ML-For-Beginners/translations/da

🌐 Understøttelse af flere sprog

Understøttet via GitHub Action (Automatiseret & altid opdateret)

Arabisk | Bengalsk | Bulgarsk | Burmesisk (Myanmar) | Kinesisk (forenklet) | Kinesisk (traditionelt, Hongkong) | Kinesisk (traditionelt, Macau) | Kinesisk (traditionelt, Taiwan) | Kroatisk | Tjekkisk | Dansk | Hollandsk | Estisk | Finsk | Fransk | Tysk | Græsk | Hebraisk | Hindi | Ungarsk | Indonesisk | Italiensk | Japansk | Kannada | Koreansk | Litauisk | Malaysisk | Malayalam | Marathi | Nepalesisk | Nigeriansk Pidgin | Norsk | Persisk (Farsi) | Polsk | Portugisisk (Brasilien) | Portugisisk (Portugal) | Punjabi (Gurmukhi) | Rumænsk | Russisk | Serbisk (kyrillisk) | Slovakisk | Slovensk | Spansk | Swahili | Svensk | Tagalog (filippinsk) | Tamil | Telugu | Thai | Tyrkisk | Ukrainsk | Urdu | Vietnamesisk

Deltag i vores fællesskab

Vi har en Discord "Learn with AI"-serie i gang — læs mere og deltag på Learn with AI Series fra 18. - 30. september 2025. Du får tips og tricks til at bruge GitHub Copilot til Data Science.

Maskinlæring for begyndere - Et pensum

🌍 Rejs rundt i verden, mens vi udforsker maskinlæring gennem verdens kulturer 🌍

Cloud Advocates hos Microsoft er glade for at tilbyde et 12-ugers, 26-lektions pensum, som handler om Maskinlæring. I dette pensum vil du lære 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' pensum. Kombiner disse lektioner med vores 'Data Science for Beginners' pensum også!

Rejs med os rundt i verden, mens vi anvender disse klassiske teknikker på data fra mange områder af verden. Hver lektion inkluderer for- og efter-quizzer, skriftlige instruktioner til at gennemføre lektionen, en løsning, en opgave og mere. Vores projektbaserede pædagogik giver dig mulighed for at lære ved at bygge, en gennemprøvet metode til at gøre nye færdigheder 'blivende'.

✍️ Mange 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

🙏 Særskilt tak 🙏 til vores Microsoft Student Ambassador-forfattere, -anmeldere og indholdsbidragsydere, navnlig 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 ekstra ressourcer til dette kursus i vores Microsoft Learn-samling

🔧 Brug for hjælp? Tjek vores Fejlfindingsguide for løsninger på almindelige problemer med installation, opsætning og kørsel af lektioner.

Studerende, for at bruge dette pensum, fork hele repoet til din egen GitHub-konto og gennemfør øvelserne på egen hånd eller i en gruppe:

• Start med en for-forelæsning-quiz.
• Læs forelæsningen og gennemfør aktiviteterne, stop op og reflekter ved hver knowledge check.
• Forsøg at skabe projekterne ved at forstå lektionerne frem for at køre løsningskoden; den kode er dog tilgængelig i /solution-mapperne i hver projektorienteret lektion.
• Tag efter-forelæsning-quizzen.
• Gennemfør udfordringen.
• Gennemfør opgaven.
• Efter at have gennemført en lektiongruppe, besøg Diskussionsforumet og "learn out loud" ved at udfylde den relevante PAT-rubrik. En 'PAT' er et Progress Assessment Tool, en rubrik du udfylder for at fremme din læring. Du kan også reagere på andres PAT'er, så vi kan lære sammen.

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

Lærere, vi har inkluderet nogle forslag til, hvordan I kan bruge dette pensum.

---

Videogennemgange

Nogle af lektionerne findes som korte videoer. Du kan finde dem indlejret i lektionerne eller på ML for Beginners-playlisten på Microsoft Developer YouTube-kanalen ved at klikke på billedet nedenfor.

---

Mød holdet

Gif af Mohit Jaisal

🎥 Klik på billedet ovenfor for en video om projektet og folkene, der skabte det!

---

Pædagogik

Vi har valgt to pædagogiske principper under opbygningen af dette pensum: at sikre, at det er praktisk og projektbaseret, og at det indeholder hyppige quizzer. Desuden har dette pensum et fælles tema for at give det sammenhæng.

Ved at sikre, at indholdet er tilknyttet projekter, bliver processen mere engagerende for studerende, og fastholdelsen af begreber vil blive forstærket. Derudover sætter en lavrisiko-quiz før en lektion studentens intention mod at lære et emne, mens en anden quiz efter lektionen sikrer yderligere fastholdelse. Dette pensum er designet til at være fleksibelt og sjovt og kan tages i sin helhed eller delvist. Projekterne starter småt og bliver gradvist mere komplekse ved slutningen af den 12-ugers cyklus. Dette pensum inkluderer også et efterskrift om virkelige anvendelser af ML, som kan bruges som ekstra kredit eller som grundlag for diskussion.

Find vores Adfærdskodeks, Contributing, Translation og Fejlfinding retningslinjer. Vi byder velkommen til din konstruktive feedback!

Hver lektion indeholder

• valgfri sketchnote
• valgfri supplerende video
• videogenvej (kun nogle lektioner)
• for-forelæsning warmup-quiz
• skriftlig lektion
• for projektbaserede lektioner, trin-for-trin vejledninger til, hvordan man bygger projektet
• knowledge checks
• en udfordring
• supplerende læsning
• opgave
• efter-forelæsning-quiz

En note 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 kig efter R-lektioner. De inkluderer en .rmd-udvidelse, som repræsenterer en R Markdown-fil, der kan defineres som en indlejring af code chunks (af R eller andre sprog) og en YAML header (der styrer, hvordan output formateres, såsom PDF) i et Markdown document. Som sådan fungerer det som en fremragende forfatterplatform for dataforskning, da det giver dig mulighed for at kombinere din kode, dens output og dine tanker ved at skrive dem ned i Markdown. Desuden kan R Markdown-dokumenter gengives til outputformater som PDF, HTML eller Word.

En note om quizzer: Alle quizzer er indeholdt i Quiz App folder, 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 implementere til Azure.

Lektionsnummer	Emne	Lektionsgruppe	Læringsmål	Linket lektion	Forfatter
01	Introduktion til maskinlæring	Introduction	Lær de grundlæggende begreber bag maskinlæring	Lektion	Muhammad
02	Maskinlæringens historie	Introduction	Lær historien bag dette felt	Lektion	Jen og Amy
03	Retfærdighed og maskinlæring	Introduction	Hvad er de vigtige filosofiske spørgsmål omkring retfærdighed, som studerende bør overveje, når de bygger og anvender ML-modeller?	Lektion	Tomomi
04	Teknikker til maskinlæring	Introduction	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	Priser på græskar i Nordamerika 🎃	Regression	Visualiser og rengør data som forberedelse til ML	Python • R	Jen • Eric Wanjau
07	Priser på græskar i Nordamerika 🎃	Regression	Byg lineære og polynomielle regressionsmodeller	Python • R	Jen og Dmitry • Eric Wanjau
08	Priser på græskar i Nordamerika 🎃	Regression	Byg en logistisk regressionsmodel	Python • R	Jen • Eric Wanjau
09	En webapp 🔌	Web App	Byg en webapp til at bruge din trænede model	Python	Jen
10	Introduktion til klassifikation	Classification	Rens, forbered og visualiser dine data; introduktion til klassifikation	Python • R	Jen og Cassie • Eric Wanjau
11	Lækre asiatiske og indiske køkkener 🍜	Classification	Introduktion til klassifikatorer	Python • R	Jen og Cassie • Eric Wanjau
12	Lækre asiatiske og indiske køkkener 🍜	Classification	Flere klassifikatorer	Python • R	Jen og Cassie • Eric Wanjau
13	Lækre asiatiske og indiske køkkener 🍜	Classification	Byg en anbefalingswebapp ved hjælp af din model	Python	Jen
14	Introduktion til klyngedannelse	Clustering	Rens, forbered og visualiser dine data; introduktion til klyngedannelse	Python • R	Jen • Eric Wanjau
15	Udforsk nigerianske musiksmag 🎧	Clustering	Udforsk K-Means-klyngemetoden	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, når man arbejder med sprogstrukturer	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 tidsserieprognoser	Time series	Introduktion til tidsserieprognoser	Python	Francesca
22	⚡️ Verdens strømforbrug ⚡️ - tidsserieprognoser med ARIMA	Time series	Tidsserieprognoser med ARIMA	Python	Francesca
23	⚡️ Verdens strømforbrug ⚡️ - tidsserieprognoser med SVR	Time series	Tidsserieprognoser med Support Vector Regressor	Python	Anirban
24	Introduktion til forstærkningslæring	Reinforcement learning	Introduktion til forstærkningslæring med Q-Learning	Python	Dmitry
25	Hjælp Peter med at undgå ulven! 🐺	Reinforcement learning	Forstærkningslæring Gym	Python	Dmitry
Efterskrift	Virkelige ML-scenarier og anvendelser	ML in the Wild	Interessante og afslørende virkelige anvendelser af klassisk ML	Lektion	Hold
Efterskrift	Modeldebugging i ML ved hjælp af RAI-dashboard	ML in the Wild	Modeldebugging i maskinlæring ved hjælp af Responsible AI-dashboardkomponenter	Lektion	Ruth Yakubu

find alle yderligere ressourcer til dette kursus i vores Microsoft Learn-samling

Offlineadgang

Du kan køre denne dokumentation offline ved at bruge Docsify. Lav en fork af dette repo, installér Docsify på din lokale maskine, og så i rodmappen af dette repo, skriv 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

---

Generative AI Series

---

Kerneindhold

---

Copilot-serien

Få hjælp

Hvis du sidder fast eller har spørgsmål om at bygge AI-apps. Deltag sammen med andre lærende 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 oplever fejl under udviklingen, besøg:

---

Ansvarsfraskrivelse: Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten Co-op Translator (https://github.com/Azure/co-op-translator). Selvom vi bestræber os på nøjagtighed, bedes du være opmærksom på, at automatiske oversættelser kan indeholde fejl eller unøjagtigheder. Det oprindelige dokument på originalsproget bør betragtes som den autoritative kilde. For kritiske oplysninger anbefales professionel menneskelig oversættelse. Vi er ikke ansvarlige for eventuelle misforståelser eller fejltolkninger, der måtte opstå som følge af brugen af denne oversættelse.