26 KiB

Raw Blame History Unescape Escape

🌐 Flersproget support

Understøttet via GitHub Action (Automatisk & Altid Opdateret)

Bliv en del af vores fællesskab

Vi har en Discord-serie om at lære med AI i gang. Lær mere og deltag i Learn with AI Series fra 18. - 30. september 2025. Her får du tips og tricks til at bruge GitHub Copilot til datavidenskab.

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 om maskinlæring. I dette pensum vil du lære om det, der nogle gange kaldes klassisk maskinlæring, primært ved hjælp af Scikit-learn som bibliotek og uden at dykke ned i dyb læring, som er dækket 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 tilgang giver dig mulighed for at lære, mens du bygger, en dokumenteret metode til at få nye færdigheder til at hænge fast.

✍️ Stor 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

🙏 Særlig tak 🙏 til vores Microsoft Student Ambassador-forfattere, anmeldere og indholdsbidragydere, 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:

Fork repositoryet: Klik på "Fork"-knappen øverst til højre på denne side.
Clone repositoryet: git clone https://github.com/microsoft/ML-For-Beginners.git

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

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

Start med en quiz før lektionen.
Læs lektionen og gennemfør aktiviteterne, mens du pauser og reflekterer ved hver videnskontrol.
Prøv at skabe projekterne ved at forstå lektionerne i stedet for blot at køre løsningskoden; dog er denne kode tilgængelig i /solution-mapperne i hver projektorienteret lektion.
Tag quizzen efter lektionen.
Gennemfør udfordringen.
Gennemfør opgaven.
Efter at have afsluttet en lektiongruppe, besøg Diskussionsforumet 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 andre PAT'er, så vi kan lære sammen.

For 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 er tilgængelige som korte videoer. Du kan finde alle disse 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 projektbaseret og inkluderer hyppige quizzer. Derudover har dette pensum et fælles tema for at give det sammenhæng.

Ved at sikre, at indholdet er knyttet til projekter, bliver processen mere engagerende for studerende, og fastholdelsen af begreber vil blive forbedret. Derudover sætter en lav-stress quiz før en klasse intentionen hos den studerende 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 små 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 Code of Conduct, Contributing, og Translation retningslinjer. Vi værdsætter din konstruktive feedback!

Hver lektion inkluderer

valgfri sketchnote
valgfri supplerende video
video-gennemgang (kun nogle lektioner)
quiz før lektionen
skriftlig lektion
for projektbaserede lektioner, trin-for-trin vejledninger til, hvordan man bygger projektet
videnskontroller
en udfordring
supplerende læsning
opgave
quiz efter lektionen

En note om sprog: Disse lektioner er primært skrevet i Python, men mange er også tilgængelige i R. For at gennemføre en R-lektion, gå til /solution-mappen og kig efter R-lektioner. 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 guider, hvordan output formateres, såsom PDF) i et Markdown-dokument. Som sådan fungerer det som en fremragende ramme for datavidenskab, da det giver dig mulighed for at kombinere din kode, dens output og dine tanker ved at skrive dem ned i Markdown. Desuden kan R Markdown-dokumenter gengives til outputformater som PDF, HTML eller Word.

En note om quizzer: Alle quizzer er indeholdt i Quiz App-mappen, med i alt 52 quizzer med tre spørgsmål hver. De er linket fra lektionerne, men quiz-appen kan køres lokalt; følg instruktionerne i quiz-app-mappen for at hoste lokalt eller udrulle til Azure.

