ML-For-Beginners/translations/sv

🌐 Flerspråkigt stöd

Stöds via GitHub Action (Automatiserat & Alltid Uppdaterat)

Arabiska | Bengali | Bulgariska | Burmesiska (Myanmar) | Kinesiska (Förenklad) | Kinesiska (Traditionell, Hongkong) | Kinesiska (Traditionell, Macau) | Kinesiska (Traditionell, Taiwan) | Kroatiska | Tjeckiska | Danska | Holländska | Estniska | Finska | Franska | Tyska | Grekiska | Hebreiska | Hindi | Ungerska | Indonesiska | Italienska | Japanska | Kannada | Khmer | Koreanska | Litauiska | Malajiska | 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 repo inkluderar över 50 språköversättningar vilket avsevärt ökar nedladdningsstorleken. För att klona utan översättningar, använd 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"

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

Gå med i vårt community

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 kommer att få tips och tricks om hur man använder GitHub Copilot för data science.

Maskininlärning för nybörjare – En läroplan

🌍 Res runt jorden när vi utforskar Maskininlärning genom världskulturer 🌍

Cloud Advocates på Microsoft är glada att erbjuda en 12-veckors, 26-lektioners läroplan som handlar om Maskininlärning. I denna läroplan kommer du lära dig om vad som ibland kallas klassisk maskininlärning, med huvudsakligen Scikit-learn som bibliotek och undviker djupinlärning, vilken tas upp i vår AI for Beginners-läroplan. Kombinera dessa lektioner med vår 'Data Science for Beginners'-läroplan också!

Res med oss runt världen när vi applicerar dessa klassiska tekniker på data från många delar av världen. Varje lektion inkluderar för- och efterföreläsningsquiz, skriftliga instruktioner för att slutföra lektionen, en lösning, en uppgift och mer. Vår projektbaserade pedagogik låter dig lära dig medan du bygger, ett beprövat sätt för nya färdigheter 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

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

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

Kom igång

Följ dessa steg:

1. Fork:a repot: Klicka på knappen "Fork" uppe i högra hörnet på denna sida.
2. Klona repot: git clone https://github.com/microsoft/ML-For-Beginners.git

💡 Snabbstartstips: Vill du börja i en webbläsare utan att installera Python lokalt? Använd GitHub Codespaces för att skapa en molnutvecklingsmiljö för din fork. Öppna den gröna Code-menyn, välj Codespaces och skapa en codespace; installera varje lektions nödvändiga beroenden inuti den vid behov.

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

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

Studenter, för att använda denna läroplan, fork:a hela repot till ditt eget GitHub-konto och genomför övningarna på egen hand eller i grupp:

• Börja med ett för-lecture quiz.
• Läs föreläsningen och genomför aktiviteterna, pausa och reflektera vid varje kunskapskontroll.
• Försök skapa projekten genom att förstå lektionerna snarare än att köra lösningskoden; dock finns den koden tillgänglig i /solution-mapparna i varje projektorienterad lektion.
• Ta post-lecture quiz.
• Slutför utmaningen.
• Slutför uppgiften.
• Efter att ha slutfört en lektionsgrupp, besök Diskussionsforumet och "lär högt" genom att fylla i rätt PAT-rubrik. En 'PAT' är ett bedömningsverktyg för framsteg som är en rubrik du fyller i för att främja ditt lärande. Du kan också reagera på andra PAT:er så att vi kan lära tillsammans.

För vidare studier rekommenderar vi att följa dessa Microsoft Learn moduler och lärvägar.

Lärare, vi har inkluderat några förslag om hur man använder denna läroplan.

---

Video genomgångar

Några av lektionerna finns som korta videoklipp. Du kan hitta alla dessa in-line i lektionerna, eller på ML for Beginners spellista på Microsoft Developer YouTube-kanalen genom att klicka på bilden nedan.

---

Möt teamet

Gif av Mohit Jaisal

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

---

Pedagogik

Vi har valt två pedagogiska principer under byggandet av denna läroplan: att säkerställa att den är praktiskt projektbaserad och att den inkluderar frestande quiz. Dessutom har denna läroplan ett gemensamt tema för att ge enhetlighet.

Genom att säkerställa att innehållet stämmer överens med projekt görs processen mer engagerande för studenter och behållning av koncept kommer att ökas. Dessutom sätter ett lågrisk-quiz före lektionen studentens intention mot att lära sig ett ämne, medan ett andra quiz efter klassen säkerställer ytterligare behållning. Denna läroplan designades för att vara flexibel och rolig och kan tas i sin helhet eller delvis. Projekten börjar små och blir alltmer komplexa mot slutet av den 12-veckors cykeln. Denna läroplan inkluderar också en epilog om verkliga tillämpningar av ML, vilken kan användas som extrapoäng eller som grund för diskussion.

Hitta vår Uppförandekod, Bidra, Översättningar och Felsökning riktlinjer. Vi välkomnar din konstruktiva feedback!

