20 KiB

Raw Blame History

AGENTS.md

ภาพรวมของโครงการ

นี่คือ Machine Learning for Beginners หลักสูตรครอบคลุม 12 สัปดาห์ 26 บทเรียนที่เน้นแนวคิดการเรียนรู้ของเครื่องแบบคลาสสิกโดยใช้ Python (ส่วนใหญ่ใช้ Scikit-learn) และ R โครงการนี้ออกแบบมาเพื่อการเรียนรู้ด้วยตนเอง พร้อมด้วยโปรเจกต์แบบลงมือทำ คำถามแบบทดสอบ และงานมอบหมาย แต่ละบทเรียนจะสำรวจแนวคิด ML ผ่านข้อมูลจริงจากวัฒนธรรมและภูมิภาคต่างๆ ทั่วโลก

องค์ประกอบสำคัญ:

เนื้อหาการศึกษา: 26 บทเรียนครอบคลุมการแนะนำ ML, การถดถอย, การจำแนกประเภท, การจัดกลุ่ม, NLP, การวิเคราะห์อนุกรมเวลา และการเรียนรู้แบบเสริมแรง
แอปพลิเคชันแบบทดสอบ: แอปแบบทดสอบที่สร้างด้วย Vue.js พร้อมการประเมินก่อนและหลังบทเรียน
รองรับหลายภาษา: การแปลอัตโนมัติเป็นมากกว่า 40 ภาษาโดยใช้ GitHub Actions
รองรับสองภาษา: บทเรียนมีทั้งใน Python (Jupyter notebooks) และ R (ไฟล์ R Markdown)
การเรียนรู้แบบโปรเจกต์: แต่ละหัวข้อมีโปรเจกต์และงานมอบหมายที่ลงมือทำจริง

โครงสร้างของ Repository

ML-For-Beginners/
├── 1-Introduction/         # ML basics, history, fairness, techniques
├── 2-Regression/          # Regression models with Python/R
├── 3-Web-App/            # Flask web app for ML model deployment
├── 4-Classification/      # Classification algorithms
├── 5-Clustering/         # Clustering techniques
├── 6-NLP/               # Natural Language Processing
├── 7-TimeSeries/        # Time series forecasting
├── 8-Reinforcement/     # Reinforcement learning
├── 9-Real-World/        # Real-world ML applications
├── quiz-app/           # Vue.js quiz application
├── translations/       # Auto-generated translations
└── sketchnotes/       # Visual learning aids

แต่ละโฟลเดอร์บทเรียนมักจะมี:

README.md - เนื้อหาหลักของบทเรียน
notebook.ipynb - Jupyter notebook สำหรับ Python
solution/ - โค้ดคำตอบ (เวอร์ชัน Python และ R)
assignment.md - แบบฝึกหัด
images/ - ทรัพยากรภาพประกอบ

คำสั่งการตั้งค่า

สำหรับบทเรียน Python

บทเรียนส่วนใหญ่ใช้ Jupyter notebooks ติดตั้ง dependencies ที่จำเป็น:

# Install Python 3.8+ if not already installed
python --version

# Install Jupyter
pip install jupyter

# Install common ML libraries
pip install scikit-learn pandas numpy matplotlib seaborn

# For specific lessons, check lesson-specific requirements
# Example: Web App lesson
pip install flask

สำหรับบทเรียน R

บทเรียน R อยู่ในโฟลเดอร์ solution/R/ ในรูปแบบ .rmd หรือ .ipynb:

# Install R and required packages
# In R console:
install.packages(c("tidyverse", "tidymodels", "caret"))

สำหรับแอปพลิเคชันแบบทดสอบ

แอปแบบทดสอบเป็นแอป Vue.js ที่อยู่ในไดเรกทอรี quiz-app/:

cd quiz-app
npm install

สำหรับเว็บไซต์เอกสาร

เพื่อรันเอกสารในเครื่อง:

