ML-For-Beginners/translations/nl

🌐 Meertalige ondersteuning

Ondersteund via GitHub Action (Geautomatiseerd & Altijd Actueel)

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

Lieber lokaal klonen?

Deze repository bevat meer dan 50 taalvertalingen, waardoor de downloadgrootte aanzienlijk toeneemt. Om zonder vertalingen te klonen, gebruik je 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'

Dit geeft je alles wat je nodig hebt om de cursus te voltooien met een veel snellere download.

Sluit je aan bij onze gemeenschap

We hebben een doorlopende Discord leer met AI-serie, leer meer en doe mee op Learn with AI Series van 18 - 30 september 2025. Je krijgt tips en trucs voor het gebruik van GitHub Copilot voor Data Science.

Machine Learning voor Beginners - Een curriculum

🌍 Reis rond de wereld terwijl we Machine Learning verkennen via wereldculturen 🌍

Cloud Advocates bij Microsoft bieden met plezier een 12-weekse, 26-les curriculum aan over Machine Learning. In dit curriculum leer je over wat soms wordt genoemd klassieke machine learning, waarbij voornamelijk Scikit-learn als bibliotheek wordt gebruikt en deep learning wordt vermeden, dat wordt behandeld in ons AI voor Beginners' curriculum. Combineer deze lessen ook met ons 'Data Science voor Beginners' curriculum!

Reis met ons rond de wereld terwijl we deze klassieke technieken toepassen op data uit vele delen van de wereld. Elke les bevat voorafgaande en nagekomen quizzen, geschreven instructies om de les te voltooien, een oplossing, een opdracht en meer. Onze project-gebaseerde pedagogiek stelt je in staat te leren terwijl je bouwt, een bewezen manier om nieuwe vaardigheden te laten 'plakken'.

✍️ 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 inhoudbijdragers, in het bijzonder 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 knop "Fork" rechtsboven op deze pagina.
2. Clone de Repository: git clone https://github.com/microsoft/ML-For-Beginners.git

vind alle extra bronnen voor deze cursus in onze Microsoft Learn-collectie

🔧 Hulp nodig? Bekijk onze Probleemoplossingsgids voor oplossingen voor veelvoorkomende problemen met installatie, setup en het uitvoeren van lessen.

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

• Begin met een quiz voorafgaand aan de les.
• Lees de les en maak de activiteiten, pauzeer en reflecteer bij elke kenniscontrole.
• Probeer de projecten te maken door de lessen te begrijpen in plaats van de oplossingcode uit te voeren; die code is echter beschikbaar in de /solution mappen bij elke projectgerichte les.
• Maak de quiz na de les.
• Maak de uitdaging.
• Maak de opdracht.
• Na het afronden van een lesgroep, bezoek het Discussiebord en "leer hardop" door de gepaste PAT-rubric in te vullen. Een 'PAT' is een Progress Assessment Tool die een rubric is die je invult om je leren te verdiepen. Je kunt ook reageren op andere PAT's zodat we samen kunnen leren.

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

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

---

Video walkthroughs

Sommige lessen zijn beschikbaar als korte video's. Je kunt ze allemaal inline vinden in de lessen, of op de ML voor Beginners afspeellijst op het Microsoft Developer YouTube-kanaal door op de onderstaande afbeelding 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 tijdens het bouwen van dit curriculum: ervoor zorgen dat het hands-on project-gebaseerd 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 aantrekkelijker voor studenten en wordt het onthouden van concepten versterkt. Daarnaast zet een quiz met lage inzet vóór een les de intentie van de student op het leren van een onderwerp, terwijl een tweede quiz na de les verdere retentie waarborgt. Dit curriculum is ontworpen om flexibel en leuk te zijn en kan 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 toepassingen in de echte wereld van ML, wat kan worden gebruikt als extra krediet of als basis voor discussie.

Raadpleeg onze Gedragscode, Bijdragen, Vertalingen en Probleemoplossing richtlijnen. We verwelkomen je constructieve feedback!

Elke les bevat

• optionele sketchnote
• optionele aanvullende video
• video walkthrough (slechts sommige lessen)
• quiz voorafgaand aan de les
• geschreven les
• voor project-gebaseerde lessen, stapsgewijze gidsen voor het bouwen van het project
• kenniscontroles
• een uitdaging
• aanvullende lectuur
• opdracht
• quiz na de les

Een opmerking over talen: Deze lessen zijn hoofdzakelijk geschreven in Python, maar veel zijn ook beschikbaar in R. Om een R-les te voltooien, ga je naar de /solution map en zoek je naar R-lessen. Deze bevatten een .rmd extensie die een R Markdown-bestand betekent, wat eenvoudig kan worden gedefinieerd als een embedding van codeblokken (van R of andere talen) en een YAML-header (die bepaalt hoe de uitvoer zoals PDF wordt opgemaakt) in een Markdown document. Hierdoor dient het als een voorbeeld autoringskader voor data science, omdat het je in staat stelt je code, de uitvoer daarvan en je gedachten te combineren door ze op te schrijven in Markdown. Bovendien kunnen R Markdown-documenten worden gerenderd naar uitvoerformaten als PDF, HTML of Word. Een opmerking over quizzen: Alle quizzen bevinden zich in de Quiz App-map, met in totaal 52 quizzen van elk drie vragen. Ze worden gekoppeld 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	Gekoppelde 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	Introductie	Wat zijn de belangrijke filosofische kwesties rond eerlijkheid waar studenten aan moeten denken bij het bouwen en toepassen van ML modellen?	Les	Tomomi
04	Technieken voor machine learning	Introductie	Welke technieken gebruiken ML-onderzoekers om ML-modellen te bouwen?	Les	Chris en Jen
05	Introductie tot regressie	Regressie	Begin met Python en Scikit-learn voor regressiemodellen	Python • R	Jen • Eric Wanjau
06	Noord-Amerikaanse pompoenprijzen 🎃	Regressie	Visualiseer en reinig data ter voorbereiding op ML	Python • R	Jen • Eric Wanjau
07	Noord-Amerikaanse pompoenprijzen 🎃	Regressie	Bouw lineaire en polynomiale regressiemodellen	Python • R	Jen en Dmitry • Eric Wanjau
08	Noord-Amerikaanse pompoenprijzen 🎃	Regressie	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	Classificatie	Reinig, bereid voor en visualiseer je data; introductie tot classificatie	Python • R	Jen en Cassie • Eric Wanjau
11	Heerlijk Aziatische en Indiase keukens 🍜	Classificatie	Introductie tot classificators	Python • R	Jen en Cassie • Eric Wanjau
12	Heerlijk Aziatische en Indiase keukens 🍜	Classificatie	Meer classificators	Python • R	Jen en Cassie • Eric Wanjau
13	Heerlijk Aziatische en Indiase keukens 🍜	Classificatie	Bouw een aanbevolen webapp met je model	Python	Jen
14	Introductie tot clustering	Clustering	Reinig, bereid voor en visualiseer je data; introductie tot clustering	Python • R	Jen • Eric Wanjau
15	Verkenning van Nigeriaanse muzikale smaken 🎧	Clustering	Verken de K-Means clusteringmethode	Python • R	Jen • Eric Wanjau
16	Introductie tot natuurlijke taalverwerking ☕️	Natuurlijke taalverwerking	Leer de basis over NLP door een eenvoudige bot te bouwen	Python	Stephen
17	Veelvoorkomende NLP-taken ☕️	Natuurlijke taalverwerking	Verdiep je NLP-kennis door veelvoorkomende taken te begrijpen die nodig zijn bij het omgaan met taalstructuren	Python	Stephen
18	Vertaling en sentimentanalyse ♥️	Natuurlijke taalverwerking	Vertaling en sentimentanalyse met Jane Austen	Python	Stephen
19	Romantische hotels in Europa ♥️	Natuurlijke taalverwerking	Sentimentanalyse met hotelrecensies 1	Python	Stephen
20	Romantische hotels in Europa ♥️	Natuurlijke taalverwerking	Sentimentanalyse met hotelrecensies 2	Python	Stephen
21	Introductie tot tijdreeksvoorspelling	Tijdreeksen	Introductie tot tijdreeksvoorspelling	Python	Francesca
22	⚡️ Wereldwijde energieverbruik ⚡️ - tijdreeksvoorspelling met ARIMA	Tijdreeksen	Tijdreeksvoorspelling met ARIMA	Python	Francesca
23	⚡️ Wereldwijde energieverbruik ⚡️ - tijdreeksvoorspelling met SVR	Tijdreeksen	Tijdreeksvoorspelling 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 vermijden! 🐺	Reinforcement learning	Reinforcement learning Gym	Python	Dmitry
Nawoord	Reële ML-scenario's en toepassingen	ML in het Wild	Interessante en onthullende toepassingen uit de praktijk van klassieke ML	Les	Team
Nawoord	Modeldebugging in ML met RAI-dashboard	ML in het Wild	Modeldebugging in Machine Learning met componenten van Responsible AI-dashboard	Les	Ruth Yakubu

vind alle aanvullende bronnen voor deze cursus in onze Microsoft Learn-collectie

Offline toegang

Je kunt deze documentatie offline gebruiken met behulp van Docsify. Fork deze repo, installeer Docsify op je lokale machine, en typ vervolgens in de hoofdmap van deze repo docsify serve. De website wordt geserveerd op poort 3000 op je localhost: localhost:3000.

PDF-bestanden

Vind een pdf van het curriculum met links hier.

🎒 Andere cursussen

Ons team produceert andere cursussen! Bekijk:

LangChain

Azure / Edge / MCP / Agents

---

Generatieve AI-serie

---

Kernleren

---

Copilot-serie

Hulp krijgen

Als je vastloopt of vragen hebt over het bouwen van AI-apps. Doe mee met mede-leerlingen en ervaren ontwikkelaars in discussies over MCP. Het is een ondersteunende gemeenschap waar vragen welkom zijn en kennis vrij wordt gedeeld.

Als je productfeedback hebt of fouten tegenkomt tijdens het bouwen, bezoek dan:

---

Disclaimer:
Dit document is vertaald met behulp van de AI vertaaldienst Co-op Translator. Hoewel wij streven naar nauwkeurigheid, dient u zich ervan bewust te zijn dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het originele document in de oorspronkelijke taal moet als de gezaghebbende bron worden beschouwd. Voor cruciale informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor enige misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling.