[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) [](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) [](https://GitHub.com/microsoft/ML-For-Beginners/issues/) [](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) [](http://makeapullrequest.com) [](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) [](https://GitHub.com/microsoft/ML-For-Beginners/network/) [](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) ### 🌐 Suporta sa Maramihang Wika #### Sinusuportahan sa pamamagitan ng GitHub Action (Ina-automate at Laging Napapanahon) [Arabe](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgaro](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Kroatiyan](../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) | [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)](../br/README.md) | [Portuguese (Portugal)](../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) #### Sumali sa Aming Komunidad [](https://discord.gg/nTYy5BXMWG) Mayroon kaming serye sa Discord na "Learn with AI" na nagpapatuloy—alamin pa at sumali sa amin sa [Learn with AI Series](https://aka.ms/learnwithai/discord) mula 18 - 30 Setyembre, 2025. Makakakuha ka ng mga tip at trick sa paggamit ng GitHub Copilot para sa Data Science.  # Machine Learning para sa mga Nagsisimula - Isang Kurikulum > 🌍 Maglakbay sa paligid ng mundo habang tinutuklas natin ang Machine Learning sa pamamagitan ng mga kultura sa mundo 🌍 Ang Cloud Advocates sa Microsoft ay natutuwa na mag-alok ng isang 12-linggong, 26-araling kurikulum na tungkol sa **Machine Learning**. Sa kurikulum na ito, matututuhan mo ang kung ano ang tinatawag minsan na **classic machine learning**, gamit pangunahin ang Scikit-learn bilang library at iniiwasan ang deep learning, na sakop sa aming [AI for Beginners' curriculum](https://aka.ms/ai4beginners). Pagsamahin din ang mga leksyon na ito sa aming ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners). Maglakbay kasama namin sa iba't ibang panig ng mundo habang inaaplay namin ang mga tradisyunal na teknik na ito sa data mula sa maraming lugar sa mundo. Bawat aralin ay may kasamang pre- at post-lesson quizzes, nakasulat na mga tagubilin para tapusin ang aralin, isang solusyon, isang takdang-aralin, at iba pa. Ang aming project-based na pedagogiya ay nagpapahintulot sa iyo na matuto habang nagtatayo, isang napatunayang paraan para manatili ang mga bagong kasanayan. **✍️ Taos-pusong pasasalamat sa aming mga may-akda** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd **🎨 Pasasalamat din sa aming mga illustrator** Tomomi Imura, Dasani Madipalli, at Jen Looper **🙏 Espesyal na pasasalamat 🙏 sa aming mga Microsoft Student Ambassador na mga may-akda, reviewer, at kontribyutor ng nilalaman**, lalo na 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!** # Pagsisimula Sundin ang mga hakbang na ito: 1. **I-fork ang Repository**: I-click ang pindutang "Fork" sa kanang-itaas 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 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 isyu sa pag-install, pagsasaayos, at pagpapatakbo ng mga leksyon. **[Mga Estudyante](https://aka.ms/student-page)**, upang magamit ang kurikulum na ito, i-fork ang buong repo sa inyong sariling GitHub account at kumpletuhin ang mga ehersisyo nang mag-isa o kasama ng grupo: - Magsimula sa isang pre-lecture quiz. - Basahin ang lektyur at kumpletuhin ang mga aktibidad, huminto at magnilay sa bawat knowledge check. - Subukang likhain ang mga proyekto sa pamamagitan ng pagkaunawa sa mga aralin sa halip na direktang patakbuhin ang code ng solusyon; gayunpaman ang code na iyon ay makukuha sa mga `/solution` na folder sa bawat araling nakatuon sa proyekto. - Kunan ang post-lecture quiz. - Kumpletuhin ang hamon. - Kumpletuhin ang takdang-aralin. - Pagkatapos makumpleto ang isang grupo ng mga aralin, bisitahin ang [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) at "mag-aral nang malakas" sa pamamagitan ng pagpuno ng angkop na PAT rubric. Ang 'PAT' ay isang Progress Assessment Tool na isang rubric na pinupunan mo upang higit pang paunlarin ang iyong pagkatuto. Maaari ka ring mag-react sa ibang mga PAT upang sabay-sabay tayong matuto. > 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) module at learning paths. **Mga Guro**, naglagay kami ng [ilang mungkahi](for-teachers.md) kung paano gamitin ang kurikulum na ito. --- ## Mga walkthrough na video Ang ilan sa mga leksyon ay available bilang maikling anyo ng video. Makikita mo ang lahat ng ito sa loob mismo ng mga leksyon, o sa [ML for Beginners playlist on the Microsoft Developer YouTube channel](https://aka.ms/ml-beginners-videos) sa pamamagitan ng pag-click sa larawan sa ibaba. [](https://aka.ms/ml-beginners-videos) --- ## Kilalanin ang Koponan [](https://youtu.be/Tj1XWrDSYJU) **Gif ni** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) > 🎥 I-click ang larawang nasa itaas para sa isang video tungkol sa proyekto at sa mga taong lumikha nito! --- ## Pedagohiya Pinili namin ang dalawang prinsipyo sa pagtuturo habang binubuo ang kurikulum na ito: tiyakin na ito ay hands-on at nakabatay sa proyekto (**project-based**) at na mayroon itong **madalas na mga pagsusulit**. Bilang karagdagan, ang kurikulum na ito ay may isang karaniwang **tema** upang magbigay ng pagkakaugnay-ugnay. Sa pamamagitan ng pagtiyak na ang nilalaman ay naka-align sa mga proyekto, nagiging mas kaakit-akit ang proseso para sa mga estudyante at mas napapaigting ang pag-alala ng mga konsepto. Bilang karagdagan, ang isang low-stakes quiz bago ang klase ay nagtatakda ng intensyon ng estudyante tungo sa pagkatuto ng isang paksa, habang ang pangalawang pagsusulit pagkatapos ng klase ay nagtutiyak ng karagdagang pag-alala. Ang kurikulum na ito ay idinisenyo upang maging flexible at masaya at maaaring kunin nang buo o kahit bahagya. Ang mga proyekto ay nagsisimula nang maliit at dahan-dahang nagiging mas kumplikado sa pagtatapos ng 12-linggong siklo. Kasama rin sa kurikulum na ito ang isang postscript tungkol sa mga aplikasyon ng ML sa totoong mundo, na maaaring gamitin bilang dagdag na kredito o bilang batayan para sa diskusyon. > Hanapin ang aming [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md), at [Troubleshooting](TROUBLESHOOTING.md) na mga gabay. Malugod naming tinatanggap ang iyong konstruktibong puna! ## Bawat aralin ay may kasamang - opsyonal na sketchnote - opsyonal na karagdagang video - video walkthrough (ilan lamang sa mga aralin) - [paunang warmup na pagsusulit bago lektyur](https://ff-quizzes.netlify.app/en/ml/) - nakasulat na aralin - para sa mga araling nakabatay sa proyekto, mga gabay na hakbang-hakbang kung paano buuin ang proyekto - mga tsek sa kaalaman - isang hamon - karagdagang babasahin - takdang-aralin - [pagsusulit pagkatapos ng lektyur](https://ff-quizzes.netlify.app/en/ml/) > **Isang paalala tungkol sa mga wika**: Pangunahin na nakasulat ang mga leksyon na ito sa Python, ngunit marami rin ang available sa R. Upang kumpletuhin ang isang R na leksyon, pumunta sa `/solution` folder at hanapin ang mga R na leksyon. Sila ay may extension na .rmd na kumakatawan sa isang **R Markdown** file na maaaring simpleng ilarawan bilang isang pagsasanib ng `code chunks` (ng R o iba pang mga wika) at isang `YAML header` (na gumagabay kung paano i-format ang mga output tulad ng PDF) sa isang `Markdown document`. Bilang ganoon, nagsisilbi itong isang halimbawa ng framework sa pag-author 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. Higit pa rito, ang mga dokumentong R Markdown ay maaaring i-render sa mga output format tulad ng PDF, HTML, o Word. > **Isang paalala tungkol sa mga pagsusulit**: Lahat ng pagsusulit ay nasa [Quiz App folder](../../quiz-app), para sa kabuuang 52 na pagsusulit na may tig-3 tanong bawat isa. Nakalink ang mga ito mula sa loob ng mga leksyon ngunit ang quiz app ay maaaring patakbuhin nang lokal; sundin ang mga tagubilin sa `quiz-app` folder upang i-host nang lokal o i-deploy