26 KiB

Raw Blame History Unescape Escape

🌐 Støtte for flere språk

Støttet via GitHub Action (Automatisert og alltid oppdatert)

Bli med i vårt fellesskap

Vi har en pågående læringsserie med AI på Discord. Lær mer og bli med oss på Learn with AI Series fra 18. til 30. september 2025. Du vil få tips og triks om hvordan du bruker GitHub Copilot for datavitenskap.

Maskinlæring for nybegynnere - En 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 om maskinlæring. I denne læreplanen vil du lære om det som noen ganger kalles klassisk maskinlæring, hovedsakelig ved bruk av Scikit-learn som bibliotek og uten å gå inn på dyp læring, 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 quiz før og etter leksjonen, skriftlige instruksjoner for å fullføre leksjonen, en løsning, en oppgave og mer. Vår prosjektbaserte pedagogikk lar deg lære mens du bygger, en bevist metode for å få nye ferdigheter til å sitte.

✍️ En stor 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!

Kom i gang

Følg disse trinnene:

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

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

🔧 Trenger du hjelp? Sjekk vår Feilsøkingsguide for løsninger på vanlige problemer med installasjon, oppsett og gjennomføring av leksjoner.

Studenter, for å bruke denne læreplanen, forgren hele depotet til din egen GitHub-konto og fullfør oppgavene alene eller i en gruppe:

Start med en quiz før leksjonen.
Les leksjonen og fullfør aktivitetene, og ta pauser for å reflektere ved hver kunnskapssjekk.
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 quizen etter leksjonen.
Fullfør utfordringen.
Fullfør oppgaven.
Etter å ha fullført en leksjonsgruppe, besøk Diskusjonsforumet og "lær høyt" ved å fylle ut den relevante PAT-rubrikken. En 'PAT' er et Progress Assessment Tool som er en rubrikk du fyller ut for å fremme læringen din. Du kan også reagere på andre 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.

Videogjennomganger

Noen av leksjonene er tilgjengelige som korte videoer. Du finner alle disse innebygd i leksjonene, eller på ML for Beginners-spillelisten på Microsoft Developer YouTube-kanal ved å klikke på bildet nedenfor.

Møt teamet

Gif av Mohit Jaisal

🎥 Klikk på bildet ovenfor for en video om prosjektet og menneskene som skapte det!

Pedagogikk

Vi har valgt to pedagogiske prinsipper mens vi utviklet denne læreplanen: å sikre at den er praktisk prosjektbasert og at den inkluderer hyppige quizer. I tillegg har denne læreplanen et felles tema for å gi den sammenheng.

Ved å sørge for at innholdet er knyttet til prosjekter, blir prosessen mer engasjerende for studentene, og begreper vil bli bedre husket. I tillegg setter en quiz med lav terskel før en klasse studentens intensjon mot å lære et emne, mens en andre quiz etter klassen sikrer ytterligere forståelse. Denne læreplanen er designet for å være fleksibel og morsom og kan tas i sin helhet eller delvis. Prosjektene starter små og blir stadig mer komplekse mot slutten av den 12-ukers syklusen. Denne læreplanen inkluderer også et tillegg om virkelige applikasjoner av maskinlæring, som kan brukes som ekstra kreditt eller som grunnlag for diskusjon.

Finn vår Code of Conduct, Contributing, Translation, og Troubleshooting-retningslinjer. Vi ønsker dine konstruktive tilbakemeldinger velkommen!

Hver leksjon inkluderer

valgfri sketchnote
valgfri tilleggsvideo
videogjennomgang (kun noen leksjoner)
quiz før leksjonen
skriftlig leksjon
for prosjektbaserte leksjoner, trinnvise guider for hvordan man bygger prosjektet
kunnskapssjekker
en utfordring
tilleggslesing
oppgave
quiz etter leksjonen

En merknad om språk: Disse leksjonene er hovedsakelig skrevet i Python, men mange er også tilgjengelige i R. For å fullføre en R-leksjon, gå til /solution-mappen og se etter R-leksjoner. De inkluderer en .rmd-utvidelse som representerer en R Markdown-fil som enkelt kan defineres som en innbygging av kodeblokker (av R eller andre språk) og en YAML-header (som styrer hvordan utdata formateres, som PDF) i et Markdown-dokument. Som sådan fungerer det som et eksemplarisk forfatterrammeverk for datavitenskap siden det lar deg kombinere koden din, dens utdata og tankene dine ved å skrive dem ned i Markdown. Dessuten kan R Markdown-dokumenter gjengis til utdataformater som PDF, HTML eller Word.

En merknad om quizer: Alle quizer er inneholdt i Quiz App-mappen, for totalt 52 quizer med tre spørsmål hver. De er lenket fra leksjonene, men quiz-appen kan kjøres lokalt; følg instruksjonene i quiz-app-mappen for å kjøre lokalt eller distribuere til Azure.

Leksjonsnummer	Tema	Leksjonsgruppe	Læringsmål	Lenket leksjon	Forfatter
01	Introduksjon til maskinlæring	Introduksjon	Lær de grunnleggende konseptene bak maskinlæring	Leksjon	Muhammad
02	Historien om maskinlæring	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 bruker 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	Nordamerikanske gresskarpriser 🎃	Regresjon	Visualiser og rengjør data som forberedelse til ML	Python • R	Jen • Eric Wanjau
07	Nordamerikanske gresskarpriser 🎃	Regresjon	Bygg lineære og polynomiske regresjonsmodeller	Python • R	Jen og Dmitry • Eric Wanjau
08	Nordamerikanske gresskarpriser 🎃	Regresjon	Bygg en logistisk regresjonsmodell	Python • R	Jen • Eric Wanjau
09	En webapp 🔌	Webapp	Bygg en webapp for å bruke din trente modell	Python	Jen
10	Introduksjon til klassifisering	Klassifisering	Rengjør, forbered og visualiser dataene dine; 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 anbefalingswebapp ved hjelp av modellen din	Python	Jen
14	Introduksjon til klynging	Klynging	Rengjør, forbered og visualiser dataene dine; introduksjon til klynging	Python • R	Jen • Eric Wanjau
15	Utforsking av nigerianske musikksmaker 🎧	Klynging	Utforsk K-Means klyngemetoden	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 jobber med 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 hotellanmeldelser 1	Python	Stephen
20	Romantiske hoteller i Europa ♥️	Naturlig språkbehandling	Sentimentanalyse med hotellanmeldelser 2	Python	Stephen
21	Introduksjon til tidsserieprognoser	Tidsserier	Introduksjon til tidsserieprognoser	Python	Francesca
22	⚡️ Verdens strømforbruk ⚡️ - tidsserieprognoser med ARIMA	Tidsserier	Tidsserieprognoser med ARIMA	Python	Francesca
23	⚡️ Verdens strømforbruk ⚡️ - tidsserieprognoser med SVR	Tidsserier	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 å unngå ulven! 🐺	Forsterkende læring	Forsterkende læring med Gym	Python	Dmitry
Postscript	Virkelige ML-scenarier og applikasjoner	ML i praksis	Interessante og avslørende virkelige applikasjoner av klassisk ML	Leksjon	Team
Postscript	Modellfeilsøking i ML med RAI-dashboard	ML i praksis	Modellfeilsøking i maskinlæring ved bruk av Responsible AI-dashboardkomponenter	Leksjon	Ruth Yakubu

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

Offline tilgang

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

PDF-er

Finn en PDF av pensum med lenker her.

🎒 Andre kurs

Teamet vårt produserer andre kurs! Sjekk ut:

Få hjelp

Hvis du står fast eller har spørsmål om å bygge AI-apper, bli med:

Hvis du har produktfeedback eller feil under bygging, besøk:

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

26 KiB Raw Blame History Unescape Escape