26 KiB

Raw Blame History Unescape Escape

🌐 Monikielinen tuki

Tuettu GitHub Actionin kautta (automaattinen ja aina ajan tasalla)

Liity yhteisöömme

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.

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:

Haarauta repositorio: Klikkaa "Fork"-painiketta tämän sivun oikeassa yläkulmassa.
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.

Tutustu tiimiin

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	Python • R	Jen • Eric Wanjau
06	Pohjois-Amerikan kurpitsahinnat 🎃	Regressio	Visualisoi ja puhdista data ML-valmistelua 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	Johdatus luokitteluun	Luokittelu	Puhdista, 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	Puhdista, valmistele ja visualisoi dataasi; johdatus klusterointiin	Python • R	Jen • Eric Wanjau
15	Nigerian musiikkimakujen tutkiminen 🎧	Klusterointi	Tutustu K-Means-klusterointimenetelmään	Python • R	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.

26 KiB Raw Blame History Unescape Escape