ML For Beginners
1.0.0
- เดินทางรอบโลกในขณะที่เราสำรวจ Machine Learning ผ่านวัฒนธรรมโลก ?
Cloud Advocates ที่ Microsoft มีความยินดีที่จะเสนอหลักสูตร 12 สัปดาห์ 26 บทเรียนเกี่ยวกับ Machine Learning ในหลักสูตรนี้ คุณจะได้เรียนรู้เกี่ยวกับสิ่งที่บางครั้งเรียกว่า การเรียนรู้ของเครื่องแบบคลาสสิก โดยใช้ Scikit-learn เป็นหลักเป็นห้องสมุด และหลีกเลี่ยงการเรียนรู้เชิงลึก ซึ่งครอบคลุมอยู่ในหลักสูตร AI สำหรับผู้เริ่มต้นของเรา จับคู่บทเรียนเหล่านี้กับหลักสูตร 'วิทยาศาสตร์ข้อมูลสำหรับผู้เริ่มต้น' ของเราเช่นกัน!
เดินทางไปกับเราทั่วโลกในขณะที่เราใช้เทคนิคคลาสสิกเหล่านี้กับข้อมูลจากหลายพื้นที่ของโลก แต่ละบทเรียนประกอบด้วยแบบทดสอบก่อนและหลังบทเรียน คำแนะนำที่เป็นลายลักษณ์อักษรในการทำบทเรียนให้จบ วิธีแก้ไขปัญหา งานที่ได้รับมอบหมาย และอื่นๆ การสอนตามโครงงานของเราช่วยให้คุณเรียนรู้ในขณะที่สร้าง ซึ่งเป็นวิธีที่พิสูจน์แล้วว่าทักษะใหม่ ๆ ที่จะ 'ยึดติด'
✍️ขอขอบคุณผู้เขียนของเราอย่าง Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu และ Amy Boyd
- ขอขอบคุณนักวาดภาพประกอบของเรา Tomomi Imura, Dasani Madipalli และ Jen Looper
ขอขอบคุณเป็นพิเศษสำหรับผู้เขียน ผู้ตรวจสอบ และผู้สนับสนุนเนื้อหาจาก Microsoft Student Ambassador โดยเฉพาะ Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila และ Snigdha Agarwal
- ขอขอบคุณเป็นพิเศษต่อ Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi และ Vidushi Gupta สำหรับบทเรียน R ของเรา!
ทำตามขั้นตอนเหล่านี้:
git clone https://github.com/microsoft/ML-For-Beginners.gitค้นหาแหล่งข้อมูลเพิ่มเติมทั้งหมดสำหรับหลักสูตรนี้ในคอลเลกชัน Microsoft Learn ของเรา
นักเรียน เพื่อใช้หลักสูตรนี้ ให้แยก repo ทั้งหมดไปยังบัญชี GitHub ของคุณเอง และทำแบบฝึกหัดด้วยตนเองหรือกับกลุ่ม:
/solution ในแต่ละบทเรียนเชิงโครงงานสำหรับการศึกษาเพิ่มเติม เราขอแนะนำให้ทำตามโมดูล Microsoft Learn และเส้นทางการเรียนรู้เหล่านี้
คุณครู ทั้งหลาย เราได้รวมข้อเสนอแนะบางประการเกี่ยวกับวิธีใช้หลักสูตรนี้ไว้แล้ว
บทเรียนบางส่วนมีให้ในรูปแบบวิดีโอขนาดสั้น คุณสามารถค้นหาทั้งหมดนี้ได้ในบทเรียนหรือในเพลย์ลิสต์ ML สำหรับผู้เริ่มต้นในช่อง YouTube สำหรับนักพัฒนาซอฟต์แวร์ Microsoft โดยคลิกที่ภาพด้านล่าง
GIF โดย โมหิต ไจซาล
- คลิกที่ภาพด้านบนเพื่อดูวิดีโอเกี่ยวกับโครงการและผู้สร้างโครงการ!
เราได้เลือกหลักคำสอนสองข้อในขณะที่สร้างหลักสูตรนี้: ตรวจสอบให้แน่ใจว่าเป็น โครงการที่ ลงมือปฏิบัติจริงและมี แบบทดสอบบ่อยๆ นอกจากนี้ หลักสูตรนี้มี เนื้อหา ร่วมกันเพื่อให้เกิดความสอดคล้องกัน
ด้วยการทำให้แน่ใจว่าเนื้อหาสอดคล้องกับโครงการ กระบวนการนี้จะทำให้นักเรียนมีส่วนร่วมมากขึ้น และการเก็บรักษาแนวคิดจะเพิ่มมากขึ้น นอกจากนี้ แบบทดสอบที่มีเดิมพันต่ำก่อนชั้นเรียนจะกำหนดเป้าหมายของนักเรียนในการเรียนรู้หัวข้อต่างๆ ในขณะที่แบบทดสอบที่สองหลังเลิกเรียนจะช่วยให้มั่นใจว่านักเรียนจะยังเรียนต่อไป หลักสูตรนี้ได้รับการออกแบบให้มีความยืดหยุ่นและสนุกสนาน และสามารถเรียนทั้งหมดหรือบางส่วนก็ได้ โครงการเริ่มต้นจากเล็กๆ และมีความซับซ้อนมากขึ้นเมื่อสิ้นสุดรอบ 12 สัปดาห์ หลักสูตรนี้ยังรวมถึงบทลงท้ายเกี่ยวกับการประยุกต์ใช้ ML ในโลกแห่งความเป็นจริง ซึ่งสามารถใช้เป็นหน่วยกิตพิเศษหรือเป็นพื้นฐานสำหรับการอภิปรายได้
ค้นหาแนวทางปฏิบัติ การสนับสนุน และการแปลของเรา เรายินดีรับข้อเสนอแนะที่สร้างสรรค์ของคุณ!
หมายเหตุเกี่ยวกับภาษา : บทเรียนเหล่านี้เขียนด้วยภาษา Python เป็นหลัก แต่ก็มีบทเรียนหลายบทให้ใช้ในภาษา R เช่นกัน หากต้องการเรียนบทเรียน R ให้สมบูรณ์ ให้ไปที่โฟลเดอร์
/solutionแล้วค้นหาบทเรียน R ประกอบด้วยส่วนขยาย .rmd ที่แสดงไฟล์ R Markdown ซึ่งสามารถกำหนดได้ง่ายๆ เป็นการฝังcode chunks(ของ R หรือภาษาอื่นๆ) และYAML header(ที่แนะนำวิธีจัดรูปแบบเอาต์พุต เช่น PDF) ในMarkdown documentด้วยเหตุนี้ จึงทำหน้าที่เป็นเฟรมเวิร์กการเขียนที่เป็นแบบอย่างสำหรับวิทยาศาสตร์ข้อมูล เนื่องจากช่วยให้คุณสามารถรวมโค้ด ผลลัพธ์ และความคิดของคุณเข้าด้วยกัน โดยอนุญาตให้คุณเขียนลงใน Markdown นอกจากนี้ เอกสาร R Markdown ยังสามารถเรนเดอร์เป็นรูปแบบเอาต์พุต เช่น PDF, HTML หรือ Word
หมายเหตุเกี่ยวกับแบบทดสอบ : แบบทดสอบทั้งหมดมีโฟลเดอร์ Quiz App รวมทั้งหมด 52 แบบ คำถามละ 3 ข้อ มีการเชื่อมโยงจากภายในบทเรียน แต่สามารถเรียกใช้แอปแบบทดสอบในเครื่องได้ ทำตามคำแนะนำในโฟลเดอร์
quiz-appเพื่อโฮสต์ภายในเครื่องหรือปรับใช้กับ Azure
| หมายเลขบทเรียน | หัวข้อ | การจัดกลุ่มบทเรียน | วัตถุประสงค์การเรียนรู้ | บทเรียนที่เชื่อมโยง | ผู้เขียน |
|---|---|---|---|---|---|
| 01 | ข้อมูลเบื้องต้นเกี่ยวกับการเรียนรู้ของเครื่อง | การแนะนำ | เรียนรู้แนวคิดพื้นฐานเบื้องหลังแมชชีนเลิร์นนิง | บทเรียน | มูฮัมหมัด |
| 02 | ประวัติความเป็นมาของการเรียนรู้ของเครื่อง | การแนะนำ | เรียนรู้ประวัติความเป็นมาของสาขานี้ | บทเรียน | เจนและเอมี่ |
| 03 | ความเป็นธรรมและการเรียนรู้ของเครื่อง | การแนะนำ | ประเด็นทางปรัชญาที่สำคัญเกี่ยวกับความยุติธรรมที่นักเรียนควรพิจารณาเมื่อสร้างและใช้โมเดล ML คืออะไร | บทเรียน | โทโมมิ |
| 04 | เทคนิคการเรียนรู้ของเครื่อง | การแนะนำ | นักวิจัย ML ใช้เทคนิคใดในการสร้างโมเดล ML | บทเรียน | คริสและเจน |
| 05 | ความรู้เบื้องต้นเกี่ยวกับการถดถอย | การถดถอย | เริ่มต้นใช้งาน Python และ Scikit-learn สำหรับโมเดลการถดถอย |
|
|
| 06 | ราคาฟักทองอเมริกาเหนือ ? | การถดถอย | แสดงภาพและล้างข้อมูลเพื่อเตรียมพร้อมสำหรับ ML |
|
|
| 07 | ราคาฟักทองอเมริกาเหนือ ? | การถดถอย | สร้างแบบจำลองการถดถอยเชิงเส้นและพหุนาม |
|
|
| 08 | ราคาฟักทองอเมริกาเหนือ ? | การถดถอย | สร้างแบบจำลองการถดถอยโลจิสติก |
|
|
| 09 | เว็บแอป ? | เว็บแอป | สร้างเว็บแอปเพื่อใช้โมเดลที่ผ่านการฝึกอบรมของคุณ | หลาม | เจน |
| 10 | ความรู้เบื้องต้นเกี่ยวกับการจำแนกประเภท | การจำแนกประเภท | ทำความสะอาด จัดเตรียม และแสดงภาพข้อมูลของคุณ ความรู้เบื้องต้นเกี่ยวกับการจำแนกประเภท |
|
|
| 11 | อาหารเอเชียและอินเดียแสนอร่อย ? | การจำแนกประเภท | รู้เบื้องต้นเกี่ยวกับลักษณนาม |
|
|
| 12 | อาหารเอเชียและอินเดียแสนอร่อย ? | การจำแนกประเภท | ตัวแยกประเภทเพิ่มเติม |
|
|
| 13 | อาหารเอเชียและอินเดียแสนอร่อย ? | การจำแนกประเภท | สร้างเว็บแอปผู้แนะนำโดยใช้โมเดลของคุณ | หลาม | เจน |
| 14 | ความรู้เบื้องต้นเกี่ยวกับการจัดกลุ่ม | การจัดกลุ่ม | ทำความสะอาด จัดเตรียม และแสดงภาพข้อมูลของคุณ ความรู้เบื้องต้นเกี่ยวกับการจัดกลุ่ม |
|
|
| 15 | สำรวจรสนิยมทางดนตรีของไนจีเรีย | การจัดกลุ่ม | สำรวจวิธีการจัดกลุ่ม K-Means |
|
|
| 16 | ความรู้เบื้องต้นเกี่ยวกับการประมวลผลภาษาธรรมชาติ ☕️ | การประมวลผลภาษาธรรมชาติ | เรียนรู้พื้นฐานเกี่ยวกับ NLP ด้วยการสร้างบอทง่ายๆ | หลาม | สตีเฟน |
| 17 | งาน NLP ทั่วไป ☕️ | การประมวลผลภาษาธรรมชาติ | เพิ่มพูนความรู้ NLP ของคุณให้ลึกซึ้งยิ่งขึ้นโดยการทำความเข้าใจงานทั่วไปที่จำเป็นเมื่อต้องจัดการกับโครงสร้างภาษา | หลาม | สตีเฟน |
| 18 | การแปลและการวิเคราะห์ความรู้สึก | การประมวลผลภาษาธรรมชาติ | การวิเคราะห์การแปลและความรู้สึกกับเจน ออสเตน | หลาม | สตีเฟน |
| 19 | โรงแรมโรแมนติกของยุโรป | การประมวลผลภาษาธรรมชาติ | การวิเคราะห์ความรู้สึกพร้อมรีวิวโรงแรม 1 | หลาม | สตีเฟน |
| 20 | โรงแรมโรแมนติกของยุโรป | การประมวลผลภาษาธรรมชาติ | การวิเคราะห์ความรู้สึกพร้อมรีวิวโรงแรม 2 | หลาม | สตีเฟน |
| 21 | ความรู้เบื้องต้นเกี่ยวกับการพยากรณ์อนุกรมเวลา | อนุกรมเวลา | ความรู้เบื้องต้นเกี่ยวกับการพยากรณ์อนุกรมเวลา | หลาม | ฟรานเชสก้า |
| 22 | ⚡️ การใช้พลังโลก ⚡️ - การพยากรณ์อนุกรมเวลาด้วย ARIMA | อนุกรมเวลา | การพยากรณ์อนุกรมเวลาด้วย ARIMA | หลาม | ฟรานเชสก้า |
| 23 | ⚡️ การใช้อำนาจของโลก ⚡️ - การพยากรณ์อนุกรมเวลาด้วย SVR | อนุกรมเวลา | การพยากรณ์อนุกรมเวลาด้วย Support Vector Regressor | หลาม | อนิรบาน |
| 24 | ความรู้เบื้องต้นเกี่ยวกับการเรียนรู้แบบเสริมกำลัง | การเรียนรู้แบบเสริมกำลัง | ความรู้เบื้องต้นเกี่ยวกับการเรียนรู้แบบเสริมกำลังด้วย Q-Learning | หลาม | มิทรี |
| 25 | ช่วยปีเตอร์หลีกเลี่ยงหมาป่า! - | การเรียนรู้แบบเสริมกำลัง | ยิมเสริมการเรียนรู้ | หลาม | มิทรี |
| คำลงท้าย | สถานการณ์และแอปพลิเคชัน ML ในโลกแห่งความเป็นจริง | ML ในป่า | แอปพลิเคชั่น ML คลาสสิคที่น่าสนใจและเปิดเผยในโลกแห่งความเป็นจริง | บทเรียน | ทีม |
| คำลงท้าย | การดีบักโมเดลใน ML โดยใช้แดชบอร์ด RAI | ML ในป่า | การดีบักโมเดลในการเรียนรู้ของเครื่องโดยใช้ส่วนประกอบแดชบอร์ด AI ที่รับผิดชอบ | บทเรียน | รูธ ยาคูบู |
ค้นหาแหล่งข้อมูลเพิ่มเติมทั้งหมดสำหรับหลักสูตรนี้ในคอลเลกชัน Microsoft Learn ของเรา
คุณสามารถเรียกใช้เอกสารนี้แบบออฟไลน์ได้โดยใช้ Docsify แยก repo นี้ ติดตั้ง Docsify บนเครื่องของคุณ จากนั้นในโฟลเดอร์รูทของ repo นี้ ให้พิมพ์ docsify serve เว็บไซต์จะให้บริการบนพอร์ต 3000 บน localhost ของคุณ: localhost:3000
ค้นหา PDF ของหลักสูตรพร้อมลิงก์ที่นี่
คุณต้องการสนับสนุนการแปลหรือไม่? โปรดอ่านหลักเกณฑ์การแปลของเราและเพิ่มเทมเพลตปัญหาเพื่อจัดการปริมาณงานที่นี่
ทีมงานของเราผลิตหลักสูตรอื่น! ตรวจสอบ:
