README.md

🌐 बहुभाषिक समर्थन

GitHub अ‍ॅक्शनद्वारे समर्थित (स्वयंचलित आणि नेहमी अद्ययावत)

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 | Khmer | 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

स्थानिक पद्धतीने क्लोन करायचे आहे का?

या रेपॉझिटरीमध्ये ५०+ भाषांतील अनुवादांचा समावेश आहे ज्यामुळे डाउनलोड आकार लक्षणीय वाढतो. 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"

यामुळे तुम्हाला कोर्स पूर्ण करण्यासाठी आवश्यक बाबी बऱ्यापैकी लवकर डाउनलोड करता येतील.

आमच्या समुदायात सामील व्हा

आमच्याकडे Discord वर AI सोबत शिकण्याचा सिरीज चालू आहे, अधिक जाणून घेण्यासाठी आणि आमच्यासोबत सामील होण्यासाठी Learn with AI Series येथे १८ ते ३० सप्टेंबर २०२५ दरम्यान भेट द्या. तुम्हाला GitHub Copilot च्या वापरासंबंधी टिप्स आणि ट्रिक्स मिळतील.

नवशिक्यांसाठी मशीन लर्निंग - एक अभ्यासक्रम

🌍 जगभर प्रवास करा आणि जगाच्या संस्कृतींमार्फत मशीन लर्निंगचा अभ्यास करा 🌍

Microsoft मधील Cloud Advocates १२ आठवड्यांचा, २६ धड्यांचा असा मशीन लर्निंग विषयी अभ्यासक्रम आनंदाने ऑफर करीत आहेत. या अभ्यासक्रमात तुम्हाला जेव्हा कधी शास्त्रीय मशीन लर्निंग म्हटले जाते ते समजेल, मुख्यत्वे Scikit-learn या लायब्ररीचा वापर करून आणि डीप लर्निंग टाळून, जे आमच्या AI for Beginners' curriculum मध्ये समाविष्ट आहे. या धड्यांना आमच्या 'Data Science for Beginners' curriculum सोबत जोडा!

जगभर प्रवास करा आणि वेगवेगळ्या जागांच्या डेटा वर या शास्त्रीय तंत्रांचा वापर करा. प्रत्येक धड्यात पूर्व-म्हणून आणि पाठपुरावा चाचण्या, लिहिलेल्या सूचना धडा पूर्ण करण्यासाठी, सोल्युशन, असाइनमेंट आणि अजून बरेच काही आहे. आमचा प्रोजेक्ट-आधारित शिक्षण पद्धत तुम्हाला बांधणी करताना शिकण्याची संधी देते, जी नवीन कौशल्ये दीर्घकाळ टिकवण्यासाठी सिद्ध आहे.

✍️ आमच्या लेखकांचे मनापासून आभार जेन लूपर, स्टीफन हावेल, फ्रान्सेस्का लाझेरी, टोमॉमी इमूरा, कॅसी ब्रेव्हियू, दिमित्री सोश्किनोव्ह, क्रिस नॉरिंग, अनिर्बान मुखर्जी, ऑर्नेला अल्टुन्यान, रुथ याकुबू आणि एमी बॉयड यांना

🎨 आमच्या चित्रकारांना देखील धन्यवाद टोमॉमी इमूरा, दासानी माडीपल्ली, आणि जेन लूपर यांना

🙏 खास आभार 🙏 आमच्या Microsoft Student Ambassador लेखक, पुनरावलोकक आणि मजकूर योगदानकर्त्यांना, विशेषतः ऋषित डाग्ली, मुहम्मद साकिब खान इनान, रोहन राज, अलेक्झांड्रू पेट्रेस्कू, अभिषेक जैनवाल, नवरिन तबस्सुम, इओआन सामुइला, आणि स्निग्धा अग्रवाल यांना

🤩 थोडे अधिक धन्यवाद Microsoft Student Ambassadors एरिक वांजाऊ, जसलीन सोंधी, आणि विदुषी गुप्ता यांना आमच्या R धड्यांसाठी!

