ML-For-Beginners/translations/no

🌐 Støtte for flere språk

Støttet via GitHub Action (automatisert og alltid oppdatert)

Arabisk | Bengali | Bulgarsk | Burmesisk (Myanmar) | Kinesisk (forenklet) | Kinesisk (tradisjonelt, Hong Kong) | Kinesisk (tradisjonelt, Macau) | Kinesisk (tradisjonelt, Taiwan) | Kroatisk | Tsjekkisk | Dansk | Nederlandsk | Estisk | Finsk | Fransk | Tysk | Gresk | Hebraisk | Hindi | Ungarsk | Indonesisk | Italiensk | Japansk | Kannada | Khmer | Koreansk | Litauisk | Malayisk | Malayalam | Marathi | Nepali | Nigeriansk pidgin | Norsk | Persisk (Farsi) | Polsk | Portugisisk (Brasil) | Portugisisk (Portugal) | Punjabi (Gurmukhi) | Rumensk | Russisk | Serbisk (kyrillisk) | Slovakisk | Slovensk | Spansk | Swahili | Svensk | Tagalog (Filippinsk) | Tamil | Telugu | Thai | Tyrkisk | Ukrainsk | Urdu | Vietnamesisk

Foretrekker du å klone lokalt?

Dette depotet inkluderer 50+ språkoversettelser som betydelig øker nedlastingsstørrelsen. For å klone uten oversettelser, bruk sparsjekk ut:

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 gir deg alt du trenger for å fullføre kurset med mye raskere nedlastning.

Bli med i vårt fellesskap

Vi har en Discord-serie "Learn with AI" pågående, lær mer og bli med oss på Learn with AI Series fra 18. til 30. september 2025. Du vil få tips og triks for å bruke GitHub Copilot for Data Science.

Maskinlæring for nybegynnere - Et pensum

🌍 Reis rundt i verden mens vi utforsker Maskinlæring gjennom verdens kulturer 🌍

Cloud Advocates hos Microsoft er glade for å tilby et 12-ukers, 26-leksjons pensum som handler om Maskinlæring. I dette pensumet vil du lære om det som noen ganger kalles klassisk maskinlæring, der vi primært bruker Scikit-learn som bibliotek og unngår dyp læring, som dekkes i vårt AI for Beginners' pensum. Kombiner disse leksjonene med vårt 'Data Science for Beginners'-pensum, også!

Reis med oss rundt i verden mens vi anvender disse klassiske teknikkene på data fra mange deler av verden. Hver leksjon inkluderer quiz før og etter leksjon, skriftlige instruksjoner for å fullføre leksjonen, en løsning, en oppgave, og mer. Vår prosjektbaserte pedagogikk lar deg lære mens du bygger, en bevist måte for nye ferdigheter å 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 -innholdsmedarbeidere, 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!

Kom i gang

Følg disse trinnene:

1. Fork depotet: Klikk på "Fork" knappen oppe til høyre på denne siden.
2. Klon depotet: git clone https://github.com/microsoft/ML-For-Beginners.git

💡 Rask start-tip: Vil du starte i en nettleser uten å sette opp Python lokalt? Bruk GitHub Codespaces for å opprette et skyutviklingsmiljø for din fork. Åpne den grønne Code menyen, velg Codespaces, og opprett et codespace; installer hver leksjons nødvendige avhengigheter innenfor det etter behov.

finn alle ekstra ressurser for dette kurset i vår Microsoft Learn-samling

🔧 Trenger du hjelp? Sjekk vår Feilsøkingsguide for løsninger på vanlige problemer med installasjon, oppsett og kjøring av leksjoner.

Studenter, for å bruke dette pensumet, forke hele repoet til din egen GitHub-konto og fullfør øvelsene alene eller i gruppe:

• Start med en quiz før forelesningen.
• Les forelesningen og fullfør aktivitetene, stopp og reflekter ved hver kunnskapskontroll.
• Prøv å lage prosjektene ved å forstå leksjonene i stedet for å kjøre løsningskoden; men den koden er tilgjengelig i /solution mappene i hver prosjektorientert leksjon.
• Ta quiz etter forelesningen.
• Fullfør utfordringen.
• Fullfør oppgaven.
• Etter å ha fullført en leksjonsgruppe, besøk Diskusjonsforum og "lær høyt" ved å fylle ut riktig PAT-rubrik. Et 'PAT' er et verktøy for progresjonsvurdering som er en rubrikk du fyller ut for å fremme læringen videre. Du kan også reagere på andres PAT-er slik at vi kan lære sammen.

