32 KiB

Raw Blame History Unescape Escape

🌐 Monikielinen tuki

Tuettuna GitHub Actionin kautta (automaattinen ja aina ajan tasalla)

Haluatko mieluummin kloonata paikallisesti?

Tämä arkisto sisältää yli 50 kieliversiota, mikä lisää latauskoon merkittävästi. Jos haluat kloonata ilman käännöksiä, käytä sparse checkout -toimintoa:

Bash / macOS / Linux:
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'
CMD (Windows):
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 huomattavasti nopeammalla latauksella.

Liity yhteisöömme

Meillä on käynnissä Discordissa sarja "Learn with AI", lue lisää ja liity mukaan osoitteessa Learn with AI Series ajalla 18.-30. syyskuuta 2025. Saat vinkkejä ja niksejä GitHub Copilotin käytöstä Data Scienticessä.

Koneoppiminen aloittelijoille - Opintokokonaisuus

🌍 Matkusta ympäri maailmaa tutkiessamme koneoppimista maailman kulttuurien kautta 🌍

Microsoftin Cloud Advocates tarjoaa 12 viikon, 26 oppitunnin opintokokonaisuuden, joka käsittelee koneoppimista. Tässä opintokokonaisuudessa opit niin kutsutusta klassillisesta koneoppimisesta, pääasiassa Scikit-learn -kirjastoa käyttäen ja syväoppimista välttäen, josta kerrotaan AI for Beginners -opintokokonaisuudessa. Yhdistä nämä oppitunnit myös 'Data Science for Beginners' -opintokokonaisuuteemme.

Matkusta kanssamme ympäri maailmaa soveltaen klassisia tekniikoita eri alueiden aineistoihin. Jokaisessa oppitunnissa on ennen ja jälkeen oppitunnin kyselyt, kirjalliset ohjeet oppitunnin suorittamiseksi, ratkaisu, tehtävä ja muuta. Projektipohjainen opetusmetodi antaa mahdollisuuden oppia tekemällä, mikä on todistettu tapa uusien taitojen omaksumiseen.

✍️ 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

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

🤩 Erityiskiitos Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi ja Vidushi Gupta opastamme R-oppitunneille!

Aloittaminen

Noudata näitä ohjeita:

Forkkaa arkisto: Klikkaa oikean yläkulman "Fork"-painiketta.
Kloonaa arkisto: git clone https://github.com/microsoft/ML-For-Beginners.git

💡 Nopea aloitusvinkki: Haluatko aloittaa selaimessa ilman Pythonin asentamista paikallisesti? Käytä GitHub Codespaces -palvelua luodaksesi pilvipohjaisen kehitysympäristön omalle forkillesi. Avaa vihreä Code-valikko, valitse Codespaces ja luo kooditila; asenna kukin oppitunti vaatimat riippuvuudet tarpeen mukaan.

löydä kaikki tämän kurssin lisämateriaalit Microsoft Learnin kokoelmastamme

🔧 Tarvitsetko apua? Katso Vianmääritysohjeet tavallisten ongelmien ratkaisuksi installaatiossa, asennuksessa ja oppituntien suorittamisessa.

Opiskelijat käyttääkseen tätä opintokokonaisuutta, forkkaa koko arkisto omaan GitHub-tiliisi ja suorita harjoitukset itseksesi tai ryhmässä:

Aloita esiluennon kyselyllä.
Lue luento ja suorita tehtävät, pysähdy ja pohdi jokaisen osaamisen tarkistuksen kohdalla.
Yritä luoda projektit ymmärtämällä oppitunnit sen sijaan, että suoritat valmiin ratkaisukoodin; ratkaisukoodi on kuitenkin saatavilla jokaisen projektilähtöisen oppitunnin /solution-kansiossa.
Osallistu jälkiluennon kyselyyn.
Suorita haaste.
Suorita tehtävä.
Suorittettuasi oppituntiryhmän, käy Keskustelualueella ja "oppi ääneen" täyttämällä sopiva PAT-arviointilomake. 'PAT' on edistymisarviointityökalu, joka on lomake, jonka täytät edistääksesi oppimistasi. Voit myös kommentoida muiden PAT-lomakkeita, jolloin voimme oppia yhdessä.

