41 KiB

Raw Blame History

Data Science for Beginners - หลักสูตร

กลุ่ม Azure Cloud Advocates ที่ Microsoft มีความยินดีที่จะนำเสนอโครงการหลักสูตร 10 สัปดาห์ 20 บทเรียนเกี่ยวกับวิทยาศาสตร์ข้อมูล ทุกบทเรียนรวมถึงแบบทดสอบก่อนบทเรียนและหลังบทเรียน คำแนะนำเป็นลายลักษณ์อักษรสำหรับการทำบทเรียนให้เสร็จสมบูรณ์ ตัวอย่างคำตอบ และแบบฝึกหัด วิธีการเรียนรู้โดยเน้นโครงการช่วยให้คุณเรียนรู้ไปพร้อมกับการสร้างงาน ซึ่งเป็นวิธีที่ได้รับการพิสูจน์แล้วว่าสามารถช่วยให้ทักษะใหม่ๆ ตรึงติด

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

🙏 ขอขอบคุณเป็นพิเศษ 🙏 ต่อผู้เขียน, ผู้ตรวจสอบ และผู้ที่มีส่วนร่วมในเนื้อหาจาก 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


วิทยาศาสตร์ข้อมูลสำหรับผู้เริ่มต้น - สเก็ตช์โน้ตโดย @nitya

🌐 รองรับหลายภาษา

รองรับผ่าน GitHub Action (อัตโนมัติและอัปเดตเสมอ)

ต้องการโคลนลงเครื่อง?

ที่เก็บนี้รวมการแปลภาษามากกว่า 50 ภาษา ซึ่งทำให้ขนาดการดาวน์โหลดเพิ่มขึ้นอย่างมีนัยสำคัญ หากต้องการโคลนโดยไม่รวมการแปล ให้ใช้ 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'
วิธีนี้จะให้ทุกอย่างที่คุณต้องใช้สำหรับการเรียนหลักสูตรด้วยการดาวน์โหลดที่เร็วขึ้นมาก

ถ้าคุณต้องการให้รองรับภาษาแปลเพิ่มเติม รายการภาษาที่รองรับมีอยู่ ที่นี่

เข้าร่วมชุมชนของเรา

เรามีซีรีส์เรียนกับ AI บน Discord ที่กำลังดำเนินอยู่ เรียนรู้เพิ่มเติมและเข้าร่วมกับเราได้ที่ Learn with AI Series ตั้งแต่ 18 - 30 กันยายน 2025 คุณจะได้รับเคล็ดลับและเทคนิคในการใช้ GitHub Copilot สำหรับวิทยาศาสตร์ข้อมูล

คุณเป็นนักเรียนหรือไม่?

เริ่มต้นด้วยแหล่งข้อมูลต่อไปนี้:

หน้า Student Hub ในหน้านี้คุณจะพบแหล่งข้อมูลสำหรับผู้เริ่มต้น ชุดนักเรียน และวิธีรับคูปองใบรับรองฟรี นี่คือหน้าหนึ่งที่คุณควรบุ๊คมาร์กและตรวจสอบเป็นครั้งคราวเพราะเราจะเปลี่ยนเนื้อหาอย่างน้อยเดือนละครั้ง
Microsoft Learn Student Ambassadors เข้าร่วมชุมชนนักเรียนระดับโลก นี่อาจเป็นช่องทางของคุณเข้าสู่ Microsoft

การเริ่มต้น

📚 เอกสาร

คู่มือการติดตั้ง - คำแนะนำทีละขั้นตอนสำหรับผู้เริ่มต้น
คู่มือการใช้งาน - ตัวอย่างและขั้นตอนการทำงานทั่วไป
แก้ไขปัญหา - วิธีแก้ไขปัญหาที่พบบ่อย
คู่มือการมีส่วนร่วม - วิธีการมีส่วนร่วมในโครงการนี้
สำหรับครูผู้สอน - คำแนะนำการสอนและแหล่งข้อมูลในห้องเรียน

