ML-For-Beginners/translations/sv

🌐 Flerspråkigt stöd

Stöds via GitHub Action (Automatiserat & Alltid Uppdaterat)

Arabiska | Bengali | Bulgariska | Burmese (Myanmar) | Kinesiska (Förenklad) | Kinesiska (Traditionell, Hong Kong) | Kinesiska (Traditionell, Macau) | Kinesiska (Traditionell, Taiwan) | Kroatiska | Tjeckiska | Danska | Nederländska | Estniska | Finska | Franska | Tyska | Grekiska | Hebreiska | Hindi | Ungerska | Indonesiska | Italienska | Japanska | Kannada | Koreanska | Litauiska | Malay | Malayalam | Marathi | Nepalesiska | Nigeriansk Pidgin | Norska | Persiska (Farsi) | Polska | Portugisiska (Brasilien) | Portugisiska (Portugal) | Punjabi (Gurmukhi) | Rumänska | Ryska | Serbiska (Kyrilliska) | Slovakiska | Slovenska | Spanska | Swahili | Svenska | Tagalog (Filippinska) | Tamil | Telugu | Thailändska | Turkiska | Ukrainska | Urdu | Vietnamesiska

Föredrar du att klona lokalt?

Detta arkiv inkluderar över 50 språköversättningar vilket ökar nedladdningsstorleken avsevärt. För att klona utan översättningar, använd sparse checkout:

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'

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

Gå med i vår gemenskap

Vi har en pågående Discord-serie för lärande med AI, lär dig mer och gå med oss på Learn with AI Series från 18 - 30 september 2025. Du får tips och tricks för att använda GitHub Copilot för Data Science.

Maskininlärning för nybörjare - Ett läroplan

🌍 Res runt i världen medan vi utforskar Maskininlärning genom världskulturer 🌍

Cloud Advocates på Microsoft är glada att kunna erbjuda en 12-veckors, 26-lektioners läroplan helt om Maskininlärning. I denna läroplan kommer du att lära dig om det som ibland kallas klassisk maskininlärning, som främst använder Scikit-learn som bibliotek och undviker djupinlärning, vilket täcks i vår AI för nybörjare-läroplan. Kombinera gärna dessa lektioner med vår 'Data Science för nybörjare-läroplan'.

Res med oss runt jorden när vi tillämpar dessa klassiska tekniker på data från många delar av världen. Varje lektion inkluderar för- och efterquizzer, skriftliga instruktioner för att slutföra lektionen, en lösning, en uppgift och mer. Vår projektbaserade pedagogik låter dig lära samtidigt som du bygger, ett beprövat sätt för nya kunskaper att "fästa".

✍️ Stort tack till våra författare Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu och Amy Boyd

🎨 Tack även till våra illustratörer Tomomi Imura, Dasani Madipalli och Jen Looper

🙏 Speciellt tack 🙏 till våra Microsoft Student Ambassador-författare, granskare och innehållsbidragsgivare, särskilt Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila och Snigdha Agarwal

🤩 Extra tacksamhet till Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi och Vidushi Gupta för våra R-lektioner!

Komma igång

Följ dessa steg:

1. Gaffla (Fork) arkivet: Klicka på "Fork"-knappen längst upp till höger på denna sida.
2. Klona arkivet: git clone https://github.com/microsoft/ML-For-Beginners.git

hitta alla ytterligare resurser för denna kurs i vår Microsoft Learn-samling

🔧 Behöver du hjälp? Kolla vår Felsökningsguide för lösningar på vanliga problem med installation, uppsättning och körning av lektioner.

Studenter, för att använda denna läroplan, gaffla hela repot till ditt eget GitHub-konto och slutför övningarna själv eller i grupp:

• Börja med ett för-foreläsningsquiz.
• Läs lektionen och slutför aktiviteterna, pausa och reflektera vid varje kunskapskontroll.
• Försök att skapa projekten genom att förstå lektionerna snarare än att köra lösningskoden; dock finns denna kod tillgänglig i /solution-mapparna i varje projektorienterad lektion.
• Gör efter-foreläsningsquizet.
• Slutför utmaningen.
• Slutför uppgiften.
• Efter att ha slutfört en lektionsgrupp, besök Diskussionsforumet och "lär ut högt" genom att fylla i lämplig PAT-rubrik. En 'PAT' är ett Fortschrittsbedömningsverktyg som är en rubrik du fyller i för att fördjupa ditt lärande. Du kan också reagera på andra PATs så att vi kan lära tillsammans.

För vidare studier rekommenderar vi att du följer dessa Microsoft Learn moduler och lärandespår.

Lärare, vi har inkluderat några förslag på hur du kan använda denna läroplan.

---

Videogenomgångar

Några av lektionerna finns som korta videor. Du kan hitta alla dessa direkt i lektionerna, eller på ML for Beginners-spellistan på Microsoft Developers YouTube-kanal genom att klicka på bilden nedan.

---

Möt teamet

Gif av Mohit Jaisal

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

---

Pedagogik

Vi har valt två pedagogiska principer när vi byggde denna läroplan: att säkerställa att den är praktiskt projektbaserad och att den innehåller frestande quizzer. Dessutom har denna läroplan ett gemensamt tema för sammanhållning.

Genom att säkerställa att innehållet är kopplat till projekt blir processen mer engagerande för studenter och konceptens retention förstärks. Dessutom sätter ett lågrisk-quiz före lektionen studentens intention mot att lära sig ett ämne, medan ett andra quiz efter lektionen säkerställer ytterligare retention. Denna läroplan är designad för att vara flexibel och rolig och kan tas i sin helhet eller delvis. Projekten börjar små och blir allt mer komplexa mot slutet av 12-veckorscykeln. Läroplanen innehåller även en epilog om verkliga användningsområden av ML, som kan användas som extrakredit eller som bas för diskussion.

Hitta våra Uppförandekoder, Bidragande, Översättning och Felsökning riktlinjer. Vi välkomnar din konstruktiva feedback!

Varje lektion inkluderar

• valfri sketchnote
• valfri kompletterande video
• videogenomgång (endast vissa lektioner)
• för-foreläsnings uppvärmningsquiz
• skriftlig lektion
• för projektbaserade lektioner, steg-för-steg guider för hur man bygger projektet
• kunskapskontroller
• en utmaning
• kompletterande läsning
• uppgift
• efter-foreläsningsquiz

En notis om språk: Dessa lektioner är huvudsakligen skrivna i Python, men många finns också tillgängliga i R. För att genomföra en R-lektion, gå till /solution-mappen och leta efter R-lektioner. De inkluderar en .rmd-filändelse som representerar en R Markdown-fil vilket enkelt kan definieras som en inbäddning av kodblock (av R eller andra språk) och en YAML-header (som styr hur utdataformat som PDF ska formateras) i ett Markdown-dokument. Som sådan fungerar det som en exemplarisk ramverk för författarskap inom data science eftersom det låter dig kombinera din kod, dess utdata och dina tankar genom att låta dig skriva ner dem i Markdown. Dessutom kan R Markdown-dokument renderas till utdataformat som PDF, HTML eller Word. En notis om frågesporter: Alla frågesporter finns i Quiz App-mappen, totalt 52 frågesporter med tre frågor vardera. De är länkade från lektionerna men quiz-appen kan köras lokalt; följ instruktionerna i quiz-app-mappen för att köra lokalt eller distribuera till Azure.

