README.md

🌐 Sokongan Pelbagai Bahasa

Disokong melalui Tindakan GitHub (Automatik & Sentiasa Terkini)

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

Lebih suka Klon Secara Tempatan?

Repositori ini termasuk lebih 50+ terjemahan bahasa yang meningkat saiz muat turun dengan banyak. Untuk klon 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 memberikan anda segala yang anda perlukan untuk menyelesaikan kursus dengan muat turun yang lebih pantas.

Sertai Komuniti Kami

Kami sedang menjalankan siri belajar dengan AI di Discord, ketahui lebih lanjut dan sertai kami di Learn with AI Series dari 18 - 30 September, 2025. Anda akan mendapat petua dan helah menggunakan GitHub Copilot untuk Sains Data.

Pembelajaran Mesin untuk Pemula - Kurikulum

🌍 Jelajah dunia sambil meneroka Pembelajaran Mesin melalui budaya dunia 🌍

Advokat Awan di Microsoft dengan sukacitanya menawarkan kurikulum selama 12 minggu, 26 pelajaran yang membincangkan Pembelajaran Mesin. Dalam kurikulum ini, anda akan belajar tentang apa yang kadang-kadang 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', juga!

Ikuti kami mengelilingi dunia sambil menggunakan teknik klasik ini pada data dari pelbagai tempat di dunia. Setiap pelajaran termasuk kuiz pra dan pasca pelajaran, arahan bertulis untuk melengkapkan pelajaran, penyelesaian, tugasan, dan banyak lagi. Pedagogi berasaskan projek kami membolehkan anda belajar sambil membina, cara terbukti untuk kemahiran baru 'melekat'.

✍️ Terima kasih banyak kepada pengarang 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 khas 🙏 kepada pengarang, penyemak, dan penyumbang kandungan Microsoft Student Ambassador kami, terutamanya Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, dan Snigdha Agarwal

🤩 Terima kasih istimewa kepada Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, dan Vidushi Gupta untuk pelajaran R kami!

Memulakan

Ikuti langkah berikut:

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

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

🔧 Perlukan bantuan? Semak Panduan Penyelenggaraan kami untuk penyelesaian isu biasa memasang, menyediakan, dan menjalankan pelajaran.

Pelajar, untuk menggunakan kurikulum ini, buat fork keseluruhan repo ke akaun GitHub anda sendiri dan selesaikan latihan secara sendiri atau dalam kumpulan:

• Mula dengan kuiz pra-ceramah.
• Baca ceramah dan lengkapkan aktiviti, berhenti dan renung di setiap semakan pengetahuan.
• Cuba buat projek dengan memahami pelajaran dan bukannya hanya menjalankan kod penyelesaian; walaupun kod tersebut boleh didapati dalam folder /solution bagi setiap pelajaran berasaskan projek.
• Ambil kuiz pasca-ceramah.
• Lengkapkan cabaran.
• Lengkapkan tugasan.
• Selepas selesai kumpulan pelajaran, lawati Papan Perbincangan dan "belajar secara terbuka" dengan mengisi rubrik PAT yang sesuai. 'PAT' ialah Alat Penilaian Kemajuan yang merupakan rubrik yang anda isi untuk memperdalam pembelajaran anda. Anda juga boleh memberi reaksi kepada PAT lain supaya kita boleh belajar bersama.

Untuk pengajian selanjutnya, kami cadangkan mengikuti modul dan laluan pembelajaran Microsoft Learn.

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

---

Video penerangan

Sesetengah pelajaran tersedia dalam video bentuk pendek. Anda boleh temui semua ini selari dalam pelajaran, atau di senarai main ML for Beginners di saluran Microsoft Developer YouTube dengan klik gambar di bawah.

---

Kenali Pasukan

Gif oleh Mohit Jaisal

🎥 Klik gambar di atas untuk video tentang projek dan orang yang menciptakannya!

---

Pedagogi

Kami memilih dua prinsip pedagogi semasa membina kurikulum ini: memastikan ia berasaskan projek praktikal dan ia termasuk kuiz kerap. Selain itu, kurikulum ini mempunyai tema yang memberi keseragaman.

Dengan memastikan kandungan selaras dengan projek, proses menjadi lebih menarik untuk pelajar dan pengekalan konsep akan dipertingkatkan. Selain itu, kuiz bertaraf rendah sebelum kelas menetapkan niat pelajar untuk mempelajari topik, manakala kuiz kedua selepas kelas memastikan pengekalan lebih lanjut. Kurikulum ini direka supaya fleksibel dan menyeronokkan serta boleh diambil sepenuhnya atau sebahagiannya. Projek bermula kecil dan menjadi semakin kompleks menjelang akhir kitaran 12 minggu. Kurikulum ini juga termasuk catatan tambahan tentang aplikasi sebenar ML, yang boleh digunakan sebagai kredit tambahan atau sebagai asas perbincangan.

Dapatkan Kod Etika, Penyumbangan, Terjemahan, dan Panduan Penyelenggaraan kami. Kami mengalu-alukan maklum balas membina anda!

Setiap pelajaran termasuk

• sketchnote pilihan
• video tambahan pilihan
• video penerangan (sesetengah pelajaran sahaja)
• kuiz pemanasan pra-ceramah
• pelajaran bertulis
• untuk pelajaran berasaskan projek, panduan langkah demi langkah bagaimana membina projek
• semakan pengetahuan
• cabaran
• bacaan tambahan
• tugasan
• kuiz pasca-ceramah

Satu nota tentang bahasa: Pelajaran ini terutamanya ditulis dalam Python, tetapi banyak juga tersedia dalam R. Untuk menyelesaikan pelajaran R, pergi ke folder /solution dan cari pelajaran R. Mereka termasuk sambungan .rmd yang mewakili fail R Markdown yang boleh ditakrifkan secara mudah sebagai penyisipan code chunks (daripada R atau bahasa lain) dan YAML header (yang mengarahkan cara memformat output seperti PDF) dalam dokumen Markdown. Oleh itu, ia berfungsi sebagai rangka kerangka autoring contoh untuk sains data kerana ia membenarkan anda menggabungkan kod anda, outputnya, dan pemikiran anda dengan membenarkan anda menulisnya dalam Markdown. Selain itu, dokumen R Markdown boleh dihasilkan kepada format output seperti PDF, HTML, atau Word.

Satu nota tentang kuiz: Semua kuiz terkandung dalam Folder Aplikasi Kuiz, untuk 52 kuiz keseluruhan dengan tiga soalan setiap satu. Mereka dipautkan dari dalam pelajaran tetapi aplikasi kuiz boleh dijalankan secara tempatan; ikut arahan dalam folder quiz-app untuk hos secara tempatan atau menyebarkan 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 belakang bidang ini	Pelajaran	Jen dan Amy
03	Keadilan dan pembelajaran mesin	Pengenalan	Apakah isu falsafah penting mengenai keadilan yang harus dipertimbangkan oleh pelajar apabila membina dan menggunakan model ML?	Pelajaran	Tomomi
04	Teknik untuk pembelajaran mesin	Pengenalan	Apakah teknik yang digunakan oleh penyelidik ML untuk membina model ML?	Pelajaran	Chris dan Jen
05	Pengenalan kepada regresi	Regresi	Mula dengan Python dan Scikit-learn untuk model regresi	Python • R	Jen • Eric Wanjau
06	Harga labu Amerika Utara 🎃	Regresi	Visualisasikan dan bersihkan data sebagai persiapan 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 anda latih	Python	Jen
10	Pengenalan kepada pengelasan	Pengelasan	Bersihkan, sediakan, dan visualisasikan data anda; pengenalan kepada pengelasan	Python • R	Jen dan Cassie • Eric Wanjau
11	Masakan Asia dan India yang lazat 🍜	Pengelasan	Pengenalan kepada pengelas	Python • R	Jen dan Cassie • Eric Wanjau
12	Masakan Asia dan India yang lazat 🍜	Pengelasan	Lebih banyak pengelas	Python • R	Jen dan Cassie • Eric Wanjau
13	Masakan Asia dan India yang lazat 🍜	Pengelasan	Bina aplikasi web pengesyorkan 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 pengelompokan K-Means	Python • R	Jen • Eric Wanjau
16	Pengenalan kepada pemprosesan bahasa semula jadi ☕️	Pemprosesan bahasa semula jadi	Pelajari asas tentang NLP dengan membina bot yang ringkas	Python	Stephen
17	Tugasan NLP biasa ☕️	Pemprosesan bahasa semula jadi	Mendalami pengetahuan NLP anda dengan memahami tugasan biasa yang diperlukan apabila berurusan dengan struktur bahasa	Python	Stephen
18	Terjemahan dan analisis sentimen ♥️	Pemprosesan bahasa semula jadi	Terjemahan dan analisis sentimen dengan Jane Austen	Python	Stephen
19	Hotel romantik Eropah ♥️	Pemprosesan bahasa semula jadi	Analisis sentimen dengan ulasan hotel 1	Python	Stephen
20	Hotel romantik Eropah ♥️	Pemprosesan bahasa semula jadi	Analisis sentimen dengan ulasan hotel 2	Python	Stephen
21	Pengenalan kepada peramalan siri masa	Siri masa	Pengenalan kepada peramalan siri masa	Python	Francesca
22	⚡️ Penggunaan Kuasa Dunia ⚡️ - peramalan siri masa dengan ARIMA	Siri masa	Peramalan siri masa dengan ARIMA	Python	Francesca
23	⚡️ Penggunaan Kuasa Dunia ⚡️ - peramalan siri masa dengan SVR	Siri masa	Peramalan 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 elak serigala! 🐺	Pembelajaran penguatan	Gim pembelajaran penguatan	Python	Dmitry
Postskrip	Senario dan aplikasi sebenar ML	ML di Alam Liar	Aplikasi sebenar ML klasik yang menarik dan membongkar	Pelajaran	Pasukan
Postskrip	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

temui 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. Fork repo ini, pasang Docsify di mesin tempatan anda, dan kemudian di folder root 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! Lihat:

LangChain

Azure / Edge / MCP / Ejen

---

Siri AI Generatif

---

Pembelajaran Teras

---

Siri Copilot

Mendapatkan Bantuan

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

Jika anda mempunyai maklum balas produk atau ralat semasa membina, lawati:

Petua Pembelajaran Tambahan

• Semak semula buku nota selepas setiap pelajaran untuk pemahaman yang lebih baik.
• Amalkan melaksanakan algoritma sendiri.
• Terokai set data dunia sebenar menggunakan konsep yang telah dipelajari.

---

Penafian:
Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI Co-op Translator. Walaupun kami berusaha untuk ketepatan, sila ambil maklum bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya hendaklah dianggap sebagai sumber utama. Untuk maklumat penting, terjemahan profesional oleh manusia adalah disyorkan. Kami tidak bertanggungjawab terhadap sebarang salah faham atau tafsiran yang salah yang timbul daripada penggunaan terjemahan ini.