Tiếng Ả Rập | Tiếng Bengali | Tiếng Bungari | Tiếng Miến Điện (Myanmar) | Tiếng Trung (Giản thể) | Tiếng Trung (Phồn thể, Hồng Kông) | Tiếng Trung (Phồn thể, Macau) | Tiếng Trung (Phồn thể, Đài Loan) | Tiếng Croatia | Tiếng Séc | Tiếng Đan Mạch | Tiếng Hà Lan | Tiếng Estonia | Tiếng Phần Lan | Tiếng Pháp | Tiếng Đức | Tiếng Hy Lạp | Tiếng Do Thái | Tiếng Hindi | Tiếng Hungary | Tiếng Indonesia | Tiếng Ý | Tiếng Nhật | Tiếng Kannada | Tiếng Khmer | Tiếng Hàn | Tiếng Litva | Tiếng Malay | Tiếng Malayalam | Tiếng Marathi | Tiếng Nepal | Tiếng Pidgin Nigeria | Tiếng Na Uy | Tiếng Ba Tư (Farsi) | Tiếng Ba Lan | Tiếng Bồ Đào Nha (Brazil) | Tiếng Bồ Đào Nha (Bồ Đào Nha) | Tiếng Punjabi (Gurmukhi) | Tiếng Rumani | Tiếng Nga | Tiếng Serbia (Chữ Kirin) | Tiếng Slovakia | Tiếng Slovenia | Tiếng Tây Ban Nha | Tiếng Swahili | Tiếng Thụy Điển | Tiếng Tagalog (Filipino) | Tiếng Tamil | Tiếng Telugu | Tiếng Thái | Tiếng Thổ Nhĩ Kỳ | Tiếng Ukraina | Tiếng Urdu | Tiếng Việt
Muốn sao chép về máy cục bộ?
Kho lưu trữ này bao gồm hơn 50 bản dịch ngôn ngữ làm tăng đáng kể dung lượng tải xuống. Để sao chép mà không có bản dịch, hãy sử dụng 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"Điều này cung cấp cho bạn mọi thứ cần thiết để hoàn thành khóa học với tốc độ tải nhanh hơn nhiều.
Chúng tôi có chuỗi học cùng AI trên Discord, tìm hiểu thêm và tham gia cùng chúng tôi tại Chuỗi học cùng AI từ ngày 18 - 30 tháng 9 năm 2025. Bạn sẽ nhận được mẹo và thủ thuật sử dụng GitHub Copilot cho Khoa học Dữ liệu.
🌍 Du lịch vòng quanh thế giới khi chúng ta khám phá Máy Học thông qua các văn hóa thế giới 🌍
Các Nhà Thúc Đẩy Đám Mây tại Microsoft rất vui được cung cấp một chương trình học 12 tuần, 26 bài học hoàn toàn về Máy Học. Trong chương trình này, bạn sẽ tìm hiểu về cái mà đôi khi được gọi là máy học kinh điển, chủ yếu sử dụng thư viện Scikit-learn và tránh xa học sâu (deep learning), phần này được đề cập trong chương trình AI cho Người Mới Bắt Đầu. Kèm theo đó, hãy học cùng với chương trình 'Khoa học Dữ liệu cho Người Mới Bắt Đầu' của chúng tôi!
Hãy cùng du lịch vòng quanh thế giới khi chúng ta áp dụng các kỹ thuật kinh điển này vào dữ liệu từ nhiều khu vực trên thế giới. Mỗi bài học bao gồm bài kiểm tra trước và sau bài học, hướng dẫn bằng văn bản để hoàn thành bài học, một giải pháp, một bài tập, và nhiều hơn thế nữa. Phương pháp dạy dựa trên dự án của chúng tôi cho phép bạn học trong khi xây dựng, một cách đã được chứng minh giúp kỹ năng mới "bám dính" lâu hơn.
✍️ Xin chân thành cảm ơn các tác giả Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu và Amy Boyd
🎨 Cảm ơn các họa sĩ minh họa Tomomi Imura, Dasani Madipalli, và Jen Looper
🙏 Cảm ơn đặc biệt 🙏 các tác giả, người đánh giá và đóng góp nội dung Đại sứ Sinh viên Microsoft, đặc biệt là Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, và Snigdha Agarwal
🤩 Biết ơn thêm đến Đại sứ Sinh viên Microsoft Eric Wanjau, Jasleen Sondhi và Vidushi Gupta cho các bài học R của chúng tôi!
Làm theo các bước sau:
- Gfork kho lưu trữ: Nhấn nút "Fork" ở góc trên bên phải trang này.
- Clone kho lưu trữ:
git clone https://github.com/microsoft/ML-For-Beginners.git
tìm tất cả tài nguyên bổ sung cho khóa học này trong bộ sưu tập Microsoft Learn của chúng tôi
🔧 Cần giúp đỡ? Hãy xem Hướng dẫn Khắc phục sự cố để tìm giải pháp cho các vấn đề phổ biến về cài đặt, thiết lập và chạy bài học.
Học sinh, để sử dụng chương trình này, hãy fork toàn bộ repo về tài khoản GitHub cá nhân và hoàn thành các bài tập một mình hoặc theo nhóm:
- Bắt đầu với bài kiểm tra khởi động trước bài giảng.
- Đọc bài giảng và hoàn thành các hoạt động, dừng lại và suy ngẫm tại mỗi phần kiểm tra kiến thức.
- Cố gắng tạo các dự án bằng cách hiểu bài học thay vì chỉ chạy code giải pháp; tuy nhiên code đó có sẵn trong các thư mục
/solutiontrong mỗi bài học dự án. - Tham gia bài kiểm tra sau bài giảng.
- Hoàn thành thử thách.
- Hoàn thành bài tập.
- Sau khi hoàn thành một nhóm bài học, hãy truy cập Bảng Thảo luận và "học cùng chia sẻ" bằng cách điền rubric PAT thích hợp. 'PAT' là Công Cụ Đánh Giá Tiến Độ bạn điền để nâng cao việc học của bạn. Bạn cũng có thể phản hồi các PAT khác để cùng nhau học hỏi.
Để học sâu hơn, chúng tôi khuyên bạn theo dõi các mô-đun và lộ trình học của Microsoft Learn.
Giáo viên, chúng tôi đã bao gồm một số đề xuất về cách sử dụng chương trình này.
Một số bài học có sẵn dưới dạng video ngắn. Bạn có thể tìm thấy tất cả chúng trong bài học, hoặc trên Danh sách phát ML cho Người Mới Bắt Đầu trên kênh Microsoft Developer YouTube bằng cách nhấp vào hình bên dưới.
Ảnh GIF bởi Mohit Jaisal
🎥 Nhấp vào hình ảnh trên để xem video về dự án và những người đã tạo ra nó!
Chúng tôi đã chọn hai nguyên tắc giáo dục khi xây dựng chương trình này: đảm bảo đó là dựa trên dự án thực hành và bao gồm các bài kiểm tra thường xuyên. Ngoài ra, chương trình học có một chủ đề chung để tạo sự liên kết.
Bằng cách đảm bảo nội dung phù hợp với dự án, quá trình học trở nên hấp dẫn hơn cho học sinh và tăng cường ghi nhớ các khái niệm. Thêm vào đó, bài kiểm tra nhẹ nhàng trước lớp đặt mục tiêu học tập cho học sinh về chủ đề cần học, trong khi bài kiểm tra thứ hai sau lớp đảm bảo việc ghi nhớ thêm. Chương trình này thiết kế để linh hoạt và vui vẻ, có thể học toàn bộ hoặc một phần. Các dự án bắt đầu nhỏ và ngày càng phức tạp hơn vào cuối chu kỳ 12 tuần. Chương trình cũng bao gồm một phần ghi chú về các ứng dụng thực tế của ML, có thể dùng điểm thưởng hoặc làm cơ sở thảo luận.
Tìm Quy tắc ứng xử, Đóng góp, Bản dịch, và Hướng dẫn khắc phục sự cố của chúng tôi. Chúng tôi hoan nghênh phản hồi xây dựng của bạn!
- ghi chú phác thảo tùy chọn
- video bổ trợ tùy chọn
- video hướng dẫn (chỉ một số bài học)
- bài kiểm tra khởi động trước bài giảng
- bài học bằng văn bản
- đối với bài học dự án, hướng dẫn từng bước xây dựng dự án
- các kiểm tra kiến thức
- một thử thách
- tài liệu tham khảo bổ sung
- bài tập
- bài kiểm tra sau bài giảng
Lưu ý về ngôn ngữ: Các bài học này chủ yếu được viết bằng Python, nhưng nhiều bài cũng có sẵn bằng R. Để hoàn thành bài học bằng R, hãy vào thư mục
/solutionvà tìm các bài học R. Chúng bao gồm phần mở rộng .rmd, đại diện cho một tệp R Markdown có thể được định nghĩa đơn giản là việc nhúngđoạn mã(của R hoặc các ngôn ngữ khác) và mộtđầu đề YAML(hướng dẫn cách định dạng đầu ra như PDF) trong mộttài liệu Markdown. Do đó, nó phục vụ như một khuôn khổ tác giả tuyệt vời cho khoa học dữ liệu vì cho phép bạn kết hợp mã của mình, đầu ra của nó, và suy nghĩ của bạn bằng cách cho phép bạn viết chúng trong Markdown. Hơn nữa, các tài liệu R Markdown có thể được kết xuất ra các định dạng đầu ra như PDF, HTML hoặc Word.
Lưu ý về các bài kiểm tra: Tất cả các bài kiểm tra được chứa trong thư mục Ứng Dụng Quiz, tổng cộng 52 bài kiểm tra với mỗi bài gồm ba câu hỏi. Chúng được liên kết trong các bài học nhưng ứng dụng kiểm tra có thể chạy cục bộ; hãy làm theo hướng dẫn trong thư mục
quiz-appđể lưu trữ hoặc triển khai lên Azure.
| Số bài học | Chủ đề | Nhóm bài học | Mục tiêu học tập | Bài học liên kết | Tác giả |
|---|---|---|---|---|---|
| 01 | Giới thiệu về học máy | Giới thiệu | Tìm hiểu các khái niệm cơ bản về học máy | Bài học | Muhammad |
| 02 | Lịch sử của học máy | Giới thiệu | Tìm hiểu lịch sử nền tảng của lĩnh vực này | Bài học | Jen và Amy |
| 03 | Công bằng và học máy | Giới thiệu | Những vấn đề triết học quan trọng về công bằng mà học viên cần xem xét khi xây dựng và áp dụng mô hình ML? | Bài học | Tomomi |
| 04 | Kỹ thuật cho học máy | Giới thiệu | Các kỹ thuật mà các nhà nghiên cứu ML sử dụng để xây dựng mô hình ML? | Bài học | Chris và Jen |
| 05 | Giới thiệu về hồi quy | Hồi quy | Bắt đầu với Python và Scikit-learn cho các mô hình hồi quy | Python • R | Jen • Eric Wanjau |
| 06 | Giá bí ngô Bắc Mỹ 🎃 | Hồi quy | Trực quan hóa và làm sạch dữ liệu chuẩn bị cho ML | Python • R | Jen • Eric Wanjau |
| 07 | Giá bí ngô Bắc Mỹ 🎃 | Hồi quy | Xây dựng các mô hình hồi quy tuyến tính và đa thức | Python • R | Jen và Dmitry • Eric Wanjau |
| 08 | Giá bí ngô Bắc Mỹ 🎃 | Hồi quy | Xây dựng một mô hình hồi quy logistic | Python • R | Jen • Eric Wanjau |
| 09 | Ứng dụng Web 🔌 | Ứng dụng Web | Xây dựng một ứng dụng web sử dụng mô hình đã được huấn luyện | Python | Jen |
| 10 | Giới thiệu về phân loại | Phân loại | Làm sạch, chuẩn bị, và trực quan hóa dữ liệu; giới thiệu về phân loại | Python • R | Jen và Cassie • Eric Wanjau |
| 11 | Các món ăn Châu Á và Ấn Độ 🍜 | Phân loại | Giới thiệu về bộ phân loại | Python • R | Jen và Cassie • Eric Wanjau |
| 12 | Các món ăn Châu Á và Ấn Độ 🍜 | Phân loại | Thêm bộ phân loại | Python • R | Jen và Cassie • Eric Wanjau |
| 13 | Các món ăn Châu Á và Ấn Độ 🍜 | Phân loại | Xây dựng ứng dụng web gợi ý sử dụng mô hình của bạn | Python | Jen |
| 14 | Giới thiệu về phân cụm | Phân cụm | Làm sạch, chuẩn bị, và trực quan hóa dữ liệu; giới thiệu về phân cụm | Python • R | Jen • Eric Wanjau |
| 15 | Khám phá sở thích âm nhạc Nigeria 🎧 | Phân cụm | Khám phá phương pháp phân cụm K-Means | Python • R | Jen • Eric Wanjau |
| 16 | Giới thiệu về xử lý ngôn ngữ tự nhiên ☕️ | Xử lý ngôn ngữ tự nhiên | Tìm hiểu những điều cơ bản về NLP bằng cách xây dựng một bot đơn giản | Python | Stephen |
| 17 | Các tác vụ NLP phổ biến ☕️ | Xử lý ngôn ngữ tự nhiên | Nâng cao kiến thức NLP bằng cách hiểu các tác vụ phổ biến khi xử lý cấu trúc ngôn ngữ | Python | Stephen |
| 18 | Phân tích dịch và cảm xúc |
Xử lý ngôn ngữ tự nhiên | Phân tích dịch và cảm xúc với Jane Austen | Python | Stephen |
| 19 | Các khách sạn lãng mạn của châu Âu |
Xử lý ngôn ngữ tự nhiên | Phân tích cảm xúc với các đánh giá khách sạn 1 | Python | Stephen |
| 20 | Các khách sạn lãng mạn của châu Âu |
Xử lý ngôn ngữ tự nhiên | Phân tích cảm xúc với các đánh giá khách sạn 2 | Python | Stephen |
| 21 | Giới thiệu về dự báo chuỗi thời gian | Chuỗi thời gian | Giới thiệu về dự báo chuỗi thời gian | Python | Francesca |
| 22 | ⚡️ Sử dụng điện thế giới ⚡️ - dự báo chuỗi thời gian với ARIMA | Chuỗi thời gian | Dự báo chuỗi thời gian với ARIMA | Python | Francesca |
| 23 | ⚡️ Sử dụng điện thế giới ⚡️ - dự báo chuỗi thời gian với SVR | Chuỗi thời gian | Dự báo chuỗi thời gian với Support Vector Regressor | Python | Anirban |
| 24 | Giới thiệu về học tăng cường | Học tăng cường | Giới thiệu về học tăng cường với Q-Learning | Python | Dmitry |
| 25 | Giúp Peter tránh con sói! 🐺 | Học tăng cường | Học tăng cường với Gym | Python | Dmitry |
| Postscript | Các tình huống và ứng dụng ML thực tế | ML trong thực tế | Các ứng dụng thú vị và mang tính khám phá trong thế giới thực của ML cổ điển | Bài học | Nhóm |
| Postscript | Gỡ lỗi mô hình trong ML bằng bảng điều khiển RAI | ML trong thực tế | Gỡ lỗi mô hình trong học máy sử dụng các thành phần bảng điều khiển Responsible AI | Bài học | Ruth Yakubu |
tìm tất cả tài nguyên bổ sung cho khóa học này trong bộ sưu tập Microsoft Learn của chúng tôi
Bạn có thể chạy tài liệu này ở chế độ ngoại tuyến bằng cách sử dụng Docsify. Hãy sao chép repo này, cài đặt Docsify trên máy cục bộ của bạn, sau đó trong thư mục gốc của repo này, nhập docsify serve. Trang web sẽ được phục vụ trên cổng 3000 trên localhost của bạn: localhost:3000.
Tải xuống tệp pdf của chương trình học với các liên kết tại đây.
Nhóm của chúng tôi còn sản xuất các khóa học khác! Hãy xem:
-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA){kind=icon}
-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC){kind=icon}
-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9){kind=icon}
Nếu bạn bị mắc kẹt hoặc có câu hỏi trong quá trình học Máy Học hoặc xây dựng ứng dụng AI, đừng lo — vẫn có trợ giúp sẵn sàng.
Bạn có thể tham gia thảo luận với những người học và nhà phát triển khác, đặt câu hỏi và chia sẻ ý tưởng của mình với cộng đồng.
- Tham gia cộng đồng để đặt câu hỏi và học hỏi cùng người khác
- Thảo luận về các khái niệm Máy Học và ý tưởng dự án
- Nhận sự hướng dẫn từ các nhà phát triển có kinh nghiệm
Một cộng đồng hỗ trợ là cách tuyệt vời để bạn phát triển kỹ năng và giải quyết vấn đề nhanh hơn.
Microsoft Foundry Discord Community
Nếu bạn gặp lỗi, sự cố hoặc có đề xuất cải tiến, bạn cũng có thể mở một Issue trong kho này để báo cáo vấn đề.
Để phản hồi sản phẩm hoặc tìm kiếm các bài đăng cộng đồng hiện có, hãy truy cập Diễn Đàn Nhà Phát Triển:
- Xem lại các notebook sau mỗi bài học để hiểu bài tốt hơn.
- Thực hành tự triển khai các thuật toán.
- Khám phá các bộ dữ liệu thực tế bằng cách sử dụng các khái niệm đã học.
Từ chối trách nhiệm:
Tài liệu này đã được dịch bằng dịch vụ dịch thuật AI Co-op Translator. Mặc dù chúng tôi cố gắng đảm bảo độ chính xác, xin lưu ý rằng các bản dịch tự động có thể chứa lỗi hoặc không chính xác. Tài liệu gốc bằng ngôn ngữ bản địa nên được xem là nguồn thông tin chính thức. Đối với các thông tin quan trọng, khuyến nghị sử dụng dịch vụ dịch thuật chuyên nghiệp bởi con người. Chúng tôi không chịu trách nhiệm cho bất kỳ sự hiểu lầm hoặc diễn giải sai nào phát sinh từ việc sử dụng bản dịch này.