ML-For-Beginners/translations/de

🌐 Mehrsprachige Unterstützung

Unterstützt durch GitHub Action (Automatisiert & Immer aktuell)

Arabisch | Bengalisch | Bulgarisch | Burmesisch (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 | Koreanisch | Litauisch | Malaiisch | Marathi | Nepalesisch | Nigerianisches Pidgin | Norwegisch | Persisch (Farsi) | Polnisch | Portugiesisch (Brasilien) | Portugiesisch (Portugal) | Punjabi (Gurmukhi) | Rumänisch | Russisch | Serbisch (Kyrillisch) | Slowakisch | Slowenisch | Spanisch | Swahili | Schwedisch | Tagalog (Filipino) | Tamil | Thai | Türkisch | Ukrainisch | Urdu | Vietnamesisch

Treten Sie unserer Community bei

Wir haben eine Discord-Serie zum Lernen mit KI, erfahren Sie mehr und treten Sie uns bei Learn with AI Series vom 18. bis 30. September 2025 bei. Sie erhalten Tipps und Tricks zur Nutzung von GitHub Copilot für Data Science.

Maschinelles Lernen für Anfänger - Ein Curriculum

🌍 Reisen Sie um die Welt, während wir Maschinelles Lernen durch die Kulturen der Welt erkunden 🌍

Cloud Advocates bei Microsoft freuen sich, ein 12-wöchiges, 26-Lektionen umfassendes Curriculum rund um Maschinelles Lernen anzubieten. In diesem Curriculum lernen Sie das, was manchmal als klassisches maschinelles Lernen bezeichnet wird, hauptsächlich mit der Bibliothek Scikit-learn und ohne tiefes Lernen, das in unserem AI for Beginners Curriculum behandelt wird. Kombinieren Sie diese Lektionen auch mit unserem 'Data Science for Beginners Curriculum'.

Reisen Sie mit uns um die Welt, während wir diese klassischen Techniken auf Daten aus verschiedenen Regionen der Welt anwenden. Jede Lektion enthält Vor- und Nachtests, schriftliche Anweisungen zur Durchführung der Lektion, eine Lösung, eine Aufgabe und mehr. Unsere projektbasierte Pädagogik ermöglicht es Ihnen, durch das Bauen zu lernen – eine bewährte Methode, um neue Fähigkeiten zu festigen.

✍️ 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 Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi und Vidushi Gupta für unsere R-Lektionen!

Erste Schritte

Folgen Sie diesen Schritten:

1. Forken Sie das Repository: Klicken Sie auf die Schaltfläche "Fork" oben rechts auf dieser Seite.
2. Klonen Sie das Repository: git clone https://github.com/microsoft/ML-For-Beginners.git

Finden Sie alle zusätzlichen Ressourcen für diesen Kurs in unserer Microsoft Learn Sammlung

🔧 Brauchen Sie Hilfe? Sehen Sie sich unseren Troubleshooting Guide für Lösungen zu häufigen Problemen bei Installation, Einrichtung und Durchführung der Lektionen an.

Studenten, um dieses Curriculum zu nutzen, forken Sie das gesamte Repository in Ihr eigenes GitHub-Konto und führen Sie die Übungen alleine oder in einer Gruppe durch:

• Beginnen Sie mit einem Quiz vor der Vorlesung.
• Lesen Sie die Vorlesung und führen Sie die Aktivitäten durch, pausieren und reflektieren Sie bei jedem Wissenscheck.
• Versuchen Sie, die Projekte zu erstellen, indem Sie die Lektionen verstehen, anstatt den Lösungscode auszuführen; dieser Code ist jedoch in den /solution-Ordnern jeder projektorientierten Lektion verfügbar.
• Machen Sie das Quiz nach der Vorlesung.
• Schließen Sie die Herausforderung ab.
• Schließen Sie die Aufgabe ab.
• Nach Abschluss einer Lektionengruppe besuchen Sie das Diskussionsforum und "lernen laut", indem Sie das entsprechende PAT-Raster ausfüllen. Ein 'PAT' ist ein Fortschrittsbewertungstool, das ein Raster ist, das Sie ausfüllen, um Ihr Lernen zu vertiefen. Sie können auch auf andere PATs reagieren, damit wir gemeinsam lernen können.

