README.md

🌐 बहुभाषिक समर्थन

GitHub Action द्वारे 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

स्थानिकपणे क्लोन करायचे प्राधान्य?

या रिपॉझिटरीमध्ये 50+ भाषा अनुवादांचा समावेश आहे ज्यामुळे डाउनलोड आकार लक्षणीयपणे 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"

हे तुम्हाला कोर्स पूर्ण करण्यासाठी आवश्यक असलेले सर्व काही जलद डाउनलोडसह देते.

आमच्या समुदायात सामील व्हा

आमच्याकडे डिस्कॉर्डवर AI सोबत शिकण्याची मालिका सुरू आहे, अधिक जाणून घ्या आणि 18 - 30 सप्टेंबर, 2025 रोजी आमच्यात सामील व्हा Learn with AI Series. तुम्हाला GitHub Copilot चा डेटा सायन्ससाठी वापर करण्याचे टिप्स आणि ट्रिक्स मिळतील.

नवशिक्यांसाठी मशीन लर्निंग - एक अभ्यासक्रम

🌍 जगभर प्रवास करा जसे आपण जगातील संस्कृतींच्या माध्यमातून मशीन लर्निंगचा अभ्यास करतो 🌍

Microsoft मधील क्लाउड अॅडव्होकेट्स यांनी 12 आठवड्यांचा, 26 धड्यांचा संपूर्ण अभ्यासक्रम सादर करत आहोत जो मशीन लर्निंग विषयी आहे. या अभ्यासक्रमात आपण ज्याला कधीकधी क्लासिक मशीन लर्निंग म्हणतात ते शिकाल, मुख्यतः Scikit-learn लायब्ररी वापरून आणि डीप लर्निंग टाळून, जी आमच्या AI for Beginners' curriculum मध्ये समाविष्ट आहे. हे धडे आमच्या 'Data Science for Beginners' curriculum सोबत जोडून घ्या!

जगभर प्रवास करा जसे आपण हे क्लासिक तंत्रज्ञान जगभरच्या अनेक भागांतील डेटावर लागू करतो. प्रत्येक धड्यामध्ये पूर्व-आणि पश्चात-धडा क्विझेस, धडा पूर्ण करण्यासाठी लिखित सूचना, सोडवणूक, असाइनमेंट आणि बरेच काही समाविष्ट आहे. आमचा प्रोजेक्ट-आधारित शिक्षण पद्धत तुम्हाला शिकत असताना तयार करण्याची संधी देते, जी नवीन कौशल्ये 'लागून राहण्यासाठी' एक सिद्ध मार्ग आहे.

✍️ आमच्या लेखकांचे मनापासून आभार जेन लूपर, स्टीफन हावेल, फ्रान्सेस्का लाझेरी, टोमॉमी इमुरा, कॅसी ब्रेवियू, दिमित्री सोश्निकोव, क्रिस नोरिंग, अनिर्बान मुखर्जी, ऑर्नेल्ला आल्टुन्यन, रुथ याकुबू आणि एमी बॉयड

🎨 आमच्या चित्रकारांचे देखील आभार टोमॉमी इमुरा, दासानी मदीपल्ली, आणि जेन लूपर

🙏 विशेष धन्यवाद 🙏 आमच्या Microsoft Student Ambassador लेखक, पुनरावलोकक आणि सामग्री पुरवठादारांना, विशेषतः ऋषित डगलि, मुहम्मद साकिब खान इनान, रोहन राज, अलेक्झांडर पेट्रेस्क्यू, अभिषेक जैसवाल, नवरिन ताबास्सुम, इओन सामुइला, आणि स्निग्धा अग्रवाल यांना

🤩 Microsoft Student Ambassadors एरिक वांजाऊ, जसलीन सोंधी, आणि विदुषी गुप्ता यांना आमच्या R धड्यांसाठी विशेष आभार!

सुरुवात कशी करावी

हे चरण पाळा:

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

या कोर्ससाठी सर्व अतिरिक्त संसाधने आमच्या Microsoft Learn संग्रहात शोधा

🔧 मदत हवी आहे? आमच्या Troubleshooting Guide मध्ये इंस्टॉलेशन, सेटअप, आणि धडे चालवण्यासाठी सामान्य समस्यांवर उपाय पहा.

