ML-For-Beginners/translations/ml

🌐 ബഹുഭാഷാ പിന്തുണ

GitHub Action മുഖാന്തിരം പിന്തുണ ലഭ്യമുണ്ട് (സ്വയംപ്രവർത്തിയും എപ്പോഴും പുതുക്കപ്പെട്ടതുമായത്)

അറബി | ബംഗളി | ബൾഗേറിയൻ | ബർമീസ് (മ്യാൻമാർ) | ചൈനീസ് (സിംപ്ലിഫൈഡ്) | ചൈനീസ് (പരമ്പരാഗതം, ഹോങ്കോങ്) | ചൈനീസ് (പരമ്പരാഗതം, മാക്‌ളാവോ) | ചൈനീസ് (പരம்பരാഗതം, തായ്‌വാൻ) | ക്രൊയാറ്റിയൻ | ചെക്ക് | ഡാനിഷ് | ഡച്ച് | എസ്റ്റോണിയൻ | ഫിന്നിഷ് | ഫ്രഞ്ച് | ജർമ്മൻ | ഗ്രീക്ക് | ഹീബ്രു | ഹിന്ദി | ഹംഗേറിയൻ | ഇന്തോനേഷ്യൻ | ഇറ്റാലിയൻ | ജാപ്പനീസ് | കന്നഡ | കൊറിയൻ | ലിതുവേനിയൻ | മലേ | മലയാളം | മറാത്തി | നെപ്പാലി | നൈജീരിയൻ പിഡ്ജിൻ | നോർവീജിയൻ | പേർഷ്യൻ (ഫാർസി) | പോളിഷ് | പോർചുഗീസ് (ബ്രസീൽ) | പോർചുഗീസ് (പോർച്ചുഗൽ) | പഞ്ചാബി (ഗുര്മുഖി) | റൊമാനിയൻ | റഷ്യൻ | സെർബിയൻ (സിറിലിക്) | സ്ലോവാക് | സ്ലോവേനിയൻ | സ്പാനിഷ് | സ്വാഹിലി | സ്വീഡിഷ് | തഗലോഗ് (ഫിലിപ്പീനോ) | തമിഴ് | തെലുങ്കു | തായ് | ടർക്കിഷ് | ഉക്രേനിയൻ | ഉർദു | വിയറ്റ്നാമീസ്

നമ്മുടെ സമൂഹത്തിൽ ചേർക്കുക

നമുക്കൊരു Discord "Learn with AI" സീരീസ് പുരോഗമിക്കുന്നു — കൂടുതൽ അറിയാനും ഞങ്ങളോടൊപ്പം ചേരാനും Learn with AI Series സന്ദർശിക്കുക, 18 - 30 സെപ്റ്റംബർ, 2025 വരെ. GitHub Copilot നെ ഡാറ്റാ സയൻസിന് ഉപയോഗിക്കാനുള്ള ടിപ്പുകളും ട്രിക്കും നിങ്ങൾക്ക് ലഭിക്കും.

ആരംഭക്കാർക്കുള്ള മെഷീൻ ലേണിംഗ് - ഒരു പാഠ്യക്രമം

🌍 ലോക സംസ്കാരങ്ങളിലൂടെ മെഷീൻ ലേണിംഗ് അന്വേഷിക്കുമ്പോൾ ലോകം ചുറ്റിപ്പോവാം 🌍

Microsoftയിലെ ക്ലൗഡ് അഭിവർത്തകർ സന്തോഷത്തോടെ 12 ആഴ്ചകളിലായി 26 പാഠങ്ങൾ ഉൾക്കൊള്ളുന്ന ഒരു മുഴുവൻ പാഠ്യക്രമം നിങ്ങളുടെ മുമ്പിൽ വയ്ക്കുന്നു, ഇത് മെഷീൻ ലേണിംഗ് എന്ന വിഷയത്തെക്കുറിച്ചാണ്. ഈ പാഠ്യക്രമത്തിൽ, നിങ്ങൾ വളരെക്കൊഴിച്ചും Scikit-learn ലൈബ്രറി ഉപയോഗിച്ച് അറിയപ്പെടുന്ന, പലപ്പോഴും ക്ലാസിക് മെഷീൻ ലേണിംഗ് എന്നറിയപ്പെടുന്ന രീതികളെക്കുറിച്ചാണ് പഠിക്കുന്നത്; ഡീപ് ലേണിംഗ് ഒഴിവാക്കിയിരിക്കുന്നു (ഡീപ് ലേണിംഗ് ഞങ്ങളുടെ AI for Beginners' curriculumൽ ഉൾപ്പെടുത്തപ്പെട്ടതാണ്). ഈ പാഠങ്ങൾ ഞങ്ങളുടെ 'Data Science for Beginners' curriculumപाठ്യക്രമഭാഗങ്ങളോടൊപ്പം ചേർക്കുക.

ലോകത്തിന്റെ വിവിധ ഭാഗങ്ങളിൽ നിന്നുള്ള ഡാറ്റകളിൽ ഈ ക്ലാസിക് സാങ്കേതിക വിദ്യകൾ പ്രয়ോജനം ചെയ്യുമ്പോൾ നമോടൊപ്പം ലോകമാര്‍ ചേർന്ന് യാത്ര ചെയ്യുക. ഓരോ പാഠവും പ്രീ-ആൻഡ് പോസ്റ്റ്-പാഠ ക്വിസുകൾ, പാഠം പൂർത്തിയാക്കാനുള്ള എഴുത്തുനിർദേശങ്ങൾ, ഒരു പരിഹാരം, അസൈൻമെന്റ് എന്നിവ ഉൾക്കൊള്ളുന്നു. പ്രോജക്ട്-അധിഷ്ഠിത പാഠശൈലിയിലൂടെ നിങ്ങൾ നിർമ്മിക്കുമ്പോൾ പഠിക്കാനുറപ്പു കിട്ടും—പുതിയ കഴിവുകൾ ഉറപ്പിക്കപ്പെടാൻ ഇത് തെളിഞ്ഞ മാർഗമാണ്.

✍️ നമ്മുടെ രചയിതാവുകൾക്ക് ഹൃദയം നിറഞ്ഞ നന്ദി Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd

🎨 നമ്മുടെ ചിത്രകാരൻമാർക്കും നന്ദി Tomomi Imura, Dasani Madipalli, and Jen Looper

🙏 പ്രത്യേക നന്ദി 🙏 നമ്മുടെ Microsoft Student Ambassador രചയിതാക്കളും റിവ്യൂവർഷും ഉള്ളടക്ക സംഭാവനകരും, പ്രത്യേകിച്ച് Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, and Snigdha Agarwal

🤩 R പാഠങ്ങൾക്കായി Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, and Vidushi Gupta നെ പ്രത്യേക കൃതജ്ഞത!

തുടങ്ങാം

ഈ ചുവടുകൾ പിന്തുടരുക:

1. റെപ്പോസിറ്ററി ഫോർක් ചെയ്യുക: ഈ പേജിന്റെ മുകളിൽ വലതു കോണിലുള്ള "Fork" ബട്ടൺ ക്ലിക്ക് ചെയ്യുക.
2. റെപ്പോസിറ്ററി ക്ലോൺ ചെയ്യുക: git clone https://github.com/microsoft/ML-For-Beginners.git

ഈ കോഴ്സിനുള്ള എല്ലാ അധിക സ്രോതസുകളും ഞങ്ങളുടെ Microsoft Learn ശേഖരത്തിൽ കണ്ടെത്തുക

🔧 സഹായം വേണമോ? ഇൻസ്റ്റാളേഷൻ, സജ്ജീകരണം, പാഠങ്ങൾ നടത്തുന്നതുമായി ബന്ധപ്പെട്ട സാധാരണ പ്രശ്നങ്ങൾക്ക് പരിഹാരങ്ങൾക്കായി ഞങ്ങളുടെ പ്രശ്നപരിഹാര മാർഗ്ഗനിർദേശം പരിശോധിക്കുക.

വിദ്യാർത്ഥികൾ, ഈ പാഠ്യക്രമം ഉപയോഗിക്കാൻ, മുഴുവൻ റീപോ നിങ്ങളുടെ സ്വന്തം GitHub അക്കൗണ്ടിലേക്ക് ഫോർക് ചെയ്ത് വ്യത്യസ്തമായി അല്ലെങ്കിൽ ഒരു ഗ്രൂപ്പിനൊപ്പം സ്വതന്ത്രമായി ലേഖനങ്ങൾ പൂർത്തിയാക്കുക:

• പ്രീ-ലെക്ചർ ക്വിസോടെ തുടക്കം കുറിക്കുക.
• ലക്ചറിന് വായിച്ച് പ്രവർത്തനങ്ങൾ പൂർത്തിയാക്കുക, ഓരോ ജ്ഞാന പരിശോധനയിലും നിർത്തി ചിന്തിച്ച് മുന്നേറുക.
• പരിഹാര കോഡ് പ്രവർത്തിപ്പിക്കുന്നതിനേക്കാൾ പാഠങ്ങൾ മനസ്സിലാക്കി പ്രോജക്ടുകൾ സ്വമേധയാ സൃഷ്ടിക്കാൻ ശ്രമിക്കുക; എന്നിരുന്നാലും ആ കോഡ് ഓരോ പ്രോജക്ട്-ഒറിയന്റഡ് പാഠത്തിലെ /solution ഫോൾഡറുകളിൽ ലഭ്യമാണ്.
• പോസ്റ്റ്-ലെക്ചർ ക്വിസ് ചെയ്യുക.
• ചലഞ്ച് പൂർത്തിയാക്കുക.
• അസൈന്മെന്റ് പൂർത്തിയാക്കുക.
• ഒരു പാഠ സമൂഹം പൂർത്തിയാക്കിയതിനു ശേഷം, ഇലോചന ഫൊറം സന്ദർശിച്ച് ബന്ധപ്പെടുക, അനുയോജ്യമായ PAT റൂബ്രിക് പൂരിപ്പിച്ചു "learn out loud" ചെയ്യുക. 'PAT' എന്നത് Progress Assessment Tool എന്നറിവുള്ള ഒരു റൂബ്രിക് ആണ് നിങ്ങൾക്ക് നിങ്ങളുടെ പഠനം മുന്നോട്ട് നയിക്കാൻ പൂരിപ്പിക്കാൻ കഴിയുന്നതും. നിങ്ങൾക്ക് മറ്റ് PAT-കൾക്കും പ്രതികരിക്കാവുന്നതാണ്, അങ്ങനെ നമുക്കൊത്തുപഠനം സാധിക്കും.

കൂടുതൽ പഠനത്തിനായി, ഞങ്ങൾ ഈ Microsoft Learn മodule മോഡ്യൂളുകളും പഠന വഴികളും പിന്തുടരാൻ ശുപാർശ ചെയ്യുന്നു.

അധ്യാപകർ, ഈ പാഠ്യക്രമം ഉപയോഗിക്കുന്നതിനുള്ള ചില നിർദ്ദേശങ്ങൾ ഞങ്ങൾ ഇവിടെ ഉൾപ്പെടുത്തിയിട്ടുണ്ട് .

---

വീഡിയോ നടത്തിപ്പുകൾ

ചില പാഠങ്ങൾ ഷോർട്ട് ഫോർം വീഡിയോകളായി ઉપલબ્ધമാണ്. നിങ്ങൾക്ക് ഇവ പാഠങ്ങളുടെ ഉള്ളിൽ തന്നെ കാണാൻ സാധിക്കും, അല്ലെങ്കിൽ താഴെയുള്ള ചിത്രം ക്ലിക്ക് ചെയ്ത് ML for Beginners പ്‌ളേലിസ്റ്റ് (Microsoft Developer YouTube ചാനൽ) സന്ദർശിക്കാവുന്നതാണ്.

---

ടീമിനെ പരിചയപ്പെടുക

ജിഫ് നൽകിയവൻ Mohit Jaisal

🎥 നിർമിച്ച പ്രോജെക്റ്റും അതിന്റെ സൃഷ്ടാക്കൾക്കും കുറിച്ചുള്ള വീഡിയോ കാണാൻ മുകളിൽ ഉള്ള ചിത്രം ക്ലിക്ക് ചെയ്യുക!

---

പഠനശൈലി

ഈ പാഠ്യക്രമം രൂപപ്പെടുത്തുമ്പോൾ ഞങ്ങൾ രണ്ടുദിവസീയം പാഠശൈലികൾ തെരഞ്ഞെടുത്തു: പാഠങ്ങൾ കൈകടപ്പാട് കൊടുക്കുന്ന വിധത്തിൽ ആകാൻ ശ്രമിച്ച് അവ പ്രോജക്ട്-അധിഷ്ഠിതമാക്കുക, കൂടാതെ പാഠത്തിൽ പലപ്പോഴും കുറവുള്ള രീതിയിൽ ക്വിസുകൾ സമർപ്പിക്കുക. കൂടാതെ, ഈ പാഠ്യക്രമത്തിന് ഒരൊറ്റ തീം ഉണ്ട്, അതോടെ ഉള്ളടക്കത്തിന് ഏകീകൃതത നൽകാൻ സഹായിക്കുന്നു.

ഉള്ളടക്കം പ്രോജക്ടുകളുമായി പൊരുത്തപ്പെടുന്ന രീതിയിൽ തയ്യാറാകുന്നതിലൂടെ, വിദ്യാർത്ഥികൾക്ക് ഇത് കൂടുതൽ ആസക്തികരമാവും, ആശയങ്ങളുടെ പിടിവുസാധ്യത ഉയരും. ക്ലാസിനുമുമ്പുള്ള കുറഞ്ഞ-മികച്ച-റിസ്‌ക് ക്വിസ് വിദ്യാർത്ഥിയുടെ മനസ്സിൽ പഠന ലക്ഷ്യം സജ്ജമാക്കുന്നു, ക്ലാസിന് ശേഷം മറ്റൊരു ക്വിസ് കൂടുതൽ ധാരാളംRetention ഉറപ്പാക്കുന്നു. ഈ പാഠ്യക്രമം ഫ്ലെക്സിബിള്‍ ആയും രസകരമായതുമായിരിക്കുമെന്ന് രൂപകല്‌പന ചെയ്തിട്ടുണ്ട്, മുഴുവനായോ ഭാഗികമായോ പഠിക്കാം. പ്രോജക്ടുകൾ ചെറിയതിൽ തുടങ്ങുകയും 12-ആഴ്‌ചയിലുടനീളം കൂടുതൽ സങ്കീർണമായി വളരുകയും ചെയ്യുന്നു. ഈ പാഠ്യക്രമം ML ന്റെ യഥാർഥ ലോക പ്രയോഗങ്ങൾക്കുള്ള ഒരു പോസ്റ്റ്‌സ്‌ക്രിപ്റ്റും ഉൾക്കൊള്ളുന്നു, ഇത് അധിക ക്രെഡിറ്റായി ഉപയോഗിക്കുകയോ ചർച്ചയ്ക്ക് അടിസ്ഥാനമായി ഉപയോഗിക്കുകയോ ചെയ്യാവുന്നതാണ്.

ഞങ്ങളുടെ Code of Conduct, Contributing, Translation, និង Troubleshooting മാർഗ്ഗനിർദ്ദേശങ്ങൾ കാണുക. നിങ്ങളുടെ നിർമാണപരമായ പ്രതികരണം സ്വാഗതം ചെയ്യുന്നു!

ഓരോ പാഠത്തിലെയും ഉൾക്കാഴ്ചകൾ

• ഐച്ഛിക സ്കെച് നോട്ട്
• ഐച്ഛിക കൂട്ടിച്ചേർക്കുന്ന വീഡിയൊ
• വീഡിയോ നടത്തിപ്പ് (ചില പാഠങ്ങൾക്കു മാത്രം)
• പ്രീ-ലെക്ചർ വാർം-അപ് ക്വിസ്
• എഴുത്തുപരമായ പാഠം
• പ്രോജക്ട്-അധിഷ്ഠിത പാഠങ്ങൾക്ക്, പ്രോജക്ട് എങ്ങനെ നിർമിക്കാമെന്ന് ഘട്ടം ഘട്ടമായി നൽകിയ ഗൈഡുകൾ
• ജ്ഞാന പരിശോധനകൾ
• ഒരു ചലഞ്ച്
• സഹായകമായ വായന
• അസൈന്മെന്റ്
• പോസ്റ്റ്-ലെക്ചർ ക്വിസ്

ഭാഷകളെക്കുറിച്ചുള്ള ഒരു കുറിപ്പ്: ഈ പാഠങ്ങൾ പ്രധാനമായും Python-ൽ എഴുതിയതാണ്, പക്ഷേ പലതും R-ൽ പോലും ലഭ്യമാണ്. ഒരു R പാഠം പൂർത്തിയാക്കാൻ, /solution ഫോൾഡറിൽ ചെന്ന് R പാഠങ്ങൾ തിരയുക. അവയ്ക്ക് .rmd എക്സ്റ്റെൻഷൻ ഉൾക്കൊള്ളാം, അത് ഒരു R Markdown ഫയലിനെ പ്രതിനിധീകരിക്കുന്നതാണ്, ഇത് code chunks (R അല്ലെങ്കിൽ മറ്റേതെങ്കിലും ഭാഷകളുടെ)യും ഒരു YAML header (PDF പോലുള്ള ഔട്ട്പുട്ടുകൾ എങ്ങനെ ഫോർമാറ്റ് ചെയ്യാമെന്നതിനെ നയിക്കുന്നു) എന്നിവയെ ഒരു Markdown document-ലായിട്ടാണ് എംബെഡ് ചെയ്യുന്നത് എന്ന് ലളിതമായി നിർവചിക്കാവുന്നതാണ്. അതിനാൽ, ഇത് ഡാറ്റാ സയൻസിന്റെ വേണ്ടി ഉദാഹരണമായുള്ള ഒരു എഴുത്ത് ഫ്രെയിംവർക്ക് ആയി സേവിക്കുന്നു, കാരണം നിങ്ങൾക്ക് നിങ്ങളുടെ കോഡ്, അതിന്റെ ഔട്ട്പുട്ട്, നിങ്ങളുടെ ചിന്തകൾ എല്ലാം Markdown-ൽ എഴുതി ചേർക്കാൻ ഇത് അനുവദിക്കുന്നു. കൂടാതെയാണ്, R Markdown ഡോക്യുമെന്റുകൾ PDF, HTML, അല്ലെങ്കിൽ Word പോലുള്ള ഔട്ട്പുട്ട് ഫോർമാറ്റുകളായി റണ്ടർ ചെയ്യാവുന്നതാണ്.

ക്വിസുകളിനെക്കുറിച്ചുള്ള ഒരു കുറിപ്പ്: എല്ലാ ക്വിസുകളും Quiz App ഫോള్డറിൽ സംഗ്രഹിക്കപ്പെട്ടിരിക്കുന്നു, മൂന്ന് ചോദ്യങ്ങളുള്ള 52 മൊത്തം ക്വിസുകൾ ഉണ്ട്. അവ പാഠങ്ങളിലും ലിങ്ക് ചെയ്തിട്ടുണ്ട്, പക്ഷേ ക്വിസ് ആപ്പ് ലോക്കലായി ഓടിക്കാൻ സാധിക്കും; ലോക്കലായി ഹോസ്റ്റ് ചെയ്യാൻ അല്ലെങ്കിൽ Azure-ലേക്ക് ഡിപ്ലോയ് ചെയ്യാൻ quiz-app ഫോൾഡറിലുള്ള നിർദ്ദേശങ്ങൾ പിന്തുടരുക.

പാഠ നമ്പർ	വിഷയം	പാഠ സംഘം	അഭ്യസന ലക്ഷ്യങ്ങൾ	ലിങ്കുചെയ്ത പാഠം	രചയിതാവ്
01	മെഷീൻ ലേണിംഗിന്റെ പരിചയം	Introduction	മെഷീൻ ലേണിംഗിന്റെ അടിസ്ഥാന ആശയങ്ങൾ പഠിക്കുക	പാഠം	Muhammad
02	മെഷീൻ ലേണിംഗിന്റെ ചരിത്രം	Introduction	ഈ മേഖലയുടെ അടിസ്ഥാനത്തിലുള്ള ചരിത്രം പഠിക്കുക	പാഠം	Jen and Amy
03	ന്യായതയും മെഷീൻ ലേണിംഗും	Introduction	മെഷീൻ ലേണിംഗ് മോഡലുകൾ നിർമിക്കുമ്പോഴും പ്രയോഗിക്കുമ്പോഴും വിദ്യാർത്ഥികൾ പരിഗണിക്കേണ്ട ന്യായതയെക്കുറിച്ചുള്ള പ്രധാന ദാർശനിക പ്രശ്നങ്ങൾ എന്തൊക്കെയാണ്?	പാഠം	Tomomi
04	മെഷീൻ ലേണിംഗിനുള്ള സാങ്കേതിക വിദ്യകൾ	Introduction	ML ഗവേഷകർ ML മോഡലുകൾ നിർമ്മിക്കാൻ ഏത് സാങ്കേതിക വിദ്യകൾ ഉപയോഗിക്കുന്നു?	പാഠം	Chris and Jen
05	റിഗ്രഷൻ പരിചയം	Regression	റിഗ്രഷൻ മോഡലുകൾക്കായി Python மற்றும் Scikit-learn ഉപയോഗിച്ച് തുടങ്ങുക	Python • R	Jen • Eric Wanjau
06	നോർത്ത് അമേരിക്കൻ മത്തങ്ങ വിലകൾ 🎃	Regression	ML-ന് തയ്യാറെടുപ്പായി ഡാറ്റ ദൃശ്യമാക്കാനും ശുചീകരിക്കാനും	Python • R	Jen • Eric Wanjau
07	നോർത്ത് അമേരിക്കൻ മത്തങ്ങ വിലകൾ 🎃	Regression	ലിനിയർ மற்றும் പോളിനോമിയൽ റിഗ്രഷൻ മോഡലുകൾ നിർമ്മിക്കുക	Python • R	Jen and Dmitry • Eric Wanjau
08	നോർത്ത് അമേരിക്കൻ മത്തങ്ങ വിലകൾ 🎃	Regression	ലോജിസ്റ്റിക് റിഗ്രഷൻ മോഡൽ നിർമ്മിക്കുക	Python • R	Jen • Eric Wanjau
09	ഒരു വെബ് ആപ്പ് 🔌	Web App	നിങ്ങളുടെ പരിശീലിപ്പിച്ച മോഡൽ ഉപയോഗിക്കാൻ ഒരു വെബ് ആപ്പ് നിർമ്മിക്കുക	Python	Jen
10	ക്ലാസിഫിക്കേഷന്റെ പരിചയം	Classification	നിങ്ങളുടെ ഡാറ്റ ശുചീകരിക്കുക, ഒരുക്കുക, ദൃശ്യമാക്കുക; ക്ലാസിഫിക്കേഷനിലേക്ക് പരിചയം	Python • R	Jen and Cassie • Eric Wanjau
11	രുചികരമായ ഏഷ്യൻ և ഇന്ത്യൻ ഭക്ഷണങ്ങൾ 🍜	Classification	ക്ലാസിഫയറുകൾ പരിചയപ്പെടുത്തൽ	Python • R	Jen and Cassie • Eric Wanjau
12	രുചികരമായ ഏഷ്യൻ և ഇന്ത്യൻ ഭക്ഷണങ്ങൾ 🍜	Classification	കൂടുതൽ ക്ലാസിഫയറുകൾ	Python • R	Jen and Cassie • Eric Wanjau
13	രുചികരമായ ഏഷ്യൻ և ഇന്ത്യൻ ഭക്ഷണങ്ങൾ 🍜	Classification	നിങ്ങളുടെ മോഡൽ ഉപയോഗിച്ച് ഒരു ശിപാർശ വെബ് ആപ്പ് നിർമ്മിക്കുക	Python	Jen
14	ക്ലസ്റ്ററിംഗിലേക്ക് പരിചയം	Clustering	നിങ്ങളുടെ ഡാറ്റ ശുചീകരിക്കുക, ഒരുക്കുക, ദൃശ്യമാക്കുക; ക്ലസ്റ്ററിംഗിലേക്ക് പരിചയം	Python • R	Jen • Eric Wanjau
15	നൈജീരിയൻ സംഗീത രുചികൾ പഠനങ്ങൾ 🎧	Clustering	K-Means ക്ലസ്റ്ററിംഗ് രീതി അന്വേഷിക്കുക	Python • R	Jen • Eric Wanjau
16	സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിങ്ങിന്റെ പരിചയം ☕️	Natural language processing	ഒരു ലളിതമായ ബോട്ട് നിര്‍മ്മിച്ച് NLP-യുടെ അടിസ്ഥാനങ്ങൾ പഠിക്കുക	Python	Stephen
17	സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിങിലെ സാധാരണ പ്രവർത്തനങ്ങൾ ☕️	Natural language processing	ഭാഷാ ഘടനകൾ കൈകാര്യം ചെയ്യുമ്പോൾ ആവശ്യമായ സാധാരണ പ്രവൃത്തികളെ മനസിലാക്കിയിലൂടെ നിങ്ങളുടെ NLP വിജ്ഞാനം ആഴമാക്കുക	Python	Stephen
18	വിവർത്തനവും ഭാവനാ വിശകലനവും ♥️	Natural language processing	ജെയ്ൻ ഓസ്റ്റിന്റെ രചനകളുമായി വിവർത്തനവും ഭാവനാ വിശകലനവും	Python	Stephen
19	യൂറോപ്യൻ രോമാന്റിക് ഹോട്ടലുകൾ ♥️	Natural language processing	ഹോട്ടൽ റിവ്യൂകളുമായി ഭാവനാ വിശകലനം 1	Python	Stephen
20	യൂറോപ്യൻ രോമാന്റിക് ഹോട്ടലുകൾ ♥️	Natural language processing	ഹോട്ടൽ റിവ്യൂകളുമായി ഭാവനാ വിശകലനം 2	Python	Stephen
21	സമയം ശ്രേണി പ്രവചനത്തിലേക്കുള്ള പരിചയം	Time series	സമയം ശ്രേണി പ്രവചനത്തിലേക്കുള്ള പരിചയം	Python	Francesca
22	⚡️ World Power Usage ⚡️ - ARIMA ഉപയോഗിച്ച് ടൈം സീരീസ് പ്രവചനം	Time series	ARIMA ഉപയോഗിച്ച് ടൈം സീരീസ് പ്രവചനങ്ങൾ	Python	Francesca
23	⚡️ World Power Usage ⚡️ - SVR ഉപയോഗിച്ച് ടൈം സീരീസ് പ്രവചനം	Time series	Support Vector Regressor ഉപയോഗിച്ച് ടൈം സീരീസ് പ്രവചനങ്ങൾ	Python	Anirban
24	റീന്ഫോഴ്സ്‌മെന്റ് ലേണിംഗിന്റെ പരിചയം	Reinforcement learning	Q-Learning ഉപയോഗിച്ച് റീന്ഫോഴ്സ്‌മെന്റ് ലേണിംഗിലെ പരിചയം	Python	Dmitry
25	പീറ്ററിന് നരിയെ ഒഴിവാക്കാൻ സഹായിക്കുക! 🐺	Reinforcement learning	റീന്ഫോഴ്സ്‌മെന്റ് ലേണിംഗ് ജിം (Gym)	Python	Dmitry
അനുബന്ധം	യാഥാർഥ്യ ലോകത്തിലെ ML സാഹചര്യങ്ങളും അപേക്ഷകളും	ML in the Wild	ക്ലാസിക്കൽ ML ന്റെ രസകരവും വെളിവുള്ള യാഥാർഥ്യ ലോക ആപ്ലിക്കേഷനുകൾ	പാഠം	Team
അനുബന്ധം	RAI ഡാഷ്ബോർഡ് ഉപയോഗിച്ച് ML-ൽ മോഡൽ ഡീബഗിംഗ്	ML in the Wild	Responsible AI ഡാഷ്ബോർഡ് ഘടകങ്ങൾ ഉപയോഗിച്ച് മെഷീൻ ലേണിങ്ങിൽ മോഡൽ ഡീബഗിംഗ്	പാഠം	Ruth Yakubu

ഈ കോഴ്‌സിനുള്ള എല്ലാ അധിക വിഭവങ്ങളും ഞങ്ങളുടെ Microsoft Learn ശേഖരത്തിൽ കണ്ടെത്തുക

ഓഫ്ലൈൻ ആക്‌സസ്

ഈ ഡോക്യുമെന്റേഷൻ Docsify ഉപയോഗിച്ച് ഓഫ്ലൈനായി പ്രവർത്തിപ്പിക്കാം. ഈ റീപോ ഫോർക്ക് ചെയ്ത്, നിങ്ങളുടെ ലോക്കൽ മെഷീനിൽ Docsify ഇൻസ്റ്റാൾ ചെയ്യുക, തുടർന്ന് ഈ റീപോയുടെ റൂട്ട് ഫോൾഡറിൽ docsify serve ടൈപ്പ് ചെയ്യുക. വെബ്‌സൈറ്റ് നിങ്ങളുടെ localhost-ൽ പോര്‍ട്ട് 3000-ൽ സർവ് ചെയ്യും: localhost:3000.

PDFകൾ

ലിങ്കുകളൊപ്പം ഉള്ള കോഴ്സ് പാഠ്യക്രമത്തിന്റെ PDF ഇവിടെ കണ്ടെത്തുക。

🎒 മറ്റു കോഴ്സുകൾ

ഞങ്ങളുടെ ടീം മറ്റ് കോഴ്സുകളും നിർമിക്കുന്നു! പരിശോധിക്കുക:

LangChain

---

Azure / Edge / MCP / Agents

---

Generative AI Series

---

പ്രാഥമിക പഠനം

---

Copilot പരമ്പര

സഹായം നേടുക

If you get stuck or have any questions about building AI apps. Join fellow learners and experienced developers in discussions about MCP. It's a supportive community where questions are welcome and knowledge is shared freely.

If you have product feedback or errors while building visit:

---

ഡിസ്‌ക്ലെയിമർ: ഈ രേഖ AI പരിഭാഷാ സേവനം Co-op Translator ഉപയോഗിച്ച് പരിഭാഷപ്പെടുത്തിയതാണ്. ഞങ്ങൾ കൃത്യതയ്ക്കായി ശ്രമിക്കുന്നുവെങ്കിലും, ഓട്ടോമേറ്റഡ് പരിഭാഷകളിൽ പിഴവുകൾ അല്ലെങ്കിൽ അശുദ്ധതകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. യഥാർത്ഥ ഭാഷയിലുള്ള മൂല രേഖയെ ഏതു പ്രശ്നത്തിലും അധികാരപരമായ ഉറവിടമായി പരിഗണിക്കണം. പ്രധാനപ്പെട്ട വിവരങ്ങൾക്ക് പ്രൊഫഷണൽ മനുഷ്യപരിഭാഷ ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ പരിഭാഷയുടെ ഉപയോഗത്തിൽനിന്ന് ഉണ്ടാകുന്ന ഏതൊരു തെറ്റിദ്ധാരണയ്ക്കും അല്ലെങ്കിൽ വ്യാഖ്യാനത്തിൽ നിന്നുള്ള പ്രശ്‌നങ്ങൾക്കുമുള്ള ഉത്തരവാദിത്തം ഞങ്ങൾക്ക് ബാധകമല്ല.