ML-For-Beginners/translations/kn

🌐 ಬಹು-ಭಾಷಾ ಬೆಂಬಲ

GitHub Action ಮೂಲಕ ಬೆಂಬಲಿಸಲ್ಪಟ್ಟಿದೆ (ಸ್ವಯಂಚಾಲಿತ ಮತ್ತು ಯಾವಾಗಲೂ ನವೀಕರಿಸಲಾಗುತ್ತದೆ)

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

ನಮ್ಮ ಸಮುದಾಯಕ್ಕೆ ಸೇರಿ

Discord ನಲ್ಲಿ ನಮ್ಮ "Learn with AI" ಸರಣಿ ನಡೆಯುತ್ತಿದೆ — ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ ಮತ್ತು 18 - 30 ಸೆಪ್ಟೆಂಬರ್, 2025 ರಲ್ಲಿ ನಮ್ಮೊಂದಿಗೆ ಸೇರಲು Learn with AI Series ಅನ್ನು ನೋಡಿ. ನೀವು GitHub Copilot ಅನ್ನು ಡೇಟಾ ಸೈನ್ಸ್‌ಗಾಗಿ ಬಳಸುವ ಸಲಹೆಗಳು ಮತ್ತು ಯುಕ್ತಿಗಳು ಪಡೆಯುತ್ತೀರಿ.

ಪ್ರಾರಂಭಿಕರಿಗಾಗಿ ಯಂತ್ರ ಕಲಿಕೆ - ಪಠ್ಯಕ್ರಮ

🌍 ಜಗತ್ತಿನ ಸಂಸ್ಕೃತಿಗಳ ಮೂಲಕ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಅನ್ವೇಷಿಸುವಾಗ ಜಗತ್ತನ್ನು ಸುತ್ತುವುದು 🌍

Microsoft ನಲ್ಲಿ Cloud Advocates ತಂಡವು ಯಂತ್ರ ಕಲಿಕೆ ಕುರಿತ 12-ವಾರಗಳ, 26-ಪಾಠಗಳ ಪಠ್ಯಕ್ರಮವನ್ನು ನೀಡಲು ಸಂತೋಷಪಡುತ್ತವೆ. ಈ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ನೀವು ಕೆಲವು ವೇಳೆ "ಶಾಸ್ತ್ರೀಯ ಯಂತ್ರ ಕಲಿಕೆ" ಎಂದು ಕರೆಯಲ್ಪಡುವ ವಿಷಯವನ್ನು ಕಲಿಯುತ್ತೀರಿ, ಮುಖ್ಯವಾಗಿ Scikit-learn ಎಂಬ ಪುಸ್ತಕಾಲಯವನ್ನು ಬಳಸುವುದರ ಮೂಲಕ ಮತ್ತು ಡೀಪ್ ಲರ್ನಿಂಗ್ ನಿಂದ ದೂರವಿದ್ದು, ಅದು ನಮ್ಮ AI for Beginners' curriculum ನಲ್ಲಿ ಕವರ್ ಮಾಡಲಾಗಿದೆ. ಈ ಪಾಠಗಳನ್ನು ನಮ್ಮ 'Data Science for Beginners' curriculum ಜೊತೆಗೆ ಜೋಡಿಸಿ!

ನಮ್ಮೊಂದಿಗೆ ಜಗತ್ತಿನ ಹಲವಾರು ಪ್ರದೇಶಗಳ ಡೇಟಾದಲ್ಲಿ ಈ ಶಾಸ್ತ್ರೀಯ ತಂತ್ರಗಳನ್ನು ಅನ್ವಯಿಸುತ್ತಾ ಸಂಪರ್ಕಗೊಳಿಸಿ. ಪ್ರತಿ ಪಾಠವು ಪೂರ್ವ- ಮತ್ತು ನಂತರ-ಪಾಠ ಕ್ವಿಜ್‌ಗಳು, ಪಾಠ ಪೂರ್ಣಗೊಳಿಸಲು ಬರೆಯಲಾದ ಸೂಚನೆಗಳು, ಒಂದು ಪರಿಹಾರ, ಒಂದು ಹುದ್ದೆ, ಮತ್ತು ಇನ್ನೂ ಹೆಚ್ಚಿನவற்றನ್ನು ಒಳಗೊಂಡಿದೆ. ನಮ್ಮ ಪ್ರಾಜೆಕ್ಟ್-ಆಧಾರಿತ ಪಠ್ಯಶಿಕ್ಷಣದಿಂದ ನೀವು ನಿರ್ಮಿಸುತ್ತಿದ್ದಾಗಲೇ ಕಲಿಯುತ್ತೀರಿ — ಹೊಸ ಕೌಶಲ್ಯಗಳು ಜಾಸ್ತಿ ಕಾಲದವರೆಗೆ ನೆನಪಿನಲ್ಲಿ ಉಳಿಯಲು ಇದು ಪರಿಣಾಮಕಾರಿಯಾಗಿವೆ.

✍️ ನಮ್ಮ ಲೇಖಕರಿಗೆ ಹೃದಯದಿಂದ ಧನ್ಯವಾದಗಳು Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ಮತ್ತು Amy Boyd

🎨 ನಮ್ಮ ಚಿತ್ರಕಾರರಿಗೆ ಧನ್ಯವಾದಗಳು Tomomi Imura, Dasani Madipalli, ಮತ್ತು Jen Looper

🙏 ವಿಶೇಷ ಧನ್ಯವಾದಗಳು 🙏 ನಮ್ಮ Microsoft Student Ambassador ಲೇಖಕರು, ವಿಮರ್ಶಕರು ಮತ್ತು ವಿಷಯದ ಸಹಭಾಗಿಗಳಿಗೆ, ವಿಶೇಷವಾಗಿ Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, ಮತ್ತು Snigdha Agarwal

🤩 R ಪಾಠಗಳಿಗೆ Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, ಮತ್ತು Vidushi Gupta ಅವರಿಗೆ ಹೆಚ್ಚುವರಿ ಕೃತಜ್ಞತೆಗಳು!

ಪ್ರಾರಂಭಿಸುವುದು

ಈ ಹಂತಗಳನ್ನು ಅನುಸರಿಸಿ:

1. ರಿಪೊಸಿಟರಿಯನ್ನು Fork ಮಾಡಿ: ಈ ಪುಟದ ಮೇಲಿನ-ಬಲದ ಕೋನದಲ್ಲಿರುವ "Fork" ಬಟನನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ.
2. ರಿಪೊಸಿಟರಿಯನ್ನು ಕ್ಲೋನ್ ಮಾಡಿ: git clone https://github.com/microsoft/ML-For-Beginners.git

ಈ ಕೋರ್ಸ್‌ಗೆ ಸೇರಿಕೊಂಡಿರುವ ಎಲ್ಲಾ ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಮ್ಮ Microsoft Learn ಸಂಗ್ರಹದಲ್ಲಿ ಕಂಡುಹಿಡಿಯಿರಿ

🔧 ಸಹಾಯ ಬೇಕಿದೆಯೇ? ಸ್ಥಾಪನೆಯ, ಸೆಟ್‌ಅಪ್‌, ಮತ್ತು ಪಾಠಗಳನ್ನು ಚಲಾಯಿಸುವ ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಗಳ ಪರಿಹಾರಗಳಿಗೆ ನಮ್ಮ Troubleshooting Guide ಅನ್ನು ನೋಡಿ.

ವಿದ್ಯಾರ್ಥಿಗಳು, ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ಬಳಸಲು, ಸಂಪೂರ್ಣ ರೆಪೋವನ್ನು ನಿಮ್ಮ GitHub ಖಾತೆಗೆ Fork ಮಾಡಿ ಮತ್ತು ಅಭ್ಯಾಸಗಳನ್ನು ಸ್ವತಃ ಅಥವಾ ಗುಂಪಿನೊಂದಿಗೆ ಪೂರ್ಣಗೊಳಿಸಿ:

• ಪೂರ್ವ-ಸಮಾಲೋಚನಾ ಕ್ವಿಜ್‌ನಿಂದ ಪ್ರಾರಂಭಿಸಿ.
• ಉಪನ್ಯಾಸವನ್ನು ಓದಿ ಮತ್ತು ಕಾರ್ಯಚಟುವಟಿಕೆಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ, ಪ್ರತಿ ಜ್ಞಾನ ಪರಿಶೀಲನೆಯಲ್ಲಿ ನಿಲ್ಲಿಸಿ ಮತ್ತು ಯೋಚಿಸಿ.
• ಪಠ್ಯಗಳನ್ನು ನಡೆಸುತ್ತಾ ಪರಿಹಾರ ಕೋಡ್ ಓದಲು ಬದಲು ಪಾಠಗಳನ್ನು ಅರ್ಥ ಮಾಡಿಕೊಂಡು ಪ್ರಾಜೆಕ್ಟ್‌ಗಳನ್ನು ನಿರ್ಮಿಸಲು ಪ್ರಯತ್ನಿಸಿ; ಆದರೂ ಆ ಕೋಡ್ ಪ್ರತಿ ಪ್ರಾಜೆಕ್ಟ್-ಆಧಾರಿತ ಪಾಠದ /solution ಫೋಲ್ಡರ್‌ಗಳಲ್ಲಿ ಲಭ್ಯವಿದೆ.
• ಪಾಠದ ನಂತರದ ಕ್ವಿಜ್ ತೆಗೆದುಕೊಳ್ಳಿ.
• ಸವಾಲ್ ಅನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ.
• ನಿಯೋಜನೆಯನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ.
• ಪಾಠ ಗುಂಪನ್ನು ಪೂರ್ಣಗೊಳಿಸಿದ ನಂತರ, ಚರ್ಚಾ ಫಲಕ ವೀಕ್ಷಿಸಿ ಮತ್ತು ಸೂಕ್ತ PAT ರೂಬ್ರಿಕ್ ಅನ್ನು ಭರ್ತಿ ಮಾಡುವ ಮೂಲಕ "ಬಾಹ್ಯವಾಗಿ ಕಲಿಯಿರಿ". 'PAT' ಎಂದರೆ ಪ್ರಗತಿ ಮೌಲ್ಯಮಾಪನ ಸಾಧನ (Progress Assessment Tool), ನೀವು ಕಲಿಕೆಯನ್ನು ಮುಂದುವರಿಸಲು ಭರ್ತಿ ಮಾಡುವ ರೂಬ್ರಿಕ್ ಆಗಿದೆ. ನೀವು ಇತರ PAT ಗಳಿಗೂ ಪ್ರತಿಕ್ರಿಯಿಸಬಹುದು ಹಾಗಾಗಿ ನಾವು ಒಟ್ಟಾಗಿ ಕಲಿಯಬಹುದು.

ಹೆಚ್ಚಿನ ಅಧ್ಯಯನಕ್ಕೆ, ನಾವು ಈ Microsoft Learn ಮాడ್ಯೂಲ್‌ಗಳನ್ನು ಮತ್ತು ಲರ್ನಿಂಗ್ ಪಾತ್‌ಗಳನ್ನು ಅನುಸರಿಸಲು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ.

ಶಿಕ್ಷಕರಿಗೆ, ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ಹೇಗೆ ಬಳಸುವುದು ಎಂಬ ಬಗ್ಗೆ ನಾವು ಕೆಲವು ಸೂಚನೆಗಳನ್ನು ಸೇರಿಸಿದ್ದೇವೆ.

---

ವೀಡಿಯೊ ಮಾರ್ಗದರ್ಶನಗಳು

ಕೆಲವು ಪಾಠಗಳು ಚಿಕ್ಕ ರೂಪದ ವೀಡಿಯೊಗಳಲ್ಲಿ ಲಭ್ಯವಿವೆ. ನೀವು ಈ ವೀಡಿಯೊಗಳನ್ನು ಪಾಠಗಳೊಳಗೆ_inline_ ಅಥವಾ Microsoft Developer YouTube ಚಾಣಕ್ಯದ ಮೇಲೆ ML for Beginners ಪ್ಲೇಲಿಸ್ಟ್ ನಲ್ಲಿ ಈ ಕೆಳಗಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ಕಂಡುಹಿಡಿಯಬಹುದು.

---

ತಂಡವನ್ನು ಭೇಟಿ ಮಾಡಿ

GIF ರಚಿಸಿದವರು Mohit Jaisal

🎥 ಪ್ರಾಜೆಕ್ಟ್ ಮತ್ತು ಅದನ್ನು ರಚಿಸಿದ ಜನರ ಬಗ್ಗೆ ವೀಡಿಯೊ ನೋಡಲು ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ!

---

ಪಠ್ಯಶಾಸ್ತ್ರ

ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ರೂಪಿಸುವಾಗ ನಾವು ಎರಡು ಪಠ್ಯಶಾಸ್ತ್ರ ತತ್ವಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಿದ್ದೇವೆ: ಕೈಯಿಂದ ಮಾಡಿದ, ಯೋಜನೆ-ಆಧಾರಿತ (project-based) ಅನುಭವ ಮತ್ತು ನಿರಂತರ ಕ್ವಿಜ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರಬೇಕು. ಜೊತೆಗೆ, ಈ ಪಠ್ಯಕ್ರಮದ ಉತ್ತಮ ಸಮ್ಮಿಲನಕ್ಕಾಗಿ ಒಂದು ಸಾಮಾನ್ಯ ಥೀಮ್ ಅನ್ನು ಅಳವಡಿಸಲಾಗಿದೆ.

