ML-For-Beginners/translations/th

🌐 รองรับหลายภาษา

รองรับผ่าน GitHub Action (อัตโนมัติและอัปเดตเสมอ)

French | Spanish | German | Russian | Arabic | Persian (Farsi) | Urdu | Chinese (Simplified) | Chinese (Traditional, Macau) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Taiwan) | Japanese | Korean | Hindi | Bengali | Marathi | Nepali | Punjabi (Gurmukhi) | Portuguese (Portugal) | Portuguese (Brazil) | Italian | Polish | Turkish | Greek | Thai | Swedish | Danish | Norwegian | Finnish | Dutch | Hebrew | Vietnamese | Indonesian | Malay | Tagalog (Filipino) | Swahili | Hungarian | Czech | Slovak | Romanian | Bulgarian | Serbian (Cyrillic) | Croatian | Slovenian | Ukrainian | Burmese (Myanmar)

เข้าร่วมชุมชน

การเรียนรู้ Machine Learning สำหรับผู้เริ่มต้น - หลักสูตร

🌍 เดินทางรอบโลกพร้อมสำรวจการเรียนรู้ของเครื่องผ่านวัฒนธรรมโลก 🌍

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

เดินทางไปกับเราทั่วโลกในขณะที่เรานำเทคนิคแบบคลาสสิกเหล่านี้ไปใช้กับข้อมูลจากหลายพื้นที่ทั่วโลก แต่ละบทเรียนประกอบด้วยแบบทดสอบก่อนและหลังบทเรียน คำแนะนำที่เขียนไว้สำหรับการทำบทเรียน โซลูชัน งานมอบหมาย และอื่น ๆ วิธีการเรียนรู้แบบเน้นโครงการช่วยให้คุณเรียนรู้ในขณะที่สร้าง ซึ่งเป็นวิธีที่พิสูจน์แล้วว่าทักษะใหม่จะคงอยู่

✍️ 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 🙏 นักศึกษาทูตของ Microsoft ที่เป็นผู้เขียน ผู้ตรวจสอบ และผู้สนับสนุนเนื้อหา โดยเฉพาะ Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila และ Snigdha Agarwal

🤩 ขอขอบคุณเพิ่มเติมนักศึกษาทูตของ Microsoft Eric Wanjau, Jasleen Sondhi และ Vidushi Gupta สำหรับบทเรียน R ของเรา!

เริ่มต้นใช้งาน

ทำตามขั้นตอนเหล่านี้:

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

ค้นหาทรัพยากรเพิ่มเติมสำหรับหลักสูตรนี้ในคอลเลกชัน Microsoft Learn ของเรา

นักเรียน เพื่อใช้หลักสูตรนี้ ให้ fork repo ทั้งหมดไปยังบัญชี GitHub ของคุณเองและทำแบบฝึกหัดด้วยตัวเองหรือกับกลุ่ม:

• เริ่มต้นด้วยแบบทดสอบก่อนการบรรยาย
• อ่านบทเรียนและทำกิจกรรม หยุดและสะท้อนที่แต่ละจุดตรวจสอบความรู้
• พยายามสร้างโครงการโดยทำความเข้าใจบทเรียนแทนที่จะรันโค้ดโซลูชัน อย่างไรก็ตาม โค้ดนั้นมีอยู่ในโฟลเดอร์ /solution ในแต่ละบทเรียนที่เน้นโครงการ
• ทำแบบทดสอบหลังการบรรยาย
• ทำแบบท้าทาย
• ทำงานมอบหมาย
• หลังจากจบบทเรียนกลุ่ม ให้ไปที่ กระดานสนทนา และ "เรียนรู้แบบเปิดเผย" โดยกรอก PAT rubric ที่เหมาะสม PAT คือเครื่องมือประเมินความก้าวหน้าที่เป็น rubric ที่คุณกรอกเพื่อพัฒนาการเรียนรู้ของคุณ คุณยังสามารถตอบสนองต่อ PAT อื่น ๆ เพื่อให้เราเรียนรู้ร่วมกัน

สำหรับการศึกษาเพิ่มเติม เราแนะนำให้ติดตาม Microsoft Learn โมดูลและเส้นทางการเรียนรู้

ครู เราได้ รวมคำแนะนำบางส่วน เกี่ยวกับวิธีการใช้หลักสูตรนี้

---

วิดีโอแนะนำ

บทเรียนบางส่วนมีวิดีโอสั้น ๆ คุณสามารถค้นหาวิดีโอเหล่านี้ในบทเรียน หรือใน เพลย์ลิสต์ ML สำหรับผู้เริ่มต้นในช่อง YouTube ของ Microsoft Developer โดยคลิกที่ภาพด้านล่าง

---

พบกับทีมงาน

Gif โดย Mohit Jaisal

🎥 คลิกที่ภาพด้านบนเพื่อดูวิดีโอเกี่ยวกับโครงการและผู้ที่สร้างมันขึ้นมา!

---

วิธีการสอน

เราเลือกหลักการสอนสองข้อในขณะที่สร้างหลักสูตรนี้: การทำให้เป็น โครงการที่เน้นการลงมือทำ และการรวม แบบทดสอบบ่อยครั้ง นอกจากนี้ หลักสูตรนี้ยังมี ธีมร่วม เพื่อให้มีความสอดคล้องกัน

โดยการทำให้เนื้อหาสอดคล้องกับโครงการ กระบวนการจะมีความน่าสนใจมากขึ้นสำหรับนักเรียน และการจดจำแนวคิดจะเพิ่มขึ้น นอกจากนี้ แบบทดสอบที่มีความเสี่ยงต่ำก่อนคลาสจะตั้งเจตนาของนักเรียนในการเรียนรู้หัวข้อ ในขณะที่แบบทดสอบที่สองหลังคลาสจะช่วยเพิ่มการจดจำเพิ่มเติม หลักสูตรนี้ได้รับการออกแบบให้ยืดหยุ่นและสนุกสนาน และสามารถเรียนได้ทั้งหมดหรือบางส่วน โครงการเริ่มต้นเล็ก ๆ และมีความซับซ้อนมากขึ้นเรื่อย ๆ จนถึงสิ้นสุดรอบ 12 สัปดาห์ หลักสูตรนี้ยังรวมถึงบทส่งท้ายเกี่ยวกับการประยุกต์ใช้ ML ในโลกจริง ซึ่งสามารถใช้เป็นเครดิตเพิ่มเติมหรือเป็นพื้นฐานสำหรับการอภิปราย

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

แต่ละบทเรียนประกอบด้วย

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

หมายเหตุเกี่ยวกับภาษา: บทเรียนเหล่านี้เขียนใน Python เป็นหลัก แต่หลายบทเรียนก็มีใน R ด้วย หากต้องการทำบทเรียน R ให้ไปที่โฟลเดอร์ /solution และมองหาบทเรียน R ซึ่งมีนามสกุล .rmd ที่แสดงถึงไฟล์ R Markdown ซึ่งสามารถกำหนดได้ง่าย ๆ ว่าเป็นการฝัง code chunks (ของ R หรือภาษาอื่น ๆ) และ YAML header (ที่แนะนำวิธีการจัดรูปแบบผลลัพธ์ เช่น PDF) ในเอกสาร Markdown ดังนั้นจึงเป็นกรอบการเขียนที่เป็นตัวอย่างสำหรับวิทยาศาสตร์ข้อมูล เนื่องจากช่วยให้คุณรวมโค้ด ผลลัพธ์ และความคิดของคุณโดยเขียนลงใน Markdown นอกจากนี้ เอกสาร R Markdown สามารถแสดงผลในรูปแบบผลลัพธ์ 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	บทนำเกี่ยวกับการเรียนรู้ของเครื่อง	Introduction	เรียนรู้แนวคิดพื้นฐานเกี่ยวกับการเรียนรู้ของเครื่อง	บทเรียน	Muhammad
02	ประวัติศาสตร์ของการเรียนรู้ของเครื่อง	Introduction	เรียนรู้ประวัติศาสตร์ที่อยู่เบื้องหลังสาขานี้	บทเรียน	Jen และ Amy
03	ความยุติธรรมและการเรียนรู้ของเครื่อง	Introduction	ประเด็นปรัชญาที่สำคัญเกี่ยวกับความยุติธรรมที่นักเรียนควรพิจารณาเมื่อสร้างและใช้โมเดล ML คืออะไร?	บทเรียน	Tomomi
04	เทคนิคสำหรับการเรียนรู้ของเครื่อง	Introduction	นักวิจัย ML ใช้เทคนิคอะไรในการสร้างโมเดล ML?	Lesson	Chris และ Jen
05	บทนำสู่การถดถอย	Regression	เริ่มต้นใช้งาน Python และ Scikit-learn สำหรับโมเดลการถดถอย

• [Python](2-Regression/1-Tools/README.md)
• [R](../../2-Regression/1-Tools/solution/R/lesson_1.html)

|

• Jen
• Eric Wanjau

| | 06 | ราคาฟักทองในอเมริกาเหนือ 🎃 | [Regression](2-Regression/README.md) | การแสดงผลและทำความสะอาดข้อมูลเพื่อเตรียมพร้อมสำหรับ ML |

• [Python](2-Regression/2-Data/README.md)
• [R](../../2-Regression/2-Data/solution/R/lesson_2.html)

|

• Jen
• Eric Wanjau

| | 07 | ราคาฟักทองในอเมริกาเหนือ 🎃 | [Regression](2-Regression/README.md) | สร้างโมเดลการถดถอยเชิงเส้นและพหุนาม |

• [Python](2-Regression/3-Linear/README.md)
• [R](../../2-Regression/3-Linear/solution/R/lesson_3.html)

|

• Jen และ Dmitry
• Eric Wanjau

| | 08 | ราคาฟักทองในอเมริกาเหนือ 🎃 | [Regression](2-Regression/README.md) | สร้างโมเดลการถดถอยโลจิสติก |

• [Python](2-Regression/4-Logistic/README.md)
• [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html)

|

• Jen
• Eric Wanjau

| | 09 | แอปพลิเคชันเว็บ 🔌 | [Web App](3-Web-App/README.md) | สร้างแอปพลิเคชันเว็บเพื่อใช้งานโมเดลที่คุณฝึกมาแล้ว | [Python](3-Web-App/1-Web-App/README.md) | Jen | | 10 | บทนำสู่การจัดประเภท | [Classification](4-Classification/README.md) | ทำความสะอาด เตรียมข้อมูล และแสดงผลข้อมูล; บทนำสู่การจัดประเภท |

• [Python](4-Classification/1-Introduction/README.md)
• [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) |
  • Jen และ Cassie
  • Eric Wanjau
  | | 11 | อาหารเอเชียและอินเดียแสนอร่อย 🍜 | [Classification](4-Classification/README.md) | บทนำสู่ตัวจัดประเภท |
  • [Python](4-Classification/2-Classifiers-1/README.md)
  • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) |
    • Jen และ Cassie
    • Eric Wanjau
    | | 12 | อาหารเอเชียและอินเดียแสนอร่อย 🍜 | [Classification](4-Classification/README.md) | ตัวจัดประเภทเพิ่มเติม |
    • [Python](4-Classification/3-Classifiers-2/README.md)
    • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) |
      • Jen และ Cassie
      • Eric Wanjau
      | | 13 | อาหารเอเชียและอินเดียแสนอร่อย 🍜 | [Classification](4-Classification/README.md) | สร้างแอปพลิเคชันเว็บแนะนำโดยใช้โมเดลของคุณ | [Python](4-Classification/4-Applied/README.md) | Jen | | 14 | บทนำสู่การจัดกลุ่ม | [Clustering](5-Clustering/README.md) | ทำความสะอาด เตรียมข้อมูล และแสดงผลข้อมูล; บทนำสู่การจัดกลุ่ม |
      • [Python](5-Clustering/1-Visualize/README.md)
      • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) |
        • Jen
        • Eric Wanjau
        | | 15 | สำรวจรสนิยมดนตรีของไนจีเรีย 🎧 | [Clustering](5-Clustering/README.md) | สำรวจวิธีการจัดกลุ่มแบบ K-Means |
        • [Python](5-Clustering/2-K-Means/README.md)
        • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) |
          • Jen
          • Eric Wanjau
          | | 16 | บทนำสู่การประมวลผลภาษาธรรมชาติ ☕️ | [Natural language processing](6-NLP/README.md) | เรียนรู้พื้นฐานเกี่ยวกับ NLP โดยการสร้างบอทง่ายๆ | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | | 17 | งาน NLP ทั่วไป ☕️ | [Natural language processing](6-NLP/README.md) | เพิ่มพูนความรู้เกี่ยวกับ NLP โดยทำความเข้าใจงานทั่วไปที่เกี่ยวข้องกับโครงสร้างภาษา | [Python](6-NLP/2-Tasks/README.md) | Stephen | | 18 | การแปลและการวิเคราะห์ความรู้สึก ♥️ | [Natural language processing](6-NLP/README.md) | การแปลและการวิเคราะห์ความรู้สึกด้วยงานของ Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | | 19 | โรงแรมโรแมนติกในยุโรป ♥️ | [Natural language processing](6-NLP/README.md) | การวิเคราะห์ความรู้สึกด้วยรีวิวโรงแรม 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | | 20 | โรงแรมโรแมนติกในยุโรป ♥️ | [Natural language processing](6-NLP/README.md) | การวิเคราะห์ความรู้สึกด้วยรีวิวโรงแรม 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | | 21 | บทนำสู่การพยากรณ์อนุกรมเวลา | [Time series](7-TimeSeries/README.md) | บทนำสู่การพยากรณ์อนุกรมเวลา | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | | 22 | ⚡️ การใช้พลังงานโลก ⚡️ - การพยากรณ์อนุกรมเวลาด้วย ARIMA | [Time series](7-TimeSeries/README.md) | การพยากรณ์อนุกรมเวลาด้วย ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | | 23 | ⚡️ การใช้พลังงานโลก ⚡️ - การพยากรณ์อนุกรมเวลาด้วย SVR | [Time series](7-TimeSeries/README.md) | การพยากรณ์อนุกรมเวลาด้วย Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | | 24 | บทนำสู่การเรียนรู้เสริมกำลัง | [Reinforcement learning](8-Reinforcement/README.md) | บทนำสู่การเรียนรู้เสริมกำลังด้วย Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | | 25 | ช่วยปีเตอร์หลบหมาป่า! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | การเรียนรู้เสริมกำลังใน Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | | Postscript | สถานการณ์และการประยุกต์ใช้ ML ในโลกจริง | [ML in the Wild](9-Real-World/README.md) | การประยุกต์ใช้ ML แบบคลาสสิกในโลกจริงที่น่าสนใจและเปิดเผย | [Lesson](9-Real-World/1-Applications/README.md) | Team | | Postscript | การดีบักโมเดลใน ML ด้วยแดชบอร์ด RAI | [ML in the Wild](9-Real-World/README.md) | การดีบักโมเดลใน Machine Learning ด้วยส่วนประกอบแดชบอร์ด Responsible AI | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |

          ค้นหาทรัพยากรเพิ่มเติมสำหรับคอร์สนี้ใน Microsoft Learn collection ของเรา

          การเข้าถึงแบบออฟไลน์

          คุณสามารถเรียกใช้เอกสารนี้แบบออฟไลน์ได้โดยใช้ 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.

          🎒 คอร์สอื่นๆ

          ทีมของเราผลิตคอร์สอื่นๆ! ลองดู:

          • Generative AI for Beginners
          • Generative AI for Beginners .NET
          • Generative AI with JavaScript
          • Generative AI with Java
          • AI for Beginners
          • Data Science for Beginners
          • ML for Beginners
          • Cybersecurity for Beginners
          • Web Dev for Beginners
          • IoT for Beginners
          • XR Development for Beginners
          • Mastering GitHub Copilot for Paired Programming
          • Mastering GitHub Copilot for C#/.NET Developers
          • Choose Your Own Copilot Adventure

          ---

          ข้อจำกัดความรับผิดชอบ:
          เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้องมากที่สุด แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้