README.md

EdgeAI नवशिक्यांसाठी

या संसाधनांचा वापर सुरू करण्यासाठी खालील चरणांचे अनुसरण करा:

1. रेपॉझिटरी फोर्क करा: क्लिक करा
2. रेपॉझिटरी क्लोन करा: git clone https://github.com/microsoft/edgeai-for-beginners.git
3. Azure AI Foundry Discord मध्ये सामील व्हा आणि तज्ञ व इतर डेव्हलपर्सशी भेटा

🌐 बहुभाषिक समर्थन

GitHub Action द्वारे समर्थित (स्वयंचलित आणि नेहमी अद्ययावत)

Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Korean | Lithuanian | Malay | Marathi | Nepali | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Thai | Turkish | Ukrainian | Urdu | Vietnamese

जर तुम्हाला अतिरिक्त भाषांमध्ये भाषांतर हवे असेल तर समर्थित भाषांची यादी येथे उपलब्ध आहे.

परिचय

EdgeAI for Beginners मध्ये आपले स्वागत आहे – Edge Artificial Intelligence च्या परिवर्तनशील जगात आपली सर्वसमावेशक यात्रा. हा कोर्स शक्तिशाली AI क्षमता आणि एज डिव्हाइसवर व्यावहारिक, वास्तविक-जगातील तैनाती यामधील अंतर भरतो, ज्यामुळे तुम्हाला डेटा तयार होतो तिथेच आणि निर्णय घेण्याची गरज असते तिथे AI चा उपयोग करण्यास सक्षम केले जाते.

तुम्ही काय शिकाल

हा कोर्स तुम्हाला मूलभूत संकल्पनांपासून उत्पादन-तयार अंमलबजावणीपर्यंत घेऊन जातो, ज्यामध्ये समाविष्ट आहे:

• Small Language Models (SLMs) एज तैनातीसाठी अनुकूलित
• हार्डवेअर-जाणीव असलेली ऑप्टिमायझेशन विविध प्लॅटफॉर्मवर
• रिअल-टाइम इनफरन्स गोपनीयता-संरक्षण क्षमतांसह
• उत्पादन तैनाती एंटरप्राइझ अनुप्रयोगांसाठी रणनीती

EdgeAI का महत्त्वाचे आहे

Edge AI आधुनिक आव्हानांना संबोधित करणारी एक पॅराडाइम शिफ्ट दर्शवते:

• गोपनीयता आणि सुरक्षा: संवेदनशील डेटा स्थानिक पातळीवर प्रक्रिया करा, क्लाउडमध्ये उघड न करता
• रिअल-टाइम कार्यक्षमता: वेळ-संवेदनशील अनुप्रयोगांसाठी नेटवर्क विलंब टाळा
• खर्च कार्यक्षमता: बँडविड्थ आणि क्लाउड संगणन खर्च कमी करा
• सक्षम ऑपरेशन्स: नेटवर्क बंद पडल्यावरही कार्यक्षमता टिकवा
• नियामक अनुपालन: डेटा सार्वभौमत्व आवश्यकता पूर्ण करा

Edge AI

Edge AI म्हणजे AI अल्गोरिदम आणि भाषा मॉडेल्स स्थानिक हार्डवेअरवर चालवणे, डेटा तयार होतो तिथेच, क्लाउड संसाधनांवर अवलंबून न राहता. यामुळे विलंब कमी होतो, गोपनीयता वाढते आणि रिअल-टाइम निर्णय घेणे शक्य होते.

मुख्य तत्त्वे:

• ऑन-डिव्हाइस इनफरन्स: AI मॉडेल्स एज डिव्हाइसवर चालतात (फोन, राउटर, मायक्रोकंट्रोलर, औद्योगिक पीसी)
• ऑफलाइन क्षमता: सतत इंटरनेट कनेक्टिव्हिटीशिवाय कार्य करते
• कमी विलंब: रिअल-टाइम सिस्टीमसाठी त्वरित प्रतिसाद
• डेटा सार्वभौमत्व: संवेदनशील डेटा स्थानिक ठेवून सुरक्षा आणि अनुपालन सुधारते

Small Language Models (SLMs)

Phi-4, Mistral-7B, आणि Gemma सारखे SLMs मोठ्या LLMs चे अनुकूलित आवृत्त्या आहेत—प्रशिक्षित किंवा डिस्टिल्ड:

• कमी मेमरी फूटप्रिंट: मर्यादित एज डिव्हाइस मेमरीचा कार्यक्षम वापर
• कमी संगणन मागणी: CPU आणि एज GPU कार्यक्षमतेसाठी अनुकूलित
• जलद प्रारंभ वेळा: प्रतिसादक्षम अनुप्रयोगांसाठी जलद प्रारंभ

हे शक्तिशाली NLP क्षमता अनलॉक करतात आणि खालील मर्यादांमध्ये बसतात:

• एम्बेडेड सिस्टीम्स: IoT डिव्हाइस आणि औद्योगिक कंट्रोलर्स
• मोबाइल डिव्हाइस: स्मार्टफोन आणि टॅब्लेट्स ऑफलाइन क्षमतांसह
• IoT डिव्हाइस: मर्यादित संसाधनांसह सेन्सर्स आणि स्मार्ट डिव्हाइस
• एज सर्व्हर्स: मर्यादित GPU संसाधनांसह स्थानिक प्रक्रिया युनिट्स
• पर्सनल कॉम्प्युटर्स: डेस्कटॉप आणि लॅपटॉप तैनाती परिदृश्ये

कोर्स मॉड्यूल्स आणि नेव्हिगेशन

मॉड्यूल	विषय	लक्ष केंद्रित क्षेत्र	मुख्य सामग्री	स्तर	कालावधी
📖 00	EdgeAI ची ओळख	पाया आणि संदर्भ	EdgeAI अवलोकन • उद्योग अनुप्रयोग • SLM परिचय • शिकण्याची उद्दिष्टे	नवशिक्या	1-2 तास
📚 01	EdgeAI मूलभूत गोष्टी	क्लाउड वि एज AI तुलना	EdgeAI मूलभूत गोष्टी • वास्तविक जगातील केस स्टडीज • अंमलबजावणी मार्गदर्शक • एज तैनाती	नवशिक्या	3-4 तास
🧠 02	SLM मॉडेल फाउंडेशन	मॉडेल कुटुंबे आणि आर्किटेक्चर	Phi कुटुंब • Qwen कुटुंब • Gemma कुटुंब • BitNET • μModel • Phi-Silica	नवशिक्या	4-5 तास
🚀 03	SLM तैनाती सराव	स्थानिक आणि क्लाउड तैनाती	प्रगत शिक्षण • स्थानिक वातावरण • क्लाउड तैनाती	मध्यम	4-5 तास
⚙️ 04	मॉडेल ऑप्टिमायझेशन टूलकिट	क्रॉस-प्लॅटफॉर्म ऑप्टिमायझेशन	परिचय • Llama.cpp • Microsoft Olive • OpenVINO • Apple MLX • वर्कफ्लो सिंथेसिस	मध्यम	5-6 तास
🔧 05	SLMOps उत्पादन	उत्पादन ऑपरेशन्स	SLMOps परिचय • मॉडेल डिस्टिलेशन • फाइन-ट्यूनिंग • उत्पादन तैनाती	प्रगत	5-6 तास
🤖 06	AI एजंट्स आणि फंक्शन कॉलिंग	एजंट फ्रेमवर्क आणि MCP	एजंट परिचय • फंक्शन कॉलिंग • मॉडेल संदर्भ प्रोटोकॉल	प्रगत	4-5 तास
💻 07	प्लॅटफॉर्म अंमलबजावणी	क्रॉस-प्लॅटफॉर्म नमुने	AI टूलकिट • Foundry Local • Windows विकास	प्रगत	3-4 तास
🏭 08	Foundry Local टूलकिट	उत्पादन-तयार नमुने	नमुना अनुप्रयोग (तपशील खाली पहा)	तज्ञ	8-10 तास

🏭 मॉड्यूल 08: नमुना अनुप्रयोग

• 01: REST Chat क्विकस्टार्ट
• 02: OpenAI SDK एकत्रीकरण
• 03: मॉडेल शोध आणि बेंचमार्किंग
• 04: Chainlit RAG अनुप्रयोग
• 05: मल्टी-एजंट ऑर्केस्ट्रेशन
• 06: मॉडेल्स-आस-टूल्स राउटर
• 07: डायरेक्ट API क्लायंट
• 08: Windows 11 Chat अ‍ॅप
• 09: प्रगत मल्टी-एजंट सिस्टम
• 10: Foundry Tools फ्रेमवर्क

🎓 वर्कशॉप: हाताळण्यायोग्य शिक्षण मार्ग

उत्पादन-तयार अंमलबजावणीसह सर्वसमावेशक हाताळण्यायोग्य वर्कशॉप सामग्री:

• वर्कशॉप मार्गदर्शक - पूर्ण शिक्षण उद्दिष्टे, परिणाम, आणि संसाधन नेव्हिगेशन
• Python नमुने (6 सत्रे) - सर्वोत्तम पद्धती, त्रुटी हाताळणी, आणि सर्वसमावेशक दस्तऐवजीकरणासह अद्ययावत
• Jupyter नोटबुक्स (8 परस्परसंवादी) - चरण-दर-चरण ट्यूटोरियल्स बेंचमार्क्स आणि कार्यक्षमता निरीक्षणासह
• सत्र मार्गदर्शक - प्रत्येक वर्कशॉप सत्रासाठी तपशीलवार मार्गदर्शक
• व्हॅलिडेशन टूल्स - कोड गुणवत्ता सत्यापित करण्यासाठी आणि स्मोक चाचण्या चालवण्यासाठी स्क्रिप्ट्स

तुम्ही काय तयार कराल:

• स्ट्रीमिंग समर्थनासह स्थानिक AI चॅट अनुप्रयोग
• RAG पाइपलाइन गुणवत्ता मूल्यांकनासह (RAGAS)
• मल्टी-मॉडेल बेंचमार्किंग आणि तुलना साधने
• मल्टी-एजंट ऑर्केस्ट्रेशन सिस्टम्स
• कार्य-आधारित निवडीसह बुद्धिमान मॉडेल राउटिंग

📊 शिक्षण मार्ग सारांश

• एकूण कालावधी: 36-45 तास
• नवशिक्या मार्ग: मॉड्यूल्स 01-02 (7-9 तास)
• मध्यम मार्ग: मॉड्यूल्स 03-04 (9-11 तास)
• प्रगत मार्ग: मॉड्यूल्स 05-07 (12-15 तास)
• तज्ञ मार्ग: मॉड्यूल 08 (8-10 तास)

तुम्ही काय तयार कराल

🎯 मुख्य कौशल्ये

• Edge AI आर्किटेक्चर: क्लाउड एकत्रीकरणासह स्थानिक-प्रथम AI प्रणाली डिझाइन करा
• मॉडेल ऑप्टिमायझेशन: एज तैनातीसाठी मॉडेल्स क्वांटाइझ आणि संकुचित करा (85% वेग वाढ, 75% आकार कमी)
• मल्टी-प्लॅटफॉर्म तैनाती: Windows, मोबाइल, एम्बेडेड, आणि क्लाउड-एज हायब्रिड सिस्टम्स
• उत्पादन ऑपरेशन्स: उत्पादनात Edge AI चे निरीक्षण, स्केलिंग आणि देखभाल

🏗️ व्यावहारिक प्रकल्प

• Foundry Local Chat Apps: Windows 11 साठी मूळ अॅप्लिकेशन, मॉडेल स्विचिंगसह
• Multi-Agent Systems: जटिल कार्यप्रवाहांसाठी विशेषज्ञ एजंट्ससह समन्वयक
• RAG Applications: स्थानिक दस्तऐवज प्रक्रिया, व्हेक्टर शोधासह
• Model Routers: कार्य विश्लेषणावर आधारित मॉडेल्सची बुद्धिमान निवड
• API Frameworks: उत्पादनासाठी तयार क्लायंट्स, स्ट्रीमिंग आणि आरोग्य निरीक्षणासह
• Cross-Platform Tools: LangChain/Semantic Kernel एकत्रीकरण पॅटर्न्स

🏢 उद्योग अनुप्रयोग

मॅन्युफॅक्चरिंग • हेल्थकेअर • स्वायत्त वाहने • स्मार्ट सिटीज • मोबाइल अॅप्स

जलद सुरुवात

शिफारस केलेला शिक्षण मार्ग (एकूण 20-30 तास):

0. 📖 परिचय (Introduction.md): EdgeAI ची मूलभूत माहिती + उद्योग संदर्भ + शिक्षण फ्रेमवर्क
1. 📚 मूलभूत माहिती (Modules 01-02): EdgeAI संकल्पना + SLM मॉडेल कुटुंबे
2. ⚙️ ऑप्टिमायझेशन (Modules 03-04): डिप्लॉयमेंट + क्वांटायझेशन फ्रेमवर्क
3. 🚀 उत्पादन (Modules 05-06): SLMOps + AI एजंट्स + फंक्शन कॉलिंग
4. 💻 अंमलबजावणी (Modules 07-08): प्लॅटफॉर्म नमुने + Foundry Local टूलकिट

प्रत्येक मॉड्यूलमध्ये सिद्धांत, व्यावहारिक सराव आणि उत्पादनासाठी तयार कोड नमुने समाविष्ट आहेत.

करिअर प्रभाव

तांत्रिक भूमिका: EdgeAI सोल्यूशन्स आर्किटेक्ट • ML इंजिनियर (Edge) • IoT AI डेव्हलपर • मोबाइल AI डेव्हलपर

उद्योग क्षेत्रे: मॅन्युफॅक्चरिंग 4.0 • हेल्थकेअर टेक • स्वायत्त प्रणाली • FinTech • ग्राहक इलेक्ट्रॉनिक्स

पोर्टफोलिओ प्रकल्प: मल्टी-एजंट सिस्टम्स • उत्पादन RAG अॅप्स • क्रॉस-प्लॅटफॉर्म डिप्लॉयमेंट • कार्यक्षमता ऑप्टिमायझेशन

रिपॉझिटरी संरचना

edgeai-for-beginners/
├── 📖 introduction.md  # Foundation: EdgeAI Overview & Learning Framework
├── 📚 Module01-04/     # Fundamentals → SLMs → Deployment → Optimization  
├── 🔧 Module05-06/     # SLMOps → AI Agents → Function Calling
├── 💻 Module07/        # Platform Samples (VS Code, Windows, Jetson, Mobile)
├── 🏭 Module08/        # Foundry Local Toolkit + 10 Comprehensive Samples
│   ├── samples/01-06/  # Foundation: REST, SDK, RAG, Agents, Routing
│   └── samples/07-10/  # Advanced: API Client, Windows App, Enterprise Agents, Tools
├── 🌐 translations/    # Multi-language support (8+ languages)
└── 📋 STUDY_GUIDE.md   # Structured learning paths & time allocation

कोर्स हायलाइट्स

✅ प्रगत शिक्षण: सिद्धांत → सराव → उत्पादन डिप्लॉयमेंट
✅ खऱ्या केस स्टडीज: Microsoft, Japan Airlines, एंटरप्राइझ अंमलबजावणी
✅ हँड्स-ऑन नमुने: 50+ उदाहरणे, 10 व्यापक Foundry Local डेमो
✅ कार्यक्षमता केंद्रित: 85% गती सुधारणा, 75% आकार कमी
✅ मल्टी-प्लॅटफॉर्म: Windows, मोबाइल, एम्बेडेड, क्लाउड-एज हायब्रिड
✅ उत्पादनासाठी तयार: निरीक्षण, स्केलिंग, सुरक्षा, अनुपालन फ्रेमवर्क

📖 अभ्यास मार्गदर्शक उपलब्ध: 20-तास संरचित शिक्षण मार्ग, वेळ वाटप मार्गदर्शन आणि स्व-मूल्यांकन साधने.

---

EdgeAI हे AI डिप्लॉयमेंटचे भविष्य आहे: स्थानिक-प्रथम, गोपनीयता-संरक्षण करणारे आणि कार्यक्षम. पुढील पिढीच्या बुद्धिमान अनुप्रयोगांची निर्मिती करण्यासाठी या कौशल्यांमध्ये प्रावीण्य मिळवा.

इतर कोर्सेस

आमची टीम इतर कोर्सेस तयार करते! येथे पहा:

• MCP for Beginners
• AI Agents For Beginners
• Generative AI for Beginners using .NET
• Generative AI for Beginners using JavaScript
• Generative AI for Beginners
• ML for Beginners
• Data Science for Beginners
• AI for Beginners
• Cybersecurity for Beginners
• Web Dev for Beginners
• IoT for Beginners
• XR Development for Beginners
• Mastering GitHub Copilot for AI Paired Programming
• Mastering GitHub Copilot for C#/.NET Developers
• Choose Your Own Copilot Adventure

मदत मिळवा

जर तुम्हाला अडचण आली किंवा AI अॅप्स तयार करताना काही प्रश्न असतील, तर सामील व्हा:

जर तुम्हाला उत्पादन फीडबॅक द्यायचे असेल किंवा तयार करताना काही त्रुटी आढळल्या तर भेट द्या:

---

अस्वीकरण:
हा दस्तऐवज AI भाषांतर सेवा Co-op Translator वापरून भाषांतरित केला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपयाआहेत, स्वयंचलित भाषांतरांमध्ये चुका किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील मूळ दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.