ML-For-Beginners/translations/ml

🌐 ബഹുഭാഷാ പിന്തുണ

GitHub Action മുഖേന പിന്തുണ (സ്വയമാറ്റവും എപ്പോഴും പുതുക്കിയതും)

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

സ്ഥലീയമായി കോഡ് കോപ്പിസുചെയ്യാൻ ഇഷ്ടമാണോ?

ഈ സംഭരണം 50+ ഭാഷാ പരിഭാഷകൾ ഉൾക്കൊള്ളുന്നത് കാരണം ഡൗൺലോഡ് വലിപ്പം വൻമൂല്യം വർദ്ധിപ്പിക്കുന്നു. പരിഭാഷകൾ കൂടാതെ കോഡ് കോപ്പി 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'

ഇതു കോഴ്‌സ് പൂർത്തിയാക്കാനുള്ള എല്ലാ ആവശ്യകതകളും വേഗത്തിൽ ലഭ്യമാക്കും.

നമ്മുടെ കമ്മ്യൂണിറ്റിയുമായി ചേർക്കൂ

നമുക്കൊരു Discord ലേർൺ വിത് AI പരമ്പരയുണ്ട്, കൂടുതൽ വിവരങ്ങൾക്കും ചേരാനും Learn with AI Series സന്ദർശിക്കുക, 2025 സെപ്റ്റംബർ 18 - 30 വരെ. GitHub Copilot ഡേറ്റാ സയൻസിനായി ഉപയോഗിക്കുന്ന ടിപ്പ്‌സുകളും ട്രിക്കുകളും നിങ്ങൾക്ക് ലഭിക്കും.

തുടക്കക്കാർക്കുള്ള മെഷീൻ ലേണിംഗ് - ഒരു പഠനപദ്ധതി

🌍 ലോക സംസ്കാരങ്ങളിലൂടെ മെഷീൻ ലേണിംഗ് എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്ന് ഞങ്ങളൊടു കൂടി അന്വഷിക്കാം 🌍

മൈക്രോസോഫ്റ്റിലെ ക്ലൗഡ് അഡ്വക്കേറ്റ്സ് 12 ആഴ്ചകളിൽ 26 പാഠങ്ങൾ ഉള്ള മെഷീൻ ലേണിംഗ് പഠനപരിപാടി അവതരിപ്പിയ്ക്കാൻ സന്തോഷിക്കുന്നു. ഈ പഠനപദ്ധതിയിൽ നിങ്ങൾക്ക് ചിലപ്പോൾ ക്ലാസിക് മെഷീൻ ലേണിംഗ് എന്നും വിളിക്കുന്നതിന്റെ അടിസ്ഥാനങ്ങൾ പഠിക്കാം, പ്രധാനമായി Scikit-learn ലൈബ്രറി ഉപയോഗിച്ച്, ഡീപ്പ് ലേണിംഗ് ഒഴിവാക്കി, അത് ഞങ്ങളുടെ AI for Beginners' curriculum ൽ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. ഈ പാഠങ്ങൾ ഞങ്ങളുടെ 'Data Science for Beginners' curriculum ഉപയോഗിച്ച് ചേർത്ത് പഠിക്കാം.

ലോകത്തിലെ വിവിധ ഭാഗങ്ങളിൽ നിന്നുള്ള ഡേറ്റയുമായി ഈ ക്ലാസിക് സാങ്കേതിക വിദ്യകൾ പ്രയോഗിക്കുമ്പോൾ ഞങ്ങളോടുകൂടെ യാത്ര നടത്തുന്നുണ്ടാകൂ. ഓരോ പാഠത്തിലും മുൻ-യും പിന്‍പും ക്വിസുകള്‍, എഴുത്ത് നിർദ്ദേശങ്ങൾ, പരിഹാരങ്ങൾ, ടാസ്കുകൾ എന്നിവയുണ്ട്. ഞങ്ങളുടെ പ്രോജെക്റ്റ് അടിസ്ഥാനത്തിലുള്ള പാഠശൈലി പുതിയ കഴിവുകൾ മനസിലാക്കുകയും മെച്ചപ്പെടുത്തുകയും ചെയ്യാൻ സഹായിക്കുന്നു.

