43 KiB

Raw Blame History Unescape Escape

🌐 การสนับสนุนหลายภาษา

สนับสนุนผ่าน GitHub Action (อัตโนมัติและอัปเดตเสมอ)

ชอบโคลนแบบออฟไลน์?

ที่เก็บนี้มีการแปลภาษากว่า 50 ภาษา ซึ่งจะเพิ่มขนาดการดาวน์โหลดอย่างมาก หากต้องการโคลนโดยไม่รวมการแปล ให้ใช้ sparse checkout:

Bash / macOS / Linux:
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'
CMD (Windows):
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"
วิธีนี้จะให้ทุกสิ่งที่คุณต้องการเพื่อสำเร็จคอร์สได้โดยดาวน์โหลดเร็วขึ้นมาก

เข้าร่วมชุมชนของเรา

เรามีซีรี่ส์เรียนรู้กับ AI บน Discord กำลังดำเนินอยู่ เรียนรู้เพิ่มเติมและเข้าร่วมกับเราได้ที่ Learn with AI Series ตั้งแต่วันที่ 18 - 30 กันยายน 2025 คุณจะได้รับเคล็ดลับและเทคนิครับมือกับ GitHub Copilot สำหรับ Data Science

การเรียนรู้เครื่องสำหรับผู้เริ่มต้น - หลักสูตร

🌍 เดินทางรอบโลกพร้อมสำรวจการเรียนรู้ของเครื่องผ่านวัฒนธรรมต่าง ๆ ทั่วโลก 🌍

Cloud Advocates ที่ Microsoft มีความยินดีที่จะนำเสนอหลักสูตร 12 สัปดาห์ 26 บทเรียน เกี่ยวกับ Machine Learning ในหลักสูตรนี้ คุณจะได้เรียนรู้เกี่ยวกับสิ่งที่บางครั้งเรียกว่า machine learning แบบคลาสสิก โดยใช้ Scikit-learn เป็นไลบรารีหลัก และหลีกเลี่ยง deep learning ซึ่งมีสอนใน หลักสูตร AI for Beginners ของเรา จับคู่บทเรียนเหล่านี้กับ หลักสูตร Data Science for Beginners ด้วย!

เดินทางไปกับเราโดยรอบโลกขณะที่เรานำเทคนิคคลาสสิกเหล่านี้ไปใช้กับข้อมูลจากหลายภูมิภาค แต่ละบทเรียนประกอบด้วยแบบทดสอบก่อนและหลังบทเรียน คำแนะนำเป็นลายลักษณ์อักษรเพื่อทำบทเรียนให้เสร็จ โซลูชัน งานมอบหมาย และอื่นๆ การเรียนรู้แบบโครงงานช่วยให้คุณเรียนรู้ขณะที่สร้างผลงาน ซึ่งเป็นวิธีที่พิสูจน์แล้วว่าเหมาะกับการเรียนรู้ทักษะใหม่ๆ

✍️ ขอขอบคุณอย่างจริงใจต่อผู้เขียนของเรา 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

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

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

เริ่มต้น

ทำตามขั้นตอนเหล่านี้:

Fork ที่เก็บข้อมูลนี้: คลิกปุ่ม "Fork" ที่มุมบนขวาของหน้านี้
โคลนที่เก็บข้อมูล: git clone https://github.com/microsoft/ML-For-Beginners.git

ค้นหาแหล่งข้อมูลเพิ่มเติมทั้งหมดสำหรับคอร์สนี้ในคอลเลกชัน Microsoft Learn ของเรา

🔧 ต้องการความช่วยเหลือ? ตรวจสอบ คู่มือแก้ไขปัญหา สำหรับวิธีแก้ไขปัญหาทั่วไปเกี่ยวกับการติดตั้ง การตั้งค่า และการรันบทเรียน

นักเรียน เพื่อใช้หลักสูตรนี้ ให้คุณ fork รีโปทั้งหมดมายังบัญชี GitHub ของคุณและทำแบบฝึกหัดด้วยตนเองหรือกับกลุ่ม:

เริ่มด้วยแบบทดสอบก่อนบรรยาย
อ่านบทเรียนและทำกิจกรรมให้ครบ หยุดคิดและทบทวนที่แต่ละจุดเช็คความรู้
พยายามสร้างโปรเจกต์โดยเข้าใจบทเรียนแทนการรันโค้ดโซลูชันอย่างเดียว อย่างไรก็ตาม โค้ดนั้นมีให้ในโฟลเดอร์ /solution ในแต่ละบทเรียนที่เน้นโปรเจกต์
ทำแบบทดสอบหลังบรรยาย
ทำภารกิจท้าทาย
ทำงานมอบหมาย
หลังทำบทเรียนกลุ่มหนึ่งเสร็จเยี่ยมชม บอร์ดสนทนา และ “เรียนรู้แบบเปิดเผย” โดยกรอกแบบประเมิน PAT ที่เหมาะสม 'PAT' คือเครื่องมือประเมินความก้าวหน้าที่คุณกรอกเพื่อเสริมสร้างการเรียนรู้ คุณยังสามารถตอบสนองต่อ PAT ของคนอื่นๆ เพื่อที่เราจะได้เรียนรู้ไปด้วยกัน

สำหรับการศึกษาต่อ เราแนะนำให้ติดตาม Microsoft Learn โมดูลและเส้นทางการเรียนรู้เหล่านี้

ครูผู้สอน เราได้ รวมคำแนะนำบางอย่าง เกี่ยวกับวิธีใช้หลักสูตรนี้

วิดีโอแนะนำ

บทเรียนบางบทมีวิดีโอสั้นให้ดู คุณสามารถดูทั้งหมดได้ในบทเรียน หรือที่ เพลย์ลิสต์ ML for Beginners บนช่อง Microsoft Developer YouTube โดยคลิกที่ภาพด้านล่างนี้

รู้จักทีมงาน

Gif โดย Mohit Jaisal

🎥 คลิกภาพด้านบนเพื่อดูวิดีโอเกี่ยวกับโปรเจกต์และผู้สร้าง!

วิธีการสอน

เราเลือกใช้หลักการสอนสองประการในการสร้างหลักสูตรนี้: ให้เป็นแบบ project-based ลงมือปฏิบัติจริง และมี แบบทดสอบบ่อยๆ นอกจากนี้ หลักสูตรยังมี ธีม ร่วมเพื่อเชื่อมโยงเนื้อหา

การเชื่อมโยงเนื้อหาเข้ากับโปรเจกต์ทำให้กระบวนการน่าสนใจมากขึ้นสำหรับนักเรียนและช่วยให้การจดจำแนวคิดดีขึ้น อีกทั้งแบบทดสอบก่อนเรียนช่วยกำหนดเจตนารมณ์ของนักเรียนในการเรียนรู้ในหัวข้อนั้นๆ ส่วนแบบทดสอบหลังเรียนช่วยเพิ่มการจดจำ หลักสูตรนี้ออกแบบมาให้ยืดหยุ่นและสนุก สามารถเรียนครบทั้งหมดหรือบางส่วนได้ โปรเจกต์จะเริ่มเล็กและซับซ้อนขึ้นเรื่อยๆ จนถึงสิ้นสุดรอบ 12 สัปดาห์ หลักสูตรยังมีบทส่งท้ายเกี่ยวกับการประยุกต์ใช้จริงของ ML ซึ่งใช้เป็นเครดิตเพิ่มเติมหรือตั้งประเด็นสนทนาได้

ดู ข้อบังคับการปฏิบัติตัว, การมีส่วนร่วม, การแปล, และ การแก้ไขปัญหา เรายินดีรับฟังคำติชมของคุณ!

ทุกบทเรียนประกอบด้วย

สเก็ตช์โน้ต (ถ้ามี)
วิดีโอเสริม (ถ้ามี)
วิดีโอแนะนำ (บางบทเรียนเท่านั้น)
แบบทดสอบวอร์มอัพก่อนบรรยาย
บทเรียนแบบเขียน
สำหรับบทเรียนแบบโปรเจกต์ มีคำแนะนำทีละขั้นตอนวิธีสร้างโปรเจกต์
เช็คความรู้
ความท้าทาย
การอ่านเสริม
งานมอบหมาย
แบบทดสอบหลังบรรยาย

หมายเหตุเกี่ยวกับภาษา: บทเรียนเหล่านี้ส่วนใหญ่เขียนด้วยภาษา Python แต่หลายบทเรียนก็มีในภาษา R ด้วย หากต้องการทำบทเรียน R ให้ไปที่โฟลเดอร์ /solution และค้นหาบทเรียน R ซึ่งจะมีนามสกุล .rmd ซึ่งหมายถึงไฟล์ R Markdown ซึ่งสามารถนิยามได้ง่ายๆ ว่าเป็นการฝัง code chunks (ของ R หรือภาษาอื่นๆ) และ YAML header (ที่ใช้กำหนดวิธีการจัดรูปแบบผลลัพธ์ เช่น PDF) ใน เอกสาร Markdown ดังนั้นจึงทำหน้าที่เป็นเฟรมเวิร์กการเขียนต้นฉบับที่ดีสำหรับวิทยาการข้อมูล เพราะอนุญาตให้คุณรวมโค้ด ผลลัพธ์ และความคิดของคุณโดยให้คุณเขียนลงใน Markdown นอกจากนี้เอกสาร R Markdown ยังสามารถเรนเดอร์เป็นรูปแบบผลลัพธ์ต่างๆ เช่น PDF, HTML หรือ Word ได้

หมายเหตุเกี่ยวกับแบบทดสอบ: แบบทดสอบทั้งหมดจะอยู่ใน โฟลเดอร์ Quiz App รวมทั้งหมด 52 แบบทดสอบ แต่ละแบบมีสามคำถาม ลิงก์อยู่ในบทเรียนแต่แอปแบบทดสอบสามารถรันได้ในเครื่องของคุณโดยทำตามคำแนะนำในโฟลเดอร์ quiz-app เพื่อโฮสต์หรือดีพลอยในเครื่องหรือ Azure

หมายเลขบทเรียน	หัวข้อ	กลุ่มบทเรียน	วัตถุประสงค์การเรียนรู้	บทเรียนที่ลิงก์	ผู้แต่ง
01	แนะนำการเรียนรู้ของเครื่อง	Introduction	เรียนรู้แนวคิดพื้นฐานเบื้องหลังการเรียนรู้ของเครื่อง	บทเรียน	Muhammad
02	ประวัติศาสตร์ของการเรียนรู้ของเครื่อง	Introduction	เรียนรู้ประวัติศาสตร์เบื้องหลังสาขานี้	บทเรียน	Jen and Amy
03	ความยุติธรรมและการเรียนรู้ของเครื่อง	Introduction	ปัญหาทางปรัชญาสำคัญเกี่ยวกับความยุติธรรมที่นักเรียนควรพิจารณาในการสร้างและใช้โมเดล ML	บทเรียน	Tomomi
04	เทคนิคสำหรับการเรียนรู้ของเครื่อง	Introduction	เทคนิคที่นักวิจัย ML ใช้ในการสร้างโมเดล ML มีอะไรบ้าง	บทเรียน	Chris and Jen
05	แนะนำการถดถอย	Regression	เริ่มต้นใช้งาน Python และ Scikit-learn สำหรับโมเดลถดถอย	Python • R	Jen • Eric Wanjau
06	ราคาฟักทองในอเมริกาเหนือ 🎃	Regression	การแสดงภาพและการทำความสะอาดข้อมูลเพื่อเตรียมสำหรับ ML	Python • R	Jen • Eric Wanjau
07	ราคาฟักทองในอเมริกาเหนือ 🎃	Regression	สร้างโมเดลถดถอยเชิงเส้นและถดถอยพหุนาม	Python • R	Jen and Dmitry • Eric Wanjau
08	ราคาฟักทองในอเมริกาเหนือ 🎃	Regression	สร้างโมเดลถดถอยโลจิสติก	Python • R	Jen • Eric Wanjau
09	แอปเว็บ 🔌	Web App	สร้างแอปเว็บเพื่อใช้งานโมเดลที่ผ่านการฝึกฝนมา	Python	Jen
10	แนะนำการจำแนกประเภท	Classification	ทำความสะอาด เตรียมและแสดงภาพข้อมูลของคุณ; แนะนำการจำแนกประเภท	Python • R	Jen and Cassie • Eric Wanjau
11	อาหารเอเชียและอินเดียแสนอร่อย 🍜	Classification	แนะนำตัวจำแนก	Python • R	Jen and Cassie • Eric Wanjau
12	อาหารเอเชียและอินเดียแสนอร่อย 🍜	Classification	ตัวจำแนกเพิ่มขึ้น	Python • R	Jen and Cassie • Eric Wanjau
13	อาหารเอเชียและอินเดียแสนอร่อย 🍜	Classification	สร้างแอปเว็บแนะนำโดยใช้โมเดลของคุณ	Python	Jen
14	แนะนำการจัดกลุ่ม	Clustering	ทำความสะอาด เตรียมและแสดงภาพข้อมูลของคุณ; แนะนำการจัดกลุ่ม	Python • R	Jen • Eric Wanjau
15	สำรวจรสนิยมดนตรีไนจีเรีย 🎧	Clustering	สำรวจวิธีการจัดกลุ่ม K-Means	Python • R	Jen • Eric Wanjau
16	แนะนำการประมวลผลภาษาธรรมชาติ (NLP) ☕️	Natural language processing	เรียนรู้พื้นฐานเกี่ยวกับ NLP โดยการสร้างบอทง่ายๆ	Python	Stephen
17	งาน NLP ที่พบบ่อย ☕️	Natural language processing	เพิ่มความรู้ใน NLP โดยการเข้าใจงานทั่วไปที่จำเป็นเมื่อต้องจัดการกับโครงสร้างภาษา	Python	Stephen
18	การแปลภาษาและการวิเคราะห์อารมณ์ ♥️	Natural language processing	การแปลภาษาและการวิเคราะห์อารมณ์กับ Jane Austen	Python	Stephen
19	โรงแรมโรแมนติกในยุโรป ♥️	Natural language processing	การวิเคราะห์อารมณ์กับรีวิวโรงแรม 1	Python	Stephen
20	โรงแรมโรแมนติกในยุโรป ♥️	Natural language processing	การวิเคราะห์อารมณ์กับรีวิวโรงแรม 2	Python	Stephen
21	แนะนำการพยากรณ์อนุกรมเวลา	Time series	แนะนำการพยากรณ์อนุกรมเวลา	Python	Francesca
22	⚡️ การใช้พลังงานโลก ⚡️ - การพยากรณ์อนุกรมเวลาด้วย ARIMA	Time series	การพยากรณ์อนุกรมเวลาด้วย ARIMA	Python	Francesca
23	⚡️ การใช้พลังงานโลก ⚡️ - การพยากรณ์อนุกรมเวลาด้วย SVR	Time series	การพยากรณ์อนุกรมเวลาด้วย Support Vector Regressor	Python	Anirban
24	แนะนำการเรียนรู้เสริมแรง	Reinforcement learning	แนะนำการเรียนรู้เสริมแรงด้วย Q-Learning	Python	Dmitry
25	ช่วยปีเตอร์หนีหมาป่า! 🐺	Reinforcement learning	Reinforcement learning Gym	Python	Dmitry
บทส่งท้าย	กรณีศึกษาและการประยุกต์ใช้ ML ในโลกจริง	ML in the Wild	การประยุกต์ใช้จริงที่น่าสนใจและเปิดเผยของ ML คลาสสิก	บทเรียน	ทีม
บทส่งท้าย	การดีบักโมเดล ML ด้วยแดชบอร์ด RAI	ML in the Wild	การดีบักโมเดลการเรียนรู้เครื่องโดยใช้ส่วนประกอบแดชบอร์ด Responsible AI	บทเรียน	Ruth Yakubu

