README.md

🌐 బహుభాషా మద్దతు

GitHub యాక్షన్ ద్వారా మద్దతు (ఆటోమేటెడ్ & ఎప్పుడూ తాజా)

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

స్థానికంగా క్లోన్ చేయాలనుకుంటున్నారా?

ఈ రిపోసిటరీలో 50+ భాషా అనువాదాలు ఉన్నాయి, ఇవి డౌన్లోడ్ పరిమాణాన్ని గణనీయంగా పెంచుతాయి. అనువాదాలు లేకుండా క్లోన్ చేసుకోవడానికి, స్పార్స్ చెకౌట్ ఉపయోగించండి:

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"

ఈ విధంగా మీరు కోర్సును పూర్తి చేయడానికి అవసరమైన అన్నింటినీ తక్షణంగా పొందవచ్చు.

మా కమ్యూనిటీతో చేరండి

మనం ఒక Discord లో "learn with AI" సీరీస్ జరుగుతున్నది, మరింత తెలుసుకోండి మరియు 18 - 30 సెప్టెంబర్, 2025 వరకు Learn with AI Series వద్ద మాతో చేరండి. మీరు GitHub Copilot ను Data Science కోసం ఉపయోగించే సూచనలు మరియు మాయాజాలాలను పొందగలుగుతారు.

కొత్తవారికి మెషీన్ లెర్నింగ్ - ఒక పాఠ్యક્રમం

🌍 ప్రపంచ సంస్కృతుల ద్వారా మెషీన్ లెర్నింగ్‌ను అన్వేషించడమే మన ప్రయాణం 🌍

Microsoftలో క్లౌడ్ అడ్వొకేట్లు మెషీన్ లెర్నింగ్ గురించి 12-వారం, 26-పాఠాలు కలిగిన పాఠ్యક્રમాన్ని అందిస్తున్నందుకు సంతోషిస్తున్నాము. ఈ పాఠ్యക്രമంలో, మీరు కొన్ని సందర్భాలలో క్లాసిక్ మెషీన్ లెర్నింగ్ అనే పద్ధతులను నేర్చుకుంటారు, ప్రధానంగా Scikit-learn లైబ్రరీ ఉపయోగించి, డీప్ లెర్నింగ్‌ను తప్పించుకుంటూ, ఇది మన AI for Beginners' curriculum లో ఉన్నది. ఈ పాఠ్యక్రమాన్ని మన 'Data Science for Beginners' curriculum తో జత చేస్తే బాగుంటుంది!

ప్రపంచం మొత్తం నుండి డేటాను తీసుకుని ఈ క్లాసిక్ పద్ధతులను మనం అన్వయిస్తాం. ప్రతి పాఠంలో ప్రీ మరియు పోస్టు-పాఠం క్విజ్‌లు, పాఠం పూర్తి చేసేందుకు రచనాత్మక ఆదేశాలు, ఒక పరిష్కారం, ఒక అసైన్‌మెంట్ మరియు ఇతర వివరాలు ఉంటాయి. మన ప్రాజెక్ట్-ఆధారిత పద్ధతి వల్ల మీరు అభ్యాసం చేస్తూ నేర్చుకుంటారు, ఇది కొత్త నైపుణ్యాలను గ్రహించడానికి చాలా ఉపయోగకరం.

✍️ హృదయపూర్వక ధన్యవాదాలు మా రచయితలకు: Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu మరియు Amy Boyd

🎨 మాకు చిత్రాలు అందించిన: Tomomi Imura, Dasani Madipalli, మరియు Jen Looper కు ధన్యవాదాలు

🙏 ప్రత్యేక ధన్యవాదాలు 🙏 మా Microsoft Student Ambassador రచయితలు, సమీక్షకులు, మరియు కంటెంట్ సహకారిణులకు, ముఖ్యంగా Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, మరియు Snigdha Agarwal

🤩 R పాఠాల కొరకు Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, మరియు Vidushi Gupta కు అదనపు కృతజ్ఞతలు!

ప్రారంభించడం

ఈ దశలను అనుసరించండి:

1. రిపోజిటరీని Fork చేసుకోండి: ఈ పేజీ పైకుడి కోనలో ఉన్న "Fork" బటన్ పై క్లిక్ చేయండి.
2. రిపోజిటరీని Clone చేసుకోండి: git clone https://github.com/microsoft/ML-For-Beginners.git

ఈ కోర్సుకు సంబంధించిన అన్ని అదనపు వనరులను మా Microsoft Learn సేకరణలో చూడండి

🔧 సహాయం కావాలా? సాధారణ ఇన్స్టాలేషన్, సెటప్, మరియు పాఠాలు నడిపించడంలో సమస్యలకు మేము Troubleshooting Guide అందిస్తున్నాము.

విద్యార్థులు, ఈ పాఠ్యక్రమం ఉపయోగించేందుకు, మీరు ఈ మొత్తం రెపోను మీ GitHub ఖాతాకు ఫోర్క్ చేసి, స్వయంగా లేదా జట్టుతో వ్యాయామాలు పూర్తి చేయండి:

• ప్రీ-లెక్చర్ క్విజ్ తో ప్రారంభించండి.
• పాఠం చదవండి మరియు క్రియాకలాపాలను పూర్తి చేయండి, ప్రతి నోటిఫికేషన్ వద్ద ఆలోచింప జేయండి.
• ప్రాజెక్టులు సృష్టించే ప్రయత్నం చెయ్యండి, పరిష్కార కోడ్ నడపడం కాకుండా పాఠాలు అర్థం చేసుకుంటూ; ఆ కోడ్ /solution ఫోల్డర్లలో అందుబాటులో ఉంటుంది.
• పోస్ట్-లెక్చర్ క్విజ్ చేయండి.
• ఛాలెంజ్ పూర్తి చేయండి.
• అసైన్‌మెంట్ పూర్తి చేయండి.
• పాఠాల గుంపు పూర్తయిన తర్వాత, Discussion Board ను సందర్శించండి మరియు 'PAT రుబ్రిక్'ని సరిగ్గా పూరించి "స్పష్టంగా నేర్చుకోండి." PAT అంటే మీరు మీ అభ్యాసాన్ని ముందుకు తీసుకెళ్లేందుకు పూర్తి చేసే ప్రోగ్రెస్ అసెస్‌మెంట్ టూల్. మీరు ఇతర PATs కు కూడా స్పందించి మనం కలిసి నేర్చుకోవచ్చు.

మరింత అభ్యాసం కొరకు, ఈ Microsoft Learn మాడ్యూల్స్ మరియు లెర్నింగ్ పాథ్స్ ను అనుసరించండి.

ఉపాధ్యాయులు, ఈ పాఠ్యక్రమాన్ని ఎలా ఉపయోగించాలో కొంత సలహాలు మేము కొత్తగా చేర్చాము.

---

వీడియో వాక్‌థ్రూ

కొన్ని పాఠాలు చిన్నవీడియోలుగా అందుబాటులో ఉన్నాయి. మీరు ఇవన్నీ పాఠాలలో పక్కననే చూడవచ్చు, లేదా ML for Beginners ప్లేలిస్ట్‌ ను Microsoft Developer YouTube ఛానెల్‌లో క్రింది చిత్రం క్లిక్ చేసి చూడవచ్చు.

---

జట్టును కలుసుకుందాం

Gif రూపొందించిన Mohit Jaisal

🎥 పై చిత్రాన్ని క్లిక్ చేసి ప్రాజెక్ట్ మరియు అంద darin వారు గురించి వీడియో చూడండి!

---

పాఠ్య విధానం

మేము ఈ పాఠ్యక్రమాన్ని నిర్మించడంలో రెండు ముఖ్యమైన పాఠ్య సిద్ధాంతాలను ఎంచుకున్నాము: ఇది ప్రాక్టికల్ ప్రాజెక్ట్ ఆధారితం కావాలి మరియు తదుపరి తరచూ క్విజ్‌లు ఉండాలి. అదనంగా, ఈ పాఠ్యక్రమానికి ఒక సాధారణ విషయం ఉంటుంది, ఇది పాఠ్యక్రమాన్ని సుస్పష్టంగా చేస్తుంది.

కంటెంట్ ప్రాజెక్ట్లతో సమన్వయంగా ఉన్నప్పుడు, విద్యార్థులు ఎక్కువ ఆసక్తితో నేర్చుకోవడం మరియు కాన్సెప్ట్ల మెమరేషన్ మెరుగుపడుతుంది. తరగతి మొదట ఒక తక్కువ-పనికి క్విజ్ విద్యార్థిని ఆ విషయాన్ని నేర్చుకునేందుకు ఉద్దేశం పెట్టిస్తుంది, తరువాతి క్విజ్ మరింత మెమరేషన్‌కు సహాయపడుతుంది. ఈ పాఠ్యక్రమం మెరుగైన అనుకూలతను కలిగి, పూర్తి లేదా భాగంగా తీసుకోవచ్చు. ప్రాజెక్టులు చిన్నగా మొదలై చివరికి క్లిష్టత పెరుగుతాయి. ఈ పాఠ్యక్రమంలో ML యొక్క వాస్తవ ప్రపంచ కార్యక్రమాల గురించి ఒక పుస్తకారం కూడా ఉంది, దీన్ని అదనపు క్రెడిట్ లేదా చర్చకు ఉపయోగించవచ్చు.

మా ప్రవర్తనా నియమాలు, ఒపందం, అనువాదం, మరియు సమస్య పరిష్కారం మార్గదర్శకాలని చూడండి. మీ అభిప్రాయాలను స్వాగతిస్తున్నాము!

ప్రతి పాఠం లో ఉంటాయి

• ఐచ్ఛిక స్కెట్చ్ నోట్స్
• ఐచ్ఛిక సహాయక వీడియో
• వీడియో వాక్‌థ్రూ (కొంతలు మాత్రమే)
• ప్రీ-లెక్చర్ వార్మప్ క్విజ్
• వ్రాత పాఠం
• ప్రాజెక్ట్ ఆధారిత పాఠాల కొరకు, ప్రాజెక్ట్‌ను ఎలా నిర్మించవచ్చో దశల వారీ గైడ్‌లు
• జ్ఞాన eggచక్‌లు
• ఒక ఛాలెంజ్
• అదనపు పఠనం
• అసైన్‌మెంట్
• పోస్ట్-లెక్చర్ క్విజ్

భాషల గురించి ఒక గమనిక: ఈ పాఠాలు ప్రధానంగా Pythonలో రాయబడ్డవి, కాని చాలా పాఠాలు Rలో కూడా అందుబాటులో ఉన్నాయి. R పాఠం పూర్తి చేయడానికి, మీరు /solution ఫోల్డర్‌లోకి వెళ్లి R పాఠాలను చూడండి. అవి .rmd యాక్స్టెన్షన్‌ కలిగి ఉంటాయి, ఇది R Markdown ఫైల్‌కు చెందినది, దీన్ని సులభంగా code chunks (R లేదా ఇతర భాషల కోడ్ భాగాలు) మరియు YAML header (PDF లాంటి అవుట్పుట్లను ఎలా ఫార్మాట్ చేయాలో మార్గనిర్దేశం చేసే)తో కూడిన Markdown documentగా నిర్వచించవచ్చు. అందువల్ల, ఇది డేటా సైన్స్ కోసం ఒక ఆదర్శ రచనా ఫ్రేమ్‌వర్క్‌గా పనిచేస్తుంది, ఎందుకంటే మీరు మీ కోడ్, దాని అవుట్పుట్ మరియు మీ ఆలోచనలను Markdownలో వ్రాయడానికి అనుకూలిస్తుంది. ఇంకా, R Markdown డాక్యుమెంటులను PDF, HTML లేదా Word వంటి అవుట్పుట్ ఫార్మాట్లకు మార్చవచ్చు.

క్విజ్‌ల గురించి ఒక గమనిక: అన్ని క్విజ్‌లు Quiz App ఫోల్డర్లో ఉన్నాయి, మొత్తం 52 క్విజ్‌లు, ప్రతి ఒక్కటి మూడు ప్రశ్నలతో కూడుకున్నవి. అవి పాఠాలలో నుండి లింక్ చేయబడ్డాయి కానీ క్విజ్ యాప్‌ను స్థానికంగా రన్ చేయవచ్చు; స్థానికంగా హోస్ట్ చేయడానికి లేదా Azureలో డిప్లాయ్ చేసేందుకు quiz-app ఫోల్డర్‌లో ఇచ్చిన సూచనలను అనుసరించండి.

పాఠం సంఖ్య	విషయం	పాఠం సమూహం	అభ్యాస లక్ష్యాలు	లింక్ చేయబడిన పాఠం	రచయిత
01	మెషీన్ లెర్నింగ్‌కు పరిచయం	Introduction	మెషీన్ లెర్నింగ్ పునాదులు నేర్చుకోండి	Lesson	Muhammad
02	మెషీన్ లెర్నింగ్ చరిత్ర	Introduction	ఈ రంగం వెనుక ఉన్న చరిత్ర తెలుసుకోండి	Lesson	Jen and Amy
03	ఇన్‌పాటు మరియు మెషీన్ లెర్నింగ్	Introduction	మెషీన్ లెర్నింగ్ నమూనాలు నిర్మించే మరియు ఉపయోగించే సమయంలో పరిశీలించవలసిన ఇన్‌పాటు సంబంధమైన ముఖ్య తత్త్వాలు ఏమిటి?	Lesson	Tomomi
04	మెషీన్ లెర్నింగ్ సాంకేతిక పద్ధతులు	Introduction	మెషీన్ లెర్నింగ్ పరిశోధకులు ఎలాంటి పద్ధతులను ఉపయోగించి ML నమూనాలను నిర్మిస్తారు?	Lesson	Chris and Jen
05	రెగ్రెషన్‌కు పరిచయం	Regression	Python మరియు Scikit-learn ఉపయోగించి రెగ్రెషన్ మోడల్స్ మొదలు పెట్టండి	Python • R	Jen • Eric Wanjau
06	నార్త్ అమెరికన్ పంశిన్ప్ ధరలు 🎃	Regression	మెషీన్ లెర్నింగ్ కోసం డేటాను విజువలైజ్ చేసి శుభ్రం చేయండి	Python • R	Jen • Eric Wanjau
07	నార్త్ అమెరికన్ పంశిన్ప్ ధరలు 🎃	Regression	లీనియర్ మరియు పాలినామియల్ రెగ్రెషన్ మోడల్స్ నిర్మించండి	Python • R	Jen and Dmitry • Eric Wanjau
08	నార్త్ అమెరికన్ పంశిన్ప్ ధరలు 🎃	Regression	లాజిస్టిక్ రెగ్రెషన్ మోడల్ నిర్మించండి	Python • R	Jen • Eric Wanjau
09	వెబ్ యాప్ 🔌	Web App	మీరు ప్రక్షిక్షణ చేసిన మోడల్ ఉపయోగించే వెబ్ యాప్ నిర్మించండి	Python	Jen
10	వర్గీకరణకు పరిచయం	Classification	మీ డేటాను శుభ్రం చేయండి, సిద్ధం చేసుకోండి, విజువలైజ్ చేయండి; వర్గీకరణకు పరిచయం	Python • R	Jen and Cassie • Eric Wanjau
11	ఆసియన్ మరియు ఇండియన్ వంటకాలు 🍜	Classification	వర్గీకరణాల పరిచయం	Python • R	Jen and Cassie • Eric Wanjau
12	ఆసియన్ మరియు ఇండియన్ వంటకాలు 🍜	Classification	ఇంకా వర్గీకరణాలు	Python • R	Jen and Cassie • Eric Wanjau
13	ఆసియన్ మరియు ఇండియన్ వంటకాలు 🍜	Classification	మీ మోడల్ ఉపయోగించి రికమెండర్ వెబ్ యాప్ నిర్మించండి	Python	Jen
14	క్లస్టరింగ్‌కు పరిచయం	Clustering	మీ డేటాను శుభ్రం చేసి సిద్ధం చేసుకోండి; క్లస్టరింగ్‌కు పరిచయం	Python • R	Jen • Eric Wanjau
15	నైజీరియన్ సంగీత రుచులు 🎧	Clustering	K-Means క్లస్టరింగ్ పద్ధతిని అధ్యయనం చేయండి	Python • R	Jen • Eric Wanjau
16	సహజ భాషా ప్రాసెసింగ్‌కు పరిచయం ☕️	Natural language processing	ఒక సులభమైన బాట్‌ను నిర్మించి NLP ప్రాథమికాంశాలను నేర్చుకోండి	Python	Stephen
17	సాధారణ NLP పనులు ☕️	Natural language processing	భాషా నిర్మాణాలతో వ్యవహరించేటప్పుడు అవసరమైన సాధారణ పనులను అర్థం చేసుకుని మీ NLP పరిజ్ఞానాన్ని లోతుగా ఆవలోకనం చేయండి	Python	Stephen
18	అనువాదం మరియు భావ విశ్లేషణ ♥️	Natural language processing	జేన్ ఆస్టెన్‌తో అనువాదం మరియు భావ విశ్లేషణ	Python	Stephen
19	యూరప్ రొమాంటిక్ హోటల్స్ ♥️	Natural language processing	హోటల్ సమీక్షలతో భావ విశ్లేషణ 1	Python	Stephen
20	యూరప్ రొమాంటిక్ హోటల్స్ ♥️	Natural language processing	హోటల్ సమీక్షలతో భావ విశ్లేషణ 2	Python	Stephen
21	టైమ్ సిరీస్ ఫోర్కాస్టింగ్‌కు పరిచయం	Time series	టైమ్ సిరీస్ ఫోర్కాస్టింగ్ పరిచయం	Python	Francesca
22	⚡️ ప్రపంచ విద్యుత్ వినియోగం ⚡️ - ARIMAతో టైమ్ సిరీస్ ఫోర్కాస్టింగ్	Time series	ARIMAతో టైమ్ సిరీస్ ఫోర్కాస్టింగ్	Python	Francesca
23	⚡️ ప్రపంచ విద్యుత్ వినియోగం ⚡️ - SVRతో టైమ్ సిరీస్ ఫోర్కాస్టింగ్	Time series	Support Vector Regressorతో టైమ్ సిరీస్ ఫోర్కాస్టింగ్	Python	Anirban
24	రీన్ఫోర్స్ మెంట్ లెర్నింగ్‌కు పరిచయం	Reinforcement learning	Q-Learningతో రీన్ఫోర్స్ మెంట్ లెర్నింగ్ పరిచయం	Python	Dmitry
25	పీటర్ నక్కను తప్పించుకోండి! 🐺	Reinforcement learning	రీన్ఫోర్స్ మెంట్ లెర్నింగ్ జిమ్	Python	Dmitry
పోస్ట్ స్క్రిప్ట్	వాస్తవ ప్రపంచ ML సందర్భాలు మరియు అనువర్తనాలు	ML in the Wild	క్లాసికల్ ML వాస్తవ ప్రపంచంలో ఆసక్తికరమైన మరియు ప్రకాశవంతమైన అనువర్తనాలు	Lesson	Team
పోస్ట్ స్క్రిప్ట్	RAI డాష్‌బోర్డ్ ఉపయోగించి ML మోడల్ డీబగ్గింగ్	ML in the Wild	రిస్పాన్స్‌ిబుల్ AI డాష్‌బోర్డ్ భాగాల ద్వారా మెషీన్ లెర్నింగ్ మోడల్ డీబగ్గింగ్	Lesson	Ruth Yakubu

ఈ కోర్సు గురించి మా Microsoft Learn సేకరణలో మొత్తం అదనపు వనరులను ఇక్కడ కనుగొనండి

ఆఫ్‌లైన్ యాక్సెస్

మీరు ఈ డాక్యుమెంటేషన్‌ను ఆఫ్‌లైన్‌లో Docsify ఉపయోగించి రన్ చేయవచ్చు. ఈ రిపోని ఫోర్క్ చేసి, మీ స్థానిక యంత్రంలో Docsify ఇన్‌స్టాల్ చేసి, ఈ రిపో యొక్క రూట్ ఫోల్డర్‌లో docsify serve టైప్ చేయండి. వెబ్‌సైట్ స్థానికంగా పోర్ట్ 3000లో అందుబాటులో ఉంటుంది: localhost:3000.

PDFs

అధ్యయన పాఠ్య ప్రణాళిక PDFను ఇక్కడ కనుగొనండి.

🎒 ఇతర కోర్సులు

మా టీమ్ ఇతర కోర్సులు కూడా సృష్టిస్తోంది! చూసుకోండి:

LangChain

Azure / Edge / MCP / Agents

---

జనరేటివ్ AI సిరీస్

---

మూలభూతం అభ్యాసం

---

కోపైలట్ సిరీస్

సహాయం పొందడం

AI యాప్స్ తయారీలో మీరు అడ్డుకట్ట పడినట్లయితే లేదా ఏవైనా ప్రశ్నలు ఉంటే, MCP గురించి చర్చలలో పాఠశాల విద్యార్థులు మరియు అనుభవజ్ఞులైన డెవలపర్లు కలిసి చేరండి. ఇది ప్రశ్నలు అడగడానికి అనుకూలమైన కమ్యూనిటీ, ఇక్కడ విజ్ఞానం సడలింపుగా పంచుకుంటారు.

ఉత్పత్తి అభిప్రాయాలు లేదా బిల్డ్ చేస్తున్నప్పుడు పొరపాట్లు ఉంటే సందర్శించండి:

అదనపు అధ్యయన సూచనలు

• ప్రతి పాఠం తర్వాత నోట్బుక్స్‌ని సమీక్షించండి మరింత బాగా అర్థం చేసుకోవడానికి.
• స్వయంగా ఆల్గోరిథమ్స్ అమలు చేయాలని సాధన చేయండి.
• నేర్చుకున్న భావనలను ఉపయోగించి ప్రాక్టికల్ డేటా సెట్‌లను అన్వేషించండి.

---

అస్పష్టత:
ఈ పత్రాన్ని AI అనువాద సేవ Co-op Translator ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నిస్తున్నప్పటికీ, ఆటోమేటిక్ అనువాదాలలో పొరపాట్లు లేదా తప్పులుండవచ్చు. స్వదేశీ భాషలో ఉన్న అసలు పత్రం అధికారిక మూలంగా పరిగణించబడాలి. ముఖ్యమైన సమాచారం కోసం, నిపుణుల మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదాన్ని ఉపయోగించి కలిగే ఏ ఇతరార్థాలు లేదా తప్పుదారితులను మేము బాధ్యులు కాదు.