🌐 Stöd för flera språk

Stöds via GitHub Action (Automatiserat & Alltid Uppdaterat)

Gå med i vår gemenskap

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

Maskininlärning för nybörjare - En läroplan

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

Cloud Advocates på Microsoft är glada att kunna erbjuda en 12-veckors, 26-lektions läroplan om maskininlärning. I denna läroplan kommer du att lära dig om det som ibland kallas klassisk maskininlärning, främst med hjälp av Scikit-learn som bibliotek och undvika djupinlärning, vilket täcks i vår AI för nybörjare-läroplan. Kombinera dessa lektioner med vår 'Data Science för nybörjare-läroplan', också!

Res med oss runt om i världen när vi tillämpar dessa klassiska tekniker på data från många olika områden i världen. Varje lektion innehåller quiz före och efter lektionen, skriftliga instruktioner för att slutföra lektionen, en lösning, en uppgift och mer. Vår projektbaserade pedagogik låter dig lära dig genom att skapa, ett beprövat sätt att få nya färdigheter att fastna.

✍️ 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 också till våra illustratörer Tomomi Imura, Dasani Madipalli och Jen Looper

🙏 Speciellt tack 🙏 till våra Microsoft Studentambassadör-författare, granskare och innehållsbidragare, särskilt Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila och Snigdha Agarwal

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

Kom igång

Följ dessa steg:

Forka Repositoriet: Klicka på "Fork"-knappen längst upp till höger på denna sida.
Klona Repositoriet: 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, inställningar och att köra lektioner.

Studenter, för att använda denna läroplan, forka hela repot till ditt eget GitHub-konto och slutför övningarna själv eller i grupp:

Börja med ett quiz före lektionen.
Läs lektionen och slutför aktiviteterna, pausa och reflektera vid varje kunskapskontroll.
Försök skapa projekten genom att förstå lektionerna snarare än att bara köra lösningskoden; dock finns den koden tillgänglig i /solution-mapparna i varje projektbaserad lektion.
Gör quizet efter lektionen.
Slutför utmaningen.
Slutför uppgiften.
Efter att ha slutfört en lektionsgrupp, besök Diskussionsforumet och "lär dig högt" genom att fylla i den relevanta PAT-mallen. En 'PAT' är ett verktyg för framstegsbedömning som är en mall du fyller i för att fördjupa ditt lärande. Du kan också reagera på andra PATs så att vi kan lära oss tillsammans.

För vidare studier rekommenderar vi att du följer dessa Microsoft Learn moduler och inlärningsvägar.

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

Videogenomgångar

Vissa av lektionerna finns tillgängliga som korta videor. Du kan hitta alla dessa inbäddade i lektionerna, eller på ML för nybörjare spellista på Microsoft Developer YouTube-kanal genom att klicka på bilden nedan.

Möt teamet

Gif av Mohit Jaisal

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

Pedagogik

Vi har valt två pedagogiska principer när vi byggde denna läroplan: att säkerställa att den är praktisk projektbaserad och att den inkluderar frekventa quiz. Dessutom har denna läroplan ett gemensamt tema för att ge den sammanhållning.

Genom att säkerställa att innehållet är kopplat till projekt blir processen mer engagerande för studenter och koncepten fastnar bättre. Dessutom sätter ett quiz med låg insats före en lektion studentens intention mot att lära sig ett ämne, medan ett andra quiz efter lektionen säkerställer ytterligare inlärning. Denna läroplan är designad för att vara flexibel och rolig och kan tas i sin helhet eller delvis. Projekten börjar små och blir alltmer komplexa i slutet av den 12 veckor långa cykeln. Denna läroplan inkluderar också ett efterord om verkliga tillämpningar av maskininlärning, som kan användas som extra poäng eller som en grund för diskussion.

Hitta vår Uppförandekod, Bidragsriktlinjer, Översättningsriktlinjer och Felsökningsguide. Vi välkomnar din konstruktiva feedback!

Varje lektion inkluderar

valfri sketchnote
valfri kompletterande video
videogenomgång (endast vissa lektioner)
quiz före lektionen
skriftlig lektion
för projektbaserade lektioner, steg-för-steg-guider om hur man bygger projektet
kunskapskontroller
en utmaning
kompletterande läsning
uppgift
quiz efter lektionen

En notis om språk: Dessa lektioner är främst skrivna i Python, men många är också tillgängliga i R. För att slutföra en R-lektion, gå till /solution-mappen och leta efter R-lektioner. De inkluderar en .rmd-filändelse 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 utdata formateras, såsom PDF) i ett Markdown-dokument. Som sådan fungerar det som ett exemplariskt författarramverk för dataanalys eftersom det låter dig kombinera din kod, dess utdata och dina tankar genom att låta dig skriva ner dem i Markdown. Dessutom kan R Markdown-dokument renderas till utdataformat som PDF, HTML eller Word.

En notis om quiz: Alla quiz finns i Quiz App-mappen, totalt 52 quiz med tre frågor vardera. De är länkade från lektionerna, men quiz-appen kan köras lokalt; följ instruktionerna i quiz-app-mappen för att köra lokalt eller distribuera till Azure.

Lektionsnummer	Ämne	Lektionens Grupp	Lärandemål	Länkad Lektion	Författare
01	Introduktion till maskininlärning	Introduktion	Lär dig de grundläggande koncepten bakom maskininlärning	Lektion	Muhammad
02	Historien om maskininlärning	Introduktion	Lär dig om historien bakom detta område	Lektion	Jen och Amy
03	Rättvisa och maskininlärning	Introduktion	Vilka viktiga filosofiska frågor kring rättvisa bör studenter överväga när de bygger och tillämpar 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 som förberedelse för 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 🔌	Webbapp	Bygg en webbapp för att använda din tränade modell	Python	Jen
10	Introduktion till klassificering	Klassificering	Rengör, förbered och visualisera din data; introduktion till klassificering	Python • R	Jen och Cassie • Eric Wanjau
11	Utsökta asiatiska och indiska rätter 🍜	Klassificering	Introduktion till klassificerare	Python • R	Jen och Cassie • Eric Wanjau
12	Utsökta asiatiska och indiska rätter 🍜	Klassificering	Fler klassificerare	Python • R	Jen och Cassie • Eric Wanjau
13	Utsökta asiatiska och indiska rätter 🍜	Klassificering	Bygg en rekommendationswebbapp med din modell	Python	Jen
14	Introduktion till klustring	Klustring	Rengör, förbered och visualisera din data; introduktion till klustring	Python • R	Jen • Eric Wanjau
15	Utforska nigerianska musiksmaker 🎧	Klustring	Utforska K-Means klustringsmetod	Python • R	Jen • Eric Wanjau
16	Introduktion till naturlig språkbehandling ☕️	Naturlig språkbehandling	Lär dig grunderna om NLP genom att bygga en enkel bot	Python	Stephen
17	Vanliga NLP-uppgifter ☕️	Naturlig språkbehandling	Fördjupa din kunskap om NLP genom att förstå vanliga uppgifter vid arbete med språkstrukturer	Python	Stephen
18	Översättning och sentimentanalys ♥️	Naturlig språkbehandling	Översättning och sentimentanalys med Jane Austen	Python	Stephen
19	Romantiska hotell i Europa ♥️	Naturlig språkbehandling	Sentimentanalys med hotellrecensioner 1	Python	Stephen
20	Romantiska hotell i Europa ♥️	Naturlig språkbehandling	Sentimentanalys med hotellrecensioner 2	Python	Stephen
21	Introduktion till tidsserieprognoser	Tidsserier	Introduktion till tidsserieprognoser	Python	Francesca
22	⚡️ Världens energiförbrukning ⚡️ - tidsserieprognoser med ARIMA	Tidsserier	Tidsserieprognoser med ARIMA	Python	Francesca
23	⚡️ Världens energiförbrukning ⚡️ - tidsserieprognoser med SVR	Tidsserier	Tidsserieprognoser med Support Vector Regressor	Python	Anirban
24	Introduktion till förstärkningsinlärning	Förstärkningsinlärning	Introduktion till förstärkningsinlärning med Q-Learning	Python	Dmitry
25	Hjälp Peter att undvika vargen! 🐺	Förstärkningsinlärning	Förstärkningsinlärning med Gym	Python	Dmitry
Postscript	Verkliga ML-scenarier och tillämpningar	ML i det vilda	Intressanta och avslöjande verkliga tillämpningar av klassisk ML	Lektion	Team
Postscript	Modellfelsökning i ML med RAI-dashboard	ML i det vilda	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 köra denna dokumentation offline genom att använda Docsify. Forka detta repo, installera Docsify på din lokala maskin, och sedan i rotmappen av detta repo, skriv docsify serve. Webbplatsen kommer att serveras på port 3000 på din localhost: localhost:3000.

PDF-filer

Hitta en PDF av kursplanen med länkar här.

🎒 Andra kurser

Vårt team producerar andra kurser! Kolla in:

Få hjälp

Om du fastnar eller har några frågor om att bygga AI-appar, gå med:

Om du har produktfeedback eller fel vid byggandet, besök:

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

FilesExpand file tree

README.md

Latest commit

History