ML-For-Beginners/translations/th

🌐 การสนับสนุนหลายภาษา

สนับสนุนผ่าน GitHub Action (อัตโนมัติ & อัปเดตตลอดเวลา)

อาหรับ | เบงกาลี | บัลแกเรีย | พม่า (เมียนมา) | จีน (ตัวย่อ) | จีน (ตัวเต็ม, ฮ่องกง) | จีน (ตัวเต็ม, มาเก๊า) | จีน (ตัวเต็ม, ไต้หวัน) | โครเอเชีย | เช็ก | เดนมาร์ก | ดัตช์ | เอสโตเนีย | ฟินแลนด์ | ฝรั่งเศส | เยอรมัน | กรีก | ฮีบรู | ฮินดี | ฮังการี | อินโดนีเซีย | อิตาลี | ญี่ปุ่น | กันนาดา | เกาหลี | ลิทัวเนีย | มาเลย์ | มาลายาลัม | มราฐี | เนปาล | ไนจีเรียน พิดจิน | นอร์เวย์ | เปอร์เซีย (ฟาร์ซี) | โปแลนด์ | โปรตุเกส (บราซิล) | โปรตุเกส (โปรตุเกส) | ปัญจาบ (กูรมุขี) | โรมาเนีย | รัสเซีย | เซอร์เบีย (ซีริลลิก) | สโลวัก | สโลวีเนีย | สเปน | สวาฮิลี | สวีดิช | ทากาล็อก (ฟิลิปปินส์) | ทมิฬ | เทลูกู | ไทย | ตุรกี | ยูเครน | อูรดู | เวียดนาม

ชอบโคลนในเครื่องไหม?

ที่เก็บนี้ประกอบด้วยการแปลภาษา 50+ ภาษา ซึ่งเพิ่มขนาดการดาวน์โหลดอย่างมาก หากต้องการโคลนโดยไม่รวบรวมการแปล ให้ใช้ 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'

วิธีนี้ให้คุณทุกอย่างที่จำเป็นสำหรับการเรียนหลักสูตรนี้ พร้อมการดาวน์โหลดที่รวดเร็วกว่าอย่างมาก

เข้าร่วมชุมชนของเรา

เรามีซีรีส์เรียนรู้กับ AI บน Discord ดำเนินอยู่ เรียนรู้เพิ่มเติมและเข้าร่วมกับเราที่ ซีรีส์เรียนรู้กับ AI ระหว่างวันที่ 18 - 30 กันยายน 2025 คุณจะได้รับเคล็ดลับและเทคนิคการใช้ GitHub Copilot สำหรับวิทยาศาสตร์ข้อมูล

การเรียนรู้เครื่องสำหรับผู้เริ่มต้น - หลักสูตรการเรียนการสอน

🌍 เดินทางไปทั่วโลกพร้อมสำรวจการเรียนรู้ของเครื่องผ่านวัฒนธรรมทั่วโลก 🌍

ทีม Cloud Advocates ของ Microsoft มีความยินดีที่จะนำเสนอหลักสูตร 12 สัปดาห์ 26 บทเรียนที่เกี่ยวกับ การเรียนรู้ของเครื่อง ในหลักสูตรนี้ คุณจะได้เรียนรู้เกี่ยวกับสิ่งที่บางครั้งเรียกว่า การเรียนรู้ของเครื่องแบบคลาสสิก โดยใช้ไลบรารี Scikit-learn เป็นหลักและหลีกเลี่ยงการเรียนรู้ลึก ซึ่งครอบคลุมในหลักสูตร AI for Beginners' curriculum ของเรา จับคู่นี้กับหลักสูตรของเรา 'Data Science for Beginners' curriculum ด้วย!

เดินทางกับเราไปรอบโลกโดยใช้เทคนิคคลาสสิกเหล่านี้กับข้อมูลจากหลายภูมิภาคของโลก แต่ละบทเรียนมีแบบทดสอบก่อนและหลังบทเรียน คำแนะนำเป็นลายลักษณ์อักษรเพื่อทำบทเรียนให้เสร็จสมบูรณ์ โซลูชัน งานมอบหมาย และอื่น ๆ วิธีการสอนแบบโครงการช่วยให้คุณเรียนรู้โดยการสร้าง ซึ่งเป็นวิธีที่พิสูจน์แล้วว่าสามารถช่วยให้ทักษะใหม่ๆ ติดตัวได้

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

🎨 ขอบคุณผู้วาดภาพประกอบ Tomomi Imura, Dasani Madipalli และ Jen Looper

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

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

เริ่มต้นใช้งาน

ทำตามขั้นตอนเหล่านี้:

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

ค้นหาทรัพยากรเพิ่มเติมทั้งหมดสำหรับหลักสูตรนี้ได้ในคอลเลกชัน Microsoft Learn ของเรา

🔧 ต้องการความช่วยเหลือ? ดูคำแนะนำของเราใน คู่มือแก้ไขปัญหา สำหรับวิธีแก้ปัญหาที่พบบ่อยเกี่ยวกับการติดตั้ง การตั้งค่า และการรันบทเรียน

นักเรียน เพื่อใช้หลักสูตรนี้ ให้ฟอร์กที่เก็บทั้งหมดไปยังบัญชี GitHub ของคุณเองและทำแบบฝึกหัดด้วยตัวเองหรือกับกลุ่ม:

• เริ่มด้วยแบบทดสอบก่อนบรรยาย
• อ่านบรรยายและทำกิจกรรมให้เสร็จสมบูรณ์ โดยหยุดพักและสะท้อนความรู้ในแต่ละจุดตรวจความรู้
• พยายามสร้างโครงการโดยเข้าใจบทเรียน แทนการรันโค้ดในโซลูชัน อย่างไรก็ตาม โค้ดนั้นมีให้ในโฟลเดอร์ /solution ในแต่ละบทเรียนแบบโครงการ
• ทำแบบทดสอบหลังบรรยาย
• ทำภารกิจให้เสร็จ
• ทำงานที่ได้รับมอบหมายให้เสร็จ
• หลังจากทำกลุ่มบทเรียนเสร็จเยี่ยมชม กระดานพูดคุย และ "เรียนรู้ด้วยเสียงดัง" โดยกรอก PAT rubric ที่เหมาะสม 'PAT' คือเครื่องมือประเมินความก้าวหน้าที่คุณกรอกเพื่อเพิ่มพูนการเรียนรู้ คุณยังสามารถทำปฏิกิริยากับ PATs อื่นๆ เพื่อให้เราเรียนรู้ไปด้วยกัน

สำหรับการศึกษาต่อ เราแนะนำให้ติดตามโมดูลและเส้นทางการเรียนรู้ของ Microsoft Learn

ครูผู้สอน เราได้ แนะแนวบางอย่าง เกี่ยวกับวิธีการใช้หลักสูตรนี้ไว้ให้แล้ว

---

วิดีโอแนะนำ

บทเรียนบางบทเรียนมีในรูปแบบวิดีโอสั้น คุณสามารถหาวิดีโอทั้งหมดได้ในบทเรียน หรือใน เพลย์ลิสต์ ML for Beginners บนช่อง YouTube Microsoft Developer โดยคลิกที่ภาพด้านล่าง

---

รู้จักทีมงาน

ภาพเคลื่อนไหวโดย Mohit Jaisal

🎥 คลิกภาพด้านบนเพื่อชมวิดีโอเกี่ยวกับโครงการและผู้ที่สร้างมันขึ้นมา!

