ML-For-Beginners/translations/th

🌐 รองรับหลายภาษา

รองรับโดย GitHub Action (อัตโนมัติและปรับปรุงอยู่เสมอ)

อาหรับ | เบงกาลี | บัลแกเรีย | พม่า (เมียนมา) | จีน (ตัวย่อ) | จีน (ตัวเต็ม, ฮ่องกง) | จีน (ตัวเต็ม, มาเก๊า) | จีน (ตัวเต็ม, ไต้หวัน) | โครเอเชีย | เช็ก | เดนมาร์ก | ดัตช์ | เอสโตเนีย | ฟินนิช | ฝรั่งเศส | เยอรมัน | กรีก | ฮีบรู | ฮินดี | ฮังการี | อินโดนีเซีย | อิตาลี | ญี่ปุ่น | กันนาดา | เกาหลี | ลิทัวเนีย | มาเลย์ | มาลายาลัม | มราฐี | เนปาล | นาอิเจอเรีย พิดจิน | นอร์เวย์ | เปอร์เซีย (ฟาร์ซี) | โปแลนด์ | โปรตุเกส (บราซิล) | โปรตุเกส (โปรตุเกส) | ปัญจาบ (กุรมุกี) | โรมาเนีย | รัสเซีย | เซอร์เบีย (คีริลลิก) | สโลวัค | สโลวีเนีย | สเปน | สวาฮีลี | สวีเดน | ตากาล็อก (ฟิลิปปินส์) | ทมิฬ | เทลูกู | ไทย | ตุรกี | ยูเครน | อูรดู | เวียดนาม

เข้าร่วมชุมชนของเรา

เรามีซีรีส์ Learn with AI บน Discord กำลังดำเนินการ เรียนรู้เพิ่มเติมและเข้าร่วมกับเราที่ Learn with AI Series ระหว่างวันที่ 18 - 30 กันยายน 2025 คุณจะได้รับเคล็ดลับและทริคในการใช้ GitHub Copilot สำหรับ Data Science

การเรียนรู้ของเครื่องสำหรับผู้เริ่มต้น - หลักสูตร

🌍 ท่องเที่ยวรอบโลกขณะที่เราสำรวจการเรียนรู้ของเครื่องผ่านวัฒนธรรมต่าง ๆ ของโลก 🌍

Cloud Advocates ที่ Microsoft ยินดีนำเสนอหลักสูตร 12 สัปดาห์ มี 26 บทเรียน ทั้งหมดเกี่ยวกับ Machine Learning ในหลักสูตรนี้ คุณจะได้เรียนรู้สิ่งที่บางครั้งเรียกว่า classic machine learning โดยใช้ไลบรารีหลักเป็น Scikit-learn และหลีกเลี่ยง deep learning ซึ่งครอบคลุมใน AI for Beginners' curriculum ของเรา ผสมผสานบทเรียนเหล่านี้กับ 'Data Science for Beginners' curriculum ของเราได้ด้วยเช่นกัน

เดินทางไปกับเราไปรอบโลกขณะที่เราใช้เทคนิคคลาสสิกเหล่านี้กับข้อมูลจากหลายพื้นที่ของโลก แต่ละบทเรียนประกอบด้วยแบบทดสอบก่อนและหลังบทเรียน คำแนะนำเป็นลายลักษณ์อักษรเพื่อทำบทเรียน คำตอบ ตัวอย่างงาน และอื่น ๆ การสอนแบบโครงการของเราช่วยให้คุณเรียนรู้ขณะสร้างงาน ซึ่งเป็นวิธีที่พิสูจน์แล้วว่าทักษะใหม่ ๆ จะ "ติด" ได้ดี

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

🎨 ขอบคุณแก่ผู้วาดภาพประกอบของเรา Tomomi Imura, Dasani Madipalli, และ Jen Looper

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

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

เริ่มต้นใช้งาน

ทำตามขั้นตอนเหล่านี้:

1. Fork the Repository: คลิกที่ปุ่ม "Fork" ที่มุมบนขวาของหน้านี้
2. Clone the Repository: git clone https://github.com/microsoft/ML-For-Beginners.git

ค้นหาแหล่งข้อมูลเพิ่มเติมสำหรับหลักสูตรนี้ทั้งหมดในชุดการเรียนรู้ Microsoft Learn ของเรา

🔧 ต้องการความช่วยเหลือหรือไม่? ตรวจสอบ Troubleshooting Guide ของเราสำหรับวิธีแก้ไขปัญหาทั่วไปเกี่ยวกับการติดตั้ง การตั้งค่า และการรันบทเรียน

นักเรียน ในการใช้หลักสูตรนี้ ให้ fork รีโพทั้งหมดไปยังบัญชี GitHub ของคุณเองและทำแบบฝึกหัดด้วยตัวเองหรือเป็นกลุ่ม:

• เริ่มจากแบบทดสอบก่อนบรรยาย
• อ่านบรรยายและทำกิจกรรมให้เสร็จ หยุดและไตร่ตรองที่แต่ละการตรวจสอบความรู้
• พยายามสร้างโปรเจกต์โดยเข้าใจบทเรียนแทนการรันโค้ดตัวอย่าง; อย่างไรก็ตาม โค้ดนั้นมีให้ในโฟลเดอร์ /solution ในแต่ละบทเรียนที่เน้นโปรเจกต์
• ทำแบบทดสอบหลังบรรยาย
• ทำความท้าทาย
• ทำการบ้าน
• หลังจากทำกลุ่มบทเรียนเสร็จ เยี่ยมชม Discussion Board และ "เรียนออกเสียง" โดยกรอก PAT rubric ที่เหมาะสม 'PAT' คือ Progress Assessment Tool ซึ่งเป็นรูบริกที่คุณกรอกเพื่อเสริมการเรียนรู้ของคุณ คุณยังสามารถแสดงปฏิกิริยาต่อ PAT ของผู้อื่นเพื่อให้เราเรียนรู้ร่วมกันได้

สำหรับการเรียนรู้เพิ่มเติม เราแนะนำให้ติดตามโมดูลและเส้นทางการเรียนรู้เหล่านี้ใน Microsoft Learn

ครู/อาจารย์, เราได้ รวมคำแนะนำบางส่วน เกี่ยวกับวิธีการใช้หลักสูตรนี้

---

วิดีโอแนะนำ

บทเรียนบางบทมีให้เป็นวิดีโอสั้น ๆ คุณสามารถหาได้ในบทเรียนโดยตรง หรือบน เพลย์ลิสต์ ML for Beginners บนช่อง Microsoft Developer YouTube โดยคลิกที่รูปด้านล่าง

---

พบทีมงาน

Gif โดย Mohit Jaisal

🎥 คลิกที่รูปด้านบนเพื่อดูวิดีโอเกี่ยวกับโครงการและทีมผู้สร้าง!

---

แนวการสอน

เราเลือกสองหลักการสอนในการสร้างหลักสูตรนี้: ให้เป็นแบบปฏิบัติจริง อิงโปรเจกต์ และมี แบบทดสอบบ่อยครั้ง นอกจากนี้ หลักสูตรนี้ยังมี ธีม ร่วมกันเพื่อให้มีความสอดคล้อง

โดยการทำให้เนื้อหาสอดคล้องกับโปรเจกต์ กระบวนการจะน่าสนใจกว่าสำหรับผู้เรียนและช่วยเพิ่มการจำแนวคิด ยิ่งไปกว่านั้น แบบทดสอบที่ไม่มีความเสี่ยงก่อนชั้นเรียนจะช่วยตั้งเจตนารมณ์ของผู้เรียนในการเรียนรู้หัวข้อ ส่วนแบบทดสอบหลังชั้นเรียนจะช่วยยืนยันการจดจำเพิ่มเติม หลักสูตรนี้ออกแบบมาให้ยืดหยุ่นและสนุก และสามารถเรียนทั้งหมดหรือเป็นบางส่วนได้ โครงการเริ่มจากเล็กและซับซ้อนขึ้นเรื่อย ๆ จนสิ้นสุดรอบ 12 สัปดาห์ หลักสูตรนี้ยังรวมตอนพิเศษเกี่ยวกับการประยุกต์ใช้ ML ในโลกจริง ซึ่งสามารถใช้เป็นเครดิตพิเศษหรือเป็นฐานสำหรับการอภิปราย

ค้นหา Code of Conduct, Contributing, Translation, และแนวทาง Troubleshooting ของเรา เรายินดีรับข้อเสนอแนะเชิงสร้างสรรค์ของคุณ!

แต่ละบทเรียนประกอบด้วย

• สเก็ตช์โน้ต (ไม่บังคับ)
• วิดีโอเสริม (ไม่บังคับ)
• วิดีโอสาธิต (เฉพาะบางบทเรียน)
• แบบทดสอบอุ่นเครื่องก่อนบรรยาย
• บทเรียนเป็นลายลักษณ์อักษร
• สำหรับบทเรียนแบบโปรเจกต์ มีคำแนะนำทีละขั้นตอนเกี่ยวกับวิธีสร้างโปรเจกต์
• แบบทดสอบความรู้ย่อย
• ความท้าทาย
• การอ่านเสริม
• การบ้าน
• แบบทดสอบหลังบรรยาย

หมายเหตุเกี่ยวกับภาษา: บทเรียนเหล่านี้เขียนเป็นหลักใน Python แต่หลายบทเรียนก็มีใน R ด้วย หากต้องการทำบทเรียน R ให้ไปที่โฟลเดอร์ /solution แล้วค้นหาบทเรียน R พวกมันมีนามสกุล .rmd ซึ่งเป็นไฟล์ R Markdown ซึ่งสามารถนิยามได้ง่าย ๆ ว่าเป็นการฝัง code chunks (ของ R หรือภาษาอื่น ๆ) และ YAML header (ที่ชี้แนะวิธีการจัดรูปแบบผลลัพธ์ เช่น PDF) ใน Markdown document ดังนั้น มันจึงทำหน้าที่เป็นกรอบการเขียนตัวอย่างสำหรับงานข้อมูล เพราะอนุญาตให้คุณรวมโค้ด ผลลัพธ์ และความคิดของคุณโดยเขียนลงใน Markdown ยิ่งไปกว่านั้น เอกสาร R Markdown สามารถเรนเดอร์เป็นรูปแบบเอาต์พุตเช่น PDF, HTML, หรือ Word ได้

หมายเหตุเกี่ยวกับแบบทดสอบ: แบบทดสอบทั้งหมดอยู่ใน Quiz App folder, รวมทั้งหมด 52 แบบทดสอบ แต่ละแบบมีสามคำถาม พวกมันลิงก์จากภายในบทเรียน แต่แอปแบบทดสอบสามารถรันได้ในเครื่อง; ทำตามคำแนะนำในโฟลเดอร์ quiz-app เพื่อโฮสต์ในเครื่องหรือปรับใช้ไปยัง Azure

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	บทนำสู่การเรียนรู้ของเครื่อง	บทนำ	เรียนรู้แนวคิดพื้นฐานเบื้องหลังการเรียนรู้ของเครื่อง	บทเรียน	Muhammad
02	ประวัติของการเรียนรู้ของเครื่อง	บทนำ	เรียนรู้ประวัติศาสตร์ที่เป็นพื้นฐานของสาขานี้	บทเรียน	Jen and Amy
03	ความยุติธรรมและการเรียนรู้ของเครื่อง	บทนำ	ประเด็นทางปรัชญาที่สำคัญเกี่ยวกับความยุติธรรมคืออะไรที่นักเรียนควรพิจารณาเมื่อสร้างและนำแบบจำลอง ML ไปใช้?	บทเรียน	Tomomi
04	เทคนิคสำหรับการเรียนรู้ของเครื่อง	บทนำ	นักวิจัยด้าน ML ใช้เทคนิคใดบ้างในการสร้างแบบจำลอง ML?	บทเรียน	Chris and Jen
05	บทนำสู่การถดถอย	การถดถอย	เริ่มต้นด้วย Python และ Scikit-learn สำหรับแบบจำลองการถดถอย	Python • R	Jen • Eric Wanjau
06	ราคาฟักทองในอเมริกาเหนือ 🎃	การถดถอย	สร้างภาพและทำความสะอาดข้อมูลเพื่อเตรียมสำหรับ ML	Python • R	Jen • Eric Wanjau
07	ราคาฟักทองในอเมริกาเหนือ 🎃	การถดถอย	สร้างแบบจำลองการถดถอยเชิงเส้นและเชิงพหุนาม	Python • R	Jen and Dmitry • Eric Wanjau
08	ราคาฟักทองในอเมริกาเหนือ 🎃	การถดถอย	สร้างแบบจำลองการถดถอยโลจิสติก	Python • R	Jen • Eric Wanjau
09	เว็บแอป 🔌	เว็บแอป	สร้างเว็บแอปเพื่อใช้แบบจำลองที่ฝึกแล้วของคุณ	Python	Jen
10	บทนำสู่การจำแนกประเภท	การจำแนกประเภท	ทำความสะอาด เตรียม และสร้างภาพข้อมูลของคุณ; บทนำสู่การจำแนกประเภท	Python • R	Jen and Cassie • Eric Wanjau
11	อาหารเอเชียและอินเดียแสนอร่อย 🍜	การจำแนกประเภท	บทนำสู่ตัวจำแนก	Python • R	Jen and Cassie • Eric Wanjau
12	อาหารเอเชียและอินเดียแสนอร่อย 🍜	การจำแนกประเภท	ตัวจำแนกเพิ่มเติม	Python • R	Jen and Cassie • Eric Wanjau
13	อาหารเอเชียและอินเดียแสนอร่อย 🍜	การจำแนกประเภท	สร้างเว็บแอประบบแนะนำโดยใช้แบบจำลองของคุณ	Python	Jen
14	บทนำสู่การจัดกลุ่ม	การจัดกลุ่ม	ทำความสะอาด เตรียม และสร้างภาพข้อมูลของคุณ; บทนำสู่การจัดกลุ่ม	Python • R	Jen • Eric Wanjau
15	สำรวจรสนิยมดนตรีของไนจีเรีย 🎧	การจัดกลุ่ม	สำรวจวิธีการจัดกลุ่มแบบ K-Means	Python • R	Jen • Eric Wanjau
16	บทนำสู่การประมวลผลภาษาธรรมชาติ ☕️	การประมวลผลภาษาธรรมชาติ	เรียนรู้พื้นฐานเกี่ยวกับ NLP โดยการสร้างบ็อตง่ายๆ	Python	Stephen
17	งาน NLP ที่พบบ่อย ☕️	การประมวลผลภาษาธรรมชาติ	เพิ่มพูนความรู้ด้าน NLP ของคุณโดยเข้าใจงานทั่วไปที่จำเป็นเมื่อจัดการกับโครงสร้างภาษา	Python	Stephen
18	การแปลภาษาและการวิเคราะห์อารมณ์ ♥️	การประมวลผลภาษาธรรมชาติ	การแปลและการวิเคราะห์อารมณ์ด้วย Jane Austen	Python	Stephen
19	โรงแรมโรแมนติกในยุโรป ♥️	การประมวลผลภาษาธรรมชาติ	การวิเคราะห์อารมณ์จากรีวิวโรงแรม 1	Python	Stephen
20	โรงแรมโรแมนติกในยุโรป ♥️	การประมวลผลภาษาธรรมชาติ	การวิเคราะห์อารมณ์จากรีวิวโรงแรม 2	Python	Stephen
21	บทนำสู่การพยากรณ์อนุกรมเวลา	อนุกรมเวลา	บทนำสู่การพยากรณ์อนุกรมเวลา	Python	Francesca
22	⚡️ การใช้พลังงานโลก ⚡️ - การพยากรณ์อนุกรมเวลากับ ARIMA	อนุกรมเวลา	การพยากรณ์อนุกรมเวลากับ ARIMA	Python	Francesca
23	⚡️ การใช้พลังงานโลก ⚡️ - การพยากรณ์อนุกรมเวลากับ SVR	อนุกรมเวลา	การพยากรณ์อนุกรมเวลากับ SVR	Python	Anirban
24	บทนำสู่การเรียนรู้แบบเสริมกำลัง	การเรียนรู้แบบเสริมกำลัง	บทนำสู่การเรียนรู้แบบเสริมกำลังด้วย Q-Learning	Python	Dmitry
25	ช่วย Peter หลีกเลี่ยงหมาป่า! 🐺	การเรียนรู้แบบเสริมกำลัง	การเรียนรู้แบบเสริมกำลังใน Gym	Python	Dmitry
บทส่งท้าย	สถานการณ์และการประยุกต์ใช้ ML ในโลกจริง	ML ในโลกจริง	การประยุกต์ใช้ ML แบบคลาสิกในโลกจริงที่น่าสนใจและเผยข้อมูลเชิงลึก	บทเรียน	Team
บทส่งท้าย	การดีบักโมเดลใน ML โดยใช้แดชบอร์ด RAI	ML ในโลกจริง	การดีบักโมเดลในการเรียนรู้ของเครื่องโดยใช้คอมโพเนนต์แดชบอร์ด Responsible AI	บทเรียน	Ruth Yakubu

ค้นหาทรัพยากรเพิ่มเติมทั้งหมดสำหรับหลักสูตรนี้ได้ในคอลเลกชัน Microsoft Learn ของเรา

การเข้าถึงแบบออฟไลน์

คุณสามารถเรียกใช้งานเอกสารนี้แบบออฟไลน์ได้โดยใช้ Docsify. Fork รีโปนี้, ติดตั้ง Docsify บนเครื่องของคุณ, แล้วในโฟลเดอร์รากของรีโปนี้ ให้พิมพ์ docsify serve. เว็บไซต์จะถูกให้บริการบนพอร์ต 3000 บนเครื่องท้องถิ่นของคุณ: localhost:3000.

ไฟล์ PDF

ค้นหาไฟล์ pdf ของหลักสูตรพร้อมลิงก์ ที่นี่.

🎒 คอร์สอื่นๆ

ทีมของเราผลิตคอร์สอื่นๆ! ดูได้ที่:

LangChain

---

Azure / Edge / MCP / Agents

---

ชุดคอร์ส Generative AI

---

การเรียนรู้หลัก

---

ชุด Copilot

ขอความช่วยเหลือ

หากคุณติดขัดหรือมีคำถามเกี่ยวกับการสร้างแอป AI ให้เข้าร่วมกับผู้เรียนคนอื่นๆ และนักพัฒนาที่มีประสบการณ์ เพื่อร่วมอภิปรายเกี่ยวกับ MCP ชุมชนนี้ให้การสนับสนุน ยินดีต้อนรับคำถาม และแบ่งปันทักษะความรู้กันอย่างเสรี

หากคุณมีข้อเสนอแนะเกี่ยวกับผลิตภัณฑ์หรือพบข้อผิดพลาดระหว่างการสร้าง โปรดเยี่ยมชม:

---

ข้อจำกัดความรับผิดชอบ: เอกสารฉบับนี้ถูกแปลโดยใช้บริการแปลภาษาอัตโนมัติ AI Co‑op Translator (https://github.com/Azure/co-op-translator) แม้เราจะพยายามให้การแปลมีความถูกต้อง โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้องได้ เอกสารต้นฉบับในภาษาต้นทางควรถูกถือเป็นเอกสารอ้างอิงหลัก สำหรับข้อมูลที่มีความสำคัญ แนะนำให้ใช้บริการแปลโดยผู้เชี่ยวชาญด้านมนุษย์ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดใด ๆ ที่เกิดจากการใช้การแปลนี้