ML-For-Beginners/translations/th

🌐 การสนับสนุนหลายภาษา

รองรับผ่าน GitHub Action (อัตโนมัติและอัปเดตเสมอ)

French | Spanish | German | Russian | Arabic | Persian (Farsi) | Urdu | Chinese (Simplified) | Chinese (Traditional, Macau) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Taiwan) | Japanese | Korean | Hindi | Bengali | Marathi | Nepali | Punjabi (Gurmukhi) | Portuguese (Portugal) | Portuguese (Brazil) | Italian | Polish | Turkish | Greek | Thai | Swedish | Danish | Norwegian | Finnish | Dutch | Hebrew | Vietnamese | Indonesian | Malay | Tagalog (Filipino) | Swahili | Hungarian | Czech | Slovak | Romanian | Bulgarian | Serbian (Cyrillic) | Croatian | Slovenian | Ukrainian | Burmese (Myanmar)

เข้าร่วมชุมชนของเรา

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

การเรียนรู้ Machine Learning สำหรับผู้เริ่มต้น - หลักสูตร

🌍 เดินทางรอบโลกไปพร้อมกับการสำรวจ Machine Learning ผ่านวัฒนธรรมโลก 🌍

ทีม Cloud Advocates จาก Microsoft มีความยินดีที่จะนำเสนอหลักสูตร 12 สัปดาห์ 26 บทเรียนเกี่ยวกับ Machine Learning ในหลักสูตรนี้ คุณจะได้เรียนรู้เกี่ยวกับสิ่งที่บางครั้งเรียกว่า Machine Learning แบบคลาสสิก โดยใช้ Scikit-learn เป็นหลัก และหลีกเลี่ยงการเรียนรู้เชิงลึก (Deep Learning) ซึ่งครอบคลุมในหลักสูตร AI for Beginners ของเรา จับคู่บทเรียนเหล่านี้กับหลักสูตร 'Data Science for Beginners' ของเราได้เช่นกัน!

เดินทางไปกับเราทั่วโลกในขณะที่เรานำเทคนิคแบบคลาสสิกเหล่านี้ไปใช้กับข้อมูลจากหลายพื้นที่ของโลก แต่ละบทเรียนประกอบด้วยแบบทดสอบก่อนและหลังบทเรียน คำแนะนำที่เขียนไว้สำหรับการทำบทเรียน โซลูชัน การบ้าน และอื่นๆ วิธีการเรียนรู้แบบโครงการช่วยให้คุณเรียนรู้ในขณะที่สร้าง ซึ่งเป็นวิธีที่พิสูจน์แล้วว่าทำให้ทักษะใหม่ๆ ติดตัวคุณได้ดีขึ้น

✍️ ขอขอบคุณผู้เขียนของเรา Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu และ Amy Boyd

🎨 ขอบคุณนักวาดภาพประกอบของเรา Tomomi Imura, Dasani Madipalli และ Jen Looper

🙏 ขอบคุณเป็นพิเศษ 🙏 สำหรับ Microsoft Student Ambassador ผู้เขียน ผู้ตรวจสอบ และผู้สนับสนุนเนื้อหา โดยเฉพาะ Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila และ Snigdha Agarwal

🤩 ขอบคุณเพิ่มเติมสำหรับ 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

นักเรียน, เพื่อใช้หลักสูตรนี้ ให้ fork repo ทั้งหมดไปยังบัญชี GitHub ของคุณเองและทำแบบฝึกหัดด้วยตัวเองหรือกับกลุ่ม:

• เริ่มต้นด้วยแบบทดสอบก่อนการบรรยาย
• อ่านบทเรียนและทำกิจกรรม หยุดและสะท้อนความรู้ในแต่ละจุดตรวจสอบความรู้
• พยายามสร้างโครงการโดยทำความเข้าใจบทเรียนแทนที่จะรันโค้ดโซลูชัน อย่างไรก็ตาม โค้ดนั้นมีอยู่ในโฟลเดอร์ /solution ในแต่ละบทเรียนที่เน้นโครงการ
• ทำแบบทดสอบหลังการบรรยาย
• ทำแบบท้าทาย
• ทำการบ้าน
• หลังจากจบบทเรียนกลุ่มหนึ่งแล้ว ไปที่ กระดานสนทนา และ "เรียนรู้แบบเปิดเผย" โดยกรอก PAT rubric ที่เหมาะสม PAT คือเครื่องมือประเมินความก้าวหน้าที่คุณกรอกเพื่อเพิ่มพูนการเรียนรู้ของคุณ คุณยังสามารถตอบสนองต่อ PAT ของผู้อื่นเพื่อให้เราเรียนรู้ร่วมกัน

