Data-Science-For-Beginners/translations/da

Data Science for Beginners - En læreplan

Azure Cloud Advocates hos Microsoft er glade for at tilbyde en 10-ugers, 20-lektioners læreplan, der handler om Data Science. Hver lektion inkluderer quizzer før og efter lektionen, skriftlige instruktioner til at fuldføre lektionen, en løsning og en opgave. 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: Jasmine Greenaway, Dmitry Soshnikov, Nitya Narasimhan, Jalen McGee, Jen Looper, Maud Levy, Tiffany Souterre, Christopher Harrison.

🙏 Særlige tak 🙏 til vores Microsoft Student Ambassador forfattere, anmeldere og indholdsbidragydere, især Aaryan Arora, Aditya Garg, Alondra Sanchez, Ankita Singh, Anupam Mishra, Arpita Das, ChhailBihari Dubey, Dibri Nsofor, Dishita Bhasin, Majd Safi, Max Blum, Miguel Correa, Mohamma Iftekher (Iftu) Ebne Jalal, Nawrin Tabassum, Raymond Wangsa Putra, Rohit Yadav, Samridhi Sharma, Sanya Sinha, Sheena Narula, Tauqeer Ahmad, Yogendrasingh Pawar , Vidushi Gupta, Jasleen Sondhi

Data Science For Beginners - Sketchnote af @nitya

🌐 Understøttelse af flere sprog

Understøttet via GitHub Action (Automatiseret & 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 repositorium inkluderer 50+ sprogoversættelser, som væsentligt øger downloadstørrelsen. For at klone uden oversættelser, brug sparse checkout:

git clone --filter=blob:none --sparse https://github.com/microsoft/Data-Science-For-Beginners.git
cd Data-Science-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.

Hvis du ønsker at få flere oversættelsessprog understøttet, er de listet her

Deltag i vores fællesskab

Vi har en igangværende Discord lær med AI-serie, lær mere og deltag i os på Learn with AI Series fra 18. - 30. september 2025. Du vil få tips og tricks til brug af GitHub Copilot for Data Science.

Er du studerende?

Kom i gang med følgende ressourcer:

• Student Hub side På denne side finder du begynderressourcer, studenterpakker og endda måder at få en gratis certifikatvoucher på. Dette er en side, du vil bogmærke og tjekke jævnligt, da vi skifter indhold mindst månedligt.
• Microsoft Learn Student Ambassadors Deltag i et globalt fællesskab af studenterambassadører, det kan være din vej ind i Microsoft.

Kom godt i gang

📚 Dokumentation

• Installationsguide - Trin-for-trin installationsinstruktioner for begyndere
• Brugsvejledning - Eksempler og typiske arbejdsgange
• Fejlfinding - Løsninger på almindelige problemer
• Bidragende guide - Sådan bidrager du til dette projekt
• For lærere - Undervisningsvejledning og ressourcer til klasseværelset

👨‍🎓 For studerende

Helt begynder: Ny inden for data science? Start med vores begyndervenlige eksempler! Disse enkle, godt kommenterede eksempler hjælper dig med at forstå det grundlæggende, før du dykker ned i hele læreplanen. Studerende: for at bruge denne læreplan på egen hånd, lav en fork af hele repoen og gennemfør øvelserne selv, startende med en quiz før forelæsningen. Læs derefter forelæsningen og gennemfør resten af aktiviteterne. Prøv at skabe projekterne ved at forstå lektionerne snarere end at kopiere løsningskoden; dog er denne kode tilgængelig i /solutions mapperne i hver projektorienteret lektion. En anden idé er at danne en studiegruppe med venner og gennemgå indholdet sammen. Til yderligere studie anbefaler vi Microsoft Learn.

Hurtig start:

1. Tjek Installationsguiden for at sætte dit miljø op
2. Gennemgå Brugsvejledning for at lære, hvordan du arbejder med læreplanen
3. Start med lektion 1 og arbejd dig igennem sekventielt
4. Deltag i vores Discord fællesskab for support

👩‍🏫 For lærere

Lærere: vi har inkluderet nogle forslag til, hvordan denne læreplan kan bruges. Vi vil meget gerne have din feedback i vores diskussionsforum!

Mød teamet

Gif af Mohit Jaisal

🎥 Klik på billedet ovenfor for en video om projektet og folkene, der har skabt det!

Pædagogik

Vi har valgt to pædagogiske principper, mens vi byggede dette pensum: at sikre, at det er projektbaseret, og at det indeholder hyppige quizzer. Ved slutningen af denne serie vil eleverne have lært grundlæggende principper inden for datavidenskab, herunder etiske begreber, dataklargøring, forskellige måder at arbejde med data på, datavisualisering, dataanalyse, virkelige anvendelse af datavidenskab og mere.

Derudover sætter en lavrisiko quiz før en klasse elevens intention 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 helt eller delvist. Projekterne starter små og bliver gradvist mere komplekse i løbet af den 10-ugers cyklus.

Find vores Adfærdskodeks, Bidragning, Oversættelse retningslinjer. Vi byder dine konstruktive tilbagemeldinger velkommen!

Hver lektion inkluderer:

• Valgfri sketchnote
• Valgfri supplerende video
• Opvarmningsquiz før lektionen
• Skriftlig lektion
• For projektbaserede lektioner, trin-for-trin vejledninger til, hvordan man bygger projektet
• Videnstjek
• En udfordring
• Supplerende læsning
• Opgave
• Quiz efter lektionen

En note om quizzer: Alle quizzer findes i Quiz-App-mappen, med i alt 40 quizzer med tre spørgsmål hver. De er linket fra lektionerne, men quiz-appen kan køres lokalt eller deployeres til Azure; følg instruktionerne i quiz-app mappen. De bliver gradvist oversat.

🎓 Begynder-venlige eksempler

Ny til datavidenskab? Vi har oprettet et specielt eksempelbibliotek med enkel, velkommenteret kode for at hjælpe dig i gang:

• 🌟 Hello World - Dit første datavidenskabsprogram
• 📂 Indlæsning af data - Lær at læse og udforske datasæt
• 📊 Simpel analyse - Beregn statistik og find mønstre
• 📈 Grundlæggende visualisering - Lav diagrammer og grafer
• 🔬 Virkeligt projekt - Fuld arbejdsgang fra start til slut

Hvert eksempel indeholder detaljerede kommentarer, der forklarer hvert trin, hvilket gør det perfekt til absolutte begyndere!

👉 Start med eksemplerne 👈

Lektioner

Data Science For Beginners: Roadmap - Sketchnote af @nitya

Lektion Nummer	Emne	Lektion Gruppereing	Læringsmål	Linket Lektion	Forfatter
01	Definition af datavidenskab	Introduktion	Lær grundlæggende begreber bag datavidenskab og hvordan det relaterer sig til kunstig intelligens, maskinlæring og big data.	lektion video	Dmitry
02	Etik i datavidenskab	Introduktion	Begreber, udfordringer og rammer for dataetik.	lektion	Nitya
03	Definition af data	Introduktion	Hvordan data klassificeres og dets almindelige kilder.	lektion	Jasmine
04	Introduktion til statistik & sandsynlighed	Introduktion	Matematiske teknikker inden for sandsynlighed og statistik til at forstå data.	lektion video	Dmitry
05	Arbejde med relationelle data	Arbejde med data	Introduktion til relationelle data og grundlæggende udforskning og analyse af relationelle data med Structured Query Language, også kendt som SQL (udtales “see-quell”).	lektion	Christopher
06	Arbejde med NoSQL-data	Arbejde med data	Introduktion til ikke-relationelle data, deres forskellige typer og grundlæggende udforskning og analyse af dokumentdatabaser.	lektion	Jasmine
07	Arbejde med Python	Arbejde med data	Grundlæggende brug af Python til dataudforskning med biblioteker som Pandas. En grundlæggende forståelse af Python programmering anbefales.	lektion video	Dmitry
08	Dataklargøring	Arbejde med data	Emner om datateknikker til rengøring og omdannelse af data for at håndtere udfordringer med manglende, unøjagtige eller ufuldstændige data.	lektion	Jasmine
09	Visualisering af mængder	Datavisualisering	Lær hvordan du bruger Matplotlib til at visualisere fugledata 🦆	lektion	Jen
10	Visualisering af datadistributioner	Datavisualisering	Visualisering af observationer og trends inden for et interval.	lektion	Jen
11	Visualisering af forhold	Datavisualisering	Visualisering af diskrete og grupperede procenter.	lektion	Jen
12	Visualisering af relationer	Datavisualisering	Visualisering af forbindelser og korrelationer mellem datasæt og deres variable.	lektion	Jen
13	Meningsfulde visualiseringer	Datavisualisering	Teknikker og vejledning til at gøre dine visualiseringer værdifulde for effektiv problemløsning og indsigt.	lektion	Jen
14	Introduktion til datavidenskabslivscyklussen	Livscyklus	Introduktion til datavidenskabslivscyklussen og dets første trin med erhvervelse og udvinding af data.	lektion	Jasmine
15	Analyse	Livscyklus	Denne fase i datavidenskabslivscyklussen fokuserer på teknikker til at analysere data.	lektion	Jasmine
16	Kommunikation	Livscyklus	Denne fase i datavidenskabslivscyklussen fokuserer på at præsentere indsigt fra data på en måde, der gør det lettere for beslutningstagere at forstå.	lektion	Jalen
17	Datavidenskab i skyen	Cloud Data	Denne serie lektioner introducerer datavidenskab i skyen og dens fordele.	lektion	Tiffany og Maud
18	Datavidenskab i skyen	Cloud Data	Træning af modeller ved brug af Low Code værktøjer.	lektion	Tiffany og Maud
19	Datavidenskab i skyen	Cloud Data	Implementering af modeller med Azure Machine Learning Studio.	lektion	Tiffany og Maud
20	Datavidenskab i praksis	In the Wild	Datavidenskabsdrevede projekter i den virkelige verden.	lektion	Nitya

GitHub Codespaces

Følg disse trin for at åbne dette eksempel i en Codespace:

1. Klik på Code dropdown-menuen og vælg Open with Codespaces option.
2. Vælg + New codespace nederst i panelet. For mere info, se GitHub dokumentationen.

VSCode Remote - Containers

Følg disse trin for at åbne dette repo i en container ved at bruge din lokale maskine og VSCode med VS Code Remote - Containers udvidelsen:

1. Hvis dette er første gang du bruger en udviklingscontainer, skal du sikre dig, at dit system opfylder forudsætningerne (fx Docker installeret) i komm-i-gang-dokumentationen.

For at bruge dette repository kan du enten åbne repod i et isoleret Docker-volume:

Bemærk: Under motorhjelmen bruges kommandoen Remote-Containers: Clone Repository in Container Volume... til at klone koden i et Docker-volume i stedet for lokalt filsystem. Volumes er den foretrukne mekanisme til at bevare containerdata.

Eller åbne en lokalt klonet eller downloadet version af repot:

• Klon dette repository til dit lokale filsystem.
• Tryk F1 og vælg kommandoen Remote-Containers: Open Folder in Container....
• Vælg den klonede kopi af denne mappe, vent på at containeren starter, og prøv tingene.

Offline adgang

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

Bemærk, notebooks bliver ikke gengivet via Docsify, så når du skal køre en notebook, gør det separat i VS Code med en Python kernel.

Andre pensum

Vores team producerer andre pensum! Tag et kig på:

LangChain

---

Azure / Edge / MCP / Agenter

---

Generativ AI-serie

---

Kerne Læring

---

Copilot-serie

Få hjælp

Oplever du problemer? Se vores Fejlfinding Guide for løsninger på almindelige problemer.

Hvis du sidder fast eller har spørgsmål om at bygge AI-apps. Deltag i diskussioner om MCP med medlærende og erfarne udviklere. Det er et støttende fællesskab, hvor spørgsmål er velkomne, og viden deles frit.

Hvis du har produktfeedback eller fejl under udviklingen, besøg:

---

Ansvarsfraskrivelse: Dette dokument er blevet 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 modersmål bør betragtes som den autoritative kilde. For kritisk information anbefales professionel human oversættelse. Vi påtager os intet ansvar for misforståelser eller fejltolkninger, der måtte opstå som følge af brugen af denne oversættelse.