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
പ്രിയപ്പെട്ടവരെ, ലോക്കലായി ക്ലോണ് ചെയ്യുക ആഗ്രഹിക്കുന്നോ?
ഈ റിപ്പോസിറ്ററിയില് 50+ ഭാഷാ വിവര്ത്തനങ്ങള് ഉള്പ്പെടുന്നു, ഇത് ഡൗണ്ലോഡ് വലുപ്പം ഗണ്യമായി വര്ധിപ്പിക്കും. വിവര്ത്തനങ്ങള് ഇല്ലാതെ ക്ലോണ് ചെയ്യാന്, സ്പാര്സ് ചെക്ഔട്ട് 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"ഇതിലൂടെതാഴ്ന്ന ഡൗൺലോഡ് സമയത്തോട് കൂടെ നിങ്ങൾക്ക് പാഠ്യപദ്ധതി പൂർത്തിയാക്കാന് ആവശ്യമായ എല്ലാം ലഭിക്കും.
നാമൊരു ഡിസ്കോർഡ് 'learn with AI' സീരീസ് നടത്തുകയാണ്, 18 - 30 സെപ്റ്റംബർ, 2025 കാലയളവിൽ Learn with AI Series ൽ കൂടി ഞങ്ങളോടൊപ്പം ചേക്കേറുക. ഡാറ്റ സയൻസിനായി GitHub Copilot ഉപയോഗിക്കുന്ന ടിപ്പുകളും ട്രിക്കുകളും നിങ്ങൾക്ക് ലഭിക്കും.
🌍 ലോക സംസ്കാരങ്ങളിലൂടെ മധ്യേയൂ ട്രാവൽ ചെയ്ത് മെഷീൻ ലേണിംഗ് പഠിക്കാം 🌍
Microsoft ലിലെ Cloud Advocates നിങ്ങളുടെ സേവനത്തിൽ ഒരു 12-ആഴ്ച, 26 പാഠങ്ങളുടെ പാഠ്യപദ്ധതി സമർപ്പിക്കുന്നതിൽ സന്തോഷം പറയുന്നു, ഇത് Machine Learningയെക്കുറിച്ചാണ്. ഈ പാഠ്യപദ്ധതിയിൽ, പലപ്പോഴും ശാസ്ത്രീയ മെഷീൻ ലേണിംഗ് എന്നറിയപ്പെടുന്നതു പഠിക്കും, പ്രാഥമികമായും Scikit-learn ലൈബ്രറിയെ ഉപയോഗിച്ച്, ഡീപ്പ് ലേണിംഗ് ഒഴിവാക്കി, അത് നമ്മുടെ AI for Beginners' curriculum ൽ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. ഈ പാഠങ്ങൾ ഞങ്ങളുടെ 'Data Science for Beginners' curriculum നെ കൂടെ കൂട്ടിച്ചേർക്കൂ!
ലോകത്തിലെ വിവിധ ഭാഗങ്ങളിൽ നിന്നുള്ള ഡാറ്റയിൽ ഈ ശാസ്ത്രീയ സാങ്കേതികവിദ്യകൾ പ്രയോഗിച്ച് ലോകമയാത്ര ചെയ്യാം. ഓരോ പാഠവും മുൻപ്-പോസ്റ്റു-ക്വിസുകൾ, പാഠ مکملമാക്കുന്നതിനുള്ള എഴുത്തുരേഖകൾ, പരിഹാരം, അസൈൻമെന്റ് എന്നിവ ഉൾക്കൊള്ളുന്നു. ഞങ്ങളുടെ പ്രൊജക്ട്-ആധാരിത പദഗതി നിങ്ങളെ ഉത്തരവാദിത്വത്തോടെ പഠിപ്പിക്കും, പുതിയ കഴിവുകൾ ഉറപ്പായി തിരഞ്ഞെടുക്കാൻ സഹായിക്കും.
✍️ ഞങ്ങളുടെ എഴുത്തുകാർക്ക് ഹൃദയം നിറഞ്ഞ നന്ദി: Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu, Amy Boyd
🎨 ഞങ്ങളുടെ ചിത്രകാരന്മാർക്കും നന്ദി: Tomomi Imura, Dasani Madipalli, Jen Looper
🙏 പ്രത്യേക നന്ദി 🙏 Microsoft സ്റ്റുഡന്റ് അംബാസിഡർ എഴുത്തുകാരും റിവ്യൂവേഴ്സും കണ്ടന്റ് സംഭാവകരും, പ്രത്യേകിച്ച് Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, Snigdha Agarwal
🤩 Microsoft സ്റ്റുഡന്റ് അംബാസിഡർമാരായ Eric Wanjau, Jasleen Sondhi, Vidushi Gupta എന്നിവർക്ക് R പാഠങ്ങളിലുള്ള പ്രത്യേക നന്ദി!
ഈ ചുവടുകൾ പിന്തുടരുക:
- റിപ്പോസിറ്ററി ഫോർക്കുചെയ്യുക: ഈ പേജ് വലതുഭാഗത്ത് "Fork" ബട്ടൺ ക്ലിക്ക് ചെയ്യുക.
- റിപ്പോസിറ്ററി ക്ലോണ് ചെയ്യുക:
git clone https://github.com/microsoft/ML-For-Beginners.git
ഈ കോഴ്സിനുള്ള എല്ലാ അധിക വിഭവങ്ങളും Microsoft Learn കൂട്ടത്തിൽ കണ്ടെത്തുക
🔧 സഹായം വേണമോ? ഇൻസ്റ്റാളേഷൻ, സെറ്റ്അപ്പ്, പാഠങ്ങൾ നടത്തുന്നതുമായി ബന്ധപ്പെട്ട സാധാരണ പ്രശ്നങ്ങൾക്ക് പരിഹാരം നൽകുന്ന Troubleshooting Guide പരിശോധിക്കൂ.
വിദ്യാർത്ഥികൾ, ഈ പാഠ്യപദ്ധതിയുടെ ഉപയോഗത്തിനായി, മുഴുവൻ റീപ്പോ നിങ്ങളുടെ സ്വന്തം GitHub അക്കൗണ്ടിലേക്ക് ഫോർക്കുചെയ്യുകയും വ്യത്യസ്ത വ്യായാമങ്ങൾ സ്വയം അല്ലെങ്കിൽ ഗ്രൂപ്പിനൊപ്പം പൂർത്തിയാക്കുകയും ചെയ്യുക:
- ഒരു പ്രീ-ലെക്ചർ ക്വിസ് ആരംഭിക്കുക.
- പ്രഭാഷണം വായിച്ച് പ്രവർത്തനങ്ങൾ പൂർത്തിയാക്കുക, ഓരോ നോമനുസരണ ചോദ്യത്തിലും നിർത്തി ആലോചിക്കുക.
- പാഠങ്ങൾ മനസ്സിലാക്കി പ്രോജക്ടുകൾ സൃഷ്ടിക്കാൻ ശ്രമിക്കുക, പരിഹാര കോഡ് റൺ ചെയ്യുന്നതിനു പകരം; അതുവഴി /solution ഫോൾഡറുകളിലെ കോഡ് ലഭ്യമാണ്.
- പോസ്റ്റ്-ലെക്ചർ ക്വിസ് എടുത്തുക.
- ചലഞ്ച് പൂർത്തിയാക്കുക.
- അസൈൻമെന്റ് പൂർത്തിയാക്കുക.
- ഒരു പാഠ ഗ്രൂപ്പ് പൂർത്തിയാക്കിയശേഷം, Discussion Board സന്ദർശിച്ച് അനുയോജ്യമായ PAT റൂബ്രിക് പൂരിപ്പിച്ച് "learn out loud" ചെയ്യുക. 'PAT' progress assessment tool ആണ്, പഠനത്തിനു സഹായകരമായ ഒരു റൂബ്രിക്. ഇത്തരത്തിലുള്ള മറ്റ് PAT-കളിൽ പ്രതികരിച്ചോളാം, ഒപ്പം പഠിച്ചോളാം.
കൂടുതൽ പഠനത്തിന്, ഈ Microsoft Learn മോഡ്യൂളുകളും പഠന പാതകളും പിന്തുടരാൻ ശിപാര്ശ ചെയ്യുന്നു.
അധ്യാപകർക്ക് ഈ പാഠ്യപദ്ധതി ഉപയോഗിക്കുന്നതിനുള്ള ചില ശുപാർശകൾ ഞങ്ങൾ ഇവിടെ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്.
കുറച്ച് പാഠങ്ങൾ ചുരുക്കത്തിലുള്ള വീഡിയോ രൂപത്തിൽ ലഭ്യമാണ്. ഇവ പാഠങ്ങളുടെ വരിയിലെങ്കിലും, Microsoft Developer YouTube ചാനലിലെ ML for Beginners പ്ലേലിസ്റ്റിൽ താഴെ കാണുന്ന ചിത്രത്തിൽ ക്ലിക്ക് ചെയ്തും കണ്ടെത്താം.
ഗിഫ് Mohit Jaisal
🎥 ഈ പ്രോജക്ടിന്റെയും സൃഷ്ടിച്ചവരുടെയും വീഡിയോ കാണാൻ മുകളിൽ കാണുന്ന ചിത്രം ക്ലിക്ക് ചെയ്യുക!
ഈ പാഠ്യപദ്ധതി നിർമ്മിക്കുമ്പോൾ കേരളത്തു രണ്ടിടത്തായി ശ്രദ്ധിച്ചു: ഹാൻഡ്സ്-ഓൺ പ്രോജക്ട്-ബേസ്ഡ് ആയിരിക്കണം, കൂടാതെ സാധാരണ ക്വിസുകൾ ഉണ്ടാകണം. കൂടാതെ, പാഠ്യപദ്ധതിക്ക് ഒരു സാധാരണ തീം ഉണ്ടായിരിക്കണം.
സന്ദർഭം പ്രോജക്ടുകളുമായി ഒത്തുചേരുന്നതിനാൽ വിദ്യാര്ത്ഥികൾക്ക് ഉൾക്കാഴ്ചയും പാഠങ്ങൾ എളുപ്പത്തോടെ മനസ്സിലാകുന്നതുമാണ് സംഭവിക്കുന്നത്; നിമിഷം കുറഞ്ഞ ക്വിസ് ഒരു ക്ലാസിന് മുൻപായി വിദ്യാർത്ഥിയുടെ പഠന ഉദ്ദേശ്യം സജ്ജീകരിക്കും, രണ്ടാമത്തേക്കു ക്വിസ് മെച്ചപ്പെട്ട മനസ്സിലാക്കലും ഉറപ്പാക്കും. ഈ പാഠ്യപദ്ധതി ഇളവുള്ളതും രസകരവുമാണ്, മുഴുവൻ പാഠ്യപദ്ധതിയോ അതിലുണ്ടായ ഭാഗങ്ങളോ പഠിക്കാവുന്നതാണ്. പ്രോജക്ടുകൾ ചെറിയതിങ്ങനെ ആരംഭിച്ച് 12 ആഴ്ചകളുടെ അവസാനം കൂടുതൽ സങ്കീർണ്ണമാകും. യഥാർത്ഥ ലോക പരിഗണനകൾ ഉൾപ്പെടുന്ന ഒരു പോസ്റ്റ്സ്ക്രിപ്റ്റും ഇതിലുണ്ട്, ഇത് അധിക ക്രെഡിറ്റിനോ സംവാദത്തിനോ ഉപയോഗിക്കാം.
ഞങ്ങളുടെ Code of Conduct, Contributing, Translation, Troubleshooting ഗൈഡ്ലൈനുകൾ കാണുക. നിങ്ങളുടെ നിർമാതൃകാത്മക கருத்தുകൾ സ്വാഗതം!
- ഐച്ഛിക സ്കെച്ച്നോട്ട്
- ഐച്ഛിക സപ്ലിമെന്ററി വീഡിയോ
- വീഡിയോ വഴി മാർഗ്ദർശനം (ചില പാഠങ്ങൾ മാത്രം)
- പ്രീ-ലെക്ചർ വാർമപ്പ് ക്വിസ്
- എഴുത്തുപാഠം
- പ്രോജക്ട്-ബേസ്ഡ് പാഠങ്ങൾക്ക്, പ്രവൃത്തി നിർദ്ദേശങ്ങൾ
- നോളേജ് ചെക്കുകൾ
- ഒരു മത്സരപരീക്ഷ
- തീരുവത്തിൽ വായന
- അസൈൻമെന്റ്
- പോസ്റ്റ്-ലെക്ചർ ക്വിസ്
ഭാഷകളെക്കുറിച്ചുള്ള ഒരു കുറിപ്പ്: ഈ പാഠങ്ങൾ പ്രധാനമായും Python-ൽ എഴുതപ്പെട്ടതാണ്, എന്നാൽ പലതും R-ലിലും ലഭ്യമാണ്. ഒരു R പാഠം പൂർത്തിയാക്കാൻ,
/solutionഫോൾഡറിൽ പോയി R പാഠങ്ങൾ കാണുക. അവയ്ക്ക് .rmd എക്സ്റ്റൻഷൻ ഉണ്ട്, ഇത് R Markdown ഫയൽ ആണ്, ഇത് ഒരുMarkdown ഡോക്യുമെന്റിൽcode chunks(R അല്ലെങ്കിൽ മറ്റു ഭാഷകളിലെ)യുംYAML ഹെഡർ(PDF പോലുള്ള ഔട്ട്പുട്ടുകൾ എങ്ങനെ ഫോർമാറ്റ് ചെയ്യണമെന്ന് മാർഗനിർദേശിക്കുന്ന) എന്നടക്കമുളള ഒരു ഘടകവും ഉൾക്കൊണ്ടാണ്. അതിനാൽ, σας നിങ്ങളുടെ കോഡ്, അതിന്റെ ഔട്ട്പുട്ട്, നിങ്ങളുടെ ചിന്തകൾ എന്നിവയെ Markdown-ൽ എഴുതാൻ അനുവദിക്കുന്നതിനാൽ, ഇത് ഡാറ്റാ സയൻസിനായി ഉദാഹരണരൂപത്തിലുള്ള ഒരു റൈറ്റിംഗ് ഫ്രെയിംവർക്ക് ആയി സേവിക്കുന്നു. കൂടാതെ, R Markdown ഡോക്യുമെന്റുകൾ PDF, HTML, അല്ലെങ്കിൽ Word പോലുള്ള ഔട്ട്പുട്ട് ഫോർമാറ്റുകളിലേക്ക് രendere ചെയ്യാം.
ക്വിസുകളെക്കുറിച്ചുള്ള ഒരു കുറിപ്പ്: എല്ലാ ക്വിസുകളും Quiz App folder എന്നിടത്ത് ഉൾപ്പെടുത്തിയിട്ടുണ്ട്, മൂന്ന് ചോദ്യങ്ങളുള്ള 52 മൊത്തം ക്വിസുകളാണ്. ഇവ പാഠങ്ങളിലൂടെയും ബന്ധിപ്പിച്ചിരിക്കുന്നു, പക്ഷേ ക്വിസ് ആപ്പ് പ്രാദേശികമായി പ്രവർത്തിപ്പിക്കാവുന്നതാണ്; പ്രാദേശികമായി ഹോസ്റ്റ് ചെയ്യാനോ Azure-ലേക്ക് ഡിപ്ലോയ് ചെയ്യാനോ
quiz-appഫോൾഡറിലെ നിർദ്ദേശങ്ങൾ പാലിക്കുക.
| പാഠം നമ്പർ | വിഷയം | പാഠസംഘടനം | പഠന ലക്ഷ്യങ്ങൾ | ബന്ധിപ്പിച്ച പാഠം | രചയിതാവ് |
|---|---|---|---|---|---|
| 01 | മെഷീൻ ലേണിങ്ങിലേക്കുള്ള அறிமுகം | Introduction | മെഷീൻ ലേണിങ്ങിന് പിന്ബലമായ അടിസ്ഥാന ആശയങ്ങൾ പഠിക്കുക | Lesson | മുഹമ്മദ് |
| 02 | മെഷീൻ ലേണിങ്ങിന്റെ ചരിത്രം | Introduction | ഈ മേഖലയ്ക്കുള്ള പശ്ചാത്തല ചരിത്രം പഠിക്കുക | Lesson | ജെൻ ആൻഡ് അമി |
| 03 | നീതിയും മെഷീൻ ലേണിംഗും | Introduction | ML മോഡലുകളുടെ നിർമ്മാണത്തിലും പ്രയോഗത്തിലും വിദ്യാർഥികൾ പരിഗണിക്കേണ്ട ന്യായപരമായ തത്ത്വചിന്തന വിഷയങ്ങൾ എന്തെല്ലാം ആണെന്നറിയുക | Lesson | ടോമോമി |
| 04 | മെഷീൻ ലേണിംഗിന്റെ സാങ്കേതിക വിദ്യകൾ | Introduction | ML ഗവേഷകർ ML മോഡലുകൾ നിർമ്മിക്കാൻ ഉപയോഗിക്കുന്ന സാങ്കേതിക വിദ്യകൾ എന്തെല്ലാമാണെന്ന് അറിയുക | Lesson | ക്രിസ് ആൻഡ് ജെൻ |
| 05 | റെഗ്രഷൻলৈക്കുള്ള പരിചയം | Regression | റെഗ്രഷൻ മോഡലുകൾക്കായി Python ഉം Scikit-learn ഉം ഉപയോഗിച്ച് തുടങ്ങുക | Python • R | ജെൻ • എറിക് വാൻജോ |
| 06 | ഉത്തര അമേരിക്കയിലെ പംപ്കിൻ വിലകൾ 🎃 | Regression | ML-ന് മുൻകൂർ ഡേറ്റാ ദൃശ്യവത്കരിച്ച് ആഴ്ച്ചയാക്കി ശുദ്ധമാക്കുക | Python • R | ജെൻ • എറിക് വാൻജോ |
| 07 | ഉത്തര അമേരിക്കയിലെ പംപ്കിൻ വിലകൾ 🎃 | Regression | രേഖാഖണ്ഡ പുനർവൈകല്യസാധ്യതയും പോളിനോമിയൽ റെഗ്രഷൻ മോഡലുകളും നിർമ്മിക്കുക | Python • R | ജെൻ, ഡ്മിത്രി • എറിക് വാൻജോ |
| 08 | ഉത്തര അമേരിക്കയിലെ പംപ്കിൻ വിലകൾ 🎃 | Regression | ലോഗിസ്റ്റിക് റെഗ്രഷൻ മോഡൽ നിർമ്മിക്കുക | Python • R | ജെൻ • എറിക് വാൻജോ |
| 09 | ഒരു വെബ് ആപ്പ് 🔌 | Web App | പരിശീലിപ്പിച്ച മോഡൽ ഉപയോഗിച്ച് ഒരു വെബ് ആപ്പ് നിർമ്മിക്കുക | Python | ജെൻ |
| 10 | ക്ലാസിഫിക്കേഷനിലേക്കുള്ള പരിചയം | Classification | ഡാറ്റ ശുദ്ധമാക്കും, തയ്യാറാക്കും, ദൃശ്യവത്ക്കരിക്കും; ക്ലാസിഫിക്കേഷനിലെ പരിചയം | Python • R | ജെൻ ആൻഡ് കാസ്സി • എറിക് വാൻജോ |
| 11 | രുചികരമായ ഏഷ്യൻ-ഇന്ത്യൻ പാചകകലകൾ 🍜 | Classification | ക്ലാസിഫയറുകളിലേക്ക് പരിചയം | Python • R | ജെൻ ആൻഡ് കാസ്സി • എറിക് വാൻജോ |
| 12 | രുചികരമായ ഏഷ്യൻ-ഇന്ത്യൻ പാചകകലകൾ 🍜 | Classification | കൂടുതൽ ക്ലാസിഫയറുകൾ | Python • R | ജെൻ ആൻഡ് കാസ്സി • എറിക് വാൻജോ |
| 13 | രുചികരമായ ഏഷ്യൻ-ഇന്ത്യൻ പാചകകലകൾ 🍜 | Classification | നിങ്ങളുടെ മോഡൽ ഉപയോഗിച്ച് ഒരു റികमेंഡർ വെബ് ആപ്പ് നിർമ്മിക്കുക | Python | ജെൻ |
| 14 | ക്ലസ്റ്ററിങ്ങിലേക്കുള്ള പരിചയം | Clustering | ഡാറ്റ ശുദ്ധമാക്കുക, തയ്യാറാക്കുക, ദൃശ്യവത്കരിക്കുക; ക്ലസ്റ്ററിങ്ങിലേക്കുള്ള പരിചയം | Python • R | ജെൻ • എറിക് വാൻജോ |
| 15 | നൈജീരിയൻ സംഗീത രുചികൾ അന്വേഷിക്കൽ 🎧 | Clustering | K-മീൻസ് ക്ലസ്റ്ററിങ് രീതി അന്വേഷിക്കുക | Python • R | ജെൻ • എറിക് വാൻജോ |
| 16 | പ്രകൃതിമാറ്റഭാഷാ പ്രോസസ്സിംഗിന്റെ പരിചയം ☕️ | Natural language processing | ഒരു ലളിതമായ ബോട്ട് നിർമ്മിച്ച് NLP-യുടെ അടിസ്ഥാന കാര്യങ്ങൾ പഠിക്കുക | Python | സ്റ്റീഫൻ |
| 17 | പൊതുവായ NLP പ്രവര്ത്തനങ്ങൾ ☕️ | Natural language processing | ഭാഷാസംരചനകളുമായി ഇടപെടുമ്പോൾ ആവശ്യമായ സാധാരണ പ്രവൃത്തികൾ മനസ്സിലാക്കി NLP അറിവ് വിപുലப்படുത്തുക | Python | സ്റ്റീഫൻ |
| 18 | വിവർത്തനം, വികാര വിശകലനം |
Natural language processing | ജെയിൻ ഓസ്റ്റീനുമായി വിവർത്തനവും വികാര വിശകലനവും | Python | സ്റ്റീഫൻ |
| 19 | യൂറോപ്പിലെ റോമാന്റിക് ഹോട്ടലുകൾ |
Natural language processing | ഹോട്ടൽ അവലോകനങ്ങളുമായി വികാര വിശകലനം 1 | Python | സ്റ്റീഫൻ |
| 20 | യൂറോപ്പിലെ റോമാന്റിക് ഹോട്ടലുകൾ |
Natural language processing | ഹോട്ടൽ അവലോകനങ്ങളുമായി വികാര വിശകലനം 2 | Python | സ്റ്റീഫൻ |
| 21 | ടൈം സീരിസിന്റെ പ്രവചനം പരിചയം | Time series | ടൈം സീരിസ് പ്രവചനത്തിലേക്ക് പരിചയം | Python | ഫ്രാൻസെസ്ക |
| 22 | ⚡️ ലോക വൈദ്യുതി ഉപയോഗം ⚡️ - ARIMA ഉപയോഗിച്ചുള്ള ടൈം സീരിസ് പ്രവചന | Time series | ARIMA ഉപയോഗിച്ച് ടൈം സീരിസ് പ്രവചന | Python | ഫ്രാൻസെസ്ക |
| 23 | ⚡️ ലോക വൈദ്യുതി ഉപയോഗം ⚡️ - SVR ഉപയോഗിച്ചുള്ള ടൈം സീരിസ് പ്രവചന | Time series | Support Vector Regressor ഉപയോഗിച്ച് ടൈം സീരിസ് പ്രവചന | Python | അനിർബാൻ |
| 24 | റീൻഫോഴ്സ്മെന്റ് ലേണിങ്ങിലേക്ക് പരിചയം | Reinforcement learning | Q-Learning ഉപയോഗിച്ചുള്ള റീൻഫോഴ്സ്മെന്റ് ലേണിങ്ങിലേക്ക് പരിചയം | Python | ഡ്മിത്രി |
| 25 | പീറ്റർ നായകനെ ഒഴിവാക്കാൻ സഹായിക്കുക! 🐺 | Reinforcement learning | റീൻഫോഴ്സ്മെന്റ് ലേണിങ്ങ് ജിം | Python | ഡ്മിത്രി |
| പോസ്ക്രിപ്റ്റ് | യാഥാർത്ഥ്യ ML സാഹചര്യങ്ങൾ, പ്രയോഗങ്ങൾ | ML in the Wild | ക്ലാസിക്കൽ ML ന്റെ സാരവുമായ യാഥാർത്ഥ്യ ആപ്ലിക്കേഷനുകൾ | Lesson | ടീം |
| പോസ്ക്രിപ്റ്റ് | RAI ഡാഷ്ബോർഡ് ഉപയോഗിച്ച് ML മോഡൽ ഡീബഗിങ് | ML in the Wild | വെറുപ്പ് AI ഡാഷ്ബോർഡ് ഘടകങ്ങൾ ഉപയോഗിച്ച് മെഷീൻ ലേണിങ്ങിലെ മോഡൽ ഡീബഗിങ് | Lesson | റുത് യകുബു |
ഈ കോഴ്സിന്റെ എല്ലാ അധിക വിഭവങ്ങളും ഞങ്ങളുടെ Microsoft Learn ശേഖരത്തിൽ കണ്ടെത്തുക
Docsify ഉപയോഗിച്ച് നിങ്ങള്ക്ക് ഈ ഡോക്യുമെന്റაცია ഓഫ്ലൈൻ പ്രവർത്തിപ്പിക്കാം. ഈ റിപ്പൊ ഫോർക്ക് ചെയ്ത്, നിങ്ങളുടെ പ്രാദേശിക യന്ത്രത്തിൽ Docsify ഇൻസ്റ്റാൾ ചെയ്തു, ശേഷം ഈ റിപ്പൊയുടെ റൂട്ട് ഫോൾഡറിൽ ടൈപ്പ് ചെയ്യുക docsify serve. വെബ്സൈറ്റ് പ്രാദേശികഹോസ്റ്റിൽ പോർട് 3000-ൽ പ്രവർത്തിക്കും: localhost:3000.
പാഠ്യപദ്ധതിയുടെ PDF ഇവിടെ കണ്ടെത്തുക here.
നമ്മുടെ ടീം മറ്റു കോഴ്സുകളും നിർമ്മിക്കുന്നു! നോക്കൂ:
-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}
AI അപ്ലിക്കേഷനുകൾ നിർമ്മിക്കുമ്പോൾ നിങ്ങൾ കുടുങ്ങിയാൽ അല്ലെങ്കിൽ എന്തെങ്കിലും ചോദ്യങ്ങൾ ഉണ്ടെങ്കിലോ, MCP-യുമായി ബന്ധപ്പെട്ട ചര്ച്ചകളിൽ അനുഭവ സമ്പന്നരായ വികസകർ പൊതു പഠനക്കാരുമായി ചേരുക. ചോദ്യം ചോദിക്കാൻ സ്വാതന്ത്ര്യവും അറിയിപ്പ് സൗകര്യവും ഉള്ള ഒരു പിന്തുണയുള്ള സമൂഹമാണ് ഇത്.
ഉത്പന്ന പ്രതികരണം നൽകാൻ അല്ലെങ്കിൽ പിഴവുകൾ ഉണ്ടെങ്കിൽ ഡിസ്ക്കസിൽ സന്ദർശിക്കുക:
- ഓരോ പാഠവും കഴിഞ്ഞ് നോട്ട്ബുക്കുകൾ അവലോകനം ചെയ്യുക മനസ്സിലാക്കാൻ സഹായിക്കും.
- ആല്ഗാരിതങ്ങൾ സ്വയം പ്രയോജനപ്പെടുത്താൻ പരിശീലനമെടുക്കുക.
- പഠിച്ച ആശയങ്ങൾ ഉപയോഗിച്ച് യഥാർത്ഥ ലോക ഡാറ്റാ സെറ്റുകൾ പരിശോധിക്കുക.
അയക്കിപ്പ്:
ഈ രേഖ Co-op Translator എന്ന AI വിവർത്തന സേവനം ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. ഞങ്ങൾ കൃത്യത ഉറപ്പാക്കാൻ ശ്രമിച്ചുവെങ്കിലും, യന്ത്രക്രമം അടങ്ങിയ വിവർത്തനങ്ങളിൽ പിഴവുകൾ അല്ലെങ്കിൽ അശുദ്ധികൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മൂലഭാഷയിലെ ആദ്യരൂപം മാത്രം അതിന്റേതായ സ്വതന്ത്ര സ്രോതസ്സായി പരിഗണിക്കേണ്ടതാണ്. പ്രധാനപ്പെട്ട വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മാനവ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.