README.md

🌐 बहुभाषी समर्थन

GitHub Action मार्फत समर्थित (स्वचालित र सँधै अद्यावधिक)

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

स्थानीय रूपमा क्लोन गर्न चाहनुहुन्छ?

यस रिपोजिटरीमा ५०+ भाषा अनुवादहरू समावेश छन् जसले डाउनलोड साइजलाई उल्लेखनीय रूपमा बढाउँछ। अनुवादहरू बिना क्लोन गर्न, sparse checkout प्रयोग गर्नुहोस्:

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"

यसले तपाईंलाई कोर्स पूरा गर्न आवश्यक सबै कुरा छिटो डाउनलोडको साथ दिन्छ।

हाम्रो समुदायमा सहभागी हुनुहोस्

हामीसँग Discord मा AI सिक्ने श्रृंखला चलिरहेको छ, थप जान्न र सामेल हुनुभयो AI सिक्ने श्रृंखला १८ - ३० सेप्टेम्बर, २०२५ बाट। तपाईंले GitHub Copilot लाई Data Science मा प्रयोग गर्ने सुझाव र तरिका पाउनु हुनेछ।

सुरु गर्न सिक्ने मेसिन लर्निङ - एक पाठ्यक्रम

🌍 संसारभर यात्रा गरी मेसिन लर्निङलाई विश्वका संस्कृतिहरू मार्फत अन्वेषण गरौं 🌍

Microsoft का क्लाउड अधिवक्ताहरूले १२ हप्ता, २६ पाठहरू पनि समेटिएको मेसिन लर्निङ सम्बन्धी पाठ्यक्रम प्रस्तुत गरेका छन्। यस पाठ्यक्रममा तपाईंले कहिलेकाहीं भनिने क्लासिक मेसिन लर्निङ बारे सिक्नुहुनेछ, मुख्य रूपमा Scikit-learn लाई पुस्तकालयको रूपमा उपयोग गर्दै, र डिप लर्निङबाट टाढा रहँदै जुन हाम्रो AI for Beginners' पाठ्यक्रम मा समेटिएको छ। यी पाठहरूलाई हाम्रो 'Data Science for Beginners' पाठ्यक्रम सँग पनि जोड्न सक्नुहुन्छ।

हामीसँग संसारभर यात्रा गर्दै यी क्लासिक प्रविधिहरू विश्वका विभिन्न क्षेत्रका डेटामा लागू गर्छौं। प्रत्येक पाठमा पहिले र पछि क्विजहरू, पाठ पूरा गर्ने लिखित निर्देशनहरू, समाधान, असाइनमेन्ट र थप समावेश हुन्छ। हाम्रो परियोजना-आधारित शिक्षण शैलीले तपाईलाई सिक्दै निर्माण गर्न अनुमति दिन्छ, जुन नयाँ सीपहरूलाई 'टिकाउन' प्रमाणित तरिका हो।

✍️ हाम्रा लेखकहरूलाई हार्दिक धन्यवाद जेन् लूपर, स्टेफन होवेल, फ्रान्सेस्का लाज्जरी, टोमومی इमुरा, क्यासी ब्रेभिउ, दिमित्रि सोष्निकोव, क्रिस नोरिङ, अनिर्बान मुखर्जी, ओरनेला अल्टुनयान, रूथ याकुबु र एमि बोयड

🎨 धन्यवाद हाम्रा चित्रकारहरूलाई पनि टोमومی इमुरा, दासानी मडिपली, र जेन् लूपर

🙏 विशेष धन्यवाद 🙏 हाम्रा Microsoft Student Ambassador लेखकहरू, समीक्षकहरू, र सामग्री योगदानकर्ताहरूलाई, विशेष गरी रिजीत डाग्ली, मुहम्मद साकिब खान इनान, रोहन राज, अलेक्जान्ड्रु पेट्रेस्कु, अभिषेक जायसवाल, नवरिन तबस्सुम, इओन सामुइला, र स्निग्धा अग्रवाल

🤩 अतिरिक्त कृतज्ञता Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, र Vidushi Gupta लाई हाम्रा R पाठहरूको लागि!

सुरुवात

यी चरणहरू अनुसरण गर्नुहोस्:

1. रिपोजिटरी Fork गर्नुहोस्: यस पृष्ठको माथि-दायाँ कुनामा रहेको "Fork" बटनमा क्लिक गर्नुहोस्।
2. रिपोजिटरी Clone गर्नुहोस्: git clone https://github.com/microsoft/ML-For-Beginners.git

यस कोर्सका थप स्रोतहरू हाम्रो Microsoft Learn सङ्कलनमा पाउनुहोस्

🔧 सहायता चाहिन्छ? सामान्य समस्याहरूको समाधानका लागि हाम्रा समस्या समाधान मार्गदर्शन हेर्नुहोस्।

विद्यार्थीहरू, यो पाठ्यक्रम प्रयोग गर्न, सम्पूर्ण रिपोजिटरीलाई आफ्नो GitHub खातामा fork गर्नुहोस् र अभ्यासहरू आफैं वा समूहसँग पूरा गर्नुहोस्:

• प्रि-लेक्चर क्विजबाट शुरू गर्नुहोस्।
• लेक्चर पढ्नुहोस् र गतिविधिहरू पूरा गर्नुहोस्, प्रत्येक ज्ञान जाँचमा रोकिएर विचार गर्नुहोस्।
• समाधान कोड चलाउनभन्दा पाठलाई बुझेर परियोजना सिर्जना गर्न प्रयास गर्नुहोस्; तथापि त्यो कोड प्रत्येक परियोजना-केन्द्रित पाठको /solution फोल्डरमा उपलब्ध छ।
• पोस्ट-लेक्चर क्विज लिनुहोस्।
• चुनौती पूरा गर्नुहोस्।
• असाइनमेन्ट पूरा गर्नुहोस्।
• एक पाठ समूह पूरा गरेपछि, चर्चा बोर्ड मा जानुहोस् र उपयुक्त PAT रुबरिक भर्दै "ठूलो स्वरमा सिक्नुहोस्"। 'PAT' प्रगति मूल्यांकन उपकरण हो, जसलाई तपाईंले भर्दा आफ्नो सिकाइलाई बढावा दिन्छ। तपाईंले अरू PAT हरूमा प्रतिक्रिया दिन पनि सक्नुहुन्छ त्यसरी हामी सँगै सिक्न सक्छौं।

थप अध्ययनको लागि, हामी यी Microsoft Learn मोड्युलहरू र सिकाइ मार्गहरू अनुसरण गर्न सिफारिस गर्छौं।

शिक्षकहरू, यस पाठ्यक्रम प्रयोग गर्ने केही सुझावहरू हामीले समेटेका छौं।

---

भिडियो हिडाइडाइ

केही पाठहरू छोटो भिडियोको रूपमा उपलब्ध छन्। यी सबैलाई तपाईं पाठहरू भित्र पाउनुहुन्छ, वा ML for Beginners प्लेलिस्ट Microsoft Developer YouTube च्यानलमा तलको तस्वीरमा क्लिक गरेर हेर्न सक्नुहुन्छ।

---

टोलीसँग भेटघाट

Gif द्वारा Mohit Jaisal

🎥 माथिको तस्वीरमा क्लिक गर्दा परियोजना र यसलाई सिर्जना गर्ने मानिसहरूको भिडियो हेर्न सकिन्छ!

---

शिक्षण विधि

हामीले यो पाठ्यक्रम तयार पार्दा दुई शैक्षिक सिद्धान्तहरू छनौट गरेका छौं: यसलाई हातमा लिई परियोजना-आधारित बनाउनु र यसमा बारम्बार क्विजहरू समावेश गर्नु। थप रूपमा, यो पाठ्यक्रमसँग एउटा साझा थीम छ जसले यसलाई एकता दिन्छ।

सामग्रीलाई परियोजनासँग मिलाएर, विद्यार्थीहरूको लागि प्रक्रिया रमाइलो बनाइन्छ र अवधारणाको अवधारण क्षमता वृद्धि हुन्छ। कक्षाको अघि कम जोखिमको क्विजले विद्यार्थीलाई विषय सिक्ने चाहना जगाउँछ भने कक्षाको पछि दोस्रो क्विजले थप सम्झना सुनिश्चित गर्दछ। यो पाठ्यक्रम लचिलो र रमाइलो बनाइएको छ र पुरा वा भागमा लिन सकिन्छ। परियोजनाहरू सुरुमा साना हुन्छन् र १२ हप्ताको अन्त्यतिर झनै जटिल बन्दै जान्छन्। यसमा ML को वास्तविक संसारका अनुप्रयोगहरू समावेश गरिएको छ, जुन अतिरिक्त क्रेडिट वा छलफलको आधारको रूपमा प्रयोग गर्न सकिन्छ।

हाम्रो आचरण संहिता, योगदान गर्ने तरिका, अनुवादहरू, र समस्या समाधान निर्देशनहरू पाउनसक्नुहुन्छ। तपाईका रचनात्मक प्रतिक्रिया स्वागत छ!

