ML-For-Beginners/translations/th

🌐 การสนับสนุนหลายภาษา

สนับสนุนผ่าน GitHub Action (อัตโนมัติและอัพเดทอยู่เสมอ)

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

ต้องการโคลนแบบทางเครื่องหรือ?

ที่เก็บนี้มีการแปลภาษามากกว่า 50 ภาษา ซึ่งทำให้ขนาดการดาวน์โหลดใหญ่ขึ้นมาก หากต้องการโคลนโดยไม่ต้องมีการแปล ให้ใช้การทำ sparse checkout:

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

ซึ่งจะให้คุณมีทุกอย่างที่จำเป็นสำหรับการเรียนจบหลักสูตรด้วยความเร็วในการดาวน์โหลดที่เร็วกว่ามาก

เข้าร่วมชุมชนของเรา

เรามีซีรีส์ Discord สำหรับการเรียนรู้กับ AI กำลังดำเนินอยู่ เรียนรู้เพิ่มเติมและเข้าร่วมกับเราที่ Learn with AI Series ตั้งแต่วันที่ 18 - 30 กันยายน 2025 คุณจะได้รับคำแนะนำและเคล็ดลับในการใช้ GitHub Copilot สำหรับวิทยาศาสตร์ข้อมูล

การเรียนรู้เครื่องสำหรับผู้เริ่มต้น - หลักสูตร

🌍 ท่องรอบโลกไปพร้อมกับการสำรวจการเรียนรู้เครื่องผ่านวัฒนธรรมโลก 🌍

กลุ่ม Cloud Advocates ที่ Microsoft มีความยินดีนำเสนอหลักสูตร 12 สัปดาห์ 26 บทเรียน ทั้งหมดเกี่ยวกับ Machine Learning ในหลักสูตรนี้ คุณจะได้เรียนรู้เกี่ยวกับสิ่งที่บางครั้งเรียกว่า machine learning แบบคลาสสิก โดยใช้ Scikit-learn เป็นไลบรารีหลัก และหลีกเลี่ยง deep learning ซึ่งได้ครอบคลุมในหลักสูตร AI for Beginners ของเรา จับคู่บทเรียนเหล่านี้กับหลักสูตร 'Data Science for Beginners' ของเราได้ด้วย!

เดินทางไปกับเรารอบโลกขณะที่เราใช้เทคนิคคลาสสิกเหล่านี้กับข้อมูลจากหลายพื้นที่ในโลก แต่ละบทเรียนมีแบบทดสอบก่อนและหลังเรียน คำแนะนำเป็นลายลักษณ์อักษรสำหรับทำบทเรียนให้เสร็จสมบูรณ์ โซลูชัน งานมอบหมาย และอื่นๆ วิธีสอนโดยใช้โครงการช่วยให้คุณได้เรียนรู้ไปพร้อมกับการสร้าง เป็นวิธีที่พิสูจน์แล้วว่าเหมาะสำหรับการจดจำทักษะใหม่ๆ

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

🎨 ขอบคุณเช่นกันต่อผู้วาดภาพประกอบ Tomomi Imura, Dasani Madipalli และ Jen Looper

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

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

เริ่มต้นใช้งาน

ทำตามขั้นตอนเหล่านี้:

1. Fork ที่เก็บนี้: คลิกที่ปุ่ม "Fork" ที่มุมขวาบนของหน้านี้
2. โคลนที่เก็บนี้: git clone https://github.com/microsoft/ML-For-Beginners.git

ค้นหาทรัพยากรเพิ่มเติมสำหรับหลักสูตรนี้ได้ในคอลเลกชัน Microsoft Learn ของเรา

🔧 ต้องการความช่วยเหลือ? ตรวจสอบ คู่มือแก้ปัญหา ของเราสำหรับวิธีแก้ไขปัญหาทั่วไปเกี่ยวกับการติดตั้ง การตั้งค่า และการรันบทเรียน

นักเรียน เพื่อใช้หลักสูตรนี้ ให้ fork โครงการทั้งหมดไปยังบัญชี GitHub ของคุณแล้วทำแบบฝึกหัดด้วยตนเองหรือกับกลุ่ม:

