43 KiB

Raw Blame History Unescape Escape

🌐 ਬਹੁ-ਭਾਸ਼ਾ ਸਹਾਇਤਾ

GitHub Action ਰਾਹੀਂ ਸਮਰਥਿਤ (ਸਵਚਾਲਿਤ & ਹਮੇਸ਼ਾਂ ਅੱਪ-ਟੂ-ਡੇਟ)

ਸਾਡੀ ਕਮਿਊਨਿਟੀ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਵੋ

ਅਸੀਂ Discord 'ਤੇ ਇੱਕ "Learn with AI" ਸੀਰੀਜ਼ ਚਲਾ ਰਹੇ ਹਾਂ, ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ ਤੇ ਸਾਡੇ ਨਾਲ 18 - 30 ਸਤੰਬਰ, 2025 ਦੌਰਾਨ Learn with AI Series 'ਤੇ ਜੁੜੋ। ਤੁਹਾਨੂੰ GitHub Copilot ਨੂੰ Data Science ਲਈ ਵਰਤਣੇ ਦੀਆਂ ਟਿੱਪਸ ਅਤੇ ਚਾਲਾਂ ਮਿਲਣਗੀਆਂ।

ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ - ਇੱਕ ਪਾਠਕ੍ਰਮ

🌍 ਦੁਨੀਆ ਭਰ ਵਿੱਚ ਫਿਰੋ ਜਿਵੇਂ ਅਸੀਂ ਦੁਨੀਆ ਦੀਆਂ ਸੰਸਕ੍ਰਿਤੀਆਂ ਰਾਹੀਂ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਖੋਜ ਕਰਦੇ ਹਾਂ 🌍

Microsoft ਦੇ Cloud Advocates ਖੁਸ਼ ਹਨ ਕਿ ਉਹ 12-ਹਫ਼ਤਿਆਂ, 26-ਪਾਠਾਂ ਵਾਲਾ ਪਾਠਕ੍ਰਮ ਦੇ ਰਹੇ ਹਨ ਜੋ ਪੂਰੀ ਤਰ੍ਹਾਂ Machine Learning ਬਾਰੇ ਹੈ। ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ, ਤੁਸੀਂ ਉਹਨਾਂ ਚੀਜ਼ਾਂ ਬਾਰੇ ਸਿੱਖੋਗੇ ਜੋ ਕਈ ਵਾਰੀ classic machine learning ਕਹੀ ਜਾਂਦੀ ਹੈ, ਮੁੱਖ ਤੌਰ 'ਤੇ Scikit-learn ਲਾਇਬ੍ਰੇਰੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਅਤੇ ਡੀਪ ਲਰਨਿੰਗ ਤੋਂ ਬਚਦੇ ਹੋ, ਜਿਸ ਨੂੰ ਸਾਡੇ AI for Beginners' curriculum ਵਿੱਚ ਕਵਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਨ੍ਹਾਂ ਪਾਠਾਂ ਨੂੰ ਸਾਡੇ 'Data Science for Beginners' curriculum ਨਾਲ ਜੋੜ ਕੇ ਵੀ ਲੋ।

ਸਾਡੇ ਨਾਲ ਦੁਨੀਆ ਭਰ 'ਚ ਯਾਤਰਾ ਕਰੋ ਜਿਵੇਂ ਅਸੀਂ ਇਨ ਕਲਾਸਿਕ ਤਕਨੀਕਾਂ ਨੂੰ ਦੁਨੀਆਂ ਦੇ ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਦੇ ਡੇਟਾ 'ਤੇ ਲਾਗੂ ਕਰਦੇ ਹਾਂ। ਹਰ ਪਾਠ ਵਿੱਚ ਪ੍ਰੀ-ਅਤੇ ਪੋਸਟ-ਪਾਠ ਕਵਿਜ਼, ਲਿਖਤੀ ਹਦਾਇਤਾਂ, ਇੱਕ ਹੱਲ, ਇੱਕ ਅਸਾਈਨਮੈਂਟ ਅਤੇ ਹੋਰ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ। ਸਾਡੇ ਪ੍ਰਾਜੈਕਟ-ਅਧਾਰਿਤ ਪੈਡਾਗੋਜੀ ਨਾਲ ਤੁਸੀਂ ਬਣਾਉਂਦੇ ਹੋਏ ਸਿੱਖਦੇ ਹੋ, ਜੋ ਨਵੀਆਂ ਕੁਸ਼ਲਤਾਵਾਂ ਨੂੰ 'ਟਿਕਾਉ' ਬਣਾਉਣ ਦਾ ਪ੍ਰਮਾਣਿਤ ਤਰੀਕਾ ਹੈ।

✍️ ਸਾਡੇ ਲੇਖਕਾਂ ਨੂੰ ਦਿਲੋਂ ਧੰਨਵਾਦ Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd

🎨 ਸਾਡੇ ਚਿੱਤਰਕਾਰਾਂ ਦਾ ਵੀ ਧੰਨਵਾਦ Tomomi Imura, Dasani Madipalli, and Jen Looper

🙏 ਵਿਸ਼ੇਸ਼ ਧੰਨਵਾਦ 🙏 ਸਾਡੇ Microsoft Student Ambassador ਲੇਖਕਾਂ, ਸਮੀਖਿਆਕਾਰਾਂ, ਅਤੇ ਸਮੱਗਰੀ ਯੋਗਦਾਨਕਾਰਾਂ ਨੂੰ, ਵਿਸ਼ੇਸ਼ ਕਰਕੇ Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, ਅਤੇ Snigdha Agarwal

🤩 ਸਾਡੇ R ਪਾਠਾਂ ਲਈ Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, ਅਤੇ Vidushi Gupta ਨੂੰ ਵਧੀਕ ਧੰਨਵਾਦ!

ਸ਼ੁਰੂ ਕਰਨ ਲਈ

ਇਹ ਕਦਮ ਅਨੁਸਰੋ:

ਰੇਪੋ ਨੂੰ Fork ਕਰੋ: Click on the "Fork" button at the top-right corner of this page.
ਰੇਪੋ ਨੂੰ Clone ਕਰੋ: git clone https://github.com/microsoft/ML-For-Beginners.git

ਇਸ ਕੋਰਸ ਲਈ ਸਾਰੇ ਵਾਧੂ ਸਾਧਨ ਸਾਡੇ Microsoft Learn ਕਲੈਕਸ਼ਨ ਵਿੱਚ ਮਿਲਣਗੇ

🔧 ਮਦਦ ਦੀ ਲੋੜ ਹੈ? ਸਥਾਪਨਾ, ਸੈਟਅਪ ਅਤੇ ਪਾਠ ਚਲਾਉਣ ਨਾਲ ਜੁੜੀਆਂ ਆਮ ਸਮੱਸਿਆਵਾਂ ਲਈ ਸਾਡੇ Troubleshooting Guide ਨੂੰ ਚੈੱਕ ਕਰੋ।

ਵਿਦਿਆਰਥੀ, ਇਸ ਪਾਠਕ੍ਰਮ ਦਾ ਉਪਯੋਗ ਕਰਨ ਲਈ, ਪੂਰਾ ਰੇਪੋ ਆਪਣੇ GitHub ਖਾਤੇ ਵਿੱਚ fork ਕਰੋ ਅਤੇ ਅਭਿਆਸ ਆਪਣੇ ਤੌਰ 'ਤੇ ਜਾਂ ਸਮੂਹ ਨਾਲ ਪੂਰੇ ਕਰੋ:

ਪ੍ਰੀ-ਲੇਕਚਰ ਕਵਿਜ਼ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ।
ਲੈਕਚਰ ਪੜ੍ਹੋ ਅਤੇ ਐਕਟਿਵਿਟੀਜ਼ ਪੂਰੀਆਂ ਕਰੋ, ਹਰ ਗਿਆਨ ਜਾਂਚ 'ਤੇ ਰੁਕ ਕੇ ਸੋਚੋ।
ਕੋਸ਼ਿਸ਼ ਕਰੋ ਕਿ ਪ੍ਰੋਜੈਕਟਾਂ ਨੂੰ ਪਾਠ ਨੂੰ ਸਮਝ ਕੇ ਬਣਾਓ ਨਾ ਕਿ ਹੱਲ ਕੋਡ ਦੌੜਾਕੇ; ਹਾਲਾਂਕਿ ਉਹ ਕੋਡ ਹਰ ਪ੍ਰੋਜੈਕਟ-ਓਰਿਏਂਟੇਡ ਪਾਠ ਵਿੱਚ /solution ਫੋਲਡਰਾਂ ਵਿੱਚ ਉਪਲਬਧ ਹੈ।
ਪੋਸਟ-ਲੇਕਚਰ ਕਵਿਜ਼ ਲਓ।
ਚੈਲੈਂਜ ਪੂਰਾ ਕਰੋ।
ਅਸਾਈਨਮੈਂਟ ਪੂਰਾ ਕਰੋ।
ਇੱਕ ਪਾਠ ਸਮੂਹ ਪੂਰਾ ਕਰਨ ਮਗਰੋਂ, Discussion Board 'ਤੇ ਜਾਓ ਅਤੇ موزوں PAT ਰੁਬ੍ਰਿਕ ਭਰ ਕੇ "learn out loud" ਕਰੋ। 'PAT' ਦਾ ਅਰਥ Progress Assessment Tool ਹੈ ਜੋ ਤੁਹਾਡੇ ਸਿਖਣ ਨੂੰ ਅੱਗੇ ਵਧਾਉਣ ਲਈ ਇੱਕ ਰੁਬ੍ਰਿਕ ਹੈ। ਤੁਸੀਂ ਹੋਰ PATs 'ਤੇ ਰਿਆਕਸ਼ਨ ਵੀ ਕਰ ਸਕਦੇ ਹੋ ਤਾਂ ਜੋ ਅਸੀਂ ਇਕੱਠੇ ਸਿੱਖ ਸਕੀਏ।

ਅਗਲੇ ਅਧਿਐਨ ਲਈ, ਅਸੀਂ ਤੁਹਾਨੂੰ ਇਹ Microsoft Learn ਮੋਡੀਊਲ ਅਤੇ ਲਰਨਿੰਗ ਪਾਥਸ ਫਾਲੋ ਕਰਨ ਦੀ ਸਿਫਾਰਿਸ਼ ਕਰਦੇ ਹਾਂ।

ਅਧਿਆਪਕ, ਅਸੀਂ ਇਸ ਪਾਠਕ੍ਰਮ ਨੂੰ ਵਰਤਣ ਦੇ ਤਰੀਕਿਆਂ ਬਾਰੇ ਕੁਝ ਸੁਝਾਅ ਸ਼ਾਮਿਲ ਕੀਤੇ ਹਨ।

ਵੀਡੀਓ ਵਾਕਥਰੂ

ਕੁਝ ਪਾਠ ਛੋਟੇ ਫਾਰਮ ਦੀ ਵੀਡੀਓ ਵਜੋਂ ਉਪਲਬਧ ਹਨ। ਤੁਸੀਂ ਇਹ ਸਾਰੇ ਪਾਠਾਂ ਵਿੱਚ ਲਾਈਨ-ਅੰਦਰ ਪਾ ਸਕਦੇ ਹੋ, ਜਾਂ Microsoft Developer YouTube ਚੈਨਲ 'ਤੇ ML for Beginners playlist 'ਤੇ ਹੇਠ ਲਿਖੀ ਚਿੱਤਰ 'ਤੇ ਕਲਿੱਕ ਕਰਕੇ ਵੇਖ ਸਕਦੇ ਹੋ।

ਟੀਮ ਨਾਲ ਮਿਲੋ

ਗਿਫ ਦੁਆਰਾ Mohit Jaisal

🎥 ਪ੍ਰੋਜੈਕਟ ਅਤੇ ਇਸਨੂੰ ਬਣਾਉਣ ਵਾਲੇ ਲੋਕਾਂ ਬਾਰੇ ਵੀਡੀਓ ਦੇ ਲਈ ਉੱਪਰ ਦੀ ਛਵੀ 'ਤੇ ਕਲਿੱਕ ਕਰੋ!

ਪੇਡਾਗੋਜੀ

ਇਸ ਪਾਠਕ੍ਰਮ ਨੂੰ ਬਣਾਉਂਦਿਆਂ ਅਸੀਂ ਦੋ ਅਧਿਆਪਿਕ ਨਿਯਮ ਚੁਣੇ ਹਨ: ਇਹ হਾਸਥ-ਓਨ (ਹੱਥੋਂ-ਕਰਨ ਵਾਲਾ) ਅਤੇ ਪ੍ਰੋਜੈਕਟ-ਅਧਾਰਿਤ ਹੋਵੇ ਅਤੇ ਇਸ ਵਿੱਚ ਅਕਸਰ ਕਵਿਜ਼ ਸ਼ਾਮਲ ਹੋਣ। ਇਸ ਦੇ ਨਾਲ-ਨਾਲ, ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਇੱਕ ਆਮ ਥੀਮ ਹੈ ਜੋ ਇਸਨੂੰ ਇੱਕ ਹੁਨਰਵਾਨ ਇੱਕਤਾ ਦਿੰਦੀ ਹੈ।

ਸਮੱਗਰੀ ਨੂੰ ਪ੍ਰੋਜੈਕਟਾਂ ਨਾਲ ਸੰਰਚਿਤ ਕਰਕੇ, ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਪ੍ਰਕਿਰਿਆ ਹੋਰ ਰੁਚਿਕਰ ਬਣਾਈ ਜਾਂਦੀ ਹੈ ਅਤੇ ਧਾਰਣਾਵਾਂ ਦੀ ਧਾਰਣਸ਼ੀਲਤਾ ਵਧਦੀ ਹੈ। ਇਸ ਦੇ ਨਾਲ, ਕਲਾਸ ਤੋਂ ਪਹਿਲਾਂ ਇਕ ਨਿਮਨ-ਦਾਇਰਾ ਵਾਲਾ ਕਵਿਜ਼ ਵਿਦਿਆਰਥੀ ਦੇ ਮਨ ਵਿੱਚ ਉਸ ਵਿਸ਼ੇ ਨੂੰ ਸਿੱਖਣ ਦੀ ਨੀਅਤ ਸੈੱਟ ਕਰਦਾ ਹੈ, ਜਦਕਿ ਕਲਾਸ ਮਗਰੋਂ ਦੂਜਾ ਕਵਿਜ਼ ਅਗਲੀ ਰਿਟੇਨਸ਼ਨ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ। ਇਹ ਪਾਠਕ੍ਰਮ ਲਚਕੀਲਾ ਅਤੇ ਮਨੋਰੰਜਕ ਬਣਾਇਆ ਗਿਆ ਹੈ ਅਤੇ ਇਸਨੂੰ ਪੂਰਾ ਜਾਂ ਭਾਗ ਵਜੋਂ ਲਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਪ੍ਰੋਜੈਕਟ ਛੋਟੇ ਤੋਂ ਸ਼ੁਰੂ ਹੁੰਦੇ ਹਨ ਅਤੇ 12-ਹੱਫਤਿਆਂ ਦੇ ਆਖਿਰ ਤੱਕ ਵੱਧ-ਵੱਧ ਗੁੰਝਲਦਾਰ ਹੋ ਜਾਂਦੇ ਹਨ। ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ ML ਦੇ ਅਸਲ-ਜੀਵਨ ਉਪਯੋਗਾਂ ਤੇ ਇੱਕ ਪੋਸਟਸਕ੍ਰਿਪਟ ਵੀ ਸ਼ਾਮਲ ਹੈ, ਜਿਸਨੂੰ ਵਾਧੂ ਕ੍ਰੈਡਿਟ ਵਜੋਂ ਜਾਂ ਚਰਚਾ ਲਈ ਆਧਾਰ ਵਜੋਂ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਸਾਡਾ Code of Conduct, Contributing, Translation, ਅਤੇ Troubleshooting ਦਿਸ਼ਾ-निर्दੇਸ਼ ਲੱਭੋ। ਅਸੀਂ ਤੁਹਾਡੇ ਰਚਨਾਤਮਕ ਫੀਡਬੈਕ ਦਾ ਸਵਾਗਤ ਕਰਦੇ ਹਾਂ!

ਹਰ ਪਾਠ ਵਿੱਚ ਸ਼ਾਮਲ ਹੈ

ਵਿਕਲਪਿਕ ਸਕੇਚਨੋਟ
ਵਿਕਲਪਿਕ ਸਹਾਇਕ ਵੀਡੀਓ
ਵੀਡੀਓ ਵਾਕਥਰੂ (ਕੇਵਲ ਕੁਝ ਪਾਠ)
ਪ੍ਰੀ-ਲੇਕਚਰ ਵਾਰਮਅਪ ਕਵਿਜ਼
ਲਿਖਿਆ ਪਾਠ
ਪ੍ਰੋਜੈਕਟ-ਅਧਾਰਿਤ ਪਾਠਾਂ ਲਈ, ਪ੍ਰੋਜੈਕਟ ਬਣਾਉਣ ਲਈ ਕਦਮ-ਬਾਈ-ਕਦਮ ਗਾਈਡ
ਗਿਆਨ ਜਾਂਚਾਂ
ਇੱਕ ਚੈਲੈਂਜ
ਸਹਾਇਕ ਪੜ੍ਹਾਈ
ਅਸਾਈਨਮੈਂਟ
ਪੋਸਟ-ਲੇਕਚਰ ਕਵਿਜ਼

ਭਾਸ਼ਾਵਾਂ ਬਾਰੇ ਇੱਕ ਨੋਟ: ਇਹ ਪਾਠ ਮੁੱਖਤੌਰ 'ਤੇ Python ਵਿੱਚ ਲਿਖੇ ਗਏ ਹਨ, ਪਰ ਬਹੁਤ ਸਾਰੇ R ਵਿੱਚ ਵੀ ਉਪਲਬਧ ਹਨ। ਇੱਕ R ਪਾਠ ਪੂਰਾ ਕਰਨ ਲਈ, /solution ਫੋਲਡਰ ਵਿੱਚ ਜਾਓ ਅਤੇ R ਪਾਠਾਂ ਲਈ ਖੋਜੋ। ਇਹਨਾਂ ਵਿੱਚ .rmd ਐਕਸਟੇਸ਼ਨ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ ਜੋ ਇੱਕ R Markdown ਫਾਈਲ ਦਾ ਪ੍ਰਤੀਨਿਧੀ ਹੁੰਦੀ ਹੈ ਜਿਸਨੂੰ ਸਧਾਰਣ ਤੌਰ 'ਤੇ code chunks (R ਜਾਂ ਹੋਰ ਭਾਸ਼ਾਵਾਂ ਦੇ) ਅਤੇ ਇੱਕ YAML header (ਜੋ PDF ਵਰਗੇ ਆਉਟਪੁੱਟ ਸੰਦਰਭਾਂ ਨੂੰ ਕਿਵੇਂ ਫਾਰਮੈਟ ਕਰਨਾ ਹੈ, ਦਿਖਾਉਂਦਾ ਹੈ) ਦੇ ਐਂਬੈੱਡਿੰਗ ਵਜੋਂ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਇੱਕ Markdown document ਵਿੱਚ। ਇਸ ਤਰ੍ਹਾਂ, ਇਹ ਡੇਟਾ ਸਾਇੰਸ ਲਈ ਇੱਕ ਉਦਾਹਰਣਾਤਮਕ ਲੇਖਨ framework ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਤੁਹਾਨੂੰ ਆਪਣੇ ਕੋਡ, ਉਸ ਦੇ ਆਉਟਪੁੱਟ, ਅਤੇ ਆਪਣੇ ਵਿਚਾਰ ਇੱਕੱਠੇ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ ਕਿ ਤੁਸੀਂ ਉਨ੍ਹਾਂ ਨੂੰ Markdown ਵਿੱਚ ਲਿਖ ਸਕੋ। ਇਲਾਵਾ, R Markdown ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ PDF, HTML, ਜਾਂ Word ਵਰਗੇ ਆਉਟਪੁੱਟ ਫਾਰਮੈਟਾਂ ਵਿੱਚ ਰੈਂਡਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਕਵਿਜ਼ਾਂ ਬਾਰੇ ਇੱਕ ਨੋਟ: ਸਾਰੇ ਕਵਿਜ਼ Quiz App ਫੋਲਡਰ ਵਿੱਚ ਹਨ, ਜੋ ਕੁੱਲ 52 ਕਵਿਜ਼ ਹਨ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਹਰ ਇੱਕ 3 ਪ੍ਰਸ਼ਨਾਂ ਵਾਲਾ ਹੈ। ਉਹ ਪਾਠਾਂ ਵਿੱਚ ਲਿੰਕ ਕੀਤੇ ਗਏ ਹਨ ਪਰ quiz app ਲੋਕਲ ਤੌਰ 'ਤੇ ਚਲਾਇਆ ਜਾ ਸਕਦਾ ਹੈ; ਲੋਕਲ ਹੋਸਟ ਕਰਨ ਜਾਂ Azure 'ਤੇ ਡਿਪਲੋਇ ਕਰਨ ਲਈ quiz-app ਫੋਲਡਰ ਵਿੱਚ ਦਿੱਤੀਆਂ ਹਦਾਇਤਾਂ ਦੀ ਪਾਲਨਾ ਕਰੋ।

ਪਾਠ ਨੰਬਰ	ਵਿਸ਼ਾ	ਪਾਠ ਸਮੂਹ	ਸਿੱਖਣ ਦੇ ਉਦੇਸ਼	ਲਿੰਕ ਕੀਤਾ ਪਾਠ	ਲੇਖਕ
01	ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਪਰਿਚਯ	ਪਰਿਚਯ	ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਬੁਨਿਆਦੀ ਸਿਧਾਂਤ ਸਮਝੋ	ਪਾਠ	Muhammad
02	ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਇਤਿਹਾਸ	ਪਰਿਚਯ	ਇਸ ਖੇਤਰ ਦੇ ਪਿੱਛੇ ਦੇ ਇਤਿਹਾਸ ਨੂੰ ਜਾਣੋ	ਪਾਠ	Jen ਅਤੇ Amy
03	ਨਿਆਂ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ	ਪਰਿਚਯ	ਨਿਆਂ ਸੰਬੰਧੀ ਕਿਹੜੇ ਅਹਮ ਦਾਰਸ਼ਨਿਕ ਮੁੱਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਬਾਰੇ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ML ਮਾਡਲ ਬਣਾਉਂਦੇ ਅਤੇ ਲਾਗੂ ਕਰਦੇ ਸਮੇਂ ਸੋਚਣਾ ਚਾਹੀਦਾ ਹੈ?	ਪਾਠ	Tomomi
04	ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀਆਂ ਤਕਨੀਕਾਂ	ਪਰਿਚਯ	ML ਸ਼ੋਧਕ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਕਿਹੜੀਆਂ ਤਕਨੀਕਾਂ ਵਰਤਦੇ ਹਨ?	ਪਾਠ	Chris ਅਤੇ Jen
05	ਰਿਗ੍ਰੈਸ਼ਨ ਦਾ ਪਰਿਚਯ	ਰਿਗ੍ਰੈਸ਼ਨ	ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲਾਂ ਲਈ Python ਅਤੇ Scikit-learn ਨਾਲ ਸ਼ੁਰੂਆਤ ਕਰੋ	Python • R	Jen • Eric Wanjau
06	ਉੱਤਰੀ ਅਮਰੀਕਾ ਦੇ ਕਦੂ ਦੇ ਭਾਅ 🎃	ਰਿਗ੍ਰੈਸ਼ਨ	ML ਲਈ ਤਿਆਰੀ ਵਿੱਚ ਡੇਟਾ ਨੂੰ ਵਿਜ਼ੂਅਲਾਈਜ਼ ਅਤੇ ਸਾਫ਼ ਕਰੋ	Python • R	Jen • Eric Wanjau
07	ਉੱਤਰੀ ਅਮਰੀਕਾ ਦੇ ਕਦੂ ਦੇ ਭਾਅ 🎃	ਰਿਗ੍ਰੈਸ਼ਨ	ਲਿਨੀਅਰ ਅਤੇ ਪੋਲਿਨੋਮਿਯਲ ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲ ਬਣਾਓ	Python • R	Jen ਅਤੇ Dmitry • Eric Wanjau
08	ਉੱਤਰੀ ਅਮਰੀਕਾ ਦੇ ਕਦੂ ਦੇ ਭਾਅ 🎃	ਰਿਗ੍ਰੈਸ਼ਨ	ਲੋਜਿਸਟਿਕ ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲ ਬਣਾਓ	Python • R	Jen • Eric Wanjau
09	ਇੱਕ ਵੈਬ ਐਪ 🔌	ਵੈਬ ਐਪ	ਆਪਣੇ ਪ੍ਰਸ਼ਿਕਸ਼ਿਤ ਮਾਡਲ ਨੂੰ ਵਰਤਣ ਲਈ ਇੱਕ ਵੈਬ ਐਪ ਬਣਾਓ	Python	Jen
10	ਕਲਾਸੀਫਿਕੇਸ਼ਨ ਦਾ ਪਰਿਚਯ	ਕਲਾਸੀਫਿਕੇਸ਼ਨ	ਆਪਣੇ ਡੇਟਾ ਨੂੰ ਸਾਫ, ਤਿਆਰ, ਅਤੇ ਵਿਜ਼ੂਅਲਾਈਜ਼ ਕਰੋ; ਕਲਾਸੀਫਿਕੇਸ਼ਨ ਦਾ ਪਰਿਚਯ	Python • R	Jen ਅਤੇ Cassie • Eric Wanjau
11	ਸੁਆਦਿਸ਼ਟ ਏਸ਼ੀਆਈ ਅਤੇ ਭਾਰਤੀ ਖਾਣੇ 🍜	ਕਲਾਸੀਫਿਕੇਸ਼ਨ	ਕਲਾਸੀਫਾਇਰਾਂ ਦਾ ਪਰਿਚਯ	Python • R	Jen ਅਤੇ Cassie • Eric Wanjau
12	ਸੁਆਦਿਸ਼ਟ ਏਸ਼ੀਆਈ ਅਤੇ ਭਾਰਤੀ ਖਾਣੇ 🍜	ਕਲਾਸੀਫਿਕੇਸ਼ਨ	ਹੋਰ ਕਲਾਸੀਫਾਇਰ	Python • R	Jen ਅਤੇ Cassie • Eric Wanjau
13	ਸੁਆਦਿਸ਼ਟ ਏਸ਼ੀਆਈ ਅਤੇ ਭਾਰਤੀ ਖਾਣੇ 🍜	ਕਲਾਸੀਫਿਕੇਸ਼ਨ	ਆਪਣੇ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਰੇਕਮੈਂਡਰ ਵੈਬ ਐਪ ਬਣਾਓ	Python	Jen
14	ਕਲੱਸਟਰਿੰਗ ਦਾ ਪਰਿਚਯ	ਕਲੱਸਟਰਿੰਗ	ਆਪਣੇ ਡੇਟਾ ਨੂੰ ਸਾਫ, ਤਿਆਰ, ਅਤੇ ਵਿਜ਼ੂਅਲਾਈਜ਼ ਕਰੋ; ਕਲੱਸਟਰਿੰਗ ਦਾ ਪਰਿਚਯ	Python • R	Jen • Eric Wanjau
15	ਨਾਈਜੀਰੀਆਈ ਸੰਗੀਤਿਕ ਰੁਚੀਆਂ ਦੀ ਖੋਜ 🎧	ਕਲੱਸਟਰਿੰਗ	K-Means ਕਲੱਸਟਰਿੰਗ ਤਰੀਕੇ ਦੀ ਖੋਜ	Python • R	Jen • Eric Wanjau
16	ਨੈਚਰਲ ਲੈਂਗਵੇਜ ਪ੍ਰੋਸੈਸਿੰਗ ਦਾ ਪਰਿਚਯ ☕️	ਨੈਚਰਲ ਲੈਂਗਵੇਜ ਪ੍ਰੋਸੈਸਿੰਗ	ਇੱਕ ਸਧਾਰਣ ਬੌਟ ਬਣਾ ਕੇ NLP ਦੇ ਮੂਲ ਬਿੰਦੂ ਸਿੱਖੋ	Python	Stephen
17	ਆਮ NLP ਟਾਸਕ ☕️	ਨੈਚਰਲ ਲੈਂਗਵੇਜ ਪ੍ਰੋਸੈਸਿੰਗ	ਭਾਸ਼ਾਈ ਢਾਂਚਿਆਂ ਨਾਲ ਨਿਪਟਣ ਵੇਲੇ ਲੋੜੀਂਦੇ ਆਮ ਟਾਸਕਾਂ ਨੂੰ ਸਮਝ ਕੇ ਆਪਣੀ NLP ਗਿਆਨ ਨੂੰ ਡੂੰਘਾ ਕਰੋ	Python	Stephen
18	ਅਨੁਵਾਦ ਅਤੇ ਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਣ ♥️	ਨੈਚਰਲ ਲੈਂਗਵੇਜ ਪ੍ਰੋਸੈਸਿੰਗ	Jane Austen ਨਾਲ ਅਨੁਵਾਦ ਅਤੇ ਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਣ	Python	Stephen
19	ਯੂਰਪ ਦੇ ਰੋਮਾਂਟਿਕ ਹੋਟਲ ♥️	ਨੈਚਰਲ ਲੈਂਗਵੇਜ ਪ੍ਰੋਸੈਸਿੰਗ	ਹੋਟਲ ਸਮੀਖਿਆਵਾਂ ਨਾਲ ਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਣ 1	Python	Stephen
20	ਯੂਰਪ ਦੇ ਰੋਮਾਂਟਿਕ ਹੋਟਲ ♥️	ਨੈਚਰਲ ਲੈਂਗਵੇਜ ਪ੍ਰੋਸੈਸਿੰਗ	ਹੋਟਲ ਸਮੀਖਿਆਵਾਂ ਨਾਲ ਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਣ 2	Python	Stephen
21	ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ ਦਾ ਪਰਿਚਯ	ਟਾਈਮ ਸੀਰੀਜ਼	ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ ਦਾ ਪਰਿਚਯ	Python	Francesca
22	⚡️ ਦੁਨਿਆ ਭਰ ਦੀ ਬਿਜਲੀ ਵਰਤੋਂ ⚡️ - ARIMA ਨਾਲ ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ	ਟਾਈਮ ਸੀਰੀਜ਼	ARIMA ਨਾਲ ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ	Python	Francesca
23	⚡️ ਦੁਨਿਆ ਭਰ ਦੀ ਬਿਜਲੀ ਵਰਤੋਂ ⚡️ - SVR ਨਾਲ ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ	ਟਾਈਮ ਸੀਰੀਜ਼	Support Vector Regressor ਨਾਲ ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ	Python	Anirban
24	ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਦਾ ਪਰਿਚਯ	ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ	Q-Learning ਨਾਲ ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਦਾ ਪਰਿਚਯ	Python	Dmitry
25	Peter ਨੂੰ ਭੇੜੀ ਤੋਂ ਬਚਾਓ! 🐺	ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ	ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਜਿਮ	Python	Dmitry
Postscript	ਰੀਅਲ-ਵਰਲਡ ML ਸਿਨਾਰਿਓਜ਼ ਅਤੇ ਉਪਯੋਗ	ML in the Wild	ਕਲਾਸਿਕ ML ਦੇ ਦਿਲਚਸਪ ਅਤੇ ਸਾਫ਼-ਦਿਖਾਏ ਅਸਲ ਦੁਨੀਆ ਉਪਯੋਗ	ਪਾਠ	ਟੀਮ
Postscript	RAI ਡੈਸ਼ਬੋਰਡ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ML ਵਿੱਚ ਮਾਡਲ ਡੀਬੱਗਿੰਗ	ML in the Wild	Responsible AI ਡੈਸ਼ਬੋਰਡ ਹਿੱਸਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ ਮਾਡਲ ਡੀਬੱਗਿੰਗ	ਪਾਠ	Ruth Yakubu

ਇਸ ਕੋਰਸ ਲਈ ਸਾਰੇ ਵਾਧੂ ਸਰੋਤਾਂ ਨੂੰ ਸਾਡੇ Microsoft Learn ਸੰਗ੍ਰਹਿ ਵਿੱਚ ਲੱਭੋ

ਆਫਲਾਈਨ ਪਹੁੰਚ

ਤੁਸੀਂ ਇਹ ਦਸਤਾਵੇਜ਼ ਆਫਲਾਈਨ ਚਲਾ ਸਕਦੇ ਹੋ Docsify ਦੀ ਵਰਤੋਂ ਕਰਕੇ। ਇਸ ਰੇਪੋ ਨੂੰ Fork ਕਰੋ, ਆਪਣੇ ਲੋਕਲ ਮਸ਼ੀਨ 'ਤੇ Docsify ਇੰਸਟਾਲ ਕਰੋ, ਅਤੇ ਫਿਰ ਇਸ ਰੇਪੋ ਦੇ ਰੂਟ ਫੋਲਡਰ ਵਿੱਚ docsify serve ਟਾਈਪ ਕਰੋ। ਵੈਬਸਾਈਟ ਤੁਹਾਡੇ localhost ਤੇ ਪੋਰਟ 3000 'ਤੇ ਸਰਵ ਹੋਵੇਗੀ: localhost:3000.

ਪੀਡੀਐਫ

ਕਰੀਕੁਲਮ ਦਾ ਇੱਕ ਪੀਡੀਐਫ ਲਿੰਕਾਂ ਸਮੇਤ ਇੱਥੇ ਲੱਭੋ。

🎒 ਹੋਰ ਕੋਰਸ

ਸਾਡੀ ਟੀਮ ਹੋਰ ਕੋਰਸ ਤਿਆਰ ਕਰਦੀ ਹੈ! ਵੇਖੋ:

LangChain

Azure / Edge / MCP / Agents

Generative AI Series

ਮੁੱਖ ਸਿੱਖਿਆ

Copilot ਸੀਰੀਜ਼

ਮਦਦ ਲਓ

ਜੇ ਤੁਸੀਂ ਅਟਕ ਜਾਂ AI ਐਪ ਬਣਾਉਣ ਬਾਰੇ ਕੋਈ ਸਵਾਲ ਹੋਣ, ਤਾਂ MCP ਬਾਰੇ ਚਰਚਾ ਕਰਨ ਵਾਲੇ ਹੋਰ ਸਿੱਖਣ ਵਾਲਿਆਂ ਅਤੇ ਤਜ਼ਰਬੇਕਾਰ ਡਿਵੈਲਪਰਾਂ ਨਾਲ ਜੁੜੋ। ਇਹ ਇੱਕ ਸਹਾਇਕ ਕਮਿਊਨਿਟੀ ਹੈ ਜਿੱਥੇ ਸਵਾਲਾਂ ਦਾ ਸਵਾਗਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਗਿਆਨ ਖੁਲ ਕੇ ਸਾਂਝਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਜੇ ਤੁਹਾਡੇ ਕੋਲ ਉਤਪਾਦ ਸੰਬੰਧੀ ਫੀਡਬੈਕ ਜਾਂ ਬਿਲਡ ਕਰਦੇ ਸਮੇਂ ਕੋਈ ਗਲਤੀ ਹੋਵੇ ਤਾਂ ਜਾਓ:

ਜ਼ਿੰਮੇਵਾਰੀ ਅਸਵੀਕਾਰ: ਇਸ ਦਸਤਾਵੇਜ਼ ਦਾ ਅਨੁਵਾਦ AI ਅਨੁਵਾਦ ਸੇਵਾ Co-op Translator ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਗਿਆ ਹੈ। ਅਸੀਂ ਸ਼ੁੱਧਤਾ ਲਈ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਪਰ ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਰੱਖੋ ਕਿ ਆਟੋਮੇਟਿਕ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸਪਸ਼ਟਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼, ਜਿਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਹੈ, ਨੂੰ ਅਧਿਕਾਰਿਕ ਸਰੋਤ ਵਜੋਂ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਣ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫ਼ਾਰਿਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਉੱਠਣ ਵਾਲੀਆਂ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀਆਂ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆਵਾਂ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।

43 KiB Raw Blame History Unescape Escape