ML-For-Beginners/translations/kn

🌐 ಬಹು-ಭಾಷಾ ಬೆಂಬಲ

GitHub Action ಮೂಲಕ ಬೆಂಬಲ (ಸ್ವಯಂಚಾಲಿತ ಮತ್ತು ಸದಾ ತಾಜಾ)

ಅರೇಬಿಕ್ | ಬೆಂಗಾಳಿ | ಬಲ್ಗೇರಿಯನ್ | ಬರ್ಮೀಸ್ (ಮ್ಯಾನ್ಮಾರ್) | ಚೈನೀಸ್ (ಸರಳೀಕೃತ) | ಚೈನೀಸ್ (ಸಾಂಪ್ರದಾಯಿಕ, ಹಾಂಗ್ ಕಾಂಗ್) | ಚೈನೀಸ್ (ಸಾಂಪ್ರದಾಯಿಕ, ಮಾಕಾವ್) | ಚೈನೀಸ್ (ಸಾಂಪ್ರದಾಯಿಕ, ತೈವಾನ್) | ಕ್ರೊಯೇಶಿಯನ್ | ಚೆಕ್ | ಡೆನಿಶ್ | ಡಚ್ | ಎಸ್ಟೋನಿಯನ್ | ಫಿನ್ನಿಶ್ | ಫ್ರೆಂಚ್ | ಜರ್ಮನ್ | ಗ್ರೀಕ್ | ಹೀಬ್ರೂ | ಹಿಂದಿ | ಹಂಗೇರಿಯನ್ | ಇಂಡೋನೇಷಿಯನ್ | ಇಟಾಲಿಯನ್ | ಜಪಾನೀಸ್ | ಕನ್ನಡ | ಕೊರಿಯನ್ | ಲಿಥುವೇನಿಯನ್ | ಮಲಯ್ | ಮಲಯಾಳಂ | ಮರಾಠಿ | ನೇಪಾಳಿ | ನೈಜೀರಿಯನ್ ಪಿಡ್ಗಿನ್ | ನಾರ್ವೀಜಿಯನ್ | ಪರ್ಶಿಯನ್ (ಫಾರ್ಸಿ) | ಪೋಲಿಶ್ | ಪೋರ್ತುಗೀಸ್ (ಬ್ರೆಜಿಲ್) | ಪೋರ್ತುಗೀಸ್ (ಪೋರ್ಚುಗಲ್) | ಪುಂಜಾಬಿ (ಗುರ್ಮುಖಿ) | ರೊಮೇನಿಯನ್ | ರಶಿಯನ್ | ಸೆರ್ಬಿಯನ್ (ಸಿರಿಲಿಕ್) | ಸ್ಲೊವಾಕಿಯನ್ | ಸ್ಲೋವೇನಿಯನ್ | ಸ್ಪಾನಿಷ್ | ಸ್ವಾಹಿಲಿ | ಸ್ವೀಡಿಷ್ | ಟಾಗಾಲೋಗ್ (ಫಿಲಿಪಿನೋ) | ತಮಿಳು | ತೆಲುಗು | ಥಾಯ್ | ತುರ್ಕಿಶ್ | ಉಕ್ರೇನಿಯನ್ | ಉರ್ದು | ವಿಯೆಟ್ನಾಮಿ

ನಮ್ಮ ಸಮುದಾಯದಲ್ಲಿ ಸೇರಿ

ನಾವು ಡಿಸ್ಕೋರ್ಡ್‌ನಲ್ಲಿ AI ಜೊತೆಗೆ ಕಲಿಕೆ ಸರಣಿ ನಡೆಸುತ್ತಿದ್ದೇವೆ; ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ ಮತ್ತು 18 - 30 ಸೆಪ್ಟೆಂಬರ್, 2025 ರ ಅವಧಿಯಲ್ಲಿ ನಮ್ಮೊಂದಿಗೆ ಸೇರಲು AI ಜೊತೆ ಕಲಿಕೆ ಸರಣಿ ಗೆ ಭೇಟಿ ನೀಡಿ. ನೀವು GitHub Copilot ಅನ್ನು ಡೇಟಾ ಸೈನ್ಸ್‌ಗೆ ಬಳಸುವ ಸಲಹೆಗಳು ಮತ್ತು ಟ್ರಿಕ್ಕುಗಳನ್ನು ಪಡೆಯುತ್ತೀರಿ.

ಆರಂಭಿಕರಿಗಾಗಿ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ - ಪಾಠ್ಯಕ್ರಮ

🌍 ಪ್ರಪಂಚದ ಸಂಸ್ಕøತಿಗಳ ಮೂಲಕ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಅನ್ನು ಅನ್ವೇಷಿಸುತ್ತಾ ಪ್ರಪಂಚದ ಸುತ್ತ ಪ್ರಯಾಣಿಸಿ 🌍

Microsoftನ ಕ್ಲೌಡ್ ಅಡ್ವೊಕೇಟ್‌ಗಳು ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಕುರಿತು 12-ವಾರಗಳ, 26 ಪಾಠಗಳ ಪಾಠ್ಯಕ್ರಮವನ್ನು ನೀಡುತ್ತಿರುವುದಕ್ಕೆ ಸಂತೋಷಪಡುತ್ತವೆ. ಈ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ನೀವು ಕೆಲವೊಮ್ಮೆ "ಕ್ಲಾಸಿಕ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್" ಎಂದು ಕರೆಯುವುವುದನ್ನು ಕಲಿಯುತ್ತೀರಿ, ಮುಖ್ಯವಾಗಿ Scikit-learn ಅನ್ನು ಲೈಬ್ರರಿಯಾಗಿ ಬಳಸುವ ಮೂಲಕ ಮತ್ತು ಡೀಪ್ ಲರ್ನಿಂಗ್ ಅನ್ನು ತಪ್ಪಿಸುತ್ತಾ, ಅದು ನಮ್ಮ ಆರಂಭಿಕರಿಗಾಗಿ AI ಪಠ್ಯಕ್ರಮ ನಲ್ಲಿ ಒಳಗೊಂಡಿದೆ. ಈ ಪಾಠಗಳನ್ನು ನಮ್ಮ ಆರಂಭಿಕರಿಗಾಗಿ ಡೇಟಾ ಸೈನ್ಸ್ ಪಠ್ಯಕ್ರಮ ಜೊತೆಗೆ ಕೂಡ ಸೇರಿಸಿಕೊಳ್ಳಿ!

ನಮ್ಮೊಂದಿಗೆ ಪ್ರಪಂಚದ ಸುತ್ತ ಯಾತ್ರೆ ಮಾಡಿ, ನಾವು ಈ ಪರಂಪರাগত ತಂತ್ರಗಳನ್ನು ಜಗತ್ತಿನ ವಿವಿಧ ಭಾಗಗಳಿಂದ ಬಂದ ಡೇಟಾದ ಮೇಲೆ ಅನ್ವಯಿಸುತ್ತೇವೆ. ಪ್ರತಿ ಪಾಠದಲ್ಲಿ ಪೂರ್ವ ಮತ್ತು ಪೋಸ್ಟ್-ಪಾಠ ಕ್ವಿಜ್‌ಗಳು, ಪಾಠವನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಲೇಖಿತ ಸೂಚನೆಗಳು, ಒಂದು ಪರಿಹಾರ, ಒಂದು ನಿಯುಕ್ತಿ ಮತ್ತು ಇನ್ನಷ್ಟು ಇರುತ್ತದೆ. ನಮ್ಮ ಪ್ರಾಜೆಕ್ಟ್-ಆಧಾರಿತ ಪಠ್ಯಶೈಲಿ ನಿಮಗೆ ನಿರ್ಮಿಸಲು ಕರೆಯಾಗುವಂತೆ ಕಲಿತುಕೊಳ್ಳಲು ಅವಕಾಶವನ್ನು ಒದಗಿಸುತ್ತದೆ — ಹೊಸ ಕೌಶಲ್ಯಗಳು ನೆಲೆಯ ಮೇಲೆ ಉಳಿಯುವ ರಚನಾತ್ಮಕ ವಿಧಾನ.

✍️ ನಮ್ಮ ಲೇಖಕರಿಗೆ ಹೃತ್ಪೂರ್ವಕ 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, ಸಮೀಕ್ಷಕರು ಮತ್ತು ವಿಷಯದ ಕೊಡುಗೆದಾರರಿಗೆ, ವಿಶೇಷವಾಗಿ Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, ಮತ್ತು Snigdha Agarwal

🤩 ನಮ್ಮ R ಪಾಠಗಳಿಗಾಗಿ Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, ಮತ್ತು Vidushi Gupta ಅವರಿಗೂ ಹೆಚ್ಚುವರಿ ಕೃತಜ್ಞತೆ!

ಪ್ರಾರಂಭಿಸುವುದು

ಈ ಹಂತಗಳನ್ನು ಅನುಸರಿಸಿ:

1. ರಿಪೊಸಿಟರಿಯನ್ನು Fork ಮಾಡಿ: ಈ ಪುಟದ ಮೇಲ್ಭಾಗದ ಬಲಕ್ಕೂ ಮೂಕದಲ್ಲಿ ಇರುವ "Fork" ಬಟನ್ ಮೇಲೆ ಕ್ಲಿಕ್ ಮಾಡಿ.
2. ರಿಪೊಸಿಟರಿಯನ್ನು ಕ್ಲೋನ್ ಮಾಡಿ: git clone https://github.com/microsoft/ML-For-Beginners.git

ಈ ಕೋರ್ಸ್‍ಗಾಗಿ ಎಲ್ಲಾ ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಮ್ಮ Microsoft Learn ಸಂಗ್ರಹದಲ್ಲಿ ಕಂಡುಹಿಡಿಯಿರಿ

🔧 ಸಹಾಯ ಬೇಕೇ? ಸ್ಥಾಪನೆ, ಸೆಟ್‌ಅಪ್ ಮತ್ತು ಪಾಠಗಳನ್ನು ನಡೆಸುವ ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಗಳಿಗೆ ಪರಿಹಾರಗಳಿಗೆ ನಮ್ಮ ತೊಂದರೆ ಪರಿಹಾರ ಮಾರ್ಗದರ್ಶಿ ಅನ್ನು ನೋಡಿ.