👨‍🎓 สำหรับนักเรียน

ผู้เริ่มต้นอย่างสมบูรณ์: ใหม่กับวิทยาศาสตร์ข้อมูล? เริ่มด้วย ตัวอย่างสำหรับผู้เริ่มต้น! ตัวอย่างง่ายๆ ที่มีคำอธิบายอย่างละเอียดเหล่านี้จะช่วยให้คุณเข้าใจพื้นฐานก่อนเรียนหลักสูตรทั้งหมด นักเรียน: เพื่อใช้หลักสูตรนี้ด้วยตนเอง ให้ fork ทั้ง repository และทำแบบฝึกหัดด้วยตนเอง เริ่มด้วยแบบทดสอบก่อนบรรยาย จากนั้นอ่านบรรยายและทำกิจกรรมที่เหลือให้ครบ พยายามสร้างโครงการโดยเข้าใจบทเรียนแทนที่จะคัดลอกโค้ดคำตอบ อย่างไรก็ตาม โค้ดเหล่านั้นมีให้ในโฟลเดอร์ /solutions ในแต่ละบทเรียนที่เน้นโครงการ อีกแนวคิดหนึ่งคือการตั้งกลุ่มเรียนกับเพื่อนและเรียนรู้เนื้อหาร่วมกัน สำหรับการศึกษาต่อ เราแนะนำ Microsoft Learn.

เริ่มเร็ว:

ตรวจสอบ คู่มือการติดตั้ง เพื่อตั้งค่าสภาพแวดล้อมของคุณ
ทบทวน คู่มือการใช้งาน เพื่อเรียนรู้วิธีการใช้หลักสูตร
เริ่มกับบทเรียนที่ 1 และเรียนตามลำดับ
เข้าร่วม ชุมชน Discord ของเรา เพื่อรับการสนับสนุน

👩‍🏫 สำหรับครูผู้สอน

ครูผู้สอน: เรามี ข้อเสนอแนะบางส่วน เกี่ยวกับวิธีใช้หลักสูตรนี้ เราต้องการฟีดแบ็คของคุณ ในฟอรัมอภิปรายของเรา!

พบกับทีมงาน

ภาพเคลื่อนไหวโดย Mohit Jaisal

🎥 คลิกที่ภาพด้านบนเพื่อชมวิดีโอเกี่ยวกับโครงการและผู้ที่อยู่เบื้องหลังการสร้างมัน!

แนวทางการสอน

เราได้เลือกใช้หลักการสอนสองประการในการสร้างหลักสูตรนี้: ให้เป็นโครงการฐานการเรียนรู้และมีแบบทดสอบบ่อย ๆ ภายในตอนจบของชุดนี้ นักเรียนจะได้เรียนรู้หลักการพื้นฐานของวิทยาศาสตร์ข้อมูล รวมถึงแนวคิดด้านจริยธรรม การเตรียมข้อมูล วิธีการต่าง ๆ ในการทำงานกับข้อมูล การแสดงผลข้อมูล การวิเคราะห์ข้อมูล กรณีใช้งานจริงของวิทยาศาสตร์ข้อมูล และอื่น ๆ

นอกจากนี้ แบบทดสอบที่มีความเสี่ยงต่ำก่อนเรียนจะช่วยตั้งจุดมุ่งหมายของนักเรียนในการเรียนรู้หัวข้อ ในขณะที่แบบทดสอบอีกชุดหลังเรียนจะช่วยเพิ่มการจดจำ หลักสูตรนี้ออกแบบมาให้ยืดหยุ่นและสนุกสนาน และสามารถเรียนทั้งหมดหรือเป็นบางส่วนได้ โครงการเริ่มจากขนาดเล็กและซับซ้อนขึ้นตามลำดับจนจบรอบ 10 สัปดาห์

ค้นหา จรรยาบรรณของเรา, ข้อกำหนดการมีส่วนร่วม, แนวทางการแปล เรายินดีรับฟังคำติชมที่สร้างสรรค์ของคุณ!

แต่ละบทเรียนประกอบด้วย:

สเก็ตช์โน้ตเสริม (เลือกดูได้)
วิดีโอเสริม (เลือกดูได้)
แบบทดสอบวอร์มอัพก่อนบทเรียน
บทเรียนเขียน
สำหรับบทเรียนฐานโครงการ มีคำแนะนำทีละขั้นตอนในการสร้างโครงการ
การตรวจสอบความรู้
ความท้าทาย
การอ่านเสริม
การบ้าน
แบบทดสอบหลังบทเรียน

หมายเหตุเกี่ยวกับแบบทดสอบ: แบบทดสอบทั้งหมดถูกจัดเก็บในโฟลเดอร์ Quiz-App รวม 40 แบบทดสอบ แต่ละแบบมี 3 คำถาม มีการลิงก์จากบทเรียน แต่แอปแบบทดสอบสามารถรันได้ในเครื่องหรือดีพลอยไปยัง Azure; โปรดดูคำแนะนำในโฟลเดอร์ quiz-app มีการแปลเป็นภาษาต่าง ๆ อย่างต่อเนื่อง

🎓 ตัวอย่างสำหรับผู้เริ่มต้น

ใหม่กับวิทยาศาสตร์ข้อมูล? เราได้สร้าง ไดเรกทอรีตัวอย่าง เฉพาะที่มีโค้ดง่าย ๆ พร้อมคำอธิบายอย่างละเอียดเพื่อช่วยคุณเริ่มต้น:

🌟 Hello World - โปรแกรมวิทยาศาสตร์ข้อมูลแรกของคุณ
📂 โหลดข้อมูล - เรียนรู้การอ่านและสำรวจชุดข้อมูล
📊 วิเคราะห์ง่าย ๆ - คำนวณสถิติและค้นหารูปแบบ
📈 สร้างภาพพื้นฐาน - สร้างแผนภูมิและกราฟ
🔬 โครงการจริง - กระบวนการทำงานครบถ้วนตั้งแต่ต้นจนจบ

แต่ละตัวอย่างมีคำอธิบายละเอียดทุกขั้นตอน เหมาะสำหรับมือใหม่สุด ๆ!

👉 เริ่มต้นด้วยตัวอย่าง 👈

บทเรียน


แผนที่เส้นทางวิทยาศาสตร์ข้อมูลสำหรับผู้เริ่มต้น - สเก็ตช์โน้ตโดย @nitya

หมายเลขบทเรียน	หัวข้อ	กลุ่มบทเรียน	วัตถุประสงค์การเรียนรู้	บทเรียนที่เชื่อมโยง	ผู้เขียน
01	การกำหนดวิทยาศาสตร์ข้อมูล	บทนำ	เรียนรู้แนวคิดพื้นฐานของวิทยาศาสตร์ข้อมูลและความสัมพันธ์กับปัญญาประดิษฐ์ การเรียนรู้ของเครื่อง และข้อมูลขนาดใหญ่	บทเรียน วิดีโอ	Dmitry
02	จริยธรรมวิทยาศาสตร์ข้อมูล	บทนำ	แนวคิดทางจริยธรรม ความท้าทาย และกรอบงาน	บทเรียน	Nitya
03	การกำหนดข้อมูล	บทนำ	วิธีการจัดประเภทข้อมูลและแหล่งข้อมูลทั่วไป	บทเรียน	Jasmine
04	บทนำสถิติและความน่าจะเป็น	บทนำ	เทคนิคคณิตศาสตร์ของความน่าจะเป็นและสถิติเพื่อทำความเข้าใจข้อมูล	บทเรียน วิดีโอ	Dmitry
05	การทำงานกับข้อมูลเชิงสัมพันธ์	ทำงานกับข้อมูล	บทนำสู่ข้อมูลสัมพันธ์และพื้นฐานการสำรวจวิเคราะห์ข้อมูลด้วยภาษา Structured Query Language หรือ SQL (อ่านว่า “ซีเควล”)	บทเรียน	Christopher
06	การทำงานกับข้อมูล NoSQL	ทำงานกับข้อมูล	บทนำสู่ข้อมูลที่ไม่ใช่ความสัมพันธ์ ประเภทต่าง ๆ และพื้นฐานการสำรวจวิเคราะห์ฐานข้อมูลเอกสาร	บทเรียน	Jasmine
07	การทำงานกับ Python	ทำงานกับข้อมูล	พื้นฐานการใช้ Python สำหรับสำรวจข้อมูลด้วยไลบรารี เช่น Pandas ควรมีพื้นฐานการโปรแกรม Python	บทเรียน วิดีโอ	Dmitry
08	การเตรียมข้อมูล	ทำงานกับข้อมูล	หัวข้อเกี่ยวกับเทคนิคทำความสะอาดและแปลงข้อมูลเพื่อจัดการกับความท้าทายของข้อมูลที่ขาดหาย ไม่ถูกต้อง หรือไม่ครบถ้วน	บทเรียน	Jasmine
09	การแสดงปริมาณข้อมูล	ภาพข้อมูล	เรียนรู้การใช้ Matplotlib ในการแสดงข้อมูลนก 🦆	บทเรียน	Jen
10	การแสดงการแจกแจงของข้อมูล	ภาพข้อมูล	การแสดงการสังเกตและแนวโน้มภายในช่วงเวลา	บทเรียน	Jen
11	การแสดงสัดส่วน	ภาพข้อมูล	การแสดงร้อยละกลุ่มและจำแนก	บทเรียน	Jen
12	การแสดงความสัมพันธ์	ภาพข้อมูล	การแสดงการเชื่อมโยงและความสัมพันธ์ระหว่างชุดข้อมูลและตัวแปร	บทเรียน	Jen
13	การแสดงผลที่มีความหมาย	ภาพข้อมูล	เทคนิคและแนวทางสำหรับสร้างภาพข้อมูลที่มีคุณค่าเพื่อแก้ปัญหาและให้ข้อมูลเชิงลึกอย่างมีประสิทธิภาพ	บทเรียน	Jen
14	บทนำสู่วงจรชีวิตวิทยาศาสตร์ข้อมูล	วงจรชีวิต	บทนำสู่วงจรชีวิตวิทยาศาสตร์ข้อมูลและขั้นตอนแรกของการรับและสกัดข้อมูล	บทเรียน	Jasmine
15	การวิเคราะห์	วงจรชีวิต	ขั้นตอนนี้ในวงจรชีวิตวิทยาศาสตร์ข้อมูลเน้นเทคนิคการวิเคราะห์ข้อมูล	บทเรียน	Jasmine
16	การสื่อสาร	วงจรชีวิต	ขั้นตอนนี้เน้นการนำเสนอข้อมูลเชิงลึกจากข้อมูลในรูปแบบที่เข้าใจง่ายสำหรับผู้ตัดสินใจ	บทเรียน	Jalen
17	วิทยาศาสตร์ข้อมูลบนคลาวด์	ข้อมูลคลาวด์	ชุดบทเรียนที่แนะนำวิทยาศาสตร์ข้อมูลบนคลาวด์และประโยชน์	บทเรียน	Tiffany และ Maud
18	วิทยาศาสตร์ข้อมูลบนคลาวด์	ข้อมูลคลาวด์	ฝึกอบรมโมเดลโดยใช้เครื่องมือ Low Code	บทเรียน	Tiffany และ Maud
19	วิทยาศาสตร์ข้อมูลบนคลาวด์	ข้อมูลคลาวด์	การดีพลอยโมเดลด้วย Azure Machine Learning Studio	บทเรียน	Tiffany และ Maud
20	วิทยาศาสตร์ข้อมูลในโลกจริง	โลกจริง	โครงการวิทยาศาสตร์ข้อมูลในโลกจริง	บทเรียน	Nitya

GitHub Codespaces

ทำตามขั้นตอนเหล่านี้เพื่อเปิดตัวอย่างนี้ใน Codespace:

คลิกเมนูแบบเลื่อนของ Code และเลือกตัวเลือก Open with Codespaces
เลือก + New codespace ที่ด้านล่างของแผง สำหรับข้อมูลเพิ่มเติม ดูที่ เอกสาร GitHub

VSCode Remote - Containers

ทำตามขั้นตอนเหล่านี้เพื่อเปิด repo นี้ในคอนเทนเนอร์โดยใช้เครื่องของคุณและ VSCode ผ่านส่วนขยาย VS Code Remote - Containers:

หากนี่เป็นครั้งแรกของคุณในการใช้คอนเทนเนอร์พัฒนา โปรดตรวจสอบว่าเครื่องของคุณมีข้อกำหนดพื้นฐาน เช่น การติดตั้ง Docker แล้ว ใน เอกสารเริ่มต้น

ในการใช้ repo นี้ คุณสามารถเปิด repo ในโวลุ่ม Docker แยกต่างหากได้:

หมายเหตุ: ภายใต้ระบบ จะใช้คำสั่ง Remote-Containers: Clone Repository in Container Volume... เพื่อโคลนซอร์สโค้ดในโวลุ่ม Docker แทนระบบไฟล์ภายในเครื่อง โวลุ่ม เป็นกลไกที่แนะนำสำหรับการจัดเก็บข้อมูลคอนเทนเนอร์อย่างถาวร

หรือเปิดโคลนหรือดาวน์โหลด repo นี้ไว้ในเครื่อง:

โคลน repo นี้ลงในเครื่องของคุณ
กด F1 แล้วเลือกคำสั่ง Remote-Containers: Open Folder in Container...
เลือกโฟลเดอร์ที่โคลนไว้ รอคอนเทนเนอร์เริ่มทำงาน แล้วลองใช้งานได้เลย

การเข้าใช้งานแบบออฟไลน์

คุณสามารถรันเอกสารนี้แบบออฟไลน์ด้วยการใช้ Docsify ได้นะ เพียงส้อม (fork) repo นี้, ติดตั้ง Docsify บนเครื่องของคุณ แล้วที่โฟลเดอร์ root ของ repo นี้ ให้พิมพ์คำสั่ง docsify serve เว็บไซต์จะถูกให้บริการบนพอร์ต 3000 ที่ localhost ของคุณ: localhost:3000

หมายเหตุ โน้ตบุ๊กจะไม่ถูกแสดงผลผ่าน Docsify ดังนั้นเมื่อต้องรันโน้ตบุ๊ก ให้ทำแยกต่างหากใน VS Code ที่รันเคอร์เนล Python

หลักสูตรอื่น ๆ

ทีมงานของเราผลิตหลักสูตรอื่นด้วย! ลองดู:

LangChain

Azure / Edge / MCP / Agents

Generative AI Series

Core Learning

Copilot Series

การขอรับความช่วยเหลือ

พบปัญหาใช่ไหม? ตรวจสอบ คู่มือแก้ปัญหา ของเราเพื่อหาวิธีแก้ปัญหาทั่วไป

ถ้าคุณติดขัดหรือมีคำถามเกี่ยวกับการสร้างแอป AI เข้าร่วมกับผู้เรียนและนักพัฒนาที่มีประสบการณ์ในการพูดคุยเกี่ยวกับ MCP ชุมชนที่สนับสนุนนี้เปิดรับคำถามและแบ่งปันความรู้กันอย่างอิสระ

ถ้าคุณมีข้อเสนอแนะเกี่ยวกับผลิตภัณฑ์หรือพบข้อผิดพลาดขณะสร้าง โปรดเยี่ยมชม:

คำปฏิเสธความรับผิดชอบ: เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษาด้วยปัญญาประดิษฐ์ Co-op Translator แม้ว่าเราจะพยายามให้ความถูกต้องสูงสุด โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้องได้ เอกสารต้นฉบับในภาษาต้นทางถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ควรใช้บริการแปลโดยนักแปลมืออาชีพที่เป็นมนุษย์ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดที่อาจเกิดขึ้นจากการใช้การแปลนี้

41 KiB Raw Blame History