36 KiB
🌐 बहुभाषिक समर्थन
GitHub Action च्या माध्यमातून समर्थित (स्वयंचलित आणि नेहमी अद्ययावत)
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)
आमच्या समुदायात सामील व्हा
आमच्याकडे Discord वर AI शिकण्याची मालिका सुरू आहे, अधिक जाणून घ्या आणि Learn with AI Series मध्ये 18 - 30 सप्टेंबर, 2025 दरम्यान सामील व्हा. तुम्हाला GitHub Copilot डेटा सायन्ससाठी कसे वापरायचे याचे टिप्स आणि ट्रिक्स मिळतील.
नवशिक्यांसाठी मशीन लर्निंग - अभ्यासक्रम
🌍 जगभर प्रवास करा आणि विविध संस्कृतींच्या माध्यमातून मशीन लर्निंगचा अभ्यास करा 🌍
Microsoft मधील Cloud Advocates ने मशीन लर्निंग वर आधारित 12 आठवड्यांचा, 26 धड्यांचा अभ्यासक्रम सादर केला आहे. या अभ्यासक्रमात, तुम्ही क्लासिक मशीन लर्निंग म्हणून ओळखल्या जाणाऱ्या गोष्टींबद्दल शिकाल, मुख्यतः Scikit-learn लायब्ररीचा वापर करून आणि डीप लर्निंग टाळून, जे आमच्या AI for Beginners' अभ्यासक्रमात समाविष्ट आहे. या धड्यांना आमच्या 'Data Science for Beginners' अभ्यासक्रमासोबत जोडून घ्या!
जगभरातील विविध भागांमधील डेटावर क्लासिक तंत्रांचा वापर करताना आमच्यासोबत प्रवास करा. प्रत्येक धड्यात पूर्व-धडा आणि उत्तर-धडा प्रश्नमंजुषा, धडा पूर्ण करण्यासाठी लेखी सूचना, उपाय, असाइनमेंट आणि बरेच काही समाविष्ट आहे. आमच्या प्रकल्प-आधारित पद्धतीमुळे तुम्हाला शिकताना बांधणी करण्याची संधी मिळते, जी नवीन कौशल्ये आत्मसात करण्यासाठी सिद्ध झालेली पद्धत आहे.
✍️ आमच्या लेखकांचे मनःपूर्वक आभार Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu आणि Amy Boyd
🎨 आमच्या चित्रकारांचेही आभार Tomomi Imura, Dasani Madipalli, आणि Jen Looper
🙏 Microsoft Student Ambassador लेखक, पुनरावलोकक, आणि सामग्री योगदानकर्त्यांचे विशेष आभार, विशेषतः Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, आणि Snigdha Agarwal
🤩 Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, आणि Vidushi Gupta यांचे R धड्यांसाठी अतिरिक्त आभार!
सुरुवात कशी करावी
या चरणांचे अनुसरण करा:
- रेपॉजिटरी फोर्क करा: या पृष्ठाच्या वरच्या उजव्या कोपऱ्यातील "Fork" बटणावर क्लिक करा.
- रेपॉजिटरी क्लोन करा:
git clone https://github.com/microsoft/ML-For-Beginners.git
या अभ्यासक्रमासाठी सर्व अतिरिक्त संसाधने Microsoft Learn संग्रहामध्ये शोधा
विद्यार्थी, हा अभ्यासक्रम वापरण्यासाठी, संपूर्ण रेपॉजिटरी तुमच्या GitHub खात्यावर फोर्क करा आणि स्वतः किंवा गटासह व्यायाम पूर्ण करा:
- पूर्व-व्याख्यान प्रश्नमंजुषेसह प्रारंभ करा.
- व्याख्यान वाचा आणि प्रत्येक ज्ञान तपासणीवर थांबून आणि विचार करून क्रियाकलाप पूर्ण करा.
- धड्यांमधून समजून प्रकल्प तयार करण्याचा प्रयत्न करा, उपाय कोड चालवण्याऐवजी; तथापि, तो कोड प्रत्येक प्रकल्प-आधारित धड्यातील
/solutionफोल्डर्समध्ये उपलब्ध आहे. - उत्तर-व्याख्यान प्रश्नमंजुषा घ्या.
- आव्हान पूर्ण करा.
- असाइनमेंट पूर्ण करा.
- धड्यांचा गट पूर्ण केल्यानंतर, चर्चा फलक भेट द्या आणि योग्य PAT रुब्रिक भरून "मोकळेपणाने शिका". 'PAT' म्हणजे प्रगती मूल्यांकन साधन, जे तुम्ही तुमच्या शिकण्याला पुढे नेण्यासाठी भरता. आपण एकत्र शिकण्यासाठी इतर PAT वर प्रतिक्रिया देखील देऊ शकता.
पुढील अभ्यासासाठी, आम्ही या Microsoft Learn मॉड्यूल्स आणि शिकण्याच्या मार्गांचे अनुसरण करण्याची शिफारस करतो.
शिक्षकांनो, आम्ही या अभ्यासक्रमाचा वापर कसा करायचा याबद्दल काही सूचना समाविष्ट केल्या आहेत.
व्हिडिओ मार्गदर्शने
काही धडे लघु स्वरूप व्हिडिओ म्हणून उपलब्ध आहेत. तुम्हाला हे सर्व धड्यांमध्ये इन-लाइन सापडतील, किंवा Microsoft Developer YouTube चॅनेलवरील ML for Beginners प्लेलिस्ट वर खालील प्रतिमेवर क्लिक करून पाहता येतील.
टीमला भेटा
Gif द्वारे Mohit Jaisal
🎥 प्रकल्प आणि ते तयार करणाऱ्या लोकांबद्दल व्हिडिओसाठी वरील प्रतिमेवर क्लिक करा!
शिक्षण पद्धती
हा अभ्यासक्रम तयार करताना आम्ही दोन शिक्षण पद्धतींचा अवलंब केला आहे: हे प्रकल्प-आधारित असल्याचे सुनिश्चित करणे आणि त्यात वारंवार प्रश्नमंजुषा समाविष्ट करणे. याशिवाय, या अभ्यासक्रमाला एक सामान्य थीम आहे जी त्याला सुसंगतता देते.
सामग्री प्रकल्पांशी संरेखित असल्याचे सुनिश्चित करून, प्रक्रिया विद्यार्थ्यांसाठी अधिक आकर्षक बनते आणि संकल्पनांचे स्मरणशक्ती वाढते. याशिवाय, वर्गापूर्वी कमी-जोखमीची प्रश्नमंजुषा विद्यार्थ्याला विषय शिकण्याच्या उद्देशाने तयार करते, तर वर्गानंतरची दुसरी प्रश्नमंजुषा अधिक स्मरणशक्ती सुनिश्चित करते. हा अभ्यासक्रम लवचिक आणि मजेदार बनविण्यासाठी डिझाइन केला गेला आहे आणि तो पूर्ण किंवा अंशतः घेतला जाऊ शकतो. प्रकल्प लहान सुरू होतात आणि 12 आठवड्यांच्या चक्राच्या शेवटी अधिकाधिक जटिल होतात. या अभ्यासक्रमात ML च्या वास्तविक-जगातील अनुप्रयोगांवरील एक परिशिष्ट देखील समाविष्ट आहे, जे अतिरिक्त क्रेडिट म्हणून किंवा चर्चेच्या आधारासाठी वापरले जाऊ शकते.
आमचा Code of Conduct, Contributing, आणि Translation मार्गदर्शक शोधा. आम्ही तुमच्या रचनात्मक अभिप्रायाचे स्वागत करतो!
प्रत्येक धड्यात समाविष्ट आहे
- वैकल्पिक स्केच नोट
- वैकल्पिक पूरक व्हिडिओ
- व्हिडिओ मार्गदर्शन (काही धडेच)
- पूर्व-व्याख्यान वॉर्मअप प्रश्नमंजुषा
- लेखी धडा
- प्रकल्प-आधारित धड्यांसाठी, प्रकल्प कसा तयार करायचा याबद्दल चरण-दर-चरण मार्गदर्शक
- ज्ञान तपासणी
- एक आव्हान
- पूरक वाचन
- असाइनमेंट
- उत्तर-व्याख्यान प्रश्नमंजुषा
भाषांबद्दल एक टीप: हे धडे मुख्यतः Python मध्ये लिहिलेले आहेत, परंतु बरेच R मध्ये देखील उपलब्ध आहेत. R धडा पूर्ण करण्यासाठी,
/solutionफोल्डरमध्ये जा आणि R धडे शोधा. त्यात .rmd विस्तार समाविष्ट आहे, जो R Markdown फाइलचे प्रतिनिधित्व करतो, ज्यालाMarkdown documentमध्येcode chunks(R किंवा इतर भाषांचे) आणिYAML header(आउटपुट स्वरूपन मार्गदर्शन करणारे) समाविष्ट म्हणून सोप्या शब्दांत परिभाषित करता येते. त्यामुळे, डेटा सायन्ससाठी हे एक उत्कृष्ट लेखन फ्रेमवर्क म्हणून काम करते कारण ते तुमचा कोड, त्याचे आउटपुट, आणि तुमचे विचार Markdown मध्ये लिहिण्याची परवानगी देते. याशिवाय, R Markdown दस्तऐवज PDF, HTML, किंवा Word सारख्या आउटपुट स्वरूपात प्रस्तुत केले जाऊ शकतात.
