32 KiB

Raw Blame History Unescape Escape

🌐 Meertalige ondersteuning

Ondersteund via GitHub Action (Geautomatiseerd & Altijd Up-to-Date)

Liever lokaal klonen?

Deze repository bevat meer dan 50 vertalingen, wat de downloadgrootte aanzienlijk vergroot. Om zonder vertalingen te klonen, gebruik je sparse checkout:

Bash / macOS / Linux:
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'
CMD (Windows):
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"
Dit geeft je alles wat je nodig hebt om de cursus te voltooien met een veel snellere download.

Word lid van onze community

We hebben een lopende Discord-serie 'Leren met AI', leer meer en doe mee bij Learn with AI Series van 18 - 30 september 2025. Je krijgt tips en trucs over het gebruik van GitHub Copilot voor Data Science.

Machine Learning voor Beginners - Een Curriculum

🌍 Reis de wereld rond terwijl we Machine Learning verkennen via wereldculturen 🌍

Cloud Advocates bij Microsoft bieden een 12-weekse, 26-lessen curriculum over Machine Learning. In dit curriculum leer je wat soms klassieke machine learning wordt genoemd, waarbij vooral Scikit-learn als bibliotheek wordt gebruikt en diepe leertechnieken worden vermeden, die behandeld worden in ons AI voor Beginners-curriculum. Combineer deze lessen ook met ons 'Data Science voor Beginners'-curriculum!

Reis met ons mee de wereld rond terwijl we deze klassieke technieken toepassen op data uit veel gebieden van de wereld. Elke les bevat vooraf- en nabeschouwende quizzes, schriftelijke instructies om de les te voltooien, een oplossing, een opdracht en meer. Onze projectgebaseerde pedagogie laat je leren terwijl je bouwt, een bewezen manier om nieuwe vaardigheden te laten beklijven.

✍️ Hartelijke dank aan onze auteurs Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu en Amy Boyd

🎨 Dank aan onze illustratoren Tomomi Imura, Dasani Madipalli en Jen Looper

🙏 Speciale dank 🙏 aan onze Microsoft Student Ambassador auteurs, beoordelaars en contentbijdragers, met name Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila en Snigdha Agarwal

🤩 Extra dank aan Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi en Vidushi Gupta voor onze R-lessen!

Aan de slag

Volg deze stappen:

Fork de repository: Klik op de knop "Fork" rechtsboven op deze pagina.
Clone de repository: git clone https://github.com/microsoft/ML-For-Beginners.git

💡 Snelle start tip: Wil je in een browser beginnen zonder Python lokaal in te stellen? Gebruik GitHub Codespaces om een cloud-ontwikkelomgeving voor je fork te maken. Open het groene Code menu, selecteer Codespaces, en maak een codespace; installeer de benodigde dependencies van elke les binnen deze omgeving naar behoefte.

vind alle aanvullende bronnen voor deze cursus in onze Microsoft Learn-collectie

🔧 Hulp nodig? Bekijk onze Probleemoplossingsgids voor oplossingen van veelvoorkomende problemen met installeren, opzetten en lesuitvoering.

Studenten, om dit curriculum te gebruiken, fork je de hele repo naar je eigen GitHub-account en maak je de oefeningen alleen of in een groep:

Begin met een quiz voorafgaand aan de les.
Lees de les en voltooi de activiteiten, pauzeer en reflecteer bij elke kennisscheck.
Probeer de projecten te maken door de lessen te begrijpen in plaats van de oplossingcode te gebruiken; die code is echter beschikbaar in de /solution mappen bij elke projectgerichte les.
Maak de quiz na de les.
Voltooi de challenge.
Maak de opdracht af.
Na het voltooien van een lesgroep, bezoek het Discussieforum en "leer hardop" door de relevante PAT-rubriek in te vullen. Een 'PAT' is een voortgangsevaluatie-instrument dat je helpt je leren verder te ontwikkelen. Je kunt ook reageren op andere PAT's zodat we samen kunnen leren.

Voor verdere studie raden we aan deze Microsoft Learn modules en leerroutes te volgen.

Docenten, we hebben enkele suggesties toegevoegd over het gebruik van dit curriculum.

Video walkthroughs

Sommige lessen zijn beschikbaar als korte video's. Je vindt ze allemaal ingebed in de lessen of op de ML for Beginners-afspeellijst op het Microsoft Developer YouTube-kanaal door op de afbeelding hieronder te klikken.

Ontmoet het team

Gif door Mohit Jaisal

🎥 Klik op de afbeelding hierboven voor een video over het project en de mensen die het hebben gemaakt!

Pedagogiek

We hebben bij het bouwen van dit curriculum twee pedagogische principes gekozen: zorgen dat het praktisch en projectgebaseerd is en dat het frequente quizzes bevat. Bovendien heeft dit curriculum een gemeenschappelijk thema om samenhang te geven.

Door ervoor te zorgen dat de inhoud aansluit bij projecten, wordt het proces boeiender voor studenten en wordt het begrip van concepten versterkt. Daarnaast zet een quiz met lage druk vóór de les de intentie van de student op leren, terwijl een tweede quiz na de les verdere retentie garandeert. Dit curriculum is ontworpen om flexibel en leuk te zijn en kan volledig of gedeeltelijk worden gevolgd. De projecten beginnen klein en worden steeds complexer tegen het einde van de 12-weekse cyclus. Dit curriculum bevat ook een naschrift over toepassingen in de echte wereld van ML, die gebruikt kan worden als extra krediet of als basis voor discussie.

Vind onze Gedragscode, Bijdragen, Vertalingen en Probleemoplossing richtlijnen. Wij verwelkomen je opbouwende feedback!

Elke les bevat

optionele schetsnotitie
optionele aanvullende video
video walkthrough (alleen sommige lessen)
quiz ter voorbereiding op de les
schriftelijke les
voor projectgebaseerde lessen, stapsgewijze handleidingen om het project te bouwen
kennisschecks
een challenge
aanvullende leesstof
opdracht
quiz na de les

Een opmerking over talen: Deze lessen zijn voornamelijk in Python geschreven, maar veel zijn ook beschikbaar in R. Om een R-les te voltooien, ga naar de /solution map en zoek naar R-lessen. Ze bevatten een .rmd extensie die staat voor een R Markdown bestand, wat eenvoudig gedefinieerd kan worden als een embedding van code chunks (van R of andere talen) en een YAML-header (die aangeeft hoe outputformaten zoals PDF worden opgemaakt) in een Markdown-document. Als zodanig dient het als een uitstekend auteurssysteem voor data science omdat het je toelaat je code, output en gedachten te combineren door deze in Markdown te schrijven. Bovendien kunnen R Markdown-documenten worden omgezet naar outputformaten als PDF, HTML of Word.

Een opmerking over quizzes: Alle quizzes bevinden zich in de Quiz App map, met in totaal 52 quizzes van elk drie vragen. Ze zijn gekoppeld vanuit de lessen, maar de quiz app kan lokaal worden uitgevoerd; volg de instructies in de quiz-app map om lokaal te hosten of te publiceren naar Azure.

Lesnummer	Onderwerp	Lessen Groepering	Leerdoelen	Gekoppelde Les	Auteur
01	Introductie tot machine learning	Introduction	Leer de basisconcepten achter machine learning	Lesson	Muhammad
02	De geschiedenis van machine learning	Introduction	Leer de geschiedenis achter dit vakgebied	Lesson	Jen en Amy
03	Eerlijkheid en machine learning	Introduction	Wat zijn de belangrijke filosofische kwesties rond eerlijkheid die studenten moeten overwegen bij het bouwen en toepassen van ML-modellen?	Lesson	Tomomi
04	Technieken voor machine learning	Introduction	Welke technieken gebruiken ML-onderzoekers om ML-modellen te bouwen?	Lesson	Chris en Jen
05	Introductie tot regressie	Regression	Begin met Python en Scikit-learn voor regressiemodellen	Python • R	Jen • Eric Wanjau
06	Noord-Amerikaanse pompoenprijzen 🎃	Regression	Visualiseer en maak data schoon ter voorbereiding op ML	Python • R	Jen • Eric Wanjau
07	Noord-Amerikaanse pompoenprijzen 🎃	Regression	Bouw lineaire en polynomiale regressiemodellen	Python • R	Jen en Dmitry • Eric Wanjau
08	Noord-Amerikaanse pompoenprijzen 🎃	Regression	Bouw een logistisch regressiemodel	Python • R	Jen • Eric Wanjau
09	Een webapp 🔌	Web App	Bouw een webapp om je getrainde model te gebruiken	Python	Jen
10	Introductie tot classificatie	Classification	Maak je data schoon, bereid het voor en visualiseer; introductie tot classificatie	Python • R	Jen en Cassie • Eric Wanjau
11	Heerlijke Aziatische en Indiase keukens 🍜	Classification	Introductie tot classifiers	Python • R	Jen en Cassie • Eric Wanjau
12	Heerlijke Aziatische en Indiase keukens 🍜	Classification	Meer classifiers	Python • R	Jen en Cassie • Eric Wanjau
13	Heerlijke Aziatische en Indiase keukens 🍜	Classification	Bouw een aanbevelings-webapp met je model	Python	Jen
14	Introductie tot clustering	Clustering	Maak je data schoon, bereid het voor en visualiseer; introductie tot clustering	Python • R	Jen • Eric Wanjau
15	Verkenning van Nigeriaanse muzikale smaken 🎧	Clustering	Verken de K-Means clusteringmethode	Python • R	Jen • Eric Wanjau
16	Introductie tot natuurlijke taalverwerking ☕️	Natural language processing	Leer de basis van NLP door het bouwen van een eenvoudige bot	Python	Stephen
17	Veelvoorkomende NLP-taken ☕️	Natural language processing	Verdiep je NLP-kennis door het begrijpen van veelvoorkomende taken bij het omgaan met taalsystemen	Python	Stephen
18	Vertaling en sentimentanalyse ♥️	Natural language processing	Vertaling en sentimentanalyse met Jane Austen	Python	Stephen
19	Romantische hotels van Europa ♥️	Natural language processing	Sentimentanalyse met hotelrecensies 1	Python	Stephen
20	Romantische hotels van Europa ♥️	Natural language processing	Sentimentanalyse met hotelrecensies 2	Python	Stephen
21	Introductie tot tijdreeksvoorspelling	Time series	Introductie tot tijdreeksvoorspelling	Python	Francesca
22	⚡️ Wereldwijde stroomverbruik ⚡️ - tijdreeksvoorspelling met ARIMA	Time series	Tijdreeksvoorspelling met ARIMA	Python	Francesca
23	⚡️ Wereldwijde stroomverbruik ⚡️ - tijdreeksvoorspelling met SVR	Time series	Tijdreeksvoorspelling met Support Vector Regressor	Python	Anirban
24	Introductie tot versterkend leren	Reinforcement learning	Introductie tot versterkend leren met Q-Learning	Python	Dmitry
25	Help Peter de wolf te vermijden! 🐺	Reinforcement learning	Reinforcement learning Gym	Python	Dmitry
Naschrift	Praktijkvoorbeelden en toepassingen van ML	ML in the Wild	Interessante en onthullende toepassingen uit de praktijk van klassieke ML	Lesson	Team
Naschrift	Modeldebugging in ML met behulp van de RAI-dashboard	ML in the Wild	Modeldebugging in Machine Learning met Responsible AI dashboardcomponenten	Lesson	Ruth Yakubu

vind alle aanvullende bronnen voor deze cursus in onze Microsoft Learn-collectie

Offline toegang

Je kunt deze documentatie offline gebruiken met Docsify. Fork deze repo, installeer Docsify op je lokale machine, en typ dan in de hoofdmap van deze repo docsify serve. De website wordt geserveerd op poort 3000 op je localhost: localhost:3000.

PDF’s

Vind een pdf van het curriculum met links hier.

🎒 Andere cursussen

Ons team maakt ook andere cursussen! Bekijk:

LangChain

Azure / Edge / MCP / Agents

Generative AI-serie

Kernleren

Copilot-serie

Hulp krijgen

Als je vastloopt of vragen hebt tijdens het leren van Machine Learning of het bouwen van AI-toepassingen, geen zorgen — er is hulp beschikbaar.

Je kunt deelnemen aan discussies met andere lerenden en ontwikkelaars, vragen stellen en je ideeën delen met de community.

Word lid van de community om vragen te stellen en samen te leren
Bespreek Machine Learning concepten en projectideeën
Krijg begeleiding van ervaren ontwikkelaars

Een ondersteunende community is een geweldige manier om je vaardigheden te verbeteren en problemen sneller op te lossen.

Microsoft Foundry Discord-community

Als je bugs, fouten tegenkomt of suggesties hebt voor verbeteringen, kun je ook een Issue openen in deze repository om het probleem te melden.

Voor productfeedback of om bestaande communityposts te doorzoeken, bezoek het Developer Forum:

Extra leertips

Bekijk notitieboeken na elke les voor beter begrip.
Oefen met het zelf implementeren van algoritmen.
Verken echte datasets met de geleerde concepten.

Disclaimer: Dit document is vertaald met behulp van de AI vertaaldienst Co-op Translator. Hoewel we streven naar nauwkeurigheid, dient u er rekening mee te houden dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het originele document in de oorspronkelijke taal moet worden beschouwd als de gezaghebbende bron. Voor kritieke informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor eventuele misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling.

32 KiB Raw Blame History Unescape Escape