32 KiB

Raw Blame History Unescape Escape

🌐 Sokongan Pelbagai Bahasa

Disokong melalui Tindakan GitHub (Automatik & Sentiasa Dikemas Kini)

Lebih suka Klon Secara Tempatan?

Repositori ini termasuk lebih dari 50 terjemahan bahasa yang meningkatkan saiz muat turun dengan ketara. Untuk klon 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-galanya yang anda perlukan untuk melengkapkan kursus dengan muat turun yang jauh lebih pantas.

Sertai Komuniti Kami

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

Pembelajaran Mesin untuk Pemula - Kurikulum

🌍 Jelajah dunia sambil kita terokai Pembelajaran Mesin melalui budaya dunia 🌍

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

Jelajah bersama kami ke seluruh dunia ketika kami menerapkan teknik klasik ini ke data dari banyak kawasan di dunia. Setiap pelajaran termasuk kuiz pra dan pasca pelajaran, arahan bertulis untuk menyelesaikan pelajaran, penyelesaian, tugasan, dan banyak lagi. Pedagogi berasaskan projek membolehkan anda belajar sambil membina, cara terbukti untuk kemahiran baru 'melekat'.

✍️ Terima kasih setulus hati 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 pelukis kami Tomomi Imura, Dasani Madipalli, dan Jen Looper

🙏 Terima kasih istimewa 🙏 kepada penulis, penyemak, dan penyumbang kandungan Microsoft Student Ambassador kami, terutama 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!

Memulakan

Ikuti langkah-langkah ini:

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

💡 Petua Mula Pantas: Mahu mula dalam pelayar tanpa menyediakan Python secara tempatan? Gunakan GitHub Codespaces untuk membuat persekitaran pembangunan awan bagi fork anda. Buka menu hijau Code, pilih Codespaces, dan buat codespace; pasang kebergantungan diperlukan setiap pelajaran di dalamnya mengikut keperluan.

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

🔧 Perlu bantuan? Semak Panduan Penyelesaian Masalah untuk penyelesaian isu biasa dengan pemasangan, penetapan, dan menjalankan pelajaran.

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

Mula dengan kuiz pra-ceramah.
Baca kuliah dan lengkapkan aktiviti, berhenti dan renungkan setiap pemeriksaan pengetahuan.
Cuba buat projek dengan memahami pelajaran daripada menjalankan kod penyelesaian; namun kod itu tersedia di folder /solution dalam setiap pelajaran berorientasikan projek.
Ambil kuiz pasca-ceramah.
Lengkapkan cabaran.
Lengkapkan tugasan.
Selepas melengkapkan satu kumpulan pelajaran, lawati Papan Perbincangan dan "belajar secara terbuka" dengan mengisi rubrik PAT yang sesuai. 'PAT' ialah Alat Penilaian Kemajuan yang merupakan rubrik yang anda isi untuk melanjutkan pembelajaran anda. Anda juga boleh memberi reaksi kepada PAT lain supaya kami belajar bersama.

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

Guru, kami telah sertakan beberapa cadangan tentang bagaimana menggunakan kurikulum ini.

Video panduan

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

Kenali Pasukan

Gif oleh Mohit Jaisal

🎥 Klik imej di atas untuk video mengenai projek dan orang yang menciptanya!

Pedagogi

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

Dengan memastikan kandungan selari dengan projek, proses menjadi lebih menarik bagi pelajar dan daya ingat konsep akan dipertingkatkan. Selain itu, kuiz berisiko rendah sebelum kelas menetapkan niat pelajar terhadap pembelajaran topik, sementara kuiz kedua selepas kelas memastikan pengekalan lanjut. Kurikulum ini direka untuk fleksibel dan menyeronokkan dan boleh diambil secara keseluruhan atau sebahagian. Projek bermula kecil dan menjadi semakin kompleks menjelang akhir kitaran 12 minggu. Kurikulum ini juga termasuk posskrip mengenai aplikasi dunia nyata ML, yang boleh digunakan sebagai kredit tambahan atau asas untuk perbincangan.

