Data-Science-For-Beginners/translations/sv

Data Science för Nybörjare - Ett Läroplan

Azure Cloud Advocates på Microsoft är glada att kunna erbjuda en 10-veckors, 20-lektioners läroplan om Data Science. Varje lektion inkluderar för- och efter-lektionsquiz, skriftliga instruktioner för att slutföra lektionen, en lösning och en uppgift. Vår projektbaserade pedagogik låter dig lära dig genom att bygga, ett beprövat sätt för nya färdigheter att "fästa".

Stort tack till våra författare: Jasmine Greenaway, Dmitry Soshnikov, Nitya Narasimhan, Jalen McGee, Jen Looper, Maud Levy, Tiffany Souterre, Christopher Harrison.

🙏 Särskilt tack 🙏 till våra Microsoft Student Ambassador författare, granskare och innehållsmedarbetare, särskilt 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 För Nybörjare - Sketchnote av @nitya

🌐 Flerspråkigt Stöd

Stöds via GitHub Action (Automatiserat & Alltid Uppdaterat)

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 repository inkluderar 50+ språköversättningar vilket avsevärt ökar nedladdningsstorleken. För att klona utan översättningar, använd sparsamt utcheckning:

Bash / macOS / Linux:

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'

CMD (Windows):

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"

Detta ger dig allt du behöver för att slutföra kursen med en mycket snabbare nedladdning.

Om du vill ha ytterligare översättningsspråk stöds de som listas här

Gå med i vår gemenskap

Vi har en Discord serie ”Learn with AI” på gång, lär dig mer och gå med hos oss på Learn with AI Series från 18 - 30 september, 2025. Du får tips och tricks för att använda GitHub Copilot för Data Science.

Är du student?

Kom igång med följande resurser:

• Student Hub-sida På denna sida hittar du nybörjarresurser, Studentpaket och till och med sätt att få ett gratis certifikatsvoucher. Detta är en sida du vill bokmärka och kolla då och då eftersom vi byter ut innehåll minst varje månad.
• Microsoft Learn Student Ambassadors Gå med i en global gemenskap av studentambassadörer, det kan vara din väg in i Microsoft.

Komma igång

📚 Dokumentation

• Installationsguide - Steg-för-steg installationsinstruktioner för nybörjare
• Användarguide - Exempel och vanliga arbetsflöden
• Felsökning - Lösningar på vanliga problem
• Bidragsguide - Hur man bidrar till detta projekt
• För lärare - Undervisningsvägledning och klassrumresurser

👨‍🎓 För studenter

Fullständiga nybörjare: Nybörjare på data science? Börja med våra nybörjarvänliga exempel! Dessa enkla, välkommenterade exempel hjälper dig att förstå grunderna innan du dyker in i hela läroplanen. Studenter: för att använda denna läroplan själv, forka hela repo och slutför övningarna själv, börja med ett för-lecture quiz. Läs sedan föreläsningen och slutför resten av aktiviteterna. Försök att skapa projekten genom att förstå lektionerna snarare än att kopiera lösningskoden; dock finns den koden tillgänglig i /solutions-mapparna i varje projektorienterad lektion. En annan idé är att bilda en studiekrets med vänner och gå igenom innehållet tillsammans. För vidare studier rekommenderar vi Microsoft Learn.

Snabbstart:

1. Kolla Installationsguiden för att ställa in din miljö
2. Gå igenom Användarguiden för att lära dig hur du använder läroplanen
3. Börja med Lektion 1 och arbeta dig igenom i ordning
4. Gå med i vårt Discord-community för stöd

👩‍🏫 För lärare

Lärare: vi har inkluderat några förslag på hur man använder detta läroplan. Vi tar gärna emot din feedback i vårt diskussionsforum!

Möt teamet

Gif av Mohit Jaisal

🎥 Klicka på bilden ovan för en video om projektet och personerna som skapade det!

Pedagogik

Vi har valt två pedagogiska principer när vi byggde denna läroplan: att säkerställa att den är projektbaserad och att den innehåller frekventa quiz. I slutet av denna serie kommer eleverna ha lärt sig grundläggande principer inom data science, inklusive etiska koncept, datapreparering, olika sätt att arbeta med data, datavisualisering, dataanalys, verkliga användningsfall av data science och mer.

Dessutom sätter ett lågintensivt quiz före en lektion elevens fokus mot att lära sig ett ämne, medan ett andra quiz efter lektionen säkerställer ytterligare retention. Denna läroplan är utformad för att vara flexibel och rolig och kan genomföras helt eller delvis. Projekten börjar små och blir mer komplexa mot slutet av 10-veckorscykeln.

Hitta våra uppförandekoder, bidragsriktlinjer, översättningsriktlinjer. Vi välkomnar din konstruktiva feedback!

Varje lektion inkluderar:

• Valfri sketchnote
• Valfri kompletterande video
• Uppvärmningsquiz före lektionen
• Skriftlig lektion
• För projektbaserade lektioner, steg-för-steg-guider om hur du bygger projektet
• Kunskapskontroller
• En utmaning
• Kompletterande läsning
• Uppgift
• Quiz efter lektionen

En not om quiz: Alla quiz finns i Quiz-App-mappen, totalt 40 quiz med tre frågor vardera. De är länkade från lektionerna, men quiz-appen kan köras lokalt eller distribueras till Azure; följ instruktionerna i quiz-app-mappen. De är successivt på väg att lokaliseras.

🎓 Nybörjarvänliga exempel

Ny inom Data Science? Vi har skapat en särskild exempelkatalog med enkel, välkommenterad kod för att hjälpa dig att komma igång:

• 🌟 Hello World - Ditt första data science-program
• 📂 Ladda data - Lär dig läsa och utforska datasets
• 📊 Enkel analys - Beräkna statistik och hitta mönster
• 📈 Grundläggande visualisering - Skapa diagram och grafer
• 🔬 Verkligt projekt - Komplett arbetsflöde från start till slut

Varje exempel innehåller detaljerade kommentarer som förklarar varje steg, perfekt för absoluta nybörjare!

👉 Börja med exemplen 👈

Lektioner

Data Science för nybörjare: Färdplan - Sketchnote av @nitya

Lektion Nummer	Ämne	Lektion Gruppering	Lärandemål	Länkad Lektion	Författare
01	Definiera Data Science	Introduktion	Lär dig grundläggande koncept inom data science och hur det relaterar till artificiell intelligens, maskininlärning och big data.	lektionen video	Dmitry
02	Data Science Etik	Introduktion	Etiska koncept inom data, utmaningar och ramverk.	lektionen	Nitya
03	Definiera Data	Introduktion	Hur data klassificeras och dess vanliga källor.	lektionen	Jasmine
04	Introduktion till statistik & sannolikhet	Introduktion	Matematiska tekniker för sannolikhet och statistik för att förstå data.	lektionen video	Dmitry
05	Arbeta med relationell data	Arbeta med data	Introduktion till relationell data och grunderna för att utforska och analysera relationell data med Structured Query Language, även känt som SQL (uttalas "see-quell").	lektionen	Christopher
06	Arbeta med NoSQL-data	Arbeta med data	Introduktion till icke-relationell data, dess olika typer och grunderna för att utforska och analysera dokumentdatabaser.	lektionen	Jasmine
07	Arbeta med Python	Arbeta med data	Grunderna i att använda Python för datautforskning med bibliotek som Pandas. Grundläggande förståelse för Python-programmering rekommenderas.	lektionen video	Dmitry
08	Datapreparering	Arbeta med data	Ämnen kring datatekniker för att rensa och transformera data för att hantera utmaningar med saknad, felaktig eller ofullständig data.	lektionen	Jasmine
09	Visualisera mängder	Datavisualisering	Lär dig använda Matplotlib för att visualisera fågeldatan 🦆	lektionen	Jen
10	Visualisera datadistribution	Datavisualisering	Visualisera observationer och trender inom ett intervall.	lektionen	Jen
11	Visualisera proportioner	Datavisualisering	Visualisera diskreta och grupperade procentandelar.	lektionen	Jen
12	Visualisera relationer	Datavisualisering	Visualisera kopplingar och korrelationer mellan datasystem och deras variabler.	lektionen	Jen
13	Meningsfulla visualiseringar	Datavisualisering	Tekniker och vägledning för att göra dina visualiseringar värdefulla för effektiv problemlösning och insikter.	lektionen	Jen
14	Introduktion till data science-livscykeln	Livscykel	Introduktion till data science-livscykeln och dess första steg att förvärva och extrahera data.	lektionen	Jasmine
15	Analysera	Livscykel	Denna fas i data science-livscykeln fokuserar på tekniker för att analysera data.	lektionen	Jasmine
16	Kommunikation	Livscykel	Denna fas i data science-livscykeln fokuserar på att presentera insikter från data på ett sätt som gör det enklare för beslutsfattare att förstå.	lektionen	Jalen
17	Data Science i molnet	Molndata	Denna serie lektioner introducerar data science i molnet och dess fördelar.	lektionen	Tiffany och Maud
18	Data Science i molnet	Molndata	Träna modeller med Low Code-verktyg.	lektionen	Tiffany och Maud
19	Data Science i molnet	Molndata	Distribuera modeller med Azure Machine Learning Studio.	lektionen	Tiffany och Maud
20	Data Science "in the Wild"	I det vilda	Data science-drivna projekt i verkliga världen.	lektionen	Nitya

GitHub Codespaces

Följ dessa steg för att öppna detta exempel i en Codespace:

1. Klicka på Code-rullgardinsmenyn och välj alternativet Öppna med Codespaces.
2. Välj + Ny codespace längst ned i panelen. För mer info, se GitHub-dokumentationen.

VSCode Remote - Containers

Följ dessa steg för att öppna detta repo i en container med din lokala maskin och VSCode med hjälp av VS Code Remote - Containers-tillägget:

1. Om detta är första gången du använder en utvecklingscontainer, se till att ditt system uppfyller förutsättningarna (dvs. ha Docker installerat) i kom igång-dokumentationen.

För att använda detta repo kan du antingen öppna repot i en isolerad Docker-volym:

Observera: Under huven kommer detta att använda Remote-Containers: Clone Repository in Container Volume...-kommandot för att klona källkoden i en Docker-volym istället för i det lokala filsystemet. Volymer är den föredragna metoden för att bevara container-data.

Eller öppna en lokalt klonad eller nedladdad version av repot:

• Klona detta repo till ditt lokala filsystem.
• Tryck F1 och välj kommandot Remote-Containers: Open Folder in Container....
• Välj den klonade kopian av denna mapp, vänta på att containern startar, och testa.

Offlineåtkomst

Du kan köra denna dokumentation offline genom att använda Docsify. Forka detta repo, installera Docsify på din lokala maskin, och sedan i rotmappen av detta repo, skriv docsify serve. Webbplatsen kommer att serveras på port 3000 på din localhost: localhost:3000.

Observera, notebooks renderas inte via Docsify, så när du behöver köra en notebook, gör det separat i VS Code med en Python-kärna.

Andra läroplaner

Vårt team producerar andra läroplaner! Kolla in:

LangChain

Azure / Edge / MCP / Agenter

---

Series med generativ AI

---

Kärninlärning

---

Copilot-serie

Få hjälp

Stöter du på problem? Kolla in vår Felsökningsguide för lösningar på vanliga problem.

Om du kör fast eller har frågor om att bygga AI-appar. Gå med i samtal med andra lärande och erfarna utvecklare om MCP. Det är en stödjande gemenskap där frågor är välkomna och kunskap delas fritt.

Om du har produktfeedback eller hittar fel under utveckling, besök:

---

Ansvarsfriskrivning: Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator. Även om vi strävar efter noggrannhet är det viktigt att vara medveten om att automatiska översättningar kan innehålla fel eller brister. Det ursprungliga dokumentet på dess originalspråk ska betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för några missförstånd eller feltolkningar som uppstår vid användning av denna översättning.