29 KiB

Raw Blame History Unescape Escape

🌐 Hỗ trợ đa ngôn ngữ

Được hỗ trợ qua GitHub Action (Tự động & Luôn cập nhật)

Tham gia cộng đồng của chúng tôi

Chúng tôi đang tổ chức một chuỗi học AI trên Discord, tìm hiểu thêm và tham gia tại Learn with AI Series từ ngày 18 - 30 tháng 9, 2025. Bạn sẽ nhận được các mẹo và thủ thuật sử dụng GitHub Copilot cho Khoa học Dữ liệu.

Học máy cho người mới bắt đầu - Một chương trình học

🌍 Du hành khắp thế giới khi chúng ta khám phá Học máy thông qua các nền văn hóa trên thế giới 🌍

Các nhà phát triển đám mây tại Microsoft rất vui mừng giới thiệu chương trình học kéo dài 12 tuần, gồm 26 bài học về Học máy. Trong chương trình này, bạn sẽ tìm hiểu về những gì đôi khi được gọi là học máy cổ điển, chủ yếu sử dụng thư viện Scikit-learn và tránh học sâu, nội dung được đề cập trong chương trình học AI for Beginners. Kết hợp các bài học này với chương trình học 'Data Science for Beginners' của chúng tôi!

Hãy cùng chúng tôi du hành khắp thế giới khi áp dụng các kỹ thuật cổ điển này vào dữ liệu từ nhiều khu vực trên thế giới. Mỗi bài học bao gồm các bài kiểm tra trước và sau bài học, hướng dẫn viết để hoàn thành bài học, giải pháp, bài tập và nhiều nội dung khác. Phương pháp học dựa trên dự án của chúng tôi cho phép bạn học thông qua việc thực hành, một cách đã được chứng minh để kỹ năng mới được ghi nhớ lâu hơn.

✍️ Cảm ơn chân thành đến các tác giả 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 Tomomi Imura, Dasani Madipalli, và Jen Looper

🙏 Đặc biệt cảm ơn 🙏 các Đại sứ Sinh viên Microsoft, những người đã đóng góp nội dung, đánh giá và viết bài, đặc biệt là Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, và Snigdha Agarwal

🤩 Cảm ơn thêm các Đại sứ Sinh viên Microsoft Eric Wanjau, Jasleen Sondhi, và Vidushi Gupta cho các bài học về R của chúng tôi!

Bắt đầu

Thực hiện các bước sau:

Fork kho lưu trữ: Nhấp vào nút "Fork" ở góc trên bên phải của trang này.
Clone 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

Sinh viên, để sử dụng chương trình học này, hãy fork toàn bộ repo vào tài khoản GitHub của bạn và hoàn thành các bài tập một mình hoặc cùng nhóm:

Bắt đầu với bài kiểm tra trước bài giảng.
Đọc bài giảng và hoàn thành các hoạt động, dừng lại và suy ngẫm tại mỗi phần kiểm tra kiến thức.
Cố gắng tạo các dự án bằng cách hiểu bài học thay vì chạy mã giải pháp; tuy nhiên mã đó có sẵn trong các thư mục /solution trong mỗi bài học dựa trên 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 Diễn đàn thảo luận và "học lớn tiếng" bằng cách điền vào rubric PAT phù hợp. PAT là Công cụ Đánh giá Tiến độ, một rubric bạn điền để nâng cao việc học của mình. Bạn cũng có thể phản hồi các PAT khác để chúng ta cùng học hỏi.

Để học thêm, chúng tôi khuyến nghị theo dõi các module và lộ trình học Microsoft Learn.

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

Video hướng dẫn

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

Gặp gỡ đội ngũ

Gif bởi Mohit Jaisal

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

Phương pháp giảng dạy

Chúng tôi đã chọn hai nguyên tắc giảng dạy khi xây dựng chương trình học này: đảm bảo rằng nó dựa trên dự án thực hành và bao gồm các bài kiểm tra thường xuyên. Ngoài ra, chương trình học này có một chủ đề chung để tạo sự gắn kết.

