From b51d0fdbbd88af8f6e3649eee939ce4cd0eca9c4 Mon Sep 17 00:00:00 2001 From: "localizeflow[bot]" Date: Mon, 20 Apr 2026 17:50:43 +0000 Subject: [PATCH] chore(i18n): sync translations with latest source changes (chunk 1/1, 12 changes) --- translations/id/.co-op-translator.json | 12 +- .../id/2-Regression/3-Linear/README.md | 281 +++++++++--------- .../2-Classifiers-1/README.md | 156 +++++----- translations/id/README.md | 207 +++++++------ translations/ms/.co-op-translator.json | 12 +- .../ms/2-Regression/3-Linear/README.md | 255 ++++++++-------- .../2-Classifiers-1/README.md | 139 ++++----- translations/ms/README.md | 228 +++++++------- translations/tl/.co-op-translator.json | 12 +- .../tl/2-Regression/3-Linear/README.md | 205 +++++++------ .../2-Classifiers-1/README.md | 125 ++++---- translations/tl/README.md | 205 ++++++------- 12 files changed, 928 insertions(+), 909 deletions(-) diff --git a/translations/id/.co-op-translator.json b/translations/id/.co-op-translator.json index e290aa30e..11da03bc4 100644 --- a/translations/id/.co-op-translator.json +++ b/translations/id/.co-op-translator.json @@ -90,8 +90,8 @@ "language_code": "id" }, "2-Regression/3-Linear/README.md": { - "original_hash": "9a8359f1945bd3beccccb2b46592580e", - "translation_date": "2026-02-28T09:34:28+00:00", + "original_hash": "26c53a922f1f1e8542b0ea41ff52221a", + "translation_date": "2026-04-20T17:39:48+00:00", "source_file": "2-Regression/3-Linear/README.md", "language_code": "id" }, @@ -168,8 +168,8 @@ "language_code": "id" }, "4-Classification/2-Classifiers-1/README.md": { - "original_hash": "1a6e9e46b34a2e559fbbfc1f95397c7b", - "translation_date": "2025-09-05T19:51:03+00:00", + "original_hash": "cb761595e5b6c42b99bb81bd13683311", + "translation_date": "2026-04-20T17:40:38+00:00", "source_file": "4-Classification/2-Classifiers-1/README.md", "language_code": "id" }, @@ -552,8 +552,8 @@ "language_code": "id" }, "README.md": { - "original_hash": "7fb48097f57e680b380cd9aae988d317", - "translation_date": "2026-04-06T17:10:46+00:00", + "original_hash": "3e3a6c7e68e0afe7e2276ac046e4d7a0", + "translation_date": "2026-04-20T17:38:41+00:00", "source_file": "README.md", "language_code": "id" }, diff --git a/translations/id/2-Regression/3-Linear/README.md b/translations/id/2-Regression/3-Linear/README.md index 8ab8b5d4e..4c6559fd8 100644 --- a/translations/id/2-Regression/3-Linear/README.md +++ b/translations/id/2-Regression/3-Linear/README.md @@ -1,127 +1,129 @@ -# Membangun model regresi menggunakan Scikit-learn: regresi dengan empat cara +# Bangun model regresi menggunakan Scikit-learn: regresi dengan empat cara ## Catatan Pemula -Regresi linear digunakan ketika kita ingin memprediksi **nilai numerik** (misalnya, harga rumah, suhu, atau penjualan). +Regresi linier digunakan ketika kita ingin memprediksi **nilai numerik** (misalnya, harga rumah, suhu, atau penjualan). Ini bekerja dengan menemukan garis lurus yang paling mewakili hubungan antara fitur input dan output. -Dalam pelajaran ini, kita fokus pada pemahaman konsep sebelum mengeksplorasi teknik regresi yang lebih canggih. -![Infografis regresi linear vs polinomial](../../../../translated_images/id/linear-polynomial.5523c7cb6576ccab.webp) +Dalam pelajaran ini, kita fokus pada pemahaman konsep sebelum mengeksplorasi teknik regresi yang lebih maju. +![Linear vs polynomial regression infographic](../../../../translated_images/id/linear-polynomial.5523c7cb6576ccab.webp) > Infografis oleh [Dasani Madipalli](https://twitter.com/dasani_decoded) -## [Kuis Pra-kuliah](https://ff-quizzes.netlify.app/en/ml/) -> ### [Pelajaran ini tersedia dalam Bahasa R!](../../../../2-Regression/3-Linear/solution/R/lesson_3.html) +## [Kuis Pra-lecture](https://ff-quizzes.netlify.app/en/ml/) + +> ### [Pelajaran ini tersedia dalam R!](../../../../2-Regression/3-Linear/solution/R/lesson_3.html) + ### Pendahuluan -Sejauh ini Anda telah menjelajahi apa itu regresi dengan data contoh yang diambil dari dataset harga labu yang akan kita gunakan sepanjang pelajaran ini. Anda juga telah memvisualisasikannya menggunakan Matplotlib. +Sejauh ini Anda telah mengeksplorasi apa itu regresi dengan data contoh yang dikumpulkan dari dataset harga labu yang akan kita gunakan sepanjang pelajaran ini. Anda juga telah memvisualisasikannya menggunakan Matplotlib. -Sekarang Anda siap untuk menggali lebih dalam regresi untuk ML. Visualisasi memungkinkan Anda memahami data, tetapi kekuatan nyata dari Pembelajaran Mesin datang dari _pelatihan model_. Model dilatih pada data historis untuk secara otomatis menangkap ketergantungan data, dan memungkinkan Anda memprediksi hasil untuk data baru, yang belum pernah dilihat model sebelumnya. +Sekarang Anda siap untuk menggali lebih dalam regresi untuk ML. Sementara visualisasi memungkinkan Anda memahami data, kekuatan sesungguhnya dari Pembelajaran Mesin datang dari _melatih model_. Model dilatih dengan data historis untuk secara otomatis menangkap ketergantungan data, dan memungkinkan Anda memprediksi hasil untuk data baru, yang belum pernah dilihat model sebelumnya. -Dalam pelajaran ini, Anda akan belajar lebih banyak tentang dua jenis regresi: _regresi linear dasar_ dan _regresi polinomial_, beserta sebagian matematika yang mendasari teknik-teknik ini. Model-model tersebut akan memungkinkan kita memprediksi harga labu tergantung pada data input yang berbeda. +Dalam pelajaran ini, Anda akan belajar lebih banyak tentang dua jenis regresi: _regresi linier dasar_ dan _regresi polinomial_, bersama dengan beberapa matematika dasar di balik teknik ini. Model-model itu akan memungkinkan kita memprediksi harga labu tergantung pada data input yang berbeda. -[![ML untuk pemula - Memahami Regresi Linear](https://img.youtube.com/vi/CRxFT8oTDMg/0.jpg)](https://youtu.be/CRxFT8oTDMg "ML untuk pemula - Memahami Regresi Linear") +[![ML for beginners - Understanding Linear Regression](https://img.youtube.com/vi/CRxFT8oTDMg/0.jpg)](https://youtu.be/CRxFT8oTDMg "ML for beginners - Understanding Linear Regression") -> 🎥 Klik gambar di atas untuk video singkat tentang regresi linear. +> 🎥 Klik gambar di atas untuk video singkat tentang regresi linier. -> Sepanjang kurikulum ini, kami mengasumsikan pengetahuan matematika minimal, dan berusaha membuatnya dapat diakses bagi siswa dari bidang lain, jadi perhatikan catatan, 🧮 catatan khusus, diagram, dan alat pembelajaran lain untuk membantu pemahaman. +> Sepanjang kurikulum ini, kami mengasumsikan pengetahuan matematika yang minimal, dan berusaha agar dapat diakses oleh siswa dari bidang lain, jadi perhatikan catatan, panggilan 🧮, diagram, dan alat pembelajaran lainnya untuk membantu pemahaman. ### Prasyarat -Anda seharusnya sudah familiar dengan struktur data labu yang sedang kita periksa. Data tersebut sudah dimuat dan dibersihkan sebelumnya dalam file _notebook.ipynb_ pelajaran ini. Dalam file tersebut, harga labu ditampilkan per bushel dalam sebuah data frame baru. Pastikan Anda dapat menjalankan notebook ini di kernel Visual Studio Code. +Anda seharusnya sudah familiar dengan struktur data labu yang sedang kita periksa. Anda dapat menemukannya sudah dimuat dan dibersihkan dalam berkas _notebook.ipynb_ pelajaran ini. Dalam berkas tersebut, harga labu ditampilkan per bushel dalam frame data baru. Pastikan Anda dapat menjalankan notebook ini di kernel Visual Studio Code. ### Persiapan -Sebagai pengingat, Anda memuat data ini untuk mengajukan pertanyaan tentangnya. +Sebagai pengingat, Anda memuat data ini agar dapat mengajukan pertanyaan tentangnya. -- Kapan waktu terbaik untuk membeli labu? -- Harga berapa yang bisa saya harapkan untuk sekotak labu mini? -- Haruskah saya membelinya dalam keranjang setengah bushel atau kotak 1 1/9 bushel? -Mari kita terus menggali data ini. +- Kapan waktu terbaik membeli labu? +- Harga berapa yang bisa saya harapkan untuk satu kotak labu mini? +- Haruskah saya membelinya dalam keranjang setengah bushel atau dalam kotak 1 1/9 bushel? +Mari terus gali data ini. -Dalam pelajaran sebelumnya, Anda telah membuat sebuah data frame Pandas dan mengisinya dengan sebagian dataset asli, menstandarisasi harga berdasarkan bushel. Namun dengan cara itu, Anda hanya dapat mengumpulkan sekitar 400 data dan hanya untuk bulan-bulan musim gugur. +Dalam pelajaran sebelumnya, Anda membuat data frame Pandas dan mengisinya dengan sebagian data asli, menstandarkan harga berdasarkan bushel. Namun dengan cara itu, Anda hanya mengumpulkan sekitar 400 datapoint dan hanya untuk bulan-bulan musim gugur. -Lihatlah data yang sudah dimuat dalam notebook pelajaran ini. Data sudah dimuat dan sebuah scatterplot awal telah dibuat untuk menunjukkan data bulan. Mungkin kita bisa mendapatkan detail lebih lanjut tentang sifat data dengan membersihkannya lebih lanjut. +Lihatlah data yang sudah kami muat dalam notebook pendamping pelajaran ini. Data dimuat dan scatterplot awal dibuat untuk menunjukkan data bulan. Mungkin kita bisa mendapatkan detail lebih tentang sifat data ini dengan membersihkannya lebih lanjut. -## Garis regresi linear +## Garis regresi linier -Seperti yang Anda pelajari di Pelajaran 1, tujuan latihan regresi linear adalah untuk memplot sebuah garis guna: +Seperti yang Anda pelajari di Pelajaran 1, tujuan latihan regresi linier adalah untuk dapat membuat garis yang: -- **Menunjukkan hubungan variabel**. Menunjukkan hubungan antara variabel -- **Membuat prediksi**. Membuat prediksi yang akurat tentang di mana titik data baru jatuh dalam hubungan dengan garis tersebut. +- **Menunjukkan hubungan variabel**. Menunjukkan hubungan antar variabel +- **Membuat prediksi**. Membuat prediksi yang akurat tentang di mana titik data baru akan jatuh terkait garis tersebut. -Biasanya **Regresi Kuadrat Terkecil** digunakan untuk menggambar garis seperti ini. Istilah "Kuadrat Terkecil" merujuk pada proses meminimalkan total kesalahan dalam model kita. Untuk setiap titik data, kita mengukur jarak vertikal (disebut residual) antara titik sebenarnya dan garis regresi kita. +Biasanya, **Least-Squares Regression** digunakan untuk menggambar garis jenis ini. Istilah "Least-Squares" mengacu pada proses meminimalkan total kesalahan dalam model kita. Untuk setiap titik data, kita mengukur jarak vertikal (disebut residual) antara titik aktual dan garis regresi kita. -Jarak ini dikuadratkan karena dua alasan utama: +Jarak-jarak ini kita kuadratkan karena dua alasan utama: -1. **Magnitudo, bukan Arah:** Kita ingin memperlakukan kesalahan -5 sama dengan kesalahan +5. Mengkuadratkan membuat semua nilai menjadi positif. +1. **Magnitudo lebih penting dari Arah:** Kita ingin menganggap kesalahan -5 sama dengan kesalahan +5. Mengkuadratkan membuat semua nilai menjadi positif. -2. **Memberi Bobot pada Outlier:** Mengkuadratkan memberikan bobot lebih pada kesalahan besar, memaksa garis tetap dekat dengan titik yang jauh. +2. **Memberi Bobot pada Outlier:** Kuadrat memberi bobot lebih besar pada kesalahan yang lebih besar, memaksa garis untuk tetap dekat dengan titik yang jauh. -Kemudian kita menjumlahkan semua nilai kuadrat ini. Tujuan kita adalah menemukan garis tertentu di mana jumlah akhir ini paling kecil (nilai terkecil mungkin)—itulah sebabnya dinamakan "Kuadrat Terkecil". +Kemudian kita jumlahkan semua nilai kuadrat ini. Tujuan kita adalah menemukan garis spesifik di mana jumlah akhir ini paling kecil (nilai terkecil mungkin)—maka namanya "Least-Squares". -> **🧮 Tunjukkan matematika** -> -> Garis ini, yang disebut _garis terbaik_ dapat diekspresikan dengan [persamaan](https://en.wikipedia.org/wiki/Simple_linear_regression): -> +> **🧮 Tunjukkan matematikanya** +> +> Garis ini, disebut _line of best fit_ dapat dinyatakan dengan [persamaan](https://en.wikipedia.org/wiki/Simple_linear_regression): +> > ``` > Y = a + bX > ``` -> -> `X` adalah 'variabel penjelas'. `Y` adalah 'variabel tergantung'. Kemiringan garis adalah `b` dan `a` adalah intercept-y, yang merujuk pada nilai `Y` ketika `X = 0`. -> ->![menghitung kemiringan](../../../../translated_images/id/slope.f3c9d5910ddbfcf9.webp) -> -> Pertama, hitung kemiringan `b`. Infografis oleh [Jen Looper](https://twitter.com/jenlooper) -> -> Dengan kata lain, dan mengacu pada pertanyaan asli data labu kita: "memprediksi harga labu per bushel berdasarkan bulan", `X` merujuk pada harga dan `Y` merujuk pada bulan penjualan. -> ->![melengkapi persamaan](../../../../translated_images/id/calculation.a209813050a1ddb1.webp) -> -> Hitung nilai Y. Jika Anda membayar sekitar $4, pasti bulan April! Infografis oleh [Jen Looper](https://twitter.com/jenlooper) -> -> Matematika yang menghitung garis harus menunjukkan kemiringan garis, yang juga bergantung pada intercept, atau di mana posisi `Y` saat `X = 0`. -> -> Anda bisa melihat metode perhitungan nilai ini di situs web [Math is Fun](https://www.mathsisfun.com/data/least-squares-regression.html). Juga kunjungi [Kalkulator kuadrat terkecil ini](https://www.mathsisfun.com/data/least-squares-calculator.html) untuk melihat bagaimana nilai angka mempengaruhi garis. +> +> `X` adalah 'variabel penjelas'. `Y` adalah 'variabel dependen'. Kemiringan garis adalah `b` dan `a` adalah intercept-y, yang merujuk pada nilai `Y` ketika `X = 0`. +> +>![hitung kemiringan](../../../../translated_images/id/slope.f3c9d5910ddbfcf9.webp) +> +> Pertama, hitung kemiringan `b`. Infografis oleh [Jen Looper](https://twitter.com/jenlooper) +> +> Dengan kata lain, dan mengacu pada pertanyaan asli data labu kita: "memprediksi harga labu per bushel berdasarkan bulan", `X` akan merujuk pada harga dan `Y` merujuk pada bulan penjualan. +> +>![lengkapi persamaan](../../../../translated_images/id/calculation.a209813050a1ddb1.webp) +> +> Hitung nilai Y. Jika Anda membayar sekitar $4, pasti bulan April! Infografis oleh [Jen Looper](https://twitter.com/jenlooper) +> +> Matematika yang menghitung garis harus menunjukkan kemiringan garis, yang juga bergantung pada intercept, atau di mana `Y` berada ketika `X = 0`. +> +> Anda dapat mengamati metode perhitungan nilai-nilai ini di situs [Math is Fun](https://www.mathsisfun.com/data/least-squares-regression.html). Juga kunjungi [Kalkulator Least-squares ini](https://www.mathsisfun.com/data/least-squares-calculator.html) untuk melihat bagaimana nilai angka memengaruhi garis. ## Korelasi -Satu istilah lagi yang harus dipahami adalah **Koefisien Korelasi** antara variabel X dan Y yang diberikan. Dengan scatterplot, Anda dapat dengan cepat memvisualisasikan koefisien ini. Plot dengan titik data yang tersebar dalam garis rapi memiliki korelasi tinggi, tetapi plot dengan titik data tersebar di mana-mana antara X dan Y memiliki korelasi rendah. +Satu istilah lagi yang perlu dipahami adalah **Koefisien Korelasi** antara variabel X dan Y tertentu. Dengan scatterplot, Anda dapat dengan cepat memvisualisasikan koefisien ini. Plot dengan titik data tersebar rapi pada satu garis memiliki korelasi tinggi, tapi plot dengan titik-titik acak di mana-mana antara X dan Y memiliki korelasi rendah. -Model regresi linear yang baik adalah yang memiliki Koefisien Korelasi tinggi (lebih dekat ke 1 daripada 0) menggunakan metode Regresi Kuadrat Terkecil dengan garis regresi. +Model regresi linier yang baik adalah yang memiliki Koefisien Korelasi tinggi (mendekati 1 daripada 0) menggunakan metode Least-Squares Regression dengan garis regresi. -✅ Jalankan notebook yang menyertai pelajaran ini dan lihat scatterplot Bulan ke Harga. Apakah data yang mengaitkan Bulan ke Harga untuk penjualan labu tampak memiliki korelasi tinggi atau rendah menurut interpretasi visual Anda dari scatterplot? Apakah itu berubah jika Anda menggunakan ukuran yang lebih rinci daripada `Bulan`, misalnya *hari dalam tahun* (yaitu jumlah hari sejak awal tahun)? +✅ Jalankan notebook pendamping pelajaran ini dan lihat scatterplot Bulan terhadap Harga. Apakah data yang mengasosiasikan Bulan ke Harga penjualan labu tampak memiliki korelasi tinggi atau rendah menurut interpretasi visual Anda terhadap scatterplot? Apakah berubah jika Anda menggunakan ukuran lebih rinci daripada `Month`, misalnya *hari dalam tahun* (jumlah hari sejak awal tahun)? -Dalam kode berikut, kita akan mengasumsikan bahwa kita telah membersihkan data, dan memperoleh data frame bernama `new_pumpkins`, serupa dengan berikut: +Dalam kode berikut, kita asumsikan data sudah dibersihkan, dan diperoleh data frame bernama `new_pumpkins`, mirip dengan berikut: -ID | Bulan | HariDalamTahun | Varietas | Kota | Kemasan | Harga Terendah | Harga Tertinggi | Harga ----|-------|-------------|----------|------|---------|----------------|-----------------|-------- -70 | 9 | 267 | PIE TYPE | BALTIMORE | Karton 1 1/9 bushel | 15.0 | 15.0 | 13.636364 -71 | 9 | 267 | PIE TYPE | BALTIMORE | Karton 1 1/9 bushel | 18.0 | 18.0 | 16.363636 -72 | 10 | 274 | PIE TYPE | BALTIMORE | Karton 1 1/9 bushel | 18.0 | 18.0 | 16.363636 -73 | 10 | 274 | PIE TYPE | BALTIMORE | Karton 1 1/9 bushel | 17.0 | 17.0 | 15.454545 -74 | 10 | 281 | PIE TYPE | BALTIMORE | Karton 1 1/9 bushel | 15.0 | 15.0 | 13.636364 +ID | Month | DayOfYear | Variety | City | Package | Low Price | High Price | Price +---|-------|-----------|---------|------|---------|-----------|------------|------- +70 | 9 | 267 | PIE TYPE | BALTIMORE | 1 1/9 bushel cartons | 15.0 | 15.0 | 13.636364 +71 | 9 | 267 | PIE TYPE | BALTIMORE | 1 1/9 bushel cartons | 18.0 | 18.0 | 16.363636 +72 | 10 | 274 | PIE TYPE | BALTIMORE | 1 1/9 bushel cartons | 18.0 | 18.0 | 16.363636 +73 | 10 | 274 | PIE TYPE | BALTIMORE | 1 1/9 bushel cartons | 17.0 | 17.0 | 15.454545 +74 | 10 | 281 | PIE TYPE | BALTIMORE | 1 1/9 bushel cartons | 15.0 | 15.0 | 13.636364 -> Kode untuk membersihkan data tersedia di [`notebook.ipynb`](notebook.ipynb). Kami telah melakukan langkah pembersihan yang sama seperti pelajaran sebelumnya, dan telah menghitung kolom `DayOfYear` menggunakan ekspresi berikut: +> Kode pembersihan data tersedia di [`notebook.ipynb`](notebook.ipynb). Kami sudah melakukan langkah pembersihan yang sama seperti pelajaran sebelumnya, dan menghitung kolom `DayOfYear` menggunakan ekspresi berikut: ```python day_of_year = pd.to_datetime(pumpkins['Date']).apply(lambda dt: (dt-datetime(dt.year,1,1)).days) ``` - -Sekarang setelah Anda memahami matematika di balik regresi linear, mari kita buat model Regresi untuk melihat apakah kita bisa memprediksi paket labu mana yang akan memiliki harga labu terbaik. Seseorang yang membeli labu untuk patch labu liburan mungkin ingin informasi ini agar bisa mengoptimalkan pembelian paket labu untuk patch tersebut. + +Sekarang setelah Anda memahami matematika di balik regresi linier, mari buat model Regresi untuk melihat apakah kita bisa memprediksi paket labu mana yang memiliki harga labu terbaik. Seseorang yang membeli labu untuk patch labu liburan mungkin ingin informasi ini agar dapat mengoptimalkan pembelian paket labu untuk patch tersebut. ## Mencari Korelasi -[![ML untuk pemula - Mencari Korelasi: Kunci Regresi Linear](https://img.youtube.com/vi/uoRq-lW2eQo/0.jpg)](https://youtu.be/uoRq-lW2eQo "ML untuk pemula - Mencari Korelasi: Kunci Regresi Linear") +[![ML for beginners - Looking for Correlation: The Key to Linear Regression](https://img.youtube.com/vi/uoRq-lW2eQo/0.jpg)](https://youtu.be/uoRq-lW2eQo "ML for beginners - Looking for Correlation: The Key to Linear Regression") > 🎥 Klik gambar di atas untuk video singkat tentang korelasi. -Dari pelajaran sebelumnya Anda mungkin sudah melihat bahwa harga rata-rata untuk bulan yang berbeda tampak seperti ini: +Dari pelajaran sebelumnya Anda mungkin sudah melihat bahwa rata-rata harga untuk bulan yang berbeda tampak seperti ini: -Harga rata-rata per bulan +Average price by month -Ini menunjukkan bahwa seharusnya ada beberapa korelasi, dan kita dapat mencoba melatih model regresi linear untuk memprediksi hubungan antara `Month` dan `Price`, atau antara `DayOfYear` dan `Price`. Berikut adalah scatter plot yang menunjukkan hubungan kedua: +Ini menunjukkan bahwa seharusnya ada korelasi, dan kita dapat mencoba melatih model regresi linier untuk memprediksi hubungan antara `Month` dan `Price`, atau antara `DayOfYear` dan `Price`. Berikut adalah scatter plot yang menunjukkan hubungan yang terakhir: -Scatter plot Harga vs Hari Dalam Tahun +Scatter plot of Price vs. Day of Year Mari kita lihat apakah ada korelasi menggunakan fungsi `corr`: @@ -129,8 +131,8 @@ Mari kita lihat apakah ada korelasi menggunakan fungsi `corr`: print(new_pumpkins['Month'].corr(new_pumpkins['Price'])) print(new_pumpkins['DayOfYear'].corr(new_pumpkins['Price'])) ``` - -Terlihat bahwa korelasi cukup kecil, -0.15 berdasarkan `Month` dan -0.17 berdasarkan `DayOfMonth`, tetapi mungkin ada hubungan penting lainnya. Tampak seperti ada kelompok harga yang berbeda yang berhubungan dengan varietas labu yang berbeda. Untuk mengonfirmasi hipotesis ini, mari plot setiap kategori labu dengan warna berbeda. Dengan memberikan parameter `ax` ke fungsi plot `scatter` kita dapat menggambar semua titik dalam satu grafik: + +Tampaknya korelasinya cukup kecil, -0.15 berdasarkan `Month` dan -0.17 berdasarkan `DayOfMonth`, tetapi mungkin ada hubungan penting lain. Tampak ada beberapa kluster harga berbeda yang sesuai dengan varietas labu berbeda. Untuk mengonfirmasi hipotesis ini, mari plot setiap kategori labu menggunakan warna berbeda. Dengan melewatkan parameter `ax` pada fungsi plot `scatter` kita bisa membuat semua titik berada di grafik yang sama: ```python ax=None @@ -139,93 +141,92 @@ for i,var in enumerate(new_pumpkins['Variety'].unique()): df = new_pumpkins[new_pumpkins['Variety']==var] ax = df.plot.scatter('DayOfYear','Price',ax=ax,c=colors[i],label=var) ``` + +Scatter plot of Price vs. Day of Year -Scatter plot Harga vs Hari Dalam Tahun dengan warna - -Investigasi kami menunjukkan bahwa varietas memiliki efek lebih besar pada harga keseluruhan dibandingkan tanggal penjualan sebenarnya. Kita dapat melihat ini dengan grafik batang: +Penyelidikan kita menunjukkan bahwa varietas memiliki pengaruh lebih besar pada harga keseluruhan daripada tanggal penjualan sebenarnya. Kita bisa melihat ini dengan grafik batang: ```python new_pumpkins.groupby('Variety')['Price'].mean().plot(kind='bar') ``` + +Bar graph of price vs variety -Grafik batang harga vs varietas - -Mari kita fokus untuk sementara hanya pada satu varietas labu, 'pie type', dan lihat apa efek tanggal terhadap harga: +Mari kita fokus untuk saat ini hanya pada satu varietas labu, 'pie type', dan lihat pengaruh tanggal pada harga: ```python pie_pumpkins = new_pumpkins[new_pumpkins['Variety']=='PIE TYPE'] pie_pumpkins.plot.scatter('DayOfYear','Price') ``` -Scatter plot Harga vs Hari Dalam Tahun untuk varietas pie +Scatter plot of Price vs. Day of Year -Jika sekarang kita hitung korelasi antara `Price` dan `DayOfYear` menggunakan fungsi `corr`, akan didapat nilai sekitar `-0.27`—yang berarti pelatihan model prediktif masuk akal. +Jika sekarang kita hitung korelasi antara `Price` dan `DayOfYear` menggunakan fungsi `corr`, kita akan mendapat sekitar `-0.27` - yang berarti melatih model prediktif masuk akal. -> Sebelum melatih model regresi linear, penting untuk memastikan bahwa data kita bersih. Regresi linear tidak bekerja dengan baik dengan nilai yang hilang, jadi masuk akal untuk menghapus semua sel kosong: +> Sebelum melatih model regresi linier, penting memastikan data kita bersih. Regresi linier tidak bekerja baik dengan nilai hilang, jadi masuk akal untuk menghapus semua sel kosong: ```python pie_pumpkins.dropna(inplace=True) pie_pumpkins.info() ``` + +Pendekatan lain adalah mengisi nilai kosong dengan nilai rata-rata dari kolom terkait. -Pendekatan lain adalah mengisi nilai kosong tersebut dengan nilai rata-rata dari kolom yang bersangkutan. - -## Regresi Linear Sederhana +## Regresi Linier Sederhana -[![ML untuk pemula - Regresi Linear dan Polinomial menggunakan Scikit-learn](https://img.youtube.com/vi/e4c_UP2fSjg/0.jpg)](https://youtu.be/e4c_UP2fSjg "ML untuk pemula - Regresi Linear dan Polinomial menggunakan Scikit-learn") +[![ML for beginners - Linear and Polynomial Regression using Scikit-learn](https://img.youtube.com/vi/e4c_UP2fSjg/0.jpg)](https://youtu.be/e4c_UP2fSjg "ML for beginners - Linear and Polynomial Regression using Scikit-learn") -> 🎥 Klik gambar di atas untuk video singkat tentang regresi linear dan polinomial. +> 🎥 Klik gambar di atas untuk video singkat tentang regresi linier dan polinomial. -Untuk melatih model Regresi Linear kita, kita akan gunakan perpustakaan **Scikit-learn**. +Untuk melatih model Regresi Linier kita, kita akan menggunakan perpustakaan **Scikit-learn**. ```python from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error from sklearn.model_selection import train_test_split ``` - + Kita mulai dengan memisahkan nilai input (fitur) dan output yang diharapkan (label) ke dalam array numpy terpisah: ```python X = pie_pumpkins['DayOfYear'].to_numpy().reshape(-1,1) y = pie_pumpkins['Price'] ``` + +> Catatan bahwa kita harus melakukan `reshape` pada data input agar paket Linear Regression memahaminya dengan benar. Regresi Linier mengharapkan array 2D sebagai input, di mana setiap baris array sesuai dengan vektor fitur input. Dalam kasus kita, karena kita hanya punya satu input - kita butuh array dengan bentuk N×1, di mana N adalah ukuran dataset. -> Perlu dicatat bahwa kita harus melakukan `reshape` pada data input agar paket Regresi Linear memahaminya dengan benar. Regresi Linear mengharapkan input berupa array 2D, di mana setiap baris array adalah vektor fitur input. Dalam kasus kita, karena hanya ada satu input - kita membutuhkan array berbentuk N×1, di mana N adalah ukuran dataset. - -Selanjutnya, kita perlu membagi data menjadi dataset latih dan uji, agar kita dapat memvalidasi model setelah pelatihan: +Kemudian, kita perlu membagi data menjadi dataset latih dan uji, agar kita dapat memvalidasi model setelah pelatihan: ```python X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0) ``` - -Akhirnya, pelatihan model Regresi Linear sebenarnya hanya memerlukan dua baris kode. Kita definisikan objek `LinearRegression`, dan fit-kan ke data kita menggunakan metode `fit`: + +Akhirnya, melatih model Regresi Linier sebenarnya hanya memerlukan dua baris kode. Kita definisikan objek `LinearRegression`, dan melatihnya dengan data kita menggunakan metode `fit`: ```python lin_reg = LinearRegression() lin_reg.fit(X_train,y_train) ``` -Objek `LinearRegression` setelah melakukan `fit` berisi semua koefisien regresi, yang dapat diakses menggunakan properti `.coef_`. Dalam kasus kami, hanya ada satu koefisien, yang seharusnya sekitar `-0.017`. Ini berarti bahwa harga tampaknya turun sedikit seiring waktu, tetapi tidak terlalu banyak, sekitar 2 sen per hari. Kita juga dapat mengakses titik potong regresi dengan sumbu Y menggunakan `lin_reg.intercept_` - ini akan sekitar `21` dalam kasus kami, menunjukkan harga di awal tahun. +Objek `LinearRegression` setelah di-`fit` berisi semua koefisien regresi, yang dapat diakses menggunakan properti `.coef_`. Dalam kasus kita, hanya ada satu koefisien, yang seharusnya sekitar `-0.017`. Ini berarti harga tampaknya sedikit turun seiring waktu, tapi tidak terlalu banyak, sekitar 2 sen per hari. Kita juga dapat mengakses titik potong regresi dengan sumbu Y menggunakan `lin_reg.intercept_` - yang akan sekitar `21` dalam kasus kita, menunjukkan harga pada awal tahun. -Untuk melihat seberapa akurat model kami, kita dapat memprediksi harga pada dataset uji, dan kemudian mengukur seberapa dekat prediksi kami dengan nilai yang diharapkan. Ini dapat dilakukan menggunakan metrik mean square error (MSE), yaitu rata-rata dari semua selisih kuadrat antara nilai yang diharapkan dan nilai yang diprediksi. +Untuk melihat seberapa akurat model kita, kita dapat memprediksi harga pada dataset uji, kemudian mengukur seberapa dekat prediksi kita dengan nilai yang diharapkan. Ini dapat dilakukan menggunakan metrik root mean square error (RMSE), yaitu akar dari rata-rata semua selisih kuadrat antara nilai yang diharapkan dan nilai yang diprediksi. ```python pred = lin_reg.predict(X_test) -mse = np.sqrt(mean_squared_error(y_test,pred)) -print(f'Mean error: {mse:3.3} ({mse/np.mean(pred)*100:3.3}%)') +rmse = np.sqrt(mean_squared_error(y_test,pred)) +print(f'RMSE: {rmse:3.3} ({rmse/np.mean(pred)*100:3.3}%)') ``` -Kesalahan kami tampaknya sekitar 2 poin, yaitu ~17%. Tidak terlalu baik. Indikator lain dari kualitas model adalah **koefisien determinasi**, yang dapat diperoleh seperti ini: +Kesalahan kita tampaknya sekitar 2 poin, yaitu sekitar 17%. Tidak terlalu bagus. Indikator lain dari kualitas model adalah **koefisien determinasi**, yang dapat diperoleh seperti ini: ```python score = lin_reg.score(X_train,y_train) print('Model determination: ', score) ``` +Jika nilainya 0, itu berarti model tidak mempertimbangkan data input, dan bertindak sebagai *prediktor linier terburuk*, yaitu nilai rata-rata dari hasilnya. Nilai 1 berarti kita dapat memprediksi semua output yang diharapkan dengan sempurna. Dalam kasus kita, koefisiennya sekitar 0.06, yang cukup rendah. -Jika nilainya 0, itu berarti model tidak mempertimbangkan data input, dan bertindak sebagai *prediktor linier terburuk*, yaitu nilai rata-rata hasil. Nilai 1 berarti kita dapat memprediksi semua hasil yang diharapkan dengan sempurna. Dalam kasus kami, koefisiennya sekitar 0,06, yang cukup rendah. - -Kita juga dapat memplot data uji bersama dengan garis regresi untuk melihat lebih baik bagaimana regresi bekerja dalam kasus kami: +Kita juga dapat menggambar data uji bersama dengan garis regresi untuk melihat lebih jelas bagaimana regresi bekerja dalam kasus kita: ```python plt.scatter(X_test,y_test) @@ -236,17 +237,17 @@ plt.plot(X_test,pred) ## Regresi Polinomial -Jenis lain dari Regresi Linear adalah Regresi Polinomial. Walaupun terkadang ada hubungan linier antara variabel - semakin besar labu dalam volume, semakin tinggi harga - terkadang hubungan tersebut tidak dapat diplot sebagai bidang atau garis lurus. +Jenis lain dari Regresi Linear adalah Regresi Polinomial. Kadang-kadang ada hubungan linier antara variabel - semakin besar volume labu, semakin tinggi harganya - tetapi terkadang hubungan ini tidak bisa dipetakan sebagai bidang atau garis lurus. -✅ Berikut adalah [beberapa contoh lagi](https://online.stat.psu.edu/stat501/lesson/9/9.8) data yang bisa menggunakan Regresi Polinomial +✅ Berikut [beberapa contoh lagi](https://online.stat.psu.edu/stat501/lesson/9/9.8) dari data yang dapat menggunakan Regresi Polinomial -Lihat lagi hubungan antara Tanggal dan Harga. Apakah scatterplot ini harus dianalisis dengan garis lurus? Apakah harga tidak bisa berfluktuasi? Dalam kasus ini, Anda bisa mencoba regresi polinomial. +Perhatikan lagi hubungan antara Date dan Price. Apakah scatterplot ini harus dianalisis dengan garis lurus? Apakah harga tidak bisa berfluktuasi? Dalam kasus ini, Anda dapat mencoba regresi polinomial. -✅ Polinomial adalah ekspresi matematika yang mungkin terdiri dari satu atau lebih variabel dan koefisien +✅ Polinomial adalah ekspresi matematis yang mungkin terdiri dari satu atau lebih variabel dan koefisien -Regresi polinomial membuat garis lengkung untuk menyesuaikan data nonlinier dengan lebih baik. Dalam kasus kami, jika kami menambahkan variabel `DayOfYear` kuadrat ke data input, kami harus bisa menyesuaikan data kami dengan kurva parabola, yang akan memiliki titik minimum di suatu titik dalam tahun. +Regresi polinomial membuat garis melengkung untuk lebih cocok dengan data yang tidak linier. Dalam kasus kita, jika kita memasukkan variabel `DayOfYear` kuadrat ke dalam data input, kita harus dapat memfit data kita dengan kurva parabola, yang akan memiliki titik minimum pada suatu titik dalam tahun. -Scikit-learn menyertakan [API pipeline](https://scikit-learn.org/stable/modules/generated/sklearn.pipeline.make_pipeline.html?highlight=pipeline#sklearn.pipeline.make_pipeline) yang membantu untuk menggabungkan berbagai langkah pemrosesan data bersama. Sebuah **pipeline** adalah rantai dari **estimator**. Dalam kasus kami, kami akan membuat pipeline yang pertama menambahkan fitur polinomial ke model, kemudian melatih regresi: +Scikit-learn menyertakan API [pipeline](https://scikit-learn.org/stable/modules/generated/sklearn.pipeline.make_pipeline.html?highlight=pipeline#sklearn.pipeline.make_pipeline) yang berguna untuk menggabungkan berbagai langkah pemrosesan data secara bersama-sama. **Pipeline** adalah rantai dari **estimators**. Dalam kasus kita, kita akan membuat pipeline yang pertama menambahkan fitur polinomial ke model, kemudian melatih regresi: ```python from sklearn.preprocessing import PolynomialFeatures @@ -257,43 +258,43 @@ pipeline = make_pipeline(PolynomialFeatures(2), LinearRegression()) pipeline.fit(X_train,y_train) ``` -Menggunakan `PolynomialFeatures(2)` berarti kami akan menyertakan semua polinomial derajat dua dari data input. Dalam kasus kami ini berarti `DayOfYear`2, tetapi jika ada dua variabel input X dan Y, ini akan menambahkan X2, XY dan Y2. Kita juga dapat menggunakan polinomial derajat lebih tinggi jika ingin. +Menggunakan `PolynomialFeatures(2)` berarti kita akan memasukkan semua polinomial derajat dua dari data input. Dalam kasus kita ini hanya berarti `DayOfYear`2, tapi jika ada dua variabel input X dan Y, ini akan menambahkan X2, XY, dan Y2. Kita juga dapat menggunakan polinomial tingkat lebih tinggi jika diinginkan. -Pipeline dapat digunakan dengan cara yang sama seperti objek `LinearRegression` asli, yaitu kita dapat melakukan `fit` pipeline, dan kemudian menggunakan `predict` untuk mendapatkan hasil prediksi. Berikut grafik yang menunjukkan data uji dan kurva aproksimasi: +Pipeline dapat digunakan dengan cara yang sama seperti objek `LinearRegression` asli, yaitu kita dapat melakukan `fit` pada pipeline, lalu menggunakan `predict` untuk mendapatkan hasil prediksi. Berikut adalah grafik yang menunjukkan data uji dan kurva pendekatan: Polynomial regression -Dengan Regresi Polinomial, kita bisa mendapatkan MSE yang sedikit lebih rendah dan koefisien determinasi yang lebih tinggi, tetapi tidak signifikan. Kita perlu mempertimbangkan fitur lain! +Dengan Regresi Polinomial, kita bisa mendapatkan MSE yang sedikit lebih rendah dan koefisien determinasi yang lebih tinggi, tapi tidak signifikan. Kita perlu mempertimbangkan fitur lain! -> Anda dapat melihat bahwa harga labu minimal diamati kira-kira di sekitar Halloween. Bagaimana Anda menjelaskannya? +> Anda dapat melihat bahwa harga labu minimum diamati sekitar Halloween. Bagaimana Anda menjelaskan ini? -🎃 Selamat, Anda baru saja membuat model yang dapat membantu memprediksi harga labu pai. Anda mungkin dapat mengulangi prosedur yang sama untuk semua jenis labu, tapi itu akan melelahkan. Sekarang mari kita pelajari bagaimana memperhitungkan varietas labu dalam model kita! +🎃 Selamat, Anda baru saja membuat model yang dapat membantu memprediksi harga labu pie. Anda mungkin bisa mengulangi prosedur yang sama untuk semua jenis labu, tapi itu akan merepotkan. Mari kita pelajari sekarang bagaimana mempertimbangkan varietas labu dalam model kita! ## Fitur Kategorikal -Dalam dunia ideal, kita ingin dapat memprediksi harga untuk berbagai varietas labu menggunakan model yang sama. Namun, kolom `Variety` agak berbeda dari kolom seperti `Month`, karena berisi nilai non-numerik. Kolom seperti ini disebut **kategorikal**. +Dalam dunia ideal, kita ingin bisa memprediksi harga untuk berbagai varietas labu menggunakan model yang sama. Namun, kolom `Variety` agak berbeda dari kolom seperti `Month`, karena berisi nilai non-numerik. Kolom seperti ini disebut **kategorikal**. [![ML for beginners - Categorical Feature Predictions with Linear Regression](https://img.youtube.com/vi/DYGliioIAE0/0.jpg)](https://youtu.be/DYGliioIAE0 "ML for beginners - Categorical Feature Predictions with Linear Regression") -> 🎥 Klik gambar di atas untuk melihat video singkat tentang penggunaan fitur kategorikal. +> 🎥 Klik gambar di atas untuk video singkat tentang penggunaan fitur kategorikal. -Di sini Anda bisa melihat bagaimana harga rata-rata tergantung pada varietas: +Di sini Anda dapat melihat bagaimana harga rata-rata bergantung pada varietas: Average price by variety -Untuk memperhitungkan varietas, pertama kita harus mengubahnya ke bentuk numerik, atau **meng-encode**. Ada beberapa cara yang bisa kita lakukan: +Untuk mempertimbangkan varietas, pertama kita perlu mengubahnya ke bentuk numerik, atau **mengkodekannya**. Ada beberapa cara kita dapat melakukannya: -* **Encoding numerik** sederhana akan membuat tabel varietas yang berbeda, kemudian mengganti nama varietas dengan indeks dalam tabel itu. Ini bukan ide terbaik untuk regresi linier, karena regresi linier mengambil nilai numerik indeks itu, dan menambahkan ke hasil, dikalikan dengan koefisien tertentu. Dalam kasus kami, hubungan antara nomor indeks dan harga jelas non-linier, meskipun kami memastikan indeks diurutkan dengan cara tertentu. -* **One-hot encoding** akan mengganti kolom `Variety` dengan 4 kolom berbeda, satu untuk setiap varietas. Setiap kolom akan berisi `1` jika baris terkait adalah varietas tersebut, dan `0` jika tidak. Ini berarti akan ada empat koefisien dalam regresi linier, satu untuk setiap varietas labu, yang bertanggung jawab untuk "harga awal" (atau lebih tepatnya "harga tambahan") untuk varietas itu. +* **Encoding numerik sederhana** akan membuat tabel berbagai varietas, lalu mengganti nama varietas dengan indeks di tabel tersebut. Ini bukan ide terbaik untuk regresi linear, karena regresi linear akan mengambil nilai numerik indeks itu dan menambahkannya ke hasil, yang dikalikan dengan suatu koefisien. Dalam kasus kita, hubungan antara nomor indeks dan harga jelas non-linier, walaupun kita memastikan indeks diurutkan dengan cara tertentu. +* **One-hot encoding** akan menggantikan kolom `Variety` dengan 4 kolom berbeda, satu untuk setiap varietas. Masing-masing kolom berisi `1` jika baris terkait adalah varietas tersebut, dan `0` jika tidak. Ini berarti ada empat koefisien pada regresi linear, satu untuk tiap varietas labu, yang bertanggung jawab atas "harga dasar" (atau lebih tepatnya "harga tambahan") untuk varietas tersebut. -Kode di bawah ini menunjukkan bagaimana kita bisa melakukan one-hot encoding untuk varietas: +Kode di bawah menunjukkan bagaimana kita bisa melakukan one-hot encoding pada varietas: ```python pd.get_dummies(new_pumpkins['Variety']) ``` - ID | FAIRYTALE | MINIATURE | VARIETAS CAMPURAN HEIRLOOM | TIPE PAI -----|-----------|-----------|----------------------------|---------- + ID | FAIRYTALE | MINIATURE | MIXED HEIRLOOM VARIETIES | PIE TYPE +----|-----------|-----------|--------------------------|---------- 70 | 0 | 0 | 0 | 1 71 | 0 | 0 | 0 | 1 ... | ... | ... | ... | ... @@ -303,14 +304,14 @@ pd.get_dummies(new_pumpkins['Variety']) 1741 | 0 | 1 | 0 | 0 1742 | 0 | 1 | 0 | 0 -Untuk melatih regresi linier menggunakan varietas yang telah di-one-hot encode sebagai input, kita hanya perlu menginisialisasi data `X` dan `y` dengan benar: +Untuk melatih regresi linear menggunakan varietas yang sudah di-one-hot encode sebagai input, kita hanya perlu menginisialisasi data `X` dan `y` dengan benar: ```python X = pd.get_dummies(new_pumpkins['Variety']) y = new_pumpkins['Price'] ``` -Sisa kode sama dengan yang kita gunakan sebelumnya untuk melatih Regresi Linier. Jika Anda mencobanya, Anda akan melihat bahwa mean squared error kurang lebih sama, tetapi kita mendapatkan koefisien determinasi yang jauh lebih tinggi (~77%). Untuk mendapatkan prediksi yang lebih akurat lagi, kita dapat mempertimbangkan lebih banyak fitur kategorikal, serta fitur numerik, seperti `Month` atau `DayOfYear`. Untuk mendapatkan satu array fitur besar, kita bisa menggunakan `join`: +Sisa kode sama seperti yang kita gunakan sebelumnya untuk melatih Regresi Linear. Jika Anda mencobanya, Anda akan melihat bahwa mean squared error hampir sama, tapi kita mendapatkan koefisien determinasi yang jauh lebih tinggi (~77%). Untuk mendapatkan prediksi yang lebih akurat lagi, kita dapat mempertimbangkan fitur kategorikal lainnya, serta fitur numerik, seperti `Month` atau `DayOfYear`. Untuk mendapatkan satu array fitur gabungan, kita dapat menggunakan `join`: ```python X = pd.get_dummies(new_pumpkins['Variety']) \ @@ -320,11 +321,11 @@ X = pd.get_dummies(new_pumpkins['Variety']) \ y = new_pumpkins['Price'] ``` -Di sini kita juga memperhitungkan `City` dan tipe `Package`, yang memberi kita MSE 2.84 (10%), dan koefisien determinasi 0.94! +Di sini kita juga mempertimbangkan `City` dan tipe `Package`, yang memberikan MSE 2.84 (10%), dan determinasi 0.94! ## Menggabungkan Semua -Untuk membuat model terbaik, kita dapat menggunakan data gabungan (kategori one-hot encoded + numerik) dari contoh di atas bersama dengan Regresi Polinomial. Berikut adalah kode lengkap untuk kemudahan Anda: +Untuk membuat model terbaik, kita dapat menggunakan data gabungan (kategorikal yang telah di-one-hot encode + numerik) dari contoh di atas bersama dengan Regresi Polinomial. Berikut kode lengkap untuk kemudahan Anda: ```python # siapkan data pelatihan @@ -334,14 +335,14 @@ X = pd.get_dummies(new_pumpkins['Variety']) \ .join(pd.get_dummies(new_pumpkins['Package'])) y = new_pumpkins['Price'] -# buat pemisahan train-test +# buat pembagian train-test X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0) # siapkan dan latih pipeline pipeline = make_pipeline(PolynomialFeatures(2), LinearRegression()) pipeline.fit(X_train,y_train) -# prediksi hasil untuk data tes +# prediksi hasil untuk data uji pred = pipeline.predict(X_test) # hitung MSE dan determinasi @@ -352,36 +353,36 @@ score = pipeline.score(X_train,y_train) print('Model determination: ', score) ``` -Ini harus memberi kita koefisien determinasi terbaik hampir 97%, dan MSE=2.23 (~8% kesalahan prediksi). +Ini seharusnya memberi kita koefisien determinasi terbaik hampir 97%, dan MSE=2.23 (~8% kesalahan prediksi). -| Model | MSE | Koefisien Determinasi | -|-------|-----|-----------------------| -| Regresi Linear `DayOfYear` | 2.77 (17.2%) | 0.07 | -| Regresi Polinomial `DayOfYear` | 2.73 (17.0%) | 0.08 | -| Regresi Linear `Variety` | 5.24 (19.7%) | 0.77 | +| Model | MSE | Determination | +|-------|-----|---------------| +| `DayOfYear` Linear | 2.77 (17.2%) | 0.07 | +| `DayOfYear` Polynomial | 2.73 (17.0%) | 0.08 | +| `Variety` Linear | 5.24 (19.7%) | 0.77 | | Semua fitur Linear | 2.84 (10.5%) | 0.94 | -| Semua fitur Polinomial | 2.23 (8.25%) | 0.97 | +| Semua fitur Polynomial | 2.23 (8.25%) | 0.97 | -🏆 Bagus sekali! Anda telah membuat empat model Regresi dalam satu pelajaran, dan meningkatkan kualitas model menjadi 97%. Di bagian terakhir tentang Regresi, Anda akan belajar tentang Regresi Logistik untuk menentukan kategori. +🏆 Bagus sekali! Anda telah membuat empat model Regresi dalam satu pelajaran, dan meningkatkan kualitas model menjadi 97%. Pada bagian terakhir tentang Regresi, Anda akan belajar tentang Regresi Logistik untuk menentukan kategori. --- -## 🚀 Tantangan +## 🚀Tantangan Uji beberapa variabel berbeda dalam notebook ini untuk melihat bagaimana korelasi berhubungan dengan akurasi model. -## [Kuis setelah kuliah](https://ff-quizzes.netlify.app/en/ml/) +## [Kuis pasca kuliah](https://ff-quizzes.netlify.app/en/ml/) -## Ulasan & Belajar Mandiri +## Tinjauan & Belajar Mandiri -Dalam pelajaran ini kita belajar tentang Regresi Linear. Ada jenis Regresi penting lainnya. Bacalah tentang teknik Stepwise, Ridge, Lasso, dan Elasticnet. Kursus bagus untuk dipelajari lebih jauh adalah [kursus Stanford Statistical Learning](https://online.stanford.edu/courses/sohs-ystatslearning-statistical-learning) +Dalam pelajaran ini kita belajar tentang Regresi Linear. Ada jenis Regresi lain yang penting. Bacalah tentang teknik Stepwise, Ridge, Lasso dan Elasticnet. Kursus yang bagus untuk belajar lebih lanjut adalah [kursus Pembelajaran Statistik Stanford](https://online.stanford.edu/courses/sohs-ystatslearning-statistical-learning) -## Tugas +## Tugas -[Buat Model](assignment.md) +[Bangun Model](assignment.md) --- **Penafian**: -Dokumen ini telah diterjemahkan menggunakan layanan terjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Meskipun kami berusaha untuk mencapai akurasi, harap diingat bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa sumber harus dianggap sebagai sumber yang sahih. Untuk informasi penting, disarankan menggunakan jasa terjemahan manusia profesional. Kami tidak bertanggung jawab atas kesalahpahaman atau kesalahan tafsir yang timbul dari penggunaan terjemahan ini. +Dokumen ini telah diterjemahkan menggunakan layanan terjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Meskipun kami berupaya untuk akurasi, harap diketahui bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber otoritatif. Untuk informasi penting, disarankan menggunakan terjemahan profesional oleh manusia. Kami tidak bertanggung jawab atas kesalahpahaman atau salah interpretasi yang timbul dari penggunaan terjemahan ini. \ No newline at end of file diff --git a/translations/id/4-Classification/2-Classifiers-1/README.md b/translations/id/4-Classification/2-Classifiers-1/README.md index 77486858a..ab0ce2fdd 100644 --- a/translations/id/4-Classification/2-Classifiers-1/README.md +++ b/translations/id/4-Classification/2-Classifiers-1/README.md @@ -1,24 +1,24 @@ -# Pengelompokan Masakan 1 +# Pengklasifikasi masakan 1 -Dalam pelajaran ini, Anda akan menggunakan dataset yang telah Anda simpan dari pelajaran sebelumnya, yang berisi data seimbang dan bersih tentang berbagai jenis masakan. +Dalam pelajaran ini, Anda akan menggunakan dataset yang Anda simpan dari pelajaran terakhir yang penuh dengan data seimbang dan bersih tentang masakan. -Anda akan menggunakan dataset ini dengan berbagai pengelompokan untuk _memprediksi jenis masakan nasional berdasarkan kelompok bahan_. Sambil melakukannya, Anda akan mempelajari lebih lanjut tentang beberapa cara algoritma dapat digunakan untuk tugas klasifikasi. +Anda akan menggunakan dataset ini dengan berbagai klasifikasi untuk _memprediksi masakan nasional tertentu berdasarkan kumpulan bahan_. Saat melakukannya, Anda akan mempelajari lebih lanjut tentang beberapa cara algoritma dapat digunakan untuk tugas klasifikasi. -## [Kuis sebelum pelajaran](https://ff-quizzes.netlify.app/en/ml/) +## [Kuis sebelum kuliah](https://ff-quizzes.netlify.app/en/ml/) # Persiapan -Dengan asumsi Anda telah menyelesaikan [Pelajaran 1](../1-Introduction/README.md), pastikan file _cleaned_cuisines.csv_ ada di folder root `/data` untuk empat pelajaran ini. +Dengan asumsi Anda telah menyelesaikan [Pelajaran 1](../1-Introduction/README.md), pastikan file _cleaned_cuisines.csv_ ada di folder root `/data` untuk keempat pelajaran ini. -## Latihan - memprediksi jenis masakan nasional +## Latihan - prediksi masakan nasional -1. Bekerja di folder _notebook.ipynb_ pelajaran ini, impor file tersebut bersama dengan pustaka Pandas: +1. Bekerja di folder _notebook.ipynb_ pada pelajaran ini, impor file itu beserta pustaka Pandas: ```python import pandas as pd cuisines_df = pd.read_csv("../data/cleaned_cuisines.csv") cuisines_df.head() ``` - + Data terlihat seperti ini: | | Unnamed: 0 | cuisine | almond | angelica | anise | anise_seed | apple | apple_brandy | apricot | armagnac | ... | whiskey | white_bread | white_wine | whole_grain_wheat_flour | wine | wood | yam | yeast | yogurt | zucchini | @@ -28,7 +28,6 @@ Dengan asumsi Anda telah menyelesaikan [Pelajaran 1](../1-Introduction/README.md | 2 | 2 | indian | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | | 3 | 3 | indian | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | | 4 | 4 | indian | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | - 1. Sekarang, impor beberapa pustaka lagi: @@ -39,15 +38,15 @@ Dengan asumsi Anda telah menyelesaikan [Pelajaran 1](../1-Introduction/README.md from sklearn.svm import SVC import numpy as np ``` - -1. Pisahkan koordinat X dan y ke dalam dua dataframe untuk pelatihan. `cuisine` dapat menjadi dataframe label: + +1. Bagi koordinat X dan y menjadi dua dataframe untuk pelatihan. `cuisine` bisa menjadi dataframe label: ```python cuisines_label_df = cuisines_df['cuisine'] cuisines_label_df.head() ``` - - Data akan terlihat seperti ini: + + Ini akan terlihat seperti ini: ```output 0 indian @@ -57,15 +56,15 @@ Dengan asumsi Anda telah menyelesaikan [Pelajaran 1](../1-Introduction/README.md 4 indian Name: cuisine, dtype: object ``` - -1. Hapus kolom `Unnamed: 0` dan kolom `cuisine` dengan memanggil `drop()`. Simpan data lainnya sebagai fitur yang dapat dilatih: + +1. Hapus kolom `Unnamed: 0` dan kolom `cuisine` dengan memanggil `drop()`. Simpan sisa data sebagai fitur yang dapat dilatih: ```python cuisines_feature_df = cuisines_df.drop(['Unnamed: 0', 'cuisine'], axis=1) cuisines_feature_df.head() ``` - - Fitur Anda akan terlihat seperti ini: + + Fitur Anda terlihat seperti ini: | | almond | angelica | anise | anise_seed | apple | apple_brandy | apricot | armagnac | artemisia | artichoke | ... | whiskey | white_bread | white_wine | whole_grain_wheat_flour | wine | wood | yam | yeast | yogurt | zucchini | | ---: | -----: | -------: | ----: | ---------: | ----: | -----------: | ------: | -------: | --------: | --------: | ---: | ------: | ----------: | ---------: | ----------------------: | ---: | ---: | ---: | ----: | -----: | -------: | @@ -75,85 +74,85 @@ Dengan asumsi Anda telah menyelesaikan [Pelajaran 1](../1-Introduction/README.md | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | | 4 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | -Sekarang Anda siap untuk melatih model Anda! +Sekarang Anda siap melatih model Anda! -## Memilih pengelompokan +## Memilih pengklasifikasi -Setelah data Anda bersih dan siap untuk pelatihan, Anda harus memutuskan algoritma mana yang akan digunakan untuk tugas ini. +Sekarang data Anda bersih dan siap untuk pelatihan, Anda harus memutuskan algoritma mana yang digunakan. -Scikit-learn mengelompokkan klasifikasi di bawah Pembelajaran Terawasi, dan dalam kategori tersebut Anda akan menemukan banyak cara untuk mengelompokkan. [Ragamnya](https://scikit-learn.org/stable/supervised_learning.html) cukup membingungkan pada pandangan pertama. Metode berikut semuanya mencakup teknik klasifikasi: +Scikit-learn mengelompokkan klasifikasi di bawah Pembelajaran Terawasi, dan dalam kategori itu Anda akan menemukan banyak cara untuk mengklasifikasikan. [Keragamannya](https://scikit-learn.org/stable/supervised_learning.html) agak membingungkan pada pandangan pertama. Metode-metode berikut ini semua termasuk teknik klasifikasi: - Model Linear -- Support Vector Machines +- Mesin Vektor Pendukung - Stochastic Gradient Descent -- Nearest Neighbors -- Gaussian Processes -- Decision Trees -- Metode Ensemble (Voting Classifier) -- Algoritma Multikelas dan multioutput (klasifikasi multikelas dan multilabel, klasifikasi multikelas-multioutput) +- Tetangga Terdekat +- Proses Gaussian +- Pohon Keputusan +- Metode Ensemble (voting Classifier) +- Algoritma multiclass dan multioutput (klasifikasi multiclass dan multilabel, klasifikasi multiclass-multioutput) -> Anda juga dapat menggunakan [jaringan saraf untuk mengelompokkan data](https://scikit-learn.org/stable/modules/neural_networks_supervised.html#classification), tetapi itu di luar cakupan pelajaran ini. +> Anda juga dapat menggunakan [jaringan saraf untuk mengklasifikasikan data](https://scikit-learn.org/stable/modules/neural_networks_supervised.html#classification), tetapi itu di luar cakupan pelajaran ini. -### Pengelompokan mana yang harus dipilih? +### Pengklasifikasi yang harus dipilih? -Jadi, pengelompokan mana yang harus Anda pilih? Sering kali, mencoba beberapa dan mencari hasil yang baik adalah cara untuk menguji. Scikit-learn menawarkan [perbandingan berdampingan](https://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html) pada dataset yang dibuat, membandingkan KNeighbors, SVC dua cara, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB, dan QuadraticDiscriminationAnalysis, menunjukkan hasil yang divisualisasikan: +Jadi, pengklasifikasi mana yang harus Anda pilih? Seringkali, mencoba beberapa dan mencari hasil yang baik adalah cara untuk mengetes. Scikit-learn menawarkan [perbandingan berdampingan](https://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html) pada dataset yang dibuat, membandingkan KNeighbors, SVC dua cara, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB dan QuadraticDiscrinationAnalysis, dengan hasil yang divisualisasikan: -![perbandingan pengelompokan](../../../../4-Classification/2-Classifiers-1/images/comparison.png) -> Grafik dihasilkan dari dokumentasi Scikit-learn +![perbandingan pengklasifikasi](../../../../translated_images/id/comparison.edfab56193a85e7f.webp) +> Grafik yang dihasilkan pada dokumentasi Scikit-learn -> AutoML menyelesaikan masalah ini dengan menjalankan perbandingan ini di cloud, memungkinkan Anda memilih algoritma terbaik untuk data Anda. Coba [di sini](https://docs.microsoft.com/learn/modules/automate-model-selection-with-azure-automl/?WT.mc_id=academic-77952-leestott) +> AutoML menyelesaikan masalah ini dengan rapi dengan menjalankan perbandingan ini di cloud, memungkinkan Anda memilih algoritma terbaik untuk data Anda. Coba [di sini](https://docs.microsoft.com/learn/modules/automate-model-selection-with-azure-automl/?WT.mc_id=academic-77952-leestott) ### Pendekatan yang lebih baik -Pendekatan yang lebih baik daripada menebak secara acak adalah mengikuti ide-ide pada [ML Cheat Sheet](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott) yang dapat diunduh ini. Di sini, kita menemukan bahwa, untuk masalah multikelas kita, kita memiliki beberapa pilihan: +Cara yang lebih baik daripada menebak sembarangan, adalah mengikuti ide pada [ML Cheat sheet](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott) yang dapat diunduh ini. Di sini, kita menemukan bahwa, untuk masalah multiclass kita, kita memiliki beberapa pilihan: -![cheatsheet untuk masalah multikelas](../../../../4-Classification/2-Classifiers-1/images/cheatsheet.png) -> Bagian dari Algorithm Cheat Sheet Microsoft, merinci opsi klasifikasi multikelas +![cheatsheet untuk masalah multiclass](../../../../translated_images/id/cheatsheet.07a475ea444d2223.webp) +> Sebagian dari Algorithm Cheat Sheet Microsoft, merinci opsi klasifikasi multiclass -✅ Unduh cheat sheet ini, cetak, dan tempel di dinding Anda! +✅ Unduh cheat sheet ini, cetak, dan pajang di dinding Anda! -### Penalaran +### Alasan -Mari kita lihat apakah kita dapat menalar melalui pendekatan yang berbeda mengingat kendala yang kita miliki: +Mari kita lihat apakah kita bisa menganalisis berbagai pendekatan dengan mempertimbangkan batasan yang ada: -- **Jaringan saraf terlalu berat**. Mengingat dataset kita yang bersih tetapi minimal, dan fakta bahwa kita menjalankan pelatihan secara lokal melalui notebook, jaringan saraf terlalu berat untuk tugas ini. -- **Tidak menggunakan pengelompokan dua kelas**. Kita tidak menggunakan pengelompokan dua kelas, jadi itu mengesampingkan one-vs-all. -- **Decision tree atau logistic regression bisa digunakan**. Decision tree mungkin cocok, atau logistic regression untuk data multikelas. -- **Multiclass Boosted Decision Trees menyelesaikan masalah yang berbeda**. Multiclass boosted decision tree paling cocok untuk tugas nonparametrik, misalnya tugas yang dirancang untuk membangun peringkat, sehingga tidak berguna untuk kita. +- **Jaringan saraf terlalu berat**. Mengingat dataset kami yang bersih tapi minimal, dan fakta bahwa pelatihan dijalankan secara lokal melalui notebook, jaringan saraf terlalu berat untuk tugas ini. +- **Tidak menggunakan pengklasifikasi dua kelas**. Kita tidak menggunakan pengklasifikasi dua kelas, jadi ini menyingkirkan one-vs-all. +- **Pohon keputusan atau regresi logistik bisa bekerja**. Pohon keputusan mungkin bekerja, atau regresi logistik untuk data multiclass. +- **Pohon keputusan boosted multiclass menyelesaikan masalah lain**. Pohon keputusan boosted multiclass paling cocok untuk tugas nonparametrik, misalnya tugas yang dirancang untuk membuat peringkat, sehingga tidak berguna bagi kita. -### Menggunakan Scikit-learn +### Menggunakan Scikit-learn -Kita akan menggunakan Scikit-learn untuk menganalisis data kita. Namun, ada banyak cara untuk menggunakan logistic regression di Scikit-learn. Lihat [parameter yang dapat diteruskan](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html?highlight=logistic%20regressio#sklearn.linear_model.LogisticRegression). +Kita akan menggunakan Scikit-learn untuk menganalisis data kita. Namun, ada banyak cara untuk menggunakan regresi logistik dalam Scikit-learn. Lihatlah [parameter yang harus diberikan](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html?highlight=logistic%20regressio#sklearn.linear_model.LogisticRegression). -Pada dasarnya ada dua parameter penting - `multi_class` dan `solver` - yang perlu kita tentukan, saat kita meminta Scikit-learn untuk melakukan logistic regression. Nilai `multi_class` menerapkan perilaku tertentu. Nilai solver adalah algoritma yang akan digunakan. Tidak semua solver dapat dipasangkan dengan semua nilai `multi_class`. +Intinya ada dua parameter penting - `multi_class` dan `solver` - yang perlu kita tentukan saat meminta Scikit-learn melakukan regresi logistik. Nilai `multi_class` menerapkan perilaku tertentu. Nilai solver adalah algoritma yang digunakan. Tidak semua solver bisa digabungkan dengan semua nilai `multi_class`. -Menurut dokumentasi, dalam kasus multikelas, algoritma pelatihan: +Menurut dokumentasi, dalam kasus multiclass, algoritma pelatihan: -- **Menggunakan skema one-vs-rest (OvR)**, jika opsi `multi_class` diatur ke `ovr` -- **Menggunakan cross-entropy loss**, jika opsi `multi_class` diatur ke `multinomial`. (Saat ini opsi `multinomial` hanya didukung oleh solver ‘lbfgs’, ‘sag’, ‘saga’, dan ‘newton-cg’.)" +- **Menggunakan skema one-vs-rest (OvR)**, jika opsi `multi_class` disetel ke `ovr` +- **Menggunakan loss cross-entropy**, jika opsi `multi_class` disetel ke `multinomial`. (Saat ini opsi `multinomial` didukung hanya oleh solver ‘lbfgs’, ‘sag’, ‘saga’ dan ‘newton-cg’)." -> 🎓 'Skema' di sini bisa berupa 'ovr' (one-vs-rest) atau 'multinomial'. Karena logistic regression sebenarnya dirancang untuk mendukung klasifikasi biner, skema ini memungkinkan algoritma tersebut menangani tugas klasifikasi multikelas dengan lebih baik. [sumber](https://machinelearningmastery.com/one-vs-rest-and-one-vs-one-for-multi-class-classification/) +> 🎓 'Skema' di sini bisa 'ovr' (one-vs-rest) atau 'multinomial'. Karena regresi logistik sebenarnya dirancang untuk klasifikasi biner, skema ini memungkinkan untuk menangani tugas klasifikasi multiclass dengan lebih baik. [sumber](https://machinelearningmastery.com/one-vs-rest-and-one-vs-one-for-multi-class-classification/) -> 🎓 'Solver' didefinisikan sebagai "algoritma yang digunakan dalam masalah optimasi". [sumber](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html?highlight=logistic%20regressio#sklearn.linear_model.LogisticRegression). +> 🎓 'Solver' didefinisikan sebagai "algoritma yang digunakan dalam masalah optimisasi". [sumber](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html?highlight=logistic%20regressio#sklearn.linear_model.LogisticRegression). -Scikit-learn menawarkan tabel ini untuk menjelaskan bagaimana solver menangani tantangan yang berbeda yang disajikan oleh berbagai jenis struktur data: +Scikit-learn menyediakan tabel ini untuk menjelaskan bagaimana solver menangani berbagai tantangan yang muncul dari berbagai jenis struktur data: -![solvers](../../../../4-Classification/2-Classifiers-1/images/solvers.png) +![solver](../../../../translated_images/id/solvers.5fc648618529e627.webp) -## Latihan - membagi data +## Latihan - bagi data -Kita dapat fokus pada logistic regression untuk percobaan pelatihan pertama kita karena Anda baru saja mempelajari tentang hal ini dalam pelajaran sebelumnya. -Pisahkan data Anda menjadi kelompok pelatihan dan pengujian dengan memanggil `train_test_split()`: +Kita dapat fokus pada regresi logistik untuk percobaan pelatihan pertama karena Anda baru saja mempelajarinya di pelajaran sebelumnya. +Bagi data Anda menjadi grup pelatihan dan pengujian dengan memanggil `train_test_split()`: ```python X_train, X_test, y_train, y_test = train_test_split(cuisines_feature_df, cuisines_label_df, test_size=0.3) ``` + +## Latihan - terapkan regresi logistik -## Latihan - menerapkan logistic regression - -Karena Anda menggunakan kasus multikelas, Anda perlu memilih _skema_ yang akan digunakan dan _solver_ yang akan diatur. Gunakan LogisticRegression dengan pengaturan multikelas dan solver **liblinear** untuk melatih. +Karena Anda menggunakan kasus multiclass, Anda perlu memilih skema apa yang digunakan dan solver apa yang diatur. Gunakan LogisticRegression dengan pengaturan multiclass dan solver **liblinear** untuk pelatihan. -1. Buat logistic regression dengan multi_class diatur ke `ovr` dan solver diatur ke `liblinear`: +1. Buat regresi logistik dengan `multi_class` disetel ke `ovr` dan solver disetel ke `liblinear`: ```python lr = LogisticRegression(multi_class='ovr',solver='liblinear') @@ -162,10 +161,12 @@ Karena Anda menggunakan kasus multikelas, Anda perlu memilih _skema_ yang akan d accuracy = model.score(X_test, y_test) print ("Accuracy is {}".format(accuracy)) ``` + + ✅ Coba solver berbeda seperti `lbfgs`, yang biasanya disetel sebagai default + + > Catatan, gunakan fungsi Pandas [`ravel`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.ravel.html) untuk meratakan data Anda bila diperlukan. - ✅ Coba solver lain seperti `lbfgs`, yang sering diatur sebagai default -Gunakan fungsi Pandas [`ravel`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.ravel.html) untuk meratakan data Anda jika diperlukan. -Akurasi model ini cukup baik, yaitu di atas **80%**! + Akurasi bagus, lebih dari **80%**! 1. Anda dapat melihat model ini beraksi dengan menguji satu baris data (#50): @@ -173,17 +174,16 @@ Akurasi model ini cukup baik, yaitu di atas **80%**! print(f'ingredients: {X_test.iloc[50][X_test.iloc[50]!=0].keys()}') print(f'cuisine: {y_test.iloc[50]}') ``` - + Hasilnya dicetak: ```output ingredients: Index(['cilantro', 'onion', 'pea', 'potato', 'tomato', 'vegetable_oil'], dtype='object') cuisine: indian ``` - - ✅ Cobalah nomor baris yang berbeda dan periksa hasilnya. - -1. Lebih mendalam, Anda dapat memeriksa akurasi prediksi ini: + + ✅ Coba nomor baris yang berbeda dan periksa hasilnya +1. Menggali lebih dalam, Anda dapat memeriksa keakuratan prediksi ini: ```python test= X_test.iloc[50].values.reshape(-1, 1).T @@ -195,7 +195,7 @@ Akurasi model ini cukup baik, yaitu di atas **80%**! topPrediction.head() ``` - Hasilnya dicetak - masakan India adalah tebakan terbaiknya, dengan probabilitas yang baik: + Hasil dicetak - masakan India adalah tebakan terbaiknya, dengan probabilitas yang baik: | | 0 | | -------: | -------: | @@ -205,7 +205,7 @@ Akurasi model ini cukup baik, yaitu di atas **80%**! | korean | 0.017277 | | thai | 0.007634 | - ✅ Bisakah Anda menjelaskan mengapa model ini cukup yakin bahwa ini adalah masakan India? + ✅ Dapatkah Anda menjelaskan mengapa model cukup yakin ini adalah masakan India? 1. Dapatkan lebih banyak detail dengan mencetak laporan klasifikasi, seperti yang Anda lakukan dalam pelajaran regresi: @@ -221,24 +221,26 @@ Akurasi model ini cukup baik, yaitu di atas **80%**! | japanese | 0.70 | 0.75 | 0.72 | 220 | | korean | 0.86 | 0.76 | 0.81 | 242 | | thai | 0.79 | 0.85 | 0.82 | 254 | - | accuracy | 0.80 | 1199 | | | + | accuracy | | | 0.80 | 1199 | | macro avg | 0.80 | 0.80 | 0.80 | 1199 | | weighted avg | 0.80 | 0.80 | 0.80 | 1199 | ## 🚀Tantangan -Dalam pelajaran ini, Anda menggunakan data yang telah dibersihkan untuk membangun model pembelajaran mesin yang dapat memprediksi jenis masakan berdasarkan serangkaian bahan. Luangkan waktu untuk membaca berbagai opsi yang disediakan Scikit-learn untuk mengklasifikasikan data. Pelajari lebih dalam konsep 'solver' untuk memahami apa yang terjadi di balik layar. +Dalam pelajaran ini, Anda menggunakan data yang telah dibersihkan untuk membangun model machine learning yang dapat memprediksi masakan nasional berdasarkan serangkaian bahan. Luangkan waktu untuk membaca berbagai pilihan yang disediakan Scikit-learn untuk mengklasifikasikan data. Dalami konsep 'solver' untuk memahami apa yang terjadi di balik layar. -## [Kuis setelah pelajaran](https://ff-quizzes.netlify.app/en/ml/) +## [Kuis pasca kuliah](https://ff-quizzes.netlify.app/en/ml/) -## Tinjauan & Studi Mandiri +## Tinjauan & Belajar Mandiri -Pelajari lebih dalam tentang matematika di balik regresi logistik dalam [pelajaran ini](https://people.eecs.berkeley.edu/~russell/classes/cs194/f11/lectures/CS194%20Fall%202011%20Lecture%2006.pdf) +Dalami sedikit lebih jauh matematika di balik regresi logistik dalam [pelajaran ini](https://people.eecs.berkeley.edu/~russell/classes/cs194/f11/lectures/CS194%20Fall%202011%20Lecture%2006.pdf) ## Tugas -[Pelajari tentang solver](assignment.md) +[Pelajari solver](assignment.md) --- + **Penafian**: -Dokumen ini telah diterjemahkan menggunakan layanan penerjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Meskipun kami berusaha untuk memberikan hasil yang akurat, harap diingat bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang otoritatif. Untuk informasi yang bersifat kritis, disarankan menggunakan jasa penerjemahan profesional oleh manusia. Kami tidak bertanggung jawab atas kesalahpahaman atau penafsiran yang keliru yang timbul dari penggunaan terjemahan ini. \ No newline at end of file +Dokumen ini telah diterjemahkan menggunakan layanan terjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Meskipun kami berupaya untuk akurasi, harap diperhatikan bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang berwenang. Untuk informasi penting, disarankan menggunakan terjemahan profesional oleh manusia. Kami tidak bertanggung jawab atas salah pengertian atau penafsiran yang timbul dari penggunaan terjemahan ini. + \ No newline at end of file diff --git a/translations/id/README.md b/translations/id/README.md index 1548dc036..ae487563d 100644 --- a/translations/id/README.md +++ b/translations/id/README.md @@ -13,11 +13,11 @@ #### Didukung melalui GitHub Action (Otomatis & Selalu Terbaru) -[Arab](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgaria](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Cina (Sederhana)](../zh-CN/README.md) | [Cina (Tradisional, Hong Kong)](../zh-HK/README.md) | [Cina (Tradisional, Macau)](../zh-MO/README.md) | [Cina (Tradisional, Taiwan)](../zh-TW/README.md) | [Kroasia](../hr/README.md) | [Ceko](../cs/README.md) | [Denmark](../da/README.md) | [Belanda](../nl/README.md) | [Estonia](../et/README.md) | [Finlandia](../fi/README.md) | [Prancis](../fr/README.md) | [Jerman](../de/README.md) | [Yunani](../el/README.md) | [Ibrani](../he/README.md) | [Hindi](../hi/README.md) | [Hungaria](../hu/README.md) | [Indonesia](./README.md) | [Italia](../it/README.md) | [Jepang](../ja/README.md) | [Kannada](../kn/README.md) | [Khmer](../km/README.md) | [Korea](../ko/README.md) | [Lituania](../lt/README.md) | [Melayu](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Pidgin Nigeria](../pcm/README.md) | [Norwegia](../no/README.md) | [Persia (Farsi)](../fa/README.md) | [Polandia](../pl/README.md) | [Portugis (Brasil)](../pt-BR/README.md) | [Portugis (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Rumania](../ro/README.md) | [Rusia](../ru/README.md) | [Serbia (Sirilik)](../sr/README.md) | [Slovakia](../sk/README.md) | [Slovenia](../sl/README.md) | [Spanyol](../es/README.md) | [Swahili](../sw/README.md) | [Swedia](../sv/README.md) | [Tagalog (Filipina)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thailand](../th/README.md) | [Turki](../tr/README.md) | [Ukraina](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnam](../vi/README.md) +[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](./README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Khmer](../km/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md) > **Lebih suka Clone Secara Lokal?** > -> Repositori ini berisi lebih dari 50 terjemahan bahasa yang secara signifikan meningkatkan ukuran unduhan. Untuk clone tanpa terjemahan, gunakan sparse checkout: +> Repositori ini mencakup lebih dari 50 terjemahan bahasa yang secara signifikan meningkatkan ukuran unduhan. Untuk melakukan clone tanpa terjemahan, gunakan sparse checkout: > > **Bash / macOS / Linux:** > ```bash @@ -33,71 +33,71 @@ > git sparse-checkout set --no-cone "/*" "!translations" "!translated_images" > ``` > -> Ini memberikan Anda semua yang diperlukan untuk menyelesaikan kursus dengan unduhan lebih cepat. +> Ini memberi Anda semua yang Anda butuhkan untuk menyelesaikan kursus dengan unduhan yang jauh lebih cepat. -#### Bergabung dengan Komunitas Kami +#### Bergabunglah dengan Komunitas Kami [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -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. +Kami memiliki seri belajar dengan AI di Discord, pelajari lebih lanjut dan bergabung dengan kami di [Learn with AI Series](https://aka.ms/learnwithai/discord) dari tanggal 18 - 30 September, 2025. Anda akan mendapatkan tips dan trik menggunakan GitHub Copilot untuk Data Science. -![Seri Belajar dengan AI](../../translated_images/id/3.9b58fd8d6c373c20.webp) +![Learn with AI series](../../translated_images/id/3.9b58fd8d6c373c20.webp) -# Pembelajaran Mesin untuk Pemula - Kurikulum +# Machine Learning untuk Pemula - Kurikulum -> 🌍 Berkeliling dunia saat kita menjelajahi Pembelajaran Mesin melalui budaya dunia 🌍 +> 🌍 Jelajahi dunia saat kita mempelajari Machine Learning melalui budaya dunia 🌍 -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! +Cloud Advocates di Microsoft dengan senang hati menawarkan kurikulum 12 minggu dengan 26 pelajaran yang membahas tentang **Machine Learning**. Dalam kurikulum ini, Anda akan belajar tentang apa yang kadang disebut sebagai **classic machine learning**, menggunakan perpustakaan Scikit-learn sebagai perpustakaan utama dan menghindari pembelajaran mendalam (deep learning), yang dibahas di dalam kurikulum kami [AI untuk Pemula](https://aka.ms/ai4beginners). Padukan pelajaran ini dengan kurikulum kami ['Data Science untuk Pemula'](https://aka.ms/ds4beginners), juga! -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. +Jelajahi bersama kami dunia saat menerapkan teknik klasik ini pada data dari berbagai penjuru dunia. Setiap pelajaran mencakup kuis sebelum dan sesudah pelajaran, petunjuk tertulis untuk menyelesaikan pelajaran, solusi, tugas, dan lainnya. Metode pembelajaran berbasis proyek kami memungkinkan Anda belajar sambil membangun, cara yang terbukti agar keterampilan baru 'menempel'. -**✍️ 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 yang 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 juga kepada ilustrator kami** Tomomi Imura, Dasani Madipalli, dan Jen Looper +**🎨 Terima kasih juga kepada para ilustrator kami** Tomomi Imura, Dasani Madipalli, dan Jen Looper **🙏 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 -**🤩 Terima kasih ekstra kepada Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, dan Vidushi Gupta untuk pelajaran R kami!** +**🤩 Ucapan terima kasih ekstra kepada Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, dan Vidushi Gupta untuk pelajaran R kami!** # Memulai -Ikuti langkah-langkah ini: +Ikuti langkah-langkah berikut: 1. **Fork Repositori**: Klik tombol "Fork" di pojok kanan atas halaman ini. 2. **Clone Repositori**: `git clone https://github.com/microsoft/ML-For-Beginners.git` -> [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) +> [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) -> 🔧 **Butuh bantuan?** Periksa [Panduan Pemecahan Masalah](TROUBLESHOOTING.md) kami untuk solusi masalah umum saat instalasi, penyiapan, dan menjalankan pelajaran. +> 🔧 **Perlu bantuan?** Periksa [Panduan Pemecahan Masalah](TROUBLESHOOTING.md) kami untuk solusi atas masalah umum terkait instalasi, pengaturan, dan menjalankan pelajaran. -**[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: +**[Siswa](https://aka.ms/student-page)**, untuk menggunakan kurikulum ini, fork seluruh repo ke akun GitHub Anda sendiri dan selesaikan latihan secara mandiri atau dalam kelompok: -- 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. +- Mulai dengan kuis sebelum kuliah. +- Baca kuliah dan selesaikan aktivitasnya, berhenti sejenak dan refleksikan pada setiap pemeriksaan pengetahuan. +- Cobalah membuat proyek dengan memahami pelajaran daripada hanya menjalankan kode solusi; meskipun kode tersebut tersedia di folder `/solution` dalam setiap pelajaran berbasis proyek. +- Ambil kuis sesudah kuliah. - Selesaikan tantangan. - Selesaikan tugas. -- 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. +- 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 memberi reaksi pada PAT orang lain sehingga kita bisa 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) ini. +> Untuk studi lebih lanjut, kami sarankan mengikuti modul dan jalur pembelajaran dari [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott). -**Para guru**, kami telah [menyediakan beberapa saran](for-teachers.md) tentang cara menggunakan kurikulum ini. +**Guru**, kami telah [menyertakan beberapa saran](for-teachers.md) tentang cara menggunakan kurikulum ini. --- -## Video walkthrough +## Video pengarahan -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. +Beberapa pelajaran tersedia dalam bentuk video pendek. Anda dapat menemukan semuanya secara langsung dalam pelajaran, atau di [playlist ML for Beginners di kanal YouTube Microsoft Developer](https://aka.ms/ml-beginners-videos) dengan mengklik gambar di bawah. -[![Banner ML untuk pemula](../../translated_images/id/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) +[![ML for beginners banner](../../translated_images/id/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- -## Kenali Tim +## Kenali Tim Kami -[![Video Promo](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) +[![Promo video](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) **Gif oleh** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) @@ -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 ini berbasis **proyek langsung** dan mencakup **kuis yang sering**. Selain itu, kurikulum ini memiliki **tema** yang sama untuk memberikan kesatuan. +Kami memilih dua prinsip pedagogis saat membangun kurikulum ini: memastikan kurikulum ini berbasis **proyek langsung** dan mencakup **kuis yang sering**. Selain itu, kurikulum ini memiliki **tema umum** untuk memberikan kesatuan. -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. +Dengan memastikan konten selaras dengan proyek, proses pembelajaran menjadi lebih menarik bagi siswa dan peningkatan retensi konsep akan bertambah. Selain itu, kuis dengan tingkat taruhan rendah sebelum kelas mengarahkan niat siswa terhadap pembelajaran topik tertentu, sedangkan kuis kedua setelah kelas memastikan retensi lebih lanjut. Kurikulum ini dirancang agar fleksibel dan menyenangkan dan dapat diambil secara keseluruhan maupun sebagian. Proyek dimulai dari hal-hal kecil dan menjadi semakin kompleks hingga akhir siklus 12 minggu. Kurikulum ini juga termasuk catatan tambahan tentang aplikasi ML di dunia nyata, 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 membangun Anda! +> Temukan [Kode Etik](CODE_OF_CONDUCT.md), [Kontribusi](CONTRIBUTING.md), [Terjemahan](..), dan panduan [Pemecahan Masalah](TROUBLESHOOTING.md) kami. Kami menyambut umpan balik konstruktif Anda! ## Setiap pelajaran mencakup - sketchnote opsional - video tambahan opsional -- video walkthrough (hanya beberapa pelajaran) +- pengarahan video (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 +- untuk pelajaran berbasis proyek, panduan langkah demi langkah membuat proyek - pemeriksaan pengetahuan - sebuah tantangan - bacaan tambahan - tugas -- [kuis pascakuliah](https://ff-quizzes.netlify.app/en/ml/) -> **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 | -| 24 | Pengantar pembelajaran penguatan | [Reinforcement learning](8-Reinforcement/README.md) | Pengantar pembelajaran penguatan dengan Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | -| 25 | Bantu Peter menghindari serigala! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Gym pembelajaran penguatan | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | -| 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 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`. +- [kuis sesudah kuliah](https://ff-quizzes.netlify.app/en/ml/) +> **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 memiliki ekstensi .rmd yang merupakan file **R Markdown** yang dapat didefinisikan secara sederhana sebagai penanaman `bagian kode` (dari R atau bahasa lain) dan `header YAML` (yang mengarahkan cara memformat output seperti PDF) dalam sebuah `dokumen Markdown`. Dengan demikian, ini berfungsi sebagai kerangka kerja penulisan yang patut ditiru untuk ilmu data karena memungkinkan Anda menggabungkan kode Anda, outputnya, 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 di [folder Quiz App](../../quiz-app), dengan total 52 kuis masing-masing berisi tiga pertanyaan. Mereka ditautkan dari dalam pelajaran tetapi aplikasi kuis dapat dijalankan secara lokal; ikuti instruksi dalam folder `quiz-app` untuk host lokal atau deploy ke Azure. + +| Nomor Pelajaran | Topik | Kelompok Pelajaran | Tujuan Pembelajaran | Pelajaran Terkait | Penulis | +| :-------------: | :------------------------------------------------------------: | :----------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :-----------------------------------------------------------------------------------------------------------------------------------------: | :-------------------------------------------------: | +| 01 | Pengantar pembelajaran mesin | [Pengantar](1-Introduction/README.md) | Pelajari konsep dasar di balik pembelajaran mesin | [Pelajaran](1-Introduction/1-intro-to-ML/README.md) | Muhammad | +| 02 | Sejarah pembelajaran mesin | [Pengantar](1-Introduction/README.md) | Pelajari sejarah di balik bidang ini | [Pelajaran](1-Introduction/2-history-of-ML/README.md) | Jen dan Amy | +| 03 | Keadilan dan pembelajaran mesin | [Pengantar](1-Introduction/README.md) | Apa saja isu filosofis penting tentang keadilan yang perlu dipertimbangkan mahasiswa saat membangun dan menerapkan model ML? | [Pelajaran](1-Introduction/3-fairness/README.md) | Tomomi | +| 04 | Teknik untuk pembelajaran mesin | [Pengantar](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 | [Regresi](2-Regression/README.md) | Memulai 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 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 🎃 | [Regresi](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 dan Dmitry • Eric Wanjau | +| 08 | Harga labu Amerika Utara 🎃 | [Regresi](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 🔌 | [Aplikasi Web](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 | [Klasifikasi](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 🍜 | [Klasifikasi](4-Classification/README.md) | Pengantar klasifikator | [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 🍜 | [Klasifikasi](4-Classification/README.md) | Lebih banyak klasifikator | [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 🍜 | [Klasifikasi](4-Classification/README.md) | Bangun aplikasi web rekomendasi menggunakan model Anda | [Python](4-Classification/4-Applied/README.md) | Jen | +| 14 | Pengantar clustering | [Clustering](5-Clustering/README.md) | Bersihkan, persiapkan, dan visualisasikan data Anda; pengantar clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | +| 15 | Menjelajah Selera Musik Nigeria 🎧 | [Clustering](5-Clustering/README.md) | Jelajahi metode clustering 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 ☕️ | [Pemrosesan bahasa alami](6-NLP/README.md) | Pelajari dasar tentang NLP dengan membangun bot sederhana | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | +| 17 | Tugas NLP Umum ☕️ | [Pemrosesan bahasa alami](6-NLP/README.md) | Perdalam pengetahuan NLP Anda dengan memahami tugas umum yang diperlukan saat berurusan dengan struktur bahasa | [Python](6-NLP/2-Tasks/README.md) | Stephen | +| 18 | Terjemahan dan analisis sentimen ♥️ | [Pemrosesan bahasa alami](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 ♥️ | [Pemrosesan bahasa alami](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 ♥️ | [Pemrosesan bahasa alami](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 | [Deret waktu](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 | [Deret waktu](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 | [Deret waktu](7-TimeSeries/README.md) | Peramalan deret waktu dengan Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | +| 24 | Pengantar pembelajaran penguatan | [Pembelajaran penguatan](8-Reinforcement/README.md) | Pengantar pembelajaran penguatan dengan Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | +| 25 | Bantu Peter menghindari serigala! 🐺 | [Pembelajaran penguatan](8-Reinforcement/README.md) | Pembelajaran penguatan Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | +| Postscript | Skenario dan aplikasi ML Dunia Nyata | [ML di Alam Liar](9-Real-World/README.md) | Aplikasi dunia nyata yang menarik dan mengungkap dari ML klasik | [Pelajaran](9-Real-World/1-Applications/README.md) | Tim | +| Postscript | Debugging Model dalam ML menggunakan dashboard RAI | [ML di Alam Liar](9-Real-World/README.md) | Debugging Model dalam Pembelajaran Mesin menggunakan komponen dashboard Responsible AI | [Pelajaran](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | + +> [temukan semua sumber daya 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 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 dilayani di port 3000 pada localhost Anda: `localhost:3000`. ## PDF @@ -173,7 +173,7 @@ Temukan pdf kurikulum dengan tautan [di sini](https://microsoft.github.io/ML-For ## 🎒 Kursus Lainnya -Tim kami memproduksi kursus lain! Cek: +Tim kami juga memproduksi kursus lain! Periksa: ### LangChain @@ -182,57 +182,68 @@ Tim kami memproduksi kursus lain! Cek: [![LangChain untuk Pemula](https://img.shields.io/badge/LangChain%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin) --- -### Azure / Edge / MCP / Agents +### Azure / Edge / MCP / Agen [![AZD untuk Pemula](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) [![Edge AI untuk Pemula](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![MCP untuk Pemula](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Agen AI untuk Pemula](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) +[![MCP for Beginners](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AI Agents for Beginners](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) --- ### Seri AI Generatif -[![AI Generatif untuk Pemula](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![AI Generatif (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) -[![AI Generatif (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) -[![AI Generatif (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) +[![Generative AI for Beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) +[![Generative AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) +[![Generative AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) --- ### Pembelajaran Inti -[![ML untuk Pemula](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) -[![Data Science untuk Pemula](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) -[![AI untuk Pemula](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) -[![Keamanan Siber untuk Pemula](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) -[![Pengembangan Web untuk Pemula](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) -[![IoT untuk Pemula](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) -[![Pengembangan XR untuk Pemula](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) +[![ML for Beginners](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) +[![Data Science for Beginners](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) +[![AI for Beginners](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) +[![Cybersecurity for Beginners](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) +[![Web Dev for Beginners](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) +[![IoT for Beginners](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) +[![XR Development for Beginners](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) --- ### Seri Copilot -[![Copilot untuk Pemrograman Berpasangan AI](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) -[![Copilot untuk C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) -[![Petualangan Copilot](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) +[![Copilot for AI Paired Programming](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) +[![Copilot for C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) +[![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) ## 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 diterima dan pengetahuan dibagikan dengan bebas. +Jika Anda mengalami kebuntuan atau memiliki pertanyaan saat belajar Pembelajaran Mesin atau membangun aplikasi AI, jangan khawatir — bantuan tersedia. -[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +Anda dapat bergabung dalam diskusi dengan pelajar dan pengembang lain, mengajukan pertanyaan, dan berbagi ide dengan komunitas. + +- Bergabung dengan komunitas untuk mengajukan pertanyaan dan belajar bersama +- Diskusikan konsep Pembelajaran Mesin dan ide proyek +- Dapatkan bimbingan dari pengembang berpengalaman + +Komunitas yang mendukung adalah cara yang bagus untuk mengembangkan keterampilan dan menyelesaikan masalah lebih cepat. -Jika Anda memiliki umpan balik produk atau menemukan kesalahan saat membangun, kunjungi: +[Microsoft Foundry Discord Community](https://discord.gg/nTYy5BXMWG) + +Jika Anda menemukan bug, kesalahan, atau memiliki saran untuk perbaikan, Anda juga dapat membuka **Issue** di repositori ini untuk melaporkan masalah tersebut. + +Untuk umpan balik produk atau mencari posting komunitas yang sudah ada, kunjungi Forum Pengembang: [![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) + ## Tips Pembelajaran Tambahan - Tinjau notebook setelah setiap pelajaran untuk pemahaman yang lebih baik. -- Latih menerapkan algoritma sendiri. +- Latih untuk mengimplementasikan algoritma sendiri. - Jelajahi dataset dunia nyata menggunakan konsep yang telah dipelajari. --- -**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. +**Penyangkalan**: +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 berwenang. Untuk informasi penting, disarankan menggunakan terjemahan profesional oleh manusia. Kami tidak bertanggung jawab atas kesalahpahaman atau kesalahan interpretasi yang timbul dari penggunaan terjemahan ini. \ No newline at end of file diff --git a/translations/ms/.co-op-translator.json b/translations/ms/.co-op-translator.json index 120bae932..0ad2d2ccf 100644 --- a/translations/ms/.co-op-translator.json +++ b/translations/ms/.co-op-translator.json @@ -90,8 +90,8 @@ "language_code": "ms" }, "2-Regression/3-Linear/README.md": { - "original_hash": "9a8359f1945bd3beccccb2b46592580e", - "translation_date": "2026-02-28T09:37:23+00:00", + "original_hash": "26c53a922f1f1e8542b0ea41ff52221a", + "translation_date": "2026-04-20T17:45:05+00:00", "source_file": "2-Regression/3-Linear/README.md", "language_code": "ms" }, @@ -168,8 +168,8 @@ "language_code": "ms" }, "4-Classification/2-Classifiers-1/README.md": { - "original_hash": "1a6e9e46b34a2e559fbbfc1f95397c7b", - "translation_date": "2025-09-05T19:51:45+00:00", + "original_hash": "cb761595e5b6c42b99bb81bd13683311", + "translation_date": "2026-04-20T17:46:13+00:00", "source_file": "4-Classification/2-Classifiers-1/README.md", "language_code": "ms" }, @@ -552,8 +552,8 @@ "language_code": "ms" }, "README.md": { - "original_hash": "7fb48097f57e680b380cd9aae988d317", - "translation_date": "2026-04-06T17:13:12+00:00", + "original_hash": "3e3a6c7e68e0afe7e2276ac046e4d7a0", + "translation_date": "2026-04-20T17:43:28+00:00", "source_file": "README.md", "language_code": "ms" }, diff --git a/translations/ms/2-Regression/3-Linear/README.md b/translations/ms/2-Regression/3-Linear/README.md index b68446b7c..80c9d9d21 100644 --- a/translations/ms/2-Regression/3-Linear/README.md +++ b/translations/ms/2-Regression/3-Linear/README.md @@ -1,136 +1,136 @@ -# Bina model regresi menggunakan Scikit-learn: empat cara regresi +# Membina model regresi menggunakan Scikit-learn: regresi empat cara ## Nota Pemula Regresi linear digunakan apabila kita ingin meramalkan **nilai berangka** (contohnya, harga rumah, suhu, atau jualan). -Ia berfungsi dengan mencari garis lurus yang paling mewakili hubungan antara ciri input dan output. +Ia berfungsi dengan mencari satu garis lurus yang paling mewakili hubungan antara ciri input dan output. -Dalam pelajaran ini, kita fokus pada memahami konsep sebelum meneroka teknik regresi yang lebih maju. -![Infografik regresi linear vs polinomial](../../../../translated_images/ms/linear-polynomial.5523c7cb6576ccab.webp) +Dalam pelajaran ini, kita memberi tumpuan kepada memahami konsep terlebih dahulu sebelum meneroka teknik regresi yang lebih maju. +![Linear vs polynomial regression infographic](../../../../translated_images/ms/linear-polynomial.5523c7cb6576ccab.webp) > Infografik oleh [Dasani Madipalli](https://twitter.com/dasani_decoded) -## [Kuiz pra kuliah](https://ff-quizzes.netlify.app/en/ml/) +## [Kuiz pra-ceramah](https://ff-quizzes.netlify.app/en/ml/) > ### [Pelajaran ini tersedia dalam R!](../../../../2-Regression/3-Linear/solution/R/lesson_3.html) -### Pengenalan +### Pengenalan -Setakat ini anda telah menerokai apa itu regresi dengan data contoh yang diambil dari set data harga labu yang akan kita gunakan sepanjang pelajaran ini. Anda juga telah memvisualisasikannya menggunakan Matplotlib. +Sejauh ini anda telah meneroka apa itu regresi dengan data contoh yang dikumpulkan daripada set data harga labu yang akan kita gunakan sepanjang pelajaran ini. Anda juga telah memvisualisasikannya menggunakan Matplotlib. -Kini anda sudah bersedia untuk mendalami regresi bagi ML. Walaupun visualisasi membolehkan anda memahami data, kekuatan sebenar Pembelajaran Mesin datang daripada _melatih model_. Model dilatih menggunakan data sejarah untuk menangkap kebergantungan data secara automatik, dan ia membolehkan anda meramalkan hasil untuk data baru, yang mana model belum pernah lihat sebelum ini. +Kini anda bersedia untuk menyelami lebih lanjut tentang regresi untuk ML. Walaupun visualisasi membolehkan anda memahami data, kuasa sebenar Pembelajaran Mesin datang daripada _melatih model_. Model dilatih menggunakan data sejarah untuk secara automatik menangkap kebergantungan data, dan membolehkan anda meramalkan keputusan untuk data baru, yang belum pernah dilihat oleh model. -Dalam pelajaran ini, anda akan mempelajari lebih lanjut tentang dua jenis regresi: _regresi linear asas_ dan _regresi polinomial_, bersama dengan sedikit matematik yang mendasari teknik-teknik ini. Model-model tersebut akan membolehkan kita meramalkan harga labu bergantung pada data input yang berbeza. +Dalam pelajaran ini, anda akan mempelajari lebih lanjut tentang dua jenis regresi: _regresi linear asas_ dan _regresi polinomial_, bersama dengan beberapa matematik asas yang mendasari teknik-teknik ini. Model-model tersebut akan membolehkan kita meramalkan harga labu bergantung pada data input yang berbeza. -[![ML untuk pemula - Memahami Regresi Linear](https://img.youtube.com/vi/CRxFT8oTDMg/0.jpg)](https://youtu.be/CRxFT8oTDMg "ML untuk pemula - Memahami Regresi Linear") +[![ML for beginners - Understanding Linear Regression](https://img.youtube.com/vi/CRxFT8oTDMg/0.jpg)](https://youtu.be/CRxFT8oTDMg "ML for beginners - Understanding Linear Regression") -> 🎥 Klik imej di atas untuk video ringkas pengenalan kepada regresi linear. +> 🎥 Klik imej di atas untuk video ringkas gambaran keseluruhan regresi linear. -> Sepanjang kurikulum ini, kami menganggap pengetahuan matematik adalah minimum, dan berusaha menjadikannya boleh diakses oleh pelajar daripada bidang lain, jadi perhatikan nota, 🧮 catatan, rajah, dan alat pembelajaran lain sebagai bantuan pemahaman. +> Sepanjang kurikulum ini, kami menganggap pengetahuan matematik adalah minimum, dan berusaha menjadikannya mudah diakses bagi pelajar yang datang dari bidang lain, jadi perhatikan nota, 🧮 panggilan keluar, rajah, dan alat pembelajaran lain untuk membantu pemahaman. ### Prasyarat -Anda sepatutnya sudah biasa dengan struktur data labu yang sedang kita periksa. Anda boleh dapati ia telah dimuatkan dan dibersihkan dalam fail _notebook.ipynb_ pelajaran ini. Dalam fail itu, harga labu dipaparkan per bushel dalam bingkai data baru. Pastikan anda boleh menjalankan buku nota ini dalam kernel Visual Studio Code. +Anda kini sepatutnya sudah biasa dengan struktur data labu yang kita periksa. Anda boleh menjumpainya sudah dimuatkan dan dibersihkan dalam fail _notebook.ipynb_ pelajaran ini. Dalam fail tersebut, harga labu dipaparkan setiap bushel dalam bingkai data baru. Pastikan anda boleh menjalankan notebook ini dalam kernel di Visual Studio Code. -### Persiapan +### Persediaan -Sebagai peringatan, anda memuatkan data ini supaya dapat bertanya soalan mengenainya. +Sebagai peringatan, anda memuatkan data ini supaya boleh bertanya soalan mengenainya. -- Bilakah masa terbaik untuk membeli labu? -- Berapakah harga yang boleh saya jangkakan untuk satu kotak labu kecil? -- Perlukah saya membelinya dalam bakul separuh bushel atau kotak 1 1/9 bushel? -Mari kita terus meneliti data ini. +- Bila masa terbaik untuk membeli labu? +- Berapakah harga yang boleh saya jangkakan untuk satu kotak labu mini? +- Perlukah saya membelinya dalam bakul separuh bushel atau dalam kotak 1 1/9 bushel? +Mari terus gali data ini. -Dalam pelajaran sebelum ini, anda telah mencipta bingkai data Pandas dan mengisinya dengan sebahagian dataset asal, menetapkan harga mengikut bushel. Dengan berbuat demikian, anda hanya berjaya mengumpul kira-kira 400 titik data dan hanya untuk bulan musim luruh. +Dalam pelajaran sebelum ini, anda telah mencipta bingkai data Pandas dan mengisinya dengan sebahagian daripada set data asal, menstandardkan harga mengikut bushel. Dengan melakukan itu, walau bagaimanapun, anda hanya dapat mengumpul kira-kira 400 titik data dan hanya untuk bulan musim luruh. -Lihat data yang telah dimuatkan dalam buku nota pelajaran ini. Data dimuatkan dan plot taburan awal dipaparkan untuk menunjukkan data bulan. Mungkin kita boleh mendapatkan lebih banyak maklumat tentang sifat data dengan membersihkannya lebih lanjut. +Lihat data yang telah kami pra-muatkan di notebook yang disertakan dalam pelajaran ini. Data dipra-muat dan plot taburan awal telah dilakar untuk menunjukkan data bulan. Mungkin kita boleh dapatkan lebih banyak maklumat tentang sifat data dengan membersihkannya dengan lebih lanjut. ## Garis regresi linear -Seperti yang anda pelajari dalam Pelajaran 1, tujuan latihan regresi linear adalah untuk dapat melukis garis untuk: +Seperti yang anda pelajari dalam Pelajaran 1, tujuan latihan regresi linear adalah untuk dapat melakar garis yang: -- **Menunjukkan hubungan pembolehubah**. Menunjukkan hubungan antara pembolehubah -- **Membuat ramalan**. Membuat ramalan tepat tentang di mana titik data baru akan jatuh berbanding garis itu. +- **Menunjukkan hubungan pemboleh ubah**. Menunjukkan hubungan antara pemboleh ubah +- **Membuat ramalan**. Membuat ramalan tepat mengenai di mana titik data baru akan jatuh berbanding garis tersebut. -Adalah biasa untuk **Regresi Kuasa Dua Terkecil (Least-Squares Regression)** melukis jenis garis ini. Istilah "Least-Squares" merujuk kepada proses meminimumkan jumlah ralat dalam model kita. Untuk setiap titik data, kita mengukur jarak menegak (dipanggil residual) antara titik sebenar dan garis regresi kita. +Biasanya, **Regresi Kuasa Dua Terkecil (Least-Squares Regression)** digunakan untuk melukis jenis garis ini. Istilah "Kuasa Dua Terkecil" merujuk kepada proses meminimumkan jumlah ralat dalam model kita. Untuk setiap titik data, kita mengukur jarak menegak (dipanggil residual) antara titik sebenar dan garis regresi kita. -Kita kuasakan dua jarak ini atas dua sebab utama: +Kita kuasakan kuadrat jarak ini atas dua sebab utama: -1. **Magnitud lebih penting daripada Arah:** Kita ingin menganggap ralat -5 sama seperti ralat +5. Kuasa dua menjadikan semua nilai positif. +1. **Magnitud melebihi Arah:** Kita mahu memperlakukan ralat -5 sama seperti ralat +5. Menguaskan kuadrat menjadikan semua nilai positif. -2. **Menghukum Outlier:** Kuasa dua memberi lebih berat kepada ralat besar, memaksa garis berada lebih dekat dengan titik yang jauh. +2. **Menghukum Titik Luar Normal (Outliers):** Menguasakan kuadrat memberi lebih berat kepada ralat yang lebih besar, memaksa garis kekal lebih dekat dengan titik yang jauh. -Kemudian kami jumlahkan semua nilai kuasa dua ini bersama. Matlamat kami adalah untuk mencari garis khusus di mana jumlah akhir ini adalah paling kecil (nilai terkecil yang mungkin) — sebab itulah namanya "Least-Squares". +Kemudian kita menjumlahkan semua nilai kuasa dua ini. Matlamat kita adalah untuk mencari garis tertentu di mana jumlah akhir ini adalah paling kecil (nilai terkecil yang mungkin)—justeru nama "Kuasa Dua Terkecil". -> **🧮 Tunjukkan matematiknya** -> -> Garis ini, dipanggil _garis pemadanan terbaik_ boleh dinyatakan oleh [persamaan](https://en.wikipedia.org/wiki/Simple_linear_regression): -> +> **🧮 Tunjukkan saya matematiknya** +> +> Garis ini, dipanggil _garis kesesuaian terbaik_ boleh dinyatakan melalui [persamaan](https://en.wikipedia.org/wiki/Simple_linear_regression): +> > ``` > Y = a + bX > ``` -> -> `X` adalah 'pembolehubah penerangan'. `Y` adalah 'pembolehubah bergantung'. Cerun garis adalah `b` dan `a` adalah pintasan-y, merujuk kepada nilai `Y` apabila `X = 0`. -> ->![kira cerun](../../../../translated_images/ms/slope.f3c9d5910ddbfcf9.webp) -> -> Pertama, hitung cerun `b`. Infografik oleh [Jen Looper](https://twitter.com/jenlooper) -> -> Dengan kata lain, dan merujuk kepada soalan asal data labu kita: "meramalkan harga labu per bushel mengikut bulan", `X` merujuk kepada harga dan `Y` merujuk kepada bulan jualan. -> ->![lengkapkan persamaan](../../../../translated_images/ms/calculation.a209813050a1ddb1.webp) -> -> Kira nilai Y. Jika anda membayar sekitar $4, mesti April! Infografik oleh [Jen Looper](https://twitter.com/jenlooper) -> -> Matematik yang mengira garis mesti menunjukkan cerun garis, yang juga bergantung pada pintasan, atau di mana `Y` terletak apabila `X = 0`. -> -> Anda boleh memerhatikan kaedah pengiraan nilai-nilai ini di laman web [Math is Fun](https://www.mathsisfun.com/data/least-squares-regression.html). Juga lawati [Kalkulator Least-squares ini](https://www.mathsisfun.com/data/least-squares-calculator.html) untuk melihat bagaimana nilai nombor mempengaruhi garis. +> +> `X` adalah 'pemboleh ubah penerang'. `Y` adalah 'pemboleh ubah bergantung'. Kecerunan garis ialah `b` dan `a` adalah pintasan-y, yang merujuk kepada nilai `Y` apabila `X = 0`. +> +>![kira kecerunan](../../../../translated_images/ms/slope.f3c9d5910ddbfcf9.webp) +> +> Pertama, kira kecerunan `b`. Infografik oleh [Jen Looper](https://twitter.com/jenlooper) +> +> Dengan kata lain, dan merujuk kepada soalan asal data labu kita: "meramalkan harga labu setiap bushel mengikut bulan", `X` merujuk kepada harga dan `Y` merujuk kepada bulan jualan. +> +>![lengkapkan persamaan](../../../../translated_images/ms/calculation.a209813050a1ddb1.webp) +> +> Kira nilai Y. Jika anda membayar sekitar $4, sudah pasti April! Infografik oleh [Jen Looper](https://twitter.com/jenlooper) +> +> Matematik yang mengira garis itu mesti menunjukkan kecerunan garis, yang juga bergantung pada pintasan, atau di mana `Y` berada apabila `X = 0`. +> +> Anda boleh melihat kaedah pengiraan untuk nilai-nilai ini di laman web [Math is Fun](https://www.mathsisfun.com/data/least-squares-regression.html). Lawati juga [kalkulator Least-squares](https://www.mathsisfun.com/data/least-squares-calculator.html) untuk lihat bagaimana nilai nombor mempengaruhi garis. ## Korelasi -Satu lagi istilah yang perlu difahami adalah **Pekali Korelasi** antara pembolehubah X dan Y tertentu. Menggunakan plot taburan, anda boleh dengan cepat memvisualisasikan pekali ini. Plot dengan titik data bertaburan dalam garis kemas mempunyai korelasi tinggi, tetapi plot dengan titik data bertaburan di mana-mana antara X dan Y mempunyai korelasi rendah. +Satu lagi istilah untuk difahami ialah **Pekali Korelasi** antara pemboleh ubah X dan Y yang diberi. Dengan menggunakan scatterplot, anda boleh dengan cepat memvisualisasikan pekali ini. Plot dengan titik data bertaburan dalam garis yang kemas mempunyai korelasi tinggi, tetapi plot dengan titik data bertaburan di mana-mana antara X dan Y mempunyai korelasi rendah. -Model regresi linear yang baik adalah yang mempunyai Pekali Korelasi tinggi (lebih hampir ke 1 berbanding 0) menggunakan kaedah Regresi Least-Squares dengan garis regresi. +Model regresi linear yang baik adalah yang mempunyai Pekali Korelasi tinggi (lebih hampir kepada 1 berbanding 0) menggunakan kaedah Regresi Kuasa Dua Terkecil dengan garis regresi. -✅ Jalankan buku nota yang menyertai pelajaran ini dan lihat plot taburan Bulan ke Harga. Adakah data yang mengaitkan Bulan kepada Harga untuk jualan labu kelihatan mempunyai korelasi tinggi atau rendah menurut tafsiran visual anda tentang plot taburan? Adakah itu berubah jika anda menggunakan ukuran lebih terperinci daripada `Bulan`, contohnya *hari dalam tahun* (iaitu bilangan hari sejak awal tahun)? +✅ Jalankan notebook yang disertakan dalam pelajaran ini dan lihat scatterplot Bulan ke Harga. Adakah data yang mengaitkan Bulan dengan Harga untuk jualan labu nampaknya mempunyai korelasi tinggi atau rendah, menurut tafsiran visual anda terhadap scatterplot? Adakah ia berubah jika anda menggunakan ukuran yang lebih terperinci sebagai ganti `Month`, contohnya *hari dalam setahun* (iaitu bilangan hari sejak awal tahun)? -Dalam kod di bawah, kita akan menganggap bahawa kita telah membersihkan data, dan memperoleh bingkai data yang dipanggil `new_pumpkins`, serupa seperti berikut: +Dalam kod di bawah, kita akan menganggap bahawa kita telah membersihkan data, dan memperoleh bingkai data bernama `new_pumpkins`, serupa dengan yang berikut: -ID | Bulan | DayOfYear | Varieti | Bandar | Pakej | Harga Rendah | Harga Tinggi | Harga ----|-------|-----------|---------|--------|-------|--------------|--------------|------- -70 | 9 | 267 | JENIS PAI | BALTIMORE | 1 1/9 karton bushel | 15.0 | 15.0 | 13.636364 -71 | 9 | 267 | JENIS PAI | BALTIMORE | 1 1/9 karton bushel | 18.0 | 18.0 | 16.363636 -72 | 10 | 274 | JENIS PAI | BALTIMORE | 1 1/9 karton bushel | 18.0 | 18.0 | 16.363636 -73 | 10 | 274 | JENIS PAI | BALTIMORE | 1 1/9 karton bushel | 17.0 | 17.0 | 15.454545 -74 | 10 | 281 | JENIS PAI | BALTIMORE | 1 1/9 karton bushel | 15.0 | 15.0 | 13.636364 +ID | Bulan | DayOfYear | Jenis | Bandar | Pembungkusan | Harga Rendah | Harga Tinggi | Harga +---|-------|-----------|---------|------|---------|-----------|------------|------- +70 | 9 | 267 | JENIS PIE | BALTIMORE | kotak 1 1/9 bushel | 15.0 | 15.0 | 13.636364 +71 | 9 | 267 | JENIS PIE | BALTIMORE | kotak 1 1/9 bushel | 18.0 | 18.0 | 16.363636 +72 | 10 | 274 | JENIS PIE | BALTIMORE | kotak 1 1/9 bushel | 18.0 | 18.0 | 16.363636 +73 | 10 | 274 | JENIS PIE | BALTIMORE | kotak 1 1/9 bushel | 17.0 | 17.0 | 15.454545 +74 | 10 | 281 | JENIS PIE | BALTIMORE | kotak 1 1/9 bushel | 15.0 | 15.0 | 13.636364 -> Kod untuk membersihkan data tersedia dalam [`notebook.ipynb`](notebook.ipynb). Kami telah melakukan langkah pembersihan yang sama seperti dalam pelajaran sebelum ini, dan telah mengira lajur `DayOfYear` menggunakan ungkapan berikut: +> Kod untuk membersihkan data tersedia dalam [`notebook.ipynb`](notebook.ipynb). Kami telah melaksanakan langkah pembersihan yang sama seperti dalam pelajaran sebelumnya, dan telah mengira lajur `DayOfYear` menggunakan ungkapan berikut: ```python day_of_year = pd.to_datetime(pumpkins['Date']).apply(lambda dt: (dt-datetime(dt.year,1,1)).days) ``` -Sekarang bahawa anda sudah memahami matematik di sebalik regresi linear, mari buat model Regresi untuk melihat sama ada kita boleh meramalkan pakej labu mana yang akan mempunyai harga labu terbaik. Seseorang yang membeli labu untuk taman labu percutian mungkin mahu maklumat ini untuk mengoptimumkan pembelian pakej labu mereka untuk taman tersebut. +Sekarang anda sudah faham matematik di belakang regresi linear, mari bina model Regresi untuk melihat sama ada kita boleh meramalkan pakej labu mana yang akan mempunyai harga labu terbaik. Seseorang yang membeli labu untuk tapak labu perayaan mungkin mahukan maklumat ini untuk mengoptimumkan pembelian pakej labu mereka untuk tapak tersebut. ## Mencari Korelasi -[![ML untuk pemula - Mencari Korelasi: Kunci kepada Regresi Linear](https://img.youtube.com/vi/uoRq-lW2eQo/0.jpg)](https://youtu.be/uoRq-lW2eQo "ML untuk pemula - Mencari Korelasi: Kunci kepada Regresi Linear") +[![ML for beginners - Looking for Correlation: The Key to Linear Regression](https://img.youtube.com/vi/uoRq-lW2eQo/0.jpg)](https://youtu.be/uoRq-lW2eQo "ML for beginners - Looking for Correlation: The Key to Linear Regression") -> 🎥 Klik imej di atas untuk video ringkas pengenalan kepada korelasi. +> 🎥 Klik imej di atas untuk video ringkas gambaran keseluruhan korelasi. -Daripada pelajaran sebelum ini anda mungkin telah melihat bahawa harga purata bagi bulan-bulan yang berbeza kelihatan seperti ini: +Daripada pelajaran sebelumnya anda mungkin telah melihat bahawa harga purata untuk bulan yang berbeza kelihatan seperti ini: -Harga purata mengikut bulan +Average price by month -Ini mencadangkan bahawa harus ada korelasi, dan kita boleh cuba melatih model regresi linear untuk meramalkan hubungan antara `Bulan` dan `Harga`, atau antara `DayOfYear` dan `Harga`. Berikut ialah plot taburan yang menunjukkan hubungan kedua: +Ini mencadangkan bahawa wujud beberapa korelasi, dan kita boleh cuba melatih model regresi linear untuk meramalkan hubungan antara `Month` dan `Price`, atau antara `DayOfYear` dan `Price`. Berikut ialah plot taburan yang menunjukkan hubungan kedua: -Plot taburan Harga vs. Hari dalam Tahun +Scatter plot of Price vs. Day of Year -Mari kita lihat jika ada korelasi menggunakan fungsi `corr`: +Mari lihat sama ada terdapat korelasi menggunakan fungsi `corr`: ```python print(new_pumpkins['Month'].corr(new_pumpkins['Price'])) print(new_pumpkins['DayOfYear'].corr(new_pumpkins['Price'])) ``` -Nampaknya korelasi agak kecil, -0.15 mengikut `Bulan` dan -0.17 mengikut `DayOfMonth`, tetapi boleh jadi ada hubungan penting lain. Nampaknya terdapat kelompok harga yang berbeza mengikut varieti labu yang berlainan. Untuk mengesahkan hipotesis ini, mari plot setiap kategori labu menggunakan warna berlainan. Dengan memasukkan parameter `ax` kepada fungsi plot `scatter`, kita boleh plot semua titik dalam graf yang sama: +Nampaknya korelasinya agak kecil, -0.15 mengikut `Month` dan -0.17 mengikut `DayOfMonth`, tetapi mungkin ada hubungan penting lain. Nampaknya terdapat kluster harga yang berbeza berhubung dengan varieti labu yang berbeza. Untuk mengesahkan hipotesis ini, mari plot setiap kategori labu menggunakan warna yang berbeza. Dengan memberikan parameter `ax` kepada fungsi plot `scatter` kita boleh plot semua titik pada graf yang sama: ```python ax=None @@ -140,42 +140,42 @@ for i,var in enumerate(new_pumpkins['Variety'].unique()): ax = df.plot.scatter('DayOfYear','Price',ax=ax,c=colors[i],label=var) ``` -Plot taburan Harga vs. Hari dalam Tahun dengan warna +Scatter plot of Price vs. Day of Year -Penyiasatan kami mencadangkan varieti lebih memberi kesan ke atas harga keseluruhan berbanding tarikh jualan sebenar. Kita dapat lihat ini dengan graf bar: +Siasatan kami mencadangkan bahawa varieti mempunyai kesan lebih ke atas harga keseluruhan berbanding tarikh jualan sebenar. Kita boleh lihat ini dengan graf bar: ```python new_pumpkins.groupby('Variety')['Price'].mean().plot(kind='bar') ``` -Graf bar harga mengikut varieti +Bar graph of price vs variety -Mari kita fokus buat sementara waktu hanya pada satu varieti labu, 'jenis pai', dan lihat apa kesan tarikh terhadap harga: +Marilah kita fokus buat masa ini hanya pada satu varieti labu, iaitu 'jenis pai', dan lihat kesan tarikh ke atas harga: ```python pie_pumpkins = new_pumpkins[new_pumpkins['Variety']=='PIE TYPE'] pie_pumpkins.plot.scatter('DayOfYear','Price') ``` -Plot taburan Harga vs. Hari dalam Tahun pada labu pai +Scatter plot of Price vs. Day of Year -Jika kita kira korelasi antara `Harga` dan `DayOfYear` menggunakan fungsi `corr`, kita akan dapat nilai sekitar `-0.27` - yang bermakna melatih model ramalan adalah masuk akal. +Jika kita kira korelasi antara `Price` dan `DayOfYear` menggunakan fungsi `corr`, kita akan mendapat nilai sekitar `-0.27` - yang bermakna melatih model ramalan adalah wajar. -> Sebelum melatih model regresi linear, penting untuk memastikan data kita bersih. Regresi linear tidak berfungsi dengan baik dengan nilai hilang, jadi masuk akal untuk menghapus semua sel kosong: +> Sebelum melatih model regresi linear, adalah penting untuk memastikan data kita bersih. Regresi linear tidak berfungsi dengan baik dengan nilai kosong, maka adalah wajar untuk membuang semua sel kosong: ```python pie_pumpkins.dropna(inplace=True) pie_pumpkins.info() ``` -Pendekatan lain adalah mengisi nilai kosong itu dengan nilai purata dari lajur yang bersesuaian. +Pendekatan lain ialah mengisi nilai kosong tersebut dengan nilai purata daripada lajur berkenaan. -## Regresi Linear Ringkas +## Regresi Linear Mudah -[![ML untuk pemula - Regresi Linear dan Polinomial menggunakan Scikit-learn](https://img.youtube.com/vi/e4c_UP2fSjg/0.jpg)](https://youtu.be/e4c_UP2fSjg "ML untuk pemula - Regresi Linear dan Polinomial menggunakan Scikit-learn") +[![ML for beginners - Linear and Polynomial Regression using Scikit-learn](https://img.youtube.com/vi/e4c_UP2fSjg/0.jpg)](https://youtu.be/e4c_UP2fSjg "ML for beginners - Linear and Polynomial Regression using Scikit-learn") -> 🎥 Klik imej di atas untuk video ringkas pengenalan regresi linear dan polinomial. +> 🎥 Klik imej di atas untuk video ringkas gambaran keseluruhan regresi linear dan polinomial. -Untuk melatih model Regresi Linear, kita akan menggunakan perpustakaan **Scikit-learn**. +Untuk melatih model Regresi Linear kita, kita akan menggunakan perpustakaan **Scikit-learn**. ```python from sklearn.linear_model import LinearRegression @@ -183,49 +183,48 @@ from sklearn.metrics import mean_squared_error from sklearn.model_selection import train_test_split ``` -Kita mulakan dengan memisahkan nilai input (ciri) dan output yang dijangka (label) ke dalam array numpy berasingan: +Kita mulakan dengan memisahkan nilai input (ciri) dan output yang dijangka (label) ke dalam array numpy yang berasingan: ```python X = pie_pumpkins['DayOfYear'].to_numpy().reshape(-1,1) y = pie_pumpkins['Price'] ``` -> Perhatikan bahawa kita perlu melakukan `reshape` pada data input supaya pakej Regresi Linear memahaminya dengan betul. Regresi Linear mengharapkan array 2D sebagai input, di mana setiap baris dalam array mewakili vektor ciri input. Dalam kes kita, kerana hanya ada satu input, kita memerlukan array berbentuk N×1, di mana N adalah saiz dataset. +> Perhatikan bahawa kita perlu melakukan `reshape` ke atas data input supaya pakej Regresi Linear memahaminya dengan betul. Regresi Linear menjangka input dalam bentuk array 2D, di mana setiap baris array mewakili vektor ciri input. Dalam kes kita, kerana kita hanya ada satu input - kita perlukan array berbentuk N×1, di mana N adalah saiz dataset. -Kemudian, kita perlu membahagikan data kepada dataset latihan dan ujian, supaya kita dapat mengesahkan model selepas latihan: +Kemudian, kita perlu membahagikan data kepada dataset latihan dan ujian, supaya kita boleh mengesahkan model kita selepas latihan: ```python X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0) ``` -Akhirnya, melatih model Regresi Linear sebenar hanya mengambil dua baris kod. Kita definisikan objek `LinearRegression`, dan fitkan kepada data menggunakan kaedah `fit`: +Akhir sekali, melatih model Regresi Linear sebenar hanya mengambil dua baris kod. Kita mentakrif objek `LinearRegression`, dan melatihnya pada data kita menggunakan kaedah `fit`: ```python lin_reg = LinearRegression() lin_reg.fit(X_train,y_train) ``` -Objek `LinearRegression` selepas `fit` mengandungi semua pekali regresi, yang boleh diakses menggunakan sifat `.coef_`. Dalam kes kami, terdapat hanya satu pekali, yang sepatutnya sekitar `-0.017`. Ini bermakna harga nampaknya menurun sedikit dengan masa, tetapi tidak terlalu banyak, sekitar 2 sen sehari. Kita juga boleh mengakses titik persilangan regresi dengan paksi Y menggunakan `lin_reg.intercept_` - ia akan berada sekitar `21` dalam kes kami, menunjukkan harga pada awal tahun. +Objek `LinearRegression` selepas `fit`-ting mengandungi semua koefisien regresi, yang boleh diakses menggunakan sifat `.coef_`. Dalam kes kami, terdapat hanya satu koefisien, yang sepatutnya sekitar `-0.017`. Ini bermakna harga kelihatan turun sedikit dengan masa, tetapi tidak terlalu banyak, sekitar 2 sen sehari. Kita juga boleh mengakses titik persilangan regresi dengan paksi Y menggunakan `lin_reg.intercept_` - ia akan sekitar `21` dalam kes kami, menunjukkan harga pada permulaan tahun. -Untuk melihat betapa tepatnya model kami, kita boleh meramal harga pada set data ujian, dan kemudian mengukur sejauh mana ramalan kami hampir dengan nilai yang dijangka. Ini boleh dilakukan menggunakan metrik ralat kuasa dua min (MSE), yang merupakan purata semua beza kuasa dua antara nilai dijangka dan ramalan. +Untuk melihat sejauh mana ketepatan model kami, kita boleh meramalkan harga pada set data ujian, dan kemudian mengukur sejauh mana ramalan kami dekat dengan nilai yang dijangkakan. Ini boleh dilakukan menggunakan metrik galat kuasa dua purata punca (RMSE), iaitu punca bagi purata semua perbezaan kuasa dua antara nilai yang dijangkakan dan diramalkan. ```python pred = lin_reg.predict(X_test) -mse = np.sqrt(mean_squared_error(y_test,pred)) -print(f'Mean error: {mse:3.3} ({mse/np.mean(pred)*100:3.3}%)') +rmse = np.sqrt(mean_squared_error(y_test,pred)) +print(f'RMSE: {rmse:3.3} ({rmse/np.mean(pred)*100:3.3}%)') ``` -Ralat kami nampaknya sekitar 2 poin, iaitu ~17%. Tidak terlalu baik. Penunjuk lain kualiti model ialah **koefisien penentuan**, yang boleh diperoleh seperti ini: +Galat kami kelihatan sekitar 2 mata, iaitu ~17%. Tidak terlalu baik. Penunjuk lain bagi kualiti model ialah **koefisien penentuan**, yang boleh diperoleh seperti berikut: ```python score = lin_reg.score(X_train,y_train) print('Model determination: ', score) ``` +Jika nilai adalah 0, ini bermakna model tidak mengambil kira data input, dan berfungsi sebagai *peramal linear yang paling teruk*, iaitu nilai purata hasil sahaja. Nilai 1 bermakna kita boleh meramalkan semua output yang dijangkakan dengan sempurna. Dalam kes kami, koefisien adalah sekitar 0.06, yang agak rendah. -Jika nilainya 0, ia bermakna model tidak mengambil kira data input, dan bertindak sebagai *peramal linear terburuk*, yang merupakan nilai purata hasil. Nilai 1 bermakna kita dapat meramalkan semua output yang dijangka dengan sempurna. Dalam kes kami, pekali itu sekitar 0.06, yang agak rendah. - -Kita juga boleh plot data ujian bersama garis regresi untuk melihat dengan lebih baik bagaimana regresi berfungsi dalam kes kami: +Kita juga boleh plot data ujian bersama dengan garis regresi untuk melihat dengan lebih baik bagaimana regresi berfungsi dalam kes kami: ```python plt.scatter(X_test,y_test) @@ -236,17 +235,17 @@ plt.plot(X_test,pred) ## Regresi Polinomial -Satu lagi jenis Regresi Linear ialah Regresi Polinomial. Walaupun kadangkala terdapat hubungan linear antara pemboleh ubah - labu yang lebih besar dari segi isipadu, harga yang lebih tinggi - kadangkala hubungan ini tidak boleh diplotkan sebagai satah atau garis lurus. +Satu lagi jenis Regresi Linear ialah Regresi Polinomial. Walaupun kadang-kadang terdapat hubungan linear antara pembolehubah - semakin besar labu dari segi isi padu, semakin tinggi harga - kadang-kadang hubungan ini tidak boleh digambarkan sebagai satah atau garis lurus. ✅ Berikut adalah [beberapa contoh lagi](https://online.stat.psu.edu/stat501/lesson/9/9.8) data yang boleh menggunakan Regresi Polinomial -Lihat kembali hubungan antara Tarikh dan Harga. Adakah sebaran titik ini perlu dianalisis menggunakan garis lurus? Bukankah harga boleh berfluktuasi? Dalam kes ini, anda boleh cuba regresi polinomial. +Lihat sekali lagi hubungan antara Tarikh dan Harga. Adakah plot taburan ini semestinya perlu dianalisis menggunakan garis lurus? Bukankah harga boleh berubah-ubah? Dalam kes ini, anda boleh cuba regresi polinomial. -✅ Polinomial adalah ekspresi matematik yang mungkin terdiri daripada satu atau lebih pemboleh ubah dan pekali +✅ Polinomial adalah ekspresi matematik yang mungkin terdiri daripada satu atau lebih pembolehubah dan koefisien -Regresi polinomial menghasilkan garis melengkung untuk menyesuaikan data bukan linear dengan lebih baik. Dalam kes kami, jika kami menyertakan pemboleh ubah `DayOfYear` kuasa dua dalam data input, kami sepatutnya dapat menyesuaikan data dengan lengkung parabola, yang akan mempunyai minimum pada suatu titik dalam tahun tersebut. +Regresi polinomial menghasilkan garis melengkung untuk menyesuaikan data bukan linear dengan lebih baik. Dalam kes kami, jika kami memasukkan pembolehubah kuasa dua `DayOfYear` ke dalam data input, kami sepatutnya dapat menyesuaikan data kami dengan lengkung parabola, yang akan mempunyai nilai minimum pada suatu titik dalam tahun. -Scikit-learn termasuk [API pipeline](https://scikit-learn.org/stable/modules/generated/sklearn.pipeline.make_pipeline.html?highlight=pipeline#sklearn.pipeline.make_pipeline) yang berguna untuk menggabungkan beberapa langkah pemprosesan data. **Pipeline** adalah rantai **penganggar**. Dalam kes kami, kami akan mencipta pipeline yang terlebih dahulu menambah ciri polinomial ke model kami, dan kemudian melatih regresi: +Scikit-learn termasuk API [pipeline](https://scikit-learn.org/stable/modules/generated/sklearn.pipeline.make_pipeline.html?highlight=pipeline#sklearn.pipeline.make_pipeline) yang berguna untuk menggabungkan langkah-langkah pemprosesan data yang berbeza bersama-sama. Sebuah **pipeline** adalah rantai **penganggar**. Dalam kes kami, kami akan membuat pipeline yang pertama menambah ciri polinomial ke model kami, kemudian melatih regresi: ```python from sklearn.preprocessing import PolynomialFeatures @@ -257,36 +256,36 @@ pipeline = make_pipeline(PolynomialFeatures(2), LinearRegression()) pipeline.fit(X_train,y_train) ``` -Menggunakan `PolynomialFeatures(2)` bermakna kami akan memasukkan semua polinomial darjah kedua dari data input. Dalam kes kami ia hanya bermakna `DayOfYear`2, tetapi dengan dua pemboleh ubah input X dan Y, ini akan menambah X2, XY dan Y2. Kami juga boleh menggunakan polinomial darjah lebih tinggi jika mahu. +Menggunakan `PolynomialFeatures(2)` bermakna kami akan memasukkan semua polinomial darjah kedua dari data input. Dalam kes kami ia hanya bermaksud `DayOfYear`2, tetapi jika diberikan dua pembolehubah input X dan Y, ini akan menambah X2, XY dan Y2. Kami juga boleh menggunakan polinomial darjah lebih tinggi jika mahu. -Pipelines boleh digunakan sama seperti objek `LinearRegression` asal, iaitu kita boleh `fit` pipeline, dan kemudian menggunakan `predict` untuk mendapatkan hasil ramalan. Berikut ialah graf yang menunjukkan data ujian, dan lengkung anggaran: +Pipeline boleh digunakan dengan cara yang sama seperti objek `LinearRegression` asal, iaitu kami boleh `fit` pipeline, dan kemudian menggunakan `predict` untuk mendapatkan hasil ramalan. Berikut adalah graf yang menunjukkan data ujian dan lengkung anggaran: Polynomial regression -Menggunakan Regresi Polinomial, kami boleh mendapatkan MSE yang sedikit lebih rendah dan penentuan lebih tinggi, tetapi tidak dengan signifikan. Kita perlu mengambil kira ciri-ciri lain! +Dengan menggunakan Regresi Polinomial, kami boleh mendapatkan MSE yang sedikit lebih rendah dan koefisien penentuan yang lebih tinggi, tetapi tidak secara signifikan. Kami perlu mengambil kira ciri-ciri lain! -> Anda dapat lihat bahawa harga labu paling rendah diperhatikan sekitar Halloween. Bagaimana anda boleh jelaskan ini? +> Anda boleh melihat bahawa harga labu minima diperhatikan sekitar Halloween. Bagaimana anda boleh menerangkannya? -🎃 Tahniah, anda baru sahaja mencipta model yang boleh membantu meramalkan harga labu pai. Anda mungkin boleh mengulangi prosedur yang sama untuk semua jenis labu, tetapi itu akan melecehkan. Mari kita pelajari sekarang bagaimana mengambil kira varieti labu dalam model kita! +🎃 Tahniah, anda baru sahaja mencipta model yang boleh membantu meramalkan harga labu pai. Anda mungkin boleh mengulangi prosedur yang sama untuk semua jenis labu, tetapi itu akan memenatkan. Mari kita pelajari sekarang cara mengambil kira varieti labu dalam model kita! ## Ciri Kategori -Dalam dunia yang ideal, kita mahu dapat meramalkan harga untuk pelbagai jenis labu menggunakan model yang sama. Namun, lajur `Variety` agak berbeza daripada lajur seperti `Month`, kerana ia mengandungi nilai bukan berangka. Lajur seperti ini dipanggil **kategori**. +Dalam dunia ideal, kami mahu dapat meramalkan harga untuk varieti labu yang berbeza menggunakan model yang sama. Namun, lajur `Variety` agak berbeza daripada lajur seperti `Month`, kerana ia mengandungi nilai bukan angka. Lajur sebegini dipanggil **kategori**. [![ML untuk pemula - Ramalan Ciri Kategori dengan Regresi Linear](https://img.youtube.com/vi/DYGliioIAE0/0.jpg)](https://youtu.be/DYGliioIAE0 "ML untuk pemula - Ramalan Ciri Kategori dengan Regresi Linear") -> 🎥 Klik gambar di atas untuk video ringkas tentang penggunaan ciri kategori. +> 🎥 Klik imej di atas untuk video ringkas mengenai penggunaan ciri kategori. -Di sini anda dapat lihat bagaimana harga purata bergantung pada varieti: +Di sini anda boleh lihat bagaimana harga purata bergantung pada varieti: Average price by variety -Untuk mengambil kira varieti, kita perlu menukarkannya ke bentuk berangka terlebih dahulu, atau **mengekodkan** ia. Terdapat beberapa cara kita boleh lakukan: +Untuk mengambil kira varieti, pertama kita perlu menukarnya ke bentuk nombor, atau **mengekod**nya. Terdapat beberapa cara kita boleh lakukannya: -* **Pengekodan berangka** mudah akan membina jadual pelbagai varieti, dan menggantikan nama varieti dengan indeks dalam jadual tersebut. Ini bukan idea terbaik bagi regresi linear, kerana regresi linear mengambil nilai berangka indeks sebenar, dan menambahkannya ke hasil, didarab dengan pekali tertentu. Dalam kes kami, hubungan antara nombor indeks dan harga jelas bukan linear, walaupun indeks diatur dengan cara tertentu. -* **Pengekodan satu-panas (one-hot encoding)** akan menggantikan lajur `Variety` dengan 4 lajur berbeza, satu untuk setiap varieti. Setiap lajur akan mengandungi `1` jika baris yang sepadan adalah daripada varieti tertentu, dan `0` jika tidak. Ini bermakna akan ada empat pekali dalam regresi linear, satu untuk setiap varieti labu, bertanggungjawab untuk "harga permulaan" (atau lebih tepat "harga tambahan") untuk varieti itu. +* Pengekodan **nombor mudah** akan membina jadual varieti yang berbeza, kemudian menggantikan nama varieti dengan indeks dalam jadual tersebut. Ini bukan idea terbaik untuk regresi linear, kerana regresi linear mengambil nilai nombor sebenar indeks, dan menambahkannya ke hasil, dengan darab koefisien tertentu. Dalam kes kami, hubungan antara nombor indeks dan harga jelas bukan linear, walaupun jika kami memastikan indeks disusun dalam cara tertentu. +* **Pengekodan one-hot** akan menggantikan lajur `Variety` dengan 4 lajur berbeza, satu untuk setiap varieti. Setiap lajur akan mengandungi `1` jika baris berkenaan adalah varieti tertentu, dan `0` jika tidak. Ini bermakna ada empat koefisien dalam regresi linear, satu untuk setiap varieti labu, yang bertanggungjawab untuk "harga permulaan" (atau lebih tepat "harga tambahan") bagi varieti berkenaan. -Kod di bawah menunjukkan cara kita boleh one-hot encode varieti: +Kod di bawah menunjukkan bagaimana kita boleh mengekod varieti secara one-hot: ```python pd.get_dummies(new_pumpkins['Variety']) @@ -303,14 +302,14 @@ pd.get_dummies(new_pumpkins['Variety']) 1741 | 0 | 1 | 0 | 0 1742 | 0 | 1 | 0 | 0 -Untuk melatih regresi linear menggunakan varieti yang telah one-hot encode sebagai input, kita hanya perlu inisialisasi data `X` dan `y` dengan betul: +Untuk melatih regresi linear menggunakan varieti yang telah dienkod one-hot sebagai input, kita hanya perlu inisialisasi data `X` dan `y` dengan betul: ```python X = pd.get_dummies(new_pumpkins['Variety']) y = new_pumpkins['Price'] ``` -Selepas itu, kodnya sama seperti yang kita gunakan sebelum ini untuk melatih Regresi Linear. Jika anda mencubanya, anda akan lihat bahawa ralat kuasa dua min adalah lebih kurang sama, tapi kita dapat koefisien penentuan yang jauh lebih tinggi (~77%). Untuk mendapatkan ramalan yang lebih tepat lagi, kita boleh mengambil lebih banyak ciri kategori serta ciri berangka, seperti `Month` atau `DayOfYear`. Untuk mendapat satu array ciri yang besar, kita boleh gunakan `join`: +Selepas itu, kod adalah sama seperti yang kami gunakan sebelum ini untuk melatih Regresi Linear. Jika anda mencubanya, anda akan lihat galat kuasa dua purata hampir sama, tetapi koefisien penentuan jauh lebih tinggi (~77%). Untuk mendapatkan ramalan yang lebih tepat, kita boleh mengambil lebih banyak ciri kategori serta ciri numerik, seperti `Month` atau `DayOfYear`. Untuk mendapatkan satu tatasusunan besar ciri, kita boleh menggunakan `join`: ```python X = pd.get_dummies(new_pumpkins['Variety']) \ @@ -320,11 +319,11 @@ X = pd.get_dummies(new_pumpkins['Variety']) \ y = new_pumpkins['Price'] ``` -Di sini kita turut mengambil kira `City` dan jenis `Package`, yang memberikan MSE 2.84 (10%), dan penentuan 0.94! +Di sini kami juga mengambil kira `City` dan jenis `Package`, yang menghasilkan MSE 2.84 (10%), dan penentuan 0.94! -## Menggabungkan semua +## Menggabungkan semuanya -Untuk mendapatkan model terbaik, kita boleh gunakan data gabungan (kategori yang di-one-hot encode + berangka) dari contoh di atas bersama Regresi Polinomial. Berikut ialah kod lengkap untuk kemudahan anda: +Untuk membuat model terbaik, kita boleh menggunakan data gabungan (kategori yang dienkod one-hot + numerik) dari contoh di atas bersama Regresi Polinomial. Berikut adalah kod lengkap untuk kemudahan anda: ```python # sediakan data latihan @@ -337,11 +336,11 @@ y = new_pumpkins['Price'] # buat pembahagian latih-uji X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0) -# sediakan dan latih laluan paip +# sediakan dan latih saluran paip pipeline = make_pipeline(PolynomialFeatures(2), LinearRegression()) pipeline.fit(X_train,y_train) -# ramal keputusan untuk data ujian +# ramalan keputusan untuk data ujian pred = pipeline.predict(X_test) # kira MSE dan penentuan @@ -352,36 +351,36 @@ score = pipeline.score(X_train,y_train) print('Model determination: ', score) ``` -Ini sepatutnya memberikan koefisien penentuan terbaik hampir 97%, dan MSE=2.23 (~8% ralat ramalan). +Ini sepatutnya memberikan koefisien penentuan terbaik hampir 97%, dan MSE=2.23 (~8% galat ramalan). | Model | MSE | Penentuan | |-------|-----|-----------| | Linear `DayOfYear` | 2.77 (17.2%) | 0.07 | | Polinomial `DayOfYear` | 2.73 (17.0%) | 0.08 | | Linear `Variety` | 5.24 (19.7%) | 0.77 | -| Linear Semua Ciri | 2.84 (10.5%) | 0.94 | -| Polinomial Semua Ciri | 2.23 (8.25%) | 0.97 | +| Linear Semua ciri | 2.84 (10.5%) | 0.94 | +| Polinomial Semua ciri | 2.23 (8.25%) | 0.97 | -🏆 Tahniah! Anda telah mencipta empat model Regresi dalam satu pelajaran, dan meningkatkan kualiti model kepada 97%. Dalam bahagian akhir mengenai Regresi, anda akan belajar tentang Regresi Logistik untuk menentukan kategori. +🏆 Tahniah! Anda telah mencipta empat model Regresi dalam satu pelajaran, dan meningkatkan kualiti model kepada 97%. Dalam bahagian akhir mengenai Regresi, anda akan belajar mengenai Regresi Logistik untuk menentukan kategori. --- ## 🚀Cabaran -Uji beberapa pemboleh ubah berlainan dalam buku nota ini untuk melihat bagaimana korelasi berkaitan dengan ketepatan model. +Uji beberapa pembolehubah berbeza dalam buku nota ini untuk melihat bagaimana korelasi berkaitan dengan ketepatan model. -## [Kuis Selepas Kuliah](https://ff-quizzes.netlify.app/en/ml/) +## [Kuiz selepas kuliah](https://ff-quizzes.netlify.app/en/ml/) ## Ulasan & Belajar Sendiri -Dalam pelajaran ini kita belajar tentang Regresi Linear. Terdapat jenis Regresi penting yang lain. Bacalah tentang teknik Stepwise, Ridge, Lasso dan Elasticnet. Kursus yang bagus untuk belajar lebih lanjut ialah [kursus Pembelajaran Statistik Stanford](https://online.stanford.edu/courses/sohs-ystatslearning-statistical-learning) +Dalam pelajaran ini kita belajar tentang Regresi Linear. Terdapat jenis Regresi penting lain. Baca tentang teknik Stepwise, Ridge, Lasso dan Elasticnet. Kursus yang baik untuk dipelajari ialah [Kursus Pembelajaran Statistik Stanford](https://online.stanford.edu/courses/sohs-ystatslearning-statistical-learning) -## Tugasan +## Tugasan -[Bina Model](assignment.md) +[Membina Model](assignment.md) --- **Penafian**: -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 hendaklah dianggap sebagai sumber yang sahih. Untuk maklumat yang penting, terjemahan profesional oleh manusia adalah disarankan. 