ML-For-Beginners/translations/nl

🌐 Ondersteuning voor meerdere talen

Ondersteund via GitHub Actions (Geautomatiseerd & Altijd Actueel)

Arabisch | Bengaals | Bulgaars | Birmaans (Myanmar) | Chinees (Vereenvoudigd) | Chinees (Traditioneel, Hong Kong) | Chinees (Traditioneel, Macau) | Chinees (Traditioneel, Taiwan) | Kroatisch | Tsjechisch | Deens | Nederlands | Ests | Fins | Frans | Duits | Grieks | Hebreeuws | Hindi | Hongaars | Indonesisch | Italiaans | Japans | Kannada | Koreaans | Litouws | Maleis | Malayalam | Marathi | Nepalees | Nigerian Pidgin | Noors | Perzisch (Farsi) | Pools | Portugees (Brazilië) | Portugees (Portugal) | Punjabi (Gurmukhi) | Roemeens | Russisch | Servisch (Cyrillisch) | Slowaaks | Sloveens | Spaans | Swahili | Zweeds | Tagalog (Filipijns) | Tamil | Telugu | Thais | Turks | Oekraïens | Urdu | Vietnamees

Liever lokaal klonen?

Deze repository bevat meer dan 50 taalvertalingen wat de downloadgrootte aanzienlijk vergroot. Om zonder vertalingen te klonen, gebruik 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'

Dit geeft je alles wat je nodig hebt om de cursus te voltooien met een veel snellere download.

Word lid van onze gemeenschap

We hebben een lopende Discord-serie 'learn with AI', leer meer en doe mee via 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 aan de hand van wereldculturen 🌍

Cloud Advocates bij Microsoft bieden met plezier een 12-weken durend curriculum aan van 26 lessen dat volledig draait om Machine Learning. In dit curriculum leer je over wat soms wordt genoemd klassieke machine learning, waarbij voornamelijk gebruik wordt gemaakt van Scikit-learn als bibliotheek en deep learning wordt vermeden, wat behandeld wordt in ons AI for Beginners' curriculum. Combineer deze lessen ook met ons 'Data Science for Beginners' curriculum!

Reis met ons de wereld over terwijl we deze klassieke technieken toepassen op data uit verschillende delen van de wereld. Elke les bevat quizzen voor en na de les, geschreven instructies om de les te voltooien, een oplossing, een opdracht en meer. Onze projectgebaseerde onderwijsmethode laat je leren door te bouwen, 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

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

🙏 Speciale dank 🙏 aan onze Microsoft Student Ambassador auteurs, beoordelaars en inhoudsbijdragers, 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:

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

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

🔧 Hulp nodig? Bekijk onze Probleemoplossingshandleiding voor oplossingen van veelvoorkomende problemen met installatie, setup en het uitvoeren van lessen.

Studenten, om dit curriculum te gebruiken, forkt u de volledige repo naar uw eigen GitHub-account en voltooit de oefeningen zelfstandig of in een groep:

• Begin met een quiz voor de les.
• Lees de les en voltooi de activiteiten, pauzeer en reflecteer bij elke kennisklik.
• Probeer de projecten te maken door de lessen te begrijpen in plaats van de oplossing te draaien; die code is echter beschikbaar in de /solution-mappen van elke projectgerichte les.
• Maak de quiz na de les.
• Voltooi de uitdaging.
• Maak de opdracht af.
• Na het voltooien van een lessenreeks, bezoek het Discussieforum en "leer hardop" door de juiste PAT-rubric in te vullen. Een 'PAT' is een Voortgangsbeoordelingsinstrument, een rubric die je invult om je leren te bevorderen. Je kunt ook reageren op andere PATs zodat we samen kunnen leren.

Voor verdere studie bevelen we deze Microsoft Learn modules en leerroutes aan.

Docenten, we hebben enkele suggesties opgenomen over hoe dit curriculum te gebruiken.

