README.md

🌐 Dukungan Multi-Bahasa

Didukung melalui GitHub Action (Otomatis & Selalu Terbaru)

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

Lebih suka Mengkloning Secara Lokal?

Repositori ini menyertakan lebih dari 50 terjemahan bahasa yang secara signifikan meningkatkan ukuran unduhan. Untuk mengkloning 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.

Bergabunglah dengan Komunitas Kami

Kami sedang menjalankan seri belajar Discord dengan AI, pelajari lebih lanjut dan bergabung dengan kami di Learn with AI Series dari 18 - 30 September 2025. Anda akan mendapatkan tips dan trik menggunakan GitHub Copilot untuk Data Science.

Pembelajaran Mesin untuk Pemula - Kurikulum

🌍 Jelajahi dunia sambil kami mempelajari Pembelajaran Mesin melalui kebudayaan dunia 🌍

Cloud Advocates di Microsoft dengan senang hati menawarkan kurikulum 12 minggu, 26 pelajaran seputar 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 juga dengan 'Ilmu Data untuk Pemula' kurikulum kami!

Berjalanlah bersama kami ke berbagai belahan dunia saat kami menerapkan teknik klasik ini ke data dari banyak area di dunia. Setiap pelajaran mencakup kuis sebelum dan sesudah pelajaran, instruksi tertulis untuk menyelesaikan pelajaran, solusi, tugas, dan lainnya. Metodologi berbasis proyek kami memungkinkan Anda belajar sambil membangun, cara terbukti untuk membuat keterampilan baru 'lengket'.

✍️ Terima kasih 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 para Microsoft Student Ambassador penulis, pengulas, dan kontributor konten kami, khususnya 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!

Memulai

Ikuti langkah-langkah ini:

1. Fork Repository: Klik tombol "Fork" di kanan atas halaman ini.
2. 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

🔧 Perlu bantuan? Periksa Panduan Pemecahan Masalah kami untuk solusi masalah umum dengan 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:

• Mulailah dengan kuis pemanasan pra-ceramah.
• Bacalah ceramah dan selesaikan aktivitas, berhenti sejenak dan renungkan setiap tes pengetahuan.
• Cobalah membuat proyek dengan memahami pelajaran daripada langsung menjalankan kode solusi; namun kode tersebut tersedia di folder /solution di tiap pelajaran berbasis proyek.
• Kerjakan kuis pasca-ceramah.
• Selesaikan tantangan.
• Selesaikan tugas.
• Setelah menyelesaikan kelompok pelajaran, kunjungi Papan Diskusi dan "belajar dengan suara lantang" dengan mengisi rubrik PAT yang sesuai. 'PAT' adalah Alat Penilaian Kemajuan yang merupakan rubrik yang Anda isi untuk melanjutkan pembelajaran Anda. Anda juga dapat memberi reaksi pada PAT lain agar kita bisa belajar bersama.

Untuk studi lebih lanjut, kami rekomendasikan mengikuti modul dan jalur pembelajaran Microsoft Learn.

Guru, kami telah menyertakan beberapa saran tentang cara menggunakan kurikulum ini.

---

Video walkthroughs

Beberapa pelajaran tersedia dalam bentuk video singkat. Anda dapat menemukan semuanya secara langsung dalam pelajaran, atau di playlist ML for Beginners di saluran Microsoft Developer YouTube dengan mengklik gambar di bawah ini.

---

Temui Tim

Gif oleh Mohit Jaisal

🎥 Klik gambar di atas untuk video tentang proyek dan orang-orang yang membuatnya!

---

Pedagogi

Kami memilih dua prinsip pedagogis saat menyusun kurikulum ini: memastikan bahwa kurikulum ini berbasis proyek praktis dan mencakup kuis yang sering. Selain itu, kurikulum ini memiliki tema yang sama untuk memberikan kesatuan.

Dengan memastikan konten sejalan dengan proyek, proses belajar menjadi lebih menarik bagi siswa dan retensi konsep akan meningkat. Selain itu, kuis dengan tingkat tekanan rendah sebelum kelas menetapkan niat siswa untuk mempelajari topik, sedangkan kuis kedua setelah kelas menjamin retensi lebih lanjut. Kurikulum ini dirancang agar fleksibel dan menyenangkan, dapat diambil secara keseluruhan atau sebagian. Proyek dimulai dari yang kecil dan menjadi semakin kompleks hingga akhir siklus 12 minggu. Kurikulum ini juga menyertakan posskrip mengenai aplikasi nyata dari 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!

Setiap pelajaran mencakup

• sketchnote opsional
• video tambahan opsional
• video walkthrough (hanya beberapa pelajaran)
• kuis pemanasan pra-ceramah
• pelajaran tertulis
• untuk pelajaran berbasis proyek, panduan langkah demi langkah membangun proyek
• pemeriksaan pengetahuan
• tantangan
• bacaan tambahan
• tugas
• kuis pasca-ceramah

Catatan tentang bahasa: Pelajaran ini terutama ditulis dalam Python, tetapi banyak juga tersedia dalam R. Untuk menyelesaikan pelajaran R, buka folder /solution dan cari pelajaran R. Mereka memiliki ekstensi .rmd yang mewakili file R Markdown yang dapat didefinisikan secara sederhana sebagai penyisipan chunk kode (dari R atau bahasa lain) dan header YAML (yang mengatur format keluaran seperti PDF) dalam sebuah dokumen Markdown. Dengan demikian, ini berfungsi sebagai kerangka penulisan yang baik untuk ilmu data karena memungkinkan Anda menggabungkan kode, keluaran, dan pemikiran Anda dengan menulisnya dalam Markdown. Selain itu, dokumen R Markdown dapat dirender ke format keluaran seperti PDF, HTML, atau Word.

Catatan tentang kuis: Semua kuis terdapat dalam folder Quiz App, dengan total 52 kuis yang masing-masing terdiri dari tiga pertanyaan. Kuis-kuis tersebut dihubungkan dari dalam pelajaran, tetapi aplikasi kuis dapat dijalankan secara lokal; ikuti instruksi di folder quiz-app untuk menjalankan secara lokal atau deploy ke Azure.

Nomor Pelajaran	Topik	Kelompok Pelajaran	Tujuan Pembelajaran	Pelajaran Terkait	Penulis
01	Pengenalan 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 isu filosofis penting tentang keadilan yang harus dipertimbangkan siswa 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	Pengenalan regresi	Regresi	Mulai menggunakan Python dan Scikit-learn untuk model regresi	Python • R	Jen • Eric Wanjau
06	Harga labu Amerika Utara 🎃	Regresi	Visualisasikan dan bersihkan data untuk persiapan pembelajaran mesin	Python • R	Jen • Eric Wanjau
07	Harga labu Amerika Utara 🎃	Regresi	Bangun model regresi linear dan polynomial	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 Anda yang sudah dilatih	Python	Jen
10	Pengenalan klasifikasi	Klasifikasi	Bersihkan, persiapkan, dan visualisasikan data; pengenalan klasifikasi	Python • R	Jen dan Cassie • Eric Wanjau
11	Masakan Asia dan India yang lezat 🍜	Klasifikasi	Pengenalan klasifier	Python • R	Jen dan Cassie • Eric Wanjau
12	Masakan Asia dan India yang lezat 🍜	Klasifikasi	Lebih banyak klasifier	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	Pengenalan klastering	Klastering	Bersihkan, persiapkan, dan visualisasikan data; pengenalan klastering	Python • R	Jen • Eric Wanjau
15	Menjelajahi selera musik Nigeria 🎧	Klastering	Jelajahi metode klastering K-Means	Python • R	Jen • Eric Wanjau
16	Pengenalan pengolahan bahasa alami ☕️	Pengolahan bahasa alami	Pelajari dasar-dasar NLP dengan membangun bot sederhana	Python	Stephen
17	Tugas NLP umum ☕️	Pengolahan bahasa alami	Perdalam pengetahuan NLP Anda dengan memahami tugas umum yang diperlukan saat berurusan dengan struktur bahasa	Python	Stephen
18	Terjemahan dan analisis sentimen ♥️	Pengolahan bahasa alami	Terjemahan dan analisis sentimen dengan Jane Austen	Python	Stephen
19	Hotel romantis di Eropa ♥️	Pengolahan bahasa alami	Analisis sentimen dengan ulasan hotel 1	Python	Stephen
20	Hotel romantis di Eropa ♥️	Pengolahan bahasa alami	Analisis sentimen dengan ulasan hotel 2	Python	Stephen
21	Pengenalan peramalan deret waktu	Deret waktu	Pengenalan 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	Pengenalan pembelajaran penguatan	Pembelajaran penguatan	Pengenalan pembelajaran penguatan dengan Q-Learning	Python	Dmitry
25	Bantu Peter menghindari serigala! 🐺	Pembelajaran penguatan	Gym pembelajaran penguatan	Python	Dmitry
Postscript	Skema dan aplikasi ML di dunia nyata	ML di dunia nyata	Aplikasi menarik dan mengungkapkan ML klasik di dunia nyata	Pelajaran	Team
Postscript	Debugging Model dalam ML menggunakan dashboard RAI	ML di dunia nyata	Debugging Model dalam Pembelajaran Mesin menggunakan komponen dashboard Responsible AI	Pelajaran	Ruth Yakubu

temukan semua sumber tambahan untuk kursus ini dalam koleksi Microsoft Learn kami

Akses offline

Anda dapat menjalankan dokumentasi ini secara offline dengan menggunakan Docsify. Fork repositori ini, pasang Docsify di mesin lokal Anda, lalu pada folder root repositori ini, ketik docsify serve. Situs web akan diakses di port 3000 pada localhost Anda: localhost:3000.

PDF

Temukan pdf kurikulum dengan tautan di sini.

🎒 Kursus Lainnya

Tim kami memproduksi kursus lainnya! Lihat:

LangChain

Azure / Edge / MCP / Agents

---

Seri AI Generatif

---

Pembelajaran Inti

---

Seri Copilot

Mendapatkan Bantuan

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 diterima dan pengetahuan dibagikan dengan bebas.

Jika Anda memiliki umpan balik produk atau kesalahan saat membangun, kunjungi:

Tips Pembelajaran Tambahan

• Tinjau notebook setelah setiap pelajaran untuk pemahaman yang lebih baik.
• Latih penerapan algoritma secara mandiri.
• Jelajahi dataset dunia nyata menggunakan konsep yang telah dipelajari.

---

Penafian: Dokumen ini telah diterjemahkan menggunakan layanan terjemahan AI Co-op Translator. Meskipun kami berupaya untuk mencapai ketepatan, harap diingat bahwa terjemahan otomatis dapat mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang sah dan utama. Untuk informasi penting, disarankan menggunakan terjemahan profesional oleh manusia. Kami tidak bertanggung jawab atas kesalahpahaman atau salah tafsir yang timbul dari penggunaan terjemahan ini.