Syventävään opiskeluun suosittelemme seuraavia Microsoft Learn -moduleita ja oppimispolkuja.

Opettajille, olemme sisältäneet joitakin ehdotuksia tämän opintokokonaisuuden käytöstä.

Videoiden läpikäynti

Osa oppitunneista on saatavilla lyhyinä videoina. Löydät ne upotettuina oppitunteihin tai ML for Beginners -soittolistalta Microsoft Developer YouTube -kanavalla klikkaamalla alla olevaa kuvaa.

Tapaa tiimi

Gif tekijä Mohit Jaisal

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

Pedagogiikka

Olemme valinneet kaksi pedagogista periaatetta tämän opintokokonaisuuden rakentamiseen: sen tulee olla käytännönläheinen projektipohjainen ja sisältää säännöllisiä kyselyjä. Lisäksi opintokokonaisuudessa on yhteinen teema liittämään kokonaisuus yhteen.

Varmistamalla, että sisältö vastaa projekteja, prosessi on opiskelijoille mielekkäämpi ja käsitteiden omaksuminen tehostuu. Lisäksi matalan panoksen kysely ennen luentoa suuntaa opiskelijan huomion oppimiseen, kun jälkiluennon kysely vahvistaa opitut asiat. Tämä opintokokonaisuus on suunniteltu joustavaksi ja hauskaksi ja se voidaan suorittaa kokonaan tai osissa. Projektit alkavat pieninä ja kasvavat monimutkaisemmiksi 12 viikon syklin lopussa. Tämä opintokokonaisuus sisältää myös jälkisanat koneoppimisen käytännön sovelluksista, joita voi käyttää lisäpisteinä tai keskustelun pohjana.

Löydät käyttäytymissäännöt, osallistumisohjeet, käännökset ja vianmäärityksen ohjeet. Otamme mielellämme vastaan rakentavaa palautetta!

Jokainen oppitunti sisältää

valinnaisen luonnosmuistiinpanon
valinnaisen lisävideon
videoiden läpikäynnin (vain joissain oppitunneissa)
esiluennon alkulämmittelykyselyn
kirjallisen oppitunnin
projektipohjaisissa oppitunneissa vaiheittaiset ohjeet projektin rakentamiseen
tietämystarkistukset
haasteen
lisälukemista
tehtävän
jälkiluennon kyselyn

Huomio kielistä: Nämä oppitunnit on pääasiassa kirjoitettu Pythonilla, mutta moni on saatavilla myös R-kielellä. Suorittaaksesi R-oppitunnin, mene /solution-kansioon ja etsi sieltä R-oppitunnit. Niissä on .rmd-pääte, joka kuvaa R Markdown -tiedostoa, joka on yksinkertaisesti määriteltynä koodilohkojen (R:n tai muiden kielten) ja YAML-otsikon (joka ohjaa tulosteen muotoilua kuten PDF) yhdistelmä Markdown-dokumentissa. Se toimii erinomaisena kirjoitusalustana data science -tehtäviin, koska se mahdollistaa koodisi, sen tulosteet ja ajatuksesi kirjoittamisen Markdown-muodossa. Lisäksi R Markdown -dokumentit voidaan tuottaa PDF-, HTML- tai Word-muotoisina.

Huomio kyselyistä: Kaikki kyselyt löytyvät Quiz App -kansiosta, yhteensä 52 kyselyä kolmella kysymyksellä kukin. Ne on linkitetty oppitunneissa, mutta kyselyappia voi ajaa myös paikallisesti; noudata quiz-app-kansion ohjeita paikalliseen isännöintiin tai julkaisuun Azureen.

