ML-For-Beginners/translations/da

🌐 Flersproget support

Understøttet via GitHub Action (Automatiseret og altid opdateret)

Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Kannada | Korean | Lithuanian | Malay | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese

Deltag i vores fællesskab

Vi har en løbende Discord "Learn with AI"-serie; læs mere og deltag hos Learn with AI Series fra 18. - 30. september 2025. Du vil få tips og tricks til at bruge GitHub Copilot til Data Science.

Maskinlæring for begyndere - En læseplan

🌍 Rejs rundt i verden, mens vi udforsker maskinlæring gennem verdens kulturer 🌍

Cloud Advocates hos Microsoft tilbyder en 12-ugers, 26-lektions læseplan, der handler om Maskinlæring. I denne læseplan lærer du om det, som nogle gange kaldes klassisk maskinlæring, hvor vi primært bruger Scikit-learn som bibliotek og undgår deep learning, som dækkes i vores AI for Beginners' curriculum. Kombiner disse lektioner med vores 'Data Science for Beginners' curriculum også!

Rejs med os rundt i verden, mens vi anvender disse klassiske teknikker på data fra mange regioner. Hver lektion indeholder quizzer før og efter lektionen, skriftlige instruktioner til at gennemføre lektionen, en løsning, en opgave og mere. Vores projektbaserede pædagogik giver dig mulighed for at lære ved at bygge, en bevist måde at få nye færdigheder til at "sætte sig".

✍️ 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

🙏 Særlige tak 🙏 til vores Microsoft Student Ambassador-forfattere, anmeldere og indholds-bidragsydere, særligt 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:

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

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

🔧 Brug for hjælp? Se vores Troubleshooting Guide for løsninger på almindelige problemer med installation, opsætning og kørsel af lektioner.

Studerende, for at bruge denne læseplan: fork hele repoet til din egen GitHub-konto og gennemfør øvelserne på egen hånd eller i en gruppe:

• Start med en quiz før lektionen.
• Læs lektionen og gennemfør aktiviteterne, stop op og reflekter ved hver videnscheck.
• Prøv at skabe projekterne ved at forstå lektionerne i stedet for bare at køre løsningskoden; dog er den kode tilgængelig i /solution-mapperne i hver projektorienteret lektion.
• Tag quizzen efter lektionen.
• Gennemfør udfordringen.
• Gennemfør opgaven.
• Efter at have gennemført en lektion, besøg Discussion Board og "learn out loud" ved at udfylde den passende PAT-rubric. En 'PAT' er et Progress Assessment Tool, en rubric du udfylder for at fremme din læring. Du kan også reagere på andre PATs, så vi kan lære sammen.

Til videre studier anbefaler vi at følge disse Microsoft Learn moduler og læringsforløb.

Lærere, vi har inkluderet nogle forslag til, hvordan man bruger denne læseplan.

---

Video-gennemgange

Nogle af lektionerne er tilgængelige som kortformede videoer. Du kan finde dem indlejret 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 i udviklingen af denne læseplan: at sikre, at den er praktisk og projektbaseret, og at den inkluderer hyppige quizzer. Derudover har denne læseplan et fælles tema for at skabe sammenhæng.

Ved at sikre, at indholdet er tilpasset projekter, bliver processen mere engagerende for eleverne, og fastholdelsen af begreber vil blive forbedret. Desuden sætter en lavrisiko-quiz før en lektion intentionen hos eleven mod at lære et emne, mens en anden quiz efter lektionen sikrer yderligere fastholdelse. Denne læseplan er designet til at være fleksibel og sjov og kan tages i sin helhed eller delvist. Projekterne starter småt og bliver gradvist mere komplekse ved slutningen af den 12-ugers cyklus. Denne læseplan inkluderer også et efterord om virkelige anvendelser af ML, som kan bruges som ekstra kredit eller som basis for diskussion.

Find vores Code of Conduct, Contributing, Translation og Troubleshooting retningslinjer. Vi byder din konstruktive feedback velkommen!

Hver lektion indeholder

• valgfri sketchnote
• valgfri supplerende video
• videogenomgang (kun nogle lektioner)
• pre-lecture warmup quiz
• skriftlig lektion
• for projektbaserede lektioner, trin-for-trin vejledninger til, hvordan man bygger projektet
• videnschecks
• en udfordring
• supplerende læsning
• opgave
• post-lecture quiz

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 indeholder en .rmd-udvidelse, som repræsenterer en R Markdown-fil, der enkelt kan defineres som en indlejring af code chunks (af R eller andre sprog) og en YAML header (der styrer, hvordan outputs som PDF formateres) i et Markdown document. Som sådan tjener det som en fremragende forfatterramme for data science, da det giver dig mulighed for at kombinere din kode, dens output og dine tanker ved at lade dig skrive dem ned i Markdown. Desuden kan R Markdown-dokumenter gengives til outputformater såsom PDF, HTML eller Word.

En note om quizzer: Alle quizzer findes i Quiz App folder, 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 deploye til Azure.

Lektion Nummer	Emne	Lektionsgruppering	Læringsmål	Knyttet lektion	Forfatter
01	Introduktion til maskinlæring	Introduktion	Lær de grundlæggende koncepter bag maskinlæring	Lektion	Muhammad
02	Maskinlæringens historie	Introduktion	Lær historien bag dette felt	Lektion	Jen and Amy
03	Retfærdighed og maskinlæring	Introduktion	Hvad er de vigtige filosofiske spørgsmål omkring retfærdighed, som studerende bør overveje, når de bygger og anvender ML-modeller?	Lektion	Tomomi
04	Teknikker til maskinlæring	Introduktion	Hvilke teknikker bruger ML-forskere til at opbygge ML-modeller?	Lektion	Chris and Jen
05	Introduktion til regression	Regression	Kom i gang med Python og Scikit-learn til regressionsmodeller	Python • R	Jen • Eric Wanjau
06	Græskarpriser i Nordamerika 🎃	Regression	Visualisér og rens data som forberedelse til ML	Python • R	Jen • Eric Wanjau
07	Græskarpriser i Nordamerika 🎃	Regression	Byg lineære og polynomielle regressionsmodeller	Python • R	Jen and Dmitry • Eric Wanjau
08	Græskarpriser i Nordamerika 🎃	Regression	Byg en logistisk regressionsmodel	Python • R	Jen • Eric Wanjau
09	En webapp 🔌	Webapp	Byg en webapp til at bruge din trænede model	Python	Jen
10	Introduktion til klassifikation	Klassifikation	Rens, forbered og visualisér dine data; introduktion til klassifikation	Python • R	Jen and Cassie • Eric Wanjau
11	Lækre asiatiske og indiske køkkener 🍜	Klassifikation	Introduktion til klassifikatorer	Python • R	Jen and Cassie • Eric Wanjau
12	Lækre asiatiske og indiske køkkener 🍜	Klassifikation	Flere klassifikatorer	Python • R	Jen and Cassie • Eric Wanjau
13	Lækre asiatiske og indiske køkkener 🍜	Klassifikation	Byg en anbefalingswebapp ved hjælp af din model	Python	Jen
14	Introduktion til klyngedannelse	Klyngedannelse	Rens, forbered og visualisér dine data; introduktion til klyngedannelse	Python • R	Jen • Eric Wanjau
15	Udforskning af nigerianske musikpræferencer 🎧	Klyngedannelse	Udforsk K-Means-klyngemetoden	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, som er nødvendige, når man arbejder med sprogstrukturer	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 elforbrug ⚡️ - tidsserieprognoser med ARIMA	Tidsserier	Tidsserieprognoser med ARIMA	Python	Francesca
23	⚡️ Verdens elforbrug ⚡️ - 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	Gym for forstærkningslæring	Python	Dmitry
Efterskrift	Virkelige ML-scenarier og anvendelser	ML i virkeligheden	Interessante og afslørende virkelige anvendelser af klassisk ML	Lektion	Team
Efterskrift	Modeldebugging i ML ved brug af RAI-dashboardet	ML i virkeligheden	Modeldebugging i maskinlæring ved hjælp af Responsible AI dashboard-komponenter	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 dette repo, installer Docsify på din lokale maskine, og derefter i rodmappen af dette repo, skriv docsify serve. 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 dem:

LangChain

---

Azure / Edge / MCP / Agents

---

Generativ AI-serie

---

Kernekurser

---

Copilot-serien

Få hjælp

Hvis du sidder fast eller har spørgsmål om at bygge AI-apps, så deltag i diskussioner om MCP sammen med andre lærende og erfarne udviklere. Det er et støttende fællesskab, hvor spørgsmål er velkomne, og viden deles frit.

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

---

Ansvarsfraskrivelse: Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten Co-op Translator. Selvom vi bestræber os på nøjagtighed, skal du være opmærksom på, at automatiske oversættelser kan indeholde fejl eller unøjagtigheder. Det oprindelige dokument i dets oprindelige sprog bør betragtes som den autoritative kilde. For kritiske oplysninger anbefales professionel, menneskelig oversættelse. Vi er ikke ansvarlige for eventuelle misforståelser eller fejltolkninger, der opstår som følge af brugen af denne oversættelse.