msb-public
/
Data-Science-For-Beginners
mirror of https://github.com/microsoft/Data-Science-For-Beginners.git
1
0
Code Issues Projects Releases Wiki Activity
You can not select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
Branches Tags
${ item.name }
Create tag ${ searchTerm }
Create branch ${ searchTerm }
from 'main'
${ noResults }
Data-Science-For-Beginners/translations/de/examples
History
leestott 57edd69619
🌐 Update translations via Co-op Translator 		3 months ago
..
README.md 🌐 Update translations via Co-op Translator 3 months ago

README.md
Escape

Anfängerfreundliche Data-Science-Beispiele

Willkommen im Beispielverzeichnis! Diese Sammlung einfacher, gut kommentierter Beispiele wurde entwickelt, um Ihnen den Einstieg in die Welt der Data Science zu erleichtern – auch wenn Sie ein kompletter Anfänger sind.

📚 Was Sie hier finden werden

Jedes Beispiel ist eigenständig und enthält:

  • Klare Kommentare, die jeden Schritt erklären
  • Einfachen, lesbaren Code, der jeweils ein Konzept demonstriert
  • Praxisnahe Kontexte, um zu verstehen, wann und warum diese Techniken verwendet werden
  • Erwartete Ausgaben, damit Sie wissen, worauf Sie achten müssen

🚀 Erste Schritte

Voraussetzungen

Bevor Sie diese Beispiele ausführen, stellen Sie sicher, dass Sie:

  • Python 3.7 oder höher installiert haben
  • Grundlegendes Verständnis dafür haben, wie man Python-Skripte ausführt

Installation der benötigten Bibliotheken

pip install pandas numpy matplotlib

📖 Überblick über die Beispiele

1. Hello World – Data Science Style

Datei: 01_hello_world_data_science.py

Ihr erstes Data-Science-Programm! Lernen Sie:

  • Ein einfaches Dataset zu laden
  • Grundlegende Informationen über Ihre Daten anzuzeigen
  • Ihre erste Data-Science-Ausgabe zu drucken

Perfekt für absolute Anfänger, die ihr erstes Data-Science-Programm in Aktion sehen möchten.

2. Daten laden und erkunden

Datei: 02_loading_data.py

Lernen Sie die Grundlagen der Arbeit mit Daten:

  • Daten aus CSV-Dateien lesen
  • Die ersten Zeilen Ihres Datasets anzeigen
  • Grundlegende Statistiken über Ihre Daten erhalten
  • Datentypen verstehen

Dies ist oft der erste Schritt in jedem Data-Science-Projekt!

3. Einfache Datenanalyse

Datei: 03_simple_analysis.py

Führen Sie Ihre erste Datenanalyse durch:

  • Berechnen Sie grundlegende Statistiken (Mittelwert, Median, Modus)
  • Finden Sie maximale und minimale Werte
  • Zählen Sie Vorkommen von Werten
  • Filtern Sie Daten basierend auf Bedingungen

Erfahren Sie, wie Sie einfache Fragen zu Ihren Daten beantworten können.

4. Grundlagen der Datenvisualisierung

Datei: 04_basic_visualization.py

Erstellen Sie Ihre ersten Visualisierungen:

  • Erstellen Sie ein einfaches Balkendiagramm
  • Erstellen Sie ein Liniendiagramm
  • Generieren Sie ein Kreisdiagramm
  • Speichern Sie Ihre Visualisierungen als Bilder

Lernen Sie, Ihre Erkenntnisse visuell zu kommunizieren!

5. Arbeiten mit echten Daten

Datei: 05_real_world_example.py

Setzen Sie alles mit einem vollständigen Beispiel zusammen:

  • Laden Sie echte Daten aus dem Repository
  • Bereinigen und bereiten Sie die Daten vor
  • Führen Sie Analysen durch
  • Erstellen Sie aussagekräftige Visualisierungen
  • Ziehen Sie Schlussfolgerungen

Dieses Beispiel zeigt Ihnen einen kompletten Workflow von Anfang bis Ende.

🎯 So nutzen Sie diese Beispiele

  1. Beginnen Sie am Anfang: Die Beispiele sind nach Schwierigkeitsgrad nummeriert. Starten Sie mit 01_hello_world_data_science.py und arbeiten Sie sich durch.

  2. Lesen Sie die Kommentare: Jede Datei enthält detaillierte Kommentare, die erklären, was der Code macht und warum. Lesen Sie diese sorgfältig!

  3. Experimentieren Sie: Versuchen Sie, den Code zu ändern. Was passiert, wenn Sie einen Wert ändern? Machen Sie Fehler und beheben Sie sie – so lernen Sie!

  4. Führen Sie den Code aus: Führen Sie jedes Beispiel aus und beobachten Sie die Ausgabe. Vergleichen Sie sie mit Ihren Erwartungen.

  5. Bauen Sie darauf auf: Sobald Sie ein Beispiel verstanden haben, versuchen Sie, es mit Ihren eigenen Ideen zu erweitern.

💡 Tipps für Anfänger

  • Keine Eile: Nehmen Sie sich Zeit, jedes Beispiel zu verstehen, bevor Sie zum nächsten übergehen
  • Tippen Sie den Code selbst: Kopieren Sie ihn nicht einfach. Das Tippen hilft Ihnen, zu lernen und sich zu erinnern
  • Suchen Sie nach unbekannten Konzepten: Wenn Sie etwas sehen, das Sie nicht verstehen, suchen Sie online oder in den Hauptlektionen danach
  • Stellen Sie Fragen: Treten Sie dem Diskussionsforum bei, wenn Sie Hilfe benötigen
  • Üben Sie regelmäßig: Versuchen Sie, jeden Tag ein bisschen zu programmieren, anstatt lange Sitzungen einmal pro Woche

🔗 Nächste Schritte

Nachdem Sie diese Beispiele abgeschlossen haben, sind Sie bereit:

  • Die Hauptlektionen des Lehrplans durchzuarbeiten
  • Die Aufgaben in jedem Lektionenordner auszuprobieren
  • Die Jupyter-Notebooks für ein tieferes Lernen zu erkunden
  • Ihre eigenen Data-Science-Projekte zu erstellen

📚 Zusätzliche Ressourcen

🤝 Mitwirken

Einen Fehler gefunden oder eine Idee für ein neues Beispiel? Wir freuen uns über Beiträge! Bitte sehen Sie sich unseren Leitfaden für Mitwirkende an.

Viel Spaß beim Lernen! 🎉

Denken Sie daran: Jeder Experte war einmal ein Anfänger. Gehen Sie Schritt für Schritt vor und haben Sie keine Angst, Fehler zu machen – sie sind Teil des Lernprozesses!

Haftungsausschluss:
Dieses Dokument wurde mit dem KI-Übersetzungsdienst Co-op Translator übersetzt. Obwohl wir uns um Genauigkeit bemühen, beachten Sie bitte, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner ursprünglichen Sprache sollte als maßgebliche Quelle betrachtet werden. Für kritische Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die sich aus der Nutzung dieser Übersetzung ergeben.