सुरुवात कशी करावी

हे पावले अनुसरा:

1. रेपॉझिटरी फॉर्क करा: या पृष्ठाच्या वरच्या उजव्या कोपर्‍यातील "Fork" बटणावर क्लिक करा.
2. रेपॉझिटरी क्लोन करा: git clone https://github.com/microsoft/ML-For-Beginners.git

या कोर्ससाठी सर्व अतिरिक्त संसाधने आम्हाला Microsoft Learn संग्रहात आढळतील

🔧 मदतीची गरज आहे? इन्स्टॉलेशन, सेटअप, आणि धडे चालवण्याच्या सामान्य समस्यांसाठी आमचा Troubleshooting Guide पहा.

विद्यार्थी, या अभ्यासक्रमाचा उपयोग करण्यासाठी, संपूर्ण रेपॉझिटरी आपल्या GitHub खात्यात फॉर्क करा आणि स्वतः किंवा समूहाबरोबर व्यायाम पूर्ण करा:

• प्री-लेक्चर क्विझपासून सुरुवात करा.
• लेक्चर वाचा आणि क्रियाकलाप पूर्ण करा, प्रत्येक ज्ञान तपासणीवर थांबा आणि विचार करा.
• धडे समजून घेऊन प्रोजेक्ट्स तयार करण्याचा प्रयत्न करा, फक्त सोल्युशन कोड चालवण्यावर अवलंबून राहू नका; तथापि तो कोड /solution फोल्डरमध्ये प्रत्येक प्रोजेक्ट-आधारित धड्यात उपलब्ध आहे.
• पोस्ट-लेक्चर क्विझ द्या.
• चॅलेंज पूर्ण करा.
• असाइनमेंट पूर्ण करा.
• धडा समूह पूर्ण केल्यावर, Discussion Board वर जा आणि संबंधित PAT रूब्रिक भरून "लर्न आउट लाउड" करा. 'PAT' म्हणजे प्रगती मूल्यांकन साधन जे तुम्ही भरता जेणेकरून तुमचं शिक्षण पुढे जाईल. तुम्ही इतर PATs वर प्रतिक्रिया देऊ शकता जेणेकरून आपण एकत्र शिकू शकू.

पुढील अभ्यासासाठी, आम्ही या Microsoft Learn मॉड्यूल आणि शिक्षण मार्गांचा अनुकरण करण्याचा सल्ला देतो.

शिक्षक, आपणांसाठी हा अभ्यासक्रम कसा वापरावा याबाबत काही सूचना दिल्या आहेत.

---

व्हिडिओ परिचय

काही धडे लघु व्हिडिओ स्वरूपात उपलब्ध आहेत. तुम्ही हे सर्व धड्यात बाजूला पाहू शकता, किंवा ML for Beginners प्लेलिस्ट Microsoft Developer YouTube चॅनेलवर खालील प्रतिमा क्लिक करून पाहू शकता.

---

टीमचा परिचय

Gif द्वारे Mohit Jaisal

🎥 प्रकल्प आणि त्या प्रकल्पामध्ये सहभागी लोकांबद्दल व्हिडिओ पाहण्यासाठी वरची प्रतिमा क्लिक करा!

---

शिक्षण पद्धती

हा अभ्यासक्रम तयार करताना आम्ही दोन शैक्षणिक तत्त्व निवडले: हा पूर्णपणे हॅण्ड्स-ऑन प्रोजेक्ट-आधारित असावा आणि त्यामध्ये बारंबार क्विझ असाव्या. तसेच, हा अभ्यासक्रम एकसंधतेसाठी एक सामान्य थीम देखील प्रदान करतो.

सामग्री प्रोजेक्टसोबत संरेखित असल्याने, विद्यार्थ्यांसाठी प्रक्रिया अधिक आकर्षक होते आणि संकल्पनांचा अधिक चांगला टिकाव राहतो. वर्गाच्या आधीचा कमी-दाबाचा क्विझ विद्यार्थ्यांच्या मनात विषय शिकण्याचे उद्दिष्ट ठेवतो, तर वर्गानंतरचा दुसरा क्विझ अधिक टिकाव सुनिश्चित करतो. हा अभ्यासक्रम लवचिक आणि मजेशीर असावा आणि त्याचा पूर्ण किंवा भागअंश पद्धतीने वापर करता येईल. प्रोजेक्ट्स छोटे पासून सुरू होऊन १२ आठवड्यांच्या शेवटी अधिक गुंतागुंतीचे होतात. हा अभ्यासक्रम वास्तविक जीवनातील ML च्या वापरावर एक पोस्टस्क्रिप्ट सुद्धा समाविष्ट करतो, जी अतिरिक्त क्रेडिटसाठी किंवा चर्चेच्या आधारासाठी वापरता येईल.

आमचा Code of Conduct, Contributing, Translations, आणि Troubleshooting मार्गदर्शक तत्त्वे पहा. तुमच्या रचनात्मक अभिप्रायासाठी आम्ही स्वागत करतो!

प्रत्येक धड्यामध्ये समाविष्ट आहे

• ऐच्छिक स्केच नोट
• ऐच्छिक पूरक व्हिडिओ
• व्हिडिओ परिचय (काही धड्यांसाठी)
• पूर्व लेक्चर वार्मअप क्विझ
• लिहिलेला धडा
• प्रोजेक्ट-आधारित धड्यांसाठी प्रोजेक्ट बनवण्याचे पाऊल-त्याप्रमाणे मार्गदर्शन
• ज्ञान तपासण्या
• एक आव्हान
• पूरक वाचन
• असाइनमेंट
• पोस्ट-लेक्चर क्विझ

भाषांबद्दल एक नोंद: हे धडे मुख्यतः Python मध्ये लिहिलेले आहेत, पण बरेच धडे R मध्येही उपलब्ध आहेत. R चे धडे पूर्ण करण्यासाठी, /solution फोल्डरमध्ये जा आणि R ची धडे शोधा. त्यात .rmd एक्सटेंशन असते जे R Markdown फाईलचे प्रतिनिधित्व करते, जी सोप्या भाषेत सांगायची तर code chunks (R किंवा इतर भाषा) आणि YAML header (जी आउटपुट्स जसे PDF कसे फॉरमॅट करायचे हे मार्गदर्शित करते) च्या एम्बेडिंगसाठी वापरली जाते Markdown document मध्ये. त्यामुळे, डेटा सायन्ससाठी हे एक आदर्श लेखक फ्रेमवर्क म्हणून काम करते कारण हे तुम्हाला तुमचा कोड, त्याचा आउटपुट आणि तुमचे विचार Markdown मध्ये लिहून जोडण्याची परवानगी देते. शिवाय, R Markdown दस्तऐवज PDF, HTML, किंवा Word सारख्या आउटपुट फॉरमॅट्समध्ये रूपांतरित केले जाऊ शकतात.

क्विझ बद्दल एक नोंद: सर्व क्विझ Quiz App folder मध्ये आहेत, एकूण ५२ क्विझ ज्यात प्रत्येकी तीन प्रश्न आहेत. हे धड्यांतून लिंक केलेले आहेत पण क्विझ अ‍ॅप लोकली चालवता येतो; quiz-app फोल्डरमधील सूचनांचे पालन करा जेणेकरून तुम्ही ते लोकली होस्ट किंवा Azure वर डिप्लॉय करू शकता.

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	मशीन लर्निंगची ओळख	Introduction	मशीन लर्निंगमागील मूलभूत संकल्पना शिकणे	Lesson	Muhammad
02	मशीन लर्निंगचा इतिहास	Introduction	या क्षेत्राचा इतिहास शिकणे	Lesson	Jen and Amy
03	निष्पक्षता आणि मशीन लर्निंग	Introduction	निष्पक्षतेबाबत महत्त्वाच्या तत्त्वज्ञानिक प्रश्नांचा विचार जे व्हावा जे ML मॉडेल बनवताना आणि वापरताना	Lesson	Tomomi
04	मशीन लर्निंगसाठी तंत्रे	Introduction	मशीन लर्निंग संशोधक कोणती तंत्रे वापरतात ML मॉडेल तयार करण्यासाठी?	Lesson	Chris and Jen
05	रिग्रेशनची ओळख	Regression	Python आणि Scikit-learn वापरून रिग्रेशन मॉडेलसाठी सुरुवात करा	Python • R	Jen • Eric Wanjau
06	नॉर्थ अमेरिकेतील भोपळ्यांचे भाव 🎃	Regression	ML साठी डेटा पाहणे व स्वच्छ करणे	Python • R	Jen • Eric Wanjau
07	नॉर्थ अमेरिकेतील भोपळ्यांचे भाव 🎃	Regression	रेषीय आणि बहुपदीय रिग्रेशन मॉडेल बांधा	Python • R	Jen and Dmitry • Eric Wanjau
08	नॉर्थ अमेरिकेतील भोपळ्यांचे भाव 🎃	Regression	लॉजिस्टिक रिग्रेशन मॉडेल तयार करा	Python • R	Jen • Eric Wanjau
09	वेब अ‍ॅप 🔌	Web App	तुमच्या प्रशिक्षित मॉडेलसाठी वेब अ‍ॅप तयार करा	Python	Jen
10	वर्गीकरणाची ओळख	Classification	तुमचा डेटा स्वच्छ करा, तयार करा आणि दृश्य करा; वर्गीकरणाची ओळख	Python • R	Jen and Cassie • Eric Wanjau
11	स्वादिष्ट आशियाई आणि भारतीय स्वयंपाक 🍜	Classification	वर्गीकरणकर्त्यांची ओळख	Python • R	Jen and Cassie • Eric Wanjau
12	स्वादिष्ट आशियाई आणि भारतीय स्वयंपाक 🍜	Classification	अधिक वर्गीकरणकर्ते	Python • R	Jen and Cassie • Eric Wanjau
13	स्वादिष्ट आशियाई आणि भारतीय स्वयंपाक 🍜	Classification	तुमचा मॉडेल वापरून शिफारस करणारा वेब अ‍ॅप तयार करा	Python	Jen
14	क्लस्टरिंगची ओळख	Clustering	तुमचा डेटा स्वच्छ करा, तयार करा आणि दृश्य करा; क्लस्टरिंगची ओळख	Python • R	Jen • Eric Wanjau
15	नायजेरियन संगीत आवड शोधा 🎧	Clustering	K-Means क्लस्टरिंग पद्धतीचा अभ्यास करा	Python • R	Jen • Eric Wanjau
16	नैसर्गिक भाषा प्रक्रिया (NLP) ची ओळख ☕️	Natural language processing	सोपा बॉट बनवून NLP च्या मूलभूत गोष्टी शिका	Python	Stephen
17	सामान्य NLP कामे ☕️	Natural language processing	भाषा रचनांशी संबंधित सामान्य कामे समजून NLP ज्ञान वाढवा	Python	Stephen
18	भाषांतर आणि भावना विश्लेषण ♥️	Natural language processing	Jane Austen सोबत भाषांतर आणि भावना विश्लेषण	Python	Stephen
19	युरोपचे रोमँटिक हॉटेल ♥️	Natural language processing	हॉटेल पुनरावलोकनांसह भावना विश्लेषण 1	Python	Stephen
20	युरोपचे रोमँटिक हॉटेल ♥️	Natural language processing	हॉटेल पुनरावलोकनांसह भावना विश्लेषण 2	Python	Stephen
21	टाइम सिरीज भाकीताची ओळख	Time series	टाइम सिरीज भाकीताची ओळख	Python	Francesca
22	⚡️ जागतिक विजेचा वापर ⚡️ - ARIMA सह टाइम सिरीज भाकीत	Time series	ARIMA सह टाइम सिरीज भाकीत	Python	Francesca
23	⚡️ जागतिक विजेचा वापर ⚡️ - SVR सह टाइम सिरीज भाकीत	Time series	Support Vector Regressor सह टाइम सिरीज भाकीत	Python	Anirban
24	रिइन्फोर्समेंट लर्निंगची ओळख	Reinforcement learning	Q-Learning सह रिइन्फोर्समेंट लर्निंगची ओळख	Python	Dmitry
25	पीटरला लांडगा टाळायला मदत करा! 🐺	Reinforcement learning	रिइन्फोर्समेंट लर्निंग जिम	Python	Dmitry
Postscript	वास्तविक जगातील ML परिस्थिती आणि अनुप्रयोग	ML in the Wild	क्लासिक ML चे मनोरंजक आणि खोलवर जाणून घेणारे वास्तविक जगातील अनुप्रयोग	Lesson	Team
Postscript	RAI डॅशबोर्ड वापरून ML मध्ये मॉडेल डीबगिंग	ML in the Wild	जबाबदार AI डॅशबोर्ड घटक वापरून मशीन लर्निंगमधील मॉडेल डीबगिंग	Lesson	Ruth Yakubu

या कोर्ससाठी सर्व अतिरिक्त संसाधने शोधा आमच्या Microsoft Learn संग्रहामध्ये

ऑफलाइन प्रवेश

तुम्ही हा दस्तऐवज ऑफलाइन पाहू शकता Docsify वापरून. हा रेपो Fork करा, Docsify install करा तुमच्या स्थानिक मशीनवर, आणि मग या रेपोच्या मूळ फोल्डरमध्ये docsify serve टाइप करा. वेबसाइट तुमच्या लोकलहोस्टवर पोर्ट ३००० वर चालवली जाईल: localhost:3000.

PDF

अभ्यासक्रमाचा PDF आवृत्ती लिंकसह शोधा इथे.

🎒 इतर कोर्सेस

आमचा टीम इतरही कोर्सेस तयार करतो! खाली तपासा:

LangChain

Azure / Edge / MCP / Agents

---

Generative AI Series

---

Core Learning

---

Copilot Series

मदतीसाठी

जर तुम्हाला अडचण आल्यास किंवा AI अॅप्स तयार करण्याबाबत काही प्रश्न असतील. एकत्र शिकणाऱ्या विद्यार्थ्यांशी आणि अनुभवी विकसकांशी MCP बद्दल चर्चा करा. ही एक सहायक समुदाय आहे जिथे प्रश्न विचारणे स्वागतार्ह आहे आणि ज्ञान मुक्तपणे शेअर केले जाते.

जर तुम्हाला उत्पादनाबाबत प्रतिक्रिया द्यायची असेल किंवा तयार करताना त्रुटी आढळल्या तर येथे भेट द्या:

अतिरिक्त शिकण्याचे टिप्स

• प्रत्येक धड्यांनंतर नोटबुक पुनरावलोकन करा जास्त चांगल्या समजेसाठी.
• अल्गोरिदम स्वतः अमलात आणण्याचा सराव करा.
• शिकलेल्या संकल्पनांचा वापर करून वास्तव जगातील डेटासेट्स एक्सप्लोर करा.

---

सूचना:
हा दस्तऐवज AI भाषांतर सेवा Co-op Translator वापरून अनुवादित केला आहे. जरी आम्ही अचूकतेसाठी प्रयत्न करत असलो तरी, कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये चुका किंवा अचूकतेचा अभाव असू शकतो. मूळ दस्तऐवज त्याच्या स्थानिक भाषेत अधिकृत स्रोत मानला पाहिजे. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतर शिफारस केले आहे. या भाषांतराचा वापर केल्यामुळे होणाऱ्या कोणत्याही गैरसमजुती किंवा चुकीच्या अर्थसंग्रहणासाठी आम्ही जबाबदार नाही.