30 KiB

Raw Blame History Unescape Escape

🌐 کثیر زبان کی حمایت

GitHub ایکشن کے ذریعے دستیاب (خودکار اور ہمیشہ تازہ ترین)

ہماری کمیونٹی میں شامل ہوں

ہمارے Discord پر AI کے ساتھ سیکھنے کی سیریز جاری ہے، مزید جانیں اور ہمارے ساتھ شامل ہوں Learn with AI Series 18 - 30 ستمبر، 2025 کے درمیان۔ آپ کو GitHub Copilot کو ڈیٹا سائنس کے لیے استعمال کرنے کے بارے میں تجاویز اور ترکیبیں ملیں گی۔

مشین لرننگ کے لیے ابتدائی رہنما - ایک نصاب

🌍 دنیا کے مختلف ثقافتوں کے ذریعے مشین لرننگ کو دریافت کریں 🌍

Microsoft کے Cloud Advocates نے مشین لرننگ کے بارے میں 12 ہفتوں، 26 اسباق پر مشتمل نصاب پیش کرنے پر خوشی کا اظہار کیا ہے۔ اس نصاب میں، آپ کو کلاسک مشین لرننگ کے بارے میں سیکھنے کا موقع ملے گا، جس میں بنیادی طور پر Scikit-learn لائبریری کا استعمال کیا جائے گا اور گہرائی میں سیکھنے سے گریز کیا جائے گا، جو ہمارے AI for Beginners' curriculum میں شامل ہے۔ ان اسباق کو ہمارے 'Data Science for Beginners' curriculum کے ساتھ جوڑیں!

ہمارے ساتھ دنیا بھر کا سفر کریں کیونکہ ہم ان کلاسک تکنیکوں کو دنیا کے مختلف علاقوں کے ڈیٹا پر لاگو کرتے ہیں۔ ہر سبق میں سبق سے پہلے اور بعد کے کوئز، سبق مکمل کرنے کے لیے تحریری ہدایات، ایک حل، ایک اسائنمنٹ، اور مزید شامل ہیں۔ ہمارا پروجیکٹ پر مبنی تدریسی طریقہ آپ کو سیکھنے کے دوران تعمیر کرنے کی اجازت دیتا ہے، جو نئے مہارتوں کو یاد رکھنے کا ایک ثابت شدہ طریقہ ہے۔

✍️ ہمارے مصنفین کا دل سے شکریہ Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu اور Amy Boyd

🎨 ہمارے مصوروں کا بھی شکریہ Tomomi Imura, Dasani Madipalli, اور Jen Looper

🙏 خاص شکریہ 🙏 ہمارے Microsoft Student Ambassador مصنفین، جائزہ لینے والوں، اور مواد کے تعاون کرنے والوں کا، خاص طور پر Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, اور Snigdha Agarwal

🤩 اضافی شکریہ Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, اور Vidushi Gupta کو ہمارے R اسباق کے لیے!

شروع کریں

ان مراحل پر عمل کریں:

ریپوزیٹری کو فورک کریں: اس صفحے کے اوپر دائیں کونے میں "Fork" بٹن پر کلک کریں۔
ریپوزیٹری کو کلون کریں: git clone https://github.com/microsoft/ML-For-Beginners.git

اس کورس کے لیے تمام اضافی وسائل ہماری Microsoft Learn کلیکشن میں تلاش کریں

طلباء، اس نصاب کو استعمال کرنے کے لیے، پورے ریپو کو اپنے GitHub اکاؤنٹ میں فورک کریں اور مشقیں خود یا گروپ کے ساتھ مکمل کریں:

سبق سے پہلے کوئز شروع کریں۔
سبق پڑھیں اور سرگرمیاں مکمل کریں، ہر علم کی جانچ پر توقف کریں اور غور کریں۔
اسباق کو سمجھ کر پروجیکٹس بنانے کی کوشش کریں بجائے اس کے کہ حل کوڈ چلائیں؛ تاہم وہ کوڈ /solution فولڈرز میں ہر پروجیکٹ پر مبنی سبق میں دستیاب ہے۔
سبق کے بعد کوئز لیں۔
چیلنج مکمل کریں۔
اسائنمنٹ مکمل کریں۔
سبق گروپ مکمل کرنے کے بعد، Discussion Board پر جائیں اور "آواز کے ساتھ سیکھیں" مناسب PAT rubric کو بھر کر۔ 'PAT' ایک Progress Assessment Tool ہے جو آپ کو اپنی سیکھنے کو مزید آگے بڑھانے کے لیے بھرنا ہوتا ہے۔ آپ دوسرے PATs پر بھی ردعمل دے سکتے ہیں تاکہ ہم مل کر سیکھ سکیں۔

مزید مطالعہ کے لیے، ہم ان Microsoft Learn ماڈیولز اور سیکھنے کے راستوں کی پیروی کرنے کی سفارش کرتے ہیں۔

اساتذہ، ہم نے اس نصاب کو استعمال کرنے کے بارے میں کچھ تجاویز شامل کی ہیں۔

ویڈیو واک تھرو

کچھ اسباق مختصر ویڈیو کی شکل میں دستیاب ہیں۔ آپ ان سب کو اسباق میں ان لائن یا Microsoft Developer YouTube چینل پر ML for Beginners پلے لسٹ پر دیکھ سکتے ہیں۔

ٹیم سے ملاقات کریں

Gif by Mohit Jaisal

🎥 اوپر دی گئی تصویر پر کلک کریں تاکہ پروجیکٹ اور اس کے تخلیق کاروں کے بارے میں ویڈیو دیکھ سکیں!

تدریسی طریقہ

ہم نے اس نصاب کو بناتے وقت دو تدریسی اصولوں کا انتخاب کیا ہے: یہ یقینی بنانا کہ یہ پروجیکٹ پر مبنی ہے اور اس میں بار بار کوئز شامل ہیں۔ اس کے علاوہ، اس نصاب میں ایک عام موضوع شامل ہے تاکہ اسے ہم آہنگی دی جا سکے۔

یہ یقینی بنا کر کہ مواد پروجیکٹس کے ساتھ ہم آہنگ ہے، عمل طلباء کے لیے زیادہ دلچسپ بنایا گیا ہے اور تصورات کی یادداشت کو بڑھایا جائے گا۔ اس کے علاوہ، کلاس سے پہلے ایک کم دباؤ والا کوئز طالب علم کو کسی موضوع کو سیکھنے کی نیت کی طرف لے جاتا ہے، جبکہ کلاس کے بعد دوسرا کوئز مزید یادداشت کو یقینی بناتا ہے۔ یہ نصاب لچکدار اور تفریحی بنایا گیا ہے اور اسے مکمل یا جزوی طور پر لیا جا سکتا ہے۔ پروجیکٹس چھوٹے شروع ہوتے ہیں اور 12 ہفتوں کے سائیکل کے آخر تک بتدریج پیچیدہ ہو جاتے ہیں۔ اس نصاب میں ML کے حقیقی دنیا کے اطلاقات پر ایک پوسٹ اسکرپٹ بھی شامل ہے، جسے اضافی کریڈٹ کے طور پر یا بحث کی بنیاد کے طور پر استعمال کیا جا سکتا ہے۔

ہمارا Code of Conduct، Contributing، اور Translation رہنما تلاش کریں۔ ہم آپ کی تعمیری رائے کا خیر مقدم کرتے ہیں!

ہر سبق میں شامل ہے

اختیاری اسکیچ نوٹ
اختیاری اضافی ویڈیو
ویڈیو واک تھرو (کچھ اسباق میں)
سبق سے پہلے وارم اپ کوئز
تحریری سبق
پروجیکٹ پر مبنی اسباق کے لیے، پروجیکٹ بنانے کے لیے مرحلہ وار گائیڈز
علم کی جانچ
ایک چیلنج
اضافی مطالعہ
اسائنمنٹ
سبق کے بعد کوئز

