Arab | Benggali | Bulgaria | Burma (Myanmar) | Cina (Ringkas) | Cina (Tradisional, Hong Kong) | Cina (Tradisional, Macau) | Cina (Tradisional, Taiwan) | Kroasia | Czech | Denmark | Belanda | Estonia | Finland | Perancis | Jerman | Yunani | Ibrani | Hindi | Hungary | Indonesia | Itali | Jepun | Kannada | Khmer | Korea | Lituania | Melayu | Malayalam | Marathi | Nepali | Pidgin Nigeria | Norway | Parsi (Farsi) | Poland | Portugis (Brazil) | Portugis (Portugal) | Punjabi (Gurmukhi) | Romania | Rusia | Serbia (Cyrillic) | Slovak | Slovenian | Sepanyol | Swahili | Sweden | Tagalog (Filipina) | Tamil | Telugu | Thai | Turki | Ukraine | Urdu | Vietnam
Lebih suka Klon secara Tempatan?
Repositori ini termasuk lebih 50+ terjemahan bahasa yang secara ketara 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 memberikan anda semua keperluan untuk melengkapkan kursus dengan muat turun yang lebih pantas.
Kami mempunyai siri pembelajaran Discord dengan AI yang sedang berlangsung, ketahui lebih lanjut dan sertai kami di Siri Pembelajaran dengan AI dari 18 - 30 September, 2025. Anda akan mendapat petua dan trik menggunakan GitHub Copilot untuk Sains Data.
🌍 Melancong ke seluruh dunia sambil meneroka Pembelajaran Mesin melalui budaya dunia 🌍
Pengelola Awan di Microsoft dengan sukacitanya menawarkan kurikulum 12 minggu, 26 pelajaran semua tentang Pembelajaran Mesin. Dalam kurikulum ini, anda akan belajar tentang apa yang kadangkala dipanggil pembelajaran mesin klasik, menggunakan terutamanya Scikit-learn sebagai perpustakaan dan mengelakkan pembelajaran mendalam, yang diliputi dalam kurikulum AI untuk Pemula kami. Padankan pelajaran ini dengan 'Kurikulum Sains Data untuk Pemula' kami juga!
Melancong bersama kami ke seluruh dunia sambil menerapkan teknik klasik ini kepada data dari pelbagai kawasan di dunia. Setiap pelajaran merangkumi 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 terbukti supaya kemahiran baru 'melekat'.
✍️ Terima kasih ikhlas kepada pengarang 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 khas 🙏 kepada penulis, penyemak, dan penyumbang kandungan Duta Pelajar Microsoft 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 Duta Pelajar Microsoft Eric Wanjau, Jasleen Sondhi, dan Vidushi Gupta untuk pelajaran R kami!
Ikuti langkah-langkah ini:
- Fork Repositori: Klik pada butang "Fork" di penjuru kanan atas halaman ini.
- Klon Repositori:
git clone https://github.com/microsoft/ML-For-Beginners.git
temukan semua sumber tambahan untuk kursus ini dalam koleksi Microsoft Learn kami
🔧 Perlukan bantuan? Semak Panduan Penyelesaian Masalah kami untuk penyelesaian isu biasa tentang pemasangan, penetapan, dan menjalankan pelajaran.
Pelajar, untuk menggunakan kurikulum ini, buat fork keseluruhan repo ke akaun GitHub anda sendiri dan lengkapkan latihan secara sendiri atau dalam kumpulan:
- Mulakan dengan kuiz sebelum kuliah.
- Baca kuliah dan lengkapkan aktiviti, berhenti sebentar dan merenung pada setiap pemeriksaan pengetahuan.
- Cuba buat projek dengan memahami pelajaran dan bukannya hanya menjalankan kod penyelesaian; walau bagaimana pun, kod tersebut tersedia dalam folder
/solutionpada setiap pelajaran berfokus projek. - Ambil kuiz selepas kuliah.
- Lengkapkan cabaran.
- Lengkapkan tugasan.
- Selepas melengkapkan satu kumpulan pelajaran, lawati Papan Perbincangan dan "belajar secara terbuka" dengan mengisi rubrik PAT yang sesuai. 'PAT' adalah Alat Penilaian Kemajuan yang merupakan rubrik yang anda isi untuk meningkatkan pembelajaran. Anda juga boleh memberi reaksi kepada PAT lain supaya kita boleh belajar bersama.
Untuk kajian lanjut, kami mengesyorkan mengikuti modul dan laluan pembelajaran Microsoft Learn ini.
Guru, kami telah menyediakan beberapa cadangan mengenai cara menggunakan kurikulum ini.
Beberapa pelajaran tersedia dalam video pendek. Anda boleh menjumpai semuanya dalam pelajaran tersebut, atau di senarai main ML for Beginners di saluran YouTube Microsoft Developer dengan mengklik imej di bawah.
Gif oleh Mohit Jaisal
🎥 Klik imej di atas untuk video tentang projek dan orang-orang yang menciptanya!
Kami memilih dua prinsip pedagogi semasa membina kurikulum ini: memastikan ia adalah berasaskan projek yang praktikal dan bahawa ia termasuk kuiz kerap. Tambahan, kurikulum ini mempunyai tema yang sama untuk memberikan kesepaduan.
Dengan memastikan kandungan sejajar dengan projek, proses menjadi lebih menarik untuk pelajar dan memori konsep akan bertambah baik. Tambahan pula, kuiz berisiko rendah sebelum kelas menetapkan niat pelajar untuk mempelajari topik, manakala kuiz kedua selepas kelas memastikan pemahaman makin kukuh. Kurikulum ini direka agar fleksibel dan menyeronokkan dan boleh diambil secara menyeluruh atau sebahagian. Projek bermula kecil dan menjadi semakin kompleks menjelang akhir kitaran 12 minggu. Kurikulum ini juga termasuk posskrip tentang aplikasi dunia sebenar bagi pembelajaran mesin, yang boleh digunakan sebagai kredit tambahan atau sebagai asas perbincangan.
Temui Kod Etika kami, Menyumbang, Terjemahan, dan garis panduan Penyelesaian Masalah. Kami mengalu-alukan maklum balas membina anda!
- sketchnote pilihan
- video tambahan pilihan
- video panduan (sebahagian pelajaran sahaja)
- kuiz pemanasan sebelum kuliah
- pelajaran bertulis
- untuk pelajaran berasaskan projek, panduan langkah demi langkah untuk membina projek
- pemeriksaan pengetahuan
- cabaran
- bacaan tambahan
- tugasan
- kuiz selepas kuliah
Satu 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. Mereka termasuk sambungan .rmd yang mewakili fail R Markdown yang boleh ditakrifkan dengan mudah sebagai penyisipancode chunks(dari R atau bahasa lain) danYAML header(yang mengarah cara memformat output seperti PDF) dalamdokumen Markdown. Oleh itu, ia berfungsi sebagai rangka kerja pengarang yang terbaik untuk sains data kerana ia membenarkan anda menggabungkan kod anda, outputnya, dan pemikiran anda dengan membenarkan anda menulisnya dalam Markdown. Tambahan pula, dokumen R Markdown boleh dihasilkan ke format output seperti PDF, HTML, atau Word.
Satu nota tentang kuiz: Semua kuiz terdapat dalam folder Aplikasi Kuiz, dengan jumlah 52 kuiz yang mengandungi tiga soalan setiap satu. Ia dipautkan dari dalam pelajaran tetapi aplikasi kuiz boleh dijalankan secara tempatan; ikut arahan dalam folder
quiz-appuntuk hoskan secara tempatan atau deploy ke Azure.
| Nombor Pelajaran | Topik | Kumpulan Pelajaran | Objektif Pembelajaran | Pelajaran Berkaitan | Penulis |
|---|---|---|---|---|---|
| 01 | Pengenalan kepada pembelajaran mesin | Pengenalan | Pelajari konsep asas di sebalik pembelajaran mesin | Pelajaran | Muhammad |
| 02 | Sejarah pembelajaran mesin | Pengenalan | Pelajari sejarah di sebalik bidang ini | Pelajaran | Jen dan Amy |
| 03 | Keadilan dan pembelajaran mesin | Pengenalan | Apakah isu falsafah penting tentang keadilan yang pelajar harus pertimbangkan apabila membina dan menggunakan model ML? | Pelajaran | Tomomi |
| 04 | Teknik-teknik untuk pembelajaran mesin | Pengenalan | Apakah teknik yang digunakan para 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 pengelasan | Pengelasan | Bersihkan, sediakan, dan visualisasikan data anda; pengenalan kepada pengelasan | Python • R | Jen dan Cassie • Eric Wanjau |
| 11 | Masakan Asia dan India yang lazat 🍜 | Pengelasan | Pengenalan kepada pengelasan | Python • R | Jen dan Cassie • Eric Wanjau |
| 12 | Masakan Asia dan India yang lazat 🍜 | Pengelasan | Lebih banyak pengelasan | Python • R | Jen dan Cassie • Eric Wanjau |
| 13 | Masakan Asia dan India yang lazat 🍜 | Pengelasan | Bina aplikasi web pembesan 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 | Menerokai 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 NLP dengan membina bot mudah | Python | Stephen |
| 17 | Tugas NLP biasa ☕️ | Pemprosesan bahasa semula jadi | Memperdalam pengetahuan NLP anda dengan memahami tugas biasa yang diperlukan apabila 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 elak serigala! 🐺 | Pembelajaran pengukuhan | Gim pembelajaran pengukuhan | Python | Dmitry |
| Posskrip | Senario dan aplikasi ML dunia sebenar | ML di Alam Liar | Aplikasi dunia sebenar yang menarik dan memberitahu dalam ML klasik | Pelajaran | Pasukan |
| Posskrip | Penyahpepijatan Model dalam ML menggunakan papan pemuka RAI | ML di Alam Liar | Penyahpepijatan 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 luar talian dengan menggunakan Docsify. Garapkan repo ini, pasang Docsify pada mesin tempatan anda, dan kemudian di folder root repo ini, taip docsify serve. Laman web akan dihidangkan di port 3000 di localhost anda: localhost:3000.
Dapatkan pdf kurikulum dengan pautan di sini.
Pasukan kami menghasilkan kursus lain! Semak:
-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 pelajar 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 tentang produk atau ralat semasa membina, lawati:
- Semak semula buku nota selepas setiap pelajaran untuk pemahaman yang lebih baik.
- Latih 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 maklum bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang sahih. Untuk maklumat kritikal, terjemahan profesional oleh manusia adalah disyorkan. Kami tidak bertanggungjawab terhadap sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.