ವಿದ್ಯಾರ್ಥಿಗಳು, ಈ ಪಾಠ್ಯಕ್ರಮವನ್ನು ಬಳಸಲು, ಸಂಪೂರ್ಣ ರೆಪೋವನ್ನು ನಿಮ್ಮದೇ GitHub ಖಾತೆಗೆ Fork ಮಾಡಿ ಮತ್ತು ವ್ಯಾಯಾಮಗಳನ್ನು ನೀವು ತಾನೇ ಅಥವಾ ಗುಂಪಿನಲ್ಲಿ ಪೂರ್ಣಗೊಳಿಸಿ:

• ಪೂರ್ವ-ಉಪನ್ಯಾಸ ಕ್ವಿಜ್‌ನಿಂದ ಪ್ರಾರಂಭಿಸಿ.
• ಉಪನ್ಯಾಸವನ್ನು ಓದಿ ಮತ್ತು ಚಟುವಟಿಕೆಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ, ಪ್ರತಿ ಜ್ಞಾನ ಪರಿಶೀಲನೆಯಲ್ಲೂ ನಿಂತು ಪರಾವಲೋಕನ ಮಾಡಿ.
• ಪರಿಹಾರ ಕೋಡ್ ಅನ್ನು ದೌರ್ಬಲ್ಯವಿಲ್ಲದೆ ಓಡಿಸುವ ಬದಲು ಪಾಠಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಂಡು ಪ್ರಾಜೆಕ್ಟ್‌ಗಳನ್ನು ರಚಿಸಲು ಪ್ರಯತ್ನಿಸಿ; ಆದರೂ ಆ ಕೋಡ್ ಪ್ರತಿ ಪ್ರಾಜೆಕ್ಟ್-ಓರಿಯೆಂಟೆಡ್ ಪಾಠದ /solution ಫೋಲ್ಡರ್‌ಗಳಲ್ಲಿ ಲಭ್ಯವಿದೆ.
• ಪೋಸ್ಟ್-ಉಪನ್ಯಾಸ ಕ್ವಿಜ್ ತೆಗೆದುಕೊಳ್ಳಿ.
• ಚಾಲೆಂಜ್ ಅನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ.
• ಅಸೈನ್‌ಮೆಂಟ್ ಅನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ.
• ಒಂದು ಪಾಠ ಗುಂಪನ್ನು ಪೂರ್ಣಗೊಳಿಸುವ ನಂತರ, ಚರ್ಚಾ ಫಲಕ ಗೆ ಭೇಟಿ ನೀಡಿ ಮತ್ತುಕ್ಕೆ ಯಥಾಸ್ಥಿತಿಯಲ್ಲಿ "learn out loud" ಮಾಡಿ (ಸರಿ PAT ರೂಬ್ರಿಕ್ ಅನ್ನು ಭರ್ತಿ ಮಾಡಿ). 'PAT' ಎಂಬುದು ಪ್ರಗತಿ ಮೌಲ್ಯಮಾಪನ ಸಾಧನ (Progress Assessment Tool) ಆಗಿದ್ದು, ನಿಮ್ಮ ಕಲಿಕೆಯನ್ನು ಮುಂದುವರಿಸಲು ನೀವು ಭರ್ತಿ ಮಾಡುವ ರೂಬ್ರಿಕ್ ಆಗಿದೆ. ನೀವು ಇತರ PATs ಗೆ ಪ್ರತಿಕ್ರಿಯೆ ನೀಡುವುದರಿಂದ ನಾವು ಜೊತೆಯಾಗಿ ಕಲಿಯಬಹುದು.

ಮುಂದಿನ ಅಧ್ಯಯನಕ್ಕಾಗಿ, ಈ Microsoft Learn ಮೋಡ್ಯೂಲ್‌ಗಳು ಮತ್ತು ಕಲಿಕಾ ಮಾರ್ಗಗಳನ್ನು ಅನುಸರಿಸುವುದನ್ನು ನಾವು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ.

ಶಿಕ್ಷಕರೇ, ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ಬಳಸುವ ಬಗ್ಗೆ ನಾವು ಕೆಲವು ಸಲಹೆಗಳನ್ನು ಸೇರಿಸಿದ್ದೇವೆ.

---

ವೀಡಿಯೊ ಪ್ರದರ್ಶನ

ಕೆಲವು ಪಾಠಗಳು ಚುಟುಕು ಆಕಾರದ ವೀಡಿಯೊಗಳಾಗಿ ಲಭ್ಯವಾಗಿವೆ. ನೀವು ಈ ಎಲ್ಲಾ ವೀಡಿಯೊಗಳನ್ನು ಪಾಠಗಳಲ್ಲಿ ಬಣ್ಣವಾಗಿ ಕಂಡುಹಿಡಿಯಬಹುದು, ಇಲ್ಲವೇ ಕೆಳಗಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ Microsoft Developer YouTube ಚಾನೆಲಿನ 'ML for Beginners' ಪ್ಲೇಲಿಸ್ಟ್ ಭೈಗತಿಯನ್ನು ನೋಡಿ.

