ML-For-Beginners/translations/hi

🌐 बहुभाषी समर्थन

GitHub Action के माध्यम से समर्थित (स्वचालित एवं हमेशा अपडेटेड)

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

स्थानीय रूप से क्लोन करना पसंद करते हैं?

इस रिपोजिटरी में 50+ भाषा अनुवाद शामिल हैं जो डाउनलोड आकार को काफी बढ़ाते हैं। यदि अनुवादों के बिना क्लोन करना है, तो sparse checkout का उपयोग करें:

Bash / macOS / Linux:

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):

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"

यह आपको कोर्स पूरा करने के लिए आवश्यक सब कुछ देता है, जिससे डाउनलोड बहुत तेजी से होता है।

हमारे समुदाय में शामिल हों

हमारे पास Discord पर AI के साथ सीखने की एक शृंखला चल रही है, इसके बारे में अधिक जानें और 18 - 30 सितंबर, 2025 को Learn with AI Series में जुड़ें। आपको GitHub Copilot का Data Science में उपयोग करने के टिप्स और ट्रिक्स मिलेंगे।

शुरुआती लोगों के लिए मशीन लर्निंग - एक पाठ्यक्रम

🌍 दुनिया भर में यात्रा करें क्योंकि हम मशीन लर्निंग को विश्व की संस्कृतियों के माध्यम से सीखते हैं 🌍

Microsoft के क्लाउड समर्थक 12 सप्ताह, 26-लेसन का पाठ्यक्रम प्रस्तुत करते हैं, जो पूरी तरह से मशीन लर्निंग के बारे में है। इस पाठ्यक्रम में, आप उस तकनीक के बारे में सीखेंगे जिसे कभी-कभी क्लासिक मशीन लर्निंग कहा जाता है, जिसमें मुख्य रूप से Scikit-learn पुस्तकालय का उपयोग होता है और गहरे शिक्षण (डेप लर्निंग) से बचा जाता है, जो हमारे AI for Beginners' curriculum में शामिल है। इन पाठों को हमारे 'डेटा साइंस फॉर बिगिनर्स' पाठ्यक्रम के साथ जोड़ा जा सकता है।

हमारे साथ दुनिया भर की यात्रा पर चलें जब हम क्लासिक तकनीकों को दुनिया के विभिन्न क्षेत्रों के डेटा पर लागू करते हैं। प्रत्येक पाठ में पूर्व और पश्चात क्विज़, पाठ पूरा करने के लिए लिखित निर्देश, समाधान, असाइनमेंट और बहुत कुछ शामिल है। हमारा परियोजना-आधारित शिक्षण मॉडल आपको निर्माण के दौरान सीखने का अवसर प्रदान करता है, जो नई क्षमताओं को लंबे समय तक याद रखने का एक प्रमाणित तरीका है।

✍️ हमारे लेखकों को हार्दिक धन्यवाद जेन लूपर, स्टीफन हाउल, फ्रांसेस्का लैज़ेरी, टोमॉमी इमुरा, कासी ब्रीवियु, दिमित्री सोश्निकोव, क्रिस नोरिंग, अनिर्बान मुखर्जी, ऑर्नेला अल्टुयान, रूथ याकुबु और एमी बॉयड

🎨 हमारे चित्रकारों का भी धन्यवाद टोमॉमी इमुरा, दासनी मुदिपल्ली, और जेन लूपर

🙏 हमारे Microsoft Student Ambassador लेखकों, समीक्षकों और सामग्री योगदानकर्ताओं को विशेष धन्यवाद, विशेषकर ऋषित दागली, मुहम्मद साकिब खान इनान, रोहन राज, एलेक्जेंडर पेट्रेस्कु, अभिषेक जायसवाल, नवरीन तबस्सुम, इवान समुइला, और स्नीघा अग्रवाल

🤩 Microsoft Student Ambassadors एरिक वंजाउ, जसलीन सोंधी, और विदुषी गुप्ता को हमारे R पाठों के लिए अतिरिक्त धन्यवाद!

शुरुआत करना

इन चरणों का पालन करें:

1. रिपोजिटरी को फोर्क करें: इस पृष्ठ के दाहिने ऊपर "Fork" बटन पर क्लिक करें।
2. रिपोजिटरी क्लोन करें: git clone https://github.com/microsoft/ML-For-Beginners.git

इस कोर्स के लिए सभी अतिरिक्त संसाधन हमारे Microsoft Learn संग्रह में देखें

🔧 मदद चाहिए? आम समस्याओं के समाधान के लिए हमारे Troubleshooting Guide को देखें।

छात्र, इस पाठ्यक्रम का उपयोग करने के लिए, पूरी रिपोजिटरी को अपने GitHub खाते पर फोर्क करें और अभ्यास स्वयं या समूह में पूरा करें:

• प्री-लेक्चर क्विज़ से शुरू करें।
• व्याख्यान पढ़ें और गतिविधियां पूरी करें, प्रत्येक ज्ञान जांच पर रुककर विचार करें।
• समाधान कोड चलाने के बजाय पाठ्यक्रम को समझकर परियोजनाएँ बनाने का प्रयास करें; हालांकि वह कोड प्रत्येक प्रोजेक्ट आधारित पाठ में /solution फ़ोल्डर में उपलब्ध है।
• पोस्ट-लेक्चर क्विज़ लें।
• चुनौती पूरी करें।
• असाइनमेंट पूरा करें।
• एक पाठ्य समूह पूरा करने के बाद, Discussion Board पर जाएँ और उपयुक्त PAT रूब्रिक भरकर "सरल भाषा में सीखें"। 'PAT' एक प्रोग्रेस असेसमेंट टूल है जिसे आप अपनी सीख बढ़ाने के लिए भरते हैं। आप अन्य PATs पर भी प्रतिक्रिया दे सकते हैं ताकि हम साथ सीख सकें।

आगे के अध्ययन के लिए, हम अनुशंसा करते हैं कि आप इन Microsoft Learn मॉड्यूल और लर्निंग पाथ का अनुसरण करें।

शिक्षकों के लिए, हमने कुछ सुझाव शामिल किए हैं कि इस पाठ्यक्रम का उपयोग कैसे करें।

---

वीडियो वॉकथ्रू

कुछ पाठ छोटे वीडियो के रूप में उपलब्ध हैं। आप इन्हें पाठों के बीच में या Microsoft Developer YouTube चैनल पर ML for Beginners प्लेलिस्ट में नीचे की छवि पर क्लिक करके देख सकते हैं।

---

टीम से मिलें

GIF द्वारा मोहित जाएसाल

🎥 परियोजना और इसे बनाने वाले लोगों के बारे में वीडियो के लिए ऊपर की छवि पर क्लिक करें!

---

शिक्षण पद्धति

हमने इस पाठ्यक्रम को बनाते समय दो शिक्षण सिद्धांत चुने हैं: यह सुनिश्चित करना कि यह हाथों-हाथ सीखने वाला परियोजना-आधारित हो और इसमें बार-बार क्विज़ शामिल हो। इसके अलावा, इस पाठ्यक्रम में एक सामान्य थीम है जो इसे सामंजस्यपूर्ण बनाती है।

सामग्री को परियोजनाओं के अनुरूप बनाकर, प्रक्रिया को छात्रों के लिए अधिक रोचक बनाया जाता है और अवधारणाओं को बनाए रखना बढ़ता है। इसके अलावा, कक्षा से पहले एक आसान क्विज़ छात्र के विषय सीखने के इरादे को सेट करता है, जबकि कक्षा के बाद दूसरा क्विज़ लंबे समय तक याददाश्त सुनिश्चित करता है। यह पाठ्यक्रम लचीला और मजेदार होने के लिए डिज़ाइन किया गया है और इसे पूरे या भाग में लिया जा सकता है। परियोजनाएं छोटी शुरुआत करती हैं और 12-सप्ताह के चक्र के अंत तक धीरे-धीरे जटिल हो जाती हैं। इस पाठ्यक्रम में मशीन लर्निंग के वास्तविक दुनिया में अनुप्रयोगों पर एक पोस्टस्क्रिप्ट भी शामिल है, जिसका उपयोग अतिरिक्त क्रेडिट या चर्चा के लिए आधार के रूप में किया जा सकता है।

हमारा Code of Conduct, Contributing, Translations, और Troubleshooting दिशानिर्देश देखें। आपके रचनात्मक सुझावों का स्वागत है!

प्रत्येक पाठ में शामिल हैं

• वैकल्पिक स्केचनोट
• वैकल्पिक पूरक वीडियो
• वीडियो वॉकथ्रू (कुछ पाठों के लिए)
• प्री-लेक्चर वॉर्मअप क्विज़
• लिखित पाठ
• परियोजना-आधारित पाठों के लिए, परियोजना बनाने के चरण-दर-चरण मार्गदर्शिका
• ज्ञान जांच
• एक चुनौती
• पूरक पठन
• असाइनमेंट
• पोस्ट-लेक्चर क्विज़

भाषाओं के बारे में एक नोट: ये लेसन मुख्य रूप से Python में लिखे गए हैं, लेकिन कई R में भी उपलब्ध हैं। एक R लेसन पूरा करने के लिए, /solution फ़ोल्डर में जाएं और R लेसनों को देखें। इनमें एक .rmd एक्सटेंशन होता है जो एक R Markdown फ़ाइल का प्रतिनिधित्व करता है जिसे सरलता से कोड खंडों (R या अन्य भाषाओं के) और एक YAML हेडर (जो PDF जैसे आउटपुट को फॉर्मैट करने का मार्गदर्शन करता है) के एम्बेडिंग के रूप में परिभाषित किया जा सकता है Markdown दस्तावेज़ में। इसलिए, यह डेटा साइंस के लिए एक उत्कृष्ट लेखन ढांचा के रूप में कार्य करता है क्योंकि यह आपको अपने कोड, उसका आउटपुट, और अपने विचारों को Markdown में लिखने की अनुमति देकर जोड़ने की अनुमति देता है। इसके अलावा, R Markdown दस्तावेज़ों को PDF, HTML, या Word जैसे आउटपुट प्रारूपों में प्रस्तुत किया जा सकता है।

प्रश्नोत्तरी के बारे में एक नोट: सभी प्रश्नोत्तरी Quiz App फ़ोल्डर में निहित हैं, कुल 52 प्रश्नोत्तरी हैं जिनमें प्रत्येक में तीन प्रश्न होते हैं। वे पाठों के भीतर लिंक किए गए हैं लेकिन क्विज़ ऐप को स्थानीय रूप से चलाया जा सकता है; quiz-app फ़ोल्डर में दिए गए निर्देशों का पालन करें ताकि इसे स्थानीय रूप से होस्ट या Azure पर तैनात किया जा सके।

पाठ संख्या	विषय	पाठ समूह	सीखने के उद्देश्य	लिंक किए गए पाठ	लेखक
01	मशीन लर्निंग का परिचय	परिचय	मशीन लर्निंग के पीछे की मूल अवधारणाएँ सीखें	पाठ	मुहम्मद
02	मशीन लर्निंग का इतिहास	परिचय	इस क्षेत्र के पीछे का इतिहास जानें	पाठ	जेन और एमी
03	निष्पक्षता और मशीन लर्निंग	परिचय	निष्पक्षता के आस-पास के महत्वपूर्ण दार्शनिक मुद्दे जो छात्र एमएल मॉडल बनाते और लागू करते समय विचार करें	पाठ	टोमौमी
04	मशीन लर्निंग की तकनीकें	परिचय	एमएल शोधकर्ता कौन-कौन सी तकनीकें उपयोग करते हैं एमएल मॉडल बनाने के लिए?	पाठ	क्रिस और जेन
05	अभिकलन का परिचय	Regression	Python और Scikit-learn के साथ अभिकलन मॉडलों के लिए शुरुआत करें	Python • R	जेन • एरिक वांजाउ
06	उत्तरी अमेरिका के कद्दू के दाम 🎃	Regression	मशीन लर्निंग के लिए डेटा को साफ़ और विज़ुअलाइज़ करें	Python • R	जेन • एरिक वांजाउ
07	उत्तरी अमेरिका के कद्दू के दाम 🎃	Regression	रैखिक और बहुपद अभिकलन मॉडल बनाएं	Python • R	जेन और दिमित्री • एरिक वांजाउ
08	उत्तरी अमेरिका के कद्दू के दाम 🎃	Regression	एक लॉजिस्टिक अभिकलन मॉडल बनाएं	Python • R	जेन • एरिक वांजाउ
09	एक वेब ऐप 🔌	वेब ऐप	अपने प्रशिक्षित मॉडल का उपयोग करने के लिए एक वेब ऐप बनाएं	Python	जेन
10	वर्गीकरण का परिचय	Classification	अपने डेटा को साफ़ करें, तैयार करें, और विज़ुअलाइज़ करें; वर्गीकरण का परिचय	Python • R	जेन और कैसी • एरिक वांजाउ
11	स्वादिष्ट एशियाई और भारतीय व्यंजन 🍜	Classification	वर्गीकारकों का परिचय	Python • R	जेन और कैसी • एरिक वांजाउ
12	स्वादिष्ट एशियाई और भारतीय व्यंजन 🍜	Classification	और अधिक वर्गीकारक	Python • R	जेन और कैसी • एरिक वांजाउ
13	स्वादिष्ट एशियाई और भारतीय व्यंजन 🍜	Classification	अपने मॉडल का उपयोग करके एक सिफारिश देने वाला वेब ऐप बनाएं	Python	जेन
14	क्लस्टरिंग का परिचय	Clustering	अपने डेटा को साफ़ करें, तैयार करें, और विज़ुअलाइज़ करें; क्लस्टरिंग का परिचय	Python • R	जेन • एरिक वांजाउ
15	नाइजीरियाई संगीत स्वाद की खोज 🎧	Clustering	K-Means क्लस्टरिंग विधि का अन्वेषण करें	Python • R	जेन • एरिक वांजाउ
16	प्राकृतिक भाषा संसाधन का परिचय ☕️	Natural language processing	एक सरल बॉट बनाकर NLP के मूल बातें सीखें	Python	स्टीफन
17	सामान्य NLP कार्य ☕️	Natural language processing	भाषा संरचनाओं से निपटने के लिए आवश्यक सामान्य कार्यों को समझकर अपनी NLP ज्ञान गहराई से समझें	Python	स्टीफन
18	अनुवाद और भावना विश्लेषण ♥️	Natural language processing	जेन ऑस्टेन के साथ अनुवाद और भावना विश्लेषण	Python	स्टीफन
19	यूरोप के रोमांटिक होटल ♥️	Natural language processing	होटल समीक्षाओं के साथ भावना विश्लेषण 1	Python	स्टीफन
20	यूरोप के रोमांटिक होटल ♥️	Natural language processing	होटल समीक्षाओं के साथ भावना विश्लेषण 2	Python	स्टीफन
21	समय श्रृंखला पूर्वानुमान का परिचय	Time series	समय श्रृंखला पूर्वानुमान का परिचय	Python	फ्रांसेस्का
22	⚡️ विश्व बिजली उपयोग ⚡️ - ARIMA के साथ समय श्रृंखला पूर्वानुमान	Time series	ARIMA के साथ समय श्रृंखला पूर्वानुमान	Python	फ्रांसेस्का
23	⚡️ विश्व बिजली उपयोग ⚡️ - SVR के साथ समय श्रृंखला पूर्वानुमान	Time series	सपोर्ट वेक्टर रेग्रेशनर के साथ समय श्रृंखला पूर्वानुमान	Python	अनिर्बन
24	सुदृढ़ीकरण शिक्षा का परिचय	Reinforcement learning	क्यू-लर्निंग के साथ सुदृढ़ीकरण सीखने का परिचय	Python	दिमित्री
25	पीटर को भेड़िये से बचाने में मदद करें! 🐺	Reinforcement learning	सुदृढ़ीकरण सीखने का जिम	Python	दिमित्री
उपसंहार	वास्तविक दुनिया के एमएल परिदृश्य और अनुप्रयोग	ML in the Wild	पारंपरिक एमएल के रोचक और प्रकट करने वाले वास्तविक दुनिया के अनुप्रयोग	पाठ	टीम
उपसंहार	RAI डैशबोर्ड का उपयोग करके ML में मॉडल डिबगिंग	ML in the Wild	जिम्मेदार AI डैशबोर्ड घटकों का उपयोग करके मशीन लर्निंग में मॉडल डिबगिंग	पाठ	रुथ याकुबू

