> Dette repository inkluderer over 50 sprogoversættelser, som væsentligt øger downloadstørrelsen. For at klone uden oversættelser, brug sparse checkout:
> Dette repository indeholder over 50 sprogoversættelser, hvilket øger downloadstørrelsen markant. For at klone uden oversættelser, brug sparse checkout:
Vi har en Discord-serie om læring med AI i gang, lær mere og deltag hos [Learn with AI Series](https://aka.ms/learnwithai/discord) fra 18. til 30. september 2025. Du får tips og tricks til at bruge GitHub Copilot til Data Science.
Vi har en Discord learn with AI-serie i gang, lær mere og deltag hos [Learn with AI Series](https://aka.ms/learnwithai/discord) fra 18. - 30. september 2025. Du vil få tips og tricks til at bruge GitHub Copilot til Data Science.
# Maskinlæring for begyndere - Et undervisningsforløb
# Maskinlæring for begyndere - Et kursusforløb
> 🌍 Rejs rundt i verden, mens vi udforsker maskinlæring gennem verdens kulturer 🌍
Cloud Advocates hos Microsoft er glade for at tilbyde et 12-ugers, 26-lektioners undervisningsforløb, der handler om **maskinlæring**. I dette forløb lærer du om det, der nogle gange kaldes **klassisk maskinlæring**, hvor vi primært bruger Scikit-learn som bibliotek og undgår deep learning, som dækkes i vores [AI for Beginners' undervisningsforløb](https://aka.ms/ai4beginners). Kombiner disse lektioner med vores ['Data Science for Beginners' undervisningsforløb](https://aka.ms/ds4beginners) også!
Cloud Advocates hos Microsoft er glade for at tilbyde et 12-ugers, 26-lektioners kursusforløb om **Maskinlæring**. I dette kursusforløb lærer du om det, der nogle gange kaldes **klassisk maskinlæring**, hvor vi primært bruger Scikit-learn som bibliotek og undgår deep learning, som dækkes i vores [AI for Beginners' kursusforløb](https://aka.ms/ai4beginners). Kombinér gerne disse lektioner med vores ['Data Science for Beginners'-kursusforløb](https://aka.ms/ds4beginners), også!
Rejs med os rundt i verden, mens vi anvender disse klassiske teknikker på data fra mange områder af verden. Hver lektion inkluderer quizzer før og efter lektionen, skriftlige instruktioner til at gennemføre lektionen, en løsning, en opgave og mere. Vores projektbaserede pædagogik giver dig mulighed for at lære samtidig med, at du bygger – en bevist metode til at fastholde nye færdigheder.
Rejs med os rundt i verden, mens vi anvender disse klassiske teknikker på data fra mange forskellige områder af verden. Hver lektion inkluderer pre- og post-quizzer, skriftlige instruktioner til at gennemføre lektionen, en løsning, en opgave og mere. Vores projektbaserede undervisningsmetode lader dig lære mens du bygger, en bevist måde at få nye færdigheder til at "sidde fast".
**✍️ Hjertevarm tak til vores forfattere** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu og Amy Boyd
**✍️ Stort tak til vores forfattere** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu og Amy Boyd
**🎨 Tak også til vores illustratorer** Tomomi Imura, Dasani Madipalli og Jen Looper
**🙏 Særlige tak 🙏 til vores Microsoft Student Ambassador-forfattere, anmeldere og bidragsydere**, især Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila og Snigdha Agarwal
**🙏 Særlige tak 🙏 til vores Microsoft Student Ambassador forfattere, anmeldere og indholdsleverandører**, især Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila og Snigdha Agarwal
**🤩 Ekstra tak til Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi og Vidushi Gupta for vores R-lektioner!**
# Kom godt i gang
Følg disse trin:
1. **Fork Repositoryet**: Klik på "Fork" knappen øverst til højre på denne side.
> [find alle ekstra ressourcer til dette kursus i vores Microsoft Learn-samling](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [find alle yderligere ressourcer til dette kursus i vores Microsoft Learn-samling](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Skal du bruge hjælp?** Se vores [Fejlsøgningsguide](TROUBLESHOOTING.md) for løsninger på almindelige problemer med installation, opsætning og afvikling af lektioner.
> 🔧 **Brug for hjælp?** Tjek vores [Fejlfinding guide](TROUBLESHOOTING.md) for løsninger på almindelige problemer med installation, opsætning og kørsel af lektioner.
**[Studerende](https://aka.ms/student-page)**, for at bruge dette undervisningsforløb, forker I hele repoet til jeres egen GitHub-konto og gennemfører øvelserne på egen hånd eller i gruppe:
**[Studerende](https://aka.ms/student-page)**, for at bruge dette kursusforløb, fork hele repoet til din egen GitHub-konto og gennemfør øvelserne selv eller i gruppe:
- Start med en quiz før forelæsningen.
- Læs gennem forelæsningen og gennemfør aktiviteterne, pausér og reflekter ved hvert videnscheck.
- Prøv at skabe projekterne ved at forstå lektionerne i stedet for blot at køre løsningskoden; den kode findes dog i `/solution` mapperne i hver projektorienteret lektion.
- Tag quizzen efter forelæsningen.
- Start med en pre-lecture quiz.
- Læs lektionen og gennemfør aktiviteterne, stop op og reflekter ved hver knowledge check.
- Prøv at skabe projekterne ved at forstå lektionerne fremfor bare at køre løsningskoden; dog er denne kode tilgængelig i `/solution` mapperne i hver projektorienteret lektion.
- Tag post-lecture quizzen.
- Gennemfør udfordringen.
- Gennemfør opgaven.
- Efter en lektiongruppe er gennemført, besøg [Diskussionsforum](https://github.com/microsoft/ML-For-Beginners/discussions) og "lær højt" ved at udfylde det relevante PAT-vurderingsskema. En 'PAT' er et Progress Assessment Tool (evaluering) du udfylder for at styrke din læring. Du kan også reagere på andres PAT’er, så vi kan lære sammen.
- Efter at have gennemført en lektiongruppe, besøg [Diskussionsforumet](https://github.com/microsoft/ML-For-Beginners/discussions) og "lær højt" ved at udfylde den relevante PAT-skala. En 'PAT' er et progresseringsvurderingsværktøj, som er en rubric du udfylder for at fremme din læring. Du kan også reagere på andres PAT’er, så vi kan lære sammen.
> Til yderligere studie anbefaler vi at følge disse [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) moduler og læringsstier.
> Til videre studier anbefaler vi at følge disse [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) moduler og læringsstier.
**Lærere**, vi har [inkluderet nogle forslag](for-teachers.md) til, hvordan man kan bruge dette undervisningsforløb.
**Lærere**, vi har [inkluderet nogle forslag](for-teachers.md) til hvordan I kan bruge dette kursusforløb.
---
## Video-gennemgange
Nogle af lektionerne findes som korte videoer. Du kan finde dem indlejret i lektionerne eller på [ML for Beginners playlisten på Microsoft Developer YouTube-kanalen](https://aka.ms/ml-beginners-videos) ved at klikke på billedet nedenfor.
Nogle af lektionerne findes som korte videoer. Du kan finde alle disse i linje i lektionerne, eller på [ML for Beginners playlisten på Microsoft Developer YouTube-kanalen](https://aka.ms/ml-beginners-videos) ved at klikke på billedet nedenfor.
[](https://aka.ms/ml-beginners-videos)
> 🎥 Klik på billedet ovenfor for en video om projektet og de personer, som skabte det!
> 🎥 Klik på billedet ovenfor for en video om projektet og de personer, der skabte det!
---
## Pædagogik
## Undervisningsmetode
Vi har valgt to pædagogiske principper ved opbygningen af dette forløb: at sikre, at det er praktisk **projektbaseret** og at det inkluderer **hyppige quizzer**. Derudover har forløbet et fælles **tema** for at give sammenhæng.
Vi har valgt to pædagogiske principper under opbygningen af dette kursusforløb: at sikre at det er praktisk **projektbaseret** og at det inkluderer **hyppige quizzer**. Derudover har dette kursusforløb et fælles **tema** for at skabe sammenhæng.
Ved at sikre, at indholdet stemmer overens med projekterne, bliver processen mere engagerende for studerende og fastholdelsen af konceptet øges. Derudover sætter en lav-indsats quiz før klassen den studerendes intention mod at lære et emne, mens en anden quiz efter klassen sikrer yderligere fastholdelse. Dette undervisningsforløb er designet til at være fleksibelt og sjovt og kan gennemføres helt eller delvist. Projekterne starter småt og bliver gradvist mere komplekse mod slutningen af det 12-ugers forløb. Dette forløb inkluderer også et efterskrift om virkelige anvendelser af ML, som kan bruges som ekstra kredit eller som basis for diskussion.
Ved at sikre, at indholdet matcher projekter, bliver processen mere engagerende for studerende, og fastholdelse af koncepter øges. Desuden sætter en lavrisiko quiz før en lektion den studerendes intention mod at lære et emne, mens en anden quiz efter lektionen sikrer yderligere fastholdelse. Dette kursusforløb er designet til at være fleksibelt og sjovt og kan tages i sin helhed eller delvist. Projekterne starter småt og bliver gradvist mere komplekse ved afslutningen af 12-ugers perioden. Dette forløb inkluderer også en efterskrift om virkelige anvendelser af ML, som kan bruges som ekstra kredit eller som grundlag for diskussion.
> Find vores [Adfærdskodeks](CODE_OF_CONDUCT.md), [Bidragsydning](CONTRIBUTING.md), [Oversættelse](TRANSLATIONS.md) og [Fejlsøgning](TROUBLESHOOTING.md) retningslinjer. Vi værdsætter din konstruktive feedback!
> Find vores [Adfærdskodeks](CODE_OF_CONDUCT.md), [Bidrag](CONTRIBUTING.md), [Oversættelser](..) og [Fejlfinding](TROUBLESHOOTING.md) retningslinjer. Vi byder konstruktiv feedback velkommen!
## Hver lektion inkluderer
- valgfrit sketchnote
- valgfri skitsenote
- valgfri supplerende video
- video-gennemgang (kun nogle lektioner)
- [quiz opvarmning før forelæsning](https://ff-quizzes.netlify.app/en/ml/)
- for projektbaserede lektioner, trin-for-trin vejledninger til at bygge projektet
- videnschecks
- knowledge checks
- en udfordring
- supplerende læsning
- supplerende læsestof
- opgave
- [quiz efter forelæsning](https://ff-quizzes.netlify.app/en/ml/)
> **En bemærkning om sprog**: Disse lektioner er primært skrevet i Python, men mange fås også på R. For at gennemføre en R-lektion, gå til `/solution` mappen og søg efter R-lektioner. De indeholder en .rmd-udvidelse, som repræsenterer en **R Markdown** fil, der enkelt kan defineres som en indlejring af `kodeblokke` (af R eller andre sprog) og en `YAML-header` (der guider hvordan output skal formateres såsom PDF) i et `Markdown dokument`. Som sådan tjener den som en eksemplarisk forfatterramme for datalogi, da den giver dig mulighed for at kombinere din kode, dens output og dine tanker ved at lade dig skrive dem ned i Markdown. Desuden kan R Markdown-dokumenter gengives til outputformater som PDF, HTML eller Word.
> **En bemærkning om quizzer**: Alle quizzer findes i [Quiz App mappen](../../quiz-app), i alt 52 quizzer med tre spørgsmål hver. De er linket til fra lektionerne, men quiz appen kan også køres lokalt; følg instruktionen i `quiz-app` mappen for at hoste lokalt eller deployere til Azure.
| 01 | Introduktion til maskinlæring| [Introduktion](1-Introduction/README.md) | Lær de grundlæggende begreber bag maskinlæring | [Lektion](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 |Maskinlæringens historie| [Introduktion](1-Introduction/README.md) | Lær historien bag dette felt | [Lektion](1-Introduction/2-history-of-ML/README.md) | Jen og Amy |
| 03 | Retfærdighed og maskinlæring| [Introduktion](1-Introduction/README.md) | Hvad er de vigtige filosofiske spørgsmål omkring retfærdighed, som studerende bør overveje, når de bygger og anvender ML-modeller? | [Lektion](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Teknikker til maskinlæring| [Introduktion](1-Introduction/README.md) | Hvilke teknikker bruger ML-forskere til at bygge ML-modeller? | [Lektion](1-Introduction/4-techniques-of-ML/README.md) | Chris og Jen |
| 05 | Introduktion til regression| [Regression](2-Regression/README.md) | Kom godt i gang med Python og Scikit-learn til regressionsmodeller | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Nordamerikanske græskarpriser 🎃| [Regression](2-Regression/README.md) | Visualiser og rens data som forberedelse til ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Nordamerikanske græskarpriser 🎃| [Regression](2-Regression/README.md) | Byg lineære og polynomiale regressionsmodeller | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) |Jen og Dmitry • Eric Wanjau |
| 08 | Nordamerikanske græskarpriser 🎃| [Regression](2-Regression/README.md) | Byg en logistisk regressionsmodel | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | En Web App 🔌 | [Web App](3-Web-App/README.md)| Byg en webapp til at bruge din trænede model | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Introduktion til klassificering | [Classification](4-Classification/README.md) | Rens, forbered og visualiser dine data; introduktion til klassificering | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen og Cassie • Eric Wanjau |
| 11 | Lækre asiatiske og indiske køkkener 🍜 | [Classification](4-Classification/README.md) | Introduktion til klassificer | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen og Cassie • Eric Wanjau |
| 12 | Lækre asiatiske og indiske køkkener 🍜 | [Classification](4-Classification/README.md) | Flere klassificer | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen og Cassie • Eric Wanjau |
| 13 | Lækre asiatiske og indiske køkkener 🍜 | [Classification](4-Classification/README.md) | Byg en anbefalings-webapp ved hjælp af din model | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introduktion til clustering | [Clustering](5-Clustering/README.md) | Rens, forbered og visualiser dine data; introduktion til clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Udforskning af nigerianske musiksmag 🎧| [Clustering](5-Clustering/README.md) | Udforsk K-Means clustering-metoden | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Introduktion til naturlig sprogbehandling ☕️ | [Natural language processing](6-NLP/README.md)| Lær det grundlæggende om NLP ved at bygge en simpel bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Almindelige NLP-opgaver ☕️| [Natural language processing](6-NLP/README.md) | Uddyb din NLP-viden ved at forstå almindelige opgaver, der kræves ved arbejde med sproglige strukturer | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Oversættelse og sentimentanalyse ♥️| [Natural language processing](6-NLP/README.md)| Oversættelse og sentimentanalyse med Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantiske hoteller i Europa ♥️| [Natural language processing](6-NLP/README.md)| Sentimentanalyse med hotelanmeldelser 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantiske hoteller i Europa ♥️| [Natural language processing](6-NLP/README.md)| Sentimentanalyse med hotelanmeldelser 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Introduktion til tidsrække-forecasting | [Time series](7-TimeSeries/README.md) | Introduktion til tidsrække-forecasting | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Verdens strømforbrug ⚡️ - tidsrække-forecasting med ARIMA | [Time series](7-TimeSeries/README.md) | Tidsrække-forecasting med ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Verdens strømforbrug ⚡️ - tidsrække-forecasting med SVR | [Time series](7-TimeSeries/README.md) | Tidsrække-forecasting med Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Introduktion til forstærkningslæring| [Reinforcement learning](8-Reinforcement/README.md) | Introduktion til forstærkningslæring med Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Hjælp Peter med at undgå ulven! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Forstærkningslæring i Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Virkelige ML-scenarier og applikationer | [ML in the Wild](9-Real-World/README.md) | Interessante og afslørende virkelige anvendelser af klassisk ML | [Lektion](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Fejlfinding af ML-modeller ved brug af RAI dashboard | [ML in the Wild](9-Real-World/README.md) | Fejlfinding af maskinlæringsmodeller ved hjælp af Responsible AI dashboard-komponenter | [Lektion](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> **En note om sprog**: Disse lektioner er primært skrevet i Python, men mange findes også i R. For at gennemføre en R-lektion, gå til `/solution` mappen og find R-lektioner. De har en .rmd-udvidelse, som repræsenterer en **R Markdown** fil, der enkelt kan defineres som en indlejring af `kodeblokke` (af R eller andre sprog) og et `YAML-hoved` (der guider, hvordan output formateres såsom PDF) i et `Markdown dokument`. Dermed tjener det som en fremragende forfatterplatform for data science, fordi det tillader dig at kombinere din kode, dens output og dine tanker ved at skrive dem ned i Markdown. Desuden kan R Markdown dokumenter gengives til outputformater som PDF, HTML eller Word.
> **En note om quizzer**: Alle quizzer findes i [Quiz App folder](../../quiz-app), i alt 52 quizzer med tre spørgsmål i hver. De er linket fra lektionerne, men quiz-appen kan køres lokalt; følg vejledningen i `quiz-app` mappen for lokal hosting eller deployment til Azure.
| Lesson Number | Emne | Lektion Gruppe | Læringsmål | Linket Lektion | Forfatter |
| 01 | Introduktion til maskinlæring | [Introduktion](1-Introduction/README.md) | Lær de grundlæggende begreber bag maskinlæring| [Lektion](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Maskinlæringens historie | [Introduktion](1-Introduction/README.md) | Lær historien bag dette område | [Lektion](1-Introduction/2-history-of-ML/README.md) | Jen og Amy |
| 03 | Retfærdighed og maskinlæring | [Introduktion](1-Introduction/README.md) | Hvad er de vigtige filosofiske spørgsmål omkring retfærdighed, som studerende bør overveje ved udvikling og anvendelse af ML-modeller? | [Lektion](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Teknikker til maskinlæring | [Introduktion](1-Introduction/README.md) | Hvilke teknikker bruger ML-forskere til at bygge ML-modeller? | [Lektion](1-Introduction/4-techniques-of-ML/README.md) | Chris og Jen |
| 05 | Introduktion til regression | [Regression](2-Regression/README.md) | Kom i gang med Python og Scikit-learn for regressionsmodeller | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Nordamerikanske græskarpriser 🎃 | [Regression](2-Regression/README.md) | Visualiser og rens data som forberedelse til ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Nordamerikanske græskarpriser 🎃 | [Regression](2-Regression/README.md) | Byg lineære og polynomielle regressionsmodeller | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen og Dmitry • Eric Wanjau |
| 08 | Nordamerikanske græskarpriser 🎃 | [Regression](2-Regression/README.md) | Byg en logistisk regressionsmodel | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | En webapp 🔌 | [Web App](3-Web-App/README.md) | Byg en webapp til at bruge din trænede model | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Introduktion til klassifikation | [Classification](4-Classification/README.md) | Rens, forbered og visualiser dine data; introduktion til klassifikation | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen og Cassie • Eric Wanjau |
| 11 | Lækre asiatiske og indiske køkkener 🍜 | [Classification](4-Classification/README.md) | Introduktion til klassifikatorer | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen og Cassie • Eric Wanjau |
| 12 | Lækre asiatiske og indiske køkkener 🍜 | [Classification](4-Classification/README.md) | Flere klassifikatorer | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen og Cassie • Eric Wanjau |
| 13 | Lækre asiatiske og indiske køkkener 🍜 | [Classification](4-Classification/README.md) | Byg en anbefalings-webapp ved brug af din model | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introduktion til klyngedannelse | [Clustering](5-Clustering/README.md) | Rens, forbered og visualiser dine data; introduktion til klyngedannelse | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Udforskning af nigerianske musiksmag 🎧 | [Clustering](5-Clustering/README.md) | Undersøg K-Means klyngemetoden | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Introduktion til sprogteknologi ☕️ | [Natural language processing](6-NLP/README.md) | Lær det grundlæggende om NLP ved at bygge en simpel bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Almindelige NLP-opgaver ☕️ | [Natural language processing](6-NLP/README.md) | Fordyb din NLP-viden ved at forstå almindelige opgaver, der kræves ved behandling af sproglige strukturer | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Oversættelse og sentimentanalyse ♥️ | [Natural language processing](6-NLP/README.md) | Oversættelse og sentimentanalyse med Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantiske hoteller i Europa ♥️ | [Natural language processing](6-NLP/README.md) | Sentimentanalyse med hotelanmeldelser 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantiske hoteller i Europa ♥️ | [Natural language processing](6-NLP/README.md) | Sentimentanalyse med hotelanmeldelser 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Introduktion til prognose med tidsserier | [Time series](7-TimeSeries/README.md) | Introduktion til prognose med tidsserier | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Verdens strømforbrug ⚡️ - tidsserieprognose med ARIMA | [Time series](7-TimeSeries/README.md) | Tidsserieprognose med ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Verdens strømforbrug ⚡️ - tidsserieprognose med SVR | [Time series](7-TimeSeries/README.md) | Tidsserieprognose med Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Introduktion til forstærkningslæring | [Reinforcement learning](8-Reinforcement/README.md) | Introduktion til forstærkningslæring med Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Hjælp Peter med at undgå ulven! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Forstærkningslæring Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Efterskrift | Virkelige ML-scenarier og -anvendelser | [ML in the Wild](9-Real-World/README.md) | Interessante og afslørende virkelige anvendelser af klassisk ML | [Lektion](9-Real-World/1-Applications/README.md) | Team |
| Efterskrift | Fejlfinding af modeller i ML med RAI dashboard | [ML in the Wild](9-Real-World/README.md) | Fejlfinding af maskinlæringsmodeller vha. Responsible AI-dashboard komponenter | [Lektion](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [find alle yderligere ressourcer til dette kursus i vores Microsoft Learn samling](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Offline adgang
Du kan køre denne dokumentation offline ved hjælp af [Docsify](https://docsify.js.org/#/). Fork dette repo, [installer Docsify](https://docsify.js.org/#/quickstart) på din lokale maskine, og i rodmappen for dette repo, skriv`docsify serve`. Websitet vil blive serveret på port 3000 på din localhost: `localhost:3000`.
Du kan køre denne dokumentation offline ved at bruge [Docsify](https://docsify.js.org/#/). Fork dette repo, [installer Docsify](https://docsify.js.org/#/quickstart) på din lokale maskine, og skriv derefter i roden af dette repo `docsify serve`. Websitet vil blive serveret på port 3000 på din localhost: `localhost:3000`.
## PDF'er
Find en pdf af pensum med links [her](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Andre Kurser
## 🎒 Andre kurser
Vores team producerer andre kurser! Tjek dem ud:
Vores team producerer andre kurser! Se nærmere på:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -190,49 +190,49 @@ Vores team producerer andre kurser! Tjek dem ud:
---
### Generative AI-serie
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
### Generativ AI Serie
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### Kerneindlæring
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
### Kerne Læring
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Copilot-serie
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
### Copilot Serie
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
Hvis du sidder fast eller har spørgsmål om at udvikle AI-apps. Deltag med medstuderende og erfarne udviklere i diskussioner om MCP. Det er et støttende fællesskab, hvor spørgsmål er velkomne, og viden deles frit.
Hvis du sidder fast eller har spørgsmål om at bygge AI-apps. Deltag sammen med andre lærende og erfarne udviklere i diskussioner om MCP. Det er et støttende fællesskab, hvor spørgsmål er velkomne og viden deles frit.
- Gennemgå notebooks efter hver lektion for bedre forståelse.
- Øv dig i at implementere algoritmer på egen hånd.
- Gennemgå noter efter hver lektion for bedre forståelse.
- Øv dig i at implementere algoritmer selv.
- Udforsk virkelige datasæt med de lærte koncepter.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Ansvarsfraskrivelse**:
Dette dokument er oversat ved hjælp af AI-oversættelsestjenesten [Co-op Translator](https://github.com/Azure/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 oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os intet ansvar for eventuelle misforståelser eller fejltolkninger, der måtte opstå ved brug af denne oversættelse.
**Ansvarsfraskrivelse**:
Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selvom vi tilstræber nøjagtighed, bedes du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det oprindelige dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os intet ansvar for misforståelser eller fejltolkninger, der opstår som følge af brugen af denne oversættelse.
> Tässä arkistossa on yli 50 kielikäännöstä, mikä lisää merkittävästi ladattavan tiedoston kokoa. Jos haluat kloonata ilman käännöksiä, käytä harvaa ulosottoa:
> Tämä arkisto sisältää yli 50 käännöstä, mikä lisää merkittävästi lataustiedoston kokoa. Jos haluat kloonata ilman käännöksiä, käytä sparse checkout -toimintoa:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,63 +33,63 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Saat kaiken tarvitsemasi kurssin suorittamiseen paljon nopeammalla latauksella.
> Tämä antaa sinulle kaiken tarvittavan kurssin suorittamiseen paljon nopeammalla latauksella.
Meillä on käynnissä Discordin Oppiminen tekoälyn kanssa -sarja, opi lisää ja liity mukaan osoitteessa [Learn with AI Series](https://aka.ms/learnwithai/discord) ajalla 18.–30. syyskuuta 2025. Saat vinkkejä ja niksejä GitHub Copilotin käytöstä datatieteessä.
Meillä on käynnissä Discordin opi tekoälyn kanssa -sarja, lisätietoja ja liittymään pääset osoitteesta [Learn with AI Series](https://aka.ms/learnwithai/discord) ajalla 18. - 30. syyskuuta 2025. Saat vinkkejä ja niksejä GitHub Copilotin käyttämiseen Data Sciencessä.
> 🌍 Matkusta ympäri maailmaa tutkiessamme koneoppimista maailman kulttuurien avulla 🌍
> 🌍 Matkustetaan ympäri maailmaa tutkien koneoppimista maailman kulttuurien näkökulmasta 🌍
Microsoftin Cloud Advocates -tiimi on iloinen voidessaan tarjota 12 viikon, 26 oppitunnin opetussuunnitelman, joka keskittyy **koneoppimiseen**. Tässä opetussuunnitelmassa opit ns. **klassista koneoppimista**, käyttäen ensisijaisesti Scikit-learniä kirjastona ja välttäen syväoppimista, joka käsitellään [AI for Beginners -opetussuunnitelmassamme](https://aka.ms/ai4beginners). Voit parittaa nämä oppitunnit myös ['Data Science for Beginners' -opetussuunnitelman](https://aka.ms/ds4beginners) kanssa!
Microsoftin Cloud Advocates tarjoaa 12 viikon ja 26 oppitunnin opetussuunnitelman, joka keskittyy kokonaan **koneoppimiseen**. Tässä opetussuunnitelmassa opit siitä, mitä joskus kutsutaan **klassikoksi koneoppimiseksi**, pääasiassa Scikit-learn-kirjastoa käyttäen ja välttäen syväoppimista, joka on käsitelty [tekoälyn aloittelijoille -opetussuunnitelmassamme](https://aka.ms/ai4beginners). Yhdistä nämä oppitunnit myös ['Data Science aloittelijoille' -opetussuunnitelmamme](https://aka.ms/ds4beginners) kanssa!
Matkusta kanssamme ympäri maailmaa soveltaen klassisia menetelmiä monen alueen dataan. Jokainen oppitunti sisältää ennen oppituntia ja oppitunnin jälkeen tehtävät kokeet, kirjalliset ohjeet oppitunnin suorittamiseen, ratkaisun, tehtävän ja paljon muuta. Projektipohjainen opetustapamme sallii oppimisen rakentamisen yhteydessä – todistettu tapa saada uudet taidot jäämään mieleen.
Matkusta kanssamme ympäri maailmaa soveltaen näitä klassisia menetelmiä dataan monilta maailman alueilta. Jokainen oppitunti sisältää ennakko- ja jälkikokeet, kirjalliset ohjeet oppitunnin suorittamiseen, ratkaisun, tehtävän ja paljon muuta. Projektipohjainen opetusmenetelmä antaa sinun oppia samalla kun rakennat, mikä on todistettu tapa uusien taitojen omaksumiseen.
**✍️ Lämmin kiitos kirjoittajillemme** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ja Amy Boyd
**✍️ Sydämellinen kiitos tekijöillemme** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ja Amy Boyd
**🎨 Kiitokset myös kuvittajillemme** Tomomi Imura, Dasani Madipalli ja Jen Looper
**🎨 Kiitos myös kuvittajillemme** Tomomi Imura, Dasani Madipalli ja Jen Looper
**🙏 Erityiskiitokset 🙏 Microsoft Student Ambassador -kirjoittajillemme, tarkistajille ja sisällöntuottajille**, erityisesti Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ja Snigdha Agarwal
**🙏 Erityiskiitos 🙏 Microsoft Student Ambassador -tekijöille, tarkistajille ja sisältöjen tekijöille**, erityisesti Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ja Snigdha Agarwal
**🤩 Lisäkiitos Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi ja Vidushi Gupta -tiimille R-oppitunneistamme!**
**🤩 Erityiskiitos Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi ja Vidushi Gupta R-oppitunneistamme!**
# Aloittaminen
Seuraa näitä askelia:
1. **Haarukoi arkisto**: Klikkaa sivun oikeassa yläkulmassa olevaa "Fork" -painiketta.
> [löydät kaikki tämän kurssin lisäresurssit Microsoft Learn -kokoelmastamme](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [löydät kaikki lisäresurssit tälle kurssille Microsoft Learn -kokoelmastamme](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Tarvitsetko apua?**Tarkista [Vianmääritysohjeemme](TROUBLESHOOTING.md) yleisimpien asennus-, käyttö- ja oppituntien ajamiseen liittyvien ongelmien ratkaisemiseksi.
> 🔧 **Tarvitsetko apua?**Katso [vianmääritysohjeistuksemme](TROUBLESHOOTING.md) yleisimpiä asennukseen, käyttöönottoon ja oppituntien suorittamiseen liittyviä ongelmia varten.
**[Opiskelijat](https://aka.ms/student-page)**, käyttääksesi tätä opetussuunnitelmaa, haarukoi koko repo omalle GitHub-tilillesi ja suorita tehtävät itsenäisesti tai ryhmän kanssa:
**[Opiskelijat](https://aka.ms/student-page)**, käyttääksenne tätä opetussuunnitelmaa, haarauttakaa koko arkisto omaan GitHub-tiliinne ja tehkää harjoitukset itseksenne tai ryhmässä:
- Aloita esituntikokeella.
- Lue luento ja suorita tehtävät, pysähdy ja pohdi jokaisen osaamisen tarkistuksen kohdalla.
- Yritä tuottaa projektit ymmärtämällä oppitunteja sen sijaan, että suoritat ratkaisukoodin; tämä koodi kuitenkin löytyy projektikohtaisten oppituntien `/solution`-kansioista.
- Tee loppukoe heti luennon jälkeen.
- Aloita ennakkotestillä.
- Lue luento ja tee tehtävät, pysähdy tarkistamaan osaaminen aina kun on tietotarkistus.
- Yritä luoda projektit ymmärtämällä oppitunnit sen sijaan, että suoritat ratkaisukoodit; nämä koodit ovat kuitenkin saatavilla `/solution`-kansioissa kussakin projektipainotteisessa oppitunnissa.
- Tee jälkitesti.
- Suorita haaste.
- Suorita tehtävä.
- Oppituntiryhmän päätyttyä käy [keskustelufoorumilla](https://github.com/microsoft/ML-For-Beginners/discussions) ja "opiskele ääneen" täyttämällä asiaankuuluva PAT-arviointipohja. PAT on edistymisen arviointityökalu, johon merkitset oppimistasi edistäviä havaintoja. Voit myös reagoida muiden PAT-muistiinpanoihin, jotta voimme oppia yhdessä.
- Tee kotitehtävä.
- Kun olet suorittanut oppituntiryhmän, käy [Keskustelualueella](https://github.com/microsoft/ML-For-Beginners/discussions) ja "opiskele ääneen" täyttämällä sopiva PAT-arviointilomake. 'PAT' tarkoittaa Progress Assessment Toolia, jolla arvioit osaamistasi. Voit myös kommentoida muiden PAT:eja, niin opimme yhdessä.
> Syventävään opiskeluun suosittelemme seuraamaan näitä [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) moduuleja ja oppimispolkuja.
> Jatko-opiskeluun suosittelemme seuraamaan näitä [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) moduuleja ja oppimispolkuja.
**Opettajat**, olemme lisänneet [joitakin suosituksia](for-teachers.md) tämän opetussuunnitelman hyödyntämiseksi.
**Opettajat**, olemme sisällyttäneet [joitakin ehdotuksia](for-teachers.md) opetussuunnitelman käyttöön.
---
## Videoesittelyt
## Videokävelyt
Osa oppitunneista on saatavilla lyhyiden videoiden muodossa. Löydät ne linjassa oppitunteihin tai [ML for Beginners -soittolistalta Microsoft Developerin YouTube-kanavalta](https://aka.ms/ml-beginners-videos) klikkaamalla alla olevaa kuvaa.
Jotkin oppitunneista ovat saatavilla lyhytmuotoisina videoina. Löydät ne kaikki oppitunnin yhteydessä, tai [ML for Beginners -soittolistalta Microsoft Developer YouTube -kanavalla](https://aka.ms/ml-beginners-videos) klikkaamalla alla olevaa kuvaa.
[](https://aka.ms/ml-beginners-videos)
@ -99,81 +99,81 @@ Osa oppitunneista on saatavilla lyhyiden videoiden muodossa. Löydät ne linjass
> 🎥 Klikkaa yllä olevaa kuvaa projektivideon katsomiseksi ja tutustu tekijöihin!
> 🎥 Klikkaa kuvaa yllä nähdäksesi videon projektista ja sen tekijöistä!
---
## Opetustapa
## Pedagogiikka
Olemme valinneet kaksi opetuksen periaatetta tätä opetussuunnitelmaa rakentaessamme: varmistaa, että se on käytännönläheinen **projektipohjainen** ja että siinä on **useita kokeita**. Lisäksi tällä opetussuunnitelmalla on yhteinen **teema**, joka antaa sille yhtenäisyyttä.
Olemme valinneet kaksi opetuksellista periaatetta rakentaessamme tätä opetussuunnitelmaa: varmistaa, että se on käytännönläheinen ja **projektipohjainen**, ja että siinä on **usein myös tietotestauksia**. Lisäksi tällä opetussuunnitelmalla on yhteinen **teema** sen yhtenäisyyden vuoksi.
Sisällön sitominen projekteihin tekee prosessista opiskelijoille mielenkiintoisemman ja parantaa käsitteiden muistamista. Lisäksi matalan riskin koe luennon alussa suuntaa opiskelijan mielen teeman oppimiseen ja toinen koe luennon jälkeen varmistaa jatkotallentamisen. Tämä opetussuunnitelma on suunniteltu joustavaksi ja hauskaksi, ja se voidaan suorittaa kokonaan tai osittain. Projektit alkavat pieninä ja kasvavat monimutkaisuudeltaan 12 viikon jakson loppuun mennessä. Tämä opetussuunnitelma sisältää myös jälkikirjoituksen koneoppimisen todellisista sovelluksista, jota voidaan käyttää lisäpisteiden saamiseen tai keskustelun pohjana.
Sisällön liittäminen projekteihin tekee prosessista opiskelijoille kiinnostavamman ja käsitteiden muistaminen tehostuu. Lisäksi matalan panoksen koe ennen luentoa asettaa opiskelijan oppimistavoitteen, ja toinen koe luennon jälkeen varmistaa lisämuistin. Tämä opetussuunnitelma on suunniteltu joustavaksi ja hauskaksi, ja se voidaan suorittaa kokonaan tai osittain. Projektit alkavat yksinkertaisina ja muuttuvat yhä monimutkaisemmiksi 12 viikon aikana. Opetussuunnitelmaan sisältyy myös loppusanat koneoppimisen todellisista sovelluksista, joita voi käyttää lisäpisteisiin tai keskustelun pohjaksi.
> Löydät meidän [toimintakoodimme](CODE_OF_CONDUCT.md), [osallistumisohjeen](CONTRIBUTING.md), [käännösohjeet](TRANSLATIONS.md) ja [vianmääritysohjeen](TROUBLESHOOTING.md). Otamme mielellämme vastaan rakentavaa palautettasi!
> Löydät [käyttäytymissääntömme](CODE_OF_CONDUCT.md), [osallistumisohjeet](CONTRIBUTING.md), [käännökset](..) ja [vianmääritysohjeet](TROUBLESHOOTING.md). Otamme mielellämme vastaan rakentavaa palautetta!