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

Setiap pelajaran termasuk

sketchnote pilihan
video tambahan pilihan
video panduan (sesetengah pelajaran sahaja)
kuiz pemanasan pra-ceramah
pelajaran bertulis
untuk pelajaran berasaskan projek, panduan langkah demi langkah untuk membina projek
pemeriksaan pengetahuan
cabaran
bacaan tambahan
tugasan
kuiz pasca-ceramah

Nota mengenai 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 penyisipan chunk kod (dalam R atau bahasa lain) dan header YAML (yang memandu cara memformat output seperti PDF) dalam dokumen Markdown. Oleh itu, ia berfungsi sebagai rangka kerja pengarang contoh untuk sains data kerana membolehkan anda menggabungkan kod anda, outputnya, dan pemikiran anda dengan membenarkan anda menulisnya dalam Markdown. Lebih-lebih lagi, dokumen R Markdown boleh dihasilkan ke format output seperti PDF, HTML, atau Word.

Nota mengenai kuiz: Semua kuiz terkandung dalam folder Quiz App, untuk 52 kuiz total dengan tiga soalan setiap satu. Mereka dipautkan dari dalam pelajaran tetapi aplikasi kuiz boleh dijalankan secara tempatan; ikuti arahan dalam folder quiz-app untuk hos atau sebar luaskan ke Azure.

Nombor Pelajaran	Topik	Kumpulan Pelajaran	Objektif Pembelajaran	Pelajaran Berkaitan	Penulis
01	Pengenalan kepada pembelajaran mesin	Introduction	Pelajari konsep asas di sebalik 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	Apakah isu falsafah penting mengenai keadilan yang perlu dipertimbangkan oleh pelajar ketika membina dan menggunakan model ML?	Lesson	Tomomi
04	Teknik untuk pembelajaran mesin	Introduction	Apakah teknik yang digunakan penyelidik ML untuk membina model ML?	Lesson	Chris dan Jen
05	Pengenalan kepada regresi	Regression	Mulakan dengan Python dan Scikit-learn untuk model regresi	Python • R	Jen • Eric Wanjau
06	Harga labu Amerika Utara 🎃	Regression	Visualisasikan dan bersihkan data sebagai persiapan untuk ML	Python • R	Jen • Eric Wanjau
07	Harga labu Amerika Utara 🎃	Regression	Bina model regresi linear dan polinomial	Python • R	Jen dan Dmitry • Eric Wanjau
08	Harga labu Amerika Utara 🎃	Regression	Bina model regresi logistik	Python • R	Jen • Eric Wanjau
09	Aplikasi Web 🔌	Web App	Bina aplikasi web untuk menggunakan model yang telah dilatih	Python	Jen
10	Pengenalan kepada pengkelasan	Classification	Bersihkan, sediakan, dan visualisasikan data anda; pengenalan kepada pengkelasan	Python • R	Jen dan Cassie • Eric Wanjau
11	Masakan Asia dan India yang lazat 🍜	Classification	Pengenalan kepada classifier	Python • R	Jen dan Cassie • Eric Wanjau
12	Masakan Asia dan India yang lazat 🍜	Classification	Lebih banyak classifier	Python • R	Jen dan Cassie • Eric Wanjau
13	Masakan Asia dan India yang lazat 🍜	Classification	Bina aplikasi web pemberi cadangan menggunakan model anda	Python	Jen
14	Pengenalan kepada pengelompokan	Clustering	Bersihkan, sediakan, dan visualisasikan data anda; Pengenalan kepada pengelompokan	Python • R	Jen • Eric Wanjau
15	Meneroka Selera Muzik Nigeria 🎧	Clustering	Terokai kaedah pengelompokan K-Means	Python • R	Jen • Eric Wanjau
16	Pengenalan kepada pemprosesan bahasa semula jadi ☕️	Natural language processing	Pelajari asas NLP dengan membina bot ringkas	Python	Stephen
17	Tugasan NLP Lazim ☕️	Natural language processing	Memperdalam pengetahuan NLP dengan memahami tugasan biasa yang diperlukan ketika berurusan dengan struktur bahasa	Python	Stephen
18	Penterjemahan dan analisis sentimen ♥️	Natural language processing	Penterjemahan dan analisis sentimen dengan Jane Austen	Python	Stephen
19	Hotel romantik di Eropah ♥️	Natural language processing	Analisis sentimen dengan ulasan hotel 1	Python	Stephen
20	Hotel romantik di Eropah ♥️	Natural language processing	Analisis sentimen dengan ulasan hotel 2	Python	Stephen
21	Pengenalan kepada peramalan siri masa	Time series	Pengenalan kepada peramalan siri masa	Python	Francesca
22	⚡️ Penggunaan Kuasa Dunia ⚡️ - peramalan siri masa dengan ARIMA	Time series	Peramalan siri masa dengan ARIMA	Python	Francesca
23	⚡️ Penggunaan Kuasa Dunia ⚡️ - peramalan siri masa dengan SVR	Time series	Peramalan siri masa dengan Support Vector Regressor	Python	Anirban
24	Pengenalan kepada pembelajaran penguatan	Reinforcement learning	Pengenalan kepada pembelajaran penguatan dengan Q-Learning	Python	Dmitry
25	Bantu Peter elakkan serigala! 🐺	Reinforcement learning	Gim pembelajaran penguatan	Python	Dmitry
Postscript	Senario dan aplikasi pembelajaran mesin dunia sebenar	ML in the Wild	Aplikasi pembelajaran mesin klasik yang menarik dan mendedahkan	Lesson	Team
Postscript	Penyahpepijatan Model dalam ML menggunakan papan pemuka RAI	ML in the Wild	Penyahpepijatan Model dalam Pembelajaran Mesin menggunakan komponen papan pemuka Responsible AI	Lesson	Ruth Yakubu

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

Akses luar talian

Anda boleh menjalankan dokumentasi ini secara luar talian dengan menggunakan Docsify. Buat forok repo ini, pasang Docsify pada mesin tempatan anda, dan kemudian dalam folder root repo ini, taip docsify serve. Laman web akan dihoskan pada port 3000 di localhost anda: localhost:3000.

PDF

Cari pdf kurikulum dengan pautan di sini.

🎒 Kursus Lain

Pasukan kami menghasilkan kursus-kursus lain! Semak:

LangChain

Azure / Edge / MCP / Agen

Siri AI Generatif

Pembelajaran Teras

Siri Copilot

Mendapatkan Bantuan

Jika anda tersekat atau ada soalan semasa mempelajari Pembelajaran Mesin atau membina aplikasi AI, jangan risau — bantuan tersedia.

Anda boleh sertai perbincangan dengan pelajar dan pembangun lain, tanya soalan, dan kongsi idea anda dengan komuniti.

Sertai komuniti untuk bertanya soalan dan belajar bersama
Bincangkan konsep Pembelajaran Mesin dan idea projek
Dapatkan panduan daripada pembangun berpengalaman

Komuniti yang menyokong adalah cara terbaik untuk mengembangkan kemahiran dan menyelesaikan masalah lebih pantas.

Komuniti Discord Microsoft Foundry

Jika anda menemui pepijat, ralat, atau ada cadangan untuk penambahbaikan, anda juga boleh buka Isu dalam repositori ini untuk melaporkan masalah.

Untuk maklum balas produk atau mencari pos komuniti yang sedia ada, lawati Forum Pembangun:

Tip Pembelajaran Tambahan

Semak nota selepas setiap pelajaran untuk pemahaman lebih baik.
Amalkan melaksanakan algoritma sendiri.
Terokai set data dunia sebenar menggunakan konsep yang dipelajari.

Penafian: Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI Co-op Translator. Walaupun kami berusaha untuk ketepatan, sila ambil maklum bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang sahih. Untuk maklumat penting, terjemahan oleh manusia profesional adalah disyorkan. Kami tidak bertanggungjawab terhadap sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.

32 KiB Raw Blame History Unescape Escape