अरेबिक | बंगाली | बुल्गेरियन | बर्मीस (म्यानमार) | चिनी (सोपे) | चिनी (परंपरागत, हाँग काँग) | चिनी (परंपरागत, मकाऊ) | चिनी (परंपरागत, तैवान) | क्रोएशियन | चेक | डॅनिश | डच | एस्टोनियन | फिनिश | फ्रेंच | जर्मन | ग्रीक | हेब्रू | हिंदी | हंगेरियन | इंडोनेशियन | इटालियन | जपानी | कन्नड | कोरियन | लिथुआनियन | मलय | मलयाळम | मराठी | नेपाली | नायजेरियन पिड्गिन | नॉर्वेजियन | फारसी (फारशी) | पोलिश | पोर्तुगीज (ब्राझील) | पोर्तुगीज (पोर्तुगाल) | पंजाबी (गुरमुखी) | रोमानियन | रशियन | सर्बियन (सिरिलिक) | स्लोव्हाक | स्लोव्हेनियन | स्पॅनिश | स्वाहिली | स्वीडिश | टागालॉग (फिलिपिनो) | तमिळ | तेलुगू | थाई | तुर्की | युक्रेनियन | उर्दू | व्हिएतनामीज
स्थानिक क्लोन करायचा आहे का?
या रिपॉझिटरीमध्ये 50+ भाषा अनुवाद आहेत जे डाउनलोडचा आकार मोठा करतात. अनुवादांशिवाय क्लोन करण्यासाठी sparse checkout वापरा:
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"या पद्धतीने तुम्हाला कोर्स पूर्ण करण्यासाठी आवश्यक सर्वकाही मिळेल आणि डाउनलोड अधिक वेगवान होईल.
आम्ही AI सह शिका सिरीज Discord मध्ये चालू आहे, अधिक माहिती घेण्यासाठी आणि सहभागी होण्यासाठी येथे जा Learn with AI Series 18 - 30 सप्टेंबर, 2025. तुम्हाला GitHub Copilot चा डेटा सायन्समध्ये वापर करण्याचे टिप्स आणि ट्रिक्स मिळतील.
🌍 जगभर फिरताना आपण मशीन लर्निंग जगभरातील संस्कृतींद्वारे शिकलो 🌍
Microsoft मधील Cloud Advocates हे १२ आठवड्यांचे, २६ धडा असलेले मशीन लर्निंग विषयी अभ्यासक्रम सादर करत आहेत. या अभ्यासक्रमात तुम्हाला बहुतेक वेळ Scikit-learn या लायब्ररीचा वापर करून “शास्त्रीय मशीन लर्निंग” काय आहे ते शिकवले जाईल, डीप लर्निंग टाळले जाईल, जे आमच्या AI for Beginners' curriculum मध्ये समाविष्ट आहे. या धड्यांना आमच्या 'Data Science for Beginners' curriculum सह जोडा!
जगभर फिरत असताना विविध क्षेत्रांतील डेटा वापरून हे शास्त्रीय तंत्र शिकूया. प्रत्येक धड्यात प्री आणि पोस्ट लेक्चर क्विझेस, लिहिलेले सूचना, एक उपाय, एक असाईनमेंट आणि बरेच काही असेल. आमच्या प्रोजेक्ट-आधारित शिक्षण पद्धतीने तुम्ही शिकत असताना तयार कराल, ज्यामुळे नवीन कौशल्ये अधिक चांगली राहतात.
✍️ आमच्या लेखकांचे मनापासून आभार Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu आणि Amy Boyd
🎨 आमच्या चित्रकारांचेही धन्यवाद Tomomi Imura, Dasani Madipalli, आणि Jen Looper
🙏 खास धन्यवाद 🙏 Microsoft Student Ambassador लेखक, पुनरावलोकक आणि सामग्री देणाऱ्यांना, विशेषतः Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, आणि Snigdha Agarwal
🤩 आमच्या R धड्यांसाठी Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, आणि Vidushi Gupta यांचे अतिरिक्त आभार!
या टप्प्यांचे अनुसरण करा:
- रिपॉझिटरीची Fork करा: या पृष्ठाच्या वरच्या उजव्या कोपर्यातील "Fork" बटणावर क्लिक करा.
- रिपॉझिटरी क्लोन करा:
git clone https://github.com/microsoft/ML-For-Beginners.git
या कोर्ससाठी सर्व अतिरिक्त संसाधने आमच्या Microsoft Learn संग्रहात शोधा
🔧 मदतीची गरज आहे का? इंस्टॉलेशन, सेटअप, आणि धडे चालवण्यासंबंधी सामान्य समस्यांसाठी आमचा Troubleshooting Guide तपासा.
विद्यार्थी, हा अभ्यासक्रम वापरण्यासाठी, पूर्ण रिपॉझिटरी आपल्या GitHub खात्यात Fork करा आणि आपण स्वतः किंवा समूहासह व्यायाम पूर्ण करा:
- प्री-लेक्चर क्विझ पास करा.
- लेक्चर वाचा आणि क्रियाकलाप पूर्ण करा, प्रत्येक ज्ञान तपासणीत थांबून विचार करा.
- उपाय कोड ध्येय न करता धडे समजून प्रोजेक्ट तयार करण्याचा प्रयत्न करा; तरी हा कोड प्रत्येक प्रोजेक्ट-आधारित धड्याच्या
/solutionफोल्डरमध्ये उपलब्ध आहे. - पोस्ट-लेक्चर क्विझ घ्या.
- चॅलेंज पूर्ण करा.
- असाईनमेंट पूर्ण करा.
- धडे गट पूर्ण केल्यानंतर, Discussion Board ला भेट द्या आणि योग्य PAT रूपरेषा भरून "आउट लाउड शिकण्याचा" सराव करा. 'PAT' म्हणजे प्रगती मूल्यांकन साधन ज्याद्वारे आपण शिकतांना पुढे जाऊ शकता. तुम्ही इतर PAT वर प्रतिक्रिया देखील देऊ शकता जेणेकरून आपण एकत्र शिकू शकू.
पुढील अभ्यासासाठी आम्ही या Microsoft Learn मॉड्यूल्स आणि प्रशिक्षण मार्गांचे अनुसरण करण्याची शिफारस करतो.
शिक्षक, आम्ही काही सूचना दिल्या आहेत की हा अभ्यासक्रम कसा वापरायचा.
काही धडे लघु व्हिडिओ रूपात उपलब्ध आहेत. तुम्हाला हे धडे ओळीत किंवा Microsoft Developer YouTube चैनलवरील ML for Beginners प्लेलिस्टमध्ये पाहता येतील, खालील प्रतिमेवर क्लिक करा.
चित्रपट मोहित जयसाल यांनी बनवलेले आहे Mohit Jaisal
🎥 प्रकल्प आणि त्याचे निर्माते याबद्दल व्हिडिओसाठी वर दिलेल्या प्रतिमेवर क्लिक करा!
या अभ्यासक्रमासाठी आम्ही दोन शैक्षणिक तत्त्वे निवडली आहेत: ते हाताळणीच्या प्रोजेक्ट-आधारित असणे आणि वारंवार क्विझ असणे. याशिवाय, हा अभ्यासक्रम एका संयुक्त थीमवर आधारित आहे.
सामग्री प्रोजेक्ट्सशी जुळवून देऊन हे विद्यार्थी अधिक गुंतवून ठेवणारे आणि संकल्पना लक्षात ठेवायला मदत करणारे होते. वर्गापूर्वी कमी दबावाचा क्विझ शिकण्याच्या उद्दिष्टाला मदत करतो, तर वर्गानंतर दुसरा क्विझ अधिक चांगल्या लक्षात ठेवणाऱया मदत करतो. हा अभ्यासक्रम लवचिक आणि मजेदार आहे, पूर्ण किंवा भागांमध्ये शिकता येतो. प्रोजेक्ट्स लहान पासून सुरुवात होतात आणि अंतिम १२ आठवड्यांच्या चक्रात अधिक जटिल होतात. हा अभ्यासक्रम ML च्या प्रत्यक्ष जगातील वापरांवर एक पोस्टस्क्रिप्ट देखील समाविष्ट करतो, जी अतिरिक्त गुणांसाठी किंवा चर्चेसाठी वापरता येऊ शकते.