Bằng cách đảm bảo nội dung phù hợp với các dự án, quá trình học trở nên hấp dẫn hơn đối với sinh viên và khả năng ghi nhớ các khái niệm sẽ được tăng cường. Ngoài ra, một bài kiểm tra không áp lực trước lớp giúp sinh viên tập trung vào việc học một chủ đề, trong khi bài kiểm tra thứ hai sau lớp đảm bảo khả năng ghi nhớ tốt hơn. Chương trình học này được thiết kế linh hoạt và thú vị, có thể học toàn bộ hoặc từng phần. Các dự án bắt đầu nhỏ và trở nên phức tạp hơn vào cuối chu kỳ 12 tuần. Chương trình học này cũng bao gồm một phần phụ về các ứng dụng thực tế của ML, có thể được sử dụng như điểm cộng hoặc làm cơ sở cho thảo luận.

Tìm Quy tắc ứng xử, Hướng dẫn đóng góp, và Hướng dẫn dịch thuật. Chúng tôi hoan nghênh phản hồi mang tính xây dựng của bạn!

Mỗi bài học bao gồm

sketchnote tùy chọn
video bổ sung tùy chọn
video hướng dẫn (chỉ một số bài học)
bài kiểm tra khởi động trước bài giảng
bài học viết
đối với các bài học dựa trên dự án, hướng dẫn từng bước về cách xây dựng dự án
kiểm tra kiến thức
một thử thách
tài liệu đọc bổ sung
bài tập
bài kiểm tra sau bài giảng

Lưu ý về ngôn ngữ: Các bài học này chủ yếu được viết bằng Python, nhưng nhiều bài cũng có sẵn bằng R. Để hoàn thành bài học R, hãy vào thư mục /solution và tìm các bài học R. Chúng bao gồm phần mở rộng .rmd, đại diện cho một tệp R Markdown, có thể được định nghĩa đơn giản là sự kết hợp của code chunks (của R hoặc các ngôn ngữ khác) và YAML header (hướng dẫn cách định dạng đầu ra như PDF) trong một Markdown document. Do đó, nó là một khung tác giả mẫu mực cho khoa học dữ liệu vì nó cho phép bạn kết hợp mã của mình, đầu ra của nó và suy nghĩ của bạn bằng cách cho phép bạn viết chúng bằng Markdown. Hơn nữa, các tài liệu R Markdown có thể được xuất ra các định dạng như PDF, HTML hoặc Word.

Lưu ý về bài kiểm tra: Tất cả các bài kiểm tra được chứa trong thư mục Quiz App, với tổng cộng 52 bài kiểm tra, mỗi bài gồm ba câu hỏi. Chúng được liên kết từ trong các bài học nhưng ứng dụng kiểm tra có thể chạy cục bộ; làm theo hướng dẫn trong thư mục quiz-app để lưu trữ cục bộ hoặc triển khai lên Azure.

Số bài học	Chủ đề	Nhóm bài học	Mục tiêu học tập	Liên kết bài học	Tác giả
01	Giới thiệu về học máy	Giới thiệu	Tìm hiểu các khái niệm cơ bản về học máy	Bài học	Muhammad
02	Lịch sử của học máy	Giới thiệu	Tìm hiểu lịch sử đằng sau lĩnh vực này	Bài học	Jen và Amy
03	Công bằng và học máy	Giới thiệu	Những vấn đề triết học quan trọng nào về công bằng mà học viên nên cân nhắc khi xây dựng và áp dụng các mô hình học máy?	Bài học	Tomomi
04	Kỹ thuật cho học máy	Giới thiệu	Các nhà nghiên cứu học máy sử dụng những kỹ thuật nào để xây dựng mô hình học máy?	Bài học	Chris và Jen
05	Giới thiệu về hồi quy	Hồi quy	Bắt đầu với Python và Scikit-learn để xây dựng các mô hình hồi quy	Python • R	Jen • Eric Wanjau
06	Giá bí ngô Bắc Mỹ 🎃	Hồi quy	Trực quan hóa và làm sạch dữ liệu để chuẩn bị cho học máy	Python • R	Jen • Eric Wanjau
07	Giá bí ngô Bắc Mỹ 🎃	Hồi quy	Xây dựng mô hình hồi quy tuyến tính và hồi quy đa thức	Python • R	Jen và Dmitry • Eric Wanjau
08	Giá bí ngô Bắc Mỹ 🎃	Hồi quy	Xây dựng mô hình hồi quy logistic	Python • R	Jen • Eric Wanjau
09	Một ứng dụng web 🔌	Ứng dụng web	Xây dựng một ứng dụng web để sử dụng mô hình đã được huấn luyện	Python	Jen
10	Giới thiệu về phân loại	Phân loại	Làm sạch, chuẩn bị và trực quan hóa dữ liệu; giới thiệu về phân loại	Python • R	Jen và Cassie • Eric Wanjau
11	Các món ăn ngon của châu Á và Ấn Độ 🍜	Phân loại	Giới thiệu về các bộ phân loại	Python • R	Jen và Cassie • Eric Wanjau
12	Các món ăn ngon của châu Á và Ấn Độ 🍜	Phân loại	Thêm các bộ phân loại	Python • R	Jen và Cassie • Eric Wanjau
13	Các món ăn ngon của châu Á và Ấn Độ 🍜	Phân loại	Xây dựng ứng dụng web gợi ý sử dụng mô hình của bạn	Python	Jen
14	Giới thiệu về phân cụm	Phân cụm	Làm sạch, chuẩn bị và trực quan hóa dữ liệu; giới thiệu về phân cụm	Python • R	Jen • Eric Wanjau
15	Khám phá sở thích âm nhạc Nigeria 🎧	Phân cụm	Khám phá phương pháp phân cụm K-Means	Python • R	Jen • Eric Wanjau
16	Giới thiệu về xử lý ngôn ngữ tự nhiên ☕️	Xử lý ngôn ngữ tự nhiên	Tìm hiểu cơ bản về NLP bằng cách xây dựng một bot đơn giản	Python	Stephen
17	Các nhiệm vụ NLP phổ biến ☕️	Xử lý ngôn ngữ tự nhiên	Nâng cao kiến thức về NLP bằng cách hiểu các nhiệm vụ phổ biến khi xử lý cấu trúc ngôn ngữ	Python	Stephen
18	Dịch thuật và phân tích cảm xúc ♥️	Xử lý ngôn ngữ tự nhiên	Dịch thuật và phân tích cảm xúc với Jane Austen	Python	Stephen
19	Các khách sạn lãng mạn ở châu Âu ♥️	Xử lý ngôn ngữ tự nhiên	Phân tích cảm xúc với đánh giá khách sạn 1	Python	Stephen
20	Các khách sạn lãng mạn ở châu Âu ♥️	Xử lý ngôn ngữ tự nhiên	Phân tích cảm xúc với đánh giá khách sạn 2	Python	Stephen
21	Giới thiệu về dự báo chuỗi thời gian	Chuỗi thời gian	Giới thiệu về dự báo chuỗi thời gian	Python	Francesca
22	⚡️ Sử dụng năng lượng thế giới ⚡️ - dự báo chuỗi thời gian với ARIMA	Chuỗi thời gian	Dự báo chuỗi thời gian với ARIMA	Python	Francesca
23	⚡️ Sử dụng năng lượng thế giới ⚡️ - dự báo chuỗi thời gian với SVR	Chuỗi thời gian	Dự báo chuỗi thời gian với Support Vector Regressor	Python	Anirban
24	Giới thiệu về học tăng cường	Học tăng cường	Giới thiệu về học tăng cường với Q-Learning	Python	Dmitry
25	Giúp Peter tránh xa con sói! 🐺	Học tăng cường	Học tăng cường với Gym	Python	Dmitry
Postscript	Các tình huống và ứng dụng ML thực tế	ML trong thực tế	Các ứng dụng thực tế thú vị và tiết lộ của học máy cổ điển	Bài học	Team
Postscript	Gỡ lỗi mô hình trong ML bằng bảng điều khiển RAI	ML trong thực tế	Gỡ lỗi mô hình trong học máy bằng các thành phần bảng điều khiển AI có trách nhiệm	Bài học	Ruth Yakubu

tìm tất cả tài nguyên bổ sung cho khóa học này trong bộ sưu tập Microsoft Learn của chúng tôi

Truy cập ngoại tuyến

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

PDFs

Tìm tệp PDF của giáo trình với các liên kết tại đây.

🎒 Các khóa học khác

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

Nhận hỗ trợ

Nếu bạn gặp khó khăn hoặc có bất kỳ câu hỏi nào về việc xây dựng ứng dụng AI, hãy tham gia:

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

Tuyên bố miễn trừ 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 các bản dịch tự động có thể chứa lỗi hoặc không chính xác. Tài liệu gốc bằng ngôn ngữ bản địa nên được coi là nguồn thông tin chính thức. Đối với các thông tin quan trọng, khuyến nghị sử dụng dịch vụ dịch thuật chuyên nghiệp bởi con người. Chúng tôi không chịu trách nhiệm cho bất kỳ sự hiểu lầm hoặc diễn giải sai nào phát sinh từ việc sử dụng bản dịch này.

29 KiB Raw Blame History Unescape Escape