---

วิธีการสอน

เราเลือกสองหลักการทางการสอนในการสร้างหลักสูตรนี้: ให้เป็นหลักสูตรที่ใช้งานจริงแบบ โครงการ และมี แบบทดสอบบ่อยๆ นอกจากนี้ หลักสูตรนี้มี ธีม ร่วมเพื่อเพิ่มความสัมพันธ์กัน

โดยการทำให้เนื้อหาสอดคล้องกับโครงการ กระบวนการเรียนรู้จะน่าสนใจมากขึ้นสำหรับนักเรียน และช่วยเพิ่มการจดจำแนวคิด นอกจากนี้ แบบทดสอบแบบความเสี่ยงต่ำก่อนเรียนจะตั้งเป้าหมายให้นักเรียนมุ่งมั่นกับการเรียนรู้หัวข้อนั้นๆ ขณะที่แบบทดสอบหลังเรียนจะช่วยยืนยันการจดจำ เนื้อหานี้ออกแบบให้ยืดหยุ่นและสนุกสนาน สามารถเรียนทั้งหลักสูตรหรือบางส่วนได้ โครงการต่าง ๆ เริ่มจากขั้นพื้นฐานและซับซ้อนขึ้นเรื่อย ๆ ในช่วง 12 สัปดาห์ นอกจากนี้หลักสูตรจะมีบทเสริมเกี่ยวกับการประยุกต์ใช้ ML ในโลกจริง ซึ่งสามารถใช้เป็นคะแนนพิเศษหรือจุดเริ่มต้นในการสนทนาได้

ค้นหา จรรยาบรรณของเรา, การมีส่วนร่วม, การแปล, และ คู่มือแก้ไขปัญหา เรายินดีรับข้อเสนอแนะในทางสร้างสรรค์จากคุณ!

ในแต่ละบทเรียนประกอบด้วย

• สเก็ตช์โน้ต (ไม่บังคับ)
• วิดีโอเสริม (ไม่บังคับ)
• วิดีโอแนะนำ (เฉพาะบางบทเรียน)
• แบบทดสอบวอร์มอัพก่อนบรรยาย
• บทเรียนที่เขียนไว้
• สำหรับบทเรียนแบบโครงการ มีคำแนะนำทีละขั้นตอนในการสร้างโครงการ
• ตรวจสอบความรู้
• ความท้าทาย
• การอ่านเสริม
• งานมอบหมาย
• แบบทดสอบหลังบรรยาย

หมายเหตุเกี่ยวกับภาษา: บทเรียนเหล่านี้เขียนเป็นหลักในภาษา Python แต่หลายบทก็มีในภาษา R ด้วย หากต้องการทำบทเรียน R ให้ไปที่โฟลเดอร์ /solution และค้นหาบทเรียน R ซึ่งจะมีนามสกุล .rmd ที่หมายถึงไฟล์ R Markdown ซึ่งเป็นเอกสารที่ฝัง code chunks (ของภาษา R หรือภาษาอื่น ๆ) และ YAML header (ที่กำหนดวิธีการจัดรูปแบบผลลัพธ์ เช่น PDF) ไว้ใน Markdown document ดังนั้นจึงเป็นกรอบการเขียนที่ดีเยี่ยมสำหรับวิทยาศาสตร์ข้อมูลเพราะช่วยให้คุณสามารถรวมโค้ด ผลลัพธ์ และความคิดของคุณด้วยการเขียนลงใน Markdown อีกทั้งเอกสาร R Markdown สามารถเรนเดอร์เป็นรูปแบบเอาต์พุต เช่น PDF, HTML หรือ Word ได้ด้วย. หมายเหตุเกี่ยวกับแบบทดสอบ: แบบทดสอบทั้งหมดถูกรวบรวมไว้ใน โฟลเดอร์ Quiz App โดยมีแบบทดสอบทั้งหมด 52 ชุด ชุดละ 3 คำถาม สามารถเข้าถึงได้จากบทเรียนต่าง ๆ แต่แอปแบบทดสอบสามารถรันได้ในเครื่อง ทำตามคำแนะนำในโฟลเดอร์ quiz-app เพื่อโฮสต์แบบทดสอบในเครื่องหรือเผยแพร่บน Azure

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	บทนำสู่การเรียนรู้ของเครื่อง	Introduction	เรียนรู้แนวคิดพื้นฐานเบื้องหลังการเรียนรู้ของเครื่อง	Lesson	Muhammad
02	ประวัติของการเรียนรู้ของเครื่อง	Introduction	เรียนรู้ประวัติที่อยู่เบื้องหลังสาขานี้	Lesson	Jen and Amy
03	ความเป็นธรรมและการเรียนรู้ของเครื่อง	Introduction	ประเด็นทางปรัชญาสำคัญเกี่ยวกับความเป็นธรรมที่นักเรียนควรพิจารณาเมื่อสร้างและประยุกต์ใช้โมเดล ML	Lesson	Tomomi
04	เทคนิคสำหรับการเรียนรู้ของเครื่อง	Introduction	นักวิจัย ML ใช้เทคนิคอะไรในการสร้างโมเดล ML?	Lesson	Chris and Jen
05	บทนำสู่การถดถอย	Regression	เริ่มต้นกับ Python และ Scikit-learn สำหรับโมเดลถดถอย	Python • R	Jen • Eric Wanjau
06	ราคาฟักทองในอเมริกาเหนือ 🎃	Regression	แสดงผลและทำความสะอาดข้อมูลเพื่อเตรียมข้อมูลสำหรับ ML	Python • R	Jen • Eric Wanjau
07	ราคาฟักทองในอเมริกาเหนือ 🎃	Regression	สร้างโมเดลถดถอยเชิงเส้นและโพลิโนเมียล	Python • R	Jen and Dmitry • Eric Wanjau
08	ราคาฟักทองในอเมริกาเหนือ 🎃	Regression	สร้างโมเดลถดถอยโลจิสติก	Python • R	Jen • Eric Wanjau
09	เว็บแอป 🔌	Web App	สร้างเว็บแอปเพื่อใช้โมเดลที่ฝึกสอน	Python	Jen
10	บทนำสู่การจัดประเภท	Classification	ทำความสะอาด เตรียมและแสดงข้อมูลของคุณ; บทนำสู่การจัดประเภท	Python • R	Jen and Cassie • Eric Wanjau
11	อาหารเอเชียและอินเดียอร่อย ๆ 🍜	Classification	บทนำสู่ตัวจัดประเภท	Python • R	Jen and Cassie • Eric Wanjau
12	อาหารเอเชียและอินเดียอร่อย ๆ 🍜	Classification	ตัวจัดประเภทเพิ่มเติม	Python • R	Jen and Cassie • Eric Wanjau
13	อาหารเอเชียและอินเดียอร่อย ๆ 🍜	Classification	สร้างเว็บแอปแนะนำโดยใช้โมเดลของคุณ	Python	Jen
14	บทนำสู่การจัดกลุ่ม	Clustering	ทำความสะอาด เตรียมและแสดงข้อมูลของคุณ; บทนำสู่การจัดกลุ่ม	Python • R	Jen • Eric Wanjau
15	สำรวจรสนิยมดนตรีของไนจีเรีย 🎧	Clustering	สำรวจวิธีการจัดกลุ่ม K-Means	Python • R	Jen • Eric Wanjau
16	บทนำสู่การประมวลผลภาษาธรรมชาติ ☕️	Natural language processing	เรียนรู้พื้นฐานเกี่ยวกับ NLP โดยการสร้างบอทง่าย ๆ	Python	Stephen
17	งาน NLP ที่พบบ่อย ☕️	Natural language processing	เจาะลึกความรู้ด้าน NLP โดยเข้าใจงานที่พบได้บ่อยเมื่อจัดการกับโครงสร้างภาษา	Python	Stephen
18	การแปลและการวิเคราะห์ความรู้สึก ♥️	Natural language processing	การแปลและวิเคราะห์ความรู้สึกกับ Jane Austen	Python	Stephen
19	โรงแรมโรแมนติกในยุโรป ♥️	Natural language processing	การวิเคราะห์ความรู้สึกกับรีวิวโรงแรม 1	Python	Stephen
20	โรงแรมโรแมนติกในยุโรป ♥️	Natural language processing	การวิเคราะห์ความรู้สึกกับรีวิวโรงแรม 2	Python	Stephen
21	บทนำสู่การพยากรณ์ลำดับเวลา	Time series	บทนำสู่การพยากรณ์ลำดับเวลา	Python	Francesca
22	⚡️ การใช้พลังงานโลก ⚡️ - การพยากรณ์ลำดับเวลากับ ARIMA	Time series	การพยากรณ์ลำดับเวลากับ ARIMA	Python	Francesca
23	⚡️ การใช้พลังงานโลก ⚡️ - การพยากรณ์ลำดับเวลากับ SVR	Time series	การพยากรณ์ลำดับเวลากับ Support Vector Regressor	Python	Anirban
24	บทนำสู่การเรียนรู้ด้วยการเสริมแรง	Reinforcement learning	บทนำสู่การเรียนรู้ด้วยการเสริมแรงด้วย Q-Learning	Python	Dmitry
25	ช่วยปีเตอร์หลีกเลี่ยงหมาป่า! 🐺	Reinforcement learning	การเรียนรู้ด้วยการเสริมแรงในยิม	Python	Dmitry
บทส่งท้าย	กรณีศึกษาจริงและการประยุกต์ใช้ ML	ML in the Wild	การประยุกต์ใช้ ML คลาสสิกที่น่าสนใจและเปิดเผยในชีวิตจริง	Lesson	Team
บทส่งท้าย	การดีบักโมเดล ML ด้วย RAI dashboard	ML in the Wild	การดีบักโมเดล Machine Learning ด้วยส่วนประกอบ Responsible AI dashboard	Lesson	Ruth Yakubu

