Vi har en Discord-serie "lær med AI" 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 brugen af GitHub Copilot til data science.
Vi har en Discord-lær med 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.
# Machine Learning for Beginners - En læseplan
# Machine Learning for Beginners - Et undervisningsforløb
> 🌍 Rejs rundt i verden, mens vi udforsker maskinlæring gennem verdens kulturer 🌍
> 🌍 Rejs jorden rundt, mens vi udforsker maskinlæring gennem verdens kulturer 🌍
Cloud Advocates hos Microsoft tilbyder en 12-ugers, 26-lektioners læseplan om **Maskinlæring**. I denne læseplan lærer du om det, der med et andet ord kaldes **klassisk maskinlæring**, primært ved brug af Scikit-learn som bibliotek og uden dyb læring, som dækkes i vores [AI for Beginners-læseplan](https://aka.ms/ai4beginners). Kombiner disse lektioner med vores ['Data Science for Beginners'-læseplan](https://aka.ms/ds4beginners) også!
Cloud Advocates hos Microsoft er glade for at kunne tilbyde et 12-ugers, 26-lektioners undervisningsforløb, der handler om **Maskinlæring**. I dette undervisningsforløb 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)!
Rejs med os rundt i verden, mens vi anvender disse klassiske teknikker på data fra mange områder. Hver lektion indeholder quizzer før og efter lektionen, skriftlige instruktioner til at fuldføre lektionen, en løsning, en opgave og mere. Vores projektbaserede metode giver dig mulighed for at lære mens du bygger, en bevist måde at få nye færdigheder til at 'sætte sig'.
Rejs med os verden rundt, mens vi anvender disse klassiske teknikker på data fra mange områder af verden. Hver lektion inkluderer quiz 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, mens du bygger, hvilket er en dokumenteret måde at få nye færdigheder til at 'sætte sig'.
**✍️ Hjertevarme 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
**✍️ Hjertelig 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
@ -50,36 +50,36 @@ Rejs med os rundt i verden, mens vi anvender disse klassiske teknikker på data
**🤩 Ekstra tak til Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi og Vidushi Gupta for vores R-lektioner!**
# Kom i gang
# Kom godt i gang
Følg disse trin:
1. **Fork Repoet**: Klik på "Fork" knappen øverst til højre på denne side.
> [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)
> 🔧 **Brug for hjælp?**Se vores [Fejlfinding-guide](TROUBLESHOOTING.md) for løsninger på almindelige problemer med installation, opsætning og kørsel af lektioner.
> 🔧 **Brug for hjælp?**Tjek vores [Fejlfinding Guide](TROUBLESHOOTING.md) for løsninger på almindelige problemer med installation, opsætning og afvikling af lektioner.
**[Studerende](https://aka.ms/student-page)**, for at bruge denne læseplan, fork det hele repo til din egen GitHub-konto og gennemfør øvelserne på egen hånd eller i gruppe:
**[Studerende](https://aka.ms/student-page)**, for at bruge dette undervisningsforløb, forker du hele repoet til din egen GitHub-konto og gennemfører øvelserne på egen hånd eller i gruppe:
- Start med en quiz før lektionen.
- Læs lektionen og fuldfør aktiviteterne, pause og reflektere ved hver videnstest.
- Forsøg at skabe projekterne ved at forstå lektionerne i stedet for blot at køre løsningskoden; denne kode er dog tilgængelig i `/solution` mapperne i hver projektorienteret lektion.
- Læs lektionen og gennemfør aktiviteterne, stop op og reflekter ved hvert videnscheck.
- Prøv at lave projekterne ved at forstå lektionerne i stedet for blot at afvikle løsningskoden; dog er det koden tilgængelig i `/solution` mapperne i hver projektorienteret lektion.
- Tag quizzen efter lektionen.
- Fuldfør udfordringen.
- Fuldfør opgaven.
- Efter at have gennemført en lektiongruppe, besøg [Diskussionspanelet](https://github.com/microsoft/ML-For-Beginners/discussions) og "lær højt" ved at udfylde den relevante PAT-rubrik. En 'PAT' er et Progress Assessment Tool, som er en rubrik du udfylder for at fremme din læring. Du kan også reagere på andre PATs, så vi kan lære sammen.
- Gennemfør udfordringen.
- Gennemfør opgaven.
- Efter at have fuldført en lektion gruppe, besøg [Diskussionsforum](https://github.com/microsoft/ML-For-Beginners/discussions) og "lær højt" ved at udfylde den relevante PAT- rubric. En 'PAT' er et Progress Assessment Tool — et rubric du udfylder for at fremme din læring. Du kan også reagere på andre PAT'er, så vi kan lære sammen.
> 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 læringsforløb.
> 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.
**Undervisere**, vi har [inkluderet nogle forslag](for-teachers.md) til, hvordan denne læseplan kan anvendes.
**Lærere**, vi har [inkluderet nogle forslag](for-teachers.md) til, hvordan du bruger dette undervisningsforløb.
---
## Video-gennemgange
## Videovejledninger
Nogle af lektionerne findes som korte videoer. Du kan finde dem alle integreret i lektionerne eller på [ML for Beginners-afspilningslisten på Microsoft Developer YouTube-kanalen](https://aka.ms/ml-beginners-videos) ved at klikke på billedet nedenfor.
Nogle af lektionerne findes som kort form video. Du kan finde alle disse indlejret i lektionerne eller på [ML for Beginners playliste på Microsoft Developer YouTube-kanalen](https://aka.ms/ml-beginners-videos) ved at klikke på billedet nedenfor.
[](https://aka.ms/ml-beginners-videos)
@ -91,70 +91,70 @@ Nogle af lektionerne findes som korte videoer. Du kan finde dem alle integreret
> 🎥 Klik på billedet ovenfor for en video om projektet og folkene bag!
> 🎥 Klik på billedet ovenfor for en video om projektet og de personer, der skabte det!
---
## Pædagogik
Vi har valgt to pædagogiske principper under udviklingen af denne læseplan: sikring af at den er praktisk **projektbaseret** og at den inkluderer **hyppige quizzer**. Derudover har læseplanen et fælles **tema** for at give den sammenhæng.
Vi har valgt to pædagogiske principper, mens vi bygger dette undervisningsforløb: at sikre, at det er praktisk **projektbaseret** og at det indeholder **hyppige quizzer**. Derudover har dette undervisningsforløb et fælles **tema** for at give sammenhæng.
Ved at sikre, at indholdet stemmer overens med projekterne, gøres processen mere engagerende for eleverne, og fastholdelsen af koncepter styrkes. En quiz med lav indsats før en klasse sætter elevens intention om at lære et emne, mens en anden quiz efter klassen sikrer yderligere fastholdelse. Denne læseplan er designet til at være fleksibel og sjov og kan tages helt eller delvist. Projekterne starter småt og bliver mere komplekse mod slutningen af 12-ugers perioden. Denne læseplan inkluderer også et efterskrift om maskinlæringens anvendelser i den virkelige verden, som kan bruges som ekstrakredit eller som grundlag for diskussion.
Ved at sikre at indholdet er tilpasset projekter, bliver processen mere engagerende for eleverne, og fastholdelse af koncepter vil blive forøget. Derudover sætter en lavrisiko-quiz før en klasse elevens intention om 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 tages i sin helhed eller delvist. Projekterne starter små og bliver gradvist mere komplekse frem mod slutningen af 12-ugers perioden. Der er desuden en postscript om virkelige anvendelser af ML, som kan bruges som ekstra point eller som diskussionsgrundlag.
> Find vores [Adfærdsregler](CODE_OF_CONDUCT.md), [Bidrag](CONTRIBUTING.md), [Oversættelse](TRANSLATIONS.md) og [Fejlfinding](TROUBLESHOOTING.md) retningslinjer. Vi værdsætter din konstruktive feedback!
> Find vores [Adfærdskodeks](CODE_OF_CONDUCT.md), [Bidrag](CONTRIBUTING.md), [Oversættelse](TRANSLATIONS.md), og [Fejlfinding](TROUBLESHOOTING.md) retningslinjer. Vi byder konstruktiv feedback velkommen!
## Hver lektion indeholder
## Hver lektion inkluderer
- valgfrit sketchnote
- valgfri skitsenote
- valgfri supplerende video
- video-gennemgang (kun nogle lektioner)
- [warmup-quiz før lektionen](https://ff-quizzes.netlify.app/en/ml/)
- videogennemgang (kun nogle lektioner)
- [varme op quiz før lektionen](https://ff-quizzes.netlify.app/en/ml/)
- skriftlig lektion
- for projektbaserede lektioner: trin-for-trin vejledning til at bygge projektet
- for projektbaserede lektioner, trin for trin guides til at bygge projektet
- videnscheck
- en udfordring
- supplerende læsning
- opgave
- [quiz efter lektionen](https://ff-quizzes.netlify.app/en/ml/)
> **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 se efter R-lektioner. De har en .rmd extension, som repræsenterer en **R Markdown**-fil, der enkelt kan defineres som en sammenstilling af `kodeblokke` (fra R eller andre sprog) og en `YAML-header` (som styrer formateringen af output som PDF) i et `Markdown-dokument`. Dermed fungerer det som en fremragende forfatter-ramme for data science, da det lader dig 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 Appmappen](../../quiz-app), i alt 52 quizzer med tre spørgsmål hver. De er linket fra lektionerne, men quiz-app'en kan køres lokalt; følg instruktionerne i `quiz-app` mappen for at hoste lokalt eller deploye til Azure.
| Lektion Nummer | 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 | Historien om maskinlæring | [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 elever 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 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) | Visualisere og rense 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 polynomiske 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 retter 🍜 | [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 retter 🍜 | [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 retter 🍜 | [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) | Fordyb din NLP-viden ved at forstå almindelige opgaver, der kræves ved håndtering 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 tidsserieprognose | [Time series](7-TimeSeries/README.md) | Introduktion til tidsserieprognose | [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 reinforcement learning | [Reinforcement learning](8-Reinforcement/README.md) | Introduktion til reinforcement learning med Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Hjælp Peter med at undgå ulven! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Reinforcement learning 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 | Modelafhjælpning i ML ved brug af RAI dashboard | [ML in the Wild](9-Real-World/README.md) | Modelafhjælpning i maskinlæring ved brug af 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 Learnsamling](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> **Et notat om sprog**: Disse lektioner er primært skrevet i Python, men mange er også tilgængelige i R. For at gennemføre en R-lektion, gå til `/solution` mappen og find R-lektionerne. De inkluderer en .rmd extension, som repræsenterer en **R Markdown**-fil, som kan defineres som en integration af `kodeblokke` (af R eller andre sprog) og en `YAML header` (der guider, hvordan man formaterer output som PDF) i et `Markdown dokument`. Som sådan fungerer den som en eksemplarisk forfatterstruktur for datavidenskab, da den lader dig kombinere din kode, dens output og dine tanker ved at skrive dem ned i Markdown. Derudover kan R Markdown dokumenter outputtes til formater som PDF, HTML eller Word.
> **En note om quizzer**: Alle quizzer findes i [Quiz App-mappen](../../quiz-app), i alt 52 quizzer med tre spørgsmål hver. De er linket fra lektionerne, men quiz-appen kan køres lokalt; følg instruktionerne 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 om retfærdighed, som studerende bør overveje ved opbygning 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 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 rengør 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 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 | [Klassificering](4-Classification/README.md) | Rengør, 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 🍜 | [Klassificering](4-Classification/README.md) | Introduktion til klassificerere | [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 🍜 | [Klassificering](4-Classification/README.md) | Flere klassificerere | [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 🍜 | [Klassificering](4-Classification/README.md) | Byg en recommender-webapp ved hjælp af din model | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introduktion til clustering | [Clustering](5-Clustering/README.md) | Rengør, 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 tidsserieforudsigelser | [Tidsserie](7-TimeSeries/README.md) | Introduktion til tidsserieforudsigelser | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Verdens strømforbrug ⚡️ - tidsserieforudsigelser med ARIMA | [Tidsserie](7-TimeSeries/README.md) | Tidsserieforudsigelser med ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Verdens strømforbrug ⚡️ - tidsserieforudsigelser med SVR | [Tidsserie](7-TimeSeries/README.md) | Tidsserieforudsigelser med Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Introduktion til forstærkningslæring | [Forstærkningslæring](8-Reinforcement/README.md) | Introduktion til forstærkningslæring med Q-Læring | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Hjælp Peter med at undgå ulven! 🐺 | [Forstærkningslæring](8-Reinforcement/README.md) | Forstærkningslæring Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Efterskrift | Virkelige ML-scenarier og anvendelser | [ML i virkeligheden](9-Real-World/README.md) | Interessante og afslørende virkelige anvendelser af klassisk ML | [Lektion](9-Real-World/1-Applications/README.md) | Team |
| Efterskrift | Model Debugging i ML ved brug af RAI dashboard | [ML i virkeligheden](9-Real-World/README.md) | Model Debugging i maskinlæring ved hjælp af 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 skriv derefter i rodmappen af dette repo `docsify serve`. Websitet vil blive servet 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, [installér Docsify](https://docsify.js.org/#/quickstart) på din lokale maskine, og skriv derefter i rodmappen af dette repo `docsify serve`. Websitet vil blive serveret på port 3000 på din localhost: `localhost:3000`.
