ML-For-Beginners/translations/sv

🌐 Stöd för flera språk

Stöds via GitHub Action (Automatiserat & Alltid uppdaterat)

Arabiska | Bengaliska | Bulgariska | Burmesiska (Myanmar) | Kinesiska (förenklad) | Kinesiska (traditionell, Hong Kong) | Kinesiska (traditionell, Macau) | Kinesiska (traditionell, Taiwan) | Kroatiska | Tjeckiska | Danska | Nederländska | Estniska | Finska | Franska | Tyska | Grekiska | Hebreiska | Hindi | Ungerska | Indonesiska | Italienska | Japanska | Kannada | Koreanska | Litauiska | Malajiska | Malayalam | Marathi | Nepalesiska | Nigeriansk Pidgin | Norska | Persiska (Farsi) | Polska | Portugisiska (Brasilien) | Portugisiska (Portugal) | Punjabi (Gurmukhi) | Rumänska | Ryska | Serbiska (kyrilliska) | Slovakiska | Slovenska | Spanska | Swahili | Svenska | Tagalog (filippinska) | Tamil | Telugu | Thailändska | Turkiska | Ukrainska | Urdu | Vietnamesiska

Gå med i vår community

Vi har en pågående Discord-serie Learn with AI — läs mer och gå med oss på Learn with AI Series mellan 18–30 september 2025. Du får tips och knep för att använda GitHub Copilot för Data Science.

Maskininlärning för nybörjare - En kursplan

🌍 Res runt om i världen medan vi utforskar maskininlärning genom världskulturer 🌍

Cloud Advocates på Microsoft är glada att erbjuda en 12-veckors, 26-lektioners kursplan som handlar om maskininlärning. I denna kurs lär du dig det som ibland kallas klassisk maskininlärning, med huvudsakligt fokus på biblioteket Scikit-learn och utan djupinlärning, som täcks i vår AI for Beginners' curriculum. Kombinera dessa lektioner med vår 'Data Science for Beginners' curriculum också!

Res med oss runt om i världen när vi tillämpar dessa klassiska tekniker på data från många delar av världen. Varje lektion inkluderar quiz före och efter lektionen, skriftliga instruktioner för att slutföra lektionen, en lösning, en uppgift och mer. Vår projektbaserade pedagogik låter dig lära medan du bygger, ett beprövat sätt för nya färdigheter att "fästa".

✍️ Ett varmt tack till våra författare Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu och Amy Boyd

🎨 Tack även till våra illustratörer Tomomi Imura, Dasani Madipalli och Jen Looper

🙏 Särskilt tack 🙏 till våra Microsoft Student Ambassador-författare, granskare och innehållsbidragare, särskilt Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila och Snigdha Agarwal

🤩 Extra tacksamhet till Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi och Vidushi Gupta för våra R-lektioner!

Komma igång

Följ dessa steg:

1. Gör en fork av arkivet: Klicka på knappen "Fork" uppe i högra hörnet på denna sida.
2. Klona arkivet: git clone https://github.com/microsoft/ML-For-Beginners.git

hitta alla ytterligare resurser för den här kursen i vår Microsoft Learn-samling

🔧 Behöver du hjälp? Kolla vår Felsökningsguide för lösningar på vanliga problem med installation, uppsättning och körning av lektioner.

Studenter, för att använda denna kursplan, forka hela repo till ditt eget GitHub-konto och slutför övningarna på egen hand eller i en grupp:

• Börja med ett förföreläsnings-uppvärmningsquiz.
• Läs föreläsningen och slutför aktiviteterna, pausa och reflektera vid varje kunskapskontroll.
• Försök att skapa projekten genom att förstå lektionerna snarare än att köra lösningskoden; den koden finns dock tillgänglig i /solution-mapparna i varje projektorienterad lektion.
• Ta quizet efter föreläsningen.
• Slutför utmaningen.
• Slutför uppgiften.
• Efter att ha slutfört en lektionsgrupp, besök Diskussionsforumet och "learn out loud" genom att fylla i lämpligt PAT-rubrik. En 'PAT' är ett Progress Assessment Tool som är en bedömningsrubrik du fyller i för att främja ditt lärande. Du kan också reagera på andra PATs så att vi kan lära oss tillsammans.

För vidare studier rekommenderar vi att du följer dessa Microsoft Learn moduler och lärvägar.

Lärare, vi har inkluderat några förslag om hur man använder denna kursplan.

---

Videogenomgångar

Vissa av lektionerna finns som korta videor. Du kan hitta alla dessa i lektionerna, eller på ML for Beginners-playlistan på Microsoft Developer YouTube-kanalen genom att klicka på bilden nedan.

---

Möt teamet

Gif av Mohit Jaisal

🎥 Klicka på bilden ovan för en video om projektet och personerna som skapade det!

---

Pedagogik

Vi har valt två pedagogiska principer när vi byggde denna kursplan: att säkerställa att den är praktisk och projektbaserad samt att den innehåller frekventa quiz. Dessutom har denna kurs en gemensam tematik för att ge den sammanhang.

Genom att säkerställa att innehållet är kopplat till projekt blir processen mer engagerande för studenterna och retentionen av koncept kommer att ökas. Dessutom sätter ett låginsatsquiz före en lektion studentens intention mot att lära sig ett ämne, medan ett andra quiz efter lektionen säkerställer ytterligare retention. Denna kurs är utformad för att vara flexibel och rolig och kan tas i sin helhet eller delvis. Projekten börjar små och blir successivt mer komplexa i slutet av den 12-veckorscykeln. Denna kurs innehåller också ett efterskrift om verkliga tillämpningar av ML, som kan användas som extra poäng eller som grund för diskussion.

Hitta vår Uppförandekod, Bidrag, Översättning och Felsökning riktlinjer. Vi välkomnar din konstruktiva feedback!

Varje lektion inkluderar

• valfri sketchnote
• valfri kompletterande video
• videogenomgång (endast vissa lektioner)
• uppvärmningsquiz före lektionen
• skriftlig lektion
• för projektbaserade lektioner, steg-för-steg-guider för hur man bygger projektet
• kunskapskontroller
• en utmaning
• kompletterande läsning
• uppgift
• quiz efter lektionen

En notering om språk: Dessa lektioner är huvudsakligen skrivna i Python, men många finns också tillgängliga i R. För att genomföra en R-lektion, gå till mappen /solution och leta efter R-lektioner. De inkluderar en .rmd-ändelse som representerar en R Markdown-fil som enkelt kan definieras som en inbäddning av code chunks (av R eller andra språk) och en YAML header (som styr hur man formaterar utdata såsom PDF) i ett Markdown document. Som sådan fungerar det som en exemplariskt författarramverk för data science eftersom det låter dig kombinera din kod, dess utdata och dina tankar genom att skriva ner dem i Markdown. Dessutom kan R Markdown-dokument renderas till utdataformat såsom PDF, HTML eller Word.

En notering om quiz: Alla quiz finns i Quiz App-mappen, totalt 52 quiz med tre frågor vardera. De länkas från lektionerna men quiz-appen kan köras lokalt; följ instruktionerna i quiz-app-mappen för att köra lokalt eller distribuera till Azure.

Lektionsnummer	Ämne	Lektionsgrupp	Lärandemål	Länkad lektion	Författare
01	Introduktion till maskininlärning	Introduktion	Lär dig de grundläggande koncepten bakom maskininlärning	Lektion	Muhammad
02	Maskininlärningens historia	Introduktion	Lär dig historien bakom detta område	Lektion	Jen och Amy
03	Rättvisa och maskininlärning	Introduktion	Vilka är de viktiga filosofiska frågorna kring rättvisa som studenter bör överväga när de bygger och tillämpar ML-modeller?	Lektion	Tomomi
04	Tekniker för maskininlärning	Introduktion	Vilka tekniker använder ML-forskare för att bygga ML-modeller?	Lektion	Chris och Jen
05	Introduktion till regression	Regression	Kom igång med Python och Scikit-learn för regressionsmodeller	Python • R	Jen • Eric Wanjau
06	Priser för pumpor i Nordamerika 🎃	Regression	Visualisera och rensa data som förberedelse för ML	Python • R	Jen • Eric Wanjau
07	Priser för pumpor i Nordamerika 🎃	Regression	Bygg linjära och polynomiska regressionsmodeller	Python • R	Jen och Dmitry • Eric Wanjau
08	Priser för pumpor i Nordamerika 🎃	Regression	Bygg en logistisk regressionsmodell	Python • R	Jen • Eric Wanjau
09	En webbapp 🔌	Webbapp	Bygg en webbapp för att använda din tränade modell	Python	Jen
10	Introduktion till klassificering	Klassificering	Rensa, förbered och visualisera dina data; introduktion till klassificering	Python • R	Jen och Cassie • Eric Wanjau
11	Läckra asiatiska och indiska rätter 🍜	Klassificering	Introduktion till klassificerare	Python • R	Jen och Cassie • Eric Wanjau
12	Läckra asiatiska och indiska rätter 🍜	Klassificering	Fler klassificerare	Python • R	Jen och Cassie • Eric Wanjau
13	Läckra asiatiska och indiska rätter 🍜	Klassificering	Bygg en rekommendationswebbapp med din modell	Python	Jen
14	Introduktion till klustring	Klustring	Rensa, förbered och visualisera dina data; introduktion till klustring	Python • R	Jen • Eric Wanjau
15	Utforska nigerianska musiksmaker 🎧	Klustring	Utforska K-Means klustringsmetoden	Python • R	Jen • Eric Wanjau
16	Introduktion till naturlig språkbehandling (NLP) ☕️	Naturlig språkbehandling	Lär dig grunderna i NLP genom att bygga en enkel bot	Python	Stephen
17	Vanliga NLP-uppgifter ☕️	Naturlig språkbehandling	Fördjupa din NLP-kunskap genom att förstå vanliga uppgifter som krävs när man arbetar med språkstrukturer	Python	Stephen
18	Översättning och sentimentanalys ♥️	Naturlig språkbehandling	Översättning och sentimentanalys med Jane Austen	Python	Stephen
19	Romantiska hotell i Europa ♥️	Naturlig språkbehandling	Sentimentanalys med hotellrecensioner 1	Python	Stephen
20	Romantiska hotell i Europa ♥️	Naturlig språkbehandling	Sentimentanalys med hotellrecensioner 2	Python	Stephen
21	Introduktion till tidsserieprognoser	Tidsserie	Introduktion till tidsserieprognoser	Python	Francesca
22	⚡️ Världens elförbrukning ⚡️ - tidsserieprognoser med ARIMA	Tidsserie	Tidsserieprognoser med ARIMA	Python	Francesca
23	⚡️ Världens elförbrukning ⚡️ - tidsserieprognoser med SVR	Tidsserie	Tidsserieprognoser med Support Vector Regressor	Python	Anirban
24	Introduktion till förstärkningsinlärning	Förstärkningsinlärning	Introduktion till förstärkningsinlärning med Q-Learning	Python	Dmitry
25	Hjälp Peter att undvika vargen! 🐺	Förstärkningsinlärning	Gym för förstärkningsinlärning	Python	Dmitry
Postscript	Verkliga ML-scenarier och tillämpningar	ML i det vilda	Intressanta och avslöjande verkliga tillämpningar av klassisk ML	Lektion	Team
Postscript	Modellfelsökning i ML med RAI-instrumentpanelen	ML i det vilda	Modellfelsökning i maskininlärning med komponenter från Responsible AI-instrumentpanelen	Lektion	Ruth Yakubu

hitta alla ytterligare resurser för denna kurs i vår Microsoft Learn-samling

Offlineåtkomst

Du kan köra denna dokumentation offline med Docsify. Forka detta repo, installera Docsify på din lokala dator, och sedan i rotmappen av detta repo, skriv docsify serve. Webbplatsen kommer att köras på port 3000 på din lokalvärd: localhost:3000.

PDF-filer

Hitta en PDF av kursplanen med länkar här.

🎒 Andra kurser

Vårt team producerar andra kurser! Kolla in:

LangChain

---

Azure / Edge / MCP / Agenter

---

Generativa AI-serier

---

Kärnkurser

---

Copilot-serien

Få hjälp

If you get stuck or have any questions about building AI apps. Join fellow learners and experienced developers in discussions about MCP. It's a supportive community where questions are welcome and knowledge is shared freely.

If you have product feedback or errors while building visit:

---

Ansvarsfriskrivning: Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator. Även om vi strävar efter noggrannhet bör du vara medveten om att automatiska översättningar kan innehålla fel eller brister. Det ursprungliga dokumentet på sitt ursprungliga språk ska betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som uppstår genom användning av denna översättning.