You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
54 lines
3.9 KiB
54 lines
3.9 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "508582278dbb8edd2a8a80ac96ef416c",
|
|
"translation_date": "2025-09-05T18:06:24+00:00",
|
|
"source_file": "2-Regression/README.md",
|
|
"language_code": "ms"
|
|
}
|
|
-->
|
|
# Model regresi untuk pembelajaran mesin
|
|
## Topik serantau: Model regresi untuk harga labu di Amerika Utara 🎃
|
|
|
|
Di Amerika Utara, labu sering diukir menjadi wajah menakutkan untuk Halloween. Mari kita pelajari lebih lanjut tentang sayur-sayuran yang menarik ini!
|
|
|
|
|
|
> Foto oleh <a href="https://unsplash.com/@teutschmann?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Beth Teutschmann</a> di <a href="https://unsplash.com/s/photos/jack-o-lanterns?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
|
|
|
|
## Apa yang akan anda pelajari
|
|
|
|
[](https://youtu.be/5QnJtDad4iQ "Video pengenalan regresi - Klik untuk menonton!")
|
|
> 🎥 Klik imej di atas untuk video pengenalan ringkas kepada pelajaran ini
|
|
|
|
Pelajaran dalam bahagian ini merangkumi jenis regresi dalam konteks pembelajaran mesin. Model regresi boleh membantu menentukan _hubungan_ antara pemboleh ubah. Jenis model ini boleh meramalkan nilai seperti panjang, suhu, atau umur, sekaligus mendedahkan hubungan antara pemboleh ubah semasa menganalisis titik data.
|
|
|
|
Dalam siri pelajaran ini, anda akan mempelajari perbezaan antara regresi linear dan regresi logistik, serta bila anda harus memilih satu berbanding yang lain.
|
|
|
|
[](https://youtu.be/XA3OaoW86R8 "ML untuk pemula - Pengenalan kepada model regresi untuk Pembelajaran Mesin")
|
|
|
|
> 🎥 Klik imej di atas untuk video pendek memperkenalkan model regresi.
|
|
|
|
Dalam kumpulan pelajaran ini, anda akan bersedia untuk memulakan tugas pembelajaran mesin, termasuk mengkonfigurasi Visual Studio Code untuk menguruskan notebook, persekitaran biasa bagi saintis data. Anda akan mengenali Scikit-learn, sebuah perpustakaan untuk pembelajaran mesin, dan anda akan membina model pertama anda, dengan fokus pada model regresi dalam bab ini.
|
|
|
|
> Terdapat alat low-code yang berguna untuk membantu anda mempelajari cara bekerja dengan model regresi. Cuba [Azure ML untuk tugas ini](https://docs.microsoft.com/learn/modules/create-regression-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
|
|
|
|
### Pelajaran
|
|
|
|
1. [Alat yang digunakan](1-Tools/README.md)
|
|
2. [Pengurusan data](2-Data/README.md)
|
|
3. [Regresi linear dan polinomial](3-Linear/README.md)
|
|
4. [Regresi logistik](4-Logistic/README.md)
|
|
|
|
---
|
|
### Kredit
|
|
|
|
"ML dengan regresi" ditulis dengan ♥️ oleh [Jen Looper](https://twitter.com/jenlooper)
|
|
|
|
♥️ Penyumbang kuiz termasuk: [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan) dan [Ornella Altunyan](https://twitter.com/ornelladotcom)
|
|
|
|
Dataset labu dicadangkan oleh [projek ini di Kaggle](https://www.kaggle.com/usda/a-year-of-pumpkin-prices) dan datanya diperoleh daripada [Laporan Standard Pasaran Terminal Tanaman Khas](https://www.marketnews.usda.gov/mnp/fv-report-config-step1?type=termPrice) yang diedarkan oleh Jabatan Pertanian Amerika Syarikat. Kami telah menambah beberapa titik berkaitan warna berdasarkan varieti untuk menormalkan taburan. Data ini adalah dalam domain awam.
|
|
|
|
---
|
|
|
|
**Penafian**:
|
|
Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Walaupun kami berusaha untuk memastikan ketepatan, sila ambil perhatian bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang berwibawa. Untuk maklumat yang kritikal, terjemahan manusia profesional adalah disyorkan. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini. |