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.
ML-For-Beginners/translations/id/README.md

25 KiB

Lisensi GitHub
Kontributor GitHub
Masalah GitHub
Permintaan Tarik GitHub
PRs Welcome

Pengamat GitHub
Fork GitHub
Bintang GitHub

🌐 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 Kami

Azure AI Discord

Kami memiliki seri pembelajaran dengan AI di Discord yang sedang berlangsung. Pelajari lebih lanjut dan bergabunglah dengan kami di Learn with AI Series dari 18 - 30 September 2025. Anda akan mendapatkan tips dan trik menggunakan GitHub Copilot untuk Data Science.

Learn with AI series

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-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 for Beginners' kami juga!

Jelajahi dunia bersama kami saat kami menerapkan teknik klasik ini pada data dari berbagai belahan dunia. Setiap pelajaran mencakup kuis sebelum dan sesudah pelajaran, instruksi tertulis untuk menyelesaikan pelajaran, solusi, tugas, dan banyak lagi. Pendekatan berbasis proyek kami memungkinkan Anda belajar sambil membangun, cara yang terbukti efektif 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 Microsoft Student Ambassador penulis, pengulas, dan kontributor konten kami, 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 Repositori: Klik tombol "Fork" di sudut kanan atas halaman ini.
  2. Clone Repositori: git clone https://github.com/microsoft/ML-For-Beginners.git

temukan semua sumber daya tambahan untuk kursus ini di 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 refleksikan pada setiap pemeriksaan pengetahuan.
  • Cobalah membuat proyek dengan memahami pelajaran daripada menjalankan kode solusi; namun kode tersebut tersedia di folder /solution di 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 rubrik PAT yang sesuai. 'PAT' adalah Alat Penilaian Kemajuan yang merupakan rubrik 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 ini.

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


Panduan Video

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

Banner ML untuk pemula


Kenali Tim

Video promo

Gif oleh Mohit Jaisal

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


Pedagogi

Kami telah memilih dua prinsip pedagogi saat membangun kurikulum ini: memastikan bahwa kurikulum ini berbasis proyek langsung 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 lampiran tentang aplikasi dunia nyata dari ML, yang dapat digunakan sebagai kredit tambahan atau sebagai dasar untuk diskusi.

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

Setiap pelajaran mencakup

  • sketchnote opsional
  • video tambahan opsional
  • panduan video (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 terutama ditulis dalam Python, tetapi banyak juga yang tersedia dalam R. Untuk menyelesaikan pelajaran R, buka folder /solution dan cari pelajaran R. Mereka 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 data science karena memungkinkan Anda menggabungkan kode Anda, outputnya, dan pemikiran Anda dengan menuliskannya dalam Markdown. Selain itu, dokumen R Markdown dapat dirender ke format output seperti PDF, HTML, atau Word.

Catatan tentang kuis: Semua kuis terdapat di folder Aplikasi Kuis, dengan total 52 kuis masing-masing tiga pertanyaan. Mereka 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 Kelompok Pelajaran Tujuan Pembelajaran Tautan Pelajaran Penulis
01 Pengantar pembelajaran mesin Pengantar Pelajari konsep dasar di balik pembelajaran mesin Pelajaran Muhammad
02 Sejarah pembelajaran mesin Pengantar Pelajari sejarah di balik bidang ini Pelajaran Jen dan Amy
03 Keadilan dan pembelajaran mesin Introduction Apa saja isu filosofis penting tentang keadilan yang harus dipertimbangkan siswa saat membangun dan menerapkan model ML? Lesson 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 PythonR Jen • Eric Wanjau
06 Harga labu di Amerika Utara 🎃 Regression Visualisasikan dan bersihkan data sebagai persiapan untuk ML PythonR Jen • Eric Wanjau
07 Harga labu di Amerika Utara 🎃 Regression Bangun model regresi linier dan polinomial PythonR Jen dan Dmitry • Eric Wanjau
08 Harga labu di Amerika Utara 🎃 Regression Bangun model regresi logistik PythonR Jen • Eric Wanjau
09 Aplikasi Web 🔌 Web App Bangun aplikasi web untuk menggunakan model yang telah dilatih Python Jen
10 Pengantar klasifikasi Classification Bersihkan, persiapkan, dan visualisasikan data Anda; pengantar klasifikasi PythonR Jen dan Cassie • Eric Wanjau
11 Masakan Asia dan India yang lezat 🍜 Classification Pengantar pengklasifikasi PythonR Jen dan Cassie • Eric Wanjau
12 Masakan Asia dan India yang lezat 🍜 Classification Lebih banyak pengklasifikasi PythonR 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, persiapkan, dan visualisasikan data Anda; pengantar pengelompokan PythonR Jen • Eric Wanjau
15 Menjelajahi Selera Musik Nigeria 🎧 Clustering Jelajahi metode pengelompokan K-Means PythonR Jen • Eric Wanjau
16 Pengantar pemrosesan bahasa alami Natural language processing Pelajari dasar-dasar NLP dengan membangun bot sederhana Python Stephen
17 Tugas NLP Umum 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 Pembelajaran penguatan dengan Gym 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 Team
Postscript Debugging Model ML menggunakan dashboard RAI ML in the Wild Debugging Model dalam Pembelajaran Mesin menggunakan komponen dashboard Responsible AI Lesson Ruth Yakubu

temukan semua sumber daya 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: