ML-For-Beginners/translations/sv

🌐 Flerspråkigt stöd

Stöttas via GitHub Action (Automatiserat & Alltid Uppdaterat)

Arabiska | Bengaliska | Bulgariska | Burmese (Myanmar) | Kinesiska (Förenklad) | Kinesiska (Traditionell, Hongkong) | Kinesiska (Traditionell, Macau) | Kinesiska (Traditionell, Taiwan) | Kroatiska | Tjeckiska | Danska | Holländska | Estniska | Finska | Franska | Tyska | Grekiska | Hebreiska | Hindi | Ungerska | Indonesiska | Italienska | Japanska | Kannada | Koreanska | Litauiska | Malayiska | Malayalam | Marathi | Nepali | Nigeriansk Pidgin | Norska | Persiska (Farsi) | Polska | Portugisiska (Brasilien) | Portugisiska (Portugal) | Punjabi (Gurmukhi) | Rumänska | Ryska | Serbiska (Kyrilliska) | Slovakiska | Sloveniska | Spanska | Swahili | Svenska | Tagalog (Filippinska) | Tamil | Telugu | Thailändska | Turkiska | Ukrainska | Urdu | Vietnamesiska

Föredrar du att Klona Lokalt?

Detta repository inkluderar över 50 språköversättningar vilket avsevärt ökar nedladdningsstorleken. För att klona utan översättningar, använd 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'

Detta ger dig allt du behöver för att genomföra kursen med en mycket snabbare nedladdning.

Gå med i vår gemenskap

Vi har en Discord serie om att lära sig med AI pågående, lär dig mer och gå med oss på Learn with AI Series från 18 - 30 september 2025. Du får tips och tricks om att använda GitHub Copilot för Data Science.

Maskininlärning för nybörjare - En läroplan

🌍 Res runt i världen när vi utforskar maskininlärning genom världens kulturer 🌍

Cloud Advocates på Microsoft är glada att erbjuda en 12-veckors, 26-lektioners läroplan helt dedikerad till Maskininlärning. I denna läroplan lär du dig vad som ibland kallas klassisk maskininlärning, där vi främst använder Scikit-learn som bibliotek och undviker djupinlärning, som täcks i vår AI för nybörjare-läroplan. Kombinera gärna dessa lektioner med vår 'Data Science för nybörjare-läroplan'!

Res med oss runt världen när vi tillämpar dessa klassiska tekniker på data från många delar av världen. Varje lektion inkluderar quiz före och efter lektionen, skriftliga instruktioner för att genomföra lektionen, en lösning, en uppgift och mer. Vår projektbaserade pedagogik låter dig lära genom att skapa, vilket är ett beprövat sätt att befästa nya kunskaper.

✍️ Stort tack till våra författare Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu och Amy Boyd

🎨 Tack även till våra illustratörer Tomomi Imura, Dasani Madipalli och Jen Looper

🙏 Specialtack 🙏 till våra Microsoft Student Ambassador-författare, granskare och innehållsmedarbetare, särskilt Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila och Snigdha Agarwal

🤩 Extra tacksamhet till Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi och Vidushi Gupta för våra R-lektioner!

Kom igång

Följ dessa steg:

1. Fork:a Repositoryt: Klicka på "Fork"-knappen uppe till höger på denna sida.
2. Klona Repositoryt: git clone https://github.com/microsoft/ML-For-Beginners.git

hitta alla extra resurser för denna kurs i vår Microsoft Learn-samling

🔧 Behöver du hjälp? Kolla vår Felsökningsguide för lösningar på vanliga problem med installation, uppsättning och att köra lektioner.

Studenter, för att använda denna läroplan, fork:a hela repo till ditt eget GitHub-konto och utför övningarna på egen hand eller i grupp:

• Börja med ett quiz före lektionen.
• Läs lektionen och genomför aktiviteterna, pausa och reflektera vid varje kunskapskontroll.
• Försök skapa projekten genom att förstå lektionerna snarare än att bara köra lösningskoden; dock finns koden tillgänglig i /solution-mapparna i varje projektinriktad lektion.
• Gör quizet efter lektionen.
• Klara utmaningen.
• Genomför uppgiften.
• Efter att ha genomfört en lektionsgrupp, besök Diskussionsforumet och "lär ut högt" genom att fylla i den lämpliga PAT-rubriken. En 'PAT' är ett Progressbedömningsverktyg som är en rubrik du fyller i för att fördjupa ditt lärande. Du kan också reagera på andra PAT:ar så vi kan lära tillsammans.

För vidare studier rekommenderar vi att följa dessa Microsoft Learn moduler och lärvägar.

Lärare, vi har inkluderat några förslag på hur du kan använda denna läroplan.

---

Videogenomgångar

Några av lektionerna finns tillgängliga som korta videor. Du kan hitta alla dessa direkt i lektionerna, eller på ML for Beginners-playlistan på Microsoft Developer YouTube-kanal genom att klicka på bilden nedan.

---

Möta teamet

Gif av Mohit Jaisal

🎥 Klicka på bilden ovan för en video om projektet och människorna som skapade det!

---

Pedagogik

Vi har valt två pedagogiska principer när vi byggde denna läroplan: att säkerställa att den är praktiskt projektbaserad och att den inkluderar freka quizzer. Dessutom har denna läroplan ett gemensamt tema för att ge sammanhang.

Genom att säkerställa att innehållet stämmer överens med projekt görs processen mer engagerande för studenter och konceptets kvarhållning förbättras. Dessutom sätter en låginsatsquiz före en lektion studentens intention mot att lära sig ett ämne, medan en andra quiz efter lektionen säkerställer ytterligare kvarhållning. Denna läroplan är designad för att vara flexibel och rolig och kan tas i helhet eller delvis. Projekten börjar små och blir alltmer komplexa vid slutet av den 12-veckors cykeln. Denna läroplan inkluderar också ett efterord om verkliga tillämpningar av ML, vilket kan användas som extrapoäng eller som grund för diskussion.

Hitta våra Uppförandekod, Bidragande, Översättning, och Felsökning riktlinjer. Vi välkomnar din konstruktiva feedback!

Varje lektion inkluderar

• valfri sketchnote
• valfri kompletterande video
• video genomgång (vissa lektioner endast)
• quiz före lektion
• skriftlig lektion
• för projektbaserade lektioner, steg-för-steg guider för att bygga projektet
• kunskapskontroller
• en utmaning
• kompletterande läsning
• uppgift
• quiz efter lektion

En notis om språk: Dessa lektioner är främst skrivna i Python, men många finns också tillgängliga i R. För att göra en R-lektion, gå till /solution-mappen och sök efter R-lektioner. De inkluderar en .rmd extension som representerar en R Markdown-fil som enkelt kan definieras som en inbäddning av kodblock (av R eller andra språk) och en YAML-header (som styr hur man formaterar utdata såsom PDF) i ett Markdown-dokument. Som sådan fungerar det som en exemplifierande författarram för data science eftersom det låter dig kombinera din kod, dess output och dina tankar genom att skriva ner dem i Markdown. Dessutom kan R Markdown-dokument renderas till utdataformat som PDF, HTML eller Word. En notering om quiz: Alla quiz finns i Quiz App-mappen, totalt 52 quiz med tre frågor vardera. De länkas från lektionerna men quiz-appen kan köras lokalt; följ instruktionerna i quiz-app-mappen för att köra lokalt eller distribuera till Azure.

Lektionnummer	Ämne	Lektion Grupp	Lärandemål	Länkad lektion	Författare
01	Introduktion till maskininlärning	Introduktion	Lär dig grundläggande begrepp om maskininlärning	Lektion	Muhammad
02	Maskininlärningens historia	Introduktion	Lär dig historien bakom detta område	Lektion	Jen och Amy
03	Rättvisa och maskininlärning	Introduktion	Vilka är de viktiga filosofiska frågorna om rättvisa som studenter bör tänka på när de bygger och använder ML-modeller?	Lektion	Tomomi
04	Tekniker inom maskininlärning	Introduktion	Vilka tekniker använder ML-forskare för att bygga ML-modeller?	Lektion	Chris och Jen
05	Introduktion till regression	Regression	Kom igång med Python och Scikit-learn för regressionsmodeller	Python • R	Jen • Eric Wanjau
06	Priser på pumpor i Nordamerika 🎃	Regression	Visualisera och rensa data inför ML	Python • R	Jen • Eric Wanjau
07	Priser på pumpor i Nordamerika 🎃	Regression	Bygg linjära och polynomiska regressionsmodeller	Python • R	Jen och Dmitry • Eric Wanjau
08	Priser på pumpor i Nordamerika 🎃	Regression	Bygg en logistisk regressionsmodell	Python • R	Jen • Eric Wanjau
09	En webbapp 🔌	Web App	Bygg en webbapp för att använda din tränade modell	Python	Jen
10	Introduktion till klassificering	Classification	Rensa, förbered och visualisera din data; introduktion till klassificering	Python • R	Jen och Cassie • Eric Wanjau
11	Läcker asiatisk och indisk mat 🍜	Classification	Introduktion till klassificerare	Python • R	Jen och Cassie • Eric Wanjau
12	Läcker asiatisk och indisk mat 🍜	Classification	Fler klassificerare	Python • R	Jen och Cassie • Eric Wanjau
13	Läcker asiatisk och indisk mat 🍜	Classification	Bygg en rekommendationswebbapp med din modell	Python	Jen
14	Introduktion till klustring	Clustering	Rensa, förbered och visualisera din data; introduktion till klustring	Python • R	Jen • Eric Wanjau
15	Utforska Nigerias musiksmaker 🎧	Clustering	Utforska K-Means klustringsmetod	Python • R	Jen • Eric Wanjau
16	Introduktion till naturlig språkbehandling ☕️	Natural language processing	Lär dig grunderna i NLP genom att bygga en enkel bot	Python	Stephen
17	Vanliga NLP-uppgifter ☕️	Natural language processing	Fördjupa din NLP-kunskap genom att förstå vanliga uppgifter vid språkstrukturhantering	Python	Stephen
18	Översättning och sentimentanalys ♥️	Natural language processing	Översättning och sentimentanalys med Jane Austen	Python	Stephen
19	Romantiska hotell i Europa ♥️	Natural language processing	Sentimentanalys med hotellrecensioner 1	Python	Stephen
20	Romantiska hotell i Europa ♥️	Natural language processing	Sentimentanalys med hotellrecensioner 2	Python	Stephen
21	Introduktion till tidsserieprognoser	Time series	Introduktion till tidsserieprognoser	Python	Francesca
22	⚡️ Världens elförbrukning ⚡️ - tidsserieprognoser med ARIMA	Time series	Tidsserieprognoser med ARIMA	Python	Francesca
23	⚡️ Världens elförbrukning ⚡️ - tidsserieprognoser med SVR	Time series	Tidsserieprognoser med Support Vector Regressor	Python	Anirban
24	Introduktion till förstärkningsinlärning	Reinforcement learning	Introduktion till förstärkningsinlärning med Q-Learning	Python	Dmitry
25	Hjälp Peter att undvika vargen! 🐺	Reinforcement learning	Förstärkningsinlärning med Gym	Python	Dmitry
Efterskrift	Verkliga ML-scenarier och tillämpningar	ML in the Wild	Intressanta och avslöjande verkliga tillämpningar av klassisk ML	Lektion	Team
Efterskrift	Modellfelsökning i ML med RAI-dashboard	ML in the Wild	Modellfelsökning i maskininlärning med komponenter från Responsible AI-dashboard	Lektion	Ruth Yakubu

hitta alla ytterligare resurser för denna kurs i vår Microsoft Learn-samling

Offlineåtkomst

Du kan läsa denna dokumentation offline med hjälp av Docsify. Forka detta repo, installera Docsify på din lokala maskin, och kör sedan docsify serve i rotmappen för detta repo. Webbplatsen kommer att serveras på port 3000 på din lokala dator: localhost:3000.

PDF:er

Hitta en pdf av kursplanen med länkar här.

🎒 Andra kurser

Vårt team producerar fler kurser! Kolla in:

LangChain

---

Azure / Edge / MCP / Agenter

---

Generativ AI Serie

---

Kärnlärande

---

Copilot-serien

Få hjälp

Om du fastnar eller har frågor om att bygga AI-appar. Gå med i diskussioner med andra lärande och erfarna utvecklare om MCP. Det är en stödjande gemenskap där frågor är välkomna och kunskap delas fritt.

Om du har produktfeedback eller stöter på fel under utveckling, besök:

---

Ansvarsfriskrivning: Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator. Även om vi strävar efter noggrannhet, vänligen var medveten om att automatiska översättningar kan innehålla fel eller brister. Det ursprungliga dokumentet på dess ursprungliga språk bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för några missförstånd eller feltolkningar som kan uppstå vid användning av denna översättning.