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 Lokal?

Kasama sa repositoryong ito ang mahigit 50 na pagsasalin ng wika na labis na nagpapalaki ng laki ng 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 upang makumpleto ang kurso nang mas mabilis ang pag-download.

Sumali sa Aming Komunidad

Mayroon kaming Discord na serye ng pag-aaral kasama ang AI na nagpapatuloy, alamin pa at sumali sa amin sa Learn with AI Series mula 18 - 30 Setyembre, 2025. Makakakuha ka ng mga tips at tricks 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 🌍

Ang Cloud Advocates sa Microsoft ay natutuwa na mag-alok ng 12-linggong, 26-leksyon na kurikulum tungkol sa Machine Learning. Sa kurikulum na ito, matututuhan mo ang tinatawag na classic machine learning, gamit pangunahin ang Scikit-learn bilang isang library at iniiwasan ang deep learning, na saklaw sa aming AI for Beginners' curriculum. Pagsamahin ang mga leksyong ito sa aming 'Data Science for Beginners' curriculum, din!

Maglakbay kasama namin sa buong mundo habang inaaplay namin ang mga klasikong teknik na ito sa data mula sa iba't ibang bahagi ng mundo. Bawat leksyon ay may kasamang pre- at post-lesson quizzes, mga nakasulat na tagubilin upang tapusin ang leksyon, solusyon, asignatura, at iba pa. Ang aming project-based na pedagogiya ay nagbibigay-daan sa iyo na matuto habang nagtatayo, isang subok na paraan para matutunan nang mas matagal 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

🎨 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 kontribyutor ng nilalaman, lalo na kina 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 Eric Wanjau, Jasleen Sondhi, at Vidushi Gupta para sa aming mga R lessons!

Pagsisimula

Sundin ang mga hakbang na ito:

1. I-fork ang Repository: I-click ang "Fork" na button sa itaas-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 kursong ito sa aming koleksyon ng Microsoft Learn

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

Mga estudyante, upang magamit 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 isang grupo:

• Magsimula sa isang pre-lecture quiz.
• Basahin ang lektyur at tapusin ang mga gawain, mag-pause at magmuni-muni sa bawat knowledge check.
• Subukang likhain ang mga proyekto sa pamamagitan ng pag-unawa sa mga leksyon sa halip na patakbuhin agad ang solution code; gayunpaman, magagamit ang code na iyon sa mga /solution na folder sa bawat leksyon na naka-focus sa proyekto.
• Sagutin ang post-lecture quiz.
• Tapusin ang hamon.
• Tapusin ang asignatura.
• Pagkatapos matapos ang isang pangkat ng leksyon, bisitahin ang Discussion Board at "matuto nang lantaran" sa pamamagitan ng pagpuno ng angkop na PAT rubric. Ang 'PAT' ay isang Progress Assessment Tool na isang rubric na pinupunan mo upang lalo pang mapaunlad ang iyong pagkatuto. Maaari ka ring mag-react sa ibang PAT para matuto tayo nang sama-sama.

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

Mga guro, mayroon kaming ilang mungkahi kung paano gamitin ang kurikulum na ito.

---

Mga walkthrough na video

Ang ilan sa mga leksyon ay available bilang maikling video. Mahahanap mo ang mga ito nang hilera-hilera sa leksyon, 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!

---

Pedagohiya

Pinili namin ang dalawang pedagogical na prinsipyo habang binubuo ang kurikulum na ito: tiyaking ito ay praktikal at project-based at na may mga madalas na pagsusulit. Bukod pa rito, may karaniwang tema ang kurikulum upang magkaroon ito ng pagkakaisa.

Sa pagtitiyak na ang nilalaman ay nakaayon sa mga proyekto, nagiging mas kawili-wili ang proseso para sa mga estudyante at mapapalakas ang pag-alala ng mga konsepto. Dagdag pa, ang isang low-stakes quiz bago ang klase ay nagseset ng layunin ng estudyante sa pag-aaral ng isang paksa, habang ang pangalawang quiz pagkatapos ng klase ay nagtitiyak ng karagdagang retention. Dinisenyo ang kurikulum na ito upang maging maliksi at masaya at maaaring kunin nang buo o bahagi lamang. Nagsisimula ang mga proyekto nang maliit at unti-unting lumalalim pagsapit ng 12-linggong siklo. Kasama rin sa kurikulum ang postscript tungkol sa mga totoong aplikasyon ng ML, na maaaring gamitin bilang dagdag na kredito o bilang pundasyon para sa talakayan.

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

Bawat leksyon ay naglalaman ng

• opsyonal na sketchnote
• opsyonal na karagdagang video
• walkthrough na video (ilan lang ang leksyon)
• pre-lecture warmup quiz
• nakasulat na leksyon
• para sa mga project-based na leksyon, sunud-sunod na gabay kung paano buuin ang proyekto
• knowledge checks
• isang hamon
• karagdagang babasahin
• asignatura
• post-lecture quiz

Isang tala tungkol sa mga wika: Ang mga araling ito ay pangunahing isinulat sa Python, ngunit marami rin ang available sa R. Upang makumpleto ang isang R na aralin, pumunta sa folder na /solution at hanapin ang mga aralin sa R. Mayroon silang .rmd na extension na kumakatawan sa isang R Markdown file na maaaring ilarawan bilang isang pagsasama ng code chunks (ng R o ibang mga wika) at isang YAML header (na gumagabay kung paano iformat ang mga output gaya ng PDF) sa isang Markdown 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 naiisip sa pamamagitan ng pagsusulat nito sa Markdown. Bukod pa rito, 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 pagsusulit: Lahat ng mga pagsusulit ay nasa loob ng Quiz App folder, para sa kabuuang 52 na pagsusulit na may tig-3 tanong bawat isa. Nakakabit ang mga ito mula sa loob ng mga aralin ngunit maaaring patakbuhin ang quiz app locally; sundin ang mga tagubilin sa folder na quiz-app para i-host nang lokal o i-deploy sa Azure.

Lesson Number	Paksa	Pagsasama ng Aralin	Mga Layunin sa Pagkatuto	Nakalink na Aralin	May-akda
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 at Amy
03	Katarungan at machine learning	Introduction	Ano ang mahahalagang pilosopikal na isyu tungkol sa katarungan na dapat isaalang-alang ng mga mag-aaral kapag bumubuo at gumagamit ng mga ML na modelo?	Lesson	Tomomi
04	Mga Teknik para sa machine learning	Introduction	Anong mga teknik ang ginagamit ng mga mananaliksik sa ML upang bumuo ng ML models?	Lesson	Chris at Jen
05	Panimula sa regression	Regression	Magsimula gamit ang Python at Scikit-learn para sa mga regression models	Python • R	Jen • Eric Wanjau
06	Presyo ng kalabasa sa Hilagang Amerika 🎃	Regression	I-visualize at linisin ang datos 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 at 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	Gumawa ng web app upang gamitin ang iyong na-train na modelo	Python	Jen
10	Panimula sa classification	Classification	Linisin, paghanda, at i-visualize ang iyong datos; panimula sa classification	Python • R	Jen at Cassie • Eric Wanjau
11	Masasarap na lutuing Asyano at Indian 🍜	Classification	Panimula sa mga classifier	Python • R	Jen at Cassie • Eric Wanjau
12	Masasarap na lutuing Asyano at Indian 🍜	Classification	Iba pang mga classifier	Python • R	Jen at Cassie • Eric Wanjau
13	Masasarap na lutuing Asyano at Indian 🍜	Classification	Gumawa ng recommender web app gamit ang iyong modelo	Python	Jen
14	Panimula sa clustering	Clustering	Linisin, paghanda, at i-visualize ang iyong datos; panimula sa clustering	Python • R	Jen • Eric Wanjau
15	Pagsisiyasat sa mga musikal na panlasa ng Nigeria 🎧	Clustering	Siyasatin ang K-Means clustering na pamamaraan	Python • R	Jen • Eric Wanjau
16	Panimula sa natural language processing ☕️	Natural language processing	Matutunan ang mga batayan ng 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 sa pakikitungo 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 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 forecasting ng time series	Time series	Panimula sa time series forecasting	Python	Francesca
22	⚡️ Paggamit ng kuryente sa buong mundo ⚡️ - forecasting ng time series gamit ang ARIMA	Time series	Time series forecasting gamit ang ARIMA	Python	Francesca
23	⚡️ Paggamit ng kuryente sa buong mundo ⚡️ - forecasting ng time series 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 nagpapakita ng mga totoong aplikasyon ng klasikong 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 mga Responsible AI dashboard components	Lesson	Ruth Yakubu

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

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 ihahain sa port 3000 sa iyong localhost: localhost:3000.

PDFs

Hanapin ang pdf ng kurikulum na may mga link dito.

🎒 Iba Pang mga Kurso

Gumagawa ang aming koponan ng iba pang mga kurso! Tingnan ang:

LangChain

Azure / Edge / MCP / Agents

---

Serye ng Generative AI

---

Pangunahing Pag-aaral

---

Serye ng Copilot

Pagkuha ng Tulong

Kung ikaw ay naipit o may anumang mga tanong tungkol sa paggawa ng mga AI app. Sumali sa mga kapwa mag-aaral at mga bihasang developer sa mga talakayan tungkol sa MCP. Isa itong suportadong komunidad kung saan malugod ang pagtanggap ng mga tanong at malaya ang pagbabahagi ng kaalaman.

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

Karagdagang Mga Tips sa Pag-aaral

• Balikan ang mga notebook pagkatapos ng bawat aralin para sa mas mabuting pag-unawa.
• Sanayin ang sarili sa pagpapatupad ng mga algorithm.
• Siyasatin ang mga tunay na dataset gamit ang mga natutunang konsepto.

---

Paalala:
Ang dokumentong ito ay isinalin gamit ang serbisyo ng AI na pagsasalin na Co-op Translator. Bagamat nagsusumikap kami para sa katumpakan, pakatandaan na ang awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa wikang ito ay itinuturing na opisyal na sanggunian. Para sa mahahalagang impormasyon, inirerekumenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang maling pagkaunawa o maling interpretasyon na maaaring magmula sa paggamit ng pagsasaling ito.