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 maklum bahawa terjemahan automatik mungkin mengandungi ralat atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang sahih. Untuk maklumat penting, terjemahan manusia profesional adalah disyorkan. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini. \ No newline at end of file diff --git a/translations/ms/4-Classification/2-Classifiers-1/README.md b/translations/ms/4-Classification/2-Classifiers-1/README.md index 226ef5549..f00e32744 100644 --- a/translations/ms/4-Classification/2-Classifiers-1/README.md +++ b/translations/ms/4-Classification/2-Classifiers-1/README.md @@ -1,17 +1,17 @@ -# Pengelas Masakan 1 +# Pengelas masakan 1 -Dalam pelajaran ini, anda akan menggunakan dataset yang telah disimpan dari pelajaran sebelumnya yang penuh dengan data seimbang dan bersih mengenai masakan. +Dalam pelajaran ini, anda akan menggunakan set data yang anda simpan daripada pelajaran terakhir yang penuh dengan data seimbang dan bersih semuanya mengenai masakan. -Anda akan menggunakan dataset ini dengan pelbagai pengelas untuk _meramalkan jenis masakan berdasarkan kumpulan bahan_. Semasa melakukannya, anda akan mempelajari lebih lanjut tentang beberapa cara algoritma boleh digunakan untuk tugas klasifikasi. +Anda akan menggunakan set data ini dengan pelbagai pengelas untuk _meramalkan masakan nasional yang diberikan berdasarkan kumpulan ramuan_. Semasa melakukannya, anda akan belajar lebih lanjut tentang beberapa cara di mana algoritma boleh dimanfaatkan untuk tugasan pengelasan. -## [Kuiz sebelum kuliah](https://ff-quizzes.netlify.app/en/ml/) +## [Kuiz pra-ceramah](https://ff-quizzes.netlify.app/en/ml/) # Persediaan -Dengan andaian anda telah menyelesaikan [Pelajaran 1](../1-Introduction/README.md), pastikan fail _cleaned_cuisines.csv_ wujud dalam folder root `/data` untuk keempat-empat pelajaran ini. +Dengan anggapan anda telah menyelesaikan [Pelajaran 1](../1-Introduction/README.md), pastikan fail _cleaned_cuisines.csv_ wujud dalam folder root `/data` untuk keempat-empat pelajaran ini. -## Latihan - ramalkan jenis masakan +## Latihan - ramalkan masakan nasional -1. Bekerja dalam folder _notebook.ipynb_ pelajaran ini, import fail tersebut bersama perpustakaan Pandas: +1. Bekerja dalam folder _notebook.ipynb_ pelajaran ini, import fail itu bersama pustaka Pandas: ```python import pandas as pd @@ -19,7 +19,7 @@ Dengan andaian anda telah menyelesaikan [Pelajaran 1](../1-Introduction/README.m cuisines_df.head() ``` - Data kelihatan seperti ini: + Data terlihat seperti ini: | | Unnamed: 0 | cuisine | almond | angelica | anise | anise_seed | apple | apple_brandy | apricot | armagnac | ... | whiskey | white_bread | white_wine | whole_grain_wheat_flour | wine | wood | yam | yeast | yogurt | zucchini | | --- | ---------- | ------- | ------ | -------- | ----- | ---------- | ----- | ------------ | ------- | -------- | --- | ------- | ----------- | ---------- | ----------------------- | ---- | ---- | --- | ----- | ------ | -------- | @@ -30,7 +30,7 @@ Dengan andaian anda telah menyelesaikan [Pelajaran 1](../1-Introduction/README.m | 4 | 4 | indian | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | -1. Sekarang, import beberapa lagi perpustakaan: +1. Sekarang, import beberapa pustaka lagi: ```python from sklearn.linear_model import LogisticRegression @@ -58,7 +58,7 @@ Dengan andaian anda telah menyelesaikan [Pelajaran 1](../1-Introduction/README.m Name: cuisine, dtype: object ``` -1. Buang lajur `Unnamed: 0` dan lajur `cuisine`, panggil `drop()`. Simpan data yang selebihnya sebagai ciri yang boleh dilatih: +1. Buang lajur `Unnamed: 0` dan lajur `cuisine` itu, dengan memanggil `drop()`. Simpan baki data sebagai ciri boleh latih: ```python cuisines_feature_df = cuisines_df.drop(['Unnamed: 0', 'cuisine'], axis=1) @@ -75,85 +75,85 @@ Dengan andaian anda telah menyelesaikan [Pelajaran 1](../1-Introduction/README.m | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | | 4 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | -Sekarang anda bersedia untuk melatih model anda! +Kini anda sudah bersedia untuk melatih model anda! -## Memilih pengelas +## Memilih pengelas anda -Sekarang data anda bersih dan sedia untuk latihan, anda perlu memutuskan algoritma mana yang akan digunakan untuk tugas ini. +Setelah data anda bersih dan siap untuk latihan, anda perlu memutuskan algoritma mana yang digunakan untuk tugasan itu. -Scikit-learn mengelompokkan klasifikasi di bawah Pembelajaran Terkawal, dan dalam kategori itu anda akan menemui banyak cara untuk mengelas. [Kepelbagaian](https://scikit-learn.org/stable/supervised_learning.html) ini mungkin kelihatan mengelirukan pada pandangan pertama. Kaedah berikut semuanya termasuk teknik klasifikasi: +Scikit-learn mengkelaskan klasifikasi di bawah Pembelajaran Berpenyelia, dan dalam kategori itu anda akan menemui banyak cara untuk mengklasifikasikan. [Kepelbagaian](https://scikit-learn.org/stable/supervised_learning.html) agak mengelirukan pada pandangan pertama. Kaedah berikut semuanya termasuk teknik klasifikasi: - Model Linear -- Support Vector Machines -- Stochastic Gradient Descent -- Nearest Neighbors -- Gaussian Processes -- Decision Trees -- Kaedah Ensemble (Voting Classifier) -- Algoritma Multiclass dan multioutput (klasifikasi multilabel dan multiclass-multioutput) +- Mesin Sokongan Vektor +- Kecerunan Stokastik Turunan +- Jiran Terdekat +- Proses Gaussian +- Pokok Keputusan +- Kaedah Ensemble (Pengelas pengundian) +- Algoritma multiclass dan multioutput (klasifikasi multiclass dan multilabel, klasifikasi multiclass-multioutput) -> Anda juga boleh menggunakan [rangkaian neural untuk mengelas data](https://scikit-learn.org/stable/modules/neural_networks_supervised.html#classification), tetapi itu di luar skop pelajaran ini. +> Anda juga boleh menggunakan [rangkaian neural untuk mengklasifikasikan data](https://scikit-learn.org/stable/modules/neural_networks_supervised.html#classification), tetapi itu di luar skop pelajaran ini. -### Pengelas mana yang perlu dipilih? +### Pengelas mana untuk dipilih? -Jadi, pengelas mana yang patut anda pilih? Selalunya, mencuba beberapa pengelas dan mencari hasil yang baik adalah cara untuk menguji. Scikit-learn menawarkan [perbandingan sisi-sisi](https://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html) pada dataset yang dicipta, membandingkan KNeighbors, SVC dua cara, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB dan QuadraticDiscrinationAnalysis, menunjukkan hasil yang divisualisasikan: +Jadi, pengelas mana yang harus anda pilih? Selalunya, menjalankan beberapa pengelas dan mencari hasil yang baik adalah cara untuk menguji. Scikit-learn menawarkan [perbandingan sebelah-menyebelah](https://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html) pada set data yang dibuat, membandingkan KNeighbors, SVC dua cara, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB dan QuadraticDiscrinationAnalysis, menunjukkan keputusan secara visual: -![perbandingan pengelas](../../../../4-Classification/2-Classifiers-1/images/comparison.png) -> Plot yang dihasilkan dalam dokumentasi Scikit-learn +![perbandingan pengelas](../../../../translated_images/ms/comparison.edfab56193a85e7f.webp) +> Plot dijana pada dokumentasi Scikit-learn -> AutoML menyelesaikan masalah ini dengan mudah dengan menjalankan perbandingan ini di awan, membolehkan anda memilih algoritma terbaik untuk data anda. Cuba [di sini](https://docs.microsoft.com/learn/modules/automate-model-selection-with-azure-automl/?WT.mc_id=academic-77952-leestott) +> AutoML menyelesaikan masalah ini dengan kemas dengan menjalankan perbandingan ini di awan, membolehkan anda memilih algoritma terbaik untuk data anda. Cuba [di sini](https://docs.microsoft.com/learn/modules/automate-model-selection-with-azure-automl/?WT.mc_id=academic-77952-leestott) ### Pendekatan yang lebih baik -Pendekatan yang lebih baik daripada meneka secara rawak adalah dengan mengikuti idea dalam [ML Cheat Sheet](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott) yang boleh dimuat turun ini. Di sini, kita mendapati bahawa, untuk masalah multiclass kita, kita mempunyai beberapa pilihan: +Cara yang lebih baik daripada meneka secara rawak, bagaimanapun, adalah mengikuti idea dalam [Lembaran Cheat ML](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott) yang boleh dimuat turun ini. Di sini, kita dapati bahawa untuk masalah multiclass kita, kita mempunyai beberapa pilihan: -![cheatsheet untuk masalah multiclass](../../../../4-Classification/2-Classifiers-1/images/cheatsheet.png) -> Bahagian dari Algorithm Cheat Sheet Microsoft, memperincikan pilihan klasifikasi multiclass +![lembaran cheat untuk masalah multiclass](../../../../translated_images/ms/cheatsheet.07a475ea444d2223.webp) +> Seksyen Lembaran Cheat Algoritma Microsoft, memperincikan pilihan klasifikasi multiclass -✅ Muat turun cheat sheet ini, cetak, dan gantungkan di dinding anda! +✅ Muat turun lembaran cheat ini, cetaknya, dan gantung di dinding anda! ### Penalaran -Mari kita lihat jika kita boleh membuat penalaran melalui pendekatan yang berbeza berdasarkan kekangan yang kita ada: +Mari lihat jika kita boleh beralasan melalui pendekatan yang berbeza memandangkan kekangan yang kita ada: -- **Rangkaian neural terlalu berat**. Memandangkan dataset kita bersih tetapi minimal, dan fakta bahawa kita menjalankan latihan secara tempatan melalui notebook, rangkaian neural terlalu berat untuk tugas ini. -- **Tiada pengelas dua kelas**. Kita tidak menggunakan pengelas dua kelas, jadi itu menyingkirkan one-vs-all. -- **Decision tree atau logistic regression boleh berfungsi**. Decision tree mungkin berfungsi, atau logistic regression untuk data multiclass. -- **Multiclass Boosted Decision Trees menyelesaikan masalah yang berbeza**. Multiclass boosted decision tree paling sesuai untuk tugas bukan parametrik, contohnya tugas yang direka untuk membina ranking, jadi ia tidak berguna untuk kita. +- **Rangkaian neural terlalu berat**. Dengan set data yang bersih tetapi minimum, dan fakta bahawa kita menjalankan latihan secara tempatan melalui notebook, rangkaian neural terlalu berat untuk tugasan ini. +- **Tiada pengelas dua kelas**. Kita tidak menggunakan pengelas dua kelas, jadi itu menolak satu-vs-semua. +- **Pokok keputusan atau regresi logistik boleh berfungsi**. Pokok keputusan mungkin berfungsi, atau regresi logistik untuk data multiclass. +- **Pokok Keputusan Didorong multiclass menyelesaikan masalah berbeza**. Pokok keputusan yang didorong multiclass paling sesuai untuk tugas bukan parametrik, misalnya tugasan yang direka untuk membina penggredan, jadi ia tidak berguna untuk kita. ### Menggunakan Scikit-learn -Kita akan menggunakan Scikit-learn untuk menganalisis data kita. Walau bagaimanapun, terdapat banyak cara untuk menggunakan logistic regression dalam Scikit-learn. Lihat [parameter untuk diteruskan](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html?highlight=logistic%20regressio#sklearn.linear_model.LogisticRegression). +Kita akan menggunakan Scikit-learn untuk menganalisis data kita. Walau bagaimanapun, terdapat banyak cara untuk menggunakan regresi logistik dalam Scikit-learn. Lihatlah [parameter yang perlu diserahkan](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html?highlight=logistic%20regressio#sklearn.linear_model.LogisticRegression). -Secara asasnya terdapat dua parameter penting - `multi_class` dan `solver` - yang perlu kita tentukan, apabila kita meminta Scikit-learn untuk melakukan logistic regression. Nilai `multi_class` menerapkan tingkah laku tertentu. Nilai solver adalah algoritma yang akan digunakan. Tidak semua solver boleh digabungkan dengan semua nilai `multi_class`. +Asasnya, terdapat dua parameter penting - `multi_class` dan `solver` - yang kita perlu tetapkan, apabila kita meminta Scikit-learn melakukan regresi logistik. Nilai `multi_class` menerapkan tingkah laku tertentu. Nilai `solver` adalah algoritma yang digunakan. Tidak semua solver boleh digabungkan dengan semua nilai `multi_class`. -Menurut dokumen, dalam kes multiclass, algoritma latihan: +Menurut dokumentasi, dalam kes multiclass, algoritma latihan: -- **Menggunakan skema one-vs-rest (OvR)**, jika pilihan `multi_class` ditetapkan kepada `ovr` -- **Menggunakan cross-entropy loss**, jika pilihan `multi_class` ditetapkan kepada `multinomial`. (Pada masa ini pilihan `multinomial` hanya disokong oleh solver ‘lbfgs’, ‘sag’, ‘saga’ dan ‘newton-cg’.)" +- **Menggunakan skim one-vs-rest (OvR)**, jika pilihan `multi_class` ditetapkan kepada `ovr` +- **Menggunakan cross-entropy loss**, jika pilihan `multi_class` ditetapkan kepada `multinomial`. (Pilihan `multinomial` kini disokong hanya oleh solver ‘lbfgs’, ‘sag’, ‘saga’ dan ‘newton-cg’.)" -> 🎓 'Skema' di sini boleh sama ada 'ovr' (one-vs-rest) atau 'multinomial'. Oleh kerana logistic regression sebenarnya direka untuk menyokong klasifikasi binari, skema ini membolehkannya menangani tugas klasifikasi multiclass dengan lebih baik. [sumber](https://machinelearningmastery.com/one-vs-rest-and-one-vs-one-for-multi-class-classification/) +> 🎓 'Skim' di sini boleh sama ada 'ovr' (one-vs-rest) atau 'multinomial'. Oleh kerana regresi logistik sebenarnya direka untuk menyokong klasifikasi binari, skim ini membolehkan ia menangani tugasan klasifikasi multiclass dengan lebih baik. [sumber](https://machinelearningmastery.com/one-vs-rest-and-one-vs-one-for-multi-class-classification/) > 🎓 'Solver' ditakrifkan sebagai "algoritma yang digunakan dalam masalah pengoptimuman". [sumber](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html?highlight=logistic%20regressio#sklearn.linear_model.LogisticRegression). -Scikit-learn menawarkan jadual ini untuk menerangkan bagaimana solver menangani cabaran yang berbeza yang disebabkan oleh struktur data yang berbeza: +Scikit-learn menawarkan jadual ini untuk menerangkan bagaimana solver mengendalikan cabaran yang berbeza yang dibentangkan oleh jenis struktur data yang berbeza: -![solvers](../../../../4-Classification/2-Classifiers-1/images/solvers.png) +![solver](../../../../translated_images/ms/solvers.5fc648618529e627.webp) -## Latihan - bahagikan data +## Latihan - bahagi data -Kita boleh fokus pada logistic regression untuk percubaan latihan pertama kita kerana anda baru-baru ini mempelajarinya dalam pelajaran sebelumnya. +Kita boleh menumpukan kepada regresi logistik untuk percubaan latihan pertama kita kerana anda baru-baru ini belajar mengenainya dalam pelajaran sebelumnya. Bahagikan data anda kepada kumpulan latihan dan ujian dengan memanggil `train_test_split()`: ```python X_train, X_test, y_train, y_test = train_test_split(cuisines_feature_df, cuisines_label_df, test_size=0.3) ``` -## Latihan - gunakan logistic regression +## Latihan - gunakan regresi logistik -Oleh kerana anda menggunakan kes multiclass, anda perlu memilih _skema_ yang akan digunakan dan _solver_ yang akan ditetapkan. Gunakan LogisticRegression dengan tetapan multiclass dan solver **liblinear** untuk latihan. +Oleh kerana anda menggunakan kes multiclass, anda perlu memilih skim apa yang hendak digunakan dan solver apa yang hendak ditetapkan. Gunakan LogisticRegression dengan tetapan multiclass dan solver **liblinear** untuk melatih. -1. Cipta logistic regression dengan multi_class ditetapkan kepada `ovr` dan solver ditetapkan kepada `liblinear`: +1. Cipta regresi logistik dengan multi_class ditetapkan kepada `ovr` dan solver ditetapkan kepada `liblinear`: ```python lr = LogisticRegression(multi_class='ovr',solver='liblinear') @@ -163,27 +163,28 @@ Oleh kerana anda menggunakan kes multiclass, anda perlu memilih _skema_ yang aka print ("Accuracy is {}".format(accuracy)) ``` - ✅ Cuba solver lain seperti `lbfgs`, yang sering ditetapkan sebagai default -Gunakan fungsi Pandas [`ravel`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.ravel.html) untuk meratakan data anda apabila diperlukan. -Ketepatan adalah baik pada lebih **80%**! + ✅ Cuba solver lain seperti `lbfgs`, yang sering ditetapkan sebagai lalai -1. Anda boleh melihat model ini berfungsi dengan menguji satu baris data (#50): + > Nota, gunakan fungsi Pandas [`ravel`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.ravel.html) untuk meratakan data anda bila perlu. + + Ketepatan adalah baik, melebihi **80%**! + +1. Anda boleh melihat model ini beraksi dengan menguji satu baris data (#50): ```python print(f'ingredients: {X_test.iloc[50][X_test.iloc[50]!=0].keys()}') print(f'cuisine: {y_test.iloc[50]}') ``` - Hasilnya dicetak: + Keputusan dicetak: ```output ingredients: Index(['cilantro', 'onion', 'pea', 'potato', 'tomato', 'vegetable_oil'], dtype='object') cuisine: indian ``` - ✅ Cuba nombor baris yang berbeza dan periksa hasilnya - -1. Dengan lebih mendalam, anda boleh memeriksa ketepatan ramalan ini: + ✅ Cuba nombor baris berbeza dan periksa keputusan +1. Menggali lebih dalam, anda boleh memeriksa ketepatan ramalan ini: ```python test= X_test.iloc[50].values.reshape(-1, 1).T @@ -195,7 +196,7 @@ Ketepatan adalah baik pada lebih **80%**! topPrediction.head() ``` - Hasilnya dicetak - masakan India adalah tekaan terbaiknya, dengan kebarangkalian yang baik: + Keputusan dicetak - Masakan India adalah tekaan terbaiknya, dengan kebarangkalian yang baik: | | 0 | | -------: | -------: | @@ -205,9 +206,9 @@ Ketepatan adalah baik pada lebih **80%**! | korean | 0.017277 | | thai | 0.007634 | - ✅ Bolehkah anda jelaskan mengapa model ini cukup yakin bahawa ini adalah masakan India? + ✅ Bolehkah anda jelaskan mengapa model ini agak pasti ini adalah masakan India? -1. Dapatkan lebih banyak perincian dengan mencetak laporan klasifikasi, seperti yang anda lakukan dalam pelajaran regresi: +1. Dapatkan lebih banyak butiran dengan mencetak laporan klasifikasi, seperti yang anda lakukan dalam pelajaran regresi: ```python y_pred = model.predict(X_test) @@ -221,24 +222,26 @@ Ketepatan adalah baik pada lebih **80%**! | japanese | 0.70 | 0.75 | 0.72 | 220 | | korean | 0.86 | 0.76 | 0.81 | 242 | | thai | 0.79 | 0.85 | 0.82 | 254 | - | accuracy | 0.80 | 1199 | | | + | accuracy | | | 0.80 | 1199 | | macro avg | 0.80 | 0.80 | 0.80 | 1199 | | weighted avg | 0.80 | 0.80 | 0.80 | 1199 | ## 🚀Cabaran -Dalam pelajaran ini, anda menggunakan data yang telah dibersihkan untuk membina model pembelajaran mesin yang boleh meramalkan masakan kebangsaan berdasarkan siri bahan-bahan. Luangkan masa untuk membaca pelbagai pilihan yang disediakan oleh Scikit-learn untuk mengklasifikasikan data. Selami lebih mendalam konsep 'solver' untuk memahami apa yang berlaku di sebalik tabir. +Dalam pelajaran ini, anda menggunakan data yang telah dibersihkan untuk membina model pembelajaran mesin yang boleh meramalkan masakan kebangsaan berdasarkan siri bahan-bahan. Luangkan masa untuk membaca pelbagai pilihan yang disediakan oleh Scikit-learn untuk mengklasifikasikan data. Selidiki lebih jauh konsep 'solver' untuk memahami apa yang berlaku di belakang tabir. -## [Kuiz selepas kuliah](https://ff-quizzes.netlify.app/en/ml/) +## [Kuiz pasca kuliah](https://ff-quizzes.netlify.app/en/ml/) -## Ulasan & Kajian Kendiri +## Ulasan & Belajar Sendiri -Selami sedikit lagi matematik di sebalik regresi logistik dalam [pelajaran ini](https://people.eecs.berkeley.edu/~russell/classes/cs194/f11/lectures/CS194%20Fall%202011%20Lecture%2006.pdf) -## Tugasan +Gali lebih dalam matematik di sebalik regresi logistik dalam [pelajaran ini](https://people.eecs.berkeley.edu/~russell/classes/cs194/f11/lectures/CS194%20Fall%202011%20Lecture%2006.pdf) +## Tugasan -[Kaji tentang solvers](assignment.md) +[Pelajari solvers](assignment.md) --- + **Penafian**: -Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Walaupun kami berusaha untuk memastikan ketepatan, sila ambil perhatian bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang berwibawa. Untuk maklumat yang kritikal, terjemahan manusia profesional adalah disyorkan. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini. \ No newline at end of file +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 perhatian bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang sahih. Untuk maklumat penting, terjemahan profesional oleh manusia adalah disyorkan. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini. + \ No newline at end of file diff --git a/translations/ms/README.md b/translations/ms/README.md index a0a1307b4..405392ce3 100644 --- a/translations/ms/README.md +++ b/translations/ms/README.md @@ -1,23 +1,23 @@ -[![Lesen GitHub](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) -[![Penyumbang GitHub](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) -[![Isu GitHub](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) -[![Permintaan tarik GitHub](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) +[![GitHub license](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) +[![GitHub contributors](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) +[![GitHub issues](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) +[![GitHub pull-requests](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) [![PRs Welcome](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) -[![Penonton GitHub](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) -[![Fork GitHub](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/) -[![Bintang GitHub](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) +[![GitHub watchers](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) +[![GitHub forks](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/) +[![GitHub stars](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) ### 🌐 Sokongan Pelbagai Bahasa -#### Disokong melalui Tindakan GitHub (Automatik & Sentiasa Dikemaskini) +#### Disokong melalui GitHub Action (Automatik & Sentiasa Terkini) -[Arab](../ar/README.md) | [Benggali](../bn/README.md) | [Bulgaria](../bg/README.md) | [Burma (Myanmar)](../my/README.md) | [Cina (Ringkas)](../zh-CN/README.md) | [Cina (Tradisional, Hong Kong)](../zh-HK/README.md) | [Cina (Tradisional, Macau)](../zh-MO/README.md) | [Cina (Tradisional, Taiwan)](../zh-TW/README.md) | [Kroasia](../hr/README.md) | [Czech](../cs/README.md) | [Denmark](../da/README.md) | [Belanda](../nl/README.md) | [Estonia](../et/README.md) | [Finland](../fi/README.md) | [Perancis](../fr/README.md) | [Jerman](../de/README.md) | [Yunani](../el/README.md) | [Ibrani](../he/README.md) | [Hindi](../hi/README.md) | [Hungary](../hu/README.md) | [Indonesia](../id/README.md) | [Itali](../it/README.md) | [Jepun](../ja/README.md) | [Kannada](../kn/README.md) | [Khmer](../km/README.md) | [Korea](../ko/README.md) | [Lituania](../lt/README.md) | [Melayu](./README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Pidgin Nigeria](../pcm/README.md) | [Norway](../no/README.md) | [Parsi (Farsi)](../fa/README.md) | [Poland](../pl/README.md) | [Portugis (Brazil)](../pt-BR/README.md) | [Portugis (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romania](../ro/README.md) | [Rusia](../ru/README.md) | [Serbia (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Sepanyol](../es/README.md) | [Swahili](../sw/README.md) | [Sweden](../sv/README.md) | [Tagalog (Filipina)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turki](../tr/README.md) | [Ukraine](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnam](../vi/README.md) +[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Khmer](../km/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](./README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md) -> **Lebih suka Klon secara Tempatan?** +> **Lebih suka Klon Secara Tempatan?** > -> Repositori ini termasuk lebih 50+ terjemahan bahasa yang secara ketara meningkatkan saiz muat turun. Untuk klon tanpa terjemahan, gunakan sparse checkout: +> Repositori ini merangkumi lebih 50 terjemahan bahasa yang secara signifikan meningkatkan saiz muat turun. Untuk klon tanpa terjemahan, gunakan sparse checkout: > > **Bash / macOS / Linux:** > ```bash @@ -33,147 +33,146 @@ > git sparse-checkout set --no-cone "/*" "!translations" "!translated_images" > ``` > -> Ini memberikan anda semua keperluan untuk melengkapkan kursus dengan muat turun yang lebih pantas. +> Ini memberi anda segala yang anda perlukan untuk melengkapkan kursus dengan muat turun yang lebih pantas. #### Sertai Komuniti Kami [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -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. +Kami mempunyai siri belajar Discord dengan AI yang sedang berlangsung, pelajari lebih lanjut dan sertai kami di [Siri Belajar dengan AI](https://aka.ms/learnwithai/discord) dari 18 - 30 September, 2025. Anda akan mendapat tip dan trik menggunakan GitHub Copilot untuk Sains Data. -![Siri Pembelajaran dengan AI](../../translated_images/ms/3.9b58fd8d6c373c20.webp) +![Siri belajar dengan AI](../../translated_images/ms/3.9b58fd8d6c373c20.webp) # Pembelajaran Mesin untuk Pemula - Kurikulum -> 🌍 Melancong ke seluruh dunia sambil meneroka Pembelajaran Mesin melalui budaya dunia 🌍 +> 🌍 Jelajahi seluruh dunia sewaktu kita meneroka Pembelajaran Mesin melalui budaya dunia 🌍 -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! +Pendukung Awan di Microsoft dengan gembira menawarkan kurikulum 12 minggu, 26 pelajaran tentang **Pembelajaran Mesin**. Dalam kurikulum ini, anda akan mempelajari apa yang kadang-kadang dikenali sebagai **pembelajaran mesin klasik**, menggunakan terutamanya Scikit-learn sebagai perpustakaan dan mengelakkan pembelajaran mendalam, yang dibincangkan dalam [kurikulum AI untuk Pemula kami](https://aka.ms/ai4beginners). Gabungkan pelajaran ini dengan kurikulum ['Sains Data untuk Pemula'](https://aka.ms/ds4beginners) kami juga! -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'. +Berjalanlah bersama kami mengelilingi dunia ketika kami menggunakan teknik klasik ini ke atas data daripada banyak kawasan dunia. Setiap pelajaran termasuk kuiz pra dan pasca pelajaran, arahan bertulis untuk melengkapkan pelajaran, penyelesaian, tugasan, dan banyak lagi. Pendekatan berasaskan projek kami membolehkan anda belajar sambil membina, cara terbukti untuk kemahiran baru 'melekat'. -**✍️ 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 yang tulus 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 juga kepada pelukis ilustrasi kami** Tomomi Imura, Dasani Madipalli, dan Jen Looper +**🎨 Terima kasih juga kepada ilustrator kami** Tomomi Imura, Dasani Madipalli, dan Jen Looper -**🙏 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 +**🙏 Terima kasih khas 🙏 kepada penulis, pemeriksa dan penyumbang kandungan Microsoft Student Ambassador kami**, khususnya Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, dan Snigdha Agarwal -**🤩 Terima kasih tambahan kepada Duta Pelajar Microsoft Eric Wanjau, Jasleen Sondhi, dan Vidushi Gupta untuk pelajaran R kami!** +**🤩 Penghargaan ekstra kepada Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, dan Vidushi Gupta untuk pelajaran R kami!** -# Mula +# Memulakan -Ikuti langkah-langkah ini: -1. **Fork Repositori**: Klik pada butang "Fork" di penjuru kanan atas halaman ini. +Ikut langkah-langkah ini: +1. **Fork Repositori**: Klik butang "Fork" di sudut kanan atas halaman ini. 2. **Klon Repositori**: `git clone https://github.com/microsoft/ML-For-Beginners.git` -> [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) - -> 🔧 **Perlukan bantuan?** Semak [Panduan Penyelesaian Masalah](TROUBLESHOOTING.md) kami untuk penyelesaian isu biasa tentang pemasangan, penetapan, dan menjalankan pelajaran. +> [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) +> 🔧 **Perlu bantuan?** Semak [Panduan Penyelesaian Masalah](TROUBLESHOOTING.md) kami untuk solusi masalah biasa pemasangan, penyiapan, dan menjalankan pelajaran. -**[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: +**[Pelajar](https://aka.ms/student-page)**, untuk menggunakan kurikulum ini, fork seluruh repo ke akaun GitHub anda sendiri dan lengkapkan latihan sendiri atau bersama kumpulan: -- Mulakan dengan kuiz sebelum kuliah. -- 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. +- Mulakan dengan kuiz pra kuliah. +- Baca kuliah dan lengkapkan aktiviti, berhenti dan renungkan setiap semakan pengetahuan. +- Cuba buat projek dengan memahami pelajaran daripada menjalankan kod penyelesaian; tetapi kod tersebut tersedia dalam folder `/solution` di setiap pelajaran berorientasikan projek. +- Ambil kuiz pasca kuliah. - Lengkapkan cabaran. - Lengkapkan tugasan. -- 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. +- Selepas melengkapkan kumpulan pelajaran, lawati [Papan Perbincangan](https://github.com/microsoft/ML-For-Beginners/discussions) dan "belajar secara terbuka" dengan mengisi rubrik PAT yang sesuai. 'PAT' ialah Alat Penilaian Kemajuan yang merupakan rubrik yang anda isi untuk meneruskan pembelajaran anda. Anda juga boleh memberi reaksi pada PAT lain supaya kita dapat belajar bersama. -> 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. +> Untuk pengajian 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) mengenai cara menggunakan kurikulum ini. +**Guru**, kami telah [sertakan beberapa cadangan](for-teachers.md) mengenai cara menggunakan kurikulum ini. --- -## Video panduan +## Rangkuman Video -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. +Beberapa pelajaran tersedia dalam video bentuk ringkas. Anda boleh dapati semua ini selari dalam pelajaran, atau di [senarai main ML untuk Pemula di saluran YouTube Pembangun Microsoft](https://aka.ms/ml-beginners-videos) dengan klik imej di bawah. -[![Banner ML untuk pemula](../../translated_images/ms/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) +[![ML for beginners banner](../../translated_images/ms/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- ## Temui Pasukan -[![Video promosi](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) +[![Promo video](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) **Gif oleh** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) -> 🎥 Klik imej di atas untuk video tentang projek dan orang-orang yang menciptanya! +> 🎥 Klik imej di atas untuk video mengenai projek dan orang yang menciptakannya! --- ## Pedagogi -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. +Kami memilih dua prinsip pedagogi semasa membina kurikulum ini: memastikan ia adalah berasaskan **projek praktikal** dan ia termasuk **kuiz yang kerap**. Selain itu, kurikulum ini mempunyai **tema** yang sama untuk memberinya kesatuan. -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. +Dengan memastikan kandungan selaras dengan projek, proses menjadi lebih menarik untuk pelajar dan peningkatan pengekalan konsep akan ditingkatkan. Tambahan pula, kuiz bertaraf rendah sebelum kelas memberi niat pelajar untuk mempelajari sesuatu topik, manakala kuiz kedua selepas kelas memastikan pengekalan selanjutnya. Kurikulum ini direka untuk fleksibel dan menyeronokkan dan boleh diambil sepenuhnya atau sebahagiannya. Projek bermula kecil dan menjadi semakin kompleks pada akhir kitaran 12 minggu. Kurikulum ini juga termasuk posskrip tentang aplikasi dunia sebenar ML, yang boleh digunakan sebagai kredit tambahan atau sebagai asas untuk perbincangan. -> 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! +> Temui [Kod Etika Kami](CODE_OF_CONDUCT.md), [Menyumbang](CONTRIBUTING.md), [Terjemahan](..), dan [Penyelesaian Masalah](TROUBLESHOOTING.md). Kami mengalu-alukan maklum balas membina anda! ## Setiap pelajaran termasuk - sketchnote pilihan - video tambahan pilihan -- video panduan (sebahagian pelajaran sahaja) -- [kuiz pemanasan sebelum kuliah](https://ff-quizzes.netlify.app/en/ml/) +- rangkuman video (beberapa pelajaran sahaja) +- [kuiz warmup pra kuliah](https://ff-quizzes.netlify.app/en/ml/) - pelajaran bertulis -- untuk pelajaran berasaskan projek, panduan langkah demi langkah untuk membina projek -- pemeriksaan pengetahuan +- untuk pelajaran berasaskan projek, panduan langkah demi langkah membuat projek +- semakan pengetahuan - cabaran - bacaan tambahan - tugasan -- [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 | -| 25 | Bantu Peter elak serigala! 🐺 | [Pembelajaran pengukuhan](8-Reinforcement/README.md) | Gim pembelajaran pengukuhan | [Python](8-Reinforcement/2-Gym/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 | +- [kuiz pasca kuliah](https://ff-quizzes.netlify.app/en/ml/) +> **Satu nota tentang bahasa**: Pelajaran-pelajaran ini terutamanya ditulis dalam Python, tetapi banyak juga tersedia dalam R. Untuk melengkapkan pelajaran R, pergi ke folder `/solution` dan cari pelajaran R. Ia mengandungi sambungan .rmd yang mewakili fail **R Markdown** yang secara ringkas boleh didefinisikan sebagai penyisipan `code chunks` (dari R atau bahasa lain) dan `YAML header` (yang mengarahkan cara memformat output seperti PDF) dalam `Dokumen Markdown`. Oleh itu, ia berfungsi sebagai rangka kerja penulisan contoh untuk sains data kerana ia membolehkan anda menggabungkan kod anda, outputnya, dan pemikiran anda dengan membenarkan anda menuliskannya dalam Markdown. Selain itu, dokumen R Markdown boleh di-render ke format output seperti PDF, HTML, atau Word. + +> **Satu nota tentang kuiz**: Semua kuiz terkandung dalam [folder Aplikasi Kuiz](../../quiz-app), dengan jumlah 52 kuiz, setiap satu mempunyai tiga soalan. Mereka dipautkan dari dalam pelajaran-pelajaran tetapi aplikasi kuiz boleh dijalankan secara tempatan; ikut arahan dalam folder `quiz-app` untuk mengehoskan secara tempatan atau melancarkan ke Azure. + +| Nombor Pelajaran | Topik | Pengelompokan Pelajaran | Objektif Pembelajaran | Pelajaran Berkait | Pengarang | +| :--------------: | :------------------------------------------------------------: | :----------------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :----------------------------------------------------: | +| 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 tentang keadilan yang perlu difikirkan oleh pelajar apabila 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) | Bermula 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 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 🎃 | [Regresi](2-Regression/README.md) | Membina 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) | Membina 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) | Membina aplikasi web menggunakan model terlatih anda | [Python](3-Web-App/1-Web-App/README.md) | Jen | +| 10 | Pengenalan kepada klasifikasi | [Klasifikasi](4-Classification/README.md) | Bersihkan, siapkan, 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 pengklasifikasi | [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 pengklasifikasi | [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) | Membina aplikasi web pengesyorkan menggunakan model anda | [Python](4-Classification/4-Applied/README.md) | Jen | +| 14 | Pengenalan kepada pengelompokan | [Pengelompokan](5-Clustering/README.md) | Bersihkan, siapkan, 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) | Belajar asas tentang NLP dengan membina bot ringkas | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | +| 17 | Tugasan NLP yang biasa ☕️ | [Pemprosesan bahasa semula jadi](6-NLP/README.md) | Memperdalam pengetahuan NLP anda dengan memahami tugasan biasa yang diperlukan apabila berurusan dengan 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 | +| 25 | Bantu Peter elakkan serigala! 🐺 | [Pembelajaran penguatan](8-Reinforcement/README.md) | Pembelajaran penguatan Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | +| Catatan Akhir | Senario dan aplikasi pembelajaran mesin dunia sebenar | [ML di Dunia Sebenar](9-Real-World/README.md) | Aplikasi pembelajaran mesin klasik yang menarik dan mendedahkan | [Pelajaran](9-Real-World/1-Applications/README.md) | Pasukan | +| Catatan Akhir | Pengendalian ralat model dalam ML menggunakan papan pemuka RAI | [ML di Dunia Sebenar](9-Real-World/README.md) | Pengendalian ralat model 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 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`. +Anda boleh menjalankan dokumentasi ini luar talian dengan menggunakan [Docsify](https://docsify.js.org/#/). Fork repo ini, [pasang Docsify](https://docsify.js.org/#/quickstart) pada mesin tempatan anda, dan kemudian di folder akar repo ini, taip `docsify serve`. Laman web akan dihoskan pada port 3000 di localhost anda: `localhost:3000`. ## PDF -Dapatkan pdf kurikulum dengan pautan [di sini](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf). +Cari pdf kurikulum dengan pautan [di sini](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf). ## 🎒 Kursus Lain -Pasukan kami menghasilkan kursus lain! Semak: +Pasukan kami menghasilkan kursus lain! Lihat: ### LangChain @@ -182,57 +181,68 @@ Pasukan kami menghasilkan kursus lain! Semak: [![LangChain untuk Pemula](https://img.shields.io/badge/LangChain%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin) --- -### Azure / Edge / MCP / Agents +### Azure / Edge / MCP / Agen [![AZD untuk Pemula](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) [![Edge AI untuk Pemula](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![MCP for Beginners](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) -[![AI Agents for Beginners](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) +[![MCP untuk Pemula](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Ejen AI untuk Pemula](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### Siri Generatif AI -[![Generative AI for Beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) -[![Generative AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) -[![Generative AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) +### Siri AI Generatif +[![AI Generatif untuk Pemula](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AI Generatif (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) +[![AI Generatif (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) +[![AI Generatif (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) --- ### Pembelajaran Teras -[![ML for Beginners](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) -[![Data Science for Beginners](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) -[![AI for Beginners](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) -[![Cybersecurity for Beginners](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) -[![Web Dev for Beginners](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) -[![IoT for Beginners](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) -[![XR Development for Beginners](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) +[![ML untuk Pemula](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) +[![Sains Data untuk Pemula](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) +[![AI untuk Pemula](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) +[![Keselamatan Siber untuk Pemula](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) +[![Pembangunan Web untuk Pemula](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) +[![IoT untuk Pemula](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) +[![Pembangunan XR untuk Pemula](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) --- ### Siri Copilot -[![Copilot for AI Paired Programming](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) -[![Copilot for C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) -[![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) +[![Copilot untuk Pengaturcaraan Berkembar AI](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) +[![Copilot untuk C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) +[![Pengembaraan Copilot](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) ## Mendapatkan Bantuan -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. +Jika anda tersekat atau mempunyai soalan semasa mempelajari Pembelajaran Mesin atau membina aplikasi AI, jangan risau — bantuan tersedia. -[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +Anda boleh menyertai perbincangan dengan pelajar dan pembangun lain, bertanya soalan, dan berkongsi idea anda dengan komuniti. + +- Sertai komuniti untuk bertanya soalan dan belajar bersama yang lain +- Bincangkan konsep Pembelajaran Mesin dan idea projek +- Dapatkan panduan daripada pembangun berpengalaman + +Komuniti yang menyokong adalah cara terbaik untuk mengembangkan kemahiran anda dan menyelesaikan masalah dengan lebih cepat. + +[Komuniti Discord Microsoft Foundry](https://discord.gg/nTYy5BXMWG) + +Jika anda menemui pepijat, ralat, atau mempunyai cadangan untuk penambahbaikan, anda juga boleh membuka **Isu** di repositori ini untuk melaporkan masalah. + +Untuk maklum balas produk atau mencari pos komuniti sedia ada, lawati Forum Pembangun: -Jika anda mempunyai maklum balas tentang produk atau ralat semasa membina, lawati: +[![Forum Pembangun Microsoft Foundry](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) -[![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) -## Petua Pembelajaran Tambahan +## Tips Pembelajaran Tambahan - Semak semula buku nota selepas setiap pelajaran untuk pemahaman yang lebih baik. -- Latih melaksanakan algoritma sendiri. +- Amalkan melaksanakan algoritma sendiri. - Terokai set data dunia sebenar menggunakan konsep yang dipelajari. --- **Penafian**: -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. +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 perhatian bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang sah. Untuk maklumat penting, terjemahan manusia profesional adalah disyorkan. Kami tidak bertanggungjawab terhadap sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini. \ No newline at end of file diff --git a/translations/tl/.co-op-translator.json b/translations/tl/.co-op-translator.json index 323a6efab..b9f7210cd 100644 --- a/translations/tl/.co-op-translator.json +++ b/translations/tl/.co-op-translator.json @@ -90,8 +90,8 @@ "language_code": "tl" }, "2-Regression/3-Linear/README.md": { - "original_hash": "9a8359f1945bd3beccccb2b46592580e", - "translation_date": "2026-02-28T09:40:23+00:00", + "original_hash": "26c53a922f1f1e8542b0ea41ff52221a", + "translation_date": "2026-04-20T17:49:29+00:00", "source_file": "2-Regression/3-Linear/README.md", "language_code": "tl" }, @@ -168,8 +168,8 @@ "language_code": "tl" }, "4-Classification/2-Classifiers-1/README.md": { - "original_hash": "1a6e9e46b34a2e559fbbfc1f95397c7b", - "translation_date": "2025-09-05T18:20:32+00:00", + "original_hash": "cb761595e5b6c42b99bb81bd13683311", + "translation_date": "2026-04-20T17:50:32+00:00", "source_file": "4-Classification/2-Classifiers-1/README.md", "language_code": "tl" }, @@ -552,8 +552,8 @@ "language_code": "tl" }, "README.md": { - "original_hash": "7fb48097f57e680b380cd9aae988d317", - "translation_date": "2026-04-06T17:15:11+00:00", + "original_hash": "3e3a6c7e68e0afe7e2276ac046e4d7a0", + "translation_date": "2026-04-20T17:47:58+00:00", "source_file": "README.md", "language_code": "tl" }, diff --git a/translations/tl/2-Regression/3-Linear/README.md b/translations/tl/2-Regression/3-Linear/README.md index 34d23d964..f39b75203 100644 --- a/translations/tl/2-Regression/3-Linear/README.md +++ b/translations/tl/2-Regression/3-Linear/README.md @@ -1,98 +1,97 @@ -# Gumawa ng modelo ng regresyon gamit ang Scikit-learn: regression sa apat na paraan +# Gumawa ng regression model gamit ang Scikit-learn: apat na paraan ng regression ## Tala para sa Baguhan -Ginagamit ang linear regression kapag gusto nating hulaan ang isang **numerikal na halaga** (halimbawa, presyo ng bahay, temperatura, o benta). -Ito ay gumagana sa paghahanap ng tuwid na linya na pinakamahusay na kumakatawan sa relasyon sa pagitan ng mga input feature at output. +Ginagamit ang linear regression kapag nais nating mahulaan ang isang **numerikal na halaga** (halimbawa, presyo ng bahay, temperatura, o benta). +Ito ay gumagana sa pamamagitan ng paghahanap ng tuwid na linya na pinakamainam na kumakatawan sa relasyon sa pagitan ng mga input na katangian at ng output. -Sa araling ito, nakatuon tayo sa pag-unawa ng konsepto bago tuklasin ang mas advanced na mga teknik sa regresyon. +Sa araling ito, tututok tayo sa pag-unawa sa konsepto bago tuklasin ang mas advanced na mga teknik sa regression. ![Linear vs polynomial regression infographic](../../../../translated_images/tl/linear-polynomial.5523c7cb6576ccab.webp) -> Infographic ni [Dasani Madipalli](https://twitter.com/dasani_decoded) +> Infographic mula kay [Dasani Madipalli](https://twitter.com/dasani_decoded) ## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ml/) -> ### [Available ang araling ito sa R!](../../../../2-Regression/3-Linear/solution/R/lesson_3.html) +> ### [Available din ang araling ito sa R!](../../../../2-Regression/3-Linear/solution/R/lesson_3.html) ### Panimula -Sa ngayon ay napag-aralan mo na kung ano ang regresyon gamit ang sample na datos mula sa pumpkin pricing dataset na gagamitin natin sa buong araling ito. Na-visualize mo rin ito gamit ang Matplotlib. +Sa ngayon ay na-explore mo na kung ano ang regression gamit ang sample data mula sa pumpkin pricing dataset na gagamitin natin sa buong araling ito. Na-visualize mo rin ito gamit ang Matplotlib. -Ngayon ay handa ka nang sumisid nang mas malalim sa regresyon para sa ML. Habang ang visualization ay nagpapadali upang maintindihan ang data, ang tunay na lakas ng Machine Learning ay nagmumula sa _pagsasanay ng mga modelo_. Ang mga modelo ay sinasanay gamit ang makasaysayang datos upang awtomatikong makuha ang mga ugnayan ng datos, at nagbibigay-daan ito upang mahulaan ang mga kinalabasan para sa bagong data na hindi pa nakita ng modelo. +Ngayon, handa ka nang sumisid ng mas malalim sa regression para sa ML. Habang ang visualization ay nagpapahintulot sa iyo na maunawaan ang data, ang totoong kapangyarihan ng Machine Learning ay nagmumula sa _pagsasanay ng mga modelo_. Ang mga modelo ay sinasanay gamit ang makasaysayang data upang awtomatikong makuha ang mga dependency ng data, at pinapayagan kang mahulaan ang mga resulta para sa bagong data na hindi pa nakita ng modelo. -Sa araling ito, matututuhan mo pa ang tungkol sa dalawang uri ng regresyon: _basic linear regression_ at _polynomial regression_, kasama ang ilan sa mga matematikal na batayan ng mga teknik na ito. Makakatulong ang mga modelong ito upang mahulaan ang presyo ng kalabasa batay sa iba't ibang input datos. +Sa araling ito, matututuhan mo pa ang tungkol sa dalawang uri ng regression: _basic linear regression_ at _polynomial regression_, kasama ang ilan sa matematika sa likod ng mga teknik na ito. Papayagan tayo ng mga modelong ito na mahulaan ang presyo ng kalabasa depende sa iba't ibang input na datos. [![ML for beginners - Understanding Linear Regression](https://img.youtube.com/vi/CRxFT8oTDMg/0.jpg)](https://youtu.be/CRxFT8oTDMg "ML for beginners - Understanding Linear Regression") -> 🎥 I-click ang larawan sa itaas para sa maikling video na pagpapakilala sa linear regression. +> 🎥 I-click ang larawan sa itaas para sa maikling video overview ng linear regression. -> Sa buong kurikulum na ito, ipinagpapalagay namin ang pinaka-kaunting kaalaman sa matematika, at layuning gawing madaling maunawaan para sa mga estudyanteng nagmula sa iba't ibang larangan, kaya bantayan ang mga tala, 🧮 mga paalala, mga diagram, at iba pang mga gamit sa pagkatuto upang makatulong sa pag-unawa. +> Sa buong kurikulum na ito, ipinapalagay namin ang minimal na kaalaman sa matematika, at layuning gawing accessible ito para sa mga estudyanteng galing sa ibang larangan, kaya panoorin ang mga tala, 🧮 callouts, diagram, at iba pang mga kagamitan sa pagkatuto upang makatulong sa pag-unawa. -### Kinakailangang Kaalaman +### Paunang Kaalaman -Dapat ay pamilyar ka na sa istraktura ng pumpkin data na sinusuri natin. Makikita mo ito na naka-preload at nalinis na sa _notebook.ipynb_ file ng araling ito. Sa file, ipinapakita ang presyo ng kalabasa kada bushel sa isang bagong data frame. Siguraduhing kaya mong patakbuhin ang mga notebook na ito gamit ang kernels sa Visual Studio Code. +Dapat pamilyar ka na ngayon sa estruktura ng pumpkin data na sinusuri natin. Maaari mo itong makita na naka-preload at malinis na sa _notebook.ipynb_ file ng araling ito. Sa file, ipinapakita ang presyo ng kalabasa kada bushel sa isang bagong data frame. Siguraduhing kaya mong patakbuhin ang mga notebook na ito sa kernels ng Visual Studio Code. ### Paghahanda -Bilang paalala, niloload mo ang datos upang makapagtanong tungkol dito. +Paalala, ini-load mo ang datos na ito upang makapagtanong tungkol dito. -- Kailan ang pinakamainam na oras upang bumili ng mga kalabasa? -- Ano ang presyo na maaasahan ko sa isang kahon ng mga miniature pumpkins? -- Dapat ba akong bumili ng mga ito sa pamamagitan ng half-bushel baskets o sa 1 1/9 bushel box? +- Kailan ang pinakamainam na oras para bumili ng kalabasa? +- Anong presyo ang aasahan ko para sa isang kahon ng miniature pumpkins? +- Dapat ba akong bumili sa mga half-bushel baskets o sa 1 1/9 bushel na kahon? +Patuloy nating tuklasin ang datos na ito. -Tuloy natin ang pagsisiyasat sa datos na ito. +Sa nakaraang aralin, gumawa ka ng Pandas data frame at pinunan ito gamit ang bahagi ng orihinal na dataset, na na-standardize ang pagpepresyo base sa bushel. Sa paggawa noon, nakalikom ka lang ng humigit-kumulang 400 datapoints at para lamang sa mga buwan ng taglagas. -Sa naunang aralin, gumawa ka ng Pandas data frame at pinunan ito ng bahagi ng orihinal na dataset, pinagpantay-pantay ang presyo ayon sa bushel. Sa paggawa nito, nakalap mo lamang ang humigit-kumulang 400 na datapoints at para lamang sa mga buwan ng taglagas. - -Tingnan ang datos na naka-preload sa notebook na kasama ng araling ito. Naipakita na ang scatterplot upang ipakita ang data ng buwan. Maaaring makakuha tayo ng mas detalyadong kaalaman tungkol sa likas ng datos sa pamamagitan ng mas malalim na paglilinis nito. +Tingnan ang data na preloaded sa kasamang notebook ng araling ito. Ang data ay naka-preload at unang scatterplot ang ginawa upang ipakita ang data ng buwan. Marahil, makakakuha tayo ng mas detalyadong impormasyon tungkol sa kalikasan ng data sa pamamagitan ng masusing paglilinis nito. ## Isang linya ng linear regression -Tulad ng natutunan mo sa Aralin 1, ang layunin ng linear regression exercise ay makapag-plot ng linya upang: +Gaya ng iyong natutunan sa Lesson 1, ang layunin ng linear regression exercise ay maging kaya mong iguhit ang isang linya upang: - **Ipakita ang relasyon ng mga variable**. Ipakita ang relasyon sa pagitan ng mga variable -- **Gumawa ng mga hulang prediksyon**. Gumawa ng tumpak na prediksyon kung saan mahuhulog ang bagong datapoint kaugnay ng linyang iyon. +- **Gumawa ng prediksyon**. Gumawa ng tumpak na prediksyon kung saan mahuhulog ang isang bagong datapoint kaugnay ng linyang iyon. -Karaniwan sa **Least-Squares Regression** ang pagguhit ng ganitong uri ng linya. Ang terminong "Least-Squares" ay tumutukoy sa proseso ng pagbawas sa kabuuang error sa modelo natin. Para sa bawat data point, sinusukat natin ang patayong distansya (tinatawag na residual) sa pagitan ng aktwal na punto at ng ating regression line. +Karaniwan sa **Least-Squares Regression** na gumuhit ng ganitong uri ng linya. Ang terminong "Least-Squares" ay tumutukoy sa proseso ng pagbabawas ng kabuuang error sa ating modelo. Para sa bawat data point, sinusukat natin ang patayong distansya (tinatawag na residual) sa pagitan ng aktwal na punto at ng ating regression line. -Ikinakuwadrado natin ang mga distansyang ito sa dalawang pangunahing dahilan: +Pinapangkat natin ang mga distansyang ito sa pamamagitan ng pag-square ng mga ito para sa dalawang pangunahing dahilan: -1. **Laki kaysa Direksyon:** Gusto nating tratuhin ang error na -5 gaya ng error na +5. Ginagawa nitong positibo ang lahat ng halaga sa pagkuwadrado. +1. **Magnitude higit sa Direksyon:** Gusto nating tratuhin ang error na -5 nang pareho sa error na +5. Ang pag-square ay nagpapabago ng lahat ng halaga upang maging positibo. -2. **Pagbigay ng Parusa sa Malalaking Error:** Nagbibigay ang pagkuwadrado ng mas malaking bigat sa mas malalaking error, na pinipilit ang linya na maging malapit sa mga puntos na malayo. +2. **Pagpaparusa sa Outliers:** Ang pag-square ay nagbibigay ng mas malaking timbang sa malalaking errors, na pinipilit ang linya na manatili na mas malapit sa mga puntong malayo. -Pagkatapos, pinagsasama-sama natin ang lahat ng mga na-kuwadradong halaga. Layunin natin mahanap ang tiyak na linya kung saan ang kabuuang halaga nito ay pinakamababa (ang pinakamaliit na posibleng halaga)—kaya tinawag itong "Least-Squares." +Pagkatapos ay pinag-samasama natin ang lahat ng squared na halaga. Ang layunin natin ay hanapin ang partikular na linya kung saan ang huling kabuuan ay pinakamaiksi (pinakamaliit na posibleng halaga)—kaya tinawag itong "Least-Squares". -> **🧮 Ipakita sa akin ang math** +> **🧮 Ipakita sa akin ang matematika** +> +> Ang linyang ito, na tinatawag na _line of best fit_ ay maaaring ipahayag gamit ang [isang ekwasyon](https://en.wikipedia.org/wiki/Simple_linear_regression): > -> Ang linyang ito, na tinatawag na _line of best fit_ ay maaaring ipahayag sa pamamagitan ng [isang equation](https://en.wikipedia.org/wiki/Simple_linear_regression): -> > ``` > Y = a + bX > ``` > -> Ang `X` ay ang 'explanatory variable'. Ang `Y` ay ang 'dependent variable'. Ang slope ng linya ay `b` at ang `a` ay ang y-intercept, na tumutukoy sa halaga ng `Y` kapag `X = 0`. +> `X` ay ang 'explanatory variable'. `Y` ay ang 'dependent variable'. Ang slope ng linya ay `b` at `a` ang y-intercept, na tumutukoy sa halaga ng `Y` kapag `X = 0`. > >![calculate the slope](../../../../translated_images/tl/slope.f3c9d5910ddbfcf9.webp) > -> Una, kalkulahin ang slope `b`. Infographic ni [Jen Looper](https://twitter.com/jenlooper) +> Una, kalkulahin ang slope `b`. Infographic mula kay [Jen Looper](https://twitter.com/jenlooper) > -> Sa madaling salita, at tumutukoy sa orihinal na tanong ng ating pumpkin data: "hulaan ang presyo ng kalabasa kada bushel bawat buwan", ang `X` ay tumutukoy sa presyo at ang `Y` ay tumutukoy sa buwan ng bentahan. +> Sa ibang salita, at ayon sa orihinal na tanong sa data ng kalabasa: "hulaan ang presyo ng kalabasa kada bushel ayon sa buwan", ang `X` ay tumutukoy sa presyo at ang `Y` ay tumutukoy sa buwan ng pagbebenta. > >![complete the equation](../../../../translated_images/tl/calculation.a209813050a1ddb1.webp) > -> Kalkulahin ang halaga ng Y. Kung nagbabayad ka ng humigit-kumulang $4, siguradong Abril ito! Infographic ni [Jen Looper](https://twitter.com/jenlooper) +> Kalkulahin ang halaga ng Y. Kung nagbabayad ka ng nasa halagang $4, siguradong Abril iyon! Infographic mula kay [Jen Looper](https://twitter.com/jenlooper) > -> Ang matematika na nagkukuwenta ng linyang ito ay dapat ipakita ang slope ng linya, na nakaasa rin sa intercept, o kung saan nakalugar ang `Y` kapag `X = 0`. +> Kinakailangang ipakita ng matematika na kumukuwenta sa linya ang slope nito, na nakabase rin sa intercept, o kung saan matatagpuan ang `Y` kapag `X = 0`. > -> Maaari mong obserbahan ang pamamaraan ng pagkalkula ng mga halagang ito sa web site na [Math is Fun](https://www.mathsisfun.com/data/least-squares-regression.html). Bisitahin din ang [Least-squares calculator](https://www.mathsisfun.com/data/least-squares-calculator.html) upang makita kung paano naapektuhan ng mga halagang numero ang linya. +> Maaari mong obserbahan ang paraan ng pagkalkula ng mga halagang ito sa website ng [Math is Fun](https://www.mathsisfun.com/data/least-squares-regression.html). Bisitahin din ang [Least-squares calculator](https://www.mathsisfun.com/data/least-squares-calculator.html) upang makita kung paano naaapektuhan ng halaga ng mga numero ang linya. ## Korelasyon -Isang terminong kailangang maunawaan ay ang **Correlation Coefficient** sa pagitan ng mga ibinigay na X at Y na variable. Gamit ang scatterplot, mabilis mong maipapakita ang coefficient na ito. Ang plot na may mga datapoints na magkakatabi sa isang maayos na linya ay may mataas na korelasyon, ngunit ang plot na may mga datapoints na kalat-kalat sa pagitan ng X at Y ay may mababang korelasyon. +Isa pang term na kailangang maunawaan ay ang **Correlation Coefficient** sa pagitan ng mga variable na X at Y. Sa pamamagitan ng scatterplot, madali mong ma-visualize ang coefficient na ito. Ang plot na may mga datapoints na nakaayos sa isang maayos na linya ay may mataas na korelasyon, ngunit ang isang plot na may datapoints na kalat-kalat sa pagitan ng X at Y ay may mababang korelasyon. -Ang magandang modelo ng linear regression ay yaong may mataas na (malapit sa 1 kaysa sa 0) Correlation Coefficient gamit ang Least-Squares Regression na may linya ng regresyon. +Ang isang magandang linear regression model ay yaong may mataas (mas malapit sa 1 kaysa 0) na Correlation Coefficient gamit ang Least-Squares Regression method na may regression line. -✅ Patakbuhin ang notebook na kalakip ng araling ito at tingnan ang Month to Price scatterplot. Mukhang mataas o mababa ang korelasyon ng datos sa pagitan ng Buwan at Presyo ng bentahan ng kalabasa, ayon sa iyong visual na interpretasyon ng scatterplot? Nagbabago ba ito kung gagamit ka ng mas maselang sukatan sa halip na `Month`, halimbawa, *araw ng taon* (ibig sabihin, bilang ng mga araw mula sa simula ng taon)? +✅ Patakbuhin ang notebook na kasama sa araling ito at tingnan ang scatterplot ng Month to Price. Mukhang mataas ba o mababa ang korelasyon ng data sa pagitan ng Month at Price para sa benta ng kalabasa, ayon sa iyong visual na interpretasyon ng scatterplot? Nagbabago ba ito kung gagamit ka ng mas detalyadong sukat sa halip na `Month`, hal. *araw ng taon* (ibig sabihin bilang ng mga araw mula simula ng taon)? -Sa code sa ibaba, ipagpapalagay natin na nalinis na natin ang data, at nakakuha ng data frame na tinatawag na `new_pumpkins`, tulad ng sumusunod: +Sa code sa ibaba, ipapalagay natin na malinis na ang data, at nakuha natin ang data frame na tinatawag na `new_pumpkins`, katulad ng sumusunod: ID | Month | DayOfYear | Variety | City | Package | Low Price | High Price | Price ---|-------|-----------|---------|------|---------|-----------|------------|------- @@ -102,36 +101,36 @@ ID | Month | DayOfYear | Variety | City | Package | Low Price | High Price | Pri 73 | 10 | 274 | PIE TYPE | BALTIMORE | 1 1/9 bushel cartons | 17.0 | 17.0 | 15.454545 74 | 10 | 281 | PIE TYPE | BALTIMORE | 1 1/9 bushel cartons | 15.0 | 15.0 | 13.636364 -> Ang code para linisin ang data ay matatagpuan sa [`notebook.ipynb`](notebook.ipynb). Ginawa natin ang parehong hakbang sa paglilinis tulad ng sa naunang aralin, at nakwenta ang column na `DayOfYear` gamit ang sumusunod na expression: +> Ang code para linisin ang data ay makikita sa [`notebook.ipynb`](notebook.ipynb). Ginawa namin ang parehong mga hakbang sa paglilinis gaya ng sa nakaraang aralin, at nakalkula ang kolum na `DayOfYear` gamit ang sumusunod na expression: ```python day_of_year = pd.to_datetime(pumpkins['Date']).apply(lambda dt: (dt-datetime(dt.year,1,1)).days) ``` -Ngayon na nauunawaan mo na ang matematika sa likod ng linear regression, gawin natin ang isang Regression model upang makita kung kaya nating mahulaan kung aling pakete ng kalabasa ang magkakaroon ng pinakamagandang presyo. Ang isang bumibili ng kalabasa para sa holiday pumpkin patch ay maaaring magustuhan ang impormasyong ito upang mapahusay ang kanilang pagbili ng mga pakete ng kalabasa para sa patch. +Ngayon na naiintindihan mo na ang matematika sa likod ng linear regression, gumawa tayo ng Regression model upang makita kung kaya nating hulaan kung aling pakete ng kalabasa ang may pinakamagandang presyo. Ang sinumang bibili ng mga kalabasa para sa holiday pumpkin patch ay maaaring gusto ang impormasyong ito upang ma-optimize ang kanilang pagbili ng mga pakete ng kalabasa. ## Paghahanap ng Korelasyon [![ML for beginners - Looking for Correlation: The Key to Linear Regression](https://img.youtube.com/vi/uoRq-lW2eQo/0.jpg)](https://youtu.be/uoRq-lW2eQo "ML for beginners - Looking for Correlation: The Key to Linear Regression") -> 🎥 I-click ang larawan sa itaas para sa maikling video na pagpapakilala sa korelasyon. +> 🎥 I-click ang larawan sa itaas para sa maikling video overview ng korelasyon. -Mula sa naunang aralin, marahil ay nakita mo na ang average na presyo para sa iba't ibang buwan ay ganito: +Mula sa nakaraang aralin, marahil ay nakita mo na ang karaniwang presyo para sa iba't ibang buwan ay ganito: Average price by month -Ipinapahiwatig nito na dapat mayroong ilang korelasyon, at maaari nating subukang sanayin ang linear regression model upang hulaan ang ugnayan ng `Month` at `Price`, o ng `DayOfYear` at `Price`. Narito ang scatter plot na nagpapakita ng huling ugnayan: +Ipinapahiwatig nito na dapat may korelasyon, at maaari nating subukan ang pagsasanay ng linear regression model upang mahulaan ang relasyon sa pagitan ng `Month` at `Price`, o sa pagitan ng `DayOfYear` at `Price`. Narito ang scatter plot na nagpapakita ng huling relasyon: Scatter plot of Price vs. Day of Year -Tingnan natin kung may korelasyon gamit ang `corr` na function: +Tingnan natin kung may korelasyon gamit ang `corr` function: ```python print(new_pumpkins['Month'].corr(new_pumpkins['Price'])) print(new_pumpkins['DayOfYear'].corr(new_pumpkins['Price'])) ``` -Mukhang maliit ang korelasyon, -0.15 para sa `Month` at -0.17 para sa `DayOfMonth`, ngunit maaaring may isa pang mahalagang ugnayan. Mukhang may magkakaibang pangkat ng presyo na tumutugma sa iba't ibang uri ng kalabasa. Upang kumpirmahin ito, ilarawan natin bawat kategorya ng kalabasa gamit ang ibang kulay. Sa pamamagitan ng pagpasa ng `ax` parameter sa `scatter` plotting function, maaari nating ipakita lahat ng puntos sa iisang grapiko: +Mukhang maliit ang korelasyon, -0.15 base sa `Month` at -0.17 base sa `DayOfMonth`, ngunit maaaring may isa pang mahalagang relasyon. Mukhang may iba't ibang cluster ng mga presyo na tumutugma sa iba't ibang varieties ng kalabasa. Upang kumpirmahin ito, ipapakita natin bawat kategorya ng kalabasa gamit ang iba't ibang kulay. Sa pamamagitan ng pagpasa ng `ax` parameter sa `scatter` na plotting function, mapapakita natin lahat ng puntos sa iisang graph: ```python ax=None @@ -143,7 +142,7 @@ for i,var in enumerate(new_pumpkins['Variety'].unique()): Scatter plot of Price vs. Day of Year -Ang imbestigasyon natin ay nagpapahiwatig na ang uri ay mas may epekto sa pangkalahatang presyo kaysa sa aktwal na petsa ng bentahan. Makikita ito sa isang bar graph: +Sinasabi ng imbestigasyon natin na mas malaki ang epekto ng variety sa kabuoang presyo kaysa sa aktwal na petsa ng pagbebenta. Makikita natin ito sa isang bar graph: ```python new_pumpkins.groupby('Variety')['Price'].mean().plot(kind='bar') @@ -151,7 +150,7 @@ new_pumpkins.groupby('Variety')['Price'].mean().plot(kind='bar') Bar graph of price vs variety -Magtuon muna tayo sa isang uri ng kalabasa, ang 'pie type', at tingnan ang epekto ng petsa sa presyo: +Magtuon muna tayo sa isang uri ng kalabasa, ang 'pie type', at tingnan kung ano ang epekto ng petsa sa presyo: ```python pie_pumpkins = new_pumpkins[new_pumpkins['Variety']=='PIE TYPE'] @@ -159,24 +158,24 @@ pie_pumpkins.plot.scatter('DayOfYear','Price') ``` Scatter plot of Price vs. Day of Year -Kung ngayon ay kakalkulahin natin ang korelasyon sa pagitan ng `Price` at `DayOfYear` gamit ang `corr` function, makakakuha tayo ng humigit-kumulang `-0.27` - na nangangahulugang makatuwiran ang pagsasanay ng prediktibong modelo. +Kung kakalkulahin natin ngayon ang korelasyon sa pagitan ng `Price` at `DayOfYear` gamit ang `corr` function, makakakuha tayo ng mga tulad ng `-0.27` - ibig sabihin ay may saysay ang pagsasanay ng predictive model. -> Bago mag-train ng linear regression model, mahalaga na malinis ang datos. Hindi maganda ang linear regression sa mga kulang na halaga, kaya makatuwiran na alisin ang lahat ng walang laman na cells: +> Bago magsanay ng linear regression model, mahalagang tiyakin na malinis ang ating data. Hindi maganda ang linear regression kapag may mga missing values, kaya nararapat na alisin ang lahat ng walang lamang cells: ```python pie_pumpkins.dropna(inplace=True) pie_pumpkins.info() ``` -Isa pang pamamaraan ay punan ang mga walang laman na value gamit ang average value mula sa katumbas na column. +Isa pang paraan ay punan ang mga walang laman na halaga gamit ang mean values mula sa katugmang kolum. ## Simple Linear Regression [![ML for beginners - Linear and Polynomial Regression using Scikit-learn](https://img.youtube.com/vi/e4c_UP2fSjg/0.jpg)](https://youtu.be/e4c_UP2fSjg "ML for beginners - Linear and Polynomial Regression using Scikit-learn") -> 🎥 I-click ang larawan sa itaas para sa maikling video na pagpapakilala sa linear at polynomial regression. +> 🎥 I-click ang larawan sa itaas para sa maikling video overview ng linear at polynomial regression. -Para sanayin ang ating Linear Regression model, gagamitin natin ang **Scikit-learn** library. +Para sanayin ang Linear Regression model natin, gagamitin natin ang **Scikit-learn** library. ```python from sklearn.linear_model import LinearRegression @@ -184,49 +183,49 @@ from sklearn.metrics import mean_squared_error from sklearn.model_selection import train_test_split ``` -Nagsisimula tayo sa paghihiwalay ng mga input na values (features) at ang inaasahang output (label) sa magkahiwalay na numpy arrays: +Sinisimulan natin sa paghihiwalay ng mga input values (features) at ang inaasahang output (label) sa magkahiwalay na numpy arrays: ```python X = pie_pumpkins['DayOfYear'].to_numpy().reshape(-1,1) y = pie_pumpkins['Price'] ``` -> Tandaan na kinailangang gawin ang `reshape` sa input data upang maunawaan ito nang tama ng Linear Regression package. Inaasahan ng Linear Regression ang 2D-array bilang input, kung saan ang bawat hilera ng array ay tumutugma sa isang vector ng input features. Sa ating kaso, dahil isa lang ang input — kailangan natin ng array na hugis N×1, kung saan ang N ay ang laki ng dataset. +> Tandaan na kinailangan nating gawin ang `reshape` sa input na data upang maintindihan ito ng Linear Regression package nang tama. Ang Linear Regression ay inaasahan ang 2D-array bilang input, kung saan bawat hilera ng array ay tumutukoy sa isang vector ng input na mga katangian. Sa ating kaso, dahil isa lang ang input, kailangan natin ng array na may hugis na N×1, kung saan ang N ay ang laki ng dataset. -Pagkatapos, kailangang hatiin ang data sa train at test datasets, upang ma-validate natin ang ating modelo pagkatapos i-train: +Pagkatapos, kailangan nating hatiin ang data sa train at test datasets, upang ma-validate natin ang model pagkatapos ng training: ```python X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0) ``` -Sa huli, ang pagsasanay ng tunay na Linear Regression model ay nangangailangan lamang ng dalawang linya ng code. Idefine natin ang `LinearRegression` na object, at i-fit ito sa ating data gamit ang `fit` method: +Sa wakas, ang pagsasanay ng aktwal na Linear Regression model ay ginagawa lamang sa dalawang linya ng code. Idefine natin ang `LinearRegression` object, at i-fit ito sa ating data gamit ang `fit` method: ```python lin_reg = LinearRegression() lin_reg.fit(X_train,y_train) ``` -Ang `LinearRegression` na object pagkatapos ng `fit`-ting ay naglalaman ng lahat ng coefficients ng regression, na maaaring ma-access gamit ang `.coef_` property. Sa aming kaso, may isa lamang coefficient, na dapat ay nasa paligid ng `-0.017`. Ibig sabihin nito na tila bumababa ang mga presyo nang bahagya sa paglipas ng panahon, ngunit hindi masyadong malaki, mga 2 sentimo kada araw. Maaari rin nating ma-access ang punto ng intersection ng regression sa Y-axis gamit ang `lin_reg.intercept_` - ito ay nasa paligid ng `21` sa aming kaso, na nagsasaad ng presyo sa simula ng taon. +Ang `LinearRegression` na object pagkatapos mag-`fit` ay naglalaman ng lahat ng coefficients ng regression, na maaaring ma-access gamit ang `.coef_` na property. Sa ating kaso, may isa lamang coefficient, na dapat ay nasa paligid ng `-0.017`. Ibig sabihin nito, tila bumababa ang mga presyo kasabay ng paglipas ng panahon, ngunit hindi masyadong malaki, mga 2 sentimo bawat araw. Maaari rin nating i-access ang punto ng intersection ng regression sa Y-axis gamit ang `lin_reg.intercept_` - ito ay magiging mga `21` sa ating kaso, na nagpapahiwatig ng presyo sa simula ng taon. -Para makita kung gaano katumpak ang aming modelo, maaari nating hulaan ang mga presyo sa test dataset, at sukatin kung gaano kalapit ang aming mga hula sa inaasahang mga halaga. Magagawa ito gamit ang mean square error (MSE) na metrics, na siyang mean ng lahat ng squared differences sa pagitan ng inaasahan at hinulaan na halaga. +Para makita kung gaano kasaktong ang ating modelo, maaari nating i-predict ang mga presyo sa test dataset, at pagkatapos ay sukatin kung gaano kalapit ang ating mga prediction sa inaasahang mga halaga. Maaari itong gawin gamit ang root mean square error (RMSE) metrics, na siyang root ng mean ng lahat ng squared differences sa pagitan ng inaasahan at predicted na halaga. ```python pred = lin_reg.predict(X_test) -mse = np.sqrt(mean_squared_error(y_test,pred)) -print(f'Mean error: {mse:3.3} ({mse/np.mean(pred)*100:3.3}%)') +rmse = np.sqrt(mean_squared_error(y_test,pred)) +print(f'RMSE: {rmse:3.3} ({rmse/np.mean(pred)*100:3.3}%)') ``` -Ang aming error ay tila nasa paligid ng 2 puntos, na ~17%. Hindi masyadong maganda. Isa pang pananda ng kalidad ng modelo ay ang **coefficient of determination**, na maaaring makuha sa ganitong paraan: +Ang ating error ay tila nasa paligid ng 2 puntos, na mga ~17%. Hindi masyadong maganda. Isa pang tagapagpahiwatig ng kalidad ng modelo ay ang **coefficient of determination**, na maaaring makuha nang ganito: ```python score = lin_reg.score(X_train,y_train) print('Model determination: ', score) ``` -Kung ang halaga ay 0, ibig sabihin ay hindi tinatanggap ng modelo ang input data, at kumikilos bilang *pinakamasamang linear predictor*, na isang mean value ng resulta. Ang halaga na 1 ay nangangahulugan na perpektong mahuhulaan natin lahat ng inaasahang output. Sa aming kaso, ang coefficient ay nasa paligid ng 0.06, na medyo mababa. +Kung ang halaga ay 0, ibig sabihin ay hindi isinasaalang-alang ng modelo ang input data, at kumikilos bilang *pinakapangit na linear predictor*, na simpleng mean value ng resulta. Ang halaga na 1 ay nangangahulugang maaari nating perpektong mahulaan ang lahat ng inaasahang output. Sa ating kaso, ang coefficient ay mga 0.06, na medyo mababa. -Maaari rin nating i-plot ang test data kasama ang regression line para mas makita kung paano gumagana ang regression sa aming kaso: +Maaari rin nating i-plot ang test data kasama ang regression line upang mas makita nang mabuti kung paano gumagana ang regression sa ating kaso: ```python plt.scatter(X_test,y_test) @@ -237,17 +236,17 @@ plt.plot(X_test,pred) ## Polynomial Regression -Isa pang uri ng Linear Regression ay ang Polynomial Regression. Habang minsan ay may linear na relasyon sa pagitan ng mga variable - mas malaki ang volume ng kalabasa, mas mataas ang presyo - may mga pagkakataon din na hindi maaaring i-plot ang mga relasyong ito bilang isang eroplano o tuwid na linya. +Isa pang uri ng Linear Regression ay Polynomial Regression. Habang minsan ay may linear na relasyon sa pagitan ng mga variable - mas malaki ang kalabasa sa volume, mas mataas ang presyo - minsan hindi maaaring i-plot ang mga relasyong ito bilang isang patag o tuwid na linya. ✅ Narito ang [ilang karagdagang halimbawa](https://online.stat.psu.edu/stat501/lesson/9/9.8) ng data na maaaring gumamit ng Polynomial Regression -Balikan ang relasyon sa pagitan ng Date at Price. Tila ba ang scatterplot na ito ay kailangan talagang suriin gamit ang tuwid na linya? Hindi ba maaaring magbago-bago ang presyo? Sa ganitong kaso, maaari mong subukan ang polynomial regression. +Tingnan pang muli ang relasyon sa pagitan ng Date at Price. Para bang ang scatterplot ba ay dapat talagang suriin gamit ang tuwid na linya? Hindi ba maaaring mag-fluctuate ang mga presyo? Sa kasong ito, maaari mong subukan ang polynomial regression. -✅ Ang mga polynomials ay mga matematikal na ekspresyon na maaaring binubuo ng isa o higit pang mga variable at coefficient +✅ Ang mga polynomial ay mga matematikal na ekspresyon na maaaring binubuo ng isa o higit pang mga variable at coefficients -Lumilikha ang polynomial regression ng isang kurbadong linya para mas maayos na maangkop ang nonlinear na data. Sa aming kaso, kung isasama natin ang squared na variable na `DayOfYear` sa input data, dapat nating maangkop ang data sa parabolic curve, na magkakaroon ng pinakamaliit na punto sa loob ng taon. +Ang polynomial regression ay lumilikha ng kurbadang linya upang mas maiangkop ang nonlinear na data. Sa ating kaso, kung isasama natin ang squared `DayOfYear` na variable sa input data, dapat nating magawang i-fit ang ating data gamit ang parabolic curve, na magkakaroon ng minimum sa isang tiyak na punto sa loob ng taon. -Kasama sa Scikit-learn ang kapaki-pakinabang na [pipeline API](https://scikit-learn.org/stable/modules/generated/sklearn.pipeline.make_pipeline.html?highlight=pipeline#sklearn.pipeline.make_pipeline) para pagsamahin ang iba't ibang hakbang ng pagpoproseso ng data. Ang **pipeline** ay isang kadena ng **estimators**. Sa aming kaso, gagawa tayo ng pipeline na unang magdaragdag ng polynomial features sa modelo, at saka magsasanay ng regression: +Kasama sa Scikit-learn ang kapaki-pakinabang na [pipeline API](https://scikit-learn.org/stable/modules/generated/sklearn.pipeline.make_pipeline.html?highlight=pipeline#sklearn.pipeline.make_pipeline) upang pagsamahin ang iba't ibang mga hakbang ng data processing. Ang **pipeline** ay isang chain ng **estimators**. Sa ating kaso, gagawa tayo ng pipeline na unang nagdaragdag ng polynomial features sa ating modelo, at pagkatapos ay nagtetrain ng regression: ```python from sklearn.preprocessing import PolynomialFeatures @@ -258,36 +257,36 @@ pipeline = make_pipeline(PolynomialFeatures(2), LinearRegression()) pipeline.fit(X_train,y_train) ``` -Ang paggamit ng `PolynomialFeatures(2)` ay nangangahulugan na isasama natin lahat ng second-degree polynomials mula sa input data. Sa aming kaso, ito ay nangangahulugan lamang ng `DayOfYear`2, ngunit kung may dalawang input variables na X at Y, ito ay magdadagdag ng X2, XY at Y2. Maaari rin tayong gumamit ng mas mataas na degree na mga polynomials kung nais. +Ang paggamit ng `PolynomialFeatures(2)` ay nangangahulugan na isasama natin ang lahat ng second-degree polynomials mula sa input data. Sa ating kaso, ito ay nangangahulugang `DayOfYear`2 lamang, ngunit kung merong dalawang input na variable na X at Y, ito ay magdaragdag ng X2, XY at Y2. Maaari din nating gamitin ang mga polynomial ng mas mataas na degree kung nais natin. -Maaaring gamitin ang Pipelines sa parehong paraan tulad ng orihinal na `LinearRegression` na object, ibig sabihin maaari nating `fit` ang pipeline, at pagkatapos ay gamitin ang `predict` para makuha ang mga resulta ng hula. Narito ang graph na nagpapakita ng test data, at ng approximation curve: +Maaaring gamitin ang mga pipelines sa parehong paraan tulad ng orihinal na `LinearRegression` object, ibig sabihin maaari nating `fit` ang pipeline, at pagkatapos ay gamitin ang `predict` upang makuha ang mga resulta ng prediction. Narito ang graph na nagpapakita ng test data, at ang approximation curve: Polynomial regression -Sa paggamit ng Polynomial Regression, makakakuha tayo ng bahagyang mas mababang MSE at mas mataas na coefficient of determination, ngunit hindi nang malaki. Kailangan nating isaalang-alang ang iba pang mga feature! +Gamit ang Polynomial Regression, makakakuha tayo ng bahagyang mas mababang MSE at mas mataas na coefficient of determination, ngunit hindi gaanong malaki ang kaibahan. Kailangan nating isaalang-alang ang ibang mga features! -> Makikita mo na ang pinakamababang presyo ng kalabasa ay nakikita halos sa paligid ng Halloween. Paano mo ito maipapaliwanag? +> Makikita mo na ang pinakamababang presyo ng kalabasa ay naobserbahan sa paligid ng Halloween. Paano mo ito maipapaliwanag? -🎃 Congratulations, nakagawa ka lang ng modelong makakatulong hulaan ang presyo ng pie pumpkins. Marahil ay maaari mong ulitin ang parehas na proseso para sa lahat ng uri ng kalabasa, ngunit ito ay magiging mahirap. Alamin natin ngayon kung paano isaalang-alang ang pagkakaiba ng uri ng kalabasa sa ating modelo! +🎃 Congratulations, kakagawa mo lang ng isang modelo na makakatulong mag-predict ng presyo ng pie pumpkins. Maaari mong ulitin ang parehong proseso para sa lahat ng uri ng kalabasa, ngunit ito ay magiging mahirap. Alamin natin ngayon kung paano isaalang-alang ang iba't ibang uri ng kalabasa sa ating modelo! ## Categorical Features -Sa perpektong mundo, nais nating mahulaan ang mga presyo para sa iba't ibang uri ng kalabasa gamit ang parehong modelo. Gayunpaman, ang column na `Variety` ay iba mula sa mga column tulad ng `Month`, dahil naglalaman ito ng mga non-numeric na halaga. Ang ganitong mga column ay tinatawag na **categorical**. +Sa perpektong mundo, gusto nating makapag-predict ng presyo para sa iba't ibang variety ng kalabasa gamit ang parehong modelo. Ngunit, ang column na `Variety` ay medyo iba sa mga column tulad ng `Month`, dahil naglalaman ito ng mga non-numeric na halaga. Ang mga ganitong uri ng column ay tinatawag na **categorical**. [![ML for beginners - Categorical Feature Predictions with Linear Regression](https://img.youtube.com/vi/DYGliioIAE0/0.jpg)](https://youtu.be/DYGliioIAE0 "ML for beginners - Categorical Feature Predictions with Linear Regression") -> 🎥 I-click ang larawan sa itaas para sa maikling video overview tungkol sa paggamit ng categorical features. +> 🎥 I-click ang larawan sa itaas para sa isang maikling video overview ng paggamit ng categorical features. -Dito makikita kung paano nakadepende ang average na presyo sa variety: +Dito makikita mo kung paano ang average price ay nakasalalay sa variety: Average price by variety -Para isaalang-alang ang variety, kailangan muna natin itong i-convert sa numeric form, o **i-encode**. Mayroong ilang paraan kung paano ito gagawin: +Para isaalang-alang ang variety, kailangan muna natin itong i-convert sa numeric na anyo, o **i-encode** ito. May ilang paraan kung paano natin ito magagawa: -* Ang simple **numeric encoding** ay gagawa ng table ng iba't ibang varieties, at papalitan ang pangalan ng variety ng isang index sa table na iyon. Hindi ito magandang ideya para sa linear regression, dahil tinatanggap ng linear regression ang aktwal na numeric value ng index, at dinadagdagan ito sa resulta, na pinararami ng isang coefficient. Sa aming kaso, malinaw na hindi linear ang relasyon sa pagitan ng index number at presyo, kahit pa siguraduhin nating nakaayos ang mga indices sa isang partikular na paraan. -* Ang **one-hot encoding** ay papalitan ang column na `Variety` ng 4 na hiwalay na mga column, isa para sa bawat variety. Bawat column ay magkakaroon ng `1` kung ang katumbas na row ay isang partikular na variety, at `0` naman kung hindi. Nangangahulugan ito na magkakaroon ng apat na coefficients sa linear regression, isa para sa bawat uri ng kalabasa, na siyang responsable para sa "simula na presyo" (o mas tamang sabihin ay "karagdagang presyo") para sa partikular na variety na iyon. +* Ang simpleng **numeric encoding** ay gagawa ng talaan ng iba't ibang variety, at pagkatapos ay papalitan ang pangalan ng variety ng isang index sa talaang iyon. Hindi ito pinakamagandang ideya para sa linear regression, dahil ang linear regression ay kumukuha ng aktwal na numeric value ng index, at ina-add ito sa resulta, na minamultiply ng isang coefficient. Sa ating kaso, ang relasyon sa pagitan ng bilang ng index at presyo ay malinaw na hindi linear, kahit na siguraduhin natin na ang mga index ay nakaayos sa isang tiyak na paraan. +* Ang **one-hot encoding** ay papalitan ang `Variety` column ng 4 na magkakaibang columns, isa para sa bawat variety. Bawat column ay magkakaroon ng `1` kung ang katumbas na row ay nasa isang partikular na variety, at `0` kung hindi. Ibig sabihin nito ay magkakaroon ng apat na coefficients sa linear regression, isa para sa bawat variety ng kalabasa, na responsable para sa "starting price" (o mas tama "karagdagang presyo") para sa partikular na variety na iyon. -Ipinapakita ng code sa ibaba kung paano tayo mag-one-hot encode ng variety: +Ipinapakita ng code sa ibaba kung paano natin mae-one-hot encode ang variety: ```python pd.get_dummies(new_pumpkins['Variety']) @@ -304,14 +303,14 @@ pd.get_dummies(new_pumpkins['Variety']) 1741 | 0 | 1 | 0 | 0 1742 | 0 | 1 | 0 | 0 -Para magsanay ng linear regression gamit ang one-hot encoded variety bilang input, kailangan lang nating i-initialize nang tama ang `X` at `y` data: +Para mag-train ng linear regression gamit ang one-hot encoded na variety bilang input, kailangan lang nating i-initialize ang `X` at `y` na data nang tama: ```python X = pd.get_dummies(new_pumpkins['Variety']) y = new_pumpkins['Price'] ``` -Ang iba pang bahagi ng code ay pareho ng ginamit natin sa itaas para magsanay ng Linear Regression. Kapag sinubukan mo ito, makikita mo na ang mean squared error ay halos pareho, ngunit nakakakuha tayo ng mas mataas na coefficient of determination (~77%). Para makakuha ng mas tumpak na mga hula, maaari nating isaalang-alang ang mas maraming categorical features, pati na rin ang numeric features, tulad ng `Month` o `DayOfYear`. Para makuha ang isang malaking array ng features, maaari nating gamitin ang `join`: +Ang natitirang bahagi ng code ay pareho sa ginamit natin sa itaas para mag-train ng Linear Regression. Kung susubukan mo ito, makikita mo na halos pareho ang mean squared error, ngunit makakakuha tayo ng mas mataas na coefficient of determination (~77%). Para makakuha pa ng mas tumpak na predictions, maaari nating isaalang-alang ang mas maraming categorical na features, pati na rin ang numeric na features, tulad ng `Month` o `DayOfYear`. Para makuha ang isang malaking array ng features, maaari nating gamitin ang `join`: ```python X = pd.get_dummies(new_pumpkins['Variety']) \ @@ -321,24 +320,24 @@ X = pd.get_dummies(new_pumpkins['Variety']) \ y = new_pumpkins['Price'] ``` -Dito isinasaalang-alang din natin ang `City` at uri ng `Package`, na nagbibigay sa atin ng MSE na 2.84 (10%), at determination na 0.94! +Dito isinaalang-alang din natin ang `City` at uri ng `Package`, na nagbigay sa atin ng MSE 2.84 (10%), at determination na 0.94! -## Pinagsasama-sama +## Pagsasama-sama ng lahat -Para makagawa ng pinakamahusay na modelo, maaari nating pagsamahin (one-hot encoded categorical + numeric) data mula sa halimbawa sa itaas kasabay ng Polynomial Regression. Narito ang kumpletong code para sa iyong kaginhawaan: +Para makagawa ng pinakamahusay na modelo, maaari nating gamitin ang pinagsamang (one-hot encoded categorical + numeric) data mula sa halimbawa sa itaas kasabay ng Polynomial Regression. Narito ang buong code para sa iyong kaginhawaan: ```python -# ihanda ang datos para sa pagsasanay +# ayusin ang data para sa pagsasanay X = pd.get_dummies(new_pumpkins['Variety']) \ .join(new_pumpkins['Month']) \ .join(pd.get_dummies(new_pumpkins['City'])) \ .join(pd.get_dummies(new_pumpkins['Package'])) y = new_pumpkins['Price'] -# gumawa ng paghahati sa pagsasanay at pagsubok +# gawin ang hati ng pagsasanay-pagsubok X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0) -# i-setup at sanayin ang pipeline +# ayusin at sanayin ang pipeline pipeline = make_pipeline(PolynomialFeatures(2), LinearRegression()) pipeline.fit(X_train,y_train) @@ -353,36 +352,36 @@ score = pipeline.score(X_train,y_train) print('Model determination: ', score) ``` -Ito ay dapat magbigay sa atin ng pinakamataas na coefficient of determination na halos 97%, at MSE=2.23 (~8% na error sa prediksyon). +Dapat magbigay ito sa atin ng pinakamagandang coefficient of determination na halos 97%, at MSE=2.23 (~8% na prediction error). -| Modelo | MSE | Determination | +| Model | MSE | Determination | |-------|-----|---------------| | `DayOfYear` Linear | 2.77 (17.2%) | 0.07 | | `DayOfYear` Polynomial | 2.73 (17.0%) | 0.08 | | `Variety` Linear | 5.24 (19.7%) | 0.77 | -| Lahat ng feature Linear | 2.84 (10.5%) | 0.94 | -| Lahat ng feature Polynomial | 2.23 (8.25%) | 0.97 | +| All features Linear | 2.84 (10.5%) | 0.94 | +| All features Polynomial | 2.23 (8.25%) | 0.97 | -🏆 Magaling! Nakagawa ka ng apat na Regression na modelo sa isang leksiyon, at napabuti ang kalidad ng modelo sa 97%. Sa huling bahagi tungkol sa Regression, matututuhan mo ang tungkol sa Logistic Regression para magtakda ng mga kategorya. +🏆 Magaling! Nakagawa ka ng apat na Regression models sa isang aralin, at napabuti ang kalidad ng modelo hanggang 97%. Sa huling bahagi tungkol sa Regression, matututuhan mo ang tungkol sa Logistic Regression para tukuyin ang mga kategorya. --- -## 🚀Hamong Gawain +## 🚀Challenge -Subukan ang ilang iba't ibang variables sa notebook na ito para makita kung paano nauugnay ang correlation sa katumpakan ng modelo. +Subukan ang ilang iba't ibang mga variable sa notebook na ito upang makita kung paano ang korelasyon ay tumutugma sa katumpakan ng modelo. ## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ml/) -## Repasuhin at Pag-aaral sa Sarili +## Review & Self Study -Sa leksyong ito ay natutuhan natin ang tungkol sa Linear Regression. May iba pang mahahalagang uri ng Regression. Basahin tungkol sa Stepwise, Ridge, Lasso at Elasticnet na mga pamamaraan. Isang magandang kurso para pag-aralan ay ang [Stanford Statistical Learning course](https://online.stanford.edu/courses/sohs-ystatslearning-statistical-learning) +Sa araling ito natutunan natin ang tungkol sa Linear Regression. May iba pang mahahalagang uri ng Regression. Basahin tungkol sa Stepwise, Ridge, Lasso at Elasticnet techniques. Isang magandang kurso para pag-aralan upang matuto nang higit pa ay ang [Stanford Statistical Learning course](https://online.stanford.edu/courses/sohs-ystatslearning-statistical-learning) -## Takdang Aralin +## Assignment [Build a Model](assignment.md) --- -**Paalala**: -Ang dokumentong ito ay isinalin gamit ang serbisyong AI na pagsasalin na [Co-op Translator](https://github.com/Azure/co-op-translator). Bagamat nagsusumikap kaming maging tumpak, pakatandaan na maaaring may mga pagkakamali o di-tiyak na bahagi ang awtomatikong pagsasalin. Ang orihinal na dokumento sa orihinal nitong wika ang dapat ituring na opisyal na sanggunian. Para sa mahahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagutan sa anumang hindi pagkakaunawaan o maling interpretasyon na maaaring magmula sa paggamit ng pagsasaling ito. +**Paunawa**: +Ang dokumentong ito ay isinalin gamit ang AI translation service na [Co-op Translator](https://github.com/Azure/co-op-translator). Bagamat aming nilalayon ang katumpakan, pakatandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o di-katumpakan. Ang orihinal na dokumento sa orihinal nitong wika ang dapat ituring na pangunahing sanggunian. Para sa mahahalagang impormasyon, inirerekomenda ang propesyonal na pagsasaling-tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na maaaring magmula sa paggamit ng pagsasaling ito. \ No newline at end of file diff --git a/translations/tl/4-Classification/2-Classifiers-1/README.md b/translations/tl/4-Classification/2-Classifiers-1/README.md index 605897c3b..7cc52da27 100644 --- a/translations/tl/4-Classification/2-Classifiers-1/README.md +++ b/translations/tl/4-Classification/2-Classifiers-1/README.md @@ -1,17 +1,17 @@ -# Mga Classifier ng Lutuin 1 +# Cuisine classifiers 1 -Sa araling ito, gagamitin mo ang dataset na na-save mo mula sa nakaraang aralin na puno ng balanseng, malinis na datos tungkol sa mga lutuin. +Sa leksiyong ito, gagamitin mo ang dataset na iyong in-save mula sa nakaraang leksiyon na puno ng balanseng, malinis na datos tungkol sa mga lutuin. -Gagamitin mo ang dataset na ito gamit ang iba't ibang classifier upang _hulaan ang isang pambansang lutuin batay sa isang grupo ng mga sangkap_. Habang ginagawa ito, matututo ka pa tungkol sa ilang paraan kung paano magagamit ang mga algorithm para sa mga gawain ng klasipikasyon. +Gagamitin mo ang dataset na ito sa iba't ibang classifiers upang _hulaan ang isang pambansang lutuin batay sa isang grupo ng mga sangkap_. Habang ginagawa ito, matututo ka pa tungkol sa ilang paraan kung paano magagamit ang mga algorithm para sa mga classification na gawain. ## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ml/) -# Paghahanda +# Preparation -Kung natapos mo na ang [Aralin 1](../1-Introduction/README.md), tiyakin na mayroong _cleaned_cuisines.csv_ file sa root `/data` folder para sa apat na araling ito. +Kung natapos mo na ang [Lesson 1](../1-Introduction/README.md), siguraduhing may _cleaned_cuisines.csv_ na file sa root `/data` folder para sa apat na leksiyon na ito. -## Ehersisyo - hulaan ang pambansang lutuin +## Exercise - hulaan ang isang pambansang lutuin -1. Sa folder ng _notebook.ipynb_ ng araling ito, i-import ang file na iyon kasama ang Pandas library: +1. Sa paglulunsad ng leksiyon na ito sa _notebook.ipynb_ folder, i-import ang file kasama ng Pandas library: ```python import pandas as pd @@ -19,7 +19,7 @@ Kung natapos mo na ang [Aralin 1](../1-Introduction/README.md), tiyakin na mayro cuisines_df.head() ``` - Ganito ang hitsura ng data: + Ganito ang hitsura ng datos: | | Unnamed: 0 | cuisine | almond | angelica | anise | anise_seed | apple | apple_brandy | apricot | armagnac | ... | whiskey | white_bread | white_wine | whole_grain_wheat_flour | wine | wood | yam | yeast | yogurt | zucchini | | --- | ---------- | ------- | ------ | -------- | ----- | ---------- | ----- | ------------ | ------- | -------- | --- | ------- | ----------- | ---------- | ----------------------- | ---- | ---- | --- | ----- | ------ | -------- | @@ -30,7 +30,7 @@ Kung natapos mo na ang [Aralin 1](../1-Introduction/README.md), tiyakin na mayro | 4 | 4 | indian | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | -1. Ngayon, i-import ang ilang karagdagang library: +1. Ngayon, mag-import ng ilan pang mga library: ```python from sklearn.linear_model import LogisticRegression @@ -40,7 +40,7 @@ Kung natapos mo na ang [Aralin 1](../1-Introduction/README.md), tiyakin na mayro import numpy as np ``` -1. Hatiin ang X at y coordinates sa dalawang dataframe para sa training. Ang `cuisine` ay maaaring maging labels dataframe: +1. Hatiin ang X at y coordinates sa dalawang dataframes para sa training. Ang `cuisine` ay pwedeng gawing labels dataframe: ```python cuisines_label_df = cuisines_df['cuisine'] @@ -58,7 +58,7 @@ Kung natapos mo na ang [Aralin 1](../1-Introduction/README.md), tiyakin na mayro Name: cuisine, dtype: object ``` -1. I-drop ang `Unnamed: 0` column at ang `cuisine` column gamit ang `drop()`. I-save ang natitirang data bilang mga trainable features: +1. I-drop ang `Unnamed: 0` na column at ang `cuisine` na column gamit ang `drop()`. I-save ang natitirang data bilang trainable features: ```python cuisines_feature_df = cuisines_df.drop(['Unnamed: 0', 'cuisine'], axis=1) @@ -75,13 +75,13 @@ Kung natapos mo na ang [Aralin 1](../1-Introduction/README.md), tiyakin na mayro | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | | 4 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | -Ngayon handa ka nang i-train ang iyong modelo! +Handa ka nang i-train ang iyong modelo! -## Pagpili ng classifier +## Pagpili ng iyong classifier -Ngayon na malinis na ang iyong data at handa na para sa training, kailangan mong magdesisyon kung anong algorithm ang gagamitin para sa trabaho. +Ngayon na malinis at handa na ang iyong datos para sa training, kailangan mong pumili kung anong algorithm ang gagamitin para sa gawain. -Ang Scikit-learn ay nagkakategorya ng klasipikasyon sa ilalim ng Supervised Learning, at sa kategoryang iyon makakakita ka ng maraming paraan upang mag-classify. [Ang iba't ibang pamamaraan](https://scikit-learn.org/stable/supervised_learning.html) ay maaaring nakakalito sa unang tingin. Ang mga sumusunod na pamamaraan ay lahat may kasamang mga teknik sa klasipikasyon: +Pinasasaklaw ng Scikit-learn ang classification sa ilalim ng Supervised Learning, at sa kategoryang iyon makikita mo ang maraming paraan upang magklasipika. [Ang iba't ibang uri](https://scikit-learn.org/stable/supervised_learning.html) ay nakakahilo sa unang tingin. Kasama sa mga sumusunod na paraan ang iba’t ibang teknik para sa classification: - Linear Models - Support Vector Machines @@ -92,68 +92,68 @@ Ang Scikit-learn ay nagkakategorya ng klasipikasyon sa ilalim ng Supervised Lear - Ensemble methods (voting Classifier) - Multiclass at multioutput algorithms (multiclass at multilabel classification, multiclass-multioutput classification) -> Maaari ka ring gumamit ng [neural networks upang mag-classify ng data](https://scikit-learn.org/stable/modules/neural_networks_supervised.html#classification), ngunit ito ay labas sa saklaw ng araling ito. +> Maaari mo ring gamitin ang [neural networks para magklasipika ng datos](https://scikit-learn.org/stable/modules/neural_networks_supervised.html#classification), ngunit ito ay lampas sa saklaw ng leksiyong ito. -### Anong classifier ang gagamitin? +### Alin ang classifier na pipiliin? -Kaya, aling classifier ang dapat mong piliin? Madalas, ang pagsubok sa ilang classifier at paghahanap ng magandang resulta ay isang paraan upang mag-test. Ang Scikit-learn ay nag-aalok ng [side-by-side comparison](https://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html) sa isang nilikhang dataset, na ikinukumpara ang KNeighbors, SVC dalawang paraan, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB at QuadraticDiscrinationAnalysis, na ipinapakita ang mga resulta sa visual na paraan: +Kaya, alin nga ba ang classifier na pipiliin mo? Madalas, ang pagtakbo ng ilan at paghahanap ng magandang resulta ay isang paraan ng pagsubok. Nagbibigay ang Scikit-learn ng [side-by-side comparison](https://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html) sa isang ginawa na dataset, na ikinukumpara ang KNeighbors, SVC sa dalawang paraan, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB at QuadraticDiscrinationAnalysis, na ipinapakita ang mga resulta na na-visualize: -![comparison of classifiers](../../../../4-Classification/2-Classifiers-1/images/comparison.png) -> Mga plot na nilikha mula sa dokumentasyon ng Scikit-learn +![comparison of classifiers](../../../../translated_images/tl/comparison.edfab56193a85e7f.webp) +> Mga plot na ginawa mula sa dokumentasyon ng Scikit-learn -> Ang AutoML ay maayos na nilulutas ang problemang ito sa pamamagitan ng pagtakbo ng mga paghahambing sa cloud, na nagbibigay-daan sa iyo upang piliin ang pinakamahusay na algorithm para sa iyong data. Subukan ito [dito](https://docs.microsoft.com/learn/modules/automate-model-selection-with-azure-automl/?WT.mc_id=academic-77952-leestott) +> Nilulutas ng AutoML ang problemang ito nang maayos sa pamamagitan ng pagpapatakbo ng mga paghahambing na ito sa cloud, na nagbibigay-daan sa iyo upang piliin ang pinakamahusay na algorithm para sa iyong datos. Subukan ito [dito](https://docs.microsoft.com/learn/modules/automate-model-selection-with-azure-automl/?WT.mc_id=academic-77952-leestott) -### Isang mas mahusay na paraan +### Isang mas mabuting pamamaraan -Isang mas mahusay na paraan kaysa sa random na paghula ay ang sundin ang mga ideya sa downloadable na [ML Cheat sheet](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott). Dito, matutuklasan natin na, para sa ating multiclass na problema, mayroon tayong ilang mga pagpipilian: +Isang mas mabuting paraan, kaysa sa bulag na paghuhula, ay ang sundin ang mga ideya sa nai-download na [ML Cheat sheet](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott). Dito, natuklasan natin na, para sa ating multiclass na problema, may ilang pagpipilian tayo: -![cheatsheet for multiclass problems](../../../../4-Classification/2-Classifiers-1/images/cheatsheet.png) -> Isang bahagi ng Algorithm Cheat Sheet ng Microsoft, na nagdedetalye ng mga opsyon para sa multiclass classification +![cheatsheet for multiclass problems](../../../../translated_images/tl/cheatsheet.07a475ea444d2223.webp) +> Isang bahagi ng Microsoft's Algorithm Cheat Sheet, na nagpapaliwanag ng mga pagpipilian para sa multiclass classification -✅ I-download ang cheat sheet na ito, i-print ito, at isabit sa iyong dingding! +✅ I-download ang cheat sheet na ito, i-print at idikit sa iyong dingding! ### Pangangatwiran -Tingnan natin kung kaya nating mag-isip ng iba't ibang paraan batay sa mga limitasyon na mayroon tayo: +Subukan nating hasain ang ating pag-iisip sa iba't ibang pamamaraan sa ibinigay na mga limitasyon natin: -- **Masyadong mabigat ang neural networks**. Dahil sa malinis ngunit minimal na dataset, at ang katotohanan na tayo ay nagta-training nang lokal gamit ang notebooks, masyadong mabigat ang neural networks para sa gawaing ito. -- **Walang two-class classifier**. Hindi tayo gagamit ng two-class classifier, kaya hindi natin gagamitin ang one-vs-all. -- **Maaaring gumana ang decision tree o logistic regression**. Maaaring gumana ang decision tree, o logistic regression para sa multiclass na data. -- **Ang Multiclass Boosted Decision Trees ay para sa ibang problema**. Ang multiclass boosted decision tree ay pinakaangkop para sa mga nonparametric na gawain, halimbawa mga gawain na idinisenyo upang bumuo ng rankings, kaya hindi ito kapaki-pakinabang para sa atin. +- **Masyadong mabigat ang neural networks**. Dahil sa malinis ngunit minimal na dataset, at sapagkat nagpapatakbo tayo ng training nang lokal sa pamamagitan ng mga notebook, masyadong mabigat para sa gawain ito ang neural networks. +- **Walang two-class classifier**. Hindi natin ginagamit ang two-class classifier, kaya hindi nito kasama ang one-vs-all. +- **Maaaring gumana ang decision tree o logistic regression**. Maaaring gumana ang decision tree, o logistic regression para sa multiclass na datos. +- **Iba ang nilulutas ng Multiclass Boosted Decision Trees**. Ang multiclass boosted decision tree ay mas angkop para sa mga nonparametric na gawain, hal. gawain na nilalayong bumuo ng mga ranggo, kaya hindi ito kapaki-pakinabang para sa atin. -### Paggamit ng Scikit-learn +### Paggamit ng Scikit-learn -Gagamitin natin ang Scikit-learn upang suriin ang ating data. Gayunpaman, maraming paraan upang gamitin ang logistic regression sa Scikit-learn. Tingnan ang [mga parameter na maaaring ipasa](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html?highlight=logistic%20regressio#sklearn.linear_model.LogisticRegression). +Gagamitin natin ang Scikit-learn para suriin ang ating datos. Gayunpaman, maraming paraan upang gamitin ang logistic regression sa Scikit-learn. Tingnan ang [mga parameter na ipapasa](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html?highlight=logistic%20regressio#sklearn.linear_model.LogisticRegression). -May dalawang mahalagang parameter - `multi_class` at `solver` - na kailangan nating tukuyin kapag hinihiling natin sa Scikit-learn na magsagawa ng logistic regression. Ang `multi_class` value ay nag-aaplay ng tiyak na behavior. Ang value ng solver ay ang algorithm na gagamitin. Hindi lahat ng solver ay maaaring ipares sa lahat ng `multi_class` values. +Sa pangkalahatan may dalawang mahahalagang parameter - `multi_class` at `solver` - na kailangang tukuyin kapag hilingin natin sa Scikit-learn na magsagawa ng logistic regression. Ang halaga ng `multi_class` ay nag-aaplay ng isang tiyak na pag-uugali. Ang halaga ng solver ay kung anong algorithm ang gagamitin. Hindi lahat ng solvers ay maaaring gamitin sa lahat ng `multi_class` na halaga. Ayon sa dokumentasyon, sa multiclass na kaso, ang training algorithm: -- **Gumagamit ng one-vs-rest (OvR) scheme**, kung ang `multi_class` option ay nakatakda sa `ovr` -- **Gumagamit ng cross-entropy loss**, kung ang `multi_class` option ay nakatakda sa `multinomial`. (Sa kasalukuyan ang `multinomial` option ay sinusuportahan lamang ng ‘lbfgs’, ‘sag’, ‘saga’ at ‘newton-cg’ solvers.)" +- **Gumagamit ng one-vs-rest (OvR) scheme**, kung ang `multi_class` ay naka-set sa `ovr` +- **Gumagamit ng cross-entropy loss**, kung ang `multi_class` ay naka-set sa `multinomial`. (Sa kasalukuyan, ang `multinomial` ay sinusuportahan lamang ng ‘lbfgs’, ‘sag’, ‘saga’ at ‘newton-cg’ na solvers.)" -> 🎓 Ang 'scheme' dito ay maaaring 'ovr' (one-vs-rest) o 'multinomial'. Dahil ang logistic regression ay talagang idinisenyo upang suportahan ang binary classification, ang mga scheme na ito ay nagbibigay-daan dito upang mas mahusay na hawakan ang multiclass classification tasks. [source](https://machinelearningmastery.com/one-vs-rest-and-one-vs-one-for-multi-class-classification/) +> 🎓 Ang 'scheme' dito ay maaaring 'ovr' (one-vs-rest) o 'multinomial'. Dahil ang logistic regression ay dinisenyo talaga para sa binary classification, pinahihintulutan ng mga scheme na ito na mas mahusay itong makayanan ang multiclass classification tasks. [source](https://machinelearningmastery.com/one-vs-rest-and-one-vs-one-for-multi-class-classification/) > 🎓 Ang 'solver' ay tinukoy bilang "ang algorithm na gagamitin sa optimization problem". [source](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html?highlight=logistic%20regressio#sklearn.linear_model.LogisticRegression). -Nag-aalok ang Scikit-learn ng talahanayan na ito upang ipaliwanag kung paano hinahawakan ng mga solver ang iba't ibang hamon na ipinapakita ng iba't ibang uri ng data structures: +Nag-aalok ang Scikit-learn ng talahanayan upang ipaliwanag kung paano hinahandle ng mga solvers ang iba't ibang hamon na dala ng iba't ibang uri ng istruktura ng datos: -![solvers](../../../../4-Classification/2-Classifiers-1/images/solvers.png) +![solvers](../../../../translated_images/tl/solvers.5fc648618529e627.webp) -## Ehersisyo - hatiin ang data +## Exercise - hatiin ang datos -Maaari tayong mag-focus sa logistic regression para sa ating unang training trial dahil kamakailan mo itong natutunan sa nakaraang aralin. -Hatiin ang iyong data sa training at testing groups sa pamamagitan ng pagtawag sa `train_test_split()`: +Maaari tayong magpokus sa logistic regression para sa ating unang trial ng training dahil kamakailan mo lang itong natutunan sa isang naunang leksiyon. +Hatiin ang iyong datos sa training at testing na mga grupo gamit ang `train_test_split()`: ```python X_train, X_test, y_train, y_test = train_test_split(cuisines_feature_df, cuisines_label_df, test_size=0.3) ``` -## Ehersisyo - gamitin ang logistic regression +## Exercise - ilapat ang logistic regression -Dahil gumagamit ka ng multiclass case, kailangan mong pumili kung anong _scheme_ ang gagamitin at kung anong _solver_ ang itatakda. Gumamit ng LogisticRegression na may multiclass setting at ang **liblinear** solver para sa training. +Dahil ginagamit mo ang multiclass na kaso, kailangan mong pumili kung anong _scheme_ ang gagamitin at anong _solver_ ang ise-set. Gamitin ang LogisticRegression na may multiclass setting at ang **liblinear** solver para mag-train. -1. Gumawa ng logistic regression na may multi_class na nakatakda sa `ovr` at ang solver na nakatakda sa `liblinear`: +1. Gumawa ng logistic regression na naka-set ang multi_class sa `ovr` at ang solver sa `liblinear`: ```python lr = LogisticRegression(multi_class='ovr',solver='liblinear') @@ -163,27 +163,28 @@ Dahil gumagamit ka ng multiclass case, kailangan mong pumili kung anong _scheme_ print ("Accuracy is {}".format(accuracy)) ``` - ✅ Subukan ang ibang solver tulad ng `lbfgs`, na madalas na nakatakda bilang default -> Tandaan, gamitin ang Pandas [`ravel`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.ravel.html) na function upang i-flatten ang iyong data kapag kinakailangan. -Ang katumpakan ay maganda sa higit **80%**! + ✅ Subukan ang ibang solver tulad ng `lbfgs`, na madalas na default na ginagamit -1. Makikita mo ang modelong ito sa aksyon sa pamamagitan ng pagsubok sa isang hilera ng data (#50): + > Tandaan, gamitin ang Pandas [`ravel`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.ravel.html) function para i-flatten ang iyong datos kapag kailangan. + + Maganda ang accuracy, higit sa **80%**! + +1. Maaari mong makita ang modelong ito na gumagana sa pamamagitan ng pag-test ng isang row ng datos (#50): ```python print(f'ingredients: {X_test.iloc[50][X_test.iloc[50]!=0].keys()}') print(f'cuisine: {y_test.iloc[50]}') ``` - Ang resulta ay naka-print: + Ang resulta ay ipi-print: ```output ingredients: Index(['cilantro', 'onion', 'pea', 'potato', 'tomato', 'vegetable_oil'], dtype='object') cuisine: indian ``` - ✅ Subukan ang ibang numero ng hilera at suriin ang mga resulta - -1. Masusing pagsusuri, maaari mong suriin ang katumpakan ng prediksyon na ito: + ✅ Subukan ang ibang bilang ng row at suriin ang mga resulta +1. Masusing suriin, maaari mong tingnan ang katumpakan ng prediksyon na ito: ```python test= X_test.iloc[50].values.reshape(-1, 1).T @@ -195,7 +196,7 @@ Ang katumpakan ay maganda sa higit **80%**! topPrediction.head() ``` - Ang resulta ay naka-print - Indian cuisine ang pinakamagandang hula nito, na may magandang posibilidad: + Ipinapakita ang resulta - ang Indian na lutuing pagkain ang pinakamalapit na hula, na may magandang probabilidad: | | 0 | | -------: | -------: | @@ -205,9 +206,9 @@ Ang katumpakan ay maganda sa higit **80%**! | korean | 0.017277 | | thai | 0.007634 | - ✅ Maaari mo bang ipaliwanag kung bakit sigurado ang modelo na ito ay Indian cuisine? + ✅ Maaari mo bang ipaliwanag kung bakit medyo sigurado ang modelo na ito ay isang Indian na lutuing pagkain? -1. Makakuha ng mas detalyado sa pamamagitan ng pag-print ng isang classification report, tulad ng ginawa mo sa regression lessons: +1. Kunin ang mas detalyadong impormasyon sa pamamagitan ng pagprint ng classification report, tulad ng ginawa mo sa mga aralin sa regression: ```python y_pred = model.predict(X_test) @@ -221,24 +222,26 @@ Ang katumpakan ay maganda sa higit **80%**! | japanese | 0.70 | 0.75 | 0.72 | 220 | | korean | 0.86 | 0.76 | 0.81 | 242 | | thai | 0.79 | 0.85 | 0.82 | 254 | - | accuracy | 0.80 | 1199 | | | + | accuracy | | | 0.80 | 1199 | | macro avg | 0.80 | 0.80 | 0.80 | 1199 | | weighted avg | 0.80 | 0.80 | 0.80 | 1199 | ## 🚀Hamunin -Sa araling ito, ginamit mo ang nalinis na data upang bumuo ng isang machine learning model na maaaring magpredikta ng pambansang cuisine batay sa isang serye ng mga sangkap. Maglaan ng oras upang basahin ang maraming opsyon na inaalok ng Scikit-learn para sa pag-classify ng data. Masusing pag-aralan ang konsepto ng 'solver' upang maunawaan ang nangyayari sa likod ng eksena. +Sa araling ito, ginamit mo ang malinis mong data upang bumuo ng machine learning model na maaaring hulaan ang isang pambansang lutuing pagkain base sa serye ng mga sangkap. Maglaan ng oras upang basahin ang maraming opsyon na inaalok ng Scikit-learn para mag-classify ng data. Masusing pag-aralan ang konsepto ng 'solver' upang maunawaan kung ano ang nangyayari sa likod ng mga tagpo. ## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ml/) ## Review & Pag-aaral sa Sarili -Masusing pag-aralan ang matematika sa likod ng logistic regression sa [araling ito](https://people.eecs.berkeley.edu/~russell/classes/cs194/f11/lectures/CS194%20Fall%202011%20Lecture%2006.pdf) +Suriin pa nang mas malalim ang matematika sa likod ng logistic regression sa [araling ito](https://people.eecs.berkeley.edu/~russell/classes/cs194/f11/lectures/CS194%20Fall%202011%20Lecture%2006.pdf) ## Takdang Aralin [Pag-aralan ang mga solvers](assignment.md) --- -**Paunawa**: -Ang dokumentong ito ay isinalin gamit ang AI translation service na [Co-op Translator](https://github.com/Azure/co-op-translator). Bagama't sinisikap naming maging tumpak, tandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa kanyang katutubong wika ang dapat ituring na opisyal na sanggunian. Para sa mahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na dulot ng paggamit ng pagsasaling ito. \ No newline at end of file + +**Pagsusuri**: +Ang dokumentong ito ay isinalin gamit ang AI translation service na [Co-op Translator](https://github.com/Azure/co-op-translator). Habang nagsusumikap kami para sa katumpakan, pakitandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o di pagkakatugma. Ang orihinal na dokumento sa kanyang sariling wika ang dapat ituring na opisyal na sanggunian. Para sa mahahalagang impormasyon, inirerekomenda ang propesyonal na salin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na nagmula sa paggamit ng pagsasaling ito. + \ No newline at end of file diff --git a/translations/tl/README.md b/translations/tl/README.md index 4ff4ac1d3..201905da2 100644 --- a/translations/tl/README.md +++ b/translations/tl/README.md @@ -10,14 +10,14 @@ ### 🌐 Suporta sa Maramihang Wika -#### Sinusuportahan sa pamamagitan ng GitHub Action (Awtomatiko at Laging Napapanahon) +#### Sinusuportahan sa pamamagitan ng GitHub Action (Awtomatiko at Palaging Pinakabago) [Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Khmer](../km/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](./README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md) -> **Mas gusto mo bang I-clone nang Lokal?** +> **Mas gusto bang I-clone Lokal?** > -> 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: +> Kasama sa repository na ito ang 50+ mga pagsasalin ng wika na nagdadagdag nang malaki sa laki ng download. Para i-clone nang walang mga pagsasalin, gamitin ang sparse checkout: > > **Bash / macOS / Linux:** > ```bash @@ -33,63 +33,63 @@ > git sparse-checkout set --no-cone "/*" "!translations" "!translated_images" > ``` > -> Bibigyan ka nito ng lahat ng kailangan mo upang matapos ang kurso nang mas mabilis ang pag-download. +> Ibinibigay nito sa iyo ang lahat ng kailangan mo upang tapusin ang kurso nang mas mabilis ang download. #### Sumali sa Aming Komunidad [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -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. +Mayroon kaming serye sa Discord na "learn with AI," alamin 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. ![Learn with AI series](../../translated_images/tl/3.9b58fd8d6c373c20.webp) -# Machine Learning para sa mga Baguhan - Isang Kurikulum +# Machine Learning para sa mga Nagsisimula - Isang Kurikulum -> 🌍 Maglakbay sa buong mundo habang tinutuklasan natin ang Machine Learning sa pamamagitan ng mga kultura sa buong mundo 🌍 +> 🌍 Maglakbay sa buong mundo habang tinutuklasan natin ang Machine Learning sa pamamagitan ng mga kultura ng mundo 🌍 -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). +Natutuwa ang mga Cloud Advocates sa Microsoft na mag-alok ng 12-linggong, 26-na-lesson na kurikulum tungkol sa **Machine Learning**. Sa kurikulum na ito, matututuhan mo ang tinatawag na **classic machine learning**, gamit ang pangunahing Scikit-learn bilang library at iniiwasan ang deep learning, na tinatalakay naman sa aming [AI for Beginners' curriculum](https://aka.ms/ai4beginners). Pagsamahin ang mga lekson ng ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners), din! -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. +Sumama sa amin sa paglalakbay sa buong mundo habang inilalapat natin ang mga klasikong teknik na ito sa datos mula sa iba't ibang bahagi ng mundo. Kasama sa bawat lekson ang pre- at post-lesson quizzes, nakasulat na mga tagubilin para tapusin ang lekson, solusyon, isang assignment, at marami pa. Ang aming pedagohiya na nakatuon sa proyekto ay nagpapahintulot sa iyo na matuto habang gumagawa, isang napatunayang paraan para matutuhan ang bagong mga kasanayan nang mas matagal. -**✍️ 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 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 -**🎨 Salamat din sa aming mga ilustrador** Tomomi Imura, Dasani Madipalli, at Jen Looper +**🎨 Pasasalamat din sa aming mga ilustrador** Tomomi Imura, Dasani Madipalli, at Jen Looper -**🙏 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 +**🙏 Espesyal na pasasalamat 🙏 sa aming mga Microsoft Student Ambassador na mga may-akda, tagasuri, at mga nag-ambag ng nilalaman**, kabilang sina Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, at Snigdha Agarwal -**🤩 Dagdag na pasasalamat kina Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, at Vidushi Gupta para sa aming mga R na leksyon!** +**🤩 Karagdagang pasasalamat sa Microsoft Student Ambassadors na sina Eric Wanjau, Jasleen Sondhi, at Vidushi Gupta para sa aming mga R lessons!** # Pagsisimula Sundin ang mga hakbang na ito: -1. **I-fork ang Repository**: I-click ang "Fork" na button sa itaas-kanang sulok ng pahinang ito. +1. **I-fork ang Repository**: I-click ang pindutang "Fork" sa itaas-kanang bahagi ng pahinang ito. 2. **I-clone ang Repository**: `git clone https://github.com/microsoft/ML-For-Beginners.git` -> [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) +> [hanapin ang lahat ng mga dagdag na resources para sa kursong ito sa aming Microsoft Learn collection](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, pagsasaayos, at pagpapatakbo ng mga leksyon. +> 🔧 **Kailangan mo ba ng tulong?** Tingnan ang aming [Troubleshooting Guide](TROUBLESHOOTING.md) para sa mga solusyon sa karaniwang isyu sa pag-install, setup, at pagpapatakbo ng mga lekson. -**[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: +**[Mga Estudyante](https://aka.ms/student-page)**, upang magamit ang kurikulum na ito, i-fork ang buong repo sa iyong sariling GitHub account at kumpletuhin ang mga ehersisyo nang mag-isa o kasama ang grupo: - 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 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. +- Basahin ang lekson at kumpletuhin ang mga aktibidad, huminto at magnilay sa bawat knowledge check. +- Subukang likhain ang mga proyekto sa pamamagitan ng pag-unawa sa mga lekson kaysa sa pagpapatakbo lamang ng solution code; gayunpaman, available ang code sa mga `/solution` na mga folder sa bawat project-oriented na lekson. +- Kunin ang post-lecture quiz. +- Kumpletuhin ang hamon. +- Kumpletuhin ang assignment. +- Pagkatapos makumpleto ang isang grupo ng mga lekson, 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 isang Progress Assessment Tool na isang rubric na pinupunan para paigtingin ang iyong pagkatuto. Maaari ka ring mag-react sa ibang mga PAT upang mas matuto tayo nang magkakasama. -> 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. +> Para sa karagdagang pag-aaral, inirerekomenda namin ang pagsunod sa mga [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) na mga module at learning paths. -**Mga Guro**, naglagay kami ng ilang mga mungkahi sa [paano gamitin ang kurikulm na ito](for-teachers.md). +**Mga Guro**, may [ilang mungkahi kami](for-teachers.md) kung paano gamitin ang kurikulum na ito. --- -## Mga walkthrough na video +## Mga Video walkthrough -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. +Ilan sa mga lekson ay available bilang maikling video. Makikita mo ang lahat nito kasabay ng mga lekson, 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. [![ML for beginners banner](../../translated_images/tl/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) @@ -101,138 +101,129 @@ Ilan sa mga leksyon ay available bilang maikling video. Makikita mo ang mga ito **Gif ni** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) -> 🎥 I-click ang imahe sa itaas para sa isang video tungkol sa proyekto at sa mga taong lumikha nito! +> 🎥 I-click ang larawan sa itaas para sa isang video tungkol sa proyekto at sa mga taong lumikha nito! --- ## Pedagohiya -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. +Pinili namin ang dalawang pedagogical tenets habang binubuo ang kurikulum na ito: pagsigurong ito ay hands-on at **project-based** at na ito ay may **madalas na quizzes**. Bukod dito, ang kurikulum na ito ay may karaniwang **tema** upang bigyan ito ng pagkakaisa. -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. +Sa pamamagitan ng pagsigurong tumutugma ang nilalaman sa mga proyekto, nagiging mas engaging ang proseso para sa mga estudyante at nadaragdagan ang retention ng mga konsepto. Bukod dito, ang isang low-stakes quiz bago ang klase ay nagseset ng intensiyon ng estudyante para matuto tungkol sa isang paksa, habang ang pangalawang quiz pagkatapos ng klase ay nagpapatibay ng natutunan. Ang kurikulum na ito ay idinisenyo upang maging flexible at masaya at maaaring kunin nang buo o parte lamang. Nagsisimula ang mga proyekto sa maliit at tumataas ang kumplikado sa paglapit ng 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 ekstrang kredito o bilang basehan para 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 iyong makabuluhang feedback! +> Hanapin ang aming [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translations](..), at [Troubleshooting](TROUBLESHOOTING.md) guidelines. Malugod naming tinatanggap ang iyong makabuluhang feedback! -## Kasama sa bawat leksyon +## Kasama sa bawat lekson - opsyonal na sketchnote -- opsyonal na karagdagang video -- video walkthrough (ilang mga leksyon lamang) +- opsyonal na supplemental na video +- video walkthrough (ilang lekson lang) - [pre-lecture warmup quiz](https://ff-quizzes.netlify.app/en/ml/) -- nakasulat na leksyon -- para sa mga proyekto-base na leksyon, sunud-sunod na mga gabay kung paano bumuo ng proyekto -- pagsubok sa kaalaman +- nakasulat na lekson +- para sa mga projektong lekson, mga hakbang-hakbang na gabay kung paano buuin ang proyekto +- knowledge checks - isang hamon -- karagdagang babasahin +- supplemental na pagbasa - assignment - [post-lecture quiz](https://ff-quizzes.netlify.app/en/ml/) -> **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. +> **Isang tala tungkol sa mga wika**: Pangunahing nakasulat ang mga araling ito sa Python, ngunit marami rin ang available sa R. Upang matapos ang isang aralin sa R, pumunta sa folder na `/solution` at hanapin ang mga aralin sa R. Kasama dito ang extension na .rmd na kumakatawan sa isang **R Markdown** file na simpleng mahahati bilang pagsasama-sama 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 itong isang halimbawa ng authoring framework para sa data science dahil pinapayagan kang pagsamahin ang iyong code, ang output nito, at ang iyong mga ideya sa pamamagitan ng pagsusulat ng mga ito sa Markdown. Bukod dito, ang mga dokumento ng R Markdown ay maaaring i-render sa mga output format tulad ng PDF, HTML, o Word. -> **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. +> **Isang tala tungkol sa mga quiz**: Lahat ng quiz ay nakapaloob sa [Quiz App folder](../../quiz-app), na may kabuuang 52 na quiz na may tatlong tanong bawat isa. Nakalink ang mga ito mula sa loob ng mga aralin ngunit maaaring patakbuhin ang quiz app nang lokal; sundin ang tagubilin sa folder na `quiz-app` para mag-host o mag-deploy sa Azure nang lokal. | Lesson Number | Topic | Lesson Grouping | Learning Objectives | Linked Lesson | Author | | :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | -| 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) +| 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 mahalagang pilosopikal na isyu tungkol sa katarungan na dapat isaalang-alang ng mga estudyante kapag bumubuo at nag-aaplay 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 ML researcher 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) | Makapagsimula gamit ang Python at Scikit-learn para sa regression models | [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-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 | 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 isang 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 magamit ang iyong sinanay 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 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) | Maraming 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 web app na nagrerekomenda 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 | Pagsusuri sa mga panlasa ng musika sa Nigeria 🎧 | [Clustering](5-Clustering/README.md) | Suriin 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 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 sa NLP sa pamamagitan ng pag-unawa sa mga karaniwang gawain na kailangan kapag nakikipag-ugnayan sa mga istruktura ng wika | [Python](6-NLP/2-Tasks/README.md) | Stephen | +| 18 | Pagsasalin at pagsusuri ng sentimyento ♥️ | [Natural language processing](6-NLP/README.md) | Pagsasalin at pagsusuri ng sentimyento 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 sentimyento 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 sentimyento gamit ang mga review ng hotel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | +| 21 | Panimula sa forecasting ng time series | [Time series](7-TimeSeries/README.md) | Panimula sa forecasting ng time series | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | +| 22 | ⚡️ Paggamit ng Kuryente sa Mundo ⚡️ - forecasting gamit ang ARIMA | [Time series](7-TimeSeries/README.md) | Forecasting ng time series gamit ang ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | +| 23 | ⚡️ Paggamit ng Kuryente sa Mundo ⚡️ - forecasting gamit ang SVR | [Time series](7-TimeSeries/README.md) | Forecasting ng time series 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 maiwasan 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) | Mga kawili-wili at naglalahad na totoong aplikasyon ng karaniwang ML | [Lesson](9-Real-World/1-Applications/README.md) | Team | +| Postscript | Model Debugging sa ML gamit ang RAI dashboard | [ML in the Wild](9-Real-World/README.md) | Model Debugging 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 karagdagang resources 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 sa root folder ng repo na ito, i-type ang `docsify serve`. Ang website ay ihahatid sa port 3000 sa iyong localhost: `localhost:3000`. +Maaari mong patakbuhin ang dokumentasyong ito 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`. Ihahatid ang website 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 Mga Kurso +## 🎒 Iba pang Mga Kurso -Ang aming koponan ay gumagawa ng iba pang mga kurso! Tingnan ang: +Gumagawa ang aming team ng iba pang mga kurso! Tingnan: ### LangChain -[![LangChain4j para sa mga Nagsisimula](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) -[![LangChain.js para sa mga Nagsisimula](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) -[![LangChain para sa mga Nagsisimula](https://img.shields.io/badge/LangChain%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin) +[![LangChain4j for Beginners](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) +[![LangChain.js for Beginners](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) +[![LangChain for Beginners](https://img.shields.io/badge/LangChain%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin) --- ### Azure / Edge / MCP / Agents -[![AZD para sa mga Nagsisimula](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Edge AI para sa mga Nagsisimula](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![MCP para sa mga Baguhan](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) -[![AI Agents para sa mga Baguhan](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) - +[![AZD for Beginners](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Edge AI for Beginners](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) --- ### Generative AI Series -[![Generative AI para sa mga Baguhan](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) -[![Generative AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) -[![Generative AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) --- -### Pangunahing Pagkatuto -[![ML para sa mga Baguhan](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) -[![Agham ng Datos para sa mga Baguhan](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) -[![AI para sa mga Baguhan](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) -[![Cybersecurity para sa mga Baguhan](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) -[![Web Dev para sa mga Baguhan](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) -[![IoT para sa mga Baguhan](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) -[![XR Development para sa mga Baguhan](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) +### Core Learning --- ### Copilot Series -[![Copilot para sa AI Paired Programming](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) -[![Copilot para sa C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) -[![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) - -## Pagkuha ng Tulong +## Getting Help -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. +Kung ikaw ay maipit o may mga tanong habang nag-aaral ng Machine Learning o gumagawa ng mga AI na aplikasyon, huwag mag-alala — mayroong tulong na available. -[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +Maaari kang sumali sa mga talakayan kasama ang ibang mga nag-aaral at mga developer, magtanong, at magbahagi ng iyong mga ideya sa komunidad. + +- Sumali sa komunidad upang magtanong at matuto kasama ang iba +- Talakayin ang mga konsepto ng Machine Learning at mga ideya sa proyekto +- Kumuha ng gabay mula sa mga bihasang developer + +Ang isang sumusuportang komunidad ay isang mahusay na paraan upang palaguin ang iyong mga kasanayan at mas mabilis malutas ang mga problema. + +[Microsoft Foundry Discord Community](https://discord.gg/nTYy5BXMWG) + +Kung makakita ka ng mga bug, error, o may mga suhestyon para sa mga pagpapabuti, maaari ka ring magbukas ng **Isyu** sa repositoryong ito upang iulat ang problema. -Kung mayroon kang puna tungkol sa produkto o may mga error habang nagtatayo, bisitahin: +Para sa feedback sa produkto o upang maghanap ng mga umiiral na post sa komunidad, bisitahin ang Developer Forum: -[![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) -## Karagdagang Mga Tip sa Pagkatuto +## Additional Learning Tips -- 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. +- Balikan ang mga notebook pagkatapos ng bawat leksyon para sa mas mabuting pag-unawa. +- Magpraktis na ipatupad ang mga algorithm nang mag-isa. +- Tuklasin ang mga totoong dataset gamit ang mga konseptong natutunan. --- -**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. +**Paunawa**: +Ang dokumentong ito ay isinalin gamit ang AI na serbisyo ng pagsasalin [Co-op Translator](https://github.com/Azure/co-op-translator). Bagamat nagsusumikap kami para sa katumpakan, pakatandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o kamalian. Ang orihinal na dokumento sa orihinal nitong wika ang dapat ituring na pangunahing sanggunian. Para sa mahahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaintindihan o maling interpretasyon na nagmumula sa paggamit ng pagsasaling ito. \ No newline at end of file