ค้นหาทรัพยากรเพิ่มเติมสำหรับหลักสูตรนี้ได้ในคอลเลกชัน Microsoft Learn ของเรา

การเข้าถึงแบบออฟไลน์

คุณสามารถเรียกดูเอกสารนี้แบบออฟไลน์ด้วยการใช้ Docsify. ทำการ fork repository นี้, ติดตั้ง Docsify ในเครื่องของคุณ แล้วในโฟลเดอร์รากของ repo นี้ ให้พิมพ์คำสั่ง docsify serve เว็บไซต์จะถูกให้บริการที่พอร์ต 3000 บน localhost ของคุณ: localhost:3000

ไฟล์ PDF

ค้นหาไฟล์ pdf ของหลักสูตรพร้อมลิงก์ ที่นี่.

🎒 หลักสูตรอื่นๆ

ทีมของเราผลิตหลักสูตรอื่นๆ อีก! ลองดู:

LangChain

Azure / Edge / MCP / Agents

ชุดการเรียนรู้ Generative AI

การเรียนรู้พื้นฐาน

ชุด Copilot

ขอความช่วยเหลือ

หากคุณติดขัดหรือมีคำถามเกี่ยวกับการสร้างแอป AI เข้าร่วมกับผู้เรียนและนักพัฒนาที่มีประสบการณ์ในการสนทนาเกี่ยวกับ MCP นี่คือชุมชนที่ให้การสนับสนุนซึ่งยินดีตอบคำถามและแบ่งปันความรู้กันอย่างอิสระ

หากคุณมีข้อเสนอแนะเกี่ยวกับผลิตภัณฑ์หรือพบข้อผิดพลาดขณะพัฒนาเยี่ยมชมได้ที่:

เคล็ดลับเพิ่มเติมสำหรับการเรียนรู้

ทบทวนสมุดบันทึกหลังเรียนแต่ละบทเพื่อความเข้าใจที่ดีขึ้น
ฝึกฝนการนำอัลกอริทึมไปใช้ด้วยตัวเอง
สำรวจชุดข้อมูลจริงโดยใช้แนวคิดที่เรียนรู้มา

ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษาอัตโนมัติ Co-op Translator แม้ว่าเราจะพยายามให้การแปลถูกต้องที่สุด แต่โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่แม่นยำ เอกสารต้นฉบับในภาษาต้นฉบับถือเป็นแหล่งข้อมูลที่น่าเชื่อถือที่สุด สำหรับข้อมูลที่สำคัญ ควรใช้บริการแปลโดยมืออาชีพเพื่อความถูกต้อง เราจะไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดใดๆ ที่เกิดขึ้นจากการใช้การแปลนี้

43 KiB Raw Blame History Unescape Escape