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 | Khmer | 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
സ്ഥലീയമായി ക്ലോൺ ചെയ്യാൻ ഇഷ്ടമുണ്ടോ?
ഈ റിപോസിറ്ററിയിൽ 50-ലധികം ഭാഷാ വിവർത്തനങ്ങൾ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്, ഇത് ഡൗൺലോഡിന്റെ വലുപ്പം അതിശയകരമായി വർദ്ധിപ്പിക്കുന്നു. വിവർത്തനങ്ങൾ ഇല്ലാതെ ക്ലോൺ ചെയ്യാൻ sparse checkout ഉപയോഗിക്കുക:
Bash / macOS / Linux:
git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git cd ML-For-Beginners git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'CMD (Windows):
git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git cd ML-For-Beginners git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"ഇത് നിങ്ങളുടെ കോഴ്സ് പൂര്ത്തിയാക്കാന് ആവശ്യമുള്ള എല്ലാം അതിവേഗത്തിൽ ഡൗൺലോഡ് ചെയ്യാൻ സഹായിക്കും.
നമുക്ക് ഒരു ഡിസ്കോർഡ് ലേൺ വിഥ AI സീരീസ് ആരംഭിച്ചിട്ടുണ്ട്, കൂടുതൽ അറിയാനും ഞങ്ങളോടൊപ്പം ചേരാനും Learn with AI Series സന്ദർശിക്കുക, 2025 സെപ്റ്റംബർ 18 - 30 തിയതികൾക്കിടയിൽ. GitHub Copilot ഡാറ്റാ സയൻസിനായി ഉപയോഗിക്കുന്നതിനുള്ള ടിപ്സും ട്രിക്കുകളും നിങ്ങൾക്ക് ലഭിക്കും.
🌍 ലോക സംസ്കാരങ്ങളിലൂടെ മെഷീൻ ലേണിംഗ് പഠിക്കുന്നതിനുള്ള ലോകയാത്ര 🌍
Microsoftൽ ക്ലൗഡ് അവകാശവാദകർ Machine Learning എന്ന വിഷയത്തിൽ 12 ആഴ്ചകളുള്ള, 26 പാഠങ്ങളുള്ള പാഠ്യപദ്ധതി ഒരുക്കിയിട്ടുണ്ട്. ഈ പാഠ്യപദ്ധതിയിൽ, പ്രാഥമികമായി Scikit-learn ലൈബ്രറി ഉപയോഗിച്ചുള്ള ക്ലാസിക് മെഷീൻ ലേണിംഗ്യെക്കുറിച്ച് നിങ്ങൾ പഠിക്കും, ഡീപ് ലേണിംഗ് ഒഴിവാക്കി, അത് നമ്മുടെ AI for Beginners' curriculum ൽ ഉൾക്കൊള്ളിച്ചിട്ടുണ്ട്. ഈ പാഠങ്ങൾ നമ്മുടെ 'Data Science for Beginners' curriculum യോടൊപ്പം കൂടിയാൽ കൂടുതൽ ഫലപ്രദമാണ്.
ലോകത്തെ വിവിധ ഭാഗങ്ങളിൽ നിന്നുള്ള ഡാറ്റ ഉപയോഗിച്ച് ഈ ക്ലാസിക് സാങ്കേതിക വിദ്യകൾ പ്രയോഗിക്കാനായി നമ്മളൊപ്പം യാത്ര ചെയ്യുക. ഓരോ പാഠത്തിനും മുൻകരുതൽ, പാഠാനന്തര ക്വിസുകൾ, പാഠം പൂർത്തിയാക്കുന്നതിനുള്ള എഴുതിയ നിർദ്ദേശങ്ങൾ, പരിഹാരം, അഭ്യാസങ്ങൾ എന്നിവ ഉൾപ്പെട്ടിരിക്കുന്നു. നമ്മുടെ പ്രോജക്റ്റ്-കേന്ദ്രീയപരമായ അധ്യയനശൈലി പുതിയ കഴിവുകൾ ഉറപ്പിക്കുന്നതിന് കൂടുതൽ ഫലപ്രദമാണ്.
✍️ ഞങ്ങളുടെ രചയിതാക്കൾക്ക് ഹൃദയപുരവ്വം നന്ദി Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd
🎨 ചിത്രകാരർക്കും നന്ദി Tomomi Imura, Dasani Madipalli, and Jen Looper
🙏 പ്രത്യേക നന്ദി Microsoft Student Ambassador രചയിതാക്കൾ, റിവ്യൂവർസ്, ഉള്ളടക്ക സംഭാവകർ തുടങ്ങി Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, Snigdha Agarwal എന്നിവർക്കും
🤩 R പാഠങ്ങൾക്ക് പ്രത്യേക നന്ദി Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, Vidushi Gupta
ഈ ചുവടുകൾ പിന്തുടരുക:
- റിപ്പോസിറ്ററി ഫോർക്കുചെയ്യുക: ഈ പേജിന്റെ മുകളിൽ വലതുവശത്ത് "Fork" ബട്ടൺ ക്ലിക്കുചെയ്യുക.
- റിപ്പോസിറ്ററി ക്ലോൺ ചെയ്യുക:
git clone https://github.com/microsoft/ML-For-Beginners.git
ഈ കോഴ്സിനുള്ള എല്ലാ സാമഗ്രികളും Microsoft Learn ശേഖരത്തിൽ കണ്ടെത്തുക
🔧 സഹായം വേണോ? ഇൻസ്റ്റാളേഷൻ, സജ്ജീകരണം, പാഠങ്ങൾ പ്രവർത്തിപ്പിക്കൽ സംബന്ധിച്ച സാധാരണ പ്രശ്നങ്ങൾക്ക് Troubleshooting Guide പരിശോധിക്കുക.
വിദ്യാർത്ഥികൾ, ഈ പാഠ്യപദ്ധതി ഉപയോഗിക്കാൻ, റിപോയെ നിങ്ങളുടെ സ്വന്തം GitHub അക്കൗണ്ടിലേക്ക് ഫോർക്കുചെയ്തു നിർവഹിക്കുകയും ആ വ്യായാമങ്ങൾ തനിക്കോ കൂട്ടായ്മയോടോ ചെയ്യുക:
- പ്രി-ലെക്ചർ ക്വിസ് ആരംഭിക്കുക.
- ലക്ചർ വായിച്ച് പ്രവർത്തനങ്ങൾ പൂർത്തിയാക്കുക, ഓരോ അറിവ് പരിശോധനയിൽ നിർത്തി ആലോചിക്കുക.
- പരിഹാരകോഡ് പ്രവർത്തിപ്പിക്കുന്നതിന് പകരം പാഠങ്ങൾ മനസ്സിലാക്കി പ്രോജക്റ്റുകൾ സൃഷ്ടിക്കാൻ ശ്രമിക്കുക; അനായാസം
/solutionഫോൾഡറുകളിൽ പരിഹാരകോഡ് ലഭ്യമാണ്. - പോസ്റ്റ്-ലെക്ചർ ക്വിസ് പൂർത്തിയാക്കുക.
- ചലഞ്ച് പൂർത്തിയാക്കുക.
- അസൈൻമെന്റ് പൂർത്തിയാക്കുക.
- ഒരു പാഠ്യ ഗ്രൂപ്പ് പൂർത്തിയാക്കിയ ശേഷം Discussion Board സന്ദർശിച്ച് അനുയോജ്യമായ PAT റൂബ്രിക് പൂരിപ്പിച്ച് "ഉച്ചരിച്ച് പഠിക്കുക". 'PAT' അഥവാ Progress Assessment Tool നിങ്ങളുടെ പഠനം മുന്നോട്ട് നയിക്കാൻ ഒരു റൂബ്രിക്ക് ആണ്. മറ്റു PAT-കൾക്കും പ്രതികരിക്കാം, ഒന്നിച്ച് പഠിക്കാം.
കൂടുതൽ പഠനത്തിന്, ഈ Microsoft Learn മോഡ്യൂളുകളും പഠനപഥങ്ങളും പാലിക്കാൻ ശുപാർശ ചെയ്യുന്നു.
അധ്യാപകർ, ഈ പാഠ്യപദ്ധതി എങ്ങനെ ഉപയോഗിക്കാമെന്ന് കുറച്ചു നിർദ്ദേശങ്ങൾ ഇവിടെ നൽകപ്പെട്ടിരിക്കുന്നു.
ചില പാഠങ്ങൾ ചെറു വീഡിയോകളായിരിക്കാം ലഭ്യമാകുന്നത്. ഇതെല്ലാം പാഠങ്ങളിലേക്ക് നേരിട്ട് ഉൾപ്പെടുത്തിയിട്ടുണ്ട്, അല്ലെങ്കിൽ ML for Beginners പ്ലേലിസ്റ്റ് Microsoft Developer YouTube ചാനലിൽ താഴെ കാണുന്ന ചിത്രത്തിൽ ക്ലിക്ക് ചെയ്ത് കാണാം.
Gif നിർമ്മിച്ചത് Mohit Jaisal
🎥 പ്രോജക്ടും സൃഷ്ടിച്ച ആളുകളുടെയും കുറിച്ച് വീഡിയോ കാണാൻ ഉളള ചിത്രം ക്ലിക്ക് ചെയ്യുക!
ഈ പാഠ്യപദ്ധതിയിൽ, പ്രായോഗികവും പ്രോജക്റ്റ് അധിഷ്ഠിതവുമായ ബോധ്യങ്ങൾ ഉൾക്കൊള്ളിക്കുകയും, പെരുമാറുകൾ കൂടിയുള്ള ക്വിസുകൾ ഉൾപ്പെടുത്തിയിരിക്കുകയും ചെയ്തിരിക്കുന്നു. കൂടാതെ, ഈ പാഠ്യപദ്ധതി ഒരേ ഒരു തീമയും ഉൾക്കൊള്ളുന്നു, ഇത് ഐക്യ감을 നൽകുന്നു.
വിഷയം പ്രോജക്റ്റുകളുമായി പൊരുത്തപ്പെടുന്നുണ്ടോയെന്ന് ഉറപ്പാക്കുകയും, ഇത് വിദ്യാർത്ഥികളുടെ താൽപര്യവും ഓർമ്മതൽ ശക്തിപ്പെടുത്തുകയും ചെയ്യും. ക്ലാസിനു മുൻപ് കുറഞ്ഞദ്രോഹം ഉള്ള ക്വിസ് വിദ്യാർത്ഥിയുടെ കഠിനാധ്വാന ലക്ഷ്യം സജ്ജമാക്കുകയും, ക്ലാസ് ശേഷം രണ്ടാം ക്വിസ് അറിവിന്റെ ദൈർഘ്യം ഉറപ്പുവരുത്തുകയും ചെയ്യുന്നു. ഈ പാഠ്യപദ്ധതി നമ്രവും രസകരവുമായ കോഴ്സ് ആക്കാൻ രൂപകൽപ്പന ചെയ്തിട്ടുണ്ട്, മുഴുവനും അല്ലെങ്കിൽ ഭാഗികമായി പഠിക്കാവുന്നതാണ്. പ്രോജക്റ്റുകൾ ആരംഭത്തിൽ ലഘുവായിരിക്കും, 12 ആഴ്ചയുടെ അവസാനത്തോടെ കൂടുതൽ സങ്കീർണമാകും. ഈ പാഠ്യപദ്ധതിയിൽ ML ന്റെ യഥാർത്ഥ ജീവിത പ്രയോഗങ്ങളെ കുറിച്ചുള്ള ഒരു അനുബന്ധ കുറിപ്പ് ഉൾപ്പെടുത്തിയിട്ടുണ്ട്, അധിക ക്രഡിറ്റ് അല്ലെങ്കിൽ ചര്ച്ചയ്ക്ക് അടിസ്ഥാനമായി ഉപയോഗിക്കാവുന്ന വിധം.
ഞങ്ങളുടെ Code of Conduct, Contributing, Translations, Troubleshooting മാർഗ്ഗനിർദ്ദേശങ്ങൾ കണ്ടെത്തുക. നിങ്ങളുടെ നിർമാണാത്മക ഫീഡ്ബാക്ക് ഞങ്ങൾ സ്വാഗതം ചെയ്യുന്നു!
- ഓപ്ഷണൽ സ്കെച്ച്നോട്ട്
- ഓപ്ഷണൽ സഹായക വീഡിയോ
- വീഡിയോ വഴികാട്ടി (ചില പാഠങ്ങൾക്കാണ് മാത്രം)
- പ്രീ-ലെക്ചർ വാം-അപ്പ് ക്വിസ്
- എഴുതിയ പാഠം
- പ്രോജക്റ്റ് അധിഷ്ഠിത പാഠങ്ങൾക്കായി പ്രോജക്റ്റ് നിർമ്മിക്കുന്നതിനുള്ള വിശദമായ മാർഗ്ഗനിർദ്ദേശങ്ങൾ
- അറിവ് പരിശോധനകൾ
- ഒരു ചലഞ്ച്
- സഹായക വായന
- അസൈൻമെന്റ്
- പോസ്റ്റ്-ലെക്ചർ ക്വിസ്
ഭാഷകളെക്കുറിച്ചുള്ള ഒരു കുറിപ്പ്: ഈ പാഠങ്ങൾ പ്രധാനമായും Python-ൽ എഴുതിയതാണ്, എന്നാൽ പലതും R-ലും ലഭ്യമാണ്. ഒരു R പാഠം പൂർത്തിയാക്കാൻ,
/solutionഫോൾഡറിലേയ്ക്ക് പോയി R പാഠങ്ങൾ കണ്ടെത്തുക. അവയ്ക്ക് R Markdown ഫയൽ പ്രതീകം നൽകുന്ന .rmd വിപുലീകരണമുണ്ട്, അത്code chunks(R അല്ലെങ്കിൽ മറ്റു ഭാഷകളുടെ)യുംYAML header(PDF പോലുള്ള ഔട്ട്പുട്ടുകൾ എങ്ങനെ ഫോർമാറ്റ് ചെയ്യാമെന്നതാണ്) അടങ്ങിയMarkdown document-നിൽ ചേർക്കലായി എളുപ്പത്തിൽ വ്യാഖ്യാനിക്കാം. അതിനാൽ, ഇത് ഡാറ്റ സയൻസിനൊരുപരി അദ്ദേഹത്തിലെ മികച്ച രചനാ ഫ്രെയിംവർക്ക് ആയി പ്രവർത്തിക്കുന്നു, കാരണം ഇത് കോഡ്, അതിന്റെ ഔട്ട്പുട്ട്, നിങ്ങളുടെ ചിന്തകൾ എന്നിവയെ Markdown-ൽ എഴുതാനാക്കും. കൂടാതെ, R Markdown ഡോക്യുമെന്റുകൾ PDF, HTML, അല്ലെങ്കിൽ Word പോലുള്ള ഔട്ട്പുട്ട് ഫോർമാറ്റുകളായി റൻഡർ ചെയ്യാൻ കഴിയും.
ക്വിസുകളെക്കുറിച്ചുള്ള കുറിപ്പ്: എല്ലാ ക്വിസുകളും Quiz App ഫോൾഡർ-നുള്ളിൽ അടങ്ങിയിരിക്കുന്നു, ഓരോന്നിലും മൂന്ന് ചോദ്യങ്ങളുള്ള 52 ക്വിസുകളുണ്ടു. അവ പാഠങ്ങളിൽ നിന്നു കേൾക്കാനാകാം, പക്ഷേ ക്വിസ് ആപ്പ് ലോക്കലായി ഓടിക്കാൻ കഴിയും; ലോക്കൽ ഹോസ്റ്റ് ചെയ്യുക അല്ലെങ്കിൽ Azure-യിലേക്ക് ഡിപ്ലോയ് ചെയ്യാൻ
quiz-appഫോൾഡറിലെയും നിർദ്ദേശങ്ങൾ പിന്തുടരുക.
| പാഠ നമ്പർ | വിഷയം | പാഠ ഗ്രൂപ്പിംഗ് | പഠന ലക്ഷ്യങ്ങൾ | ലിങ്കുചെയ്ത പാഠം | രചയിതാവ് |
|---|---|---|---|---|---|
| 01 | മെഷീൻ ലേണിങ്ങിലേക്ക് പരിചയം | പരിചയം | മെഷീൻ ലേണിങ്ങിന്റെ അടിസ്ഥാന ധാരണകൾ പഠിക്കുക | പാഠം | മുഹമ്മദ് |
| 02 | മെഷീൻ ലേണിങ്ങിന്റെ ചരിത്രം | പരിചയം | ഈ മേഖലയെ അടിസ്ഥാനമാക്കി ചരിത്രം പഠിക്കുക | പാഠം | ജേൻ ആന്റ് എമി |
| 03 | ഫെയർനെസ്സ് ആൻഡ് മെഷീൻ ലേണിങ് | പരിചയം | ഫെയർനെസ്സുമായി ബന്ധപ്പെട്ട പ്രധാന തത്വചിന്തകളും, ML മോഡലുകൾ നിർമ്മിക്കുമ്പോൾ പരിഗണിക്കേണ്ടതെന്താണ് എന്നതു പഠിക്കുക | പാഠം | ടോമോമി |
| 04 | മെഷീൻ ലേണിങ്ങിനുള്ള സാങ്കേതികങ്ങൾ | പരിചയം | ML ഗവേഷകർ ML മോഡലുകൾ നിർമ്മിക്കുമ്പോൾ ഉപയോഗിക്കുന്ന സാങ്കേതിക വിദ്യകൾ എല്ലാം പഠിക്കുക | പാഠം | ക്രിസ് ആൻഡ് ജേൻ |
| 05 | റെഗ്രഷനിലേക്കുള്ള പരിചയം | റെഗ്രഷൻ | റെഗ്രഷൻ മോഡലുകൾക്കായി Python-ഉം Scikit-learn-ഉം ഉപയോഗിച്ച് തുടങ്ങുക | Python • R | ജേൻ • എറിക്ക് വൻജാവ് |
| 06 | നോർത്ത് അമേരിക്കൻ കൂർത്തക്കറിയുടെ വിലകൾ 🎃 | റെഗ്രഷൻ | ML-ക്കായി ഡാറ്റ വിസუალൈസാനും ക്ലീൻ ചെയ്യാനും പഠിക്കുക | Python • R | ജേൻ • എറിക്ക് വൻജാവ് |
| 07 | നോർത്ത് അമേരിക്കൻ കൂർത്തക്കറിയുടെ വിലകൾ 🎃 | റെഗ്രഷൻ | ലീനിയർ, പോളിനോമിയൽ റെഗ്രഷൻ മോഡലുകൾ നിർമ്മിക്കുക | Python • R | ജേൻ ആൻഡ് ഡിമിത്രി • എറിക്ക് വൻജാവ് |
| 08 | നോർത്ത് അമേരിക്കൻ കൂർത്തക്കറിയുടെ വിലകൾ 🎃 | റെഗ്രഷൻ | ലൊജിസ്റ്റിക് റെഗ്രഷൻ മോഡൽ നിർമ്മിക്കുക | Python • R | ജേൻ • എറിക്ക് വൻജാവ് |
| 09 | ഒരു വെബ് ആപ്പ് 🔌 | Web App | പരിശീലിപ്പിച്ച മോഡൽ ഉപയോഗിച്ച് വെബ് ആപ് നിർമിക്കുക | Python | ജേൻ |
| 10 | ക്ലാസിഫിക്കേഷനിലേക്കുള്ള പരിചയം | Classification | നിങ്ങളുടെ ഡാറ്റ ക്ലീൻ ചെയ്യുകയും തയ്യാറാക്കുകയും വിസ്വലൈസ് ചെയ്യുകയും ചെയ്യുക; ക്ലാസിഫിക്കേഷന്റെ അടിസ്ഥാനങ്ങൾ | Python • R | ജേൻ ആൻഡ് കാസി • എറിക്ക് വൻജാവ് |
| 11 | സ്വാദിഷ്ട ഏഷ്യൻ, ഇന്ത്യൻ ഭക്ഷണങ്ങൾ 🍜 | Classification | ക്ലാസിഫയേഴ്സിന്റെ പരിചയം | Python • R | ജേൻ ആൻഡ് കാസി • എറിക്ക് വൻജാവ് |
| 12 | സ്വാദിഷ്ട ഏഷ്യൻ, ഇന്ത്യൻ ഭക്ഷണങ്ങൾ 🍜 | Classification | കൂടുതൽ ക്ലാസിഫയേഴ്സ് | Python • R | ജേൻ ആൻഡ് കാസി • എറിക്ക് വൻജാവ് |
| 13 | സ്വാദിഷ്ട ഏഷ്യൻ, ഇന്ത്യൻ ഭക്ഷണങ്ങൾ 🍜 | Classification | നിങ്ങളുടെ മോഡൽ ഉപയോഗിച്ച് ഒരു ശിപാർശ വെബ് ആപ്പ് നിർമ്മിക്കുക | Python | ജേൻ |
| 14 | ക്ലസ്റ്ററിങ്ങിലേക്ക് പരിചയം | Clustering | ഡാറ്റ ക്ലീൻ ചെയ്യുക, ഒരുക്കുക, വിസ്വലൈസ് ചെയ്യുക; ക്ലസ്റ്ററിംഗിന്റെ പരിചയം | Python • R | ജേൻ • എറിക്ക് വൻജാവ് |
| 15 | നൈജീരിയൻ മ്യൂസിക്കൽ രുചികൾ പഠിക്കൽ 🎧 | Clustering | K- മീൻസ് ക്ലസ്റ്ററിങ് രീതിയെ അനുഭവപ്പെടുക | Python • R | ജേൻ • എറിക്ക് വൻജാവ് |
| 16 | നാചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിങ്ങിലേക്ക് പരിചയം ☕️ | Natural language processing | ലളിതമായ ഒരു ബോട്ട് നിർമ്മിച്ചുകൊണ്ട് NLPയുടെ അടിസ്ഥാനങ്ങൾ പഠിക്കുക | Python | സ്റ്റെഫൻ |
| 17 | സാധാരണ NLP ടാസ്ക്കുകൾ ☕️ | Natural language processing | ഭാഷാസംരചനകളെ ഇടപെടുമ്പോൾ ആവശ്യമായ സാധാരണ ടാസ്ക്കുകൾ മനസ്സിലാക്കി NLP അറിവ് കൂടുതൽ വളർത്തുക | Python | സ്റ്റെഫൻ |
| 18 | വിവർത്തനവും സენტിമെന്റ് അനലിസിസും |
Natural language processing | Jane Austen ഉപയോഗിച്ച് വിവർത്തനവും സენტിമെന്റ് അനലിസിസും | Python | സ്റ്റെഫൻ |
| 19 | യൂറോപിലെ റൊമാന്റിക് ഹോട്ടലുകൾ |
Natural language processing | ഹോട്ടൽ റിവ്യൂസ് ഉപയോഗിച്ച് സენტിമെന്റ് അനാലിസിസ് 1 | Python | സ്റ്റെഫൻ |
| 20 | യൂറോപിലെ റൊമാന്റിക് ഹോട്ടലുകൾ |
Natural language processing | ഹോട്ടൽ റിവ്യൂസ് ഉപയോഗിച്ച് സენტിമെന്റ് അനാലിസിസ് 2 | Python | സ്റ്റെഫൻ |
| 21 | ടൈം സീരീസ് ഫോറ്കാസ്റ്റിങ്ങിലേക്ക് പരിചയം | Time series | ടൈം സീരീസ് ഫോറ്കാസ്റ്റിങ്ങിന്റെ പരിചയം | Python | ഫ്രാൻസസ്കാ |
| 22 | ⚡️ ലോക വൈദ്യുതി ഉപഭോഗം ⚡️ - ARIMA-യിലൂടെ ടൈം സീരീസ് ഫോറ്കാസ്റ്റിങ് | Time series | ARIMA ഉപയോഗിച്ച് ടൈം സീരീസ് ഫോറ്കാസ്റ്റിങ് | Python | ഫ്രാൻസസ്കാ |
| 23 | ⚡️ ലോക വൈദ്യുതി ഉപഭോഗം ⚡️ - SVR-യിലൂടെ ടൈം സീരീസ് ഫോറ്കാസ്റ്റിങ് | Time series | Support Vector Regressor ഉപയോഗിച്ചുള്ള ടൈം സീരീസ് ഫോറ്കാസ്റ്റിങ് | Python | അനിർബാൻ |
| 24 | റീൻസ്ഫോഴ്സ്മെന്റ് ലേണിങിലേക്ക് പരിചയം | Reinforcement learning | Q-Learning ഉപയോഗിച്ച് റീൻസ്ഫോഴ്സ്മെന്റ് ലേണിങ് പരിചയം | Python | ഡിമിത്രി |
| 25 | പീറ്റർ വൃക്ഷഭക്ഷിയെ தவിക്കുന്നു ! 🐺 | Reinforcement learning | റീൻസ്ഫോഴ്സ്മെന്റ് ലേണിങ് ജിം | Python | ഡിമിത്രി |
| സംക്ഷേപം | യഥാർത്ഥ ലോക ML സാഹചര്യം, പ്രയോഗങ്ങൾ | ML in the Wild | ക്ലാസിക്കൽ ML-ന്റെ രസകരവും വെളിപ്പെടുത്തലുമായ യഥാർത്ഥ ലോക പ്രയോഗങ്ങൾ | പാഠം | ടീം |
| സംക്ഷേപം | RAI ഡാഷ്ബോർഡ് ഉപയോഗിച്ച് ML മോഡൽ ഡബഗ് ചെയ്യൽ | ML in the Wild | റസ്പോൺസിബിൾ AI ഡാഷ്ബോർഡ് ഘടകങ്ങൾ ഉപയോഗിച്ച് മെഷീൻ ലേണിങ് മോഡൽ ഡബഗിങ് | പാഠം | റുത്ത് യകുബു |
ഈ കോഴ്സിന്റെ എല്ലാ അധിക വിഭവങ്ങളും ഞങ്ങളുടെ Microsoft Learn ശേഖരത്തിൽ കാണുക
Docsify ഉപയോഗിച്ച് ഈ ഡോക്യുമെന്റ് ഓഫ്ലൈനായി ഓടിക്കാൻ കഴിയും. ഈ റെപ്പോ ഫോര്ക്ക് ചെയ്യുക, നിങ്ങളുടെ ലോക്കൽ മെഷീനിൽ Docsify ഇൻസ്റ്റാൾ ചെയ്യുക, തുടർന്ന് ഈ റെപ്പോയുടെ റൂട്ടിൽ docsify serve എന്ന കമാൻഡ് ടൈപ്പ് ചെയ്യുക. വെബ്സൈറ്റ് ലോക്കൽഹോസ്റ്റിലെ പോർട്ട് 3000-ൽ സർവ് ചെയ്യപ്പെടും: localhost:3000.
പാഠ്യപദ്ധതി pdf രൂപത്തിൽ ഇവിടെ കണ്ടെത്തുക.
ഞങ്ങളുടെ ടീം മറ്റു കോഴ്സുകളും നിർമ്മിക്കുന്നു! പരിശೀಲിക്കുക:
-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA){kind=icon}
-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC){kind=icon}
-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9){kind=icon}
മഷീൻ ലേണിംഗ് പഠിക്കുമ്പോഴും എഐ ആപ്ലിക്കേഷനുകൾ വികസിപ്പിക്കുമ്പോഴും തടസ്സമുണ്ടായാൽ അല്ലെങ്കിൽ സംശയങ്ങൾ ഉണ്ടാകുമെങ്കിൽ, വല്ലാതെ വിഷമിക്കേണ്ട. സഹായം ലഭ്യമാണ്.
മറ്റുള്ള പഠനക്കാരും ഡെവലപ്പർമാരും ഒത്തു ചർച്ച ചെയ്ത്, ചോദ്യങ്ങൾ ചോദിക്കുകയും, നിങ്ങളുടെ ആശയങ്ങൾ സമൂഹവുമായി പങ്കുവെക്കുകയും ചെയ്യാം.
- ചോദ്യങ്ങൾ ചോദിക്കാൻ സമൂഹത്തിലേക്ക് ചേരുക, മറ്റ് ആളുകളുമായി പഠിക്കുക
- മഷീൻ ലേണിംഗിന്റെ ആശയങ്ങളും പ്രോജക്ട് ആശയങ്ങളും ചർച്ച ചെയ്യുക
- പരിചയസമ്പന്നരായ ഡെവലപ്പർമാരിൽ നിന്ന് മാർഗ്ഗനിർദ്ദേശം നേടുക
ഒരു പിന്തുണയുള്ള സമൂഹം നിങ്ങളുടെ കഴിവുകൾ വികസിപ്പിക്കുന്നതിനും പ്രശ്നങ്ങൾ വേഗത്തിൽ പരിഹരിക്കുന്നതിനും വലിയ സഹായമാണ്.
Microsoft Foundry Discord Community
ബഗുകൾ, പിശകുകൾ എന്നിവ കണ്ടുപിടിക്കുകയോ, മെച്ചപ്പെടുത്തലുകൾക്കുള്ള നിർദ്ദേശങ്ങൾ നൽകുകയോയുണ്ടെങ്കിൽ, ഈ റിപോസിറ്ററിയിൽ ഒരു Issue തുറന്ന് പ്രശ്നം റിപ്പോർട്ട് ചെയ്യാം.
ഉൽപ്പന്ന പ്രതികരണത്തിനോ നിലവിലുള്ള കമ്മ്യൂണിറ്റി പോസ്റ്റുകൾ തിരയുന്നതിനോ Developer Forum സന്ദർശിക്കുക:
- ഓരോ പാഠത്തിനുശേഷവും നോട്ട്ബുക്കുകൾ ഒന്നു കൂടി പരിശോധിക്കുക മനസ്സിലാക്കാൻ.
- സ്വയം ആൾഗൊരിതങ്ങൾ നടപ്പിലാക്കുന്നതിനായുള്ള പ്രാക്ടീസ് ചെയ്യുക.
- പഠിക്കപ്പെട്ട ആശയങ്ങൾ ഉപയോഗിച്ച് യഥാർത്ഥ ഡാറ്റാസെറ്റുകൾ പരിശോധിക്കുക.
അറിവിപ്പത്രം:
ഈ രേഖ AI തർജ്ജുമാ സേവനം Co-op Translator ഉപയോഗിച്ച് തർജ്ജുമ ചെയ്തതാണ്. നാം ശരിയായ വിവർത്തനത്തിനായി പരിശ്രമിക്കുന്നുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന തർജ്ജുമയിൽ പിഴവുകൾ അല്ലെങ്കിൽ അശക്തികൾ ഉണ്ടായിരിക്കാമെന്ന് ദയവായി ഓർത്തുക. മാതൃഭാഷയിലുള്ള оригинൽ രേഖയാണ് അതിന്റെ ഔദ്യോഗിക ഉറവിടം പരിഗണിക്കേണ്ടത്. പ്രധാനപ്പെട്ട വിവരങ്ങള്ക്ക്, പ്രൊഫഷണൽ انسانی തർജ്ജുമ നിർദേശിക്കുന്നു. ഈ തർജ്ജുമ ഉപയോഗത്തിൽ നിന്നുള്ള പരస്പര forstå മനസ്സിലാക്കലോ തივ്രമായ തെറ്റിദ്ധാരണകളോക്കും ഞങ്ങൾ ഉത്തരവാദികളല്ല.