Maskinlæring for nybegynnere - En læreplan

April 20, 2026 · View on GitHub

🌐 Flerspråklig støtte

Støttes via GitHub Action (Automatisert & Alltid Oppdatert)

Foretrekker du å klone lokalt?

Dette depotet inkluderer over 50 oversettelser som betydelig øker nedlastingsstørrelsen. For å klone uten oversettelser, bruk 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"
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-serie om å lære med AI, lær mer og bli med oss på Learn with AI Series fra 18. til 30. september 2025. Du vil få tips og triks om bruk av GitHub Copilot for Data Science.

Learn with AI series

Maskinlæring for nybegynnere - En læreplan

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

Cloud Advocates hos Microsoft er glade for å kunne tilby en 12-ukers læreplan med 26 leksjoner som handler om maskinlæring. I denne læreplanen vil du lære om det som noen ganger kalles klassisk maskinlæring, med hovedvekt på Scikit-learn som bibliotek og uten bruk av dyp læring, som dekkes i vår AI for Beginners' læreplan. Kombiner gjerne disse leksjonene med vår 'Data Science for Beginners' læreplan!

Reis med oss rundt i verden mens vi anvender disse klassiske teknikkene på data fra mange deler av verden. Hver leksjon inkluderer quiz før og etter leksjonen, skriftlige instruksjoner for å fullføre leksjonen, en løsning, en oppgave og mer. Vår prosjektbaserte undervisningsmetode lar deg lære mens du bygger, en dokumentert metode for at nye ferdigheter skal "feste 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, særlig 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 stegene:

Fork depotet: Klikk på "Fork"-knappen øverst til høyre på denne siden.
Klon 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? Se vår Feilsøkingsguide for løsninger på vanlige problemer med installasjon, oppsett og kjøring av leksjoner.

Studenter, for å bruke denne læreplanen, fork hele repoet til din egen GitHub-konto og fullfør øvelsene på egen hånd eller i gruppe:

Start med en quiz før forelesningen.
Les forelesningen og fullfør aktivitetene, stopp opp og reflekter ved hver kunnskapskontroll.
Prøv å lage prosjektene ved å forstå leksjonene heller enn å bare kjøre løsningskoden; koden er likevel tilgjengelig i /solution-mappene i hver prosjektorienterte leksjon.
Ta quiz etter forelesningen.
Fullfør utfordringen.
Fullfør oppgaven.
Etter å ha fullført en leksjonsgruppe, besøk Diskusjonsforumet og «lær høyt» ved å fylle ut relevant PAT-rubric. En 'PAT' er et vurderingsverktøy som du fyller ut for å fremme læringen din. Du kan også reagere på andres PAT-er så vi kan lære sammen.

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

Lærere, vi har inkludert noen forslag om hvordan denne læreplanen kan brukes.

Video-gjennomganger

Noen av leksjonene er tilgjengelige som korte videoer. Du finner alle disse integrert 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 over for en video om prosjektet og folka som laget det!

Pedagogikk

Vi har valgt to pedagogiske prinsipper under utformingen av denne læreplanen: å sikre at den er praktisk prosjektbasert og at den inkluderer hyppige quizer. I tillegg har denne læreplanen et felles tema som gir sammenheng.

Ved å sikre at innholdet samsvarer med prosjekter, gjøres læringsprosessen mer engasjerende for studentene og forståelsen av konsepter vil øke. I tillegg setter en quiz med lav innsats før en klasse studentens fokus på å lære et tema, mens en annen quiz etter klassen sikrer ytterligere forståelse. Denne læreplanen er designet for å være fleksibel og morsom og kan tas i sin helhet eller delvis. Prosjektene starter smått og blir gradvis mer komplekse gjennom den 12-ukers syklusen. Denne læreplanen inkluderer også et etterord om virkelige anvendelser av ML, som kan brukes som ekstra kreditt eller som grunnlag for diskusjon.

Finn våre Regler for oppførsel, Bidrag, Oversettelser og Feilsøking-retningslinjer. Vi tar imot konstruktive tilbakemeldinger!

Hver leksjon inkluderer

valgfri skisse
valgfri supplerende video
video-gjennomgang (kun enkelte leksjoner)
quiz før forelesningen
skriftlig leksjon
for prosjektbaserte leksjoner, trinnvise guider for hvordan bygge prosjektet
kunnskapskontroller
en utfordring
supplerende lesning
oppgave
quiz etter forelesningen

En merknad om språk: Disse leksjonene er primært skrevet i Python, men mange er også tilgjengelige 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 kodeblokker (av R eller andre språk) og en YAML-header (som styrer hvordan utdata formateres, for eksempel PDF) i et Markdown-dokument. Som sådan fungerer det som en eksemplarisk forfatterramme for datavitenskap, siden det lar deg kombinere koden din, dens utdata og dine tanker ved å skrive dem ned i Markdown. I tillegg kan R Markdown-dokumenter gjengis til utdataformater som PDF, HTML eller Word.

En merknad om quizzer: Alle quizzer er samlet i Quiz App-mappen, totalt 52 quizzer med tre spørsmål hver. De er lenket fra leksjonene, men quiz-appen kan kjøres lokalt; følg instruksjonene i quiz-app-mappen for lokal hosting eller distribusjon til Azure.

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	Introduksjon til maskinlæring	Introduksjon	Lær de grunnleggende konseptene bak maskinlæring	Leksjon	Muhammad
02	Historien til maskinlæring	Introduksjon	Lær historien som ligger bak dette feltet	Leksjon	Jen og Amy
03	Rettferdighet og maskinlæring	Introduksjon	Hva er de viktige filosofiske problemstillingene rundt rettferdighet som studenter bør vurdere når de bygger og anvender ML-modeller?	Leksjon	Tomomi
04	Teknikkene 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	Nord-amerikanske gresskarpriser 🎃	Regresjon	Visualiser og rens data som forberedelse til ML	Python • R	Jen • Eric Wanjau
07	Nord-amerikanske gresskarpriser 🎃	Regresjon	Bygg lineære og polynomiale regresjonsmodeller	Python • R	Jen og Dmitry • Eric Wanjau
08	Nord-amerikanske gresskarpriser 🎃	Regresjon	Bygg en logistisk regresjonsmodell	Python • R	Jen • Eric Wanjau
09	En netthandelsapp 🔌	Web App	Bygg en nettapp for å bruke den trente modellen din	Python	Jen
10	Introduksjon til klassifisering	Klassifisering	Rens, forbered og visualiser data; introduksjon til klassifisering	Python • R	Jen og Cassie • Eric Wanjau
11	Deilige asiatiske og indiske retter 🍜	Klassifisering	Introduksjon til klassifikatorer	Python • R	Jen og Cassie • Eric Wanjau
12	Deilige asiatiske og indiske retter 🍜	Klassifisering	Flere klassifikatorer	Python • R	Jen og Cassie • Eric Wanjau
13	Deilige asiatiske og indiske retter 🍜	Klassifisering	Bygg en anbefalingsnettapp med modellen din	Python	Jen
14	Introduksjon til klynging	Klynging	Rens, forbered og visualiser data; introduksjon til klynging	Python • R	Jen • Eric Wanjau
15	Utforske nigerianske musikksmaker 🎧	Klynging	Utforsk K-Middel klynge-metoden	Python • R	Jen • Eric Wanjau
16	Introduksjon til naturlig språkbehandling ☕️	Naturlig språkbehandling	Lær det grunnleggende om NLP ved å bygge en enkel bot	Python	Stephen
17	Vanlige NLP-oppgaver ☕️	Naturlig språkbehandling	Fordyp din NLP-kunnskap ved å forstå vanlige oppgaver som kreves ved håndtering av 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 hotellvurderinger 1	Python	Stephen
20	Romantiske hoteller i Europa ♥️	Naturlig språkbehandling	Sentimentanalyse med hotellvurderinger 2	Python	Stephen
21	Introduksjon til tidsserieprognoser	Tidsserie	Introduksjon til tidsserieprognoser	Python	Francesca
22	⚡️ Verdens strømmforbruk ⚡️ - tidsserieprognose med ARIMA	Tidsserie	Tidsserieprognose med ARIMA	Python	Francesca
23	⚡️ Verdens strømmforbruk ⚡️ - tidsserieprognose med SVR	Tidsserie	Tidsserieprognose med Support Vector Regressor	Python	Anirban
24	Introduksjon til forsterkningslæring	Forsterkningslæring	Introduksjon til forsterkningslæring med Q-Læring	Python	Dmitry
25	Hjelp Peter å unngå ulven! 🐺	Forsterkningslæring	Forsterkningslæring Gym	Python	Dmitry
Postscript	Virkelige ML-scenarier og applikasjoner	ML i det fri	Interessante og avslørende virkelige anvendelser av 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 tilleggskilder for dette kurset i vår Microsoft Learn-samling

Offline-tilgang

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

PDF-filer

Finn en pdf av pensumet med lenker her.

🎒 Andre kurs

Vårt team produserer andre kurs! Sjekk ut:

LangChain

Azure / Edge / MCP / Agenter

Generativ AI-serie

Kjernelæring

Copilot-serie

Få hjelp

Hvis du står fast eller har spørsmål mens du lærer maskinlæring eller bygger AI-applikasjoner, ikke bekymre deg — hjelp er tilgjengelig.

Du kan delta i diskusjoner med andre lærende og utviklere, stille spørsmål og dele ideene dine med fellesskapet.

Bli med i fellesskapet for å stille spørsmål og lære med andre
Diskuter konsepter innen maskinlæring og prosjektideer
Få veiledning fra erfarne utviklere

Et støttende fellesskap er en flott måte å utvikle ferdighetene dine på og løse problemer raskere.

Microsoft Foundry Discord Community

Hvis du oppdager feil, problemer eller har forslag til forbedringer, kan du også åpne en Issue i dette depotet for å rapportere problemet.

For produkttilbakemeldinger eller for å søke i eksisterende innlegg i fellesskapet, besøk utviklerforumet:

Ytterligere læringstips

Gå gjennom notatbøker etter hver leksjon for bedre forståelse.
Øv på å implementere algoritmer på egen hånd.
Utforsk datasett fra virkeligheten ved å bruke lærte konsepter.

Ansvarsfraskrivelse: Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten Co-op Translator. Selv om vi streber etter nøyaktighet, vennligst vær oppmerksom på at automatiserte oversettelser kan inneholde feil eller unøyaktigheter. Det opprinnelige dokumentet på originalspråket skal betraktes 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.