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 | Korean | Lithuanian | Malay | 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 | Thai | Turkish | Ukrainian | Urdu | Vietnamese
Meillä on käynnissä Discordissa AI-oppimissarja, opi lisää ja liity mukaan Learn with AI Series 18.–30. syyskuuta 2025. Saat vinkkejä ja neuvoja GitHub Copilotin käytöstä data-analytiikassa.
🌍 Matkusta ympäri maailmaa tutustuessasi koneoppimiseen maailman kulttuurien kautta 🌍
Microsoftin Cloud Advocates -tiimi tarjoaa mielellään 12 viikon ja 26 oppitunnin opetussuunnitelman, joka käsittelee koneoppimista. Tässä opetussuunnitelmassa opit niin sanottua klassista koneoppimista, pääasiassa Scikit-learn-kirjastoa käyttäen ja välttäen syväoppimista, joka käsitellään AI for Beginners -opetussuunnitelmassa. Yhdistä nämä oppitunnit myös 'Data Science for Beginners' -opetussuunnitelmaan!
Matkusta kanssamme ympäri maailmaa soveltaessamme näitä klassisia tekniikoita eri puolilta maailmaa peräisin olevaan dataan. Jokainen oppitunti sisältää ennen ja jälkeen oppitunnin tehtävät, kirjalliset ohjeet oppitunnin suorittamiseen, ratkaisun, tehtävän ja paljon muuta. Projektipohjainen oppimismetodimme antaa sinulle mahdollisuuden oppia rakentamalla, mikä on todistetusti tehokas 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
🎨 Kiitokset myös kuvittajillemme Tomomi Imura, Dasani Madipalli ja Jen Looper
🙏 Erityiskiitokset 🙏 Microsoft Student Ambassador -kirjoittajillemme, arvioijillemme ja sisällöntuottajillemme, erityisesti Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ja Snigdha Agarwal
🤩 Erityiskiitokset Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi ja Vidushi Gupta R-oppitunneistamme!
Noudata näitä ohjeita:
- Forkkaa repositorio: Klikkaa "Fork"-painiketta tämän sivun oikeassa yläkulmassa.
- Kloonaa repositorio:
git clone https://github.com/microsoft/ML-For-Beginners.git
löydä kaikki lisäresurssit tähän kurssiin Microsoft Learn -kokoelmastamme
🔧 Tarvitsetko apua? Katso Vianmääritysoppaamme saadaksesi ratkaisuja yleisiin asennus-, asetus- ja oppituntien suorittamisongelmiin.
Opiskelijat, käyttäkää tätä opetussuunnitelmaa forkkaamalla koko repositorio omaan GitHub-tiliinne ja suorittamalla harjoitukset itsenäisesti tai ryhmässä:
- Aloita oppitunnin aloituskyselyllä.
- Lue oppitunti ja suorita aktiviteetit, pysähtyen ja pohtien jokaisen tietotarkistuksen kohdalla.
- Yritä luoda projektit ymmärtämällä oppitunnit sen sijaan, että suorittaisit ratkaisukoodin; kuitenkin kyseinen koodi on saatavilla
/solution-kansioissa jokaisessa projektipohjaisessa oppitunnissa. - Suorita oppitunnin jälkeinen kysely.
- Suorita haaste.
- Suorita tehtävä.
- Kun olet suorittanut oppituntiryhmän, käy Keskustelupalstalla ja "opettele ääneen" täyttämällä sopiva PAT-arviointityökalu. 'PAT' on edistymisen arviointityökalu, joka on kaavake, jonka täytät oppimisesi edistämiseksi. Voit myös reagoida muiden PAT-arviointeihin, jotta voimme oppia yhdessä.
Jatko-opiskelua varten suosittelemme seuraamaan näitä Microsoft Learn moduuleja ja oppimispolkuja.
Opettajat, olemme sisällyttäneet joitakin ehdotuksia siitä, miten käyttää tätä opetussuunnitelmaa.
Osa oppitunneista on saatavilla lyhyinä videoina. Löydät ne kaikki oppituntien sisällä tai ML for Beginners -soittolistalta Microsoft Developer YouTube -kanavalla klikkaamalla alla olevaa kuvaa.
Gif by Mohit Jaisal
🎥 Klikkaa yllä olevaa kuvaa nähdäksesi videon projektista ja sen tekijöistä!
