ML-For-Beginners/translations/ne

🌐 बहुभाषिक समर्थन

GitHub Action मार्फत समर्थित (स्वचालित र सधैं अद्यावधिक)

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

स्थानीय रूपमा क्लोन गर्न चाहनुहुन्छ?

यस रिपोजिटरीमा ५०+ भाषाका अनुवादहरू समावेश छन् जसले डाउनलोड आकारलाई धेरै बढाउँछ। अनुवादहरू नभएको क्लोन गर्न, sparse checkout प्रयोग गर्नुहोस्:

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'

यसले तपाईंलाई कोर्स पूरा गर्न आवश्यक सबै सामग्री धेरै छिटो डाउनलोडको साथ दिन्छ।

हाम्रो समुदायमा सामेल हुनुहोस्

हामीसँग Discord मा AI सँग सिक्ने श्रृंखला चलिरहेको छ, थप जान्न र हामीसँग सामेल हुन Learn with AI Series मा १८ - ३० सेप्टेम्बर, २०२५ मा आउनुहोस्। तपाईंले GitHub Copilot प्रयोग गरेर Data Science को टिप्स र ट्रिक्स पाउनुहुनेछ।

सुरूवातकर्ताहरूका लागि मेशिन लर्निङ - एक पाठ्यक्रम

🌍 संसारभरि यात्रा गर्दै हामी संसारका संस्कृतिहरूको माध्यमबाट मेशिन लर्निङ खोज्दैछौं 🌍

Microsoft का क्लाउड एड्भोकेटहरूले १२ हप्ताको, २६ पाठहरूको पाठ्यक्रम प्रदान गर्न पाउँदा खुशी छन् जसले मेशिन लर्निङ बारेमा सबै कुरा सिकाउँछ। यस पाठ्यक्रममा, तपाईंले कहिलेकाहीँ भनिने क्लासिक मेशिन लर्निङ को बारेमा सिक्नु हुनेछ, मुख्यतः Scikit-learn लाई प्रयोग गरी र गहिरो सिकाइबाट बच्दै, जुन हाम्रो AI for Beginners' पाठ्यक्रम मा समेटिएको छ। यी पाठहरूसँग हाम्रो 'Data Science for Beginners' पाठ्यक्रम पनि सँगै प्रयोग गर्नुहोस्।

विश्वका विभिन्न क्षेत्रका डाटाहरूमा यी क्लासिक प्रविधिहरू लागू गर्दै हामीसँग संसारभरि यात्रा गर्नुहोस्। प्रत्येक पाठमा पूर्व र पछि क्विजहरू, लेखिएका निर्देशनहरू, समाधान, असाइनमेन्ट, र थप छन्। हाम्रो परियोजना-आधारित सिकाइले तपाईंलाई बनाउन सिक्न मद्दत गर्छ, जुन नयाँ कौशलहरूलाई 'टिकाउन' मद्दत पुर्‍याउने एक प्रमाणित तरिका हो।

✍️ हृदयदेखि धन्यवाद हाम्रा लेखकहरूलाई जेन लूपर, स्टेफेन हाउल, फ्रान्सेस्का लाज्जेरी, टोमोमी इमुरा, क्यास्सी ब्रेभियु, दिमित्री सोल्श्निकोव, क्रिस नोरिङ, अनिर्बान मुखर्जी, ओर्नेला अल्टुन्यान, रुथ याकुबु र एमी बोयडलाई

🎨 साथै धन्यवाद हाम्रा चित्रकारहरूलाई टोमोमी इमुरा, दासानी मडिपल्ली, र जेन लूपरलाई

🙏 विशेष धन्यवाद 🙏 हाम्रो Microsoft Student Ambassador लेखक, समीक्षक र सामग्री योगदानकर्ताहरूलाई, विशेष गरी ऋषित दागली, मुहम्मद साकिब खान इनान, रोहन राज, अलेक्जान्ड्रु पेट्रेस्कु, अभिषेक जयसवाल, नावरिन तबस्सुम, इओन सामुइला, र स्निग्धा अगरवाललाई

🤩 थप कृतज्ञता Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, र Vidushi Gupta लाई हाम्रा R पाठहरूका लागि!