प्रश्नमंजुषांबद्दल एक टीप: सर्व प्रश्नमंजुषा Quiz App फोल्डरमध्ये समाविष्ट आहेत, ज्यात एकूण 52 प्रश्नमंजुषा आहेत, प्रत्येकामध्ये तीन प्रश्न आहेत. त्या धड्यांमधून लिंक केलेल्या आहेत, परंतु प्रश्नमंजुषा अॅप स्थानिकरित्या चालवता येतो;
quiz-appफोल्डरमधील सूचनांचे अनुसरण करून स्थानिकरित्या होस्ट करा किंवा Azure वर तैनात करा.
| धडा क्रमांक | विषय | धडा गट | शिकण्याची उद्दिष्टे | लिंक केलेला धडा | लेखक |
|---|---|---|---|---|---|
| 01 | मशीन लर्निंगची ओळख | ओळख | मशीन लर्निंगमागील मूलभूत संकल्पना जाणून घ्या | धडा | Muhammad |
| 02 | मशीन लर्निंगचा इतिहास | ओळख | या क्षेत्रामागील इतिहास जाणून घ्या | धडा | Jen आणि Amy |
| 03 | न्याय आणि मशीन लर्निंग | Introduction | मशीन लर्निंग मॉडेल तयार करताना आणि लागू करताना विद्यार्थ्यांनी न्यायासंबंधी कोणते महत्त्वाचे तत्त्वज्ञानात्मक मुद्दे विचारात घ्यावे? | Lesson | Tomomi |
| 04 | मशीन लर्निंगसाठी तंत्रज्ञान | Introduction | मशीन लर्निंग संशोधक मशीन लर्निंग मॉडेल तयार करण्यासाठी कोणती तंत्रे वापरतात? | Lesson | Chris and Jen |
| 05 | रिग्रेशनची ओळख | Regression | रिग्रेशन मॉडेलसाठी Python आणि Scikit-learn वापरण्यास सुरुवात करा | Python • R | Jen • Eric Wanjau |
| 06 | उत्तर अमेरिकन भोपळ्याच्या किंमती 🎃 | Regression | मशीन लर्निंगसाठी डेटा व्हिज्युअलाइझ करा आणि स्वच्छ करा | Python • R | Jen • Eric Wanjau |
| 07 | उत्तर अमेरिकन भोपळ्याच्या किंमती 🎃 | Regression | रेषीय आणि बहुपद रिग्रेशन मॉडेल तयार करा | Python • R | Jen and Dmitry • Eric Wanjau |
| 08 | उत्तर अमेरिकन भोपळ्याच्या किंमती 🎃 | Regression | लॉजिस्टिक रिग्रेशन मॉडेल तयार करा | Python • R | Jen • Eric Wanjau |
| 09 | एक वेब अॅप 🔌 | Web App | तुमच्या प्रशिक्षित मॉडेलसाठी वेब अॅप तयार करा | Python | Jen |
| 10 | वर्गीकरणाची ओळख | Classification | तुमचा डेटा स्वच्छ करा, तयार करा आणि व्हिज्युअलाइझ करा; वर्गीकरणाची ओळख | Python • R | Jen and Cassie • Eric Wanjau |
| 11 | स्वादिष्ट आशियाई आणि भारतीय पदार्थ 🍜 | Classification | वर्गीकरणकर्त्यांची ओळख | Python • R | Jen and Cassie • Eric Wanjau |
| 12 | स्वादिष्ट आशियाई आणि भारतीय पदार्थ 🍜 | Classification | अधिक वर्गीकरणकर्ते | Python • R | Jen and Cassie • Eric Wanjau |
| 13 | स्वादिष्ट आशियाई आणि भारतीय पदार्थ 🍜 | Classification | तुमच्या मॉडेलचा वापर करून शिफारस करणारा वेब अॅप तयार करा | Python | Jen |
| 14 | क्लस्टरिंगची ओळख | Clustering | तुमचा डेटा स्वच्छ करा, तयार करा आणि व्हिज्युअलाइझ करा; क्लस्टरिंगची ओळख | Python • R | Jen • Eric Wanjau |