> **Huomautus kielistä**: Nämä oppitunnit on pääasiassa kirjoitettu Pythonilla, mutta monet ovat saatavilla myös R-kielellä. R-oppitunnin suorittamiseksi siirry `/solution`-kansioon ja etsi R-oppitunteja. Niillä on .rmd-tiedostopääte, joka edustaa **R Markdown** -tiedostoa, joka voidaan yksinkertaisesti määritellä 'koodipalojen' (R:n tai muiden kielten) ja `YAML-otsikon` (joka ohjaa, miten tulosteet kuten PDF muotoillaan) upotuksena `Markdown-asiakirjassa`. Näin ollen se toimii erinomaisena kirjoituskehikkona datatieteelle, koska se mahdollistaa koodin, sen tulosten ja ajatusten yhdistämisen kirjoittamalla ne Markdowniin. Lisäksi R Markdown -asiakirjat voidaan tuottaa tulostusmuotoihin kuten PDF, HTML tai Word.
> **Huomautus kyselyistä**: Kaikki kyselyt löytyvät [Quiz App -kansiosta](../../quiz-app), yhteensä 52 kyselyä, joissa on kukin kolme kysymystä. Ne ovat linkitetty opetuksista, mutta kyselysovellus voidaan ajaa paikallisesti; noudata `quiz-app`-kansion ohjeita sovelluksen paikalliseen isännöintiin tai Azureen.
| Oppitunnin numero | Aihe | Oppitunnin ryhmittely | Oppimistavoitteet | Linkitetty oppitunti | Tekijä |
| 02 | Koneoppimisen historia | [Johdanto](1-Introduction/README.md) | Opi alan historia | [Oppitunti](1-Introduction/2-history-of-ML/README.md) | Jen ja Amy |
| 03 | Oikeudenmukaisuus ja koneoppiminen | [Johdanto](1-Introduction/README.md) | Mitä tärkeitä filosofisia kysymyksiä oikeudenmukaisuudesta opiskelijoiden tulisi pohtia koneoppimismalleja rakennettaessa ja sovellettaessa? | [Oppitunti](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Koneoppimistekniikat | [Johdanto](1-Introduction/README.md) | Mitä menetelmiä koneoppimistutkijat käyttävät mallien rakentamiseen? | [Oppitunti](1-Introduction/4-techniques-of-ML/README.md) | Chris ja Jen |
| 05 | Johdatus regressioon | [Regressio](2-Regression/README.md) | Aloita Pythonilla ja Scikit-learnillä regressiomallien rakentaminen | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Pohjoisamerikkalaiset kurpitsahinnat 🎃 | [Regressio](2-Regression/README.md) | Visualisoi ja puhdista dataa koneoppimista varten | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Pohjoisamerikkalaiset kurpitsahinnat 🎃 | [Regressio](2-Regression/README.md) | Rakenna lineaarisia ja polynomisia regressiomalleja | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen ja Dmitry • Eric Wanjau |
| 16 | Johdatus luonnollisen kielen prosessointiin ☕️ | [Luonnollisen kielen prosessointi](6-NLP/README.md) | Opi NLP:n perusteet rakentamalla yksinkertainen botti | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Yleiset NLP-tehtävät ☕️ | [Luonnollisen kielen prosessointi](6-NLP/README.md) | Syvennä NLP-tietämystäsi ymmärtämällä yleiset kielen rakenteiden käsittelyssä tarvittavat tehtävät | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Käännös ja mielipiteen analyysi ♥️ | [Luonnollisen kielen prosessointi](6-NLP/README.md) | Käännös ja mielipideanalyysi Jane Austenin avulla | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Euroopan romanttiset hotellit ♥️ | [Luonnollisen kielen prosessointi](6-NLP/README.md) | Mielipideanalyysi hotelliarvioiden kanssa 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Euroopan romanttiset hotellit ♥️ | [Luonnollisen kielen prosessointi](6-NLP/README.md) | Mielipideanalyysi hotelliarvioiden kanssa 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| Jälkikirjoitus | Todellisen maailman ML-skenaariot ja sovellukset | [ML luonnossa](9-Real-World/README.md) | Mielenkiintoisia ja paljastavia todellisen maailman sovelluksia klassiselle ML:lle | [Oppitunti](9-Real-World/1-Applications/README.md) | Tiimi |
| Jälkikirjoitus | Mallin virheenkorjaus ML:ssä RAI-hallintapaneelin avulla | [ML luonnossa](9-Real-World/README.md) | Mallin virheenkorjaus koneoppimisessa Responsible AI -hallintapaneelin komponenteilla | [Oppitunti](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> **Huomio kielistä**: Näitä oppitunteja kirjoitetaan pääasiassa Pythonilla, mutta monet ovat myös saatavilla R:llä. R-oppitunnin suorittamiseksi mene `/solution`-kansioon ja etsi R-oppitunnit. Niissä on .rmd-tiedostopääte, joka tarkoittaa **R Markdown** -tiedostoa, joka voidaan yksinkertaisesti määritellä R- tai muiden kielten `koodilohkojen` ja `YAML-otsikon` (ohjeistaa tulosteiden kuten PDF:n muotoilua) upotuksena `Markdown`-dokumenttiin. Täten se toimii esimerkillisenä kirjoitusalustana data tieteessä, koska sen avulla voit yhdistää koodisi, sen tulokset ja ajatuksesi kirjoittamalla ne Markdownilla. Lisäksi R Markdown -dokumentteja voidaan renderöidä tulostusmuodoiksi kuten PDF, HTML tai Word.
> **Muistutus visailuista**: Kaikki visailut löytyvät [Quiz App -kansiosta](../../quiz-app), yhteensä 52 visailua, joissa jokaisessa on kolme kysymystä. Ne linkitetään oppitunneilta, mutta visailusovelluksen voi myös ajaa paikallisesti; noudata `quiz-app`-kansion ohjeita paikalliseen isännöintiin tai Azureen käyttöönottoon.
| Oppitunnin numero | Aihe | Oppituntiryhmittely | Oppimistavoitteet | Linkitetty oppitunti | Tekijä |
| 02 | Koneoppimisen historia | [Introduction](1-Introduction/README.md) | Tutustu koneoppimisen alaan liittyvään historiaan | [Oppitunti](1-Introduction/2-history-of-ML/README.md) | Jen ja Amy |
| 03 | Oikeudenmukaisuus ja koneoppiminen | [Introduction](1-Introduction/README.md) | Mitkä ovat tärkeimmät oikeudenmukaisuuteen liittyvät filosofiset kysymykset, joita opiskelijoiden tulisi pohtia rakentaessaan ja käyttäessään ML-malleja? | [Oppitunti](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Koneoppimisen menetelmät | [Introduction](1-Introduction/README.md) | Mitä menetelmiä ML-tutkijat käyttävät rakentaessaan ML-malleja? | [Oppitunti](1-Introduction/4-techniques-of-ML/README.md) | Chris ja Jen |
| 05 | Johdatus regressioon | [Regression](2-Regression/README.md) | Aloita Pythonin ja Scikit-learnin käytöllä regressiomallien rakentamisessa | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Pohjois-Amerikan kurpitsahinnat 🎃 | [Regression](2-Regression/README.md) | Visualisoi ja puhdista data koneoppimista varten | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Pohjois-Amerikan kurpitsahinnat 🎃 | [Regression](2-Regression/README.md) | Rakenna lineaariset ja polynomiset regressiomallit | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen ja Dmitry • Eric Wanjau |
| 08 | Pohjois-Amerikan kurpitsahinnat 🎃 | [Regression](2-Regression/README.md) | Rakenna logistinen regressiomalli | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Web-sovellus 🔌 | [Web App](3-Web-App/README.md) | Rakenna verkkosovellus koulutetun mallisi käyttöön | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Johdatus luokitteluun | [Classification](4-Classification/README.md) | Puhdista, valmistele ja visualisoi data; johdatus luokitteluun | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen ja Cassie • Eric Wanjau |
| 11 | Herkulliset aasialaiset ja intialaiset ruuat 🍜 | [Classification](4-Classification/README.md) | Johdatus luokittelijoihin | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen ja Cassie • Eric Wanjau |
| 12 | Herkulliset aasialaiset ja intialaiset ruuat 🍜 | [Classification](4-Classification/README.md) | Lisää luokittelijoita | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen ja Cassie • Eric Wanjau |
| 13 | Herkulliset aasialaiset ja intialaiset ruuat 🍜 | [Classification](4-Classification/README.md) | Rakenna suositteleva verkkosovellus mallisi avulla | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Johdatus klusterointiin | [Clustering](5-Clustering/README.md) | Puhdista, valmistele ja visualisoi data; johdatus klusterointiin | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 16 | Johdatus luonnollisen kielen käsittelyyn ☕️ | [Natural language processing](6-NLP/README.md) | Opi NLP:n perusteet rakentamalla yksinkertainen botti | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Yleiset NLP-tehtävät ☕️ | [Natural language processing](6-NLP/README.md) | Syvennä NLP-tietämystäsi ymmärtämällä yleisiä kielellisten rakenteiden käsittelyssä tarvittavia tehtäviä | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Kääntäminen ja mielipiteiden analyysi ♥️ | [Natural language processing](6-NLP/README.md) | Kääntäminen ja mielipiteiden analyysi Jane Austenin avulla | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Euroopan romanttiset hotellit ♥️ | [Natural language processing](6-NLP/README.md) | Mielipiteiden analyysi hotelliarvosteluilla 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Euroopan romanttiset hotellit ♥️ | [Natural language processing](6-NLP/README.md) | Mielipiteiden analyysi hotelliarvosteluilla 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| Jälkikirjoitus | Todelliset ML-skenaariot ja sovellukset | [ML in the Wild](9-Real-World/README.md) | Mielenkiintoisia ja valaisevia todellisen maailman sovelluksia klassisesta ML:stä | [Oppitunti](9-Real-World/1-Applications/README.md) | Tiimi |
| Jälkikirjoitus | Mallin virheenkorjaus ML:ssä RAI-dashboardilla | [ML in the Wild](9-Real-World/README.md) | Mallin virheenkorjaus koneoppimisessa Responsible AI -dashboard-komponenttien avulla | [Oppitunti](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [löydä kaikki tämän kurssin lisäresurssit Microsoft Learn -kokoelmassamme](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Offline-käyttö
Voit käyttää tätä dokumentaatiota offline-tilassa käyttämällä [Docsify](https://docsify.js.org/#/). Forkkaa tämä repo, [asenna Docsify](https://docsify.js.org/#/quickstart) paikalliselle koneellesi, ja tämän repositorion juurikansiossa kirjoita `docsify serve`. Sivusto palvelimella on portissa 3000 osoitteessa localhost: `localhost:3000`.
Voit käyttää tätä dokumentaatiota offline-tilassa käyttämällä [Docsify](https://docsify.js.org/#/). Haarauta tämä repo, [asenna Docsify](https://docsify.js.org/#/quickstart) paikallisesti ja sen jälkeen tämän repokansion juurikansiossa kirjoita `docsify serve`. Sivusto toimii portissa 3000 paikallisessa koneessasi: `localhost:3000`.
## PDF:t
Löydä pdf opetussuunnitelmasta linkkeineen [täältä](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
@ -182,57 +182,57 @@ Tiimimme tuottaa myös muita kursseja! Tutustu:
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agentit
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
Jos jumitut tai sinulla on kysyttävää tekoälysovellusten rakentamisesta, liity muiden oppijoiden ja kokeneiden kehittäjien keskusteluihin MCP:stä. Tämä on kannustava yhteisö, jossa kysymykset ovat tervetulleita ja tieto jaetaan vapaasti.
Jos jumitut tai sinulla on kysyttävää tekoälysovellusten rakentamisesta, liity muiden oppijoiden ja kokeneiden kehittäjien keskusteluihin MCP:stä. Se on tukeva yhteisö, jossa kysymykset ovat tervetulleita ja tieto jaetaan vapaasti.
- Käy läpi muistiinpanot jokaisen oppitunnin jälkeen paremman ymmärryksen saamiseksi.
- Käy läpi muistikirjat jokaisen oppitunnin jälkeen paremman ymmärryksen saamiseksi.
- Harjoittele algoritmien toteuttamista itse.
- Tutki todellisia tietoaineistoja käyttäen opittuja käsitteitä.
- Tutustu tosielämän aineistoihin oppimiesi käsitteiden avulla.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Vastuuvapauslauseke**:
Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua [Co-op Translator](https://github.com/Azure/co-op-translator). Vaikka pyrimme tarkkuuteen, ole hyvä ja huomioi, että automaattikäännöksissä voi esiintyä virheitä tai epätarkkuuksia. Alkuperäistä asiakirjaa sen alkuperäiskielellä tulee pitää auktoritatiivisena lähteenä. Tärkeissä asioissa suosittelemme ammattimaista ihmiskäännöstä. Emme ole vastuussa tämän käännöksen käytöstä aiheutuvista väärinymmärryksistä tai -tulkinn oista.
Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua [Co-op Translator](https://github.com/Azure/co-op-translator). Pyrimme tarkkuuteen, mutta huomioithan, että automaattikäännöksissä saattaa esiintyä virheitä tai epätarkkuuksia. Alkuperäistä asiakirjaa sen alkuperäiskielellä tulee pitää virallisena lähteenä. Tärkeiden tietojen osalta suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa tämän käännöksen käytöstä mahdollisesti aiheutuvista väärinkäsityksistä tai tulkinnoista.
> Dette repositoriet inkluderer over 50 språkoversettelser, som øker nedlastingsstørrelsen betydelig. For å klone uten oversettelser, bruk sparse checkout:
> Dette depotet inneholder over 50 språkoversettelser som betydelig øker nedlastingsstørrelsen. For å klone uten oversettelser, bruk sparsommelig utsjekking:
>
> **Bash / macOS / Linux:**
> ```bash
@ -36,21 +36,21 @@
> Dette gir deg alt du trenger for å fullføre kurset med en mye raskere nedlasting.
Vi har en pågående Discord-serie kalt learn with AI, lær mer og bli med oss på [Learn with AI Series](https://aka.ms/learnwithai/discord) fra 18. til 30. september 2025. Du vil få tips og triks om bruk av GitHub Copilot for datavitenskap.
Vi har en Discord-serie for å lære med AI pågående, lær mer og bli med oss på [Learn with AI Series](https://aka.ms/learnwithai/discord) fra 18. til 30. september 2025. Du vil få tips og triks for å bruke GitHub Copilot for Data Science.
# Maskinlæring for nybegynnere - En læreplan
> 🌍 Reis rundt i verden mens vi utforsker maskinlæring gjennom verdens kulturer 🌍
Cloud Advocates hos Microsoft tilbyr en 12-ukers, 26-leksjons læreplan som handler om **maskinlæring**. I denne læreplanen vil du lære om det som noen ganger kalles **klassisk maskinlæring**, med hovedvekt på Scikit-learn som bibliotek, og unngår dyp læring, som dekkes i vår [AI for Beginners' læreplan](https://aka.ms/ai4beginners). Kombiner disse leksjonene med vår ['Data Science for Beginners'læreplan](https://aka.ms/ds4beginners) også!
Cloud Advocates hos Microsoft gleder seg til å tilby en 12-ukers, 26-leksjons læreplan som handler om **maskinlæring**. I denne læreplanen vil du lære om det som noen ganger kalles **klassisk maskinlæring**, ved å bruke primært Scikit-learn som bibliotek og unngå dyp læring, som dekkes i vår [AI for Beginners-læreplan](https://aka.ms/ai4beginners). Kombiner gjerne disse leksjonene med vår ['Data Science for Beginners'-læreplan](https://aka.ms/ds4beginners)!
Reis med oss rundt i verden mens vi anvender disse klassiske teknikkene på data fra mange områder av verden. Hver leksjon inkluderer quiz før og etter leksjonen, skriftlige instruksjoner for å fullføre leksjonen, en løsning, en oppgave, og mer. Vår prosjektbaserte pedagogikk lar deg lære mens du bygger, en bevist metode for å få nye ferdigheter til å 'sette seg'.
Reis med oss rundt om i verden mens vi anvender disse klassiske teknikkene på data fra mange områder i verden. Hver leksjon inkluderer tester før og etter leksjonen, skriftlige instruksjoner for å fullføre leksjonen, en løsning, en oppgave og mer. Vår prosjektbaserte pedagogikk lar deg lære mens du bygger, en bevist måte for nye ferdigheter å "sette seg".
**✍️ Hjertelig takk til våre forfattere** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu og Amy Boyd
@ -58,38 +58,38 @@ Reis med oss rundt i verden mens vi anvender disse klassiske teknikkene på data
**🙏 Spesiell takk 🙏 til våre Microsoft Student Ambassador-forfattere, anmeldere og innholdsbidragsytere**, spesielt Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila og Snigdha Agarwal
**🤩 Ekstra takk til Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, og Vidushi Gupta for våre R-leksjoner!**
**🤩 Ekstra takknemlighet til Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi og Vidushi Gupta for våre R-leksjoner!**
# Komme i gang
Følg disse trinnene:
1. **Fork repositoriet**: Klikk på "Fork" knappen øverst til høyre på denne siden.
> [Finn alle tilleggsmaterialer for dette kurset i vår Microsoft Learn-samling](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [finn alle tilleggsmaterialer for dette kurset i vår Microsoft Learn-samling](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Trenger du hjelp?** Sjekk vår [Feilsøkingsguide](TROUBLESHOOTING.md) for løsninger på vanlige problemer med installasjon, oppsett og kjøring av leksjoner.
**[Studenter](https://aka.ms/student-page)**, for å bruke denne læreplanen, fork hele repoet til din egen GitHub-konto og fullfør øvelsene på egenhånd eller i gruppe:
**[Studenter](https://aka.ms/student-page)**, for å bruke denne læreplanen, fork hele repoet til din egen GitHub-konto og fullfør oppgavene på egenhånd eller i gruppe:
- Start med en pre-forelesningsquiz.
- Les forelesningen og fullfør aktivitetene, stopp opp og reflekter ved hver kunnskapskontroll.
- Prøv å lage prosjektene ved å forstå leksjonene i stedet for å bare kjøre løsningskoden; koden er likevel tilgjengelig i `/solution`-mappene i hver prosjektorientert leksjon.
- Ta post-forelesningsquizen.
- Start med en quiz før forelesningen.
- Les forelesningen og fullfør aktivitetene, ta pause og reflekter på hvert kunnskapssjekkpunkt.
- Prøv å lage prosjektene ved å forstå leksjonene i stedet for å bare kjøre løsningskoden; koden er imidlertid tilgjengelig i `/solution`-mappene i hver prosjektorienterte leksjon.
- Ta quizen etter forelesningen.
- Fullfør utfordringen.
- Fullfør oppgaven.
- Etter å ha fullført en leksjonsgruppe, besøk [Diskusjonsforumet](https://github.com/microsoft/ML-For-Beginners/discussions) og "lær høyt" ved å fylle ut den aktuelle PAT-rubrikken. En ‘PAT’ er et fremdriftsvurderingsverktøy der du fyller ut en rubrikk for å fremme læringen din. Du kan også reagere på andre PAT-er slik at vi kan lære sammen.
- Etter å ha fullført en leksjonsgruppe, besøk [Diskusjonsforumet](https://github.com/microsoft/ML-For-Beginners/discussions) og "lær høyt" ved å fylle ut passende PAT-vurderingsskjema. En 'PAT' er et fremdriftsvurderingsverktøy som er en rubrikk du fyller ut for å fremme læringen din. Du kan også reagere på andres PAT-er slik at vi kan lære sammen.
> For videre studier anbefaler vi å følge disse [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modulene og læringsbane.
> For videre studier anbefaler vi å følge disse [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott)-modulene og læringsløpene.
**Lærere**, vi har [inkludert noen forslag](for-teachers.md) om hvordan man kan bruke denne læreplanen.
**Lærere**, vi har [inkludert noen forslag](for-teachers.md) om hvordan du kan bruke denne læreplanen.
---
## Videogjennomganger
## Video-gjennomganger
Noen av leksjonene er tilgjengelige som korte videoer. Du finner alle disse integrert i leksjonene, eller på [ML for Beginners spillelisten på Microsoft Developer YouTube-kanalen](https://aka.ms/ml-beginners-videos) ved å klikke på bildet under.
Noen av leksjonene er tilgjengelige som korte videoer. Du finner alle disse innbakt i leksjonene, eller på [ML for Beginners-spillelisten på Microsoft Developer YouTube-kanalen](https://aka.ms/ml-beginners-videos) ved å klikke på bildet nedenfor.
[](https://aka.ms/ml-beginners-videos)
@ -97,81 +97,81 @@ Noen av leksjonene er tilgjengelige som korte videoer. Du finner alle disse inte
> 🎥 Klikk på bildet over for en video om prosjektet og personene som skapte det!
> 🎥 Klikk på bildet over for en video om prosjektet og folka som skapte det!
---
## Pedagogikk
Vi har valgt to pedagogiske prinsipper mens vi bygde denne læreplanen: å sikre at den er praktisk **prosjektbasert** og at den inkluderer **hyppige quizer**. I tillegg har denne læreplanen et felles **tema** for å gi sammenheng.
Vi har valgt to pedagogiske prinsipper mens vi bygget denne læreplanen: å sikre at den er praktisk **prosjektbasert** og at den inkluderer **hyppige quizer**. I tillegg har denne læreplanen et felles **tema** for å gi den sammenheng.
Ved å sikre at innholdet stemmer overens med prosjekter, gjøres prosessen mer engasjerende for studenter og oppfatningen av konsepter vil bli bedre. I tillegg setter en lav-innsats-quiz før en klasse studentens intensjon mot å lære et tema, mens en annen quiz etter klasse sikrer ytterligere læring. Denne læreplanen er designet for å være fleksibel og morsom, og kan tas i sin helhet eller delvis. Prosjektene starter smått og blir gradvis mer komplekse mot slutten av den 12-ukerssyklusen. Denne læreplanen inkluderer også et tillegg om virkelige anvendelser av ML, som kan brukes som ekstra poeng eller som grunnlag for diskusjon.
Ved å sikre at innholdet er tilpasset prosjekter, blir prosessen mer engasjerende for studentene og bedre bevaring av konsepter vil bli styrket. I tillegg setter en lavterskel-quiz før en time intensjonen for studenten mot å lære et tema, mens en andre quiz etter timen sikrer ytterligere innlæring. Denne læreplanen er utformet for å være fleksibel og morsom og kan tas i sin helhet eller delvis. Prosjektene starter smått og blir gradvis mer komplekse mot slutten av 12-ukerssyklusen. Denne læreplanen inkluderer også et etterspill om virkelige anvendelser av ML, som kan brukes som ekstra poeng eller som grunnlag for diskusjon.
> Finn våre [Atferdskodeks](CODE_OF_CONDUCT.md), [Bidrage](CONTRIBUTING.md), [Oversettelse](TRANSLATIONS.md), og [Feilsøking](TROUBLESHOOTING.md) retningslinjer. Vi setter pris på din konstruktive tilbakemelding!
> Finn våre retningslinjer for [Atferdskodeks](CODE_OF_CONDUCT.md), [Bidrag](CONTRIBUTING.md), [Oversettelser](..) og [Feilsøking](TROUBLESHOOTING.md). Vi ønsker dine konstruktive tilbakemeldinger velkommen!
> **En merknad om språk**: Disse leksjonene er primært skrevet i Python, men mange er også tilgjengelige i R. For å fullføre en R-leksjon, gå til `/solution`-mappen og se etter R-leksjoner. De inkluderer en .rmd-utvidelse som representerer en **R Markdown**-fil som enkelt kan defineres som en innebygging av `kodebiter` (av R eller andre språk) og en `YAML-header` (som veileder hvordan å formatere utdata som PDF) i et `Markdown-dokument`. Som sådan tjener den som en eksemplarisk forfatterrammeverk for datavitenskap siden det lar deg kombinere koden din, utdataene og dine tanker ved å la deg skrive dem ned i Markdown. Videre kan R Markdown-dokumenter gjengis til utdataformater som PDF, HTML eller Word.
> **En merknad om quiz**: Alle quiz er samlet i [Quiz App-mappen](../../quiz-app), for totalt 52 quizer med tre spørsmål hver. De er koblet fra innenfor leksjonene, men quiz-appen kan kjøres lokalt; følg instruksjonene i `quiz-app`-mappen for å lokalt hoste eller distribuere til Azure.
| 01 | Introduksjon til maskinlæring | [Introduksjon](1-Introduction/README.md) | Lær de grunnleggende konseptene bak maskinlæring | [Leksjon](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Historien til maskinlæring | [Introduksjon](1-Introduction/README.md) | Lær historien bak dette feltet | [Leksjon](1-Introduction/2-history-of-ML/README.md) | Jen og Amy |
| 03 | Rettferdighet og maskinlæring | [Introduksjon](1-Introduction/README.md) | Hva er de viktige filosofiske spørsmålene rundt rettferdighet som studenter bør vurdere når de bygger og anvender ML-modeller? | [Leksjon](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Teknikker for maskinlæring | [Introduksjon](1-Introduction/README.md) | Hvilke teknikker bruker ML-forskere for å bygge ML-modeller? | [Leksjon](1-Introduction/4-techniques-of-ML/README.md) | Chris og Jen |
| 05 | Introduksjon til regresjon | [Regresjon](2-Regression/README.md) | Kom i gang med Python og Scikit-learn for regresjonsmodeller | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Nordamerikanske gresskarpriser 🎃 | [Regresjon](2-Regression/README.md) | Visualiser og rens data i forberedelse til ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Nordamerikanske gresskarpriser 🎃 | [Regresjon](2-Regression/README.md) | Bygg lineære og polynomielle regresjonsmodeller | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen og Dmitry • Eric Wanjau |
| 08 | Nordamerikanske gresskarpriser 🎃 | [Regresjon](2-Regression/README.md) | Bygg en logistisk regresjonsmodell | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | En webapp 🔌 | [Web App](3-Web-App/README.md) | Bygg en webapp for å bruke din trente modell | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Introduksjon til klassifisering | [Klassifisering](4-Classification/README.md) | Rens, forbered og visualiser data; introduksjon til klassifisering | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen og Cassie • Eric Wanjau |
| 11 | Deilige asiatiske og indiske kjøkken 🍜 | [Klassifisering](4-Classification/README.md) | Introduksjon til klassifikatorer | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen og Cassie • Eric Wanjau |
| 12 | Deilige asiatiske og indiske kjøkken 🍜 | [Klassifisering](4-Classification/README.md) | Flere klassifikatorer | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen og Cassie • Eric Wanjau |
| 13 | Deilige asiatiske og indiske kjøkken 🍜 | [Klassifisering](4-Classification/README.md) | Bygg en anbefalingswebapp med modellen din | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introduksjon til klynging | [Klynging](5-Clustering/README.md) | Rens, forbered og visualiser data; introduksjon til klynging | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 16 | Introduksjon til naturlig språkbehandling ☕️ | [Naturlig språkbehandling](6-NLP/README.md) | Lær det grunnleggende om NLP ved å bygge en enkel bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Vanlige NLP-oppgaver ☕️ | [Naturlig språkbehandling](6-NLP/README.md) | Fordyp kunnskapen din i NLP ved å forstå vanlige oppgaver ved språkstrukturer | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Oversettelse og sentimentanalyse ♥️ | [Naturlig språkbehandling](6-NLP/README.md) | Oversettelse og sentimentanalyse med Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantiske hoteller i Europa ♥️ | [Naturlig språkbehandling](6-NLP/README.md) | Sentimentanalyse av hotellomtaler 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantiske hoteller i Europa ♥️ | [Naturlig språkbehandling](6-NLP/README.md) | Sentimentanalyse av hotellomtaler 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Introduksjon til tidsserieprognoser | [Tidsserie](7-TimeSeries/README.md) | Introduksjon til tidsserieprognoser | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Verdens strømbruk ⚡️ - tidsserieprognoser med ARIMA | [Tidsserie](7-TimeSeries/README.md) | Tidsserieprognoser med ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Verdens strømbruk ⚡️ - tidsserieprognoser med SVR | [Tidsserie](7-TimeSeries/README.md) | Tidsserieprognoser med Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Introduksjon til forsterkningslæring | [Forsterkningslæring](8-Reinforcement/README.md) | Introduksjon til forsterkningslæring med Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Hjelp Peter å unngå ulven! 🐺 | [Forsterkningslæring](8-Reinforcement/README.md) | Forsterkningslæring gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Virkelige ML-scenarier og -applikasjoner | [ML i det fri](9-Real-World/README.md) | Interessante og avslørende virkelige applikasjoner av klassisk ML | [Leksjon](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Feilsøking av modeller i ML ved bruk av RAI dashboard | [ML i det fri](9-Real-World/README.md) | Feilsøking av modeller i maskinlæring ved bruk av Responsible AI dashboard-komponenter | [Leksjon](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
- [quiz etter forelesningen](https://ff-quizzes.netlify.app/en/ml/)
> **En merknad om språk**: Disse leksjonene er primært skrevet i Python, men mange er også tilgjengelige i R. For å fullføre en R-leksjon, gå til `/solution`-mappen og se etter R-leksjoner. De inkluderer en .rmd-utvidelse som representerer en **R Markdown**-fil som enkelt kan defineres som en innbygging av `kodebiter` (av R eller andre språk) og en `YAML-header` (som styrer hvordan man formaterer utdata som PDF) i et `Markdown-dokument`. Som sådan fungerer det som en eksemplarisk forfatterramme for data science siden det lar deg kombinere koden din, dens utdata og tankene dine ved at du kan skrive dem ned i Markdown. Dessuten kan R Markdown-dokumenter renderes til utdataformater som PDF, HTML eller Word.
> **En merknad om quizzer**: Alle quizzer er samlet i [Quiz App-mappen](../../quiz-app), totalt 52 quizzer med tre spørsmål hver. De er lenket fra leksjonene, men quiz-appen kan kjøres lokalt; følg instruksjonene i `quiz-app`-mappen for å være vert lokalt eller distribuere til Azure.
| 01 | Introduksjon til maskinlæring | [Introduksjon](1-Introduction/README.md) | Lær de grunnleggende konseptene bak maskinlæring | [Leksjon](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Historien til maskinlæring | [Introduksjon](1-Introduction/README.md) | Lær historien bak dette fagfeltet | [Leksjon](1-Introduction/2-history-of-ML/README.md) | Jen og Amy |
| 03 | Rettferdighet og maskinlæring | [Introduksjon](1-Introduction/README.md) | Hva er de viktige filosofiske spørsmålene rundt rettferdighet som studenter bør vurdere når de bygger og bruker ML-modeller? | [Leksjon](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Teknikker for maskinlæring | [Introduksjon](1-Introduction/README.md) | Hvilke teknikker bruker ML-forskere for å bygge ML-modeller? | [Leksjon](1-Introduction/4-techniques-of-ML/README.md) | Chris og Jen |
| 05 | Introduksjon til regresjon | [Regresjon](2-Regression/README.md) | Kom i gang med Python og Scikit-learn for regresjonsmodeller | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Nordamerikanske gresskarpriser 🎃 | [Regresjon](2-Regression/README.md) | Visualiser og rens data som forberedelse til ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Nordamerikanske gresskarpriser 🎃 | [Regresjon](2-Regression/README.md) | Bygg lineære og polynomregresjonsmodeller | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen og Dmitry • Eric Wanjau |
| 08 | Nordamerikanske gresskarpriser 🎃 | [Regresjon](2-Regression/README.md) | Bygg en logistisk regresjonsmodell | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | En webapp 🔌 | [Web-app](3-Web-App/README.md) | Bygg en webapp for å bruke den trente modellen din | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Introduksjon til klassifisering | [Klassifisering](4-Classification/README.md) | Rens, forbered og visualiser data; introduksjon til klassifisering | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen og Cassie • Eric Wanjau |
| 11 | Deilige asiatiske og indiske kjøkken 🍜 | [Klassifisering](4-Classification/README.md) | Introduksjon til klassifikatorer | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen og Cassie • Eric Wanjau |
| 12 | Deilige asiatiske og indiske kjøkken 🍜 | [Klassifisering](4-Classification/README.md) | Flere klassifikatorer | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen og Cassie • Eric Wanjau |
| 13 | Deilige asiatiske og indiske kjøkken 🍜 | [Klassifisering](4-Classification/README.md) | Bygg en anbefalingswebapp ved å bruke modellen din | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introduksjon til klynging | [Klynging](5-Clustering/README.md) | Rens, forbered og visualiser data; introduksjon til klynging | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 16 | Introduksjon til naturlig språkbehandling ☕️ | [Naturlig språkbehandling](6-NLP/README.md) | Lær det grunnleggende om NLP ved å bygge en enkel bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Vanlige NLP-oppgaver ☕️ | [Naturlig språkbehandling](6-NLP/README.md) | Fordyp NLP-kunnskapene dine ved å forstå vanlige oppgaver ved språklige strukturer | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Oversettelse og sentimentanalyse ♥️ | [Naturlig språkbehandling](6-NLP/README.md) | Oversettelse og sentimentanalyse med Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantiske hoteller i Europa ♥️ | [Naturlig språkbehandling](6-NLP/README.md) | Sentimentanalyse med hotellvurderinger 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantiske hoteller i Europa ♥️ | [Naturlig språkbehandling](6-NLP/README.md) | Sentimentanalyse med hotellvurderinger 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Introduksjon til tidsseriefremskrivning | [Tidsserie](7-TimeSeries/README.md) | Introduksjon til tidsseriefremskrivning | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Verdens strømforbruk ⚡️ - tidsseriefremskrivning med ARIMA | [Tidsserie](7-TimeSeries/README.md) | Tidsseriefremskrivning med ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Verdens strømforbruk ⚡️ - tidsseriefremskrivning med SVR | [Tidsserie](7-TimeSeries/README.md) | Tidsseriefremskrivning med Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Introduksjon til forsterkende læring | [Forsterkende læring](8-Reinforcement/README.md) | Introduksjon til forsterkende læring med Q-Læring | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Hjelp Peter å unngå ulven! 🐺 | [Forsterkende læring](8-Reinforcement/README.md) | Forsterkende læring Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Etterord | Virkelige ML-scenarier og applikasjoner | [ML i feltet](9-Real-World/README.md) | Interessante og avslørende virkelige bruksområder av klassisk ML | [Leksjon](9-Real-World/1-Applications/README.md) | Team |
| Etterord | Modellfeilsøking i ML ved bruk av RAI-dashboard | [ML i feltet](9-Real-World/README.md) | Modellfeilsøking i maskinlæring med Responsible AI-dashboardkomponenter | [Leksjon](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [finn alle ekstra ressurser for dette kurset i vår Microsoft Learn-samling](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Offline-tilgang
## Frakoblet tilgang
Du kan kjøre denne dokumentasjonen offline ved bruk av [Docsify](https://docsify.js.org/#/). Fork dette repoet, [installer Docsify](https://docsify.js.org/#/quickstart) på din lokale maskin, og kjør deretter i rotmappen til dette repoet kommandoen `docsify serve`. Nettstedet vil da tilbys på port 3000 på din localhost: `localhost:3000`.
Du kan kjøre denne dokumentasjonen frakoblet ved å bruke [Docsify](https://docsify.js.org/#/). Fork dette depotet, [installer Docsify](https://docsify.js.org/#/quickstart) på din lokale maskin, og så i rotmappen til dette depotet, skriv `docsify serve`. Nettstedet vil bli servert på port 3000 på din lokale vertsadresse: `localhost:3000`.
## PDF-er
Finn en pdf av læreplanen med linker [her](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Finn en pdf av læreplanen med lenker [her](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Andre kurs
## 🎒 Andre kurs
Vårt team produserer andre kurs! Sjekk ut:
@ -190,7 +190,7 @@ Vårt team produserer andre kurs! Sjekk ut:
---
### Generativ AI-serie
### Generative AI-serie
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
@ -209,7 +209,7 @@ Vårt team produserer andre kurs! Sjekk ut:
---
### Copilot-serie
### Copilot-serien
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
@ -217,14 +217,14 @@ Vårt team produserer andre kurs! Sjekk ut:
## Få hjelp
Hvis du sitter 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 hvor spørsmål er velkomne og kunnskap deles fritt.
Hvis du blir sittende 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 hvor spørsmål er velkomne og kunnskap deles fritt.
- Gå gjennom notatbøker etter hver leksjon for bedre forståelse.
- Øv på å implementere algoritmer på egenhånd.
@ -234,5 +234,5 @@ Hvis du har produktfeedback eller opplever feil under bygging, besøk:
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Ansvarsfraskrivelse**:
Dette dokumentet er oversatt ved bruk av AI-oversettelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selv om vi streber etter nøyaktighet, vennligst vær oppmerksom på at automatiske oversettelser kan inneholde feil eller unøyaktigheter. Det originale dokumentet på dets opprinnelige språk bør betraktes som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for eventuelle misforståelser eller feiltolkninger som måtte oppstå ved bruk av denne oversettelsen.
Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten [Co-op Translator](https://github.com/Azure/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 bør betraktes som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for eventuelle misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen.
localizeflow[bot]
4 months ago