ML-For-Beginners/translations/da

🌐 Multisproget Support

Understøttet via GitHub Action (Automatiseret & 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

Deltag i vores fællesskab

Vi har en Discord-serie om at lære 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 at bruge GitHub Copilot til Data Science.

Maskinlæring for begyndere - Et pensum

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

Cloud Advocates hos Microsoft er glade for at tilbyde et 12-ugers, 26-lektioners pensum, der handler om Maskinlæring. I dette pensum vil du lære om det, der nogle gange kaldes klassisk maskinlæring, primært ved brug af Scikit-learn som bibliotek og uden dyb læring, som dækkes i vores AI for Beginners' pensum. Kombiner disse lektioner med vores 'Data Science for Beginners' pensum også!

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

✍️ Hjertelig 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

🙏 Særlige tak 🙏 til vores Microsoft Student Ambassador-forfattere, anmeldere og indholdsleverandører, 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 godt i gang

Følg disse trin:

1. Fork Repository: Klik på "Fork" knappen øverst til højre på denne side.
2. Klon Repository: 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? Tjek vores Fejlfinding Guide for løsninger på almindelige problemer med installation, opsætning og kørsel af lektioner.

Studerende, for at bruge dette pensum, fork hele repoet til din egen GitHub-konto og gennemfør øvelserne på egen hånd eller i gruppe:

• Start med en quiz før forelæsningen.
• Læs forelæsningen og gennemfør aktiviteterne, stop op og reflekter ved hver videnscheck.
• Prøv at skabe projekterne ved at forstå lektionerne i stedet for blot at køre løsningskoden; dog er koden tilgængelig i /solution mapperne i hver projektorienteret lektion.
• Tag quizzen efter forelæsningen.
• Gennemfør udfordringen.
• Gennemfør opgaven.
• Efter at have gennemført en lektiongruppe, besøg Diskussionsforum 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 andres PAT'er, så vi kan lære sammen.

Til yderligere studier anbefaler vi at følge disse Microsoft Learn moduler og læringsstier.

Lærere, vi har inkluderet nogle forslag til, hvordan man bruger dette pensum.

---

Video-gennemgange

Nogle af lektionerne findes som korte videoer. Du kan finde dem alle integreret i lektionerne eller på ML for Beginners playlisten 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 de personer, der skabte det!

---

Pædagogik

Vi har valgt to pædagogiske principper, mens vi byggede dette pensum: at sikre, at det er praktisk projektbaseret og at det inkluderer hyppige quizzer. Derudover har dette pensum et fælles tema for at give det sammenhæng.

Ved at sikre, at indholdet stemmer overens med projekter, bliver processen mere engagerende for studerende, og fastholdelsen af koncepter vil blive øget. Derudover sætter en lavrisiko quiz før en klasse elevens intention mod at lære et emne, mens en anden quiz efter klassen sikrer yderligere fastholdelse. Dette pensum er designet til at være fleksibelt og sjovt og kan tages i sin helhed eller delvist. Projekterne starter småt og bliver gradvist mere komplekse ved slutningen af den 12-ugers cyklus. Dette pensum inkluderer også et efterskrift om virkelige anvendelser af ML, som kan bruges som ekstra kredit eller som grundlag for diskussion.

Find vores Adfærdskodeks, Bidrag, Oversættelse og Fejlfinding retningslinjer. Vi byder din konstruktive feedback velkommen!

Hver lektion inkluderer

• valgfri sketchnote
• valgfri supplerende video
• video-gennemgang (kun nogle lektioner)
• quiz før forelæsning
• skriftlig lektion
• for projektbaserede lektioner, trin-for-trin vejledninger til at bygge projektet
• videnschecks
• en udfordring
• supplerende læsning
• opgave
• quiz efter forelæsning

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 find R-lektionerne. De inkluderer en .rmd-udvidelse, som repræsenterer en R Markdown fil, der kan defineres som en indlejring af kodeblokke (af R eller andre sprog) og en YAML-header (der styrer, hvordan output som PDF formateres) i et Markdown-dokument. Som sådan tjener det som en eksemplarisk forfatterramme for data science, da det tillader dig at kombinere din kode, dens output og dine tanker ved at lade dig 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-appen kan også køres lokalt; følg instruktionerne i quiz-app mappen for lokal hosting eller udrulning til Azure.

Lektion Nummer	Emne	Lektion Gruppe	Læringsmål	Linket Lektion	Forfatter
01	Introduktion til maskinlæring	Introduction	Lær de grundlæggende begreber bag maskinlæring	Lesson	Muhammad
02	Maskinlæringens historie	Introduction	Lær historien bag dette felt	Lesson	Jen and Amy
03	Retfærdighed og maskinlæring	Introduction	Hvad er de vigtige filosofiske spørgsmål om retfærdighed, som studerende bør overveje, når de bygger og anvender ML-modeller?	Lesson	Tomomi
04	Teknikker til maskinlæring	Introduction	Hvilke teknikker bruger ML-forskere til at bygge ML-modeller?	Lesson	Chris and 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	Visualiser og rens data som forberedelse til ML	Python • R	Jen • Eric Wanjau
07	Nordamerikanske græskarpriser 🎃	Regression	Byg lineære og polynomielle regressionsmodeller	Python • R	Jen and 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 and Cassie • Eric Wanjau
11	Lækre asiatiske og indiske køkkener 🍜	Classification	Introduktion til klassifikatorer	Python • R	Jen and Cassie • Eric Wanjau
12	Lækre asiatiske og indiske køkkener 🍜	Classification	Flere klassifikatorer	Python • R	Jen and Cassie • Eric Wanjau
13	Lækre asiatiske og indiske køkkener 🍜	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	Uddyb 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 tidsserieprognoser	Time series	Introduktion til tidsserieprognoser	Python	Francesca
22	⚡️ Verdens strømforbrug ⚡️ - tidsserieprognoser med ARIMA	Time series	Tidsserieprognoser med ARIMA	Python	Francesca
23	⚡️ Verdens strømforbrug ⚡️ - tidsserieprognoser med SVR	Time series	Tidsserieprognoser med Support Vector Regressor	Python	Anirban
24	Introduktion til forstærkningslæring	Reinforcement learning	Introduktion til forstærkningslæring med Q-Learning	Python	Dmitry
25	Hjælp Peter med at undgå ulven! 🐺	Reinforcement learning	Forstærkningslæring Gym	Python	Dmitry
Postscript	Virkelige ML-scenarier og anvendelser	ML in the Wild	Interessante og afslørende virkelige anvendelser af klassisk ML	Lesson	Team
Postscript	Modeldebugging i ML ved hjælp af RAI-dashboard	ML in the Wild	Modeldebugging i maskinlæring ved hjælp af Responsible AI-dashboardkomponenter	Lesson	Ruth Yakubu

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

Offline adgang

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

LangChain

---

Azure / Edge / MCP / Agenter

---

Generativ 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 produktfeedback eller oplever fejl under udvikling, besøg:

---

Ansvarsfraskrivelse: Dette dokument er blevet 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 opstår som følge af brugen af denne oversættelse.