| 15 | नायजेरियन संगीताची आवड शोधणे 🎧 | Clustering | K-Means क्लस्टरिंग पद्धत एक्सप्लोर करा | Python • R | Jen • Eric Wanjau |
| 16 | नैसर्गिक भाषा प्रक्रिया करण्याची ओळख ☕️ | Natural language processing | साधा बॉट तयार करून NLP च्या मूलभूत गोष्टी शिका | Python | Stephen |
| 17 | सामान्य NLP कार्य ☕️ | Natural language processing | भाषिक संरचनांशी व्यवहार करताना आवश्यक असलेल्या सामान्य कार्यांबद्दल समजून घेऊन तुमचे NLP ज्ञान वाढवा | Python | Stephen |
| 18 | भाषांतर आणि भावना विश्लेषण ♥️ | Natural language processing | Jane Austen सह भाषांतर आणि भावना विश्लेषण | Python | Stephen |
| 19 | युरोपमधील रोमँटिक हॉटेल्स ♥️ | Natural language processing | हॉटेल पुनरावलोकनांसह भावना विश्लेषण 1 | Python | Stephen |
| 20 | युरोपमधील रोमँटिक हॉटेल्स ♥️ | Natural language processing | हॉटेल पुनरावलोकनांसह भावना विश्लेषण 2 | Python | Stephen |
| 21 | वेळ मालिका अंदाजाची ओळख | Time series | वेळ मालिका अंदाजाची ओळख | Python | Francesca |
| 22 | ⚡️ जागतिक वीज वापर ⚡️ - ARIMA सह वेळ मालिका अंदाज | Time series | ARIMA सह वेळ मालिका अंदाज | Python | Francesca |
| 23 | ⚡️ जागतिक वीज वापर ⚡️ - SVR सह वेळ मालिका अंदाज | Time series | सपोर्ट व्हेक्टर रिग्रेशनसह वेळ मालिका अंदाज | Python | Anirban |
| 24 | पुनर्बलन शिक्षणाची ओळख | Reinforcement learning | Q-Learning सह पुनर्बलन शिक्षणाची ओळख | Python | Dmitry |
| 25 | पीटरला लांडग्यापासून वाचवा! 🐺 | Reinforcement learning | पुनर्बलन शिक्षण जिम | Python | Dmitry |
| Postscript | वास्तविक जगातील मशीन लर्निंग परिस्थिती आणि अनुप्रयोग | ML in the Wild | पारंपरिक मशीन लर्निंगचे मनोरंजक आणि उघड करणारे वास्तविक जगातील अनुप्रयोग | Lesson | Team |
| Postscript | RAI डॅशबोर्ड वापरून मशीन लर्निंगमध्ये मॉडेल डीबगिंग | ML in the Wild | जबाबदार AI डॅशबोर्ड घटक वापरून मशीन लर्निंगमध्ये मॉडेल डीबगिंग | Lesson | Ruth Yakubu |
या कोर्ससाठी Microsoft Learn संग्रहामध्ये सर्व अतिरिक्त संसाधने शोधा
ऑफलाइन प्रवेश
तुम्ही Docsify वापरून ही दस्तऐवज ऑफलाइन चालवू शकता. या रेपोला फोर्क करा, तुमच्या स्थानिक मशीनवर Docsify इंस्टॉल करा, आणि मग या रेपोच्या मूळ फोल्डरमध्ये docsify serve टाइप करा. वेबसाइट तुमच्या लोकलहोस्टवर पोर्ट 3000 वर चालवली जाईल: localhost:3000.
PDFs
लिंक्ससह अभ्यासक्रमाचा PDF इथे शोधा.
🎒 इतर कोर्सेस
आमची टीम इतर कोर्सेस तयार करते! पहा:
- 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