✍️ ഞങ്ങളുടെ രചയിതാക്കൾക്ക് ഹൃദയം നിറഞ്ഞ നന്ദി ജെൻ ലൂപ്പർ, സ്റ്റീഫൻ ഹൗവെൽ, ഫ്രാൻസെസ്ക്ക ലസ്ജേരി, തോമോമി ഇമുര, കാസ്സി ബ്രേവിയു, ദിമിത്രി സോഷ്നികോവ്, ക്രിസ് നോറിംഗ്, അനിർബാൻ മുഖർജ്ജി, ഓർണെല്ല എൽടുന്യൻ, റൂത്ത് യാകുബു, ആമി ബോയ്‌ഡ്

🎨 നമ്മുടെ ചിത്രകാരന്മാർക്കു കൂടി നന്ദി തോമോമി ഇമുര, ദാസാനി മഡിപള്ളി, ജെൻ ലൂപ്പർ

🙏 പ്രത്യേക നന്ദികൾ Microsoft Student Ambassador രചയിതാക്കളായും, നിരീക്ഷകരും, ഉള്ളടക്ക സംഭാവകരുമായ ട്ടുള്ളവർക്ക്, പ്രത്യേകിച്ച് റിഷിത് ഡാഗ്ലി, മുഹമ്മദ് സാകിബ് ഖാൻ ഇനാൻ, ロഹാൻ രാജ്, അലക്സാന്‍ഡ്രു പെട്രെസ്കു, അഭിഷേക് ജയസ്വൽ, നൗറിൻ ടബസ്സും, ഇവാന സംയുല, സ്നിഗ്ധ അഗർവാൾ

🤩 Microsoft Student Ambassadors എറിക് വൻജാവ്, ജസ്ലീൻ സോന്ധി, വിദ്യുഷി ഗുപ്തയ്ക്ക് R പാഠങ്ങൾക്കുള്ള നന്ദി!

ആരംഭം

ഈ ചുവടുകൾ പാലിക്കുക:

1. സംഗ്രഹം ഫോർക്ക് ചെയുക: ഈ പേജിന്റെ മുകളിൽ വലത്തുഭാഗത്ത് "Fork" ബട്ടൺ ക്ലിക്കുക.
2. സംഗ്രഹം ക്ലോൺ ചെയ്യുക: git clone https://github.com/microsoft/ML-For-Beginners.git

ഈ കോഴ്‌സിനുള്ള എല്ലാ അധിക സ്രോതസ്സുകളും ഞങ്ങളുടെ Microsoft Learn ശേഖരത്തിൽ കണ്ടെത്തുക

🔧 സഹായം വേണോ? ഇൻസ്റ്റാളേഷൻ, ക്രമീകരണം, പാഠങ്ങൾ റൺ ചെയ്യുന്നതുമായി ബന്ധപ്പെട്ട സാധാരണ പ്രശ്നങ്ങൾക്ക് പരിഹാരങ്ങൾ കണ്ടെത്താൻ Troubleshooting Guide പരിശോധിക്കുക.

വിദ്യാർത്ഥികൾ, ഈ പഠനപദ്ധതി ഉപയോഗിക്കാൻ, മുഴുവൻ റീപ്പോ നിങ്ങളുടേതായി ഫോർക്ക് ചെയ്ത് വ്യത്യസ്ത ഗ്രൂപ്പുകളുമായി അല്ലെങ്കിൽ ഒറ്റയ്ക്ക് പരിശീലനങ്ങൾ പൂർത്തിയാക്കുക:

• പാഠം തുടങ്ങുന്നതിനു മുൻപ് ക്വിസ് നടത്തുക.
• പാഠം വായിച്ച് പ്രവർത്തനങ്ങൾ പൂർത്തിയാക്കുക, ഓരോ വിജ്ഞാന പരിശോധനയിലും ചിന്തിക്കാൻ സമയം കൊടുക്കുക.
• പാഠങ്ങൾ മനസ്സിലാക്കി പ്രോജക്ടുകൾ സ്വയം നിർമ്മിക്കാൻ ശ്രമിക്കുക, പരിഹാര കോഡ് /solution ഫോളഡറുകളിലുണ്ട്.
• പാഠം കഴിഞ്ഞു ക്വിസ് എഴുതുക.
• ചലഞ്ച് പൂർത്തിയാക്കുക.
• അസൈൻമെന്റ് നടത്തുക.
• ഒരു പാഠ ഗ്രൂപ്പ് കഴിഞ്ഞു കഴിഞ്ഞാൽ, Discussion Board സന്ദർശിച്ച് അനുയോജ്യമായ PAT റൂബ്രിക് പൂരിപ്പിച്ച് "learn out loud" ചെയ്യുക. 'PAT' progress assessment tool ആണ്, ഇത് നിങ്ങളുടേ പഠനം മുന്നോട്ട് പോകാൻ സഹായിക്കും. മറ്റുള്ള PAT കളിൽ പ്രതികരിക്കുകയും ഞങ്ങൾ ഒരുമിച്ചു പഠിക്കാനും കഴിയും.

കൂടുതൽ പഠനത്തിനായി, ഈ Microsoft Learn മോദ്യുലുകളും പഠന പാതകളും പിന്തുടരാൻ ശിപാർശ ചെയ്യുന്നു.

അധ്യാപകർ, ഈ പഠനപദ്ധതി ഉപയോഗിക്കുന്നതിന് ചില നിർദ്ദേശങ്ങൾ ഞങ്ങൾ നൽകിയിട്ടുണ്ട്.

---

വീഡിോ വിശദീകരണങ്ങൾ

കൊല്ലം മാറുന്ന വീഡിയോകൾ ചില പാഠങ്ങൾക്കുണ്ട്. എല്ലാം പാഠങ്ങൾക്കുള്ളിൽ തന്നെ ലഭിച്ചേക്കും അല്ലെങ്കിൽ ML for Beginners യുട്യൂബ് പ്ലേലിസ്റ്റിൽ താഴെ ചിത്രത്തിൽ ക്ലിക്ക് ചെയ്ത് കാണാം.

---

ടീം പരിചയം

ഗിഫ് Mohit Jaisal

🎥 മേൽചിത്രം ക്ലിക്ക് ചെയ്‌തു ഈ പ്രോജക്ടും അതത് സൃഷ്ടാക്കളും കുറിച്ച് വീഡിയൊ കാണുക!

---

പഠനശൈലി

ഈ പഠനപദ്ധതി രൂപകൽപ്പന ചെയ്യുമ്പോൾ ഞങ്ങൾ തിരഞ്ഞെടുത്ത രണ്ട് പ്രധാന തത്വങ്ങൾ ഉണ്ട്: പ്രായോഗികമായും പ്രോജെക്റ്റ്-അധിഷ്ഠിതമായ രീതിയും, കൂടാതെ തിയ്യതി കുറഞ്ഞ കൂടിയ ഒഴിവുകളുള്ള ക്വിസുകൾ ഉൾപ്പെടുത്തലും. കൂടാതെ, ഈ പാഠ്യം ഏകോപനത്തിനായി സാധാരണമായ ഒരു തെീം ഉള്ളതും ആണ്.

വിഷയങ്ങൾ പ്രോജക്റ്റുകളിലേക്കു നേരെയുള്‍‍‌പ്പെടുത്തുന്നത് വിദ്യാർത്ഥികൾക്കു പഠിക്കാൻ ഉത്സാഹകരവും സങ്കൽപങ്ങൾ കൂടുതൽ നല്ലമായി ഓർമ്മിക്കാനും സഹായിക്കും. കൂടാതെ ക്ലാസിന് മുന്നോടിയായി കുറഞ്ഞ സമ്മർദമുള്ള ഒരു ക്വിസ് വിദ്യാർത്ഥിയുടെ പഠന ഊർജ്ജമുണ്ടാക്കുകയും, ക്ലാസ് കഴിഞ്ഞ് മറ്റൊരു ക്വിസ് അടുക്കിയാൽ കൂടുതൽ ഓർമ്മ ശേഷി ഉറപ്പാക്കുകയും ചെയ്യും. ഈ പഠനപദ്ധതി കാര്യക്ഷമവും രസകരവുമുള്ളതാണ്. മുഴുവനും അല്ലെങ്കിൽ ഭാഗികമായി എടുക്കാനാകും. 12 ആഴ്ചകളിൽ പ്രോജക്റ്റുകൾ ചെറുതായി ആരംഭിച്ച് കൂടുതൽ സങ്കീർണമായിരിക്കും. ML യുടെ യഥാർത്ഥ ലോക പ്രയോഗങ്ങളുടെ ഒരു പ്രത്യേക വിഭാഗവും ഈ പഠനപദ്ധതിയിൽ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്, കൂടെ ആഡംബര ക്രെഡിറ്റ് അല്ലെങ്കിൽ ചർച്ചകൾക്കുള്ള അടിസ്ഥാനം ആയി ഉപയോഗിക്കാം.

ഞങ്ങളുടെ Code of Conduct, Contributing, Translation, Troubleshooting മാർഗ്ഗനിർദ്ദേശങ്ങൾ വായിക്കുക. നിങ്ങളുടെ പോസിറ്റീവ് അഭിപ്രായങ്ങൾ ഞങ്ങൾക്ക് സന്തോഷമാകുന്നു!

ഓരോ പാഠത്തിലുമുള്ളവ

• ഓപ്ഷണൽ സ്കെച്ച്നോട്ട്
• ഓപ്ഷണൽ സപ്ലിമെന്റൽ വീഡിയൊ
• വീഡിയൊ വാക്ക് ത്രൂ (വരെ ചില പാഠങ്ങൾക്കു മാത്രം)
• പൂർവ പാഠ ക്വിസ്
• എഴുതിയ പാഠം
• പ്രോജക്റ്റ് അടിസ്ഥാനപ്പെടുന്ന പാഠങ്ങൾക്ക്, പ്രോജക്റ്റ് നിർമ്മിക്കുന്നതിനുള്ള ഘട്ടം ഘട്ടമായുള്ള നിർദ്ദേശങ്ങൾ
• വിജ്ഞാന പരിശോധനകള
• ഒരു ചലഞ്ച്
• കൂടെയുള്ള വായന
• അസൈൻമെന്റ്
• പോസ്റ്റ്-പാഠ ക്വിസ്

ഭാഷ സംബന്ധിച്ച ഒരു കുറിപ്പ്: ഈ പാഠങ്ങൾ പ്രധാനമായും Python ലിലാണ് എഴുതിയിട്ടുള്ളത്, എന്നാൽ പലത് R ലും ലഭ്യമാണ്. R പാഠം പൂർത്തിയാക്കാൻ /solution ഫോൾഡറിൽ പോയി R പാഠങ്ങൾ വയ്ക്കപ്പെട്ടിട്ടുള്ളവ അന്വേഷിക്കുക. അവയ്ക്ക് .rmd വിപുലീകരണം ഉണ്ട്, അതാണ് R Markdown ഫയൽ, കൂടാതെ കോഡ് ചങ്കുകൾ (R അല്ലെങ്കിൽ മറ്റ് ഭാഷകൾ), YAML header ഉപയോഗിച്ച് Markdown ഡോക്കുമെന്റുകളിൽ എഴുതിയിത്തളകൾ ചേർക്കാൻ സഹായിക്കുന്നു. ഇത് ഡാറ്റ സയൻസിന് മികച്ച ഒരു എഴുത്തുകൂടിയാണ്, നിങ്ങളുടെ കോഡ്, അതിന്റെ ഔട്ട്‌പുട്ട്, അഭിപ്രായങ്ങൾ എന്നിവയെല്ലാം Markdown ൽ എഴുതാം. കൂടാതെ R Markdown ഡോക്കുമെന്റുകൾ PDF, HTML, Word പോലുള്ള ഫോർമാറ്റുകളിൽ മാറ്റാനും കഴിയും. ക്വിസുകളെ കുറിച്ചുള്ള ഒരു കുറിപ്പ്: മൂന്നു ചോദ്യങ്ങളുള്ള 52 ക്വിസുകൾക്ക് സംരക്ഷിച്ചിരിക്കുന്ന Quiz App ഫോൾഡർയിൽ എല്ലാ ക്വിസുകളും ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. അവ പാഠങ്ങളിൽ നിന്ന് ലിങ്ക് ചെയ്തിട്ടുണ്ട്, എന്നാൽ ക്വിസ് ആപ്പ് ലോക്കലായി പ്രവർത്തിപ്പിക്കാൻ കഴിയും; ലോക്കലായി ഹോസ്റ്റ് ചെയ്യുന്നതിന് അല്ലെങ്കിൽ Azure-യിലേക്ക് ഡിപ്ലോയ്മെന്റ് നടത്താൻ quiz-app ഫോൾഡറിലുള്ള നിർദ്ദേശങ്ങൾ അനുസരിക്കുക.

