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 inkluderer over 50 sprogoversættelser, hvilket øger downloadstørrelsen betydeligt. 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 meget hurtigere download.
Vi har en Discord "learn with AI"-serie i gang, lær mere og deltag hos Learn with AI Series fra 18. til 30. september 2025. Du vil få tips og tricks til brug af GitHub Copilot til Data Science.
🌍 Rejs verden rundt, mens vi udforsker Maskinlæring gennem verdens kulturer 🌍
Cloud Advocates hos Microsoft tilbyder et 12-ugers, 26-lektions curriculum, der handler om Maskinlæring. I dette curriculum lærer du om det, der nogle gange kaldes klassisk maskinlæring, hvor vi primært bruger Scikit-learn som bibliotek og undgår dyb læring, som dækkes i vores AI for Beginners' curriculum. Kombinér disse lektioner med vores 'Data Science for Beginners' curriculum, også!
Rejs med os verden rundt, mens vi anvender disse klassiske teknikker på data fra mange områder i verden. Hver lektion inkluderer før- og efter-lektionsquizzer, skrevne instruktioner til at gennemføre lektionen, en løsning, en opgave og mere. Vores projektbaserede pædagogik tillader dig at lære mens du bygger, en gennemprøvet måde for nye færdigheder at 'faste'.
✍️ Hjertelig 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 indholdsmedvirkende, især 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:
- Fork 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
🔧 Bruger du hjælp? Se vores Fejlfinding Guide for løsninger på almindelige problemer med installation, opsætning og udørelse af lektioner.
Studerende, for at bruge dette curriculum, forke hele repoet til din egen GitHub konto og fuldfør øvelserne på egen hånd eller i gruppe:
- Start med en for-forelæsning quiz.
- Læs forelæsningen og fuldfør aktiviteterne, stop op og reflekter ved hver videnscheck.
- Prøv at skabe projekterne ved at forstå lektionerne frem for blot at køre løsningskoden; dog er løsningskoden tilgængelig i
/solution-mapperne i hver projektorienteret lektion. - Tag efter-forelæsnings quiz.
- Fuldfør udfordringen.
- Fuldfør opgaven.
- Efter at have fuldført en lektiongruppe, besøg Discussion Board og "lær højt" ved at udfylde den relevante PAT rubric. En 'PAT' er et Progress Assessment Tool, som er et skema du udfylder for at fremme din læring. Du kan også reagerer på andre PAT'er, så vi kan lære sammen.
Til yderligere studier anbefaler vi at følge disse Microsoft Learn moduler og læringsveje.
Lærere, vi har inkluderet nogle forslag til, hvordan man bruger dette curriculum.
Nogle af lektionerne findes som kortformede videoer. Du kan finde alle disse inline i lektionerne eller på ML for Beginners playlisten 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 personer, der skabte det!
Vi har valgt to pædagogiske principper mens vi bygger dette curriculum: at sikre, at det er håndgribeligt projektbaseret og at det inkluderer hyppige quizzer. Derudover har dette curriculum et fælles tema for at give sammenhæng.
Ved at sikre, at indholdet stemmer overens med projekter, bliver processen mere engagerende for studerende, og fastholdelse af begreber øges. Derudover sætter en lavrisiko quiz før en lektion intentionen hos den studerende om at lære et emne, mens en anden quiz efter lektion sikrer yderligere fastholdelse. Dette curriculum er designet til at være fleksibelt og sjovt og kan tages som helhed eller delvist. Projekterne starter små og bliver mere komplekse mod slutningen af den 12-ugers cyklus. Dette curriculum omfatter også et efterspil om virkelige anvendelser af ML, som kan bruges som ekstrakredit eller som grundlag for diskussion.
Find vores Adfærdsregler, Bidrag, Oversættelser, og Fejlfinding retningslinjer. Vi byder din konstruktive feedback velkommen!
- valgfrit skitse-notat
- valgfri supplerende video
- videogennemgang (kun nogle lektioner)
- for-forelæsning opvarmningsquiz
- skreven lektion
- for projektbaserede lektioner, trin-for-trin vejledninger til, hvordan man bygger projektet
- videnschecks
- en udfordring
- supplerende læsning
- opgave
- efter-forelæsning quiz
En note om sprog: Disse lektioner er primært skrevet i Python, men mange findes også på R. For at gennemføre en R-lektion, gå til
/solutionmappen og se efter R-lektioner. De inkluderer en .rmd-udvidelse, som repræsenterer en R Markdown fil, hvilket enkelt kan defineres som en indlejring afkodeblokke(fra R eller andre sprog) og enYAML header(der styrer, hvordan output formateres som PDF) i etMarkdown dokument. Som sådan tjener det som en eksemplarisk forfatterramme for datalogi, da det tillader dig 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 som PDF, HTML eller Word.
En note om quizzer: Alle quizzer findes i Quiz App folder, i alt 52 quizzer med tre spørgsmål hver. De er linket fra lektionerne, men quiz app'en kan køres lokalt; følg instruktionen i
quiz-appmappen for lokalt at hoste eller deployere til Azure.
| Lektion Nummer | Emne | Lektion Gruppering | Læringsmål | Linket Lektion | Forfatter |
|---|---|---|---|---|---|
| 01 | Introduktion til maskinlæring | Introduktion | Lær de grundlæggende begreber bag maskinlæring | Lektion | Muhammad |
| 02 | Maskinlæringens historie | Introduktion | Lær historien bag dette felt | Lektion | Jen og Amy |
| 03 | Retfærdighed og maskinlæring | Introduktion | Hvilke vigtige filosofiske spørgsmål om retfærdighed bør elever overveje, når de bygger og anvender ML-modeller? | Lektion | Tomomi |
| 04 | Teknikker til maskinlæring | Introduktion | Hvilke teknikker bruger ML-forskere til at bygge ML-modeller? | Lektion | Chris og Jen |
| 05 | Introduktion til regression | Regression | Kom godt 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 polynomielle regressionsmodeller | Python • R | Jen og Dmitry • Eric Wanjau |
| 08 | Nordamerikanske græskarpriser 🎃 | Regression | Byg en logistisk regressionsmodel | Python • R | Jen • Eric Wanjau |
| 09 | En webapp 🔌 | 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 og Cassie • Eric Wanjau |
| 11 | Lækker asiatisk og indisk madkultur 🍜 | Classification | Introduktion til klassifikatorer | Python • R | Jen og Cassie • Eric Wanjau |
| 12 | Lækker asiatisk og indisk madkultur 🍜 | Classification | Flere klassifikatorer | Python • R | Jen og Cassie • Eric Wanjau |
| 13 | Lækker asiatisk og indisk madkultur 🍜 | 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 | Uddyb din NLP-viden ved at forstå almindelige opgaver ved håndtering af 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 tidseriefremskrivning | Time series | Introduktion til tidseriefremskrivning | Python | Francesca |
| 22 | ⚡️ Verdens energiforbrug ⚡️ - tidseriefremskrivning med ARIMA | Time series | Tidseriefremskrivning med ARIMA | Python | Francesca |
| 23 | ⚡️ Verdens energiforbrug ⚡️ - tidseriefremskrivning med SVR | Time series | Tidseriefremskrivning 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 -anvendelser | ML in the Wild | Interessante og afslørende virkelige anvendelser af klassisk ML | Lektion | Team |
| Postscript | Modeldebugging i ML ved brug af RAI dashboard | ML in the Wild | Modeldebugging i maskinlæring ved brug af Responsible AI dashboard komponenter | Lektion | 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 så i roden af denne 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 andre kurser! Se nærmere på:
-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, mens du lærer maskinlæring eller bygger AI-applikationer, skal du ikke bekymre dig — hjælp er tilgængelig.
Du kan deltage i samtaler med andre studerende og udviklere, stille spørgsmål og dele dine ideer med fællesskabet.
- Deltag i fællesskabet for at stille spørgsmål og lære sammen med andre
- Diskuter maskinlæringsbegreber og projektidéer
- Få vejledning fra erfarne udviklere
Et støttende fællesskab er en fantastisk måde at udvikle dine færdigheder på og løse problemer hurtigere.
Microsoft Foundry Discord Community
Hvis du støder på fejl, problemer eller har forslag til forbedringer, kan du også oprette en Issue i dette repository for at rapportere problemet.
For produktfeedback eller for at søge i eksisterende fællesskabsindlæg, besøg Developer Forum:
- Gennemgå notebooks efter hver lektion for bedre forståelse.
- Øv dig i at implementere algoritmer på egen hånd.
- Udforsk virkelige datasæt ved hjælp af de 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 automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det oprindelige dokument på dets modersmål skal betragtes som den autoritative kilde. For kritiske oplysninger anbefales professionel menneskelig oversættelse. Vi påtager os intet ansvar for eventuelle misforståelser eller fejltolkninger, der opstår som følge af brugen af denne oversættelse.