README.md

🌐 รองรับหลายภาษา

รองรับผ่าน GitHub Action (อัตโนมัติและอัปเดตเสมอ)

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 | Korean | Lithuanian | Malay | 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 | Thai | Turkish | Ukrainian | Urdu | Vietnamese

เข้าร่วมชุมชนของเรา

เรามีซีรีส์การเรียนรู้ AI บน Discord ที่กำลังดำเนินอยู่ เรียนรู้เพิ่มเติมและเข้าร่วมกับเราได้ที่ Learn with AI Series ตั้งแต่วันที่ 18 - 30 กันยายน 2025 คุณจะได้รับเคล็ดลับและเทคนิคการใช้ GitHub Copilot สำหรับ Data Science

การเรียนรู้ Machine Learning สำหรับผู้เริ่มต้น - หลักสูตร

🌍 เดินทางรอบโลกพร้อมกับการเรียนรู้ Machine Learning ผ่านวัฒนธรรมโลก 🌍

ทีม Cloud Advocates ที่ Microsoft ยินดีนำเสนอหลักสูตร 12 สัปดาห์ 26 บทเรียนเกี่ยวกับ Machine Learning ในหลักสูตรนี้ คุณจะได้เรียนรู้เกี่ยวกับสิ่งที่บางครั้งเรียกว่า Machine Learning แบบคลาสสิก โดยใช้ Scikit-learn เป็นหลักและหลีกเลี่ยงการเรียนรู้เชิงลึก ซึ่งครอบคลุมใน หลักสูตร AI สำหรับผู้เริ่มต้น นอกจากนี้ยังสามารถจับคู่บทเรียนเหล่านี้กับ หลักสูตร Data Science สำหรับผู้เริ่มต้น ได้อีกด้วย!

เดินทางไปกับเราทั่วโลกในขณะที่เรานำเทคนิคแบบคลาสสิกเหล่านี้ไปใช้กับข้อมูลจากหลายพื้นที่ของโลก แต่ละบทเรียนประกอบด้วยแบบทดสอบก่อนและหลังบทเรียน คำแนะนำที่เขียนไว้สำหรับการทำบทเรียน โซลูชัน งานมอบหมาย และอื่นๆ วิธีการเรียนรู้แบบโครงการช่วยให้คุณเรียนรู้ในขณะที่สร้าง ซึ่งเป็นวิธีที่พิสูจน์แล้วว่าทักษะใหม่ๆ จะติดตัวคุณได้ดี

✍️ ขอบคุณผู้เขียนของเรา 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

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

🤩 ขอบคุณเพิ่มเติมสำหรับ Microsoft Student Ambassadors 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

ค้นหาทรัพยากรเพิ่มเติมสำหรับหลักสูตรนี้ใน Microsoft Learn collection

🔧 ต้องการความช่วยเหลือ? ตรวจสอบ คู่มือการแก้ปัญหา ของเราสำหรับวิธีแก้ปัญหาทั่วไปเกี่ยวกับการติดตั้ง การตั้งค่า และการรันบทเรียน

นักเรียน เพื่อใช้หลักสูตรนี้ ให้ fork repo ทั้งหมดไปยังบัญชี GitHub ของคุณเองและทำแบบฝึกหัดด้วยตัวเองหรือกับกลุ่ม:

• เริ่มต้นด้วยแบบทดสอบก่อนการบรรยาย
• อ่านการบรรยายและทำกิจกรรม หยุดและสะท้อนที่แต่ละจุดตรวจสอบความรู้
• พยายามสร้างโครงการโดยทำความเข้าใจบทเรียนแทนที่จะรันโค้ดโซลูชัน อย่างไรก็ตาม โค้ดนั้นมีอยู่ในโฟลเดอร์ /solution ในแต่ละบทเรียนที่เน้นโครงการ
• ทำแบบทดสอบหลังการบรรยาย
• ทำความท้าทาย
• ทำงานมอบหมาย
• หลังจากจบบทเรียนกลุ่ม ให้ไปที่ กระดานสนทนา และ "เรียนรู้ด้วยเสียงดัง" โดยกรอก PAT rubric ที่เหมาะสม 'PAT' คือเครื่องมือประเมินความก้าวหน้าที่เป็น rubric ที่คุณกรอกเพื่อพัฒนาการเรียนรู้ของคุณ คุณยังสามารถตอบสนองต่อ PAT อื่นๆ เพื่อที่เราจะได้เรียนรู้ร่วมกัน

สำหรับการศึกษาเพิ่มเติม เราแนะนำให้ติดตาม Microsoft Learn โมดูลและเส้นทางการเรียนรู้

ครู เราได้ รวมคำแนะนำบางส่วน เกี่ยวกับวิธีการใช้หลักสูตรนี้

---

วิดีโอแนะนำ

บทเรียนบางส่วนมีให้ในรูปแบบวิดีโอสั้น คุณสามารถค้นหาทั้งหมดนี้ในบทเรียน หรือใน เพลย์ลิสต์ ML for Beginners บนช่อง YouTube ของ Microsoft Developer โดยคลิกที่ภาพด้านล่าง

---

พบกับทีมงาน

Gif โดย Mohit Jaisal

🎥 คลิกที่ภาพด้านบนเพื่อดูวิดีโอเกี่ยวกับโครงการและผู้ที่สร้างมันขึ้นมา!

---

วิธีการสอน

เราได้เลือกหลักการสอนสองข้อในขณะที่สร้างหลักสูตรนี้: การทำให้เป็น โครงการที่เน้นการปฏิบัติ และรวม แบบทดสอบบ่อยครั้ง นอกจากนี้ หลักสูตรนี้ยังมี ธีมร่วม เพื่อให้มีความสอดคล้องกัน

ด้วยการทำให้เนื้อหาสอดคล้องกับโครงการ กระบวนการนี้จะทำให้นักเรียนมีส่วนร่วมมากขึ้นและช่วยเพิ่มการจดจำแนวคิด นอกจากนี้ แบบทดสอบที่มีความเสี่ยงต่ำก่อนชั้นเรียนจะตั้งเจตนาของนักเรียนในการเรียนรู้หัวข้อ ในขณะที่แบบทดสอบที่สองหลังชั้นเรียนจะช่วยเพิ่มการจดจำเพิ่มเติม หลักสูตรนี้ได้รับการออกแบบให้ยืดหยุ่นและสนุกสนาน และสามารถเรียนได้ทั้งหมดหรือบางส่วน โครงการเริ่มต้นจากขนาดเล็กและซับซ้อนขึ้นเรื่อยๆ จนถึงสิ้นสุดรอบ 12 สัปดาห์ หลักสูตรนี้ยังรวมถึงภาคผนวกเกี่ยวกับการประยุกต์ใช้ ML ในโลกจริง ซึ่งสามารถใช้เป็นเครดิตเพิ่มเติมหรือเป็นพื้นฐานสำหรับการอภิปราย

ค้นหา Code of Conduct, Contributing, Translation, และ Troubleshooting แนวทางของเรา เรายินดีรับข้อเสนอแนะที่สร้างสรรค์ของคุณ!

แต่ละบทเรียนประกอบด้วย

• sketchnote (ตัวเลือก)
• วิดีโอเสริม (ตัวเลือก)
• วิดีโอแนะนำ (บางบทเรียนเท่านั้น)
• แบบทดสอบอุ่นเครื่องก่อนการบรรยาย
• บทเรียนที่เขียนไว้
• สำหรับบทเรียนที่เน้นโครงการ มีคำแนะนำทีละขั้นตอนเกี่ยวกับวิธีการสร้างโครงการ
• การตรวจสอบความรู้
• ความท้าทาย
• การอ่านเสริม
• งานมอบหมาย
• แบบทดสอบหลังการบรรยาย

หมายเหตุเกี่ยวกับภาษา: บทเรียนเหล่านี้เขียนใน Python เป็นหลัก แต่หลายบทเรียนก็มีใน R ด้วย หากต้องการทำบทเรียน R ให้ไปที่โฟลเดอร์ /solution และมองหาบทเรียน R ซึ่งจะมีนามสกุล .rmd ที่แสดงถึงไฟล์ R Markdown ซึ่งสามารถนิยามได้ง่ายๆ ว่าเป็นการฝัง code chunks (ของ R หรือภาษาอื่นๆ) และ YAML header (ที่แนะนำวิธีการจัดรูปแบบผลลัพธ์ เช่น PDF) ใน Markdown document ดังนั้นจึงเป็นกรอบการเขียนที่เป็นตัวอย่างสำหรับวิทยาศาสตร์ข้อมูล เนื่องจากช่วยให้คุณรวมโค้ด ผลลัพธ์ และความคิดของคุณโดยเขียนลงใน Markdown นอกจากนี้ เอกสาร R Markdown ยังสามารถแสดงผลในรูปแบบผลลัพธ์ เช่น PDF, HTML หรือ Word

หมายเหตุเกี่ยวกับแบบทดสอบ: แบบทดสอบทั้งหมดอยู่ใน โฟลเดอร์ Quiz App รวมทั้งหมด 52 แบบทดสอบ แต่ละแบบมีสามคำถาม แบบทดสอบเหล่านี้เชื่อมโยงจากในบทเรียน แต่แอปแบบทดสอบสามารถรันได้ในเครื่อง ให้ทำตามคำแนะนำในโฟลเดอร์ quiz-app เพื่อโฮสต์ในเครื่องหรือปรับใช้กับ Azure

หมายเลขบทเรียน	หัวข้อ	การจัดกลุ่มบทเรียน	วัตถุประสงค์การเรียนรู้	บทเรียนที่เชื่อมโยง	ผู้เขียน
01	แนะนำการเรียนรู้ของเครื่อง	Introduction	เรียนรู้แนวคิดพื้นฐานเกี่ยวกับการเรียนรู้ของเครื่อง	Lesson	Muhammad
02	ประวัติศาสตร์ของการเรียนรู้ของเครื่อง	Introduction	เรียนรู้ประวัติศาสตร์ที่เกี่ยวข้องกับสาขานี้	Lesson	Jen และ Amy
03	ความยุติธรรมและการเรียนรู้ของเครื่อง	Introduction	ปัญหาทางปรัชญาที่สำคัญเกี่ยวกับความยุติธรรมที่นักเรียนควรพิจารณาเมื่อสร้างและใช้โมเดล ML คืออะไร?	Lesson	Tomomi
04	เทคนิคสำหรับการเรียนรู้ของเครื่อง	Introduction	นักวิจัย ML ใช้เทคนิคอะไรในการสร้างโมเดล ML?	Lesson	Chris และ Jen
05	แนะนำการถดถอย	Regression	เริ่มต้นใช้งาน Python และ Scikit-learn สำหรับโมเดลการถดถอย	Python • R	Jen • Eric Wanjau
06	ราคาฟักทองในอเมริกาเหนือ 🎃	Regression	แสดงภาพและทำความสะอาดข้อมูลเพื่อเตรียมพร้อมสำหรับ ML	Python • R	Jen • Eric Wanjau
07	ราคาฟักทองในอเมริกาเหนือ 🎃	Regression	สร้างโมเดลการถดถอยเชิงเส้นและพหุนาม	Python • R	Jen และ Dmitry • Eric Wanjau
08	ราคาฟักทองในอเมริกาเหนือ 🎃	Regression	สร้างโมเดลการถดถอยโลจิสติก	Python • R	Jen • Eric Wanjau
09	แอปพลิเคชันเว็บ 🔌	Web App	สร้างแอปพลิเคชันเว็บเพื่อใช้โมเดลที่คุณฝึก	Python	Jen
10	แนะนำการจำแนกประเภท	Classification	ทำความสะอาด เตรียม และแสดงภาพข้อมูลของคุณ; แนะนำการจำแนกประเภท	Python • R	Jen และ Cassie • Eric Wanjau
11	อาหารเอเชียและอินเดียแสนอร่อย 🍜	Classification	แนะนำตัวจำแนกประเภท	Python • R	Jen และ Cassie • Eric Wanjau
12	อาหารเอเชียและอินเดียแสนอร่อย 🍜	Classification	ตัวจำแนกประเภทเพิ่มเติม	Python • R	Jen และ Cassie • Eric Wanjau
13	อาหารเอเชียและอินเดียแสนอร่อย 🍜	Classification	สร้างแอปพลิเคชันเว็บแนะนำโดยใช้โมเดลของคุณ	Python	Jen
14	แนะนำการจัดกลุ่ม	Clustering	ทำความสะอาด เตรียม และแสดงภาพข้อมูลของคุณ; แนะนำการจัดกลุ่ม	Python • R	Jen • Eric Wanjau
15	สำรวจรสนิยมดนตรีของไนจีเรีย 🎧	Clustering	สำรวจวิธีการจัดกลุ่ม K-Means	Python • R	Jen • Eric Wanjau
16	แนะนำการประมวลผลภาษาธรรมชาติ ☕️	Natural language processing	เรียนรู้พื้นฐานเกี่ยวกับ NLP โดยการสร้างบอทง่ายๆ	Python	Stephen
17	งาน NLP ทั่วไป ☕️	Natural language processing	เพิ่มพูนความรู้ NLP ของคุณโดยการทำความเข้าใจงานทั่วไปที่จำเป็นเมื่อจัดการกับโครงสร้างภาษา	Python	Stephen
18	การแปลและการวิเคราะห์ความรู้สึก ♥️	Natural language processing	การแปลและการวิเคราะห์ความรู้สึกกับ Jane Austen	Python	Stephen
19	โรงแรมโรแมนติกในยุโรป ♥️	Natural language processing	การวิเคราะห์ความรู้สึกกับรีวิวโรงแรม 1	Python	Stephen
20	โรงแรมโรแมนติกในยุโรป ♥️	Natural language processing	การวิเคราะห์ความรู้สึกกับรีวิวโรงแรม 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	แนะนำการเรียนรู้แบบเสริมกำลัง	Reinforcement learning	แนะนำการเรียนรู้แบบเสริมกำลังด้วย Q-Learning	Python	Dmitry
25	ช่วย Peter หนีหมาป่า! 🐺	Reinforcement learning	การเรียนรู้แบบเสริมกำลัง Gym	Python	Dmitry
Postscript	สถานการณ์และการใช้งาน ML ในโลกจริง	ML in the Wild	การใช้งานที่น่าสนใจและเปิดเผยในโลกจริงของ ML แบบคลาสสิก	Lesson	Team
Postscript	การแก้ไขข้อผิดพลาดโมเดลใน ML ด้วยแดชบอร์ด RAI	ML in the Wild	การแก้ไขข้อผิดพลาดโมเดลใน Machine Learning ด้วยส่วนประกอบแดชบอร์ด Responsible AI	Lesson	Ruth Yakubu

ค้นหาทรัพยากรเพิ่มเติมสำหรับหลักสูตรนี้ในคอลเลกชัน Microsoft Learn ของเรา

การเข้าถึงแบบออฟไลน์

คุณสามารถเรียกใช้เอกสารนี้แบบออฟไลน์โดยใช้ 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.

🎒 หลักสูตรอื่น ๆ

ทีมของเราผลิตหลักสูตรอื่น ๆ! ลองดู:

Azure / Edge / MCP / Agents

---

Generative AI Series

---

Core Learning

---

ซีรีส์ Copilot

การขอความช่วยเหลือ

หากคุณติดขัดหรือมีคำถามเกี่ยวกับการสร้างแอป AI เข้าร่วมกับผู้เรียนและนักพัฒนาที่มีประสบการณ์ในชุมชน MCP ที่นี่เป็นพื้นที่ที่สนับสนุนซึ่งคำถามได้รับการต้อนรับและความรู้ถูกแบ่งปันอย่างอิสระ

หากคุณมีข้อเสนอแนะเกี่ยวกับผลิตภัณฑ์หรือพบข้อผิดพลาดขณะสร้างแอป โปรดเยี่ยมชม:

---

ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้บริการแปลภาษามนุษย์ที่เป็นมืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้