विद्यार्थी, या अभ्यासक्रमाचा वापर करण्यासाठी, संपूर्ण रिपॉझिटरी आपल्या GitHub खात्यात फोर्क करा आणि व्यायाम स्वतः किंवा गटात पूर्ण करा:

• पूर्व-व्याख्याने क्विझपासून सुरुवात करा.
• व्याख्याने वाचा आणि क्रियाकलाप पूर्ण करा, प्रत्येक ज्ञान तपासणीवर थांबा आणि चिंतन करा.
• धडे समजून घेऊन प्रकल्प तयार करण्याचा प्रयत्न करा, फक्त सोडवणूक कोड चालवण्याऐवजी; हा कोड प्रत्येक प्रकल्प-आधारित धड्याच्या /solution फोल्डरमध्ये उपलब्ध आहे.
• व्याख्यानानंतरची क्विझ करा.
• आव्हान पूर्ण करा.
• असाइनमेंट पूर्ण करा.
• एका धडा गटानंतर, Discussion Board ला भेट द्या आणि योग्य PAT रूपरेषा भरून "उच्चारून शिका". 'PAT' म्हणजे प्रगती मोजण्याचे साधन जे तुम्ही भरता जेणेकरून तुमचा अभ्यास वाढेल. तुम्ही इतर PAT जाहीर पाठिंबा देऊ शकता जेणेकरून आपण एकत्र शिकू शकू.

पुढील अभ्यासासाठी, आम्ही या Microsoft Learn मॉड्यूल आणि शिकण्याच्या मार्गांचा पाठपुरावा करण्याचा सल्ला देतो.

शिक्षक, आम्ही या अभ्यासक्रमाचा कसा वापर करावा यावर काही सूचना समाविष्ट केल्या आहेत.

---

व्हिडिओ मार्गदर्शन

काही धडे व्हिडिओच्या स्वरूपात उपलब्ध आहेत. तुम्ही हे सर्व धडा मध्ये इन-लाइन पाहू शकता, किंवा ML for Beginners प्लेलिस्ट Microsoft Developer YouTube चॅनेलवर खालील प्रतिमेवर क्लिक करून पाहू शकता.

---

टीमची ओळख

Gif द्वारा मोहित जैसल

🎥 प्रकल्प आणि त्यास तयार करणाऱ्या लोकांबद्दल व्हिडिओसाठी वरील चित्रावर क्लिक करा!

---

शिक्षण पद्धत

या अभ्यासक्रमाची रचना करताना आम्ही दोन शैक्षणिक तत्त्वे निवडली आहेत: त्याचा प्रत्यक्ष कामावर आधारित प्रकल्प-आधारित असणे आणि यामध्ये वारंवार क्विझ समाविष्ट असणे. शिवाय, या अभ्यासक्रमाला एक सामान्य थीम आहे जी त्यास सुसंगतता देते.

सामग्री प्रकल्पांशी सुसंगत असल्याने, विद्यार्थ्यांची रस घेण्याची प्रक्रिया अधिक प्रभावी होते आणि संकल्पनांचे टिकाऊपणा वाढतो. व्याख्यानाच्या आधीचा कमी-दाबाचा क्विझ विद्यार्थ्याच्या या विषय शिकण्याची तयारी सेट करतो, तर व्याख्यानानंतरचा दुसरा क्विझ अधिक टिकाऊपणासाठी मदत करतो. हा अभ्यासक्रम लवचीक व मजेशीर आहे आणि संपूर्ण किंवा भागाने केला जाऊ शकतो. प्रकल्प सुरुवातीला लहान असतात आणि 12 आठवड्याच्या शेवटी अधिक क्लिष्ट होतात. या अभ्यासक्रमात वास्तविक जगातील ML चे वापरांवरील एक पोस्टस्क्रिप्ट देखील आहे, ज्याचा उपयोग अतिरिक्त गुणांसाठी किंवा चर्चेसाठी करता येतो.

आमच्या Code of Conduct, Contributing, Translations, आणि Troubleshooting मार्गदर्शक तत्त्वे पाहा. तुमचा बांधकामात्मक अभिप्राय आम्हाला स्वागत आहे!

प्रत्येक धड्यामध्ये यांचा समावेश असतो

• ऐच्छिक स्केच नोट
• ऐच्छिक पूरक व्हिडिओ
• व्हिडिओ मार्गदर्शन (काही धड्यांसाठी)
• पूर्व-व्याख्यान वॉर्मअप क्विझ
• लिखित धडा
• प्रकल्प-आधारित धड्यांसाठी, प्रकल्प कसा तयार करावा यावर टप्प्याटप्प्याने मार्गदर्शिका
• ज्ञान चाचण्या
• एक आव्हान
• पूरक वाचन
• असाइनमेंट
• पश्चात-व्याख्यान क्विझ

भाषांबद्दल एक टीप: हे धडे प्राथमिकतः Python मध्ये लिहिलेले आहेत, परंतु अनेक धडे R मध्ये सुद्धा उपलब्ध आहेत. R चा अभ्यासक्रम पूर्ण करण्यासाठी, /solution फोल्डरमध्ये जा आणि R शी संबंधित धडे शोधा. त्यांना .rmd विस्तार असतो जे एक R Markdown फाइल दर्शवते, जी कोड चंक (R किंवा इतर भाषांचे) आणि YAML हेडर (ज्यामुळे PDF सारखे आउटपुट कसे फॉरमॅट करायचे ते निर्देशित करते) या गोष्टींचे एम्बेडिंग असते एका Markdown दस्तऐवजात. म्हणून, हे डेटा सायन्ससाठी एक आदर्श लेखक फ्रेमवर्क म्हणून काम करते कारण यामुळे तुम्ही तुमचा कोड, त्याचा आउटपुट व तुमचे विचार Markdown मध्ये लिहून संगठित करू शकता. शिवाय, R Markdown दस्तऐवज PDF, HTML किंवा Word सारख्या आउटपुट फॉरमॅटसाठी तयार केले जाऊ शकतात.

प्रश्नमंजूषा बद्दल एक टीप: सर्व प्रश्नमंजूषा Quiz App फोल्डर मध्ये आहेत, एकूण ५२ प्रश्नमंजूषा असून प्रत्येकात तीन प्रश्न आहेत. त्या धड्यांमध्ये लिंक केलेल्या आहेत पण प्रश्नमंजूषा अ‍ॅप स्थानिकपणे चालवता येतो; स्थानिक होस्टिंग किंवा Azure वर तैनात करण्याबाबत सूचना quiz-app फोल्डरमध्ये आहेत.

धडा क्रमांक	विषय	धड्यांचे वर्गीकरण	शिकण्याचे उद्दिष्टे	लिंक केलेला धडा	लेखक
01	मशीन लर्निंगची ओळख	Introduction	मशीन लर्निंगमागील मूलभूत संकल्पना शिका	Lesson	Muhammad
02	मशीन लर्निंगचा इतिहास	Introduction	या क्षेत्राच्या इतिहासाचे ज्ञान मिळवा	Lesson	Jen and Amy
03	न्याय्यतेबद्दल व मशीन लर्निंग	Introduction	न्याय्यतेभोवतीच्या महत्त्वाच्या तत्वज्ञानिक मुद्यांबद्दल विचार करा जे विद्यार्थी ML मॉडेल तयार करताना आणि वापरताना लक्षात ठेवायला हवेत	Lesson	Tomomi
04	मशीन लर्निंगसाठी तंत्रे	Introduction	ML संशोधक कोणती तंत्रे वापरतात?	Lesson	Chris and Jen
05	प्रतिगमनाची परिचय	Regression	Python आणि Scikit-learn वापरून प्रतिगमन मॉडेल्समध्ये प्रारंभ करा	Python • R	Jen • Eric Wanjau
06	उत्तर अमेरिकन कोळंबी भाव 🎃	Regression	मशीन लर्निंगपूर्वी डेटा दृश्यात्मक स्वरूपात पाहणे आणि स्वच्छ करणे	Python • R	Jen • Eric Wanjau
07	उत्तर अमेरिकन कोळंबी भाव 🎃	Regression	रेषीय व बहुपद प्रतिगमन मॉडेल तयार करा	Python • R	Jen and Dmitry • Eric Wanjau
08	उत्तर अमेरिकन कोळंबी भाव 🎃	Regression	लॉजिस्टिक प्रतिगमन मॉडेल तयार करा	Python • R	Jen • Eric Wanjau
09	वेब अ‍ॅप 🔌	Web App	तुम्ही तयार केलेल्या मॉडेलचा वापर करून वेब अ‍ॅप तयार करा	Python	Jen
10	वर्गीकरणाची ओळख	Classification	डेटा स्वच्छ, तयार आणि दृश्य स्वरूपात आणा; वर्गीकरणाचा परिचय	Python • R	Jen and Cassie • Eric Wanjau
11	स्वादिष्ट आशियाई व भारतीय जेवण 🍜	Classification	वर्गीकरण करणाऱ्यांचा परिचय	Python • R	Jen and Cassie • Eric Wanjau
12	स्वादिष्ट आशियाई व भारतीय जेवण 🍜	Classification	आणखी वर्गीकरण करणारे	Python • R	Jen and Cassie • Eric Wanjau
13	स्वादिष्ट आशियाई व भारतीय जेवण 🍜	Classification	तुमच्या मॉडेलचा वापर करून शिफारस करणारे वेब अ‍ॅप तयार करा	Python	Jen
14	क्लस्टरिंगची ओळख	Clustering	डेटा स्वच्छ, तयार करा आणि दृश्य स्वरूपात आणा; क्लस्टरिंगची ओळख	Python • R	Jen • Eric Wanjau
15	नायजेरियाच्या संगीत अभिरुचीचा अभ्यास 🎧	Clustering	K-Means क्लस्टरिंग पद्धत शिका	Python • R	Jen • Eric Wanjau
16	नैसर्गिक भाषा प्रक्रिया परिचय ☕️	Natural language processing	साधा बॉट तयार करून NLP चे मूलभूत सांगाणे	Python	Stephen
17	सामान्य NLP कार्ये ☕️	Natural language processing	भाषा रचनेसंबंधी कामे कशी हाताळायची हे समजून NLP ज्ञान वाढवा	Python	Stephen
18	भाषांतर व भावना विश्लेषण ♥️	Natural language processing	Jane Austen सह भाषांतर व भावना विश्लेषण	Python	Stephen
19	युरोपच्या रोमँटिक हॉटेल्स ♥️	Natural language processing	हॉटेल पुनरावलोकनांसह भावना विश्लेषण 1	Python	Stephen
20	युरोपच्या रोमँटिक हॉटेल्स ♥️	Natural language processing	हॉटेल पुनरावलोकनांसह भावना विश्लेषण 2	Python	Stephen
21	टाइम सिरिज फोरकास्टिंगची ओळख	Time series	टाइम सिरिज फोरकास्टिंगची ओळख	Python	Francesca
22	⚡️ जगातील विद्युत वापर ⚡️ - ARIMA सह फोरकास्टिंग	Time series	ARIMA सह टाइम सिरिज फोरकास्टिंग	Python	Francesca
23	⚡️ जगातील विद्युत वापर ⚡️ - SVR सह फोरकास्टिंग	Time series	Support Vector Regressor सह टाइम सिरिज फोरकास्टिंग	Python	Anirban
24	पुनर्बळणीकरण शिक्षण परिचय	Reinforcement learning	Q-Learning सह पुनर्बळणीकरण शिक्षणाची ओळख	Python	Dmitry
25	पीटरला लांडग्या टाळण्यात मदत करा! 🐺	Reinforcement learning	पुनर्बळणीकरण शिक्षण Gym	Python	Dmitry
पोस्टस्क्रिप्ट	वास्तविक जगातील ML परिस्थिती आणि अनुप्रयोग	ML in the Wild	पारंपरिक ML चे मनोरंजक व उघडणारे वास्तविक जगातील अनुप्रयोग	Lesson	Team
पोस्टस्क्रिप्ट	RAI डॅशबोर्ड वापरून मॉडेल डीबगिंग	ML in the Wild	जबाबदार AI डॅशबोर्ड घटक वापरून मशीन लर्निंगमधील मॉडेल डीबगिंग	Lesson	Ruth Yakubu