प्रत्येक पाठमा समावेश छन्

• वैकल्पिक स्केचनोट
• वैकल्पिक पूरक भिडियो
• भिडियो हिडाइडाइ (केही पाठहरूमा मात्र)
• प्री-लेक्चर वार्मअप क्विज
• लिखित पाठ
• परियोजना-आधारित पाठहरूमा परियोजना निर्माणका चरण-द्वारा-चरण निर्देशनहरू
• ज्ञान जाँचहरू
• चुनौती
• पूरक पढाइ
• असाइनमेन्ट
• पोस्ट-लेक्चर क्विज

भाषाहरूको लागि एउटा नोट: यी पाठहरू मुख्य रूपमा Python मा लेखिएका छन्, तर धेरै पाठहरू R मा पनि उपलब्ध छन्। R पाठ पूरा गर्न, /solution फोल्डरमा गई R पाठहरू खोज्नुहोस्। तिनीहरूमा .rmd विस्तार हुन्छ जुन R Markdown फाइल हो, जसलाई सरल रूपमा code chunks (R वा अन्य भाषाहरूका) र YAML header (PDF जस्ता आउटपुट कसरी फर्म्याट गर्ने निर्देश दिने)लाई Markdown कागजात मा एकीकृत गर्ने रूपले व्याख्या गर्न सकिन्छ। यसले तपाईंलाई कोड, यसको आउटपुट, र तपाईंका विचारहरू Markdown मा लेख्न अनुमति दिँदै डेटा विज्ञानका लागि उत्कृष्ट लेखन फ्रेमवर्कको रूपमा काम गर्दछ। अझ, R Markdown कागजातहरू PDF, HTML, वा Word जस्ता आउटपुट स्वरूपहरूमा रूपान्तरित गर्न सकिन्छ। क्विजहरू सम्बन्धमा एउटा नोट: सबै क्विजहरू Quiz App फोल्डर भित्र छन्, जुनमा प्रत्येकमा तीन प्रश्नहरूको ५२ कुल क्विजहरू छन्। तिनीहरू पाठहरू भित्रबाट लिंक गरिएका छन् तर क्विज एप स्थानीय रूपमा चलाउन सकिन्छ; स्थानीय रूपमा होस्ट वा Azure मा डिप्लोय गर्न quiz-app फोल्डरमा निर्देशनहरू पालना गर्नुहोस्।

पाठ संख्या	विषय	पाठ समूह	सिकाइ उद्देश्यहरू	लिंक गरिएको पाठ	लेखक
०१	मेशिन लर्निङ्गमा परिचय	परिचय	मेशिन लर्निङ्गको आधारभूत सिद्धान्तहरू सिक्नुहोस्	पाठ	मुहम्मद
०२	मेशिन लर्निङ्गको इतिहास	परिचय	यो क्षेत्रको इतिहास सिक्नुहोस्	पाठ	जेन र एमी
०३	निष्पक्षता र मेशिन लर्निङ्ग	परिचय	मेशिन लर्निङ्ग मोडेलहरू बनाउँदा र लागू गर्दा विद्यार्थीहरूले विचार गर्नुपर्ने निष्पक्षता सम्बन्धी महत्वपूर्ण दार्शनिक मुद्दाहरू के हुन्?	पाठ	तोमोमी
०४	मेशिन लर्निङ्गका प्रविधिहरू	परिचय	मेशिन लर्निङ्ग मोडेलहरू बनाउन शोधकर्ताहरूले कस्ता प्रविधिहरू प्रयोग गर्छन्?	पाठ	क्रिस र जेन
०५	रिग्रेसनमा परिचय	रिग्रेसन	पेथन र स्किकिट-लर्नसँग रिग्रेसन मोडेलहरू प्रयोग गर्न सुरु गर्नुहोस्	Python • R	जेन • एरिक वन्जाउ
०६	उत्तर अमेरिकी कद्दू मूल्यहरू 🎃	रिग्रेसन	एमएल को तयारीका लागि डाटा भिजुअलाइज र सफा गर्नुहोस्	Python • R	जेन • एरिक वन्जाउ
०७	उत्तर अमेरिकी कद्दू मूल्यहरू 🎃	रिग्रेसन	रेखीय र बहुपदीय रिग्रेसन मोडेलहरू बनाउनुहोस्	Python • R	जेन र डिमिटी • एरिक वन्जाउ
०८	उत्तर अमेरिकी कद्दू मूल्यहरू 🎃	रिग्रेसन	एक Logistic regression मोडेल बनाउनुहोस्	Python • R	जेन • एरिक वन्जाउ
०९	वेब एप्लिकेसन 🔌	वेब एप	तपाईंको प्रशिक्षित मोडेल प्रयोग गर्न वेब एप्लिकेसन बनाउनुहोस्	Python	जेन
१०	वर्गीकरणमा परिचय	वर्गीकरण	आफ्नो डाटा सफा, तयारी र भिजुअलाइज गर्नुहोस्; वर्गीकरणमा परिचय	Python • R	जेन र क्यासी • एरिक वन्जाउ
११	स्वादिष्ट एशियाली र भारतीय भोजनहरूको परिचय 🍜	वर्गीकरण	वर्गीकर्ताहरूमा परिचय	Python • R	जेन र क्यासी • एरिक वन्जाउ
१२	स्वादिष्ट एशियाली र भारतीय भोजनहरूको परिचय 🍜	वर्गीकरण	थप वर्गीकर्ताहरू	Python • R	जेन र क्यासी • एरिक वन्जाउ
१३	स्वादिष्ट एशियाली र भारतीय भोजनहरूको परिचय 🍜	वर्गीकरण	आफ्नो मोडेल प्रयोग गरी सिफारिस गर्ने वेब एप बनाउनुहोस्	Python	जेन
१४	क्लस्टरिङमा परिचय	क्लस्टरिङ	आफ्नो डाटा सफा, तयारी र भिजुअलाइज गर्नुहोस्; क्लस्टरिङमा परिचय	Python • R	जेन • एरिक वन्जाउ
१५	नाइजेरियन संगीत रुचिहरूको अन्वेषण 🎧	क्लस्टरिङ	K-Means क्लस्टरिङ विधि अन्वेषण गर्नुहोस्	Python • R	जेन • एरिक वन्जाउ
१६	प्राकृतिक भाषा प्रशोधनमा परिचय ☕️	प्राकृतिक भाषा प्रशोधन	एउटा सजिलो बोट बनाएर NLP का आधारभूत कुरा सिक्नुहोस्	Python	स्टिफेन
१७	सामान्य NLP कार्यहरू ☕️	प्राकृतिक भाषा प्रशोधन	भाषा संरचनाहरूमा काम गर्दा आवश्यक सामान्य कार्यहरू बुझेर आफ्नो NLP ज्ञानलाई गहिराइमा पुर्याउनुहोस्	Python	स्टिफेन
१८	अनुवाद र भावना विश्लेषण ♥️	प्राकृतिक भाषा प्रशोधन	Jane Austen का साथ अनुवाद र भावना विश्लेषण	Python	स्टिफेन
१९	युरोपका रोमान्टिक होटेलहरू ♥️	प्राकृतिक भाषा प्रशोधन	होटेल समीक्षा १ संग भावना विश्लेषण	Python	स्टिफेन
२०	युरोपका रोमान्टिक होटेलहरू ♥️	प्राकृतिक भाषा प्रशोधन	होटेल समीक्षा २ संग भावना विश्लेषण	Python	स्टिफेन
२१	समय श्रृंखला भविष्यवाणीमा परिचय	समय श्रृंखला	समय श्रृंखला भविष्यवाणीमा परिचय	Python	फ्रान्चेस्का
२२	⚡️ विश्व विद्युत प्रयोग ⚡️ - ARIMA सँग समय श्रृंखला भविष्यवाणी	समय श्रृंखला	ARIMA सँग समय श्रृंखला भविष्यवाणी	Python	फ्रान्चेस्का
२३	⚡️ विश्व विद्युत प्रयोग ⚡️ - SVR सँग समय श्रृंखला भविष्यवाणी	समय श्रृंखला	Support Vector Regressor सँग समय श्रृंखला भविष्यवाणी	Python	अनिर्बान
२४	प्रतिस्थापन शिक्षामा परिचय	प्रतिस्थापन शिक्षा	Q-Learning सँग प्रतिस्थापन शिक्षामा परिचय	Python	डिमिटी
२५	पिटरलाई बाघबाट बचाउनुहोस्! 🐺	प्रतिस्थापन शिक्षा	प्रतिस्थापन शिक्षाको जिम	Python	डिमिटी
उपसंहार	वास्तविक संसारका ML परिदृश्यहरू र अनुप्रयोगहरू	ML वाइल्डमा	शास्त्रीय ML का रोचक र खुलासात्मक वास्तविक संसारका अनुप्रयोगहरू	पाठ	टोली
उपसंहार	RAI ड्यासबोर्ड प्रयोग गरी ML मा मोडेल डिबगिङ	ML वाइल्डमा	जिम्मेवार AI ड्यासबोर्ड कम्पोनेन्टहरू प्रयोग गरी मेशिन लर्निङ्गमा मोडेल डिबगिङ	पाठ	रुथ याकुवु

यस कोर्सका लागि सबै अतिरिक्त स्रोतहरू हाम्रो Microsoft Learn संग्रहमा खोज्नुहोस्

अफलाइन पहुँच

तपाईं Docsify प्रयोग गरेर यो दस्तावेजीकरण अफलाइन चलाउन सक्नुहुन्छ। यो रेपो फोर्क गर्नुहोस्, आफ्नो स्थानीय मेसिनमा Docsify स्थापना गर्नुहोस्, र त्यसपछि यस रेपोको रूट फोल्डरमा docsify serve टाइप गर्नुहोस्। वेबसाइट तपाईंको लोकलहोस्टमा पोर्ट 3000 मा सेवा गरिनेछ: localhost:3000।

PDF हरू

क्युरिकुलमको PDF यहाँ लिंक सहित पाउनुहोस् यहाँ।

🎒 अन्य कोर्सहरू

हाम्रो टोलीले अन्य कोर्सहरू उत्पादन गर्दछ! जाँच गर्नुहोस्:

LangChain

Azure / Edge / MCP / Agents

---

जनरेटिभ AI शृंखला

---

मुख्य सिकाइ

---

कोपाइलट श्रृंखला

मद्दत पाउनुहोस्

यदि तपाईं अड्किनुभयो वा AI अनुप्रयोग निर्माण गर्ने बारे कुनै प्रश्नहरू छन् भने। MCP सम्बन्धी छलफलमा साथी सिक्नेहरू र अनुभवी विकासकर्ताहरू सँग सामेल हुनुहोस्। यो एक सहयोगी समुदाय हो जहाँ प्रश्नहरू स्वागतयोग्य छन् र ज्ञान स्वतन्त्र रूपमा साझा गरिन्छ।

यदि तपाईंसँग उत्पादन सम्बन्धी प्रतिक्रिया वा निर्माण गर्दा त्रुटिहरू छन् भने भ्रमण गर्नुहोस्:

थप सिकाइ सुझावहरू

• प्रत्येक पाठ पछिको नोटबुकहरू अवलोकन गर्नुहोस् राम्रो बुझाइका लागि।
• आफैँले एल्गोरिदमहरू कार्यान्वयन गर्ने अभ्यास गर्नुहोस्।
• सिकेका अवधारणाहरू प्रयोग गरेर वास्तविक संसारका डेटा सेटहरू अन्वेषण गर्नुहोस्।

---

अस्वीकरण: यस दस्तावेजलाई AI अनुवाद सेवा Co-op Translator प्रयोग गरी अनुवाद गरिएको हो। हामी सटीकता तर्फ प्रयासरत छौं, तर कृपया यो बुझ्नुस् कि स्वचालित अनुवादमा त्रुटि वा अशुद्धता हुन सक्छ। मूल दस्तावेज यसको मूल भाषामा नै अधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण सूचनाका लागि पेशेवर मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न कुनै पनि बुझाइको गलतफहमी वा व्याख्यामा हामी जिम्मेवार हुने छैनौं।