README.md

🌐 Monikielinen tuki

Tuettu GitHub Actionin kautta (automaattinen ja aina ajan tasalla)

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

Haluatko mieluummin kloonata paikallisesti?

Tämä arkisto sisältää yli 50 käännöstä, mikä lisää merkittävästi lataustiedoston kokoa. Jos haluat kloonata ilman käännöksiä, käytä sparse checkout -toimintoa:

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"

Tämä antaa sinulle kaiken tarvittavan kurssin suorittamiseen paljon nopeammalla latauksella.

Liity yhteisöömme

Meillä on käynnissä Discordin opi tekoälyn kanssa -sarja, lisätietoja ja liittymään pääset osoitteesta Learn with AI Series ajalla 18. - 30. syyskuuta 2025. Saat vinkkejä ja niksejä GitHub Copilotin käyttämiseen Data Sciencessä.

Koneoppiminen aloittelijoille - Opetussuunnitelma

🌍 Matkustetaan ympäri maailmaa tutkien koneoppimista maailman kulttuurien näkökulmasta 🌍

Microsoftin Cloud Advocates tarjoaa 12 viikon ja 26 oppitunnin opetussuunnitelman, joka keskittyy kokonaan koneoppimiseen. Tässä opetussuunnitelmassa opit siitä, mitä joskus kutsutaan klassikoksi koneoppimiseksi, pääasiassa Scikit-learn-kirjastoa käyttäen ja välttäen syväoppimista, joka on käsitelty tekoälyn aloittelijoille -opetussuunnitelmassamme. Yhdistä nämä oppitunnit myös 'Data Science aloittelijoille' -opetussuunnitelmamme kanssa!

Matkusta kanssamme ympäri maailmaa soveltaen näitä klassisia menetelmiä dataan monilta maailman alueilta. Jokainen oppitunti sisältää ennakko- ja jälkikokeet, kirjalliset ohjeet oppitunnin suorittamiseen, ratkaisun, tehtävän ja paljon muuta. Projektipohjainen opetusmenetelmä antaa sinun oppia samalla kun rakennat, mikä on todistettu tapa uusien taitojen omaksumiseen.

✍️ Sydämellinen kiitos tekijöillemme Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ja Amy Boyd

🎨 Kiitos myös kuvittajillemme Tomomi Imura, Dasani Madipalli ja Jen Looper

🙏 Erityiskiitos 🙏 Microsoft Student Ambassador -tekijöille, tarkistajille ja sisältöjen tekijöille, erityisesti Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ja Snigdha Agarwal

🤩 Erityiskiitos Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi ja Vidushi Gupta R-oppitunneistamme!

Aloittaminen

Noudata näitä vaiheita:

1. Haarauta arkisto: Napsauta "Fork" -painiketta tämän sivun oikeassa yläkulmassa.
2. Kloonaa arkisto: git clone https://github.com/microsoft/ML-For-Beginners.git

löydät kaikki lisäresurssit tälle kurssille Microsoft Learn -kokoelmastamme

🔧 Tarvitsetko apua? Katso vianmääritysohjeistuksemme yleisimpiä asennukseen, käyttöönottoon ja oppituntien suorittamiseen liittyviä ongelmia varten.

Opiskelijat, käyttääksenne tätä opetussuunnitelmaa, haarauttakaa koko arkisto omaan GitHub-tiliinne ja tehkää harjoitukset itseksenne tai ryhmässä:

• Aloita ennakkotestillä.
• Lue luento ja tee tehtävät, pysähdy tarkistamaan osaaminen aina kun on tietotarkistus.
• Yritä luoda projektit ymmärtämällä oppitunnit sen sijaan, että suoritat ratkaisukoodit; nämä koodit ovat kuitenkin saatavilla /solution-kansioissa kussakin projektipainotteisessa oppitunnissa.
• Tee jälkitesti.
• Suorita haaste.
• Tee kotitehtävä.
• Kun olet suorittanut oppituntiryhmän, käy Keskustelualueella ja "opiskele ääneen" täyttämällä sopiva PAT-arviointilomake. 'PAT' tarkoittaa Progress Assessment Toolia, jolla arvioit osaamistasi. Voit myös kommentoida muiden PAT:eja, niin opimme yhdessä.

Jatko-opiskeluun suosittelemme seuraamaan näitä Microsoft Learn moduuleja ja oppimispolkuja.

Opettajat, olemme sisällyttäneet joitakin ehdotuksia opetussuunnitelman käyttöön.

---

Videokävelyt

Jotkin oppitunneista ovat saatavilla lyhytmuotoisina videoina. Löydät ne kaikki oppitunnin yhteydessä, tai ML for Beginners -soittolistalta Microsoft Developer YouTube -kanavalla klikkaamalla alla olevaa kuvaa.

---

Tutustu tiimiin

Gif: Mohit Jaisal

🎥 Klikkaa kuvaa yllä nähdäksesi videon projektista ja sen tekijöistä!

---

Pedagogiikka

Olemme valinneet kaksi opetuksellista periaatetta rakentaessamme tätä opetussuunnitelmaa: varmistaa, että se on käytännönläheinen ja projektipohjainen, ja että siinä on usein myös tietotestauksia. Lisäksi tällä opetussuunnitelmalla on yhteinen teema sen yhtenäisyyden vuoksi.

Sisällön liittäminen projekteihin tekee prosessista opiskelijoille kiinnostavamman ja käsitteiden muistaminen tehostuu. Lisäksi matalan panoksen koe ennen luentoa asettaa opiskelijan oppimistavoitteen, ja toinen koe luennon jälkeen varmistaa lisämuistin. Tämä opetussuunnitelma on suunniteltu joustavaksi ja hauskaksi, ja se voidaan suorittaa kokonaan tai osittain. Projektit alkavat yksinkertaisina ja muuttuvat yhä monimutkaisemmiksi 12 viikon aikana. Opetussuunnitelmaan sisältyy myös loppusanat koneoppimisen todellisista sovelluksista, joita voi käyttää lisäpisteisiin tai keskustelun pohjaksi.

Löydät käyttäytymissääntömme, osallistumisohjeet, käännökset ja vianmääritysohjeet. Otamme mielellämme vastaan rakentavaa palautetta!

Jokainen oppitunti sisältää

• valinnaisen muistiinpanokuvan
• valinnaisen lisävideon
• videokävelyn (vain osassa oppitunteja)
• ennakko-oppimisen lämmittelykokeen
• kirjallisen oppitunnin
• projektilähtöisissä oppitunneissa vaiheittaiset ohjeet projektin rakentamiseen
• tietotarkistuksia
• haasteen
• lisälukemista
• kotitehtävän
• jälkitestin

Huomio kielistä: Näitä oppitunteja kirjoitetaan pääasiassa Pythonilla, mutta monet ovat myös saatavilla R:llä. R-oppitunnin suorittamiseksi mene /solution-kansioon ja etsi R-oppitunnit. Niissä on .rmd-tiedostopääte, joka tarkoittaa R Markdown -tiedostoa, joka voidaan yksinkertaisesti määritellä R- tai muiden kielten koodilohkojen ja YAML-otsikon (ohjeistaa tulosteiden kuten PDF:n muotoilua) upotuksena Markdown-dokumenttiin. Täten se toimii esimerkillisenä kirjoitusalustana data tieteessä, koska sen avulla voit yhdistää koodisi, sen tulokset ja ajatuksesi kirjoittamalla ne Markdownilla. Lisäksi R Markdown -dokumentteja voidaan renderöidä tulostusmuodoiksi kuten PDF, HTML tai Word. Muistutus visailuista: Kaikki visailut löytyvät Quiz App -kansiosta, yhteensä 52 visailua, joissa jokaisessa on kolme kysymystä. Ne linkitetään oppitunneilta, mutta visailusovelluksen voi myös ajaa paikallisesti; noudata quiz-app-kansion ohjeita paikalliseen isännöintiin tai Azureen käyttöönottoon.

Oppitunnin numero	Aihe	Oppituntiryhmittely	Oppimistavoitteet	Linkitetty oppitunti	Tekijä
01	Johdatus koneoppimiseen	Introduction	Opettele koneoppimisen peruskäsitteet	Oppitunti	Muhammad
02	Koneoppimisen historia	Introduction	Tutustu koneoppimisen alaan liittyvään historiaan	Oppitunti	Jen ja Amy
03	Oikeudenmukaisuus ja koneoppiminen	Introduction	Mitkä ovat tärkeimmät oikeudenmukaisuuteen liittyvät filosofiset kysymykset, joita opiskelijoiden tulisi pohtia rakentaessaan ja käyttäessään ML-malleja?	Oppitunti	Tomomi
04	Koneoppimisen menetelmät	Introduction	Mitä menetelmiä ML-tutkijat käyttävät rakentaessaan ML-malleja?	Oppitunti	Chris ja Jen
05	Johdatus regressioon	Regression	Aloita Pythonin ja Scikit-learnin käytöllä regressiomallien rakentamisessa	Python • R	Jen • Eric Wanjau
06	Pohjois-Amerikan kurpitsahinnat 🎃	Regression	Visualisoi ja puhdista data koneoppimista varten	Python • R	Jen • Eric Wanjau
07	Pohjois-Amerikan kurpitsahinnat 🎃	Regression	Rakenna lineaariset ja polynomiset regressiomallit	Python • R	Jen ja Dmitry • Eric Wanjau
08	Pohjois-Amerikan kurpitsahinnat 🎃	Regression	Rakenna logistinen regressiomalli	Python • R	Jen • Eric Wanjau
09	Web-sovellus 🔌	Web App	Rakenna verkkosovellus koulutetun mallisi käyttöön	Python	Jen
10	Johdatus luokitteluun	Classification	Puhdista, valmistele ja visualisoi data; johdatus luokitteluun	Python • R	Jen ja Cassie • Eric Wanjau
11	Herkulliset aasialaiset ja intialaiset ruuat 🍜	Classification	Johdatus luokittelijoihin	Python • R	Jen ja Cassie • Eric Wanjau
12	Herkulliset aasialaiset ja intialaiset ruuat 🍜	Classification	Lisää luokittelijoita	Python • R	Jen ja Cassie • Eric Wanjau
13	Herkulliset aasialaiset ja intialaiset ruuat 🍜	Classification	Rakenna suositteleva verkkosovellus mallisi avulla	Python	Jen
14	Johdatus klusterointiin	Clustering	Puhdista, valmistele ja visualisoi data; johdatus klusterointiin	Python • R	Jen • Eric Wanjau
15	Nigerialainen musiikkimaku 🎧	Clustering	Tutustu K-Means-klusterointimenetelmään	Python • R	Jen • Eric Wanjau
16	Johdatus luonnollisen kielen käsittelyyn ☕️	Natural language processing	Opi NLP:n perusteet rakentamalla yksinkertainen botti	Python	Stephen
17	Yleiset NLP-tehtävät ☕️	Natural language processing	Syvennä NLP-tietämystäsi ymmärtämällä yleisiä kielellisten rakenteiden käsittelyssä tarvittavia tehtäviä	Python	Stephen
18	Kääntäminen ja mielipiteiden analyysi ♥️	Natural language processing	Kääntäminen ja mielipiteiden analyysi Jane Austenin avulla	Python	Stephen
19	Euroopan romanttiset hotellit ♥️	Natural language processing	Mielipiteiden analyysi hotelliarvosteluilla 1	Python	Stephen
20	Euroopan romanttiset hotellit ♥️	Natural language processing	Mielipiteiden analyysi hotelliarvosteluilla 2	Python	Stephen
21	Johdatus aikasarjaennusteisiin	Time series	Johdatus aikasarjaennusteisiin	Python	Francesca
22	⚡️ Maailman sähkönkulutus ⚡️ - aikasarjaennuste ARIMA:lla	Time series	Aikasarjaennuste ARIMA-mallilla	Python	Francesca
23	⚡️ Maailman sähkönkulutus ⚡️ - aikasarjaennuste SVR:llä	Time series	Aikasarjaennuste tukivektoriregressoriin (SVR) avulla	Python	Anirban
24	Johdatus vahvistusoppimiseen	Reinforcement learning	Johdatus vahvistusoppimiseen Q-Learningin avulla	Python	Dmitry
25	Auta Peteriä välttämään susi! 🐺	Reinforcement learning	Vahvistusoppimisen Gym	Python	Dmitry
Jälkikirjoitus	Todelliset ML-skenaariot ja sovellukset	ML in the Wild	Mielenkiintoisia ja valaisevia todellisen maailman sovelluksia klassisesta ML:stä	Oppitunti	Tiimi
Jälkikirjoitus	Mallin virheenkorjaus ML:ssä RAI-dashboardilla	ML in the Wild	Mallin virheenkorjaus koneoppimisessa Responsible AI -dashboard-komponenttien avulla	Oppitunti	Ruth Yakubu

löydä kaikki tämän kurssin lisäresurssit Microsoft Learn -kokoelmassamme

Offline-käyttö

Voit käyttää tätä dokumentaatiota offline-tilassa käyttämällä Docsify. Haarauta tämä repo, asenna Docsify paikallisesti ja sen jälkeen tämän repokansion juurikansiossa kirjoita docsify serve. Sivusto toimii portissa 3000 paikallisessa koneessasi: localhost:3000.

PDF:t

Löydät opetussuunnitelman pdf-muodossa linkkeineen täältä.

🎒 Muut kurssit

Tiimimme tuottaa muita kursseja! Tutustu:

LangChain

Azure / Edge / MCP / Agents

---

Generative AI Series

---

Keskeinen oppiminen

---

Copilot-sarja

Apua saamaan

Jos jumitut tai sinulla on kysyttävää tekoälysovellusten rakentamisesta, liity muiden oppijoiden ja kokeneiden kehittäjien keskusteluihin MCP:stä. Se on tukeva yhteisö, jossa kysymykset ovat tervetulleita ja tieto jaetaan vapaasti.

Jos sinulla on palautetta tuotteesta tai virheitä rakentamisen aikana, käy:

Lisäoppimisvinkkejä

• Käy läpi muistikirjat jokaisen oppitunnin jälkeen paremman ymmärryksen saamiseksi.
• Harjoittele algoritmien toteuttamista itse.
• Tutustu tosielämän aineistoihin oppimiesi käsitteiden avulla.

---

Vastuuvapauslauseke:
Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua Co-op Translator. Pyrimme tarkkuuteen, mutta huomioithan, että automaattikäännöksissä saattaa esiintyä virheitä tai epätarkkuuksia. Alkuperäistä asiakirjaa sen alkuperäiskielellä tulee pitää virallisena lähteenä. Tärkeiden tietojen osalta suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa tämän käännöksen käytöstä mahdollisesti aiheutuvista väärinkäsityksistä tai tulkinnoista.