ML-For-Beginners/translations/th

🌐 การสนับสนุนหลายภาษา

สนับสนุนผ่าน GitHub Action (อัตโนมัติ & อัปเดตเสมอ)

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

เข้าร่วมชุมชนของเรา

เรามีซีรีส์เรียนรู้กับ AI บน Discord อย่างต่อเนื่อง เรียนรู้เพิ่มเติมและเข้าร่วมกับเราที่ Learn with AI Series ตั้งแต่วันที่ 18 - 30 กันยายน 2025 คุณจะได้รับเคล็ดลับและเทคนิคการใช้ GitHub Copilot สำหรับ Data Science

การเรียนรู้เครื่องสำหรับผู้เริ่มต้น - หลักสูตร

🌍 เดินทางรอบโลกในขณะที่เราสำรวจการเรียนรู้เครื่องผ่านวัฒนธรรมโลก 🌍

Cloud Advocates ที่ Microsoft มีความยินดีที่จะนำเสนอหลักสูตร 12 สัปดาห์ 26 บทเรียนเกี่ยวกับ การเรียนรู้เครื่อง ในหลักสูตรนี้ คุณจะได้เรียนรู้เกี่ยวกับสิ่งที่บางครั้งเรียกว่า การเรียนรู้เครื่องแบบคลาสสิก โดยใช้ Scikit-learn เป็นไลบรารีหลักและหลีกเลี่ยงการเรียนรู้เชิงลึก ซึ่งครอบคลุมในหลักสูตร AI for Beginners ของเรา จับคู่บทเรียนเหล่านี้กับหลักสูตร 'Data Science for Beginners' ของเราได้เช่นกัน!

เดินทางกับเราไปรอบโลกในขณะที่เรานำเทคนิคคลาสสิกเหล่านี้ไปใช้กับข้อมูลจากหลายพื้นที่ของโลก แต่ละบทเรียนประกอบด้วยแบบทดสอบก่อนและหลังบทเรียน คำแนะนำเป็นลายลักษณ์อักษรเพื่อทำบทเรียนให้เสร็จสมบูรณ์ โซลูชัน งานมอบหมาย และอื่น ๆ วิธีการสอนที่เน้นโครงการช่วยให้คุณเรียนรู้ไปพร้อมกับการสร้าง ซึ่งเป็นวิธีที่พิสูจน์แล้วว่าสำหรับทักษะใหม่ ๆ ที่จะ 'ติดตัว'

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

🎨 ขอบคุณด้วยสำหรับนักวาดภาพประกอบของเรา Tomomi Imura, Dasani Madipalli และ Jen Looper

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

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

การเริ่มต้นใช้งาน

ทำตามขั้นตอนเหล่านี้:

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

ค้นหาทรัพยากรเพิ่มเติมทั้งหมดสำหรับหลักสูตรนี้ในคอลเลกชัน Microsoft Learn ของเรา

🔧 ต้องการความช่วยเหลือ? ตรวจสอบ คู่มือแก้ไขปัญหา สำหรับวิธีแก้ไขปัญหาทั่วไปเกี่ยวกับการติดตั้ง การตั้งค่า และการรันบทเรียน

นักเรียน เพื่อใช้หลักสูตรนี้ ให้ fork รีโปทั้งหมดไปยังบัญชี GitHub ของคุณเองและทำแบบฝึกหัดด้วยตัวเองหรือกับกลุ่ม:

• เริ่มด้วยแบบทดสอบก่อนบรรยาย
• อ่านบรรยายและทำกิจกรรมให้เสร็จสมบูรณ์ หยุดและไตร่ตรองในแต่ละจุดตรวจสอบความรู้
• พยายามสร้างโครงการโดยเข้าใจบทเรียนแทนการรันโค้ดโซลูชัน อย่างไรก็ตาม โค้ดนั้นมีให้ในโฟลเดอร์ /solution ในแต่ละบทเรียนที่เน้นโครงการ
• ทำแบบทดสอบหลังบรรยาย
• ทำความท้าทายให้เสร็จ
• ทำงานมอบหมายให้เสร็จ
• หลังจากทำกลุ่มบทเรียนเสร็จแล้ว เยี่ยมชม กระดานอภิปราย และ "เรียนรู้ออกเสียง" โดยกรอกแบบประเมิน PAT ที่เหมาะสม 'PAT' คือเครื่องมือประเมินความก้าวหน้าที่คุณกรอกเพื่อส่งเสริมการเรียนรู้ของคุณ คุณยังสามารถตอบสนองต่อ PAT อื่น ๆ เพื่อให้เราเรียนรู้ร่วมกันได้

สำหรับการศึกษาต่อ เราแนะนำให้ติดตามโมดูลและเส้นทางการเรียนรู้ Microsoft Learn เหล่านี้

ครูผู้สอน เราได้ รวมคำแนะนำบางส่วน เกี่ยวกับวิธีการใช้หลักสูตรนี้

---

วิดีโอสอน

บทเรียนบางบทมีในรูปแบบวิดีโอสั้น คุณสามารถหาทั้งหมดนี้ได้ในบทเรียน หรือใน เพลย์ลิสต์ ML for Beginners บนช่อง Microsoft Developer YouTube โดยคลิกที่ภาพด้านล่าง

---

พบกับทีมงาน

ภาพเคลื่อนไหวโดย Mohit Jaisal

🎥 คลิกที่ภาพด้านบนเพื่อดูวิดีโอเกี่ยวกับโครงการและผู้ที่สร้างมันขึ้นมา!

---

วิธีการสอน

เราได้เลือกหลักการสอนสองประการขณะสร้างหลักสูตรนี้: การทำให้เป็น โครงการที่ลงมือทำจริง และการมี แบบทดสอบบ่อยครั้ง นอกจากนี้ หลักสูตรนี้ยังมี ธีม ร่วมเพื่อให้มีความสอดคล้องกัน

โดยการทำให้เนื้อหาสอดคล้องกับโครงการ กระบวนการจะน่าสนใจมากขึ้นสำหรับนักเรียนและช่วยเพิ่มการจดจำแนวคิด นอกจากนี้ แบบทดสอบที่มีความเสี่ยงต่ำก่อนชั้นเรียนจะตั้งเจตนารมณ์ของนักเรียนในการเรียนรู้หัวข้อ ในขณะที่แบบทดสอบที่สองหลังชั้นเรียนช่วยเพิ่มการจดจำเพิ่มเติม หลักสูตรนี้ถูกออกแบบให้ยืดหยุ่นและสนุกสนาน และสามารถเรียนได้ทั้งหลักสูตรหรือบางส่วน โครงการเริ่มต้นเล็กและซับซ้อนขึ้นเรื่อย ๆ จนถึงสิ้นสุดรอบ 12 สัปดาห์ หลักสูตรนี้ยังรวมบทส่งท้ายเกี่ยวกับการประยุกต์ใช้ ML ในโลกจริง ซึ่งสามารถใช้เป็นเครดิตพิเศษหรือเป็นฐานสำหรับการอภิปราย

ค้นหา จรรยาบรรณ, การมีส่วนร่วม, การแปล และ การแก้ไขปัญหา ของเรา เราต้อนรับคำติชมเชิงสร้างสรรค์ของคุณ!

แต่ละบทเรียนประกอบด้วย

• สเก็ตช์โน้ตเสริม (ถ้ามี)
• วิดีโอเสริม (ถ้ามี)
• วิดีโอสอน (เฉพาะบางบทเรียน)
• แบบทดสอบวอร์มอัพก่อนบรรยาย
• บทเรียนเป็นลายลักษณ์อักษร
• สำหรับบทเรียนที่เน้นโครงการ มีคำแนะนำทีละขั้นตอนในการสร้างโครงการ
• การตรวจสอบความรู้
• ความท้าทาย
• การอ่านเสริม
• งานมอบหมาย
• แบบทดสอบหลังบรรยาย

หมายเหตุเกี่ยวกับภาษา: บทเรียนเหล่านี้เขียนเป็นหลักในภาษา Python แต่หลายบทเรียนก็มีในภาษา R ด้วย เพื่อทำบทเรียน R ให้ไปที่โฟลเดอร์ /solution และค้นหาบทเรียน R ซึ่งมีนามสกุล .rmd ซึ่งหมายถึงไฟล์ R Markdown ซึ่งสามารถนิยามได้ง่าย ๆ ว่าเป็นการฝัง code chunks (ของ R หรือภาษาอื่น ๆ) และ YAML header (ที่กำหนดวิธีการจัดรูปแบบผลลัพธ์ เช่น PDF) ใน เอกสาร Markdown ดังนั้นจึงเป็นกรอบการเขียนต้นฉบับที่ดีเยี่ยมสำหรับวิทยาศาสตร์ข้อมูล เพราะช่วยให้คุณรวมโค้ด ผลลัพธ์ และความคิดของคุณโดยการเขียนลงใน Markdown นอกจากนี้ เอกสาร R Markdown ยังสามารถเรนเดอร์เป็นรูปแบบผลลัพธ์ เช่น PDF, HTML หรือ Word

หมายเหตุเกี่ยวกับแบบทดสอบ: แบบทดสอบทั้งหมดอยู่ใน โฟลเดอร์ Quiz App รวมทั้งหมด 52 แบบทดสอบ แต่ละแบบมีสามคำถาม พวกมันลิงก์จากบทเรียน แต่แอปแบบทดสอบสามารถรันได้ในเครื่อง; ทำตามคำแนะนำในโฟลเดอร์ quiz-app เพื่อโฮสต์ในเครื่องหรือปรับใช้บน Azure

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	บทนำสู่การเรียนรู้ของเครื่อง	Introduction	เรียนรู้แนวคิดพื้นฐานเบื้องหลังการเรียนรู้ของเครื่อง	Lesson	Muhammad
02	ประวัติของการเรียนรู้ของเครื่อง	Introduction	เรียนรู้ประวัติศาสตร์เบื้องหลังสาขานี้	Lesson	Jen and Amy
03	ความยุติธรรมและการเรียนรู้ของเครื่อง	Introduction	ปัญหาทางปรัชญาที่สำคัญเกี่ยวกับความยุติธรรมที่นักเรียนควรพิจารณาเมื่อสร้างและประยุกต์ใช้โมเดล 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	แสดงภาพและทำความสะอาดข้อมูลเพื่อเตรียมสำหรับ 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	สร้างเว็บแอปเพื่อใช้โมเดลที่คุณฝึกมา	Python	Jen
10	บทนำสู่การจำแนกประเภท	Classification	ทำความสะอาด เตรียม และแสดงภาพข้อมูลของคุณ; บทนำสู่การจำแนกประเภท	Python • R	Jen and Cassie • Eric Wanjau
11	อาหารเอเชียและอินเดียที่อร่อย 🍜	Classification	บทนำสู่ตัวจำแนก	Python • R	Jen and Cassie • Eric Wanjau
12	อาหารเอเชียและอินเดียที่อร่อย 🍜	Classification	ตัวจำแนกเพิ่มเติม	Python • R	Jen and Cassie • Eric Wanjau
13	อาหารเอเชียและอินเดียที่อร่อย 🍜	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 โดยการสร้างบอทง่ายๆ	Python	Stephen
17	งาน NLP ทั่วไป ☕️	Natural language processing	เพิ่มพูนความรู้ NLP ของคุณโดยเข้าใจงานทั่วไปที่จำเป็นเมื่อจัดการกับโครงสร้างภาษา	Python	Stephen
18	การแปลและวิเคราะห์ความรู้สึก ♥️	Natural language processing	การแปลและวิเคราะห์ความรู้สึกกับ Jane Austen	Python	Stephen
19	โรงแรมโรแมนติกในยุโรป ♥️	Natural language processing	การวิเคราะห์ความรู้สึกกับรีวิวโรงแรม 1	Python	Stephen
20	โรงแรมโรแมนติกในยุโรป ♥️	Natural language processing	การวิเคราะห์ความรู้สึกกับรีวิวโรงแรม 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	บทนำสู่การเรียนรู้แบบเสริมแรง	Reinforcement learning	บทนำสู่การเรียนรู้แบบเสริมแรงด้วย Q-Learning	Python	Dmitry
25	ช่วย Peter หลีกเลี่ยงหมาป่า! 🐺	Reinforcement learning	การเรียนรู้แบบเสริมแรง Gym	Python	Dmitry
Postscript	กรณีศึกษาและการประยุกต์ใช้ ML ในโลกจริง	ML in the Wild	การประยุกต์ใช้ ML แบบคลาสสิกที่น่าสนใจและเปิดเผยในโลกจริง	Lesson	Team
Postscript	การดีบักโมเดลใน ML โดยใช้แดชบอร์ด RAI	ML in the Wild	การดีบักโมเดลใน Machine Learning โดยใช้ส่วนประกอบแดชบอร์ด Responsible AI	Lesson	Ruth Yakubu

ค้นหาทรัพยากรเพิ่มเติมทั้งหมดสำหรับหลักสูตรนี้ในคอลเลกชัน Microsoft Learn ของเรา

การเข้าถึงแบบออฟไลน์

คุณสามารถเรียกใช้เอกสารนี้แบบออฟไลน์โดยใช้ Docsify. Fork รีโปนี้, ติดตั้ง Docsify บนเครื่องของคุณ แล้วในโฟลเดอร์รากของรีโปนี้ พิมพ์ docsify serve. เว็บไซต์จะถูกให้บริการบนพอร์ต 3000 ที่ localhost ของคุณ: localhost:3000.

ไฟล์ PDF

ค้นหาไฟล์ pdf ของหลักสูตรพร้อมลิงก์ ที่นี่.

🎒 หลักสูตรอื่น ๆ

ทีมของเราผลิตหลักสูตรอื่น ๆ! ตรวจสอบได้ที่:

LangChain

---

Azure / Edge / MCP / Agents

---

ชุด Generative AI

---

การเรียนรู้หลัก

---

ชุด Copilot

ขอความช่วยเหลือ

หากคุณติดขัดหรือต้องการคำถามเกี่ยวกับการสร้างแอป AI เข้าร่วมกับผู้เรียนและนักพัฒนาที่มีประสบการณ์ในการสนทนาเกี่ยวกับ MCP นี่คือชุมชนที่ให้การสนับสนุนซึ่งยินดีต้อนรับคำถามและแบ่งปันความรู้กันอย่างเสรี

หากคุณมีข้อเสนอแนะเกี่ยวกับผลิตภัณฑ์หรือพบข้อผิดพลาดขณะสร้างโปรดเยี่ยมชม:

---

ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษาอัตโนมัติ Co-op Translator แม้ว่าเราจะพยายามให้ความถูกต้องสูงสุด แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลโดยผู้เชี่ยวชาญมนุษย์ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดใด ๆ ที่เกิดจากการใช้การแปลนี้