زبانوں کے بارے میں نوٹ: یہ اسباق بنیادی طور پر Python میں لکھے گئے ہیں، لیکن بہت سے R میں بھی دستیاب ہیں۔ R سبق مکمل کرنے کے لیے، /solution فولڈر پر جائیں اور R اسباق تلاش کریں۔ ان میں .rmd ایکسٹینشن شامل ہے جو R Markdown فائل کی نمائندگی کرتا ہے، جسے Markdown document میں code chunks (R یا دیگر زبانوں کے) اور YAML header (جو آؤٹ پٹ فارمیٹس جیسے PDF کو فارمیٹ کرنے کی رہنمائی کرتا ہے) کے طور پر سادہ طور پر بیان کیا جا سکتا ہے۔ اس طرح، یہ ڈیٹا سائنس کے لیے ایک مثالی تصنیفی فریم ورک کے طور پر کام کرتا ہے کیونکہ یہ آپ کو اپنے کوڈ، اس کے آؤٹ پٹ، اور اپنے خیالات کو Markdown میں لکھنے کی اجازت دیتا ہے۔ مزید برآں، R Markdown دستاویزات کو PDF، HTML، یا Word جیسے آؤٹ پٹ فارمیٹس میں رینڈر کیا جا سکتا ہے۔

کوئز کے بارے میں نوٹ: تمام کوئز Quiz App folder میں موجود ہیں، کل 52 کوئز، ہر ایک میں تین سوالات۔ یہ اسباق کے اندر سے لنک کیے گئے ہیں لیکن کوئز ایپ کو مقامی طور پر چلایا جا سکتا ہے؛ quiz-app فولڈر میں دی گئی ہدایات پر عمل کریں تاکہ اسے مقامی طور پر ہوسٹ کریں یا Azure پر تعینات کریں۔

