ML-For-Beginners/translations/fi

🌐 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 | Korean | Lithuanian | Malay | Marathi | Nepali | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Thai | Turkish | Ukrainian | Urdu | Vietnamese

Liity yhteisöömme

Meillä on käynnissä Discordissa oppimissarja tekoälyn kanssa. Lue lisää ja liity mukaan Learn with AI Series 18.–30. syyskuuta 2025. Saat vinkkejä ja neuvoja GitHub Copilotin käytöstä data-analytiikassa.

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 puolilta maailmaa peräisin olevaan dataan. Jokainen oppitunti sisältää ennen ja jälkeen oppitunnin tehtävät, kirjalliset ohjeet tehtävän suorittamiseen, ratkaisun, tehtävän ja paljon muuta. Projektipohjainen oppimismenetelmämme auttaa sinua oppimaan tekemisen 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 -kirjoittajille, arvioijille ja sisällöntuottajille, 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

🔧 Tarvitsetko apua? Katso Vianmääritysoppaamme yleisten asennus-, asetus- ja oppituntien suorittamiseen liittyvien ongelmien ratkaisemiseksi.

Opiskelijat, käyttäkää tätä opetussuunnitelmaa haaroittamalla koko repositorio omaan GitHub-tiliinne ja suorittamalla harjoitukset itsenäisesti tai ryhmässä:

• Aloita ennen oppituntia tehtävällä kyselyllä.
• 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 oppitunnin jälkeinen 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 lisänneet joitakin ehdotuksia siitä, miten käyttää tätä opetussuunnitelmaa.

---

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.

---

Tapaa tiimi

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 kyselyitä. 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 kysely ennen oppituntia ohjaa opiskelijan huomion aiheen oppimiseen, kun taas toinen kysely oppitunnin jälkeen varmistaa paremman muistamisen. 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. Tämä opetussuunnitelma sisältää myös jälkikirjoituksen koneoppimisen todellisista sovelluksista, joita voidaan käyttää lisäpisteinä tai keskustelun pohjana.

Löydä Toimintaohjeemme, Osallistumisohjeet, Käännösohjeet ja Vianmääritys. Otamme mielellämme vastaan rakentavaa palautettasi!

Jokainen oppitunti sisältää

• valinnainen luonnoskuva
• valinnainen lisävideo
• video-opastus (vain joissakin oppitunneissa)
• ennen oppituntia tehtävä kysely
• kirjallinen oppitunti
• projektipohjaisissa oppitunneissa vaiheittaiset ohjeet projektin rakentamiseen
• tietotarkistukset
• haaste
• lisälukemista
• tehtävä
• oppitunnin jälkeinen 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, joka voidaan yksinkertaisesti määritellä sisältävän koodilohkoja (R- tai muilla kielillä) ja YAML-otsikon (joka ohjaa, miten tulokset muotoillaan, 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 tulostusmuotoihin, kuten PDF, HTML tai Word.

Huomio kyselyistä: Kaikki kyselyt löytyvät Quiz App -kansiosta, yhteensä 52 kyselyä, joissa on kolme kysymystä kussakin. Ne on linkitetty oppitunneista, mutta kyselysovelluksen 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 taustalla oleva historia	Oppitunti	Jen ja Amy
03	Reiluus ja koneoppiminen	Johdanto	Mitkä ovat tärkeät filosofiset kysymykset reiluudesta, jotka opiskelijoiden tulisi ottaa huomioon 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 Pythonin ja Scikit-learnin käyttö regressiomalleissa	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 käyttääksesi koulutettua malliasi	Python	Jen
10	Johdatus luokitteluun	Luokittelu	Siivoa, valmistele ja visualisoi dataasi; johdatus luokitteluun	Python • R	Jen ja Cassie • Eric Wanjau
11	Herkulliset aasialaiset ja intialaiset ruoat 🍜	Luokittelu	Johdatus luokittelijoihin	Python • R	Jen ja Cassie • Eric Wanjau
12	Herkulliset aasialaiset ja intialaiset ruoat 🍜	Luokittelu	Lisää luokittelijoita	Python • R	Jen ja Cassie • Eric Wanjau
13	Herkulliset aasialaiset ja intialaiset ruoat 🍜	Luokittelu	Rakenna suosittelusovellus mallisi avulla	Python	Jen
14	Johdatus klusterointiin	Klusterointi	Siivoa, valmistele ja visualisoi dataasi; johdatus klusterointiin	Python • R	Jen • Eric Wanjau
15	Nigerian musiikkimakuja tutkimassa 🎧	Klusterointi	Tutki K-Means-klusterointimenetelmää	Python • R	Jen • Eric Wanjau
16	Johdatus luonnollisen kielen käsittelyyn ☕️	Luonnollinen kielen käsittely	Opi NLP:n perusteet rakentamalla yksinkertainen botti	Python	Stephen
17	Yleiset NLP-tehtävät ☕️	Luonnollinen kielen käsittely	Syvennä NLP-tietämystäsi ymmärtämällä yleisiä tehtäviä, jotka liittyvät kielen rakenteisiin	Python	Stephen
18	Käännös ja sentimenttianalyysi ♥️	Luonnollinen kielen käsittely	Käännös ja sentimenttianalyysi Jane Austenin teosten avulla	Python	Stephen
19	Romanttiset hotellit Euroopassa ♥️	Luonnollinen kielen käsittely	Sentimenttianalyysi hotelliarvosteluista 1	Python	Stephen
20	Romanttiset hotellit Euroopassa ♥️	Luonnollinen kielen käsittely	Sentimenttianalyysi hotelliarvosteluista 2	Python	Stephen
21	Johdatus aikasarjojen ennustamiseen	Aikasarjat	Johdatus aikasarjojen ennustamiseen	Python	Francesca
22	⚡️ Maailman energiankulutus ⚡️ - aikasarjojen ennustaminen ARIMA:lla	Aikasarjat	Aikasarjojen ennustaminen ARIMA-menetelmällä	Python	Francesca
23	⚡️ Maailman energiankulutus ⚡️ - aikasarjojen ennustaminen SVR:llä	Aikasarjat	Aikasarjojen ennustaminen tukivektoriregressorilla	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 luonnossa	Mielenkiintoisia ja paljastavia todellisia sovelluksia klassisesta koneoppimisesta	Oppitunti	Tiimi
Jälkikirjoitus	Mallin virheenkorjaus ML:ssä RAI-ohjauspaneelin avulla	ML luonnossa	Mallin virheenkorjaus koneoppimisessa vastuullisen tekoälyn ohjauspaneelikomponenttien avulla	Oppitunti	Ruth Yakubu

löydä kaikki lisäresurssit tälle kurssille 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 isännässäsi: localhost:3000.

PDF:t

Löydä pdf-opetussuunnitelma linkkeineen täältä.

🎒 Muut kurssit

Tiimimme tuottaa muita kursseja! Tutustu:

Azure / Edge / MCP / Agentit

---

Generatiivinen tekoäly -sarja

---

Ydinoppiminen

---

Copilot-sarja

Apua saatavilla

Jos jäät jumiin tai sinulla on kysymyksiä AI-sovellusten rakentamisesta, liity:

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

---

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.