Varje lektion inkluderar

• valfritt sketchnote
• valfri kompletterande video
• video genomgång (endast vissa lektioner)
• för-lecture uppvärmningsquiz
• skriftlig lektion
• för projektbaserade lektioner, steg-för-steg guider för hur man bygger projektet
• kunskapskontroller
• en utmaning
• kompletterande läsning
• uppgift
• post-lecture quiz

En not om språk: Dessa lektioner är huvudsakligen skrivna i Python, men många finns också tillgängliga i R. För att slutföra en R-lektion, gå till /solution-mappen och leta efter R-lektioner. De innehåller 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 utdata, t.ex. PDF, formateras) i ett Markdown-dokument. Som sådan fungerar det som en utmärkt författarram för 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 not om quiz: Alla quiz finns i mappen Quiz App, totalt 52 quiz med tre frågor vardera. De länkas från lektionerna men quiz-appen kan köras lokalt; följ instruktionerna i quiz-app mappen för lokal hosting eller distribution till Azure.

Lektion Nummer	Ämne	Lektion Grupp	Lärandemål	Länkad Lektion	Författare
01	Introduktion till maskininlärning	Introduction	Lär dig de grundläggande begreppen bakom maskininlärning	Lesson	Muhammad
02	Maskininlärningens historia	Introduction	Lär dig historien bakom detta område	Lesson	Jen and Amy
03	Rättvisa och maskininlärning	Introduction	Vilka är de viktiga filosofiska frågorna kring rättvisa som studenter bör beakta när de bygger och använder ML-modeller?	Lesson	Tomomi
04	Tekniker för maskininlärning	Introduction	Vilka tekniker använder ML-forskare för att bygga ML-modeller?	Lesson	Chris and Jen
05	Introduktion till regression	Regression	Kom igång med Python och Scikit-learn för regressionsmodeller	Python • R	Jen • Eric Wanjau
06	Nordamerikanska pumpapriser 🎃	Regression	Visualisera och rengör data som förberedelse för ML	Python • R	Jen • Eric Wanjau
07	Nordamerikanska pumpapriser 🎃	Regression	Bygg linjära och polynomiska regressionsmodeller	Python • R	Jen and Dmitry • Eric Wanjau
08	Nordamerikanska pumpapriser 🎃	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 dina data; introduktion till klassificering	Python • R	Jen and Cassie • Eric Wanjau
11	Underbara asiatiska och indiska kök 🍜	Classification	Introduktion till klassificerare	Python • R	Jen and Cassie • Eric Wanjau
12	Underbara asiatiska och indiska kök 🍜	Classification	Fler klassificerare	Python • R	Jen and Cassie • Eric Wanjau
13	Underbara asiatiska och indiska kök 🍜	Classification	Bygg en rekommenderande webbapp med din modell	Python	Jen
14	Introduktion till klustring	Clustering	Rengör, förbered och visualisera dina 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 din NLP-kunskap genom att förstå vanliga uppgifter som krävs vid arbete med språkliga strukturer	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 att undvika vargen! 🐺	Reinforcement learning	Gym för förstärkningsinlärning	Python	Dmitry
Postscript	Verkliga ML-scenarier och tillämpningar	ML in the Wild	Intressanta och avslöjande verkliga tillämpningar av klassisk ML	Lesson	Team
Postscript	Felsökning av modeller i ML med RAI-instrumentpanelen	ML in the Wild	Felsökning av modeller i maskininlärning med komponenter i instrumentpanelen Responsible AI	Lesson	Ruth Yakubu

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

Offlineåtkomst

Du kan köra denna dokumentation offline genom att använda Docsify. Forka detta repo, installera Docsify på din lokala dator och skriv sedan i rotmappen för detta repo docsify serve. 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

---

Kärninlärning

---

Copilot-serie

Få hjälp

Om du fastnar eller har frågor medan du lär dig maskininlärning eller bygger AI-applikationer, oroa dig inte — hjälp finns tillgänglig.

Du kan delta i diskussioner med andra elever och utvecklare, ställa frågor och dela dina idéer med communityn.

• Gå med i communityn för att ställa frågor och lära dig tillsammans med andra
• Diskutera maskininlärningskoncept och projektidéer
• Få vägledning från erfarna utvecklare

En stödjande community är ett utmärkt sätt att utveckla dina färdigheter och lösa problem snabbare.

Microsoft Foundry Discord Community

Om du stöter på buggar, fel eller har förslag på förbättringar kan du också öppna ett Issue i detta repository för att rapportera problemet.

För produktfeedback eller för att söka befintliga community-inlägg, besök Developer Forum:

Ytterligare tips för lärande

• Gå igenom anteckningsböcker efter varje lektion för bättre förståelse.
• Öva på att implementera algoritmer självständigt.
• Utforska verkliga datamängder med hjälp av de inlärda koncepten.

---

Ansvarsfriskrivning: Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator. Även om vi strävar efter noggrannhet, var vänlig notera 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 till följd av användningen av denna översättning.