[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) [](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) [](https://GitHub.com/microsoft/ML-For-Beginners/issues/) [](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) [](http://makeapullrequest.com) [](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) [](https://GitHub.com/microsoft/ML-For-Beginners/network/) [](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) ### 🌐 รองรับหลายภาษา #### รองรับผ่าน GitHub Action (อัตโนมัติและอัปเดตเสมอ) [French](../fr/README.md) | [Spanish](../es/README.md) | [German](../de/README.md) | [Russian](../ru/README.md) | [Arabic](../ar/README.md) | [Persian (Farsi)](../fa/README.md) | [Urdu](../ur/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Japanese](../ja/README.md) | [Korean](../ko/README.md) | [Hindi](../hi/README.md) | [Bengali](../bn/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Portuguese (Brazil)](../br/README.md) | [Italian](../it/README.md) | [Polish](../pl/README.md) | [Turkish](../tr/README.md) | [Greek](../el/README.md) | [Thai](./README.md) | [Swedish](../sv/README.md) | [Danish](../da/README.md) | [Norwegian](../no/README.md) | [Finnish](../fi/README.md) | [Dutch](../nl/README.md) | [Hebrew](../he/README.md) | [Vietnamese](../vi/README.md) | [Indonesian](../id/README.md) | [Malay](../ms/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Swahili](../sw/README.md) | [Hungarian](../hu/README.md) | [Czech](../cs/README.md) | [Slovak](../sk/README.md) | [Romanian](../ro/README.md) | [Bulgarian](../bg/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Croatian](../hr/README.md) | [Slovenian](../sl/README.md) | [Ukrainian](../uk/README.md) | [Burmese (Myanmar)](../my/README.md) #### เข้าร่วมชุมชนของเรา [](https://aka.ms/ml4beginners/discord) เรามีซีรีส์การเรียนรู้ AI ผ่าน Discord ที่กำลังดำเนินอยู่ เรียนรู้เพิ่มเติมและเข้าร่วมกับเราได้ที่ [Learn with AI Series](https://aka.ms/learnwithai/discord) ตั้งแต่วันที่ 18 - 30 กันยายน 2025 คุณจะได้รับเคล็ดลับและเทคนิคในการใช้ GitHub Copilot สำหรับ Data Science  # การเรียนรู้ Machine Learning สำหรับผู้เริ่มต้น - หลักสูตร > 🌍 เดินทางรอบโลกพร้อมสำรวจ Machine Learning ผ่านวัฒนธรรมโลก 🌍 ทีม Cloud Advocates จาก Microsoft ยินดีนำเสนอหลักสูตร 12 สัปดาห์ 26 บทเรียนเกี่ยวกับ **Machine Learning** ในหลักสูตรนี้ คุณจะได้เรียนรู้เกี่ยวกับสิ่งที่บางครั้งเรียกว่า **Machine Learning แบบคลาสสิก** โดยใช้ Scikit-learn เป็นไลบรารีหลักและหลีกเลี่ยงการเรียนรู้เชิงลึก ซึ่งครอบคลุมใน [หลักสูตร AI สำหรับผู้เริ่มต้น](https://aka.ms/ai4beginners) นอกจากนี้ยังสามารถจับคู่บทเรียนเหล่านี้กับ [หลักสูตร Data Science สำหรับผู้เริ่มต้น](https://aka.ms/ds4beginners) ได้อีกด้วย! เดินทางไปกับเราทั่วโลกในขณะที่เรานำเทคนิคแบบคลาสสิกเหล่านี้ไปใช้กับข้อมูลจากหลายพื้นที่ทั่วโลก แต่ละบทเรียนประกอบด้วยแบบทดสอบก่อนและหลังบทเรียน คำแนะนำที่เขียนไว้สำหรับการทำบทเรียน โซลูชัน งานมอบหมาย และอื่นๆ หลักสูตรที่เน้นโครงการช่วยให้คุณเรียนรู้ในขณะที่สร้าง ซึ่งเป็นวิธีที่พิสูจน์แล้วว่าทักษะใหม่จะติดตัวคุณได้ดี **✍️ ขอขอบคุณผู้เขียนของเรา** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu และ Amy Boyd **🎨 ขอขอบคุณนักวาดภาพประกอบของเรา** Tomomi Imura, Dasani Madipalli และ Jen Looper **🙏 ขอขอบคุณพิเศษ 🙏 นักศึกษา Microsoft Student Ambassador ผู้เขียนบทความ ผู้ตรวจสอบ และผู้มีส่วนร่วมในเนื้อหา** โดยเฉพาะ Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila และ Snigdha Agarwal **🤩 ขอขอบคุณเพิ่มเติมสำหรับ Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi และ Vidushi Gupta สำหรับบทเรียน R ของเรา!** # เริ่มต้นใช้งาน ทำตามขั้นตอนเหล่านี้: 1. **Fork Repository**: คลิกที่ปุ่ม "Fork" ที่มุมขวาบนของหน้านี้ 2. **Clone Repository**: `git clone https://github.com/microsoft/ML-For-Beginners.git` > [ค้นหาทรัพยากรเพิ่มเติมสำหรับหลักสูตรนี้ใน Microsoft Learn collection](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) **[นักเรียน](https://aka.ms/student-page)** เพื่อใช้หลักสูตรนี้ ให้ fork repo ทั้งหมดไปยังบัญชี GitHub ของคุณเองและทำแบบฝึกหัดด้วยตัวเองหรือกับกลุ่ม: - เริ่มต้นด้วยแบบทดสอบก่อนการบรรยาย - อ่านบทเรียนและทำกิจกรรม หยุดและสะท้อนที่แต่ละจุดตรวจสอบความรู้ - พยายามสร้างโครงการโดยทำความเข้าใจบทเรียนแทนที่จะรันโค้ดโซลูชัน อย่างไรก็ตาม โค้ดนั้นมีอยู่ในโฟลเดอร์ `/solution` ในแต่ละบทเรียนที่เน้นโครงการ - ทำแบบทดสอบหลังการบรรยาย - ทำความท้าทายให้เสร็จ - ทำงานมอบหมายให้เสร็จ - หลังจากจบบทเรียนกลุ่ม ให้ไปที่ [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) และ "เรียนรู้แบบเปิดเผย" โดยกรอก PAT rubric ที่เหมาะสม PAT คือ Progress Assessment Tool ซึ่งเป็นเครื่องมือที่คุณกรอกเพื่อพัฒนาการเรียนรู้ของคุณ คุณยังสามารถตอบสนองต่อ PAT อื่นๆ เพื่อให้เราเรียนรู้ร่วมกัน > สำหรับการศึกษาต่อ เราแนะนำให้ติดตาม [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) โมดูลและเส้นทางการเรียนรู้ **ครู** เราได้ [รวมคำแนะนำบางส่วน](for-teachers.md) เกี่ยวกับวิธีการใช้หลักสูตรนี้ --- ## วิดีโอแนะนำ บางบทเรียนมีวิดีโอแบบสั้น คุณสามารถค้นหาวิดีโอเหล่านี้ในบทเรียน หรือใน [ML for Beginners playlist บน Microsoft Developer YouTube channel](https://aka.ms/ml-beginners-videos) โดยคลิกที่ภาพด้านล่าง [](https://aka.ms/ml-beginners-videos) --- ## พบกับทีมงาน [](https://youtu.be/Tj1XWrDSYJU) **Gif โดย** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) > 🎥 คลิกที่ภาพด้านบนเพื่อดูวิดีโอเกี่ยวกับโครงการและผู้ที่สร้างมันขึ้นมา! --- ## วิธีการสอน เราเลือกใช้หลักการสอนสองข้อในการสร้างหลักสูตรนี้: การทำให้เป็น **โครงการที่เน้นการลงมือทำ** และการรวม **แบบทดสอบบ่อยครั้ง** นอกจากนี้ หลักสูตรนี้ยังมี **ธีมร่วม** เพื่อให้มีความสอดคล้องกัน โดยการทำให้เนื้อหาสอดคล้องกับโครงการ กระบวนการจะน่าสนใจมากขึ้นสำหรับนักเรียนและช่วยเพิ่มการจดจำแนวคิด นอกจากนี้ แบบทดสอบที่มีความเสี่ยงต่ำก่อนคลาสจะช่วยตั้งเจตนาของนักเรียนในการเรียนรู้หัวข้อ ในขณะที่แบบทดสอบที่สองหลังคลาสช่วยเพิ่มการจดจำเพิ่มเติม หลักสูตรนี้ออกแบบมาให้ยืดหยุ่นและสนุกสนาน และสามารถเรียนได้ทั้งแบบเต็มหรือบางส่วน โครงการเริ่มต้นจากขนาดเล็กและซับซ้อนขึ้นเรื่อยๆ จนถึงสิ้นสุดรอบ 12 สัปดาห์ หลักสูตรนี้ยังมีบทส่งท้ายเกี่ยวกับการประยุกต์ใช้ ML ในโลกจริง ซึ่งสามารถใช้เป็นคะแนนพิเศษหรือเป็นพื้นฐานสำหรับการอภิปราย > ค้นหา [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), และ [Translation](TRANSLATIONS.md) แนวทาง เรายินดีรับฟังความคิดเห็นที่สร้างสรรค์ของคุณ! ## แต่ละบทเรียนประกอบด้วย - sketchnote (ตัวเลือก) - วิดีโอเสริม (ตัวเลือก) - วิดีโอแนะนำ (บางบทเรียนเท่านั้น) - [แบบทดสอบอุ่นเครื่องก่อนการบรรยาย](https://ff-quizzes.netlify.app/en/ml/) - บทเรียนที่เขียนไว้ - สำหรับบทเรียนที่เน้นโครงการ มีคำแนะนำทีละขั้นตอนเกี่ยวกับวิธีการสร้างโครงการ - การตรวจสอบความรู้ - ความท้าทาย - การอ่านเสริม - งานมอบหมาย - [แบบทดสอบหลังการบรรยาย](https://ff-quizzes.netlify.app/en/ml/) > **หมายเหตุเกี่ยวกับภาษา**: บทเรียนเหล่านี้เขียนเป็นภาษา Python เป็นหลัก แต่หลายบทเรียนก็มีในภาษา R ด้วย หากต้องการทำบทเรียน R ให้ไปที่โฟลเดอร์ `/solution` และมองหาบทเรียน R ซึ่งมีนามสกุล .rmd ที่แสดงถึงไฟล์ **R Markdown** ซึ่งสามารถอธิบายได้ง่ายๆ ว่าเป็นการฝัง `code chunks` (ของ R หรือภาษาอื่นๆ) และ `YAML header` (ที่แนะนำวิธีการจัดรูปแบบผลลัพธ์ เช่น PDF) ในเอกสาร `Markdown` ด้วยเหตุนี้จึงเป็นกรอบการเขียนที่ยอดเยี่ยมสำหรับ Data Science เนื่องจากช่วยให้คุณรวมโค้ด ผลลัพธ์ และความคิดของคุณโดยเขียนลงใน Markdown นอกจากนี้ เอกสาร R Markdown ยังสามารถแสดงผลในรูปแบบผลลัพธ์ เช่น PDF, HTML หรือ Word > **หมายเหตุเกี่ยวกับแบบทดสอบ**: แบบทดสอบทั้งหมดอยู่ใน [Quiz App folder](../../quiz-app) รวมทั้งหมด 52 แบบทดสอบ แต่ละแบบมีสามคำถาม แบบทดสอบเหล่านี้เชื่อมโยงจากในบทเรียน แต่แอปแบบทดสอบสามารถรันได้ในเครื่อง ให้ทำตามคำแนะนำในโฟลเดอร์ `quiz-app` เพื่อโฮสต์ในเครื่องหรือปรับใช้ใน Azure | หมายเลขบทเรียน | หัวข้อ | กลุ่มบทเรียน | วัตถุประสงค์การเรียนรู้ | บทเรียนที่เชื่อมโยง | ผู้เขียน | | :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | | 01 | บทนำเกี่ยวกับ Machine Learning | [Introduction](1-Introduction/README.md) | เรียนรู้แนวคิดพื้นฐานเกี่ยวกับ Machine Learning | [บทเรียน](1-Introduction/1-intro-to-ML/README.md) | Muhammad | | 02 | ประวัติของ Machine Learning | [Introduction](1-Introduction/README.md) | เรียนรู้ประวัติความเป็นมาของสาขานี้ | [บทเรียน](1-Introduction/2-history-of-ML/README.md) | Jen และ Amy | | 03 | ความยุติธรรมและการเรียนรู้ของเครื่อง | [บทนำ](1-Introduction/README.md) | ปัญหาทางปรัชญาที่สำคัญเกี่ยวกับความยุติธรรมที่นักเรียนควรพิจารณาเมื่อสร้างและใช้งานโมเดล ML มีอะไรบ้าง? | [บทเรียน](1-Introduction/3-fairness/README.md) | Tomomi | | 04 | เทคนิคสำหรับการเรียนรู้ของเครื่อง | [บทนำ](1-Introduction/README.md) | นักวิจัย ML ใช้เทคนิคอะไรในการสร้างโมเดล ML? | [บทเรียน](1-Introduction/4-techniques-of-ML/README.md) | Chris และ Jen | | 05 | บทนำสู่การถดถอย | [การถดถอย](2-Regression/README.md) | เริ่มต้นใช้งาน Python และ Scikit-learn สำหรับโมเดลการถดถอย | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | | 06 | ราคาฟักทองในอเมริกาเหนือ 🎃 | [การถดถอย](2-Regression/README.md) | การแสดงภาพและการทำความสะอาดข้อมูลเพื่อเตรียมความพร้อมสำหรับ ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | | 07 | ราคาฟักทองในอเมริกาเหนือ 🎃 | [การถดถอย](2-Regression/README.md) | สร้างโมเดลการถดถอยเชิงเส้นและพหุนาม | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen และ Dmitry • Eric Wanjau | | 08 | ราคาฟักทองในอเมริกาเหนือ 🎃 | [การถดถอย](2-Regression/README.md) | สร้างโมเดลการถดถอยโลจิสติก | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | | 09 | แอปเว็บ 🔌 | [แอปเว็บ](3-Web-App/README.md) | สร้างแอปเว็บเพื่อใช้งานโมเดลที่คุณฝึกมา | [Python](3-Web-App/1-Web-App/README.md) | Jen | | 10 | บทนำสู่การจำแนกประเภท | [การจำแนกประเภท](4-Classification/README.md) | ทำความสะอาด เตรียม และแสดงภาพข้อมูลของคุณ; บทนำสู่การจำแนกประเภท | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen และ Cassie • Eric Wanjau | | 11 | อาหารเอเชียและอินเดียแสนอร่อย 🍜 | [การจำแนกประเภท](4-Classification/README.md) | บทนำสู่ตัวจำแนก | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen และ Cassie • Eric Wanjau | | 12 | อาหารเอเชียและอินเดียแสนอร่อย 🍜 | [การจำแนกประเภท](4-Classification/README.md) | ตัวจำแนกเพิ่มเติม | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen และ Cassie • Eric Wanjau | | 13 | อาหารเอเชียและอินเดียแสนอร่อย 🍜 | [การจำแนกประเภท](4-Classification/README.md) | สร้างแอปเว็บแนะนำโดยใช้โมเดลของคุณ | [Python](4-Classification/4-Applied/README.md) | Jen | | 14 | บทนำสู่การจัดกลุ่ม | [การจัดกลุ่ม](5-Clustering/README.md) | ทำความสะอาด เตรียม และแสดงภาพข้อมูลของคุณ; บทนำสู่การจัดกลุ่ม | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | | 15 | สำรวจรสนิยมดนตรีของไนจีเรีย 🎧 | [การจัดกลุ่ม](5-Clustering/README.md) | สำรวจวิธีการจัดกลุ่ม K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | | 16 | บทนำสู่การประมวลผลภาษาธรรมชาติ ☕️ | [การประมวลผลภาษาธรรมชาติ](6-NLP/README.md) | เรียนรู้พื้นฐานเกี่ยวกับ NLP โดยการสร้างบอทง่ายๆ | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | | 17 | งาน NLP ทั่วไป ☕️ | [การประมวลผลภาษาธรรมชาติ](6-NLP/README.md) | เพิ่มพูนความรู้ NLP ของคุณโดยการทำความเข้าใจงานทั่วไปที่จำเป็นเมื่อจัดการกับโครงสร้างภาษา | [Python](6-NLP/2-Tasks/README.md) | Stephen | | 18 | การแปลและการวิเคราะห์ความรู้สึก ♥️ | [การประมวลผลภาษาธรรมชาติ](6-NLP/README.md) | การแปลและการวิเคราะห์ความรู้สึกกับ Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | | 19 | โรงแรมโรแมนติกในยุโรป ♥️ | [การประมวลผลภาษาธรรมชาติ](6-NLP/README.md) | การวิเคราะห์ความรู้สึกกับรีวิวโรงแรม 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | | 20 | โรงแรมโรแมนติกในยุโรป ♥️ | [การประมวลผลภาษาธรรมชาติ](6-NLP/README.md) | การวิเคราะห์ความรู้สึกกับรีวิวโรงแรม 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | | 21 | บทนำสู่การพยากรณ์อนุกรมเวลา | [อนุกรมเวลา](7-TimeSeries/README.md) | บทนำสู่การพยากรณ์อนุกรมเวลา | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | | 22 | ⚡️ การใช้พลังงานโลก ⚡️ - การพยากรณ์อนุกรมเวลาด้วย ARIMA | [อนุกรมเวลา](7-TimeSeries/README.md) | การพยากรณ์อนุกรมเวลาด้วย ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | | 23 | ⚡️ การใช้พลังงานโลก ⚡️ - การพยากรณ์อนุกรมเวลาด้วย SVR | [อนุกรมเวลา](7-TimeSeries/README.md) | การพยากรณ์อนุกรมเวลาด้วย Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | | 24 | บทนำสู่การเรียนรู้แบบเสริมกำลัง | [การเรียนรู้แบบเสริมกำลัง](8-Reinforcement/README.md) | บทนำสู่การเรียนรู้แบบเสริมกำลังด้วย Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | | 25 | ช่วย Peter หนีหมาป่า! 🐺 | [การเรียนรู้แบบเสริมกำลัง](8-Reinforcement/README.md) | การเรียนรู้แบบเสริมกำลังใน Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | | Postscript | สถานการณ์และการใช้งาน ML ในโลกจริง | [ML ในโลกจริง](9-Real-World/README.md) | การใช้งานที่น่าสนใจและเปิดเผยของ ML แบบคลาสสิก | [บทเรียน](9-Real-World/1-Applications/README.md) | ทีม | | Postscript | การดีบักโมเดลใน ML ด้วยแดชบอร์ด RAI | [ML ในโลกจริง](9-Real-World/README.md) | การดีบักโมเดลใน Machine Learning โดยใช้ส่วนประกอบแดชบอร์ด Responsible AI | [บทเรียน](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | > [ค้นหาทรัพยากรเพิ่มเติมสำหรับหลักสูตรนี้ในคอลเลกชัน Microsoft Learn ของเรา](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) ## การเข้าถึงแบบออฟไลน์ คุณสามารถเรียกใช้เอกสารนี้แบบออฟไลน์โดยใช้ [Docsify](https://docsify.js.org/#/). Fork repo นี้, [ติดตั้ง Docsify](https://docsify.js.org/#/quickstart) บนเครื่องของคุณ, และในโฟลเดอร์รากของ repo นี้, พิมพ์ `docsify serve`. เว็บไซต์จะถูกให้บริการบนพอร์ต 3000 บน localhost ของคุณ: `localhost:3000`. ## PDFs ค้นหาไฟล์ PDF ของหลักสูตรพร้อมลิงก์ [ที่นี่](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf). ## 🎒 หลักสูตรอื่นๆ ทีมของเราผลิตหลักสูตรอื่นๆ! ลองดู: - [Edge AI สำหรับผู้เริ่มต้น](https://aka.ms/edgeai-for-beginners) - [AI Agents สำหรับผู้เริ่มต้น](https://aka.ms/ai-agents-beginners) - [Generative AI สำหรับผู้เริ่มต้น](https://aka.ms/genai-beginners) - [Generative AI สำหรับผู้เริ่มต้น .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet) - [Generative AI ด้วย JavaScript](https://github.com/microsoft/generative-ai-with-javascript) - [Generative AI ด้วย Java](https://github.com/microsoft/Generative-AI-for-beginners-java) - [AI สำหรับผู้เริ่มต้น](https://aka.ms/ai-beginners) - [Data Science สำหรับผู้เริ่มต้น](https://aka.ms/datascience-beginners) - [ML สำหรับผู้เริ่มต้น](https://aka.ms/ml-beginners) - [Cybersecurity สำหรับผู้เริ่มต้น](https://github.com/microsoft/Security-101) - [Web Dev สำหรับผู้เริ่มต้น](https://aka.ms/webdev-beginners) - [IoT สำหรับผู้เริ่มต้น](https://aka.ms/iot-beginners) - [XR Development สำหรับผู้เริ่มต้น](https://github.com/microsoft/xr-development-for-beginners) - [การใช้งาน GitHub Copilot สำหรับการเขียนโปรแกรมคู่](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming) - [การใช้งาน GitHub Copilot สำหรับนักพัฒนา C#/.NET](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers) - [เลือกการผจญภัย Copilot ของคุณเอง](https://github.com/microsoft/CopilotAdventures) --- **ข้อจำกัดความรับผิดชอบ**: เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI [Co-op Translator](https://github.com/Azure/co-op-translator) แม้ว่าเราจะพยายามให้การแปลมีความถูกต้องมากที่สุด แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามนุษย์ที่มีความเชี่ยวชาญ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้