ML-For-Beginners/translations/th

🌐 การรองรับหลายภาษา

สนับสนุนผ่าน GitHub Action (อัตโนมัติและอัปเดตอยู่เสมอ)

ภาษาอาหรับ | ภาษาเบงกาลี | ภาษาบัลแกเรีย | 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 | ไนจีเรีย พิดจิน | นอร์เวย์ | เปอร์เซีย (ฟาร์ซี) | โปแลนด์ | โปรตุเกส (บราซิล) | โปรตุเกส (โปรตุเกส) | ปัญจาบ (กุรมุขี) | โรมาเนีย | รัสเซีย | เซอร์เบีย (คีริลลิก) | สโลวัก | สโลวีเนีย | สเปน | สวาฮิลี | สวีเดน | ตากาล็อก (ฟิลิปปินส์) | ทมิฬ | เทลูกู | ไทย | ตุรกี | ยูเครน | อูรดู | เวียดนาม

เข้าร่วมชุมชนของเรา

เรามีซีรีส์ "เรียนรู้กับ AI" บน Discord อยู่ในขณะนี้ เรียนรู้เพิ่มเติมและเข้าร่วมกับเราที่ Learn with AI Series ตั้งแต่ 18 - 30 กันยายน, 2025 คุณจะได้รับเคล็ดลับและเทคนิคการใช้ GitHub Copilot สำหรับงานด้าน Data Science

Machine Learning for Beginners - หลักสูตร

🌍 เดินทางรอบโลกพร้อมสำรวจ Machine Learning ผ่านวัฒนธรรมของโลก 🌍

Cloud Advocates ที่ Microsoft มีความยินดีนำเสนอหลักสูตร 12 สัปดาห์ 26 บท ที่เกี่ยวกับเรื่องของ Machine Learning ในหลักสูตรนี้ คุณจะได้เรียนรู้เกี่ยวกับสิ่งที่บางครั้งเรียกว่า machine learning แบบคลาสสิก โดยใช้ Scikit-learn เป็นหลักและหลีกเลี่ยง deep learning ซึ่งมีการครอบคลุมใน หลักสูตร AI for Beginners ของเรา เชื่อมคู่วิชานี้กับ 'หลักสูตร Data Science for Beginners' ของเราได้เช่นกัน

เดินทางไปกับเราไปรอบโลกขณะที่เรานำเทคนิคคลาสสิกเหล่านี้ไปประยุกต์ใช้กับข้อมูลจากหลายพื้นที่ของโลก แต่ละบทประกอบด้วยแบบทดสอบก่อนและหลังบทเรียน คำอธิบายเป็นลายลักษณ์อักษรเพื่อทำบทเรียนให้เสร็จสิ้น โค้ดตัวอย่าง คำมอบหมาย และอื่น ๆ วิธีการสอนด้วยโครงการช่วยให้คุณเรียนรู้ไปพร้อมกับการลงมือทำ ซึ่งเป็นวิธีที่พิสูจน์แล้วว่าสำหรับการทำให้ทักษะใหม่ ๆ ตรึงอยู่ในความจำ

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

🎨 ขอบคุณต่อผู้วาดภาพประกอบ Tomomi Imura, Dasani Madipalli, และ Jen Looper

🙏 ขอบคุณเป็นพิเศษ 🙏 ต่อ Microsoft Student Ambassador นักเขียน ผู้ตรวจทาน และผู้มีส่วนร่วมในเนื้อหา โดยเฉพาะอย่างยิ่ง Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, และ Snigdha Agarwal

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

การเริ่มต้นใช้งาน

ทำตามขั้นตอนเหล่านี้:

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

ค้นหาทรัพยากรเพิ่มเติมทั้งหมดสำหรับหลักสูตรนี้ได้ในคอลเลกชัน Microsoft Learn ของเรา

🔧 ต้องการความช่วยเหลือใช่ไหม? ตรวจสอบ คู่มือการแก้ไขปัญหา ของเราสำหรับวิธีแก้ไขปัญหาทั่วไปเกี่ยวกับการติดตั้ง การตั้งค่า และการรันบทเรียน

นักเรียน, เพื่อใช้หลักสูตรนี้ ให้ Fork ทั้งรีโพไปยังบัญชี GitHub ของคุณเองและทำแบบฝึกหัดด้วยตัวเองหรือกับกลุ่ม:

• เริ่มด้วยแบบทดสอบก่อนบรรยาย
• อ่านบรรยายและทำกิจกรรมให้เสร็จสิ้น หยุดและสะท้อนความคิดในแต่ละการตรวจสอบความรู้
• พยายามสร้างโปรเจกต์โดยเข้าใจบทเรียนแทนการรันโค้ดคำตอบทันที; อย่างไรก็ตาม โค้ดคำตอบมีให้ในโฟลเดอร์ /solution ในแต่ละบทเรียนที่เน้นโปรเจกต์
• ทำแบบทดสอบหลังบรรยาย
• ทำความท้าทาย
• ทำแบบฝึกหัดที่มอบหมาย
• หลังจากทำกลุ่มบทเรียนเสร็จแล้ว เยี่ยมชม กระดานสนทนา และ "เรียนรู้ออกเสียง" โดยการกรอกแบบประเมิน PAT ที่เหมาะสม 'PAT' คือเครื่องมือประเมินความก้าวหน้าที่เป็นรูบริกที่คุณกรอกเพื่อเสริมการเรียนรู้ของคุณ คุณยังสามารถตอบโต้กับ PAT ของผู้อื่นเพื่อให้เราได้เรียนรู้ร่วมกัน

สำหรับการศึกษาเพิ่มเติม เราแนะนำให้ติดตามโมดูลและเส้นทางการเรียนรู้ใน Microsoft Learn

ครูผู้สอน, เรามี ข้อเสนอแนะบางส่วน เกี่ยวกับวิธีการใช้หลักสูตรนี้

---

วิดีโอสอน

บางบทเรียนมีวิดีโอรูปแบบสั้น คุณสามารถหาได้ภายในบทเรียนเหล่านั้น หรือบน เพลย์ลิสต์ ML for Beginners บนช่อง Microsoft Developer YouTube โดยคลิกที่รูปภาพด้านล่าง

---

พบกับทีมงาน

Gif โดย Mohit Jaisal

🎥 คลิกที่ภาพด้านบนเพื่อชมวิดีโอเกี่ยวกับโปรเจกต์และผู้คนที่สร้างมัน!

---

แนวทางการสอน

เราได้เลือกหลักการการสอนสองประการในการสร้างหลักสูตรนี้: เพื่อให้เป็นการปฏิบัติจริงแบบเน้นโครงการ (project-based) และรวมแบบทดสอบบ่อยครั้ง (frequent quizzes) นอกจากนี้ หลักสูตรนี้มีธีมร่วมกันเพื่อให้มีความสอดคล้อง

โดยการทำให้เนื้อหาสอดคล้องกับโปรเจกต์ กระบวนการจะน่าสนใจยิ่งขึ้นสำหรับผู้เรียนและช่วยเพิ่มการจำแนวคิด นอกจากนี้ แบบทดสอบความเสี่ยงต่ำก่อนชั้นเรียนจะช่วยตั้งเจตนารมณ์ของผู้เรียนในการเรียนหัวข้อหนึ่ง ๆ ขณะที่แบบทดสอบอีกครั้งหลังจากชั้นเรียนช่วยเพิ่มการจดจำ หลักสูตรนี้ออกแบบให้ยืดหยุ่นและสนุก และสามารถเรียนทั้งหลักสูตรหรือบางส่วนได้ โปรเจกต์เริ่มจากขนาดเล็กและเพิ่มความซับซ้อนขึ้นเรื่อย ๆ จนถึงตอนท้ายของรอบ 12 สัปดาห์ หลักสูตรนี้ยังรวมสรุปการประยุกต์ใช้ ML ในโลกจริง ซึ่งสามารถใช้เป็นงานเพิ่มคะแนนหรือเป็นฐานสำหรับการอภิปราย

ค้นหา ข้อบังคับการปฏิบัติตน, การมีส่วนร่วม, การแปล, และแนวทาง การแก้ไขปัญหา ของเรา เรายินดีรับคำติชมเชิงสร้างสรรค์จากคุณ!

แต่ละบทประกอบด้วย

• สเก็ตช์โน้ต (ตัวเลือก)
• วิดีโอเสริม (ตัวเลือก)
• วิดีโอสาธิต (เฉพาะบางบทเรียน)
• แบบทดสอบวอร์มอัพก่อนบรรยาย
• บทเรียนเป็นลายลักษณ์อักษร
• สำหรับบทเรียนที่เน้นโปรเจกต์ มีคำแนะนำทีละขั้นตอนเกี่ยวกับวิธีสร้างโปรเจกต์
• การตรวจสอบความรู้
• ความท้าทาย
• การอ่านเสริม
• แบบฝึกหัดที่มอบหมาย
• แบบทดสอบหลังบรรยาย

หมายเหตุเกี่ยวกับภาษา: บทเรียนเหล่านี้ส่วนใหญ่เขียนด้วย Python แต่หลายบทก็มีเวอร์ชันใน R หากต้องการทำบทเรียน R ให้ไปที่โฟลเดอร์ /solution และค้นหาบทเรียน R พวกมันมีนามสกุล .rmd ซึ่งแทนไฟล์ประเภท R Markdown ซึ่งสามารถนิยามได้อย่างง่ายว่าเป็นการฝัง code chunks (ของ R หรือภาษาต่าง ๆ) และ YAML header (ที่กำหนดวิธีการจัดรูปแบบผลลัพธ์เช่น PDF) ใน Markdown document ดังนั้นมันจึงเป็นกรอบการเขียนตัวอย่างที่ดีสำหรับงานด้าน data science เพราะช่วยให้คุณรวมโค้ด ผลลัพธ์ของมัน และความคิดของคุณโดยการเขียนใน Markdown นอกจากนี้ เอกสาร R Markdown สามารถเรนเดอร์เป็นรูปแบบผลลัพธ์เช่น PDF, HTML, หรือ Word

หมายเหตุเกี่ยวกับแบบทดสอบ: แบบทดสอบทั้งหมดอยู่ใน โฟลเดอร์ Quiz App, รวมทั้งหมด 52 แบบทดสอบ แต่ละแบบมีคำถามสามข้อ พวกมันลิงก์จากภายในบทเรียนแต่แอปแบบทดสอบสามารถรันได้แบบโลคัล; ทำตามคำแนะนำในโฟลเดอร์ quiz-app เพื่อโฮสต์ท้องถิ่นหรือปรับใช้ไปยัง Azure

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	บทนำสู่การเรียนรู้ของเครื่อง	บทนำ	เรียนรู้แนวคิดพื้นฐานเบื้องหลังการเรียนรู้ของเครื่อง	บทเรียน	Muhammad
02	ประวัติศาสตร์ของการเรียนรู้ของเครื่อง	บทนำ	เรียนรู้ประวัติศาสตร์เบื้องหลังสาขานี้	บทเรียน	Jen and Amy
03	ความเป็นธรรมและการเรียนรู้ของเครื่อง	บทนำ	ประเด็นทางปรัชญาที่สำคัญเกี่ยวกับความเป็นธรรมมีอะไรบ้างที่นักเรียนควรพิจารณาเมื่อสร้างและนำแบบจำลอง ML ไปใช้?	บทเรียน	Tomomi
04	เทคนิคสำหรับการเรียนรู้ของเครื่อง	บทนำ	นักวิจัย ML ใช้เทคนิคอะไรในการสร้างแบบจำลอง ML?	บทเรียน	Chris and Jen
05	บทนำสู่การถดถอย	การถดถอย	เริ่มต้นกับ Python และ Scikit-learn สำหรับแบบจำลองการถดถอย	Python • R	Jen • Eric Wanjau
06	ราคาฟักทองในอเมริกาเหนือ 🎃	การถดถอย	แสดงภาพและทำความสะอาดข้อมูลเพื่อเตรียมความพร้อมสำหรับ ML	Python • R	Jen • Eric Wanjau
07	ราคาฟักทองในอเมริกาเหนือ 🎃	การถดถอย	สร้างแบบจำลองการถดถอยเชิงเส้นและพหุนาม	Python • R	Jen and Dmitry • Eric Wanjau
08	ราคาฟักทองในอเมริกาเหนือ 🎃	การถดถอย	สร้างแบบจำลองโลจิสติกรีเกรสชัน	Python • R	Jen • Eric Wanjau
09	เว็บแอป 🔌	เว็บแอป	สร้างเว็บแอปเพื่อใช้แบบจำลองที่ฝึกแล้วของคุณ	Python	Jen
10	บทนำสู่การจำแนกประเภท	การจำแนกประเภท	ทำความสะอาด เตรียม และแสดงภาพข้อมูลของคุณ; บทนำสู่การจำแนกประเภท	Python • R	Jen and Cassie • Eric Wanjau
11	อาหารเอเชียและอินเดียรสเลิศ 🍜	การจำแนกประเภท	บทนำสู่ตัวจำแนก	Python • R	Jen and Cassie • Eric Wanjau
12	อาหารเอเชียและอินเดียรสเลิศ 🍜	การจำแนกประเภท	ตัวจำแนกเพิ่มเติม	Python • R	Jen and Cassie • Eric Wanjau
13	อาหารเอเชียและอินเดียรสเลิศ 🍜	การจำแนกประเภท	สร้างเว็บแอปแนะนำโดยใช้แบบจำลองของคุณ	Python	Jen
14	บทนำสู่การจัดกลุ่ม	การจัดกลุ่ม	ทำความสะอาด เตรียม และแสดงภาพข้อมูลของคุณ; บทนำสู่การจัดกลุ่ม	Python • R	Jen • Eric Wanjau
15	สำรวจรสนิยมดนตรีของไนจีเรีย 🎧	การจัดกลุ่ม	สำรวจวิธีการจัดกลุ่ม K-Means	Python • R	Jen • Eric Wanjau
16	บทนำสู่การประมวลผลภาษาธรรมชาติ ☕️	การประมวลผลภาษาธรรมชาติ	เรียนรู้พื้นฐานเกี่ยวกับ NLP โดยการสร้างบอทง่ายๆ	Python	Stephen
17	งาน NLP ทั่วไป ☕️	การประมวลผลภาษาธรรมชาติ	เพิ่มพูนความรู้ด้าน NLP ของคุณโดยการเข้าใจงานทั่วไปที่จำเป็นเมื่อต้องรับมือกับโครงสร้างภาษา	Python	Stephen
18	การแปลและวิเคราะห์อารมณ์ ♥️	การประมวลผลภาษาธรรมชาติ	การแปลและวิเคราะห์อารมณ์ด้วย Jane Austen	Python	Stephen
19	โรงแรมโรแมนติกในยุโรป ♥️	การประมวลผลภาษาธรรมชาติ	การวิเคราะห์อารมณ์ด้วยรีวิวโรงแรม 1	Python	Stephen
20	โรงแรมโรแมนติกในยุโรป ♥️	การประมวลผลภาษาธรรมชาติ	การวิเคราะห์อารมณ์ด้วยรีวิวโรงแรม 2	Python	Stephen
21	บทนำสู่การพยากรณ์ชุดเวลา	ชุดเวลา	บทนำสู่การพยากรณ์ชุดเวลา	Python	Francesca
22	⚡️ การใช้พลังงานโลก ⚡️ - การพยากรณ์ชุดเวลากับ ARIMA	ชุดเวลา	การพยากรณ์ชุดเวลากับ ARIMA	Python	Francesca
23	⚡️ การใช้พลังงานโลก ⚡️ - การพยากรณ์ชุดเวลากับ SVR	ชุดเวลา	การพยากรณ์ชุดเวลากับ Support Vector Regressor	Python	Anirban
24	บทนำสู่การเรียนรู้เชิงเสริมกำลัง	การเรียนรู้เชิงเสริมกำลัง	บทนำสู่การเรียนรู้เชิงเสริมกำลังด้วย Q-Learning	Python	Dmitry
25	ช่วย Peter หลีกเลี่ยงหมาป่า! 🐺	การเรียนรู้เชิงเสริมกำลัง	Gym สำหรับการเรียนรู้เชิงเสริมกำลัง	Python	Dmitry
Postscript	สถานการณ์และการประยุกต์ใช้ ML ในโลกจริง	ML ในโลกจริง	การประยุกต์ใช้ ML แบบดั้งเดิมในโลกจริงที่น่าสนใจและเผยให้เห็นแง่มุมต่างๆ	บทเรียน	ทีม
Postscript	การดีบักแบบจำลองใน ML โดยใช้แดชบอร์ด RAI	ML ในโลกจริง	การดีบักแบบจำลองในการเรียนรู้ของเครื่องโดยใช้ส่วนประกอบของแดชบอร์ด Responsible AI	บทเรียน	Ruth Yakubu

ค้นหาแหล่งทรัพยากรเพิ่มเติมทั้งหมดสำหรับหลักสูตรนี้ในคอลเลคชัน Microsoft Learn ของเรา

การเข้าถึงแบบออฟไลน์

คุณสามารถใช้งานเอกสารนี้แบบออฟไลน์ได้โดยใช้ Docsify. Fork รีโปนี้, ติดตั้ง Docsify บนเครื่องของคุณ, และแล้วในโฟลเดอร์รากของรีโปนี้, พิมพ์ docsify serve. เว็บไซต์จะให้บริการบนพอร์ต 3000 ที่ localhost ของคุณ: localhost:3000.

ไฟล์ PDF

ค้นหาไฟล์ pdf ของหลักสูตรพร้อมลิงก์ ที่นี่.

🎒 หลักสูตรอื่นๆ

ทีมของเราจัดทำหลักสูตรอื่นๆ! ดูได้ที่:

LangChain

---

Azure / Edge / MCP / Agents

---

ชุด Generative AI

---

การเรียนรู้หลัก

---

ซีรีส์ Copilot

ขอความช่วยเหลือ

หากคุณติดขัดหรือมีคำถามใด ๆ เกี่ยวกับการสร้างแอป AI. เข้าร่วมกับผู้เรียนคนอื่นและนักพัฒนาที่มีประสบการณ์ในการอภิปรายเกี่ยวกับ MCP. นี่คือชุมชนที่ให้การสนับสนุน ซึ่งเปิดรับคำถามและแบ่งปันความรู้กันอย่างเสรี.

If you have product feedback or errors while building visit:

---

ข้อจำกัดความรับผิดชอบ: เอกสารฉบับนี้ได้รับการแปลโดยใช้บริการแปลด้วยปัญญาประดิษฐ์ Co-op Translator. แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือว่าเป็นแหล่งข้อมูลอ้างอิงที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้การแปลโดยนักแปลมืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดใด ๆ ที่อาจเกิดขึ้นจากการใช้การแปลฉบับนี้.