Data-Science-For-Beginners/translations/th

Data Science for Beginners - A Curriculum

Azure Cloud Advocates ที่ Microsoft มีความยินดีที่จะนำเสนอหลักสูตร 10 สัปดาห์ 20 บทเรียนเกี่ยวกับ Data Science แต่ละบทเรียนประกอบด้วยแบบทดสอบก่อนและหลังบทเรียน คำแนะนำเป็นลายลักษณ์อักษรเพื่อทำบทเรียนให้เสร็จสมบูรณ์ โซลูชัน และงานมอบหมาย วิธีการสอนโดยใช้โครงการของเราช่วยให้คุณเรียนรู้ขณะสร้างผลงาน ซึ่งเป็นวิธีที่พิสูจน์แล้วว่าสำหรับทักษะใหม่ที่ 'ติดแน่น'

ขอขอบคุณอย่างอบอุ่นต่อผู้เขียนของเรา: Jasmine Greenaway, Dmitry Soshnikov, Nitya Narasimhan, Jalen McGee, Jen Looper, Maud Levy, Tiffany Souterre, Christopher Harrison.

🙏 ขอบคุณพิเศษ 🙏 ต่อผู้เขียน ผู้ตรวจสอบ และผู้ร่วมเนื้อหาจาก Microsoft Student Ambassador, โดยเฉพาะ Aaryan Arora, Aditya Garg, Alondra Sanchez, Ankita Singh, Anupam Mishra, Arpita Das, ChhailBihari Dubey, Dibri Nsofor, Dishita Bhasin, Majd Safi, Max Blum, Miguel Correa, Mohamma Iftekher (Iftu) Ebne Jalal, Nawrin Tabassum, Raymond Wangsa Putra, Rohit Yadav, Samridhi Sharma, Sanya Sinha, Sheena Narula, Tauqeer Ahmad, Yogendrasingh Pawar , Vidushi Gupta, Jasleen Sondhi

Data Science For Beginners - Sketchnote โดย @nitya

🌐 รองรับหลายภาษา

สนับสนุนโดย GitHub Action (อัตโนมัติและอัพเดตเสมอ)

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

ต้องการโคลนแบบโลคอล?

ที่เก็บนี้รวมการแปลมากกว่า 50 ภาษา ซึ่งจะเพิ่มขนาดการดาวน์โหลดอย่างมาก เพื่อโคลนโดยไม่รวมการแปล ให้ใช้ sparse checkout:

Bash / macOS / Linux:

git clone --filter=blob:none --sparse https://github.com/microsoft/Data-Science-For-Beginners.git
cd Data-Science-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

CMD (Windows):

git clone --filter=blob:none --sparse https://github.com/microsoft/Data-Science-For-Beginners.git
cd Data-Science-For-Beginners
git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"

วิธีนี้จะให้ทุกอย่างที่คุณต้องการเพื่อทำหลักสูตรนี้ให้เสร็จด้วยการดาวน์โหลดที่รวดเร็วขึ้นมาก

หากคุณต้องการให้สนับสนุนภาษาเพิ่มเติม รายการภาษาที่สนับสนุนอยู่ที่ นี่

เข้าร่วมชุมชนของเรา

เรามีซีรีส์เรียนรู้กับ AI บน Discord ที่กำลังดำเนินอยู่ เรียนรู้เพิ่มเติมและเข้าร่วมกับเราที่ Learn with AI Series ตั้งแต่วันที่ 18 - 30 กันยายน 2025 คุณจะได้รับเคล็ดลับและเทคนิคในการใช้ GitHub Copilot สำหรับ Data Science

คุณเป็นนักเรียนหรือไม่?

เริ่มต้นด้วยแหล่งข้อมูลดังต่อไปนี้:

• หน้า Student Hub ในหน้านี้ คุณจะพบแหล่งข้อมูลสำหรับผู้เริ่มต้น ชุดดาวน์โหลดสำหรับนักเรียน และแม้แต่วิธีรับคูปองใบรับรองฟรี นี่คือหน้าที่คุณควรบุ๊คมาร์คและตรวจสอบเป็นระยะ ๆ เพราะเราจะเปลี่ยนเนื้อหาอย่างน้อยทุกเดือน
• Microsoft Learn Student Ambassadors เข้าร่วมชุมชนแอมบาสเดอร์นักเรียนระดับโลก นี่อาจเป็นเส้นทางของคุณสู่ Microsoft

การเริ่มต้น

📚 เอกสาร

• คู่มือการติดตั้ง - คำแนะนำการตั้งค่าแบบทีละขั้นตอนสำหรับผู้เริ่มต้น
• คู่มือการใช้งาน - ตัวอย่างและขั้นตอนการทำงานทั่วไป
• การแก้ไขปัญหา - วิธีแก้ปัญหาที่พบบ่อย
• คู่มือการมีส่วนร่วม - วิธีการมีส่วนร่วมในโปรเจ็กต์นี้
• สำหรับครูผู้สอน - แนวทางการสอนและแหล่งข้อมูลในห้องเรียน

👨‍🎓 สำหรับนักเรียน

สำหรับผู้เริ่มต้นอย่างสมบูรณ์: เพิ่งเริ่มกับ data science ใช่ไหม? เริ่มด้วย ตัวอย่างสำหรับผู้เริ่มต้น ของเรา! ตัวอย่างที่ง่ายและมีคำอธิบายอย่างดีเหล่านี้จะช่วยให้คุณเข้าใจพื้นฐานก่อนที่จะลงลึกในหลักสูตรเต็มรูปแบบ นักเรียน: เพื่อใช้หลักสูตรนี้ด้วยตัวเอง ให้โคลนรีโปนี้ทั้งหมดและทำแบบฝึกหัดตามลำพัง โดยเริ่มจากแบบทดสอบก่อนบรรยาย จากนั้นอ่านบรรยายและทำกิจกรรมส่วนที่เหลือ พยายามสร้างโปรเจ็กต์โดยการทำความเข้าใจบทเรียนแทนการคัดลอกโค้ดโซลูชัน แต่โค้ดนั้นมีให้ในโฟลเดอร์ /solutions ในแต่ละบทเรียนที่มุ่งเน้นโครงการ อีกทางเลือกหนึ่งคือสร้างกลุ่มเรียนกับเพื่อนและเรียนรู้ด้วยกัน สำหรับการศึกษาต่อ เราแนะนำ Microsoft Learn.

เริ่มต้นอย่างรวดเร็ว:

1. ตรวจสอบ คู่มือการติดตั้ง เพื่อเตรียมสภาพแวดล้อมของคุณ
2. ทบทวน คู่มือการใช้งาน เพื่อเรียนรู้วิธีการใช้งานหลักสูตร
3. เริ่มที่บทเรียนที่ 1 และทำตามลำดับ
4. เข้าร่วม ชุมชน Discord ของเราเพื่อรับการสนับสนุน

👩‍🏫 สำหรับครูผู้สอน

สำหรับครูผู้สอน: เราได้ รวบรวมข้อแนะนำบางประการ ในการใช้หลักสูตรนี้ไว้ให้แล้ว เรายินดีรับฟังความคิดเห็นของคุณ ในเว็บบอร์ดพูดคุยของเรา!

ทำความรู้จักกับทีมงาน

Gif โดย Mohit Jaisal

🎥 คลิกที่รูปภาพด้านบนเพื่อชมวิดีโอเกี่ยวกับโครงการและทีมงานผู้สร้าง!

วิธีการสอน

เราได้เลือกหลักการทางการศึกษา 2 ข้อในการสร้างหลักสูตรนี้ ได้แก่ การทำให้หลักสูตรมีพื้นฐานจากโครงการและการมีแบบทดสอบบ่อยครั้ง ภายในตอนท้ายของชุดนี้ นักเรียนจะได้เรียนรู้หลักการพื้นฐานของวิทยาศาสตร์ข้อมูล รวมถึงแนวคิดด้านจริยธรรม การเตรียมข้อมูล วิธีการต่างๆ ในการทำงานกับข้อมูล การวิเคราะห์เชิงภาพ การวิเคราะห์ข้อมูล กรณีศึกษาในโลกจริงของวิทยาศาสตร์ข้อมูล และอื่นๆ

นอกจากนี้ แบบทดสอบแบบแรงกดดันต่ำก่อนเริ่มเรียน จะช่วยสร้างเจตนารมณ์ของนักเรียนต่อการเรียนรู้หัวข้อ นอกจากนี้แบบทดสอบที่สองหลังเรียนจะช่วยเสริมความจำหลักสูตรนี้ถูกออกแบบมาให้ยืดหยุ่นและสนุกสนาน สามารถเรียนได้ทั้งหลักสูตรหรือบางส่วน โครงการเริ่มต้นขนาดเล็กและมีความซับซ้อนเพิ่มขึ้นเรื่อยๆ จนจบวงรอบ 10 สัปดาห์

ค้นหา จรรยาบรรณการปฏิบัติงาน, แนวทางการร่วมพัฒนา, แนวทางการแปล ของเรา เราต้อนรับข้อเสนอแนะที่สร้างสรรค์ของคุณ!

