{"owner":"microsoft","repo":"ML-For-Beginners","hasSkills":true,"totalSkillsCount":109,"totalTokensCount":72190,"categories":["root-instruction","plugin-manifest"],"hasMcp":false,"mcpConfig":null,"found":["AGENTS.md","translations/cs/2-Regression/1-Tools/README.md","translations/ar/2-Regression/1-Tools/README.md","2-Regression/1-Tools/solution/Julia/README.md","2-Regression/1-Tools/README.md","translations/da/2-Regression/1-Tools/README.md","translations/bn/2-Regression/1-Tools/README.md","translations/es/2-Regression/1-Tools/README.md","translations/et/2-Regression/1-Tools/README.md","translations/fa/2-Regression/1-Tools/README.md","translations/fi/2-Regression/1-Tools/README.md","translations/fr/2-Regression/1-Tools/README.md","translations/he/2-Regression/1-Tools/README.md","translations/hi/2-Regression/1-Tools/README.md","translations/hr/2-Regression/1-Tools/README.md","translations/hu/2-Regression/1-Tools/README.md","translations/id/2-Regression/1-Tools/README.md","translations/it/2-Regression/1-Tools/README.md","translations/ja/2-Regression/1-Tools/README.md","translations/km/2-Regression/1-Tools/README.md","translations/kn/2-Regression/1-Tools/README.md","translations/ko/2-Regression/1-Tools/README.md","translations/lt/2-Regression/1-Tools/README.md","translations/ml/2-Regression/1-Tools/README.md","translations/mr/2-Regression/1-Tools/README.md","translations/ms/2-Regression/1-Tools/README.md","translations/my/2-Regression/1-Tools/README.md","translations/ne/2-Regression/1-Tools/README.md","translations/nl/2-Regression/1-Tools/README.md","translations/no/2-Regression/1-Tools/README.md","translations/pa/2-Regression/1-Tools/README.md","translations/pcm/2-Regression/1-Tools/README.md","translations/pl/2-Regression/1-Tools/README.md","translations/pt-BR/2-Regression/1-Tools/README.md","translations/pt-PT/2-Regression/1-Tools/README.md","translations/ro/2-Regression/1-Tools/README.md","translations/ru/2-Regression/1-Tools/README.md","translations/sk/2-Regression/1-Tools/README.md","translations/sl/2-Regression/1-Tools/README.md","translations/sr/2-Regression/1-Tools/README.md","translations/sv/2-Regression/1-Tools/README.md","translations/sw/2-Regression/1-Tools/README.md","translations/ta/2-Regression/1-Tools/README.md","translations/te/2-Regression/1-Tools/README.md","translations/th/2-Regression/1-Tools/README.md","translations/tl/2-Regression/1-Tools/README.md","translations/tr/2-Regression/1-Tools/README.md","translations/uk/2-Regression/1-Tools/README.md","translations/ur/2-Regression/1-Tools/README.md","translations/vi/2-Regression/1-Tools/README.md","translations/zh-CN/2-Regression/1-Tools/README.md","translations/zh-HK/2-Regression/1-Tools/README.md","translations/zh-MO/2-Regression/1-Tools/README.md","translations/zh-TW/2-Regression/1-Tools/README.md","translations/ar/2-Regression/1-Tools/solution/Julia/README.md","translations/bg/2-Regression/1-Tools/solution/Julia/README.md","translations/bn/2-Regression/1-Tools/solution/Julia/README.md","translations/cs/2-Regression/1-Tools/solution/Julia/README.md","translations/da/2-Regression/1-Tools/solution/Julia/README.md","translations/de/2-Regression/1-Tools/solution/Julia/README.md","translations/el/2-Regression/1-Tools/solution/Julia/README.md","translations/en/2-Regression/1-Tools/solution/Julia/README.md","translations/es/2-Regression/1-Tools/solution/Julia/README.md","translations/et/2-Regression/1-Tools/solution/Julia/README.md","translations/fa/2-Regression/1-Tools/solution/Julia/README.md","translations/fi/2-Regression/1-Tools/solution/Julia/README.md","translations/fr/2-Regression/1-Tools/solution/Julia/README.md","translations/he/2-Regression/1-Tools/solution/Julia/README.md","translations/hi/2-Regression/1-Tools/solution/Julia/README.md","translations/hr/2-Regression/1-Tools/solution/Julia/README.md","translations/hu/2-Regression/1-Tools/solution/Julia/README.md","translations/id/2-Regression/1-Tools/solution/Julia/README.md","translations/it/2-Regression/1-Tools/solution/Julia/README.md","translations/ja/2-Regression/1-Tools/solution/Julia/README.md","translations/km/2-Regression/1-Tools/solution/Julia/README.md","translations/kn/2-Regression/1-Tools/solution/Julia/README.md","translations/ko/2-Regression/1-Tools/solution/Julia/README.md","translations/lt/2-Regression/1-Tools/solution/Julia/README.md","translations/ml/2-Regression/1-Tools/solution/Julia/README.md","translations/mr/2-Regression/1-Tools/solution/Julia/README.md","translations/ms/2-Regression/1-Tools/solution/Julia/README.md","translations/my/2-Regression/1-Tools/solution/Julia/README.md","translations/ne/2-Regression/1-Tools/solution/Julia/README.md","translations/nl/2-Regression/1-Tools/solution/Julia/README.md","translations/no/2-Regression/1-Tools/solution/Julia/README.md","translations/pa/2-Regression/1-Tools/solution/Julia/README.md","translations/pcm/2-Regression/1-Tools/solution/Julia/README.md","translations/pl/2-Regression/1-Tools/solution/Julia/README.md","translations/pt-BR/2-Regression/1-Tools/solution/Julia/README.md","translations/pt-PT/2-Regression/1-Tools/solution/Julia/README.md","translations/ro/2-Regression/1-Tools/solution/Julia/README.md","translations/ru/2-Regression/1-Tools/solution/Julia/README.md","translations/sk/2-Regression/1-Tools/solution/Julia/README.md","translations/sl/2-Regression/1-Tools/solution/Julia/README.md","translations/sr/2-Regression/1-Tools/solution/Julia/README.md","translations/sv/2-Regression/1-Tools/solution/Julia/README.md","translations/sw/2-Regression/1-Tools/solution/Julia/README.md","translations/ta/2-Regression/1-Tools/solution/Julia/README.md","translations/te/2-Regression/1-Tools/solution/Julia/README.md","translations/th/2-Regression/1-Tools/solution/Julia/README.md","translations/tl/2-Regression/1-Tools/solution/Julia/README.md","translations/tr/2-Regression/1-Tools/solution/Julia/README.md","translations/uk/2-Regression/1-Tools/solution/Julia/README.md","translations/ur/2-Regression/1-Tools/solution/Julia/README.md","translations/vi/2-Regression/1-Tools/solution/Julia/README.md","translations/zh-CN/2-Regression/1-Tools/solution/Julia/README.md","translations/zh-HK/2-Regression/1-Tools/solution/Julia/README.md","translations/zh-MO/2-Regression/1-Tools/solution/Julia/README.md","translations/zh-TW/2-Regression/1-Tools/solution/Julia/README.md"],"skills":{"AGENTS.md":"# AGENTS.md\n\n## Project Overview\n\nThis is **Machine Learning for Beginners**, a comprehensive 12-week, 26-lesson curriculum covering classic machine learning concepts using Python (primarily with Scikit-learn) and R. The repository is designed as a self-paced learning resource with hands-on projects, quizzes, and assignments. Each lesson explores ML concepts through real-world data from various cultures and regions worldwide.\n\nKey components:\n- **Educational Content**: 26 lessons covering introduction to ML, regression, classification, clustering, NLP, time series, and reinforcement learning\n- **Quiz Application**: Vue.js-based quiz app with pre- and post-lesson assessments\n- **Multi-language Support**: Automated translations to 40+ languages via GitHub Actions\n- **Dual Language Support**: Lessons available in both Python (Jupyter notebooks) and R (R Markdown files)\n- **Project-Based Learning**: Each topic includes practical projects and assignments\n\n## Repository Structure\n\n```\nML-For-Beginners/\n├── 1-Introduction/         # ML basics, history, fairness, techniques\n├── 2-Regression/          # Regression models with Python/R\n├── 3-Web-App/            # Flask web app for ML model deployment\n├── 4-Classification/      # Classification algorithms\n├── 5-Clustering/         # Clustering techniques\n├── 6-NLP/               # Natural Language Processing\n├── 7-TimeSeries/        # Time series forecasting\n├── 8-Reinforcement/     # Reinforcement learning\n├── 9-Real-World/        # Real-world ML applications\n├── quiz-app/           # Vue.js quiz application\n├── translations/       # Auto-generated translations\n└── sketchnotes/       # Visual learning aids\n```\n\nEach lesson folder typically contains:\n- `README.md` - Main lesson content\n- `notebook.ipynb` - Python Jupyter notebook\n- `solution/` - Solution code (Python and R versions)\n- `assignment.md` - Practice exercises\n- `images/` - Visual resources\n\n## Setup Commands\n\n### For Python Lessons\n\nMost lessons use Jupyter notebooks. Install required dependencies:\n\n```bash\n# Install Python 3.8+ if not already installed\npython --version\n\n# Install Jupyter\npip install jupyter\n\n# Install common ML libraries\npip install scikit-learn pandas numpy matplotlib seaborn\n\n# For specific lessons, check lesson-specific requirements\n# Example: Web App lesson\npip install flask\n```\n\n### For R Lessons\n\nR lessons are in `solution/R/` folders as `.rmd` or `.ipynb` files:\n\n```bash\n# Install R and required packages\n# In R console:\ninstall.packages(c(\"tidyverse\", \"tidymodels\", \"caret\"))\n```\n\n### For Quiz Application\n\nThe quiz app is a Vue.js application located in the `quiz-app/` directory:\n\n```bash\ncd quiz-app\nnpm install\n```\n\n### For Documentation Site\n\nTo run the documentation locally:\n\n```bash\n# Install Docsify\nnpm install -g docsify-cli\n\n# Serve from repository root\ndocsify serve\n\n# Access at http://localhost:3000\n```\n\n## Development Workflow\n\n### Working with Lesson Notebooks\n\n1. Navigate to the lesson directory (e.g., `2-Regression/1-Tools/`)\n2. Open the Jupyter notebook:\n   ```bash\n   jupyter notebook notebook.ipynb\n   ```\n3. Work through the lesson content and exercises\n4. Check solutions in the `solution/` folder if needed\n\n### Python Development\n\n- Lessons use standard Python data science libraries\n- Jupyter notebooks for interactive learning\n- Solution code available in each lesson's `solution/` folder\n\n### R Development\n\n- R lessons are in `.rmd` format (R Markdown)\n- Solutions located in `solution/R/` subdirectories\n- Use RStudio or Jupyter with R kernel to run R notebooks\n\n### Quiz Application Development\n\n```bash\ncd quiz-app\n\n# Start development server\nnpm run serve\n# Access at http://localhost:8080\n\n# Build for production\nnpm run build\n\n# Lint and fix files\nnpm run lint\n```\n\n## Testing Instructions\n\n### Quiz Application Testing\n\n```bash\ncd quiz-app\n\n# Lint code\nnpm run lint\n\n# Build to verify no errors\nnpm run build\n```\n\n**Note**: This is primarily an educational curriculum repository. There are no automated tests for lesson content. Validation is done through:\n- Completing lesson exercises\n- Running notebook cells successfully\n- Checking output against expected results in solutions\n\n## Code Style Guidelines\n\n### Python Code\n- Follow PEP 8 style guidelines\n- Use clear, descriptive variable names\n- Include comments for complex operations\n- Jupyter notebooks should have markdown cells explaining concepts\n\n### JavaScript/Vue.js (Quiz App)\n- Follows Vue.js style guide\n- ESLint configuration in `quiz-app/package.json`\n- Run `npm run lint` to check and auto-fix issues\n\n### Documentation\n- Markdown files should be clear and well-structured\n- Include code examples in fenced code blocks\n- Use relative links for internal references\n- Follow existing formatting conventions\n\n## Build and Deployment\n\n### Quiz Application Deployment\n\nThe quiz app can be deployed to Azure Static Web Apps:\n\n1. **Prerequisites**:\n   - Azure account\n   - GitHub repository (already forked)\n\n2. **Deploy to Azure**:\n   - Create Azure Static Web App resource\n   - Connect to GitHub repository\n   - Set app location: `/quiz-app`\n   - Set output location: `dist`\n   - Azure automatically creates GitHub Actions workflow\n\n3. **GitHub Actions Workflow**:\n   - Workflow file created at `.github/workflows/azure-static-web-apps-*.yml`\n   - Automatically builds and deploys on push to main branch\n\n### Documentation PDF\n\nGenerate PDF from documentation:\n\n```bash\nnpm install\nnpm run convert\n```\n\n## Translation Workflow\n\n**Important**: Translations are automated via GitHub Actions using Co-op Translator.\n\n- Translations are auto-generated when changes are pushed to `main` branch\n- **DO NOT manually translate content** - the system handles this\n- Workflow defined in `.github/workflows/co-op-translator.yml`\n- Uses Azure AI/OpenAI services for translation\n- Supports 40+ languages\n\n## Contributing Guidelines\n\n### For Content Contributors\n\n1. **Fork the repository** and create a feature branch\n2. **Make changes to lesson content** if adding/updating lessons\n3. **Do not modify translated files** - they are auto-generated\n4. **Test your code** - ensure all notebook cells run successfully\n5. **Verify links and images** work correctly\n6. **Submit a pull request** with clear description\n\n### Pull Request Guidelines\n\n- **Title format**: `[Section] Brief description of changes`\n  - Example: `[Regression] Fix typo in lesson 5`\n  - Example: `[Quiz-App] Update dependencies`\n- **Before submitting**:\n  - Ensure all notebook cells execute without errors\n  - Run `npm run lint` if modifying quiz-app\n  - Verify markdown formatting\n  - Test any new code examples\n- **PR must include**:\n  - Description of changes\n  - Reason for changes\n  - Screenshots if UI changes\n- **Code of Conduct**: Follow the [Microsoft Open Source Code of Conduct](CODE_OF_CONDUCT.md)\n- **CLA**: You will need to sign the Contributor License Agreement\n\n## Lesson Structure\n\nEach lesson follows a consistent pattern:\n\n1. **Pre-lecture quiz** - Test baseline knowledge\n2. **Lesson content** - Written instructions and explanations\n3. **Code demonstrations** - Hands-on examples in notebooks\n4. **Knowledge checks** - Verify understanding throughout\n5. **Challenge** - Apply concepts independently\n6. **Assignment** - Extended practice\n7. **Post-lecture quiz** - Assess learning outcomes\n\n## Common Commands Reference\n\n```bash\n# Python/Jupyter\njupyter notebook                    # Start Jupyter server\njupyter notebook notebook.ipynb     # Open specific notebook\npip install -r requirements.txt     # Install dependencies (where available)\n\n# Quiz App\ncd quiz-app\nnpm install                        # Install dependencies\nnpm run serve                      # Development server\nnpm run build                      # Production build\nnpm run lint                       # Lint and fix\n\n# Documentation\ndocsify serve                      # Serve documentation locally\nnpm run convert                    # Generate PDF\n\n# Git workflow\ngit checkout -b feature/my-change  # Create feature branch\ngit add .                         # Stage changes\ngit commit -m \"Description\"       # Commit changes\ngit push origin feature/my-change # Push to remote\n```\n\n## Additional Resources\n\n- **Microsoft Learn Collection**: [ML for Beginners modules](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)\n- **Quiz App**: [Online quizzes](https://ff-quizzes.netlify.app/en/ml/)\n- **Discussion Board**: [GitHub Discussions](https://github.com/microsoft/ML-For-Beginners/discussions)\n- **Video Walkthroughs**: [YouTube Playlist](https://aka.ms/ml-beginners-videos)\n\n## Key Technologies\n\n- **Python**: Primary language for ML lessons (Scikit-learn, Pandas, NumPy, Matplotlib)\n- **R**: Alternative implementation using tidyverse, tidymodels, caret\n- **Jupyter**: Interactive notebooks for Python lessons\n- **R Markdown**: Documents for R lessons\n- **Vue.js 3**: Quiz application framework\n- **Flask**: Web application framework for ML model deployment\n- **Docsify**: Documentation site generator\n- **GitHub Actions**: CI/CD and automated translations\n\n## Security Considerations\n\n- **No secrets in code**: Never commit API keys or credentials\n- **Dependencies**: Keep npm and pip packages updated\n- **User input**: Flask web app examples include basic input validation\n- **Sensitive data**: Example datasets are public and non-sensitive\n\n## Troubleshooting\n\n### Jupyter Notebooks\n\n- **Kernel issues**: Restart kernel if cells hang: Kernel → Restart\n- **Import errors**: Ensure all required packages are installed with pip\n- **Path issues**: Run notebooks from their containing directory\n\n### Quiz Application\n\n- **npm install fails**: Clear npm cache: `npm cache clean --force`\n- **Port conflicts**: Change port with: `npm run serve -- --port 8081`\n- **Build errors**: Delete `node_modules` and reinstall: `rm -rf node_modules && npm install`\n\n### R Lessons\n\n- **Package not found**: Install with: `install.packages(\"package-name\")`\n- **RMarkdown rendering**: Ensure rmarkdown package is installed\n- **Kernel issues**: May need to install IRkernel for Jupyter\n\n## Project-Specific Notes\n\n- This is primarily a **learning curriculum**, not production code\n- Focus is on **understanding ML concepts** through hands-on practice\n- Code examples prioritize **clarity over optimization**\n- Most lessons are **self-contained** and can be completed independently\n- **Solutions provided** but learners should attempt exercises first\n- Repository uses **Docsify** for web documentation without build step\n- **Sketchnotes** provide visual summaries of concepts\n- **Multi-language support** makes content globally accessible\n","translations/cs/2-Regression/1-Tools/README.md":"# Začněte s Pythonem a Scikit-learn pro regresní modely\n\n![Shrnutí regresí ve sketchnote](../../../../translated_images/cs/ml-regression.4e4f70e3b3ed446e.webp)\n\n> Sketchnote od [Tomomi Imura](https://www.twitter.com/girlie_mac)\n\n## [Přednáškový kvíz](https://ff-quizzes.netlify.app/en/ml/)\n\n> ### [Tato lekce je dostupná v R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)\n\n## Úvod\n\nV těchto čtyřech lekcích objevíte, jak vytvářet regresní modely. Brzy si vysvětlíme, k čemu slouží. Než však začnete, ujistěte se, že máte správné nástroje připravené ke startu!\n\nV této lekci se naučíte, jak:\n\n- Nakonfigurovat váš počítač pro místní úlohy strojového učení.\n- Pracovat s Jupyter Notebooky.\n- Používat Scikit-learn, včetně instalace.\n- Prozkoumat lineární regresi pomocí praktického cvičení.\n\n## Instalace a konfigurace\n\n[![ML pro začátečníky - Připravte své nástroje pro tvorbu modelů strojového učení](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 \"ML pro začátečníky - Připravte své nástroje pro tvorbu modelů strojového učení\")\n\n> 🎥 Klikněte na obrázek výše pro krátké video, ve kterém se naučíte, jak konfigurovat váš počítač pro ML.\n\n1. **Nainstalujte Python**. Ujistěte se, že máte na počítači nainstalovaný [Python](https://www.python.org/downloads/). Python budete používat pro mnoho úloh datové vědy a strojového učení. Většina počítačových systémů již obsahuje instalaci Pythonu. Existují i užitečné [balíčky pro kódování v Pythonu](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott), které některým uživatelům usnadní nastavení.\n\n   Některé použití Pythonu však vyžadují jednu verzi softwaru, zatímco jiné vyžadují verzi jinou. Proto je užitečné pracovat uvnitř [virtuálního prostředí](https://docs.python.org/3/library/venv.html).\n\n2. **Nainstalujte Visual Studio Code**. Ujistěte se, že máte na počítači nainstalovaný Visual Studio Code. Postupujte podle těchto instrukcí k [instalaci Visual Studio Code](https://code.visualstudio.com/) pro základní instalaci. V tomto kurzu budete používat Python ve Visual Studio Code, takže možná budete chtít osvěžit, jak [nastavit Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) pro vývoj v Pythonu.\n\n   > Získejte jistotu v Pythonu tím, že projdete tuto sbírku [učebních modulů](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)\n   >\n   > [![Nastavení Pythonu ve Visual Studio Code](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 \"Nastavení Pythonu ve Visual Studio Code\")\n   >\n   > 🎥 Klikněte na obrázek výše pro video: používání Pythonu ve VS Code.\n\n3. **Nainstalujte Scikit-learn** podle [těchto instrukcí](https://scikit-learn.org/stable/install.html). Protože je potřeba používat Python 3, doporučuje se použít virtuální prostředí. Vezměte na vědomí, že pokud knihovnu instalujete na M1 Macu, jsou na výše uvedené stránce speciální instrukce.\n\n1. **Nainstalujte Jupyter Notebook**. Budete potřebovat [nainstalovat balíček Jupyter](https://pypi.org/project/jupyter/).\n\n## Vaše prostředí pro tvorbu ML\n\nBudete používat **notebooky** k vývoji vašeho Python kódu a tvorbě modelů strojového učení. Tento typ souboru je běžným nástrojem datových vědců a poznáte je podle přípony `.ipynb`.\n\nNotebooky jsou interaktivní prostředí, která umožňují vývojáři jak kódovat, tak přidávat poznámky a psát dokumentaci kolem kódu, což je velmi užitečné pro experimentální nebo výzkumné projekty.\n\n[![ML pro začátečníky - Nastavte Jupyter Notebooky pro začátek tvorby regresních modelů](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E \"ML pro začátečníky - Nastavte Jupyter Notebooky pro začátek tvorby regresních modelů\")\n\n> 🎥 Klikněte na obrázek výše pro krátké video pracovní cvičení.\n\n### Cvičení - práce s notebookem\n\nV této složce naleznete soubor _notebook.ipynb_.\n\n1. Otevřete _notebook.ipynb_ ve Visual Studio Code.\n\n   Spustí se Jupyter server s Pythonem 3+. V notebooku najdete části, které mohou být `spuštěny`, kusy kódu. Blok kódu můžete spustit výběrem ikony vypadající jako tlačítko přehrávání (play).\n\n1. Vyberte ikonu `md` a přidejte trochu markdownu s následujícím textem **# Vítejte ve vašem notebooku**.\n\n   Poté přidejte nějaký Python kód.\n\n1. Napište **print('hello notebook')** ve bloku kódu.\n1. Klikněte na šipku pro spuštění kódu.\n\n   Měli byste vidět vytištěné prohlášení:\n\n    ```output\n    hello notebook\n    ```\n\n![VS Code s otevřeným notebookem](../../../../translated_images/cs/notebook.4a3ee31f396b8832.webp)\n\nMůžete prokládat svůj kód komentáři, aby si notebook sám dokumentoval.\n\n✅ Zamyslete se na chvíli, jak odlišné je pracovní prostředí webového vývojáře oproti datovému vědci.\n\n## Spuštění se Scikit-learn\n\nNyní když máte Python nastavený ve vašem lokálním prostředí a jste si jistí v Jupyter Notebookech, pojďme si přivyknout i na Scikit-learn (vyslovujte `sci` jako `science`). Scikit-learn poskytuje [rozsáhlé API](https://scikit-learn.org/stable/modules/classes.html#api-ref), které vám pomůže provádět úlohy ML.\n\nPodle jejich [webu](https://scikit-learn.org/stable/getting_started.html) \"Scikit-learn je open source knihovna strojového učení, která podporuje učení s učitelem i bez učitele. Poskytuje také různé nástroje pro fitování modelů, předzpracování dat, výběr modelů a hodnocení, a mnoho dalších utilit.\"\n\nV tomto kurzu budete používat Scikit-learn a další nástroje k vytváření modelů strojového učení, které budou plnit tzv. 'tradiční úlohy strojového učení'. Záměrně jsme vynechali neuronové sítě a hluboké učení, které budou pokryty v našem nadcházejícím kurzu 'AI pro začátečníky'.\n\nScikit-learn výrazně zjednodušuje vytváření modelů a jejich hodnocení pro použití. Zaměřuje se především na práci s číselnými daty a obsahuje několik připravených datasetů, které můžete užít jako učební pomůcky. Zahrnuje také předem vytvořené modely pro studenty k vyzkoušení. Nejprve si pojďme prohlédnout proces načtení předpřipravených dat a použití vestavěného odhadce — prvního ML modelu se Scikit-learn s některými základními daty.\n\n## Cvičení - váš první notebook se Scikit-learn\n\n> Tento tutoriál byl inspirován [příkladem lineární regrese](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) na webu Scikit-learn.\n\n\n[![ML pro začátečníky - Váš první projekt lineární regrese v Pythonu](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 \"ML pro začátečníky - Váš první projekt lineární regrese v Pythonu\")\n\n> 🎥 Klikněte na obrázek výše pro krátké video s průchodem tímto cvičením.\n\nV souboru _notebook.ipynb_ přidruženém k této lekci vymažte všechny buňky stisknutím ikony „koš“.\n\nV této části budete pracovat s malým datasetem o diabetu, který je součástí Scikit-learn pro účely výuky. Představte si, že chcete testovat léčbu pro pacienty s diabetem. Modely strojového učení vám mohou pomoci určit, kteří pacienti by na léčbu reagovali lépe na základě kombinací proměnných. Dokonce i velmi základní regresní model, pokud ho vizualizujete, může ukázat informace o proměnných, které vám pomohou uspořádat vaše teoretické klinické studie.\n\n✅ Existuje mnoho typů regresních metod a kterou zvolíte, závisí na odpovědi, kterou hledáte. Pokud chcete předpovědět pravděpodobnou výšku osoby určitého věku, použijete lineární regresi, protože hledáte **číselnou hodnotu**. Pokud vás zajímá, zda by určitý typ kuchyně měl být považován za veganský nebo ne, hledáte **přiřazení do kategorie**, takže byste použili logistickou regresi. O logistické regresi se naučíte později. Zamyslete se trochu nad otázkami, které můžete datům položit, a která z těchto metod by byla vhodnější.\n\nPojďme na to.\n\n### Import knihoven\n\nPro tento úkol naimportujeme některé knihovny:\n\n- **matplotlib**. Je to užitečný [nástroj pro grafy](https://matplotlib.org/) a použijeme jej k vytvoření čárového grafu.\n- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) je užitečná knihovna pro práci s numerickými daty v Pythonu.\n- **sklearn**. To je [knihovna Scikit-learn](https://scikit-learn.org/stable/user_guide.html).\n\nNaimportujte knihovny pro podporu vašich úloh.\n\n1. Přidejte importy tím, že napíšete následující kód:\n\n   ```python\n   import matplotlib.pyplot as plt\n   import numpy as np\n   from sklearn import datasets, linear_model, model_selection\n   ```\n\n   Výše importujete `matplotlib`, `numpy` a načítáte `datasets`, `linear_model` a `model_selection` ze `sklearn`. `model_selection` se používá pro rozdělení dat na tréninková a testovací data.\n\n### Dataset diabetu\n\nV vestavěném [diabetickém datasetu](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) je 442 vzorků dat o diabetu, s 10 proměnnými vlastností, z nichž některé zahrnují:\n\n- věk: věk v letech\n- bmi: index tělesné hmotnosti\n- bp: průměrný krevní tlak\n- s1 tc: T-buňky (typ bílých krvinek)\n\n✅ Tento dataset zahrnuje pojem 'pohlaví' jako důležitou proměnnou vlastnost pro výzkum diabetu. Mnoho lékařských datasetů obsahuje tento typ binární klasifikace. Zamyslete se nad tím, jak takové kategorizace mohou vyloučit určité části populace z léčby.\n\nTeď načtěte data X a y.\n\n> 🎓 Pamatujte, toto je učení s učitelem a potřebujeme pojmenovaný cíl 'y'.\n\nV nové buňce kódu načtěte dataset diabetu zavoláním `load_diabetes()`. Vstup `return_X_y=True` signalizuje, že `X` bude datová matice a `y` bude cílem regrese.\n\n1. Přidejte několik příkazů print pro zobrazení tvaru datové matice a jejího prvního prvku:\n\n    ```python\n    X, y = datasets.load_diabetes(return_X_y=True)\n    print(X.shape)\n    print(X[0])\n    ```\n\n    To, co dostáváte zpět jako odpověď, je n-tice. To, co děláte, je přiřazení dvou prvních hodnot n-tice do `X` a `y`. Více se dozvíte [o n-ticích](https://wikipedia.org/wiki/Tuple).\n\n    Vidíte, že tato data mají 442 položek uspořádaných v polích o 10 prvcích:\n\n    ```text\n    (442, 10)\n    [ 0.03807591  0.05068012  0.06169621  0.02187235 -0.0442235  -0.03482076\n    -0.04340085 -0.00259226  0.01990842 -0.01764613]\n    ```\n\n    ✅ Zamyslete se nad vztahem mezi daty a cílem regrese. Lineární regrese předpovídá vztahy mezi vlastností X a cílovou proměnnou y. Dokážete najít [cíl](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) pro dataset diabetu v dokumentaci? Co tento dataset demonstruje vzhledem k tomuto cíli?\n\n2. Dále vyberte část tohoto datasetu k vykreslení tím, že vyberete třetí sloupec datasetu. Můžete to udělat použitím operátoru `:` pro výběr všech řádků a pak výběrem třetího sloupce pomocí indexu (2). Data můžete také přetvarovat na 2D pole - jak je potřeba pro vykreslování - použitím `reshape(n_rows, n_columns)`. Pokud je jeden z parametrů -1, odpovídající rozměr se dopočítá automaticky.\n\n   ```python\n   X = X[:, 2]\n   X = X.reshape((-1,1))\n   ```\n\n   ✅ Kdykoliv vytiskněte data, abyste zkontrolovali jejich tvar.\n\n3. Nyní když máte data připravená k vykreslení, můžete zjistit, zda vám stroj pomůže určit logický rozdělení mezi čísly v tomto datasetu. K tomu je potřeba rozdělit data (X) i cíl (y) na testovací a tréninkové sady. Scikit-learn má snadný způsob, jak toho dosáhnout; můžete rozdělit svá testovací data v daném bodě.\n\n   ```python\n   X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)\n   ```\n\n4. Nyní jste připraveni trénovat svůj model! Načtěte lineární regresní model a trénujte ho s vašimi tréninkovými sadami X a y pomocí `model.fit()`:\n\n    ```python\n    model = linear_model.LinearRegression()\n    model.fit(X_train, y_train)\n    ```\n\n    ✅ `model.fit()` je funkce, kterou uvidíte v mnoha ML knihovnách jako TensorFlow\n\n5. Poté vytvořte predikci pomocí testovacích dat funkcí `predict()`. To použijete k vykreslení čáry mezi skupinami dat\n\n    ```python\n    y_pred = model.predict(X_test)\n    ```\n\n6. Teď je čas zobrazit data v grafu. Matplotlib je pro tento úkol velmi užitečný nástroj. Vytvořte rozptylový graf všech testovacích dat X a y a použijte predikci k vykreslení čáry na nejvhodnějším místě mezi skupinami dat modelu.\n\n    ```python\n    plt.scatter(X_test, y_test,  color='black')\n    plt.plot(X_test, y_pred, color='blue', linewidth=3)\n    plt.xlabel('Scaled BMIs')\n    plt.ylabel('Disease Progression')\n    plt.title('A Graph Plot Showing Diabetes Progression Against BMI')\n    plt.show()\n    ```\n\n   ![rozptylový graf ukazující datové body o diabetu](../../../../translated_images/cs/scatterplot.ad8b356bcbb33be6.webp)\n\n\n   ✅ Zamyslete se trochu nad tím, co se zde odehrává. Přímka prochází mnoha malými datovými body, ale co přesně dělá? Vidíte, jak byste měli být schopni tuto přímku použít k předpovědi, kde by se nový, neviděný datový bod měl ve vztahu k ose y grafu umístit? Zkuste slovy vyjádřit praktické využití tohoto modelu.\n\nGratulujeme, vytvořili jste svůj první model lineární regrese, vytvořili s ním předpověď a zobrazili ji v grafu!\n\n---\n## 🚀Výzva\n\nVykreslete jinou proměnnou z této datové sady. Tip: upravte tento řádek: `X = X[:,2]`. Vzhledem k cíli této sady dat, co dokážete zjistit o průběhu diabetu jako nemoci?\n## [Kvíz po přednášce](https://ff-quizzes.netlify.app/en/ml/)\n\n## Přehled a samostudium\n\nV tomto tutoriálu jste pracovali s jednoduchou lineární regresí, nikoli s univariátní nebo multivariátní lineární regresí. Přečtěte si něco o rozdílech mezi těmito metodami, nebo se podívejte na [toto video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)\n\nPřečtěte si více o konceptu regrese a zamyslete se nad tím, na jaké otázky může tato technika odpovědět. Absolvujte tento [návod](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott), aby jste prohloubili své porozumění.\n\n## Zadání\n\n[Jiná datová sada](assignment.md)\n\n---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Prohlášení o omezení odpovědnosti**:\nTento dokument byl přeložen pomocí AI překladatelské služby [Co-op Translator](https://github.com/Azure/co-op-translator). Přestože usilujeme o co největší přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Originální dokument v jeho mateřském jazyce by měl být považován za autoritativní zdroj. Pro kritické informace se doporučuje profesionální lidský překlad. Nejsme odpovědní za jakékoli nedorozumění nebo nesprávné interpretace vzniklé použitím tohoto překladu.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->","translations/ar/2-Regression/1-Tools/README.md":"# ابدأ مع بايثون و Scikit-learn لنماذج الانحدار\n\n![ملخص الانحدارات في ملاحظة مرسومة](../../../../translated_images/ar/ml-regression.4e4f70e3b3ed446e.webp)\n\n> ملاحظة مرسومة بواسطة [تومومي إيمورا](https://www.twitter.com/girlie_mac)\n\n## [اختبار قبل المحاضرة](https://ff-quizzes.netlify.app/en/ml/)\n\n> ### [هذه الدرسة متاحة بلغة R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)\n\n## مقدمة\n\nفي هذه الدروس الأربعة، ستكتشف كيفية بناء نماذج الانحدار. سنناقش قريبًا ما هي استخداماتها. ولكن قبل أن تفعل أي شيء، تأكد من أن لديك الأدوات المناسبة لبدء العملية!\n\nفي هذا الدرس، ستتعلم كيفية:\n\n- تهيئة حاسوبك لمهام التعلم الآلي المحلية.\n- العمل مع دفاتر Jupyter.\n- استخدام Scikit-learn، بما في ذلك التثبيت.\n- استكشاف الانحدار الخطي من خلال تمرين عملي.\n\n## التثبيتات والإعدادات\n\n[![التعلم الآلي للمبتدئين - جهز أدواتك لبناء نماذج التعلم الآلي](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 \"التعلم الآلي للمبتدئين - جهز أدواتك لبناء نماذج التعلم الآلي\")\n\n> 🎥 انقر على الصورة أعلاه لمشاهدة فيديو قصير يشرح كيفية تهيئة حاسوبك للتعلم الآلي.\n\n1. **تثبيت بايثون**. تأكد من تثبيت [بايثون](https://www.python.org/downloads/) على حاسوبك. ستستخدم بايثون في العديد من مهام علم البيانات والتعلم الآلي. تتضمن معظم أنظمة الحاسوب تثبيتًا مسبقًا لبايثون. هناك أيضًا [حزم برمجة بايثون](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) مفيدة متاحة لتسهيل الإعداد لبعض المستخدمين.\n\n   مع ذلك، تتطلب بعض استخدامات بايثون إصدارًا معينًا من البرنامج، في حين تحتاج أخرى إلى إصدار مختلف. لذلك، من المفيد العمل ضمن [بيئة افتراضية](https://docs.python.org/3/library/venv.html).\n\n2. **تثبيت Visual Studio Code**. تأكد من وجود Visual Studio Code مثبتًا على حاسوبك. اتبع هذه التعليمات لـ [تثبيت Visual Studio Code](https://code.visualstudio.com/) للإعداد الأساسي. ستستخدم بايثون في Visual Studio Code في هذا المساق، لذا قد ترغب في تعلُّم كيفية [تهيئة Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) لتطوير برامج بايثون.\n\n   > تعرّف على بايثون بسهولة من خلال متابعة مجموعة [وحدات التعلم](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)\n   >\n   > [![إعداد بايثون مع Visual Studio Code](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 \"إعداد بايثون مع Visual Studio Code\")\n   >\n   > 🎥 انقر على الصورة أعلاه لمشاهدة فيديو: استخدام بايثون في VS Code.\n\n3. **تثبيت Scikit-learn**، باتباع [هذه التعليمات](https://scikit-learn.org/stable/install.html). بما أنك تحتاج إلى التأكد من استخدام بايثون 3، يُوصى باستخدام بيئة افتراضية. لاحظ أنه إذا كنت تثبت هذه المكتبة على ماك M1، هناك تعليمات خاصة على الصفحة المذكورة أعلاه.\n\n1. **تثبيت Jupyter Notebook**. ستحتاج إلى [تثبيت حزمة Jupyter](https://pypi.org/project/jupyter/).\n\n## بيئة التأليف الخاصة بك في التعلم الآلي\n\nستستخدم **الدفاتر** لتطوير كود بايثون الخاص بك وإنشاء نماذج التعلم الآلي. هذا النوع من الملفات أداة شائعة لدى علماء البيانات، ويمكن التعرف عليها من خلال اللاحقة أو الامتداد `.ipynb`.\n\nالدفاتر هي بيئة تفاعلية تسمح للمطور بكتابة الكود وإضافة ملاحظات وكتابة توثيق حول الكود، وهو أمر مفيد جدًا للمشاريع التجريبية أو البحثية.\n\n[![التعلم الآلي للمبتدئين - إعداد دفاتر Jupyter لبدء بناء نماذج الانحدار](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E \"التعلم الآلي للمبتدئين - إعداد دفاتر Jupyter لبدء بناء نماذج الانحدار\")\n\n> 🎥 انقر على الصورة أعلاه لمشاهدة فيديو قصير يشرح هذا التمرين.\n\n### تمرين - العمل مع دفتر ملاحظات\n\nفي هذا المجلد، ستجد الملف _notebook.ipynb_.\n\n1. افتح _notebook.ipynb_ في Visual Studio Code.\n\n   ستبدأ خادم Jupyter مع تشغيل بايثون 3+. ستجد أجزاء من الدفتر يمكن `تشغيلها`، وهي قطع من الكود. يمكنك تشغيل قطعة الكود من خلال اختيار الرمز الذي يشبه زر التشغيل.\n\n1. اختر رمز `md` وأضف بعض الماركدون، والنص التالي **# مرحبًا بك في دفترك**.\n\n   ثم أضف بعض كود بايثون.\n\n1. اكتب **print('hello notebook')** في كتلة الكود.\n1. اختر السهم لتشغيل الكود.\n\n   سترى العبارة المطبوعة:\n\n    ```output\n    hello notebook\n    ```\n\n![VS Code مع دفتر ملاحظات مفتوح](../../../../translated_images/ar/notebook.4a3ee31f396b8832.webp)\n\nيمكنك دمج كودك مع التعليقات لتوثيق الدفتر بنفسك.\n\n✅ فكر للحظة كيف تختلف بيئة عمل مطور الويب مقارنةً ببيئة عالم البيانات.\n\n## ابدأ العمل مع Scikit-learn\n\nالآن بعد أن تم إعداد بايثون في بيئتك المحلية وأصبحت مرتاحًا في استخدام دفاتر Jupyter، لنكتسب نفس الراحة مع Scikit-learn (تنطق `ساي` كما في `science`). يوفر Scikit-learn [واجهة برمجة تطبيقات واسعة](https://scikit-learn.org/stable/modules/classes.html#api-ref) لمساعدتك في أداء مهام التعلم الآلي.\n\nحسب موقعهم [الرسمي](https://scikit-learn.org/stable/getting_started.html)، \"سكايكيت-ليرن هي مكتبة تعلم آلي مفتوحة المصدر تدعم التعلم الخاضع للإشراف وغير الخاضع للإشراف. كما توفر أدوات متنوعة لتركيب النماذج، ومعالجة البيانات، واختيار النماذج وتقييمها، والعديد من الأدوات الأخرى.\"\n\nفي هذا المساق، ستستخدم Scikit-learn وأدوات أخرى لبناء نماذج تعلم آلي لأداء ما نسميه 'التعلم الآلي التقليدي'. لقد تجنبنا عمدًا الشبكات العصبية والتعلم العميق، إذ يتم تناولها بشكل أفضل في منهجية 'الذكاء الاصطناعي للمبتدئين' القادمة.\n\nيجعل Scikit-learn بناء النماذج وتقييمها سهلاً. يركز أساسًا على استخدام البيانات الرقمية ويحتوي على عدة مجموعات بيانات جاهزة للاستخدام كأدوات تعلم. كما يتضمن نماذج مبنية مسبقًا ليجربها الطلاب. لنستكشف أولاً عملية تحميل البيانات المعبأة واستخدام مقدّر مدمج أول نموذج تعلم آلي مع Scikit-learn باستخدام بيانات أساسية.\n\n## تمرين - دفتر ملاحظاتك الأول مع Scikit-learn\n\n> استُلهم هذا الدليل من [مثال الانحدار الخطي](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) على موقع Scikit-learn.\n\n\n[![التعلم الآلي للمبتدئين - مشروعك الأول للانحدار الخطي في بايثون](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 \"التعلم الآلي للمبتدئين - مشروعك الأول للانحدار الخطي في بايثون\")\n\n> 🎥 انقر على الصورة أعلاه لمشاهدة فيديو قصير يشرح هذا التمرين.\n\nفي ملف _notebook.ipynb_ المرتبط بهذا الدرس، قم بمسح كل الخلايا بالضغط على رمز 'سلة المهملات'.\n\nفي هذا القسم، ستعمل مع مجموعة بيانات صغيرة عن مرض السكري مدمجة في Scikit-learn لأغراض التعلم. تخيل أنك تريد اختبار علاج لمرضى السكري. قد تساعدك نماذج التعلم الآلي على تحديد أي المرضى قد يستجيبون بشكل أفضل للعلاج، بناءً على تركيبات من المتغيرات. حتى نموذج انحدار بسيط جدًا، عند تصوره، قد يظهر معلومات حول المتغيرات التي قد تساعدك في تنظيم تجاربك السريرية النظرية.\n\n✅ هناك العديد من أنواع طرق الانحدار، واختيارك يعتمد على الإجابة التي تبحث عنها. إذا أردت التنبؤ بالطول المحتمل لشخص في عمر معين، ستستخدم الانحدار الخطي، لأنك تبحث عن **قيمة رقمية**. إذا كنت مهتمًا باكتشاف ما إذا كان نوع من المأكولات يجب اعتباره نباتيًا أم لا، فأنت تبحث عن **تصنيف فئة** لذا ستستخدم الانحدار اللوجستي. ستتعلم المزيد عن الانحدار اللوجستي لاحقًا. فكر قليلًا في بعض الأسئلة التي يمكنك طرحها على البيانات، وأي من هذه الطرق سيكون الأنسب.\n\nلنبدأ هذه المهمة.\n\n### استيراد المكتبات\n\nلهذه المهمة سنستورد بعض المكتبات:\n\n- **matplotlib**. إنها أداة [رسم بياني مفيدة](https://matplotlib.org/) وسنستخدمها لإنشاء مخطط خطي.\n- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) مكتبة مفيدة للتعامل مع البيانات الرقمية في بايثون.\n- **sklearn**. هذه هي مكتبة [Scikit-learn](https://scikit-learn.org/stable/user_guide.html).\n\nاستورد بعض المكتبات لمساعدتك في مهامك.\n\n1. أضف الاستيرادات بكتابة الكود التالي:\n\n   ```python\n   import matplotlib.pyplot as plt\n   import numpy as np\n   from sklearn import datasets, linear_model, model_selection\n   ```\n\n   في الأعلى تقوم باستيراد `matplotlib`، و `numpy`، كما تستورد `datasets`، و `linear_model` و `model_selection` من `sklearn`. يستخدم `model_selection` لتقسيم البيانات إلى مجموعات تدريب واختبار.\n\n### مجموعة بيانات السكري\n\nتتضمن مجموعة البيانات المدمجة [السكري](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) 442 عينة بيانات عن مرض السكري، مع 10 متغيرات ميزة، بعضها يشمل:\n\n- العمر: العمر بالسنوات\n- مؤشر كتلة الجسم\n- ضغط الدم: متوسط ضغط الدم\n- s1 tc: خلايا تي (نوع من خلايا الدم البيضاء)\n\n✅ تشمل هذه المجموعة مفهوم 'الجنس' كمتغير ميزة مهم في البحث حول السكري. تتضمن العديد من مجموعات البيانات الطبية هذا النوع من التصنيف الثنائي. فكر قليلاً في كيفية أن تصنيفات مثل هذه قد تستبعد أجزاء معينة من السكان من العلاجات.\n\nالآن، قم بتحميل بيانات X و y.\n\n> 🎓 تذكر، هذا تعلم مشرف، ونحتاج إلى هدف ‘y’ مسمى.\n\nفي خلية كود جديدة، قم بتحميل مجموعة بيانات السكري باستدعاء `load_diabetes()`. يشير المعطى `return_X_y=True` إلى أن `X` ستكون مصفوفة بيانات، و `y` سيكون الهدف للانحدار.\n\n1. أضف بعض أوامر الطباعة لعرض شكل مصفوفة البيانات وعنصرها الأول:\n\n    ```python\n    X, y = datasets.load_diabetes(return_X_y=True)\n    print(X.shape)\n    print(X[0])\n    ```\n\n    ما تحصل عليه كرد هو زوج مرتب. ما تفعله هو تعيين أول قيمتين من الزوج إلى `X` و `y` على التوالي. تعرف أكثر [عن الأزواج المرتبة](https://wikipedia.org/wiki/Tuple).\n\n    يمكنك رؤية أن هذه البيانات تحتوي على 442 عنصرًا مشكّلة في مصفوفات من 10 عناصر:\n\n    ```text\n    (442, 10)\n    [ 0.03807591  0.05068012  0.06169621  0.02187235 -0.0442235  -0.03482076\n    -0.04340085 -0.00259226  0.01990842 -0.01764613]\n    ```\n\n    ✅ فكّر قليلًا في العلاقة بين البيانات وهدف الانحدار. الانحدار الخطي يتنبأ بالعلاقات بين ميزة X والمتغير الهدف y. هل يمكنك العثور على [الهدف](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) لمجموعة بيانات السكري في التوثيق؟ ماذا تُظهر هذه المجموعة بناءً على الهدف؟\n\n2. بعد ذلك، اختر جزءًا من هذه المجموعة لرسمه باختيار العمود الثالث من المجموعة. يمكنك فعل ذلك باستخدام عامل `:` لاختيار كل الصفوف، ثم اختيار العمود الثالث باستخدام الفهرس (2). يمكنك أيضًا إعادة تشكيل البيانات لتكون مصفوفة ثنائية الأبعاد - حسب المطلوب للرسم - باستخدام `reshape(n_rows, n_columns)`. إذا كان أحد المعاملات -1، يتم حساب البعد الموافق تلقائيًا.\n\n   ```python\n   X = X[:, 2]\n   X = X.reshape((-1,1))\n   ```\n\n   ✅ في أي وقت، اطبع البيانات للتحقق من شكلها.\n\n3. الآن بعد أن أصبحت لديك بيانات جاهزة للرسم، يمكنك أن ترى ما إذا كان الماكينة يمكنها المساعدة في تحديد تقسيم منطقي بين الأرقام في هذه المجموعة. للقيام بذلك، تحتاج إلى تقسيم كل من البيانات (X) والهدف (y) إلى مجموعات اختبار وتدريب. لدى Scikit-learn طريقة مباشرة لذلك؛ يمكنك تقسيم بيانات الاختبار عند نقطة معينة.\n\n   ```python\n   X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)\n   ```\n\n4. الآن أنت جاهز لتدريب نموذجك! قم بتحميل نموذج الانحدار الخطي وقم بتدريبه باستخدام مجموعات التدريب X و y الخاصة بك باستخدام `model.fit()`:\n\n    ```python\n    model = linear_model.LinearRegression()\n    model.fit(X_train, y_train)\n    ```\n\n    ✅ `model.fit()` هي دالة سترى وجودها في العديد من مكتبات التعلم الآلي مثل TensorFlow\n\n5. ثم، أنشئ توقعًا باستخدام بيانات الاختبار، باستخدام الدالة `predict()`. سيتم استخدام هذا لرسم الخط بين مجموعات البيانات.\n\n    ```python\n    y_pred = model.predict(X_test)\n    ```\n\n6. حان الوقت الآن لعرض البيانات في رسم بياني. Matplotlib أداة مفيدة جدًا لهذه المهمة. أنشئ مخطط نقاط لجميع بيانات X و y الاختبارية، واستخدم التوقع لرسم خط في المكان الأنسب، بين مجموعات بيانات النموذج.\n\n    ```python\n    plt.scatter(X_test, y_test,  color='black')\n    plt.plot(X_test, y_pred, color='blue', linewidth=3)\n    plt.xlabel('Scaled BMIs')\n    plt.ylabel('Disease Progression')\n    plt.title('A Graph Plot Showing Diabetes Progression Against BMI')\n    plt.show()\n    ```\n\n   ![مخطط نقاط يوضح نقاط بيانات حول السكري](../../../../translated_images/ar/scatterplot.ad8b356bcbb33be6.webp)\n\n\n   ✅ فكر قليلاً في ما يحدث هنا. هناك خط مستقيم يمر عبر العديد من نقاط البيانات الصغيرة، ولكنه ماذا يفعل بالضبط؟ هل ترى كيف ينبغي أن تتمكن من استخدام هذا الخط للتنبؤ بمكان تناسب نقطة بيانات جديدة غير مرئية بالنسبة لمحور y في الرسم البياني؟ حاول التعبير بالكلمات عن الاستخدام العملي لهذا النموذج.\n\nتهانينا، لقد أنشأت نموذج الانحدار الخطي الأول لك، وأنتجت توقعًا به، وعرضته في رسم بياني!\n\n---\n## 🚀تحدي\n\nقم برسم متغير مختلف من هذه المجموعة البيانية. تلميح: حرر هذا السطر: `X = X[:,2]`. بالنظر إلى هدف هذه البيانات، ماذا يمكنك اكتشافه عن تقدم مرض السكري كمرض؟\n## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ml/)\n\n## مراجعة ودراسة ذاتية\n\nفي هذا الدرس، عملت مع الانحدار الخطي البسيط، بدلاً من الانحدار الخطي أحادي المتغير أو المتعدد. اقرأ قليلاً عن الفروقات بين هذه الأساليب، أو ألق نظرة على [هذا الفيديو](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)\n\nاقرأ المزيد عن مفهوم الانحدار وفكر في أنواع الأسئلة التي يمكن الإجابة عليها باستخدام هذه التقنية. خذ هذا [الدليل](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) لتعميق فهمك.\n\n## الواجب\n\n[مجموعة بيانات مختلفة](assignment.md)\n\n---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**تنويه**:\nتمت ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى للدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي والمعتمد. للمعلومات الهامة، يُنصح بالاستعانة بترجمة بشرية محترفة. نحن غير مسؤولين عن أي سوء فهم أو تفسير ناتج عن استخدام هذه الترجمة.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->","2-Regression/1-Tools/solution/Julia/README.md":"This is a temporary placeholder","2-Regression/1-Tools/README.md":"# Get started with Python and Scikit-learn for regression models\n\n![Summary of regressions in a sketchnote](../../sketchnotes/ml-regression.png)\n\n> Sketchnote by [Tomomi Imura](https://www.twitter.com/girlie_mac)\n\n## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ml/)\n\n> ### [This lesson is available in R!](./solution/R/lesson_1.html)\n\n## Introduction\n\nIn these four lessons, you will discover how to build regression models. We will discuss what these are for shortly. But before you do anything, make sure you have the right tools in place to start the process!\n\nIn this lesson, you will learn how to:\n\n- Configure your computer for local machine learning tasks.\n- Work with Jupyter Notebooks.\n- Use Scikit-learn, including installation.\n- Explore linear regression with a hands-on exercise.\n\n## Installations and configurations\n\n[![ML for beginners - Setup your tools ready to build Machine Learning models](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 \"ML for beginners -Setup your tools ready to build Machine Learning models\")\n\n> 🎥 Click the image above for a short video working through configuring your computer for ML.\n\n1. **Install Python**. Ensure that [Python](https://www.python.org/downloads/) is installed on your computer. You will use Python for many data science and machine learning tasks. Most computer systems already include a Python installation. There are useful [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) available as well, to ease the setup for some users.\n\n   Some usages of Python, however, require one version of the software, whereas others require a different version. For this reason, it's useful to work within a [virtual environment](https://docs.python.org/3/library/venv.html).\n\n2. **Install Visual Studio Code**. Make sure you have Visual Studio Code installed on your computer. Follow these instructions to [install Visual Studio Code](https://code.visualstudio.com/) for the basic installation. You are going to use Python in Visual Studio Code in this course, so you might want to brush up on how to [configure Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) for Python development.\n\n   > Get comfortable with Python by working through this collection of [Learn modules](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)\n   >\n   > [![Setup Python with Visual Studio Code](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 \"Setup Python with Visual Studio Code\")\n   >\n   > 🎥 Click the image above for a video: using Python within VS Code.\n\n3. **Install Scikit-learn**, by following [these instructions](https://scikit-learn.org/stable/install.html). Since you need to ensure that you use Python 3, it's recommended that you use a virtual environment. Note, if you are installing this library on a M1 Mac, there are special instructions on the page linked above.\n\n1. **Install Jupyter Notebook**. You will need to [install the Jupyter package](https://pypi.org/project/jupyter/).\n\n## Your ML authoring environment\n\nYou are going to use **notebooks** to develop your Python code and create machine learning models. This type of file is a common tool for data scientists, and they can be identified by their suffix or extension `.ipynb`.\n\nNotebooks are an interactive environment that allow the developer to both code and add notes and write documentation around the code which is quite helpful for experimental or research-oriented projects.\n\n[![ML for beginners - Set up Jupyter Notebooks to start building regression models](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E \"ML for beginners - Set up Jupyter Notebooks to start building regression models\")\n\n> 🎥 Click the image above for a short video working through this exercise.\n\n### Exercise - work with a notebook\n\nIn this folder, you will find the file _notebook.ipynb_.\n\n1. Open _notebook.ipynb_ in Visual Studio Code.\n\n   A Jupyter server will start with Python 3+ started. You will find areas of the notebook that can be `run`, pieces of code. You can run a code block, by selecting the icon that looks like a play button.\n\n1. Select the `md` icon and add a bit of markdown, and the following text **# Welcome to your notebook**.\n\n   Next, add some Python code.\n\n1. Type **print('hello notebook')** in the code block.\n1. Select the arrow to run the code.\n\n   You should see the printed statement:\n\n    ```output\n    hello notebook\n    ```\n\n![VS Code with a notebook open](images/notebook.jpg)\n\nYou can interleaf your code with comments to self-document the notebook.\n\n✅ Think for a minute how different a web developer's working environment is versus that of a data scientist.\n\n## Up and running with Scikit-learn\n\nNow that Python is set up in your local environment, and you are comfortable with Jupyter Notebooks, let's get equally comfortable with Scikit-learn (pronounce it `sci` as in `science`). Scikit-learn provides an [extensive API](https://scikit-learn.org/stable/modules/classes.html#api-ref) to help you perform ML tasks.\n\nAccording to their [website](https://scikit-learn.org/stable/getting_started.html), \"Scikit-learn is an open source machine learning library that supports supervised and unsupervised learning. It also provides various tools for model fitting, data preprocessing, model selection and evaluation, and many other utilities.\"\n\nIn this course, you will use Scikit-learn and other tools to build machine learning models to perform what we call 'traditional machine learning' tasks. We have deliberately avoided neural networks and deep learning, as they are better covered in our forthcoming 'AI for Beginners' curriculum.\n\nScikit-learn makes it straightforward to build models and evaluate them for use. It is primarily focused on using numeric data and contains several ready-made datasets for use as learning tools. It also includes pre-built models for students to try. Let's explore the process of loading prepackaged data and using a built-in estimator to create your first ML model with Scikit-learn with some basic data.\n\n## Exercise - your first Scikit-learn notebook\n\n> This tutorial was inspired by the [linear regression example](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) on Scikit-learn's web site.\n\n\n[![ML for beginners - Your First Linear Regression Project in Python](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 \"ML for beginners - Your First Linear Regression Project in Python\")\n\n> 🎥 Click the image above for a short video working through this exercise.\n\nIn the _notebook.ipynb_ file associated to this lesson, clear out all the cells by pressing the 'trash can' icon.\n\nIn this section, you will work with a small dataset about diabetes that is built into Scikit-learn for learning purposes. Imagine that you wanted to test a treatment for diabetic patients. Machine Learning models might help you determine which patients would respond better to the treatment, based on combinations of variables. Even a very basic regression model, when visualized, might show information about variables that would help you organize your theoretical clinical trials.\n\n✅ There are many types of regression methods, and which one you pick depends on the answer you're looking for. If you want to predict the probable height for a person of a given age, you'd use linear regression, as you're seeking a **numeric value**. If you're interested in discovering whether a type of cuisine should be considered vegan or not, you're looking for a **category assignment** so you would use logistic regression. You'll learn more about logistic regression later. Think a bit about some questions you can ask of data, and which of these methods would be more appropriate.\n\nLet's get started on this task.\n\n### Import libraries\n\nFor this task we will import some libraries:\n\n- **matplotlib**. It's a useful [graphing tool](https://matplotlib.org/) and we will use it to create a line plot.\n- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) is a useful library for handling numeric data in Python.\n- **sklearn**. This is the [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) library.\n\nImport some libraries to help with your tasks.\n\n1. Add imports by typing the following code:\n\n   ```python\n   import matplotlib.pyplot as plt\n   import numpy as np\n   from sklearn import datasets, linear_model, model_selection\n   ```\n\n   Above you are importing `matplotlib`, `numpy` and you are importing `datasets`, `linear_model` and `model_selection` from `sklearn`. `model_selection` is used for splitting data into training and test sets.\n\n### The diabetes dataset\n\nThe built-in [diabetes dataset](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) includes 442 samples of data around diabetes, with 10 feature variables, some of which include:\n\n- age: age in years\n- bmi: body mass index\n- bp: average blood pressure\n- s1 tc: T-Cells (a type of white blood cells)\n\n✅ This dataset includes the concept of 'sex' as a feature variable important to research around diabetes. Many medical datasets include this type of binary classification. Think a bit about how categorizations such as this might exclude certain parts of a population from treatments.\n\nNow, load up the X and y data.\n\n> 🎓 Remember, this is supervised learning, and we need a named 'y' target.\n\nIn a new code cell, load the diabetes dataset by calling `load_diabetes()`. The input `return_X_y=True` signals that `X` will be a data matrix, and `y` will be the regression target.\n\n1. Add some print commands to show the shape of the data matrix and its first element:\n\n    ```python\n    X, y = datasets.load_diabetes(return_X_y=True)\n    print(X.shape)\n    print(X[0])\n    ```\n\n    What you are getting back as a response, is a tuple. What you are doing is to assign the two first values of the tuple to `X` and `y` respectively. Learn more [about tuples](https://wikipedia.org/wiki/Tuple).\n\n    You can see that this data has 442 items shaped in arrays of 10 elements:\n\n    ```text\n    (442, 10)\n    [ 0.03807591  0.05068012  0.06169621  0.02187235 -0.0442235  -0.03482076\n    -0.04340085 -0.00259226  0.01990842 -0.01764613]\n    ```\n\n    ✅ Think a bit about the relationship between the data and the regression target. Linear regression predicts relationships between feature X and target variable y. Can you find the [target](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) for the diabetes dataset in the documentation? What is this dataset demonstrating, given that target?\n\n2. Next, select a portion of this dataset to plot by selecting the 3rd column of the dataset. You can do this by using the `:` operator to select all rows, and then selecting the 3rd column using the index (2). You can also reshape the data to be a 2D array - as required for plotting - by using `reshape(n_rows, n_columns)`. If one of the parameter is -1, the corresponding dimension is calculated automatically.\n\n   ```python\n   X = X[:, 2]\n   X = X.reshape((-1,1))\n   ```\n\n   ✅ At any time, print out the data to check its shape.\n\n3. Now that you have data ready to be plotted, you can see if a machine can help determine a logical split between the numbers in this dataset. To do this, you need to split both the data (X) and the target (y) into test and training sets. Scikit-learn has a straightforward way to do this; you can split your test data at a given point.\n\n   ```python\n   X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)\n   ```\n\n4. Now you are ready to train your model! Load up the linear regression model and train it with your X and y training sets using `model.fit()`:\n\n    ```python\n    model = linear_model.LinearRegression()\n    model.fit(X_train, y_train)\n    ```\n\n    ✅ `model.fit()` is a function you'll see in many ML libraries such as TensorFlow\n\n5. Then, create a prediction using test data, using the function `predict()`. This will be used to draw the line between data groups\n\n    ```python\n    y_pred = model.predict(X_test)\n    ```\n\n6. Now it's time to show the data in a plot. Matplotlib is a very useful tool for this task. Create a scatterplot of all the X and y test data, and use the prediction to draw a line in the most appropriate place, between the model's data groupings.\n\n    ```python\n    plt.scatter(X_test, y_test,  color='black')\n    plt.plot(X_test, y_pred, color='blue', linewidth=3)\n    plt.xlabel('Scaled BMIs')\n    plt.ylabel('Disease Progression')\n    plt.title('A Graph Plot Showing Diabetes Progression Against BMI')\n    plt.show()\n    ```\n\n   ![a scatterplot showing datapoints around diabetes](./images/scatterplot.png)\n\n   ✅ Think a bit about what's going on here. A straight line is running through many small dots of data, but what is it doing exactly? Can you see how you should be able to use this line to predict where a new, unseen data point should fit in relationship to the plot's y axis? Try to put into words the practical use of this model.\n\nCongratulations, you built your first linear regression model, created a prediction with it, and displayed it in a plot!\n\n---\n## 🚀Challenge\n\nPlot a different variable from this dataset. Hint: edit this line: `X = X[:,2]`. Given this dataset's target, what are you able to discover about the progression of diabetes as a disease?\n## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ml/)\n\n## Review & Self Study\n\nIn this tutorial, you worked with simple linear regression, rather than univariate or multiple linear regression. Read a little about the differences between these methods, or take a look at [this video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)\n\nRead more about the concept of regression and think about what kinds of questions can be answered by this technique. Take this [tutorial](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) to deepen your understanding.\n\n## Assignment\n\n[A different dataset](assignment.md)\n","translations/da/2-Regression/1-Tools/README.md":"# Kom godt i gang med Python og Scikit-learn til regressionsmodeller\n\n![Oversigt over regressioner i en sketchnote](../../../../translated_images/da/ml-regression.4e4f70e3b3ed446e.webp)\n\n> Sketchnote af [Tomomi Imura](https://www.twitter.com/girlie_mac)\n\n## [For-forelæsning quiz](https://ff-quizzes.netlify.app/en/ml/)\n\n> ### [Denne lektion findes også i R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)\n\n## Introduktion\n\nI disse fire lektioner vil du opdage, hvordan man bygger regressionsmodeller. Vi vil snart diskutere, hvad disse bruges til. Men før du gør noget, skal du sikre dig, at du har de rette værktøjer på plads for at begynde processen!\n\nI denne lektion vil du lære at:\n\n- Konfigurere din computer til lokale maskinlæringsopgaver.\n- Arbejde med Jupyter Notebooks.\n- Bruge Scikit-learn, inklusive installation.\n- Udforske lineær regression med en praktisk øvelse.\n\n## Installationer og konfigurationer\n\n[![ML for begyndere - Opsæt dine værktøjer klar til at bygge maskinlæringsmodeller](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 \"ML for begyndere -Opsæt dine værktøjer klar til at bygge maskinlæringsmodeller\")\n\n> 🎥 Klik på billedet ovenfor for en kort video, der viser, hvordan du konfigurerer din computer til ML.\n\n1. **Installer Python**. Sørg for, at [Python](https://www.python.org/downloads/) er installeret på din computer. Du vil bruge Python til mange data science- og maskinlæringsopgaver. De fleste computersystemer inkluderer allerede en Python-installation. Der findes også nyttige [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) tilgængelige, som kan lette opsætningen for nogle brugere.\n\n   Nogle anvendelser af Python kræver dog én version af softwaren, mens andre kræver en anden version. Af denne grund er det nyttigt at arbejde inden for et [virtuelt miljø](https://docs.python.org/3/library/venv.html).\n\n2. **Installer Visual Studio Code**. Sørg for, at du har Visual Studio Code installeret på din computer. Følg disse instruktioner for at [installere Visual Studio Code](https://code.visualstudio.com/) til den grundlæggende installation. Du kommer til at bruge Python i Visual Studio Code i dette kursus, så du vil måske opfriske, hvordan man [konfigurerer Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) til Python-udvikling.\n\n   > Bliv fortrolig med Python ved at arbejde gennem denne samling af [Læringsmoduler](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)\n   >\n   > [![Opsæt Python med Visual Studio Code](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 \"Opsæt Python med Visual Studio Code\")\n   >\n   > 🎥 Klik på billedet ovenfor for en video: brug af Python i VS Code.\n\n3. **Installer Scikit-learn**, ved at følge [disse instruktioner](https://scikit-learn.org/stable/install.html). Da du skal sikre dig, at du bruger Python 3, anbefales det, at du bruger et virtuelt miljø. Bemærk, hvis du installerer dette bibliotek på en M1 Mac, er der særlige instruktioner på den linkede side ovenfor.\n\n1. **Installer Jupyter Notebook**. Du skal [installere Jupyter-pakken](https://pypi.org/project/jupyter/).\n\n## Dit ML forfattermiljø\n\nDu kommer til at bruge **notebooks** til at udvikle din Python-kode og skabe maskinlæringsmodeller. Denne type fil er et almindeligt værktøj for dataforskere, og de kan identificeres ved deres suffix eller filendelse `.ipynb`.\n\nNotebooks er et interaktivt miljø, som tillader udvikleren både at kode og tilføje noter og skrive dokumentation omkring koden, hvilket er ganske hjælpsomt til eksperimentelle eller forskningsorienterede projekter.\n\n[![ML for begyndere - Opsæt Jupyter Notebooks for at starte med at bygge regressionsmodeller](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E \"ML for begyndere - Opsæt Jupyter Notebooks for at starte med at bygge regressionsmodeller\")\n\n> 🎥 Klik på billedet ovenfor for en kort video, der gennemgår denne øvelse.\n\n### Øvelse - arbejd med en notebook\n\nI denne mappe finder du filen _notebook.ipynb_.\n\n1. Åbn _notebook.ipynb_ i Visual Studio Code.\n\n   En Jupyter-server vil starte med Python 3+ i gang. Du vil finde områder af notebooken, der kan `køres`, stykker af kode. Du kan køre en kodeblok ved at vælge ikonet, der ligner en afspilningsknap.\n\n1. Vælg `md`-ikonet og tilføj lidt markdown, og følgende tekst **# Velkommen til din notebook**.\n\n   Tilføj derefter noget Python-kode.\n\n1. Skriv **print('hello notebook')** i kodeblokken.\n1. Vælg pilen for at køre koden.\n\n   Du skulle gerne se den udskrevne sætning:\n\n    ```output\n    hello notebook\n    ```\n\n![VS Code med en åben notebook](../../../../translated_images/da/notebook.4a3ee31f396b8832.webp)\n\nDu kan folde din kode sammen med kommentarer for at selvdokumentere notebooken.\n\n✅ Tænk et øjeblik over, hvor forskelligt en webudviklers arbejdsmiljø er i forhold til en dataforskers.\n\n## Oppe og køre med Scikit-learn\n\nNu hvor Python er sat op i dit lokale miljø, og du er fortrolig med Jupyter Notebooks, lad os blive lige så fortrolige med Scikit-learn (udtales `sci` som i `science`). Scikit-learn tilbyder et [omfattende API](https://scikit-learn.org/stable/modules/classes.html#api-ref) for at hjælpe dig med at udføre ML-opgaver.\n\nIfølge deres [hjemmeside](https://scikit-learn.org/stable/getting_started.html), \"er Scikit-learn et open source maskinlæringsbibliotek, der understøtter superviseret og usuperviseret læring. Det tilbyder også forskellige værktøjer til modeltilpasning, dataprvbehandling, modelvalg og evaluering samt mange andre hjælpemidler.\"\n\nI dette kursus vil du bruge Scikit-learn og andre værktøjer til at bygge maskinlæringsmodeller for at udføre det, vi kalder 'traditionelle maskinlærings'-opgaver. Vi har bevidst undgået neurale netværk og dyb læring, da de bedre dækkes i vores kommende 'AI for Beginners' pensum.\n\nScikit-learn gør det enkelt at bygge modeller og evaluere dem til brug. Det fokuserer primært på at bruge numeriske data og indeholder adskillige færdiglavede datasæt til brug som læringsværktøjer. Det inkluderer også forberedte modeller, som studerende kan prøve. Lad os først udforske processen med at indlæse forberedte data og bruge en indbygget estimator — den første ML-model med Scikit-learn med nogle grundlæggende data.\n\n## Øvelse - din første Scikit-learn notebook\n\n> Denne tutorial er inspireret af [eksemplet på lineær regression](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) på Scikit-learns websted.\n\n\n[![ML for begyndere - Dit første lineære regressionsprojekt i Python](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 \"ML for begyndere - Dit første lineære regressionsprojekt i Python\")\n\n> 🎥 Klik på billedet ovenfor for en kort video, der gennemgår denne øvelse.\n\nI filen _notebook.ipynb_ tilknyttet denne lektion, ryd alle cellerne ved at trykke på 'skraldespands' ikonet.\n\nI denne sektion vil du arbejde med et lille datasæt om diabetes, som er indbygget i Scikit-learn til læringsformål. Forestil dig, at du ønskede at teste en behandling for diabetespatienter. Maskinlæringsmodeller kan hjælpe dig med at afgøre, hvilke patienter der ville reagere bedre på behandlingen, baseret på kombinationer af variable. Selv en meget basal regressionsmodel, når den visualiseres, kan vise oplysninger om variable, der ville hjælpe dig med at organisere dine teoretiske kliniske forsøg.\n\n✅ Der findes mange typer regressionsmetoder, og hvilken du vælger afhænger af det svar, du søger. Hvis du vil forudsige den sandsynlige højde for en person i en given alder, vil du bruge lineær regression, da du søger en **numerisk værdi**. Hvis du er interesseret i at finde ud af, om en bestemt type køkken skal betragtes som vegansk eller ej, søger du en **kategori-tildeling**, så du ville bruge logistisk regression. Du lærer mere om logistisk regression senere. Tænk lidt over nogle spørgsmål, du kan stille om data, og hvilken af disse metoder der ville være mere passende.\n\nLad os komme i gang med denne opgave.\n\n### Importer biblioteker\n\nTil denne opgave vil vi importere nogle biblioteker:\n\n- **matplotlib**. Det er et nyttigt [grafværktøj](https://matplotlib.org/) og vi vil bruge det til at lave en linjeplot.\n- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) er et nyttigt bibliotek til håndtering af numeriske data i Python.\n- **sklearn**. Dette er [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) biblioteket.\n\nImporter nogle biblioteker til at hjælpe med dine opgaver.\n\n1. Tilføj imports ved at skrive følgende kode:\n\n   ```python\n   import matplotlib.pyplot as plt\n   import numpy as np\n   from sklearn import datasets, linear_model, model_selection\n   ```\n\n   Ovenfor importerer du `matplotlib`, `numpy` og du importerer også `datasets`, `linear_model` og `model_selection` fra `sklearn`. `model_selection` bruges til at opdele data i trænings- og testdatasæt.\n\n### Diabetes-datasættet\n\nDet indbyggede [diabetes datasæt](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) indeholder 442 datapunkter om diabetes, med 10 feature variabler, nogle af dem inkluderer:\n\n- alder: alder i år\n- bmi: kropsmasseindeks\n- bp: gennemsnitligt blodtryk\n- s1 tc: T-celler (en type hvide blodlegemer)\n\n✅ Dette datasæt inkluderer begrebet 'køn' som en feature variabel vigtig for forskning omkring diabetes. Mange medicinske datasæt inkluderer denne type binær klassifikation. Tænk lidt over, hvordan kategoriseringer som denne kan udelukke visse dele af en befolkning fra behandlinger.\n\nNu skal du indlæse X- og y-dataene.\n\n> 🎓 Husk, dette er superviseret læring, og vi har brug for et navngivet 'y' mål.\n\nI en ny kodecelle, indlæs diabetes datasættet ved at kalde `load_diabetes()`. Inputtet `return_X_y=True` signalerer, at `X` vil være en datamatricer, og `y` vil være regressionsmålet.\n\n1. Tilføj nogle print-kommandoer for at vise formen af datamatrixen og dens første element:\n\n    ```python\n    X, y = datasets.load_diabetes(return_X_y=True)\n    print(X.shape)\n    print(X[0])\n    ```\n\n    Det, du får tilbage som respons, er en tuple. Det, du gør, er at tildele de to første værdier i tuplen til henholdsvis `X` og `y`. Læs mere [om tuples](https://wikipedia.org/wiki/Tuple).\n\n    Du kan se, at disse data har 442 elementer formet som arrays med 10 elementer:\n\n    ```text\n    (442, 10)\n    [ 0.03807591  0.05068012  0.06169621  0.02187235 -0.0442235  -0.03482076\n    -0.04340085 -0.00259226  0.01990842 -0.01764613]\n    ```\n\n    ✅ Tænk lidt over forholdet mellem dataene og regressionsmålet. Lineær regression forudsiger sammenhænge mellem feature X og målvariablen y. Kan du finde [målet](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) for diabetes datasættet i dokumentationen? Hvad demonstrerer dette datasæt, givet målet?\n\n2. Vælg derefter en del af dette datasæt til at plotte ved at vælge den 3. kolonne af datasættet. Det kan du gøre ved at bruge `:` operatoren til at vælge alle rækker, og derefter vælge den 3. kolonne ved hjælp af indekset (2). Du kan også omforme dataene til at være et 2D-array — som krævet for plotning — ved at bruge `reshape(n_rows, n_columns)`. Hvis en af parametrene er -1, beregnes den tilsvarende dimension automatisk.\n\n   ```python\n   X = X[:, 2]\n   X = X.reshape((-1,1))\n   ```\n\n   ✅ Print dataene ud når som helst for at tjekke deres form.\n\n3. Nu hvor du har data klar til at blive plottet, kan du se, om en maskine kan hjælpe med at bestemme en logisk opdeling mellem tallene i dette datasæt. For at gøre dette skal du opdele både dataene (X) og målet (y) i test- og træningssæt. Scikit-learn har en ligetil måde at gøre dette på; du kan opdele dine testdata på et givent punkt.\n\n   ```python\n   X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)\n   ```\n\n4. Nu er du klar til at træne din model! Indlæs den lineære regressionsmodel og træne den med dine X- og y træningssæt ved hjælp af `model.fit()`:\n\n    ```python\n    model = linear_model.LinearRegression()\n    model.fit(X_train, y_train)\n    ```\n\n    ✅ `model.fit()` er en funktion, du vil se i mange ML-biblioteker såsom TensorFlow\n\n5. Opret derefter en forudsigelse ved hjælp af testdata, brug funktionen `predict()`. Dette vil blive brugt til at tegne linjen mellem datagrupper\n\n    ```python\n    y_pred = model.predict(X_test)\n    ```\n\n6. Nu er det tid til at vise dataene i et plot. Matplotlib er et meget nyttigt værktøj til denne opgave. Lav et scatterplot af alle X- og y testdata, og brug forudsigelsen til at tegne en linje på det mest passende sted, mellem modellens datagrupperinger.\n\n    ```python\n    plt.scatter(X_test, y_test,  color='black')\n    plt.plot(X_test, y_pred, color='blue', linewidth=3)\n    plt.xlabel('Scaled BMIs')\n    plt.ylabel('Disease Progression')\n    plt.title('A Graph Plot Showing Diabetes Progression Against BMI')\n    plt.show()\n    ```\n\n   ![et scatterplot, der viser datapunkter omkring diabetes](../../../../translated_images/da/scatterplot.ad8b356bcbb33be6.webp)\n\n\n   ✅ Tænk lidt over, hvad der foregår her. En ret linje løber gennem mange små datapunkter, men hvad gør den egentlig? Kan du se, hvordan du burde kunne bruge denne linje til at forudsige, hvor et nyt, uset datapunkt skal placeres i forhold til plottets y-akse? Prøv at formulere den praktiske anvendelse af denne model.\n\nTillykke, du har bygget din første lineære regressionsmodel, lavet en forudsigelse med den og vist den i et plot!\n\n---\n## 🚀Udfordring\n\nPlot en anden variabel fra dette datasæt. Tip: rediger denne linje: `X = X[:,2]`. Med dette datasæts målvariabel, hvad kan du opdage om progressionen af diabetes som sygdom?\n## [Quiz efter forelæsning](https://ff-quizzes.netlify.app/en/ml/)\n\n## Gennemgang & Selvstudium\n\nI denne vejledning arbejdede du med simpel lineær regression fremfor univariat eller multiple lineære regression. Læs lidt om forskellene mellem disse metoder, eller se [denne video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)\n\nLæs mere om konceptet regression og tænk over, hvilke slags spørgsmål der kan besvares med denne teknik. Tag denne [vejledning](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) for at fordybe din forståelse.\n\n## Opgave\n\n[Et andet datasæt](assignment.md)\n\n---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Ansvarsfraskrivelse**:\nDette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selvom vi bestræber os på nøjagtighed, skal du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os intet ansvar for misforståelser eller fejltolkninger, der opstår som følge af brugen af denne oversættelse.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->","translations/bn/2-Regression/1-Tools/README.md":"# রিগ্রেশন মডেলগুলির জন্য পাইথন এবং স্কিকিট-লার্ন দিয়ে শুরু করুন\n\n![একটি স্কেচনোটে রিগ্রেশনগুলির সারসংক্ষেপ](../../../../translated_images/bn/ml-regression.4e4f70e3b3ed446e.webp)\n\n> স্কেচনোট তৈরি করেছেন [তোমোমি ইমুরা](https://www.twitter.com/girlie_mac)\n\n## [পূর্বে-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ml/)\n\n> ### [এই পাঠটি R-এ উপলব্ধ!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)\n\n## পরিচিতি\n\nএই চারটি পাঠে, আপনি কিভাবে রিগ্রেশন মডেল তৈরি করতে হয় তা জানবেন। আমরা এক্ষুনি আলোচনা করব এগুলি কী জন্য। কিন্তু কিছু করার আগে, নিশ্চিত করুন যে আপনার কাছে প্রক্রিয়া শুরু করার জন্য সঠিক সরঞ্জাম রয়েছে!\n\nএই পাঠে, আপনি শিখবেন কিভাবে:\n\n- আপনার কম্পিউটারকে স্থানীয় মেশিন লার্নিং কাজের জন্য কনফিগার করবেন।\n- জুপিটার নোটবুকের সাথে কাজ করবেন।\n- স্কিকিট-লার্ন ব্যবহার করবেন, ইনস্টলেশন সহ।\n- একটি হাতে-কলমে অনুশীলন সহ লিনিয়ার রিগ্রেশন অন্বেষণ করবেন।\n\n## ইনস্টলেশন এবং কনফিগারেশন\n\n[![শুরুর জন্য এমএল - মেশিন লার্নিং মডেল তৈরির জন্য আপনার টুলস প্রস্তুত করুন](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 \"শুরুর জন্য এমএল - মেশিন লার্নিং মডেল তৈরির জন্য আপনার টুলস প্রস্তুত করুন\")\n\n> 🎥 এমএল কনফিগার করার জন্য একটি সংক্ষিপ্ত ভিডিও দেখতে উপরের চিত্রে ক্লিক করুন।\n\n1. **পাইথন ইনস্টল করুন**। নিশ্চিত করুন যে [Python](https://www.python.org/downloads/) আপনার কম্পিউটারে ইনস্টল করা আছে। আপনি অনেক ডেটা সাইন্স এবং মেশিন লার্নিং কাজের জন্য পাইথন ব্যবহার করবেন। বেশিরভাগ কম্পিউটার সিস্টেমে ইতিমধ্যে পাইথন ইনস্টল থাকে। কিছু ব্যবহারকারীর জন্য সহজতর করতে [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott)ও পাওয়া যায়।\n\n   তবে, পাইথনের কিছু ব্যবহার এক ভার্সনের সফটওয়্যার চান, আবার কিছু অন্য ভার্সনের। এজন্য, একটি [ভার্চুয়াল এনভায়রনমেন্টে](https://docs.python.org/3/library/venv.html) কাজ করা উপকারী।\n\n2. **ভিজুয়াল স্টুডিও কোড ইনস্টল করুন**। নিশ্চিত করুন যে আপনার কম্পিউটারে ভিজুয়াল স্টুডিও কোড ইনস্টল করা আছে। বেসিক ইনস্টলেশনের জন্য এই নির্দেশনাগুলো অনুসরণ করুন: [Visual Studio Code ইনস্টল করুন](https://code.visualstudio.com/)। এই কোর্সে আপনি ভিজুয়াল স্টুডিও কোডে পাইথন ব্যবহার করবেন, তাই পাইথন ডেভেলপমেন্টের জন্য [Visual Studio Code কনফিগার করা](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) সম্পর্কেও জানতে পারেন।\n\n   > এই [লার্ন মডিউলস](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) থেকে কাজ করে পাইথনে স্বাচ্ছন্দ্যতা অর্জন করুন\n   >\n   > [![Visual Studio Code-এ Python সেটআপ করুন](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 \"Visual Studio Code-এ Python সেটআপ করুন\")\n   >\n   > 🎥 ভিডিওটির জন্য উপরের চিত্রে ক্লিক করুন: VS কোডে পাইথন ব্যবহার।\n\n3. **স্কিকিট-লার্ন ইনস্টল করুন**, এই [নির্দেশনাগুলো](https://scikit-learn.org/stable/install.html) অনুসরণ করে। আপনাকে নিশ্চিত করতে হবে যে আপনি পাইথন ৩ ব্যবহার করছেন, তাই ভার্চুয়াল এনভায়রনমেন্ট ব্যবহার করার পরামর্শ দেওয়া হয়। লক্ষ্য করুন, যদি আপনি M1 ম্যাক-এ এই লাইব্রেরি ইনস্টল করছেন, তাহলে উপরের লিঙ্কে বিশেষ নির্দেশনাগুলো আছে।\n\n4. **জুপিটার নোটবুক ইনস্টল করুন**। আপনাকে [জুপিটার প্যাকেজ ইনস্টল](https://pypi.org/project/jupyter/) করতে হবে।\n\n## আপনার এমএল লেখার পরিবেশ\n\nআপনি পাইথন কোড উন্নয়ন এবং মেশিন লার্নিং মডেল তৈরি করতে **নোটবুকস** ব্যবহার করবেন। এই ধরণের ফাইল ডেটা বিজ্ঞানীদের একটি সাধারণ টুল এবং এগুলোর সাফিক্স বা এক্সটেনশন `.ipynb` দ্বারা চিহ্নিত করা হয়।\n\nনোটবুক একটি ইন্টারঅ্যাকটিভ পরিবেশ যা ডেভেলপারকে কোড করার পাশাপাশি কোডের চারপাশে নোট এবং ডকুমেন্টেশন লেখার সুযোগ দেয়, যা পরীক্ষামূলক বা গবেষণাভিত্তিক প্রকল্পে খুব সহায়ক।\n\n[![শুরুর জন্য এমএল - রিগ্রেশন মডেল তৈরির জন্য জুপিটার নোটবুক সেটআপ করুন](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E \"শুরুর জন্য এমএল - রিগ্রেশন মডেল তৈরির জন্য জুপিটার নোটবুক সেটআপ করুন\")\n\n> 🎥 এই অনুশীলনটি করতে উপরের ছবিতে ক্লিক করুন একটি সংক্ষিপ্ত ভিডিওর জন্য।\n\n### অনুশীলন - একটি নোটবুকের সাথে কাজ করুন\n\nএই ফোল্ডারে, আপনি _notebook.ipynb_ ফাইলটি দেখতে পাবেন।\n\n1. Visual Studio Code-এ _notebook.ipynb_ খুলুন।\n\n   একটি জুপিটার সার্ভার Python 3+ দিয়ে চালু হবে। আপনি নোটবুকের এমন স্থান পাবেন যা `run` করা যাবে, কোডের টুকরা। কার্টির মত দেখতে আইকনটি নির্বাচন করে কোড ব্লক চালাতে পারেন।\n\n2. `md` আইকন নির্বাচন করুন এবং কিছু মার্কডাউন লিখুন, এবং নিম্নলিখিত টেক্সট দিন **# আপনার নোটবুকে স্বাগতম**।\n\n   এরপর, কিছু পাইথন কোড যোগ করুন।\n\n3. কোড ব্লকে টাইপ করুন **print('hello notebook')**।\n4. কোড চালাতে তীর চিহ্ন নির্বাচন করুন।\n\n   আপনি নিম্নলিখিত প্রিন্টেড স্টেটমেন্ট দেখতে পাবেন:\n\n    ```output\n    hello notebook\n    ```\n\n![ভিএস কোডে একটি নোটবুক খোলা](../../../../translated_images/bn/notebook.4a3ee31f396b8832.webp)\n\nআপনি নোটবুক নিজেই ডকুমেন্ট করার জন্য মন্তব্যসহ কোডের মধ্যে ইন্টারলিফ করতে পারেন।\n\n✅ একটি ওয়েব ডেভেলপার এবং একটি ডেটা বিজ্ঞানীর কাজের পরিবেশ কতোটা ভিন্ন হতে পারে, একটু ভাবুন।\n\n## স্কিকিট-লার্ন দিয়ে কাজ শুরু করুন\n\nএখন যেহেতু পাইথন আপনার স্থানীয় পরিবেশে প্রস্তুত, এবং আপনি জুপিটার নোটবুকে স্বাচ্ছন্দ্যবোধ করছেন, চলুন স্কিকিট-লার্নের সাথেও সমান স্বাচ্ছন্দ্য অর্জন করি (উচ্চারণ `sci` যেমন `science`)। স্কিকিট-লার্ন একটি [বিস্তৃত এপিআই](https://scikit-learn.org/stable/modules/classes.html#api-ref) দেয় যেটা আপনাকে এমএল কাজ করতে সাহায্য করবে।\n\nতাদের [ওয়েবসাইট](https://scikit-learn.org/stable/getting_started.html) অনুযায়ী, \"স্কিকিট-লার্ন একটি ওপেন সোর্স মেশিন লার্নিং লাইব্রেরি যা সুপারভাইজড এবং আনসুপারভাইজড লার্নিং সাপোর্ট করে। এটি মডেল ফিটিং, ডেটা প্রিপ্রসেসিং, মডেল সিলেকশন এবং ইভ্যালুয়েশন, এবং অন্যান্য অনেক টুলস প্রদান করে।\"\n\nএই কোর্সে, আপনি স্কিকিট-লার্ন এবং অন্যান্য সরঞ্জাম ব্যবহার করে একটি মেশিন লার্নিং মডেল গড়ে তুলবেন যা আমরা 'পরম্পরাগত মেশিন লার্নিং' কাজ বলে থাকি। আমরা ইচ্ছাকৃতভাবে নিউরাল নেটওয়ার্ক এবং ডিপ লার্নিং এড়িয়েছি, কারণ এগুলো আমাদের আসন্ন 'এআই ফর বিগিনার্স' কারিকুলামে ভালোভাবে কভার করা হয়েছে।\n\nস্কিকিট-লার্ন মডেল তৈরি করা এবং সেগুলোর মূল্যায়ন সহজ করে তোলে। এটি প্রধানত সংখ্যাগত ডেটা ব্যবহার করে এবং শেখার সরঞ্জাম হিসেবে বেশ কিছু প্রস্তুত ডেটাসেট রয়েছে। এতে শিক্ষার্থীদের জন্য প্রাক-তৈরি মডেলও আছে। প্রথমে স্কিকিট-লার্নের সাথে প্রিপ্যাকেজড ডেটা লোড এবং বিল্ট-ইন এস্টিমেটর ব্যবহার করে মৌলিক এমএল মডেল তৈরির প্রক্রিয়া অন্বেষণ করি।\n\n## অনুশীলন - আপনার প্রথম স্কিকিট-লার্ন নোটবুক\n\n> এই টিউটোরিয়ালটি অনুপ্র inspirationণ হয়েছে স্কিকিট-লার্নের ওয়েবসাইটের [লিনিয়ার রিগ্রেশন উদাহরণ](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) থেকে।\n\n\n[![শুরুর জন্য এমএল - পাইথনে আপনার প্রথম লিনিয়ার রিগ্রেশন প্রকল্প](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 \"শুরুর জন্য এমএল - পাইথনে আপনার প্রথম লিনিয়ার রিগ্রেশন প্রকল্প\")\n\n> 🎥 এই অনুশীলনটি দেখতে উপরের চিত্রে ক্লিক করুন একটি সংক্ষিপ্ত ভিডিওর জন্য।\n\nএই পাঠের সাথে সংযুক্ত _notebook.ipynb_ ফাইলে, সকল সেলগুলি 'ট্র্যাশ ক্যান' আইকন চাপ দিয়ে ক্লিয়ার করুন।\n\nএই অংশে, আপনি ডায়াবেটিস সম্পর্কে একটি ছোট ডেটাসেট নিয়ে কাজ করবেন যা স্কিকিট-লার্নে শেখার জন্য অন্তর্ভুক্ত। কল্পনা করুন আপনি ডায়াবেটিক রোগীদের জন্য একটি চিকিৎসা পরীক্ষা করতে চান। মেশিন লার্নিং মডেল আপনাকে নির্ধারণ করতে সাহায্য করতে পারে কোন রোগী চিকিৎসায় ভাল সাড়া দেবে বিভিন্ন ভেরিয়েবলের সংমিশ্রণের ভিত্তিতে। একটি মৌলিক রিগ্রেশন মডেল, ভিজুয়ালাইজ করা হলে, ভেরিয়েবলের তথ্য দেখাতে পারে যা আপনার তাত্ত্বিক ক্লিনিক্যাল ট্রায়াল সংগঠনে সাহায্য করবে।\n\n✅ রিগ্রেশনের অনেক ধরন আছে এবং আপনি কোনটি বেছে নেন তা নির্ভর করে আপনি কোন প্রশ্নের উত্তর খুঁজছেন তার উপর। যদি আপনি নির্দিষ্ট বয়সের একজন ব্যক্তির সম্ভাব্য উচ্চতা পূর্বাভাস দিতে চান, তাহলে আপনি লিনিয়ার রিগ্রেশন ব্যবহার করবেন, কারণ আপনি একটি **সংখ্যাগত মান** খুঁজছেন। যদি আপনি জানতে চান একটি রান্নার ধরন নিরামিষ কিনা, তাহলে সেটি একটি **শ্রেণিবিন্যাস** তাই আপনি লজিস্টিক রিগ্রেশন ব্যবহার করবেন। লজিস্টিক রিগ্রেশন সম্পর্কে পরে শিখবেন। কিছু প্রশ্ন নিয়ে ভাবুন যা আপনি ডেটাবেজে করতে পারেন এবং কোন পদ্ধতিটি উপযুক্ত হবে।\n\nচলুন এই কাজ শুরু করি।\n\n### লাইব্রেরি আমদানি\n\nএই কাজের জন্য আমরা কিছু লাইব্রেরি আমদানি করব:\n\n- **matplotlib**। এটি একটি উপকারী [গ্রাফিং টুল](https://matplotlib.org/) এবং আমরা একটি লাইন প্লট তৈরি করতে এটি ব্যবহার করব।\n- **numpy**। [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) পাইথনে সংখ্যাগত ডেটা পরিচালনার জন্য একটি দরকারী লাইব্রেরি।\n- **sklearn**। এটি [স্কিকিট-লার্ন](https://scikit-learn.org/stable/user_guide.html) লাইব্রেরি।\n\nআপনার কাজের জন্য কিছু লাইব্রেরি আমদানি করুন।\n\n1. নিচের কোড টাইপ করে আমদানি করুন:\n\n   ```python\n   import matplotlib.pyplot as plt\n   import numpy as np\n   from sklearn import datasets, linear_model, model_selection\n   ```\n\n   উপরে আপনি `matplotlib`, `numpy` আমদানি করছেন এবং `sklearn` থেকে `datasets`, `linear_model` এবং `model_selection` আমদানি করছেন। `model_selection` ডেটাকে প্রশিক্ষণ এবং পরীক্ষা সেটে ভাগ করার জন্য ব্যবহৃত।\n\n### ডায়াবেটিস ডেটাসেট\n\nঅন্তর্ভুক্ত [ডায়াবেটিস ডেটাসেট](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) এ ৪৪২টি নমুনা রয়েছে, যেখানে ১০টি বৈশিষ্ট্য ভেরিয়েবল আছে, কিছু হল:\n\n- বয়স: বছরে বয়স\n- BMI: শরীরের ভর সূচক\n- রক্তচাপ: গড় রক্তচাপ\n- s1 tc: টি-সেলস (সাদা রক্তকণিকার একটি প্রকার)\n\n✅ এই ডেটাসেটে 'লিঙ্গ' নামক একটি বৈশিষ্ট্য ভেরিয়েবল অন্তর্ভুক্ত আছে, যা ডায়াবেটিস গবেষণায় গুরুত্বপূর্ণ। অনেক চিকিৎসা তথ্যসেট এই ধরনের বাইনারি শ্রেণিবিভাজন অন্তর্ভুক্ত করে। ভাবুন কিভাবে এমন শ্রেণিবিভাজন কিছু জনগোষ্ঠীকে চিকিৎসা থেকে বাদ দিতে পারে।\n\nএখন, X এবং y ডেটা লোড করুন।\n\n> 🎓 মনে রাখবেন, এটি একটি সুপারভাইজড লার্নিং, এবং আমাদের একটি নামকৃত 'y' লক্ষ্য দরকার।\n\nএকটি নতুন কোড সেলে, `load_diabetes()` কল করে ডায়াবেটিস ডেটাসেট লোড করুন। `return_X_y=True` ইনপুট মানে হল `X` একটি ডেটা ম্যাট্রিক্স হবে, এবং `y` হবে রিগ্রেশন লক্ষ্য।\n\n1. ডেটা ম্যাট্রিক্সের আকৃতি এবং এর প্রথম উপাদান প্রদর্শনের জন্য কিছু প্রিন্ট কমান্ড যোগ করুন:\n\n    ```python\n    X, y = datasets.load_diabetes(return_X_y=True)\n    print(X.shape)\n    print(X[0])\n    ```\n\n    আপনি যে রেসপন্স পাচ্ছেন, তা একটি tuple। আপনি tuple- এর প্রথম দুটি মান `X` এবং `y` তে আলাদা করছেন। [tuple সম্পর্কে আরও জানুন](https://wikipedia.org/wiki/Tuple)।\n\n    আপনি দেখতে পাচ্ছেন ডেটা ৪৪২টি আইটেম নিয়ে তৈরি, যার প্রতিটি ১০টি উপাদানের অ্যারে আকারে:\n\n    ```text\n    (442, 10)\n    [ 0.03807591  0.05068012  0.06169621  0.02187235 -0.0442235  -0.03482076\n    -0.04340085 -0.00259226  0.01990842 -0.01764613]\n    ```\n\n    ✅ কিছুক্ষণ ভেবে দেখুন ডেটা এবং রিগ্রেশন লক্ষ্য এর সম্পর্ক। লিনিয়ার রিগ্রেশন বৈশিষ্ট্য X এবং লক্ষ্য ভেরিয়েবল y-এর মধ্যে সম্পর্ক পূর্বাভাস দেয়। আপনি কি ডকুমেন্টেশনে ডায়াবেটিস ডেটাসেটের [লক্ষ্য](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) খুঁজে পেয়েছেন? এই ডেটাসেটটি কি প্রদর্শন করছে, লক্ষ্য দেখে?\n\n2. তারপরে, ডেটাসেটের একটি অংশ নির্বাচন করুন প্লট করার জন্য: ডেটাসেটের ৩য় কলাম নির্বাচিত করুন। `:` অপারেটর ব্যবহার করে সব সারি নির্বাচন করে তারপর ইনডেক্স (২) ব্যবহার করে তৃতীয় কলাম নির্বাচন করতে পারেন। প্লট করার জন্য ডেটাকে 2D অ্যারেতে রিশেপ করা দরকার `reshape(n_rows, n_columns)` ব্যবহার করে। যদি একটি প্যারামিটার -1 হয়, সংশ্লিষ্ট মাত্রা স্বয়ংক্রিয়ভাবে হিসাব হয়।\n\n   ```python\n   X = X[:, 2]\n   X = X.reshape((-1,1))\n   ```\n\n   ✅ যেকোনো সময় ডেটার আকৃতি পরীক্ষা করতে প্রিন্ট করুন।\n\n3. এখন ডেটা প্লট করার প্রস্তুত, দেখুন একটি মেশিন সংখ্যাগুলোর মধ্যে যৌক্তিক বিভাজন নির্ধারণে সাহায্য করতে পারে কিনা। এর জন্য, আপনাকে ডেটা (X) এবং লক্ষ্য (y) উভয়ই পরীক্ষা এবং প্রশিক্ষণ সেটে ভাগ করতে হবে। স্কিকিট-লার্নে এর জন্য সরল উপায় আছে; আপনি নির্দিষ্ট পয়েন্টে পরীক্ষা ডেটা ভাগ করতে পারবেন।\n\n   ```python\n   X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)\n   ```\n\n4. এখন আপনার মডেল প্রশিক্ষণের জন্য প্রস্তুত! লিনিয়ার রিগ্রেশন মডেল লোড করুন এবং `model.fit()` ব্যবহার করে X ও y প্রশিক্ষণ সেট দিয়ে প্রশিক্ষণ দিন:\n\n    ```python\n    model = linear_model.LinearRegression()\n    model.fit(X_train, y_train)\n    ```\n\n    ✅ `model.fit()` একটি ফাংশন যা আপনি অনেক এমএল লাইব্রেরিতে যেমন TensorFlow দেথতে পাবেন\n\n5. এরপর, `predict()` ফাংশন ব্যবহার করে পরীক্ষার ডেটা দিয়ে পূর্বাভাস তৈরি করুন। এটি ডেটা গ্রুপের মধ্যে একটি লাইন আঁকতে ব্যবহৃত হবে\n\n    ```python\n    y_pred = model.predict(X_test)\n    ```\n\n6. এখন ডেটা একটি প্লটে প্রদর্শনের সময়। এই কাজের জন্য matplotlib খুব দরকারী টুল। সমস্ত X এবং y পরীক্ষার ডেটার একটি scatterplot তৈরি করুন এবং পূর্বাভাস ব্যবহার করে মডেলের ডেটা গ্রুপের মধ্যে সবচেয়ে উপযুক্ত স্থানে একটি লাইন আঁকুন।\n\n    ```python\n    plt.scatter(X_test, y_test,  color='black')\n    plt.plot(X_test, y_pred, color='blue', linewidth=3)\n    plt.xlabel('Scaled BMIs')\n    plt.ylabel('Disease Progression')\n    plt.title('A Graph Plot Showing Diabetes Progression Against BMI')\n    plt.show()\n    ```\n\n   ![ডায়াবেটিসের চারপাশে ডেটাপয়েন্ট দেখাচ্ছে একটি scatterplot](../../../../translated_images/bn/scatterplot.ad8b356bcbb33be6.webp)\n\n\n   ✅ এখানে কী ঘটছে তা একটু ভাবুন। একটি সরলরেখা অনেক ছোট ডেটার বিন্দুর মধ্য দিয়ে যাচ্ছে, কিন্তু এটি ঠিক কী করছে? আপনি কি দেখতে পাচ্ছেন কীভাবে এই রেখাটিকে ব্যবহার করে কোনও নতুন, অদেখা ডেটা পয়েন্ট কোথায় প্লটের y অক্ষের সাথে সম্পর্ক করে বসাতে হবে তা পূর্বাভাস দেবে? এই মডেলের ব্যবহারিক উপযোগিতাটি শব্দে প্রকাশ করার চেষ্টা করুন।\n\nঅভিনন্দন, আপনি প্রথম লিনিয়ার রিগ্রেশন মডেলটি তৈরি করেছেন, এটি দিয়ে একটি পূর্বাভাস তৈরি করেছেন, এবং এটি একটি প্লটে প্রদর্শন করেছেন!\n\n---\n## 🚀চ্যালেঞ্জ\n\nএই ডেটাসেট থেকে একটি আলাদা ভেরিয়েবল প্লট করুন। ইঙ্গিত: এই লাইনটি সম্পাদনা করুন: `X = X[:,2]`। এই ডেটাসেটের টার্গেট বিবেচনায়, আপনি কী জানতে পারছেন ডায়াবেটিস রোগের অগ্রগতির সম্পর্কে?\n## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ml/)\n\n## পর্যালোচনা এবং স্ব-অধ্যয়ন\n\nএই টিউটোরিয়ালে, আপনি সহজ সরলরেখীয় রিগ্রেশন নিয়ে কাজ করেছেন, যা ইউনিভেরিয়েট বা মাল্টিপল লিনিয়ার রিগ্রেশনের থেকে আলাদা। এই পদ্ধতিগুলির মধ্যে পার্থক্য সম্পর্কে একটু পড়ুন, অথবা [এই ভিডিওটি](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) দেখুন।\n\nরিগ্রেশন ধারণা সম্পর্কে আরও পড়ুন এবং ভাবুন কী ধরনের প্রশ্ন এই প্রযুক্তি দ্বারা উত্তরযোগ্য। আপনার বোঝাপড়া গভীর করার জন্য এই [টিউটোরিয়ালটি](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) অনুসরণ করুন।\n\n## অ্যাসাইনমেন্ট\n\n[একটি ভিন্ন ডেটাসেট](assignment.md)\n\n---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**অস্বীকৃতি**:\nএই নথিটি AI অনুবাদ পরিষেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনূদিত হয়েছে। যদিও আমরা শুদ্ধতার জন্য চেষ্টা করি, অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। মূল নথিটি তার স্বভাষায় কর্তৃত্বপূর্ণ উৎস হিসেবে বিবেচিত হওয়া উচিত। গুরুত্বপূর্ণ তথ্যের জন্য পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদের ব্যবহারে প্রয়োজনীয় ভুল বোঝাবুঝি বা ভুল ব্যাখ্যার জন্য আমরা দায়বদ্ধ নই।\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->","translations/es/2-Regression/1-Tools/README.md":"# Comienza con Python y Scikit-learn para modelos de regresión\n\n![Resumen de regresiones en una sketchnote](../../../../translated_images/es/ml-regression.4e4f70e3b3ed446e.webp)\n\n> Sketchnote de [Tomomi Imura](https://www.twitter.com/girlie_mac)\n\n## [Cuestionario previo a la clase](https://ff-quizzes.netlify.app/en/ml/)\n\n> ### [¡Esta lección está disponible en R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)\n\n## Introducción\n\nEn estas cuatro lecciones, descubrirás cómo construir modelos de regresión. Hablaremos de para qué sirven en breve. Pero antes de hacer cualquier cosa, asegúrate de tener las herramientas correctas para comenzar el proceso.\n\nEn esta lección, aprenderás a:\n\n- Configurar tu computadora para tareas locales de aprendizaje automático.\n- Trabajar con Jupyter Notebooks.\n- Usar Scikit-learn, incluida la instalación.\n- Explorar la regresión lineal con un ejercicio práctico.\n\n## Instalaciones y configuraciones\n\n[![ML para principiantes - Prepara tus herramientas listas para construir modelos de Machine Learning](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 \"ML para principiantes - Prepara tus herramientas listas para construir modelos de Machine Learning\")\n\n> 🎥 Haz clic en la imagen de arriba para un video corto mostrando cómo configurar tu computadora para ML.\n\n1. **Instala Python**. Asegúrate de que [Python](https://www.python.org/downloads/) esté instalado en tu computadora. Usarás Python para muchas tareas de ciencia de datos y aprendizaje automático. La mayoría de los sistemas ya incluyen una instalación de Python. También hay útiles [Paquetes de Codificación Python](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) disponibles para facilitar la configuración a algunos usuarios.\n\n   Sin embargo, algunos usos de Python requieren una versión del software, mientras que otros requieren una diferente. Por esto, es útil trabajar dentro de un [entorno virtual](https://docs.python.org/3/library/venv.html).\n\n2. **Instala Visual Studio Code**. Asegúrate de tener instalado Visual Studio Code en tu computadora. Sigue estas instrucciones para [instalar Visual Studio Code](https://code.visualstudio.com/) para la instalación básica. Vas a usar Python en Visual Studio Code en este curso, por lo que quizás quieras repasar cómo [configurar Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) para desarrollo en Python.\n\n   > Familiarízate con Python trabajando estos [módulos de aprendizaje](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)\n   >\n   > [![Configura Python con Visual Studio Code](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 \"Configura Python con Visual Studio Code\")\n   >\n   > 🎥 Haz clic en la imagen de arriba para un video: usando Python dentro de VS Code.\n\n3. **Instala Scikit-learn**, siguiendo [estas instrucciones](https://scikit-learn.org/stable/install.html). Como necesitas asegurarte de usar Python 3, se recomienda usar un entorno virtual. Nota que si instalas esta biblioteca en un Mac M1, hay instrucciones especiales en la página enlazada arriba.\n\n1. **Instala Jupyter Notebook**. Necesitarás [instalar el paquete Jupyter](https://pypi.org/project/jupyter/).\n\n## Tu entorno de autoría ML\n\nUsarás **notebooks** para desarrollar tu código Python y crear modelos de aprendizaje automático. Este tipo de archivo es una herramienta común para científicos de datos, y se identifica por su sufijo o extensión `.ipynb`.\n\nLos notebooks son un entorno interactivo que permite al desarrollador tanto codificar como añadir notas y escribir documentación alrededor del código, lo que es muy útil para proyectos experimentales o de investigación.\n\n[![ML para principiantes - Configura Jupyter Notebooks para comenzar a construir modelos de regresión](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E \"ML para principiantes - Configura Jupyter Notebooks para comenzar a construir modelos de regresión\")\n\n> 🎥 Haz clic en la imagen de arriba para un video corto realizando este ejercicio.\n\n### Ejercicio - trabaja con un notebook\n\nEn esta carpeta, encontrarás el archivo _notebook.ipynb_.\n\n1. Abre _notebook.ipynb_ en Visual Studio Code.\n\n   Se iniciará un servidor Jupyter con Python 3+ activo. Encontrarás áreas del notebook que pueden `ejecutarse`, fragmentos de código. Puedes ejecutar un bloque de código seleccionando el icono que parece un botón de reproducir.\n\n1. Selecciona el icono `md` y añade un poco de markdown, y el siguiente texto **# Bienvenido a tu notebook**.\n\n   Luego, añade un poco de código Python.\n\n1. Escribe **print('hola notebook')** en el bloque de código.\n1. Selecciona la flecha para ejecutar el código.\n\n   Deberías ver la instrucción impresa:\n\n    ```output\n    hello notebook\n    ```\n\n![VS Code con un notebook abierto](../../../../translated_images/es/notebook.4a3ee31f396b8832.webp)\n\nPuedes intercalar tu código con comentarios para auto-documentar el notebook.\n\n✅ Piensa por un minuto cuán diferente es el entorno de trabajo de un desarrollador web en comparación con el de un científico de datos.\n\n## En marcha con Scikit-learn\n\nAhora que Python está configurado en tu entorno local y estás cómodo con Jupyter Notebooks, vamos a familiarizarnos también con Scikit-learn (pronúncialo `sci` como en `science`). Scikit-learn proporciona una [API extensa](https://scikit-learn.org/stable/modules/classes.html#api-ref) para ayudarte a realizar tareas de ML.\n\nSegún su [sitio web](https://scikit-learn.org/stable/getting_started.html), \"Scikit-learn es una biblioteca de aprendizaje automático de código abierto que soporta aprendizaje supervisado y no supervisado. También provee varias herramientas para ajuste de modelos, preprocesamiento de datos, selección y evaluación de modelos, y muchas otras utilidades.\"\n\nEn este curso usarás Scikit-learn y otras herramientas para construir modelos de aprendizaje automático para realizar lo que llamamos tareas tradicionales de aprendizaje automático. Hemos evitado intencionadamente redes neuronales y aprendizaje profundo, ya que se cubren mejor en nuestro próximo plan curricular 'IA para principiantes'.\n\nScikit-learn facilita construir modelos y evaluarlos para uso. Se centra principalmente en datos numéricos y contiene varios conjuntos de datos listos para usar como herramientas de aprendizaje. También incluye modelos preconstruidos para que los estudiantes prueben. Exploremos primero el proceso de cargar datos preempaquetados y usar un estimador incorporado para el primer modelo ML con Scikit-learn con datos básicos.\n\n## Ejercicio - tu primer notebook con Scikit-learn\n\n> Este tutorial fue inspirado por el [ejemplo de regresión lineal](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) en el sitio web de Scikit-learn.\n\n\n[![ML para principiantes - Tu Primer Proyecto de Regresión Lineal en Python](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 \"ML para principiantes - Tu Primer Proyecto de Regresión Lineal en Python\")\n\n> 🎥 Haz clic en la imagen de arriba para un video corto realizando este ejercicio.\n\nEn el archivo _notebook.ipynb_ asociado a esta lección, limpia todas las celdas presionando el icono de 'papelera'.\n\nEn esta sección, trabajarás con un pequeño conjunto de datos sobre diabetes que está incorporado en Scikit-learn para fines de aprendizaje. Imagina que quieres probar un tratamiento para pacientes diabéticos. Los modelos de aprendizaje automático pueden ayudarte a determinar qué pacientes responderían mejor al tratamiento, basándose en combinaciones de variables. Incluso un modelo básico de regresión, cuando se visualiza, puede mostrar información sobre variables que te ayudarían a organizar tus ensayos clínicos teóricos.\n\n✅ Hay muchos tipos de métodos de regresión y cuál eliges depende de la respuesta que buscas. Si quieres predecir la altura probable para una persona de cierta edad, usarías regresión lineal, ya que buscas un **valor numérico**. Si te interesa descubrir si un tipo de cocina debe considerarse vegana o no, buscas una **asignación de categoría**, por lo que usarías regresión logística. Aprenderás más sobre regresión logística más adelante. Piensa un poco en algunas preguntas que puedes hacer sobre datos y cuál de estos métodos sería más apropiado.\n\nVamos a comenzar con esta tarea.\n\n### Importar bibliotecas\n\nPara esta tarea importaremos algunas bibliotecas:\n\n- **matplotlib**. Es una [herramienta de gráficos](https://matplotlib.org/) útil que usaremos para crear un gráfico de líneas.\n- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) es una biblioteca útil para manejar datos numéricos en Python.\n- **sklearn**. Esta es la biblioteca [Scikit-learn](https://scikit-learn.org/stable/user_guide.html).\n\nImporta algunas bibliotecas para ayudarte con tus tareas.\n\n1. Añade las importaciones escribiendo el siguiente código:\n\n   ```python\n   import matplotlib.pyplot as plt\n   import numpy as np\n   from sklearn import datasets, linear_model, model_selection\n   ```\n\n   Más arriba estás importando `matplotlib`, `numpy` y estás importando `datasets`, `linear_model` y `model_selection` de `sklearn`. `model_selection` se usa para dividir los datos en conjuntos de entrenamiento y prueba.\n\n### El conjunto de datos de diabetes\n\nEl [conjunto de datos diabetes](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) incorporado incluye 442 muestras de datos sobre diabetes, con 10 variables características, algunas de las cuales incluyen:\n\n- edad: edad en años\n- imc: índice de masa corporal\n- presión arterial: presión arterial promedio\n- s1 tc: Células T (un tipo de glóbulos blancos)\n\n✅ Este conjunto de datos incluye el concepto de 'sexo' como variable característica importante para la investigación sobre diabetes. Muchos conjuntos de datos médicos incluyen este tipo de clasificación binaria. Piensa un poco en cómo categorizaciones así podrían excluir a ciertas partes de una población de tratamientos.\n\nAhora, carga los datos X y y.\n\n> 🎓 Recuerda, este es aprendizaje supervisado, y necesitamos un objetivo llamado 'y'.\n\nEn una nueva celda de código, carga el conjunto de datos diabetes llamando a `load_diabetes()`. El parámetro `return_X_y=True` señala que `X` será una matriz de datos, y `y` será el objetivo de regresión.\n\n1. Añade algunos comandos print para mostrar la forma de la matriz de datos y su primer elemento:\n\n    ```python\n    X, y = datasets.load_diabetes(return_X_y=True)\n    print(X.shape)\n    print(X[0])\n    ```\n\n    Lo que recibes como respuesta es una tupla. Lo que haces es asignar los dos primeros valores de la tupla a `X` y `y` respectivamente. Aprende más [sobre tuplas](https://wikipedia.org/wiki/Tuple).\n\n    Puedes ver que estos datos tienen 442 ítems con forma de arrays de 10 elementos:\n\n    ```text\n    (442, 10)\n    [ 0.03807591  0.05068012  0.06169621  0.02187235 -0.0442235  -0.03482076\n    -0.04340085 -0.00259226  0.01990842 -0.01764613]\n    ```\n\n    ✅ Piensa un poco sobre la relación entre los datos y el objetivo de regresión. La regresión lineal predice relaciones entre la característica X y la variable objetivo y. ¿Puedes encontrar el [objetivo](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) para el conjunto de datos de diabetes en la documentación? ¿Qué está demostrando este conjunto de datos dado ese objetivo?\n\n2. Luego, selecciona una parte de este conjunto de datos para graficar seleccionando la tercera columna del conjunto. Puedes hacerlo usando el operador `:` para seleccionar todas las filas, y luego seleccionando la tercera columna usando el índice (2). También puedes remodelar los datos para que sean un array 2D — como se requiere para la gráfica — usando `reshape(n_filas, n_columnas)`. Si uno de los parámetros es -1, la dimensión correspondiente se calcula automáticamente.\n\n   ```python\n   X = X[:, 2]\n   X = X.reshape((-1,1))\n   ```\n\n   ✅ En cualquier momento, imprime los datos para verificar su forma.\n\n3. Ahora que tienes datos listos para graficar, puedes ver si una máquina puede ayudar a determinar una división lógica entre los números en este conjunto de datos. Para ello, necesitas dividir tanto los datos (X) como el objetivo (y) en conjuntos de prueba y entrenamiento. Scikit-learn tiene una forma sencilla de hacerlo; puedes dividir tus datos de prueba en un punto dado.\n\n   ```python\n   X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)\n   ```\n\n4. ¡Ahora estás listo para entrenar tu modelo! Carga el modelo de regresión lineal y entrénalo con tus conjuntos de entrenamiento X y y usando `model.fit()`:\n\n    ```python\n    model = linear_model.LinearRegression()\n    model.fit(X_train, y_train)\n    ```\n\n    ✅ `model.fit()` es una función que verás en muchas bibliotecas de ML como TensorFlow\n\n5. Luego, crea una predicción usando los datos de prueba, usando la función `predict()`. Esto se usará para trazar la línea entre los grupos de datos.\n\n    ```python\n    y_pred = model.predict(X_test)\n    ```\n\n6. Ahora es momento de mostrar los datos en una gráfica. Matplotlib es una herramienta muy útil para esta tarea. Crea un diagrama de dispersión de todos los datos de prueba X e y, y usa la predicción para dibujar una línea en el lugar más apropiado, entre los grupos de datos del modelo.\n\n    ```python\n    plt.scatter(X_test, y_test,  color='black')\n    plt.plot(X_test, y_pred, color='blue', linewidth=3)\n    plt.xlabel('Scaled BMIs')\n    plt.ylabel('Disease Progression')\n    plt.title('A Graph Plot Showing Diabetes Progression Against BMI')\n    plt.show()\n    ```\n\n   ![un diagrama de dispersión mostrando puntos de datos sobre diabetes](../../../../translated_images/es/scatterplot.ad8b356bcbb33be6.webp)\n\n\n   ✅ Piensa un poco sobre lo que está pasando aquí. Una línea recta atraviesa muchos pequeños puntos de datos, pero ¿qué está haciendo exactamente? ¿Puedes ver cómo deberías poder usar esta línea para predecir dónde debería encajar un nuevo punto de datos no visto en relación con el eje y del gráfico? Trata de poner en palabras el uso práctico de este modelo.\n\n¡Felicidades, construiste tu primer modelo de regresión lineal, creaste una predicción con él y la mostraste en un gráfico!\n\n---\n## 🚀Desafío\n\nGrafica una variable diferente de este conjunto de datos. Pista: edita esta línea: `X = X[:,2]`. Dado el objetivo de este conjunto de datos, ¿qué puedes descubrir sobre la progresión de la diabetes como enfermedad?\n## [Cuestionario posterior a la conferencia](https://ff-quizzes.netlify.app/en/ml/)\n\n## Revisión y Autoestudio\n\nEn este tutorial, trabajaste con regresión lineal simple, en lugar de regresión lineal univariante o múltiple. Lee un poco sobre las diferencias entre estos métodos, o mira [este video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)\n\nLee más sobre el concepto de regresión y piensa en qué tipos de preguntas pueden responderse con esta técnica. Toma este [tutorial](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) para profundizar tu comprensión.\n\n## Tarea\n\n[Un conjunto de datos diferente](assignment.md)\n\n---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Descargo de responsabilidad**:\nEste documento ha sido traducido utilizando el servicio de traducción automática [Co-op Translator](https://github.com/Azure/co-op-translator). Aunque nos esforzamos por la precisión, tenga en cuenta que las traducciones automatizadas pueden contener errores o inexactitudes. El documento original en su idioma nativo debe considerarse la fuente autorizada. Para información crítica, se recomienda una traducción profesional humana. No somos responsables de cualquier malentendido o interpretación errónea que surja del uso de esta traducción.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->","translations/et/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/et/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/et/2-Regression/1-Tools/README.md)","translations/fa/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/fa/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fa/2-Regression/1-Tools/README.md)","translations/fi/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/fi/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fi/2-Regression/1-Tools/README.md)","translations/fr/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/fr/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fr/2-Regression/1-Tools/README.md)","translations/he/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/he/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/he/2-Regression/1-Tools/README.md)","translations/hi/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/hi/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/hi/2-Regression/1-Tools/README.md)","translations/hr/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/hr/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/hr/2-Regression/1-Tools/README.md)","translations/hu/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/hu/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/hu/2-Regression/1-Tools/README.md)","translations/id/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/id/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/id/2-Regression/1-Tools/README.md)","translations/it/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/it/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/it/2-Regression/1-Tools/README.md)","translations/ja/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/ja/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ja/2-Regression/1-Tools/README.md)","translations/km/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/km/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/km/2-Regression/1-Tools/README.md)","translations/kn/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/kn/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/kn/2-Regression/1-Tools/README.md)","translations/ko/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/ko/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ko/2-Regression/1-Tools/README.md)","translations/lt/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/lt/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/lt/2-Regression/1-Tools/README.md)","translations/ml/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/ml/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ml/2-Regression/1-Tools/README.md)","translations/mr/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/mr/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/mr/2-Regression/1-Tools/README.md)","translations/ms/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/ms/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ms/2-Regression/1-Tools/README.md)","translations/my/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/my/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/my/2-Regression/1-Tools/README.md)","translations/ne/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/ne/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ne/2-Regression/1-Tools/README.md)","translations/nl/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/nl/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/nl/2-Regression/1-Tools/README.md)","translations/no/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/no/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/no/2-Regression/1-Tools/README.md)","translations/pa/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/pa/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pa/2-Regression/1-Tools/README.md)","translations/pcm/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/pcm/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pcm/2-Regression/1-Tools/README.md)","translations/pl/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/pl/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pl/2-Regression/1-Tools/README.md)","translations/pt-BR/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/pt-BR/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pt-BR/2-Regression/1-Tools/README.md)","translations/pt-PT/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/pt-PT/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pt-PT/2-Regression/1-Tools/README.md)","translations/ro/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/ro/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ro/2-Regression/1-Tools/README.md)","translations/ru/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/ru/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ru/2-Regression/1-Tools/README.md)","translations/sk/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/sk/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sk/2-Regression/1-Tools/README.md)","translations/sl/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/sl/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sl/2-Regression/1-Tools/README.md)","translations/sr/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/sr/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sr/2-Regression/1-Tools/README.md)","translations/sv/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/sv/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sv/2-Regression/1-Tools/README.md)","translations/sw/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/sw/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sw/2-Regression/1-Tools/README.md)","translations/ta/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/ta/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ta/2-Regression/1-Tools/README.md)","translations/te/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/te/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/te/2-Regression/1-Tools/README.md)","translations/th/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/th/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/th/2-Regression/1-Tools/README.md)","translations/tl/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/tl/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/tl/2-Regression/1-Tools/README.md)","translations/tr/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/tr/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/tr/2-Regression/1-Tools/README.md)","translations/uk/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/uk/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/uk/2-Regression/1-Tools/README.md)","translations/ur/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/ur/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ur/2-Regression/1-Tools/README.md)","translations/vi/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/vi/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/vi/2-Regression/1-Tools/README.md)","translations/zh-CN/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/zh-CN/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-CN/2-Regression/1-Tools/README.md)","translations/zh-HK/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/zh-HK/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-HK/2-Regression/1-Tools/README.md)","translations/zh-MO/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/zh-MO/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-MO/2-Regression/1-Tools/README.md)","translations/zh-TW/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/zh-TW/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-TW/2-Regression/1-Tools/README.md)","translations/ar/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/ar/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ar/2-Regression/1-Tools/solution/Julia/README.md)","translations/bg/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/bg/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/bg/2-Regression/1-Tools/solution/Julia/README.md)","translations/bn/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/bn/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/bn/2-Regression/1-Tools/solution/Julia/README.md)","translations/cs/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/cs/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/cs/2-Regression/1-Tools/solution/Julia/README.md)","translations/da/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/da/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/da/2-Regression/1-Tools/solution/Julia/README.md)","translations/de/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/de/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/de/2-Regression/1-Tools/solution/Julia/README.md)","translations/el/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/el/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/el/2-Regression/1-Tools/solution/Julia/README.md)","translations/en/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/en/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/en/2-Regression/1-Tools/solution/Julia/README.md)","translations/es/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/es/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/es/2-Regression/1-Tools/solution/Julia/README.md)","translations/et/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/et/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/et/2-Regression/1-Tools/solution/Julia/README.md)","translations/fa/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/fa/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fa/2-Regression/1-Tools/solution/Julia/README.md)","translations/fi/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/fi/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fi/2-Regression/1-Tools/solution/Julia/README.md)","translations/fr/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/fr/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fr/2-Regression/1-Tools/solution/Julia/README.md)","translations/he/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/he/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/he/2-Regression/1-Tools/solution/Julia/README.md)","translations/hi/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/hi/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/hi/2-Regression/1-Tools/solution/Julia/README.md)","translations/hr/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/hr/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/hr/2-Regression/1-Tools/solution/Julia/README.md)","translations/hu/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/hu/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/hu/2-Regression/1-Tools/solution/Julia/README.md)","translations/id/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/id/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/id/2-Regression/1-Tools/solution/Julia/README.md)","translations/it/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/it/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/it/2-Regression/1-Tools/solution/Julia/README.md)","translations/ja/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/ja/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ja/2-Regression/1-Tools/solution/Julia/README.md)","translations/km/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/km/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/km/2-Regression/1-Tools/solution/Julia/README.md)","translations/kn/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/kn/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/kn/2-Regression/1-Tools/solution/Julia/README.md)","translations/ko/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/ko/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ko/2-Regression/1-Tools/solution/Julia/README.md)","translations/lt/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/lt/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/lt/2-Regression/1-Tools/solution/Julia/README.md)","translations/ml/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/ml/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ml/2-Regression/1-Tools/solution/Julia/README.md)","translations/mr/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/mr/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/mr/2-Regression/1-Tools/solution/Julia/README.md)","translations/ms/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/ms/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ms/2-Regression/1-Tools/solution/Julia/README.md)","translations/my/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/my/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/my/2-Regression/1-Tools/solution/Julia/README.md)","translations/ne/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/ne/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ne/2-Regression/1-Tools/solution/Julia/README.md)","translations/nl/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/nl/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/nl/2-Regression/1-Tools/solution/Julia/README.md)","translations/no/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/no/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/no/2-Regression/1-Tools/solution/Julia/README.md)","translations/pa/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/pa/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pa/2-Regression/1-Tools/solution/Julia/README.md)","translations/pcm/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/pcm/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pcm/2-Regression/1-Tools/solution/Julia/README.md)","translations/pl/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/pl/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pl/2-Regression/1-Tools/solution/Julia/README.md)","translations/pt-BR/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/pt-BR/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pt-BR/2-Regression/1-Tools/solution/Julia/README.md)","translations/pt-PT/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/pt-PT/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pt-PT/2-Regression/1-Tools/solution/Julia/README.md)","translations/ro/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/ro/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ro/2-Regression/1-Tools/solution/Julia/README.md)","translations/ru/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/ru/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ru/2-Regression/1-Tools/solution/Julia/README.md)","translations/sk/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/sk/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sk/2-Regression/1-Tools/solution/Julia/README.md)","translations/sl/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/sl/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sl/2-Regression/1-Tools/solution/Julia/README.md)","translations/sr/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/sr/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sr/2-Regression/1-Tools/solution/Julia/README.md)","translations/sv/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/sv/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sv/2-Regression/1-Tools/solution/Julia/README.md)","translations/sw/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/sw/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sw/2-Regression/1-Tools/solution/Julia/README.md)","translations/ta/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/ta/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ta/2-Regression/1-Tools/solution/Julia/README.md)","translations/te/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/te/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/te/2-Regression/1-Tools/solution/Julia/README.md)","translations/th/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/th/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/th/2-Regression/1-Tools/solution/Julia/README.md)","translations/tl/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/tl/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/tl/2-Regression/1-Tools/solution/Julia/README.md)","translations/tr/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/tr/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/tr/2-Regression/1-Tools/solution/Julia/README.md)","translations/uk/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/uk/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/uk/2-Regression/1-Tools/solution/Julia/README.md)","translations/ur/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/ur/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ur/2-Regression/1-Tools/solution/Julia/README.md)","translations/vi/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/vi/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/vi/2-Regression/1-Tools/solution/Julia/README.md)","translations/zh-CN/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/zh-CN/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-CN/2-Regression/1-Tools/solution/Julia/README.md)","translations/zh-HK/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/zh-HK/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-HK/2-Regression/1-Tools/solution/Julia/README.md)","translations/zh-MO/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/zh-MO/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-MO/2-Regression/1-Tools/solution/Julia/README.md)","translations/zh-TW/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/zh-TW/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-TW/2-Regression/1-Tools/solution/Julia/README.md)"},"files":{"AGENTS.md":"# AGENTS.md\n\n## Project Overview\n\nThis is **Machine Learning for Beginners**, a comprehensive 12-week, 26-lesson curriculum covering classic machine learning concepts using Python (primarily with Scikit-learn) and R. The repository is designed as a self-paced learning resource with hands-on projects, quizzes, and assignments. Each lesson explores ML concepts through real-world data from various cultures and regions worldwide.\n\nKey components:\n- **Educational Content**: 26 lessons covering introduction to ML, regression, classification, clustering, NLP, time series, and reinforcement learning\n- **Quiz Application**: Vue.js-based quiz app with pre- and post-lesson assessments\n- **Multi-language Support**: Automated translations to 40+ languages via GitHub Actions\n- **Dual Language Support**: Lessons available in both Python (Jupyter notebooks) and R (R Markdown files)\n- **Project-Based Learning**: Each topic includes practical projects and assignments\n\n## Repository Structure\n\n```\nML-For-Beginners/\n├── 1-Introduction/         # ML basics, history, fairness, techniques\n├── 2-Regression/          # Regression models with Python/R\n├── 3-Web-App/            # Flask web app for ML model deployment\n├── 4-Classification/      # Classification algorithms\n├── 5-Clustering/         # Clustering techniques\n├── 6-NLP/               # Natural Language Processing\n├── 7-TimeSeries/        # Time series forecasting\n├── 8-Reinforcement/     # Reinforcement learning\n├── 9-Real-World/        # Real-world ML applications\n├── quiz-app/           # Vue.js quiz application\n├── translations/       # Auto-generated translations\n└── sketchnotes/       # Visual learning aids\n```\n\nEach lesson folder typically contains:\n- `README.md` - Main lesson content\n- `notebook.ipynb` - Python Jupyter notebook\n- `solution/` - Solution code (Python and R versions)\n- `assignment.md` - Practice exercises\n- `images/` - Visual resources\n\n## Setup Commands\n\n### For Python Lessons\n\nMost lessons use Jupyter notebooks. Install required dependencies:\n\n```bash\n# Install Python 3.8+ if not already installed\npython --version\n\n# Install Jupyter\npip install jupyter\n\n# Install common ML libraries\npip install scikit-learn pandas numpy matplotlib seaborn\n\n# For specific lessons, check lesson-specific requirements\n# Example: Web App lesson\npip install flask\n```\n\n### For R Lessons\n\nR lessons are in `solution/R/` folders as `.rmd` or `.ipynb` files:\n\n```bash\n# Install R and required packages\n# In R console:\ninstall.packages(c(\"tidyverse\", \"tidymodels\", \"caret\"))\n```\n\n### For Quiz Application\n\nThe quiz app is a Vue.js application located in the `quiz-app/` directory:\n\n```bash\ncd quiz-app\nnpm install\n```\n\n### For Documentation Site\n\nTo run the documentation locally:\n\n```bash\n# Install Docsify\nnpm install -g docsify-cli\n\n# Serve from repository root\ndocsify serve\n\n# Access at http://localhost:3000\n```\n\n## Development Workflow\n\n### Working with Lesson Notebooks\n\n1. Navigate to the lesson directory (e.g., `2-Regression/1-Tools/`)\n2. Open the Jupyter notebook:\n   ```bash\n   jupyter notebook notebook.ipynb\n   ```\n3. Work through the lesson content and exercises\n4. Check solutions in the `solution/` folder if needed\n\n### Python Development\n\n- Lessons use standard Python data science libraries\n- Jupyter notebooks for interactive learning\n- Solution code available in each lesson's `solution/` folder\n\n### R Development\n\n- R lessons are in `.rmd` format (R Markdown)\n- Solutions located in `solution/R/` subdirectories\n- Use RStudio or Jupyter with R kernel to run R notebooks\n\n### Quiz Application Development\n\n```bash\ncd quiz-app\n\n# Start development server\nnpm run serve\n# Access at http://localhost:8080\n\n# Build for production\nnpm run build\n\n# Lint and fix files\nnpm run lint\n```\n\n## Testing Instructions\n\n### Quiz Application Testing\n\n```bash\ncd quiz-app\n\n# Lint code\nnpm run lint\n\n# Build to verify no errors\nnpm run build\n```\n\n**Note**: This is primarily an educational curriculum repository. There are no automated tests for lesson content. Validation is done through:\n- Completing lesson exercises\n- Running notebook cells successfully\n- Checking output against expected results in solutions\n\n## Code Style Guidelines\n\n### Python Code\n- Follow PEP 8 style guidelines\n- Use clear, descriptive variable names\n- Include comments for complex operations\n- Jupyter notebooks should have markdown cells explaining concepts\n\n### JavaScript/Vue.js (Quiz App)\n- Follows Vue.js style guide\n- ESLint configuration in `quiz-app/package.json`\n- Run `npm run lint` to check and auto-fix issues\n\n### Documentation\n- Markdown files should be clear and well-structured\n- Include code examples in fenced code blocks\n- Use relative links for internal references\n- Follow existing formatting conventions\n\n## Build and Deployment\n\n### Quiz Application Deployment\n\nThe quiz app can be deployed to Azure Static Web Apps:\n\n1. **Prerequisites**:\n   - Azure account\n   - GitHub repository (already forked)\n\n2. **Deploy to Azure**:\n   - Create Azure Static Web App resource\n   - Connect to GitHub repository\n   - Set app location: `/quiz-app`\n   - Set output location: `dist`\n   - Azure automatically creates GitHub Actions workflow\n\n3. **GitHub Actions Workflow**:\n   - Workflow file created at `.github/workflows/azure-static-web-apps-*.yml`\n   - Automatically builds and deploys on push to main branch\n\n### Documentation PDF\n\nGenerate PDF from documentation:\n\n```bash\nnpm install\nnpm run convert\n```\n\n## Translation Workflow\n\n**Important**: Translations are automated via GitHub Actions using Co-op Translator.\n\n- Translations are auto-generated when changes are pushed to `main` branch\n- **DO NOT manually translate content** - the system handles this\n- Workflow defined in `.github/workflows/co-op-translator.yml`\n- Uses Azure AI/OpenAI services for translation\n- Supports 40+ languages\n\n## Contributing Guidelines\n\n### For Content Contributors\n\n1. **Fork the repository** and create a feature branch\n2. **Make changes to lesson content** if adding/updating lessons\n3. **Do not modify translated files** - they are auto-generated\n4. **Test your code** - ensure all notebook cells run successfully\n5. **Verify links and images** work correctly\n6. **Submit a pull request** with clear description\n\n### Pull Request Guidelines\n\n- **Title format**: `[Section] Brief description of changes`\n  - Example: `[Regression] Fix typo in lesson 5`\n  - Example: `[Quiz-App] Update dependencies`\n- **Before submitting**:\n  - Ensure all notebook cells execute without errors\n  - Run `npm run lint` if modifying quiz-app\n  - Verify markdown formatting\n  - Test any new code examples\n- **PR must include**:\n  - Description of changes\n  - Reason for changes\n  - Screenshots if UI changes\n- **Code of Conduct**: Follow the [Microsoft Open Source Code of Conduct](CODE_OF_CONDUCT.md)\n- **CLA**: You will need to sign the Contributor License Agreement\n\n## Lesson Structure\n\nEach lesson follows a consistent pattern:\n\n1. **Pre-lecture quiz** - Test baseline knowledge\n2. **Lesson content** - Written instructions and explanations\n3. **Code demonstrations** - Hands-on examples in notebooks\n4. **Knowledge checks** - Verify understanding throughout\n5. **Challenge** - Apply concepts independently\n6. **Assignment** - Extended practice\n7. **Post-lecture quiz** - Assess learning outcomes\n\n## Common Commands Reference\n\n```bash\n# Python/Jupyter\njupyter notebook                    # Start Jupyter server\njupyter notebook notebook.ipynb     # Open specific notebook\npip install -r requirements.txt     # Install dependencies (where available)\n\n# Quiz App\ncd quiz-app\nnpm install                        # Install dependencies\nnpm run serve                      # Development server\nnpm run build                      # Production build\nnpm run lint                       # Lint and fix\n\n# Documentation\ndocsify serve                      # Serve documentation locally\nnpm run convert                    # Generate PDF\n\n# Git workflow\ngit checkout -b feature/my-change  # Create feature branch\ngit add .                         # Stage changes\ngit commit -m \"Description\"       # Commit changes\ngit push origin feature/my-change # Push to remote\n```\n\n## Additional Resources\n\n- **Microsoft Learn Collection**: [ML for Beginners modules](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)\n- **Quiz App**: [Online quizzes](https://ff-quizzes.netlify.app/en/ml/)\n- **Discussion Board**: [GitHub Discussions](https://github.com/microsoft/ML-For-Beginners/discussions)\n- **Video Walkthroughs**: [YouTube Playlist](https://aka.ms/ml-beginners-videos)\n\n## Key Technologies\n\n- **Python**: Primary language for ML lessons (Scikit-learn, Pandas, NumPy, Matplotlib)\n- **R**: Alternative implementation using tidyverse, tidymodels, caret\n- **Jupyter**: Interactive notebooks for Python lessons\n- **R Markdown**: Documents for R lessons\n- **Vue.js 3**: Quiz application framework\n- **Flask**: Web application framework for ML model deployment\n- **Docsify**: Documentation site generator\n- **GitHub Actions**: CI/CD and automated translations\n\n## Security Considerations\n\n- **No secrets in code**: Never commit API keys or credentials\n- **Dependencies**: Keep npm and pip packages updated\n- **User input**: Flask web app examples include basic input validation\n- **Sensitive data**: Example datasets are public and non-sensitive\n\n## Troubleshooting\n\n### Jupyter Notebooks\n\n- **Kernel issues**: Restart kernel if cells hang: Kernel → Restart\n- **Import errors**: Ensure all required packages are installed with pip\n- **Path issues**: Run notebooks from their containing directory\n\n### Quiz Application\n\n- **npm install fails**: Clear npm cache: `npm cache clean --force`\n- **Port conflicts**: Change port with: `npm run serve -- --port 8081`\n- **Build errors**: Delete `node_modules` and reinstall: `rm -rf node_modules && npm install`\n\n### R Lessons\n\n- **Package not found**: Install with: `install.packages(\"package-name\")`\n- **RMarkdown rendering**: Ensure rmarkdown package is installed\n- **Kernel issues**: May need to install IRkernel for Jupyter\n\n## Project-Specific Notes\n\n- This is primarily a **learning curriculum**, not production code\n- Focus is on **understanding ML concepts** through hands-on practice\n- Code examples prioritize **clarity over optimization**\n- Most lessons are **self-contained** and can be completed independently\n- **Solutions provided** but learners should attempt exercises first\n- Repository uses **Docsify** for web documentation without build step\n- **Sketchnotes** provide visual summaries of concepts\n- **Multi-language support** makes content globally accessible\n","translations/cs/2-Regression/1-Tools/README.md":"# Začněte s Pythonem a Scikit-learn pro regresní modely\n\n![Shrnutí regresí ve sketchnote](../../../../translated_images/cs/ml-regression.4e4f70e3b3ed446e.webp)\n\n> Sketchnote od [Tomomi Imura](https://www.twitter.com/girlie_mac)\n\n## [Přednáškový kvíz](https://ff-quizzes.netlify.app/en/ml/)\n\n> ### [Tato lekce je dostupná v R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)\n\n## Úvod\n\nV těchto čtyřech lekcích objevíte, jak vytvářet regresní modely. Brzy si vysvětlíme, k čemu slouží. Než však začnete, ujistěte se, že máte správné nástroje připravené ke startu!\n\nV této lekci se naučíte, jak:\n\n- Nakonfigurovat váš počítač pro místní úlohy strojového učení.\n- Pracovat s Jupyter Notebooky.\n- Používat Scikit-learn, včetně instalace.\n- Prozkoumat lineární regresi pomocí praktického cvičení.\n\n## Instalace a konfigurace\n\n[![ML pro začátečníky - Připravte své nástroje pro tvorbu modelů strojového učení](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 \"ML pro začátečníky - Připravte své nástroje pro tvorbu modelů strojového učení\")\n\n> 🎥 Klikněte na obrázek výše pro krátké video, ve kterém se naučíte, jak konfigurovat váš počítač pro ML.\n\n1. **Nainstalujte Python**. Ujistěte se, že máte na počítači nainstalovaný [Python](https://www.python.org/downloads/). Python budete používat pro mnoho úloh datové vědy a strojového učení. Většina počítačových systémů již obsahuje instalaci Pythonu. Existují i užitečné [balíčky pro kódování v Pythonu](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott), které některým uživatelům usnadní nastavení.\n\n   Některé použití Pythonu však vyžadují jednu verzi softwaru, zatímco jiné vyžadují verzi jinou. Proto je užitečné pracovat uvnitř [virtuálního prostředí](https://docs.python.org/3/library/venv.html).\n\n2. **Nainstalujte Visual Studio Code**. Ujistěte se, že máte na počítači nainstalovaný Visual Studio Code. Postupujte podle těchto instrukcí k [instalaci Visual Studio Code](https://code.visualstudio.com/) pro základní instalaci. V tomto kurzu budete používat Python ve Visual Studio Code, takže možná budete chtít osvěžit, jak [nastavit Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) pro vývoj v Pythonu.\n\n   > Získejte jistotu v Pythonu tím, že projdete tuto sbírku [učebních modulů](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)\n   >\n   > [![Nastavení Pythonu ve Visual Studio Code](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 \"Nastavení Pythonu ve Visual Studio Code\")\n   >\n   > 🎥 Klikněte na obrázek výše pro video: používání Pythonu ve VS Code.\n\n3. **Nainstalujte Scikit-learn** podle [těchto instrukcí](https://scikit-learn.org/stable/install.html). Protože je potřeba používat Python 3, doporučuje se použít virtuální prostředí. Vezměte na vědomí, že pokud knihovnu instalujete na M1 Macu, jsou na výše uvedené stránce speciální instrukce.\n\n1. **Nainstalujte Jupyter Notebook**. Budete potřebovat [nainstalovat balíček Jupyter](https://pypi.org/project/jupyter/).\n\n## Vaše prostředí pro tvorbu ML\n\nBudete používat **notebooky** k vývoji vašeho Python kódu a tvorbě modelů strojového učení. Tento typ souboru je běžným nástrojem datových vědců a poznáte je podle přípony `.ipynb`.\n\nNotebooky jsou interaktivní prostředí, která umožňují vývojáři jak kódovat, tak přidávat poznámky a psát dokumentaci kolem kódu, což je velmi užitečné pro experimentální nebo výzkumné projekty.\n\n[![ML pro začátečníky - Nastavte Jupyter Notebooky pro začátek tvorby regresních modelů](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E \"ML pro začátečníky - Nastavte Jupyter Notebooky pro začátek tvorby regresních modelů\")\n\n> 🎥 Klikněte na obrázek výše pro krátké video pracovní cvičení.\n\n### Cvičení - práce s notebookem\n\nV této složce naleznete soubor _notebook.ipynb_.\n\n1. Otevřete _notebook.ipynb_ ve Visual Studio Code.\n\n   Spustí se Jupyter server s Pythonem 3+. V notebooku najdete části, které mohou být `spuštěny`, kusy kódu. Blok kódu můžete spustit výběrem ikony vypadající jako tlačítko přehrávání (play).\n\n1. Vyberte ikonu `md` a přidejte trochu markdownu s následujícím textem **# Vítejte ve vašem notebooku**.\n\n   Poté přidejte nějaký Python kód.\n\n1. Napište **print('hello notebook')** ve bloku kódu.\n1. Klikněte na šipku pro spuštění kódu.\n\n   Měli byste vidět vytištěné prohlášení:\n\n    ```output\n    hello notebook\n    ```\n\n![VS Code s otevřeným notebookem](../../../../translated_images/cs/notebook.4a3ee31f396b8832.webp)\n\nMůžete prokládat svůj kód komentáři, aby si notebook sám dokumentoval.\n\n✅ Zamyslete se na chvíli, jak odlišné je pracovní prostředí webového vývojáře oproti datovému vědci.\n\n## Spuštění se Scikit-learn\n\nNyní když máte Python nastavený ve vašem lokálním prostředí a jste si jistí v Jupyter Notebookech, pojďme si přivyknout i na Scikit-learn (vyslovujte `sci` jako `science`). Scikit-learn poskytuje [rozsáhlé API](https://scikit-learn.org/stable/modules/classes.html#api-ref), které vám pomůže provádět úlohy ML.\n\nPodle jejich [webu](https://scikit-learn.org/stable/getting_started.html) \"Scikit-learn je open source knihovna strojového učení, která podporuje učení s učitelem i bez učitele. Poskytuje také různé nástroje pro fitování modelů, předzpracování dat, výběr modelů a hodnocení, a mnoho dalších utilit.\"\n\nV tomto kurzu budete používat Scikit-learn a další nástroje k vytváření modelů strojového učení, které budou plnit tzv. 'tradiční úlohy strojového učení'. Záměrně jsme vynechali neuronové sítě a hluboké učení, které budou pokryty v našem nadcházejícím kurzu 'AI pro začátečníky'.\n\nScikit-learn výrazně zjednodušuje vytváření modelů a jejich hodnocení pro použití. Zaměřuje se především na práci s číselnými daty a obsahuje několik připravených datasetů, které můžete užít jako učební pomůcky. Zahrnuje také předem vytvořené modely pro studenty k vyzkoušení. Nejprve si pojďme prohlédnout proces načtení předpřipravených dat a použití vestavěného odhadce — prvního ML modelu se Scikit-learn s některými základními daty.\n\n## Cvičení - váš první notebook se Scikit-learn\n\n> Tento tutoriál byl inspirován [příkladem lineární regrese](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) na webu Scikit-learn.\n\n\n[![ML pro začátečníky - Váš první projekt lineární regrese v Pythonu](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 \"ML pro začátečníky - Váš první projekt lineární regrese v Pythonu\")\n\n> 🎥 Klikněte na obrázek výše pro krátké video s průchodem tímto cvičením.\n\nV souboru _notebook.ipynb_ přidruženém k této lekci vymažte všechny buňky stisknutím ikony „koš“.\n\nV této části budete pracovat s malým datasetem o diabetu, který je součástí Scikit-learn pro účely výuky. Představte si, že chcete testovat léčbu pro pacienty s diabetem. Modely strojového učení vám mohou pomoci určit, kteří pacienti by na léčbu reagovali lépe na základě kombinací proměnných. Dokonce i velmi základní regresní model, pokud ho vizualizujete, může ukázat informace o proměnných, které vám pomohou uspořádat vaše teoretické klinické studie.\n\n✅ Existuje mnoho typů regresních metod a kterou zvolíte, závisí na odpovědi, kterou hledáte. Pokud chcete předpovědět pravděpodobnou výšku osoby určitého věku, použijete lineární regresi, protože hledáte **číselnou hodnotu**. Pokud vás zajímá, zda by určitý typ kuchyně měl být považován za veganský nebo ne, hledáte **přiřazení do kategorie**, takže byste použili logistickou regresi. O logistické regresi se naučíte později. Zamyslete se trochu nad otázkami, které můžete datům položit, a která z těchto metod by byla vhodnější.\n\nPojďme na to.\n\n### Import knihoven\n\nPro tento úkol naimportujeme některé knihovny:\n\n- **matplotlib**. Je to užitečný [nástroj pro grafy](https://matplotlib.org/) a použijeme jej k vytvoření čárového grafu.\n- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) je užitečná knihovna pro práci s numerickými daty v Pythonu.\n- **sklearn**. To je [knihovna Scikit-learn](https://scikit-learn.org/stable/user_guide.html).\n\nNaimportujte knihovny pro podporu vašich úloh.\n\n1. Přidejte importy tím, že napíšete následující kód:\n\n   ```python\n   import matplotlib.pyplot as plt\n   import numpy as np\n   from sklearn import datasets, linear_model, model_selection\n   ```\n\n   Výše importujete `matplotlib`, `numpy` a načítáte `datasets`, `linear_model` a `model_selection` ze `sklearn`. `model_selection` se používá pro rozdělení dat na tréninková a testovací data.\n\n### Dataset diabetu\n\nV vestavěném [diabetickém datasetu](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) je 442 vzorků dat o diabetu, s 10 proměnnými vlastností, z nichž některé zahrnují:\n\n- věk: věk v letech\n- bmi: index tělesné hmotnosti\n- bp: průměrný krevní tlak\n- s1 tc: T-buňky (typ bílých krvinek)\n\n✅ Tento dataset zahrnuje pojem 'pohlaví' jako důležitou proměnnou vlastnost pro výzkum diabetu. Mnoho lékařských datasetů obsahuje tento typ binární klasifikace. Zamyslete se nad tím, jak takové kategorizace mohou vyloučit určité části populace z léčby.\n\nTeď načtěte data X a y.\n\n> 🎓 Pamatujte, toto je učení s učitelem a potřebujeme pojmenovaný cíl 'y'.\n\nV nové buňce kódu načtěte dataset diabetu zavoláním `load_diabetes()`. Vstup `return_X_y=True` signalizuje, že `X` bude datová matice a `y` bude cílem regrese.\n\n1. Přidejte několik příkazů print pro zobrazení tvaru datové matice a jejího prvního prvku:\n\n    ```python\n    X, y = datasets.load_diabetes(return_X_y=True)\n    print(X.shape)\n    print(X[0])\n    ```\n\n    To, co dostáváte zpět jako odpověď, je n-tice. To, co děláte, je přiřazení dvou prvních hodnot n-tice do `X` a `y`. Více se dozvíte [o n-ticích](https://wikipedia.org/wiki/Tuple).\n\n    Vidíte, že tato data mají 442 položek uspořádaných v polích o 10 prvcích:\n\n    ```text\n    (442, 10)\n    [ 0.03807591  0.05068012  0.06169621  0.02187235 -0.0442235  -0.03482076\n    -0.04340085 -0.00259226  0.01990842 -0.01764613]\n    ```\n\n    ✅ Zamyslete se nad vztahem mezi daty a cílem regrese. Lineární regrese předpovídá vztahy mezi vlastností X a cílovou proměnnou y. Dokážete najít [cíl](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) pro dataset diabetu v dokumentaci? Co tento dataset demonstruje vzhledem k tomuto cíli?\n\n2. Dále vyberte část tohoto datasetu k vykreslení tím, že vyberete třetí sloupec datasetu. Můžete to udělat použitím operátoru `:` pro výběr všech řádků a pak výběrem třetího sloupce pomocí indexu (2). Data můžete také přetvarovat na 2D pole - jak je potřeba pro vykreslování - použitím `reshape(n_rows, n_columns)`. Pokud je jeden z parametrů -1, odpovídající rozměr se dopočítá automaticky.\n\n   ```python\n   X = X[:, 2]\n   X = X.reshape((-1,1))\n   ```\n\n   ✅ Kdykoliv vytiskněte data, abyste zkontrolovali jejich tvar.\n\n3. Nyní když máte data připravená k vykreslení, můžete zjistit, zda vám stroj pomůže určit logický rozdělení mezi čísly v tomto datasetu. K tomu je potřeba rozdělit data (X) i cíl (y) na testovací a tréninkové sady. Scikit-learn má snadný způsob, jak toho dosáhnout; můžete rozdělit svá testovací data v daném bodě.\n\n   ```python\n   X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)\n   ```\n\n4. Nyní jste připraveni trénovat svůj model! Načtěte lineární regresní model a trénujte ho s vašimi tréninkovými sadami X a y pomocí `model.fit()`:\n\n    ```python\n    model = linear_model.LinearRegression()\n    model.fit(X_train, y_train)\n    ```\n\n    ✅ `model.fit()` je funkce, kterou uvidíte v mnoha ML knihovnách jako TensorFlow\n\n5. Poté vytvořte predikci pomocí testovacích dat funkcí `predict()`. To použijete k vykreslení čáry mezi skupinami dat\n\n    ```python\n    y_pred = model.predict(X_test)\n    ```\n\n6. Teď je čas zobrazit data v grafu. Matplotlib je pro tento úkol velmi užitečný nástroj. Vytvořte rozptylový graf všech testovacích dat X a y a použijte predikci k vykreslení čáry na nejvhodnějším místě mezi skupinami dat modelu.\n\n    ```python\n    plt.scatter(X_test, y_test,  color='black')\n    plt.plot(X_test, y_pred, color='blue', linewidth=3)\n    plt.xlabel('Scaled BMIs')\n    plt.ylabel('Disease Progression')\n    plt.title('A Graph Plot Showing Diabetes Progression Against BMI')\n    plt.show()\n    ```\n\n   ![rozptylový graf ukazující datové body o diabetu](../../../../translated_images/cs/scatterplot.ad8b356bcbb33be6.webp)\n\n\n   ✅ Zamyslete se trochu nad tím, co se zde odehrává. Přímka prochází mnoha malými datovými body, ale co přesně dělá? Vidíte, jak byste měli být schopni tuto přímku použít k předpovědi, kde by se nový, neviděný datový bod měl ve vztahu k ose y grafu umístit? Zkuste slovy vyjádřit praktické využití tohoto modelu.\n\nGratulujeme, vytvořili jste svůj první model lineární regrese, vytvořili s ním předpověď a zobrazili ji v grafu!\n\n---\n## 🚀Výzva\n\nVykreslete jinou proměnnou z této datové sady. Tip: upravte tento řádek: `X = X[:,2]`. Vzhledem k cíli této sady dat, co dokážete zjistit o průběhu diabetu jako nemoci?\n## [Kvíz po přednášce](https://ff-quizzes.netlify.app/en/ml/)\n\n## Přehled a samostudium\n\nV tomto tutoriálu jste pracovali s jednoduchou lineární regresí, nikoli s univariátní nebo multivariátní lineární regresí. Přečtěte si něco o rozdílech mezi těmito metodami, nebo se podívejte na [toto video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)\n\nPřečtěte si více o konceptu regrese a zamyslete se nad tím, na jaké otázky může tato technika odpovědět. Absolvujte tento [návod](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott), aby jste prohloubili své porozumění.\n\n## Zadání\n\n[Jiná datová sada](assignment.md)\n\n---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Prohlášení o omezení odpovědnosti**:\nTento dokument byl přeložen pomocí AI překladatelské služby [Co-op Translator](https://github.com/Azure/co-op-translator). Přestože usilujeme o co největší přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Originální dokument v jeho mateřském jazyce by měl být považován za autoritativní zdroj. Pro kritické informace se doporučuje profesionální lidský překlad. Nejsme odpovědní za jakékoli nedorozumění nebo nesprávné interpretace vzniklé použitím tohoto překladu.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->","translations/ar/2-Regression/1-Tools/README.md":"# ابدأ مع بايثون و Scikit-learn لنماذج الانحدار\n\n![ملخص الانحدارات في ملاحظة مرسومة](../../../../translated_images/ar/ml-regression.4e4f70e3b3ed446e.webp)\n\n> ملاحظة مرسومة بواسطة [تومومي إيمورا](https://www.twitter.com/girlie_mac)\n\n## [اختبار قبل المحاضرة](https://ff-quizzes.netlify.app/en/ml/)\n\n> ### [هذه الدرسة متاحة بلغة R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)\n\n## مقدمة\n\nفي هذه الدروس الأربعة، ستكتشف كيفية بناء نماذج الانحدار. سنناقش قريبًا ما هي استخداماتها. ولكن قبل أن تفعل أي شيء، تأكد من أن لديك الأدوات المناسبة لبدء العملية!\n\nفي هذا الدرس، ستتعلم كيفية:\n\n- تهيئة حاسوبك لمهام التعلم الآلي المحلية.\n- العمل مع دفاتر Jupyter.\n- استخدام Scikit-learn، بما في ذلك التثبيت.\n- استكشاف الانحدار الخطي من خلال تمرين عملي.\n\n## التثبيتات والإعدادات\n\n[![التعلم الآلي للمبتدئين - جهز أدواتك لبناء نماذج التعلم الآلي](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 \"التعلم الآلي للمبتدئين - جهز أدواتك لبناء نماذج التعلم الآلي\")\n\n> 🎥 انقر على الصورة أعلاه لمشاهدة فيديو قصير يشرح كيفية تهيئة حاسوبك للتعلم الآلي.\n\n1. **تثبيت بايثون**. تأكد من تثبيت [بايثون](https://www.python.org/downloads/) على حاسوبك. ستستخدم بايثون في العديد من مهام علم البيانات والتعلم الآلي. تتضمن معظم أنظمة الحاسوب تثبيتًا مسبقًا لبايثون. هناك أيضًا [حزم برمجة بايثون](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) مفيدة متاحة لتسهيل الإعداد لبعض المستخدمين.\n\n   مع ذلك، تتطلب بعض استخدامات بايثون إصدارًا معينًا من البرنامج، في حين تحتاج أخرى إلى إصدار مختلف. لذلك، من المفيد العمل ضمن [بيئة افتراضية](https://docs.python.org/3/library/venv.html).\n\n2. **تثبيت Visual Studio Code**. تأكد من وجود Visual Studio Code مثبتًا على حاسوبك. اتبع هذه التعليمات لـ [تثبيت Visual Studio Code](https://code.visualstudio.com/) للإعداد الأساسي. ستستخدم بايثون في Visual Studio Code في هذا المساق، لذا قد ترغب في تعلُّم كيفية [تهيئة Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) لتطوير برامج بايثون.\n\n   > تعرّف على بايثون بسهولة من خلال متابعة مجموعة [وحدات التعلم](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)\n   >\n   > [![إعداد بايثون مع Visual Studio Code](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 \"إعداد بايثون مع Visual Studio Code\")\n   >\n   > 🎥 انقر على الصورة أعلاه لمشاهدة فيديو: استخدام بايثون في VS Code.\n\n3. **تثبيت Scikit-learn**، باتباع [هذه التعليمات](https://scikit-learn.org/stable/install.html). بما أنك تحتاج إلى التأكد من استخدام بايثون 3، يُوصى باستخدام بيئة افتراضية. لاحظ أنه إذا كنت تثبت هذه المكتبة على ماك M1، هناك تعليمات خاصة على الصفحة المذكورة أعلاه.\n\n1. **تثبيت Jupyter Notebook**. ستحتاج إلى [تثبيت حزمة Jupyter](https://pypi.org/project/jupyter/).\n\n## بيئة التأليف الخاصة بك في التعلم الآلي\n\nستستخدم **الدفاتر** لتطوير كود بايثون الخاص بك وإنشاء نماذج التعلم الآلي. هذا النوع من الملفات أداة شائعة لدى علماء البيانات، ويمكن التعرف عليها من خلال اللاحقة أو الامتداد `.ipynb`.\n\nالدفاتر هي بيئة تفاعلية تسمح للمطور بكتابة الكود وإضافة ملاحظات وكتابة توثيق حول الكود، وهو أمر مفيد جدًا للمشاريع التجريبية أو البحثية.\n\n[![التعلم الآلي للمبتدئين - إعداد دفاتر Jupyter لبدء بناء نماذج الانحدار](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E \"التعلم الآلي للمبتدئين - إعداد دفاتر Jupyter لبدء بناء نماذج الانحدار\")\n\n> 🎥 انقر على الصورة أعلاه لمشاهدة فيديو قصير يشرح هذا التمرين.\n\n### تمرين - العمل مع دفتر ملاحظات\n\nفي هذا المجلد، ستجد الملف _notebook.ipynb_.\n\n1. افتح _notebook.ipynb_ في Visual Studio Code.\n\n   ستبدأ خادم Jupyter مع تشغيل بايثون 3+. ستجد أجزاء من الدفتر يمكن `تشغيلها`، وهي قطع من الكود. يمكنك تشغيل قطعة الكود من خلال اختيار الرمز الذي يشبه زر التشغيل.\n\n1. اختر رمز `md` وأضف بعض الماركدون، والنص التالي **# مرحبًا بك في دفترك**.\n\n   ثم أضف بعض كود بايثون.\n\n1. اكتب **print('hello notebook')** في كتلة الكود.\n1. اختر السهم لتشغيل الكود.\n\n   سترى العبارة المطبوعة:\n\n    ```output\n    hello notebook\n    ```\n\n![VS Code مع دفتر ملاحظات مفتوح](../../../../translated_images/ar/notebook.4a3ee31f396b8832.webp)\n\nيمكنك دمج كودك مع التعليقات لتوثيق الدفتر بنفسك.\n\n✅ فكر للحظة كيف تختلف بيئة عمل مطور الويب مقارنةً ببيئة عالم البيانات.\n\n## ابدأ العمل مع Scikit-learn\n\nالآن بعد أن تم إعداد بايثون في بيئتك المحلية وأصبحت مرتاحًا في استخدام دفاتر Jupyter، لنكتسب نفس الراحة مع Scikit-learn (تنطق `ساي` كما في `science`). يوفر Scikit-learn [واجهة برمجة تطبيقات واسعة](https://scikit-learn.org/stable/modules/classes.html#api-ref) لمساعدتك في أداء مهام التعلم الآلي.\n\nحسب موقعهم [الرسمي](https://scikit-learn.org/stable/getting_started.html)، \"سكايكيت-ليرن هي مكتبة تعلم آلي مفتوحة المصدر تدعم التعلم الخاضع للإشراف وغير الخاضع للإشراف. كما توفر أدوات متنوعة لتركيب النماذج، ومعالجة البيانات، واختيار النماذج وتقييمها، والعديد من الأدوات الأخرى.\"\n\nفي هذا المساق، ستستخدم Scikit-learn وأدوات أخرى لبناء نماذج تعلم آلي لأداء ما نسميه 'التعلم الآلي التقليدي'. لقد تجنبنا عمدًا الشبكات العصبية والتعلم العميق، إذ يتم تناولها بشكل أفضل في منهجية 'الذكاء الاصطناعي للمبتدئين' القادمة.\n\nيجعل Scikit-learn بناء النماذج وتقييمها سهلاً. يركز أساسًا على استخدام البيانات الرقمية ويحتوي على عدة مجموعات بيانات جاهزة للاستخدام كأدوات تعلم. كما يتضمن نماذج مبنية مسبقًا ليجربها الطلاب. لنستكشف أولاً عملية تحميل البيانات المعبأة واستخدام مقدّر مدمج أول نموذج تعلم آلي مع Scikit-learn باستخدام بيانات أساسية.\n\n## تمرين - دفتر ملاحظاتك الأول مع Scikit-learn\n\n> استُلهم هذا الدليل من [مثال الانحدار الخطي](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) على موقع Scikit-learn.\n\n\n[![التعلم الآلي للمبتدئين - مشروعك الأول للانحدار الخطي في بايثون](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 \"التعلم الآلي للمبتدئين - مشروعك الأول للانحدار الخطي في بايثون\")\n\n> 🎥 انقر على الصورة أعلاه لمشاهدة فيديو قصير يشرح هذا التمرين.\n\nفي ملف _notebook.ipynb_ المرتبط بهذا الدرس، قم بمسح كل الخلايا بالضغط على رمز 'سلة المهملات'.\n\nفي هذا القسم، ستعمل مع مجموعة بيانات صغيرة عن مرض السكري مدمجة في Scikit-learn لأغراض التعلم. تخيل أنك تريد اختبار علاج لمرضى السكري. قد تساعدك نماذج التعلم الآلي على تحديد أي المرضى قد يستجيبون بشكل أفضل للعلاج، بناءً على تركيبات من المتغيرات. حتى نموذج انحدار بسيط جدًا، عند تصوره، قد يظهر معلومات حول المتغيرات التي قد تساعدك في تنظيم تجاربك السريرية النظرية.\n\n✅ هناك العديد من أنواع طرق الانحدار، واختيارك يعتمد على الإجابة التي تبحث عنها. إذا أردت التنبؤ بالطول المحتمل لشخص في عمر معين، ستستخدم الانحدار الخطي، لأنك تبحث عن **قيمة رقمية**. إذا كنت مهتمًا باكتشاف ما إذا كان نوع من المأكولات يجب اعتباره نباتيًا أم لا، فأنت تبحث عن **تصنيف فئة** لذا ستستخدم الانحدار اللوجستي. ستتعلم المزيد عن الانحدار اللوجستي لاحقًا. فكر قليلًا في بعض الأسئلة التي يمكنك طرحها على البيانات، وأي من هذه الطرق سيكون الأنسب.\n\nلنبدأ هذه المهمة.\n\n### استيراد المكتبات\n\nلهذه المهمة سنستورد بعض المكتبات:\n\n- **matplotlib**. إنها أداة [رسم بياني مفيدة](https://matplotlib.org/) وسنستخدمها لإنشاء مخطط خطي.\n- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) مكتبة مفيدة للتعامل مع البيانات الرقمية في بايثون.\n- **sklearn**. هذه هي مكتبة [Scikit-learn](https://scikit-learn.org/stable/user_guide.html).\n\nاستورد بعض المكتبات لمساعدتك في مهامك.\n\n1. أضف الاستيرادات بكتابة الكود التالي:\n\n   ```python\n   import matplotlib.pyplot as plt\n   import numpy as np\n   from sklearn import datasets, linear_model, model_selection\n   ```\n\n   في الأعلى تقوم باستيراد `matplotlib`، و `numpy`، كما تستورد `datasets`، و `linear_model` و `model_selection` من `sklearn`. يستخدم `model_selection` لتقسيم البيانات إلى مجموعات تدريب واختبار.\n\n### مجموعة بيانات السكري\n\nتتضمن مجموعة البيانات المدمجة [السكري](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) 442 عينة بيانات عن مرض السكري، مع 10 متغيرات ميزة، بعضها يشمل:\n\n- العمر: العمر بالسنوات\n- مؤشر كتلة الجسم\n- ضغط الدم: متوسط ضغط الدم\n- s1 tc: خلايا تي (نوع من خلايا الدم البيضاء)\n\n✅ تشمل هذه المجموعة مفهوم 'الجنس' كمتغير ميزة مهم في البحث حول السكري. تتضمن العديد من مجموعات البيانات الطبية هذا النوع من التصنيف الثنائي. فكر قليلاً في كيفية أن تصنيفات مثل هذه قد تستبعد أجزاء معينة من السكان من العلاجات.\n\nالآن، قم بتحميل بيانات X و y.\n\n> 🎓 تذكر، هذا تعلم مشرف، ونحتاج إلى هدف ‘y’ مسمى.\n\nفي خلية كود جديدة، قم بتحميل مجموعة بيانات السكري باستدعاء `load_diabetes()`. يشير المعطى `return_X_y=True` إلى أن `X` ستكون مصفوفة بيانات، و `y` سيكون الهدف للانحدار.\n\n1. أضف بعض أوامر الطباعة لعرض شكل مصفوفة البيانات وعنصرها الأول:\n\n    ```python\n    X, y = datasets.load_diabetes(return_X_y=True)\n    print(X.shape)\n    print(X[0])\n    ```\n\n    ما تحصل عليه كرد هو زوج مرتب. ما تفعله هو تعيين أول قيمتين من الزوج إلى `X` و `y` على التوالي. تعرف أكثر [عن الأزواج المرتبة](https://wikipedia.org/wiki/Tuple).\n\n    يمكنك رؤية أن هذه البيانات تحتوي على 442 عنصرًا مشكّلة في مصفوفات من 10 عناصر:\n\n    ```text\n    (442, 10)\n    [ 0.03807591  0.05068012  0.06169621  0.02187235 -0.0442235  -0.03482076\n    -0.04340085 -0.00259226  0.01990842 -0.01764613]\n    ```\n\n    ✅ فكّر قليلًا في العلاقة بين البيانات وهدف الانحدار. الانحدار الخطي يتنبأ بالعلاقات بين ميزة X والمتغير الهدف y. هل يمكنك العثور على [الهدف](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) لمجموعة بيانات السكري في التوثيق؟ ماذا تُظهر هذه المجموعة بناءً على الهدف؟\n\n2. بعد ذلك، اختر جزءًا من هذه المجموعة لرسمه باختيار العمود الثالث من المجموعة. يمكنك فعل ذلك باستخدام عامل `:` لاختيار كل الصفوف، ثم اختيار العمود الثالث باستخدام الفهرس (2). يمكنك أيضًا إعادة تشكيل البيانات لتكون مصفوفة ثنائية الأبعاد - حسب المطلوب للرسم - باستخدام `reshape(n_rows, n_columns)`. إذا كان أحد المعاملات -1، يتم حساب البعد الموافق تلقائيًا.\n\n   ```python\n   X = X[:, 2]\n   X = X.reshape((-1,1))\n   ```\n\n   ✅ في أي وقت، اطبع البيانات للتحقق من شكلها.\n\n3. الآن بعد أن أصبحت لديك بيانات جاهزة للرسم، يمكنك أن ترى ما إذا كان الماكينة يمكنها المساعدة في تحديد تقسيم منطقي بين الأرقام في هذه المجموعة. للقيام بذلك، تحتاج إلى تقسيم كل من البيانات (X) والهدف (y) إلى مجموعات اختبار وتدريب. لدى Scikit-learn طريقة مباشرة لذلك؛ يمكنك تقسيم بيانات الاختبار عند نقطة معينة.\n\n   ```python\n   X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)\n   ```\n\n4. الآن أنت جاهز لتدريب نموذجك! قم بتحميل نموذج الانحدار الخطي وقم بتدريبه باستخدام مجموعات التدريب X و y الخاصة بك باستخدام `model.fit()`:\n\n    ```python\n    model = linear_model.LinearRegression()\n    model.fit(X_train, y_train)\n    ```\n\n    ✅ `model.fit()` هي دالة سترى وجودها في العديد من مكتبات التعلم الآلي مثل TensorFlow\n\n5. ثم، أنشئ توقعًا باستخدام بيانات الاختبار، باستخدام الدالة `predict()`. سيتم استخدام هذا لرسم الخط بين مجموعات البيانات.\n\n    ```python\n    y_pred = model.predict(X_test)\n    ```\n\n6. حان الوقت الآن لعرض البيانات في رسم بياني. Matplotlib أداة مفيدة جدًا لهذه المهمة. أنشئ مخطط نقاط لجميع بيانات X و y الاختبارية، واستخدم التوقع لرسم خط في المكان الأنسب، بين مجموعات بيانات النموذج.\n\n    ```python\n    plt.scatter(X_test, y_test,  color='black')\n    plt.plot(X_test, y_pred, color='blue', linewidth=3)\n    plt.xlabel('Scaled BMIs')\n    plt.ylabel('Disease Progression')\n    plt.title('A Graph Plot Showing Diabetes Progression Against BMI')\n    plt.show()\n    ```\n\n   ![مخطط نقاط يوضح نقاط بيانات حول السكري](../../../../translated_images/ar/scatterplot.ad8b356bcbb33be6.webp)\n\n\n   ✅ فكر قليلاً في ما يحدث هنا. هناك خط مستقيم يمر عبر العديد من نقاط البيانات الصغيرة، ولكنه ماذا يفعل بالضبط؟ هل ترى كيف ينبغي أن تتمكن من استخدام هذا الخط للتنبؤ بمكان تناسب نقطة بيانات جديدة غير مرئية بالنسبة لمحور y في الرسم البياني؟ حاول التعبير بالكلمات عن الاستخدام العملي لهذا النموذج.\n\nتهانينا، لقد أنشأت نموذج الانحدار الخطي الأول لك، وأنتجت توقعًا به، وعرضته في رسم بياني!\n\n---\n## 🚀تحدي\n\nقم برسم متغير مختلف من هذه المجموعة البيانية. تلميح: حرر هذا السطر: `X = X[:,2]`. بالنظر إلى هدف هذه البيانات، ماذا يمكنك اكتشافه عن تقدم مرض السكري كمرض؟\n## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ml/)\n\n## مراجعة ودراسة ذاتية\n\nفي هذا الدرس، عملت مع الانحدار الخطي البسيط، بدلاً من الانحدار الخطي أحادي المتغير أو المتعدد. اقرأ قليلاً عن الفروقات بين هذه الأساليب، أو ألق نظرة على [هذا الفيديو](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)\n\nاقرأ المزيد عن مفهوم الانحدار وفكر في أنواع الأسئلة التي يمكن الإجابة عليها باستخدام هذه التقنية. خذ هذا [الدليل](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) لتعميق فهمك.\n\n## الواجب\n\n[مجموعة بيانات مختلفة](assignment.md)\n\n---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**تنويه**:\nتمت ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى للدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي والمعتمد. للمعلومات الهامة، يُنصح بالاستعانة بترجمة بشرية محترفة. نحن غير مسؤولين عن أي سوء فهم أو تفسير ناتج عن استخدام هذه الترجمة.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->","2-Regression/1-Tools/solution/Julia/README.md":"This is a temporary placeholder","2-Regression/1-Tools/README.md":"# Get started with Python and Scikit-learn for regression models\n\n![Summary of regressions in a sketchnote](../../sketchnotes/ml-regression.png)\n\n> Sketchnote by [Tomomi Imura](https://www.twitter.com/girlie_mac)\n\n## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ml/)\n\n> ### [This lesson is available in R!](./solution/R/lesson_1.html)\n\n## Introduction\n\nIn these four lessons, you will discover how to build regression models. We will discuss what these are for shortly. But before you do anything, make sure you have the right tools in place to start the process!\n\nIn this lesson, you will learn how to:\n\n- Configure your computer for local machine learning tasks.\n- Work with Jupyter Notebooks.\n- Use Scikit-learn, including installation.\n- Explore linear regression with a hands-on exercise.\n\n## Installations and configurations\n\n[![ML for beginners - Setup your tools ready to build Machine Learning models](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 \"ML for beginners -Setup your tools ready to build Machine Learning models\")\n\n> 🎥 Click the image above for a short video working through configuring your computer for ML.\n\n1. **Install Python**. Ensure that [Python](https://www.python.org/downloads/) is installed on your computer. You will use Python for many data science and machine learning tasks. Most computer systems already include a Python installation. There are useful [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) available as well, to ease the setup for some users.\n\n   Some usages of Python, however, require one version of the software, whereas others require a different version. For this reason, it's useful to work within a [virtual environment](https://docs.python.org/3/library/venv.html).\n\n2. **Install Visual Studio Code**. Make sure you have Visual Studio Code installed on your computer. Follow these instructions to [install Visual Studio Code](https://code.visualstudio.com/) for the basic installation. You are going to use Python in Visual Studio Code in this course, so you might want to brush up on how to [configure Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) for Python development.\n\n   > Get comfortable with Python by working through this collection of [Learn modules](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)\n   >\n   > [![Setup Python with Visual Studio Code](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 \"Setup Python with Visual Studio Code\")\n   >\n   > 🎥 Click the image above for a video: using Python within VS Code.\n\n3. **Install Scikit-learn**, by following [these instructions](https://scikit-learn.org/stable/install.html). Since you need to ensure that you use Python 3, it's recommended that you use a virtual environment. Note, if you are installing this library on a M1 Mac, there are special instructions on the page linked above.\n\n1. **Install Jupyter Notebook**. You will need to [install the Jupyter package](https://pypi.org/project/jupyter/).\n\n## Your ML authoring environment\n\nYou are going to use **notebooks** to develop your Python code and create machine learning models. This type of file is a common tool for data scientists, and they can be identified by their suffix or extension `.ipynb`.\n\nNotebooks are an interactive environment that allow the developer to both code and add notes and write documentation around the code which is quite helpful for experimental or research-oriented projects.\n\n[![ML for beginners - Set up Jupyter Notebooks to start building regression models](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E \"ML for beginners - Set up Jupyter Notebooks to start building regression models\")\n\n> 🎥 Click the image above for a short video working through this exercise.\n\n### Exercise - work with a notebook\n\nIn this folder, you will find the file _notebook.ipynb_.\n\n1. Open _notebook.ipynb_ in Visual Studio Code.\n\n   A Jupyter server will start with Python 3+ started. You will find areas of the notebook that can be `run`, pieces of code. You can run a code block, by selecting the icon that looks like a play button.\n\n1. Select the `md` icon and add a bit of markdown, and the following text **# Welcome to your notebook**.\n\n   Next, add some Python code.\n\n1. Type **print('hello notebook')** in the code block.\n1. Select the arrow to run the code.\n\n   You should see the printed statement:\n\n    ```output\n    hello notebook\n    ```\n\n![VS Code with a notebook open](images/notebook.jpg)\n\nYou can interleaf your code with comments to self-document the notebook.\n\n✅ Think for a minute how different a web developer's working environment is versus that of a data scientist.\n\n## Up and running with Scikit-learn\n\nNow that Python is set up in your local environment, and you are comfortable with Jupyter Notebooks, let's get equally comfortable with Scikit-learn (pronounce it `sci` as in `science`). Scikit-learn provides an [extensive API](https://scikit-learn.org/stable/modules/classes.html#api-ref) to help you perform ML tasks.\n\nAccording to their [website](https://scikit-learn.org/stable/getting_started.html), \"Scikit-learn is an open source machine learning library that supports supervised and unsupervised learning. It also provides various tools for model fitting, data preprocessing, model selection and evaluation, and many other utilities.\"\n\nIn this course, you will use Scikit-learn and other tools to build machine learning models to perform what we call 'traditional machine learning' tasks. We have deliberately avoided neural networks and deep learning, as they are better covered in our forthcoming 'AI for Beginners' curriculum.\n\nScikit-learn makes it straightforward to build models and evaluate them for use. It is primarily focused on using numeric data and contains several ready-made datasets for use as learning tools. It also includes pre-built models for students to try. Let's explore the process of loading prepackaged data and using a built-in estimator to create your first ML model with Scikit-learn with some basic data.\n\n## Exercise - your first Scikit-learn notebook\n\n> This tutorial was inspired by the [linear regression example](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) on Scikit-learn's web site.\n\n\n[![ML for beginners - Your First Linear Regression Project in Python](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 \"ML for beginners - Your First Linear Regression Project in Python\")\n\n> 🎥 Click the image above for a short video working through this exercise.\n\nIn the _notebook.ipynb_ file associated to this lesson, clear out all the cells by pressing the 'trash can' icon.\n\nIn this section, you will work with a small dataset about diabetes that is built into Scikit-learn for learning purposes. Imagine that you wanted to test a treatment for diabetic patients. Machine Learning models might help you determine which patients would respond better to the treatment, based on combinations of variables. Even a very basic regression model, when visualized, might show information about variables that would help you organize your theoretical clinical trials.\n\n✅ There are many types of regression methods, and which one you pick depends on the answer you're looking for. If you want to predict the probable height for a person of a given age, you'd use linear regression, as you're seeking a **numeric value**. If you're interested in discovering whether a type of cuisine should be considered vegan or not, you're looking for a **category assignment** so you would use logistic regression. You'll learn more about logistic regression later. Think a bit about some questions you can ask of data, and which of these methods would be more appropriate.\n\nLet's get started on this task.\n\n### Import libraries\n\nFor this task we will import some libraries:\n\n- **matplotlib**. It's a useful [graphing tool](https://matplotlib.org/) and we will use it to create a line plot.\n- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) is a useful library for handling numeric data in Python.\n- **sklearn**. This is the [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) library.\n\nImport some libraries to help with your tasks.\n\n1. Add imports by typing the following code:\n\n   ```python\n   import matplotlib.pyplot as plt\n   import numpy as np\n   from sklearn import datasets, linear_model, model_selection\n   ```\n\n   Above you are importing `matplotlib`, `numpy` and you are importing `datasets`, `linear_model` and `model_selection` from `sklearn`. `model_selection` is used for splitting data into training and test sets.\n\n### The diabetes dataset\n\nThe built-in [diabetes dataset](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) includes 442 samples of data around diabetes, with 10 feature variables, some of which include:\n\n- age: age in years\n- bmi: body mass index\n- bp: average blood pressure\n- s1 tc: T-Cells (a type of white blood cells)\n\n✅ This dataset includes the concept of 'sex' as a feature variable important to research around diabetes. Many medical datasets include this type of binary classification. Think a bit about how categorizations such as this might exclude certain parts of a population from treatments.\n\nNow, load up the X and y data.\n\n> 🎓 Remember, this is supervised learning, and we need a named 'y' target.\n\nIn a new code cell, load the diabetes dataset by calling `load_diabetes()`. The input `return_X_y=True` signals that `X` will be a data matrix, and `y` will be the regression target.\n\n1. Add some print commands to show the shape of the data matrix and its first element:\n\n    ```python\n    X, y = datasets.load_diabetes(return_X_y=True)\n    print(X.shape)\n    print(X[0])\n    ```\n\n    What you are getting back as a response, is a tuple. What you are doing is to assign the two first values of the tuple to `X` and `y` respectively. Learn more [about tuples](https://wikipedia.org/wiki/Tuple).\n\n    You can see that this data has 442 items shaped in arrays of 10 elements:\n\n    ```text\n    (442, 10)\n    [ 0.03807591  0.05068012  0.06169621  0.02187235 -0.0442235  -0.03482076\n    -0.04340085 -0.00259226  0.01990842 -0.01764613]\n    ```\n\n    ✅ Think a bit about the relationship between the data and the regression target. Linear regression predicts relationships between feature X and target variable y. Can you find the [target](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) for the diabetes dataset in the documentation? What is this dataset demonstrating, given that target?\n\n2. Next, select a portion of this dataset to plot by selecting the 3rd column of the dataset. You can do this by using the `:` operator to select all rows, and then selecting the 3rd column using the index (2). You can also reshape the data to be a 2D array - as required for plotting - by using `reshape(n_rows, n_columns)`. If one of the parameter is -1, the corresponding dimension is calculated automatically.\n\n   ```python\n   X = X[:, 2]\n   X = X.reshape((-1,1))\n   ```\n\n   ✅ At any time, print out the data to check its shape.\n\n3. Now that you have data ready to be plotted, you can see if a machine can help determine a logical split between the numbers in this dataset. To do this, you need to split both the data (X) and the target (y) into test and training sets. Scikit-learn has a straightforward way to do this; you can split your test data at a given point.\n\n   ```python\n   X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)\n   ```\n\n4. Now you are ready to train your model! Load up the linear regression model and train it with your X and y training sets using `model.fit()`:\n\n    ```python\n    model = linear_model.LinearRegression()\n    model.fit(X_train, y_train)\n    ```\n\n    ✅ `model.fit()` is a function you'll see in many ML libraries such as TensorFlow\n\n5. Then, create a prediction using test data, using the function `predict()`. This will be used to draw the line between data groups\n\n    ```python\n    y_pred = model.predict(X_test)\n    ```\n\n6. Now it's time to show the data in a plot. Matplotlib is a very useful tool for this task. Create a scatterplot of all the X and y test data, and use the prediction to draw a line in the most appropriate place, between the model's data groupings.\n\n    ```python\n    plt.scatter(X_test, y_test,  color='black')\n    plt.plot(X_test, y_pred, color='blue', linewidth=3)\n    plt.xlabel('Scaled BMIs')\n    plt.ylabel('Disease Progression')\n    plt.title('A Graph Plot Showing Diabetes Progression Against BMI')\n    plt.show()\n    ```\n\n   ![a scatterplot showing datapoints around diabetes](./images/scatterplot.png)\n\n   ✅ Think a bit about what's going on here. A straight line is running through many small dots of data, but what is it doing exactly? Can you see how you should be able to use this line to predict where a new, unseen data point should fit in relationship to the plot's y axis? Try to put into words the practical use of this model.\n\nCongratulations, you built your first linear regression model, created a prediction with it, and displayed it in a plot!\n\n---\n## 🚀Challenge\n\nPlot a different variable from this dataset. Hint: edit this line: `X = X[:,2]`. Given this dataset's target, what are you able to discover about the progression of diabetes as a disease?\n## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ml/)\n\n## Review & Self Study\n\nIn this tutorial, you worked with simple linear regression, rather than univariate or multiple linear regression. Read a little about the differences between these methods, or take a look at [this video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)\n\nRead more about the concept of regression and think about what kinds of questions can be answered by this technique. Take this [tutorial](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) to deepen your understanding.\n\n## Assignment\n\n[A different dataset](assignment.md)\n","translations/da/2-Regression/1-Tools/README.md":"# Kom godt i gang med Python og Scikit-learn til regressionsmodeller\n\n![Oversigt over regressioner i en sketchnote](../../../../translated_images/da/ml-regression.4e4f70e3b3ed446e.webp)\n\n> Sketchnote af [Tomomi Imura](https://www.twitter.com/girlie_mac)\n\n## [For-forelæsning quiz](https://ff-quizzes.netlify.app/en/ml/)\n\n> ### [Denne lektion findes også i R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)\n\n## Introduktion\n\nI disse fire lektioner vil du opdage, hvordan man bygger regressionsmodeller. Vi vil snart diskutere, hvad disse bruges til. Men før du gør noget, skal du sikre dig, at du har de rette værktøjer på plads for at begynde processen!\n\nI denne lektion vil du lære at:\n\n- Konfigurere din computer til lokale maskinlæringsopgaver.\n- Arbejde med Jupyter Notebooks.\n- Bruge Scikit-learn, inklusive installation.\n- Udforske lineær regression med en praktisk øvelse.\n\n## Installationer og konfigurationer\n\n[![ML for begyndere - Opsæt dine værktøjer klar til at bygge maskinlæringsmodeller](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 \"ML for begyndere -Opsæt dine værktøjer klar til at bygge maskinlæringsmodeller\")\n\n> 🎥 Klik på billedet ovenfor for en kort video, der viser, hvordan du konfigurerer din computer til ML.\n\n1. **Installer Python**. Sørg for, at [Python](https://www.python.org/downloads/) er installeret på din computer. Du vil bruge Python til mange data science- og maskinlæringsopgaver. De fleste computersystemer inkluderer allerede en Python-installation. Der findes også nyttige [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) tilgængelige, som kan lette opsætningen for nogle brugere.\n\n   Nogle anvendelser af Python kræver dog én version af softwaren, mens andre kræver en anden version. Af denne grund er det nyttigt at arbejde inden for et [virtuelt miljø](https://docs.python.org/3/library/venv.html).\n\n2. **Installer Visual Studio Code**. Sørg for, at du har Visual Studio Code installeret på din computer. Følg disse instruktioner for at [installere Visual Studio Code](https://code.visualstudio.com/) til den grundlæggende installation. Du kommer til at bruge Python i Visual Studio Code i dette kursus, så du vil måske opfriske, hvordan man [konfigurerer Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) til Python-udvikling.\n\n   > Bliv fortrolig med Python ved at arbejde gennem denne samling af [Læringsmoduler](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)\n   >\n   > [![Opsæt Python med Visual Studio Code](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 \"Opsæt Python med Visual Studio Code\")\n   >\n   > 🎥 Klik på billedet ovenfor for en video: brug af Python i VS Code.\n\n3. **Installer Scikit-learn**, ved at følge [disse instruktioner](https://scikit-learn.org/stable/install.html). Da du skal sikre dig, at du bruger Python 3, anbefales det, at du bruger et virtuelt miljø. Bemærk, hvis du installerer dette bibliotek på en M1 Mac, er der særlige instruktioner på den linkede side ovenfor.\n\n1. **Installer Jupyter Notebook**. Du skal [installere Jupyter-pakken](https://pypi.org/project/jupyter/).\n\n## Dit ML forfattermiljø\n\nDu kommer til at bruge **notebooks** til at udvikle din Python-kode og skabe maskinlæringsmodeller. Denne type fil er et almindeligt værktøj for dataforskere, og de kan identificeres ved deres suffix eller filendelse `.ipynb`.\n\nNotebooks er et interaktivt miljø, som tillader udvikleren både at kode og tilføje noter og skrive dokumentation omkring koden, hvilket er ganske hjælpsomt til eksperimentelle eller forskningsorienterede projekter.\n\n[![ML for begyndere - Opsæt Jupyter Notebooks for at starte med at bygge regressionsmodeller](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E \"ML for begyndere - Opsæt Jupyter Notebooks for at starte med at bygge regressionsmodeller\")\n\n> 🎥 Klik på billedet ovenfor for en kort video, der gennemgår denne øvelse.\n\n### Øvelse - arbejd med en notebook\n\nI denne mappe finder du filen _notebook.ipynb_.\n\n1. Åbn _notebook.ipynb_ i Visual Studio Code.\n\n   En Jupyter-server vil starte med Python 3+ i gang. Du vil finde områder af notebooken, der kan `køres`, stykker af kode. Du kan køre en kodeblok ved at vælge ikonet, der ligner en afspilningsknap.\n\n1. Vælg `md`-ikonet og tilføj lidt markdown, og følgende tekst **# Velkommen til din notebook**.\n\n   Tilføj derefter noget Python-kode.\n\n1. Skriv **print('hello notebook')** i kodeblokken.\n1. Vælg pilen for at køre koden.\n\n   Du skulle gerne se den udskrevne sætning:\n\n    ```output\n    hello notebook\n    ```\n\n![VS Code med en åben notebook](../../../../translated_images/da/notebook.4a3ee31f396b8832.webp)\n\nDu kan folde din kode sammen med kommentarer for at selvdokumentere notebooken.\n\n✅ Tænk et øjeblik over, hvor forskelligt en webudviklers arbejdsmiljø er i forhold til en dataforskers.\n\n## Oppe og køre med Scikit-learn\n\nNu hvor Python er sat op i dit lokale miljø, og du er fortrolig med Jupyter Notebooks, lad os blive lige så fortrolige med Scikit-learn (udtales `sci` som i `science`). Scikit-learn tilbyder et [omfattende API](https://scikit-learn.org/stable/modules/classes.html#api-ref) for at hjælpe dig med at udføre ML-opgaver.\n\nIfølge deres [hjemmeside](https://scikit-learn.org/stable/getting_started.html), \"er Scikit-learn et open source maskinlæringsbibliotek, der understøtter superviseret og usuperviseret læring. Det tilbyder også forskellige værktøjer til modeltilpasning, dataprvbehandling, modelvalg og evaluering samt mange andre hjælpemidler.\"\n\nI dette kursus vil du bruge Scikit-learn og andre værktøjer til at bygge maskinlæringsmodeller for at udføre det, vi kalder 'traditionelle maskinlærings'-opgaver. Vi har bevidst undgået neurale netværk og dyb læring, da de bedre dækkes i vores kommende 'AI for Beginners' pensum.\n\nScikit-learn gør det enkelt at bygge modeller og evaluere dem til brug. Det fokuserer primært på at bruge numeriske data og indeholder adskillige færdiglavede datasæt til brug som læringsværktøjer. Det inkluderer også forberedte modeller, som studerende kan prøve. Lad os først udforske processen med at indlæse forberedte data og bruge en indbygget estimator — den første ML-model med Scikit-learn med nogle grundlæggende data.\n\n## Øvelse - din første Scikit-learn notebook\n\n> Denne tutorial er inspireret af [eksemplet på lineær regression](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) på Scikit-learns websted.\n\n\n[![ML for begyndere - Dit første lineære regressionsprojekt i Python](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 \"ML for begyndere - Dit første lineære regressionsprojekt i Python\")\n\n> 🎥 Klik på billedet ovenfor for en kort video, der gennemgår denne øvelse.\n\nI filen _notebook.ipynb_ tilknyttet denne lektion, ryd alle cellerne ved at trykke på 'skraldespands' ikonet.\n\nI denne sektion vil du arbejde med et lille datasæt om diabetes, som er indbygget i Scikit-learn til læringsformål. Forestil dig, at du ønskede at teste en behandling for diabetespatienter. Maskinlæringsmodeller kan hjælpe dig med at afgøre, hvilke patienter der ville reagere bedre på behandlingen, baseret på kombinationer af variable. Selv en meget basal regressionsmodel, når den visualiseres, kan vise oplysninger om variable, der ville hjælpe dig med at organisere dine teoretiske kliniske forsøg.\n\n✅ Der findes mange typer regressionsmetoder, og hvilken du vælger afhænger af det svar, du søger. Hvis du vil forudsige den sandsynlige højde for en person i en given alder, vil du bruge lineær regression, da du søger en **numerisk værdi**. Hvis du er interesseret i at finde ud af, om en bestemt type køkken skal betragtes som vegansk eller ej, søger du en **kategori-tildeling**, så du ville bruge logistisk regression. Du lærer mere om logistisk regression senere. Tænk lidt over nogle spørgsmål, du kan stille om data, og hvilken af disse metoder der ville være mere passende.\n\nLad os komme i gang med denne opgave.\n\n### Importer biblioteker\n\nTil denne opgave vil vi importere nogle biblioteker:\n\n- **matplotlib**. Det er et nyttigt [grafværktøj](https://matplotlib.org/) og vi vil bruge det til at lave en linjeplot.\n- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) er et nyttigt bibliotek til håndtering af numeriske data i Python.\n- **sklearn**. Dette er [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) biblioteket.\n\nImporter nogle biblioteker til at hjælpe med dine opgaver.\n\n1. Tilføj imports ved at skrive følgende kode:\n\n   ```python\n   import matplotlib.pyplot as plt\n   import numpy as np\n   from sklearn import datasets, linear_model, model_selection\n   ```\n\n   Ovenfor importerer du `matplotlib`, `numpy` og du importerer også `datasets`, `linear_model` og `model_selection` fra `sklearn`. `model_selection` bruges til at opdele data i trænings- og testdatasæt.\n\n### Diabetes-datasættet\n\nDet indbyggede [diabetes datasæt](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) indeholder 442 datapunkter om diabetes, med 10 feature variabler, nogle af dem inkluderer:\n\n- alder: alder i år\n- bmi: kropsmasseindeks\n- bp: gennemsnitligt blodtryk\n- s1 tc: T-celler (en type hvide blodlegemer)\n\n✅ Dette datasæt inkluderer begrebet 'køn' som en feature variabel vigtig for forskning omkring diabetes. Mange medicinske datasæt inkluderer denne type binær klassifikation. Tænk lidt over, hvordan kategoriseringer som denne kan udelukke visse dele af en befolkning fra behandlinger.\n\nNu skal du indlæse X- og y-dataene.\n\n> 🎓 Husk, dette er superviseret læring, og vi har brug for et navngivet 'y' mål.\n\nI en ny kodecelle, indlæs diabetes datasættet ved at kalde `load_diabetes()`. Inputtet `return_X_y=True` signalerer, at `X` vil være en datamatricer, og `y` vil være regressionsmålet.\n\n1. Tilføj nogle print-kommandoer for at vise formen af datamatrixen og dens første element:\n\n    ```python\n    X, y = datasets.load_diabetes(return_X_y=True)\n    print(X.shape)\n    print(X[0])\n    ```\n\n    Det, du får tilbage som respons, er en tuple. Det, du gør, er at tildele de to første værdier i tuplen til henholdsvis `X` og `y`. Læs mere [om tuples](https://wikipedia.org/wiki/Tuple).\n\n    Du kan se, at disse data har 442 elementer formet som arrays med 10 elementer:\n\n    ```text\n    (442, 10)\n    [ 0.03807591  0.05068012  0.06169621  0.02187235 -0.0442235  -0.03482076\n    -0.04340085 -0.00259226  0.01990842 -0.01764613]\n    ```\n\n    ✅ Tænk lidt over forholdet mellem dataene og regressionsmålet. Lineær regression forudsiger sammenhænge mellem feature X og målvariablen y. Kan du finde [målet](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) for diabetes datasættet i dokumentationen? Hvad demonstrerer dette datasæt, givet målet?\n\n2. Vælg derefter en del af dette datasæt til at plotte ved at vælge den 3. kolonne af datasættet. Det kan du gøre ved at bruge `:` operatoren til at vælge alle rækker, og derefter vælge den 3. kolonne ved hjælp af indekset (2). Du kan også omforme dataene til at være et 2D-array — som krævet for plotning — ved at bruge `reshape(n_rows, n_columns)`. Hvis en af parametrene er -1, beregnes den tilsvarende dimension automatisk.\n\n   ```python\n   X = X[:, 2]\n   X = X.reshape((-1,1))\n   ```\n\n   ✅ Print dataene ud når som helst for at tjekke deres form.\n\n3. Nu hvor du har data klar til at blive plottet, kan du se, om en maskine kan hjælpe med at bestemme en logisk opdeling mellem tallene i dette datasæt. For at gøre dette skal du opdele både dataene (X) og målet (y) i test- og træningssæt. Scikit-learn har en ligetil måde at gøre dette på; du kan opdele dine testdata på et givent punkt.\n\n   ```python\n   X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)\n   ```\n\n4. Nu er du klar til at træne din model! Indlæs den lineære regressionsmodel og træne den med dine X- og y træningssæt ved hjælp af `model.fit()`:\n\n    ```python\n    model = linear_model.LinearRegression()\n    model.fit(X_train, y_train)\n    ```\n\n    ✅ `model.fit()` er en funktion, du vil se i mange ML-biblioteker såsom TensorFlow\n\n5. Opret derefter en forudsigelse ved hjælp af testdata, brug funktionen `predict()`. Dette vil blive brugt til at tegne linjen mellem datagrupper\n\n    ```python\n    y_pred = model.predict(X_test)\n    ```\n\n6. Nu er det tid til at vise dataene i et plot. Matplotlib er et meget nyttigt værktøj til denne opgave. Lav et scatterplot af alle X- og y testdata, og brug forudsigelsen til at tegne en linje på det mest passende sted, mellem modellens datagrupperinger.\n\n    ```python\n    plt.scatter(X_test, y_test,  color='black')\n    plt.plot(X_test, y_pred, color='blue', linewidth=3)\n    plt.xlabel('Scaled BMIs')\n    plt.ylabel('Disease Progression')\n    plt.title('A Graph Plot Showing Diabetes Progression Against BMI')\n    plt.show()\n    ```\n\n   ![et scatterplot, der viser datapunkter omkring diabetes](../../../../translated_images/da/scatterplot.ad8b356bcbb33be6.webp)\n\n\n   ✅ Tænk lidt over, hvad der foregår her. En ret linje løber gennem mange små datapunkter, men hvad gør den egentlig? Kan du se, hvordan du burde kunne bruge denne linje til at forudsige, hvor et nyt, uset datapunkt skal placeres i forhold til plottets y-akse? Prøv at formulere den praktiske anvendelse af denne model.\n\nTillykke, du har bygget din første lineære regressionsmodel, lavet en forudsigelse med den og vist den i et plot!\n\n---\n## 🚀Udfordring\n\nPlot en anden variabel fra dette datasæt. Tip: rediger denne linje: `X = X[:,2]`. Med dette datasæts målvariabel, hvad kan du opdage om progressionen af diabetes som sygdom?\n## [Quiz efter forelæsning](https://ff-quizzes.netlify.app/en/ml/)\n\n## Gennemgang & Selvstudium\n\nI denne vejledning arbejdede du med simpel lineær regression fremfor univariat eller multiple lineære regression. Læs lidt om forskellene mellem disse metoder, eller se [denne video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)\n\nLæs mere om konceptet regression og tænk over, hvilke slags spørgsmål der kan besvares med denne teknik. Tag denne [vejledning](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) for at fordybe din forståelse.\n\n## Opgave\n\n[Et andet datasæt](assignment.md)\n\n---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Ansvarsfraskrivelse**:\nDette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selvom vi bestræber os på nøjagtighed, skal du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os intet ansvar for misforståelser eller fejltolkninger, der opstår som følge af brugen af denne oversættelse.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->","translations/bn/2-Regression/1-Tools/README.md":"# রিগ্রেশন মডেলগুলির জন্য পাইথন এবং স্কিকিট-লার্ন দিয়ে শুরু করুন\n\n![একটি স্কেচনোটে রিগ্রেশনগুলির সারসংক্ষেপ](../../../../translated_images/bn/ml-regression.4e4f70e3b3ed446e.webp)\n\n> স্কেচনোট তৈরি করেছেন [তোমোমি ইমুরা](https://www.twitter.com/girlie_mac)\n\n## [পূর্বে-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ml/)\n\n> ### [এই পাঠটি R-এ উপলব্ধ!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)\n\n## পরিচিতি\n\nএই চারটি পাঠে, আপনি কিভাবে রিগ্রেশন মডেল তৈরি করতে হয় তা জানবেন। আমরা এক্ষুনি আলোচনা করব এগুলি কী জন্য। কিন্তু কিছু করার আগে, নিশ্চিত করুন যে আপনার কাছে প্রক্রিয়া শুরু করার জন্য সঠিক সরঞ্জাম রয়েছে!\n\nএই পাঠে, আপনি শিখবেন কিভাবে:\n\n- আপনার কম্পিউটারকে স্থানীয় মেশিন লার্নিং কাজের জন্য কনফিগার করবেন।\n- জুপিটার নোটবুকের সাথে কাজ করবেন।\n- স্কিকিট-লার্ন ব্যবহার করবেন, ইনস্টলেশন সহ।\n- একটি হাতে-কলমে অনুশীলন সহ লিনিয়ার রিগ্রেশন অন্বেষণ করবেন।\n\n## ইনস্টলেশন এবং কনফিগারেশন\n\n[![শুরুর জন্য এমএল - মেশিন লার্নিং মডেল তৈরির জন্য আপনার টুলস প্রস্তুত করুন](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 \"শুরুর জন্য এমএল - মেশিন লার্নিং মডেল তৈরির জন্য আপনার টুলস প্রস্তুত করুন\")\n\n> 🎥 এমএল কনফিগার করার জন্য একটি সংক্ষিপ্ত ভিডিও দেখতে উপরের চিত্রে ক্লিক করুন।\n\n1. **পাইথন ইনস্টল করুন**। নিশ্চিত করুন যে [Python](https://www.python.org/downloads/) আপনার কম্পিউটারে ইনস্টল করা আছে। আপনি অনেক ডেটা সাইন্স এবং মেশিন লার্নিং কাজের জন্য পাইথন ব্যবহার করবেন। বেশিরভাগ কম্পিউটার সিস্টেমে ইতিমধ্যে পাইথন ইনস্টল থাকে। কিছু ব্যবহারকারীর জন্য সহজতর করতে [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott)ও পাওয়া যায়।\n\n   তবে, পাইথনের কিছু ব্যবহার এক ভার্সনের সফটওয়্যার চান, আবার কিছু অন্য ভার্সনের। এজন্য, একটি [ভার্চুয়াল এনভায়রনমেন্টে](https://docs.python.org/3/library/venv.html) কাজ করা উপকারী।\n\n2. **ভিজুয়াল স্টুডিও কোড ইনস্টল করুন**। নিশ্চিত করুন যে আপনার কম্পিউটারে ভিজুয়াল স্টুডিও কোড ইনস্টল করা আছে। বেসিক ইনস্টলেশনের জন্য এই নির্দেশনাগুলো অনুসরণ করুন: [Visual Studio Code ইনস্টল করুন](https://code.visualstudio.com/)। এই কোর্সে আপনি ভিজুয়াল স্টুডিও কোডে পাইথন ব্যবহার করবেন, তাই পাইথন ডেভেলপমেন্টের জন্য [Visual Studio Code কনফিগার করা](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) সম্পর্কেও জানতে পারেন।\n\n   > এই [লার্ন মডিউলস](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) থেকে কাজ করে পাইথনে স্বাচ্ছন্দ্যতা অর্জন করুন\n   >\n   > [![Visual Studio Code-এ Python সেটআপ করুন](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 \"Visual Studio Code-এ Python সেটআপ করুন\")\n   >\n   > 🎥 ভিডিওটির জন্য উপরের চিত্রে ক্লিক করুন: VS কোডে পাইথন ব্যবহার।\n\n3. **স্কিকিট-লার্ন ইনস্টল করুন**, এই [নির্দেশনাগুলো](https://scikit-learn.org/stable/install.html) অনুসরণ করে। আপনাকে নিশ্চিত করতে হবে যে আপনি পাইথন ৩ ব্যবহার করছেন, তাই ভার্চুয়াল এনভায়রনমেন্ট ব্যবহার করার পরামর্শ দেওয়া হয়। লক্ষ্য করুন, যদি আপনি M1 ম্যাক-এ এই লাইব্রেরি ইনস্টল করছেন, তাহলে উপরের লিঙ্কে বিশেষ নির্দেশনাগুলো আছে।\n\n4. **জুপিটার নোটবুক ইনস্টল করুন**। আপনাকে [জুপিটার প্যাকেজ ইনস্টল](https://pypi.org/project/jupyter/) করতে হবে।\n\n## আপনার এমএল লেখার পরিবেশ\n\nআপনি পাইথন কোড উন্নয়ন এবং মেশিন লার্নিং মডেল তৈরি করতে **নোটবুকস** ব্যবহার করবেন। এই ধরণের ফাইল ডেটা বিজ্ঞানীদের একটি সাধারণ টুল এবং এগুলোর সাফিক্স বা এক্সটেনশন `.ipynb` দ্বারা চিহ্নিত করা হয়।\n\nনোটবুক একটি ইন্টারঅ্যাকটিভ পরিবেশ যা ডেভেলপারকে কোড করার পাশাপাশি কোডের চারপাশে নোট এবং ডকুমেন্টেশন লেখার সুযোগ দেয়, যা পরীক্ষামূলক বা গবেষণাভিত্তিক প্রকল্পে খুব সহায়ক।\n\n[![শুরুর জন্য এমএল - রিগ্রেশন মডেল তৈরির জন্য জুপিটার নোটবুক সেটআপ করুন](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E \"শুরুর জন্য এমএল - রিগ্রেশন মডেল তৈরির জন্য জুপিটার নোটবুক সেটআপ করুন\")\n\n> 🎥 এই অনুশীলনটি করতে উপরের ছবিতে ক্লিক করুন একটি সংক্ষিপ্ত ভিডিওর জন্য।\n\n### অনুশীলন - একটি নোটবুকের সাথে কাজ করুন\n\nএই ফোল্ডারে, আপনি _notebook.ipynb_ ফাইলটি দেখতে পাবেন।\n\n1. Visual Studio Code-এ _notebook.ipynb_ খুলুন।\n\n   একটি জুপিটার সার্ভার Python 3+ দিয়ে চালু হবে। আপনি নোটবুকের এমন স্থান পাবেন যা `run` করা যাবে, কোডের টুকরা। কার্টির মত দেখতে আইকনটি নির্বাচন করে কোড ব্লক চালাতে পারেন।\n\n2. `md` আইকন নির্বাচন করুন এবং কিছু মার্কডাউন লিখুন, এবং নিম্নলিখিত টেক্সট দিন **# আপনার নোটবুকে স্বাগতম**।\n\n   এরপর, কিছু পাইথন কোড যোগ করুন।\n\n3. কোড ব্লকে টাইপ করুন **print('hello notebook')**।\n4. কোড চালাতে তীর চিহ্ন নির্বাচন করুন।\n\n   আপনি নিম্নলিখিত প্রিন্টেড স্টেটমেন্ট দেখতে পাবেন:\n\n    ```output\n    hello notebook\n    ```\n\n![ভিএস কোডে একটি নোটবুক খোলা](../../../../translated_images/bn/notebook.4a3ee31f396b8832.webp)\n\nআপনি নোটবুক নিজেই ডকুমেন্ট করার জন্য মন্তব্যসহ কোডের মধ্যে ইন্টারলিফ করতে পারেন।\n\n✅ একটি ওয়েব ডেভেলপার এবং একটি ডেটা বিজ্ঞানীর কাজের পরিবেশ কতোটা ভিন্ন হতে পারে, একটু ভাবুন।\n\n## স্কিকিট-লার্ন দিয়ে কাজ শুরু করুন\n\nএখন যেহেতু পাইথন আপনার স্থানীয় পরিবেশে প্রস্তুত, এবং আপনি জুপিটার নোটবুকে স্বাচ্ছন্দ্যবোধ করছেন, চলুন স্কিকিট-লার্নের সাথেও সমান স্বাচ্ছন্দ্য অর্জন করি (উচ্চারণ `sci` যেমন `science`)। স্কিকিট-লার্ন একটি [বিস্তৃত এপিআই](https://scikit-learn.org/stable/modules/classes.html#api-ref) দেয় যেটা আপনাকে এমএল কাজ করতে সাহায্য করবে।\n\nতাদের [ওয়েবসাইট](https://scikit-learn.org/stable/getting_started.html) অনুযায়ী, \"স্কিকিট-লার্ন একটি ওপেন সোর্স মেশিন লার্নিং লাইব্রেরি যা সুপারভাইজড এবং আনসুপারভাইজড লার্নিং সাপোর্ট করে। এটি মডেল ফিটিং, ডেটা প্রিপ্রসেসিং, মডেল সিলেকশন এবং ইভ্যালুয়েশন, এবং অন্যান্য অনেক টুলস প্রদান করে।\"\n\nএই কোর্সে, আপনি স্কিকিট-লার্ন এবং অন্যান্য সরঞ্জাম ব্যবহার করে একটি মেশিন লার্নিং মডেল গড়ে তুলবেন যা আমরা 'পরম্পরাগত মেশিন লার্নিং' কাজ বলে থাকি। আমরা ইচ্ছাকৃতভাবে নিউরাল নেটওয়ার্ক এবং ডিপ লার্নিং এড়িয়েছি, কারণ এগুলো আমাদের আসন্ন 'এআই ফর বিগিনার্স' কারিকুলামে ভালোভাবে কভার করা হয়েছে।\n\nস্কিকিট-লার্ন মডেল তৈরি করা এবং সেগুলোর মূল্যায়ন সহজ করে তোলে। এটি প্রধানত সংখ্যাগত ডেটা ব্যবহার করে এবং শেখার সরঞ্জাম হিসেবে বেশ কিছু প্রস্তুত ডেটাসেট রয়েছে। এতে শিক্ষার্থীদের জন্য প্রাক-তৈরি মডেলও আছে। প্রথমে স্কিকিট-লার্নের সাথে প্রিপ্যাকেজড ডেটা লোড এবং বিল্ট-ইন এস্টিমেটর ব্যবহার করে মৌলিক এমএল মডেল তৈরির প্রক্রিয়া অন্বেষণ করি।\n\n## অনুশীলন - আপনার প্রথম স্কিকিট-লার্ন নোটবুক\n\n> এই টিউটোরিয়ালটি অনুপ্র inspirationণ হয়েছে স্কিকিট-লার্নের ওয়েবসাইটের [লিনিয়ার রিগ্রেশন উদাহরণ](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) থেকে।\n\n\n[![শুরুর জন্য এমএল - পাইথনে আপনার প্রথম লিনিয়ার রিগ্রেশন প্রকল্প](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 \"শুরুর জন্য এমএল - পাইথনে আপনার প্রথম লিনিয়ার রিগ্রেশন প্রকল্প\")\n\n> 🎥 এই অনুশীলনটি দেখতে উপরের চিত্রে ক্লিক করুন একটি সংক্ষিপ্ত ভিডিওর জন্য।\n\nএই পাঠের সাথে সংযুক্ত _notebook.ipynb_ ফাইলে, সকল সেলগুলি 'ট্র্যাশ ক্যান' আইকন চাপ দিয়ে ক্লিয়ার করুন।\n\nএই অংশে, আপনি ডায়াবেটিস সম্পর্কে একটি ছোট ডেটাসেট নিয়ে কাজ করবেন যা স্কিকিট-লার্নে শেখার জন্য অন্তর্ভুক্ত। কল্পনা করুন আপনি ডায়াবেটিক রোগীদের জন্য একটি চিকিৎসা পরীক্ষা করতে চান। মেশিন লার্নিং মডেল আপনাকে নির্ধারণ করতে সাহায্য করতে পারে কোন রোগী চিকিৎসায় ভাল সাড়া দেবে বিভিন্ন ভেরিয়েবলের সংমিশ্রণের ভিত্তিতে। একটি মৌলিক রিগ্রেশন মডেল, ভিজুয়ালাইজ করা হলে, ভেরিয়েবলের তথ্য দেখাতে পারে যা আপনার তাত্ত্বিক ক্লিনিক্যাল ট্রায়াল সংগঠনে সাহায্য করবে।\n\n✅ রিগ্রেশনের অনেক ধরন আছে এবং আপনি কোনটি বেছে নেন তা নির্ভর করে আপনি কোন প্রশ্নের উত্তর খুঁজছেন তার উপর। যদি আপনি নির্দিষ্ট বয়সের একজন ব্যক্তির সম্ভাব্য উচ্চতা পূর্বাভাস দিতে চান, তাহলে আপনি লিনিয়ার রিগ্রেশন ব্যবহার করবেন, কারণ আপনি একটি **সংখ্যাগত মান** খুঁজছেন। যদি আপনি জানতে চান একটি রান্নার ধরন নিরামিষ কিনা, তাহলে সেটি একটি **শ্রেণিবিন্যাস** তাই আপনি লজিস্টিক রিগ্রেশন ব্যবহার করবেন। লজিস্টিক রিগ্রেশন সম্পর্কে পরে শিখবেন। কিছু প্রশ্ন নিয়ে ভাবুন যা আপনি ডেটাবেজে করতে পারেন এবং কোন পদ্ধতিটি উপযুক্ত হবে।\n\nচলুন এই কাজ শুরু করি।\n\n### লাইব্রেরি আমদানি\n\nএই কাজের জন্য আমরা কিছু লাইব্রেরি আমদানি করব:\n\n- **matplotlib**। এটি একটি উপকারী [গ্রাফিং টুল](https://matplotlib.org/) এবং আমরা একটি লাইন প্লট তৈরি করতে এটি ব্যবহার করব।\n- **numpy**। [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) পাইথনে সংখ্যাগত ডেটা পরিচালনার জন্য একটি দরকারী লাইব্রেরি।\n- **sklearn**। এটি [স্কিকিট-লার্ন](https://scikit-learn.org/stable/user_guide.html) লাইব্রেরি।\n\nআপনার কাজের জন্য কিছু লাইব্রেরি আমদানি করুন।\n\n1. নিচের কোড টাইপ করে আমদানি করুন:\n\n   ```python\n   import matplotlib.pyplot as plt\n   import numpy as np\n   from sklearn import datasets, linear_model, model_selection\n   ```\n\n   উপরে আপনি `matplotlib`, `numpy` আমদানি করছেন এবং `sklearn` থেকে `datasets`, `linear_model` এবং `model_selection` আমদানি করছেন। `model_selection` ডেটাকে প্রশিক্ষণ এবং পরীক্ষা সেটে ভাগ করার জন্য ব্যবহৃত।\n\n### ডায়াবেটিস ডেটাসেট\n\nঅন্তর্ভুক্ত [ডায়াবেটিস ডেটাসেট](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) এ ৪৪২টি নমুনা রয়েছে, যেখানে ১০টি বৈশিষ্ট্য ভেরিয়েবল আছে, কিছু হল:\n\n- বয়স: বছরে বয়স\n- BMI: শরীরের ভর সূচক\n- রক্তচাপ: গড় রক্তচাপ\n- s1 tc: টি-সেলস (সাদা রক্তকণিকার একটি প্রকার)\n\n✅ এই ডেটাসেটে 'লিঙ্গ' নামক একটি বৈশিষ্ট্য ভেরিয়েবল অন্তর্ভুক্ত আছে, যা ডায়াবেটিস গবেষণায় গুরুত্বপূর্ণ। অনেক চিকিৎসা তথ্যসেট এই ধরনের বাইনারি শ্রেণিবিভাজন অন্তর্ভুক্ত করে। ভাবুন কিভাবে এমন শ্রেণিবিভাজন কিছু জনগোষ্ঠীকে চিকিৎসা থেকে বাদ দিতে পারে।\n\nএখন, X এবং y ডেটা লোড করুন।\n\n> 🎓 মনে রাখবেন, এটি একটি সুপারভাইজড লার্নিং, এবং আমাদের একটি নামকৃত 'y' লক্ষ্য দরকার।\n\nএকটি নতুন কোড সেলে, `load_diabetes()` কল করে ডায়াবেটিস ডেটাসেট লোড করুন। `return_X_y=True` ইনপুট মানে হল `X` একটি ডেটা ম্যাট্রিক্স হবে, এবং `y` হবে রিগ্রেশন লক্ষ্য।\n\n1. ডেটা ম্যাট্রিক্সের আকৃতি এবং এর প্রথম উপাদান প্রদর্শনের জন্য কিছু প্রিন্ট কমান্ড যোগ করুন:\n\n    ```python\n    X, y = datasets.load_diabetes(return_X_y=True)\n    print(X.shape)\n    print(X[0])\n    ```\n\n    আপনি যে রেসপন্স পাচ্ছেন, তা একটি tuple। আপনি tuple- এর প্রথম দুটি মান `X` এবং `y` তে আলাদা করছেন। [tuple সম্পর্কে আরও জানুন](https://wikipedia.org/wiki/Tuple)।\n\n    আপনি দেখতে পাচ্ছেন ডেটা ৪৪২টি আইটেম নিয়ে তৈরি, যার প্রতিটি ১০টি উপাদানের অ্যারে আকারে:\n\n    ```text\n    (442, 10)\n    [ 0.03807591  0.05068012  0.06169621  0.02187235 -0.0442235  -0.03482076\n    -0.04340085 -0.00259226  0.01990842 -0.01764613]\n    ```\n\n    ✅ কিছুক্ষণ ভেবে দেখুন ডেটা এবং রিগ্রেশন লক্ষ্য এর সম্পর্ক। লিনিয়ার রিগ্রেশন বৈশিষ্ট্য X এবং লক্ষ্য ভেরিয়েবল y-এর মধ্যে সম্পর্ক পূর্বাভাস দেয়। আপনি কি ডকুমেন্টেশনে ডায়াবেটিস ডেটাসেটের [লক্ষ্য](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) খুঁজে পেয়েছেন? এই ডেটাসেটটি কি প্রদর্শন করছে, লক্ষ্য দেখে?\n\n2. তারপরে, ডেটাসেটের একটি অংশ নির্বাচন করুন প্লট করার জন্য: ডেটাসেটের ৩য় কলাম নির্বাচিত করুন। `:` অপারেটর ব্যবহার করে সব সারি নির্বাচন করে তারপর ইনডেক্স (২) ব্যবহার করে তৃতীয় কলাম নির্বাচন করতে পারেন। প্লট করার জন্য ডেটাকে 2D অ্যারেতে রিশেপ করা দরকার `reshape(n_rows, n_columns)` ব্যবহার করে। যদি একটি প্যারামিটার -1 হয়, সংশ্লিষ্ট মাত্রা স্বয়ংক্রিয়ভাবে হিসাব হয়।\n\n   ```python\n   X = X[:, 2]\n   X = X.reshape((-1,1))\n   ```\n\n   ✅ যেকোনো সময় ডেটার আকৃতি পরীক্ষা করতে প্রিন্ট করুন।\n\n3. এখন ডেটা প্লট করার প্রস্তুত, দেখুন একটি মেশিন সংখ্যাগুলোর মধ্যে যৌক্তিক বিভাজন নির্ধারণে সাহায্য করতে পারে কিনা। এর জন্য, আপনাকে ডেটা (X) এবং লক্ষ্য (y) উভয়ই পরীক্ষা এবং প্রশিক্ষণ সেটে ভাগ করতে হবে। স্কিকিট-লার্নে এর জন্য সরল উপায় আছে; আপনি নির্দিষ্ট পয়েন্টে পরীক্ষা ডেটা ভাগ করতে পারবেন।\n\n   ```python\n   X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)\n   ```\n\n4. এখন আপনার মডেল প্রশিক্ষণের জন্য প্রস্তুত! লিনিয়ার রিগ্রেশন মডেল লোড করুন এবং `model.fit()` ব্যবহার করে X ও y প্রশিক্ষণ সেট দিয়ে প্রশিক্ষণ দিন:\n\n    ```python\n    model = linear_model.LinearRegression()\n    model.fit(X_train, y_train)\n    ```\n\n    ✅ `model.fit()` একটি ফাংশন যা আপনি অনেক এমএল লাইব্রেরিতে যেমন TensorFlow দেথতে পাবেন\n\n5. এরপর, `predict()` ফাংশন ব্যবহার করে পরীক্ষার ডেটা দিয়ে পূর্বাভাস তৈরি করুন। এটি ডেটা গ্রুপের মধ্যে একটি লাইন আঁকতে ব্যবহৃত হবে\n\n    ```python\n    y_pred = model.predict(X_test)\n    ```\n\n6. এখন ডেটা একটি প্লটে প্রদর্শনের সময়। এই কাজের জন্য matplotlib খুব দরকারী টুল। সমস্ত X এবং y পরীক্ষার ডেটার একটি scatterplot তৈরি করুন এবং পূর্বাভাস ব্যবহার করে মডেলের ডেটা গ্রুপের মধ্যে সবচেয়ে উপযুক্ত স্থানে একটি লাইন আঁকুন।\n\n    ```python\n    plt.scatter(X_test, y_test,  color='black')\n    plt.plot(X_test, y_pred, color='blue', linewidth=3)\n    plt.xlabel('Scaled BMIs')\n    plt.ylabel('Disease Progression')\n    plt.title('A Graph Plot Showing Diabetes Progression Against BMI')\n    plt.show()\n    ```\n\n   ![ডায়াবেটিসের চারপাশে ডেটাপয়েন্ট দেখাচ্ছে একটি scatterplot](../../../../translated_images/bn/scatterplot.ad8b356bcbb33be6.webp)\n\n\n   ✅ এখানে কী ঘটছে তা একটু ভাবুন। একটি সরলরেখা অনেক ছোট ডেটার বিন্দুর মধ্য দিয়ে যাচ্ছে, কিন্তু এটি ঠিক কী করছে? আপনি কি দেখতে পাচ্ছেন কীভাবে এই রেখাটিকে ব্যবহার করে কোনও নতুন, অদেখা ডেটা পয়েন্ট কোথায় প্লটের y অক্ষের সাথে সম্পর্ক করে বসাতে হবে তা পূর্বাভাস দেবে? এই মডেলের ব্যবহারিক উপযোগিতাটি শব্দে প্রকাশ করার চেষ্টা করুন।\n\nঅভিনন্দন, আপনি প্রথম লিনিয়ার রিগ্রেশন মডেলটি তৈরি করেছেন, এটি দিয়ে একটি পূর্বাভাস তৈরি করেছেন, এবং এটি একটি প্লটে প্রদর্শন করেছেন!\n\n---\n## 🚀চ্যালেঞ্জ\n\nএই ডেটাসেট থেকে একটি আলাদা ভেরিয়েবল প্লট করুন। ইঙ্গিত: এই লাইনটি সম্পাদনা করুন: `X = X[:,2]`। এই ডেটাসেটের টার্গেট বিবেচনায়, আপনি কী জানতে পারছেন ডায়াবেটিস রোগের অগ্রগতির সম্পর্কে?\n## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ml/)\n\n## পর্যালোচনা এবং স্ব-অধ্যয়ন\n\nএই টিউটোরিয়ালে, আপনি সহজ সরলরেখীয় রিগ্রেশন নিয়ে কাজ করেছেন, যা ইউনিভেরিয়েট বা মাল্টিপল লিনিয়ার রিগ্রেশনের থেকে আলাদা। এই পদ্ধতিগুলির মধ্যে পার্থক্য সম্পর্কে একটু পড়ুন, অথবা [এই ভিডিওটি](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) দেখুন।\n\nরিগ্রেশন ধারণা সম্পর্কে আরও পড়ুন এবং ভাবুন কী ধরনের প্রশ্ন এই প্রযুক্তি দ্বারা উত্তরযোগ্য। আপনার বোঝাপড়া গভীর করার জন্য এই [টিউটোরিয়ালটি](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) অনুসরণ করুন।\n\n## অ্যাসাইনমেন্ট\n\n[একটি ভিন্ন ডেটাসেট](assignment.md)\n\n---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**অস্বীকৃতি**:\nএই নথিটি AI অনুবাদ পরিষেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনূদিত হয়েছে। যদিও আমরা শুদ্ধতার জন্য চেষ্টা করি, অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। মূল নথিটি তার স্বভাষায় কর্তৃত্বপূর্ণ উৎস হিসেবে বিবেচিত হওয়া উচিত। গুরুত্বপূর্ণ তথ্যের জন্য পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদের ব্যবহারে প্রয়োজনীয় ভুল বোঝাবুঝি বা ভুল ব্যাখ্যার জন্য আমরা দায়বদ্ধ নই।\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->","translations/es/2-Regression/1-Tools/README.md":"# Comienza con Python y Scikit-learn para modelos de regresión\n\n![Resumen de regresiones en una sketchnote](../../../../translated_images/es/ml-regression.4e4f70e3b3ed446e.webp)\n\n> Sketchnote de [Tomomi Imura](https://www.twitter.com/girlie_mac)\n\n## [Cuestionario previo a la clase](https://ff-quizzes.netlify.app/en/ml/)\n\n> ### [¡Esta lección está disponible en R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)\n\n## Introducción\n\nEn estas cuatro lecciones, descubrirás cómo construir modelos de regresión. Hablaremos de para qué sirven en breve. Pero antes de hacer cualquier cosa, asegúrate de tener las herramientas correctas para comenzar el proceso.\n\nEn esta lección, aprenderás a:\n\n- Configurar tu computadora para tareas locales de aprendizaje automático.\n- Trabajar con Jupyter Notebooks.\n- Usar Scikit-learn, incluida la instalación.\n- Explorar la regresión lineal con un ejercicio práctico.\n\n## Instalaciones y configuraciones\n\n[![ML para principiantes - Prepara tus herramientas listas para construir modelos de Machine Learning](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 \"ML para principiantes - Prepara tus herramientas listas para construir modelos de Machine Learning\")\n\n> 🎥 Haz clic en la imagen de arriba para un video corto mostrando cómo configurar tu computadora para ML.\n\n1. **Instala Python**. Asegúrate de que [Python](https://www.python.org/downloads/) esté instalado en tu computadora. Usarás Python para muchas tareas de ciencia de datos y aprendizaje automático. La mayoría de los sistemas ya incluyen una instalación de Python. También hay útiles [Paquetes de Codificación Python](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) disponibles para facilitar la configuración a algunos usuarios.\n\n   Sin embargo, algunos usos de Python requieren una versión del software, mientras que otros requieren una diferente. Por esto, es útil trabajar dentro de un [entorno virtual](https://docs.python.org/3/library/venv.html).\n\n2. **Instala Visual Studio Code**. Asegúrate de tener instalado Visual Studio Code en tu computadora. Sigue estas instrucciones para [instalar Visual Studio Code](https://code.visualstudio.com/) para la instalación básica. Vas a usar Python en Visual Studio Code en este curso, por lo que quizás quieras repasar cómo [configurar Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) para desarrollo en Python.\n\n   > Familiarízate con Python trabajando estos [módulos de aprendizaje](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)\n   >\n   > [![Configura Python con Visual Studio Code](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 \"Configura Python con Visual Studio Code\")\n   >\n   > 🎥 Haz clic en la imagen de arriba para un video: usando Python dentro de VS Code.\n\n3. **Instala Scikit-learn**, siguiendo [estas instrucciones](https://scikit-learn.org/stable/install.html). Como necesitas asegurarte de usar Python 3, se recomienda usar un entorno virtual. Nota que si instalas esta biblioteca en un Mac M1, hay instrucciones especiales en la página enlazada arriba.\n\n1. **Instala Jupyter Notebook**. Necesitarás [instalar el paquete Jupyter](https://pypi.org/project/jupyter/).\n\n## Tu entorno de autoría ML\n\nUsarás **notebooks** para desarrollar tu código Python y crear modelos de aprendizaje automático. Este tipo de archivo es una herramienta común para científicos de datos, y se identifica por su sufijo o extensión `.ipynb`.\n\nLos notebooks son un entorno interactivo que permite al desarrollador tanto codificar como añadir notas y escribir documentación alrededor del código, lo que es muy útil para proyectos experimentales o de investigación.\n\n[![ML para principiantes - Configura Jupyter Notebooks para comenzar a construir modelos de regresión](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E \"ML para principiantes - Configura Jupyter Notebooks para comenzar a construir modelos de regresión\")\n\n> 🎥 Haz clic en la imagen de arriba para un video corto realizando este ejercicio.\n\n### Ejercicio - trabaja con un notebook\n\nEn esta carpeta, encontrarás el archivo _notebook.ipynb_.\n\n1. Abre _notebook.ipynb_ en Visual Studio Code.\n\n   Se iniciará un servidor Jupyter con Python 3+ activo. Encontrarás áreas del notebook que pueden `ejecutarse`, fragmentos de código. Puedes ejecutar un bloque de código seleccionando el icono que parece un botón de reproducir.\n\n1. Selecciona el icono `md` y añade un poco de markdown, y el siguiente texto **# Bienvenido a tu notebook**.\n\n   Luego, añade un poco de código Python.\n\n1. Escribe **print('hola notebook')** en el bloque de código.\n1. Selecciona la flecha para ejecutar el código.\n\n   Deberías ver la instrucción impresa:\n\n    ```output\n    hello notebook\n    ```\n\n![VS Code con un notebook abierto](../../../../translated_images/es/notebook.4a3ee31f396b8832.webp)\n\nPuedes intercalar tu código con comentarios para auto-documentar el notebook.\n\n✅ Piensa por un minuto cuán diferente es el entorno de trabajo de un desarrollador web en comparación con el de un científico de datos.\n\n## En marcha con Scikit-learn\n\nAhora que Python está configurado en tu entorno local y estás cómodo con Jupyter Notebooks, vamos a familiarizarnos también con Scikit-learn (pronúncialo `sci` como en `science`). Scikit-learn proporciona una [API extensa](https://scikit-learn.org/stable/modules/classes.html#api-ref) para ayudarte a realizar tareas de ML.\n\nSegún su [sitio web](https://scikit-learn.org/stable/getting_started.html), \"Scikit-learn es una biblioteca de aprendizaje automático de código abierto que soporta aprendizaje supervisado y no supervisado. También provee varias herramientas para ajuste de modelos, preprocesamiento de datos, selección y evaluación de modelos, y muchas otras utilidades.\"\n\nEn este curso usarás Scikit-learn y otras herramientas para construir modelos de aprendizaje automático para realizar lo que llamamos tareas tradicionales de aprendizaje automático. Hemos evitado intencionadamente redes neuronales y aprendizaje profundo, ya que se cubren mejor en nuestro próximo plan curricular 'IA para principiantes'.\n\nScikit-learn facilita construir modelos y evaluarlos para uso. Se centra principalmente en datos numéricos y contiene varios conjuntos de datos listos para usar como herramientas de aprendizaje. También incluye modelos preconstruidos para que los estudiantes prueben. Exploremos primero el proceso de cargar datos preempaquetados y usar un estimador incorporado para el primer modelo ML con Scikit-learn con datos básicos.\n\n## Ejercicio - tu primer notebook con Scikit-learn\n\n> Este tutorial fue inspirado por el [ejemplo de regresión lineal](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) en el sitio web de Scikit-learn.\n\n\n[![ML para principiantes - Tu Primer Proyecto de Regresión Lineal en Python](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 \"ML para principiantes - Tu Primer Proyecto de Regresión Lineal en Python\")\n\n> 🎥 Haz clic en la imagen de arriba para un video corto realizando este ejercicio.\n\nEn el archivo _notebook.ipynb_ asociado a esta lección, limpia todas las celdas presionando el icono de 'papelera'.\n\nEn esta sección, trabajarás con un pequeño conjunto de datos sobre diabetes que está incorporado en Scikit-learn para fines de aprendizaje. Imagina que quieres probar un tratamiento para pacientes diabéticos. Los modelos de aprendizaje automático pueden ayudarte a determinar qué pacientes responderían mejor al tratamiento, basándose en combinaciones de variables. Incluso un modelo básico de regresión, cuando se visualiza, puede mostrar información sobre variables que te ayudarían a organizar tus ensayos clínicos teóricos.\n\n✅ Hay muchos tipos de métodos de regresión y cuál eliges depende de la respuesta que buscas. Si quieres predecir la altura probable para una persona de cierta edad, usarías regresión lineal, ya que buscas un **valor numérico**. Si te interesa descubrir si un tipo de cocina debe considerarse vegana o no, buscas una **asignación de categoría**, por lo que usarías regresión logística. Aprenderás más sobre regresión logística más adelante. Piensa un poco en algunas preguntas que puedes hacer sobre datos y cuál de estos métodos sería más apropiado.\n\nVamos a comenzar con esta tarea.\n\n### Importar bibliotecas\n\nPara esta tarea importaremos algunas bibliotecas:\n\n- **matplotlib**. Es una [herramienta de gráficos](https://matplotlib.org/) útil que usaremos para crear un gráfico de líneas.\n- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) es una biblioteca útil para manejar datos numéricos en Python.\n- **sklearn**. Esta es la biblioteca [Scikit-learn](https://scikit-learn.org/stable/user_guide.html).\n\nImporta algunas bibliotecas para ayudarte con tus tareas.\n\n1. Añade las importaciones escribiendo el siguiente código:\n\n   ```python\n   import matplotlib.pyplot as plt\n   import numpy as np\n   from sklearn import datasets, linear_model, model_selection\n   ```\n\n   Más arriba estás importando `matplotlib`, `numpy` y estás importando `datasets`, `linear_model` y `model_selection` de `sklearn`. `model_selection` se usa para dividir los datos en conjuntos de entrenamiento y prueba.\n\n### El conjunto de datos de diabetes\n\nEl [conjunto de datos diabetes](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) incorporado incluye 442 muestras de datos sobre diabetes, con 10 variables características, algunas de las cuales incluyen:\n\n- edad: edad en años\n- imc: índice de masa corporal\n- presión arterial: presión arterial promedio\n- s1 tc: Células T (un tipo de glóbulos blancos)\n\n✅ Este conjunto de datos incluye el concepto de 'sexo' como variable característica importante para la investigación sobre diabetes. Muchos conjuntos de datos médicos incluyen este tipo de clasificación binaria. Piensa un poco en cómo categorizaciones así podrían excluir a ciertas partes de una población de tratamientos.\n\nAhora, carga los datos X y y.\n\n> 🎓 Recuerda, este es aprendizaje supervisado, y necesitamos un objetivo llamado 'y'.\n\nEn una nueva celda de código, carga el conjunto de datos diabetes llamando a `load_diabetes()`. El parámetro `return_X_y=True` señala que `X` será una matriz de datos, y `y` será el objetivo de regresión.\n\n1. Añade algunos comandos print para mostrar la forma de la matriz de datos y su primer elemento:\n\n    ```python\n    X, y = datasets.load_diabetes(return_X_y=True)\n    print(X.shape)\n    print(X[0])\n    ```\n\n    Lo que recibes como respuesta es una tupla. Lo que haces es asignar los dos primeros valores de la tupla a `X` y `y` respectivamente. Aprende más [sobre tuplas](https://wikipedia.org/wiki/Tuple).\n\n    Puedes ver que estos datos tienen 442 ítems con forma de arrays de 10 elementos:\n\n    ```text\n    (442, 10)\n    [ 0.03807591  0.05068012  0.06169621  0.02187235 -0.0442235  -0.03482076\n    -0.04340085 -0.00259226  0.01990842 -0.01764613]\n    ```\n\n    ✅ Piensa un poco sobre la relación entre los datos y el objetivo de regresión. La regresión lineal predice relaciones entre la característica X y la variable objetivo y. ¿Puedes encontrar el [objetivo](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) para el conjunto de datos de diabetes en la documentación? ¿Qué está demostrando este conjunto de datos dado ese objetivo?\n\n2. Luego, selecciona una parte de este conjunto de datos para graficar seleccionando la tercera columna del conjunto. Puedes hacerlo usando el operador `:` para seleccionar todas las filas, y luego seleccionando la tercera columna usando el índice (2). También puedes remodelar los datos para que sean un array 2D — como se requiere para la gráfica — usando `reshape(n_filas, n_columnas)`. Si uno de los parámetros es -1, la dimensión correspondiente se calcula automáticamente.\n\n   ```python\n   X = X[:, 2]\n   X = X.reshape((-1,1))\n   ```\n\n   ✅ En cualquier momento, imprime los datos para verificar su forma.\n\n3. Ahora que tienes datos listos para graficar, puedes ver si una máquina puede ayudar a determinar una división lógica entre los números en este conjunto de datos. Para ello, necesitas dividir tanto los datos (X) como el objetivo (y) en conjuntos de prueba y entrenamiento. Scikit-learn tiene una forma sencilla de hacerlo; puedes dividir tus datos de prueba en un punto dado.\n\n   ```python\n   X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)\n   ```\n\n4. ¡Ahora estás listo para entrenar tu modelo! Carga el modelo de regresión lineal y entrénalo con tus conjuntos de entrenamiento X y y usando `model.fit()`:\n\n    ```python\n    model = linear_model.LinearRegression()\n    model.fit(X_train, y_train)\n    ```\n\n    ✅ `model.fit()` es una función que verás en muchas bibliotecas de ML como TensorFlow\n\n5. Luego, crea una predicción usando los datos de prueba, usando la función `predict()`. Esto se usará para trazar la línea entre los grupos de datos.\n\n    ```python\n    y_pred = model.predict(X_test)\n    ```\n\n6. Ahora es momento de mostrar los datos en una gráfica. Matplotlib es una herramienta muy útil para esta tarea. Crea un diagrama de dispersión de todos los datos de prueba X e y, y usa la predicción para dibujar una línea en el lugar más apropiado, entre los grupos de datos del modelo.\n\n    ```python\n    plt.scatter(X_test, y_test,  color='black')\n    plt.plot(X_test, y_pred, color='blue', linewidth=3)\n    plt.xlabel('Scaled BMIs')\n    plt.ylabel('Disease Progression')\n    plt.title('A Graph Plot Showing Diabetes Progression Against BMI')\n    plt.show()\n    ```\n\n   ![un diagrama de dispersión mostrando puntos de datos sobre diabetes](../../../../translated_images/es/scatterplot.ad8b356bcbb33be6.webp)\n\n\n   ✅ Piensa un poco sobre lo que está pasando aquí. Una línea recta atraviesa muchos pequeños puntos de datos, pero ¿qué está haciendo exactamente? ¿Puedes ver cómo deberías poder usar esta línea para predecir dónde debería encajar un nuevo punto de datos no visto en relación con el eje y del gráfico? Trata de poner en palabras el uso práctico de este modelo.\n\n¡Felicidades, construiste tu primer modelo de regresión lineal, creaste una predicción con él y la mostraste en un gráfico!\n\n---\n## 🚀Desafío\n\nGrafica una variable diferente de este conjunto de datos. Pista: edita esta línea: `X = X[:,2]`. Dado el objetivo de este conjunto de datos, ¿qué puedes descubrir sobre la progresión de la diabetes como enfermedad?\n## [Cuestionario posterior a la conferencia](https://ff-quizzes.netlify.app/en/ml/)\n\n## Revisión y Autoestudio\n\nEn este tutorial, trabajaste con regresión lineal simple, en lugar de regresión lineal univariante o múltiple. Lee un poco sobre las diferencias entre estos métodos, o mira [este video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)\n\nLee más sobre el concepto de regresión y piensa en qué tipos de preguntas pueden responderse con esta técnica. Toma este [tutorial](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) para profundizar tu comprensión.\n\n## Tarea\n\n[Un conjunto de datos diferente](assignment.md)\n\n---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Descargo de responsabilidad**:\nEste documento ha sido traducido utilizando el servicio de traducción automática [Co-op Translator](https://github.com/Azure/co-op-translator). Aunque nos esforzamos por la precisión, tenga en cuenta que las traducciones automatizadas pueden contener errores o inexactitudes. El documento original en su idioma nativo debe considerarse la fuente autorizada. Para información crítica, se recomienda una traducción profesional humana. No somos responsables de cualquier malentendido o interpretación errónea que surja del uso de esta traducción.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->","translations/et/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/et/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/et/2-Regression/1-Tools/README.md)","translations/fa/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/fa/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fa/2-Regression/1-Tools/README.md)","translations/fi/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/fi/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fi/2-Regression/1-Tools/README.md)","translations/fr/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/fr/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fr/2-Regression/1-Tools/README.md)","translations/he/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/he/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/he/2-Regression/1-Tools/README.md)","translations/hi/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/hi/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/hi/2-Regression/1-Tools/README.md)","translations/hr/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/hr/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/hr/2-Regression/1-Tools/README.md)","translations/hu/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/hu/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/hu/2-Regression/1-Tools/README.md)","translations/id/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/id/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/id/2-Regression/1-Tools/README.md)","translations/it/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/it/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/it/2-Regression/1-Tools/README.md)","translations/ja/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/ja/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ja/2-Regression/1-Tools/README.md)","translations/km/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/km/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/km/2-Regression/1-Tools/README.md)","translations/kn/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/kn/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/kn/2-Regression/1-Tools/README.md)","translations/ko/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/ko/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ko/2-Regression/1-Tools/README.md)","translations/lt/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/lt/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/lt/2-Regression/1-Tools/README.md)","translations/ml/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/ml/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ml/2-Regression/1-Tools/README.md)","translations/mr/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/mr/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/mr/2-Regression/1-Tools/README.md)","translations/ms/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/ms/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ms/2-Regression/1-Tools/README.md)","translations/my/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/my/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/my/2-Regression/1-Tools/README.md)","translations/ne/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/ne/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ne/2-Regression/1-Tools/README.md)","translations/nl/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/nl/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/nl/2-Regression/1-Tools/README.md)","translations/no/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/no/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/no/2-Regression/1-Tools/README.md)","translations/pa/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/pa/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pa/2-Regression/1-Tools/README.md)","translations/pcm/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/pcm/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pcm/2-Regression/1-Tools/README.md)","translations/pl/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/pl/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pl/2-Regression/1-Tools/README.md)","translations/pt-BR/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/pt-BR/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pt-BR/2-Regression/1-Tools/README.md)","translations/pt-PT/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/pt-PT/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pt-PT/2-Regression/1-Tools/README.md)","translations/ro/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/ro/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ro/2-Regression/1-Tools/README.md)","translations/ru/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/ru/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ru/2-Regression/1-Tools/README.md)","translations/sk/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/sk/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sk/2-Regression/1-Tools/README.md)","translations/sl/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/sl/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sl/2-Regression/1-Tools/README.md)","translations/sr/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/sr/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sr/2-Regression/1-Tools/README.md)","translations/sv/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/sv/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sv/2-Regression/1-Tools/README.md)","translations/sw/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/sw/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sw/2-Regression/1-Tools/README.md)","translations/ta/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/ta/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ta/2-Regression/1-Tools/README.md)","translations/te/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/te/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/te/2-Regression/1-Tools/README.md)","translations/th/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/th/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/th/2-Regression/1-Tools/README.md)","translations/tl/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/tl/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/tl/2-Regression/1-Tools/README.md)","translations/tr/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/tr/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/tr/2-Regression/1-Tools/README.md)","translations/uk/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/uk/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/uk/2-Regression/1-Tools/README.md)","translations/ur/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/ur/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ur/2-Regression/1-Tools/README.md)","translations/vi/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/vi/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/vi/2-Regression/1-Tools/README.md)","translations/zh-CN/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/zh-CN/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-CN/2-Regression/1-Tools/README.md)","translations/zh-HK/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/zh-HK/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-HK/2-Regression/1-Tools/README.md)","translations/zh-MO/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/zh-MO/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-MO/2-Regression/1-Tools/README.md)","translations/zh-TW/2-Regression/1-Tools/README.md":"# 1-Tools Documentation\n\nPath: `translations/zh-TW/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-TW/2-Regression/1-Tools/README.md)","translations/ar/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/ar/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ar/2-Regression/1-Tools/solution/Julia/README.md)","translations/bg/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/bg/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/bg/2-Regression/1-Tools/solution/Julia/README.md)","translations/bn/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/bn/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/bn/2-Regression/1-Tools/solution/Julia/README.md)","translations/cs/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/cs/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/cs/2-Regression/1-Tools/solution/Julia/README.md)","translations/da/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/da/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/da/2-Regression/1-Tools/solution/Julia/README.md)","translations/de/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/de/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/de/2-Regression/1-Tools/solution/Julia/README.md)","translations/el/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/el/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/el/2-Regression/1-Tools/solution/Julia/README.md)","translations/en/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/en/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/en/2-Regression/1-Tools/solution/Julia/README.md)","translations/es/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/es/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/es/2-Regression/1-Tools/solution/Julia/README.md)","translations/et/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/et/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/et/2-Regression/1-Tools/solution/Julia/README.md)","translations/fa/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/fa/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fa/2-Regression/1-Tools/solution/Julia/README.md)","translations/fi/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/fi/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fi/2-Regression/1-Tools/solution/Julia/README.md)","translations/fr/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/fr/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fr/2-Regression/1-Tools/solution/Julia/README.md)","translations/he/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/he/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/he/2-Regression/1-Tools/solution/Julia/README.md)","translations/hi/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/hi/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/hi/2-Regression/1-Tools/solution/Julia/README.md)","translations/hr/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/hr/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/hr/2-Regression/1-Tools/solution/Julia/README.md)","translations/hu/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/hu/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/hu/2-Regression/1-Tools/solution/Julia/README.md)","translations/id/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/id/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/id/2-Regression/1-Tools/solution/Julia/README.md)","translations/it/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/it/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/it/2-Regression/1-Tools/solution/Julia/README.md)","translations/ja/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/ja/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ja/2-Regression/1-Tools/solution/Julia/README.md)","translations/km/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/km/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/km/2-Regression/1-Tools/solution/Julia/README.md)","translations/kn/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/kn/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/kn/2-Regression/1-Tools/solution/Julia/README.md)","translations/ko/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/ko/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ko/2-Regression/1-Tools/solution/Julia/README.md)","translations/lt/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/lt/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/lt/2-Regression/1-Tools/solution/Julia/README.md)","translations/ml/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/ml/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ml/2-Regression/1-Tools/solution/Julia/README.md)","translations/mr/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/mr/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/mr/2-Regression/1-Tools/solution/Julia/README.md)","translations/ms/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/ms/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ms/2-Regression/1-Tools/solution/Julia/README.md)","translations/my/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/my/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/my/2-Regression/1-Tools/solution/Julia/README.md)","translations/ne/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/ne/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ne/2-Regression/1-Tools/solution/Julia/README.md)","translations/nl/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/nl/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/nl/2-Regression/1-Tools/solution/Julia/README.md)","translations/no/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/no/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/no/2-Regression/1-Tools/solution/Julia/README.md)","translations/pa/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/pa/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pa/2-Regression/1-Tools/solution/Julia/README.md)","translations/pcm/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/pcm/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pcm/2-Regression/1-Tools/solution/Julia/README.md)","translations/pl/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/pl/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pl/2-Regression/1-Tools/solution/Julia/README.md)","translations/pt-BR/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/pt-BR/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pt-BR/2-Regression/1-Tools/solution/Julia/README.md)","translations/pt-PT/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/pt-PT/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pt-PT/2-Regression/1-Tools/solution/Julia/README.md)","translations/ro/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/ro/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ro/2-Regression/1-Tools/solution/Julia/README.md)","translations/ru/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/ru/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ru/2-Regression/1-Tools/solution/Julia/README.md)","translations/sk/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/sk/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sk/2-Regression/1-Tools/solution/Julia/README.md)","translations/sl/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/sl/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sl/2-Regression/1-Tools/solution/Julia/README.md)","translations/sr/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/sr/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sr/2-Regression/1-Tools/solution/Julia/README.md)","translations/sv/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/sv/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sv/2-Regression/1-Tools/solution/Julia/README.md)","translations/sw/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/sw/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sw/2-Regression/1-Tools/solution/Julia/README.md)","translations/ta/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/ta/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ta/2-Regression/1-Tools/solution/Julia/README.md)","translations/te/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/te/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/te/2-Regression/1-Tools/solution/Julia/README.md)","translations/th/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/th/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/th/2-Regression/1-Tools/solution/Julia/README.md)","translations/tl/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/tl/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/tl/2-Regression/1-Tools/solution/Julia/README.md)","translations/tr/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/tr/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/tr/2-Regression/1-Tools/solution/Julia/README.md)","translations/uk/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/uk/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/uk/2-Regression/1-Tools/solution/Julia/README.md)","translations/ur/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/ur/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ur/2-Regression/1-Tools/solution/Julia/README.md)","translations/vi/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/vi/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/vi/2-Regression/1-Tools/solution/Julia/README.md)","translations/zh-CN/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/zh-CN/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-CN/2-Regression/1-Tools/solution/Julia/README.md)","translations/zh-HK/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/zh-HK/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-HK/2-Regression/1-Tools/solution/Julia/README.md)","translations/zh-MO/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/zh-MO/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-MO/2-Regression/1-Tools/solution/Julia/README.md)","translations/zh-TW/2-Regression/1-Tools/solution/Julia/README.md":"# Julia Documentation\n\nPath: `translations/zh-TW/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-TW/2-Regression/1-Tools/solution/Julia/README.md)"},"items":[{"name":"AGENTS.md","path":"AGENTS.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/AGENTS.md","title":"AI Agent Protocol & Instructions","category":"root-instruction","format":"markdown","content":"# AGENTS.md\n\n## Project Overview\n\nThis is **Machine Learning for Beginners**, a comprehensive 12-week, 26-lesson curriculum covering classic machine learning concepts using Python (primarily with Scikit-learn) and R. The repository is designed as a self-paced learning resource with hands-on projects, quizzes, and assignments. Each lesson explores ML concepts through real-world data from various cultures and regions worldwide.\n\nKey components:\n- **Educational Content**: 26 lessons covering introduction to ML, regression, classification, clustering, NLP, time series, and reinforcement learning\n- **Quiz Application**: Vue.js-based quiz app with pre- and post-lesson assessments\n- **Multi-language Support**: Automated translations to 40+ languages via GitHub Actions\n- **Dual Language Support**: Lessons available in both Python (Jupyter notebooks) and R (R Markdown files)\n- **Project-Based Learning**: Each topic includes practical projects and assignments\n\n## Repository Structure\n\n```\nML-For-Beginners/\n├── 1-Introduction/         # ML basics, history, fairness, techniques\n├── 2-Regression/          # Regression models with Python/R\n├── 3-Web-App/            # Flask web app for ML model deployment\n├── 4-Classification/      # Classification algorithms\n├── 5-Clustering/         # Clustering techniques\n├── 6-NLP/               # Natural Language Processing\n├── 7-TimeSeries/        # Time series forecasting\n├── 8-Reinforcement/     # Reinforcement learning\n├── 9-Real-World/        # Real-world ML applications\n├── quiz-app/           # Vue.js quiz application\n├── translations/       # Auto-generated translations\n└── sketchnotes/       # Visual learning aids\n```\n\nEach lesson folder typically contains:\n- `README.md` - Main lesson content\n- `notebook.ipynb` - Python Jupyter notebook\n- `solution/` - Solution code (Python and R versions)\n- `assignment.md` - Practice exercises\n- `images/` - Visual resources\n\n## Setup Commands\n\n### For Python Lessons\n\nMost lessons use Jupyter notebooks. Install required dependencies:\n\n```bash\n# Install Python 3.8+ if not already installed\npython --version\n\n# Install Jupyter\npip install jupyter\n\n# Install common ML libraries\npip install scikit-learn pandas numpy matplotlib seaborn\n\n# For specific lessons, check lesson-specific requirements\n# Example: Web App lesson\npip install flask\n```\n\n### For R Lessons\n\nR lessons are in `solution/R/` folders as `.rmd` or `.ipynb` files:\n\n```bash\n# Install R and required packages\n# In R console:\ninstall.packages(c(\"tidyverse\", \"tidymodels\", \"caret\"))\n```\n\n### For Quiz Application\n\nThe quiz app is a Vue.js application located in the `quiz-app/` directory:\n\n```bash\ncd quiz-app\nnpm install\n```\n\n### For Documentation Site\n\nTo run the documentation locally:\n\n```bash\n# Install Docsify\nnpm install -g docsify-cli\n\n# Serve from repository root\ndocsify serve\n\n# Access at http://localhost:3000\n```\n\n## Development Workflow\n\n### Working with Lesson Notebooks\n\n1. Navigate to the lesson directory (e.g., `2-Regression/1-Tools/`)\n2. Open the Jupyter notebook:\n   ```bash\n   jupyter notebook notebook.ipynb\n   ```\n3. Work through the lesson content and exercises\n4. Check solutions in the `solution/` folder if needed\n\n### Python Development\n\n- Lessons use standard Python data science libraries\n- Jupyter notebooks for interactive learning\n- Solution code available in each lesson's `solution/` folder\n\n### R Development\n\n- R lessons are in `.rmd` format (R Markdown)\n- Solutions located in `solution/R/` subdirectories\n- Use RStudio or Jupyter with R kernel to run R notebooks\n\n### Quiz Application Development\n\n```bash\ncd quiz-app\n\n# Start development server\nnpm run serve\n# Access at http://localhost:8080\n\n# Build for production\nnpm run build\n\n# Lint and fix files\nnpm run lint\n```\n\n## Testing Instructions\n\n### Quiz Application Testing\n\n```bash\ncd quiz-app\n\n# Lint code\nnpm run lint\n\n# Build to verify no errors\nnpm run build\n```\n\n**Note**: This is primarily an educational curriculum repository. There are no automated tests for lesson content. Validation is done through:\n- Completing lesson exercises\n- Running notebook cells successfully\n- Checking output against expected results in solutions\n\n## Code Style Guidelines\n\n### Python Code\n- Follow PEP 8 style guidelines\n- Use clear, descriptive variable names\n- Include comments for complex operations\n- Jupyter notebooks should have markdown cells explaining concepts\n\n### JavaScript/Vue.js (Quiz App)\n- Follows Vue.js style guide\n- ESLint configuration in `quiz-app/package.json`\n- Run `npm run lint` to check and auto-fix issues\n\n### Documentation\n- Markdown files should be clear and well-structured\n- Include code examples in fenced code blocks\n- Use relative links for internal references\n- Follow existing formatting conventions\n\n## Build and Deployment\n\n### Quiz Application Deployment\n\nThe quiz app can be deployed to Azure Static Web Apps:\n\n1. **Prerequisites**:\n   - Azure account\n   - GitHub repository (already forked)\n\n2. **Deploy to Azure**:\n   - Create Azure Static Web App resource\n   - Connect to GitHub repository\n   - Set app location: `/quiz-app`\n   - Set output location: `dist`\n   - Azure automatically creates GitHub Actions workflow\n\n3. **GitHub Actions Workflow**:\n   - Workflow file created at `.github/workflows/azure-static-web-apps-*.yml`\n   - Automatically builds and deploys on push to main branch\n\n### Documentation PDF\n\nGenerate PDF from documentation:\n\n```bash\nnpm install\nnpm run convert\n```\n\n## Translation Workflow\n\n**Important**: Translations are automated via GitHub Actions using Co-op Translator.\n\n- Translations are auto-generated when changes are pushed to `main` branch\n- **DO NOT manually translate content** - the system handles this\n- Workflow defined in `.github/workflows/co-op-translator.yml`\n- Uses Azure AI/OpenAI services for translation\n- Supports 40+ languages\n\n## Contributing Guidelines\n\n### For Content Contributors\n\n1. **Fork the repository** and create a feature branch\n2. **Make changes to lesson content** if adding/updating lessons\n3. **Do not modify translated files** - they are auto-generated\n4. **Test your code** - ensure all notebook cells run successfully\n5. **Verify links and images** work correctly\n6. **Submit a pull request** with clear description\n\n### Pull Request Guidelines\n\n- **Title format**: `[Section] Brief description of changes`\n  - Example: `[Regression] Fix typo in lesson 5`\n  - Example: `[Quiz-App] Update dependencies`\n- **Before submitting**:\n  - Ensure all notebook cells execute without errors\n  - Run `npm run lint` if modifying quiz-app\n  - Verify markdown formatting\n  - Test any new code examples\n- **PR must include**:\n  - Description of changes\n  - Reason for changes\n  - Screenshots if UI changes\n- **Code of Conduct**: Follow the [Microsoft Open Source Code of Conduct](CODE_OF_CONDUCT.md)\n- **CLA**: You will need to sign the Contributor License Agreement\n\n## Lesson Structure\n\nEach lesson follows a consistent pattern:\n\n1. **Pre-lecture quiz** - Test baseline knowledge\n2. **Lesson content** - Written instructions and explanations\n3. **Code demonstrations** - Hands-on examples in notebooks\n4. **Knowledge checks** - Verify understanding throughout\n5. **Challenge** - Apply concepts independently\n6. **Assignment** - Extended practice\n7. **Post-lecture quiz** - Assess learning outcomes\n\n## Common Commands Reference\n\n```bash\n# Python/Jupyter\njupyter notebook                    # Start Jupyter server\njupyter notebook notebook.ipynb     # Open specific notebook\npip install -r requirements.txt     # Install dependencies (where available)\n\n# Quiz App\ncd quiz-app\nnpm install                        # Install dependencies\nnpm run serve                      # Development server\nnpm run build                      # Production build\nnpm run lint                       # Lint and fix\n\n# Documentation\ndocsify serve                      # Serve documentation locally\nnpm run convert                    # Generate PDF\n\n# Git workflow\ngit checkout -b feature/my-change  # Create feature branch\ngit add .                         # Stage changes\ngit commit -m \"Description\"       # Commit changes\ngit push origin feature/my-change # Push to remote\n```\n\n## Additional Resources\n\n- **Microsoft Learn Collection**: [ML for Beginners modules](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)\n- **Quiz App**: [Online quizzes](https://ff-quizzes.netlify.app/en/ml/)\n- **Discussion Board**: [GitHub Discussions](https://github.com/microsoft/ML-For-Beginners/discussions)\n- **Video Walkthroughs**: [YouTube Playlist](https://aka.ms/ml-beginners-videos)\n\n## Key Technologies\n\n- **Python**: Primary language for ML lessons (Scikit-learn, Pandas, NumPy, Matplotlib)\n- **R**: Alternative implementation using tidyverse, tidymodels, caret\n- **Jupyter**: Interactive notebooks for Python lessons\n- **R Markdown**: Documents for R lessons\n- **Vue.js 3**: Quiz application framework\n- **Flask**: Web application framework for ML model deployment\n- **Docsify**: Documentation site generator\n- **GitHub Actions**: CI/CD and automated translations\n\n## Security Considerations\n\n- **No secrets in code**: Never commit API keys or credentials\n- **Dependencies**: Keep npm and pip packages updated\n- **User input**: Flask web app examples include basic input validation\n- **Sensitive data**: Example datasets are public and non-sensitive\n\n## Troubleshooting\n\n### Jupyter Notebooks\n\n- **Kernel issues**: Restart kernel if cells hang: Kernel → Restart\n- **Import errors**: Ensure all required packages are installed with pip\n- **Path issues**: Run notebooks from their containing directory\n\n### Quiz Application\n\n- **npm install fails**: Clear npm cache: `npm cache clean --force`\n- **Port conflicts**: Change port with: `npm run serve -- --port 8081`\n- **Build errors**: Delete `node_modules` and reinstall: `rm -rf node_modules && npm install`\n\n### R Lessons\n\n- **Package not found**: Install with: `install.packages(\"package-name\")`\n- **RMarkdown rendering**: Ensure rmarkdown package is installed\n- **Kernel issues**: May need to install IRkernel for Jupyter\n\n## Project-Specific Notes\n\n- This is primarily a **learning curriculum**, not production code\n- Focus is on **understanding ML concepts** through hands-on practice\n- Code examples prioritize **clarity over optimization**\n- Most lessons are **self-contained** and can be completed independently\n- **Solutions provided** but learners should attempt exercises first\n- Repository uses **Docsify** for web documentation without build step\n- **Sketchnotes** provide visual summaries of concepts\n- **Multi-language support** makes content globally accessible\n","isInternal":false,"tokens":2392,"sizeBytes":10760},{"name":"README.md","path":"2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# Get started with Python and Scikit-learn for regression models\n\n![Summary of regressions in a sketchnote](../../sketchnotes/ml-regression.png)\n\n> Sketchnote by [Tomomi Imura](https://www.twitter.com/girlie_mac)\n\n## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ml/)\n\n> ### [This lesson is available in R!](./solution/R/lesson_1.html)\n\n## Introduction\n\nIn these four lessons, you will discover how to build regression models. We will discuss what these are for shortly. But before you do anything, make sure you have the right tools in place to start the process!\n\nIn this lesson, you will learn how to:\n\n- Configure your computer for local machine learning tasks.\n- Work with Jupyter Notebooks.\n- Use Scikit-learn, including installation.\n- Explore linear regression with a hands-on exercise.\n\n## Installations and configurations\n\n[![ML for beginners - Setup your tools ready to build Machine Learning models](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 \"ML for beginners -Setup your tools ready to build Machine Learning models\")\n\n> 🎥 Click the image above for a short video working through configuring your computer for ML.\n\n1. **Install Python**. Ensure that [Python](https://www.python.org/downloads/) is installed on your computer. You will use Python for many data science and machine learning tasks. Most computer systems already include a Python installation. There are useful [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) available as well, to ease the setup for some users.\n\n   Some usages of Python, however, require one version of the software, whereas others require a different version. For this reason, it's useful to work within a [virtual environment](https://docs.python.org/3/library/venv.html).\n\n2. **Install Visual Studio Code**. Make sure you have Visual Studio Code installed on your computer. Follow these instructions to [install Visual Studio Code](https://code.visualstudio.com/) for the basic installation. You are going to use Python in Visual Studio Code in this course, so you might want to brush up on how to [configure Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) for Python development.\n\n   > Get comfortable with Python by working through this collection of [Learn modules](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)\n   >\n   > [![Setup Python with Visual Studio Code](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 \"Setup Python with Visual Studio Code\")\n   >\n   > 🎥 Click the image above for a video: using Python within VS Code.\n\n3. **Install Scikit-learn**, by following [these instructions](https://scikit-learn.org/stable/install.html). Since you need to ensure that you use Python 3, it's recommended that you use a virtual environment. Note, if you are installing this library on a M1 Mac, there are special instructions on the page linked above.\n\n1. **Install Jupyter Notebook**. You will need to [install the Jupyter package](https://pypi.org/project/jupyter/).\n\n## Your ML authoring environment\n\nYou are going to use **notebooks** to develop your Python code and create machine learning models. This type of file is a common tool for data scientists, and they can be identified by their suffix or extension `.ipynb`.\n\nNotebooks are an interactive environment that allow the developer to both code and add notes and write documentation around the code which is quite helpful for experimental or research-oriented projects.\n\n[![ML for beginners - Set up Jupyter Notebooks to start building regression models](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E \"ML for beginners - Set up Jupyter Notebooks to start building regression models\")\n\n> 🎥 Click the image above for a short video working through this exercise.\n\n### Exercise - work with a notebook\n\nIn this folder, you will find the file _notebook.ipynb_.\n\n1. Open _notebook.ipynb_ in Visual Studio Code.\n\n   A Jupyter server will start with Python 3+ started. You will find areas of the notebook that can be `run`, pieces of code. You can run a code block, by selecting the icon that looks like a play button.\n\n1. Select the `md` icon and add a bit of markdown, and the following text **# Welcome to your notebook**.\n\n   Next, add some Python code.\n\n1. Type **print('hello notebook')** in the code block.\n1. Select the arrow to run the code.\n\n   You should see the printed statement:\n\n    ```output\n    hello notebook\n    ```\n\n![VS Code with a notebook open](images/notebook.jpg)\n\nYou can interleaf your code with comments to self-document the notebook.\n\n✅ Think for a minute how different a web developer's working environment is versus that of a data scientist.\n\n## Up and running with Scikit-learn\n\nNow that Python is set up in your local environment, and you are comfortable with Jupyter Notebooks, let's get equally comfortable with Scikit-learn (pronounce it `sci` as in `science`). Scikit-learn provides an [extensive API](https://scikit-learn.org/stable/modules/classes.html#api-ref) to help you perform ML tasks.\n\nAccording to their [website](https://scikit-learn.org/stable/getting_started.html), \"Scikit-learn is an open source machine learning library that supports supervised and unsupervised learning. It also provides various tools for model fitting, data preprocessing, model selection and evaluation, and many other utilities.\"\n\nIn this course, you will use Scikit-learn and other tools to build machine learning models to perform what we call 'traditional machine learning' tasks. We have deliberately avoided neural networks and deep learning, as they are better covered in our forthcoming 'AI for Beginners' curriculum.\n\nScikit-learn makes it straightforward to build models and evaluate them for use. It is primarily focused on using numeric data and contains several ready-made datasets for use as learning tools. It also includes pre-built models for students to try. Let's explore the process of loading prepackaged data and using a built-in estimator to create your first ML model with Scikit-learn with some basic data.\n\n## Exercise - your first Scikit-learn notebook\n\n> This tutorial was inspired by the [linear regression example](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) on Scikit-learn's web site.\n\n\n[![ML for beginners - Your First Linear Regression Project in Python](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 \"ML for beginners - Your First Linear Regression Project in Python\")\n\n> 🎥 Click the image above for a short video working through this exercise.\n\nIn the _notebook.ipynb_ file associated to this lesson, clear out all the cells by pressing the 'trash can' icon.\n\nIn this section, you will work with a small dataset about diabetes that is built into Scikit-learn for learning purposes. Imagine that you wanted to test a treatment for diabetic patients. Machine Learning models might help you determine which patients would respond better to the treatment, based on combinations of variables. Even a very basic regression model, when visualized, might show information about variables that would help you organize your theoretical clinical trials.\n\n✅ There are many types of regression methods, and which one you pick depends on the answer you're looking for. If you want to predict the probable height for a person of a given age, you'd use linear regression, as you're seeking a **numeric value**. If you're interested in discovering whether a type of cuisine should be considered vegan or not, you're looking for a **category assignment** so you would use logistic regression. You'll learn more about logistic regression later. Think a bit about some questions you can ask of data, and which of these methods would be more appropriate.\n\nLet's get started on this task.\n\n### Import libraries\n\nFor this task we will import some libraries:\n\n- **matplotlib**. It's a useful [graphing tool](https://matplotlib.org/) and we will use it to create a line plot.\n- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) is a useful library for handling numeric data in Python.\n- **sklearn**. This is the [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) library.\n\nImport some libraries to help with your tasks.\n\n1. Add imports by typing the following code:\n\n   ```python\n   import matplotlib.pyplot as plt\n   import numpy as np\n   from sklearn import datasets, linear_model, model_selection\n   ```\n\n   Above you are importing `matplotlib`, `numpy` and you are importing `datasets`, `linear_model` and `model_selection` from `sklearn`. `model_selection` is used for splitting data into training and test sets.\n\n### The diabetes dataset\n\nThe built-in [diabetes dataset](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) includes 442 samples of data around diabetes, with 10 feature variables, some of which include:\n\n- age: age in years\n- bmi: body mass index\n- bp: average blood pressure\n- s1 tc: T-Cells (a type of white blood cells)\n\n✅ This dataset includes the concept of 'sex' as a feature variable important to research around diabetes. Many medical datasets include this type of binary classification. Think a bit about how categorizations such as this might exclude certain parts of a population from treatments.\n\nNow, load up the X and y data.\n\n> 🎓 Remember, this is supervised learning, and we need a named 'y' target.\n\nIn a new code cell, load the diabetes dataset by calling `load_diabetes()`. The input `return_X_y=True` signals that `X` will be a data matrix, and `y` will be the regression target.\n\n1. Add some print commands to show the shape of the data matrix and its first element:\n\n    ```python\n    X, y = datasets.load_diabetes(return_X_y=True)\n    print(X.shape)\n    print(X[0])\n    ```\n\n    What you are getting back as a response, is a tuple. What you are doing is to assign the two first values of the tuple to `X` and `y` respectively. Learn more [about tuples](https://wikipedia.org/wiki/Tuple).\n\n    You can see that this data has 442 items shaped in arrays of 10 elements:\n\n    ```text\n    (442, 10)\n    [ 0.03807591  0.05068012  0.06169621  0.02187235 -0.0442235  -0.03482076\n    -0.04340085 -0.00259226  0.01990842 -0.01764613]\n    ```\n\n    ✅ Think a bit about the relationship between the data and the regression target. Linear regression predicts relationships between feature X and target variable y. Can you find the [target](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) for the diabetes dataset in the documentation? What is this dataset demonstrating, given that target?\n\n2. Next, select a portion of this dataset to plot by selecting the 3rd column of the dataset. You can do this by using the `:` operator to select all rows, and then selecting the 3rd column using the index (2). You can also reshape the data to be a 2D array - as required for plotting - by using `reshape(n_rows, n_columns)`. If one of the parameter is -1, the corresponding dimension is calculated automatically.\n\n   ```python\n   X = X[:, 2]\n   X = X.reshape((-1,1))\n   ```\n\n   ✅ At any time, print out the data to check its shape.\n\n3. Now that you have data ready to be plotted, you can see if a machine can help determine a logical split between the numbers in this dataset. To do this, you need to split both the data (X) and the target (y) into test and training sets. Scikit-learn has a straightforward way to do this; you can split your test data at a given point.\n\n   ```python\n   X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)\n   ```\n\n4. Now you are ready to train your model! Load up the linear regression model and train it with your X and y training sets using `model.fit()`:\n\n    ```python\n    model = linear_model.LinearRegression()\n    model.fit(X_train, y_train)\n    ```\n\n    ✅ `model.fit()` is a function you'll see in many ML libraries such as TensorFlow\n\n5. Then, create a prediction using test data, using the function `predict()`. This will be used to draw the line between data groups\n\n    ```python\n    y_pred = model.predict(X_test)\n    ```\n\n6. Now it's time to show the data in a plot. Matplotlib is a very useful tool for this task. Create a scatterplot of all the X and y test data, and use the prediction to draw a line in the most appropriate place, between the model's data groupings.\n\n    ```python\n    plt.scatter(X_test, y_test,  color='black')\n    plt.plot(X_test, y_pred, color='blue', linewidth=3)\n    plt.xlabel('Scaled BMIs')\n    plt.ylabel('Disease Progression')\n    plt.title('A Graph Plot Showing Diabetes Progression Against BMI')\n    plt.show()\n    ```\n\n   ![a scatterplot showing datapoints around diabetes](./images/scatterplot.png)\n\n   ✅ Think a bit about what's going on here. A straight line is running through many small dots of data, but what is it doing exactly? Can you see how you should be able to use this line to predict where a new, unseen data point should fit in relationship to the plot's y axis? Try to put into words the practical use of this model.\n\nCongratulations, you built your first linear regression model, created a prediction with it, and displayed it in a plot!\n\n---\n## 🚀Challenge\n\nPlot a different variable from this dataset. Hint: edit this line: `X = X[:,2]`. Given this dataset's target, what are you able to discover about the progression of diabetes as a disease?\n## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ml/)\n\n## Review & Self Study\n\nIn this tutorial, you worked with simple linear regression, rather than univariate or multiple linear regression. Read a little about the differences between these methods, or take a look at [this video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)\n\nRead more about the concept of regression and think about what kinds of questions can be answered by this technique. Take this [tutorial](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) to deepen your understanding.\n\n## Assignment\n\n[A different dataset](assignment.md)\n","isInternal":false,"tokens":3381,"sizeBytes":14407},{"name":"README.md","path":"2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"This is a temporary placeholder","isInternal":false,"tokens":5,"sizeBytes":31},{"name":"README.md","path":"translations/ar/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ar/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# ابدأ مع بايثون و Scikit-learn لنماذج الانحدار\n\n![ملخص الانحدارات في ملاحظة مرسومة](../../../../translated_images/ar/ml-regression.4e4f70e3b3ed446e.webp)\n\n> ملاحظة مرسومة بواسطة [تومومي إيمورا](https://www.twitter.com/girlie_mac)\n\n## [اختبار قبل المحاضرة](https://ff-quizzes.netlify.app/en/ml/)\n\n> ### [هذه الدرسة متاحة بلغة R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)\n\n## مقدمة\n\nفي هذه الدروس الأربعة، ستكتشف كيفية بناء نماذج الانحدار. سنناقش قريبًا ما هي استخداماتها. ولكن قبل أن تفعل أي شيء، تأكد من أن لديك الأدوات المناسبة لبدء العملية!\n\nفي هذا الدرس، ستتعلم كيفية:\n\n- تهيئة حاسوبك لمهام التعلم الآلي المحلية.\n- العمل مع دفاتر Jupyter.\n- استخدام Scikit-learn، بما في ذلك التثبيت.\n- استكشاف الانحدار الخطي من خلال تمرين عملي.\n\n## التثبيتات والإعدادات\n\n[![التعلم الآلي للمبتدئين - جهز أدواتك لبناء نماذج التعلم الآلي](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 \"التعلم الآلي للمبتدئين - جهز أدواتك لبناء نماذج التعلم الآلي\")\n\n> 🎥 انقر على الصورة أعلاه لمشاهدة فيديو قصير يشرح كيفية تهيئة حاسوبك للتعلم الآلي.\n\n1. **تثبيت بايثون**. تأكد من تثبيت [بايثون](https://www.python.org/downloads/) على حاسوبك. ستستخدم بايثون في العديد من مهام علم البيانات والتعلم الآلي. تتضمن معظم أنظمة الحاسوب تثبيتًا مسبقًا لبايثون. هناك أيضًا [حزم برمجة بايثون](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) مفيدة متاحة لتسهيل الإعداد لبعض المستخدمين.\n\n   مع ذلك، تتطلب بعض استخدامات بايثون إصدارًا معينًا من البرنامج، في حين تحتاج أخرى إلى إصدار مختلف. لذلك، من المفيد العمل ضمن [بيئة افتراضية](https://docs.python.org/3/library/venv.html).\n\n2. **تثبيت Visual Studio Code**. تأكد من وجود Visual Studio Code مثبتًا على حاسوبك. اتبع هذه التعليمات لـ [تثبيت Visual Studio Code](https://code.visualstudio.com/) للإعداد الأساسي. ستستخدم بايثون في Visual Studio Code في هذا المساق، لذا قد ترغب في تعلُّم كيفية [تهيئة Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) لتطوير برامج بايثون.\n\n   > تعرّف على بايثون بسهولة من خلال متابعة مجموعة [وحدات التعلم](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)\n   >\n   > [![إعداد بايثون مع Visual Studio Code](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 \"إعداد بايثون مع Visual Studio Code\")\n   >\n   > 🎥 انقر على الصورة أعلاه لمشاهدة فيديو: استخدام بايثون في VS Code.\n\n3. **تثبيت Scikit-learn**، باتباع [هذه التعليمات](https://scikit-learn.org/stable/install.html). بما أنك تحتاج إلى التأكد من استخدام بايثون 3، يُوصى باستخدام بيئة افتراضية. لاحظ أنه إذا كنت تثبت هذه المكتبة على ماك M1، هناك تعليمات خاصة على الصفحة المذكورة أعلاه.\n\n1. **تثبيت Jupyter Notebook**. ستحتاج إلى [تثبيت حزمة Jupyter](https://pypi.org/project/jupyter/).\n\n## بيئة التأليف الخاصة بك في التعلم الآلي\n\nستستخدم **الدفاتر** لتطوير كود بايثون الخاص بك وإنشاء نماذج التعلم الآلي. هذا النوع من الملفات أداة شائعة لدى علماء البيانات، ويمكن التعرف عليها من خلال اللاحقة أو الامتداد `.ipynb`.\n\nالدفاتر هي بيئة تفاعلية تسمح للمطور بكتابة الكود وإضافة ملاحظات وكتابة توثيق حول الكود، وهو أمر مفيد جدًا للمشاريع التجريبية أو البحثية.\n\n[![التعلم الآلي للمبتدئين - إعداد دفاتر Jupyter لبدء بناء نماذج الانحدار](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E \"التعلم الآلي للمبتدئين - إعداد دفاتر Jupyter لبدء بناء نماذج الانحدار\")\n\n> 🎥 انقر على الصورة أعلاه لمشاهدة فيديو قصير يشرح هذا التمرين.\n\n### تمرين - العمل مع دفتر ملاحظات\n\nفي هذا المجلد، ستجد الملف _notebook.ipynb_.\n\n1. افتح _notebook.ipynb_ في Visual Studio Code.\n\n   ستبدأ خادم Jupyter مع تشغيل بايثون 3+. ستجد أجزاء من الدفتر يمكن `تشغيلها`، وهي قطع من الكود. يمكنك تشغيل قطعة الكود من خلال اختيار الرمز الذي يشبه زر التشغيل.\n\n1. اختر رمز `md` وأضف بعض الماركدون، والنص التالي **# مرحبًا بك في دفترك**.\n\n   ثم أضف بعض كود بايثون.\n\n1. اكتب **print('hello notebook')** في كتلة الكود.\n1. اختر السهم لتشغيل الكود.\n\n   سترى العبارة المطبوعة:\n\n    ```output\n    hello notebook\n    ```\n\n![VS Code مع دفتر ملاحظات مفتوح](../../../../translated_images/ar/notebook.4a3ee31f396b8832.webp)\n\nيمكنك دمج كودك مع التعليقات لتوثيق الدفتر بنفسك.\n\n✅ فكر للحظة كيف تختلف بيئة عمل مطور الويب مقارنةً ببيئة عالم البيانات.\n\n## ابدأ العمل مع Scikit-learn\n\nالآن بعد أن تم إعداد بايثون في بيئتك المحلية وأصبحت مرتاحًا في استخدام دفاتر Jupyter، لنكتسب نفس الراحة مع Scikit-learn (تنطق `ساي` كما في `science`). يوفر Scikit-learn [واجهة برمجة تطبيقات واسعة](https://scikit-learn.org/stable/modules/classes.html#api-ref) لمساعدتك في أداء مهام التعلم الآلي.\n\nحسب موقعهم [الرسمي](https://scikit-learn.org/stable/getting_started.html)، \"سكايكيت-ليرن هي مكتبة تعلم آلي مفتوحة المصدر تدعم التعلم الخاضع للإشراف وغير الخاضع للإشراف. كما توفر أدوات متنوعة لتركيب النماذج، ومعالجة البيانات، واختيار النماذج وتقييمها، والعديد من الأدوات الأخرى.\"\n\nفي هذا المساق، ستستخدم Scikit-learn وأدوات أخرى لبناء نماذج تعلم آلي لأداء ما نسميه 'التعلم الآلي التقليدي'. لقد تجنبنا عمدًا الشبكات العصبية والتعلم العميق، إذ يتم تناولها بشكل أفضل في منهجية 'الذكاء الاصطناعي للمبتدئين' القادمة.\n\nيجعل Scikit-learn بناء النماذج وتقييمها سهلاً. يركز أساسًا على استخدام البيانات الرقمية ويحتوي على عدة مجموعات بيانات جاهزة للاستخدام كأدوات تعلم. كما يتضمن نماذج مبنية مسبقًا ليجربها الطلاب. لنستكشف أولاً عملية تحميل البيانات المعبأة واستخدام مقدّر مدمج أول نموذج تعلم آلي مع Scikit-learn باستخدام بيانات أساسية.\n\n## تمرين - دفتر ملاحظاتك الأول مع Scikit-learn\n\n> استُلهم هذا الدليل من [مثال الانحدار الخطي](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) على موقع Scikit-learn.\n\n\n[![التعلم الآلي للمبتدئين - مشروعك الأول للانحدار الخطي في بايثون](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 \"التعلم الآلي للمبتدئين - مشروعك الأول للانحدار الخطي في بايثون\")\n\n> 🎥 انقر على الصورة أعلاه لمشاهدة فيديو قصير يشرح هذا التمرين.\n\nفي ملف _notebook.ipynb_ المرتبط بهذا الدرس، قم بمسح كل الخلايا بالضغط على رمز 'سلة المهملات'.\n\nفي هذا القسم، ستعمل مع مجموعة بيانات صغيرة عن مرض السكري مدمجة في Scikit-learn لأغراض التعلم. تخيل أنك تريد اختبار علاج لمرضى السكري. قد تساعدك نماذج التعلم الآلي على تحديد أي المرضى قد يستجيبون بشكل أفضل للعلاج، بناءً على تركيبات من المتغيرات. حتى نموذج انحدار بسيط جدًا، عند تصوره، قد يظهر معلومات حول المتغيرات التي قد تساعدك في تنظيم تجاربك السريرية النظرية.\n\n✅ هناك العديد من أنواع طرق الانحدار، واختيارك يعتمد على الإجابة التي تبحث عنها. إذا أردت التنبؤ بالطول المحتمل لشخص في عمر معين، ستستخدم الانحدار الخطي، لأنك تبحث عن **قيمة رقمية**. إذا كنت مهتمًا باكتشاف ما إذا كان نوع من المأكولات يجب اعتباره نباتيًا أم لا، فأنت تبحث عن **تصنيف فئة** لذا ستستخدم الانحدار اللوجستي. ستتعلم المزيد عن الانحدار اللوجستي لاحقًا. فكر قليلًا في بعض الأسئلة التي يمكنك طرحها على البيانات، وأي من هذه الطرق سيكون الأنسب.\n\nلنبدأ هذه المهمة.\n\n### استيراد المكتبات\n\nلهذه المهمة سنستورد بعض المكتبات:\n\n- **matplotlib**. إنها أداة [رسم بياني مفيدة](https://matplotlib.org/) وسنستخدمها لإنشاء مخطط خطي.\n- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) مكتبة مفيدة للتعامل مع البيانات الرقمية في بايثون.\n- **sklearn**. هذه هي مكتبة [Scikit-learn](https://scikit-learn.org/stable/user_guide.html).\n\nاستورد بعض المكتبات لمساعدتك في مهامك.\n\n1. أضف الاستيرادات بكتابة الكود التالي:\n\n   ```python\n   import matplotlib.pyplot as plt\n   import numpy as np\n   from sklearn import datasets, linear_model, model_selection\n   ```\n\n   في الأعلى تقوم باستيراد `matplotlib`، و `numpy`، كما تستورد `datasets`، و `linear_model` و `model_selection` من `sklearn`. يستخدم `model_selection` لتقسيم البيانات إلى مجموعات تدريب واختبار.\n\n### مجموعة بيانات السكري\n\nتتضمن مجموعة البيانات المدمجة [السكري](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) 442 عينة بيانات عن مرض السكري، مع 10 متغيرات ميزة، بعضها يشمل:\n\n- العمر: العمر بالسنوات\n- مؤشر كتلة الجسم\n- ضغط الدم: متوسط ضغط الدم\n- s1 tc: خلايا تي (نوع من خلايا الدم البيضاء)\n\n✅ تشمل هذه المجموعة مفهوم 'الجنس' كمتغير ميزة مهم في البحث حول السكري. تتضمن العديد من مجموعات البيانات الطبية هذا النوع من التصنيف الثنائي. فكر قليلاً في كيفية أن تصنيفات مثل هذه قد تستبعد أجزاء معينة من السكان من العلاجات.\n\nالآن، قم بتحميل بيانات X و y.\n\n> 🎓 تذكر، هذا تعلم مشرف، ونحتاج إلى هدف ‘y’ مسمى.\n\nفي خلية كود جديدة، قم بتحميل مجموعة بيانات السكري باستدعاء `load_diabetes()`. يشير المعطى `return_X_y=True` إلى أن `X` ستكون مصفوفة بيانات، و `y` سيكون الهدف للانحدار.\n\n1. أضف بعض أوامر الطباعة لعرض شكل مصفوفة البيانات وعنصرها الأول:\n\n    ```python\n    X, y = datasets.load_diabetes(return_X_y=True)\n    print(X.shape)\n    print(X[0])\n    ```\n\n    ما تحصل عليه كرد هو زوج مرتب. ما تفعله هو تعيين أول قيمتين من الزوج إلى `X` و `y` على التوالي. تعرف أكثر [عن الأزواج المرتبة](https://wikipedia.org/wiki/Tuple).\n\n    يمكنك رؤية أن هذه البيانات تحتوي على 442 عنصرًا مشكّلة في مصفوفات من 10 عناصر:\n\n    ```text\n    (442, 10)\n    [ 0.03807591  0.05068012  0.06169621  0.02187235 -0.0442235  -0.03482076\n    -0.04340085 -0.00259226  0.01990842 -0.01764613]\n    ```\n\n    ✅ فكّر قليلًا في العلاقة بين البيانات وهدف الانحدار. الانحدار الخطي يتنبأ بالعلاقات بين ميزة X والمتغير الهدف y. هل يمكنك العثور على [الهدف](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) لمجموعة بيانات السكري في التوثيق؟ ماذا تُظهر هذه المجموعة بناءً على الهدف؟\n\n2. بعد ذلك، اختر جزءًا من هذه المجموعة لرسمه باختيار العمود الثالث من المجموعة. يمكنك فعل ذلك باستخدام عامل `:` لاختيار كل الصفوف، ثم اختيار العمود الثالث باستخدام الفهرس (2). يمكنك أيضًا إعادة تشكيل البيانات لتكون مصفوفة ثنائية الأبعاد - حسب المطلوب للرسم - باستخدام `reshape(n_rows, n_columns)`. إذا كان أحد المعاملات -1، يتم حساب البعد الموافق تلقائيًا.\n\n   ```python\n   X = X[:, 2]\n   X = X.reshape((-1,1))\n   ```\n\n   ✅ في أي وقت، اطبع البيانات للتحقق من شكلها.\n\n3. الآن بعد أن أصبحت لديك بيانات جاهزة للرسم، يمكنك أن ترى ما إذا كان الماكينة يمكنها المساعدة في تحديد تقسيم منطقي بين الأرقام في هذه المجموعة. للقيام بذلك، تحتاج إلى تقسيم كل من البيانات (X) والهدف (y) إلى مجموعات اختبار وتدريب. لدى Scikit-learn طريقة مباشرة لذلك؛ يمكنك تقسيم بيانات الاختبار عند نقطة معينة.\n\n   ```python\n   X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)\n   ```\n\n4. الآن أنت جاهز لتدريب نموذجك! قم بتحميل نموذج الانحدار الخطي وقم بتدريبه باستخدام مجموعات التدريب X و y الخاصة بك باستخدام `model.fit()`:\n\n    ```python\n    model = linear_model.LinearRegression()\n    model.fit(X_train, y_train)\n    ```\n\n    ✅ `model.fit()` هي دالة سترى وجودها في العديد من مكتبات التعلم الآلي مثل TensorFlow\n\n5. ثم، أنشئ توقعًا باستخدام بيانات الاختبار، باستخدام الدالة `predict()`. سيتم استخدام هذا لرسم الخط بين مجموعات البيانات.\n\n    ```python\n    y_pred = model.predict(X_test)\n    ```\n\n6. حان الوقت الآن لعرض البيانات في رسم بياني. Matplotlib أداة مفيدة جدًا لهذه المهمة. أنشئ مخطط نقاط لجميع بيانات X و y الاختبارية، واستخدم التوقع لرسم خط في المكان الأنسب، بين مجموعات بيانات النموذج.\n\n    ```python\n    plt.scatter(X_test, y_test,  color='black')\n    plt.plot(X_test, y_pred, color='blue', linewidth=3)\n    plt.xlabel('Scaled BMIs')\n    plt.ylabel('Disease Progression')\n    plt.title('A Graph Plot Showing Diabetes Progression Against BMI')\n    plt.show()\n    ```\n\n   ![مخطط نقاط يوضح نقاط بيانات حول السكري](../../../../translated_images/ar/scatterplot.ad8b356bcbb33be6.webp)\n\n\n   ✅ فكر قليلاً في ما يحدث هنا. هناك خط مستقيم يمر عبر العديد من نقاط البيانات الصغيرة، ولكنه ماذا يفعل بالضبط؟ هل ترى كيف ينبغي أن تتمكن من استخدام هذا الخط للتنبؤ بمكان تناسب نقطة بيانات جديدة غير مرئية بالنسبة لمحور y في الرسم البياني؟ حاول التعبير بالكلمات عن الاستخدام العملي لهذا النموذج.\n\nتهانينا، لقد أنشأت نموذج الانحدار الخطي الأول لك، وأنتجت توقعًا به، وعرضته في رسم بياني!\n\n---\n## 🚀تحدي\n\nقم برسم متغير مختلف من هذه المجموعة البيانية. تلميح: حرر هذا السطر: `X = X[:,2]`. بالنظر إلى هدف هذه البيانات، ماذا يمكنك اكتشافه عن تقدم مرض السكري كمرض؟\n## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ml/)\n\n## مراجعة ودراسة ذاتية\n\nفي هذا الدرس، عملت مع الانحدار الخطي البسيط، بدلاً من الانحدار الخطي أحادي المتغير أو المتعدد. اقرأ قليلاً عن الفروقات بين هذه الأساليب، أو ألق نظرة على [هذا الفيديو](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)\n\nاقرأ المزيد عن مفهوم الانحدار وفكر في أنواع الأسئلة التي يمكن الإجابة عليها باستخدام هذه التقنية. خذ هذا [الدليل](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) لتعميق فهمك.\n\n## الواجب\n\n[مجموعة بيانات مختلفة](assignment.md)\n\n---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**تنويه**:\nتمت ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى للدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي والمعتمد. للمعلومات الهامة، يُنصح بالاستعانة بترجمة بشرية محترفة. نحن غير مسؤولين عن أي سوء فهم أو تفسير ناتج عن استخدام هذه الترجمة.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->","isInternal":false,"tokens":7496,"sizeBytes":19994},{"name":"README.md","path":"translations/ar/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ar/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/ar/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ar/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/bg/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/bg/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/bg/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/bg/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/bn/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/bn/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# রিগ্রেশন মডেলগুলির জন্য পাইথন এবং স্কিকিট-লার্ন দিয়ে শুরু করুন\n\n![একটি স্কেচনোটে রিগ্রেশনগুলির সারসংক্ষেপ](../../../../translated_images/bn/ml-regression.4e4f70e3b3ed446e.webp)\n\n> স্কেচনোট তৈরি করেছেন [তোমোমি ইমুরা](https://www.twitter.com/girlie_mac)\n\n## [পূর্বে-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ml/)\n\n> ### [এই পাঠটি R-এ উপলব্ধ!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)\n\n## পরিচিতি\n\nএই চারটি পাঠে, আপনি কিভাবে রিগ্রেশন মডেল তৈরি করতে হয় তা জানবেন। আমরা এক্ষুনি আলোচনা করব এগুলি কী জন্য। কিন্তু কিছু করার আগে, নিশ্চিত করুন যে আপনার কাছে প্রক্রিয়া শুরু করার জন্য সঠিক সরঞ্জাম রয়েছে!\n\nএই পাঠে, আপনি শিখবেন কিভাবে:\n\n- আপনার কম্পিউটারকে স্থানীয় মেশিন লার্নিং কাজের জন্য কনফিগার করবেন।\n- জুপিটার নোটবুকের সাথে কাজ করবেন।\n- স্কিকিট-লার্ন ব্যবহার করবেন, ইনস্টলেশন সহ।\n- একটি হাতে-কলমে অনুশীলন সহ লিনিয়ার রিগ্রেশন অন্বেষণ করবেন।\n\n## ইনস্টলেশন এবং কনফিগারেশন\n\n[![শুরুর জন্য এমএল - মেশিন লার্নিং মডেল তৈরির জন্য আপনার টুলস প্রস্তুত করুন](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 \"শুরুর জন্য এমএল - মেশিন লার্নিং মডেল তৈরির জন্য আপনার টুলস প্রস্তুত করুন\")\n\n> 🎥 এমএল কনফিগার করার জন্য একটি সংক্ষিপ্ত ভিডিও দেখতে উপরের চিত্রে ক্লিক করুন।\n\n1. **পাইথন ইনস্টল করুন**। নিশ্চিত করুন যে [Python](https://www.python.org/downloads/) আপনার কম্পিউটারে ইনস্টল করা আছে। আপনি অনেক ডেটা সাইন্স এবং মেশিন লার্নিং কাজের জন্য পাইথন ব্যবহার করবেন। বেশিরভাগ কম্পিউটার সিস্টেমে ইতিমধ্যে পাইথন ইনস্টল থাকে। কিছু ব্যবহারকারীর জন্য সহজতর করতে [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott)ও পাওয়া যায়।\n\n   তবে, পাইথনের কিছু ব্যবহার এক ভার্সনের সফটওয়্যার চান, আবার কিছু অন্য ভার্সনের। এজন্য, একটি [ভার্চুয়াল এনভায়রনমেন্টে](https://docs.python.org/3/library/venv.html) কাজ করা উপকারী।\n\n2. **ভিজুয়াল স্টুডিও কোড ইনস্টল করুন**। নিশ্চিত করুন যে আপনার কম্পিউটারে ভিজুয়াল স্টুডিও কোড ইনস্টল করা আছে। বেসিক ইনস্টলেশনের জন্য এই নির্দেশনাগুলো অনুসরণ করুন: [Visual Studio Code ইনস্টল করুন](https://code.visualstudio.com/)। এই কোর্সে আপনি ভিজুয়াল স্টুডিও কোডে পাইথন ব্যবহার করবেন, তাই পাইথন ডেভেলপমেন্টের জন্য [Visual Studio Code কনফিগার করা](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) সম্পর্কেও জানতে পারেন।\n\n   > এই [লার্ন মডিউলস](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) থেকে কাজ করে পাইথনে স্বাচ্ছন্দ্যতা অর্জন করুন\n   >\n   > [![Visual Studio Code-এ Python সেটআপ করুন](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 \"Visual Studio Code-এ Python সেটআপ করুন\")\n   >\n   > 🎥 ভিডিওটির জন্য উপরের চিত্রে ক্লিক করুন: VS কোডে পাইথন ব্যবহার।\n\n3. **স্কিকিট-লার্ন ইনস্টল করুন**, এই [নির্দেশনাগুলো](https://scikit-learn.org/stable/install.html) অনুসরণ করে। আপনাকে নিশ্চিত করতে হবে যে আপনি পাইথন ৩ ব্যবহার করছেন, তাই ভার্চুয়াল এনভায়রনমেন্ট ব্যবহার করার পরামর্শ দেওয়া হয়। লক্ষ্য করুন, যদি আপনি M1 ম্যাক-এ এই লাইব্রেরি ইনস্টল করছেন, তাহলে উপরের লিঙ্কে বিশেষ নির্দেশনাগুলো আছে।\n\n4. **জুপিটার নোটবুক ইনস্টল করুন**। আপনাকে [জুপিটার প্যাকেজ ইনস্টল](https://pypi.org/project/jupyter/) করতে হবে।\n\n## আপনার এমএল লেখার পরিবেশ\n\nআপনি পাইথন কোড উন্নয়ন এবং মেশিন লার্নিং মডেল তৈরি করতে **নোটবুকস** ব্যবহার করবেন। এই ধরণের ফাইল ডেটা বিজ্ঞানীদের একটি সাধারণ টুল এবং এগুলোর সাফিক্স বা এক্সটেনশন `.ipynb` দ্বারা চিহ্নিত করা হয়।\n\nনোটবুক একটি ইন্টারঅ্যাকটিভ পরিবেশ যা ডেভেলপারকে কোড করার পাশাপাশি কোডের চারপাশে নোট এবং ডকুমেন্টেশন লেখার সুযোগ দেয়, যা পরীক্ষামূলক বা গবেষণাভিত্তিক প্রকল্পে খুব সহায়ক।\n\n[![শুরুর জন্য এমএল - রিগ্রেশন মডেল তৈরির জন্য জুপিটার নোটবুক সেটআপ করুন](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E \"শুরুর জন্য এমএল - রিগ্রেশন মডেল তৈরির জন্য জুপিটার নোটবুক সেটআপ করুন\")\n\n> 🎥 এই অনুশীলনটি করতে উপরের ছবিতে ক্লিক করুন একটি সংক্ষিপ্ত ভিডিওর জন্য।\n\n### অনুশীলন - একটি নোটবুকের সাথে কাজ করুন\n\nএই ফোল্ডারে, আপনি _notebook.ipynb_ ফাইলটি দেখতে পাবেন।\n\n1. Visual Studio Code-এ _notebook.ipynb_ খুলুন।\n\n   একটি জুপিটার সার্ভার Python 3+ দিয়ে চালু হবে। আপনি নোটবুকের এমন স্থান পাবেন যা `run` করা যাবে, কোডের টুকরা। কার্টির মত দেখতে আইকনটি নির্বাচন করে কোড ব্লক চালাতে পারেন।\n\n2. `md` আইকন নির্বাচন করুন এবং কিছু মার্কডাউন লিখুন, এবং নিম্নলিখিত টেক্সট দিন **# আপনার নোটবুকে স্বাগতম**।\n\n   এরপর, কিছু পাইথন কোড যোগ করুন।\n\n3. কোড ব্লকে টাইপ করুন **print('hello notebook')**।\n4. কোড চালাতে তীর চিহ্ন নির্বাচন করুন।\n\n   আপনি নিম্নলিখিত প্রিন্টেড স্টেটমেন্ট দেখতে পাবেন:\n\n    ```output\n    hello notebook\n    ```\n\n![ভিএস কোডে একটি নোটবুক খোলা](../../../../translated_images/bn/notebook.4a3ee31f396b8832.webp)\n\nআপনি নোটবুক নিজেই ডকুমেন্ট করার জন্য মন্তব্যসহ কোডের মধ্যে ইন্টারলিফ করতে পারেন।\n\n✅ একটি ওয়েব ডেভেলপার এবং একটি ডেটা বিজ্ঞানীর কাজের পরিবেশ কতোটা ভিন্ন হতে পারে, একটু ভাবুন।\n\n## স্কিকিট-লার্ন দিয়ে কাজ শুরু করুন\n\nএখন যেহেতু পাইথন আপনার স্থানীয় পরিবেশে প্রস্তুত, এবং আপনি জুপিটার নোটবুকে স্বাচ্ছন্দ্যবোধ করছেন, চলুন স্কিকিট-লার্নের সাথেও সমান স্বাচ্ছন্দ্য অর্জন করি (উচ্চারণ `sci` যেমন `science`)। স্কিকিট-লার্ন একটি [বিস্তৃত এপিআই](https://scikit-learn.org/stable/modules/classes.html#api-ref) দেয় যেটা আপনাকে এমএল কাজ করতে সাহায্য করবে।\n\nতাদের [ওয়েবসাইট](https://scikit-learn.org/stable/getting_started.html) অনুযায়ী, \"স্কিকিট-লার্ন একটি ওপেন সোর্স মেশিন লার্নিং লাইব্রেরি যা সুপারভাইজড এবং আনসুপারভাইজড লার্নিং সাপোর্ট করে। এটি মডেল ফিটিং, ডেটা প্রিপ্রসেসিং, মডেল সিলেকশন এবং ইভ্যালুয়েশন, এবং অন্যান্য অনেক টুলস প্রদান করে।\"\n\nএই কোর্সে, আপনি স্কিকিট-লার্ন এবং অন্যান্য সরঞ্জাম ব্যবহার করে একটি মেশিন লার্নিং মডেল গড়ে তুলবেন যা আমরা 'পরম্পরাগত মেশিন লার্নিং' কাজ বলে থাকি। আমরা ইচ্ছাকৃতভাবে নিউরাল নেটওয়ার্ক এবং ডিপ লার্নিং এড়িয়েছি, কারণ এগুলো আমাদের আসন্ন 'এআই ফর বিগিনার্স' কারিকুলামে ভালোভাবে কভার করা হয়েছে।\n\nস্কিকিট-লার্ন মডেল তৈরি করা এবং সেগুলোর মূল্যায়ন সহজ করে তোলে। এটি প্রধানত সংখ্যাগত ডেটা ব্যবহার করে এবং শেখার সরঞ্জাম হিসেবে বেশ কিছু প্রস্তুত ডেটাসেট রয়েছে। এতে শিক্ষার্থীদের জন্য প্রাক-তৈরি মডেলও আছে। প্রথমে স্কিকিট-লার্নের সাথে প্রিপ্যাকেজড ডেটা লোড এবং বিল্ট-ইন এস্টিমেটর ব্যবহার করে মৌলিক এমএল মডেল তৈরির প্রক্রিয়া অন্বেষণ করি।\n\n## অনুশীলন - আপনার প্রথম স্কিকিট-লার্ন নোটবুক\n\n> এই টিউটোরিয়ালটি অনুপ্র inspirationণ হয়েছে স্কিকিট-লার্নের ওয়েবসাইটের [লিনিয়ার রিগ্রেশন উদাহরণ](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) থেকে।\n\n\n[![শুরুর জন্য এমএল - পাইথনে আপনার প্রথম লিনিয়ার রিগ্রেশন প্রকল্প](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 \"শুরুর জন্য এমএল - পাইথনে আপনার প্রথম লিনিয়ার রিগ্রেশন প্রকল্প\")\n\n> 🎥 এই অনুশীলনটি দেখতে উপরের চিত্রে ক্লিক করুন একটি সংক্ষিপ্ত ভিডিওর জন্য।\n\nএই পাঠের সাথে সংযুক্ত _notebook.ipynb_ ফাইলে, সকল সেলগুলি 'ট্র্যাশ ক্যান' আইকন চাপ দিয়ে ক্লিয়ার করুন।\n\nএই অংশে, আপনি ডায়াবেটিস সম্পর্কে একটি ছোট ডেটাসেট নিয়ে কাজ করবেন যা স্কিকিট-লার্নে শেখার জন্য অন্তর্ভুক্ত। কল্পনা করুন আপনি ডায়াবেটিক রোগীদের জন্য একটি চিকিৎসা পরীক্ষা করতে চান। মেশিন লার্নিং মডেল আপনাকে নির্ধারণ করতে সাহায্য করতে পারে কোন রোগী চিকিৎসায় ভাল সাড়া দেবে বিভিন্ন ভেরিয়েবলের সংমিশ্রণের ভিত্তিতে। একটি মৌলিক রিগ্রেশন মডেল, ভিজুয়ালাইজ করা হলে, ভেরিয়েবলের তথ্য দেখাতে পারে যা আপনার তাত্ত্বিক ক্লিনিক্যাল ট্রায়াল সংগঠনে সাহায্য করবে।\n\n✅ রিগ্রেশনের অনেক ধরন আছে এবং আপনি কোনটি বেছে নেন তা নির্ভর করে আপনি কোন প্রশ্নের উত্তর খুঁজছেন তার উপর। যদি আপনি নির্দিষ্ট বয়সের একজন ব্যক্তির সম্ভাব্য উচ্চতা পূর্বাভাস দিতে চান, তাহলে আপনি লিনিয়ার রিগ্রেশন ব্যবহার করবেন, কারণ আপনি একটি **সংখ্যাগত মান** খুঁজছেন। যদি আপনি জানতে চান একটি রান্নার ধরন নিরামিষ কিনা, তাহলে সেটি একটি **শ্রেণিবিন্যাস** তাই আপনি লজিস্টিক রিগ্রেশন ব্যবহার করবেন। লজিস্টিক রিগ্রেশন সম্পর্কে পরে শিখবেন। কিছু প্রশ্ন নিয়ে ভাবুন যা আপনি ডেটাবেজে করতে পারেন এবং কোন পদ্ধতিটি উপযুক্ত হবে।\n\nচলুন এই কাজ শুরু করি।\n\n### লাইব্রেরি আমদানি\n\nএই কাজের জন্য আমরা কিছু লাইব্রেরি আমদানি করব:\n\n- **matplotlib**। এটি একটি উপকারী [গ্রাফিং টুল](https://matplotlib.org/) এবং আমরা একটি লাইন প্লট তৈরি করতে এটি ব্যবহার করব।\n- **numpy**। [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) পাইথনে সংখ্যাগত ডেটা পরিচালনার জন্য একটি দরকারী লাইব্রেরি।\n- **sklearn**। এটি [স্কিকিট-লার্ন](https://scikit-learn.org/stable/user_guide.html) লাইব্রেরি।\n\nআপনার কাজের জন্য কিছু লাইব্রেরি আমদানি করুন।\n\n1. নিচের কোড টাইপ করে আমদানি করুন:\n\n   ```python\n   import matplotlib.pyplot as plt\n   import numpy as np\n   from sklearn import datasets, linear_model, model_selection\n   ```\n\n   উপরে আপনি `matplotlib`, `numpy` আমদানি করছেন এবং `sklearn` থেকে `datasets`, `linear_model` এবং `model_selection` আমদানি করছেন। `model_selection` ডেটাকে প্রশিক্ষণ এবং পরীক্ষা সেটে ভাগ করার জন্য ব্যবহৃত।\n\n### ডায়াবেটিস ডেটাসেট\n\nঅন্তর্ভুক্ত [ডায়াবেটিস ডেটাসেট](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) এ ৪৪২টি নমুনা রয়েছে, যেখানে ১০টি বৈশিষ্ট্য ভেরিয়েবল আছে, কিছু হল:\n\n- বয়স: বছরে বয়স\n- BMI: শরীরের ভর সূচক\n- রক্তচাপ: গড় রক্তচাপ\n- s1 tc: টি-সেলস (সাদা রক্তকণিকার একটি প্রকার)\n\n✅ এই ডেটাসেটে 'লিঙ্গ' নামক একটি বৈশিষ্ট্য ভেরিয়েবল অন্তর্ভুক্ত আছে, যা ডায়াবেটিস গবেষণায় গুরুত্বপূর্ণ। অনেক চিকিৎসা তথ্যসেট এই ধরনের বাইনারি শ্রেণিবিভাজন অন্তর্ভুক্ত করে। ভাবুন কিভাবে এমন শ্রেণিবিভাজন কিছু জনগোষ্ঠীকে চিকিৎসা থেকে বাদ দিতে পারে।\n\nএখন, X এবং y ডেটা লোড করুন।\n\n> 🎓 মনে রাখবেন, এটি একটি সুপারভাইজড লার্নিং, এবং আমাদের একটি নামকৃত 'y' লক্ষ্য দরকার।\n\nএকটি নতুন কোড সেলে, `load_diabetes()` কল করে ডায়াবেটিস ডেটাসেট লোড করুন। `return_X_y=True` ইনপুট মানে হল `X` একটি ডেটা ম্যাট্রিক্স হবে, এবং `y` হবে রিগ্রেশন লক্ষ্য।\n\n1. ডেটা ম্যাট্রিক্সের আকৃতি এবং এর প্রথম উপাদান প্রদর্শনের জন্য কিছু প্রিন্ট কমান্ড যোগ করুন:\n\n    ```python\n    X, y = datasets.load_diabetes(return_X_y=True)\n    print(X.shape)\n    print(X[0])\n    ```\n\n    আপনি যে রেসপন্স পাচ্ছেন, তা একটি tuple। আপনি tuple- এর প্রথম দুটি মান `X` এবং `y` তে আলাদা করছেন। [tuple সম্পর্কে আরও জানুন](https://wikipedia.org/wiki/Tuple)।\n\n    আপনি দেখতে পাচ্ছেন ডেটা ৪৪২টি আইটেম নিয়ে তৈরি, যার প্রতিটি ১০টি উপাদানের অ্যারে আকারে:\n\n    ```text\n    (442, 10)\n    [ 0.03807591  0.05068012  0.06169621  0.02187235 -0.0442235  -0.03482076\n    -0.04340085 -0.00259226  0.01990842 -0.01764613]\n    ```\n\n    ✅ কিছুক্ষণ ভেবে দেখুন ডেটা এবং রিগ্রেশন লক্ষ্য এর সম্পর্ক। লিনিয়ার রিগ্রেশন বৈশিষ্ট্য X এবং লক্ষ্য ভেরিয়েবল y-এর মধ্যে সম্পর্ক পূর্বাভাস দেয়। আপনি কি ডকুমেন্টেশনে ডায়াবেটিস ডেটাসেটের [লক্ষ্য](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) খুঁজে পেয়েছেন? এই ডেটাসেটটি কি প্রদর্শন করছে, লক্ষ্য দেখে?\n\n2. তারপরে, ডেটাসেটের একটি অংশ নির্বাচন করুন প্লট করার জন্য: ডেটাসেটের ৩য় কলাম নির্বাচিত করুন। `:` অপারেটর ব্যবহার করে সব সারি নির্বাচন করে তারপর ইনডেক্স (২) ব্যবহার করে তৃতীয় কলাম নির্বাচন করতে পারেন। প্লট করার জন্য ডেটাকে 2D অ্যারেতে রিশেপ করা দরকার `reshape(n_rows, n_columns)` ব্যবহার করে। যদি একটি প্যারামিটার -1 হয়, সংশ্লিষ্ট মাত্রা স্বয়ংক্রিয়ভাবে হিসাব হয়।\n\n   ```python\n   X = X[:, 2]\n   X = X.reshape((-1,1))\n   ```\n\n   ✅ যেকোনো সময় ডেটার আকৃতি পরীক্ষা করতে প্রিন্ট করুন।\n\n3. এখন ডেটা প্লট করার প্রস্তুত, দেখুন একটি মেশিন সংখ্যাগুলোর মধ্যে যৌক্তিক বিভাজন নির্ধারণে সাহায্য করতে পারে কিনা। এর জন্য, আপনাকে ডেটা (X) এবং লক্ষ্য (y) উভয়ই পরীক্ষা এবং প্রশিক্ষণ সেটে ভাগ করতে হবে। স্কিকিট-লার্নে এর জন্য সরল উপায় আছে; আপনি নির্দিষ্ট পয়েন্টে পরীক্ষা ডেটা ভাগ করতে পারবেন।\n\n   ```python\n   X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)\n   ```\n\n4. এখন আপনার মডেল প্রশিক্ষণের জন্য প্রস্তুত! লিনিয়ার রিগ্রেশন মডেল লোড করুন এবং `model.fit()` ব্যবহার করে X ও y প্রশিক্ষণ সেট দিয়ে প্রশিক্ষণ দিন:\n\n    ```python\n    model = linear_model.LinearRegression()\n    model.fit(X_train, y_train)\n    ```\n\n    ✅ `model.fit()` একটি ফাংশন যা আপনি অনেক এমএল লাইব্রেরিতে যেমন TensorFlow দেথতে পাবেন\n\n5. এরপর, `predict()` ফাংশন ব্যবহার করে পরীক্ষার ডেটা দিয়ে পূর্বাভাস তৈরি করুন। এটি ডেটা গ্রুপের মধ্যে একটি লাইন আঁকতে ব্যবহৃত হবে\n\n    ```python\n    y_pred = model.predict(X_test)\n    ```\n\n6. এখন ডেটা একটি প্লটে প্রদর্শনের সময়। এই কাজের জন্য matplotlib খুব দরকারী টুল। সমস্ত X এবং y পরীক্ষার ডেটার একটি scatterplot তৈরি করুন এবং পূর্বাভাস ব্যবহার করে মডেলের ডেটা গ্রুপের মধ্যে সবচেয়ে উপযুক্ত স্থানে একটি লাইন আঁকুন।\n\n    ```python\n    plt.scatter(X_test, y_test,  color='black')\n    plt.plot(X_test, y_pred, color='blue', linewidth=3)\n    plt.xlabel('Scaled BMIs')\n    plt.ylabel('Disease Progression')\n    plt.title('A Graph Plot Showing Diabetes Progression Against BMI')\n    plt.show()\n    ```\n\n   ![ডায়াবেটিসের চারপাশে ডেটাপয়েন্ট দেখাচ্ছে একটি scatterplot](../../../../translated_images/bn/scatterplot.ad8b356bcbb33be6.webp)\n\n\n   ✅ এখানে কী ঘটছে তা একটু ভাবুন। একটি সরলরেখা অনেক ছোট ডেটার বিন্দুর মধ্য দিয়ে যাচ্ছে, কিন্তু এটি ঠিক কী করছে? আপনি কি দেখতে পাচ্ছেন কীভাবে এই রেখাটিকে ব্যবহার করে কোনও নতুন, অদেখা ডেটা পয়েন্ট কোথায় প্লটের y অক্ষের সাথে সম্পর্ক করে বসাতে হবে তা পূর্বাভাস দেবে? এই মডেলের ব্যবহারিক উপযোগিতাটি শব্দে প্রকাশ করার চেষ্টা করুন।\n\nঅভিনন্দন, আপনি প্রথম লিনিয়ার রিগ্রেশন মডেলটি তৈরি করেছেন, এটি দিয়ে একটি পূর্বাভাস তৈরি করেছেন, এবং এটি একটি প্লটে প্রদর্শন করেছেন!\n\n---\n## 🚀চ্যালেঞ্জ\n\nএই ডেটাসেট থেকে একটি আলাদা ভেরিয়েবল প্লট করুন। ইঙ্গিত: এই লাইনটি সম্পাদনা করুন: `X = X[:,2]`। এই ডেটাসেটের টার্গেট বিবেচনায়, আপনি কী জানতে পারছেন ডায়াবেটিস রোগের অগ্রগতির সম্পর্কে?\n## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ml/)\n\n## পর্যালোচনা এবং স্ব-অধ্যয়ন\n\nএই টিউটোরিয়ালে, আপনি সহজ সরলরেখীয় রিগ্রেশন নিয়ে কাজ করেছেন, যা ইউনিভেরিয়েট বা মাল্টিপল লিনিয়ার রিগ্রেশনের থেকে আলাদা। এই পদ্ধতিগুলির মধ্যে পার্থক্য সম্পর্কে একটু পড়ুন, অথবা [এই ভিডিওটি](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) দেখুন।\n\nরিগ্রেশন ধারণা সম্পর্কে আরও পড়ুন এবং ভাবুন কী ধরনের প্রশ্ন এই প্রযুক্তি দ্বারা উত্তরযোগ্য। আপনার বোঝাপড়া গভীর করার জন্য এই [টিউটোরিয়ালটি](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) অনুসরণ করুন।\n\n## অ্যাসাইনমেন্ট\n\n[একটি ভিন্ন ডেটাসেট](assignment.md)\n\n---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**অস্বীকৃতি**:\nএই নথিটি AI অনুবাদ পরিষেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনূদিত হয়েছে। যদিও আমরা শুদ্ধতার জন্য চেষ্টা করি, অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। মূল নথিটি তার স্বভাষায় কর্তৃত্বপূর্ণ উৎস হিসেবে বিবেচিত হওয়া উচিত। গুরুত্বপূর্ণ তথ্যের জন্য পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদের ব্যবহারে প্রয়োজনীয় ভুল বোঝাবুঝি বা ভুল ব্যাখ্যার জন্য আমরা দায়বদ্ধ নই।\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->","isInternal":false,"tokens":13786,"sizeBytes":31235},{"name":"README.md","path":"translations/bn/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/bn/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/bn/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/bn/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/cs/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/cs/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# Začněte s Pythonem a Scikit-learn pro regresní modely\n\n![Shrnutí regresí ve sketchnote](../../../../translated_images/cs/ml-regression.4e4f70e3b3ed446e.webp)\n\n> Sketchnote od [Tomomi Imura](https://www.twitter.com/girlie_mac)\n\n## [Přednáškový kvíz](https://ff-quizzes.netlify.app/en/ml/)\n\n> ### [Tato lekce je dostupná v R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)\n\n## Úvod\n\nV těchto čtyřech lekcích objevíte, jak vytvářet regresní modely. Brzy si vysvětlíme, k čemu slouží. Než však začnete, ujistěte se, že máte správné nástroje připravené ke startu!\n\nV této lekci se naučíte, jak:\n\n- Nakonfigurovat váš počítač pro místní úlohy strojového učení.\n- Pracovat s Jupyter Notebooky.\n- Používat Scikit-learn, včetně instalace.\n- Prozkoumat lineární regresi pomocí praktického cvičení.\n\n## Instalace a konfigurace\n\n[![ML pro začátečníky - Připravte své nástroje pro tvorbu modelů strojového učení](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 \"ML pro začátečníky - Připravte své nástroje pro tvorbu modelů strojového učení\")\n\n> 🎥 Klikněte na obrázek výše pro krátké video, ve kterém se naučíte, jak konfigurovat váš počítač pro ML.\n\n1. **Nainstalujte Python**. Ujistěte se, že máte na počítači nainstalovaný [Python](https://www.python.org/downloads/). Python budete používat pro mnoho úloh datové vědy a strojového učení. Většina počítačových systémů již obsahuje instalaci Pythonu. Existují i užitečné [balíčky pro kódování v Pythonu](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott), které některým uživatelům usnadní nastavení.\n\n   Některé použití Pythonu však vyžadují jednu verzi softwaru, zatímco jiné vyžadují verzi jinou. Proto je užitečné pracovat uvnitř [virtuálního prostředí](https://docs.python.org/3/library/venv.html).\n\n2. **Nainstalujte Visual Studio Code**. Ujistěte se, že máte na počítači nainstalovaný Visual Studio Code. Postupujte podle těchto instrukcí k [instalaci Visual Studio Code](https://code.visualstudio.com/) pro základní instalaci. V tomto kurzu budete používat Python ve Visual Studio Code, takže možná budete chtít osvěžit, jak [nastavit Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) pro vývoj v Pythonu.\n\n   > Získejte jistotu v Pythonu tím, že projdete tuto sbírku [učebních modulů](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)\n   >\n   > [![Nastavení Pythonu ve Visual Studio Code](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 \"Nastavení Pythonu ve Visual Studio Code\")\n   >\n   > 🎥 Klikněte na obrázek výše pro video: používání Pythonu ve VS Code.\n\n3. **Nainstalujte Scikit-learn** podle [těchto instrukcí](https://scikit-learn.org/stable/install.html). Protože je potřeba používat Python 3, doporučuje se použít virtuální prostředí. Vezměte na vědomí, že pokud knihovnu instalujete na M1 Macu, jsou na výše uvedené stránce speciální instrukce.\n\n1. **Nainstalujte Jupyter Notebook**. Budete potřebovat [nainstalovat balíček Jupyter](https://pypi.org/project/jupyter/).\n\n## Vaše prostředí pro tvorbu ML\n\nBudete používat **notebooky** k vývoji vašeho Python kódu a tvorbě modelů strojového učení. Tento typ souboru je běžným nástrojem datových vědců a poznáte je podle přípony `.ipynb`.\n\nNotebooky jsou interaktivní prostředí, která umožňují vývojáři jak kódovat, tak přidávat poznámky a psát dokumentaci kolem kódu, což je velmi užitečné pro experimentální nebo výzkumné projekty.\n\n[![ML pro začátečníky - Nastavte Jupyter Notebooky pro začátek tvorby regresních modelů](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E \"ML pro začátečníky - Nastavte Jupyter Notebooky pro začátek tvorby regresních modelů\")\n\n> 🎥 Klikněte na obrázek výše pro krátké video pracovní cvičení.\n\n### Cvičení - práce s notebookem\n\nV této složce naleznete soubor _notebook.ipynb_.\n\n1. Otevřete _notebook.ipynb_ ve Visual Studio Code.\n\n   Spustí se Jupyter server s Pythonem 3+. V notebooku najdete části, které mohou být `spuštěny`, kusy kódu. Blok kódu můžete spustit výběrem ikony vypadající jako tlačítko přehrávání (play).\n\n1. Vyberte ikonu `md` a přidejte trochu markdownu s následujícím textem **# Vítejte ve vašem notebooku**.\n\n   Poté přidejte nějaký Python kód.\n\n1. Napište **print('hello notebook')** ve bloku kódu.\n1. Klikněte na šipku pro spuštění kódu.\n\n   Měli byste vidět vytištěné prohlášení:\n\n    ```output\n    hello notebook\n    ```\n\n![VS Code s otevřeným notebookem](../../../../translated_images/cs/notebook.4a3ee31f396b8832.webp)\n\nMůžete prokládat svůj kód komentáři, aby si notebook sám dokumentoval.\n\n✅ Zamyslete se na chvíli, jak odlišné je pracovní prostředí webového vývojáře oproti datovému vědci.\n\n## Spuštění se Scikit-learn\n\nNyní když máte Python nastavený ve vašem lokálním prostředí a jste si jistí v Jupyter Notebookech, pojďme si přivyknout i na Scikit-learn (vyslovujte `sci` jako `science`). Scikit-learn poskytuje [rozsáhlé API](https://scikit-learn.org/stable/modules/classes.html#api-ref), které vám pomůže provádět úlohy ML.\n\nPodle jejich [webu](https://scikit-learn.org/stable/getting_started.html) \"Scikit-learn je open source knihovna strojového učení, která podporuje učení s učitelem i bez učitele. Poskytuje také různé nástroje pro fitování modelů, předzpracování dat, výběr modelů a hodnocení, a mnoho dalších utilit.\"\n\nV tomto kurzu budete používat Scikit-learn a další nástroje k vytváření modelů strojového učení, které budou plnit tzv. 'tradiční úlohy strojového učení'. Záměrně jsme vynechali neuronové sítě a hluboké učení, které budou pokryty v našem nadcházejícím kurzu 'AI pro začátečníky'.\n\nScikit-learn výrazně zjednodušuje vytváření modelů a jejich hodnocení pro použití. Zaměřuje se především na práci s číselnými daty a obsahuje několik připravených datasetů, které můžete užít jako učební pomůcky. Zahrnuje také předem vytvořené modely pro studenty k vyzkoušení. Nejprve si pojďme prohlédnout proces načtení předpřipravených dat a použití vestavěného odhadce — prvního ML modelu se Scikit-learn s některými základními daty.\n\n## Cvičení - váš první notebook se Scikit-learn\n\n> Tento tutoriál byl inspirován [příkladem lineární regrese](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) na webu Scikit-learn.\n\n\n[![ML pro začátečníky - Váš první projekt lineární regrese v Pythonu](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 \"ML pro začátečníky - Váš první projekt lineární regrese v Pythonu\")\n\n> 🎥 Klikněte na obrázek výše pro krátké video s průchodem tímto cvičením.\n\nV souboru _notebook.ipynb_ přidruženém k této lekci vymažte všechny buňky stisknutím ikony „koš“.\n\nV této části budete pracovat s malým datasetem o diabetu, který je součástí Scikit-learn pro účely výuky. Představte si, že chcete testovat léčbu pro pacienty s diabetem. Modely strojového učení vám mohou pomoci určit, kteří pacienti by na léčbu reagovali lépe na základě kombinací proměnných. Dokonce i velmi základní regresní model, pokud ho vizualizujete, může ukázat informace o proměnných, které vám pomohou uspořádat vaše teoretické klinické studie.\n\n✅ Existuje mnoho typů regresních metod a kterou zvolíte, závisí na odpovědi, kterou hledáte. Pokud chcete předpovědět pravděpodobnou výšku osoby určitého věku, použijete lineární regresi, protože hledáte **číselnou hodnotu**. Pokud vás zajímá, zda by určitý typ kuchyně měl být považován za veganský nebo ne, hledáte **přiřazení do kategorie**, takže byste použili logistickou regresi. O logistické regresi se naučíte později. Zamyslete se trochu nad otázkami, které můžete datům položit, a která z těchto metod by byla vhodnější.\n\nPojďme na to.\n\n### Import knihoven\n\nPro tento úkol naimportujeme některé knihovny:\n\n- **matplotlib**. Je to užitečný [nástroj pro grafy](https://matplotlib.org/) a použijeme jej k vytvoření čárového grafu.\n- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) je užitečná knihovna pro práci s numerickými daty v Pythonu.\n- **sklearn**. To je [knihovna Scikit-learn](https://scikit-learn.org/stable/user_guide.html).\n\nNaimportujte knihovny pro podporu vašich úloh.\n\n1. Přidejte importy tím, že napíšete následující kód:\n\n   ```python\n   import matplotlib.pyplot as plt\n   import numpy as np\n   from sklearn import datasets, linear_model, model_selection\n   ```\n\n   Výše importujete `matplotlib`, `numpy` a načítáte `datasets`, `linear_model` a `model_selection` ze `sklearn`. `model_selection` se používá pro rozdělení dat na tréninková a testovací data.\n\n### Dataset diabetu\n\nV vestavěném [diabetickém datasetu](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) je 442 vzorků dat o diabetu, s 10 proměnnými vlastností, z nichž některé zahrnují:\n\n- věk: věk v letech\n- bmi: index tělesné hmotnosti\n- bp: průměrný krevní tlak\n- s1 tc: T-buňky (typ bílých krvinek)\n\n✅ Tento dataset zahrnuje pojem 'pohlaví' jako důležitou proměnnou vlastnost pro výzkum diabetu. Mnoho lékařských datasetů obsahuje tento typ binární klasifikace. Zamyslete se nad tím, jak takové kategorizace mohou vyloučit určité části populace z léčby.\n\nTeď načtěte data X a y.\n\n> 🎓 Pamatujte, toto je učení s učitelem a potřebujeme pojmenovaný cíl 'y'.\n\nV nové buňce kódu načtěte dataset diabetu zavoláním `load_diabetes()`. Vstup `return_X_y=True` signalizuje, že `X` bude datová matice a `y` bude cílem regrese.\n\n1. Přidejte několik příkazů print pro zobrazení tvaru datové matice a jejího prvního prvku:\n\n    ```python\n    X, y = datasets.load_diabetes(return_X_y=True)\n    print(X.shape)\n    print(X[0])\n    ```\n\n    To, co dostáváte zpět jako odpověď, je n-tice. To, co děláte, je přiřazení dvou prvních hodnot n-tice do `X` a `y`. Více se dozvíte [o n-ticích](https://wikipedia.org/wiki/Tuple).\n\n    Vidíte, že tato data mají 442 položek uspořádaných v polích o 10 prvcích:\n\n    ```text\n    (442, 10)\n    [ 0.03807591  0.05068012  0.06169621  0.02187235 -0.0442235  -0.03482076\n    -0.04340085 -0.00259226  0.01990842 -0.01764613]\n    ```\n\n    ✅ Zamyslete se nad vztahem mezi daty a cílem regrese. Lineární regrese předpovídá vztahy mezi vlastností X a cílovou proměnnou y. Dokážete najít [cíl](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) pro dataset diabetu v dokumentaci? Co tento dataset demonstruje vzhledem k tomuto cíli?\n\n2. Dále vyberte část tohoto datasetu k vykreslení tím, že vyberete třetí sloupec datasetu. Můžete to udělat použitím operátoru `:` pro výběr všech řádků a pak výběrem třetího sloupce pomocí indexu (2). Data můžete také přetvarovat na 2D pole - jak je potřeba pro vykreslování - použitím `reshape(n_rows, n_columns)`. Pokud je jeden z parametrů -1, odpovídající rozměr se dopočítá automaticky.\n\n   ```python\n   X = X[:, 2]\n   X = X.reshape((-1,1))\n   ```\n\n   ✅ Kdykoliv vytiskněte data, abyste zkontrolovali jejich tvar.\n\n3. Nyní když máte data připravená k vykreslení, můžete zjistit, zda vám stroj pomůže určit logický rozdělení mezi čísly v tomto datasetu. K tomu je potřeba rozdělit data (X) i cíl (y) na testovací a tréninkové sady. Scikit-learn má snadný způsob, jak toho dosáhnout; můžete rozdělit svá testovací data v daném bodě.\n\n   ```python\n   X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)\n   ```\n\n4. Nyní jste připraveni trénovat svůj model! Načtěte lineární regresní model a trénujte ho s vašimi tréninkovými sadami X a y pomocí `model.fit()`:\n\n    ```python\n    model = linear_model.LinearRegression()\n    model.fit(X_train, y_train)\n    ```\n\n    ✅ `model.fit()` je funkce, kterou uvidíte v mnoha ML knihovnách jako TensorFlow\n\n5. Poté vytvořte predikci pomocí testovacích dat funkcí `predict()`. To použijete k vykreslení čáry mezi skupinami dat\n\n    ```python\n    y_pred = model.predict(X_test)\n    ```\n\n6. Teď je čas zobrazit data v grafu. Matplotlib je pro tento úkol velmi užitečný nástroj. Vytvořte rozptylový graf všech testovacích dat X a y a použijte predikci k vykreslení čáry na nejvhodnějším místě mezi skupinami dat modelu.\n\n    ```python\n    plt.scatter(X_test, y_test,  color='black')\n    plt.plot(X_test, y_pred, color='blue', linewidth=3)\n    plt.xlabel('Scaled BMIs')\n    plt.ylabel('Disease Progression')\n    plt.title('A Graph Plot Showing Diabetes Progression Against BMI')\n    plt.show()\n    ```\n\n   ![rozptylový graf ukazující datové body o diabetu](../../../../translated_images/cs/scatterplot.ad8b356bcbb33be6.webp)\n\n\n   ✅ Zamyslete se trochu nad tím, co se zde odehrává. Přímka prochází mnoha malými datovými body, ale co přesně dělá? Vidíte, jak byste měli být schopni tuto přímku použít k předpovědi, kde by se nový, neviděný datový bod měl ve vztahu k ose y grafu umístit? Zkuste slovy vyjádřit praktické využití tohoto modelu.\n\nGratulujeme, vytvořili jste svůj první model lineární regrese, vytvořili s ním předpověď a zobrazili ji v grafu!\n\n---\n## 🚀Výzva\n\nVykreslete jinou proměnnou z této datové sady. Tip: upravte tento řádek: `X = X[:,2]`. Vzhledem k cíli této sady dat, co dokážete zjistit o průběhu diabetu jako nemoci?\n## [Kvíz po přednášce](https://ff-quizzes.netlify.app/en/ml/)\n\n## Přehled a samostudium\n\nV tomto tutoriálu jste pracovali s jednoduchou lineární regresí, nikoli s univariátní nebo multivariátní lineární regresí. Přečtěte si něco o rozdílech mezi těmito metodami, nebo se podívejte na [toto video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)\n\nPřečtěte si více o konceptu regrese a zamyslete se nad tím, na jaké otázky může tato technika odpovědět. Absolvujte tento [návod](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott), aby jste prohloubili své porozumění.\n\n## Zadání\n\n[Jiná datová sada](assignment.md)\n\n---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Prohlášení o omezení odpovědnosti**:\nTento dokument byl přeložen pomocí AI překladatelské služby [Co-op Translator](https://github.com/Azure/co-op-translator). Přestože usilujeme o co největší přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Originální dokument v jeho mateřském jazyce by měl být považován za autoritativní zdroj. Pro kritické informace se doporučuje profesionální lidský překlad. Nejsme odpovědní za jakékoli nedorozumění nebo nesprávné interpretace vzniklé použitím tohoto překladu.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->","isInternal":false,"tokens":5789,"sizeBytes":15711},{"name":"README.md","path":"translations/cs/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/cs/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/cs/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/cs/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/da/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/da/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# Kom godt i gang med Python og Scikit-learn til regressionsmodeller\n\n![Oversigt over regressioner i en sketchnote](../../../../translated_images/da/ml-regression.4e4f70e3b3ed446e.webp)\n\n> Sketchnote af [Tomomi Imura](https://www.twitter.com/girlie_mac)\n\n## [For-forelæsning quiz](https://ff-quizzes.netlify.app/en/ml/)\n\n> ### [Denne lektion findes også i R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)\n\n## Introduktion\n\nI disse fire lektioner vil du opdage, hvordan man bygger regressionsmodeller. Vi vil snart diskutere, hvad disse bruges til. Men før du gør noget, skal du sikre dig, at du har de rette værktøjer på plads for at begynde processen!\n\nI denne lektion vil du lære at:\n\n- Konfigurere din computer til lokale maskinlæringsopgaver.\n- Arbejde med Jupyter Notebooks.\n- Bruge Scikit-learn, inklusive installation.\n- Udforske lineær regression med en praktisk øvelse.\n\n## Installationer og konfigurationer\n\n[![ML for begyndere - Opsæt dine værktøjer klar til at bygge maskinlæringsmodeller](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 \"ML for begyndere -Opsæt dine værktøjer klar til at bygge maskinlæringsmodeller\")\n\n> 🎥 Klik på billedet ovenfor for en kort video, der viser, hvordan du konfigurerer din computer til ML.\n\n1. **Installer Python**. Sørg for, at [Python](https://www.python.org/downloads/) er installeret på din computer. Du vil bruge Python til mange data science- og maskinlæringsopgaver. De fleste computersystemer inkluderer allerede en Python-installation. Der findes også nyttige [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) tilgængelige, som kan lette opsætningen for nogle brugere.\n\n   Nogle anvendelser af Python kræver dog én version af softwaren, mens andre kræver en anden version. Af denne grund er det nyttigt at arbejde inden for et [virtuelt miljø](https://docs.python.org/3/library/venv.html).\n\n2. **Installer Visual Studio Code**. Sørg for, at du har Visual Studio Code installeret på din computer. Følg disse instruktioner for at [installere Visual Studio Code](https://code.visualstudio.com/) til den grundlæggende installation. Du kommer til at bruge Python i Visual Studio Code i dette kursus, så du vil måske opfriske, hvordan man [konfigurerer Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) til Python-udvikling.\n\n   > Bliv fortrolig med Python ved at arbejde gennem denne samling af [Læringsmoduler](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)\n   >\n   > [![Opsæt Python med Visual Studio Code](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 \"Opsæt Python med Visual Studio Code\")\n   >\n   > 🎥 Klik på billedet ovenfor for en video: brug af Python i VS Code.\n\n3. **Installer Scikit-learn**, ved at følge [disse instruktioner](https://scikit-learn.org/stable/install.html). Da du skal sikre dig, at du bruger Python 3, anbefales det, at du bruger et virtuelt miljø. Bemærk, hvis du installerer dette bibliotek på en M1 Mac, er der særlige instruktioner på den linkede side ovenfor.\n\n1. **Installer Jupyter Notebook**. Du skal [installere Jupyter-pakken](https://pypi.org/project/jupyter/).\n\n## Dit ML forfattermiljø\n\nDu kommer til at bruge **notebooks** til at udvikle din Python-kode og skabe maskinlæringsmodeller. Denne type fil er et almindeligt værktøj for dataforskere, og de kan identificeres ved deres suffix eller filendelse `.ipynb`.\n\nNotebooks er et interaktivt miljø, som tillader udvikleren både at kode og tilføje noter og skrive dokumentation omkring koden, hvilket er ganske hjælpsomt til eksperimentelle eller forskningsorienterede projekter.\n\n[![ML for begyndere - Opsæt Jupyter Notebooks for at starte med at bygge regressionsmodeller](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E \"ML for begyndere - Opsæt Jupyter Notebooks for at starte med at bygge regressionsmodeller\")\n\n> 🎥 Klik på billedet ovenfor for en kort video, der gennemgår denne øvelse.\n\n### Øvelse - arbejd med en notebook\n\nI denne mappe finder du filen _notebook.ipynb_.\n\n1. Åbn _notebook.ipynb_ i Visual Studio Code.\n\n   En Jupyter-server vil starte med Python 3+ i gang. Du vil finde områder af notebooken, der kan `køres`, stykker af kode. Du kan køre en kodeblok ved at vælge ikonet, der ligner en afspilningsknap.\n\n1. Vælg `md`-ikonet og tilføj lidt markdown, og følgende tekst **# Velkommen til din notebook**.\n\n   Tilføj derefter noget Python-kode.\n\n1. Skriv **print('hello notebook')** i kodeblokken.\n1. Vælg pilen for at køre koden.\n\n   Du skulle gerne se den udskrevne sætning:\n\n    ```output\n    hello notebook\n    ```\n\n![VS Code med en åben notebook](../../../../translated_images/da/notebook.4a3ee31f396b8832.webp)\n\nDu kan folde din kode sammen med kommentarer for at selvdokumentere notebooken.\n\n✅ Tænk et øjeblik over, hvor forskelligt en webudviklers arbejdsmiljø er i forhold til en dataforskers.\n\n## Oppe og køre med Scikit-learn\n\nNu hvor Python er sat op i dit lokale miljø, og du er fortrolig med Jupyter Notebooks, lad os blive lige så fortrolige med Scikit-learn (udtales `sci` som i `science`). Scikit-learn tilbyder et [omfattende API](https://scikit-learn.org/stable/modules/classes.html#api-ref) for at hjælpe dig med at udføre ML-opgaver.\n\nIfølge deres [hjemmeside](https://scikit-learn.org/stable/getting_started.html), \"er Scikit-learn et open source maskinlæringsbibliotek, der understøtter superviseret og usuperviseret læring. Det tilbyder også forskellige værktøjer til modeltilpasning, dataprvbehandling, modelvalg og evaluering samt mange andre hjælpemidler.\"\n\nI dette kursus vil du bruge Scikit-learn og andre værktøjer til at bygge maskinlæringsmodeller for at udføre det, vi kalder 'traditionelle maskinlærings'-opgaver. Vi har bevidst undgået neurale netværk og dyb læring, da de bedre dækkes i vores kommende 'AI for Beginners' pensum.\n\nScikit-learn gør det enkelt at bygge modeller og evaluere dem til brug. Det fokuserer primært på at bruge numeriske data og indeholder adskillige færdiglavede datasæt til brug som læringsværktøjer. Det inkluderer også forberedte modeller, som studerende kan prøve. Lad os først udforske processen med at indlæse forberedte data og bruge en indbygget estimator — den første ML-model med Scikit-learn med nogle grundlæggende data.\n\n## Øvelse - din første Scikit-learn notebook\n\n> Denne tutorial er inspireret af [eksemplet på lineær regression](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) på Scikit-learns websted.\n\n\n[![ML for begyndere - Dit første lineære regressionsprojekt i Python](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 \"ML for begyndere - Dit første lineære regressionsprojekt i Python\")\n\n> 🎥 Klik på billedet ovenfor for en kort video, der gennemgår denne øvelse.\n\nI filen _notebook.ipynb_ tilknyttet denne lektion, ryd alle cellerne ved at trykke på 'skraldespands' ikonet.\n\nI denne sektion vil du arbejde med et lille datasæt om diabetes, som er indbygget i Scikit-learn til læringsformål. Forestil dig, at du ønskede at teste en behandling for diabetespatienter. Maskinlæringsmodeller kan hjælpe dig med at afgøre, hvilke patienter der ville reagere bedre på behandlingen, baseret på kombinationer af variable. Selv en meget basal regressionsmodel, når den visualiseres, kan vise oplysninger om variable, der ville hjælpe dig med at organisere dine teoretiske kliniske forsøg.\n\n✅ Der findes mange typer regressionsmetoder, og hvilken du vælger afhænger af det svar, du søger. Hvis du vil forudsige den sandsynlige højde for en person i en given alder, vil du bruge lineær regression, da du søger en **numerisk værdi**. Hvis du er interesseret i at finde ud af, om en bestemt type køkken skal betragtes som vegansk eller ej, søger du en **kategori-tildeling**, så du ville bruge logistisk regression. Du lærer mere om logistisk regression senere. Tænk lidt over nogle spørgsmål, du kan stille om data, og hvilken af disse metoder der ville være mere passende.\n\nLad os komme i gang med denne opgave.\n\n### Importer biblioteker\n\nTil denne opgave vil vi importere nogle biblioteker:\n\n- **matplotlib**. Det er et nyttigt [grafværktøj](https://matplotlib.org/) og vi vil bruge det til at lave en linjeplot.\n- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) er et nyttigt bibliotek til håndtering af numeriske data i Python.\n- **sklearn**. Dette er [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) biblioteket.\n\nImporter nogle biblioteker til at hjælpe med dine opgaver.\n\n1. Tilføj imports ved at skrive følgende kode:\n\n   ```python\n   import matplotlib.pyplot as plt\n   import numpy as np\n   from sklearn import datasets, linear_model, model_selection\n   ```\n\n   Ovenfor importerer du `matplotlib`, `numpy` og du importerer også `datasets`, `linear_model` og `model_selection` fra `sklearn`. `model_selection` bruges til at opdele data i trænings- og testdatasæt.\n\n### Diabetes-datasættet\n\nDet indbyggede [diabetes datasæt](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) indeholder 442 datapunkter om diabetes, med 10 feature variabler, nogle af dem inkluderer:\n\n- alder: alder i år\n- bmi: kropsmasseindeks\n- bp: gennemsnitligt blodtryk\n- s1 tc: T-celler (en type hvide blodlegemer)\n\n✅ Dette datasæt inkluderer begrebet 'køn' som en feature variabel vigtig for forskning omkring diabetes. Mange medicinske datasæt inkluderer denne type binær klassifikation. Tænk lidt over, hvordan kategoriseringer som denne kan udelukke visse dele af en befolkning fra behandlinger.\n\nNu skal du indlæse X- og y-dataene.\n\n> 🎓 Husk, dette er superviseret læring, og vi har brug for et navngivet 'y' mål.\n\nI en ny kodecelle, indlæs diabetes datasættet ved at kalde `load_diabetes()`. Inputtet `return_X_y=True` signalerer, at `X` vil være en datamatricer, og `y` vil være regressionsmålet.\n\n1. Tilføj nogle print-kommandoer for at vise formen af datamatrixen og dens første element:\n\n    ```python\n    X, y = datasets.load_diabetes(return_X_y=True)\n    print(X.shape)\n    print(X[0])\n    ```\n\n    Det, du får tilbage som respons, er en tuple. Det, du gør, er at tildele de to første værdier i tuplen til henholdsvis `X` og `y`. Læs mere [om tuples](https://wikipedia.org/wiki/Tuple).\n\n    Du kan se, at disse data har 442 elementer formet som arrays med 10 elementer:\n\n    ```text\n    (442, 10)\n    [ 0.03807591  0.05068012  0.06169621  0.02187235 -0.0442235  -0.03482076\n    -0.04340085 -0.00259226  0.01990842 -0.01764613]\n    ```\n\n    ✅ Tænk lidt over forholdet mellem dataene og regressionsmålet. Lineær regression forudsiger sammenhænge mellem feature X og målvariablen y. Kan du finde [målet](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) for diabetes datasættet i dokumentationen? Hvad demonstrerer dette datasæt, givet målet?\n\n2. Vælg derefter en del af dette datasæt til at plotte ved at vælge den 3. kolonne af datasættet. Det kan du gøre ved at bruge `:` operatoren til at vælge alle rækker, og derefter vælge den 3. kolonne ved hjælp af indekset (2). Du kan også omforme dataene til at være et 2D-array — som krævet for plotning — ved at bruge `reshape(n_rows, n_columns)`. Hvis en af parametrene er -1, beregnes den tilsvarende dimension automatisk.\n\n   ```python\n   X = X[:, 2]\n   X = X.reshape((-1,1))\n   ```\n\n   ✅ Print dataene ud når som helst for at tjekke deres form.\n\n3. Nu hvor du har data klar til at blive plottet, kan du se, om en maskine kan hjælpe med at bestemme en logisk opdeling mellem tallene i dette datasæt. For at gøre dette skal du opdele både dataene (X) og målet (y) i test- og træningssæt. Scikit-learn har en ligetil måde at gøre dette på; du kan opdele dine testdata på et givent punkt.\n\n   ```python\n   X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)\n   ```\n\n4. Nu er du klar til at træne din model! Indlæs den lineære regressionsmodel og træne den med dine X- og y træningssæt ved hjælp af `model.fit()`:\n\n    ```python\n    model = linear_model.LinearRegression()\n    model.fit(X_train, y_train)\n    ```\n\n    ✅ `model.fit()` er en funktion, du vil se i mange ML-biblioteker såsom TensorFlow\n\n5. Opret derefter en forudsigelse ved hjælp af testdata, brug funktionen `predict()`. Dette vil blive brugt til at tegne linjen mellem datagrupper\n\n    ```python\n    y_pred = model.predict(X_test)\n    ```\n\n6. Nu er det tid til at vise dataene i et plot. Matplotlib er et meget nyttigt værktøj til denne opgave. Lav et scatterplot af alle X- og y testdata, og brug forudsigelsen til at tegne en linje på det mest passende sted, mellem modellens datagrupperinger.\n\n    ```python\n    plt.scatter(X_test, y_test,  color='black')\n    plt.plot(X_test, y_pred, color='blue', linewidth=3)\n    plt.xlabel('Scaled BMIs')\n    plt.ylabel('Disease Progression')\n    plt.title('A Graph Plot Showing Diabetes Progression Against BMI')\n    plt.show()\n    ```\n\n   ![et scatterplot, der viser datapunkter omkring diabetes](../../../../translated_images/da/scatterplot.ad8b356bcbb33be6.webp)\n\n\n   ✅ Tænk lidt over, hvad der foregår her. En ret linje løber gennem mange små datapunkter, men hvad gør den egentlig? Kan du se, hvordan du burde kunne bruge denne linje til at forudsige, hvor et nyt, uset datapunkt skal placeres i forhold til plottets y-akse? Prøv at formulere den praktiske anvendelse af denne model.\n\nTillykke, du har bygget din første lineære regressionsmodel, lavet en forudsigelse med den og vist den i et plot!\n\n---\n## 🚀Udfordring\n\nPlot en anden variabel fra dette datasæt. Tip: rediger denne linje: `X = X[:,2]`. Med dette datasæts målvariabel, hvad kan du opdage om progressionen af diabetes som sygdom?\n## [Quiz efter forelæsning](https://ff-quizzes.netlify.app/en/ml/)\n\n## Gennemgang & Selvstudium\n\nI denne vejledning arbejdede du med simpel lineær regression fremfor univariat eller multiple lineære regression. Læs lidt om forskellene mellem disse metoder, eller se [denne video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)\n\nLæs mere om konceptet regression og tænk over, hvilke slags spørgsmål der kan besvares med denne teknik. Tag denne [vejledning](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) for at fordybe din forståelse.\n\n## Opgave\n\n[Et andet datasæt](assignment.md)\n\n---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Ansvarsfraskrivelse**:\nDette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selvom vi bestræber os på nøjagtighed, skal du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os intet ansvar for misforståelser eller fejltolkninger, der opstår som følge af brugen af denne oversættelse.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->","isInternal":false,"tokens":4776,"sizeBytes":15597},{"name":"README.md","path":"translations/da/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/da/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/da/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/da/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/de/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/de/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/de/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/de/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/el/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/el/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/el/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/el/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/en/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/en/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/en/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/en/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/es/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/es/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# Comienza con Python y Scikit-learn para modelos de regresión\n\n![Resumen de regresiones en una sketchnote](../../../../translated_images/es/ml-regression.4e4f70e3b3ed446e.webp)\n\n> Sketchnote de [Tomomi Imura](https://www.twitter.com/girlie_mac)\n\n## [Cuestionario previo a la clase](https://ff-quizzes.netlify.app/en/ml/)\n\n> ### [¡Esta lección está disponible en R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)\n\n## Introducción\n\nEn estas cuatro lecciones, descubrirás cómo construir modelos de regresión. Hablaremos de para qué sirven en breve. Pero antes de hacer cualquier cosa, asegúrate de tener las herramientas correctas para comenzar el proceso.\n\nEn esta lección, aprenderás a:\n\n- Configurar tu computadora para tareas locales de aprendizaje automático.\n- Trabajar con Jupyter Notebooks.\n- Usar Scikit-learn, incluida la instalación.\n- Explorar la regresión lineal con un ejercicio práctico.\n\n## Instalaciones y configuraciones\n\n[![ML para principiantes - Prepara tus herramientas listas para construir modelos de Machine Learning](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 \"ML para principiantes - Prepara tus herramientas listas para construir modelos de Machine Learning\")\n\n> 🎥 Haz clic en la imagen de arriba para un video corto mostrando cómo configurar tu computadora para ML.\n\n1. **Instala Python**. Asegúrate de que [Python](https://www.python.org/downloads/) esté instalado en tu computadora. Usarás Python para muchas tareas de ciencia de datos y aprendizaje automático. La mayoría de los sistemas ya incluyen una instalación de Python. También hay útiles [Paquetes de Codificación Python](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) disponibles para facilitar la configuración a algunos usuarios.\n\n   Sin embargo, algunos usos de Python requieren una versión del software, mientras que otros requieren una diferente. Por esto, es útil trabajar dentro de un [entorno virtual](https://docs.python.org/3/library/venv.html).\n\n2. **Instala Visual Studio Code**. Asegúrate de tener instalado Visual Studio Code en tu computadora. Sigue estas instrucciones para [instalar Visual Studio Code](https://code.visualstudio.com/) para la instalación básica. Vas a usar Python en Visual Studio Code en este curso, por lo que quizás quieras repasar cómo [configurar Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) para desarrollo en Python.\n\n   > Familiarízate con Python trabajando estos [módulos de aprendizaje](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)\n   >\n   > [![Configura Python con Visual Studio Code](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 \"Configura Python con Visual Studio Code\")\n   >\n   > 🎥 Haz clic en la imagen de arriba para un video: usando Python dentro de VS Code.\n\n3. **Instala Scikit-learn**, siguiendo [estas instrucciones](https://scikit-learn.org/stable/install.html). Como necesitas asegurarte de usar Python 3, se recomienda usar un entorno virtual. Nota que si instalas esta biblioteca en un Mac M1, hay instrucciones especiales en la página enlazada arriba.\n\n1. **Instala Jupyter Notebook**. Necesitarás [instalar el paquete Jupyter](https://pypi.org/project/jupyter/).\n\n## Tu entorno de autoría ML\n\nUsarás **notebooks** para desarrollar tu código Python y crear modelos de aprendizaje automático. Este tipo de archivo es una herramienta común para científicos de datos, y se identifica por su sufijo o extensión `.ipynb`.\n\nLos notebooks son un entorno interactivo que permite al desarrollador tanto codificar como añadir notas y escribir documentación alrededor del código, lo que es muy útil para proyectos experimentales o de investigación.\n\n[![ML para principiantes - Configura Jupyter Notebooks para comenzar a construir modelos de regresión](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E \"ML para principiantes - Configura Jupyter Notebooks para comenzar a construir modelos de regresión\")\n\n> 🎥 Haz clic en la imagen de arriba para un video corto realizando este ejercicio.\n\n### Ejercicio - trabaja con un notebook\n\nEn esta carpeta, encontrarás el archivo _notebook.ipynb_.\n\n1. Abre _notebook.ipynb_ en Visual Studio Code.\n\n   Se iniciará un servidor Jupyter con Python 3+ activo. Encontrarás áreas del notebook que pueden `ejecutarse`, fragmentos de código. Puedes ejecutar un bloque de código seleccionando el icono que parece un botón de reproducir.\n\n1. Selecciona el icono `md` y añade un poco de markdown, y el siguiente texto **# Bienvenido a tu notebook**.\n\n   Luego, añade un poco de código Python.\n\n1. Escribe **print('hola notebook')** en el bloque de código.\n1. Selecciona la flecha para ejecutar el código.\n\n   Deberías ver la instrucción impresa:\n\n    ```output\n    hello notebook\n    ```\n\n![VS Code con un notebook abierto](../../../../translated_images/es/notebook.4a3ee31f396b8832.webp)\n\nPuedes intercalar tu código con comentarios para auto-documentar el notebook.\n\n✅ Piensa por un minuto cuán diferente es el entorno de trabajo de un desarrollador web en comparación con el de un científico de datos.\n\n## En marcha con Scikit-learn\n\nAhora que Python está configurado en tu entorno local y estás cómodo con Jupyter Notebooks, vamos a familiarizarnos también con Scikit-learn (pronúncialo `sci` como en `science`). Scikit-learn proporciona una [API extensa](https://scikit-learn.org/stable/modules/classes.html#api-ref) para ayudarte a realizar tareas de ML.\n\nSegún su [sitio web](https://scikit-learn.org/stable/getting_started.html), \"Scikit-learn es una biblioteca de aprendizaje automático de código abierto que soporta aprendizaje supervisado y no supervisado. También provee varias herramientas para ajuste de modelos, preprocesamiento de datos, selección y evaluación de modelos, y muchas otras utilidades.\"\n\nEn este curso usarás Scikit-learn y otras herramientas para construir modelos de aprendizaje automático para realizar lo que llamamos tareas tradicionales de aprendizaje automático. Hemos evitado intencionadamente redes neuronales y aprendizaje profundo, ya que se cubren mejor en nuestro próximo plan curricular 'IA para principiantes'.\n\nScikit-learn facilita construir modelos y evaluarlos para uso. Se centra principalmente en datos numéricos y contiene varios conjuntos de datos listos para usar como herramientas de aprendizaje. También incluye modelos preconstruidos para que los estudiantes prueben. Exploremos primero el proceso de cargar datos preempaquetados y usar un estimador incorporado para el primer modelo ML con Scikit-learn con datos básicos.\n\n## Ejercicio - tu primer notebook con Scikit-learn\n\n> Este tutorial fue inspirado por el [ejemplo de regresión lineal](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) en el sitio web de Scikit-learn.\n\n\n[![ML para principiantes - Tu Primer Proyecto de Regresión Lineal en Python](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 \"ML para principiantes - Tu Primer Proyecto de Regresión Lineal en Python\")\n\n> 🎥 Haz clic en la imagen de arriba para un video corto realizando este ejercicio.\n\nEn el archivo _notebook.ipynb_ asociado a esta lección, limpia todas las celdas presionando el icono de 'papelera'.\n\nEn esta sección, trabajarás con un pequeño conjunto de datos sobre diabetes que está incorporado en Scikit-learn para fines de aprendizaje. Imagina que quieres probar un tratamiento para pacientes diabéticos. Los modelos de aprendizaje automático pueden ayudarte a determinar qué pacientes responderían mejor al tratamiento, basándose en combinaciones de variables. Incluso un modelo básico de regresión, cuando se visualiza, puede mostrar información sobre variables que te ayudarían a organizar tus ensayos clínicos teóricos.\n\n✅ Hay muchos tipos de métodos de regresión y cuál eliges depende de la respuesta que buscas. Si quieres predecir la altura probable para una persona de cierta edad, usarías regresión lineal, ya que buscas un **valor numérico**. Si te interesa descubrir si un tipo de cocina debe considerarse vegana o no, buscas una **asignación de categoría**, por lo que usarías regresión logística. Aprenderás más sobre regresión logística más adelante. Piensa un poco en algunas preguntas que puedes hacer sobre datos y cuál de estos métodos sería más apropiado.\n\nVamos a comenzar con esta tarea.\n\n### Importar bibliotecas\n\nPara esta tarea importaremos algunas bibliotecas:\n\n- **matplotlib**. Es una [herramienta de gráficos](https://matplotlib.org/) útil que usaremos para crear un gráfico de líneas.\n- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) es una biblioteca útil para manejar datos numéricos en Python.\n- **sklearn**. Esta es la biblioteca [Scikit-learn](https://scikit-learn.org/stable/user_guide.html).\n\nImporta algunas bibliotecas para ayudarte con tus tareas.\n\n1. Añade las importaciones escribiendo el siguiente código:\n\n   ```python\n   import matplotlib.pyplot as plt\n   import numpy as np\n   from sklearn import datasets, linear_model, model_selection\n   ```\n\n   Más arriba estás importando `matplotlib`, `numpy` y estás importando `datasets`, `linear_model` y `model_selection` de `sklearn`. `model_selection` se usa para dividir los datos en conjuntos de entrenamiento y prueba.\n\n### El conjunto de datos de diabetes\n\nEl [conjunto de datos diabetes](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) incorporado incluye 442 muestras de datos sobre diabetes, con 10 variables características, algunas de las cuales incluyen:\n\n- edad: edad en años\n- imc: índice de masa corporal\n- presión arterial: presión arterial promedio\n- s1 tc: Células T (un tipo de glóbulos blancos)\n\n✅ Este conjunto de datos incluye el concepto de 'sexo' como variable característica importante para la investigación sobre diabetes. Muchos conjuntos de datos médicos incluyen este tipo de clasificación binaria. Piensa un poco en cómo categorizaciones así podrían excluir a ciertas partes de una población de tratamientos.\n\nAhora, carga los datos X y y.\n\n> 🎓 Recuerda, este es aprendizaje supervisado, y necesitamos un objetivo llamado 'y'.\n\nEn una nueva celda de código, carga el conjunto de datos diabetes llamando a `load_diabetes()`. El parámetro `return_X_y=True` señala que `X` será una matriz de datos, y `y` será el objetivo de regresión.\n\n1. Añade algunos comandos print para mostrar la forma de la matriz de datos y su primer elemento:\n\n    ```python\n    X, y = datasets.load_diabetes(return_X_y=True)\n    print(X.shape)\n    print(X[0])\n    ```\n\n    Lo que recibes como respuesta es una tupla. Lo que haces es asignar los dos primeros valores de la tupla a `X` y `y` respectivamente. Aprende más [sobre tuplas](https://wikipedia.org/wiki/Tuple).\n\n    Puedes ver que estos datos tienen 442 ítems con forma de arrays de 10 elementos:\n\n    ```text\n    (442, 10)\n    [ 0.03807591  0.05068012  0.06169621  0.02187235 -0.0442235  -0.03482076\n    -0.04340085 -0.00259226  0.01990842 -0.01764613]\n    ```\n\n    ✅ Piensa un poco sobre la relación entre los datos y el objetivo de regresión. La regresión lineal predice relaciones entre la característica X y la variable objetivo y. ¿Puedes encontrar el [objetivo](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) para el conjunto de datos de diabetes en la documentación? ¿Qué está demostrando este conjunto de datos dado ese objetivo?\n\n2. Luego, selecciona una parte de este conjunto de datos para graficar seleccionando la tercera columna del conjunto. Puedes hacerlo usando el operador `:` para seleccionar todas las filas, y luego seleccionando la tercera columna usando el índice (2). También puedes remodelar los datos para que sean un array 2D — como se requiere para la gráfica — usando `reshape(n_filas, n_columnas)`. Si uno de los parámetros es -1, la dimensión correspondiente se calcula automáticamente.\n\n   ```python\n   X = X[:, 2]\n   X = X.reshape((-1,1))\n   ```\n\n   ✅ En cualquier momento, imprime los datos para verificar su forma.\n\n3. Ahora que tienes datos listos para graficar, puedes ver si una máquina puede ayudar a determinar una división lógica entre los números en este conjunto de datos. Para ello, necesitas dividir tanto los datos (X) como el objetivo (y) en conjuntos de prueba y entrenamiento. Scikit-learn tiene una forma sencilla de hacerlo; puedes dividir tus datos de prueba en un punto dado.\n\n   ```python\n   X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)\n   ```\n\n4. ¡Ahora estás listo para entrenar tu modelo! Carga el modelo de regresión lineal y entrénalo con tus conjuntos de entrenamiento X y y usando `model.fit()`:\n\n    ```python\n    model = linear_model.LinearRegression()\n    model.fit(X_train, y_train)\n    ```\n\n    ✅ `model.fit()` es una función que verás en muchas bibliotecas de ML como TensorFlow\n\n5. Luego, crea una predicción usando los datos de prueba, usando la función `predict()`. Esto se usará para trazar la línea entre los grupos de datos.\n\n    ```python\n    y_pred = model.predict(X_test)\n    ```\n\n6. Ahora es momento de mostrar los datos en una gráfica. Matplotlib es una herramienta muy útil para esta tarea. Crea un diagrama de dispersión de todos los datos de prueba X e y, y usa la predicción para dibujar una línea en el lugar más apropiado, entre los grupos de datos del modelo.\n\n    ```python\n    plt.scatter(X_test, y_test,  color='black')\n    plt.plot(X_test, y_pred, color='blue', linewidth=3)\n    plt.xlabel('Scaled BMIs')\n    plt.ylabel('Disease Progression')\n    plt.title('A Graph Plot Showing Diabetes Progression Against BMI')\n    plt.show()\n    ```\n\n   ![un diagrama de dispersión mostrando puntos de datos sobre diabetes](../../../../translated_images/es/scatterplot.ad8b356bcbb33be6.webp)\n\n\n   ✅ Piensa un poco sobre lo que está pasando aquí. Una línea recta atraviesa muchos pequeños puntos de datos, pero ¿qué está haciendo exactamente? ¿Puedes ver cómo deberías poder usar esta línea para predecir dónde debería encajar un nuevo punto de datos no visto en relación con el eje y del gráfico? Trata de poner en palabras el uso práctico de este modelo.\n\n¡Felicidades, construiste tu primer modelo de regresión lineal, creaste una predicción con él y la mostraste en un gráfico!\n\n---\n## 🚀Desafío\n\nGrafica una variable diferente de este conjunto de datos. Pista: edita esta línea: `X = X[:,2]`. Dado el objetivo de este conjunto de datos, ¿qué puedes descubrir sobre la progresión de la diabetes como enfermedad?\n## [Cuestionario posterior a la conferencia](https://ff-quizzes.netlify.app/en/ml/)\n\n## Revisión y Autoestudio\n\nEn este tutorial, trabajaste con regresión lineal simple, en lugar de regresión lineal univariante o múltiple. Lee un poco sobre las diferencias entre estos métodos, o mira [este video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)\n\nLee más sobre el concepto de regresión y piensa en qué tipos de preguntas pueden responderse con esta técnica. Toma este [tutorial](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) para profundizar tu comprensión.\n\n## Tarea\n\n[Un conjunto de datos diferente](assignment.md)\n\n---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Descargo de responsabilidad**:\nEste documento ha sido traducido utilizando el servicio de traducción automática [Co-op Translator](https://github.com/Azure/co-op-translator). Aunque nos esforzamos por la precisión, tenga en cuenta que las traducciones automatizadas pueden contener errores o inexactitudes. El documento original en su idioma nativo debe considerarse la fuente autorizada. Para información crítica, se recomienda una traducción profesional humana. No somos responsables de cualquier malentendido o interpretación errónea que surja del uso de esta traducción.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->","isInternal":false,"tokens":4265,"sizeBytes":16409},{"name":"README.md","path":"translations/es/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/es/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/es/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/es/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/et/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/et/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/et/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/et/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/et/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/et/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/et/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/et/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/fa/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fa/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/fa/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fa/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/fa/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fa/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/fa/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fa/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/fi/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fi/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/fi/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fi/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/fi/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fi/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/fi/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fi/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/fr/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fr/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/fr/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fr/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/fr/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fr/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/fr/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fr/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/he/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/he/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/he/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/he/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/he/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/he/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/he/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/he/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/hi/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/hi/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/hi/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/hi/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/hi/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/hi/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/hi/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/hi/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/hr/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/hr/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/hr/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/hr/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/hr/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/hr/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/hr/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/hr/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/hu/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/hu/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/hu/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/hu/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/hu/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/hu/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/hu/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/hu/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/id/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/id/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/id/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/id/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/id/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/id/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/id/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/id/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/it/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/it/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/it/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/it/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/it/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/it/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/it/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/it/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/ja/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ja/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/ja/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ja/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/ja/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ja/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/ja/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ja/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/km/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/km/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/km/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/km/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/km/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/km/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/km/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/km/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/kn/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/kn/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/kn/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/kn/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/kn/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/kn/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/kn/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/kn/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/ko/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ko/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/ko/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ko/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/ko/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ko/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/ko/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ko/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/lt/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/lt/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/lt/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/lt/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/lt/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/lt/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/lt/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/lt/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/ml/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ml/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/ml/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ml/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/ml/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ml/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/ml/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ml/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/mr/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/mr/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/mr/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/mr/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/mr/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/mr/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/mr/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/mr/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/ms/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ms/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/ms/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ms/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/ms/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ms/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/ms/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ms/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/my/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/my/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/my/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/my/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/my/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/my/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/my/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/my/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/ne/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ne/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/ne/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ne/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/ne/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ne/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/ne/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ne/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/nl/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/nl/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/nl/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/nl/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/nl/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/nl/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/nl/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/nl/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/no/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/no/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/no/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/no/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/no/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/no/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/no/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/no/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/pa/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pa/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/pa/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pa/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/pa/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pa/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/pa/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pa/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/pcm/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pcm/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/pcm/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pcm/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":225},{"name":"README.md","path":"translations/pcm/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pcm/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/pcm/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pcm/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":253},{"name":"README.md","path":"translations/pl/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pl/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/pl/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pl/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/pl/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pl/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/pl/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pl/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/pt-BR/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pt-BR/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/pt-BR/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pt-BR/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":229},{"name":"README.md","path":"translations/pt-BR/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pt-BR/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/pt-BR/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pt-BR/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":257},{"name":"README.md","path":"translations/pt-PT/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pt-PT/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/pt-PT/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pt-PT/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":229},{"name":"README.md","path":"translations/pt-PT/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pt-PT/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/pt-PT/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/pt-PT/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":257},{"name":"README.md","path":"translations/ro/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ro/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/ro/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ro/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/ro/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ro/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/ro/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ro/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/ru/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ru/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/ru/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ru/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/ru/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ru/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/ru/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ru/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/sk/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sk/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/sk/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sk/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/sk/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sk/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/sk/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sk/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/sl/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sl/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/sl/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sl/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/sl/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sl/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/sl/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sl/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/sr/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sr/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/sr/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sr/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/sr/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sr/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/sr/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sr/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/sv/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sv/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/sv/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sv/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/sv/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sv/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/sv/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sv/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/sw/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sw/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/sw/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sw/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/sw/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sw/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/sw/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/sw/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/ta/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ta/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/ta/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ta/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/ta/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ta/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/ta/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ta/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/te/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/te/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/te/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/te/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/te/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/te/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/te/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/te/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/th/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/th/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/th/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/th/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/th/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/th/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/th/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/th/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/tl/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/tl/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/tl/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/tl/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/tl/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/tl/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/tl/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/tl/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/tr/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/tr/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/tr/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/tr/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/tr/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/tr/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/tr/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/tr/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/uk/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/uk/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/uk/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/uk/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/uk/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/uk/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/uk/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/uk/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/ur/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ur/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/ur/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ur/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/ur/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ur/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/ur/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ur/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/vi/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/vi/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/vi/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/vi/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":223},{"name":"README.md","path":"translations/vi/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/vi/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/vi/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/vi/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":251},{"name":"README.md","path":"translations/zh-CN/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-CN/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/zh-CN/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-CN/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":229},{"name":"README.md","path":"translations/zh-CN/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-CN/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/zh-CN/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-CN/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":257},{"name":"README.md","path":"translations/zh-HK/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-HK/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/zh-HK/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-HK/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":229},{"name":"README.md","path":"translations/zh-HK/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-HK/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/zh-HK/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-HK/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":257},{"name":"README.md","path":"translations/zh-MO/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-MO/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/zh-MO/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-MO/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":229},{"name":"README.md","path":"translations/zh-MO/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-MO/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/zh-MO/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-MO/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":257},{"name":"README.md","path":"translations/zh-TW/2-Regression/1-Tools/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-TW/2-Regression/1-Tools/README.md","title":"1-Tools Documentation","category":"plugin-manifest","format":"markdown","content":"# 1-Tools Documentation\n\nPath: `translations/zh-TW/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-TW/2-Regression/1-Tools/README.md)","tokens":300,"sizeBytes":229},{"name":"README.md","path":"translations/zh-TW/2-Regression/1-Tools/solution/Julia/README.md","rawUrl":"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-TW/2-Regression/1-Tools/solution/Julia/README.md","title":"Julia Documentation","category":"plugin-manifest","format":"markdown","content":"# Julia Documentation\n\nPath: `translations/zh-TW/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/zh-TW/2-Regression/1-Tools/solution/Julia/README.md)","tokens":300,"sizeBytes":257}],"systemPromptSnippet":"<yakaai_skills repo=\"microsoft/ML-For-Beginners\">\n<!-- File: AGENTS.md (Tokens: ~2392 | Category: root-instruction) -->\n# AGENTS.md\n\n## Project Overview\n\nThis is **Machine Learning for Beginners**, a comprehensive 12-week, 26-lesson curriculum covering classic machine learning concepts using Python (primarily with Scikit-learn) and R. The repository is designed as a self-paced learning resource with hands-on projects, quizzes, and assignments. Each lesson explores ML concepts through real-world data from various cultures and regions worldwide.\n\nKey components:\n- **Educational Content**: 26 lessons covering introduction to ML, regression, classification, clustering, NLP, time series, and reinforcement learning\n- **Quiz Application**: Vue.js-based quiz app with pre- and post-lesson assessments\n- **Multi-language Support**: Automated translations to 40+ languages via GitHub Actions\n- **Dual Language Support**: Lessons available in both Python (Jupyter notebooks) and R (R Markdown files)\n- **Project-Based Learning**: Each topic includes practical projects and assignments\n\n## Repository Structure\n\n```\nML-For-Beginners/\n├── 1-Introduction/         # ML basics, history, fairness, techniques\n├── 2-Regression/          # Regression models with Python/R\n├── 3-Web-App/            # Flask web app for ML model deployment\n├── 4-Classification/      # Classification algorithms\n├── 5-Clustering/         # Clustering techniques\n├── 6-NLP/               # Natural Language Processing\n├── 7-TimeSeries/        # Time series forecasting\n├── 8-Reinforcement/     # Reinforcement learning\n├── 9-Real-World/        # Real-world ML applications\n├── quiz-app/           # Vue.js quiz application\n├── translations/       # Auto-generated translations\n└── sketchnotes/       # Visual learning aids\n```\n\nEach lesson folder typically contains:\n- `README.md` - Main lesson content\n- `notebook.ipynb` - Python Jupyter notebook\n- `solution/` - Solution code (Python and R versions)\n- `assignment.md` - Practice exercises\n- `images/` - Visual resources\n\n## Setup Commands\n\n### For Python Lessons\n\nMost lessons use Jupyter notebooks. Install required dependencies:\n\n```bash\n# Install Python 3.8+ if not already installed\npython --version\n\n# Install Jupyter\npip install jupyter\n\n# Install common ML libraries\npip install scikit-learn pandas numpy matplotlib seaborn\n\n# For specific lessons, check lesson-specific requirements\n# Example: Web App lesson\npip install flask\n```\n\n### For R Lessons\n\nR lessons are in `solution/R/` folders as `.rmd` or `.ipynb` files:\n\n```bash\n# Install R and required packages\n# In R console:\ninstall.packages(c(\"tidyverse\", \"tidymodels\", \"caret\"))\n```\n\n### For Quiz Application\n\nThe quiz app is a Vue.js application located in the `quiz-app/` directory:\n\n```bash\ncd quiz-app\nnpm install\n```\n\n### For Documentation Site\n\nTo run the documentation locally:\n\n```bash\n# Install Docsify\nnpm install -g docsify-cli\n\n# Serve from repository root\ndocsify serve\n\n# Access at http://localhost:3000\n```\n\n## Development Workflow\n\n### Working with Lesson Notebooks\n\n1. Navigate to the lesson directory (e.g., `2-Regression/1-Tools/`)\n2. Open the Jupyter notebook:\n   ```bash\n   jupyter notebook notebook.ipynb\n   ```\n3. Work through the lesson content and exercises\n4. Check solutions in the `solution/` folder if needed\n\n### Python Development\n\n- Lessons use standard Python data science libraries\n- Jupyter notebooks for interactive learning\n- Solution code available in each lesson's `solution/` folder\n\n### R Development\n\n- R lessons are in `.rmd` format (R Markdown)\n- Solutions located in `solution/R/` subdirectories\n- Use RStudio or Jupyter with R kernel to run R notebooks\n\n### Quiz Application Development\n\n```bash\ncd quiz-app\n\n# Start development server\nnpm run serve\n# Access at http://localhost:8080\n\n# Build for production\nnpm run build\n\n# Lint and fix files\nnpm run lint\n```\n\n## Testing Instructions\n\n### Quiz Application Testing\n\n```bash\ncd quiz-app\n\n# Lint code\nnpm run lint\n\n# Build to verify no errors\nnpm run build\n```\n\n**Note**: This is primarily an educational curriculum repository. There are no automated tests for lesson content. Validation is done through:\n- Completing lesson exercises\n- Running notebook cells successfully\n- Checking output against expected results in solutions\n\n## Code Style Guidelines\n\n### Python Code\n- Follow PEP 8 style guidelines\n- Use clear, descriptive variable names\n- Include comments for complex operations\n- Jupyter notebooks should have markdown cells explaining concepts\n\n### JavaScript/Vue.js (Quiz App)\n- Follows Vue.js style guide\n- ESLint configuration in `quiz-app/package.json`\n- Run `npm run lint` to check and auto-fix issues\n\n### Documentation\n- Markdown files should be clear and well-structured\n- Include code examples in fenced code blocks\n- Use relative links for internal references\n- Follow existing formatting conventions\n\n## Build and Deployment\n\n### Quiz Application Deployment\n\nThe quiz app can be deployed to Azure Static Web Apps:\n\n1. **Prerequisites**:\n   - Azure account\n   - GitHub repository (already forked)\n\n2. **Deploy to Azure**:\n   - Create Azure Static Web App resource\n   - Connect to GitHub repository\n   - Set app location: `/quiz-app`\n   - Set output location: `dist`\n   - Azure automatically creates GitHub Actions workflow\n\n3. **GitHub Actions Workflow**:\n   - Workflow file created at `.github/workflows/azure-static-web-apps-*.yml`\n   - Automatically builds and deploys on push to main branch\n\n### Documentation PDF\n\nGenerate PDF from documentation:\n\n```bash\nnpm install\nnpm run convert\n```\n\n## Translation Workflow\n\n**Important**: Translations are automated via GitHub Actions using Co-op Translator.\n\n- Translations are auto-generated when changes are pushed to `main` branch\n- **DO NOT manually translate content** - the system handles this\n- Workflow defined in `.github/workflows/co-op-translator.yml`\n- Uses Azure AI/OpenAI services for translation\n- Supports 40+ languages\n\n## Contributing Guidelines\n\n### For Content Contributors\n\n1. **Fork the repository** and create a feature branch\n2. **Make changes to lesson content** if adding/updating lessons\n3. **Do not modify translated files** - they are auto-generated\n4. **Test your code** - ensure all notebook cells run successfully\n5. **Verify links and images** work correctly\n6. **Submit a pull request** with clear description\n\n### Pull Request Guidelines\n\n- **Title format**: `[Section] Brief description of changes`\n  - Example: `[Regression] Fix typo in lesson 5`\n  - Example: `[Quiz-App] Update dependencies`\n- **Before submitting**:\n  - Ensure all notebook cells execute without errors\n  - Run `npm run lint` if modifying quiz-app\n  - Verify markdown formatting\n  - Test any new code examples\n- **PR must include**:\n  - Description of changes\n  - Reason for changes\n  - Screenshots if UI changes\n- **Code of Conduct**: Follow the [Microsoft Open Source Code of Conduct](CODE_OF_CONDUCT.md)\n- **CLA**: You will need to sign the Contributor License Agreement\n\n## Lesson Structure\n\nEach lesson follows a consistent pattern:\n\n1. **Pre-lecture quiz** - Test baseline knowledge\n2. **Lesson content** - Written instructions and explanations\n3. **Code demonstrations** - Hands-on examples in notebooks\n4. **Knowledge checks** - Verify understanding throughout\n5. **Challenge** - Apply concepts independently\n6. **Assignment** - Extended practice\n7. **Post-lecture quiz** - Assess learning outcomes\n\n## Common Commands Reference\n\n```bash\n# Python/Jupyter\njupyter notebook                    # Start Jupyter server\njupyter notebook notebook.ipynb     # Open specific notebook\npip install -r requirements.txt     # Install dependencies (where available)\n\n# Quiz App\ncd quiz-app\nnpm install                        # Install dependencies\nnpm run serve                      # Development server\nnpm run build                      # Production build\nnpm run lint                       # Lint and fix\n\n# Documentation\ndocsify serve                      # Serve documentation locally\nnpm run convert                    # Generate PDF\n\n# Git workflow\ngit checkout -b feature/my-change  # Create feature branch\ngit add .                         # Stage changes\ngit commit -m \"Description\"       # Commit changes\ngit push origin feature/my-change # Push to remote\n```\n\n## Additional Resources\n\n- **Microsoft Learn Collection**: [ML for Beginners modules](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)\n- **Quiz App**: [Online quizzes](https://ff-quizzes.netlify.app/en/ml/)\n- **Discussion Board**: [GitHub Discussions](https://github.com/microsoft/ML-For-Beginners/discussions)\n- **Video Walkthroughs**: [YouTube Playlist](https://aka.ms/ml-beginners-videos)\n\n## Key Technologies\n\n- **Python**: Primary language for ML lessons (Scikit-learn, Pandas, NumPy, Matplotlib)\n- **R**: Alternative implementation using tidyverse, tidymodels, caret\n- **Jupyter**: Interactive notebooks for Python lessons\n- **R Markdown**: Documents for R lessons\n- **Vue.js 3**: Quiz application framework\n- **Flask**: Web application framework for ML model deployment\n- **Docsify**: Documentation site generator\n- **GitHub Actions**: CI/CD and automated translations\n\n## Security Considerations\n\n- **No secrets in code**: Never commit API keys or credentials\n- **Dependencies**: Keep npm and pip packages updated\n- **User input**: Flask web app examples include basic input validation\n- **Sensitive data**: Example datasets are public and non-sensitive\n\n## Troubleshooting\n\n### Jupyter Notebooks\n\n- **Kernel issues**: Restart kernel if cells hang: Kernel → Restart\n- **Import errors**: Ensure all required packages are installed with pip\n- **Path issues**: Run notebooks from their containing directory\n\n### Quiz Application\n\n- **npm install fails**: Clear npm cache: `npm cache clean --force`\n- **Port conflicts**: Change port with: `npm run serve -- --port 8081`\n- **Build errors**: Delete `node_modules` and reinstall: `rm -rf node_modules && npm install`\n\n### R Lessons\n\n- **Package not found**: Install with: `install.packages(\"package-name\")`\n- **RMarkdown rendering**: Ensure rmarkdown package is installed\n- **Kernel issues**: May need to install IRkernel for Jupyter\n\n## Project-Specific Notes\n\n- This is primarily a **learning curriculum**, not production code\n- Focus is on **understanding ML concepts** through hands-on practice\n- Code examples prioritize **clarity over optimization**\n- Most lessons are **self-contained** and can be completed independently\n- **Solutions provided** but learners should attempt exercises first\n- Repository uses **Docsify** for web documentation without build step\n- **Sketchnotes** provide visual summaries of concepts\n- **Multi-language support** makes content globally accessible\n\n<!-- File: 2-Regression/1-Tools/README.md (Tokens: ~3381 | Category: plugin-manifest) -->\n# Get started with Python and Scikit-learn for regression models\n\n![Summary of regressions in a sketchnote](../../sketchnotes/ml-regression.png)\n\n> Sketchnote by [Tomomi Imura](https://www.twitter.com/girlie_mac)\n\n## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ml/)\n\n> ### [This lesson is available in R!](./solution/R/lesson_1.html)\n\n## Introduction\n\nIn these four lessons, you will discover how to build regression models. We will discuss what these are for shortly. But before you do anything, make sure you have the right tools in place to start the process!\n\nIn this lesson, you will learn how to:\n\n- Configure your computer for local machine learning tasks.\n- Work with Jupyter Notebooks.\n- Use Scikit-learn, including installation.\n- Explore linear regression with a hands-on exercise.\n\n## Installations and configurations\n\n[![ML for beginners - Setup your tools ready to build Machine Learning models](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 \"ML for beginners -Setup your tools ready to build Machine Learning models\")\n\n> 🎥 Click the image above for a short video working through configuring your computer for ML.\n\n1. **Install Python**. Ensure that [Python](https://www.python.org/downloads/) is installed on your computer. You will use Python for many data science and machine learning tasks. Most computer systems already include a Python installation. There are useful [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) available as well, to ease the setup for some users.\n\n   Some usages of Python, however, require one version of the software, whereas others require a different version. For this reason, it's useful to work within a [virtual environment](https://docs.python.org/3/library/venv.html).\n\n2. **Install Visual Studio Code**. Make sure you have Visual Studio Code installed on your computer. Follow these instructions to [install Visual Studio Code](https://code.visualstudio.com/) for the basic installation. You are going to use Python in Visual Studio Code in this course, so you might want to brush up on how to [configure Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) for Python development.\n\n   > Get comfortable with Python by working through this collection of [Learn modules](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)\n   >\n   > [![Setup Python with Visual Studio Code](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 \"Setup Python with Visual Studio Code\")\n   >\n   > 🎥 Click the image above for a video: using Python within VS Code.\n\n3. **Install Scikit-learn**, by following [these instructions](https://scikit-learn.org/stable/install.html). Since you need to ensure that you use Python 3, it's recommended that you use a virtual environment. Note, if you are installing this library on a M1 Mac, there are special instructions on the page linked above.\n\n1. **Install Jupyter Notebook**. You will need to [install the Jupyter package](https://pypi.org/project/jupyter/).\n\n## Your ML authoring environment\n\nYou are going to use **notebooks** to develop your Python code and create machine learning models. This type of file is a common tool for data scientists, and they can be identified by their suffix or extension `.ipynb`.\n\nNotebooks are an interactive environment that allow the developer to both code and add notes and write documentation around the code which is quite helpful for experimental or research-oriented projects.\n\n[![ML for beginners - Set up Jupyter Notebooks to start building regression models](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E \"ML for beginners - Set up Jupyter Notebooks to start building regression models\")\n\n> 🎥 Click the image above for a short video working through this exercise.\n\n### Exercise - work with a notebook\n\nIn this folder, you will find the file _notebook.ipynb_.\n\n1. Open _notebook.ipynb_ in Visual Studio Code.\n\n   A Jupyter server will start with Python 3+ started. You will find areas of the notebook that can be `run`, pieces of code. You can run a code block, by selecting the icon that looks like a play button.\n\n1. Select the `md` icon and add a bit of markdown, and the following text **# Welcome to your notebook**.\n\n   Next, add some Python code.\n\n1. Type **print('hello notebook')** in the code block.\n1. Select the arrow to run the code.\n\n   You should see the printed statement:\n\n    ```output\n    hello notebook\n    ```\n\n![VS Code with a notebook open](images/notebook.jpg)\n\nYou can interleaf your code with comments to self-document the notebook.\n\n✅ Think for a minute how different a web developer's working environment is versus that of a data scientist.\n\n## Up and running with Scikit-learn\n\nNow that Python is set up in your local environment, and you are comfortable with Jupyter Notebooks, let's get equally comfortable with Scikit-learn (pronounce it `sci` as in `science`). Scikit-learn provides an [extensive API](https://scikit-learn.org/stable/modules/classes.html#api-ref) to help you perform ML tasks.\n\nAccording to their [website](https://scikit-learn.org/stable/getting_started.html), \"Scikit-learn is an open source machine learning library that supports supervised and unsupervised learning. It also provides various tools for model fitting, data preprocessing, model selection and evaluation, and many other utilities.\"\n\nIn this course, you will use Scikit-learn and other tools to build machine learning models to perform what we call 'traditional machine learning' tasks. We have deliberately avoided neural networks and deep learning, as they are better covered in our forthcoming 'AI for Beginners' curriculum.\n\nScikit-learn makes it straightforward to build models and evaluate them for use. It is primarily focused on using numeric data and contains several ready-made datasets for use as learning tools. It also includes pre-built models for students to try. Let's explore the process of loading prepackaged data and using a built-in estimator to create your first ML model with Scikit-learn with some basic data.\n\n## Exercise - your first Scikit-learn notebook\n\n> This tutorial was inspired by the [linear regression example](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) on Scikit-learn's web site.\n\n\n[![ML for beginners - Your First Linear Regression Project in Python](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 \"ML for beginners - Your First Linear Regression Project in Python\")\n\n> 🎥 Click the image above for a short video working through this exercise.\n\nIn the _notebook.ipynb_ file associated to this lesson, clear out all the cells by pressing the 'trash can' icon.\n\nIn this section, you will work with a small dataset about diabetes that is built into Scikit-learn for learning purposes. Imagine that you wanted to test a treatment for diabetic patients. Machine Learning models might help you determine which patients would respond better to the treatment, based on combinations of variables. Even a very basic regression model, when visualized, might show information about variables that would help you organize your theoretical clinical trials.\n\n✅ There are many types of regression methods, and which one you pick depends on the answer you're looking for. If you want to predict the probable height for a person of a given age, you'd use linear regression, as you're seeking a **numeric value**. If you're interested in discovering whether a type of cuisine should be considered vegan or not, you're looking for a **category assignment** so you would use logistic regression. You'll learn more about logistic regression later. Think a bit about some questions you can ask of data, and which of these methods would be more appropriate.\n\nLet's get started on this task.\n\n### Import libraries\n\nFor this task we will import some libraries:\n\n- **matplotlib**. It's a useful [graphing tool](https://matplotlib.org/) and we will use it to create a line plot.\n- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) is a useful library for handling numeric data in Python.\n- **sklearn**. This is the [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) library.\n\nImport some libraries to help with your tasks.\n\n1. Add imports by typing the following code:\n\n   ```python\n   import matplotlib.pyplot as plt\n   import numpy as np\n   from sklearn import datasets, linear_model, model_selection\n   ```\n\n   Above you are importing `matplotlib`, `numpy` and you are importing `datasets`, `linear_model` and `model_selection` from `sklearn`. `model_selection` is used for splitting data into training and test sets.\n\n### The diabetes dataset\n\nThe built-in [diabetes dataset](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) includes 442 samples of data around diabetes, with 10 feature variables, some of which include:\n\n- age: age in years\n- bmi: body mass index\n- bp: average blood pressure\n- s1 tc: T-Cells (a type of white blood cells)\n\n✅ This dataset includes the concept of 'sex' as a feature variable important to research around diabetes. Many medical datasets include this type of binary classification. Think a bit about how categorizations such as this might exclude certain parts of a population from treatments.\n\nNow, load up the X and y data.\n\n> 🎓 Remember, this is supervised learning, and we need a named 'y' target.\n\nIn a new code cell, load the diabetes dataset by calling `load_diabetes()`. The input `return_X_y=True` signals that `X` will be a data matrix, and `y` will be the regression target.\n\n1. Add some print commands to show the shape of the data matrix and its first element:\n\n    ```python\n    X, y = datasets.load_diabetes(return_X_y=True)\n    print(X.shape)\n    print(X[0])\n    ```\n\n    What you are getting back as a response, is a tuple. What you are doing is to assign the two first values of the tuple to `X` and `y` respectively. Learn more [about tuples](https://wikipedia.org/wiki/Tuple).\n\n    You can see that this data has 442 items shaped in arrays of 10 elements:\n\n    ```text\n    (442, 10)\n    [ 0.03807591  0.05068012  0.06169621  0.02187235 -0.0442235  -0.03482076\n    -0.04340085 -0.00259226  0.01990842 -0.01764613]\n    ```\n\n    ✅ Think a bit about the relationship between the data and the regression target. Linear regression predicts relationships between feature X and target variable y. Can you find the [target](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) for the diabetes dataset in the documentation? What is this dataset demonstrating, given that target?\n\n2. Next, select a portion of this dataset to plot by selecting the 3rd column of the dataset. You can do this by using the `:` operator to select all rows, and then selecting the 3rd column using the index (2). You can also reshape the data to be a 2D array - as required for plotting - by using `reshape(n_rows, n_columns)`. If one of the parameter is -1, the corresponding dimension is calculated automatically.\n\n   ```python\n   X = X[:, 2]\n   X = X.reshape((-1,1))\n   ```\n\n   ✅ At any time, print out the data to check its shape.\n\n3. Now that you have data ready to be plotted, you can see if a machine can help determine a logical split between the numbers in this dataset. To do this, you need to split both the data (X) and the target (y) into test and training sets. Scikit-learn has a straightforward way to do this; you can split your test data at a given point.\n\n   ```python\n   X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)\n   ```\n\n4. Now you are ready to train your model! Load up the linear regression model and train it with your X and y training sets using `model.fit()`:\n\n    ```python\n    model = linear_model.LinearRegression()\n    model.fit(X_train, y_train)\n    ```\n\n    ✅ `model.fit()` is a function you'll see in many ML libraries such as TensorFlow\n\n5. Then, create a prediction using test data, using the function `predict()`. This will be used to draw the line between data groups\n\n    ```python\n    y_pred = model.predict(X_test)\n    ```\n\n6. Now it's time to show the data in a plot. Matplotlib is a very useful tool for this task. Create a scatterplot of all the X and y test data, and use the prediction to draw a line in the most appropriate place, between the model's data groupings.\n\n    ```python\n    plt.scatter(X_test, y_test,  color='black')\n    plt.plot(X_test, y_pred, color='blue', linewidth=3)\n    plt.xlabel('Scaled BMIs')\n    plt.ylabel('Disease Progression')\n    plt.title('A Graph Plot Showing Diabetes Progression Against BMI')\n    plt.show()\n    ```\n\n   ![a scatterplot showing datapoints around diabetes](./images/scatterplot.png)\n\n   ✅ Think a bit about what's going on here. A straight line is running through many small dots of data, but what is it doing exactly? Can you see how you should be able to use this line to predict where a new, unseen data point should fit in relationship to the plot's y axis? Try to put into words the practical use of this model.\n\nCongratulations, you built your first linear regression model, created a prediction with it, and displayed it in a plot!\n\n---\n## 🚀Challenge\n\nPlot a different variable from this dataset. Hint: edit this line: `X = X[:,2]`. Given this dataset's target, what are you able to discover about the progression of diabetes as a disease?\n## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ml/)\n\n## Review & Self Study\n\nIn this tutorial, you worked with simple linear regression, rather than univariate or multiple linear regression. Read a little about the differences between these methods, or take a look at [this video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)\n\nRead more about the concept of regression and think about what kinds of questions can be answered by this technique. Take this [tutorial](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) to deepen your understanding.\n\n## Assignment\n\n[A different dataset](assignment.md)\n\n<!-- File: 2-Regression/1-Tools/solution/Julia/README.md (Tokens: ~5 | Category: plugin-manifest) -->\nThis is a temporary placeholder\n\n<!-- File: translations/ar/2-Regression/1-Tools/README.md (Tokens: ~7496 | Category: plugin-manifest) -->\n# ابدأ مع بايثون و Scikit-learn لنماذج الانحدار\n\n![ملخص الانحدارات في ملاحظة مرسومة](../../../../translated_images/ar/ml-regression.4e4f70e3b3ed446e.webp)\n\n> ملاحظة مرسومة بواسطة [تومومي إيمورا](https://www.twitter.com/girlie_mac)\n\n## [اختبار قبل المحاضرة](https://ff-quizzes.netlify.app/en/ml/)\n\n> ### [هذه الدرسة متاحة بلغة R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)\n\n## مقدمة\n\nفي هذه الدروس الأربعة، ستكتشف كيفية بناء نماذج الانحدار. سنناقش قريبًا ما هي استخداماتها. ولكن قبل أن تفعل أي شيء، تأكد من أن لديك الأدوات المناسبة لبدء العملية!\n\nفي هذا الدرس، ستتعلم كيفية:\n\n- تهيئة حاسوبك لمهام التعلم الآلي المحلية.\n- العمل مع دفاتر Jupyter.\n- استخدام Scikit-learn، بما في ذلك التثبيت.\n- استكشاف الانحدار الخطي من خلال تمرين عملي.\n\n## التثبيتات والإعدادات\n\n[![التعلم الآلي للمبتدئين - جهز أدواتك لبناء نماذج التعلم الآلي](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 \"التعلم الآلي للمبتدئين - جهز أدواتك لبناء نماذج التعلم الآلي\")\n\n> 🎥 انقر على الصورة أعلاه لمشاهدة فيديو قصير يشرح كيفية تهيئة حاسوبك للتعلم الآلي.\n\n1. **تثبيت بايثون**. تأكد من تثبيت [بايثون](https://www.python.org/downloads/) على حاسوبك. ستستخدم بايثون في العديد من مهام علم البيانات والتعلم الآلي. تتضمن معظم أنظمة الحاسوب تثبيتًا مسبقًا لبايثون. هناك أيضًا [حزم برمجة بايثون](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) مفيدة متاحة لتسهيل الإعداد لبعض المستخدمين.\n\n   مع ذلك، تتطلب بعض استخدامات بايثون إصدارًا معينًا من البرنامج، في حين تحتاج أخرى إلى إصدار مختلف. لذلك، من المفيد العمل ضمن [بيئة افتراضية](https://docs.python.org/3/library/venv.html).\n\n2. **تثبيت Visual Studio Code**. تأكد من وجود Visual Studio Code مثبتًا على حاسوبك. اتبع هذه التعليمات لـ [تثبيت Visual Studio Code](https://code.visualstudio.com/) للإعداد الأساسي. ستستخدم بايثون في Visual Studio Code في هذا المساق، لذا قد ترغب في تعلُّم كيفية [تهيئة Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) لتطوير برامج بايثون.\n\n   > تعرّف على بايثون بسهولة من خلال متابعة مجموعة [وحدات التعلم](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)\n   >\n   > [![إعداد بايثون مع Visual Studio Code](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 \"إعداد بايثون مع Visual Studio Code\")\n   >\n   > 🎥 انقر على الصورة أعلاه لمشاهدة فيديو: استخدام بايثون في VS Code.\n\n3. **تثبيت Scikit-learn**، باتباع [هذه التعليمات](https://scikit-learn.org/stable/install.html). بما أنك تحتاج إلى التأكد من استخدام بايثون 3، يُوصى باستخدام بيئة افتراضية. لاحظ أنه إذا كنت تثبت هذه المكتبة على ماك M1، هناك تعليمات خاصة على الصفحة المذكورة أعلاه.\n\n1. **تثبيت Jupyter Notebook**. ستحتاج إلى [تثبيت حزمة Jupyter](https://pypi.org/project/jupyter/).\n\n## بيئة التأليف الخاصة بك في التعلم الآلي\n\nستستخدم **الدفاتر** لتطوير كود بايثون الخاص بك وإنشاء نماذج التعلم الآلي. هذا النوع من الملفات أداة شائعة لدى علماء البيانات، ويمكن التعرف عليها من خلال اللاحقة أو الامتداد `.ipynb`.\n\nالدفاتر هي بيئة تفاعلية تسمح للمطور بكتابة الكود وإضافة ملاحظات وكتابة توثيق حول الكود، وهو أمر مفيد جدًا للمشاريع التجريبية أو البحثية.\n\n[![التعلم الآلي للمبتدئين - إعداد دفاتر Jupyter لبدء بناء نماذج الانحدار](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E \"التعلم الآلي للمبتدئين - إعداد دفاتر Jupyter لبدء بناء نماذج الانحدار\")\n\n> 🎥 انقر على الصورة أعلاه لمشاهدة فيديو قصير يشرح هذا التمرين.\n\n### تمرين - العمل مع دفتر ملاحظات\n\nفي هذا المجلد، ستجد الملف _notebook.ipynb_.\n\n1. افتح _notebook.ipynb_ في Visual Studio Code.\n\n   ستبدأ خادم Jupyter مع تشغيل بايثون 3+. ستجد أجزاء من الدفتر يمكن `تشغيلها`، وهي قطع من الكود. يمكنك تشغيل قطعة الكود من خلال اختيار الرمز الذي يشبه زر التشغيل.\n\n1. اختر رمز `md` وأضف بعض الماركدون، والنص التالي **# مرحبًا بك في دفترك**.\n\n   ثم أضف بعض كود بايثون.\n\n1. اكتب **print('hello notebook')** في كتلة الكود.\n1. اختر السهم لتشغيل الكود.\n\n   سترى العبارة المطبوعة:\n\n    ```output\n    hello notebook\n    ```\n\n![VS Code مع دفتر ملاحظات مفتوح](../../../../translated_images/ar/notebook.4a3ee31f396b8832.webp)\n\nيمكنك دمج كودك مع التعليقات لتوثيق الدفتر بنفسك.\n\n✅ فكر للحظة كيف تختلف بيئة عمل مطور الويب مقارنةً ببيئة عالم البيانات.\n\n## ابدأ العمل مع Scikit-learn\n\nالآن بعد أن تم إعداد بايثون في بيئتك المحلية وأصبحت مرتاحًا في استخدام دفاتر Jupyter، لنكتسب نفس الراحة مع Scikit-learn (تنطق `ساي` كما في `science`). يوفر Scikit-learn [واجهة برمجة تطبيقات واسعة](https://scikit-learn.org/stable/modules/classes.html#api-ref) لمساعدتك في أداء مهام التعلم الآلي.\n\nحسب موقعهم [الرسمي](https://scikit-learn.org/stable/getting_started.html)، \"سكايكيت-ليرن هي مكتبة تعلم آلي مفتوحة المصدر تدعم التعلم الخاضع للإشراف وغير الخاضع للإشراف. كما توفر أدوات متنوعة لتركيب النماذج، ومعالجة البيانات، واختيار النماذج وتقييمها، والعديد من الأدوات الأخرى.\"\n\nفي هذا المساق، ستستخدم Scikit-learn وأدوات أخرى لبناء نماذج تعلم آلي لأداء ما نسميه 'التعلم الآلي التقليدي'. لقد تجنبنا عمدًا الشبكات العصبية والتعلم العميق، إذ يتم تناولها بشكل أفضل في منهجية 'الذكاء الاصطناعي للمبتدئين' القادمة.\n\nيجعل Scikit-learn بناء النماذج وتقييمها سهلاً. يركز أساسًا على استخدام البيانات الرقمية ويحتوي على عدة مجموعات بيانات جاهزة للاستخدام كأدوات تعلم. كما يتضمن نماذج مبنية مسبقًا ليجربها الطلاب. لنستكشف أولاً عملية تحميل البيانات المعبأة واستخدام مقدّر مدمج أول نموذج تعلم آلي مع Scikit-learn باستخدام بيانات أساسية.\n\n## تمرين - دفتر ملاحظاتك الأول مع Scikit-learn\n\n> استُلهم هذا الدليل من [مثال الانحدار الخطي](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) على موقع Scikit-learn.\n\n\n[![التعلم الآلي للمبتدئين - مشروعك الأول للانحدار الخطي في بايثون](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 \"التعلم الآلي للمبتدئين - مشروعك الأول للانحدار الخطي في بايثون\")\n\n> 🎥 انقر على الصورة أعلاه لمشاهدة فيديو قصير يشرح هذا التمرين.\n\nفي ملف _notebook.ipynb_ المرتبط بهذا الدرس، قم بمسح كل الخلايا بالضغط على رمز 'سلة المهملات'.\n\nفي هذا القسم، ستعمل مع مجموعة بيانات صغيرة عن مرض السكري مدمجة في Scikit-learn لأغراض التعلم. تخيل أنك تريد اختبار علاج لمرضى السكري. قد تساعدك نماذج التعلم الآلي على تحديد أي المرضى قد يستجيبون بشكل أفضل للعلاج، بناءً على تركيبات من المتغيرات. حتى نموذج انحدار بسيط جدًا، عند تصوره، قد يظهر معلومات حول المتغيرات التي قد تساعدك في تنظيم تجاربك السريرية النظرية.\n\n✅ هناك العديد من أنواع طرق الانحدار، واختيارك يعتمد على الإجابة التي تبحث عنها. إذا أردت التنبؤ بالطول المحتمل لشخص في عمر معين، ستستخدم الانحدار الخطي، لأنك تبحث عن **قيمة رقمية**. إذا كنت مهتمًا باكتشاف ما إذا كان نوع من المأكولات يجب اعتباره نباتيًا أم لا، فأنت تبحث عن **تصنيف فئة** لذا ستستخدم الانحدار اللوجستي. ستتعلم المزيد عن الانحدار اللوجستي لاحقًا. فكر قليلًا في بعض الأسئلة التي يمكنك طرحها على البيانات، وأي من هذه الطرق سيكون الأنسب.\n\nلنبدأ هذه المهمة.\n\n### استيراد المكتبات\n\nلهذه المهمة سنستورد بعض المكتبات:\n\n- **matplotlib**. إنها أداة [رسم بياني مفيدة](https://matplotlib.org/) وسنستخدمها لإنشاء مخطط خطي.\n- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) مكتبة مفيدة للتعامل مع البيانات الرقمية في بايثون.\n- **sklearn**. هذه هي مكتبة [Scikit-learn](https://scikit-learn.org/stable/user_guide.html).\n\nاستورد بعض المكتبات لمساعدتك في مهامك.\n\n1. أضف الاستيرادات بكتابة الكود التالي:\n\n   ```python\n   import matplotlib.pyplot as plt\n   import numpy as np\n   from sklearn import datasets, linear_model, model_selection\n   ```\n\n   في الأعلى تقوم باستيراد `matplotlib`، و `numpy`، كما تستورد `datasets`، و `linear_model` و `model_selection` من `sklearn`. يستخدم `model_selection` لتقسيم البيانات إلى مجموعات تدريب واختبار.\n\n### مجموعة بيانات السكري\n\nتتضمن مجموعة البيانات المدمجة [السكري](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) 442 عينة بيانات عن مرض السكري، مع 10 متغيرات ميزة، بعضها يشمل:\n\n- العمر: العمر بالسنوات\n- مؤشر كتلة الجسم\n- ضغط الدم: متوسط ضغط الدم\n- s1 tc: خلايا تي (نوع من خلايا الدم البيضاء)\n\n✅ تشمل هذه المجموعة مفهوم 'الجنس' كمتغير ميزة مهم في البحث حول السكري. تتضمن العديد من مجموعات البيانات الطبية هذا النوع من التصنيف الثنائي. فكر قليلاً في كيفية أن تصنيفات مثل هذه قد تستبعد أجزاء معينة من السكان من العلاجات.\n\nالآن، قم بتحميل بيانات X و y.\n\n> 🎓 تذكر، هذا تعلم مشرف، ونحتاج إلى هدف ‘y’ مسمى.\n\nفي خلية كود جديدة، قم بتحميل مجموعة بيانات السكري باستدعاء `load_diabetes()`. يشير المعطى `return_X_y=True` إلى أن `X` ستكون مصفوفة بيانات، و `y` سيكون الهدف للانحدار.\n\n1. أضف بعض أوامر الطباعة لعرض شكل مصفوفة البيانات وعنصرها الأول:\n\n    ```python\n    X, y = datasets.load_diabetes(return_X_y=True)\n    print(X.shape)\n    print(X[0])\n    ```\n\n    ما تحصل عليه كرد هو زوج مرتب. ما تفعله هو تعيين أول قيمتين من الزوج إلى `X` و `y` على التوالي. تعرف أكثر [عن الأزواج المرتبة](https://wikipedia.org/wiki/Tuple).\n\n    يمكنك رؤية أن هذه البيانات تحتوي على 442 عنصرًا مشكّلة في مصفوفات من 10 عناصر:\n\n    ```text\n    (442, 10)\n    [ 0.03807591  0.05068012  0.06169621  0.02187235 -0.0442235  -0.03482076\n    -0.04340085 -0.00259226  0.01990842 -0.01764613]\n    ```\n\n    ✅ فكّر قليلًا في العلاقة بين البيانات وهدف الانحدار. الانحدار الخطي يتنبأ بالعلاقات بين ميزة X والمتغير الهدف y. هل يمكنك العثور على [الهدف](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) لمجموعة بيانات السكري في التوثيق؟ ماذا تُظهر هذه المجموعة بناءً على الهدف؟\n\n2. بعد ذلك، اختر جزءًا من هذه المجموعة لرسمه باختيار العمود الثالث من المجموعة. يمكنك فعل ذلك باستخدام عامل `:` لاختيار كل الصفوف، ثم اختيار العمود الثالث باستخدام الفهرس (2). يمكنك أيضًا إعادة تشكيل البيانات لتكون مصفوفة ثنائية الأبعاد - حسب المطلوب للرسم - باستخدام `reshape(n_rows, n_columns)`. إذا كان أحد المعاملات -1، يتم حساب البعد الموافق تلقائيًا.\n\n   ```python\n   X = X[:, 2]\n   X = X.reshape((-1,1))\n   ```\n\n   ✅ في أي وقت، اطبع البيانات للتحقق من شكلها.\n\n3. الآن بعد أن أصبحت لديك بيانات جاهزة للرسم، يمكنك أن ترى ما إذا كان الماكينة يمكنها المساعدة في تحديد تقسيم منطقي بين الأرقام في هذه المجموعة. للقيام بذلك، تحتاج إلى تقسيم كل من البيانات (X) والهدف (y) إلى مجموعات اختبار وتدريب. لدى Scikit-learn طريقة مباشرة لذلك؛ يمكنك تقسيم بيانات الاختبار عند نقطة معينة.\n\n   ```python\n   X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)\n   ```\n\n4. الآن أنت جاهز لتدريب نموذجك! قم بتحميل نموذج الانحدار الخطي وقم بتدريبه باستخدام مجموعات التدريب X و y الخاصة بك باستخدام `model.fit()`:\n\n    ```python\n    model = linear_model.LinearRegression()\n    model.fit(X_train, y_train)\n    ```\n\n    ✅ `model.fit()` هي دالة سترى وجودها في العديد من مكتبات التعلم الآلي مثل TensorFlow\n\n5. ثم، أنشئ توقعًا باستخدام بيانات الاختبار، باستخدام الدالة `predict()`. سيتم استخدام هذا لرسم الخط بين مجموعات البيانات.\n\n    ```python\n    y_pred = model.predict(X_test)\n    ```\n\n6. حان الوقت الآن لعرض البيانات في رسم بياني. Matplotlib أداة مفيدة جدًا لهذه المهمة. أنشئ مخطط نقاط لجميع بيانات X و y الاختبارية، واستخدم التوقع لرسم خط في المكان الأنسب، بين مجموعات بيانات النموذج.\n\n    ```python\n    plt.scatter(X_test, y_test,  color='black')\n    plt.plot(X_test, y_pred, color='blue', linewidth=3)\n    plt.xlabel('Scaled BMIs')\n    plt.ylabel('Disease Progression')\n    plt.title('A Graph Plot Showing Diabetes Progression Against BMI')\n    plt.show()\n    ```\n\n   ![مخطط نقاط يوضح نقاط بيانات حول السكري](../../../../translated_images/ar/scatterplot.ad8b356bcbb33be6.webp)\n\n\n   ✅ فكر قليلاً في ما يحدث هنا. هناك خط مستقيم يمر عبر العديد من نقاط البيانات الصغيرة، ولكنه ماذا يفعل بالضبط؟ هل ترى كيف ينبغي أن تتمكن من استخدام هذا الخط للتنبؤ بمكان تناسب نقطة بيانات جديدة غير مرئية بالنسبة لمحور y في الرسم البياني؟ حاول التعبير بالكلمات عن الاستخدام العملي لهذا النموذج.\n\nتهانينا، لقد أنشأت نموذج الانحدار الخطي الأول لك، وأنتجت توقعًا به، وعرضته في رسم بياني!\n\n---\n## 🚀تحدي\n\nقم برسم متغير مختلف من هذه المجموعة البيانية. تلميح: حرر هذا السطر: `X = X[:,2]`. بالنظر إلى هدف هذه البيانات، ماذا يمكنك اكتشافه عن تقدم مرض السكري كمرض؟\n## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ml/)\n\n## مراجعة ودراسة ذاتية\n\nفي هذا الدرس، عملت مع الانحدار الخطي البسيط، بدلاً من الانحدار الخطي أحادي المتغير أو المتعدد. اقرأ قليلاً عن الفروقات بين هذه الأساليب، أو ألق نظرة على [هذا الفيديو](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)\n\nاقرأ المزيد عن مفهوم الانحدار وفكر في أنواع الأسئلة التي يمكن الإجابة عليها باستخدام هذه التقنية. خذ هذا [الدليل](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) لتعميق فهمك.\n\n## الواجب\n\n[مجموعة بيانات مختلفة](assignment.md)\n\n---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**تنويه**:\nتمت ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى للدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي والمعتمد. للمعلومات الهامة، يُنصح بالاستعانة بترجمة بشرية محترفة. نحن غير مسؤولين عن أي سوء فهم أو تفسير ناتج عن استخدام هذه الترجمة.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->\n\n<!-- File: translations/ar/2-Regression/1-Tools/solution/Julia/README.md (Tokens: ~300 | Category: plugin-manifest) -->\n# Julia Documentation\n\nPath: `translations/ar/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/ar/2-Regression/1-Tools/solution/Julia/README.md)\n\n<!-- File: translations/bg/2-Regression/1-Tools/solution/Julia/README.md (Tokens: ~300 | Category: plugin-manifest) -->\n# Julia Documentation\n\nPath: `translations/bg/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/bg/2-Regression/1-Tools/solution/Julia/README.md)\n\n<!-- File: translations/bn/2-Regression/1-Tools/README.md (Tokens: ~13786 | Category: plugin-manifest) -->\n# রিগ্রেশন মডেলগুলির জন্য পাইথন এবং স্কিকিট-লার্ন দিয়ে শুরু করুন\n\n![একটি স্কেচনোটে রিগ্রেশনগুলির সারসংক্ষেপ](../../../../translated_images/bn/ml-regression.4e4f70e3b3ed446e.webp)\n\n> স্কেচনোট তৈরি করেছেন [তোমোমি ইমুরা](https://www.twitter.com/girlie_mac)\n\n## [পূর্বে-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ml/)\n\n> ### [এই পাঠটি R-এ উপলব্ধ!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)\n\n## পরিচিতি\n\nএই চারটি পাঠে, আপনি কিভাবে রিগ্রেশন মডেল তৈরি করতে হয় তা জানবেন। আমরা এক্ষুনি আলোচনা করব এগুলি কী জন্য। কিন্তু কিছু করার আগে, নিশ্চিত করুন যে আপনার কাছে প্রক্রিয়া শুরু করার জন্য সঠিক সরঞ্জাম রয়েছে!\n\nএই পাঠে, আপনি শিখবেন কিভাবে:\n\n- আপনার কম্পিউটারকে স্থানীয় মেশিন লার্নিং কাজের জন্য কনফিগার করবেন।\n- জুপিটার নোটবুকের সাথে কাজ করবেন।\n- স্কিকিট-লার্ন ব্যবহার করবেন, ইনস্টলেশন সহ।\n- একটি হাতে-কলমে অনুশীলন সহ লিনিয়ার রিগ্রেশন অন্বেষণ করবেন।\n\n## ইনস্টলেশন এবং কনফিগারেশন\n\n[![শুরুর জন্য এমএল - মেশিন লার্নিং মডেল তৈরির জন্য আপনার টুলস প্রস্তুত করুন](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 \"শুরুর জন্য এমএল - মেশিন লার্নিং মডেল তৈরির জন্য আপনার টুলস প্রস্তুত করুন\")\n\n> 🎥 এমএল কনফিগার করার জন্য একটি সংক্ষিপ্ত ভিডিও দেখতে উপরের চিত্রে ক্লিক করুন।\n\n1. **পাইথন ইনস্টল করুন**। নিশ্চিত করুন যে [Python](https://www.python.org/downloads/) আপনার কম্পিউটারে ইনস্টল করা আছে। আপনি অনেক ডেটা সাইন্স এবং মেশিন লার্নিং কাজের জন্য পাইথন ব্যবহার করবেন। বেশিরভাগ কম্পিউটার সিস্টেমে ইতিমধ্যে পাইথন ইনস্টল থাকে। কিছু ব্যবহারকারীর জন্য সহজতর করতে [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott)ও পাওয়া যায়।\n\n   তবে, পাইথনের কিছু ব্যবহার এক ভার্সনের সফটওয়্যার চান, আবার কিছু অন্য ভার্সনের। এজন্য, একটি [ভার্চুয়াল এনভায়রনমেন্টে](https://docs.python.org/3/library/venv.html) কাজ করা উপকারী।\n\n2. **ভিজুয়াল স্টুডিও কোড ইনস্টল করুন**। নিশ্চিত করুন যে আপনার কম্পিউটারে ভিজুয়াল স্টুডিও কোড ইনস্টল করা আছে। বেসিক ইনস্টলেশনের জন্য এই নির্দেশনাগুলো অনুসরণ করুন: [Visual Studio Code ইনস্টল করুন](https://code.visualstudio.com/)। এই কোর্সে আপনি ভিজুয়াল স্টুডিও কোডে পাইথন ব্যবহার করবেন, তাই পাইথন ডেভেলপমেন্টের জন্য [Visual Studio Code কনফিগার করা](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) সম্পর্কেও জানতে পারেন।\n\n   > এই [লার্ন মডিউলস](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) থেকে কাজ করে পাইথনে স্বাচ্ছন্দ্যতা অর্জন করুন\n   >\n   > [![Visual Studio Code-এ Python সেটআপ করুন](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 \"Visual Studio Code-এ Python সেটআপ করুন\")\n   >\n   > 🎥 ভিডিওটির জন্য উপরের চিত্রে ক্লিক করুন: VS কোডে পাইথন ব্যবহার।\n\n3. **স্কিকিট-লার্ন ইনস্টল করুন**, এই [নির্দেশনাগুলো](https://scikit-learn.org/stable/install.html) অনুসরণ করে। আপনাকে নিশ্চিত করতে হবে যে আপনি পাইথন ৩ ব্যবহার করছেন, তাই ভার্চুয়াল এনভায়রনমেন্ট ব্যবহার করার পরামর্শ দেওয়া হয়। লক্ষ্য করুন, যদি আপনি M1 ম্যাক-এ এই লাইব্রেরি ইনস্টল করছেন, তাহলে উপরের লিঙ্কে বিশেষ নির্দেশনাগুলো আছে।\n\n4. **জুপিটার নোটবুক ইনস্টল করুন**। আপনাকে [জুপিটার প্যাকেজ ইনস্টল](https://pypi.org/project/jupyter/) করতে হবে।\n\n## আপনার এমএল লেখার পরিবেশ\n\nআপনি পাইথন কোড উন্নয়ন এবং মেশিন লার্নিং মডেল তৈরি করতে **নোটবুকস** ব্যবহার করবেন। এই ধরণের ফাইল ডেটা বিজ্ঞানীদের একটি সাধারণ টুল এবং এগুলোর সাফিক্স বা এক্সটেনশন `.ipynb` দ্বারা চিহ্নিত করা হয়।\n\nনোটবুক একটি ইন্টারঅ্যাকটিভ পরিবেশ যা ডেভেলপারকে কোড করার পাশাপাশি কোডের চারপাশে নোট এবং ডকুমেন্টেশন লেখার সুযোগ দেয়, যা পরীক্ষামূলক বা গবেষণাভিত্তিক প্রকল্পে খুব সহায়ক।\n\n[![শুরুর জন্য এমএল - রিগ্রেশন মডেল তৈরির জন্য জুপিটার নোটবুক সেটআপ করুন](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E \"শুরুর জন্য এমএল - রিগ্রেশন মডেল তৈরির জন্য জুপিটার নোটবুক সেটআপ করুন\")\n\n> 🎥 এই অনুশীলনটি করতে উপরের ছবিতে ক্লিক করুন একটি সংক্ষিপ্ত ভিডিওর জন্য।\n\n### অনুশীলন - একটি নোটবুকের সাথে কাজ করুন\n\nএই ফোল্ডারে, আপনি _notebook.ipynb_ ফাইলটি দেখতে পাবেন।\n\n1. Visual Studio Code-এ _notebook.ipynb_ খুলুন।\n\n   একটি জুপিটার সার্ভার Python 3+ দিয়ে চালু হবে। আপনি নোটবুকের এমন স্থান পাবেন যা `run` করা যাবে, কোডের টুকরা। কার্টির মত দেখতে আইকনটি নির্বাচন করে কোড ব্লক চালাতে পারেন।\n\n2. `md` আইকন নির্বাচন করুন এবং কিছু মার্কডাউন লিখুন, এবং নিম্নলিখিত টেক্সট দিন **# আপনার নোটবুকে স্বাগতম**।\n\n   এরপর, কিছু পাইথন কোড যোগ করুন।\n\n3. কোড ব্লকে টাইপ করুন **print('hello notebook')**।\n4. কোড চালাতে তীর চিহ্ন নির্বাচন করুন।\n\n   আপনি নিম্নলিখিত প্রিন্টেড স্টেটমেন্ট দেখতে পাবেন:\n\n    ```output\n    hello notebook\n    ```\n\n![ভিএস কোডে একটি নোটবুক খোলা](../../../../translated_images/bn/notebook.4a3ee31f396b8832.webp)\n\nআপনি নোটবুক নিজেই ডকুমেন্ট করার জন্য মন্তব্যসহ কোডের মধ্যে ইন্টারলিফ করতে পারেন।\n\n✅ একটি ওয়েব ডেভেলপার এবং একটি ডেটা বিজ্ঞানীর কাজের পরিবেশ কতোটা ভিন্ন হতে পারে, একটু ভাবুন।\n\n## স্কিকিট-লার্ন দিয়ে কাজ শুরু করুন\n\nএখন যেহেতু পাইথন আপনার স্থানীয় পরিবেশে প্রস্তুত, এবং আপনি জুপিটার নোটবুকে স্বাচ্ছন্দ্যবোধ করছেন, চলুন স্কিকিট-লার্নের সাথেও সমান স্বাচ্ছন্দ্য অর্জন করি (উচ্চারণ `sci` যেমন `science`)। স্কিকিট-লার্ন একটি [বিস্তৃত এপিআই](https://scikit-learn.org/stable/modules/classes.html#api-ref) দেয় যেটা আপনাকে এমএল কাজ করতে সাহায্য করবে।\n\nতাদের [ওয়েবসাইট](https://scikit-learn.org/stable/getting_started.html) অনুযায়ী, \"স্কিকিট-লার্ন একটি ওপেন সোর্স মেশিন লার্নিং লাইব্রেরি যা সুপারভাইজড এবং আনসুপারভাইজড লার্নিং সাপোর্ট করে। এটি মডেল ফিটিং, ডেটা প্রিপ্রসেসিং, মডেল সিলেকশন এবং ইভ্যালুয়েশন, এবং অন্যান্য অনেক টুলস প্রদান করে।\"\n\nএই কোর্সে, আপনি স্কিকিট-লার্ন এবং অন্যান্য সরঞ্জাম ব্যবহার করে একটি মেশিন লার্নিং মডেল গড়ে তুলবেন যা আমরা 'পরম্পরাগত মেশিন লার্নিং' কাজ বলে থাকি। আমরা ইচ্ছাকৃতভাবে নিউরাল নেটওয়ার্ক এবং ডিপ লার্নিং এড়িয়েছি, কারণ এগুলো আমাদের আসন্ন 'এআই ফর বিগিনার্স' কারিকুলামে ভালোভাবে কভার করা হয়েছে।\n\nস্কিকিট-লার্ন মডেল তৈরি করা এবং সেগুলোর মূল্যায়ন সহজ করে তোলে। এটি প্রধানত সংখ্যাগত ডেটা ব্যবহার করে এবং শেখার সরঞ্জাম হিসেবে বেশ কিছু প্রস্তুত ডেটাসেট রয়েছে। এতে শিক্ষার্থীদের জন্য প্রাক-তৈরি মডেলও আছে। প্রথমে স্কিকিট-লার্নের সাথে প্রিপ্যাকেজড ডেটা লোড এবং বিল্ট-ইন এস্টিমেটর ব্যবহার করে মৌলিক এমএল মডেল তৈরির প্রক্রিয়া অন্বেষণ করি।\n\n## অনুশীলন - আপনার প্রথম স্কিকিট-লার্ন নোটবুক\n\n> এই টিউটোরিয়ালটি অনুপ্র inspirationণ হয়েছে স্কিকিট-লার্নের ওয়েবসাইটের [লিনিয়ার রিগ্রেশন উদাহরণ](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) থেকে।\n\n\n[![শুরুর জন্য এমএল - পাইথনে আপনার প্রথম লিনিয়ার রিগ্রেশন প্রকল্প](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 \"শুরুর জন্য এমএল - পাইথনে আপনার প্রথম লিনিয়ার রিগ্রেশন প্রকল্প\")\n\n> 🎥 এই অনুশীলনটি দেখতে উপরের চিত্রে ক্লিক করুন একটি সংক্ষিপ্ত ভিডিওর জন্য।\n\nএই পাঠের সাথে সংযুক্ত _notebook.ipynb_ ফাইলে, সকল সেলগুলি 'ট্র্যাশ ক্যান' আইকন চাপ দিয়ে ক্লিয়ার করুন।\n\nএই অংশে, আপনি ডায়াবেটিস সম্পর্কে একটি ছোট ডেটাসেট নিয়ে কাজ করবেন যা স্কিকিট-লার্নে শেখার জন্য অন্তর্ভুক্ত। কল্পনা করুন আপনি ডায়াবেটিক রোগীদের জন্য একটি চিকিৎসা পরীক্ষা করতে চান। মেশিন লার্নিং মডেল আপনাকে নির্ধারণ করতে সাহায্য করতে পারে কোন রোগী চিকিৎসায় ভাল সাড়া দেবে বিভিন্ন ভেরিয়েবলের সংমিশ্রণের ভিত্তিতে। একটি মৌলিক রিগ্রেশন মডেল, ভিজুয়ালাইজ করা হলে, ভেরিয়েবলের তথ্য দেখাতে পারে যা আপনার তাত্ত্বিক ক্লিনিক্যাল ট্রায়াল সংগঠনে সাহায্য করবে।\n\n✅ রিগ্রেশনের অনেক ধরন আছে এবং আপনি কোনটি বেছে নেন তা নির্ভর করে আপনি কোন প্রশ্নের উত্তর খুঁজছেন তার উপর। যদি আপনি নির্দিষ্ট বয়সের একজন ব্যক্তির সম্ভাব্য উচ্চতা পূর্বাভাস দিতে চান, তাহলে আপনি লিনিয়ার রিগ্রেশন ব্যবহার করবেন, কারণ আপনি একটি **সংখ্যাগত মান** খুঁজছেন। যদি আপনি জানতে চান একটি রান্নার ধরন নিরামিষ কিনা, তাহলে সেটি একটি **শ্রেণিবিন্যাস** তাই আপনি লজিস্টিক রিগ্রেশন ব্যবহার করবেন। লজিস্টিক রিগ্রেশন সম্পর্কে পরে শিখবেন। কিছু প্রশ্ন নিয়ে ভাবুন যা আপনি ডেটাবেজে করতে পারেন এবং কোন পদ্ধতিটি উপযুক্ত হবে।\n\nচলুন এই কাজ শুরু করি।\n\n### লাইব্রেরি আমদানি\n\nএই কাজের জন্য আমরা কিছু লাইব্রেরি আমদানি করব:\n\n- **matplotlib**। এটি একটি উপকারী [গ্রাফিং টুল](https://matplotlib.org/) এবং আমরা একটি লাইন প্লট তৈরি করতে এটি ব্যবহার করব।\n- **numpy**। [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) পাইথনে সংখ্যাগত ডেটা পরিচালনার জন্য একটি দরকারী লাইব্রেরি।\n- **sklearn**। এটি [স্কিকিট-লার্ন](https://scikit-learn.org/stable/user_guide.html) লাইব্রেরি।\n\nআপনার কাজের জন্য কিছু লাইব্রেরি আমদানি করুন।\n\n1. নিচের কোড টাইপ করে আমদানি করুন:\n\n   ```python\n   import matplotlib.pyplot as plt\n   import numpy as np\n   from sklearn import datasets, linear_model, model_selection\n   ```\n\n   উপরে আপনি `matplotlib`, `numpy` আমদানি করছেন এবং `sklearn` থেকে `datasets`, `linear_model` এবং `model_selection` আমদানি করছেন। `model_selection` ডেটাকে প্রশিক্ষণ এবং পরীক্ষা সেটে ভাগ করার জন্য ব্যবহৃত।\n\n### ডায়াবেটিস ডেটাসেট\n\nঅন্তর্ভুক্ত [ডায়াবেটিস ডেটাসেট](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) এ ৪৪২টি নমুনা রয়েছে, যেখানে ১০টি বৈশিষ্ট্য ভেরিয়েবল আছে, কিছু হল:\n\n- বয়স: বছরে বয়স\n- BMI: শরীরের ভর সূচক\n- রক্তচাপ: গড় রক্তচাপ\n- s1 tc: টি-সেলস (সাদা রক্তকণিকার একটি প্রকার)\n\n✅ এই ডেটাসেটে 'লিঙ্গ' নামক একটি বৈশিষ্ট্য ভেরিয়েবল অন্তর্ভুক্ত আছে, যা ডায়াবেটিস গবেষণায় গুরুত্বপূর্ণ। অনেক চিকিৎসা তথ্যসেট এই ধরনের বাইনারি শ্রেণিবিভাজন অন্তর্ভুক্ত করে। ভাবুন কিভাবে এমন শ্রেণিবিভাজন কিছু জনগোষ্ঠীকে চিকিৎসা থেকে বাদ দিতে পারে।\n\nএখন, X এবং y ডেটা লোড করুন।\n\n> 🎓 মনে রাখবেন, এটি একটি সুপারভাইজড লার্নিং, এবং আমাদের একটি নামকৃত 'y' লক্ষ্য দরকার।\n\nএকটি নতুন কোড সেলে, `load_diabetes()` কল করে ডায়াবেটিস ডেটাসেট লোড করুন। `return_X_y=True` ইনপুট মানে হল `X` একটি ডেটা ম্যাট্রিক্স হবে, এবং `y` হবে রিগ্রেশন লক্ষ্য।\n\n1. ডেটা ম্যাট্রিক্সের আকৃতি এবং এর প্রথম উপাদান প্রদর্শনের জন্য কিছু প্রিন্ট কমান্ড যোগ করুন:\n\n    ```python\n    X, y = datasets.load_diabetes(return_X_y=True)\n    print(X.shape)\n    print(X[0])\n    ```\n\n    আপনি যে রেসপন্স পাচ্ছেন, তা একটি tuple। আপনি tuple- এর প্রথম দুটি মান `X` এবং `y` তে আলাদা করছেন। [tuple সম্পর্কে আরও জানুন](https://wikipedia.org/wiki/Tuple)।\n\n    আপনি দেখতে পাচ্ছেন ডেটা ৪৪২টি আইটেম নিয়ে তৈরি, যার প্রতিটি ১০টি উপাদানের অ্যারে আকারে:\n\n    ```text\n    (442, 10)\n    [ 0.03807591  0.05068012  0.06169621  0.02187235 -0.0442235  -0.03482076\n    -0.04340085 -0.00259226  0.01990842 -0.01764613]\n    ```\n\n    ✅ কিছুক্ষণ ভেবে দেখুন ডেটা এবং রিগ্রেশন লক্ষ্য এর সম্পর্ক। লিনিয়ার রিগ্রেশন বৈশিষ্ট্য X এবং লক্ষ্য ভেরিয়েবল y-এর মধ্যে সম্পর্ক পূর্বাভাস দেয়। আপনি কি ডকুমেন্টেশনে ডায়াবেটিস ডেটাসেটের [লক্ষ্য](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) খুঁজে পেয়েছেন? এই ডেটাসেটটি কি প্রদর্শন করছে, লক্ষ্য দেখে?\n\n2. তারপরে, ডেটাসেটের একটি অংশ নির্বাচন করুন প্লট করার জন্য: ডেটাসেটের ৩য় কলাম নির্বাচিত করুন। `:` অপারেটর ব্যবহার করে সব সারি নির্বাচন করে তারপর ইনডেক্স (২) ব্যবহার করে তৃতীয় কলাম নির্বাচন করতে পারেন। প্লট করার জন্য ডেটাকে 2D অ্যারেতে রিশেপ করা দরকার `reshape(n_rows, n_columns)` ব্যবহার করে। যদি একটি প্যারামিটার -1 হয়, সংশ্লিষ্ট মাত্রা স্বয়ংক্রিয়ভাবে হিসাব হয়।\n\n   ```python\n   X = X[:, 2]\n   X = X.reshape((-1,1))\n   ```\n\n   ✅ যেকোনো সময় ডেটার আকৃতি পরীক্ষা করতে প্রিন্ট করুন।\n\n3. এখন ডেটা প্লট করার প্রস্তুত, দেখুন একটি মেশিন সংখ্যাগুলোর মধ্যে যৌক্তিক বিভাজন নির্ধারণে সাহায্য করতে পারে কিনা। এর জন্য, আপনাকে ডেটা (X) এবং লক্ষ্য (y) উভয়ই পরীক্ষা এবং প্রশিক্ষণ সেটে ভাগ করতে হবে। স্কিকিট-লার্নে এর জন্য সরল উপায় আছে; আপনি নির্দিষ্ট পয়েন্টে পরীক্ষা ডেটা ভাগ করতে পারবেন।\n\n   ```python\n   X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)\n   ```\n\n4. এখন আপনার মডেল প্রশিক্ষণের জন্য প্রস্তুত! লিনিয়ার রিগ্রেশন মডেল লোড করুন এবং `model.fit()` ব্যবহার করে X ও y প্রশিক্ষণ সেট দিয়ে প্রশিক্ষণ দিন:\n\n    ```python\n    model = linear_model.LinearRegression()\n    model.fit(X_train, y_train)\n    ```\n\n    ✅ `model.fit()` একটি ফাংশন যা আপনি অনেক এমএল লাইব্রেরিতে যেমন TensorFlow দেথতে পাবেন\n\n5. এরপর, `predict()` ফাংশন ব্যবহার করে পরীক্ষার ডেটা দিয়ে পূর্বাভাস তৈরি করুন। এটি ডেটা গ্রুপের মধ্যে একটি লাইন আঁকতে ব্যবহৃত হবে\n\n    ```python\n    y_pred = model.predict(X_test)\n    ```\n\n6. এখন ডেটা একটি প্লটে প্রদর্শনের সময়। এই কাজের জন্য matplotlib খুব দরকারী টুল। সমস্ত X এবং y পরীক্ষার ডেটার একটি scatterplot তৈরি করুন এবং পূর্বাভাস ব্যবহার করে মডেলের ডেটা গ্রুপের মধ্যে সবচেয়ে উপযুক্ত স্থানে একটি লাইন আঁকুন।\n\n    ```python\n    plt.scatter(X_test, y_test,  color='black')\n    plt.plot(X_test, y_pred, color='blue', linewidth=3)\n    plt.xlabel('Scaled BMIs')\n    plt.ylabel('Disease Progression')\n    plt.title('A Graph Plot Showing Diabetes Progression Against BMI')\n    plt.show()\n    ```\n\n   ![ডায়াবেটিসের চারপাশে ডেটাপয়েন্ট দেখাচ্ছে একটি scatterplot](../../../../translated_images/bn/scatterplot.ad8b356bcbb33be6.webp)\n\n\n   ✅ এখানে কী ঘটছে তা একটু ভাবুন। একটি সরলরেখা অনেক ছোট ডেটার বিন্দুর মধ্য দিয়ে যাচ্ছে, কিন্তু এটি ঠিক কী করছে? আপনি কি দেখতে পাচ্ছেন কীভাবে এই রেখাটিকে ব্যবহার করে কোনও নতুন, অদেখা ডেটা পয়েন্ট কোথায় প্লটের y অক্ষের সাথে সম্পর্ক করে বসাতে হবে তা পূর্বাভাস দেবে? এই মডেলের ব্যবহারিক উপযোগিতাটি শব্দে প্রকাশ করার চেষ্টা করুন।\n\nঅভিনন্দন, আপনি প্রথম লিনিয়ার রিগ্রেশন মডেলটি তৈরি করেছেন, এটি দিয়ে একটি পূর্বাভাস তৈরি করেছেন, এবং এটি একটি প্লটে প্রদর্শন করেছেন!\n\n---\n## 🚀চ্যালেঞ্জ\n\nএই ডেটাসেট থেকে একটি আলাদা ভেরিয়েবল প্লট করুন। ইঙ্গিত: এই লাইনটি সম্পাদনা করুন: `X = X[:,2]`। এই ডেটাসেটের টার্গেট বিবেচনায়, আপনি কী জানতে পারছেন ডায়াবেটিস রোগের অগ্রগতির সম্পর্কে?\n## [পোস্ট-লেকচার কুইজ](https://ff-quizzes.netlify.app/en/ml/)\n\n## পর্যালোচনা এবং স্ব-অধ্যয়ন\n\nএই টিউটোরিয়ালে, আপনি সহজ সরলরেখীয় রিগ্রেশন নিয়ে কাজ করেছেন, যা ইউনিভেরিয়েট বা মাল্টিপল লিনিয়ার রিগ্রেশনের থেকে আলাদা। এই পদ্ধতিগুলির মধ্যে পার্থক্য সম্পর্কে একটু পড়ুন, অথবা [এই ভিডিওটি](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) দেখুন।\n\nরিগ্রেশন ধারণা সম্পর্কে আরও পড়ুন এবং ভাবুন কী ধরনের প্রশ্ন এই প্রযুক্তি দ্বারা উত্তরযোগ্য। আপনার বোঝাপড়া গভীর করার জন্য এই [টিউটোরিয়ালটি](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) অনুসরণ করুন।\n\n## অ্যাসাইনমেন্ট\n\n[একটি ভিন্ন ডেটাসেট](assignment.md)\n\n---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**অস্বীকৃতি**:\nএই নথিটি AI অনুবাদ পরিষেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনূদিত হয়েছে। যদিও আমরা শুদ্ধতার জন্য চেষ্টা করি, অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। মূল নথিটি তার স্বভাষায় কর্তৃত্বপূর্ণ উৎস হিসেবে বিবেচিত হওয়া উচিত। গুরুত্বপূর্ণ তথ্যের জন্য পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদের ব্যবহারে প্রয়োজনীয় ভুল বোঝাবুঝি বা ভুল ব্যাখ্যার জন্য আমরা দায়বদ্ধ নই।\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->\n\n<!-- File: translations/bn/2-Regression/1-Tools/solution/Julia/README.md (Tokens: ~300 | Category: plugin-manifest) -->\n# Julia Documentation\n\nPath: `translations/bn/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/bn/2-Regression/1-Tools/solution/Julia/README.md)\n\n<!-- File: translations/cs/2-Regression/1-Tools/README.md (Tokens: ~5789 | Category: plugin-manifest) -->\n# Začněte s Pythonem a Scikit-learn pro regresní modely\n\n![Shrnutí regresí ve sketchnote](../../../../translated_images/cs/ml-regression.4e4f70e3b3ed446e.webp)\n\n> Sketchnote od [Tomomi Imura](https://www.twitter.com/girlie_mac)\n\n## [Přednáškový kvíz](https://ff-quizzes.netlify.app/en/ml/)\n\n> ### [Tato lekce je dostupná v R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)\n\n## Úvod\n\nV těchto čtyřech lekcích objevíte, jak vytvářet regresní modely. Brzy si vysvětlíme, k čemu slouží. Než však začnete, ujistěte se, že máte správné nástroje připravené ke startu!\n\nV této lekci se naučíte, jak:\n\n- Nakonfigurovat váš počítač pro místní úlohy strojového učení.\n- Pracovat s Jupyter Notebooky.\n- Používat Scikit-learn, včetně instalace.\n- Prozkoumat lineární regresi pomocí praktického cvičení.\n\n## Instalace a konfigurace\n\n[![ML pro začátečníky - Připravte své nástroje pro tvorbu modelů strojového učení](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 \"ML pro začátečníky - Připravte své nástroje pro tvorbu modelů strojového učení\")\n\n> 🎥 Klikněte na obrázek výše pro krátké video, ve kterém se naučíte, jak konfigurovat váš počítač pro ML.\n\n1. **Nainstalujte Python**. Ujistěte se, že máte na počítači nainstalovaný [Python](https://www.python.org/downloads/). Python budete používat pro mnoho úloh datové vědy a strojového učení. Většina počítačových systémů již obsahuje instalaci Pythonu. Existují i užitečné [balíčky pro kódování v Pythonu](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott), které některým uživatelům usnadní nastavení.\n\n   Některé použití Pythonu však vyžadují jednu verzi softwaru, zatímco jiné vyžadují verzi jinou. Proto je užitečné pracovat uvnitř [virtuálního prostředí](https://docs.python.org/3/library/venv.html).\n\n2. **Nainstalujte Visual Studio Code**. Ujistěte se, že máte na počítači nainstalovaný Visual Studio Code. Postupujte podle těchto instrukcí k [instalaci Visual Studio Code](https://code.visualstudio.com/) pro základní instalaci. V tomto kurzu budete používat Python ve Visual Studio Code, takže možná budete chtít osvěžit, jak [nastavit Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) pro vývoj v Pythonu.\n\n   > Získejte jistotu v Pythonu tím, že projdete tuto sbírku [učebních modulů](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)\n   >\n   > [![Nastavení Pythonu ve Visual Studio Code](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 \"Nastavení Pythonu ve Visual Studio Code\")\n   >\n   > 🎥 Klikněte na obrázek výše pro video: používání Pythonu ve VS Code.\n\n3. **Nainstalujte Scikit-learn** podle [těchto instrukcí](https://scikit-learn.org/stable/install.html). Protože je potřeba používat Python 3, doporučuje se použít virtuální prostředí. Vezměte na vědomí, že pokud knihovnu instalujete na M1 Macu, jsou na výše uvedené stránce speciální instrukce.\n\n1. **Nainstalujte Jupyter Notebook**. Budete potřebovat [nainstalovat balíček Jupyter](https://pypi.org/project/jupyter/).\n\n## Vaše prostředí pro tvorbu ML\n\nBudete používat **notebooky** k vývoji vašeho Python kódu a tvorbě modelů strojového učení. Tento typ souboru je běžným nástrojem datových vědců a poznáte je podle přípony `.ipynb`.\n\nNotebooky jsou interaktivní prostředí, která umožňují vývojáři jak kódovat, tak přidávat poznámky a psát dokumentaci kolem kódu, což je velmi užitečné pro experimentální nebo výzkumné projekty.\n\n[![ML pro začátečníky - Nastavte Jupyter Notebooky pro začátek tvorby regresních modelů](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E \"ML pro začátečníky - Nastavte Jupyter Notebooky pro začátek tvorby regresních modelů\")\n\n> 🎥 Klikněte na obrázek výše pro krátké video pracovní cvičení.\n\n### Cvičení - práce s notebookem\n\nV této složce naleznete soubor _notebook.ipynb_.\n\n1. Otevřete _notebook.ipynb_ ve Visual Studio Code.\n\n   Spustí se Jupyter server s Pythonem 3+. V notebooku najdete části, které mohou být `spuštěny`, kusy kódu. Blok kódu můžete spustit výběrem ikony vypadající jako tlačítko přehrávání (play).\n\n1. Vyberte ikonu `md` a přidejte trochu markdownu s následujícím textem **# Vítejte ve vašem notebooku**.\n\n   Poté přidejte nějaký Python kód.\n\n1. Napište **print('hello notebook')** ve bloku kódu.\n1. Klikněte na šipku pro spuštění kódu.\n\n   Měli byste vidět vytištěné prohlášení:\n\n    ```output\n    hello notebook\n    ```\n\n![VS Code s otevřeným notebookem](../../../../translated_images/cs/notebook.4a3ee31f396b8832.webp)\n\nMůžete prokládat svůj kód komentáři, aby si notebook sám dokumentoval.\n\n✅ Zamyslete se na chvíli, jak odlišné je pracovní prostředí webového vývojáře oproti datovému vědci.\n\n## Spuštění se Scikit-learn\n\nNyní když máte Python nastavený ve vašem lokálním prostředí a jste si jistí v Jupyter Notebookech, pojďme si přivyknout i na Scikit-learn (vyslovujte `sci` jako `science`). Scikit-learn poskytuje [rozsáhlé API](https://scikit-learn.org/stable/modules/classes.html#api-ref), které vám pomůže provádět úlohy ML.\n\nPodle jejich [webu](https://scikit-learn.org/stable/getting_started.html) \"Scikit-learn je open source knihovna strojového učení, která podporuje učení s učitelem i bez učitele. Poskytuje také různé nástroje pro fitování modelů, předzpracování dat, výběr modelů a hodnocení, a mnoho dalších utilit.\"\n\nV tomto kurzu budete používat Scikit-learn a další nástroje k vytváření modelů strojového učení, které budou plnit tzv. 'tradiční úlohy strojového učení'. Záměrně jsme vynechali neuronové sítě a hluboké učení, které budou pokryty v našem nadcházejícím kurzu 'AI pro začátečníky'.\n\nScikit-learn výrazně zjednodušuje vytváření modelů a jejich hodnocení pro použití. Zaměřuje se především na práci s číselnými daty a obsahuje několik připravených datasetů, které můžete užít jako učební pomůcky. Zahrnuje také předem vytvořené modely pro studenty k vyzkoušení. Nejprve si pojďme prohlédnout proces načtení předpřipravených dat a použití vestavěného odhadce — prvního ML modelu se Scikit-learn s některými základními daty.\n\n## Cvičení - váš první notebook se Scikit-learn\n\n> Tento tutoriál byl inspirován [příkladem lineární regrese](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) na webu Scikit-learn.\n\n\n[![ML pro začátečníky - Váš první projekt lineární regrese v Pythonu](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 \"ML pro začátečníky - Váš první projekt lineární regrese v Pythonu\")\n\n> 🎥 Klikněte na obrázek výše pro krátké video s průchodem tímto cvičením.\n\nV souboru _notebook.ipynb_ přidruženém k této lekci vymažte všechny buňky stisknutím ikony „koš“.\n\nV této části budete pracovat s malým datasetem o diabetu, který je součástí Scikit-learn pro účely výuky. Představte si, že chcete testovat léčbu pro pacienty s diabetem. Modely strojového učení vám mohou pomoci určit, kteří pacienti by na léčbu reagovali lépe na základě kombinací proměnných. Dokonce i velmi základní regresní model, pokud ho vizualizujete, může ukázat informace o proměnných, které vám pomohou uspořádat vaše teoretické klinické studie.\n\n✅ Existuje mnoho typů regresních metod a kterou zvolíte, závisí na odpovědi, kterou hledáte. Pokud chcete předpovědět pravděpodobnou výšku osoby určitého věku, použijete lineární regresi, protože hledáte **číselnou hodnotu**. Pokud vás zajímá, zda by určitý typ kuchyně měl být považován za veganský nebo ne, hledáte **přiřazení do kategorie**, takže byste použili logistickou regresi. O logistické regresi se naučíte později. Zamyslete se trochu nad otázkami, které můžete datům položit, a která z těchto metod by byla vhodnější.\n\nPojďme na to.\n\n### Import knihoven\n\nPro tento úkol naimportujeme některé knihovny:\n\n- **matplotlib**. Je to užitečný [nástroj pro grafy](https://matplotlib.org/) a použijeme jej k vytvoření čárového grafu.\n- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) je užitečná knihovna pro práci s numerickými daty v Pythonu.\n- **sklearn**. To je [knihovna Scikit-learn](https://scikit-learn.org/stable/user_guide.html).\n\nNaimportujte knihovny pro podporu vašich úloh.\n\n1. Přidejte importy tím, že napíšete následující kód:\n\n   ```python\n   import matplotlib.pyplot as plt\n   import numpy as np\n   from sklearn import datasets, linear_model, model_selection\n   ```\n\n   Výše importujete `matplotlib`, `numpy` a načítáte `datasets`, `linear_model` a `model_selection` ze `sklearn`. `model_selection` se používá pro rozdělení dat na tréninková a testovací data.\n\n### Dataset diabetu\n\nV vestavěném [diabetickém datasetu](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) je 442 vzorků dat o diabetu, s 10 proměnnými vlastností, z nichž některé zahrnují:\n\n- věk: věk v letech\n- bmi: index tělesné hmotnosti\n- bp: průměrný krevní tlak\n- s1 tc: T-buňky (typ bílých krvinek)\n\n✅ Tento dataset zahrnuje pojem 'pohlaví' jako důležitou proměnnou vlastnost pro výzkum diabetu. Mnoho lékařských datasetů obsahuje tento typ binární klasifikace. Zamyslete se nad tím, jak takové kategorizace mohou vyloučit určité části populace z léčby.\n\nTeď načtěte data X a y.\n\n> 🎓 Pamatujte, toto je učení s učitelem a potřebujeme pojmenovaný cíl 'y'.\n\nV nové buňce kódu načtěte dataset diabetu zavoláním `load_diabetes()`. Vstup `return_X_y=True` signalizuje, že `X` bude datová matice a `y` bude cílem regrese.\n\n1. Přidejte několik příkazů print pro zobrazení tvaru datové matice a jejího prvního prvku:\n\n    ```python\n    X, y = datasets.load_diabetes(return_X_y=True)\n    print(X.shape)\n    print(X[0])\n    ```\n\n    To, co dostáváte zpět jako odpověď, je n-tice. To, co děláte, je přiřazení dvou prvních hodnot n-tice do `X` a `y`. Více se dozvíte [o n-ticích](https://wikipedia.org/wiki/Tuple).\n\n    Vidíte, že tato data mají 442 položek uspořádaných v polích o 10 prvcích:\n\n    ```text\n    (442, 10)\n    [ 0.03807591  0.05068012  0.06169621  0.02187235 -0.0442235  -0.03482076\n    -0.04340085 -0.00259226  0.01990842 -0.01764613]\n    ```\n\n    ✅ Zamyslete se nad vztahem mezi daty a cílem regrese. Lineární regrese předpovídá vztahy mezi vlastností X a cílovou proměnnou y. Dokážete najít [cíl](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) pro dataset diabetu v dokumentaci? Co tento dataset demonstruje vzhledem k tomuto cíli?\n\n2. Dále vyberte část tohoto datasetu k vykreslení tím, že vyberete třetí sloupec datasetu. Můžete to udělat použitím operátoru `:` pro výběr všech řádků a pak výběrem třetího sloupce pomocí indexu (2). Data můžete také přetvarovat na 2D pole - jak je potřeba pro vykreslování - použitím `reshape(n_rows, n_columns)`. Pokud je jeden z parametrů -1, odpovídající rozměr se dopočítá automaticky.\n\n   ```python\n   X = X[:, 2]\n   X = X.reshape((-1,1))\n   ```\n\n   ✅ Kdykoliv vytiskněte data, abyste zkontrolovali jejich tvar.\n\n3. Nyní když máte data připravená k vykreslení, můžete zjistit, zda vám stroj pomůže určit logický rozdělení mezi čísly v tomto datasetu. K tomu je potřeba rozdělit data (X) i cíl (y) na testovací a tréninkové sady. Scikit-learn má snadný způsob, jak toho dosáhnout; můžete rozdělit svá testovací data v daném bodě.\n\n   ```python\n   X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)\n   ```\n\n4. Nyní jste připraveni trénovat svůj model! Načtěte lineární regresní model a trénujte ho s vašimi tréninkovými sadami X a y pomocí `model.fit()`:\n\n    ```python\n    model = linear_model.LinearRegression()\n    model.fit(X_train, y_train)\n    ```\n\n    ✅ `model.fit()` je funkce, kterou uvidíte v mnoha ML knihovnách jako TensorFlow\n\n5. Poté vytvořte predikci pomocí testovacích dat funkcí `predict()`. To použijete k vykreslení čáry mezi skupinami dat\n\n    ```python\n    y_pred = model.predict(X_test)\n    ```\n\n6. Teď je čas zobrazit data v grafu. Matplotlib je pro tento úkol velmi užitečný nástroj. Vytvořte rozptylový graf všech testovacích dat X a y a použijte predikci k vykreslení čáry na nejvhodnějším místě mezi skupinami dat modelu.\n\n    ```python\n    plt.scatter(X_test, y_test,  color='black')\n    plt.plot(X_test, y_pred, color='blue', linewidth=3)\n    plt.xlabel('Scaled BMIs')\n    plt.ylabel('Disease Progression')\n    plt.title('A Graph Plot Showing Diabetes Progression Against BMI')\n    plt.show()\n    ```\n\n   ![rozptylový graf ukazující datové body o diabetu](../../../../translated_images/cs/scatterplot.ad8b356bcbb33be6.webp)\n\n\n   ✅ Zamyslete se trochu nad tím, co se zde odehrává. Přímka prochází mnoha malými datovými body, ale co přesně dělá? Vidíte, jak byste měli být schopni tuto přímku použít k předpovědi, kde by se nový, neviděný datový bod měl ve vztahu k ose y grafu umístit? Zkuste slovy vyjádřit praktické využití tohoto modelu.\n\nGratulujeme, vytvořili jste svůj první model lineární regrese, vytvořili s ním předpověď a zobrazili ji v grafu!\n\n---\n## 🚀Výzva\n\nVykreslete jinou proměnnou z této datové sady. Tip: upravte tento řádek: `X = X[:,2]`. Vzhledem k cíli této sady dat, co dokážete zjistit o průběhu diabetu jako nemoci?\n## [Kvíz po přednášce](https://ff-quizzes.netlify.app/en/ml/)\n\n## Přehled a samostudium\n\nV tomto tutoriálu jste pracovali s jednoduchou lineární regresí, nikoli s univariátní nebo multivariátní lineární regresí. Přečtěte si něco o rozdílech mezi těmito metodami, nebo se podívejte na [toto video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)\n\nPřečtěte si více o konceptu regrese a zamyslete se nad tím, na jaké otázky může tato technika odpovědět. Absolvujte tento [návod](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott), aby jste prohloubili své porozumění.\n\n## Zadání\n\n[Jiná datová sada](assignment.md)\n\n---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Prohlášení o omezení odpovědnosti**:\nTento dokument byl přeložen pomocí AI překladatelské služby [Co-op Translator](https://github.com/Azure/co-op-translator). Přestože usilujeme o co největší přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Originální dokument v jeho mateřském jazyce by měl být považován za autoritativní zdroj. Pro kritické informace se doporučuje profesionální lidský překlad. Nejsme odpovědní za jakékoli nedorozumění nebo nesprávné interpretace vzniklé použitím tohoto překladu.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->\n\n<!-- File: translations/cs/2-Regression/1-Tools/solution/Julia/README.md (Tokens: ~300 | Category: plugin-manifest) -->\n# Julia Documentation\n\nPath: `translations/cs/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/cs/2-Regression/1-Tools/solution/Julia/README.md)\n\n<!-- File: translations/da/2-Regression/1-Tools/README.md (Tokens: ~4776 | Category: plugin-manifest) -->\n# Kom godt i gang med Python og Scikit-learn til regressionsmodeller\n\n![Oversigt over regressioner i en sketchnote](../../../../translated_images/da/ml-regression.4e4f70e3b3ed446e.webp)\n\n> Sketchnote af [Tomomi Imura](https://www.twitter.com/girlie_mac)\n\n## [For-forelæsning quiz](https://ff-quizzes.netlify.app/en/ml/)\n\n> ### [Denne lektion findes også i R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)\n\n## Introduktion\n\nI disse fire lektioner vil du opdage, hvordan man bygger regressionsmodeller. Vi vil snart diskutere, hvad disse bruges til. Men før du gør noget, skal du sikre dig, at du har de rette værktøjer på plads for at begynde processen!\n\nI denne lektion vil du lære at:\n\n- Konfigurere din computer til lokale maskinlæringsopgaver.\n- Arbejde med Jupyter Notebooks.\n- Bruge Scikit-learn, inklusive installation.\n- Udforske lineær regression med en praktisk øvelse.\n\n## Installationer og konfigurationer\n\n[![ML for begyndere - Opsæt dine værktøjer klar til at bygge maskinlæringsmodeller](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 \"ML for begyndere -Opsæt dine værktøjer klar til at bygge maskinlæringsmodeller\")\n\n> 🎥 Klik på billedet ovenfor for en kort video, der viser, hvordan du konfigurerer din computer til ML.\n\n1. **Installer Python**. Sørg for, at [Python](https://www.python.org/downloads/) er installeret på din computer. Du vil bruge Python til mange data science- og maskinlæringsopgaver. De fleste computersystemer inkluderer allerede en Python-installation. Der findes også nyttige [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) tilgængelige, som kan lette opsætningen for nogle brugere.\n\n   Nogle anvendelser af Python kræver dog én version af softwaren, mens andre kræver en anden version. Af denne grund er det nyttigt at arbejde inden for et [virtuelt miljø](https://docs.python.org/3/library/venv.html).\n\n2. **Installer Visual Studio Code**. Sørg for, at du har Visual Studio Code installeret på din computer. Følg disse instruktioner for at [installere Visual Studio Code](https://code.visualstudio.com/) til den grundlæggende installation. Du kommer til at bruge Python i Visual Studio Code i dette kursus, så du vil måske opfriske, hvordan man [konfigurerer Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) til Python-udvikling.\n\n   > Bliv fortrolig med Python ved at arbejde gennem denne samling af [Læringsmoduler](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)\n   >\n   > [![Opsæt Python med Visual Studio Code](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 \"Opsæt Python med Visual Studio Code\")\n   >\n   > 🎥 Klik på billedet ovenfor for en video: brug af Python i VS Code.\n\n3. **Installer Scikit-learn**, ved at følge [disse instruktioner](https://scikit-learn.org/stable/install.html). Da du skal sikre dig, at du bruger Python 3, anbefales det, at du bruger et virtuelt miljø. Bemærk, hvis du installerer dette bibliotek på en M1 Mac, er der særlige instruktioner på den linkede side ovenfor.\n\n1. **Installer Jupyter Notebook**. Du skal [installere Jupyter-pakken](https://pypi.org/project/jupyter/).\n\n## Dit ML forfattermiljø\n\nDu kommer til at bruge **notebooks** til at udvikle din Python-kode og skabe maskinlæringsmodeller. Denne type fil er et almindeligt værktøj for dataforskere, og de kan identificeres ved deres suffix eller filendelse `.ipynb`.\n\nNotebooks er et interaktivt miljø, som tillader udvikleren både at kode og tilføje noter og skrive dokumentation omkring koden, hvilket er ganske hjælpsomt til eksperimentelle eller forskningsorienterede projekter.\n\n[![ML for begyndere - Opsæt Jupyter Notebooks for at starte med at bygge regressionsmodeller](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E \"ML for begyndere - Opsæt Jupyter Notebooks for at starte med at bygge regressionsmodeller\")\n\n> 🎥 Klik på billedet ovenfor for en kort video, der gennemgår denne øvelse.\n\n### Øvelse - arbejd med en notebook\n\nI denne mappe finder du filen _notebook.ipynb_.\n\n1. Åbn _notebook.ipynb_ i Visual Studio Code.\n\n   En Jupyter-server vil starte med Python 3+ i gang. Du vil finde områder af notebooken, der kan `køres`, stykker af kode. Du kan køre en kodeblok ved at vælge ikonet, der ligner en afspilningsknap.\n\n1. Vælg `md`-ikonet og tilføj lidt markdown, og følgende tekst **# Velkommen til din notebook**.\n\n   Tilføj derefter noget Python-kode.\n\n1. Skriv **print('hello notebook')** i kodeblokken.\n1. Vælg pilen for at køre koden.\n\n   Du skulle gerne se den udskrevne sætning:\n\n    ```output\n    hello notebook\n    ```\n\n![VS Code med en åben notebook](../../../../translated_images/da/notebook.4a3ee31f396b8832.webp)\n\nDu kan folde din kode sammen med kommentarer for at selvdokumentere notebooken.\n\n✅ Tænk et øjeblik over, hvor forskelligt en webudviklers arbejdsmiljø er i forhold til en dataforskers.\n\n## Oppe og køre med Scikit-learn\n\nNu hvor Python er sat op i dit lokale miljø, og du er fortrolig med Jupyter Notebooks, lad os blive lige så fortrolige med Scikit-learn (udtales `sci` som i `science`). Scikit-learn tilbyder et [omfattende API](https://scikit-learn.org/stable/modules/classes.html#api-ref) for at hjælpe dig med at udføre ML-opgaver.\n\nIfølge deres [hjemmeside](https://scikit-learn.org/stable/getting_started.html), \"er Scikit-learn et open source maskinlæringsbibliotek, der understøtter superviseret og usuperviseret læring. Det tilbyder også forskellige værktøjer til modeltilpasning, dataprvbehandling, modelvalg og evaluering samt mange andre hjælpemidler.\"\n\nI dette kursus vil du bruge Scikit-learn og andre værktøjer til at bygge maskinlæringsmodeller for at udføre det, vi kalder 'traditionelle maskinlærings'-opgaver. Vi har bevidst undgået neurale netværk og dyb læring, da de bedre dækkes i vores kommende 'AI for Beginners' pensum.\n\nScikit-learn gør det enkelt at bygge modeller og evaluere dem til brug. Det fokuserer primært på at bruge numeriske data og indeholder adskillige færdiglavede datasæt til brug som læringsværktøjer. Det inkluderer også forberedte modeller, som studerende kan prøve. Lad os først udforske processen med at indlæse forberedte data og bruge en indbygget estimator — den første ML-model med Scikit-learn med nogle grundlæggende data.\n\n## Øvelse - din første Scikit-learn notebook\n\n> Denne tutorial er inspireret af [eksemplet på lineær regression](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) på Scikit-learns websted.\n\n\n[![ML for begyndere - Dit første lineære regressionsprojekt i Python](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 \"ML for begyndere - Dit første lineære regressionsprojekt i Python\")\n\n> 🎥 Klik på billedet ovenfor for en kort video, der gennemgår denne øvelse.\n\nI filen _notebook.ipynb_ tilknyttet denne lektion, ryd alle cellerne ved at trykke på 'skraldespands' ikonet.\n\nI denne sektion vil du arbejde med et lille datasæt om diabetes, som er indbygget i Scikit-learn til læringsformål. Forestil dig, at du ønskede at teste en behandling for diabetespatienter. Maskinlæringsmodeller kan hjælpe dig med at afgøre, hvilke patienter der ville reagere bedre på behandlingen, baseret på kombinationer af variable. Selv en meget basal regressionsmodel, når den visualiseres, kan vise oplysninger om variable, der ville hjælpe dig med at organisere dine teoretiske kliniske forsøg.\n\n✅ Der findes mange typer regressionsmetoder, og hvilken du vælger afhænger af det svar, du søger. Hvis du vil forudsige den sandsynlige højde for en person i en given alder, vil du bruge lineær regression, da du søger en **numerisk værdi**. Hvis du er interesseret i at finde ud af, om en bestemt type køkken skal betragtes som vegansk eller ej, søger du en **kategori-tildeling**, så du ville bruge logistisk regression. Du lærer mere om logistisk regression senere. Tænk lidt over nogle spørgsmål, du kan stille om data, og hvilken af disse metoder der ville være mere passende.\n\nLad os komme i gang med denne opgave.\n\n### Importer biblioteker\n\nTil denne opgave vil vi importere nogle biblioteker:\n\n- **matplotlib**. Det er et nyttigt [grafværktøj](https://matplotlib.org/) og vi vil bruge det til at lave en linjeplot.\n- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) er et nyttigt bibliotek til håndtering af numeriske data i Python.\n- **sklearn**. Dette er [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) biblioteket.\n\nImporter nogle biblioteker til at hjælpe med dine opgaver.\n\n1. Tilføj imports ved at skrive følgende kode:\n\n   ```python\n   import matplotlib.pyplot as plt\n   import numpy as np\n   from sklearn import datasets, linear_model, model_selection\n   ```\n\n   Ovenfor importerer du `matplotlib`, `numpy` og du importerer også `datasets`, `linear_model` og `model_selection` fra `sklearn`. `model_selection` bruges til at opdele data i trænings- og testdatasæt.\n\n### Diabetes-datasættet\n\nDet indbyggede [diabetes datasæt](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) indeholder 442 datapunkter om diabetes, med 10 feature variabler, nogle af dem inkluderer:\n\n- alder: alder i år\n- bmi: kropsmasseindeks\n- bp: gennemsnitligt blodtryk\n- s1 tc: T-celler (en type hvide blodlegemer)\n\n✅ Dette datasæt inkluderer begrebet 'køn' som en feature variabel vigtig for forskning omkring diabetes. Mange medicinske datasæt inkluderer denne type binær klassifikation. Tænk lidt over, hvordan kategoriseringer som denne kan udelukke visse dele af en befolkning fra behandlinger.\n\nNu skal du indlæse X- og y-dataene.\n\n> 🎓 Husk, dette er superviseret læring, og vi har brug for et navngivet 'y' mål.\n\nI en ny kodecelle, indlæs diabetes datasættet ved at kalde `load_diabetes()`. Inputtet `return_X_y=True` signalerer, at `X` vil være en datamatricer, og `y` vil være regressionsmålet.\n\n1. Tilføj nogle print-kommandoer for at vise formen af datamatrixen og dens første element:\n\n    ```python\n    X, y = datasets.load_diabetes(return_X_y=True)\n    print(X.shape)\n    print(X[0])\n    ```\n\n    Det, du får tilbage som respons, er en tuple. Det, du gør, er at tildele de to første værdier i tuplen til henholdsvis `X` og `y`. Læs mere [om tuples](https://wikipedia.org/wiki/Tuple).\n\n    Du kan se, at disse data har 442 elementer formet som arrays med 10 elementer:\n\n    ```text\n    (442, 10)\n    [ 0.03807591  0.05068012  0.06169621  0.02187235 -0.0442235  -0.03482076\n    -0.04340085 -0.00259226  0.01990842 -0.01764613]\n    ```\n\n    ✅ Tænk lidt over forholdet mellem dataene og regressionsmålet. Lineær regression forudsiger sammenhænge mellem feature X og målvariablen y. Kan du finde [målet](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) for diabetes datasættet i dokumentationen? Hvad demonstrerer dette datasæt, givet målet?\n\n2. Vælg derefter en del af dette datasæt til at plotte ved at vælge den 3. kolonne af datasættet. Det kan du gøre ved at bruge `:` operatoren til at vælge alle rækker, og derefter vælge den 3. kolonne ved hjælp af indekset (2). Du kan også omforme dataene til at være et 2D-array — som krævet for plotning — ved at bruge `reshape(n_rows, n_columns)`. Hvis en af parametrene er -1, beregnes den tilsvarende dimension automatisk.\n\n   ```python\n   X = X[:, 2]\n   X = X.reshape((-1,1))\n   ```\n\n   ✅ Print dataene ud når som helst for at tjekke deres form.\n\n3. Nu hvor du har data klar til at blive plottet, kan du se, om en maskine kan hjælpe med at bestemme en logisk opdeling mellem tallene i dette datasæt. For at gøre dette skal du opdele både dataene (X) og målet (y) i test- og træningssæt. Scikit-learn har en ligetil måde at gøre dette på; du kan opdele dine testdata på et givent punkt.\n\n   ```python\n   X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)\n   ```\n\n4. Nu er du klar til at træne din model! Indlæs den lineære regressionsmodel og træne den med dine X- og y træningssæt ved hjælp af `model.fit()`:\n\n    ```python\n    model = linear_model.LinearRegression()\n    model.fit(X_train, y_train)\n    ```\n\n    ✅ `model.fit()` er en funktion, du vil se i mange ML-biblioteker såsom TensorFlow\n\n5. Opret derefter en forudsigelse ved hjælp af testdata, brug funktionen `predict()`. Dette vil blive brugt til at tegne linjen mellem datagrupper\n\n    ```python\n    y_pred = model.predict(X_test)\n    ```\n\n6. Nu er det tid til at vise dataene i et plot. Matplotlib er et meget nyttigt værktøj til denne opgave. Lav et scatterplot af alle X- og y testdata, og brug forudsigelsen til at tegne en linje på det mest passende sted, mellem modellens datagrupperinger.\n\n    ```python\n    plt.scatter(X_test, y_test,  color='black')\n    plt.plot(X_test, y_pred, color='blue', linewidth=3)\n    plt.xlabel('Scaled BMIs')\n    plt.ylabel('Disease Progression')\n    plt.title('A Graph Plot Showing Diabetes Progression Against BMI')\n    plt.show()\n    ```\n\n   ![et scatterplot, der viser datapunkter omkring diabetes](../../../../translated_images/da/scatterplot.ad8b356bcbb33be6.webp)\n\n\n   ✅ Tænk lidt over, hvad der foregår her. En ret linje løber gennem mange små datapunkter, men hvad gør den egentlig? Kan du se, hvordan du burde kunne bruge denne linje til at forudsige, hvor et nyt, uset datapunkt skal placeres i forhold til plottets y-akse? Prøv at formulere den praktiske anvendelse af denne model.\n\nTillykke, du har bygget din første lineære regressionsmodel, lavet en forudsigelse med den og vist den i et plot!\n\n---\n## 🚀Udfordring\n\nPlot en anden variabel fra dette datasæt. Tip: rediger denne linje: `X = X[:,2]`. Med dette datasæts målvariabel, hvad kan du opdage om progressionen af diabetes som sygdom?\n## [Quiz efter forelæsning](https://ff-quizzes.netlify.app/en/ml/)\n\n## Gennemgang & Selvstudium\n\nI denne vejledning arbejdede du med simpel lineær regression fremfor univariat eller multiple lineære regression. Læs lidt om forskellene mellem disse metoder, eller se [denne video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)\n\nLæs mere om konceptet regression og tænk over, hvilke slags spørgsmål der kan besvares med denne teknik. Tag denne [vejledning](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) for at fordybe din forståelse.\n\n## Opgave\n\n[Et andet datasæt](assignment.md)\n\n---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Ansvarsfraskrivelse**:\nDette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selvom vi bestræber os på nøjagtighed, skal du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os intet ansvar for misforståelser eller fejltolkninger, der opstår som følge af brugen af denne oversættelse.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->\n\n<!-- File: translations/da/2-Regression/1-Tools/solution/Julia/README.md (Tokens: ~300 | Category: plugin-manifest) -->\n# Julia Documentation\n\nPath: `translations/da/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/da/2-Regression/1-Tools/solution/Julia/README.md)\n\n<!-- File: translations/de/2-Regression/1-Tools/solution/Julia/README.md (Tokens: ~300 | Category: plugin-manifest) -->\n# Julia Documentation\n\nPath: `translations/de/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/de/2-Regression/1-Tools/solution/Julia/README.md)\n\n<!-- File: translations/el/2-Regression/1-Tools/solution/Julia/README.md (Tokens: ~300 | Category: plugin-manifest) -->\n# Julia Documentation\n\nPath: `translations/el/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/el/2-Regression/1-Tools/solution/Julia/README.md)\n\n<!-- File: translations/en/2-Regression/1-Tools/solution/Julia/README.md (Tokens: ~300 | Category: plugin-manifest) -->\n# Julia Documentation\n\nPath: `translations/en/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/en/2-Regression/1-Tools/solution/Julia/README.md)\n\n<!-- File: translations/es/2-Regression/1-Tools/README.md (Tokens: ~4265 | Category: plugin-manifest) -->\n# Comienza con Python y Scikit-learn para modelos de regresión\n\n![Resumen de regresiones en una sketchnote](../../../../translated_images/es/ml-regression.4e4f70e3b3ed446e.webp)\n\n> Sketchnote de [Tomomi Imura](https://www.twitter.com/girlie_mac)\n\n## [Cuestionario previo a la clase](https://ff-quizzes.netlify.app/en/ml/)\n\n> ### [¡Esta lección está disponible en R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)\n\n## Introducción\n\nEn estas cuatro lecciones, descubrirás cómo construir modelos de regresión. Hablaremos de para qué sirven en breve. Pero antes de hacer cualquier cosa, asegúrate de tener las herramientas correctas para comenzar el proceso.\n\nEn esta lección, aprenderás a:\n\n- Configurar tu computadora para tareas locales de aprendizaje automático.\n- Trabajar con Jupyter Notebooks.\n- Usar Scikit-learn, incluida la instalación.\n- Explorar la regresión lineal con un ejercicio práctico.\n\n## Instalaciones y configuraciones\n\n[![ML para principiantes - Prepara tus herramientas listas para construir modelos de Machine Learning](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 \"ML para principiantes - Prepara tus herramientas listas para construir modelos de Machine Learning\")\n\n> 🎥 Haz clic en la imagen de arriba para un video corto mostrando cómo configurar tu computadora para ML.\n\n1. **Instala Python**. Asegúrate de que [Python](https://www.python.org/downloads/) esté instalado en tu computadora. Usarás Python para muchas tareas de ciencia de datos y aprendizaje automático. La mayoría de los sistemas ya incluyen una instalación de Python. También hay útiles [Paquetes de Codificación Python](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) disponibles para facilitar la configuración a algunos usuarios.\n\n   Sin embargo, algunos usos de Python requieren una versión del software, mientras que otros requieren una diferente. Por esto, es útil trabajar dentro de un [entorno virtual](https://docs.python.org/3/library/venv.html).\n\n2. **Instala Visual Studio Code**. Asegúrate de tener instalado Visual Studio Code en tu computadora. Sigue estas instrucciones para [instalar Visual Studio Code](https://code.visualstudio.com/) para la instalación básica. Vas a usar Python en Visual Studio Code en este curso, por lo que quizás quieras repasar cómo [configurar Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) para desarrollo en Python.\n\n   > Familiarízate con Python trabajando estos [módulos de aprendizaje](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)\n   >\n   > [![Configura Python con Visual Studio Code](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 \"Configura Python con Visual Studio Code\")\n   >\n   > 🎥 Haz clic en la imagen de arriba para un video: usando Python dentro de VS Code.\n\n3. **Instala Scikit-learn**, siguiendo [estas instrucciones](https://scikit-learn.org/stable/install.html). Como necesitas asegurarte de usar Python 3, se recomienda usar un entorno virtual. Nota que si instalas esta biblioteca en un Mac M1, hay instrucciones especiales en la página enlazada arriba.\n\n1. **Instala Jupyter Notebook**. Necesitarás [instalar el paquete Jupyter](https://pypi.org/project/jupyter/).\n\n## Tu entorno de autoría ML\n\nUsarás **notebooks** para desarrollar tu código Python y crear modelos de aprendizaje automático. Este tipo de archivo es una herramienta común para científicos de datos, y se identifica por su sufijo o extensión `.ipynb`.\n\nLos notebooks son un entorno interactivo que permite al desarrollador tanto codificar como añadir notas y escribir documentación alrededor del código, lo que es muy útil para proyectos experimentales o de investigación.\n\n[![ML para principiantes - Configura Jupyter Notebooks para comenzar a construir modelos de regresión](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E \"ML para principiantes - Configura Jupyter Notebooks para comenzar a construir modelos de regresión\")\n\n> 🎥 Haz clic en la imagen de arriba para un video corto realizando este ejercicio.\n\n### Ejercicio - trabaja con un notebook\n\nEn esta carpeta, encontrarás el archivo _notebook.ipynb_.\n\n1. Abre _notebook.ipynb_ en Visual Studio Code.\n\n   Se iniciará un servidor Jupyter con Python 3+ activo. Encontrarás áreas del notebook que pueden `ejecutarse`, fragmentos de código. Puedes ejecutar un bloque de código seleccionando el icono que parece un botón de reproducir.\n\n1. Selecciona el icono `md` y añade un poco de markdown, y el siguiente texto **# Bienvenido a tu notebook**.\n\n   Luego, añade un poco de código Python.\n\n1. Escribe **print('hola notebook')** en el bloque de código.\n1. Selecciona la flecha para ejecutar el código.\n\n   Deberías ver la instrucción impresa:\n\n    ```output\n    hello notebook\n    ```\n\n![VS Code con un notebook abierto](../../../../translated_images/es/notebook.4a3ee31f396b8832.webp)\n\nPuedes intercalar tu código con comentarios para auto-documentar el notebook.\n\n✅ Piensa por un minuto cuán diferente es el entorno de trabajo de un desarrollador web en comparación con el de un científico de datos.\n\n## En marcha con Scikit-learn\n\nAhora que Python está configurado en tu entorno local y estás cómodo con Jupyter Notebooks, vamos a familiarizarnos también con Scikit-learn (pronúncialo `sci` como en `science`). Scikit-learn proporciona una [API extensa](https://scikit-learn.org/stable/modules/classes.html#api-ref) para ayudarte a realizar tareas de ML.\n\nSegún su [sitio web](https://scikit-learn.org/stable/getting_started.html), \"Scikit-learn es una biblioteca de aprendizaje automático de código abierto que soporta aprendizaje supervisado y no supervisado. También provee varias herramientas para ajuste de modelos, preprocesamiento de datos, selección y evaluación de modelos, y muchas otras utilidades.\"\n\nEn este curso usarás Scikit-learn y otras herramientas para construir modelos de aprendizaje automático para realizar lo que llamamos tareas tradicionales de aprendizaje automático. Hemos evitado intencionadamente redes neuronales y aprendizaje profundo, ya que se cubren mejor en nuestro próximo plan curricular 'IA para principiantes'.\n\nScikit-learn facilita construir modelos y evaluarlos para uso. Se centra principalmente en datos numéricos y contiene varios conjuntos de datos listos para usar como herramientas de aprendizaje. También incluye modelos preconstruidos para que los estudiantes prueben. Exploremos primero el proceso de cargar datos preempaquetados y usar un estimador incorporado para el primer modelo ML con Scikit-learn con datos básicos.\n\n## Ejercicio - tu primer notebook con Scikit-learn\n\n> Este tutorial fue inspirado por el [ejemplo de regresión lineal](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) en el sitio web de Scikit-learn.\n\n\n[![ML para principiantes - Tu Primer Proyecto de Regresión Lineal en Python](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 \"ML para principiantes - Tu Primer Proyecto de Regresión Lineal en Python\")\n\n> 🎥 Haz clic en la imagen de arriba para un video corto realizando este ejercicio.\n\nEn el archivo _notebook.ipynb_ asociado a esta lección, limpia todas las celdas presionando el icono de 'papelera'.\n\nEn esta sección, trabajarás con un pequeño conjunto de datos sobre diabetes que está incorporado en Scikit-learn para fines de aprendizaje. Imagina que quieres probar un tratamiento para pacientes diabéticos. Los modelos de aprendizaje automático pueden ayudarte a determinar qué pacientes responderían mejor al tratamiento, basándose en combinaciones de variables. Incluso un modelo básico de regresión, cuando se visualiza, puede mostrar información sobre variables que te ayudarían a organizar tus ensayos clínicos teóricos.\n\n✅ Hay muchos tipos de métodos de regresión y cuál eliges depende de la respuesta que buscas. Si quieres predecir la altura probable para una persona de cierta edad, usarías regresión lineal, ya que buscas un **valor numérico**. Si te interesa descubrir si un tipo de cocina debe considerarse vegana o no, buscas una **asignación de categoría**, por lo que usarías regresión logística. Aprenderás más sobre regresión logística más adelante. Piensa un poco en algunas preguntas que puedes hacer sobre datos y cuál de estos métodos sería más apropiado.\n\nVamos a comenzar con esta tarea.\n\n### Importar bibliotecas\n\nPara esta tarea importaremos algunas bibliotecas:\n\n- **matplotlib**. Es una [herramienta de gráficos](https://matplotlib.org/) útil que usaremos para crear un gráfico de líneas.\n- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) es una biblioteca útil para manejar datos numéricos en Python.\n- **sklearn**. Esta es la biblioteca [Scikit-learn](https://scikit-learn.org/stable/user_guide.html).\n\nImporta algunas bibliotecas para ayudarte con tus tareas.\n\n1. Añade las importaciones escribiendo el siguiente código:\n\n   ```python\n   import matplotlib.pyplot as plt\n   import numpy as np\n   from sklearn import datasets, linear_model, model_selection\n   ```\n\n   Más arriba estás importando `matplotlib`, `numpy` y estás importando `datasets`, `linear_model` y `model_selection` de `sklearn`. `model_selection` se usa para dividir los datos en conjuntos de entrenamiento y prueba.\n\n### El conjunto de datos de diabetes\n\nEl [conjunto de datos diabetes](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) incorporado incluye 442 muestras de datos sobre diabetes, con 10 variables características, algunas de las cuales incluyen:\n\n- edad: edad en años\n- imc: índice de masa corporal\n- presión arterial: presión arterial promedio\n- s1 tc: Células T (un tipo de glóbulos blancos)\n\n✅ Este conjunto de datos incluye el concepto de 'sexo' como variable característica importante para la investigación sobre diabetes. Muchos conjuntos de datos médicos incluyen este tipo de clasificación binaria. Piensa un poco en cómo categorizaciones así podrían excluir a ciertas partes de una población de tratamientos.\n\nAhora, carga los datos X y y.\n\n> 🎓 Recuerda, este es aprendizaje supervisado, y necesitamos un objetivo llamado 'y'.\n\nEn una nueva celda de código, carga el conjunto de datos diabetes llamando a `load_diabetes()`. El parámetro `return_X_y=True` señala que `X` será una matriz de datos, y `y` será el objetivo de regresión.\n\n1. Añade algunos comandos print para mostrar la forma de la matriz de datos y su primer elemento:\n\n    ```python\n    X, y = datasets.load_diabetes(return_X_y=True)\n    print(X.shape)\n    print(X[0])\n    ```\n\n    Lo que recibes como respuesta es una tupla. Lo que haces es asignar los dos primeros valores de la tupla a `X` y `y` respectivamente. Aprende más [sobre tuplas](https://wikipedia.org/wiki/Tuple).\n\n    Puedes ver que estos datos tienen 442 ítems con forma de arrays de 10 elementos:\n\n    ```text\n    (442, 10)\n    [ 0.03807591  0.05068012  0.06169621  0.02187235 -0.0442235  -0.03482076\n    -0.04340085 -0.00259226  0.01990842 -0.01764613]\n    ```\n\n    ✅ Piensa un poco sobre la relación entre los datos y el objetivo de regresión. La regresión lineal predice relaciones entre la característica X y la variable objetivo y. ¿Puedes encontrar el [objetivo](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) para el conjunto de datos de diabetes en la documentación? ¿Qué está demostrando este conjunto de datos dado ese objetivo?\n\n2. Luego, selecciona una parte de este conjunto de datos para graficar seleccionando la tercera columna del conjunto. Puedes hacerlo usando el operador `:` para seleccionar todas las filas, y luego seleccionando la tercera columna usando el índice (2). También puedes remodelar los datos para que sean un array 2D — como se requiere para la gráfica — usando `reshape(n_filas, n_columnas)`. Si uno de los parámetros es -1, la dimensión correspondiente se calcula automáticamente.\n\n   ```python\n   X = X[:, 2]\n   X = X.reshape((-1,1))\n   ```\n\n   ✅ En cualquier momento, imprime los datos para verificar su forma.\n\n3. Ahora que tienes datos listos para graficar, puedes ver si una máquina puede ayudar a determinar una división lógica entre los números en este conjunto de datos. Para ello, necesitas dividir tanto los datos (X) como el objetivo (y) en conjuntos de prueba y entrenamiento. Scikit-learn tiene una forma sencilla de hacerlo; puedes dividir tus datos de prueba en un punto dado.\n\n   ```python\n   X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)\n   ```\n\n4. ¡Ahora estás listo para entrenar tu modelo! Carga el modelo de regresión lineal y entrénalo con tus conjuntos de entrenamiento X y y usando `model.fit()`:\n\n    ```python\n    model = linear_model.LinearRegression()\n    model.fit(X_train, y_train)\n    ```\n\n    ✅ `model.fit()` es una función que verás en muchas bibliotecas de ML como TensorFlow\n\n5. Luego, crea una predicción usando los datos de prueba, usando la función `predict()`. Esto se usará para trazar la línea entre los grupos de datos.\n\n    ```python\n    y_pred = model.predict(X_test)\n    ```\n\n6. Ahora es momento de mostrar los datos en una gráfica. Matplotlib es una herramienta muy útil para esta tarea. Crea un diagrama de dispersión de todos los datos de prueba X e y, y usa la predicción para dibujar una línea en el lugar más apropiado, entre los grupos de datos del modelo.\n\n    ```python\n    plt.scatter(X_test, y_test,  color='black')\n    plt.plot(X_test, y_pred, color='blue', linewidth=3)\n    plt.xlabel('Scaled BMIs')\n    plt.ylabel('Disease Progression')\n    plt.title('A Graph Plot Showing Diabetes Progression Against BMI')\n    plt.show()\n    ```\n\n   ![un diagrama de dispersión mostrando puntos de datos sobre diabetes](../../../../translated_images/es/scatterplot.ad8b356bcbb33be6.webp)\n\n\n   ✅ Piensa un poco sobre lo que está pasando aquí. Una línea recta atraviesa muchos pequeños puntos de datos, pero ¿qué está haciendo exactamente? ¿Puedes ver cómo deberías poder usar esta línea para predecir dónde debería encajar un nuevo punto de datos no visto en relación con el eje y del gráfico? Trata de poner en palabras el uso práctico de este modelo.\n\n¡Felicidades, construiste tu primer modelo de regresión lineal, creaste una predicción con él y la mostraste en un gráfico!\n\n---\n## 🚀Desafío\n\nGrafica una variable diferente de este conjunto de datos. Pista: edita esta línea: `X = X[:,2]`. Dado el objetivo de este conjunto de datos, ¿qué puedes descubrir sobre la progresión de la diabetes como enfermedad?\n## [Cuestionario posterior a la conferencia](https://ff-quizzes.netlify.app/en/ml/)\n\n## Revisión y Autoestudio\n\nEn este tutorial, trabajaste con regresión lineal simple, en lugar de regresión lineal univariante o múltiple. Lee un poco sobre las diferencias entre estos métodos, o mira [este video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)\n\nLee más sobre el concepto de regresión y piensa en qué tipos de preguntas pueden responderse con esta técnica. Toma este [tutorial](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) para profundizar tu comprensión.\n\n## Tarea\n\n[Un conjunto de datos diferente](assignment.md)\n\n---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Descargo de responsabilidad**:\nEste documento ha sido traducido utilizando el servicio de traducción automática [Co-op Translator](https://github.com/Azure/co-op-translator). Aunque nos esforzamos por la precisión, tenga en cuenta que las traducciones automatizadas pueden contener errores o inexactitudes. El documento original en su idioma nativo debe considerarse la fuente autorizada. Para información crítica, se recomienda una traducción profesional humana. No somos responsables de cualquier malentendido o interpretación errónea que surja del uso de esta traducción.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->\n\n<!-- File: translations/es/2-Regression/1-Tools/solution/Julia/README.md (Tokens: ~300 | Category: plugin-manifest) -->\n# Julia Documentation\n\nPath: `translations/es/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/es/2-Regression/1-Tools/solution/Julia/README.md)\n\n<!-- File: translations/et/2-Regression/1-Tools/README.md (Tokens: ~300 | Category: plugin-manifest) -->\n# 1-Tools Documentation\n\nPath: `translations/et/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/et/2-Regression/1-Tools/README.md)\n\n<!-- File: translations/et/2-Regression/1-Tools/solution/Julia/README.md (Tokens: ~300 | Category: plugin-manifest) -->\n# Julia Documentation\n\nPath: `translations/et/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/et/2-Regression/1-Tools/solution/Julia/README.md)\n\n<!-- File: translations/fa/2-Regression/1-Tools/README.md (Tokens: ~300 | Category: plugin-manifest) -->\n# 1-Tools Documentation\n\nPath: `translations/fa/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fa/2-Regression/1-Tools/README.md)\n\n<!-- File: translations/fa/2-Regression/1-Tools/solution/Julia/README.md (Tokens: ~300 | Category: plugin-manifest) -->\n# Julia Documentation\n\nPath: `translations/fa/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fa/2-Regression/1-Tools/solution/Julia/README.md)\n\n<!-- File: translations/fi/2-Regression/1-Tools/README.md (Tokens: ~300 | Category: plugin-manifest) -->\n# 1-Tools Documentation\n\nPath: `translations/fi/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fi/2-Regression/1-Tools/README.md)\n\n<!-- File: translations/fi/2-Regression/1-Tools/solution/Julia/README.md (Tokens: ~300 | Category: plugin-manifest) -->\n# Julia Documentation\n\nPath: `translations/fi/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fi/2-Regression/1-Tools/solution/Julia/README.md)\n\n<!-- File: translations/fr/2-Regression/1-Tools/README.md (Tokens: ~300 | Category: plugin-manifest) -->\n# 1-Tools Documentation\n\nPath: `translations/fr/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fr/2-Regression/1-Tools/README.md)\n\n<!-- File: translations/fr/2-Regression/1-Tools/solution/Julia/README.md (Tokens: ~300 | Category: plugin-manifest) -->\n# Julia Documentation\n\nPath: `translations/fr/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/fr/2-Regression/1-Tools/solution/Julia/README.md)\n\n<!-- File: translations/he/2-Regression/1-Tools/README.md (Tokens: ~300 | Category: plugin-manifest) -->\n# 1-Tools Documentation\n\nPath: `translations/he/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/he/2-Regression/1-Tools/README.md)\n\n<!-- File: translations/he/2-Regression/1-Tools/solution/Julia/README.md (Tokens: ~300 | Category: plugin-manifest) -->\n# Julia Documentation\n\nPath: `translations/he/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/he/2-Regression/1-Tools/solution/Julia/README.md)\n\n<!-- File: translations/hi/2-Regression/1-Tools/README.md (Tokens: ~300 | Category: plugin-manifest) -->\n# 1-Tools Documentation\n\nPath: `translations/hi/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/hi/2-Regression/1-Tools/README.md)\n\n<!-- File: translations/hi/2-Regression/1-Tools/solution/Julia/README.md (Tokens: ~300 | Category: plugin-manifest) -->\n# Julia Documentation\n\nPath: `translations/hi/2-Regression/1-Tools/solution/Julia/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/hi/2-Regression/1-Tools/solution/Julia/README.md)\n\n<!-- File: translations/hr/2-Regression/1-Tools/README.md (Tokens: ~300 | Category: plugin-manifest) -->\n# 1-Tools Documentation\n\nPath: `translations/hr/2-Regression/1-Tools/README.md`\n\n[View Raw Content on GitHub](https://raw.githubusercontent.com/microsoft/ML-For-Beginners/HEAD/translations/hr/2-Regression/1-Tools/README.md)\n\n<!-- ... +79 more modular skills available via /api/skills/microsoft/ML-For-Beginners?path={path} -->\n</yakaai_skills>"}