ML-For-Beginners/translations/sv/AGENTS.md

AGENTS.md

Projektöversikt

Detta är Maskininlärning för nybörjare, en omfattande 12-veckors, 26-lektions kursplan som täcker klassiska maskininlärningskoncept med Python (främst med Scikit-learn) och R. Repositoriet är utformat som en självstudieressurs med praktiska projekt, quiz och uppgifter. Varje lektion utforskar ML-koncept med verkliga data från olika kulturer och regioner världen över.

Huvudkomponenter:

• Utbildningsinnehåll: 26 lektioner som täcker introduktion till ML, regression, klassificering, klustring, NLP, tidsserier och förstärkningsinlärning
• Quiz-applikation: Quiz-app baserad på Vue.js med tester före och efter lektionerna
• Flerspråkigt stöd: Automatiserade översättningar till 40+ språk via GitHub Actions
• Dubbelspråkigt stöd: Lektioner tillgängliga både i Python (Jupyter-notebooks) och R (R Markdown-filer)
• Projektbaserat lärande: Varje ämne inkluderar praktiska projekt och uppgifter

Repositoriets struktur

ML-For-Beginners/
├── 1-Introduction/         # ML basics, history, fairness, techniques
├── 2-Regression/          # Regression models with Python/R
├── 3-Web-App/            # Flask web app for ML model deployment
├── 4-Classification/      # Classification algorithms
├── 5-Clustering/         # Clustering techniques
├── 6-NLP/               # Natural Language Processing
├── 7-TimeSeries/        # Time series forecasting
├── 8-Reinforcement/     # Reinforcement learning
├── 9-Real-World/        # Real-world ML applications
├── quiz-app/           # Vue.js quiz application
├── translations/       # Auto-generated translations
└── sketchnotes/       # Visual learning aids

Varje lektionsmapp innehåller vanligtvis:

• README.md - Huvudinnehåll för lektionen
• notebook.ipynb - Python Jupyter-notebook
• solution/ - Lösningskod (Python- och R-versioner)
• assignment.md - Övningsuppgifter
• images/ - Visuella resurser

Installationskommandon

För Python-lektioner

De flesta lektioner använder Jupyter-notebooks. Installera nödvändiga beroenden:

# Install Python 3.8+ if not already installed
python --version

# Install Jupyter
pip install jupyter

# Install common ML libraries
pip install scikit-learn pandas numpy matplotlib seaborn

# For specific lessons, check lesson-specific requirements
# Example: Web App lesson
pip install flask

För R-lektioner

R-lektioner finns i solution/R/-mappar som .rmd eller .ipynb-filer:

# Install R and required packages
# In R console:
install.packages(c("tidyverse", "tidymodels", "caret"))

För Quiz-applikationen

Quiz-appen är en Vue.js-applikation som finns i katalogen quiz-app/:

cd quiz-app
npm install

För dokumentationssidan

För att köra dokumentationen lokalt:

# Install Docsify
npm install -g docsify-cli

# Serve from repository root
docsify serve

# Access at http://localhost:3000

Utvecklingsarbetsflöde

Arbeta med lektionsnotebooks

1. Navigera till lektionskatalogen (t.ex. 2-Regression/1-Tools/)
2. Öppna Jupyter-notebook:

   jupyter notebook notebook.ipynb
   

3. Arbeta igenom lektionsinnehållet och övningarna
4. Kontrollera lösningar i mappen solution/ vid behov

Python-utveckling

• Lektioner använder standardbibliotek för datavetenskap i Python
• Jupyter-notebooks för interaktivt lärande
• Lösningskod finns i varje lektions solution/-mapp

R-utveckling

• R-lektioner är i .rmd-format (R Markdown)
• Lösningar finns i solution/R/-undermappar
• Använd RStudio eller Jupyter med R-kärna för att köra R-notebooks

Quiz-applikationsutveckling

cd quiz-app

# Start development server
npm run serve
# Access at http://localhost:8080

# Build for production
npm run build

# Lint and fix files
npm run lint

Testinstruktioner

Testning av Quiz-applikationen

cd quiz-app

# Lint code
npm run lint

# Build to verify no errors
npm run build

Obs: Detta är främst ett utbildningsrepo. Det finns inga automatiserade tester för lektionsinnehåll. Validering görs genom:

• Att slutföra lektionsövningar
• Att köra notebook-celler framgångsrikt
• Att kontrollera utdata mot förväntade resultat i lösningarna

Kodstilsguider

Python-kod

• Följ PEP 8-stilguiden
• Använd tydliga, beskrivande variabelnamn
• Inkludera kommentarer för komplexa operationer
• Jupyter-notebooks bör ha markdown-celler som förklarar koncept

JavaScript/Vue.js (Quiz-app)

• Följer Vue.js-stilguiden
• ESLint-konfiguration i quiz-app/package.json
• Kör npm run lint för att kontrollera och automatiskt fixa problem

Dokumentation

• Markdown-filer bör vara tydliga och välstrukturerade
• Inkludera kodexempel i avgränsade kodblock
• Använd relativa länkar för interna referenser
• Följ befintliga formateringskonventioner

Bygg och distribution

Distribution av Quiz-applikationen

Quiz-appen kan distribueras till Azure Static Web Apps:

1. Förutsättningar:

   • Azure-konto
   • GitHub-repo (redan forkad)

2. Distribuera till Azure:

   • Skapa en Azure Static Web App-resurs
   • Anslut till GitHub-repo
   • Ange appens plats: /quiz-app
   • Ange utdata-plats: dist
   • Azure skapar automatiskt GitHub Actions-arbetsflöde

3. GitHub Actions-arbetsflöde:

   • Arbetsflödesfil skapas i .github/workflows/azure-static-web-apps-*.yml
   • Byggs och distribueras automatiskt vid push till huvudgrenen

Dokumentation PDF

Generera PDF från dokumentationen:

npm install
npm run convert

Översättningsarbetsflöde

Viktigt: Översättningar är automatiserade via GitHub Actions med Co-op Translator.

• Översättningar genereras automatiskt när ändringar pushas till main-grenen
• ÖVERSÄTT INTE innehåll manuellt - systemet hanterar detta
• Arbetsflöde definieras i .github/workflows/co-op-translator.yml
• Använder Azure AI/OpenAI-tjänster för översättning
• Stödjer 40+ språk

Riktlinjer för bidrag

För innehållsbidragare

1. Forka repositoriet och skapa en feature-gren
2. Gör ändringar i lektionsinnehållet om du lägger till/uppdaterar lektioner
3. Ändra inte översatta filer - de genereras automatiskt
4. Testa din kod - säkerställ att alla notebook-celler körs framgångsrikt
5. Verifiera länkar och bilder fungerar korrekt
6. Skicka en pull request med tydlig beskrivning

Riktlinjer för pull requests

• Titelformat: [Sektion] Kort beskrivning av ändringar
  • Exempel: [Regression] Fixade stavfel i lektion 5
  • Exempel: [Quiz-App] Uppdaterade beroenden
• Innan du skickar:
  • Säkerställ att alla notebook-celler körs utan fel
  • Kör npm run lint om du ändrar quiz-appen
  • Verifiera markdown-formatering
  • Testa eventuella nya kodexempel
• PR måste inkludera:
  • Beskrivning av ändringar
  • Orsak till ändringar
  • Skärmdumpar vid UI-ändringar
• Uppförandekod: Följ Microsoft Open Source Code of Conduct
• CLA: Du måste signera Contributor License Agreement

Lektionsstruktur

Varje lektion följer ett konsekvent mönster:

1. Quiz före lektionen - Testa grundläggande kunskaper
2. Lektionsinnehåll - Skriftliga instruktioner och förklaringar
3. Koddemonstrationer - Praktiska exempel i notebooks
4. Kunskapskontroller - Verifiera förståelse under lektionen
5. Utmaning - Tillämpa koncept självständigt
6. Uppgift - Fördjupad övning
7. Quiz efter lektionen - Utvärdera läranderesultat

Referens för vanliga kommandon

# Python/Jupyter
jupyter notebook                    # Start Jupyter server
jupyter notebook notebook.ipynb     # Open specific notebook
pip install -r requirements.txt     # Install dependencies (where available)

# Quiz App
cd quiz-app
npm install                        # Install dependencies
npm run serve                      # Development server
npm run build                      # Production build
npm run lint                       # Lint and fix

# Documentation
docsify serve                      # Serve documentation locally
npm run convert                    # Generate PDF

# Git workflow
git checkout -b feature/my-change  # Create feature branch
git add .                         # Stage changes
git commit -m "Description"       # Commit changes
git push origin feature/my-change # Push to remote

Ytterligare resurser

• Microsoft Learn Collection: ML för nybörjarmoduler
• Quiz-app: Online-quiz
• Diskussionsforum: GitHub Discussions
• Videogenomgångar: YouTube Playlist

Viktiga teknologier

• Python: Huvudspråk för ML-lektioner (Scikit-learn, Pandas, NumPy, Matplotlib)
• R: Alternativ implementering med tidyverse, tidymodels, caret
• Jupyter: Interaktiva notebooks för Python-lektioner
• R Markdown: Dokument för R-lektioner
• Vue.js 3: Ramverk för quiz-applikationen
• Flask: Ramverk för webapplikationer för ML-modelldistribution
• Docsify: Generator för dokumentationssidor
• GitHub Actions: CI/CD och automatiserade översättningar

Säkerhetsöverväganden

• Inga hemligheter i koden: Lämna aldrig API-nycklar eller autentiseringsuppgifter
• Beroenden: Håll npm- och pip-paket uppdaterade
• Användarinmatning: Flask-webapp-exempel inkluderar grundläggande validering av inmatning
• Känsliga data: Exempeldataset är offentliga och icke-känsliga

Felsökning

Jupyter-notebooks

• Kernelproblem: Starta om kernel om celler fastnar: Kernel → Restart
• Importfel: Säkerställ att alla nödvändiga paket är installerade med pip
• Sökvägsproblem: Kör notebooks från deras innehållande katalog

Quiz-applikation

• npm install misslyckas: Rensa npm-cache: npm cache clean --force
• Portkonflikter: Ändra port med: npm run serve -- --port 8081
• Byggfel: Ta bort node_modules och installera om: rm -rf node_modules && npm install

R-lektioner

• Paket saknas: Installera med: install.packages("package-name")
• RMarkdown-rendering: Säkerställ att rmarkdown-paketet är installerat
• Kernelproblem: Kan behöva installera IRkernel för Jupyter

Projekt-specifika anteckningar

• Detta är främst en utbildningskursplan, inte produktionskod
• Fokus ligger på att förstå ML-koncept genom praktisk övning
• Kodexempel prioriterar tydlighet över optimering
• De flesta lektioner är självständiga och kan slutföras oberoende
• Lösningar tillhandahålls, men deltagare bör försöka övningarna först
• Repositoriet använder Docsify för webbdokumentation utan byggsteg
• Sketchnotes ger visuella sammanfattningar av koncept
• Flerspråkigt stöd gör innehållet globalt tillgängligt

---

Ansvarsfriskrivning:
Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator. Även om vi strävar efter noggrannhet, bör det noteras att automatiserade översättningar kan innehålla fel eller felaktigheter. Det ursprungliga dokumentet på dess originalspråk bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som uppstår vid användning av denna översättning.