പാഠസംഖ്യ	വിഷയം	പാഠ ഗ്രൂപ്പിംഗ്	പഠനലക്ഷ്യങ്ങൾ	ലിങ്ക് ചെയ്ത പാഠം	എഴുത്തുകാരൻ
01	മെഷീൻ ലേണിങ്ങില്‍ പരിചയം	Introduction	മെഷീൻ ലേണിങ്ങിന്റെ അടിസ്ഥാന ആശയങ്ങൾ പഠിക്കുക	Lesson	മുഹമ്മദ്
02	മെഷീൻ ലേണിങ്ങിന്റെ ചരിത്രം	Introduction	ഈ മേഖലയിലെ ചരിത്രം പഠിക്കുക	Lesson	ജെൻ ആൻഡ് എമി
03	നീതിമാന്മാരായ മെഷീൻ ലേണിങ്	Introduction	ML മോഡലുകൾ നിർമ്മിക്കുമ്പോൾ പരിഗണിക്കേണ്ട നീതിമാന്മായ തത്വശാസ്ത്ര പ്രശ്നങ്ങൾ എന്തെല്ലാമാണ് എന്നറിയുക	Lesson	ടോമോമി
04	മെഷീൻ ലേണിങ്ങിന്‍റെ തന്ത്രങ്ങൾ	Introduction	ML ഗവേഷകർ ML മോഡലുകൾ നിർമ്മിക്കാൻ ഉപയോഗിക്കുന്ന തന്ത്രങ്ങൾ എന്തൊക്കെയാണെന്ന് അറിയുക	Lesson	ക്രിസ് ആൻഡ് ജെൻ
05	റെഗ്രഷനിൽ പരിചയം	Regression	റെഗ്രഷൻ മോഡലുകൾക്കായി Python, Scikit-learn ഉപയോഗിച്ച് ആരംഭിക്കുക	Python • R	ജെൻ • എറിക് വാണ്ട്‌ജു
06	നോര്ത്ത് അമേരിക്കന്‍ കുമ്പളം വിലകള്‍ 🎃	Regression	ML-ന് വേണ്ടി ഡാറ്റ വൈറസ് ചെയ്ത് ശുചിയാക്കുക	Python • R	ജെൻ • എറിക് വാണ്ട്‌ജു
07	നോര്ത്ത് അമേരിക്കന്‍ കുമ്പളം വിലകള്‍ 🎃	Regression	ലീനിയർ, പോളിനോമിയൽ റെഗ്രഷൻ മോഡലുകൾ നിർമ്മിക്കുക	Python • R	ജെൻ ആൻഡ് ഡിമ്ട്രി • എറിക് വാണ്ട്‌ജു
08	നോര്ത്ത് അമേരിക്കന്‍ കുമ്പളം വിലകള്‍ 🎃	Regression	ലോജിസ്റ്റിക് റെഗ്രഷൻ മോഡൽ നിർമ്മിക്കുക	Python • R	ജെൻ • എറിക് വാണ്ട്‌ജു
09	ഒരു വെബ് ആപ്പ് 🔌	Web App	പരിശീലിപ്പിച്ച മോഡൽ ഉപയോഗിക്കാൻ ഒരു വെബ് ആപ്പ് നിർമ്മിക്കുക	Python	ജെൻ
10	ക്ലാസ്സിഫിക്കേഷനിൽ പരിചയം	Classification	ഡാറ്റ ശുചിയാക്കുക, തയ്യാറാക്കുക, ദൃശ്യവത്കരിക്കുക; ക്ലാസ്സിഫിക്കേഷനിലേക്ക് പരിചയം	Python • R	ജെൻ ആൻഡ് കാസ്സി • എറിക് വാണ്ട്‌ജു
11	രുചികരമായ ഏഷ്യൻ-ഇന്ത്യൻ ഭക്ഷണങ്ങള്‍ 🍜	Classification	ക്ലാസ്സിഫയറുകളിലേക്ക് പരിചയം	Python • R	ജെൻ ആൻഡ് കാസ്സി • എറിക് വാണ്ട്‌ജു
12	രുചികരമായ ഏഷ്യൻ-ഇന്ത്യൻ ഭക്ഷണങ്ങള്‍ 🍜	Classification	കൂടുതൽ ക്ലാസ്സിഫയറുകൾ	Python • R	ജെൻ ആൻഡ് കാസ്സി • എറിക് വാണ്ട്‌ജു
13	രുചികരമായ ഏഷ്യൻ-ഇന്ത്യൻ ഭക്ഷണങ്ങള്‍ 🍜	Classification	നിങ്ങളുടെ മോഡൽ ഉപയോഗിച്ച് ഒരു ശਿਫാർശ വെബ് ആപ്പ് നിർമ്മിക്കുക	Python	ജെൻ
14	ക്ലസ്റ്ററിങ്ങിൽ പരിചയം	Clustering	ഡാറ്റ ശുചിയാക്കുക, തയ്യാറാക്കുക, ദൃശ്യവത്കരിക്കുക; ക്ലസ്റ്ററിങ്ങിലേക്ക് പരിചയം	Python • R	ജെൻ • എറിക് വാണ്ട്‌ജു
