PricingLoginStart free
Machine Learning Academy logo
PythonTekoälyTasot A1 → B222 kieltä

Machine Learning Academy

Oppikaa koneoppiminen perusperiaatteista lähtien. Rakentakaa ja arvioikaa malleja scikit-learnilla, hallitkaa ensemble-menetelmät ja siirtykää syväoppimiseen PyTorchilla. CoddyKitin oppimispolku, joka sisältää 30 lyhyttä kurssia ja 120 interaktiivista oppituntia sekä tekoälytuutorin käytettävissäsi ympäri vuorokauden.

Kurssit
30
Oppitunnit
120
Interaktiiviset vaiheet
1,552
Aloita maksutta
Kurssi 1
Kurssisisältö

30 kurssia tässä opintopolussa

Kaikki Machine Learning Academy-opintopolun kurssit suoritusjärjestyksessä. Ensimmäinen on ilmainen.

1

A14 oppituntiaIlmainen

Tutustukaa koneoppimiseen ja siihen, miten se eroaa perinteisestä ohjelmoinnista. Perehdytte kolmeen keskeiseen oppimismenetelmään ja näette tosielämän esimerkkejä siitä, miten koneoppiminen ratkaise…

  1. 1Perinteinen ohjelmointi ja koneoppiminen
  2. 2Ohjattu, ohjaamaton ja vahvistusoppiminen
  3. 3ML-työnkulku: datasta ennusteeksi
  4. +1 lisää
Aloita opiskelu maksutta
2

A14 oppituntiaPRO

Määritätte ammattimaisen koneoppimisen kehitysympäristön Anacondalla, Jupyterilla ja Pythonin keskeisellä tieteellisellä työkalupinolla. Opitte käsittelemään taulukoita NumPyllä ja data frameja Panda…

  1. 1Anacondan ja Jupyter Notebookin asentaminen
  2. 2NumPy-perusteet: taulukot ja matemaattiset operaatiot
  3. 3Pandas datan käsittelyssä
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
3

A14 oppituntiaPRO

Muodostatte intuitiivisen käsityksen ohjatusta oppimisesta kouluttamalla ensimmäisen ennustavan mallinne alusta alkaen. Opitte, miten lineaarinen regressio löytää aineiston läpi kulkevan parhaiten so…

  1. 1Suoran yhtälö: kulmakerroin, vakiotermi ja ennusteet
  2. 2Kustannusfunktiot ja pienimmän neliösumman menetelmä
  3. 3Lineaarisen regression opettaminen scikit-learnilla
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
4

A14 oppituntiaPRO

Siirrytte lukujen ennustamisesta luokkien ennustamiseen. Tutustutte logistiseen regressioon ensimmäisenä luokittelijana ja opitte, miten sigmoidifunktio muuntaa lineaarisen pistemäärän todennäköisyyd…

  1. 1Regressiosta luokitteluun: kynnysarvopäätökset
  2. 2Logistinen regressio ja sigmoidifunktio
  3. 3Sekaannusmatriisi selitettynä
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
5

A14 oppituntiaPRO

Tutustutte siihen, miksi mallin arviointi sen omalla koulutusdatalla tuottaa liian optimistisia tuloksia ja miten tämä estetään oikeaoppisella datan jaolla. Hallitsette koulutus- ja testijaon, opitte…

  1. 1Miksi mallia ei voi arvioida harjoitusdatalla
  2. 2train_test_split: osuudet, siemenluvut ja osittaminen
  3. 3Harha–varianssi-kompromissi: ali- ja ylisovittaminen
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
6

A24 oppituntiaPRO

Raakadata on lähes koskaan suoraan valmis mallille: arvoja puuttuu, asteikot poikkeavat suuresti toisistaan ja kategoriset merkkijonot on koodattava. Tällä kurssilla saatte järjestelmällisen työkalup…

