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
Foretrekker du å klone lokalt?
Dette depotet inkluderer over 50 oversettelser som betydelig øker nedlastingsstørrelsen. 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 om å lære med 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 Data Science.
🌍 Reis rundt i verden mens vi utforsker maskinlæring gjennom verdens kulturer 🌍
Cloud Advocates hos Microsoft er glade for å kunne tilby en 12-ukers læreplan med 26 leksjoner 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 uten bruk av dyp læring, som dekkes i vår AI for Beginners' læreplan. Kombiner gjerne disse leksjonene med vår 'Data Science for Beginners' læreplan!
Reis med oss rundt i verden mens vi anvender disse klassiske teknikkene på data fra mange deler av verden. Hver leksjon inkluderer quiz før og etter leksjonen, skriftlige instruksjoner for å fullføre leksjonen, en løsning, en oppgave og mer. Vår prosjektbaserte undervisningsmetode lar deg lære mens du bygger, en dokumentert metode for at nye ferdigheter skal "feste 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, særlig 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 stegene:
- Fork depotet: Klikk på "Fork"-knappen øverst til høyre på denne siden.
- Klon depotet:
git clone https://github.com/microsoft/ML-For-Beginners.git
finn alle tilleggsmaterialer for dette kurset i vår Microsoft Learn-samling
🔧 Trenger du hjelp? Se 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 egen hånd eller i gruppe:
- Start med en quiz før forelesningen.
- Les forelesningen og fullfør aktivitetene, stopp opp og reflekter ved hver kunnskapskontroll.
- Prøv å lage prosjektene ved å forstå leksjonene heller enn å bare kjøre løsningskoden; koden er likevel tilgjengelig i
/solution-mappene i hver prosjektorienterte leksjon. - Ta quiz etter forelesningen.
- Fullfør utfordringen.
- Fullfør oppgaven.
- Etter å ha fullført en leksjonsgruppe, besøk Diskusjonsforumet og «lær høyt» ved å fylle ut relevant PAT-rubric. En 'PAT' er et vurderingsverktøy som du fyller ut for å fremme læringen din. Du kan også reagere på andres PAT-er så vi kan lære sammen.
For videre studier anbefaler vi å følge disse Microsoft Learn modulene og læringsveiene.
Lærere, vi har inkludert noen forslag om hvordan denne læreplanen kan brukes.
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 nedenfor.
Gif av Mohit Jaisal
🎥 Klikk på bildet over for en video om prosjektet og folka som laget det!
Vi har valgt to pedagogiske prinsipper under utformingen av denne læreplanen: å sikre at den er praktisk prosjektbasert og at den inkluderer hyppige quizer. I tillegg har denne læreplanen et felles tema som gir sammenheng.
Ved å sikre at innholdet samsvarer med prosjekter, gjøres læringsprosessen mer engasjerende for studentene og forståelsen av konsepter vil øke. I tillegg setter en quiz med lav innsats før en klasse studentens fokus på å lære et tema, mens en annen quiz etter klassen sikrer ytterligere forståelse. 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 gjennom den 12-ukers syklusen. Denne læreplanen inkluderer også et etterord om virkelige anvendelser av ML, som kan brukes som ekstra kreditt eller som grunnlag for diskusjon.
Finn våre Regler for oppførsel, Bidrag, Oversettelser og Feilsøking-retningslinjer. Vi tar imot konstruktive tilbakemeldinger!
- valgfri skisse
- valgfri supplerende video
- video-gjennomgang (kun enkelte leksjoner)
- quiz før forelesningen
- skriftlig leksjon
- for prosjektbaserte leksjoner, trinnvise guider for hvordan bygge prosjektet
- kunnskapskontroller
- en utfordring
- supplerende lesning
- oppgave
- quiz etter forelesningen
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 innbygging avkodeblokker(av R eller andre språk) og enYAML-header(som styrer hvordan utdata formateres, for eksempel PDF) i etMarkdown-dokument. Som sådan fungerer det som en eksemplarisk forfatterramme for datavitenskap, siden det lar deg kombinere koden din, dens utdata og dine tanker ved å skrive dem ned i Markdown. I tillegg kan R Markdown-dokumenter gjengis til utdataformater som PDF, HTML eller Word.
En merknad om quizzer: Alle quizzer er samlet i Quiz App-mappen, totalt 52 quizzer med tre spørsmål hver. De er lenket fra leksjonene, men quiz-appen kan kjøres lokalt; følg instruksjonene i
quiz-app-mappen for lokal hosting eller distribusjon til Azure.
| Lesson Number | Topic | Lesson Grouping | Learning Objectives | Linked Lesson | Author |
|---|---|---|---|---|---|
| 01 | Introduksjon til maskinlæring | Introduksjon | Lær de grunnleggende konseptene bak maskinlæring | Leksjon | Muhammad |
| 02 | Historien til maskinlæring | Introduksjon | Lær historien som ligger bak dette feltet | Leksjon | Jen og Amy |
| 03 | Rettferdighet og maskinlæring | Introduksjon | Hva er de viktige filosofiske problemstillingene rundt rettferdighet som studenter bør vurdere når de bygger og anvender ML-modeller? | Leksjon | Tomomi |
| 04 | Teknikkene 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 | Nord-amerikanske gresskarpriser 🎃 | Regresjon | Visualiser og rens data som forberedelse til ML | Python • R | Jen • Eric Wanjau |
| 07 | Nord-amerikanske gresskarpriser 🎃 | Regresjon | Bygg lineære og polynomiale regresjonsmodeller | Python • R | Jen og Dmitry • Eric Wanjau |
| 08 | Nord-amerikanske gresskarpriser 🎃 | Regresjon | Bygg en logistisk regresjonsmodell | Python • R | Jen • Eric Wanjau |
| 09 | En netthandelsapp 🔌 | Web App | Bygg en nettapp for å bruke den trente modellen din | 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 retter 🍜 | Klassifisering | Introduksjon til klassifikatorer | Python • R | Jen og Cassie • Eric Wanjau |
| 12 | Deilige asiatiske og indiske retter 🍜 | Klassifisering | Flere klassifikatorer | Python • R | Jen og Cassie • Eric Wanjau |
| 13 | Deilige asiatiske og indiske retter 🍜 | Klassifisering | Bygg en anbefalingsnettapp 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 musikksmaker 🎧 | Klynging | Utforsk K-Middel klynge-metoden | 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 din NLP-kunnskap ved å forstå vanlige oppgaver som kreves ved håndtering av 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 med hotellvurderinger 1 | Python | Stephen |
| 20 | Romantiske hoteller i Europa |
Naturlig språkbehandling | Sentimentanalyse med hotellvurderinger 2 | Python | Stephen |
| 21 | Introduksjon til tidsserieprognoser | Tidsserie | Introduksjon til tidsserieprognoser | Python | Francesca |
| 22 | ⚡️ Verdens strømmforbruk ⚡️ - tidsserieprognose med ARIMA | Tidsserie | Tidsserieprognose med ARIMA | Python | Francesca |
| 23 | ⚡️ Verdens strømmforbruk ⚡️ - tidsserieprognose med SVR | Tidsserie | Tidsserieprognose med Support Vector Regressor | Python | Anirban |
| 24 | Introduksjon til forsterkningslæring | Forsterkningslæring | Introduksjon til forsterkningslæring med Q-Læring | 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 anvendelser av klassisk ML | Leksjon | Team |
| Postscript | Modellfeilsøking i ML med RAI dashboard | ML i det fri | Modellfeilsøking i maskinlæring med Responsible AI-dashboard-komponenter | Leksjon | Ruth Yakubu |
finn alle tilleggskilder for dette kurset i vår Microsoft Learn-samling
Du kan kjøre denne dokumentasjonen offline ved å bruke Docsify. Fork dette repoet, installer Docsify på din lokale maskin, og så i rotmappen av dette repoet, skriv docsify serve. Nettstedet vil bli servert på port 3000 på din localhost: localhost:3000.
Finn en pdf av pensumet med lenker 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 står fast eller har spørsmål mens du lærer maskinlæring eller bygger AI-applikasjoner, ikke bekymre deg — hjelp er tilgjengelig.
Du kan delta i diskusjoner med andre lærende og utviklere, stille spørsmål og dele ideene dine med fellesskapet.
- Bli med i fellesskapet for å stille spørsmål og lære med andre
- Diskuter konsepter innen maskinlæring og prosjektideer
- Få veiledning fra erfarne utviklere
Et støttende fellesskap er en flott måte å utvikle ferdighetene dine på og løse problemer raskere.
Microsoft Foundry Discord Community
Hvis du oppdager feil, problemer eller har forslag til forbedringer, kan du også åpne en Issue i dette depotet for å rapportere problemet.
For produkttilbakemeldinger eller for å søke i eksisterende innlegg i fellesskapet, besøk utviklerforumet:
- Gå gjennom notatbøker etter hver leksjon for bedre forståelse.
- Øv på å implementere algoritmer på egen hånd.
- Utforsk datasett fra virkeligheten ved å bruke lærte konsepter.
Ansvarsfraskrivelse: Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten Co-op Translator. Selv om vi streber etter nøyaktighet, vennligst vær oppmerksom på at automatiserte oversettelser kan inneholde feil eller unøyaktigheter. Det opprinnelige dokumentet på originalspråket skal betraktes som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen.