ML-For-Beginners/translations/id

🌐 Dukungan Multi-Bahasa

Didukung melalui GitHub Action (Otomatis & Selalu Terbaru)

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 Mengkloning Secara Lokal?

Repositori ini mencakup lebih dari 50 terjemahan bahasa yang secara signifikan meningkatkan ukuran unduhan. Untuk mengkloning 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.

Bergabunglah dengan Komunitas Kami

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

Machine Learning untuk Pemula - Kurikulum

🌍 Jelajahi dunia saat kita mengeksplorasi Machine Learning melalui budaya dunia 🌍

Cloud Advocates di Microsoft dengan bangga menawarkan kurikulum 12-minggu, 26-pelajaran yang membahas Machine Learning. Dalam kurikulum ini, Anda akan belajar tentang apa yang kadang disebut machine learning klasik, menggunakan terutama perpustakaan Scikit-learn dan menghindari pembelajaran mendalam, yang dibahas dalam kurikulum AI untuk Pemula. Padu padankan pelajaran ini dengan kurikulum 'Data Science untuk Pemula', juga!

Jelajahi bersama kami ke berbagai belahan dunia saat kami menerapkan teknik klasik ini pada data dari berbagai wilayah di dunia. Setiap pelajaran mencakup kuis sebelum dan sesudah pelajaran, instruksi tertulis untuk menyelesaikan pelajaran, solusi, tugas, dan lainnya. Pendekatan berbasis proyek memungkinkan Anda belajar sambil membangun, cara efektif agar keterampilan baru 'bersemangat'.

✍️ 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 penulis, pengulas, dan kontributor konten Microsoft Student Ambassador kami, khususnya 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 ini:

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

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

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

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

• Mulai dengan kuis pemanasan sebelum kuliah.
• Baca kuliah dan selesaikan aktivitas, berhenti dan renungkan setiap pemeriksaan pengetahuan.
• Coba buat proyek dengan memahami pelajaran daripada langsung menjalankan kode solusi; tetapi kode tersebut tersedia di folder /solution pada setiap pelajaran berbasis proyek.
• Ikuti kuis setelah kuliah.
• Selesaikan tantangan.
• Selesaikan tugas.
• Setelah menyelesaikan satu kelompok pelajaran, kunjungi Papan Diskusi dan "belajar secara terbuka" dengan mengisi rubrik PAT yang sesuai. 'PAT' adalah Alat Penilaian Kemajuan yang merupakan rubrik yang Anda isi untuk memperdalam pembelajaran Anda. Anda juga dapat merespon PAT lain agar kita bisa belajar bersama.

Untuk studi lanjutan, kami sarankan mengikuti modul dan jalur belajar Microsoft Learn ini.

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

---

Video panduan

Beberapa pelajaran tersedia dalam bentuk video singkat. Anda dapat menemukannya secara inline di pelajaran, atau di playlist ML untuk Pemula di saluran YouTube Microsoft Developer dengan mengklik gambar di bawah ini.

---

Temui Tim

Gif oleh Mohit Jaisal

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

---

Pedagogi

Kami memilih dua prinsip pedagogis saat membangun kurikulum ini: memastikan bahwa itu berbasis proyek langsung dan mencakup kuis yang sering. Selain itu, kurikulum ini memiliki tema umum agar lebih terpadu.

Dengan memastikan isi selaras dengan proyek, proses menjadi lebih menarik bagi siswa dan memperkuat retensi konsep. Selain itu, kuis dengan tingkat tekanan rendah sebelum kelas mengarahkan niat siswa untuk mempelajari topik, sementara kuis kedua setelah kelas memastikan retensi lebih lanjut. Kurikulum ini dirancang agar fleksibel dan menyenangkan serta dapat diambil secara lengkap atau sebagian. Proyek dimulai dari yang sederhana dan menjadi semakin kompleks hingga akhir siklus 12 minggu. Kurikulum ini juga mencakup posskrip tentang aplikasi nyata ML, yang dapat digunakan sebagai nilai tambah atau sebagai dasar diskusi.

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

Setiap pelajaran mencakup

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

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. Pelajaran tersebut memiliki ekstensi .rmd yang merupakan file R Markdown yang dapat didefinisikan sebagai gabungan potongan kode (dari R atau bahasa lain) dan header YAML (yang mengarahkan bagaimana memformat keluaran seperti PDF) dalam dokumen Markdown. Dengan demikian, ia berfungsi sebagai kerangka kerja pembuatan yang sangat baik untuk ilmu data karena memungkinkan Anda menggabungkan kode, outputnya, dan pemikiran Anda dengan menuliskannya dalam Markdown. Selain itu, dokumen R Markdown dapat dirender ke format keluaran seperti PDF, HTML, atau Word. Catatan tentang kuis: Semua kuis terdapat di dalam folder Quiz App, dengan total 52 kuis yang masing-masing berisi tiga pertanyaan. Kuis tersebut ditautkan di dalam pelajaran, tetapi aplikasi kuis dapat dijalankan secara lokal; ikuti instruksi di folder quiz-app untuk menghosting secara lokal atau men-deploy ke Azure.

Nomor Pelajaran	Topik	Pengelompokan Pelajaran	Tujuan Pembelajaran	Pelajaran Tautan	Penulis
01	Pengenalan machine learning	Pengenalan	Pelajari konsep dasar di balik machine learning	Pelajaran	Muhammad
02	Sejarah machine learning	Pengenalan	Pelajari sejarah yang mendasari bidang ini	Pelajaran	Jen dan Amy
03	Keadilan dan machine learning	Pengenalan	Apa isu filosofis penting tentang keadilan yang harus dipertimbangkan oleh siswa saat membangun dan menerapkan model ML?	Pelajaran	Tomomi
04	Teknik untuk machine learning	Pengenalan	Teknik apa yang digunakan 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 sudah dilatih	Python	Jen
10	Pengenalan klasifikasi	Klasifikasi	Bersihkan, persiapkan, dan visualisasikan data Anda; pengantar klasifikasi	Python • R	Jen dan Cassie • Eric Wanjau
11	Masakan Asia dan India yang Lezat 🍜	Klasifikasi	Pengenalan kepada pengklasifikasi	Python • R	Jen dan Cassie • Eric Wanjau
12	Masakan Asia dan India yang Lezat 🍜	Klasifikasi	Lebih banyak pengklasifikasi	Python • R	Jen dan Cassie • Eric Wanjau
13	Masakan Asia dan India yang Lezat 🍜	Klasifikasi	Bangun aplikasi rekomender web menggunakan model Anda	Python	Jen
14	Pengenalan klastering	Klastering	Bersihkan, persiapkan, dan visualisasikan data Anda; pengantar 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 Umum NLP ☕️	Pemrosesan bahasa alami	Perdalam pengetahuan NLP Anda dengan memahami tugas umum yang diperlukan saat menangani 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 kepada peramalan deret waktu	Python	Francesca
22	⚡️ Penggunaan Listrik Dunia ⚡️ - peramalan deret waktu dengan ARIMA	Deret waktu	Peramalan deret waktu dengan ARIMA	Python	Francesca
23	⚡️ Penggunaan Listrik 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	Pembelajaran penguatan Gym	Python	Dmitry
Postscript	Skenario dan aplikasi ML di dunia nyata	ML di Dunia Nyata	Aplikasi ML klasik yang menarik dan mengungkap dalam dunia nyata	Pelajaran	Tim
Postscript	Debugging Model dalam ML menggunakan dasbor RAI	ML di Dunia Nyata	Debugging Model dalam Machine Learning menggunakan komponen dasbor Responsible AI	Pelajaran	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 repo ini, instal Docsify pada mesin lokal Anda, kemudian di folder root repo ini, ketik docsify serve. Situs web akan disajikan pada port 3000 di localhost Anda: localhost:3000.

PDF

Temukan pdf kurikulum dengan tautan di sini.

🎒 Kursus Lainnya

Tim kami memproduksi kursus lainnya! Cek:

LangChain

---

Azure / Edge / MCP / Agen

---

Seri AI Generatif

---

Pembelajaran Inti

---

Seri Copilot

Mendapatkan Bantuan

Jika Anda mengalami kebuntuan atau memiliki pertanyaan tentang membangun aplikasi AI. Bergabunglah dengan sesama pelajar dan pengembang berpengalaman dalam diskusi tentang MCP. Ini adalah komunitas yang suportif di mana pertanyaan disambut dan pengetahuan dibagikan dengan bebas.

Jika Anda memiliki umpan balik produk atau menemui kesalahan saat membangun, kunjungi:

---

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