सुरु गर्ने तरिका

यी चरणहरू पालना गर्नुहोस्:

1. रिपोजिटरी फोर्क गर्नुहोस्: यस पृष्ठको माथि-दायाँ कुनामा रहेको "Fork" बटनमा क्लिक गर्नुहोस्।
2. रिपोजिटरी क्लोन गर्नुहोस्: git clone https://github.com/microsoft/ML-For-Beginners.git

यस कोर्सका लागि सबै अतिरिक्त स्रोतहरू हाम्रो Microsoft Learn संग्रहमा फेला पार्नुहोस्

🔧 सहायता चाहिन्छ? जडान, सेटअप, र पाठहरू चलाउने सामान्य समस्याहरूको समाधानका लागि हाम्रो समस्या समाधान मार्गदर्शिका हेर्नुहोस्।

विद्यार्थीहरू, यस पाठ्यक्रम प्रयोग गर्नका लागि, सम्पूर्ण रिपो तपाईंको आफ्नो GitHub खातामा फोर्क गरी व्यायामहरू आफैं वा समूहसँग पूरा गर्नुहोस्:

• प्रि-लेक्चर क्विजबाट सुरु गर्नुहोस्।
• लेक्चर पढ्नुहोस् र क्रियाकलापहरू पूरा गर्नुहोस्, हरेक ज्ञान जाँचमा विराम लगाएर र विचार गर्दै।
• समाधान कोड चलाउनको सट्टा पाठहरूलाई बुझ्दै परियोजनाहरू सिर्जना गर्ने प्रयास गर्नुहोस्; यद्यपि त्यो कोड प्रत्येक परियोजना-मुखी पाठमा /solution फोल्डरमा उपलब्ध छ।
• पोस्ट-लेक्चर क्विज लिनुहोस्।
• चुनौती पूरा गर्नुहोस्।
• असाइनमेन्ट पूरा गर्नुहोस्।
• पाठ समूह पूरा गरेपछि, चर्चा बोर्ड मा जानुहोस् र उपयुक्त PAT रब्रिक भरि "लर्न आउट लाउड" गर्नुहोस्। 'PAT' भनेको प्रगति मूल्याङ्कन उपकरण हो जुन तपाईंले तपाईंको सिकाइलाई अघि बढाउन भरिने एउटा रब्रिक हो। तपाईंले अरू PATs मा प्रतिक्रिया पनि दिन सक्नुहुन्छ ताकि हामी सँगै सिक्न सकौं।

थप अध्ययनका लागि, यी Microsoft Learn मोड्युल र सिकाइ मार्गहरू अनुशरण गर्न सिफारिस गरिन्छ।

शिक्षकहरूका लागि, हामीले केही सुझावहरू समावेश गरेका छौं कि कसरी यस पाठ्यक्रम प्रयोग गर्ने।

---

भिडियो वाकथ्रूहरू

केही पाठहरू छोटो भिडियोको रूपमा उपलब्ध छन्। तपाईं यी सबैलाई पाठ भित्र वा Microsoft Developer यूट्युब च्यानलको ML for Beginners प्लेलिस्ट मा तलको तस्वीरमा क्लिक गरेर हेर्न सक्नुहुन्छ।

---

टिमसँग भेट्नुहोस्

गिफ द्वारा Mohit Jaisal

🎥 परियोजना र त्यसलाई बनाउने व्यक्तिहरूको बारेमा भिडियो हेर्न माथिको चित्रमा क्लिक गर्नुहोस्!

---

शिक्षण विधि

हामीले यो पाठ्यक्रम निर्माण गर्दा दुई शिक्षण सिद्धान्तहरू चयन गरेका छौं: यसलाई हातमा काम गर्ने परियोजना-आधारित बनाउन र यसमा बारम्बार क्विजहरू समावेश गर्न। साथै, यस पाठ्यक्रमलाई एक साझा थिम दिइयो जुन यसलाई एकता प्रदान गर्छ।

सामग्री परियोजनाहरूसँग मेल खाँदा, प्रक्रिया विद्यार्थीहरूको लागि थप आकर्षक हुन्छ र अवधारणाहरूको सम्झना बढ्छ। साथै, कक्षाको अगाडि कम जोखिमको क्विजले विद्यार्थीको सिक्ने उदेश्य सेट गर्छ भने, कक्षापछि दोस्रो क्विजले थप सम्झना सुनिश्चित गर्छ। यो पाठ्यक्रम लचिलो र रमाइलो बनाउन डिजाइन गरिएको हो र पूर्ण वा भागमा लिन सकिन्छ। परियोजनाहरू साना सुरू भएर १२ हप्ताको अन्त्यसम्म क्रमशः जटिल हुन्छन्। यस पाठ्यक्रममा मेशिन लर्निङका वास्तविक विश्व प्रयोगहरूमा पोस्टस्क्रिप्ट पनि छ, जसलाई अतिरिक्त क्रेडिट वा छलफलको आधारको रूपमा प्रयोग गर्न सकिन्छ।

हाम्रो आचार संहिता, योगदान, अनुवाद, र समस्या समाधान दिशानिर्देशहरू पत्ता लगाउनुहोस्। हामी तपाईंको रचनात्मक प्रतिक्रिया स्वागत गर्छौं!

प्रत्येक पाठमा समावेश छन्

• वैकल्पिक स्केचनोट
• वैकल्पिक पूरक भिडियो
• भिडियो वाकथ्रू (केही पाठहरूमा मात्र)
• पूर्व-लेक्चर वार्मअप क्विज
• लेखिएको पाठ
• परियोजना-आधारित पाठहरूका लागि, परियोजना निर्माण गर्ने क्रमशः गाइडहरू
• ज्ञान जाँचहरू
• चुनौती
• पूरक पढाइ
• असाइनमेन्ट
• पोस्ट-लेक्चर क्विज

भाषाका बारेमा नोट: यी पाठहरू मुख्य रूपमा Python मा लेखिएका छन्, तर धेरै R मा पनि उपलब्ध छन्। R पाठ पूरा गर्नको लागि, /solution फोल्डरमा गई R पाठहरू खोज्नुहोस्। तिनीहरूमा .rmd एक्सटेन्सन हुन्छ जुन एक R Markdown फाइल हो जसलाई साधारण रूपमा कोड चंकहरू (R वा अन्य भाषाहरूको) र YAML हेडर (PDF जस्ता आउटपुटहरू कसरी ढाँचा गर्ने भनेर निर्देशन दिने) लाई Markdown दस्तावेजमा एम्बेड गर्ने रूपमा परिभाषा गर्न सकिन्छ। यसरी, यो डाटा साइन्सका लागि एक उत्कृष्ट लेखक फ्रेमवर्कको रूपमा काम गर्दछ किनभने यसले तपाईंलाई तपाईंको कोड, यसको आउटपुट, र तपाईंका विचारहरू Markdown मा लेख्न अनुमति दिन्छ। साथै, R Markdown दस्तावेजहरू PDF, HTML, वा Word जस्ता आउटपुट ढाँचामा रूपान्तरण गर्न सकिन्छ। क्विजहरूको बारेमा एउटा नोट: सबै क्विजहरू Quiz App फोल्डर मा समावेश छन्, जहाँ प्रत्येकमा तीन प्रश्नहरू सहित ५२ कूल क्विजहरू छन्। यी पाठहरू भित्र बाट लिंक गरिएको छन् तर क्विज एप्लिकेसन स्थानीय रूपमा चलाउन सकिन्छ; quiz-app फोल्डरमा दिएको निर्देशन पालना गरी स्थानीय रूपमा होस्ट वा Azure मा डिप्लोय गर्नुहोस्।

