README.md

🌐 Monikielinen tuki

Tuettu GitHub Actionin kautta (automaattinen ja aina ajan tasalla)

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 | Khmer | 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

Haluatko mieluummin kloonata paikallisesti?

Tämä arkisto sisältää yli 50 käännöstä, mikä lisää huomattavasti latauskokoa. Jos haluat kloonata ilman käännöksiä, käytä sparse checkoutia:

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"

Näin saat kaiken tarvittavan kurssin suorittamiseen paljon nopeammalla latauksella.

Liity yhteisöömme

Meillä on käynnissä Discordin opi tekoälyn kanssa -sarja, lisätietoja ja liittyminen osoitteessa Learn with AI Series ajalla 18.–30. syyskuuta 2025. Saat vinkkejä ja niksejä GitHub Copilotin käyttämiseen Data Scientissä.

Koneoppiminen aloittelijoille – opetussuunnitelma

🌍 Matkustetaan maailman ympäri tutkien koneoppimista maailman kulttuurien kautta 🌍

Microsoftin Cloud Advocates tarjoaa 12 viikon ja 26 oppitunnin opetussuunnitelman, joka keskittyy koneoppimiseen. Tässä kurssissa opit niistä koneoppimisen muodoista, joita joskus kutsutaan klassiseksi koneoppimiseksi, pääasiassa hyödyntäen Scikit-learniä kirjastona ja välttäen syväoppimista, joka sisältyy meidän AI for Beginners -opetussuunnitelmaamme. Yhdistä nämä oppitunnit myös meidän 'Data Science for Beginners' -opetussuunnitelmaan!

Matkusta kanssamme maailman ympäri, kun sovellamme näitä klassisia menetelmiä monien maailman alueiden tietoihin. Jokainen oppitunti sisältää ennen ja jälkeen oppitunnin kyselyt, kirjalliset ohjeet tehtävän suorittamiseksi, ratkaisun, tehtävän ja lisää. Projektipohjainen pedagogiikkamme antaa sinun oppia samalla kun rakennat, mikä on todistettu tapa saada uudet taidot palautumaan mieleen.

✍️ Lämmin kiitos 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

🙏 Erityiskiitokset 🙏 Microsoft Student Ambassador -kirjoittajille, arvioijille ja sisältöjen toimittajille, 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 -tiimille R-oppitunneistamme!

Aloittaminen

Seuraa näitä ohjeita:

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

löydät kaikki lisäresurssit tälle kurssille Microsoft Learn -kokoelmastamme

🔧 Tarvitsetko apua? Tutustu Vianmääritysohjeeseemme löytääksesi ratkaisuja yleisimpiin asennus-, käyttöönotto- ja oppituntien ajamiseen liittyviin ongelmiin.

Opiskelijat, käyttääksenne tätä opetussuunnitelmaa, forkkaa koko arkisto omaan GitHub-tiliisi ja suorita harjoitukset yksin tai ryhmässä:

• Aloita esiluentokyselyllä.
• Lue luento ja suorita tehtävät, pysähdyttele ja pohdi jokaista tiedon tarkistusta.
• Yritä luoda projektit ymmärtämällä oppitunnit sen sijaan, että vain suoritat ratkaisukoodin; kuitenkin koodit löytyvät /solution -kansioista jokaisessa projektiin keskittyneessä oppitunnissa.
• Tee jälkiluennon kysely.
• Suorita haaste.
• Tee tehtävä.
• Oppikokonaisuuden suoritettuasi käy Keskustelufoorumilla ja "opiskele ääneen" täyttämällä sopiva PAT-arviointilomake. PAT on etenemisen arviointityökalu, jonka avulla voit edistää oppimistasi. Voit myös reagoida muiden PAT-arviointeihin, jotta opimme yhdessä.

Jatko-opiskelua varten suosittelemme seuraavia Microsoft Learn moduuleja ja oppimispolkuja.

Opettajat, olemme lisänneet joitain ehdotuksia tämän opetussuunnitelman käyttämiseen.

---

Video-oppaat

Jotkut oppitunnit ovat saatavilla lyhyinä videoina. Löydät ne kaikki suoraan oppitunneilta tai ML for Beginners -soittolistalta Microsoft Developerin YouTube-kanavalta kuvaa klikkaamalla.

---

Tutustu tiimiin

Gif:stä vastaa Mohit Jaisal

🎥 Klikkaa yllä olevaa kuvaa videota varten, jossa kerrotaan projektista ja tekijöistä!

---

Pedagogiikka

Olemme valinneet kaksi pedagogista periaatetta tämän opetussuunnitelman rakentamisessa: varmistaa, että se on käytännönläheinen projekti-pohjainen ja että se sisältää useita tietovisailuja. Lisäksi opetussuunnitelmalla on yhteinen teema antaakseen yhtenäisyyttä.

Sisällön linkittäminen projekteihin tekee prosessista opiskelijoille kiinnostavamman ja parantaa käsitteiden muistamista. Lisäksi matalariskeinen tietovisa ennen tuntia asettaa opiskelijan tavoitteet uusien asioiden oppimiselle, ja toinen tietovisa luennon jälkeen vahvistaa muistia. Tämä opetussuunnitelma on suunniteltu joustavaksi ja hauskaksi, ja sen voi suorittaa kokonaan tai osittain. Projektit alkavat pieninä ja monimutkaistuvat vaiheittain 12 viikon jaksolla. Tämä opetussuunnitelma sisältää myös loppuosan ML:n todellisista sovelluksista, jonka voi käyttää lisäpisteiden ansaitsemiseen tai keskustelun pohjaksi.

Löydät käyttäytymissääntömme, yhteistyöohjeet, käännökset ja vianmäärityksen ohjeet. Otamme mielellämme rakentavaa palautetta vastaan!

Jokainen oppitunti sisältää

• valinnaisen luonnosmuistiinpanon
• valinnaisen lisävideon
• video-opastuksen (vain joissain oppitunneissa)
• pre-lecture warmup quiz
• kirjallisen oppitunnin
• projekti-pohjaisissa oppitunneissa vaiheittaiset ohjeet projektin rakentamiseen
• tiedon tarkistuksia
• haasteen
• lisälukemista
• tehtävän
• post-lecture quiz

Huomio kielistä: Nämä oppitunnit on pääasiassa kirjoitettu Pythonilla, mutta monet ovat saatavilla myös R:llä. R-oppitunnin suorittamiseksi siirry /solution-kansioon ja etsi sieltä R-oppitunteja. Niissä on .rmd-laajennus, joka tarkoittaa R Markdown-tiedostoa, joka voidaan yksinkertaisesti määritellä koodipalojen (R:n tai muiden kielten) ja YAML-otsikon (joka ohjaa tulosteiden kuten PDF:n muotoilua) upotukseksi Markdown-dokumentissa. Siten se toimii erinomaisena kirjoitusympäristönä data-analytiikassa, sillä se sallii koodin, sen tulosten sekä ajatusten yhdistämisen ja niiden kirjaamisen Markdown-muodossa. Lisäksi R Markdown -dokumentit voidaan renderöidä esimerkiksi PDF-, HTML- tai Word-muotoihin.

Huomio kokeista: Kaikki kokeet ovat Quiz App -kansiossa, yhteensä 52 koetta, joissa on kukin kolme kysymystä. Ne ovat linkitetty oppitunneille, mutta quiz-sovellusta voi ajaa myös paikallisesti; seuraa quiz-app-kansion ohjeita paikallista isännöintiä tai Azureen julkaisemista varten.

Oppitunnin numero	Aihe	Oppituntiryhmä	Oppimistavoitteet	Linkitetty oppitunti	Tekijä
01	Johdatus koneoppimiseen	Johdanto	Opi koneoppimisen peruskäsitteet	Oppitunti	Muhammad
02	Koneoppimisen historia	Johdanto	Opi tämän alan tausta	Oppitunti	Jen ja Amy
03	Oikeudenmukaisuus ja koneoppiminen	Johdanto	Mitkä ovat tärkeät filosofiset oikeudenmukaisuuteen liittyvät kysymykset, joita opiskelijoiden tulisi harkita ML-malleja rakentaessaan ja soveltaessaan?	Oppitunti	Tomomi
04	Koneoppimisen menetelmät	Johdanto	Mitä menetelmiä ML-tutkijat käyttävät mallien rakentamiseen?	Oppitunti	Chris ja Jen
05	Johdatus regressioon	Regressio	Aloita Python- ja Scikit-learn-kirjastoilla regressiomallien tekeminen	Python • R	Jen • Eric Wanjau
06	Pohjois-Amerikan kurpitsahinnat 🎃	Regressio	Visualisoi ja siivoa dataa ML:n 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	Verkkosovellus 🔌	Verkkosovellus	Rakenna verkkosovellus koulutetun mallisi käyttämiseksi	Python	Jen
10	Johdatus luokitteluun	Luokittelu	Siivoa, valmistele ja visualisoi data; johdatus luokitteluun	Python • R	Jen ja Cassie • Eric Wanjau
11	Herkulliset aasialaiset ja intialaiset ruoat 🍜	Luokittelu	Johdatus luokittimiin	Python • R	Jen ja Cassie • Eric Wanjau
12	Herkulliset aasialaiset ja intialaiset ruoat 🍜	Luokittelu	Lisää luokittimia	Python • R	Jen ja Cassie • Eric Wanjau
13	Herkulliset aasialaiset ja intialaiset ruoat 🍜	Luokittelu	Rakenna suositussovellus verkkoon malliasi käyttäen	Python	Jen
14	Johdatus klusterointiin	Klusterointi	Siivoa, valmistele ja visualisoi data; johdatus klusterointiin	Python • R	Jen • Eric Wanjau
15	Tutkiskellaan nigerialaista musiikkimakua 🎧	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	Tavalliset NLP-tehtävät ☕️	Luonnollisen kielen käsittely	Syvennä NLP-tietämystäsi ymmärtämällä tavallisia tehtäviä, joita rakenteiden käsittelyssä tarvitaan	Python	Stephen
18	Käännös ja tunnetilan analyysi ♥️	Luonnollisen kielen käsittely	Käännös ja tunnetilan analysointi Jane Austenin avulla	Python	Stephen
19	Euroopan romanttiset hotellit ♥️	Luonnollisen kielen käsittely	Tunnetilan analysointi hotelliarvosteluilla 1	Python	Stephen
20	Euroopan romanttiset hotellit ♥️	Luonnollisen kielen käsittely	Tunnetilan analysointi hotelliarvosteluilla 2	Python	Stephen
21	Johdatus aikasarjaennusteisiin	Aikasarja	Johdatus aikasarjaennusteisiin	Python	Francesca
22	⚡️ Maailman sähkönkulutus ⚡️ - aikasarjaennusteet ARIMA:lla	Aikasarja	Aikasarjaennusteet ARIMA-mallilla	Python	Francesca
23	⚡️ Maailman sähkönkulutus ⚡️ - aikasarjaennusteet SVR:llä	Aikasarja	Aikasarjaennusteet tukivektoriregressorin avulla	Python	Anirban
24	Johdatus vahvistusoppimiseen	Vahvistusoppiminen	Johdatus vahvistusoppimiseen Q-Learningin avulla	Python	Dmitry
25	Auta Peteriä väistämään suden! 🐺	Vahvistusoppiminen	Vahvistusoppimisen Gym-kirjasto	Python	Dmitry
Jälkipuhe	Koneoppimisen käytännön skenaariot	ML luonnossa	Mielenkiintoisia ja paljastavia todellisia sovelluksia klassisessa koneoppimisessa	Oppitunti	Tiimi
Jälkipuhe	Mallin vianetsintä koneoppimisessa RAI:n avulla	ML luonnossa	Mallin vianetsintä koneoppimisessa Responsible AI -kojelaudan avulla	Oppitunti	Ruth Yakubu

löydä kaikki kurssin lisäresurssit Microsoft Learn -kokoelmastamme

Offline-käyttö

Voit käyttää tätä dokumentaatiota offline-tilassa käyttäen Docsify. Forkkaa tämä repo, asenna Docsify paikalliselle koneellesi, ja aja sitten tämän repon juurikansiossa komento docsify serve. Sivusto palvelee portissa 3000 paikallisessa ympäristössäsi: localhost:3000.

PDF-tiedostot

Löydä opetussuunnitelman PDF-linkitettävänä täältä.

🎒 Muut kurssit

Tiimimme tuottaa myös muita kursseja! Tutustu:

LangChain

Azure / Edge / MCP / Agents

---

Generatiivisen tekoälyn sarja

---

Keskeinen oppiminen

---

Copilot-sarja

Avun saaminen

Jos jäät jumiin tai sinulla on kysymyksiä koneoppimisesta oppimisen tai tekoälysovellusten rakentamisen aikana, 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 projektideoista
• Saat ohjausta kokeneilta kehittäjiltä

Tukevan yhteisön kautta voit kehittää taitojasi ja ratkaista ongelmia nopeammin.

Microsoft Foundry Discord Community

Jos kohtaat virheitä, bugeja tai sinulla on parannusehdotuksia, voit myös avata tämän repositorion Issue-osion ilmoittaaksesi ongelmasta.

Tuotteen palautteen antamiseksi tai etsiäksesi olemassa olevia yhteisöviestejä, käy kehittäjäfoorumilla:

Lisäoppimisvinkkejä

• Tarkastele muistiinpanoja jokaisen oppitunnin jälkeen paremman ymmärryksen saamiseksi.
• Harjoittele algoritmien toteuttamista itse.
• Tutki oikean maailman datakokonaisuuksia opittujen käsitteiden avulla.

---

Vastuuvapauslauseke:
Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua Co-op Translator. Vaikka pyrimme tarkkuuteen, huomioithan, että automaattikäännöksissä saattaa esiintyä virheitä tai epätarkkuuksia. Alkuperäinen asiakirja sen alkuperäiskielellä on virallinen lähde. Tärkeiden tietojen osalta suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa tästä käännöksestä johtuvista väärinymmärryksistä tai tulkinnoista.