## PDF'er
@ -169,7 +169,7 @@ Vores team producerer andre kurser! Tjek dem ud:
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agenter
@ -180,7 +180,7 @@ Vores team producerer andre kurser! Tjek dem ud:
---
### Generative AI Serie
### 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)
@ -188,30 +188,30 @@ Vores team producerer andre kurser! Tjek dem ud:
---
### 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)
### 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)
---
### 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 bygge AI-apps. Deltag med andre lærende 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 medstuderende og erfarne udviklere i diskussioner om MCP. Det er et støttende fællesskab, hvor spørgsmål er velkomne, og viden deles frit.
@ -219,5 +219,5 @@ Hvis du har feedback på produktet eller fejl under udviklingen, besøg:
<!-- 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 modersmål bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os intet ansvar for misforståelser eller fejltolkninger, der måtte opstå som følge af brugen af denne oversættelse.
Dette dokument er oversat ved hjælp af AI-oversættelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selvom vi stræber efter nøjagtighed, bedes du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det oprindelige dokument på dets modersmål betragtes som den autoritative kilde. For kritiske oplysninger anbefales professionel menneskelig oversættelse. Vi påtager os intet ansvar for misforståelser eller fejltolkninger, der måtte opstå som følge af brugen af denne oversættelse.
> Tämä repositorio sisältää yli 50 kielen käännöksiä, mikä lisää latauskoon huomattavasti. Jotta voit kloonata ilman käännöksiä, käytä sparse checkout -toimintoa:
> Tämä repositorio sisältää yli 50 kielikäännöstä, mikä lisää merkittävästi latauskokoa. Jos haluat kloonata ilman käännöksiä, käytä sparse checkoutia:
Meillä on käynnissä Discordin Learn with AI -sarja, lue lisää ja liity mukaan osoitteessa [Learn with AI Series](https://aka.ms/learnwithai/discord) 18.–30. syyskuuta 2025. Saat vinkkejä ja niksejä GitHub Copilotin käytöstä Data Scienceen.
Meillä on meneillään Discordissa tekoälyn oppimissarja, lue 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 käyttämiseen Data Scientistin työn tukena.
> 🌍 Matkusta ympäri maailmaa tutkiessamme koneoppimista maailman kulttuurien kautta 🌍
> 🌍 Matkusta ympäri maailmaa tutustuessamme koneoppimiseen maailman kulttuurien kautta 🌍
Microsoftin Cloud Advocates -tiimi tarjoaa 12 viikon, 26 oppitunnin opintokokonaisuuden, joka käsittelee **koneoppimista**. Tässä opintokokonaisuudessa opit niin kutsuttua **klassista koneoppimista**, käyttäen pääasiallisesti Scikit-learn-kirjastoa ja välttäen syväoppimista, joka käsitellään [AI for Beginners -opintokokonaisuudessamme](https://aka.ms/ai4beginners). Yhdistä nämä oppitunnit myös ['Data Science for Beginners' -opintokokonaisuuteen](https://aka.ms/ds4beginners)!
Microsoftin Cloud Advocates -tiimi tarjoaa 12 viikon, 26 oppitunnin opetussuunnitelman, joka käsittelee **koneoppimista**. Tässä opetussuunnitelmassa opit ns. **klassista koneoppimista**, pääasiassa Scikit-learn-kirjaston avulla, välttäen syväoppimista, joka sisältyy [tekoälyn aloittelijoiden opetussuunnitelmaamme](https://aka.ms/ai4beginners). Yhdistä nämä oppitunnit myös ['Data Science aloittelijat' -opetusohjelmaamme](https://aka.ms/ds4beginners)!
Matkusta kanssamme ympäri maailmaa soveltaen klassisia tekniikoita datalla eri puolilta maailmaa. Jokainen oppitunti sisältää ennakko- ja jälkikäteen tehtävät visailut, kirjalliset ohjeet oppitunnin suorittamiseen, ratkaisun, tehtävän ja paljon muuta. Projektipohjainen pedagogiikkamme antaa mahdollisuuden oppia rakentamalla, mikä on todettu tehokkaaksi tavaksi oppia uusia taitoja.
Matkusta kanssamme ympäri maailmaa soveltamalla klassisia tekniikoita eri puolilta kerättyyn dataan. Jokainen oppitunti sisältää ennakko- ja jälkikyselyt, kirjalliset ohjeet oppitunnin suorittamiseen, ratkaisun, tehtävän ja paljon muuta. Projektipohjainen pedagogiikkamme mahdollistaa oppimisen samalla kun rakennat, mikä on osoittautunut tehokkaaksi tavaksi saada uudet taidot 'jämähtämään'.
**✍️ Suuret kiitokset kirjoittajillemme:** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ja Amy Boyd
**✍️ Lämpimät kiitokset kirjoittajille:** 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 kuvittajille:** Tomomi Imura, Dasani Madipalli ja Jen Looper
**🙏 Erityiskiitos 🙏 Microsoftin opiskelijaelävöittäjille, kirjoittajille, arvostelijoille ja sisällöntuottajille**, erityisesti Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ja Snigdha Agarwal
**🙏 Erityiskiitokset 🙏 Microsoftin opiskelija-ambassadoreille, kirjoittajille, arvioijille ja sisällöntuottajille:** erityisesti Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ja Snigdha Agarwal
**🤩 Erityiskiitos Microsoftin opiskelijaelävöittäjille Eric Wanjau, Jasleen Sondhi ja Vidushi Gupta R-opetuskertojemme tukemisesta!**
**🤩 Ekstra kiitokset Microsoftin opiskelija-ambassadoreille Eric Wanjau, Jasleen Sondhi ja Vidushi Gupta R-kielten oppitunneistamme!**
> [Löydät kaikki lisäresurssit tälle kurssille 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?** Katso [Vianmääritysohje](TROUBLESHOOTING.md) yleisimpien asennus-, käyttöönotto- ja oppituntien ajamiseen liittyvien ongelmien ratkaisuja.
> 🔧 **Tarvitsetko apua?** Katso [Vianmääritysohjeemme](TROUBLESHOOTING.md) yleisimpiin ongelmiin asennuksessa, käytössä ja oppituntien suorittamisessa.
**[Opiskelijat](https://aka.ms/student-page)**, käyttäkää tätä opetussuunnitelmaa forkkaamalla koko repo omalle GitHub-tilillenne ja suorittamalla harjoitukset yksin tai ryhmässä:
**[Opiskelijat](https://aka.ms/student-page)**, tämän opintokokonaisuuden suorittamiseen, forkkaa koko repositorio omaan GitHub-tiliisi ja tee harjoitukset itseksesi tai ryhmässä:
- Aloita esikurssivisailulla.
- Lue oppitunti ja tee tehtävät, pysähtyen ja pohtien jokaisen tietotarkistuksen kohdalla.
- Yritä luoda projektit ymmärtämällä oppitunti, älä pelkästään suorittamalla ratkaisukoodia; ratkaisukoodi on kuitenkin saatavilla kunkin projektilähtöisen oppitunnin `/solution`-kansiossa.
- Tee jälkikurssivisa.
- Aloita ennakkokyselyllä.
- Lue oppitunti ja suorita tehtävät, pysähtyen ja pohdiskellen jokaisessa tietotarkistuksessa.
- Yritä luoda projektit ymmärtämällä oppituntien sisältö koodiratkaisun ajamisen sijaan; koodit löytyvät kuitenkin kunkin projektipohjaisen oppitunnin /solution-kansiosta.
- Tee jälkikysely.
- Suorita haaste.
- Tee tehtävä.
- Oppituntiryhmän suorittamisen jälkeen käy [Keskustelualueella](https://github.com/microsoft/ML-For-Beginners/discussions) ja "opiskele ääneen" täyttämällä sopiva PAT-arviointilomake. 'PAT' on etenemis-arviointityökalu, jonka avulla syvennät oppimistasi. Voit myös reagoida muiden PAT-arviointeihin, jotta voimme oppia yhdessä.
- Suorita tehtävä.
- Oppituntiryhmän suorittamisen jälkeen käy [keskustelupalstalla](https://github.com/microsoft/ML-For-Beginners/discussions) ja "oppi ääneen" täyttämällä PAT-arviointilomake. PAT on Progress Assessment Tool, arviointimatriisi, jonka täytät oppimisesi edistämiseksi. Voit myös reagoida muiden PAT-arviointeihin, jotta voimme oppia yhdessä.
> Jatko-opiskeluun suosittelemme näitä [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) -moduuleja ja oppimispolkuja.
> Jatko-opiskelua varten 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 ehdotuksia](for-teachers.md) tähän opintokokonaisuuteen liittyen.
**Opettajat**, olemme lisänneet joitakin [ehdotuksia](for-teachers.md) tämän opetussuunnitelman hyödyntämiseen.
---
## Videokierrokset
## Videon läpikäynnit
Joitakin oppitunteja on saatavilla lyhyinä videoina. Löydät kaikki nämä oppitunneilla tai [ML for Beginners -soittolistalta Microsoft Developer YouTube -kanavalta](https://aka.ms/ml-beginners-videos) klikkaamalla alla olevaa kuvaa.
Jotkin oppitunnit ovat saatavilla lyhyinä videoina. Löydät ne kaikki oppituntien yhteydestä 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)
> 🎥 Klikkaa yllä olevaa kuvaa katsoaksesi videon projektista ja sen tekijöistä!
> 🎥 Klikkaa yllä olevaa kuvaa nähdäksesi videon projektista ja sen tekijöistä!
---
## Pedagogiikka
Olemme valinneet tämän opintokokonaisuuden rakentamiseen kaksi pedagogista periaatetta: varmistaa, että se on käytännönläheinen **projektipohjainen**ja että siihen sisältyy **tiheästi visailuja**. Lisäksi tällä opintokokonaisuudella on yhteinen **teema**, joka antaa sille eheyttä.
Olemme valinneet kaksi pedagogista periaatetta tämän opetussuunnitelman rakentamisessa: varmistaa, että se on käytännönläheinen **projektipohjainen**sekä että siinä on **usein toistuvia kyselyjä**. Lisäksi opetussuunnitelmalla on yhteinen **teema**, joka antaa sille yhtenäisyyden.
Sisällön kohdistaminen projekteihin tekee prosessista opiskelijoille kiinnostavamman ja konseptien muistamista tehostaa. Lisäksi pieni merkityksettömän tuntuinen valmistautumisvisailu ennen luentoa fokusoittaa opiskelijan asenteen aiheen oppimiseen, ja toinen jälkikäteen tehtävä visailu vahvistaa ja syventää oppimista. Tämä opintokokonaisuus on suunniteltu joustavaksi ja hauskaksi, ja se voidaan suorittaa kokonaan tai osittain. Projektit alkavat pienistä ja kasvavat monimutkaisemmaksi 12 viikon jakson aikana. Opintokokonaisuuteen sisältyy myös jälkikirjoitus koneoppimisen käytännön sovelluksista, jota voi käyttää lisäpisteisiin tai keskustelun pohjana.
Sisällön yhdistäminen projekteihin tekee opiskelusta kiinnostavampaa ja lisää käsitteiden muistamista. Lisäksi luennoille ennen aloitusta tehtävä pieni tietokilpailu ohjaa opiskelijan asenteen oppimiseen, ja luennon jälkeinen toinen tietokilpailu varmistaa opitun pysyvyyden. Tämä opetussuunnitelma on suunniteltu joustavaksi ja hauskaksi, ja sitä voi suorittaa kokonaan tai osittain. Projektit alkavat pienestä ja monimutkaistuvat 12 viikon aikana. Sisältää myös jälkisanat koneoppimisen todellisista sovelluksista, joita voi käyttää ylimääräisinä pisteinä tai keskustelun pohjana.
> Löydät ohjeistuksemme: [Ohjeistus](CODE_OF_CONDUCT.md), [Osallistuminen](CONTRIBUTING.md), [Käännökset](TRANSLATIONS.md) ja [Vianmääritys](TROUBLESHOOTING.md). Otamme mielellämme vastaan rakentavaa palautetta!
> Löydät [käyttäytymissäännöt](CODE_OF_CONDUCT.md), [osallistumisohjeet](CONTRIBUTING.md), [käännösohjeet](TRANSLATIONS.md) ja [vianmääritysohjeet](TROUBLESHOOTING.md). Otamme mielellämme vastaan rakentavaa palautetta!
> **Huomautus kielistä**: Nämä oppitunnit on pääosin kirjoitettu Pythonilla, mutta monet ovat saatavilla myös R-kielellä. R-oppitunnin suorittamiseksi mene `/solution`-kansioon ja etsi R-opetuksia. Niissä on .rmd-pääte, joka tarkoittaa **R Markdown** -tiedostoa, joka on yksinkertaistettuna `koodilohkojen` (R:n tai muiden kielten) ja `YAML-otsikon` (joka ohjaa vientimuotojen, kuten PDF:n muodostamista) upotusta `Markdown`-asiakirjassa. Tämä toimii erinomaisena julkaisualustana data scienceen, koska voit yhdistää koodisi, sen tuotoksen ja ajatuksesi kirjoittamalla ne Markdown-muotoon. Lisäksi R Markdown -asiakirjat voidaan muuntaa eri vientimuodoiksi, kuten PDF, HTML tai Word.
> **Muistutus visailuista**: Kaikki visailut löytyvät [Quiz App -kansiosta](../../quiz-app), yhteensä 52 visailua, joissa kukin sisältää kolme kysymystä. Ne on linkitetty oppituntien sisällä, mutta visailusovellusta voi käyttää myös paikallisesti; noudata `quiz-app`-kansion ohjeita paikalliseen isännöintiin tai käyttöönottoon Azureen.
| Oppitunnin numero | Aihe | Oppituntujen ryhmittely | Oppimistavoitteet | Linkitetty oppitunti | Tekijä |
| 02 | Koneoppimisen historia | [Johdanto](1-Introduction/README.md) | Opi alan taustasta | [Oppitunti](1-Introduction/2-history-of-ML/README.md) | Jen ja Amy |
| 03 | Oikeudenmukaisuus ja koneoppiminen | [Johdanto](1-Introduction/README.md) | Mitkä ovat tärkeimmät oikeudenmukaisuuteen liittyvät filosofiset kysymykset, jotka oppilaiden tulisi huomioida koneoppimismalleja rakentaessa ja käyttäessä? | [Oppitunti](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Tekniikat koneoppimisessa | [Johdanto](1-Introduction/README.md) | Mitä tekniikoita koneoppimisen tutkijat käyttävät mallien rakentamisessa? | [Oppitunti](1-Introduction/4-techniques-of-ML/README.md) | Chris ja Jen |
| 05 | Johdanto regressioon | [Regressio](2-Regression/README.md) | Pääset alkuun Pythonilla ja Scikit-learnillä regressiomallien kanssa | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Pohjois-Amerikan kurpitsahinnat 🎃 | [Regressio](2-Regression/README.md) | Visualisoi ja puhdista data koneoppimisen valmistelussa | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Pohjois-Amerikan 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 |
| 08 | Pohjois-Amerikan kurpitsahinnat 🎃 | [Regressio](2-Regression/README.md) | Rakenna logistisen regression malli | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Verkkosovellus 🔌 | [Verkkosovellus](3-Web-App/README.md) | Rakenna verkkosovellus käyttämään valmennettua malliasi | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Johdanto luokitteluun | [Luokittelu](4-Classification/README.md) | Puhdista, valmistele ja visualisoi datasi; johdanto 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 ruoat 🍜 | [Luokittelu](4-Classification/README.md) | Johdanto 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 ruoat 🍜 | [Luokittelu](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 ruoat 🍜 | [Luokittelu](4-Classification/README.md) | Rakenna suositussovellus mallisi avulla | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Johdanto klusterointiin | [Klusterointi](5-Clustering/README.md) | Puhdista, valmistele ja visualisoi data; johdanto klusterointiin | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 16 | Johdanto luonnollisen kielen käsittelyyn ☕️ | [Luonnollisen kielen käsittely](6-NLP/README.md) | Opi NLP:n perusteet rakentamalla yksinkertainen botti | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Tavalliset NLP-tehtävät ☕️ | [Luonnollisen kielen käsittely](6-NLP/README.md) | Syvennä NLP-tietämystäsi ymmärtämällä yleisiä kielirakenteita koskevia tehtäviä | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Käännös ja tunneanalyysi ♥️ | [Luonnollisen kielen käsittely](6-NLP/README.md) | Käännös ja tunneanalyysi Jane Austenin tekstien avulla | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Euroopan romanttiset hotellit ♥️ | [Luonnollisen kielen käsittely](6-NLP/README.md) | Tunneanalyysi hotelliarvosteluilla 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Euroopan romanttiset hotellit ♥️ | [Luonnollisen kielen käsittely](6-NLP/README.md) | Tunneanalyysi hotelliarvosteluilla 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
> [löydä kaikki tämän kurssin lisäresurssit Microsoft Learn -kokoelmastamme](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> **Huomio kielistä:** Nämä oppitunnit on pääasiassa kirjoitettu Pythonilla, mutta monet ovat myös saatavilla R-kielellä. Suorittaaksesi R-oppitunnin, siirry /solution-kansioon ja etsi R-kielisiä oppitunteja. Ne sisältävät .rmd-päätteen, joka edustaa **R Markdown** -tiedostoa, joka voidaan määritellä upotuksena `koodin palstoista` (R:llä tai muilla kielillä) ja `YAML-otsikosta` (joka ohjaa esimerkiksi PDF-muotoilua) Markdown-dokumentissa. Tämä toimii erinomaisena kirjoituskehyksenä data-analyysiin, sillä voit yhdistää koodisi, sen tulokset ja ajatuksesi kirjoittamalla ne Markdownilla. Lisäksi R Markdown -tiedostot voidaan renderöidä PDF-, HTML- tai Word-muotoon.
> **Huomautus harjoituksista**: Kaikki harjoitukset löytyvät [Quiz App -kansiosta](../../quiz-app), yhteensä 52 harjoitusta, joissa jokaisessa on kolme kysymystä. Ne on linkitetty oppituntien yhteyteen, mutta kysymyskoneen voi ajaa myös paikallisesti; noudata `quiz-app`-kansion ohjeita isännöidäksesi tai ottaaksesi sen käyttöön Azuren palvelussa paikallisesti.
| Oppitunnin numero | Aihe | Oppitunnin ryhmittely | Oppimistavoitteet | Linkitetty oppitunti | Tekijä |
| 02 | Koneoppimisen historia | [Johdanto](1-Introduction/README.md) | Opi tämän alan historia | [Oppitunti](1-Introduction/2-history-of-ML/README.md) | Jen ja Amy |
| 03 | Oikeudenmukaisuus ja koneoppiminen | [Johdanto](1-Introduction/README.md) | Mitkä ovat tärkeät filosofiset kysymykset oikeudenmukaisuudesta, joita opiskelijoiden tulee miettiä koneoppimismallien rakentamisessa ja soveltamisessa? | [Oppitunti](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Koneoppimisen tekniikat | [Johdanto](1-Introduction/README.md) | Mitä tekniikoita koneoppimistutkijat käyttävät mallien rakentamiseen? | [Oppitunti](1-Introduction/4-techniques-of-ML/README.md) | Chris ja Jen |
| 05 | Johdatus regressioon | [Regressio](2-Regression/README.md) | Ota Python ja Scikit-learn käyttöön regressiomallien tekemiseen | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Pohjois-Amerikan kurpitsahinnat 🎃 | [Regressio](2-Regression/README.md) | Visualisoi ja siivoa data koneoppimisen valmisteluksi | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Pohjois-Amerikan 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 |
| 08 | Pohjois-Amerikan kurpitsahinnat 🎃 | [Regressio](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 web-sovellus käyttämään koulutettua malliasi | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Johdatus luokitteluun | [Luokittelu](4-Classification/README.md) | Siivoa, valmistele ja visualisoi datasi; 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 keittiöt 🍜 | [Luokittelu](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 keittiöt 🍜 | [Luokittelu](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 |
| 16 | Johdatus luonnollisen kielen käsittelyyn ☕️ | [Luonnollisen kielen käsittely](6-NLP/README.md) | Opi NLP:n perusteet rakentamalla yksinkertainen botti | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Yleisiä NLP-tehtäviä ☕️ | [Luonnollisen kielen käsittely](6-NLP/README.md) | Syvennä NLP-tietoasi ymmärtämällä yleisiä kielirakenteiden kanssa tarvittavia tehtäviä | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Käännös ja mielipideanalyysi ♥️ | [Luonnollisen kielen käsittely](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 käsittely](6-NLP/README.md) | Mielipideanalyysi hotelliarvosteluilla 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Euroopan romanttiset hotellit ♥️ | [Luonnollisen kielen käsittely](6-NLP/README.md) | Mielipideanalyysi hotelliarvosteluilla 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
> [Löydä kaikki tämän kurssin lisäresurssit Microsoft Learn -kokoelmastamme](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 repositorio, [asenna Docsify](https://docsify.js.org/#/quickstart) paikalliselle koneellesi ja sen jälkeen tämän repositorion juurikansiossa kirjoita `docsify serve`. Sivusto palvellaan portissa 3000 paikallisessa isäntäkoneessasi: `localhost:3000`.
