32 KiB

Raw Blame History Unescape Escape

🌐 Dukungan Multi-Bahasa

Didukung melalui GitHub Action (Otomatis & Selalu Terbaru)

Lebih Suka Clone Secara Lokal?

Repositori ini mencakup lebih dari 50 terjemahan bahasa yang secara signifikan meningkatkan ukuran unduhan. Untuk clone tanpa terjemahan, gunakan sparse checkout:

Bash / macOS / Linux:
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'
CMD (Windows):
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 segala yang Anda butuhkan untuk menyelesaikan kursus dengan unduhan yang jauh lebih cepat.

Bergabung dengan Komunitas Kami

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

Pembelajaran Mesin untuk Pemula - Sebuah Kurikulum

🌍 Jelajahi ke seluruh dunia sambil kita mengeksplorasi Pembelajaran Mesin melalui budaya dunia 🌍

Para Pendukung Cloud di Microsoft dengan senang hati menawarkan kurikulum 12 minggu, 26 pelajaran yang semuanya tentang Pembelajaran Mesin. Dalam kurikulum ini, Anda akan belajar tentang apa yang kadang disebut pembelajaran mesin klasik, menggunakan terutama 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' kami juga!

Jelajahi bersama kami ke seluruh dunia saat kami menerapkan teknik klasik ini ke data dari banyak wilayah dunia. Setiap pelajaran mencakup kuis sebelum dan sesudah pelajaran, instruksi tertulis untuk menyelesaikan pelajaran, solusi, tugas, dan lainnya. Pedagogi berbasis proyek kami memungkinkan Anda belajar sambil membangun, cara yang terbukti agar keterampilan baru tetap melekat.

✍️ Terima kasih sebesar-besarnya 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 para Microsoft Student Ambassador penulis, reviewer, dan kontributor konten kami, terutama Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, dan Snigdha Agarwal

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

Memulai

Ikuti langkah-langkah ini:

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

💡 Tips Memulai Cepat: Ingin mulai di browser tanpa mengatur Python secara lokal? Gunakan GitHub Codespaces untuk membuat lingkungan pengembangan cloud untuk fork Anda. Buka menu hijau Code, pilih Codespaces, dan buat codespace; instal ketergantungan yang dibutuhkan untuk setiap pelajaran di dalamnya sesuai kebutuhan.

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

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

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

Mulai dengan kuis pra-ceramah.
Baca ceramah dan selesaikan aktivitas, berhenti dan refleksikan pada setiap pemeriksaan pengetahuan.
Cobalah membuat proyek dengan memahami pelajarannya daripada menjalankan kode solusi; meskipun kode itu tersedia dalam folder /solution di setiap pelajaran berorientasi proyek.
Ikuti kuis pasca-ceramah.
Selesaikan tantangan.
Selesaikan tugas.
Setelah menyelesaikan kelompok pelajaran, kunjungi Papan Diskusi dan "belajar secara terbuka" dengan mengisi rubrik PAT yang sesuai. 'PAT' adalah Alat Penilaian Kemajuan berupa rubrik yang Anda isi untuk memperdalam pembelajaran Anda. Anda juga dapat merespons PAT lain agar kita bisa belajar bersama.

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

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

Video walkthroughs

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

Meet the Team

Gif oleh Mohit Jaisal

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

Pedagogi

Kami memilih dua asas pedagogis saat membangun kurikulum ini: memastikan bahwa ini bersifat hands-on berbasis proyek dan mencakup kuis yang sering. Selain itu, kurikulum ini memiliki tema yang umum agar kohesif.

Dengan memastikan isi selaras dengan proyek, proses dibuat 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 jauh. Kurikulum ini dirancang agar fleksibel dan menyenangkan dan dapat diambil secara lengkap atau sebagian. Proyek dimulai kecil dan menjadi semakin kompleks pada akhir siklus 12 minggu. Kurikulum ini juga mencakup posskrip tentang aplikasi nyata ML, yang dapat digunakan sebagai kredit tambahan atau dasar diskusi.

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

Setiap pelajaran mencakup

sketchnote opsional
video pelengkap opsional
walkthrough video (beberapa pelajaran saja)
kuis pemanasan pra-ceramah
pelajaran tertulis
untuk pelajaran berbasis proyek, panduan langkah-demi-langkah tentang cara membangun proyek
pemeriksaan pengetahuan
tantangan
bacaan pelengkap
tugas
kuis pasca-ceramah

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 mencakup ekstensi .rmd yang mewakili file R Markdown yang dapat didefinisikan sebagai penggabungan potongan kode (dari R atau bahasa lain) dan header YAML (yang mengatur cara format output seperti PDF) dalam sebuah dokumen Markdown. Dengan demikian, ini berfungsi sebagai kerangka kerja penulisan contoh 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 dalam folder Quiz App, dengan total 52 kuis masing-masing berisi tiga pertanyaan. Kuis-kuis tersebut terhubung dari dalam pelajaran tetapi aplikasi kuis dapat dijalankan secara lokal; ikuti instruksi di folder quiz-app untuk hosting lokal atau deploy ke Azure.

Lesson Number	Topik	Pengelompokan Pelajaran	Tujuan Pembelajaran	Pelajaran Terkait	Penulis
01	Pengantar pembelajaran mesin	Introduction	Pelajari konsep dasar di balik pembelajaran mesin	Lesson	Muhammad
02	Sejarah pembelajaran mesin	Introduction	Pelajari sejarah yang mendasari bidang ini	Lesson	Jen dan Amy
03	Keadilan dan pembelajaran mesin	Introduction	Apa isu filosofis penting mengenai 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 menggunakan Python dan Scikit-learn untuk model regresi	Python • R	Jen • Eric Wanjau
06	Harga labu Amerika Utara 🎃	Regression	Visualisasikan dan bersihkan data untuk persiapan ML	Python • R	Jen • Eric Wanjau
07	Harga labu Amerika Utara 🎃	Regression	Bangun model regresi linier dan polinomial	Python • R	Jen dan Dmitry • Eric Wanjau
08	Harga labu Amerika Utara 🎃	Regression	Bangun model regresi logistik	Python • R	Jen • Eric Wanjau
09	Aplikasi Web 🔌	Web App	Bangun aplikasi web untuk menggunakan model yang sudah dilatih	Python	Jen
10	Pengantar klasifikasi	Classification	Bersihkan, siapkan, dan visualisasikan data; pengantar klasifikasi	Python • R	Jen dan Cassie • Eric Wanjau
11	Masakan Asia dan India yang lezat 🍜	Classification	Pengantar klasifikasi	Python • R	Jen dan Cassie • Eric Wanjau
12	Masakan Asia dan India yang lezat 🍜	Classification	Lebih banyak klasifikasi	Python • R	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, siapkan, dan visualisasikan data; pengantar pengelompokan	Python • R	Jen • Eric Wanjau
15	Menjelajahi selera musik Nigeria 🎧	Clustering	Jelajahi metode pengelompokan K-Means	Python • R	Jen • Eric Wanjau
16	Pengantar pengolahan 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 umum yang diperlukan dalam bekerja dengan 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	Pengantar peramalan deret waktu	Time series	Pengantar peramalan deret waktu	Python	Francesca
22	⚡️ Penggunaan Listrik Dunia ⚡️ - peramalan deret waktu dengan ARIMA	Time series	Peramalan deret waktu dengan ARIMA	Python	Francesca
23	⚡️ Penggunaan Listrik 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 Gym	Python	Dmitry
Postscript	Studi kasus dan aplikasi ML di dunia nyata	ML in the Wild	Aplikasi nyata ML klasik yang menarik dan mengungkap	Lesson	Team
Postscript	Debugging model ML menggunakan dasbor RAI	ML in the Wild	Debugging model dalam Machine Learning menggunakan komponen dasbor Responsible AI	Lesson	Ruth Yakubu

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

Akses offline

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

PDF

Temukan pdf kurikulum dengan tautan di sini.

🎒 Kursus Lainnya

Tim kami juga membuat kursus lain! Lihat:

LangChain

Azure / Edge / MCP / Agen

Seri Generative AI

Pembelajaran Inti

Seri Copilot

Mendapatkan Bantuan

Jika Anda mengalami kesulitan atau memiliki pertanyaan saat belajar Pembelajaran Mesin atau membangun aplikasi AI, jangan khawatir — bantuan tersedia.

Anda dapat bergabung dalam diskusi dengan pelajar dan pengembang lain, mengajukan pertanyaan, dan berbagi ide dengan komunitas.

Bergabung dengan komunitas untuk bertanya dan belajar bersama
Diskusikan konsep dan ide proyek Pembelajaran Mesin
Dapatkan panduan dari pengembang berpengalaman

Komunitas yang suportif adalah cara yang bagus untuk mengembangkan keterampilan dan menyelesaikan masalah lebih cepat.

Microsoft Foundry Discord Community

Jika Anda menemukan bug, kesalahan, atau memiliki saran untuk perbaikan, Anda juga dapat membuka Issue di repositori ini untuk melaporkan masalah.

Untuk umpan balik produk atau mencari posting komunitas yang sudah ada, kunjungi Forum Pengembang:

Tips Belajar Tambahan

Tinjau catatan setelah setiap pelajaran untuk pemahaman lebih baik.
Latih mengimplementasikan algoritma secara mandiri.
Jelajahi dataset dunia nyata dengan konsep yang sudah dipelajari.

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

32 KiB Raw Blame History Unescape Escape