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
Föredrar du att klona lokalt?
Detta arkiv inkluderar över 50 språköversättningar vilket avsevärt ökar nedladdningsstorleken. För att klona utan översättningar, använd sparsamt utsnitt:
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 slutföra kursen med en mycket snabbare nedladdning.
Vi har en pågående Discord-serie om lärande med AI, lär dig mer och gå med oss på Learn with AI Series från 18 - 30 september 2025. Du får tips och tricks för att använda GitHub Copilot för Data Science.
🌍 Res runt i världen när vi utforskar Maskininlärning genom världens kulturer 🌍
Cloud Advocates på Microsoft är glada att erbjuda en 12-veckors, 26-lektioners kursplan helt om Maskininlärning. I denna kursplan lär du dig om det som ibland kallas för klassisk maskininlärning, med huvudsakligen Scikit-learn som bibliotek och undviker djupinlärning, som behandlas i vår AI för nybörjare-kursplan. Kombinera dessa lektioner med vår 'Data Science för nybörjare-kursplan' också!
Res med oss runt jorden 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, en uppgift och mer. Vår projektbaserade pedagogik låter dig lära genom att bygga, ett beprövat sätt för nya kunskaper att 'sätta sig'.
✍️ 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
🙏 Stort tack 🙏 till våra Microsoft Student Ambassador-författare, granskare och innehållsbidragare, särskilt Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila och Snigdha Agarwal
🤩 Extra stor tacksamhet till Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi och Vidushi Gupta för våra R-lektioner!
Följ dessa steg:
- Fork:a arkivet: Klicka på "Fork" knappen längst upp till höger på sidan.
- 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 felsökningsguide för lösningar på vanliga problem med installation, uppsättning och att köra lektioner.
Studenter, för att använda denna kursplan, fork:a hela repositoryt till ditt eget GitHub-konto och gör övningarna själv eller i grupp:
- Börja med ett quiz före lektionen.
- Läs lektionen och genomför aktiviteterna, pausa och reflektera vid varje kunskapskontroll.
- Försök att skapa projekten genom att förstå lektionerna istället för att bara köra lösningskoden; dock finns den koden tillgänglig i
/solution-mapparna i varje projektorienterad lektion. - Gör quizet efter lektionen.
- Genomför utmaningen.
- Gör uppgiften.
- Efter att ha slutfört en lektionsgrupp, besök Diskussionsforumet och "lär ut högt" genom att fylla i lämplig PAT-rubrik. En 'PAT' är ett verktyg för framstegsutvärdering som du fyller i för att främja ditt lärande. Du kan även reagera på andra PAT:ar så att vi kan lära tillsammans.
För vidare studier rekommenderar vi att följa dessa Microsoft Learn moduler och lärvägar.
Lärare, vi har inkluderat några förslag på hur du kan använda denna kursplan.
Vissa lektioner finns som korta videoklipp. Du hittar alla dessa 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 denna kursplan: att den ska vara praktiskt projektbaserad och att den inkluderar frestande quiz. Dessutom har denna kursplan ett gemensamt tema för att skapa sammanhållning.
Genom att säkerställa att innehållet är kopplat till projekt blir processen mer engagerande för eleverna och konceptens kvarhållning ökas. Dessutom sätter ett lågstress quiz före klassen elevens intention att lära sig ett ämne, medan ett andra quiz efter klassen förbättrar retentionen ytterligare. Denna kursplan är utformad för att vara flexibel och rolig och kan genomföras helt eller delvis. Projekten börjar små och blir alltmer komplexa fram till slutet av 12-veckorscykeln. Denna kursplan inkluderar också en epilog om verkliga tillämpningar av ML, som kan användas som extrauppgifter eller som underlag för diskussion.
Läs våra uppförandekoder, bidragsregler, översättningsriktlinjer och felsökning. Vi välkomnar dina konstruktiva återkopplingar!
- valfri sketchnote
- valfri tilläggsvideo
- videogenomgång (endast vissa lektioner)
- quiz inför lektionen
- skriftlig lektion
- för projektbaserade lektioner, steg-för-steg guider för att bygga projektet
- kunskapskontroller
- en utmaning
- kompletterande läsning
- uppgift
- quiz efter lektionen
En notis om språk: Dessa lektioner är huvudsakligen skrivna i Python, men många finns också tillgängliga i R. För att slutföra en R-lektion, gå till mappen
/solutionoch leta efter R-lektioner. De har en .rmd-filändelse som representerar en R Markdown-fil, vilken enkelt kan definieras som en inbäddning avkodblock(av R eller andra språk) och enYAML-header(som styr hur utdata som PDF formateras) i ettMarkdown-dokument. Som sådan tjänar det som ett exemplariskt ramverk för författarskap inom datavetenskap 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 notis om quiz: Alla quiz finns i Quiz App-mappen, totalt 52 quiz med tre frågor vardera. De länkas från lektionerna men quiz-appen kan köras lokalt; följ anvisningarna i
quiz-app-mappen för att lokalt vara värd eller distribuera till Azure.
| Lektion Nummer | Ämne | Lektion Grupp | Lärandemål | Länkad Lektion | Författare |
|---|---|---|---|---|---|
| 01 | Introduktion till maskininlärning | Introduktion | Lär dig grundbegreppen bakom maskininlärning | Lektion | Muhammad |
| 02 | Historiken om maskininlärning | Introduktion | Lär dig historien bakom detta område | Lektion | Jen och Amy |
| 03 | Rättvisa och maskininlärning | Introduktion | Vilka är de viktiga filosofiska frågorna kring rättvisa som studenter bör överväga när de bygger och tillämpar ML-modeller? | Lektion | Tomomi |
| 04 | Tekniker för maskininlärning | Introduktion | Vilka tekniker använder ML-forskare för att bygga ML-modeller? | Lektion | Chris och Jen |
| 05 | Introduktion till regression | Regression | Kom igång med Python och Scikit-learn för regressionsmodeller | Python • R | Jen • Eric Wanjau |
| 06 | Nordamerikanska pumpapris 🎃 | Regression | Visualisera och rensa data i förberedelse för ML | Python • R | Jen • Eric Wanjau |
| 07 | Nordamerikanska pumpapris 🎃 | Regression | Bygg linjära och polynomiska regressionsmodeller | Python • R | Jen och Dmitry • Eric Wanjau |
| 08 | Nordamerikanska pumpapris 🎃 | 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 dina data; introduktion till klassificering | Python • R | Jen och Cassie • Eric Wanjau |
| 11 | Läckra asiatiska och indiska kök 🍜 | Classification | Introduktion till klassificerare | Python • R | Jen och Cassie • Eric Wanjau |
| 12 | Läckra asiatiska och indiska kök 🍜 | Classification | Fler klassificerare | Python • R | Jen och Cassie • Eric Wanjau |
| 13 | Läckra asiatiska och indiska kök 🍜 | Classification | Bygg en rekommenderande webbapp med hjälp av din modell | Python | Jen |
| 14 | Introduktion till klustring | Clustering | Rensa, förbered och visualisera dina 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 om NLP genom att bygga en enkel bot | Python | Stephen |
| 17 | Vanliga NLP-uppgifter ☕️ | Natural language processing | Fördjupa dina NLP-kunskaper genom att förstå vanliga uppgifter som krävs vid hantering av språkliga strukturer | Python | Stephen |
| 18 | Översättning och sentimentanalys |
Natural language processing | Översättning och sentimentanalys med Jane Austen | Python | Stephen |
| 19 | Romantiska hotell i Europa |
Natural language processing | Sentimentanalys med hotellrecensioner 1 | Python | Stephen |
| 20 | Romantiska hotell i Europa |
Natural language processing | Sentimentanalys 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 att undvika vargen! 🐺 | Reinforcement learning | Förstärkningsinlärning i Gym | Python | Dmitry |
| Efterord | Verkliga scenarier och tillämpningar av ML | ML in the Wild | Intressanta och avslöjande verkliga tillämpningar av klassisk ML | Lektion | Team |
| Efterord | Modellavlusning i ML med RAI dashboard | ML in the Wild | Modellavlusning inom maskininlärning med Responsible AI dashboard-komponenter | Lektion | Ruth Yakubu |
hitta alla ytterligare resurser för denna kurs i vår Microsoft Learn-samling
Du kan köra denna dokumentation offline med hjälp av Docsify. Forka detta repo, installera Docsify på din lokala maskin, och sedan i rotmappen för detta repo, skriv docsify serve. Webbplatsen kommer att serveras på port 3000 på din localhost: 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 stöttande gemenskap där frågor är välkomna och kunskap delas fritt.
Om du har produktfeedback eller hittar fel vid utveckling, besök:
- Gå igenom anteckningsböcker efter varje lektion för bättre förståelse.
- Öva på att implementera algoritmer själv.
- Utforska verkliga datauppsättningar med hjälp av inlärda koncept.
Ansvarsfriskrivning: Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator. Även om vi strävar efter noggrannhet, bör du vara medveten om att automatiska översättningar kan innehålla fel eller brister. Det ursprungliga dokumentet på dess modersmål bör betraktas som den auktoritativa källan. För viktig information rekommenderas professionell human översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som uppstår vid användning av denna översättning.