ML-For-Beginners/translations/id

🌐 Dukungan Multi-Bahasa

Didukung melalui GitHub Action (Otomatis & Selalu Terbaru)

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

Lebih suka Clone Lokal?

Repositori ini mencakup lebih dari 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 mulai 18 - 30 September 2025. Anda akan mendapatkan tips dan trik menggunakan GitHub Copilot untuk Data Science.

Pembelajaran Mesin untuk Pemula - Kurikulum

🌍 Jelajahi dunia sambil mempelajari Pembelajaran Mesin melalui budaya dunia 🌍

Cloud Advocates di Microsoft dengan bangga menawarkan kurikulum 12 minggu, 26 pelajaran yang semuanya membahas Pembelajaran Mesin. Dalam kurikulum ini, Anda akan belajar tentang apa yang kadang disebut pembelajaran mesin klasik, yang terutama menggunakan Scikit-learn sebagai perpustakaan dan menghindari pembelajaran mendalam, yang dibahas dalam kurikulum AI untuk Pemula kami. Padukan pelajaran ini dengan kurikulum 'Data Science untuk Pemula', juga!

Jelajahi bersama kami dari berbagai belahan dunia saat kami menerapkan teknik klasik ini pada data dari banyak wilayah di dunia. Setiap pelajaran mencakup kuis pra- dan pasca-pelajaran, instruksi tertulis untuk menyelesaikan pelajaran, solusi, tugas, dan lainnya. Pedagogi berbasis proyek kami memungkinkan Anda belajar sambil membangun, cara yang terbukti efektif untuk membuat keterampilan baru 'melekat'.

✍️ Terima kasih sebesar-besarnya 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 para 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 ekstra kepada Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, dan Vidushi Gupta untuk pelajaran R kami!

Memulai

Ikuti langkah-langkah berikut:

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

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

🔧 Butuh bantuan? Periksa Panduan Pemecahan Masalah kami untuk solusi masalah umum dengan instalasi, pengaturan, dan menjalankan pelajaran.

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

• Mulai dengan kuis pra-ceramah.
• Baca ceramah dan selesaikan aktivitas, berhenti sejenak dan renungkan pada setiap cek pengetahuan.
• Cobalah membuat proyek dengan memahami pelajaran, bukan hanya menjalankan kode solusi; kode tersebut tersedia di folder /solution di setiap pelajaran berbasis proyek.
• Ikuti kuis pasca-ceramah.
• Selesaikan tantangan.
• Selesaikan tugas.
• Setelah menyelesaikan kelompok 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 juga dapat bereaksi terhadap PAT lain agar kita belajar bersama.

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

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

---

Video penjelasan

Beberapa pelajaran tersedia dalam bentuk video pendek. Anda dapat menemukan semuanya di dalam pelajaran, atau pada playlist ML for Beginners di channel Microsoft Developer YouTube dengan mengklik gambar di bawah ini.

---

Temui Tim

Gif oleh Mohit Jaisal

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

---

Pedagogi

Kami memilih dua prinsip pedagogis saat membangun kurikulum ini: memastikan bahwa kurikulum ini berbasis proyek yang praktis dan menyertakan kuis yang sering. Selain itu, kurikulum ini memiliki tema yang konsisten untuk memberikan kohesi.

Dengan memastikan bahwa isi sejalan dengan proyek, proses belajar menjadi lebih menarik bagi siswa dan peningkatan retensi konsep akan terjadi. Selain itu, kuis ringan sebelum kelas menetapkan niat siswa untuk mempelajari topik, sementara kuis kedua setelah kelas memastikan retensi lebih lanjut. Kurikulum ini dirancang agar fleksibel dan menyenangkan, dan dapat diambil secara keseluruhan atau sebagian. Proyek dimulai dari yang kecil dan menjadi semakin kompleks pada akhir siklus 12 minggu. Kurikulum ini juga menyertakan catatan akhir tentang aplikasi nyata dari ML, yang dapat digunakan sebagai kredit tambahan atau sebagai dasar diskusi.

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

Setiap pelajaran meliputi

• sketchnote opsional
• video tambahan opsional
• video walkthrough (hanya beberapa pelajaran)
• kuis pemanasan pra-ceramah
• pelajaran tertulis
• untuk pelajaran berbasis proyek, panduan langkah demi langkah cara membangun proyek
• cek pengetahuan
• tantangan
• bacaan tambahan
• tugas
• kuis pasca-ceramah

Catatan tentang bahasa: Pelajaran-pelajaran ini terutama ditulis dalam Python, tetapi banyak juga tersedia dalam R. Untuk menyelesaikan pelajaran R, buka folder /solution dan cari pelajaran R. Mereka menyertakan ekstensi .rmd yang mewakili file R Markdown yang dapat didefinisikan sebagai penyisipan potongan kode (dari R atau bahasa lain) dan header YAML (yang mengarahkan bagaimana memformat output seperti PDF) dalam dokumen Markdown. Dengan demikian, ini berfungsi sebagai kerangka kerja penulisan contoh untuk ilmu data karena memungkinkan Anda menggabungkan kode, hasilnya, 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 dalam folder Quiz App, dengan total 52 kuis yang masing-masing terdiri dari tiga pertanyaan. Kuis tersebut terhubung dari dalam pelajaran tetapi aplikasi kuis dapat dijalankan secara lokal; ikuti instruksi di folder quiz-app untuk meng-host secara lokal atau deploy ke Azure.

Nomor Pelajaran	Topik	Kelompok Pelajaran	Tujuan Pembelajaran	Pelajaran Terkait	Penulis
01	Pengenalan pembelajaran mesin	Pengenalan	Pelajari konsep dasar di balik 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	Apa saja isu filosofis penting tentang keadilan yang harus dipertimbangkan siswa saat membangun dan menerapkan model ML?	Pelajaran	Tomomi
04	Teknik untuk pembelajaran mesin	Pengenalan	Teknik apa yang digunakan para peneliti ML untuk membangun model ML?	Pelajaran	Chris dan Jen
05	Pengenalan regresi	Regresi	Mulai 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	Bangun model regresi linier dan polinomial	Python • R	Jen dan Dmitry • Eric Wanjau
08	Harga labu Amerika Utara 🎃	Regresi	Bangun model regresi logistik	Python • R	Jen • Eric Wanjau
09	Aplikasi Web 🔌	Aplikasi Web	Bangun aplikasi web untuk menggunakan model yang Anda latih	Python	Jen
10	Pengenalan klasifikasi	Klasifikasi	Bersihkan, persiapkan, dan visualisasikan data Anda; pengenalan klasifikasi	Python • R	Jen dan Cassie • Eric Wanjau
11	Masakan Asia dan India yang lezat 🍜	Klasifikasi	Pengenalan klasifikator	Python • R	Jen dan Cassie • Eric Wanjau
12	Masakan Asia dan India yang lezat 🍜	Klasifikasi	Lebih banyak klasifikator	Python • R	Jen dan Cassie • Eric Wanjau
13	Masakan Asia dan India yang lezat 🍜	Klasifikasi	Bangun aplikasi web rekomendasi menggunakan model Anda	Python	Jen
14	Pengenalan klastering	Klastering	Bersihkan, persiapkan, dan visualisasikan data Anda; pengenalan klastering	Python • R	Jen • Eric Wanjau
15	Menjelajahi selera musik Nigeria 🎧	Klastering	Jelajahi metode klastering K-Means	Python • R	Jen • Eric Wanjau
16	Pengenalan pemrosesan bahasa alami ☕️	Pemrosesan bahasa alami	Pelajari dasar-dasar NLP dengan membangun bot sederhana	Python	Stephen
17	Tugas NLP Umum ☕️	Pemrosesan bahasa alami	Perdalam pengetahuan NLP Anda dengan memahami tugas umum yang diperlukan saat berhadapan dengan struktur bahasa	Python	Stephen
18	Terjemahan dan analisis sentimen ♥️	Pemrosesan bahasa alami	Terjemahan dan analisis sentimen dengan Jane Austen	Python	Stephen
19	Hotel romantis di Eropa ♥️	Pemrosesan bahasa alami	Analisis sentimen dengan ulasan hotel 1	Python	Stephen
20	Hotel romantis di Eropa ♥️	Pemrosesan bahasa alami	Analisis sentimen dengan ulasan hotel 2	Python	Stephen
21	Pengenalan peramalan deret waktu	Deret waktu	Pengenalan peramalan deret waktu	Python	Francesca
22	⚡️ Penggunaan Daya Dunia ⚡️ - peramalan deret waktu dengan ARIMA	Deret waktu	Peramalan deret waktu dengan ARIMA	Python	Francesca
23	⚡️ Penggunaan Daya Dunia ⚡️ - peramalan deret waktu dengan SVR	Deret waktu	Peramalan deret waktu dengan Support Vector Regressor	Python	Anirban
24	Pengenalan pembelajaran penguatan	Pembelajaran penguatan	Pengenalan pembelajaran penguatan dengan Q-Learning	Python	Dmitry
25	Bantu Peter menghindari serigala! 🐺	Pembelajaran penguatan	Gym pembelajaran penguatan	Python	Dmitry
Catatan	Skenario dan aplikasi ML dunia nyata	ML di Dunia Nyata	Aplikasi nyata yang menarik dan mengungkap dari ML klasik	Pelajaran	Tim
Catatan	Debugging Model dalam ML menggunakan dashboard RAI	ML di Dunia Nyata	Debugging Model dalam Pembelajaran Mesin menggunakan komponen dashboard Responsible AI	Pelajaran	Ruth Yakubu

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

Akses Offline

Anda dapat menjalankan dokumentasi ini secara offline dengan menggunakan Docsify. Fork repo ini, pasang Docsify di mesin lokal Anda, lalu di folder root repo ini, ketik docsify serve. Website akan disajikan pada port 3000 di localhost Anda: localhost:3000.

PDF

Temukan pdf kurikulum dengan tautan di sini.

🎒 Kursus Lainnya

Tim kami juga menghasilkan kursus lain! Cek:

LangChain

---

Azure / Edge / MCP / Agen

---

Seri Generatif AI

---

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 disambut dan pengetahuan dibagikan secara bebas.

Jika Anda memiliki masukan produk atau menemukan kesalahan saat membangun kunjungi:

---

Penafian:
Dokumen ini telah diterjemahkan menggunakan layanan terjemahan AI Co-op Translator. Meskipun kami berupaya menjaga keakuratan, harap diketahui bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang sah. Untuk informasi yang penting, disarankan menggunakan jasa penerjemahan profesional oleh manusia. Kami tidak bertanggung jawab atas kesalahpahaman atau kesalahan tafsir yang timbul dari penggunaan terjemahan ini.