30 KiB

Raw Blame History Unescape Escape

🌐 Stöd för flera språk

Stöds via GitHub Action (Automatiserad & Alltid Uppdaterad)

Föredrar du att klona lokalt?

Detta repository innehåller över 50 språköversättningar vilket avsevärt ökar nedladdningsstorleken. För att klona utan översättningar, använd sparsam utcheckning:
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'
Detta ger dig allt du behöver för att genomföra kursen med en mycket snabbare nedladdning.

Gå med i vår gemenskap

Vi har en pågående Discord-serie om att lära sig med AI, lär dig mer och gå med oss på Learn with AI Series från 18 till 30 september 2025. Du får tips och tricks för att använda GitHub Copilot för Data Science.

Maskininlärning för nybörjare - En kursplan

🌍 Res runt i världen medan vi utforskar maskininlärning med hjälp av världens kulturer 🌍

Cloud Advocates på Microsoft är glada att erbjuda en 12-veckors, 26-lektions kursplan som helt och hållet handlar om maskininlärning. I denna kursplan lär du dig det som ibland kallas klassisk maskininlärning, där vi främst använder Scikit-learn som bibliotek och undviker djupinlärning, som täcks i vår AI för nybörjare-kursplan. Kombinera gärna dessa lektioner med vår 'Data Science för nybörjare'-kursplan.

Res med oss runt om i världen när vi applicerar dessa klassiska tekniker på data från många delar av världen. Varje lektion innehåller quiz före och efter lektionen, skriftliga instruktioner för att slutföra lektionen, en lösning, en uppgift och mer. Vår projektbaserade pedagogik låter dig lära samtidigt som du bygger, vilket är ett beprövat sätt att nytt lärande verkligen fastnar.

✍️ Stort 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

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

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

Komma igång

Följ dessa steg:

Fork:a repositoryt: Klicka på "Fork"-knappen uppe i högra hörnet på denna sida.
Klona repositoryt: git clone https://github.com/microsoft/ML-For-Beginners.git

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

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

Studenter, för att använda denna kursplan, fork:a hela repo:t till ditt eget GitHub-konto och gör övningarna på egen hand eller i grupp:

Börja med ett quiz före lektionen.
Läs lektionen och gör aktiviteterna, pausa och reflektera vid varje kunskapskontroll.
Försök att skapa projekten genom att förstå lektionerna snarare än att bara köra lösningskoden; den koden finns dock tillgänglig i /solution-mapparna i varje projektorienterad lektion.
Gör quizet efter lektionen.
Slutför utmaningen.
Slutför uppgiften.
Efter att ha avslutat en lektion grupp, besök diskussionsforumet och "lär ut högt" genom att fylla i rätt PAT-rubrik. En 'PAT' är ett Progress Assessment Tool, ett bedömningsverktyg som 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 följa dessa Microsoft Learn moduler och lärandevägar.

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

Videogenomgångar

Vissa av lektionerna finns som korta videoklipp. Du kan hitta alla dessa i lektionernas text, eller på ML for Beginners spellistan 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 praktiskt projektbaserad och att den inkluderar freventa quiz. Dessutom har denna kursplan ett gemensamt tema för att ge en sammanhållning.

Genom att säkerställa att innehållet är kopplat till projekt blir processen mer engagerande för studenter och koncepten fastnar bättre. Dessutom sätter ett lågintensivt quiz före lektion en avsikt hos studenten att lära sig ett ämne, medan ett andra quiz efter lektionen säkerställer ytterligare retention. Denna kursplan är designad för att vara flexibel och rolig och kan genomföras helt eller delvis. Projekten börjar smått och blir successivt mer komplexa under den 12-veckorsperioden. Kursplanen innehåller även en efterskrift om verkliga tillämpningar av ML, som kan användas som extrapoäng eller som underlag för diskussion.

Hitta våra uppföranderegler, bidragsriktlinjer, översättningsriktlinjer och felsökningsriktlinjer. Vi välkomnar din konstruktiva feedback!

Varje lektion innehåller

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

En notis om språk: Dessa lektioner är huvudsakligen skrivna i Python, men många finns även tillgängliga i R. För att slutföra en R-lektion, gå till /solution-mappen och leta efter R-lektionerna. De har .rmd-extension som representerar en R Markdown-fil som enkelt kan definieras som en inbäddning av kodblock (av R eller andra språk) och en YAML-huvud (som styr hur utdata formateras, t.ex. PDF) i ett Markdown-dokument. Som sådan tjänar den som ett utmärkt ramverk för datavetenskap eftersom det låter dig kombinera din kod, dess output och dina tankar genom att skriva ner dem i Markdown. Dessutom kan R Markdown-dokument renderas till utdataformat som PDF, HTML eller Word. En notis om quiz: Alla quiz finns i Quiz App-mappen, med totalt 52 quiz, vardera med tre frågor. De länkas från lektionerna men quiz-appen kan köras lokalt; följ instruktionerna i quiz-app-mappen för att hosta lokalt eller distribuera till Azure.

Lektionnummer	Ämne	Lektion Grupp	Lärandemål	Länkad lektion	Författare
01	Introduktion till maskininlärning	Introduktion	Lär dig grundläggande begrepp inom maskininlärning	Lektion	Muhammad
02	Maskininlärningens historia	Introduktion	Lär dig historiken bakom detta område	Lektion	Jen och Amy
03	Rättvisa och maskininlärning	Introduktion	Vilka viktiga filosofiska frågor kring rättvisa bör studenter överväga vid skapande och tillämpning av 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	Pumpinkurser i Nordamerika 🎃	Regression	Visualisera och rengör data inför ML	Python • R	Jen • Eric Wanjau
07	Pumpinkurser i Nordamerika 🎃	Regression	Bygg linjära och polynomiska regressionsmodeller	Python • R	Jen och Dmitry • Eric Wanjau
08	Pumpinkurser i Nordamerika 🎃	Regression	Bygg en logistisk regressionsmodell	Python • R	Jen • Eric Wanjau
09	En webapp 🔌	Web App	Bygg en webbapp för att använda din tränade modell	Python	Jen
10	Introduktion till klassificering	Classification	Rengör, förbered och visualisera din data; introduktion till klassificering	Python • R	Jen och Cassie • Eric Wanjau
11	Utsökta asiatiska och indiska kök 🍜	Classification	Introduktion till klassificerare	Python • R	Jen och Cassie • Eric Wanjau
12	Utsökta asiatiska och indiska kök 🍜	Classification	Fler klassificerare	Python • R	Jen och Cassie • Eric Wanjau
13	Utsökta asiatiska och indiska kök 🍜	Classification	Bygg en rekommenderande webbapp med din modell	Python	Jen
14	Introduktion till klustring	Clustering	Rengör, förbered och visualisera din data; introduktion till klustring	Python • R	Jen • Eric Wanjau
15	Utforska nigerianska musiksmak 🎧	Clustering	Utforska K-Means klustringsmetod	Python • R	Jen • Eric Wanjau
16	Introduktion till naturlig språkbehandling ☕️	Natural language processing	Lär dig grunderna i NLP genom att bygga en enkel bot	Python	Stephen
17	Vanliga NLP-uppgifter ☕️	Natural language processing	Fördjupa din NLP-kunskap genom att förstå vanliga uppgifter vid arbete med språkstrukturer	Python	Stephen
18	Översättning och känsloanalys ♥️	Natural language processing	Översättning och känsloanalys med Jane Austen	Python	Stephen
19	Romantiska hotell i Europa ♥️	Natural language processing	Känsloanalys av hotellrecensioner 1	Python	Stephen
20	Romantiska hotell i Europa ♥️	Natural language processing	Känsloanalys av hotellrecensioner 2	Python	Stephen
21	Introduktion till tidsserieprognoser	Time series	Introduktion till tidsserieprognoser	Python	Francesca
22	⚡️ Världens energianvändning ⚡️ - tidsserieprognoser med ARIMA	Time series	Tidsserieprognoser med ARIMA	Python	Francesca
23	⚡️ Världens energianvändning ⚡️ - tidsserieprognoser med SVR	Time series	Tidsserieprognoser med Support Vector Regressor	Python	Anirban
24	Introduktion till förstärkningsinlärning	Reinforcement learning	Introduktion till förstärkningsinlärning med Q-Learning	Python	Dmitry
25	Hjälp Peter att undvika vargen! 🐺	Reinforcement learning	Förstärkningsinlärning Gym	Python	Dmitry
Efterord	Maskininlärning i verkliga scenarier och tillämpningar	ML in the Wild	Intressanta och avslöjande verkliga tillämpningar av klassisk ML	Lektion	Team
Efterord	Modellfelsökning i ML med RAI-dashboard	ML in the Wild	Modellfelsökning i maskininlärning med Responsible AI-dashboard-komponenter	Lektion	Ruth Yakubu

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

Offline-tillgång

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

PDF:er

Hitta en pdf av kursplanen med länkar här.

🎒 Andra kurser

Vårt team producerar andra kurser! Kolla in:

LangChain

Azure / Edge / MCP / Agenter

Generativ AI Serie

Kärnlärande

Copilot-serie

Få hjälp

Om du fastnar eller har några frågor om att bygga AI-appar. Gå med i diskussioner med andra lärande och erfarna utvecklare om MCP. Det är en stödjande gemenskap där frågor är välkomna och kunskap delas fritt.

Om du har produktfeedback eller upplever fel vid utveckling, besök:

Ansvarsfriskrivning: Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator. Även om vi strävar efter noggrannhet, var vänlig observera att automatiska översättningar kan innehålla fel eller brister. Det ursprungliga dokumentet på dess ursprungliga språk ska betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för några missförstånd eller feltolkningar som uppstår till följd av användningen av denna översättning.

30 KiB Raw Blame History Unescape Escape