ML-For-Beginners/translations/da

🌐 Support på flere sprog

Understøttet via GitHub Action (Automatiseret & Altid Opdateret)

Arabisk | Bengali | Bulgarsk | Burmese (Myanmar) | Kinesisk (Forenklet) | Kinesisk (Traditionelt, Hong Kong) | Kinesisk (Traditionelt, Macau) | Kinesisk (Traditionelt, Taiwan) | Kroatisk | Tjekkisk | Dansk | Hollandsk | Estisk | Finsk | Fransk | Tysk | Græsk | Hebraisk | Hindi | Ungarsk | Indonesisk | Italiensk | Japansk | Kannada | Khmer | Koreansk | Litauisk | Malayisk | Malayalam | Marathi | Nepalesisk | Nigeriansk Pidgin | Norsk | Persisk (Farsi) | Polsk | Portugisisk (Brasilien) | Portugisisk (Portugal) | Punjabi (Gurmukhi) | Rumænsk | Russisk | Serbisk (Cyrillisk) | Slovakisk | Slovensk | Spansk | Swahili | Svensk | Tagalog (Filippinsk) | Tamil | Telugu | Thai | Tyrkisk | Ukrainisk | Urdu | Vietnam

Foretrækker du at clone lokalt?

Dette repository inkluderer over 50 sprogoversættelser, hvilket betydeligt øger downloadstørrelsen. For at clone uden oversættelser, brug 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"

Dette giver dig alt, hvad du behøver for at gennemføre kurset med en meget hurtigere download.

Deltag i vores fællesskab

Vi har en Discord-serie "Learn with AI" i gang, lær mere og deltag hos Learn with AI Series fra 18. - 30. september 2025. Du vil få tips og tricks til at bruge GitHub Copilot til Data Science.

Maskinlæring for begyndere - En læseplan

🌍 Rejs verden rundt, mens vi udforsker Maskinlæring gennem verdens kulturer 🌍

Cloud Advocates hos Microsoft er glade for at tilbyde en 12-ugers, 26-lektions læseplan om Maskinlæring. I denne læseplan lærer du om det, der nogle gange kaldes klassisk maskinlæring, primært ved hjælp af Scikit-learn som bibliotek og uden deep learning, som dækkes i vores AI for Beginners-læseplan. Kombinér disse lektioner med vores 'Data Science for Beginners' læseplan også!

Rejs med os verden rundt, mens vi anvender disse klassiske teknikker på data fra mange områder af verden. Hver lektion inkluderer før- og efter-quizzer, skriftlige instruktioner til at gennemføre lektionen, en løsning, en opgave og mere. Vores projektbaserede pædagogik giver dig mulighed for at lære, mens du bygger, en bevist metode til at fastholde nye færdigheder.

✍️ Hjertelige tak til vores forfattere Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu og Amy Boyd

🎨 Tak også til vores illustratorer Tomomi Imura, Dasani Madipalli og Jen Looper

🙏 Særlige tak 🙏 til vores Microsoft Student Ambassador-forfattere, -anmeldere og indholdsbidragydere, især Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila og Snigdha Agarwal

🤩 Ekstra tak til Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi og Vidushi Gupta for vores R-lektioner!

Kom godt i gang

Følg disse trin:

1. Fork Repositoryet: Klik på "Fork" knappen øverst til højre på denne side.
2. Clone repositoryet: git clone https://github.com/microsoft/ML-For-Beginners.git

💡 Hurtigt start-tips: Vil du starte i en browser uden at sætte Python op lokalt? Brug GitHub Codespaces til at oprette et cloud-udviklingsmiljø for din fork. Åbn den grønne Code menu, vælg Codespaces, og opret en codespace; installer de nødvendige afhængigheder for hver lektion efter behov.

find alle yderligere ressourcer til dette kursus i vores Microsoft Learn-samling

🔧 Brug for hjælp? Tjek vores Fejlfinding Guide for løsninger på almindelige problemer med installation, opsætning og kørsel af lektioner.

Studerende, for at bruge denne læseplan skal du fork hele repo til din egen GitHub-konto og gennemføre øvelserne selv eller i gruppe:

• Start med en pre-lecture quiz.
• Læs lektionen og gennemfør aktiviteterne, stop op og reflekter ved hver videnscheck.
• Prøv at skabe projekterne ved at forstå lektionerne snarere end blot at køre løsningskoden; den kode findes dog i /solution mapperne i hver projektorienteret lektion.
• Tag post-lecture quizzen.
• Fuldfør udfordringen.
• Fuldfør opgaven.
• Efter at have gennemført en lektion gruppe, besøg Diskussionsforum og "learn out loud" ved at udfylde den passende PAT rubric. En 'PAT' er et Progress Assessment Tool, som er en rubric, du udfylder for at fremme din læring. Du kan også reagere på andres PATs, så vi kan lære sammen.

