33 KiB

Raw Blame History Unescape Escape

🌐 Suporta sa Maramihang Wika

Sinusuportahan sa pamamagitan ng GitHub Action (Automatiko at Palaging Napapanahon)

Mas gusto mo bang Mag-clone nang Lokal?

Kasama sa repository na ito ang mahigit 50 lengguwahe na pagsasalin na lubos na nagpapalaki ng laki ng pag-download. Para mag-clone nang walang mga pagsasalin, gamitin ang 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"
Bibigyan ka nito ng lahat ng kailangan mo para matapos ang kurso nang mas mabilis ang pag-download.

Sumali sa Aming Komunidad

Mayroon kaming patuloy na serye sa Discord na "learn with AI," alamin pa at sumali sa amin sa Learn with AI Series mula Setyembre 18 - 30, 2025. Makakakuha ka ng mga tip at trick sa paggamit ng GitHub Copilot para sa Data Science.

Machine Learning para sa mga Baguhan - Isang Kurikulum

🌍 Maglakbay tayo sa buong mundo habang tinutuklas natin ang Machine Learning sa pamamagitan ng mga kultura ng mundo 🌍

Ikinagagalak ng mga Cloud Advocates ng Microsoft na mag-alok ng 12-linggong, 26-leksyon na kurikulum tungkol sa Machine Learning. Sa kurikulum na ito, matututuhan mo ang kung ano ang tinatawag na classic machine learning, gamit ang pangunahing Scikit-learn bilang library at iniiwasan ang deep learning, na kasama naman sa aming AI for Beginners' curriculum. Kombinahin ang mga leksyong ito sa aming 'Data Science for Beginners' curriculum, din!

Maglakbay kasama namin sa buong mundo habang inilalapat natin ang mga klasikong teknik na ito sa datos mula sa maraming bahagi ng mundo. Bawat leksyon ay may mga pagsusulit bago at pagkatapos ng leksyon, nakasulat na mga tagubilin para matapos ang leksyon, solusyon, takdang-aralin, at iba pa. Ang aming pedagohiyang nakabatay sa proyekto ay nagpapahintulot sa iyo na matuto habang gumagawa, isang subok na paraan para manatili ang bagong mga kasanayan.

✍️ Malugod na 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 mga may-akda, tagasuri, at mga nag-ambag ng nilalaman, lalo na kina Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, at Snigdha Agarwal

🤩 Dagdag pa na pasasalamat sa Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, at Vidushi Gupta para sa aming mga leksyon sa R!

Pagsisimula

Sundin ang mga hakbang na ito:

I-fork ang Repositoryo: I-click ang "Fork" na button sa kanang itaas na bahagi ng pahinang ito.
I-clone ang Repositoryo: git clone https://github.com/microsoft/ML-For-Beginners.git

💡 Tip para sa Mabilis na Pagsisimula: Gusto mo bang magsimula sa browser nang hindi nagse-setup ng Python locally? Gamitin ang GitHub Codespaces para gumawa ng cloud development environment para sa iyong fork. Buksan ang berdeng Code na menu, piliin ang Codespaces, at gumawa ng codespace; i-install ang mga kinakailangang dependencies ng bawat leksyon dito ayon sa pangangailangan.

hanapin lahat ng karagdagang mga resources para sa kursong ito sa aming koleksyon sa Microsoft Learn

🔧 Kailangan ng tulong? Tingnan ang aming Troubleshooting Guide para sa mga solusyon sa karaniwang problema sa pag-install, setup, at pagpapatakbo ng mga leksyon.

Mga Estudyante, para magamit ang kurikulum na ito, i-fork ang buong repo sa iyong sariling GitHub account at tapusin ang mga gawain nang mag-isa o kasama ang grupo:

Magsimula sa pre-lecture quiz.
Basahin ang leksyon at gawin ang mga aktibidad, huminto at magnilay sa bawat pagsusuri ng kaalaman.
Subukang gawin ang mga proyekto sa pamamagitan ng pag-unawa sa mga leksyon kaysa lamang pagpapatakbo ng solusyong code; gayunpaman, ang code ay available sa mga /solution na folder sa bawat project-oriented na leksyon.
Kunin ang post-lecture quiz.
Kumpletuhin ang hamon.
Kumpletuhin ang takdang-aralin.
Pagkatapos makumpleto ang isang pangkat ng leksyon, bumisita sa Discussion Board at "matuto nang malakas" sa pamamagitan ng pagpuno ng angkop na PAT rubric. Ang 'PAT' ay isang Progress Assessment Tool na isang rubric na pinupuno mo para palalimin ang iyong pagkatuto. Maaari ka ring mag-react sa ibang mga PAT upang sama-sama tayong matuto.

Para sa karagdagang pag-aaral, inirerekomenda naming sundan ang mga Microsoft Learn na mga module at learning paths.

Mga Guro, may pinagsama kaming ilang mungkahi kung paano gamitin ang kurikulum na ito.

Mga Video na walkthrough

Ang ilan sa mga leksyon ay available bilang maikling anyo ng video. Makikita mo ang lahat ng ito na naka-inline sa mga leksyon, o sa ML for Beginners playlist sa Microsoft Developer YouTube channel sa pamamagitan ng pag-click sa larawan sa ibaba.

Kilalanin ang Team

Gif ni Mohit Jaisal

🎥 I-click ang larawan sa itaas para sa isang video tungkol sa proyekto at sa mga taong gumawa nito!

Pedagohiya

Pinili namin ang dalawang pedagogical na prinsipyo habang binubuo ang kurikulum na ito: tiyakin na ito ay hands-on at nakabatay sa proyekto at may kasamang madalas na pagsusulit. Bukod dito, ang kurikulum na ito ay may isang pangkaraniwang tema para magbigay ng pagkakaugnay-ugnay.

Sa pagtiyak na ang nilalaman ay kaugnay ng mga proyekto, ginagawa nitong mas kawili-wili para sa mga estudyante ang proseso at mapapalawak ang retention ng mga konsepto. Bukod dito, ang mababang-peligro na pagsusulit bago ang klase ay naglalagay ng intensyon ng estudyante sa pag-aaral ng paksa, habang ang pangalawang pagsusulit pagkatapos ng klase ay nagbibigay ng karagdagang retention. Ang kurikulum na ito ay dinisenyo upang maging flexible at masaya at maaaring kunin nang buo o bahagya. Ang mga proyekto ay nagsisimula nang maliit at humihirap habang papalapit sa katapusan ng 12-linggong siklo. Kasama rin sa kurikulum na ito ang isang postskript sa mga totoong aplikasyon ng ML, na maaaring gamitin bilang dagdag na kredito o bilang base sa diskusyon.

Hanapin ang aming Code of Conduct, Contributing, Translations, at Troubleshooting na mga patnubay. Malugod naming tinatanggap ang iyong makabuluhang puna!

Bawat leksyon ay may kasamang

opsyonal na sketchnote
opsyonal na panustos na video
video walkthrough (ilan lang sa mga leksyon)
pre-lecture warmup quiz
nakasulat na leksyon
para sa mga project-based na leksyon, mga sunod-sunod na gabay kung paano bumuo ng proyekto
pagsusuri ng kaalaman
isang hamon
karagdagang pagbasa
takdang-aralin
post-lecture quiz

Isang tala tungkol sa mga wika: Ang mga leksyon na ito ay pangunahing nakasulat sa Python, ngunit marami rin ang available sa R. Para matapos ang isang R leksyon, pumunta sa /solution na folder at hanapin ang mga leksyon sa R. Mayroon itong .rmd na ekstensyon na kumakatawan sa isang R Markdown na file na maaaring tukuyin bilang isang pag-embed ng code chunks (ng R o iba pang mga wika) at isang YAML header (na gumagabay kung paano i-format ang mga output tulad ng PDF) sa isang Markdown document. Dahil dito, nagsisilbi itong isang mahuhusay na framework para sa pag-aakda para sa data science dahil pinapayagan kang pag-isahin ang iyong code, ang output nito, at ang iyong mga ideya sa pamamagitan ng pagsulat nito sa Markdown. Bukod pa rito, ang mga R Markdown na dokumento ay maaaring ipakita sa mga output na format tulad ng PDF, HTML, o Word.

Isang tala tungkol sa mga pagsusulit: Lahat ng pagsusulit ay nasa loob ng Quiz App folder, para sa kabuuang 52 na pagsusulit na may tig-tatlong tanong bawat isa. Nakalink ang mga ito mula sa loob ng mga leksyon pero ang quiz app ay maaring patakbuhin lokal; sundin ang mga tagubilin sa quiz-app na folder para mag-host lokal o mag-deploy sa Azure.

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	Panimula sa machine learning	Introduction	Alamin ang mga pangunahing konsepto sa likod ng machine learning	Lesson	Muhammad
02	Kasaysayan ng machine learning	Introduction	Alamin ang kasaysayan sa likod ng larangang ito	Lesson	Jen and Amy
03	Katarungan at machine learning	Introduction	Ano ang mga mahalagang pilosopikal na isyu tungkol sa katarungan na dapat isaalang-alang ng mga estudyante kapag bumubuo at nag-aaplay ng mga modelo ng ML?	Lesson	Tomomi
04	Mga teknik para sa machine learning	Introduction	Anong mga teknik ang ginagamit ng mga mananaliksik ng ML para bumuo ng mga modelo ng ML?	Lesson	Chris and Jen
05	Panimula sa regression	Regression	Magsimula gamit ang Python at Scikit-learn para sa mga modelo ng regression	Python • R	Jen • Eric Wanjau
06	Mga presyo ng kalabasa sa Hilagang Amerika 🎃	Regression	I-visualize at linisin ang data bilang paghahanda para sa ML	Python • R	Jen • Eric Wanjau
07	Mga presyo ng kalabasa sa Hilagang Amerika 🎃	Regression	Bumuo ng linear at polynomial na mga modelo ng regression	Python • R	Jen and Dmitry • Eric Wanjau
08	Mga presyo ng kalabasa sa Hilagang Amerika 🎃	Regression	Bumuo ng isang logistic regression model	Python • R	Jen • Eric Wanjau
09	Isang Web App 🔌	Web App	Gumawa ng web app para gamitin ang iyong na-train na modelo	Python	Jen
10	Panimula sa classification	Classification	Linisin, i-prep, at i-visualize ang iyong data; panimula sa classification	Python • R	Jen and Cassie • Eric Wanjau
11	Masasarap na lutuing Asyano at Indian 🍜	Classification	Panimula sa mga classifier	Python • R	Jen and Cassie • Eric Wanjau
12	Masasarap na lutuing Asyano at Indian 🍜	Classification	Higit pang mga classifier	Python • R	Jen and Cassie • Eric Wanjau
13	Masasarap na lutuing Asyano at Indian 🍜	Classification	Gumawa ng recommender web app gamit ang iyong modelo	Python	Jen
14	Panimula sa clustering	Clustering	Linisin, i-prep, at i-visualize ang iyong data; panimula sa clustering	Python • R	Jen • Eric Wanjau
15	Pagsisiyasat sa Nigerian Musical Tastes 🎧	Clustering	Siyasatin ang K-Means clustering method	Python • R	Jen • Eric Wanjau
16	Panimula sa natural language processing ☕️	Natural language processing	Alamin ang mga batayan tungkol sa NLP sa pamamagitan ng paggawa ng isang simpleng bot	Python	Stephen
17	Karaniwang mga Gawain sa NLP ☕️	Natural language processing	Palalimin ang iyong kaalaman sa NLP sa pamamagitan ng pag-unawa sa mga karaniwang gawain na kailangan kapag humaharap sa mga istruktura ng wika	Python	Stephen
18	Pagsasalin at pagsusuri ng damdamin ♥️	Natural language processing	Pagsasalin at pagsusuri ng damdamin gamit si Jane Austen	Python	Stephen
19	Mga romantikong hotel sa Europa ♥️	Natural language processing	Pagsusuri ng damdamin gamit ang mga review ng hotel 1	Python	Stephen
20	Mga romantikong hotel sa Europa ♥️	Natural language processing	Pagsusuri ng damdamin gamit ang mga review ng hotel 2	Python	Stephen
21	Panimula sa time series forecasting	Time series	Panimula sa time series forecasting	Python	Francesca
22	⚡️ Paggamit ng Kuryente sa Mundo ⚡️ - time series forecasting gamit ang ARIMA	Time series	Time series forecasting gamit ang ARIMA	Python	Francesca
23	⚡️ Paggamit ng Kuryente sa Mundo ⚡️ - time series forecasting gamit ang SVR	Time series	Time series forecasting gamit ang Support Vector Regressor	Python	Anirban
24	Panimula sa reinforcement learning	Reinforcement learning	Panimula sa reinforcement learning gamit ang Q-Learning	Python	Dmitry
25	Tulungan si Peter na umiwas sa lobo! 🐺	Reinforcement learning	Reinforcement learning Gym	Python	Dmitry
Postscript	Mga totoong senaryo at aplikasyon ng ML	ML in the Wild	Mga kawili-wili at nagpapakita ng totoong aplikasyon ng klasikong ML	Lesson	Team
Postscript	Pag-debug ng Modelo sa ML gamit ang RAI dashboard	ML in the Wild	Pag-debug ng Modelo sa Machine Learning gamit ang mga komponent ng Responsible AI dashboard	Lesson	Ruth Yakubu

hanapin lahat ng karagdagang mga resource para sa kursong ito sa aming Microsoft Learn collection

Offline access

Maaari mong patakbuhin ang dokumentasyong ito offline gamit ang Docsify. I-fork ang repo na ito, i-install ang Docsify sa iyong lokal na makina, at pagkatapos sa root folder ng repo na ito, isulat ang docsify serve. Ang website ay ihahain sa port 3000 sa iyong localhost: localhost:3000.

PDFs

Hanapin ang pdf ng kurikulum na may mga link dito.

🎒 Ibang Mga Kurso

Gumagawa ang aming koponan ng iba pang mga kurso! Tingnan:

LangChain

Azure / Edge / MCP / Mga Ahente

Generative AI Series

Pangunahing Pag-aaral

Copilot Series

Pagkuha ng Tulong

Kung kailangan mo ng tulong o may mga tanong habang nag-aaral ng Machine Learning o gumagawa ng mga AI application, huwag mag-alala — may tulong na magagamit.

Maaari kang sumali sa mga talakayan kasama ang ibang mga nag-aaral at developer, magtanong, at magbahagi ng iyong mga ideya sa komunidad.

Sumali sa komunidad para magtanong at matuto kasama ang iba
Talakayin ang mga konsepto ng Machine Learning at mga ideya sa proyekto
Kumuha ng gabay mula sa mga bihasang developer

Ang isang suportadong komunidad ay mahusay na paraan upang palaguin ang iyong mga kakayahan at mas mabilis na malutas ang mga problema.

Microsoft Foundry Discord Community

Kung makatagpo ka ng bugs, errors, o may mga suhestiyon para sa pagpapabuti, maaari ka ring magbukas ng Isyu sa repositoryong ito para i-report ang problema.

Para sa feedback sa produkto o para maghanap ng mga existing na post sa komunidad, bisitahin ang Developer Forum:

Mga Karagdagang Tip sa Pag-aaral

Balikan ang mga notebook pagkatapos ng bawat aralin para sa mas mahusay na pag-unawa.
Magpraktis ng pag-implementa ng mga algorithm nang mag-isa.
Siyasatin ang mga totoong dataset gamit ang mga natutunang konsepto.

Pagtatanggi: Ang dokumentong ito ay isinalin gamit ang serbisyo ng AI translation na Co-op Translator. Bagama't nagsusumikap kami para sa katumpakan, pakatandaan na ang awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa orihinal nitong wika ang dapat ituring na pangunahing sanggunian. Para sa mahahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang maling pagkakaintindi o maling interpretasyon na nagmula sa paggamit ng pagsasaling ito.

33 KiB Raw Blame History Unescape Escape