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
Lebih suka Clone Secara Lokal?
Repositori ini mencakup lebih dari 50 terjemahan bahasa yang secara signifikan meningkatkan ukuran unduhan. Untuk melakukan clone 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 dengan AI di Discord, pelajari lebih lanjut dan bergabung dengan kami di Learn with AI Series dari tanggal 18 - 30 September, 2025. Anda akan mendapatkan tips dan trik menggunakan GitHub Copilot untuk Data Science.
🌍 Jelajahi dunia saat kita mempelajari Machine Learning melalui budaya dunia 🌍
Cloud Advocates di Microsoft dengan senang hati menawarkan kurikulum 12 minggu dengan 26 pelajaran yang membahas tentang Machine Learning. Dalam kurikulum ini, Anda akan belajar tentang apa yang kadang disebut sebagai classic machine learning, menggunakan perpustakaan Scikit-learn sebagai perpustakaan utama dan menghindari pembelajaran mendalam (deep learning), yang dibahas di dalam kurikulum kami AI untuk Pemula. Padukan pelajaran ini dengan kurikulum kami 'Data Science untuk Pemula', juga!
Jelajahi bersama kami dunia saat menerapkan teknik klasik ini pada data dari berbagai penjuru dunia. Setiap pelajaran mencakup kuis sebelum dan sesudah pelajaran, petunjuk tertulis untuk menyelesaikan pelajaran, solusi, tugas, dan lainnya. Metode pembelajaran berbasis proyek kami memungkinkan Anda belajar sambil membangun, cara yang terbukti agar keterampilan baru 'menempel'.
✍️ Terima kasih yang 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 para ilustrator kami Tomomi Imura, Dasani Madipalli, dan Jen Looper
🙏 Terima kasih khusus 🙏 kepada penulis, pemeriksa, dan kontributor konten Microsoft Student Ambassador kami, terutama Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, dan Snigdha Agarwal
🤩 Ucapan 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 pojok kanan atas halaman ini.
- Clone Repositori:
git clone https://github.com/microsoft/ML-For-Beginners.git
temukan semua sumber daya tambahan untuk kursus ini di koleksi Microsoft Learn kami
🔧 Perlu 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 secara mandiri atau dalam kelompok:
- Mulai dengan kuis sebelum kuliah.
- Baca kuliah dan selesaikan aktivitasnya, berhenti sejenak dan refleksikan pada setiap pemeriksaan pengetahuan.
- Cobalah membuat proyek dengan memahami pelajaran daripada hanya menjalankan kode solusi; meskipun kode tersebut tersedia di folder
/solutiondalam setiap pelajaran berbasis proyek. - Ambil kuis sesudah kuliah.
- Selesaikan tantangan.
- Selesaikan tugas.
- Setelah menyelesaikan satu kelompok pelajaran, kunjungi Papan Diskusi dan “belajar dengan lantang” dengan mengisi rubrik PAT yang sesuai. ‘PAT’ adalah Alat Penilaian Kemajuan yang merupakan rubrik yang Anda isi untuk memperdalam pembelajaran Anda. Anda juga dapat memberi reaksi pada PAT orang lain sehingga kita bisa belajar bersama.
Untuk studi lebih lanjut, kami sarankan mengikuti modul dan jalur pembelajaran dari Microsoft Learn.
Guru, kami telah menyertakan beberapa saran tentang cara menggunakan kurikulum ini.
Beberapa pelajaran tersedia dalam bentuk video pendek. Anda dapat menemukan semuanya secara langsung dalam pelajaran, atau di playlist ML for Beginners di kanal YouTube Microsoft Developer dengan mengklik gambar di bawah.
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 kurikulum ini berbasis proyek langsung dan mencakup kuis yang sering. Selain itu, kurikulum ini memiliki tema umum untuk memberikan kesatuan.
Dengan memastikan konten selaras dengan proyek, proses pembelajaran menjadi lebih menarik bagi siswa dan peningkatan retensi konsep akan bertambah. Selain itu, kuis dengan tingkat taruhan rendah sebelum kelas mengarahkan niat siswa terhadap pembelajaran topik tertentu, sedangkan kuis kedua setelah kelas memastikan retensi lebih lanjut. Kurikulum ini dirancang agar fleksibel dan menyenangkan dan dapat diambil secara keseluruhan maupun sebagian. Proyek dimulai dari hal-hal kecil dan menjadi semakin kompleks hingga akhir siklus 12 minggu. Kurikulum ini juga termasuk catatan tambahan tentang aplikasi ML di dunia nyata, yang dapat digunakan sebagai kredit tambahan atau sebagai dasar diskusi.
Temukan Kode Etik, Kontribusi, Terjemahan, dan panduan Pemecahan Masalah kami. Kami menyambut umpan balik konstruktif Anda!
- sketchnote opsional
- video tambahan opsional
- pengarahan video (hanya beberapa pelajaran)
- kuis pemanasan sebelum kuliah
- pelajaran tertulis
- untuk pelajaran berbasis proyek, panduan langkah demi langkah membuat proyek
- pemeriksaan pengetahuan
- sebuah tantangan
- bacaan tambahan
- tugas
- kuis sesudah kuliah
Catatan tentang bahasa: Pelajaran ini terutama ditulis dalam Python, tetapi banyak juga tersedia dalam R. Untuk menyelesaikan pelajaran R, buka folder
/solutiondan cari pelajaran R. Mereka memiliki ekstensi .rmd yang merupakan file R Markdown yang dapat didefinisikan secara sederhana sebagai penanamanbagian kode(dari R atau bahasa lain) danheader YAML(yang mengarahkan cara memformat output seperti PDF) dalam sebuahdokumen Markdown. Dengan demikian, ini berfungsi sebagai kerangka kerja penulisan yang patut ditiru untuk ilmu data karena memungkinkan Anda menggabungkan kode Anda, outputnya, 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 di folder Quiz App, dengan total 52 kuis masing-masing berisi tiga pertanyaan. Mereka ditautkan dari dalam pelajaran tetapi aplikasi kuis dapat dijalankan secara lokal; ikuti instruksi dalam folder
quiz-appuntuk host lokal atau deploy ke Azure.
| Nomor Pelajaran | Topik | Kelompok Pelajaran | Tujuan Pembelajaran | Pelajaran Terkait | Penulis |
|---|---|---|---|---|---|
| 01 | Pengantar pembelajaran mesin | Pengantar | Pelajari konsep dasar di balik pembelajaran mesin | Pelajaran | Muhammad |
| 02 | Sejarah pembelajaran mesin | Pengantar | Pelajari sejarah di balik bidang ini | Pelajaran | Jen dan Amy |
| 03 | Keadilan dan pembelajaran mesin | Pengantar | Apa saja isu filosofis penting tentang keadilan yang perlu dipertimbangkan mahasiswa saat membangun dan menerapkan model ML? | Pelajaran | Tomomi |
| 04 | Teknik untuk pembelajaran mesin | Pengantar | Teknik apa yang digunakan peneliti ML untuk membangun model ML? | Pelajaran | Chris dan Jen |
| 05 | Pengantar regresi | Regresi | Memulai 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 | Bangun model regresi linier dan polinomial | Python • R | Jen dan Dmitry • Eric Wanjau |
| 08 | Harga labu Amerika Utara 🎃 | Regresi | Bangun model regresi logistik | Python • R | Jen • Eric Wanjau |
| 09 | Aplikasi Web 🔌 | Aplikasi Web | Bangun aplikasi web untuk menggunakan model yang sudah dilatih | Python | Jen |
| 10 | Pengantar klasifikasi | Klasifikasi | Bersihkan, persiapkan, dan visualisasikan data Anda; pengantar klasifikasi | Python • R | Jen dan Cassie • Eric Wanjau |
| 11 | Masakan Asia dan India yang lezat 🍜 | Klasifikasi | Pengantar klasifikator | Python • R | Jen dan Cassie • Eric Wanjau |
| 12 | Masakan Asia dan India yang lezat 🍜 | Klasifikasi | Lebih banyak klasifikator | Python • R | Jen dan Cassie • Eric Wanjau |
| 13 | Masakan Asia dan India yang lezat 🍜 | Klasifikasi | Bangun aplikasi web rekomendasi menggunakan model Anda | Python | Jen |
| 14 | Pengantar clustering | Clustering | Bersihkan, persiapkan, dan visualisasikan data Anda; pengantar clustering | Python • R | Jen • Eric Wanjau |
| 15 | Menjelajah Selera Musik Nigeria 🎧 | Clustering | Jelajahi metode clustering K-Means | Python • R | Jen • Eric Wanjau |
| 16 | Pengantar pemrosesan bahasa alami ☕️ | Pemrosesan bahasa alami | Pelajari dasar tentang NLP dengan membangun bot sederhana | Python | Stephen |
| 17 | Tugas NLP Umum ☕️ | Pemrosesan bahasa alami | Perdalam pengetahuan NLP Anda dengan memahami tugas umum yang diperlukan saat berurusan dengan struktur bahasa | Python | Stephen |
| 18 | Terjemahan dan analisis sentimen |
Pemrosesan bahasa alami | Terjemahan dan analisis sentimen dengan Jane Austen | Python | Stephen |
| 19 | Hotel romantis di Eropa |
Pemrosesan bahasa alami | Analisis sentimen dengan ulasan hotel 1 | Python | Stephen |
| 20 | Hotel romantis di Eropa |
Pemrosesan bahasa alami | Analisis sentimen dengan ulasan hotel 2 | Python | Stephen |
| 21 | Pengantar peramalan deret waktu | Deret waktu | Pengantar peramalan deret waktu | Python | Francesca |
| 22 | ⚡️ Penggunaan Listrik Dunia ⚡️ - peramalan deret waktu dengan ARIMA | Deret waktu | Peramalan deret waktu dengan ARIMA | Python | Francesca |
| 23 | ⚡️ Penggunaan Listrik Dunia ⚡️ - peramalan deret waktu dengan SVR | Deret waktu | Peramalan deret waktu dengan Support Vector Regressor | Python | Anirban |
| 24 | Pengantar pembelajaran penguatan | Pembelajaran penguatan | Pengantar pembelajaran penguatan dengan Q-Learning | Python | Dmitry |
| 25 | Bantu Peter menghindari serigala! 🐺 | Pembelajaran penguatan | Pembelajaran penguatan Gym | Python | Dmitry |
| Postscript | Skenario dan aplikasi ML Dunia Nyata | ML di Alam Liar | Aplikasi dunia nyata yang menarik dan mengungkap dari ML klasik | Pelajaran | Tim |
| Postscript | Debugging Model dalam ML menggunakan dashboard RAI | ML di Alam Liar | Debugging Model dalam Pembelajaran Mesin menggunakan komponen dashboard Responsible AI | Pelajaran | Ruth Yakubu |
temukan semua sumber daya tambahan untuk kursus ini dalam koleksi Microsoft Learn kami
Anda dapat menjalankan dokumentasi ini secara offline dengan menggunakan Docsify. Fork repo ini, pasang Docsify di mesin lokal Anda, lalu di folder root repo ini, ketik docsify serve. Situs web akan dilayani di port 3000 pada localhost Anda: localhost:3000.
Temukan pdf kurikulum dengan tautan di sini.
Tim kami juga memproduksi kursus lain! Periksa:
-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 kebuntuan atau memiliki pertanyaan saat belajar Pembelajaran Mesin atau membangun aplikasi AI, jangan khawatir — bantuan tersedia.
Anda dapat bergabung dalam diskusi dengan pelajar dan pengembang lain, mengajukan pertanyaan, dan berbagi ide dengan komunitas.
- Bergabung dengan komunitas untuk mengajukan pertanyaan dan belajar bersama
- Diskusikan konsep Pembelajaran Mesin dan ide proyek
- Dapatkan bimbingan dari pengembang berpengalaman
Komunitas yang mendukung adalah cara yang bagus untuk mengembangkan keterampilan dan menyelesaikan masalah lebih cepat.
Microsoft Foundry Discord Community
Jika Anda menemukan bug, kesalahan, atau memiliki saran untuk perbaikan, Anda juga dapat membuka Issue di repositori ini untuk melaporkan masalah tersebut.
Untuk umpan balik produk atau mencari posting komunitas yang sudah ada, kunjungi Forum Pengembang:
- Tinjau notebook setelah setiap pelajaran untuk pemahaman yang lebih baik.
- Latih untuk mengimplementasikan algoritma sendiri.
- Jelajahi dataset dunia nyata menggunakan konsep yang telah dipelajari.
Penyangkalan:
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 berwenang. Untuk informasi penting, disarankan menggunakan terjemahan profesional oleh manusia. Kami tidak bertanggung jawab atas kesalahpahaman atau kesalahan interpretasi yang timbul dari penggunaan terjemahan ini.