ML-For-Beginners/translations/vi

🌐 Hỗ trợ đa ngôn ngữ

Hỗ trợ thông qua GitHub Action (Tự động & Luôn cập nhật)

Tiếng Ả Rập | Tiếng Bengal | Tiếng Bungari | Tiếng Miến Điện (Myanmar) | Tiếng Trung (Giản thể) | Tiếng Trung (Phồn thể, Hồng Kông) | Tiếng Trung (Phồn thể, Macau) | Tiếng Trung (Phồn thể, Đài Loan) | Tiếng Croatia | Tiếng Séc | Tiếng Đan Mạch | Tiếng Hà Lan | Tiếng Estonia | Tiếng Phần Lan | Tiếng Pháp | Tiếng Đức | Tiếng Hy Lạp | Tiếng Do Thái | Tiếng Hindi | Tiếng Hungary | Tiếng Indonesia | Tiếng Ý | Tiếng Nhật | Tiếng Kannada | Tiếng Khmer | Tiếng Hàn | Tiếng Lithuania | Tiếng Malay | Tiếng Malayalam | Tiếng Marathi | Tiếng Nepal | Tiếng Pidgin Nigeria | Tiếng Na Uy | Tiếng Ba Tư (Farsi) | Tiếng Ba Lan | Tiếng Bồ Đào Nha (Brazil) | Tiếng Bồ Đào Nha (Bồ Đào Nha) | Tiếng Punjabi (Gurmukhi) | Tiếng Romania | Tiếng Nga | Tiếng Serbia (Chữ Cyrillic) | Tiếng Slovakia | Tiếng Slovenia | Tiếng Tây Ban Nha | Tiếng Swahili | Tiếng Thụy Điển | Tiếng Tagalog (Filipino) | Tiếng Tamil | Tiếng Telugu | Tiếng Thái | Tiếng Thổ Nhĩ Kỳ | Tiếng Ukraina | Tiếng Urdu | Tiếng Việt

Ưu tiên sao chép về máy?

Kho lưu trữ này bao gồm hơn 50 bản dịch ngôn ngữ, làm tăng đáng kể kích thước tải về. Để sao chép mà không có bản dịch, hãy sử dụng 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"

Điều này cung cấp cho bạn mọi thứ cần thiết để hoàn thành khóa học với tốc độ tải nhanh hơn nhiều.

Tham gia cộng đồng của chúng tôi

Chúng tôi có một chuỗi học tập Discord với chủ đề AI đang diễn ra, tìm hiểu thêm và tham gia cùng chúng tôi tại Chuỗi Học với AI từ ngày 18 - 30 tháng 9, 2025. Bạn sẽ nhận được mẹo và thủ thuật sử dụng GitHub Copilot cho Khoa học Dữ liệu.

Máy học cho người mới bắt đầu - Một chương trình học

🌍 Du lịch vòng quanh thế giới khi chúng ta khám phá Máy học thông qua các nền văn hóa thế giới 🌍

Các Đại sứ Điện toán Đám mây tại Microsoft vui mừng cung cấp một chương trình học 12 tuần, 26 bài học hoàn toàn về Máy học. Trong chương trình này, bạn sẽ học về những gì đôi khi gọi là máy học cổ điển, chủ yếu sử dụng thư viện Scikit-learn và tránh deep learning, được đề cập trong chương trình AI cho người mới bắt đầu của chúng tôi. Kết hợp các bài học này với chương trình 'Khoa học dữ liệu cho người mới bắt đầu' cũng của chúng tôi!

Hãy du hành cùng chúng tôi vòng quanh thế giới khi áp dụng các kỹ thuật máy học cổ điển này vào dữ liệu từ nhiều nơi trên thế giới. Mỗi bài học bao gồm các bài kiểm tra trước và sau bài học, hướng dẫn viết để hoàn thành bài học, lời giải, bài tập, và nhiều nữa. Phương pháp giảng dạy dựa trên dự án cho phép bạn học trong lúc xây dựng, một cách đã được chứng minh để kỹ năng mới dễ ghi nhớ hơn.

✍️ Xin gửi lời cảm ơn chân thành đến các tác giả Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu và Amy Boyd

🎨 Cảm ơn các họa sĩ minh họa Tomomi Imura, Dasani Madipalli, và Jen Looper

🙏 Cảm ơn đặc biệt 🙏 các Đại sứ Sinh viên Microsoft là tác giả, người đánh giá và người đóng góp nội dung, đặc biệt là Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, và Snigdha Agarwal

🤩 Cảm ơn thêm các Đại sứ Sinh viên Microsoft Eric Wanjau, Jasleen Sondhi, và Vidushi Gupta cho các bài học R của chúng tôi!

Bắt đầu

Làm theo các bước sau:

1. Fork kho lưu trữ: Nhấp vào nút "Fork" ở góc trên bên phải trang này.
2. Clone kho lưu trữ: git clone https://github.com/microsoft/ML-For-Beginners.git

tìm tất cả tài nguyên bổ sung cho khóa học này trong bộ sưu tập Microsoft Learn của chúng tôi

🔧 Cần trợ giúp? Kiểm tra Hướng dẫn xử lý sự cố để tìm giải pháp cho các vấn đề phổ biến về cài đặt, thiết lập và chạy bài học.

Học sinh, để sử dụng chương trình này, hãy fork toàn bộ kho lưu trữ vào tài khoản GitHub của bạn và hoàn thành các bài tập một mình hoặc theo nhóm:

• Bắt đầu với bài kiểm tra trước bài giảng.
• Đọc bài giảng và hoàn thành các hoạt động, tạm dừng và suy ngẫm ở mỗi phần kiểm tra kiến thức.
• Cố gắng tạo các dự án bằng cách hiểu bài học thay vì chạy mã giải pháp; mã giải pháp có sẵn trong các thư mục /solution ở mỗi bài học theo dự án.
• Làm bài kiểm tra sau bài giảng.
• Hoàn thành thử thách.
• Hoàn thành bài tập.
• Sau khi hoàn thành một nhóm bài học, truy cập Bảng Thảo luận và "học cùng mọi người" bằng cách điền vào bảng đánh giá PAT phù hợp. 'PAT' là Công cụ Đánh giá Tiến độ mà bạn điền để nâng cao việc học của mình. Bạn cũng có thể phản hồi các PAT khác để chúng ta cùng học hỏi.

Để học sâu hơn, chúng tôi khuyến nghị theo dõi các mô-đun và lộ trình học trong Microsoft Learn.

Giáo viên, chúng tôi có bao gồm một số gợi ý về cách sử dụng chương trình này.

---

Video hướng dẫn

Một số bài học có dưới dạng video ngắn. Bạn có thể tìm thấy tất cả các video này ngay trong bài học, hoặc trên danh sách phát ML for Beginners trên kênh YouTube Microsoft Developer bằng cách nhấp vào hình ảnh dưới đây.

---

Gặp gỡ đội ngũ

Gif bởi Mohit Jaisal

🎥 Nhấp vào hình ảnh trên để xem video về dự án và những người đã tạo ra nó!

---

Phương pháp giảng dạy

Chúng tôi đã chọn hai nguyên tắc giảng dạy khi xây dựng chương trình này: đảm bảo nó thuộc loại dựa trên dự án thực hành và bao gồm các bài kiểm tra thường xuyên. Ngoài ra, chương trình có một chủ đề chung để tạo sự gắn kết.

Bằng việc đảm bảo nội dung phù hợp với dự án, quá trình học trở nên hấp dẫn hơn với học sinh và tăng cường khả năng ghi nhớ khái niệm. Bên cạnh đó, một bài kiểm tra mức thấp trước lớp đặt mục đích học tập cho học sinh, trong khi bài kiểm tra thứ hai sau lớp giúp củng cố kiến thức. Chương trình này được thiết kế linh hoạt và vui nhộn, có thể học trọn vẹn hoặc từng phần. Các dự án bắt đầu nhỏ và trở nên phức tạp hơn vào cuối chu kỳ 12 tuần. Chương trình còn bao gồm phần phụ lục về ứng dụng thực tế của ML, có thể dùng làm bài tập thêm hoặc cơ sở thảo luận.

Tìm các hướng dẫn Quy tắc ứng xử, Đóng góp, Bản dịch, và Xử lý sự cố của chúng tôi. Chúng tôi rất hoan nghênh phản hồi mang tính xây dựng của bạn!

Mỗi bài học bao gồm

• bản phác thảo tùy chọn
• video bổ sung tùy chọn
• video hướng dẫn (chỉ một số bài học)
• bài kiểm tra khởi động trước bài giảng
• bài học bằng văn bản
• đối với các bài học dự án, hướng dẫn từng bước cách xây dựng dự án
• kiểm tra kiến thức
• một thử thách
• bài đọc bổ sung
• bài tập
• bài kiểm tra sau bài giảng

Một lưu ý về ngôn ngữ: Các bài học này chủ yếu được viết bằng Python, nhưng nhiều bài cũng có sẵn bằng R. Để hoàn thành một bài học bằng R, hãy vào thư mục /solution và tìm các bài học R. Chúng bao gồm phần mở rộng .rmd đại diện cho một tập tin R Markdown có thể đơn giản được định nghĩa là sự nhúng các khối mã (bằng R hoặc các ngôn ngữ khác) và một đầu trang YAML (hướng dẫn cách định dạng các đầu ra như PDF) trong một tài liệu Markdown. Do đó, nó phục vụ như một khung tác giả mẫu cho khoa học dữ liệu vì nó cho phép bạn kết hợp mã của mình, kết quả đầu ra và suy nghĩ của bạn bằng cách cho phép bạn viết chúng ra dưới dạng Markdown. Hơn nữa, các tài liệu R Markdown có thể được kết xuất sang các định dạng đầu ra như PDF, HTML hoặc Word.

Một lưu ý về các bài kiểm tra: Tất cả các bài kiểm tra được chứa trong thư mục Ứng dụng Quiz, tổng cộng 52 bài kiểm tra với mỗi bài gồm ba câu hỏi. Chúng được liên kết trong các bài học nhưng ứng dụng kiểm tra có thể chạy cục bộ; hãy làm theo hướng dẫn trong thư mục quiz-app để lưu trữ hoặc triển khai cục bộ lên Azure.

Số Bài Học	Chủ Đề	Nhóm Bài Học	Mục Tiêu Học Tập	Bài Học Liên Kết	Tác Giả
01	Giới thiệu về học máy	Giới thiệu	Tìm hiểu các khái niệm cơ bản đằng sau học máy	Bài học	Muhammad
02	Lịch sử của học máy	Giới thiệu	Tìm hiểu lịch sử nền tảng của lĩnh vực này	Bài học	Jen và Amy
03	Công bằng và học máy	Giới thiệu	Những vấn đề triết học quan trọng về công bằng mà học viên nên cân nhắc khi xây dựng và áp dụng các mô hình ML?	Bài học	Tomomi
04	Kỹ thuật học máy	Giới thiệu	Những kỹ thuật nào các nhà nghiên cứu ML sử dụng để xây dựng các mô hình ML?	Bài học	Chris và Jen
05	Giới thiệu về hồi quy	Hồi quy	Bắt đầu với Python và Scikit-learn cho các mô hình hồi quy	Python • R	Jen • Eric Wanjau
06	Giá bí đỏ Bắc Mỹ 🎃	Hồi quy	Trực quan hóa và làm sạch dữ liệu chuẩn bị cho học máy	Python • R	Jen • Eric Wanjau
07	Giá bí đỏ Bắc Mỹ 🎃	Hồi quy	Xây dựng các mô hình hồi quy tuyến tính và đa thức	Python • R	Jen và Dmitry • Eric Wanjau
08	Giá bí đỏ Bắc Mỹ 🎃	Hồi quy	Xây dựng mô hình hồi quy logistic	Python • R	Jen • Eric Wanjau
09	Ứng dụng Web 🔌	Ứng dụng Web	Xây dựng một ứng dụng web để sử dụng mô hình đã huấn luyện	Python	Jen
10	Giới thiệu về phân loại	Phân loại	Làm sạch, chuẩn bị và trực quan hóa dữ liệu; giới thiệu về phân loại	Python • R	Jen và Cassie • Eric Wanjau
11	Món ăn ngon Á và Ấn Độ 🍜	Phân loại	Giới thiệu về bộ phân loại	Python • R	Jen và Cassie • Eric Wanjau
12	Món ăn ngon Á và Ấn Độ 🍜	Phân loại	Thêm nhiều bộ phân loại	Python • R	Jen và Cassie • Eric Wanjau
13	Món ăn ngon Á và Ấn Độ 🍜	Phân loại	Xây dựng ứng dụng web đề xuất sử dụng mô hình của bạn	Python	Jen
14	Giới thiệu về phân cụm	Phân cụm	Làm sạch, chuẩn bị và trực quan hóa dữ liệu; Giới thiệu về phân cụm	Python • R	Jen • Eric Wanjau
15	Khám phá thị hiếu âm nhạc Nigeria 🎧	Phân cụm	Khám phá phương pháp phân cụm K-Means	Python • R	Jen • Eric Wanjau
16	Giới thiệu xử lý ngôn ngữ tự nhiên ☕️	Xử lý ngôn ngữ tự nhiên	Học các kiến thức cơ bản về NLP bằng cách xây dựng một bot đơn giản	Python	Stephen
17	Các nhiệm vụ NLP phổ biến ☕️	Xử lý ngôn ngữ tự nhiên	Làm sâu thêm kiến thức NLP của bạn bằng cách hiểu các nhiệm vụ phổ biến cần thiết khi xử lý cấu trúc ngôn ngữ	Python	Stephen
18	Phân tích dịch và cảm xúc ♥️	Xử lý ngôn ngữ tự nhiên	Phân tích dịch và cảm xúc với Jane Austen	Python	Stephen
19	Khách sạn lãng mạn ở Châu Âu ♥️	Xử lý ngôn ngữ tự nhiên	Phân tích cảm xúc với đánh giá khách sạn 1	Python	Stephen
20	Khách sạn lãng mạn ở Châu Âu ♥️	Xử lý ngôn ngữ tự nhiên	Phân tích cảm xúc với đánh giá khách sạn 2	Python	Stephen
21	Giới thiệu dự báo chuỗi thời gian	Chuỗi thời gian	Giới thiệu về dự báo chuỗi thời gian	Python	Francesca
22	⚡️ Sử dụng điện năng toàn cầu ⚡️ - dự báo chuỗi thời gian ARIMA	Chuỗi thời gian	Dự báo chuỗi thời gian với ARIMA	Python	Francesca
23	⚡️ Sử dụng điện năng toàn cầu ⚡️ - dự báo chuỗi thời gian SVR	Chuỗi thời gian	Dự báo chuỗi thời gian với Support Vector Regressor	Python	Anirban
24	Giới thiệu học tăng cường	Học tăng cường	Giới thiệu học tăng cường với Q-Learning	Python	Dmitry
25	Giúp Peter tránh sói! 🐺	Học tăng cường	Học tăng cường Gym	Python	Dmitry
Lời kết	Các tình huống và ứng dụng ML trong thực tế	ML trong Thực tế	Các ứng dụng thú vị và tiết lộ trong thế giới thực của học máy cổ điển	Bài học	Đội ngũ
Lời kết	Gỡ lỗi mô hình ML bằng bảng điều khiển RAI	ML trong Thực tế	Gỡ lỗi mô hình trong học máy sử dụng các thành phần bảng điều khiển AI có trách nhiệm	Bài học	Ruth Yakubu

tìm tất cả tài nguyên bổ sung cho khóa học này trong bộ sưu tập Microsoft Learn của chúng tôi

Truy cập ngoại tuyến

Bạn có thể chạy tài liệu này ngoại tuyến bằng cách sử dụng Docsify. Fork repo này, cài đặt Docsify trên máy tính cục bộ của bạn, sau đó trong thư mục gốc của repo này, gõ docsify serve. Trang web sẽ được phục vụ trên cổng 3000 tại localhost của bạn: localhost:3000.

PDF

Tìm tài liệu pdf của chương trình học với các liên kết tại đây.

🎒 Các Khóa học Khác

Nhóm của chúng tôi còn sản xuất các khóa học khác! Hãy xem:

LangChain

Azure / Edge / MCP / Agents

---

Chuỗi AI Tạo Sinh

---

Học Tập Cốt Lõi

---

Chuỗi Copilot

Nhận Trợ Giúp

Nếu bạn gặp khó khăn hoặc có bất kỳ câu hỏi nào về việc xây dựng ứng dụng AI. Hãy tham gia cùng những người học khác và các nhà phát triển giàu kinh nghiệm trong các cuộc thảo luận về MCP. Đây là một cộng đồng hỗ trợ, nơi mọi câu hỏi đều được chào đón và kiến thức được chia sẻ tự do.

Nếu bạn có phản hồi về sản phẩm hoặc phát hiện lỗi trong quá trình xây dựng, hãy truy cập:

Mẹo Học Thêm

• Xem lại các sổ tay sau mỗi bài học để hiểu sâu hơn.
• Thực hành triển khai các thuật toán một cách độc lập.
• Khám phá các bộ dữ liệu thực tế bằng cách sử dụng các khái niệm đã học.

---

Tuyên bố từ chối trách nhiệm:
Tài liệu này đã được dịch bằng dịch vụ dịch thuật AI Co-op Translator. Mặc dù chúng tôi nỗ lực để đảm bảo độ chính xác, xin lưu ý rằng bản dịch tự động có thể chứa lỗi hoặc sự không chính xác. Tài liệu gốc bằng ngôn ngữ mẹ đẻ nên được xem là nguồn chính xác và có thẩm quyền. Đối với thông tin quan trọng, khuyến nghị sử dụng dịch vụ dịch thuật chuyên nghiệp của con người. Chúng tôi không chịu trách nhiệm cho bất kỳ hiểu nhầm hoặc giải thích sai nào phát sinh từ việc sử dụng bản dịch này.