ML-For-Beginners/translations/ms

🌐 Sokongan Pelbagai Bahasa

Disokong melalui Tindakan GitHub (Automatik & Sentiasa Terkini)

Arab | Benggali | Bulgaria | Burma (Myanmar) | Cina (Ringkas) | Cina (Tradisional, Hong Kong) | Cina (Tradisional, Macau) | Cina (Tradisional, Taiwan) | Kroasia | Czech | Denmark | Belanda | Estonia | Finland | Perancis | Jerman | Greek | Ibrani | Hindi | Hungaria | Indonesia | Itali | Jepun | Kannada | Korea | Lithuania | Melayu | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Parsi (Farsi) | Poland | Portugis (Brazil) | Portugis (Portugal) | Punjabi (Gurmukhi) | Romania | Rusia | Serbia (Cyrillic) | Slovak | Slovenia | Sepanyol | Swahili | Sweden | Tagalog (Filipino) | Tamil | Telugu | Thai | Turki | Ukrainian | Urdu | Vietnam

Lebih suka Klon Tempatan?

Repositori ini mengandungi 50+ terjemahan bahasa yang meningkatkan saiz muat turun dengan ketara. Untuk klon tanpa terjemahan, gunakan sparse checkout:

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 memberi anda segala yang anda perlukan untuk melengkapkan kursus dengan muat turun yang jauh lebih pantas.

Sertai Komuniti Kami

Kami mempunyai siri belajar dengan AI Discord yang sedang berlangsung, pelajari lebih lanjut dan sertai kami di Siri Belajar dengan AI dari 18 - 30 September, 2025. Anda akan mendapat tips dan trik menggunakan GitHub Copilot untuk Sains Data.

Pembelajaran Mesin untuk Pemula - Kurikulum

🌍 Jelajah seluruh dunia semasa kita meneroka Pembelajaran Mesin melalui budaya dunia 🌍

Penyokong Awan di Microsoft dengan sukacitanya menawarkan kurikulum 12 minggu, 26 pelajaran yang semuanya mengenai Pembelajaran Mesin. Dalam kurikulum ini, anda akan belajar tentang apa yang kadang-kadang dipanggil pembelajaran mesin klasik, menggunakan terutamanya Scikit-learn sebagai perpustakaan dan mengelakkan pembelajaran mendalam, yang dibahas dalam kurikulum AI untuk Pemula kami. Padankan pelajaran ini dengan 'Kurikulum Sains Data untuk Pemula', juga!

Bepergianlah bersama kami ke seluruh dunia semasa kami menerapkan teknik klasik ini pada data dari banyak kawasan dunia. Setiap pelajaran termasuk kuiz pra dan pasca pelajaran, arahan bertulis untuk melengkapkan pelajaran, penyelesaian, tugasan, dan banyak lagi. Pedagogi berasaskan projek kami membolehkan anda belajar sambil membina, satu cara terbukti untuk kemahiran baru 'melekat'.

✍️ Terima kasih yang tidak terhingga kepada pengarang 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 pelukis kami Tomomi Imura, Dasani Madipalli, dan Jen Looper

🙏 Terima kasih istimewa 🙏 kepada pengarang, penyemak dan penyumbang kandungan Duta Pelajar Microsoft kami, terutamanya Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, dan Snigdha Agarwal

🤩 Penghargaan tambahan kepada Duta Pelajar Microsoft Eric Wanjau, Jasleen Sondhi, dan Vidushi Gupta untuk pelajaran R kami!

Memulakan

Ikuti langkah berikut:

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

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

🔧 Perlukan bantuan? Semak Panduan Penyelesaian Masalah kami untuk penyelesaian isu biasa dengan pemasangan, penyediaan, dan menjalankan pelajaran.

Pelajar, untuk menggunakan kurikulum ini, buatlah cabang (fork) repositori keseluruhan ke akaun GitHub anda sendiri dan selesaikan latihan secara sendiri atau dalam kumpulan:

• Mulakan dengan kuiz pemanasan pra-ceramah.
• Baca kuliah dan lengkapkan aktiviti, berhenti seketika dan renungkan pada setiap pemeriksaan pengetahuan.
• Cuba cipta projek dengan memahami pelajaran dan bukannya menjalankan kod penyelesaian; namun kod tersebut tersedia dalam folder /solution di setiap pelajaran berorientasikan projek.
• Ambil kuiz pasca kuliah.
• Lengkapkan cabaran.
• Lengkapkan tugasan.
• Selepas melengkapkan satu kumpulan pelajaran, lawati Papan Perbincangan dan "belajar secara lantang" dengan mengisi rubrik PAT yang sesuai. 'PAT' ialah Alat Penilaian Kemajuan yang merupakan rubrik yang anda isi untuk memajukan pembelajaran anda. Anda juga boleh bertindak balas kepada PAT lain supaya kita boleh belajar bersama.

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

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

---

Video panduan

Sesetengah pelajaran tersedia sebagai video bentuk ringkas. Anda boleh menemui semuanya dalam pelajaran, atau di senarai main ML for Beginners di saluran YouTube Microsoft Developer dengan mengklik imej di bawah.

---

Kenali Pasukan

Gif oleh Mohit Jaisal

🎥 Klik imej di atas untuk video mengenai projek dan orang yang menciptakannya!

---

Pedagogi

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

Dengan memastikan kandungan selari dengan projek, prosesnya menjadi lebih menarik untuk pelajar dan pengekalan konsep akan dipertingkatkan. Selain itu, kuiz berisiko rendah sebelum kelas menetapkan niat pelajar untuk belajar topik, sementara kuiz kedua selepas kelas memastikan pengekalan lebih lanjut. Kurikulum ini direka supaya fleksibel dan menyeronokkan serta boleh diambil secara keseluruhan atau sebahagian. Projek bermula kecil dan menjadi semakin rumit menjelang akhir kitaran 12 minggu. Kurikulum ini juga mengandungi posskrip mengenai aplikasi nyata ML, yang boleh digunakan sebagai kredit tambahan atau sebagai asas untuk perbincangan.

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

Setiap pelajaran mengandungi

• sketchnote pilihan
• video tambahan pilihan
• video panduan (sesetengah pelajaran sahaja)
• kuiz pemanasan pra-ceramah
• pelajaran bertulis
• untuk pelajaran berasaskan projek, panduan langkah demi langkah cara membina projek
• pemeriksaan pengetahuan
• cabaran
• bacaan tambahan
• tugasan
• kuiz pasca-ceramah

Nota tentang bahasa: Pelajaran ini terutama ditulis dalam Python, tetapi banyak juga tersedia dalam R. Untuk melengkapkan pelajaran R, pergi ke folder /solution dan cari pelajaran R. Ia termasuk peluasan .rmd yang mewakili fail R Markdown yang boleh didefinisikan sebagai gabungan chunk kod (R atau bahasa lain) dan header YAML (yang mengarahkan cara format 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 menuliskannya dalam Markdown. Selain itu, dokumen R Markdown boleh dirender ke format output seperti PDF, HTML, atau Word. Satu nota tentang kuiz: Semua kuiz terkandung dalam folder Quiz App, untuk 52 kuiz keseluruhan dengan tiga soalan setiap satu. Ia dipautkan dari dalam pelajaran tetapi aplikasi kuiz boleh dijalankan secara tempatan; ikut arahan dalam folder quiz-app untuk menghos atau melancarkan ke Azure secara tempatan.

Nombor Pelajaran	Topik	Pengelompokan 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 di sebalik bidang ini	Pelajaran	Jen dan Amy
03	Keadilan dan pembelajaran mesin	Pengenalan	Apakah isu falsafah penting mengenai keadilan yang perlu dipertimbangkan oleh pelajar semasa membina dan menggunakan model ML?	Pelajaran	Tomomi
04	Teknik untuk pembelajaran mesin	Pengenalan	Apakah teknik yang digunakan penyelidik ML untuk membina model ML?	Pelajaran	Chris dan Jen
05	Pengenalan kepada regresi	Regresi	Mula dengan Python dan Scikit-learn untuk model regresi	Python • R	Jen • Eric Wanjau
06	Harga labu Amerika Utara 🎃	Regresi	Visualisasikan dan bersihkan data sebagai persiapan 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 pemesejan 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 Selera 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 mudah	Python	Stephen
17	Tugasan NLP Lazim ☕️	Pemprosesan bahasa semula jadi	Mendalami pengetahuan NLP anda dengan memahami tugasan biasa yang diperlukan apabila berurusan dengan 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 peramalan siri masa	Siri Masa	Pengenalan kepada peramalan siri masa	Python	Francesca
22	⚡️ Penggunaan Kuasa Dunia ⚡️ - peramalan siri masa dengan ARIMA	Siri Masa	Peramalan siri masa dengan ARIMA	Python	Francesca
23	⚡️ Penggunaan Kuasa Dunia ⚡️ - peramalan siri masa dengan SVR	Siri Masa	Peramalan siri masa dengan Support Vector Regressor	Python	Anirban
24	Pengenalan kepada pembelajaran penguatan	Pembelajaran Penguatan	Pengenalan kepada pembelajaran penguatan dengan Q-Learning	Python	Dmitry
25	Bantu Peter elak serigala! 🐺	Pembelajaran Penguatan	Pembelajaran penguatan Gym	Python	Dmitry
Penutup	Senario dan aplikasi ML Dunia Sebenar	ML di Alam Liar	Aplikasi dunia sebenar yang menarik dan mendedahkan ML klasik	Pelajaran	Pasukan
Penutup	Penyahpepijatan Model dalam ML menggunakan papan pemuka RAI	ML di Alam Liar	Penyahpepijatan Model dalam Pembelajaran Mesin menggunakan komponen papan pemuka Responsible AI	Pelajaran	Ruth Yakubu

cari 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. Buat forking repo ini, pasang Docsify pada mesin tempatan anda, kemudian di folder akar repo ini, taip docsify serve. Laman web akan dihidangkan pada port 3000 di localhost anda: localhost:3000.

PDF

Dapatkan pdf kurikulum dengan pautan di sini.

🎒 Kursus Lain

Pasukan kami menghasilkan kursus lain! Semak:

LangChain

---

Azure / Edge / MCP / Ejen

---

Siri AI Generatif

---

Pembelajaran Teras

---

Siri Copilot

Mendapatkan Bantuan

Jika anda tersekat atau mempunyai sebarang soalan tentang membina aplikasi AI. Sertai pelajar lain dan pembangun berpengalaman dalam perbincangan mengenai MCP. Ia adalah komuniti yang menyokong di mana soalan dialu-alukan dan pengetahuan dikongsi secara bebas.

Jika anda mempunyai maklum balas produk atau ralat semasa membina, lawati:

---

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