README.md

🌐 Understøttelse af flere sprog

Understøttet via GitHub Action (Automatiseret og altid opdateret)

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 | 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, som væsentligt 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 meget hurtigere download.

Deltag i vores fællesskab

Vi har en Discord-serie om læring med AI i gang, lær mere og deltag hos Learn with AI Series fra 18. til 30. september 2025. Du får tips og tricks til at bruge GitHub Copilot til Data Science.

Maskinlæring for begyndere - Et undervisningsforløb

🌍 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 undervisningsforløb, der handler om maskinlæring. I dette forløb lærer du om det, der nogle gange kaldes klassisk maskinlæring, hvor vi primært bruger Scikit-learn som bibliotek og undgår deep learning, som dækkes i vores AI for Beginners' undervisningsforløb. Kombiner disse lektioner med vores 'Data Science for Beginners' undervisningsforløb 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 samtidig med, at du bygger – en bevist metode til at fastholde nye færdigheder.

✍️ Hjertevarm 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 bidragsydere, 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!

Kom godt i gang

Følg disse trin:

1. Fork Repositoryet: Klik på "Fork" knappen øverst til højre på denne side.
2. Klon Repositoryet: git clone https://github.com/microsoft/ML-For-Beginners.git

find alle ekstra ressourcer til dette kursus i vores Microsoft Learn-samling

🔧 Skal du bruge hjælp? Se vores Fejlsøgningsguide for løsninger på almindelige problemer med installation, opsætning og afvikling af lektioner.

Studerende, for at bruge dette undervisningsforløb, forker I hele repoet til jeres egen GitHub-konto og gennemfører øvelserne på egen hånd eller i gruppe:

• Start med en quiz før forelæsningen.
• Læs gennem forelæsningen og gennemfør aktiviteterne, pausér og reflekter ved hvert videnscheck.
• Prøv at skabe projekterne ved at forstå lektionerne i stedet for blot at køre løsningskoden; den kode findes dog i /solution mapperne i hver projektorienteret lektion.
• Tag quizzen efter forelæsningen.
• Gennemfør udfordringen.
• Gennemfør opgaven.
• Efter en lektiongruppe er gennemført, besøg Diskussionsforum og "lær højt" ved at udfylde det relevante PAT-vurderingsskema. En 'PAT' er et Progress Assessment Tool (evaluering) du udfylder for at styrke din læring. Du kan også reagere på andres PAT’er, så vi kan lære sammen.

Til yderligere studie anbefaler vi at følge disse Microsoft Learn moduler og læringsstier.

Lærere, vi har inkluderet nogle forslag til, hvordan man kan bruge dette undervisningsforløb.

---

Video-gennemgange

Nogle af lektionerne findes som korte videoer. Du kan finde dem indlejret i lektionerne eller på ML for Beginners playlisten på Microsoft Developer YouTube-kanalen ved at klikke på billedet nedenfor.

---

Mød teamet

Gif af Mohit Jaisal

🎥 Klik på billedet ovenfor for en video om projektet og de personer, som skabte det!

---

Pædagogik

Vi har valgt to pædagogiske principper ved opbygningen af dette forløb: at sikre, at det er praktisk projektbaseret og at det inkluderer hyppige quizzer. Derudover har forløbet et fælles tema for at give sammenhæng.

Ved at sikre, at indholdet stemmer overens med projekterne, bliver processen mere engagerende for studerende og fastholdelsen af konceptet øges. Derudover sætter en lav-indsats quiz før klassen den studerendes intention mod at lære et emne, mens en anden quiz efter klassen sikrer yderligere fastholdelse. Dette undervisningsforløb er designet til at være fleksibelt og sjovt og kan gennemføres helt eller delvist. Projekterne starter småt og bliver gradvist mere komplekse mod slutningen af det 12-ugers forløb. Dette forløb inkluderer også et efterskrift om virkelige anvendelser af ML, som kan bruges som ekstra kredit eller som basis for diskussion.

Find vores Adfærdskodeks, Bidragsydning, Oversættelse og Fejlsøgning retningslinjer. Vi værdsætter din konstruktive feedback!

