[](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 Iba't Ibang Wika #### Sinusuportahan sa pamamagitan ng GitHub Action (Awtomatiko at Laging Napapanahon) [French](../fr/README.md) | [Spanish](../es/README.md) | [German](../de/README.md) | [Russian](../ru/README.md) | [Arabic](../ar/README.md) | [Persian (Farsi)](../fa/README.md) | [Urdu](../ur/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Japanese](../ja/README.md) | [Korean](../ko/README.md) | [Hindi](../hi/README.md) | [Bengali](../bn/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Portuguese (Brazil)](../br/README.md) | [Italian](../it/README.md) | [Polish](../pl/README.md) | [Turkish](../tr/README.md) | [Greek](../el/README.md) | [Thai](../th/README.md) | [Swedish](../sv/README.md) | [Danish](../da/README.md) | [Norwegian](../no/README.md) | [Finnish](../fi/README.md) | [Dutch](../nl/README.md) | [Hebrew](../he/README.md) | [Vietnamese](../vi/README.md) | [Indonesian](../id/README.md) | [Malay](../ms/README.md) | [Tagalog (Filipino)](./README.md) | [Swahili](../sw/README.md) | [Hungarian](../hu/README.md) | [Czech](../cs/README.md) | [Slovak](../sk/README.md) | [Romanian](../ro/README.md) | [Bulgarian](../bg/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Croatian](../hr/README.md) | [Slovenian](../sl/README.md) | [Ukrainian](../uk/README.md) | [Burmese (Myanmar)](../my/README.md) #### Sumali sa Aming Komunidad [](https://aka.ms/ml4beginners/discord) Mayroon kaming ongoing na Discord series na "Learn with AI". Alamin ang higit pa at sumali sa amin sa [Learn with AI Series](https://aka.ms/learnwithai/discord) mula Setyembre 18 - 30, 2025. Makakakuha ka ng mga tips at tricks sa paggamit ng GitHub Copilot para sa Data Science.  # Machine Learning para sa mga Baguhan - Isang Kurikulum > 🌍 Maglakbay sa iba't ibang panig ng mundo habang natututo ng Machine Learning gamit ang mga kultura ng mundo 🌍 Ang mga Cloud Advocates sa Microsoft ay masayang nag-aalok ng isang 12-linggong, 26-araling 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 tinalakay sa aming [AI for Beginners' curriculum](https://aka.ms/ai4beginners). Maaari mo ring ipares ang mga araling ito sa aming ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners). Sumama sa amin sa paglalakbay sa iba't ibang panig ng mundo habang ginagamit ang mga klasikong teknik na ito sa datos mula sa iba't ibang bahagi ng mundo. Ang bawat aralin ay may kasamang pre- at post-lesson quizzes, nakasulat na mga tagubilin para kumpletuhin ang aralin, solusyon, takdang-aralin, at marami pang iba. Ang aming project-based na pamamaraan ng pagtuturo ay nagbibigay-daan sa iyo na matuto habang gumagawa, isang napatunayang paraan upang mas tumatak ang mga bagong kasanayan. **✍️ Taos-pusong pasasalamat sa aming mga may-akda** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu at Amy Boyd **🎨 Pasasalamat din sa aming mga ilustrador** Tomomi Imura, Dasani Madipalli, at Jen Looper **🙏 Espesyal na pasasalamat 🙏 sa aming Microsoft Student Ambassador na mga may-akda, tagasuri, at tagapag-ambag ng nilalaman**, partikular na sina Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, at Snigdha Agarwal **🤩 Dagdag na pasasalamat sa Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, at Vidushi Gupta para sa aming mga R lessons!** # Pagsisimula Sundin ang mga hakbang na ito: 1. **Fork ang Repository**: I-click ang "Fork" na button sa kanang-itaas na bahagi ng pahinang ito. 2. **Clone ang Repository**: `git clone https://github.com/microsoft/ML-For-Beginners.git` > [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) **[Mga Mag-aaral](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 gawain nang mag-isa o kasama ang grupo: - Magsimula sa pre-lecture quiz. - Basahin ang lecture at kumpletuhin ang mga aktibidad, huminto at magmuni-muni sa bawat knowledge check. - Subukang gumawa ng mga proyekto sa pamamagitan ng pag-unawa sa mga aralin sa halip na direktang gamitin ang solution code; gayunpaman, ang code na iyon ay makikita sa `/solution` folders sa bawat project-oriented na aralin. - Sagutan ang post-lecture quiz. - Kumpletuhin ang hamon. - Kumpletuhin ang takdang-aralin. - Pagkatapos makumpleto ang isang grupo ng aralin, bisitahin ang [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) at "matutong maglahad" sa pamamagitan ng pag-fill out ng angkop na PAT rubric. Ang 'PAT' ay isang Progress Assessment Tool na isang rubric na iyong pinupunan upang higit pang mapalalim ang iyong pagkatuto. Maaari ka ring mag-react sa ibang PATs upang matuto nang sama-sama. > 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 learning paths. **Mga Guro**, nagbigay kami ng [ilang mungkahi](for-teachers.md) kung paano gamitin ang kurikulum na ito. --- ## Mga Video Walkthrough Ang ilan sa mga aralin ay may maikling video. Makikita mo ang lahat ng ito in-line sa mga aralin, o sa [ML for Beginners playlist sa Microsoft Developer YouTube channel](https://aka.ms/ml-beginners-videos) sa pamamagitan ng pag-click sa imahe sa ibaba. [](https://aka.ms/ml-beginners-videos) --- ## Kilalanin ang Team [](https://youtu.be/Tj1XWrDSYJU) **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! --- ## Pedagogy Pinili namin ang dalawang pedagogical tenets habang binubuo ang kurikulum na ito: tiyaking ito ay hands-on **project-based** at may kasamang **madalas na quizzes**. Bukod dito, ang kurikulum na ito ay may karaniwang **tema** upang bigyan ito ng pagkakaugnay. Sa pamamagitan ng pagtiyak na ang nilalaman ay naka-align sa mga proyekto, mas nagiging engaging ang proseso para sa mga mag-aaral at mas tumatatak ang mga konsepto. Bukod dito, ang low-stakes quiz bago ang klase ay nagtatakda ng intensyon ng mag-aaral na matutunan ang isang paksa, habang ang pangalawang quiz pagkatapos ng klase ay nagtitiyak ng karagdagang pagkatuto. Ang kurikulum na ito ay idinisenyo upang maging flexible at masaya at maaaring kunin nang buo o bahagi lamang. Ang mga proyekto ay nagsisimula sa maliit at nagiging mas kumplikado habang tumatagal ang 12-linggong cycle. Kasama rin sa kurikulum na ito ang isang postscript tungkol sa mga totoong aplikasyon ng ML, na maaaring gamitin bilang extra credit o bilang batayan para sa talakayan. > Hanapin ang aming [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), at [Translation](TRANSLATIONS.md) guidelines. Malugod naming tinatanggap ang inyong mga konstruktibong puna! ## Ang Bawat Aralin ay May Kasamang - opsyonal na sketchnote - opsyonal na supplemental video - video walkthrough (para sa ilang aralin lamang) - [pre-lecture warmup quiz](https://ff-quizzes.netlify.app/en/ml/) - nakasulat na aralin - para sa mga project-based na aralin, step-by-step na gabay kung paano gawin ang proyekto - knowledge checks - isang hamon - karagdagang babasahin - takdang-aralin - [post-lecture quiz](https://ff-quizzes.netlify.app/en/ml/) > **Tungkol sa mga wika**: Ang mga araling ito ay pangunahing nakasulat sa Python, ngunit marami rin ang available sa R. Upang kumpletuhin ang isang R lesson, pumunta sa `/solution` folder at hanapin ang mga R lessons. Ang mga ito ay may `.rmd` extension na kumakatawan sa isang **R Markdown** file na maaaring tukuyin bilang isang dokumento na naglalaman ng `code chunks` (ng R o iba pang wika) at isang `YAML header` (na gumagabay kung paano i-format ang outputs tulad ng PDF) sa isang `Markdown document`. Dahil dito, ito ay isang mahusay na framework para sa data science dahil pinapayagan kang pagsamahin ang iyong code, ang output nito, at ang iyong mga ideya sa pamamagitan ng pagsulat ng mga ito sa Markdown. Bukod dito, ang mga R Markdown na dokumento ay maaaring i-render sa mga output format tulad ng PDF, HTML, o Word. > **Tungkol sa quizzes**: Ang lahat ng quizzes ay nasa [Quiz App folder](../../quiz-app), para sa kabuuang 52 quizzes na may tig-tatlong tanong bawat isa. Ang mga ito ay naka-link mula sa loob ng mga aralin ngunit maaaring i-run locally ang quiz app; sundin ang mga tagubilin sa `quiz-app` folder upang i-host locally o i-deploy sa Azure. | Lesson Number | Paksa | Pangkat 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 at Amy | | 03 | Pagkamakatarungan at machine learning | [Introduction](1-Introduction/README.md) | Ano ang mga mahahalagang isyung pilosopikal tungkol sa pagkamakatarungan na dapat isaalang-alang ng mga mag-aaral kapag gumagawa at nag-aaplay ng mga ML model? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi | | 04 | Mga Teknik para sa Machine Learning | [Introduction](1-Introduction/README.md) | Anong mga teknik ang ginagamit ng mga mananaliksik ng ML upang bumuo ng mga ML model? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris at Jen | | 05 | Panimula sa Regression | [Regression](2-Regression/README.md) | Magsimula sa 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) | Gumawa ng linear at polynomial regression models | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen at Dmitry • Eric Wanjau | | 08 | Mga Presyo ng Kalabasa sa Hilagang Amerika 🎃 | [Regression](2-Regression/README.md) | Gumawa 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) | Gumawa ng web app upang magamit ang iyong na-train na model | [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 at Cassie • Eric Wanjau | | 11 | Masasarap na Asian at Indian na Lutuin 🍜 | [Classification](4-Classification/README.md) | Panimula sa classifiers | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen at Cassie • Eric Wanjau | | 12 | Masasarap na Asian at Indian na Lutuin 🍜 | [Classification](4-Classification/README.md) | Higit pang mga classifiers | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen at Cassie • Eric Wanjau | | 13 | Masasarap na Asian at Indian na Lutuin 🍜 | [Classification](4-Classification/README.md) | Gumawa ng recommender web app gamit ang iyong model | [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) | Alamin ang mga pangunahing kaalaman tungkol sa NLP sa pamamagitan ng paggawa ng simpleng bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | | 17 | Karaniwang Gawain sa NLP ☕️ | [Natural language processing](6-NLP/README.md) | Palalimin ang iyong kaalaman sa NLP sa pamamagitan ng pag-unawa sa mga karaniwang gawain na kinakailangan 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 sentiment analysis gamit si Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | | 19 | Mga Romantic na Hotel sa Europa ♥️ | [Natural language processing](6-NLP/README.md) | Sentiment analysis gamit ang mga review ng hotel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | | 20 | Mga Romantic na Hotel sa Europa ♥️ | [Natural language processing](6-NLP/README.md) | Sentiment analysis gamit ang mga review ng hotel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | | 21 | Panimula sa Time Series Forecasting | [Time series](7-TimeSeries/README.md) | Panimula sa time series forecasting | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | | 22 | ⚡️ Paggamit ng Kuryente sa Mundo ⚡️ - Time Series Forecasting gamit ang ARIMA | [Time series](7-TimeSeries/README.md) | Time series forecasting gamit ang ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | | 23 | ⚡️ Paggamit ng Kuryente sa Mundo ⚡️ - Time Series Forecasting gamit ang SVR | [Time series](7-TimeSeries/README.md) | Time series forecasting gamit ang Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | | 24 | Panimula sa Reinforcement Learning | [Reinforcement learning](8-Reinforcement/README.md) | Panimula sa reinforcement learning gamit ang Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | | 25 | Tulungan si Peter na Iwasan ang Lobo! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Reinforcement learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | | Postscript | Mga Real-World Scenario at Aplikasyon ng ML | [ML in the Wild](9-Real-World/README.md) | Mga kawili-wili at nakakagulat na 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 Model sa Machine Learning gamit ang mga bahagi ng Responsible AI dashboard | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | > [hanapin ang lahat ng karagdagang mapagkukunan para sa kursong ito sa aming Microsoft Learn collection](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) ## Offline na Pag-access 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`. Ang website ay magsisilbi sa port 3000 sa iyong localhost: `localhost:3000`. ## Mga PDF Hanapin ang 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: - [Generative AI for Beginners](https://aka.ms/genai-beginners) - [Generative AI for Beginners .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet) - [Generative AI with JavaScript](https://github.com/microsoft/generative-ai-with-javascript) - [Generative AI with Java](https://github.com/microsoft/Generative-AI-for-beginners-java) - [AI for Beginners](https://aka.ms/ai-beginners) - [Data Science for Beginners](https://aka.ms/datascience-beginners) - [ML for Beginners](https://aka.ms/ml-beginners) - [Cybersecurity for Beginners](https://github.com/microsoft/Security-101) - [Web Dev for Beginners](https://aka.ms/webdev-beginners) - [IoT for Beginners](https://aka.ms/iot-beginners) - [XR Development for Beginners](https://github.com/microsoft/xr-development-for-beginners) - [Mastering GitHub Copilot for Paired Programming](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming) - [Mastering GitHub Copilot for C#/.NET Developers](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers) - [Choose Your Own Copilot Adventure](https://github.com/microsoft/CopilotAdventures) ---