15	നൈജീരിയൻ സംഗീത രുചികള്‍ അന്വേഷിക്കല്‍ 🎧	Clustering	K-മീൻസ് ക്ലസ്റ്ററിംഗ് പદ્ધതി പരിശോധിക്കുക	Python • R	ജെൻ • എറിക് വാണ്ട്‌ജു
16	നാച്ചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിങ്ങിൽ പരിചയം ☕️	Natural language processing	ഒരു ലളിത ബോട്ട് നിർമ്മിച്ച് NLP അടിസ്ഥാനങ്ങൾ പഠിക്കുക	Python	സ്റ്റീഫൻ
17	പൊതു NLP ജോലി കൾ ☕️	Natural language processing	ഭാഷാചട്ടങ്ങളോട് ഇടപഴകുമ്പോഴുള്ള സാധാരണ ജോലികൾ മനസിലാക്കിയാണ് നിങ്ങളുടെ NLP അറിവ് മെച്ചപ്പെടുത്തുക	Python	സ്റ്റീഫൻ
18	വിവർത്തനവും വികാരപരിശോധനയും ♥️	Natural language processing	ജെയ്ന്‍ ഓസ്റ്റീനിനൊപ്പം വിവർത്തനവും വികാരപരിശോധനയും	Python	സ്റ്റീഫൻ
19	യൂറോപ്പിലെ രോമാന്റിക് ഹോട്ടലുകള്‍ ♥️	Natural language processing	ഹോട്ടല്‍ അവലോകനങ്ങളുടെ വികാരപരിശോധനയുമായി 1	Python	സ്റ്റീഫൻ
20	യൂറോപ്പിലെ രോമാന്റിക് ഹോട്ടലുകള്‍ ♥️	Natural language processing	ഹോട്ടല്‍ അവലോകനങ്ങളുടെ വികാരപരിശോധനയുമായി 2	Python	സ്റ്റീഫൻ
21	ടൈം സീരീസ് ഫോറ്കാസ്റ്റിങ്ങിൽ പരിചയം	Time series	ടൈം സീരീസ് ഫോറ്കാസ്റ്റിങിൽ പരിചയം	Python	ഫ്രാൻസെസ്ക
22	⚡️ ലോക വൈദ്യുതിചെലവ് ⚡️ - ARIMA ഉപയോഗിച്ച് ടൈം സീരീസ് ഫോറ്കാസ്റ്റിംഗ്	Time series	ARIMA ഉപയോഗിച്ച് ടൈം സീരീസ് ഫോറ്കാസ്റ്റിംഗ്	Python	ഫ്രാൻസെസ്ക
23	⚡️ ലോക വൈദ്യുതിചെലവ് ⚡️ - SVR ഉപയോഗിച്ച് ടൈം സീരീസ് ഫോറ്കാസ്റ്റിംഗ്	Time series	Support Vector Regressor ഉപയോഗിച്ച് ടൈം സീരീസ് ഫോറ്കാസ്റ്റിംഗ്	Python	അനിർബാൻ
24	റീ ഇൻഫോഴ്‌സ്‌മെന്റ് ലേണിങ്ങിലേക്ക് പരിചയം	Reinforcement learning	Q-ലേണിങ്ങ് ഉപയോഗിച്ചുള്ള റീ ഇൻഫോഴ്‌സ്‌മെന്റ് ലേണിങ്ങിന് പരിചയം	Python	ഡിമ്ട്രി
25	പീറ്ററിന് വെളുത്തയാനെ ഒഴിവാക്കാന്‍ സഹായിക്കുക! 🐺	Reinforcement learning	റീ ഇൻഫോഴ്‌സ്‌മെന്റ് ലേർണിങ് ജിം	Python	ഡിമ്ട്രി
Postscript	യഥാർത്ഥ ലോകത്തെ ML സാഹചര്യങ്ങളും ആപ്ലിക്കേഷനുകളും	ML in the Wild	ക്ലാസ്സിക്കൽ ML-ന്റെ രസകരവും വെളിച്ചവും പകരുന്ന യഥാർത്ഥ ലോക ആപ്ലിക്കേഷനുകൾ	Lesson	ടീം
Postscript	RAI ഡാഷ്ബോർഡ് ഉപയോഗിച്ച് ML മോഡൽ ഡീബഗ്ഗിങ്	ML in the Wild	Responsible AI ഡാഷ്ബോർഡ് കോമ്പോണന്റുകൾ ഉപയോഗിച്ച് മെഷീൻ ലേണിങ്ങിൽ മോഡൽ ഡീബഗ്ഗിങ്	Lesson	രൂത് യാക്കുബു