Til yderligere studier anbefaler vi at følge disse Microsoft Learn moduler og læringsveje.

Lærere, vi har inkluderet nogle forslag til, hvordan du kan bruge denne læseplan.

---

Video-gennemgange

Nogle af lektionerne findes som korte videoer. Du kan finde dem inline i lektionerne eller på ML for Beginners playliste på Microsoft Developer YouTube-kanalen ved at klikke på billedet nedenfor.

---

Mød teamet

Gif af Mohit Jaisal

🎥 Klik på billedet ovenfor for en video om projektet og folkene, der skabte det!

---

Pædagogik

Vi har valgt to pædagogiske principper, mens vi byggede denne læseplan: at sikre, at den er praktisk og projektbaseret samt at inkludere hyppige quizzer. Derudover har denne læseplan et fælles tema for at give den sammenhæng.

Ved at sikre, at indholdet er knyttet til projekter, bliver processen mere engagerende for studerende, og fastholdelse af begreber bliver styrket. En lavrisiko quiz før undervisning sætter desuden intentionen hos den studerende mod at lære et emne, mens en anden quiz efter undervisning sikrer yderligere fastholdelse. Denne læseplan er designet til at være fleksibel og sjov og kan tages helt eller delvist. Projekterne starter små og bliver stadig mere komplekse i løbet af 12-ugers cyklussen. Læseplanen inkluderer også et efterord om virkelige anvendelser af ML, som kan bruges som ekstra kredit eller som diskussionsgrundlag.

Find vores Adfærdskodeks, Bidrag, Oversættelser, og Fejlfinding vejledninger. Vi værdsætter din konstruktive feedback!

Hver lektion indeholder

• valgfri skitse-note
• valgfri supplerende video
• video-gennemgang (kun nogle lektioner)
• pre-lecture varm-quiz
• skreven lektion
• for projektbaserede lektioner, trin-for-trin vejledninger til, hvordan man bygger projektet
• videnscheck
• en udfordring
• supplerende læsning
• opgave
• post-lecture quiz

En note om sprog: Disse lektioner er primært skrevet i Python, men mange findes også i R. For at gennemføre en R lektion, gå til /solution mappen og find R lektionerne. De inkluderer en .rmd-udvidelse, som repræsenterer en R Markdown fil, hvilket kan defineres som en indlejring af kodeblokke (af R eller andre sprog) og en YAML-header (der styrer formatering af output som PDF) i et Markdown dokument. Dermed fungerer det som en fremragende forfatterramme for data science, da det tillader dig at kombinere din kode, dens output og dine tanker ved at lade dig skrive dem ned i Markdown. Desuden kan R Markdown-dokumenter gengives til outputformater som PDF, HTML eller Word.

En note om quizzer: Alle quizzer findes i Quiz App mappen, 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 lokal hosting eller udrulning til Azure.

