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 Hàn | Tiếng Litva | Tiếng Mã Lai | Tiếng Malayalam | Tiếng Marathi | Tiếng Nepal | Tiếng Niger Pidgin | Tiếng Na Uy | Tiếng Ba Tư (Farsi) | Tiếng Ba Lan | Tiếng Bồ Đào Nha (Brazil) | Tiếng Bồ Đào Nha (Bồ Đào Nha) | Tiếng Punjab (Gurmukhi) | Tiếng Romania | 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 kích thước tải xuống. Để sao chép mà không có bản dịch, 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 bạn cần để hoàn thành khóa học với tốc độ tải xuống nhanh hơn nhiều.
Chúng tôi có một chuỗi học cùng AI trên Discord, tìm hiểu thêm và tham gia chúng tôi tại Chuỗi Học cùng AI từ 18 - 30 tháng 9, 2025. Bạn sẽ nhận được những 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 nền văn hóa thế giới 🌍
Nhóm Cloud Advocates tại Microsoft vui mừng giới thiệu chương trình đào tạo 12 tuần, 26 bài học về Máy học. Trong chương trình này, bạn sẽ học về cái gọi là máy học cổ điển, chủ yếu sử dụng thư viện Scikit-learn và tránh học sâu, được trình bày trong chương trình AI cho Người mới bắt đầu của chúng tôi. Kết hợp những bài học này với chương trình 'Khoa học Dữ liệu cho Người mới bắt đầu' của chúng tôi nữa nhé!
Hãy đồng hành cùng chúng tôi vòng quanh thế giới khi ứng dụng các kỹ thuật cổ điển này vào dữ liệu từ nhiều khu vực trên thế giới. Mỗi bài học bao gồm các bài kiểm tra trước và sau bài học, hướng dẫn viết để hoàn thành bài học, một giải pháp, bài tập, và hơn thế nữa. Phương pháp học 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 'đọng lại'.
✍️ Xin gửi lời cảm ơn chân thành tới 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
🙏 Lời cảm ơn đặc biệt 🙏 tới các đại sứ sinh viên Microsoft là tác giả, người đánh giá và đóng góp nội dung, 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 các đại sứ sinh viên Microsoft Eric Wanjau, Jasleen Sondhi và Vidushi Gupta cho các bài học R của chúng tôi!
Thực hiện theo các bước sau:
- Gọi nhánh fork kho lưu trữ: Nhấn nút "Fork" ở góc trên bên phải của 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? Xem Hướng dẫn Khắc phục sự cố của chúng tôi để có giải pháp cho các vấn đề phổ biến về cài đặt, thiết lập và chạy bài học.
Học sinh, để sử dụng chương trình đào tạo này, hãy fork toàn bộ kho vào tài khoản GitHub của bạn và hoàn thành các bài tập một mình hoặc theo nhóm:
- Bắt đầu với bài kiểm tra khởi động trước giờ học.
- Đọc bài giảng và hoàn thành các hoạt động, dừng lại và suy ngẫm ở mỗi bài kiểm tra kiến thức.
- Cố gắng tự tạo các dự án bằng cách hiểu bài học thay vì chạy mã giải pháp; tuy nhiên mã đó có sẵn trong thư mục
/solutionở mỗi bài học theo dự án. - Làm bài kiểm tra sau giờ học.
- Hoàn thành thử thách.
- Hoàn thành bài tập.
- Sau khi hoàn thành một nhóm bài học, hãy truy cập Bảng Thảo luận và "học to" bằng cách điền vào rubric PAT phù hợp. 'PAT' là Công cụ Đánh giá Tiến độ, một rubric bạn điền để tiến bộ hơn trong học tập. Bạn cũng có thể phản ứng với các PAT khác để chúng ta cùng học.
Để nghiên cứu sâu hơn, chúng tôi khuyên bạn theo dõi các mô-đun và lộ trình học tập Microsoft Learn.
Giáo viên, chúng tôi đã bao gồm một số gợi ý về cách sử dụng chương trình đào tạo này.
Một số bài học có dưới dạng video ngắn. Bạn có thể tìm tất cả các video này ngay trong bài học hoặc trên danh sách phát ML cho Người mới bắt đầu trên kênh YouTube Microsoft Developer bằng cách nhấp vào hình bên dưới.
Gif bởi Mohit Jaisal
🎥 Nhấn hình trên để xem video về dự án và những người tạo ra nó!
Chúng tôi đã chọn hai nguyên tắc sư phạm khi xây dựng chương trình này: đảm bảo nó là dựa trên dự án thực hành và có bài kiểm tra thường xuyên. Ngoài ra, chương trình 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 sẽ hấp dẫn hơn với học sinh và giúp tăng khả năng ghi nhớ khái niệm. Thêm vào đó, một bài kiểm tra nhẹ trước lớp định hướng sự chú ý của học sinh vào chủ đề cần học, trong khi một bài kiểm tra thứ hai sau lớp củng cố kiến thức. Chương trình này được thiết kế linh hoạt và vui nhộn, có thể làm toàn bộ hoặc từng phần. Các dự án bắt đầu nhỏ và trở nên phức tạp hơn theo từng tuần trong chu kỳ 12 tuần. Chương trình còn có phần phụ lục về ứng dụng thực tế của ML, có thể dùng làm điểm cộng thêm hoặc để thảo luận.
Tìm các hướng dẫn của chúng tôi về Quy tắc ứng xử, Đóng góp, Dịch thuật, và Khắc phục sự cố. Chúng tôi hoan nghênh phản hồi xây dựng của bạn!
- sketchnote tuỳ chọn
- video bổ sung tuỳ chọn
- video hướng dẫn (chỉ một số bài)
- bài kiểm tra làm nóng trước giờ học
- bài học viết
- đối với bài học dự án, hướng dẫn từng bước xây dựng dự án
- các bài kiểm tra kiến thức
- thử thách
- tài liệu đọc thêm
- bài tập
- bài kiểm tra sau giờ học
Ghi chú về ngôn ngữ: Các bài học này chủ yếu được viết bằng Python, nhưng nhiều bài cũng có sẵn bằng R. Để hoàn thành một bài học R, hãy vào thư mục
/solutionvà tìm các bài học bằng R. Chúng bao gồm phần mở rộng .rmd đại diện cho một tập tin R Markdown có thể được định nghĩa đơn giản là nhúng cácđoạn mã(bằng R hoặc các ngôn ngữ khác) và mộtđầu đề YAML(hướng dẫn cách định dạng kết quả đầu ra như PDF) trong mộttài liệu Markdown. Vì vậy, nó phục vụ như một khung tác giả mẫu cho khoa học dữ liệu vì nó cho phép bạn kết hợp mã của mình, kết quả của mã, 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 thành các định dạng đầu ra như PDF, HTML hoặc Word.
Ghi chú về các bài kiểm tra: Tất cả các bài kiểm tra được chứa trong thư mục Ứng dụng Kiểm tra, có tổng cộng 52 bài kiểm tra với mỗi bài 3 câu hỏi. Chúng được liên kết từ bên trong các bài học nhưng ứng dụng kiểm tra có thể chạy cục bộ; làm theo hướng dẫn trong thư mục
quiz-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 | 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 xung quanh công bằng mà học viên nên cân nhắc khi xây dựng và áp dụng mô hình ML? | Bài học | Tomomi |
| 04 | Các kỹ thuật trong học máy | Giới thiệu | Các kỹ thuật mà các nhà nghiên cứu ML sử dụng để xây dựng mô hình ML là gì? | 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 đỏ Bắc Mỹ 🎃 | Hồi quy | Trực quan hóa và làm sạch dữ liệu chuẩn bị cho học máy | Python • R | Jen • Eric Wanjau |
| 07 | Giá bí đỏ Bắc Mỹ 🎃 | Hồi quy | Xây dựng mô hình hồi quy tuyến tính và đa thức | Python • R | Jen và Dmitry • Eric Wanjau |
| 08 | Giá bí đỏ Bắc Mỹ 🎃 | Hồi quy | Xây dựng mô hình hồi quy logistic | Python • R | Jen • Eric Wanjau |
| 09 | Ứng dụng Web 🔌 | Ứng dụng Web | Xây dựng một ứng dụng web để sử dụng mô hình bạn 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 về phân loại | Python • R | Jen và Cassie • Eric Wanjau |
| 11 | Ẩm thực ngon lành châu Á và Ấn Độ 🍜 | Phân loại | Giới thiệu về các bộ phân loại | Python • R | Jen và Cassie • Eric Wanjau |
| 12 | Ẩm thực ngon lành châu Á và Ấn Độ 🍜 | Phân loại | Thêm nhiều bộ phân loại | Python • R | Jen và Cassie • Eric Wanjau |
| 13 | Ẩm thực ngon lành châu Á và Ấn Độ 🍜 | Phân loại | Xây dựng một ứng dụng web gợi ý bằng 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 kiến thức cơ bản về NLP bằng cách xây dựng một bot đơn giản | Python | Stephen |
| 17 | Các nhiệm vụ phổ biến trong NLP ☕️ | Xử lý ngôn ngữ tự nhiên | Nâng cao kiến thức NLP bằng cách hiểu các nhiệm vụ phổ biến cần xử lý cấu trúc ngôn ngữ | Python | Stephen |
| 18 | Dịch thuật và phân tích cảm xúc |
Xử lý ngôn ngữ tự nhiên | Dịch thuật 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 dự báo chuỗi thời gian | Python | Francesca |
| 22 | ⚡️ Sử dụng điện toàn cầu ⚡️ - dự báo chuỗi thời gian ARIMA | Chuỗi thời gian | Dự báo chuỗi thời gian với ARIMA | Python | Francesca |
| 23 | ⚡️ Sử dụng điện toàn cầu ⚡️ - dự báo chuỗi thời gian SVR | Chuỗi thời gian | Dự báo chuỗi thời gian với Hồi quy Vector Hỗ trợ | Python | Anirban |
| 24 | Giới thiệu học tăng cường | Học tăng cường | Giới thiệu học tăng cường với Q-Learning | Python | Dmitry |
| 25 | Giúp Peter tránh sói! 🐺 | Học tăng cường | Phòng tập học tăng cường Gym | Python | Dmitry |
| Hậu ký | Các tình huống và ứng dụng ML thực tế | ML ngoài đời | Các ứng dụng thực tế thú vị và tiết lộ của học máy cổ điển | Bài học | Nhóm |
| Hậu ký | Gỡ lỗi mô hình trong ML sử dụng bảng điều khiển RAI | ML ngoài đời | Gỡ lỗi mô hình trong Machine Learning 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 ngoại tuyến bằng cách sử dụng Docsify. Fork repo này, cài đặt Docsify trên máy tính của bạn, sau đó trong thư mục gốc của repo này, gõ docsify serve. Trang web sẽ được phục vụ trên cổng 3000 tại localhost của bạn: localhost:3000.
Tìm tài liệu pdf của chương trình học với các liên kết ở đây.
Đội ngũ của chúng tôi 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 bất kỳ câu hỏi nào về việc xây dựng ứng dụng AI. Hãy tham gia cùng những người học và các nhà phát triển có kinh nghiệm trong các cuộc thảo luận về MCP. Đây là cộng đồng hỗ trợ nơi các câu hỏi được chào đón và kiến thức được chia sẻ một cách tự do.
Nếu bạn có phản hồi về sản phẩm hoặc phát hiện lỗi trong quá trình xây dựng, hãy truy cập:
- Xem lại sổ tay sau mỗi bài học để hiểu rõ hơn.
- Thực hành triển khai các thuật toán một cách độc lập.
- Khám phá các bộ dữ liệu thực tế bằng cách sử dụng các khái niệm đã học.
Tuyên bố miễn trừ 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 gốc nên được coi là nguồn chính xác và có thẩm quyền. Đối với thông tin quan trọng, nên sử dụng dịch vụ dịch thuật chuyên nghiệp của con người. Chúng tôi không chịu trách nhiệm cho bất kỳ sự hiểu nhầm hoặc diễn giải sai nào phát sinh từ việc sử dụng bản dịch này.