README.md

🌐 Fleresproget support

Understøttet via GitHub Action (Automatiseret & Altid Opdateret)

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

Foretrækker du at klone lokalt?

Dette repository indeholder over 50 sprogoversættelser, hvilket øger downloadstørrelsen markant. For at klone uden oversættelser, brug 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 giver dig alt, hvad du behøver for at gennemføre kurset med en meget hurtigere download.

Deltag i vores fællesskab

Vi har en Discord learn with AI-serie i gang, lær mere og deltag hos Learn with AI Series fra 18. - 30. september 2025. Du vil få tips og tricks til at bruge GitHub Copilot til Data Science.

Maskinlæring for begyndere - Et kursusforløb

🌍 Rejs rundt i verden, mens vi udforsker maskinlæring gennem verdens kulturer 🌍

Cloud Advocates hos Microsoft er glade for at tilbyde et 12-ugers, 26-lektioners kursusforløb om Maskinlæring. I dette kursusforløb lærer du om det, der nogle gange kaldes klassisk maskinlæring, hvor vi primært bruger Scikit-learn som bibliotek og undgår deep learning, som dækkes i vores AI for Beginners' kursusforløb. Kombinér gerne disse lektioner med vores 'Data Science for Beginners'-kursusforløb, også!

Rejs med os rundt i verden, mens vi anvender disse klassiske teknikker på data fra mange forskellige områder af verden. Hver lektion inkluderer pre- og post-quizzer, skriftlige instruktioner til at gennemføre lektionen, en løsning, en opgave og mere. Vores projektbaserede undervisningsmetode lader dig lære mens du bygger, en bevist måde at få nye færdigheder til at "sidde fast".

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

🎨 Tak også til vores illustratorer Tomomi Imura, Dasani Madipalli og Jen Looper

🙏 Særlige tak 🙏 til vores Microsoft Student Ambassador forfattere, anmeldere og indholdsleverandører, især Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila og Snigdha Agarwal

🤩 Ekstra tak til Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi og Vidushi Gupta for vores R-lektioner!

Kom godt i gang

Følg disse trin:

1. Fork repositoryet: Klik på "Fork" knappen i øverste højre hjørne af siden.
2. Klon repositoryet: git clone https://github.com/microsoft/ML-For-Beginners.git

find alle yderligere ressourcer til dette kursus i vores Microsoft Learn-samling

🔧 Brug for hjælp? Tjek vores Fejlfinding guide for løsninger på almindelige problemer med installation, opsætning og kørsel af lektioner.

Studerende, for at bruge dette kursusforløb, fork hele repoet til din egen GitHub-konto og gennemfør øvelserne selv eller i gruppe:

• Start med en pre-lecture quiz.
• Læs lektionen og gennemfør aktiviteterne, stop op og reflekter ved hver knowledge check.
• Prøv at skabe projekterne ved at forstå lektionerne fremfor bare at køre løsningskoden; dog er denne kode tilgængelig i /solution mapperne i hver projektorienteret lektion.
• Tag post-lecture quizzen.
• Gennemfør udfordringen.
• Gennemfør opgaven.
• Efter at have gennemført en lektion gruppe, besøg Diskussionsforumet og "lær højt" ved at udfylde den relevante PAT-skala. En 'PAT' er et progresseringsvurderingsværktøj, som er en rubric du udfylder for at fremme din læring. Du kan også reagere på andres PAT’er, så vi kan lære sammen.

Til videre studier anbefaler vi at følge disse Microsoft Learn moduler og læringsstier.

Lærere, vi har inkluderet nogle forslag til hvordan I kan bruge dette kursusforløb.

---

Video-gennemgange

Nogle af lektionerne findes som korte videoer. Du kan finde alle disse i linje i lektionerne, eller på ML for Beginners playlisten på Microsoft Developer YouTube-kanalen ved at klikke på billedet nedenfor.

---

Mød holdet

Gif af Mohit Jaisal

🎥 Klik på billedet ovenfor for en video om projektet og de personer, der skabte det!

