README.md

🌐 ಬಹುಭಾಷಾ ಬೆಂಬಲ

GitHub ಕ್ರಿಯೆಯಿಂದ (ಸ್ವಯಂಚಾಲಿತ ಮತ್ತು ಯಾವಾಗಲೂ ನವೀಕೃತವಾಗಿದೆ) ಬೆಂಬಲಿತವಾಗಿದೆ

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

ಸ್ಥಳೀಯವಾಗಿ ಕ್ಲೋನ್ ಮಾಡಬೇಕೇ?

ಈ ಸಂಗ್ರಹವು 50+ ಭಾಷಾ ಅನುವಾದಗಳನ್ನು ಒಳಗೊಂಡಿದೆ, ಇದು ಡೌನ್‌ಲೋಡ್ ಗಾತ್ರವನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಹೆಚ್ಚಿಸುತ್ತದೆ. ಅನುವಾದಗಳಿಲ್ಲದೇ ಕ್ಲೋನ್ ಮಾಡಲು sparse checkout ಬಳಸಿ:

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"

ಇದು ಕರ್ಸನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಬೇಕಾದ ಎಲ್ಲವನ್ನೂ ಬಹು ವೇಗದ ಡೌನ್‌ಲೋಡ್‌ಗೆ ಒದಗಿಸುತ್ತದೆ.

ನಮ್ಮ ಸಮುದಾಯಕ್ಕೆ ಸೇರಿ

ನಮ್ಮ ಬಳಿ ಡಿಸ್ಕೋರ್ಡ್ AI ಘಟಕ ಸರಣಿಯಿದೆ, ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ ಮತ್ತು ಸೇರಿಕೊಳ್ಳಲು Learn with AI Series 18 - 30 ಸೆಪ್ಟೆಂಬರ್, 2025 ರಲ್ಲಿ. ನೀವು ಗಿಟ್‌ಹಬ್ ಕೋಪೈಲಟ್ ಅನ್ನು ಡೇಟಾ ವಿಜ್ಞಾನಕ್ಕಾಗಿ ಹೇಗೆ ಬಳಸುವುದು ಎಂಬ ಸಲಹೆಗಳು ಮತ್ತು ಪುಟಗಳನ್ನೂ ಪಡೆಯುತ್ತೀರಿ.

ಆರಂಭಿಕರಿಗಾಗಿ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ - ಒಂದು ಪಠ್ಯಕ್ರಮ

🌍 ಜಗತ್ತಿನ ಸಂಸ್ಕೃತಿಗಳ ಮೂಲಕ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಅನ್ನು ಅನ್ವೇಷಿಸಿ ಜಗತ್ತನ್ನು ಸುತ್ತಿ ಓರೆಯಾಗಿರಿ 🌍

ಮೈಕ್ರೋಸಾಫ್ಟ್‌ನ ಕ್ಲೌಡ್ ಪರಿಷ್ಕಾರಿಗಳು 12 ವಾರಗಳ, 26 ಪಾಠಗಳ ಪಠ್ಯಕ್ರಮವನ್ನು ನಿಮಗೆ ನೀಡಲು ಸಂತೋಷಪಡುತ್ತಾರೆ, ಇದು ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಬಗ್ಗೆ ಸಂಪೂರ್ಣವಾಗಿದೆ. ಈ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ನೀವು ಕೆಲವೊಮ್ಮೆ ಪ್ರಾಚೀನ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಎಂದು ಕರೆಸಿಕೊಳ್ಳುವದರ ಬಗ್ಗೆ ತಿಳಿಯುತ್ತೀರಿ, ಮುಖ್ಯವಾಗಿ ಸ್ಕಿಕಿಟ್-ಲರ್ನ್ ಗ್ರಂಥಾಲಯವನ್ನು ಬಳಸಿ ಮತ್ತು ಗಾಢ ಅಭ್ಯಾಸವನ್ನು ತಪ್ಪಿಸಿ, ಅದು ನಮ್ಮ ಮೂಲತಃ AI ಆರಂಭಿಕರ ಪಠ್ಯಕ್ರಮ ನಲ್ಲಿ ಕಾಣಬಹುದು. ಈ ಪಾಠಗಳನ್ನು ನಮ್ಮ 'ಡೇಟಾ ಸೈನ್ಸ್ ಆರಂಭಿಕರ ಪಠ್ಯಕ್ರಮ' ಜೊತೆಗೆ ಕೂಡ ಸಂಪರ್ಕಿಸಬಹುದು.

ನಾವು ಜಗತ್ತಿನ ವಿವಿಧ ಭಾಗಗಳ ಡೇಟಾವನ್ನು ಬಳಸಿ ಈ ಕ್ಲಾಸಿಕ್ ತಂತ್ರಗಳನ್ನು ಅನ್ವಯಿಸುವಾಗ ಜಗತ್ತನ್ನು ಸುತ್ತಿ ನೋಡಿ. ಪ್ರತಿ ಪಾಠವು ಪೂರ್ವ ಮತ್ತು ನಂತರದ ಪ್ರಶ್ನೋತ್ತರಗಳು, ಪಾಠವನ್ನು ಪೂರ್ಣಗೊಳಿಸುವ ಯುಕ್ತಿವTIM, ಪರಿಹಾರ, ಕಾರ್ಯನಿರ್ವಹಣೆ ಮತ್ತು ಇನ್ನಷ್ಟು ಒಳಗೊಂಡಿದೆ. ನಮ್ಮ ಯೋಜನೆ-ಆಧಾರಿತ ಪಠ್ಯಶಿಕ್ಷಣವು ನೀವು ಕಲಿಯುವಾಗ ನಿರ್ಮಿಸುವುದು ಸಾಧ್ಯವಾಗಿಸುತ್ತದೆ, ಇದು ಹೊಸ ಕೌಶಲ್ಯಗಳಿಗೆ ' ಒತ್ತಿಗೆ ಹಾಕುವ ' ಒಂದು ಸಾಬೀತಾದ ವಿಧಾನ.

✍️ ನಮ್ಮ ಲೇಖಕರಿಗೆ ಹೃತ್ಪೂರ್ವಕ ಧನ್ಯವಾದಗಳು ಜೆನ್ ಲೂಪರ್, ಸ್ಟೀಫನ್ ಹಾವೆಲ್, ಫ್ರಾನ್ಸೆಸ್ಕಾ ಲಾಜ್ಜೇರಿ, ಟೊಮೊಮಿ ಇಮುರಾ, ಕ್ಯಾಸ್ ಬ್ರೇವಿಯೂ, ದ್ಮಿತ್ರಿ ಸೋಷ್ನಿಕೋವ್, ಕ್ರಿಸ್ ನೊರಿಂಗ್, ಅನಿರ್ಬಾನ್ ಮುಖರ್ಜಿ, ಒರ್ನೆಲಾ ಅಲ್ಷನ್ಯಾನ್, ರೂತ್ ಯಕುಬು ಮತ್ತು ಎಮಿ ಬಾಯ್ಡ್

🎨 ನಮ್ಮ ಚಿತ್ರಕಾರರಿಗೆ ಕೂಡ ಧನ್ಯವಾದಗಳು ಟೊಮೊಮಿ ಇಮುರಾ, ದಾಸನಿ ಮಾದಿಪಳ್ಳಿ, ಮತ್ತು ಜೆನ್ ಲೂಪರ್

🙏 ವಿಶೇಷ ಧನ್ಯವಾದಗಳು 🙏 ನಮ್ಮ ಮೈಕ್ರೋಸಾಫ್ಟ್ ವಿದ್ಯಾರ್ಥಿ ಆಂಬಾಸಿಡರ್ ಲೇಖಕರು, ಪರಿಶೀಲಕರು, ಮತ್ತು ವಿಷಯದ ಸಹಾಯಕರಿಗೆ, ವಿಶೇಷವಾಗಿ ರಿಷಿತ್ ಡಾಗ್ಲಿ, ಮುಹಮ್ಮದ್ ಸಕಿಬ್ ಖಾನ್ ಇನಾನ್, ರೋಹನ್ ರಾಜ್, ಅಲೆಕ್ಷಾಂಡ್ರು ಪೆಟ್ರೆಸ್ಕು, ಅಭಿಶೇಕ್ ಜೈಸ್ವಾಲ್, ನವ್ರಿನ್ ತಬಸ್ಸುಮ್, ಇವಸ್ಥಿ ಸಮುಯಿಲಾ ಮತ್ತು ಸ್ನಿಗ್ಧಾಗರ್ ಅಗರ್ವಾಲ್

🤩 Microsoft ವಿದ್ಯಾರ್ಥಿ ಆಂಬಾಸಿಡರ್‌ಗಳು ಏರಿಕ್ ವಾಂಜೌ, ಜಸ್‌ಲೀನ್ ಸೋಂಧಿ ಮತ್ತು ವಿದ್ಯುಷಿ Гуп्ता ಅವರಿಗೆ ನಮ್ಮ R ಪಾಠಗಳಿಗಾಗಿ ಹೆಚ್ಚಿನ ಕೃತಜ್ಞತೆ!

ಪ್ರಾರಂಭಿಸುವುದು

ಈ ಹಂತಗಳನ್ನು ಅನುಸರಿಸಿ:

1. ಗ್ರಂಥಾಲಯ Fork ಮಾಡಿ: ಈ ಪುಟದ ಮೇಲೆ-ಬಲ ಭಾಗದಲ್ಲಿರುವ "Fork" ಬಟನ್‌పై ಕ್ಲಿಕ್ ಮಾಡಿ.
2. ಗ್ರಂಥಾಲಯ Clone ಮಾಡಿ: git clone https://github.com/microsoft/ML-For-Beginners.git

ಈ ಪಠ್ಯಕ್ರಮದ ಎಲ್ಲಾ ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಮ್ಮ ಮೈಕ್ರೋಸಾಫ್ಟ್ ಲರ್ನ್ ಸಂಗ್ರಹದಲ್ಲಿ ಹುಡುಕಿ

🔧 ಸಹಾಯ ಬೇಕಾದರೆ? ಸ್ಥಾಪನೆ, ಸೆಟ್‌ಅಪ್ ಹಾಗೂ ಪಾಠಗಳನ್ನು ರನ್ ಮಾಡುವ ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಗಳ ಪರಿಹಾರಕ್ಕಾಗಿ ನಮ್ಮ ಸಮಸ್ಯೆ ಪರಿಹಾರ ಮಾರ್ಗದರ್ಶಿ ನೋಡಿ.

ವಿದ್ಯಾರ್ಥಿಗಳು, ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ಬಳಸಲು, ಸಂಪೂರ್ಣ ರೆಪ್ ಅನ್ನು ನಿಮ್ಮ ಸ್ವಂತ GitHub ಖಾತೆಗೆ Fork ಮಾಡಿ ಮತ್ತು ವ್ಯಾಯಾಮಗಳನ್ನು ನಿಮ್ಮದೇ ಅಥವಾ ಗುಂಪಿನೊಂದಿಗೆ ಪೂರ್ಣಗೊಳಿಸಿ:

• ಪೂರ್ವ ಉಪನ್ಯಾಸ ಪ್ರಶ್ನೋತ್ತರದಿಂದ ಪ್ರಾರಂಭಿಸಿ.
• ಉಪನ್ಯಾಸ ಓದಿ ಮತ್ತು ಚಟುವಟಿಕೆಗಳನ್ನು ನಿರ್ವಹಿಸಿ, ಪ್ರತಿಯೊಬ್ಬ ಜ್ಞಾನ ಪರಿಶೀಲನೆಗೆ ವಿರಾಮ ಕೊಡಿ ಮತ್ತು ಪರಿಗಣಿಸಿ.
• ಯೋಜನೆಗಳನ್ನು ರಚಿಸಲು ಪಾಠಗಳನ್ನು ತಲಪಿಸಿ, ಪರಿಹಾರ ಕೋಡ್ ಅನ್ನು ನೇರವಾಗಿ ರನ್ ಮಾಡುವದಕ್ಕೆ ಬದಲು ಪಾಠಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ; ಆದರೆ ಆ ಕೋಡ್ ಪ್ರತಿ ಯೋಜನೆಗೆ ಸಂಬಂಧಿಸಿದ /solution ಫೋಲ್ಡರ್ಗಳಲ್ಲಿ ಲಭ್ಯವಿದೆ.
• ಉಪನ್ಯಾಸದ ನಂತರದ ಪ್ರಶ್ನೋತ್ತರವನ್ನು ತೆಗೆದುಕೊಳ್ಳಿ.
• ಸವಾಲನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ.
• ಕಾರ್ಯನಿರ್ವಹಣೆಯನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ.
• ಪಾಠ ಗುಂಪನ್ನು ಪೂರ್ಣಗೊಳಿಸಿದ ನಂತರ, ಚರ್ಚಾ ಫಲಕ ಗೆ ಭೇಟಿ ನೀಡಿ ಮತ್ತು ಸರಿಯಾದ PAT ರೂಪವನ್ನು ತುಂಬಿ "ಬಳಿಕಲಿಕೆಯಿಂದ" ಕಲಿಯೋಿರಿ. 'PAT' ಎಂದರೆ ಪ್ರಗತಿ ಮೌಲ್ಯಮಾಪನ ಉಪಕರಣ, ಇದನ್ನು ನೀವು ನಿಮ್ಮ ಪಠ್ಯಂಶವನ್ನು ಮುಂದುವರೆಸಲು ತುಂಬುತ್ತೀರಿ. ನೀವು ಇತರ PAT ಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆ ನೀಡಬಹುದು ಮತ್ತು ನಮ್ಮೆ ಜೊತೆ ಕಲಿಯಬಹುದು.

ಹೆಚ್ಚಿನ ಅಧ್ಯಯನಕ್ಕಾಗಿ, ಈ Microsoft Learn ಮಾಡ್ಯೂಲ್‌ಗಳು ಮತ್ತು ಕಲಿಕೆ ಮಾರ್ಗಗಳನ್ನು ಅನುಸರಿಸುವುದು ಸಲಹೆ.

ಶಿಕ್ಷಕರು, ನಾವು ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ಹೇಗೆ ಬಳಸಬಹುದು ಎಂಬ ಸಲಹೆಗಳನ್ನು ಸೇರಿಸಿದ್ದೇವೆ.

---

ವಿಡಿಯೋ ನಿರ್ವಹಣೆಗಳು

ಕೆಲವು ಪಾಠಗಳು ಚಿಕ್ಕ ವೀಡಿಯೋ ರೂಪದಲ್ಲಿವೆ. ನೀವು ಇವನ್ನು ಪಾಠಗಳಲ್ಲಿ ಸಾದಾರಣವಾಗಿ ಅಥವಾ ಮೈಕ್ರೋಸಾಫ್ಟ್ ಡೆವಲಪರ್ YouTube ಚಾನಲ್ ನಲ್ಲಿ 'ML for Beginners' ಪ್ಲೇಲಿಸ್ಟ್‌ನಲ್ಲಿ ಕೆಳಗಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ಕಾಣಬಹುದು.

---

ತಂಡವನ್ನು ಭೇಟಿ ಮಾಡಿ

ಗಿಫ್ ಮಾರ್ಪಟ್ಟವರು ಮೊಹಿತ್ ಜೈಸಲ್

🎥 ಈ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ಈ ಯೋಜನೆಯ ಮತ್ತು ಅದನ್ನು ರಚಿಸಿದವರ ಕುರಿತಾಗಿ ವೀಡಿಯೋ ನೋಡಿ!

---

ಪಾಠಶಾಸ್ತ್ರ

ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ರಚಿಸುವಾಗ ನಾವು ಎರಡು ಪಾಠಶಾಸ್ತ್ರೀಯ ಸಿದ್ದಾಂತಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಿದ್ದೇವೆ: ಪ್ರಾಯೋಗಿಕ ಯೋಜನೆ-ಆಧಾರಿತವಾಗಿರಬೇಕು ಮತ್ತು ಸಮಾನಾಂತರ ಪ್ರಶ್ನೋತ್ತರಗಳೆಡೆ ಇದ್ದಾರೆ. ಜೊತೆಗೆ, ಈ ಪಠ್ಯಕ್ರಮದಲ್ಲೊಂದು ಸಾಮಾನ್ಯ ಥೀಮ್ ಇದೆಯೆಂದು ತಾಳಮೇಳ ಕಲ್ಪಿಸಲಾಗಿದೆ.

ವಿಷಯವಸ್ತು ಯೋಜನೆಗಳೊಂದಿಗೆ ಹೊಂದಿಕೊಳ್ಳುವುದನ್ನು ಖಚಿತಪಡಿಸುವ ಮೂಲಕ, ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಆಸಕ್ತಿ ಮೂಡುವಂತೆ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಕಲಿಕೆಯ ಕೆಲವೆತ್ತಿಗೆದ ಹತ್ತಿರ ಬರುತ್ತದೆ. ತರಗತಿಯ ಮುಂಚೆಯಾಗಿ ಕಡಿಮೆ-ಐತಿಹಾಸಿಕ ಪ್ರಶ್ನೋತ್ತರವು ವಿದ್ಯಾರ್ಥಿಯ ಕಲಿಕೆಯ ಆದ್ಯತೆಯನ್ನು ನಿರ್ಧರಿಸುವಂತಾಗಿದೆ, ಮತ್ತು ತರಗತಿದ್ ನಂತರದ ಎರಡನೇ ಪ್ರಶ್ನೋತ್ತರವು ಅಧ್ಯಯನವನ್ನು ತೀವ್ರಗೊಳಿಸುತ್ತದೆ. ಈ ಪಠ್ಯಕ್ರಮವು ನಿಗಮೃತಮ್ ಮತ್ತು ಸುಂದರವಿದ್ದಂತೆ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ ಮತ್ತು ಸಂಪೂರ್ಣ ಅಥವಾ ಭಾಗಾಂತರವಾಗಿ ತೆಗೆದುಕೊಳ್ಳಬಹುದು. ಯೋಜನೆಗಳು ಸಣ್ಣದಾಗಿಡುತ್ತವೆ ಮತ್ತು 12 ವಾರಗಳ ಸೈಕಲ್ ಮುಟ್ಟುವವರೆಗೆ ಏರಿಕೆಯಾಗುತ್ತವೆ. ಈ ಪಠ್ಯಕ್ರಮವು ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ನ ನೈಜ ಜಗತ್ತಿನ ಅನ್ವಯಗಳ ಕುರಿತು ನಂತರದ ಚರ್ಚೆಗೆ ಅಥವಾ ಹೆಚ್ಚುವರಿ ಕ್ರೆಡಿಟ್ ಕಲಿಸಲು ಉಪಯುಕ್ತವಾದ ಪ್ರಕಟಣೆಯನ್ನು ಸಹ ಒಳಗೊಂಡಿದೆ.

ನಮ್ಮ ನಡತ ನಿಯಮಕ, ಸಹಕಾರಿಕೆ, ಅನುವಾದಗಳು, ಮತ್ತು ಸಮಸ್ಯೆ ಪರಿಹಾರ ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ನೋಡಿ. ನಿಮ್ಮ ನಿರ್ಮಾಣಾತ್ಮಕ ಅಭಿಪ್ರಾಯಕ್ಕೆ ನಾವು ಸಿದ್ಧರಾಗಿದ್ದೇವೆ!

ಪ್ರತಿ ಪಾಠವು ಒಳಗೊಂಡಿದೆ

• ಐಚ್ಛಿಕ ಸ್ಕೆಚ್ನೋಟ್
• ಐಚ್ಛಿಕ ಪೂರಕ ವೀಡಿಯೋ
• ವೀಡಿಯೋ ನಿರ್ವಾಹಣೆ (ಕೆಲವು ಪಾಠಗಳಿಗಷ್ಟೇ)
• ಪೂರ್ವ ಉಪನ್ಯಾಸ ಪೂರ್ವಭಾವಿ ಪ್ರಶ್ನೋತ್ತರ
• ಬರಹದ ಪಾಠ
• ಯೋಜನೆ-ಆಧಾರಿತ ಪಾಠಗಳಿಗಾಗಿ, ಯೋಜನೆಯನ್ನು ರಚಿಸುವ ಕುರಿತು ಹಂತ-ಹಂತದ ಮಾರ್ಗದರ್ಶಿಗಳು
• ಜ್ಞಾನ ಪರಿಶೀಲನೆಗಳು
• ಸವಾಲು
• ಪೂರಕ ಓದಿನ ವಿಷಯಗಳು
• ಕಾರ್ಯನಿರ್ವಹಣೆ
• ಪೋಸ್ಟ್-ಉಪನ್ಯಾಸ ಪ್ರಶ್ನೋತ್ತರ

ಭಾಷೆಗಳ ಬಗ್ಗೆ ಟಿಪ್ಪಣಿ: ಈ ಪಾಠಗಳು ಪ್ರಮುಖವಾಗಿ Python ನಲ್ಲಿ ಬರೆಯಲ್ಪಟ್ಟಿವೆ, ಆದರೆ ಬಹುಮಾನದವು R ನಲ್ಲಿ ಸಹ ಲಭ್ಯವಿವೆ. R ಪಾಠವನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು, /solution ಫೋಲ್ಡರ್‌ಗೆ ಹೋಗಿ R ಪಾಠಗಳನ್ನು ಹುಡುಕಿ. ಅವು .rmd ವಿಸ್ತರಣೆ ಹೊಂದಿವೆ, ಇದು ಒಂದು R ಮಾರ್ಕ್‌ಡೌನ್ ಕಡತವಾಗಿದೆ, ಅದು ಕೋಡ್ ಚಂಕ್‌ಗಳು (R ಅಥವಾ ಇತರ ಭಾಷೆಗಳ) ಮತ್ತು YAML ಹೆಡರ್ (PDF ಗಳು ಮೊದಲಾದ ಫಾರ್ಮಾಟ್ ಔಟ್ಪುಟ್ ಹೇಗೆ ಮಾಡಬೇಕು ಎಂಬುದನ್ನು ಕಳುಹಿಸುವಂತೆ) ಅನ್ನು ಬೆರಸುವ ಪ್ರಕ್ರಿಯೆ. ಆದಕ್ಕೆ, ಇದು ಡೇಟಾ ಸೈನ್ಸ್‌ಗೆ ಅತ್ಯುತ್ತಮ ಲೇಖನ ಚಟುವಟಿಕೆಯಾಗಿ ಸೇವಿಸುತ್ತದೆ, ಏಕೆಂದರೆ ನೀವು ನಿಮ್ಮ ಕೋಡ್, ಅದರ ಔಟ್ಪುಟ್ ಮತ್ತು ನಿಮ್ಮ ಯೋಚನೆಗಳನ್ನು Markdown ನಲ್ಲಿ ಬರೆಯಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. R Markdown ದಾಖಲೆಗಳನ್ನು PDF, HTML ಅಥವಾ Word ಆಟ್ಪುಟ್ ರೂಪಗಳಲ್ಲಿ ರೆಂಡರ್ ಮಾಡಬಹುದು. ಕ್ವಿಜ್‌ಗಳ ಬಗ್ಗೆ ಒಂದು ಟಿಪ್ಪಣಿ: ಎಲ್ಲ ಕ್ವಿಜ್‌ಗಳು ಕ್ವಿಜ್ ಆ್ಯಪ್ ಫೋಲ್ಡರ್ನಲ್ಲಿ ಇರುತ್ತವೆ, ಪ್ರತಿಯೊಂದು ಪ್ರಶ್ನೆಯಲ್ಲಿ ಮೂರು ಪ್ರಶ್ನೆಗಳಿವೆ ಒಟ್ಟು 52 ಕ್ವಿಜ್‌ಗಳಿವೆ. ಅವುಗಳನ್ನು ಪಾಠಗಳಲ್ಲಿ ಒಳಗೊಂಡಿದೆ ಆದರೆ ಕ್ವಿಜ್ ಆ್ಯಪ್ ಸ್ಥಳೀಯವಾಗಿ ನಿರ್ವಹಿಸಬಹುದಾಗಿದೆ; ಸ್ಥಳೀಯವಾಗಿ ಹೋಸ್ಟ್ ಅಥವಾ ಅಜೂರ್‌ಗೆ ನಿಯೋಜಿಸಲು quiz-app ಫೋಲ್ಡರ್‌ನಲ್ಲಿ ಸೂಚನೆಯನ್ನು ಅನುಸರಿಸಿ.

ಪಾಠ ಸಂಖ್ಯಾ	ವಿಷಯ	ಪಾಠ ಗುಂಪು	ಕಲಿಕೆ ಗುರಿಗಳು	ಲಿಂಕ್ ಮಾಡಿದ ಪಾಠ	ಲೇಖಕ
01	ಯಂತ್ರ ಕಲಿಕೆಯ ಪರಿಚಯ	ಪರಿಚಯ	ಯಂತ್ರ ಕಲಿಕೆಯ ಮೂಲ ಆಲೋಚನೆಗಳನ್ನು ತಿಳಿದುಕೊಳ್ಳಿ	ಪಾಠ	ಮುಹಮ್ಮದ್
02	ಯಂತ್ರ ಕಲಿಕೆಯ ಇತಿಹಾಸ	ಪರಿಚಯ	ಈ ಕ್ಷೇತ್ರದ ಹಿಂದಿರುವ ಇತಿಹಾಸವನ್ನು ತಿಳಿದುಕೊಳ್ಳಿ	ಪಾಠ	ಜೆನ್ ಮತ್ತು ಅಮಿ
03	ಯಂತ್ರ ಕಲಿಕೆಯ ನ್ಯಾಯತೀರ್ಮಾನ	ಪರಿಚಯ	ನ್ಯಾಯತೀರ್ಮಾನದ ಸಿದ್ದಾಂತ ಸಂಬಂಧಿಸಿದ ಮುಖ್ಯ ತತ್ವಗಳು ಯಾವವು? ವಿದ್ಯಾರ್ಥಿಗಳು ML ಮಾದರಿಗಳನ್ನು ರಚಿಸಲು ಮತ್ತು ಅನ್ವಯಿಸಲು ಗಮನಿಸುವ ಪ್ರಮುಖ ತತ್ವಗಳು ಯಾವುವು?	ಪಾಠ	ಟೊಮೊಮಿ
04	ಯಂತ್ರ ಕಲಿಕೆಯ ತಂತ್ರಗಳು	ಪರಿಚಯ	ML ಸಂಶೋಧಕರು ML ಮಾದರಿಗಳನ್ನು ರಚಿಸಲು ಯಾವ ತಂತ್ರಗಳನ್ನು ಬಳಸುತ್ತಾರೆ?	ಪಾಠ	ಕ್ರಿಸ್ ಮತ್ತು ಜೆನ್
05	ರೆಗ್ರೆಶನ್‌ನ ಪರಿಚಯ	ರೆಗ್ರೆಶನ್	ರೆಗ್ರೆಶನ್ ಮಾದರಿಗಳಿಗಾಗಿ ಪೈಥಾನ್ ಮತ್ತು ಸ್ಕೈಕಟ್ಲೀನ್ ಬಳಸಲು ಪ್ರಾರಂಭಿಸಿ	Python • R	ಜೆನ್ • ಎರಿಕ್ ವಾಂಜಾವು
06	ಉತ್ತರ ಅಮೆರಿಕದ ಕಂಬಳ ಬೆಲೆಗಳು 🎃	ರೆಗ್ರೆಶನ್	ML ಗೆ ಡೇಟಾವನ್ನು ದೃಶ್ಯೀಕರಿಸಿ ಮತ್ತು ಸ್ವಚ್ಛಗೊಳಿಸಿ	Python • R	ಜೆನ್ • ಎರಿಕ್ ವಾಂಜಾವು
07	ಉತ್ತರ ಅಮೆರಿಕದ ಕಂಬಳ ಬೆಲೆಗಳು 🎃	ರೆಗ್ರೆಶನ್	ರೇಖೀಯ ಮತ್ತು ಪೌಲಿನೋಮಿಯಲ್ ರೆಗ್ರೆಶನ್ ಮಾದರಿಗಳನ್ನು ರಚಿಸಿ	Python • R	ಜೆನ್ ಮತ್ತು ದ್ಮಿತ್ರೀ • ಎರಿಕ್ ವಾಂಜಾವು
08	ಉತ್ತರ ಅಮೆರಿಕದ ಕಂಬಳ ಬೆಲೆಗಳು 🎃	ರೆಗ್ರೆಶನ್	ಲોજಿಸ್ಟಿಕ್ ರೆಗ್ರೆಶನ್ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಿ	Python • R	ಜೆನ್ • ಎರಿಕ್ ವಾಂಜಾವು
09	ವೆಬ್ ಆಪ್ 🔌	ವೆಬ್ ಆಪ್	ನಿಮ್ಮ ತರಬೇತಿ ಪಡೆಯಲಾದ ಮಾದರಿಯನ್ನು ಉಪಯೋಗಿಸಲು ವೆಬ್ ಆಪ್ ನಿರ್ಮಿಸಿ	Python	ಜೆನ್
10	ವರ್ಗೀಕರಣದ ಪರಿಚಯ	ವರ್ಗೀಕರಣ	ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಿ, ಸಜ್ಜುಗೊಳಿಸಿ ಮತ್ತು ದೃಶ್ಯೀಕರಿಸಿ; ವರ್ಗೀಕರಣಕ್ಕೆ ಪರಿಚಯ	Python • R	ಜೆನ್ ಮತ್ತು ಕ್ಯಾಸಿ • ಎರಿಕ್ ವಾಂಜಾವು
11	ರುಚಿಯಾದ ಏಷಿಯನ್ ಮತ್ತು ಭಾರತದ ಆಹಾರಗಳು 🍜	ವರ್ಗೀಕರಣ	ವರ್ಗೀಕರಣಕર્તೆಗಳಿಗೆ ಪರಿಚಯ	Python • R	ಜೆನ್ ಮತ್ತು ಕ್ಯಾಸಿ • ಎರಿಕ್ ವಾಂಜಾವು
12	ರುಚಿಯಾದ ಏಷಿಯನ್ ಮತ್ತು ಭಾರತದ ಆಹಾರಗಳು 🍜	ವರ್ಗೀಕರಣ	ಹೆಚ್ಚು ವರ್ಗೀಕರಣಕರ	Python • R	ಜೆನ್ ಮತ್ತು ಕ್ಯಾಸಿ • ಎರಿಕ್ ವಾಂಜಾವು
13	ರುಚಿಯಾದ ಏಷಿಯನ್ ಮತ್ತು ಭಾರತದ ಆಹಾರಗಳು 🍜	ವರ್ಗೀಕರಣ	ನಿಮ್ಮ ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಶಿಫಾರಸು ವೆಬ್ ಆಪ್ ರಚಿಸಿ	Python	ಜೆನ್
14	ಕ್ಲಸ್ಟರಿಂಗ್‌ನ ಪರಿಚಯ	ಕ್ಲಸ್ಟರಿಂಗ್	ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಿ, ಸಜ್ಜುಗೊಳಿಸಿ ಮತ್ತು ದೃಶ್ಯೀಕರಿಸಿ; ಕ್ಲಸ್ಟರಿಂಗ್‌ಗೆ ಪರಿಚಯ	Python • R	ಜೆನ್ • ಎరిక್ ವಾಂಜವು
15	ನೈಗೇರಿಯನ್ ಸಂಗೀತ ರುಚಿಗಳ ಆಯ್ಕೆ 🎧	ಕ್ಲಸ್ಟರಿಂಗ್	ಕೆ-ಮೀನ್ ಕ್ಲಸ್ಟರಿಂಗ್ ವಿಧಾನವನ್ನು ಅನ್ವೇಷಿಸಿ	Python • R	ಜೆನ್ • ಎरिक್ ವಾಂಜವು
16	ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ ಪರಿಚಯ ☕️	ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ	ಸರಳ ಬಾಟ್ ರಚಿಸುವ ಮೂಲಕ NLP ಮೂಲಭೂತಗಳನ್ನು ಕಲಿಯಿರಿ	Python	ಸ್ಟೀಫನ್
17	ಸಾಮಾನ್ಯ NLP ಕಾರ್ಯಗಳು ☕️	ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ	ಭಾಷಾ ರಚನೆಗಳೊಂದಿಗೆ ನಿಭಾಯಿಸುವಾಗ ಅವಶ್ಯಕ ಸಾಮಾನ್ಯ ಕಾರ್ಯಗಳನ್ನು ತಿಳಿದುಕೊಳ್ಳಿ	Python	ಸ್ಟೀಫನ್
18	ಅನುವಾದ ಮತ್ತು ಭಾವುಕ تحليل ♥️	ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ	ಜೇನ್ ಆಸ್ಟಿನ್ ಅವರೊಂದಿಗೆ ಅನುವಾದ ಮತ್ತು ಭಾವನಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆ	Python	ಸ್ಟೀಫನ್
19	ಯುರೋಪಿಯನ್ ಪ್ರೇಮಕೋಟೆಲ್‌ಗಳು ♥️	ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ	ಹೋಟೆಲ್ ವಿಮರ್ಶೆಗಳ ಮೂಲಕ ಭಾವನಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆ 1	Python	ಸ್ಟೀಫನ್
20	ಯುರೋಪಿಯನ್ ಪ್ರೇಮಕೋಟೆಲ್‌ಗಳು ♥️	ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ	ಹೋಟೆಲ್ ವಿಮರ್ಶೆಗಳ ಮೂಲಕ ಭಾವನಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆ 2	Python	ಸ್ಟೀಫನ್
21	ಕಾಲ ಸರಣಿ ಪೂರ್ವಪ್ರತಿಷ್ಠಾಪನೆಗೆ ಪರಿಚಯ	ಕಾಲ ಸರಣಿ	ಕಾಲ ಸರಣಿ ಪೂರ್ವಪ್ರತಿಷ್ಠಾಪನೆಗೆ ಪರಿಚಯ	Python	ಫ್ರಾನ್ಸೆಸ್ಕಾ
22	⚡️ ವಿಶ್ವ ವಿದ್ಯುತ್ ಬಳಕೆ ⚡️ - ARIMA ಬಳಸಿ ಕಾಲ ಸರಣಿ ಪೂರ್ವಪ್ರತಿಷ್ಠಾಪನೆ	ಕಾಲ ಸರಣಿ	ARIMA ಬಳಸಿ ಕಾಲ ಸರಣಿ ಪೂರ್ವಪ್ರತಿಷ್ಠಾಪನೆ	Python	ಫ್ರಾನ್ಸೆಸ್ಕಾ
23	⚡️ ವಿಶ್ವ ವಿದ್ಯುತ್ ಬಳಕೆ ⚡️ - SVR ಬಳಸಿ ಕಾಲ ಸರಣಿ ಪೂರ್ವಪ್ರತಿಷ್ಠಾಪನೆ	ಕಾಲ ಸರಣಿ	Support Vector Regressor ಬಳಸಿ ಕಾಲ ಸರಣಿ ಪೂರ್ವಪ್ರತಿಷ್ಠಾಪನೆ	Python	ಅನಿರ್ಬಾನ್
24	ಪ್ರಬಲವರ್ಧನಾ ಕಲಿಕೆಯ ಪರಿಚಯ	ಪ್ರಬಲವರ್ಧನಾ ಕಲಿಕೆ	Q-ಕಲಿಕೆ ಬಳಸಿ ಪ್ರಬಲವರ್ಧನಾ ಕಲಿಕೆಯ ಪರಿಚಯ	Python	ದ್ಮಿತ್ರೀ
25	ಪೀಟರ್ ಕುರುವ ನಾಯಿ ತಪ್ಪಿಸಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡಿ! 🐺	ಪ್ರಬಲವರ್ಧನಾ ಕಲಿಕೆ	ಪ್ರಬಲವರ್ಧನಾ ಕಲಿಕೆಯ ಜಿಮ್	Python	ದ್ಮಿತ್ರೀ
ನಂತರವನ್ನು	ವಾಸ್ತವಿಕ ಜಗತ್ತಿನ ML ಘಟನಗಳು ಮತ್ತು ಅನ್ವಯಿಕೆಗಳು	ಜಂಗಲದಲ್ಲಿ ML	ಪರಂಪರागत ML ನ ಆಸಕ್ತಿದಾಯಕ ಮತ್ತು ಅನಾವೃತ ವಾಸ್ತವಿಕ ಅನ್ವಯಿಕೆಗಳು	ಪಾಠ	ತಂಡ
ನಂತರವನ್ನು	RAI ಡ್ಯಾಶ್ಬೋರ್ಡ್ ಬಳಸಿ ML ನಲ್ಲಿ ಮಾದರಿ ದೋಷಪರೀಕ್ಷೆ	ಜಂಗಲದಲ್ಲಿ ML	ಜವಾಬ್ದಾರಿಯುತ AI ಡ್ಯಾಶ್ಬೋರ್ಡ್ ಘಟಕಗಳನ್ನು ಬಳಸಿ ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ಮಾದರಿಗಳ ದೋಷಪರೀಕ್ಷೆ	ಪಾಠ	ರೂತ್ ಯಾಕುಬು

ಈ کورس್ಗೆ ಸಂಬಂಧಿಸಿದ ಎಲ್ಲಾ ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಮ್ಮ Microsoft Learn ಸಂಗ್ರಹದಲ್ಲಿ ಹುಡುಕಿ

ಆಫ್‌ಲೈನ್ ಆಕ್ಸೆಸ್

ನೀವು Docsify ಬಳಸಿ ಈ ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಅನ್ನು ಆಫ್‌ಲೈನ್‌ನಲ್ಲಿ ಚಾಲನೆ ಮಾಡಬಹುದು. ಈ ರೆಪೋವನ್ನು ಫೋರ್ಕ್ ಮಾಡಿ, ನಿಮ್ಮ ಸ್ಥಳೀಯ ಯಂತ್ರದಲ್ಲಿ Docsify ಅನ್ನು ಇನ್ಸ್ಟಾಲ್ ಮಾಡಿ, ನಂತರ ಈ ರೆಪೋದ ಮೂಲ ಫೋಲ್ಡರ್‌ನಲ್ಲಿ docsify serve ಟೈಪ್ ಮಾಡಿ. ವೆಬ್‌ಸೈಟ್ ನಿಮ್ಮ ಸ್ಥಳೀಯಹೋಸ್ಟ್‌ನಲ್ಲಿ 3000 ಪೋರ್ಟ್‌ನಲ್ಲಿ ನೀಡಲಾಗುತ್ತದೆ: localhost:3000.

PDF ಗಳು

ಕರೆ큳್ಯುಲಮ್‌ನ PDF ಅನ್ನು ಲಿಂಕ್‌ಗಳೊಂದಿಗೆ ಇಲ್ಲಿ ನೋಡಿ.

🎒 ಇತರೆ ಕೋರ್ಸ್‌ಗಳು

ನಮ್ಮ ತಂಡ ಇತರ ಕೋರ್ಸ್‌ಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ! ಪರಿಶೀಲಿಸಿ:

LangChain

ಅಜೂರ್ / ಎಡ್ಜ್ / MCP / ಏಜೆಂಟ್‌ಗಳು

---

ರಚನಾತ್ಮಕ AI ಸರಣಿ

---

ಮೂಲ ಅಧ್ಯಯನ

---

ಕೋಪೈಲಟ್ ಸರಣಿ

ನೆರವು ಪಡೆಯುವುದು

ನೀವು ಅಡಚಣೆಗಳಿಗೆ ಸಿಕ್ಕಿದ್ದೀರಾ ಅಥವಾ AI ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ನಿರ್ಮಿಸುವ ಬಗ್ಗೆ ಯಾವುದೇ ಪ್ರಶ್ನೆ ಇದ್ದರೆ, MCP ಬಗ್ಗೆ ಚರ್ಚೆಗಳಲ್ಲಿ ಭಾಗವಹಿಸುವ ಸಹಪಾಠಿಗಳ ಮತ್ತು ಅನುಭವಿ ಡೆವಲಪರ್‌ಗಳ ಜೊತೆಗೆ ಸೇರಿ. ಇದು ಪ್ರಶ್ನೆಗಳಿಗೆ ಸ್ವಾಗತ ನೀಡುವ ಮತ್ತು ಜ್ಞಾನವನ್ನು ಮುಕ್ತವಾಗಿ ಹಂಚುವ ಸಹಾಯಕ ಸಮುದಾಯವಾಗಿದೆ.

ಉತ್ಪನ್ನ ಸಂಬಂಧಿಸಿದ ಪ್ರತಿಕ್ರಿಯೆಗಳಿದ್ದರೆ ಅಥವಾ ತಪ್ಪುಗಳು ಇದ್ದರೆ ಕೆಳಗಿನ ವಿಳಾಸಕ್ಕೆ ಭೇಟಿ ನೀಡಿ:

ಹೆಚ್ಚುವರಿಯ ಅಧ್ಯಯನ ಸಲಹೆಗಳು

• ಉತ್ತಮ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಪ್ರತಿ ಪಾಠದ ನಂತರ ನೋಟ್ಬುಕ್‌ಗಳನ್ನು ಪರಿಶೀಲಿಸಿ.
• ತಮ್ಮದೇ ಆದ ಅಲ್ಗೋರಿದಮ್‌ಗಳನ್ನು ಅನುಷ್ಠಾನ ಮಾಡುವುದು ಅಭ್ಯಾಸ ಮಾಡಿ.
• ಕಲಿತ ತತ್ವಗಳನ್ನು ಬಳಸಿ ನಿಜವಾದ ಜಗತ್ತಿನ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಅನ್ವೇಷಿಸಿ.

---

ನಿರಾಕರಣಾ ಪ್ರಕಟಣೆ:
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ Co-op Translator ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಗೆ ಪ್ರಯತ್ನಿಸುವಾಗ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ತಪ್ಪುಗಳು ಇರಬಹುದು ಎಂಬುದು ಗಮನದಲ್ಲಿಟ್ಟಿಕೊಳ್ಳಿ. ಮೂಲಸ್ಥ ಭಾಷೆಯ ಮೌಲಿಕ ದಾಖಲೆವೇ ಅಧಿಕೃತ ಮೂಲ ಎಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ ವೃತ್ತಿಜ್ಞ ಮಾನವ ಅನುವಾದನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆ ಕಾರಣದಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಲುವಿಕೆಗೆ ನಾವು ಜವಾಬ್ದಾರಿಯಾಗುವುದಿಲ್ಲ.