Arabisk | Bengali | Bulgarsk | Burmesisk (Myanmar) | Kinesisk (Forenklet) | Kinesisk (Traditionelt, Hong Kong) | Kinesisk (Traditionelt, Macau) | Kinesisk (Traditionelt, Taiwan) | Kroatisk | Tjekkisk | Dansk | Hollandsk | Estisk | Finsk | Fransk | Tysk | Græsk | Hebraisk | Hindi | Ungarsk | Indonesisk | Italiensk | Japansk | Koreansk | Litauisk | Malaysisk | Marathi | Nepalesisk | Nigeriansk Pidgin | Norsk | Persisk (Farsi) | Polsk | Portugisisk (Brasilien) | Portugisisk (Portugal) | Punjabi (Gurmukhi) | Rumænsk | Russisk | Serbisk (Kyrillisk) | Slovakisk | Slovensk | Spansk | Swahili | Svensk | Tagalog (Filippinsk) | Tamil | Thai | Tyrkisk | Ukrainsk | Urdu | Vietnamesisk
Vi har en Discord-serie om at lære med AI i gang, lær mere og deltag i Learn with AI Series fra 18. - 30. september, 2025. Du vil få tips og tricks til at bruge GitHub Copilot til Data Science.
🌍 Rejs rundt i verden, mens vi udforsker maskinlæring gennem verdens kulturer 🌍
Cloud Advocates hos Microsoft er glade for at tilbyde et 12-ugers, 26-lektioners pensum om maskinlæring. I dette pensum vil du lære om det, der nogle gange kaldes klassisk maskinlæring, primært ved brug af Scikit-learn som bibliotek og undgå dyb læring, som er dækket 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 af verden. Hver lektion inkluderer quizzer før og efter lektionen, skriftlige instruktioner til at gennemføre lektionen, en løsning, en opgave og mere. Vores projektbaserede pædagogik giver dig mulighed for at lære, mens du bygger, en bevist måde for nye færdigheder at 'sidde fast'.
✍️ 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
🙏 Speciel tak 🙏 til vores Microsoft Student Ambassador-forfattere, anmeldere og indholdsbidragydere, 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 repositoryet: Klik på "Fork"-knappen øverst til højre på denne side.
- Clone repositoryet:
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? Tjek vores Fejlfindingsguide for løsninger på almindelige problemer med installation, opsætning og gennemførelse af lektioner.
Studerende, for at bruge dette pensum, fork hele repoen til din egen GitHub-konto og gennemfør øvelserne selv eller med en gruppe:
- Start med en quiz før lektionen.
- Læs lektionen og gennemfør aktiviteterne, og stop op og reflekter ved hver videnstest.
- Prøv at skabe projekterne ved at forstå lektionerne i stedet for at køre løsningskoden; dog er den kode tilgængelig i
/solution-mapperne i hver projektorienteret lektion. - Tag quizzen efter lektionen.
- Gennemfør udfordringen.
- Gennemfør opgaven.
- Efter at have afsluttet en lektiongruppe, besøg Diskussionsforumet og "lær højt" ved at udfylde den relevante PAT-rubrik. En 'PAT' er et Progress Assessment Tool, som er en rubrik, du udfylder for at fremme din læring. Du kan også reagere på andre PATs, så vi kan lære sammen.
For yderligere studier anbefaler vi at følge disse Microsoft Learn moduler og læringsstier.
Lærere, 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 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 folkene, der skabte det!
Vi har valgt to pædagogiske principper, mens vi byggede dette pensum: at sikre, at det er praktisk projektbaseret og at det inkluderer hyppige quizzer. Derudover har dette pensum et fælles tema for at give det sammenhæng.
Ved at sikre, at indholdet er tilpasset projekter, bliver processen mere engagerende for studerende, og fastholdelsen af begreber vil blive forbedret. Derudover sætter en lav-stress quiz før en klasse intentionen hos den studerende mod 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 i sin helhed eller delvist. Projekterne starter små og bliver gradvist mere komplekse ved slutningen af den 12-ugers cyklus. Dette pensum inkluderer også et efterskrift om virkelige anvendelser af ML, som kan bruges som ekstra kredit eller som grundlag for diskussion.
Find vores Adfærdskodeks, Bidrag, Oversættelse og Fejlfindings retningslinjer. Vi værdsætter din konstruktive feedback!
- valgfri sketchnote
- valgfri supplerende video
- video-gennemgang (nogle lektioner kun)
- quiz før lektionen
- skriftlig lektion
- for projektbaserede lektioner, trin-for-trin vejledninger om, hvordan man bygger projektet
- videnstests
- en udfordring
- supplerende læsning
- opgave
- quiz efter lektionen
En note om sprog: Disse lektioner er primært skrevet i Python, men mange er også tilgængelige i R. For at gennemføre en R-lektion, gå til
/solution-mappen og kig efter R-lektioner. De inkluderer en .rmd-udvidelse, der repræsenterer en R Markdown-fil, som kan defineres som en indlejring afkodeblokke(af R eller andre sprog) og enYAML-header(der guider, hvordan man formaterer output som PDF) i etMarkdown-dokument. Som sådan tjener det som et eksemplarisk forfatterrammeværk for datavidenskab, da det giver dig mulighed for at kombinere din kode, dens output og dine tanker ved at skrive dem ned i Markdown. Desuden kan R Markdown-dokumenter gengives til outputformater som PDF, HTML eller Word.
En note om quizzer: Alle quizzer er indeholdt i Quiz App-mappen, for i alt 52 quizzer med tre spørgsmål hver. De er linket fra lektionerne, men quiz-appen kan køres lokalt; følg instruktionen i
quiz-app-mappen for at hoste lokalt eller udrulle til Azure.
| Lektion Nummer | Emne | Lektion Gruppe | Læringsmål | Linket Lektion | Forfatter |
|---|---|---|---|---|---|
| 01 | Introduktion til maskinlæring | Introduktion | Lær de grundlæggende begreber bag maskinlæring | Lektion | Muhammad |
| 02 | Historien om maskinlæring | 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 i gang med Python og Scikit-learn til regressionsmodeller | Python • R | Jen • Eric Wanjau |
| 06 | Nordamerikanske græskarpriser 🎃 | Regression | Visualiser og rens data som forberedelse til ML | Python • R | Jen • Eric Wanjau |
| 07 | Nordamerikanske græskarpriser 🎃 | Regression | Byg lineære og polynomiske regressionsmodeller | Python • R | Jen og Dmitry • Eric Wanjau |
| 08 | Nordamerikanske græskarpriser 🎃 | Regression | Byg en logistisk regressionsmodel | Python • R | Jen • Eric Wanjau |
| 09 | En webapp 🔌 | Webapp | Byg en webapp til at bruge din trænede model | Python | Jen |
| 10 | Introduktion til klassifikation | Klassifikation | Rens, forbered og visualiser dine data; introduktion til klassifikation | Python • R | Jen og Cassie • Eric Wanjau |
| 11 | Lækre asiatiske og indiske retter 🍜 | Klassifikation | Introduktion til klassifikatorer | Python • R | Jen og Cassie • Eric Wanjau |
| 12 | Lækre asiatiske og indiske retter 🍜 | Klassifikation | Flere klassifikatorer | Python • R | Jen og Cassie • Eric Wanjau |
| 13 | Lækre asiatiske og indiske retter 🍜 | Klassifikation | Byg en anbefalingswebapp ved hjælp af din model | Python | Jen |
| 14 | Introduktion til clustering | Clustering | Rens, forbered og visualiser dine data; introduktion til clustering | Python • R | Jen • Eric Wanjau |
| 15 | Udforskning af nigeriansk musiksmag 🎧 | Clustering | Udforsk K-Means clustering-metoden | Python • R | Jen • Eric Wanjau |
| 16 | Introduktion til naturlig sprogbehandling ☕️ | Naturlig sprogbehandling | Lær det grundlæggende om NLP ved at bygge en simpel bot | Python | Stephen |
| 17 | Almindelige NLP-opgaver ☕️ | Naturlig sprogbehandling | Uddyb din NLP-viden ved at forstå almindelige opgaver, der kræves, når man arbejder med sproglige strukturer | Python | Stephen |
| 18 | Oversættelse og sentimentanalyse |
Naturlig sprogbehandling | Oversættelse og sentimentanalyse med Jane Austen | Python | Stephen |
| 19 | Romantiske hoteller i Europa |
Naturlig sprogbehandling | Sentimentanalyse med hotelanmeldelser 1 | Python | Stephen |
| 20 | Romantiske hoteller i Europa |
Naturlig sprogbehandling | Sentimentanalyse med hotelanmeldelser 2 | Python | Stephen |
| 21 | Introduktion til tidsserieprognoser | Tidsserier | Introduktion til tidsserieprognoser | Python | Francesca |
| 22 | ⚡️ Verdens strømforbrug ⚡️ - tidsserieprognoser med ARIMA | Tidsserier | Tidsserieprognoser med ARIMA | Python | Francesca |
| 23 | ⚡️ Verdens strømforbrug ⚡️ - tidsserieprognoser med SVR | Tidsserier | Tidsserieprognoser med Support Vector Regressor | Python | Anirban |
| 24 | Introduktion til forstærkningslæring | Forstærkningslæring | Introduktion til forstærkningslæring med Q-Learning | Python | Dmitry |
| 25 | Hjælp Peter med at undgå ulven! 🐺 | Forstærkningslæring | Forstærkningslæring Gym | Python | Dmitry |
| Postscript | Virkelige ML-scenarier og applikationer | ML i det virkelige liv | Interessante og afslørende virkelige applikationer af klassisk ML | Lektion | Team |
| Postscript | Fejlfinding af modeller i ML med RAI-dashboard | ML i det virkelige liv | Fejlfinding af modeller i maskinlæring ved hjælp af Responsible AI-dashboardkomponenter | 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 denne repo, installer Docsify på din lokale maskine, og skriv derefter docsify serve i rodmappen af denne repo. Websitet vil blive serveret på port 3000 på din localhost: localhost:3000.
Find en pdf af pensum med links her.
Vores team producerer andre kurser! Tjek dem ud:
-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 i diskussioner med andre lærende og erfarne udviklere 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:
Ansvarsfraskrivelse:
Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten Co-op Translator. Selvom vi bestræber os på nøjagtighed, skal det bemærkes, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog 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.