ML-For-Beginners/translations/no

🌐 Støtte for flere språk

Støttes via GitHub Action (Automatisert & Alltid Oppdatert)

Arabisk | Bengali | Bulgarsk | Burmesisk (Myanmar) | Kinesisk (forenklet) | Kinesisk (tradisjonell, Hong Kong) | Kinesisk (tradisjonell, Macau) | Kinesisk (tradisjonell, Taiwan) | Kroatisk | Tsjekkisk | Dansk | Nederlandsk | Estisk | Finsk | Fransk | Tysk | Gresk | Hebraisk | Hindi | Ungarsk | Indonesisk | Italiensk | Japansk | Kannada | Koreansk | Litauisk | Malayisk | Malayalam | Marathi | Nepalesisk | 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 over 50 språkoversettelser, noe som øker nedlastingsstørrelsen betydelig. For å klone uten oversettelser, bruk sparsommelig utsjekking:

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 en mye raskere nedlasting.

Bli med i vårt fellesskap

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

Maskinlæring for nybegynnere - Et læreplan

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

Cloud Advocates hos Microsoft er glade for å tilby en 12-ukers, 26-leksjons læreplan som handler om Maskinlæring. I denne læreplanen vil du lære om det som noen ganger kalles klassisk maskinlæring, som bruker hovedsakelig Scikit-learn som bibliotek og unngår dyplæring, som dekkes i vår AI for Beginners-læreplan. Kombiner disse leksjonene med vår 'Data Science for Beginners'-læreplan også!

Reis med oss rundt i verden mens vi anvender disse klassiske teknikkene på data fra mange deler av verden. Hver leksjon inkluderer forhånds- og etter-forelesningsquiz, skriftlige instruksjoner for å fullføre leksjonen, en løsning, en oppgave og mer. Vår prosjektbaserte pedagogikk lar deg lære mens du bygger, en velprøvd metode for at nye ferdigheter skal 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 -innholdsbidragsytere, 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!

Komme i gang

Følg disse trinnene:

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

finn alle tilleggressurser 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 denne læreplanen, fork hele repoet til din egen GitHub-konto og fullfør øvelsene selvstendig eller i gruppe:

• Start med en forhånds-forelesningsquiz.
• Les forelesningen og fullfør aktivitetene, stopp opp og reflekter ved hver kunnskapskontroll.
• Prøv å lage prosjektene ved å forstå leksjonene i stedet for å bare kjøre løsningskoden; denne koden er imidlertid tilgjengelig i /solution-mappene i hver prosjektorienterte leksjon.
• Ta etter-forelesningsquizen.
• Fullfør utfordringen.
• Fullfør oppgaven.
• Etter å ha fullført en leksjonsgruppe, besøk Diskusjonsforumet og "lær høyt" ved å fylle ut den passende PAT-vurderingen. En 'PAT' er et progresjonsvurderingsverktøy som er et skjema du fyller ut for å fremme læringen din. 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 du kan bruke denne læreplanen.

---

Video-gjennomganger

Noen av leksjonene er tilgjengelige som kortformede videoer. Du kan finne dem alle innebygd i leksjonene eller på ML for Beginners spillelisten på Microsoft Developer YouTube-kanalen ved å klikke på bildet nedenfor.

---

Møt teamet

GIF av Mohit Jaisal

🎥 Klikk på bildet over for en video om prosjektet og folka som skapte det!

---

Pedagogikk

Vi har valgt to pedagogiske prinsipper under utarbeidelsen av denne læreplanen: å sikre at den er praktisk og prosjektbasert, og at den inneholder hyppige quizzer. I tillegg har denne læreplanen et gjennomgående tema for å gi den sammenheng.

Ved å sikre at innholdet er knyttet til prosjekter, gjøres prosessen mer engasjerende for elever og forståelsen av konsepter vil bli styrket. I tillegg setter en lavterskelquiz før en time intensjonen til studenten mot å lære et tema, mens en andre quiz etter timen sikrer ytterligere forståelse. Denne læreplanen er designet for å være fleksibel og morsom, og kan tas i sin helhet eller delvis. Prosjektene starter smått og blir stadig mer komplekse mot slutten av den 12-ukers syklusen. Denne læreplanen inkluderer også et tillegg om virkelige anvendelser av ML, som kan brukes som ekstra poeng eller som grunnlag for diskusjon.

Finn våre Regler for oppførsel, Bidra, Oversettelse, og Feilsøking retningslinjer. Vi setter pris på dine konstruktive tilbakemeldinger!

Hver leksjon inkluderer

• valgfri skissetegning
• valgfri tilleggsvideo
• videogjennomgang (kun noen leksjoner)
• forhånds-forelesnings quiz
• skriftlig leksjon
• for prosjektbaserte leksjoner, steg-for-steg veiledninger om hvordan bygge prosjektet
• kunnskapskontroller
• en utfordring
• supplerende lesning
• oppgave
• etter-forelesnings quiz

En merknad om språk: Disse leksjonene er primært skrevet i Python, men mange finnes også på R. For å fullføre en R-leksjon, gå til /solution-mappen og se etter R-leksjoner. De inneholder en .rmd-endelse som representerer en R Markdown-fil, som enkelt kan defineres som en innbinding av kodebiter (av R eller andre språk) og en YAML-topptekst (som styrer hvordan man formaterer utdata som PDF) i et Markdown-dokument. Som sådan fungerer det som et eksemplarisk forfatterrammeverk for data science, siden det lar deg kombinere koden din, dens utdata, og dine tanker ved å la deg skrive dem ned i Markdown. I tillegg kan R Markdown-dokumenter gjengis til utdataformater som PDF, HTML eller Word. En merknad om quizer: Alle quizer finnes i Quiz App-mappen, for totalt 52 quizer med tre spørsmål hver. De er koblet til fra leksjonene, men quiz-appen kan kjøres lokalt; følg instruksjonene i quiz-app-mappen for lokal hosting eller distribusjon til Azure.

Leksonnummer	Emne	Leksongruppe	Læringsmål	Tilknyttet lekson	Forfatter
01	Introduksjon til maskinlæring	Introduksjon	Lær de grunnleggende konseptene bak maskinlæring	Leksjon	Muhammad
02	Maskinlæringens historie	Introduksjon	Lær historien bak dette feltet	Leksjon	Jen og Amy
03	Rettferdighet og maskinlæring	Introduksjon	Hvilke viktige filosofiske spørsmål rundt rettferdighet bør studenter vurdere når de bygger og anvender ML-modeller?	Leksjon	Tomomi
04	Teknikker for maskinlæring	Introduksjon	Hvilke teknikker bruker ML-forskere for å bygge ML-modeller?	Leksjon	Chris og Jen
05	Introduksjon til regresjon	Regresjon	Kom i gang med Python og Scikit-learn for regresjonsmodeller	Python • R	Jen • Eric Wanjau
06	Priser på gresskar i Nord-Amerika 🎃	Regresjon	Visualiser og rydd data som forberedelse til ML	Python • R	Jen • Eric Wanjau
07	Priser på gresskar i Nord-Amerika 🎃	Regresjon	Bygg lineære og polynomiske regresjonsmodeller	Python • R	Jen og Dmitry • Eric Wanjau
08	Priser på gresskar i Nord-Amerika 🎃	Regresjon	Bygg en logistisk regresjonsmodell	Python • R	Jen • Eric Wanjau
09	En web-app 🔌	Web App	Bygg en web-app for å bruke din trente modell	Python	Jen
10	Introduksjon til klassifisering	Klassifisering	Rydd, forbered og visualiser data; introduksjon til klassifisering	Python • R	Jen og Cassie • Eric Wanjau
11	Deilige asiatiske og indiske retter 🍜	Klassifisering	Introduksjon til klassifikatorer	Python • R	Jen og Cassie • Eric Wanjau
12	Deilige asiatiske og indiske retter 🍜	Klassifisering	Flere klassifikatorer	Python • R	Jen og Cassie • Eric Wanjau
13	Deilige asiatiske og indiske retter 🍜	Klassifisering	Bygg en anbefalingsweb-app ved bruk av modellen din	Python	Jen
14	Introduksjon til klynging	Klynging	Rydd, forbered og visualiser data; Introduksjon til klynging	Python • R	Jen • Eric Wanjau
15	Utforske nigerianske musikksmaker 🎧	Klynging	Utforsk K-Means klyngemetode	Python • R	Jen • Eric Wanjau
16	Introduksjon til naturlig språkbehandling ☕️	Naturlig språkbehandling	Lær det grunnleggende om NLP ved å bygge en enkel bot	Python	Stephen
17	Vanlige NLP-oppgaver ☕️	Naturlig språkbehandling	Fordyp deg i NLP ved å forstå vanlige oppgaver som kreves når man håndterer språkstrukturer	Python	Stephen
18	Oversettelse og sentimentanalyse ♥️	Naturlig språkbehandling	Oversettelse og sentimentanalyse med Jane Austen	Python	Stephen
19	Romantiske hoteller i Europa ♥️	Naturlig språkbehandling	Sentimentanalyse med hotellomtaler 1	Python	Stephen
20	Romantiske hoteller i Europa ♥️	Naturlig språkbehandling	Sentimentanalyse med hotellomtaler 2	Python	Stephen
21	Introduksjon til tidsserieprognoser	Tidsserie	Introduksjon til tidsserieprognoser	Python	Francesca
22	⚡️ Verdens strømforbruk ⚡️ - tidsserieprognoser med ARIMA	Tidsserie	Tidsserieprognoser med ARIMA	Python	Francesca
23	⚡️ Verdens strømforbruk ⚡️ - tidsserieprognoser med SVR	Tidsserie	Tidsserieprognoser med Support Vector Regressor	Python	Anirban
24	Introduksjon til forsterkende læring	Forsterkende læring	Introduksjon til forsterkende læring med Q-Learning	Python	Dmitry
25	Hjelp Peter unngå ulven! 🐺	Forsterkende læring	Forsterkende lærings Gym	Python	Dmitry
Etterord	Virkelige ML-scenarier og anvendelser	ML i det fri	Interessante og avslørende reelle anvendelser av klassisk ML	Leksjon	Team
Etterord	Modellfeilsøking i ML med RAI-dashboard	ML i det fri	Modellfeilsøking i maskinlæring ved bruk av Responsible AI-dashboard-komponenter	Leksjon	Ruth Yakubu

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

Frakoblet tilgang

Du kan kjøre denne dokumentasjonen frakoblet ved å bruke Docsify. Fork dette repoet, installer Docsify på din lokale maskin, og skriv så i rotmappen av dette repoet docsify serve. Nettstedet vil bli servert på port 3000 på din localhost: localhost:3000.

PDF-er

Finn en pdf av læreplanen med lenker her.

🎒 Andre kurs

Vårt team produserer andre kurs! Sjekk ut:

LangChain

Azure / Edge / MCP / Agent

---

Generativ AI-serie

---

Kjerneopplæring

---

Copilot-serie

Få hjelp

Hvis du står fast eller har spørsmål om å bygge AI-apper. Bli med andre lærende og erfarne utviklere i diskusjoner om MCP. Det er et støttende fellesskap hvor spørsmål er velkomne og kunnskap deles fritt.

Hvis du har produktfeedback eller opplever feil under bygging, besøk:

---

Ansvarsfraskrivelse: Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten Co-op Translator. Selv om vi streber etter nøyaktighet, vennligst vær oppmerksom på at automatiserte oversettelser kan inneholde feil eller unøyaktigheter. Det originale dokumentet på dets opprinnelige språk bør betraktes som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for noen misforståelser eller feiltolkninger som oppstår som følge av bruk av denne oversettelsen.