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
Kami memiliki seri belajar Discord dengan AI yang sedang berlangsung, pelajari lebih lanjut dan bergabunglah dengan kami di Learn with AI Series dari 18 - 30 September, 2025. Anda akan mendapatkan tips dan trik menggunakan GitHub Copilot untuk Data Science.
🌍 Jelajahi dunia sambil mempelajari Pembelajaran Mesin melalui budaya dunia 🌍
Cloud Advocates di Microsoft dengan senang hati menawarkan kurikulum 12 minggu, 26 pelajaran yang membahas Pembelajaran Mesin. Dalam kurikulum ini, Anda akan belajar tentang apa yang kadang disebut pembelajaran mesin klasik, menggunakan terutama Scikit-learn sebagai perpustakaan dan menghindari pembelajaran mendalam, yang dibahas dalam kurikulum AI untuk Pemula kami. Padukan pelajaran ini dengan 'Data Science untuk Pemula' kurikulum kami juga!
Jelajahi bersama kami ke seluruh dunia saat kami menerapkan teknik klasik ini pada data dari berbagai wilayah dunia. Setiap pelajaran mencakup kuis sebelum dan sesudah pelajaran, instruksi tertulis untuk menyelesaikan pelajaran, solusi, tugas, dan lainnya. Metode pembelajaran berbasis proyek kami memungkinkan Anda belajar sambil membangun, cara yang terbukti efektif agar keterampilan baru 'melekat'.
✍️ Terima kasih hangat 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 para Microsoft Student Ambassador penulis, pengulas, dan kontributor konten kami, terutama Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, dan Snigdha Agarwal
🤩 Terima kasih ekstra kepada Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, dan Vidushi Gupta untuk pelajaran R kami!
Ikuti langkah-langkah ini:
- Fork Repository: Klik tombol "Fork" di pojok kanan atas halaman ini.
- Clone Repository:
git clone https://github.com/microsoft/ML-For-Beginners.git
temukan semua sumber daya tambahan untuk kursus ini di koleksi Microsoft Learn kami
🔧 Butuh bantuan? Periksa Panduan Pemecahan Masalah kami untuk solusi 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 bersama kelompok:
- Mulai dengan kuis pemanasan sebelum kuliah.
- Baca kuliah dan selesaikan aktivitas, berhenti dan refleksi pada setiap pemeriksaan pengetahuan.
- Cobalah membuat proyek dengan memahami pelajaran daripada langsung menjalankan kode solusi; namun kode tersebut tersedia di folder
/solutiondi setiap pelajaran berbasis proyek. - Ikuti kuis setelah kuliah.
- Selesaikan tantangan.
- Selesaikan tugas.
- Setelah menyelesaikan satu kelompok pelajaran, kunjungi Papan Diskusi dan "belajar dengan suara" dengan mengisi rubrik PAT yang sesuai. 'PAT' adalah Alat Penilaian Kemajuan yang merupakan rubrik yang Anda isi untuk memperdalam pembelajaran. Anda juga dapat merespons PAT lain agar kita bisa belajar bersama.
Untuk studi lebih lanjut, kami merekomendasikan mengikuti modul dan jalur pembelajaran Microsoft Learn.
Guru, kami telah menyertakan beberapa saran tentang cara menggunakan kurikulum ini.
Beberapa pelajaran tersedia dalam bentuk video pendek. Anda dapat menemukan semuanya di dalam pelajaran, atau di playlist ML for Beginners di saluran YouTube Microsoft Developer dengan mengklik gambar di bawah ini.
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 bahwa kurikulum ini berbasis proyek langsung dan mencakup kuis yang sering. Selain itu, kurikulum ini memiliki tema yang sama untuk memberikan kohesi.
Dengan memastikan konten selaras dengan proyek, proses pembelajaran menjadi lebih menarik bagi siswa dan retensi konsep akan meningkat. Selain itu, kuis dengan risiko rendah sebelum kelas menetapkan niat siswa untuk mempelajari topik, sementara kuis kedua setelah kelas memastikan retensi lebih lanjut. Kurikulum ini dirancang agar fleksibel dan menyenangkan dan dapat diambil secara keseluruhan atau sebagian. Proyek dimulai dari yang kecil dan menjadi semakin kompleks pada akhir siklus 12 minggu. Kurikulum ini juga mencakup catatan akhir tentang aplikasi nyata ML, 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
- video panduan (beberapa pelajaran saja)
- kuis pemanasan sebelum kuliah
- pelajaran tertulis
- untuk pelajaran berbasis proyek, panduan langkah demi langkah cara membangun proyek
- pemeriksaan pengetahuan
- tantangan
- bacaan tambahan
- tugas
- kuis setelah 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 sebagai penggabunganpotongan kode(dari R atau bahasa lain) danheader YAML(yang mengatur format output seperti PDF) dalamdokumen Markdown. Dengan demikian, ini berfungsi sebagai kerangka kerja penulisan yang ideal untuk data science karena memungkinkan Anda menggabungkan kode, 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. Kuis ini terhubung dari dalam pelajaran tetapi aplikasi kuis dapat dijalankan secara lokal; ikuti instruksi di folder
quiz-appuntuk hosting lokal atau deploy ke Azure.
| Nomor Pelajaran | Topik | Pengelompokan Pelajaran | Tujuan Pembelajaran | Pelajaran Terkait | Penulis |
|---|---|---|---|---|---|
| 01 | Pengantar pembelajaran mesin | Introduction | Pelajari konsep dasar di balik pembelajaran mesin | Lesson | Muhammad |
| 02 | Sejarah pembelajaran mesin | Introduction | Pelajari sejarah yang mendasari bidang ini | Lesson | Jen and Amy |
| 03 | Keadilan dan pembelajaran mesin | Introduction | Apa saja isu filosofis penting tentang keadilan yang harus dipertimbangkan siswa saat membangun dan menerapkan model ML? | Lesson | Tomomi |
| 04 | Teknik untuk pembelajaran mesin | Introduction | Teknik apa yang digunakan peneliti ML untuk membangun model ML? | Lesson | Chris and Jen |
| 05 | Pengantar regresi | Regression | Mulai dengan Python dan Scikit-learn untuk model regresi | Python • R | Jen • Eric Wanjau |
| 06 | Harga labu Amerika Utara 🎃 | Regression | Visualisasikan dan bersihkan data sebagai persiapan untuk ML | Python • R | Jen • Eric Wanjau |
| 07 | Harga labu Amerika Utara 🎃 | Regression | Bangun model regresi linier dan polinomial | Python • R | Jen and Dmitry • Eric Wanjau |
| 08 | Harga labu Amerika Utara 🎃 | Regression | Bangun model regresi logistik | Python • R | Jen • Eric Wanjau |
| 09 | Aplikasi Web 🔌 | Web App | Bangun aplikasi web untuk menggunakan model yang sudah dilatih | Python | Jen |
| 10 | Pengantar klasifikasi | Classification | Bersihkan, persiapkan, dan visualisasikan data Anda; pengantar klasifikasi | Python • R | Jen and Cassie • Eric Wanjau |
| 11 | Masakan Asia dan India yang lezat 🍜 | Classification | Pengantar klasifikator | Python • R | Jen and Cassie • Eric Wanjau |
| 12 | Masakan Asia dan India yang lezat 🍜 | Classification | Lebih banyak klasifikator | Python • R | Jen and Cassie • Eric Wanjau |
| 13 | Masakan Asia dan India yang lezat 🍜 | Classification | Bangun aplikasi web rekomendasi menggunakan model Anda | Python | Jen |
| 14 | Pengantar pengelompokan | Clustering | Bersihkan, persiapkan, dan visualisasikan data Anda; pengantar pengelompokan | Python • R | Jen • Eric Wanjau |
| 15 | Menjelajahi Selera Musik Nigeria 🎧 | Clustering | Jelajahi metode pengelompokan K-Means | Python • R | Jen • Eric Wanjau |
| 16 | Pengantar pemrosesan bahasa alami ☕️ | Natural language processing | Pelajari dasar-dasar NLP dengan membangun bot sederhana | Python | Stephen |
| 17 | Tugas NLP Umum ☕️ | Natural language processing | Perdalam pengetahuan NLP Anda dengan memahami tugas umum yang diperlukan saat berurusan dengan struktur bahasa | Python | Stephen |
| 18 | Terjemahan dan analisis sentimen |
Natural language processing | Terjemahan dan analisis sentimen dengan Jane Austen | Python | Stephen |
| 19 | Hotel romantis di Eropa |
Natural language processing | Analisis sentimen dengan ulasan hotel 1 | Python | Stephen |
| 20 | Hotel romantis di Eropa |
Natural language processing | Analisis sentimen dengan ulasan hotel 2 | Python | Stephen |
| 21 | Pengantar peramalan deret waktu | Time series | Pengantar peramalan deret waktu | Python | Francesca |
| 22 | ⚡️ Penggunaan Listrik Dunia ⚡️ - peramalan deret waktu dengan ARIMA | Time series | Peramalan deret waktu dengan ARIMA | Python | Francesca |
| 23 | ⚡️ Penggunaan Listrik Dunia ⚡️ - peramalan deret waktu dengan SVR | Time series | Peramalan deret waktu dengan Support Vector Regressor | Python | Anirban |
| 24 | Pengantar pembelajaran penguatan | Reinforcement learning | Pengantar pembelajaran penguatan dengan Q-Learning | Python | Dmitry |
| 25 | Bantu Peter menghindari serigala! 🐺 | Reinforcement learning | Pembelajaran penguatan Gym | Python | Dmitry |
| Postscript | Skenario dan aplikasi ML dunia nyata | ML in the Wild | Aplikasi dunia nyata yang menarik dan mengungkap dari ML klasik | Lesson | Team |
| Postscript | Debugging Model dalam ML menggunakan dashboard RAI | ML in the Wild | Debugging Model dalam Pembelajaran Mesin menggunakan komponen dashboard Responsible AI | Lesson | Ruth Yakubu |
temukan semua sumber daya tambahan untuk kursus ini di 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 disajikan di port 3000 pada localhost Anda: localhost:3000.
Temukan pdf kurikulum dengan tautan di sini.
Tim kami memproduksi 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 mengalami kesulitan atau memiliki pertanyaan tentang membangun aplikasi AI. Bergabunglah dengan sesama pelajar dan pengembang berpengalaman dalam diskusi tentang MCP. Ini adalah komunitas yang mendukung di mana pertanyaan disambut dan pengetahuan dibagikan secara bebas.
Jika Anda memiliki umpan balik produk atau menemukan kesalahan saat membangun, kunjungi:
Penafian:
Dokumen ini telah diterjemahkan menggunakan layanan terjemahan AI Co-op Translator. Meskipun kami berusaha untuk akurasi, harap diingat bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang sah. Untuk informasi penting, disarankan menggunakan terjemahan profesional oleh manusia. Kami tidak bertanggung jawab atas kesalahpahaman atau penafsiran yang salah yang timbul dari penggunaan terjemahan ini.