25 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 maailman kulttuurien kautta 🌍

Microsoftin Cloud Advocates -tiimi tarjoaa 12 viikon ja 26 oppitunnin opetussuunnitelman, joka käsittelee koneoppimista. 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 ennen ja jälkeen oppitunnin tehtävät, 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 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 kuvittajille 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:

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

Aloita oppitunnin aloituskyselyllä.
Lue oppitunti ja suorita aktiviteetit, pysähdy ja pohdi jokaisen tietotarkistuksen kohdalla.
Yritä luoda projektit ymmärtämällä oppitunnit sen sijaan, että suorittaisit ratkaisukoodin; kuitenkin kyseinen koodi on saatavilla /solution-kansioissa jokaisessa projektipohjaisessa oppitunnissa.
Suorita 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 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 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.

Tutustu tiimiin

Gif by Mohit Jaisal

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

Pedagogiikka

Olemme valinneet kaksi pedagogista periaatetta tätä opetussuunnitelmaa rakentaessamme: 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 oppiaiheeseen, kun taas toinen kysely oppitunnin jälkeen varmistaa lisämuistamisen. 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 Code of Conduct, Contributing ja Translation ohjeet. Otamme mielellämme vastaan rakentavaa palautettasi!

Jokainen oppitunti sisältää

valinnainen sketchnote
valinnainen lisävideo
video-opastus (vain joissakin oppitunneissa)
lämmittelykysely ennen oppituntia
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 tulosteet kuten PDF muotoillaan) 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 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 kyselysovellus voidaan ajaa paikallisesti; seuraa ohjeita quiz-app-kansiossa paikallisen isännöinnin tai Azureen julkaisemisen osalta.

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 tärkeimmät filosofiset kysymykset reiluudesta, jotka opiskelijoiden tulisi huomioida rakentaessaan ja soveltaessaan koneoppimismalleja?	Oppitunti	Tomomi
04	Koneoppimisen tekniikat	Johdanto	Mitä tekniikoita koneoppimistutkijat käyttävät rakentaessaan koneoppimismalleja?	Oppitunti	Chris ja Jen
05	Johdanto regressioon	Regressio	Aloita Pythonin ja Scikit-learnin käyttö regressiomalleja varten	Python • R	Jen • Eric Wanjau
06	Pohjois-Amerikan kurpitsahinnat 🎃	Regressio	Visualisoi ja puhdista data 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	Puhdista, valmistele ja visualisoi data; johdanto luokitteluun	Python • R	Jen ja Cassie • Eric Wanjau
11	Herkulliset aasialaiset ja intialaiset ruoat 🍜	Luokittelu	Johdanto 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 malliasi käyttäen	Python	Jen
14	Johdanto klusterointiin	Klusterointi	Puhdista, valmistele ja visualisoi data; 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 ☕️	Luonnollinen kieli	Opi NLP:n perusteet rakentamalla yksinkertainen botti	Python	Stephen
17	Yleisiä NLP-tehtäviä ☕️	Luonnollinen kieli	Syvennä NLP-osaamistasi ymmärtämällä yleisiä tehtäviä, joita tarvitaan kielirakenteiden käsittelyssä	Python	Stephen
18	Käännös ja sentimenttianalyysi ♥️	Luonnollinen kieli	Käännös ja sentimenttianalyysi Jane Austenin tekstien avulla	Python	Stephen
19	Romanttiset hotellit Euroopassa ♥️	Luonnollinen kieli	Sentimenttianalyysi hotelliarvosteluilla 1	Python	Stephen
20	Romanttiset hotellit Euroopassa ♥️	Luonnollinen kieli	Sentimenttianalyysi hotelliarvosteluilla 2	Python	Stephen
21	Johdanto aikasarjojen ennustamiseen	Aikasarjat	Johdanto aikasarjojen ennustamiseen	Python	Francesca
22	⚡️ Maailman energiankulutus ⚡️ - ARIMA-aikasarjaennuste	Aikasarjat	Aikasarjaennuste ARIMA-menetelmällä	Python	Francesca
23	⚡️ Maailman energiankulutus ⚡️ - SVR-aikasarjaennuste	Aikasarjat	Aikasarjaennuste tukivektoriregressiolla	Python	Anirban
24	Johdanto vahvistusoppimiseen	Vahvistusoppiminen	Johdanto vahvistusoppimiseen Q-Learning-menetelmällä	Python	Dmitry
25	Auta Peteriä välttämään susi! 🐺	Vahvistusoppiminen	Vahvistusoppiminen Gym-ympäristössä	Python	Dmitry
Jälkikirjoitus	Todelliset koneoppimisen sovellukset	ML tosielämässä	Mielenkiintoisia ja paljastavia todellisia sovelluksia klassisesta koneoppimisesta	Oppitunti	Tiimi
Jälkikirjoitus	Mallin virheenkorjaus RAI-hallintapaneelilla	ML tosielämässä	Mallin virheenkorjaus koneoppimisessa vastuullisen tekoälyn hallintapaneelikomponentteja käyttäen	Oppitunti	Ruth Yakubu

löydä kaikki lisäresurssit tälle kurssille 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 ympäristössäsi: localhost:3000.

PDF-tiedostot

Löydä opetussuunnitelman PDF-linkkeineen täältä.

🎒 Muut kurssit

Tiimimme tuottaa myös muita kursseja! Tutustu:

25 KiB Raw Blame History Unescape Escape