ML-For-Beginners/translations/th

🌐 การสนับสนุนหลายภาษา

สนับสนุนผ่าน GitHub Action (อัตโนมัติ & อัปเดตเสมอ)

อาหรับ | เบงกาลี | บัลแกเรีย | พม่า (เมียนมา) | จีน (ตัวย่อ) | จีน (ตัวเต็ม, ฮ่องกง) | จีน (ตัวเต็ม, มาเก๊า) | จีน (ตัวเต็ม, ไต้หวัน) | โครเอเชีย | เช็ก | เดนมาร์ก | ดัตช์ | เอสโตเนีย | ฟินแลนด์ | ฝรั่งเศส | เยอรมัน | กรีก | ฮีบรู | ฮินดี | ฮังการี | อินโดนีเซีย | อิตาลี | ญี่ปุ่น | กันนาดา | เขมร | เกาหลี | ลิทัวเนีย | มาเลย์ | มาลายาลัม | มาราธี | เนปาล | ไนจีเรีย พิดจิน | นอร์เวย์ | เปอร์เซีย (ฟาร์ซี) | โปแลนด์ | โปรตุเกส (บราซิล) | โปรตุเกส (โปรตุเกส) | ปัญจาบี (กูรมูขิ) | โรมาเนีย | รัสเซีย | เซอร์เบีย (ซีริลลิก) | สโลวัค | สโลวีเนีย | สเปน | สวาฮีลี | สวีเดน | ตากาล็อก (ฟิลิปปินส์) | ทมิฬ | เทลูกู | ไทย | ตุรกี | ยูเครน | อูรดู | เวียดนาม

ชอบโคลนแบบท้องถิ่นไหม?

ที่เก็บนี้รวมการแปลภาษา 50+ ภาษา ซึ่งเพิ่มขนาดการดาวน์โหลดอย่างมาก ถ้าต้องการโคลนโดยไม่เอาการแปล ให้ใช้ 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"

วิธีนี้จะให้ทุกสิ่งที่คุณต้องใช้เพื่อทำหลักสูตรให้เสร็จอย่างรวดเร็วขึ้นมาก

เข้าร่วมชุมชนของเรา

เรามีซีรีส์เรียนรู้กับ AI บน Discord อยู่ เรียนรู้เพิ่มเติมและเข้าร่วมกับเราได้ที่ Learn with AI Series ตั้งแต่วันที่ 18 - 30 กันยายน 2025 คุณจะได้รับเคล็ดลับและเทคนิคการใช้ GitHub Copilot สำหรับวิทยาศาสตร์ข้อมูล

การเรียนรู้ของเครื่องสำหรับผู้เริ่มต้น - หลักสูตร

🌍 ท่องเที่ยวรอบโลกพร้อมกับสำรวจกระบวนการเรียนรู้ของเครื่องผ่านวัฒนธรรมโลก 🌍

ทีม Cloud Advocates ที่ Microsoft ยินดีนำเสนอหลักสูตร 12 สัปดาห์, 26 บทเรียน เกี่ยวกับ การเรียนรู้ของเครื่อง ในหลักสูตรนี้ คุณจะได้เรียนรู้สิ่งที่บางครั้งเรียกว่า การเรียนรู้ของเครื่องแบบคลาสสิก โดยใช้ Scikit-learn เป็นหลักและหลีกเลี่ยงการเรียนรู้เชิงลึก ซึ่งจะสอนในหลักสูตร AI for Beginners รวมถึงจับคู่บทเรียนกับหลักสูตร 'Data Science for Beginners' ของเราเช่นกัน!

ท่องเที่ยวไปกับเรารอบโลกขณะที่เราประยุกต์ใช้เทคนิคคลาสสิกเหล่านี้กับข้อมูลจากหลายพื้นที่ของโลก แต่ละบทเรียนมีแบบทดสอบก่อนและหลังเรียน คำแนะนำเป็นลายลักษณ์อักษรสำหรับทำบทเรียน โซลูชัน งานมอบหมาย และอื่น ๆ วิธีการสอนโดยใช้โครงการทำให้คุณเรียนรู้ขณะสร้าง ซึ่งเป็นวิธีที่พิสูจน์แล้วว่าสำหรับการจดจำทักษะใหม่ๆ

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

🎨 ขอบคุณอีกครั้งแก่ผู้วาดภาพประกอบของเรา Tomomi Imura, Dasani Madipalli และ Jen Looper

🙏 ขอบคุณเป็นพิเศษ 🙏 แก่ผู้เขียน, ผู้ตรวจสอบและผู้สนับสนุนเนื้อหาจาก Microsoft Student Ambassador โดยเฉพาะอย่างยิ่ง Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila และ Snigdha Agarwal

🤩 ขอขอบคุณเพิ่มเติมแก่ Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi และ Vidushi Gupta สำหรับบทเรียน R ของเรา!

เริ่มต้นใช้งาน

ทำตามขั้นตอนเหล่านี้:

1. Fork ที่เก็บข้อมูล: คลิกปุ่ม "Fork" ที่มุมบนขวาของหน้านี้
2. Clone ที่เก็บข้อมูล: git clone https://github.com/microsoft/ML-For-Beginners.git

💡 เคล็ดลับเริ่มต้นอย่างรวดเร็ว: ต้องการเริ่มต้นในเบราว์เซอร์โดยไม่ต้องติดตั้ง Python ในเครื่องหรือไม่? ใช้ GitHub Codespaces เพื่อสร้างสภาพแวดล้อมพัฒนาในคลาวด์สำหรับ fork ของคุณ เปิดเมนูสีเขียว Code เลือก Codespaces และสร้าง codespace; ติดตั้ง dependencies ที่จำเป็นสำหรับแต่ละบทเรียนตามต้องการ

ค้นหาทรัพยากรเพิ่มเติมสำหรับหลักสูตรนี้ในคอลเลกชัน Microsoft Learn ของเรา

🔧 ต้องการความช่วยเหลือ? ตรวจสอบ คู่มือแก้ไขปัญหา สำหรับวิธีแก้ไขปัญหาทั่วไปเกี่ยวกับการติดตั้ง การตั้งค่า และการรันบทเรียน

นักเรียน ในการใช้หลักสูตรนี้ ให้ fork entire repo ไปยังบัญชี GitHub ของคุณและทำแบบฝึกหัดด้วยตัวเองหรือเป็นกลุ่ม:

• เริ่มต้นด้วยแบบทดสอบก่อนบรรยาย
• อ่านบรรยายและทำกิจกรรม โดยหยุดและสะท้อนความคิดในแต่ละจุดตรวจสอบความรู้
• พยายามสร้างโครงการโดยเข้าใจบทเรียนแทนการรันโค้ดโซลูชัน อย่างไรก็ตาม โค้ดนั้นมีอยู่ในโฟลเดอร์ /solution ในแต่ละบทเรียนที่เน้นโครงการ
• ทำแบบทดสอบหลังบรรยาย
• ทำความท้าทายให้เสร็จ
• ทำงานมอบหมายให้เสร็จ
• หลังจากทำกลุ่มบทเรียนเสร็จ ให้ไปที่ บอร์ดสนทนา และ "เรียนรู้เสียงดัง" โดยกรอกแบบประเมิน PAT ที่เหมาะสม PAT คือเครื่องมือประเมินความก้าวหน้าเป็นแบบประเมินที่คุณกรอกเพื่อส่งเสริมการเรียนรู้ของคุณ คุณยังสามารถแสดงปฏิกิริยาต่อ PAT อื่น ๆ เพื่อที่เราจะได้เรียนรู้ร่วมกัน

สำหรับการศึกษาต่อ เราแนะนำให้ติดตามโมดูลและเส้นทางการเรียนรู้ Microsoft Learn

ครู เรามี คำแนะนำบางอย่าง เกี่ยวกับวิธีใช้หลักสูตรนี้

---

วิดีโอแนะนำ

บางบทเรียนมีวิดีโอสั้น คุณสามารถหาทั้งหมดนี้ในบทเรียน หรือใน เพลย์ลิสต์ ML for Beginners บนช่อง Microsoft Developer YouTube โดยคลิกที่ภาพด้านล่าง

---

พบกับทีมงาน

ภาพเคลื่อนไหวโดย Mohit Jaisal

🎥 คลิกภาพด้านบนเพื่อดูวิดีโอเกี่ยวกับโครงการและผู้ที่สร้างมัน!

---

แนวทางการสอน

เราเลือกสองหลักการทางการสอนขณะสร้างหลักสูตรนี้: รับประกันว่าหลักสูตรเป็นแบบ เรียนรู้ผ่านโครงการ และมี แบบทดสอบบ่อยครั้ง นอกจากนี้ หลักสูตรนี้ยังมี ธีมร่วมกัน เพื่อให้มีความสอดคล้อง

โดยการรับประกันว่าเนื้อหาสอดคล้องกับโครงการ กระบวนการเรียนจะสนุกสนานขึ้นสำหรับนักเรียนและทำให้ความเข้าใจแนวคิดดีขึ้น นอกจากนี้ แบบทดสอบที่มีความเสี่ยงต่ำก่อนเรียนก็กำหนดเจตนารมณ์ให้นักเรียนเรียนรู้เรื่องนั้นๆ ขณะที่แบบทดสอบที่สองหลังเรียนช่วยให้ความจำดีขึ้น หลักสูตรออกแบบให้ยืดหยุ่นและสนุก และสามารถเรียนครบถ้วนหรือแค่บางส่วน โครงการจะเริ่มต้นเล็ก ๆ และซับซ้อนขึ้นเรื่อย ๆ ภายใน 12 สัปดาห์หลักสูตรนี้ยังมีส่วนต่อท้ายเกี่ยวกับการใช้งานจริงของ ML ซึ่งสามารถใช้เป็นเครดิตพิเศษหรือเป็นฐานสำหรับการอภิปราย

ค้นหา Code of Conduct, การมีส่วนร่วม, การแปล และ การแก้ปัญหา ของเรา เรายินดีรับฟังคำติชมเพื่อการปรับปรุง!

ในแต่ละบทเรียนประกอบด้วย

• บันทึกสเก็ตช์โน้ตเลือกได้
• วิดีโอเสริมเลือกได้
• วิดีโอแนะนำ (เฉพาะบางบทเรียน)
• แบบทดสอบอบอุ่นก่อนบรรยาย
• บทเรียนเป็นลายลักษณ์อักษร
• สำหรับบทเรียนเน้นโครงการ คู่มือทีละขั้นตอนวิธีสร้างโครงการ
• จุดตรวจสอบความรู้
• ความท้าทาย
• การอ่านเสริม
• งานมอบหมาย
• แบบทดสอบหลังบรรยาย

หมายเหตุเกี่ยวกับภาษา: บทเรียนเหล่านี้เขียนหลัก ๆ ในภาษา Python แต่หลายบทเป็นภาษา R ด้วย ในการทำบทเรียน R ให้ไปที่โฟลเดอร์ /solution และค้นหาบทเรียน R ซึ่งรวมไฟล์ .rmd ที่เป็นไฟล์ R Markdown ซึ่งกำหนดอย่างง่ายว่าเป็นการฝัง code chunks (ของ R หรือภาษาอื่น ๆ) และ YAML header (ซึ่งแนะนำวิธีจัดรูปแบบผลลัพธ์เช่น PDF) ใน Markdown document ดังนั้นจึงเป็นกรอบการเขียนแบบอย่างสำหรับวิทยาศาสตร์ข้อมูลเพราะช่วยให้คุณรวมรหัส ผลลัพธ์ และความคิดของคุณโดยช่วยให้คุณเขียนใน Markdown นอกจากนี้ เอกสาร R Markdown ยังสามารถแสดงผลในรูปแบบ PDF, HTML หรือ Word ได้

หมายเหตุเกี่ยวกับแบบทดสอบ: แบบทดสอบทั้งหมดอยู่ใน โฟลเดอร์ Quiz App มีทั้งหมด 52 แบบทดสอบ แต่ละแบบมีสามคำถาม พวกนี้เชื่อมโยงจากในบทเรียนแต่ก็สามารถรันแอปแบบทดสอบได้ในเครื่อง; ทำตามคำแนะนำในโฟลเดอร์ quiz-app เพื่อโฮสต์หรือดีพลอยใน Azure

หมายเลขบทเรียน	หัวข้อ	กลุ่มบทเรียน	วัตถุประสงค์การเรียนรู้	บทเรียนที่เชื่อมโยง	ผู้เขียน
01	บทนำสู่การเรียนรู้ของเครื่อง	Introduction	เรียนรู้แนวคิดพื้นฐานเบื้องหลังการเรียนรู้ของเครื่อง	Lesson	Muhammad
02	ประวัติของการเรียนรู้ของเครื่อง	Introduction	เรียนรู้ประวัติศาสตร์ที่อยู่เบื้องหลังสาขาวิชานี้	Lesson	Jen and Amy
03	ความเป็นธรรมและการเรียนรู้ของเครื่อง	Introduction	ปัญหาทางปรัชญาที่สำคัญเกี่ยวกับความเป็นธรรมที่นักเรียนควรพิจารณาเมื่อสร้างและใช้โมเดล ML คืออะไร?	Lesson	Tomomi
04	เทคนิคสำหรับการเรียนรู้ของเครื่อง	Introduction	นักวิจัย ML ใช้เทคนิคอะไรในการสร้างโมเดล ML?	Lesson	Chris and Jen
05	บทนำสู่การถดถอย	Regression	เริ่มต้นกับ Python และ Scikit-learn สำหรับโมเดลการถดถอย	Python • R	Jen • Eric Wanjau
06	ราคาฟักทองในอเมริกาเหนือ 🎃	Regression	การแสดงภาพและทำความสะอาดข้อมูลเพื่อเตรียมความพร้อมสำหรับ ML	Python • R	Jen • Eric Wanjau
07	ราคาฟักทองในอเมริกาเหนือ 🎃	Regression	สร้างโมเดลการถดถอยเชิงเส้นและพหุนาม	Python • R	Jen and Dmitry • Eric Wanjau
08	ราคาฟักทองในอเมริกาเหนือ 🎃	Regression	สร้างโมเดลการถดถอยโลจิสติก	Python • R	Jen • Eric Wanjau
09	เว็บแอป 🔌	Web App	สร้างเว็บแอปเพื่อใช้โมเดลที่ผ่านการฝึกแล้ว	Python	Jen
10	บทนำสู่การจัดหมวดหมู่	Classification	ทำความสะอาด เตรียม และแสดงภาพข้อมูลของคุณ; บทนำสู่การจัดหมวดหมู่	Python • R	Jen and Cassie • Eric Wanjau
11	อาหารเอเชียและอินเดียอร่อย 🍜	Classification	บทนำสู่ตัวจัดหมวดหมู่	Python • R	Jen and Cassie • Eric Wanjau
12	อาหารเอเชียและอินเดียอร่อย 🍜	Classification	ตัวจัดหมวดหมู่อีกหลายตัว	Python • R	Jen and Cassie • Eric Wanjau
13	อาหารเอเชียและอินเดียอร่อย 🍜	Classification	สร้างเว็บแอปแนะนำโดยใช้โมเดลของคุณ	Python	Jen
14	บทนำสู่การจัดกลุ่ม	Clustering	ทำความสะอาด เตรียม และแสดงภาพข้อมูลของคุณ; บทนำสู่การจัดกลุ่ม	Python • R	Jen • Eric Wanjau
15	สำรวจรสนิยมดนตรีไนจีเรีย 🎧	Clustering	สำรวจวิธีการจัดกลุ่ม K-Means	Python • R	Jen • Eric Wanjau
16	บทนำสู่การประมวลผลภาษาธรรมชาติ ☕️	Natural language processing	เรียนรู้พื้นฐานเกี่ยวกับ NLP โดยการสร้างบ็อตง่ายๆ	Python	Stephen
17	งาน NLP ทั่วไป ☕️	Natural language processing	เจาะลึกความรู้ NLP ของคุณโดยการทำความเข้าใจงานทั่วไปที่จำเป็นเมื่อต้องจัดการกับโครงสร้างภาษา	Python	Stephen
18	การแปลภาษาและการวิเคราะห์อารมณ์ ♥️	Natural language processing	การแปลภาษาและการวิเคราะห์อารมณ์กับ Jane Austen	Python	Stephen
19	โรงแรมโรแมนติกของยุโรป ♥️	Natural language processing	การวิเคราะห์อารมณ์กับรีวิวโรงแรม 1	Python	Stephen
20	โรงแรมโรแมนติกของยุโรป ♥️	Natural language processing	การวิเคราะห์อารมณ์กับรีวิวโรงแรม 2	Python	Stephen
21	บทนำสู่การพยากรณ์อนุกรมเวลา	Time series	บทนำสู่การพยากรณ์อนุกรมเวลา	Python	Francesca
22	⚡️ การใช้พลังงานโลก ⚡️ - การพยากรณ์อนุกรมเวลากับ ARIMA	Time series	การพยากรณ์อนุกรมเวลากับ ARIMA	Python	Francesca
23	⚡️ การใช้พลังงานโลก ⚡️ - การพยากรณ์อนุกรมเวลากับ SVR	Time series	การพยากรณ์อนุกรมเวลาด้วย Support Vector Regressor	Python	Anirban
24	บทนำสู่การเรียนรู้แบบเสริมแรง	Reinforcement learning	บทนำสู่การเรียนรู้แบบเสริมแรงด้วย Q-Learning	Python	Dmitry
25	ช่วยปีเตอร์หลีกเลี่ยงหมาป่า! 🐺	Reinforcement learning	การเรียนรู้แบบเสริมแรง Gym	Python	Dmitry
Postscript	สถานการณ์และการประยุกต์จริงใน ML	ML in the Wild	การประยุกต์ใช้ ML คลาสสิกในโลกจริงที่น่าสนใจและเปิดเผย	Lesson	Team
Postscript	การดีบักโมเดลใน ML โดยใช้แดชบอร์ด RAI	ML in the Wild	การดีบักโมเดลในการเรียนรู้ของเครื่องโดยใช้ส่วนประกอบแดชบอร์ด Responsible AI	Lesson	Ruth Yakubu

ค้นหาทรัพยากรเพิ่มเติมทั้งหมดสำหรับหลักสูตรนี้ในคอลเลกชัน Microsoft Learn ของเรา

การเข้าถึงแบบออฟไลน์

คุณสามารถใช้เอกสารนี้แบบออฟไลน์โดยใช้ Docsify ให้โคลนที่เก็บนี้, ติดตั้ง Docsify บนเครื่องท้องถิ่นของคุณ และในโฟลเดอร์หลักของที่เก็บนี้ พิมพ์ docsify serve เว็บไซต์จะถูกให้บริการบนพอร์ต 3000 ที่ localhost ของคุณ: localhost:3000.

ไฟล์ PDF

ค้นหาไฟล์ pdf ของหลักสูตรพร้อมลิงก์ ที่นี่.

🎒 หลักสูตรอื่น ๆ

ทีมของเราผลิตหลักสูตรอื่น ๆ! ตรวจสอบ:

LangChain

Azure / Edge / MCP / Agents

---

ชุดหลักสูตร Generative AI

---

การเรียนรู้แกนหลัก

---

ชุดหลักสูตร Copilot

การขอความช่วยเหลือ

หากคุณติดขัดหรือมีคำถามขณะเรียนรู้การเรียนรู้ของเครื่องหรือสร้างแอป AI ไม่ต้องกังวล — มีความช่วยเหลือพร้อมให้บริการ

คุณสามารถเข้าร่วมการสนทนากับผู้เรียนและนักพัฒนาคนอื่น ๆ ถามคำถาม และแบ่งปันไอเดียของคุณกับชุมชน

• เข้าร่วมชุมชนเพื่อถามคำถามและเรียนรู้กับผู้อื่น
• สนทนาเกี่ยวกับแนวคิดการเรียนรู้ของเครื่องและไอเดียโครงการ
• รับคำแนะนำจากนักพัฒนาที่มีประสบการณ์

ชุมชนที่สนับสนุนเป็นวิธีที่ดีในการพัฒนาทักษะและแก้ไขปัญหาได้รวดเร็วยิ่งขึ้น

Microsoft Foundry Discord Community

หากคุณพบข้อบกพร่อง ข้อผิดพลาด หรือมีข้อเสนอแนะสำหรับการปรับปรุง คุณยังสามารถเปิด Issue ในที่เก็บนี้เพื่อรายงานปัญหาได้

สำหรับข้อเสนอแนะผลิตภัณฑ์หรือค้นหากระทู้ชุมชนที่มีอยู่ โปรดเยี่ยมชม Developer Forum:

เคล็ดลับเพิ่มเติมในการเรียนรู้

• ทบทวนสมุดบันทึกหลังจากแต่ละบทเรียนเพื่อความเข้าใจที่ดีขึ้น
• ฝึกปฏิบัติการใช้อัลกอริทึมด้วยตัวเอง
• สำรวจชุดข้อมูลจริงโดยใช้แนวคิดที่เรียนรู้

---

ปฏิเสธความรับผิดชอบ: เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator ขณะที่เราพยายามให้ความถูกต้อง โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางควรถูกพิจารณาเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้การแปลโดยมนุษย์มืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดที่เกิดขึ้นจากการใช้การแปลนี้