• เริ่มด้วยแบบทดสอบก่อนบรรยาย
• อ่านบรรยายและทำกิจกรรม จดจ่อและสะท้อนความคิดในแต่ละการตรวจสอบความรู้
• พยายามสร้างโครงการโดยเข้าใจบทเรียนแทนการรันโค้ดตัวอย่าง แม้ว่าจะมีโค้ดตัวอย่างอยู่ในโฟลเดอร์ /solution สำหรับแต่ละบทเรียนที่เน้นโครงการ
• ทำแบบทดสอบหลังบรรยาย
• ทำความท้าทาย
• ทำงานมอบหมาย
• หลังจากทำบทเรียนกลุ่มหนึ่งเสร็จ ไปที่ กระดานสนทนา และ "เรียนรู้เป็นเสียงดัง" โดยกรอกแบบประเมิน PAT ที่เหมาะสม ‘PAT’ คือเครื่องมือประเมินความก้าวหน้าที่ใช้กรอกเพื่อพัฒนาการเรียนรู้ คุณยังสามารถตอบกลับ PAT อื่นๆ เพื่อที่เราจะได้เรียนรู้ไปด้วยกัน

สำหรับการศึกษาต่อ แนะนำให้ติดตามโมดูลและเส้นทางการเรียนรู้ของ Microsoft Learn

คุณครู เรามี คำแนะนำบางส่วน เกี่ยวกับวิธีใช้หลักสูตรนี้

---

วิดีโอสอน

บางบทเรียนมีวิดีโอแบบสั้น คุณสามารถหาวิดีโอทั้งหมดนี้ได้ในบทเรียน หรือบน รายการวิดีโอ ML for Beginners บนช่อง Microsoft Developer YouTube โดยคลิกที่รูปภาพด้านล่าง

---

พบกับทีมงาน

Gif โดย Mohit Jaisal

🎥 คลิกรูปภาพด้านบนเพื่อดูวิดีโอเกี่ยวกับโครงการและบุคคลที่สร้างมันขึ้นมา!

---

วิธีการสอน

เราเลือกแนวทางสองประการในขณะที่สร้างหลักสูตรนี้: ให้เน้นการเรียนรู้แบบลงมือทำผ่าน โครงการจริง และมี แบบทดสอบบ่อยครั้ง นอกจากนี้ หลักสูตรนี้ยังมี ธีม ร่วมที่ให้ความต่อเนื่องกัน

โดยการทำให้เนื้อหาสอดคล้องกับโครงการ วิธีการนี้จะช่วยเพิ่มความน่าสนใจแก่ผู้เรียนและเพิ่มการจดจำแนวคิดได้ดี นอกจากนี้ แบบทดสอบความกดดันต่ำก่อนเข้าเรียนช่วยให้ผู้เรียนตั้งเป้าหมายในการเรียนเนื้อหานั้น และแบบทดสอบอีกครั้งหลังเรียนจะช่วยเพิ่มการจดจำ หลักสูตรนี้ออกแบบให้ยืดหยุ่นและสนุกสนาน สามารถเรียนแบบครบถ้วนหรือแยกเรียนเป็นส่วนๆ ได้ โครงการจะเริ่มขนาดเล็กและซับซ้อนขึ้นเรื่อยๆ จนถึงสิ้นสุดรอบ 12 สัปดาห์ หลักสูตรนี้ยังมีบทสรุปเกี่ยวกับการประยุกต์ใช้งานจริงของ ML ซึ่งสามารถใช้เป็นเครดิตเสริมหรือฐานสำหรับการอภิปราย

โปรดอ่าน จรรยาบรรณ, การมีส่วนร่วม, การแปล, และ การแก้ปัญหา ของเรา เรายินดีรับคำติชมในเชิงสร้างสรรค์ของคุณ!

ในแต่ละบทเรียนประกอบด้วย

• สเก็ตช์โน้ตเลือกทำ
• วิดีโอเสริมเลือกดูได้
• วิดีโอแนะนำ (บางบทเรียนเท่านั้น)
• แบบทดสอบวอร์มอัพก่อนบรรยาย
• บทเรียนเป็นลายลักษณ์อักษร
• สำหรับบทเรียนที่เน้นโครงการ มีคำแนะนำทีละขั้นตอนในการสร้างโครงการ
• การตรวจสอบความรู้
• ความท้าทาย
• อ่านเสริม
• งานมอบหมาย
• แบบทดสอบหลังบรรยาย

หมายเหตุเกี่ยวกับภาษา: บทเรียนเหล่านี้ส่วนใหญ่เขียนด้วย Python แต่หลายบทเรียนก็มีในภาษา R ด้วย หากต้องการทำบทเรียน R ให้ไปที่โฟลเดอร์ /solution และค้นหาบทเรียน R จะมีไฟล์นามสกุล .rmd ซึ่งหมายถึง R Markdown ที่เป็นไฟล์ที่ประกอบไปด้วย code chunks (รหัสของ R หรือภาษาอื่น) และ YAML header (ที่กำหนดวิธีการจัดรูปแบบผลลัพธ์ เช่น PDF) ใน เอกสาร Markdown ดังนั้นจึงเป็นกรอบการเขียนที่เหมาะสำหรับวิทยาศาสตร์ข้อมูลเพราะช่วยให้คุณรวมรหัส ผลลัพธ์ และความคิดของคุณโดยเขียนลงใน Markdown ได้ นอกจากนี้ เอกสาร R Markdown ยังสามารถแปลงเป็นรูปแบบผลลัพธ์อย่าง PDF, HTML หรือ Word ได้อีกด้วย หมายเหตุเกี่ยวกับแบบทดสอบ: แบบทดสอบทั้งหมดจะอยู่ใน โฟลเดอร์แอปแบบทดสอบ รวมทั้งหมด 52 แบบทดสอบ แต่ละแบบมีสามคำถาม มีการลิงก์จากภายในบทเรียน แต่แอปแบบทดสอบสามารถรันได้ในเครื่อง; ทำตามคำแนะนำในโฟลเดอร์ quiz-app เพื่อโฮสต์ในเครื่องหรือดีพลอยไปยัง Azure

หมายเลขบทเรียน	หัวข้อ	กลุ่มบทเรียน	วัตถุประสงค์การเรียนรู้	บทเรียนลิงก์	ผู้เขียน
01	บทนำสู่การเรียนรู้ของเครื่อง	บทนำ	เรียนรู้แนวคิดพื้นฐานเบื้องหลังการเรียนรู้ของเครื่อง	บทเรียน	Muhammad
02	ประวัติของการเรียนรู้ของเครื่อง	บทนำ	เรียนรู้ประวัติศาสตร์เบื้องหลังสาขานี้	บทเรียน	Jen and Amy
03	ความยุติธรรมและการเรียนรู้ของเครื่อง	บทนำ	ปัญหาทางปรัชญาสำคัญเกี่ยวกับความยุติธรรมที่นักเรียนควรพิจารณาเมื่อสร้างและนำแบบจำลอง ML ไปใช้	บทเรียน	Tomomi
04	เทคนิคสำหรับการเรียนรู้ของเครื่อง	บทนำ	เทคนิคที่นักวิจัย ML ใช้ในการสร้างแบบจำลอง ML คืออะไร?	บทเรียน	Chris and Jen
05	บทนำสู่การถดถอย	การถดถอย	เริ่มต้นใช้งาน Python และ Scikit-learn สำหรับแบบจำลองถดถอย	Python • R	Jen • Eric Wanjau
06	ราคาฟักทองในอเมริกาเหนือ 🎃	การถดถอย	แสดงข้อมูลและทำความสะอาดข้อมูลเพื่อเตรียมสำหรับ 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	แอปเว็บ 🔌	แอปเว็บ	สร้างเว็บแอปเพื่อใช้แบบจำลองที่คุณฝึกฝน	Python	Jen
10	บทนำสู่การจำแนกประเภท	การจำแนกประเภท	ทำความสะอาด เตรียม และแสดงข้อมูลของคุณ; บทนำสู่การจำแนกประเภท	Python • R	Jen and Cassie • Eric Wanjau
11	อาหารเอเชียและอินเดียที่อร่อย 🍜	การจำแนกประเภท	บทนำเกี่ยวกับตัวจำแนก	Python • R	Jen and Cassie • Eric Wanjau
12	อาหารเอเชียและอินเดียที่อร่อย 🍜	การจำแนกประเภท	ตัวจำแนกเพิ่มเติม	Python • R	Jen and Cassie • Eric Wanjau
13	อาหารเอเชียและอินเดียที่อร่อย 🍜	การจำแนกประเภท	สร้างเว็บแอปแนะนำโดยใช้แบบจำลองของคุณ	Python	Jen
14	บทนำสู่การจัดกลุ่ม	การจัดกลุ่ม	ทำความสะอาด เตรียม และแสดงข้อมูลของคุณ; บทนำสู่การจัดกลุ่ม	Python • R	Jen • Eric Wanjau
15	สำรวจรสนิยมดนตรีไนจีเรีย 🎧	การจัดกลุ่ม	สำรวจวิธีการจัดกลุ่ม K-Means	Python • R	Jen • Eric Wanjau
16	บทนำสู่การประมวลผลภาษาธรรมชาติ ☕️	การประมวลผลภาษาธรรมชาติ	เรียนรู้พื้นฐานเกี่ยวกับ NLP โดยการสร้างบอทง่ายๆ	Python	Stephen
17	งาน NLP ทั่วไป ☕️	การประมวลผลภาษาธรรมชาติ	เจาะลึกความรู้ NLP ของคุณโดยการเข้าใจงานทั่วไปที่ต้องทำในการจัดการโครงสร้างภาษา	Python	Stephen
18	การแปลและวิเคราะห์ความรู้สึก ♥️	การประมวลผลภาษาธรรมชาติ	การแปลและวิเคราะห์ความรู้สึกโดยใช้ Jane Austen	Python	Stephen
19	โรงแรมโรแมนติกในยุโรป ♥️	การประมวลผลภาษาธรรมชาติ	การวิเคราะห์ความรู้สึกด้วยบทวิจารณ์โรงแรม 1	Python	Stephen
20	โรงแรมโรแมนติกในยุโรป ♥️	การประมวลผลภาษาธรรมชาติ	การวิเคราะห์ความรู้สึกด้วยบทวิจารณ์โรงแรม 2	Python	Stephen
21	บทนำสู่การพยากรณ์ชุดข้อมูลตามเวลา	ชุดข้อมูลตามเวลา	บทนำสู่การพยากรณ์ชุดข้อมูลตามเวลา	Python	Francesca
22	⚡️ การใช้พลังงานโลก ⚡️ - การพยากรณ์ชุดข้อมูลตามเวลาด้วย ARIMA	ชุดข้อมูลตามเวลา	การพยากรณ์ชุดข้อมูลตามเวลาด้วย ARIMA	Python	Francesca
23	⚡️ การใช้พลังงานโลก ⚡️ - การพยากรณ์ชุดข้อมูลตามเวลาด้วย SVR	ชุดข้อมูลตามเวลา	การพยากรณ์ชุดข้อมูลตามเวลาด้วย Support Vector Regressor	Python	Anirban
24	บทนำสู่การเรียนรู้เสริมแรง	การเรียนรู้เสริมแรง	บทนำสู่การเรียนรู้เสริมแรงด้วย Q-Learning	Python	Dmitry
25	ช่วยปีเตอร์หลบหมาป่า! 🐺	การเรียนรู้เสริมแรง	Reinforcement learning Gym	Python	Dmitry
ที่แก้ไขเพิ่มเติม	สถานการณ์และการประยุกต์ใช้งาน ML ในโลกจริง	ML in the Wild	การประยุกต์ใช้งานจริงที่น่าสนใจและเปิดเผยของ ML คลาสสิก	บทเรียน	ทีม
ที่แก้ไขเพิ่มเติม	การดีบักแบบจำลองใน ML โดยใช้แดชบอร์ด RAI	ML in the Wild	การดีบักแบบจำลองใน Machine Learning โดยใช้คอมโพเนนต์แดชบอร์ด Responsible AI	บทเรียน	Ruth Yakubu

