28 KiB

Raw Blame History Unescape Escape

Data Science für Einsteiger - Ein Lehrplan

Die Azure Cloud Advocates bei Microsoft freuen sich, einen 10-wöchigen Lehrplan mit 20 Lektionen rund um Data Science anzubieten. Jede Lektion beinhaltet Vor- und Nachquiz, schriftliche Anweisungen zum Abschluss der Lektion, eine Lösung und eine Aufgabe. Unsere projektbasierte Lehrmethode ermöglicht es Ihnen, beim Bauen zu lernen – eine bewährte Methode, damit neue Fähigkeiten „haften bleiben“.

Herzlichen Dank an unsere Autoren: Jasmine Greenaway, Dmitry Soshnikov, Nitya Narasimhan, Jalen McGee, Jen Looper, Maud Levy, Tiffany Souterre, Christopher Harrison.

🙏 Besonderer Dank 🙏 an unsere Microsoft Student Ambassador Autoren, Reviewer und Inhaltsbeiträge, insbesondere Aaryan Arora, Aditya Garg, Alondra Sanchez, Ankita Singh, Anupam Mishra, Arpita Das, ChhailBihari Dubey, Dibri Nsofor, Dishita Bhasin, Majd Safi, Max Blum, Miguel Correa, Mohamma Iftekher (Iftu) Ebne Jalal, Nawrin Tabassum, Raymond Wangsa Putra, Rohit Yadav, Samridhi Sharma, Sanya Sinha, Sheena Narula, Tauqeer Ahmad, Yogendrasingh Pawar , Vidushi Gupta, Jasleen Sondhi


Data Science For Beginners - Sketchnote von @nitya

🌐 Mehrsprachige Unterstützung

Unterstützt über GitHub Action (Automatisiert & Immer Aktuell)

Möchten Sie lieber lokal klonen?

Dieses Repository enthält über 50 Sprachübersetzungen, was die Downloadgröße erheblich erhöht. Um ohne Übersetzungen zu klonen, verwenden Sie Sparse Checkout:
git clone --filter=blob:none --sparse https://github.com/microsoft/Data-Science-For-Beginners.git
cd Data-Science-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
Dies gibt Ihnen alles, was Sie brauchen, um den Kurs viel schneller herunterzuladen.

Wenn Sie weitere unterstützte Übersetzungssprachen wünschen, finden Sie diese hier

Treten Sie unserer Gemeinschaft bei

Wir haben eine laufende Discord-Reihe „Learn with AI“, erfahren Sie mehr und treten Sie uns bei unter Learn with AI Series vom 18. bis 30. September 2025. Dort erhalten Sie Tipps und Tricks zur Nutzung von GitHub Copilot für Data Science.

Sind Sie ein Student?

Starten Sie mit den folgenden Ressourcen:

Student Hub Seite Auf dieser Seite finden Sie Einsteigerressourcen, Studentensets und sogar Möglichkeiten, einen kostenlosen Zertifikatsgutschein zu erhalten. Diese Seite sollten Sie speichern und regelmäßig besuchen, da wir den Inhalt mindestens monatlich aktualisieren.
Microsoft Learn Student Ambassadors Treten Sie einer globalen Gemeinschaft von Student Ambassadors bei, das könnte Ihr Einstieg bei Microsoft sein.

Erste Schritte

📚 Dokumentation

Installationsanleitung - Schritt-für-Schritt-Anleitung für Anfänger
Nutzungsanleitung - Beispiele und häufige Abläufe
Fehlerbehebung - Lösungen für häufige Probleme
Beitragsrichtlinien - Wie man zu diesem Projekt beiträgt
Für Lehrkräfte - Unterrichtshilfen und Materialien für den Klassenraum

👨‍🎓 Für Studierende

Komplette Anfänger: Neu in Data Science? Beginnen Sie mit unseren anfängerfreundlichen Beispielen! Diese einfachen, gut kommentierten Beispiele helfen Ihnen, die Grundlagen zu verstehen, bevor Sie sich in den kompletten Lehrplan vertiefen. Studierende: Um diesen Lehrplan eigenständig zu nutzen, forken Sie das gesamte Repository und bearbeiten die Übungen eigenständig, beginnend mit einem Vorlesungsquiz. Lesen Sie dann die Vorlesung und bearbeiten die restlichen Aktivitäten. Versuchen Sie, die Projekte zu verstehen und selbst zu erstellen, statt einfach die Lösungscodes zu kopieren; diese Lösungen sind allerdings in den /solutions-Ordnern jeder projektorientierten Lektion verfügbar. Eine weitere Idee ist, eine Lerngruppe mit Freunden zu bilden und gemeinsam den Inhalt durchzuarbeiten. Für weiterführendes Lernen empfehlen wir Microsoft Learn.

Schnellstart:

Sehen Sie sich die Installationsanleitung zur Einrichtung Ihrer Umgebung an
Lesen Sie die Nutzungsanleitung, um zu lernen, wie Sie mit dem Lehrplan arbeiten
Beginnen Sie mit Lektion 1 und arbeiten Sie diese der Reihe nach durch
Treten Sie unserer Discord-Community für Unterstützung bei

👩‍🏫 Für Lehrkräfte

Lehrkräfte: Wir haben einige Vorschläge zur Nutzung dieses Lehrplans zusammengestellt. Wir freuen uns über Ihr Feedback in unserem Diskussionsforum!

Triff das Team

Gif von Mohit Jaisal

🎥 Klicken Sie auf das Bild oben für ein Video über das Projekt und die Personen, die es erstellt haben!

Pädagogik

Wir haben beim Aufbau dieses Lehrplans zwei pädagogische Grundsätze gewählt: sicherzustellen, dass er projektbasiert ist und häufige Quizze enthält. Am Ende dieser Reihe werden die Lernenden grundlegende Prinzipien der Datenwissenschaft gelernt haben, einschließlich ethischer Konzepte, Datenvorbereitung, verschiedener Arbeitsweisen mit Daten, Datenvisualisierung, Datenanalyse, Anwendungsbeispiele aus der Praxis der Datenwissenschaft und mehr.

Darüber hinaus setzt ein Quiz mit niedrigem Einsatz vor einer Unterrichtseinheit die Lernabsicht des Studierenden hinsichtlich eines Themas, während ein zweites Quiz nach der Unterrichtsstunde das weitere Behalten sichert. Dieser Lehrplan wurde flexibel und unterhaltsam gestaltet und kann vollständig oder teilweise durchlaufen werden. Die Projekte beginnen klein und werden im Laufe des 10-wöchigen Zyklus zunehmend komplexer.

Finden Sie unseren Verhaltenskodex, Beitragsleitfaden, Übersetzungsrichtlinien. Wir freuen uns auf Ihr konstruktives Feedback!

Jede Lektion beinhaltet:

Optionale Sketchnote
Optionales Zusatzvideo
Aufwärmquiz vor der Lektion
Schriftliche Lektion
Für projektbasierte Lektionen: Schritt-für-Schritt-Anleitungen zum Aufbau des Projekts
Wissenskontrollen
Eine Herausforderung
Ergänzende Lektüre
Aufgabe
Quiz nach der Lektion

Ein Hinweis zu den Quizzen: Alle Quizze befinden sich im Quiz-App-Ordner, insgesamt 40 Quizze mit jeweils drei Fragen. Sie sind aus den Lektionen verlinkt, aber die Quiz-App kann lokal ausgeführt oder in Azure bereitgestellt werden; folgen Sie den Anweisungen im quiz-app-Ordner. Sie werden nach und nach lokalisiert.

🎓 Anfängerfreundliche Beispiele

Neu in der Datenwissenschaft? Wir haben ein spezielles Beispielverzeichnis mit einfachem, gut kommentiertem Code erstellt, das Ihnen den Einstieg erleichtert:

🌟 Hello World – Ihr erstes Datenwissenschaftsprogramm
📂 Daten laden – Lernen, Datensätze zu lesen und zu erkunden
📊 Einfache Analyse – Statistiken berechnen und Muster finden
📈 Grundlegende Visualisierung – Erstellen von Diagrammen und Grafiken
🔬 Praxisprojekt – Kompletter Workflow von Anfang bis Ende

Jedes Beispiel enthält detaillierte Kommentare, die jeden Schritt erklären, perfekt für absolute Anfänger!

👉 Beginnen Sie mit den Beispielen 👈

Lektionen


Data Science For Beginners: Fahrplan - Sketchnote von @nitya

Lektion Nummer	Thema	Lektion Gruppe	Lernziele	Verlinkte Lektion	Autor
01	Definition von Data Science	Einführung	Lernen Sie die Grundkonzepte der Datenwissenschaft und deren Beziehung zu künstlicher Intelligenz, maschinellem Lernen und Big Data kennen.	Lektion Video	Dmitry
02	Datenwissenschaftsethik	Einführung	Konzepte, Herausforderungen & Rahmenwerke der Datenethik.	Lektion	Nitya
03	Definition von Daten	Einführung	Wie Daten klassifiziert werden und ihre häufigsten Quellen.	Lektion	Jasmine
04	Einführung in Statistik & Wahrscheinlichkeit	Einführung	Mathematische Techniken der Wahrscheinlichkeit und Statistik zum Verständnis von Daten.	Lektion Video	Dmitry
05	Arbeit mit relationalen Daten	Arbeiten mit Daten	Einführung in relationale Daten und Grundlagen der Erkundung und Analyse relationaler Daten mit der Structured Query Language, auch bekannt als SQL (ausgesprochen „see-quell“).	Lektion	Christopher
06	Arbeit mit NoSQL-Daten	Arbeiten mit Daten	Einführung in nicht-relationale Daten, deren verschiedene Typen und die Grundlagen der Erkundung und Analyse von Dokumentendatenbanken.	Lektion	Jasmine
07	Arbeiten mit Python	Arbeiten mit Daten	Grundlagen der Nutzung von Python zur Datenexploration mit Bibliotheken wie Pandas. Grundlegendes Verständnis der Python-Programmierung wird empfohlen.	Lektion Video	Dmitry
08	Datenvorbereitung	Arbeiten mit Daten	Themen zu Daten-Techniken zum Reinigen und Transformieren der Daten, um Herausforderungen wie fehlende, ungenaue oder unvollständige Daten zu bewältigen.	Lektion	Jasmine
09	Visualisierung von Mengen	Datenvisualisierung	Lernen Sie, wie Sie Matplotlib zur Visualisierung von Vogeldaten 🦆 verwenden.	Lektion	Jen
10	Visualisierung von Datenverteilungen	Datenvisualisierung	Visualisierung von Beobachtungen und Trends innerhalb eines Intervalls.	Lektion	Jen
11	Visualisierung von Anteilen	Datenvisualisierung	Visualisierung diskreter und gruppierter Prozentsätze.	Lektion	Jen
12	Visualisierung von Zusammenhängen	Datenvisualisierung	Visualisierung von Verbindungen und Korrelationen zwischen Datensätzen und deren Variablen.	Lektion	Jen
13	Sinnvolle Visualisierungen	Datenvisualisierung	Techniken und Anleitungen, um Ihre Visualisierungen wertvoll für eine effektive Problemlösung und Einsichten zu machen.	Lektion	Jen
14	Einführung in den Data Science Lifecycle	Lebenszyklus	Einführung in den Data Science Lebenszyklus und dessen ersten Schritt der Datenerfassung und -extraktion.	Lektion	Jasmine
15	Analysieren	Lebenszyklus	Diese Phase des Data Science Lebenszyklus konzentriert sich auf Techniken zur Analyse von Daten.	Lektion	Jasmine
16	Kommunikation	Lebenszyklus	Diese Phase des Data Science Lebenszyklus konzentriert sich darauf, Einsichten aus den Daten so zu präsentieren, dass Entscheidungsträger sie besser verstehen können.	Lektion	Jalen
17	Data Science in der Cloud	Cloud Daten	Diese Unterrichtsreihe führt in Data Science in der Cloud und deren Vorteile ein.	Lektion	Tiffany und Maud
18	Data Science in der Cloud	Cloud Daten	Modelltraining mit Low-Code-Tools.	Lektion	Tiffany und Maud
19	Data Science in der Cloud	Cloud Daten	Deployment von Modellen mit Azure Machine Learning Studio.	Lektion	Tiffany und Maud
20	Data Science in der Praxis	Im praktischen Einsatz	Data Science-getriebene Projekte in der realen Welt.	Lektion	Nitya

GitHub Codespaces

Folgen Sie diesen Schritten, um dieses Beispiel in einem Codespace zu öffnen:

Klicken Sie auf das Code-Dropdown-Menü und wählen Sie die Option „Open with Codespaces“.
Wählen Sie „+ New codespace“ unten im Bereich. Für weitere Informationen siehe die GitHub-Dokumentation.

VSCode Remote - Containers

Folgen Sie diesen Schritten, um dieses Repository in einem Container mit Ihrem lokalen Rechner und VSCode mit der VS Code Remote - Containers Erweiterung zu öffnen:

Wenn Sie zum ersten Mal einen Entwicklungscontainer verwenden, stellen Sie sicher, dass Ihr System die Voraussetzungen erfüllt (z. B. Docker installiert ist) gemäß der Einstiegshilfe.

Um dieses Repository zu verwenden, können Sie entweder das Repository in einem isolierten Docker-Volume öffnen:

Hinweis: Im Hintergrund wird der Remote-Containers-Befehl Clone Repository in Container Volume... verwendet, der den Quellcode in einem Docker-Volume statt im lokalen Dateisystem klont. Volumes sind der bevorzugte Mechanismus zur dauerhaften Speicherung von Container-Daten.

Oder öffnen Sie eine lokal geklonte oder heruntergeladene Version des Repositories:

Klonen Sie dieses Repository auf Ihr lokales Dateisystem.
Drücken Sie F1 und wählen Sie den Befehl Remote-Containers: Open Folder in Container....
Wählen Sie die geklonte Kopie dieses Ordners aus, warten Sie, bis der Container gestartet ist, und probieren Sie es aus.

Offline-Zugriff

Sie können diese Dokumentation offline mit Docsify ausführen. Forken Sie dieses Repository, installieren Sie Docsify auf Ihrem lokalen Rechner und geben Sie dann im Stammverzeichnis dieses Repositories docsify serve ein. Die Webseite wird auf Port 3000 auf Ihrem lokalen Host bereitgestellt: localhost:3000.

Hinweis: Notebooks werden nicht über Docsify gerendert. Wenn Sie ein Notebook ausführen müssen, tun Sie dies separat in VS Code mit einem Python-Kernel.

Weitere Lehrpläne

Unser Team erstellt weitere Lehrpläne! Schauen Sie sich an:

LangChain

Azure / Edge / MCP / Agenten

Generative KI Reihe

Kernlernen

Copilot Reihe

Hilfe erhalten

Probleme? Schau dir unseren Fehlerbehebungsleitfaden für Lösungen zu häufigen Problemen an.

Wenn du feststeckst oder Fragen zum Erstellen von KI-Apps hast. Tritt Gleichgesinnten und erfahrenen Entwicklern in Diskussionen über MCP bei. Es ist eine unterstützende Gemeinschaft, in der Fragen willkommen sind und Wissen frei geteilt wird.

Wenn du Produktfeedback hast oder Fehler beim Erstellen auftreten, besuche:

Haftungsausschluss:
Dieses Dokument wurde mithilfe des KI-Übersetzungsdienstes Co-op Translator übersetzt. Obwohl wir auf Genauigkeit achten, können automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten. Das Originaldokument in der jeweiligen Ursprungssprache gilt als maßgebliche Quelle. Bei kritischen Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die aus der Nutzung dieser Übersetzung entstehen.

28 KiB Raw Blame History Unescape Escape