---

Undervisningsmetode

Vi har valgt to pædagogiske principper under opbygningen af dette kursusforløb: at sikre at det er praktisk projektbaseret og at det inkluderer hyppige quizzer. Derudover har dette kursusforløb et fælles tema for at skabe sammenhæng.

Ved at sikre, at indholdet matcher projekter, bliver processen mere engagerende for studerende, og fastholdelse af koncepter øges. Desuden sætter en lavrisiko quiz før en lektion den studerendes intention mod at lære et emne, mens en anden quiz efter lektionen sikrer yderligere fastholdelse. Dette kursusforløb er designet til at være fleksibelt og sjovt og kan tages i sin helhed eller delvist. Projekterne starter småt og bliver gradvist mere komplekse ved afslutningen af 12-ugers perioden. Dette forløb inkluderer også en efterskrift om virkelige anvendelser af ML, som kan bruges som ekstra kredit eller som grundlag for diskussion.

Find vores Adfærdskodeks, Bidrag, Oversættelser og Fejlfinding retningslinjer. Vi byder konstruktiv feedback velkommen!

Hver lektion inkluderer

• valgfri skitsenote
• valgfri supplerende video
• video-gennemgang (kun nogle lektioner)
• pre-lecture opvarmningsquiz
• skreven lektion
• for projektbaserede lektioner, trin-for-trin vejledninger til at bygge projektet
• knowledge checks
• en udfordring
• supplerende læsestof
• opgave
• post-lecture quiz

En note om sprog: Disse lektioner er primært skrevet i Python, men mange findes også i R. For at gennemføre en R-lektion, gå til /solution mappen og find R-lektioner. De har en .rmd-udvidelse, som repræsenterer en R Markdown fil, der enkelt kan defineres som en indlejring af kodeblokke (af R eller andre sprog) og et YAML-hoved (der guider, hvordan output formateres såsom PDF) i et Markdown dokument. Dermed tjener det som en fremragende forfatterplatform for data science, fordi det tillader dig at kombinere din kode, dens output og dine tanker ved at skrive dem ned i Markdown. Desuden kan R Markdown dokumenter gengives til outputformater som PDF, HTML eller Word. En note om quizzer: Alle quizzer findes i Quiz App folder, i alt 52 quizzer med tre spørgsmål i hver. De er linket fra lektionerne, men quiz-appen kan køres lokalt; følg vejledningen i quiz-app mappen for lokal hosting eller deployment til Azure.

Lesson Number	Emne	Lektion Gruppe	Læringsmål	Linket Lektion	Forfatter
01	Introduktion til maskinlæring	Introduktion	Lær de grundlæggende begreber bag maskinlæring	Lektion	Muhammad
02	Maskinlæringens historie	Introduktion	Lær historien bag dette område	Lektion	Jen og Amy
03	Retfærdighed og maskinlæring	Introduktion	Hvad er de vigtige filosofiske spørgsmål omkring retfærdighed, som studerende bør overveje ved udvikling og anvendelse af ML-modeller?	Lektion	Tomomi
04	Teknikker til maskinlæring	Introduktion	Hvilke teknikker bruger ML-forskere til at bygge ML-modeller?	Lektion	Chris og Jen
05	Introduktion til regression	Regression	Kom i gang med Python og Scikit-learn for regressionsmodeller	Python • R	Jen • Eric Wanjau
06	Nordamerikanske græskarpriser 🎃	Regression	Visualiser og rens data som forberedelse til ML	Python • R	Jen • Eric Wanjau
07	Nordamerikanske græskarpriser 🎃	Regression	Byg lineære og polynomielle regressionsmodeller	Python • R	Jen og Dmitry • Eric Wanjau
08	Nordamerikanske græskarpriser 🎃	Regression	Byg en logistisk regressionsmodel	Python • R	Jen • Eric Wanjau
09	En webapp 🔌	Web App	Byg en webapp til at bruge din trænede model	Python	Jen
10	Introduktion til klassifikation	Classification	Rens, forbered og visualiser dine data; introduktion til klassifikation	Python • R	Jen og Cassie • Eric Wanjau
11	Lækre asiatiske og indiske køkkener 🍜	Classification	Introduktion til klassifikatorer	Python • R	Jen og Cassie • Eric Wanjau
12	Lækre asiatiske og indiske køkkener 🍜	Classification	Flere klassifikatorer	Python • R	Jen og Cassie • Eric Wanjau
13	Lækre asiatiske og indiske køkkener 🍜	Classification	Byg en anbefalings-webapp ved brug af din model	Python	Jen
14	Introduktion til klyngedannelse	Clustering	Rens, forbered og visualiser dine data; introduktion til klyngedannelse	Python • R	Jen • Eric Wanjau
15	Udforskning af nigerianske musiksmag 🎧	Clustering	Undersøg K-Means klyngemetoden	Python • R	Jen • Eric Wanjau
16	Introduktion til sprogteknologi ☕️	Natural language processing	Lær det grundlæggende om NLP ved at bygge en simpel bot	Python	Stephen
17	Almindelige NLP-opgaver ☕️	Natural language processing	Fordyb din NLP-viden ved at forstå almindelige opgaver, der kræves ved behandling af sproglige strukturer	Python	Stephen
18	Oversættelse og sentimentanalyse ♥️	Natural language processing	Oversættelse og sentimentanalyse med Jane Austen	Python	Stephen
19	Romantiske hoteller i Europa ♥️	Natural language processing	Sentimentanalyse med hotelanmeldelser 1	Python	Stephen
20	Romantiske hoteller i Europa ♥️	Natural language processing	Sentimentanalyse med hotelanmeldelser 2	Python	Stephen
21	Introduktion til prognose med tidsserier	Time series	Introduktion til prognose med tidsserier	Python	Francesca
22	⚡️ Verdens strømforbrug ⚡️ - tidsserieprognose med ARIMA	Time series	Tidsserieprognose med ARIMA	Python	Francesca
23	⚡️ Verdens strømforbrug ⚡️ - tidsserieprognose med SVR	Time series	Tidsserieprognose med Support Vector Regressor	Python	Anirban
24	Introduktion til forstærkningslæring	Reinforcement learning	Introduktion til forstærkningslæring med Q-Learning	Python	Dmitry
25	Hjælp Peter med at undgå ulven! 🐺	Reinforcement learning	Forstærkningslæring Gym	Python	Dmitry
Efterskrift	Virkelige ML-scenarier og -anvendelser	ML in the Wild	Interessante og afslørende virkelige anvendelser af klassisk ML	Lektion	Team
Efterskrift	Fejlfinding af modeller i ML med RAI dashboard	ML in the Wild	Fejlfinding af maskinlæringsmodeller vha. Responsible AI-dashboard komponenter	Lektion	Ruth Yakubu

find alle yderligere ressourcer til dette kursus i vores Microsoft Learn samling

Offline adgang

Du kan køre denne dokumentation offline ved at bruge Docsify. Fork dette repo, installer Docsify på din lokale maskine, og skriv derefter i roden af dette repo docsify serve. Websitet vil blive serveret på port 3000 på din localhost: localhost:3000.

PDF'er

Find en pdf af pensum med links her.

🎒 Andre kurser

Vores team producerer andre kurser! Se nærmere på:

LangChain

Azure / Edge / MCP / Agents

---

Generativ AI Serie

---

Kerne Læring

---

Copilot Serie

Få Hjælp

Hvis du sidder fast eller har spørgsmål om at bygge AI-apps. Deltag sammen med andre lærende og erfarne udviklere i diskussioner om MCP. Det er et støttende fællesskab, hvor spørgsmål er velkomne og viden deles frit.

Hvis du har produktfeedback eller fejl under udvikling, besøg:

Supplerende Læringstips

• Gennemgå noter efter hver lektion for bedre forståelse.
• Øv dig i at implementere algoritmer selv.
• Udforsk virkelige datasæt med de lærte koncepter.

---

Ansvarsfraskrivelse: Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten Co-op Translator. Selvom vi tilstræber nøjagtighed, bedes du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det oprindelige dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os intet ansvar for misforståelser eller fejltolkninger, der opstår som følge af brugen af denne oversættelse.