ML-For-Beginners/translations/tl

🌐 Suporta sa Maramihang Wika

Sinusuportahan sa pamamagitan ng GitHub Action (Automatiko at Palaging Napapanahon)

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

Mas gusto mo bang Mag-clone nang Lokal?

Kasama sa repository na ito ang 50+ na pagsasalin ng wika na nagpapalaki nang malaki sa laki ng pag-download. Para mag-clone nang walang mga pagsasalin, gamitin ang 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'

Binibigyan ka nito ng lahat ng kakailanganin mo para matapos ang kurso nang mas mabilis ang pag-download.

Sumali sa Aming Komunidad

Mayroon kaming patuloy na Discord learn with AI series, alamin pa at sumali sa amin sa Learn with AI Series mula Setyembre 18 - 30, 2025. Makakakuha ka ng mga tip at trick sa paggamit ng GitHub Copilot para sa Data Science.

Machine Learning para sa mga Baguhan - Isang Kurikulum

🌍 Maglakbay sa buong mundo habang tinutuklasan natin ang Machine Learning gamit ang mga kultura ng mundo 🌍

Ikinagagalak ng Cloud Advocates sa Microsoft na mag-alok ng 12-linggong kurikulum na may 26 na aralin na lahat tungkol sa Machine Learning. Sa kurikulum na ito, matututuhan mo ang tinatawag na classic machine learning, na gumagamit pangunahin ang Scikit-learn bilang library at iniiwasan ang deep learning, na tinatalakay sa aming AI para sa mga Baguhan na kurikulum. Pagsamahin ang mga araling ito sa aming 'Data Science para sa mga Baguhan' na kurikulum, din!

Maglakbay kasama namin sa buong mundo habang inaaplay namin ang mga klasikong teknik na ito sa datos mula sa maraming bahagi ng mundo. Bawat aralin ay may kasamang pre- at post-lesson quizzes, nakasulat na mga instruksyon para matapos ang aralin, solusyon, takdang-aralin, at iba pa. Ang aming proyekto-based na pedagohiya ay nagpapahintulot sa iyo na matuto habang gumagawa, isang napatunayang paraan para tumagal ang mga bagong kasanayan.

✍️ Taos-pusong pasasalamat sa aming mga may-akda Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu at Amy Boyd

🎨 Pasasalamat din sa aming mga ilustrador Tomomi Imura, Dasani Madipalli, at Jen Looper

🙏 Espesyal na pasasalamat 🙏 sa aming mga Microsoft Student Ambassador na mga awtor, tagasuri, at mga nag-ambag ng nilalaman, lalo na kina Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, at Snigdha Agarwal

🤩 Dagdag na pasasalamat sa mga Microsoft Student Ambassadors na sina Eric Wanjau, Jasleen Sondhi, at Vidushi Gupta para sa aming mga aralin sa R!

Pagsisimula

Sundin ang mga hakbang na ito:

1. I-fork ang Repository: I-click ang button na "Fork" sa itaas na kanang bahagi ng pahinang ito.
2. I-clone ang Repository: git clone https://github.com/microsoft/ML-For-Beginners.git

hanapin ang lahat ng karagdagang mga mapagkukunan para sa kurso na ito sa aming Microsoft Learn na koleksyon

🔧 Kailangan ng tulong? Tingnan ang aming Troubleshooting Guide para sa mga solusyon sa mga karaniwang isyu sa pag-install, pagsasaayos, at pagpapatakbo ng mga aralin.

Mga mag-aaral, para gamitin ang kurikulum na ito, i-fork ang buong repo sa sarili mong GitHub account at tapusin ang mga ehersisyo nang mag-isa o kasama ang grupo:

• Magsimula sa isang pre-lecture quiz.
• Basahin ang lektura at tapusin ang mga aktibidad, huminto at magnilay-nilay sa bawat knowledge check.
• Subukang likhain ang mga proyekto sa pamamagitan ng pag-unawa sa mga aralin sa halip na patakbuhin ang solusyon na code; gayunpaman, ang code na iyon ay makukuha sa mga /solution na folder sa bawat araling nakatuon sa proyekto.
• Kunin ang post-lecture quiz.
• Tapusin ang hamon.
• Tapusin ang takdang-aralin.
• Pagkatapos matapos ang isang grupo ng aralin, bisitahin ang Discussion Board at "matuto nang malakas" sa pamamagitan ng pagpuno sa naaangkop na PAT rubric. Ang 'PAT' ay isang Progress Assessment Tool na isang rubric na pinupunan mo para mapalawak ang iyong pagkatuto. Maaari ka ring mag-react sa iba pang PAT upang sabay-sabay tayong matuto.

Para sa karagdagang pag-aaral, inirerekomenda naming sundan ang mga Microsoft Learn na module at landas sa pagkatuto.

Mga guro, mayroong kami ilang suhestiyon kung paano gamitin ang kurikulum na ito.

---

Mga Video na Gabay

Ang ilang mga aralin ay available bilang maikling porma ng video. Makikita mo ang lahat ng ito nang naka-inline sa mga aralin, o sa ML for Beginners playlist sa Microsoft Developer YouTube channel sa pamamagitan ng pag-click sa larawan sa ibaba.

---

Kilalanin ang Team

Gif ni Mohit Jaisal

🎥 I-click ang larawan sa itaas para sa isang video tungkol sa proyekto at mga taong lumikha nito!

---

Pedagogiya

Pinili namin ang dalawang pedagogical na prinsipyo habang ginagawa ang kurikulum na ito: pagtiyak na ito ay hands-on na project-based at na ito ay may kasamang mga madalas na quizzes. Bukod pa rito, ang kurikulum na ito ay may isang pangkalahatang tema upang bigyan ito ng pagkakaugnay-ugnay.

Sa pamamagitan ng pagtiyak na ang nilalaman ay naaayon sa mga proyekto, ang proseso ay nagiging mas kawili-wili para sa mga mag-aaral at ang pag-alala sa mga konsepto ay mapapalakas. Bukod pa rito, ang isang low-stakes na pagsusulit bago ang klase ay nagtatakda ng intensyon ng mag-aaral sa pag-aaral ng paksa, habang ang pangalawang pagsusulit pagkatapos ng klase ay nagsisiguro ng karagdagang pag-alala. Ang kurikulum na ito ay dinisenyo upang maging flexible at masaya at maaaring kunin nang buo o kalahati lamang. Nagsisimula ang mga proyekto sa maliit at nagiging mas komplikado sa katapusan ng 12-linggong siklo. Kabilang din sa kurikulum na ito ang isang postscript tungkol sa mga tunay na aplikasyon ng ML, na maaaring gamitin bilang dagdag na kredito o bilang batayan para sa diskusyon.

Hanapin ang aming Code of Conduct, Contributing, Translation, at Troubleshooting na mga gabay. Malugod naming tinatanggap ang inyong kapaki-pakinabang na puna!

Kasama sa bawat aralin

• opsyonal na sketchnote
• opsyonal na dagdag na video
• video walkthrough (ilang aralin lamang)
• pre-lecture warmup quiz
• nakasulat na aralin
• para sa mga aralin na nakatuon sa proyekto, mga hakbang-hakbang na gabay kung paano buuin ang proyekto
• knowledge checks
• isang hamon
• dagdag na babasahin
• takdang-aralin
• post-lecture quiz

Isang paalala tungkol sa mga wika: Pangunahing nakasulat sa Python ang mga araling ito, ngunit marami rin ang available sa R. Para matapos ang isang aralin sa R, pumunta sa folder na /solution at hanapin ang mga aralin sa R. Kasama rito ang extension na .rmd na nangangahulugang isang R Markdown na file na simpleng tinukoy bilang isang pagsasama ng code chunks (ng R o iba pang mga wika) at isang YAML header (na gumagabay kung paano iformat ang mga output tulad ng PDF) sa isang Markdown document. Dahil dito, nagsisilbi itong isang halimbawa ng authoring framework para sa data science dahil pinapahintulutan kang pagsamahin ang iyong code, ang output nito, at ang iyong mga saloobin sa pamamagitan ng pagsusulat ng mga ito sa Markdown. Bukod dito, maaaring i-render ang mga dokumento ng R Markdown sa mga output format tulad ng PDF, HTML, o Word. Isang tala tungkol sa mga pagsusulit: Lahat ng pagsusulit ay nakapaloob sa Quiz App folder, para sa kabuuang 52 pagsusulit na may tig-tlong tanong bawat isa. Ito ay naka-link mula sa loob ng mga aralin ngunit ang quiz app ay pwedeng patakbuhin nang lokal; sundin ang mga tagubilin sa quiz-app folder upang mag-host nang lokal o mag-deploy sa Azure.

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	Panimula sa machine learning	Introduction	Matutunan ang mga pangunahing konsepto sa likod ng machine learning	Lesson	Muhammad
02	Kasaysayan ng machine learning	Introduction	Matutunan ang kasaysayan sa likod ng larangang ito	Lesson	Jen and Amy
03	Katarungan at machine learning	Introduction	Ano ang mahahalagang isyung pilosopikal tungkol sa katarungan na dapat isaalang-alang ng mga estudyante sa pagbuo at aplikasyon ng ML models?	Lesson	Tomomi
04	Teknik para sa machine learning	Introduction	Anong mga teknik ang ginagamit ng mga mananaliksik sa ML para gumawa ng ML models?	Lesson	Chris and Jen
05	Panimula sa regression	Regression	Magsimula sa Python at Scikit-learn para sa mga regression model	Python • R	Jen • Eric Wanjau
06	Presyo ng kalabasa sa Hilagang Amerika 🎃	Regression	I-visualize at linisin ang datos bilang paghahanda sa ML	Python • R	Jen • Eric Wanjau
07	Presyo ng kalabasa sa Hilagang Amerika 🎃	Regression	Gumawa ng linear at polynomial regression models	Python • R	Jen and Dmitry • Eric Wanjau
08	Presyo ng kalabasa sa Hilagang Amerika 🎃	Regression	Gumawa ng logistic regression model	Python • R	Jen • Eric Wanjau
09	Isang Web App 🔌	Web App	Gumawa ng web app para gamitin ang iyong na-train na modelo	Python	Jen
10	Panimula sa classification	Classification	Linisin, ihanda, at i-visualize ang iyong datos; panimula sa classification	Python • R	Jen and Cassie • Eric Wanjau
11	Masasarap na pagkaing Asyano at Indian 🍜	Classification	Panimula sa mga classifiers	Python • R	Jen and Cassie • Eric Wanjau
12	Masasarap na pagkaing Asyano at Indian 🍜	Classification	Higit pang mga classifiers	Python • R	Jen and Cassie • Eric Wanjau
13	Masasarap na pagkaing Asyano at Indian 🍜	Classification	Gumawa ng recommender web app gamit ang iyong modelo	Python	Jen
14	Panimula sa clustering	Clustering	Linisin, ihanda, at i-visualize ang iyong datos; panimula sa clustering	Python • R	Jen • Eric Wanjau
15	Pagsusuri ng mga musikang Nigerian 🎧	Clustering	Suriin ang K-Means clustering method	Python • R	Jen • Eric Wanjau
16	Panimula sa natural language processing ☕️	Natural language processing	Matutunan ang mga batayan ng NLP sa paggawa ng isang simpleng bot	Python	Stephen
17	Karaniwang mga Gawain sa NLP ☕️	Natural language processing	Palalimin ang iyong kaalaman sa NLP sa pamamagitan ng pag-unawa sa mga karaniwang gawain sa pagtatrabaho sa mga istruktura ng wika	Python	Stephen
18	Pagsasalin at pagsusuri ng damdamin ♥️	Natural language processing	Pagsasalin at pagsusuri ng damdamin gamit si Jane Austen	Python	Stephen
19	Mga romantikong hotel ng Europa ♥️	Natural language processing	Pagsusuri ng damdamin gamit ang mga review ng hotel 1	Python	Stephen
20	Mga romantikong hotel ng Europa ♥️	Natural language processing	Pagsusuri ng damdamin gamit ang mga review ng hotel 2	Python	Stephen
21	Panimula sa time series forecasting	Time series	Panimula sa time series forecasting	Python	Francesca
22	⚡️ Paggamit ng Kuryente sa Mundo ⚡️ - time series forecasting gamit ARIMA	Time series	Time series forecasting gamit ang ARIMA	Python	Francesca
23	⚡️ Paggamit ng Kuryente sa Mundo ⚡️ - time series forecasting gamit SVR	Time series	Time series forecasting gamit ang Support Vector Regressor	Python	Anirban
24	Panimula sa reinforcement learning	Reinforcement learning	Panimula sa reinforcement learning gamit ang Q-Learning	Python	Dmitry
25	Tulungan si Peter na iwasan ang lobo! 🐺	Reinforcement learning	Reinforcement learning Gym	Python	Dmitry
Postscript	Mga totoong senaryo at aplikasyon ng ML	ML in the Wild	Mga kawili-wili at nagbibigay-liwanag na totoong aplikasyon ng klasikal na ML	Lesson	Team
Postscript	Pag-debug ng Modelo sa ML gamit ang RAI dashboard	ML in the Wild	Pag-debug ng Modelo sa Machine Learning gamit ang Responsible AI dashboard components	Lesson	Ruth Yakubu

hanapin lahat ng karagdagang mga resources para sa kursong ito sa aming Microsoft Learn collection

Offline access

Maaari mong patakbuhin ang dokumentasyong ito offline gamit ang Docsify. I-fork ang repo na ito, i-install ang Docsify sa iyong lokal na makina, at pagkatapos sa root folder ng repo na ito, i-type ang docsify serve. Ang website ay ise-serve sa port 3000 sa iyong localhost: localhost:3000.

PDFs

Hanapin ang pdf ng kurikulum na may mga link dito.

🎒 Iba pang Mga Kurso

Ang aming koponan ay gumagawa ng iba pang mga kurso! Tignan:

LangChain

---

Azure / Edge / MCP / Agents

---

Generative AI Series

---

Pangunahing Pagkatuto

---

Copilot Series

Pagkuha ng Tulong

Kung ikaw ay naiipit o may mga katanungan tungkol sa paggawa ng mga AI app, sumali sa mga kapwa nag-aaral at mga bihasang developer sa mga talakayan tungkol sa MCP. Isa itong suportadong komunidad kung saan malugod tinatanggap ang mga tanong at malayang naibabahagi ang kaalaman.

Kung mayroon kang puna sa produkto o mga error habang nagbuo, bisitahin:

---

Paalala:
Ang dokumentong ito ay isinalin gamit ang AI translation service na Co-op Translator. Habang aming pinagsisikapang maging tumpak ang pagsasalin, pakatandaan na ang awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o di-katiyakan. Ang orihinal na dokumento sa sariling wika nito ang dapat ituring na pangunahing sanggunian. Para sa mahahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na nagmumula sa paggamit ng pagsasaling ito.