బృందం ఇతర కోర్సులను తయారు చేస్తుంది! చెక్ చేయండి:
|
|
|
|
|
|
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
|
|
|
### LangChain
|
|
|
[](https://aka.ms/langchain4j-for-beginners)
|
|
|
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
|
|
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
|
|
---
|
|
|
|
|
|
### Azure / Edge / MCP / Agents
|
|
|
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
|
|
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
|
|
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
|
|
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
|
|
|
|
|
---
|
|
|
|
|
|
### Generative AI Series
|
|
|
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
|
|
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
|
|
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
|
|
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
|
|
|
|
|
---
|
|
|
|
|
|
### ప్రధాన అభ్యాసం
|
|
|
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
|
|
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
|
|
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
|
|
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
|
|
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
|
|
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
|
|
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
|
|
|
|
|
---
|
|
|
|
|
|
### కోపైలట్ సిరీస్
|
|
|
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
|
|
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
|
|
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
|
|
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
|
|
|
|
|
|
## సహాయం పొందటానికి
|
|
|
|
|
|
మీరు చిక్కుకుపోతే లేదా AI అనువర్తనాలు అభివృద్ధి గురించి ఏవైనా ప్రశ్నలు ఉంటే, MCP గురించి చర్చల్లో పాల్గొనే విద్యార్థులు మరియు అనుభవజ్ఞులైన డెవలపర్లతో చేరండి. ఇది ఒక సహాయక సమాజం, ఇక్కడ ప్రశ్నలు స్వాగతించబడతాయి మరియు జ్ఞానం స్వేచ్ఛగా పంచబడుతుంది.
|
|
|
|
|
|
[](https://discord.gg/nTYy5BXMWG)
|
|
|
|
|
|
మీరు ఉత్పత్తి ప్రతిస్పందన లేదా అభివృద్ధి సమయంలో లోపాలు ఉంటే సందర్శించండి:
|
|
|
|
|
|
[](https://aka.ms/foundry/forum)
|
|
|
## అదనపు అభ్యాస చిట్కాలు
|
|
|
|
|
|
- ప్రతి పాఠం తర్వాత నోట్బుక్లను సవివరంగా సమీక్షించండి.
|
|
|
- మీ స్వంతంగా అల్గోరిథంలను అమలు చేయడం సాధన చేయండి.
|
|
|
- నేర్చుకున్న కాన్సెప్ట్లను ఉపయోగించి వాస్తవ ప్రపంచ డేటాసెట్లను అన్వేషించండి.
|
|
|
|
|
|
---
|
|
|
|
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
|
|
**అత్యవసర నోటీసు**:
|
|
|
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ద్వారా అనువదించారు. మనం ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటిక్ అనువాదాలలో పొరపాట్లు లేదా తప్పుడు వివరాలు ఉండొచ్చు. మూల పత్రాన్ని దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. కీలకమైన సమాచారం కోసం, నైపుణ్యమున్న మనుష్య అనువాదాన్ని సూచించబడుతుంది. ఈ అనువాదం వాడుకోవడం వల్ల ఏర్పడిన ఏ విధమైన తప్పుబాటులు లేదా తప్పుదారులు గురించి మేము జవాబుదారులు కారు.
|
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER END --> |
