README.md

🌐 การสนับสนุนหลายภาษา

สนับสนุนผ่าน GitHub Action (อัตโนมัติและอัปเดตอยู่เสมอ)

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 | 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

ชอบที่จะโคลนในเครื่องมั้ย?

โครงการนี้มีการแปลในมากกว่า 50 ภาษา ซึ่งจะเพิ่มขนาดไฟล์ดาวน์โหลดอย่างมาก 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"

นี้จะให้ทุกอย่างที่คุณต้องการเพื่อเรียนจบหลักสูตรด้วยการดาวน์โหลดที่รวดเร็วมากขึ้น

เข้าร่วมชุมชนของเรา

เรามีซีรีส์เรียนรู้กับ AI บน Discord ดำเนินการอยู่ เรียนรู้เพิ่มเติมและเข้าร่วมกับเราที่ Learn with AI Series ตั้งแต่วันที่ 18 - 30 กันยายน 2025 คุณจะได้รับเคล็ดลับและกลเม็ดการใช้ GitHub Copilot สำหรับด้าน Data Science

การเรียนรู้เครื่องสำหรับผู้เริ่มต้น - หลักสูตร

🌍 เที่ยวรอบโลกในขณะที่เราค้นพบการเรียนรู้เครื่องผ่านวัฒนธรรมโลก 🌍

Cloud Advocates ของ Microsoft มีความยินดีที่จะเสนอกหลักสูตร 12 สัปดาห์ 26 บทเรียนเกี่ยวกับ Machine Learning ในหลักสูตรนี้ คุณจะได้เรียนรู้เกี่ยวกับบางสิ่งที่เรียกว่า classic machine learning ใช้ Scikit-learn เป็นหลักและหลีกเลี่ยงการเรียนรู้เชิงลึกซึ่งมีการสอนในหลักสูตร AI for Beginners ของเรา จับคู่บทเรียนเหล่านี้กับหลักสูตร 'Data Science for Beginners' ของเรา ด้วย!

เดินทางไปกับเราไปรอบโลกขณะที่เราประยุกต์ใช้เทคนิคคลาสสิกเหล่านี้กับข้อมูลจากหลายพื้นที่ของโลก แต่ละบทเรียนมีแบบทดสอบก่อนและหลังเรียน คำแนะนำเป็นลายลักษณ์อักษรเพื่อทำบทเรียนให้เสร็จสมบูรณ์ โซลูชัน งานมอบหมาย และอื่นๆ การสอนโดยมีโครงการเป็นฐานช่วยให้คุณเรียนรู้ไปพร้อมกับการสร้าง ซึ่งเป็นวิธีพิสูจน์แล้วว่าสำหรับการเรียนรู้ทักษะใหม่จะ 'ติด'

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

🎨 ขอบคุณนักวาดภาพประกอบ Tomomi Imura, Dasani Madipalli และ Jen Looper

🙏 ขอบคุณเป็นพิเศษ 🙏 ต่อตัวแทนนักศึกษาของ Microsoft ผู้เขียน ผู้ทบทวน และผู้ร่วมเนื้อหา โดยเฉพาะอย่างยิ่ง Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila และ Snigdha Agarwal

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

เริ่มต้น

ทำตามขั้นตอนเหล่านี้:

1. Fork โครงการนี้: คลิกที่ปุ่ม "Fork" ที่มุมบนขวาของหน้านี้
2. โคลนโครงการนี้: git clone https://github.com/microsoft/ML-For-Beginners.git

ค้นหาทรัพยากรเพิ่มเติมทั้งหมดสำหรับหลักสูตรนี้ในคอลเลกชัน Microsoft Learn ของเรา

🔧 ต้องการความช่วยเหลือ? ตรวจสอบ คู่มือแก้ปัญหา สำหรับวิธีแก้ปัญหาทั่วไปเกี่ยวกับการติดตั้ง การตั้งค่า และการรันบทเรียน

นักเรียน เพื่อใช้หลักสูตรนี้ ให้ฟอร์กรีโพทั้งหมดไปยังบัญชี GitHub ของคุณเองและทำแบบฝึกหัดด้วยตัวเองหรือกับกลุ่ม:

• เริ่มด้วยแบบทดสอบก่อนบรรยาย
• อ่านบทเรียนและทำกิจกรรมให้เสร็จสมบูรณ์ หยุดเพื่อสะท้อนความรู้ในแต่ละจุดตรวจสอบความเข้าใจ
• พยายามสร้างโครงการโดยเข้าใจบทเรียนแทนการรันโค้ดตัวอย่าง อย่างไรก็ตาม โค้ดนั้นมีอยู่ในโฟลเดอร์ /solution ในแต่ละบทเรียนที่เน้นโครงการ
• ทำแบบทดสอบหลังบรรยาย
• ทำความท้าทายให้เสร็จ
• ทำงานมอบหมายให้เสร็จ
• หลังจากจบบทเรียนแต่ละกลุ่ม ให้ไปที่ กระดานอภิปราย และ "พูดออกเสียง" โดยกรอกแบบประเมิน PAT ที่เหมาะสม 'PAT' คือเครื่องมือประเมินความก้าวหน้าที่คุณกรอกเพื่อส่งเสริมการเรียนรู้ของคุณ คุณยังสามารถโต้ตอบกับ PAT ของคนอื่นเพื่อเรียนรู้ไปด้วยกัน