แต่ละบทเรียนประกอบด้วย:

• สเก็ตช์โน้ต (เลือกดูได้)
• วิดีโอเสริม (เลือกดูได้)
• แบบทดสอบวอร์มอัพก่อนบทเรียน
• บทเรียนที่เป็นลายลักษณ์อักษร
• สำหรับบทเรียนที่เน้นโครงการ จะมีคำแนะนำทีละขั้นตอนสำหรับการสร้างโครงการ
• การตรวจสอบความรู้
• ความท้าทาย
• การอ่านเพิ่มเติม
• การบ้าน
• แบบทดสอบหลังบทเรียน

หมายเหตุเกี่ยวกับแบบทดสอบ: แบบทดสอบทั้งหมดจัดอยู่ในโฟลเดอร์ Quiz-App รวม 40 แบบทดสอบที่มีคำถาม 3 ข้อแต่ละแบบ มีการลิงก์จากภายในบทเรียน แต่แอปแบบทดสอบสามารถรันในเครื่องหรือดีพลอยไปยัง Azure ได้; ปฏิบัติตามคำแนะนำในโฟลเดอร์ quiz-app ซึ่งแบบทดสอบกำลังถูกแปลเป็นภาษาต่างๆ ทีละน้อย

🎓 ตัวอย่างสำหรับผู้เริ่มต้น

เพิ่งเริ่มเรียนวิทยาศาสตร์ข้อมูล? เราได้สร้าง ไดเรกทอรีตัวอย่าง พิเศษด้วยโค้ดที่ง่ายและคอมเมนต์ครบถ้วนเพื่อช่วยให้คุณเริ่มต้นได้:

• 🌟 Hello World - โปรแกรมวิทยาศาสตร์ข้อมูลแรกของคุณ
• 📂 โหลดข้อมูล - เรียนรู้การอ่านและสำรวจชุดข้อมูล
• 📊 วิเคราะห์ง่ายๆ - คำนวณสถิติและค้นหารูปแบบ
• 📈 การแสดงผลภาพพื้นฐาน - สร้างแผนภูมิและกราฟ
• 🔬 โครงการในโลกจริง - เวิร์กโฟลว์สมบูรณ์ตั้งแต่ต้นจนจบ

แต่ละตัวอย่างประกอบด้วยคอมเมนต์ละเอียดอธิบายในทุกขั้นตอน เหมาะสำหรับผู้เริ่มต้นอย่างยิ่ง!

👉 เริ่มจากตัวอย่าง 👈

บทเรียน

วิทยาศาสตร์ข้อมูลสำหรับผู้เริ่มต้น: แผนที่เส้นทาง - สเก็ตช์โน้ตโดย @nitya

หมายเลขบทเรียน	หัวข้อ	การจัดกลุ่มบทเรียน	วัตถุประสงค์การเรียนรู้	บทเรียนที่ลิงก์	ผู้เขียน
01	การนิยามวิทยาศาสตร์ข้อมูล	บทนำ	เรียนรู้แนวคิดพื้นฐานเบื้องหลังวิทยาศาสตร์ข้อมูลและความสัมพันธ์กับปัญญาประดิษฐ์, การเรียนรู้ของเครื่อง และบิ๊กดาต้า	บทเรียน วิดีโอ	Dmitry
02	จริยธรรมวิทยาศาสตร์ข้อมูล	บทนำ	แนวคิดด้านจริยธรรมข้อมูล, ความท้าทาย และกรอบงาน	บทเรียน	Nitya
03	การนิยามข้อมูล	บทนำ	วิธีการจัดประเภทข้อมูลและแหล่งที่มาทั่วไป	บทเรียน	Jasmine
04	บทนำสถิติและความน่าจะเป็น	บทนำ	เทคนิคทางคณิตศาสตร์ของความน่าจะเป็นและสถิติในการเข้าใจข้อมูล	บทเรียน วิดีโอ	Dmitry
05	การทำงานกับข้อมูลเชิงสัมพันธ์	การทำงานกับข้อมูล	บทนำเกี่ยวกับข้อมูลเชิงสัมพันธ์และพื้นฐานการสำรวจและวิเคราะห์ข้อมูลเชิงสัมพันธ์ด้วยภาษาโครงสร้างคำสั่ง (SQL)	บทเรียน	Christopher
06	การทำงานกับข้อมูล NoSQL	การทำงานกับข้อมูล	บทนำเกี่ยวกับข้อมูลที่ไม่ใช่เชิงสัมพันธ์ ประเภทต่างๆ และพื้นฐานการสำรวจและวิเคราะห์ฐานข้อมูลเอกสาร	บทเรียน	Jasmine
07	การทำงานกับ Python	การทำงานกับข้อมูล	พื้นฐานการใช้ Python สำหรับการสำรวจข้อมูลด้วยไลบรารีอย่าง Pandas การมีความเข้าใจที่มั่นคงใน Python แนะนำให้มีมาก่อน	บทเรียน วิดีโอ	Dmitry
08	การเตรียมข้อมูล	การทำงานกับข้อมูล	หัวข้อเทคนิคข้อมูลเพื่อการทำความสะอาดและเปลี่ยนแปลงข้อมูลเพื่อจัดการกับข้อมูลที่ขาดหาย ไม่ถูกต้อง หรือไม่สมบูรณ์	บทเรียน	Jasmine
09	การแสดงภาพข้อมูลปริมาณ	การแสดงข้อมูลเชิงภาพ	เรียนรู้การใช้ Matplotlib เพื่อแสดงภาพข้อมูลนก 🦆	บทเรียน	Jen
10	การแสดงภาพการแจกแจงข้อมูล	การแสดงข้อมูลเชิงภาพ	การแสดงภาพการสังเกตและแนวโน้มภายในช่วงเวลา	บทเรียน	Jen
11	การแสดงภาพสัดส่วน	การแสดงข้อมูลเชิงภาพ	การแสดงภาพเปอร์เซ็นต์ที่แยกชิ้นและจัดกลุ่ม	บทเรียน	Jen
12	การแสดงภาพความสัมพันธ์	การแสดงข้อมูลเชิงภาพ	การแสดงภาพความเชื่อมโยงและความสัมพันธ์ระหว่างชุดข้อมูลและตัวแปร	บทเรียน	Jen
13	การแสดงภาพที่มีความหมาย	การแสดงข้อมูลเชิงภาพ	เทคนิคและคำแนะนำเพื่อทำให้การแสดงภาพของคุณมีคุณค่าสำหรับการแก้ปัญหาอย่างมีประสิทธิภาพและรู้แจ้ง	บทเรียน	Jen
14	บทนำสู่วงจรชีวิตวิทยาศาสตร์ข้อมูล	วงจรชีวิต	บทนำในวงจรชีวิตวิทยาศาสตร์ข้อมูลและขั้นตอนแรกของการได้มาซึ่งข้อมูลและการสกัดข้อมูล	บทเรียน	Jasmine
15	การวิเคราะห์	วงจรชีวิต	ขั้นตอนนี้ของวงจรชีวิตวิทยาศาสตร์ข้อมูลมุ่งเน้นที่เทคนิคในการวิเคราะห์ข้อมูล	บทเรียน	Jasmine
16	การสื่อสาร	วงจรชีวิต	ขั้นตอนนี้ของวงจรชีวิตวิทยาศาสตร์ข้อมูลมุ่งเน้นที่การนำเสนอข้อมูลเชิงลึกจากข้อมูลในรูปแบบที่ง่ายต่อการทำความเข้าใจของผู้ตัดสินใจ	บทเรียน	Jalen
17	วิทยาศาสตร์ข้อมูลบนคลาวด์	ข้อมูลบนคลาวด์	ชุดบทเรียนนี้แนะนำวิทยาศาสตร์ข้อมูลบนคลาวด์และประโยชน์ต่างๆ	บทเรียน	Tiffany and Maud
18	วิทยาศาสตร์ข้อมูลบนคลาวด์	ข้อมูลบนคลาวด์	การฝึกอบรมโมเดลโดยใช้เครื่องมือแบบ Low Code	บทเรียน	Tiffany and Maud
19	วิทยาศาสตร์ข้อมูลบนคลาวด์	ข้อมูลบนคลาวด์	การนำโมเดลไปใช้งานด้วย Azure Machine Learning Studio	บทเรียน	Tiffany and Maud
20	วิทยาศาสตร์ข้อมูลในแวดล้อมจริง	ในแวดล้อมจริง	โครงการวิทยาศาสตร์ข้อมูลในโลกความจริง	บทเรียน	Nitya

GitHub Codespaces

ทำตามขั้นตอนเหล่านี้เพื่อเปิดตัวอย่างนี้ใน Codespace:

1. คลิกเมนูดรอปดาวน์ Code และเลือกตัวเลือก Open with Codespaces
2. เลือก + New codespace ที่ด้านล่างของแถบด้านข้าง สำหรับข้อมูลเพิ่มเติม โปรดดูที่ เอกสาร GitHub

VSCode Remote - Containers

ทำตามขั้นตอนเหล่านี้เพื่อเปิด repo นี้ในคอนเทนเนอร์โดยใช้เครื่องของคุณและ VSCode ผ่านส่วนขยาย VS Code Remote - Containers:

1. หากนี่เป็นครั้งแรกของคุณที่ใช้คอนเทนเนอร์พัฒนา โปรดตรวจสอบว่าระบบของคุณตรงตามข้อกำหนดเบื้องต้น (เช่น ติดตั้ง Docker แล้ว) ใน เอกสารเริ่มต้นใช้งาน

เพื่อใช้งานรีโพนี้ คุณสามารถเปิดรีโพใน Docker volume แยกต่างหาก:

หมายเหตุ: ภายใต้กระบวนการนี้ จะใช้คำสั่ง Remote-Containers: Clone Repository in Container Volume... เพื่อโคลนซอร์สโค้ดใน Docker volume แทนไฟล์ระบบในเครื่อง Volumes คือกลไกที่แนะนำสำหรับการเก็บข้อมูลคอนเทนเนอร์

หรือเปิดเวอร์ชันที่โคลนหรือดาวน์โหลดมาท้องถิ่น:

• โคลนรีโพนี้มายังไฟล์ระบบในเครื่องคุณ
• กด F1 และเลือกคำสั่ง Remote-Containers: Open Folder in Container...
• เลือกโฟลเดอร์นี้ที่โคลนไว้ รอให้คอนเทนเนอร์เริ่มทำงาน และทดลองใช้งาน

การเข้าถึงออฟไลน์

คุณสามารถอ่านเอกสารนี้แบบออฟไลน์โดยใช้ Docsify ฟอร์กรีโพนี้, ติดตั้ง Docsify บนเครื่องของคุณ จากนั้นที่โฟลเดอร์รูทของรีโพนี้ ให้พิมพ์ docsify serve เว็บไซต์จะถูกให้บริการบนพอร์ต 3000 ที่เครื่องท้องถิ่นของคุณ: localhost:3000

หมายเหตุ สมุดบันทึก (notebooks) จะไม่ถูกแสดงผลผ่าน Docsify ดังนั้นเมื่อคุณต้องการรันสมุดบันทึก ให้ทำแยกต่างหากใน VS Code โดยรัน kernel ของ Python

หลักสูตรอื่นๆ

ทีมงานของเราผลิตหลักสูตรอื่นๆ อีก! ลองดู:

LangChain

Azure / Edge / MCP / Agents

---

Generative AI Series

---

Core Learning

---

Copilot Series

Getting Help

เจอปัญหาใช่ไหม? ตรวจสอบ คู่มือแก้ไขปัญหา ของเราเพื่อค้นหาวิธีแก้ไขปัญหาทั่วไป

ถ้าคุณติดขัดหรือมีคำถามใดๆ เกี่ยวกับการสร้างแอป AI เข้าร่วมกับผู้เรียนและนักพัฒนาที่มีประสบการณ์ในการสนทนาเกี่ยวกับ MCP นี่คือชุมชนที่สนับสนุนซึ่งเปิดรับคำถามและแบ่งปันความรู้กันอย่างเสรี

ถ้าคุณมีข้อเสนอแนะเกี่ยวกับผลิตภัณฑ์หรือพบข้อผิดพลาดในขณะสร้างโปรดเยี่ยมชม:

---

ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลอัตโนมัติ Co-op Translator ถึงแม้เราจะพยายามให้มีความถูกต้อง โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความคลาดเคลื่อน เอกสารต้นฉบับในภาษาดั้งเดิมควรถูกพิจารณาเป็นแหล่งข้อมูลที่เชื่อถือได้ หากเป็นข้อมูลที่สำคัญ แนะนำให้ใช้บริการแปลโดยมนุษย์ผู้เชี่ยวชาญ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดที่เกิดจากการใช้การแปลนี้