French | Spanish | German | Russian | Arabic | Persian (Farsi) | Urdu | Chinese (Simplified) | Chinese (Traditional, Macau) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Taiwan) | Japanese | Korean | Hindi | Bengali | Marathi | Nepali | Punjabi (Gurmukhi) | Portuguese (Portugal) | Portuguese (Brazil) | Italian | Polish | Turkish | Greek | Thai | Swedish | Danish | Norwegian | Finnish | Dutch | Hebrew | Vietnamese | Indonesian | Malay | Tagalog (Filipino) | Swahili | Hungarian | Czech | Slovak | Romanian | Bulgarian | Serbian (Cyrillic) | Croatian | Slovenian | Ukrainian | Burmese (Myanmar)
🌍 ਦੁਨੀਆ ਦੇ ਸੱਭਿਆਚਾਰਾਂ ਰਾਹੀਂ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਖੋਜ ਕਰਨ ਲਈ ਸਾਡੇ ਨਾਲ ਯਾਤਰਾ ਕਰੋ 🌍
Microsoft ਦੇ Cloud Advocates ਨੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਬਾਰੇ 12 ਹਫ਼ਤਿਆਂ ਦਾ, 26 ਪਾਠਾਂ ਦਾ ਪਾਠਕ੍ਰਮ ਪੇਸ਼ ਕਰਨ ਵਿੱਚ ਖੁਸ਼ੀ ਮਹਿਸੂਸ ਕੀਤੀ ਹੈ। ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ, ਤੁਸੀਂ ਕਲਾਸਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਬਾਰੇ ਸਿੱਖੋਗੇ, ਮੁੱਖ ਤੌਰ 'ਤੇ Scikit-learn ਲਾਇਬ੍ਰੇਰੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਅਤੇ ਡੀਪ ਲਰਨਿੰਗ ਤੋਂ ਬਚਦੇ ਹੋਏ, ਜੋ ਸਾਡੇ AI for Beginners' ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਕਵਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਸ ਪਾਠਕ੍ਰਮ ਨੂੰ ਸਾਡੇ 'Data Science for Beginners' ਪਾਠਕ੍ਰਮ ਨਾਲ ਜੋੜੋ।
ਸਾਡੇ ਨਾਲ ਦੁਨੀਆ ਭਰ ਦੀ ਯਾਤਰਾ ਕਰੋ ਜਦੋਂ ਅਸੀਂ ਕਲਾਸਿਕ ਤਕਨੀਕਾਂ ਨੂੰ ਦੁਨੀਆ ਦੇ ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਦੇ ਡਾਟਾ 'ਤੇ ਲਾਗੂ ਕਰਦੇ ਹਾਂ। ਹਰ ਪਾਠ ਵਿੱਚ ਪਾਠ ਤੋਂ ਪਹਿਲਾਂ ਅਤੇ ਬਾਅਦ ਦੇ ਪ੍ਰਸ਼ਨੋਤਰੀ, ਪਾਠ ਪੂਰਾ ਕਰਨ ਲਈ ਲਿਖਤ ਨਿਰਦੇਸ਼, ਇੱਕ ਹੱਲ, ਇੱਕ ਅਸਾਈਨਮੈਂਟ, ਅਤੇ ਹੋਰ ਬਹੁਤ ਕੁਝ ਸ਼ਾਮਲ ਹੈ। ਸਾਡੀ ਪ੍ਰੋਜੈਕਟ-ਅਧਾਰਿਤ ਪੈਡਾਗੌਜੀ ਤੁਹਾਨੂੰ ਸਿੱਖਣ ਦਿੰਦੀ ਹੈ ਜਦੋਂ ਤੁਸੀਂ ਬਣਾਉਂਦੇ ਹੋ, ਜੋ ਨਵੀਆਂ ਕੌਸ਼ਲਾਂ ਨੂੰ ਯਾਦ ਰੱਖਣ ਦਾ ਇੱਕ ਸਾਬਤ ਤਰੀਕਾ ਹੈ।
✍️ ਸਾਡੇ ਲੇਖਕਾਂ ਨੂੰ ਦਿਲੋਂ ਧੰਨਵਾਦ Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ਅਤੇ Amy Boyd
🎨 ਸਾਡੇ ਚਿੱਤਰਕਾਰਾਂ ਨੂੰ ਵੀ ਧੰਨਵਾਦ Tomomi Imura, Dasani Madipalli, ਅਤੇ Jen Looper
🙏 ਵਿਸ਼ੇਸ਼ ਧੰਨਵਾਦ 🙏 ਸਾਡੇ Microsoft Student Ambassador ਲੇਖਕਾਂ, ਸਮੀਖਿਆਕਾਰਾਂ, ਅਤੇ ਸਮੱਗਰੀ ਯੋਗਦਾਨਕਾਰਾਂ ਨੂੰ, ਖਾਸ ਤੌਰ 'ਤੇ Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, ਅਤੇ Snigdha Agarwal
🤩 ਵਾਧੂ ਧੰਨਵਾਦ Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, ਅਤੇ Vidushi Gupta ਨੂੰ ਸਾਡੇ R ਪਾਠਾਂ ਲਈ!
ਇਹ ਕਦਮ ਅਨੁਸਰਣ ਕਰੋ:
- Repository ਨੂੰ Fork ਕਰੋ: ਇਸ ਪੰਨੇ ਦੇ ਸੱਜੇ-ਉੱਪਰ ਦੇ ਕੋਨੇ 'ਤੇ "Fork" ਬਟਨ 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
- Repository ਨੂੰ Clone ਕਰੋ:
git clone https://github.com/microsoft/ML-For-Beginners.git
ਵਿਦਿਆਰਥੀ, ਇਸ ਪਾਠਕ੍ਰਮ ਨੂੰ ਵਰਤਣ ਲਈ, ਪੂਰੇ ਰਿਪੋਜ਼ਟਰੀ ਨੂੰ ਆਪਣੇ GitHub ਖਾਤੇ ਵਿੱਚ ਫੋਰਕ ਕਰੋ ਅਤੇ ਕਸਰਤਾਂ ਨੂੰ ਖੁਦ ਜਾਂ ਇੱਕ ਸਮੂਹ ਨਾਲ ਪੂਰਾ ਕਰੋ:
- ਪਾਠ ਤੋਂ ਪਹਿਲਾਂ ਪ੍ਰਸ਼ਨੋਤਰੀ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ।
- ਪਾਠ ਪੜ੍ਹੋ ਅਤੇ ਗਤੀਵਿਧੀਆਂ ਪੂਰੀਆਂ ਕਰੋ, ਹਰ ਗਿਆਨ ਜਾਂਚ 'ਤੇ ਰੁਕੋ ਅਤੇ ਵਿਚਾਰ ਕਰੋ।
- ਪਾਠਾਂ ਨੂੰ ਸਮਝ ਕੇ ਪ੍ਰੋਜੈਕਟ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ ਬਜਾਏ ਹੱਲ ਕੋਡ ਚਲਾਉਣ ਦੇ; ਹਾਲਾਂਕਿ ਉਹ ਕੋਡ
/solutionਫੋਲਡਰਾਂ ਵਿੱਚ ਉਪਲਬਧ ਹੈ। - ਪਾਠ ਤੋਂ ਬਾਅਦ ਦੀ ਪ੍ਰਸ਼ਨੋਤਰੀ ਕਰੋ।
- ਚੈਲੈਂਜ ਪੂਰਾ ਕਰੋ।
- ਅਸਾਈਨਮੈਂਟ ਪੂਰਾ ਕਰੋ।
- ਪਾਠ ਸਮੂਹ ਪੂਰਾ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਚਰਚਾ ਬੋਰਡ 'ਤੇ ਜਾਓ ਅਤੇ "ਉੱਚੀ ਆਵਾਜ਼ ਵਿੱਚ ਸਿੱਖੋ" ਦੁਆਰਾ ਸਹੀ PAT ਰੂਬ੍ਰਿਕ ਭਰੋ।
ਵਾਧੂ ਅਧਿਐਨ ਲਈ, ਅਸੀਂ ਇਹ Microsoft Learn ਮੋਡੀਊਲ ਅਤੇ ਸਿੱਖਣ ਦੇ ਰਸਤੇ ਅਨੁਸਰਣ ਕਰਨ ਦੀ ਸਿਫਾਰਸ਼ ਕਰਦੇ ਹਾਂ।
ਅਧਿਆਪਕ, ਅਸੀਂ ਇਸ ਪਾਠਕ੍ਰਮ ਨੂੰ ਵਰਤਣ ਲਈ ਕੁਝ ਸੁਝਾਅ ਇਥੇ ਸ਼ਾਮਲ ਕੀਤੇ ਹਨ।
ਕੁਝ ਪਾਠ ਛੋਟੇ ਰੂਪ ਦੇ ਵੀਡੀਓ ਵਜੋਂ ਉਪਲਬਧ ਹਨ। ਤੁਸੀਂ ਇਹ ਸਾਰੇ ਪਾਠਾਂ ਵਿੱਚ ਲਾਈਨ ਵਿੱਚ ਲੱਭ ਸਕਦੇ ਹੋ, ਜਾਂ Microsoft Developer YouTube ਚੈਨਲ 'ਤੇ ML for Beginners ਪਲੇਲਿਸਟ 'ਤੇ ਕਲਿੱਕ ਕਰਕੇ ਹਾਸਲ ਕਰ ਸਕਦੇ ਹੋ।
Gif by Mohit Jaisal
🎥 ਉਪਰੋਕਤ ਚਿੱਤਰ 'ਤੇ ਕਲਿੱਕ ਕਰੋ ਪ੍ਰੋਜੈਕਟ ਅਤੇ ਇਸਨੂੰ ਬਣਾਉਣ ਵਾਲੇ ਲੋਕਾਂ ਬਾਰੇ ਵੀਡੀਓ ਦੇਖਣ ਲਈ!
ਅਸੀਂ ਇਸ ਪਾਠਕ੍ਰਮ ਨੂੰ ਬਣਾਉਂਦੇ ਸਮੇਂ ਦੋ ਪੈਡਾਗੌਜੀਕਲ ਸਿਧਾਂਤਾਂ ਨੂੰ ਚੁਣਿਆ ਹੈ: ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਕਿ ਇਹ ਹੱਥ-ਅਧਾਰਿਤ ਪ੍ਰੋਜੈਕਟ-ਅਧਾਰਿਤ ਹੈ ਅਤੇ ਇਹ ਵਿੱਚ ਵਾਰੰ-ਵਾਰ ਪ੍ਰਸ਼ਨੋਤਰੀਆਂ ਸ਼ਾਮਲ ਹਨ। ਇਸਦੇ ਨਾਲ, ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਇੱਕ ਸਾਂਝਾ ਥੀਮ ਹੈ ਜੋ ਇਸਨੂੰ ਇਕੱਠਾ ਰੱਖਦੀ ਹੈ।
ਪ੍ਰੋਜੈਕਟਾਂ ਨਾਲ ਸਮੱਗਰੀ ਨੂੰ ਸੰਰਖਿਤ ਕਰਕੇ, ਪ੍ਰਕਿਰਿਆ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਹੋਰ ਦਿਲਚਸਪ ਬਣਾਈ ਜਾਂਦੀ ਹੈ ਅਤੇ ਸੰਕਲਪਾਂ ਦੀ ਯਾਦਸ਼ਕਤੀ ਵਧਾਈ ਜਾਂਦੀ ਹੈ। ਇਸਦੇ ਨਾਲ, ਕਲਾਸ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕ ਘੱਟ-ਦਬਾਅ ਵਾਲੀ ਪ੍ਰਸ਼ਨੋਤਰੀ ਵਿਦਿਆਰਥੀ ਨੂੰ ਇੱਕ ਵਿਸ਼ੇ ਨੂੰ ਸਿੱਖਣ ਵੱਲ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨ ਲਈ ਸੈਟ ਕਰਦੀ ਹੈ, ਜਦਕਿ ਕਲਾਸ ਤੋਂ ਬਾਅਦ ਦੀ ਪ੍ਰਸ਼ਨੋਤਰੀ ਹੋਰ ਯਾਦਸ਼ਕਤੀ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ।
ਸਾਡੇ Code of Conduct, Contributing, ਅਤੇ Translation ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ ਲੱਭੋ। ਅਸੀਂ ਤੁਹਾਡੇ ਰਚਨਾਤਮਕ ਫੀਡਬੈਕ ਦਾ ਸਵਾਗਤ ਕਰਦੇ ਹਾਂ!
- ਵਿਕਲਪਿਕ ਸਕੈਚਨੋਟ
- ਵਿਕਲਪਿਕ ਵਾਧੂ ਵੀਡੀਓ
- ਵੀਡੀਓ ਵਾਕਥਰੂ (ਕੁਝ ਪਾਠਾਂ ਲਈ ਹੀ)
- ਪਾਠ ਤੋਂ ਪਹਿਲਾਂ ਦੀ ਪ੍ਰਸ਼ਨੋਤਰੀ
- ਲਿਖਤ ਪਾਠ
- ਪ੍ਰੋਜੈਕਟ-ਅਧਾਰਿਤ ਪਾਠਾਂ ਲਈ, ਪ੍ਰੋਜੈਕਟ ਬਣਾਉਣ ਲਈ ਕਦਮ-ਦਰ-ਕਦਮ ਗਾਈਡ
- ਗਿਆਨ ਜਾਂਚ
- ਇੱਕ ਚੈਲੈਂਜ
- ਵਾਧੂ ਪੜ੍ਹਾਈ
- ਅਸਾਈਨਮੈਂਟ
- ਪਾਠ ਤੋਂ ਬਾਅਦ ਦੀ ਪ੍ਰਸ਼ਨੋਤਰੀ
ਭਾਸ਼ਾਵਾਂ ਬਾਰੇ ਇੱਕ ਨੋਟ: ਇਹ ਪਾਠ ਮੁੱਖ ਤੌਰ 'ਤੇ Python ਵਿੱਚ ਲਿਖੇ ਗਏ ਹਨ, ਪਰ ਬਹੁਤ ਸਾਰੇ R ਵਿੱਚ ਵੀ ਉਪਲਬਧ ਹਨ। R ਪਾਠ ਪੂਰੇ ਕਰਨ ਲਈ,
/solutionਫੋਲਡਰ ਵਿੱਚ ਜਾਓ ਅਤੇ R ਪਾਠ ਲੱਭੋ।
ਪ੍ਰਸ਼ਨੋਤਰੀਆਂ ਬਾਰੇ ਇੱਕ ਨੋਟ: ਸਾਰੀਆਂ ਪ੍ਰਸ਼ਨੋਤਰੀਆਂ Quiz App ਫੋਲਡਰ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ।
| ਪਾਠ ਨੰਬਰ | ਵਿਸ਼ਾ | ਪਾਠ ਸਮੂਹ | ਸਿੱਖਣ ਦੇ ਉਦੇਸ਼ | ਜੁੜਿਆ ਪਾਠ | ਲੇਖਕ |
|---|---|---|---|---|---|
| 01 | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਪਰਿਚਯ | Introduction | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਮੂਲ ਸੰਕਲਪਾਂ ਬਾਰੇ ਸਿੱਖੋ | Lesson | Muhammad |
| 02 | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਇਤਿਹਾਸ | Introduction | ਇਸ ਖੇਤਰ ਦੇ ਪਿਛਲੇ ਇਤਿਹਾਸ ਬਾਰੇ ਸਿੱਖੋ | Lesson | Jen and Amy |
| 03 | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਤੇ ਨਿਆਂ | Introduction | ਨਿਆਂ ਦੇ ਮਹੱਤਵਪੂਰਨ ਦਰਸ਼ਨਸ਼ਾਸਤਰੀ ਮੁੱਦੇ ਕੀ ਹਨ ਜੋ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਬਣਾਉਣ ਅਤੇ ਲਾਗੂ ਕਰਨ ਸਮੇਂ ਵਿਚਾਰ ਕਰਨੇ ਚਾਹੀਦੇ ਹਨ? | Lesson | Tomomi |
| 04 | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਲਈ ਤਕਨੀਕਾਂ | Introduction | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਖੋਜਕਰਤਾ ਕਿਹੜੀਆਂ ਤਕਨੀਕਾਂ ਵਰਤਦੇ ਹਨ? | Lesson | Chris and Jen |
| 05 | ਰਿਗ੍ਰੈਸ਼ਨ ਦਾ ਪਰਿਚਯ | Regression | ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲਾਂ ਲਈ ਪਾਇਥਨ ਅਤੇ ਸਕਾਈਕਿਟ-ਲਰਨ ਨਾਲ ਸ਼ੁਰੂਆਤ ਕਰੋ |
- [Python](2-Regression/1-Tools/README.md)
- [R](../../2-Regression/1-Tools/solution/R/lesson_1.html)
- ਜੈਨ
- ਐਰਿਕ ਵਾਂਜਾਉ
- [Python](2-Regression/2-Data/README.md)
- [R](../../2-Regression/2-Data/solution/R/lesson_2.html)
- ਜੈਨ
- ਐਰਿਕ ਵਾਂਜਾਉ
- [Python](2-Regression/3-Linear/README.md)
- [R](../../2-Regression/3-Linear/solution/R/lesson_3.html)
- ਜੈਨ ਅਤੇ ਦਿਮਿਤਰੀ
- ਐਰਿਕ ਵਾਂਜਾਉ
- [Python](2-Regression/4-Logistic/README.md)
- [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html)
- ਜੈਨ
- ਐਰਿਕ ਵਾਂਜਾਉ
- [Python](4-Classification/1-Introduction/README.md)
- [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) |
- ਜੈਨ ਅਤੇ ਕੈਸੀ
- ਐਰਿਕ ਵਾਂਜਾਉ
- [Python](4-Classification/2-Classifiers-1/README.md)
- [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) |
- ਜੈਨ ਅਤੇ ਕੈਸੀ
- ਐਰਿਕ ਵਾਂਜਾਉ
- [Python](4-Classification/3-Classifiers-2/README.md)
- [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) |
- ਜੈਨ ਅਤੇ ਕੈਸੀ
- ਐਰਿਕ ਵਾਂਜਾਉ
- [Python](5-Clustering/1-Visualize/README.md)
- [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) |
- ਜੈਨ
- ਐਰਿਕ ਵਾਂਜਾਉ
- [Python](5-Clustering/2-K-Means/README.md)
- [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) |
- ਜੈਨ
- ਐਰਿਕ ਵਾਂਜਾਉ
♥️ | [Natural language processing](6-NLP/README.md) | ਜੇਨ ਆਸਟਿਨ ਨਾਲ ਅਨੁਵਾਦ ਅਤੇ ਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਣ | [Python](6-NLP/3-Translation-Sentiment/README.md) | ਸਟੀਫਨ | | 19 | ਯੂਰਪ ਦੇ ਰੋਮਾਂਟਿਕ ਹੋਟਲ♥️ | [Natural language processing](6-NLP/README.md) | ਹੋਟਲ ਸਮੀਖਿਆਵਾਂ ਨਾਲ ਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਣ 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | ਸਟੀਫਨ | | 20 | ਯੂਰਪ ਦੇ ਰੋਮਾਂਟਿਕ ਹੋਟਲ♥️ | [Natural language processing](6-NLP/README.md) | ਹੋਟਲ ਸਮੀਖਿਆਵਾਂ ਨਾਲ ਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਣ 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | ਸਟੀਫਨ | | 21 | ਸਮੇਂ ਦੀ ਲੜੀ ਦੀ ਭਵਿੱਖਵਾਣੀ ਦਾ ਪਰਿਚਯ | [Time series](7-TimeSeries/README.md) | ਸਮੇਂ ਦੀ ਲੜੀ ਦੀ ਭਵਿੱਖਵਾਣੀ ਦਾ ਪਰਿਚਯ | [Python](7-TimeSeries/1-Introduction/README.md) | ਫ੍ਰਾਂਚੇਸਕਾ | | 22 | ⚡️ ਵਿਸ਼ਵ ਬਿਜਲੀ ਦੀ ਖਪਤ ⚡️ - ARIMA ਨਾਲ ਸਮੇਂ ਦੀ ਲੜੀ ਦੀ ਭਵਿੱਖਵਾਣੀ | [Time series](7-TimeSeries/README.md) | ARIMA ਨਾਲ ਸਮੇਂ ਦੀ ਲੜੀ ਦੀ ਭਵਿੱਖਵਾਣੀ | [Python](7-TimeSeries/2-ARIMA/README.md) | ਫ੍ਰਾਂਚੇਸਕਾ | | 23 | ⚡️ ਵਿਸ਼ਵ ਬਿਜਲੀ ਦੀ ਖਪਤ ⚡️ - SVR ਨਾਲ ਸਮੇਂ ਦੀ ਲੜੀ ਦੀ ਭਵਿੱਖਵਾਣੀ | [Time series](7-TimeSeries/README.md) | ਸਪੋਰਟ ਵੇਕਟਰ ਰਿਗ੍ਰੈਸਰ ਨਾਲ ਸਮੇਂ ਦੀ ਲੜੀ ਦੀ ਭਵਿੱਖਵਾਣੀ | [Python](7-TimeSeries/3-SVR/README.md) | ਅਨੀਰਬਾਨ | | 24 | ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਦਾ ਪਰਿਚਯ | [Reinforcement learning](8-Reinforcement/README.md) | ਕਿਊ-ਲਰਨਿੰਗ ਨਾਲ ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਦਾ ਪਰਿਚਯ | [Python](8-Reinforcement/1-QLearning/README.md) | ਦਿਮਿਤਰੀ | | 25 | ਪੀਟਰ ਨੂੰ ਭੇੜੀਏ ਤੋਂ ਬਚਾਓ! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਜਿਮ | [Python](8-Reinforcement/2-Gym/README.md) | ਦਿਮਿਤਰੀ | | Postscript | ਅਸਲ ਦੁਨੀਆ ਦੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦ੍ਰਿਸ਼ ਅਤੇ ਐਪਲੀਕੇਸ਼ਨ | [ML in the Wild](9-Real-World/README.md) | ਕਲਾਸਿਕਲ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਦਿਲਚਸਪ ਅਤੇ ਖੁਲਾਸਾ ਕਰਨ ਵਾਲੇ ਅਸਲ ਦੁਨੀਆ ਦੇ ਐਪਲੀਕੇਸ਼ਨ | [Lesson](9-Real-World/1-Applications/README.md) | ਟੀਮ | | Postscript | RAI ਡੈਸ਼ਬੋਰਡ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਾਡਲ ਡੀਬੱਗਿੰਗ | [ML in the Wild](9-Real-World/README.md) | ਜ਼ਿੰਮੇਵਾਰ AI ਡੈਸ਼ਬੋਰਡ ਕੰਪੋਨੈਂਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ ਮਾਡਲ ਡੀਬੱਗਿੰਗ | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | ਰੁਥ ਯਾਕੂਬ |ਇਸ ਕੋਰਸ ਲਈ ਸਾਰੇ ਵਾਧੂ ਸਰੋਤਾਂ ਨੂੰ ਸਾਡੇ ਮਾਈਕਰੋਸਾਫਟ ਲਰਨ ਕਲੈਕਸ਼ਨ ਵਿੱਚ ਲੱਭੋ
ਤੁਸੀਂ ਇਸ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਆਫਲਾਈਨ ਚਲਾ ਸਕਦੇ ਹੋ Docsify ਦੀ ਵਰਤੋਂ ਕਰਕੇ। ਇਸ ਰਿਪੋ ਨੂੰ ਫੋਰਕ ਕਰੋ, ਆਪਣੇ ਸਥਾਨਕ ਕੰਪਿਊਟਰ 'ਤੇ Docsify ਇੰਸਟਾਲ ਕਰੋ, ਅਤੇ ਫਿਰ ਇਸ ਰਿਪੋ ਦੇ ਰੂਟ ਫੋਲਡਰ ਵਿੱਚ,
docsify serveਟਾਈਪ ਕਰੋ। ਵੈੱਬਸਾਈਟ ਤੁਹਾਡੇ ਲੋਕਲਹੋਸਟlocalhost:3000'ਤੇ ਪੋਰਟ 3000 'ਤੇ ਸਰਵ ਕੀਤੀ ਜਾਵੇਗੀ।ਲਿੰਕਾਂ ਨਾਲ ਪਾਠਕ੍ਰਮ ਦਾ ਇੱਕ ਪੀਡੀਐਫ ਇੱਥੇ ਲੱਭੋ।
ਸਾਡੀ ਟੀਮ ਹੋਰ ਕੋਰਸ ਤਿਆਰ ਕਰਦੀ ਹੈ! ਵੇਖੋ:
- ਜਨਰੇਟਿਵ AI ਲਈ ਸ਼ੁਰੂਆਤੀ
- ਜਨਰੇਟਿਵ AI ਲਈ ਸ਼ੁਰੂਆਤੀ .NET
- ਜਾਵਾਸਕ੍ਰਿਪਟ ਨਾਲ ਜਨਰੇਟਿਵ AI
- ਜਾਵਾ ਨਾਲ ਜਨਰੇਟਿਵ AI
- AI ਲਈ ਸ਼ੁਰੂਆਤੀ
- ਡਾਟਾ ਸਾਇੰਸ ਲਈ ਸ਼ੁਰੂਆਤੀ
- ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਲਈ ਸ਼ੁਰੂਆਤੀ
- ਸਾਇਬਰਸੁਰੱਖਿਆ ਲਈ ਸ਼ੁਰੂਆਤੀ
- ਵੈੱਬ ਡਿਵੈਲਪਮੈਂਟ ਲਈ ਸ਼ੁਰੂਆਤੀ
- IoT ਲਈ ਸ਼ੁਰੂਆਤੀ
- ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ XR ਵਿਕਾਸ
- ਜੋੜੇ ਪ੍ਰੋਗਰਾਮਿੰਗ ਲਈ GitHub Copilot ਵਿੱਚ ਮਾਹਰ ਬਣੋ
- C#/.NET ਡਿਵੈਲਪਰਾਂ ਲਈ GitHub Copilot ਵਿੱਚ ਮਾਹਰ ਬਣੋ
- ਆਪਣੇ ਆਪ ਦੀ Copilot ਮੁਹਿੰਮ ਚੁਣੋ
ਅਸਵੀਕਰਤੀ:
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ Co-op Translator ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।