ML-For-Beginners/translations/vi

🌐 Hỗ trợ đa ngôn ngữ

Hỗ trợ 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 Hebrew | Tiếng Hindi | Tiếng Hungary | Tiếng Indonesia | Tiếng Ý | Tiếng Nhật | Tiếng Kannada | Tiếng Hàn | Tiếng Litva | Tiếng Mã Lai | 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 Serbian (Chữ Kirin) | 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

Ưa thích sao chép về máy?

Kho lưu trữ này bao gồm hơn 50 bản dịch ngôn ngữ điều này làm tăng đáng kể kích thước tải xuống. Để sao chép mà không tải bản dịch, hãy sử dụng sparse checkout:

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 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 với AI đang diễn ra trên Discord, tìm hiểu thêm và tham gia cùng chúng tôi tại Chuỗi học với AI từ ngày 18 - 30 tháng 9 năm 2025. Bạn sẽ nhận được các mẹo và thủ thuật sử dụng GitHub Copilot cho Khoa học dữ liệu.

Học Máy cho Người Mới Bắt Đầu - Một Chương Trình học

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

Các Cloud Advocates tại Microsoft vui mừng cung cấp một chương trình học kéo dài 12 tuần, 26 bài học toàn diện về Học Máy. Trong chương trình này, bạn sẽ tìm hiểu về cái gọi là học máy cổ điển, chủ yếu sử dụng thư viện Scikit-learn và tránh học sâu, được đề cập trong chương trình học 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' của chúng tôi nữa nhé!

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

✍️ Xin chân thành cảm ơn các tác giả của chúng tôi 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 cũng gửi đến các họa sĩ minh họa Tomomi Imura, Dasani Madipalli, và Jen Looper

🙏 Cảm ơn đặc biệt 🙏 đến các Microsoft Student Ambassador là tác giả, người đánh giá và 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

🤩 Thêm lòng biết ơn đến các Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, và Vidushi Gupta cho các bài học R của chúng tôi!

Bắt đầu

Thực hiện các bước sau:

1. Nhánh (Fork) kho lưu trữ: Nhấn vào nút "Fork" ở góc trên bên phải của trang này.
2. Sao chép 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 giúp đỡ? Xem Hướng dẫn khắc phục sự cố của chúng tôi để tìm giải pháp cho các vấn đề phổ biến về cài đặt, thiết lập và chạy bài học.

Sinh viên, để sử dụng chương trình học này, hãy fork toàn bộ repo về tài khoản GitHub của bạn và hoàn thành các bài tập một mình hoặc theo nhóm:

• Bắt đầu với một bài kiểm tra làm nóng trước bài giảng.
• Đọc bài giảng và hoàn thành các hoạt động, dừng lại và suy ngẫm ở mỗi phần kiểm tra kiến thức.
• Cố gắng tự tạo dự án bằng cách hiểu bài học thay vì chỉ chạy mã giải pháp; tuy nhiên mã giải pháp có sẵn trong thư mục /solution ở mỗi bài học 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, hãy truy cập Bảng Thảo luận và "thể hiện việc học" bằng cách điền vào biểu mẫu PAT phù hợp. 'PAT' là Công cụ Đánh giá Tiến độ mà bạn điền để thúc đẩy việc học của mình. Bạn cũng có thể phản ứng với các PAT khác để chúng ta cùng học hỏi.

Để học sâu hơn, chúng tôi khuyên bạn nên theo dõi các mô-đun và lộ trình học trên Microsoft Learn.

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

---

Video hướng dẫn

Một số bài học có sẵn dưới dạng video ngắn. Bạn có thể tìm tất cả những video này 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 giáo dục khi xây dựng chương trình này: đảm bảo nó là dựa trên dự án thực hành và bao gồm các bài kiểm tra thường xuyên. Bên cạnh đó, chương trình có một chủ đề chung để tạo sự liên kết.

Bằng cách đảm bảo nội dung phù hợp với các dự án, quá trình học tập trở nên hấp dẫn hơn đối với sinh viên và việc ghi nhớ các khái niệm sẽ được tăng cường. Thêm vào đó, một bài kiểm tra nhẹ trước lớp đặt ý định học tập cho sinh viên, trong khi bài kiểm tra thứ hai sau lớp đảm bảo việc ghi nhớ lâu dài hơn. Chương trình này được thiết kế linh hoạt và vui nhộn và có thể học toàn bộ hoặc một phần. Các dự án bắt đầu nhỏ và trở nên phức tạp hơn dần theo chu kỳ 12 tuần. Chương trình cũng bao gồm phần phụ lục về các ứng dụng thực tế của ML, có thể được sử dụng như tín chỉ bổ sung hoặc làm cơ sở cho thảo luận.

Xem Bộ Quy tắc Ứng xử, Đóng góp, Dịch thuật, và Khắc phục sự cố của chúng tôi. Chúng tôi hoan nghênh phản hồi mang tính xây dựng của bạn!

Mỗi bài học bao gồm

• ghi chú phác thảo tùy chọn
• video bổ sung tùy chọn
• video hướng dẫn (chỉ một số bài)
• bài kiểm tra làm nóng trước bài giảng
• bài học viết
• đối với bài học dựa trên dự án, hướng dẫn từng bước về cách xây dựng dự án
• kiểm tra kiến thức
• thử thách
• đọc bổ sung
• bài tập
• bài kiểm tra sau bài giảng

Lưu ý về ngôn ngữ: Các bài học này chủ yếu viết bằng Python, nhưng nhiều bài cũng có sẵn bằng R. Để hoàn thành bài học R, hãy đi đến thư mục /solution và tìm các bài học R. Chúng bao gồm phần mở rộng .rmd là một tệp R Markdown có thể được hiểu đơn giản là sự kết hợp của các đoạn mã (R hoặc các ngôn ngữ khác) và tiêu đề YAML (hướng dẫn cách định dạng đầu ra như PDF) trong một tài liệu Markdown. Do đó, nó đóng vai trò như một khuôn khổ tác giả mẫu mực cho khoa học dữ liệu vì cho phép bạn kết hợp mã của mình, kết quả đầu ra, và suy nghĩ của bạn bằng cách viết chúng xuống dưới dạng Markdown. Hơn nữa, tài liệu R Markdown có thể được xuất ra các định dạng như PDF, HTML hoặc Word. Một lưu ý về các bài kiểm tra: Tất cả các bài kiểm tra đều nằm 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 quiz có thể được chạy cục bộ; hãy làm theo hướng dẫn trong thư mục quiz-app để lưu trữ cục bộ hoặc triển khai lên Azure.

