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 | Khmer | 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 50+ språkoversettelser som øker nedlastingsstørrelsen betydelig. For å klone uten oversettelser, bruk sparsjekontroll:
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 mye raskere nedlasting.
Vi har en Discord-lær med AI-serie pågående, lær mer og bli med oss på Learn with AI Series fra 18. - 30. september 2025. Du vil få tips og triks for å bruke GitHub Copilot for Data Science.
🌍 Reis rundt i verden mens vi utforsker Maskinlæring gjennom verdens kulturer 🌍
Cloud Advocates hos Microsoft er glade for å tilby en 12-ukers, 26-leksjons læreplan som handler om Maskinlæring. I denne læreplanen vil du lære det som noen ganger kalles klassisk maskinlæring, med hovedvekt på Scikit-learn som et bibliotek og unngår dyp læring, som dekkes i vår AI for Beginners-læreplan. Kombiner disse leksjonene med vår 'Data Science for Beginners'-læreplan, også!
Reis med oss rundt i verden mens vi bruker disse klassiske teknikkene på data fra mange verdensdeler. Hver leksjon inkluderer quiz før og etter leksjonen, skriftlige instruksjoner for å fullføre leksjonen, en løsning, en oppgave, og mer. Vår prosjektbaserte pedagogikk lar deg lære mens du bygger, en bevist 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, spesielt Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila og Snigdha Agarwal
🤩 Ekstra takknemlighet til Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi og Vidushi Gupta for våre R-leksjoner!
Følg disse trinnene:
- Gaffel depotet: Klikk på "Fork" knappen øverst til høyre på denne siden.
- 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 Veiledning for feilsøking for løsninger på vanlige problemer med installasjon, oppsett og kjøring av leksjoner.
Studenter, for å bruke denne læreplanen, lag en gaffel av hele repositoriet til din egen GitHub-konto og fullfør øvelsene alene 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 fremfor å bare kjøre løsningskoden; denne koden er imidlertid tilgjengelig i
/solution-mappene i hver prosjektorienterte leksjon. - Ta quizen etter forelesningen.
- Fullfør utfordringen.
- Fullfør oppgaven.
- Etter å ha fullført en leksjonsgruppe, besøk Diskusjonstavlen og "lær høyt" ved å fylle ut den passende PAT-rubrikken. En 'PAT' er et fremdriftsvurderingsverktøy som er et vurderingsskjema du fyller ut for å fremme læringen din. Du kan også reagere på andres 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 man bruker denne læreplanen.
Noen av leksjonene er tilgjengelige som korte videoer. Du kan finne alle disse integrert i leksjonene, eller på ML for Beginners playlisten på Microsoft Developer YouTube-kanal ved å klikke på bildet nedenfor.
Gif av Mohit Jaisal
🎥 Klikk på bildet over for en video om prosjektet og folka som laget det!
Vi har valgt to pedagogiske prinsipper under byggingen av denne læreplanen: å sikre at det er praktisk prosjektbasert og at det inneholder hyppige quizer. I tillegg har denne læreplanen et felles tema for å gi den sammenheng.
Ved å sikre at innholdet samsvarer med prosjekter, blir prosessen mer engasjerende for studentene og forståelsen av konsepter vil bli styrket. I tillegg setter en lavterskelquiz før en klasse studentens intensjon mot å lære et emne, mens en andre quiz etter klassen sikrer ytterligere forståelse. Denne læreplanen er designet for å være fleksibel og morsom og kan gjennomføres i sin helhet eller delvis. Prosjektene starter smått og blir gradvis mer komplekse mot slutten av den 12-ukers syklusen. Denne læreplanen inkluderer også et etterord om reelle anvendelser av ML, som kan brukes som ekstra poeng eller som grunnlag for diskusjon.
Finn våre Regler for oppførsel, Bidragsretningslinjer, Oversettelser, og Feilsøking. Vi ønsker din konstruktive tilbakemelding velkommen!
- valgfri sketchnote
- valgfri supplementvideo
- videogjennomgang (kun noen leksjoner)
- quiz før forelesning
- skriftlig leksjon
- for prosjektbaserte leksjoner, trinnvise guider for hvordan bygge prosjektet
- kunnskapskontroller
- en utfordring
- tilleggslitteratur
- oppgave
- quiz etter forelesning
En merknad om språk: Disse leksjonene er hovedsakelig 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 avkodebiter(av R eller andre språk) og enYAML-header(som styrer hvordan utdata som PDF skal formateres) i etMarkdown-dokument. Som sådan fungerer det som en eksemplarisk forfatterramme for datavitenskap siden det lar deg kombinere koden din, dens utdata, og tankene dine ved å tillate deg å skrive dem ned i Markdown. Dessuten kan R Markdown-dokumenter gjengis til utdataformater som PDF, HTML eller Word.
En merknad om quizzer: Alle quizzer er samlet i Quiz App-mappen, for totalt 52 quizzer med tre spørsmål hver. De er lenket inn i leksjonene, men quiz-appen kan kjøres lokalt; følg instruksjonen i
quiz-app-mappen for lokal hosting eller distribuering til Azure.
| Lekjsonnummer | Emne | Leksjonsgruppering | Læringsmål | Lenket leksjon | Forfatter |
|---|---|---|---|---|---|
| 01 | Introduksjon til maskinlæring | Introduksjon | Lær grunnleggende konsepter bak maskinlæring | Leksjon | Muhammad |
| 02 | Maskinlæringens historie | Introduksjon | Lær historien bak dette feltet | Leksjon | Jen og Amy |
| 03 | Rettferdighet og maskinlæring | Introduksjon | Hva er viktige filosofiske spørsmål rundt rettferdighet som studenter bør vurdere når de bygger og bruker 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 | Nordamerikanske gresskarlyspriser 🎃 | Regresjon | Visualiser og rengjør data i forberedelse til ML | Python • R | Jen • Eric Wanjau |
| 07 | Nordamerikanske gresskarlyspriser 🎃 | Regresjon | Bygg lineære og polynomielle regresjonsmodeller | Python • R | Jen og Dmitry • Eric Wanjau |
| 08 | Nordamerikanske gresskarlyspriser 🎃 | Regresjon | Bygg en logistisk regresjonsmodell | Python • R | Jen • Eric Wanjau |
| 09 | En Web-App 🔌 | Web App | Bygg en webapp for å bruke din trente modell | Python | Jen |
| 10 | Introduksjon til klassifisering | Klassifisering | Rengjør, forbered og visualiser dine data; introduksjon til klassifisering | Python • R | Jen og Cassie • Eric Wanjau |
| 11 | Deilige asiatiske og indiske kjøkken 🍜 | Klassifisering | Introduksjon til klassifisører | Python • R | Jen og Cassie • Eric Wanjau |
| 12 | Deilige asiatiske og indiske kjøkken 🍜 | Klassifisering | Flere klassifisører | Python • R | Jen og Cassie • Eric Wanjau |
| 13 | Deilige asiatiske og indiske kjøkken 🍜 | Klassifisering | Bygg en anbefalingswebapp ved bruk av din modell | Python | Jen |
| 14 | Introduksjon til klyngedannelse | Klyngedannelse | Rengjør, forbered og visualiser dine data; Introduksjon til klyngedannelse | Python • R | Jen • Eric Wanjau |
| 15 | Utforsking av nigerianske musikksmaker 🎧 | Klyngedannelse | Utforsk K-Means klyngemetode | 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 dine NLP-kunnskaper ved å forstå vanlige oppgaver som kreves når du arbeider med 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 tidsseriefremskriving | Tidsserie | Introduksjon til tidsseriefremskriving | Python | Francesca |
| 22 | ⚡️ Verdens strømforbruk ⚡️ - tidsseriefremskriving med ARIMA | Tidsserie | Tidsseriefremskriving med ARIMA | Python | Francesca |
| 23 | ⚡️ Verdens strømforbruk ⚡️ - tidsseriefremskriving med SVR | Tidsserie | Tidsseriefremskriving med Support Vector Regressor | Python | Anirban |
| 24 | Introduksjon til forsterkende læring | Forsterkende læring | Introduksjon til forsterkende læring med Q-læring | Python | Dmitry |
| 25 | Hjelp Peter med å unngå ulven! 🐺 | Forsterkende læring | Forsterkende læring Gym | Python | Dmitry |
| Postscript | Virkelige ML-scenarier og anvendelser | ML i det fri | Interessante og avslørende virkelige anvendelser av klassisk ML | Leksjon | Team |
| Postscript | Feilsøking av modeller i ML ved bruk av RAI-dashboard | ML i det fri | Feilsøking av maskinlæringsmodeller ved bruk av Responsible AI-dashbordkomponenter | Leksjon | Ruth Yakubu |
finn alle ekstra ressurser for dette kurset i vår Microsoft Learn-samling
Du kan kjøre denne dokumentasjonen frakoblet ved å bruke Docsify. Fork dette repoet, installer Docsify på din lokale maskin, og deretter i rotmappen til dette repoet, skriv docsify serve. Nettstedet vil bli servert på port 3000 på din lokalhost: localhost:3000.
Finn en pdf av læreplanen med lenker her.
Vårt team produserer andre kurs! Sjekk ut:
-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA){kind=icon}
-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC){kind=icon}
-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9){kind=icon}
Hvis du står fast eller har spørsmål om å bygge AI-apper. Bli med andre lærende og erfarne utviklere i diskusjoner om MCP. Det er et støttende fellesskap hvor spørsmål er velkomne og kunnskap deles fritt.
Hvis du har produkt tilbakemeldinger eller opplever feil under bygging, besøk:
- Gå gjennom notatbøker etter hver leksjon for bedre forståelse.
- Øv på å implementere algoritmer på egenhånd.
- 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 originale dokumentet på dets opprinnelige språk bør betraktes som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for eventuelle misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen.