ML-For-Beginners/translations/no

🌐 Støtte for flere språk

Støttet via GitHub Action (Automatisert & Alltid Oppdatert)

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

Foretrekker du å klone lokalt?

Dette depotet inkluderer over 50 språkoversettelser som betydelig øker nedlastingsstørrelsen. For å klone uten oversettelser, bruk sparsommelig utsjekking:

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 gir deg alt du trenger for å fullføre kurset med en mye raskere nedlasting.

Bli med i vårt fellesskap

Vi har en pågående Discord-lær med AI-serie, lær mer og bli med oss på Learn with AI Series fra 18. - 30. september 2025. Du får tips og triks for å bruke GitHub Copilot for Data Science.

Maskinlæring for nybegynnere - En pensum

🌍 Reis rundt i verden mens vi utforsker maskinlæring gjennom verdens kulturer 🌍

Cloud Advocates hos Microsoft tilbyr et 12-ukers, 26-leksjoners pensum som handler om maskinlæring. I dette pensumet lærer du om det som noen ganger kalles klassisk maskinlæring, hvor vi primært bruker Scikit-learn som bibliotek og unngår dyp læring, som dekkes i vår AI for Beginners' curriculum. Kombiner gjerne disse leksjonene med vårt 'Data Science for Beginners' curriculum også!

Reis med oss rundt i verden mens vi anvender disse klassiske teknikkene på data fra mange områder av verden. Hver leksjon inkluderer forhånds- og etterquizzer, skriftlige instruksjoner for å fullføre leksjonen, en løsning, en oppgave og mer. Vår prosjektbaserte pedagogikk gjør at du lærer mens du bygger, en velkjent metode for at nye ferdigheter skal «sette seg».

✍️ Hjertelig takk til våre forfattere Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu og Amy Boyd

🎨 Takk også til våre illustratører Tomomi Imura, Dasani Madipalli og Jen Looper

🙏 Spesiell takk 🙏 til våre Microsoft Student Ambassador-forfattere, anmeldere og innholdsbidragsytere, spesielt Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, og Snigdha Agarwal

🤩 Ekstra takk til Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi og Vidushi Gupta for våre R-leksjoner!

Komme i gang

Følg disse trinnene:

1. Fork depotet: Klikk på "Fork"-knappen øverst til høyre på denne siden.
2. Klone depotet: git clone https://github.com/microsoft/ML-For-Beginners.git

finn alle tilleggsmaterialer for dette kurset i vår Microsoft Learn-samling

🔧 Trenger du hjelp? Sjekk vår Feilsøkingsguide for løsninger på vanlige problemer med installasjon, oppsett og kjøring av leksjoner.

Studenter, for å bruke dette pensumet, fork hele repoen til din egen GitHub-konto og fullfør oppgavene alene eller i gruppe:

• Start med en quiz før forelesningen.
• Les forelesningen og utfør aktivitetene, stopp opp og reflekter ved hvert kunnskapssjekkpunkt.
• Prøv å lage prosjektene ved å forstå leksjonene i stedet for å kjøre løsningskoden; denne koden er imidlertid tilgjengelig i /solution-mappene i hver prosjektorienterte leksjon.
• Ta quizzen etter forelesningen.
• Fullfør utfordringen.
• Fullfør oppgaven.
• Etter å ha fullført en leksjonsgruppe, besøk Diskusjonstavlen og «lær høyt» ved å fylle ut den passende PAT-rubriken. En 'PAT' er et fremdriftsvurderingsverktøy som er en rubrikk du fyller ut for å fremme læringen din. Du kan også reagere på andre PAT-er slik at vi kan lære sammen.

For videre studier anbefaler vi å følge disse Microsoft Learn modulene og læringsløpene.

Lærere, vi har inkludert noen forslag om hvordan du kan bruke dette pensumet.

---

Videofremvisninger

Noen av leksjonene er tilgjengelige som korte videoer. Du finner alle disse innebygd i leksjonene, eller på ML for Beginners-spillelisten på Microsoft Developer YouTube-kanalen ved å klikke på bildet nedenfor.

---

Møt teamet

Gif av Mohit Jaisal

🎥 Klikk på bildet ovenfor for en video om prosjektet og folkene som laget det!

