ML-For-Beginners/translations/sv

🌐 Fler språkstöd

Stöds via GitHub Action (Automatiserat & Alltid Uppdaterat)

Arabiska | Bengali | Bulgariska | Burmese (Myanmar) | Kinesiska (Förenklad) | Kinesiska (Traditionell, Hong Kong) | Kinesiska (Traditionell, Macau) | Kinesiska (Traditionell, Taiwan) | Kroatiska | Tjeckiska | Danska | Holländska | Estniska | Finska | Franska | Tyska | Grekiska | Hebreiska | Hindi | Ungerska | Indonesiska | Italienska | Japanska | Kannada | Koreanska | Litauiska | Malajiska | Malayalam | Marathi | Nepali | 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

Gå med i vår gemenskap

Vi har en pågående Discord-serie "Learn with AI", lär dig mer och gå med oss på Learn with AI Series från 18 - 30 september 2025. Du får tips och tricks för att använda GitHub Copilot för Data Science.

Maskininlärning för nybörjare - En kursplan

🌍 Res runt i världen medan vi utforskar maskininlärning genom världens kulturer 🌍

Cloud Advocates på Microsoft är glada att erbjuda en 12-veckors, 26-lektioners kursplan helt om Maskininlärning. I denna kursplan lär du dig om det som ibland kallas klassisk maskininlärning, med huvudsakligen Scikit-learn som bibliotek och undviker djupinlärning, som täcks i vår AI för nybörjare-kursplan. Kombinera dessa lektioner med vår 'Data Science för nybörjare'-kursplan också!

Res med oss runt världen när vi tillämpar dessa klassiska tekniker på data från många delar av världen. Varje lektion inkluderar för- och efter-lektionsquiz, 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 "fastna".

✍️ 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 innehållsbidragsgivare, 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!

Komma igång

Följ dessa steg:

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

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

🔧 Behöver du hjälp? Kolla vår Felsökningsguide för lösningar på vanliga problem med installation, uppsättning och att köra lektioner.

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

• Börja med ett för-lecture quiz.
• Läs lektionen och gör aktiviteterna, pausa och reflektera vid varje kunskapskontroll.
• Försök skapa projekten genom att förstå lektionerna snarare än att bara köra lösningskoden; dock finns den koden tillgänglig i /solution mapparna i varje projektorienterad lektion.
• Gör efter-lecture quiz.
• Slutför utmaningen.
• Slutför uppgiften.
• Efter att ha slutfört en lektionsgrupp, besök Diskussionsforumet och "lär ut högt" genom att fylla i lämplig PAT-rubrik. En 'PAT' är ett Progress Assessment Tool 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 oss tillsammans.

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

Lärare, vi har inkluderat några förslag på hur man använder denna kursplan.

---

Videogenomgångar

Några av lektionerna finns som korta videor. Du kan hitta alla dessa inbäddade i lektionerna, eller på ML for Beginners spellistan 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 när vi byggde denna kursplan: att säkerställa att den är praktiskt projektbaserad och att den inkluderar freventa quiz. Dessutom har denna kursplan ett gemensamt tema för att ge den sammanhang.

Genom att säkerställa att innehållet är kopplat till projekt blir processen mer engagerande för studenter och konceptens retention förbättras. Dessutom sätter ett låginsats-quiz före en lektion studentens intention mot att lära sig ett ämne, medan ett andra quiz efter lektionen säkerställer ytterligare retention. Denna kursplan är designad för att vara flexibel och rolig och kan tas i sin helhet eller delvis. Projekten börjar små och blir alltmer komplexa mot slutet av 12-veckorscykeln. Denna kursplan inkluderar också ett efterord om verkliga tillämpningar av ML, som kan användas som extrakredit eller som grund för diskussion.

Hitta våra Uppförandekod, Bidragsregler, Översättningsriktlinjer och Felsökningsriktlinjer. Vi välkomnar din konstruktiva feedback!

Varje lektion inkluderar

• valfri skissanteckning
• valfri kompletterande video
• videogenomgång (endast vissa lektioner)
• för-lecture uppvärmningsquiz
• skriftlig lektion
• för projektbaserade lektioner, steg-för-steg guider för att bygga projektet
• kunskapskontroller
• en utmaning
• kompletterande läsning
• uppgift
• efter-lecture quiz

En notis 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 inkluderar en .rmd-filändelse som representerar en R Markdown-fil som enkelt kan definieras som en inbäddning av kodblock (av R eller andra språk) och en YAML-header (som styr hur utdata formateras, t.ex. PDF) i ett Markdown-dokument. Som sådan fungerar det som en exemplifierande författarram för data science eftersom det låter dig kombinera din kod, dess utdata och dina tankar genom att skriva ner dem i Markdown. Dessutom kan R Markdown-dokument renderas till utdataformat som PDF, HTML eller Word.

En notis om quiz: Alla quiz finns i Quiz App-mappen, totalt 52 quiz med tre frågor vardera. De länkas från lektionerna men quiz-appen kan köras lokalt; följ instruktionerna i quiz-app mappen för att köra lokalt eller distribuera 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 överväga 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	Läckra asiatiska och indiska kök 🍜	Classification	Introduktion till klassificerare	Python • R	Jen and Cassie • Eric Wanjau
12	Läckra asiatiska och indiska kök 🍜	Classification	Fler klassificerare	Python • R	Jen and Cassie • Eric Wanjau
13	Läckra asiatiska och indiska kök 🍜	Classification	Bygg en rekommendationswebbapp 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 dina NLP-kunskaper genom att förstå vanliga uppgifter som krävs vid hantering av 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 elförbrukning ⚡️ - tidsserieprognoser med ARIMA	Time series	Tidsserieprognoser med ARIMA	Python	Francesca
23	⚡️ Världens elförbrukning ⚡️ - 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	Förstärkningsinlärning Gym	Python	Dmitry
Postscript	Verkliga ML-scenarier och tillämpningar	ML in the Wild	Intressanta och avslöjande verkliga tillämpningar av klassisk ML	Lesson	Team
Postscript	Modellfelsökning i ML med RAI-dashboard	ML in the Wild	Modellfelsökning i maskininlärning med Responsible AI-dashboardkomponenter	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 / Agents

---

Generativ AI-serie

---

Kärninlärning

---

Copilot-serien

Få hjälp

Om du fastnar eller har några frågor om att bygga AI-appar. Gå med i diskussioner med andra elever och erfarna utvecklare om MCP. Det är en stödjande gemenskap där frågor är välkomna och kunskap delas fritt.

Om du har produktfeedback eller stöter på fel under utvecklingen, besök:

---

Ansvarsfriskrivning: Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator. Även om vi strävar efter noggrannhet, vänligen var medveten om 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.