ML-For-Beginners/translations/id

🌐 Dukungan Multi-Bahasa

Didukung melalui GitHub Action (Otomatis & Selalu Terbaru)

Arab | Bengali | Bulgaria | Burma (Myanmar) | Cina (Sederhana) | Cina (Tradisional, Hong Kong) | Cina (Tradisional, Makau) | Cina (Tradisional, Taiwan) | Kroasia | Ceko | Denmark | Belanda | Estonia | Finlandia | Perancis | Jerman | Yunani | Ibrani | Hindi | Hungaria | Indonesia | Italia | Jepang | Kannada | Korea | Lituania | Melayu | Malayalam | Marathi | Nepali | Pidgin Nigeria | Norwegia | Persia (Farsi) | Polandia | Portugis (Brasil) | Portugis (Portugal) | Punjabi (Gurmukhi) | Rumania | Rusia | Serbia (Sirilik) | Slovak | Slovenia | Spanyol | Swahili | Swedia | Tagalog (Filipina) | Tamil | Telugu | Thai | Turki | Ukraina | Urdu | Vietnam

Lebih Suka Clone Secara Lokal?

Repositori ini mencakup 50+ terjemahan bahasa yang secara signifikan meningkatkan ukuran unduhan. Untuk clone 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 semua yang Anda butuhkan untuk menyelesaikan kursus dengan unduhan yang jauh lebih cepat.

Bergabung dengan Komunitas Kami

Kami memiliki seri belajar Discord dengan AI 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.

Machine Learning untuk Pemula - Kurikulum

🌍 Jelajahi dunia sambil belajar Machine Learning melalui budaya dunia 🌍

Cloud Advocates di Microsoft senang menawarkan kurikulum 12 minggu, 26 pelajaran tentang Machine Learning. Dalam kurikulum ini, Anda akan belajar tentang apa yang kadang disebut machine learning klasik, menggunakan terutama library Scikit-learn dan menghindari deep learning, yang dibahas dalam kurikulum AI untuk Pemula. Padukan pelajaran ini dengan kurikulum Data Science untuk Pemula juga!

Jelajahi bersama kami ke seluruh dunia saat kami menerapkan teknik klasik ini ke data dari berbagai wilayah. Setiap pelajaran mencakup kuis pra dan pasca pelajaran, instruksi tertulis untuk menyelesaikan pelajaran, solusi, tugas, dan lain-lain. Metode pembelajaran berbasis proyek kami memungkinkan Anda belajar sambil membangun, cara yang terbukti untuk ilmu baru 'melekat'.

✍️ Terima kasih hangat 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 khusus 🙏 kepada Microsoft Student Ambassador penulis, reviewer, dan kontributor konten, terutama Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, dan Snigdha Agarwal

🤩 Terima kasih ekstra kepada Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, dan Vidushi Gupta untuk pelajaran R kami!

Memulai

Ikuti langkah-langkah ini:

1. Fork Repository: Klik tombol "Fork" di pojok kanan atas halaman ini.
2. Clone Repository: git clone https://github.com/microsoft/ML-For-Beginners.git

temukan semua sumber daya tambahan untuk kursus ini di koleksi Microsoft Learn kami

🔧 Perlu bantuan? Periksa Panduan Pemecahan Masalah kami untuk solusi atas masalah umum saat instalasi, pengaturan, dan menjalankan pelajaran.

Siswa, untuk menggunakan kurikulum ini, fork seluruh repo ke akun GitHub Anda sendiri dan selesaikan latihan sendiri atau bersama kelompok:

• Mulai dengan kuis pra kuliah.
• Baca kuliah dan selesaikan aktivitas, berhenti dan refleksi pada setiap pemeriksaan pengetahuan.
• Coba buat proyek dengan memahami pelajaran daripada menjalankan kode solusi; meskipun kode tersebut tersedia di folder /solution di setiap pelajaran berbasis proyek.
• Ikuti kuis pasca kuliah.
• Selesaikan tantangan.
• Selesaikan tugas.
• Setelah menyelesaikan satu 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 memberi reaksi pada PAT lainnya agar kita bisa belajar bersama.

Untuk studi lebih lanjut, kami sarankan mengikuti modul dan jalur belajar Microsoft Learn ini.

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

---

Video panduan

Beberapa pelajaran tersedia dalam bentuk video singkat. Anda dapat menemukan semua ini dalam pelajaran, atau di playlist ML for Beginners di kanal Microsoft Developer YouTube dengan mengklik gambar di bawah ini.

---

Bertemu Tim

Gif oleh Mohit Jaisal

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

---

Pedagogi

Kami memilih dua prinsip pedagogis saat membangun kurikulum ini: memastikan kurikulum adalah berbasis proyek praktis dan mencakup kuis yang sering. Selain itu, kurikulum ini memiliki tema umum untuk memberikan kesatuan.

Dengan memastikan konten selaras dengan proyek, proses pembelajaran menjadi lebih menarik bagi siswa dan retensi konsep meningkat. Selain itu, kuis dengan risiko rendah sebelum kelas menetapkan tujuan pembelajaran siswa, sementara kuis kedua setelah kelas memastikan retensi lebih jauh. Kurikulum ini dirancang fleksibel, menyenangkan, dan bisa diikuti secara keseluruhan atau sebagian. Proyek dimulai dengan kecil dan bertambah kompleks di akhir siklus 12 minggu. Kurikulum ini juga mencakup posskrip tentang penggunaan ML di dunia nyata, yang bisa digunakan sebagai kredit tambahan atau dasar diskusi.

Temukan Kode Etik, Kontribusi, Terjemahan, dan panduan Pemecahan Masalah kami. Kami menyambut masukan konstruktif Anda!

Setiap pelajaran mencakup

• sketchnote opsional
• video tambahan opsional
• video panduan (beberapa pelajaran saja)
• kuis pemanasan pra kuliah
• pelajaran tertulis
• untuk pelajaran berbasis proyek, panduan langkah demi langkah membangun proyek
• pemeriksaan pengetahuan
• tantangan
• bacaan tambahan
• tugas
• kuis pasca kuliah

Catatan tentang bahasa: Pelajaran ini terutama ditulis dalam Python, tetapi banyak juga tersedia dalam R. Untuk menyelesaikan pelajaran R, buka folder /solution dan cari pelajaran R. Mereka memiliki ekstensi .rmd yang merupakan file R Markdown yang bisa didefinisikan sebagai penggabungan potongan kode (dari R atau bahasa lain) dan header YAML (yang mengarahkan cara memformat output seperti PDF) dalam sebuah dokumen Markdown. Dengan demikian, ini berfungsi sebagai kerangka penulisan yang baik untuk data science karena memungkinkan Anda menggabungkan kode, outputnya, dan pemikiran Anda dengan menulisnya dalam Markdown. Selain itu, dokumen R Markdown dapat dirender ke format output seperti PDF, HTML, atau Word. Catatan tentang kuis: Semua kuis terkandung di dalam folder Quiz App, dengan total 52 kuis yang masing-masing berisi tiga pertanyaan. Kuis tersebut dihubungkan dari dalam pelajaran, tetapi aplikasi kuis dapat dijalankan secara lokal; ikuti instruksi dalam folder quiz-app untuk menghosting atau menerapkan secara lokal ke Azure.

Nomor Pelajaran	Topik	Pengelompokan Pelajaran	Tujuan Pembelajaran	Tautan Pelajaran	Penulis
01	Pengenalan pembelajaran mesin	Introduction	Mempelajari konsep dasar di balik pembelajaran mesin	Lesson	Muhammad
02	Sejarah pembelajaran mesin	Introduction	Mempelajari sejarah yang mendasari bidang ini	Lesson	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 pembelajaran mesin	Introduction	Teknik apa yang digunakan peneliti ML untuk membangun model ML?	Lesson	Chris dan Jen
05	Pengenalan regresi	Regression	Memulai dengan Python dan Scikit-learn untuk model regresi	Python • R	Jen • Eric Wanjau
06	Harga labu Amerika Utara 🎃	Regression	Memvisualisasikan dan membersihkan data sebagai persiapan untuk ML	Python • R	Jen • Eric Wanjau
07	Harga labu Amerika Utara 🎃	Regression	Membangun model regresi linier dan polinomial	Python • R	Jen dan Dmitry • Eric Wanjau
08	Harga labu Amerika Utara 🎃	Regression	Membangun model regresi logistik	Python • R	Jen • Eric Wanjau
09	Aplikasi Web 🔌	Web App	Membangun aplikasi web untuk menggunakan model yang sudah dilatih	Python	Jen
10	Pengenalan klasifikasi	Classification	Membersihkan, mempersiapkan, dan memvisualisasikan data; pengenalan klasifikasi	Python • R	Jen dan Cassie • Eric Wanjau
11	Masakan Asia dan India yang lezat 🍜	Classification	Pengenalan klasifikator	Python • R	Jen dan Cassie • Eric Wanjau
12	Masakan Asia dan India yang lezat 🍜	Classification	Klasifikator tambahan	Python • R	Jen dan Cassie • Eric Wanjau
13	Masakan Asia dan India yang lezat 🍜	Classification	Membangun aplikasi web rekomendasi menggunakan model Anda	Python	Jen
14	Pengenalan pengelompokan	Clustering	Membersihkan, mempersiapkan, dan memvisualisasikan data; pengenalan pengelompokan	Python • R	Jen • Eric Wanjau
15	Menjelajahi Selera Musik Nigeria 🎧	Clustering	Mengeksplorasi metode pengelompokan K-Means	Python • R	Jen • Eric Wanjau
16	Pengenalan pemrosesan bahasa alami ☕️	Natural language processing	Mempelajari dasar-dasar NLP dengan membangun bot sederhana	Python	Stephen
17	Tugas umum NLP ☕️	Natural language processing	Memperdalam pengetahuan NLP Anda dengan memahami tugas umum yang diperlukan saat menangani struktur bahasa	Python	Stephen
18	Terjemahan dan analisis sentimen ♥️	Natural language processing	Terjemahan dan analisis sentimen dengan 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	Pengenalan peramalan deret waktu	Time series	Pengenalan 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	Pengenalan pembelajaran penguatan	Reinforcement learning	Pengenalan pembelajaran penguatan dengan Q-Learning	Python	Dmitry
25	Membantu Peter menghindari serigala! 🐺	Reinforcement learning	Pembelajaran penguatan di Gym	Python	Dmitry
Postscript	Skenario dan aplikasi ML dunia nyata	ML in the Wild	Aplikasi menarik dan mengungkap dari ML klasik di dunia nyata	Lesson	Team
Postscript	Debugging Model di ML menggunakan dashboard RAI	ML in the Wild	Debugging Model di 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 repo ini, instal Docsify di mesin lokal Anda, lalu di folder root repo ini, ketik docsify serve. Situs web akan disajikan di port 3000 pada localhost Anda: localhost:3000.

PDF

Temukan pdf kurikulum dengan tautan di sini.

🎒 Kursus Lainnya

Tim kami memproduksi kursus lain! Lihat:

LangChain

Azure / Edge / MCP / Agen

---

Seri AI Generatif

---

Pembelajaran Inti

---

Seri Copilot

Mendapatkan Bantuan

Jika Anda mengalami kesulitan atau memiliki pertanyaan tentang membangun aplikasi AI. Bergabunglah dengan sesama pelajar dan pengembang berpengalaman dalam diskusi tentang MCP. Ini adalah komunitas yang mendukung di mana pertanyaan dialu-alukan dan pengetahuan dibagikan secara bebas.

Jika Anda memiliki umpan balik produk atau menemukan kesalahan saat membangun, kunjungi:

---

Penafian: Dokumen ini telah diterjemahkan menggunakan layanan terjemahan AI Co-op Translator. Meskipun kami berupaya untuk mencapai akurasi, harap diingat bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang berwenang. Untuk informasi yang kritis, disarankan menggunakan penerjemahan profesional oleh manusia. Kami tidak bertanggung jawab atas kesalahpahaman atau penafsiran yang keliru yang timbul dari penggunaan terjemahan ini.