ค้นหาทรัพยากรเพิ่มเติมทั้งหมดสำหรับหลักสูตรนี้ได้ในคอลเลกชัน Microsoft Learn ของเรา

การเข้าถึงแบบออฟไลน์

คุณสามารถรันเอกสารนี้แบบออฟไลน์โดยใช้ Docsify. Fork รีโปนี้, ติดตั้ง Docsify บนเครื่องของคุณ จากนั้นในโฟลเดอร์รากของรีโปนี้ พิมพ์ docsify serve เว็บไซต์จะถูกให้บริการผ่านพอร์ต 3000 บนเครื่องของคุณ: localhost:3000.

ไฟล์ PDF

ค้นหาไฟล์ pdf ของหลักสูตรพร้อมลิงก์ ที่นี่.

🎒 หลักสูตรอื่น ๆ

ทีมงานของเรามีหลักสูตรอื่น ๆ ด้วย! ตรวจสอบได้ที่:

LangChain

Azure / Edge / MCP / Agents

---

Generative AI Series

---

การเรียนรู้หลัก

---

ชุดเรื่อง Copilot

การขอความช่วยเหลือ

หากคุณติดขัดหรือมีคำถามเกี่ยวกับการพัฒนาแอป AI เข้าร่วมกับผู้เรียนและนักพัฒนาที่มีประสบการณ์ในการสนทนาเกี่ยวกับ MCP นี่คือชุมชนที่ให้การสนับสนุนซึ่งคำถามได้รับการต้อนรับและแบ่งปันความรู้กันอย่างเสรี

หากคุณมีคำติชมเกี่ยวกับผลิตภัณฑ์หรือพบข้อผิดพลาดในขณะพัฒนาโปรดเยี่ยมชม:

---

ข้อจำกัดความรับผิดชอบ: เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษาด้วยปัญญาประดิษฐ์ Co-op Translator แม้เราจะพยายามให้ความถูกต้องสูงสุด แต่โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความคลาดเคลื่อน เอกสารต้นฉบับในภาษาดั้งเดิมถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ควรใช้บริการแปลโดยมนุษย์มืออาชีพ เราจะไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดใด ๆ ที่เกิดขึ้นจากการใช้การแปลนี้