ML-For-Beginners/translations/te

🌐 బహుభాషా మద్దతు

GitHub Action ద్వారా మద్దతి (ఆటోమెటెడ్ & ఎప్పుడూ అప్‌టు-డేట్)

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

మన కమ్యూనిటీలో చేరండి

మా దగ్గర ఒక Discord "Learn with AI" సిరీస్ ప్రస్తుతం జరుగుతోంది — మరింత తెలుసుకోవడానికి మరియు 18 - 30 September, 2025 మధ్య Learn with AI Series లో చేరవచ్చు. మీరు Data Science కోసం GitHub Copilot ఉపయోగించే టిప్స్ మరియు ట్రిక్స్ పొందుతారు.

Machine Learning for Beginners - A Curriculum

🌍 ప్రపంచ సంస్కృతుల ద్వారా మెషిన్ లెర్నింగ్‌ను అన్వేషిస్తూ ప్రపంచం చుట్టూ ప్రయాణించండి 🌍

Microsoft వద్దని Cloud Advocates 12 వారాల, 26 పాఠాల పాఠ్యక్రమాన్ని అందించడానికి సంతోషిస్తున్నారు — ఇది Machine Learning గురించి మిగతాని పూర్తిగా వివరిస్తుంది. ఈ పాఠ్యక్రమంలో, మీరు ప్రధానంగా Scikit-learn లైబ్రరీని ఉపయోగించి మరియు మా AI for Beginners' curriculum లోని డీప్ లెర్నింగ్‌ను తప్పించడం ద్వారా అప్పుడప్పుడు క్లాసిక్ మెషిన్ లెర్నింగ్ గురించి నేర్చుకుంటారు. ఈ పాఠ్యక్రమాన్ని మా 'Data Science for Beginners' curriculum తో జత చేసుకోవచ్చు.

ప్రపంచంలోని వివిధ ప్రాంతాల డేటాపై క్లాసిక్ టెక్నిక్స్‌ని వర్తింపజేస్తూ మనతో కలిసి ప్రపంచం చుట్టూ ప్రయాణించండి. ప్రతి పాఠం ప్రీ- మరియు పోస్ట్-పాఠ పరీక్షలు, పాఠం పూర్తి చేయడానికి వ్రాత సూచనలు, ఒక పరిష్కారం, ఒక అసైన్‌మెంట్, మరియు మరిన్ని అంశాలు కలిగి ఉంటుంది. మా ప్రాజెక్ట్-ఆధారిత పాఠ్యతంత్రం మీకు నిర్మింపుతున్నప్పుడు నేర్చుకోవడానికి సహాయపడుతుంది — ఇది కొత్త నైపుణ్యాలను 'ముద్రాత్మకంగా' నిలబెట్టడానికి సలహాదాయక విధానం.

✍️ మా రచయితలకు హృదయపూర్వక ధన్యవాదాలు Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd

🎨 మా ఇలస్ట్రేటర్లకు కూడా ధన్యవాదాలు Tomomi Imura, Dasani Madipalli, and Jen Looper

🙏 ప్రత్యేక ధన్యవాదాలు 🙏 మా Microsoft Student Ambassador రచయితలు, సమీక్షకులు, మరియు కంటెంట్ భాగస్వాములకు, ముఖ్యంగా Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, మరియు Snigdha Agarwal

🤩 మా R పాఠాల కోసం Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, మరియు Vidushi Gupta గారికి అదనపు కృతజ్ఞతలు!

ప్రారంభించండి

ఈ దశలను అనుసరించండి:

1. రిపోజిటరీని ఫోర్క్ చేయండి: ఈ పేజీ యొక్క టాప్-రైట్ కార్నర్లో ఉన్న "Fork" బటన్‌ను క్లిక్ చేయండి.
2. రిపోజిటరీను క్లోన్ చేయండి: git clone https://github.com/microsoft/ML-For-Beginners.git

ఈ కోర్సుకు సంబంధించిన అన్ని అదనపు వనరులను మా Microsoft Learn సంకలనం లో కనుగొనండి

🔧 సహాయం కావాలా? ఇన్‌స్టాలేషన్, సెటప్, మరియు పాఠాలు నడిపించే సామాన్య సమస్యలకి మా Troubleshooting Guide చూడండి.

విద్యార్థులు, ఈ పాఠ్యక్రమం ఉపయోగించడానికి, మొత్తం repo ని మీ GitHub అకౌంట్‌కు ఫోర్క్ చేసుకుని వ్యాయామాలు ఒంటరిగా లేదా ఒక గ్రూప్‌తో పూర్తి చేయండి:

• ప్రీ-లెక్చర్ క్విజ్‌తో మొదలుపెట్టండి.
• లెక్చర్ చదవండి మరియు ప్రతి జ్ఞాన తనivezడ్న వద్ద ఆగి, పరామర్శించేటప్పుడు కార్యకలాపాలను పూర్తి చేయండి.
• పరిష్కార కోడ్ నడపడం కన్నా పాఠాలను అర్ధం చేసుకుని ప్రాజెక్టులను సృష్టించడానికి ప్రయత్నించండి; అయితే ఆ కోడ్ ప్రతి ప్రాజెక్ట్-ఆధారిత పాఠంలో /solution ఫోల్డర్‌లో లభిస్తుంది.
• పోస్ట్-లెక్చర్ క్విజ్ తీసుకోండి.
• ఛాలెంజ్ పూర్తి చేయండి.
• అసైన్‌మెంట్ పూర్తి చేయండి.
• ఒక పాఠం గ్రూప్ పూర్తి చేసిన తర్వాత, Discussion Board ను సందర్శించి సంబంధిత PAT రుబ్రిక్‌ను పూరించుకుని "ఊర్రడి నేర్చుకోండి". 'PAT' అంటే ప్రసక్తి అంచనా పరికరం — ఇది మీరు మీ అభ్యాసాన్ని మెరుగుపర్చడానికి పూరించేది. మీరు ఇతర PATs పై రియాక్ట్ చెయవచ్చు, తద్వారా మనం కలిసి నేర్చుకుంటాం.

మరింత అధ్యయనానికి, మేము ఈ Microsoft Learn మాడ్యూల్స్ మరియు లెర్నింగ్ పాథ్స్‌ని అనుసరించడానికి సిఫార్సు చేస్తాము.

ఉపాధ్యాయులు, ఈ పాఠ్యక్రమాన్ని ఎలా ఉపయోగించాలో కొన్ని సూచనలను మేము for-teachers.md లో చేర్చాము.

---

వీడియో వాక్‌‌త్రోలు

కొన్ని పాఠాలు షార్ట్-ఫార్మ్ వీడియోలుగా అందుబాటులో ఉన్నాయి. మీరు ఈ వీడియోలన్నింటినీ పాఠాలలో సూటిగా కనుగొనవచ్చు, లేదా క్రింది చిత్రాన్ని క్లిక్ చేసి ML for Beginners ప్లేలిస్ట్ - Microsoft Developer YouTube చానల్ ద్వారా కూడా చూడవచ్చు.

---

టీమ్‌ను కలవండి

Gif అందించినవారు Mohit Jaisal

🎥 ప్రాజెక్ట్ మరియు దాన్ని సృష్టించిన వ్యక్తుల గురించి వీడియో చూడాలంటే పై చిత్రాన్ని క్లిక్ చేయండి!

---

పాఠ్య విధానం

ఈ పాఠ్యక్రమాన్ని రూపొందించేటప్పుడు మేము రెండు శిక్షణా తత్త్వాలను ఎంచుకున్నాము: ఇది హ్యాండ్స్-ఆన్ గా ఉండేలా చేయడం — అంటే ప్రాజెక్ట్-ఆధారితంగా ఉండాలి — మరియు ఇందులో తరచుగా క్విజ్‌లు ఉండేలా చేయడం. అదనంగా, ఈ పాఠ్యక్రమానికి ఒక సాధారణ థీమ్ కూడా ఇచ్చాం, ఇది దీన్ని సంగతింపచేస్తుంది.

కంటెంట్ ప్రాజెక్టులకు సరిపడేలా ఉన్నప్పుడు, విద్యార్థులకు మరింత ఆసక్తి కలుగుతుంది మరియు కాన్సెప్ట్ల నిల్వ మెరుగుపడుతుంది. అదనంగా, ఒక క్లాస్‌కు ముందున్న తేలికపాటి (low-stakes) క్విజ్ విద్యార్థి కు ఆ విషయం నేర్చుకోవడానికి నేర్పుదిశానిర్దేశం ఇస్తుంది, మరియు క్లాస్ తర్వాతి క్విజ్ మరింత నిల్వను నిర్ధారిస్తుంది. ఈ పాఠ్యక్రమాన్ని అనుకూలంగా మరియు మజా తో ఉండేలా డిజైన్ చేయబడింది మరియు మొత్తం గానీ భాగంగా గానీ తీసుకోవచ్చు. ప్రాజెక్టులు చిన్నగా మొదలవుతాయి మరియు 12 వారాల చివరికి నుండి క్రమంగా క్లిష్టంగా మారతాయి. ఈ పాఠ్యక్రమంలో ML యొక్క వాస్తవ ప్రపంచ అనువర్తనాలపై ఒక పోస్ట్‌స్క్రిప్ట్ కూడా ఉంది, ఇది అదనపు క్రెడిట్‌గా లేదా చర్చ కోసం బేస్‌గా ఉపయోగించవచ్చు.

మా Code of Conduct, Contributing, Translation, మరియు Troubleshooting మార్గదర్శకాలను కనుగొనండి. మీ నిర్మాత్మక ఫీడ్బ్యాక్‌కు మేము స్వాగతం জানబోతున్నాం!

ప్రతి పాఠం లో ఉంటుంది

• ఐచ్ఛిక స్కెచ్‌నోట్
• ఐచ్ఛిక అనుబంధ వీడియో
• వీడియో వాక్‌థ్రూ (కొన్ని పాఠాలకు మాత్రమే)
• ప్రీ-లెక్చర్ వార్మప్ క్విజ్
• వ్రాత పాఠం
• ప్రాజెక్ట్-ఆధారిత పాఠాల కోసం, ప్రాజెక్ట్‌ను నిర్మించే దశల వారీ మార్గదర్శకాలు
• జ్ఞాన పరీక్షలు
• ఒక సవాలు
• అనుబంధ పఠనం
• అసైన్‌మెంట్
• పోస్ట్-లెక్చర్ క్విజ్

భాషల గురించి ఒక గమనిక: ఈ పాఠాలు ప్రధానంగా Python లో వ్రాయబడ్డాయి, కానీ చాలాను R లో కూడా అందుబాటులో ఉన్నాయి. R పాఠాన్ని పూర్తి చేయడానికి, /solution ఫోల్డర్‌కి వెళ్లి R పాఠాలను కనుగొనండి. అవి .rmd పొడిగింపును కలిగి ఉంటాయి, ఇది ఒక R Markdown ఫైల్‌ను సూచిస్తుంది, ఇది సాధారణంగా code chunks (R లేదా ఇతర భాషలలో ఉండే) మరియు YAML header (PDF వంటి అవుట్పుట్లను ఎలా ఫార్మాట్ చేయాలో మార్గనిర్దేశం)ని కలిపే ఒక Markdown document లోని ఎంబెడ్డింగ్‌గా నిర్వచించవచ్చు. అందువల్ల, ఇది డేటా సైన్స్ కోసం ఒక ఉదాత్త రచనా ఫ్రేమ్‌వర్క్‌గా పనిచేస్తుంది, ఎందుకంటే ఇది మీ కోడ్, దాని అవుట్పుట్ మరియు మీ ఆలోచనలను Markdown లో వ్రాయగలిగేలా చేస్తుంది. అంతేకాదు, R Markdown డాక్యుమెంట్స్ PDF, HTML లేదా Word వంటి అవుట్పుట్ ఫార్మాట్స్‌కు రેન્ડర్ చేయబడవచ్చు.

క్విజ్‌ల గురించి ఒక గమనిక: అన్ని క్విజ్‌లు Quiz App folder లో ఉన్నాయి, మొత్తం 52 క్విజ్లు, ప్రతి ఒక్కటిలో మూడు ప్రశ్నలు ఉంటాయి. అవి పాఠాలలో లింక్ చేయబడ్డాయి కానీ quiz app ను లోకల్‌గా నడుపవచ్చు; లోకల్‌గా హోస్ట్ చేయడానికి లేదా Azure కు డిప్లాయ్ చేయడానికి quiz-app ఫోల్డర్‌లోని సూచనలను అనుసరించండి.

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	మెషిన్ లెర్నింగ్ పరిచయం	పరిచయం	మెషిన్ లెర్నింగ్ వెనుక ఉన్న మౌలిక కాన్సెప్టులు తెలుసుకోండి	పాఠం	Muhammad
02	మెషిన్ లెర్నింగ్ యొక్క చరిత్ర	పరిచయం	ఈ రంగం వెనుక ఉన్న చరిత్ర గురించి తెలుసుకోండి	పాఠం	Jen and Amy
03	న్యాయత్వం మరియు మెషిన్ లెర్నింగ్	పరిచయం	మెషిన్ లెర్నింగ్ మోడళ్లను నిర్మించేటప్పుడు మరియు ఉపయోగించేటప్పుడు విద్యార్థులు పరిగణించవలసిన న్యాయత్వంకు సంబంధించిన ముఖ్య తత్త్వశాస్త్రీయ సమస్యలు ఏవేవి?	పాఠం	Tomomi
04	మెషిన్ లెర్నింగ్ కోసం విధానాలు	పరిచయం	ML పరిశోధకులు ML మోడళ్లను నిర్మించడానికి ఎలాంటి పద్ధతులు ఉపయోగిస్తారు?	పాఠం	Chris and Jen
05	రెగ్రెషన్ పరిచయం	రెగ్రెషన్	రెగ్రెషన్ మోడళ్ల కోసం Python మరియు Scikit-learn తో ప్రారంభించండి	Python • R	Jen • Eric Wanjau
06	ఉత్తర అమెరికా పంప్కిన్ ధరలు 🎃	రెగ్రెషన్	ML కోసం సిద్ధతగా డేటాను విజువలైజ్ చేసి శుభ్రపరచండి	Python • R	Jen • Eric Wanjau
07	ఉత్తర అమెరికా పంప్కిన్ ధరలు 🎃	రెగ్రెషన్	లీనియర్ మరియు పాలినామియల్ రెగ్రెషన్ మోడళ్లను తయారుచేయండి	Python • R	Jen and Dmitry • Eric Wanjau
08	ఉత్తర అమెరికా పంప్కిన్ ధరలు 🎃	రెగ్రెషన్	లాజిస్టిక్ రెగ్రెషన్ మోడల్ తయారుచేయండి	Python • R	Jen • Eric Wanjau
09	ఒక వెబ్ యాప్ 🔌	వెబ్ యాప్	మీ శిక్షణ పొందిన మోడల్ ఉపయోగించడానికి ఒక వెబ్ యాప్ నిర్మించండి	Python	Jen
10	క్లాసిఫికేషన్ పరిచయం	క్లాసిఫికేషన్	మీ డేటాను శుభ్రం చేయండి, సిద్ధం చేయండి మరియు విజువలైజ్ చేయండి; క్లాసిఫికేషన్‌కు పరిచయం	Python • R	Jen and Cassie • Eric Wanjau
11	రుచికరమైన ఆసియా మరియు భారతీయ వంటకాలు 🍜	క్లాసిఫికేషన్	క్లాసిఫైయర్స్‌కు పరిచయం	Python • R	Jen and Cassie • Eric Wanjau
12	రుచికరమైన ఆసియా మరియు భారతీయ వంటకాలు 🍜	క్లాసిఫికేషన్	ఇంకా క్లాసిఫైయర్స్	Python • R	Jen and Cassie • Eric Wanjau
13	రుచికరమైన ఆసియా మరియు భారతీయ వంటకాలు 🍜	క్లాసిఫికేషన్	మీ మోడల్ ఉపయోగించి సిఫార్సు చేసే వెబ్ యాప్ నిర్మించండి	Python	Jen
14	క్లస్టరింగ్ పరిచయం	క్లస్టరింగ్	మీ డేటాను శుభ్రం చేయండి, సిద్ధం చేయండి మరియు విజువలైజ్ చేయండి; క్లస్టరింగ్‌కు పరిచయం	Python • R	Jen • Eric Wanjau
15	నైజీరియన్ సంగీత రుచుల అధ్యయనం 🎧	క్లస్టరింగ్	K-Means క్లస్టరింగ్ పద్ధతిని అన్వేషించండి	Python • R	Jen • Eric Wanjau
16	సహజ భాషా ప్రాసెసింగ్ కు పరిచయం ☕️	సహజ భాషా ప్రాసెసింగ్	సరళమైన బాట్ నిర్మించడం ద్వారా NLP బేసిక్స్ నేర్చుకోండి	Python	Stephen
17	సాధారణ NLP పనులు ☕️	సహజ భాషా ప్రాసెసింగ్	భాషా నిర్మాణాలతో వ్యవహరించేటప్పుడు అవసరమయ్యే సాధారణ పనులను అర్థం చేసుకుని మీ NLP జ్ఞానాన్ని గాఢం చేయండి	Python	Stephen
18	అనువాదం మరియు భావ విశ్లేషణ ♥️	సహజ భాషా ప్రాసెసింగ్	Jane Austen తో అనువాదం మరియు భావ విశ్లేషణ	Python	Stephen
19	యూరప్‌లో రొమాంటిక్ హోటల్స్ ♥️	సహజ భాషా ప్రాసెసింగ్	హోటల్ సమీక్షలతో భావ విశ్లేషణ 1	Python	Stephen
20	యూరప్‌లో రొమాంటిక్ హోటల్స్ ♥️	సహజ భాషా ప్రాసెసింగ్	హోటల్ సమీక్షలతో భావ విశ్లేషణ 2	Python	Stephen
21	సమయ శ్రేణి ఫోర్కాస్టింగ్ పరిచయం	సమయ శ్రేణులు	సమయ శ్రేణి ఫోర్కాస్టింగ్‌కు పరిచయం	Python	Francesca
22	⚡️ ప్రపంచ విద్యుత్ వినియోగం ⚡️ - ARIMAతో సమయ శ్రేణి ఫోర్కాస్టింగ్	సమయ శ్రేణులు	ARIMA తో సమయ శ్రేణి ఫోర్కాస్టింగ్	Python	Francesca
23	⚡️ ప్రపంచ విద్యుత్ వినియోగం ⚡️ - SVRతో సమయ శ్రేణి ఫోర్కాస్టింగ్	సమయ శ్రేణులు	Support Vector Regressor తో సమయ శ్రేణి ఫోర్కాస్టింగ్	Python	Anirban
24	రీఇన్ఫోర్స్మెంట్ లెర్నింగ్ పరిచయం	రిఇన్ఫోర్స్మెంట్ లెర్నింగ్	Q-Learning తో రీఇన్ఫోర్స్మెంట్ లెర్నింగ్ పరిచయం	Python	Dmitry
25	పీటర్‌ను వృకుడు నుంచి తప్పించడంలో సహాయం చేయండి! 🐺	రిఇన్ఫోర్స్మెంట్ లెర్నింగ్	రీఇన్ఫోర్స్మెంట్ లెర్నింగ్ జిమ్	Python	Dmitry
Postscript	వాస్తవ ప్రపంచ ML పరిస్థితులు మరియు అనువర్తనాలు	వన్యలో ML	సాంప్రదాయ ML యొక్క ఆసక్తికరమైన మరియు ప్రకాశవంతమైన వాస్తవ ప్రపంచ అనువర్తనాలు	పాఠం	బృందం
Postscript	RAI డాష్‌బోర్డ్ ఉపయోగించి ML లో మోడల్ డీబగ్గింగ్	వన్యలో ML	Responsible AI డాష్‌బోర్డ్ భాగాలను ఉపయోగించి మెషిన్ లెర్నింగ్‌లో మోడల్ డీబగ్గింగ్	పాఠం	Ruth Yakubu

ఈ కోర్సుకు సంబంధించిన అన్ని అదనపు వనరులను మా Microsoft Learn సేకరణలో కనుగొనండి

ఆఫ్‌లైన్ యాక్సెస్

మీరు ఈ డాక్యుమెంటేషన్‌ను ఆఫ్‌లైన్‌లో నడపడానికి Docsify ఉపయోగించవచ్చు. ఈ రెపోను Fork చేయండి, Docsify ని ఇన్‌స్టాల్ చేయండి మీ స్థానిక యంత్రంపై, మరియు ఆ తర్వాత ఈ రెపో యొక్క రూట్ ఫోల్డర్‌లో docsify serve టైప్ చేయండి. వెబ్‌సైట్ మీ localhost వద్ద పోర్ట్ 3000 పై సేవ్ చేయబడుతుంది: localhost:3000.

PDFలు

పాఠ్య ప్రణాళిక యొక్క PDF ను లింకులతో కూడి ఇక్కడ కనుగొనండి。

🎒 ఇతర కోర్సులు

మా బృందం ఇతర కోర్సులు కూడా తయారు చేస్తుంది! వీటిని చూడండి:

LangChain

---

Azure / Edge / MCP / Agents

---

Generative AI Series

---

ప్రధాన అభ్యాసాలు

---

Copilot సిరీస్

సహాయం

AI యాప్‌లు రూపొందించేటప్పుడు మీరు చిక్కుకున్నా లేదా ఏవైనా ప్రశ్నలు ఉంటే, MCP గురించి చర్చల్లో ఇతర అభ్యాసకులు మరియు అనుభవజ్ఞులైన డెవలపర్లతో చేరండి. ఇది ప్రశ్నలకు స్వాగతం చెప్పే, జ్ఞానం ఉచితంగా పంచుకునే ఒక ఆదరణీయ సముదాయం.

నిర్మాణ సమయంలో మీకు ఉత్పత్తి అభిప్రాయం లేదా లోపాలు ఉంటే సందర్శించండి:

---

బహిష్కరణ: ఈ డాక్యుమెంట్‌ను AI అనువాద సేవ Co-op Translator ద్వారా స్వయంచాలితంగా అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, స్వయంచాలిత అనువాదాల్లో తప్పులు లేదా అసంపూర్ణతలు ఉండవచ్చు. మూల భాషలోని అసలు పత్రాన్ని అధికారిక మూలంగా పరిగణించాలి. కీలకమైన సమాచారం కోసం వృత్తిపరమైన మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదాన్ని ఉపయోగించడం వల్ల ఏర్పడే ఏవైనా అపార్థాలు లేదా తప్పుగా వ్యాఖ్యానించబడిన విషయాల కోసం మేము బాధ్యులు కాదు.