ഈ കോഴ്‌സിനുള്ള എല്ലാ അധിക വിഭവങ്ങളും നമ്മുടെ Microsoft Learn ശേഖരത്തിൽ കാണുക

ഓഫ്‌ലൈൻ ആക്‌സസ്

Docsify ഉപയോഗിച്ച് ഈ ഡോക്യമെന്റേഷൻ ഓഫ്‌ലൈൻ റണ്ചെയ്യാം. ഈ റെപ്പോയെ ഫോർക്കുചെയ്യുക, നിങ്ങളുടെ ലോക്കൽ മെഷീനിൽ Docsify ഇൻസ്റ്റാൾ ചെയ്യുക, തുടർന്ന് ഈ റെപ്പോയുടെ റൂട്ട് ഫോൾഡറിൽ docsify serve ടൈപ്പ് ചെയ്യുക. വെബ്‌സൈറ്റ് പോർട്ട് 3000ൽ നിങ്ങളുടെ ലോക്കൽഹോസ്റ്റിൽ സേർവ് ചെയ്യും: localhost:3000.

PDF-കൾ

ഇന്ത്യയുടെ പാഠ്യപദ്ധതിയുടെ PDF-നെ ഈ ലിങ്കിൽ കാണുക ഇവിടെ.

🎒 മറ്റു കോഴ്‌സുകൾ

നമ്മുടെ ടീം മറ്റു കോഴ്്സുകളും ഒരുക്കുന്നു! കാണുക:

LangChain

Azure / Edge / MCP / ഏജന്റുമാർ

---

ജനറേറ്റീവ് AI പരമ്പര

---

കോർ പഠനം

---

കോപ്പിലോട്ട് സിരീസ്

സഹായം നേടുക

AI ആപ്പുകൾ നിർമ്മിക്കുമ്പോൾ നിങ്ങൾക്ക് തളർന്നുപോകുകയോ ഏതെങ്കിലും ചോദ്യങ്ങളുണ്ടായിരിക്കാൻ സാധ്യതയുണ്ടെങ്കിൽ. MCP-യിൽ അനുഭവസമ്പന്നരായ ഡെവലപർമാരോടും മറ്റ് പഠനസുഹൃത്തുക്കളോടും ചേർന്ന് സംവാദങ്ങളിൽ പങ്കാളിയാകുക. ചോദ്യങ്ങൾക്ക് സ്വാഗതം ഉള്ള ഒത്തുചേരുന്ന ഒരു സമൂഹമാണിത്, അറിവ് സ്വതന്ത്രമായി പങ്കുവെക്കുന്ന സ്ഥലമാണ്.

ഉൽപ്പന്ന പ്രതികരണം അല്ലെങ്കിൽ പിഴവുകൾ ഉണ്ടെങ്കിൽ:

---

വിവരണ കുറിപ്പ്:
ഈ പ്രമാണം AI ഭാഷാന്തരണ സർവീസ് Co-op Translator ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. ഞങ്ങൾ കൃത്യതയ്ക്ക് ശ്രമിച്ചിള്ളെങ്കിലും, യാന്ത്രിക വിവർത്തനങ്ങളിൽ പിഴവുകൾ അല്ലെങ്കിൽ അസാധുതകൾ ഉണ്ടായേക്കാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. ആ പ്രമാണത്തിന്റെ പ്രാഥമിക ഭാഷയിലെ أصل പകർപ്പ് ആണ് പ്രാമാണിക നിയന്ത്രണ ഉറവിടം. പ്രധാന വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മാനവ വിവർത്തനം നിർദ്ദേശിക്കുന്നു. ഈ വിവർത്തനത്തിന്റെ ഉപയോഗത്തിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾ അല്ലെങ്കിൽ അപ്രത്യക്ഷതകൾക്കായി ഞങ്ങൾ ഉത്തരവാദികളല്ല.