Arabiska | Bengali | Bulgariska | Burmese (Myanmar) | Kinesiska (förenklad) | Kinesiska (traditionell, Hongkong) | Kinesiska (traditionell, Macau) | Kinesiska (traditionell, Taiwan) | Kroatiska | Tjeckiska | Danska | Holländska | Estniska | Finska | Franska | Tyska | Grekiska | Hebreiska | Hindi | Ungerska | Indonesiska | Italienska | Japanska | Kannada | Khmer | Koreanska | Litauiska | Malay | Malayalam | Marathi | Nepali | Nigeriansk Pidgin | Norska | Persiska (Farsi) | Polska | Portugisiska (Brasilien) | Portugisiska (Portugal) | Punjabi (Gurmukhi) | Rumänska | Ryska | Serbiska (kyrilliska) | Slovakiska | Slovenska | Spanska | Swahili | Svenska | Tagalog (Filippinska) | Tamil | Telugu | Thailändska | Turkiska | Ukrainska | Urdu | Vietnamese
Föredrar du att klona lokalt?
Detta arkiv inkluderar över 50 språköversättningar vilket gör nedladdningsstorleken betydligt större. För att klona utan översättningar, använd 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"Detta ger dig allt du behöver för att genomföra kursen med en mycket snabbare nedladdning.
Vi har en Discord-serie "Learn with AI" på gång, lär dig mer och gå med oss på Learn with AI Series mellan 18 - 30 september 2025. Du får tips och tricks för att använda GitHub Copilot för Data Science.
🌍 Res runt i världen medan vi utforskar maskininlärning genom världens kulturer 🌍
Cloud Advocates på Microsoft är glada att erbjuda ett 12-veckors, 26-lektioners läroprogram helt om Maskininlärning. I detta läroprogram kommer du att lära dig vad som ibland kallas klassisk maskininlärning, där vi huvudsakligen använder Scikit-learn som bibliotek och undviker djupinlärning, som täcks i vårt AI for Beginners-läroprogram. Kombinera gärna dessa lektioner med vårt 'Data Science for Beginners'-läroprogram!
Res med oss runt världen när vi applicerar dessa klassiska tekniker på data från många delar av världen. Varje lektion innehåller quiz före och efter lektionen, skriftliga instruktioner för att slutföra lektionen, en lösning, ett uppdrag och mer. Vår projektbaserade pedagogik låter dig lära medan du bygger, ett beprövat sätt för nya färdigheter att "fästa".
✍️ Stort tack till våra författare Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu och Amy Boyd
🎨 Tack även till våra illustratörer Tomomi Imura, Dasani Madipalli och Jen Looper
🙏 Speciellt tack 🙏 till våra Microsoft Student Ambassador-författare, granskare och innehållsmedarbetare, särskilt Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila och Snigdha Agarwal
🤩 Extra tacksamhet till Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi och Vidushi Gupta för våra R-lektioner!
Följ dessa steg:
- Fork:a arkivet: Klicka på knappen "Fork" längst upp till höger på denna sida.
- Klona arkivet:
git clone https://github.com/microsoft/ML-For-Beginners.git
hitta alla ytterligare resurser för denna kurs i vår Microsoft Learn-samling
🔧 Behöver du hjälp? Kolla vår Guide för felsökning för lösningar på vanliga problem med installation, uppsättning och att köra lektioner.
Studenter, för att använda detta läroprogram, fork:a hela repo till ditt eget GitHub-konto och gör övningarna själv eller i grupp:
- Börja med ett quiz före föreläsningen.
- Läs lektionen och genomför aktiviteterna, pausa och reflektera vid varje kunskapskontroll.
- Försök skapa projekten genom att förstå lektionerna snarare än att köra lösningskoden; dock finns den koden tillgänglig i
/solution-mapparna i varje projektorienterad lektion. - Ta quizet efter föreläsningen.
- Slutför utmaningen.
- Slutför uppgiften.
- Efter att ha genomfört en lektionsgrupp, besök Diskussionsforumet och "lär högt" genom att fylla i rätt PAT-rubrik. En 'PAT' är ett Progress Assessment Tool som är en rubrik du fyller i för att fördjupa ditt lärande. Du kan också reagera på andra PAT:er så att vi kan lära oss tillsammans.
För vidare studier rekommenderar vi att följa dessa Microsoft Learn moduler och lärvägar.
Lärare, vi har inkluderat några förslag på hur detta läroprogram kan användas.
Några av lektionerna finns som korta videor. Du kan hitta alla dessa inbäddade i lektionerna eller på ML for Beginners spellistan på Microsoft Developer YouTube-kanal genom att klicka på bilden nedan.
Gif av Mohit Jaisal
🎥 Klicka på bilden ovan för en video om projektet och människorna som skapade det!
Vi har valt två pedagogiska principer när vi byggde detta läroprogram: att säkerställa att det är praktiskt projektbaserat och att det inkluderar frekventa quiz. Dessutom har detta läroprogram ett gemensamt tema för att ge sammanhang.
Genom att se till att innehållet stämmer överens med projekt görs processen mer engagerande för studenter och konceptbehållningen höjs. Dessutom sätter ett låg-risk-quiz före lektionen elevens intention mot att lära sig ett ämne, medan ett andra quiz efter lektionen säkerställer vidare behållning. Detta läroprogram är designat att vara flexibelt och roligt och kan tas helt eller delvis. Projekten börjar små och blir successivt mer komplexa mot slutet av cykeln på 12 veckor. Detta läroprogram inkluderar också en epilog om verkliga tillämpningar av ML som kan användas som extra uppgifter eller som diskussionsunderlag.
Hitta våra Uppförandekod, Bidra, Översättningar och Felsöknings riktlinjer. Vi välkomnar din konstruktiva feedback!
- valfri skissanteckning
- valfri kompletterande video
- videogenomgång (endast vissa lektioner)
- quiz före föreläsning
- skriftlig lektion
- för projektbaserade lektioner, steg-för-steg guider för hur du bygger projektet
- kunskapskontroller
- en utmaning
- kompletterande läsning
- uppgift
- quiz efter föreläsning
En notering om språk: Dessa lektioner är främst skrivna i Python, men många finns också tillgängliga i R. För att genomföra en R-lektion, gå till mappen
/solutionoch leta efter R-lektioner. De har en .rmd-förlängning som representerar en R Markdown-fil som enkelt kan definieras som en inbäddning avkodbitar(av R eller andra språk) och enYAML-header(som styr hur utdata som PDF ska formateras) i ettMarkdown-dokument. Som sådan fungerar det som en föredömlig författarram för data science eftersom det låter dig kombinera din kod, dess utdata och dina tankar genom att låta dig skriva ner dem i Markdown. Dessutom kan R Markdown-dokument renderas till utdataformat som PDF, HTML eller Word.
En notering om quiz: Alla quiz finns i Quiz App-mappen, totalt 52 quiz med tre frågor i varje. De är länkade från lektionerna men quiz-appen kan köras lokalt; följ instruktionerna i
quiz-app-mappen för att hosta lokalt eller distribuera till Azure.
| Lektion Nummer | Ämne | Lektion Grupp | Lärandemål | Länkad Lektion | Författare |
|---|---|---|---|---|---|
| 01 | Introduktion till maskininlärning | Introduction | Lär dig grundläggande koncept bakom maskininlärning | Lesson | Muhammad |
| 02 | Maskininlärningens historia | Introduction | Lär dig historien bakom detta område | Lesson | Jen och Amy |
| 03 | Rättvisa och maskininlärning | Introduction | Vilka är de viktiga filosofiska frågorna kring rättvisa som studenter bör överväga vid byggande och användning av ML-modeller? | Lesson | Tomomi |
| 04 | Tekniker för maskininlärning | Introduction | Vilka tekniker använder ML-forskare för att bygga ML-modeller? | Lesson | Chris och Jen |
| 05 | Introduktion till regression | Regression | Kom igång med Python och Scikit-learn för regressionsmodeller | Python • R | Jen • Eric Wanjau |
| 06 | Nordamerikanska pumpapriser 🎃 | Regression | Visualisera och rensa data som förberedelse för ML | Python • R | Jen • Eric Wanjau |
| 07 | Nordamerikanska pumpapriser 🎃 | Regression | Bygg linjära och polynomiska regressionsmodeller | Python • R | Jen och Dmitry • Eric Wanjau |
| 08 | Nordamerikanska pumpapriser 🎃 | Regression | Bygg en logistisk regressionsmodell | Python • R | Jen • Eric Wanjau |
| 09 | En webbapp 🔌 | Web App | Bygg en webbapp för att använda din tränade modell | Python | Jen |
| 10 | Introduktion till klassificering | Classification | Rensa, förbered och visualisera din data; introduktion till klassificering | Python • R | Jen och Cassie • Eric Wanjau |
| 11 | Utsökta asiatiska och indiska kök 🍜 | Classification | Introduktion till klassificerare | Python • R | Jen och Cassie • Eric Wanjau |
| 12 | Utsökta asiatiska och indiska kök 🍜 | Classification | Fler klassificerare | Python • R | Jen och Cassie • Eric Wanjau |
| 13 | Utsökta asiatiska och indiska kök 🍜 | Classification | Bygg en rekommendations-webbapp med din modell | Python | Jen |
| 14 | Introduktion till klustring | Clustering | Rensa, förbered och visualisera din data; Introduktion till klustring | Python • R | Jen • Eric Wanjau |
| 15 | Utforska nigerianska musiksmaker 🎧 | Clustering | Utforska K-Means klustringsmetoden | Python • R | Jen • Eric Wanjau |
| 16 | Introduktion till naturlig språkbehandling ☕️ | Natural language processing | Lär dig grunderna i NLP genom att bygga en enkel bot | Python | Stephen |
| 17 | Vanliga NLP-uppgifter ☕️ | Natural language processing | Fördjupa din NLP-kunskap genom att förstå vanliga uppgifter när man arbetar med språkstrukturer | Python | Stephen |
| 18 | Översättning och sentimentsanalys |
Natural language processing | Översättning och sentimentsanalys med Jane Austen | Python | Stephen |
| 19 | Romantiska hotell i Europa |
Natural language processing | Sentimentsanalys med hotellrecensioner 1 | Python | Stephen |
| 20 | Romantiska hotell i Europa |
Natural language processing | Sentimentsanalys med hotellrecensioner 2 | Python | Stephen |
| 21 | Introduktion till tidsserieprognoser | Time series | Introduktion till tidsserieprognoser | Python | Francesca |
| 22 | ⚡️ Världens elförbrukning ⚡️ - tidsserieprognoser med ARIMA | Time series | Tidsserieprognoser med ARIMA | Python | Francesca |
| 23 | ⚡️ Världens elförbrukning ⚡️ - tidsserieprognoser med SVR | Time series | Tidsserieprognoser med Support Vector Regressor | Python | Anirban |
| 24 | Introduktion till förstärkningsinlärning | Reinforcement learning | Introduktion till förstärkningsinlärning med Q-Learning | Python | Dmitry |
| 25 | Hjälp Peter undvika vargen! 🐺 | Reinforcement learning | Förstärkningsinlärning Gym | Python | Dmitry |
| Postscript | Skarpa ML-scenarion och tillämpningar | ML in the Wild | Intressanta och avslöjande verkliga tillämpningar av klassisk ML | Lesson | Team |
| Postscript | Modellfelsökning i ML med RAI dashboard | ML in the Wild | Modellfelsökning i maskininlärning med Responsible AI dashboard-komponenter | Lesson | Ruth Yakubu |
hitta alla ytterligare resurser för denna kurs i vår Microsoft Learn-samling
Du kan köra denna dokumentation offline genom att använda Docsify. Forka detta repo, installera Docsify på din lokala dator, och sedan i rotmappen av detta repo, skriv docsify serve. Webbplatsen kommer att vara tillgänglig på port 3000 på din lokala värd: localhost:3000.
Hitta en pdf av kursplanen med länkar här.
Vårt team producerar andra kurser! Kolla in:
-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}
Om du fastnar eller har frågor om att bygga AI-appar. Gå med i diskussioner med andra elever och erfarna utvecklare om MCP. Det är en stödjande gemenskap där frågor är välkomna och kunskap delas fritt.
Om du har produktfeedback eller hittar fel under byggandet, besök:
- Gå igenom anteckningsböcker efter varje lektion för bättre förståelse.
- Öva på att implementera algoritmer själv.
- Utforska verkliga datamängder med hjälp av inlärda koncept.
Ansvarsfriskrivning: Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator. Även om vi strävar efter noggrannhet, var god notera att automatiska översättningar kan innehålla fel eller brister. Det ursprungliga dokumentet på dess modersmål bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för några missförstånd eller feltolkningar som kan uppstå vid användning av denna översättning.