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
Föredrar du att klona lokalt?
Detta arkiv innehåller över 50 språköversättningar vilket avsevärt ökar nedladdningsstorleken. För att klona utan översättningar, använd 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"Detta ger dig allt du behöver för att slutföra kursen med en mycket snabbare nedladdning.
Vi har en Discord-serie om att lära sig med AI pågående, lär dig mer och gå med oss på Learn with AI Series från 18 - 30 september, 2025. Du får tips och tricks om hur man använder GitHub Copilot för Data Science.
🌍 Res runt i världen när vi utforskar maskininlärning genom världens kulturer 🌍
Cloud Advocates på Microsoft erbjuder en 12-veckors, 26-lektioners läroplan som handlar om Maskininlärning. I denna läroplan kommer du att lära dig om det som ibland kallas klassisk maskininlärning, med huvudsakligen Scikit-learn som bibliotek och utan djupinlärning, som täcks i vår AI för nybörjare-läroplan. Kombinera dessa lektioner med vår 'Data Science för nybörjare-läroplan' också!
Res med oss runt världen medan vi tillämpar dessa klassiska tekniker på data från många delar av världen. Varje lektion inkluderar quiz före och efter lektionen, skriftliga instruktioner för att slutföra lektionen, en lösning, en uppgift och mer. Vår projektbaserade pedagogik låter dig lära dig medan du bygger, ett beprövat sätt för nya färdigheter att "fästa".
✍️ 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
🙏 Stort 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 Repositoriet: Klicka på knappen "Fork" uppe 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, uppsättning och att köra lektioner.
Studenter, för att använda denna läroplan, gör en fork av hela repo till ditt eget GitHub-konto och gör övningarna själv eller i en grupp:
- Börja med ett quiz före föreläsningen.
- Läs föreläsningen och utför 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 quizet efter föreläsningen.
- Slutför utmaningen.
- Slutför uppgiften.
- Efter att ha slutfört en lektionsgrupp, besök Diskussionsforumet och "lär högt" genom att fylla i lämpligt PAT-rubrik. Ett 'PAT' är ett Progress Assessment Tool som är en bedömningsmall du fyller i för att fördjupa din kunskap. Du kan också reagera på andra PAT:er så att 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 läroplan.
Några av lektionerna finns som korta videor. Du kan hitta alla dessa inbäddade i lektionerna, eller på ML for Beginners spellistan på Microsoft Developer YouTube-kanal genom att klicka på bilden nedan.
Gif av Mohit Jaisal
🎥 Klicka på bilden ovan för en video om projektet och människorna som skapade det!
Vi har valt två pedagogiska principer vid skapandet av denna läroplan: att den ska vara praktiskt projektbaserad och att den innehåller frekventa quiz. Dessutom har denna läroplan ett gemensamt tema för att ge den sammanhang.
Genom att säkerställa att innehållet är kopplat till projekt blir processen mer engagerande för studenter och konceptbevarandet förbättras. Dessutom sätter ett lågintensivt quiz före lektionen en avsikt för studenten att lära sig ett ämne, medan ett andra quiz efter lektionen säkerställer vidare retention. Denna läroplan är designad för att vara flexibel och rolig och kan läsas i sin helhet eller delvis. Projekten börjar små och blir successivt mer komplexa under den 12-veckors cykeln. Denna läroplan innehåller även ett postscriptum om verkliga tillämpningar av ML, som kan användas som extrakredit eller som grund för diskussion.
Hitta våra uppförandekoder, Bidragande, Översättningar och Felsökning riktlinjer. Vi välkomnar din konstruktiva feedback!
- valfri sketchnote
- valfri kompletterande video
- videogenomgång (vissa lektioner endast)
- uppvärmningsquiz före föreläsning
- skriftlig lektion
- för projektbaserade lektioner, steg-för-steg-guide hur man bygger projektet
- kunskapskontroller
- en utmaning
- kompletterande läsning
- uppgift
- quiz efter föreläsning
En notis om språk: Dessa lektioner är främst skrivna i Python, men många finns även tillgängliga på 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-header(som styr hur utdata ska formateras, såsom PDF) i ettMarkdown-dokument. Som sådan fungerar det som en exemplifierande författarramverk för datavetenskap eftersom det låter dig kombinera din kod, dess utdata och dina tankar genom att tillåta dig att skriva ner dem i Markdown. Dessutom kan R Markdown-dokument renderas till utdatakällor 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 inom lektionerna men quiz-appen kan köras lokalt; följ instruktionerna i
quiz-app-mappen för att köra lokalt eller distribuera till Azure.
| Lektion Nummer | Ämne | Lektion Gruppindelning | 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 historien bakom detta område | Lektion | Jen och Amy |
| 03 | Rättvisa och maskininlärning | Introduktion | Vilka är de viktiga filosofiska frågorna kring rättvisa som studenter bör överväga 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 webapp 🔌 | Web App | Bygg en webbapp för att använda din tränade modell | Python | Jen |
| 10 | Introduktion till klassificering | Classification | Rengör, förbered och visualisera din data; introduktion till klassificering | Python • R | Jen och Cassie • Eric Wanjau |
| 11 | Läcker asiatisk och indisk matlagning 🍜 | Classification | Introduktion till klassificerare | Python • R | Jen och Cassie • Eric Wanjau |
| 12 | Läcker asiatisk och indisk matlagning 🍜 | Classification | Fler klassificerare | Python • R | Jen och Cassie • Eric Wanjau |
| 13 | Läcker asiatisk och indisk matlagning 🍜 | Classification | Bygg en rekommenderande webbapp med hjälp av din modell | Python | Jen |
| 14 | Introduktion till klustring | Clustering | Rengör, förbered och visualisera din 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 NLP-kunskap genom att förstå vanliga uppgifter vid hantering av språkliga strukturer | Python | Stephen |
| 18 | Översättning och sentimentanalys |
Natural language processing | Översättning och sentimentanalys med Jane Austen | Python | Stephen |
| 19 | Romantiska hotell i Europa |
Natural language processing | Sentimentanalys med hotellrecensioner 1 | Python | Stephen |
| 20 | Romantiska hotell i Europa |
Natural language processing | Sentimentanalys 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 undvika vargen! 🐺 | Reinforcement learning | Förstärkningsinlärning Gym | Python | Dmitry |
| Efterskrift | Verkliga ML-scenarier och tillämpningar | ML in the Wild | Intressanta och avslöjande verkliga tillämpningar av klassisk ML | Lektion | Team |
| Efterskrift | Modellfelsökning i ML med hjälp av 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 köra denna dokumentation offline genom att använda Docsify. Forka detta repo, installera Docsify på din lokala maskin, och skriv sedan docsify serve i root-mappen av detta repo. Webbplatsen kommer att serveras på port 3000 på din localhost: localhost:3000.
Hitta en pdf av kursplanen med länkar här.
Vårt team producerar andra kurser! Kolla in:
Om du fastnar eller har frågor när du lär dig maskininlärning eller bygger AI-applikationer, oroa dig inte — hjälp finns tillgänglig.
Du kan delta i diskussioner med andra elever och utvecklare, ställa frågor och dela dina idéer med communityn.
- Gå med i communityn för att ställa frågor och lära dig tillsammans med andra
- Diskutera maskininlärningskoncept och projektidéer
- Få vägledning från erfarna utvecklare
En stödjande community är ett bra sätt att utveckla dina färdigheter och lösa problem snabbare.
Microsoft Foundry Discord Community
Om du stöter på buggar, fel eller har förslag på förbättringar kan du också öppna ett Issue i detta repository för att rapportera problemet.
För produktfeedback eller för att söka i befintliga communityinlägg, besök utvecklarforumet:
- Gå igenom anteckningsböckerna efter varje lektion för bättre förståelse.
- Öva på att implementera algoritmer på egen hand.
- Utforska verkliga dataset med hjälp av inlärda 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 från användningen av denna översättning.