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 | Khmer | 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
Foretrækker du at klone lokalt?
Dette repository indeholder 50+ sprogoversættelser, hvilket betydeligt øger downloadstørrelsen. For at klone uden oversættelser, brug 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"Dette giver dig alt, hvad du behøver for at gennemføre kurset med en langt hurtigere download.
Vi har en Discord-serie med læring om AI i gang, lær mere og deltag hos Learn with AI Series fra 18. - 30. september 2025. Du vil få tips og tricks til brug af GitHub Copilot til Data Science.
🌍 Rejs rundt i verden, mens vi udforsker maskinlæring gennem verdens kulturer 🌍
Cloud Advocates hos Microsoft er glade for at kunne tilbyde et 12-ugers, 26-lektioners pensum udelukkende om Maskinlæring. I dette pensum lærer du om det, der undertiden kaldes klassisk maskinlæring, primært ved brug af Scikit-learn som bibliotek og uden dyb læring, som dækkes i vores AI for Beginners' pensum. Kombiner disse lektioner med vores 'Data Science for Beginners' pensum også!
Rejs med os rundt i verden, mens vi anvender disse klassiske teknikker på data fra mange områder i verden. Hver lektion indeholder quiz før og efter lektionen, skriftlige instruktioner til at gennemføre lektionen, en løsning, en opgave og mere. Vores projektbaserede pædagogik gør det muligt for dig at lære ved at bygge, en bevist metode til at fastholde nye færdigheder.
✍️ Store tak til vores forfattere Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu og Amy Boyd
🎨 Tak også til vores illustratorer Tomomi Imura, Dasani Madipalli og Jen Looper
🙏 Særlige tak 🙏 til vores Microsoft Student Ambassador-forfattere, anmeldere og indholdsbidragsydere, navnlig Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila og Snigdha Agarwal
🤩 Ekstra tak til Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi og Vidushi Gupta for vores R-lektioner!
Følg disse trin:
- Foretag en fork af repository: Klik på "Fork" knappen øverst til højre på denne side.
- Klon repository:
git clone https://github.com/microsoft/ML-For-Beginners.git
find alle yderligere ressourcer til dette kursus i vores Microsoft Learn-samling
🔧 Brug for hjælp? Se vores Fejlfinding Guide for løsninger på almindelige problemer med installation, opsætning og kørsel af lektioner.
Studerende, for at bruge dette pensum, fork hele repoet til din egen GitHub-konto og gennemfør øvelserne på egen hånd eller i grupper:
- Start med en quiz før forelæsningen.
- Læs forelæsningen og gennemfør aktiviteterne, stop op og reflekter ved hver videnskontrol.
- Prøv at skabe projekterne ved at forstå lektionerne i stedet for blot at køre løsningskoden; dog er denne kode tilgængelig i
/solutionmapperne i hver projektorienteret lektion. - Tag quizzen efter forelæsningen.
- Gennemfør udfordringen.
- Gennemfør opgaven.
- Efter gennemførelse af en lektion-gruppe, besøg Diskussionsforumet og "lær højt" ved at udfylde den relevante PAT-vurdering. En 'PAT' er et Progress Assessment Tool, som er en vurdering du udfylder for at fremme din læring. Du kan også reagere på andre PAT’er, så vi kan lære sammen.
Til yderligere studier anbefaler vi at følge disse Microsoft Learn moduler og læringsveje.
Undervisere, vi har inkluderet nogle forslag til hvordan man kan bruge dette pensum.
Nogle af lektionerne er tilgængelige som korte videoer. Du kan finde alle disse integreret i lektionerne eller på ML for Beginners playlisterne på Microsoft Developer YouTube kanalen ved at klikke på billedet nedenfor.
Gif af Mohit Jaisal
🎥 Klik på billedet ovenfor for en video om projektet og de folk, der skabte det!
Vi har valgt to pædagogiske principper, mens vi byggede dette pensum: at sikre at det er praktisk og projektbaseret, samt at inkludere hyppige quizzer. Desuden har dette pensum et fælles tema for at skabe sammenhæng.
Ved at sikre, at indholdet passer til projekter, bliver processen mere engagerende for studerende og fastholdelse af begreber forbedres. Derudover sætter en lavt indsats quiz før en klasse den studerendes intention om at lære et emne, mens en anden quiz efter klassen sikrer yderligere fastholdelse. Dette pensum er designet til at være fleksibelt og sjovt, og kan tages helt eller delvist. Projekterne starter småt og bliver mere komplekse hen mod slutningen af den 12-ugers cyklus. Dette pensum indeholder også et efterskrift om virkelige anvendelser af ML, som kan benyttes som ekstra point eller som diskussionsgrundlag.
Find vores Adfærdskodeks, Bidragsretningslinjer, Oversættelser og Fejlfinding. Vi byder velkommen til din konstruktive feedback!
- valgfri skitse-notat
- valgfri supplerende video
- video-gennemgang (kun nogle lektioner)
- quiz før forelæsning
- skriftlig lektion
- for projektbaserede lektioner, trin-for-trin vejledninger til at bygge projektet
- videnskontroller
- en udfordring
- supplerende læsning
- opgave
- quiz efter forelæsning
En note om sprog: Disse lektioner er primært skrevet i Python, men mange findes også på R. For at gennemføre en R-lektion skal du gå til
/solution-mappen og kigge efter R-lektioner. De inkluderer en .rmd-udvidelse, som repræsenterer en R Markdown-fil, der kan defineres som en indlejring afkodeblokke(af R eller andre sprog) og enYAML-header(der styrer, hvordan output såsom PDF formateres) i etMarkdown-dokument. Som sådan fungerer det som en eksemplarisk forfatterramme til datalogi, da det giver dig mulighed for at kombinere din kode, dens output og dine tanker ved at lade dig skrive dem ned i Markdown. Desuden kan R Markdown-dokumenter gengives til outputformater såsom PDF, HTML eller Word.
En note om quizzer: Alle quizzer findes i Quiz App-mappen, i alt 52 quizzer med tre spørgsmål hver. De er linket fra lektionerne, men quizappen kan køre lokalt; følg instruktionerne i
quiz-app-mappen for at hoste lokalt eller implementere til Azure.
| Lesson Number | Topic | Lesson Grouping | Learning Objectives | Linked Lesson | Author |
|---|---|---|---|---|---|
| 01 | Introduktion til maskinlæring | Introduction | Lær de grundlæggende begreber bag maskinlæring | Lesson | Muhammad |
| 02 | Maskinlæringens historie | Introduction | Lær historien bag dette felt | Lesson | Jen and Amy |
| 03 | Retfærdighed og maskinlæring | Introduction | Hvad er de vigtige filosofiske spørgsmål om retfærdighed, som elever bør overveje, når de bygger og anvender ML-modeller? | Lesson | Tomomi |
| 04 | Teknikker til maskinlæring | Introduction | Hvilke teknikker bruger ML-forskere til at bygge ML-modeller? | Lesson | Chris and Jen |
| 05 | Introduktion til regression | Regression | Kom i gang med Python og Scikit-learn til regressionsmodeller | Python • R | Jen • Eric Wanjau |
| 06 | Nordamerikanske græskarpriser 🎃 | Regression | Visualiser og rengør data som forberedelse til ML | Python • R | Jen • Eric Wanjau |
| 07 | Nordamerikanske græskarpriser 🎃 | Regression | Byg lineære og polynomiske regressionsmodeller | Python • R | Jen and Dmitry • Eric Wanjau |
| 08 | Nordamerikanske græskarpriser 🎃 | Regression | Byg en logistisk regressionsmodel | Python • R | Jen • Eric Wanjau |
| 09 | En Web App 🔌 | Web App | Byg en webapp til at bruge din trænede model | Python | Jen |
| 10 | Introduktion til klassificering | Classification | Rengør, forbered og visualiser dine data; introduktion til klassificering | Python • R | Jen and Cassie • Eric Wanjau |
| 11 | Lækre asiatiske og indiske køkkener 🍜 | Classification | Introduktion til klassifikatorer | Python • R | Jen and Cassie • Eric Wanjau |
| 12 | Lækre asiatiske og indiske køkkener 🍜 | Classification | Flere klassifikatorer | Python • R | Jen and Cassie • Eric Wanjau |
| 13 | Lækre asiatiske og indiske køkkener 🍜 | Classification | Byg en anbefalings-webapp ved hjælp af din model | Python | Jen |
| 14 | Introduktion til clustering | Clustering | Rengør, forbered og visualiser dine data; introduktion til clustering | Python • R | Jen • Eric Wanjau |
| 15 | Udforskning af nigerianske musiksmag 🎧 | Clustering | Udforsk K-Means clustering metoden | Python • R | Jen • Eric Wanjau |
| 16 | Introduktion til naturlig sprogbehandling ☕️ | Natural language processing | Lær det grundlæggende om NLP ved at bygge en simpel bot | Python | Stephen |
| 17 | Almindelige NLP-opgaver ☕️ | Natural language processing | Udvid din NLP-viden ved at forstå almindelige opgaver, der kræves, når man arbejder med sproglige strukturer | Python | Stephen |
| 18 | Oversættelse og sentimentanalyse |
Natural language processing | Oversættelse og sentimentanalyse med Jane Austen | Python | Stephen |
| 19 | Romantiske hoteller i Europa |
Natural language processing | Sentimentanalyse med hotelanmeldelser 1 | Python | Stephen |
| 20 | Romantiske hoteller i Europa |
Natural language processing | Sentimentanalyse med hotelanmeldelser 2 | Python | Stephen |
| 21 | Introduktion til tidsseriefremskrivning | Time series | Introduktion til tidsseriefremskrivning | Python | Francesca |
| 22 | ⚡️ Verdens strømforbrug ⚡️ - tidsseriefremskrivning med ARIMA | Time series | Tidsseriefremskrivning med ARIMA | Python | Francesca |
| 23 | ⚡️ Verdens strømforbrug ⚡️ - tidsseriefremskrivning med SVR | Time series | Tidsseriefremskrivning med Support Vector Regressor | Python | Anirban |
| 24 | Introduktion til reinforcement learning | Reinforcement learning | Introduktion til reinforcement learning med Q-Learning | Python | Dmitry |
| 25 | Hjælp Peter med at undgå ulven! 🐺 | Reinforcement learning | Reinforcement learning Gym | Python | Dmitry |
| Postscript | Virkelige ML-scenarier og applikationer | ML in the Wild | Interessante og oplysende virkelige applikationer af klassisk ML | Lesson | Team |
| Postscript | Modelafhjælpning i ML ved hjælp af RAI dashboard | ML in the Wild | Modelafhjælpning i maskinlæring ved brug af Responsible AI dashboard-komponenter | Lesson | Ruth Yakubu |
find alle yderligere ressourcer til dette kursus i vores Microsoft Learn-samling
Du kan køre denne dokumentation offline ved at bruge Docsify. Fork dette repo, installer Docsify på din lokale maskine, og i rodmappen til dette repo, skriv docsify serve. Websitet vil blive serveret på port 3000 på din localhost: localhost:3000.
Find en pdf af læseplanen med links her.
Vores team producerer også andre kurser! Se:
-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}
Hvis du sidder fast eller har spørgsmål om at bygge AI-apps. Deltag sammen med andre elever og erfarne udviklere i diskussioner om MCP. Det er et støttende fællesskab, hvor spørgsmål er velkomne, og viden deles frit.
Hvis du har produktfeedback eller oplever fejl under udvikling, besøg:
- Gennemgå notebooks efter hver lektion for bedre forståelse.
- Øv dig i at implementere algoritmer på egen hånd.
- Udforsk virkelige datasæt ved brug af lærte koncepter.
Ansvarsfraskrivelse: Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten Co-op Translator. Selvom vi stræber efter nøjagtighed, bedes du være opmærksom på, at automatiske oversættelser kan indeholde fejl eller unøjagtigheder. Det oprindelige dokument på dets modersmål bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi er ikke ansvarlige for eventuelle misforståelser eller fejltolkninger, der opstår som følge af brugen af denne oversættelse.