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 | Khmer | 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 bang I-clone Lokal?
Kasama sa repository na ito ang 50+ mga pagsasalin ng wika na nagdadagdag nang malaki sa laki ng download. Para 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"Ibinibigay nito sa iyo ang lahat ng kailangan mo upang tapusin ang kurso nang mas mabilis ang download.
Mayroon kaming serye sa Discord na "learn with AI," 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.
🌍 Maglakbay sa buong mundo habang tinutuklasan natin ang Machine Learning sa pamamagitan ng mga kultura ng mundo 🌍
Natutuwa ang mga Cloud Advocates sa Microsoft na mag-alok ng 12-linggong, 26-na-lesson na kurikulum tungkol sa Machine Learning. Sa kurikulum na ito, matututuhan mo ang tinatawag na classic machine learning, gamit ang pangunahing Scikit-learn bilang library at iniiwasan ang deep learning, na tinatalakay naman sa aming AI for Beginners' curriculum. Pagsamahin ang mga lekson ng 'Data Science for Beginners' curriculum, din!
Sumama sa amin sa paglalakbay sa buong mundo habang inilalapat natin ang mga klasikong teknik na ito sa datos mula sa iba't ibang bahagi ng mundo. Kasama sa bawat lekson ang pre- at post-lesson quizzes, nakasulat na mga tagubilin para tapusin ang lekson, solusyon, isang assignment, at marami pa. Ang aming pedagohiya na nakatuon sa proyekto ay nagpapahintulot sa iyo na matuto habang gumagawa, isang napatunayang paraan para matutuhan ang bagong mga kasanayan nang mas matagal.
✍️ 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 may-akda, tagasuri, at mga nag-ambag ng nilalaman, kabilang sina Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, at Snigdha Agarwal
🤩 Karagdagang pasasalamat sa Microsoft Student Ambassadors na sina Eric Wanjau, Jasleen Sondhi, at Vidushi Gupta para sa aming mga R lessons!
Sundin ang mga hakbang na ito:
- I-fork ang Repository: I-click ang pindutang "Fork" sa itaas-kanang bahagi ng pahinang ito.
- I-clone ang Repository:
git clone https://github.com/microsoft/ML-For-Beginners.git
hanapin ang lahat ng mga dagdag na resources para sa kursong ito sa aming Microsoft Learn collection
🔧 Kailangan mo ba ng tulong? Tingnan ang aming Troubleshooting Guide para sa mga solusyon sa karaniwang isyu sa pag-install, setup, at pagpapatakbo ng mga lekson.
Mga Estudyante, upang magamit ang kurikulum na ito, i-fork ang buong repo sa iyong sariling GitHub account at kumpletuhin ang mga ehersisyo nang mag-isa o kasama ang grupo:
- Magsimula sa isang pre-lecture quiz.
- Basahin ang lekson at kumpletuhin ang mga aktibidad, huminto at magnilay sa bawat knowledge check.
- Subukang likhain ang mga proyekto sa pamamagitan ng pag-unawa sa mga lekson kaysa sa pagpapatakbo lamang ng solution code; gayunpaman, available ang code sa mga
/solutionna mga folder sa bawat project-oriented na lekson. - Kunin ang post-lecture quiz.
- Kumpletuhin ang hamon.
- Kumpletuhin ang assignment.
- Pagkatapos makumpleto ang isang grupo ng mga lekson, bisitahin ang Discussion Board at "matuto nang malakas" sa pamamagitan ng pagpuno ng angkop na PAT rubric. Ang 'PAT' ay isang Progress Assessment Tool na isang rubric na pinupunan para paigtingin ang iyong pagkatuto. Maaari ka ring mag-react sa ibang mga PAT upang mas matuto tayo nang magkakasama.
Para sa karagdagang pag-aaral, inirerekomenda namin ang pagsunod sa mga Microsoft Learn na mga module at learning paths.
Mga Guro, may ilang mungkahi kami kung paano gamitin ang kurikulum na ito.
Ilan sa mga lekson ay available bilang maikling video. Makikita mo ang lahat nito kasabay ng mga lekson, o sa ML for Beginners playlist sa Microsoft Developer YouTube channel sa pamamagitan ng pag-click sa larawan sa ibaba.
Gif ni Mohit Jaisal
🎥 I-click ang larawan sa itaas para sa isang video tungkol sa proyekto at sa mga taong lumikha nito!
Pinili namin ang dalawang pedagogical tenets habang binubuo ang kurikulum na ito: pagsigurong ito ay hands-on at project-based at na ito ay may madalas na quizzes. Bukod dito, ang kurikulum na ito ay may karaniwang tema upang bigyan ito ng pagkakaisa.
Sa pamamagitan ng pagsigurong tumutugma ang nilalaman sa mga proyekto, nagiging mas engaging ang proseso para sa mga estudyante at nadaragdagan ang retention ng mga konsepto. Bukod dito, ang isang low-stakes quiz bago ang klase ay nagseset ng intensiyon ng estudyante para matuto tungkol sa isang paksa, habang ang pangalawang quiz pagkatapos ng klase ay nagpapatibay ng natutunan. Ang kurikulum na ito ay idinisenyo upang maging flexible at masaya at maaaring kunin nang buo o parte lamang. Nagsisimula ang mga proyekto sa maliit at tumataas ang kumplikado sa paglapit ng katapusan ng 12-linggong siklo. Kasama rin sa kurikulum na ito ang isang postscript tungkol sa mga totoong aplikasyon ng ML, na maaaring gamitin bilang ekstrang kredito o bilang basehan para sa diskusyon.
Hanapin ang aming Code of Conduct, Contributing, Translations, at Troubleshooting guidelines. Malugod naming tinatanggap ang iyong makabuluhang feedback!
- opsyonal na sketchnote
- opsyonal na supplemental na video
- video walkthrough (ilang lekson lang)
- pre-lecture warmup quiz
- nakasulat na lekson
- para sa mga projektong lekson, mga hakbang-hakbang na gabay kung paano buuin ang proyekto
- knowledge checks
- isang hamon
- supplemental na pagbasa
- assignment
- post-lecture quiz
Isang tala tungkol sa mga wika: Pangunahing nakasulat ang mga araling ito sa Python, ngunit marami rin ang available sa R. Upang matapos ang isang aralin sa R, pumunta sa folder na
/solutionat hanapin ang mga aralin sa R. Kasama dito ang extension na .rmd na kumakatawan sa isang R Markdown file na simpleng mahahati bilang pagsasama-sama ngcode chunks(ng R o iba pang mga wika) at isangYAML header(na gumagabay kung paano iformat ang mga output tulad ng PDF) sa isangMarkdown document. Dahil dito, nagsisilbi itong isang halimbawa ng authoring framework para sa data science dahil pinapayagan kang pagsamahin ang iyong code, ang output nito, at ang iyong mga ideya sa pamamagitan ng pagsusulat ng mga ito sa Markdown. Bukod dito, ang mga dokumento ng R Markdown ay maaaring i-render sa mga output format tulad ng PDF, HTML, o Word.
Isang tala tungkol sa mga quiz: Lahat ng quiz ay nakapaloob sa Quiz App folder, na may kabuuang 52 na quiz na may tatlong tanong bawat isa. Nakalink ang mga ito mula sa loob ng mga aralin ngunit maaaring patakbuhin ang quiz app nang lokal; sundin ang tagubilin sa folder na
quiz-apppara mag-host o mag-deploy sa Azure nang lokal.
| 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 mga mahalagang pilosopikal na isyu tungkol sa katarungan na dapat isaalang-alang ng mga estudyante kapag bumubuo at nag-aaplay ng ML models? | Lesson | Tomomi |
| 04 | Mga Teknik para sa machine learning | Introduction | Anong mga teknik ang ginagamit ng mga ML researcher upang bumuo ng ML models? | Lesson | Chris and Jen |
| 05 | Panimula sa regression | Regression | Makapagsimula gamit ang Python at Scikit-learn para sa regression models | Python • R | Jen • Eric Wanjau |
| 06 | Presyo ng kalabasa sa Hilagang Amerika 🎃 | Regression | I-visualize at linisin ang data bilang paghahanda para 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 isang logistic regression model | Python • R | Jen • Eric Wanjau |
| 09 | Isang Web App 🔌 | Web App | Bumuo ng web app upang magamit ang iyong sinanay na modelo | Python | Jen |
| 10 | Panimula sa classification | Classification | Linisin, ihanda, at i-visualize ang iyong data; 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 | Maraming classifiers | Python • R | Jen and Cassie • Eric Wanjau |
| 13 | Masasarap na lutuing Asyano at Indian 🍜 | Classification | Bumuo ng web app na nagrerekomenda gamit ang iyong modelo | Python | Jen |
| 14 | Panimula sa clustering | Clustering | Linisin, ihanda, at i-visualize ang iyong data; panimula sa clustering | Python • R | Jen • Eric Wanjau |
| 15 | Pagsusuri sa mga panlasa ng musika sa Nigeria 🎧 | Clustering | Suriin ang K-Means clustering method | Python • R | Jen • Eric Wanjau |
| 16 | Panimula sa natural language processing ☕️ | Natural language processing | Matutunan ang mga pangunahing kaalaman sa NLP sa pamamagitan ng 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 na kailangan kapag nakikipag-ugnayan sa mga istruktura ng wika | Python | Stephen |
| 18 | Pagsasalin at pagsusuri ng sentimyento |
Natural language processing | Pagsasalin at pagsusuri ng sentimyento gamit si Jane Austen | Python | Stephen |
| 19 | Mga romantikong hotel sa Europa |
Natural language processing | Pagsusuri ng sentimyento gamit ang mga review ng hotel 1 | Python | Stephen |
| 20 | Mga romantikong hotel sa Europa |
Natural language processing | Pagsusuri ng sentimyento gamit ang mga review ng hotel 2 | Python | Stephen |
| 21 | Panimula sa forecasting ng time series | Time series | Panimula sa forecasting ng time series | Python | Francesca |
| 22 | ⚡️ Paggamit ng Kuryente sa Mundo ⚡️ - forecasting gamit ang ARIMA | Time series | Forecasting ng time series gamit ang ARIMA | Python | Francesca |
| 23 | ⚡️ Paggamit ng Kuryente sa Mundo ⚡️ - forecasting gamit ang SVR | Time series | Forecasting ng time series 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 maiwasan 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 naglalahad na totoong aplikasyon ng karaniwang ML | Lesson | Team |
| Postscript | Model Debugging sa ML gamit ang RAI dashboard | ML in the Wild | Model Debugging sa Machine Learning gamit ang Responsible AI dashboard components | Lesson | Ruth Yakubu |
hanapin ang lahat ng karagdagang resources para sa kursong ito sa aming Microsoft Learn collection
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. Ihahatid ang website sa port 3000 sa iyong localhost: localhost:3000.
Hanapin ang pdf ng kurikulum na may mga link dito.
Gumagawa ang aming team ng iba pang mga kurso! Tingnan:
Kung ikaw ay maipit o may mga tanong habang nag-aaral ng Machine Learning o gumagawa ng mga AI na aplikasyon, huwag mag-alala — mayroong tulong na available.
Maaari kang sumali sa mga talakayan kasama ang ibang mga nag-aaral at mga developer, magtanong, at magbahagi ng iyong mga ideya sa komunidad.
- Sumali sa komunidad upang magtanong at matuto kasama ang iba
- Talakayin ang mga konsepto ng Machine Learning at mga ideya sa proyekto
- Kumuha ng gabay mula sa mga bihasang developer
Ang isang sumusuportang komunidad ay isang mahusay na paraan upang palaguin ang iyong mga kasanayan at mas mabilis malutas ang mga problema.
Microsoft Foundry Discord Community
Kung makakita ka ng mga bug, error, o may mga suhestyon para sa mga pagpapabuti, maaari ka ring magbukas ng Isyu sa repositoryong ito upang iulat ang problema.
Para sa feedback sa produkto o upang maghanap ng mga umiiral na post sa komunidad, bisitahin ang Developer Forum:
- Balikan ang mga notebook pagkatapos ng bawat leksyon para sa mas mabuting pag-unawa.
- Magpraktis na ipatupad ang mga algorithm nang mag-isa.
- Tuklasin ang mga totoong dataset gamit ang mga konseptong natutunan.
Paunawa: Ang dokumentong ito ay isinalin gamit ang AI na serbisyo ng pagsasalin Co-op Translator. Bagamat nagsusumikap kami para sa katumpakan, pakatandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o kamalian. Ang orihinal na dokumento sa orihinal nitong wika ang dapat ituring na pangunahing sanggunian. Para sa mahahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaintindihan o maling interpretasyon na nagmumula sa paggamit ng pagsasaling ito.