ML-For-Beginners/translations/fi

🌐 Monikielinen tuki

Tuettu GitHub Actionin kautta (automaattinen ja aina ajan tasalla)

French | Spanish | German | Russian | Arabic | Persian (Farsi) | Urdu | Chinese (Simplified) | Chinese (Traditional, Macau) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Taiwan) | Japanese | Korean | Hindi | Bengali | Marathi | Nepali | Punjabi (Gurmukhi) | Portuguese (Portugal) | Portuguese (Brazil) | Italian | Polish | Turkish | Greek | Thai | Swedish | Danish | Norwegian | Finnish | Dutch | Hebrew | Vietnamese | Indonesian | Malay | Tagalog (Filipino) | Swahili | Hungarian | Czech | Slovak | Romanian | Bulgarian | Serbian (Cyrillic) | Croatian | Slovenian | Ukrainian | Burmese (Myanmar)

Liity yhteisöön

Koneoppiminen aloittelijoille - Opintosuunnitelma

🌍 Matkusta ympäri maailmaa tutustuessasi koneoppimiseen eri kulttuurien kautta 🌍

Microsoftin Cloud Advocates -tiimi tarjoaa ylpeänä 12 viikon ja 26 oppitunnin opintosuunnitelman, joka käsittelee koneoppimista. Tässä opintosuunnitelmassa opit niin sanottua klassista koneoppimista, pääasiassa Scikit-learn-kirjastoa käyttäen ja välttäen syväoppimista, joka käsitellään AI for Beginners -opintosuunnitelmassa. Yhdistä nämä oppitunnit Data Science for Beginners -opintosuunnitelmaan, niin saat kokonaisvaltaisen oppimiskokemuksen!

Matkusta kanssamme ympäri maailmaa soveltaessamme näitä klassisia tekniikoita eri alueiden dataan. Jokainen oppitunti sisältää ennakko- ja jälkitunnin kyselyt, kirjalliset ohjeet oppitunnin suorittamiseen, ratkaisun, tehtävän ja paljon muuta. Projektipohjainen pedagogiikkamme mahdollistaa oppimisen tekemisen kautta, mikä on todistetusti tehokas tapa uusien taitojen omaksumiseen.

✍️ Suuret kiitokset kirjoittajillemme 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, arvioijillemme ja sisällöntuottajillemme, erityisesti Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ja Snigdha Agarwal

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

Aloittaminen

Noudata näitä ohjeita:

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

löydä kaikki lisäresurssit tähän kurssiin Microsoft Learn -kokoelmastamme

Opiskelijat, haaroittakaa koko arkisto omaan GitHub-tiliinne ja suorittakaa harjoitukset itsenäisesti tai ryhmässä:

• Aloita ennakkokyselyllä.
• Lue oppitunti ja suorita aktiviteetit, pysähtyen ja pohtien jokaisen tietotarkistuksen kohdalla.
• Yritä luoda projektit ymmärtämällä oppitunnit sen sijaan, että suorittaisit ratkaisukoodin; kuitenkin kyseinen koodi on saatavilla /solution-kansioissa jokaisessa projektipohjaisessa oppitunnissa.
• Tee jälkitunnin kysely.
• Suorita haaste.
• Suorita tehtävä.
• Kun olet suorittanut oppituntiryhmän, käy Keskustelupalstalla ja "opettele ääneen" täyttämällä sopiva PAT-arviointityökalu. PAT on edistymisen arviointityökalu, joka on kaavake, jonka täytät oppimisesi edistämiseksi. Voit myös reagoida muiden PAT-arviointeihin, jotta voimme oppia yhdessä.

Jatko-opiskelua varten suosittelemme seuraamaan näitä Microsoft Learn moduuleja ja oppimispolkuja.

Opettajat, olemme sisällyttäneet joitakin ehdotuksia siitä, miten käyttää tätä opintosuunnitelmaa.

---

Video-opastukset

Osa oppitunneista on saatavilla lyhyinä videoina. Löydät ne kaikki oppituntien sisällä tai ML for Beginners -soittolistalta Microsoft Developer YouTube -kanavalla klikkaamalla alla olevaa kuvaa.

---

Tutustu tiimiin

Gifin tekijä Mohit Jaisal

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

---

Pedagogiikka

Olemme valinneet kaksi pedagogista periaatetta tämän opintosuunnitelman rakentamiseen: varmistamme, että se on käytännönläheinen projektipohjainen ja että se sisältää usein toistuvia kyselyitä. Lisäksi opintosuunnitelmalla on yhteinen teema, joka antaa sille yhtenäisyyttä.

Varmistamalla, että sisältö liittyy projekteihin, prosessi on opiskelijoille kiinnostavampi ja käsitteiden omaksuminen paranee. Lisäksi matalan kynnyksen kysely ennen oppituntia suuntaa opiskelijan huomion aiheen oppimiseen, kun taas toinen kysely oppitunnin jälkeen varmistaa lisämuistamisen. Tämä opintosuunnitelma on suunniteltu joustavaksi ja hauskaksi, ja sen voi suorittaa kokonaan tai osittain. Projektit alkavat pienistä ja muuttuvat yhä monimutkaisemmiksi 12 viikon jakson loppuun mennessä. Opintosuunnitelma sisältää myös jälkikirjoituksen koneoppimisen käytännön sovelluksista, joita voidaan käyttää lisäpisteinä tai keskustelun pohjana.

Löydä käytössäännöt, osallistumisohjeet ja käännösohjeet. Otamme mielellämme vastaan rakentavaa palautettasi!

Jokainen oppitunti sisältää

• valinnainen piirrosmuistiinpano
• valinnainen lisävideo
• video-opastus (vain joissakin oppitunneissa)
• ennakkokysely
• kirjallinen oppitunti
• projektipohjaisissa oppitunneissa vaiheittaiset ohjeet projektin rakentamiseen
• tietotarkistukset
• haaste
• lisälukemista
• tehtävä
• jälkitunnin kysely

Huomio kielistä: Nämä oppitunnit on pääasiassa kirjoitettu Pythonilla, mutta monet ovat saatavilla myös R-kielellä. R-oppitunnin suorittamiseksi siirry /solution-kansioon ja etsi R-oppitunnit. Ne sisältävät .rmd-päätteen, joka edustaa R Markdown -tiedostoa, jota voidaan yksinkertaisesti määritellä koodilohkojen (R tai muiden kielten) ja YAML-otsikon (ohjaa ulostulon muotoilua, kuten PDF) yhdistelmänä Markdown-dokumentissa. Näin ollen se toimii esimerkillisenä kirjoituskehyksenä data-analytiikalle, koska sen avulla voit yhdistää koodisi, sen tulokset ja ajatuksesi kirjoittamalla ne Markdowniin. Lisäksi R Markdown -dokumentit voidaan renderöidä ulostulomuotoihin, kuten PDF, HTML tai Word.

Huomio kyselyistä: Kaikki kyselyt sisältyvät Quiz App -kansioon, yhteensä 52 kyselyä, joissa on kolme kysymystä kussakin. Ne on linkitetty oppitunneista, mutta kyselysovellusta voi käyttää paikallisesti; seuraa quiz-app-kansion ohjeita sovelluksen paikalliseen isännöintiin tai Azureen julkaisemiseen.

Oppitunnin numero	Aihe	Oppituntiryhmä	Oppimistavoitteet	Linkitetty oppitunti	Kirjoittaja
01	Johdatus koneoppimiseen	Johdanto	Opi koneoppimisen peruskäsitteet	Oppitunti	Muhammad
02	Koneoppimisen historia	Johdanto	Opi tämän alan taustalla oleva historia	Oppitunti	Jen ja Amy
03	Oikeudenmukaisuus ja koneoppiminen	Johdanto	Mitkä ovat tärkeät filosofiset kysymykset oikeudenmukaisuudesta, jotka opiskelijoiden tulisi ottaa huomioon rakentaessaan ja soveltaessaan ML-malleja?	Oppitunti	Tomomi
04	Koneoppimisen tekniikat	Johdanto	Mitä tekniikoita koneoppimisen tutkijat käyttävät rakentaakseen koneoppimismalleja?	Oppitunti	Chris ja Jen
05	Johdanto regressioon	Regressio	Aloita Pythonilla ja Scikit-learnilla 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 lineaarisia ja polynomisia regressiomalleja	Python • R	Jen ja Dmitry • Eric Wanjau
08	Pohjois-Amerikan kurpitsahinnat 🎃	Regressio	Rakenna logistinen regressiomalli	Python • R	Jen • Eric Wanjau
09	Verkkosovellus 🔌	Verkkosovellus	Rakenna verkkosovellus käyttämään koulutettua malliasi	Python	Jen
10	Johdanto luokitteluun	Luokittelu	Siivoa, valmistele ja visualisoi dataasi; johdanto luokitteluun	Python • R	Jen ja Cassie • Eric Wanjau
11	Herkullisia aasialaisia ja intialaisia ruokia 🍜	Luokittelu	Johdanto luokittelijoihin	Python • R	Jen ja Cassie • Eric Wanjau
12	Herkullisia aasialaisia ja intialaisia ruokia 🍜	Luokittelu	Lisää luokittelijoita	Python • R	Jen ja Cassie • Eric Wanjau
13	Herkullisia aasialaisia ja intialaisia ruokia 🍜	Luokittelu	Rakenna suosittelusovellus malliasi käyttäen	Python	Jen
14	Johdanto klusterointiin	Klusterointi	Siivoa, valmistele ja visualisoi dataasi; johdanto klusterointiin	Python • R	Jen • Eric Wanjau
15	Nigerian musiikkimakujen tutkiminen 🎧	Klusterointi	Tutustu K-Means-klusterointimenetelmään	Python • R	Jen • Eric Wanjau
16	Johdanto luonnollisen kielen käsittelyyn ☕️	Luonnollisen kielen käsittely	Opi NLP:n perusteet rakentamalla yksinkertainen botti	Python	Stephen
17	Yleisiä NLP-tehtäviä ☕️	Luonnollisen kielen käsittely	Syvennä NLP-osaamistasi ymmärtämällä yleisiä tehtäviä, jotka liittyvät kielen rakenteisiin	Python	Stephen
18	Käännös ja sentimenttianalyysi ♥️	Luonnollisen kielen käsittely	Käännös ja sentimenttianalyysi Jane Austenin teosten avulla	Python	Stephen
19	Romanttiset hotellit Euroopassa ♥️	Luonnollisen kielen käsittely	Sentimenttianalyysi hotelliarvosteluilla 1	Python	Stephen
20	Romanttiset hotellit Euroopassa ♥️	Luonnollisen kielen käsittely	Sentimenttianalyysi hotelliarvosteluilla 2	Python	Stephen
21	Johdanto aikasarjojen ennustamiseen	Aikasarjat	Johdanto aikasarjojen ennustamiseen	Python	Francesca
22	⚡️ Maailman energiankulutus ⚡️ - aikasarjojen ennustaminen ARIMA-menetelmällä	Aikasarjat	Aikasarjojen ennustaminen ARIMA-menetelmällä	Python	Francesca
23	⚡️ Maailman energiankulutus ⚡️ - aikasarjojen ennustaminen SVR-menetelmällä	Aikasarjat	Aikasarjojen ennustaminen tukivektoriregressiolla	Python	Anirban
24	Johdanto vahvistusoppimiseen	Vahvistusoppiminen	Johdanto vahvistusoppimiseen Q-Learning-menetelmällä	Python	Dmitry
25	Auta Peteriä välttämään susi! 🐺	Vahvistusoppiminen	Vahvistusoppiminen Gym-menetelmällä	Python	Dmitry
Jälkikirjoitus	Todelliset koneoppimisen skenaariot ja sovellukset	ML in the Wild	Mielenkiintoisia ja paljastavia todellisia sovelluksia klassisesta koneoppimisesta	Oppitunti	Tiimi
Jälkikirjoitus	Mallin virheenkorjaus koneoppimisessa RAI-ohjauspaneelin avulla	ML in the Wild	Mallin virheenkorjaus koneoppimisessa vastuullisen tekoälyn ohjauspaneelikomponenttien avulla	Oppitunti	Ruth Yakubu

löydä kaikki lisäresurssit tähän kurssiin Microsoft Learn -kokoelmastamme

Offline-käyttö

Voit käyttää tätä dokumentaatiota offline-tilassa käyttämällä Docsify. Haaroita tämä repo, asenna Docsify paikalliselle koneellesi ja kirjoita tämän repon juurikansiossa docsify serve. Verkkosivusto palvelee portissa 3000 paikallisessa verkossasi: localhost:3000.

PDF:t

Löydä pdf-opetussuunnitelma linkkeineen täältä.

🎒 Muut kurssit

Tiimimme tuottaa muita kursseja! Tutustu:

• Generative AI for Beginners
• Generative AI for Beginners .NET
• Generative AI with JavaScript
• Generative AI with Java
• AI for Beginners
• Data Science for Beginners
• ML for Beginners
• Cybersecurity for Beginners
• Web Dev for Beginners
• IoT for Beginners
• XR Development for Beginners
• Mastering GitHub Copilot for Paired Programming
• Mastering GitHub Copilot for C#/.NET Developers
• Choose Your Own Copilot Adventure

---

Vastuuvapauslauseke:
Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua Co-op Translator. Vaikka pyrimme tarkkuuteen, huomioithan, että automaattiset käännökset voivat sisältää virheitä tai epätarkkuuksia. Alkuperäistä asiakirjaa sen alkuperäisellä kielellä tulee pitää ensisijaisena lähteenä. Kriittisen tiedon osalta suositellaan ammattimaista ihmiskääntämistä. Emme ole vastuussa tämän käännöksen käytöstä aiheutuvista väärinkäsityksistä tai virhetulkinnoista.