ML-For-Beginners/translations/ml

🌐 ബഹുഭാഷാ സഹായം

GitHub ആക്ഷനിലൂടെ പിന്തുണ (സ്വച്ഛന്ദവും എപ്പൊഴും അപ്‌ടേറ്റും)

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 | 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

ക്ലോൺ ചെയ്യാൻ പ്രാധാന്യം തരാൻ ആഗ്രഹമുണ്ടോ?

ഈ റിപ്പോസിറ്ററിയിൽ 50-ലധികം ഭാഷാ വിവർത്തനങ്ങൾ ഉൾക്കൊള്ളിച്ചിരിക്കുന്നു, ഇത് ഡൗൺലോഡിന്റെ വലുപ്പം വലിയതാക്കുന്നു. വിവർത്തനങ്ങൾ ഇല്ലാതെ ക്ലോൺ ചെയ്യാൻ sparse checkout ഉപയോഗിക്കുക:

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'

ഇതിലൂടെ ഈ കോഴ്സ് പൂർത്തിയാക്കാൻ ആവശ്യമായ എല്ലാ കാര്യങ്ങളും വളരെ വേഗം ഡൗൺലോഡ് ചെയ്യാം.

നമ്മുടെ കമ്മ്യൂണിറ്റിയിൽകൂടെ ചേർക്കുക

നമ്മുടെ Discord ലെ 'AI സീരീസ് കൊണ്ട് പഠിക്കാം' പരിപാടി നടന്നു കൊണ്ടിരിക്കുന്നു, കൂടുതൽ വിവരങ്ങൾക്കും ചേരാൻ Learn with AI Series സന്ദർശിക്കുക, തീയതി 18 - 30 സെപ്റ്റംബർ, 2025. നിങ്ങൾക്ക് ഡാറ്റാ സയൻസിൽ GitHub Copilot ഉപയോഗിക്കുന്നതിനുള്ള ഉപദേശങ്ങളും തന്ത്രങ്ങളും ലഭിക്കും.

പുതിയവർക്കുള്ള മെഷീൻ ലേണിംഗ് - ഒരു അധ്യയനക്രമം

🌍 ലോക സംസ്കാരങ്ങളിലൂടെ മെഷീൻ ലേണിംഗ് പഠിക്കുമ്പോൾ ലോകം സഞ്ചരിയ്ക്കുക 🌍

Microsoft ലെ ക്ലൗഡ് അഡ്വക്കേറ്റ്സ് അഭിമാനത്തോടെ 12 ആഴ്ച, 26 പാഠങ്ങളുള്ള ഒരു മെഷീൻ ലേണിംഗ് അധ്യയനക്രമം അവതരിപ്പിക്കുന്നു. ഈ ക്രമത്തിൽ, പ്രധാനമായും Scikit-learn ലൈബ്രറി ഉപയോഗിച്ച് ചിലപ്പോൾ ക്ലാസിക് മെഷീൻ ലേണിംഗ് എന്നു വിളിക്കപ്പെടുന്ന കാര്യം പഠിക്കും, കൂടാതെ വിശദമായ പഠനം (ഡീപ് ലേണിംഗ്) ഒഴിവാക്കി, അതിന്റെ പഠനം שלנו AI for Beginners' curriculum ലും ലഭ്യമാണ്. ഈ പാഠങ്ങളോട് ഒപ്പം ഞങ്ങൾ അവതരിപ്പിക്കുന്ന 'Data Science for Beginners' curriculum കൂടെ ചേർത്ത് ഉപയോഗിക്കാം.

ലോകത്തിന്റെ വിവിധ ഭാഗങ്ങളിൽ നിന്നുള്ള ഡാറ്റയുമായി ഈ ക്ലാസിക് സാങ്കേതിക വിദ്യകൾ പ്രയോഗിച്ച് ഞങ്ങളോടൊപ്പം സഞ്ചരിക്കുക. ഓരോ പാഠത്തിലും മുൻകാലവും ശേഷമുള്ള ക്വിസുകൾ, പാഠം പൂർത്തിയാക്കാനുള്ള എഴുതപ്പെട്ട നിർദേശം, പരിഹാരം, അസൈൻമെന്റ് തുടങ്ങിയവ ഉൾപ്പെടുത്തിയിരിക്കുന്നു. നമ്മുടെ പദ്ധതിഭിഷക്‌ത പഠനരീതി (project-based pedagogy) നിങ്ങളെ പഠിപ്പിക്കും, പുതിയ കഴിവുകൾ 'അച്ചെക്കാൻ' ഏറ്റവും മികച്ച മാർഗമാണ്.

✍️ ഞങ്ങളുടെ ലേഖകരായി നിന്നവർക്ക് ഹൃദയംഗമമായ നന്ദി: Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu, Amy Boyd

🎨 ചിത്രകാരന്മാർക്ക് നന്ദിയും: Tomomi Imura, Dasani Madipalli, Jen Looper

🙏 പ്രത്യേക നന്ദി 🙏 Microsoft വിദ്യാർത്ഥി അംബാസഡർ എഡിറ്റർമാർ, റിവ്യൂവർമാർ, കോൺറന്റ് കൺട്രിബ്യൂട്ടർമാർക്ക്, പ്രധാനമായി Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, Snigdha Agarwal

🤩 Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, Vidushi Gupta യ്ക്ക് R പാഠങ്ങൾക്കുള്ള പ്രത്യേക നന്ദിയും!

തുടക്കം എടുക്കുക

ഈ ചുവടുകൾ പാലിക്കുക:

1. റിപ്പോസിറ്ററി ഫോർക്കുചെയ്യുക: ഈ പേജിന്റെ മുകളിൽ വലത് ഭാഗത്ത് "Fork" ബട്ടൺ അമർത്തുക.
2. റിപ്പോസിറ്ററി ക്ലോൺ ചെയ്യുക: git clone https://github.com/microsoft/ML-For-Beginners.git

ഈ കോഴ്സിനായി എല്ലാ അനുബന്ധ വിഭവങ്ങളും നമ്മുടെ Microsoft Learn കലക്ഷനിൽ കാണുക

🔧 സഹായം വേണമെന്ന് തോന്നുന്നുവോ? ഇൻസ്റ്റലേഷൻ, സെറ്റപ്, പാഠങ്ങൾ ഓടിക്കുന്നതിലെ സാധാരണ പ്രശ്‌നങ്ങൾക്ക് പരിഹാരങ്ങളായ Troubleshooting Guide നോക്കൂ.

വിദ്യാർത്ഥികൾ, ഈ അധ്യയനക്രമം ഉപയോഗിക്കാൻ, പൂർണ്ണമായും റിപോ നിങ്ങളുടെ സ്വന്തം GitHub അക്കൗണ്ടിലേക്ക് ഫോർക്കുചെയ്ത് സ്വതന്ത്രമായി അല്ലെങ്കിൽ കൂട്ടായ്മയോടെ പ്രവർത്തിക്കുക:

• പ്രീ-ലെക്ചർ ക്വിസ് ആരംഭിക്കുക.
• ലക്ചർ വായിക്കുകയും പാഠം പൂർത്തിയാക്കുന്നതുമായി ബന്ധപ്പെട്ട പ്രവർത്തനങ്ങൾ ചെയ്യുക, ഓരോ അറിവ് പരിശോധനയിലും താൽക്കാലികമായി നിർത്തി ചിന്തിക്കുക.
• പാഠം മനസ്സിലാക്കി പ്രോജക്റ്റുകൾ സൃഷ്ടിക്കാൻ ശ്രമിക്കുക; എന്നിരുന്നാലും പരിഹാര കോഡ് ഓരോ പ്രോജക്ട്‌ളുള്ള /solution ഫോൾഡറുകളിൽ ലഭ്യമാണ്.
• പോസ്റ്റ്-ലെക്ചർ ക്വിസ് ചെയ്യുക.
• ചലഞ്ച് പൂർത്തിയാക്കുക.
• അസൈൻമെന്റ് ചെയ്യുക.
• ഒരു പാഠ ഗ്രൂപ്പ് പൂർത്തിയാക്കിയ ശേഷം, Discussion Board സന്ദർശിച്ച് അനുയോജ്യമായ PAT റൂബ്രിക് പൂരിപ്പിച്ച് "ശബ്ദത്തിൽ പഠിക്കുക". 'PAT' എന്നത് പ്രോഗ്രസ് അസസ്സ്മെന്റ് ടൂൾ ആണ്, നിങ്ങളുടെ പഠനം മെച്ചപ്പെടുത്താൻ നിങ്ങൾ പൂരിപ്പിക്കുന്ന ഒരു രൂപരേഖ. മറ്റുള്ളവരുടെ PATലിനും പ്രതികരിച്ച് ഞങ്ങൾ ചേർന്ന് പഠിക്കാം.

കൂടുതൽ പഠനത്തിനായി, ഈ Microsoft Learn മോഡ്യൂളുകളും പഠന പാതകളും പിന്തുടരാൻ ശുപാർശ ചെയ്യുന്നു.

ഉപാധ്യാപകർ, ഈ അധ്യയനക്രമം ഉപയോഗിക്കുന്നതിനുള്ള ചില നിർദേശംങ്ങൾ ഇവിടെ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്.

---

വീഡിയോകളിലൂടെ പ്രയോഗം

ചില പാഠങ്ങൾ ലഘു വീഡിയോകളായി ലഭ്യമാണ്. നിങ്ങൾക്ക് ഈ വീഡിയോകൾ പാഠങ്ങൾക്കിടയിൽ അല്ലെങ്കിൽ Microsoft ഡെവലപ്പർ യൂട്യൂബ് ചാനലിലെ ML for Beginners പ്ലേലിസ്റ്റിൽ ചിത്രത്തിൽ ക്ലിക്ക് ചെയ്ത് കാണാം.

---

ടീം പരിചയപ്പെടുത്തൽ

Gif നിർമ്മിച്ചത് Mohit Jaisal

🎥 ചിത്രത്തിൽ ക്ലിക്ക് ചെയ്ത് പ്രോജക്ടും സൃഷ്ടിച്ച ആളുകളും സംബന്ധിച്ച വീഡിയോകൾ കാണുക!

---

പാഠശൈലി

ഈ അധ്യയനക്രമം നിർമ്മിക്കുമ്പോൾ രണ്ട് പ്രധാന പാഠശൈലികൾ നിശ്ചയിച്ചു: പ്രായോഗികമായ പ്രോജക്ട് അടിസ്ഥാനമായ പഠനരീതി ഉറപ്പാക്കുക, കൂടാതെ തുടർച്ചയായ ക്വിസുകൾ ഉൾക്കൊള്ളിക്കുക. കൂടാതെ ഈ അധ്യയനക്രമത്തിന് ഒരൊറ്റ തീം ഉണ്ട്, ഇത് ഏകോപനം നൽകുന്നു.

വിഷയങ്ങളുടെ ഉള്ളടക്കം പ്രോജക്ടുകളുമായി ബന്ധിപ്പിക്കപ്പെട്ടാൽ വിദ്യാർത്ഥികളുടെ ഉൾപ്പെടൽ വർദ്ധിക്കുകയും ആശയങ്ങളുടെ ദൃഢതയും വർധിക്കുകയും ചെയ്യും. ക്ലാസിനു മുമ്പുള്ള കുറഞ്ഞ തുല്യമുള്ള ക്വിസ് വിദ്യാർത്ഥിയുടെ പഠന ആഗ്രഹം സൃഷ്ടിക്കുന്നു, ക്ലാസിനു ശേഷമുള്ള ക്വിസ് കൂടുതൽ സ്ഥിരത ഉറപ്പുവരുത്തുന്നു. ഈ അധ്യയനക്രമം സൗകര്യപ്രദവും രസകരവുമായ രീതിയിൽ രൂപകൽപ്പന ചെയ്തു, മുഴുവൻ തവണയും ഒരു ഭാഗമോ കൈകാര്യം ചെയ്യാം. പ്രോജക്ടുകൾ ചെറിയതിൽ നിന്നാരംഭിച്ച് 12 ആഴ്ചകളുടെ അവസാനം കൂടുതൽ സങ്കീർണ്ണമാകും. ഈ അധ്യയനക്രമം ML ന്റെ യഥാർത്ഥ ലോകത്തിലпля ഉപയോഗങ്ങളും ഉൾക്കൊള്ളുന്നതാണ്, ഇത് അധിക ക്രെഡിറ്റിന് അല്ലെങ്കിൽ ചർച്ചയ്ക്ക് അടിസ്ഥാനമായി ഉപയോഗിക്കാം.

ഞങ്ങളുടെ Code of Conduct, Contributing, Translation, Troubleshooting മാർഗനിർദേശങ്ങൾ കാണുക. നിങ്ങളുടെ ക്രിയാത്മക അഭിപ്രായങ്ങൾ സ്വാഗതം!

ഓരോ പാഠത്തിലും ഉൾപ്പെടുന്നു

• ഐച്ഛിക സ്കെച്ച് നോട്ടുകൾ
• ഐച്ഛികസഹായക വീഡിയോകൾ
• വീഡിയോകളിലൂടെ പാഠം മനസ്സിലാക്കൽ (ചില പാഠങ്ങൾക്കാണ്)
• പ്രീ-ലെക്ചർ വാംപ് ക്വിസ്
• എഴുതിയ പാഠം
• പ്രോജക്ട് അധിഷ്ഠിത പാഠങ്ങൾക്ക് പ്രോജക്ട് നിർമ്മാണത്തിനുള്ള ഘട്ടങ്ങൾ സംഭവാനുസരണം
• അറിവ് പരിശോധനകൾ
• ഒരു വെല്ലുവിളി
• സഹായക വായന
• അസൈൻമെന്റ്
• പോസ്റ്റ്-ലെക്ചർ ക്വിസ്

ഭാഷകളെ കുറിച്ചുള്ള കുറിപ്പ്: ഈ പാഠങ്ങൾ പ്രധാനമായും Python ൽ എഴുതപ്പെട്ടിരിക്കുന്നു, എന്നാൽ R ലും ലഭ്യമാണ്. R പാഠം പൂര്‍ത്തിയാക്കാൻ, /solution ഫോൾഡറിൽ R പാഠങ്ങൾ കണ്ടുപിടിക്കുക. അവയ്ക്ക് .rmd വിപുലീകരണം ഉണ്ട്, ഇത് R ഇറക്കുമതി ഫയലിന്റെ രൂപത്തിൽ, കોડ്ചാങ്ക്(കൂടാതെ മറ്റ് ഭാഷകളും) ഉൾപ്പെടുത്തിയുള്ള Markdown രേഖയാണ്. ഇതിലൂടെ, കോഡ്, അതിന്റെ ഔട്ട്പുട്ടും നിങ്ങളുടെ വിചാരങ്ങളും Markdown ൽ লিখാനാകുന്നു. കൂടുതൽ, R Markdown രേഖകൾ PDF, HTML, Word തുടങ്ങിയ വിവിധ ഫോർമാറ്റുകളിൽ പ്രദർശിപ്പിക്കാം. ക്വിസ് സംബന്ധിച്ച ഒരു കുറിപ്പ്: എല്ലാ ക്വിസുകളും Quiz App ഫോള്ഡറിൽ അടങ്ങിയിരിക്കുന്നു, ഓരോതിലും മൂന്ന് ചോദ്യങ്ങളുള്ള മൊത്തം 52 ക്വിസുകളാണ്. ഇവ പാഠങ്ങളിൽ നിന്നു ബന്ധിപ്പിക്കപ്പെട്ടിട്ടുണ്ടെങ്കിലും ക്വിസ് ആപ്പ് ലോക്കലായി പ്രവർത്തിപ്പിക്കാവുന്നതാണ്; ലോക്കലായി ഹോസ്റ്റ് ചെയ്യുന്നതിനോ Azure-ലേക്ക് വിനിയോഗിക്കുന്നതിനോ quiz-app ഫോള്ഡറിലെ നിർദ്ദേശങ്ങൾ അനുഗമിക്കുക.

പാഠ നമ്പർ	വിഷയം	പാഠ ഗ്രൂപ്പിംഗ്	പഠന ലക്ഷ്യങ്ങൾ	ബന്ധിപ്പിച്ച പാഠം	രചയിതാവ്
01	മെഷീൻ ലേണിങ്ങിലേക്ക് പരിചയം	Introduction	മെഷീൻ ലേണിങ്ങിന്റെ അടിസ്ഥാന ആശയങ്ങൾ പഠിക്കുക	Lesson	മുഹമ്മദ്
02	മെഷീൻ ലേണിങ്ങിന്റെ ചരിത്രം	Introduction	ഈ മേഖലയിലെ ചരിത്രം പഠിക്കുക	Lesson	ജെൻ ആൻഡ് എമി
03	ന്യായത്വവും മെഷീൻ ലേണിങ്ങും	Introduction	മെഷീൻ ലേണിങ്ങ് മോഡലുകൾ നിർമ്മിക്കുന്നതിനും പ്രയോഗിക്കുന്നതിനും വിദ്യാർത്ഥികൾ പരിഗണിക്കേണ്ട പ്രധാന തത്ത്വപരമായ വിഷയങ്ങൾ എന്തെല്ലാം?	Lesson	ടോമോമി
04	മെഷീൻ ലേണിങ്ങിനായുള്ള സാങ്കേതിക വിദ്യകൾ	Introduction	മെഷീൻ ലേണിങ്ങ് ഗവേഷകരാണ് എങ്ങനെ മോഡലുകൾ നിർമ്മിക്കുന്നത്?	Lesson	ക്രിസ് ആൻഡ് ജെൻ
05	റെഗ്രഷനിലേക്ക് പരിചയം	Regression	റെഗ്രഷൻ മോഡലുകൾക്കായുള്ള Python, Scikit-learn ഉപയോഗം ആരംഭിക്കുക	Python • R	ജെൻ • എറിക് വാൻജൗ
06	നോർത്ത് അമേരിക്കൻ പംപ്കിൻ വിലകൾ 🎃	Regression	മെഷീൻ ലേണിങ്ങിനായി ഡാറ്റാ വിസ്വലൈസ് ചെയ്ത് ശുദ്ധമാക്കുക	Python • R	ജെൻ • എറിക് വാൻജൗ
07	നോർത്ത് അമേരിക്കൻ പംപ്കിൻ വിലകൾ 🎃	Regression	ലീനിയർ, പോളിനോമ്യൽ റെഗ്രഷൻ മോഡലുകൾ നിർമ്മിക്കുക	Python • R	ജെൻ ആൻഡ് ഡിമിത്രി • എറിക് വാൻജൗ
08	നോർത്ത് അമേരിക്കൻ പംപ്കിൻ വിലകൾ 🎃	Regression	ലജിസ്റ്റിക് റെഗ്രഷൻ മോഡൽ നിർമ്മിക്കുക	Python • R	ജെൻ • എറിക് വാൻജൗ
09	ഒരു വെബ് ആപ്പ് 🔌	Web App	പരിശീലിപ്പിച്ച മോഡൽ ഉപയോഗിക്കുന്ന വെബ് ആപ്പ് നിർമ്മിക്കുക	Python	ജെൻ
10	ക്ലാസിഫിക്കേഷനിലേക്ക് പരിചയം	Classification	നിങ്ങളുടെ ഡാറ്റ ശുദ്ധീകരിക്കുക, തയ്യാറാക്കുക, വിസ്വലൈസ് ചെയ്യുക; ക്ലാസിഫിക്കേഷൻ വൈകാരികമായി പരിചയപ്പെടുക	Python • R	ജെൻ ആൻഡ് കാസ്സി • എറിക് വാൻജൗ
11	രുചികരമായ ഏഷ്യൻ, ഇന്ത്യൻ ഭക്ഷണങ്ങൾ 🍜	Classification	ക്ലാസിഫയർസിന്റെ പരിചയപ്പെടുത്തൽ	Python • R	ജെൻ ആൻഡ് കാസ്സി • എറിക് വാൻജൗ
12	രുചികരമായ ഏഷ്യൻ, ഇന്ത്യൻ ഭക്ഷണങ്ങൾ 🍜	Classification	കൂടുതൽ ക്ലാസിഫയർസുകൾ	Python • R	ജെൻ ആൻഡ് കാസ്സി • എറിക് വാൻജൗ
13	രുചികരമായ ഏഷ്യൻ, ഇന്ത്യൻ ഭക്ഷണങ്ങൾ 🍜	Classification	നിങ്ങളുടെ മോഡൽ ഉപയോഗിച്ച് റിക്കമന്റർ വെബ് ആപ്പ് നിർമ്മിക്കുക	Python	ജെൻ
14	ക്ലസ്റ്ററിംഗിലേക്ക് പരിചയം	Clustering	നിങ്ങളുടെ ഡാറ്റ ശുദ്ധമാക്കുക, തയ്യാറാക്കുക, വിസ്വലൈസ് ചെയ്യുക; ക്ലസ്റ്ററിംഗിലേക്ക് പരിചയം	Python • R	ജെൻ • എറിക് വാൻജൗ
