> Repositori ini mencakup lebih dari 50 terjemahan bahasa yang secara signifikan meningkatkan ukuran unduhan. Untuk mengkloning tanpa terjemahan, gunakan sparse checkout:
> Repositori ini berisi lebih dari 50 terjemahan bahasa yang secara signifikan meningkatkan ukuran unduhan. Untuk clone tanpa terjemahan, gunakan sparse checkout:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,63 +33,63 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Ini memberi Anda semua yang Anda butuhkan untuk menyelesaikan kursus dengan unduhan yang jauh lebih cepat.
> Ini memberikan Anda semua yang diperlukan untuk menyelesaikan kursus dengan unduhan lebih cepat.
Kami memiliki seri belajar Discord dengan AI yang sedang berjalan, pelajari lebih lanjut dan bergabunglah dengan kami di [Seri Belajar dengan AI](https://aka.ms/learnwithai/discord) dari 18 - 30 September 2025. Anda akan mendapatkan tips dan trik menggunakan GitHub Copilot untuk Ilmu Data.
Kami memiliki seri belajar Discord dengan AI yang sedang berlangsung, pelajari lebih lanjut dan bergabung dengan kami di [Learn with AI Series](https://aka.ms/learnwithai/discord) dari 18 - 30 September 2025. Anda akan mendapatkan tips dan trik menggunakan GitHub Copilot untuk Data Science.
# Pembelajaran Mesin untuk Pemula - Kurikulum
> 🌍 Jelajahi seluruh dunia saat kita menjelajahi Pembelajaran Mesin melalui budaya dunia 🌍
> 🌍 Berkeliling dunia saat kita menjelajahi Pembelajaran Mesin melalui budaya dunia 🌍
Para Cloud Advocates di Microsoft senang menawarkan kurikulum 12 minggu dengan 26 pelajaran yang membahas **Pembelajaran Mesin**. Dalam kurikulum ini, Anda akan belajar tentang apa yang kadang disebut **pembelajaran mesin klasik**, menggunakan terutama Scikit-learn sebagai pustaka dan menghindari deep learning, yang dibahas dalam [kurikulum AI untuk Pemula](https://aka.ms/ai4beginners). Padukan pelajaran ini dengan ['Data Science untuk Pemula' kurikulum](https://aka.ms/ds4beginners), juga!
Cloud Advocates di Microsoft dengan senang hati menawarkan kurikulum 12 minggu dengan 26 pelajaran yang membahas tentang **Pembelajaran Mesin**. Dalam kurikulum ini, Anda akan belajar tentang apa yang kadang disebut sebagai **pembelajaran mesin klasik**, menggunakan terutama Scikit-learn sebagai perpustakaan dan menghindari pembelajaran mendalam, yang dibahas dalam [kurikulum AI untuk Pemula](https://aka.ms/ai4beginners) kami. Padukan pelajaran ini dengan kurikulum ['Data Science untuk Pemula'](https://aka.ms/ds4beginners) kami juga!
Jelajahi bersama kami ke seluruh dunia saat kami menerapkan teknik klasik ini ke data dari banyak wilayah di dunia. Setiap pelajaran mencakup kuis sebelum dan sesudah pelajaran, instruksi tertulis untuk menyelesaikan pelajaran, solusi, tugas, dan lainnya. Pedagogi berbasis proyek kami memungkinkan Anda belajar sambil membangun, cara yang telah terbukti membuat keterampilan baru 'melekat'.
Berkelilinglah bersama kami ke berbagai belahan dunia saat kami menerapkan teknik klasik ini pada data dari banyak area dunia. Setiap pelajaran mencakup kuis sebelum dan sesudah pelajaran, instruksi tertulis untuk menyelesaikan pelajaran, solusi, tugas, dan lainnya. Metode pembelajaran berbasis proyek kami memungkinkan Anda belajar sambil membangun, cara yang terbukti membuat keterampilan baru lebih melekat.
**✍️ Terima kasih sebesar-besarnya kepada para penulis kami** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu dan Amy Boyd
**✍️ Terima kasih hangat kepada para penulis kami** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu dan Amy Boyd
**🎨 Terima kasih juga kepada ilustrator kami** Tomomi Imura, Dasani Madipalli, dan Jen Looper
**🙏 Terima kasih khusus 🙏 kepada para Microsoft Student Ambassador penulis, peninjau, dan kontributor konten**, terutama Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, dan Snigdha Agarwal
**🙏 Terima kasih khusus 🙏 kepada penulis, pemeriksa, dan kontributor konten Microsoft Student Ambassador kami**, terutama Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, dan Snigdha Agarwal
**🤩 Rasa terima kasih ekstra kepada Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, dan Vidushi Gupta untuk pelajaran R kami!**
**🤩 Terima kasih ekstra kepada Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, dan Vidushi Gupta untuk pelajaran R kami!**
# Memulai
Ikuti langkah-langkah berikut:
1. **Fork Repositori**: Klik tombol "Fork" di sudut kanan atas halaman ini.
> [temukan semua sumber daya tambahan untuk kursus ini di koleksi Microsoft Learn kami](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [temukan semua sumber tambahan untuk kursus ini di koleksi Microsoft Learn kami](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Butuh bantuan?** Periksa [Panduan Pemecahan Masalah](TROUBLESHOOTING.md) kami untuk solusi atas masalah umum terkait instalasi, pengaturan, dan menjalankan pelajaran.
> 🔧 **Butuh bantuan?** Periksa [Panduan Pemecahan Masalah](TROUBLESHOOTING.md) kami untuk solusi masalah umum saat instalasi, penyiapan, dan menjalankan pelajaran.
**[Siswa](https://aka.ms/student-page)**, untuk menggunakan kurikulum ini, fork seluruh repo ke akun GitHub Anda sendiri dan selesaikan latihan sendiri atau dengan kelompok:
**[Pelajar](https://aka.ms/student-page)**, untuk menggunakan kurikulum ini, fork seluruh repo ke akun GitHub Anda sendiri dan selesaikan latihan sendiri atau secara berkelompok:
- Mulai dengan kuis pemanasan sebelum kuliah.
- Baca kuliah dan selesaikan aktivitas, berhenti dan refleksikan setiap cek pengetahuan.
- Cobalah membuat proyek dengan memahami pelajaran daripada menjalankan kode solusi; walau demikian kode tersedia di folder `/solution` pada setiap pelajaran berbasis proyek.
- Ikuti kuis sesudah kuliah.
- Mulailah dengan kuis pemanasan sebelum kuliah.
- Baca kuliah dan selesaikan aktivitas, berhenti dan renungkan setiap pemeriksaan pengetahuan.
- Cobalah buat proyek dengan memahami pelajaran daripada menjalankan kode solusi; namun kode tersebut tersedia dalam folder `/solution` di setiap pelajaran berbasis proyek.
- Ikuti kuis pascakuliah.
- Selesaikan tantangan.
- Selesaikan tugas.
- Setelah menyelesaikan satu kelompok pelajaran, kunjungi [Papan Diskusi](https://github.com/microsoft/ML-For-Beginners/discussions) dan "belajar secara terbuka" dengan mengisi rubrik PAT yang sesuai. 'PAT' adalah Alat Penilaian Kemajuan, rubric yang Anda isi untuk memperdalam pembelajaran. Anda juga bisa merespon PAT lain agar kita dapat belajar bersama.
- Setelah menyelesaikan satu kelompok pelajaran, kunjungi [Papan Diskusi](https://github.com/microsoft/ML-For-Beginners/discussions) dan "belajar dengan lantang" dengan mengisi rubrik PAT yang sesuai. 'PAT' adalah Alat Penilaian Kemajuan yang merupakan rubrik yang Anda isi untuk memperdalam pembelajaran Anda. Anda juga dapat bereaksi terhadap PAT lain agar kita belajar bersama.
> Untuk studi lebih lanjut, kami sarankan mengikuti modul dan jalur pembelajaran [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> Untuk studi lebih lanjut, kami sarankan mengikuti modul dan jalur pembelajaran [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) ini.
**Guru**, kami telah [menyediakan beberapa saran](for-teachers.md) tentang bagaimana menggunakan kurikulum ini.
**Para guru**, kami telah [menyediakan beberapa saran](for-teachers.md) tentang cara menggunakan kurikulum ini.
---
## Video panduan
## Video walkthrough
Beberapa pelajaran tersedia dalam bentuk video singkat. Anda dapat menemukan semua ini di dalam pelajaran, atau di [playlist ML untuk Pemula di saluran YouTube Microsoft Developer](https://aka.ms/ml-beginners-videos) dengan mengklik gambar di bawah ini.
Beberapa pelajaran tersedia dalam bentuk video singkat. Anda dapat menemukan semuanya di dalam pelajaran, atau di [daftar putar ML untuk Pemula di saluran Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) dengan mengklik gambar di bawah ini.
[](https://aka.ms/ml-beginners-videos)
@ -97,7 +97,7 @@ Beberapa pelajaran tersedia dalam bentuk video singkat. Anda dapat menemukan sem
@ -107,64 +107,64 @@ Beberapa pelajaran tersedia dalam bentuk video singkat. Anda dapat menemukan sem
## Pedagogi
Kami memilih dua prinsip pedagogis saat membangun kurikulum ini: memastikan bahwa kurikulum bersifat praktis **berbasis proyek** dan mencakup **kuis yang sering**. Selain itu, kurikulum ini memiliki **tema**umum untuk memberikan kohesi.
Kami memilih dua prinsip pedagogis saat membangun kurikulum ini: memastikan bahwa kurikulum ini berbasis **proyek langsung** dan mencakup **kuis yang sering**. Selain itu, kurikulum ini memiliki **tema**yang sama untuk memberikan kesatuan.
Dengan memastikan konten selaras dengan proyek, proses pembelajaran menjadi lebih menarik bagi siswa dan penyerapan konsep akan meningkat. Selain itu, kuis berl stakes rendah sebelum kelas mengarahkan niat siswa untuk mempelajari topik, sementara kuis kedua setelah kelas menjamin penyerapan lebih lanjut. Kurikulum ini dirancang agar fleksibel dan menyenangkan serta dapat diambil secara keseluruhan atau sebagian. Proyek dimulai dari yang kecil dan menjadi semakin kompleks pada akhir siklus 12 minggu. Kurikulum ini juga mencakup catatan tambahan mengenai aplikasi nyata ML, yang bisa digunakan sebagai kredit tambahan atau dasar diskusi.
Dengan menjamin isi konten selaras dengan proyek, proses pembelajaran menjadi lebih menarik bagi siswa dan retensi konsep akan meningkat. Selain itu, kuis dengan tingkat kesulitan rendah sebelum kelas menetapkan niat siswa untuk mempelajari topik, sementara kuis kedua setelah kelas memastikan retensi lebih lanjut. Kurikulum ini dirancang agar fleksibel dan menyenangkan serta dapat diambil secara keseluruhan atau sebagian. Proyek dimulai dari yang kecil dan menjadi semakin kompleks di akhir siklus 12 minggu. Kurikulum ini juga mencakup posskrip mengenai aplikasi nyata ML, yang dapat digunakan sebagai kredit tambahan atau sebagai dasar diskusi.
> Temukan [Kode Etik](CODE_OF_CONDUCT.md), [Kontribusi](CONTRIBUTING.md), [Terjemahan](..), dan panduan [Pemecahan Masalah](TROUBLESHOOTING.md) kami. Kami menyambut umpan balik konstruktif Anda!
> Temukan [Kode Etik](CODE_OF_CONDUCT.md), [Kontribusi](CONTRIBUTING.md), [Terjemahan](..), dan panduan [Pemecahan Masalah](TROUBLESHOOTING.md) kami. Kami menyambut umpan balik membangun Anda!
## Setiap pelajaran mencakup
- sketchnote opsional
- video tambahan opsional
- video panduan (beberapa pelajaran saja)
- [kuis pemanasan pra kuliah](https://ff-quizzes.netlify.app/en/ml/)
- video walkthrough (hanya beberapa pelajaran)
- [kuis pemanasan sebelum kuliah](https://ff-quizzes.netlify.app/en/ml/)
- pelajaran tertulis
- untuk pelajaran berbasis proyek, panduan langkah demi langkah cara membangun proyek
- cek pengetahuan
- tantangan
- untuk pelajaran berbasis proyek, panduan langkah-demi-langkah cara membangun proyek
> **Catatan tentang bahasa**: Pelajaran ini terutama ditulis dengan Python, tetapi banyak juga tersedia dalam R. Untuk menyelesaikan pelajaran R, buka folder `/solution` dan cari pelajaran R. Mereka mencakup ekstensi .rmd yang merupakan file **R Markdown** yang dapat secara sederhana didefinisikan sebagai penggabungan `potongan kode` (dari R atau bahasa lain) dan sebuah `header YAML` (yang mengatur format output seperti PDF) dalam sebuah `dokumen Markdown`. Dengan demikian, ini berfungsi sebagai kerangka penulisan yang ideal untuk ilmu data karena memungkinkan Anda menggabungkan kode, keluaran, dan pemikiran Anda dengan menuliskannya dalam Markdown. Selain itu, dokumen R Markdown dapat dirender ke format output seperti PDF, HTML, atau Word.
> **Catatan tentang kuis**: Semua kuis terdapat dalam [folder Quiz App](../../quiz-app), dengan total 52 kuis masing-masing berisi tiga pertanyaan. Kuis-kuis tersebut ditautkan dari dalam pelajaran tetapi aplikasi kuis dapat dijalankan secara lokal; ikuti instruksi di folder `quiz-app` untuk meng-host atau menerapkan secara lokal ke Azure.
| Nomor Pelajaran | Topik | Pengelompokan Pelajaran | Tujuan Pembelajaran | Pelajaran Tautan | Penulis |
| 01 | Pengantar pembelajaran mesin | [Introduction](1-Introduction/README.md) | Pelajari konsep dasar di balik pembelajaran mesin | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Sejarah pembelajaran mesin | [Introduction](1-Introduction/README.md) | Pelajari sejarah yang mendasari bidang ini | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Keadilan dan pembelajaran mesin | [Introduction](1-Introduction/README.md) | Apa isu filosofis penting tentang keadilan yang harus dipertimbangkan siswa saat membangun dan menerapkan model ML? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Teknik-teknik untuk pembelajaran mesin | [Introduction](1-Introduction/README.md) | Teknik apa yang digunakan peneliti ML untuk membangun model ML? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Pengantar regresi | [Regression](2-Regression/README.md) | Mulai menggunakan Python dan Scikit-learn untuk model regresi | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Harga labu Amerika Utara 🎃 | [Regression](2-Regression/README.md) | Visualisasikan dan bersihkan data sebagai persiapan untuk ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Harga labu Amerika Utara 🎃 | [Regression](2-Regression/README.md) | Bangun model regresi linier dan polinomial | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | Harga labu Amerika Utara 🎃 | [Regression](2-Regression/README.md) | Bangun model regresi logistik | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Aplikasi Web 🔌 | [Web App](3-Web-App/README.md) | Bangun aplikasi web untuk menggunakan model yang sudah dilatih | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Pengantar klasifikasi | [Classification](4-Classification/README.md) | Bersihkan, persiapkan, dan visualisasikan data; pengantar klasifikasi | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | Masakan Asia dan India yang lezat 🍜 | [Classification](4-Classification/README.md) | Pengantar pengklasifikasi | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | Masakan Asia dan India yang lezat 🍜 | [Classification](4-Classification/README.md) | Lebih banyak pengklasifikasi | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | Masakan Asia dan India yang lezat 🍜 | [Classification](4-Classification/README.md) | Bangun aplikasi web rekomendasi menggunakan model Anda | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Pengantar pengelompokan | [Clustering](5-Clustering/README.md) | Bersihkan, persiapkan, dan visualisasikan data; pengantar pengelompokan | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Mengeksplorasi Selera Musik Nigeria 🎧 | [Clustering](5-Clustering/README.md) | Eksplorasi metode pengelompokan K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Pengantar pemrosesan bahasa alami ☕️ | [Natural language processing](6-NLP/README.md) | Pelajari dasar-dasar NLP dengan membangun bot sederhana | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Tugas Umum NLP ☕️ | [Natural language processing](6-NLP/README.md) | Mendalami pengetahuan NLP dengan memahami tugas-tugas umum yang diperlukan saat berhadapan dengan struktur bahasa | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Terjemahan dan analisis sentimen ♥️ | [Natural language processing](6-NLP/README.md) | Terjemahan dan analisis sentimen dengan Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Hotel romantis di Eropa ♥️ | [Natural language processing](6-NLP/README.md) | Analisis sentimen dengan ulasan hotel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Hotel romantis di Eropa ♥️ | [Natural language processing](6-NLP/README.md) | Analisis sentimen dengan ulasan hotel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Pengantar peramalan deret waktu | [Time series](7-TimeSeries/README.md) | Pengantar peramalan deret waktu | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Penggunaan Listrik Dunia ⚡️ - peramalan deret waktu dengan ARIMA | [Time series](7-TimeSeries/README.md) | Peramalan deret waktu dengan ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Penggunaan Listrik Dunia ⚡️ - peramalan deret waktu dengan SVR | [Time series](7-TimeSeries/README.md) | Peramalan deret waktu dengan Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| Catatan Akhir | Skenario dan aplikasi ML dunia nyata | [ML in the Wild](9-Real-World/README.md) | Aplikasi nyata menarik dan mengungkap dari ML klasik | [Lesson](9-Real-World/1-Applications/README.md) | Tim |
| Catatan Akhir | Debugging Model dalam ML menggunakan dashboard RAI | [ML in the Wild](9-Real-World/README.md) | Debugging Model dalam Pembelajaran Mesin menggunakan komponen dashboard Responsible AI | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> **Catatan tentang bahasa**: Pelajaran ini terutama ditulis dalam Python, tetapi banyak juga tersedia dalam R. Untuk menyelesaikan pelajaran R, buka folder `/solution` dan cari pelajaran R. Mereka menyertakan ekstensi .rmd yang mewakili file **R Markdown** yang dapat didefinisikan sederhana sebagai penyisipan `code chunks` (dari R atau bahasa lain) dan `YAML header` (yang memandu cara memformat output seperti PDF) dalam sebuah `Markdown document`. Dengan demikian, ini berfungsi sebagai kerangka kerja pembuatan contoh untuk data science karena memungkinkan Anda menggabungkan kode Anda, hasilnya, dan pemikiran Anda dengan menuliskannya dalam Markdown. Selain itu, dokumen R Markdown dapat dirender ke format output seperti PDF, HTML, atau Word.
> **Catatan tentang kuis**: Semua kuis tersedia di [folder Quiz App](../../quiz-app), dengan total 52 kuis yang masing-masing memiliki tiga pertanyaan. Kuis-kuis ini terhubung dari dalam pelajaran tapi aplikasi kuis dapat dijalankan secara lokal; ikuti instruksi di folder `quiz-app` untuk menjalankan secara lokal atau menerbitkan ke Azure.
| Nomor Pelajaran | Topik | Pengelompokan Pelajaran | Tujuan Pembelajaran | Pelajaran Terkait | Penulis |
| 01 | Pengantar machine learning | [Introduction](1-Introduction/README.md) | Pelajari konsep dasar di balik machine learning | [Pelajaran](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Sejarah machine learning | [Introduction](1-Introduction/README.md) | Pelajari sejarah yang mendasari bidang ini | [Pelajaran](1-Introduction/2-history-of-ML/README.md) | Jen dan Amy |
| 03 | Keadilan dan machine learning | [Introduction](1-Introduction/README.md) | Apa isu filosofis penting terkait keadilan yang harus dipertimbangkan siswa saat membangun dan menerapkan model ML? | [Pelajaran](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Teknik untuk machine learning | [Introduction](1-Introduction/README.md) | Teknik apa yang digunakan peneliti ML untuk membangun model ML? | [Pelajaran](1-Introduction/4-techniques-of-ML/README.md) | Chris dan Jen |
| 05 | Pengantar regresi | [Regression](2-Regression/README.md) | Mulai dengan Python dan Scikit-learn untuk model regresi | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Harga labu Amerika Utara 🎃 | [Regression](2-Regression/README.md) | Visualisasi dan pembersihan data sebagai persiapan untuk ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Harga labu Amerika Utara 🎃 | [Regression](2-Regression/README.md) | Bangun model regresi linear dan polinomial | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen dan Dmitry • Eric Wanjau |
| 08 | Harga labu Amerika Utara 🎃 | [Regression](2-Regression/README.md) | Bangun model regresi logistik | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Aplikasi Web 🔌 | [Web App](3-Web-App/README.md) | Bangun aplikasi web untuk menggunakan model yang sudah dilatih | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Pengantar klasifikasi | [Classification](4-Classification/README.md) | Bersihkan, persiapkan, dan visualisasikan data Anda; pengantar klasifikasi | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen dan Cassie • Eric Wanjau |
| 11 | Masakan Asia dan India yang Lezat 🍜 | [Classification](4-Classification/README.md) | Pengantar classifier | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen dan Cassie • Eric Wanjau |
| 12 | Masakan Asia dan India yang Lezat 🍜 | [Classification](4-Classification/README.md) | Lebih banyak classifier | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen dan Cassie • Eric Wanjau |
| 13 | Masakan Asia dan India yang Lezat 🍜 | [Classification](4-Classification/README.md) | Bangun aplikasi web rekomendasi menggunakan model Anda | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Pengantar pengelompokan | [Clustering](5-Clustering/README.md) | Bersihkan, persiapkan, dan visualisasikan data Anda; pengantar pengelompokan | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Menjelajahi Selera Musik Nigeria 🎧 | [Clustering](5-Clustering/README.md) | Jelajahi metode pengelompokan K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Pengantar pemrosesan bahasa alami ☕️ | [Natural language processing](6-NLP/README.md) | Pelajari dasar-dasar NLP dengan membangun bot sederhana | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Tugas NLP Umum ☕️ | [Natural language processing](6-NLP/README.md) | Perdalam pengetahuan NLP Anda dengan memahami tugas umum yang dibutuhkan saat berurusan dengan struktur bahasa | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Terjemahan dan analisis sentimen ♥️ | [Natural language processing](6-NLP/README.md) | Terjemahan dan analisis sentimen dengan Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Hotel romantis di Eropa ♥️ | [Natural language processing](6-NLP/README.md) | Analisis sentimen dengan ulasan hotel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Hotel romantis di Eropa ♥️ | [Natural language processing](6-NLP/README.md) | Analisis sentimen dengan ulasan hotel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Pengantar perkiraan deret waktu | [Time series](7-TimeSeries/README.md) | Pengantar perkiraan deret waktu | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Penggunaan Listrik Dunia ⚡️ - perkiraan deret waktu dengan ARIMA | [Time series](7-TimeSeries/README.md) | Perkiraan deret waktu dengan ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Penggunaan Listrik Dunia ⚡️ - perkiraan deret waktu dengan SVR | [Time series](7-TimeSeries/README.md) | Perkiraan deret waktu dengan Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| Postscript | Skenario dan aplikasi ML di dunia nyata | [ML in the Wild](9-Real-World/README.md) | Aplikasi dunia nyata yang menarik dan mengungkap penggunaan ML klasik | [Pelajaran](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Debugging Model di ML menggunakan dashboard RAI | [ML in the Wild](9-Real-World/README.md) | Debugging Model di Machine Learning menggunakan komponen dashboard Responsible AI | [Pelajaran](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [temukan semua sumber tambahan untuk kursus ini dalam koleksi Microsoft Learn kami](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Akses offline
Anda dapat menjalankan dokumentasi ini secara offline dengan menggunakan [Docsify](https://docsify.js.org/#/). Fork repositori ini, [pasang Docsify](https://docsify.js.org/#/quickstart) di mesin lokal Anda, lalu di folder root repositori ini, ketik `docsify serve`. Website akan dihidangkan di port 3000 pada localhost Anda: `localhost:3000`.
Anda dapat menjalankan dokumentasi ini secara offline dengan menggunakan [Docsify](https://docsify.js.org/#/). Fork repo ini, [pasang Docsify](https://docsify.js.org/#/quickstart) di mesin lokal Anda, lalu di folder root repo ini, ketik `docsify serve`. Situs web akan disajikan pada port 3000 di localhost Anda: `localhost:3000`.
## PDF
@ -173,34 +173,34 @@ Temukan pdf kurikulum dengan tautan [di sini](https://microsoft.github.io/ML-For
## 🎒 Kursus Lainnya
Tim kami juga memproduksi kursus lainnya! Lihat:
Tim kami memproduksi kursus lain! Cek:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agen
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Seri AI Generatif
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
@ -217,22 +217,22 @@ Tim kami juga memproduksi kursus lainnya! Lihat:
## Mendapatkan Bantuan
Jika Anda mengalami kesulitan atau memiliki pertanyaan tentang membangun aplikasi AI. Bergabunglah dengan sesama pelajar dan pengembang berpengalaman dalam diskusi tentang MCP. Ini adalah komunitas yang mendukung di mana pertanyaan disambut dan pengetahuan dibagikan secara bebas.
Jika Anda mengalami kesulitan atau memiliki pertanyaan tentang membangun aplikasi AI. Bergabunglah dengan sesama pelajar dan pengembang berpengalaman dalam diskusi tentang MCP. Ini adalah komunitas yang mendukung di mana pertanyaan diterima dan pengetahuan dibagikan dengan bebas.
Jika Anda memiliki umpan balik produk atau menemukan kesalahan saat membangun kunjungi:
Jika Anda memiliki umpan balik produk atau menemukan kesalahan saat membangun, kunjungi:
[](https://aka.ms/foundry/forum)
- Tinjau catatan setelah setiap pelajaran untuk pemahaman yang lebih baik.
- Latih penerapan algoritma secara mandiri.
- Jelajahi kumpulan data dunia nyata menggunakan konsep yang dipelajari.
- Tinjau notebook setelah setiap pelajaran untuk pemahaman yang lebih baik.
- Latih menerapkan algoritma sendiri.
- Jelajahi dataset dunia nyata menggunakan konsep yang telah dipelajari.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Penafian**:
Dokumen ini telah diterjemahkan menggunakan layanan terjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Meskipun kami berusaha untuk akurasi, harap diperhatikan bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang otoritatif. Untuk informasi yang penting, disarankan menggunakan terjemahan profesional oleh manusia. Kami tidak bertanggung jawab atas kesalahpahaman atau salah tafsir yang timbul dari penggunaan terjemahan ini.
**Penafian**:
Dokumen ini telah diterjemahkan menggunakan layanan terjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Meskipun kami berusaha untuk akurasi, harap diketahui bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang otoritatif. Untuk informasi penting, disarankan menggunakan layanan terjemahan manusia profesional. Kami tidak bertanggung jawab atas kesalahpahaman atau penafsiran yang salah yang timbul dari penggunaan terjemahan ini.
> Repositori ini termasuk lebih dari 50 terjemahan bahasa yang secara signifikan meningkatkan saiz muat turun. Untuk mengklon tanpa terjemahan, gunakan sparse checkout:
> Repositori ini termasuk lebih 50+ terjemahan bahasa yang secara ketara meningkatkan saiz muat turun. Untuk klon tanpa terjemahan, gunakan sparse checkout:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,147 +33,147 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Ini memberikan anda segala yang anda perlukan untuk menyelesaikan kursus dengan muat turun yang jauh lebih cepat.
> Ini memberikan anda semua keperluan untuk melengkapkan kursus dengan muat turun yang lebih pantas.
Kami sedang menjalankan siri belajar dengan AI di Discord, ketahui lebih lanjut dan sertai kami di [Siri Belajar dengan AI](https://aka.ms/learnwithai/discord) dari 18 - 30 September, 2025. Anda akan mendapat petua dan trik menggunakan GitHub Copilot untuk Sains Data.
Kami mempunyai siri pembelajaran Discord dengan AI yang sedang berlangsung, ketahui lebih lanjut dan sertai kami di [Siri Pembelajaran dengan AI](https://aka.ms/learnwithai/discord) dari 18 - 30 September, 2025. Anda akan mendapat petua dan trik menggunakan GitHub Copilot untuk Sains Data.
# Pembelajaran Mesin untuk Pemula - Kurikulum
> 🌍 Jelajahi dunia sambil kami menyelami Pembelajaran Mesin melalui budaya dunia 🌍
> 🌍 Melancong ke seluruh dunia sambil meneroka Pembelajaran Mesin melalui budaya dunia 🌍
Advokat Awan di Microsoft dengan sukacitanya menawarkan kurikulum 12 minggu, 26 pelajaran tentang **Pembelajaran Mesin**. Dalam kurikulum ini, anda akan belajar apa yang kadang-kadang dipanggil **pembelajaran mesin klasik**, menggunakan terutamanya Scikit-learn sebagai perpustakaan dan mengelak pembelajaran mendalam, yang diliputi dalam [kurikulum AI untuk Pemula](https://aka.ms/ai4beginners). Padankan pelajaran ini dengan ['Kurikulum Sains Data untuk Pemula'](https://aka.ms/ds4beginners), juga!
Pengelola Awan di Microsoft dengan sukacitanya menawarkan kurikulum 12 minggu, 26 pelajaran semua tentang **Pembelajaran Mesin**. Dalam kurikulum ini, anda akan belajar tentang apa yang kadangkala dipanggil **pembelajaran mesin klasik**, menggunakan terutamanya Scikit-learn sebagai perpustakaan dan mengelakkan pembelajaran mendalam, yang diliputi dalam [kurikulum AI untuk Pemula](https://aka.ms/ai4beginners) kami. Padankan pelajaran ini dengan ['Kurikulum Sains Data untuk Pemula'](https://aka.ms/ds4beginners) kami juga!
Jelajahi dunia bersama kami sambil kami menerapkan teknik klasik ini pada data dari pelbagai kawasan dunia. Setiap pelajaran merangkumi kuiz pra-dan pasca pelajaran, arahan bertulis untuk menyelesaikan pelajaran, penyelesaian, tugasan, dan banyak lagi. Pedagogi berasaskan projek kami membolehkan anda belajar sambil membina, cara yang terbukti supaya kemahiran baru 'melekat'.
Melancong bersama kami ke seluruh dunia sambil menerapkan teknik klasik ini kepada data dari pelbagai kawasan di dunia. Setiap pelajaran merangkumi kuiz sebelum dan selepas pelajaran, arahan bertulis untuk melengkapkan pelajaran, penyelesaian, tugasan, dan banyak lagi. Pedagogi berasaskan projek kami membolehkan anda belajar sambil membina, cara terbukti supaya kemahiran baru 'melekat'.
**✍️ Terima kasih yang setulusnya kepada penulis kami** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu dan Amy Boyd
**✍️ Terima kasih ikhlas kepada pengarang kami** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu dan Amy Boyd
**🎨 Terima kasih juga kepada pelukis ilustrasi kami** Tomomi Imura, Dasani Madipalli, dan Jen Looper
**🙏 Terima kasih istimewa 🙏 kepada penulis, penyemak, dan penyumbang kandungan Microsoft Student Ambassador**, khususnya Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, dan Snigdha Agarwal
**🙏 Terima kasih khas 🙏 kepada penulis, penyemak, 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
**🤩 Syukur tambahan kepada Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, dan Vidushi Gupta untuk pelajaran R kami!**
**🤩 Terima kasih tambahan kepada Duta Pelajar Microsoft Eric Wanjau, Jasleen Sondhi, dan Vidushi Gupta untuk pelajaran R kami!**
# Memulakan
# Mula
Ikuti langkah ini:
1. **Fork Repositori**: Klik butang "Fork" di sudut kanan atas halaman ini.
Ikuti langkah-langkah ini:
1. **Fork Repositori**: Klik pada butang "Fork" di penjuru kanan atas halaman ini.
> [cari semua sumber tambahan untuk kursus ini dalam koleksi Microsoft Learn kami](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [temukan semua sumber tambahan untuk kursus ini dalam koleksi Microsoft Learn kami](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Perlu bantuan?** Semak [Panduan Penyelesaian Masalah](TROUBLESHOOTING.md) untuk penyelesaian isu biasa berkaitan pemasangan, penyediaan, dan pelaksanaan pelajaran.
> 🔧 **Perlukan bantuan?** Semak [Panduan Penyelesaian Masalah](TROUBLESHOOTING.md) kami untuk penyelesaian isu biasa tentang pemasangan, penetapan, dan menjalankan pelajaran.
**[Pelajar](https://aka.ms/student-page)**, untuk menggunakan kurikulum ini, fork seluruh repositori ke akaun GitHub anda dan lengkapkan latihan sendiri atau bersama kumpulan:
**[Pelajar](https://aka.ms/student-page)**, untuk menggunakan kurikulum ini, buat fork keseluruhan repo ke akaun GitHub anda sendiri dan lengkapkan latihan secara sendiri atau dalam kumpulan:
- Mulakan dengan kuiz sebelum kuliah.
- Baca kuliah dan lengkapkan aktiviti, berhenti dan renungkan setiap pemeriksaan pengetahuan.
- Cuba cipta projek dengan memahami pelajaran dan bukannya hanya menjalankan kod penyelesaian; namun kod tersebut tersedia dalam folder `/solution` untuk setiap pelajaran berorientasikan projek.
- Baca kuliah dan lengkapkan aktiviti, berhenti sebentar dan merenung pada setiap pemeriksaan pengetahuan.
- Cuba buat projek dengan memahami pelajaran dan bukannya hanya menjalankan kod penyelesaian; walau bagaimana pun, kod tersebut tersedia dalam folder `/solution` pada setiap pelajaran berfokus projek.
- Ambil kuiz selepas kuliah.
- Lengkapkan cabaran.
- Lengkapkan tugasan.
- Selepas menyelesaikan kumpulan pelajaran, lawati [Papan Perbincangan](https://github.com/microsoft/ML-For-Beginners/discussions) dan "belajar dengan lantang" dengan mengisi rubrik PAT yang sesuai. 'PAT' ialah Alat Penilaian Kemajuan yang merupakan rubrik yang anda isi untuk memperkayakan pembelajaran. Anda juga boleh beri reaksi kepada PAT lain supaya kita boleh belajar bersama.
- Selepas melengkapkan satu kumpulan pelajaran, lawati [Papan Perbincangan](https://github.com/microsoft/ML-For-Beginners/discussions) dan "belajar secara terbuka" dengan mengisi rubrik PAT yang sesuai. 'PAT' adalah Alat Penilaian Kemajuan yang merupakan rubrik yang anda isi untuk meningkatkan pembelajaran. Anda juga boleh memberi reaksi kepada PAT lain supaya kita boleh belajar bersama.
> Untuk pembelajaran lanjut, kami mengesyorkan mengikuti modul dan laluan pembelajaran [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> Untuk kajian lanjut, kami mengesyorkan mengikuti modul dan laluan pembelajaran [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) ini.
**Guru**, kami telah [menyediakan beberapa cadangan](for-teachers.md) tentang cara menggunakan kurikulum ini.
**Guru**, kami telah [menyediakan beberapa cadangan](for-teachers.md) mengenai cara menggunakan kurikulum ini.
---
## Video panduan
Sesetengah pelajaran tersedia dalam bentuk video pendek. Anda boleh dapati semua ini di dalam pelajaran, atau di [senarai main ML untuk Pemula di saluran YouTube Pembangun Microsoft](https://aka.ms/ml-beginners-videos) dengan mengklik imej di bawah.
Beberapa pelajaran tersedia dalam video pendek. Anda boleh menjumpai semuanya dalam pelajaran tersebut, atau di [senarai main ML for Beginners di saluran YouTube Microsoft Developer](https://aka.ms/ml-beginners-videos) dengan mengklik imej di bawah.
[](https://aka.ms/ml-beginners-videos)
> 🎥 Klik imej di atas untuk video tentang projek dan orang yang menciptakannya!
> 🎥 Klik imej di atas untuk video tentang projek dan orang-orang yang menciptanya!
---
## Pedagogi
Kami memilih dua prinsip pedagogi semasa membina kurikulum ini: memastikan ia berasaskan projek **hands-on** dan termasuk **kuiz kerap**. Selain itu, kurikulum ini mempunyai **tema** yang sama untuk memberikan kesinambungan.
Kami memilih dua prinsip pedagogi semasa membina kurikulum ini: memastikan ia adalah berasaskan projek yang **praktikal** dan bahawa ia termasuk **kuiz kerap**. Tambahan, kurikulum ini mempunyai **tema** yang sama untuk memberikan kesepaduan.
Dengan memastikan kandungan selaras dengan projek, proses menjadi lebih menarik bagi pelajar dan ingatan konsep akan dipertingkatkan. Tambahan pula, kuiz rendah risiko sebelum kelas menetapkan niat pelajar untuk mempelajari topik, manakala kuiz kedua selepas kelas memastikan ingatan lebih baik. Kurikulum ini direka supaya fleksibel dan menyeronokkan dan boleh diambil secara keseluruhan atau sebahagian. Projek bermula dari kecil dan menjadi semakin kompleks pada penghujung kitaran 12 minggu. Kurikulum ini juga merangkumi posskrip tentang aplikasi sebenar ML, yang boleh digunakan sebagai kredit tambahan atau asas perbincangan.
Dengan memastikan kandungan sejajar dengan projek, proses menjadi lebih menarik untuk pelajar dan memori konsep akan bertambah baik. Tambahan pula, kuiz berisiko rendah sebelum kelas menetapkan niat pelajar untuk mempelajari topik, manakala kuiz kedua selepas kelas memastikan pemahaman makin kukuh. Kurikulum ini direka agar fleksibel dan menyeronokkan dan boleh diambil secara menyeluruh atau sebahagian. Projek bermula kecil dan menjadi semakin kompleks menjelang akhir kitaran 12 minggu. Kurikulum ini juga termasuk posskrip tentang aplikasi dunia sebenar bagi pembelajaran mesin, yang boleh digunakan sebagai kredit tambahan atau sebagai asas perbincangan.
> Cari [Kod Etika](CODE_OF_CONDUCT.md), [Sumbangan](CONTRIBUTING.md), [Terjemahan](..), dan panduan [Penyelesaian Masalah](TROUBLESHOOTING.md). Kami mengalu-alukan maklum balas membina anda!
> Temui [Kod Etika kami](CODE_OF_CONDUCT.md), [Menyumbang](CONTRIBUTING.md), [Terjemahan](..), dan garis panduan [Penyelesaian Masalah](TROUBLESHOOTING.md). Kami mengalu-alukan maklum balas membina anda!
> **Nota tentang bahasa**: Pelajaran ini terutamanya ditulis dalam Python, tetapi banyak juga tersedia dalam R. Untuk menyelesaikan pelajaran R, pergi ke folder `/solution` dan cari pelajaran R. Ia mengandungi sambungan .rmd yang merupakan fail **R Markdown** yang boleh difahami sebagai penyatuan `potongan kod` (R atau bahasa lain) dan `header YAML` (yang mengarah bagaimana memformat output seperti PDF) dalam dokumen `Markdown`. Oleh demikian, ia berfungsi sebagai rangka kerja penulisan yang cemerlang untuk sains data kerana membolehkan anda menggabungkan kod, output, dan pemikiran anda dengan menulis dalam Markdown. Selain itu, dokumen R Markdown boleh dihasilkan dalam format output seperti PDF, HTML, atau Word.
> **Catatan mengenai kuiz**: Semua kuiz terkandung dalam [folder Aplikasi Kuiz](../../quiz-app), untuk 52 kuiz keseluruhan dengan tiga soalan setiap satu. Ia dipautkan dari dalam pelajaran tetapi aplikasi kuiz boleh dijalankan secara tempatan; ikut arahan di dalam folder `quiz-app` untuk hos tempatan atau penerapan ke Azure.
| Nombor Pelajaran | Topik | Kumpulan Pelajaran| Objektif Pembelajaran | Pelajaran Dipautkan | Penulis |
| 01 | Pengenalan kepada pembelajaran mesin | [Pengenalan](1-Introduction/README.md) | Pelajari 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) | Pelajari sejarah yang mendasari bidang ini | [Pelajaran](1-Introduction/2-history-of-ML/README.md) | Jen dan Amy |
| 03 | Keadilan dan pembelajaran mesin | [Pengenalan](1-Introduction/README.md) | Apakah isu falsafah penting mengenai keadilan yang perlu 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) | Apakah teknik yang digunakan oleh penyelidik ML untuk membina model ML? | [Pelajaran](1-Introduction/4-techniques-of-ML/README.md) | Chris dan Jen |
| 05 | Pengenalan kepada regresi | [Regresi](2-Regression/README.md) | Mula menggunakan Python dan Scikit-learn untuk model regresi | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Harga labu Amerika Utara 🎃 | [Regresi](2-Regression/README.md) | Visualisasikan dan bersihkan data sebagai persediaan untuk ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Harga labu Amerika Utara 🎃 | [Regresi](2-Regression/README.md) | Bina model regresi linear dan polinomial | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen dan Dmitry • Eric Wanjau |
| 08 | Harga labu Amerika Utara 🎃 | [Regresi](2-Regression/README.md) | Bina model regresi logistik | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 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 kepada klasifikasi | [Klasifikasi](4-Classification/README.md) | Bersihkan, persiapkan, dan visualisasikan data anda; pengenalan kepada klasifikasi | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen dan Cassie • Eric Wanjau |
| 11 | Masakan Asia dan India yang lazat 🍜 | [Klasifikasi](4-Classification/README.md) | Pengenalan kepada pengelas | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen dan Cassie • Eric Wanjau |
| 12 | Masakan Asia dan India yang lazat 🍜 | [Klasifikasi](4-Classification/README.md) | Lebih banyak pengelas | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen dan Cassie • Eric Wanjau |
| 13 | Masakan Asia dan India yang lazat 🍜 | [Klasifikasi](4-Classification/README.md) | Bina aplikasi web recommender menggunakan model anda | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Pengenalan kepada pengelompokan |[Pengelompokan](5-Clustering/README.md) | Bersihkan, persiapkan, dan visualisasikan data anda; Pengenalan kepada pengelompokan | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Meneroka Selera Muzik Nigeria 🎧 | [Pengelompokan](5-Clustering/README.md) | Terokai kaedah pengelompokan K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Pengenalan kepada pemprosesan bahasa semula jadi ☕️ | [Pemprosesan bahasa semula jadi](6-NLP/README.md) | Pelajari asas mengenai NLP dengan membina bot mudah | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Tugasan NLP biasa ☕️ | [Pemprosesan bahasa semula jadi](6-NLP/README.md) | Mendalami pengetahuan NLP dengan memahami tugasan biasa yang diperlukan dalam mengendalikan struktur bahasa | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Penterjemahan dan analisis sentimen ♥️ | [Pemprosesan bahasa semula jadi](6-NLP/README.md) | Penterjemahan dan analisis sentimen dengan Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Hotel romantik di Eropah ♥️ | [Pemprosesan bahasa semula jadi](6-NLP/README.md) | Analisis sentimen dengan ulasan hotel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Hotel romantik 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 kepada peramalan siri masa | [Siri masa](7-TimeSeries/README.md) | Pengenalan kepada peramalan siri masa | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Penggunaan Kuasa Dunia ⚡️ - peramalan siri masa dengan ARIMA | [Siri masa](7-TimeSeries/README.md) | Peramalan siri masa dengan ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Penggunaan Kuasa Dunia ⚡️ - peramalan siri masa dengan SVR | [Siri masa](7-TimeSeries/README.md) | Peramalan siri masa dengan Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Pengenalan kepada pembelajaran penguatan | [Pembelajaran penguatan](8-Reinforcement/README.md) | Pengenalan kepada pembelajaran penguatan dengan Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| Catatan Akhir | Senario dan aplikasi ML dunia sebenar | [ML di Alam Liar](9-Real-World/README.md) | Aplikasi dunia sebenar yang menarik dan mendedahkan ML klasik | [Pelajaran](9-Real-World/1-Applications/README.md) | Pasukan |
| Catatan Akhir | Pengesanan Debug Model dalam ML menggunakan papan pemuka RAI | [ML di Alam Liar](9-Real-World/README.md) | Pengesanan Debug Model dalam Pembelajaran Mesin menggunakan komponen papan pemuka Responsible AI | [Pelajaran](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
- [kuiz selepas kuliah](https://ff-quizzes.netlify.app/en/ml/)
> **Satu nota tentang bahasa**: Pelajaran ini terutamanya ditulis dalam Python, tetapi banyak juga tersedia dalam R. Untuk menyelesaikan pelajaran R, pergi ke folder `/solution` dan cari pelajaran R. Mereka termasuk sambungan .rmd yang mewakili fail **R Markdown** yang boleh ditakrifkan dengan mudah sebagai penyisipan `code chunks` (dari R atau bahasa lain) dan `YAML header` (yang mengarah cara memformat output seperti PDF) dalam `dokumen Markdown`. Oleh itu, ia berfungsi sebagai rangka kerja pengarang yang terbaik untuk sains data kerana ia membenarkan anda menggabungkan kod anda, outputnya, dan pemikiran anda dengan membenarkan anda menulisnya dalam Markdown. Tambahan pula, dokumen R Markdown boleh dihasilkan ke format output seperti PDF, HTML, atau Word.
> **Satu nota tentang kuiz**: Semua kuiz terdapat dalam [folder Aplikasi Kuiz](../../quiz-app), dengan jumlah 52 kuiz yang mengandungi tiga soalan setiap satu. Ia dipautkan dari dalam pelajaran tetapi aplikasi kuiz boleh dijalankan secara tempatan; ikut arahan dalam folder `quiz-app` untuk hoskan secara tempatan atau deploy ke Azure.
| Nombor Pelajaran | Topik | Kumpulan Pelajaran | Objektif Pembelajaran | Pelajaran Berkaitan | Penulis |
| 01 | Pengenalan kepada pembelajaran mesin | [Pengenalan](1-Introduction/README.md) | Pelajari 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) | Pelajari sejarah di sebalik bidang ini | [Pelajaran](1-Introduction/2-history-of-ML/README.md) | Jen dan Amy |
| 03 | Keadilan dan pembelajaran mesin | [Pengenalan](1-Introduction/README.md) | Apakah isu falsafah penting tentang keadilan yang pelajar harus pertimbangkan apabila membina dan menggunakan model ML? | [Pelajaran](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Teknik-teknik untuk pembelajaran mesin | [Pengenalan](1-Introduction/README.md) | Apakah teknik yang digunakan para penyelidik ML untuk membina model ML? | [Pelajaran](1-Introduction/4-techniques-of-ML/README.md) | Chris dan Jen |
| 05 | Pengenalan kepada regresi | [Regresi](2-Regression/README.md) | Mulakan dengan Python dan Scikit-learn untuk model regresi | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Harga labu Amerika Utara 🎃 | [Regresi](2-Regression/README.md) | Visualisasikan dan bersihkan data sebagai persediaan untuk ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Harga labu Amerika Utara 🎃 | [Regresi](2-Regression/README.md) | Bina model regresi linear dan polinomial | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen dan Dmitry • Eric Wanjau |
| 08 | Harga labu Amerika Utara 🎃 | [Regresi](2-Regression/README.md) | Bina model regresi logistik | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Aplikasi Web 🔌 | [Aplikasi Web](3-Web-App/README.md) | Bina aplikasi web untuk menggunakan model yang telah dilatih | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Pengenalan kepada pengelasan | [Pengelasan](4-Classification/README.md) | Bersihkan, sediakan, dan visualisasikan data anda; pengenalan kepada pengelasan | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen dan Cassie • Eric Wanjau |
| 11 | Masakan Asia dan India yang lazat 🍜 | [Pengelasan](4-Classification/README.md) | Pengenalan kepada pengelasan | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen dan Cassie • Eric Wanjau |
| 12 | Masakan Asia dan India yang lazat 🍜 | [Pengelasan](4-Classification/README.md) | Lebih banyak pengelasan | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen dan Cassie • Eric Wanjau |
| 13 | Masakan Asia dan India yang lazat 🍜 | [Pengelasan](4-Classification/README.md) | Bina aplikasi web pembesan menggunakan model anda | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Pengenalan kepada pengelompokan | [Pengelompokan](5-Clustering/README.md) | Bersihkan, sediakan, dan visualisasikan data anda; Pengenalan kepada pengelompokan | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Menerokai citarasa muzik Nigeria 🎧 | [Pengelompokan](5-Clustering/README.md) | Terokai kaedah pengelompokan K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Pengenalan kepada pemprosesan bahasa semula jadi ☕️ | [Pemprosesan bahasa semula jadi](6-NLP/README.md) | Pelajari asas NLP dengan membina bot mudah | [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 biasa yang diperlukan apabila berurusan dengan struktur bahasa | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Terjemahan dan analisis 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 romantik di Eropah ♥️ | [Pemprosesan bahasa semula jadi](6-NLP/README.md) | Analisis sentimen dengan ulasan hotel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Hotel romantik 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 kepada ramalan siri masa | [Siri masa](7-TimeSeries/README.md) | Pengenalan kepada 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 | ⚡️ Penggunaan Kuasa Dunia ⚡️ - ramalan siri masa dengan SVR | [Siri masa](7-TimeSeries/README.md) | Ramalan siri masa dengan Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Pengenalan kepada pembelajaran pengukuhan | [Pembelajaran pengukuhan](8-Reinforcement/README.md) | Pengenalan kepada pembelajaran pengukuhan dengan Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| Posskrip | Senario dan aplikasi ML dunia sebenar | [ML di Alam Liar](9-Real-World/README.md) | Aplikasi dunia sebenar yang menarik dan memberitahu dalam ML klasik | [Pelajaran](9-Real-World/1-Applications/README.md) | Pasukan |
| Posskrip | Penyahpepijatan Model dalam ML menggunakan papan pemuka RAI | [ML di Alam Liar](9-Real-World/README.md) | Penyahpepijatan Model dalam Pembelajaran Mesin menggunakan komponen papan pemuka Responsible AI | [Pelajaran](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [cari semua sumber tambahan untuk kursus ini dalam koleksi Microsoft Learn kami](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Akses luar talian
Anda boleh menjalankan dokumentasi ini secara luar talian dengan menggunakan [Docsify](https://docsify.js.org/#/). Fork repositori ini, [pasang Docsify](https://docsify.js.org/#/quickstart) pada komputer tempatan anda, kemudian di folder root repositori ini, taip `docsify serve`. Laman web akan dihidangkan pada port 3000 di localhost anda: `localhost:3000`.
Anda boleh menjalankan dokumentasi ini luar talian dengan menggunakan [Docsify](https://docsify.js.org/#/). Garapkan repo ini, [pasang Docsify](https://docsify.js.org/#/quickstart) pada mesin tempatan anda, dan kemudian di folder root repo ini, taip `docsify serve`. Laman web akan dihidangkan 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).
Dapatkan pdf kurikulum dengan pautan [di sini](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Kursus Lain
## 🎒 Kursus Lain
Pasukan kami menghasilkan kursus lain! Lihat:
Pasukan kami menghasilkan kursus lain! Semak:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -182,16 +182,16 @@ Pasukan kami menghasilkan kursus lain! Lihat:
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Ejen
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Siri AI Generatif
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
### Siri Generatif AI
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
@ -199,40 +199,40 @@ Pasukan kami menghasilkan kursus lain! Lihat:
---
### Pembelajaran Teras
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Siri Copilot
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
Jika anda tersekat atau mempunyai sebarang soalan tentang membina aplikasi AI. Sertai pembelajar lain dan pembangun berpengalaman dalam perbincangan mengenai MCP. Ia adalah komuniti yang menyokong di mana soalan dialu-alukan dan pengetahuan dikongsi dengan bebas.
Jika anda tersekat atau mempunyai sebarang soalan tentang membina aplikasi AI. Sertai pelajar lain dan pembangun berpengalaman dalam perbincangan mengenai MCP. Ia adalah komuniti yang menyokong di mana soalan dialu-alukan dan pengetahuan dikongsi dengan bebas.
- Semak buku nota selepas setiap pelajaran untuk pemahaman yang lebih baik.
- Amalkan melaksanakan algoritma sendiri.
- Terokai set data dunia nyata menggunakan konsep yang telah dipelajari.
- Semak semula buku nota selepas setiap pelajaran untuk pemahaman yang lebih baik.
- Latih melaksanakan algoritma sendiri.
- Terokai set data dunia sebenar menggunakan konsep yang dipelajari.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Penafian**:
Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Walaupun kami berusaha untuk mencapai ketepatan, sila ambil perhatian bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang sah. Untuk maklumat kritikal, disarankan menggunakan terjemahan profesional oleh manusia. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.
Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Walaupun kami berusaha untuk ketepatan, sila ambil maklum bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang sahih. Untuk maklumat kritikal, terjemahan profesional oleh manusia adalah disyorkan. Kami tidak bertanggungjawab terhadap sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.
[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
[](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
[](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
> Kasama sa repository na ito ang 50+ na pagsasalin ng wika na malaki ang pinapataas ng laki ng pag-download. Upang i-clone nang walang mga pagsasalin, gamitin ang sparse checkout:
> Kasama sa repository na ito ang mahigit 50 na pagsasalin sa wika na lubhang nagpapalaki ng laki ng download. Upang makapag-clone nang walang mga pagsasalin, gamitin ang sparse checkout:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,206 +33,206 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Bibigyan ka nito ng lahat ng kailangan mo para tapusin ang kurso nang mas mabilis ang pag-download.
> Bibigyan ka nito ng lahat ng kailangan mo upang matapos ang kurso nang mas mabilis ang pag-download.
Mayroon kaming Discord na serye ng pag-aaral gamit ang AI na kasalukuyang nagpapatuloy, matuto pa at sumali sa amin sa [Learn with AI Series](https://aka.ms/learnwithai/discord) mula Setyembre 18 - 30, 2025. Makakakuha ka ng mga tip at trick sa paggamit ng GitHub Copilot para sa Data Science.
May ongoing na series kami sa Discord tungkol sa pag-aaral kasama ang AI, matuto pa at sumali sa amin sa [Learn with AI Series](https://aka.ms/learnwithai/discord) mula Setyembre 18 - 30, 2025. Makakakuha ka ng mga tip at tricks sa paggamit ng GitHub Copilot para sa Data Science.
# Machine Learning para sa mga Nagsisimula - Isang Kurikulum
# Machine Learning para sa mga Baguhan - Isang Kurikulum
> 🌍 Maglakbay sa buong mundo habang tinutuklasan natin ang Machine Learning sa pamamagitan ng mga kultura ng mundo 🌍
> 🌍 Maglakbay sa buong mundo habang tinutuklasan natin ang Machine Learning sa pamamagitan ng mga kultura sa buong mundo 🌍
Ikinagagalak ng Cloud Advocates ng Microsoft na mag-alok ng isang 12-linggong, 26-leksyon na kurikulum tungkol sa **Machine Learning**. Sa kurikulung ito, matututuhan mo ang tinatawag minsan na **classic machine learning**, gamit pangunahin ang Scikit-learn bilang isang librarya at iniiwasan ang deep learning, na tinatalakay naman sa aming [AI for Beginners' curriculum](https://aka.ms/ai4beginners). Ipares ang mga leksyong ito sa aming ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners), rin!
Ikinagagalak ng mga Cloud Advocates sa Microsoft na mag-alok ng 12-linggong, 26 na leksyon na kurikulum tungkol sa **Machine Learning**. Sa kurikulum na ito, malalaman mo ang tinatawag na **classic machine learning**, gamit ang Scikit-learn bilang pangunahing library at iniiwasan ang deep learning, na tinatalakay naman sa aming [AI for Beginners' curriculum](https://aka.ms/ai4beginners). Isabay din ang mga leksyon na ito sa aming ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners).
Maglakbay kasama kami sa buong mundo habang inilalapat natin ang mga klasikong teknikang ito sa datos mula sa maraming bahagi ng mundo. Bawat leksyon ay may kasamang pre- at post-lesson quizzes, nakasulat na mga tagubilin para matapos ang leksyon, isang solusyon, isang assignment, at marami pa. Ang aming pedagohikal na nakabase sa proyekto ay nagpapahintulot sa iyo na matuto habang nagtatayo, isang napatunayang paraan para ang bagong kaalaman ay manatili.
Maglakbay kasama kami sa buong mundo habang inilalapat natin ang mga klasikong teknik na ito sa data mula sa iba't ibang bahagi ng mundo. Bawat leksyon ay may kasamang pre- at post-lesson quizzes, nakasulat na mga tagubilin upang matapos ang leksyon, solusyon, isang assignment, at iba pa. Ang aming proyekto-base na pedagogiya ay nagbibigay-daan sa'yo na matuto habang gumagawa, isang napatunayang paraan para manatili ang mga bagong kasanayan.
**✍️ Taos-pusong pasasalamat sa aming mga may-akda** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu at Amy Boyd
**✍️ Taos-pusong pasasalamat sa aming mga mayakda** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu at Amy Boyd
**🎨 Salamat din sa aming mga ilustrador** Tomomi Imura, Dasani Madipalli, at Jen Looper
**🙏 Espesyal na pasasalamat 🙏 sa aming mga Microsoft Student Ambassador na mga may-akda, tagasuri, at mga tagapag-ambag ng nilalaman**, partikular kina Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, at Snigdha Agarwal
**🙏 Espesyal na pasasalamat 🙏 sa mga Microsoft Student Ambassador na mga may akda, tagasuri, at mga kontribyutor ng nilalaman**, partikular kina Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, at Snigdha Agarwal
**🤩 Dagdag na pasasalamat sa Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, at Vidushi Gupta para sa aming mga R lessons!**
**🤩 Dagdag na pasasalamat kina Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, at Vidushi Gupta para sa aming mga R na leksyon!**
# Pagsisimula
Sundin ang mga hakbang na ito:
1. **I-fork ang Repositoryo**: I-click ang "Fork" na button sa kanang itaas ng pahinang ito.
2. **I-clone ang Repositoryo**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
1. **I-fork ang Repository**: I-click ang "Fork" na button sa itaas-kanang sulok ng pahinang ito.
2. **I-clone ang Repository**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
> [hanapin lahat ng dagdag na mga recurso para sa kursong ito sa aming Microsoft Learn collection](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [hanapin ang lahat ng karagdagang mga resources para sa kursong ito sa aming Microsoft Learn koleksyon](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Kailangan ng tulong?** Tingnan ang aming [Troubleshooting Guide](TROUBLESHOOTING.md) para sa mga solusyon sa karaniwang mga isyu sa pag-install, setup, at pagpapatakbo ng mga leksyon.
> 🔧 **Kailangan ng tulong?** Tingnan ang aming [Troubleshooting Guide](TROUBLESHOOTING.md) para sa mga solusyon sa karaniwang mga isyu sa pag-install, pagsasaayos, at pagpapatakbo ng mga leksyon.
**[Mga Estudyante](https://aka.ms/student-page)**, upang magamit ang kurikulung ito, i-fork ang buong repo sa iyong sariling GitHub account at tapusin ang mga ehersisyo nang mag-isa o kasama ang isang grupo:
**[Mga Estudyante](https://aka.ms/student-page)**, para gamitin ang kurikulum na ito, i-fork ang buong repo sa sarili mong GitHub account at tapusin ang mga exercise mag-isa o kasama ang grupo:
- Magsimula sa pre-lecture quiz.
- Basahin ang lektura at tapusin ang mga gawain, huminto at magmuni-muni sa bawat knowledge check.
- Subukang likhain ang mga proyekto sa pamamagitan ng pag-unawa sa mga leksyon sa halip na patakbuhin ang solution code; gayunpaman available ang code na iyon sa mga `/solution` folders sa bawat proyekto-orientadong leksyon.
- Kunin ang post-lecture quiz.
- Tapusin ang hamon.
- Magsimula sa isang pre-lecture quiz.
- Basahin ang leksyon at tapusin ang mga aktibidad, huminto at magmuni-muni sa bawat knowledge check.
- Subukang likhain ang mga proyekto sa pamamagitan ng pag-unawa sa mga leksyon sa halip na direktang patakbuhin ang solusyon; gayunpaman, ang code na iyon ay matatagpuan sa mga `/solution` folder sa bawat leksyon na nakatuon sa proyekto.
- Kumuha ng post-lecture quiz.
- Tapusin ang challenge.
- Tapusin ang assignment.
- Pagkatapos tapusin ang isang grupo ng leksyon, bisitahin ang [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) at "matuto nang malakas" sa pamamagitan ng pag-fill out ng angkop na PAT rubric. Ang 'PAT' ay isang Progress Assessment Tool na isang rubric na iyong pinupunan upang mapalalim ang iyong pagkatuto. Maaari ka ring mag-react sa ibang mga PAT para sama-sama tayong matuto.
- Pagkatapos matapos ang isang pangkat ng mga leksyon, bisitahin ang [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) at “matuto nang malakas” sa pamamagitan ng pagpuno ng angkop na PAT rubric. Ang 'PAT' ay Progress Assessment Tool na isang rubric na pinupunan mo upang mas mapalawak ang iyong pag-aaral. Maaari ka ring mag-react sa ibang mga PAT para sabay tayong matuto.
> Para sa karagdagang pag-aaral, inirerekumenda naming sundan ang mga [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modules at learning paths.
> Para sa karagdagang pag-aaral, inirerekomenda naming sundan ang mga [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modules at mga learning path.
**Mga Guro**, may [kasamang ilang mga suhestiyon](for-teachers.md) kung paano gamitin ang kurikulung ito.
**Mga Guro**, naglagay kami ng ilang mga mungkahi sa [paano gamitin ang kurikulm na ito](for-teachers.md).
---
## Video walkthroughs
## Mga walkthrough na video
Ilan sa mga leksyon ay available bilang mga pinaikling video. Makikita mo ang lahat ng ito sa loob ng mga leksyon, o sa [ML for Beginners playlist sa Microsoft Developer YouTube channel](https://aka.ms/ml-beginners-videos) sa pamamagitan ng pag-click sa larawan sa ibaba.
Ilan sa mga leksyon ay available bilang maikling video. Makikita mo ang mga ito sa loob mismo ng mga leksyon, o sa [ML for Beginners playlist sa Microsoft Developer YouTube channel](https://aka.ms/ml-beginners-videos) sa pag-click sa imahe sa ibaba.
[](https://aka.ms/ml-beginners-videos)
> 🎥 I-click ang larawan sa itaas para sa isang video tungkol sa proyekto at sa mga taong lumikha nito!
> 🎥 I-click ang imahe sa itaas para sa isang video tungkol sa proyekto at sa mga taong lumikha nito!
---
## Pedagohiya
Pinili namin ang dalawang prinsipyo ng pagtuturo habang binubuo ang kurikulung ito: siguraduhing ito ay hands-on **project-based** at na ito ay may kasamang **madalas na mga pagsusulit**. Bukod dito, ang kurikulung ito ay may isang karaniwang **tema** upang bigyan ito ng pagkakaugnay-ugnay.
Pinili namin ang dalawang pedagogical tenets habang binubuo ang kurikulum na ito: tiyakin na ito ay hands-on **project-based** at may mga **madalas na pagsusulit**. Bukod dito, ang kurikulum na ito ay may isang karaniwang **tema** upang bigyan ito ng pagka-kohesibo.
Sa pagtitiyak na ang nilalaman ay nakaayon sa mga proyekto, ang proseso ay nagiging mas kaakit-akit para sa mga estudyante at ang pagpapanatili ng mga konsepto ay mapapalakas. Bukod dito, ang mababang-stake na pagsusulit bago ang klase ay nagtatakda ng layunin ng estudyante sa pag-aaral ng isang paksa, samantalang ang pangalawang pagsusulit pagkatapos ng klase ay nagsisiguro ng karagdagang pagpapanatili. Ang kurikulung ito ay idinisenyo upang maging flexible at masaya at maaaring kunin nang buo o bahagi. Nagsisimula ang mga proyekto sa maliit at lumalalim ang komplikasyon hanggang sa dulo ng 12-linggong siklo. Kasama rin sa kurikulung ito ang isang postscript tungkol sa mga totoong aplikasyon ng ML, na maaaring gamitin bilang dagdag na kredito o bilang batayan sa talakayan.
Sa pamamagitan ng pagtitiyak na tumutugma ang nilalaman sa mga proyekto, nagiging mas kawili-wili ang proseso para sa mga estudyante at tataas ang retention ng mga konsepto. Bukod dito, ang isang low-stakes quiz bago magklase ay nagtatakda ng intensiyon ng estudyante sa pag-aaral ng paksa, habang ang pangalawang quiz pagkatapos ng klase ay nagsisiguro ng mas malalim na retention. Dinisenyo ang kurikulum na ito upang maging flexible at masaya at maaaring kunin nang buo o bahagi lamang. Nagsisimula ang mga proyekto sa maliit at nagiging mas kumplikado hanggang sa katapusan ng 12-linggong siklo. Kasama rin sa kurikulum na ito ang isang postscript tungkol sa mga totoong aplikasyon ng ML, na maaaring gamitin bilang dagdag na kredito o bilang batayan sa diskusyon.
> Hanapin ang aming [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translations](..), at [Troubleshooting](TROUBLESHOOTING.md) na mga gabay. Malugod naming tinatanggap ang inyong mga konstruktibong puna!
> Hanapin ang aming [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translations](..), at [Troubleshooting](TROUBLESHOOTING.md) na mga gabay. Malugod naming tinatanggap ang iyong makabuluhang feedback!
> **Isang tala tungkol sa mga wika**: Ang mga araling ito ay pangunahing isinulat sa Python, ngunit marami rin ang magagamit sa R. Upang makumpleto ang isang araling R, pumunta sa folder na `/solution` at hanapin ang mga araling R. Naglalaman ang mga ito ng ekstensyong .rmd na kumakatawan sa isang **R Markdown** file na maaaring ipaliwanag bilang isang pagsasama ng `code chunks` (ng R o iba pang mga wika) at isang `YAML header` (na gumagabay kung paano iformat ang mga output tulad ng PDF) sa isang `Markdown document`. Dahil dito, nagsisilbi ito bilang isang pambihirang framework para sa pagsulat para sa agham ng datos dahil pinapayagan kang pagsamahin ang iyong code, ang output nito, at ang iyong mga iniisip sa pamamagitan ng pagsulat ng mga ito sa Markdown. Bukod dito, ang mga dokumento ng R Markdown ay maaaring i-render sa mga format ng output tulad ng PDF, HTML, o Word.
> **Tungkol sa mga wika**: Pangunahing nakasulat ang mga leksyong ito sa Python, ngunit marami rin ang available sa R. Upang makumpleto ang isang R lesson, pumunta sa `/solution` folder at hanapin ang mga R lessons. Kabilang dito ang .rmd na extension na kumakatawan sa isang **R Markdown** file na maaaring ipaliwanag bilang pagsasama-sama ng mga `code chunks` (ng R o ibang mga wika) at isang `YAML header` (na naggagabay kung paano i-format ang mga output tulad ng PDF) sa isang `Markdown document`. Dahil dito, nagsisilbi itong isang halimbawa ng framework para sa pag-aakda sa data science dahil pinapayagan kang pagsamahin ang iyong code, ang output nito, at ang iyong mga saloobin sa pamamagitan ng pagsusulat ng mga ito sa Markdown. Bukod pa rito, ang mga R Markdown documents ay maaaring i-render sa mga output format tulad ng PDF, HTML, o Word.
> **Isang paalala tungkol sa mga pagsusulit**: Lahat ng pagsusulit ay naka-imbak sa [Quiz App folder](../../quiz-app), na may kabuuang 52 na pagsusulit na may tig-tatlong tanong bawat isa. Nakalink sila mula sa loob ng mga aralin ngunit ang quiz app ay maaaring patakbuhin nang lokal; sundin ang mga tagubilin sa `quiz-app` folder upang ma-host nang lokal o ma-deploy sa Azure.
> **Isang tala tungkol sa mga pagsusulit**: Lahat ng mga pagsusulit ay nasa loob ng [Quiz App folder](../../quiz-app), para sa kabuuang 52 na pagsusulit na may tig-tatlong tanong bawat isa. Nakaugnay ito mula sa loob ng mga aralin ngunit ang quiz app ay maaaring patakbuhin nang lokal; sundin ang mga tagubilin sa folder na `quiz-app` upang mag-host nang lokal o mag-deploy sa Azure.
| 01 | Panimula sa machine learning | [Introduction](1-Introduction/README.md) | Matutunan ang mga pangunahing konsepto sa likod ng machine learning | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Kasaysayan ng machine learning | [Introduction](1-Introduction/README.md) | Matutunan ang kasaysayan sa likod ng larangang ito | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Katarungan at machine learning | [Introduction](1-Introduction/README.md) | Ano ang mahahalagang pilosopikal na isyu tungkol sa katarungan na dapat isaalang-alang ng mga mag-aaral sa paggawa at paggamit ng ML models? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Mga teknik para sa machine learning | [Introduction](1-Introduction/README.md) | Anong mga teknik ang ginagamit ng mga mananaliksik ng ML upang bumuo ng ML models? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Panimula sa regression | [Regression](2-Regression/README.md) | Magsimula gamit ang Python at Scikit-learn para sa mga regression model | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Presyo ng kalabasa sa Hilagang Amerika 🎃 | [Regression](2-Regression/README.md) | I-visualisa at linisin ang datos para sa paghahanda sa ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Presyo ng kalabasa sa Hilagang Amerika 🎃 | [Regression](2-Regression/README.md) | Bumuo ng linear at polynomial regression models | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | Presyo ng kalabasa sa Hilagang Amerika 🎃 | [Regression](2-Regression/README.md) | Bumuo ng logistic regression model | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Isang Web App 🔌 | [Web App](3-Web-App/README.md) | Bumuo ng web app para gamitin ang na-train mong modelo | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Panimula sa classification | [Classification](4-Classification/README.md) | Linisin, ihanda, at i-visualisa ang iyong datos; panimula sa classification | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | Masasarap na lutuing Asyano at Indian 🍜 | [Classification](4-Classification/README.md) | Panimula sa mga classifiers | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | Masasarap na lutuing Asyano at Indian 🍜 | [Classification](4-Classification/README.md) | Higit pang mga classifiers | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | Masasarap na lutuing Asyano at Indian 🍜 | [Classification](4-Classification/README.md) | Bumuo ng recommender web app gamit ang iyong modelo | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Panimula sa clustering | [Clustering](5-Clustering/README.md) | Linisin, ihanda, at i-visualisa ang iyong datos; Panimula sa clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Pagsasaliksik sa Nigerian Musical Tastes 🎧 | [Clustering](5-Clustering/README.md) | Saliksikin ang K-Means clustering method | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Panimula sa natural language processing ☕️ | [Natural language processing](6-NLP/README.md) | Alamin ang mga pangunahing kaalaman tungkol sa NLP sa pamamagitan ng paggawa ng simpleng bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Mga Karaniwang Gawain sa NLP ☕️ | [Natural language processing](6-NLP/README.md) | Palalimin ang iyong kaalaman sa NLP sa pamamagitan ng pag-unawa sa mga karaniwang gawain na kinakailangan sa paghawak ng mga istruktura ng wika | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Pagsasalin at pagsusuri ng damdamin ♥️ | [Natural language processing](6-NLP/README.md) | Pagsasalin at pagsusuri ng damdamin gamit si Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Mga Romantikong hotel sa Europa ♥️ | [Natural language processing](6-NLP/README.md) | Pagsusuri ng damdamin gamit ang mga review ng hotel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Mga Romantikong hotel sa Europa ♥️ | [Natural language processing](6-NLP/README.md) | Pagsusuri ng damdamin gamit ang mga review ng hotel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Panimula sa time series forecasting | [Time series](7-TimeSeries/README.md) | Panimula sa time series forecasting | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Paggamit ng Kuryente sa Mundo ⚡️ - time series forecasting gamit ang ARIMA | [Time series](7-TimeSeries/README.md) | Time series forecasting gamit ang ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Paggamit ng Kuryente sa Mundo ⚡️ - time series forecasting gamit ang SVR | [Time series](7-TimeSeries/README.md) | Time series forecasting gamit ang Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Panimula sa reinforcement learning | [Reinforcement learning](8-Reinforcement/README.md) | Panimula sa reinforcement learning gamit ang Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Tulungan si Peter na iwasan ang lobo! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Reinforcement learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Mga totoong senaryo at aplikasyon ng ML | [ML in the Wild](9-Real-World/README.md) | Kawili-wili at naglalahad na mga totoong aplikasyon ng klasikong ML | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Pagsasaayos ng Modelo sa ML gamit ang RAI dashboard | [ML in the Wild](9-Real-World/README.md) | Pagsasaayos ng Modelo sa Machine Learning gamit ang Responsible AI dashboard components | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [hanapin ang lahat ng dagdag na mapagkukunan para sa kursong ito sa aming Microsoft Learn collection](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
| 01 | Panimula sa machine learning | [Introduction](1-Introduction/README.md) | Matutunan ang mga pangunahing konsepto sa likod ng machine learning | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Kasaysayan ng machine learning | [Introduction](1-Introduction/README.md) | Matutunan ang kasaysayan sa likod ng larangang ito | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Katarungan at machine learning | [Introduction](1-Introduction/README.md) | Ano ang mga mahahalagang pilosopikal na isyu tungkol sa katarungan na dapat isaalang-alang ng mga estudyante kapag bumubuo at nagpapagamit ng ML models? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Mga Teknik para sa machine learning | [Introduction](1-Introduction/README.md) | Anong mga teknika ang ginagamit ng mga mananaliksik ng ML upang bumuo ng ML models? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Panimula sa regression | [Regression](2-Regression/README.md) | Magsimula gamit ang Python at Scikit-learn para sa mga regression model | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Mga presyo ng kalabasa sa Hilagang Amerika 🎃 | [Regression](2-Regression/README.md) | I-visualize at linisin ang data bilang paghahanda para sa ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Mga presyo ng kalabasa sa Hilagang Amerika 🎃 | [Regression](2-Regression/README.md) | Bumuo ng linear at polynomial regression models | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | Mga presyo ng kalabasa sa Hilagang Amerika 🎃 | [Regression](2-Regression/README.md) | Bumuo ng logistic regression model | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Isang Web App 🔌 | [Web App](3-Web-App/README.md) | Bumuo ng web app upang gamitin ang iyong sanay na modelo | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Panimula sa classification | [Classification](4-Classification/README.md) | Linisin, ihanda, at i-visualize ang iyong data; panimula sa classification | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | Masasarap na Asian at Indian na mga pagkain 🍜 | [Classification](4-Classification/README.md) | Panimula sa mga classifier | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | Masasarap na Asian at Indian na mga pagkain 🍜 | [Classification](4-Classification/README.md) | Higit pang mga classifier | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | Masasarap na Asian at Indian na mga pagkain 🍜 | [Classification](4-Classification/README.md) | Bumuo ng isang recommender web app gamit ang iyong modelo | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Panimula sa clustering | [Clustering](5-Clustering/README.md) | Linisin, ihanda, at i-visualize ang iyong data; Panimula sa clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Pagsisiyasat sa Panlasa ng Musika sa Nigeria 🎧 | [Clustering](5-Clustering/README.md) | Siyasatin ang K-Means clustering method | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Panimula sa natural language processing ☕️ | [Natural language processing](6-NLP/README.md) | Matutunan ang mga pangunahing kaalaman tungkol sa NLP sa pamamagitan ng paggawa ng isang simpleng bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Karaniwang mga Gawain sa NLP ☕️ | [Natural language processing](6-NLP/README.md) | Palalimin ang iyong kaalaman tungkol sa NLP sa pamamagitan ng pag-unawa sa mga karaniwang gawain na kailangan kapag nakikitungo sa mga istruktura ng wika | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Pagsasalin at pagsusuri ng damdamin ♥️ | [Natural language processing](6-NLP/README.md) | Pagsasalin at pagsusuri ng damdamin kasama si Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Mga romantikong hotel sa Europe ♥️ | [Natural language processing](6-NLP/README.md) | Pagsusuri ng damdamin gamit ang mga review ng hotel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Mga romantikong hotel sa Europe ♥️ | [Natural language processing](6-NLP/README.md) | Pagsusuri ng damdamin gamit ang mga review ng hotel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Panimula sa time series forecasting | [Time series](7-TimeSeries/README.md) | Panimula sa time series forecasting | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Paggamit ng Enerhiya ng Mundo ⚡️ - time series forecasting gamit ang ARIMA | [Time series](7-TimeSeries/README.md) | Time series forecasting gamit ang ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Paggamit ng Enerhiya ng Mundo ⚡️ - time series forecasting gamit ang SVR | [Time series](7-TimeSeries/README.md) | Time series forecasting gamit ang Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Panimula sa reinforcement learning | [Reinforcement learning](8-Reinforcement/README.md) | Panimula sa reinforcement learning gamit ang Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Tulungan si Peter na iwasan ang lobo! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Gym ng reinforcement learning | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Mga tunay na senaryo at aplikasyon ng ML | [ML in the Wild](9-Real-World/README.md) | Mga kawili-wili at nagpapamalas na mga totoong aplikasyon ng klasikong ML | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Pag-debug ng Model sa ML gamit ang RAI dashboard | [ML in the Wild](9-Real-World/README.md) | Pag-debug ng Modelo sa Machine Learning gamit ang mga bahagi ng Responsible AI dashboard | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [hanapin lahat ng karagdagang mga mapagkukunan para sa kursong ito sa aming Microsoft Learn collection](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Offline access
Maaari mong patakbuhin ang dokumentasyong ito nang offline gamit ang [Docsify](https://docsify.js.org/#/). I-fork ang repo na ito, [i-install ang Docsify](https://docsify.js.org/#/quickstart) sa iyong lokal na makina, at pagkatapos ay sa root folder ng repo na ito, i-type ang `docsify serve`. Ang website ay ihahain sa port 3000 sa iyong localhost: `localhost:3000`.
Maaari mong patakbuhin ang dokumentasyong ito nang offline gamit ang [Docsify](https://docsify.js.org/#/). I-fork ang repo na ito, [i-install ang Docsify](https://docsify.js.org/#/quickstart) sa iyong lokal na makina, at pagkatapos sa root folder ng repo na ito, i-type ang `docsify serve`. Ang website ay ihahatid sa port 3000 sa iyong localhost: `localhost:3000`.
## PDFs
Hanapin ang pdf ng kurikulum na may mga link [dito](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Iba Pang Kurso
## 🎒 Iba pang Mga Kurso
Ang aming koponan ay gumagawa ng iba pang mga kurso! Tingnan ang:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Generative AI Series
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### Pangunahing Pag-aaral
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
### Pangunahing Pagkatuto
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Serye ng Copilot
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
### Copilot Series
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
Kung ikaw ay naipit o mayroong anumang mga tanong tungkol sa paggawa ng mga AI app. Sumali sa mga kapwa nag-aaral at mga batikang developer sa mga talakayan tungkol sa MCP. Ito ay isang sumusuportang komunidad kung saan malugod ang mga tanong at malayang ibinabahagi ang kaalaman.
Kung ikaw ay magkaroon ng kahirapan o may mga tanong tungkol sa paggawa ng mga AI app. Sumali sa kapwa mga nag-aaral at mga bihasang developer sa mga diskusyon tungkol sa MCP. Isa itong sumusuportang komunidad kung saan malugod ang mga tanong at malayang ibinabahagi ang kaalaman.
- Balikan ang mga notebook pagkatapos ng bawat aralin para sa mas mabuting pag-unawa.
- Magsanay sa pagpapatupad ng mga algorithm nang mag-isa.
- Tuklasin ang mga totoong dataset gamit ang mga natutunang konsepto.
- Balikan ang mga notebook matapos ng bawat aralin upang mas maintindihan.
- Sanayang magpatupad ng mga algorithm nang mag-isa.
- Suriin ang mga tunay na dataset gamit ang mga natutunang konsepto.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Paunawa**:
Ang dokumentong ito ay isinalin gamit ang serbisyong AI na pagsasalin [Co-op Translator](https://github.com/Azure/co-op-translator). Bagamat aming sinisikap ang pagiging tumpak, pakatandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o di-tumpak na bahagi. Ang orihinal na dokumento sa wikang pinagmulan nito ang dapat ituring na pangunahing sanggunian. Para sa mahahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na maaaring magmula sa paggamit ng pagsasaling ito.
**Pahayag ng Pagwawaksi**:
Ang dokumentong ito ay isinalin gamit ang AI translation service na [Co-op Translator](https://github.com/Azure/co-op-translator). Bagamat nagsusumikap kami para sa katumpakan, mangyaring tandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o di-umano’y kamalian. Ang orihinal na dokumento sa orihinal nitong wika ang dapat ituring na opisyal na sanggunian. Para sa mahalagang impormasyon, inirerekomenda ang propesyonal na pagsasaling-tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na nagmula sa paggamit ng pagsasaling ito.
localizeflow[bot]
1 month ago