ML-For-Beginners/translations/ms

🌐 Sokongan Pelbagai Bahasa

Disokong melalui GitHub Action (Automatik & Sentiasa Terkini)

Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Kannada | Korean | Lithuanian | Malay | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese

Lebih Suka Klon Secara Tempatan?

Repositori ini merangkumi lebih 50+ terjemahan bahasa yang secara signifikan meningkatkan saiz muat turun. 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 memberikan anda semua yang anda perlukan untuk melengkapkan kursus dengan muat turun yang jauh lebih pantas.

Sertai Komuniti Kami

Kami sedang menjalankan siri belajar dengan AI di Discord, belajar lebih lanjut dan sertai kami di Learn with AI Series dari 18 - 30 September, 2025. Anda akan mendapat petua dan trik menggunakan GitHub Copilot untuk Sains Data.

Pembelajaran Mesin untuk Pemula - Kurikulum

🌍 Jelajah dunia sambil meneroka Pembelajaran Mesin melalui budaya dunia 🌍

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

Jelajah bersama kami ke seluruh dunia semasa kami menggunakan teknik klasik ini pada data dari pelbagai kawasan dunia. Setiap pelajaran termasuk kuiz sebelum dan selepas pelajaran, arahan bertulis untuk melengkapkan pelajaran, penyelesaian, tugasan, dan banyak lagi. Pedagogi berasaskan projek kami membolehkan anda belajar sambil membina, cara yang terbukti agar kemahiran baru 'melekat'.

✍️ Terima kasih yang mendalam 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 penulis, penyemak, dan penyumbang kandungan Microsoft Student Ambassador kami, khususnya Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, dan Snigdha Agarwal

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

Mula

Ikuti langkah-langkah berikut:

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

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

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

Pelajar, untuk menggunakan kurikulum ini, fork keseluruhan repo ke akaun GitHub anda sendiri dan lengkapkan latihan secara sendiri atau bersama kumpulan:

• Mulakan dengan kuiz pra-ceramah.
• Baca kuliah dan selesaikan aktiviti, berhenti dan refleksikan setiap pemeriksaan pengetahuan.
• Cuba buat projek dengan memahami pelajaran bukannya hanya menjalankan kod penyelesaian; walaupun kod itu tersedia dalam folder /solution untuk setiap pelajaran berorientasikan projek.
• Ambil kuiz pasca kuliah.
• Lengkapkan cabaran.
• Lengkapkan tugasan.
• Selepas melengkapkan set pelajaran, lawati Papan Perbincangan dan "belajar secara lantang" dengan mengisi rubrik PAT yang sesuai. 'PAT' adalah Alat Penilaian Kemajuan yang merupakan rubrik yang anda isi untuk memajukan pembelajaran anda. Anda juga boleh memberi reaksi kepada PAT lain supaya kita boleh belajar bersama.

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

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

---

Video panduan

Beberapa pelajaran tersedia sebagai video bentuk pendek. Anda boleh menemui semua ini dalam talian di dalam pelajaran, atau di senarai main ML for Beginners di saluran YouTube Microsoft Developer dengan mengklik gambar di bawah.

---

Kenali Pasukan

Gif oleh Mohit Jaisal

🎥 Klik gambar di atas untuk video tentang projek dan orang-orang yang menciptakannya!

---

Pedagogi

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

Dengan memastikan kandungan sejajar dengan projek, proses pembelajaran menjadi lebih menarik untuk pelajar dan peningkatan pengekalan konsep akan diperhebatkan. Tambahan pula, kuiz dengan risiko rendah sebelum kelas menetapkan niat pelajar ke arah mempelajari topik, manakala kuiz kedua selepas kelas memastikan pengekalan lanjut. Kurikulum ini direka agar fleksibel dan menyeronokkan dan boleh diambil secara penuh atau sebahagian. Projek-projek bermula kecil dan menjadi semakin kompleks pada akhir kitaran 12 minggu. Kurikulum ini juga menyertakan posskrip tentang aplikasi dunia sebenar ML, yang boleh digunakan sebagai kredit tambahan atau sebagai asas perbincangan.

Dapatkan Kod Etika kami, Sumbangan, Terjemahan, dan garis panduan Penyelesaian Masalah. Kami mengalu-alukan maklum balas membina anda!

Setiap pelajaran termasuk

• nota lakaran 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. Mereka termasuk sambungan .rmd yang mewakili fail R Markdown yang boleh didefinisikan sebagai penanaman chunk kod (R atau bahasa lain) dan header YAML (yang mengawal bagaimana output seperti PDF diformatkan) dalam dokumen Markdown. Oleh itu, ia berfungsi sebagai rangka kerja pengarang contoh untuk sains data kerana ia membolehkan anda menggabungkan kod anda, outputnya, dan pemikiran anda dengan membenarkan anda menuliskannya dalam Markdown. Tambahan pula, dokumen R Markdown boleh dihasilkan ke format output seperti PDF, HTML, atau Word. Satu nota mengenai kuiz: Semua kuiz terkandung dalam folder Aplikasi Kuiz, untuk 52 kuiz dengan tiga soalan setiap satu. Ia dipautkan dari dalam pelajaran tetapi aplikasi kuiz boleh dijalankan secara tempatan; ikuti arahan dalam folder quiz-app untuk hos atau melaksanakan ke Azure secara tempatan.

Nombor Pelajaran	Topik	Pengelompokkan Pelajaran	Objektif Pembelajaran	Pelajaran Berkaitan	Pengarang
01	Pengenalan kepada pembelajaran mesin	Pengenalan	Pelajari konsep asas di sebalik pembelajaran mesin	Pelajaran	Muhammad
02	Sejarah pembelajaran mesin	Pengenalan	Pelajari sejarah yang mendasari bidang ini	Pelajaran	Jen dan Amy
03	Keadilan dan pembelajaran mesin	Pengenalan	Apakah isu falsafah penting tentang keadilan yang perlu dipertimbangkan oleh pelajar ketika 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	Mulakan 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 pengelas	Python • R	Jen dan Cassie • Eric Wanjau
12	Masakan Asia dan India yang lazat 🍜	Klasifikasi	Lebih banyak pengelas	Python • R	Jen dan Cassie • Eric Wanjau
13	Masakan Asia dan India yang lazat 🍜	Klasifikasi	Bina aplikasi web pengesyorkan 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 citarasa 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 ringkas	Python	Stephen
17	Tugas NLP biasa ☕️	Pemprosesan bahasa semula jadi	Mendalami pengetahuan NLP anda dengan memahami tugas biasa yang diperlukan ketika 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 Tenaga Dunia ⚡️ - peramalan siri masa dengan ARIMA	Siri masa	Peramalan siri masa dengan ARIMA	Python	Francesca
23	⚡️ Penggunaan Tenaga Dunia ⚡️ - peramalan siri masa dengan SVR	Siri masa	Peramalan siri masa dengan Support Vector Regressor	Python	Anirban
24	Pengenalan kepada pembelajaran pengukuhan	Pembelajaran pengukuhan	Pengenalan kepada pembelajaran pengukuhan dengan Q-Learning	Python	Dmitry
25	Bantu Peter elak serigala! 🐺	Pembelajaran pengukuhan	Gim pembelajaran pengukuhan	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 tanpa sambungan internet menggunakan Docsify. Cawangan repositori ini, pasang Docsify pada mesin tempatan anda, dan kemudian di folder akar repositori ini, taip docsify serve. Laman web akan dihidangkan pada port 3000 di localhost anda: localhost:3000.

PDF

Cari pdf kurikulum dengan pautan di sini.

🎒 Kursus Lain

Pasukan kami menghasilkan kursus lain! Lihat:

LangChain

Azure / Edge / MCP / Ejen

---

Siri AI Generatif

---

Pembelajaran Teras

---

Siri Copilot

Mendapatkan Bantuan

Sekiranya anda tersekat atau mempunyai sebarang soalan mengenai membina aplikasi AI. Sertailah pembelajar lain dan pembangun berpengalaman dalam perbincangan mengenai MCP. Ia adalah komuniti yang menyokong di mana soalan dialu-alukan dan pengetahuan dikongsi dengan 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 hendaklah dianggap sebagai sumber yang sah. Untuk maklumat kritikal, terjemahan profesional oleh manusia adalah disyorkan. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.