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 Klon Secara Tempatan?
Repositori ini merangkumi lebih 50 terjemahan bahasa yang secara signifikan meningkatkan saiz muat turun. 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 memberi anda segala yang anda perlukan untuk melengkapkan kursus dengan muat turun yang lebih pantas.
Kami mempunyai siri belajar Discord dengan AI yang sedang berlangsung, pelajari lebih lanjut dan sertai kami di Siri Belajar dengan AI dari 18 - 30 September, 2025. Anda akan mendapat tip dan trik menggunakan GitHub Copilot untuk Sains Data.
🌍 Jelajahi seluruh dunia sewaktu kita meneroka Pembelajaran Mesin melalui budaya dunia 🌍
Pendukung Awan di Microsoft dengan gembira menawarkan kurikulum 12 minggu, 26 pelajaran tentang Pembelajaran Mesin. Dalam kurikulum ini, anda akan mempelajari apa yang kadang-kadang dikenali sebagai 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' kami juga!
Berjalanlah bersama kami mengelilingi dunia ketika kami menggunakan teknik klasik ini ke atas data daripada banyak kawasan dunia. Setiap pelajaran termasuk kuiz pra dan pasca pelajaran, arahan bertulis untuk melengkapkan pelajaran, penyelesaian, tugasan, dan banyak lagi. Pendekatan berasaskan projek kami membolehkan anda belajar sambil membina, cara terbukti untuk kemahiran baru 'melekat'.
✍️ Terima kasih yang tulus 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 ilustrator kami Tomomi Imura, Dasani Madipalli, dan Jen Looper
🙏 Terima kasih khas 🙏 kepada penulis, pemeriksa dan penyumbang kandungan Microsoft Student Ambassador kami, khususnya Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, dan Snigdha Agarwal
🤩 Penghargaan ekstra kepada Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, dan Vidushi Gupta untuk pelajaran R kami!
Ikut langkah-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 kami untuk solusi masalah biasa pemasangan, penyiapan, dan menjalankan pelajaran.
Pelajar, untuk menggunakan kurikulum ini, fork seluruh repo ke akaun GitHub anda sendiri dan lengkapkan latihan sendiri atau bersama kumpulan:
- Mulakan dengan kuiz pra kuliah.
- Baca kuliah dan lengkapkan aktiviti, berhenti dan renungkan setiap semakan pengetahuan.
- Cuba buat projek dengan memahami pelajaran daripada menjalankan kod penyelesaian; tetapi kod tersebut tersedia dalam folder
/solutiondi setiap pelajaran berorientasikan projek. - Ambil kuiz pasca kuliah.
- Lengkapkan cabaran.
- Lengkapkan tugasan.
- Selepas melengkapkan 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 meneruskan pembelajaran anda. Anda juga boleh memberi reaksi pada PAT lain supaya kita dapat belajar bersama.
Untuk pengajian lanjut, kami mengesyorkan mengikuti modul dan laluan pembelajaran Microsoft Learn ini.
Guru, kami telah sertakan beberapa cadangan mengenai cara menggunakan kurikulum ini.
Beberapa pelajaran tersedia dalam video bentuk ringkas. Anda boleh dapati semua ini selari dalam pelajaran, atau di senarai main ML untuk Pemula di saluran YouTube Pembangun Microsoft dengan klik imej di bawah.
Gif oleh Mohit Jaisal
🎥 Klik imej di atas untuk video mengenai projek dan orang yang menciptakannya!
Kami memilih dua prinsip pedagogi semasa membina kurikulum ini: memastikan ia adalah berasaskan projek praktikal dan ia termasuk kuiz yang kerap. Selain itu, kurikulum ini mempunyai tema yang sama untuk memberinya kesatuan.
Dengan memastikan kandungan selaras dengan projek, proses menjadi lebih menarik untuk pelajar dan peningkatan pengekalan konsep akan ditingkatkan. Tambahan pula, kuiz bertaraf rendah sebelum kelas memberi niat pelajar untuk mempelajari sesuatu topik, manakala kuiz kedua selepas kelas memastikan pengekalan selanjutnya. Kurikulum ini direka untuk fleksibel dan menyeronokkan dan boleh diambil sepenuhnya atau sebahagiannya. Projek bermula kecil dan menjadi semakin kompleks pada akhir kitaran 12 minggu. Kurikulum ini juga termasuk posskrip tentang aplikasi dunia sebenar ML, yang boleh digunakan sebagai kredit tambahan atau sebagai asas untuk perbincangan.
Temui Kod Etika Kami, Menyumbang, Terjemahan, dan Penyelesaian Masalah. Kami mengalu-alukan maklum balas membina anda!
