ML-For-Beginners/translations/ms

🌐 Sokongan Pelbagai Bahasa

Disokong melalui Tindakan GitHub (Automatik & Sentiasa Dikemas Kini)

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

Lebih suka Klon Secara Tempatan?

Repositori ini termasuk 50+ terjemahan bahasa yang secara signifikan meningkatkan saiz muat turun. Untuk klon 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 segala yang anda perlukan untuk menyelesaikan kursus dengan muat turun yang jauh lebih cepat.

Sertai Komuniti Kami

Kami sedang menjalankan siri Discord belajar dengan AI, 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.

Pembelajaran Mesin untuk Pemula - Kurikulum

🌍 Melancong ke seluruh dunia sambil meneroka Pembelajaran Mesin melalui budaya dunia 🌍

Penggerak Awan di Microsoft dengan sukacitanya menawarkan kurikulum 12 minggu, 26 pelajaran mengenai Pembelajaran Mesin. Dalam kurikulum ini, anda akan mempelajari apa yang kadang-kala 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 Sains Data untuk Pemula' kami juga!

Bersama kami mengembara ke seluruh dunia sambil menerapkan teknik klasik ini pada data dari banyak kawasan di dunia. Setiap pelajaran merangkumi kuiz sebelum dan selepas pelajaran, arahan bertulis untuk menyelesaikan pelajaran, penyelesaian, tugasan, dan banyak lagi. Pendekatan berasaskan projek kami membolehkan anda belajar sambil membina, cara terbukti untuk kemahiran baru 'melekat'.

✍️ Terima kasih yang 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 pelukis ilustrasi kami Tomomi Imura, Dasani Madipalli, dan Jen Looper

🙏 Terima kasih khas 🙏 kepada penulis, penyemak dan penyumbang kandungan Duta Pelajar Microsoft kami, terutamanya Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, dan Snigdha Agarwal

🤩 Penghargaan tambahan kepada Duta Pelajar Microsoft Eric Wanjau, Jasleen Sondhi, dan Vidushi Gupta untuk pelajaran R kami!

Mulakan

Ikuti langkah-langkah ini:

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

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

🔧 Perlukan bantuan? Semak Panduan Penyelesaian Masalah kami untuk penyelesaian masalah biasa berkaitan pemasangan, persediaan, dan menjalankan pelajaran.

Pelajar, untuk menggunakan kurikulum ini, fork seluruh repositori ke akaun GitHub anda sendiri dan selesaikan latihan sendiri atau bersama kumpulan:

• Mulakan dengan kuiz pra-ceramah.
• Baca kuliah dan lengkapkan aktiviti, berhenti dan renungkan setiap pemeriksaan pengetahuan.
• Cuba cipta projek dengan memahami pelajaran daripada menjalankan kod penyelesaian; walau bagaimanapun kod itu tersedia dalam folder /solution dalam setiap pelajaran berorientasikan projek.
• Ambil kuiz selepas kuliah.
• Selesaikan cabaran.
• Selesaikan tugasan.
• Selepas menamatkan satu kumpulan pelajaran, lawati Papan Perbincangan dan "belajar dengan lantang" dengan mengisi rubrik PAT yang sesuai. 'PAT' adalah Alat Penilaian Kemajuan yang merupakan rubrik anda mengisinya untuk meningkatkan pembelajaran. Anda juga boleh memberi reaksi kepada PAT lain supaya kita boleh belajar bersama.

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

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

---

Panduan Video

Sesetengah pelajaran tersedia dalam bentuk video pendek. Anda boleh menemui kesemua ini secara sebaris dalam pelajaran, atau di senarai main ML untuk Pemula di saluran YouTube Microsoft Developer dengan mengklik imej di bawah.

---

Kenali Pasukan

GIF oleh Mohit Jaisal

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

---

Pedagogi

Kami memilih dua prinsip pedagogi ketika membangunkan kurikulum ini: memastikan ia berasaskan projek yang praktikal dan termasuk kuiz yang kerap. Selain itu, kurikulum ini mempunyai tema umum untuk memberikan keseragaman.

Dengan memastikan kandungan selari dengan projek, proses pembelajaran menjadi lebih menarik bagi pelajar dan pengekalan konsep akan bertambah baik. Selain itu, kuiz rendah risiko sebelum kelas menetapkan niat pelajar untuk mempelajari topik, sementara kuiz kedua selepas kelas memastikan pengekalan yang lebih baik. Kurikulum ini direka supaya fleksibel dan menyeronokkan dan boleh diambil secara keseluruhan atau sebahagian. Projek bermula kecil dan menjadi semakin kompleks pada penghujung kitaran 12 minggu. Kurikulum ini juga termasuk posskrip mengenai aplikasi dunia sebenar ML, yang boleh digunakan sebagai kredit tambahan atau sebagai asas perbincangan.

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

Setiap pelajaran merangkumi

• 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 untuk membina projek
• pemeriksaan pengetahuan
• cabaran
• bacaan tambahan
• tugasan
• kuiz pasca-ceramah

Nota tentang bahasa: Pelajaran ini kebanyakannya ditulis dalam Python, tetapi banyak juga tersedia dalam R. Untuk melengkapkan pelajaran R, pergi ke folder /solution dan cari pelajaran R. Ia termasuk sambungan .rmd yang mewakili fail R Markdown yang boleh dijelaskan sebagai gabungan keping kod (dalam R atau bahasa lain) dan header YAML (yang mengarahkan bagaimana format output seperti PDF) dalam dokumen Markdown. Oleh itu, ia menjadi kerangka pengarang contoh untuk sains data kerana ia membolehkan anda menggabungkan kod, outputnya, dan pemikiran anda dengan membenarkan anda menulisnya dalam Markdown. Selain itu, dokumen R Markdown boleh dihasilkan ke format output seperti PDF, HTML, atau Word. Nota mengenai kuiz: Semua kuiz terkandung dalam folder Aplikasi Kuiz, dengan jumlah 52 kuiz, setiap satu mengandungi tiga soalan. Ia dihubungkan dari dalam pelajaran tetapi aplikasi kuiz boleh dijalankan secara tempatan; ikut arahan dalam folder quiz-app untuk hos tempatan atau jalankan ke Azure.

Nombor Pelajaran	Topik	Pengelompokan Pelajaran	Objektif Pembelajaran	Pelajaran Berkaitan	Pengarang
01	Pengenalan kepada pembelajaran mesin	Pengenalan	Pelajari konsep asas di sebalik pembelajaran mesin	Pelajaran	Muhammad
02	Sejarah pembelajaran mesin	Pengenalan	Pelajari sejarah di sebalik bidang ini	Pelajaran	Jen dan Amy
03	Keadilan dan pembelajaran mesin	Pengenalan	Apa isu falsafah penting tentang keadilan yang harus dipertimbangkan pelajar ketika membina dan menggunakan model ML?	Pelajaran	Tomomi
04	Teknik untuk pembelajaran mesin	Pengenalan	Teknik apa yang digunakan penyelidik ML untuk membina model ML?	Pelajaran	Chris dan Jen
05	Pengenalan kepada regresi	Regresi	Mula menggunakan 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 pengelasan	Python • R	Jen dan Cassie • Eric Wanjau
12	Masakan Asia dan India yang lazat 🍜	Klasifikasi	Lebih banyak pengelasan	Python • R	Jen dan Cassie • Eric Wanjau
13	Masakan Asia dan India yang lazat 🍜	Klasifikasi	Bina aplikasi web pencadang 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 citarasa muzik Nigeria 🎧	Pengelompokan	Terokai kaedah K-Means clustering	Python • R	Jen • Eric Wanjau
16	Pengenalan kepada pemprosesan bahasa semula jadi ☕️	Pemprosesan bahasa semula jadi	Pelajari asas mengenai NLP dengan membina bot mudah	Python	Stephen
17	Tugasan umum NLP ☕️	Pemprosesan bahasa semula jadi	Mendalami pengetahuan NLP anda dengan memahami tugasan umum yang diperlukan ketika mengendalikan struktur bahasa	Python	Stephen
18	Penterjemahan dan analisis sentimen ♥️	Pemprosesan bahasa semula jadi	Penterjemahan 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 Kuasa Dunia ⚡️ - ramalan siri masa dengan ARIMA	Siri masa	Ramalan siri masa dengan ARIMA	Python	Francesca
23	⚡️ Penggunaan Kuasa 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 mengelak dari serigala! 🐺	Pembelajaran penguatan	Pembelajaran penguatan Gym	Python	Dmitry
Catatan Akhir	Senario dan aplikasi ML Dunia Sebenar	ML di Alam Liar	Aplikasi ML klasik dunia sebenar yang menarik dan mendedahkan	Pelajaran	Pasukan
Catatan Akhir	Penyahpepijatan Model dalam ML menggunakan papan pemuka RAI	ML di Alam Liar	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. Cawangan repo ini, pasang Docsify pada mesin tempatan anda, dan kemudian di folder akar repo ini, taip docsify serve. Laman web akan dihidangkan pada port 3000 di localhost anda: localhost:3000.

PDF

Cari pdf kurikulum dengan pautan di sini.

🎒 Kursus Lain

Pasukan kami menghasilkan kursus lain! Semak:

LangChain

---

Azure / Edge / MCP / Agen

---

Siri Generatif AI

---

Pembelajaran Teras

---

Siri Copilot

Mendapatkan Bantuan

Jika anda tersekat atau mempunyai sebarang soalan mengenai membina aplikasi AI. Sertai pembelajar lain dan pembangun berpengalaman dalam perbincangan mengenai MCP. Ia adalah komuniti yang menyokong di mana soalan dialu-alukan dan pengetahuan dikongsi secara bebas.

Jika anda mempunyai maklum balas produk atau menghadapi kesilapan ketika membina, kunjungi:

---

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