---

Video walkthroughs

Sommige lessen zijn beschikbaar als korte video's. Je vindt ze ingebed in de lessen, of op de ML for Beginners afspeellijst op het Microsoft Developer YouTube-kanaal door op de onderstaande afbeelding 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 twee didactische principes gekozen tijdens het bouwen van dit curriculum: zorgen dat het hands-on projectgebaseerd is en dat het regelmatige quizzen bevat. Daarnaast heeft dit curriculum een gemeenschappelijk thema om samenhang te creëren.

Door ervoor te zorgen dat de inhoud aansluit bij projecten, wordt het proces boeiender voor studenten en zal het vasthouden van concepten worden versterkt. Bovendien stelt een quiz zonder hoge inzet vóór een les de intentie van de student om een onderwerp te leren, terwijl een tweede quiz na de les verdere retentie verzekert. Dit curriculum is ontworpen om flexibel en leuk te zijn en kan geheel of gedeeltelijk worden gevolgd. De projecten beginnen klein en worden steeds complexer tegen het einde van de 12 weken durende cyclus. Dit curriculum bevat ook een nasecretie over toepassingen van ML in de echte wereld, die kan worden gebruikt als extra krediet of als basis voor discussie.

Vind ons Gedragscode, Bijdragen, Vertalingen en Probleemoplossing richtlijnen. We verwelkomen je constructieve feedback!

Elke les bevat

• optionele sketchnote
• optionele aanvullende video
• video walkthrough (sommige lessen alleen)
• voor-de-les warming-up quiz
• geschreven les
• voor projectgerichte lessen, stapsgewijze gidsen om het project te bouwen
• kennischecks
• een uitdaging
• aanvullende lectuur
• opdracht
• na-de-les quiz

Een opmerking over talen: Deze lessen zijn voornamelijk geschreven in Python, maar velen zijn ook beschikbaar in R. Om een R-les te voltooien, ga naar de /solution map en zoek naar R-lessen. Deze bevatten een .rmd extensie die staat voor een R Markdown bestand dat eenvoudig gedefinieerd kan worden als een insluiting van codeblokken (van R of andere talen) en een YAML-header (die begeleidt hoe outputformaten zoals PDF worden opgemaakt) in een Markdown document. Als zodanig dient het als een voorbeeldige auteurframework voor datawetenschap omdat je je code, de output en je gedachten kunt combineren door ze in Markdown op te schrijven. Bovendien kunnen R Markdown documenten worden gerenderd naar outputformaten zoals PDF, HTML of Word. Een opmerking over quizzen: Alle quizzen bevinden zich in de Quiz App map, in totaal 52 quizzen met elk drie vragen. Ze worden vanuit de lessen gelinkt, maar de quiz-app kan lokaal worden uitgevoerd; volg de instructies in de quiz-app map om lokaal te hosten of te implementeren naar Azure.

Lesnummer	Onderwerp	Lesgroepering	Leerdoelen	Gekoppelde les	Auteur
01	Introductie tot machine learning	Introductie	Leer de basisconcepten achter machine learning	Les	Muhammad
02	De geschiedenis van machine learning	Introductie	Leer de geschiedenis achter dit vakgebied	Les	Jen en Amy
03	Rechtvaardigheid en machine learning	Introductie	Wat zijn de belangrijke filosofische kwesties rond rechtvaardigheid die studenten moeten overwegen bij het bouwen en toepassen van ML modellen?	Les	Tomomi
04	Technieken voor machine learning	Introductie	Welke technieken gebruiken ML-onderzoekers om ML-modellen te bouwen?	Les	Chris en Jen
05	Introductie tot regressie	Regressie	Beginnen met Python en Scikit-learn voor regressiemodellen	Python • R	Jen • Eric Wanjau
06	Noord-Amerikaanse pompoenprijzen 🎃	Regressie	Visualiseer en reinig data ter voorbereiding van ML	Python • R	Jen • Eric Wanjau
07	Noord-Amerikaanse pompoenprijzen 🎃	Regressie	Bouw lineaire en polynomiale regressiemodellen	Python • R	Jen en Dmitry • Eric Wanjau
08	Noord-Amerikaanse pompoenprijzen 🎃	Regressie	Bouw een logistiek regressiemodel	Python • R	Jen • Eric Wanjau
09	Een Web App 🔌	Web App	Bouw een webapp om je getrainde model te gebruiken	Python	Jen
10	Introductie tot classificatie	Classificatie	Reinig, bereid voor en visualiseer je data; introductie tot classificatie	Python • R	Jen en Cassie • Eric Wanjau
11	Heerlijke Aziatische en Indiase keukens 🍜	Classificatie	Introductie tot classifiers	Python • R	Jen en Cassie • Eric Wanjau
12	Heerlijke Aziatische en Indiase keukens 🍜	Classificatie	Meer classifiers	Python • R	Jen en Cassie • Eric Wanjau
13	Heerlijke Aziatische en Indiase keukens 🍜	Classificatie	Bouw een aanbevelings-webapp met behulp van je model	Python	Jen
14	Introductie tot clustering	Clustering	Reinig, bereid voor en visualiseer je data; introductie tot clustering	Python • R	Jen • Eric Wanjau
15	Verkennen van Nigeriaanse muzieksmaken 🎧	Clustering	Verken de K-Means clusteringmethode	Python • R	Jen • Eric Wanjau
16	Introductie tot natuurlijke taalverwerking ☕️	Natuurlijke taalverwerking	Leer de basis van NLP door een eenvoudige bot te bouwen	Python	Stephen
17	Veelvoorkomende NLP-taken ☕️	Natuurlijke taalverwerking	Verdiep je NLP-kennis door de veelvoorkomende taken te begrijpen die nodig zijn bij het werken met taalstructuren	Python	Stephen
18	Vertaling en sentimentanalyse ♥️	Natuurlijke taalverwerking	Vertaling en sentimentanalyse met Jane Austen	Python	Stephen
19	Romantische hotels in Europa ♥️	Natuurlijke taalverwerking	Sentimentanalyse met hotelbeoordelingen 1	Python	Stephen
20	Romantische hotels in Europa ♥️	Natuurlijke taalverwerking	Sentimentanalyse met hotelbeoordelingen 2	Python	Stephen
21	Introductie tot tijdreeksvoorspellingen	Tijdreeks	Introductie tot tijdreeksvoorspellingen	Python	Francesca
22	⚡️ Wereldenergieverbruik ⚡️ - tijdreeksvoorspelling met ARIMA	Tijdreeks	Tijdreeksvoorspelling met ARIMA	Python	Francesca
23	⚡️ Wereldenergieverbruik ⚡️ - tijdreeksvoorspelling met SVR	Tijdreeks	Tijdreeksvoorspelling met Support Vector Regressor	Python	Anirban
24	Introductie tot reinforcement learning	Reinforcement learning	Introductie tot reinforcement learning met Q-Learning	Python	Dmitry
25	Help Peter de wolf te vermijden! 🐺	Reinforcement learning	Reinforcement learning Gym	Python	Dmitry
Nawoord	Realistische ML scenario's en toepassingen	ML in het Wild	Interessante en onthullende toepassingen van klassieke ML in de echte wereld	Les	Team
Nawoord	Modeldebugging in ML met de RAI-dashboard	ML in het Wild	Modeldebugging in Machine Learning met behulp van Responsible AI dashboardcomponenten	Les	Ruth Yakubu

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

Offline toegang

Je kunt deze documentatie offline gebruiken door gebruik te maken van 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 produceert ook andere cursussen! Bekijk:

LangChain

---

Azure / Edge / MCP / Agents

---

Generative AI Series

---

Kernleren

---

Copilot Serie

Hulp Krijgen

Als je vastloopt of vragen hebt over het bouwen van AI-apps. Sluit je aan bij mede-leerlingen en ervaren ontwikkelaars in discussies over MCP. Het is een ondersteunende gemeenschap waar vragen welkom zijn en kennis vrijelijk wordt gedeeld.

Als je productfeedback of fouten hebt tijdens het bouwen, bezoek dan:

---

Disclaimer:
Dit document is vertaald met behulp van de AI-vertalingsdienst Co-op Translator. Hoewel we streven naar nauwkeurigheid, kan het zijn dat geautomatiseerde vertalingen fouten of onnauwkeurigheden bevatten. Het originele document in de oorspronkelijke taal geldt als de gezaghebbende bron. Voor belangrijke informatie wordt een professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling.