25 KiB
🌐 Understøttelse af flere sprog
Understøttet via GitHub Action (Automatisk & Altid Opdateret)
French | Spanish | German | Russian | Arabic | Persian (Farsi) | Urdu | Chinese (Simplified) | Chinese (Traditional, Macau) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Taiwan) | Japanese | Korean | Hindi | Bengali | Marathi | Nepali | Punjabi (Gurmukhi) | Portuguese (Portugal) | Portuguese (Brazil) | Italian | Polish | Turkish | Greek | Thai | Swedish | Danish | Norwegian | Finnish | Dutch | Hebrew | Vietnamese | Indonesian | Malay | Tagalog (Filipino) | Swahili | Hungarian | Czech | Slovak | Romanian | Bulgarian | Serbian (Cyrillic) | Croatian | Slovenian | Ukrainian | Burmese (Myanmar)
Bliv en del af fællesskabet
Maskinlæring for begyndere - Et undervisningsforløb
🌍 Rejs rundt i verden, mens vi udforsker maskinlæring gennem verdens kulturer 🌍
Cloud Advocates hos Microsoft er glade for at tilbyde et 12-ugers, 26-lektioners undervisningsforløb om maskinlæring. I dette forløb vil du lære om det, der nogle gange kaldes klassisk maskinlæring, primært ved brug af Scikit-learn som bibliotek og uden at dykke ned i deep learning, som er dækket i vores AI for Beginners' undervisningsforløb. Kombinér disse lektioner med vores 'Data Science for Beginners' undervisningsforløb, også!
Rejs med os rundt i verden, mens vi anvender disse klassiske teknikker på data fra mange forskellige områder af verden. Hver lektion inkluderer quizzer før og efter lektionen, skriftlige instruktioner til at gennemføre lektionen, en løsning, en opgave og mere. Vores projektbaserede tilgang giver dig mulighed for at lære, mens du bygger, en dokumenteret metode til at få nye færdigheder til at hænge fast.
✍️ Stor 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:
- Fork repositoryet: Klik på "Fork"-knappen øverst til højre på denne side.
- Clone repositoryet:
git clone https://github.com/microsoft/ML-For-Beginners.git
find alle ekstra ressourcer til dette kursus i vores Microsoft Learn-samling
Studerende, for at bruge dette undervisningsforløb, fork hele repoet til din egen GitHub-konto og gennemfør øvelserne alene eller i en gruppe:
- Start med en quiz før lektionen.
- Læs lektionen og gennemfør aktiviteterne, mens du pauser og reflekterer ved hver videnskontrol.
- Prøv at skabe projekterne ved at forstå lektionerne i stedet for blot at køre løsningskoden; dog er denne kode tilgængelig i
/solution-mapperne i hver projektorienteret lektion. - Tag quizzen efter lektionen.
- Gennemfør udfordringen.
- Gennemfør opgaven.
- Efter at have afsluttet en gruppe af lektioner, besøg Diskussionsforumet og "lær højt" ved at udfylde den relevante PAT-rubrik. En 'PAT' er et Progress Assessment Tool, som er en rubrik, du udfylder for at fremme din læring. Du kan også reagere på andre PAT'er, så vi kan lære sammen.
For yderligere studier anbefaler vi at følge disse Microsoft Learn moduler og læringsstier.
Lærere, vi har inkluderet nogle forslag til, hvordan man kan bruge dette undervisningsforløb.
Video-gennemgange
Nogle af lektionerne er tilgængelige som korte videoer. Du kan finde alle disse i lektionerne eller på ML for Beginners playlisten 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 byggede dette undervisningsforløb: at sikre, at det er projektbaseret og at det inkluderer hyppige quizzer. Derudover har dette forløb et fælles tema for at give det sammenhæng.
Ved at sikre, at indholdet er knyttet til projekter, bliver processen mere engagerende for studerende, og fastholdelsen af begreber vil blive forbedret. Derudover sætter en lav-stress quiz før en klasse intentionen hos den studerende mod 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 ved slutningen af den 12-ugers cyklus. Dette forløb inkluderer også et efterskrift om virkelige anvendelser af ML, som kan bruges som ekstra kredit eller som grundlag for diskussion.
Find vores Code of Conduct, Contributing, og Translation retningslinjer. Vi værdsætter din konstruktive feedback!
Hver lektion inkluderer
- valgfri sketchnote
- valgfri supplerende video
- video-gennemgang (kun nogle lektioner)
- quiz før lektionen
- skriftlig lektion
- for projektbaserede lektioner, trin-for-trin vejledninger til, hvordan man bygger projektet
- videnskontroller
- en udfordring
- supplerende læsning
- opgave
- quiz efter lektionen
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 beskrives som en indlejring afkodeblokke(af R eller andre sprog) og enYAML-header(der guider, hvordan output formateres, såsom PDF) i etMarkdown-dokument. Som sådan tjener det som en eksemplarisk forfatterramme for datavidenskab, 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-mappen, med i alt 52 quizzer med tre spørgsmål hver. De er linket fra lektionerne, men quiz-appen kan køres lokalt; følg instruktionen i
quiz-app-mappen for at hoste lokalt eller udrulle til Azure.
| Lektion Nummer | Emne | Lektion Gruppe | Læringsmål | Linket Lektion | Forfatter |
|---|---|---|---|---|---|
| 01 | Introduktion til maskinlæring | Introduktion | Lær de grundlæggende begreber bag maskinlæring | Lektion | Muhammad |
| 02 | Historien om maskinlæring | Introduktion | Lær historien bag dette felt | Lektion | Jen og Amy |
| 03 | Retfærdighed og maskinlæring | Introduktion | Hvilke vigtige filosofiske spørgsmål omkring retfærdighed bør studerende 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? | Lesson | Chris og Jen |
| 05 | Introduktion til regression | Regression | Kom i gang med Python og Scikit-learn til regressionsmodeller |
- [Python](2-Regression/1-Tools/README.md)
- [R](../../2-Regression/1-Tools/solution/R/lesson_1.html)
- Jen
- Eric Wanjau
- [Python](2-Regression/2-Data/README.md)
- [R](../../2-Regression/2-Data/solution/R/lesson_2.html)
- Jen
- Eric Wanjau
- [Python](2-Regression/3-Linear/README.md)
- [R](../../2-Regression/3-Linear/solution/R/lesson_3.html)
- Jen og Dmitry
- Eric Wanjau
- [Python](2-Regression/4-Logistic/README.md)
- [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html)
- Jen
- Eric Wanjau
- [Python](4-Classification/1-Introduction/README.md)
- [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) |
- Jen og Cassie
- Eric Wanjau
- [Python](4-Classification/2-Classifiers-1/README.md)
- [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) |
- Jen og Cassie
- Eric Wanjau
- [Python](4-Classification/3-Classifiers-2/README.md)
- [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) |
- Jen og Cassie
- Eric Wanjau
- [Python](5-Clustering/1-Visualize/README.md)
- [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) |
- Jen
- Eric Wanjau
- [Python](5-Clustering/2-K-Means/README.md)
- [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) |
- Jen
- Eric Wanjau
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 denne repo, installer Docsify på din lokale maskine, og skriv derefter
docsify servei rodmappen af denne repo. Websiden 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:
- Generativ AI for begyndere
- Generativ AI for begyndere .NET
- Generativ AI med JavaScript
- Generativ AI med Java
- AI for begyndere
- Data Science for begyndere
- ML for begyndere
- Cybersikkerhed for begyndere
- Webudvikling for begyndere
- IoT for begyndere
- XR-udvikling for begyndere
- Mastering GitHub Copilot for parprogrammering
- Mastering GitHub Copilot for C#/.NET-udviklere
- Vælg dit eget Copilot-eventyr
Ansvarsfraskrivelse:
Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten Co-op Translator. Selvom vi bestræber os på at sikre nøjagtighed, skal du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi er ikke ansvarlige for eventuelle misforståelser eller fejltolkninger, der måtte opstå som følge af brugen af denne oversættelse.