Data-Science-For-Beginners/translations/de

Data Science für Anfänger - Ein Lehrplan

Die Azure Cloud Advocates bei Microsoft freuen sich, einen 10-wöchigen Lehrplan mit 20 Lektionen rund um das Thema Data Science anbieten zu können. Jede Lektion beinhaltet Quiz vor und nach der Lektion, schriftliche Anweisungen zur Durchführung der Lektion, eine Lösung und eine Aufgabe. Unsere projektbasierte Pädagogik ermöglicht es dir, 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, Prüfer und Inhaltsbeiträger, 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 für Anfänger - Sketchnote von @nitya

🌐 Unterstützung mehrerer Sprachen

Unterstützt über GitHub Action (Automatisiert & Immer Aktuell)

Arabisch | Bengalisch | Bulgarisch | Birma (Myanmar) | Chinesisch (Vereinfacht) | Chinesisch (Traditionell, Hongkong) | Chinesisch (Traditionell, Macau) | Chinesisch (Traditionell, Taiwan) | Kroatisch | Tschechisch | Dänisch | Niederländisch | Estnisch | Finnisch | Französisch | Deutsch | Griechisch | Hebräisch | Hindi | Ungarisch | Indonesisch | Italienisch | Japanisch | Kannada | Koreanisch | Litauisch | Malaysisch | Malayalam | Marathi | Nepalesisch | Nigerianisches Pidgin | Norwegisch | Persisch (Farsi) | Polnisch | Portugiesisch (Brasilien) | Portugiesisch (Portugal) | Punjabi (Gurmukhi) | Rumänisch | Russisch | Serbisch (Kyrillisch) | Slowakisch | Slowenisch | Spanisch | Suaheli | Schwedisch | Tagalog (Filipino) | Tamil | Telugu | Thailändisch | Türkisch | Ukrainisch | Urdu | Vietnamesisch

Lieber lokal klonen?

Dieses Repository enthält 50+ Sprachübersetzungen, was die Downloadgröße erheblich erhöht. Um ohne Übersetzungen zu klonen, nutze den 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'

So erhältst du alles, was du benötigst, um den Kurs mit einem viel schnelleren Download abzuschließen.

Wenn du möchtest, dass weitere Übersetzungen unterstützt werden, findest du eine Liste hier

Werde Teil unserer Community

Wir haben derzeit eine Discord „Learn with AI“-Serie, erfahre mehr und mach mit unter Learn with AI Series vom 18. bis 30. September 2025. Dort bekommst du Tipps und Tricks zur Nutzung von GitHub Copilot für Data Science.

Bist du Student/in?

Starte mit den folgenden Ressourcen:

• Studenten-Hub-Seite Auf dieser Seite findest du Anfängerressourcen, Studentenpakete und sogar Möglichkeiten, einen kostenlosen Zertifikatgutschein zu erhalten. Diese Seite solltest du als Lesezeichen setzen und von Zeit zu Zeit überprüfen, da wir den Inhalt mindestens monatlich aktualisieren.
• Microsoft Learn Student Ambassadors Werde Teil einer globalen Community von Studentenbotschaftern – das könnte dein Weg zu Microsoft sein.

Erste Schritte

📚 Dokumentation

• Installationsanleitung - Schritt-für-Schritt-Anleitung für Anfänger
• Nutzungsanleitung - Beispiele und gängige Arbeitsabläufe
• Fehlerbehebung - Lösungen für häufige Probleme
• Beitrag leisten - Wie du zu diesem Projekt beitragen kannst
• Für Lehrkräfte - Anleitung für Unterricht und Unterrichtsmaterialien

👨‍🎓 Für Studierende

Absolute Anfänger: Neu in Data Science? Starte mit unseren einsteigerfreundlichen Beispielen! Diese einfachen, gut kommentierten Beispiele helfen dir, die Grundlagen zu verstehen, bevor du dich in den kompletten Lehrplan vertiefst. Studierende: Um diesen Lehrplan eigenständig zu nutzen, forke das gesamte Repo und bearbeite die Übungen selbstständig, beginnend mit einem Quiz vor der Lektion. Dann lese die Lektion und erledige die übrigen Aktivitäten. Versuche, die Projekte zu erstellen, indem du die Lektionen verstehst, statt nur den Lösungscode zu kopieren; dennoch ist dieser Code in den jeweiligen /solutions-Ordnern der projektorientierten Lektionen verfügbar. Eine weitere Idee ist, eine Lerngruppe mit Freunden zu bilden und gemeinsam den Inhalt durchzugehen. Für vertiefendes Lernen empfehlen wir Microsoft Learn.

Schnellstart:

1. Sieh dir die Installationsanleitung an, um deine Umgebung einzurichten
2. Schau dir die Nutzungsanleitung an, um zu lernen, wie du mit dem Lehrplan arbeitest
3. Beginne mit Lektion 1 und arbeite dich der Reihe nach durch
4. Tritt unserer Discord-Community für Unterstützung bei

👩‍🏫 Für Lehrkräfte

Lehrkräfte: Wir haben einige Vorschläge für die Nutzung dieses Lehrplans zusammengestellt. Wir freuen uns auf dein Feedback in unserem Diskussionsforum!

Treffen Sie das Team

Gif von Mohit Jaisal

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

Pädagogik

Wir haben beim Aufbau dieses Curriculums zwei pädagogische Grundsätze gewählt: sicherzustellen, dass es projektbasiert ist und dass es häufige Quizze enthält. Am Ende dieser Serie werden die Lernenden grundlegende Prinzipien der Datenwissenschaft gelernt haben, einschließlich ethischer Konzepte, Datenvorbereitung, verschiedener Arbeitsweisen mit Daten, Datenvisualisierung, Datenanalyse, realer Anwendungsfälle der Datenwissenschaft und mehr.

Zusätzlich setzt ein Quiz mit niedrigem Risiko vor dem Unterricht die Lernabsicht des Studenten auf ein Thema, während ein zweites Quiz nach dem Unterricht die weitere Behaltensleistung sichert. Dieses Curriculum wurde so konzipiert, dass es flexibel und unterhaltsam ist und insgesamt oder teilweise durchlaufen werden kann. Die Projekte beginnen klein und werden bis zum Ende des 10-wöchigen Zyklus zunehmend komplexer.

Finden Sie unseren Verhaltenskodex, Mitwirkendenleitfaden, Übersetzungsleitfaden. Wir freuen uns über Ihr konstruktives Feedback!

Jede Lektion beinhaltet:

• Optionale Sketchnote
• Optionales ergänzendes Video
• Aufwärm-Quiz vor der Lektion
• Geschriebene Lektion
• Für projektbasierte Lektionen Schritt-für-Schritt-Anleitungen zum Aufbau des Projekts
• Wissensüberprüfungen
• Eine Herausforderung
• Ergänzende Lektüre
• Aufgabe
• Quiz nach der Lektion

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

🎓 Anfängerfreundliche Beispiele

Neu in Data Science? Wir haben ein spezielles Beispiele-Verzeichnis mit einfachem, gut kommentiertem Code erstellt, um Ihnen den Einstieg zu erleichtern:

• 🌟 Hello World – Ihr erstes Data-Science-Programm
• 📂 Daten laden – Lernen, Datensätze zu lesen und zu erkunden
• 📊 Einfache Analyse – Statistiken berechnen und Muster erkennen
• 📈 Grundlegende Visualisierung – Diagramme und Grafiken erstellen
• 🔬 Praxisprojekt – Komplett-Workflow von Anfang bis Ende

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

👉 Starten Sie mit den Beispielen 👈

Lektionen

Data Science für Anfänger: Roadmap – Sketchnote von @nitya

Lektion Nummer	Thema	Lektionsgruppe	Lernziele	Verlinkte Lektion	Autor
01	Definition von Data Science	Einführung	Lernen Sie die grundlegenden Konzepte hinter Data Science und wie es mit künstlicher Intelligenz, maschinellem Lernen und Big Data zusammenhängt.	Lektionen Video	Dmitry
02	Ethik in Data Science	Einführung	Konzepte, Herausforderungen und 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	Die mathematischen Techniken der Wahrscheinlichkeit und Statistik zum Verständnis von Daten.	Lektion Video	Dmitry
05	Arbeiten mit relationalen Daten	Arbeiten mit Daten	Einführung in relationale Daten und die Grundlagen der Erkundung und Analyse relationaler Daten mit der Structured Query Language, bekannt als SQL („see-quell“ ausgesprochen).	Lektion	Christopher
06	Arbeiten mit NoSQL-Daten	Arbeiten mit Daten	Einführung in nicht-relationale Daten, deren verschiedene Arten und Grundlagen der Erkundung und Analyse von Dokumentendatenbanken.	Lektion	Jasmine
07	Arbeiten mit Python	Arbeiten mit Daten	Grundlagen der Nutzung von Python für die Datenexploration mit Bibliotheken wie Pandas. Grundlegendes Verständnis der Python-Programmierung wird empfohlen.	Lektion Video	Dmitry
08	Datenvorbereitung	Arbeiten mit Daten	Themen zu Datenbereinigung und -transformation, um Herausforderungen bei fehlenden, ungenauen oder unvollständigen Daten zu bewältigen.	Lektion	Jasmine
09	Visualisierung von Mengen	Datenvisualisierung	Lernen Sie, wie man mit Matplotlib Vogeldaten visualisiert 🦆	Lektion	Jen
10	Visualisierung von Verteilungen	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 Richtlinien, um Ihre Visualisierungen wertvoll für effektives Problemlösen und Erkenntnisse zu gestalten.	Lektion	Jen
14	Einführung in den Data Science-Lebenszyklus	Lebenszyklus	Einführung in den Lebenszyklus der Datenwissenschaft und dem ersten Schritt der Datenbeschaffung und -extraktion.	Lektion	Jasmine
15	Analysieren	Lebenszyklus	Diese Phase des Data-Science-Lebenszyklus konzentriert sich auf Techniken zur Datenanalyse.	Lektion	Jasmine
16	Kommunikation	Lebenszyklus	Diese Phase des Data-Science-Lebenszyklus konzentriert sich darauf, die Erkenntnisse aus den Daten so zu präsentieren, dass Entscheidungsträger sie besser verstehen können.	Lektion	Jalen
17	Data Science in der Cloud	Cloud-Daten	Diese Reihe von Lektionen 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	Modelle mit Azure Machine Learning Studio bereitstellen.	Lektion	Tiffany und Maud
20	Data Science in der Praxis	Im Einsatz	Data-Science-getriebene Projekte in der realen Welt.	Lektion	Nitya

GitHub Codespaces

Führen Sie diese Schritte aus, um dieses Beispiel in einem Codespace zu öffnen:

1. Klicken Sie auf das Dropdown-Menü „Code“ und wählen Sie die Option „Open with Codespaces“.
2. Wählen Sie unten im Bereich + Neuer Codespace. Weitere Informationen finden Sie in der GitHub-Dokumentation.

VSCode Remote - Containers

Führen Sie diese Schritte aus, um dieses Repository mit Ihrem lokalen Rechner und VSCode unter Verwendung der VS Code Remote - Containers Erweiterung in einem Container zu öffnen:

1. Falls dies Ihr erster Einsatz eines Entwicklungscontainers ist, vergewissern Sie sich bitte, dass Ihr System die Voraussetzungen (z.B. Docker installiert) erfüllt in der Einführung-Dokumentation.

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

Hinweis: Im Hintergrund wird der Befehl Remote-Containers: Klone Repository in Container-Volume... verwendet, um den Quellcode in einem Docker-Volume anstatt im lokalen Dateisystem zu klonen. Volumes sind der bevorzugte Mechanismus, um Container-Daten zu persistieren.

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

• Klonen Sie dieses Repository lokal auf Ihr Dateisystem.
• Drücken Sie F1 und wählen Sie den Befehl Remote-Containers: Ordner im Container öffnen....
• Wählen Sie die geklonte Kopie dieses Ordners aus, warten Sie, bis der Container startet, und probieren Sie es aus.

Offline-Zugriff

Sie können diese Dokumentation offline nutzen, indem Sie Docsify verwenden. Forken Sie dieses Repository, installieren Sie Docsify auf Ihrem lokalen Rechner, und geben Sie im Stammordner dieses Repositories docsify serve ein. Die Website wird auf Port 3000 auf Ihrem localhost bereitgestellt: localhost:3000.

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

Weitere Curricula

Unser Team produziert weitere Curricula! Schauen Sie sich an:

LangChain

---

Azure / Edge / MCP / Agents

---

Generative KI-Serie

---

Kernlernen

---

Copilot-Serie

Hilfe erhalten

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

Wenn du feststeckst oder Fragen zum Erstellen von KI-Anwendungen hast, tausche dich mit anderen Lernenden und erfahrenen Entwicklern in Diskussionen über MCP aus. Es ist eine unterstützende Gemeinschaft, in der Fragen willkommen sind und Wissen frei geteilt wird.

Wenn du Produktfeedback oder Fehler beim Entwickeln hast, besuche:

---

Haftungsausschluss:
Dieses Dokument wurde mit dem KI-Übersetzungsdienst Co-op Translator übersetzt. Obwohl wir nach Genauigkeit streben, können automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten. Das Originaldokument in seiner Ursprungssprache gilt als maßgebliche Quelle. Bei wichtigen Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die aus der Verwendung dieser Übersetzung entstehen.