> 🌍 Mengembara ke seluruh dunia semasa kita meneroka Pembelajaran Mesin melalui budaya dunia 🌍
Azure Cloud Advocates di Microsoft dengan senang hati menawarkan kurikulum 12-minggu, 24-pelajaran (ditambah satu!) Mengenai**Pembelajaran Mesin**. Dalam kurikulum ini, anda akan belajar tentang apa yang kadang-kadang disebut**pembelajaran mesin klasik**, menggunakan terutamanya Scikit-learning sebagai perpustakaan dan mengelakkan pembelajaran mendalam, yang dicakup dalam kurikulum 'AI for Beginners' yang akan datang. Pasangkan pelajaran ini dengan ['Data Science for Beginners' kurikulum](https://aka.ms/datascience-beginners) kami juga!
Perjalanan bersama kami di seluruh dunia kerana kami menerapkan teknik klasik ini ke data dari banyak kawasan di dunia. Setiap pelajaran merangkumi kuiz sebelum dan sesudah pelajaran, arahan bertulis untuk menyelesaikan pelajaran, penyelesaian, tugasan dan banyak lagi. Pedagogi berasaskan projek kami membolehkan anda belajar sambil membina, cara yang terbukti untuk kemahiran baru 'melekat'.
**✍️ Terima kasih kepada penulis kami**Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, dan Amy Boyd
**🎨 Terima kasih juga kepada ilustrator kami**Tomomi Imura, Dasani Madipalli, dan Jen Looper
**🙏 Terima kasih khas 🙏 kepada pengarang, pengulas dan penyumbang kandungan Duta Pelajar Microsoft kami**, terutamanya Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, dan Snigdha Agarwal
**🤩 Terima kasih yang tidak terhingga kepada Duta Pelajar Microsoft Eric Wanjau atas pelajaran R kami!**
---
# Bermula
**Pelajar**, untuk menggunakan kurikulum ini, garpu seluruh repo ke akaun GitHub anda sendiri dan selesaikan latihan anda sendiri atau bersama kumpulan:
- Mulakan dengan kuiz pra-kuliah.
- Baca kuliah dan selesaikan aktiviti, berhenti sebentar dan renungkan pada setiap pemeriksaan pengetahuan.
- Cuba buat projek dengan memahami pelajaran daripada menjalankan kod penyelesaian; namun kod itu terdapat di folder `/solution` dalam setiap pelajaran berorientasikan projek.
- Ikuti kuiz pasca kuliah.
- Selesaikan cabaran.
- Selesaikan tugasan.
- Setelah menyelesaikan kumpulan pelajaran, lawati [Discussion board](https://github.com/microsoft/ML-For-Beginners/discussions) dan "belajar dengan kuat" dengan mengisi rubrik PAT yang sesuai. 'PAT' adalah Alat Penilaian Kemajuan yang merupakan rubrik yang anda isi untuk melanjutkan pembelajaran anda. Anda juga boleh bertindak balas terhadap PAT lain sehingga kami dapat belajar bersama.
> Untuk kajian lebih lanjut, kami mengesyorkan mengikuti [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) berikut dan jalan belajar.
> 🎥 Klik gambar di atas untuk video mengenai projek dan orang yang membuatnya!
---
## Pedagogi
Kami telah memilih dua prinsip pedagogi semasa membina kurikulum ini: memastikan bahawa ia adalah **berasaskan projek** dan merangkumi **kuiz yang kerap**. Di samping itu, kurikulum ini mempunyai **tema umum** untuk memberikannya kesatuan.
Dengan memastikan bahawa kandungan sesuai dengan projek, proses dibuat lebih menarik bagi pelajar dan pengekalan konsep akan ditambah. Di samping itu, kuiz bertaraf rendah sebelum kelas menetapkan niat pelajar untuk mempelajari sesuatu topik, sementara kuiz kedua selepas kelas memastikan pengekalan selanjutnya. Kurikulum ini dirancang agar fleksibel dan menyenangkan dan dapat diambil secara keseluruhan atau sebahagian. Projek bermula kecil dan menjadi semakin rumit pada akhir kitaran 12 minggu. Kurikulum ini juga termasuk skrip tulisan mengenai aplikasi ML dunia nyata, yang dapat digunakan sebagai kredit tambahan atau sebagai dasar perbincangan.
> Cari garis panduan [Kod Tingkah Laku](CODE_OF_CONDUCT.md) kami, [Menyumbang](CONTRIBUTING.md), dan [Terjemahan](TRANSLATIONS.md). Kami mengalu-alukan maklum balas yang membina!
## Setiap pelajaran merangkumi:
- nota lakaran pilihan
- video tambahan pilihan
- kuiz pemanasan sebelum kuliah
- pelajaran bertulis
- untuk pelajaran berasaskan projek, panduan langkah demi langkah bagaimana membina projek
- pemeriksaan pengetahuan
- satu cabaran
- bacaan tambahan
- tugasan
- kuiz pasca kuliah
> **Catatan mengenai bahasa**: Pelajaran ini terutama ditulis dalam Python, tetapi banyak juga tersedia dalam R. Untuk menyelesaikan pelajaran R, pergi ke folder `/solution` dan cari pelajaran R. Mereka termasuk pelanjutan .rmd yang mewakili fail **R Markdown** yang hanya dapat didefinisikan sebagai penyisipan `potongan kode '(dari R atau bahasa lain) dan` header YAML` (yang membimbing cara memformat output seperti PDF) dalam `Markdown document`. Oleh itu, ia berfungsi sebagai kerangka penulisan teladan bagi sains data kerana ia membolehkan anda menggabungkan kod, output dan pemikiran anda dengan membolehkan anda menuliskannya dalam Markdown. Lebih-lebih lagi, dokumen R Markdown dapat diberikan ke format output seperti PDF, HTML, atau Word.
> **Catatan mengenai kuiz**: Semua kuiz terkandung [dalam aplikasi ini](https://gray-sand-07a10f403.1.azurestaticapps.net/), untuk 50 keseluruhan kuiz masing-masing dari tiga soalan. Mereka dihubungkan dari dalam pelajaran tetapi aplikasi kuiz dapat dijalankan secara tempatan; ikuti arahan dalam folder `quiz-app`.
| 01 | Pengenalan pembelajaran mesin | [Pengenalan](../1-Introduction/README.md) | Ketahui konsep asas di sebalik pembelajaran mesin | [Pelajaran](../1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Sejarah pembelajaran mesin | [Pengenalan](../1-Introduction/README.md) | Ketahui sejarah yang mendasari bidang ini | [Pelajaran](../1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Keadilan dan pembelajaran mesin | [Pengenalan](../1-Introduction/README.md) | Apakah masalah falsafah penting mengenai keadilan yang harus dipertimbangkan oleh pelajar semasa membina dan menggunakan model ML? | [Pelajaran](../1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Teknik untuk pembelajaran mesin | [Pengenalan](../1-Introduction/README.md) | Teknik apa yang digunakan oleh penyelidik ML untuk membina model ML? | [Pelajaran](../1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Pengenalan regresi | [Regresi](../2-Regression/README.md) | Mulakan dengan Python dan Scikit-belajar untuk model regresi | <ul><li>[Python](../2-Regression/1-Tools/README.md)</li><li>[R](../2-Regression/1-Tools/solution/R/lesson_1-R.ipynb)</li></ul> | <ul><li>Jen</li><li>Eric Wanjau</li></ul> |
| 06 | Harga labu Amerika Utara 🎃 | [Regresi](../2-Regression/README.md) | Visualisasikan dan bersihkan data sebagai persediaan untuk ML | <ul><li>[Python](../2-Regression/2-Data/README.md)</li><li>[R](../2-Regression/2-Data/solution/R/lesson_2-R.ipynb)</li></ul> | <ul><li>Jen</li><li>Eric Wanjau</li></ul> |
| 07 | Harga labu Amerika Utara 🎃 | [Regresi](../2-Regression/README.md) | Membina model regresi linear dan polinomial | <ul><li>[Python](../2-Regression/3-Linear/README.md)</li><li>[R](../2-Regression/3-Linear/solution/R/lesson_3-R.ipynb)</li></ul> | <ul><li>Jen</li><li>Eric Wanjau</li></ul> |
| 08 | Harga labu Amerika Utara 🎃 | [Regresi](../2-Regression/README.md) | Bina model regresi logistik | <ul><li>[Python](../2-Regression/4-Logistic/README.md) </li><li>[R](../2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb)</li></ul> | <ul><li>Jen</li><li>Eric Wanjau</li></ul> |
| 09 | Aplikasi Web 🔌 | [Aplikasi Web](../3-Web-App/README.md) | Bina aplikasi web untuk menggunakan model terlatih anda | [Python](../3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Pengenalan klasifikasi | [Pengelasan](../4-Classification/README.md) | Bersihkan, persiapkan, dan gambarkan data anda; pengenalan klasifikasi |<ul><li> [Python](../4-Classification/1-Introduction/README.md) </li><li>[R](../4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb) | <ul><li>Jen and Cassie</li><li>Eric Wanjau</li></ul> |
| 11 | Masakan Asia dan India yang lazat 🍜 | [Pengelasan](../4-Classification/README.md) | Pengenalan kepada pengelasan |<ul><li> [Python](../4-Classification/2-Classifiers-1/README.md)</li><li>[R](../4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb) | <ul><li>Jen and Cassie</li><li>Eric Wanjau</li></ul> |
| 12 | Masakan Asia dan India yang lazat 🍜 | [Pengelasan](../4-Classification/README.md) | Lebih banyak pengelasan |<ul><li> [Python](../4-Classification/3-Classifiers-2/README.md)</li><li>[R](../4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb) | <ul><li>Jen and Cassie</li><li>Eric Wanjau</li></ul> |
| 13 | Masakan Asia dan India yang lazat 🍜 | [Pengelasan](../4-Classification/README.md) | Bina aplikasi web cadangan menggunakan model anda | [Python](../4-Classification/4-Applied/README.md) | Jen |
| 16 | Pengenalan pemprosesan bahasa semula jadi ☕️ | [Pemprosesan bahasa semula jadi](../6-NLP/README.md) | Ketahui asas mengenai NLP dengan membina bot sederhana | [Python](../6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Tugas NLP biasa ☕️ | [Pemprosesan bahasa semula jadi](../6-NLP/README.md) | Memperdalam pengetahuan NLP anda dengan memahami tugas-tugas umum yang diperlukan ketika berurusan dengan struktur bahasa | [Python](../6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Analisis terjemahan dan sentimen ♥ ️| [Pemprosesan bahasa semula jadi](../6-NLP/README.md) | Terjemahan dan analisis sentimen dengan Jane Austen | [Python](../6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Hotel romantis di Eropah ♥ ️| [Pemprosesan bahasa semula jadi](../6-NLP/README.md) | Analisis sentimen dengan ulasan hotel | [Python](../6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Hotel romantis di Eropah ♥ ️| [Pemprosesan bahasa semula jadi](../6-NLP/README.md) | Analisis sentimen dengan ulasan hotel 2 | [Python](../6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Pengenalan ramalan siri masa | [Siri masa](../7-TimeSeries/README.md) | Pengenalan ramalan siri masa | [Python](../7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Penggunaan Kuasa Dunia ⚡️ - ramalan siri masa dengan ARIMA | [Siri masa](../7-TimeSeries/README.md) | Ramalan siri masa dengan ARIMA | [Python](../7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | World️ Penggunaan Kuasa Dunia ⚡️ - ramalan siri masa dengan SVR | [Siri masa](../7-TimeSeries/README.md) | Ramalan siri masa dengan Regressor Vektor Sokongan | [Python](../7-TimeSeries/3-SVR/README.md) | Anirban |
| Poskrip | Senario dan aplikasi ML Dunia Sebenar | [ML di Alam Nyata](../9-Real-World/README.md) | Aplikasi ML klasik yang menarik dan mendedahkan | [Pelajaran](../9-Real-World/1-Applications/README.md) | Pasukan |
## Akses luar talian
Anda boleh menjalankan dokumentasi ini di luar talian dengan menggunakan [Docsify](https://docsify.js.org/#/). 'Fork' repo ini, [pasang Docsify](https://docsify.js.org/#/quickstart) pada mesin tempatan anda, dan kemudian di folder root repo ini, ketik `docsify serve`. Laman web akan dilayan di port 3000 di localhost anda: `localhost: 3000`.
## PDF
Cari pdf kurikulum dengan pautan [di sini](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## Pertolongan diperlukan!
Adakah anda ingin menyumbang terjemahan? Sila baca [pedoman terjemahan](TRANSLATIONS.md) kami dan tambahkan input [di sini](https://github.com/microsoft/ML-For-Beginners/issues/71).
## Kurikulum Lain
Pasukan kami menghasilkan kurikulum lain! Lihat:
- [Peranti Web untuk Pemula](https://aka.ms/webdev-beginners)
- [IoT untuk Pemula](https://aka.ms/iot-beginners)
- [Sains Data untuk Pemula](https://aka.ms/datascience-beginners)