---

Pedagogikk

Vi har valgt to pedagogiske prinsipper under byggingen av dette pensumet: å sikre at det er praktisk prosjektbasert og at det inneholder hyppige quizzer. I tillegg har dette pensumet et felles tema for å gi det sammenheng.

Ved å sikre at innholdet er knyttet til prosjekter, blir prosessen mer engasjerende for studentene og konseptene blir bedre lagret. I tillegg setter en lavterskel-quiz før undervisningen studentens intensjon mot å lære et emne, mens en andre quiz etter undervisning sikrer ytterligere lagring. Dette pensumet er designet for å være fleksibelt og morsomt og kan tas i sin helhet eller delvis. Prosjektene starter smått og blir gradvis mer kompliserte mot slutten av den 12-ukers syklusen. Dette pensumet inkluderer også et etterord om virkelige anvendelser av ML, som kan brukes som ekstra oppgaver eller som basis for diskusjon.

Finn våre retningslinjer for oppførselskode, bidrag, oversettelse og feilsøking. Vi tar imot konstruktive tilbakemeldinger!

Hver leksjon inkluderer

• valgfri skisse
• valgfri tilleggsvideo
• video gjennomgang (kun noen leksjoner)
• quiz før forelesning
• skriftlig leksjon
• for prosjektbaserte leksjoner, steg-for-steg guider for å bygge prosjektet
• kunnskapssjekker
• en utfordring
• tilleggslesning
• oppgave
• quiz etter forelesning

En merknad om språk: Disse leksjonene er primært skrevet i Python, men mange finnes også i R. For å fullføre en R-leksjon, gå til /solution-mappen og se etter R-leksjoner. De inkluderer en .rmd-utvidelse som representerer en R Markdown-fil, som enkelt kan defineres som en innbygging av kodebiter (av R eller andre språk) og en YAML-topptekst (som styrer hvordan utdata formateres som PDF) i et Markdown-dokument. Som sådan fungerer det som en eksemplarisk ramme for å skrive for data science, siden det lar deg kombinere koden din, dens output og dine tanker ved å la deg skrive dem ned i Markdown. Videre kan R Markdown-dokumenter gjengis til utdataformater som PDF, HTML eller Word. En merknad om quizzer: Alle quizzer finnes i Quiz App-mappen, med totalt 52 quizer med tre spørsmål hver. De er lenket fra leksjonene, men quiz-appen kan kjøres lokalt; følg instruksjonene i quiz-app-mappen for å kjøre lokalt eller distribuere til Azure.

Leksjonsnummer	Emne	Leksjonsgruppering	Læringsmål	Tilknyttet leksjon	Forfatter
01	Introduksjon til maskinlæring	Introduksjon	Lær de grunnleggende konseptene bak maskinlæring	Leksjon	Muhammad
02	Maskinlæringens historie	Introduksjon	Lær historien bak dette feltet	Leksjon	Jen og Amy
03	Rettferdighet og maskinlæring	Introduksjon	Hva er de viktige filosofiske spørsmålene rundt rettferdighet som studenter bør vurdere ved bygging og bruk av ML-modeller?	Leksjon	Tomomi
04	Teknikker for maskinlæring	Introduksjon	Hvilke teknikker bruker ML-forskere for å bygge ML-modeller?	Leksjon	Chris og Jen
05	Introduksjon til regresjon	Regresjon	Kom i gang med Python og Scikit-learn for regresjonsmodeller	Python • R	Jen • Eric Wanjau
06	Priser på gresskar i Nord-Amerika 🎃	Regresjon	Visualiser og rens data som forberedelse til ML	Python • R	Jen • Eric Wanjau
07	Priser på gresskar i Nord-Amerika 🎃	Regresjon	Bygg lineære og polynomiale regresjonsmodeller	Python • R	Jen og Dmitry • Eric Wanjau
08	Priser på gresskar i Nord-Amerika 🎃	Regresjon	Bygg en logistisk regresjonsmodell	Python • R	Jen • Eric Wanjau
09	En Web-applikasjon 🔌	Web App	Bygg en web-app for å bruke din trente modell	Python	Jen
10	Introduksjon til klassifisering	Klassifisering	Rens, klargjør og visualiser dine data; introduksjon til klassifisering	Python • R	Jen og Cassie • Eric Wanjau
11	Deilige asiatiske og indiske kjøkken 🍜	Klassifisering	Introduksjon til klassifikatorer	Python • R	Jen og Cassie • Eric Wanjau
12	Deilige asiatiske og indiske kjøkken 🍜	Klassifisering	Flere klassifikatorer	Python • R	Jen og Cassie • Eric Wanjau
13	Deilige asiatiske og indiske kjøkken 🍜	Klassifisering	Bygg en anbefalingsweb-app basert på modellen din	Python	Jen
14	Introduksjon til klynging	Klynging	Rens, klargjør og visualiser dine data; introduksjon til klynging	Python • R	Jen • Eric Wanjau
15	Utforske musikksmaken i Nigeria 🎧	Klynging	Utforsk K-Means klyngemetoden	Python • R	Jen • Eric Wanjau
16	Introduksjon til naturlig språkbehandling ☕️	Naturlig språkbehandling	Lær grunnleggende om NLP ved å bygge en enkel bot	Python	Stephen
17	Vanlige NLP-oppgaver ☕️	Naturlig språkbehandling	Fordyp deg i NLP ved å forstå vanlige oppgaver som kreves ved språkstrukturer	Python	Stephen
18	Oversettelse og sentimentanalyse ♥️	Naturlig språkbehandling	Oversettelse og sentimentanalyse med Jane Austen	Python	Stephen
19	Romantiske hoteller i Europa ♥️	Naturlig språkbehandling	Sentimentanalyse med hotellanmeldelser 1	Python	Stephen
20	Romantiske hoteller i Europa ♥️	Naturlig språkbehandling	Sentimentanalyse med hotellanmeldelser 2	Python	Stephen
21	Introduksjon til tidsserieprognoser	Tidsserie	Introduksjon til tidsserieprognoser	Python	Francesca
22	⚡️ Verdens strømforbruk ⚡️ - tidsserieprognoser med ARIMA	Tidsserie	Tidsserieprognoser med ARIMA	Python	Francesca
23	⚡️ Verdens strømforbruk ⚡️ - tidsserieprognoser med SVR	Tidsserie	Tidsserieprognoser med Support Vector Regressor	Python	Anirban
24	Introduksjon til forsterkningslæring	Forsterkningslæring	Introduksjon til forsterkningslæring med Q-Learning	Python	Dmitry
25	Hjelp Peter med å unngå ulven! 🐺	Forsterkningslæring	Forsterkningslæring Gym	Python	Dmitry
Postscript	Virkelige ML-scenarier og -anvendelser	ML i det fri	Interessante og avslørende virkelige anvendelser for klassisk ML	Leksjon	Team
Postscript	Modellfeilsøking i ML med RAI dashboard	ML i det fri	Modellfeilsøking i maskinlæring med Responsible AI dashboard-komponenter	Leksjon	Ruth Yakubu

finn alle tilleggsmaterialer for dette kurset i vår Microsoft Learn-samling

Offline tilgang

Du kan kjøre denne dokumentasjonen offline ved å bruke Docsify. Fork dette depotet, installer Docsify på din lokale maskin, og deretter i rotmappen for dette depotet, skriv docsify serve. Nettstedet vil bli servert på port 3000 lokalt: localhost:3000.

PDFer

Finn en pdf av pensum med lenker her.

🎒 Andre kurs

Vårt team lager andre kurs! Sjekk ut:

LangChain

---

Azure / Edge / MCP / Agenter

---

Generative AI-serien

---

Kjerneopplæring

---

Copilot-serie

Få hjelp

Hvis du står fast eller har spørsmål om å bygge AI-apper. Bli med andre elever og erfarne utviklere i diskusjoner om MCP. Det er et støttende fellesskap hvor spørsmål er velkomne og kunnskap deles fritt.

Hvis du har produktfeedback eller feil under bygging, besøk:

---

Ansvarsfraskrivelse: Dette dokumentet er oversatt ved hjelp av AI-oversettingstjenesten Co-op Translator. Selv om vi streber etter nøyaktighet, vennligst vær oppmerksom på at automatiske oversettelser kan inneholde feil eller unøyaktigheter. Det opprinnelige dokumentet på dets opprinnelige språk bør anses som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen.