diff --git a/1-Introduction/1-intro-to-ML/translations/README.id.md b/1-Introduction/1-intro-to-ML/translations/README.id.md index 8d0044b01..4cef05dca 100644 --- a/1-Introduction/1-intro-to-ML/translations/README.id.md +++ b/1-Introduction/1-intro-to-ML/translations/README.id.md @@ -2,7 +2,7 @@ [![ML, AI, deep learning - Apa perbedaannya?](https://img.youtube.com/vi/lTd9RSxS9ZE/0.jpg)](https://youtu.be/lTd9RSxS9ZE "ML, AI, deep learning - Apa perbedaannya?") -> πŸŽ₯ Klik gambar diatas untuk melihat video yang mendiskusikan perbedaan antara Machine Learning, AI, dan Deep Learning. +> πŸŽ₯ Klik gambar diatas untuk menonton video yang mendiskusikan perbedaan antara Machine Learning, AI, dan Deep Learning. ## [Quiz Pra-Pelajaran](https://jolly-sea-0a877260f.azurestaticapps.net/quiz/1/) @@ -12,7 +12,7 @@ Selamat datang di pelajaran Machine Learning klasik untuk pemula! Baik kamu yang [![Pengantar Machine Learning](https://img.youtube.com/vi/h0e2HAPTGF4/0.jpg)](https://youtu.be/h0e2HAPTGF4 "Pengantar Machine Learning") -> πŸŽ₯ Klik gambar diatas untuk melihat video: John Guttag dari MIT yang memberikan pengantar Machine Learning. +> πŸŽ₯ Klik gambar diatas untuk menonton video: John Guttag dari MIT yang memberikan pengantar Machine Learning. ### Memulai Machine Learning Sebelum memulai kurikulum ini, kamu perlu memastikan komputer kamu sudah dipersiapkan untuk menjalankan *notebook* secara lokal. diff --git a/1-Introduction/1-intro-to-ML/translations/assignment.id.md b/1-Introduction/1-intro-to-ML/translations/assignment.id.md index 9de8a4bdd..c6ba6e4a8 100644 --- a/1-Introduction/1-intro-to-ML/translations/assignment.id.md +++ b/1-Introduction/1-intro-to-ML/translations/assignment.id.md @@ -4,6 +4,6 @@ Dalam tugas yang tidak dinilai ini, kamu akan mempelajari Python dan mempersiapkan *environment* kamu sehingga dapat digunakan untuk menjalankan *notebook*. -Ambil [Jalur Belajar Python](https://docs.microsoft.com/learn/paths/python-language/?WT.mc_id=academic-15963-cxa) ini, kemudian persiapkan sistem kamu dengan melihat video-video pengantar ini: +Ambil [Jalur Belajar Python](https://docs.microsoft.com/learn/paths/python-language/?WT.mc_id=academic-15963-cxa) ini, kemudian persiapkan sistem kamu dengan menonton video-video pengantar ini: https://www.youtube.com/playlist?list=PLlrxD0HtieHhS8VzuMCfQD4uJ9yne1mE6 diff --git a/1-Introduction/2-history-of-ML/translations/README.id.md b/1-Introduction/2-history-of-ML/translations/README.id.md index 4053785b3..a0a4ce059 100644 --- a/1-Introduction/2-history-of-ML/translations/README.id.md +++ b/1-Introduction/2-history-of-ML/translations/README.id.md @@ -56,7 +56,7 @@ Penelitian didanai dengan baik oleh lembaga pemerintah, banyak kemajuan dibuat d [![blocks world dengan SHRDLU](https://img.youtube.com/vi/QAJz4YKUwqw/0.jpg)](https://www.youtube.com/watch?v=QAJz4YKUwqw "blocks world dengan SHRDLU") - > πŸŽ₯ Klik gambar diatas untuk melihat video: Blocks world with SHRDLU + > πŸŽ₯ Klik gambar diatas untuk menonton video: Blocks world with SHRDLU ## 1974 - 1980: "Musim Dingin AI" @@ -94,7 +94,7 @@ Saat ini, *machine learning* dan AI hampir ada di setiap bagian dari kehidupan k Kita masih belum tahu apa yang akan terjadi di masa depan, tetapi penting untuk memahami sistem komputer dan perangkat lunak serta algoritma yang dijalankannya. Kami berharap kurikulum ini akan membantu kamu untuk mendapatkan pemahaman yang lebih baik sehingga kamu dapat memutuskan sendiri. [![Sejarah Deep Learning](https://img.youtube.com/vi/mTtDfKgLm54/0.jpg)](https://www.youtube.com/watch?v=mTtDfKgLm54 "Sejarah Deep Learning") -> πŸŽ₯ Klik gambar diatas untuk melihat video: Yann LeCun mendiskusikan sejarah dari Deep Learning dalam pelajaran ini +> πŸŽ₯ Klik gambar diatas untuk menonton video: Yann LeCun mendiskusikan sejarah dari Deep Learning dalam pelajaran ini --- ## πŸš€Tantangan diff --git a/1-Introduction/4-techniques-of-ML/translations/README.id.md b/1-Introduction/4-techniques-of-ML/translations/README.id.md index dc9459546..77f5880f4 100644 --- a/1-Introduction/4-techniques-of-ML/translations/README.id.md +++ b/1-Introduction/4-techniques-of-ML/translations/README.id.md @@ -3,7 +3,7 @@ Proses membangun, menggunakan, dan memelihara model machine learning dan data yang digunakan adalah proses yang sangat berbeda dari banyak alur kerja pengembangan lainnya. Dalam pelajaran ini, kita akan mengungkap prosesnya, dan menguraikan teknik utama yang perlu Kamu ketahui. Kamu akan: - Memahami gambaran dari proses yang mendasari machine learning. -- Menjelajahi konsep dasar seperti 'models', 'predictions', dan 'training data'. +- Menjelajahi konsep dasar seperti '*models*', '*predictions*', dan '**training data*'. ## [Quiz Pra-Pelajaran](https://jolly-sea-0a877260f.azurestaticapps.net/quiz/7/) ## Pengantar @@ -61,7 +61,7 @@ Dengan menggunakan data *training*, tujuan kamu adalah membuat model atau repres ### Tentukan metode training -Tergantung dari pertanyaan dan sifat datamu, Kamu akan memilih metode untuk melatihnya. Melangkah menuju dokumentasi [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) - yang kita gunakan dalam pelajaran ini - kamu bisa menjelajahi banyak cara untuk melatih sebuah model. Tergantung dari pengalamanmu, kamu mungkin perlu mencoba beberapa metode yang berbeda untuk membuat model yang terbaik. Kemungkinan kamu akan melalui proses di mana data scientist mengevaluasi kinerja model dengan memasukkan data yang belum pernah dilihat, memeriksa akurasi, bias, dan masalah penurunan kualitas lainnya, dan memilih metode training yang paling tepat untuk tugas yang ada. +Tergantung dari pertanyaan dan sifat datamu, Kamu akan memilih metode untuk melatihnya. Buka dokumentasi [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) yang kita gunakan dalam pelajaran ini, kamu bisa menjelajahi banyak cara untuk melatih sebuah model. Tergantung dari pengalamanmu, kamu mungkin perlu mencoba beberapa metode yang berbeda untuk membuat model yang terbaik. Kemungkinan kamu akan melalui proses di mana data scientist mengevaluasi kinerja model dengan memasukkan data yang belum pernah dilihat, memeriksa akurasi, bias, dan masalah penurunan kualitas lainnya, dan memilih metode training yang paling tepat untuk tugas yang ada. ### Melatih sebuah model Berbekal data *training*, Kamu siap untuk menggunakannya untuk membuat model. Kamu akan melihat di banyak *library* ML mengenai kode 'model.fit' - pada saat inilah kamu mengirimkan data kamu sebagai *array* nilai (biasanya 'X') dan variabel fitur (biasanya 'y' ).