ML-For-Beginners/translations/vi

🌐 Hỗ trợ Đa ngôn ngữ

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

Tiếng Ả Rập | Tiếng Bengali | Tiếng Bulgaria | 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 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 Serbia (Chữ Cyrillic) | Tiếng Slovak | 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

Thích Sao Chép Tại Máy?

Kho lưu trữ này bao gồm hơn 50 bản dịch ngôn ngữ làm tăng đáng kể kích thước tải về. Để sao chép không bao gồm bản dịch, hãy dùng 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 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 học cùng AI đang diễn ra, tìm hiểu thêm và tham gia cùng chúng tôi tại Learn with AI Series 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.

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

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

Các Nhà vận động điện toán đám mây tại Microsoft vui mừng giới thiệu một chương trình học 12 tuần với 26 bài học 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 học sâu, khía cạnh 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' của chúng tôi nữa nhé!

Hãy đồng hành cùng chúng tôi đi vòng quanh thế giới khi chúng ta áp dụng các kỹ thuật cổ điển này vào dữ liệu từ nhiều khu vực trên thế giới. Mỗi bài học bao gồm bài kiểm tra trước và sau bài học, hướng dẫn viết để hoàn thành bài học, giải pháp, bài tập, và 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 kỹ năng mới được ghi nhớ lâu dài.

✍️ Trân trọng 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 các họa sĩ minh họa của chúng tôi Tomomi Imura, Dasani Madipalli, và Jen Looper

🙏 Đặc biệt cảm ơn 🙏 các sinh viên đại sứ 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

🤩 Thêm lòng biết ơn lớn dành cho các Đại sứ Sinh viên Microsoft Eric Wanjau, Jasleen Sondhi và Vidushi Gupta cho các bài học R của chúng tôi!

Bắt Đầu

Thực hiện theo các bước sau:

1. Fork Kho Lưu Trữ: Nhấn 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 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 học 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 bước kiểm tra kiến thức.
• Cố gắng tạo các dự án bằng cách hiểu bài học hơn là chỉ chạy mã giải pháp; tuy nhiên mã đó có sẵn trong các thư mục /solution trong mỗi bài học hướng 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 "học cùng nhau" bằng cách điền biểu mẫu PAT phù hợp. 'PAT' là một Công cụ Đánh Giá Tiến Độ mà bạn điền vào để củng cố 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 làm theo các Microsoft Learn module và các lộ trình học.

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

---

Video hướng dẫn

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

---

Gặp gỡ Đội ngũ

Gif bởi Mohit Jaisal

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

---

Phương pháp giảng dạy

Chúng tôi đã chọn hai nguyên tắc sư phạm khi xây dựng chương trình này: đảm bảo nó là dự án thực hành và bao gồm các bài kiểm tra thường xuyên. Ngoài ra, chương trình có một chủ đề chung mang lại sự thống nhất.

Bằng cách đảm bảo nội dung phù hợp với các dự án, quá trình sẽ thu hút sinh viên hơn và tăng cường ghi nhớ các khái niệm. Thêm vào đó, một bài kiểm tra nhẹ trước bài học tạo mục tiêu cho sinh viên trong việc học một chủ đề, trong khi bài kiểm tra thứ hai sau bài học giúp củng cố kiến thức hơn nữa. Chương trình này được thiết kế linh hoạt và thú vị, có thể học toàn bộ hoặc một phần. Các dự án bắt đầu nhỏ và trở nên phức tạp hơn theo chu kỳ 12 tuần. Chương trình cũng bao gồm phần phụ chú về các ứng dụng thực tế của ML, có thể dùng như điểm cộng thêm hoặc làm cơ sở cho thảo luận.

Tìm Quy tắc ứng xử, Góp phần, Dịch thuật và Khắc phục sự cố. Chúng tôi hoan nghênh phản hồi mang tính xây dựng của bạn!

Mỗi bài học bao gồm

• ghi chú minh họa tùy chọn
• video bổ sung tùy chọn
• video hướng dẫn (chỉ một số bài)
• bài kiểm tra khởi động trước bài học
• bài học viết
• đối với bài học dự án, hướng dẫn từng bước cách xây dựng dự án
• kiểm tra kiến thức
• thử thách
• bài đọc bổ sung
• bài tập
• bài kiểm tra sau bài học