या कोर्ससाठी सर्व अतिरिक्त संसाधने आमच्या Microsoft Learn संग्रहात शोधा

ऑफलाइन प्रवेश

तुम्ही Docsify वापरून हे दस्तऐवज ऑफलाइन चालवू शकता. या रिपॉजिटरीचा फोर्क करा, तुमच्या स्थानिक संगणकावर Docsify इंस्टॉल करा आणि नंतर या रिपॉजिटरीच्या मुळ फोल्डरमध्ये docsify serve टाइप करा. वेबसाइट तुमच्या लोकलहोस्टवर पोर्ट 3000 वर सुरू होईल: localhost:3000.

PDF

पाठ्यक्रमाचा PDF येथे उपलब्ध आहे.

🎒 इतर कोर्सेस

आमच्या टीमद्वारे इतर कोर्सेस तयार केले जातात! पाहा:

LangChain

Azure / Edge / MCP / Agents

---

जनरेटिव AI सिरिज

---

कोअर शिक्षण

---

कॉपीलट सिरिज

मदत घेणे

जर तुम्ही मशीन लर्निंग शिकत असताना किंवा AI ऍप्लिकेशन्स तयार करत असताना अडकले किंवा काही प्रश्न असतील, तर काळजी करू नका — मदत उपलब्ध आहे.

तुम्ही इतर शिकणाऱ्यांशी आणि विकासकांशी चर्चा करू शकता, प्रश्न विचारू शकता आणि तुमच्या कल्पना समुदायासोबत शेअर करू शकता.

• इतरांसोबत प्रश्न विचारण्यासाठी व शिकण्यासाठी समुदायात सामील व्हा
• मशीन लर्निंग संकल्पना आणि प्रोजेक्ट कल्पनांवर चर्चा करा
• अनुभवी विकासकांकडून मार्गदर्शन मिळवा

एक सहायक समुदाय तुमचे कौशल्य वाढवण्याचा आणि समस्या लवकर सोडवण्याचा उत्तम मार्ग आहे.

Microsoft Foundry Discord Community

जर तुम्हाला बग्स, चुका आढळल्या किंवा सुधारणा सुचवायच्या असतील, तर तुम्ही या रिपॉझिटरीमध्ये Issue उघडून समस्या नोंदवू शकता.

उत्पादनाबाबत अभिप्रायासाठी किंवा विद्यमान समुदाय पोस्ट शोधण्यासाठी, डेव्हलपर फोरम भेट द्या:

अतिरिक्त शिक्षण टिपा

• प्रत्येक धड्याच्या नंतर नोटबुक्स पुनरावलोकन करा म्हणजे समज अधिक चांगला होईल.
• अल्गोरिदम स्वतः अंमलात आणण्याचा सराव करा.
• शिकलेल्या संकल्पनांचा वापर करून वास्तविक डेटासेट्स एक्सप्लोर करा.

---

अस्वीकरण: हा दस्तऐवज AI अनुवाद सेवा Co-op Translator चा वापर करून अनुवादित केला आहे. आम्ही अचूकतेसाठी प्रयत्नशील आहोत, तरी कृपया लक्षात ठेवा की स्वयंचलित अनुवादांमध्ये चुका किंवा अशुद्धी असू शकते. मूळ दस्तऐवज त्याच्या स्थानिक भाषेत अधिकृत स्रोत मानला पाहिजे. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी अनुवाद शिफारसीय आहे. या अनुवादाच्या वापरातून उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थलग्नीसाठी आम्ही जबाबदार नाही.