Für weiterführende Studien empfehlen wir, diese Microsoft Learn Module und Lernpfade zu folgen.

Lehrer, wir haben einige Vorschläge aufgenommen, wie Sie dieses Curriculum nutzen können.

---

Videoanleitungen

Einige der Lektionen sind als kurze Videos verfügbar. Sie finden alle diese Videos in den Lektionen oder auf der ML for Beginners Playlist auf dem Microsoft Developer YouTube-Kanal, indem Sie auf das Bild unten klicken.

---

Lernen Sie das Team kennen

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 zwei pädagogische Grundsätze 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 sichergestellt wird, dass die Inhalte mit Projekten übereinstimmen, wird der Prozess für die Schüler ansprechender und die Beibehaltung der Konzepte wird verbessert. Darüber hinaus setzt ein Quiz vor der Klasse die Absicht des Schülers, 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 genommen werden kann. Die Projekte beginnen klein und werden bis zum Ende des 12-wöchigen 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.

Finden Sie unsere Verhaltenskodex, Beitragsrichtlinien, Übersetzungsrichtlinien und Fehlerbehebung. Wir freuen uns über Ihr konstruktives Feedback!

Jede Lektion enthält

• optionales Sketchnote
• optionales ergänzendes Video
• Videoanleitung (nur einige Lektionen)
• Quiz vor der Vorlesung
• schriftliche Lektion
• für projektbasierte Lektionen, Schritt-für-Schritt-Anleitungen zum Erstellen des Projekts
• Wissenschecks
• eine Herausforderung
• ergänzende Lektüre
• Aufgabe
• Quiz nach der Vorlesung

Hinweis zu den Sprachen: Diese Lektionen sind hauptsächlich in Python geschrieben, viele sind jedoch auch in R verfügbar. Um eine R-Lektion abzuschließen, gehen Sie zum /solution-Ordner und suchen Sie 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 Ihnen ermöglicht, Ihren Code, dessen Ausgabe und Ihre Gedanken zu kombinieren, indem Sie sie in Markdown niederschreiben. 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, insgesamt 52 Quizfragen mit jeweils drei Fragen. Sie sind innerhalb der Lektionen verlinkt, aber die Quiz-App kann lokal ausgeführt werden; folgen Sie den Anweisungen im quiz-app-Ordner, um sie lokal zu hosten oder auf Azure bereitzustellen.

Lektion Nummer	Thema	Lektionengruppe	Lernziele	Verlinkte Lektion	Autor
01	Einführung in maschinelles Lernen	Einführung	Lerne die grundlegenden Konzepte des maschinellen Lernens kennen	Lektion	Muhammad
02	Die Geschichte des maschinellen Lernens	Einführung	Erfahre mehr über die Geschichte dieses Fachgebiets	Lektion	Jen und Amy
03	Fairness und maschinelles Lernen	Einführung	Welche wichtigen philosophischen Fragen zur Fairness sollten Studierende beim Erstellen und Anwenden von ML-Modellen berücksichtigen?	Lektion	Tomomi
04	Techniken des maschinellen Lernens	Einführung	Welche Techniken verwenden ML-Forscher, um ML-Modelle zu erstellen?	Lektion	Chris und Jen
05	Einführung in die Regression	Regression	Starte mit Python und Scikit-learn für Regressionsmodelle	Python • R	Jen • Eric Wanjau
06	Nordamerikanische Kürbispreise 🎃	Regression	Daten visualisieren und bereinigen, um sie für ML vorzubereiten	Python • R	Jen • Eric Wanjau
07	Nordamerikanische Kürbispreise 🎃	Regression	Lineare und polynomiale Regressionsmodelle erstellen	Python • R	Jen und Dmitry • Eric Wanjau
08	Nordamerikanische Kürbispreise 🎃	Regression	Ein logistisches Regressionsmodell erstellen	Python • R	Jen • Eric Wanjau
09	Eine Web-App 🔌	Web-App	Eine Web-App erstellen, um dein trainiertes Modell zu nutzen	Python	Jen
10	Einführung in die Klassifikation	Klassifikation	Daten bereinigen, vorbereiten und visualisieren; Einführung in die Klassifikation	Python • R	Jen und Cassie • Eric Wanjau
11	Köstliche asiatische und indische Küche 🍜	Klassifikation	Einführung in Klassifikatoren	Python • R	Jen und Cassie • Eric Wanjau
12	Köstliche asiatische und indische Küche 🍜	Klassifikation	Weitere Klassifikatoren	Python • R	Jen und Cassie • Eric Wanjau
13	Köstliche asiatische und indische Küche 🍜	Klassifikation	Eine Empfehlungs-Web-App mit deinem Modell erstellen	Python	Jen
14	Einführung in das Clustering	Clustering	Daten bereinigen, vorbereiten und visualisieren; Einführung in das Clustering	Python • R	Jen • Eric Wanjau
15	Erforschung nigerianischer Musikgeschmäcker 🎧	Clustering	Die K-Means-Clustering-Methode erkunden	Python • R	Jen • Eric Wanjau
16	Einführung in die Verarbeitung natürlicher Sprache ☕️	Verarbeitung natürlicher Sprache	Lerne die Grundlagen der NLP, indem du einen einfachen Bot erstellst	Python	Stephen
17	Häufige NLP-Aufgaben ☕️	Verarbeitung natürlicher Sprache	Vertiefe dein Wissen über NLP, indem du häufige Aufgaben im Umgang mit Sprachstrukturen verstehst	Python	Stephen
18	Übersetzung und Sentiment-Analyse ♥️	Verarbeitung natürlicher Sprache	Übersetzung und Sentiment-Analyse mit Jane Austen	Python	Stephen
19	Romantische Hotels in Europa ♥️	Verarbeitung natürlicher Sprache	Sentiment-Analyse mit Hotelbewertungen 1	Python	Stephen
20	Romantische Hotels in Europa ♥️	Verarbeitung natürlicher Sprache	Sentiment-Analyse mit Hotelbewertungen 2	Python	Stephen
21	Einführung in die Zeitreihenprognose	Zeitreihen	Einführung in die Zeitreihenprognose	Python	Francesca
22	⚡️ Weltweiter Stromverbrauch ⚡️ - Zeitreihenprognose mit ARIMA	Zeitreihen	Zeitreihenprognose mit ARIMA	Python	Francesca
23	⚡️ Weltweiter Stromverbrauch ⚡️ - Zeitreihenprognose mit SVR	Zeitreihen	Zeitreihenprognose mit Support Vector Regressor	Python	Anirban
24	Einführung in das Reinforcement Learning	Reinforcement Learning	Einführung in das Reinforcement Learning mit Q-Learning	Python	Dmitry
25	Hilf Peter, dem Wolf zu entkommen! 🐺	Reinforcement Learning	Reinforcement Learning Gym	Python	Dmitry
Postscript	Szenarien und Anwendungen von ML in der Praxis	ML in der Praxis	Interessante und aufschlussreiche reale Anwendungen des klassischen ML	Lektion	Team
Postscript	Modell-Debugging in ML mit dem RAI-Dashboard	ML in der Praxis	Modell-Debugging im maschinellen Lernen mit Komponenten des Responsible AI Dashboards	Lektion	Ruth Yakubu

Finde alle zusätzlichen Ressourcen für diesen Kurs in unserer Microsoft Learn Sammlung

Offline-Zugriff

Du kannst diese Dokumentation offline nutzen, indem du Docsify verwendest. Forke dieses Repository, installiere Docsify auf deinem lokalen Rechner und gib dann im Stammverzeichnis dieses Repos docsify serve ein. Die Website wird auf Port 3000 auf deinem localhost bereitgestellt: localhost:3000.

PDFs

Finde ein PDF des Curriculums mit Links hier.

🎒 Weitere Kurse

Unser Team erstellt weitere Kurse! Schau dir an:

Azure / Edge / MCP / Agents

---

Generative KI-Serie

---

Kernlernen

---

Copilot-Serie

Hilfe erhalten

Wenn du nicht weiterkommst oder Fragen zum Erstellen von KI-Anwendungen hast, tritt der Diskussion mit anderen Lernenden und erfahrenen Entwicklern über MCP bei. Es ist eine unterstützende Community, in der Fragen willkommen sind und Wissen frei geteilt wird.

Wenn du Produktfeedback geben oder Fehler beim Erstellen melden möchtest, besuche:

---

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.