ವಿಷಯಗಳನ್ನು ಪ್ರಾಜೆಕ್ಟ್‌ಗಳೊಂದಿಗೆ ಸರಿಹೊಂದಿಸುವ ಮೂಲಕ ಪ್ರಕ್ರಿಯೆ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಹೆಚ್ಚು ಆಕರ್ಷಕವಾಗುತ್ತದೆ ಮತ್ತು ಮಾತ್ರತೆಯ ಅಂಶಗಳನ್ನು ನೆನಪಿನಲ್ಲಿ ಉಳಿಸುವಿಕೆ ಹೆಚ್ಚುತ್ತದೆ. ತರಗತಿಯ ಮೊದಲಿನ ಕಡಿಮೆ-ಪರಿಣಾಮದ ಕ್ವಿಜ್ ವಿದ್ಯಾರ್ಥಿಯ ಗಮನವನ್ನು ವಿಷಯ ಕಲಿಕೆಗೆ ತಲಮೇಲೆ ಸಾಧಿಸುವಂತೆ ಮಾಡುತ್ತದೆ, ಮತ್ತು ತರಗತಿಯ ನಂತರದ ಎರಡನೇ ಕ್ವಿಜ್ ಮತ್ತೆ ಧಾರವಾಹಿಕವಾಗಿ ಕಲಿಕೆಯ ನೆನಪನ್ನು ದೃಢಪಡಿಸುತ್ತದೆ. ಈ ಪಠ್ಯಕ್ರಮವು ನೇರವಾಗಿ ಮತ್ತು ಆನಂದಕರವಾಗಿದ್ದು ಸಂಪೂರ್ಣವಾಗಿ ಅಥವಾ ಭಾಗಶಃ ತೆಗೆದುಕೊಳ್ಳಬಹುದಾಗಿದೆ. ಪ್ರಾಜೆಕ್ಟ್‌ಗಳು ಚಿಕ್ಕದಾಗಿ ಪ್ರಾರಂಭಿಸಿ 12-ವಾರದ ಚಕ್ರದ ಕೊನೆಯಲ್ಲಿ ಕ್ರಮೇಣ ಜಟಿಲವಾಗುತ್ತವೆ. ಈ ಪಠ್ಯಕ್ರಮವು ವಾಸ್ತವಿಕ ಜಗತ್ತಿನ ಅನ್ವಯಗಳನ್ನು ಕುರಿತು ಒಂದು ಪೊಸ್ಟ್ಸ್ಕ್ರಿಪ್ಟ್ ಅನ್ನು ಕೂಡ ಒಳಗೊಂಡಿದೆ, ಇದು ಹೆಚ್ಚುವರಿ ಕ್ರೆಡಿಟ್ ಅಥವಾ ಚರ್ಚೆಯ ಆಧಾರವಾಗಿದೆ.

ನಮ್ಮ Code of Conduct, Contributing, Translation, ಮತ್ತು Troubleshooting ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ಕಂಡುಹಿಡಿಯಿರಿ. ನಿಮ್ಮ ನಿರ್ಮಾಣಾತ್ಮಕ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ನಾವು ಸ್ವಾಗತಿಸುತ್ತೇವೆ!

ಪ್ರತಿ ಪಾಠವು ಹೊಂದಿರುವುದು

• ಐಚ್ಛಿಕ ಸ್ಕೆಚ್ನೋಟ್
• ಐಚ್ಛಿಕ ಪೂರಕ ವೀಡಿಯೊ
• ವೀಡಿಯೊ ಮಾರ್ಗದರ್ಶನ (ಕೆಲವು ಪಾಠಗಳು ಮಾತ್ರ)
• ಪೂರ್ವ-ಉಪನ್ಯಾಸ ಉಷ್ಣತೆ ಕ್ವಿಜ್
• ಬರೆಯಲಾದ ಪಾಠ
• ಪ್ರಾಜೆಕ್ಟ್-ಆಧಾರಿತ ಪಾಠಗಳಿಗೆ ಪ್ರಾಜೆಕ್ಟ್ ನಿರ್ಮಿಸುವ ಹಂತದಿಂದ ಹಂತದ ಮಾರ್ಗದರ್ಶಿಗಳು
• ಜ್ಞಾನ ಪರಿಶೀಲನೆಗಳು
• ಒಂದು ಸವಾಲ್
• ಪೂರಕ ಓದು
• ನಿಯೋಜನೆ
• ಉಪನ್ಯಾಸೋತ್ತರ ಕ್ವಿಜ್

ಭಾಷೆಗಳ ಕುರಿತು ಒಂದು ಸೂಚನೆ: ಈ ಪಾಠಗಳು ಪ್ರಧಾನವಾಗಿ Python ನಲ್ಲಿ ಬರೆಯಲ್ಪಟ್ಟಿವೆ, ಆದರೆ ಹಲವಾರು ಪಾಠಗಳು R ನಲ್ಲಿ ಕೂಡ ಲಭ್ಯವಿವೆ. R ಪಾಠವನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು, /solution ಫೋಲ್ಡರ್‌ಗೆ ಹೋಗಿ R ಪಾಠಗಳನ್ನು ಹುಡುಕಿ. ಅವು .rmd ಎಕ್ಸ್ಟೆನ್ಷನ್ ಅವರನ್ನು ಹೊಂದಿರುತ್ತವೆ, ಇದು R Markdown ಕಡತವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ, ಇದನ್ನು ಸರಳವಾಗಿ code chunks (R ಅಥವಾ ಇತರ ಭಾಷೆಗಳ), ಮತ್ತು YAML header (PDF ಮುಂತಾದ ಔಟ್‌ಪುಟ್‌ಗಳನ್ನು ಹೇಗೆ ರೂಪಿಸಬೇಕೆಂಬುದನ್ನು ಮಾರ್ಗದರ್ಶನವಾಗಿಸುತ್ತದೆ) ಅನ್ನು ಒಳಗೊಂಡಿರೋ Markdown document ಆಗಿ ವ್ಯಾಖ್ಯಾನಿಸಬಹುದು. ಆದ್ದರಿಂದ, ಇದು ಡೇಟಾ ಸೈನ್ಸ್‌ಗೆ ಅತ್ಯುತ್ತಮ ಲೇಖನಾತ್ಮಕ ರೂಪರೆಖೆಯಾಗಿದೆ ಏಕೆಂದರೆ ಇದು ನಿಮ್ಮ ಕೋಡ್, ಅದರ ಔಟ್‌ಪುಟ್ ಮತ್ತು ನಿಮ್ಮ ಚಿಂತನೆಗಳನ್ನು Markdown ನಲ್ಲಿ ಬರೆಯುವ ಮೂಲಕ ಸಂಯೋಜಿಸಲು ಅನುಮತಿಸುತ್ತದೆ. ಅಷ್ಟೇ ಅಲ್ಲದೆ, R Markdown ಡಾಕ್ಯುಮೆಂಟ್‌ಗಳನ್ನು PDF, HTML ಅಥವಾ Word ಮುಂತಾದ ಔಟ್‌ಪುಟ್ ಫಾರ್ಮ್ಯಾಟ್‌ಗಳಿಗೆ ರೆಂಡರ್ ಮಾಡಬಹುದು.

