Arab | Bengali | Bulgaria | Burma (Myanmar) | Cina (Sederhana) | Cina (Tradisional, Hong Kong) | Cina (Tradisional, Makau) | Cina (Tradisional, Taiwan) | Kroasia | Ceska | Denmark | Belanda | Estonia | Finlandia | Perancis | Jerman | Yunani | Ibrani | Hindi | Hungaria | Indonesia | Italia | Jepang | Kannada | Korea | Lituania | Melayu | Malayalam | Marathi | Nepali | Pidgin Nigeria | Norwegia | Persia (Farsi) | Polandia | Portugis (Brasil) | Portugis (Portugal) | Punjabi (Gurmukhi) | Rumania | Rusia | Serbia (Sirilik) | Slowakia | Slovenia | Spanyol | Swahili | Swedia | Tagalog (Filipina) | Tamil | Telugu | Thai | Turki | Ukraina | Urdu | Vietnam
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:
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 memberi Anda semua yang Anda butuhkan untuk menyelesaikan kursus dengan unduhan yang jauh lebih cepat.
Kami memiliki seri belajar Discord dengan AI yang sedang berjalan, pelajari lebih lanjut dan bergabunglah dengan kami di Seri Belajar dengan AI dari 18 - 30 September 2025. Anda akan mendapatkan tips dan trik menggunakan GitHub Copilot untuk Ilmu Data.
🌍 Jelajahi seluruh dunia saat kita menjelajahi Pembelajaran Mesin melalui budaya dunia 🌍
Para Cloud Advocates di Microsoft senang menawarkan kurikulum 12 minggu dengan 26 pelajaran yang membahas Pembelajaran Mesin. Dalam kurikulum ini, Anda akan belajar tentang apa yang kadang disebut pembelajaran mesin klasik, menggunakan terutama Scikit-learn sebagai pustaka dan menghindari deep learning, yang dibahas dalam kurikulum AI untuk Pemula. Padukan pelajaran ini dengan 'Data Science untuk Pemula' kurikulum, juga!
Jelajahi bersama kami ke seluruh dunia saat kami menerapkan teknik klasik ini ke data dari banyak wilayah di dunia. Setiap pelajaran mencakup kuis sebelum dan sesudah pelajaran, instruksi tertulis untuk menyelesaikan pelajaran, solusi, tugas, dan lainnya. Pedagogi berbasis proyek kami memungkinkan Anda belajar sambil membangun, cara yang telah terbukti membuat keterampilan baru 'melekat'.
✍️ Terima kasih sebesar-besarnya kepada para 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 para Microsoft Student Ambassador penulis, peninjau, dan kontributor konten, terutama Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, dan Snigdha Agarwal
🤩 Rasa terima kasih ekstra kepada Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, dan Vidushi Gupta untuk pelajaran R kami!
Ikuti langkah-langkah berikut:
- Fork Repositori: Klik tombol "Fork" di sudut kanan atas halaman ini.
- Kloning 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 atas masalah umum terkait instalasi, pengaturan, dan menjalankan pelajaran.
Siswa, untuk menggunakan kurikulum ini, fork seluruh repo ke akun GitHub Anda sendiri dan selesaikan latihan sendiri atau dengan kelompok:
- Mulai dengan kuis pemanasan sebelum kuliah.
- Baca kuliah dan selesaikan aktivitas, berhenti dan refleksikan setiap cek pengetahuan.
- Cobalah membuat proyek dengan memahami pelajaran daripada menjalankan kode solusi; walau demikian kode tersedia di folder
/solutionpada setiap pelajaran berbasis proyek. - Ikuti kuis sesudah 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, rubric yang Anda isi untuk memperdalam pembelajaran. Anda juga bisa merespon PAT lain agar kita dapat belajar bersama.
Untuk studi lebih lanjut, kami sarankan mengikuti modul dan jalur pembelajaran Microsoft Learn.
Guru, kami telah menyediakan beberapa saran tentang bagaimana menggunakan kurikulum ini.
Beberapa pelajaran tersedia dalam bentuk video singkat. Anda dapat menemukan semua ini di dalam pelajaran, atau di playlist ML untuk Pemula di saluran YouTube Microsoft Developer dengan mengklik gambar di bawah ini.
Gif oleh Mohit Jaisal
🎥 Klik gambar di atas untuk video tentang proyek dan orang-orang yang membuatnya!
Kami memilih dua prinsip pedagogis saat membangun kurikulum ini: memastikan bahwa kurikulum bersifat praktis berbasis proyek dan mencakup kuis yang sering. Selain itu, kurikulum ini memiliki tema umum untuk memberikan kohesi.
Dengan memastikan konten selaras dengan proyek, proses pembelajaran menjadi lebih menarik bagi siswa dan penyerapan konsep akan meningkat. Selain itu, kuis berl stakes rendah sebelum kelas mengarahkan niat siswa untuk mempelajari topik, sementara kuis kedua setelah kelas menjamin penyerapan lebih lanjut. Kurikulum ini dirancang agar fleksibel dan menyenangkan serta dapat diambil secara keseluruhan atau sebagian. Proyek dimulai dari yang kecil dan menjadi semakin kompleks pada akhir siklus 12 minggu. Kurikulum ini juga mencakup catatan tambahan mengenai aplikasi nyata ML, yang bisa digunakan sebagai kredit tambahan atau dasar diskusi.
Temukan Kode Etik, Kontribusi, Terjemahan, dan panduan Pemecahan Masalah kami. Kami menyambut umpan balik konstruktif Anda!
- sketchnote opsional
- video tambahan opsional
- video panduan (beberapa pelajaran saja)
- kuis pemanasan pra kuliah
- pelajaran tertulis
- untuk pelajaran berbasis proyek, panduan langkah demi langkah cara membangun proyek
- cek pengetahuan
- tantangan
- bacaan tambahan
- tugas
- kuis pasca kuliah
Catatan tentang bahasa: Pelajaran ini terutama ditulis dengan Python, tetapi banyak juga tersedia dalam R. Untuk menyelesaikan pelajaran R, buka folder
/solutiondan cari pelajaran R. Mereka mencakup ekstensi .rmd yang merupakan file R Markdown yang dapat secara sederhana didefinisikan sebagai penggabunganpotongan kode(dari R atau bahasa lain) dan sebuahheader YAML(yang mengatur format output seperti PDF) dalam sebuahdokumen Markdown. Dengan demikian, ini berfungsi sebagai kerangka penulisan yang ideal untuk ilmu data karena memungkinkan Anda menggabungkan kode, keluaran, dan pemikiran Anda dengan menuliskannya dalam Markdown. Selain itu, dokumen R Markdown dapat dirender ke format output seperti PDF, HTML, atau Word. Catatan tentang kuis: Semua kuis terdapat dalam folder Quiz App, dengan total 52 kuis masing-masing berisi tiga pertanyaan. Kuis-kuis tersebut ditautkan dari dalam pelajaran tetapi aplikasi kuis dapat dijalankan secara lokal; ikuti instruksi di folderquiz-appuntuk meng-host atau menerapkan secara lokal ke Azure.
| Nomor Pelajaran | Topik | Pengelompokan Pelajaran | Tujuan Pembelajaran | Pelajaran Tautan | Penulis |
|---|---|---|---|---|---|
| 01 | Pengantar pembelajaran mesin | Introduction | Pelajari konsep dasar di balik pembelajaran mesin | Lesson | Muhammad |
| 02 | Sejarah pembelajaran mesin | Introduction | Pelajari sejarah yang mendasari bidang ini | Lesson | Jen and Amy |
| 03 | Keadilan dan pembelajaran mesin | Introduction | Apa isu filosofis penting tentang keadilan yang harus dipertimbangkan siswa saat membangun dan menerapkan model ML? | Lesson | Tomomi |
| 04 | Teknik-teknik untuk pembelajaran mesin | Introduction | Teknik apa yang digunakan peneliti ML untuk membangun model ML? | Lesson | Chris and Jen |
| 05 | Pengantar regresi | Regression | Mulai menggunakan 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 | Bangun model regresi linier dan polinomial | Python • R | Jen and Dmitry • Eric Wanjau |
| 08 | Harga labu Amerika Utara 🎃 | Regression | Bangun model regresi logistik | Python • R | Jen • Eric Wanjau |
| 09 | Aplikasi Web 🔌 | Web App | Bangun aplikasi web untuk menggunakan model yang sudah dilatih | Python | Jen |
| 10 | Pengantar klasifikasi | Classification | Bersihkan, persiapkan, dan visualisasikan data; pengantar klasifikasi | Python • R | Jen and Cassie • Eric Wanjau |
| 11 | Masakan Asia dan India yang lezat 🍜 | Classification | Pengantar pengklasifikasi | Python • R | Jen and Cassie • Eric Wanjau |
| 12 | Masakan Asia dan India yang lezat 🍜 | Classification | Lebih banyak pengklasifikasi | Python • R | Jen and Cassie • Eric Wanjau |
| 13 | Masakan Asia dan India yang lezat 🍜 | Classification | Bangun aplikasi web rekomendasi menggunakan model Anda | Python | Jen |
| 14 | Pengantar pengelompokan | Clustering | Bersihkan, persiapkan, dan visualisasikan data; pengantar pengelompokan | Python • R | Jen • Eric Wanjau |
| 15 | Mengeksplorasi Selera Musik Nigeria 🎧 | Clustering | Eksplorasi metode pengelompokan K-Means | Python • R | Jen • Eric Wanjau |
| 16 | Pengantar pemrosesan bahasa alami ☕️ | Natural language processing | Pelajari dasar-dasar NLP dengan membangun bot sederhana | Python | Stephen |
| 17 | Tugas Umum NLP ☕️ | Natural language processing | Mendalami pengetahuan NLP dengan memahami tugas-tugas umum yang diperlukan saat berhadapan dengan struktur bahasa | Python | Stephen |
| 18 | Terjemahan dan analisis sentimen |
Natural language processing | Terjemahan dan analisis sentimen dengan Jane Austen | Python | Stephen |
| 19 | Hotel romantis di Eropa |
Natural language processing | Analisis sentimen dengan ulasan hotel 1 | Python | Stephen |
| 20 | Hotel romantis di Eropa |
Natural language processing | Analisis sentimen dengan ulasan hotel 2 | Python | Stephen |
| 21 | Pengantar peramalan deret waktu | Time series | Pengantar peramalan deret waktu | Python | Francesca |
| 22 | ⚡️ Penggunaan Listrik Dunia ⚡️ - peramalan deret waktu dengan ARIMA | Time series | Peramalan deret waktu dengan ARIMA | Python | Francesca |
| 23 | ⚡️ Penggunaan Listrik Dunia ⚡️ - peramalan deret waktu dengan SVR | Time series | Peramalan deret waktu dengan Support Vector Regressor | Python | Anirban |
| 24 | Pengantar pembelajaran penguatan | Reinforcement learning | Pengantar pembelajaran penguatan dengan Q-Learning | Python | Dmitry |
| 25 | Bantu Peter menghindari serigala! 🐺 | Reinforcement learning | Pembelajaran penguatan Gym | Python | Dmitry |
| Catatan Akhir | Skenario dan aplikasi ML dunia nyata | ML in the Wild | Aplikasi nyata menarik dan mengungkap dari ML klasik | Lesson | Tim |
| Catatan Akhir | Debugging Model dalam ML menggunakan dashboard RAI | ML in the Wild | Debugging Model dalam Pembelajaran Mesin menggunakan komponen dashboard Responsible AI | Lesson | Ruth Yakubu |
temukan semua sumber tambahan untuk kursus ini dalam koleksi Microsoft Learn kami
Anda dapat menjalankan dokumentasi ini secara offline dengan menggunakan Docsify. Fork repositori ini, pasang Docsify di mesin lokal Anda, lalu di folder root repositori ini, ketik docsify serve. Website akan dihidangkan di port 3000 pada localhost Anda: localhost:3000.
Temukan pdf kurikulum dengan tautan di sini.
Tim kami juga memproduksi kursus lainnya! Lihat:
-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA){kind=icon}
-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC){kind=icon}
-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9){kind=icon}
Jika Anda mengalami kesulitan atau memiliki pertanyaan tentang membangun aplikasi AI. Bergabunglah dengan sesama pelajar dan pengembang berpengalaman dalam diskusi tentang MCP. Ini adalah komunitas yang mendukung di mana pertanyaan disambut dan pengetahuan dibagikan secara bebas.
Jika Anda memiliki umpan balik produk atau menemukan kesalahan saat membangun kunjungi:
- Tinjau catatan setelah setiap pelajaran untuk pemahaman yang lebih baik.
- Latih penerapan algoritma secara mandiri.
- Jelajahi kumpulan data dunia nyata menggunakan konsep yang dipelajari.
Penafian: Dokumen ini telah diterjemahkan menggunakan layanan terjemahan AI Co-op Translator. Meskipun kami berusaha untuk akurasi, harap diperhatikan bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang otoritatif. Untuk informasi yang penting, disarankan menggunakan terjemahan profesional oleh manusia. Kami tidak bertanggung jawab atas kesalahpahaman atau salah tafsir yang timbul dari penggunaan terjemahan ini.