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
Foretrekker du å klone lokalt?
Dette repositoriet inkluderer over 50 språkoversettelser, som øker nedlastingsstørrelsen betydelig. For å klone uten oversettelser, bruk 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 gir deg alt du trenger for å fullføre kurset med en mye raskere nedlasting.
Vi har en pågående Discord-serie kalt learn with AI, lær mer og bli med oss på Learn with AI Series fra 18. til 30. september 2025. Du vil få tips og triks om bruk av GitHub Copilot for datavitenskap.
🌍 Reis rundt i verden mens vi utforsker maskinlæring gjennom verdens kulturer 🌍
Cloud Advocates hos Microsoft tilbyr en 12-ukers, 26-leksjons læreplan som handler om maskinlæring. I denne læreplanen vil du lære om det som noen ganger kalles klassisk maskinlæring, med hovedvekt på Scikit-learn som bibliotek, og unngår dyp læring, som dekkes i vår AI for Beginners' læreplan. Kombiner disse leksjonene med vår 'Data Science for Beginners' læreplan også!
Reis med oss rundt i verden mens vi anvender disse klassiske teknikkene på data fra mange områder av verden. Hver leksjon inkluderer quiz før og etter leksjonen, skriftlige instruksjoner for å fullføre leksjonen, en løsning, en oppgave, og mer. Vår prosjektbaserte pedagogikk lar deg lære mens du bygger, en bevist metode for å få nye ferdigheter til å 'sette seg'.
✍️ Hjertelig takk til våre forfattere Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu og Amy Boyd
🎨 Takk også til våre illustratører Tomomi Imura, Dasani Madipalli og Jen Looper
🙏 Spesiell takk 🙏 til våre Microsoft Student Ambassador-forfattere, anmeldere og innholdsbidragsytere, spesielt Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila og Snigdha Agarwal
🤩 Ekstra takk til Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, og Vidushi Gupta for våre R-leksjoner!
Følg disse trinnene:
- Fork repositoriet: Klikk på "Fork" knappen øverst til høyre på denne siden.
- Klon repositoriet:
git clone https://github.com/microsoft/ML-For-Beginners.git
Finn alle tilleggsmaterialer for dette kurset i vår Microsoft Learn-samling
🔧 Trenger du hjelp? Sjekk vår Feilsøkingsguide for løsninger på vanlige problemer med installasjon, oppsett og kjøring av leksjoner.
Studenter, for å bruke denne læreplanen, fork hele repoet til din egen GitHub-konto og fullfør øvelsene på egenhånd eller i gruppe:
- Start med en pre-forelesningsquiz.
- Les forelesningen og fullfør aktivitetene, stopp opp og reflekter ved hver kunnskapskontroll.
- Prøv å lage prosjektene ved å forstå leksjonene i stedet for å bare kjøre løsningskoden; koden er likevel tilgjengelig i
/solution-mappene i hver prosjektorientert leksjon. - Ta post-forelesningsquizen.
- Fullfør utfordringen.
- Fullfør oppgaven.
- Etter å ha fullført en leksjonsgruppe, besøk Diskusjonsforumet og "lær høyt" ved å fylle ut den aktuelle PAT-rubrikken. En ‘PAT’ er et fremdriftsvurderingsverktøy der du fyller ut en rubrikk for å fremme læringen din. Du kan også reagere på andre PAT-er slik at vi kan lære sammen.
For videre studier anbefaler vi å følge disse Microsoft Learn modulene og læringsbane.
Lærere, vi har inkludert noen forslag om hvordan man kan bruke denne læreplanen.
Noen av leksjonene er tilgjengelige som korte videoer. Du finner alle disse integrert i leksjonene, eller på ML for Beginners spillelisten på Microsoft Developer YouTube-kanalen ved å klikke på bildet under.
Gif av Mohit Jaisal
🎥 Klikk på bildet over for en video om prosjektet og personene som skapte det!
Vi har valgt to pedagogiske prinsipper mens vi bygde denne læreplanen: å sikre at den er praktisk prosjektbasert og at den inkluderer hyppige quizer. I tillegg har denne læreplanen et felles tema for å gi sammenheng.
Ved å sikre at innholdet stemmer overens med prosjekter, gjøres prosessen mer engasjerende for studenter og oppfatningen av konsepter vil bli bedre. I tillegg setter en lav-innsats-quiz før en klasse studentens intensjon mot å lære et tema, mens en annen quiz etter klasse sikrer ytterligere læring. Denne læreplanen er designet for å være fleksibel og morsom, og kan tas i sin helhet eller delvis. Prosjektene starter smått og blir gradvis mer komplekse mot slutten av den 12-ukers syklusen. Denne læreplanen inkluderer også et tillegg om virkelige anvendelser av ML, som kan brukes som ekstra poeng eller som grunnlag for diskusjon.
Finn våre Atferdskodeks, Bidrage, Oversettelse, og Feilsøking retningslinjer. Vi setter pris på din konstruktive tilbakemelding!
- valgfri sketchnote
- valgfri supplerende video
- videogjennomgang (bare noen leksjoner)
- pre-forelesningsoppvarmingsquiz
- skriftlig leksjon
- for prosjektbaserte leksjoner, trinn-for-trinn guider om hvordan bygge prosjektet
- kunnskapskontroller
- en utfordring
- supplerende lesning
- oppgave
- post-forelesningsquiz
En merknad om språk: Disse leksjonene er primært skrevet i Python, men mange er også tilgjengelige i R. For å fullføre en R-leksjon, gå til
/solution-mappen og se etter R-leksjoner. De inkluderer en .rmd-utvidelse som representerer en R Markdown-fil som enkelt kan defineres som en innebygging avkodebiter(av R eller andre språk) og enYAML-header(som veileder hvordan å formatere utdata som PDF) i etMarkdown-dokument. Som sådan tjener den som en eksemplarisk forfatterrammeverk for datavitenskap siden det lar deg kombinere koden din, utdataene og dine tanker ved å la deg skrive dem ned i Markdown. Videre kan R Markdown-dokumenter gjengis til utdataformater som PDF, HTML eller Word.
En merknad om quiz: Alle quiz er samlet i Quiz App-mappen, for totalt 52 quizer med tre spørsmål hver. De er koblet fra innenfor leksjonene, men quiz-appen kan kjøres lokalt; følg instruksjonene i
quiz-app-mappen for å lokalt hoste eller distribuere til Azure.
| Leksjonsnummer | Emne | Leksjonsgruppe | Læringsmål | Tilknyttet leksjon | Forfatter |
|---|---|---|---|---|---|
| 01 | Introduksjon til maskinlæring | Introduksjon | Lær de grunnleggende konseptene bak maskinlæring | Leksjon | Muhammad |
| 02 | Historien til maskinlæring | Introduksjon | Lær historien bak dette feltet | Leksjon | Jen og Amy |
| 03 | Rettferdighet og maskinlæring | Introduksjon | Hva er de viktige filosofiske spørsmålene rundt rettferdighet som studenter bør vurdere når de bygger og anvender ML-modeller? | Leksjon | Tomomi |
| 04 | Teknikker for maskinlæring | Introduksjon | Hvilke teknikker bruker ML-forskere for å bygge ML-modeller? | Leksjon | Chris og Jen |
| 05 | Introduksjon til regresjon | Regresjon | Kom i gang med Python og Scikit-learn for regresjonsmodeller | Python • R | Jen • Eric Wanjau |
| 06 | Nordamerikanske gresskarpriser 🎃 | Regresjon | Visualiser og rens data i forberedelse til ML | Python • R | Jen • Eric Wanjau |
| 07 | Nordamerikanske gresskarpriser 🎃 | Regresjon | Bygg lineære og polynomielle regresjonsmodeller | Python • R | Jen og Dmitry • Eric Wanjau |
| 08 | Nordamerikanske gresskarpriser 🎃 | Regresjon | Bygg en logistisk regresjonsmodell | Python • R | Jen • Eric Wanjau |
| 09 | En webapp 🔌 | Web App | Bygg en webapp for å bruke din trente modell | Python | Jen |
| 10 | Introduksjon til klassifisering | Klassifisering | Rens, forbered og visualiser data; introduksjon til klassifisering | Python • R | Jen og Cassie • Eric Wanjau |
| 11 | Deilige asiatiske og indiske kjøkken 🍜 | Klassifisering | Introduksjon til klassifikatorer | Python • R | Jen og Cassie • Eric Wanjau |
| 12 | Deilige asiatiske og indiske kjøkken 🍜 | Klassifisering | Flere klassifikatorer | Python • R | Jen og Cassie • Eric Wanjau |
| 13 | Deilige asiatiske og indiske kjøkken 🍜 | Klassifisering | Bygg en anbefalingswebapp med modellen din | Python | Jen |
| 14 | Introduksjon til klynging | Klynging | Rens, forbered og visualiser data; introduksjon til klynging | Python • R | Jen • Eric Wanjau |
| 15 | Utforske nigerianske musikksmak 🎧 | Klynging | Utforsk K-Means klyngemetoden | Python • R | Jen • Eric Wanjau |
| 16 | Introduksjon til naturlig språkbehandling ☕️ | Naturlig språkbehandling | Lær det grunnleggende om NLP ved å bygge en enkel bot | Python | Stephen |
| 17 | Vanlige NLP-oppgaver ☕️ | Naturlig språkbehandling | Fordyp kunnskapen din i NLP ved å forstå vanlige oppgaver ved språkstrukturer | Python | Stephen |
| 18 | Oversettelse og sentimentanalyse |
Naturlig språkbehandling | Oversettelse og sentimentanalyse med Jane Austen | Python | Stephen |
| 19 | Romantiske hoteller i Europa |
Naturlig språkbehandling | Sentimentanalyse av hotellomtaler 1 | Python | Stephen |
| 20 | Romantiske hoteller i Europa |
Naturlig språkbehandling | Sentimentanalyse av hotellomtaler 2 | Python | Stephen |
| 21 | Introduksjon til tidsserieprognoser | Tidsserie | Introduksjon til tidsserieprognoser | Python | Francesca |
| 22 | ⚡️ Verdens strømbruk ⚡️ - tidsserieprognoser med ARIMA | Tidsserie | Tidsserieprognoser med ARIMA | Python | Francesca |
| 23 | ⚡️ Verdens strømbruk ⚡️ - tidsserieprognoser med SVR | Tidsserie | Tidsserieprognoser med Support Vector Regressor | Python | Anirban |
| 24 | Introduksjon til forsterkningslæring | Forsterkningslæring | Introduksjon til forsterkningslæring med Q-Learning | Python | Dmitry |
| 25 | Hjelp Peter å unngå ulven! 🐺 | Forsterkningslæring | Forsterkningslæring gym | Python | Dmitry |
| Postscript | Virkelige ML-scenarier og -applikasjoner | ML i det fri | Interessante og avslørende virkelige applikasjoner av klassisk ML | Leksjon | Team |
| Postscript | Feilsøking av modeller i ML ved bruk av RAI dashboard | ML i det fri | Feilsøking av modeller i maskinlæring ved bruk av Responsible AI dashboard-komponenter | Leksjon | Ruth Yakubu |
finn alle ekstra ressurser for dette kurset i vår Microsoft Learn-samling
Du kan kjøre denne dokumentasjonen offline ved bruk av Docsify. Fork dette repoet, installer Docsify på din lokale maskin, og kjør deretter i rotmappen til dette repoet kommandoen docsify serve. Nettstedet vil da tilbys på port 3000 på din localhost: localhost:3000.
Finn en pdf av læreplanen med linker her.
Vårt team produserer andre kurs! Sjekk ut:
-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 sitter fast eller har spørsmål om å bygge AI-apper. Bli med andre lærende og erfarne utviklere i diskusjoner om MCP. Det er et støttende fellesskap hvor spørsmål er velkomne og kunnskap deles fritt.
Hvis du har produktfeedback eller opplever feil under bygging, besøk:
- Gå gjennom notatbøker etter hver leksjon for bedre forståelse.
- Øv på å implementere algoritmer på egenhånd.
- Utforsk virkelige datasett ved hjelp av lærte konsepter.
Ansvarsfraskrivelse: Dette dokumentet er oversatt ved bruk av AI-oversettelsestjenesten Co-op Translator. Selv om vi streber etter nøyaktighet, vennligst vær oppmerksom på at automatiske oversettelser kan inneholde feil eller unøyaktigheter. Det originale dokumentet på dets opprinnelige språk bør betraktes som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for eventuelle misforståelser eller feiltolkninger som måtte oppstå ved bruk av denne oversettelsen.