ML-For-Beginners/translations/fi

Meillä on Discordissa käynnissä Learn with AI -sarja; opi lisää ja liity mukaan osoitteessa Learn with AI Series ajalla 18.–30. syyskuuta 2025. Saat vinkkejä ja niksejä GitHub Copilotin käytöstä data-analytiikassa.

Koneoppiminen aloittelijoille - Opetussuunnitelma

🌍 Matkusta ympäri maailmaa, kun tutkimme koneoppimista eri maailman kulttuurien näkökulmasta 🌍

Microsoftin Cloud Advocates -tiimi iloitsee tarjotessaan 12 viikon, 26 oppitunnin opetussuunnitelmaa, joka käsittelee koneoppimista. Tässä opetussuunnitelmassa opit niin kutsuttua klassista koneoppimista, käyttäen ensisijaisesti Scikit-learn-kirjastoa ja välttäen syväoppimista, josta kerrotaan meidän AI for Beginners' curriculum -materiaalissa. Yhdistä nämä oppitunnit myös meidän 'Data Science for Beginners' curriculum -materiaalin kanssa!

Matkusta kanssamme ympäri maailmaa, kun sovellamme näitä klassisia menetelmiä eri alueiden dataan. Jokainen oppitunti sisältää ennakko- ja jälkitestejä, kirjalliset ohjeet oppitunnin suorittamiseen, ratkaisun, tehtävän ja muuta. Projektipohjainen opetustapamme antaa sinun oppia samalla kun rakennat—tämä on todettu tehokkaaksi tavaksi 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

🎨 Kiitos myös kuvittajillemme Tomomi Imura, Dasani Madipalli ja Jen Looper

🙏 Erityiskiitos 🙏 Microsoft Student Ambassador -kirjoittajillemme, tarkastajillemme ja sisällön avustajille, erityisesti Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ja Snigdha Agarwal

🤩 Lisäkiitos Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi ja Vidushi Gupta R-oppitunneistamme!

Aloittaminen

Seuraa näitä vaiheita:

1. Forkkaa repositorio: Klikkaa tämän sivun 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? Tarkista Vianetsintäoppaamme yleisiin asennus-, käyttö- ja oppituntiongelmiin liittyvät ratkaisut.

Opiskelijat, käyttääksenne tätä opetussuunnitelmaa, forkkaa koko repo omaan GitHub-tiliisi ja tee harjoitukset itseksesi tai ryhmässä:

• Aloita esiluennon kyselyllä.
• Lue luento ja suorita aktiviteetit; pysähdy ja pohdi jokaista tietotarkistusta.
• Yritä luoda projektit ymmärtämällä oppitunnin sisältö sen sijaan, että vain suoritat ratkaisukoodin; koodit ovat kuitenkin saatavilla kunkin projektilähtöisen oppitunnin /solution-kansiossa.
• Tee jälkiluennon kysely.
• Suorita haaste.
• Tee tehtävä.
• Kun olet suorittanut oppituntiryhmän, vieraile Keskustelualueella ja "opiskele ääneen" täyttämällä asianmukainen PAT-arviointirubriikki. PAT on Progress Assessment Tool, jonka avulla arvioit edistymistäsi. Voit myös reagoida muiden PAT:eihin, jotta voimme oppia yhdessä.

Jatko-opiskeluun suosittelemme seuraavia Microsoft Learn -moduuleja ja -oppimispolkuja.

Opettajille, olemme sisällyttäneet joitakin ehdotuksia tämän opetussuunnitelman käyttöön.

---

Videoesittelyt

Joistakin oppitunneista on saatavilla lyhyitä videoita. Löydät kaikki nämä suoraan oppitunneista tai ML for Beginners -soittolistalta Microsoft Developer YouTube -kanavalla klikkaamalla alla olevaa kuvaa.

---

Tapaa tiimi

Gif tekijä Mohit Jaisal

🎥 Napsauta yllä olevaa kuvaa nähdäksesi videon projektista ja ihmisistä, jotka loivat sen!

---

Pedagogiikka

Olemme valinneet kaksi pedagogista periaatetta rakentaessamme tätä opetussuunnitelmaa: varmistaa, että se on käytännönläheinen ja projektipohjainen, sekä että se sisältää usein toistuvat tiedon tarkistukset. Lisäksi opetussuunnitelmalla on yhteinen teema, joka sitoo kokonaisuuden yhteen.

Kun sisältö linkitetään projekteihin, prosessi on opiskelijoille kiinnostavampi ja käsitteiden omaksuminen paranee. Lisäksi matalan panoksen esikoe ennen luentoa suuntaa opiskelijan huomion oppimiseen, ja toinen koe luennon jälkeen varmistaa paremman muistamisen. Tämä opetussuunnitelma on suunniteltu joustavaksi ja hauskaksi, ja se voidaan suorittaa kokonaisuutena tai osissa. Projektit alkavat pienestä ja muuttuvat yhä monimutkaisemmiksi 12 viikon jakson loppua kohti. Opetussuunnitelmaan sisältyy myös loppusanat koneoppimisen käytännön sovelluksista, joita voi käyttää lisäpisteinä tai keskustelun pohjana.

Löydät käyttäytymissääntömme, Contributing, Translation ja Vianetsintäohjeet. Otamme mielellämme vastaan rakentavaa palautettasi!

Jokainen oppitunti sisältää

• valinnainen sketchnote
• valinnainen lisävideo
• videoesittely (vain joissakin oppitunneissa)
• luennon esilämmittelykysely
• kirjallinen oppitunti
• projektipohjaisissa oppitunneissa vaiheittaiset ohjeet projektin rakentamiseen
• tietotarkistukset
• haaste
• lisälukemisto
• tehtävä
• luennon jälkeinen kysely

Huomautus kielistä: Nämä oppitunnit on pääasiassa kirjoitettu Pythonilla, mutta monet ovat myös saatavilla R:llä. R-oppitunnin suorittamiseksi siirry /solution-kansioon ja etsi R-oppitunteja. Niissä on .rmd-pääte, joka edustaa R Markdown -tiedostoa, joka voidaan yksinkertaisimmillaan määritellä upotukseksi code chunks (R:ää tai muita kieliä) ja YAML header (joka ohjaa tulosteiden, esimerkiksi PDF:n, muotoilua) sisälle Markdown document -tiedostoon. Tämän ansiosta se toimii erinomaisena kirjoitusalustana data-analytiikalle, koska voit yhdistää koodisi, sen tulosteen ja ajatuksesi kirjoittamalla ne Markdownissa. Lisäksi R Markdown -dokumentit voidaan renderöidä ulostulomuotoihin, kuten PDF, HTML tai Word.

Huomautus kyselyistä: Kaikki kyselyt löytyvät Quiz App -kansiosta, yhteensä 52 kyselyä, joissa kussakin on kolme kysymystä. Ne linkitetään oppitunneista, mutta kyselysovelluksen voi ajaa myös paikallisesti; seuraa ohjeita quiz-app-kansiossa isännöidäksesi tai julkaistaksesi sovelluksen Azureen.

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

Oppitunnin numero	Aihe	Oppituntiryhmä	Oppimistavoitteet	Linkitetty oppitunti	Tekijä
01	Johdatus koneoppimiseen	Johdanto	Tutustu koneoppimisen peruskäsitteisiin	Oppitunti	Muhammad
02	Koneoppimisen historia	Johdanto	Tutustu tämän alan historiaan	Oppitunti	Jen ja Amy
03	Oikeudenmukaisuus ja koneoppiminen	Johdanto	Mitkä ovat oikeudenmukaisuuteen liittyvät tärkeät filosofiset kysymykset, jotka opiskelijoiden tulisi huomioida rakentaessaan ja soveltaessaan koneoppimismalleja?	Oppitunti	Tomomi
04	Koneoppimisen menetelmät	Johdanto	Mitä menetelmiä koneoppimustutkijat käyttävät mallien rakentamiseen?	Oppitunti	Chris ja Jen
05	Johdatus regressioon	Regressio	Aloita Pythonin ja Scikit-learnin käytöllä regressiomalleihin	Python • R	Jen • Eric Wanjau
06	Pohjoisamerikkalaiset kurpitsahinnat 🎃	Regressio	Visualisoi ja siivoa dataa koneoppimista varten	Python • R	Jen • Eric Wanjau
07	Pohjoisamerikkalaiset kurpitsahinnat 🎃	Regressio	Rakenna lineaarisia ja polynomisia regressiomalleja	Python • R	Jen ja Dmitry • Eric Wanjau
08	Pohjoisamerikkalaiset kurpitsahinnat 🎃	Regressio	Rakenna logistinen regressiomalli	Python • R	Jen • Eric Wanjau
09	Verkkosovellus 🔌	Verkkosovellus	Rakenna verkkosovellus koulutetun mallisi käyttämiseksi	Python	Jen
10	Johdatus luokitteluun	Luokittelu	Siivoa, valmistele ja visualisoi datasi; johdanto 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 suosituksia antava verkkosovellus malliasi käyttäen	Python	Jen
14	Johdatus klusterointiin	Clustering	Siivoa, valmistele ja visualisoi datasi; johdanto klusterointiin	Python • R	Jen • Eric Wanjau
15	Nigerialaisten musiikkimakujen tutkiminen 🎧	Clustering	Tutki K-Means-klusterointimenetelmää	Python • R	Jen • Eric Wanjau
16	Johdatus luonnollisen kielen käsittelyyn ☕️	Luonnollisen kielen käsittely	Opi NLP:n perusteet rakentamalla yksinkertainen botti	Python	Stephen
17	Yleiset NLP-tehtävät ☕️	Luonnollisen kielen käsittely	Syvennä NLP-osaamistasi ymmärtämällä kielirakenteiden käsittelyssä tarvittavat yleiset tehtävät	Python	Stephen
18	Kääntäminen ja sentimenttianalyysi ♥️	Luonnollisen kielen käsittely	Kääntämistä ja sentimenttianalyysiä Jane Austenin tekstien avulla	Python	Stephen
19	Euroopan romanttiset hotellit ♥️	Luonnollisen kielen käsittely	Sentimenttianalyysi hotelliarvosteluilla 1	Python	Stephen
20	Euroopan romanttiset hotellit ♥️	Luonnollisen kielen käsittely	Sentimenttianalyysi hotelliarvosteluilla 2	Python	Stephen
21	Johdatus aikasarjaennusteisiin	Aikasarjat	Johdatus aikasarjaennusteisiin	Python	Francesca
22	⚡️ Maailman sähkönkulutus ⚡️ - aikasarjaennusteet ARIMA-menetelmällä	Aikasarjat	Aikasarjaennusteet ARIMA-menetelmällä	Python	Francesca
23	⚡️ Maailman sähkönkulutus ⚡️ - aikasarjaennusteet SVR:llä	Aikasarjat	Aikasarjaennusteet tukivektoriregressorilla	Python	Anirban
24	Johdatus vahvistusoppimiseen	Vahvistusoppiminen	Johdatus vahvistusoppimiseen Q-oppimisen avulla	Python	Dmitry
25	Auta Peteriä välttämään sutta! 🐺	Vahvistusoppiminen	Vahvistusoppiminen Gym-ympäristössä	Python	Dmitry
Jälkikirjoitus	Todellisen maailman koneoppimisskenaariot ja -sovellukset	ML käytännössä	Mielenkiintoisia ja valaisevia todellisen maailman sovelluksia klassiselle koneoppimiselle	Oppitunti	Tiimi
Jälkikirjoitus	Mallien virheenkorjaus koneoppimisessa Responsible AI -hallintapaneelilla	ML käytännössä	Mallien virheenkorjaus koneoppimisessa Responsible AI -hallintapaneelin komponenteilla	Oppitunti	Ruth Yakubu

Löydät kaikki tämän kurssin lisäresurssit Microsoft Learn -kokoelmastamme

Offline-käyttö

Voit suorittaa tämän dokumentaation offline-tilassa käyttämällä Docsify. Tee haarukka tästä reposta, asenna Docsify paikalliselle koneellesi, ja sitten tämän repohakemiston juuressa kirjoita docsify serve. Sivusto tarjotaan portissa 3000 paikallisessa isäntäkoneessasi: localhost:3000.

PDF-tiedostot

Löydät opetussuunnitelman pdf-version linkkeineen täältä.

🎒 Muut kurssit

Tiimimme tuottaa myös muita kursseja! Tutustu:

LangChain

---

Azure / Edge / MCP / Agentit

---

Generatiivinen AI -sarja

---

Keskeiset oppimateriaalit

---

Copilot-sarja

Apua

Jos jumitut tai sinulla on kysyttävää tekoälysovellusten rakentamisesta, liity muiden oppijoiden ja kokeneiden kehittäjien keskusteluihin MCP:ssä. Se on kannustava yhteisö, jossa kysymyksiä saa esittää ja tietoa jaetaan vapaasti.

Jos sinulla on tuotepalaute tai kohtaat virheitä rakentamisen aikana, vieraile:

---

Vastuuvapauslauseke: Tämä asiakirja on käännetty tekoälypohjaisella käännöspalvelulla Co-op Translator (https://github.com/Azure/co-op-translator). Vaikka pyrimme täsmällisyyteen, automatisoiduissa käännöksissä voi esiintyä virheitä tai epätarkkuuksia. Alkuperäistä asiakirjaa sen alkuperäisellä kielellä tulee pitää määräävänä lähteenä. Tärkeiden tietojen osalta suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa tämän käännöksen käytöstä aiheutuvista väärinymmärryksistä tai virheellisistä tulkinnoista.