README.md

🌐 การรองรับหลายภาษา

รองรับผ่าน GitHub Action (อัตโนมัติ & อัปเดตเสมอ)

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 | Kannada | Khmer | Korean | Lithuanian | Malay | Malayalam | 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 | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese

ชอบโคลนลงเครื่องไหม?

ที่เก็บนี้มีการแปลภาษา 50+ ภาษา ซึ่งเพิ่มขนาดดาวน์โหลดอย่างมาก 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"

นี่จะให้ทุกสิ่งที่คุณต้องการเพื่อทำคอร์สเสร็จได้อย่างรวดเร็วขึ้นมาก

เข้าร่วมชุมชนของเรา

เรามีซีรีส์ Discord เรียนรู้กับ AI ดำเนินอยู่ เรียนรู้เพิ่มเติมและเข้าร่วมกับเราได้ที่ Learn with AI Series ระหว่างวันที่ 18 - 30 กันยายน 2025 คุณจะได้รับเคล็ดลับและเทคนิคการใช้ GitHub Copilot สำหรับวิทยาศาสตร์ข้อมูล

การเรียนรู้เครื่องสำหรับผู้เริ่มต้น - หลักสูตร

🌍 เดินทางรอบโลกไปกับการสำรวจการเรียนรู้เครื่องผ่านวัฒนธรรมโลก 🌍

Cloud Advocates ที่ Microsoft ยินดีนำเสนอหลักสูตร 12 สัปดาห์ 26 บทเรียนที่เกี่ยวกับ การเรียนรู้เครื่อง ในหลักสูตรนี้คุณจะได้เรียนรู้เกี่ยวกับสิ่งที่บางครั้งเรียกว่า การเรียนรู้เครื่องแบบคลาสสิก โดยใช้เป็นหลักไลบรารี Scikit-learn และหลีกเลี่ยงการเรียนรู้เชิงลึก ซึ่งครอบคลุมในหลักสูตร AI สำหรับผู้เริ่มต้น ของเรา จับคู่บทเรียนเหล่านี้กับหลักสูตร 'วิทยาศาสตร์ข้อมูลสำหรับผู้เริ่มต้น' ของเราเช่นกัน!

เดินทางกับเราไปรอบโลกขณะที่เรานำเทคนิคคลาสสิกเหล่านี้ไปใช้กับข้อมูลจากหลายภูมิภาคของโลก ในแต่ละบทเรียนจะมีแบบทดสอบก่อนและหลังบทเรียน คำแนะนำเป็นลายลักษณ์อักษรในการทำบทเรียนให้เสร็จสมบูรณ์ ตัวอย่างโค้ด การมอบหมาย และอื่นๆ แนวทางการสอนแบบโครงการช่วยให้คุณเรียนรู้ไปพร้อมกับการสร้างงานจริง ซึ่งเป็นวิธีที่พิสูจน์แล้วว่าสำหรับทักษะใหม่จะ "ติดตัว"

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

🎨 ขอบคุณด้วยสำหรับนักวาดภาพประกอบ Tomomi Imura, Dasani Madipalli และ Jen Looper

🙏 ขอบคุณพิเศษ 🙏 ต่อ Microsoft Student Ambassador ผู้แต่ง ทบทวน และช่วยเติมเนื้อหา 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!

การเริ่มต้น

ทำตามขั้นตอนเหล่านี้:

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

ค้นหาทรัพยากรเพิ่มเติมสำหรับคอร์สนี้ในคอลเลกชัน Microsoft Learn ของเรา

🔧 ต้องการความช่วยเหลือ? ตรวจสอบ คู่มือแก้ไขปัญหา สำหรับวิธีแก้ปัญหาที่พบบ่อยเกี่ยวกับการติดตั้ง, การตั้งค่า และการรันบทเรียน

นักเรียน ในการใช้หลักสูตรนี้ ให้ fork รีโปทั้งหมดไปยังบัญชี GitHub ของคุณเอง และทำแบบฝึกหัดด้วยตัวเองหรือเป็นกลุ่ม:

• เริ่มต้นด้วยแบบทดสอบก่อนบรรยาย
• อ่านบรรยายและทำกิจกรรมหยุดคิดและทบทวนในแต่ละจุดตรวจสอบความเข้าใจ
• พยายามสร้างโครงการโดยเข้าใจบทเรียนแทนการรันโค้ดตัวอย่าง อย่างไรก็ตาม โค้ดตัวอย่างนั้นมีอยู่ในโฟลเดอร์ /solution ในบทเรียนที่เน้นโครงการแต่ละบท
• ทำแบบทดสอบหลังบรรยาย
• ทำความท้าทาย
• ทำการบ้าน
• หลังจากจบบทเรียนชุดหนึ่ง เยี่ยมชม กระดานอภิปราย และ "เรียนรู้ออกเสียง" โดยกรอก PAT rubric ที่เหมาะสม 'PAT' คือเครื่องมือประเมินความก้าวหน้าที่คุณกรอกเพื่อเสริมการเรียนรู้ คุณยังสามารถตอบสนองต่อ PAT ของคนอื่นเพื่อให้เราเรียนรู้ร่วมกัน

สำหรับการศึกษาต่อ เราแนะนำให้ติดตามโมดูลและเส้นทางการเรียนรู้ Microsoft Learn

สำหรับครูผู้สอน เรามี คำแนะนำบางส่วน ว่าจะใช้งานหลักสูตรนี้อย่างไร

---

วิดีโอสอน

บทเรียนบางบทมีวิดีโอสั้นๆ คุณสามารถหาบทเรียนเหล่านี้ได้ในแต่ละบท หรือบน เพลย์ลิสต์ ML for Beginners บนช่อง Microsoft Developer YouTube โดยคลิกที่ภาพด้านล่าง

---

แนะนำทีมงาน

Gif โดย Mohit Jaisal

🎥 คลิกที่ภาพด้านบนเพื่อดูวิดีโอเกี่ยวกับโครงการและทีมงานผู้สร้าง!

---

แนวทางการสอน

เราเลือกใช้สองหลักการทางการสอนเมื่อสร้างหลักสูตรนี้: การทำให้เป็น โครงการปฏิบัติจริง และการมี แบบทดสอบบ่อยครั้ง นอกจากนี้หลักสูตรนี้ยังมี ธีม ร่วมเพื่อความสอดคล้อง

โดยการทำให้เนื้อหาสอดคล้องกับโครงการจะช่วยกระตุ้นให้นักเรียนสนุกกับการเรียน และเพิ่มความจำในแนวคิด นอกจากนี้ แบบทดสอบไม่กดดันก่อนชั้นเรียนจะช่วยตั้งใจของนักเรียนในการเรียนรู้หัวข้อ และแบบทดสอบที่สองหลังเรียนยังช่วยย้ำความจำ หลักสูตรนี้ถูกออกแบบให้ยืดหยุ่นและสนุกสนาน สามารถเรียนทั้งหมดหรือบางส่วนได้ โครงการเริ่มจากง่ายและเพิ่มความซับซ้อนขึ้นจนถึงสิ้นสุดรอบ 12 สัปดาห์ หลักสูตรนี้ยังมีตอนท้ายเกี่ยวกับการประยุกต์ใช้ในโลกจริงของ ML ซึ่งสามารถใช้เป็นเครดิตพิเศษหรือฐานการอภิปราย

ค้นหา จรรยาบรรณ, การมีส่วนร่วม, การแปล, และ แก้ไขปัญหา ของเรา เรายินดีรับฟังคำติชมเชิงสร้างสรรค์ของคุณ!

แต่ละบทเรียนประกอบด้วย

• สเก็ตช์โน้ต (ถ้ามี)
• วิดีโอเสริม (ถ้ามี)
• วิดีโอสอน (บางบทเรียนเท่านั้น)
• แบบทดสอบอบอุ่นก่อนบรรยาย
• บทเรียนเป็นลายลักษณ์อักษร
• สำหรับบทเรียนโครงการ มีคำแนะนำทีละขั้นตอนการสร้างโครงการ
• ตรวจสอบความรู้
• ความท้าทาย
• การอ่านเสริม
• การบ้าน
• แบบทดสอบหลังบรรยาย

บันทึกเกี่ยวกับภาษา: บทเรียนเหล่านี้ส่วนใหญ่เขียนด้วย Python แต่หลายบทเรียนก็มีในภาษา R ด้วย หากต้องการทำบทเรียน R ให้ไปที่โฟลเดอร์ /solution และหาบทเรียนในภาษา R จะมีนามสกุล .rmd ซึ่งหมายถึงไฟล์ R Markdown ที่สามารถนิยามได้ง่ายๆ ว่าเป็นการฝัง code chunks (ของภาษา R หรือภาษาอื่น ๆ) กับ YAML header (ที่กำหนดวิธีการจัดรูปแบบผลลัพธ์ เช่น PDF) ลงใน Markdown document ดังนั้นจึงเป็นกรอบการเขียนที่ดีเยี่ยมสำหรับการทำวิทยาศาสตร์ข้อมูล เพราะช่วยให้คุณสามารถรวมโค้ดของคุณ ผลลัพธ์ของโค้ด และความคิดของคุณโดยการเขียนทั้งหมดในรูปแบบ Markdown ยิ่งไปกว่านั้น เอกสาร R Markdown สามารถแปลงเป็นรูปแบบผลลัพธ์ เช่น PDF, HTML หรือ Word ได้

บันทึกเกี่ยวกับแบบทดสอบ: แบบทดสอบทั้งหมดจะอยู่ใน โฟลเดอร์ Quiz App ซึ่งมีทั้งหมด 52 แบบทดสอบ แต่ละแบบมีสามคำถาม สามารถเข้าถึงได้จากบทเรียนต่าง ๆ แต่แอปแบบทดสอบนี้สามารถรันในเครื่องของคุณได้โดยตรง ให้ทำตามคำแนะนำในโฟลเดอร์ quiz-app เพื่อโฮสต์หรือดีพลอยไปยัง Azure

หมายเลขบทเรียน	หัวข้อ	กลุ่มบทเรียน	วัตถุประสงค์การเรียนรู้	บทเรียนที่เชื่อมโยง	ผู้เขียน
01	แนะนำการเรียนรู้ของเครื่อง	Introduction	เรียนรู้แนวคิดพื้นฐานเบื้องหลังการเรียนรู้ของเครื่อง	Lesson	Muhammad
02	ประวัติของการเรียนรู้ของเครื่อง	Introduction	เรียนรู้ประวัติพื้นฐานของสาขานี้	Lesson	Jen and Amy
03	ความยุติธรรมและการเรียนรู้ของเครื่อง	Introduction	อะไรคือปัญหาปรัชญาที่สำคัญเกี่ยวกับความยุติธรรมที่นักเรียนควรพิจารณาเมื่อสร้างและใช้โมเดล ML	Lesson	Tomomi
04	เทคนิคสำหรับการเรียนรู้ของเครื่อง	Introduction	นักวิจัย ML ใช้เทคนิคอะไรในการสร้างโมเดล ML?	Lesson	Chris and Jen
05	แนะนำการถดถอย	Regression	เริ่มต้นกับ Python และ Scikit-learn สำหรับโมเดลถดถอย	Python • R	Jen • Eric Wanjau
06	ราคาฟักทองในอเมริกาเหนือ 🎃	Regression	สร้างภาพและทำความสะอาดข้อมูลเพื่อเตรียมพร้อมสำหรับ ML	Python • R	Jen • Eric Wanjau
07	ราคาฟักทองในอเมริกาเหนือ 🎃	Regression	สร้างโมเดลถดถอยเชิงเส้นและถดถอยหลายพจน์	Python • R	Jen and Dmitry • Eric Wanjau
08	ราคาฟักทองในอเมริกาเหนือ 🎃	Regression	สร้างโมเดลถดถอยลอจิสติก	Python • R	Jen • Eric Wanjau
09	เว็บแอป 🔌	Web App	สร้างเว็บแอปเพื่อใช้โมเดลที่ฝึกไว้	Python	Jen
10	แนะนำการจัดหมวดหมู่	Classification	ทำความสะอาด เตรียม และแสดงภาพข้อมูลของคุณ เป็นการแนะนำการจัดหมวดหมู่	Python • R	Jen and Cassie • Eric Wanjau
11	อาหารเอเชียและอินเดียอร่อย ๆ 🍜	Classification	แนะนำเครื่องมือจัดหมวดหมู่	Python • R	Jen and Cassie • Eric Wanjau
12	อาหารเอเชียและอินเดียอร่อย ๆ 🍜	Classification	เครื่องมือจัดหมวดหมู่เพิ่มเติม	Python • R	Jen and Cassie • Eric Wanjau
13	อาหารเอเชียและอินเดียอร่อย ๆ 🍜	Classification	สร้างเว็บแอปแนะนำโดยใช้โมเดลของคุณ	Python	Jen
14	แนะนำการจัดกลุ่ม	Clustering	ทำความสะอาด เตรียม และแสดงภาพข้อมูลของคุณ แนะนำการจัดกลุ่ม	Python • R	Jen • Eric Wanjau
15	สำรวจรสนิยมเพลงนีจีเรีย 🎧	Clustering	สำรวจวิธีการจัดกลุ่ม K-Means	Python • R	Jen • Eric Wanjau
16	แนะนำการประมวลผลภาษาธรรมชาติ ☕️	Natural language processing	เรียนรู้พื้นฐานการประมวลผลภาษาธรรมชาติโดยการสร้างบอทง่าย ๆ	Python	Stephen
17	งาน NLP ทั่วไป ☕️	Natural language processing	เสริมความรู้เรื่อง NLP โดยเข้าใจงานทั่วไปที่ต้องทำเมื่อทำงานกับโครงสร้างภาษา	Python	Stephen
18	การแปลและการวิเคราะห์ความรู้สึก ♥️	Natural language processing	การแปลและการวิเคราะห์ความรู้สึกด้วย Jane Austen	Python	Stephen
19	โรงแรมโรแมนติกในยุโรป ♥️	Natural language processing	วิเคราะห์ความรู้สึกด้วยรีวิวโรงแรม 1	Python	Stephen
20	โรงแรมโรแมนติกในยุโรป ♥️	Natural language processing	วิเคราะห์ความรู้สึกด้วยรีวิวโรงแรม 2	Python	Stephen
21	แนะนำการพยากรณ์ชุดข้อมูลตามเวลา	Time series	แนะนำการพยากรณ์ชุดข้อมูลตามเวลา	Python	Francesca
22	⚡️ การใช้พลังงานโลก ⚡️ - การพยากรณ์ชุดข้อมูลตามเวลาด้วย ARIMA	Time series	การพยากรณ์ชุดข้อมูลตามเวลาด้วยโมเดล ARIMA	Python	Francesca
23	⚡️ การใช้พลังงานโลก ⚡️ - การพยากรณ์ชุดข้อมูลตามเวลาด้วย SVR	Time series	การพยากรณ์ชุดข้อมูลตามเวลาด้วย Support Vector Regressor	Python	Anirban
24	แนะนำการเรียนรู้เสริมแรง	Reinforcement learning	แนะนำการเรียนรู้เสริมแรงด้วย Q-Learning	Python	Dmitry
25	ช่วยปีเตอร์หลบหมาป่า! 🐺	Reinforcement learning	การเรียนรู้เสริมแรง Gym	Python	Dmitry
บทส่งท้าย	กรณีศึกษาและแอปพลิเคชัน ML ในโลกจริง	ML in the Wild	แอปพลิเคชันที่น่าสนใจและเปิดเผยของ ML แบบคลาสสิกในโลกจริง	Lesson	Team
บทส่งท้าย	การดีบักโมเดล ML ด้วยแดชบอร์ด RAI	ML in the Wild	การดีบักโมเดล ML ด้วยส่วนประกอบแดชบอร์ด Responsible AI	Lesson	Ruth Yakubu

ค้นหาทรัพยากรเพิ่มเติมทั้งหมดสำหรับหลักสูตรนี้ในคอลเลกชัน Microsoft Learn ของเรา

การใช้งานแบบออฟไลน์

คุณสามารถใช้เอกสารนี้แบบออฟไลน์ได้โดยใช้ Docsify ทำการโคลนรีโปนี้, ติดตั้ง Docsify บนเครื่องของคุณ จากนั้นในโฟลเดอร์รากของรีโปนี้ให้พิมพ์ docsify serve เว็บไซต์จะถูกเสิร์ฟบนพอร์ต 3000 ที่โฮสต์เครื่องของคุณ: localhost:3000

ไฟล์ PDF

ดาวน์โหลด PDF ของหลักสูตรพร้อมลิงก์ได้ ที่นี่.

🎒 หลักสูตรอื่น ๆ

ทีมงานของเราผลิตหลักสูตรอื่น ๆ ด้วย! ตรวจสอบได้ที่:

LangChain

Azure / Edge / MCP / Agents

---

ชุดปัญญาประดิษฐ์สร้างสรรค์

---

การเรียนรู้แกนหลัก

---

ชุด Copilot

ขอความช่วยเหลือ

หากคุณติดขัดหรือมีคำถามเกี่ยวกับการสร้างแอป AI เข้าร่วมกับผู้เรียนและนักพัฒนาที่มีประสบการณ์ในการอภิปรายเกี่ยวกับ MCP เป็นชุมชนที่ให้การสนับสนุนซึ่งยินดีต้อนรับคำถามและแบ่งปันความรู้กันอย่างเสรี

หากคุณมีคำติชมหรือพบข้อผิดพลาดขณะสร้างโปรดไปที่:

เคล็ดลับการเรียนรู้เพิ่มเติม

• ทบทวนสมุดบันทึกหลังจากแต่ละบทเรียนเพื่อความเข้าใจที่ดีขึ้น
• ฝึกฝนการนำอัลกอริธึมไปใช้ด้วยตนเอง
• สำรวจชุดข้อมูลจริงโดยใช้แนวคิดที่เรียนรู้มา

---

ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้มีความถูกต้อง โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความคลาดเคลื่อนได้ เอกสารต้นฉบับในภาษาต้นทางควรถูกพิจารณาเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้การแปลโดยผู้เชี่ยวชาญด้านมนุษย์ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดที่เกิดขึ้นจากการใช้การแปลนี้