ML-For-Beginners/translations/fi

🌐 Monikielituki

Tuettu GitHub Actionin avulla (automaattinen ja aina ajan tasalla)

Arabia | Bengali | Bulgaria | Burma (Myanmar) | Kiina (yksinkertaistettu) | Kiina (perinteinen, Hongkong) | Kiina (perinteinen, Macao) | Kiina (perinteinen, Taiwan) | Kroatia | Tsekki | Tanska | Hollanti | Viro | Suomi | Ranska | Saksa | Kreikka | Heprea | Hindi | Unkari | Indonesia | Italia | Japani | Kannada | Korea | Liettua | Malaiji | Malajalami | Marathi | Nepali | Nigerian Pidgin | Norja | Persia (Farsi) | Puola | Portugali (Brasilia) | Portugali (Portugali) | Punjabi (Gurmukhi) | Romania | Venäjä | Serbia (kyrillinen) | Slovakki | Sloveeni | Espanja | Swahili | Ruotsi | Tagalog (filipino) | Tamili | Telugu | Thai | Turkki | Ukraina | Urdu | Vietnam

Haluatko kloonata paikallisesti?

Tämä repositorio sisältää yli 50 kielikäännöstä, mikä lisää merkittävästi latauskokoa. Jos haluat kloonata ilman käännöksiä, käytä sparse checkoutia:

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

Tämä antaa sinulle kaiken tarvittavan kurssin suorittamiseen paljon nopeammalla latauksella.

Liity yhteisöömme

Meillä on meneillään Discordissa tekoälyn oppimissarja, lue lisää ja liity mukaan osoitteessa Learn with AI Series ajalla 18.–30. syyskuuta 2025. Saat vinkkejä ja niksejä GitHub Copilotin käyttämiseen Data Scientistin työn tukena.

Koneoppiminen aloittelijoille - Opetussuunnitelma

🌍 Matkusta ympäri maailmaa tutustuessamme koneoppimiseen maailman kulttuurien kautta 🌍

Microsoftin Cloud Advocates -tiimi tarjoaa 12 viikon, 26 oppitunnin opetussuunnitelman, joka käsittelee koneoppimista. Tässä opetussuunnitelmassa opit ns. klassista koneoppimista, pääasiassa Scikit-learn-kirjaston avulla, välttäen syväoppimista, joka sisältyy tekoälyn aloittelijoiden opetussuunnitelmaamme. Yhdistä nämä oppitunnit myös 'Data Science aloittelijat' -opetusohjelmaamme!

Matkusta kanssamme ympäri maailmaa soveltamalla klassisia tekniikoita eri puolilta kerättyyn dataan. Jokainen oppitunti sisältää ennakko- ja jälkikyselyt, kirjalliset ohjeet oppitunnin suorittamiseen, ratkaisun, tehtävän ja paljon muuta. Projektipohjainen pedagogiikkamme mahdollistaa oppimisen samalla kun rakennat, mikä on osoittautunut tehokkaaksi tavaksi saada uudet taidot 'jämähtämään'.

✍️ Lämpimät 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 🙏 Microsoftin opiskelija-ambassadoreille, kirjoittajille, arvioijille ja sisällöntuottajille: erityisesti Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ja Snigdha Agarwal

🤩 Ekstra kiitokset Microsoftin opiskelija-ambassadoreille Eric Wanjau, Jasleen Sondhi ja Vidushi Gupta R-kielten oppitunneistamme!

Aloittaminen

Noudata näitä ohjeita:

1. Forkkaa repositorio: Klikkaa oikeassa yläkulmassa olevaa "Fork" -painiketta.
2. Kloonaa repositorio: git clone https://github.com/microsoft/ML-For-Beginners.git

löydät kaikki lisäresurssit tälle kurssille Microsoft Learn kokoelmastamme

🔧 Tarvitsetko apua? Katso Vianmääritysohjeemme yleisimpiin ongelmiin asennuksessa, käytössä ja oppituntien suorittamisessa.

Opiskelijat, käyttäkää tätä opetussuunnitelmaa forkkaamalla koko repo omalle GitHub-tilillenne ja suorittamalla harjoitukset yksin tai ryhmässä:

• Aloita ennakkokyselyllä.
• Lue oppitunti ja suorita tehtävät, pysähtyen ja pohdiskellen jokaisessa tietotarkistuksessa.
• Yritä luoda projektit ymmärtämällä oppituntien sisältö koodiratkaisun ajamisen sijaan; koodit löytyvät kuitenkin kunkin projektipohjaisen oppitunnin /solution-kansiosta.
• Tee jälkikysely.
• Suorita haaste.
• Suorita tehtävä.
• Oppituntiryhmän suorittamisen jälkeen käy keskustelupalstalla ja "oppi ääneen" täyttämällä PAT-arviointilomake. PAT on Progress Assessment Tool, arviointimatriisi, 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 tämän opetussuunnitelman hyödyntämiseen.

---

Videon läpikäynnit

Jotkin oppitunnit ovat saatavilla lyhyinä videoina. Löydät ne kaikki oppituntien yhteydestä tai ML for Beginners -soittolistalta Microsoft Developer YouTube -kanavalla klikkaamalla alla olevaa kuvaa.

---

Tapaa tiimi

Gif: Mohit Jaisal

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

---

Pedagogiikka

Olemme valinneet kaksi pedagogista periaatetta tämän opetussuunnitelman rakentamisessa: varmistaa, että se on käytännönläheinen projektipohjainen sekä että siinä on usein toistuvia kyselyjä. Lisäksi opetussuunnitelmalla on yhteinen teema, joka antaa sille yhtenäisyyden.

Sisällön yhdistäminen projekteihin tekee opiskelusta kiinnostavampaa ja lisää käsitteiden muistamista. Lisäksi luennoille ennen aloitusta tehtävä pieni tietokilpailu ohjaa opiskelijan asenteen oppimiseen, ja luennon jälkeinen toinen tietokilpailu varmistaa opitun pysyvyyden. Tämä opetussuunnitelma on suunniteltu joustavaksi ja hauskaksi, ja sitä voi suorittaa kokonaan tai osittain. Projektit alkavat pienestä ja monimutkaistuvat 12 viikon aikana. Sisältää myös jälkisanat koneoppimisen todellisista sovelluksista, joita voi käyttää ylimääräisinä pisteinä tai keskustelun pohjana.

Löydät käyttäytymissäännöt, osallistumisohjeet, käännösohjeet ja vianmääritysohjeet. Otamme mielellämme vastaan rakentavaa palautetta!

Jokainen oppitunti sisältää

• vapaaehtoisen muistiinpanokuvauksen (sketchnote)
• vapaaehtoisen lisävideon
• videon läpikäynnin (vain joissain oppitunneissa)
• ennakko-oppitentin
• kirjallisen oppitunnin
• projektipohjaisissa oppitunneissa askel askeleelta ohjeet projektin rakentamiseen
• tietotarkistuksia
• haasteen
• lisälukemista
• tehtävän
• lopputentin

Huomio kielistä: Nämä oppitunnit on pääasiassa kirjoitettu Pythonilla, mutta monet ovat myös saatavilla R-kielellä. Suorittaaksesi R-oppitunnin, siirry /solution-kansioon ja etsi R-kielisiä oppitunteja. Ne sisältävät .rmd-päätteen, joka edustaa R Markdown -tiedostoa, joka voidaan määritellä upotuksena koodin palstoista (R:llä tai muilla kielillä) ja YAML-otsikosta (joka ohjaa esimerkiksi PDF-muotoilua) Markdown-dokumentissa. Tämä toimii erinomaisena kirjoituskehyksenä data-analyysiin, sillä voit yhdistää koodisi, sen tulokset ja ajatuksesi kirjoittamalla ne Markdownilla. Lisäksi R Markdown -tiedostot voidaan renderöidä PDF-, HTML- tai Word-muotoon. Huomautus harjoituksista: Kaikki harjoitukset löytyvät Quiz App -kansiosta, yhteensä 52 harjoitusta, joissa jokaisessa on kolme kysymystä. Ne on linkitetty oppituntien yhteyteen, mutta kysymyskoneen voi ajaa myös paikallisesti; noudata quiz-app-kansion ohjeita isännöidäksesi tai ottaaksesi sen käyttöön Azuren palvelussa paikallisesti.