पाठ संख्या	विषय	पाठ समूह	सिकाइ लक्ष्यहरू	लिंक गरिएको पाठ	लेखक
०१	मशीन शिक्षणमा परिचय	परिचय	मशीन शिक्षण पछाडि रहेका आधारभूत अवधारणाहरू सिक्नुहोस्	पाठ	मुहम्मद
०२	मशीन शिक्षणको इतिहास	परिचय	यस क्षेत्रमा आधारित इतिहास सिक्नुहोस्	पाठ	जेन र एमी
०३	fairness र मशीन शिक्षण	परिचय	fairness सम्बन्धि महत्वपूर्ण दार्शनिक विषयहरू के हुन् जुन विद्यार्थीहरूले मशीन शिक्षण मोडेलहरू बनाउँदा र लागू गर्दा विचार गर्नुपर्छ?	पाठ	टोमोमी
०४	मशीन शिक्षणका प्रविधिहरू	परिचय	मशीन शिक्षण अनुसन्धानकर्ताहरू कुन प्रविधिहरू प्रयोग गर्छन्?	पाठ	क्रिस र जेन
०५	regression परिचय	Regression	रिग्रेसन मोडेलहरूका लागि Python र Scikit-learn बाट सुरु गर्नुहोस्	Python • R	जेन • एरिक वान्जाउ
०६	उत्तर अमेरिकी कद्दुको मूल्य 🎃	Regression	मशीन शिक्षण तयारीको लागि डाटा भिजुअलाइज र सफा गर्नुहोस्	Python • R	जेन • एरिक वान्जाउ
०७	उत्तर अमेरिकी कद्दुको मूल्य 🎃	Regression	लिनियर र पोलीनॉमियल रिग्रेसन मोडेलहरू बनाउनुहोस्	Python • R	जेन र दिमित्री • एरिक वान्जाउ
०८	उत्तर अमेरिकी कद्दुको मूल्य 🎃	Regression	Logistic regression मोडेल बनाउनुहोस्	Python • R	जेन • एरिक वान्जाउ
०९	एक वेब एप 🔌	Web App	आफ्नो प्रशिक्षित मोडेल प्रयोग गर्न वेब एप बनाउनुहोस्	Python	जेन
१०	classification परिचय	Classification	डाटा सफा गर्नुहोस्, तयारी गर्नुहोस् र भिजुअलाइज गर्नुहोस्; classification परिचय	Python • R	जेन र क्यासी • एरिक वान्जाउ
११	स्वादिष्ट एशियाली र भारतीय खाना 🍜	Classification	classifiers परिचय	Python • R	जेन र क्यासी • एरिक वान्जाउ
१२	स्वादिष्ट एशियाली र भारतीय खाना 🍜	Classification	थप classifiers	Python • R	जेन र क्यासी • एरिक वान्जाउ
१३	स्वादिष्ट एशियाली र भारतीय खाना 🍜	Classification	आफ्नो मोडेल प्रयोग गरी recommender वेब एप बनाउनुहोस्	Python	जेन
१४	clustering परिचय	Clustering	डाटा सफा, तयारी, र भिजुअलाइज गर्नुहोस्; clustering परिचय	Python • R	जेन • एरिक वान्जाउ
१५	नाइजेरियन संगीत रुचिहरू खोज्दै 🎧	Clustering	K-Means clustering विधि अन्वेषण गर्नुहोस्	Python • R	जेन • एरिक वान्जाउ
१६	प्राकृतिक भाषा प्रशोधन परिचय ☕️	Natural language processing	एउटा साधारण बोट बनाएर NLP को आधारभूत कुरा सिक्नुहोस्	Python	स्टिफेन
१७	साझा NLP कार्यहरू ☕️	Natural language processing	भाषिक संरचनाहरू सम्बन्धि काम गर्दा आवश्यक साझा कार्यहरू बुझेर NLP ज्ञान गहिर्‍याउनुहोस्	Python	स्टिफेन
१८	अनुवाद र भाव विश्लेषण ♥️	Natural language processing	Jane Austen सहित अनुवाद र भाव विश्लेषण	Python	स्टिफेन
१९	युरोपका रोमांटिक होटलहरू ♥️	Natural language processing	होटल समीक्षा सँग भाव विश्लेषण १	Python	स्टिफेन
२०	युरोपका रोमांटिक होटलहरू ♥️	Natural language processing	होटल समीक्षा सँग भाव विश्लेषण २	Python	स्टिफेन
२१	समय शृङ्खला पूर्वानुमान परिचय	Time series	समय शृङ्खला पूर्वानुमान परिचय	Python	फ्रान्सेस्का
२२	⚡️ विश्व शक्तिको उपयोग ⚡️ - ARIMA सँग समय शृङ्खला पूर्वानुमान	Time series	ARIMA सँग समय शृङ्खला पूर्वानुमान	Python	फ्रान्सेस्का
२३	⚡️ विश्व शक्तिको उपयोग ⚡️ - SVR सँग समय शृङ्खला पूर्वानुमान	Time series	Support Vector Regressor सँग समय शृङ्खला पूर्वानुमान	Python	अनिर्बान
२४	reinforcement learning परिचय	Reinforcement learning	Q-Learning सँग reinforcement learning परिचय	Python	दिमित्री
२५	पिटरलाई गडेरोबाट बचाउन मद्दत गर्नुहोस्! 🐺	Reinforcement learning	reinforcement learning Gym	Python	दिमित्री
पोस्टस्क्रिप्ट	वास्तविक संसारका ML परिदृश्य र अनुप्रयोगहरू	ML in the Wild	क्लासिकल ML का रोचक र खुलासा गर्ने वास्तविक विश्व अनुप्रयोगहरू	पाठ	टिम
पोस्टस्क्रिप्ट	RAI ड्यासबोर्ड प्रयोग गरी ML मोडेल डिबगिङ	ML in the Wild	Responsible AI ड्यासबोर्ड कम्पोनेन्टहरू प्रयोग गरी Machine Learning मा मोडेल डिबगिङ	पाठ	रुथ याकुबु

यस कोर्सका सबै थप स्रोतहरू हाम्रो Microsoft Learn संग्रहमा खोज्नुहोस्

अफलाइन पहुँच

तपाईं यस दस्तावेजलाई अफलाइनमा Docsify प्रयोग गरेर चलाउन सक्नुहुन्छ। यो रिपोजिटोरी फ्लोक गरेर, तपाइँको स्थानीय मेसिनमा Docsify इन्स्टल गर्नुहोस्, र त्यसपछि यो रिपोको root फोल्डरमा docsify serve टाइप गर्नुहोस्। वेबसाइट तपाईँको स्थानीय होस्टमा पोर्ट 3000 मा सर्भ हुनेछ: localhost:3000।

PDF हरू

पाठ्यक्रमको PDF यहाँ लिंकसहित पाउनुहोस्: यहाँ।

🎒 अन्य कोर्सहरू

हाम्रो टिमले अन्य कोर्सहरू उत्पादन गरेको छ! जाँच गर्नुहोस्:

LangChain

Azure / Edge / MCP / एजेन्टहरू

---

Generative AI श्रृंखला

---

मुख्य सिकाइ

---

कोपायलट श्रृंखला

मद्दत लिनुहोस्

यदि तपाईं अड्कनुहुन्छ वा AI अनुप्रयोगहरू निर्माण गर्ने बारे कुनै प्रश्नहरू छन् भने। MCP बारे छलफलमा साथी सिक्दै गरेका र अनुभवी विकासकर्ताहरूसँग जोडिनुहोस्। यो एक सहयोगी समुदाय हो जहाँ प्रश्नहरू स्वागतयोग्य छन् र ज्ञान स्वतन्त्र रूपमा साझा गरिन्छ।

यदि तपाईंलाई उत्पादन प्रतिक्रिया वा त्रुटिहरू छन् भने निर्माण गर्दा भ्रमण गर्नुहोस्:

---

अस्वीकरण:
यो दस्तावेज AI अनुवाद सेवा Co-op Translator प्रयोग गरी अनुवाद गरिएको हो। हामी सटीकताको प्रयास गर्छौं भने पनि, कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटि वा असङ्गतिहरू हुन सक्नेछन्। मूल दस्तावेज यसको मूल भाषामा आधिकारिक स्रोतमै मानिनु पर्छ। महत्वपूर्ण जानकारीको लागि व्यावसायिक मानवीय अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलत बुझाइ वा गलत व्याख्याका लागि हामी उत्तरदायी छैनौं।