ML-For-Beginners/translations/da

🌐 Multi-sprog support

Understøttet via GitHub Action (Automatisk & altid opdateret)

Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Kannada | Korean | Lithuanian | Malay | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese

Foretrækker du at klone lokalt?

Dette repo indeholder 50+ sprogoversættelser, hvilket væsentligt øger downloadstørrelsen. For at klone uden oversættelser, brug 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'

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 "lær med AI" i gang, lær mere og deltag hos Learn with AI Series fra 18. - 30. september 2025. Du vil få tips og tricks til brugen af GitHub Copilot til data science.

Machine Learning for Beginners - En læseplan

🌍 Rejs rundt i verden, mens vi udforsker maskinlæring gennem verdens kulturer 🌍

Cloud Advocates hos Microsoft tilbyder en 12-ugers, 26-lektioners læseplan om Maskinlæring. I denne læseplan lærer du om det, der med et andet ord kaldes klassisk maskinlæring, primært ved brug af Scikit-learn som bibliotek og uden dyb læring, som dækkes i vores AI for Beginners-læseplan. Kombiner disse lektioner med vores 'Data Science for Beginners'-læseplan også!

Rejs med os rundt i verden, mens vi anvender disse klassiske teknikker på data fra mange områder. Hver lektion indeholder quizzer før og efter lektionen, skriftlige instruktioner til at fuldføre lektionen, en løsning, en opgave og mere. Vores projektbaserede metode giver dig mulighed for at lære mens du bygger, en bevist måde at få nye færdigheder til at 'sætte sig'.

✍️ Hjertevarme 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

🙏 Særlig 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 i gang

Følg disse trin:

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

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

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

Studerende, for at bruge denne læseplan, fork det hele repo til din egen GitHub-konto og gennemfør øvelserne på egen hånd eller i gruppe:

• Start med en quiz før lektionen.
• Læs lektionen og fuldfør aktiviteterne, pause og reflektere ved hver videnstest.
• Forsøg at skabe projekterne ved at forstå lektionerne i stedet for blot at køre løsningskoden; denne kode er dog tilgængelig i /solution mapperne i hver projektorienteret lektion.
• Tag quizzen efter lektionen.
• Fuldfør udfordringen.
• Fuldfør opgaven.
• Efter at have gennemført en lektiongruppe, besøg Diskussionspanelet og "lær højt" ved at udfylde den relevante PAT-rubrik. En 'PAT' er et Progress Assessment Tool, som er en rubrik du udfylder for at fremme din læring. Du kan også reagere på andre PATs, så vi kan lære sammen.

Til videre studier anbefaler vi at følge disse Microsoft Learn moduler og læringsforløb.

Undervisere, vi har inkluderet nogle forslag til, hvordan denne læseplan kan anvendes.

---

Video-gennemgange

Nogle af lektionerne findes som korte videoer. Du kan finde dem alle integreret i lektionerne eller på ML for Beginners-afspilningslisten 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 bag!

---

Pædagogik

Vi har valgt to pædagogiske principper under udviklingen af denne læseplan: sikring af at den er praktisk projektbaseret og at den inkluderer hyppige quizzer. Derudover har læseplanen et fælles tema for at give den sammenhæng.

Ved at sikre, at indholdet stemmer overens med projekterne, gøres processen mere engagerende for eleverne, og fastholdelsen af koncepter styrkes. En quiz med lav indsats før en klasse sætter elevens intention om at lære et emne, mens en anden quiz efter klassen sikrer yderligere fastholdelse. Denne læseplan er designet til at være fleksibel og sjov og kan tages helt eller delvist. Projekterne starter småt og bliver mere komplekse mod slutningen af 12-ugers perioden. Denne læseplan inkluderer også et efterskrift om maskinlæringens anvendelser i den virkelige verden, som kan bruges som ekstrakredit eller som grundlag for diskussion.

Find vores Adfærdsregler, Bidrag, Oversættelse og Fejlfinding retningslinjer. Vi værdsætter din konstruktive feedback!

Hver lektion indeholder

• valgfrit sketchnote
• valgfri supplerende video
• video-gennemgang (kun nogle lektioner)
• warmup-quiz før lektionen
• skriftlig lektion
• for projektbaserede lektioner: trin-for-trin vejledning til at bygge projektet
• videnscheck
• en udfordring
• supplerende læsning
• opgave
• quiz efter lektionen

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 se efter R-lektioner. De har en .rmd extension, som repræsenterer en R Markdown-fil, der enkelt kan defineres som en sammenstilling af kodeblokke (fra R eller andre sprog) og en YAML-header (som styrer formateringen af output som PDF) i et Markdown-dokument. Dermed fungerer det som en fremragende forfatter-ramme for data science, da det lader dig kombinere din kode, dens output og dine tanker ved at 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-app'en kan køres lokalt; følg instruktionerne i quiz-app mappen for at hoste lokalt eller deploye til Azure.

Lektion Nummer	Emne	Lektion Gruppe	Læringsmål	Linket Lektion	Forfatter
01	Introduktion til maskinlæring	Introduktion	Lær de grundlæggende begreber bag maskinlæring	Lektion	Muhammad
02	Historien om maskinlæring	Introduktion	Lær historien bag dette felt	Lektion	Jen og Amy
03	Retfærdighed og maskinlæring	Introduktion	Hvad er de vigtige filosofiske spørgsmål omkring retfærdighed, som elever bør overveje, når de bygger og anvender ML-modeller?	Lektion	Tomomi
04	Teknikker til maskinlæring	Introduktion	Hvilke teknikker bruger ML-forskere til at bygge ML-modeller?	Lektion	Chris og 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	Visualisere og rense data som forberedelse til ML	Python • R	Jen • Eric Wanjau
07	Nordamerikanske græskarpriser 🎃	Regression	Byg lineære og polynomiske regressionsmodeller	Python • R	Jen og 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 visualiser dine data; introduktion til klassifikation	Python • R	Jen og Cassie • Eric Wanjau
11	Lækre asiatiske og indiske retter 🍜	Classification	Introduktion til klassifikatorer	Python • R	Jen og Cassie • Eric Wanjau
12	Lækre asiatiske og indiske retter 🍜	Classification	Flere klassifikatorer	Python • R	Jen og Cassie • Eric Wanjau
13	Lækre asiatiske og indiske retter 🍜	Classification	Byg en anbefalings-webapp ved hjælp af din model	Python	Jen
14	Introduktion til clustering	Clustering	Rens, forbered og visualiser 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 ved håndtering af 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 tidsserieprognose	Time series	Introduktion til tidsserieprognose	Python	Francesca
22	⚡️ Verdens strømforbrug ⚡️ - tidsserieprognose med ARIMA	Time series	Tidsserieprognose med ARIMA	Python	Francesca
23	⚡️ Verdens strømforbrug ⚡️ - tidsserieprognose med SVR	Time series	Tidsserieprognose med Support Vector Regressor	Python	Anirban
24	Introduktion til reinforcement learning	Reinforcement learning	Introduktion til reinforcement learning med Q-Learning	Python	Dmitry
25	Hjælp Peter med at undgå ulven! 🐺	Reinforcement learning	Reinforcement learning Gym	Python	Dmitry
Efterskrift	Virkelige ML scenarier og anvendelser	ML in the Wild	Interessante og afslørende virkelige anvendelser af klassisk ML	Lektion	Team
Efterskrift	Modelafhjælpning i ML ved brug af RAI dashboard	ML in the Wild	Modelafhjælpning i maskinlæring ved brug af Responsible AI dashboard komponenter	Lektion	Ruth Yakubu

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

Offline adgang

Du kan køre denne dokumentation offline ved hjælp af Docsify. Fork dette repo, installer Docsify på din lokale maskine, og skriv derefter i rodmappen af dette repo docsify serve. Websitet vil blive servet 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

---

Generative AI Serie

---

Kerne Læring

---

Copilot Serie

Få hjælp

Hvis du sidder fast eller har spørgsmål om at bygge AI-apps. Deltag med andre lærende og erfarne udviklere i diskussioner om MCP. Det er et støttende fællesskab, hvor spørgsmål er velkomne, og viden deles frit.

Hvis du har feedback på produktet eller fejl under udviklingen, besøg:

---

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