ML-For-Beginners/translations/fi

🌐 Monikielinen tuki

Tuettu GitHub Actionin avulla (automaattinen & aina ajan tasalla)

Arabia | Bengali | Bulgaria | Burma (Myanmar) | Kiina (yksinkertaistettu) | Kiina (perinteinen, Hong Kong) | Kiina (perinteinen, Macau) | Kiina (perinteinen, Taiwan) | Kroatia | Tšekki | Tanska | Hollanti | Viro | Suomi | Ranska | Saksa | Kreikka | Heprea | Hindi | Unkari | Indonesia | Italia | Japani | Kannada | Korea | Liettua | Malaiji | Malajalam | 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) | Tamil | Telugu | Thai | Turkki | Ukraina | Urdu | Vietnam

Haluatko mieluummin kloonata paikallisesti?

Tämä repositorio sisältää yli 50 kielen käännökset, mikä kasvattaa latauskokoa merkittävästi. Jos haluat kloonata ilman käännöksiä, käytä harvaa 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 tarjoaa kaiken tarvittavan kurssin suorittamiseen huomattavasti nopeammalla latauksella.

Liity yhteisöömme

Meillä on käynnissä Discordin Learn with AI -sarja, opi lisää ja liity mukaan osoitteessa Learn with AI Series 18. – 30. syyskuuta 2025. Saat vinkkejä ja temppuja GitHub Copilotin käyttämiseen Data Scienticessä.

Koneoppiminen aloittelijoille – opetussuunnitelma

🌍 Matkusta ympäri maailmaa tutkiskellessamme koneoppimista maailman kulttuurien kautta 🌍

Microsoftin Cloud Advocates tarjoaa 12 viikon ja 26 oppitunnin opetussuunnitelman, joka käsittelee koneoppimista. Tässä opetussuunnitelmassa opit siitä, mitä joskus kutsutaan klassiseksi koneoppimiseksi, pääasiassa Scikit-learn-kirjastoa käyttäen ja välttäen syväoppimista, joka käsitellään AI for Beginners -opetussuunnitelmassamme. Yhdistä nämä oppitunnit myös 'Data Science for Beginners' -opetussuunnitelmaamme!

Matkusta kanssamme ympäri maailmaa soveltaen näitä klassisia tekniikoita eri alueiden dataan. Jokainen oppitunti sisältää ennakko- ja jälkikäteen suoritettavat testit, kirjalliset ohjeet oppitunnin suorittamiseen, ratkaisun, tehtävän ja muuta. Projektipohjainen pedagogiikkamme mahdollistaa oppimisen rakentamisen kautta, mikä on todistettu 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

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

🙏 Erityiskiitos 🙏 Microsoft Student Ambassador -kirjoittajille, arvioijille ja sisällöntuottajillemme, 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 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 kurssin lisäresurssit Microsoft Learn -kokoelmastamme

🔧 Tarvitsetko apua? Tarkista Vianmääritysohjeistuksemme yleisiin asennus-, käyttöönotto- ja oppituntien suorittamisen ongelmiin.

Opiskelijat, käyttääksesi tätä opetussuunnitelmaa, kloonaa koko repositorio omaan GitHub-tiliisi ja suorita tehtävät itseksesi tai ryhmässä:

• Aloita ennakkotentin tekemisellä.
• Lue luento ja tee aktiviteetit, pysähdy ja pohdi jokaisen tietokyselyn kohdalla.
• Yritä luoda projektit ymmärtämällä oppitunnit sen sijaan, että suoritat ratkaisukoodin; koodi on kuitenkin saatavilla kunkin projektipainotteisen oppitunnin /solution-kansiossa.
• Tee jälkitentti.
• Suorita haaste.
• Tee tehtävä.
• Oppituntikokonaisuuden suorittamisen jälkeen käy Keskustelupalstalla ja "opiskele ääneen" täyttämällä asianmukainen PAT-arviointi. PAT on edistymisarviointityökalu, jonka avulla voit edistää oppimistasi. Voit myös reagoida muiden PAT-arviointeihin, jotta voimme oppia yhdessä.

Jatko-opiskeluun suosittelemme seuraamaan näitä Microsoft Learn moduuleja ja oppimispolkuja.

Opettajat, olemme liittäneet joitakin ehdotuksia tämän opetussuunnitelman käyttämiseen.

---

Video-kävelyoppaat

Jotkin oppitunnit ovat saatavilla lyhyinä videoina. Löydät ne kaikki oppitunneista tai Microsoft Developerin YouTube-kanavan ML for Beginners -soittolistalta klikkaamalla alla olevaa kuvaa.

---

Tapaa tiimi

Gif: Mohit Jaisal

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

---

Pedagogiikka

Olemme valinneet tämän opetussuunnitelman rakentamiseen kaksi pedagogista periaatetta: varmistaa, että se on käytännönläheinen projektipohjainen ja sisältää tiheät tentit. Lisäksi opetussuunnitelmalla on yhtenäinen teema, joka antaa sille johdonmukaisuuden.

Sisällön sovittaminen projekteihin tekee prosessista opiskelijoille mielekkäämmän ja käsitteiden omaksuminen paranee. Lisäksi matalan panoksen tentti ennen luentoa asettaa opiskelijan oppimistavoitteen aiheelle, ja jälkitentti varmistaa käsitteiden paremman omaksumisen. Tämä opetussuunnitelma on suunniteltu joustavaksi ja hauskaksi, ja se voidaan suorittaa kokonaan tai osittain. Projektit alkavat pieninä ja kasvavat monimutkaisemmiksi 12 viikon prosessin loppua kohti. Tämä opetussuunnitelma sisältää myös jälkikirjoituksen ML:n todellisista sovelluksista, jota voi käyttää lisäpisteenä tai keskustelun pohjana.

Löydät käyttäytymissäännöstömme, Osallistumisohjeet, Käännösohjeet ja Vianmääritysohjeet. Otamme mielellämme vastaan rakentavaa palautettasi!

Jokainen oppitunti sisältää

• valinnaisen luonnoksen
• valinnaisen lisävideon
• video-kävelyoppaan (vain osassa oppitunteja)
• ennakko-oppitentin
• kirjallisen oppitunnin
• projektipohjaisissa oppitunneissa askel askeleelta ohjeet projektin rakentamiseen
• tietokyselyitä
• haasteen
• lisälukemista
• tehtävän
• jälkikäteen tehtävän tentin

Huomio kielistä: Nämä oppitunnit on kirjoitettu pääasiassa Pythonilla, mutta monia on myös saatavilla R-kielellä. R-oppitunnin suorittamiseksi siirry /solution-kansioon ja etsi R-oppitunteja. Niissä on .rmd-pääte, joka tarkoittaa R Markdown -tiedostoa, joka on yksinkertaisesti määritelty koodilohkojen (R:n tai muiden kielien) ja YAML-otsikon (joka ohjaa, miten muotoilla tulokset kuten PDF) yhdistämisenä Markdown-dokumenttiin. Näin se toimii esimerkillisenä kirjoituskehyksenä data-analytiikassa, koska sen avulla voit yhdistää koodisi, sen tuottaman tuloksen ja ajatuksesi kirjoittamalla ne Markdowniin. Lisäksi R Markdown -tiedostot voidaan renderöidä erilaisiin tulostusmuotoihin, kuten PDF, HTML tai Word. Huomautus visailuista: Kaikki visailut löytyvät kansiosta Quiz App folder, yhteensä 52 visailua, joissa kussakin on kolme kysymystä. Ne on linkitetty oppitunteihin, mutta visailusovellusta voi ajaa paikallisesti; noudata quiz-app -kansion ohjeita sovelluksen paikalliseen ajamiseen tai Azureen siirtämiseen.

Oppitunnin numero	Aihe	Oppituntiryhmä	Oppimistavoitteet	Linkitetty oppitunti	Tekijä
01	Johdatus koneoppimiseen	Introduction	Opi koneoppimisen peruskäsitteet	Oppitunti	Muhammad
02	Koneoppimisen historia	Introduction	Opi tämän alan historia	Oppitunti	Jen ja Amy
03	Oikeudenmukaisuus ja koneoppiminen	Introduction	Mitkä ovat tärkeät filosofiset kysymykset oikeudenmukaisuudesta, jotka opiskelijoiden tulisi huomioida rakentaessaan ja käyttäessään ML-malleja?	Oppitunti	Tomomi
04	Koneoppimisen menetelmiä	Introduction	Mitä menetelmiä ML-tutkijat käyttävät mallien rakentamiseen?	Oppitunti	Chris ja Jen
05	Johdatus regressioon	Regression	Aloita Pythonilla ja Scikit-learnillä regressiomalleihin	Python • R	Jen • Eric Wanjau
06	Pohjoisamerikkalaiset kurpitsahinnat 🎃	Regression	Visualisoi ja puhdista dataa koneoppimista varten	Python • R	Jen • Eric Wanjau
07	Pohjoisamerikkalaiset kurpitsahinnat 🎃	Regression	Rakenna lineaarinen ja polynominen regressiomalli	Python • R	Jen ja Dmitry • Eric Wanjau
08	Pohjoisamerikkalaiset kurpitsahinnat 🎃	Regression	Rakenna logistinen regressiomalli	Python • R	Jen • Eric Wanjau
09	Web-sovellus 🔌	Web App	Rakenna web-sovellus koulutetun mallisi käyttöön	Python	Jen
10	Johdatus luokitteluun	Classification	Puhdista, valmistele ja visualisoi data; 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 suosittelujärjestelmän web-sovellus mallisi avulla	Python	Jen
14	Johdatus klusterointiin	Clustering	Puhdista, valmistele ja visualisoi datasi; Johdatus klusterointiin	Python • R	Jen • Eric Wanjau
15	Nigerialaisen musiikkimaun tutkimista 🎧	Clustering	Tutustu K-Means-klusterointimenetelmään	Python • R	Jen • Eric Wanjau
16	Johdatus luonnollisen kielen käsittelyyn ☕️	Natural language processing	Opi NLP:n perusteet rakentamalla yksinkertainen botti	Python	Stephen
17	Yleisiä NLP-tehtäviä ☕️	Natural language processing	Syvennä NLP-tietoasi ymmärtämällä yleisiä kielirakenteissa tarvittavia tehtäviä	Python	Stephen
18	Käännös ja tunteiden analysointi ♥️	Natural language processing	Käännös ja tunteiden analysointi Jane Austenin kanssa	Python	Stephen
19	Euroopan romanttiset hotellit ♥️	Natural language processing	Tunteiden analysointi hotelliarvioiden 1 avulla	Python	Stephen
20	Euroopan romanttiset hotellit ♥️	Natural language processing	Tunteiden analysointi hotelliarvioiden 2 avulla	Python	Stephen
21	Johdatus aikasarjaennusteisiin	Time series	Johdatus aikasarjaennusteisiin	Python	Francesca
22	⚡️ Maailman sähkönkulutus ⚡️ - aikasarjaennuste ARIMA:lla	Time series	Aikasarjaennuste ARIMA-mallilla	Python	Francesca
23	⚡️ Maailman sähkönkulutus ⚡️ - aikasarjaennuste SVR:llä	Time series	Aikasarjaennuste tukivektoriregressiolla	Python	Anirban
24	Johdatus vahvistusoppimiseen	Reinforcement learning	Johdatus vahvistusoppimiseen Q-Learningin avulla	Python	Dmitry
25	Auta Peteriä välttelemään sutta! 🐺	Reinforcement learning	Vahvistusoppiminen Gymissä	Python	Dmitry
Jälkikirjoitus	Käytännön ML-tilanteita ja sovelluksia	ML in the Wild	Mielenkiintoisia ja paljastavia käytännön esimerkkejä perinteisestä ML:stä	Oppitunti	Tiimi
Jälkikirjoitus	Mallin virheenkorjaus ML:ssä RAI-kojelautaa käyttäen	ML in the Wild	Mallin virheenkorjaus koneoppimisessa Responsible AI -kojelauta-komponenttien avulla	Oppitunti	Ruth Yakubu

löydä kaikki tämän kurssin lisäresurssit Microsoft Learn -kokoelmastamme

Offline-käyttö

Voit käyttää tätä dokumentaatiota offline-tilassa käyttämällä Docsify. Tee fork tähän repositorioon, asenna Docsify paikalliselle koneellesi, ja tämän repositorion juuressa kirjoita docsify serve. Verkkosivusto palvelee 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 / Agents

---

Generative AI Series

---

Perusopetus

---

Copilot-sarja

Apua saamassa

Jos jäät jumiin tai sinulla on kysyttävää tekoälysovellusten rakentamisesta, liity muiden oppijoiden ja kokeneiden kehittäjien keskusteluihin MCP:stä. Se on kannustava yhteisö, jossa kysymykset ovat tervetulleita ja tieto jaetaan vapaaehtoisesti.

Jos sinulla on tuotepalaute tai kohtaat virheitä rakennusvaiheessa, vieraile:

---

Vastuuvapauslauseke: Tämä asiakirja on käännetty käyttäen tekoälypohjaista käännöspalvelua Co-op Translator. Vaikka pyrimme tarkkuuteen, otathan huomioon, että automaattikäännöksissä saattaa esiintyä virheitä tai epätarkkuuksia. Alkuperäinen asiakirja omalla kielellään on virallinen ja auktoriteettinen lähde. Kriittisissä tiedoissa suosittelemme ammattimaisen ihmiskääntäjän käyttöä. Emme ole vastuussa mahdollisista väärinymmärryksistä tai tulkinnoista, jotka johtuvat tämän käännöksen käytöstä.