Voit käyttää tätä dokumentaatiota offline-tilassa Docsifyn avulla [Docsify](https://docsify.js.org/#/). Tee fork tälle repositoriolle, [asenna Docsify](https://docsify.js.org/#/quickstart) paikalliselle koneellesi ja kirjoita sitten tämän repoversion juurikansiossa `docsify serve`. Sivusto aukeaa portissa 3000 paikallisessa koneessasi: `localhost:3000`.
@ -169,7 +168,7 @@ Tiimimme tuottaa myös muita kursseja! Tutustu:
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agents
@ -180,44 +179,44 @@ Tiimimme tuottaa myös muita kursseja! Tutustu:
---
### Generative AI Series
[](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 kysymyksiä AI-sovellusten rakentamisesta. Liity muiden oppijoiden ja kokeneiden kehittäjien keskusteluihin MCP:stä. Se on kannustava yhteisö, jossa kysymykset ovat tervetulleita ja tieto jaetaan vapaasti.
Jos juutut tai sinulla on kysymyksiä tekoälysovellusten rakentamisesta. Liity muiden oppijoiden ja kokeneiden kehittäjien keskusteluihin MCP:stä. Se on tukevainen yhteisö, jossa kysymykset ovat tervetulleita ja tietoa jaetaan vapaasti.
Tämä asiakirja on käännetty tekoälypohjaisella käännöspalvelulla [Co-op Translator](https://github.com/Azure/co-op-translator). Vaikka pyrimme tarkkuuteen, huomioithan, että automaattiset käännökset saattavat sisältää virheitä tai epätarkkuuksia. Alkuperäinen asiakirja sen alkuperäisellä kielellä on pääteltäväksi viralliseksi lähteeksi. Tärkeiden tietojen kohdalla suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa tämän käännöksen käytöstä johtuvista väärinymmärryksistä tai tulkinnoista.
**Vastuuvapauslauseke**:
Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua [Co-op Translator](https://github.com/Azure/co-op-translator). Vaikka pyrimme tarkkuuteen, huomaathan, että automaattiset käännökset saattavat sisältää virheitä tai epätarkkuuksia. Alkuperäistä asiakirjaa sen omalla kielellä tulee pitää auktoritatiivisena lähteenä. Tärkeissä tiedoissa suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa tämän käännöksen käytöstä aiheutuvista väärinymmärryksistä tai virhetulkintojen seurauksista.
> Dette depotet inkluderer over 50 språkoversettelser som betydelig øker nedlastingsstørrelsen. For å klone uten oversettelser, bruk sparse checkout:
> Dette depotet inkluderer over 50 språkoversettelser, noe som øker nedlastingsstørrelsen betydelig. For å klone uten oversettelser, bruk sparsommelig utsjekking:
Vi har en Discord-lær-med-AI-serie 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.
Vi har en pågående Discord-serie om å lære med AI, lær mer og bli med oss på [Learn with AI Series](https://aka.ms/learnwithai/discord) fra 18.-30. september 2025. Du vil få tips og triks om bruk av GitHub Copilot for Data Science.
# Maskinlæring for nybegynnere - En læreplan
# Maskinlæring for nybegynnere - Et læreplan
> 🌍 Reis rundt i verden mens vi utforsker maskinlæring gjennom verdens kulturer 🌍
> 🌍 Reis rundt i verden mens vi utforsker Maskinlæring gjennom verdens kulturer 🌍
Cloud Advocates hos Microsoft tilbyr en 12-ukers læreplan med 26 leksjoner som handler om **maskinlæring**. I denne læreplanen vil du lære om det som noen ganger kalles **klassisk maskinlæring**, med hovedfokus på Scikit-learn som bibliotek og uten å dekke 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 er glade for 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**, som bruker hovedsakelig Scikit-learn som bibliotek og unngår dyplæring, 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!
Reis med oss rundt i verden mens vi anvender disse klassiske teknikkene på data fra mange deler av verden. Hver leksjon inkluderer før- og etter-leksjon quiz, skrevne instruksjoner for å fullføre leksjonen, en løsning, en oppgave og mer. Vår prosjektbaserte pedagogikk lar deg lære mens du bygger– en bevist metode for at nye ferdigheter skal 'sette seg'.
Reis med oss rundt i verden mens vi anvender disse klassiske teknikkene på data fra mange deler av verden. Hver leksjon inkluderer forhånds- og etter-forelesningsquiz, skriftlige instruksjoner for å fullføre leksjonen, en løsning, en oppgave og mer. Vår prosjektbaserte pedagogikk lar deg lære mens du bygger, en velprøvd metode for at nye ferdigheter skal feste 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
**🎨 Takk også til våre illustratører** Tomomi Imura, Dasani Madipalli, og Jen Looper
**🙏 Spesiell takk 🙏 til våre Microsoft Student Ambassador-forfattere, -anmeldere og -innholdsbidragsytere**, særlig Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila og Snigdha Agarwal
**🙏 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!**
# Komme i gang
Følg disse stegene:
Følg disse trinnene:
1. **Fork depotet**: 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 tilleggressurser 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 [Feilsøkingsveiledning](TROUBLESHOOTING.md) for løsninger på vanlige problemer med installasjon, oppsett og kjøring av leksjoner.
> 🔧 **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 repoen til din egen GitHub-konto og fullfør øvelsene selv eller i gruppe:
**[Studenter](https://aka.ms/student-page)**, for å bruke denne læreplanen, fork hele repoet til din egen GitHub-konto og fullfør øvelsene selvstendig eller i gruppe:
- Start med en før-forelesning quiz.
- Start med en forhånds-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; den koden er likevel tilgjengelig i `/solution`-mappene i hver prosjektorientert leksjon.
- Ta etter-forelesning quiz.
- Prøv å lage prosjektene ved å forstå leksjonene i stedet for å bare kjøre løsningskoden; denne koden er imidlertid tilgjengelig i `/solution`-mappene i hver prosjektorienterte leksjon.
- Ta etter-forelesningsquizen.
- 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 det aktuelle PAT-skjemaet. En 'PAT' er et fremdriftsevalueringsverktøy som er et skjema du fyller ut for å fremme læringen. Du kan også reagere på andres 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 den passende PAT-vurderingen. En 'PAT' er et progresjonsvurderingsverktøy som er et skjema 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 læringsløpene.
> 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 læringsstiene.
**Lærere**, vi har [inkludert noen forslag](for-teachers.md) til 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 finnes som korte videoer. Du kan finne alle disse innebygd 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.
Noen av leksjonene er tilgjengelige som kortformede videoer. Du kan finne dem alle innebygd 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)
@ -87,81 +87,81 @@ Noen av leksjonene finnes som korte videoer. Du kan finne alle disse innebygd i
> 🎥 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 under utviklingen av denne læreplanen: å sikre at den er praktisk **prosjektbasert** og at den inkluderer **hyppige quizzer**. I tillegg har denne læreplanen et felles**tema** for å gi den sammenheng.
Vi har valgt to pedagogiske prinsipper under utarbeidelsen av denne læreplanen: å sikre at den er praktisk og **prosjektbasert**, og at den inneholder **hyppige quizzer**. I tillegg har denne læreplanen et gjennomgående**tema** for å gi den sammenheng.
Ved å sørge for at innholdet samsvarer med prosjekter, gjøres prosessen mer engasjerende for studentene og vil bedre bidra til at konseptene huskes. I tillegg setter en lavterskel quiz før timen intensjonen til studenten mot å lære et tema, mens en andre quiz etter timen sikrer videre lagring. 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 12-ukers syklusen. Læreplanen inkluderer også et etterord om virkelige anvendelser av maskinlæring, som kan brukes som ekstra poeng eller som grunnlag for diskusjon.
Ved å sikre at innholdet er knyttet til prosjekter, gjøres prosessen mer engasjerende for elever og forståelsen av konsepter vil bli styrket. I tillegg setter en lavterskelquiz før en time intensjonen til studenten mot å lære et tema, mens en andre quiz etter timen sikrer ytterligere forståelse. Denne læreplanen er designet for å være fleksibel og morsom, og kan tas i sin helhet eller delvis. Prosjektene starter smått og blir stadig mer komplekse mot slutten av den 12-ukers syklusen. Denne læreplanen inkluderer også et tillegg om virkelige anvendelser av ML, som kan brukes som ekstra poeng eller som grunnlag for diskusjon.
> Finn våre [Regler for god oppførsel](CODE_OF_CONDUCT.md), [Bidrag](CONTRIBUTING.md), [Oversettelse](TRANSLATIONS.md) og [Feilsøking](TROUBLESHOOTING.md) retningslinjer. Vi setter pris på din konstruktive tilbakemelding!
> Finn våre [Regler for oppførsel](CODE_OF_CONDUCT.md), [Bidra](CONTRIBUTING.md), [Oversettelse](TRANSLATIONS.md), og [Feilsøking](TROUBLESHOOTING.md) retningslinjer. Vi setter pris på dine konstruktive tilbakemeldinger!
## Hver leksjon inkluderer
- valgfri skisse-illustrasjon
- valgfri skissetegning
- valgfri tilleggsvideo
- videogjennomgang (kun noen leksjoner)
- [oppvarmingsquiz før forelesning](https://ff-quizzes.netlify.app/en/ml/)
- for prosjektbaserte leksjoner, steg-for-steg guider på hvordan man bygger prosjektet
- for prosjektbaserte leksjoner, steg-for-steg veiledninger om hvordan bygge prosjektet
- kunnskapskontroller
- en utfordring
- tilleggstekster
- supplerende lesning
- oppgave
- [quiz etter forelesning](https://ff-quizzes.netlify.app/en/ml/)
> **En notis om språk**: Disse leksjonene er hovedsakelig skrevet i Python, men mange finnes også på R. For å fullføre en R-leksjon, gå til `/solution`-mappen og se etter R-leksjoner. De har en .rmd-utvidelse som representerer en **R Markdown**-fil, som enkelt kan defineres som en innbedding av `kodebiter` (av R eller andre språk) og en `YAML-header` (som styrer hvordan utdata formateres, som PDF) i et `Markdown-dokument`. Som sådan fungerer det som en eksemplarisk forfatterramme for datafag siden det lar deg kombinere koden din, dens utdata og dine tanker ved at du kan skrive dem ned i Markdown. Videre kan R Markdown-dokumenter gjengis til utdataformater som PDF, HTML eller Word.
> **En merknad om quizzer**: Alle quizzer finnes i [Quiz App folder](../../quiz-app), totalt 52 quizer med tre spørsmål hver. De er lenket fra leksjonene, men quiz appen kan kjøres lokalt; følg instruksjonene i `quiz-app`-mappen for lokal hosting eller distribusjon til Azure.
