ML-For-Beginners/translations/de

🌐 Mehrsprachige Unterstützung

Unterstützt durch GitHub Action (Automatisiert & immer aktuell)

Arabisch | Bengalisch | Bulgarisch | Birmanisch (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 | Khmer | Koreanisch | Litauisch | Malaiisch | Malayalam | 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 | Telugu | Thailändisch | Türkisch | Ukrainisch | Urdu | Vietnamesisch

Möchten Sie lieber lokal klonen?

Dieses Repository enthält über 50 Sprachübersetzungen, was die Downloadgröße erheblich erhöht. Für das Klonen ohne Übersetzungen verwenden Sie Sparse Checkout:

Bash / macOS / Linux:

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

CMD (Windows):

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"

Damit erhalten Sie alles, was Sie brauchen, um den Kurs zu absolvieren, mit einem viel schnelleren Download.

Treten Sie unserer Community bei

Wir haben eine Discord-Lernreihe mit KI am Laufen, erfahren Sie mehr und machen Sie mit bei Learn with AI Series vom 18. bis 30. September 2025. Sie erhalten Tipps und Tricks zur Verwendung von GitHub Copilot für Data Science.

Maschinelles Lernen für Anfänger – Ein Lehrplan

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

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

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 Nach-Lektion Quizze, schriftliche Anleitungen zum Abschließen der Lektion, eine Lösung, eine Aufgabe und mehr. Unsere projektbasierte Pädagogik ermöglicht es Ihnen, durch praktische Anwendung zu lernen – eine bewährte Methode, um neue Fähigkeiten nachhaltig zu verankern.

✍️ Herzlicher 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

🎨 Ebenso Dank an unsere Illustratoren Tomomi Imura, Dasani Madipalli und Jen Looper

🙏 Besonderer Dank 🙏 an unsere Microsoft Student Ambassador Autoren, Gutachter 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

Befolgen Sie diese Schritte:

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? Schauen Sie in unseren Fehlerbehebungsleitfaden für Lösungen zu häufigen Problemen bei Installation, Einrichtung und Ausführung der Lektionen.

Schüler, um diesen Lehrplan zu nutzen, forken Sie das gesamte Repo in Ihr eigenes GitHub-Konto und bearbeiten Sie die Übungen eigenständig oder in einer Gruppe:

• Beginnen Sie mit einem Quiz vor der Vorlesung.
• Lesen Sie die Vorlesung und bearbeiten Sie die Aktivitäten, pausieren Sie und reflektieren Sie bei jedem Wissenscheck.
• Versuchen Sie, die Projekte zu erstellen, indem Sie die Lektionen verstehen, anstatt nur den Lösungscode auszuführen; der Code ist jedoch in den /solution-Ordnern jeder projektorientierten Lektion verfügbar.
• Machen Sie das Quiz nach der Vorlesung.
• Lösen Sie die Herausforderung.
• Bearbeiten Sie die Aufgabe.
• Nach Abschluss einer Lektionengruppe besuchen Sie das Diskussionsforum und „lernen Sie laut“, indem Sie das passende PAT-Rubrikformular ausfüllen. Ein 'PAT' ist ein Fortschrittsbewertungstool, bei dem Sie eine Rubrik ausfüllen, um Ihr Lernen zu vertiefen. Sie können auch auf andere PATs reagieren, um gemeinsam zu lernen.

Für weiterführendes Studium empfehlen wir das Durcharbeiten dieser Microsoft Learn Module und Lernpfade.

Lehrkräfte, wir haben einige Vorschläge zur Nutzung dieses Lehrplans zusammengestellt.

---

Videoanleitungen

Einige der Lektionen sind als Kurzvideos verfügbar. Sie finden alle diese direkt in den Lektionen oder in der ML for Beginners Playlist auf dem Microsoft Developer YouTube-Kanal über Klick auf das Bild unten.

---

Das Team kennenlernen

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 praktisch projektbasiert ist und dass er häufige Quizze enthält. Zudem hat dieser Lehrplan ein gemeinsames Thema, das ihm Kohärenz verleiht.

Indem die Inhalte auf Projekte abgestimmt sind, wird der Prozess für die Lernenden ansprechender und das Behalten von Konzepten wird verbessert. Zudem setzt ein Quiz vor der Unterrichtseinheit die Lernabsicht, während ein zweites Quiz danach das Behalten weiter fördert. Dieser Lehrplan wurde so gestaltet, dass er flexibel und unterhaltsam ist und ganz oder teilweise absolviert werden kann. Die Projekte starten klein und werden bis zum Ende des 12-Wochen-Zyklus immer komplexer. Der Lehrplan enthält auch einen Nachtrag zu realen Anwendungen von ML, der als Zusatzleistung oder Diskussionsgrundlage genutzt werden kann.

Finden Sie unsere Richtlinien zu Verhaltenskodex, Mitwirkung, Übersetzungen und Fehlerbehebung. Wir freuen uns auf Ihr konstruktives Feedback!

Jede Lektion beinhaltet

• optionale Sketchnote
• optionales ergänzendes Video
• Videoanleitung (nur einige Lektionen)
• Pre-Lecture Warmup-Quiz
• schriftliche Lektion
• für projektbasierte Lektionen Schritt-für-Schritt-Anleitungen zum Bau des Projekts
• Wissenschecks
• eine Herausforderung
• ergänzende Lektüre
• Aufgabe
• Post-Lecture Quiz

Eine Anmerkung zu den Sprachen: Diese Lektionen sind hauptsächlich in Python geschrieben, aber viele sind auch in R verfügbar. Um eine R-Lektion abzuschließen, gehen Sie zum Ordner /solution und suchen Sie dort nach R-Lektionen. Diese enthalten eine .rmd-Erweiterung, die eine R Markdown-Datei darstellt, welche einfach als Einbettung von Codeabschnitten (von R oder anderen Sprachen) und einem YAML-Header (der steuert, wie Ausgaben wie PDF formatiert werden) in einem Markdown-Dokument definiert werden kann. Als solche dient sie als beispielhaftes Autorensystem für Data Science, da sie es ermöglicht, Ihren Code, dessen Ausgabe und Ihre Gedanken zu kombinieren, indem Sie diese in Markdown niederschreiben. Darüber hinaus können R Markdown-Dokumente in Ausgabedateiformate wie PDF, HTML oder Word gerendert werden.

Eine Anmerkung zu Quizzen: Alle Quizze sind im Ordner Quiz App folder enthalten, insgesamt 52 Quizze mit jeweils drei Fragen. Sie sind innerhalb der Lektionen verlinkt, aber die Quiz-App kann lokal ausgeführt werden; folgen Sie der Anleitung im Ordner quiz-app, um sie lokal zu hosten oder auf Azure zu deployen.

Lektion Nummer	Thema	Lektion Gruppierung	Lernziele	Verknüpfte Lektion	Autor
01	Einführung in maschinelles Lernen	Introduction	Lernen Sie die grundlegenden Konzepte hinter dem maschinellen Lernen	Lektion	Muhammad
02	Die Geschichte des maschinellen Lernens	Introduction	Lernen Sie die Geschichte dieses Fachgebiets	Lektion	Jen und Amy
03	Fairness und maschinelles Lernen	Introduction	Welche wichtigen philosophischen Fragen zur Fairness sollten Lernende bei der Erstellung und Anwendung von ML-Modellen beachten?	Lektion	Tomomi
04	Techniken für maschinelles Lernen	Introduction	Welche Techniken verwenden ML-Forscher zum Aufbau von ML-Modellen?	Lektion	Chris und Jen
05	Einführung in Regression	Regression	Einstieg in Python und Scikit-learn für Regressionsmodelle	Python • R	Jen • Eric Wanjau
06	Nordamerikanische Kürbispreise 🎃	Regression	Daten visualisieren und bereinigen zur Vorbereitung für ML	Python • R	Jen • Eric Wanjau
07	Nordamerikanische Kürbispreise 🎃	Regression	Erstellen Sie lineare und polynomiale Regressionsmodelle	Python • R	Jen und Dmitry • Eric Wanjau
08	Nordamerikanische Kürbispreise 🎃	Regression	Erstellen Sie ein logistisches Regressionsmodell	Python • R	Jen • Eric Wanjau
09	Eine Web-App 🔌	Web App	Erstellen Sie eine Webanwendung, um Ihr trainiertes Modell zu verwenden	Python	Jen
10	Einführung in Klassifikation	Classification	Bereinigen, vorbereiten und visualisieren Sie Ihre Daten; Einführung in die Klassifikation	Python • R	Jen und Cassie • Eric Wanjau
11	Köstliche asiatische und indische Küchen 🍜	Classification	Einführung in Klassifikatoren	Python • R	Jen und Cassie • Eric Wanjau
12	Köstliche asiatische und indische Küchen 🍜	Classification	Weitere Klassifikatoren	Python • R	Jen und Cassie • Eric Wanjau
13	Köstliche asiatische und indische Küchen 🍜	Classification	Erstellen Sie eine Empfehlungs-Webanwendung unter Verwendung Ihres Modells	Python	Jen
14	Einführung in Clustering	Clustering	Bereinigen, vorbereiten und visualisieren Sie Ihre Daten; Einführung in Clustering	Python • R	Jen • Eric Wanjau
15	Erkunden der nigerianischen Musikkultur 🎧	Clustering	Erkunden Sie die K-Means-Clustering-Methode	Python • R	Jen • Eric Wanjau
16	Einführung in natürliche Sprachverarbeitung ☕️	Natural language processing	Lernen Sie die Grundlagen der NLP, indem Sie einen einfachen Bot erstellen	Python	Stephen
17	Häufige NLP-Aufgaben ☕️	Natural language processing	Vertiefen Sie Ihr NLP-Wissen, indem Sie häufige Aufgaben verstehen, die bei der Arbeit mit Sprachstrukturen erforderlich sind	Python	Stephen
18	Übersetzung und Sentiment-Analyse ♥️	Natural language processing	Übersetzung und Sentiment-Analyse mit Jane Austen	Python	Stephen
19	Romantische Hotels in Europa ♥️	Natural language processing	Sentiment-Analyse mit Hotelbewertungen 1	Python	Stephen
20	Romantische Hotels in Europa ♥️	Natural language processing	Sentiment-Analyse mit Hotelbewertungen 2	Python	Stephen
21	Einführung in Zeitreihen-Vorhersagen	Time series	Einführung in Zeitreihen-Vorhersagen	Python	Francesca
22	⚡️ Weltstromverbrauch ⚡️ - Zeitreihenvorhersage mit ARIMA	Time series	Zeitreihenvorhersage mit ARIMA	Python	Francesca
23	⚡️ Weltstromverbrauch ⚡️ - Zeitreihenvorhersage mit SVR	Time series	Zeitreihenvorhersage mit Support Vector Regressor	Python	Anirban
24	Einführung in Reinforcement Learning	Reinforcement learning	Einführung in Reinforcement Learning mit Q-Learning	Python	Dmitry
25	Hilf Peter, den Wolf zu vermeiden! 🐺	Reinforcement learning	Reinforcement Learning Gym	Python	Dmitry
Nachwort	Echte ML-Szenarien und Anwendungen	ML in the Wild	Interessante und aufschlussreiche Anwendungen klassischer ML in der Praxis	Lektion	Team
Nachwort	Modell-Debugging in ML mit RAI-Dashboard	ML in the Wild	Modell-Debugging in Machine Learning mit Komponenten des Responsible AI-Dashboards	Lektion	Ruth Yakubu

finden Sie alle zusätzlichen Ressourcen zu diesem Kurs in unserer Microsoft Learn Sammlung

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 Website wird auf Port 3000 auf Ihrem lokalen Rechner unter localhost:3000 bereitgestellt.

PDFs

Finden Sie eine pdf des Curriculums mit Links hier.

🎒 Andere Kurse

Unser Team bietet weitere Kurse an! Schauen Sie sich an:

LangChain

Azure / Edge / MCP / Agents

---

Generative KI-Serie

---

Grundlegendes Lernen

---

Copilot-Serie

Hilfe erhalten

Wenn Sie beim Lernen von Machine Learning oder beim Erstellen von KI-Anwendungen nicht weiterkommen oder Fragen haben, keine Sorge – Hilfe ist verfügbar.

Sie können an Diskussionen mit anderen Lernenden und Entwicklern teilnehmen, Fragen stellen und Ihre Ideen mit der Community teilen.

• Treten Sie der Community bei, um Fragen zu stellen und gemeinsam zu lernen
• Diskutieren Sie Machine Learning-Konzepte und Projektideen
• Erhalten Sie Anleitung von erfahrenen Entwicklern

Eine unterstützende Gemeinschaft ist eine großartige Möglichkeit, Ihre Fähigkeiten zu erweitern und Probleme schneller zu lösen.

Microsoft Foundry Discord Community

Wenn Sie Fehler, Probleme oder Verbesserungsvorschläge haben, können Sie auch ein Issue in diesem Repository eröffnen, um das Problem zu melden.

Für Produktfeedback oder zur Suche nach bestehenden Community-Beiträgen besuchen Sie das Entwicklerforum:

Zusätzliche Lerntipps

• Überprüfen Sie nach jeder Lektion die Notebooks für ein besseres Verständnis.
• Üben Sie, Algorithmen selbständig zu implementieren.
• Erkunden Sie reale Datensätze mit den gelernten Konzepten.

---

Haftungsausschluss:
Dieses Dokument wurde mithilfe des KI-Übersetzungsdienstes Co-op Translator übersetzt. Obwohl wir um Genauigkeit bemüht sind, bitte beachten Sie, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das ursprüngliche Dokument in seiner Originalsprache ist als maßgebliche Quelle zu betrachten. Für kritische Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die sich aus der Verwendung dieser Übersetzung ergeben.