ಕ್ವಿಜ್‌ಗಳ ಕುರಿತು ಒಂದು ಸೂಚನೆ: ಎಲ್ಲಾ ಕ್ವಿಜ್‌ಗಳು Quiz App folder ನಲ್ಲಿ ಒಳಗೊಂಡಿವೆ, ಒಟ್ಟು 52 ಕ್ವಿಜ್‌ಗಳು, ಪ್ರತಿ ಒಂದು ಮೂವರು ಪ್ರಶ್ನೆಗಳಿವೆ. ಅವು ಪಾಠಗಳೊಳಗಿಂದ ಲಿಂಕ್ ಮಾಡಲಾಗಿದೆ ಆದರೆ quiz ಆಪ್ ಅನ್ನು ಸ್ಥಳೀಯವಾಗಿ ಓಡಿಸಬಹುದು; ಸ್ಥಳೀಯವಾಗಿ ಹೋಸ್ಟ್ ಮಾಡಲು ಅಥವಾ Azure ಗೆ ಡಿಪ್ಲಾಯ್ ಮಾಡಲು quiz-app ಫೋಲ್ಡರ್‌ನಲ್ಲಿರುವ ಸೂಚನೆಯನ್ನು ಅನುಸರಿಸಿ.

ಪಾಠ ಸಂಖ್ಯೆ	ವಿಷಯ	ಪಾಠ ಗುಂಪು	ಅಧ್ಯಯನ ಉದ್ದೇಶಗಳು	ಲಿಂಕ್ ಮಾಡಲಾದ ಪಾಠ	ಲೇಖಕರು
01	ಯಂತ್ರ ಕಲಿಕೆಯ ಪರಿಚಯ	ಪರಿಚಯ	ಯಂತ್ರ ಕಲಿಕೆಯ ಮೂಲಭೂತ ತತ್ವಗಳನ್ನು ತಿಳಿದುಕೊಳ್ಳಿ	ಪಾಠ	Muhammad
02	ಯಂತ್ರ ಕಲಿಕೆಯ ಇತಿಹಾಸ	ಪರಿಚಯ	ಈ ಕ್ಷೇತ್ರದ ಆಧಾರದಲ್ಲಿರುವ ಇತಿಹಾಸವನ್ನು ತಿಳಿದುಕೊಳ್ಳಿ	ಪಾಠ	Jen and Amy
03	ನ್ಯಾಯತತ್ವ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆ	ಪರಿಚಯ	ವಿದ್ಯಾರ್ಥಿಗಳು ML ಮಾದರಿಗಳನ್ನು ರಚಿಸುವಾಗ ಮತ್ತು ಅನ್ವಯಿಸುವಾಗ ಪರಿಗಣಿಸಬೇಕಾದ ನ್ಯಾಯತತ್ವದ ಪ್ರಮುಖ ತತ್ವಶಾಸ್ತ್ರೀಯ ಪ್ರಶ್ನೆಗಳೇನು?	ಪಾಠ	Tomomi
04	ಯಂತ್ರ ಕಲಿಕೆಯ ತಂತ್ರಗಳು	ಪರಿಚಯ	ML ಸಂಶೋಧಕರು ML ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲು ಯಾವ ತಂತ್ರಗಳನ್ನು ಬಳಸುತ್ತಾರೆ?	పಾಠ	Chris and Jen
05	ರಿಗ್ರೆಶನ್‌ಗೆ ಪರಿಚಯ	రిగ్రెಶన్	ರಿಗ್ರೆಶನ್ ಮಾದರಿಗಳಿಗೆ Python ಮತ್ತು Scikit-learn ಬಳಸಿ ಪ್ರಾರಂಭಿಸಿ	Python • R	Jen • Eric Wanjau
06	ಉತ್ತರ ಅಮೆರಿಕದ ಪಂಪ್‍ಕಿನ್ ಬೆಲೆಗಳು 🎃	ರಿಗ్రೆಶన్	ML ನಿಗಾಗಿ ಡೇಟಾವನ್ನು ದೃಶ್ಯೀಕರಿಸಿ ಮತ್ತು ಸ್ವಚ್ಛಗೊಳಿಸಿ	Python • R	Jen • Eric Wanjau
07	ಉತ್ತರ ಅಮೆರಿಕದ ಪಂಪ್‍ಕಿನ್ ಬೆಲೆಗಳು 🎃	రಿಗ్రెಶన్	ಲೀನಿಯರ್ ಮತ್ತು ಪೋಲಿನೋಮಿಯಲ್ ರಿಗ್ರೆಶನ್ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಿ	Python • R	Jen and Dmitry • Eric Wanjau
08	ಉತ್ತರ ಅಮೆರಿಕದ ಪಂಪ್‍ಕಿನ್ ಬೆಲೆಗಳು 🎃	రिग్రెಶన్	ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಶನ್ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಿ	Python • R	Jen • Eric Wanjau
09	ವೆಬ್ ಆಪ್ 🔌	ವೆಬ್ ಆಪ್	ತರಬೇತಿಗೊಂಡ ನಿಮ್ಮ ಮಾದರಿಯನ್ನು ಬಳಸಲು ಒಂದು ವೆಬ್ ಆಪ್ ನಿರ್ಮಿಸಿ	Python	Jen
10	ವರ್ಗೀಕರಣಕ್ಕೆ ಪರಿಚಯ	వರ್ಗీకరణ	ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಿ, ತಯಾರಿಸಿ ಮತ್ತು ದೃಶ್ಯೀಕರಿಸಿ; ವರ್ಗೀಕರಣಕ್ಕೆ ಪರಿಚಯ	Python • R	Jen and Cassie • Eric Wanjau
11	ರುಚಿಕರ ಏಷಿಯನ್ ಮತ್ತು ಭಾರತೀಯ ಪಾಕಶೈಲಿಗಳು 🍜	分類	ವರ್ಗೀಕರಣಕ್ಕೆ ಪರಿಚಯ	Python • R	Jen and Cassie • Eric Wanjau
12	ರುಚಿಕರ ಏಷಿಯನ್ ಮತ್ತು ಭಾರತೀಯ ಪಾಕಶೈಲಿಗಳು 🍜	分類	ಇನ್ನಷ್ಟು ವರ್ಗೀಕರಣ ಯಂತ್ರಗಳು	Python • R	Jen and Cassie • Eric Wanjau
13	ರುಚಿಕರ ಏಷಿಯನ್ ಮತ್ತು ಭಾರತೀಯ ಪಾಕಶೈಲಿಗಳು 🍜	分類	ನಿಮ್ಮ ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಶಿಫಾರಸು ಮಾಡುವ ವೆಬ್ ಆಪ್ ನಿರ್ಮಿಸಿ	Python	Jen
14	ಕ್ಲಸ್ಟರಿಂಗ್‌ಗೆ ಪರಿಚಯ	క್ಲస్టరింగ్	ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಿ, ತಯಾರಿಸಿ ಮತ್ತು ದೃಶ್ಯೀಕರಿಸಿ; ಕ್ಲಸ್ಟರಿಂಗ್‌ಗೆ ಪರಿಚಯ	Python • R	Jen • Eric Wanjau
15	ನೈಜೀರಿಯಾದ ಸಂಗೀತ ರುಚಿಗಳ ಅನ್ವೇಷಣೆ 🎧	క್ಲస్టರింగ్	K-Means ಕ್ಲಸ್ಟರಿಂಗ್ ವಿಧಾನವನ್ನು ಅನ್ವೇಷಿಸಿ	Python • R	Jen • Eric Wanjau
16	ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಂಸ್ಕರಣೆ (NLP) ಗೆ ಪರಿಚಯ ☕️	ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಂಸ್ಕರಣೆ	ಸರಳ ಬಾಟ್ ಅನ್ನು ನಿರ್ಮಿಸುವ ಮೂಲಕ NLP ನ ಮೂಲಭೂತಗಳನ್ನು ಕಲಿಯಿರಿ	Python	Stephen
17	ಸಾಮಾನ್ಯ NLP ಕಾರ್ಯಗಳು ☕️	ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಂಸ್ಕರಣೆ	ಭಾಷಾ ರಚನೆಗಳನ್ನು ನಿಭಾಯಿಸುವಾಗ ಅಗತ್ಯವಾಗುವ ಸಾಮಾನ್ಯ ಕಾರ್ಯ들을 ಅರ್ಥಮಾಡಿಕೊಂಡು ನಿಮ್ಮ NLP ಜ್ಞಾನವನ್ನು ಗಾಢಗೊಳಿಸಿ	Python	Stephen