sa Azure. | Numero ng Aralin | Paksa | Pag-uuri ng Aralin | Mga Layunin sa Pagkatuto | Naka-link na Aralin | May-Akda | | :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | | 01 | Panimula sa machine learning | [Panimula](1-Introduction/README.md) | Matutunan ang mga pangunahing konsepto sa likod ng machine learning | [Aralin](1-Introduction/1-intro-to-ML/README.md) | Muhammad | | 02 | Kasaysayan ng machine learning | [Panimula](1-Introduction/README.md) | Matutunan ang kasaysayan sa likod ng larangang ito | [Aralin](1-Introduction/2-history-of-ML/README.md) | Jen and Amy | | 03 | Katarungan at machine learning | [Panimula](1-Introduction/README.md) | Ano ang mga mahahalagang pilosopikal na isyu tungkol sa katarungan na dapat isaalang-alang ng mga estudyante kapag bumubuo at nag-aaplay ng mga modelo ng ML? | [Aralin](1-Introduction/3-fairness/README.md) | Tomomi | | 04 | Mga Teknik para sa machine learning | [Panimula](1-Introduction/README.md) | Anong mga teknik ang ginagamit ng mga mananaliksik ng ML para bumuo ng mga modelo? | [Aralin](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen | | 05 | Panimula sa regresyon | [Regresyon](2-Regression/README.md) | Magsimula sa Python at Scikit-learn para sa mga modelo ng regresyon | [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 🎃 | [Regresyon](2-Regression/README.md) | I-visualize at linisin ang datos 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 🎃 | [Regresyon](2-Regression/README.md) | Bumuo ng linear at polynomial na mga modelo ng regresyon | [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 🎃 | [Regresyon](2-Regression/README.md) | Bumuo ng isang logistic regression na modelo | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | | 09 | Isang Web App 🔌 | [Web App](3-Web-App/README.md) | Bumuo ng web app para gamitin ang iyong sinanay na modelo | [Python](3-Web-App/1-Web-App/README.md) | Jen | | 10 | Panimula sa klasipikasyon | [Klasipikasyon](4-Classification/README.md) | Linisin, ihanda, at i-visualize ang iyong datos; panimula sa klasipikasyon | [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 pagkaing Asyano at Indiano 🍜 | [Klasipikasyon](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 pagkaing Asyano at Indiano 🍜 | [Klasipikasyon](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 pagkaing Asyano at Indiano 🍜 | [Klasipikasyon](4-Classification/README.md) | Bumuo ng recommender web app gamit ang iyong modelo | [Python](4-Classification/4-Applied/README.md) | Jen | | 14 | Panimula sa clustering | [Clustering](5-Clustering/README.md) | Linisin, ihanda, at i-visualize ang iyong datos; panimula sa clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | | 15 | Pagtuklas sa mga Panlasa sa Musika ng Nigeria 🎧 | [Clustering](5-Clustering/README.md) | Suriin ang paraan ng K-Means clustering | [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 pagbuo ng isang simpleng bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | | 17 | Mga Karaniwang Gawain sa NLP ☕️ | [Natural language processing](6-NLP/README.md) | Palalimin ang iyong kaalaman sa NLP sa pamamagitan ng pag-unawa sa mga karaniwang gawain na kailangan kapag humaharap sa mga istruktura ng wika | [Python](6-NLP/2-Tasks/README.md) | Stephen | | 18 | Pagsasalin at sentiment analysis ♥️ | [Natural language processing](6-NLP/README.md) | Pagsasalin at pagsusuri ng damdamin gamit si Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | | 19 | Mga romantikong hotel sa Europa ♥️ | [Natural language processing](6-NLP/README.md) | Pagsusuri ng damdamin gamit ang mga review ng hotel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | | 20 | Mga romantikong hotel sa Europa ♥️ | [Natural language processing](6-NLP/README.md) | Pagsusuri ng damdamin gamit ang mga review ng hotel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | | 21 | Panimula sa time series forecasting | [Time series](7-TimeSeries/README.md) | Panimula sa time series forecasting | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | | 22 | ⚡️ Paggamit ng Kuryente sa Mundo ⚡️ - time series forecasting with ARIMA | [Time series](7-TimeSeries/README.md) | Pagtataya ng time series gamit ang ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | | 23 | ⚡️ Paggamit ng Kuryente sa Mundo ⚡️ - time series forecasting with SVR | [Time series](7-TimeSeries/README.md) | Pagtataya 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 iwasan ang lobo! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Reinforcement learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | | Postscript | Mga totoong sitwasyon at aplikasyon ng ML | [ML in the Wild](9-Real-World/README.md) | Mga kawili-wili at nagsisilbing paglalarawan na aplikasyon sa totoong mundo ng klasikong ML | [Aralin](9-Real-World/1-Applications/README.md) | Koponan | | Postscript | Pag-debug ng Modelo 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 komponent ng Responsible AI dashboard | [Aralin](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | > [hanapin ang lahat ng karagdagang mapagkukunan para sa kursong ito sa aming koleksyon ng Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) ## Offline na pag-access Maaari mong patakbuhin ang dokumentasyong ito nang offline gamit ang [Docsify](https://docsify.js.org/#/). I-fork ang repo na ito, [i-install ang Docsify](https://docsify.js.org/#/quickstart) sa iyong lokal na makina, at pagkatapos ay sa root na folder ng repo na ito, i-type `docsify serve`. Ang website ay ihahain sa port na 3000 sa iyong localhost: `localhost:3000`. ## Mga PDF Makakahanap ng pdf ng kurikulum na may mga link [dito](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf). ## 🎒 Iba pang Kurso Ang aming koponan ay gumagawa ng iba pang mga kurso! Tingnan: ### LangChain [](https://aka.ms/langchain4j-for-beginners) [](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) --- ### Azure / Edge / MCP / Agents [](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) [](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) [](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) [](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) --- ### Series ng Generative AI [](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) [-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) [-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) [-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) --- ### Pangunahing Pag-aaral [](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) [](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) [](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) [](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) [](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) [](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) [](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) --- ### Serye ng Copilot [](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) [](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) [](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) ## Pagkuha ng Tulong Kung ma-stuck ka o may anumang mga tanong tungkol sa paggawa ng mga AI app. Sumali sa kapwa mga nag-aaral at mga bihasang developer sa mga talakayan tungkol sa MCP. Ito ay isang suportadong komunidad kung saan malugod ang mga tanong at malayang ibinabahagi ang kaalaman. [](https://discord.gg/nTYy5BXMWG) Kung mayroon kang feedback tungkol sa produkto o mga error habang nagtatayo, bisitahin: [](https://aka.ms/foundry/forum) --- Paunawa: Isinalin ang dokumentong ito gamit ang AI na serbisyo sa pagsasalin na [Co-op Translator](https://github.com/Azure/co-op-translator). Bagaman nagsusumikap kami para sa kawastuhan, 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 pinagmumulan. Para sa mahahalagang impormasyon, inirerekomenda ang propesyonal na pagsasaling-tao. Hindi kami mananagot para sa anumang hindi pagkakaunawaan o maling interpretasyon na maaaring magmula sa paggamit ng pagsasaling ito.