README.md

🌐 Monikielinen tuki

Tuettu GitHub-toiminnon 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 | 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?

Tässä arkistossa on yli 50 kielikäännöstä, mikä lisää merkittävästi ladattavan tiedoston kokoa. Jos haluat kloonata ilman käännöksiä, käytä harvaa ulosottoa:

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"

Saat kaiken tarvitsemasi kurssin suorittamiseen paljon nopeammalla latauksella.

Liity yhteisöömme

Meillä on käynnissä Discordin Oppiminen tekoälyn kanssa -sarja, opi lisää ja liity mukaan osoitteessa Learn with AI Series ajalla 18.–30. syyskuuta 2025. Saat vinkkejä ja niksejä GitHub Copilotin käytöstä datatieteessä.

Koneoppiminen aloittelijoille – Opetussuunnitelma

🌍 Matkusta ympäri maailmaa tutkiessamme koneoppimista maailman kulttuurien avulla 🌍

Microsoftin Cloud Advocates -tiimi on iloinen voidessaan tarjota 12 viikon, 26 oppitunnin opetussuunnitelman, joka keskittyy koneoppimiseen. Tässä opetussuunnitelmassa opit ns. klassista koneoppimista, käyttäen ensisijaisesti Scikit-learniä kirjastona ja välttäen syväoppimista, joka käsitellään AI for Beginners -opetussuunnitelmassamme. Voit parittaa nämä oppitunnit myös 'Data Science for Beginners' -opetussuunnitelman kanssa!

Matkusta kanssamme ympäri maailmaa soveltaen klassisia menetelmiä monen alueen dataan. Jokainen oppitunti sisältää ennen oppituntia ja oppitunnin jälkeen tehtävät kokeet, kirjalliset ohjeet oppitunnin suorittamiseen, ratkaisun, tehtävän ja paljon muuta. Projektipohjainen opetustapamme sallii oppimisen rakentamisen yhteydessä – todistettu tapa saada uudet taidot jäämään 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 -kirjoittajillemme, tarkistajille ja sisällöntuottajille, 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 askelia:

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

löydät kaikki tämän kurssin lisäresurssit Microsoft Learn -kokoelmastamme

🔧 Tarvitsetko apua? Tarkista Vianmääritysohjeemme yleisimpien asennus-, käyttö- ja oppituntien ajamiseen liittyvien ongelmien ratkaisemiseksi.

Opiskelijat, käyttääksesi tätä opetussuunnitelmaa, haarukoi koko repo omalle GitHub-tilillesi ja suorita tehtävät itsenäisesti tai ryhmän kanssa:

• Aloita esituntikokeella.
• Lue luento ja suorita tehtävät, pysähdy ja pohdi jokaisen osaamisen tarkistuksen kohdalla.
• Yritä tuottaa projektit ymmärtämällä oppitunteja sen sijaan, että suoritat ratkaisukoodin; tämä koodi kuitenkin löytyy projektikohtaisten oppituntien /solution-kansioista.
• Tee loppukoe heti luennon jälkeen.
• Suorita haaste.
• Suorita tehtävä.
• Oppituntiryhmän päätyttyä käy keskustelufoorumilla ja "opiskele ääneen" täyttämällä asiaankuuluva PAT-arviointipohja. PAT on edistymisen arviointityökalu, johon merkitset oppimistasi edistäviä havaintoja. Voit myös reagoida muiden PAT-muistiinpanoihin, jotta voimme oppia yhdessä.

Syventävään opiskeluun suosittelemme seuraamaan näitä Microsoft Learn moduuleja ja oppimispolkuja.

Opettajat, olemme lisänneet joitakin suosituksia tämän opetussuunnitelman hyödyntämiseksi.

---

Videoesittelyt

Osa oppitunneista on saatavilla lyhyiden videoiden muodossa. Löydät ne linjassa oppitunteihin tai ML for Beginners -soittolistalta Microsoft Developerin YouTube-kanavalta klikkaamalla alla olevaa kuvaa.

---

Tutustu tiimiin

Gif tekijä Mohit Jaisal

🎥 Klikkaa yllä olevaa kuvaa projektivideon katsomiseksi ja tutustu tekijöihin!

---

Opetustapa

Olemme valinneet kaksi opetuksen periaatetta tätä opetussuunnitelmaa rakentaessamme: varmistaa, että se on käytännönläheinen projektipohjainen ja että siinä on useita kokeita. Lisäksi tällä opetussuunnitelmalla on yhteinen teema, joka antaa sille yhtenäisyyttä.

Sisällön sitominen projekteihin tekee prosessista opiskelijoille mielenkiintoisemman ja parantaa käsitteiden muistamista. Lisäksi matalan riskin koe luennon alussa suuntaa opiskelijan mielen teeman oppimiseen ja toinen koe luennon jälkeen varmistaa jatkotallentamisen. Tämä opetussuunnitelma on suunniteltu joustavaksi ja hauskaksi, ja se voidaan suorittaa kokonaan tai osittain. Projektit alkavat pieninä ja kasvavat monimutkaisuudeltaan 12 viikon jakson loppuun mennessä. Tämä opetussuunnitelma sisältää myös jälkikirjoituksen koneoppimisen todellisista sovelluksista, jota voidaan käyttää lisäpisteiden saamiseen tai keskustelun pohjana.

Löydät meidän toimintakoodimme, osallistumisohjeen, käännösohjeet ja vianmääritysohjeen. Otamme mielellämme vastaan rakentavaa palautettasi!

Jokainen oppitunti sisältää

• valinnaisen luonnosmuistiinpanon
• valinnaisen lisävideoon
• videoesittelyn (vain osassa oppitunteja)
• esiluentolämmittelykoe
• kirjallisen oppitunnin
• projektipohjaisissa oppitunneissa ohjeet projektin vaiheittaisesta rakentamisesta
• osaamisen tarkistuskysymykset
• haasteen
• lisälukemista
• tehtävän
• loppuluentokoe

Huomautus kielistä: Nämä oppitunnit on pääasiassa kirjoitettu Pythonilla, mutta monet ovat saatavilla myös R-kielellä. R-oppitunnin suorittamiseksi siirry /solution-kansioon ja etsi R-oppitunteja. Niillä on .rmd-tiedostopääte, joka edustaa R Markdown -tiedostoa, joka voidaan yksinkertaisesti määritellä 'koodipalojen' (R:n tai muiden kielten) ja YAML-otsikon (joka ohjaa, miten tulosteet kuten PDF muotoillaan) upotuksena Markdown-asiakirjassa. Näin ollen se toimii erinomaisena kirjoituskehikkona datatieteelle, koska se mahdollistaa koodin, sen tulosten ja ajatusten yhdistämisen kirjoittamalla ne Markdowniin. Lisäksi R Markdown -asiakirjat voidaan tuottaa tulostusmuotoihin kuten PDF, HTML tai Word.

Huomautus kyselyistä: Kaikki kyselyt löytyvät Quiz App -kansiosta, yhteensä 52 kyselyä, joissa on kukin kolme kysymystä. Ne ovat linkitetty opetuksista, mutta kyselysovellus voidaan ajaa paikallisesti; noudata quiz-app-kansion ohjeita sovelluksen paikalliseen isännöintiin tai Azureen.

Oppitunnin numero	Aihe	Oppitunnin ryhmittely	Oppimistavoitteet	Linkitetty oppitunti	Tekijä
01	Johdatus koneoppimiseen	Johdanto	Opiskele koneoppimisen peruskäsitteet	Oppitunti	Muhammad
02	Koneoppimisen historia	Johdanto	Opi alan historia	Oppitunti	Jen ja Amy
03	Oikeudenmukaisuus ja koneoppiminen	Johdanto	Mitä tärkeitä filosofisia kysymyksiä oikeudenmukaisuudesta opiskelijoiden tulisi pohtia koneoppimismalleja rakennettaessa ja sovellettaessa?	Oppitunti	Tomomi
04	Koneoppimistekniikat	Johdanto	Mitä menetelmiä koneoppimistutkijat käyttävät mallien rakentamiseen?	Oppitunti	Chris ja Jen
05	Johdatus regressioon	Regressio	Aloita Pythonilla ja Scikit-learnillä regressiomallien rakentaminen	Python • R	Jen • Eric Wanjau
06	Pohjoisamerikkalaiset kurpitsahinnat 🎃	Regressio	Visualisoi ja puhdista 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	Web-sovellus 🔌	Web-sovellus	Rakenna web-sovellus käyttämään koulutettua malliasi	Python	Jen
10	Johdatus luokitteluun	Luokittelu	Puhdista, valmistele ja visualisoi data; johdatus luokitteluun	Python • R	Jen ja Cassie • Eric Wanjau
11	Herkulliset aasialaiset ja intialaiset ruoat 🍜	Luokittelu	Johdatus luokittelijoihin	Python • R	Jen ja Cassie • Eric Wanjau
12	Herkulliset aasialaiset ja intialaiset ruoat 🍜	Luokittelu	Lisää luokittelijoita	Python • R	Jen ja Cassie • Eric Wanjau
13	Herkulliset aasialaiset ja intialaiset ruoat 🍜	Luokittelu	Rakenna suositteleva web-sovellus malliasi käyttäen	Python	Jen
14	Johdatus klusterointiin	Klusterointi	Puhdista, valmistele ja visualisoi data; johdatus klusterointiin	Python • R	Jen • Eric Wanjau
15	Tutustu nigerialaiseen musiikkimakuun 🎧	Klusterointi	Tutustu K-Means-klusterointimenetelmään	Python • R	Jen • Eric Wanjau
16	Johdatus luonnollisen kielen prosessointiin ☕️	Luonnollisen kielen prosessointi	Opi NLP:n perusteet rakentamalla yksinkertainen botti	Python	Stephen
17	Yleiset NLP-tehtävät ☕️	Luonnollisen kielen prosessointi	Syvennä NLP-tietämystäsi ymmärtämällä yleiset kielen rakenteiden käsittelyssä tarvittavat tehtävät	Python	Stephen
18	Käännös ja mielipiteen analyysi ♥️	Luonnollisen kielen prosessointi	Käännös ja mielipideanalyysi Jane Austenin avulla	Python	Stephen
19	Euroopan romanttiset hotellit ♥️	Luonnollisen kielen prosessointi	Mielipideanalyysi hotelliarvioiden kanssa 1	Python	Stephen
20	Euroopan romanttiset hotellit ♥️	Luonnollisen kielen prosessointi	Mielipideanalyysi hotelliarvioiden kanssa 2	Python	Stephen
21	Johdatus aikasarjaennusteisiin	Aikasarjat	Johdatus aikasarjaennusteisiin	Python	Francesca
22	⚡️ Maailman sähkönkulutus ⚡️ - aikasarjaennuste ARIMA:lla	Aikasarjat	Aikasarjaennuste ARIMA-mallilla	Python	Francesca
23	⚡️ Maailman sähkönkulutus ⚡️ - aikasarjaennuste SVR:llä	Aikasarjat	Aikasarjaennuste Support Vector Regressorilla	Python	Anirban
24	Johdatus vahvistusoppimiseen	Vahvistusoppiminen	Johdatus vahvistusoppimiseen Q-Learningin avulla	Python	Dmitry
25	Auta Peteriä välttämään susi! 🐺	Vahvistusoppiminen	Vahvistusoppimisen Gym	Python	Dmitry
Jälkikirjoitus	Todellisen maailman ML-skenaariot ja sovellukset	ML luonnossa	Mielenkiintoisia ja paljastavia todellisen maailman sovelluksia klassiselle ML:lle	Oppitunti	Tiimi
Jälkikirjoitus	Mallin virheenkorjaus ML:ssä RAI-hallintapaneelin avulla	ML luonnossa	Mallin virheenkorjaus koneoppimisessa Responsible AI -hallintapaneelin komponenteilla	Oppitunti	Ruth Yakubu

löydä kaikki tämän kurssin lisäresurssit Microsoft Learn -kokoelmassamme

Offline-käyttö

Voit käyttää tätä dokumentaatiota offline-tilassa käyttämällä Docsify. Forkkaa tämä repo, asenna Docsify paikalliselle koneellesi, ja tämän repositorion juurikansiossa kirjoita docsify serve. Sivusto palvelimella on portissa 3000 osoitteessa localhost: localhost:3000.

PDF:t

Löydä pdf opetussuunnitelmasta linkkeineen täältä.

🎒 Muut kurssit

Tiimimme tuottaa myös muita kursseja! Tutustu:

LangChain

Azure / Edge / MCP / Agentit

---

Generatiivisen tekoälyn sarja

---

Keskeinen oppiminen

---

Copilot-sarja

Apua saamaan

Jos jumitut tai sinulla on kysyttävää tekoälysovellusten rakentamisesta, liity muiden oppijoiden ja kokeneiden kehittäjien keskusteluihin MCP:stä. Tämä on kannustava yhteisö, jossa kysymykset ovat tervetulleita ja tieto jaetaan vapaasti.

Jos sinulla on palautetta tuotteesta tai kohtaat virheitä rakentaessasi, käy:

Lisäoppimisvinkkejä

• Käy läpi muistiinpanot jokaisen oppitunnin jälkeen paremman ymmärryksen saamiseksi.
• Harjoittele algoritmien toteuttamista itse.
• Tutki todellisia tietoaineistoja käyttäen opittuja käsitteitä.

---

Vastuuvapauslauseke:
Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua Co-op Translator. Vaikka pyrimme tarkkuuteen, ole hyvä ja huomioi, että automaattikäännöksissä voi esiintyä virheitä tai epätarkkuuksia. Alkuperäistä asiakirjaa sen alkuperäiskielellä tulee pitää auktoritatiivisena lähteenä. Tärkeissä asioissa suosittelemme ammattimaista ihmiskäännöstä. Emme ole vastuussa tämän käännöksen käytöstä aiheutuvista väärinymmärryksistä tai -tulkinn oista.