[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) [](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) [](https://GitHub.com/microsoft/ML-For-Beginners/issues/) [](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) [](http://makeapullrequest.com) [](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) [](https://GitHub.com/microsoft/ML-For-Beginners/network/) [](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) ### 🌐 Mehrsprachige Unterstützung #### Unterstützt durch GitHub Action (Automatisiert & Immer aktuell) [Französisch](../fr/README.md) | [Spanisch](../es/README.md) | [Deutsch](./README.md) | [Russisch](../ru/README.md) | [Arabisch](../ar/README.md) | [Persisch (Farsi)](../fa/README.md) | [Urdu](../ur/README.md) | [Chinesisch (vereinfacht)](../zh/README.md) | [Chinesisch (traditionell, Macau)](../mo/README.md) | [Chinesisch (traditionell, Hongkong)](../hk/README.md) | [Chinesisch (traditionell, Taiwan)](../tw/README.md) | [Japanisch](../ja/README.md) | [Koreanisch](../ko/README.md) | [Hindi](../hi/README.md) | [Bengalisch](../bn/README.md) | [Marathi](../mr/README.md) | [Nepalesisch](../ne/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Portugiesisch (Portugal)](../pt/README.md) | [Portugiesisch (Brasilien)](../br/README.md) | [Italienisch](../it/README.md) | [Polnisch](../pl/README.md) | [Türkisch](../tr/README.md) | [Griechisch](../el/README.md) | [Thailändisch](../th/README.md) | [Schwedisch](../sv/README.md) | [Dänisch](../da/README.md) | [Norwegisch](../no/README.md) | [Finnisch](../fi/README.md) | [Niederländisch](../nl/README.md) | [Hebräisch](../he/README.md) | [Vietnamesisch](../vi/README.md) | [Indonesisch](../id/README.md) | [Malaiisch](../ms/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Swahili](../sw/README.md) | [Ungarisch](../hu/README.md) | [Tschechisch](../cs/README.md) | [Slowakisch](../sk/README.md) | [Rumänisch](../ro/README.md) | [Bulgarisch](../bg/README.md) | [Serbisch (kyrillisch)](../sr/README.md) | [Kroatisch](../hr/README.md) | [Slowenisch](../sl/README.md) | [Ukrainisch](../uk/README.md) | [Birmanisch (Myanmar)](../my/README.md) #### Trete unserer Community bei [](https://aka.ms/ml4beginners/discord) Wir haben eine laufende Discord-Serie zum Lernen mit KI. Erfahre mehr und tritt uns bei [Learn with AI Series](https://aka.ms/learnwithai/discord) vom 18. bis 30. September 2025 bei. Du erhältst Tipps und Tricks zur Nutzung von GitHub Copilot für Data Science.  # Maschinelles Lernen für Anfänger - Ein Curriculum > 🌍 Reise um die Welt, während wir Maschinelles Lernen durch die Kulturen der Welt erkunden 🌍 Cloud Advocates bei Microsoft freuen sich, ein 12-wöchiges Curriculum mit 26 Lektionen über **Maschinelles Lernen** anzubieten. In diesem Curriculum lernst du die Grundlagen des sogenannten **klassischen maschinellen Lernens**, hauptsächlich mit der Bibliothek Scikit-learn, und vermeidest Deep Learning, das in unserem [AI for Beginners Curriculum](https://aka.ms/ai4beginners) behandelt wird. Kombiniere diese Lektionen auch mit unserem ['Data Science for Beginners'-Curriculum](https://aka.ms/ds4beginners)! Reise mit uns um die Welt, während wir diese klassischen Techniken auf Daten aus verschiedenen Regionen anwenden. Jede Lektion enthält Quizfragen vor und nach der Lektion, schriftliche Anweisungen zur Durchführung der Lektion, eine Lösung, eine Aufgabe und mehr. Unsere projektbasierte Pädagogik ermöglicht es dir, durch das Bauen zu lernen – eine bewährte Methode, um neue Fähigkeiten zu verankern. **✍️ Herzlichen Dank an unsere Autoren** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu und Amy Boyd **🎨 Vielen Dank auch an unsere Illustratoren** Tomomi Imura, Dasani Madipalli und Jen Looper **🙏 Besonderer Dank 🙏 an unsere Microsoft Student Ambassador Autoren, Reviewer und Inhaltsbeiträger**, insbesondere Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila und Snigdha Agarwal **🤩 Extra Dank an die Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi und Vidushi Gupta für unsere R-Lektionen!** # Erste Schritte Folge diesen Schritten: 1. **Forke das Repository**: Klicke auf die Schaltfläche "Fork" oben rechts auf dieser Seite. 2. **Klone das Repository**: `git clone https://github.com/microsoft/ML-For-Beginners.git` > [Finde alle zusätzlichen Ressourcen für diesen Kurs in unserer Microsoft Learn Sammlung](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) **[Studenten](https://aka.ms/student-page)**, um dieses Curriculum zu nutzen, forke das gesamte Repository in deinen eigenen GitHub-Account und bearbeite die Übungen alleine oder in einer Gruppe: - Beginne mit einem Quiz vor der Lektion. - Lies die Lektion und führe die Aktivitäten durch, halte inne und reflektiere bei jedem Wissenscheck. - Versuche, die Projekte zu erstellen, indem du die Lektionen verstehst, anstatt den Lösungscode auszuführen; dieser Code ist jedoch in den `/solution`-Ordnern jeder projektorientierten Lektion verfügbar. - Mache das Quiz nach der Lektion. - Bearbeite die Herausforderung. - Bearbeite die Aufgabe. - Nach Abschluss einer Lektion besuche das [Diskussionsforum](https://github.com/microsoft/ML-For-Beginners/discussions) und "lerne laut", indem du das entsprechende PAT-Raster ausfüllst. Ein 'PAT' ist ein Fortschrittsbewertungstool, das ein Raster ist, das du ausfüllst, um dein Lernen zu vertiefen. Du kannst auch auf andere PATs reagieren, damit wir gemeinsam lernen können. > Für weiterführendes Lernen empfehlen wir, diese [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) Module und Lernpfade zu folgen. **Lehrer**, wir haben [einige Vorschläge](for-teachers.md) hinzugefügt, wie dieses Curriculum verwendet werden kann. --- ## Videoanleitungen Einige der Lektionen sind als kurze Videos verfügbar. Du findest alle diese Videos in den Lektionen oder auf der [ML for Beginners Playlist auf dem Microsoft Developer YouTube-Kanal](https://aka.ms/ml-beginners-videos), indem du auf das Bild unten klickst. [](https://aka.ms/ml-beginners-videos) --- ## Das Team kennenlernen [](https://youtu.be/Tj1XWrDSYJU) **Gif von** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) > 🎥 Klicke auf das Bild oben für ein Video über das Projekt und die Personen, die es erstellt haben! --- ## Pädagogik Wir haben zwei pädagogische Prinzipien gewählt, während wir dieses Curriculum erstellt haben: sicherzustellen, dass es **projektbasiert** ist und dass es **häufige Quizfragen** enthält. Darüber hinaus hat dieses Curriculum ein gemeinsames **Thema**, um ihm Kohärenz zu verleihen. Indem wir sicherstellen, dass die Inhalte mit Projekten übereinstimmen, wird der Prozess für die Studenten ansprechender und die Beibehaltung der Konzepte wird verbessert. Außerdem setzt ein niedrigschwelliges Quiz vor einer Klasse die Absicht des Studenten, ein Thema zu lernen, während ein zweites Quiz nach der Klasse die Beibehaltung weiter fördert. Dieses Curriculum wurde so gestaltet, dass es flexibel und unterhaltsam ist und ganz oder teilweise absolviert werden kann. Die Projekte beginnen klein und werden bis zum Ende des 12-Wochen-Zyklus zunehmend komplexer. Dieses Curriculum enthält auch ein Nachwort zu realen Anwendungen des maschinellen Lernens, das als Zusatzpunkt oder als Grundlage für Diskussionen verwendet werden kann. > Finde unseren [Verhaltenskodex](CODE_OF_CONDUCT.md), [Beitragsrichtlinien](CONTRIBUTING.md) und [Übersetzungsrichtlinien](TRANSLATIONS.md). Wir freuen uns über dein konstruktives Feedback! ## Jede Lektion enthält - optionales Sketchnote - optionales ergänzendes Video - Videoanleitung (nur einige Lektionen) - [Quiz vor der Lektion](https://ff-quizzes.netlify.app/en/ml/) - schriftliche Lektion - für projektbasierte Lektionen, Schritt-für-Schritt-Anleitungen zum Erstellen des Projekts - Wissenschecks - eine Herausforderung - ergänzende Lektüre - Aufgabe - [Quiz nach der Lektion](https://ff-quizzes.netlify.app/en/ml/) > **Hinweis zu den Sprachen**: Diese Lektionen sind hauptsächlich in Python geschrieben, aber viele sind auch in R verfügbar. Um eine R-Lektion abzuschließen, gehe in den `/solution`-Ordner und suche nach R-Lektionen. Sie enthalten eine .rmd-Erweiterung, die eine **R Markdown**-Datei darstellt, die einfach als Einbettung von `Code-Schnipseln` (von R oder anderen Sprachen) und einem `YAML-Header` (der angibt, wie Ausgaben wie PDF formatiert werden sollen) in einem `Markdown-Dokument` definiert werden kann. Als solches dient es als beispielhaftes Autorierungsframework für Data Science, da es dir ermöglicht, deinen Code, dessen Ausgabe und deine Gedanken zu kombinieren, indem du sie