15	നൈജീരിയൻ സംഗീത രുചികൾ അന്വേഷിക്കുക 🎧	Clustering	K-മീന്സ് ക്ലസ്റ്ററിംഗ് രീതി അന്വേഷിക്കുക	Python • R	ജെൻ • എറിക് വാൻജൗ
16	സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിങ്ങിലേക്ക് പരിചയം ☕️	Natural language processing	ലളിതമായ ബോട്ട് നിർമ്മിച്ച് NLP അടിസ്ഥാനങ്ങൾ പഠിക്കുക	Python	സ്റ്റീഫൻ
17	പൊതു NLP ജോലികൾ ☕️	Natural language processing	ഭാഷാസംഘടനകളുമായി ഇടപഴകുന്നതിനുള്ള സാധാരണ ജോലികൾ മനസ്സിലാക്കുന്നതിലൂടെ NLP അറിവ് ഗાઢമാക്കുക	Python	സ്റ്റീഫൻ
18	വിധാനം, വികാര വിശകലനം ♥️	Natural language processing	ജെയ്ൻ ഓസ്റ്റന്റെ എഴുത്തുകളിലൂടെ വിവർത്തനവും വികാര വിശകലനവും	Python	സ്റ്റീഫൻ
19	യൂറോപ്പിലെ പ്രണയ ഹോട്ടലുകൾ ♥️	Natural language processing	ഹോട്ടൽ റിവ്യൂസ് ഉപയോഗിച്ചുള്ള വികാര വിശകലനത്തിന്റെ തുടക്ക Python കോഴ്‌സ്	Python	സ്റ്റീഫൻ
20	യൂറോപ്പിലെ പ്രണയ ഹോട്ടലുകൾ ♥️	Natural language processing	ഹോട്ടൽ റിവ്യൂസ് ഉപയോഗിച്ചുള്ള വികാര വിശകലനത്തിന്റെ രണ്ടാം ഭാഗം	Python	സ്റ്റീഫൻ
21	ടൈം സീരീസ് ഫോറ്കാസ്റ്റിംഗിലേക്ക് പരിചയം	Time series	ടൈം സീരീസ് ഫോറ്കാസ്റ്റിംഗിന്റെ പരിചയം	Python	ഫ്രാൻസസ്ക
22	⚡️ ലോക വൈദ്യുതി ഉപയോഗം ⚡️ - ARIMA ഉപയോഗിച്ചുള്ള ടൈം സീരീസ് ഫോറ്കാസ്റ്റിംഗ്	Time series	ARIMA ഉപയോഗിച്ചുള്ള ടൈം സീരീസ് ഫോറ്കാസ്റ്റിംഗ്	Python	ഫ്രാൻസസ്ക
23	⚡️ ലോക വൈദ്യുതി ഉപയോഗം ⚡️ - SVR ഉപയോഗിച്ചുള്ള ടൈം സീരീസ് ഫോറ്കാസ്റ്റിംഗ്	Time series	Support Vector Regressor ഉപയോഗിച്ചുള്ള ടൈം സീരീസ് ഫോറ്കാസ്റ്റിംഗ്	Python	അനിർബാൻ
24	റിന്ഫോഴ്സ്മെന്റ് ലേണിങ്ങിലേക്ക് പരിചയം	Reinforcement learning	Q-ലേണിംഗ് ഉപയോഗിച്ചുള്ള റിന്ഫോഴ്സ്മെന്റ് ലേണിങ്ങിന്റെ പരിചയം	Python	ഡിമിറ്റ്രി
25	പീറ്ററെ കടുവയിൽ നിന്ന് രക്ഷിക്കുക! 🐺	Reinforcement learning	റിന്ഫോഴ്സ്മെന്റ് ലേണിങ്ങ് ജിം	Python	ഡിമിറ്റ്രി
Postscript	യാഥാർത്ഥ്യ ML സാഹചര്യംകളും പ്രയോഗങ്ങളുമാണ്	ML in the Wild	ക്ലാസിക്കല് ML ന്റെ രസകരവും വെളിവും നൽകുന്ന യഥാർത്ഥ ലോക പ്രയോഗങ്ങൾ	Lesson	ടീം
Postscript	ML മോഡൽ ഡീബഗിങ്ങ് RAI ഡാഷ്ബോർഡ് ഉപയോഗിച്ച്	ML in the Wild	ഉത്തരവാദായ AI ഡാഷ്ബോർഡ് ഘടകങ്ങൾ ഉപയോഗിച്ച് യന്ത്രവിദ്യാഭ്യാസ മോഡൽ ഡീബഗിങ്ങ്	Lesson	റുത്ത് യാകുബു

ഈ കോഴ്സിന് വേണ്ടി മറ്റു എല്ലാ അധിക വിഭവങ്ങളും Microsoft Learn ശേഖരത്തിൽ കാണുക

ഓഫ്‌ലൈൻ പ്രാപ്യത

Docsify ഉപയോഗിച്ച് ഈ ഡോക്യുമെന്റേഷൻ ഓഫ്‌ലൈൻ പ്രവർത്തിപ്പിക്കാം. ഈ റിപോ ഫോർക്കുചെയ്ത്, നിങ്ങളുടെ ലോക്കൽ മെഷീനിൽ Docsify ഇൻസ്റ്റാൾ ചെയ്യുക, പിന്നെ ഈ റിപോയുടെ റൂട്ട് ഫോൾഡറിൽ docsify serve എന്ന് ടൈപ്പ് ചെയ്യുക. വെബ്സൈറ്റ് നിങ്ങളുടെ ലോക്കൽ ہوس്റ്റിൽ 3000 നമ്പർ പോർട്ടിൽ ലഭ്യമാണ്: localhost:3000.

PDF-കൾ

കറിക്കുലംയുടെ PDF ലിങ്ക് ഇവിടെ ലഭ്യമാണ്.

🎒 മറ്റ് കോഴ്സുകൾ

ഞങ്ങളുടെ ടീം മറ്റ് കോഴ്സുകളും നിർമ്മിക്കുന്നു! പരിശോധിക്കൂ:

---

മുക്കട്ട് പഠനങ്ങൾ

---

കപൈലറ്റ് പരമ്പരകൾ

സഹായം നേടുക

AI ആപ്ലിക്കേഷനുകൾ നിർമിക്കാൻ ശ്രമിക്കുമ്പോൾ തകർന്ന് പോയോ അല്ലെങ്കിൽ എന്തെങ്കിലും ചോദ്യങ്ങൾ ഉണ്ടായിരിക്കുന്നുവോ? MCP-യുമായി ബന്ധപ്പെട്ട ചര്‍ച്ചകളിൽ അനുഭാവികളും പരിചയസമ്പന്നരുമായ ഡവലപ്പർമാരെ അംഗങ്ങളായുള്ള സമൂഹത്തിൽ ചേരുക. ഇത് ചോദ്യങ്ങൾ സ്വാഗതം ചെയ്യുന്നും സ്വതന്ത്രമായി അറിവ് പങ്കിടുന്ന ഒരു പിന്തുണയുള്ള കമ്മ്യൂണിറ്റിയാണ്.

ഉൽപ്പന്ന ഫീഡ്ബാക്ക് നൽകാനോ നിർമ്മിക്കുന്നിടത്തും പിശകുകൾ ഉണ്ടെങ്കിൽ സന്ദർശിക്കുക:

---

പരാമർശം:
ഈ രേഖ AI പരിഭാഷാ സേവനം Co-op Translator ഉപയോഗിച്ച് പരിഭാഷപ്പെടുത്തിയതാണ്. നമുക്ക് യഥാർത്ഥതയിലേക്ക് ശ്രദ്ധ払ിക്കുന്നതിനായിരിക്കെ, ഓട്ടോമാറ്റഡ് പരിഭാഷകളിൽ എങ്കിലും പിശകുകൾ അല്ലെങ്കിൽ അമിതരൂപിടലുകൾ ഉണ്ടാകാമെന്ന് ദയവായി അറിയുക. മൊഴിമാറ്റത്തിന് ഉള്ള મૂળ രേഖ അതിന്റെ സ്വന്തം ഭാഷയിൽ മാന്യമായ ഉറവിടമായി പരിഗണിക്കണം. പ്രധാനപ്പെട്ട വിവരങ്ങൾക്കായി, വിദഗ്ധ മാനവ പരിഭാഷ നിർദ്ദേശിക്കപ്പെടുന്നു. ഈ പരിഭാഷയുടെ ഉപയോഗത്തിൽ നിന്നുണ്ടാകുന്നത് ഏതെങ്കിലും തെറ്റു ധാരണകൾക്കും തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കും ഞങ്ങൾ ഉത്തരവാദിത്വം വഹിക്കില്ല.