سبق نمبر	موضوع	سبق گروپنگ	سیکھنے کے مقاصد	لنک شدہ سبق	مصنف
01	مشین لرننگ کا تعارف	تعارف	مشین لرننگ کے بنیادی تصورات سیکھیں	سبق	محمد
02	مشین لرننگ کی تاریخ	تعارف	اس میدان کے پیچھے کی تاریخ سیکھیں	سبق	جین اور ایمی
03	مشین لرننگ اور انصاف	Introduction	مشین لرننگ ماڈلز بناتے اور استعمال کرتے وقت طلباء کو انصاف کے حوالے سے کون سے اہم فلسفیانہ مسائل پر غور کرنا چاہیے؟	Lesson	Tomomi
04	مشین لرننگ کے طریقے	Introduction	مشین لرننگ کے محققین ماڈلز بنانے کے لیے کون سے طریقے استعمال کرتے ہیں؟	Lesson	Chris and Jen
05	ریگریشن کا تعارف	Regression	ریگریشن ماڈلز کے لیے Python اور Scikit-learn کے ساتھ شروعات کریں	Python • R	Jen • Eric Wanjau
06	شمالی امریکہ کے کدو کی قیمتیں 🎃	Regression	مشین لرننگ کے لیے ڈیٹا کو صاف کریں اور بصری طور پر تیار کریں	Python • R	Jen • Eric Wanjau
07	شمالی امریکہ کے کدو کی قیمتیں 🎃	Regression	لکیری اور پولینومیئل ریگریشن ماڈلز بنائیں	Python • R	Jen and Dmitry • Eric Wanjau
08	شمالی امریکہ کے کدو کی قیمتیں 🎃	Regression	لاجسٹک ریگریشن ماڈل بنائیں	Python • R	Jen • Eric Wanjau
09	ایک ویب ایپ 🔌	Web App	اپنے تربیت یافتہ ماڈل کو استعمال کرنے کے لیے ایک ویب ایپ بنائیں	Python	Jen
10	درجہ بندی کا تعارف	Classification	اپنے ڈیٹا کو صاف کریں، تیار کریں، اور بصری طور پر پیش کریں؛ درجہ بندی کا تعارف	Python • R	Jen and Cassie • Eric Wanjau
11	مزیدار ایشیائی اور بھارتی کھانے 🍜	Classification	درجہ بندی کرنے والوں کا تعارف	Python • R	Jen and Cassie • Eric Wanjau
12	مزیدار ایشیائی اور بھارتی کھانے 🍜	Classification	مزید درجہ بندی کرنے والے	Python • R	Jen and Cassie • Eric Wanjau
13	مزیدار ایشیائی اور بھارتی کھانے 🍜	Classification	اپنے ماڈل کا استعمال کرتے ہوئے ایک سفارش کنندہ ویب ایپ بنائیں	Python	Jen
14	کلسٹرنگ کا تعارف	Clustering	اپنے ڈیٹا کو صاف کریں، تیار کریں، اور بصری طور پر پیش کریں؛ کلسٹرنگ کا تعارف	Python • R	Jen • Eric Wanjau
15	نائجیریا کے موسیقی کے ذوق کی تلاش 🎧	Clustering	K-Means کلسٹرنگ طریقہ کی تلاش	Python • R	Jen • Eric Wanjau
16	قدرتی زبان کی پروسیسنگ کا تعارف ☕️	Natural language processing	ایک سادہ بوٹ بنا کر NLP کے بنیادی اصول سیکھیں	Python	Stephen
17	عام NLP کام ☕️	Natural language processing	زبان کے ڈھانچوں سے نمٹنے کے دوران درکار عام کاموں کو سمجھ کر اپنی NLP معلومات کو گہرا کریں	Python	Stephen
18	ترجمہ اور جذباتی تجزیہ ♥️	Natural language processing	جین آسٹن کے ساتھ ترجمہ اور جذباتی تجزیہ	Python	Stephen
19	یورپ کے رومانوی ہوٹل ♥️	Natural language processing	ہوٹل کے جائزوں کے ساتھ جذباتی تجزیہ 1	Python	Stephen
20	یورپ کے رومانوی ہوٹل ♥️	Natural language processing	ہوٹل کے جائزوں کے ساتھ جذباتی تجزیہ 2	Python	Stephen
21	وقت کے سلسلے کی پیشن گوئی کا تعارف	Time series	وقت کے سلسلے کی پیشن گوئی کا تعارف	Python	Francesca
22	⚡️ دنیا کی بجلی کا استعمال ⚡️ - ARIMA کے ساتھ وقت کے سلسلے کی پیشن گوئی	Time series	ARIMA کے ساتھ وقت کے سلسلے کی پیشن گوئی	Python	Francesca
23	⚡️ دنیا کی بجلی کا استعمال ⚡️ - SVR کے ساتھ وقت کے سلسلے کی پیشن گوئی	Time series	سپورٹ ویکٹر ریگریسر کے ساتھ وقت کے سلسلے کی پیشن گوئی	Python	Anirban
24	تقویت یافتہ لرننگ کا تعارف	Reinforcement learning	Q-Learning کے ساتھ تقویت یافتہ لرننگ کا تعارف	Python	Dmitry
25	پیٹر کو بھیڑیا سے بچانے میں مدد کریں! 🐺	Reinforcement learning	تقویت یافتہ لرننگ جم	Python	Dmitry
Postscript	حقیقی دنیا کے مشین لرننگ کے منظرنامے اور اطلاقات	ML in the Wild	کلاسیکل مشین لرننگ کے دلچسپ اور انکشاف کرنے والے حقیقی دنیا کے اطلاقات	Lesson	Team
Postscript	RAI ڈیش بورڈ کا استعمال کرتے ہوئے مشین لرننگ میں ماڈل کی ڈیبگنگ	ML in the Wild	ذمہ دار AI ڈیش بورڈ اجزاء کا استعمال کرتے ہوئے مشین لرننگ میں ماڈل کی ڈیبگنگ	Lesson	Ruth Yakubu

اس کورس کے لیے تمام اضافی وسائل ہماری Microsoft Learn کلیکشن میں تلاش کریں

آف لائن رسائی

آپ اس دستاویز کو آف لائن چلا سکتے ہیں Docsify کا استعمال کرتے ہوئے۔ اس ریپو کو فورک کریں، Docsify انسٹال کریں اپنی مقامی مشین پر، اور پھر اس ریپو کے روٹ فولڈر میں docsify serve ٹائپ کریں۔ ویب سائٹ آپ کے لوکل ہوسٹ پر پورٹ 3000 پر پیش کی جائے گی: localhost:3000۔

PDFs

لنکس کے ساتھ نصاب کا پی ڈی ایف یہاں تلاش کریں۔

🎒 دیگر کورسز

ہماری ٹیم دیگر کورسز بھی تیار کرتی ہے! دیکھیں:

30 KiB Raw Blame History Unescape Escape