Data-Science-For-Beginners/translations/sv

Data Science för nybörjare - En läroplan

Azure Cloud Advocates på Microsoft är glada att erbjuda en 10-veckors, 20-lektioners läroplan helt om Data Science. Varje lektion innehåller för- och efter-lektionsquiz, skriftliga instruktioner för att genomföra lektionen, en lösning och en uppgift. Vår projektbaserade pedagogik låter dig lära dig medan du bygger, 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.

🙏 Speciellt tack 🙏 till våra Microsoft Student Ambassador författare, granskare och innehållsmedverkande, 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) | Kinesiska (Förenklad) | Kinesiska (Traditionell, Hongkong) | Kinesiska (Traditionell, Macau) | Kinesiska (Traditionell, Taiwan) | Kroatiska | Tjeckiska | Danska | Holländska | Estniska | Finska | Franska | Tyska | Grekiska | Hebreiska | Hindi | Ungerska | Indonesiska | Italienska | Japanska | Kannada | Koreanska | Litauiska | Malay | Malayalam | Marathi | Nepali | Nigeriansk Pidgin | Norska | Persiska (Farsi) | Polska | Portugisiska (Brasilien) | Portugisiska (Portugal) | Punjabi (Gurmukhi) | Rumänska | Ryska | Serbiska (Kyrilliska) | Slovakiska | Slovenska | Spanska | Swahili | Svenska | Tagalog (Filippinska) | Tamil | Telugu | Thailändska | Turkiska | Ukrainska | Urdu | Vietnamesiska

Föredrar att klona lokalt?

Detta repository inkluderar över 50 språköversättningar vilket kraftigt ökar nedladdningsstorleken. För att klona utan översättningar, använd 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'

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

Om du önskar att få stöd för ytterligare översättningsspråk finns de listade här

Gå med i vår gemenskap

Vi har en pågående Discord-serie "Learn with AI", lär dig mer och gå med oss på Learn with AI Series från 18 - 30 september 2025. Du får tips och tricks om 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 en gratis certifikatsvoucher. Detta är en sida du vill bokmärka och kolla in då och då eftersom innehållet byts ut minst varje månad.
• Microsoft Learn Student Ambassadors Gå med i ett globalt community av studentambassadörer, detta kan vara din väg in till Microsoft.

Komma igång

📚 Dokumentation

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

👨‍🎓 För studenter

Totalt nybörjare: Ny inom data science? Börja med våra nybörjarvänliga exempel! Dessa enkla, välkommenterade exempel hjälper dig att förstå grunderna innan du går vidare till hela läroplanen. Studenter: för att använda denna läroplan på egen hand, fork hela repot och gör övningarna själv, med början med ett quiz före lektionen. Läs sedan lektionen och gör 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. Ett annat förslag är att bilda en studiecirkeln med vänner och gå igenom innehållet tillsammans. För vidare studier rekommenderar vi Microsoft Learn.

Snabbstart:

1. Kolla Installationsguiden för att sätta upp din miljö
2. Läs Användarguiden för att lära dig arbeta med läroplanen
3. Börja med Lektion 1 och arbeta dig igenom i ordning
4. Gå med i vår Discord-gemenskap för stöd

👩‍🏫 För lärare

Lärare: vi har inkluderat några förslag på hur denna läroplan kan användas. Vi tar gärna emot dina synpunkter i vårt diskussionsforum!

Möt teamet

Gif av Mohit Jaisal

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

Pedagogik

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

Dessutom sätter ett lågriskquiz före en lektion studentens intention mot att lära sig ett ämne, medan ett andra quiz efter lektionen säkerställer ytterligare retention. Denna kursplan är utformad för att vara flexibel och rolig och kan tas som helhet eller delvis. Projekten börjar små och blir alltmer komplexa vid slutet av den 10 veckors cykeln.

Hitta vår uppförandekod, bidragsriktlinjer, översättningsriktlinjer. Vi välkomnar din konstruktiva feedback!

Varje lektion inkluderar:

• Valfritt skissanteckning
• Valfri kompletterande video
• Quiz innan lektionen som uppvärmning
• Skriftlig lektion
• För projektbaserade lektioner, steg-för-steg-guider för hur man bygger projektet
• Kunskapskontroller
• En utmaning
• Kompletterande läsning
• Uppgift
• Quiz efter lektion

En notis 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 håller på att lokaliseras gradvis.

🎓 Nybörjarvänliga exempel

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

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

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

👉 Börja med exemplen 👈

Lektioner

Datavetenskap för nybörjare: Färdplan – Skissanteckning av @nitya

Lektionnummer	Ämne	Lektion Grupp	Lärandemål	Länkad lektion	Författare
01	Definiera datavetenskap	Introduktion	Lär dig grundläggande koncept bakom datavetenskap och hur det relaterar till artificiell intelligens, maskininlärning och big data.	lektion video	Dmitry
02	Etik inom datavetenskap	Introduktion	Koncept, utmaningar och ramverk för dataetik.	lektion	Nitya
03	Definiera data	Introduktion	Hur data klassificeras och dess vanliga källor.	lektion	Jasmine
04	Introduktion till statistik & sannolikhet	Introduktion	De matematiska teknikerna sannolikhet och statistik för att förstå data.	lektion video	Dmitry
05	Arbeta med relationsdata	Arbeta med data	Introduktion till relationsdata och grunderna för att utforska och analysera relationsdata med Structured Query Language, även känt som SQL (uttalas ”se-kväll”).	lektion	Christopher
06	Arbeta med NoSQL-data	Arbeta med data	Introduktion till icke-relationsdata, dess olika typer och grunderna för att utforska och analysera dokumentdatabaser.	lektion	Jasmine
07	Arbeta med Python	Arbeta med data	Grunder för att använda Python för datautforskning med bibliotek som Pandas. Grundläggande förståelse för Python-programmering rekommenderas.	lektion video	Dmitry
08	Dataförberedelse	Arbeta med data	Ämnen om datatekniker för rengöring och omvandling av data för att hantera utmaningar med saknad, felaktig eller ofullständig data.	lektion	Jasmine
09	Visualisera kvantiteter	Datavisualisering	Lär dig använda Matplotlib för att visualisera fågeldatum 🦆	lektion	Jen
10	Visualisera datafördelningar	Datavisualisering	Visualisera observationer och trender inom ett intervall.	lektion	Jen
11	Visualisera proportioner	Datavisualisering	Visualisering av diskreta och grupperade procentandelar.	lektion	Jen
12	Visualisera relationer	Datavisualisering	Visualisera kopplingar och korrelationer mellan datamängder och deras variabler.	lektion	Jen
13	Meningsfulla visualiseringar	Datavisualisering	Tekniker och vägledning för att göra dina visualiseringar värdefulla för effektiv problemlösning och insikter.	lektion	Jen
14	Introduktion till datavetenskaps livscykel	Livscykel	Introduktion till datavetenskaps livscykel och dess första steg att förvärva och extrahera data.	lektion	Jasmine
15	Analysera	Livscykel	Denna fas av datavetenskaps livscykel fokuserar på tekniker för att analysera data.	lektion	Jasmine
16	Kommunikation	Livscykel	Denna fas av datavetenskaps livscykel fokuserar på att presentera insikter från data på ett sätt som gör det enklare för beslutsfattare att förstå.	lektion	Jalen
17	Datavetenskap i molnet	Molndata	Denna serie lektioner introducerar datavetenskap i molnet och dess fördelar.	lektion	Tiffany och Maud
18	Datavetenskap i molnet	Molndata	Träna modeller med Low Code-verktyg.	lektion	Tiffany och Maud
19	Datavetenskap i molnet	Molndata	Driftsätt modeller med Azure Machine Learning Studio.	lektion	Tiffany och Maud
20	Datavetenskap i verkligheten	I det vilda	Datavetenskapsstyrda projekt i verkliga världen.	lektion	Nitya

GitHub Codespaces

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

1. Klicka på rullgardinsmenyn Code och välj alternativet Open with Codespaces.
2. Välj + New codespace längst ner i panelen. För mer info, kolla in 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. har Docker installerat) i kom igång-dokumentationen.

För att använda detta repository kan du antingen öppna repositoryt i ett isolerat Docker-volym:

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

Eller öppna en lokalt klonad eller nedladdad version av repositoryt:

• 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.

Offline-åtkomst

Du kan köra denna dokumentation offline med hjälp av Docsify. Forka detta repo, installera Docsify på din lokala maskin, sedan i rotmappen av detta repo, skriv docsify serve. Webbplatsen kommer att vara tillgänglig på port 3000 på din localhost: localhost:3000.

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

Andra kursplaner

Vårt team producerar andra kursplaner! Kolla in:

LangChain

---

Azure / Edge / MCP / Agenter

---

Generativ AI-serie

---

Kärninlärning

---

Copilot-serie

Få hjälp

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

Om du fastnar eller har frågor om att bygga AI-appar. Gå med i diskussioner 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 stöter på fel vid utveckling, besök:

---

Ansvarsfriskrivning: Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator. Även om vi strävar efter noggrannhet, vänligen var medveten om att automatiska översättningar kan innehålla fel eller brister. Det ursprungliga dokumentet på dess modersmål 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.