- sketchnote pilihan
- video tambahan pilihan
- rangkuman video (beberapa pelajaran sahaja)
- kuiz warmup pra kuliah
- pelajaran bertulis
- untuk pelajaran berasaskan projek, panduan langkah demi langkah membuat projek
- semakan pengetahuan
- cabaran
- bacaan tambahan
- tugasan
- kuiz pasca kuliah
Satu nota tentang bahasa: Pelajaran-pelajaran ini terutamanya ditulis dalam Python, tetapi banyak juga tersedia dalam R. Untuk melengkapkan pelajaran R, pergi ke folder
/solutiondan cari pelajaran R. Ia mengandungi sambungan .rmd yang mewakili fail R Markdown yang secara ringkas boleh didefinisikan sebagai penyisipancode chunks(dari R atau bahasa lain) danYAML header(yang mengarahkan cara memformat output seperti PDF) dalamDokumen Markdown. Oleh itu, ia berfungsi sebagai rangka kerja penulisan contoh untuk sains data kerana ia membolehkan anda menggabungkan kod anda, outputnya, dan pemikiran anda dengan membenarkan anda menuliskannya dalam Markdown. Selain itu, dokumen R Markdown boleh di-render ke format output seperti PDF, HTML, atau Word.
Satu nota tentang kuiz: Semua kuiz terkandung dalam folder Aplikasi Kuiz, dengan jumlah 52 kuiz, setiap satu mempunyai tiga soalan. Mereka dipautkan dari dalam pelajaran-pelajaran tetapi aplikasi kuiz boleh dijalankan secara tempatan; ikut arahan dalam folder
quiz-appuntuk mengehoskan secara tempatan atau melancarkan ke Azure.
| Nombor Pelajaran | Topik | Pengelompokan Pelajaran | Objektif Pembelajaran | Pelajaran Berkait | Pengarang |
|---|---|---|---|---|---|
| 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 tentang keadilan yang perlu difikirkan 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 | Bermula 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 | Membina model regresi linear dan polinomial | Python • R | Jen dan Dmitry • Eric Wanjau |
| 08 | Harga labu Amerika Utara 🎃 | Regresi | Membina model regresi logistik | Python • R | Jen • Eric Wanjau |
| 09 | Aplikasi Web 🔌 | Aplikasi Web | Membina aplikasi web menggunakan model terlatih anda | Python | Jen |
| 10 | Pengenalan kepada klasifikasi | Klasifikasi | Bersihkan, siapkan, dan visualisasikan data anda; pengenalan kepada klasifikasi | Python • R | Jen dan Cassie • Eric Wanjau |
| 11 | Masakan Asia dan India yang lazat 🍜 | Klasifikasi | Pengenalan kepada pengklasifikasi | Python • R | Jen dan Cassie • Eric Wanjau |
| 12 | Masakan Asia dan India yang lazat 🍜 | Klasifikasi | Lebih banyak pengklasifikasi | Python • R | Jen dan Cassie • Eric Wanjau |
| 13 | Masakan Asia dan India yang lazat 🍜 | Klasifikasi | Membina aplikasi web pengesyorkan menggunakan model anda | Python | Jen |
| 14 | Pengenalan kepada pengelompokan | Pengelompokan | Bersihkan, siapkan, 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 | Belajar asas tentang NLP dengan membina bot ringkas | Python | Stephen |
| 17 | Tugasan NLP yang biasa ☕️ | Pemprosesan bahasa semula jadi | Memperdalam pengetahuan NLP anda dengan memahami tugasan biasa yang diperlukan apabila berurusan dengan 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 elakkan serigala! 🐺 | Pembelajaran penguatan | Pembelajaran penguatan Gym | Python | Dmitry |
| Catatan Akhir | Senario dan aplikasi pembelajaran mesin dunia sebenar | ML di Dunia Sebenar | Aplikasi pembelajaran mesin klasik yang menarik dan mendedahkan | Pelajaran | Pasukan |
| Catatan Akhir | Pengendalian ralat model dalam ML menggunakan papan pemuka RAI | ML di Dunia Sebenar | Pengendalian ralat model 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 luar talian dengan menggunakan Docsify. Fork repo ini, pasang Docsify pada mesin tempatan anda, dan kemudian di folder akar repo ini, taip docsify serve. Laman web akan dihoskan 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 soalan semasa mempelajari Pembelajaran Mesin atau membina aplikasi AI, jangan risau — bantuan tersedia.
Anda boleh menyertai perbincangan dengan pelajar dan pembangun lain, bertanya soalan, dan berkongsi idea anda dengan komuniti.
- Sertai komuniti untuk bertanya soalan dan belajar bersama yang lain
- Bincangkan konsep Pembelajaran Mesin dan idea projek
- Dapatkan panduan daripada pembangun berpengalaman
Komuniti yang menyokong adalah cara terbaik untuk mengembangkan kemahiran anda dan menyelesaikan masalah dengan lebih cepat.
Komuniti Discord Microsoft Foundry
Jika anda menemui pepijat, ralat, atau mempunyai cadangan untuk penambahbaikan, anda juga boleh membuka Isu di repositori ini untuk melaporkan masalah.
Untuk maklum balas produk atau mencari pos komuniti sedia ada, lawati Forum Pembangun:
- Semak semula buku nota selepas setiap pelajaran untuk pemahaman yang lebih baik.
- Amalkan melaksanakan algoritma sendiri.
- Terokai set data dunia sebenar menggunakan konsep yang dipelajari.
Penafian:
Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI Co-op Translator. Walaupun kami berusaha untuk 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 penting, terjemahan manusia profesional adalah disyorkan. Kami tidak bertanggungjawab terhadap sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.