ML-For-Beginners/translations/da

🌐 Support på flere sprog

Understøttet via GitHub Action (Automatiseret & 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

Foretrækker du at klone lokalt?

Dette repository inkluderer 50+ sprogoversættelser, som betydeligt øger downloadstørrelsen. For at klone uden oversættelser, brug 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 giver dig alt, hvad du behøver for at fuldføre kurset med en meget hurtigere download.

Deltag i vores fællesskab

Vi har en Discord-lær med AI-serie i gang, lær 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.

Machine Learning for Beginners - Et undervisningsforløb

🌍 Rejs jorden rundt, mens vi udforsker maskinlæring gennem verdens kulturer 🌍

Cloud Advocates hos Microsoft er glade for at kunne tilbyde et 12-ugers, 26-lektioners undervisningsforløb, der handler om Maskinlæring. I dette undervisningsforløb lærer du om det, der nogle gange kaldes klassisk maskinlæring, hvor vi primært bruger Scikit-learn som bibliotek og undgår deep learning, som dækkes i vores AI for Beginners' undervisningsforløb. Kombiner disse lektioner med vores 'Data Science for Beginners' undervisningsforløb!

Rejs med os verden rundt, mens vi anvender disse klassiske teknikker på data fra mange områder af verden. Hver lektion inkluderer quiz 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, mens du bygger, hvilket er en dokumenteret måde at få nye færdigheder til at 'sætte sig'.

✍️ Hjertelig 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:

1. Fork Repositoryet: Klik på "Fork" knappen 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? Tjek vores Fejlfinding Guide for løsninger på almindelige problemer med installation, opsætning og afvikling af lektioner.

Studerende, for at bruge dette undervisningsforløb, forker du hele repoet til din egen GitHub-konto og gennemfører øvelserne på egen hånd eller i gruppe:

• Start med en quiz før lektionen.
• Læs lektionen og gennemfør aktiviteterne, stop op og reflekter ved hvert videnscheck.
• Prøv at lave projekterne ved at forstå lektionerne i stedet for blot at afvikle løsningskoden; dog er det koden tilgængelig i /solution mapperne i hver projektorienteret lektion.
• Tag quizzen efter lektionen.
• Gennemfør udfordringen.
• Gennemfør opgaven.
• Efter at have fuldført en lektion gruppe, besøg Diskussionsforum og "lær højt" ved at udfylde den relevante PAT- rubric. En 'PAT' er et Progress Assessment Tool — et rubric du udfylder for at fremme din læring. Du kan også reagere på andre PAT'er, så vi kan lære sammen.

Til yderligere studie anbefaler vi at følge disse Microsoft Learn moduler og læringsstier.

Lærere, vi har inkluderet nogle forslag til, hvordan du bruger dette undervisningsforløb.

---

Videovejledninger

Nogle af lektionerne findes som kort form video. Du kan finde alle disse indlejret i lektionerne eller på ML for Beginners playliste 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 bygger dette undervisningsforløb: at sikre, at det er praktisk projektbaseret og at det indeholder hyppige quizzer. Derudover har dette undervisningsforløb et fælles tema for at give sammenhæng.

Ved at sikre at indholdet er tilpasset projekter, bliver processen mere engagerende for eleverne, og fastholdelse af koncepter vil blive forøget. Derudover sætter en lavrisiko-quiz før en klasse elevens intention om at lære et emne, mens en anden quiz efter klassen sikrer yderligere fastholdelse. Dette undervisningsforløb er designet til at være fleksibelt og sjovt og kan tages i sin helhed eller delvist. Projekterne starter små og bliver gradvist mere komplekse frem mod slutningen af 12-ugers perioden. Der er desuden en postscript om virkelige anvendelser af ML, som kan bruges som ekstra point eller som diskussionsgrundlag.

Find vores Adfærdskodeks, Bidrag, Oversættelse, og Fejlfinding retningslinjer. Vi byder konstruktiv feedback velkommen!

Hver lektion inkluderer

• valgfri skitsenote
• valgfri supplerende video
• video gennemgang (kun nogle lektioner)
• varme op quiz før lektionen
• skriftlig lektion
• for projektbaserede lektioner, trin for trin guides til at bygge projektet
• videnscheck
• en udfordring
• supplerende læsning
• opgave
• quiz efter lektionen

Et notat 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 find R-lektionerne. De inkluderer en .rmd extension, som repræsenterer en R Markdown-fil, som kan defineres som en integration af kodeblokke (af R eller andre sprog) og en YAML header (der guider, hvordan man formaterer output som PDF) i et Markdown dokument. Som sådan fungerer den som en eksemplarisk forfatterstruktur for datavidenskab, da den lader dig kombinere din kode, dens output og dine tanker ved at skrive dem ned i Markdown. Derudover kan R Markdown dokumenter outputtes til formater som PDF, HTML eller Word. En note om quizzer: Alle quizzer findes i Quiz App-mappen, 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 deployere til Azure.

Lektion Nummer	Emne	Lektion Gruppere	Læringsmål	Linket Lektion	Forfatter
01	Introduktion til maskinlæring	Introduktion	Lær de grundlæggende begreber bag maskinlæring	Lektion	Muhammad
02	Maskinlæringens historie	Introduktion	Lær historien bag dette felt	Lektion	Jen og Amy
03	Retfærdighed og maskinlæring	Introduktion	Hvad er de vigtige filosofiske spørgsmål om retfærdighed, som studerende bør overveje ved opbygning og anvendelse af 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 rengør data som forberedelse til ML	Python • R	Jen • Eric Wanjau
07	Nordamerikanske græskarpriser 🎃	Regression	Byg lineære og polynomielle 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 klassificering	Klassificering	Rengør, forbered og visualiser dine data; introduktion til klassificering	Python • R	Jen og Cassie • Eric Wanjau
11	Lækre asiatiske og indiske køkkener 🍜	Klassificering	Introduktion til klassificerere	Python • R	Jen og Cassie • Eric Wanjau
12	Lækre asiatiske og indiske køkkener 🍜	Klassificering	Flere klassificerere	Python • R	Jen og Cassie • Eric Wanjau
13	Lækre asiatiske og indiske køkkener 🍜	Klassificering	Byg en recommender-webapp ved hjælp af din model	Python	Jen
14	Introduktion til clustering	Clustering	Rengør, 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 ☕️	Natural language processing	Lær det grundlæggende om NLP ved at bygge en simpel bot	Python	Stephen
17	Almindelige NLP-opgaver ☕️	Natural language processing	Uddyb din NLP-viden ved at forstå almindelige opgaver, der kræves ved arbejde med sproglige strukturer	Python	Stephen
18	Oversættelse og sentimentanalyse ♥️	Natural language processing	Oversættelse og sentimentanalyse med Jane Austen	Python	Stephen
19	Romantiske hoteller i Europa ♥️	Natural language processing	Sentimentanalyse med hotelanmeldelser 1	Python	Stephen
20	Romantiske hoteller i Europa ♥️	Natural language processing	Sentimentanalyse med hotelanmeldelser 2	Python	Stephen
21	Introduktion til tidsserieforudsigelser	Tidsserie	Introduktion til tidsserieforudsigelser	Python	Francesca
22	⚡️ Verdens strømforbrug ⚡️ - tidsserieforudsigelser med ARIMA	Tidsserie	Tidsserieforudsigelser med ARIMA	Python	Francesca
23	⚡️ Verdens strømforbrug ⚡️ - tidsserieforudsigelser med SVR	Tidsserie	Tidsserieforudsigelser med Support Vector Regressor	Python	Anirban
24	Introduktion til forstærkningslæring	Forstærkningslæring	Introduktion til forstærkningslæring med Q-Læring	Python	Dmitry
25	Hjælp Peter med at undgå ulven! 🐺	Forstærkningslæring	Forstærkningslæring Gym	Python	Dmitry
Efterskrift	Virkelige ML-scenarier og anvendelser	ML i virkeligheden	Interessante og afslørende virkelige anvendelser af klassisk ML	Lektion	Team
Efterskrift	Model Debugging i ML ved brug af RAI dashboard	ML i virkeligheden	Model Debugging 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, installér Docsify på din lokale maskine, og skriv derefter i rodmappen af dette repo docsify serve. Websitet 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 ud:

LangChain

Azure / Edge / MCP / Agenter

---

Generativ AI-serie

---

Kerneindlæring

---

Copilot-serie

Få hjælp

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

Hvis du har produktfeedback eller fejl under udvikling, besøg:

---

Ansvarsfraskrivelse: Dette dokument er oversat ved hjælp af AI-oversættelsestjenesten Co-op Translator. Selvom vi stræber efter nøjagtighed, bedes du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det oprindelige dokument på dets modersmål betragtes som den autoritative kilde. For kritiske oplysninger anbefales professionel menneskelig oversættelse. Vi påtager os intet ansvar for misforståelser eller fejltolkninger, der måtte opstå som følge af brugen af denne oversættelse.