Oppitunnin numero	Aihe	Oppituntiryhmä	Oppimistavoitteet	Linkitetty oppitunti	Kirjoittaja
01	Johdatus koneoppimiseen	Introduction	Opettele koneoppimisen peruskäsitteet	Lesson	Muhammad
02	Koneoppimisen historia	Introduction	Opi tämän alan taustalla oleva historia	Lesson	Jen and Amy
03	Oikeudenmukaisuus ja koneoppiminen	Introduction	Mitkä ovat tärkeät filosofiset kysymykset oikeudenmukaisuudesta, jotka opiskelijoiden tulisi ottaa huomioon rakentaessaan ja soveltaessaan ML-malleja?	Lesson	Tomomi
04	Koneoppimisen tekniikat	Introduction	Mitä tekniikoita ML-tutkijat käyttävät rakentaakseen ML-malleja?	Lesson	Chris and Jen
05	Johdatus regressioon	Regression	Aloita Pythonin ja Scikit-learnin käytöllä regressiomalleihin	Python • R	Jen • Eric Wanjau
06	Pohjois-Amerikan kurpitsahinnat 🎃	Regression	Visualisoi ja siivoa data ML-valmistelua varten	Python • R	Jen • Eric Wanjau
07	Pohjois-Amerikan kurpitsahinnat 🎃	Regression	Rakenna lineaarisia ja polynomisia regressiomalleja	Python • R	Jen ja Dmitry • Eric Wanjau
08	Pohjois-Amerikan kurpitsahinnat 🎃	Regression	Rakenna logistisen regression malli	Python • R	Jen • Eric Wanjau
09	Web-sovellus 🔌	Web App	Rakenna web-sovellus käyttämään koulutettua malliasi	Python	Jen
10	Johdatus luokitteluun	Classification	Siivoa, valmistele ja visualisoi dataasi; johdatus luokitteluun	Python • R	Jen ja Cassie • Eric Wanjau
11	Herkulliset aasialaiset ja intialaiset ruoat 🍜	Classification	Johdatus luokittelijoihin	Python • R	Jen ja Cassie • Eric Wanjau
12	Herkulliset aasialaiset ja intialaiset ruoat 🍜	Classification	Lisää luokittelijoita	Python • R	Jen ja Cassie • Eric Wanjau
13	Herkulliset aasialaiset ja intialaiset ruoat 🍜	Classification	Rakenna suosittelija web-sovellus mallisi avulla	Python	Jen
14	Johdatus klusterointiin	Clustering	Siivoa, valmistele ja visualisoi dataasi; johdatus klusterointiin	Python • R	Jen • Eric Wanjau
15	Tutki nigerialaista musiikkimakua 🎧	Clustering	Tutki K-Means klusterointimenetelmää	Python • R	Jen • Eric Wanjau
16	Johdatus luonnollisen kielen käsittelyyn ☕️	Natural language processing	Opi NLP:n perusteet rakentamalla yksinkertainen botti	Python	Stephen
17	Yleiset NLP-tehtävät ☕️	Natural language processing	Syvennä NLP-tietämystäsi ymmärtämällä yleiset tehtävät, joita tarvitaan kielellisten rakenteiden käsittelyssä	Python	Stephen
18	Käännös ja tunnesisällön analyysi ♥️	Natural language processing	Käännös ja tunteiden analyysi Jane Austenin avulla	Python	Stephen
19	Euroopan romanttiset hotellit ♥️	Natural language processing	Tunnesisällön analyysi hotelliarvosteluilla 1	Python	Stephen
20	Euroopan romanttiset hotellit ♥️	Natural language processing	Tunnesisällön analyysi hotelliarvosteluilla 2	Python	Stephen
21	Johdatus aikasarjaennusteisiin	Time series	Johdatus aikasarjaennusteisiin	Python	Francesca
22	⚡️ Maailman sähkönkulutus ⚡️ - aikasarjaennuste ARIMAlla	Time series	Aikasarjaennuste ARIMAlla	Python	Francesca
23	⚡️ Maailman sähkönkulutus ⚡️ - aikasarjaennuste SVR:llä	Time series	Aikasarjaennuste Support Vector Regressorin avulla	Python	Anirban
24	Johdatus vahvistusoppimiseen	Reinforcement learning	Johdatus vahvistusoppimiseen Q-Learningin avulla	Python	Dmitry
25	Auta Peteriä välttämään susi! 🐺	Reinforcement learning	Vahvistusoppimisen Gym	Python	Dmitry
Jälkikirjoitus	Todelliset ML-skenaariot ja sovellukset	ML in the Wild	Mielenkiintoisia ja valaisevia todellisen maailman sovelluksia klassisesta ML:stä	Lesson	Tiimi
Jälkikirjoitus	Mallin virheenkorjaus ML:ssä RAI-hallintapaneelin avulla	ML in the Wild	Mallin virheenkorjaus koneoppimisessa käyttäen Responsible AI -hallintapaneelin komponentteja	Lesson	Ruth Yakubu

