README.md

🌐 کثیر لسانی تعاون

GitHub ایکشن کے ذریعے تعاون یافتہ (خودکار اور ہمیشہ تازہ ترین)

عربی | بنگالی | بلغاریائی | برمی (میانمار) | چینی (سادہ) | چینی (روایتی، ہانگ کانگ) | چینی (روایتی، میکاؤ) | چینی (روایتی، تائیوان) | کریوٹ | چیک | ڈینش | ڈچ | ایسٹونین | فنش | فرانسیسی | جرمن | یونانی | عبرانی | ہندی | ہنگیرین | انڈونیشیائی | اطالوی | جاپانی | کنڑا | کھمیر | کوریائی | لتھوانین | ملایی | ملایالم | مراٹھی | نیپالی | نائجیریائی پیجین | ناروے | فارسی (اردو) | پولش | پرتگالی (برازیل) | پرتگالی (پرتگال) | پنجابی (گورمکھی) | رومانیائی | روسی | سربین (سیریلک) | سلوواک | سلووینیائی | ہسپانوی | سواحلی | سویڈش | ٹاگالوگ (فلپائنی) | تمل | تیلگو | تھائی | ترکی | یوکرینیائی | اردو | ویتنامی

مقامی طور پر کلون کرنا پسند کریں؟

اس ریپوزیٹری میں 50+ زبان کی تراجم شامل ہیں جو ڈاؤن لوڈ حجم میں نمایاں اضافہ کرتے ہیں۔ بغیر تراجم کے کلون کرنے کے لیے اسپارس چیکآؤٹ استعمال کریں:

باش / میک او ایس / لینکس:

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'

سی ایم ڈی (ونڈوز):

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"

یہ آپ کو کورس مکمل کرنے کے لیے ہر چیز فراہم کرتا ہے، وہ بھی بہت تیز ڈاؤن لوڈ کے ساتھ۔

ہماری کمیونٹی میں شامل ہوں

ہمارے پاس AI کے ساتھ ایک Discord سیکھنے کی سیریز جاری ہے، مزید معلومات حاصل کریں اور 18 سے 30 ستمبر، 2025 تک ہمارے ساتھ شامل ہوں Learn with AI Series پر۔ آپ GitHub Copilot کو ڈیٹا سائنس کے لیے استعمال کرنے کے لیے ٹپس اور ٹرکس حاصل کریں گے۔

مشین لرننگ برائے مبتدی - ایک نصاب

🌍 دنیا بھر کا سفر کرتے ہوئے ہم دنیا کی ثقافتوں کے ذریعے مشین لرننگ کو دریافت کرتے ہیں 🌍

مائیکروسافٹ کے کلاؤڈ ایڈووکیٹس خوش ہیں کہ وہ 12 ہفتوں، 26 اسباق پر محیط ایک نصاب پیش کرتے ہیں جو مکمل طور پر مشین لرننگ کے بارے میں ہے۔ اس نصاب میں، آپ کو جو کبھی کبھی روایتی مشین لرننگ کہا جاتا ہے، بنیادی طور پر Scikit-learn لائبریری کا استعمال کرتے ہوئے اور ڈیپ لرننگ سے پرہیز کرتے ہوئے سیکھنے کو ملے گا، جو ہمارے AI for Beginners' نصاب میں شامل ہے۔ ان اسباق کو ہمارے 'Data Science for Beginners' نصاب کے ساتھ جوڑیں، بھی!

ہمارے ساتھ دنیا بھر کا سفر کریں جب ہم ان کلاسیکی تکنیکوں کو دنیا کے مختلف علاقوں کے ڈیٹا پر لاگو کرتے ہیں۔ ہر سبق میں پری اور پوسٹ-سبق کوئزز، سبق مکمل کرنے کے لیے تحریری ہدایات، حل، ایک اسائنمنٹ، اور مزید شامل ہیں۔ ہمارا پروجیکٹ پر مبنی طریقہ تعلیم آپ کو سیکھتے ہوئے تعمیر کرنے کی اجازت دیتا ہے، جو نئی مہارتوں کو مضبوط بنانے کا ثابت شدہ طریقہ ہے۔

✍️ ہمارے مصنفین کا دل سے شکریہ جین لوپر، سٹیفن ہوویل، فرانسیسکا لازیری، ٹومومی ایمورا، کیسی بریویو، دمتری سوشنکوف، کرس نورنگ، انربن مکھرجی، اورنیلا التونیان، روتھ یاکوبو اور ایمی بوئڈ

🎨 شکریہ بھی ہمارے مصوروں کو ٹومومی ایمورا، دسانی مادیپالی، اور جین لوپر

🙏 خاص طور پر شکریہ 🙏 ہماری مائیکروسافٹ اسٹوڈنٹ ایمبیسیڈر مصنفین، جائزہ لینے والوں، اور مواد کے تعاون دینے والوں کو، خاص طور پر رشیّت ڈاکلی، محمد ساقب خان اینان، روہن راج، الیگزانڈرو پیٹریسکو، ابھیشیک جیسوال، نَوْرِن طبعسم، ایوان سمویلا، اور سنگدھا اگروال

🤩 اضافی شکریہ مائیکروسافٹ اسٹوڈنٹ ایمبیسیڈرز ایرک ونجاؤ، جزلین سونڈی، اور ودوشی گپتا کو ہمارے آر اسباق کے لیے!

شروعات

ان مراحل پر عمل کریں:

1. ریپوزیٹری کو فورک کریں: اس صفحے کے اوپری دائیں کونے میں "Fork" بٹن پر کلک کریں۔
2. ریپوزیٹری کو کلون کریں: git clone https://github.com/microsoft/ML-For-Beginners.git

اس کورس کے تمام اضافی وسائل ہماری Microsoft Learn کلیکشن میں تلاش کریں

🔧 مدد چاہیے؟ عام مسائل جیسے تنصیب، سیٹ اپ، اور اسباق چلانے کے حل کے لیے ہمارا مسائل حل کرنے کا گائیڈ دیکھیں۔

طلباء، اس نصاب کو استعمال کرنے کے لیے اپنی GitHub اکاؤنٹ پر مکمل ریپو کو فورک کریں اور مشقیں خود یا کسی گروپ کے ساتھ مکمل کریں:

• پری لیکچر کوئز سے شروع کریں۔
• لیکچر پڑھیں اور سرگرمیاں مکمل کریں، ہر علم کی جانچ پر توقف اور غور کریں۔
• اسباق کو سمجھ کے پروجیکٹس بنانے کی کوشش کریں نہ کہ حل کے کوڈ کو چلانے کی؛ البتہ وہ کوڈ ہر پروجیکٹ پر مبنی سبق کے /solution فولڈرز میں دستیاب ہے۔
• پوسٹ لیکچر کوئز دیں۔
• چیلنج مکمل کریں۔
• اسائنمنٹ مکمل کریں۔
• ایک سبق گروپ مکمل کرنے کے بعد، بحث بورڈ پر جائیں اور "آواز بلند کرکے سیکھیں" مناسب PAT روبریک بھر کر۔ 'PAT' ایک پروگریس اسیسمنٹ ٹول ہے جو آپ اپنی سیکھ کے لیے بھرنے والے روبریک ہوتے ہیں۔ آپ دوسروں کے PATs پر بھی ردعمل دے سکتے ہیں تاکہ ہم سب ساتھ سیکھ سکیں۔

مزید مطالعہ کے لیے، ہم ان Microsoft Learn ماڈیولز اور سیکھنے کے راستے کی پیروی کرنے کی سفارش کرتے ہیں۔

اساتذہ، ہم نے کچھ تجاویز شامل کی ہیں کہ اس نصاب کو کس طرح استعمال کیا جائے۔

---

ویڈیو واک تھروز

کچھ اسباق مختصر ویڈیو کی شکل میں دستیاب ہیں۔ آپ یہ سب اسباق کے اندر بھی دیکھ سکتے ہیں، یا Microsoft Developer YouTube چینل پر ML for Beginners پلے لسٹ پر نیچے دی گئی تصویر پر کلک کرکے۔

---

ٹیم سے ملیں

گیف بنائی گئی موہت جیسال

🎥 ویڈیو دیکھنے کے لیے اوپر تصویر پر کلک کریں جو اس پروجیکٹ اور اسے بنانے والے افراد کے بارے میں ہے!

---

تدریسی طریقہ کار

ہم نے اس نصاب کی تعمیر کے دوران دو تدریسی اصول منتخب کیے ہیں: یہ یقینی بنانا کہ یہ ہاتھوں سے کرنے والا پروجیکٹ پر مبنی ہو اور اس میں کثرت سے کوئزز شامل ہوں۔ اس کے علاوہ، اس نصاب کا ایک مشترکہ موضوع ہے جو اسے ہم آہنگی دیتا ہے۔

یہ یقینی بنا کر کہ مواد پروجیکٹس کے مطابق ہو، عمل کو طلباء کے لیے زیادہ دلچسپ بنایا جاتا ہے اور تصورات کو یاد رکھنے کی صلاحیت بڑھائی جاتی ہے۔ اس کے علاوہ، کلاس سے پہلے ایک کم دباؤ والا کوئز طالب علم کی تعلیم پر توجہ قائم کرتا ہے، جبکہ کلاس کے بعد دوسرا کوئز مزید یادداشت کو یقینی بناتا ہے۔ یہ نصاب لچکدار اور دلچسپ بنانے کے لیے ڈیزائن کیا گیا ہے اور اسے مکمل یا جزوی طور پر لیا جا سکتا ہے۔ پروجیکٹس ابتدا میں چھوٹے ہوتے ہیں اور 12 ہفتوں کے آخری دورانیے میں پیچیدہ ہوتے چلے جاتے ہیں۔ اس نصاب میں مشین لرننگ کی حقیقی دنیا کی ایپلیکیشن پر ایک پوسٹ اسکرپٹ بھی شامل ہے، جسے اضافی کریڈٹ یا بحث کی بنیاد کے طور پر استعمال کیا جا سکتا ہے۔

ہمارا کوڈ آف کنڈکٹ، شراکت، تراجم، اور مسائل حل کرنے کے رہنما اصول تلاش کریں۔ ہم آپ کی تعمیری رائے کا خیرمقدم کرتے ہیں!

ہر سبق میں شامل ہے

• اختیاری سکیچ نوٹ
• اختیاری ضمنی ویڈیو
• ویڈیو واک تھرو (صرف کچھ اسباق)
• پری لیکچر وارم اپ کوئز
• تحریری سبق
• پروجیکٹ پر مبنی اسباق کے لیے، پروجیکٹ بنانے کے لیے قدم بہ قدم رہنمائی
• علمی جانچیں
• ایک چیلنج
• ضمنی مطالعہ
• اسائنمنٹ
• پوسٹ لیکچر کوئز

زبانوں کے بارے میں ایک نوٹ: یہ اسباق بنیادی طور پر Python میں لکھے گئے ہیں، لیکن بہت سے اسباق R میں بھی دستیاب ہیں۔ R کا سبق مکمل کرنے کے لیے، /solution فولڈر میں جائیں اور R اسباق تلاش کریں۔ ان میں .rmd توسیع شامل ہے جو ایک R Markdown فائل کی نمائندگی کرتی ہے جسے آسانی سے code chunks (R یا دیگر زبانوں کے) اور YAML header (جو اس بات کی رہنمائی کرتا ہے کہ مثلا PDF جیسے آؤٹ پٹ کو کیسے فارمیٹ کرنا ہے) کو Markdown دستاویز میں ایمبیڈ کرنے کے طور پر بیان کیا جا سکتا ہے۔ اس طرح، یہ ڈیٹا سائنس کے لیے ایک مثالی مصنفانہ فریم ورک کے طور پر کام کرتا ہے کیونکہ یہ آپ کو اپنے کوڈ، اس کا آؤٹ پٹ، اور آپ کے خیالات کو یکجا کرنے کی اجازت دیتا ہے، جو آپ کو Markdown میں لکھنے کی سہولت دیتا ہے۔ مزید برآں، R Markdown دستاویزات کو PDF، HTML، یا Word جیسے آؤٹ پٹ فارمیٹس میں رینڈر کیا جا سکتا ہے۔

کوئزز کے بارے میں ایک نوٹ: تمام کوئزز Quiz App فولڈر میں موجود ہیں، کل 52 کوئزز، ہر ایک میں تین سوالات ہیں۔ یہ اسباق کے اندر سے لنک کیے گئے ہیں لیکن کوئز ایپ کو مقامی طور پر چلایا جا سکتا ہے؛ quiz-app فولڈر میں دی گئی ہدایات کے مطابق مقامی طور پر ہوسٹ کریں یا Azure پر تعینات کریں۔

سبق نمبر	موضوع	سبق کا گروپنگ	سیکھنے کے مقاصد	منسلک سبق	مصنف
01	مشین لرننگ کا تعارف	تعارف	مشین لرننگ کے بنیادی تصورات سیکھیں	سبق	محمد
02	مشین لرننگ کی تاریخ	تعارف	اس میدان کی تاریخ سیکھیں	سبق	جین اور ایمی
03	مشین لرننگ اور انصاف	تعارف	مشین لرننگ ماڈلز کی تعمیر اور اطلاق کے دوران طلباء کو انصاف کے اہم فلسفیانہ مسائل پر غور کرنا چاہیے؟	سبق	تومومی
04	مشین لرننگ کی تکنیکیں	تعارف	مشین لرننگ کے ماہرین مشین لرننگ ماڈلز بنانے کے لیے کون کون سی تکنیکیں استعمال کرتے ہیں؟	سبق	کرس اور جین
05	ریگریشن کا تعارف	ریگریشن	ریگریشن ماڈلز کے لیے Python اور Scikit-learn کے ساتھ شروع کریں	Python • R	جین • ایرک وانجاؤ
06	شمالی امریکہ کے کدو کی قیمتیں 🎃	ریگریشن	مشین لرننگ کی تیاری کے لیے ڈیٹا کو دیکھیں اور صاف کریں	Python • R	جین • ایرک وانجاؤ
07	شمالی امریکہ کے کدو کی قیمتیں 🎃	ریگریشن	لینیئر اور کثیر رقمی ریگریشن ماڈلز بنائیں	Python • R	جین اور دمتری • ایرک وانجاؤ
08	شمالی امریکہ کے کدو کی قیمتیں 🎃	ریگریشن	لاجسٹک ریگریشن ماڈل بنائیں	Python • R	جین • ایرک وانجاؤ
09	ایک ویب ایپ 🔌	ویب ایپ	اپنے تربیت یافتہ ماڈل کے استعمال کے لیے ایک ویب ایپ بنائیں	Python	جین
10	درجہ بندی کا تعارف	درجہ بندی	اپنا ڈیٹا صاف کریں، تیار کریں، اور دیکھائیں؛ درجہ بندی کا تعارف	Python • R	جین اور کیسی • ایرک وانجاؤ
11	مزیدار ایشیائی اور ہندوستانی کھانے 🍜	درجہ بندی	درجہ بند کنندگان کا تعارف	Python • R	جین اور کیسی • ایرک وانجاؤ
12	مزیدار ایشیائی اور ہندوستانی کھانے 🍜	درجہ بندی	مزید درجہ بند کنندگان	Python • R	جین اور کیسی • ایرک وانجاؤ
13	مزیدار ایشیائی اور ہندوستانی کھانے 🍜	درجہ بندی	اپنے ماڈل کا استعمال کرتے ہوئے ایک سفارش ویب ایپ بنائیں	Python	جین
14	کلسٹرنگ کا تعارف	کلسٹرنگ	اپنا ڈیٹا صاف کریں، تیار کریں، اور دیکھائیں؛ کلسٹرنگ کا تعارف	Python • R	جین • ایرک وانجاؤ
15	نائجیریائی موسیقی کے ذوق کی کھوج 🎧	کلسٹرنگ	K-Means کلسٹرنگ طریقہ کار کو دریافت کریں	Python • R	جین • ایرک وانجاؤ
16	نیچرل لینگویج پروسیسنگ کا تعارف ☕️	نیچرل لینگویج پروسیسنگ	ایک سادہ بوٹ بنا کر NLP کی بنیادی باتیں سیکھیں	Python	اسٹیفن
17	عام NLP کے کام ☕️	نیچرل لینگویج پروسیسنگ	زبان کی ساختوں سے نمٹنے کے لیے عمومی کاموں کی سمجھ بوجھ کے ذریعے اپنی NLP معلومات کو گہرا کریں	Python	اسٹیفن
18	ترجمہ اور جذباتی تجزیہ ♥️	نیچرل لینگویج پروسیسنگ	جین آسٹن کے ساتھ ترجمہ اور جذباتی تجزیہ	Python	اسٹیفن
19	یورپ کے رومانٹک ہوٹل ♥️	نیچرل لینگویج پروسیسنگ	ہوٹل کے جائزوں کے ساتھ جذباتی تجزیہ 1	Python	اسٹیفن
20	یورپ کے رومانٹک ہوٹل ♥️	نیچرل لینگویج پروسیسنگ	ہوٹل کے جائزوں کے ساتھ جذباتی تجزیہ 2	Python	اسٹیفن
21	ٹائم سیریز پیشن گوئی کا تعارف	ٹائم سیریز	ٹائم سیریز پیشن گوئی کا تعارف	Python	فرانسسکا
22	⚡️ عالمی بجلی کا استعمال ⚡️ - ARIMA کے ساتھ ٹائم سیریز پیشن گوئی	ٹائم سیریز	ARIMA کے ساتھ ٹائم سیریز پیشن گوئی	Python	فرانسسکا
23	⚡️ عالمی بجلی کا استعمال ⚡️ - SVR کے ساتھ ٹائم سیریز پیشن گوئی	ٹائم سیریز	سپورٹ ویکٹر ریگریسر کے ساتھ ٹائم سیریز پیشن گوئی	Python	انربن
24	تقویتی سیکھنے کا تعارف	تقویتی سیکھنے	Q-Learning کے ذریعے تقویتی سیکھنے کا تعارف	Python	دمتری
25	پیٹر کو بھیڑیا سے بچائیں! 🐺	تقویتی سیکھنے	تقویتی سیکھنے کا جم	Python	دمتری
پوسٹ اسکرپٹ	حقیقی دنیا کے ML سیناریوز اور اطلاقات	ML in the Wild	کلاسیکی ML کی دلچسپ اور انکشافاتی حقیقی دنیا کی اطلاقات	سبق	ٹیم
پوسٹ اسکرپٹ	RAI ڈیش بورڈ کے ذریعے ML میں ماڈل کی خرابی کی جانچ	ML in the Wild	ذمہ دار AI ڈیش بورڈ اجزاء کا استعمال کرتے ہوئے مشین لرننگ میں ماڈل کی خرابی کی جانچ	سبق	رتھ یاکوبو

