You can not select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
ML-For-Beginners/translations/fi/README.md

26 KiB

GitHub license GitHub contributors GitHub issues GitHub pull-requests PRs Welcome

GitHub watchers GitHub forks GitHub stars

🌐 Monikielinen tuki

Tuettu GitHub Actionin kautta (automaattinen ja aina ajan tasalla)

Ranska | Espanja | Saksa | Venäjä | Arabia | Persia (Farsi) | Urdu | Kiina (yksinkertaistettu) | Kiina (perinteinen, Macao) | Kiina (perinteinen, Hongkong) | Kiina (perinteinen, Taiwan) | Japani | Korea | Hindi | Bengali | Marathi | Nepali | Punjabi (Gurmukhi) | Portugali (Portugali) | Portugali (Brasilia) | Italia | Puola | Turkki | Kreikka | Thai | Ruotsi | Tanska | Norja | Suomi | Hollanti | Heprea | Vietnam | Indonesia | Malaiji | Tagalog (Filipino) | Swahili | Unkari | Tšekki | Slovakki | Romania | Bulgaria | Serbia (kyrillinen) | Kroatia | Slovenia | Ukraina | Burma (Myanmar)

Liity yhteisöömme

Azure AI Discord

Meillä on käynnissä Discordissa AI-oppimissarja, jossa voit oppia lisää ja liittyä mukaan Learn with AI Series -tapahtumaan 18.30. syyskuuta 2025. Saat vinkkejä ja neuvoja GitHub Copilotin käytöstä data-analytiikassa.

Learn with AI series

Koneoppiminen aloittelijoille - Opetussuunnitelma

🌍 Matkusta ympäri maailmaa tutustuessasi koneoppimiseen eri kulttuurien kautta 🌍

Microsoftin Cloud Advocates -tiimi tarjoaa 12 viikon ja 26 oppitunnin opetussuunnitelman, joka keskittyy koneoppimiseen. Tässä opetussuunnitelmassa opit niin sanottua klassista koneoppimista, pääasiassa Scikit-learn-kirjastoa käyttäen ja välttäen syväoppimista, joka käsitellään AI for Beginners -opetussuunnitelmassa. Yhdistä nämä oppitunnit myös 'Data Science for Beginners' -opetussuunnitelmaan!

Matkusta kanssamme ympäri maailmaa soveltaessamme näitä klassisia tekniikoita eri alueiden dataan. Jokainen oppitunti sisältää ennakko- ja jälkitestit, kirjalliset ohjeet oppitunnin suorittamiseen, ratkaisun, tehtävän ja paljon muuta. Projektipohjainen oppimismetodimme auttaa sinua oppimaan rakentamisen kautta, mikä on todistetusti tehokas tapa omaksua uusia taitoja.

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

löydä kaikki lisäresurssit tähän kurssiin Microsoft Learn -kokoelmastamme

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

  • Aloita ennakkotestillä.
  • 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 jälkitesti.
  • Suorita haaste.
  • Suorita tehtävä.
  • Kun olet suorittanut oppituntiryhmän, käy Keskustelupalstalla ja "opettele ääneen" täyttämällä sopiva PAT-arviointityökalu. 'PAT' on edistymisen arviointityökalu, joka on rubriikki, 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 tämän opetussuunnitelman käyttöön.


Video-opastukset

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

ML for beginners banner


Tutustu tiimiin

Promo video

Gifin tekijä Mohit Jaisal

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


Pedagogiikka

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

Varmistamalla, että sisältö liittyy projekteihin, prosessi on opiskelijoille kiinnostavampi ja käsitteiden omaksuminen paranee. Lisäksi matalan kynnyksen testi ennen oppituntia ohjaa opiskelijan huomion oppimisen aiheeseen, kun taas toinen testi oppitunnin jälkeen varmistaa paremman omaksumisen. Tämä opetussuunnitelma on suunniteltu joustavaksi ja hauskaksi, ja sen voi suorittaa kokonaan tai osittain. Projektit alkavat pienistä ja muuttuvat yhä monimutkaisemmiksi 12 viikon jakson loppuun mennessä. Opetussuunnitelma 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 luonnoskuva
  • valinnainen lisävideo
  • video-opastus (vain joissakin oppitunneissa)
  • ennakkotesti
  • kirjallinen oppitunti
  • projektipohjaisissa oppitunneissa vaiheittaiset ohjeet projektin rakentamiseen
  • tietotarkistukset
  • haaste
  • lisälukemista
  • tehtävä
  • jälkitesti

Huomio kielistä: Oppitunnit on pääasiassa kirjoitettu Pythonilla, mutta monet ovat saatavilla myös R-kielellä. R-oppitunnin suorittamiseksi siirry /solution-kansioon ja etsi R-oppitunnit. Niissä on .rmd-pääte, joka edustaa R Markdown -tiedostoa, joka voidaan yksinkertaisesti määritellä sisältävän koodilohkoja (R- tai muilla kielillä) ja YAML-otsikon (joka ohjaa ulostulon muotoilua, kuten PDF) 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 muuntaa ulostulomuotoihin, kuten PDF, HTML tai Word.

Huomio testeistä: Kaikki testit löytyvät Quiz App -kansiosta, yhteensä 52 testiä, joissa on kolme kysymystä kussakin. Ne on linkitetty oppitunneista, mutta testisovelluksen voi ajaa paikallisesti; seuraa ohjeita quiz-app-kansiossa paikalliseen isännöintiin tai Azureen julkaisuun.

Oppitunnin numero Aihe Oppituntiryhmä Oppimistavoitteet Linkitetty oppitunti Kirjoittaja
01 Johdatus koneoppimiseen Johdanto Opi koneoppimisen peruskäsitteet Oppitunti Muhammad
02 Koneoppimisen historia Johdanto Opi tämän alan historia Oppitunti Jen ja Amy
03 Reiluus ja koneoppiminen Johdanto Mitkä ovat tärkeät filosofiset kysymykset reiluudesta, joita opiskelijoiden tulisi pohtia rakentaessaan ja soveltaessaan ML-malleja? Oppitunti Tomomi
04 Koneoppimisen tekniikat Johdanto Mitä tekniikoita ML-tutkijat käyttävät rakentaakseen ML-malleja? Oppitunti Chris ja Jen
05 Johdatus regressioon Regressio Aloita Pythonilla ja Scikit-learnilla regressiomallien rakentamisessa PythonR Jen • Eric Wanjau
06 Pohjois-Amerikan kurpitsahinnat 🎃 Regressio Visualisoi ja puhdista data ML-valmistelua varten PythonR Jen • Eric Wanjau
07 Pohjois-Amerikan kurpitsahinnat 🎃 Regressio Rakenna lineaarisia ja polynomisia regressiomalleja PythonR Jen ja Dmitry • Eric Wanjau
08 Pohjois-Amerikan kurpitsahinnat 🎃 Regressio Rakenna logistinen regressiomalli PythonR Jen • Eric Wanjau
09 Verkkosovellus 🔌 Verkkosovellus Rakenna verkkosovellus käyttämään koulutettua malliasi Python Jen
10 Johdatus luokitteluun Luokittelu Puhdista, valmistele ja visualisoi dataasi; johdatus luokitteluun PythonR Jen ja Cassie • Eric Wanjau
11 Herkulliset aasialaiset ja intialaiset ruoat 🍜 Luokittelu Johdatus luokittelijoihin PythonR Jen ja Cassie • Eric Wanjau
12 Herkulliset aasialaiset ja intialaiset ruoat 🍜 Luokittelu Lisää luokittelijoita PythonR Jen ja Cassie • Eric Wanjau
13 Herkulliset aasialaiset ja intialaiset ruoat 🍜 Luokittelu Rakenna suosittelusovellus mallisi avulla Python Jen
14 Johdatus klusterointiin Klusterointi Puhdista, valmistele ja visualisoi dataasi; johdatus klusterointiin PythonR Jen • Eric Wanjau
15 Nigerian musiikkimakujen tutkiminen 🎧 Klusterointi Tutustu K-Means-klusterointimenetelmään PythonR Jen • Eric Wanjau
16 Johdatus luonnollisen kielen käsittelyyn Luonnollisen kielen käsittely Opi NLP:n perusteet rakentamalla yksinkertainen botti Python Stephen
17 Yleisiä NLP-tehtäviä Luonnollisen kielen käsittely Syvennä NLP-tietämystäsi 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 hotelliarvosteluista, osa 1 Python Stephen
20 Romanttiset hotellit Euroopassa ♥️ Luonnollisen kielen käsittely Sentimenttianalyysi hotelliarvosteluista, osa 2 Python Stephen
21 Johdatus aikasarjojen ennustamiseen Aikasarjat Johdatus 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 Johdatus vahvistusoppimiseen Vahvistusoppiminen Johdatus vahvistusoppimiseen Q-Learning-menetelmällä Python Dmitry
25 Auta Peteriä välttämään susi! 🐺 Vahvistusoppiminen Vahvistusoppiminen Gym-menetelmällä Python Dmitry
Jälkikirjoitus Todelliset ML-skenaariot ja sovellukset ML tosielämässä Mielenkiintoisia ja paljastavia klassisen ML:n tosielämän sovelluksia Oppitunti Tiimi
Jälkikirjoitus Mallin virheenkorjaus ML:ssä RAI-ohjauspaneelin avulla ML tosielämässä 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 Docsifyä. 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 kurssin PDF-linkkeineen täältä.

🎒 Muut kurssit

Tiimimme tuottaa muita kursseja! Tutustu:


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 tulisi pitää ensisijaisena lähteenä. Kriittisen tiedon osalta suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa väärinkäsityksistä tai virhetulkinnoista, jotka johtuvat tämän käännöksen käytöstä.