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	Giới thiệu về học máy (machine learning)	Introduction	Học các khái niệm cơ bản đằng sau học máy	Lesson	Muhammad
02	Lịch sử học máy	Introduction	Tìm hiểu lịch sử của lĩnh vực này	Lesson	Jen và Amy
03	Công bằng và học máy	Introduction	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?	Lesson	Tomomi
04	Các kỹ thuật trong học máy	Introduction	Các kỹ thuật mà các nhà nghiên cứu ML sử dụng để xây dựng mô hình ML là gì?	Lesson	Chris và Jen
05	Giới thiệu về hồi quy	Regression	Bắt đầu với Python và Scikit-learn cho các mô hình hồi quy	Python • R	Jen • Eric Wanjau
06	Giá bí ngô Bắc Mỹ 🎃	Regression	Trực quan hóa và làm sạch dữ liệu chuẩn bị cho học máy	Python • R	Jen • Eric Wanjau
07	Giá bí ngô Bắc Mỹ 🎃	Regression	Xây dựng các mô hình hồi quy tuyến tính và đa thức	Python • R	Jen và Dmitry • Eric Wanjau
08	Giá bí ngô Bắc Mỹ 🎃	Regression	Xây dựng một mô hình hồi quy logistic	Python • R	Jen • Eric Wanjau
09	Ứng dụng Web 🔌	Web App	Xây dựng một ứng dụng web để sử dụng mô hình đã đào tạo	Python	Jen
10	Giới thiệu về phân loại	Classification	Làm sạch, chuẩn bị và trực quan hóa dữ liệu; giới thiệu về phân loại	Python • R	Jen và Cassie • Eric Wanjau
11	Các món ăn ngon của châu Á và Ấn Độ 🍜	Classification	Giới thiệu về các bộ phân loại	Python • R	Jen và Cassie • Eric Wanjau
12	Các món ăn ngon của châu Á và Ấn Độ 🍜	Classification	Thêm các bộ phân loại	Python • R	Jen và Cassie • Eric Wanjau
13	Các món ăn ngon của châu Á và Ấn Độ 🍜	Classification	Xây dựng một ứng dụng web đề xuất sử dụng mô hình của bạn	Python	Jen
14	Giới thiệu về phân cụm	Clustering	Làm sạch, chuẩn bị và trực quan hóa dữ liệu; Giới thiệu về phân cụm	Python • R	Jen • Eric Wanjau
15	Khám phá gu âm nhạc Nigeria 🎧	Clustering	Khám phá phương pháp phân cụm K-Means	Python • R	Jen • Eric Wanjau
16	Giới thiệu về xử lý ngôn ngữ tự nhiên ☕️	Natural language processing	Học các kiến thức cơ bản về NLP bằng cách xây dựng một bot đơn giản	Python	Stephen
17	Các nhiệm vụ phổ biến trong NLP ☕️	Natural language processing	Tăng cường kiến thức NLP bằng cách hiểu các nhiệm vụ phổ biến khi xử lý cấu trúc ngôn ngữ	Python	Stephen
18	Dịch và phân tích cảm xúc ♥️	Natural language processing	Dịch và phân tích cảm xúc với Jane Austen	Python	Stephen
19	Khách sạn lãng mạn ở châu Âu ♥️	Natural language processing	Phân tích cảm xúc với đánh giá khách sạn 1	Python	Stephen
20	Khách sạn lãng mạn ở châu Âu ♥️	Natural language processing	Phân tích cảm xúc với đánh giá khách sạn 2	Python	Stephen
21	Giới thiệu về dự báo chuỗi thời gian	Time series	Giới thiệu về dự báo chuỗi thời gian	Python	Francesca
22	⚡️ Mức sử dụng điện thế giới ⚡️ - dự báo chuỗi thời gian với ARIMA	Time series	Dự báo chuỗi thời gian với ARIMA	Python	Francesca
23	⚡️ Mức sử dụng điện thế giới ⚡️ - dự báo chuỗi thời gian với SVR	Time series	Dự báo chuỗi thời gian với Hồi quy vector hỗ trợ (Support Vector Regressor)	Python	Anirban
24	Giới thiệu về học tăng cường	Reinforcement learning	Giới thiệu về học tăng cường với Q-Learning	Python	Dmitry
25	Giúp Peter tránh con sói! 🐺	Reinforcement learning	Học tăng cường Gym	Python	Dmitry
Postscript	Các kịch bản và ứng dụng ML trong thế giới thực	ML in the Wild	Các ứng dụng ML cổ điển thú vị và mang tính khám phá trong thực tế	Lesson	Team
Postscript	Gỡ lỗi mô hình trong ML sử dụng bảng điều khiển RAI	ML in the Wild	Gỡ lỗi mô hình trong học máy sử dụng các thành phần bảng điều khiển Responsible AI	Lesson	Ruth Yakubu

tìm tất cả các 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. Tạo nhánh (fork) repo này, cài đặt Docsify trên máy của bạn, rồi trong thư mục gốc của repo này, gõ docsify serve. Website sẽ được phục vụ trên cổng 3000 tại localhost của bạn: localhost:3000.

PDF

Tìm một file pdf của chương trình học có 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

---

Generative AI Series

---

Học Tập Cốt Lõi

---

Series Copilot

Nhận Trợ Giúp

Nếu bạn bị mắc kẹt hoặc có bất kỳ câu hỏi nào về việc xây dựng các ứng dụng AI. 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 các câu hỏi được hoan nghênh và kiến thức được chia sẻ tự do.

Nếu bạn có phản hồi về sản phẩm hoặc lỗi trong quá trình xây dựng, vui lòng truy cập:

---

Tuyên bố miễn trừ 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 sai sót. Tài liệu gốc bằng ngôn ngữ gốc nên được xem là nguồn chính xác và đáng tin cậy. Đối với những thông tin quan trọng, nên sử dụng dịch vụ dịch thuật chuyên nghiệp do con người thực hiện. Chúng tôi không chịu trách nhiệm cho bất kỳ hiểu lầm hoặc giải thích sai nào phát sinh từ việc sử dụng bản dịch này.