اس کورس کے لیے تمام اضافی وسائل ہمارے Microsoft Learn مجموعے میں تلاش کریں

آف لائن رسائی

آپ اس دستاویز کو آف لائن Docsify استعمال کرتے ہوئے چلا سکتے ہیں۔ اس ریپو کو فورک کریں، اپنی مقامی مشین پر Docsify انسٹال کریں، اور پھر اس ریپو کے روٹ فولڈر میں docsify serve ٹائپ کریں۔ ویب سائٹ آپ کے لوکل ہوسٹ پر پورٹ 3000 پر چلائی جائے گی: localhost:3000۔

PDF فائلیں

نصاب کا PDF ورژن لنکس کے ساتھ [یہاں] (https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) حاصل کریں۔

🎒 دیگر کورسز

ہماری ٹیم دیگر کورسز بھی تیار کرتی ہے! چیک کریں:

LangChain

Azure / Edge / MCP / Agents

---

تخلیقی AI سلسلہ

---

بنیادی تعلیم

---

کوپائلٹ سلسلہ

مدد حاصل کرنا

اگر آپ مشین لرننگ سیکھتے ہوئے یا AI ایپلیکیشنز بناتے ہوئے پھنس جاتے ہیں یا آپ کو سوالات ہیں، تو پریشان نہ ہوں — مدد دستیاب ہے۔

آپ دوسرے سیکھنے والوں اور ڈویلپرز کے ساتھ بات چیت میں شامل ہو سکتے ہیں، سوالات پوچھ سکتے ہیں، اور اپنی سوچ کمیونٹی کے ساتھ شیئر کر سکتے ہیں۔

• سوالات پوچھنے اور دوسروں کے ساتھ سیکھنے کے لیے کمیونٹی میں شامل ہوں
• مشین لرننگ کے تصورات اور پروجیکٹ آئیڈیاز پر بات چیت کریں
• تجربہ کار ڈویلپرز سے رہنمائی حاصل کریں

ایک معاون کمیونٹی آپ کی مہارتوں کو بڑھانے اور مسائل کو جلد حل کرنے کا بہترین ذریعہ ہے۔

Microsoft Foundry Discord Community

اگر آپ کو بگز، غلطیاں، یا بہتری کے لئے تجاویز نظر آئیں، تو آپ اس ریپوزیٹری میں ایک مسئلہ بھی کھول کر مسئلہ رپورٹ کر سکتے ہیں۔

پروڈکٹ فیڈبیک کے لیے یا موجودہ کمیونٹی پوسٹس تلاش کرنے کے لیے، ڈیولپر فورم ملاحظہ کریں:

اضافی سیکھنے کے مشورے

• ہر سبق کے بعد نوٹ بکس کا جائزہ لیں تاکہ بہتر سمجھ آئے۔
• الگورتھمز کو خود سے نافذ کرنے کی مشق کریں۔
• سیکھے گئے تصورات کا استعمال کرتے ہوئے حقیقی دنیا کے ڈیٹا سیٹس کو دریافت کریں۔

---

ڈس کلیمر:
اس دستاویز کا ترجمہ AI ترجمہ سروس Co-op Translator کے ذریعے کیا گیا ہے۔ اگرچہ ہم درستگی کے لیے کوشاں ہیں، براہ کرم اس بات کا خیال رکھیں کہ خودکار تراجم میں غلطیاں یا نقائص ہو سکتے ہیں۔ اصل دستاویز اپنی مادری زبان میں ہی معتبر ماخذ سمجھی جانی چاہیے۔ اہم معلومات کے لیے، پیشہ ور انسانی ترجمہ تجویز کیا جاتا ہے۔ ہم اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا بدفہمی کے ذمہ دار نہیں ہیں۔