ML-For-Beginners/translations/nl

🌐 Meertalige Ondersteuning

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

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

Word lid van onze community

We hebben een lopende Discord-serie over leren met AI. Leer meer 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 door middel van wereldculturen 🌍

Cloud Advocates bij Microsoft bieden met trots een 12-weekse, 26-lessen curriculum aan over Machine Learning. In dit curriculum leer je over wat soms klassieke machine learning wordt genoemd, waarbij voornamelijk Scikit-learn als bibliotheek wordt gebruikt en deep learning wordt vermeden, wat wordt behandeld 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 verschillende delen van de wereld. Elke les bevat quizzen voor en na de les, geschreven instructies om de les te voltooien, een oplossing, een opdracht en meer. Onze projectgerichte aanpak stelt je in staat om te leren door te bouwen, 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

🎨 Dank ook 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 dank aan 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 bronnen voor deze cursus in onze Microsoft Learn-collectie

Studenten, om dit curriculum te gebruiken, fork de hele repo naar je eigen GitHub-account en voltooi de oefeningen alleen of met een groep:

• Begin met een quiz voorafgaand aan de les.
• Lees de les en voltooi de activiteiten, pauzeer en reflecteer bij elke kenniscontrole.
• Probeer de projecten te maken door de lessen te begrijpen in plaats van de oplossingscode uit te voeren; die code is echter beschikbaar in de /solution-mappen in elke projectgerichte les.
• Maak de quiz na de les.
• Voltooi de uitdaging.
• Voltooi de opdracht.
• Na het voltooien van een lesgroep, bezoek het Discussieforum en "leer hardop" door de juiste PAT-rubric in te vullen. Een 'PAT' is een voortgangsbeoordelingstool die je invult om je leren te bevorderen. Je kunt ook reageren op andere PATs zodat we samen kunnen leren.

Voor verdere studie raden we aan om deze Microsoft Learn modules en leerroutes te volgen.

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

---

Video-uitleg

Sommige lessen zijn beschikbaar als korte video's. Je kunt deze allemaal in de lessen vinden, of op de ML for Beginners-afspeellijst op het Microsoft Developer YouTube-kanaal door op de afbeelding hieronder te klikken.

---

Ontmoet het Team

Gif door Mohit Jaisal

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

---

Pedagogiek

We hebben twee pedagogische principes gekozen bij het opstellen van dit curriculum: ervoor zorgen dat het hands-on projectgericht is en dat het frequente quizzen bevat. Daarnaast heeft dit curriculum een gemeenschappelijk thema om het samenhangend te maken.

Door ervoor te zorgen dat de inhoud aansluit bij projecten, wordt het proces boeiender voor studenten en wordt het begrip van concepten vergroot. Bovendien zet een laagdrempelige quiz voorafgaand aan een les de intentie van de student 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 in zijn geheel of gedeeltelijk worden gevolgd. De projecten beginnen klein en worden steeds complexer tegen het einde van de 12-weekse cyclus. Dit curriculum bevat ook een naschrift over real-world toepassingen van ML, die kunnen worden gebruikt als extra krediet of als basis voor discussie.

Vind onze Gedragscode, Bijdragen en Vertaling richtlijnen. We verwelkomen je constructieve feedback!

Elke les bevat

• optionele sketchnote
• optionele aanvullende video
• video-uitleg (alleen sommige lessen)
• quiz voorafgaand aan de les
• geschreven les
• voor projectgerichte lessen, stapsgewijze handleidingen over hoe je het project bouwt
• kenniscontroles
• een uitdaging
• aanvullende literatuur
• opdracht
• quiz na de les

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

Een opmerking over quizzen: Alle quizzen zijn opgenomen in de Quiz App-map, voor in totaal 52 quizzen van elk drie vragen. Ze zijn gelinkt 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	Lesgroep	Leerdoelen	Gelinkte 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	Eerlijkheid en machine learning	Introduction	Wat zijn de belangrijke filosofische kwesties rondom eerlijkheid die studenten moeten overwegen bij het bouwen en toepassen van ML-modellen?	Lesson	Tomomi
04	Technieken voor machine learning	Introduction	Welke technieken gebruiken ML-onderzoekers om ML-modellen te bouwen?	Lesson	Chris en Jen
05	Introductie tot regressie	Regression	Begin met Python en Scikit-learn voor regressiemodellen	Python • R	Jen • Eric Wanjau
06	Noord-Amerikaanse pompoenprijzen 🎃	Regression	Visualiseer en maak data schoon ter voorbereiding op ML	Python • R	Jen • Eric Wanjau
07	Noord-Amerikaanse pompoenprijzen 🎃	Regression	Bouw lineaire en polynomiale regressiemodellen	Python • R	Jen en Dmitry • Eric Wanjau
08	Noord-Amerikaanse pompoenprijzen 🎃	Regression	Bouw een logistisch 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	Classification	Maak je data schoon, bereid voor en visualiseer; introductie tot classificatie	Python • R	Jen en Cassie • Eric Wanjau
11	Heerlijke Aziatische en Indiase gerechten 🍜	Classification	Introductie tot classifiers	Python • R	Jen en Cassie • Eric Wanjau
12	Heerlijke Aziatische en Indiase gerechten 🍜	Classification	Meer classifiers	Python • R	Jen en Cassie • Eric Wanjau
13	Heerlijke Aziatische en Indiase gerechten 🍜	Classification	Bouw een aanbevelingswebapp met je model	Python	Jen
14	Introductie tot clustering	Clustering	Maak je data schoon, bereid voor en visualiseer; introductie tot clustering	Python • R	Jen • Eric Wanjau
15	Verkenning van Nigeriaanse muzieksmaken 🎧	Clustering	Verken de K-Means clustering methode	Python • R	Jen • Eric Wanjau
16	Introductie tot natuurlijke taalverwerking ☕️	Natural language processing	Leer de basis van NLP door een eenvoudige bot te bouwen	Python	Stephen
17	Veelvoorkomende NLP-taken ☕️	Natural language processing	Verdiep je kennis van NLP door veelvoorkomende taken te begrijpen die nodig zijn bij het werken met taalstructuren	Python	Stephen
18	Vertaling en sentimentanalyse ♥️	Natural language processing	Vertaling en sentimentanalyse met Jane Austen	Python	Stephen
19	Romantische hotels in Europa ♥️	Natural language processing	Sentimentanalyse met hotelbeoordelingen 1	Python	Stephen
20	Romantische hotels in Europa ♥️	Natural language processing	Sentimentanalyse met hotelbeoordelingen 2	Python	Stephen
21	Introductie tot tijdreeksvoorspellingen	Time series	Introductie tot tijdreeksvoorspellingen	Python	Francesca
22	⚡️ Wereldwijde energieverbruik ⚡️ - tijdreeksvoorspellingen met ARIMA	Time series	Tijdreeksvoorspellingen met ARIMA	Python	Francesca
23	⚡️ Wereldwijde energieverbruik ⚡️ - tijdreeksvoorspellingen met SVR	Time series	Tijdreeksvoorspellingen 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
Postscript	Real-World ML-scenario's en toepassingen	ML in the Wild	Interessante en onthullende toepassingen van klassieke ML in de echte wereld	Lesson	Team
Postscript	Modeldebugging in ML met RAI-dashboard	ML in the Wild	Modeldebugging in Machine Learning met Responsible AI-dashboardcomponenten	Lesson	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 rootmap van deze repo docsify serve. De website wordt geserveerd op poort 3000 op je localhost: localhost:3000.

PDFs

Vind een pdf van het curriculum met links hier.

🎒 Andere cursussen

Ons team produceert andere cursussen! Bekijk:

• Generative AI for Beginners
• Generative AI for Beginners .NET
• Generative AI with JavaScript
• Generative AI with Java
• AI for Beginners
• Data Science for Beginners
• ML for Beginners
• Cybersecurity for Beginners
• Web Dev for Beginners
• IoT for Beginners
• XR Development for Beginners
• Mastering GitHub Copilot for Paired Programming
• Mastering GitHub Copilot for C#/.NET Developers
• Choose Your Own Copilot Adventure

---