आमचा नेहमीचे आचारसंहिता, योगदान, भाषांतर, आणि समस्या निराकरण मार्गदर्शक शोधा. तुमच्या रचनात्मक अभिप्रायाचे स्वागत आहे!
- ऐच्छिक स्केच नोट
- ऐच्छिक पूरक व्हिडिओ
- व्हिडिओ मार्गदर्शक (काही धड्यांसाठी)
- प्री-लेक्चर वॉर्म-अप क्विझ
- लिहिलेला धडा
- प्रोजेक्ट-आधारित धड्यांसाठी प्रोजेक्ट तयार करण्याचे चरण-दर-चरण मार्गदर्शक
- ज्ञान तपासणी
- एक आव्हान
- पूरक वाचन
- असाईनमेंट
- पोस्ट-लेक्चर क्विझ
भाषांबद्दल एक टीप: हे धडे प्रामुख्याने Python मध्ये लिहिलेले आहेत, पण अनेक R मध्ये देखील उपलब्ध आहेत. R धडा पूर्ण करण्यासाठी
/solutionफोल्डरमध्ये जाऊन R धडे शोधा. त्यात .rmd विस्तार असतो जो R Markdown फाइलचे प्रतिनिधित्व करतो, जी सोप्या शब्दांतcode chunks(R किंवा इतर भाषांमधील) आणिYAML header(जो PDF सारख्या आउटपुटचे स्वरूप कसे करायचे ते मार्गदर्शन करतो) यांचेMarkdown दस्तऐवजमध्ये एम्बेडिंग आहे. म्हणून, हा डेटा सायन्ससाठी एक आदर्श लेखक फ्रेमवर्क म्हणून काम करतो कारण तो तुम्हाला तुमचा कोड, त्याचा आउटपुट आणि तुमच्या विचारांनाही Markdown मध्ये लिहून combination करण्याची परवानगी देतो. त्याचबरोबर, R Markdown दस्तऐवज PDF, HTML किंवा Word सारख्या आउटपुट स्वरुपांमध्ये प्रस्तुत केले जाऊ शकतात.
क्विझेसबद्दल एक टीप: सर्व क्विझेस Quiz App फोल्डरमध्ये आहेत, एकूण ५२ क्विझेस साठी प्रतेक मध्ये तीन प्रश्न आहेत. ते धड्यांमध्ये लिंक केलेले आहेत पण क्विझ ॲप स्थानिक पद्धतीने चालवू शकता; स्थानिक होस्टिंग किंवा Azure वर डिप्लॉय करण्यासाठी
quiz-appफोल्डरमधील सूचना पाळा.
| धडा क्रमांक | विषय | धडा गट | शिकण्याचे उद्दिष्टे | लिंक केलेला धडा | लेखक |
|---|---|---|---|---|---|
| 01 | मशीन लर्निंगचे परिचय | Introduction | मशीन लर्निंगच्या मूलभूत संकल्पना शिका | Lesson | मुहम्मद |
| 02 | मशीन लर्निंगचा इतिहास | Introduction | या क्षेत्राचा इतिहास शिका | Lesson | जेन आणि एमी |
| 03 | निष्पक्षता आणि मशीन लर्निंग | Introduction | निष्पक्षतेशी संबंधित महत्त्वाचे तत्त्वज्ञानिक प्रश्न कोणते आहेत जे विद्यार्थ्यांनी ML मॉडेल तयार आणि लागू करताना विचारात घ्यावे? | Lesson | टोमोमी |
| 04 | मशीन लर्निंगसाठी तंत्रे | Introduction | मशीन लर्निंग संशोधक कुनि तंत्रांचा वापर करून ML मॉडेल तयार करतात? | Lesson | क्रिस आणि जेन |
| 05 | रिग्रेशनसाठी परिचय | Regression | रिग्रेशन मॉडेलसाठी Python आणि Scikit-learn सह सुरू करा | Python • R | जेन • एरिक वान्जाऊ |
| 06 | नॉर्थ अमेरिकन भोपळ्याच्या किंमती 🎃 | Regression | मशीन लर्निंगसाठी डेटा व्हिज्युअलायझेशन आणि साफसफाई करा | Python • R | जेन • एरिक वान्जाऊ |
| 07 | नॉर्थ अमेरिकन भोपळ्याच्या किंमती 🎃 | Regression | लिनीअर आणि बहुपद रिग्रेशन मॉडेल तयार करा | Python • R | जेन आणि दिमित्री • एरिक वान्जाऊ |
| 08 | नॉर्थ अमेरिकन भोपळ्याच्या किंमती 🎃 | Regression | लॉजिस्टिक रिग्रेशन मॉडेल तयार करा | Python • R | जेन • एरिक वान्जाऊ |
| 09 | वेब ॲप 🔌 | Web App | तुमचा प्रशिक्षण घेतलेला मॉडेल वापरण्यासाठी वेब ॲप तयार करा | Python | जेन |
| 10 | वर्गीकरणाचे परिचय | Classification | तुमचा डेटा स्वच्छ, तयार आणि व्हिज्युअलाइझ करा; वर्गीकरणाचे परिचय | Python • R | जेन आणि कॅसी • एरिक वान्जाऊ |
| 11 | स्वादिष्ट आशियाई आणि भारतीय जेवणं 🍜 | Classification | वर्गीकरण करणाऱ्यांचे परिचय | Python • R | जेन आणि कॅसी • एरिक वान्जाऊ |
| 12 | स्वादिष्ट आशियाई आणि भारतीय जेवणं 🍜 | Classification | अधिक वर्गीकरण करणारे | Python • R | जेन आणि कॅसी • एरिक वान्जाऊ |
| 13 | स्वादिष्ट आशियाई आणि भारतीय जेवणं 🍜 | Classification | तुमचा मॉडेल वापरून शिफारस करणारे वेब ॲप तयार करा | Python | जेन |
| 14 | क्लस्टरिंगचे परिचय | Clustering | डेटा स्वच्छ, तयार आणि व्हिज्युअलाइझ करा; क्लस्टरिंगचे परिचय | Python • R | जेन • एरिक वान्जाऊ |
| 15 | नायजेरियन संगीत आवड अन्वेषण 🎧 | Clustering | K-मिन्स क्लस्टरिंग पद्धती अन्वेषण करा | Python • R | जेन • एरिक वान्जाऊ |
| 16 | नैसर्गिक भाषा प्रक्रिया परिचय ☕️ | Natural language processing | सोपा बॉट तयार करून NLP ची मूलतत्त्वे शिका | Python | स्टीफन |
| 17 | सामान्य NLP कार्य ☕️ | Natural language processing | भाषा रचनांशी काम करताना आवश्यक सामान्य कार्य समजून NLP माहिती सखोल करा | Python | स्टीफन |
| 18 | भाषांतर आणि भावना विश्लेषण |
Natural language processing | जेन ऑस्टेनसह भाषांतर आणि भावना विश्लेषण | Python | स्टीफन |
| 19 | युरोपमधील रोमँटिक हॉटेल्स |
Natural language processing | हॉटेल पुनरावलोकनांसह भावना विश्लेषण 1 | Python | स्टीफन |
| 20 | युरोपमधील रोमँटिक हॉटेल्स |
Natural language processing | हॉटेल पुनरावलोकनांसह भावना विश्लेषण 2 | Python | स्टीफन |
| 21 | वेळ मालिका पूर्वानुमान परिचय | Time series | वेळ मालिका पूर्वानुमान परिचय | Python | फ्रान्सेस्का |
| 22 | ⚡️ जागतिक वीज वापर ⚡️ - ARIMA सह वेळ मालिका पूर्वानुमान | Time series | ARIMA सह वेळ मालिका पूर्वानुमान | Python | फ्रान्सेस्का |
| 23 | ⚡️ जागतिक वीज वापर ⚡️ - SVR सह वेळ मालिका पूर्वानुमान | Time series | समर्थन व्हेक्टर रिग्रेशनसह वेळ मालिका पूर्वानुमान | Python | अनिर्बन |
| 24 | सुदृढीकरण शिक्षणाचे परिचय | Reinforcement learning | Q-शिकण्यासह सुदृढीकरण शिक्षणाचे परिचय | Python | दिमित्री |
| 25 | पीटरला लांडग्यापासून वाचवा! 🐺 | Reinforcement learning | सुदृढीकरण शिक्षण जिम | Python | दिमित्री |
| पोस्टस्क्रिप्ट | खऱ्या जगातील ML परिस्थिती आणि अनुप्रयोग | ML in the Wild | क्लासिक ML चे मनोरंजक आणि उलगडणारे खऱ्या जगातील अनुप्रयोग | Lesson | टीम |
| पोस्टस्क्रिप्ट | RAI डॅशबोर्ड वापरून ML मध्ये मॉडेल डीबगिंग | ML in the Wild | रिस्पॉन्सिबल AI डॅशबोर्ड कॉम्पोन्ट्स वापरून मशीन लर्निंगमध्ये मॉडेल डीबगिंग | Lesson | रूथ याकुबू |
या अभ्यासक्रमासाठी सर्व अतिरिक्त संसाधने आमच्या Microsoft Learn संग्रहात शोधा
आपण हा दस्तऐवज Docsify वापरून ऑफलाइन चालवू शकता. हा रेपो Fork करा, तुमच्या स्थानिक मशीनवर Docsify इन्स्टॉल करा, आणि नंतर या रेपोच्या रूट फोल्डरमध्ये docsify serve टाइप करा. वेबसाइट तुमच्या लोकलहोस्टवरील पोर्ट 3000 वर चालवली जाईल: localhost:3000.
अभ्यासक्रमाचा PDF आवृत्ती आणि दुवे येथे पाहा.
आमची टीम इतर अभ्यासक्रम तयार करते! तपासा:
-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}
जर तुम्ही अडकले आहात किंवा AI अॅप तयार करण्याबद्दल काही प्रश्न असतील तर MCP विषयी चर्चा करा. ही एक पाठबळ देणारी समुदाय आहे जिथे प्रश्न विचारले जातात आणि ज्ञान मुक्तपणे सामायिक केले जाते.
जर तुम्हाला उत्पादनाबाबत अभिप्राय किंवा त्रुटी असतील तर येथे भेट द्या:
- प्रत्येक धड्यापूर्वी नोटबुक पुनरावलोकन करा जेणेकरून चांगल्या प्रकारे समजेल.
- स्वतःच अल्गोरिदम अमलात आणण्याचा सराव करा.
- शिकलेल्या संकल्पनांचा उपयोग करून खऱ्या जगातील डेटासेट एक्सप्लोर करा.
सूचना: हा दस्तऐवज AI अनुवाद सेवा Co-op Translator वापरून अनुवादित केला आहे. आम्ही अचूकतेसाठी प्रयत्नशील आहोत, तरी कृपया ध्यानात घ्या की स्वयंचलित अनुवादांमध्ये चुका अथवा अचूकतेची कमतरता असू शकते. मूळ दस्तऐवज त्याच्या स्थानिक भाषेत अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीकरिता व्यावसायिक मानव अनुवाद शिफारसीय आहे. या अनुवादाचा उपयोग करून उद्भवलेल्या कोणत्याही गैरसमजूबाबत किंवा चुकीच्या अर्थपडताळीसाठी आम्ही जबाबदार नाही.