in Markdown niederschreibst. Darüber hinaus können R Markdown-Dokumente in Ausgabeformate wie PDF, HTML oder Word gerendert werden. > **Hinweis zu den Quizfragen**: Alle Quizfragen befinden sich im [Quiz App Ordner](../../quiz-app), insgesamt 52 Quizfragen mit jeweils drei Fragen. Sie sind innerhalb der Lektionen verlinkt, aber die Quiz-App kann lokal ausgeführt werden; folge den Anweisungen im `quiz-app`-Ordner, um sie lokal zu hosten oder auf Azure bereitzustellen. | Lektion Nummer | Thema | Lektion Gruppe | Lernziele | Verlinkte Lektion | Autor | | :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | | 01 | Einführung in maschinelles Lernen | [Einführung](1-Introduction/README.md) | Lerne die grundlegenden Konzepte des maschinellen Lernens | [Lektion](1-Introduction/1-intro-to-ML/README.md) | Muhammad | | 02 | Die Geschichte des maschinellen Lernens | [Einführung](1-Introduction/README.md) | Lerne die Geschichte hinter diesem Bereich | [Lektion](1-Introduction/2-history-of-ML/README.md) | Jen und Amy | | 03 | Fairness und maschinelles Lernen | [Einführung](1-Introduction/README.md) | Welche wichtigen philosophischen Fragen zur Fairness sollten Studierende berücksichtigen, wenn sie ML-Modelle entwickeln und anwenden? | [Lektion](1-Introduction/3-fairness/README.md) | Tomomi | | 04 | Techniken für maschinelles Lernen | [Einführung](1-Introduction/README.md) | Welche Techniken verwenden ML-Forscher, um ML-Modelle zu entwickeln? | [Lektion](1-Introduction/4-techniques-of-ML/README.md) | Chris und Jen | | 05 | Einführung in Regression | [Regression](2-Regression/README.md) | Einstieg in Python und Scikit-learn für Regressionsmodelle | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | | 06 | Nordamerikanische Kürbispreise 🎃 | [Regression](2-Regression/README.md) | Daten visualisieren und bereinigen zur Vorbereitung auf ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | | 07 | Nordamerikanische Kürbispreise 🎃 | [Regression](2-Regression/README.md) | Lineare und polynomiale Regressionsmodelle erstellen | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen und Dmitry • Eric Wanjau | | 08 | Nordamerikanische Kürbispreise 🎃 | [Regression](2-Regression/README.md) | Ein logistisches Regressionsmodell erstellen | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | | 09 | Eine Web-App 🔌 | [Web-App](3-Web-App/README.md) | Eine Web-App erstellen, um Ihr trainiertes Modell zu nutzen | [Python](3-Web-App/1-Web-App/README.md) | Jen | | 10 | Einführung in Klassifikation | [Klassifikation](4-Classification/README.md) | Daten bereinigen, vorbereiten und visualisieren; Einführung in Klassifikation | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen und Cassie • Eric Wanjau | | 11 | Köstliche asiatische und indische Küche 🍜 | [Klassifikation](4-Classification/README.md) | Einführung in Klassifikatoren | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen und Cassie • Eric Wanjau | | 12 | Köstliche asiatische und indische Küche 🍜 | [Klassifikation](4-Classification/README.md) | Weitere Klassifikatoren | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen und Cassie • Eric Wanjau | | 13 | Köstliche asiatische und indische Küche 🍜 | [Klassifikation](4-Classification/README.md) | Eine Empfehlungs-Web-App mit Ihrem Modell erstellen | [Python](4-Classification/4-Applied/README.md) | Jen | | 14 | Einführung in Clustering | [Clustering](5-Clustering/README.md) | Daten bereinigen, vorbereiten und visualisieren; Einführung in Clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | | 15 | Erforschung nigerianischer Musikgeschmäcker 🎧 | [Clustering](5-Clustering/README.md) | Die K-Means-Clustering-Methode erkunden | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | | 16 | Einführung in die Verarbeitung natürlicher Sprache ☕️ | [Verarbeitung natürlicher Sprache](6-NLP/README.md) | Die Grundlagen der NLP lernen, indem ein einfacher Bot erstellt wird | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | | 17 | Häufige NLP-Aufgaben ☕️ | [Verarbeitung natürlicher Sprache](6-NLP/README.md) | Vertiefung des NLP-Wissens durch das Verständnis häufiger Aufgaben im Umgang mit Sprachstrukturen | [Python](6-NLP/2-Tasks/README.md) | Stephen | | 18 | Übersetzung und Sentiment-Analyse ♥️ | [Verarbeitung natürlicher Sprache](6-NLP/README.md) | Übersetzung und Sentiment-Analyse mit Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | | 19 | Romantische Hotels in Europa ♥️ | [Verarbeitung natürlicher Sprache](6-NLP/README.md) | Sentiment-Analyse mit Hotelbewertungen 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | | 20 | Romantische Hotels in Europa ♥️ | [Verarbeitung natürlicher Sprache](6-NLP/README.md) | Sentiment-Analyse mit Hotelbewertungen 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | | 21 | Einführung in Zeitreihenprognosen | [Zeitreihen](7-TimeSeries/README.md) | Einführung in Zeitreihenprognosen | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | | 22 | ⚡️ Weltweiter Stromverbrauch ⚡️ - Zeitreihenprognosen mit ARIMA | [Zeitreihen](7-TimeSeries/README.md) | Zeitreihenprognosen mit ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | | 23 | ⚡️ Weltweiter Stromverbrauch ⚡️ - Zeitreihenprognosen mit SVR | [Zeitreihen](7-TimeSeries/README.md) | Zeitreihenprognosen mit Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | | 24 | Einführung in Reinforcement Learning | [Reinforcement Learning](8-Reinforcement/README.md) | Einführung in Reinforcement Learning mit Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | | 25 | Hilf Peter, dem Wolf zu entkommen! 🐺 | [Reinforcement Learning](8-Reinforcement/README.md) | Reinforcement Learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | | Postscript | Szenarien und Anwendungen von ML in der Praxis | [ML in der Praxis](9-Real-World/README.md) | Interessante und aufschlussreiche reale Anwendungen von klassischem ML | [Lektion](9-Real-World/1-Applications/README.md) | Team | | Postscript | Modell-Debugging in ML mit RAI-Dashboard | [ML in der Praxis](9-Real-World/README.md) | Modell-Debugging in maschinellem Lernen mit Komponenten des Responsible AI Dashboards | [Lektion](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | > [Finden Sie alle zusätzlichen Ressourcen für diesen Kurs in unserer Microsoft Learn Sammlung](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) ## Offline-Zugriff Sie können diese Dokumentation offline ausführen, indem Sie [Docsify](https://docsify.js.org/#/) verwenden. Forken Sie dieses Repository, [installieren Sie Docsify](https://docsify.js.org/#/quickstart) auf Ihrem lokalen Rechner und geben Sie dann im Stammordner dieses Repos `docsify serve` ein. Die Website wird auf Port 3000 auf Ihrem localhost bereitgestellt: `localhost:3000`. ## PDFs Finden Sie ein PDF des Lehrplans mit Links [hier](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf). ## 🎒 Weitere Kurse Unser Team erstellt weitere Kurse! Schauen Sie sich an: - [Edge AI für Anfänger](https://aka.ms/edgeai-for-beginners) - [AI Agents für Anfänger](https://aka.ms/ai-agents-beginners) - [Generative AI für Anfänger](https://aka.ms/genai-beginners) - [Generative AI für Anfänger .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet) - [Generative AI mit JavaScript](https://github.com/microsoft/generative-ai-with-javascript) - [Generative AI mit Java](https://github.com/microsoft/Generative-AI-for-beginners-java) - [AI für Anfänger](https://aka.ms/ai-beginners) - [Data Science für Anfänger](https://aka.ms/datascience-beginners) - [ML für Anfänger](https://aka.ms/ml-beginners) - [Cybersecurity für Anfänger](https://github.com/microsoft/Security-101) - [Webentwicklung für Anfänger](https://aka.ms/webdev-beginners) - [IoT für Anfänger](https://aka.ms/iot-beginners) - [XR-Entwicklung für Anfänger](https://github.com/microsoft/xr-development-for-beginners) - [Mastering GitHub Copilot für Pair Programming](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming) - [Mastering GitHub Copilot für C#/.NET Entwickler](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers) - [Choose Your Own Copilot Adventure](https://github.com/microsoft/CopilotAdventures) ## Hilfe erhalten Wenn Sie nicht weiterkommen oder Fragen zum Erstellen von KI-Anwendungen haben, treten Sie bei: [](https://aka.ms/foundry/discord) Wenn Sie Produktfeedback haben oder Fehler beim Erstellen auftreten, besuchen Sie: [](https://aka.ms/foundry/forum) --- **Haftungsausschluss**: Dieses Dokument wurde mit dem KI-Übersetzungsdienst [Co-op Translator](https://github.com/Azure/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.