Hver lektion inkluderer

• valgfrit sketchnote
• valgfri supplerende video
• video-gennemgang (kun nogle lektioner)
• quiz opvarmning før forelæsning
• skriftlig lektion
• for projektbaserede lektioner, trin-for-trin vejledninger til at bygge projektet
• videnschecks
• en udfordring
• supplerende læsning
• opgave
• quiz efter forelæsning

En bemærkning om sprog: Disse lektioner er primært skrevet i Python, men mange fås også på R. For at gennemføre en R-lektion, gå til /solution mappen og søg efter R-lektioner. De indeholder en .rmd-udvidelse, som repræsenterer en R Markdown fil, der enkelt kan defineres som en indlejring af kodeblokke (af R eller andre sprog) og en YAML-header (der guider hvordan output skal formateres såsom PDF) i et Markdown dokument. Som sådan tjener den som en eksemplarisk forfatterramme for datalogi, da den 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 som PDF, HTML eller Word.

En bemærkning om quizzer: Alle quizzer findes i Quiz App mappen, i alt 52 quizzer med tre spørgsmål hver. De er linket til fra lektionerne, men quiz appen kan også køres lokalt; følg instruktionen i quiz-app mappen for at hoste lokalt eller deployere til Azure.

Lektion Nummer	Emne	Lektion Gruppere	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	Hvad er de vigtige filosofiske spørgsmål omkring retfærdighed, som studerende bør 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 rens data som forberedelse til ML	Python • R	Jen • Eric Wanjau
07	Nordamerikanske græskarpriser 🎃	Regression	Byg lineære og polynomiale regressionsmodeller	Python • R	Jen og Dmitry • Eric Wanjau
08	Nordamerikanske græskarpriser 🎃	Regression	Byg en logistisk regressionsmodel	Python • R	Jen • Eric Wanjau
09	En Web App 🔌	Web App	Byg en web app til at bruge din trænede model	Python	Jen
10	Introduktion til klassificering	Classification	Rens, forbered og visualiser dine data; introduktion til klassificering	Python • R	Jen og Cassie • Eric Wanjau
11	Lækre asiatiske og indiske køkkener 🍜	Classification	Introduktion til klassificer	Python • R	Jen og Cassie • Eric Wanjau
12	Lækre asiatiske og indiske køkkener 🍜	Classification	Flere klassificer	Python • R	Jen og 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	Rens, 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, der kræves ved arbejde 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 tidsrække-forecasting	Time series	Introduktion til tidsrække-forecasting	Python	Francesca
22	⚡️ Verdens strømforbrug ⚡️ - tidsrække-forecasting med ARIMA	Time series	Tidsrække-forecasting med ARIMA	Python	Francesca
23	⚡️ Verdens strømforbrug ⚡️ - tidsrække-forecasting med SVR	Time series	Tidsrække-forecasting med Support Vector Regressor	Python	Anirban
24	Introduktion til forstærkningslæring	Reinforcement learning	Introduktion til forstærkningslæring med Q-Learning	Python	Dmitry
25	Hjælp Peter med at undgå ulven! 🐺	Reinforcement learning	Forstærkningslæring i Gym	Python	Dmitry
Postscript	Virkelige ML-scenarier og applikationer	ML in the Wild	Interessante og afslørende virkelige anvendelser af klassisk ML	Lektion	Team
Postscript	Fejlfinding af ML-modeller ved brug af RAI dashboard	ML in the Wild	Fejlfinding af maskinlæringsmodeller ved hjælp af Responsible AI dashboard-komponenter	Lektion	Ruth Yakubu

find alle yderligere ressourcer til dette kursus i vores Microsoft Learn samling

Offline adgang

Du kan køre denne dokumentation offline ved hjælp af Docsify. Fork dette repo, installer Docsify på din lokale maskine, og i rodmappen for dette repo, skriv docsify serve. Websitet vil blive serveret på port 3000 på din localhost: localhost:3000.

PDF'er

Find en pdf af pensum med links her.

🎒 Andre Kurser

Vores team producerer andre kurser! Tjek dem ud:

LangChain

Azure / Edge / MCP / Agents

---

Generative AI-serie

---

Kerneindlæring

---

Copilot-serie

Få hjælp

Hvis du sidder fast eller har spørgsmål om at udvikle AI-apps. Deltag med medstuderende 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:

Yderligere læringstips

• Gennemgå notebooks efter hver lektion for bedre forståelse.
• Øv dig i at implementere algoritmer på egen hånd.
• Udforsk virkelige datasæt med de lærte koncepter.

---

Ansvarsfraskrivelse:
Dette dokument er oversat ved hjælp af AI-oversættelsestjenesten Co-op Translator. Selvom vi bestræber os på nøjagtighed, bedes du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det oprindelige dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os intet ansvar for eventuelle misforståelser eller fejltolkninger, der måtte opstå ved brug af denne oversættelse.