Olemme valinneet kaksi pedagogista periaatetta tämän opetussuunnitelman rakentamisessa: varmistaa, että se on käytännönläheinen projektipohjainen ja että se sisältää usein kyselyitä. Lisäksi tämä opetussuunnitelma sisältää yhteisen teeman, joka antaa sille yhtenäisyyttä.
Varmistamalla, että sisältö liittyy projekteihin, prosessi on opiskelijoille kiinnostavampi ja käsitteiden omaksuminen paranee. Lisäksi matalan kynnyksen kysely ennen oppituntia ohjaa opiskelijan huomion oppimaan aihetta, kun taas toinen kysely oppitunnin jälkeen varmistaa lisämuistamisen. Tämä opetussuunnitelma on suunniteltu joustavaksi ja hauskaksi, ja sitä voi suorittaa kokonaan tai osittain. Projektit alkavat pienistä ja muuttuvat yhä monimutkaisemmiksi 12 viikon jakson loppuun mennessä. Tämä opetussuunnitelma sisältää myös jälkikirjoituksen koneoppimisen todellisista sovelluksista, joita voidaan käyttää lisäpisteinä tai keskustelun pohjana.
Löydä Toimintaohjeemme, Osallistumisohjeet, Käännösohjeet ja Vianmääritys -ohjeet. Otamme mielellämme vastaan rakentavaa palautettasi!
- valinnainen luonnoskuva
- valinnainen lisävideo
- video-opastus (vain joissakin oppitunneissa)
- lämmittelykysely ennen oppituntia
- kirjallinen oppitunti
- projektipohjaisissa oppitunneissa vaiheittaiset ohjeet projektin rakentamiseen
- tietotarkistukset
- haaste
- lisälukemista
- tehtävä
- kysely oppitunnin jälkeen
Huomio kielistä: Nämä oppitunnit on pääasiassa kirjoitettu Pythonilla, mutta monet ovat saatavilla myös R-kielellä. R-oppitunnin suorittamiseksi siirry
/solution-kansioon ja etsi R-oppitunnit. Ne sisältävät .rmd-päätteen, joka edustaa R Markdown -tiedostoa, joka voidaan yksinkertaisesti määritellä sisältävänkoodilohkoja(R- tai muilla kielillä) jaYAML-otsikon(joka ohjaa, miten tulosteet kuten PDF muotoillaan)Markdown-dokumentissa. Näin ollen se toimii esimerkillisenä kirjoituskehyksenä data-analytiikalle, koska sen avulla voit yhdistää koodisi, sen tulokset ja ajatuksesi kirjoittamalla ne Markdowniin. Lisäksi R Markdown -dokumentit voidaan renderöidä tulostusmuotoihin, kuten PDF, HTML tai Word.
Huomio kyselyistä: Kaikki kyselyt löytyvät Quiz App -kansiosta, yhteensä 52 kyselyä, joissa on kolme kysymystä kussakin. Ne on linkitetty oppituntien sisällä, mutta kyselysovellus voidaan ajaa paikallisesti; seuraa ohjeita
quiz-app-kansiossa isännöidäksesi tai julkaistaksesi Azureen.
| Oppitunnin numero | Aihe | Oppituntiryhmä | Oppimistavoitteet | Linkitetty oppitunti | Kirjoittaja |
|---|---|---|---|---|---|
| 01 | Johdatus koneoppimiseen | Johdanto | Opi koneoppimisen peruskäsitteet | Oppitunti | Muhammad |
| 02 | Koneoppimisen historia | Johdanto | Opi tämän alan taustalla oleva historia | Oppitunti | Jen ja Amy |
| 03 | Reiluus ja koneoppiminen | Johdanto | Mitkä ovat tärkeät filosofiset kysymykset reiluudesta, joita opiskelijoiden tulisi pohtia rakentaessaan ja soveltaessaan ML-malleja? | Oppitunti | Tomomi |
| 04 | Koneoppimisen tekniikat | Johdanto | Mitä tekniikoita ML-tutkijat käyttävät rakentaakseen ML-malleja? | Oppitunti | Chris ja Jen |
| 05 | Johdatus regressioon | Regressio | Aloita Pythonilla ja Scikit-learnilla regressiomallien parissa | Python • R | Jen • Eric Wanjau |
| 06 | Pohjois-Amerikan kurpitsahinnat 🎃 | Regressio | Visualisoi ja siivoa dataa ML-valmistelua varten | 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 käyttämään koulutettua malliasi | Python | Jen |
| 10 | Johdatus luokitteluun | Luokittelu | Siivoa, valmistele ja visualisoi dataasi; 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 suosittelusovellus mallisi avulla | Python | Jen |
| 14 | Johdatus klusterointiin | Klusterointi | Siivoa, valmistele ja visualisoi dataasi; johdatus klusterointiin | Python • R | Jen • Eric Wanjau |
| 15 | Nigerian musiikkimakujen tutkiminen 🎧 | Klusterointi | 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-tietämystäsi ymmärtämällä yleisiä tehtäviä, jotka liittyvät kielen rakenteisiin | Python | Stephen |
| 18 | Käännös ja sentimenttianalyysi |
Luonnollisen kielen käsittely | Käännös ja sentimenttianalyysi Jane Austenin teosten avulla | Python | Stephen |
| 19 | Romanttiset hotellit Euroopassa |
Luonnollisen kielen käsittely | Sentimenttianalyysi hotelliarvosteluista, osa 1 | Python | Stephen |
| 20 | Romanttiset hotellit Euroopassa |
Luonnollisen kielen käsittely | Sentimenttianalyysi hotelliarvosteluista, osa 2 | Python | Stephen |
| 21 | Johdatus aikasarjojen ennustamiseen | Aikasarjat | Johdatus aikasarjojen ennustamiseen | Python | Francesca |
| 22 | ⚡️ Maailman energiankulutus ⚡️ - aikasarjojen ennustaminen ARIMA-menetelmällä | Aikasarjat | Aikasarjojen ennustaminen ARIMA-menetelmällä | Python | Francesca |
| 23 | ⚡️ Maailman energiankulutus ⚡️ - aikasarjojen ennustaminen SVR-menetelmällä | Aikasarjat | Aikasarjojen ennustaminen tukivektoriregressorilla | Python | Anirban |
| 24 | Johdatus vahvistusoppimiseen | Vahvistusoppiminen | Johdatus vahvistusoppimiseen Q-Learning-menetelmällä | Python | Dmitry |
| 25 | Auta Peteriä välttämään susi! 🐺 | Vahvistusoppiminen | Vahvistusoppiminen Gym-menetelmällä | Python | Dmitry |
| Jälkikirjoitus | Todelliset ML-skenaariot ja sovellukset | ML luonnossa | Mielenkiintoisia ja paljastavia klassisen ML:n todellisia sovelluksia | Oppitunti | Tiimi |
| Jälkikirjoitus | Mallin virheenkorjaus ML:ssä RAI-ohjauspaneelin avulla | ML luonnossa | Mallin virheenkorjaus koneoppimisessa vastuullisen AI-ohjauspaneelin komponenttien avulla | Oppitunti | Ruth Yakubu |
löydä kaikki lisäresurssit tähän kurssiin Microsoft Learn -kokoelmastamme
Voit käyttää tätä dokumentaatiota offline-tilassa käyttämällä Docsifyä. Haaroita tämä repo, asenna Docsify paikalliselle koneellesi ja kirjoita tämän repon juurikansiossa docsify serve. Verkkosivusto palvelee portissa 3000 paikallisessa isännässäsi: localhost:3000.
Löydä opetussuunnitelman PDF-linkkeineen täältä.
Tiimimme tuottaa myös muita kursseja! Tutustu:
-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA){kind=icon}
-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC){kind=icon}
-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9){kind=icon}
Jos jäät jumiin tai sinulla on kysymyksiä AI-sovellusten rakentamisesta, liity muiden oppijoiden ja kokeneiden kehittäjien keskusteluihin MCP:stä. Se on tukevainen yhteisö, jossa kysymykset ovat tervetulleita ja tietoa jaetaan vapaasti.
Jos sinulla on palautetta tuotteesta tai kohtaat virheitä rakentamisen aikana, vieraile:
Vastuuvapauslauseke:
Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua Co-op Translator. Vaikka pyrimme tarkkuuteen, huomioithan, että automaattiset käännökset voivat sisältää virheitä tai epätarkkuuksia. Alkuperäistä asiakirjaa sen alkuperäisellä kielellä tulisi pitää ensisijaisena lähteenä. Kriittisen tiedon osalta suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa tämän käännöksen käytöstä johtuvista väärinkäsityksistä tai virhetulkinnoista.