18	ಭಾಷಾಂತರ ಮತ್ತು ಭಾವನಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆ ♥️	ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಂಸ್ಕರಣೆ	ಜೆನ್ ಆಸ್ಟಿನ್ ಜೊತೆಭಾಗಿಯಾಗಿ ಭಾಷಾಂತರ ಮತ್ತು ಭಾವನಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆ	Python	Stephen
19	ಯುರೋಪಿನ ರೋಮ್ಯಾಂಟಿಕ್ ಹೋಟೆಲ್ಗಳು ♥️	ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಂಸ್ಕರಣೆ	ಹೋಟೆಲ್ ವಿಮರ್ಶೆಗಳೊಂದಿಗೆ ಭಾವನಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆ 1	Python	Stephen
20	ಯುರೋಪಿನ ರೋಮ್ಯಾಂಟಿಕ್ ಹೋಟೆಲ್ಗಳು ♥️	ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಂಸ್ಕರಣೆ	ಹೋಟೆಲ್ ವಿಮರ್ಶೆಗಳೊಂದಿಗೆ ಭಾವನಾತ್ಮಿಕ ವಿಶ್ಲೇಷಣೆ 2	Python	Stephen
21	ಟೈಮ್ ಸೀರೀಸ್ ಭವಿಷ್ಯವಾಣಿ ಗೆ ಪರಿಚಯ	ಟೈಮ್ ಸೀರೀಸ್	ಟೈಮ್ ಸೀರೀಸ್ ಭವಿಷ್ಯವಾಣಿಯ ಪರಿಚಯ	Python	Francesca
22	⚡️ World Power Usage ⚡️ - ARIMA ಮೂಲಕ ಟೈಮ್ ಸೀರೀಸ್ ಭವಿಷ್ಯವಾಣಿ	ಟೈಮ್ ಸೀರೀಸ್	ARIMA ಮೂಲಕ ಟೈಮ್ ಸೀರೀಸ್ ಭವಿಷ್ಯವಾಣಿ	Python	Francesca
23	⚡️ World Power Usage ⚡️ - SVR ಜೊತೆ ಟೈಮ್ ಸೀರೀಸ್ ಭವಿಷ್ಯವಾಣಿ	ಟೈಮ್ ಸೀರೀಸ್	Support Vector Regressor ಅನ್ನು ಬಳಸಿಕೊಂಡು ಟೈಮ್ ಸೀರೀಸ್ ಭವಿಷ್ಯವಾಣಿ	Python	Anirban
24	ರೀಇನ್ಫೋರ್ಸ್ಮೆಂಟ್ ಲರ್ನಿಂಗ್ ಗೆ ಪರಿಚಯ	ರೀಇನ್ಫೋರ್ಸ್ಮೆಂಟ್ ಲರ್ನಿಂಗ್	Q-Learning ಬಳಸಿ ರೀಇನ್ಫೋರ್ಸ್ಮೆಂಟ್ ಲರ್ನಿಂಗ್ಗೆ ಪರಿಚಯ	Python	Dmitry
25	ಪೀಟರ್‌ಗೆ ನಾಯಿ(wolf) ತಪ್ಪಿಸಲು ಸಹಾಯ ಮಾಡಿ! 🐺	ರೀಇನ್ಫೋರ್ಸ್ಮೆಂಟ್ ಲರ್ನಿಂಗ್	Reinforcement learning Gym	Python	Dmitry
ಪೊಸ್ಟ್‌ಸ್ಕ್ರಿಪ್ಟ್	ವಾಸ್ತವ ಲೋಕದಲ್ಲಿ ML ನ ಸನ್ನಿವೇಶಗಳು ಮತ್ತು ಅನ್ವಯಗಳು	ವಾಸ್ತವ ಲೋಕದಲ್ಲಿನ ML	ಪಾರಂಪರಿಕ ML ನ ಆಕರ್ಷಕ ಮತ್ತು ಬಹಿರಂಗವಾಗಿಸುವ ವಾಸ್ತವಜೀವನ ಅನ್ವಯಿಕೆಗಳು	ಪಾಠ	Team
ಪೊಸ್ಟ್‌ಸ್ಕ್ರಿಪ್ಟ್	RAI ಡ್ಯಾಶ್‌ಬೋರ್ಡ್ ಬಳಸಿ ML ನಲ್ಲಿ ಮಾದರಿ ಡಿಬಗ್‌ಿಂಗ್	ವಾಸ್ತವ ಲೋಕದಲ್ಲಿನ ML	Responsible AI ಡ್ಯಾಶ್‌ಬೋರ್ಡ್ ಘಟಕಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ಮಾದರಿ ಡಿಬಗ್‌ಿಂಗ್	ಪಾಠ	Ruth Yakubu

ಈ ಕೋರ್ಸ್‌ಗೆ ಸಂಬಂಧಿಸಿದ ಎಲ್ಲಾ ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಮ್ಮ Microsoft Learn ಸಮಾಹಾರದಲ್ಲಿ ಹುಡುಕಿ

ಆಫ್‌ಲೈನ್ ಪ್ರವೇಶ

ನೀವು ಈ ದಸ್ತಾವೇಜನ್ನು ಆಫ್‌ಲೈನ್‌ನಲ್ಲಿ ಓಡಿಸಲು Docsify ಬಳಸಿ. ಈ ರೆಪೊವನ್ನು Fork ಮಾಡಿ, ನಿಮ್ಮ ಸ್ಥಳೀಯ ಯಂತ್ರದಲ್ಲಿ Docsify ಅನ್ನು ಸ್ಥಾಪಿಸಿ, ಮತ್ತು ನಂತರ ಈ ರೆಪೊದ ರೂಟ್ ಫೋಲ್ಡರ್‌ನಲ್ಲಿ docsify serve ಅನ್ನು ಟೈಪ್ ಮಾಡಿ. ವೆಬ್‌ಸೈಟ್ ನಿಮ್ಮ ಲೋಕಲ್‌ಹೋಸ್ಟ್‌ನಲ್ಲಿ ಪೋರ್ಟ್ 3000 ನಲ್ಲಿ ಸೇವ್ ಆಗುತ್ತದೆ: localhost:3000.

ಪಿಡಿಎಫ್‌ಗಳು

ಲಿಂಕ್‌ಗಳೊಂದಿಗೆ ಪಠ್ಯಕ್ರಮದ ಪಿಡಿಎಫ್ ಅನ್ನು ಇಲ್ಲಿ ಕಂಡುಹಿಡಿಯಿರಿ.

🎒 ಇತರೆ ಕೋರ್ಸ್‌ಗಳು

ನಮ್ಮ ತಂಡ ಇತರೆ ಕೋರ್ಸ್‌ಗಳನ್ನು ನಿರ್ಮಿಸುತ್ತದೆ! ಪರಿಶೀಲಿಸಿ:

LangChain

---

Azure / Edge / MCP / Agents

---

Generative AI Series

---

ಮುಖ್ಯ ಕಲಿಕೆ

---

Copilot ಸರಣಿ

ಸಹಾಯ ಪಡೆಯುವುದು

ನೀವು AI ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ನಿರ್ಮಿಸುವ ವೇಳೆ ಅಡಚಣೆಯಲ್ಲಿದ್ದರೆ ಅಥವಾ ಯಾವುದೇ ಪ್ರಶ್ನೆಗಳು ಇದ್ದರೆ, MCP ಬಗ್ಗೆ ಚರ್ಚೆಗಳಲ್ಲಿ ಇತರ ಕಲಿಕಾರರು ಮತ್ತು ಅನುಭವಸಂಪನ್ನ ಡೆವಲಪರ್‌ಗಳೊಂದಿಗೆ ಸೇರಿಕೊಳ್ಳಿ. ಇದು ಪ್ರಶ್ನೆಗಳಿಗೆ ಸ್ವಾಗತ ಮಾಡುವ ಮತ್ತು ಜ್ಞಾನವನ್ನು ಮುಕ್ತವಾಗಿ ಹಂಚಿಕೊಳ್ಳುವ ಬೆಂಬಲಾತ್ಮಕ ಸಮುದಾಯವಾಗಿದೆ.

ನೀವು ನಿರ್ಮಿಸುವಾಗ ಉತ್ಪನ್ನ ಫೀಡ್‌ಬ್ಯಾಕ್ ಅಥವಾ ದೋಷಗಳಿದ್ದಲ್ಲಿ, ದಯವಿಟ್ಟು ಭೇಟಿ ಮಾಡಿ:

---

ನಿರಾಕರಣೆ: ಈ ದಸ್ತಾವೇಜನ್ನು AI ಅನುವಾದ ಸೇವೆ Co-op Translator ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು娛 ಶುದ್ಧತೆಯನ್ನು ಉದ್ದೇಶಿಸಿದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ತಪ್ಪು ಮಾಹಿತಿಗಳು ಇರಬಹುದಾದುದನ್ನು ದಯವಿಟ್ಟು ಗಮನದಲ್ಲಿ ಇರಸಿಕೊಳ್ಳಿ. ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅದರ ಮೂಲ ಭಾಷೆಯಲ್ಲಿಯೇ ಪ್ರಾಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ಅಸಮಂಜಸ್ಯತೆಗಳು ಅಥವಾ ತಪ್ಪು ವ್ಯಾಖ್ಯಾನಗಳಿಗಾಗಿ ನಾವು ಹೊಣೆಗಾರರಲ್ಲ.