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
Vill du klona lokalt?
Detta arkiv innehåller över 50 språköversättningar som ökar nedladdningsstorleken avsevärt. För att klona utan översättningar, använd sparsamt utcheckning:
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"Det ger dig allt du behöver för att genomföra kursen med en mycket snabbare nedladdning.
Vi har en pågående Discord-serie för att lära sig med AI, lär dig mer och gå med oss på Learn with AI Series från 18 - 30 september 2025. Du får tips och tricks för att använda GitHub Copilot för Data Science.
🌍 Res runt i världen medan vi utforskar Maskininlärning genom världskulturer 🌍
Cloud Advocates på Microsoft är glada att erbjuda en 12-veckors, 26-lektioners kursplan som handlar helt om Maskininlärning. I denna kursplan lär du dig om det som ibland kallas klassisk maskininlärning, som primärt använder Scikit-learn som bibliotek och undviker djupinlärning, vilken behandlas i vår AI för nybörjare-kursplan. Kombinera dessa lektioner med vår 'Data Science för nybörjare-kursplan', också!
Res med oss runt världen medan vi applicerar dessa klassiska tekniker på data från många delar av världen. Varje lektion inkluderar quiz före och efter lektionen, skrivna instruktioner för att slutföra lektionen, en lösning, en uppgift och mer. Vår projektbaserade pedagogik tillåter dig att lära dig medan du bygger, ett beprövat sätt att befästa nya färdigheter.
✍️ 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
🙏 Speciellt tack 🙏 till våra Microsoft Student Ambassador-författare, granskare och innehållsbidragsgivare, särskilt Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila och Snigdha Agarwal
🤩 Extra tack till Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, och Vidushi Gupta för våra R-lektioner!
Följ dessa steg:
- Fork:a arkivet: Klicka på "Fork"-knappen i övre högra hörnet på den här sidan.
- Klon:a arkivet:
git clone https://github.com/microsoft/ML-For-Beginners.git
hitta alla ytterligare resurser för denna kurs i vår Microsoft Learn-samling
🔧 Behöver du hjälp? Kolla vår Felsökningsguide för lösningar på vanliga problem med installation, konfiguration och körning av lektioner.
Studenter, för att använda denna kursplan, fork:a hela repo till ditt eget GitHub-konto och genomför 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 att skapa projekten genom att förstå lektionerna snarare än att bara köra lösningskoden; dock finns koden tillgänglig i
/solution-mapparna i varje projektorienterad lektion. - Gör quiz efter lektionen.
- Genomför utmaningen.
- Gör uppgiften.
- Efter att du har avslutat en lektionsgrupp, besök Diskussionspanelen och "lära högt" genom att fylla i rätt PAT-rubrik. En 'PAT' är ett framstegsbedömningsverktyg som är en rubrik du fyller i för att främja ditt lärande. Du kan också reagera på andras PAT:s så vi kan lära oss tillsammans.
För vidare studier rekommenderar vi att följa dessa Microsoft Learn moduler och lärvägar.
Lärare, vi har inkluderat några förslag på hur ni kan använda denna kursplan.
Vissa av lektionerna finns som korta videoklipp. Du hittar alla dessa i lektionsmaterialet eller på ML for Beginners spellista på Microsofts Developer YouTube-kanal genom att klicka på bilden nedan.
Gif skapad av Mohit Jaisal
🎥 Klicka på bilden ovan för en video om projektet och personerna som skapade det!
Vi har valt två pedagogiska principer när vi byggde denna kursplan: att säkerställa att den är praktisk och projektbaserad och att den inkluderar frestande quizzer. Utöver detta har kursplanen ett gemensamt tema för att ge den sammanhållning.
Genom att säkerställa att innehållet är anpassat till projekt blir processen mer engagerande för studenter och begreppens retention förstärks. Dessutom sätter ett lågrisk-quiz före lektionen studentens avsikt mot att lära sig ett ämne, medan ett andra quiz efter lektionen säkerställer ytterligare retention. Denna kursplan är designad för att vara flexibel och rolig och kan genomföras helt eller delvis. Projekten börjar små och blir successivt mer komplexa vid slutet av 12-veckorscykeln. Kursplanen inkluderar också ett efterskrift om verkliga tillämpningar av ML, som kan användas som meritpoäng eller som diskussionsunderlag.
Hitta våra uppföranderegler, Bidragande, Översättningar och Felsökning riktlinjer. Vi välkomnar din konstruktiva feedback!
- valfri sketchnote
- valfri kompletterande video
- videogenomgång (vissa lektioner endast)
- quiz före lektionen
- skriftlig lektion
- för projektbaserade lektioner, steg-för-steg guider för hur man bygger projektet
- kunskapskontroller
- en utmaning
- kompletterande läsning
- uppgift
- quiz efter lektionen
En notis om språk: Dessa lektioner är huvudsakligen skrivna i Python, men många finns också tillgängliga i R. För att genomföra en R-lektion, gå till
/solution-mappen och leta efter R-lektioner. De inkluderar en .rmd-filändelse som representerar en R Markdown-fil, vilket enkelt kan definieras som en inbäddning avkodblock(av R eller andra språk) och enYAML-huvud(som styr hur outputformater som PDF skall visas) i ettMarkdown-dokument. Som sådan fungerar det som en utmärkt författarram för data science eftersom det tillåter dig kombinera din kod, dess output och dina tankar genom att skriva dem i Markdown. Dessutom kan R Markdown-dokument renderas till outputformat som PDF, HTML eller Word. En notering om quiz: Alla quiz finns i Quiz App-mappen, totalt 52 quiz med tre frågor i varje. De är länkade från lektionerna, men quiz-appen kan köras lokalt; följ instruktionerna iquiz-app-mappen för att köra lokalt eller distribuera till Azure.
| Lektionnummer | Ämne | Lektion Grupp | Lärandemål | Länkad Lektion | Författare |
|---|---|---|---|---|---|
| 01 | Introduktion till maskininlärning | Introduktion | Lära sig grundläggande koncept bakom maskininlärning | Lektion | Muhammad |
| 02 | Maskininlärningens historia | Introduktion | Lära sig historien bakom detta område | Lektion | Jen och Amy |
| 03 | Rättvisa och maskininlärning | Introduktion | Vilka viktiga filosofiska frågor kring rättvisa bör studenter beakta när de bygger och använder ML-modeller? | Lektion | Tomomi |
| 04 | Tekniker för 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 | Nordamerikanska pumpapriser 🎃 | Regression | Visualisera och rengör data inför ML | Python • R | Jen • Eric Wanjau |
| 07 | Nordamerikanska pumpapriser 🎃 | Regression | Bygg linjära och polynomiska regressionsmodeller | Python • R | Jen och Dmitry • Eric Wanjau |
| 08 | Nordamerikanska pumpapriser 🎃 | 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 | Rengör, förbered och visualisera dina data; introduktion till klassificering | Python • R | Jen och Cassie • Eric Wanjau |
| 11 | Utsökta asiatiska och indiska kök 🍜 | Classification | Introduktion till klassificerare | Python • R | Jen och Cassie • Eric Wanjau |
| 12 | Utsökta asiatiska och indiska kök 🍜 | Classification | Fler klassificerare | Python • R | Jen och Cassie • Eric Wanjau |
| 13 | Utsökta asiatiska och indiska kök 🍜 | Classification | Bygg en rekommendationswebbapp med din modell | Python | Jen |
| 14 | Introduktion till klustring | Clustering | Rengör, förbered och visualisera dina data; introduktion till klustring | Python • R | Jen • Eric Wanjau |
| 15 | Utforska nigerianska musiksmaker 🎧 | Clustering | Utforska K-Means klustringsmetoden | 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 kunskap om NLP genom att förstå vanliga uppgifter vid hantering av språkliga strukturer | Python | Stephen |
| 18 | Översättning och sentimentsanalys |
Natural language processing | Översättning och sentimentsanalys med Jane Austen | Python | Stephen |
| 19 | Romantiska hotell i Europa |
Natural language processing | Sentimentsanalys med hotellrecensioner 1 | Python | Stephen |
| 20 | Romantiska hotell i Europa |
Natural language processing | Sentimentsanalys 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 | Förstärkningsinlärningsgym | Python | Dmitry |
| Postscript | Verkliga ML-scenarier och tillämpningar | ML in the Wild | Intressanta och avslöjande verkliga tillämpningar av klassisk ML | Lektion | Team |
| Postscript | Modellfelsökning i ML med RAI dashboard | ML in the Wild | Modellfelsökning i maskininlärning med Responsible AI dashboardkomponenter | Lektion | Ruth Yakubu |
hitta alla ytterligare resurser för denna kurs i vår Microsoft Learn-samling
Du kan använda denna dokumentation offline med Docsify. Forka detta repo, installera Docsify på din lokala maskin, och sedan i rotmappen för detta repo, skriv docsify serve. Webbplatsen serveras på port 3000 på din localhost: localhost:3000.
Hitta en pdf av kursplanen med länkar här.
Vårt team producerar andra kurser! Kolla in:
-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}
Om du fastnar eller har frågor om att skapa AI-appar. Gå med bland andra elever och erfarna utvecklare i diskussioner om MCP. Det är en stödjande community där frågor är välkomna och kunskap delas fritt.
Om du har produktfeedback eller stöter på fel vid utveckling, besök:
- Gå igenom anteckningsböcker efter varje lektion för bättre förståelse.
- Öva på att implementera algoritmer på egen hand.
- Utforska verkliga datauppsättningar med hjälp av lärda koncept.
Ansvarsfriskrivning: Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator. Även om vi strävar efter noggrannhet, vänligen observera att automatiska översättningar kan innehålla fel eller brister. Det ursprungliga dokumentet på dess modersmål bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för några missförstånd eller feltolkningar som uppstår vid användning av denna översättning.