Data-Science-For-Beginners/translations/no

Data Science for Beginners - Et pensum

Azure Cloud Advocates hos Microsoft er glade for å tilby et 10-ukers, 20-leksjons pensum helt om Data Science. Hver leksjon inkluderer prøver før og etter leksjonen, skriftlige instruksjoner for å fullføre leksjonen, en løsning og en oppgave. Vår prosjektbaserte pedagogikk lar deg lære mens du bygger, en bevist måte for nye ferdigheter å «feste seg».

Hjertelig takk til våre forfattere: Jasmine Greenaway, Dmitry Soshnikov, Nitya Narasimhan, Jalen McGee, Jen Looper, Maud Levy, Tiffany Souterre, Christopher Harrison.

🙏 Spesiell takk 🙏 til våre Microsoft Student Ambassador forfattere, gjennomgåere og innholdsleverandører, særlig 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 by @nitya

🌐 Flerspråklig støtte

Støttet via GitHub Action (Automatisert & Alltid Oppdatert)

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 depotet inkluderer over 50 språkoversettelser som øker nedlastingsstørrelsen betydelig. For å klone uten oversettelser, bruk sparsjekk ut:

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 gir deg alt du trenger for å fullføre kurset med en mye raskere nedlasting.

Hvis du ønsker at ytterligere oversettelsesspråk skal støttes, er disse listet her

Bli med i vårt fellesskap

Vi har en pågående Discord-lær-med-AI-serie, lær mer og bli med oss på Learn with AI Series fra 18. - 30. september 2025. Du vil få tips og triks for bruk av GitHub Copilot for Data Science.

Er du en student?

Kom i gang med følgende ressurser:

• Student Hub-side På denne siden finner du nybegynnerressurser, studentpakker og til og med muligheter for å få en gratis sertifikatkupong. Dette er en side du ønsker å bokmerke og sjekke fra tid til annen ettersom vi bytter ut innhold minst månedlig.
• Microsoft Learn Student Ambassadors Bli med i et globalt fellesskap av studentambassadører, dette kan være din vei inn i Microsoft.

Komme i gang

📚 Dokumentasjon

• Installasjonsveiledning - Steg-for-steg oppsettinstruksjoner for nybegynnere
• Bruksanvisning - Eksempler og vanlige arbeidsflyter
• Feilsøking - Løsninger på vanlige problemer
• Bidragsveiledning - Hvordan bidra til dette prosjektet
• For lærere - Veiledning for undervisning og klasseromsressurser

👨‍🎓 For studenter

Fullstendige nybegynnere: Ny på data science? Start med våre nybegynnervennlige eksempler! Disse enkle, godt kommenterte eksemplene hjelper deg å forstå det grunnleggende før du dykker ned i hele pensum. Studenter: for å bruke dette pensumet på egenhånd, forkk hele repoet og fullfør øvelsene selv, begynn med en prøve før forelesningen. Les deretter forelesningen og fullfør resten av aktivitetene. Prøv å lage prosjektene ved å forstå leksjonene i stedet for å kopiere løsningskoden; den koden er imidlertid tilgjengelig i /solutions-mappene i hver prosjektorienterte leksjon. En annen idé kan være å danne en studiegruppe med venner og gå gjennom innholdet sammen. For videre studier anbefaler vi Microsoft Learn.

Rask start:

1. Sjekk Installasjonsveiledningen for å sette opp miljøet ditt
2. Gå gjennom Bruksanvisningen for å lære hvordan du jobber med pensumet
3. Start med Leksjon 1 og jobb deg gjennom i rekkefølge
4. Bli med i vårt Discord-fellesskap for støtte

👩‍🏫 For lærere

Lærere: vi har inkludert noen forslag til hvordan du kan bruke dette pensumet. Vi setter stor pris på dine tilbakemeldinger i vårt diskusjonsforum!

Møt teamet

Gif av Mohit Jaisal

🎥 Klikk på bildet over for en video om prosjektet og folka som laget det!

Pedagogikk

Vi har valgt to pedagogiske prinsipper mens vi bygde dette pensumet: å sikre at det er prosjektbasert og at det inneholder hyppige quizzer. Ved slutten av denne serien vil studentene ha lært grunnleggende prinsipper for datavitenskap, inkludert etiske konsepter, dataklargjøring, forskjellige måter å arbeide med data på, datavisualisering, dataanalyse, virkelige bruksområder for datavitenskap og mer.

I tillegg setter en lavterskelquiz før en klasse studentens intensjon mot å lære et tema, mens en annen quiz etter klassen sikrer ytterligere bevaring. Dette pensumet er designet for å være fleksibelt og morsomt, og kan tas helt eller delvis. Prosjektene starter smått og blir stadig mer komplekse mot slutten av den 10 uker lange syklusen.

Finn vår Code of Conduct, Contributing, Translation retningslinjer. Vi tar imot din konstruktive tilbakemelding!

Hver leksjon inkluderer:

• Valgfri skisse-notat
• Valgfri tilleggsvideo
• Oppvarmingsquiz før leksjonen
• Skriftlig leksjon
• For prosjektbaserte leksjoner, trinnvise guider for å bygge prosjektet
• Kunnskapssjekker
• En utfordring
• Tilleggslesing
• Oppgave
• Quiz etter leksjonen

En merknad om quizzer: Alle quizzer ligger i Quiz-App-mappen, totalt 40 quizzer med tre spørsmål hver. De er lenket fra leksjonene, men quiz-appen kan kjøres lokalt eller deployeres til Azure; følg instruksjonene i quiz-app mappen. De lokaliseres gradvis.

🎓 Nybegynnervennlige eksempler

Ny i datavitenskap? Vi har laget en spesiell eksempelkatalog med enkel, godt kommentert kode for å hjelpe deg i gang:

• 🌟 Hello World - Ditt første datavitenskapsprogram
• 📂 Laste inn data - Lær å lese og utforske datasett
• 📊 Enkel analyse - Beregn statistikk og finn mønstre
• 📈 Grunnleggende visualisering - Lag diagrammer og grafer
• 🔬 Virkelig prosjekt - Hele arbeidsflyten fra start til slutt

Hvert eksempel inkluderer detaljerte kommentarer som forklarer hvert trinn, perfekt for absolutt nybegynnere!

👉 Start med eksemplene 👈

Leksjoner

Datavitenskap for nybegynnere: veikart - Skisse-notat av @nitya

Leksjonsnummer	Tema	Leksjonsgruppe	Læringsmål	Lenket leksjon	Forfatter
01	Definere datavitenskap	Introduksjon	Lær de grunnleggende konseptene bak datavitenskap og hvordan det relaterer seg til kunstig intelligens, maskinlæring og big data.	leksjon video	Dmitry
02	Etikk i datavitenskap	Introduksjon	Datatiske etikk-konsepter, utfordringer og rammeverk.	leksjon	Nitya
03	Definere data	Introduksjon	Hvordan data klassifiseres og dets vanlige kilder.	leksjon	Jasmine
04	Introduksjon til statistikk og sannsynlighet	Introduksjon	De matematiske teknikkene sannsynlighet og statistikk for å forstå data.	leksjon video	Dmitry
05	Arbeide med relasjonsdata	Arbeide med data	Introduksjon til relasjonsdata og det grunnleggende ved utforsking og analyse av relasjonsdata med Structured Query Language, også kjent som SQL (uttales "see-quell").	leksjon	Christopher
06	Arbeide med NoSQL-data	Arbeide med data	Introduksjon til ikke-relasjonsdata, ulike typer og det grunnleggende ved utforsking og analyse av dokumentdatabaser.	leksjon	Jasmine
07	Arbeide med Python	Arbeide med data	Grunnleggende bruk av Python for datautforskning med biblioteker som Pandas. Grunnleggende forståelse av Python-programmering anbefales.	leksjon video	Dmitry
08	Dataklargjøring	Arbeide med data	Emner om datateknikker for rengjøring og transformasjon av data for å håndtere utfordringer med manglende, unøyaktige eller ufullstendige data.	leksjon	Jasmine
09	Visualisere mengder	Datavisualisering	Lær hvordan du bruker Matplotlib for å visualisere fugledata 🦆	leksjon	Jen
10	Visualisere datafordelinger	Datavisualisering	Visualisere observasjoner og trender innenfor et intervall.	leksjon	Jen
11	Visualisere proporsjoner	Datavisualisering	Visualisere diskrete og grupperte prosenter.	leksjon	Jen
12	Visualisere relasjoner	Datavisualisering	Visualisere forbindelser og korrelasjoner mellom datasett og deres variabler.	leksjon	Jen
13	Meningsfulle visualiseringer	Datavisualisering	Teknikker og veiledning for å gjøre dine visualiseringer verdifulle for effektiv problemløsning og innsikt.	leksjon	Jen
14	Introduksjon til datavitenskapens livssyklus	Livssyklus	Introduksjon til datavitenskapens livssyklus og dens første steg med å innhente og hente ut data.	leksjon	Jasmine
15	Analysere	Livssyklus	Denne fasen av datavitenskapens livssyklus fokuserer på teknikker for å analysere data.	leksjon	Jasmine
16	Kommunikasjon	Livssyklus	Denne fasen av datavitenskapens livssyklus fokuserer på å presentere innsiktene fra data på en måte som gjør det enklere for beslutningstakere å forstå.	leksjon	Jalen
17	Datavitenskap i skyen	Skydata	Denne serien av leksjoner introduserer datavitenskap i skyen og fordelene ved det.	leksjon	Tiffany og Maud
18	Datavitenskap i skyen	Skydata	Trene modeller ved å bruke Low Code-verktøy.	leksjon	Tiffany og Maud
19	Datavitenskap i skyen	Skydata	Distribuere modeller med Azure Machine Learning Studio.	leksjon	Tiffany og Maud
20	Datavitenskap i praksis	I praksis	Datavitenskap-drevne prosjekter i den virkelige verden.	leksjon	Nitya

GitHub Codespaces

Følg disse stegene for å åpne dette eksempelet i en Codespace:

1. Klikk på Code-rullegardinmenyen og velg Open with Codespaces-alternativet.
2. Velg + New codespace nederst i panelet. For mer info, se GitHub dokumentasjonen.

VSCode Remote - Containers

Følg disse stegene for å åpne dette repoet i en container ved hjelp av din lokale maskin og VSCode med VS Code Remote - Containers-utvidelsen:

1. Hvis dette er første gang du bruker en utviklingscontainer, sørg for at systemet ditt møter forhåndskravene (dvs. ha Docker installert) i kom i gang-dokumentasjonen.

For å bruke dette repositoriet kan du enten åpne repositoriet i et isolert Docker-volum:

Merk: Under panseret vil dette bruke Remote-Containers: Clone Repository in Container Volume...-kommandoen for å klone kildekoden i et Docker-volum i stedet for det lokale filsystemet. Volumer er foretrukket mekanisme for å bevare container-data.

Eller åpne en lokalt klonet eller nedlastet versjon av repositoriet:

• Klon dette repositoriet til ditt lokale filsystem.
• Trykk F1 og velg kommandoen Remote-Containers: Open Folder in Container....
• Velg den klonede kopien av denne mappen, vent til containeren starter, og prøv ut ting.

Offline-tilgang

Du kan kjøre denne dokumentasjonen offline ved å bruke Docsify. Fork dette repoet, installer Docsify på din lokale maskin, og deretter i rotmappen av dette repoet, skriv docsify serve. Nettstedet vil bli servert på port 3000 på din localhost: localhost:3000.

Merk, notatbøker vil ikke bli gjengitt via Docsify, så når du trenger å kjøre en notatbok, gjør det separat i VS Code med en Python-kjerne kjørende.

Andre pensumlister

Teamet vårt produserer andre pensumlister! Sjekk ut:

LangChain

---

Azure / Edge / MCP / Agenter

---

Generativ AI-serie

---

Kjerneopplæring

---

Copilot-serie

Få hjelp

Opplever du problemer? Sjekk vår Feilsøkingsguide for løsninger på vanlige problemer.

Hvis du står 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 der spørsmål er velkomne og kunnskap deles fritt.

Hvis du har produktfeedback eller feil under byggingen, besøk:

---

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 opprinnelige dokumentet på originalspråket skal anses som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi påtar oss ikke ansvar for eventuelle misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen.