ML-For-Beginners/translations/ms

🌐 Sokongan Pelbagai Bahasa

Disokong melalui GitHub Action (Automatik & Sentiasa Terkini)

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)

Sertai Komuniti

Pembelajaran Mesin untuk Pemula - Kurikulum

🌍 Jelajah dunia sambil kita meneroka Pembelajaran Mesin melalui budaya dunia 🌍

Cloud Advocates di Microsoft dengan bangga menawarkan kurikulum selama 12 minggu, 26 pelajaran tentang Pembelajaran Mesin. Dalam kurikulum ini, anda akan mempelajari apa yang kadangkala dipanggil pembelajaran mesin klasik, menggunakan terutamanya perpustakaan Scikit-learn dan mengelakkan pembelajaran mendalam, yang diliputi dalam kurikulum AI untuk Pemula kami. Padankan pelajaran ini dengan kurikulum 'Data Science for Beginners' kami juga!

Jelajah bersama kami ke seluruh dunia sambil kami menerapkan teknik klasik ini kepada data dari pelbagai kawasan dunia. Setiap pelajaran termasuk 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 yang terbukti untuk kemahiran baharu 'melekat'.

✍️ 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 ilustrator kami Tomomi Imura, Dasani Madipalli, dan Jen Looper

🙏 Terima kasih khas 🙏 kepada penulis, pengulas, dan penyumbang kandungan Microsoft Student Ambassador kami, terutamanya 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!

Memulakan

Ikuti langkah-langkah ini:

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

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

Pelajar, untuk menggunakan kurikulum ini, fork keseluruhan repo ke akaun GitHub anda sendiri dan lengkapkan latihan secara individu atau dengan kumpulan:

• Mulakan dengan kuiz pra-pelajaran.
• Baca pelajaran dan lengkapkan aktiviti, berhenti dan renungkan pada setiap semakan pengetahuan.
• Cuba buat projek dengan memahami pelajaran daripada menjalankan kod penyelesaian; walau bagaimanapun kod itu tersedia dalam folder /solution dalam setiap pelajaran berorientasikan projek.
• Ambil kuiz selepas pelajaran.
• Lengkapkan cabaran.
• Lengkapkan tugasan.
• Selepas melengkapkan kumpulan pelajaran, lawati Papan Perbincangan dan "belajar dengan lantang" dengan mengisi rubrik PAT yang sesuai. 'PAT' ialah Alat Penilaian Kemajuan yang merupakan rubrik yang anda isi untuk meningkatkan pembelajaran anda. Anda juga boleh bertindak balas terhadap PAT lain supaya kita dapat belajar bersama.

Untuk kajian lanjut, kami mengesyorkan mengikuti modul dan laluan pembelajaran Microsoft Learn.

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

---

Panduan video

Beberapa pelajaran tersedia dalam bentuk video pendek. Anda boleh menemui semua ini dalam pelajaran, atau di senarai main ML untuk Pemula di saluran YouTube Microsoft Developer dengan mengklik imej di bawah.

---

Kenali Pasukan

Gif oleh Mohit Jaisal

🎥 Klik imej di atas untuk video tentang projek dan orang yang menciptanya!

---

Pedagogi

Kami telah memilih dua prinsip pedagogi semasa membina kurikulum ini: memastikan ia berasaskan projek praktikal dan bahawa ia termasuk kuiz yang kerap. Selain itu, kurikulum ini mempunyai tema yang sama untuk memberikan kohesi.

Dengan memastikan kandungan sejajar dengan projek, proses ini menjadi lebih menarik untuk pelajar dan pengekalan konsep akan dipertingkatkan. Selain itu, kuiz berisiko rendah sebelum kelas menetapkan niat pelajar terhadap pembelajaran topik, manakala kuiz kedua selepas kelas memastikan pengekalan lanjut. Kurikulum ini direka bentuk untuk fleksibel dan menyeronokkan dan boleh diambil secara keseluruhan atau sebahagian. Projek bermula kecil dan menjadi semakin kompleks menjelang akhir kitaran 12 minggu. Kurikulum ini juga termasuk postscript tentang aplikasi dunia sebenar ML, yang boleh digunakan sebagai kredit tambahan atau sebagai asas untuk perbincangan.

Temui Kod Etika, Menyumbang, dan garis panduan Terjemahan kami. Kami mengalu-alukan maklum balas membina anda!

Setiap pelajaran termasuk

• sketchnote pilihan
• video tambahan pilihan
• panduan video (beberapa pelajaran sahaja)
• kuiz pemanasan pra-pelajaran
• pelajaran bertulis
• untuk pelajaran berasaskan projek, panduan langkah demi langkah tentang cara membina projek
• semakan pengetahuan
• cabaran
• bacaan tambahan
• tugasan
• kuiz selepas pelajaran

Nota tentang bahasa: Pelajaran ini ditulis terutamanya dalam Python, tetapi banyak juga tersedia dalam R. Untuk melengkapkan pelajaran R, pergi ke folder /solution dan cari pelajaran R. Ia termasuk sambungan .rmd yang mewakili fail R Markdown yang boleh ditakrifkan secara ringkas sebagai penyisipan code chunks (R atau bahasa lain) dan YAML header (yang membimbing 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 membolehkan anda menulisnya dalam Markdown. Selain itu, dokumen R Markdown boleh diberikan kepada format output seperti PDF, HTML, atau Word.

Nota tentang kuiz: Semua kuiz terkandung dalam folder Aplikasi Kuiz, untuk sejumlah 52 kuiz dengan tiga soalan setiap satu. Ia dipautkan dari dalam pelajaran tetapi aplikasi kuiz boleh dijalankan secara tempatan; ikuti arahan dalam folder quiz-app untuk menjadi tuan rumah secara tempatan atau melancarkan ke Azure.

Nombor Pelajaran	Topik	Kumpulan Pelajaran	Objektif Pembelajaran	Pelajaran Berkaitan	Penulis
01	Pengenalan kepada pembelajaran mesin	Pengenalan	Pelajari konsep asas di sebalik pembelajaran mesin	Pelajaran	Muhammad
02	Sejarah pembelajaran mesin	Pengenalan	Pelajari sejarah yang mendasari bidang ini	Pelajaran	Jen dan Amy
03	Keadilan dan pembelajaran mesin	Pengenalan	Apakah isu falsafah penting tentang keadilan yang perlu dipertimbangkan oleh pelajar semasa membina dan menggunakan model ML?	Pelajaran	Tomomi
04	Teknik untuk pembelajaran mesin	Pengenalan	Apakah teknik yang digunakan oleh penyelidik ML untuk membina model ML?	Pelajaran	Chris dan Jen
05	Pengenalan kepada regresi	Regresi	Mulakan dengan Python dan Scikit-learn untuk model regresi	Python • R	Jen • Eric Wanjau
06	Harga labu Amerika Utara 🎃	Regresi	Visualisasikan dan bersihkan data sebagai persediaan untuk ML	Python • R	Jen • Eric Wanjau
07	Harga labu Amerika Utara 🎃	Regresi	Bina model regresi linear dan polinomial	Python • R	Jen dan Dmitry • Eric Wanjau
08	Harga labu Amerika Utara 🎃	Regresi	Bina model regresi logistik	Python • R	Jen • Eric Wanjau
09	Aplikasi Web 🔌	Aplikasi Web	Bina aplikasi web untuk menggunakan model yang telah dilatih	Python	Jen
10	Pengenalan kepada klasifikasi	Klasifikasi	Bersihkan, sediakan, dan visualisasikan data anda; pengenalan kepada klasifikasi	Python • R	Jen dan Cassie • Eric Wanjau
11	Masakan Asia dan India yang lazat 🍜	Klasifikasi	Pengenalan kepada pengklasifikasi	Python • R	Jen dan Cassie • Eric Wanjau
12	Masakan Asia dan India yang lazat 🍜	Klasifikasi	Lebih banyak pengklasifikasi	Python • R	Jen dan Cassie • Eric Wanjau
13	Masakan Asia dan India yang lazat 🍜	Klasifikasi	Bina aplikasi web cadangan menggunakan model anda	Python	Jen
14	Pengenalan kepada pengelompokan	Pengelompokan	Bersihkan, sediakan, dan visualisasikan data anda; pengenalan kepada pengelompokan	Python • R	Jen • Eric Wanjau
15	Meneroka Citarasa Muzik Nigeria 🎧	Pengelompokan	Terokai kaedah pengelompokan K-Means	Python • R	Jen • Eric Wanjau
16	Pengenalan kepada pemprosesan bahasa semula jadi ☕️	Pemprosesan bahasa semula jadi	Pelajari asas NLP dengan membina bot ringkas	Python	Stephen
17	Tugas NLP Biasa ☕️	Pemprosesan bahasa semula jadi	Mendalami pengetahuan NLP dengan memahami tugas biasa yang diperlukan dalam menangani struktur bahasa	Python	Stephen
18	Terjemahan dan analisis sentimen ♥️	Pemprosesan bahasa semula jadi	Terjemahan dan analisis sentimen dengan Jane Austen	Python	Stephen
19	Hotel romantik di Eropah ♥️	Pemprosesan bahasa semula jadi	Analisis sentimen dengan ulasan hotel 1	Python	Stephen
20	Hotel romantik di Eropah ♥️	Pemprosesan bahasa semula jadi	Analisis sentimen dengan ulasan hotel 2	Python	Stephen
21	Pengenalan kepada ramalan siri masa	Siri masa	Pengenalan kepada ramalan siri masa	Python	Francesca
22	⚡️ Penggunaan Kuasa Dunia ⚡️ - ramalan siri masa dengan ARIMA	Siri masa	Ramalan siri masa dengan ARIMA	Python	Francesca
23	⚡️ Penggunaan Kuasa Dunia ⚡️ - ramalan siri masa dengan SVR	Siri masa	Ramalan siri masa dengan Support Vector Regressor	Python	Anirban
24	Pengenalan kepada pembelajaran pengukuhan	Pembelajaran pengukuhan	Pengenalan kepada pembelajaran pengukuhan dengan Q-Learning	Python	Dmitry
25	Bantu Peter elak serigala! 🐺	Pembelajaran pengukuhan	Gim pembelajaran pengukuhan	Python	Dmitry
Postscript	Senario dan aplikasi ML dunia sebenar	ML di Dunia Sebenar	Aplikasi dunia sebenar yang menarik dan mendedahkan tentang ML klasik	Pelajaran	Pasukan
Postscript	Penyahpepijatan Model dalam ML menggunakan papan pemuka RAI	ML di Dunia Sebenar	Penyahpepijatan Model dalam Pembelajaran Mesin menggunakan komponen papan pemuka AI Bertanggungjawab	Pelajaran	Ruth Yakubu

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

Akses luar talian

Anda boleh menjalankan dokumentasi ini secara luar talian dengan menggunakan Docsify. Fork repo ini, pasang Docsify pada mesin tempatan anda, dan kemudian di folder root repo ini, taip docsify serve. Laman web akan disediakan pada port 3000 di localhost anda: localhost:3000.

PDF

Cari PDF kurikulum dengan pautan di sini.

🎒 Kursus Lain

Pasukan kami menghasilkan kursus lain! Lihat:

• Generative AI untuk Pemula
• Generative AI untuk Pemula .NET
• Generative AI dengan JavaScript
• Generative AI dengan Java
• AI untuk Pemula
• Sains Data untuk Pemula
• ML untuk Pemula
• Keselamatan Siber untuk Pemula
• Pembangunan Web untuk Pemula
• IoT untuk Pemula
• Pembangunan XR untuk Pemula
• Menguasai GitHub Copilot untuk Pengaturcaraan Berpasangan
• Menguasai GitHub Copilot untuk Pembangun C#/.NET
• Pilih Pengembaraan Copilot Anda Sendiri

---

Penafian:
Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI Co-op Translator. Walaupun kami berusaha untuk memastikan ketepatan, sila ambil maklum bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang berwibawa. Untuk maklumat penting, terjemahan manusia profesional adalah disyorkan. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.