Tiếng Ả Rập | Tiếng Bengali | Tiếng Bungari | Tiếng Myanmar (Miến Điện) | 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 Hàn Quốc | Tiếng Lithuania | Tiếng Mã Lai | Tiếng Malayalam | Tiếng Marathi | Tiếng Nepali | 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 Romania | Tiếng Nga | Tiếng Serbia (Chữ Cyrillic) | Tiếng Slovak | 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
Ưu tiên Sao chép cục bộ?
Kho lưu trữ này bao gồm hơn 50 bản dịch ngôn ngữ làm tăng đáng kể kích thước 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 giúp bạn có mọi thứ cần thiết để hoàn thành khóa học với tốc độ tải xuống nhanh hơn nhiều.
Chúng tôi có một chuỗi học với AI trên Discord đang diễn ra, tìm hiểu thêm và tham gia chúng tôi tại Learn with AI Series từ ngày 18 - 30 tháng 9, 2025. Bạn sẽ nhận được các 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 qua các nền văn hóa thế giới 🌍
Những Người Ủng hộ Đám mây tại Microsoft vui mừng giới thiệu chương trình giảng dạy 12 tuần, 26 bài học xoay quanh Máy học. Trong chương trình này, bạn sẽ học về cái được đôi khi gọi là máy học cổ điển, chủ yếu sử dụng thư viện Scikit-learn và tránh học sâu, điều này được đề cập trong chương trình AI cho Người mới bắt đầu của chúng tôi. Kết hợp các bài học này với chương trình 'Khoa học dữ liệu cho Người mới bắt đầu' của chúng tôi nữa nhé!
Hãy cùng chúng tôi du lịch vòng quanh thế giới khi áp dụng các kỹ thuật cổ điển này vào dữ liệu từ nhiều khu vực trên thế giới. Mỗi bài học gồm có câu đố trước và sau bài học, hướng dẫn viết để hoàn thành bài học, giải pháp, bài tập về nhà, và nhiều hơn nữa. Phương pháp học dựa trên dự án giúp bạn học trong quá trình xây dựng, một cách đã được chứng minh giúp kỹ năng mới được 'được ghi nhớ'.
✍️ Xin cảm ơn chân thành tới các tác giả của chúng tôi 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 của chúng tôi Tomomi Imura, Dasani Madipalli, và Jen Looper
🙏 Cảm ơn đặc biệt 🙏 các tác giả, người đánh giá và cộng tác nội dung Đại sứ Sinh viên Microsoft của chúng tôi, đặc biệt là Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, và Snigdha Agarwal
🤩 Cảm ơn thêm tới Đại sứ Sinh viên Microsoft Eric Wanjau, Jasleen Sondhi, và Vidushi Gupta cho các bài học R của chúng tôi!
Thực hiện các bước sau:
- Fork kho lưu trữ: Nhấn nút "Fork" ở góc trên bên phải trang này.
- Sao chép 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 trợ giúp? Kiểm tra Hướng dẫn Khắc phục Sự cố của chúng tôi để tìm giải pháp cho các vấn đề phổ biến khi cài đặt, thiết lập và chạy bài học.
Học sinh, để sử dụng chương trình giảng dạy này, hãy fork toàn bộ kho lưu trữ sang tài khoản GitHub của riêng bạn và hoàn thành các bài tập một mình hoặc theo nhóm:
- Bắt đầu với câu đố khởi động trước bài giảng.
- Đọc bài giảng và hoàn thành các hoạt động, tạm dừng và suy ngẫm tại mỗi kiểm tra kiến thức.
- Cố gắng tạo các dự án bằng cách hiểu bài học thay vì chạy mã giải pháp; tuy nhiên mã đó có sẵn trong thư mục
/solutiontrong mỗi bài học dựa trên dự án. - Làm câu đố 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 tập công khai" bằng cách điền vào bảng đánh giá PAT thích hợp. 'PAT' là Công cụ Đánh giá Tiến trình mà bạn điền để phát triển việc học của mình. Bạn cũng có thể phản ứng với các PAT khác để chúng ta cùng học hỏi.
Để học thêm, chúng tôi khuyến nghị theo dõi các mô-đun và lộ trình học Microsoft Learn này.
Giáo viên, chúng tôi đã bao gồm một số gợi ý về cách sử dụng chương trình giảng dạy này.
Một số bài học có sẵn dưới dạng video ngắn. Bạn có thể tìm tất cả những video này ngay trong bài học, hoặc trên danh sách phát ML for Beginners trên kênh YouTube Microsoft Developer bằng cách nhấn vào hình dưới đây.
Gif bởi Mohit Jaisal
🎥 Nhấn vào hình ảnh trên để xem video về dự án và những người tạo ra nó!
Chúng tôi đã chọn hai nguyên tắc giáo dục khi xây dựng chương trình này: đảm bảo nó là dự án thực hành và bao gồm câu đố thường xuyên. Ngoài ra, chương trình này có một chủ đề chung để tạo sự liên kết.
Bằng cách đảm bảo nội dung phù hợp với các dự án, quá trình học trở nên hấp dẫn hơn với học sinh và việc ghi nhớ kiến thức sẽ được tăng cường. Ngoài ra, một câu đố nhẹ nhàng trước lớp tạo thiên hướng học tập cho học viên về chủ đề, trong khi câu đố thứ hai sau lớp đảm bảo việc lưu giữ kiến thức lâu hơn. Chương trình này được thiết kế linh hoạt và thú vị và có thể học toàn bộ hoặc từng phần. Các dự án bắt đầu nhỏ và trở nên phức tạp hơn dần cho tới cuối chu kỳ 12 tuần. Chương trình cũng có phần hậu ký về ứng dụng thực tiễn của ML, có thể dùng làm điểm cộng hoặc cơ sở cho thảo luận.
Tìm các hướng dẫn Quy tắc ứng xử, Đóng góp, Bản dịch, và Khắc phục sự cố của chúng tôi. Chúng tôi hoan nghênh phản hồi xây dựng của bạn!
- bản phác thảo có thể chọn
- video bổ sung tùy chọn
- video hướng dẫn (một số bài học)
- câu đố làm nóng trước bài giảng
- bài học viết
- đối với các bài học dự án, hướng dẫn từng bước xây dựng dự án
- kiểm tra kiến thức
- một thử thách
- đọc bổ sung
- bài tập
- câu đố sau bài giảng
Lưu ý về ngôn ngữ: Các bài học này chủ yếu viết bằng Python, nhưng nhiều bài cũng có sẵn bằng R. Để hoàn thành bài học R, hãy vào thư mục
/solutionvà tìm các bài học R. Chúng có phần mở rộng .rmd đại diện cho tệp R Markdown có thể được định nghĩa đơn giản là nhúng cácđoạn mã(của R hoặc ngôn ngữ khác) vàđầu đề YAML(hướng dẫn cách định dạng đầu ra như PDF) trong một tài liệuMarkdown. Vì vậy, nó là một khung viết mẫu mực cho khoa học dữ liệu vì nó cho phép bạn kết hợp mã, đầu ra và suy nghĩ của mình bằng cách viết chúng trên Markdown. Hơn nữa, tài liệu R Markdown có thể được chuyển đổi sang các định dạng đầu ra như PDF, HTML hoặc Word. Lưu ý về các bài kiểm tra: Tất cả các bài kiểm tra đều nằm trong thư mục Quiz App, tổng cộng 52 bài kiểm tra, mỗi bài gồm ba câu hỏi. Chúng được liên kết từ trong các bài học nhưng ứng dụng kiểm tra có thể chạy cục bộ; làm theo hướng dẫn trong thư mụcquiz-appđể lưu trữ hoặc triển khai trên 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 | Học 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 | Các vấn đề triết học quan trọng về công bằng mà học viên nên cân nhắc 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 để 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 mô hình hồi quy logistic | Python • R | Jen • Eric Wanjau |
| 09 | Ứng dụng Web 🔌 | Web App | Xây dựng ứng dụng web sử dụng mô hình đã huấn luyện | Python | Jen |
| 10 | Giới thiệu về phân loại | Phân loại | Làm sạch, chuẩn bị, và trực quan hóa dữ liệu; giới thiệu phân loại | Python • R | Jen và Cassie • Eric Wanjau |
| 11 | Ẩm thực ngon của châu Á và Ấn Độ 🍜 | Phân loại | Giới thiệu về bộ phân loại | Python • R | Jen và Cassie • Eric Wanjau |
| 12 | Ẩm thực ngon của châu Á và Ấn Độ 🍜 | Phân loại | Thêm các bộ phân loại | Python • R | Jen và Cassie • Eric Wanjau |
| 13 | Ẩm thực ngon của châu Á và Ấn Độ 🍜 | Phân loại | Xây dựng ứng dụng web đề xuất 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 thị hiếu 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 | Học cơ bản về NLP bằng cách xây dựng một bot đơn giản | Python | Stephen |
| 17 | Các nhiệm vụ NLP phổ biến ☕️ | Xử lý ngôn ngữ tự nhiên | Nâng cao kiến thức NLP bằng việc hiểu các nhiệm vụ phổ biến khi xử lý cấu trúc ngôn ngữ | Python | Stephen |
| 18 | Dịch thuật và phân tích cảm xúc |
Xử lý ngôn ngữ tự nhiên | Dịch và phân tích cảm xúc với Jane Austen | Python | Stephen |
| 19 | Khách sạn lãng mạn ở Châu Âu |
Xử lý ngôn ngữ tự nhiên | Phân tích cảm xúc với đánh giá khách sạn 1 | Python | Stephen |
| 20 | Khách sạn lãng mạn ở Châu Âu |
Xử lý ngôn ngữ tự nhiên | Phân tích cảm xúc với đánh giá khách sạn 2 | Python | Stephen |
| 21 | Giới thiệu dự báo chuỗi thời gian | Chuỗi thời gian | Giới thiệu về dự báo chuỗi thời gian | Python | Francesca |
| 22 | ⚡️ Thống kê sử dụng điện toàn cầu ⚡️ - dự báo chuỗi ARIMA | Chuỗi thời gian | Dự báo chuỗi thời gian với ARIMA | Python | Francesca |
| 23 | ⚡️ Thống kê sử dụng điện toàn cầu ⚡️ - dự báo chuỗi SVR | Chuỗi thời gian | Dự báo chuỗi thời gian với Bộ hồi quy vector hỗ trợ | Python | Anirban |
| 24 | Giới thiệu về học củng cố | Học củng cố | Giới thiệu học củng cố với Q-Learning | Python | Dmitry |
| 25 | Giúp Peter tránh con sói! 🐺 | Học củng cố | Học củng cố với Gym | Python | Dmitry |
| Tái bút | Các kịch bản và ứng dụng thực tế của ML | ML trong thực tế | Các ứng dụng thú vị và nổi bật trong thực tế của ML cổ điển | Bài học | Nhóm |
| Tái bút | Gỡ lỗi mô hình ML với bảng điều khiển RAI | ML trong thực tế | Gỡ lỗi mô hình trong Machine Learning với 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 ngoại tuyến bằng cách sử dụng Docsify. Sao chép repo này, cài đặt Docsify trên máy cục bộ của bạn, rồi trong thư mục gốc của repo này, gõ docsify serve. Trang web sẽ được phục vụ trên cổng 3000 trên localhost của bạn: localhost:3000.
Tìm file pdf của giáo trình có lỗi liên kết ở đây.
Đội ngũ 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 gặp khó khăn hoặc có bất kỳ câu hỏi nào về việc xây dựng ứng dụng AI. Hãy tham gia cùng các học viên và nhà phát triển giàu kinh nghiệm trong các cuộc thảo luận về MCP. Đây là một cộng đồng hỗ trợ, nơi các câu hỏi được chào đón và kiến thức được chia sẻ tự do.
Nếu bạn có phản hồi về sản phẩm hoặc lỗi trong quá trình xây dựng, hãy truy cập:
- Xem lại các sổ tay bài học sau mỗi bài học để hiểu rõ hơn.
- Luyện tập tự mình triển khai các thuật toán.
- Khám phá các tập dữ liệu thực tế bằng cách sử dụng các khái niệm đã học.
Tuyên bố từ chối trách nhiệm:
Tài liệu này đã được dịch bằng dịch vụ dịch thuật AI Co-op Translator. Mặc dù chúng tôi nỗ lực đảm bảo độ chính xác, xin lưu ý rằng bản dịch tự động có thể chứa lỗi hoặc không chính xác. Tài liệu gốc bằng ngôn ngữ gốc vẫn được coi là nguồn chính xác và đáng tin cậy. Đối với các thông tin quan trọng, nên sử dụng dịch thuật chuyên nghiệp bởi con người. Chúng tôi không chịu trách nhiệm về bất kỳ sự hiểu lầm hay sai lệch nào phát sinh từ việc sử dụng bản dịch này.