# Install Docsify
npm install -g docsify-cli

# Serve from repository root
docsify serve

# Access at http://localhost:3000

เวิร์กโฟลว์การพัฒนา

การทำงานกับ Lesson Notebooks

ไปยังไดเรกทอรีบทเรียน (เช่น 2-Regression/1-Tools/)
เปิด Jupyter notebook:
```
jupyter notebook notebook.ipynb
```
ทำเนื้อหาและแบบฝึกหัดในบทเรียน
ตรวจสอบคำตอบในโฟลเดอร์ solution/ หากจำเป็น

การพัฒนา Python

บทเรียนใช้ไลบรารีข้อมูลมาตรฐานของ Python
Jupyter notebooks สำหรับการเรียนรู้แบบโต้ตอบ
โค้ดคำตอบมีอยู่ในโฟลเดอร์ solution/ ของแต่ละบทเรียน

การพัฒนา R

บทเรียน R อยู่ในรูปแบบ .rmd (R Markdown)
คำตอบอยู่ในโฟลเดอร์ย่อย solution/R/
ใช้ RStudio หรือ Jupyter พร้อม R kernel เพื่อรัน R notebooks

การพัฒนาแอปพลิเคชันแบบทดสอบ

cd quiz-app

# Start development server
npm run serve
# Access at http://localhost:8080

# Build for production
npm run build

# Lint and fix files
npm run lint

คำแนะนำการทดสอบ

การทดสอบแอปพลิเคชันแบบทดสอบ

cd quiz-app

# Lint code
npm run lint

# Build to verify no errors
npm run build

หมายเหตุ: นี่เป็น repository หลักสูตรการศึกษา ไม่มีการทดสอบอัตโนมัติสำหรับเนื้อหาบทเรียน การตรวจสอบทำได้โดย:

ทำแบบฝึกหัดในบทเรียน
รันเซลล์ใน notebook สำเร็จ
ตรวจสอบผลลัพธ์กับคำตอบที่คาดหวังในโฟลเดอร์คำตอบ

แนวทางการเขียนโค้ด

โค้ด Python

ปฏิบัติตามแนวทาง PEP 8
ใช้ชื่อตัวแปรที่ชัดเจนและอธิบายได้
เพิ่มคอมเมนต์สำหรับการดำเนินการที่ซับซ้อน
Jupyter notebooks ควรมีเซลล์ markdown อธิบายแนวคิด

JavaScript/Vue.js (แอปแบบทดสอบ)

ปฏิบัติตามแนวทางของ Vue.js
การตั้งค่า ESLint ใน quiz-app/package.json
รัน npm run lint เพื่อตรวจสอบและแก้ไขปัญหาอัตโนมัติ

เอกสาร

ไฟล์ Markdown ควรชัดเจนและมีโครงสร้างดี
รวมตัวอย่างโค้ดใน fenced code blocks
ใช้ลิงก์แบบสัมพัทธ์สำหรับการอ้างอิงภายใน
ปฏิบัติตามรูปแบบที่มีอยู่แล้ว

การสร้างและการปรับใช้

การปรับใช้แอปพลิเคชันแบบทดสอบ

แอปแบบทดสอบสามารถปรับใช้ใน Azure Static Web Apps:

ข้อกำหนดเบื้องต้น:
- บัญชี Azure
- Repository GitHub (ที่ fork แล้ว)
ปรับใช้ใน Azure:
- สร้างทรัพยากร Azure Static Web App
- เชื่อมต่อกับ Repository GitHub
- ตั้งค่าตำแหน่งแอป: /quiz-app
- ตั้งค่าตำแหน่งผลลัพธ์: dist
- Azure สร้าง GitHub Actions workflow อัตโนมัติ
GitHub Actions Workflow:
- ไฟล์ workflow สร้างที่ .github/workflows/azure-static-web-apps-*.yml
- สร้างและปรับใช้อัตโนมัติเมื่อ push ไปยัง branch main

เอกสาร PDF

สร้าง PDF จากเอกสาร:

npm install
npm run convert

เวิร์กโฟลว์การแปลภาษา

สำคัญ: การแปลภาษาเป็นแบบอัตโนมัติผ่าน GitHub Actions โดยใช้ Co-op Translator

การแปลจะถูกสร้างอัตโนมัติเมื่อมีการเปลี่ยนแปลง push ไปยัง branch main
ห้ามแปลเนื้อหาด้วยตนเอง - ระบบจัดการให้
Workflow กำหนดใน .github/workflows/co-op-translator.yml
ใช้บริการ Azure AI/OpenAI สำหรับการแปล
รองรับมากกว่า 40 ภาษา

แนวทางการมีส่วนร่วม

สำหรับผู้มีส่วนร่วมด้านเนื้อหา

Fork repository และสร้าง feature branch
แก้ไขเนื้อหาบทเรียน หากเพิ่ม/อัปเดตบทเรียน
ห้ามแก้ไขไฟล์ที่แปลแล้ว - ระบบสร้างอัตโนมัติ
ทดสอบโค้ดของคุณ - ตรวจสอบให้แน่ใจว่าเซลล์ใน notebook ทั้งหมดรันสำเร็จ
ตรวจสอบลิงก์และภาพ ว่าทำงานถูกต้อง
ส่ง pull request พร้อมคำอธิบายที่ชัดเจน

แนวทางการส่ง Pull Request

รูปแบบชื่อเรื่อง: [Section] คำอธิบายการเปลี่ยนแปลงโดยย่อ
- ตัวอย่าง: [Regression] แก้ไขคำผิดในบทเรียน 5
- ตัวอย่าง: [Quiz-App] อัปเดต dependencies
ก่อนส่ง:
- ตรวจสอบให้แน่ใจว่าเซลล์ใน notebook ทั้งหมดรันโดยไม่มีข้อผิดพลาด
- รัน npm run lint หากแก้ไข quiz-app
- ตรวจสอบรูปแบบ Markdown
- ทดสอบตัวอย่างโค้ดใหม่
PR ต้องมี:
- คำอธิบายการเปลี่ยนแปลง
- เหตุผลของการเปลี่ยนแปลง
- ภาพหน้าจอหากมีการเปลี่ยนแปลง UI
จรรยาบรรณ: ปฏิบัติตาม Microsoft Open Source Code of Conduct
CLA: คุณจะต้องลงนามใน Contributor License Agreement

โครงสร้างบทเรียน

แต่ละบทเรียนมีรูปแบบที่สม่ำเสมอ:

แบบทดสอบก่อนการบรรยาย - ทดสอบความรู้พื้นฐาน
เนื้อหาบทเรียน - คำแนะนำและคำอธิบายที่เขียนไว้
การสาธิตโค้ด - ตัวอย่างแบบลงมือทำใน notebooks
การตรวจสอบความรู้ - ตรวจสอบความเข้าใจตลอดบทเรียน
ความท้าทาย - ใช้แนวคิดด้วยตนเอง
งานมอบหมาย - การฝึกฝนเพิ่มเติม
แบบทดสอบหลังการบรรยาย - ประเมินผลการเรียนรู้

อ้างอิงคำสั่งทั่วไป

# Python/Jupyter
jupyter notebook                    # Start Jupyter server
jupyter notebook notebook.ipynb     # Open specific notebook
pip install -r requirements.txt     # Install dependencies (where available)

# Quiz App
cd quiz-app
npm install                        # Install dependencies
npm run serve                      # Development server
npm run build                      # Production build
npm run lint                       # Lint and fix

# Documentation
docsify serve                      # Serve documentation locally
npm run convert                    # Generate PDF

# Git workflow
git checkout -b feature/my-change  # Create feature branch
git add .                         # Stage changes
git commit -m "Description"       # Commit changes
git push origin feature/my-change # Push to remote

ทรัพยากรเพิ่มเติม

Microsoft Learn Collection: โมดูล ML สำหรับผู้เริ่มต้น
แอปแบบทดสอบ: แบบทดสอบออนไลน์
กระดานสนทนา: GitHub Discussions
วิดีโอแนะนำ: YouTube Playlist

เทคโนโลยีสำคัญ

Python: ภาษาเริ่มต้นสำหรับบทเรียน ML (Scikit-learn, Pandas, NumPy, Matplotlib)
R: การใช้งานทางเลือกโดยใช้ tidyverse, tidymodels, caret
Jupyter: Notebooks แบบโต้ตอบสำหรับบทเรียน Python
R Markdown: เอกสารสำหรับบทเรียน R
Vue.js 3: เฟรมเวิร์กสำหรับแอปแบบทดสอบ
Flask: เฟรมเวิร์กเว็บแอปพลิเคชันสำหรับการปรับใช้โมเดล ML
Docsify: ตัวสร้างเว็บไซต์เอกสาร
GitHub Actions: CI/CD และการแปลอัตโนมัติ

ข้อควรพิจารณาด้านความปลอดภัย

ไม่มีข้อมูลลับในโค้ด: ห้าม commit API keys หรือข้อมูลรับรอง
Dependencies: อัปเดตแพ็กเกจ npm และ pip ให้ทันสมัย
ข้อมูลผู้ใช้: ตัวอย่างเว็บแอป Flask มีการตรวจสอบข้อมูลเบื้องต้น
ข้อมูลที่ละเอียดอ่อน: ชุดข้อมูลตัวอย่างเป็นข้อมูลสาธารณะและไม่ละเอียดอ่อน

การแก้ไขปัญหา

Jupyter Notebooks

ปัญหา Kernel: รีสตาร์ท kernel หากเซลล์ค้าง: Kernel → Restart
ข้อผิดพลาดการนำเข้า: ตรวจสอบให้แน่ใจว่าติดตั้งแพ็กเกจที่จำเป็นทั้งหมดด้วย pip
ปัญหาเส้นทาง: รัน notebooks จากไดเรกทอรีที่มีไฟล์นั้น

แอปพลิเคชันแบบทดสอบ

npm install ล้มเหลว: ล้างแคช npm: npm cache clean --force
ปัญหาพอร์ต: เปลี่ยนพอร์ตด้วย: npm run serve -- --port 8081
ข้อผิดพลาดการสร้าง: ลบ node_modules และติดตั้งใหม่: rm -rf node_modules && npm install

บทเรียน R

แพ็กเกจไม่พบ: ติดตั้งด้วย: install.packages("package-name")
การเรนเดอร์ RMarkdown: ตรวจสอบให้แน่ใจว่าติดตั้งแพ็กเกจ rmarkdown
ปัญหา Kernel: อาจต้องติดตั้ง IRkernel สำหรับ Jupyter

หมายเหตุเฉพาะโครงการ

นี่เป็นหลักสูตร การเรียนรู้ ไม่ใช่โค้ดสำหรับการผลิต
เน้นที่ การเข้าใจแนวคิด ML ผ่านการลงมือทำ
ตัวอย่างโค้ดให้ความสำคัญกับ ความชัดเจนมากกว่าการปรับแต่ง
บทเรียนส่วนใหญ่ เป็นแบบแยกส่วน และสามารถทำได้อย่างอิสระ
มีคำตอบให้ แต่ผู้เรียนควรลองทำแบบฝึกหัดก่อน
Repository ใช้ Docsify สำหรับเอกสารเว็บโดยไม่ต้องมีขั้นตอนการสร้าง
Sketchnotes ให้สรุปภาพรวมของแนวคิด
รองรับหลายภาษา ทำให้เนื้อหาเข้าถึงได้ทั่วโลก

ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามนุษย์ที่มีความเชี่ยวชาญ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้

20 KiB Raw Blame History