สำหรับการศึกษาต่อ เราแนะนำให้ทำตามโมดูลและเส้นทางการเรียนรู้เหล่านี้ของ Microsoft Learn

คุณครู เรามี คำแนะนำบางส่วน เกี่ยวกับวิธีการใช้หลักสูตรนี้

---

วิดีโอสอน

บทเรียนบางบทมีในรูปแบบวิดีโอสั้น คุณสามารถหาวิดีโอทั้งหมดนี้ในบทเรียน หรือ ที่ เพลย์ลิสต์ ML for Beginners ในช่อง Microsoft Developer YouTube โดยคลิกที่ภาพด้านล่าง

---

รู้จักทีมงาน

GIF โดย Mohit Jaisal

🎥 คลิกที่ภาพด้านบนเพื่อดูวิดีโอเกี่ยวกับโครงการและทีมผู้สร้าง!

---

วิธีการสอน

เราเลือกหลักการสอน 2 ประการขณะสร้างหลักสูตรนี้: การทำให้เป็นแบบ project-based ที่เน้นปฏิบัติ และการมี แบบทดสอบบ่อยๆ นอกจากนี้ หลักสูตรนี้มี ธีม ร่วมกันเพื่อให้มีความต่อเนื่อง

โดยการทำเนื้อหาให้สอดคล้องกับโครงการ เทคนิคนี้ทำให้นักเรียนมีส่วนร่วมมากขึ้นและช่วยเสริมการจดจำแนวคิด นอกจากนี้ แบบทดสอบที่ไม่มีแรงกดดันก่อนเรียนช่วยกำหนดเจตนารมณ์ของนักเรียนในการเรียนรู้หัวข้อ ขณะที่แบบทดสอบหลังเรียนช่วยเสริมการจำอีกครั้ง หลักสูตรนี้ออกแบบมาให้ยืดหยุ่นและสนุก และสามารถเรียนทั้งหลักสูตรหรือเลือกบางส่วนได้ โครงการเริ่มเล็กและซับซ้อนเพิ่มขึ้นเรื่อยๆ ภายใน 12 สัปดาห์ หลักสูตรนี้ยังรวมเนื้อหาด้านโลกจริงเกี่ยวกับแอปพลิเคชันของ ML ซึ่งสามารถใช้เป็นเครดิตพิเศษหรือฐานสำหรับการอภิปราย

ค้นหา จรรยาบรรณการปฏิบัติ, การมีส่วนร่วม, การแปล, และ คู่มือแก้ปัญหา ของเรา เราขอต้อนรับคำติชมที่สร้างสรรค์ของคุณ!

แต่ละบทเรียนประกอบด้วย

• สเก็ตช์โน้ต (ไม่บังคับ)
• วิดีโอเสริม (ไม่บังคับ)
• วิดีโอสอน (เฉพาะบทเรียนบางบท)
• แบบทดสอบวอร์มอัพก่อนบรรยาย
• บทเรียนลายลักษณ์อักษร
• สำหรับบทเรียนแบบโปรเจค มีคำแนะนำทีละขั้นตอนในการสร้างโปรเจค
• การตรวจสอบความรู้
• ความท้าทาย
• การอ่านเสริม
• งานมอบหมาย
• แบบทดสอบหลังบรรยาย

หมายเหตุเกี่ยวกับภาษา: บทเรียนเหล่านี้เขียนเป็นหลักในภาษา Python แต่หลายบทเรียนมีให้ใน R ด้วย เพื่อทำบทเรียน R ให้ไปที่โฟลเดอร์ /solution และมองหาบทเรียน R ซึ่งจะมีนามสกุล .rmd ซึ่งหมายถึง R Markdown ที่เป็นการผสมผสานของ code chunks (ของ R หรือภาษาอื่นๆ) และ YAML header (ที่กำหนดการฟอร์แมตผลลัพธ์ เช่น PDF) ภายในเอกสาร Markdown ด้วยเหตุนี้ R Markdown จึงเป็นกรอบการเขียนตัวอย่างที่ยอดเยี่ยมสำหรับ data science เพราะช่วยให้คุณรวมโค้ด ผลลัพธ์ และความคิดของคุณโดยเขียนลงใน Markdown นอกจากนี้ เอกสาร R Markdown ยังสามารถแปลงเป็นรูปแบบผลลัพธ์ เช่น PDF, HTML หรือ Word ได้อีกด้วย หมายเหตุเกี่ยวกับแบบทดสอบ: แบบทดสอบทั้งหมดถูกจัดเก็บอยู่ใน โฟลเดอร์ Quiz App รวมทั้งหมด 52 แบบทดสอบ แต่ละแบบประกอบด้วยสามคำถาม สามารถเข้าถึงได้จากบทเรียนต่างๆ แต่แอปแบบทดสอบสามารถรันได้ในเครื่อง; ทำตามคำแนะนำในโฟลเดอร์ quiz-app เพื่อโฮสต์ในเครื่องหรือนำไปใช้งานบน Azure

