31 KiB

Raw Blame History Unescape Escape

🌐 Meertalige Ondersteuning

Ondersteund via GitHub Action (Geautomatiseerd & Altijd Up-to-Date)

Liever lokaal klonen?

Deze repository bevat vertalingen in meer dan 50 talen, wat de downloadgrootte aanzienlijk vergroot. Om te klonen zonder vertalingen, gebruik je sparse checkout:

Bash / macOS / Linux:
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'
CMD (Windows):
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.

Word lid van onze community

We hebben een Discord learn with AI-serie die momenteel loopt, leer meer en doe mee via 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-weeks, 26-lessen curriculum over Machine Learning aan. In dit curriculum leer je over wat soms klassieke machine learning wordt genoemd, waarbij hoofdzakelijk gebruik wordt gemaakt van Scikit-learn als bibliotheek en waarbij diepe leerprocessen worden vermeden, die aan bod komen in ons AI for Beginners' curriculum. Combineer deze lessen ook met ons 'Data Science voor Beginners' curriculum!

Reis met ons mee rond de wereld terwijl we deze klassieke technieken toepassen op data uit vele gebieden van de wereld. Elke les bevat quizzen vóór en na de les, geschreven instructies om de les te voltooien, een oplossing, een opdracht en meer. Onze projectgebaseerde didactiek stelt je in staat te leren terwijl je bouwt, een bewezen manier om nieuwe vaardigheden te laten beklijven.

✍️ 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 eveneens aan onze illustratoren Tomomi Imura, Dasani Madipalli en Jen Looper

🙏 Speciale dank 🙏 aan onze Microsoft Student Ambassador-auteurs, reviewers en inhoudsbijdragers, met name 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:

Fork de Repository: Klik op de knop "Fork" in de rechterbovenhoek van deze pagina.
Clone de Repository: git clone https://github.com/microsoft/ML-For-Beginners.git

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

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

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

Begin met een quiz vóór de les.
Lees de les en voltooi de activiteiten, pauzeer en reflecteer bij elke kennischeck.
Probeer de projecten te maken door de lessen te begrijpen in plaats van simpelweg de oplossing te draaien; die code is echter beschikbaar in de /solution-mappen in elke projectgerichte les.
Maak de quiz na de les.
Voltooi de challenge.
Voltooi de opdracht.
Na het voltooien van een groep lessen, bezoek het Discussiebord en "leer hardop" door het passende PAT-rubriek in te vullen. Een 'PAT' is een Progress Assessment Tool die je invult om je leren te bevorderen. Je kunt ook reageren op andere PAT's zodat we samen kunnen leren.

Voor verdere studie bevelen we aan om deze Microsoft Learn modules en leerpaden te volgen.

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

Video walkthroughs

Sommige lessen zijn beschikbaar als korte video's. Je kunt ze allemaal inline in de lessen vinden, of in de ML for Beginners-afspeellijst op het Microsoft Developer YouTube-kanaal door op de onderstaande afbeelding te klikken.

Maak kennis met het team

Gif door Mohit Jaisal

🎥 Klik op de afbeelding hierboven voor een video over het project en de mensen die het hebben gemaakt!

Didactiek

We hebben twee didactische principes gekozen bij het ontwikkelen van dit curriculum: ervoor zorgen dat het hands-on projectgebaseerd is en dat het frequente quizzen bevat. Bovendien heeft dit curriculum een gemeenschappelijk thema voor samenhang.

Door ervoor te zorgen dat de inhoud aansluit bij projecten, wordt het proces boeiender voor studenten en wordt de retentie van concepten verhoogd. Daarnaast stelt een quiz met lage inzet vóór de les de intentie van de student in op het leren van een onderwerp, terwijl een tweede quiz na de les verdere retentie bevordert. Dit curriculum is ontworpen om flexibel en leuk te zijn en kan geheel of gedeeltelijk gevolgd worden. De projecten starten klein en worden steeds complexer aan het einde van de 12-weekse cyclus. Dit curriculum bevat ook een epiloog over toepassingen van ML in de echte wereld, die gebruikt kan worden als extra opdracht of als basis voor discussie.

Vind onze Gedragscode, Bijdragen, Vertaling en Probleemoplossing richtlijnen. We verwelkomen je constructieve feedback!

Elke les bevat

optionele schetsnotitie
optionele aanvullende video
video walkthrough (alleen sommige lessen)
quiz om op te warmen vóór de les
geschreven les
voor projectgebaseerde lessen, stapsgewijze handleidingen om het project te bouwen
kenniscontroles
een challenge
aanvullende lectuur
opdracht
quiz na de les

Een opmerking over talen: Deze lessen zijn voornamelijk geschreven in Python, maar veel zijn ook beschikbaar in R. Om een les in R te voltooien, ga naar de map /solution en zoek naar R-lessen. Deze bevatten een .rmd-extensie die staat voor een R Markdown-bestand, wat eenvoudig kan worden gedefinieerd als een inbedding van codeblokken (van R of andere talen) en een YAML-header (die aangeeft hoe uitvoerformaten zoals PDF moeten worden opgemaakt) in een Markdown-document. Als zodanig dient het als een voorbeeldige auteurstool voor datawetenschap omdat het je in staat stelt je code, de uitvoer ervan en je gedachten te combineren door ze op te schrijven in Markdown. Bovendien kunnen R Markdown-documenten worden gerenderd naar uitvoerformaten zoals PDF, HTML of Word.

Een opmerking over quizzen: Alle quizzen zijn opgenomen in de map Quiz App folder, voor in totaal 52 quizzen van elk drie vragen. Ze zijn gekoppeld vanuit de lessen, maar de quiz-app kan lokaal worden uitgevoerd; volg de instructies in de map quiz-app om lokaal te hosten of te deployen naar Azure.

Lesnummer	Onderwerp	Les Groepering	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	Rechtvaardigheid en machine learning	Introductie	Wat zijn de belangrijke filosofische kwesties rondom rechtvaardigheid waar studenten rekening mee moeten houden 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	Aan de slag met Python en Scikit-learn voor regressiemodellen	Python • R	Jen • Eric Wanjau
06	Noord-Amerikaanse pompoenprijzen 🎃	Regressie	Gegevens visualiseren en opschonen ter voorbereiding van 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 web app 🔌	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	Heerlijke Aziatische en Indiase keukens 🍜	Classificatie	Introductie tot classifiers	Python • R	Jen en Cassie • Eric Wanjau
12	Heerlijke Aziatische en Indiase keukens 🍜	Classificatie	Meer classifiers	Python • R	Jen en Cassie • Eric Wanjau
13	Heerlijke Aziatische en Indiase keukens 🍜	Classificatie	Bouw een aanbevelingswebapp met behulp van 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 van NLP door het bouwen van een eenvoudige bot	Python	Stephen
17	Veelvoorkomende NLP-taken ☕️	Natuurlijke taalverwerking	Verdiep je NLP-kennis door veelvoorkomende taken te begrijpen die nodig zijn bij het werken met taalstructuren	Python	Stephen
18	Vertaling en sentimentanalyse ♥️	Natuurlijke taalverwerking	Vertaling en sentimentanalyse met Jane Austen	Python	Stephen
19	Romantische hotels van Europa ♥️	Natuurlijke taalverwerking	Sentimentanalyse met hotelbeoordelingen 1	Python	Stephen
20	Romantische hotels van Europa ♥️	Natuurlijke taalverwerking	Sentimentanalyse met hotelbeoordelingen 2	Python	Stephen
21	Introductie tot tijdreeksvoorspelling	Tijdreeksen	Introductie tot tijdreeksvoorspelling	Python	Francesca
22	⚡️ Wereldwijd stroomverbruik ⚡️ - tijdreeksvoorspelling met ARIMA	Tijdreeksen	Tijdreeksvoorspelling met ARIMA	Python	Francesca
23	⚡️ Wereldwijd stroomverbruik ⚡️ - 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 om de wolf te ontlopen! 🐺	Reinforcement learning	Reinforcement learning Gym	Python	Dmitry
Naschrift	Praktijkvoorbeelden en toepassingen van ML	ML in het Wild	Interessante en onthullende toepassingen uit de echte wereld van klassieke ML	Les	Team
Naschrift	Model debugging in ML met RAI-dashboard	ML in het Wild	Model debugging in Machine Learning met Responsible AI dashboardcomponenten	Les	Ruth Yakubu

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

Offline toegang

Je kunt deze documentatie offline uitvoeren 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.

PDFs

Vind een pdf van het lesprogramma 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-lerenden en ervaren ontwikkelaars in discussies over MCP. Het is een ondersteunende gemeenschap waar vragen welkom zijn en kennis vrij wordt gedeeld.

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

Extra leertips

Bekijk aantekeningen na elke les voor een beter begrip.
Oefen met het zelf implementeren van algoritmen.
Verken echte datasets met de geleerde concepten.

Disclaimer:
Dit document is vertaald met behulp van de AI-vertalingsdienst Co-op Translator. Hoewel wij streven naar nauwkeurigheid, dient u er rekening mee te houden dat automatische vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het originele document in de oorspronkelijke taal geldt als de gezaghebbende bron. 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.

31 KiB Raw Blame History Unescape Escape