---

ತಂಡದ ಪರಿಚಯ

ಗಿಫ್ ರಚಿಸಿದವರು Mohit Jaisal

🎥 ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ಪ್ರಾಜೆಕ್ಟ್ ಮತ್ತು ಅದನ್ನು ರಚಿಸಿದ ಜನರ ಬಗ್ಗೆ ವಿಡಿಯೋ ನೋಡಿ!

---

ಪಾಠವಿಧಿ

ಈ ಪಾಠ್ಯಕ್ರಮವನ್ನು ನಿರ್ಮಿಸುವಾಗ ನಾವು ಎರಡು ಸಿದ್ಧಾಂತಗಳನ್ನು ಆರಿಸಿಕೊಂಡಿದ್ದೇವೆ: ಅದು ಕೈಯಲ್ಲಿ ಕೈಕೊಟ್ಟು ಮಾಡುವಂತೆ ಇರುವುದೇ "ಪ್ರಾಜೆಕ್ಟ್-ಆಧಾರಿತ" ಆಗಿರುವುದು ಮತ್ತು ಅದು "ಅವಧಿವಿಡಿ ಕ್ವಿಜ್‌ಗಳು" ಅನ್ನು gyakಳಿಸುವುದು. ಇದರ ಜೊತೆಗೆ, ಈ ಪಾಠ್ಯಕ್ರಮಕ್ಕೆ ಸಾಮಾನ್ಯ ಒಂದು ಥೀಮ್ ಕಾಣಿಸಿಕೊಂಡಿದೆ ಅದು ಒತ್ತಡವನ್ನು ನೀಡುತ್ತದೆ.

ವಿಷಯವು ಪ್ರಾಜೆಕ್ಟ್‌ಗಳಿಗೆ ಹೊಂದಿಕೆಯಾಗುವಂತೆ ಖಚಿತಪಡಿಸುವ ಮೂಲಕ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಹೆಚ್ಚು ಆಕರ್ಷಕವಾಗುತ್ತದೆ ಹಾಗೂ ಕಲಿತ ವಿಷಯದ ನೆನಪು ಹೆಚ್ಚಾಗುತ್ತದೆ. ಜೊತೆಗೆ, ತರಗತಿಯ ಮುನ್ನ ಒಂದು ಕಡಿಮೆ-ಅವಶ್ಯಕತೆ ಇರುವ ಕ್ವಿಜ್ ವಿದ್ಯಾರ್ಥியின் ನಮ್ಮ ಒಂದು ವಿಷಯವನ್ನು ಕಲಿಯಲು ಉದ್ದೇಶವನ್ನು ಸರಿಗೊಳಿಸುತ್ತದೆ, ಮತ್ತು ತರಗತಿಯ ನಂತರದ ಎರಡನೇ ಕ್ವಿಜ್ ಹೆಚ್ಚುವರಿ ನೆನಪನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ. ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ಎಡ್ಜಸ್ಟ್ ಮಾಡುವಂತೆ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ ಮತ್ತು ಮೋಜುಗೊಳಿಸಿರುವುದು; ಇದನ್ನು ಸಂಪೂರ್ಣ ಅಥವಾ ಭಾಗಹವಾಗಿಯೂ ತೆಗೆದುಕೊಳ್ಳಬಹುದು. ಪ್ರಾಜೆಕ್ಟ್‌ಗಳು ಚಿಕ್ಕದಾಗಿ ಪ್ರಾರಂಭಿಸಿ 12-ವಾರಗಳ ಕೊನೆಯಲ್ಲಿ ಹೆಚ್ಚಾಗಿ ಸಂಕೀರ್ಣವಾಗುತ್ತವೆ. ಈ ಪಠ್ಯಕ್ರಮವು ಕೂಡ ML ನ ವಾಸ್ತವಿಕ ಅನ್ವಯಗಳ ಮೇಲೆ ಒಂದು ಸಹೋದ್ಯಕ್ಷೆ ಸೇರಿಸಿದೆ, ಇದನ್ನು ಹೆಚ್ಚುವರಿ ಕ್ರೆಡಿಟ್‌ಗೆ ಅಥವಾ ಚರ್ಚೆಯ ಆಧಾರದಾಗಿ ಬಳಸಬಹುದು.

ನಮುದಿನ ಆಚರಣಾ ಸಂಹಿತೆ, ಸಹಭಾಗತೆ, ಅನುವಾದ, ಮತ್ತು ತೊಂದರೆ ಪರಿಹಾರ ಮಾರ್ಗದರ್ಶಿ ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ನೋಡಿ. ನಿಮ್ಮ ರಚನಾತ್ಮಕ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ನಾವು ಸ್ವಾಗತಿಸುತ್ತೇವೆ!

ಪ್ರತಿ ಪಾಠದಲ್ಲಿ ಒಳಗೊಂಡಿದೆ

• ಆಯ್ಕೆಯಾದ ಸ್ಕೆಚ್‌ನೋಟ್
• ಆಯ್ಕೆಯಾದ ಪೂರಕ ವೀಡಿಯೊ
• ವೀಡಿಯೊ ವಾಕ್‌ಥ್ರೂ (ಕೆಲವು ಪಾಠಗಳಲ್ಲಿ ಮಾತ್ರ)
• ಪೂರ್ವ-ಉಪನ್ಯಾಸ ವಾರ್ಮ್-ಅಪ್ ಕ್ವಿಜ್
• ಲೇಖಿತ ಪಾಠ
• ಪ್ರಾಜೆಕ್ಟ್-ಆಧಾರಿತ ಪಾಠಗಳಿಗೆ, ಪ್ರಾಜೆಕ್ಟ್ ಅನ್ನು ನಿರ್ಮಿಸುವದಕ್ಕೆ ಕ್ರಮಬದ್ಧ ಮಾರ್ಗದರ್ಶನಗಳು
• ಜ್ಞಾನ ಪರಿಶೀಲನೆಗಳು
• ಒಂದು ಚಾಲೆಂಜ್
• ಪೂರಕ ಓದುವಿಕೆ
• ಅಸೈನ್‌ಮೆಂಟ್
• ಪೋಸ್ಟ್-ಉಪನ್ಯಾಸ ಕ್ವಿಜ್

ಭಾಷೆಗಳ ಬಗ್ಗೆ ಒಂದು ಟಿಪ್: ಈ ಪಾಠಗಳು_Primarily_ Python ನಲ್ಲಿ ರಚಿಸಲಾಗಿದೆ, ಆದರೆ ಅನೇಕ ಪಾಠಗಳು R ನಲ್ಲೂ ಲಭ್ಯವಿವೆ. R ಪಾಠವನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು, /solution ಫೋಲ್ಡರ್‌ಗೆ ಹೋಗಿ R ಪಾಠಗಳನ್ನು ಹುಡುಕಿ. ಅವುಗಳಲ್ಲಿ .rmd ವಿಸ್ತರಣೆಯಿದೆ, ಇದು R Markdown ಫೈಲ್ ಅನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಇದನ್ನು ಸರಳವಾಗಿ code chunks (R ಅಥವಾ ಇತರ ಭಾಷೆಗಳ) ಮತ್ತು YAML header (PDF ಮುಂತಾದ output ಗಳನ್ನು ಹೇಗೆ ರೂಪಿಸಲು ಮಾರ್ಗದರ್ಶನ ನೀಡುತ್ತದೆ) ಅನ್ನು Markdown document ನಲ್ಲಿ ಎಂಟ್ರಿ ಮಾಡುವುದಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಬಹುದು. ಹಾಗಿರುವುದರಿಂದ, ಇದು ಡೇಟಾ ಸೈನ್ಸ್‌ಗೆ ಉದಾಹರಣೆಯಾದ ರಚನಾತ್ಮಕ ಬರವಣಿಗೆ ಮಾದರಿಯನ್ನು ನೀಡುತ್ತದೆ ಏಕೆಂದರೆ ಇದು ನಿಮ್ಮ ಕೋಡ್, ಅದರ output ಮತ್ತು ನಿಮ್ಮ ಆಲೋಚನೆಗಳನ್ನು Markdown ನಲ್ಲಿ ಬರೆಯುವ ಮೂಲಕ ಸಂಯೋಜಿಸಲು ಅನುಮತಿಸುತ್ತದೆ. ಇತರ output ರೂಪಗಳಲ್ಲಿ PDF, HTML ಅಥವಾ Word ಗೆ R Markdown ಡಾಕ್ಯುಮೆಂಟುಗಳನ್ನು ರೆಂಡರ್ ಮಾಡಬಹುದು.

ಕ್ವಿಜ್ ಗಳ ಬಗ್ಗೆ ಟಿಪ್: ಎಲ್ಲಾ ಕ್ವಿಜ್‌ಗಳು quiz-app ಫೋಲ್ಡರ್ ನಲ್ಲಿ ಇರುವವು, ಒಟ್ಟು 52 ಕ್ವಿಜ್‌ಗಳು ಮತ್ತು ಪ್ರತಿ ಒಂದರಲ್ಲಿ ಮೂರು ಪ್ರಶ್ನೆಗಳು ಇವೆ. ಅವು ಪಾಠಗಳಲ್ಲಿ ಲಿಂಕ್ ಆಗಿವೆ ಆದರೆ ಕ್ವಿಜ್ ಆಪ್ ಅನ್ನು ಸ್ಥಳೀಯವಾಗಿ ಓಡಿಸಬಹುದಾಗಿದೆ; ಸ್ಥಳೀಯವಾಗಿ ಹೋಸ್ಟ್ ಮಾಡುವ ಅಥವಾ Azure ಗೆ ಡಿಪ್ಲಾಯ್ ಮಾಡಲು quiz-app ಫೋಲ್ಡರ್‌ನಲ್ಲಿನ ಸೂಚನೆಗಳನ್ನು ಅನುಸರಿಸಿ.

ಪಾಠ ಸಂಖ್ಯೆ	ವಿಷಯ	ಪಾಠ ಗುಂಪು	ಅಧ್ಯಯನ ಉದ್ದೇಶಗಳು	ಲಿಂಕ್ ಮಾಡಿದ ಪಾಠ	ಲೇಖಕ
01	ಯಂತ್ರ ಅಧ್ಯಯನಕ್ಕೆ ಪರಿಚಯ	ಪರಿಚಯ	ಯಂತ್ರ ಅಧ್ಯಯನದ ಮೂಲಭೂತ ತತ್ವಗಳನ್ನು ತಿಳಿಯಿರಿ	ಪಾಠ	Muhammad
02	ಯಂತ್ರ ಅಧ್ಯಯನದ ಇತಿಹಾಸ	ಪರಿಚಯ	ಈ ಕ್ಷೇತ್ರದ ಮೂಲಭೂತ ಇತಿಹಾಸವನ್ನು ತಿಳಿಯಿರಿ	ಪಾಠ	Jen and Amy
03	ನ್ಯಾಯತೆ ಮತ್ತು ಯಂತ್ರ ಅಧ್ಯಯನ	ಪರಿಚಯ	ಯಂತ್ರ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸುವಾಗ ಮತ್ತು ಬಳಸುವಾಗ ವಿದ್ಯಾರ್ಥಿಗಳು ನ್ಯಾಯತೆಯನ್ನು ಕುರಿತು ಪರಿಗಣಿಸಬೇಕಾದ ಪ್ರಮುಖ ತತ್ತ್ವಶಾಸ್ತ್ರೀಯ ವಿಷಯಗಳು ಯಾವುವು?	ಪಾಠ	Tomomi
04	ಯಂತ್ರ ಅಧ್ಯಯನ ತಂತ್ರಗಳು	ಪರಿಚಯ	ಯಂತ್ರ ಅಧ್ಯಯನ ಸಂಶೋಧಕರು ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲು ಯಾವ ತಂತ್ರಗಳನ್ನು ಬಳಸುತ್ತಾರೆ?	ಪಾಠ	Chris and Jen
05	ರಿಗ್ರೆಶನ್ ಗೆ ಪರಿಚಯ	Regression	Python ಮತ್ತು Scikit-learn ಬಳಸಿ ರಿಗ್ರೆಶನ್ ಮಾದರಿಗಳೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸಿ	Python • R	Jen • Eric Wanjau
06	ಉತ್ತರ ಅಮೇರಿಕಾದ ಕುಂಭಳಕಾಯಿ ಬೆಲೆಗಳು 🎃	Regression	ಯಂತ್ರ ಅಧ್ಯಯನಕ್ಕಾಗಿ ತಯಾರಿಯಲ್ಲಿ ಡೇಟಾವನ್ನು ದೃಶ್ಯೀಕರಿಸಿ ಮತ್ತು ಶುದ್ಧಗೊಳಿಸಿ	Python • R	Jen • Eric Wanjau
07	ಉತ್ತರ ಅಮೇರಿಕಾದ ಕುಂಭಳಕಾಯಿ ಬೆಲೆಗಳು 🎃	Regression	ಲೇಖೀಯ ಮತ್ತು ಬಹುಪದ ರಿಗ್ರೆಶನ್ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಿ	Python • R	Jen and Dmitry • Eric Wanjau
08	ಉತ್ತರ ಅಮೇರಿಕಾದ ಕುಂಭಳಕಾಯಿ ಬೆಲೆಗಳು 🎃	Regression	ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಶನ್ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಿ	Python • R	Jen • Eric Wanjau
09	ವೆಬ್ ಆಪ್ 🔌	Web App	ತರಬೇತಿ ಪಡೆಯಲಾದ ನಿಮ್ಮ ಮಾದರಿಯನ್ನು ಬಳಸಲು ಒಂದು ವೆಬ್ ಆಪ್ ನಿರ್ಮಿಸಿ	Python	Jen
10	ವರ್ಗೀಕರಣಕ್ಕೆ ಪರಿಚಯ	Classification	ಡೇಟಾವನ್ನು ಶುದ್ಧಗೊಳಿಸಿ, ಸಿದ್ಧಪಡಿಸಿ ಮತ್ತು ದೃಶ್ಯೀಕರಿಸಿ; ವರ್ಗೀಕರಣಕ್ಕೆ ಪರಿಚಯ	Python • R	Jen and Cassie • Eric Wanjau
11	ರುಚಿಕರ ಏಷ್ಯನ್ ಮತ್ತು ಭಾರತೀಯ ಅಡುಗೆಗಳು 🍜	Classification	ವರ್ಗೀಕರಣಗಳ ಪರಿಚಯ	Python • R	Jen and Cassie • Eric Wanjau
12	ರುಚಿಕರ ಏಷ್ಯನ್ ಮತ್ತು ಭಾರತೀಯ ಅಡುಗೆಗಳು 🍜	Classification	ಇನ್ನಷ್ಟು ವರ್ಗೀಕರಣಗಳು	Python • R	Jen and Cassie • Eric Wanjau
13	ರುಚಿಕರ ಏಷ್ಯನ್ ಮತ್ತು ಭಾರತೀಯ ಅಡುಗೆಗಳು 🍜	Classification	ನಿಮ್ಮ ಮಾದರಿಯನ್ನು ಉಪಯೋಗಿಸಿ ಒಂದು ಶಿಫಾರಸು ಮಾಡುವ ವೆಬ್ ಆಪ್ ನಿರ್ಮಿಸಿ	Python	Jen
14	ಕ್ಲಸ್ಟರಿಂಗ್ ಗೆ ಪರಿಚಯ	Clustering	ಡೇಟಾವನ್ನು ಶುದ್ಧಗೊಳಿಸಿ, ಸಿದ್ಧಪಡಿಸಿ ಮತ್ತು ದೃಶ್ಯೀಕರಿಸಿ; ಕ್ಲಸ್ಟರಿಂಗ್ ಗೆ ಪರಿಚಯ	Python • R	Jen • Eric Wanjau
15	ನೈಜೀರಿಯನ್ ಸಂಗೀತ ರುಚಿಗಳನ್ನು ಅನ್ವೇಷಣೆ 🎧	Clustering	K-Means ಕ್ಲಸ್ಟರಿಂಗ್ ವಿಧಾನವನ್ನು ಅನ್ವೇಷಿಸಿ	Python • R	Jen • Eric Wanjau
16	ಸ್ವಾಭಾವಿಕ ಭಾಷೆ ಸಂಸ್ಕರಣಕ್ಕೆ ಪರಿಚಯ ☕️	Natural language processing	ಸರಳ ಬಾಟ್ ಅನ್ನು ನಿರ್ಮಿಸುವ ಮೂಲಕ NLP ಬಗ್ಗೆ ಮೂಲಭೂತಗಳನ್ನು ಕಲಿಯಿರಿ	Python	Stephen
17	ಸಾಮಾನ್ಯ NLP ಕಾರ್ಯಗಳು ☕️	Natural language processing	ಭಾಷಾ ರಚನೆಗಳೊಂದಿಗೆ ವ್ಯವಹರಿಸುವಾಗ ಬೇಕಾದ ಸಾಮಾನ್ಯ ಕಾರ್ಯಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಂಡು ನಿಮ್ಮ NLP ಜ್ಞಾನವನ್ನು ಗಾಢಗೊಳಿಸಿಕೊಳ್ಳಿ	Python	Stephen
18	ಭಾಷಾಂತರ ಮತ್ತು ಭಾವನಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆ ♥️	Natural language processing	Jane Austen ಅವರೊಂದಿಗೆ ಭಾಷಾಂತರ ಮತ್ತು ಭಾವನಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆ	Python	Stephen
19	ಯುರೋಪಿನ ರೋಮ್ಯಾಂಟಿಕ್ ಹೋಟೆಲ್ಗಳು ♥️	Natural language processing	ಹೋಟೆಲ್ ವಿಮರ್ಶೆಗಳೊಂದಿಗೆ ಭಾವನಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆ 1	Python	Stephen
20	ಯುರೋಪಿನ ರೋಮ್ಯಾಂಟಿಕ್ ಹೋಟೆಲ್ಗಳು ♥️	Natural language processing	ಹೋಟೆಲ್ ವಿಮರ್ಶೆಗಳೊಂದಿಗೆ ಭಾವನಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆ 2	Python	Stephen
21	ಕಾಲಾನುಗತ ಸರಣಿ ಭವಿಷ್ಯವಾಣಿಗೆ ಪರಿಚಯ	Time series	ಕಾಲಾನುಗತ ಸರಣಿಗಳ ಭವಿಷ್ಯವಾಣಿ ಪರಿಚಯ	Python	Francesca
22	⚡️ World Power Usage ⚡️ - ARIMAನೊಂದಿಗೆ ಸಮಯ ಸರಣಿ ಭವಿಷ್ಯವಾಣಿ	Time series	ARIMA ಬಳಸಿ ಸಮಯ ಸರಣಿ ಭವಿಷ್ಯವಾಣಿ	Python	Francesca
23	⚡️ World Power Usage ⚡️ - SVR ನೊಂದಿಗೆ ಸಮಯ ಸರಣಿ ಭವಿಷ್ಯವಾಣಿ	Time series	Support Vector Regressor ಬಳಸಿ ಸಮಯ ಸರಣಿ ಭವಿಷ್ಯವಾಣಿ	Python	Anirban
24	ರೀಇನ್ಫೋರ್ಸ್ಮೆಂಟ್ ಲರ್ನಿಂಗ್ ಗೆ ಪರಿಚಯ	Reinforcement learning	Q-Learning ಬಳಸಿ ರೀಇನ್ಫೋರ್ಸ್ಮೆಂಟ್ ಲರ್ನಿಂಗ್ ಗೆ ಪರಿಚಯ	Python	Dmitry
25	ಪೀಟರ್ ಅನ್ನು ನರಿ ತಪ್ಪಿಸಲು ಸಹಾಯಿಸಿ! 🐺	Reinforcement learning	ರೀಇನ್ಫೋರ್ಸ್ಮೆಂಟ್ ಲರ್ನಿಂಗ್ Gym	Python	Dmitry
Postscript	ವಾಸ್ತವಿಕ ಜಗತ್ತಿನ ML ಸನ್ನಿವೇಶಗಳು ಮತ್ತು ಅನ್ವಯಿಕೆಗಳು	ML in the Wild	ಸಾಂಪ್ರದಾಯಿಕ ML ನ ರೋಚಕ ಮತ್ತು ಬಹಿರಂಗವಾಗಿಸುವ ವಾಸ್ತವಿಕ ಜಗತ್ತಿನ ಅನ್ವಯಿಕೆಗಳು	ಪಾಠ	Team
Postscript	RAI ಡ್ಯಾಶ್‌ಬೋರ್ಡ್ ಬಳಸಿ ML ನಲ್ಲಿ ಮಾದರಿ ಡಿಬಗಿಂಗ್	ML in the Wild	RAI ಡ್ಯಾಶ್‌ಬೋರ್ಡ್ ಘಟಕಗಳನ್ನು ಬಳಸಿ ಯಂತ್ರ ಅಧ್ಯಯನದಲ್ಲಿ ಮಾದರಿ ಡಿಬಗಿಂಗ್	ಪಾಠ	Ruth Yakubu

ಈ ಕೋರ್ಸಿನ ಎಲ್ಲಾ ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಮ್ಮ Microsoft Learn ಸಂಗ್ರಹದಲ್ಲಿ ಕಂಡುಹಿಡಿಯಿರಿ

ಆಫ್‌ಲೈನ್ ಪ್ರವೇಶ

ನೀವು Docsify ಬಳಸಿಕೊಂಡು ಈ ಡಾಕ್ಯುಮೆಂಟೇಶನನ್ನು ಆಫ್‌ಲೈನ್‌ನಲ್ಲಿ ಚಾಲನೆ ಮಾಡಬಹುದು. ಈ ರೆಪೋವನ್ನು ಫೋರ್ಕ್ ಮಾಡಿ, ನಿಮ್ಮ ಸ್ಥಳೀಯ ಯಂತ್ರದಲ್ಲಿ Docsify ಅನ್ನು ಇನ್‌ಸ್ಟಾಲ್ ಮಾಡಿ, ಮತ್ತು ನಂತರ ಈ ರೆಪೋನ ರೂಟ್ ಫೋಲ್ಡರ್‌ನಲ್ಲಿ docsify serve ಎಂದು ಟೈಪ್ ಮಾಡಿ. ವೆಬ್‌ಸೈಟ್ ನಿಮ್ಮ ಲೋಕಲ್‌ಹೋಸ್ಟ್‌ನಲ್ಲಿ ಪೋರ್ಟ್ 3000 ಮೇಲೆ ಸರ್ವ್ ಆಗುತ್ತದೆ: localhost:3000.

PDF ಗಳು

ಲಿಂಕುಗಳೊಂದಿಗೆ ಪಠ್ಯಕ್ರಮದ PDF ಅನ್ನು ಇಲ್ಲಿ ಕಂಡುಹಿಡಿಯಿರಿ。

🎒 ಇತರೆ ಕೋರ್ಸ್‌ಗಳು

ನಮ್ಮ ತಂಡ ಇತರ ಕೋರ್ಸ್‌ಗಳನ್ನು ರಚಿಸುತ್ತದೆ! ಪರಿಶೀಲಿಸಿ:

LangChain

---

Azure / Edge / MCP / Agents

---

ಜನರೇಟಿವ್ AI ಸರಣಿ

---

ಮೂಲಭೂತ ಕಲಿಕೆ

---

Copilot ಸರಣಿ

ಸಹಾಯ ಪಡೆಯುವುದು

ನೀವು AI ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ನಿರ್ಮಿಸುವಾಗ ಅಡ್ಡಿಗಿಂತ ಬಿದ್ದಿದ್ದರೆ ಅಥವಾ ಯಾವುದೇ ಪ್ರಶ್ನೆಗಳಿದ್ದರೆ. MCP ಕುರಿತು ಚರ್ಚೆಗಳಲ್ಲಿ ಇತರೆ ಕಲಿಯುವವರು ಮತ್ತು ಅನುಭವಿಯಾದ ಡೆವಲಪರ್‌ಗಳ ಜೊತೆಗೆ ಸೇರಿ. ಪ್ರಶ್ನೆಗಳಿಗೆ ಸ್ವಾಗತ ಇರುವುದು ಮತ್ತು ಜ್ಞಾನವನ್ನು ಮುಕ್ತವಾಗಿ ಹಂಚಿಕೊಳ್ಳುವ ಬೆಂಬಲಾತ್ಮಕ ಸಮುದಾಯ ಇದಾಗಿದೆ.

ನೀವು ನಿರ್ಮಿಸುವಾಗ ಉತ್ಪನ್ನ ಫೀಡ್‌ಬ್ಯಾಕ್ ಅಥವಾ ದೋಷಗಳಿದ್ದರೆ, ದಯವಿಟ್ಟು ಭೇಟಿಮಾಡಿ:

---

ನಿರಾಕರಣೆ: ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ Co‑op Translator (https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಲು ಪ್ರಯತ್ನಿಸಿದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸ್ಪಷ್ಟತೆಗಳಿರಬಹುದೆಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿನ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಗ್ರಹಣೆಗಳು ಅಥವಾ ತಪ್ಪಾದ ವ್ಯಾಖ್ಯಾನಗಳಿಗಾಗಿ ನಾವು ಹೊಣೆಗಾರರಲ್ಲ.