Oppitunnin numero	Aihe	Oppitunnin ryhmittely	Oppimistavoitteet	Linkitetty oppitunti	Tekijä
01	Johdatus koneoppimiseen	Johdanto	Opi koneoppimisen peruskäsitteet	Oppitunti	Muhammad
02	Koneoppimisen historia	Johdanto	Opi tämän alan historia	Oppitunti	Jen ja Amy
03	Oikeudenmukaisuus ja koneoppiminen	Johdanto	Mitkä ovat tärkeät filosofiset kysymykset oikeudenmukaisuudesta, joita opiskelijoiden tulee miettiä koneoppimismallien rakentamisessa ja soveltamisessa?	Oppitunti	Tomomi
04	Koneoppimisen tekniikat	Johdanto	Mitä tekniikoita koneoppimis­tutkijat käyttävät mallien rakentamiseen?	Oppitunti	Chris ja Jen
05	Johdatus regressioon	Regressio	Ota Python ja Scikit-learn käyttöön regressiomallien tekemiseen	Python • R	Jen • Eric Wanjau
06	Pohjois-Amerikan kurpitsahinnat 🎃	Regressio	Visualisoi ja siivoa data koneoppimisen valmisteluksi	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	Web sovellus 🔌	Web App	Rakenna web-sovellus käyttämään koulutettua malliasi	Python	Jen
10	Johdatus luokitteluun	Luokittelu	Siivoa, valmistele ja visualisoi datasi; johdatus luokitteluun	Python • R	Jen ja Cassie • Eric Wanjau
11	Herkulliset aasialaiset ja intialaiset keittiöt 🍜	Luokittelu	Johdatus luokittelijoihin	Python • R	Jen ja Cassie • Eric Wanjau
12	Herkulliset aasialaiset ja intialaiset keittiöt 🍜	Luokittelu	Lisää luokittelijoita	Python • R	Jen ja Cassie • Eric Wanjau
13	Herkulliset aasialaiset ja intialaiset keittiöt 🍜	Luokittelu	Rakenna malliasi hyödyntävä suositusweb-sovellus	Python	Jen
14	Johdatus klusterointiin	Klusterointi	Siivoa, valmistele ja visualisoi datasi; johdatus klusterointiin	Python • R	Jen • Eric Wanjau
15	Tutustu nigerialaisiin musiikki­mieltymyksiin 🎧	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-tietoasi ymmärtämällä yleisiä kielirakenteiden kanssa tarvittavia tehtäviä	Python	Stephen
18	Käännös ja mielipideanalyysi ♥️	Luonnollisen kielen käsittely	Käännös ja mielipideanalyysi Jane Austenin avulla	Python	Stephen
19	Euroopan romanttiset hotellit ♥️	Luonnollisen kielen käsittely	Mielipideanalyysi hotelliarvosteluilla 1	Python	Stephen
20	Euroopan romanttiset hotellit ♥️	Luonnollisen kielen käsittely	Mielipideanalyysi hotelliarvosteluilla 2	Python	Stephen
21	Johdatus aikasarjaennusteisiin	Aikasarjat	Johdatus aikasarjaennustamiseen	Python	Francesca
22	⚡️ Maailman energiankäyttö ⚡️ - aikasarjaennuste ARIMAlla	Aikasarjat	Aikasarjaennuste ARIMA-mallin avulla	Python	Francesca
23	⚡️ Maailman energiankäyttö ⚡️ - aikasarjaennuste SVR:llä	Aikasarjat	Aikasarjaennuste tukivektoriregressorin avulla	Python	Anirban
24	Johdatus vahvistusoppimiseen	Vahvistusoppiminen	Johdatus vahvistusoppimiseen Q-Learningin avulla	Python	Dmitry
25	Auta Peteriä välttämään susi! 🐺	Vahvistusoppiminen	Vahvistusoppiminen Gym-ympäristössä	Python	Dmitry
Jälkikirjoitus	Käytännön ML-tilanteita ja sovelluksia	ML luonnossa	Mielenkiintoisia ja paljastavia klassisen ML:n sovelluksia tosielämässä	Oppitunti	Tiimi
Jälkikirjoitus	Mallien virheiden selvitys ML:ssä RAI-hallintapaneelin avulla	ML luonnossa	Mallien virheiden selvitys koneoppimisessa Responsible AI -hallintapaneelin komponenteilla	Oppitunti	Ruth Yakubu

Löydä kaikki tämän kurssin lisäresurssit Microsoft Learn -kokoelmastamme

Offline-käyttö

Voit käyttää tätä dokumentaatiota offline-tilassa Docsifyn avulla Docsify. Tee fork tälle repositoriolle, asenna Docsify paikalliselle koneellesi ja kirjoita sitten tämän repoversion juurikansiossa docsify serve. Sivusto aukeaa portissa 3000 paikallisessa koneessasi: localhost:3000.

PDF-tiedostot

Löydä pdf-opas sisältöineen linkkeineen täältä.

🎒 Muut kurssit

Tiimimme tuottaa myös muita kursseja! Tutustu:

LangChain

Azure / Edge / MCP / Agents

---

Generatiivisen tekoälyn sarja

---

Keskeinen oppiminen

---

Copilot-sarja

Apua saatavilla

Jos juutut tai sinulla on kysymyksiä tekoälysovellusten rakentamisesta. Liity muiden oppijoiden ja kokeneiden kehittäjien keskusteluihin MCP:stä. Se on tukevainen yhteisö, jossa kysymykset ovat tervetulleita ja tietoa jaetaan vapaasti.

Jos sinulla on tuotepalautetta tai kohtaat virheitä rakentaessasi, käy osoitteessa:

---

Vastuuvapauslauseke: Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua Co-op Translator. Vaikka pyrimme tarkkuuteen, huomaathan, että automaattiset käännökset saattavat sisältää virheitä tai epätarkkuuksia. Alkuperäistä asiakirjaa sen omalla kielellä tulee pitää auktoritatiivisena lähteenä. Tärkeissä tiedoissa suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa tämän käännöksen käytöstä aiheutuvista väärinymmärryksistä tai virhetulkintojen seurauksista.