Lesson Number	หัวข้อ	กลุ่มบทเรียน	วัตถุประสงค์การเรียนรู้	บทเรียนที่เชื่อมโยง	ผู้แต่ง
01	บทนำสู่การเรียนรู้ของเครื่อง (machine learning)	Introduction	เรียนรู้แนวคิดพื้นฐานของการเรียนรู้ของเครื่อง	Lesson	Muhammad
02	ประวัติศาสตร์ของการเรียนรู้ของเครื่อง	Introduction	เรียนรู้ประวัติศาสตร์เบื้องหลังสาขานี้	Lesson	Jen and Amy
03	ความเป็นธรรมและการเรียนรู้ของเครื่อง	Introduction	ปัญหาทางปรัชญาสำคัญเกี่ยวกับความเป็นธรรมที่นักเรียนควรพิจารณาเมื่อสร้างและนำแบบจำลอง ML ไปใช้	Lesson	Tomomi
04	เทคนิคสำหรับการเรียนรู้ของเครื่อง	Introduction	เทคนิคที่นักวิจัย ML ใช้ในการสร้างแบบจำลอง ML มีอะไรบ้าง	Lesson	Chris and Jen
05	บทนำสู่การถดถอย (regression)	Regression	เริ่มต้นกับ Python และ Scikit-learn สำหรับแบบจำลองถดถอย	Python • R	Jen • Eric Wanjau
06	ราคาฟักทองในอเมริกาเหนือ 🎃	Regression	การแสดงผลและทำความสะอาดข้อมูลเตรียมสำหรับ ML	Python • R	Jen • Eric Wanjau
07	ราคาฟักทองในอเมริกาเหนือ 🎃	Regression	สร้างแบบจำลองถดถอยเชิงเส้นและพหุนาม	Python • R	Jen and Dmitry • Eric Wanjau
08	ราคาฟักทองในอเมริกาเหนือ 🎃	Regression	สร้างแบบจำลองถดถอยโลจิสติก	Python • R	Jen • Eric Wanjau
09	เว็บแอป 🔌	Web App	สร้างเว็บแอปเพื่อใช้แบบจำลองที่ฝึกฝน	Python	Jen
10	บทนำสู่การจัดประเภท	Classification	ทำความสะอาด เตรียมข้อมูล และแสดงข้อมูล; บทนำสู่การจัดประเภท	Python • R	Jen and Cassie • Eric Wanjau
11	อาหารอร่อยของเอเชียและอินเดีย 🍜	Classification	บทนำสู่ตัวจัดประเภท	Python • R	Jen and Cassie • Eric Wanjau
12	อาหารอร่อยของเอเชียและอินเดีย 🍜	Classification	ตัวจัดประเภทเพิ่มเติม	Python • R	Jen and Cassie • Eric Wanjau
13	อาหารอร่อยของเอเชียและอินเดีย 🍜	Classification	สร้างเว็บแอปแนะนำโดยใช้แบบจำลองของคุณ	Python	Jen
14	บทนำสู่การจัดกลุ่ม (clustering)	Clustering	ทำความสะอาด เตรียม และแสดงข้อมูล; บทนำสู่การจัดกลุ่ม	Python • R	Jen • Eric Wanjau
15	สำรวจรสนิยมทางดนตรีของไนจีเรีย 🎧	Clustering	สำรวจวิธีการจัดกลุ่มด้วย K-Means	Python • R	Jen • Eric Wanjau
16	บทนำสู่การประมวลผลภาษาธรรมชาติ ☕️	Natural language processing	เรียนรู้พื้นฐานเกี่ยวกับ NLP โดยสร้างบอทง่ายๆ	Python	Stephen
17	งาน NLP ที่พบบ่อย ☕️	Natural language processing	เพิ่มพูนความรู้เกี่ยวกับ NLP โดยเข้าใจงานทั่วไปที่จำเป็นเมื่อจัดการกับโครงสร้างภาษา	Python	Stephen
18	การแปลและการวิเคราะห์อารมณ์ ♥️	Natural language processing	การแปลและวิเคราะห์อารมณ์ด้วย Jane Austen	Python	Stephen
19	โรงแรมโรแมนติกในยุโรป ♥️	Natural language processing	วิเคราะห์อารมณ์กับรีวิวโรงแรม 1	Python	Stephen
20	โรงแรมโรแมนติกในยุโรป ♥️	Natural language processing	วิเคราะห์อารมณ์กับรีวิวโรงแรม 2	Python	Stephen
21	บทนำสู่การพยากรณ์แบบอนุกรมเวลา	Time series	บทนำสู่การพยากรณ์แบบอนุกรมเวลา	Python	Francesca
22	⚡️ การใช้พลังงานทั่วโลก ⚡️ - การพยากรณ์แบบอนุกรมเวลาด้วย ARIMA	Time series	การพยากรณ์แบบอนุกรมเวลาด้วย ARIMA	Python	Francesca
23	⚡️ การใช้พลังงานทั่วโลก ⚡️ - การพยากรณ์แบบอนุกรมเวลาด้วย SVR	Time series	การพยากรณ์แบบอนุกรมเวลาด้วยการถดถอยโครงสร้างเวกเตอร์สนับสนุน (Support Vector Regressor)	Python	Anirban
24	บทนำสู่การเรียนรู้แบบเสริมแรง	Reinforcement learning	บทนำสู่การเรียนรู้แบบเสริมแรงด้วย Q-Learning	Python	Dmitry
25	ช่วย Peter หลีกเลี่ยงหมาป่า! 🐺	Reinforcement learning	กิมเกมสำหรับการเรียนรู้แบบเสริมแรง	Python	Dmitry
บทส่งท้าย	กรณีศึกษาและแอปพลิเคชัน ML ในโลกความจริง	ML in the Wild	แอปพลิเคชันที่น่าสนใจและเปิดเผยของ ML แบบคลาสสิกในโลกความจริง	Lesson	ทีม
บทส่งท้าย	การแก้ไขปัญหาแบบจำลองใน ML ด้วยแดชบอร์ด RAI	ML in the Wild	การแก้ไขปัญหาแบบจำลองใน Machine Learning โดยใช้ส่วนประกอบแดชบอร์ด Responsible AI	Lesson	Ruth Yakubu

ค้นหาแหล่งข้อมูลเพิ่มเติมสำหรับหลักสูตรนี้ได้ในคอลเลกชัน Microsoft Learn ของเรา

เข้าถึงแบบออฟไลน์

คุณสามารถรันเอกสารนี้แบบออฟไลน์โดยใช้ Docsify. ให้โคลนที่เก็บนี้, ติดตั้ง Docsify บนเครื่องของคุณ จากนั้นในโฟลเดอร์รากของที่เก็บนี้ ให้พิมพ์ docsify serve. เว็บไซต์จะเปิดให้บริการบนพอร์ต 3000 ที่ localhost ของคุณ: localhost:3000.

ไฟล์ PDF

ดาวน์โหลดไฟล์ pdf ของหลักสูตรพร้อมลิงก์ ที่นี่.

🎒 หลักสูตรอื่นๆ

ทีมของเราผลิตหลักสูตรอื่นๆ ด้วย! เช็คดูได้ที่:

LangChain

Azure / Edge / MCP / Agents

---

Generative AI Series

---

การเรียนรู้หลัก

---

ชุดเรื่อง Copilot

การขอความช่วยเหลือ

หากคุณติดขัดหรือมีคำถามใดๆ เกี่ยวกับการสร้างแอป AI เข้าร่วมกับผู้เรียนและนักพัฒนาที่มีประสบการณ์ในการอภิปรายเกี่ยวกับ MCP ชุมชนที่สนับสนุนซึ่งยินดีต้อนรับคำถามและแบ่งปันความรู้กันอย่างเสรี

หากคุณมีคำติชมเกี่ยวกับผลิตภัณฑ์หรือพบข้อผิดพลาดขณะสร้าง เข้าเยี่ยมชม:

เคล็ดลับการเรียนรู้เพิ่มเติม

• ทบทวนสมุดบันทึกหลังแต่ละบทเรียนเพื่อความเข้าใจที่ดีขึ้น
• ฝึกฝนการนำอัลกอริธึมไปใช้ด้วยตนเอง
• สำรวจชุดข้อมูลจริงโดยใช้แนวคิดที่ได้เรียนรู้มา

---

ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษาอัตโนมัติ Co-op Translator แม้เราจะพยายามให้มีความถูกต้องสูงสุด แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่แม่นยำ เอกสารต้นฉบับในภาษาต้นทางควรถูกพิจารณาเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่มีความสำคัญ ขอแนะนำให้ใช้บริการแปลโดยมืออาชีพ เราจะไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้