ML-For-Beginners/translations/no

🌐 Støtte for flere språk

Støttet via GitHub Action (automatisert og alltid oppdatert)

Arabisk | Bengali | Bulgarsk | Burmesisk (Myanmar) | Kinesisk (forenklet) | Kinesisk (tradisjonell, Hong Kong) | Kinesisk (tradisjonell, Macau) | Kinesisk (tradisjonell, Taiwan) | Kroatisk | Tsjekkisk | Dansk | Nederlandsk | Estisk | Finsk | Fransk | Tysk | Gresk | Hebraisk | Hindi | Ungarsk | Indonesisk | Italiensk | Japansk | Kannada | Koreansk | Litauisk | Malaysisk | Malayalam | Marathi | Nepali | Nigeriansk pidgin | Norsk | Persisk (Farsi) | Polsk | Portugisisk (Brasil) | Portugisisk (Portugal) | Punjabi (Gurmukhi) | Rumensk | Russisk | Serbisk (kyrillisk) | Slovakisk | Slovensk | Spansk | Swahili | Svensk | Tagalog (filippinsk) | Tamil | Telugu | Thai | Tyrkisk | Ukrainsk | Urdu | Vietnamesisk

Bli med i fellesskapet vårt

Vi har en pågående Discord-serie "Learn with AI". Lær mer og bli med oss på Learn with AI-serien fra 18. til 30. september 2025. Du får tips og triks for å bruke GitHub Copilot for Data Science.

Maskinlæring for nybegynnere - En læreplan

🌍 Reis rundt om i verden mens vi utforsker maskinlæring gjennom kulturene i verden 🌍

Cloud Advocates hos Microsoft er glade for å tilby en 12-ukers, 26-leksjoners læreplan som handler om maskinlæring. I denne læreplanen skal du lære om det som noen ganger kalles klassisk maskinlæring, ved primært å bruke Scikit-learn som et bibliotek og unngå dyp læring, som dekkes i vårt AI for Beginners-kurset. Kombiner disse leksjonene med vårt 'Data Science for Beginners' curriculum også!

Reis med oss rundt om i verden mens vi anvender disse klassiske teknikkene på data fra mange deler av kloden. 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 velprøvd måte for nye ferdigheter å «feste seg».

✍️ Hjertelig 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, -gjennomlesere 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:

1. Opprett en fork av depotet: Klikk på "Fork"-knappen øverst til høyre på denne siden.
2. Klon depotet: git clone https://github.com/microsoft/ML-For-Beginners.git

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

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

Studenter, for å bruke denne læreplanen, opprett en fork av hele repoet til din egen GitHub-konto og fullfør øvelsene på egenhånd eller i gruppe:

• Start med en quiz før forelesningen.
• Les forelesningen og fullfør aktivitetene, stopp opp og reflekter ved hver kunnskapssjekk.
• Forsøk å lage prosjektene ved å forstå leksjonene i stedet for å bare kjøre løsningskoden; den koden er imidlertid tilgjengelig i /solution-mappene i hver prosjektorienterte leksjon.
• Ta quizen etter forelesningen.
• Fullfør utfordringen.
• Fullfør oppgaven.
• Etter å ha fullført en leksjonsgruppe, besøk Diskusjonstavlen og «learn out loud» ved å fylle ut passende PAT-rubrik. En 'PAT' er et Progress Assessment Tool som er en rubrikk du fyller ut for å videreutvikle 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 læringsløpene.

Lærere, vi har inkludert noen forslag om hvordan du kan bruke denne læreplanen.

---

Video-gjennomganger

Noen av leksjonene er tilgjengelige som kortform video. Du finner alle disse inne i leksjonene, eller på ML for Beginners-spillelisten på Microsoft Developer YouTube-kanalen ved å klikke bildet nedenfor.

---

Møt teamet

GIF av Mohit Jaisal

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

---

Pedagogikk

Vi har valgt to pedagogiske prinsipper under utviklingen av denne læreplanen: å sikre at den er praktisk og 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 begrepsfestingen vil økes. I tillegg setter en lavterskel-quiz før en klasse studentens intensjon mot å lære et emne, mens en andre quiz etter klassen sørger for ytterligere fastholdelse. Denne læreplanen er designet for å være fleksibel og morsom og kan tas i sin helhet eller delvis. Prosjektene starter små og blir gradvis mer komplekse ved slutten av 12-ukerssyklusen. Denne læreplanen inkluderer også et etterord om virkelige anvendelser av ML, som kan brukes som tilleggspoeng eller som grunnlag for diskusjon.

Finn vår Atferdskodeks, Bidra, Oversettelse, og Feilsøking retningslinjer. Vi setter pris på din konstruktive tilbakemelding!

Hver leksjon inneholder

• valgfri sketchnote
• valgfri supplerende video
• video-gjennomgang (noen leksjoner kun)
• pre-lecture warmup quiz
• skriftlig leksjon
• for prosjektbaserte leksjoner, trinnvise guider for hvordan bygge prosjektet
• kunnskapssjekker
• en utfordring
• supplerende lesning
• oppgave
• post-lecture quiz

En merknad om språk: Disse leksjonene er primært skrevet i Python, men mange er også tilgjengelige i R. For å fullføre en R-leksjon går du til /solution-mappen og ser etter R-leksjoner. De inkluderer en .rmd-utvidelse som representerer en R Markdown-fil som enkelt kan defineres som en innbygging av code chunks (av R eller andre språk) og en YAML header (som styrer hvordan man formaterer output som PDF) i et Markdown-dokument. Som sådan fungerer det som et eksemplarisk forfatterrammeverk for data science siden det lar deg kombinere koden din, outputen og tankene dine ved å skrive dem ned i Markdown. I tillegg kan R Markdown-dokumenter rendres til output-formater som PDF, HTML eller Word.

En merknad om quizer: Alle quizer finnes 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 hoste lokalt eller distribuere til Azure.

Leksjonsnummer	Emne	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 and Amy
03	Rettferdighet og maskinlæring	Introduksjon	Hva er de viktige filosofiske spørsmålene rundt rettferdighet som studenter bør 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 and Jen
05	Introduksjon til regresjon	Regresjon	Kom i gang med Python og Scikit-learn for regresjonsmodeller	Python • R	Jen • Eric Wanjau
06	Gresskarpriser i Nord-Amerika 🎃	Regresjon	Visualiser og rengjør data i forberedelse til ML	Python • R	Jen • Eric Wanjau
07	Gresskarpriser i Nord-Amerika 🎃	Regresjon	Bygg lineære og polynomiske regresjonsmodeller	Python • R	Jen and Dmitry • Eric Wanjau
08	Gresskarpriser i Nord-Amerika 🎃	Regresjon	Bygg en logistisk regresjonsmodell	Python • R	Jen • Eric Wanjau
09	En webapp 🔌	Web-app	Bygg en webapp for å bruke den trente modellen din	Python	Jen
10	Introduksjon til klassifisering	Klassifisering	Rens, forbered og visualiser dataene dine; introduksjon til klassifisering	Python • R	Jen and Cassie • Eric Wanjau
11	Deilige asiatiske og indiske retter 🍜	Klassifisering	Introduksjon til klassifikatorer	Python • R	Jen and Cassie • Eric Wanjau
12	Deilige asiatiske og indiske retter 🍜	Klassifisering	Flere klassifikatorer	Python • R	Jen and Cassie • Eric Wanjau
13	Deilige asiatiske og indiske retter 🍜	Klassifisering	Bygg en anbefalings-webapp ved hjelp av modellen din	Python	Jen
14	Introduksjon til klynging	Klynging	Rens, forbered og visualiser dataene dine; introduksjon til klynging	Python • R	Jen • Eric Wanjau
15	Utforske nigerianske musikksmak 🎧	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	Utdyp din NLP-kunnskap 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 hotellomtaler 1	Python	Stephen
20	Romantiske hoteller i Europa ♥️	Naturlig språkbehandling	Sentimentanalyse med hotellomtaler 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 forsterkningslæring	Forsterkningslæring	Introduksjon til forsterkningslæring med Q-læring	Python	Dmitry
25	Hjelp Peter å unngå ulven! 🐺	Forsterkningslæring	Forsterkningslæring Gym	Python	Dmitry
Etterskrift	Reelle ML-scenarier og anvendelser	ML i praksis	Interessante og avslørende virkelige anvendelser av klassisk ML	Leksjon	Team
Etterskrift	Feilsøking av modeller i ML ved bruk av RAI-dashboard	ML i praksis	Feilsøking av modeller i maskinlæring ved bruk av Responsible AI-dashboardkomponenter	Leksjon	Ruth Yakubu

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

Frakoblet tilgang

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

PDF-er

Finn en PDF av pensumet med lenker her.

🎒 Andre kurs

Teamet vårt produserer andre kurs! Sjekk ut:

LangChain

---

Azure / Edge / MCP / Agents

---

Generativ AI-serie

---

Grunnleggende læring

---

Copilot-serien

Få hjelp

Hvis du står fast eller har spørsmål om å bygge AI-apper. Bli med andre lærende og erfarne utviklere i diskusjoner om MCP. Det er et støttende fellesskap hvor spørsmål er velkomne og kunnskap deles fritt.

Hvis du har produkttilbakemeldinger eller opplever feil mens du bygger, besøk:

---

Ansvarsfraskrivelse: Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten Co-op Translator (https://github.com/Azure/co-op-translator). Selv om vi streber etter nøyaktighet, vennligst vær oppmerksom på at automatiske oversettelser kan inneholde feil eller unøyaktigheter. Det opprinnelige dokumentet på originalspråket 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.