Lektion Nummer	Ämne	Lektion Grupp	Lärandemål	Länkad Lektion	Författare
01	Introduktion till maskininlärning	Introduktion	Lär dig grundläggande koncept bakom maskininlärning	Lektion	Muhammad
02	Maskininlärningens historia	Introduktion	Lär dig historien bakom detta område	Lektion	Jen och Amy
03	Rättvisa och maskininlärning	Introduktion	Vilka är de viktiga filosofiska frågorna kring rättvisa som studenter bör överväga när de bygger och applicerar ML-modeller?	Lektion	Tomomi
04	Tekniker för maskininlärning	Introduktion	Vilka tekniker använder ML-forskare för att bygga ML-modeller?	Lektion	Chris och Jen
05	Introduktion till regression	Regression	Kom igång med Python och Scikit-learn för regressionsmodeller	Python • R	Jen • Eric Wanjau
06	Pumpinpriser i Nordamerika 🎃	Regression	Visualisera och rengör data inför ML	Python • R	Jen • Eric Wanjau
07	Pumpinpriser i Nordamerika 🎃	Regression	Bygg linjära och polynomiska regressionsmodeller	Python • R	Jen och Dmitry • Eric Wanjau
08	Pumpinpriser i Nordamerika 🎃	Regression	Bygg en logistisk regressionsmodell	Python • R	Jen • Eric Wanjau
09	En webbapp 🔌	Web App	Bygg en webbapp för att använda din tränade modell	Python	Jen
10	Introduktion till klassificering	Classification	Rengör, förbered och visualisera din data; introduktion till klassificering	Python • R	Jen och Cassie • Eric Wanjau
11	Läckra asiatiska och indiska kök 🍜	Classification	Introduktion till klassificerare	Python • R	Jen och Cassie • Eric Wanjau
12	Läckra asiatiska och indiska kök 🍜	Classification	Fler klassificerare	Python • R	Jen och Cassie • Eric Wanjau
13	Läckra asiatiska och indiska kök 🍜	Classification	Bygg en rekommenderande webbapp med din modell	Python	Jen
14	Introduktion till klustring	Clustering	Rengör, förbered och visualisera din data; introduktion till klustring	Python • R	Jen • Eric Wanjau
15	Utforska Nigerianska musiksmaker 🎧	Clustering	Utforska K-Means klustringsmetoden	Python • R	Jen • Eric Wanjau
16	Introduktion till naturlig språkbehandling ☕️	Natural language processing	Lär dig grunderna om NLP genom att bygga en enkel bot	Python	Stephen
17	Vanliga NLP-uppgifter ☕️	Natural language processing	Fördjupa dina NLP-kunskaper genom att förstå vanliga uppgifter kopplade till språkstrukturer	Python	Stephen
18	Översättning och sentimentanalys ♥️	Natural language processing	Översättning och sentimentanalys med Jane Austen	Python	Stephen
19	Romantiska hotell i Europa ♥️	Natural language processing	Sentimentanalys med hotellrecensioner 1	Python	Stephen
20	Romantiska hotell i Europa ♥️	Natural language processing	Sentimentanalys med hotellrecensioner 2	Python	Stephen
21	Introduktion till tidsserieprognoser	Time series	Introduktion till tidsserieprognoser	Python	Francesca
22	⚡️ Världens energianvändning ⚡️ - tidsserieprognoser med ARIMA	Time series	Tidsserieprognoser med ARIMA	Python	Francesca
23	⚡️ Världens energianvändning ⚡️ - tidsserieprognoser med SVR	Time series	Tidsserieprognoser med Support Vector Regressor	Python	Anirban
24	Introduktion till förstärkningsinlärning	Reinforcement learning	Introduktion till förstärkningsinlärning med Q-Learning	Python	Dmitry
25	Hjälp Peter undvika vargen! 🐺	Reinforcement learning	Förstärkningsinlärning Gym	Python	Dmitry
Efterskrift	Verkliga ML-scenarier och applikationer	ML in the Wild	Intressanta och avslöjande verkliga användningar av klassisk ML	Lektion	Team
Efterskrift	Modellfelsökning i ML med RAI-dashboard	ML in the Wild	Modellfelsökning i maskininlärning med Responsible AI-dashboardkomponenter	Lektion	Ruth Yakubu

hitta alla ytterligare resurser för denna kurs i vår Microsoft Learn-samling

Offline-tillgång

Du kan använda denna dokumentation offline genom att använda Docsify. Forka detta repo, installera Docsify på din lokala dator och skriv sedan docsify serve i rotmappen för detta repo. Webbplatsen kommer att serveras på port 3000 på din localhost: localhost:3000.

PDF-filer

Hitta en pdf av kursplanen med länkar här.

🎒 Andra kurser

Vårt team producerar andra kurser! Kolla in:

LangChain

Azure / Edge / MCP / Agenter

---

Generativ AI Serie

---

Kärnkunskap

---

Copilot-serien

Få hjälp

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

Om du har produktfeedback eller hittar fel vid byggande, besök:

---

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