ML-For-Beginners/translations/da

🌐 Multisprog Support

Understøttet via GitHub Action (Automatiseret & Altid Opdateret)

Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Kannada | Korean | Lithuanian | Malay | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese

Foretrækker du at klone lokalt?

Dette arkiv inkluderer over 50 sprogoversættelser, hvilket væsentligt øger downloadstørrelsen. For at klone uden oversættelser, brug sparse checkout:

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'

Dette giver dig alt, hvad du behøver for at fuldføre kurset med en meget hurtigere download.

Deltag i vores fællesskab

Vi har en igangværende Discord lær-serie med AI, lær mere og deltag hos Learn with AI Series fra 18. - 30. september 2025. Du får tips og tricks til brug af GitHub Copilot til Data Science.

Maskinlæring for Begyndere - En Læreplan

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

Cloud Advocates hos Microsoft er glade for at tilbyde en 12-ugers, 26-lektioners læreplan om Maskinlæring. I denne læreplan vil du lære om det, der nogle gange kaldes klassisk maskinlæring, primært ved brug af Scikit-learn som bibliotek og uden at dække dyb læring, som behandles i vores AI for Beginners' læreplan. Kombiner disse lektioner med vores 'Data Science for Beginners' læreplan også!

Rejs med os rundt i verden, mens vi anvender disse klassiske teknikker på data fra mange verdensdele. Hver lektion indeholder quizzer før og efter lektionen, 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 måde at få nye færdigheder til at "sidde fast".

✍️ Hjertelig 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

🙏 Særlige tak 🙏 til vores Microsoft Student Ambassador-forfattere, anmeldere og indholdsbidragsydere, 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:

1. Fork repository: Klik på "Fork" knappen øverst til højre på denne side.
2. Klon repository: git clone https://github.com/microsoft/ML-For-Beginners.git

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

🔧 Brug for hjælp? Tjek vores Fejlfinding guide for løsninger på almindelige problemer med installation, opsætning og afvikling af lektioner.

Studerende, for at bruge denne læreplan, forke hele repoet til din egen GitHub-konto og gennemfør øvelserne alene eller i en gruppe:

• Start med en quiz før forelæsningen.
• Læs forelæsningen og gennemfør aktiviteterne, stop op og reflekter ved hver videnscheck.
• Prøv at skabe projekterne ved at forstå lektionerne fremfor blot at køre løsningskoden; dog er denne kode tilgængelig i /solution-mapperne i hver projektorienteret lektion.
• Tag quizzen efter forelæsningen.
• Gennemfør udfordringen.
• Gennemfør opgaven.
• Efter at have fuldført en lektion gruppe, besøg Diskussionsforum og "lær højt" ved at udfylde den passende PAT-rubrik. En 'PAT' er et fremskridtsvurderingsværktøj, 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 bruger denne læreplan.

---

Video-gennemgange

Nogle af lektionerne findes som korte videoer. Du kan finde dem alle integreret i lektionerne eller på ML for Beginners playliste på Microsoft Developers YouTube kanal ved at klikke på billedet nedenfor.

---

Mød teamet

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 denne læreplan: at sikre, at den er praktisk projektbaseret og at den indeholder hyppige quizzer. Derudover har denne læreplan et fælles tema for at skabe sammenhæng.

Ved at sikre at indholdet stemmer overens med projekterne, gøres processen mere engagerende for eleverne, og fastholdelse af begreber vil blive forstærket. Derudover sætter en quiz med lav indsats før en lektion elevens intention mod at lære et emne, mens en anden quiz efter lektionen sikrer øget fastholdelse. Denne læreplan er designet til at være fleksibel og sjov og kan tages helt eller delvist. Projekterne starter små og bliver mere komplekse i slutningen af det 12-ugers forløb. Denne læreplan inkluderer også et efterord om virkelige anvendelser af ML, som kan bruges som ekstra kredit eller som grundlag for diskussion.

Find vores Adfærdskodeks, Bidrag, Oversættelse, og Fejlfinding retningslinjer. Vi byder dit konstruktive feedback velkommen!

Hver lektion inkluderer

• valgfri sketchnote
• valgfri supplerende video
• video-gennemgang (kun nogle lektioner)
• varme-op quiz før forelæsningen
• skriftlig lektion
• for projektbaserede lektioner, trin-for-trin vejledninger til hvordan man bygger projektet
• videnscheck
• en udfordring
• supplerende læsning
• opgave
• quiz efter forelæsningen

Et notat 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 find R-lektionerne. De inkluderer en .rmd-udvidelse, som repræsenterer en R Markdown fil, der kan defineres som en indlejring af kodeblokke (af R eller andre sprog) og en YAML header (der guider, hvordan output som PDF skal formateres) i et Markdown dokument. Som sådan fungerer det som en eksemplarisk forfatterramme for datalogi, da det giver mulighed for at kombinere din kode, dens output og dine tanker ved at skrive dem ned i Markdown. Desuden kan R Markdown-dokumenter genereres til outputformater såsom PDF, HTML eller Word. En note om quizzer: Alle quizzer findes 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 vejledningen i quiz-app-mappen for at hoste lokalt eller deploye til Azure.

Lektion Nummer	Emne	Lektionens Kategori	Læringsmål	Linket Lektion	Forfatter
01	Introduktion til maskinlæring	Introduktion	Lær de grundlæggende begreber bag maskinlæring	Lektion	Muhammad
02	Maskinlæringens historie	Introduktion	Lær historien bag dette felt	Lektion	Jen og Amy
03	Retfærdighed og maskinlæring	Introduktion	Hvilke vigtige filosofiske spørgsmål omkring retfærdighed bør elever overveje, når de bygger og anvender ML-modeller?	Lektion	Tomomi
04	Teknikker til maskinlæring	Introduktion	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	Nordamerikanske græskarpriser 🎃	Regression	Visualiser og rens data som forberedelse til ML	Python • R	Jen • Eric Wanjau
07	Nordamerikanske græskarpriser 🎃	Regression	Byg lineære og polynomielle regressionsmodeller	Python • R	Jen og Dmitry • Eric Wanjau
08	Nordamerikanske græskarpriser 🎃	Regression	Byg en logistisk regressionsmodel	Python • R	Jen • Eric Wanjau
09	En Web App 🔌	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 anbefalings-webapp 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	Udforskning af 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	Forstå almindelige opgaver, som kræves ved håndtering af 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 tidsseriefremskrivning	Time series	Introduktion til tidsseriefremskrivning	Python	Francesca
22	⚡️ Verdens strømforbrug ⚡️ - tidsseriefremskrivning med ARIMA	Time series	Tidsseriefremskrivning med ARIMA	Python	Francesca
23	⚡️ Verdens strømforbrug ⚡️ - tidsseriefremskrivning med SVR	Time series	Tidsseriefremskrivning 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 i Gym	Python	Dmitry
Efterskrift	Reelle ML-scenarier og -anvendelser	ML in the Wild	Interessante og oplysende virkelige anvendelser af klassisk ML	Lektion	Team
Efterskrift	Fejlfinding af ML-modeller med RAI dashboard	ML in the Wild	Fejlfinding af ML-modeller ved hjælp af Responsible AI-dashboard komponenter	Lektion	Ruth Yakubu

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 dette repo, installer Docsify på din lokale maskine, og derefter i root-mappen af dette repo, skriv docsify serve. Hjemmesiden vil blive serveret på port 3000 på din localhost: localhost:3000.

PDF'er

Find et pdf-udgave af pensum med links her.

🎒 Andre kurser

Vores team producerer andre kurser! Se her:

LangChain

---

Azure / Edge / MCP / Agenter

---

Generativ AI-serie

---

Kerne Læring

---

Copilot Serie

Få Hjælp

Hvis du sidder fast eller har spørgsmål om at bygge AI-apps. Deltag i samtaler med andre lærende og erfarne udviklere om MCP. Det er et støttende fællesskab, hvor spørgsmål er velkomne, og viden deles frit.

Hvis du har produktfeedback eller fejl under udvikling, besøg:

---

Ansvarsfraskrivelse:
Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten Co-op Translator. Selvom vi bestræber os på nøjagtighed, skal du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det oprindelige dokument på dets oprindelige sprog bør anses som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi kan ikke drages til ansvar for misforståelser eller fejltolkninger, der måtte opstå ved brug af denne oversættelse.