Arab | Bengali | Bulgaria | Burma (Myanmar) | Cina (Ringkas) | Cina (Tradisional, Hong Kong) | Cina (Tradisional, Macau) | Cina (Tradisional, Taiwan) | Croatia | Czech | Denmark | Belanda | Estonia | Finland | Perancis | Jerman | Greek | Ibrani | Hindi | Hungary | Indonesia | Itali | Jepun | Korea | Lithuania | Melayu | Marathi | Nepal | Pidgin Nigeria | Norway | Parsi (Farsi) | Poland | Portugis (Brazil) | Portugis (Portugal) | Punjabi (Gurmukhi) | Romania | Rusia | Serbia (Cyrillic) | Slovak | Slovenia | Sepanyol | Swahili | Sweden | Tagalog (Filipina) | Tamil | Thai | Turki | Ukraine | Urdu | Vietnam
Kami sedang menjalankan siri pembelajaran dengan AI di Discord, ketahui 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.
🌍 Jelajah dunia sambil kita meneroka Pembelajaran Mesin melalui budaya dunia 🌍
Cloud Advocates di Microsoft dengan bangga menawarkan kurikulum 12 minggu, 26 pelajaran tentang Pembelajaran Mesin. Dalam kurikulum ini, anda akan belajar tentang apa yang kadang-kadang dipanggil pembelajaran mesin klasik, menggunakan terutamanya perpustakaan Scikit-learn dan mengelakkan pembelajaran mendalam, yang diliputi dalam kurikulum AI untuk Pemula. Padankan pelajaran ini dengan kurikulum 'Sains Data untuk Pemula', juga!
Jelajah bersama kami ke seluruh dunia sambil kami menerapkan teknik klasik ini kepada data dari pelbagai kawasan dunia. Setiap pelajaran termasuk kuiz sebelum dan selepas pelajaran, arahan bertulis untuk melengkapkan pelajaran, penyelesaian, tugasan, dan banyak lagi. Pedagogi berasaskan projek kami membolehkan anda belajar sambil membina, cara yang 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, pengulas, dan penyumbang kandungan Microsoft Student Ambassador kami, terutamanya Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, dan Snigdha Agarwal
🤩 Terima kasih tambahan kepada Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, dan Vidushi Gupta untuk pelajaran R kami!
Ikuti langkah-langkah ini:
- Fork Repositori: Klik pada butang "Fork" di sudut kanan atas halaman ini.
- Clone Repositori:
git clone https://github.com/microsoft/ML-For-Beginners.git
temui semua sumber tambahan untuk kursus ini dalam koleksi Microsoft Learn kami
🔧 Perlu bantuan? Semak Panduan Penyelesaian Masalah kami untuk penyelesaian kepada isu biasa dengan pemasangan, persediaan, dan menjalankan pelajaran.
Pelajar, untuk menggunakan kurikulum ini, fork keseluruhan repo ke akaun GitHub anda sendiri dan lengkapkan latihan secara individu atau dengan kumpulan:
- Mulakan dengan kuiz pra-kuliah.
- Baca kuliah dan lengkapkan aktiviti, berhenti dan renungkan pada setiap semakan pengetahuan.
- Cuba buat projek dengan memahami pelajaran daripada menjalankan kod penyelesaian; walau bagaimanapun kod itu tersedia dalam folder
/solutiondalam setiap pelajaran berorientasikan projek. - Ambil kuiz selepas kuliah.
- Lengkapkan cabaran.
- Lengkapkan tugasan.
- Selepas melengkapkan 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 meningkatkan pembelajaran anda. Anda juga boleh bertindak balas terhadap PAT lain supaya kita boleh belajar bersama.
Untuk kajian lanjut, kami mengesyorkan mengikuti modul dan laluan pembelajaran Microsoft Learn.
Guru, kami telah menyertakan beberapa cadangan tentang cara menggunakan kurikulum ini.
Beberapa pelajaran tersedia dalam bentuk video pendek. Anda boleh menemui semua ini dalam pelajaran, atau di senarai main ML untuk Pemula di saluran YouTube Microsoft Developer dengan mengklik imej di bawah.
Gif oleh Mohit Jaisal
🎥 Klik imej di atas untuk video tentang projek dan orang yang menciptanya!
Kami telah memilih dua prinsip pedagogi semasa membina kurikulum ini: memastikan ia berasaskan projek praktikal dan ia termasuk kuiz yang kerap. Di samping itu, kurikulum ini mempunyai tema yang biasa untuk memberikannya kesepaduan.
Dengan memastikan kandungan sejajar dengan projek, proses ini menjadi lebih menarik untuk pelajar dan pengekalan konsep akan dipertingkatkan. Di samping itu, kuiz berisiko rendah sebelum kelas menetapkan niat pelajar terhadap pembelajaran topik, manakala kuiz kedua selepas kelas memastikan pengekalan lanjut. Kurikulum ini direka bentuk untuk fleksibel dan menyeronokkan dan boleh diambil secara keseluruhan atau sebahagian. Projek bermula kecil dan menjadi semakin kompleks menjelang akhir kitaran 12 minggu. Kurikulum ini juga termasuk postscript tentang aplikasi dunia sebenar ML, yang boleh digunakan sebagai kredit tambahan atau sebagai asas untuk perbincangan.
Temui Kod Etika, Menyumbang, Terjemahan, dan Penyelesaian Masalah kami. Kami mengalu-alukan maklum balas membina anda!
- sketchnote pilihan
- video tambahan pilihan
- panduan video (beberapa pelajaran sahaja)
- kuiz pemanasan pra-kuliah
- pelajaran bertulis
- untuk pelajaran berasaskan projek, panduan langkah demi langkah tentang cara membina projek
- semakan pengetahuan
- cabaran
- bacaan tambahan
- tugasan
- kuiz selepas kuliah
Nota tentang bahasa: Pelajaran ini ditulis terutamanya dalam Python, tetapi banyak juga tersedia dalam R. Untuk melengkapkan pelajaran R, pergi ke folder
/solutiondan cari pelajaran R. Ia termasuk sambungan .rmd yang mewakili fail R Markdown yang boleh ditakrifkan secara ringkas sebagai penggabungancode chunks(R atau bahasa lain) danYAML header(yang membimbing cara memformat output seperti PDF) dalam dokumenMarkdown. Oleh itu, ia berfungsi sebagai rangka kerja penulisan contoh untuk sains data kerana ia membolehkan anda menggabungkan kod anda, outputnya, dan pemikiran anda dengan membolehkan anda menulisnya dalam Markdown. Selain itu, dokumen R Markdown boleh diberikan kepada format output seperti PDF, HTML, atau Word.
Nota tentang kuiz: Semua kuiz terkandung dalam folder Aplikasi Kuiz, untuk sejumlah 52 kuiz dengan tiga soalan setiap satu. Ia dipautkan dari dalam pelajaran tetapi aplikasi kuiz boleh dijalankan secara tempatan; ikuti arahan dalam folder
quiz-appuntuk menjadi tuan rumah secara tempatan atau menyebarkan ke Azure.
| Nombor Pelajaran | Topik | Pengelompokan Pelajaran | Objektif Pembelajaran | Pelajaran Pautan | 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 tentang keadilan yang perlu dipertimbangkan pelajar semasa membina dan menggunakan model ML? | Pelajaran | Tomomi |
| 04 | Teknik untuk pembelajaran mesin | Pengenalan | Apakah teknik yang digunakan penyelidik ML untuk membina model ML? | Pelajaran | Chris dan Jen |
| 05 | Pengenalan kepada regresi | Regresi | Mulakan dengan 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 yang telah dilatih | Python | Jen |
| 10 | Pengenalan kepada klasifikasi | Klasifikasi | Bersihkan, sediakan, 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 | Bina aplikasi web cadangan menggunakan model anda | Python | Jen |
| 14 | Pengenalan kepada pengelompokan | Pengelompokan | Bersihkan, sediakan, dan visualisasikan data anda; Pengenalan kepada pengelompokan | Python • R | Jen • Eric Wanjau |
| 15 | Meneroka Citarasa 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 tentang NLP dengan membina bot mudah | Python | Stephen |
| 17 | Tugas NLP Biasa ☕️ | Pemprosesan bahasa semula jadi | Mendalami pengetahuan NLP anda dengan memahami tugas biasa yang diperlukan semasa berurusan dengan struktur bahasa | Python | Stephen |
| 18 | Terjemahan dan analisis sentimen |
Pemprosesan bahasa semula jadi | Terjemahan 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 ramalan siri masa | Siri masa | Pengenalan kepada ramalan siri masa | Python | Francesca |
| 22 | ⚡️ Penggunaan Kuasa Dunia ⚡️ - ramalan siri masa dengan ARIMA | Siri masa | Ramalan siri masa dengan ARIMA | Python | Francesca |
| 23 | ⚡️ Penggunaan Kuasa Dunia ⚡️ - ramalan siri masa dengan SVR | Siri masa | Ramalan siri masa dengan Support Vector Regressor | Python | Anirban |
| 24 | Pengenalan kepada pembelajaran pengukuhan | Pembelajaran pengukuhan | Pengenalan kepada pembelajaran pengukuhan dengan Q-Learning | Python | Dmitry |
| 25 | Bantu Peter elakkan serigala! 🐺 | Pembelajaran pengukuhan | Gim pembelajaran pengukuhan | Python | Dmitry |
| Postscript | Senario dan aplikasi ML dunia sebenar | ML di Dunia Liar | Aplikasi dunia sebenar yang menarik dan mendedahkan tentang ML klasik | Pelajaran | Pasukan |
| Postscript | Penyahpepijatan Model dalam ML menggunakan papan pemuka RAI | ML di Dunia Liar | Penyahpepijatan Model dalam Pembelajaran Mesin menggunakan komponen papan pemuka AI Bertanggungjawab | 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 mesin tempatan anda, dan kemudian dalam folder root repositori ini, taip docsify serve. Laman web akan disediakan 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 menghadapi kesukaran atau mempunyai sebarang soalan tentang membina aplikasi AI, sertai pelajar lain dan pembangun berpengalaman dalam perbincangan tentang MCP. Ia adalah komuniti yang menyokong di mana soalan dialu-alukan dan pengetahuan dikongsi secara bebas.
Jika anda mempunyai maklum balas produk atau menghadapi ralat semasa membina, lawati:
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 berwibawa. Untuk maklumat kritikal, terjemahan manusia profesional adalah disyorkan. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.