38 KiB

Raw Blame History Unescape Escape

🌐 รองรับหลายภาษา

รองรับผ่าน GitHub Action (อัตโนมัติและอัปเดตเสมอ)

เข้าร่วมชุมชนของเรา

เรามีซีรีส์เรียนรู้ AI ผ่าน Discord ที่กำลังดำเนินอยู่ เรียนรู้เพิ่มเติมและเข้าร่วมกับเราได้ที่ Learn with AI Series ตั้งแต่วันที่ 18 - 30 กันยายน 2025 คุณจะได้รับเคล็ดลับและเทคนิคในการใช้ GitHub Copilot สำหรับ Data Science

การเรียนรู้ Machine Learning สำหรับผู้เริ่มต้น - หลักสูตร

🌍 เดินทางรอบโลกพร้อมสำรวจ Machine Learning ผ่านวัฒนธรรมโลก 🌍

ทีม Cloud Advocates จาก Microsoft ยินดีนำเสนอหลักสูตร 12 สัปดาห์ 26 บทเรียนเกี่ยวกับ Machine Learning ในหลักสูตรนี้ คุณจะได้เรียนรู้เกี่ยวกับสิ่งที่บางครั้งเรียกว่า Machine Learning แบบคลาสสิก โดยใช้ Scikit-learn เป็นไลบรารีหลักและหลีกเลี่ยงการเรียนรู้เชิงลึก ซึ่งครอบคลุมใน หลักสูตร AI สำหรับผู้เริ่มต้น นอกจากนี้ยังสามารถจับคู่บทเรียนเหล่านี้กับ หลักสูตร Data Science สำหรับผู้เริ่มต้น ได้อีกด้วย

เดินทางไปกับเราทั่วโลกในขณะที่เรานำเทคนิคแบบคลาสสิกเหล่านี้ไปใช้กับข้อมูลจากหลายพื้นที่ของโลก แต่ละบทเรียนประกอบด้วยแบบทดสอบก่อนและหลังบทเรียน คำแนะนำที่เขียนไว้สำหรับการทำบทเรียน โซลูชัน งานมอบหมาย และอื่นๆ หลักสูตรที่เน้นโครงการช่วยให้คุณเรียนรู้ในขณะที่สร้าง ซึ่งเป็นวิธีที่พิสูจน์แล้วว่าทักษะใหม่จะติดตัวคุณ

✍️ 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

🙏 ขอขอบคุณพิเศษ 🙏 นักศึกษา Microsoft Student Ambassador ผู้เขียนบทความ ผู้ตรวจสอบ และผู้มีส่วนร่วมในเนื้อหา โดยเฉพาะ Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila และ Snigdha Agarwal

🤩 ขอขอบคุณเพิ่มเติมนักศึกษา 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

ค้นหาทรัพยากรเพิ่มเติมสำหรับหลักสูตรนี้ใน Microsoft Learn collection

นักเรียน เพื่อใช้หลักสูตรนี้ ให้ fork repo ทั้งหมดไปยังบัญชี GitHub ของคุณเองและทำแบบฝึกหัดด้วยตัวเองหรือกับกลุ่ม:

เริ่มต้นด้วยแบบทดสอบก่อนการบรรยาย
อ่านการบรรยายและทำกิจกรรม หยุดและสะท้อนที่แต่ละจุดตรวจสอบความรู้
พยายามสร้างโครงการโดยทำความเข้าใจบทเรียนแทนที่จะรันโค้ดโซลูชัน อย่างไรก็ตาม โค้ดนั้นมีอยู่ในโฟลเดอร์ /solution ในแต่ละบทเรียนที่เน้นโครงการ
ทำแบบทดสอบหลังการบรรยาย
ทำความท้าทาย
ทำงานมอบหมาย
หลังจากจบบทเรียนกลุ่ม ให้ไปที่ กระดานสนทนา และ "เรียนรู้แบบเปิดเผย" โดยกรอก PAT rubric ที่เหมาะสม PAT คือเครื่องมือประเมินความก้าวหน้าที่เป็น rubric ที่คุณกรอกเพื่อพัฒนาการเรียนรู้ของคุณ คุณยังสามารถตอบสนองต่อ PAT อื่นๆ เพื่อให้เราเรียนรู้ร่วมกัน

สำหรับการศึกษาต่อ เราแนะนำให้ติดตาม Microsoft Learn โมดูลและเส้นทางการเรียนรู้

ครู เราได้ รวมคำแนะนำบางส่วน เกี่ยวกับวิธีการใช้หลักสูตรนี้

วิดีโอแนะนำ

บางบทเรียนมีวิดีโอสั้นๆ คุณสามารถค้นหาวิดีโอเหล่านี้ในบทเรียน หรือใน เพลย์ลิสต์ ML for Beginners บนช่อง YouTube ของ Microsoft Developer โดยคลิกที่ภาพด้านล่าง

พบกับทีมงาน

Gif โดย Mohit Jaisal

🎥 คลิกที่ภาพด้านบนเพื่อดูวิดีโอเกี่ยวกับโครงการและผู้ที่สร้างมันขึ้นมา!

วิธีการสอน

เราเลือกใช้หลักการสอนสองข้อในการสร้างหลักสูตรนี้: การทำให้เป็น โครงการที่เน้นการลงมือทำ และการรวม แบบทดสอบบ่อยๆ นอกจากนี้ หลักสูตรนี้ยังมี ธีมร่วม เพื่อให้มีความสอดคล้องกัน

โดยการทำให้เนื้อหาสอดคล้องกับโครงการ กระบวนการจะน่าสนใจมากขึ้นสำหรับนักเรียนและช่วยเพิ่มการจดจำแนวคิด นอกจากนี้ แบบทดสอบที่มีความเสี่ยงต่ำก่อนคลาสจะช่วยตั้งเป้าหมายของนักเรียนในการเรียนรู้หัวข้อ ในขณะที่แบบทดสอบที่สองหลังคลาสจะช่วยเพิ่มการจดจำ หลักสูตรนี้ออกแบบมาให้ยืดหยุ่นและสนุกสนาน และสามารถเรียนได้ทั้งแบบเต็มหรือบางส่วน โครงการเริ่มต้นจากขนาดเล็กและซับซ้อนขึ้นเรื่อยๆ จนถึงสิ้นสุดรอบ 12 สัปดาห์ หลักสูตรนี้ยังมีบทส่งท้ายเกี่ยวกับการประยุกต์ใช้ ML ในโลกจริง ซึ่งสามารถใช้เป็นคะแนนพิเศษหรือเป็นพื้นฐานสำหรับการอภิปราย

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

แต่ละบทเรียนประกอบด้วย

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

หมายเหตุเกี่ยวกับภาษา: บทเรียนเหล่านี้เขียนเป็นภาษา Python เป็นหลัก แต่หลายบทเรียนก็มีในภาษา R ด้วย หากต้องการทำบทเรียน R ให้ไปที่โฟลเดอร์ /solution และค้นหาบทเรียน R ซึ่งจะมีนามสกุล .rmd ที่แสดงถึงไฟล์ R Markdown ซึ่งสามารถนิยามได้ง่ายๆ ว่าเป็นการฝัง code chunks (ของ R หรือภาษาอื่นๆ) และ YAML header (ที่แนะนำวิธีการจัดรูปแบบผลลัพธ์ เช่น PDF) ในเอกสาร Markdown ดังนั้นจึงเป็นกรอบการเขียนที่ยอดเยี่ยมสำหรับ data science เนื่องจากช่วยให้คุณรวมโค้ด ผลลัพธ์ และความคิดของคุณโดยเขียนลงใน Markdown นอกจากนี้เอกสาร R Markdown ยังสามารถแสดงผลในรูปแบบผลลัพธ์ เช่น PDF, HTML หรือ Word