| 01 | Introduksjon til maskinlæring | [Introduction](1-Introduction/README.md) | Lær de grunnleggende konseptene bak maskinlæring | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Historien om maskinlæring | [Introduction](1-Introduction/README.md) | Lær historien bak dette feltet | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Rettferdighet og maskinlæring | [Introduction](1-Introduction/README.md) | Hva er de viktige filosofiske spørsmålene rundt rettferdighet som studenter bør vurdere når de bygger og bruker ML-modeller? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Teknikker for maskinlæring | [Introduction](1-Introduction/README.md) | Hvilke teknikker bruker ML-forskere for å bygge ML-modeller? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Introduksjon til regresjon | [Regression](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 | Nord-amerikanske gresskarpriser 🎃 | [Regression](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 | Nord-amerikanske gresskarpriser 🎃 | [Regression](2-Regression/README.md) | Bygg lineære og polynomiske regresjonsmodeller | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | Nord-amerikanske gresskarpriser 🎃 | [Regression](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 | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Introduksjon til klassifisering | [Classification](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 and Cassie • Eric Wanjau |
| 11 | Deilige asiatiske og indiske retter 🍜 | [Classification](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 and Cassie • Eric Wanjau |
| 12 | Deilige asiatiske og indiske retter 🍜 | [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 and Cassie • Eric Wanjau |
| 13 | Deilige asiatiske og indiske retter 🍜 | [Classification](4-Classification/README.md) | Bygg en anbefalings-webapp ved hjelp av modellen din | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introduksjon til klynging | [Clustering](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 |
| 15 | Utforskning av nigerianske musikksmaker 🎧 | [Clustering](5-Clustering/README.md) | Utforsk K-Means klyngealgoritmen | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Introduksjon til naturlig språkbehandling ☕️ | [Natural language processing](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 ☕️ | [Natural language processing](6-NLP/README.md) | Fordyp kunnskapen din om NLP ved å forstå vanlige oppgaver som kreves når man håndterer språkstrukturer | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Oversettelse og sentimentanalyse ♥️ | [Natural language processing](6-NLP/README.md) | Oversettelse 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 hotellvurderinger 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 hotellvurderinger 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Introduksjon til tidsserieprognoser | [Time series](7-TimeSeries/README.md) | Introduksjon til tidsserieprognoser | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Verdens strømforbruk ⚡️ - tidsserieprognoser med ARIMA | [Time series](7-TimeSeries/README.md) | Tidsserieprognoser med ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Verdens strømforbruk ⚡️ - tidsserieprognoser med SVR | [Time series](7-TimeSeries/README.md) | Tidsserieprognoser med Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Introduksjon til forsterkningslæring | [Reinforcement learning](8-Reinforcement/README.md) | Introduksjon til forsterkningslæring med Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Hjelp Peter å unngå ulven! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Gym for forsterkningslæring | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Virkelige ML-scenarier og anvendelser | [ML in the Wild](9-Real-World/README.md) | Interessante og avslørende virkelige anvendelser av klassisk ML | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Feilsøking av modeller i ML ved bruk av RAI dashboard | [ML in the Wild](9-Real-World/README.md) | Feilsøking av modeller i maskinlæring ved bruk av Responsible AI-dashboard komponenter | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> **En merknad om språk**: Disse leksjonene er primært skrevet i Python, men mange finnes også på R. For å fullføre en R-leksjon, gå til `/solution`-mappen og se etter R-leksjoner. De inneholder en .rmd-endelse som representerer en **R Markdown**-fil, som enkelt kan defineres som en innbinding av `kodebiter` (av R eller andre språk) og en `YAML-topptekst` (som styrer hvordan man formaterer utdata som PDF) i et `Markdown-dokument`. Som sådan fungerer det som et eksemplarisk forfatterrammeverk for data science, siden det lar deg kombinere koden din, dens utdata, og dine tanker ved å la deg skrive dem ned i Markdown. I tillegg kan R Markdown-dokumenter gjengis til utdataformater som PDF, HTML eller Word.
> **En merknad om quizer**: Alle quizer finnes i [Quiz App-mappen](../../quiz-app), for totalt 52 quizer med tre spørsmål hver. De er koblet til fra leksjonene, men quiz-appen kan kjøres lokalt; følg instruksjonene i `quiz-app`-mappen for lokal hosting eller distribusjon 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 | Maskinlæringens historie | [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) | Hvilke viktige filosofiske spørsmål rundt rettferdighet bør studenter 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 | Priser på gresskar i Nord-Amerika 🎃 | [Regresjon](2-Regression/README.md) | Visualiser og rydd 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 | Priser på gresskar i Nord-Amerika 🎃 | [Regresjon](2-Regression/README.md) | Bygg lineære og polynomiske regresjonsmodeller | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen og Dmitry • Eric Wanjau |
| 08 | Priser på gresskar i Nord-Amerika 🎃 | [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 web-app 🔌 | [Web App](3-Web-App/README.md) | Bygg en web-app 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) | Rydd, 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 retter 🍜 | [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 retter 🍜 | [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 retter 🍜 | [Klassifisering](4-Classification/README.md) | Bygg en anbefalingsweb-app ved bruk av modellen din | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introduksjon til klynging | [Klynging](5-Clustering/README.md) | Rydd, 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 deg i NLP ved å forstå vanlige oppgaver som kreves når man håndterer 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 med hotellomtaler 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantiske hoteller i Europa ♥️ | [Naturlig språkbehandling](6-NLP/README.md) | Sentimentanalyse med 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 strømforbruk ⚡️ - tidsserieprognoser med ARIMA | [Tidsserie](7-TimeSeries/README.md) | Tidsserieprognoser med ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Verdens strømforbruk ⚡️ - tidsserieprognoser med SVR | [Tidsserie](7-TimeSeries/README.md) | Tidsserieprognoser 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-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Hjelp Peter unngå ulven! 🐺 | [Forsterkende læring](8-Reinforcement/README.md) | Forsterkende lærings Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Etterord | Virkelige ML-scenarier og anvendelser | [ML i det fri](9-Real-World/README.md) | Interessante og avslørende reelle anvendelser av klassisk ML | [Leksjon](9-Real-World/1-Applications/README.md) | Team |
| Etterord | Modellfeilsøking i ML med RAI-dashboard | [ML i det fri](9-Real-World/README.md) | Modellfeilsøking i maskinlæring ved bruk av Responsible AI-dashboard-komponenter | [Leksjon](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [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)
## Offline tilgang
## Frakoblet tilgang
Du kan kjøre denne dokumentasjonen offline ved å bruke [Docsify](https://docsify.js.org/#/). Fork dette repoet, [installer Docsify](https://docsify.js.org/#/quickstart) på din lokale maskin, og skriv deretter `docsify serve` i rotmappen av dette repoet. Nettstedet vil kjøre på port 3000 på din localhost: `localhost:3000`.
Du kan kjøre denne dokumentasjonen frakoblet ved å bruke [Docsify](https://docsify.js.org/#/). Fork dette repoet, [installer Docsify](https://docsify.js.org/#/quickstart) på din lokale maskin, og skriv så i rotmappen av dette repoet `docsify serve`. Nettstedet vil bli servert på port 3000 på din localhost: `localhost:3000`.
## PDF-er
Finn en pdf av lærematerialet med lenker [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:
@ -169,10 +169,10 @@ Vårt team produserer andre kurs! Sjekk ut:
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agenter
### Azure / Edge / MCP / Agent
[](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)
@ -180,34 +180,34 @@ Vårt team produserer andre kurs! Sjekk ut:
---
### Generative AI Series
[](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)
---
### Kjernelæring
[](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)
### Kjerneopplæring
[](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-serien
[](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 setter deg 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 står fast eller har spørsmål om å bygge AI-apper. Bli med andre lærende og erfarne utviklere i diskusjoner om MCP. Det er et støttende fellesskap hvor spørsmål er velkomne og kunnskap deles fritt.
@ -219,5 +219,5 @@ Hvis du har produktfeedback eller opplever feil under bygging, besøk:
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Ansvarsfraskrivelse**:
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, vær oppmerksom på at automatiske oversettelser kan inneholde feil eller unøyaktigheter. Det originale dokumentet på sitt opprinnelige språk skal anses 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.
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 automatiserte 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 noen misforståelser eller feiltolkninger som oppstår som følge av bruk av denne oversettelsen.
localizeflow[bot]
3 days ago