ML-For-Beginners/translations/nl

🌐 Meertalige ondersteuning

Ondersteund via GitHub Action (Automatisch & Altijd Up-to-Date)

Arabisch | Bengaals | Bulgaars | Birmaans (Myanmar) | Chinees (Vereenvoudigd) | Chinees (Traditioneel, Hong Kong) | Chinees (Traditioneel, Macau) | Chinees (Traditioneel, Taiwan) | Kroatisch | Tsjechisch | Deens | Nederlands | Ests | Fins | Frans | Duits | Grieks | Hebreeuws | Hindi | Hongaars | Indonesisch | Italiaans | Japans | Kannada | Khmer | Koreaans | Litouws | Maleis | Malayalam | Marathi | Nepalees | Nigeriaans Pidgin | Noors | Perzisch (Farsi) | Pools | Portugees (Brazilië) | Portugees (Portugal) | Punjabi (Gurmukhi) | Roemeens | Russisch | Servisch (Cyrillisch) | Slowaaks | Sloveens | Spaans | Swahili | Zweeds | Tagalog (Filipijns) | Tamil | Telugu | Thai | Turks | Oekraïens | Urdu | Vietnamees

Lieferen om lokaal te klonen?

Deze repository bevat meer dan 50 vertalingen wat de downloadgrootte aanzienlijk verhoogt. Om zonder vertalingen te klonen, gebruik sparse checkout:

Bash / macOS / Linux:

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

CMD (Windows):

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"

Dit geeft je alles wat je nodig hebt om de cursus te voltooien met een veel snellere download.

Word lid van onze community

We hebben een lopende Discord-serie ‘Learn with AI’, leer er meer over en doe mee via Learn with AI Series van 18 - 30 september 2025. Je krijgt tips en trucs over het gebruik van GitHub Copilot voor Data Science.

Machine Learning voor Beginners - Een Curriculum

🌍 Reis de wereld rond terwijl we Machine Learning verkennen via wereldculturen 🌍

Cloud Advocates bij Microsoft bieden met plezier een 12-weken durend curriculum aan met 26 lessen over Machine Learning. In dit curriculum leer je over wat soms wordt genoemd klassieke machine learning, met voornamelijk Scikit-learn als bibliotheek en zonder diepgaand leren, dat aan bod komt in ons AI for Beginners curriculum. Combineer deze lessen ook met ons 'Data Science for Beginners curriculum'!

Reis met ons mee over de wereld terwijl we deze klassieke technieken toepassen op data uit vele gebieden wereldwijd. Elke les bevat vooraf- en na-lessen quizzen, geschreven instructies om de les te voltooien, een oplossing, een opdracht en meer. Onze projectgebaseerde didactiek stelt je in staat te leren terwijl je bouwt, een bewezen manier om nieuwe vaardigheden ‘te laten beklijven’.

✍️ Hartelijke dank aan onze auteurs Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu en Amy Boyd

🎨 Tevens dank aan onze illustratoren Tomomi Imura, Dasani Madipalli en Jen Looper

🙏 Speciale dank 🙏 aan onze Microsoft Student Ambassador auteurs, reviewers en inhoudsbijdragers, met name Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila en Snigdha Agarwal

🤩 Extra waardering voor Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi en Vidushi Gupta voor onze R-lessen!

Aan de slag

Volg deze stappen:

1. Fork de repository: Klik op de "Fork" knop rechtsboven op deze pagina.
2. Clone de repository: git clone https://github.com/microsoft/ML-For-Beginners.git

vind alle aanvullende middelen voor deze cursus in onze Microsoft Learn collectie

🔧 Hulp nodig? Bekijk onze Probleemoplossingsgids voor oplossingen bij installatie, setup en het draaien van lessen.

Studenten, om dit curriculum te gebruiken, fork je de hele repo naar je eigen GitHub-account en maak je de oefeningen zelfstandig of in een groep:

• Begin met een pre-lecture quiz.
• Lees de les en voltooi de activiteiten, pauzeer en reflecteer bij elke kennischeck.
• Probeer de projecten zelf te maken door de lessen te begrijpen in plaats van direct de oplossing te gebruiken; die code staat echter beschikbaar in de /solution mappen van elke projectgerichte les.
• Maak de post-lecture quiz.
• Voltooi de challenge.
• Maak de opdracht.
• Na het voltooien van een lesgroep, bezoek het Discussiebord en "leer hardop" door de juiste PAT rubric in te vullen. Een ‘PAT’ is een Progress Assessment Tool die je invult om je leren te verdiepen. Je kunt ook reageren op andere PATs zodat we samen kunnen leren.

Voor verdere studie bevelen we deze Microsoft Learn modules en leerpaden aan.

Docenten, we hebben enkele suggesties opgenomen over hoe dit curriculum te gebruiken.

---

Videowandelingen

Een aantal lessen is beschikbaar als korte video’s. Je kunt ze in de lessen zelf vinden of op de ML for Beginners afspeellijst op het Microsoft Developer YouTube-kanaal door te klikken op de afbeelding hieronder.

---

Ontmoet het team

Gif door Mohit Jaisal

🎥 Klik op de afbeelding hierboven voor een video over het project en de mensen die het gemaakt hebben!

---

Pedagogiek

We hebben twee didactische principes gekozen bij het bouwen van dit curriculum: zorgen dat het hands-on en projectgebaseerd is en dat het frequente quizzen bevat. Daarnaast heeft dit curriculum een gemeenschappelijk thema voor samenhang.

Door te zorgen dat de inhoud aansluit bij projecten wordt het leerproces boeiender voor studenten en wordt het vasthouden van concepten vergroot. Bovendien stelt een quiz met lage inzet voor de les de intentie om een onderwerp te leren, terwijl een tweede quiz na de les zorgt voor verdere retentie. Dit curriculum is ontworpen om flexibel en leuk te zijn en kan geheel of gedeeltelijk gevolgd worden. De projecten starten klein en worden steeds complexer aan het einde van de 12 weken. Dit curriculum bevat ook een naschrift over echte wereldtoepassingen van ML, dat kan worden gebruikt als extra opdracht of als basis voor discussie.

Vind onze Gedragsregels, Bijdragen, Vertalingen en Probleemoplossing richtlijnen. We verwelkomen je constructieve feedback!

Elke les bevat

• optionele sketchnote
• optionele aanvullende video
• video walkthrough (sommige lessen alleen)
• pre-lecture warming-up quiz
• geschreven les
• voor projectgebaseerde lessen, stapsgewijze handleidingen om het project te bouwen
• kenniscontroles
• een uitdaging
• aanvullende lectuur
• opdracht
• post-lecture quiz

Een opmerking over talen: Deze lessen zijn voornamelijk in Python geschreven, maar veel zijn ook beschikbaar in R. Om een R-les te voltooien, ga je naar de map /solution en zoek je naar R-lessen. Deze bevatten een .rmd-extensie die een R Markdown-bestand vertegenwoordigt, wat eenvoudig kan worden gedefinieerd als een insluiting van code chunks (van R of andere talen) en een YAML-koptekst (die aangeeft hoe outputs zoals PDF worden opgemaakt) in een Markdown-document. Als zodanig dient het als een voorbeeld van een auteursraamwerk voor datawetenschap, omdat het je in staat stelt je code, output en gedachten te combineren door ze in Markdown te schrijven. Bovendien kunnen R Markdown-documenten worden gerenderd naar outputformaten zoals PDF, HTML of Word.

Een opmerking over quizzes: Alle quizzes bevinden zich in de Quiz App-map, met in totaal 52 quizzes van elk drie vragen. Ze zijn gekoppeld vanuit de lessen, maar de quiz-app kan lokaal worden uitgevoerd; volg de instructies in de quiz-app-map om lokaal te hosten of te implementeren op Azure.

Lesnummer	Onderwerp	Les Groepering	Leerdoelen	Gekoppelde Les	Auteur
01	Introductie tot machine learning	Introductie	Leer de basisconcepten achter machine learning	Les	Muhammad
02	De geschiedenis van machine learning	Introductie	Leer de geschiedenis achter dit vakgebied	Les	Jen en Amy
03	Rechtvaardigheid en machine learning	Introductie	Wat zijn de belangrijke filosofische kwesties rondom rechtvaardigheid waar studenten rekening mee moeten houden bij het bouwen en toepassen van ML-modellen?	Les	Tomomi
04	Technieken voor machine learning	Introductie	Welke technieken gebruiken ML-onderzoekers om ML-modellen te bouwen?	Les	Chris en Jen
05	Introductie tot regressie	Regressie	Begin met Python en Scikit-learn voor regressiemodellen	Python • R	Jen • Eric Wanjau
06	Noord-Amerikaanse pompoenprijzen 🎃	Regressie	Visualiseer en reinig data ter voorbereiding op ML	Python • R	Jen • Eric Wanjau
07	Noord-Amerikaanse pompoenprijzen 🎃	Regressie	Bouw lineaire en polynomiale regressiemodellen	Python • R	Jen en Dmitry • Eric Wanjau
08	Noord-Amerikaanse pompoenprijzen 🎃	Regressie	Bouw een logistiek regressiemodel	Python • R	Jen • Eric Wanjau
09	Een webapp 🔌	Web App	Bouw een webapp om je getrainde model te gebruiken	Python	Jen
10	Introductie tot classificatie	Classificatie	Reinig, bereid voor en visualiseer je data; introductie tot classificatie	Python • R	Jen en Cassie • Eric Wanjau
11	Heerlijke Aziatische en Indiase keukens 🍜	Classificatie	Introductie tot classifiers	Python • R	Jen en Cassie • Eric Wanjau
12	Heerlijke Aziatische en Indiase keukens 🍜	Classificatie	Meer classifiers	Python • R	Jen en Cassie • Eric Wanjau
13	Heerlijke Aziatische en Indiase keukens 🍜	Classificatie	Bouw een aanbevelings-webapp met je model	Python	Jen
14	Introductie tot clustering	Clustering	Reinig, bereid voor en visualiseer je data; introductie tot clustering	Python • R	Jen • Eric Wanjau
15	Verkenning van Nigeriaanse muzieksmaken 🎧	Clustering	Verken de K-Means clusteringmethode	Python • R	Jen • Eric Wanjau
16	Introductie tot natuurlijke taalverwerking ☕️	Natuurlijke taalverwerking	Leer de basis van NLP door het bouwen van een eenvoudige bot	Python	Stephen
17	Veelvoorkomende NLP-taken ☕️	Natuurlijke taalverwerking	Verdiep je NLP-kennis door veelvoorkomende taken te begrijpen die nodig zijn bij het omgaan met taalstructuren	Python	Stephen
18	Vertaling en sentimentanalyse ♥️	Natuurlijke taalverwerking	Vertaling en sentimentanalyse met Jane Austen	Python	Stephen
19	Romantische hotels in Europa ♥️	Natuurlijke taalverwerking	Sentimentanalyse met hotelbeoordelingen 1	Python	Stephen
20	Romantische hotels in Europa ♥️	Natuurlijke taalverwerking	Sentimentanalyse met hotelbeoordelingen 2	Python	Stephen
21	Introductie tot tijdreeksvoorspelling	Tijdreeks	Introductie tot tijdreeksvoorspelling	Python	Francesca
22	⚡️ Werelduitgaven aan elektriciteit ⚡️ - tijdreeksvoorspelling met ARIMA	Tijdreeks	Tijdreeksvoorspelling met ARIMA	Python	Francesca
23	⚡️ Werelduitgaven aan elektriciteit ⚡️ - tijdreeksvoorspelling met SVR	Tijdreeks	Tijdreeksvoorspelling met Support Vector Regressor	Python	Anirban
24	Introductie tot reinforcement learning	Reinforcement learning	Introductie tot reinforcement learning met Q-Learning	Python	Dmitry
25	Help Peter de wolf te ontwijken! 🐺	Reinforcement learning	Reinforcement learning Gym	Python	Dmitry
Napr.	Praktijkvoorbeelden en -toepassingen van ML	ML in het wild	Interessante en onthullende praktijkvoorbeelden van klassieke ML	Les	Team
Napr.	Model debugging in ML met behulp van de RAI-dashboard	ML in het wild	Model debugging in Machine Learning met Responsible AI-dashboardcomponenten	Les	Ruth Yakubu

vind alle aanvullende bronnen voor deze cursus in onze Microsoft Learn-collectie

Offline toegang

Je kunt deze documentatie offline gebruiken met Docsify. Fork deze repo, installeer Docsify op je lokale machine en typ vervolgens in de hoofdmap van deze repo docsify serve. De website wordt dan lokaal geserveerd op poort 3000: localhost:3000.

PDF's

Vind hier een pdf van het curriculum met links hier.

🎒 Andere cursussen

Ons team produceert ook andere cursussen! Bekijk:

LangChain

Azure / Edge / MCP / Agents

---

Generatieve AI-serie

---

Kernleren

---

Copilot-serie

Hulp krijgen

Als je vastloopt of vragen hebt over het maken van AI-apps, sluit je dan aan bij mede-leerlingen en ervaren ontwikkelaars in discussies over MCP. Het is een ondersteunende community waar vragen welkom zijn en kennis vrij gedeeld wordt.

Als je productfeedback hebt of fouten tegenkomt tijdens het bouwen, bezoek dan:

Aanvullende leertips

• Bekijk notitieboeken na elke les voor beter begrip.
• Oefen met het zelf implementeren van algoritmen.
• Verken real-world datasets met behulp van geleerde concepten.

---

Disclaimer:
Dit document is vertaald met behulp van de AI vertaaldienst Co-op Translator. Hoewel we streven naar nauwkeurigheid, dient u er rekening mee te houden dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het originele document in de oorspronkelijke taal geldt als de gezaghebbende bron. Voor kritieke informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor enige misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling.