README.md

🌐 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 I-clone Nang Lokal?

Kasama sa repository na ito ang 50+ na pagsasalin ng wika na malaki ang pinapataas ng laki ng pag-download. Upang i-clone nang walang mga pagsasalin, gamitin ang 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"

Bibigyan ka nito ng lahat ng kailangan mo para tapusin ang kurso nang mas mabilis ang pag-download.

Sumali sa Aming Komunidad

Mayroon kaming Discord na serye ng pag-aaral gamit ang AI na kasalukuyang nagpapatuloy, matuto 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 Nagsisimula - Isang Kurikulum

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

Ikinagagalak ng Cloud Advocates ng Microsoft na mag-alok ng isang 12-linggong, 26-leksyon na kurikulum tungkol sa Machine Learning. Sa kurikulung ito, matututuhan mo ang tinatawag minsan na classic machine learning, gamit pangunahin ang Scikit-learn bilang isang librarya at iniiwasan ang deep learning, na tinatalakay naman sa aming AI for Beginners' curriculum. Ipares ang mga leksyong ito sa aming 'Data Science for Beginners' curriculum, rin!

Maglakbay kasama kami sa buong mundo habang inilalapat natin ang mga klasikong teknikang ito sa datos mula sa maraming bahagi ng mundo. Bawat leksyon ay may kasamang pre- at post-lesson quizzes, nakasulat na mga tagubilin para matapos ang leksyon, isang solusyon, isang assignment, at marami pa. Ang aming pedagohikal na nakabase sa proyekto ay nagpapahintulot sa iyo na matuto habang nagtatayo, isang napatunayang paraan para ang bagong kaalaman ay manatili.

✍️ 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

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

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

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

Pagsisimula

Sundin ang mga hakbang na ito:

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

hanapin lahat ng dagdag na mga recurso para sa kursong ito sa aming Microsoft Learn collection

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

Mga Estudyante, upang magamit ang kurikulung ito, i-fork ang buong repo sa iyong sariling GitHub account at tapusin ang mga ehersisyo nang mag-isa o kasama ang isang grupo:

• Magsimula sa pre-lecture quiz.
• Basahin ang lektura at tapusin ang mga gawain, huminto at magmuni-muni sa bawat knowledge check.
• Subukang likhain ang mga proyekto sa pamamagitan ng pag-unawa sa mga leksyon sa halip na patakbuhin ang solution code; gayunpaman available ang code na iyon sa mga /solution folders sa bawat proyekto-orientadong leksyon.
• Kunin ang post-lecture quiz.
• Tapusin ang hamon.
• Tapusin ang assignment.
• Pagkatapos tapusin ang isang grupo ng leksyon, bisitahin ang Discussion Board at "matuto nang malakas" sa pamamagitan ng pag-fill out ng angkop na PAT rubric. Ang 'PAT' ay isang Progress Assessment Tool na isang rubric na iyong pinupunan upang mapalalim ang iyong pagkatuto. Maaari ka ring mag-react sa ibang mga PAT para sama-sama tayong matuto.

Para sa karagdagang pag-aaral, inirerekumenda naming sundan ang mga Microsoft Learn modules at learning paths.

Mga Guro, may kasamang ilang mga suhestiyon kung paano gamitin ang kurikulung ito.

---

Video walkthroughs

Ilan sa mga leksyon ay available bilang mga pinaikling video. Makikita mo ang lahat ng ito sa loob ng mga leksyon, o sa ML for Beginners playlist sa Microsoft Developer YouTube channel sa pamamagitan ng pag-click sa larawan sa ibaba.

---

Kilalanin ang Pangkat

Gif ni Mohit Jaisal

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

---

Pedagohiya

Pinili namin ang dalawang prinsipyo ng pagtuturo habang binubuo ang kurikulung ito: siguraduhing ito ay hands-on project-based at na ito ay may kasamang madalas na mga pagsusulit. Bukod dito, ang kurikulung ito ay may isang karaniwang tema upang bigyan ito ng pagkakaugnay-ugnay.