สำหรับการศึกษาเพิ่มเติม เราแนะนำให้ติดตาม Microsoft Learn โมดูลและเส้นทางการเรียนรู้เหล่านี้

ครู, เราได้ รวมคำแนะนำบางส่วน เกี่ยวกับวิธีการใช้หลักสูตรนี้

---

วิดีโอแนะนำ

บทเรียนบางส่วนมีให้ในรูปแบบวิดีโอสั้น คุณสามารถค้นหาวิดีโอเหล่านี้ได้ในบทเรียน หรือใน เพลย์ลิสต์ ML for Beginners บนช่อง YouTube ของ Microsoft Developer โดยคลิกที่ภาพด้านล่าง

---

พบกับทีมงาน

Gif โดย Mohit Jaisal

🎥 คลิกที่ภาพด้านบนเพื่อดูวิดีโอเกี่ยวกับโครงการและผู้ที่สร้างมันขึ้นมา!

---

วิธีการสอน

เราเลือกใช้หลักการสอนสองข้อในขณะที่สร้างหลักสูตรนี้: การทำให้เป็น โครงการที่เน้นการปฏิบัติ และการรวม แบบทดสอบบ่อยครั้ง นอกจากนี้ หลักสูตรนี้ยังมี ธีมร่วม เพื่อให้มีความสอดคล้องกัน

ด้วยการทำให้เนื้อหาสอดคล้องกับโครงการ กระบวนการเรียนรู้จะน่าสนใจยิ่งขึ้นสำหรับนักเรียน และการจดจำแนวคิดจะเพิ่มขึ้น นอกจากนี้ แบบทดสอบที่มีความเสี่ยงต่ำก่อนชั้นเรียนจะช่วยตั้งเป้าหมายของนักเรียนในการเรียนรู้หัวข้อหนึ่ง ในขณะที่แบบทดสอบที่สองหลังชั้นเรียนจะช่วยเพิ่มการจดจำเพิ่มเติม หลักสูตรนี้ถูกออกแบบให้ยืดหยุ่นและสนุกสนาน และสามารถเรียนได้ทั้งหมดหรือบางส่วน โครงการเริ่มต้นจากขนาดเล็กและซับซ้อนขึ้นเรื่อยๆ ในตอนท้ายของรอบ 12 สัปดาห์ หลักสูตรนี้ยังรวมถึงภาคผนวกเกี่ยวกับการประยุกต์ใช้ ML ในโลกจริง ซึ่งสามารถใช้เป็นคะแนนพิเศษหรือเป็นพื้นฐานสำหรับการอภิปราย

ค้นหา Code of Conduct, Contributing, และ Translation แนวทางของเรา เรายินดีรับฟังความคิดเห็นที่สร้างสรรค์ของคุณ!

แต่ละบทเรียนประกอบด้วย

• sketchnote (ตัวเลือก)
• วิดีโอเสริม (ตัวเลือก)
• วิดีโอแนะนำ (บางบทเรียนเท่านั้น)
• แบบทดสอบอุ่นเครื่องก่อนการบรรยาย
• บทเรียนที่เขียนไว้
• สำหรับบทเรียนที่เน้นโครงการ มีคำแนะนำทีละขั้นตอนเกี่ยวกับวิธีสร้างโครงการ
• การตรวจสอบความรู้
• แบบท้าทาย
• การอ่านเสริม
• การบ้าน
• แบบทดสอบหลังการบรรยาย

หมายเหตุเกี่ยวกับภาษา: บทเรียนเหล่านี้เขียนใน Python เป็นหลัก แต่หลายบทเรียนก็มีใน R ด้วย หากต้องการทำบทเรียนใน R ให้ไปที่โฟลเดอร์ /solution และมองหาบทเรียน R ซึ่งจะมีนามสกุล .rmd ที่แสดงถึงไฟล์ R Markdown ซึ่งสามารถอธิบายได้ง่ายๆ ว่าเป็นการฝัง code chunks (ของ R หรือภาษาอื่นๆ) และ YAML header (ที่แนะนำวิธีจัดรูปแบบผลลัพธ์ เช่น PDF) ในเอกสาร Markdown ดังนั้นจึงเป็นกรอบการเขียนที่ยอดเยี่ยมสำหรับวิทยาศาสตร์ข้อมูล เนื่องจากช่วยให้คุณรวมโค้ด ผลลัพธ์ และความคิดของคุณไว้ใน Markdown นอกจากนี้ เอกสาร R Markdown ยังสามารถแสดงผลในรูปแบบผลลัพธ์ เช่น PDF, HTML หรือ Word ได้อีกด้วย

หมายเหตุเกี่ยวกับแบบทดสอบ: แบบทดสอบทั้งหมดอยู่ใน โฟลเดอร์ Quiz App รวมทั้งหมด 52 แบบทดสอบ แต่ละแบบมี 3 คำถาม แบบทดสอบเหล่านี้เชื่อมโยงจากในบทเรียน แต่แอปแบบทดสอบสามารถรันในเครื่องได้ ให้ทำตามคำแนะนำในโฟลเดอร์ quiz-app เพื่อโฮสต์ในเครื่องหรือปรับใช้บน Azure

หมายเลขบทเรียน	หัวข้อ	กลุ่มบทเรียน	วัตถุประสงค์การเรียนรู้	บทเรียนที่เชื่อมโยง	ผู้เขียน
01	บทนำสู่ Machine Learning	Introduction	เรียนรู้แนวคิดพื้นฐานเบื้องหลัง Machine Learning	บทเรียน	Muhammad
02	ประวัติของ Machine Learning	Introduction	เรียนรู้ประวัติศาสตร์ที่อยู่เบื้องหลังสาขานี้	บทเรียน	Jen และ Amy
03	ความยุติธรรมและการเรียนรู้ของเครื่อง	Introduction	ประเด็นทางปรัชญาที่สำคัญเกี่ยวกับความยุติธรรมที่นักเรียนควรพิจารณาเมื่อสร้างและใช้งานโมเดล ML คืออะไร?	Lesson	Tomomi
04	เทคนิคสำหรับการเรียนรู้ของเครื่อง	Introduction	นักวิจัย ML ใช้เทคนิคอะไรในการสร้างโมเดล ML?	Lesson	Chris and Jen
05	แนะนำการวิเคราะห์ถดถอย	Regression	เริ่มต้นใช้งาน Python และ Scikit-learn สำหรับโมเดลการวิเคราะห์ถดถอย	Python • R	Jen • Eric Wanjau
06	ราคาฟักทองในอเมริกาเหนือ 🎃	Regression	การแสดงผลและการทำความสะอาดข้อมูลเพื่อเตรียมพร้อมสำหรับ ML	Python • R	Jen • Eric Wanjau
07	ราคาฟักทองในอเมริกาเหนือ 🎃	Regression	สร้างโมเดลการวิเคราะห์ถดถอยเชิงเส้นและพหุนาม	Python • R	Jen and Dmitry • Eric Wanjau
08	ราคาฟักทองในอเมริกาเหนือ 🎃	Regression	สร้างโมเดลการวิเคราะห์ถดถอยโลจิสติก	Python • R	Jen • Eric Wanjau
09	แอปพลิเคชันเว็บ 🔌	Web App	สร้างแอปพลิเคชันเว็บเพื่อใช้งานโมเดลที่คุณฝึกมา	Python	Jen
10	แนะนำการจัดประเภทข้อมูล	Classification	ทำความสะอาด เตรียม และแสดงผลข้อมูลของคุณ; แนะนำการจัดประเภทข้อมูล	Python • R	Jen and Cassie • Eric Wanjau
11	อาหารเอเชียและอินเดียแสนอร่อย 🍜	Classification	แนะนำตัวจัดประเภทข้อมูล	Python • R	Jen and Cassie • Eric Wanjau
12	อาหารเอเชียและอินเดียแสนอร่อย 🍜	Classification	ตัวจัดประเภทข้อมูลเพิ่มเติม	Python • R	Jen and Cassie • Eric Wanjau
13	อาหารเอเชียและอินเดียแสนอร่อย 🍜	Classification	สร้างแอปพลิเคชันเว็บแนะนำโดยใช้โมเดลของคุณ	Python	Jen
14	แนะนำการจัดกลุ่มข้อมูล	Clustering	ทำความสะอาด เตรียม และแสดงผลข้อมูลของคุณ; แนะนำการจัดกลุ่มข้อมูล	Python • R	Jen • Eric Wanjau
15	สำรวจรสนิยมดนตรีของชาวไนจีเรีย 🎧	Clustering	สำรวจวิธีการจัดกลุ่มข้อมูลด้วย K-Means	Python • R	Jen • Eric Wanjau
16	แนะนำการประมวลผลภาษาธรรมชาติ ☕️	Natural language processing	เรียนรู้พื้นฐานเกี่ยวกับ NLP โดยการสร้างบอทง่ายๆ	Python	Stephen
17	งานทั่วไปใน NLP ☕️	Natural language processing	เพิ่มพูนความรู้เกี่ยวกับ NLP โดยการทำความเข้าใจงานทั่วไปที่จำเป็นเมื่อจัดการกับโครงสร้างภาษา	Python	Stephen
18	การแปลและการวิเคราะห์ความรู้สึก ♥️	Natural language processing	การแปลและการวิเคราะห์ความรู้สึกด้วยงานของ Jane Austen	Python	Stephen
19	โรงแรมโรแมนติกในยุโรป ♥️	Natural language processing	การวิเคราะห์ความรู้สึกด้วยรีวิวโรงแรม 1	Python	Stephen
20	โรงแรมโรแมนติกในยุโรป ♥️	Natural language processing	การวิเคราะห์ความรู้สึกด้วยรีวิวโรงแรม 2	Python	Stephen
21	แนะนำการพยากรณ์ข้อมูลอนุกรมเวลา	Time series	แนะนำการพยากรณ์ข้อมูลอนุกรมเวลา	Python	Francesca
22	⚡️ การใช้พลังงานโลก ⚡️ - การพยากรณ์ข้อมูลอนุกรมเวลาด้วย ARIMA	Time series	การพยากรณ์ข้อมูลอนุกรมเวลาด้วย ARIMA	Python	Francesca
23	⚡️ การใช้พลังงานโลก ⚡️ - การพยากรณ์ข้อมูลอนุกรมเวลาด้วย SVR	Time series	การพยากรณ์ข้อมูลอนุกรมเวลาด้วย Support Vector Regressor	Python	Anirban
24	แนะนำการเรียนรู้แบบเสริมกำลัง	Reinforcement learning	แนะนำการเรียนรู้แบบเสริมกำลังด้วย Q-Learning	Python	Dmitry
25	ช่วย Peter หนีหมาป่า! 🐺	Reinforcement learning	การเรียนรู้แบบเสริมกำลังใน Gym	Python	Dmitry
Postscript	สถานการณ์และการใช้งาน ML ในโลกจริง	ML in the Wild	การใช้งานที่น่าสนใจและเปิดเผยในโลกจริงของ ML แบบคลาสสิก	Lesson	Team
Postscript	การดีบักโมเดล ML ด้วยแดชบอร์ด RAI	ML in the Wild	การดีบักโมเดลใน Machine Learning โดยใช้ส่วนประกอบของแดชบอร์ด Responsible AI	Lesson	Ruth Yakubu

ค้นหาทรัพยากรเพิ่มเติมสำหรับคอร์สนี้ใน Microsoft Learn collection ของเรา

การเข้าถึงแบบออฟไลน์

คุณสามารถใช้งานเอกสารนี้แบบออฟไลน์ได้โดยใช้ Docsify. Fork repo นี้, ติดตั้ง Docsify บนเครื่องของคุณ, และในโฟลเดอร์ root ของ repo นี้, พิมพ์ docsify serve. เว็บไซต์จะถูกให้บริการบนพอร์ต 3000 บน localhost ของคุณ: localhost:3000.

PDFs

ค้นหาไฟล์ pdf ของหลักสูตรพร้อมลิงก์ ที่นี่.

🎒 คอร์สอื่นๆ

ทีมของเราผลิตคอร์สอื่นๆ! ลองดู:

• Generative AI for Beginners
• Generative AI for Beginners .NET
• Generative AI with JavaScript
• Generative AI with Java
• AI for Beginners
• Data Science for Beginners
• ML for Beginners
• Cybersecurity for Beginners
• Web Dev for Beginners
• IoT for Beginners
• XR Development for Beginners
• Mastering GitHub Copilot for Paired Programming
• Mastering GitHub Copilot for C#/.NET Developers
• Choose Your Own Copilot Adventure

---