Lektion Nummer	Emne	Lektion Gruppe	Læringsmål	Linket Lektion	Forfatter
01	Introduktion til maskinlæring	Introduktion	Lær de grundlæggende begreber bag maskinlæring	Lektion	Muhammad
02	Historien om maskinlæring	Introduktion	Lær historien bag dette felt	Lektion	Jen og Amy
03	Retfærdighed og maskinlæring	Introduktion	Hvilke vigtige filosofiske spørgsmål omkring retfærdighed bør studerende overveje, når de bygger og anvender ML-modeller?	Lektion	Tomomi
04	Teknikker til maskinlæring	Introduktion	Hvilke teknikker bruger ML-forskere til at bygge ML-modeller?	Lektion	Chris og 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 polynomiske regressionsmodeller	Python • R	Jen og Dmitry • Eric Wanjau
08	Nordamerikanske græskarpriser 🎃	Regression	Byg en logistisk regressionsmodel	Python • R	Jen • Eric Wanjau
09	En Web App 🔌	Web App	Byg en webapp til at bruge din trænede model	Python	Jen
10	Introduktion til klassifikation	Klassifikation	Rens, forbered og visualiser dine data; introduktion til klassifikation	Python • R	Jen og Cassie • Eric Wanjau
11	Lækre asiatiske og indiske retter 🍜	Klassifikation	Introduktion til klassifikatorer	Python • R	Jen og Cassie • Eric Wanjau
12	Lækre asiatiske og indiske retter 🍜	Klassifikation	Flere klassifikatorer	Python • R	Jen og Cassie • Eric Wanjau
13	Lækre asiatiske og indiske retter 🍜	Klassifikation	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 ☕️	Naturlig sprogbehandling	Lær det grundlæggende om NLP ved at bygge en simpel bot	Python	Stephen
17	Almindelige NLP-opgaver ☕️	Naturlig sprogbehandling	Uddyb din NLP-viden ved at forstå almindelige opgaver, der kræves, når man arbejder med sproglige strukturer	Python	Stephen
18	Oversættelse og sentimentanalyse ♥️	Naturlig sprogbehandling	Oversættelse og sentimentanalyse med Jane Austen	Python	Stephen
19	Romantiske hoteller i Europa ♥️	Naturlig sprogbehandling	Sentimentanalyse med hotelanmeldelser 1	Python	Stephen
20	Romantiske hoteller i Europa ♥️	Naturlig sprogbehandling	Sentimentanalyse med hotelanmeldelser 2	Python	Stephen
21	Introduktion til tidsserieprognoser	Tidsserier	Introduktion til tidsserieprognoser	Python	Francesca
22	⚡️ Verdens strømforbrug ⚡️ - tidsserieprognoser med ARIMA	Tidsserier	Tidsserieprognoser med ARIMA	Python	Francesca
23	⚡️ Verdens strømforbrug ⚡️ - tidsserieprognoser med SVR	Tidsserier	Tidsserieprognoser med Support Vector Regressor	Python	Anirban
24	Introduktion til forstærkningslæring	Forstærkningslæring	Introduktion til forstærkningslæring med Q-Learning	Python	Dmitry
25	Hjælp Peter med at undgå ulven! 🐺	Forstærkningslæring	Forstærkningslæring Gym	Python	Dmitry
Postscript	Virkelige ML-scenarier og applikationer	ML i det virkelige liv	Interessante og afslørende virkelige applikationer af klassisk ML	Lektion	Team
Postscript	Modeldebugging i ML med RAI-dashboard	ML i det virkelige liv	Modeldebugging i maskinlæring ved hjælp af Responsible AI-dashboardkomponenter	Lektion	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 denne repo, installer Docsify på din lokale maskine, og skriv derefter docsify serve i rodmappen af denne repo. Hjemmesiden 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:

Få hjælp

Hvis du sidder fast eller har spørgsmål om at bygge AI-apps, så deltag i:

Hvis du har produktfeedback eller oplever fejl under opbygning, besøg:

Ansvarsfraskrivelse:
Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten Co-op Translator. Selvom vi bestræber os på at sikre nøjagtighed, skal det bemærkes, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os ikke ansvar for eventuelle misforståelser eller fejltolkninger, der måtte opstå som følge af brugen af denne oversættelse.

26 KiB Raw Blame History Unescape Escape