RomanNum3ral
/
AI-For-Beginners
mirror of https://github.com/microsoft/AI-For-Beginners.git
1
0
Fork 0
Code Issues Packages Projects Releases Wiki Activity

chore(i18n): sync translations with latest source changes (chunk 1/1, 201 changes)

This commit is contained in:
localizeflow[bot] 2026-01-30 01:39:02 +00:00
parent fbfb0a8047
commit 0a9890ad15
201 changed files with 1591 additions and 2176 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

398
translations/mr/.co-op-translator.json Normal file
View File

@ -0,0 +1,398 @@
{
"AGENTS.md": {
"original_hash": "6b11a37115944252ab3ed04e358d830d",
"translation_date": "2025-10-03T09:17:44+00:00",
"source_file": "AGENTS.md",
"language_code": "mr"
},
"README.md": {
"original_hash": "1984fc89dd304a8a33ab5584691a99aa",
"translation_date": "2026-01-30T01:35:22+00:00",
"source_file": "README.md",
"language_code": "mr"
},
"SECURITY.md": {
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
"translation_date": "2025-08-26T07:56:00+00:00",
"source_file": "SECURITY.md",
"language_code": "mr"
},
"etc/CODE_OF_CONDUCT.md": {
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
"translation_date": "2025-08-26T11:17:15+00:00",
"source_file": "etc/CODE_OF_CONDUCT.md",
"language_code": "mr"
},
"etc/CONTRIBUTING.md": {
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
"translation_date": "2025-08-26T11:19:52+00:00",
"source_file": "etc/CONTRIBUTING.md",
"language_code": "mr"
},
"etc/Mindmap.md": {
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
"translation_date": "2025-08-26T11:22:27+00:00",
"source_file": "etc/Mindmap.md",
"language_code": "mr"
},
"etc/SUPPORT.md": {
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
"translation_date": "2025-08-26T11:16:22+00:00",
"source_file": "etc/SUPPORT.md",
"language_code": "mr"
},
"etc/TRANSLATIONS.md": {
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
"translation_date": "2025-08-26T11:18:27+00:00",
"source_file": "etc/TRANSLATIONS.md",
"language_code": "mr"
},
"etc/quiz-app/README.md": {
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
"translation_date": "2025-08-26T11:25:50+00:00",
"source_file": "etc/quiz-app/README.md",
"language_code": "mr"
},
"examples/README.md": {
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
"translation_date": "2025-10-03T11:29:04+00:00",
"source_file": "examples/README.md",
"language_code": "mr"
},
"lessons/0-course-setup/for-teachers.md": {
"original_hash": "a094ef9927883de1cfcee51dbd143381",
"translation_date": "2025-08-26T11:12:14+00:00",
"source_file": "lessons/0-course-setup/for-teachers.md",
"language_code": "mr"
},
"lessons/0-course-setup/how-to-run.md": {
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
"translation_date": "2026-01-15T13:09:07+00:00",
"source_file": "lessons/0-course-setup/how-to-run.md",
"language_code": "mr"
},
"lessons/0-course-setup/setup.md": {
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
"translation_date": "2025-12-12T19:32:12+00:00",
"source_file": "lessons/0-course-setup/setup.md",
"language_code": "mr"
},
"lessons/1-Intro/README.md": {
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
"translation_date": "2025-11-18T21:06:16+00:00",
"source_file": "lessons/1-Intro/README.md",
"language_code": "mr"
},
"lessons/1-Intro/assignment.md": {
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
"translation_date": "2025-11-18T21:08:19+00:00",
"source_file": "lessons/1-Intro/assignment.md",
"language_code": "mr"
},
"lessons/2-Symbolic/README.md": {
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
"translation_date": "2026-01-15T13:09:31+00:00",
"source_file": "lessons/2-Symbolic/README.md",
"language_code": "mr"
},
"lessons/2-Symbolic/assignment.md": {
"original_hash": "a057a8604f3976c3e309884453f1fad0",
"translation_date": "2025-08-26T11:07:09+00:00",
"source_file": "lessons/2-Symbolic/assignment.md",
"language_code": "mr"
},
"lessons/3-NeuralNetworks/03-Perceptron/README.md": {
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
"translation_date": "2025-09-23T07:10:15+00:00",
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
"language_code": "mr"
},
"lessons/3-NeuralNetworks/03-Perceptron/lab/README.md": {
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
"translation_date": "2025-08-29T06:46:20+00:00",
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
"language_code": "mr"
},
"lessons/3-NeuralNetworks/04-OwnFramework/README.md": {
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
"translation_date": "2025-09-23T07:09:50+00:00",
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
"language_code": "mr"
},
"lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md": {
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
"translation_date": "2025-08-26T10:29:23+00:00",
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
"language_code": "mr"
},
"lessons/3-NeuralNetworks/05-Frameworks/README.md": {
"original_hash": "ddd216f558a255260a9374008002c971",
"translation_date": "2025-09-23T07:10:35+00:00",
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
"language_code": "mr"
},
"lessons/3-NeuralNetworks/05-Frameworks/lab/README.md": {
"original_hash": "e452d897efb9a89700f41021834cf6e5",
"translation_date": "2025-08-26T10:35:21+00:00",
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
"language_code": "mr"
},
"lessons/3-NeuralNetworks/README.md": {
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
"translation_date": "2025-10-03T12:45:12+00:00",
"source_file": "lessons/3-NeuralNetworks/README.md",
"language_code": "mr"
},
"lessons/4-ComputerVision/06-IntroCV/README.md": {
"original_hash": "feeca98225cb420afc89415f24f63d92",
"translation_date": "2025-09-23T07:05:04+00:00",
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
"language_code": "mr"
},
"lessons/4-ComputerVision/06-IntroCV/lab/README.md": {
"original_hash": "3d53d6409f80970f7281a45dee35328a",
"translation_date": "2025-08-26T09:41:05+00:00",
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
"language_code": "mr"
},
"lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md": {
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
"translation_date": "2025-09-23T07:04:18+00:00",
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
"language_code": "mr"
},
"lessons/4-ComputerVision/07-ConvNets/README.md": {
"original_hash": "a560d5b845962cf33dc102266e409568",
"translation_date": "2025-09-23T07:04:02+00:00",
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
"language_code": "mr"
},
"lessons/4-ComputerVision/07-ConvNets/lab/README.md": {
"original_hash": "b70fcf7fcee862990f848c679090943f",
"translation_date": "2025-10-03T14:53:49+00:00",
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
"language_code": "mr"
},
"lessons/4-ComputerVision/08-TransferLearning/README.md": {
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
"translation_date": "2025-09-23T07:04:39+00:00",
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
"language_code": "mr"
},
"lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md": {
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
"translation_date": "2025-08-26T09:48:39+00:00",
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
"language_code": "mr"
},
"lessons/4-ComputerVision/08-TransferLearning/lab/README.md": {
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
"translation_date": "2025-08-26T09:53:03+00:00",
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
"language_code": "mr"
},
"lessons/4-ComputerVision/09-Autoencoders/README.md": {
"original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
"translation_date": "2025-09-23T07:06:19+00:00",
"source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
"language_code": "mr"
},
"lessons/4-ComputerVision/10-GANs/README.md": {
"original_hash": "0ff65b4da07b23697235de2beb2a3c25",
"translation_date": "2025-09-23T07:07:16+00:00",
"source_file": "lessons/4-ComputerVision/10-GANs/README.md",
"language_code": "mr"
},
"lessons/4-ComputerVision/11-ObjectDetection/README.md": {
"original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
"translation_date": "2025-09-23T07:05:43+00:00",
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
"language_code": "mr"
},
"lessons/4-ComputerVision/11-ObjectDetection/lab/README.md": {
"original_hash": "ad568d55ae65c856fe929fc2b278510a",
"translation_date": "2025-08-26T09:25:17+00:00",
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
"language_code": "mr"
},
"lessons/4-ComputerVision/12-Segmentation/README.md": {
"original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
"translation_date": "2025-09-23T07:06:59+00:00",
"source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
"language_code": "mr"
},
"lessons/4-ComputerVision/12-Segmentation/lab/README.md": {
"original_hash": "365f0decfe0f47b460bbde8227c5009d",
"translation_date": "2025-08-26T09:12:29+00:00",
"source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
"language_code": "mr"
},
"lessons/4-ComputerVision/README.md": {
"original_hash": "58a52f000089c1d8906a4daa4ab1169b",
"translation_date": "2025-08-26T09:02:54+00:00",
"source_file": "lessons/4-ComputerVision/README.md",
"language_code": "mr"
},
"lessons/5-NLP/13-TextRep/README.md": {
"original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
"translation_date": "2025-09-23T07:13:38+00:00",
"source_file": "lessons/5-NLP/13-TextRep/README.md",
"language_code": "mr"
},
"lessons/5-NLP/13-TextRep/assignment.md": {
"original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
"translation_date": "2025-08-26T08:28:45+00:00",
"source_file": "lessons/5-NLP/13-TextRep/assignment.md",
"language_code": "mr"
},
"lessons/5-NLP/14-Embeddings/README.md": {
"original_hash": "b708c9b85b833864c73c6281f1e6b96e",
"translation_date": "2025-09-23T07:13:20+00:00",
"source_file": "lessons/5-NLP/14-Embeddings/README.md",
"language_code": "mr"
},
"lessons/5-NLP/14-Embeddings/assignment.md": {
"original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
"translation_date": "2025-08-26T08:17:58+00:00",
"source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
"language_code": "mr"
},
"lessons/5-NLP/15-LanguageModeling/README.md": {
"original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
"translation_date": "2025-09-23T07:11:31+00:00",
"source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
"language_code": "mr"
},
"lessons/5-NLP/15-LanguageModeling/lab/README.md": {
"original_hash": "5130f01fdc5ebb83032b23d489027aac",
"translation_date": "2025-08-26T08:32:16+00:00",
"source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
"language_code": "mr"
},
"lessons/5-NLP/16-RNN/README.md": {
"original_hash": "e2273cc150380a5e191903cea858f021",
"translation_date": "2025-09-23T07:12:53+00:00",
"source_file": "lessons/5-NLP/16-RNN/README.md",
"language_code": "mr"
},
"lessons/5-NLP/16-RNN/assignment.md": {
"original_hash": "47f7d3c6a5373543e051e4d1140ce898",
"translation_date": "2025-08-26T08:13:06+00:00",
"source_file": "lessons/5-NLP/16-RNN/assignment.md",
"language_code": "mr"
},
"lessons/5-NLP/17-GenerativeNetworks/README.md": {
"original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
"translation_date": "2025-09-23T07:11:09+00:00",
"source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
"language_code": "mr"
},
"lessons/5-NLP/17-GenerativeNetworks/lab/README.md": {
"original_hash": "439e12796197a90e7623d4c9c057b9c2",
"translation_date": "2025-08-26T08:23:05+00:00",
"source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
"language_code": "mr"
},
"lessons/5-NLP/18-Transformers/README.md": {
"original_hash": "f335dfcb4a993920504c387973a36957",
"translation_date": "2025-09-23T07:11:42+00:00",
"source_file": "lessons/5-NLP/18-Transformers/README.md",
"language_code": "mr"
},
"lessons/5-NLP/18-Transformers/assignment.md": {
"original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
"translation_date": "2025-08-26T08:40:56+00:00",
"source_file": "lessons/5-NLP/18-Transformers/assignment.md",
"language_code": "mr"
},
"lessons/5-NLP/19-NER/README.md": {
"original_hash": "6522312ff835796ca34136a9462fafb2",
"translation_date": "2025-09-23T07:12:34+00:00",
"source_file": "lessons/5-NLP/19-NER/README.md",
"language_code": "mr"
},
"lessons/5-NLP/19-NER/lab/README.md": {
"original_hash": "032bda5068f543d6c1fcb30c34231461",
"translation_date": "2025-08-26T08:50:53+00:00",
"source_file": "lessons/5-NLP/19-NER/lab/README.md",
"language_code": "mr"
},
"lessons/5-NLP/20-LangModels/README.md": {
"original_hash": "97836d30a6bec736f8e3b4411c572bc2",
"translation_date": "2025-09-23T07:12:14+00:00",
"source_file": "lessons/5-NLP/20-LangModels/README.md",
"language_code": "mr"
},
"lessons/5-NLP/README.md": {
"original_hash": "8ef02a9318257ea140ed3ed74442096d",
"translation_date": "2025-08-26T08:04:03+00:00",
"source_file": "lessons/5-NLP/README.md",
"language_code": "mr"
},
"lessons/6-Other/21-GeneticAlgorithms/README.md": {
"original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
"translation_date": "2025-09-23T07:02:22+00:00",
"source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
"language_code": "mr"
},
"lessons/6-Other/22-DeepRL/README.md": {
"original_hash": "04395657fc01648f8f70484d0e55ab67",
"translation_date": "2025-09-23T07:03:29+00:00",
"source_file": "lessons/6-Other/22-DeepRL/README.md",
"language_code": "mr"
},
"lessons/6-Other/22-DeepRL/lab/README.md": {
"original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
"translation_date": "2025-08-26T10:16:53+00:00",
"source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
"language_code": "mr"
},
"lessons/6-Other/23-MultiagentSystems/README.md": {
"original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
"translation_date": "2025-09-23T07:02:39+00:00",
"source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
"language_code": "mr"
},
"lessons/6-Other/23-MultiagentSystems/assignment.md": {
"original_hash": "cf654ca60c7f86c8dad28596fb42994b",
"translation_date": "2025-08-26T10:11:19+00:00",
"source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
"language_code": "mr"
},
"lessons/7-Ethics/README.md": {
"original_hash": "437c988596e751072e41a5aad3fcc5d9",
"translation_date": "2025-08-26T07:59:41+00:00",
"source_file": "lessons/7-Ethics/README.md",
"language_code": "mr"
},
"lessons/README.md": {
"original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
"translation_date": "2025-08-26T07:57:25+00:00",
"source_file": "lessons/README.md",
"language_code": "mr"
},
"lessons/X-Extras/X1-MultiModal/README.md": {
"original_hash": "9c592c26aca16ca085d268c732284187",
"translation_date": "2025-08-26T10:19:31+00:00",
"source_file": "lessons/X-Extras/X1-MultiModal/README.md",
"language_code": "mr"
},
"lessons/sketchnotes/LICENSE.md": {
"original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
"translation_date": "2025-08-26T10:47:42+00:00",
"source_file": "lessons/sketchnotes/LICENSE.md",
"language_code": "mr"
},
"lessons/sketchnotes/README.md": {
"original_hash": "050b8bddebafba55b129414e6ab096ab",
"translation_date": "2025-08-26T10:40:45+00:00",
"source_file": "lessons/sketchnotes/README.md",
"language_code": "mr"
},
"troubleshoot.md": {
"original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
"translation_date": "2025-10-03T09:40:20+00:00",
"source_file": "troubleshoot.md",
"language_code": "mr"
}
}

9
translations/mr/AGENTS.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "6b11a37115944252ab3ed04e358d830d",
"translation_date": "2025-10-03T09:17:44+00:00",
"source_file": "AGENTS.md",
"language_code": "mr"
}
-->
# AGENTS.md
## प्रकल्पाचा आढावा

194
translations/mr/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "85102ce4bfab31103e99dc8ca2e2f181",
"translation_date": "2026-01-15T13:06:56+00:00",
"source_file": "README.md",
"language_code": "mr"
}
-->
[![GitHub license](https://img.shields.io/github/license/microsoft/AI-For-Beginners.svg)](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
[![GitHub contributors](https://img.shields.io/github/contributors/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
[![GitHub issues](https://img.shields.io/github/issues/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
@ -21,158 +12,159 @@ CO_OP_TRANSLATOR_METADATA:
[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
# प्रारंभिकांसाठी कृत्रिम बुद्धिमत्ता - एक अभ्यासक्रम
# आरंभीसाठी कृत्रिम बुद्धिमत्ता - अभ्यासक्रम
|![Sketchnote by @girlie_mac https://twitter.com/girlie_mac](../../../../translated_images/mr/ai-overview.0857791951d19500.webp)|
|![Sketchnote by @girlie_mac https://twitter.com/girlie_mac](../../translated_images/mr/ai-overview.0857791951d19500.webp)|
|:---:|
| प्रारंभिकांसाठी एआय - _[@girlie_mac](https://twitter.com/girlie_mac) यांचा स्केचनोट_ |
| आरंभीसाठी AI - _स्केचनोद [@girlie_mac](https://twitter.com/girlie_mac) कडून_ |
**कृत्रिम बुद्धिमत्तेच्या** (AI) जगाचा शोध घ्या आमच्या 12 आठवड्यांच्या, 24 धड्यांच्या अभ्यासक्रमासह! यात व्यावहारिक धडे, क्विझ आणि लॅब्स आहेत. हा अभ्यासक्रम नवशिक्यांसाठी अनुकूल आहे आणि यात TensorFlow आणि PyTorch सारख्या टूल्स तसेच AI मध्ये नैतिकता यांचा समावेश आहे.
**कृत्रिम बुद्धिमत्ता** (AI) च्या जगात १२ आठवड्यांच्या, २४ धड्यांच्या अभ्यासक्रमासह अन्वेषण करा! यात व्यावहारिक धडे, क्विझ आणि प्रयोगशाळा समाविष्ट आहेत. हा अभ्यासक्रम सुरुवातीसाठी सोपा असून TensorFlow आणि PyTorch सारखे साधने तसेच AI मधील नैतिकता यावरही भाष्य करतो.
### 🌐 बहुभाषिक समर्थन
#### GitHub Action द्वारे समर्थित (स्वयंचलित आणि नेहमी अद्ययावत)
#### GitHub Action द्वारे समर्थित (स्वयंचलित आणि नेहमी अपडेट असलेले)
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](./README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../br/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
[अरबी](../ar/README.md) | [बंगाली](../bn/README.md) | [बुल्गेरियन](../bg/README.md) | [बर्मीज (म्यानमार)](../my/README.md) | [चीनी (सोपे)](../zh-CN/README.md) | [चीनी (परंपरागत, हॉंगकॉंग)](../zh-HK/README.md) | [चीनी (परंपरागत, मकाऊ)](../zh-MO/README.md) | [चीनी (परंपरागत, तैवान)](../zh-TW/README.md) | [क्रोएशियन](../hr/README.md) | [चेक](../cs/README.md) | [डॅनिश](../da/README.md) | [डच](../nl/README.md) | [एस्टोनियन](../et/README.md) | [फिन्निश](../fi/README.md) | [फ्रेंच](../fr/README.md) | [जर्मन](../de/README.md) | [ग्रीक](../el/README.md) | [हिब्रू](../he/README.md) | [हिंदी](../hi/README.md) | [हंगेरीयन](../hu/README.md) | [इंडोनेशियन](../id/README.md) | [इटालियन](../it/README.md) | [जपानी](../ja/README.md) | [कन्नड](../kn/README.md) | [कोरियन](../ko/README.md) | [लिथुआनियन](../lt/README.md) | [मलय](../ms/README.md) | [मलयाळम](../ml/README.md) | [मराठी](./README.md) | [नेपाळी](../ne/README.md) | [नायजेरियन पिजिन](../pcm/README.md) | [नॉर्वेजियन](../no/README.md) | [फारसी (पर्शियन)](../fa/README.md) | [पोलीश](../pl/README.md) | [पॉर्चुगिज (ब्राझील)](../pt-BR/README.md) | [पॉर्चुगिज (पोर्तुगाल)](../pt-PT/README.md) | [पंजाबी (गुरमुखी)](../pa/README.md) | [रोमेनियन](../ro/README.md) | [रशियन](../ru/README.md) | [सर्बियन (सिरिलिक)](../sr/README.md) | [स्लोव्हाक](../sk/README.md) | [स्लोव्हेनियन](../sl/README.md) | [स्पॅनिश](../es/README.md) | [स्वाहिली](../sw/README.md) | [स्वीडिश](../sv/README.md) | [टगालॉग (फिलिपिनो)](../tl/README.md) | [तमिळ](../ta/README.md) | [तेलुगू](../te/README.md) | [थाई](../th/README.md) | [तुर्की](../tr/README.md) | [युक्रेनियन](../uk/README.md) | [उर्दू](../ur/README.md) | [व्हिएतनामीज](../vi/README.md)
> **स्थानिकरीत्या क्लोन करायचे प्राधान्य द्याल का?**
> **स्थानिक क्लोन प्राधान्य आहे का?**
> या रिपॉझिटरीमध्ये ५०+ भाषा अनुवादांचा समावेश आहे ज्यामुळे डाउनलोड आकार मोठा होतो. अनुवादांशिवाय क्लोन करण्यासाठी sparse checkout वापरा:
> हा संच 50+ भाषांमध्ये भाषांतरांसह आहे ज्यामुळे डाउनलोड आकार खूप वाढतो. भाषांतरांशिवाय क्लोन करण्यासाठी sparse checkout वापरा:
> ```bash
> git clone --filter=blob:none --sparse https://github.com/microsoft/AI-For-Beginners.git
> cd AI-For-Beginners
> git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
> ```
> हे तुम्हाला कोर्स पूर्ण करण्यासाठी आवश्यक असलेली सर्व काही अधिक वेगवान डाउनलोडसह देते.
> यामुळे तुम्हाला या अभ्यासक्रमासाठी आवश्यक असलेली सर्वकाही मिळते, त्याचबरोबर डाउनलोड देखील जलद होते.
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
**जर तुम्हाला अतिरिक्त अनुवाद भाषा आवश्यक असतील तर त्या [येथे](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) सूचीबद्ध आहेत**
**जर तुम्हाला अतिरिक्त भाषांतरांसाठी समर्थन हवे असल्यास ते [येथे](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) दिलेले आहेत**
## समुदायात सामील व्हा
[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
## तुम्ही काय शिकाल
## तुम्ही काय शिका
**[कोर्सचा मांडलेला नकाशा](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
**[अभ्यासक्रमाचा मनननकाशा](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
या अभ्यासक्रमात तुम्ही शिकाल:
या अभ्यासक्रमामध्ये, तुम्ही शिकाल:
* कृत्रिम बुद्धिमत्तेचे वेगवेगळे दृष्टिकोन, ज्यात "चांगल्या जुन्या" सांकेतिक दृष्टिकोनासह **ज्ञान प्रतिनिधित्व** आणि न्यायाने ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
* **न्यूरल नेटवर्क्स** आणि **डीप लर्निंग**, जे आधुनिक AI चे मुख्य आधार आहेत. आम्ही या महत्त्वाच्या विषयांमागील संकल्पना TensorFlow आणि PyTorch या दोन लोकप्रिय फ्रेमवर्कमधील कोड वापरून स्पष्ट करू.
* प्रतिमा आणि मजकूरावर काम करण्यासाठी **न्यूरल आर्किटेक्चर**. आम्ही अलीकडील मॉडेल्स कव्हर करू पण यामुळे अत्याधुनिक तंत्रज्ञानापासून थोडे काही कमी असू शकते.
* कमी लोकप्रिय AI दृष्टिकोन, जसे की **जैविक अल्गोरिदम** आणि **मल्टी-एजंट सिस्टिम्स**.
* कृत्रिम बुद्धिमत्तेचे विविध दृष्टिकोन, ज्यामध्ये "चांगला जुना" प्रतीकात्मक दृष्टिकोन सामील आहे ज्यामध्ये **ज्ञान सादरीकरण** आणि निर्णय प्रक्रिया ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)) शिकवली आहे.
* **न्युरल नेटवर्क्स** आणि **डीप लर्निंग**, जे आधुनिक AI चे मूळ आहेत. आम्ही या महत्त्वाच्या विषयांच्या संकल्पना दोन लोकप्रिय फ्रेमवर्क - [TensorFlow](http://Tensorflow.org) आणि [PyTorch](http://pytorch.org) मध्ये कोडद्वारे दाखवू.
* प्रतिमा आणि मजकूरावर काम करण्यासाठी **न्युरल आर्किटेक्चर्स**. आम्ही अलीकडील मॉडेल्स कव्हर करू पण कदाचित अत्याधुनिक स्थितीत थोडे कमी असू शकते.
* कमी लोकप्रिय AI पद्धती, जसे की **जिनेटिक अल्गोरिदम्स** आणि **मल्टी-एजंट सिस्टम्स**.
या अभ्यासक्रमात आम्ही काय समाविष्ट करणार नाही:
या अभ्यासक्रमात आम्ही काय कव्हर करणार नाही:
> [या कोर्ससाठी सर्व अतिरिक्त संसाधने Microsoft Learn संग्रहात येथे शोधा](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
> [या अभ्यासक्रमासाठी सर्व अतिरिक्त संसाधनांचे Microsoft Learn संग्रह येथे शोधा](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
* **AI इन बिजनेस** च्या व्यवसायिक केसांचा विचार करणे. Microsoft Learn वरील [व्यवसाय वापरकर्त्यांसाठी AI परिचय](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) किंवा [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), जे [INSEAD](https://www.insead.edu/) सोबत सहकार्यात विकसित केले आहे, यांचा विचार करा.
* **क्लासिक मशीन लर्निंग**, ज्याचे वर्णन आमच्या [मशीन लर्निंग फॉर बिगिनर्स कॅरिक्युलम](http://github.com/Microsoft/ML-for-Beginners) मध्ये आहे.
* व्यावहारिक AI अनुप्रयोग **[कॉग्निटिव्ह सर्व्हिसेस](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** वापरून. यासाठी आम्ही Microsoft Learn मधील [दृष्टी](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [नैसर्गिक भाषा प्रक्रिया](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Azure OpenAI सेवा वापरून जनरेटिव्ह AI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** आणि इतर मॉड्यूल सुरु करण्याची शिफारस करतो.
* विशिष्ट ML **क्लाउड फ्रेमवर्क्स**, जसे की [Azure मशीन लर्निंग](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), किंवा [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). [Azure ML सेवा वापरून मशीन लर्निंग सोल्यूशन्स तयार आणि चालवा](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) आणि [Azure Databricks वापरून मशीन लर्निंग सोल्यूशन्स तयार व चालवा](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) शिकण्याच्या मार्गांचा विचार करा.
* **संवादात्मक AI** आणि **चॅट बॉट्स**. हा वेगळा [संवादात्मक AI सोल्यूशन्स तयार करा](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) शिकण्याचा मार्ग आहे, तसेच तुम्ही [या ब्लॉग पोस्ट](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) ला अधिक तपशीलासाठी पाहू शकता.
* डीप लर्निंगच्या मागील **गहन गणिताचा** भाग. यासाठी Ian Goodfellow, Yoshua Bengio आणि Aaron Courville यांनी लिहिलेल्या [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) या पुस्तकाला आम्ही शिफारस करतो, जे ऑनलाइन https://www.deeplearningbook.org/ वर उपलब्ध आहे.
* **व्यवसायातील AI** च्या व्यवसायिक बाबी. Microsoft Learn वरील [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum), किंवा [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), जे [INSEAD](https://www.insead.edu/) सोबत सहकार्यासाठी विकसित केले आहे, घेण्याचा विचार करा.
* **क्लासिक मशीन लर्निंग**, जे आमच्या [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners) मध्ये चांगल्या प्रकारे वर्णन केले आहे.
* **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** वापरून बनवलेल्या व्यावहारिक AI अनुप्रयोग. यासाठी, Microsoft Learn वरचे [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natural language processing](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI with Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** आणि इतर मॉड्यूल्स वापरण्याची शिफारस करतो.
* विशिष्ट ML **क्लाउड फ्रेमवर्क्स**, जसे की [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), किंवा [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). [Build and operate machine learning solutions with Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) आणि [Build and Operate Machine Learning Solutions with Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) शिकण्याचे मार्ग वापरण्याचा विचार करा.
* **संवादात्मक AI** आणि **चॅट बॉट्स**. एक स्वतंत्र [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) शिकण्याचा मार्ग आहे, आणि तुम्ही अधिक तपशीलासाठी [हा ब्लॉग पोस्ट](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) देखील पाहू शकता.
* डीप लर्निंगच्या मागील **गहन गणिती सिद्धांत**. यासाठी, आम्ही Ian Goodfellow, Yoshua Bengio आणि Aaron Courville यांचे [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) पुस्तक सुचवतो, जे ऑनलाइन [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/) वर उपलब्ध आहे.
_क्लाउडमधील AI_ विषयांच्या सौम्य परिचयासाठी [Azure वर कृत्रिम बुद्धिमत्तीसह प्रारंभ करा](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) शिकण्याचा मार्ग विचारात घ्या.
_एजूरवरील AI_ विषयांसाठी एक सौम्य ओळखीकरिता, तुम्ही [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) शिकण्याचा मार्ग घेऊ शकता.
# सामग्री
# आशय
| | धडा लिंक | PyTorch/Keras/TensorFlow | प्रयोगशाळा |
| | धड्याचा दुवा | PyTorch/Keras/TensorFlow | लॅब |
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
| 0 | [कोर्स सेटअप](./lessons/0-course-setup/setup.md) | [तुमचे विकास वातावरण सेट करा](./lessons/0-course-setup/how-to-run.md) | |
| 0 | [कोर्स सेटअप](./lessons/0-course-setup/setup.md) | [तुमचे विकास पर्यावरण सेट करा](./lessons/0-course-setup/how-to-run.md) | |
| I | [**AI परिचय**](./lessons/1-Intro/README.md) | | |
| 01 | [AI ची ओळख आणि इतिहास](./lessons/1-Intro/README.md) | - | - |
| II | **सांकेतिक AI** |
| 02 | [ज्ञान प्रतिनिधित्व आणि तज्ञ प्रणाली](./lessons/2-Symbolic/README.md) | [तज्ञ प्रणाली](./lessons/2-Symbolic/Animals.ipynb) / [ओन्टोलॉजी](./lessons/2-Symbolic/FamilyOntology.ipynb) /[संकल्पना ग्राफ](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
| 01 | [AI चे परिचय आणि इतिहास](./lessons/1-Intro/README.md) | - | - |
| II | **प्रतीकात्मक AI** |
| 02 | [ज्ञान सादरीकरण आणि तज्ज्ञ प्रणाली](./lessons/2-Symbolic/README.md) | [तज्ज्ञ प्रणाली](./lessons/2-Symbolic/Animals.ipynb) / [ऑंटॉलॉजी](./lessons/2-Symbolic/FamilyOntology.ipynb) /[संकल्पना ग्राफ](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
| III | [**न्यूरल नेटवर्क्स परिचय**](./lessons/3-NeuralNetworks/README.md) |||
| 03 | [परसेप्ट्रॉन](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [नोटबुक](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [प्रयोगशाळा](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
| 04 | [मल्टि-लेयर्ड परसेप्ट्रॉन आणि आपला स्वतःचा फ्रेमवर्क तयार करणे](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [नोटबुक](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [प्रयोगशाळा](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
| 05 | [फ्रेमवर्कसाठी परिचय (PyTorch/TensorFlow) आणि ओव्हरफिटिंग](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [प्रयोगशाळा](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
| IV | [**कंप्युटर व्हिजन**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [मायक्रोसॉफ्ट अझूरवर कंप्युटर व्हिजन एक्सप्लोर करा](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
| 06 | [कंप्युटर व्हिजनसाठी परिचय. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [नोटबुक](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [प्रयोगशाळा](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
| 07 | [कॉनव्होल्यूशनल न्यूरल नेटवर्क्स](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN आर्किटेक्चर्स](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [प्रयोगशाळा](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
| 08 | [पूर्व-प्रशिक्षित नेटवर्क्स आणि ट्रान्सफर लर्निंग](./lessons/4-ComputerVision/08-TransferLearning/README.md) आणि [ट्रेनिंग ट्रिक्स](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [प्रयोगशाळा](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
| 09 | [ऑटोएनकोडर्स आणि VAEs](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
| 10 | [जेनरेटिव अ‍ॅडव्हरसारियल नेटवर्क्स आणि आर्टिस्टिक स्टाइल ट्रान्सफर](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
| 11 | [ऑब्जेक्ट डिटेक्शन](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [प्रयोगशाळा](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
| 12 | [सेमांटिक सेगमेंटेशन. U-नेट](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | |
| V | [**नैसर्गिक भाषा प्रक्रिया**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [मायक्रोसॉफ्ट अझूरवर नैसर्गिक भाषा प्रक्रिया एक्सप्लोर करा](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
| 13 | [टेक्स्ट प्रतिनिधित्व. बाओ/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
| 14 | [सेमांटिक शब्द एम्बेडिंग्ज. Word2Vec आणि GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
| 15 | [भाषा मॉडेलिंग. आपले स्वतःचे एम्बेडिंग्ज प्रशिक्षण द्या](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [प्रयोगशाळा](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
| 03 | [पर्सेप्ट्रॉन](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [नोटबुक](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [लॅब](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
| 04 | [मल्टी-लेयर्ड पर्सेप्ट्रॉन आणि आपले स्वतःचे फ्रेमवर्क तयार करणे](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [नोटबुक](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [लॅब](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
| 05 | [फ्रेमवर्क परिचय (PyTorch/TensorFlow) आणि ओव्हरफिटिंग](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [लॅब](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
| IV | [**कंप्यूटर व्हिजन**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [Microsoft Azure वर कंप्यूटर व्हिजन एक्सप्लोर करा](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
| 06 | [कंप्यूटर व्हिजन परिचय. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [नोटबुक](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [लॅब](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
| 07 | [कन्व्होल्यूशनल न्यूरल नेटवर्क्स](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN आर्किटेक्चर्स](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [लॅब](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
| 08 | [पूर्व-प्रशिक्षित नेटवर्क्स आणि ट्रान्सफर लर्निंग](./lessons/4-ComputerVision/08-TransferLearning/README.md) आणि [ट्रेनिंग ट्रिक्स](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [लॅब](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
| 09 | [ऑटोएन्कोडर्स आणि VAE](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
| 10 | [जनरेटिव्ह अ‍ॅडव्हर्सेरियल नेटवर्क्स & आर्टिस्टिक स्टाईल ट्रान्सफर](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
| 11 | [ऑब्जेक्ट डिटेक्शन](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [लॅब](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
| 12 | [सेमॅंटिक सेगमेंटेशन. U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | |
| V | [**नॅचरल लँग्वेज प्रोसेसिंग**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [Microsoft Azure वर नॅचरल लँग्वेज प्रोसेसिंग एक्सप्लोर करा](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
| 13 | [टेक्स्ट प्रतिनिधीत्व. Bow/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
| 14 | [सेमॅंटिक वर्ड एम्बेडिंग्ज. Word2Vec आणि GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
| 15 | [लँग्वेज मॉडेलिंग. आपले स्वतःचे एम्बेडिंग्ज ट्रेनिंग](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [लॅब](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
| 16 | [रकरंट न्यूरल नेटवर्क्स](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNTF.ipynb) | |
| 17 | [जेनरेटिव रकरंट नेटवर्क्स](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [प्रयोगशाळा](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
| 18 | [ट्रांसफॉर्मर्स. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
| 19 | [नामित घटक ओळख](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [प्रयोगशाळा](./lessons/5-NLP/19-NER/lab/README.md) |
| 20 | [मोठे भाषा मॉडेल्स, प्रॉम्प्ट प्रोग्रामिंग आणि फ्यु-शॉट टास्क](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
| VI | **इतर AI तंत्रे** || |
| 21 | [जेनेटिक अल्गोरिदम्स](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [नोटबुक](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
| 22 | [डीप रिइन्फोर्समेंट लर्निंग](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [प्रयोगशाळा](./lessons/6-Other/22-DeepRL/lab/README.md) |
| 23 | [मल्टि-एजंट सिस्टम्स](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
| VII | **AI नीतिशास्त्र** | | |
| 24 | [AI नीतिशास्त्र आणि जबाबदार AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: जबाबदार AI तत्त्वे](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
| 17 | [जनरेटिव्ह रकरंट नेटवर्क्स](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [लॅब](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
| 18 | [ट्रान्सफॉर्मर्स. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
| 19 | [नामित एंटिटी ओळख](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [लॅब](./lessons/5-NLP/19-NER/lab/README.md) |
| 20 | [मोठे लँग्वेज मॉडेल्स, प्रॉम्प्ट प्रोग्रामिंग आणि फ्यू-शॉट टास्क्स](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
| VI | **इतर AI तंत्रज्ञान** || |
| 21 | [जनिटिक अल्गोरिदम्स](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [नोटबुक](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
| 22 | [डीप रिइनफोर्समेंट लर्निंग](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [लॅब](./lessons/6-Other/22-DeepRL/lab/README.md) |
| 23 | [मल्टी-एजंट सिस्टम्स](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
| VII | **AI नैतिकता** | | |
| 24 | [AI नैतिकता आणि जबाबदार AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: जबाबदार AI तत्त्वे](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
| IX | **अतिरिक्त** | | |
| 25 | [मल्टि-मोडल नेटवर्क्स, CLIP आणि VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [नोटबुक](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
| 25 | [मल्टी-मॉडल नेटवर्क्स, CLIP आणि VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [नोटबुक](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
## प्रत्येक धडा यामध्ये असतो
* पूर्व-अभ्यास साहित्य
* अंमलात आणता येण्याजोगे जुपिटर नोटबुक्स, जे अनेकदा फ्रेमवर्कसाठी विशेष ( **PyTorch** किंवा **TensorFlow** ) असतात. अंमलात आणता येणाऱ्या नोटबुकमध्ये बरेच सैद्धांतिक साहित्य देखील असते, त्यामुळे विषय समजून घेण्यासाठी तुम्हाला नोटबुकच्या किमान एका आवृत्तीचा (PyTorch किंवा TensorFlow) अभ्यास करावा लागेल.
* काही विषयांसाठी **प्रयोगशाळा** उपलब्ध आहेत, ज्यामुळे तुम्हाला तुम्ही शिकलेल्या साहित्याचा उपयोग एखाद्या विशिष्ट समस्येवर करण्याची संधी मिळते.
* काही विभागांमध्ये संबंधित विषय झाकणाऱ्या [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) मॉड्यूल्ससाठी दुवे आहेत.
* अंमलात आणण्यायोग्य जुपिटर नोटबुक्स, जे सहसा फ्रेमवर्कशी (**PyTorch** किंवा **TensorFlow**) संबंधित असतात. अंमलात आणण्यायोग्य नोटबुकमध्ये बरेच सैद्धांतिक साहित्य देखील असते, त्यामुळे विषय समजून घेण्यासाठी तुम्हाला नोटबुकचा किमान एक आवृत्ती (PyTorch किंवा TensorFlow) पाहावी लागते.
* काही विषयांसाठी उपलब्ध **लॅब्स**, जे तुम्हाला शिकलेल्या सामग्रीला विशिष्ट समस्येवर लागू करण्याचा प्रयत्न करण्याची संधी देतात.
* काही विभागांमध्ये [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) मॉड्यूलसाठी दुवे असतात, जे संबंधित विषयं कव्हर करतात.
## सुरुवात करणे
### 🎯 AI मध्ये नवीन आहात? येथे प्रारंभ करा!
### 🎯 AI मध्ये नवीन आहात? येथे सुरू करा!
जर तुम्ही पूर्णपणे AI मध्ये नवीन असाल आणि जलद, अभ्यासात्मक उदाहरणे पाहू इच्छित असाल, तर आमचे [**सुरुवातीसाठी सोपे उदाहरणे**](./examples/README.md) पाहा! यात समाविष्ट आहेत:
जर तुम्ही पूर्णपणे AI मध्ये नवीन असाल आणि जलद, व्यावहारिक उदाहरण पहायचे असेल, तर आमचे [**नवशिक्यासाठी सुलभ उदाहरणे**](./examples/README.md) पाहा! यामध्ये समाविष्ट आहे:
- 🌟 **हॅलो AI वर्ल्ड** - तुमचा पहिला AI प्रोग्राम (पॅटर्न ओळख)
- 🧠 **साधा न्यूरल नेटवर्क** - शून्यातून न्यूरल नेटवर्क तयार करा
- 🖼️ **इमेज क्लासिफायर** - तपशीलवार टिपणीसह प्रतिमा वर्गीकरण करा
- 💬 **मजकूराची भावना** - सकारात्मक/नकारात्मक मजकूराचे विश्लेषण करा
- 🧠 **सिंपल न्यूरल नेटवर्क** - स्क्रॅचपासून न्यूरल नेटवर्क तयार करा
- 🖼️ **प्रतिमा वर्गीकरणकर्ता** - सविस्तर टिप्पण्या देऊन प्रतिमा वर्गीकरण करा
- 💬 **टेक्स्ट भावना** - सकारात्मक/नकारात्मक मजकूर विश्लेषित करा
हे उदाहरणे तुम्हाला संपूर्ण अभ्यासक्रमात प्रवेश करण्यापूर्वी AI संकल्पना समजून घेण्यासाठी तयार केली आहेत.
ही उदाहरणे तुम्हाला AI संकल्पना समजून घेण्यासाठी पूर्ण अभ्यासक्रमात पुढे जाण्यापूर्वी मदत करण्यासाठी तयार केलेली आहेत.
### 📚 संपूर्ण अभ्यासक्रमाची स्थापना
### 📚 पूर्ण अभ्यासक्रम सेटअप
- आम्ही तुमच्या विकास पर्यावरणाच्या स्थापनेस मदत करण्यासाठी एक [सेटअप धडा](./lessons/0-course-setup/setup.md) तयार केला आहे. - शिक्षकांसाठी, आम्ही तुमच्यासाठी एक [अभ्यासक्रम सेटअप धडा](./lessons/0-course-setup/for-teachers.md) पण तयार केला आहे!
- VSCode किंवा Codespace मध्ये [कोड कसा चालवावा](./lessons/0-course-setup/how-to-run.md)
- आम्ही तुम्हाला तुमचे विकास पर्यावरण सेटअप करण्यात मदत करण्यासाठी एक [सेटअप धडा](./lessons/0-course-setup/setup.md) तयार केला आहे. - शिक्षणदात्यांसाठी आम्ही [अभ्यासक्रम सेटअप धडा](./lessons/0-course-setup/for-teachers.md) देखील तयार केला आहे!
- VSCode किंवा Codespace मध्ये [कोड कसा चालवायचा](./lessons/0-course-setup/how-to-run.md)
या पायऱ्या अनुसरा:
हे चरण पाळा:
रेपॉझिटरी फोर्क करा: या पृष्ठाच्या वरच्या- उजव्या कोपऱ्यातील "Fork" बटणावर क्लिक करा.
रिपॉझिटरी फोर्क करा: या पानाच्या वर उजव्या कोपरीवर "Fork" बटणावर क्लिक करा.
रेपॉझिटरी क्लोन करा: `git clone https://github.com/microsoft/AI-For-Beginners.git`
रिपॉझिटरी क्लोन करा: `git clone https://github.com/microsoft/AI-For-Beginners.git`
नंतर पुन्हा शोधण्यासाठी या रेपॉझिटरीला स्टार (🌟) देणे विसरू नका.
हे रेपो नंतर सापडायला सोपे व्हावे म्हणून नक्कीच स्टार (🌟) करा.
## इतर शिकणाऱ्यांशी भेटा
आमच्या [अधिकृत AI डिस्कॉर्ड सर्व्हर](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) मध्ये सामील व्हा जेथे तुम्ही हा कोर्स करीत असलेल्या इतर शिकणाऱ्यांशी भेटू शकता आणि नेटवर्किंग करू शकता तसेच सहाय्यता मिळवा.
या कोर्स करत असलेल्या इतर शिकणाऱ्यांशी भेटण्यासाठी आणि जाळे तयार करण्यासाठी आमच्या [अधिकृत AI Discord सर्व्हर](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) मध्ये सामील व्हा व मदत मिळवा.
तुमच्याकडे उत्पादनाबाबत अभिप्राय किंवा प्रश्न असल्यास आमच्या [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) ला भेट द्या.
जर तुम्हाला उत्पादनावर अभिप्राय किंवा प्रश्न असतील तर आमच्या [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) ला भेट द्या.
## प्रश्नमंजुषा
## क्विझेस
> **प्रश्नमंजुषा बद्दल एक नोंद**: सर्व प्रश्नमंजुषा etc\quiz-app मधील Quiz-app फोल्डरमध्ये आहेत, किंवा [ऑनलाइन येथे](https://ff-quizzes.netlify.app/) उपलब्ध आहेत. त्या धड्यांतून लिंक केलेल्या आहेत, प्रश्नमंजुषा अॅप स्थानिकरित्या चालवता येतो किंवा Azure वर तैनात करता येतो; `quiz-app` फोल्डरमधील सूचना अनुसरा. त्यांचा हळूहळू स्थानिकीकरण केले जात आहे.
> **क्विझ्स संदर्भातील एक टीप**: सर्व क्विझेस `etc\quiz-app` मधील Quiz-app फोल्डरमध्ये आहेत किंवा [ऑनलाईन येथे](https://ff-quizzes.netlify.app/) उपलब्ध आहेत. त्या धड्यांच्या आत लिंक केलेल्या आहेत. क्विझ अॅप स्थानिकपणे चालवता येतो किंवा Azure वर वितरित करता येतो; `quiz-app` फोल्डरमधील सूचनांचे पालन करा. त्यांचे स्थानिकीकरण हळूहळू केले जात आहे.
## सहाय्य हवे आहे
## मदतीसाठी हवे आहे
तुमच्याकडे सूचना आहेत का किंवा तुम्हाला स्पेलिंग किंवा कोडमध्ये चुका सापडल्या का? समस्या उघडा किंवा पुल विनंती तयार करा.
तुमच्याकडे सूचना आहेत का किंवा कोणतेही स्पेलिंग किंवा कोड त्रुटी सापडल्या आहेत का? कृपया इश्यू उघडा किंवा पुल विनंती तयार करा.
## विशेष धन्यवाद
## विशेष आभार
* **✍️ मुख्य लेखक:** [Dmitry Soshnikov](http://soshnikov.com), PhD
* **🔥 संपादक:** [Jen Looper](https://twitter.com/jenlooper), PhD
* **🎨 स्केचनोट झाडण्यारा:** [Tomomi Imura](https://twitter.com/girlie_mac)
* **✅ प्रश्नमंजुषा तयार करणारा:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
* **🎨 स्केच नोट चित्रकार:** [Tomomi Imura](https://twitter.com/girlie_mac)
* **✅ क्विझ निर्माता:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
* **🙏 मुख्य योगदानकर्ते:** [Evgenii Pishchik](https://github.com/Pe4enIks)
## इतर अभ्यासक्रम
आमची टीम इतर अभ्यासक्रम तयार करते! पहा:
आमची टीम इतर अभ्यासक्रम देखील तयार करते! पहा:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -189,7 +181,7 @@ _क्लाउडमधील AI_ विषयांच्या सौम्
---
### Generative AI Series
### जनरेटिव AI सिरीज
[![Generative AI for Beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[![Generative AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
@ -197,7 +189,7 @@ _क्लाउडमधील AI_ विषयांच्या सौम्
---
### मुख्य शिका
### कोअर शिक्षण
[![ML for Beginners](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[![Data Science for Beginners](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[![AI for Beginners](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
@ -208,25 +200,25 @@ _क्लाउडमधील AI_ विषयांच्या सौम्
---
### Copilot मालिका
### Copilot सिरीज
[![Copilot for AI Paired Programming](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[![Copilot for C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
## मदत मिळवा
## मदत घेणे
जर तुम्हाला कुठे अडचण येत असेल किंवा AI अॅप्स तयार करताना प्रश्न असतील तर MCP बद्दल चर्चा करण्यासाठी इतर शिकणाऱ्या आणि अनुभवी विकसकांसह सामील व्हा. हे एक सहाय्यपूर्ण समुदाय आहे जिथे प्रश्न विचारणे स्वागतार्ह आहे आणि ज्ञान मुक्तपणे वाटले जाते.
जर तुम्हाला अडचण आली किंवा AI अॅप्स बनवताना काही प्रश्न असतील तर. MCP बद्दल चर्चा करणाऱ्या इतर शिकणाऱ्यांशी आणि अनुभवी विकसकांशी जोडा. हे एक सहायक समुदाय आहे जिथे प्रश्नांचे स्वागत केले जाते आणि ज्ञान मुक्तपणे सामायिक केले जाते.
[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
जर तुम्हाला उत्पादनाबाबत अभिप्राय किंवा तयार करताना त्रुटी आढळल्या तर भेट द्या:
जर तुम्हाला उत्पादनावर अभिप्राय किंवा त्रुटी असतील तर येथे भेट द्या:
[![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum)
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**जबाबदारीची सूचना**:
हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित केला आहे. आम्ही अचूकतेसाठी प्रयत्न करतो, तरी कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये चुका किंवा तफावत असू शकतात. मूळ दस्तऐवज त्याच्या मूळ भाषेत अधिकृत स्रोत मानला जातो. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराच्या वापरामुळे उद्भवणाऱ्या कोणत्याही गैरसमजुतीसाठी किंवा चुकीच्या अर्थसंकल्पासाठी आम्ही जबाबदार नाही.
**अस्वीकरण**:
हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) द्वारे भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्न करतो, तरी कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये चुका किंवा अचूकतेच्या दोष असू शकतात. मूळ दस्तऐवज त्याच्या स्थानिक भाषेत अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीकरिता व्यावसायिक मानवी भाषांतर शिफारसीय आहे. या भाषांतराच्या वापरामुळे उद्भवणाऱ्या कोणत्याही गैरसमजुतीसाठी किंवा चुकीच्या अर्थसंग्रहासाठी आम्ही जबाबदार नाही.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->