इस कोर्स के लिए हमारे Microsoft Learn संग्रह में सभी अतिरिक्त संसाधन खोजें

ऑफलाइन एक्सेस

आप Docsify का उपयोग करके इस दस्तावेज़ को ऑफलाइन चला सकते हैं। इस रिपोज़िटरी को फोर्क करें, अपनी स्थानीय मशीन पर Docsify इंस्टॉल करें, और फिर इस रिपोज़िटरी के रूट फ़ोल्डर में टाइप करें docsify serve। वेबसाइट आपके लोकलहोस्ट पर पोर्ट 3000 पर सेवा प्रदान करेगी: localhost:3000।

PDF

इस पाठ्यक्रम का पीडीएफ लिंक सहित यहां देखें।

🎒 अन्य पाठ्यक्रम

हमारी टीम अन्य पाठ्यक्रम भी बनाती है! देखें:

LangChain

Azure / Edge / MCP / एजेंट्स

---

जनरेटिव एआई श्रृंखला

---

मूल सीखना

---

कोपिलॉट श्रृंखला

सहायता प्राप्त करना

यदि आप फंसे हुए हैं या AI ऐप्स बनाने के बारे में कोई प्रश्न हैं। साथ सीखने वालों और अनुभवी डेवलपर्स के साथ MCP के बारे में चर्चाओं में शामिल हों। यह एक सहायक समुदाय है जहाँ प्रश्न स्वागत योग्य हैं और ज्ञान मुक्त रूप से साझा किया जाता है।

यदि आपके पास उत्पाद प्रतिक्रिया या निर्माण के दौरान त्रुटियां हैं तो यहां जाएं:

अतिरिक्त सीखने के सुझाव

• बेहतर समझ के लिए प्रत्येक पाठ के बाद नोटबुक की समीक्षा करें।
• स्वयं एल्गोरिदम लागू करने का अभ्यास करें।
• सीखी गई अवधारणाओं का उपयोग करके वास्तविक दुनिया के डेटा सेट का अन्वेषण करें।

---

अस्वीकरण:
इस दस्तावेज़ का अनुवाद AI अनुवाद सेवा Co-op Translator का उपयोग करके किया गया है। जबकि हम सटीकता के लिए प्रयासरत हैं, कृपया ध्यान रखें कि स्वचालित अनुवादों में त्रुटियाँ या असंगतियाँ हो सकती हैं। मूल दस्तावेज़ अपनी मूल भाषा में प्राधिकृत स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए, पेशेवर मानव अनुवाद की सलाह दी जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या गलत व्याख्या के लिए हम उत्तरदायी नहीं हैं।