Data-Science-For-Beginners/translations/sv

Data Science för nybörjare - Ett läroplan

Azure Cloud Advocates på Microsoft är glada att erbjuda en 10-veckors, 20-lektioners läroplan helt om Data Science. Varje lektion inkluderar quiz före och efter lektionen, skriftliga instruktioner för att slutföra lektionen, en lösning och en uppgift. Vår projektbaserade pedagogik gör att du kan lära dig medan du bygger, ett beprövat sätt för nya färdigheter att "fastna".

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 innehållsbidragsgivare, framför allt 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

🌐 Fler språkstöd

Stöds via GitHub Action (Automatiserat & Alltid aktuellt)

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 att klona lokalt?

Detta repository innehåller översättningar till över 50 språk vilket avsevärt ökar nedladdningsstorleken. För att klona utan översättningar, använd sparsamt 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 slutföra kursen med en mycket snabbare nedladdning.

Om du önskar stöd för ytterligare översättningsspråk finns de listade här

Gå med i vår community

Vi har en pågående Discord-serie om att lära sig med AI, lär dig mer och gå med 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 certifikatvouchert. Detta är en sida du vill bokmärka och kolla regelbundet eftersom vi byter ut innehållet minst en gång i månaden.
• Microsoft Learn Student Ambassadors Gå med i en global community av studentambassadörer, detta 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 du bidrar till detta projekt
• För lärare - Undervisningsvägledning och klassrumsresurser

👨‍🎓 För studenter

Helt nybörjare: Ny inom 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 på egen hand, forka hela repot och slutför övningarna själv, börja med ett för-lecture quiz. Läs sedan lektionen och slutför resten av aktiviteterna. Försök att skapa projekten genom att förstå lektionerna snarare än att kopiera lösningskoden; dock är den koden tillgänglig i /solutions-mapparna i varje projektsorienterad lektion. En annan idé är att skapa en studiegrupp med vänner och gå igenom innehållet tillsammans. För vidare studier rekommenderar vi Microsoft Learn.

Snabbstart:

1. Kontrollera Installationsguiden för att ställa in din miljö
2. Granska Användarguiden för att lära dig hur man arbetar med läroplanen
3. Börja med Lektion 1 och arbeta sekventiellt igenom materialet
4. Gå med i vår Discord-community för support

👩‍🏫 För lärare

Lärare: vi har inkluderat några förslag på hur du kan använda denna läroplan. Vi uppskattar gärna din feedback 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 läroplan: att säkerställa att den är projektbaserad och att den inkluderar frekventa quiz. I slutet av denna serie kommer studenter ha lärt sig grundläggande principer för data science, inklusive etiska begrepp, datapreparering, olika sätt att arbeta med data, datavisualisering, dataanalys, verkliga användningsfall för data science och mer.

Dessutom sätter ett för-quiz innan en lektion studentens intention i att lära sig ett ämne, medan ett andra quiz efter lektionen säkerställer ytterligare retention. Denna läroplan är designad för att vara flexibel och rolig och kan tas i sin helhet eller delvis. Projekten börjar små och blir successivt mer komplexa under den 10 veckor långa cykeln.

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

Varje lektion innehåller:

• Valfri skissanteckning
• Valfri kompletterande video
• Uppvärmningsquiz före lektion
• Skriftlig lektion
• För projektbaserade lektioner, steg-för-steg guider för att bygga projektet
• Kunskapskontroller
• En utmaning
• Kompletterande läsning
• Uppgift
• Quiz efter lektionen

En notis om quiz: Alla quiz finns i Quiz-App-mappen, totalt 40 quiz med tre frågor vardera. De länkas från lektionerna men quiz-appen kan köras lokalt eller distribueras till Azure; följ instruktionen i quiz-app-mappen. De håller på att lokalisera dem successivt.

🎓 Börjarvänliga exempel

Ny på Data Science? Vi har skapat en särskild exempelmapp 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 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, perfekt för absoluta nybörjare!

👉 Börja med exemplen 👈

Lektioner

Data Science För Nybörjare: Vägkarta - Skissanteckning av @nitya

Lektion Nummer	Ämne	Lektion Grupp	Lärandemål	Länkad Lektion	Författare
01	Definiera Data Science	Introduktion	Lär dig grundläggande koncept bakom data science och hur det relaterar till artificiell intelligens, maskininlärning och big data.	lektion video	Dmitry
02	Data Science Etik	Introduktion	Dataetik-koncept, utmaningar & ramverk.	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 i att utforska och analysera relationsdata med Structured Query Language, även känt som SQL (uttalas ”se-kwel”).	lektion	Christopher
06	Arbeta med NoSQL Data	Arbeta Med Data	Introduktion till icke-relationsdata, dess olika typer och grunderna i att utforska och analysera dokumentdatabaser.	lektion	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.	lektion video	Dmitry
08	Datapreparering	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 hur man använder Matplotlib för att visualisera fågeldatan 🦆	lektion	Jen
10	Visualisera Datafördelningar	Datavisualisering	Visualisering av observationer och trender inom ett intervall.	lektion	Jen
11	Visualisera Proportioner	Datavisualisering	Visualisering av diskreta och grupperade procentandelar.	lektion	Jen
12	Visualisera Relationer	Datavisualisering	Visualisering av 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 Data Science:s livscykel	Livscykel	Introduktion till data science-livscykeln och dess första steg att erhålla och extrahera data.	lektion	Jasmine
15	Analysera	Livscykel	Denna fas i data science-livscykeln fokuserar på tekniker för att analysera data.	lektion	Jasmine
16	Kommunikation	Livscykel	Denna fas i data science-livscykeln fokuserar på att presentera insikterna från data på ett sätt som gör det enklare för beslutsfattare att förstå.	lektion	Jalen
17	Data Science i molnet	Molndata	Denna serie lektioner introducerar data science i molnet och dess fördelar.	lektion	Tiffany och Maud
18	Data Science i molnet	Molndata	Tränar modeller med Low Code-verktyg.	lektion	Tiffany och Maud
19	Data Science i molnet	Molndata	Distribuera modeller med Azure Machine Learning Studio.	lektion	Tiffany och Maud
20	Data Science i verkligheten	I det vilda	Data science-drivna 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 ned 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, säkerställ att ditt system uppfyller förutsättningarna (t.ex. ha Docker installerat) enligt kom igång-dokumentationen.

För att använda detta repository kan du antingen öppna repositoryt i en isolerad Docker-volym:

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

Eller öppna en lokalt klonad eller nedladdad version av repositoryt:

• Klona detta repository 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 prova.

Offlinetillgång

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

Observera att notebooks inte kommer att visas 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

---

Generativ AI-serie

---

Kärninlärning

---

Copilot-serie

Få hjälp

Står du inför problem? Kolla vår Felsökningsguide för lösningar på vanliga problem.

Om du fastnar eller har frågor om att bygga AI-appar. Gå med bland andra lärande och erfarna utvecklare i diskussioner om MCP. Det är en stödjande gemenskap där frågor är välkomna och kunskap delas öppet.

Om du har produktfeedback eller stöter på fel under utveckling, besök:

---

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