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 R, hãy vào thư mục /solution và tìm các bài R. Chúng bao gồm phần mở rộng .rmd đại diện cho tệp R Markdown có thể được hiểu đơn giản là sự kết hợp giữa các đoạn mã (của R hoặc ngôn ngữ khác) và một đầu đề YAML (hướng dẫn cách định dạng đầu ra như PDF) trong một tài liệu Markdown. Vì vậy, nó là một khung soạn thảo tuyệt vời cho khoa học dữ liệu vì cho phép bạn kết hợp mã, đầu ra của mã và suy nghĩ của bạn bằng cách viết chúng dưới dạng Markdown. Hơn nữa, tài liệu R Markdown có thể được xuất ra các định dạng như PDF, HTML hoặc Word. Lưu ý về các bài kiểm tra: Tất cả các bài kiểm tra đều nằm trong thư mục Quiz App, với tổng cộng 52 bài kiểm tra, mỗi bài có ba câu hỏi. Chúng được liên kết trong các bài học nhưng ứng dụng quiz có thể chạy tại chỗ; làm theo hướng dẫn trong thư mục quiz-app để chạy hoặc triển khai trên 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	Introduction	Tìm hiểu các khái niệm cơ bản về 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 mô hình ML?	Lesson	Tomomi
04	Kỹ thuật 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 để chuẩn bị cho ML	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 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 được huấn luyện	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	Ẩm thực Châu Á và Ấn Độ ngon lành 🍜	Classification	Giới thiệu về các bộ phân loại	Python • R	Jen và Cassie • Eric Wanjau
12	Ẩm thực Châu Á và Ấn Độ ngon lành 🍜	Classification	Thêm nhiều bộ phân loại	Python • R	Jen và Cassie • Eric Wanjau
13	Ẩm thực Châu Á và Ấn Độ ngon lành 🍜	Classification	Xây dựng ứng dụng web đề xuất dựa trên mô hình của bạn	Python	Jen
14	Giới thiệu về phân nhóm	Clustering	Làm sạch, chuẩn bị và trực quan hóa dữ liệu; Giới thiệu về phân nhóm	Python • R	Jen • Eric Wanjau
15	Khám phá gu âm nhạc Nigeria 🎧	Clustering	Khám phá phương pháp phân nhóm K-Means	Python • R	Jen • Eric Wanjau
16	Giới thiệu xử lý ngôn ngữ tự nhiên ☕️	Natural language processing	Tìm hiểu kiến thức cơ bản về xử lý ngôn ngữ tự nhiên bằng cách xây dựng một bot đơn giản	Python	Stephen
17	Các nhiệm vụ NLP phổ biến ☕️	Natural language processing	Tăng cường 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	Dịch thuật và phân tích cảm xúc ♥️	Natural language processing	Dịch thuật và phân tích cảm xúc với Jane Austen	Python	Stephen
19	Các khách sạn lãng mạn ở châu Âu ♥️	Natural language processing	Phân tích cảm xúc với đánh giá khách sạn 1	Python	Stephen
20	Các 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	⚡️ Sử dụng điện thế giới ⚡️ - dự báo chuỗi thời gian với ARIMA	Time series	Dự báo chuỗi thời gian với ARIMA	Python	Francesca
23	⚡️ Sử dụng điện thế giới ⚡️ - dự báo chuỗi thời gian với SVR	Time series	Dự báo chuỗi thời gian với Bộ hồi quy Vector hỗ trợ	Python	Anirban
24	Giới thiệu học tăng cường	Reinforcement learning	Giới thiệu học tăng cường với Q-Learning	Python	Dmitry
25	Giúp Peter tránh con sói! 🐺	Reinforcement learning	Học tăng cường Gym	Python	Dmitry
Hậu ký	Những tình huống và ứng dụng ML thực tế	ML in the Wild	Các ứng dụng thực tế thú vị và mang tính khám phá của học máy cổ điển	Lesson	Team
Hậu ký	Gỡ lỗi mô hình học máy bằng bảng điều khiển RAI	ML in the Wild	Gỡ lỗi mô hình trong học máy sử dụng 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

Truy cập ngoại tuyến

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

PDF

Tìm tệp pdf của chương trình học có liên kết tại đây.

🎒 Các khóa học khác

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

LangChain

Azure / Edge / MCP / Agents

---

Chuyên đề AI tạo sinh

---

Học Cốt Lõi

---

Dòng Học Copilot

Nhận Trợ Giúp

Nếu bạn gặp khó khăn hoặc có bất kỳ câu hỏi nào về xây dựng ứng dụng AI. Hãy tham gia cùng các học viên và lập trình viên có kinh nghiệm trong các cuộc thảo luận về MCP. Đây là một cộng đồng hỗ trợ nơi các câu hỏi được chào đón và kiến thức được chia sẻ rộng rãi.

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

---

Tuyên bố miễn trách nhiệm:
Tài liệu này đã được dịch bằng dịch vụ dịch thuật AI Co-op Translator. Mặc dù chúng tôi cố gắng 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 gốc nên được coi là nguồn chính xác và có thẩm quyền. Đối với thông tin quan trọng, nên sử dụng dịch vụ dịch thuật chuyên nghiệp do con người thực hiện. Chúng tôi không chịu trách nhiệm về bất kỳ sự hiểu nhầm hay giải thích sai lệch nào phát sinh từ việc sử dụng bản dịch này.