ML-For-Beginners/translations/ms

🌐 Sokongan Berbilang Bahasa

Disokong melalui GitHub Action (Automatik & Sentiasa Terkini)

Arab | Bengali | Bahasa Bulgaria | Bahasa Burma (Myanmar) | Cina (Dipermudahkan) | Cina (Tradisional, Hong Kong) | Cina (Tradisional, Macau) | Cina (Tradisional, Taiwan) | Croatian | Czech | Bahasa Denmark | Belanda | Bahasa Estonia | Bahasa Finland | Perancis | Jerman | Yunani | Ibrani | Hindi | Hungari | Indonesia | Itali | Jepun | Kannada | Korea | Bahasa Lithuania | Melayu | Malayalam | Marathi | Nepali | Pidgin Nigeria | Bahasa Norway | Parsi (Farsi) | Poland | Portugis (Brazil) | Portugis (Portugal) | Punjabi (Gurmukhi) | Romania | Rusia | Serbia (Cyrillic) | Slovakia | Slovenia | Sepanyol | Swahili | Bahasa Sweden | Tagalog (Filipino) | Tamil | Telugu | Thai | Turki | Ukraine | Urdu | Vietnam

Sertai Komuniti Kami

Kami mempunyai siri Learn with AI di Discord yang sedang berjalan, ketahui lebih lanjut dan sertai kami di Siri Belajar dengan AI dari 18 - 30 September, 2025. Anda akan mendapat petua dan trik menggunakan GitHub Copilot untuk Sains Data.

Machine Learning for Beginners - A Curriculum

🌍 Jelajah ke seluruh dunia semasa kita meneroka Pembelajaran Mesin melalui budaya dunia 🌍

Cloud Advocates di Microsoft gembira untuk menawarkan kurikulum 12 minggu, 26 pelajaran yang semuanya mengenai Machine Learning. 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 diliputi dalam kurikulum 'AI untuk Pemula'. Padankan pelajaran ini dengan kurikulum 'Data Science for Beginners', juga!

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

✍️ Terima kasih tidak terhingga 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 khas 🙏 kepada penulis, penilai, dan penyumbang kandungan Microsoft Student Ambassador kami, terutamanya 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:

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

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

🔧 Perlu bantuan? Semak Panduan Penyelesaian Masalah kami untuk penyelesaian kepada isu biasa berkaitan pemasangan, tetapan, dan menjalankan pelajaran.

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

• Mulakan dengan kuiz pra-ceramah.
• Baca ceramah dan lengkapkan aktiviti, berhenti dan renungkan setiap pemeriksaan pengetahuan.
• Cuba buat projek dengan memahami pelajaran daripada menjalankan kod penyelesaian; bagaimanapun kod tersebut tersedia dalam folder /solution dalam setiap pelajaran berorientasikan projek.
• Ambil kuiz pasca-ceramah.
• Lengkapkan cabaran.
• Lengkapkan tugasan.
• Selepas menyelesaikan kumpulan pelajaran, lawati Papan Perbincangan dan "belajar secara terbuka" dengan mengisi rubrik PAT yang sesuai. 'PAT' ialah Progress Assessment Tool (Alat Penilaian Kemajuan) iaitu rubrik yang anda isi untuk meningkatkan pembelajaran anda. Anda juga boleh memberi reaksi kepada PAT lain supaya kita boleh belajar bersama.

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

Guru, kami telah menyertakan beberapa cadangan mengenai cara menggunakan kurikulum ini.

---

Panduan video

Beberapa pelajaran tersedia sebagai video bentuk pendek. Anda boleh mencari semua ini bersusun dalam pelajaran, atau di playlist ML for Beginners pada saluran Microsoft Developer YouTube dengan mengklik imej di bawah.

---

Temui Pasukan

Gif oleh Mohit Jaisal

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

---

Pedagogi

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

Dengan memastikan kandungan selari dengan projek, proses menjadi lebih menarik untuk pelajar dan pengekalan konsep akan dipertingkatkan. Selain itu, kuiz berisiko rendah sebelum kelas menetapkan niat pelajar untuk mempelajari topik, manakala 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 sebenar ML, yang boleh digunakan sebagai kredit tambahan atau sebagai asas untuk perbincangan.

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

Setiap pelajaran termasuk

• nota lakaran pilihan
• video tambahan pilihan
• panduan video (sesetengah pelajaran sahaja)
• kuiz pemanasan pra-ceramah
• pelajaran bertulis
• untuk pelajaran berasaskan projek, panduan langkah demi langkah tentang cara membina projek
• pemeriksaan pengetahuan
• sebuah cabaran
• bahan bacaan tambahan
• tugasan
• kuiz pasca-ceramah

Catatan tentang bahasa: Pelajaran ini terutamanya 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 secara ringkas sebagai penempatan code chunks (R atau bahasa lain) dan YAML header (yang membimbing cara memformat output seperti PDF) dalam satu Markdown document. Oleh itu, ia berfungsi sebagai rangka kerja penulisan contoh untuk sains data kerana ia membolehkan anda menggabungkan kod anda, outputnya, dan pemikiran anda dengan membenarkan anda menulisnya dalam Markdown. Selain itu, dokumen R Markdown boleh dirender kepada format output seperti PDF, HTML, atau Word.

Catatan tentang kuiz: Semua kuiz terkandung dalam folder Quiz App, untuk 52 kuiz keseluruhan dengan tiga soalan setiap satu. Mereka dipautkan dari dalam pelajaran tetapi aplikasi kuiz boleh dijalankan secara tempatan; ikut arahan dalam folder quiz-app untuk menghoskan secara tempatan atau mendeploy ke Azure.

Nombor Pelajaran	Topik	Pengelompokan Pelajaran	Objektif Pembelajaran	Pelajaran Dipautkan	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 mengenai keadilan yang patut dipertimbangkan pelajar apabila membina dan menerapkan 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	Mula dengan Python dan Scikit-learn untuk model regresi	Python • R	Jen • Eric Wanjau
06	Harga labu Amerika Utara 🎃	Regresi	Visualisasikan dan bersihkan data sebagai persediaan 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 pengklasifikasi	Python • R	Jen dan Cassie • Eric Wanjau
12	Masakan Asia dan India yang Lazat 🍜	Klasifikasi	Lebih banyak pengklasifikasi	Python • R	Jen dan Cassie • Eric Wanjau
13	Masakan Asia dan India yang Lazat 🍜	Klasifikasi	Bina aplikasi web cadangan 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 Selera 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	Perdalam pengetahuan NLP anda dengan memahami tugas biasa yang diperlukan apabila 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 ramalan siri masa	Siri masa	Pengenalan kepada ramalan siri masa	Python	Francesca
22	⚡️ Penggunaan Tenaga Dunia ⚡️ - ramalan siri masa dengan ARIMA	Siri masa	Ramalan siri masa dengan ARIMA	Python	Francesca
23	⚡️ Penggunaan Tenaga Dunia ⚡️ - ramalan siri masa dengan SVR	Siri masa	Ramalan siri masa dengan Support Vector Regressor	Python	Anirban
24	Pengenalan kepada pembelajaran penguatan	Pembelajaran penguatan	Pengenalan kepada pembelajaran penguatan dengan Q-Learning	Python	Dmitry
25	Bantu Peter elakkan serigala! 🐺	Pembelajaran penguatan	Pembelajaran penguatan Gym	Python	Dmitry
Postskrip	Senario dan aplikasi ML Dunia Sebenar	ML in the Wild	Aplikasi dunia sebenar yang menarik dan mendedahkan bagi ML klasik	Pelajaran	Pasukan
Postskrip	Penyahpepijatan Model dalam ML menggunakan papan pemuka RAI	ML in the Wild	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 secara luar talian dengan menggunakan Docsify. Fork repo ini, pasang Docsify pada mesin setempat anda, dan kemudian di folder root repo ini, taip docsify serve. Laman web akan dihidangkan pada port 3000 pada localhost anda: localhost:3000.

PDFs

Cari pdf kurikulum dengan pautan di sini.

🎒 Kursus Lain

Pasukan kami menghasilkan kursus lain! Lihat:

LangChain

---

Azure / Edge / MCP / Agents

---

Siri AI Generatif

---

Pembelajaran Teras

---

Siri Copilot

Mendapatkan Bantuan

Jika anda tersekat atau mempunyai sebarang soalan mengenai pembinaan aplikasi AI. Sertai pelajar lain dan pembangun berpengalaman dalam perbincangan tentang 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 ralat atau ketidakakuratan. Dokumen asal dalam bahasa asalnya hendaklah dianggap sebagai sumber yang sah. Untuk maklumat penting, disyorkan terjemahan profesional oleh penterjemah manusia. Kami tidak bertanggungjawab terhadap sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.