ML-For-Beginners/translations/id

🌐 Dukungan Multi-Bahasa

Didukung melalui GitHub Action (Otomatis & Selalu Terbaru)

Arab | Bengali | Bulgaria | Burmese (Myanmar) | Cina (Sederhana) | Cina (Tradisional, Hong Kong) | Cina (Tradisional, Macau) | Cina (Tradisional, Taiwan) | Kroasia | Ceko | Denmark | Belanda | Estonia | Finlandia | Prancis | Jerman | Yunani | Ibrani | Hindi | Hungaria | Indonesia | Italia | Jepang | Kannada | Khmer | Korea | Lituania | Melayu | Malayalam | Marathi | Nepali | Pidgin Nigeria | Norwegia | Persia (Farsi) | Polandia | Portugis (Brasil) | Portugis (Portugal) | Punjabi (Gurmukhi) | Rumania | Rusia | Serbia (Sirilik) | Slovakia | Slovenia | Spanyol | Swahili | Swedia | Tagalog (Filipina) | Tamil | Telugu | Thailand | Turki | Ukraina | Urdu | Vietnam

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:

Bash / macOS / Linux:

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

CMD (Windows):

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"

Ini memberikan Anda semua yang diperlukan untuk menyelesaikan kursus dengan unduhan lebih cepat.

Bergabung dengan Komunitas Kami

Kami memiliki seri belajar Discord dengan AI yang sedang berlangsung, pelajari lebih lanjut dan bergabung dengan kami di Learn with AI Series dari 18 - 30 September 2025. Anda akan mendapatkan tips dan trik menggunakan GitHub Copilot untuk Data Science.

Pembelajaran Mesin untuk Pemula - Kurikulum

🌍 Berkeliling dunia saat kita menjelajahi Pembelajaran Mesin 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 kami. Padukan pelajaran ini dengan kurikulum 'Data Science untuk Pemula' kami 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.

✍️ Terima kasih hangat kepada para penulis kami Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu dan Amy Boyd

🎨 Terima kasih juga kepada ilustrator kami Tomomi Imura, Dasani Madipalli, dan Jen Looper

🙏 Terima kasih khusus 🙏 kepada 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!

Memulai

Ikuti langkah-langkah ini:

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

🔧 Butuh bantuan? Periksa Panduan Pemecahan Masalah kami untuk solusi masalah umum saat instalasi, penyiapan, dan menjalankan pelajaran.

Pelajar, untuk menggunakan kurikulum ini, fork seluruh repo ke akun GitHub Anda sendiri dan selesaikan latihan sendiri atau secara berkelompok:

• Mulailah dengan kuis pemanasan sebelum kuliah.
• Baca kuliah dan selesaikan aktivitas, berhenti dan renungkan setiap pemeriksaan pengetahuan.
• Cobalah buat proyek dengan memahami pelajaran daripada menjalankan kode solusi; namun kode tersebut tersedia dalam folder /solution di setiap pelajaran berbasis proyek.
• Ikuti kuis pascakuliah.
• Selesaikan tantangan.
• Selesaikan tugas.
• Setelah menyelesaikan satu kelompok pelajaran, kunjungi Papan Diskusi dan "belajar dengan lantang" dengan mengisi rubrik PAT yang sesuai. 'PAT' adalah Alat Penilaian Kemajuan yang merupakan rubrik yang Anda isi untuk memperdalam pembelajaran Anda. Anda juga dapat bereaksi terhadap PAT lain agar kita belajar bersama.

Untuk studi lebih lanjut, kami sarankan mengikuti modul dan jalur pembelajaran Microsoft Learn ini.

Para guru, kami telah menyediakan beberapa saran tentang cara menggunakan kurikulum ini.

---

Video walkthrough

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 dengan mengklik gambar di bawah ini.

---

Kenali Tim

Gif oleh Mohit Jaisal

🎥 Klik gambar di atas untuk video tentang proyek dan orang-orang yang membuatnya!

---

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.

Dengan menjamin isi konten selaras dengan proyek, proses pembelajaran menjadi lebih menarik bagi siswa dan retensi konsep akan meningkat. Selain itu, kuis dengan tingkat kesulitan rendah sebelum kelas menetapkan niat siswa untuk mempelajari topik, sementara kuis kedua setelah kelas memastikan retensi lebih lanjut. Kurikulum ini dirancang agar fleksibel dan menyenangkan serta dapat diambil secara keseluruhan atau sebagian. Proyek dimulai dari yang kecil dan menjadi semakin kompleks di akhir siklus 12 minggu. Kurikulum ini juga mencakup posskrip mengenai aplikasi nyata ML, yang dapat digunakan sebagai kredit tambahan atau sebagai dasar diskusi.

Temukan Kode Etik, Kontribusi, Terjemahan, dan panduan Pemecahan Masalah kami. Kami menyambut umpan balik membangun Anda!

Setiap pelajaran mencakup

• sketchnote opsional
• video tambahan opsional
• video walkthrough (hanya beberapa pelajaran)
• kuis pemanasan sebelum kuliah
• pelajaran tertulis
• untuk pelajaran berbasis proyek, panduan langkah-demi-langkah cara membangun proyek
• pemeriksaan pengetahuan
• sebuah tantangan
• bacaan tambahan
• tugas
• kuis pascakuliah

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, 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	Pelajari konsep dasar di balik machine learning	Pelajaran	Muhammad
02	Sejarah machine learning	Introduction	Pelajari sejarah yang mendasari bidang ini	Pelajaran	Jen dan Amy
03	Keadilan dan machine learning	Introduction	Apa isu filosofis penting terkait keadilan yang harus dipertimbangkan siswa saat membangun dan menerapkan model ML?	Pelajaran	Tomomi
04	Teknik untuk machine learning	Introduction	Teknik apa yang digunakan peneliti ML untuk membangun model ML?	Pelajaran	Chris dan Jen
05	Pengantar regresi	Regression	Mulai dengan Python dan Scikit-learn untuk model regresi	Python • R	Jen • Eric Wanjau
06	Harga labu Amerika Utara 🎃	Regression	Visualisasi dan pembersihan data sebagai persiapan untuk ML	Python • R	Jen • Eric Wanjau
07	Harga labu Amerika Utara 🎃	Regression	Bangun model regresi linear dan polinomial	Python • R	Jen dan Dmitry • Eric Wanjau
08	Harga labu Amerika Utara 🎃	Regression	Bangun model regresi logistik	Python • R	Jen • Eric Wanjau
09	Aplikasi Web 🔌	Web App	Bangun aplikasi web untuk menggunakan model yang sudah dilatih	Python	Jen
10	Pengantar klasifikasi	Classification	Bersihkan, persiapkan, dan visualisasikan data Anda; pengantar klasifikasi	Python • R	Jen dan Cassie • Eric Wanjau
11	Masakan Asia dan India yang Lezat 🍜	Classification	Pengantar classifier	Python • R	Jen dan Cassie • Eric Wanjau
12	Masakan Asia dan India yang Lezat 🍜	Classification	Lebih banyak classifier	Python • R	Jen dan Cassie • Eric Wanjau
13	Masakan Asia dan India yang Lezat 🍜	Classification	Bangun aplikasi web rekomendasi menggunakan model Anda	Python	Jen
14	Pengantar pengelompokan	Clustering	Bersihkan, persiapkan, dan visualisasikan data Anda; pengantar pengelompokan	Python • R	Jen • Eric Wanjau
15	Menjelajahi Selera Musik Nigeria 🎧	Clustering	Jelajahi metode pengelompokan K-Means	Python • R	Jen • Eric Wanjau
16	Pengantar pemrosesan bahasa alami ☕️	Natural language processing	Pelajari dasar-dasar NLP dengan membangun bot sederhana	Python	Stephen
17	Tugas NLP Umum ☕️	Natural language processing	Perdalam pengetahuan NLP Anda dengan memahami tugas umum yang dibutuhkan saat berurusan dengan struktur bahasa	Python	Stephen
18	Terjemahan dan analisis sentimen ♥️	Natural language processing	Terjemahan dan analisis sentimen dengan Jane Austen	Python	Stephen
19	Hotel romantis di Eropa ♥️	Natural language processing	Analisis sentimen dengan ulasan hotel 1	Python	Stephen
20	Hotel romantis di Eropa ♥️	Natural language processing	Analisis sentimen dengan ulasan hotel 2	Python	Stephen
21	Pengantar perkiraan deret waktu	Time series	Pengantar perkiraan deret waktu	Python	Francesca
22	⚡️ Penggunaan Listrik Dunia ⚡️ - perkiraan deret waktu dengan ARIMA	Time series	Perkiraan deret waktu dengan ARIMA	Python	Francesca
23	⚡️ Penggunaan Listrik Dunia ⚡️ - perkiraan deret waktu dengan SVR	Time series	Perkiraan deret waktu dengan Support Vector Regressor	Python	Anirban
24	Pengantar pembelajaran penguatan	Reinforcement learning	Pengantar pembelajaran penguatan dengan Q-Learning	Python	Dmitry
25	Bantu Peter menghindari serigala! 🐺	Reinforcement learning	Gym pembelajaran penguatan	Python	Dmitry
Postscript	Skenario dan aplikasi ML di dunia nyata	ML in the Wild	Aplikasi dunia nyata yang menarik dan mengungkap penggunaan ML klasik	Pelajaran	Team
Postscript	Debugging Model di ML menggunakan dashboard RAI	ML in the Wild	Debugging Model di Machine Learning menggunakan komponen dashboard Responsible AI	Pelajaran	Ruth Yakubu

temukan semua sumber tambahan untuk kursus ini dalam koleksi Microsoft Learn kami

Akses offline

Anda dapat menjalankan dokumentasi ini secara offline dengan menggunakan Docsify. Fork repo ini, pasang Docsify di mesin lokal Anda, lalu di folder root repo ini, ketik docsify serve. Situs web akan disajikan pada port 3000 di localhost Anda: localhost:3000.

PDF

Temukan pdf kurikulum dengan tautan di sini.

🎒 Kursus Lainnya

Tim kami memproduksi kursus lain! Cek:

LangChain

Azure / Edge / MCP / Agents

---

Seri AI Generatif

---

Pembelajaran Inti

---

Seri Copilot

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 memiliki umpan balik produk atau menemukan kesalahan saat membangun, kunjungi:

Tips Pembelajaran Tambahan

• Tinjau notebook setelah setiap pelajaran untuk pemahaman yang lebih baik.
• Latih menerapkan algoritma sendiri.
• Jelajahi dataset dunia nyata menggunakan konsep yang telah dipelajari.

---

Penafian:
Dokumen ini telah diterjemahkan menggunakan layanan terjemahan AI 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.