ค้นหาทรัพยากรเพิ่มเติมทั้งหมดสำหรับหลักสูตรนี้ในคอลเลกชัน Microsoft Learn ของเรา

เข้าถึงแบบออฟไลน์

คุณสามารถรันเอกสารนี้แบบออฟไลน์ด้วยการใช้ Docsify. ForkRepo นี้, ติดตั้ง Docsify บนเครื่องของคุณ แล้วในโฟลเดอร์รากของ repo นี้ พิมพ์คำสั่ง docsify serve. เว็บไซต์จะถูกให้บริการที่พอร์ต 3000 บน localhost ของคุณ: localhost:3000.

ไฟล์ PDF

ค้นหาไฟล์ pdf ของหลักสูตรพร้อมลิงก์ ที่นี่.

🎒 หลักสูตรอื่นๆ

ทีมของเราผลิตหลักสูตรอื่นๆ! ตรวจสอบได้ที่:

LangChain

---

Azure / Edge / MCP / Agents

---

Generative AI Series

---

แกนการเรียนรู้หลัก

---

ซีรีส์ Copilot

การขอความช่วยเหลือ

หากคุณติดขัดหรือต้องการคำถามใดๆ เกี่ยวกับการสร้างแอป AI เข้าร่วมกับผู้เรียนและนักพัฒนาที่มีประสบการณ์ในการสนทนาเกี่ยวกับ MCP นี่คือชุมชนที่ให้การสนับสนุนซึ่งเปิดรับคำถามและแบ่งปันความรู้กันอย่างเสรี

หากคุณมีความคิดเห็นเกี่ยวกับผลิตภัณฑ์หรือพบข้อผิดพลาดขณะสร้างโปรดเยี่ยมชม:

---

ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลด้วย AI Co-op Translator แม้ว่าเราจะพยายามให้มีความถูกต้องสูงสุด โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางควรถูกพิจารณาเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่มีความสำคัญ ควรใช้บริการแปลโดยมนุษย์มืออาชีพ เราจะไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดอันเกิดจากการใช้การแปลนี้