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

หมายเลขบทเรียน	หัวข้อ	กลุ่มบทเรียน	วัตถุประสงค์การเรียนรู้	บทเรียนที่เชื่อมโยง	ผู้เขียน
01	บทนำเกี่ยวกับ Machine Learning	Introduction	เรียนรู้แนวคิดพื้นฐานเบื้องหลัง Machine Learning	บทเรียน	Muhammad
02	ประวัติของ Machine Learning	Introduction	เรียนรู้ประวัติศาสตร์ที่อยู่เบื้องหลังสาขานี้	บทเรียน	Jen และ Amy
03	ความยุติธรรมและการเรียนรู้ของเครื่อง	บทนำ	ประเด็นทางปรัชญาที่สำคัญเกี่ยวกับความยุติธรรมที่นักเรียนควรพิจารณาเมื่อสร้างและใช้งานโมเดล ML คืออะไร?	บทเรียน	Tomomi
04	เทคนิคสำหรับการเรียนรู้ของเครื่อง	บทนำ	นักวิจัย ML ใช้เทคนิคอะไรในการสร้างโมเดล ML?	บทเรียน	Chris และ Jen
05	บทนำสู่การถดถอย	การถดถอย	เริ่มต้นใช้งาน Python และ Scikit-learn สำหรับโมเดลการถดถอย	Python • R	Jen • Eric Wanjau
06	ราคาฟักทองในอเมริกาเหนือ 🎃	การถดถอย	การแสดงผลและการทำความสะอาดข้อมูลเพื่อเตรียมความพร้อมสำหรับ ML	Python • R	Jen • Eric Wanjau
07	ราคาฟักทองในอเมริกาเหนือ 🎃	การถดถอย	สร้างโมเดลการถดถอยเชิงเส้นและพหุนาม	Python • R	Jen และ Dmitry • Eric Wanjau
08	ราคาฟักทองในอเมริกาเหนือ 🎃	การถดถอย	สร้างโมเดลการถดถอยโลจิสติก	Python • R	Jen • Eric Wanjau
09	แอปเว็บ 🔌	แอปเว็บ	สร้างแอปเว็บเพื่อใช้งานโมเดลที่คุณฝึกมา	Python	Jen
10	บทนำสู่การจำแนกประเภท	การจำแนกประเภท	ทำความสะอาด เตรียม และแสดงผลข้อมูลของคุณ; บทนำสู่การจำแนกประเภท	Python • R	Jen และ Cassie • Eric Wanjau
11	อาหารเอเชียและอินเดียแสนอร่อย 🍜	การจำแนกประเภท	บทนำสู่ตัวจำแนก	Python • R	Jen และ Cassie • Eric Wanjau
12	อาหารเอเชียและอินเดียแสนอร่อย 🍜	การจำแนกประเภท	ตัวจำแนกเพิ่มเติม	Python • R	Jen และ Cassie • Eric Wanjau
13	อาหารเอเชียและอินเดียแสนอร่อย 🍜	การจำแนกประเภท	สร้างแอปเว็บแนะนำโดยใช้โมเดลของคุณ	Python	Jen
14	บทนำสู่การจัดกลุ่ม	การจัดกลุ่ม	ทำความสะอาด เตรียม และแสดงผลข้อมูลของคุณ; บทนำสู่การจัดกลุ่ม	Python • R	Jen • Eric Wanjau
15	สำรวจรสนิยมดนตรีของไนจีเรีย 🎧	การจัดกลุ่ม	สำรวจวิธีการจัดกลุ่มแบบ K-Means	Python • R	Jen • Eric Wanjau
16	บทนำสู่การประมวลผลภาษาธรรมชาติ ☕️	การประมวลผลภาษาธรรมชาติ	เรียนรู้พื้นฐานเกี่ยวกับ NLP โดยการสร้างบอทง่ายๆ	Python	Stephen
17	งาน NLP ทั่วไป ☕️	การประมวลผลภาษาธรรมชาติ	เพิ่มพูนความรู้เกี่ยวกับ NLP โดยการทำความเข้าใจงานทั่วไปที่จำเป็นเมื่อจัดการกับโครงสร้างภาษา	Python	Stephen
18	การแปลและการวิเคราะห์ความรู้สึก ♥️	การประมวลผลภาษาธรรมชาติ	การแปลและการวิเคราะห์ความรู้สึกกับ Jane Austen	Python	Stephen
19	โรงแรมโรแมนติกในยุโรป ♥️	การประมวลผลภาษาธรรมชาติ	การวิเคราะห์ความรู้สึกกับรีวิวโรงแรม 1	Python	Stephen
20	โรงแรมโรแมนติกในยุโรป ♥️	การประมวลผลภาษาธรรมชาติ	การวิเคราะห์ความรู้สึกกับรีวิวโรงแรม 2	Python	Stephen
21	บทนำสู่การพยากรณ์อนุกรมเวลา	อนุกรมเวลา	บทนำสู่การพยากรณ์อนุกรมเวลา	Python	Francesca
22	⚡️ การใช้พลังงานโลก ⚡️ - การพยากรณ์อนุกรมเวลาด้วย ARIMA	อนุกรมเวลา	การพยากรณ์อนุกรมเวลาด้วย ARIMA	Python	Francesca
23	⚡️ การใช้พลังงานโลก ⚡️ - การพยากรณ์อนุกรมเวลาด้วย SVR	อนุกรมเวลา	การพยากรณ์อนุกรมเวลาด้วย Support Vector Regressor	Python	Anirban
24	บทนำสู่การเรียนรู้แบบเสริมกำลัง	การเรียนรู้แบบเสริมกำลัง	บทนำสู่การเรียนรู้แบบเสริมกำลังด้วย Q-Learning	Python	Dmitry
25	ช่วย Peter หนีหมาป่า! 🐺	การเรียนรู้แบบเสริมกำลัง	การเรียนรู้แบบเสริมกำลังใน Gym	Python	Dmitry
Postscript	สถานการณ์และการใช้งาน ML ในโลกจริง	ML ในโลกจริง	การใช้งานที่น่าสนใจและเปิดเผยในโลกจริงของ ML แบบคลาสสิก	บทเรียน	ทีม
Postscript	การดีบักโมเดลใน ML ด้วยแดชบอร์ด RAI	ML ในโลกจริง	การดีบักโมเดลใน Machine Learning โดยใช้ส่วนประกอบของแดชบอร์ด Responsible AI	บทเรียน	Ruth Yakubu

ค้นหาทรัพยากรเพิ่มเติมสำหรับหลักสูตรนี้ในคอลเลกชัน Microsoft Learn ของเรา

การเข้าถึงแบบออฟไลน์

คุณสามารถเรียกใช้เอกสารนี้แบบออฟไลน์โดยใช้ 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.

🎒 หลักสูตรอื่นๆ

ทีมของเราผลิตหลักสูตรอื่นๆ! ลองดู:

การขอความช่วยเหลือ

หากคุณติดขัดหรือมีคำถามเกี่ยวกับการสร้างแอป AI, เข้าร่วม:

หากคุณมีข้อเสนอแนะเกี่ยวกับผลิตภัณฑ์หรือพบข้อผิดพลาดขณะสร้าง, เยี่ยมชม:

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

38 KiB Raw Blame History Unescape Escape