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	Introduktion til maskinlæring	Introduction	Lær de grundlæggende begreber bag maskinlæring	Lesson	Muhammad
02	Historien om maskinlæring	Introduction	Lær historien bag dette felt	Lesson	Jen and Amy
03	Retfærdighed og maskinlæring	Introduction	Hvad er de vigtige filosofiske spørgsmål om retfærdighed, som studerende skal overveje, når de bygger og anvender ML-modeller?	Lesson	Tomomi
04	Teknikker til maskinlæring	Introduction	Hvilke teknikker bruger ML-forskere til at bygge ML-modeller?	Lesson	Chris and Jen
05	Introduktion til regression	Regression	Kom i gang med Python og Scikit-learn til regressionsmodeller	Python • R	Jen • Eric Wanjau
06	Nordamerikanske græskarpriser 🎃	Regression	Visualiser og rens data til forberedelse for ML	Python • R	Jen • Eric Wanjau
07	Nordamerikanske græskarpriser 🎃	Regression	Byg lineære og polynomiale regressionsmodeller	Python • R	Jen and Dmitry • Eric Wanjau
08	Nordamerikanske græskarpriser 🎃	Regression	Byg en logistisk regressionsmodel	Python • R	Jen • Eric Wanjau
09	En webapp 🔌	Web App	Byg en webapp til at bruge din trænede model	Python	Jen
10	Introduktion til klassifikation	Classification	Rens, forbered og visualisér dine data; introduktion til klassifikation	Python • R	Jen and Cassie • Eric Wanjau
11	Lækre asiatiske og indiske køkkener 🍜	Classification	Introduktion til klassifikatorer	Python • R	Jen and Cassie • Eric Wanjau
12	Lækre asiatiske og indiske køkkener 🍜	Classification	Flere klassifikatorer	Python • R	Jen and Cassie • Eric Wanjau
13	Lækre asiatiske og indiske køkkener 🍜	Classification	Byg en anbefalings-webapp ved hjælp af din model	Python	Jen
14	Introduktion til clustering	Clustering	Rens, forbered og visualisér dine data; introduktion til clustering	Python • R	Jen • Eric Wanjau
15	Udforskning af nigerianske musiksmag 🎧	Clustering	Udforsk K-Means clustering-metoden	Python • R	Jen • Eric Wanjau
16	Introduktion til naturlig sprogbehandling ☕️	Natural language processing	Lær det grundlæggende om NLP ved at bygge en simpel bot	Python	Stephen
17	Almindelige NLP-opgaver ☕️	Natural language processing	Fordyb din NLP-viden ved at forstå almindelige opgaver, der kræves, når man arbejder med sproglige strukturer	Python	Stephen
18	Oversættelse og sentimentanalyse ♥️	Natural language processing	Oversættelse og sentimentanalyse med Jane Austen	Python	Stephen
19	Romantiske hoteller i Europa ♥️	Natural language processing	Sentimentanalyse med hotelanmeldelser 1	Python	Stephen
20	Romantiske hoteller i Europa ♥️	Natural language processing	Sentimentanalyse med hotelanmeldelser 2	Python	Stephen
21	Introduktion til tidsserieprognoser	Time series	Introduktion til tidsserieprognoser	Python	Francesca
22	⚡️ Verdens strømforbrug ⚡️ - tidsserieprognoser med ARIMA	Time series	Tidsserieprognoser med ARIMA	Python	Francesca
23	⚡️ Verdens strømforbrug ⚡️ - tidsserieprognoser med SVR	Time series	Tidsserieprognoser med Support Vector Regressor	Python	Anirban
24	Introduktion til forstærkningslæring	Reinforcement learning	Introduktion til forstærkningslæring med Q-Learning	Python	Dmitry
25	Hjælp Peter med at undgå ulven! 🐺	Reinforcement learning	Forstærkningslæring Gym	Python	Dmitry
Postscript	Virkelige ML-scenarier og anvendelser	ML in the Wild	Interessante og afslørende virkelige anvendelser af klassisk ML	Lesson	Team
Postscript	Fejlfinding af modeller i ML ved hjælp af RAI-dashboard	ML in the Wild	Fejlfinding af modeller i maskinlæring ved hjælp af Responsible AI-dashboard-komponenter	Lesson	Ruth Yakubu

find alle ekstra ressourcer til dette kursus i vores Microsoft Learn-samling

Offline adgang

Du kan køre denne dokumentation offline ved at bruge Docsify. Fork dette repo, installer Docsify på din lokale maskine, og skriv derefter i rodmappen af dette repo docsify serve. Hjemmesiden vil blive serveret på port 3000 på din localhost: localhost:3000.

PDF'er

Find en pdf af pensum med links her.

🎒 Andre kurser

Vores team producerer andre kurser! Tjek dem ud:

LangChain

Azure / Edge / MCP / Agenter

---

Generativ AI-serie

---

Kerneundervisning

---

Copilot-serie

Få hjælp

Hvis du sidder fast eller har spørgsmål, mens du lærer maskinlæring eller bygger AI-applikationer, skal du ikke bekymre dig — hjælp er tilgængelig.

Du kan deltage i diskussioner med andre lærende og udviklere, stille spørgsmål og dele dine ideer med fællesskabet.

• Deltag i fællesskabet for at stille spørgsmål og lære med andre
• Diskutér maskinlæringsbegreber og projektideer
• Få vejledning fra erfarne udviklere

Et støttende fællesskab er en fremragende måde at udvikle dine færdigheder og løse problemer hurtigere på.

Microsoft Foundry Discord Community

Hvis du støder på fejl, problemer eller har forslag til forbedringer, kan du også åbne en Issue i dette repository for at rapportere problemet.

For produktfeedback eller for at søge i eksisterende opslag i fællesskabet, besøg Udviklerforumet:

Yderligere læringstips

• Gennemgå notesbøgerne efter hver lektion for bedre forståelse.
• Øv dig i selv at implementere algoritmer.
• Udforsk realworld datasæt ved hjælp af de lærte koncepter.

---

Ansvarsfraskrivelse: Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten Co-op Translator. Selvom vi bestræber os på nøjagtighed, skal du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os intet ansvar for misforståelser eller fejltolkninger, der opstår som følge af brugen af denne oversættelse.