36 KiB

Raw Blame History Unescape Escape

🌐 การสนับสนุนหลายภาษา

รองรับผ่าน GitHub Action (อัตโนมัติและอัปเดตเสมอ)

เข้าร่วมชุมชน

การเรียนรู้เครื่องสำหรับผู้เริ่มต้น - หลักสูตร

🌍 เดินทางรอบโลกในขณะที่เราเรียนรู้การเรียนรู้เครื่องผ่านวัฒนธรรมโลก 🌍

ทีม Cloud Advocates จาก Microsoft ยินดีนำเสนอหลักสูตร 12 สัปดาห์ 26 บทเรียนเกี่ยวกับ การเรียนรู้เครื่อง ในหลักสูตรนี้ คุณจะได้เรียนรู้เกี่ยวกับสิ่งที่บางครั้งเรียกว่า การเรียนรู้เครื่องแบบคลาสสิก โดยใช้ Scikit-learn เป็นไลบรารีหลักและหลีกเลี่ยงการเรียนรู้เชิงลึก ซึ่งครอบคลุมใน หลักสูตร AI สำหรับผู้เริ่มต้น นอกจากนี้ยังสามารถจับคู่บทเรียนเหล่านี้กับ หลักสูตรวิทยาศาสตร์ข้อมูลสำหรับผู้เริ่มต้น ได้อีกด้วย!

เดินทางไปกับเราทั่วโลกในขณะที่เรานำเทคนิคแบบคลาสสิกเหล่านี้ไปใช้กับข้อมูลจากหลายพื้นที่ทั่วโลก แต่ละบทเรียนประกอบด้วยแบบทดสอบก่อนและหลังบทเรียน คำแนะนำที่เขียนไว้สำหรับการทำบทเรียน โซลูชัน งานมอบหมาย และอื่นๆ วิธีการเรียนรู้แบบโครงการช่วยให้คุณเรียนรู้ในขณะที่สร้าง ซึ่งเป็นวิธีที่พิสูจน์แล้วว่าทักษะใหม่จะคงอยู่

✍️ 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

🙏 ขอบคุณพิเศษ 🙏 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:

Fork Repository: คลิกที่ปุ่ม "Fork" ที่มุมขวาบนของหน้านี้
Clone Repository: git clone https://github.com/microsoft/ML-For-Beginners.git

ค้นหาทรัพยากรเพิ่มเติมสำหรับหลักสูตรนี้ในคอลเลกชัน Microsoft Learn ของเรา

นักเรียน เพื่อใช้หลักสูตรนี้ ให้ fork repo ทั้งหมดไปยังบัญชี GitHub ของคุณเองและทำแบบฝึกหัดด้วยตัวเองหรือกับกลุ่ม:

เริ่มต้นด้วยแบบทดสอบก่อนการบรรยาย
อ่านบทเรียนและทำกิจกรรม หยุดและสะท้อนที่แต่ละจุดตรวจสอบความรู้
พยายามสร้างโครงการโดยทำความเข้าใจบทเรียนแทนที่จะรันโค้ดโซลูชัน อย่างไรก็ตาม โค้ดนั้นมีอยู่ในโฟลเดอร์ /solution ในแต่ละบทเรียนที่เน้นโครงการ
ทำแบบทดสอบหลังการบรรยาย
ทำความท้าทายให้เสร็จ
ทำงานมอบหมายให้เสร็จ
หลังจากทำกลุ่มบทเรียนเสร็จแล้ว ไปที่ กระดานสนทนา และ "เรียนรู้แบบเปิดเผย" โดยกรอก PAT rubric ที่เหมาะสม PAT คือเครื่องมือประเมินความก้าวหน้าที่เป็น rubric ที่คุณกรอกเพื่อพัฒนาการเรียนรู้ของคุณ คุณยังสามารถตอบสนองต่อ PAT อื่นๆ เพื่อให้เราเรียนรู้ร่วมกัน

สำหรับการศึกษาเพิ่มเติม เราแนะนำให้ติดตาม Microsoft Learn โมดูลและเส้นทางการเรียนรู้

ครู เราได้ รวมคำแนะนำบางส่วน เกี่ยวกับวิธีการใช้หลักสูตรนี้

วิดีโอแนะนำ

บทเรียนบางส่วนมีวิดีโอสั้น คุณสามารถค้นหาวิดีโอเหล่านี้ในบทเรียน หรือใน เพลย์ลิสต์ ML สำหรับผู้เริ่มต้นในช่อง YouTube ของ Microsoft Developer โดยคลิกที่ภาพด้านล่าง

พบกับทีมงาน

Gif โดย Mohit Jaisal

🎥 คลิกที่ภาพด้านบนเพื่อดูวิดีโอเกี่ยวกับโครงการและผู้ที่สร้างมันขึ้นมา!

วิธีการสอน

เราเลือกใช้หลักการสอนสองข้อในการสร้างหลักสูตรนี้: การทำให้เป็น โครงการที่ลงมือทำ และการรวม แบบทดสอบบ่อยครั้ง นอกจากนี้ หลักสูตรนี้ยังมี ธีมร่วม เพื่อให้มีความสอดคล้องกัน

โดยการทำให้เนื้อหาสอดคล้องกับโครงการ กระบวนการจะมีความน่าสนใจมากขึ้นสำหรับนักเรียนและช่วยเพิ่มการจดจำแนวคิด นอกจากนี้ แบบทดสอบที่มีความเสี่ยงต่ำก่อนชั้นเรียนจะตั้งเจตนาของนักเรียนในการเรียนรู้หัวข้อ ในขณะที่แบบทดสอบที่สองหลังชั้นเรียนจะช่วยเพิ่มการจดจำเพิ่มเติม หลักสูตรนี้ได้รับการออกแบบให้มีความยืดหยุ่นและสนุกสนาน และสามารถเรียนได้ทั้งหมดหรือบางส่วน โครงการเริ่มต้นเล็กและมีความซับซ้อนมากขึ้นเมื่อสิ้นสุดรอบ 12 สัปดาห์ หลักสูตรนี้ยังมีบทส่งท้ายเกี่ยวกับการประยุกต์ใช้ ML ในโลกจริง ซึ่งสามารถใช้เป็นเครดิตพิเศษหรือเป็นพื้นฐานสำหรับการอภิปราย

ค้นหา Code of Conduct, Contributing, และ Translation แนวทาง เราขอต้อนรับความคิดเห็นที่สร้างสรรค์ของคุณ!

แต่ละบทเรียนประกอบด้วย

sketchnote (ตัวเลือก)
วิดีโอเสริม (ตัวเลือก)
วิดีโอแนะนำ (บางบทเรียนเท่านั้น)
แบบทดสอบอุ่นเครื่องก่อนการบรรยาย
บทเรียนที่เขียนไว้
สำหรับบทเรียนที่เน้นโครงการ คู่มือทีละขั้นตอนเกี่ยวกับวิธีการสร้างโครงการ
การตรวจสอบความรู้
ความท้าทาย
การอ่านเสริม
งานมอบหมาย
แบบทดสอบหลังการบรรยาย

หมายเหตุเกี่ยวกับภาษา: บทเรียนเหล่านี้เขียนขึ้นใน Python เป็นหลัก แต่หลายบทเรียนก็มีใน R เช่นกัน หากต้องการทำบทเรียน R ให้ไปที่โฟลเดอร์ /solution และมองหาบทเรียน R ซึ่งมีนามสกุล .rmd ที่แสดงถึงไฟล์ R Markdown ซึ่งสามารถกำหนดได้ง่ายๆ ว่าเป็นการฝัง code chunks (ของ R หรือภาษาอื่นๆ) และ YAML header (ที่แนะนำวิธีการจัดรูปแบบผลลัพธ์ เช่น PDF) ในเอกสาร Markdown ด้วยเหตุนี้จึงเป็นกรอบการเขียนที่ยอดเยี่ยมสำหรับวิทยาศาสตร์ข้อมูล เนื่องจากช่วยให้คุณรวมโค้ด ผลลัพธ์ และความคิดของคุณโดยเขียนลงใน Markdown นอกจากนี้ เอกสาร R Markdown สามารถแสดงผลในรูปแบบผลลัพธ์ เช่น PDF, HTML หรือ Word

หมายเหตุเกี่ยวกับแบบทดสอบ: แบบทดสอบทั้งหมดอยู่ใน โฟลเดอร์ Quiz App รวมทั้งหมด 52 แบบทดสอบ แต่ละแบบมีสามคำถาม แบบทดสอบเหล่านี้เชื่อมโยงจากในบทเรียน แต่แอปแบบทดสอบสามารถรันได้ในเครื่อง ให้ทำตามคำแนะนำในโฟลเดอร์ quiz-app เพื่อโฮสต์ในเครื่องหรือปรับใช้ใน Azure

หมายเลขบทเรียน	หัวข้อ	การจัดกลุ่มบทเรียน	วัตถุประสงค์การเรียนรู้	บทเรียนที่เชื่อมโยง	ผู้เขียน
01	บทนำสู่การเรียนรู้เครื่อง	บทนำ	เรียนรู้แนวคิดพื้นฐานเกี่ยวกับการเรียนรู้เครื่อง	บทเรียน	Muhammad
02	ประวัติศาสตร์ของการเรียนรู้เครื่อง	บทนำ	เรียนรู้ประวัติศาสตร์ที่อยู่เบื้องหลังสาขานี้	บทเรียน	Jen และ Amy
03	ความยุติธรรมและการเรียนรู้เครื่อง	บทนำ	ประเด็นปรัชญาที่สำคัญเกี่ยวกับความยุติธรรมที่นักเรียนควรพิจารณาเมื่อสร้างและใช้โมเดล ML คืออะไร?	บทเรียน	Tomomi
04	เทคนิคสำหรับการเรียนรู้ของเครื่อง	Introduction	นักวิจัย ML ใช้เทคนิคอะไรในการสร้างโมเดล ML?	Lesson	Chris และ Jen
05	บทนำสู่การถดถอย	Regression	เริ่มต้นใช้งาน Python และ Scikit-learn สำหรับโมเดลการถดถอย	Python • R	Jen • Eric Wanjau
06	ราคาฟักทองในอเมริกาเหนือ 🎃	Regression	การแสดงผลและการทำความสะอาดข้อมูลเพื่อเตรียมพร้อมสำหรับ ML	Python • R	Jen • Eric Wanjau
07	ราคาฟักทองในอเมริกาเหนือ 🎃	Regression	สร้างโมเดลการถดถอยเชิงเส้นและพหุนาม	Python • R	Jen และ Dmitry • Eric Wanjau
08	ราคาฟักทองในอเมริกาเหนือ 🎃	Regression	สร้างโมเดลการถดถอยโลจิสติก	Python • R	Jen • Eric Wanjau
09	แอปพลิเคชันเว็บ 🔌	Web App	สร้างแอปพลิเคชันเว็บเพื่อใช้งานโมเดลที่คุณฝึกฝน	Python	Jen
10	บทนำสู่การจัดประเภท	Classification	ทำความสะอาด เตรียม และแสดงผลข้อมูลของคุณ; บทนำสู่การจัดประเภท	Python • R	Jen และ Cassie • Eric Wanjau
11	อาหารเอเชียและอินเดียแสนอร่อย 🍜	Classification	บทนำสู่ตัวจัดประเภท	Python • R	Jen และ Cassie • Eric Wanjau
12	อาหารเอเชียและอินเดียแสนอร่อย 🍜	Classification	ตัวจัดประเภทเพิ่มเติม	Python • R	Jen และ Cassie • Eric Wanjau
13	อาหารเอเชียและอินเดียแสนอร่อย 🍜	Classification	สร้างแอปพลิเคชันเว็บแนะนำโดยใช้โมเดลของคุณ	Python	Jen
14	บทนำสู่การจัดกลุ่ม	Clustering	ทำความสะอาด เตรียม และแสดงผลข้อมูลของคุณ; บทนำสู่การจัดกลุ่ม	Python • R	Jen • Eric Wanjau
15	สำรวจรสนิยมดนตรีของไนจีเรีย 🎧	Clustering	สำรวจวิธีการจัดกลุ่มแบบ K-Means	Python • R	Jen • Eric Wanjau
16	บทนำสู่การประมวลผลภาษาธรรมชาติ ☕️	Natural language processing	เรียนรู้พื้นฐานเกี่ยวกับ NLP โดยการสร้างบอทง่ายๆ	Python	Stephen
17	งาน NLP ทั่วไป ☕️	Natural language processing	เพิ่มพูนความรู้เกี่ยวกับ NLP โดยทำความเข้าใจงานทั่วไปที่เกี่ยวข้องกับโครงสร้างภาษา	Python	Stephen
18	การแปลและการวิเคราะห์ความรู้สึก ♥️	Natural language processing	การแปลและการวิเคราะห์ความรู้สึกด้วย Jane Austen	Python	Stephen
19	โรงแรมโรแมนติกในยุโรป ♥️	Natural language processing	การวิเคราะห์ความรู้สึกด้วยรีวิวโรงแรม 1	Python	Stephen
20	โรงแรมโรแมนติกในยุโรป ♥️	Natural language processing	การวิเคราะห์ความรู้สึกด้วยรีวิวโรงแรม 2	Python	Stephen
21	บทนำสู่การพยากรณ์อนุกรมเวลา	Time series	บทนำสู่การพยากรณ์อนุกรมเวลา	Python	Francesca
22	⚡️ การใช้พลังงานโลก ⚡️ - การพยากรณ์อนุกรมเวลาด้วย ARIMA	Time series	การพยากรณ์อนุกรมเวลาด้วย ARIMA	Python	Francesca
23	⚡️ การใช้พลังงานโลก ⚡️ - การพยากรณ์อนุกรมเวลาด้วย SVR	Time series	การพยากรณ์อนุกรมเวลาด้วย Support Vector Regressor	Python	Anirban
24	บทนำสู่การเรียนรู้เสริมกำลัง	Reinforcement learning	บทนำสู่การเรียนรู้เสริมกำลังด้วย Q-Learning	Python	Dmitry
25	ช่วยปีเตอร์หนีหมาป่า! 🐺	Reinforcement learning	การเรียนรู้เสริมกำลังใน Gym	Python	Dmitry
Postscript	สถานการณ์และการประยุกต์ใช้ ML ในโลกจริง	ML in the Wild	การประยุกต์ใช้ ML แบบคลาสสิกในโลกจริงที่น่าสนใจและเปิดเผย	Lesson	Team
Postscript	การดีบักโมเดลใน ML ด้วยแดชบอร์ด RAI	ML in the Wild	การดีบักโมเดลใน Machine Learning ด้วยส่วนประกอบแดชบอร์ด Responsible AI	Lesson	Ruth Yakubu

ค้นหาทรัพยากรเพิ่มเติมสำหรับคอร์สนี้ใน Microsoft Learn collection ของเรา

การเข้าถึงแบบออฟไลน์

คุณสามารถเรียกใช้เอกสารนี้แบบออฟไลน์ได้โดยใช้ 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 ด้วย! ลองดู:

ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่แม่นยำ เอกสารต้นฉบับในภาษาต้นทางควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษาจากผู้เชี่ยวชาญ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดซึ่งเกิดจากการใช้การแปลนี้

36 KiB Raw Blame History Unescape Escape