9
translations/mr/SECURITY.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
"translation_date": "2025-08-26T07:56:00+00:00",
"source_file": "SECURITY.md",
"language_code": "mr"
}
-->
## सुरक्षा
मायक्रोसॉफ्ट आपल्या सॉफ्टवेअर उत्पादने आणि सेवांच्या सुरक्षेला प्राधान्य देते, ज्यामध्ये आमच्या GitHub संस्थांद्वारे व्यवस्थापित केलेल्या सर्व स्रोत कोड रिपॉझिटरीजचा समावेश होतो. यामध्ये [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin), आणि [आमच्या GitHub संस्थांचा](https://opensource.microsoft.com/) समावेश आहे.

9
translations/mr/etc/CODE_OF_CONDUCT.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
"translation_date": "2025-08-26T11:17:15+00:00",
"source_file": "etc/CODE_OF_CONDUCT.md",
"language_code": "mr"
}
-->
# Microsoft ओपन सोर्स आचारसंहिता
या प्रकल्पाने [Microsoft ओपन सोर्स आचारसंहिता](https://opensource.microsoft.com/codeofconduct/) स्वीकारली आहे.

9
translations/mr/etc/CONTRIBUTING.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
"translation_date": "2025-08-26T11:19:52+00:00",
"source_file": "etc/CONTRIBUTING.md",
"language_code": "mr"
}
-->
# योगदान देणे
या प्रकल्पात योगदान आणि सूचना स्वागतार्ह आहेत. बहुतेक योगदानांसाठी तुम्हाला Contributor License Agreement (CLA) सहमत होणे आवश्यक आहे, ज्यामध्ये तुम्ही जाहीर करता की तुम्हाला तुमचे योगदान वापरण्याचे अधिकार आहेत आणि तुम्ही आम्हाला ते अधिकार प्रत्यक्षात देत आहात. अधिक माहितीसाठी, https://cla.microsoft.com ला भेट द्या.

9
translations/mr/etc/Mindmap.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
"translation_date": "2025-08-26T11:22:27+00:00",
"source_file": "etc/Mindmap.md",
"language_code": "mr"
}
-->
# एआय (AI)
## [एआयची ओळख](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md)

9
translations/mr/etc/SUPPORT.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
"translation_date": "2025-08-26T11:16:22+00:00",
"source_file": "etc/SUPPORT.md",
"language_code": "mr"
}
-->
# समर्थन
## समस्या नोंदविणे आणि मदत कशी मिळवायची

9
translations/mr/etc/TRANSLATIONS.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
"translation_date": "2025-08-26T11:18:27+00:00",
"source_file": "etc/TRANSLATIONS.md",
"language_code": "mr"
}
-->
# पाठांचे भाषांतर करून योगदान द्या
आम्ही या अभ्यासक्रमातील पाठांसाठी भाषांतरांचे स्वागत करतो!

9
translations/mr/etc/quiz-app/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
"translation_date": "2025-08-26T11:25:50+00:00",
"source_file": "etc/quiz-app/README.md",
"language_code": "mr"
}
-->
# क्विझेस
ही क्विझेस AI अभ्यासक्रमासाठीच्या पूर्व आणि पश्चात व्याख्यानांसाठी आहेत: https://aka.ms/ai-beginners

9
translations/mr/examples/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
"translation_date": "2025-10-03T11:29:04+00:00",
"source_file": "examples/README.md",
"language_code": "mr"
}
-->
# AI साठी सोपे उदाहरणे
स्वागत आहे! या डिरेक्टरीमध्ये AI आणि मशीन लर्निंगसाठी सुरुवात करण्यासाठी सोपी, स्वतंत्र उदाहरणे आहेत. प्रत्येक उदाहरण नवशिक्यांसाठी उपयुक्त असून त्यामध्ये सविस्तर टिप्पण्या आणि टप्प्याटप्प्याने स्पष्टीकरण दिले आहे.

9
translations/mr/lessons/0-course-setup/for-teachers.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a094ef9927883de1cfcee51dbd143381",
"translation_date": "2025-08-26T11:12:14+00:00",
"source_file": "lessons/0-course-setup/for-teachers.md",
"language_code": "mr"
}
-->
# शिक्षकांसाठी
तुम्हाला हा अभ्यासक्रम तुमच्या वर्गात वापरायचा आहे का? कृपया जरूर वापरा!

9
translations/mr/lessons/0-course-setup/how-to-run.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
"translation_date": "2026-01-15T13:09:07+00:00",
"source_file": "lessons/0-course-setup/how-to-run.md",
"language_code": "mr"
}
-->
# कोड कसा चालवायचा
या अभ्यासक्रमात चालवायच्या उदाहरणे आणि लॅब्स बऱ्याच आहेत. हे चालवण्यासाठी, तुम्हाला Jupyter Notebooks मध्ये Python कोड एक्सेक्यूट करण्याची क्षमता आवश्यक आहे जी या अभ्यासक्रमाचा भाग म्हणून दिली आहे. कोड चालवण्यासाठी तुम्हाकडे काही पर्याय आहेत:

9
translations/mr/lessons/0-course-setup/setup.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
"translation_date": "2025-12-12T19:32:12+00:00",
"source_file": "lessons/0-course-setup/setup.md",
"language_code": "mr"
}
-->
# या अभ्यासक्रमासह सुरुवात करा
## तुम्ही विद्यार्थी आहात का?

9
translations/mr/lessons/1-Intro/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
"translation_date": "2025-11-18T21:06:16+00:00",
"source_file": "lessons/1-Intro/README.md",
"language_code": "mr"
}
-->
# AI ची ओळख
![AI ची ओळख यावरील सामग्रीचा डूडलमध्ये सारांश](../../../../translated_images/mr/ai-intro.bf28d1ac4235881c.webp)

9
translations/mr/lessons/1-Intro/assignment.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
"translation_date": "2025-11-18T21:08:19+00:00",
"source_file": "lessons/1-Intro/assignment.md",
"language_code": "mr"
}
-->
# गेम जॅम
गेम्स हा असा एक क्षेत्र आहे ज्यावर AI आणि ML च्या प्रगतीचा मोठा प्रभाव पडला आहे. या असाइनमेंटमध्ये, तुम्हाला अशा गेमबद्दल एक लघुपत्र लिहायचे आहे जो तुम्हाला आवडतो आणि जो AI च्या उत्क्रांतीमुळे प्रभावित झाला आहे. हा गेम इतका जुना असावा की त्यावर विविध प्रकारच्या संगणकीय प्रक्रिया प्रणालींचा प्रभाव पडलेला असेल. चेस किंवा गो हे चांगले उदाहरण आहे, पण पाँग किंवा पॅक-मॅनसारख्या व्हिडिओ गेम्सकडेही लक्ष द्या. या निबंधात गेमचा भूतकाळ, वर्तमान आणि AI च्या भविष्यासंबंधी चर्चा करा.

17
translations/mr/lessons/2-Symbolic/README.md
View File

@ -1,15 +1,6 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
"translation_date": "2026-01-15T13:09:31+00:00",
"source_file": "lessons/2-Symbolic/README.md",
"language_code": "mr"
}
-->
# ज्ञान सादरीकरण आणि तज्ज्ञ प्रणाली
![Symbolic AI सामग्रीचा सारांश](../../../../../../translated_images/mr/ai-symbolic.715a30cb610411a6.webp)
![Symbolic AI सामग्रीचा सारांश](../../../../translated_images/mr/ai-symbolic.715a30cb610411a6.webp)
> स्केचनोट [Tomomi Imura](https://twitter.com/girlie_mac) यांच्या कडून
@ -41,7 +32,7 @@ Symbolic AI मध्ये एक महत्वाचा संकल्प
म्हणून, **ज्ञान सादरीकरण** ची समस्या म्हणजे ज्ञान कॉम्प्युटरच्या आत डेटा स्वरूपात प्रभावीपणे सादर करण्याचा काही मार्ग शोधणे, ज्यामुळे ते स्वयंचलितपणे वापरता येईल. हा एक स्पेक्ट्रम म्हणून पाहिला जाऊ शकतो:
![ज्ञान सादरीकरण स्पेक्ट्रम](../../../../../../translated_images/mr/knowledge-spectrum.b60df631852c0217.webp)
![ज्ञान सादरीकरण स्पेक्ट्रम](../../../../translated_images/mr/knowledge-spectrum.b60df631852c0217.webp)
> प्रतिमा [Dmitry Soshnikov](http://soshnikov.com) यांनी दिलेली
@ -94,7 +85,7 @@ Untyped-Language | नाही आहे | प्रकार व्याख
Symbolic AI चा एक प्रारंभिक यश म्हणजे **तज्ज्ञ प्रणाली** - संगणक प्रणाली जी काही मर्यादित समस्या क्षेत्रात तज्ज्ञ म्हणून काम करण्यासाठी तयार केली गेली होती. त्या मानवी तज्ज्ञांकडून घेतलेले **ज्ञान आधार** वापरत होत्या आणि त्यामध्ये काही तर्कशक्ती करणारी **अश्रित यंत्रणा** असायची.
![मानवी वास्तुकला](../../../../../../translated_images/mr/arch-human.5d4d35f1bba3ab1c.webp) | ![ज्ञान-आधारित प्रणाली](../../../../../../translated_images/mr/arch-kbs.3ec5c150b09fa8da.webp)
![मानवी वास्तुकला](../../../../translated_images/mr/arch-human.5d4d35f1bba3ab1c.webp) | ![ज्ञान-आधारित प्रणाली](../../../../translated_images/mr/arch-kbs.3ec5c150b09fa8da.webp)
---------------------------------------------|------------------------------------------------
मानवी न्यूरल सिस्टमची साधी रूपरेषा | ज्ञान-आधारित प्रणालीची वास्तुकला
@ -106,7 +97,7 @@ Symbolic AI चा एक प्रारंभिक यश म्हणजे
उदाहरणार्थ, खालील वनस्पतींच्या शारीरिक वैशिष्ट्यांवरून प्राणी ओळखण्याची तज्ज्ञ प्रणाली पाहू:
![AND-OR झाड](../../../../../../translated_images/mr/AND-OR-Tree.5592d2c70187f283.webp)
![AND-OR झाड](../../../../translated_images/mr/AND-OR-Tree.5592d2c70187f283.webp)
> प्रतिमा [Dmitry Soshnikov](http://soshnikov.com) यांनी दिलेली

9
translations/mr/lessons/2-Symbolic/assignment.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a057a8604f3976c3e309884453f1fad0",
"translation_date": "2025-08-26T11:07:09+00:00",
"source_file": "lessons/2-Symbolic/assignment.md",
"language_code": "mr"
}
-->
# ऑंटोलॉजी तयार करा
ज्ञानाचा आधार तयार करणे म्हणजे एखाद्या विषयाबद्दल तथ्यांचे प्रतिनिधित्व करणाऱ्या मॉडेलचे वर्गीकरण करणे होय. एखादा विषय निवडा - जसे की व्यक्ती, स्थान किंवा वस्तू - आणि त्या विषयाचा मॉडेल तयार करा. या धड्यात वर्णन केलेल्या काही तंत्र आणि मॉडेल तयार करण्याच्या रणनीतींचा वापर करा. उदाहरणार्थ, फर्निचर, दिवे वगैरे असलेल्या लिव्हिंग रूमची ऑंटोलॉजी तयार करणे. लिव्हिंग रूम किचनपासून कशी वेगळी आहे? बाथरूमपासून कशी वेगळी आहे? तुम्हाला कसे कळते की ती लिव्हिंग रूम आहे आणि डायनिंग रूम नाही? तुमची ऑंटोलॉजी तयार करण्यासाठी [Protégé](https://protege.stanford.edu/) वापरा.

13
translations/mr/lessons/3-NeuralNetworks/03-Perceptron/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
"translation_date": "2025-09-23T07:10:15+00:00",
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
"language_code": "mr"
}
-->
# न्यूरल नेटवर्क्सची ओळख: परसेप्ट्रॉन
## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/5)
@ -15,7 +6,7 @@ CO_OP_TRANSLATOR_METADATA:
| | |
|--------------|-----------|
|<img src='images/Rosenblatt-wikipedia.jpg' alt='Frank Rosenblatt'/> | <img src='images/Mark_I_perceptron_wikipedia.jpg' alt='The Mark 1 Perceptron' />|
|<img src='../../../../../translated_images/mr/Rosenblatt-wikipedia.294821b285ac796d.webp' alt='Frank Rosenblatt'/> | <img src='../../../../../translated_images/mr/Mark_I_perceptron_wikipedia.1f84eaa2d4b76ec9.webp' alt='The Mark 1 Perceptron' />|
> प्रतिमा [विकिपीडियावरून](https://en.wikipedia.org/wiki/Perceptron)
@ -34,7 +25,7 @@ y(x) = f(w<sup>T</sup>x)
जिथे f हा एक स्टेप अ‍ॅक्टिवेशन फंक्शन आहे
<!-- img src="http://www.sciweavers.org/tex2img.php?eq=f%28x%29%20%3D%20%5Cbegin%7Bcases%7D%0A%20%20%20%20%20%20%20%20%20%2B1%20%26%20x%20%5Cgeq%200%20%5C%5C%0A%20%20%20%20%20%20%20%20%20-1%20%26%20x%20%3C%200%0A%20%20%20%20%20%20%20%5Cend%7Bcases%7D%20%5C%5C%0A&bc=White&fc=Black&im=jpg&fs=12&ff=arev&edit=0" align="center" border="0" alt="f(x) = \begin{cases} +1 & x \geq 0 \\ -1 & x < 0 \end{cases} \\" width="154" height="50" / -->
<img src="images/activation-func.png"/>
<img src="../../../../../translated_images/mr/activation-func.b4924007c7ce7764.webp"/>
## परसेप्ट्रॉनचे प्रशिक्षण

9
translations/mr/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
"translation_date": "2025-08-29T06:46:20+00:00",
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
"language_code": "mr"
}
-->
# मल्टी-क्लास वर्गीकरण परसेप्ट्रॉनसह
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) मधील प्रयोगशाळा असाइनमेंट.

11
translations/mr/lessons/3-NeuralNetworks/04-OwnFramework/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
"translation_date": "2025-09-23T07:09:50+00:00",
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
"language_code": "mr"
}
-->
# न्यूरल नेटवर्क्सची ओळख. मल्टी-लेयर्ड परसेप्ट्रॉन
मागील विभागात, तुम्ही सर्वात सोपा न्यूरल नेटवर्क मॉडेल - एक-स्तरीय परसेप्ट्रॉन, एक रेषीय दोन-वर्ग वर्गीकरण मॉडेल, याबद्दल शिकले.
@ -65,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA:
लक्षात घ्या की या सर्व अभिव्यक्तींचा डाव्या बाजूचा भाग समान आहे, आणि त्यामुळे आपण लॉस फंक्शनपासून सुरुवात करून "मागे" संगणकीय ग्राफद्वारे डेरिव्हेटिव्ह्ज प्रभावीपणे गणना करू शकतो. त्यामुळे मल्टी-लेयर्ड परसेप्ट्रॉन प्रशिक्षणाची पद्धत **backpropagation**, किंवा 'backprop' म्हणून ओळखली जाते.
<img alt="compute graph" src="images/ComputeGraphGrad.png"/>
<img alt="compute graph" src="../../../../../translated_images/mr/ComputeGraphGrad.4626252c0de03507.webp"/>
> TODO: प्रतिमेचा संदर्भ

9
translations/mr/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
"translation_date": "2025-08-26T10:29:23+00:00",
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
"language_code": "mr"
}
-->
# आमच्या स्वतःच्या फ्रेमवर्कसह MNIST वर्गीकरण
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) मधील प्रयोगशाळा असाइनमेंट.

9
translations/mr/lessons/3-NeuralNetworks/05-Frameworks/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "ddd216f558a255260a9374008002c971",
"translation_date": "2025-09-23T07:10:35+00:00",
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
"language_code": "mr"
}
-->
# न्यूरल नेटवर्क फ्रेमवर्क्स
आम्ही आधीच शिकलो आहोत की, न्यूरल नेटवर्क्स कार्यक्षमतेने प्रशिक्षण देण्यासाठी आपल्याला दोन गोष्टी कराव्या लागतात:

9
translations/mr/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "e452d897efb9a89700f41021834cf6e5",
"translation_date": "2025-08-26T10:35:21+00:00",
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
"language_code": "mr"
}
-->
# PyTorch/TensorFlow सह वर्गीकरण
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) मधील प्रयोगशाळा असाइनमेंट.

9
translations/mr/lessons/3-NeuralNetworks/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
"translation_date": "2025-10-03T12:45:12+00:00",
"source_file": "lessons/3-NeuralNetworks/README.md",
"language_code": "mr"
}
-->
# न्यूरल नेटवर्क्सची ओळख
![न्यूरल नेटवर्क्सच्या परिचयाचा सारांश एका चित्रात](../../../../translated_images/mr/ai-neuralnetworks.1c687ae40bc86e83.webp)

11
translations/mr/lessons/4-ComputerVision/06-IntroCV/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "feeca98225cb420afc89415f24f63d92",
"translation_date": "2025-09-23T07:05:04+00:00",
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
"language_code": "mr"
}
-->
# संगणक दृष्टिकोनाची ओळख
[संगणक दृष्टिकोन](https://wikipedia.org/wiki/Computer_vision) ही एक शाखा आहे ज्याचा उद्देश संगणकांना डिजिटल प्रतिमांचे उच्च-स्तरीय आकलन मिळवून देणे आहे. ही व्याख्या खूप व्यापक आहे कारण *आकलन* याचा अर्थ अनेक गोष्टी असू शकतो, जसे की प्रतिमेत एखादी वस्तू शोधणे (**वस्तू शोध**), काय चालले आहे हे समजून घेणे (**घटना शोध**), प्रतिमेचे वर्णन मजकुरात करणे, किंवा दृश्य 3D मध्ये पुन्हा तयार करणे. मानवी प्रतिमांशी संबंधित काही विशेष कार्ये देखील आहेत: वय आणि भावना अंदाज, चेहरा शोध आणि ओळख, आणि 3D पोझ अंदाज, इत्यादी.
@ -115,7 +106,7 @@ AI शोमधील [हा व्हिडिओ](https://docs.microsoft.com/
या प्रयोगशाळेत, तुम्ही साध्या हालचालींसह व्हिडिओ घेणार आहात, आणि तुमचे उद्दिष्ट ऑप्टिकल फ्लो वापरून वर/खाली/डाव्या/उजव्या हालचाली काढणे आहे.
<img src="images/palm-movement.png" width="30%" alt="पाम मूव्हमेंट फ्रेम"/>
<img src="../../../../../translated_images/mr/palm-movement.341495f0e9c47da3.webp" width="30%" alt="पाम मूव्हमेंट फ्रेम"/>
---

9
translations/mr/lessons/4-ComputerVision/06-IntroCV/lab/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "3d53d6409f80970f7281a45dee35328a",
"translation_date": "2025-08-26T09:41:05+00:00",
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
"language_code": "mr"
}
-->
# ऑप्टिकल फ्लो वापरून हालचाली शोधणे
[AI for Beginners Curriculum](https://aka.ms/ai-beginners) मधील प्रयोग.

13
translations/mr/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
"translation_date": "2025-09-23T07:04:18+00:00",
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
"language_code": "mr"
}
-->
# प्रसिद्ध CNN आर्किटेक्चर्स
### VGG-16
@ -25,7 +16,7 @@ VGG-16 हा एक नेटवर्क आहे ज्याने 2014 म
ResNet हे मॉडेल्सचे कुटुंब आहे, जे Microsoft Research ने 2015 मध्ये प्रस्तावित केले. ResNet चा मुख्य विचार म्हणजे **रेसिड्युअल ब्लॉक्स** वापरणे:
<img src="images/resnet-block.png" width="300"/>
<img src="../../../../../translated_images/mr/resnet-block.aba4ccbcc0944434.webp" width="300"/>
> प्रतिमा [या पेपरमधून](https://arxiv.org/pdf/1512.03385.pdf)
@ -37,7 +28,7 @@ ResNet हे मॉडेल्सचे कुटुंब आहे, जे M
Google Inception आर्किटेक्चरने या कल्पनेला आणखी एक पाऊल पुढे नेले आहे आणि प्रत्येक नेटवर्क स्तराला अनेक वेगवेगळ्या मार्गांच्या संयोजनाने तयार केले आहे:
<img src="images/inception.png" width="400"/>
<img src="../../../../../translated_images/mr/inception.a6605b85bcbc6f52.webp" width="400"/>
> प्रतिमा [Researchgate](https://www.researchgate.net/figure/Inception-module-with-dimension-reductions-left-and-schema-for-Inception-ResNet-v1_fig2_355547454) वरून घेतलेली आहे.

11
translations/mr/lessons/4-ComputerVision/07-ConvNets/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a560d5b845962cf33dc102266e409568",
"translation_date": "2025-09-23T07:04:02+00:00",
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
"language_code": "mr"
}
-->
# कॉनव्होल्यूशनल न्यूरल नेटवर्क्स
आपण यापूर्वी पाहिले आहे की न्यूरल नेटवर्क्स प्रतिमांसाठी खूप चांगले काम करतात, आणि अगदी एक-लेयर परसेप्ट्रॉन देखील MNIST डेटासेटमधील हस्तलिखित अंक ओळखण्यास योग्य अचूकतेसह सक्षम आहे. मात्र, MNIST डेटासेट खूप खास आहे, आणि सर्व अंक प्रतिमेच्या मध्यभागी असतात, ज्यामुळे कार्य सोपे होते.
@ -24,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA:
उदाहरणार्थ, जर आपण MNIST अंकांवर 3x3 आडव्या कडांचा आणि उभ्या कडांचा फिल्टर लागू केला, तर आपल्याला मूळ प्रतिमेत जिथे आडव्या आणि उभ्या कड्या आहेत तिथे हायलाइट्स (उदा. उच्च मूल्ये) मिळू शकतात. त्यामुळे हे दोन फिल्टर्स "कड्या शोधण्यासाठी" वापरले जाऊ शकतात. त्याचप्रमाणे, इतर कमी-स्तरीय पॅटर्न्स शोधण्यासाठी वेगवेगळे फिल्टर्स डिझाइन करता येतात:
<img src="images/lmfilters.jpg" width="500" align="center"/>
<img src="../../../../../translated_images/mr/lmfilters.ea9e4868a82cf74c.webp" width="500" align="center"/>
> प्रतिमा: [लुंग-मालिक फिल्टर बँक](https://www.robots.ox.ac.uk/~vgg/research/texclass/filters.html)

9
translations/mr/lessons/4-ComputerVision/07-ConvNets/lab/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "b70fcf7fcee862990f848c679090943f",
"translation_date": "2025-10-03T14:53:49+00:00",
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
"language_code": "mr"
}
-->
# पाळीव प्राण्यांच्या चेहऱ्यांचे वर्गीकरण
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) मधील प्रयोगशाळा असाइनमेंट.

9
translations/mr/lessons/4-ComputerVision/08-TransferLearning/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
"translation_date": "2025-09-23T07:04:39+00:00",
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
"language_code": "mr"
}
-->
# पूर्व-प्रशिक्षित नेटवर्क्स आणि ट्रान्सफर लर्निंग
CNNs प्रशिक्षण देणे वेळखाऊ असते आणि त्यासाठी मोठ्या प्रमाणात डेटा आवश्यक असतो. मात्र, नेटवर्कला प्रतिमांमधून नमुने काढण्यासाठी वापरता येणारे सर्वोत्तम लो-लेव्हल फिल्टर्स शिकण्यात बराच वेळ जातो. एक नैसर्गिक प्रश्न निर्माण होतो - आपण एका डेटासेटवर प्रशिक्षित केलेल्या न्यूरल नेटवर्कचा वापर करून वेगळ्या प्रतिमा वर्गीकृत करण्यासाठी पूर्ण प्रशिक्षण प्रक्रिया न करता ते कसे अनुकूल करू शकतो?

9
translations/mr/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
"translation_date": "2025-08-26T09:48:39+00:00",
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
"language_code": "mr"
}
-->
# डीप लर्निंग प्रशिक्षण तंत्र
जसे न्यूरल नेटवर्क्स अधिक खोलवर जातात, त्यांचे प्रशिक्षण अधिक आव्हानात्मक बनते. एक मोठी समस्या म्हणजे [vanishing gradients](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) किंवा [exploding gradients](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.). [हा लेख](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) या समस्यांवर चांगले स्पष्टीकरण देतो.

9
translations/mr/lessons/4-ComputerVision/08-TransferLearning/lab/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
"translation_date": "2025-08-26T09:53:03+00:00",
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
"language_code": "mr"
}
-->
# ऑक्सफर्ड पाळीव प्राण्यांचे वर्गीकरण ट्रान्सफर लर्निंगचा वापर करून
[AI फॉर बिगिनर्स करिक्युलम](https://github.com/microsoft/ai-for-beginners) मधील लॅब असाइनमेंट.

15
translations/mr/lessons/4-ComputerVision/09-Autoencoders/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
"translation_date": "2025-09-23T07:06:19+00:00",
"source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
"language_code": "mr"
}
-->
# ऑटोएन्कोडर्स
जेव्हा CNNs प्रशिक्षण दिले जाते, तेव्हा एक समस्या म्हणजे आपल्याला मोठ्या प्रमाणात लेबल केलेल्या डेटाची आवश्यकता असते. प्रतिमेच्या वर्गीकरणाच्या बाबतीत, आपल्याला प्रतिमा वेगवेगळ्या वर्गांमध्ये विभागाव्या लागतात, जे एक मॅन्युअल काम आहे.
@ -46,7 +37,7 @@ VAE हा ऑटोएन्कोडर आहे जो लॅटेंट
* आम्ही वितरण N(z<sub>mean</sub>,exp(z<sub>log\_sigma</sub>)) मधून `sample` व्हेक्टर घेतो
* डिकोडर `sample` इनपुट व्हेक्टर म्हणून वापरून मूळ प्रतिमा डिकोड करण्याचा प्रयत्न करतो
<img src="images/vae.png" width="50%">
<img src="../../../../../translated_images/mr/vae.464c465a5b6a9e25.webp" width="50%">
> प्रतिमा [या ब्लॉग पोस्ट](https://ijdykeman.github.io/ml/2016/12/21/cvae.html) मधून, लेखक: इसाक डायकमन
@ -57,13 +48,13 @@ VAE हा ऑटोएन्कोडर आहे जो लॅटेंट
VAE चे एक महत्त्वाचे फायदे म्हणजे नवीन प्रतिमा तुलनेने सोप्या पद्धतीने तयार करणे शक्य होते, कारण आपल्याला लॅटेंट व्हेक्टर कशा वितरणातून नमुना घ्यायचा आहे हे माहित असते. उदाहरणार्थ, जर आपण MNIST वर 2D लॅटेंट व्हेक्टरसह VAE प्रशिक्षण दिले, तर आपण लॅटेंट व्हेक्टरच्या घटकांमध्ये बदल करून वेगवेगळे अंक मिळवू शकतो:
<img alt="vaemnist" src="images/vaemnist.png" width="50%"/>
<img alt="vaemnist" src="../../../../../translated_images/mr/vaemnist.cab9e602dc08dc50.webp" width="50%"/>
> प्रतिमा [दिमित्री सोश्निकोव्ह](http://soshnikov.com) यांच्याकडून
लक्ष द्या की प्रतिमा एकमेकांमध्ये मिसळतात, कारण आपण लॅटेंट पॅरामीटर स्पेसच्या वेगवेगळ्या भागांमधून लॅटेंट व्हेक्टर मिळवायला सुरुवात करतो. आपण या स्पेसला 2D मध्ये देखील व्हिज्युअलाइझ करू शकतो:
<img alt="vaemnist cluster" src="images/vaemnist-diag.png" width="50%"/>
<img alt="vaemnist cluster" src="../../../../../translated_images/mr/vaemnist-diag.694315f775d5d666.webp" width="50%"/>
> प्रतिमा [दिमित्री सोश्निकोव्ह](http://soshnikov.com) यांच्याकडून

13
translations/mr/lessons/4-ComputerVision/10-GANs/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "0ff65b4da07b23697235de2beb2a3c25",
"translation_date": "2025-09-23T07:07:16+00:00",
"source_file": "lessons/4-ComputerVision/10-GANs/README.md",
"language_code": "mr"
}
-->
# जनरेटिव अड्व्हर्सेरियल नेटवर्क्स
मागील विभागात आपण **जनरेटिव मॉडेल्स** म्हणजेच प्रशिक्षण डेटासेटमधील प्रतिमांसारख्या नवीन प्रतिमा तयार करू शकणाऱ्या मॉडेल्सबद्दल शिकले. VAE हे जनरेटिव मॉडेलचे एक चांगले उदाहरण होते.
@ -17,7 +8,7 @@ CO_OP_TRANSLATOR_METADATA:
GAN ची मुख्य कल्पना म्हणजे दोन न्यूरल नेटवर्क्स असणे जे एकमेकांविरुद्ध प्रशिक्षित केले जातील:
<img src="images/gan_architecture.png" width="70%"/>
<img src="../../../../../translated_images/mr/gan_architecture.8f3a5ab62b8d5d69.webp" width="70%"/>
> प्रतिमा [Dmitry Soshnikov](http://soshnikov.com) यांच्याकडून
@ -41,7 +32,7 @@ GAN ची मुख्य कल्पना म्हणजे दोन न
> ✅ कारण कॉनव्होल्यूशन स्तर प्रतिमेतून रेषीय फिल्टर म्हणून अंमलात आणला जातो, डी-कॉनव्होल्यूशन मूलत: कॉनव्होल्यूशनसारखेच आहे आणि त्याच स्तर लॉजिक वापरून अंमलात आणले जाऊ शकते.
<img src="images/gan_arch_detail.png" width="70%"/>
<img src="../../../../../translated_images/mr/gan_arch_detail.46b95fd366f8e543.webp" width="70%"/>
> प्रतिमा [Dmitry Soshnikov](http://soshnikov.com) यांच्याकडून

9
translations/mr/lessons/4-ComputerVision/11-ObjectDetection/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
"translation_date": "2025-09-23T07:05:43+00:00",
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
"language_code": "mr"
}
-->
# ऑब्जेक्ट डिटेक्शन
आतापर्यंत आपण ज्या इमेज क्लासिफिकेशन मॉडेल्सवर काम केले आहे, त्या एका प्रतिमेवर प्रक्रिया करून एक वर्गीय निकाल देतात, जसे की MNIST समस्येमध्ये 'संख्या' वर्ग. परंतु, अनेक वेळा आपल्याला फक्त हे जाणून घ्यायचे नसते की प्रतिमेत वस्तू आहेत, तर आपल्याला त्यांच्या अचूक स्थानाचा अंदाज लावायचा असतो. **ऑब्जेक्ट डिटेक्शन** याच उद्देशासाठी आहे.

9
translations/mr/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "ad568d55ae65c856fe929fc2b278510a",
"translation_date": "2025-08-26T09:25:17+00:00",
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
"language_code": "mr"
}
-->
# हॉलिवूड हेड्स डेटासेट वापरून हेड डिटेक्शन
[AI फॉर बिगिनर्स करिक्युलम](https://github.com/microsoft/ai-for-beginners) मधील लॅब असाइनमेंट.

15
translations/mr/lessons/4-ComputerVision/12-Segmentation/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
"translation_date": "2025-09-23T07:06:59+00:00",
"source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
"language_code": "mr"
}
-->
# विभागणी
आम्ही यापूर्वी ऑब्जेक्ट डिटेक्शनबद्दल शिकले आहे, ज्यामुळे आम्हाला प्रतिमेमध्ये वस्तूंचे स्थान शोधता येते आणि त्यांच्या *bounding boxes* ची भविष्यवाणी करता येते. परंतु, काही कार्यांसाठी आपल्याला फक्त bounding boxes पुरेसे नसून वस्तूंचे अधिक अचूक स्थान आवश्यक असते. या कार्याला **विभागणी** म्हणतात.
@ -20,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
उदाहरणार्थ, इन्स्टन्स विभागणीसाठी या मेंढ्या वेगवेगळ्या वस्तू आहेत, परंतु सामान्य विभागणीसाठी सर्व मेंढ्या एकाच वर्गाने दर्शविल्या जातात.
<img src="images/instance_vs_semantic.jpeg" width="50%">
<img src="../../../../../translated_images/mr/instance_vs_semantic.eee9812bebf8cd45.webp" width="50%">
> प्रतिमा [या ब्लॉग पोस्टमधून](https://nirmalamurali.medium.com/image-classification-vs-semantic-segmentation-vs-instance-segmentation-625c33a08d50)
@ -29,7 +20,7 @@ CO_OP_TRANSLATOR_METADATA:
* **एन्कोडर** इनपुट प्रतिमेतून वैशिष्ट्ये काढतो.
* **डीकोडर** त्या वैशिष्ट्यांना **मास्क प्रतिमेमध्ये** रूपांतरित करतो, ज्याचा आकार आणि चॅनेलची संख्या वर्गांच्या संख्येशी संबंधित असते.
<img src="images/segm.png" width="80%">
<img src="../../../../../translated_images/mr/segm.92442f2cb42ff4fa.webp" width="80%">
> प्रतिमा [या प्रकाशनातून](https://arxiv.org/pdf/2001.05566.pdf)
@ -43,7 +34,7 @@ CO_OP_TRANSLATOR_METADATA:
> ✅ ही तंत्र वैद्यकीय प्रतिमांसाठी विशेषतः योग्य आहे, परंतु तुम्ही इतर कोणत्या वास्तविक-जगातील अनुप्रयोगांची कल्पना करू शकता?
<img alt="navi" src="images/navi.png"/>
<img alt="navi" src="../../../../../translated_images/mr/navi.2f20b727910110ea.webp"/>
> प्रतिमा PH<sup>2</sup> डेटाबेसमधून

9
translations/mr/lessons/4-ComputerVision/12-Segmentation/lab/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "365f0decfe0f47b460bbde8227c5009d",
"translation_date": "2025-08-26T09:12:29+00:00",
"source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
"language_code": "mr"
}
-->
# मानवी शरीर विभाजन
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) मधील प्रयोगशाळा असाइनमेंट.

9
translations/mr/lessons/4-ComputerVision/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "58a52f000089c1d8906a4daa4ab1169b",
"translation_date": "2025-08-26T09:02:54+00:00",
"source_file": "lessons/4-ComputerVision/README.md",
"language_code": "mr"
}
-->
# संगणकीय दृष्टिकोन
![संगणकीय दृष्टिकोन विषयाची रेखाचित्रात संक्षिप्त माहिती](../../../../translated_images/mr/ai-computervision.6506ebebac3fbf76.webp)

13
translations/mr/lessons/5-NLP/13-TextRep/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
"translation_date": "2025-09-23T07:13:38+00:00",
"source_file": "lessons/5-NLP/13-TextRep/README.md",
"language_code": "mr"
}
-->
# टेक्स्टला टेन्सर्समध्ये दर्शवणे
## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/25)
@ -25,7 +16,7 @@ CO_OP_TRANSLATOR_METADATA:
जर आपल्याला न्यूरल नेटवर्कसह नैसर्गिक भाषा प्रक्रिया (NLP) कार्ये सोडवायची असतील, तर आपल्याला टेक्स्टला टेन्सर्समध्ये दर्शविण्याचा काहीतरी मार्ग आवश्यक आहे. संगणक आधीच ASCII किंवा UTF-8 सारख्या एन्कोडिंगचा वापर करून स्क्रीनवरील फॉन्ट्ससाठी नकाशा असलेल्या क्रमांकांमध्ये टेक्स्ट वर्ण दर्शवतात.
<img alt="अक्षराला ASCII आणि बायनरी प्रतिनिधित्वात नकाशा दर्शविणारे आकृती" src="images/ascii-character-map.png" width="50%"/>
<img alt="अक्षराला ASCII आणि बायनरी प्रतिनिधित्वात नकाशा दर्शविणारे आकृती" src="../../../../../translated_images/mr/ascii-character-map.18ed6aa7f3b0a7ff.webp" width="50%"/>
> [प्रतिमा स्रोत](https://www.seobility.net/en/wiki/ASCII)
@ -48,7 +39,7 @@ CO_OP_TRANSLATOR_METADATA:
टेक्स्ट वर्गीकरणासारखी कार्ये सोडवताना, आपल्याला टेक्स्ट एका निश्चित-आकाराच्या व्हेक्टरने दर्शवता यायला हवे, ज्याचा वापर अंतिम घन वर्गीकर्त्यासाठी इनपुट म्हणून केला जाईल. हे करण्याचा एक सोपा मार्ग म्हणजे सर्व वैयक्तिक शब्दांचे प्रतिनिधित्व एकत्र करणे, उदा. त्यांना जोडणे. जर आपण प्रत्येक शब्दाचे एक-हॉट एन्कोडिंग जोडले, तर आपल्याला वारंवारतेचा व्हेक्टर मिळेल, जो दर्शवतो की प्रत्येक शब्द टेक्स्टमध्ये किती वेळा दिसतो. टेक्स्टचे असे प्रतिनिधित्व **बॅग ऑफ वर्ड्स** (BoW) म्हणून ओळखले जाते.
<img src="images/bow.png" width="90%"/>
<img src="../../../../../translated_images/mr/bow.3811869cff59368d.webp" width="90%"/>
> लेखकाने तयार केलेली प्रतिमा

9
translations/mr/lessons/5-NLP/13-TextRep/assignment.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
"translation_date": "2025-08-26T08:28:45+00:00",
"source_file": "lessons/5-NLP/13-TextRep/assignment.md",
"language_code": "mr"
}
-->
# असाइनमेंट: नोटबुक्स
या धड्याशी संबंधित नोटबुक्स (PyTorch किंवा TensorFlow आवृत्तीपैकी कोणतीही) वापरून, तुमचा स्वतःचा डेटासेट वापरून त्या पुन्हा चालवा, कदाचित Kaggle वरील एखादा डेटासेट, योग्य श्रेयासह वापरा. तुमच्या स्वतःच्या निष्कर्षांना अधोरेखित करण्यासाठी नोटबुक पुन्हा लिहा. काही नाविन्यपूर्ण डेटासेट वापरून पहा जे आश्चर्यकारक ठरू शकतात, जसे की NUFORC कडून [UFO sightings बद्दलचा हा डेटासेट](https://www.kaggle.com/datasets/NUFORC/ufo-sightings).

9
translations/mr/lessons/5-NLP/14-Embeddings/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "b708c9b85b833864c73c6281f1e6b96e",
"translation_date": "2025-09-23T07:13:20+00:00",
"source_file": "lessons/5-NLP/14-Embeddings/README.md",
"language_code": "mr"
}
-->
# एम्बेडिंग्स
## [पूर्व-व्याख्यान प्रश्नमंजूषा](https://ff-quizzes.netlify.app/en/ai/quiz/27)

9
translations/mr/lessons/5-NLP/14-Embeddings/assignment.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
"translation_date": "2025-08-26T08:17:58+00:00",
"source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
"language_code": "mr"
}
-->
# असाइनमेंट: नोटबुक्स
या धड्याशी संबंधित नोटबुक्स (PyTorch किंवा TensorFlow आवृत्तीपैकी कोणतीही) वापरून, तुमच्या स्वतःच्या डेटासेटसह त्या पुन्हा चालवा, कदाचित Kaggle वरील एखाद्या डेटासेटचा वापर करून, योग्य श्रेय देऊन. तुमच्या स्वतःच्या निष्कर्षांना अधोरेखित करण्यासाठी नोटबुक पुन्हा लिहा. वेगळ्या प्रकारचा डेटासेट वापरून पाहा आणि तुमचे निरीक्षण दस्तऐवजीकरण करा, जसे की [हे बीटल्स गाण्यांचे बोल](https://www.kaggle.com/datasets/jenlooper/beatles-lyrics) यासारख्या मजकुराचा वापर करून.

9
translations/mr/lessons/5-NLP/15-LanguageModeling/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
"translation_date": "2025-09-23T07:11:31+00:00",
"source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
"language_code": "mr"
}
-->
# भाषा मॉडेलिंग
सामान्य अर्थाने एम्बेडिंग्ज, जसे Word2Vec आणि GloVe, हे **भाषा मॉडेलिंग**कडे जाण्याचा पहिला टप्पा आहेत - असे मॉडेल तयार करणे जे काही प्रमाणात भाषेची *समज* (किंवा *प्रतिनिधित्व*) करू शकतात.

9
translations/mr/lessons/5-NLP/15-LanguageModeling/lab/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "5130f01fdc5ebb83032b23d489027aac",
"translation_date": "2025-08-26T08:32:16+00:00",
"source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
"language_code": "mr"
}
-->
# स्किप-ग्राम मॉडेल प्रशिक्षण
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) मधील प्रयोगशाळा असाइनमेंट.

11
translations/mr/lessons/5-NLP/16-RNN/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "e2273cc150380a5e191903cea858f021",
"translation_date": "2025-09-23T07:12:53+00:00",
"source_file": "lessons/5-NLP/16-RNN/README.md",
"language_code": "mr"
}
-->
# पुनरावृत्ती तंत्रिका नेटवर्क्स
## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/31)
@ -31,7 +22,7 @@ X<sub>0</sub>,...,X<sub>n</sub> या इनपुट टोकन अनुक
साध्या RNN सेलमध्ये दोन वजन मॅट्रिसेस असतात: एक इनपुट चिन्ह रूपांतरित करते (त्याला W म्हणूया), आणि दुसरे इनपुट स्थिती रूपांतरित करते (H). या प्रकरणात नेटवर्कचा आउटपुट &sigma;(W&times;X<sub>i</sub>+H&times;S<sub>i-1</sub>+b) म्हणून गणना केला जातो, जिथे &sigma; सक्रियता फंक्शन आहे आणि b अतिरिक्त बायस आहे.
<img alt="RNN सेल रचना" src="images/rnn-anatomy.png" width="50%"/>
<img alt="RNN सेल रचना" src="../../../../../translated_images/mr/rnn-anatomy.79ee3f3920b3294b.webp" width="50%"/>
> लेखकाने तयार केलेले चित्र

9
translations/mr/lessons/5-NLP/16-RNN/assignment.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "47f7d3c6a5373543e051e4d1140ce898",
"translation_date": "2025-08-26T08:13:06+00:00",
"source_file": "lessons/5-NLP/16-RNN/assignment.md",
"language_code": "mr"
}
-->
# असाइनमेंट: नोटबुक्स
या धड्याशी संबंधित नोटबुक्स (PyTorch किंवा TensorFlow आवृत्तीपैकी कोणतीही) वापरून, त्या तुमच्या स्वतःच्या डेटासेटसह पुन्हा चालवा, कदाचित Kaggle वरील एखाद्या डेटासेटचा वापर करून, योग्य श्रेय देऊन. तुमच्या स्वतःच्या निष्कर्षांना अधोरेखित करण्यासाठी नोटबुक पुन्हा लिहा. वेगळ्या प्रकारचा डेटासेट वापरून पहा आणि तुमचे निष्कर्ष दस्तऐवजीकरण करा, जसे की [हा Kaggle स्पर्धेचा डेटासेट हवामान ट्विट्सबद्दल](https://www.kaggle.com/competitions/crowdflower-weather-twitter/data?select=train.csv).

11
translations/mr/lessons/5-NLP/17-GenerativeNetworks/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
"translation_date": "2025-09-23T07:11:09+00:00",
"source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
"language_code": "mr"
}
-->
# जनरेटिव नेटवर्क्स
## [पूर्व-व्याख्यान प्रश्नमंजूषा](https://ff-quizzes.netlify.app/en/ai/quiz/33)
@ -36,7 +27,7 @@ CO_OP_TRANSLATOR_METADATA:
मजकूर तयार करताना (इन्फरन्स दरम्यान), आम्ही काही **प्रॉम्प्ट** पासून सुरुवात करतो, जे RNN सेल्समधून पास होते आणि त्याचा इंटरमीडिएट स्टेट तयार होतो, आणि नंतर त्या स्टेटमधून निर्मिती सुरू होते. आम्ही एकावेळी एक कॅरेक्टर तयार करतो आणि स्टेट आणि तयार केलेला कॅरेक्टर पुढील RNN सेलला पास करतो, जोपर्यंत पुरेसे कॅरेक्टर्स तयार होत नाहीत.
<img src="images/rnn-generate-inf.png" width="60%"/>
<img src="../../../../../translated_images/mr/rnn-generate-inf.5168dc65e0370eea.webp" width="60%"/>
> लेखकाने तयार केलेली प्रतिमा

9
translations/mr/lessons/5-NLP/17-GenerativeNetworks/lab/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "439e12796197a90e7623d4c9c057b9c2",
"translation_date": "2025-08-26T08:23:05+00:00",
"source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
"language_code": "mr"
}
-->
# शब्द-स्तरीय मजकूर निर्मिती RNNs वापरून
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) मधील प्रयोगशाळा असाइनमेंट.

11
translations/mr/lessons/5-NLP/18-Transformers/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "f335dfcb4a993920504c387973a36957",
"translation_date": "2025-09-23T07:11:42+00:00",
"source_file": "lessons/5-NLP/18-Transformers/README.md",
"language_code": "mr"
}
-->
# लक्षवेध यंत्रणा आणि ट्रान्सफॉर्मर्स
## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://ff-quizzes.netlify.app/en/ai/quiz/35)
@ -56,7 +47,7 @@ RNNs वापरून, क्रम-ते-क्रम दोन पुनर
* टोकन एम्बेडिंगसारखे ट्रेन करण्यायोग्य एम्बेडिंग. ही पद्धत आपण येथे विचारात घेतो. आम्ही टोकन आणि त्यांच्या स्थितींवर एम्बेडिंग स्तर लागू करतो, परिणामी समान परिमाणांचे एम्बेडिंग व्हेक्टर मिळतात, जे आम्ही नंतर एकत्र जोडतो.
* मूळ पेपरमध्ये प्रस्तावित निश्चित स्थिती एन्कोडिंग फंक्शन.
<img src="images/pos-embedding.png" width="50%"/>
<img src="../../../../../translated_images/mr/pos-embedding.e41ce9b6cf6078af.webp" width="50%"/>
> लेखकाने तयार केलेली प्रतिमा

9
translations/mr/lessons/5-NLP/18-Transformers/assignment.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
"translation_date": "2025-08-26T08:40:56+00:00",
"source_file": "lessons/5-NLP/18-Transformers/assignment.md",
"language_code": "mr"
}
-->
# असाइनमेंट: ट्रान्सफॉर्मर्स
HuggingFace वर ट्रान्सफॉर्मर्ससह प्रयोग करा! त्यांच्या साइटवर उपलब्ध असलेल्या विविध मॉडेल्ससह काम करण्यासाठी त्यांनी दिलेली काही स्क्रिप्ट्स वापरून पहा: https://huggingface.co/docs/transformers/run_scripts. त्यांच्या डेटासेट्सपैकी एक वापरून पहा, त्यानंतर या अभ्यासक्रमातील किंवा Kaggle वरून तुमचा स्वतःचा डेटासेट आयात करा आणि तुम्ही मनोरंजक मजकूर तयार करू शकता का ते पाहा. तुमच्या निष्कर्षांसह एक नोटबुक तयार करा.

11
translations/mr/lessons/5-NLP/19-NER/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "6522312ff835796ca34136a9462fafb2",
"translation_date": "2025-09-23T07:12:34+00:00",
"source_file": "lessons/5-NLP/19-NER/README.md",
"language_code": "mr"
}
-->
# नामित घटक ओळख (Named Entity Recognition)
आत्तापर्यंत आपण मुख्यतः एका NLP कार्यावर - वर्गीकरणावर लक्ष केंद्रित केले आहे. परंतु, न्यूरल नेटवर्क्सच्या मदतीने इतरही NLP कार्ये साध्य करता येतात. त्यापैकी एक कार्य म्हणजे **[नामित घटक ओळख](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), ज्यामध्ये मजकुरातील विशिष्ट घटक ओळखणे समाविष्ट आहे, जसे की ठिकाणे, व्यक्तींची नावे, दिनांक-वेळेचे कालखंड, रासायनिक सूत्रे इत्यादी.
@ -17,7 +8,7 @@ CO_OP_TRANSLATOR_METADATA:
समजा, तुम्हाला Amazon Alexa किंवा Google Assistant सारखा नैसर्गिक भाषा चॅट बॉट विकसित करायचा आहे. हुशार चॅट बॉट्स कसे कार्य करतात? ते वापरकर्त्याला काय हवे आहे हे समजून घेण्यासाठी इनपुट वाक्यावर मजकूर वर्गीकरण करतात. या वर्गीकरणाचा परिणाम म्हणजे **उद्देश (intent)**, जो ठरवतो की चॅट बॉटने काय करावे.
<img alt="Bot NER" src="images/bot-ner.png" width="50%"/>
<img alt="Bot NER" src="../../../../../translated_images/mr/bot-ner.4b09235dbb0ad275.webp" width="50%"/>
> लेखकाने तयार केलेली प्रतिमा

9
translations/mr/lessons/5-NLP/19-NER/lab/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "032bda5068f543d6c1fcb30c34231461",
"translation_date": "2025-08-26T08:50:53+00:00",
"source_file": "lessons/5-NLP/19-NER/lab/README.md",
"language_code": "mr"
}
-->
# NER
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) मधील प्रयोगशाळा कार्य.

9
translations/mr/lessons/5-NLP/20-LangModels/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "97836d30a6bec736f8e3b4411c572bc2",
"translation_date": "2025-09-23T07:12:14+00:00",
"source_file": "lessons/5-NLP/20-LangModels/README.md",
"language_code": "mr"
}
-->
# पूर्व-प्रशिक्षित मोठे भाषा मॉडेल्स
आपल्या मागील सर्व कार्यांमध्ये, आम्ही लेबल केलेल्या डेटासेटचा वापर करून विशिष्ट कार्य करण्यासाठी न्यूरल नेटवर्क प्रशिक्षण देत होतो. मोठ्या ट्रान्सफॉर्मर मॉडेल्ससह, जसे की BERT, आम्ही स्वयं-पर्यवेक्षित पद्धतीने भाषा मॉडेलिंगचा वापर करून भाषा मॉडेल तयार करतो, जे नंतर विशिष्ट डाउनस्ट्रीम कार्यासाठी डोमेन-विशिष्ट प्रशिक्षणाद्वारे विशेषीकृत केले जाते. तथापि, हे सिद्ध झाले आहे की मोठे भाषा मॉडेल्स अनेक कार्ये कोणत्याही डोमेन-विशिष्ट प्रशिक्षणाशिवाय सोडवू शकतात. अशा प्रकारच्या मॉडेल्सच्या कुटुंबाला **GPT**: जनरेटिव्ह प्री-ट्रेंड ट्रान्सफॉर्मर म्हणतात.

9
translations/mr/lessons/5-NLP/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "8ef02a9318257ea140ed3ed74442096d",
"translation_date": "2025-08-26T08:04:03+00:00",
"source_file": "lessons/5-NLP/README.md",
"language_code": "mr"
}
-->
# नैसर्गिक भाषा प्रक्रिया
![NLP कार्यांचा संक्षेप एका चित्रात](../../../../translated_images/mr/ai-nlp.b22dcb8ca4707cea.webp)

9
translations/mr/lessons/6-Other/21-GeneticAlgorithms/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
"translation_date": "2025-09-23T07:02:22+00:00",
"source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
"language_code": "mr"
}
-->
# जनुकात्मक अल्गोरिदम
## [पूर्व-व्याख्यान प्रश्नमंजूषा](https://ff-quizzes.netlify.app/en/ai/quiz/41)

11
translations/mr/lessons/6-Other/22-DeepRL/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "04395657fc01648f8f70484d0e55ab67",
"translation_date": "2025-09-23T07:03:29+00:00",
"source_file": "lessons/6-Other/22-DeepRL/README.md",
"language_code": "mr"
}
-->
# डीप रिइन्फोर्समेंट लर्निंग
रिइन्फोर्समेंट लर्निंग (RL) हे मशीन लर्निंगचे एक मूलभूत पॅराडाइम मानले जाते, ज्यामध्ये सुपरवाइज्ड लर्निंग आणि अनसुपरवाइज्ड लर्निंगचा समावेश होतो. सुपरवाइज्ड लर्निंगमध्ये आपल्याला ज्ञात परिणामांसह डेटासेटवर अवलंबून राहावे लागते, तर RL **करून शिकणे** या संकल्पनेवर आधारित आहे. उदाहरणार्थ, जेव्हा आपण प्रथम एखादे संगणक गेम पाहतो, तेव्हा आपण नियम न जाणता खेळायला सुरुवात करतो आणि लवकरच फक्त खेळण्याच्या प्रक्रियेद्वारे आणि आपले वर्तन समायोजित करून आपले कौशल्य सुधारतो.
@ -34,7 +25,7 @@ RL साठी एक उत्कृष्ट साधन म्हणजे
बॅलन्सिंगची एक साधी आवृत्ती **CartPole** समस्या म्हणून ओळखली जाते. CartPole जगात, आपल्याकडे एक आडवा स्लायडर असतो जो डावीकडे किंवा उजवीकडे हलवू शकतो, आणि उद्दिष्ट म्हणजे स्लायडरवर उभ्या पोलला बॅलन्स करणे.
<img alt="a cartpole" src="images/cartpole.png" width="200"/>
<img alt="a cartpole" src="../../../../../translated_images/mr/cartpole.f52a67f27e058170.webp" width="200"/>
हे पर्यावरण तयार करण्यासाठी आणि वापरण्यासाठी, आपल्याला काही ओळींचा Python कोड आवश्यक आहे:

9
translations/mr/lessons/6-Other/22-DeepRL/lab/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
"translation_date": "2025-08-26T10:16:53+00:00",
"source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
"language_code": "mr"
}
-->
## पर्यावरण
माउंटन कार पर्यावरणामध्ये एक कार एका दरीत अडकलेली असते. तुमचे उद्दिष्ट दरीतून बाहेर उडी मारून ध्वजापर्यंत पोहोचणे आहे. तुम्ही जे क्रिया करू शकता त्या म्हणजे डावीकडे वेग वाढवणे, उजवीकडे वेग वाढवणे किंवा काहीही न करणे. तुम्ही कारची x-अक्षावरची स्थिती आणि वेग पाहू शकता.

11
translations/mr/lessons/6-Other/23-MultiagentSystems/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
"translation_date": "2025-09-23T07:02:39+00:00",
"source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
"language_code": "mr"
}
-->
# मल्टी-एजंट सिस्टीम्स
बुद्धिमत्ता मिळवण्याचा एक संभाव्य मार्ग म्हणजे **उत्पन्न** (किंवा **सहकार्यात्मक**) दृष्टिकोन, जो अशा तत्त्वावर आधारित आहे की अनेक तुलनेने साध्या एजंट्सच्या एकत्रित वर्तनामुळे संपूर्ण प्रणालीचे अधिक जटिल (किंवा बुद्धिमान) वर्तन होऊ शकते. सैद्धांतिकदृष्ट्या, हे [सामूहिक बुद्धिमत्ता](https://en.wikipedia.org/wiki/Collective_intelligence), [उत्पन्नवाद](https://en.wikipedia.org/wiki/Global_brain) आणि [विकसनशील सायबरनेटिक्स](https://en.wikipedia.org/wiki/Global_brain) च्या तत्त्वांवर आधारित आहे, जे असे म्हणतात की उच्च-स्तरीय प्रणालींना काही प्रकारचे अतिरिक्त मूल्य मिळते जेव्हा त्यांना योग्य प्रकारे कमी-स्तरीय प्रणालींमधून एकत्रित केले जाते (*मेटासिस्टम ट्रांझिशनचे तत्त्व*).
@ -60,7 +51,7 @@ ask turtles [
NetLogo ची एक उत्तम गोष्ट म्हणजे त्यात कार्यरत मॉडेल्सची लायब्ररी आहे जी तुम्ही वापरून पाहू शकता. **File &rightarrow; Models Library** वर जा, आणि तुम्हाला निवडण्यासाठी अनेक श्रेणीतील मॉडेल्स मिळतील.
<img alt="NetLogo Models Library" src="images/NetLogo-ModelLib.png" width="60%"/>
<img alt="NetLogo Models Library" src="../../../../../translated_images/mr/NetLogo-ModelLib.efe023afb4763c05.webp" width="60%"/>
> मॉडेल्स लायब्ररीचा स्क्रीनशॉट - Dmitry Soshnikov

9
translations/mr/lessons/6-Other/23-MultiagentSystems/assignment.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "cf654ca60c7f86c8dad28596fb42994b",
"translation_date": "2025-08-26T10:11:19+00:00",
"source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
"language_code": "mr"
}
-->
# NetLogo असाइनमेंट
NetLogo च्या लायब्ररीतील एका मॉडेलचा वापर करून वास्तविक जीवनातील परिस्थितीचे शक्य तितके जवळून अनुकरण करा. एक चांगले उदाहरण म्हणजे Alternative Visualizations फोल्डरमधील Virus मॉडेलमध्ये बदल करून ते COVID-19 च्या प्रसाराचे मॉडेल कसे बनवता येईल हे दाखवणे. तुम्ही वास्तविक जीवनातील व्हायरल प्रसाराचे अनुकरण करणारे मॉडेल तयार करू शकता का?

9
translations/mr/lessons/7-Ethics/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "437c988596e751072e41a5aad3fcc5d9",
"translation_date": "2025-08-26T07:59:41+00:00",
"source_file": "lessons/7-Ethics/README.md",
"language_code": "mr"
}
-->
# नैतिक आणि जबाबदार AI
तुम्ही हा कोर्स जवळजवळ पूर्ण केला आहे, आणि आता तुम्हाला स्पष्टपणे दिसत असेल की AI अनेक औपचारिक गणितीय पद्धतींवर आधारित आहे ज्यामुळे आपल्याला डेटामधील संबंध शोधता येतात आणि मानवी वर्तनाचे काही पैलू पुनरुत्पादित करण्यासाठी मॉडेल्स प्रशिक्षित करता येतात. या इतिहासाच्या टप्प्यावर, आम्ही AI ला डेटा मधून नमुने काढण्यासाठी आणि नवीन समस्या सोडवण्यासाठी त्या नमुन्यांचा उपयोग करण्यासाठी एक अत्यंत शक्तिशाली साधन मानतो.

9
translations/mr/lessons/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
"translation_date": "2025-08-26T07:57:25+00:00",
"source_file": "lessons/README.md",
"language_code": "mr"
}
-->
# आढावा
![डूडलमधील आढावा](../../../translated_images/mr/ai-overview.0857791951d19500.webp)

9
translations/mr/lessons/X-Extras/X1-MultiModal/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "9c592c26aca16ca085d268c732284187",
"translation_date": "2025-08-26T10:19:31+00:00",
"source_file": "lessons/X-Extras/X1-MultiModal/README.md",
"language_code": "mr"
}
-->
# मल्टी-मोडल नेटवर्क्स
NLP कार्यांसाठी ट्रान्सफॉर्मर मॉडेल्सच्या यशानंतर, त्याच किंवा तत्सम आर्किटेक्चर संगणकीय दृष्टिकोन कार्यांसाठी लागू करण्यात आले. व्हिजन आणि नैसर्गिक भाषा क्षमता *एकत्र* करण्यासाठी मॉडेल्स तयार करण्याची वाढती आवड आहे. अशा प्रयत्नांपैकी एक OpenAI ने केला आहे, ज्याला CLIP आणि DALL.E म्हणतात.

9
translations/mr/lessons/sketchnotes/LICENSE.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
"translation_date": "2025-08-26T10:47:42+00:00",
"source_file": "lessons/sketchnotes/LICENSE.md",
"language_code": "mr"
}
-->
अट्रिब्युशन-शेअरअलाइक 4.0 आंतरराष्ट्रीय
=======================================================================

9
translations/mr/lessons/sketchnotes/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "050b8bddebafba55b129414e6ab096ab",
"translation_date": "2025-08-26T10:40:45+00:00",
"source_file": "lessons/sketchnotes/README.md",
"language_code": "mr"
}
-->
संपूर्ण अभ्यासक्रमाच्या स्केच नोट्स येथे डाउनलोड केल्या जाऊ शकतात.
🎨 तयार केलेले: टोमोमी इमुरा (ट्विटर: [@girlie_mac](https://twitter.com/girlie_mac), GitHub: [girliemac](https://github.com/girliemac))

9
translations/mr/troubleshoot.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
"translation_date": "2025-10-03T09:40:20+00:00",
"source_file": "troubleshoot.md",
"language_code": "mr"
}
-->
# AI-For-Beginners समस्या निराकरण मार्गदर्शक
ही मार्गदर्शिका [AI-For-Beginners](https://github.com/microsoft/AI-For-Beginners) रेपॉझिटरी वापरताना किंवा योगदान देताना येणाऱ्या सामान्य समस्यांचे निराकरण करण्यात मदत करते. प्रत्येक समस्येसाठी पार्श्वभूमी, लक्षणे, स्पष्टीकरणे आणि चरण-दर-चरण उपाय दिले आहेत.

398
translations/ne/.co-op-translator.json Normal file
View File

@ -0,0 +1,398 @@
{
"AGENTS.md": {
"original_hash": "6b11a37115944252ab3ed04e358d830d",
"translation_date": "2025-10-03T09:18:16+00:00",
"source_file": "AGENTS.md",
"language_code": "ne"
},
"README.md": {
"original_hash": "1984fc89dd304a8a33ab5584691a99aa",
"translation_date": "2026-01-30T01:37:02+00:00",
"source_file": "README.md",
"language_code": "ne"
},
"SECURITY.md": {
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
"translation_date": "2025-08-26T07:56:19+00:00",
"source_file": "SECURITY.md",
"language_code": "ne"
},
"etc/CODE_OF_CONDUCT.md": {
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
"translation_date": "2025-08-26T11:17:22+00:00",
"source_file": "etc/CODE_OF_CONDUCT.md",
"language_code": "ne"
},
"etc/CONTRIBUTING.md": {
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
"translation_date": "2025-08-26T11:20:01+00:00",
"source_file": "etc/CONTRIBUTING.md",
"language_code": "ne"
},
"etc/Mindmap.md": {
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
"translation_date": "2025-08-26T11:23:01+00:00",
"source_file": "etc/Mindmap.md",
"language_code": "ne"
},
"etc/SUPPORT.md": {
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
"translation_date": "2025-08-26T11:16:30+00:00",
"source_file": "etc/SUPPORT.md",
"language_code": "ne"
},
"etc/TRANSLATIONS.md": {
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
"translation_date": "2025-08-26T11:18:38+00:00",
"source_file": "etc/TRANSLATIONS.md",
"language_code": "ne"
},
"etc/quiz-app/README.md": {
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
"translation_date": "2025-08-26T11:26:12+00:00",
"source_file": "etc/quiz-app/README.md",
"language_code": "ne"
},
"examples/README.md": {
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
"translation_date": "2025-10-03T11:29:19+00:00",
"source_file": "examples/README.md",
"language_code": "ne"
},
"lessons/0-course-setup/for-teachers.md": {
"original_hash": "a094ef9927883de1cfcee51dbd143381",
"translation_date": "2025-08-26T11:12:33+00:00",
"source_file": "lessons/0-course-setup/for-teachers.md",
"language_code": "ne"
},
"lessons/0-course-setup/how-to-run.md": {
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
"translation_date": "2026-01-15T13:12:45+00:00",
"source_file": "lessons/0-course-setup/how-to-run.md",
"language_code": "ne"
},
"lessons/0-course-setup/setup.md": {
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
"translation_date": "2025-12-12T19:34:23+00:00",
"source_file": "lessons/0-course-setup/setup.md",
"language_code": "ne"
},
"lessons/1-Intro/README.md": {
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
"translation_date": "2025-11-18T21:10:11+00:00",
"source_file": "lessons/1-Intro/README.md",
"language_code": "ne"
},
"lessons/1-Intro/assignment.md": {
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
"translation_date": "2025-11-18T21:12:06+00:00",
"source_file": "lessons/1-Intro/assignment.md",
"language_code": "ne"
},
"lessons/2-Symbolic/README.md": {
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
"translation_date": "2026-01-15T13:14:13+00:00",
"source_file": "lessons/2-Symbolic/README.md",
"language_code": "ne"
},
"lessons/2-Symbolic/assignment.md": {
"original_hash": "a057a8604f3976c3e309884453f1fad0",
"translation_date": "2025-08-26T11:07:18+00:00",
"source_file": "lessons/2-Symbolic/assignment.md",
"language_code": "ne"
},
"lessons/3-NeuralNetworks/03-Perceptron/README.md": {
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
"translation_date": "2025-09-23T07:21:48+00:00",
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
"language_code": "ne"
},
"lessons/3-NeuralNetworks/03-Perceptron/lab/README.md": {
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
"translation_date": "2025-08-29T06:49:32+00:00",
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
"language_code": "ne"
},
"lessons/3-NeuralNetworks/04-OwnFramework/README.md": {
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
"translation_date": "2025-09-23T07:21:25+00:00",
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
"language_code": "ne"
},
"lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md": {
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
"translation_date": "2025-08-26T10:29:31+00:00",
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
"language_code": "ne"
},
"lessons/3-NeuralNetworks/05-Frameworks/README.md": {
"original_hash": "ddd216f558a255260a9374008002c971",
"translation_date": "2025-09-23T07:22:09+00:00",
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
"language_code": "ne"
},
"lessons/3-NeuralNetworks/05-Frameworks/lab/README.md": {
"original_hash": "e452d897efb9a89700f41021834cf6e5",
"translation_date": "2025-08-26T10:35:30+00:00",
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
"language_code": "ne"
},
"lessons/3-NeuralNetworks/README.md": {
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
"translation_date": "2025-10-03T12:45:53+00:00",
"source_file": "lessons/3-NeuralNetworks/README.md",
"language_code": "ne"
},
"lessons/4-ComputerVision/06-IntroCV/README.md": {
"original_hash": "feeca98225cb420afc89415f24f63d92",
"translation_date": "2025-09-23T07:16:30+00:00",
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
"language_code": "ne"
},
"lessons/4-ComputerVision/06-IntroCV/lab/README.md": {
"original_hash": "3d53d6409f80970f7281a45dee35328a",
"translation_date": "2025-08-26T09:41:14+00:00",
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
"language_code": "ne"
},
"lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md": {
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
"translation_date": "2025-09-23T07:15:50+00:00",
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
"language_code": "ne"
},
"lessons/4-ComputerVision/07-ConvNets/README.md": {
"original_hash": "a560d5b845962cf33dc102266e409568",
"translation_date": "2025-09-23T07:15:35+00:00",
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
"language_code": "ne"
},
"lessons/4-ComputerVision/07-ConvNets/lab/README.md": {
"original_hash": "b70fcf7fcee862990f848c679090943f",
"translation_date": "2025-10-03T14:53:58+00:00",
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
"language_code": "ne"
},
"lessons/4-ComputerVision/08-TransferLearning/README.md": {
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
"translation_date": "2025-09-23T07:16:08+00:00",
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
"language_code": "ne"
},
"lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md": {
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
"translation_date": "2025-08-26T09:49:36+00:00",
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
"language_code": "ne"
},
"lessons/4-ComputerVision/08-TransferLearning/lab/README.md": {
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
"translation_date": "2025-08-26T09:53:14+00:00",
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
"language_code": "ne"
},
"lessons/4-ComputerVision/09-Autoencoders/README.md": {
"original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
"translation_date": "2025-09-23T07:17:36+00:00",
"source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
"language_code": "ne"
},
"lessons/4-ComputerVision/10-GANs/README.md": {
"original_hash": "0ff65b4da07b23697235de2beb2a3c25",
"translation_date": "2025-09-23T07:18:24+00:00",
"source_file": "lessons/4-ComputerVision/10-GANs/README.md",
"language_code": "ne"
},
"lessons/4-ComputerVision/11-ObjectDetection/README.md": {
"original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
"translation_date": "2025-09-23T07:17:01+00:00",
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
"language_code": "ne"
},
"lessons/4-ComputerVision/11-ObjectDetection/lab/README.md": {
"original_hash": "ad568d55ae65c856fe929fc2b278510a",
"translation_date": "2025-08-26T09:25:33+00:00",
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
"language_code": "ne"
},
"lessons/4-ComputerVision/12-Segmentation/README.md": {
"original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
"translation_date": "2025-09-23T07:18:07+00:00",
"source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
"language_code": "ne"
},
"lessons/4-ComputerVision/12-Segmentation/lab/README.md": {
"original_hash": "365f0decfe0f47b460bbde8227c5009d",
"translation_date": "2025-08-26T09:12:38+00:00",
"source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
"language_code": "ne"
},
"lessons/4-ComputerVision/README.md": {
"original_hash": "58a52f000089c1d8906a4daa4ab1169b",
"translation_date": "2025-08-26T09:03:02+00:00",
"source_file": "lessons/4-ComputerVision/README.md",
"language_code": "ne"
},
"lessons/5-NLP/13-TextRep/README.md": {
"original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
"translation_date": "2025-09-23T07:25:09+00:00",
"source_file": "lessons/5-NLP/13-TextRep/README.md",
"language_code": "ne"
},
"lessons/5-NLP/13-TextRep/assignment.md": {
"original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
"translation_date": "2025-08-26T08:28:51+00:00",
"source_file": "lessons/5-NLP/13-TextRep/assignment.md",
"language_code": "ne"
},
"lessons/5-NLP/14-Embeddings/README.md": {
"original_hash": "b708c9b85b833864c73c6281f1e6b96e",
"translation_date": "2025-09-23T07:24:48+00:00",
"source_file": "lessons/5-NLP/14-Embeddings/README.md",
"language_code": "ne"
},
"lessons/5-NLP/14-Embeddings/assignment.md": {
"original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
"translation_date": "2025-08-26T08:18:05+00:00",
"source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
"language_code": "ne"
},
"lessons/5-NLP/15-LanguageModeling/README.md": {
"original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
"translation_date": "2025-09-23T07:23:02+00:00",
"source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
"language_code": "ne"
},
"lessons/5-NLP/15-LanguageModeling/lab/README.md": {
"original_hash": "5130f01fdc5ebb83032b23d489027aac",
"translation_date": "2025-08-26T08:32:30+00:00",
"source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
"language_code": "ne"
},
"lessons/5-NLP/16-RNN/README.md": {
"original_hash": "e2273cc150380a5e191903cea858f021",
"translation_date": "2025-09-23T07:24:14+00:00",
"source_file": "lessons/5-NLP/16-RNN/README.md",
"language_code": "ne"
},
"lessons/5-NLP/16-RNN/assignment.md": {
"original_hash": "47f7d3c6a5373543e051e4d1140ce898",
"translation_date": "2025-08-26T08:13:13+00:00",
"source_file": "lessons/5-NLP/16-RNN/assignment.md",
"language_code": "ne"
},
"lessons/5-NLP/17-GenerativeNetworks/README.md": {
"original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
"translation_date": "2025-09-23T07:22:39+00:00",
"source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
"language_code": "ne"
},
"lessons/5-NLP/17-GenerativeNetworks/lab/README.md": {
"original_hash": "439e12796197a90e7623d4c9c057b9c2",
"translation_date": "2025-08-26T08:23:15+00:00",
"source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
"language_code": "ne"
},
"lessons/5-NLP/18-Transformers/README.md": {
"original_hash": "f335dfcb4a993920504c387973a36957",
"translation_date": "2025-09-23T07:23:15+00:00",
"source_file": "lessons/5-NLP/18-Transformers/README.md",
"language_code": "ne"
},
"lessons/5-NLP/18-Transformers/assignment.md": {
"original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
"translation_date": "2025-08-26T08:41:04+00:00",
"source_file": "lessons/5-NLP/18-Transformers/assignment.md",
"language_code": "ne"
},
"lessons/5-NLP/19-NER/README.md": {
"original_hash": "6522312ff835796ca34136a9462fafb2",
"translation_date": "2025-09-23T07:23:58+00:00",
"source_file": "lessons/5-NLP/19-NER/README.md",
"language_code": "ne"
},
"lessons/5-NLP/19-NER/lab/README.md": {
"original_hash": "032bda5068f543d6c1fcb30c34231461",
"translation_date": "2025-08-26T08:51:12+00:00",
"source_file": "lessons/5-NLP/19-NER/lab/README.md",
"language_code": "ne"
},
"lessons/5-NLP/20-LangModels/README.md": {
"original_hash": "97836d30a6bec736f8e3b4411c572bc2",
"translation_date": "2025-09-23T07:23:41+00:00",
"source_file": "lessons/5-NLP/20-LangModels/README.md",
"language_code": "ne"
},
"lessons/5-NLP/README.md": {
"original_hash": "8ef02a9318257ea140ed3ed74442096d",
"translation_date": "2025-08-26T08:05:24+00:00",
"source_file": "lessons/5-NLP/README.md",
"language_code": "ne"
},
"lessons/6-Other/21-GeneticAlgorithms/README.md": {
"original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
"translation_date": "2025-09-23T07:14:02+00:00",
"source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
"language_code": "ne"
},
"lessons/6-Other/22-DeepRL/README.md": {
"original_hash": "04395657fc01648f8f70484d0e55ab67",
"translation_date": "2025-09-23T07:15:08+00:00",
"source_file": "lessons/6-Other/22-DeepRL/README.md",
"language_code": "ne"
},
"lessons/6-Other/22-DeepRL/lab/README.md": {
"original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
"translation_date": "2025-08-26T10:17:01+00:00",
"source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
"language_code": "ne"
},
"lessons/6-Other/23-MultiagentSystems/README.md": {
"original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
"translation_date": "2025-09-23T07:14:43+00:00",
"source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
"language_code": "ne"
},
"lessons/6-Other/23-MultiagentSystems/assignment.md": {
"original_hash": "cf654ca60c7f86c8dad28596fb42994b",
"translation_date": "2025-08-26T10:11:26+00:00",
"source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
"language_code": "ne"
},
"lessons/7-Ethics/README.md": {
"original_hash": "437c988596e751072e41a5aad3fcc5d9",
"translation_date": "2025-08-26T08:00:01+00:00",
"source_file": "lessons/7-Ethics/README.md",
"language_code": "ne"
},
"lessons/README.md": {
"original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
"translation_date": "2025-08-26T07:57:31+00:00",
"source_file": "lessons/README.md",
"language_code": "ne"
},
"lessons/X-Extras/X1-MultiModal/README.md": {
"original_hash": "9c592c26aca16ca085d268c732284187",
"translation_date": "2025-08-26T10:20:00+00:00",
"source_file": "lessons/X-Extras/X1-MultiModal/README.md",
"language_code": "ne"
},
"lessons/sketchnotes/LICENSE.md": {
"original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
"translation_date": "2025-08-26T10:49:45+00:00",
"source_file": "lessons/sketchnotes/LICENSE.md",
"language_code": "ne"
},
"lessons/sketchnotes/README.md": {
"original_hash": "050b8bddebafba55b129414e6ab096ab",
"translation_date": "2025-08-26T10:40:51+00:00",
"source_file": "lessons/sketchnotes/README.md",
"language_code": "ne"
},
"troubleshoot.md": {
"original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
"translation_date": "2025-10-03T09:40:51+00:00",
"source_file": "troubleshoot.md",
"language_code": "ne"
}
}

9
translations/ne/AGENTS.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "6b11a37115944252ab3ed04e358d830d",
"translation_date": "2025-10-03T09:18:16+00:00",
"source_file": "AGENTS.md",
"language_code": "ne"
}
-->
# AGENTS.md
## परियोजना अवलोकन

189
translations/ne/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "85102ce4bfab31103e99dc8ca2e2f181",
"translation_date": "2026-01-15T13:10:43+00:00",
"source_file": "README.md",
"language_code": "ne"
}
-->
[![GitHub license](https://img.shields.io/github/license/microsoft/AI-For-Beginners.svg)](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
[![GitHub contributors](https://img.shields.io/github/contributors/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
[![GitHub issues](https://img.shields.io/github/issues/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
@ -21,158 +12,160 @@ CO_OP_TRANSLATOR_METADATA:
[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
# शुरुवातकर्ताहरुका लागि कृत्रिम बुद्धिमत्ता - एक पाठ्यक्रम
# शुरुवातकर्ताका लागि कृत्रिम बुद्धिमत्ता - एक पाठ्यक्रम
|![Sketchnote by @girlie_mac https://twitter.com/girlie_mac](../../../../translated_images/ne/ai-overview.0857791951d19500.webp)|
|![Sketchnote by @girlie_mac https://twitter.com/girlie_mac](../../translated_images/ne/ai-overview.0857791951d19500.webp)|
|:---:|
| शुरुवातकर्ताका लागि AI - _स्केच नोट [@girlie_mac](https://twitter.com/girlie_mac) द्वारा_ |
| सुरुमा सिक्नेहरूका लागि AI - _[@girlie_mac](https://twitter.com/girlie_mac) द्वारा स्केचनोट_ |
हाम्रो १२ साताको, २४ पाठहरूको पाठ्यक्रमसँग **कृत्रिम बुद्धिमत्ता** (AI) को संसार पत्ता लगाउनुहोस्! यसमा व्यावहारिक पाठहरू, क्विज, र ल्याबहरू समावेश छन्। पाठ्यक्रम सुरुमा सिक्नेहरूका लागि उपयुक्त छ र TensorFlow र PyTorch जस्ता उपकरणहरू साथै AI मा नैतिकतासहितको विषयहरू समेट्छ।
हाम्रो १२ हप्ता, २४-पाठको पाठ्यक्रमसँग **कृत्रिम बुद्धिमत्ता** (AI) को संसार अन्वेषण गर्नुहोस्! यसमा व्यावहारिक पाठ, क्विजहरू, र प्रयोगशालाहरू समावेश छन्। यो पाठ्यक्रम शुरुवातकर्तामैत्री छ र TensorFlow र PyTorch जस्ता उपकरणहरू साथै AI मा नैतिकता समेट्छ।
### 🌐 बहुभाषी समर्थन
#### GitHub Action द्वारा समर्थित (स्वचालित र सधैं अपडेट)
#### GitHub Action मार्फत समर्थित (स्वचालित र सधैं अद्यावधिक)
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](./README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../br/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](./README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
> **स्थानीय रूपमा क्लोन गर्न मन लाग्छ?**
> **स्थानीय रूपमा क्लोन गर्नु मन पराउनुहुन्छ?**
> यस रिपोजिटरीमा ५०+ भाषा अनुवादहरू समावेश छन् जसले डाउनलोड आकार उल्लेखनीय रूपमा बढाउँछ। अनुवादहरू बिना क्लोन गर्न sparse checkout प्रयोग गर्नुहोस्:
> यो रिपोजिटरीमा ५०+ भाषा अनुवादहरू समावेश छन् जसले डाउनलोड साइजलाई धेरै बढाउँछ। अनुवाद बिना क्लोन गर्न, sparse checkout प्रयोग गर्नुहोस्:
> ```bash
> git clone --filter=blob:none --sparse https://github.com/microsoft/AI-For-Beginners.git
> cd AI-For-Beginners
> git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
> ```
> यसले तपाईंलाई कोर्स पूरा गर्न आवश्यक सबै सामग्री धेरै छिटो डाउनलोड गर्न दिन्छ।
> यसले तपाईंलाई कोर्स पूरा गर्न आवश्यक सबै कुराहरू चाँडो डाउनलोड गर्न दिन्छ।
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
**यदि तपाईं थप अनुवाद भाषाहरूलाई समर्थन गर्न चाहनुहुन्छ भने ती [यहाँ](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) सूचीबद्ध छन्**
**यदि तपाईं थप अनुवाद भाषाहरू थप्न चाहनुहुन्छ भने तिनीहरू [यहाँ](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) सूचीबद्ध छन्**
## कम्युनिटीमा सहभागी हुनुहोस्
## समुदायमा सामेल हुनुहोस्
[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
## तपाईं के सिक्नुहुनेछ
## तपाईंले के सिक्नुहुनेछ
**[कोर्सको माइन्डम्याप](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
**[कोर्सको माइण्डम्याप](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
यस पाठ्यक्रममा, तपाईंले सिक्नुहुनेछ:
यस पाठ्यक्रममा, तपाईंले सिक्नु हुनेछ:
* कृत्रिम बुद्धिमत्ताका विभिन्न दृष्टिकोणहरू, जसमा "पुरानो" प्रतीकात्मक दृष्टिकोण सहित **ज्ञान प्रतिनिधित्व** र तर्क ({GOFAI}).
* **न्यूरल नेटवर्कहरू** र **गहिरो सिकाइ**, जुन आधुनिक AI को केन्द्रमा छन्। हामी यी महत्त्वपूर्ण विषयहरूका सैद्धान्तिक पक्षहरूलाई दुई लोकप्रिय फ्रेमवर्कहरूमा कोडको माध्यमबाट देखाउनेछौं - [TensorFlow](http://Tensorflow.org) र [PyTorch](http://pytorch.org)।
* छविहरू र पाठसँग काम गर्न **न्यूरल आर्किटेक्चरहरू**। हामी हालका मोडेलहरू समेट्नेछौं तर सायद सबैभन्दा नयाँ अवस्था (state-of-the-art) मा केही कमी रहला।
* कम लोकप्रिय AI दृष्टिकोणहरू, जस्तै **जेनेटिक एल्गोरिदमहरू** र **बहु-एजेन्ट प्रणालीहरू**।
* कृत्रिम बुद्धिमत्ताका विभिन्न दृष्टिकोणहरू, “पुरानो” प्रतीकात्मक दृष्टिकोण सहित जुन **ज्ञान प्रस्तुति** र तर्क (reasoning) समावेश गर्दछ ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence))।
* आधुनिक AI को मूलमा रहेको **न्यूरल नेटवर्कहरू** र **डीप लर्निंग**। हामी यी महत्वपूर्ण विषयहरूका सिद्धान्तहरू दुई लोकप्रिय फ्रेमवर्कहरू - [TensorFlow](http://Tensorflow.org) र [PyTorch](http://pytorch.org) मा कोड प्रयोग गरी देखाउनेछौं।
* छविहरू र पाठसँग काम गर्न प्रयुक्त **न्यूरल संरचनाहरू**। हामी हालसालैका मोडेलहरू समेट्नेछौं तर सम्भवतः अत्याधुनिक अवस्थामा केही कम हुन सक्छ।
* कम प्रसिद्ध AI विधिहरू, जस्तै **जेनिटिक अल्गोरिदमहरू** र **बहु-एजेण्ट प्रणालीहरू**।
यस पाठ्यक्रममा हामी के समेट्ने छैनौं:
> [यस कोर्सका सबै थप स्रोतहरू Microsoft Learn को संग्रहमा फेला पार्नुहोस्](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
> [यस कोर्सका लागि सबै अतिरिक्त स्रोतहरू हाम्रो Microsoft Learn संग्रहमा फेला पार्नुहोस्](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
* **बिजनेसमा AI को प्रयोग**। यसका लागि [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) Microsoft Learn मा लिनुहोस्, वा [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum) जुन [INSEAD](https://www.insead.edu/) सँग सहकार्यमा विकास गरिएको छ।
* **क्लासिक मशीन लर्निङ** जुन हाम्रो [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners) मा राम्रोसँग वर्णन गरिएको छ।
* **व्यावहारिक AI अनुप्रयोगहरू**, जो **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** प्रयोग गरेर बनाइन्छ। यसका लागि Microsoft Learn का [दृष्टि](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [प्राकृतिक भाषा प्रक्रिया](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Azure OpenAI सेवा सँग जनरेटिभ AI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** लगायतका मोड्युलहरू सुरु गर्न सिफारिस गरिन्छ।
* विशिष्ट ML **क्लाउड फ्रेमवर्कहरू**, जस्तै [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), वा [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum)। यी सिक्न [Build and operate machine learning solutions with Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) र [Build and Operate Machine Learning Solutions with Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) लिन सकिन्छ।
* **संवादी AI** र **च्याट बोटहरू**। एक अलग [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) सिकाइ पथ छ, र थप विवरणका लागि [यस ब्लग पोस्ट](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) पनि हेर्न सक्नुहुन्छ।
* गहिरो सिकाइ पछाडि रहेको **गहिरो गणित**। यसको लागि हामी [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) लेखक Ian Goodfellow, Yoshua Bengio र Aaron Courville द्वारा लेखिएको सिफारिस गर्छौं, जुन अनलाइन पनि उपलब्ध छ [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/) मा।
* **व्यापारमा AI** को प्रयोगका व्यवसायिक केसहरू। यसको लागि Microsoft Learn मा [व्यापार प्रयोगकर्ताहरूका लागि AI परिचय](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) सिकाइ मार्ग लिनुहोस्, वा [AI व्यवसाय स्कूल](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), जुन [INSEAD](https://www.insead.edu/) सँग सहकार्यमा विकास गरिएको हो।
* **परम्परागत मेशिन लर्निंग**, जुन हाम्रो [सुरुवातकर्ताका लागि मेशिन लर्निंग पाठ्यक्रम](http://github.com/Microsoft/ML-for-Beginners) मा राम्रोसँग वर्णन गरिएको छ।
* **[Cogntive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** प्रयोग गरी बनेका व्यावहारिक AI एप्लिकेसनहरू। यसका लागि, हामी Microsoft Learn का भिजन, प्राकृतिक भाषा प्रक्रिया जस्ता मोड्युलहरू शुरू गर्न सिफारिस गर्छौं, र **[Azue OpenAI सेवा मार्फत जनरेटिभ AI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** पनि।
* विशेष ML **क्लाउड फ्रेमवर्कहरू**, जस्तै [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), वा [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum)। [Azure ML सेवा प्रयोग गरी मेशिन लर्निंग समाधानहरू निर्माण र संचालन](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) र [Azure Databricks प्रयोग गरेर समाधानहरू निर्माण र संचालन](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) सिकाइ मार्गअनुसार गर्न राम्रो।
* **कन्भर्सेशनल AI** र **च्याट बोटहरू**। यहाँ छुट्टै [कन्भर्सेशनल AI समाधानहरू बनाउने](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) सिकाइ मार्ग छ, साथै [यो ब्लग पोस्ट](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) मा विस्तृत विवरण पाउन सकिन्छ।
* डीप लर्निंगको पछाडिको **गहिरो गणित**। यसको लागि, हामी Ian Goodfellow, Yoshua Bengio र Aaron Courville को [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) पुस्तक सिफारिस गर्छौं, जुन अनलाइनमा पनि उपलब्ध छ [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/)।
_क्लाउडमा AI_ विषयहरूमा सौम्य परिचयका लागि [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) सिकाइ पथ लिन सक्नुहुन्छ।
_क्लाउडमा AI_ का लागि सौम्य परिचय चाहनुहुन्छ भने [Azure मा कृत्रिम बुद्धिमत्तासँग शुरुवात गर्ने](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) सिकाइ मार्ग पनि विचार गर्न सक्नुहुन्छ।
# सामग्री
| | पाठ लिंक | PyTorch/Keras/TensorFlow | प्रयोगशाला |
| | पाठ लिंक | PyTorch/Keras/TensorFlow | ल्याब |
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
| 0 | [कोर्स सेटअप](./lessons/0-course-setup/setup.md) | [तपाईंको विकास वातावरण सेटअप गर्नुहोस्](./lessons/0-course-setup/how-to-run.md) | |
| I | [**AI परिचय**](./lessons/1-Intro/README.md) | | |
| 01 | [AI को परिचय र इतिहास](./lessons/1-Intro/README.md) | - | - |
| II | **प्रतिनिधित्वात्मक AI** |
| 02 | [ज्ञान प्रतिनिधित्व र विशेषज्ञ प्रणालीहरू](./lessons/2-Symbolic/README.md) | [विशेषज्ञ प्रणालीहरू](./lessons/2-Symbolic/Animals.ipynb) / [अन्तरङ्ग](./lessons/2-Symbolic/FamilyOntology.ipynb) /[अवधारणा ग्राफ](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
| 01 | [AI परिचय र इतिहास](./lessons/1-Intro/README.md) | - | - |
| II | **प्रतीकात्मक AI** |
| 02 | [ज्ञान प्रस्तुति र विशेषज्ञ प्रणालीहरू](./lessons/2-Symbolic/README.md) | [विशेषज्ञ प्रणालीहरू](./lessons/2-Symbolic/Animals.ipynb) / [ओन्टोलोजी](./lessons/2-Symbolic/FamilyOntology.ipynb) /[धारणा ग्राफ](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
| III | [**न्यूरल नेटवर्कहरूको परिचय**](./lessons/3-NeuralNetworks/README.md) |||
| 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Notebook](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Lab](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
| 04 | [मल्टि-लेयर्ड पर्सेप्ट्रोन र हाम्रो आफ्नै फ्रेमवर्क सिर्जना गर्ने](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Notebook](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Lab](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
| 05 | [फ्रेमवर्कमा परिचय (PyTorch/TensorFlow) र ओभरफिटिङ](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
| IV | [**कम्प्युटर भिजन**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [माइक्रोसफ्ट अज्युरमा कम्प्युटर भिजन अन्वेषण गर्नुहोस्](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
| 06 | [कम्प्युटर भिजनमा परिचय। OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Notebook](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Lab](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
| 07 | [कन्वोलुसनल न्यूरल नेटवर्कहरू](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN आर्किटेक्चरहरू](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Lab](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
| 08 | [पूर्व-प्रशिक्षित नेटवर्कहरू र ट्रान्सफर लर्निङ](./lessons/4-ComputerVision/08-TransferLearning/README.md) र [Training Tricks](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
| 09 | [अटोएन्कोडरहरू र VAEहरू](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
| 10 | [जनरेटिभ एड्भर्सेरियल नेटवर्कहरू र कलात्मक शैली ट्रान्सफर](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
| 11 | [वस्तु पहिचान](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Lab](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
| 12 | [सेम्यान्टिक सेग्मेन्टेशन। U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | |
| V | [**प्राकृतिक भाषा प्रशोधन**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [माइक्रोसफ्ट अज्युरमा प्राकृतिक भाषा प्रशोधन अन्वेषण गर्नुहोस्](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
| 03 | [परसेप्ट्रोन](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [नोटबुक](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [प्रयोगशाला](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
| 04 | [बहु-स्तरीय परसेप्ट्रोन र हाम्रो आफ्नै फ्रेमवर्क बनाउने](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [नोटबुक](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [प्रयोगशाला](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
| 05 | [फ्रेमवर्कहरूको परिचय (PyTorch/TensorFlow) र ओभरफिटिङ](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [प्रयोगशाला](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
| IV | [**कम्प्युटर भिजन**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [माइक्रोसफ्ट अजरमा कम्प्युटर भिजन अन्वेषण गर्नुहोस्](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
| 06 | [कम्प्युटर भिजनको परिचय। OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [नोटबुक](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [प्रयोगशाला](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
| 07 | [कन्वोलुशनल न्यूरल नेटवर्कहरू](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN संरचनाहरू](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [प्रयोगशाला](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
| 08 | [पूर्व-प्रशिक्षित नेटवर्कहरू र ट्रान्सफर लर्निङ](./lessons/4-ComputerVision/08-TransferLearning/README.md) र [प्रशिक्षणका तरिकाहरू](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [प्रयोगशाला](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
| 09 | [अटोएनकोडरहरू र VAEहरू](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
| 10 | [जेनरेटिभ एड्भर्सेरियल नेटवर्कहरू र कलात्मक स्टाइल ट्रान्सफर](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
| 11 | [वस्तु पत्ता लगाउने](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [प्रयोगशाला](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
| 12 | [सिमान्टिक सेग्मेन्टेशन। U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | |
| V | [**प्राकृत भाषा प्रशोधन**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [माइक्रोसफ्ट अजरमा प्राकृतिक भाषा प्रशोधन अन्वेषण गर्नुहोस्](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
| 13 | [पाठ प्रतिनिधित्व। बो/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
| 14 | [सेम्यान्टिक शब्द एम्बेडिङहरू। Word2Vec र GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
| 15 | [भाषा मोडलिङ। आफ्नै एम्बेडिङ प्रशिक्षण](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [Lab](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
| 16 | [रकरेन्ट न्यूरल नेटवर्कहरू](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNTF.ipynb) | |
| 17 | [जनरेटिभ रकरेन्ट नेटवर्कहरू](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [Lab](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
| 14 | [सिमान्टिक शब्द एम्बेडिङहरू। Word2Vec र GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
| 15 | [भाषा मोडलिङ। आफ्नै एम्बेडिङहरू प्रशिक्षण](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [प्रयोगशाला](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
| 16 | [रेकरेन्ट न्यूरल नेटवर्कहरू](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNTF.ipynb) | |
| 17 | [जेनरेटिभ रेकरेन्ट नेटवर्कहरू](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [प्रयोगशाला](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
| 18 | [ट्रान्सफर्मरहरू। BERT।](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
| 19 | [नामित इकाई पहिचान](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Lab](./lessons/5-NLP/19-NER/lab/README.md) |
| 20 | [ठूला भाषा मोडलहरू, प्रम्प्ट प्रोग्रामिङ र केहि-शट कार्यहरू](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
| VI | **अन्य AI प्रविधिहरू** || |
| 21 | [जेनेटिक एल्गोरिदमहरू](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Notebook](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
| 22 | [गहिरो सुदृढीकरण सिकाइ](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [Lab](./lessons/6-Other/22-DeepRL/lab/README.md) |
| 23 | [मल्टि-एजेन्ट प्रणालीहरू](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
| VII | **AI एथिक्स** | | |
| 24 | [AI एथिक्स र जिम्मेवार AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Responsible AI Principles](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
| IX | **अतिरिक्तहरू** | | |
| 25 | [मल्टि-मोडल नेटवर्कहरू, CLIP र VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Notebook](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
| 19 | [नेम्ड एन्टिटी रेकग्निशन](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [प्रयोगशाला](./lessons/5-NLP/19-NER/lab/README.md) |
| 20 | [ठूला भाषा मोडेलहरू, प्रम्प्ट प्रोग्रामिङ र फ्यु-शट कार्यहरू](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
| VI | **अन्य AI प्रविधिहरु** || |
| 21 | [जेनेटिक एल्गोरिदमहरू](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [नोटबुक](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
| 22 | [डीप रिइन्फोर्समेन्ट लर्निङ](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [प्रयोगशाला](./lessons/6-Other/22-DeepRL/lab/README.md) |
| 23 | [बहु-एजेन्ट प्रणालीहरू](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
| VII | **एआई नैतिकता** | | |
| 24 | [एआई नैतिकता र जिम्मेवार एआई](./lessons/7-Ethics/README.md) | [Microsoft Learn: जिम्मेवार एआई सिद्धान्तहरू](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
| IX | **अतिरिक्त** | | |
| 25 | [बहु-मोडल नेटवर्कहरू, CLIP र VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [नोटबुक](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
## प्रत्येक पाठमा समावेश छ
## प्रत्येक पाठमा समावेश छन्
* पूर्व-पठन सामग्री
* कार्यान्वयन योग्य जुपिटर नोटबुकहरू, जुन प्रायः फ्रेमवर्क अनुसार विशेष हुन्छन् (**PyTorch** वा **TensorFlow**). कार्यान्वयन योग्य नोटबुकमा धेरै सैद्धान्तिक सामग्री पनि हुन्छ, त्यसैले विषय बुझ्न तपाईंले कम्तिमा एक संस्करणको नोटबुक (PyTorch वा TensorFlow) अवश्य हेर्नु पर्छ।
* केही विषयहरूका लागि उपलब्ध **प्रयोगशालाहरू**, जसले तपाईंलाई सिकेको सामग्रीलाई कुनै विशेष समस्यामा लागू गर्ने अवसर दिन्छ।
* केही खण्डहरूमा सम्बन्धित विषयहरू समेटिएका [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) मोड्यूलहरूको लिंकहरू छन्।
* कार्यान्वयन योग्य ज्युपिटर नोटबुकहरू, जुन प्रायः फ्रेमवर्क ( **PyTorch** वा **TensorFlow**) विशेष हुन्छन्। यो कार्यान्वयन योग्य नोटबुकमा धेरै सैद्धान्तिक सामग्री पनि हुन्छ, त्यसैले विषय बुझ्न तपाईंले न्यूनतम एक संस्करण नोटबुक (PyTorch वा TensorFlow) पढ्न आवश्यक छ।
* केही विषयका लागि उपलब्ध **प्रयोगशाला** जसले तपाईंलाई सिकेको सामग्रीलाई विशेष समस्यामा लागू गर्ने अवसर दिन्छ।
* केही खण्डहरूमा सम्बन्धित विषयहरू समेट्ने [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) मोड्युलहरूको लिंकहरू पनि छन्।
## सुरु गर्ने तरिका
## सुरु गर्नुहोस्
### 🎯 AI मा नयाँ? यहाँबाट सुरु गर्नुहोस्!
### 🎯 एआईमा नयाँ? यहाँबाट सुरु गर्नुहोस्!
यदि तपाईं पूर्ण रूपमा AI मा नयाँ हुनुहुन्छ र छिटो, प्रयोगात्मक उदाहरणहरू खोज्दै हुनुहुन्छ भने, हाम्रा [**शुरुवाती मैत्री उदाहरणहरू**](./examples/README.md) हेर्नुहोस्! यीमा समावेश छन्:
यदि तपाईं एआईमा पूर्ण नयाँ हुनुहुन्छ र छिटो, हातेमालो गर्ने उदाहरणहरू खोज्दै हुनुहुन्छ भने, हाम्रा [**शुरुवाती मैत्री उदाहरणहरू**](./examples/README.md) हेर्नुहोस्! जसमा समावेश छन्:
- 🌟 **Hello AI World** - तपाईंको पहिलो AI प्रोग्राम (प्याटर्न मान्यता)
- 🧠 **साधारण न्यूरल नेटवर्क** - शुन्यबाट न्यूरल नेटवर्क बनाउने
- 🖼️ **छवि वर्गीकर्ता** - विस्तृत टिप्पणीहरू सहित छविहरू वर्गीकरण गर्ने
- 💬 **पाठ भावना** - सकारात्मक/नकारात्मक पाठ विश्लेषण गर्नुहोस्
- 🌟 **हेलो एआई वर्ल्ड** - तपाईंको पहिलो एआई कार्यक्रम (पैटर्न मान्यता)
- 🧠 **साधारण न्यूरल नेटवर्क** - सुरुबाट न्यूरल नेटवर्क निर्माण गर्नुहोस्
यी उदाहरणहरू तपाईंलाई पूर्ण पाठ्यक्रममा डुब्नुअघि AI अवधारणाहरू बुझ्न सहयोग गर्न डिजाइन गरिएको हो।
- 🖼️ **छविहरू वर्गीकरण गर्ने** - विस्तृत टिप्पणीहरूसँग छविहरू वर्गीकरण गर्नुहोस्
- 💬 **पाठ भाव विश्लेषण** - सकारात्मक/नकारात्मक पाठ विश्लेषण गर्नुहोस्
### 📚 पूर्ण पाठ्यक्रम सेटअप
यी उदाहरणहरूले तपाईंलाई पूरा पाठ्यक्रममा डुब्नु अघि AI अवधारणाहरू बुझ्न मद्दत गर्ने गरी डिजाइन गरिएको हो।
- हामीले तपाईंलाई विकास वातावरण सेटअप गर्न सहयोगको लागि [सेटअप पाठ](./lessons/0-course-setup/setup.md) सिर्जना गरेका छौं। - शिक्षकहरूका लागि, हामीले तपाईंको लागि पनि [पाठ्यक्रम सेटअप पाठ](./lessons/0-course-setup/for-teachers.md) तयार पारेका छौं!
### 📚 पूरा पाठ्यक्रम सेटअप
- तपाईंको विकास वातावरण सेटअप गर्नको लागि हामीले [सेटअप पाठ](./lessons/0-course-setup/setup.md) सिर्जना गरेका छौं। - शिक्षकहरूको लागि, हामीले तपाईँका लागि [पाठ्यक्रम सेटअप पाठ](./lessons/0-course-setup/for-teachers.md) पनि तयार पारेका छौं!
- कसरी [VSCode वा Codespace मा कोड चलाउने](./lessons/0-course-setup/how-to-run.md)
यी चरणहरू पालन गर्नुहोस्:
यी चरणहरू पालना गर्नुहोस्:
रिपोजिटोरी फोर्क गर्नुहोस्: यस पृष्ठको माथिल्लो-दायाँ कुनामा रहेको "Fork" बटनमा क्लिक गर्नुहोस्।
रिपोजिटोरी फल्की गर्नुहोस्: यस पृष्ठको माथिल्लो-दायाँ कुनामा रहेको "Fork" बटनमा क्लिक गर्नुहोस्।
रिपोजिटोरी क्लोन गर्नुहोस्: `git clone https://github.com/microsoft/AI-For-Beginners.git`
पछि फेला पार्न सजिलो बनाउन यो रिपोमा स्टार (🌟) दिन नबिर्सनुहोस्।
पछाडि फेला पार्न सजिलो बनाउन यो रिपोमा स्टार (🌟) दिन नबिर्सनुहोस्।
## अन्य शिक्षार्थीहरूलाई भेट्नुहोस्
## अन्य सिक्नेहरूलाई भेट्नुहोस्
हाम्रो [आधिकारिक AI डिस्कार्ड सर्भर](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) मा सहभागी भएर यस कोर्स लिने अन्य शिक्षार्थीहरूसँग भेट्नुहोस् र नेटवर्क बनाउनुहोस् र सहयोग पाउनुहोस्।
यस कोर्स लिइरहेका अन्य सिक्नेहरूसँग भेट्न र नेटवर्क बनाउन हाम्रो [आधिकारिक AI Discord सर्भर](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) मा सामेल हुनुहोस् र सहयोग प्राप्त गर्नुहोस्।
यदि तपाईंले उत्पादन प्रतिक्रिया वा प्रश्नहरू हुनुहुन्छ भने हाम्रो [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) भ्रमण गर्नुहोस्
निर्माण गर्दा यदि तपाईंसँग उत्पादन प्रतिक्रिया वा प्रश्नहरू छन् भने हाम्रो [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) मा जानुहोस्।
## क्विजहरू
> **क्विजहरू बारे एउटा नोट**: सबै क्विजहरू Quiz-app फोल्डरमा etc\quiz-app मा समावेश छन्, वा [यहाँ अनलाइन](https://ff-quizzes.netlify.app/) उपलब्ध छन्। तिनीहरू पाठहरूबाट लिंक गरिएको छन्, क्विज एप स्थानीय रूपमा चलाउन वा Azure मा डिप्लोय गर्न सकिन्छ; `quiz-app` फोल्डरमा निर्देशनहरू अनुसरण गर्नुहोस्। तिनीहरू क्रमशः स्थानीयकरण हुँदैछन्।
> **क्विजहरू बारे एउटा नोट**: सबै क्विजहरू Quiz-app फोल्डर, etc\quiz-app मा छन्, वा [यहाँ अनलाइन](https://ff-quizzes.netlify.app/) छन्। ती पाठहरू भित्र लिंक गरिएका छन्। क्विज एप स्थानीय रूपमा चलाउन सकिन्छ वा Azure मा डिप्लोय गर्न सकिन्छ; `quiz-app` फोल्डरमा भएको निर्देशनहरू पालना गर्नुहोस्। ती क्रमशः स्थानीयकरण हुँदैछन्।
## सहयोग चाहिन्छ
के तपाईंसँग सुझावहरू छन् वा वर्तनी वा कोड त्रुटिहरू भेट्टाउनुभयो? समस्या उठाउनुहोस् वा पुल अनुरोध सिर्जना गर्नुहोस्।
के तपाईंसँग सुझावहरू छन् वा स्पेलिङ वा कोडमा त्रुटिहरू फेला पार्नु भयो? एउटा इश्यू उठाउनुहोस् वा पुल रिक्वेस्ट सिर्जना गर्नुहोस्।
## विशेष धन्यवाद
* **✍️ प्रमुख लेखक:** [Dmitry Soshnikov](http://soshnikov.com), PhD
* **✍️ मुख्य लेखक:** [Dmitry Soshnikov](http://soshnikov.com), PhD
* **🔥 सम्पादक:** [Jen Looper](https://twitter.com/jenlooper), PhD
* **🎨 स्केचनोट चित्रकार:** [Tomomi Imura](https://twitter.com/girlie_mac)
* **✅ क्विज सिर्जनाकर्ता:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
* **🙏 मूल योगदानकर्ता:** [Evgenii Pishchik](https://github.com/Pe4enIks)
* **✅ क्विज निर्माता:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
* **🙏 मुख्य योगदानकर्ता:** [Evgenii Pishchik](https://github.com/Pe4enIks)
## अन्य पाठ्यक्रमहरू
हाम्रो टोलीले अन्य पाठ्यक्रमहरू उत्पादन गर्छ! जाँच गर्नुहोस्:
हाम्रो टोलीले अन्य पाठ्यक्रमहरू उत्पादन गर्दछ! हेर्नुहोस्:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -189,7 +182,7 @@ _क्लाउडमा AI_ विषयहरूमा सौम्य पर
---
### जनरेटिभ AI शृंखला
### Generative AI Series
[![Generative AI for Beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[![Generative AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
@ -197,7 +190,7 @@ _क्लाउडमा AI_ विषयहरूमा सौम्य पर
---
### कोर सिकाइ
### Core Learning
[![ML for Beginners](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[![Data Science for Beginners](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[![AI for Beginners](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
@ -208,7 +201,7 @@ _क्लाउडमा AI_ विषयहरूमा सौम्य पर
---
### कोपिलट श्रृंखला
### Copilot Series
[![Copilot for AI Paired Programming](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[![Copilot for C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
@ -216,17 +209,17 @@ _क्लाउडमा AI_ विषयहरूमा सौम्य पर
## सहयोग पाउनुहोस्
यदि तपाईं अड्किनुभयो वा AI अनुप्रयोगहरू निर्माण गर्दा कुनै प्रश्न छ भने। MCP सम्बन्धी छलफलहरूमा सहपाठी शिक्षार्थीहरू र अनुभवी विकासकर्ताहरूसँग सहभागी हुनुहोस्। यो एक सहायक समुदाय हो जहाँ प्रश्नहरू स्वागतयोग्य छन् र ज्ञान स्वतन्त्र रूपमा साझा गरिन्छ।
यदि तपाईं अडकिनु भयो वा AI एपहरू निर्माण गर्ने बारे कुनै प्रश्न छ भने, MCP सम्बन्धी छलफलहरूमा अन्य सिक्नेहरू र अनुभवी विकासकर्ताहरूसँग मिल्नुहोस्। यो सहयोगी समुदाय हो जहाँ प्रश्नहरू स्वागतयोग्य छन् र ज्ञान स्वतन्त्र रूपमा साझा गरिन्छ।
[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
यदि निर्माण गर्दा तपाईंसँग उत्पादन प्रतिक्रिया वा त्रुटिहरू छन् भने:
निर्माण गर्दा उत्पादन प्रतिक्रिया वा त्रुटिहरू भएमा यहाँ जानुहोस्:
[![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum)
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**अस्वीकरण**:
यो कागजात AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरी अनुवाद गरिएको हो। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटि वा गलतफहमी हुन सक्दछ। मूल कागजात यसको मूल भाषामा आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीका लागि व्यावसायिक मानवीय अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न कुनै पनि गलतफहमी वा व्याख्यामा हामी जिम्मेवार हुनेछैनौं।
**अस्वीकरण**:
यो कागजातलाई AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको हो। हामी शुद्धताको लागि प्रयास गरिरहेका छौं, तर कृपया जान्नुहोस् कि स्वचालित अनुवादमा त्रुटि वा अशुद्धता समावेश हुनसक्छ। मूल कागजात यसको स्वदेशी भाषामा अधिकारिक स्रोत मानिनुपर्दछ। महत्वपूर्ण जानकारीका लागि, व्यावसायिक मानवीय अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलत बुझाइ वा गलत व्याख्याप्रति हामी जिम्मेवार छैनौं।
<!-- CO-OP TRANSLATOR DISCLAIMER END -->

9
translations/ne/SECURITY.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
"translation_date": "2025-08-26T07:56:19+00:00",
"source_file": "SECURITY.md",
"language_code": "ne"
}
-->
## सुरक्षा
माइक्रोसफ्टले आफ्ना सफ्टवेयर उत्पादन र सेवाहरूको सुरक्षा गम्भीरताका साथ लिन्छ, जसमा हाम्रो GitHub संगठनहरूद्वारा व्यवस्थापन गरिएका सबै स्रोत कोड रिपोजिटरीहरू समावेश छन्, जस्तै [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin), र [हाम्रो GitHub संगठनहरू](https://opensource.microsoft.com/)।

9
translations/ne/etc/CODE_OF_CONDUCT.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
"translation_date": "2025-08-26T11:17:22+00:00",
"source_file": "etc/CODE_OF_CONDUCT.md",
"language_code": "ne"
}
-->
# माइक्रोसफ्ट ओपन सोर्स आचार संहिता
यस परियोजनाले [माइक्रोसफ्ट ओपन सोर्स आचार संहिता](https://opensource.microsoft.com/codeofconduct/) अपनाएको छ।

9
translations/ne/etc/CONTRIBUTING.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
"translation_date": "2025-08-26T11:20:01+00:00",
"source_file": "etc/CONTRIBUTING.md",
"language_code": "ne"
}
-->
# योगदान गर्न
यो परियोजनाले योगदान र सुझावहरूलाई स्वागत गर्दछ। अधिकांश योगदानहरूका लागि तपाईंले योगदानकर्ता लाइसेन्स सम्झौता (CLA) मा सहमति जनाउन आवश्यक छ, जसले तपाईंलाई अधिकार छ र वास्तवमै हामीलाई तपाईंको योगदान प्रयोग गर्न अधिकार दिन्छ। थप विवरणको लागि, https://cla.microsoft.com मा जानुहोस्।

9
translations/ne/etc/Mindmap.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
"translation_date": "2025-08-26T11:23:01+00:00",
"source_file": "etc/Mindmap.md",
"language_code": "ne"
}
-->
# एआई
## [एआईको परिचय](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md)

9
translations/ne/etc/SUPPORT.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
"translation_date": "2025-08-26T11:16:30+00:00",
"source_file": "etc/SUPPORT.md",
"language_code": "ne"
}
-->
# समर्थन
## समस्या दर्ता गर्ने र सहयोग प्राप्त गर्ने तरिका

9
translations/ne/etc/TRANSLATIONS.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
"translation_date": "2025-08-26T11:18:38+00:00",
"source_file": "etc/TRANSLATIONS.md",
"language_code": "ne"
}
-->
# पाठहरू अनुवाद गरेर योगदान गर्नुहोस्
हामी यस पाठ्यक्रमका पाठहरूको अनुवादलाई स्वागत गर्दछौं!

9
translations/ne/etc/quiz-app/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
"translation_date": "2025-08-26T11:26:12+00:00",
"source_file": "etc/quiz-app/README.md",
"language_code": "ne"
}
-->
# क्विजहरू
यी क्विजहरू AI पाठ्यक्रमको लागि प्रि-र पोस्ट-लेक्चर क्विजहरू हुन् जुन https://aka.ms/ai-beginners मा उपलब्ध छ।

9
translations/ne/examples/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
"translation_date": "2025-10-03T11:29:19+00:00",
"source_file": "examples/README.md",
"language_code": "ne"
}
-->
# सुरु गर्न सजिलो एआई उदाहरणहरू
स्वागत छ! यो डाइरेक्टरीले एआई र मेसिन लर्निङमा सुरु गर्न मद्दत गर्ने सरल, स्वतन्त्र उदाहरणहरू समावेश गर्दछ। प्रत्येक उदाहरणलाई विस्तृत टिप्पणीहरू र चरणबद्ध व्याख्याका साथ सुरु गर्न सजिलो बनाइएको छ।

9
translations/ne/lessons/0-course-setup/for-teachers.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a094ef9927883de1cfcee51dbd143381",
"translation_date": "2025-08-26T11:12:33+00:00",
"source_file": "lessons/0-course-setup/for-teachers.md",
"language_code": "ne"
}
-->
# शिक्षकहरूका लागि
के तपाईं यो पाठ्यक्रम आफ्नो कक्षामा प्रयोग गर्न चाहनुहुन्छ? कृपया निःसंकोच प्रयोग गर्नुहोस्!

9
translations/ne/lessons/0-course-setup/how-to-run.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
"translation_date": "2026-01-15T13:12:45+00:00",
"source_file": "lessons/0-course-setup/how-to-run.md",
"language_code": "ne"
}
-->
# कोड कसरी चलाउने
यो पाठ्यक्रममा धेरै कार्यान्वयनयोग्य उदाहरणहरू र प्रयोगशाला छन् जुन तपाईंले चलाउन चाहनुहुन्छ। यसलाई गर्नका लागि, तपाईंलाई यो पाठ्यक्रमको एक हिस्सा स्वरूप उपलब्ध गराइएको Jupyter नोटबुकहरूमा Python कोड चलाउने क्षमता आवश्यक छ। तपाईंलाई कोड चलाउनका लागि कयौं विकल्पहरू उपलब्ध छन्:

9
translations/ne/lessons/0-course-setup/setup.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
"translation_date": "2025-12-12T19:34:23+00:00",
"source_file": "lessons/0-course-setup/setup.md",
"language_code": "ne"
}
-->
# यो पाठ्यक्रमसँग सुरु गर्दै
## के तपाईं विद्यार्थी हुनुहुन्छ?

9
translations/ne/lessons/1-Intro/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
"translation_date": "2025-11-18T21:10:11+00:00",
"source_file": "lessons/1-Intro/README.md",
"language_code": "ne"
}
-->
# एआईको परिचय
![एआईको परिचयको सामग्रीको डूडलमा सारांश](../../../../translated_images/ne/ai-intro.bf28d1ac4235881c.webp)

9
translations/ne/lessons/1-Intro/assignment.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
"translation_date": "2025-11-18T21:12:06+00:00",
"source_file": "lessons/1-Intro/assignment.md",
"language_code": "ne"
}
-->
# गेम जाम
खेलहरू एक यस्तो क्षेत्र हो जसमा AI र ML को विकासले ठूलो प्रभाव पारेको छ। यस असाइनमेन्टमा, तपाईले AI को विकासले प्रभाव पारेको तपाईलाई मनपर्ने कुनै खेलबारे छोटो लेख लेख्नुहोस्। यो खेल यति पुरानो हुनुपर्छ कि यसले विभिन्न प्रकारका कम्प्युटर प्रोसेसिङ प्रणालीहरूको प्रभाव अनुभव गरेको होस्। राम्रो उदाहरणहरूमा चेस वा गो समावेश छन्, तर भिडियो गेमहरू जस्तै पङ वा प्याक-म्यान पनि हेर्नुहोस्। लेखमा खेलको विगत, वर्तमान, र AI को भविष्यबारे चर्चा गर्नुहोस्।

17
translations/ne/lessons/2-Symbolic/README.md
View File

@ -1,15 +1,6 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
"translation_date": "2026-01-15T13:14:13+00:00",
"source_file": "lessons/2-Symbolic/README.md",
"language_code": "ne"
}
-->
# ज्ञान प्रस्तुतीकरण र विशेषज्ञ प्रणालीहरू
![संकेतिक AI सामग्रीको सारांश](../../../../../../translated_images/ne/ai-symbolic.715a30cb610411a6.webp)
![संकेतिक AI सामग्रीको सारांश](../../../../translated_images/ne/ai-symbolic.715a30cb610411a6.webp)
> स्केचनोट द्वारा [टोमोमी इमुरा](https://twitter.com/girlie_mac)
@ -41,7 +32,7 @@ AI को प्रारम्भिक दिनहरूमा, बुद्
त्यसैले, **ज्ञान प्रस्तुतीकरण** को समस्या कम्प्युटर भित्र डेटा को रूपमा ज्ञानलाई प्रभावकारी रूपमा प्रस्तुत गर्ने तरिका खोज्नु हो, जसले स्वतः प्रयोग सक्षम बनाओस्। यसलाई एक स्पेक्ट्रमको रूपमा हेर्न सकिन्छ:
![ज्ञान प्रस्तुतीकरण स्पेक्ट्रम](../../../../../../translated_images/ne/knowledge-spectrum.b60df631852c0217.webp)
![ज्ञान प्रस्तुतीकरण स्पेक्ट्रम](../../../../translated_images/ne/knowledge-spectrum.b60df631852c0217.webp)
> चित्र द्वारा [डमित्री सोस्नीकोव](http://soshnikov.com)
@ -94,7 +85,7 @@ Block Syntax | Indent | | |
संकेतिक AI का प्रारम्भिक सफलताहरू मध्ये एक थिए भनिने **विशेषज्ञ प्रणालीहरू** - कम्प्युटर प्रणालीहरू जुन सीमित समस्या क्षेत्रमा एक विशेषज्ञको रूपमा काम गर्न डिजाइन गरिएका थिए। तिनीहरू कसै एक वा बढी मानव विशेषज्ञबाट निकालेको **ज्ञान आधार** मा आधारित थिए, र तिनीहरू सँग **तर्क इञ्जिन** थियो जसले त्यस माथि केही तर्क गर्छ।
![मानव संरचना](../../../../../../translated_images/ne/arch-human.5d4d35f1bba3ab1c.webp) | ![ज्ञान-आधारित प्रणाली](../../../../../../translated_images/ne/arch-kbs.3ec5c150b09fa8da.webp)
![मानव संरचना](../../../../translated_images/ne/arch-human.5d4d35f1bba3ab1c.webp) | ![ज्ञान-आधारित प्रणाली](../../../../translated_images/ne/arch-kbs.3ec5c150b09fa8da.webp)
---------------------------------------------|------------------------------------------------
मानव स्नायु प्रणालीको सरल संरचना | ज्ञान-आधारित प्रणालीको वास्तुकला
@ -106,7 +97,7 @@ Block Syntax | Indent | | |
उदाहरणका लागि, एउटा जनावरको शारीरिक विशेषताहरूका आधारमा जनावर पहिचान गर्ने विशेषज्ञ प्रणाली लिऔं:
![AND-OR वृक्ष](../../../../../../translated_images/ne/AND-OR-Tree.5592d2c70187f283.webp)
![AND-OR वृक्ष](../../../../translated_images/ne/AND-OR-Tree.5592d2c70187f283.webp)
> चित्र द्वारा [डमित्री सोस्नीकोव](http://soshnikov.com)

9
translations/ne/lessons/2-Symbolic/assignment.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a057a8604f3976c3e309884453f1fad0",
"translation_date": "2025-08-26T11:07:18+00:00",
"source_file": "lessons/2-Symbolic/assignment.md",
"language_code": "ne"
}
-->
# ओन्टोलोजी निर्माण गर्नुहोस्
ज्ञान आधार निर्माण गर्नु भनेको कुनै विषयको तथ्यहरू प्रतिनिधित्व गर्ने मोडेललाई वर्गीकृत गर्नु हो। कुनै विषय चयन गर्नुहोस् - जस्तै व्यक्ति, स्थान, वा वस्तु - र त्यस विषयको मोडेल निर्माण गर्नुहोस्। यस पाठमा वर्णन गरिएका केही प्रविधिहरू र मोडेल निर्माण रणनीतिहरू प्रयोग गर्नुहोस्। एउटा उदाहरण भनेको फर्निचर, बत्तीहरू आदि सहितको बैठक कोठाको ओन्टोलोजी निर्माण गर्नु हो। बैठक कोठा भान्साकोठाबाट कसरी फरक छ? बाथरूमबाट? तपाईंलाई कसरी थाहा हुन्छ कि यो बैठक कोठा हो र भोजन कोठा होइन? आफ्नो ओन्टोलोजी निर्माण गर्न [Protégé](https://protege.stanford.edu/) प्रयोग गर्नुहोस्।

13
translations/ne/lessons/3-NeuralNetworks/03-Perceptron/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
"translation_date": "2025-09-23T07:21:48+00:00",
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
"language_code": "ne"
}
-->
# न्यूरल नेटवर्कको परिचय: परसेप्ट्रोन
## [पूर्व-व्याख्यान क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/5)
@ -15,7 +6,7 @@ CO_OP_TRANSLATOR_METADATA:
| | |
|--------------|-----------|
|<img src='images/Rosenblatt-wikipedia.jpg' alt='फ्र्यांक रोसेनब्लाट'/> | <img src='images/Mark_I_perceptron_wikipedia.jpg' alt='मार्क 1 परसेप्ट्रोन' />|
|<img src='../../../../../translated_images/ne/Rosenblatt-wikipedia.294821b285ac796d.webp' alt='फ्र्यांक रोसेनब्लाट'/> | <img src='../../../../../translated_images/ne/Mark_I_perceptron_wikipedia.1f84eaa2d4b76ec9.webp' alt='मार्क 1 परसेप्ट्रोन' />|
> तस्बिरहरू [विकिपीडिया](https://en.wikipedia.org/wiki/Perceptron) बाट
@ -34,7 +25,7 @@ y(x) = f(w<sup>T</sup>x)
जहाँ f एक स्टेप सक्रियता (activation) फङ्क्शन हो।
<!-- img src="http://www.sciweavers.org/tex2img.php?eq=f%28x%29%20%3D%20%5Cbegin%7Bcases%7D%0A%20%20%20%20%20%20%20%20%20%2B1%20%26%20x%20%5Cgeq%200%20%5C%5C%0A%20%20%20%20%20%20%20%20%20-1%20%26%20x%20%3C%200%0A%20%20%20%20%20%20%20%5Cend%7Bcases%7D%20%5C%5C%0A&bc=White&fc=Black&im=jpg&fs=12&ff=arev&edit=0" align="center" border="0" alt="f(x) = \begin{cases} +1 & x \geq 0 \\ -1 & x < 0 \end{cases} \\" width="154" height="50" / -->
<img src="images/activation-func.png"/>
<img src="../../../../../translated_images/ne/activation-func.b4924007c7ce7764.webp"/>
## परसेप्ट्रोनलाई तालिम दिने

9
translations/ne/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
"translation_date": "2025-08-29T06:49:32+00:00",
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
"language_code": "ne"
}
-->
# परसेप्ट्रोनसँग बहु-वर्ग वर्गीकरण
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) बाट ल्याब असाइनमेन्ट।

11
translations/ne/lessons/3-NeuralNetworks/04-OwnFramework/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
"translation_date": "2025-09-23T07:21:25+00:00",
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
"language_code": "ne"
}
-->
# न्युरल नेटवर्कको परिचय। मल्टि-लेयर्ड पर्सेप्ट्रोन
अघिल्लो खण्डमा, तपाईंले सबैभन्दा सरल न्युरल नेटवर्क मोडेल - एक-स्तरीय पर्सेप्ट्रोन, एक रेखीय दुई-वर्ग वर्गीकरण मोडेलको बारेमा सिक्नुभयो।
@ -65,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA:
ध्यान दिनुहोस् कि यी सबै अभिव्यक्तिहरूको बाँया-पक्षीय भाग उस्तै छ, र यसरी हामी प्रभावकारी रूपमा लस फङ्सनबाट सुरु गरेर "पछाडि" कम्प्युटेशनल ग्राफ मार्फत डेरिभेटिभहरू गणना गर्न सक्छौं। यसरी मल्टि-लेयर्ड पर्सेप्ट्रोनको प्रशिक्षण विधिलाई **backpropagation**, वा 'backprop' भनिन्छ।
<img alt="compute graph" src="images/ComputeGraphGrad.png"/>
<img alt="compute graph" src="../../../../../translated_images/ne/ComputeGraphGrad.4626252c0de03507.webp"/>
> TODO: चित्र स्रोत

9
translations/ne/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
"translation_date": "2025-08-26T10:29:31+00:00",
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
"language_code": "ne"
}
-->
# हाम्रो आफ्नै फ्रेमवर्क प्रयोग गरेर MNIST वर्गीकरण
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) बाट ल्याब असाइनमेन्ट।

9
translations/ne/lessons/3-NeuralNetworks/05-Frameworks/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "ddd216f558a255260a9374008002c971",
"translation_date": "2025-09-23T07:22:09+00:00",
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
"language_code": "ne"
}
-->
# न्युरल नेटवर्क फ्रेमवर्कहरू
जसरी हामीले पहिले नै सिकेका छौं, न्युरल नेटवर्कलाई प्रभावकारी रूपमा प्रशिक्षण गर्न हामीले दुई कुराहरू गर्नुपर्छ:

9
translations/ne/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "e452d897efb9a89700f41021834cf6e5",
"translation_date": "2025-08-26T10:35:30+00:00",
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
"language_code": "ne"
}
-->
# PyTorch/TensorFlow प्रयोग गरेर वर्गीकरण
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) बाट ल्याब असाइनमेन्ट।

9
translations/ne/lessons/3-NeuralNetworks/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
"translation_date": "2025-10-03T12:45:53+00:00",
"source_file": "lessons/3-NeuralNetworks/README.md",
"language_code": "ne"
}
-->
# न्युरल नेटवर्कको परिचय
![न्युरल नेटवर्कको सामग्रीको सारांश एक चित्रमा](../../../../translated_images/ne/ai-neuralnetworks.1c687ae40bc86e83.webp)

11
translations/ne/lessons/4-ComputerVision/06-IntroCV/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "feeca98225cb420afc89415f24f63d92",
"translation_date": "2025-09-23T07:16:30+00:00",
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
"language_code": "ne"
}
-->
# कम्प्युटर भिजनको परिचय
[कम्प्युटर भिजन](https://wikipedia.org/wiki/Computer_vision) एउटा क्षेत्र हो जसको उद्देश्य कम्प्युटरलाई डिजिटल छविहरूको उच्च-स्तरीय बुझाइ दिनु हो। यो परिभाषा धेरै व्यापक छ किनभने *बुझाइ* ले धेरै फरक कुराहरू जनाउन सक्छ, जस्तै तस्बिरमा वस्तु पत्ता लगाउने (**वस्तु पहिचान**), के भइरहेको छ बुझ्ने (**घटना पहिचान**), तस्बिरलाई पाठमा वर्णन गर्ने, वा दृश्यलाई 3D मा पुनर्निर्माण गर्ने। मानव छविसँग सम्बन्धित विशेष कार्यहरू पनि छन्: उमेर र भावनाको अनुमान, अनुहार पहिचान र चिन्नु, र 3D पोज अनुमान, केही उदाहरणका लागि।
@ -115,7 +106,7 @@ AI शोको [यो भिडियो](https://docs.microsoft.com/shows/ai-
यस प्रयोगशालामा, तपाईंले सरल इशाराहरू भएको भिडियो लिनेछ, र तपाईंको लक्ष्य अप्टिकल फ्लो प्रयोग गरेर माथि/तल/बायाँ/दायाँ गति निकाल्नु हो।
<img src="images/palm-movement.png" width="30%" alt="पाम मूभमेन्ट फ्रेम"/>
<img src="../../../../../translated_images/ne/palm-movement.341495f0e9c47da3.webp" width="30%" alt="पाम मूभमेन्ट फ्रेम"/>
---

9
translations/ne/lessons/4-ComputerVision/06-IntroCV/lab/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "3d53d6409f80970f7281a45dee35328a",
"translation_date": "2025-08-26T09:41:14+00:00",
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
"language_code": "ne"
}
-->
# अप्टिकल फ्लो प्रयोग गरेर चाल पत्ता लगाउने
[AI for Beginners Curriculum](https://aka.ms/ai-beginners) बाट ल्याब असाइनमेन्ट।

13
translations/ne/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
"translation_date": "2025-09-23T07:15:50+00:00",
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
"language_code": "ne"
}
-->
# प्रख्यात CNN आर्किटेक्चरहरू
### VGG-16
@ -25,7 +16,7 @@ VGG-16 एक नेटवर्क हो जसले २०१४ मा Imag
ResNet माइक्रोसफ्ट रिसर्चद्वारा २०१५ मा प्रस्ताव गरिएको मोडेलहरूको परिवार हो। ResNet को मुख्य विचार **residual blocks** प्रयोग गर्नु हो:
<img src="images/resnet-block.png" width="300"/>
<img src="../../../../../translated_images/ne/resnet-block.aba4ccbcc0944434.webp" width="300"/>
> [यस पेपर](https://arxiv.org/pdf/1512.03385.pdf) बाट छवि
@ -37,7 +28,7 @@ Identity पास-थ्रु प्रयोग गर्ने कारण
Google Inception आर्किटेक्चरले यस विचारलाई अझ अगाडि बढाउँछ, र प्रत्येक नेटवर्क लेयरलाई विभिन्न पथहरूको संयोजनको रूपमा निर्माण गर्दछ:
<img src="images/inception.png" width="400"/>
<img src="../../../../../translated_images/ne/inception.a6605b85bcbc6f52.webp" width="400"/>
> [Researchgate](https://www.researchgate.net/figure/Inception-module-with-dimension-reductions-left-and-schema-for-Inception-ResNet-v1_fig2_355547454) बाट छवि

11
translations/ne/lessons/4-ComputerVision/07-ConvNets/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a560d5b845962cf33dc102266e409568",
"translation_date": "2025-09-23T07:15:35+00:00",
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
"language_code": "ne"
}
-->
# Convolutional Neural Networks
हामीले पहिले देखिसकेका छौं कि न्युरल नेटवर्कहरू छविहरूसँग काम गर्न निकै राम्रो छन्, र एक तहको परसेप्ट्रोनले पनि MNIST डेटासेटबाट हस्तलेखन गरिएको अंकहरू उचित शुद्धतासँग चिन्हित गर्न सक्षम छ। तर, MNIST डेटासेट विशेष छ, र सबै अंकहरू छविको बीचमा केन्द्रित छन्, जसले कार्यलाई सरल बनाउँछ।
@ -24,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA:
उदाहरणका लागि, यदि हामी 3x3 ठाडो किनारा र तेर्सो किनारा फिल्टरहरू MNIST अंकहरूमा लागू गर्छौं भने, हामी मूल छविमा ठाडो र तेर्सो किनाराहरू भएको ठाउँमा हाइलाइटहरू (जस्तै उच्च मानहरू) प्राप्त गर्न सक्छौं। त्यसैले ती दुई फिल्टरहरू किनाराहरू "खोज्न" प्रयोग गर्न सकिन्छ। यसैगरी, हामी अन्य तल्लो-स्तरका ढाँचाहरू खोज्न विभिन्न फिल्टरहरू डिजाइन गर्न सक्छौं:
<img src="images/lmfilters.jpg" width="500" align="center"/>
<img src="../../../../../translated_images/ne/lmfilters.ea9e4868a82cf74c.webp" width="500" align="center"/>
> [Leung-Malik Filter Bank](https://www.robots.ox.ac.uk/~vgg/research/texclass/filters.html) को छवि

9
translations/ne/lessons/4-ComputerVision/07-ConvNets/lab/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "b70fcf7fcee862990f848c679090943f",
"translation_date": "2025-10-03T14:53:58+00:00",
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
"language_code": "ne"
}
-->
# पाल्तु जनावरको अनुहारको वर्गीकरण
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) बाट ल्याब असाइनमेन्ट।

9
translations/ne/lessons/4-ComputerVision/08-TransferLearning/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
"translation_date": "2025-09-23T07:16:08+00:00",
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
"language_code": "ne"
}
-->
# प्रि-ट्रेन गरिएको नेटवर्कहरू र ट्रान्सफर लर्निङ
CNN प्रशिक्षण गर्न धेरै समय लाग्न सक्छ, र त्यसका लागि धेरै डेटा आवश्यक हुन्छ। तर, धेरै समय नेटवर्कले तल्लो-स्तरका फिल्टरहरू सिक्नमा खर्च हुन्छ, जसले छविबाट ढाँचा निकाल्न मद्दत गर्छ। एउटा स्वाभाविक प्रश्न उठ्छ - के हामी एउटा डेटासेटमा प्रशिक्षित न्यूरल नेटवर्कलाई प्रयोग गरेर फरक छविहरू वर्गीकरण गर्न अनुकूलित गर्न सक्छौं, पूर्ण प्रशिक्षण प्रक्रिया बिना?

9
translations/ne/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
"translation_date": "2025-08-26T09:49:36+00:00",
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
"language_code": "ne"
}
-->
# डीप लर्निङ प्रशिक्षणका तरिकाहरू
जति जति न्यूरल नेटवर्कहरू गहिरो हुँदै जान्छन्, तिनीहरूको प्रशिक्षण प्रक्रिया झन् चुनौतीपूर्ण बन्दै जान्छ। एउटा मुख्य समस्या भनेको [vanishing gradients](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) वा [exploding gradients](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.) हो। [यो पोस्ट](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) ले यी समस्याहरूको राम्रो परिचय दिन्छ।

9
translations/ne/lessons/4-ComputerVision/08-TransferLearning/lab/README.md
View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
"translation_date": "2025-08-26T09:53:14+00:00",
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
"language_code": "ne"
}
-->
# ट्रान्सफर लर्निङ प्रयोग गरेर अक्सफोर्ड पालतू जनावरहरूको वर्गीकरण
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) बाट ल्याब असाइनमेन्ट।

Some files were not shown because too many files have changed in this diff Show More