  1. 1Puuttuvien arvojen käsittely: poista, imputoi ja merkitse
  2. 2Piirteiden skaalaus: StandardScaler ja MinMaxScaler
  3. 3Kategoristen muuttujien koodaus: OrdinalEncoder ja OneHotEncoder
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
7

A24 oppituntiaPRO

Opitte yhden intuitiivisimmista luokittelu- ja regressioalgoritmeista: uuden pisteen luokka ennustetaan sen k lähimmän naapurin enemmistöäänestyksen perusteella. Ymmärrätte, miten k:n ja etäisyysmitt…

  1. 1KNN:n toiminta: etäisyys, naapurit ja äänet
  2. 2k:n valinta: kyynärpäämenetelmä ja validointikäyrät
  3. 3Etäisyysmitat: euklidinen, Manhattan ja Minkowski
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
8

A24 oppituntiaPRO

Päätöspuut jakavat dataa esittämällä kyllä- tai ei-kysymyksiä ja rakentavat helposti visualisoitavan sekä ei-teknisille sidosryhmille selitettävän vuokaavion. Opitte, miten algoritmi valitsee parhaan…

  1. 1Puun rakentaminen: jaot, solmut ja lehdet
  2. 2Gini-epäpuhtaus ja informaatiovoitto
  3. 3Puun syvyyden rajoittaminen ylisovittamisen estämiseksi
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
9

A24 oppituntiaPRO

Naive Bayes soveltaa Bayesin teoreemaa vahvalla riippumattomuusoletuksella, minkä ansiosta se on erittäin nopeaulotteisen tekstidatan käsittelyssä. Rakennatte roskapostisuodattimen, tutustutte siihen…

  1. 1Bayesin teoreema selkokielellä
  2. 2Bag of Words: CountVectorizer ja TfidfVectorizer
  3. 3Multinomiaalisen Naive Bayes -luokittimen opettaminen
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
10

A24 oppituntiaPRO

Pelkkä tarkkuus on harhaanjohtava mittari, kun luokat ovat epätasapainossa tai virheluokittelujen kustannukset poikkeavat toisistaan. Hallitsette kattavan arviointityökalupakin: ROC-AUC:n, precision-…

  1. 1Luokittelumittarit: accuracy, precision, recall ja F1
  2. 2ROC-käyrät ja AUC-ROC
  3. 3Regressiomittarit: MAE, MSE, RMSE ja R-squared
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
11

B14 oppituntiaPRO

Yksittäinen päätöspuu ylisovittuu, mutta monipuolisten puiden metsä yleistyy huomattavasti paremmin. Opitte, miten random forest -mallit yhdistävät satojen satunnaisista datan ja piirteiden osajoukoi…

  1. 1Bootstrap-aggregointi (bagging) selitettynä
  2. 2Satunnainen piirteiden valinta: Random Forest -temppu
  3. 3Out-of-Bag-virhe: maksuton validointi metsässä
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
12

B14 oppituntiaPRO

SVM-mallit etsivät luokat erottavan, suurimman marginaalin hyper­tasoon, minkä ansiosta niillä on vahvat teoreettiset yleistämistakuut. Opitte kernel-tempun, jonka avulla SVM-mallit käsittelevät epäl…

  1. 1Maksimimarginaaliluokitin: tukivektorit ja hypertaso
  2. 2Pehmeän marginaalin SVM ja C-parametri
  3. 3Kernelitemppu: RBF-, polynomi- ja sigmoidikernelit
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
13

B14 oppituntiaPRO

Gradient boosting kouluttaa heikkoja oppijoita peräkkäin niin, että kukin korjaa edellisen mallin jäännösvirheitä. Näin saavutetaan huipputason suorituskyky taulukkomuotoisella datalla. Hallitsette X…

  1. 1Boostauksen intuitio: virheiden korjaaminen peräkkäin
  2. 2XGBoost: regularisointi, early stopping ja piirteiden tärkeys
  3. 3LightGBM: lehtikohtainen kasvu ja nopeusedut
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
14

B14 oppituntiaPRO

Yksi koulutus-testijako voi johtaa harhaan datan satunnaisen jakautumisen vuoksi. Ristiinvalidointi antaa luotettavamman arvion laskemalla keskiarvon useista jaoista, kun taas haku ruudukosta ja satu…

  1. 1K-kertainen ristivalidointi: jako ilman tietovuotoa
  2. 2Ositett u ja aikasarjojen ristivalidointi
  3. 3Ruudukkohaku vai satunnaishaku
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
15

B14 oppituntiaPRO

Piirteiden laatu määrittää mallinne suorituskyvyn ylärajan käytetystä algoritmista riippumatta. Opitte luomaan raakadatasta uusia informatiivisia piirteitä muunnosten, yhteisvaikutusten ja toimialatu…

  1. 1Uusien piirteiden luominen: logaritmimuunnokset, luokittelu ja interaktiot
  2. 2Päivämäärä- ja aikapiirteiden erottaminen
  3. 3Piirteiden valinta: Variance Threshold ja SelectKBest
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
16

B14 oppituntiaPRO

Klusterointi on ohjaamatonta oppimista, joka löytää datasta luonnollisia ryhmiä ilman luokkatietoja. Hallitsette K-Meansin pallomaisille klustereille ja DBSCANin mielivaltaisen muotoisille klustereil…

  1. 1K-Means: keskipisteet, osoittaminen ja päivitysvaiheet
  2. 2K:n valinta: kyynärpäämenetelmä ja siluettipistemäärä
  3. 3DBSCAN: ydinpisteet, reunapisteet ja kohina
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
17

B14 oppituntiaPRO

Moniulotteista dataa on vaikea visualisoida, ja se sisältää usein ylimääräisiä piirteitä, jotka hidastavat koulutusta. PCA tiivistää tiedon ortogonaalisiksi komponenteiksi säilyttäen varianssin, kun…

  1. 1PCA: varianssi, ominaisvektorit ja pääkomponentit
  2. 2Datan projisointi ja rekonstruktio komponenteista
  3. 3t-SNE: naapurustojen säilyttäminen visualisointia varten
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
18

B14 oppituntiaPRO

Scikit-learnin Pipelines-objektit ketjuttavat esikäsittely- ja mallinnusvaiheet yhdeksi kokonaisuudeksi, joka estää datavuodon ja yksinkertaistaa käyttöönottoa. Opitte rakentamaan, ristiinvalidioimaa…

  1. 1Ensimmäisen Pipeline-putkiston rakentaminen: skaalaus ja luokittelu
  2. 2ColumnTransformer Pipeline-putkiston sisällä
  3. 3Koko Pipeline-putkiston ristivalidointi ja ruudukkohaku
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
19

B14 oppituntiaPRO

Petosten tunnistamisessa, lääketieteellisessä diagnostiikassa ja monissa muissa kriittisissä sovelluksissa yksi luokka voi muodostaa alle prosentin esimerkeistä. Tällaisella datalla kouluttaminen tuo…

  1. 1Epätasapainon tunnistaminen: luokkajakauma ja perustason sudenkuopat
  2. 2Satunnainen ylinäytteistys ja SMOTE
  3. 3Satunnainen alinäytteistys ja klusterikeskipisteet
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
20

B14 oppituntiaPRO

Malli on hyödyllinen vasta, kun se pystyy tekemään ennusteita uudesta datasta Jupyter-muistikirjan ulkopuolella. Opitte tallentamaan ja versioimaan scikit-learn-pipelineja, tarjoamaan niitä minimaali…

  1. 1Mallien tallentaminen joblibillä ja picklellä
  2. 2Mallien versiointi: tiedostonimien ja metatietojen merkitys
  3. 3Ennusteiden tarjoaminen FastAPI-päätepisteellä
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
21

B24 oppituntiaPRO

PyTorch on johtava syväoppimisen tutkimus- ja tuotantokehys. Rakennatte ensimmäisen eteenpäinsyöttävän neuroverkkonne tensoritasolta alkaen, ymmärrätte autogradin käytön gradienttien laskemiseen ja k…

  1. 1PyTorch-tensorit: luominen, operaatiot ja siirto GPU:lle
  2. 2Autograd: automaattinen derivointi takaisinkuljetusta varten
  3. 3Syöttöä eteenpäin välittävän verkon rakentaminen nn.Modulella
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
22

B24 oppituntiaPRO

Hyvä arkkitehtuuri on vasta puolet työstä; koulutuksen dynamiikka ratkaisee, päätyykö verkko hyödylliseen ratkaisuun. Hallitsette oppimisnopeuden aikataulutuksen, batch-normalisoinnin, dropout-regula…

  1. 1Oppimisnopeus: tärkein hyperparametri
  2. 2Eränormalisointi: vakaampi ja nopeampi koulutus
  3. 3Dropout-säännöllistäminen ylisovittamisen estämiseksi
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
23

B24 oppituntiaPRO

CNN-verkot hyödyntävät kuvien spatiaalista rakennetta paikallisen painojen jakamisen ja pooling-operaatioiden avulla. Näin parametrien määrä pienenee ja siirtoinvarianttius paranee. Rakennatte PyTorc…

  1. 1Konvoluutio ja suodattimet: reunojen ja hahmojen tunnistaminen
  2. 2Pooling-kerrokset: tilallinen pienentäminen ja invarianssi
  3. 3CNN:n rakentaminen ja kouluttaminen CIFAR-10-aineistolla
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
24

B24 oppituntiaPRO

Aikasarjojen, tekstin ja äänen kaltaisessa sekventiaalisessa datassa on ajallisia riippuvuuksia, jotka tavalliset eteenpäinsyöttävät verkot sivuuttavat. RNN-verkot käsittelevät sekvenssejä vaiheittai…

  1. 1Perinteiset RNN:t: piilotila ja sekvenssin purkaminen
  2. 2Gradientin katoamisongelma pitkissä aika-askelissa
  3. 3LSTM-solu: syöte-, unohdus- ja tulostusportit
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
25

B24 oppituntiaPRO

Suurten verkkojen kouluttaminen alusta alkaen vaatii valtavia aineistoja ja laskentatehoa. Siirto-oppimisessa hyödynnetään miljoonilla esimerkeillä esikoulutettujen mallien painoja, joten voitte saav…

  1. 1Esikoulutetut mallit torchvisionissa: ResNet, EfficientNet ja ViT
  2. 2Piirteiden erottaminen: rungon jäädyttäminen
  3. 3Hienosäätö: kerrosten vapauttaminen ja pieni oppimisnopeus
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
26

B24 oppituntiaPRO

BERTin kaksisuuntainen transformer-arkkitehtuuri ymmärtää asiayhteyden molempiin suuntiin ja päihittää vanhemmat sekventiaaliset mallit lähes kaikissa NLP-vertailutesteissä. Opitte hienosäätämään esi…

  1. 1Transformer-arkkitehtuuri: attention, tokenit ja asiayhteys
  2. 2Hugging Face -tokenisoijat: tekstin koodaus BERTiä varten
  3. 3BertForSequenceClassificationin hienosäätö
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
27

B24 oppituntiaPRO

MLOps yhdistää koneoppimistutkimuksen ja luotettavan tuotanto-ohjelmistokehityksen. Opitte seuraamaan kokeita MLflowlla, luomaan toistettavia ympäristöjä Dockerilla ja rakentamaan automaattisia uudel…

  1. 1Kokeiden seuranta MLflowlla: parametrien, mittareiden ja artefaktien lokitus
  2. 2Toistettavat ML-ympäristöt Dockerilla
  3. 3Mallirekisteri: vaiheistus, tuotanto ja arkistointi
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
28

B24 oppituntiaPRO

Mallit heikkenevät tuotannossa usein huomaamatta, kun todellinen maailma etääntyy koulutusolosuhteista. Opitte valvomaan ennustejakaumia, tunnistamaan data- ja käsiteajautuman varhain sekä rakentamaa…

  1. 1Datan ajautuminen: piirrejakaumien muutokset ajan myötä
  2. 2Käsiteajautuminen: kun X:n ja Y:n välinen suhde muuttuu
  3. 3Ennustejakaumien ja luottamuspisteiden valvonta
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
29

B24 oppituntiaPRO

Kun koneoppimisjärjestelmät tekevät merkittäviä päätöksiä rekrytoinnissa, luotonannossa ja terveydenhuollossa, mallin toiminnan ymmärtäminen ja auditoiminen on sekä eettinen velvollisuus että monilla…

  1. 1SHAP-arvot: piirteiden globaali ja paikallinen tärkeys
  2. 2LIME: paikalliset, tulkittavat ja mallista riippumattomat selitykset
  3. 3Reiluusmittarit: demografinen pariteetti ja yhtäläinen mahdollisuus
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
30

B24 oppituntiaPRO

Kokoa kaikki tämän opintopolun taidot yhdeksi kokonaiseksi projektiksi: hanki ja puhdista todellinen tietoaineisto, suunnittele piirteet, kouluta ja viritä useita malleja, arvioi ja vertaile niitä se…

  1. 1Projektin rajaus: ongelman ja onnistumiskriteerien määrittely
  2. 2Datan muokkaus ja eksploratiivinen data-analyysi
  3. 3Mallien valintaturnaus: viiden algoritmin vertailu
  4. +1 lisää
Aloita opiskelu maksuttaAvaa PRO-tilauksella
CoddyKit PRO

Avaa kaikki 30 tämän opintopolun kurssia ja kaikki muut opintopolut

Tekoälytuutori, sertifiointikoe ja suoritustodistus. Toimii verkossa sekä iOS- ja Android-laitteilla.

Näytä kaikki paketit
Vuosittain$29.90 / vuosiNoin $2.49 kuukaudessaMaksa kerranElinikäinen$69.99 KerranEi uusimisia. PRO ikuisesti.
Kurssin yleiskatsaus

Koneoppiminen Pythonilla

Oppikaa koneoppiminen perusteista lähtien. Rakentakaa ja arvioikaa malleja scikit-learnilla, hallitkaa ensemble-menetelmät ja siirtykää syväoppimiseen PyTorchilla. Tämä kokonaisuus sisältää 30 etenevää minikurssia täydestä aloittelijatasosta (A1) edistyneelle tasolle (B2), lyhyine, kohdennettuine oppitunteineen ja nopeine tietovisoineen, jotka auttavat vakiinnuttamaan jokaisen käsitteen.

Mitä opitte

Aloitatte perusteista ja etenette keskitason ja edistyneisiin aiheisiin niin, että jokainen kurssi rakentuu edellisen päälle. Jokainen oppitunti on käytännönläheinen ja sisältää todellisia esimerkkejä. Tarvittaessa käytettävissänne on tekoälyohjaaja.

Näin se toimii

Jokainen kurssi on jaettu neljään kohdennettuun oppituntiin. Kun suoritatte muutaman oppitunnin päivässä, hallitsette koko kokonaisuuden viikoissa, ette kuukausissa.

Työkalut

Harjoittele tekoälyn avulla – älä vain lue

Tehosta oppimistasi tekoälypohjaisilla työkaluilla ja ominaisuuksilla

TekoälychatKeskustele tekoälytuutorin kanssaEsitä superkysymysSaat asiantuntijatason vastauksiaPROLuo oppituntiTekoälypohjainen oppituntien luontityökaluPROAloita sertifiointikoeHanki sertifikaattiPROAloita haasteTestaa taitosi

Näin opiskelet

  1. 01

    Interaktiiviset oppitunnit

    Käytännön koodiharjoituksia ja reaaliaikaista palautetta

  2. 02

    Tekoälytuutori

    Saat heti apua tekoälyltä, kun jäät jumiin

  3. 03

    Sisäänrakennettu editori

    Kirjoita ja suorita koodia suoraan selaimessa

  4. 04

    Sertifikaatti

    Saat sertifikaatin suoritettuasi kurssin

Tutustu lisää

Aiheeseen liittyvät opintopolut

Deep Learning Academy logoDeep Learning AcademyMaster deep learning with PyTorch, from neurons and backpropagation to CNNs, Transformers…Data Science Academy logoData Science AcademyTurn raw data into insight with Python. Master NumPy, pandas, visualization, and scikit-l…NLP Academy logoNLP AcademyBuild language AI with Python. From text preprocessing and embeddings to Transformers, na…MLOps Academy logoMLOps AcademyTake ML models to production: experiment tracking, serving, CI/CD, monitoring, and drift…Mojo Academy logoMojo AcademyLearn Mojo, Modular's Python-family language built for AI speed. Write Python-like code w…Pandas & NumPy Academy logoPandas & NumPy AcademyGo from spreadsheets to production-grade data analysis. Master NumPy arrays, Pandas DataF…
UKK

Usein kysytyt kysymykset

Onko Machine Learning Academy-kurssi ilmainen?

Kyllä. Voit aloittaa Machine Learning Academy-kurssin ilmaiseksi ja suorittaa sen vuorovaikutteiset oppitunnit maksutta. Valinnainen PRO-tilaus avaa käyttöön edistyneet tekoälytyökalut ja jaettavan todistuksen.

Tarvitsenko aiempaa kokemusta oppiakseni Python?

Et tarvitse. Kurssi alkaa perusteista ja etenee vähitellen edistyneempiin aiheisiin, joten voit aloittaa, vaikka sinulla ei olisi aiempaa Python-kokemusta.

Miten opin Python CoddyKitissä?

Opit tekemällä. Lyhyillä vuorovaikutteisilla oppitunneilla selkeä teoria yhdistyy käytännön koodiharjoitukseen, joka suoritetaan reaaliajassa. Ympäri vuorokauden käytettävissä oleva tekoälytuutori auttaa henkilökohtaisesti aina, kun jäät jumiin.

Saanko todistuksen Machine Learning Academy-kurssin suorittamisesta?

Kyllä. PRO-oppijat voivat suorittaa kokeen ja saada Machine Learning Academy-kurssin suorittamisesta jaettavan todistuksen, jonka koodi voidaan tarkistaa.

Voinko oppia Python puhelimellani?

Kyllä. CoddyKit on käytettävissä verkossa sekä iOS- ja Android-natiivisovelluksina, joten voit oppia Python millä tahansa laitteella, ja edistymisesi synkronoituu niiden välillä.

Paljonko CoddyKit PRO maksaa?

Machine Learning Academy-opintopolun ensimmäinen kurssi on ilmainen. CoddyKit PRO avaa kaikki kurssit: $5.90 viikossa, $7.90 kuukaudessa, $29.90 vuodessa tai $69.99 kerran maksettuna, jolloin saat elinikäisen käyttöoikeuden ilman uusimisia.

Kuinka kauan Machine Learning Academy-opintopolun suorittaminen kestää?

Machine Learning Academy sisältää 30 kurssia ja 120 oppituntia. Useimmat oppitunnit kestävät noin 5–10 minuuttia, joten koko opintopolun suorittamiseen kuluu omaan tahtiin noin 14 tuntia käytännön harjoittelua.

Aloita Machine Learning Academy nyt

Liity tuhansien oppijoiden joukkoon ja opi ohjelmointia tekoälyä hyödyntävillä oppitunneilla.

Aloita opiskelu maksuttaSelaa kaikkia kursseja