ML-For-Beginners/translations/fi

🌐 Monikielinen tuki

Tuettu GitHub Actionin kautta (automaattinen ja aina ajan tasalla)

Arabia | Bengali | Bulgaria | Burma (Myanmar) | Kiina (yksinkertaistettu) | Kiina (perinteinen, Hong Kong) | Kiina (perinteinen, Macao) | Kiina (perinteinen, Taiwan) | Kroatia | Tsekki | Tanska | Hollanti | Viro | Suomi | Ranska | Saksa | Kreikka | Heprea | Hindi | Unkari | Indonesia | Italia | Japani | Kannada | Khmer | Korea | Liettua | Malaiji | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norja | Persia (Farsi) | Puola | Portugali (Brasilia) | Portugali (Portugali) | Punjabi (Gurmukhi) | Romania | Venäjä | Serbia (kyrillinen) | Slovakki | Slovenia | Espanja | Swahili | Ruotsi | Tagalog (Filippiinit) | Tamili | Telugu | Thaimaa | Turkki | Ukraina | Urdu | Vietnam

Haluatko kloonata paikallisesti?

Tässä repositoriossa on yli 50 kielen käännöksiä, mikä lisää huomattavasti ladattavan tiedoston kokoa. Kloonaa ilman käännöksiä käyttämällä osittaista checkoutia:

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"

Saat kaiken tarvittavan kurssin suorittamiseen paljon nopeammalla latauksella.

Liity yhteisöömme

Meillä on käynnissä Discordin Learn with AI -sarja, opi lisää ja liity mukaan osoitteessa Learn with AI Series ajalla 18. - 30. syyskuuta 2025. Saat vinkkejä ja niksejä GitHub Copilotin käyttöön Data Scientistin työssä.

Koneoppiminen aloittelijoille - Opetussuunnitelma

🌍 Matkusta ympäri maailmaa tutkiessamme koneoppimista maailman kulttuurien avulla 🌍

Microsoftin Cloud Advocates tarjoaa 12-viikkoisen, 26-oppitunnin opetussuunnitelman, joka käsittelee koneoppimista. Tässä opetussuunnitelmassa opit niin kutsutusta klassikosta koneoppimisesta, käyttäen pääasiassa Scikit-learnia kirjastona ja välttäen syväoppimista, jota käsitellään AI for Beginners -opetussuunnitelmassamme. Yhdistä nämä oppitunnit myös 'Data Science for Beginners' -opetussuunnitelman kanssa!

Matkustamme ympäri maailmaa soveltaessamme näitä klassisia menetelmiä eri alueiden tietoihin. Jokainen oppitunti sisältää ennen- ja jälkeetenttejä, kirjalliset ohjeet oppitunnin suorittamiseen, ratkaisut, harjoitukset ja muuta. Projektipohjainen pedagogiikkamme sallii oppimisen rakentamisen ohessa, mikä on todistettu tapa saada uudet taidot pysymään.

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

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

🙏 Erityiskiitokset 🙏 Microsoft Student Ambassador -kirjoittajillemme, tarkistajillemme ja sisällöntuottajille, 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 ohjeita:

1. Forkkaa repositorio: Klikkaa "Fork" -painiketta tämän sivun oikeassa yläkulmassa.
2. Kloonaa repositorio: git clone https://github.com/microsoft/ML-For-Beginners.git

Löydät kaikki kurssin lisäresurssit Microsoft Learn -kokoelmassamme

🔧 Tarvitsetko apua? Katso Vianetsintäoppaamme yleisimpiin asennukseen, käyttöönottoon ja oppituntien suorittamiseen liittyviin ongelmiin.

Opiskelijat, käyttäkää tätä opetussuunnitelmaa forkaamalla koko repo omaan GitHub-tiliinne ja suorittakaa harjoitukset itse tai ryhmässä:

• Aloita ennakkokyselyllä.
• Lue oppitunti ja suorita tehtävät, pysähdy ja pohdi jokaisen tietotarkistuksen kohdalla.
• Yritä luoda projektit ymmärtämällä oppitunnit sen sijaan, että suorittaisit ratkaisukoodin; kuitenkin koodi on saatavilla jokaisen projektilähtöisen oppitunnin /solution -kansiossa.
• Tee jälkitentti.
• Suorita haaste.
• Tee tehtävä.
• Oppituntiryhmän suorittamisen jälkeen käy Keskustelutaululla ja "opiskele ääneen" täyttämällä sopiva PAT-arviointilomake. 'PAT' on Progress Assessment Tool, arviointityökalu, jonka täytät oppimisesi edistämiseksi. Voit myös reagoida muiden PAT-lomakkeisiin, jotta voimme oppia yhdessä.

Lisätutkimukseen suosittelemme seuraavia Microsoft Learn moduuleja ja oppimispolkuja.

Opettajat, olemme sisällyttäneet joitain ehdotuksia opetussuunnitelman käyttöön.

---

Videoesittelyt

Jotkut oppitunneista ovat saatavilla lyhytmuotoisina videoina. Löydät ne kaikki oppituntien yhteydessä tai ML for Beginners -soittolistalta Microsoft Developer YouTube -kanavalta klikkaamalla alla olevaa kuvaa.

---

Tapaa tiimi

Gif: Mohit Jaisal

🎥 Klikkaa yllä olevaa kuvaa nähdäksesi videon projektista ja sen tekijöistä!

---

Pedagogiikka

Olemme valinneet kaksi pedagogista periaatetta tätä opetussuunnitelmaa rakentaessamme: varmistaa, että se on käytännönläheinen projektipohjainen, ja että se sisältää useita tietokilpailuja. Lisäksi opetussuunnitelmalla on yhtenäinen teema, joka antaa sille eheyttä.

Sisällön linkittäminen projekteihin tekee prosessista opiskelijalle mielenkiintoisemman ja käsitteiden omaksuminen vahvistuu. Lisäksi matalan panoksen tietokilpailu ennen oppituntia asettaa opiskelijan opiskelutavotteet, ja jälkitentti varmistaa käsitteiden pysyvyyden. Tämä opetussuunnitelma on suunniteltu joustavaksi ja hauskaksi, ja se voidaan suorittaa kokonaan tai osittain. Projektit alkavat yksinkertaisista ja monimutkaistuvat 12 viikon syklin loppuun mennessä. Oppitunnit sisältävät myös jälkisanat koneoppimisen todellisista sovelluksista, joita voi käyttää lisäpisteisiin tai keskustelun pohjana.

Löydät käytösnormimme, osallistumisohjeet, käännökset ja vianetsinnän ohjeet. Otamme mielellämme vastaan rakentavaa palautetta!

Jokainen oppitunti sisältää

• valinnaisen muistiinpanokuvan
• valinnaisen lisävideon
• videoesittelyn (vain osassa oppitunteja)
• ennakkotietovisan
• kirjallisen oppitunnin
• projektipohjaisissa oppitunneissa vaiheittaiset ohjeet projektin rakentamiseen
• tietokilpailukysymyksiä
• haasteen
• lisälukemista
• tehtävän
• jälkitietovisan

Huomio kielistä: Nämä oppitunnit on ensisijaisesti kirjoitettu Pythonilla, mutta monet ovat saatavilla myös R-kielellä. R-oppitunnin suorittamiseksi siirry /solution-kansioon ja etsi R-opetuksia. Niillä on .rmd-pääte, joka edustaa R Markdown -tiedostoa, jota voidaan yksinkertaisesti määritellä R:n tai muiden kielten koodilohkojen upotukseksi ja YAML-otsikoksi (joka ohjaa esimerkiksi PDF-muodon tuottamista) Markdown-asiakirjassa. Tällaisenaan se toimii esimerkillisenä kirjoituskehyksenä datatieteessä, sillä se mahdollistaa koodin, sen tulosten ja ajatusten yhdistämisen kirjoittamalla ne ylös Markdownilla. Lisäksi R Markdown -asiakirjat voidaan viedä tulostusmuotoihin kuten PDF, HTML tai Word.

Huomio visailuista: Kaikki visailut löytyvät Quiz App -kansiosta, yhteensä 52 visailua, joissa on kolme kysymystä kukin. Ne on linkitetty oppituntien sisältä, mutta quiz-sovellusta voidaan ajaa paikallisesti; seuraa ohjeita quiz-app-kansiossa paikallisen isännöinnin tai Azuren käyttöönoton osalta.

Oppitunnin numero	Aihe	Oppituntiryhmä	Opetustavoitteet	Linkitetty oppitunti	Tekijä
01	Johdatus koneoppimiseen	Johdatus	Opit koneoppimisen peruskäsitteet	Oppitunti	Muhammad
02	Koneoppimisen historia	Johdatus	Opit alan historian	Oppitunti	Jen ja Amy
03	Oikeudenmukaisuus ja koneoppiminen	Johdatus	Mitkä ovat tärkeät filosofiset kysymykset oikeudenmukaisuudesta, jotka tulisi huomioida koneoppimismalleja rakennettaessa?	Oppitunti	Tomomi
04	Tekniikat koneoppimisessa	Johdatus	Mitä tekniikoita koneoppimisasiantuntijat käyttävät mallien rakentamiseen?	Oppitunti	Chris ja Jen
05	Johdatus regressioon	Regressio	Aloita Pythonilla ja Scikit-learnillä regressiomallien parissa	Python • R	Jen • Eric Wanjau
06	Pohjois-Amerikan kurpitsahinnat 🎃	Regressio	Visualisoi ja siivoa dataa koneoppimista varten	Python • R	Jen • Eric Wanjau
07	Pohjois-Amerikan kurpitsahinnat 🎃	Regressio	Rakenna lineaariset ja polynomiset regressiomallit	Python • R	Jen ja Dmitry • Eric Wanjau
08	Pohjois-Amerikan kurpitsahinnat 🎃	Regressio	Rakenna logistinen regressiomalli	Python • R	Jen • Eric Wanjau
09	Verkkosovellus 🔌	Web App	Rakenna verkkosovellus käyttämällä kouluttamaasi mallia	Python	Jen
10	Johdatus luokitteluun	Luokittelu	Siivoa, valmistele ja visualisoi datasi; johdatus luokitteluun	Python • R	Jen ja Cassie • Eric Wanjau
11	Herkulliset Aasian ja Intian keittiöt 🍜	Luokittelu	Johdatus luokittelijoihin	Python • R	Jen ja Cassie • Eric Wanjau
12	Herkulliset Aasian ja Intian keittiöt 🍜	Luokittelu	Lisää luokittelijoita	Python • R	Jen ja Cassie • Eric Wanjau
13	Herkulliset Aasian ja Intian keittiöt 🍜	Luokittelu	Rakenna suositteluverkkosovellus mallisi avulla	Python	Jen
14	Johdatus klusterointiin	Klusterointi	Siivoa, valmistele ja visualisoi datasi; johdatus klusterointiin	Python • R	Jen • Eric Wanjau
15	Tutustu Nigerialaisen musiikin makuun 🎧	Klusterointi	Tutustu K-means-klusterointimenetelmään	Python • R	Jen • Eric Wanjau
16	Johdatus luonnolliseen kielen käsittelyyn ☕️	Luonnollisen kielen käsittely	Opettele NLP:n perusteet rakentamalla yksinkertainen botti	Python	Stephen
17	Yleiset NLP-tehtävät ☕️	Luonnollisen kielen käsittely	Syvennä NLP-tietämystäsi ymmärtämällä yleisiä tehtäviä, joita tarvitaan kielirakenteiden käsittelyssä	Python	Stephen
18	Käännös ja tunneanalyysi ♥️	Luonnollisen kielen käsittely	Käännös ja tunneanalyysi Jane Austenin teksteillä	Python	Stephen
19	Euroopan romanttiset hotellit ♥️	Luonnollisen kielen käsittely	Tunneanalyysi hotelliarvioiden perusteella 1	Python	Stephen
20	Euroopan romanttiset hotellit ♥️	Luonnollisen kielen käsittely	Tunneanalyysi hotelliarvioiden perusteella 2	Python	Stephen
21	Johdatus aikasarjaennusteisiin	Aikasarja	Johdatus aikasarjaennustamiseen	Python	Francesca
22	⚡️ Maailman sähkönkulutus ⚡️ - aikasarjaennuste ARIMAlla	Aikasarja	Aikasarjaennuste ARIMA-mallilla	Python	Francesca
23	⚡️ Maailman sähkönkulutus ⚡️ - aikasarjaennuste SVR:llä	Aikasarja	Aikasarjaennuste Support Vector Regressorilla	Python	Anirban
24	Johdatus vahvistusoppimiseen	Vahvistusoppiminen	Johdatus vahvistusoppimiseen Q-oppimisen avulla	Python	Dmitry
25	Auta Peteriä välttämään susi! 🐺	Vahvistusoppiminen	Vahvistusoppimisen Gym	Python	Dmitry
Jälkikirjoitus	Käytännön ML-skenaariot ja sovellukset	ML luonnossa	Mielenkiintoisia ja paljastavia reaalimaailman sovelluksia klassiselle koneoppimiselle	Oppitunti	Tiimi
Jälkikirjoitus	Mallien virheenkorjaus ML:ssä RAI-hallintapaneelilla	ML luonnossa	Mallien virheenkorjaus koneoppimisessa Responsible AI -hallintapaneelin avulla	Oppitunti	Ruth Yakubu

löydä kaikki lisäresurssit tälle kurssille Microsoft Learn -kokoelmastamme

Offline-käyttö

Voit käyttää tätä dokumentaatiota offline-tilassa käyttämällä Docsifya. Haarauta tämä repositorio, asenna Docsify paikallisesti koneellesi, ja sitten tämän repositorion juurikansiossa kirjoita docsify serve. Verkkosivusto palvellaan portissa 3000 paikallisessa palvelimessasi: localhost:3000.

PDF-tiedostot

Löydä opetussuunnitelman pdf-linkkeineen täältä.

🎒 Muita kursseja

Tiimimme tuottaa muitakin kursseja! Tutustu:

LangChain

Azure / Edge / MCP / Agentit

---

Generatiivisen tekoälyn sarja

---

Keskeinen oppiminen

---

Copilot-sarja

Apua

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

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

Lisäoppimisvinkkejä

• Käy läpi muistikirjat jokaisen oppitunnin jälkeen paremman ymmärtämisen vuoksi.
• Harjoittele algoritmien toteuttamista itse.
• Tutustu oikean maailman aineistoihin opittujen käsitteiden avulla.

---

Vastuuvapauslauseke: Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua Co-op Translator. Vaikka pyrimme tarkkuuteen, tulee huomioida, että automaattiset käännökset voivat sisältää virheitä tai epätarkkuuksia. Alkuperäistä asiakirjaa sen alkuperäisellä kielellä tulee pitää virallisena lähteenä. Tärkeiden tietojen osalta suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa tämän käännöksen käytöstä aiheutuvista väärinkäsityksistä tai tulkinnoista.