Arab | Bengali | Bulgaria | Bahasa Burma (Myanmar) | Bahasa Cina (Dipermudahkan) | Bahasa Cina (Tradisional, Hong Kong) | Bahasa Cina (Tradisional, Macau) | Bahasa Cina (Tradisional, Taiwan) | Bahasa Croatia | Bahasa Czech | Bahasa Denmark | Belanda | Bahasa Estonia | Bahasa Finland | Bahasa Perancis | Bahasa Jerman | Bahasa Greek | Bahasa Ibrani | Bahasa Hindi | Bahasa Hungary | Bahasa Indonesia | Bahasa Itali | Bahasa Jepun | Bahasa Kannada | Bahasa Korea | Bahasa Lithuania | Bahasa Melayu | Bahasa Malayalam | Bahasa Marathi | Bahasa Nepali | Bahasa Pidgin Nigeria | Bahasa Norway | Bahasa Parsi (Farsi) | Bahasa Poland | Bahasa Portugis (Brazil) | Bahasa Portugis (Portugal) | Bahasa Punjabi (Gurmukhi) | Bahasa Romania | Bahasa Rusia | Bahasa Serbia (Sirilik) | Bahasa Slovakia | Bahasa Slovenia | Bahasa Sepanyol | Bahasa Swahili | Bahasa Sweden | Bahasa Tagalog (Filipino) | Bahasa Tamil | Bahasa Telugu | Bahasa Thai | Bahasa Turki | Bahasa Ukraine | Bahasa Urdu | Bahasa Vietnam
Lebih suka Klon Secara Tempatan?
Repositori ini termasuk lebih dari 50 terjemahan bahasa yang secara signifikan meningkatkan saiz muat turun. Untuk mengklon 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 jauh lebih cepat.
Kami sedang menjalankan siri belajar dengan AI di Discord, ketahui lebih lanjut dan sertai kami di Siri Belajar dengan AI dari 18 - 30 September, 2025. Anda akan mendapat petua dan trik menggunakan GitHub Copilot untuk Sains Data.
🌍 Jelajahi dunia sambil kami menyelami Pembelajaran Mesin melalui budaya dunia 🌍
Advokat Awan di Microsoft dengan sukacitanya menawarkan kurikulum 12 minggu, 26 pelajaran tentang Pembelajaran Mesin. Dalam kurikulum ini, anda akan belajar apa yang kadang-kadang dipanggil pembelajaran mesin klasik, menggunakan terutamanya Scikit-learn sebagai perpustakaan dan mengelak pembelajaran mendalam, yang diliputi dalam kurikulum AI untuk Pemula. Padankan pelajaran ini dengan 'Kurikulum Sains Data untuk Pemula', juga!
Jelajahi dunia bersama kami sambil kami menerapkan teknik klasik ini pada data dari pelbagai kawasan dunia. Setiap pelajaran merangkumi kuiz pra-dan pasca pelajaran, arahan bertulis untuk menyelesaikan pelajaran, penyelesaian, tugasan, dan banyak lagi. Pedagogi berasaskan projek kami membolehkan anda belajar sambil membina, cara yang terbukti supaya kemahiran baru 'melekat'.
✍️ Terima kasih yang setulusnya kepada 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 pelukis ilustrasi kami Tomomi Imura, Dasani Madipalli, dan Jen Looper
🙏 Terima kasih istimewa 🙏 kepada penulis, penyemak, dan penyumbang kandungan Microsoft Student Ambassador, khususnya Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, dan Snigdha Agarwal
🤩 Syukur tambahan kepada Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, dan Vidushi Gupta untuk pelajaran R kami!
Ikuti langkah ini:
- Fork Repositori: Klik butang "Fork" di sudut kanan atas halaman ini.
- Klon Repositori:
git clone https://github.com/microsoft/ML-For-Beginners.git
cari semua sumber tambahan untuk kursus ini dalam koleksi Microsoft Learn kami
🔧 Perlu bantuan? Semak Panduan Penyelesaian Masalah untuk penyelesaian isu biasa berkaitan pemasangan, penyediaan, dan pelaksanaan pelajaran.
Pelajar, untuk menggunakan kurikulum ini, fork seluruh repositori ke akaun GitHub anda dan lengkapkan latihan sendiri atau bersama kumpulan:
- Mulakan dengan kuiz sebelum kuliah.
- Baca kuliah dan lengkapkan aktiviti, berhenti dan renungkan setiap pemeriksaan pengetahuan.
- Cuba cipta projek dengan memahami pelajaran dan bukannya hanya menjalankan kod penyelesaian; namun kod tersebut tersedia dalam folder
/solutionuntuk setiap pelajaran berorientasikan projek. - Ambil kuiz selepas kuliah.
- Lengkapkan cabaran.
- Lengkapkan tugasan.
- Selepas menyelesaikan kumpulan pelajaran, lawati Papan Perbincangan dan "belajar dengan lantang" dengan mengisi rubrik PAT yang sesuai. 'PAT' ialah Alat Penilaian Kemajuan yang merupakan rubrik yang anda isi untuk memperkayakan pembelajaran. Anda juga boleh beri reaksi kepada PAT lain supaya kita boleh belajar bersama.
Untuk pembelajaran lanjut, kami mengesyorkan mengikuti modul dan laluan pembelajaran Microsoft Learn.
Guru, kami telah menyediakan beberapa cadangan tentang cara menggunakan kurikulum ini.
Sesetengah pelajaran tersedia dalam bentuk video pendek. Anda boleh dapati semua ini di dalam pelajaran, atau di senarai main ML untuk Pemula di saluran YouTube Pembangun Microsoft dengan mengklik imej di bawah.
Gif oleh Mohit Jaisal
🎥 Klik imej di atas untuk video tentang projek dan orang yang menciptakannya!
Kami memilih dua prinsip pedagogi semasa membina kurikulum ini: memastikan ia berasaskan projek hands-on dan termasuk kuiz kerap. Selain itu, kurikulum ini mempunyai tema yang sama untuk memberikan kesinambungan.
Dengan memastikan kandungan selaras dengan projek, proses menjadi lebih menarik bagi pelajar dan ingatan konsep akan dipertingkatkan. Tambahan pula, kuiz rendah risiko sebelum kelas menetapkan niat pelajar untuk mempelajari topik, manakala kuiz kedua selepas kelas memastikan ingatan lebih baik. Kurikulum ini direka supaya fleksibel dan menyeronokkan dan boleh diambil secara keseluruhan atau sebahagian. Projek bermula dari kecil dan menjadi semakin kompleks pada penghujung kitaran 12 minggu. Kurikulum ini juga merangkumi posskrip tentang aplikasi sebenar ML, yang boleh digunakan sebagai kredit tambahan atau asas perbincangan.
Cari Kod Etika, Sumbangan, Terjemahan, dan panduan Penyelesaian Masalah. Kami mengalu-alukan maklum balas membina anda!
- sketchnote pilihan
- video tambahan pilihan
- panduan video (sesetengah pelajaran sahaja)
- kuiz pemanasan pra-kuliah
- pelajaran bertulis
- bagi pelajaran projek, panduan langkah demi langkah cara membina projek
- pemeriksaan pengetahuan
- cabaran
- bacaan tambahan
- tugasan
- kuiz pasca kuliah
Nota tentang bahasa: Pelajaran ini terutamanya ditulis dalam Python, tetapi banyak juga tersedia dalam R. Untuk menyelesaikan pelajaran R, pergi ke folder
/solutiondan cari pelajaran R. Ia mengandungi sambungan .rmd yang merupakan fail R Markdown yang boleh difahami sebagai penyatuanpotongan kod(R atau bahasa lain) danheader YAML(yang mengarah bagaimana memformat output seperti PDF) dalam dokumenMarkdown. Oleh demikian, ia berfungsi sebagai rangka kerja penulisan yang cemerlang untuk sains data kerana membolehkan anda menggabungkan kod, output, dan pemikiran anda dengan menulis dalam Markdown. Selain itu, dokumen R Markdown boleh dihasilkan dalam format output seperti PDF, HTML, atau Word. Catatan mengenai kuiz: Semua kuiz terkandung dalam folder Aplikasi Kuiz, untuk 52 kuiz keseluruhan dengan tiga soalan setiap satu. Ia dipautkan dari dalam pelajaran tetapi aplikasi kuiz boleh dijalankan secara tempatan; ikut arahan di dalam folderquiz-appuntuk hos tempatan atau penerapan ke Azure.
| Nombor Pelajaran | Topik | Kumpulan Pelajaran | Objektif Pembelajaran | Pelajaran Dipautkan | Penulis |
|---|---|---|---|---|---|
| 01 | Pengenalan kepada pembelajaran mesin | Pengenalan | Pelajari konsep asas di sebalik pembelajaran mesin | Pelajaran | Muhammad |
| 02 | Sejarah pembelajaran mesin | Pengenalan | Pelajari sejarah yang mendasari bidang ini | Pelajaran | Jen dan Amy |
| 03 | Keadilan dan pembelajaran mesin | Pengenalan | Apakah isu falsafah penting mengenai keadilan yang perlu dipertimbangkan oleh pelajar semasa 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 menggunakan Python dan Scikit-learn untuk model regresi | Python • R | Jen • Eric Wanjau |
| 06 | Harga labu Amerika Utara 🎃 | Regresi | Visualisasikan dan bersihkan data sebagai persediaan 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 terlatih anda | Python | Jen |
| 10 | Pengenalan kepada klasifikasi | Klasifikasi | Bersihkan, persiapkan, dan visualisasikan data anda; pengenalan kepada klasifikasi | Python • R | Jen dan Cassie • Eric Wanjau |
| 11 | Masakan Asia dan India yang lazat 🍜 | Klasifikasi | Pengenalan kepada pengelas | Python • R | Jen dan Cassie • Eric Wanjau |
| 12 | Masakan Asia dan India yang lazat 🍜 | Klasifikasi | Lebih banyak pengelas | Python • R | Jen dan Cassie • Eric Wanjau |
| 13 | Masakan Asia dan India yang lazat 🍜 | Klasifikasi | Bina aplikasi web recommender menggunakan model anda | Python | Jen |
| 14 | Pengenalan kepada pengelompokan | Pengelompokan | Bersihkan, persiapkan, dan visualisasikan data anda; Pengenalan kepada pengelompokan | Python • R | Jen • Eric Wanjau |
| 15 | Meneroka Selera 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 mengenai NLP dengan membina bot mudah | Python | Stephen |
| 17 | Tugasan NLP biasa ☕️ | Pemprosesan bahasa semula jadi | Mendalami pengetahuan NLP dengan memahami tugasan biasa yang diperlukan dalam mengendalikan struktur bahasa | Python | Stephen |
| 18 | Penterjemahan dan analisis sentimen |
Pemprosesan bahasa semula jadi | Penterjemahan dan analisis sentimen dengan Jane Austen | Python | Stephen |
| 19 | Hotel romantik di Eropah |
Pemprosesan bahasa semula jadi | Analisis sentimen dengan ulasan hotel 1 | Python | Stephen |
| 20 | Hotel romantik di 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 | Pembelajaran penguatan Gym | Python | Dmitry |
| Catatan Akhir | Senario dan aplikasi ML dunia sebenar | ML di Alam Liar | Aplikasi dunia sebenar yang menarik dan mendedahkan ML klasik | Pelajaran | Pasukan |
| Catatan Akhir | Pengesanan Debug Model dalam ML menggunakan papan pemuka RAI | ML di Alam Liar | Pengesanan Debug Model dalam Pembelajaran Mesin menggunakan komponen papan pemuka Responsible AI | Pelajaran | Ruth Yakubu |
cari semua sumber tambahan untuk kursus ini dalam koleksi Microsoft Learn kami
Anda boleh menjalankan dokumentasi ini secara luar talian dengan menggunakan Docsify. Fork repositori ini, pasang Docsify pada komputer tempatan anda, kemudian di folder root repositori ini, taip docsify serve. Laman web akan dihidangkan pada port 3000 di localhost anda: localhost:3000.
Cari pdf kurikulum dengan pautan di sini.
Pasukan kami menghasilkan kursus lain! Lihat:
-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 tersekat atau mempunyai sebarang soalan tentang membina aplikasi AI. Sertai pembelajar lain dan pembangun berpengalaman dalam perbincangan mengenai MCP. Ia adalah komuniti yang menyokong di mana soalan dialu-alukan dan pengetahuan dikongsi dengan bebas.
Jika anda mempunyai maklum balas produk atau menemui ralat semasa membina, lawati:
- Semak buku nota selepas setiap pelajaran untuk pemahaman yang lebih baik.
- Amalkan melaksanakan algoritma sendiri.
- Terokai set data dunia nyata menggunakan konsep yang telah dipelajari.
Penafian:
Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI Co-op Translator. Walaupun kami berusaha untuk mencapai ketepatan, sila ambil perhatian bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang sah. Untuk maklumat kritikal, disarankan menggunakan terjemahan profesional oleh manusia. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.