42 KiB

Raw Blame History

Data Science สำหรับผู้เริ่มต้น - หลักสูตรการเรียนรู้

Azure Cloud Advocates ที่ Microsoft ยินดีนำเสนอหลักสูตร 10 สัปดาห์ 20 บทเรียน ทั้งหมดเกี่ยวกับ Data Science แต่ละบทเรียนมีแบบทดสอบก่อนเรียนและหลังเรียน คำแนะนำเป็นลายลักษณ์อักษรสำหรับทำบทเรียนให้เสร็จสมบูรณ์ โซลูชัน และแบบฝึกหัด การสอนแบบโครงการของเราช่วยให้คุณได้เรียนรู้พร้อมกับการสร้าง ซึ่งเป็นวิธีที่พิสูจน์แล้วว่าสำหรับทักษะใหม่ที่จะ 'ติดตัว'

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

🙏 ขอบคุณเป็นพิเศษ 🙏 แก่ผู้เขียน ผู้ตรวจทาน และผู้ร่วมสร้างเนื้อหาของเราในฐานะ 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 สำหรับผู้เริ่มต้น - สเก็ตโน้ตโดย @nitya

🌐 สนับสนุนหลายภาษา

สนับสนุนผ่าน GitHub Action (อัตโนมัติ & อัปเดตเสมอ)

ต้องการโคลนในเครื่อง?

ที่เก็บนี้รวมการแปลภาษามากกว่า 50 ภาษา ซึ่งเพิ่มขนาดดาวน์โหลดอย่างมาก เพื่อโคลนโดยไม่รวมการแปล ใช้ sparse checkout:
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'
นี่จะให้ทุกอย่างที่คุณต้องการเพื่อทำหลักสูตรให้เสร็จสมบูรณ์ด้วยการดาวน์โหลดที่รวดเร็วขึ้นมาก

หากคุณต้องการให้สนับสนุนภาษาแปลเพิ่มเติม รายการภาษาอยู่ที่ นี่

เข้าร่วมชุมชนของเรา

เรามีซีรีส์เรียนรู้กับ AI บน Discord กำลังดำเนินอยู่ เรียนรู้เพิ่มเติมและเข้าร่วมกับเราได้ที่ Learn with AI Series ตั้งแต่วันที่ 18 - 30 กันยายน 2025 คุณจะได้รับเคล็ดลับและเทคนิคการใช้ GitHub Copilot สำหรับ Data Science

คุณเป็นนักเรียนหรือไม่?

เริ่มต้นด้วยทรัพยากรต่อไปนี้:

หน้า Student Hub ในหน้านี้คุณจะพบทรัพยากรสำหรับผู้เริ่มต้น ชุดนักเรียน และวิธีการรับบัตรรับรองฟรี นี่คือหน้าที่คุณควรบันทึกและตรวจสอบเป็นระยะๆ เนื่องจากเราจะเปลี่ยนเนื้อหาอย่างน้อยเดือนละครั้ง
Microsoft Learn Student Ambassadors เข้าร่วมชุมชนนักเรียนทูตทั่วโลก สิ่งนี้อาจเป็นหนทางของคุณเข้าสู่ Microsoft

เริ่มต้นใช้งาน

📚 เอกสาร

คู่มือการติดตั้ง - คำแนะนำทีละขั้นตอนสำหรับผู้เริ่มต้น
คู่มือการใช้งาน - ตัวอย่างและการทำงานบ่อยครั้ง
แก้ไขปัญหา - วิธีแก้ปัญหาทั่วไป
คู่มือการมีส่วนร่วม - วิธีการมีส่วนร่วมกับโครงการนี้
สำหรับครู - คำแนะนำการสอนและทรัพยากรสำหรับในชั้นเรียน

👨‍🎓 สำหรับนักเรียน

ผู้เริ่มต้นอย่างสมบูรณ์: ใหม่กับ data science? เริ่มต้นด้วย ตัวอย่างที่เป็นมิตรต่อผู้เริ่มต้น! ตัวอย่างง่ายๆ เหล่านี้ที่มีคำอธิบายช่วยให้คุณเข้าใจพื้นฐานก่อนที่จะลุยหลักสูตรเต็มรูปแบบ นักเรียน: เพื่อใช้หลักสูตรนี้ด้วยตัวเอง ให้ fork รีโปทั้งหมดและทำแบบฝึกหัดด้วยตัวเอง เริ่มจากแบบทดสอบก่อนบรรยาย จากนั้นอ่านบรรยายและทำกิจกรรมที่เหลือ พยายามสร้างโครงการโดยเข้าใจบทเรียนแทนการคัดลอกโค้ดโซลูชัน อย่างไรก็ตาม โค้ดนั้นมีให้ในโฟลเดอร์ /solutions ของแต่ละบทเรียนที่เน้นโครงการ อีกแนวคิดหนึ่งคือการตั้งกลุ่มเรียนกับเพื่อนๆ แล้วเรียนรู้เนื้อหาพร้อมกัน สำหรับการศึกษาต่อ เราแนะนำ Microsoft Learn.

เริ่มต้นด่วน:

ตรวจสอบ คู่มือการติดตั้ง เพื่อเตรียมสภาพแวดล้อมของคุณ
ทบทวน คู่มือการใช้งาน เพื่อเรียนรู้วิธีใช้หลักสูตร
เริ่มจากบทเรียนที่ 1 และดำเนินการตามลำดับ
เข้าร่วม ชุมชน Discord ของเรา เพื่อรับการสนับสนุน

👩‍🏫 สำหรับครูผู้สอน

ครูผู้สอน: เราได้ รวมข้อเสนอแนะบางอย่าง ว่าจะใช้หลักสูตรนี้อย่างไร เราต้องการรับข้อเสนอแนะของคุณ ในฟอรั่มการสนทนาของเรา!

พบกับทีมงาน

ภาพเคลื่อนไหวโดย Mohit Jaisal

🎥 คลิกที่ภาพข้างบนเพื่อชมวิดีโอเกี่ยวกับโครงการและทีมที่สร้างขึ้น!

วิชาการสอน

เราได้เลือกหลักการสอนสองประการขณะสร้างหลักสูตรนี้: การรับประกันว่าหลักสูตรนี้เป็นโครงการฐาน และมีแบบทดสอบบ่อยครั้ง เมื่อสิ้นสุดชุดนี้ นักเรียนจะได้เรียนรู้หลักการพื้นฐานของวิทยาศาสตร์ข้อมูล รวมถึงแนวคิดทางจริยธรรม การเตรียมข้อมูล วิธีการทำงานกับข้อมูลที่หลากหลาย การแสดงภาพข้อมูล การวิเคราะห์ข้อมูล กรณีใช้งานจริงของวิทยาศาสตร์ข้อมูล และอื่นๆ

นอกจากนี้ แบบทดสอบความเสี่ยงต่ำก่อนเรียนจะตั้งเจตนารมณ์ของนักเรียนต่อการเรียนหัวข้อ ในขณะที่แบบทดสอบที่สองหลังเรียนจะช่วยสร้างความเข้าใจยิ่งขึ้น หลักสูตรนี้ออกแบบมาให้ยืดหยุ่นและสนุกสนาน และสามารถเรียนรู้ทั้งหลักสูตรหรือเป็นส่วนๆ โครงการจะเริ่มจากขนาดเล็กและซับซ้อนขึ้นเรื่อยๆ จนสิ้นสุดในรอบ 10 สัปดาห์

ค้นหา จรรยาบรรณของเรา, การมีส่วนร่วม, และ แนวทางการแปล เรายินดีรับฟังความคิดเห็นที่สร้างสรรค์ของคุณ!

แต่ละบทเรียนประกอบด้วย:

สเก็ตช์โน้ตเสริม (ไม่จำเป็น)
วิดีโอเสริม (ไม่จำเป็น)
แบบทดสอบเตรียมก่อนเรียน
บทเรียนเขียน
สำหรับบทเรียนแบบโครงการ มีคำแนะนำทีละขั้นตอนสำหรับการสร้างโครงการ
การตรวจสอบความรู้
ความท้าทาย
การอ่านเสริม
งานบ้าน
แบบทดสอบหลังเรียน

หมายเหตุเกี่ยวกับแบบทดสอบ: แบบทดสอบทั้งหมดถูกรวบรวมในโฟลเดอร์ Quiz-App รวม 40 แบบทดสอบ แต่ละแบบมี 3 คำถาม เชื่อมโยงจากบทเรียนต่างๆ แต่แอปแบบทดสอบสามารถรันในเครื่องหรือเผยแพร่บน Azure ตามคำแนะนำในโฟลเดอร์ quiz-app ซึ่งกำลังปรับให้รองรับหลายภาษาอย่างค่อยเป็นค่อยไป

🎓 ตัวอย่างที่เหมาะสำหรับผู้เริ่มต้น

เพิ่งเริ่มต้นกับวิทยาศาสตร์ข้อมูล? เราได้สร้าง ไดเรกทอรีตัวอย่าง พิเศษ พร้อมโค้ดง่ายๆ มีคำอธิบายช่วยทำความเข้าใจ ดังนี้:

🌟 Hello World - โปรแกรมวิทยาศาสตร์ข้อมูลแรกของคุณ
📂 การโหลดข้อมูล - เรียนรู้การอ่านและสำรวจชุดข้อมูล
📊 การวิเคราะห์ง่ายๆ - คำนวณสถิติและค้นหารูปแบบ
📈 การแสดงภาพพื้นฐาน - สร้างแผนภูมิและกราฟ
🔬 โครงการในโลกจริง - กระบวนการทำงานครบถ้วนจากต้นจนจบ

แต่ละตัวอย่างมีคำอธิบายละเอียดชัดเจนทุกขั้นตอน เหมาะสำหรับผู้เริ่มต้นอย่างยิ่ง!

👉 เริ่มต้นด้วยตัวอย่าง 👈

บทเรียน


วิทยาศาสตร์ข้อมูลสำหรับผู้เริ่มต้น: แผนที่เส้นทาง - สเก็ตช์โน้ตโดย @nitya

หมายเลขบทเรียน	หัวข้อ	กลุ่มบทเรียน	วัตถุประสงค์การเรียนรู้	บทเรียนที่เชื่อมโยง	ผู้แต่ง
01	การนิยามวิทยาศาสตร์ข้อมูล	บทนำ	เรียนรู้แนวคิดพื้นฐานเบื้องหลังวิทยาศาสตร์ข้อมูล และความเชื่อมโยงกับปัญญาประดิษฐ์ การเรียนรู้ของเครื่อง และข้อมูลขนาดใหญ่	บทเรียน วิดีโอ	Dmitry
02	จริยธรรมของวิทยาศาสตร์ข้อมูล	บทนำ	แนวคิด กรอบการทำงาน และความท้าทายด้านจริยธรรมข้อมูล	บทเรียน	Nitya
03	การนิยามข้อมูล	บทนำ	วิธีการจัดประเภทข้อมูลและแหล่งข้อมูลที่พบโดยทั่วไป	บทเรียน	Jasmine
04	บทนำสถิติและความน่าจะเป็น	บทนำ	เทคนิคทางคณิตศาสตร์ของความน่าจะเป็นและสถิติเพื่อทำความเข้าใจข้อมูล	บทเรียน วิดีโอ	Dmitry
05	การทำงานกับข้อมูลสัมพันธ์	การทำงานกับข้อมูล	บทนำเกี่ยวกับข้อมูลสัมพันธ์และพื้นฐานของการสำรวจและวิเคราะห์ข้อมูลสัมพันธ์ด้วยภาษา Structured Query Language หรือ SQL (ออกเสียงว่า “ซีเควล”)	บทเรียน	Christopher
06	การทำงานกับข้อมูล NoSQL	การทำงานกับข้อมูล	บทนำเกี่ยวกับข้อมูลที่ไม่เป็นความสัมพันธ์ ประเภทต่างๆ และพื้นฐานของการสำรวจและวิเคราะห์ฐานข้อมูลแบบเอกสาร	บทเรียน	Jasmine
07	การทำงานกับ Python	การทำงานกับข้อมูล	พื้นฐานการใช้ Python เพื่อการสำรวจข้อมูลด้วยไลบรารีอย่าง Pandas แนะนำให้มีความเข้าใจพื้นฐานภาษา Python	บทเรียน วิดีโอ	Dmitry
08	การเตรียมข้อมูล	การทำงานกับข้อมูล	หัวข้อเทคนิคการทำความสะอาดและแปลงข้อมูลเพื่อจัดการกับความท้าทายของข้อมูลที่ขาดหาย ไม่ถูกต้อง หรือไม่สมบูรณ์	บทเรียน	Jasmine
09	การแสดงปริมาณข้อมูล	การแสดงภาพข้อมูล	เรียนรู้การใช้ Matplotlib เพื่อแสดงข้อมูลนก 🦆	บทเรียน	Jen
10	การแสดงการแจกแจงของข้อมูล	การแสดงภาพข้อมูล	การแสดงภาพการสังเกตการณ์และแนวโน้มภายในช่วงหนึ่ง	บทเรียน	Jen
11	การแสดงสัดส่วน	การแสดงภาพข้อมูล	การแสดงภาพร้อยละแบบไม่ต่อเนื่องและแบบจัดกลุ่ม	บทเรียน	Jen
12	การแสดงความสัมพันธ์	การแสดงภาพข้อมูล	การแสดงภาพความเชื่อมโยงและความสัมพันธ์ระหว่างชุดข้อมูลและตัวแปร	บทเรียน	Jen
13	การแสดงภาพที่มีความหมาย	การแสดงภาพข้อมูล	เทคนิคและคำแนะนำเพื่อให้การแสดงภาพของคุณมีคุณค่าในการแก้ปัญหาและสร้างข้อมูลเชิงลึกอย่างมีประสิทธิภาพ	บทเรียน	Jen
14	บทนำวงจรชีวิตวิทยาศาสตร์ข้อมูล	วงจรชีวิต	บทนำวงจรชีวิตวิทยาศาสตร์ข้อมูลและขั้นตอนแรกของการรับและสกัดข้อมูล	บทเรียน	Jasmine
15	การวิเคราะห์	วงจรชีวิต	ขั้นตอนนี้ของวงจรชีวิตวิทยาศาสตร์ข้อมูลเน้นเทคนิคการวิเคราะห์ข้อมูล	บทเรียน	Jasmine
16	การสื่อสาร	วงจรชีวิต	ขั้นตอนนี้ของวงจรชีวิตวิทยาศาสตร์ข้อมูลเน้นการนำเสนอข้อมูลเชิงลึกจากข้อมูลเพื่อให้ง่ายต่อการเข้าใจของผู้ตัดสินใจ	บทเรียน	Jalen
17	วิทยาศาสตร์ข้อมูลบนคลาวด์	ข้อมูลบนคลาวด์	ชุดบทเรียนนี้แนะนำวิทยาศาสตร์ข้อมูลบนคลาวด์และประโยชน์ของมัน	บทเรียน	Tiffany และ Maud
18	วิทยาศาสตร์ข้อมูลบนคลาวด์	ข้อมูลบนคลาวด์	การฝึกโมเดลด้วยเครื่องมือ Low Code	บทเรียน	Tiffany และ Maud
19	วิทยาศาสตร์ข้อมูลบนคลาวด์	ข้อมูลบนคลาวด์	การเผยแพร่โมเดลด้วย Azure Machine Learning Studio	บทเรียน	Tiffany และ Maud
20	วิทยาศาสตร์ข้อมูลในโลกจริง	ในธรรมชาติ	โครงการวิทยาศาสตร์ข้อมูลที่ขับเคลื่อนในโลกจริง	บทเรียน	Nitya

GitHub Codespaces

ทำตามขั้นตอนเหล่านี้เพื่อเปิดตัวอย่างนี้ใน Codespace:

คลิกเมนูแบบเลื่อนลงสำหรับโค้ดและเลือกตัวเลือก Open with Codespaces
เลือก + New codespace ที่ด้านล่างของแผง สำหรับข้อมูลเพิ่มเติม ดูได้ที่ เอกสาร GitHub

VSCode Remote - Containers

ทำตามขั้นตอนเหล่านี้เพื่อเปิดรีโปนี้ในคอนเทนเนอร์โดยใช้เครื่องของคุณและ VSCode ผ่านส่วนขยาย VS Code Remote - Containers:

หากนี่เป็นครั้งแรกที่คุณใช้คอนเทนเนอร์พัฒนา กรุณาตรวจสอบว่าสำรองเครื่องคุณตรงตามข้อกำหนดเบื้องต้น (เช่น ติดตั้ง Docker) ตาม เอกสารเริ่มต้น

เพื่อใช้รีโปนี้ คุณสามารถเปิดรีโปในโวลุ่ม Docker แยก:

หมายเหตุ: ในเบื้องหลัง ระบบจะใช้คำสั่ง Remote-Containers: Clone Repository in Container Volume... เพื่อโคลนซอร์สโค้ดลงโวลุ่ม Docker แทนที่จะเป็นระบบไฟล์ภายในเครื่อง โวลุ่ม เป็นกลไกที่แนะนำสำหรับเก็บข้อมูลภายในคอนเทนเนอร์อย่างถาวร

หรือเปิดสำเนาที่โคลนไว้หรือดาวน์โหลดไว้ในเครื่อง:

โคลนรีโปนี้ไปยังระบบไฟล์ในเครื่องของคุณ
กด F1 และเลือกคำสั่ง Remote-Containers: Open Folder in Container...
เลือกสำเนาของโฟลเดอร์นี้ที่โคลนไว้ รอให้คอนเทนเนอร์เริ่มทำงาน และลองใช้งาน

การใช้งานแบบออฟไลน์

คุณสามารถรันเอกสารนี้แบบออฟไลน์โดยใช้ Docsify ทำการ Fork รีโปนี้, ติดตั้ง Docsify บนเครื่องของคุณ จากนั้นในโฟลเดอร์หลักของรีโปนี้ พิมพ์คำสั่ง docsify serve เว็บไซต์จะให้บริการบนพอร์ต 3000 ที่ localhost: localhost:3000

หมายเหตุ โน้ตบุ๊คจะไม่แสดงผลผ่าน Docsify ดังนั้นเมื่อคุณต้องการรันโน้ตบุ๊ค ให้ทำแยกต่างหากใน VS Code ที่รันเคอร์เนล Python

หลักสูตรอื่นๆ

ทีมของเราผลิตหลักสูตรอื่นๆ! ดูเพิ่มเติมได้ที่:

LangChain

Azure / Edge / MCP / Agents

ชุดซีรีส์ AI เชิงสร้างสรรค์

การเรียนรู้หลัก

ชุดซีรีส์ Copilot

ขอความช่วยเหลือ

ประสบปัญหาใช่ไหม? ตรวจสอบ คู่มือแก้ไขปัญหา ของเราเพื่อหาวิธีแก้ไขปัญหาทั่วไป

หากคุณติดปัญหาหรือมีคำถามเกี่ยวกับการสร้างแอป AI เข้าร่วมผู้เรียนและนักพัฒนาที่มีประสบการณ์ในการสนทนาเกี่ยวกับ MCP นี่คือชุมชนที่สนับสนุนซึ่งยินดีต้อนรับคำถามและแบ่งปันความรู้กันอย่างเสรี

หากคุณมีคำติชมหรือพบข้อผิดพลาดขณะสร้างผลิตภัณฑ์ โปรดไปที่:

ข้อจำกัดความรับผิดชอบ:
เอกสารฉบับนี้ได้รับการแปลโดยใช้บริการแปลภาษาอัตโนมัติ Co-op Translator แม้เราจะพยายามให้มีความถูกต้อง โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความคลาดเคลื่อน เอกสารต้นฉบับในภาษาต้นทางควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลสำคัญ ขอแนะนำให้ใช้บริการแปลโดยผู้เชี่ยวชาญด้านการแปลมนุษย์ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดใด ๆ ที่เกิดจากการใช้การแปลนี้

42 KiB Raw Blame History