ML-For-Beginners/translations/no

🌐 Flerspråklig støtte

Støttet via GitHub Action (Automatisert & Alltid Oppdatert)

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

Foretrekker du å klone lokalt?

Dette depotet inkluderer over 50 språkoversettelser som betydelig øker nedlastingsstørrelsen. For å klone uten oversettelser, bruk sparse checkout:

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

Dette gir deg alt du trenger for å fullføre kurset med en mye raskere nedlasting.

Bli med i vårt fellesskap

Vi har en Discord-lær-med-AI-serie pågående, lær mer og bli med oss på Learn with AI Series fra 18. til 30. september 2025. Du vil få tips og triks for å bruke GitHub Copilot for Data Science.

Maskinlæring for nybegynnere - En læreplan

🌍 Reis rundt i verden mens vi utforsker maskinlæring gjennom verdens kulturer 🌍

Cloud Advocates hos Microsoft tilbyr en 12-ukers læreplan med 26 leksjoner som handler om maskinlæring. I denne læreplanen vil du lære om det som noen ganger kalles klassisk maskinlæring, med hovedfokus på Scikit-learn som bibliotek og uten å dekke 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 før- og etter-leksjon quiz, skrevne instruksjoner for å fullføre leksjonen, en løsning, en oppgave og mer. Vår prosjektbaserte pedagogikk lar deg lære mens du bygger – en bevist metode for at nye ferdigheter skal 'sette 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, -anmeldere og -innholdsbidragsytere, særlig 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!

Komme i gang

Følg disse stegene:

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

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

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

Studenter, for å bruke denne læreplanen, fork hele repoen til din egen GitHub-konto og fullfør øvelsene selv eller i gruppe:

• Start med en før-forelesning quiz.
• Les forelesningen og fullfør aktivitetene, stopp opp og reflekter ved hver kunnskapskontroll.
• Prøv å lage prosjektene ved å forstå leksjonene, i stedet for å bare kjøre løsningskoden; den koden er likevel tilgjengelig i /solution-mappene i hver prosjektorientert leksjon.
• Ta etter-forelesning quiz.
• Fullfør utfordringen.
• Fullfør oppgaven.
• Etter å ha fullført en leksjonsgruppe, besøk Diskusjonsforumet og "lær høyt" ved å fylle ut det aktuelle PAT-skjemaet. En 'PAT' er et fremdriftsevalueringsverktøy som er et skjema du fyller ut for å fremme læringen. Du kan også reagere på andres 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 til hvordan man kan bruke denne læreplanen.

---

Videogjennomganger

Noen av leksjonene finnes som korte videoer. Du kan finne alle disse innebygd i leksjonene, eller på ML for Beginners-spillelisten på Microsoft Developer YouTube-kanalen ved å klikke på bildet nedenfor.

---

Møt teamet

Gif av Mohit Jaisal

🎥 Klikk på bildet over for en video om prosjektet og personene som skapte det!

---

Pedagogikk

Vi har valgt to pedagogiske prinsipper under utviklingen av denne læreplanen: å sikre at den er praktisk prosjektbasert og at den inkluderer hyppige quizzer. I tillegg har denne læreplanen et felles tema for å gi den sammenheng.

Ved å sørge for at innholdet samsvarer med prosjekter, gjøres prosessen mer engasjerende for studentene og vil bedre bidra til at konseptene huskes. I tillegg setter en lavterskel quiz før timen intensjonen til studenten mot å lære et tema, mens en andre quiz etter timen sikrer videre lagring. Denne læreplanen er designet for å være fleksibel og morsom, og kan tas i sin helhet eller delvis. Prosjektene starter smått og blir gradvis mer komplekse mot slutten av 12-ukers syklusen. Læreplanen inkluderer også et etterord om virkelige anvendelser av maskinlæring, som kan brukes som ekstra poeng eller som grunnlag for diskusjon.

Finn våre Regler for god oppførsel, Bidrag, Oversettelse og Feilsøking retningslinjer. Vi setter pris på din konstruktive tilbakemelding!

Hver leksjon inkluderer

• valgfri skisse-illustrasjon
• valgfri tilleggsvideo
• videogjennomgang (kun noen leksjoner)
• oppvarmingsquiz før forelesning
• skriftlig leksjon
• for prosjektbaserte leksjoner, steg-for-steg guider på hvordan man bygger prosjektet
• kunnskapskontroller
• en utfordring
• tilleggstekster
• oppgave
• quiz etter forelesning

En notis om språk: Disse leksjonene er hovedsakelig skrevet i Python, men mange finnes også på R. For å fullføre en R-leksjon, gå til /solution-mappen og se etter R-leksjoner. De har en .rmd-utvidelse som representerer en R Markdown-fil, som enkelt kan defineres som en innbedding av kodebiter (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 en eksemplarisk forfatterramme for datafag siden det lar deg kombinere koden din, dens utdata og dine tanker ved at du kan skrive dem ned i Markdown. Videre kan R Markdown-dokumenter gjengis til utdataformater som PDF, HTML eller Word. En merknad om quizzer: Alle quizzer finnes i Quiz App folder, 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 lokal hosting eller distribusjon til Azure.

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	Introduksjon til maskinlæring	Introduction	Lær de grunnleggende konseptene bak maskinlæring	Lesson	Muhammad
02	Historien om maskinlæring	Introduction	Lær historien bak dette feltet	Lesson	Jen and Amy
03	Rettferdighet og maskinlæring	Introduction	Hva er de viktige filosofiske spørsmålene rundt rettferdighet som studenter bør vurdere når de bygger og bruker ML-modeller?	Lesson	Tomomi
04	Teknikker for maskinlæring	Introduction	Hvilke teknikker bruker ML-forskere for å bygge ML-modeller?	Lesson	Chris and Jen
05	Introduksjon til regresjon	Regression	Kom i gang med Python og Scikit-learn for regresjonsmodeller	Python • R	Jen • Eric Wanjau
06	Nord-amerikanske gresskarpriser 🎃	Regression	Visualiser og rens data i forberedelse til ML	Python • R	Jen • Eric Wanjau
07	Nord-amerikanske gresskarpriser 🎃	Regression	Bygg lineære og polynomiske regresjonsmodeller	Python • R	Jen and Dmitry • Eric Wanjau
08	Nord-amerikanske gresskarpriser 🎃	Regression	Bygg en logistisk regresjonsmodell	Python • R	Jen • Eric Wanjau
09	En webapp 🔌	Web App	Bygg en webapp for å bruke den trente modellen	Python	Jen
10	Introduksjon til klassifisering	Classification	Rens, forbered og visualiser data; introduksjon til klassifisering	Python • R	Jen and Cassie • Eric Wanjau
11	Deilige asiatiske og indiske retter 🍜	Classification	Introduksjon til klassifikatorer	Python • R	Jen and Cassie • Eric Wanjau
12	Deilige asiatiske og indiske retter 🍜	Classification	Flere klassifikatorer	Python • R	Jen and Cassie • Eric Wanjau
13	Deilige asiatiske og indiske retter 🍜	Classification	Bygg en anbefalings-webapp ved hjelp av modellen din	Python	Jen
14	Introduksjon til klynging	Clustering	Rens, forbered og visualiser data; introduksjon til klynging	Python • R	Jen • Eric Wanjau
15	Utforskning av nigerianske musikksmaker 🎧	Clustering	Utforsk K-Means klyngealgoritmen	Python • R	Jen • Eric Wanjau
16	Introduksjon til naturlig språkbehandling ☕️	Natural language processing	Lær det grunnleggende om NLP ved å bygge en enkel bot	Python	Stephen
17	Vanlige NLP-oppgaver ☕️	Natural language processing	Fordyp kunnskapen din om NLP ved å forstå vanlige oppgaver som kreves når man håndterer språkstrukturer	Python	Stephen
18	Oversettelse og sentimentanalyse ♥️	Natural language processing	Oversettelse og sentimentanalyse med Jane Austen	Python	Stephen
19	Romantiske hoteller i Europa ♥️	Natural language processing	Sentimentanalyse med hotellvurderinger 1	Python	Stephen
20	Romantiske hoteller i Europa ♥️	Natural language processing	Sentimentanalyse med hotellvurderinger 2	Python	Stephen
21	Introduksjon til tidsserieprognoser	Time series	Introduksjon til tidsserieprognoser	Python	Francesca
22	⚡️ Verdens strømforbruk ⚡️ - tidsserieprognoser med ARIMA	Time series	Tidsserieprognoser med ARIMA	Python	Francesca
23	⚡️ Verdens strømforbruk ⚡️ - tidsserieprognoser med SVR	Time series	Tidsserieprognoser med Support Vector Regressor	Python	Anirban
24	Introduksjon til forsterkningslæring	Reinforcement learning	Introduksjon til forsterkningslæring med Q-Learning	Python	Dmitry
25	Hjelp Peter å unngå ulven! 🐺	Reinforcement learning	Gym for forsterkningslæring	Python	Dmitry
Postscript	Virkelige ML-scenarier og anvendelser	ML in the Wild	Interessante og avslørende virkelige anvendelser av klassisk ML	Lesson	Team
Postscript	Feilsøking av modeller i ML ved bruk av RAI dashboard	ML in the Wild	Feilsøking av modeller i maskinlæring ved bruk av Responsible AI-dashboard komponenter	Lesson	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 av dette repoet. Nettstedet vil kjøre på port 3000 på din localhost: localhost:3000.

PDF-er

Finn en pdf av lærematerialet med lenker her.

🎒 Andre kurs

Vårt team produserer andre kurs! Sjekk ut:

LangChain

---

Azure / Edge / MCP / Agenter

---

Generative AI Series

---

Kjernelæring

---

Copilot-serien

Få hjelp

Hvis du setter deg 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 produktfeedback eller opplever feil under bygging, besøk:

---

Ansvarsfraskrivelse: Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten Co-op Translator. Selv om vi streber etter nøyaktighet, vær oppmerksom på at automatiske oversettelser kan inneholde feil eller unøyaktigheter. Det originale dokumentet på sitt opprinnelige språk skal 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.