ML-For-Beginners/translations/id

🌐 Dukungan Multi-Bahasa

Didukung melalui GitHub Action (Otomatis & Selalu Terbaru)

French | Spanish | German | Russian | Arabic | Persian (Farsi) | Urdu | Chinese (Simplified) | Chinese (Traditional, Macau) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Taiwan) | Japanese | Korean | Hindi | Bengali | Marathi | Nepali | Punjabi (Gurmukhi) | Portuguese (Portugal) | Portuguese (Brazil) | Italian | Polish | Turkish | Greek | Thai | Swedish | Danish | Norwegian | Finnish | Dutch | Hebrew | Vietnamese | Indonesian | Malay | Tagalog (Filipino) | Swahili | Hungarian | Czech | Slovak | Romanian | Bulgarian | Serbian (Cyrillic) | Croatian | Slovenian | Ukrainian | Burmese (Myanmar)

Bergabung dengan Komunitas

Pembelajaran Mesin untuk Pemula - Kurikulum

🌍 Jelajahi dunia saat kita mempelajari Pembelajaran Mesin melalui budaya dunia 🌍

Cloud Advocates di Microsoft dengan senang hati menawarkan kurikulum 12 minggu, 26 pelajaran tentang Pembelajaran Mesin. Dalam kurikulum ini, Anda akan mempelajari apa yang kadang disebut sebagai pembelajaran mesin klasik, menggunakan Scikit-learn sebagai pustaka utama dan menghindari pembelajaran mendalam, yang dibahas dalam kurikulum AI untuk Pemula. Pasangkan pelajaran ini dengan kurikulum 'Data Science untuk Pemula', juga!

Jelajahi dunia bersama kami saat kami menerapkan teknik klasik ini pada data dari berbagai wilayah dunia. Setiap pelajaran mencakup kuis sebelum dan sesudah pelajaran, instruksi tertulis untuk menyelesaikan pelajaran, solusi, tugas, dan lainnya. Pendekatan berbasis proyek kami memungkinkan Anda belajar sambil membangun, cara yang terbukti untuk membuat keterampilan baru lebih melekat.

✍️ Terima kasih yang tulus 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 para ilustrator kami Tomomi Imura, Dasani Madipalli, dan Jen Looper

🙏 Terima kasih khusus 🙏 kepada para Microsoft Student Ambassador penulis, pengulas, dan kontributor konten, terutama Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, dan Snigdha Agarwal

🤩 Terima kasih tambahan kepada Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, dan Vidushi Gupta untuk pelajaran R kami!

Memulai

Ikuti langkah-langkah ini:

1. Fork Repository: Klik tombol "Fork" di sudut kanan atas halaman ini.
2. Clone Repository: git clone https://github.com/microsoft/ML-For-Beginners.git

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

Siswa, untuk menggunakan kurikulum ini, fork seluruh repo ke akun GitHub Anda sendiri dan selesaikan latihan secara mandiri atau bersama kelompok:

• Mulailah dengan kuis sebelum pelajaran.
• Baca pelajaran dan selesaikan aktivitas, berhenti dan refleksi pada setiap pemeriksaan pengetahuan.
• Cobalah membuat proyek dengan memahami pelajaran daripada menjalankan kode solusi; namun kode tersebut tersedia di folder /solution dalam setiap pelajaran berbasis proyek.
• Ikuti kuis setelah pelajaran.
• Selesaikan tantangan.
• Selesaikan tugas.
• Setelah menyelesaikan grup pelajaran, kunjungi Papan Diskusi dan "belajar dengan lantang" dengan mengisi rubric PAT yang sesuai. PAT adalah Alat Penilaian Kemajuan yang merupakan rubric yang Anda isi untuk memperdalam pembelajaran Anda. Anda juga dapat bereaksi terhadap PAT lain sehingga kita dapat belajar bersama.

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

Guru, kami telah menyertakan beberapa saran tentang cara menggunakan kurikulum ini.

---

Video walkthroughs

Beberapa pelajaran tersedia dalam bentuk video pendek. Anda dapat menemukan semuanya di dalam pelajaran, atau di playlist ML untuk Pemula di saluran YouTube Microsoft Developer dengan mengklik gambar di bawah ini.

---

Temui Tim

Gif oleh Mohit Jaisal

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

---

Pedagogi

Kami telah memilih dua prinsip pedagogis saat membangun kurikulum ini: memastikan bahwa kurikulum ini berbasis proyek praktis dan mencakup kuis yang sering. Selain itu, kurikulum ini memiliki tema umum untuk memberikan kohesi.

Dengan memastikan bahwa konten selaras dengan proyek, proses pembelajaran menjadi lebih menarik bagi siswa dan retensi konsep akan meningkat. Selain itu, kuis dengan risiko 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 pada akhir siklus 12 minggu. Kurikulum ini juga mencakup postscript tentang aplikasi dunia nyata dari ML, yang dapat digunakan sebagai kredit tambahan atau sebagai dasar untuk diskusi.

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

Setiap pelajaran mencakup

• sketchnote opsional
• video tambahan opsional
• video walkthrough (beberapa pelajaran saja)
• kuis pemanasan sebelum pelajaran
• pelajaran tertulis
• untuk pelajaran berbasis proyek, panduan langkah demi langkah tentang cara membangun proyek
• pemeriksaan pengetahuan
• tantangan
• bacaan tambahan
• tugas
• kuis setelah pelajaran

Catatan tentang bahasa: Pelajaran ini sebagian besar ditulis dalam Python, tetapi banyak juga yang tersedia dalam R. Untuk menyelesaikan pelajaran R, buka folder /solution dan cari pelajaran R. Pelajaran ini mencakup ekstensi .rmd yang mewakili file R Markdown yang dapat didefinisikan sebagai penggabungan code chunks (dari R atau bahasa lain) dan YAML header (yang memandu cara memformat output seperti PDF) dalam dokumen Markdown. Dengan demikian, ini berfungsi sebagai kerangka kerja penulisan yang luar biasa untuk ilmu data karena memungkinkan Anda menggabungkan kode Anda, outputnya, dan pemikiran Anda dengan memungkinkan Anda menuliskannya dalam Markdown. Selain itu, dokumen R Markdown dapat dirender ke format output seperti PDF, HTML, atau Word.

Catatan tentang kuis: Semua kuis terdapat dalam folder Aplikasi Kuis, dengan total 52 kuis masing-masing tiga pertanyaan. Kuis ini terhubung dari dalam pelajaran tetapi aplikasi kuis dapat dijalankan secara lokal; ikuti instruksi di folder quiz-app untuk meng-host secara lokal atau menerapkan ke Azure.

Nomor Pelajaran	Topik	Pengelompokan Pelajaran	Tujuan Pembelajaran	Pelajaran Terkait	Penulis
01	Pengantar pembelajaran mesin	Pengantar	Pelajari konsep dasar di balik pembelajaran mesin	Pelajaran	Muhammad
02	Sejarah pembelajaran mesin	Pengantar	Pelajari sejarah yang mendasari bidang ini	Pelajaran	Jen dan Amy
03	Keadilan dalam pembelajaran mesin	Pengantar	Apa isu filosofis penting tentang keadilan yang harus dipertimbangkan siswa saat membangun dan menerapkan model ML?	Pelajaran	Tomomi
04	Teknik untuk pembelajaran mesin	Introduction	Teknik apa yang digunakan peneliti ML untuk membangun model ML?	Lesson	Chris dan Jen
05	Pengantar regresi	Regression	Mulai dengan Python dan Scikit-learn untuk model regresi	Python • R	Jen • Eric Wanjau
06	Harga labu di Amerika Utara 🎃	Regression	Visualisasikan dan bersihkan data sebagai persiapan untuk ML	Python • R	Jen • Eric Wanjau
07	Harga labu di Amerika Utara 🎃	Regression	Bangun model regresi linear dan polinomial	Python • R	Jen dan Dmitry • Eric Wanjau
08	Harga labu di Amerika Utara 🎃	Regression	Bangun model regresi logistik	Python • R	Jen • Eric Wanjau
09	Aplikasi Web 🔌	Web App	Bangun aplikasi web untuk menggunakan model yang telah dilatih	Python	Jen
10	Pengantar klasifikasi	Classification	Bersihkan, siapkan, dan visualisasikan data Anda; pengantar klasifikasi	Python • R	Jen dan Cassie • Eric Wanjau
11	Masakan Asia dan India yang lezat 🍜	Classification	Pengantar pengklasifikasi	Python • R	Jen dan Cassie • Eric Wanjau
12	Masakan Asia dan India yang lezat 🍜	Classification	Lebih banyak pengklasifikasi	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, siapkan, 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 umum NLP ☕️	Natural language processing	Perdalam pengetahuan NLP Anda dengan memahami tugas-tugas umum yang diperlukan saat menangani struktur bahasa	Python	Stephen
18	Terjemahan dan analisis sentimen ♥️	Natural language processing	Terjemahan dan analisis sentimen dengan karya 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 peramalan deret waktu	Time series	Pengantar peramalan deret waktu	Python	Francesca
22	⚡️ Penggunaan Daya Dunia ⚡️ - peramalan deret waktu dengan ARIMA	Time series	Peramalan deret waktu dengan ARIMA	Python	Francesca
23	⚡️ Penggunaan Daya Dunia ⚡️ - peramalan deret waktu dengan SVR	Time series	Peramalan 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 mengungkapkan tentang ML klasik	Lesson	Tim
Postscript	Debugging Model ML menggunakan dashboard RAI	ML in the Wild	Debugging Model dalam Pembelajaran Mesin menggunakan komponen dashboard AI yang Bertanggung Jawab	Lesson	Ruth Yakubu

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

Akses Offline

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

PDF

Temukan PDF dari kurikulum dengan tautan di sini.

🎒 Kursus Lainnya

Tim kami juga membuat kursus lainnya! Lihat:

• Generative AI for Beginners
• Generative AI for Beginners .NET
• Generative AI with JavaScript
• Generative AI with Java
• AI for Beginners
• Data Science for Beginners
• ML for Beginners
• Cybersecurity for Beginners
• Web Dev for Beginners
• IoT for Beginners
• XR Development for Beginners
• Mastering GitHub Copilot for Paired Programming
• Mastering GitHub Copilot for C#/.NET Developers
• Choose Your Own Copilot Adventure

---

Penafian:
Dokumen ini telah diterjemahkan menggunakan layanan penerjemahan AI Co-op Translator. Meskipun kami berupaya untuk memberikan hasil yang akurat, harap diperhatikan bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang berwenang. Untuk informasi yang bersifat kritis, disarankan menggunakan jasa penerjemahan manusia profesional. Kami tidak bertanggung jawab atas kesalahpahaman atau penafsiran yang keliru yang timbul dari penggunaan terjemahan ini.