For videre studier anbefaler vi å følge disse Microsoft Learn modulene og læringsstiene.

Lærere, vi har inkludert noen forslag om hvordan bruke dette pensumet.

---

Videogjennomganger

Noen av leksjonene er tilgjengelige som korte videoer. Du finner alle disse integrert i leksjonene, eller på ML for Beginners spillelisten på Microsoft Developer YouTube-kanalen ved å klikke på bildet under.

---

Møt teamet

Gif av Mohit Jaisal

🎥 Klikk på bildet over for en video om prosjektet og personene som laget det!

---

Pedagogikk

Vi har valgt to pedagogiske prinsipper mens vi bygde dette pensumet: å sikre at det er praktisk og prosjektbasert, og at det inkluderer hyppige quizer. I tillegg har dette pensumet et felles tema for å gi det sammenheng.

Ved å sikre at innholdet stemmer overens med prosjektene, blir prosessen mer engasjerende for studentene og begrepsfestingen styrkes. I tillegg setter en quiz med lav innsats før en time studentens intensjon om å lære et emne, mens en andre quiz etter timen sikrer ytterligere forståelse. Dette pensumet er designet for å være fleksibelt og morsomt, og kan tas helt eller delvis. Prosjektene starter smått og blir gradvis mer komplekse mot slutten av 12-ukerssyklusen. Dette pensumet inkluderer også et etterskrift om virkelige anvendelser av ML, som kan brukes som ekstra kreditt eller som grunnlag for diskusjon.

Finn våre retningslinjer for Atferdskodeks, Bidrag, Oversettelser, og Feilsøking. Vi ønsker din konstruktive tilbakemelding velkommen!

Hver leksjon inkluderer

• valgfri skisse
• valgfri supplerende video
• videogjennomgang (bare noen leksjoner)
• oppvarmingsquiz før forelesning
• skrevet leksjon
• for prosjektbaserte leksjoner, trinnvise guider for hvordan bygge prosjektet
• kunnskapskontroller
• en utfordring
• supplerende lesning
• oppgave
• quiz etter forelesning

Et notat om språk: Disse leksjonene er hovedsakelig skrevet i Python, men mange er også tilgjengelige i R. For å fullføre en R-leksjon, gå til /solution mappen og let etter R-leksjoner. De inkluderer en .rmd filendelse 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 et eksemplarisk forfatterrammeverk for data science siden det lar deg kombinere koden din, utdataene og tankene dine ved at du kan skrive det ned i Markdown. Dessuten kan R Markdown dokumenter gjengis til utdataformater som PDF, HTML eller Word.

Et notat om quizer: Alle quizer er samlet i Quiz App mappen, 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.

Leksjonsnummer	Tema	Leksjonsgruppe	Læringsmål	Lenket leksjon	Forfatter
01	Introduksjon til maskinlæring	Introduction	Lær de grunnleggende konseptene bak maskinlæring	Lesson	Muhammad
02	Historien til maskinlæring	Introduction	Lær historien bak dette feltet	Lesson	Jen and Amy
03	Rettferdighet og maskinlæring	Introduction	Hva er de viktige filosofiske spørsmålene rundt rettferdighet som studenter bør vurdere når de bygger og bruker ML-modeller?	Lesson	Tomomi
04	Metoder for maskinlæring	Introduction	Hvilke metoder bruker ML-forskere for å bygge ML-modeller?	Lesson	Chris and Jen
05	Introduksjon til regresjon	Regression	Kom i gang med Python og Scikit-learn for regresjonsmodeller	Python • R	Jen • Eric Wanjau
06	Nordamerikanske gresskarpriser 🎃	Regression	Visualiser og rydd data som forberedelse til ML	Python • R	Jen • Eric Wanjau
07	Nordamerikanske gresskarpriser 🎃	Regression	Bygg lineære og polynomielle regresjonsmodeller	Python • R	Jen and Dmitry • Eric Wanjau
08	Nordamerikanske gresskarpriser 🎃	Regression	Bygg en logistisk regresjonsmodell	Python • R	Jen • Eric Wanjau
09	En nettapp 🔌	Web App	Bygg en nettapp for å bruke din trente modell	Python	Jen
10	Introduksjon til klassifisering	Classification	Rydd, forbered og visualiser dataene dine; introduksjon til klassifisering	Python • R	Jen and Cassie • Eric Wanjau
11	Deilig asiatisk og indisk mat 🍜	Classification	Introduksjon til klassifikatorer	Python • R	Jen and Cassie • Eric Wanjau
12	Deilig asiatisk og indisk mat 🍜	Classification	Flere klassifikatorer	Python • R	Jen and Cassie • Eric Wanjau
13	Deilig asiatisk og indisk mat 🍜	Classification	Bygg en anbefalingsnettapp med modellen din	Python	Jen
14	Introduksjon til klynging	Clustering	Rydd, forbered og visualiser dataene dine; introduksjon til klynging	Python • R	Jen • Eric Wanjau
15	Utforske nigerianske musikksmak 🎧	Clustering	Utforsk K-Means klynge-metoden	Python • R	Jen • Eric Wanjau
16	Introduksjon til naturlig språkbehandling ☕️	Natural language processing	Lær det grunnleggende om NLP ved å bygge en enkel bot	Python	Stephen
17	Vanlige NLP-oppgaver ☕️	Natural language processing	Fordyp kunnskapen din om NLP ved å forstå vanlige oppgaver som kreves ved håndtering av språkstrukturer	Python	Stephen
18	Oversettelse og sentimentanalyse ♥️	Natural language processing	Oversettelse og sentimentanalyse med Jane Austen	Python	Stephen
19	Romantiske hoteller i Europa ♥️	Natural language processing	Sentimentanalyse med hotellomtaler 1	Python	Stephen
20	Romantiske hoteller i Europa ♥️	Natural language processing	Sentimentanalyse med hotellomtaler 2	Python	Stephen
21	Introduksjon til tidsserieprognoser	Time series	Introduksjon til tidsserieprognoser	Python	Francesca
22	⚡️ Verdens strømforbruk ⚡️ - tidsserieprognoser med ARIMA	Time series	Tidsserieprognoser med ARIMA	Python	Francesca
23	⚡️ Verdens strømforbruk ⚡️ - tidsserieprognoser med SVR	Time series	Tidsserieprognoser med Support Vector Regressor	Python	Anirban
24	Introduksjon til forsterkende læring	Reinforcement learning	Introduksjon til forsterkende læring med Q-Learning	Python	Dmitry
25	Hjelp Peter å unngå ulven! 🐺	Reinforcement learning	Forsterkende læring Gym	Python	Dmitry
Bihang	Virkelige ML-scenarier og bruksområder	ML in the Wild	Interessante og avslørende virkelige bruksområder for klassisk ML	Lesson	Team
Bihang	Modellfeilsøking i ML med RAI dashbord	ML in the Wild	Modellfeilsøking i maskinlæring ved bruk av Responsible AI dashbordkomponenter	Lesson	Ruth Yakubu

finn alle tilleggsmaterialer for dette kurset i vår Microsoft Learn-samling

Offline tilgang

Du kan kjøre denne dokumentasjonen offline ved å bruke Docsify. Fork dette depotet, installer Docsify på din lokale maskin, og deretter i roten av dette depotet, skriv docsify serve. Nettstedet vil være tilgjengelig på port 3000 på din localhost: localhost:3000.

PDF-filer

Finn en pdf av pensum med lenker her.

🎒 Andre kurs

Teamet vårt produserer andre kurs! Sjekk ut:

LangChain

Azure / Edge / MCP / Agenter

---

Generativ AI-serie

---

Kjerneopplæring

---

Copilot-serie

Få hjelp

Hvis du står fast eller har spørsmål mens du lærer maskinlæring eller bygger AI-applikasjoner, ikke bekymre deg — hjelp er tilgjengelig.

Du kan delta i diskusjoner med andre lærende og utviklere, stille spørsmål og dele dine ideer med fellesskapet.

• Bli med i fellesskapet for å stille spørsmål og lære sammen med andre
• Diskuter maskinlæringskonsepter og prosjektideer
• Få veiledning fra erfarne utviklere

Et støttende fellesskap er en flott måte å utvikle ferdighetene dine og løse problemer raskere på.

Microsoft Foundry Discord-fellesskap

Hvis du støter på feil, problemer eller har forslag til forbedringer, kan du også åpne en Issue i dette depotet for å rapportere problemet.

For produktfeedback eller for å søke i eksisterende innlegg i fellesskapet, besøk utviklerforumet:

Ytterligere læringstips

• Gå gjennom notatbøkene etter hver leksjon for bedre forståelse.
• Øv på å implementere algoritmer på egen hånd.
• Utforsk virkelige datasett ved hjelp av lært kunnskap.

---

Ansvarsfraskrivelse: Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten Co-op Translator. Selv om vi streber etter nøyaktighet, vær oppmerksom på at automatiske oversettelser kan inneholde feil eller unøyaktigheter. Det opprinnelige dokumentet på originalspråket skal betraktes 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.