Sa pagtitiyak na ang nilalaman ay nakaayon sa mga proyekto, ang proseso ay nagiging mas kaakit-akit para sa mga estudyante at ang pagpapanatili ng mga konsepto ay mapapalakas. Bukod dito, ang mababang-stake na pagsusulit bago ang klase ay nagtatakda ng layunin ng estudyante sa pag-aaral ng isang paksa, samantalang ang pangalawang pagsusulit pagkatapos ng klase ay nagsisiguro ng karagdagang pagpapanatili. Ang kurikulung ito ay idinisenyo upang maging flexible at masaya at maaaring kunin nang buo o bahagi. Nagsisimula ang mga proyekto sa maliit at lumalalim ang komplikasyon hanggang sa dulo ng 12-linggong siklo. Kasama rin sa kurikulung ito ang isang postscript tungkol sa mga totoong aplikasyon ng ML, na maaaring gamitin bilang dagdag na kredito o bilang batayan sa talakayan.

Hanapin ang aming Code of Conduct, Contributing, Translations, at Troubleshooting na mga gabay. Malugod naming tinatanggap ang inyong mga konstruktibong puna!

Kasama sa bawat leksyon

• opsyonal na sketchnote
• opsyonal na suplementaryong video
• video walkthrough (ilang leksyon lamang)
• pre-lecture warmup quiz
• nakasulat na leksyon
• para sa project-based na mga leksyon, sunud-sunod na gabay kung paano itayo ang proyekto
• knowledge checks
• isang hamon
• dagdag na babasahin
• assignment
• post-lecture quiz

Tungkol sa mga wika: Pangunahing nakasulat ang mga leksyong ito sa Python, ngunit marami rin ang available sa R. Upang makumpleto ang isang R lesson, pumunta sa /solution folder at hanapin ang mga R lessons. Kabilang dito ang .rmd na extension na kumakatawan sa isang R Markdown file na maaaring ipaliwanag bilang pagsasama-sama ng mga code chunks (ng R o ibang mga wika) at isang YAML header (na naggagabay kung paano i-format ang mga output tulad ng PDF) sa isang Markdown document. Dahil dito, nagsisilbi itong isang halimbawa ng framework para sa pag-aakda sa data science dahil pinapayagan kang pagsamahin ang iyong code, ang output nito, at ang iyong mga saloobin sa pamamagitan ng pagsusulat ng mga ito sa Markdown. Bukod pa rito, ang mga R Markdown documents ay maaaring i-render sa mga output format tulad ng PDF, HTML, o Word. Isang paalala tungkol sa mga pagsusulit: Lahat ng pagsusulit ay naka-imbak sa Quiz App folder, na may kabuuang 52 na pagsusulit na may tig-tatlong tanong bawat isa. Nakalink sila mula sa loob ng mga aralin ngunit ang quiz app ay maaaring patakbuhin nang lokal; sundin ang mga tagubilin sa quiz-app folder upang ma-host nang lokal o ma-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 pilosopikal na isyu tungkol sa katarungan na dapat isaalang-alang ng mga mag-aaral sa paggawa at paggamit ng ML models?	Lesson	Tomomi
04	Mga teknik para sa machine learning	Introduction	Anong mga teknik ang ginagamit ng mga mananaliksik ng ML upang bumuo ng ML models?	Lesson	Chris and Jen
05	Panimula sa regression	Regression	Magsimula gamit ang Python at Scikit-learn para sa mga regression model	Python • R	Jen • Eric Wanjau
06	Presyo ng kalabasa sa Hilagang Amerika 🎃	Regression	I-visualisa at linisin ang datos para sa paghahanda sa ML	Python • R	Jen • Eric Wanjau
07	Presyo ng kalabasa sa Hilagang Amerika 🎃	Regression	Bumuo ng linear at polynomial regression models	Python • R	Jen and Dmitry • Eric Wanjau
08	Presyo ng kalabasa sa Hilagang Amerika 🎃	Regression	Bumuo ng logistic regression model	Python • R	Jen • Eric Wanjau
09	Isang Web App 🔌	Web App	Bumuo ng web app para gamitin ang na-train mong modelo	Python	Jen
10	Panimula sa classification	Classification	Linisin, ihanda, at i-visualisa ang iyong datos; panimula sa classification	Python • R	Jen and Cassie • Eric Wanjau
11	Masasarap na lutuing Asyano at Indian 🍜	Classification	Panimula sa mga classifiers	Python • R	Jen and Cassie • Eric Wanjau
12	Masasarap na lutuing Asyano at Indian 🍜	Classification	Higit pang mga classifiers	Python • R	Jen and Cassie • Eric Wanjau
13	Masasarap na lutuing Asyano at Indian 🍜	Classification	Bumuo ng recommender web app gamit ang iyong modelo	Python	Jen
14	Panimula sa clustering	Clustering	Linisin, ihanda, at i-visualisa ang iyong datos; Panimula sa clustering	Python • R	Jen • Eric Wanjau
15	Pagsasaliksik sa Nigerian Musical Tastes 🎧	Clustering	Saliksikin ang K-Means clustering method	Python • R	Jen • Eric Wanjau
16	Panimula sa natural language processing ☕️	Natural language processing	Alamin ang mga pangunahing kaalaman tungkol sa NLP sa pamamagitan ng paggawa ng simpleng bot	Python	Stephen
17	Mga Karaniwang Gawain sa NLP ☕️	Natural language processing	Palalimin ang iyong kaalaman sa NLP sa pamamagitan ng pag-unawa sa mga karaniwang gawain na kinakailangan sa paghawak ng 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 sa Europa ♥️	Natural language processing	Pagsusuri ng damdamin gamit ang mga review ng hotel 1	Python	Stephen
20	Mga Romantikong hotel sa 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 ang ARIMA	Time series	Time series forecasting gamit ang ARIMA	Python	Francesca
23	⚡️ Paggamit ng Kuryente sa Mundo ⚡️ - time series forecasting gamit ang 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	Kawili-wili at naglalahad na mga totoong aplikasyon ng klasikong ML	Lesson	Team
Postscript	Pagsasaayos ng Modelo sa ML gamit ang RAI dashboard	ML in the Wild	Pagsasaayos ng Modelo sa Machine Learning gamit ang Responsible AI dashboard components	Lesson	Ruth Yakubu

hanapin ang lahat ng dagdag na mapagkukunan para sa kursong ito sa aming Microsoft Learn collection

Offline access

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

PDFs

Hanapin ang pdf ng kurikulum na may mga link dito.

🎒 Iba Pang Kurso

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

LangChain

Azure / Edge / MCP / Agents

---

Generative AI Series

---

Pangunahing Pag-aaral

---

Serye ng Copilot

Pagkuha ng Tulong

Kung ikaw ay naipit o mayroong anumang mga tanong tungkol sa paggawa ng mga AI app. Sumali sa mga kapwa nag-aaral at mga batikang developer sa mga talakayan tungkol sa MCP. Ito ay isang sumusuportang komunidad kung saan malugod ang mga tanong at malayang ibinabahagi ang kaalaman.

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

Karagdagang Mga Tip sa Pag-aaral

• Balikan ang mga notebook pagkatapos ng bawat aralin para sa mas mabuting pag-unawa.
• Magsanay sa pagpapatupad ng mga algorithm nang mag-isa.
• Tuklasin ang mga totoong dataset gamit ang mga natutunang konsepto.

---

Paunawa: Ang dokumentong ito ay isinalin gamit ang serbisyong AI na pagsasalin Co-op Translator. Bagamat aming sinisikap ang pagiging tumpak, pakatandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o di-tumpak na bahagi. Ang orihinal na dokumento sa wikang pinagmulan 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 maaaring magmula sa paggamit ng pagsasaling ito.