löydä kaikki lisäresurssit tälle kurssille Microsoft Learn -kokoelmastamme

Offline-käyttö

Voit käyttää tätä dokumentaatiota offline-tilassa käyttämällä Docsifya. Tehdä fork tämän repositorion, asennat Docsifyn paikalliselle koneellesi ja kirjoita sitten tämän repositorion juurikansiossa docsify serve. Sivusto on käytettävissä portissa 3000 paikallisella koneellasi: localhost:3000.

PDF:t

Löydät opetussuunnitelman PDF-version linkkeineen täältä.

🎒 Muut kurssit

Tiimimme tuottaa myös muita kursseja! Tutustu:

LangChain

Azure / Edge / MCP / Agentit

Generatiivisen tekoälyn sarja

Ydinkoulutus

Copilot-sarja

Apua saamaan

Jos jäät jumiin tai sinulla on kysyttävää koneoppimisen opiskelussa tai tekoälysovellusten rakentamisessa, älä huoli — apua on saatavilla.

Voit liittyä keskusteluihin muiden oppijoiden ja kehittäjien kanssa, esittää kysymyksiä ja jakaa ideoitasi yhteisön kanssa.

Liity yhteisöön esittääksesi kysymyksiä ja oppiaksesi muiden kanssa
Keskustele koneoppimisen käsitteistä ja projektin ideoista
Saat ohjausta kokeneilta kehittäjiltä

Tukevan yhteisön tarjoama tuki on loistava tapa kehittää taitojasi ja ratkaista ongelmia nopeammin.

Microsoft Foundry Discord Community

Jos kohtaat bugeja, virheitä tai sinulla on parannusehdotuksia, voit myös avata Issue-kohdan tässä repossa ongelman raportoimiseksi.

Tuotepalautetta varten tai etsiäksesi olemassa olevia yhteisöpostauksia, käy Kehittäjäfoorumilla:

Lisäopiskeluvinkkejä

Käy läpi muistiinpanot jokaisen oppitunnin jälkeen paremman ymmärtämisen saavuttamiseksi.
Harjoittele algoritmien toteuttamista itse.
Tutki todellisia datasettejä oppimiisi käsitteisiin perustuen.

Vastuuvapauslauseke: Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua Co-op Translator. Vaikka pyrimme tarkkuuteen, otathan huomioon, että automaattiset käännökset saattavat sisältää virheitä tai epätarkkuuksia. Alkuperäinen asiakirja sen alkuperäiskielellä on virallinen lähde. Tärkeissä asioissa suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa tämän käännöksen käytöstä aiheutuvista väärinymmärryksistä tai tulkinnoista.

32 KiB Raw Blame History Unescape Escape