ML-For-Beginners/translations/de

🌐 Mehrsprachige Unterstützung

Unterstützt durch GitHub Action (Automatisiert & Immer aktuell)

Französisch | Spanisch | Deutsch | Russisch | Arabisch | Persisch (Farsi) | Urdu | Chinesisch (Vereinfacht) | Chinesisch (Traditionell, Macau) | Chinesisch (Traditionell, Hongkong) | Chinesisch (Traditionell, Taiwan) | Japanisch | Koreanisch | Hindi | Bengalisch | Marathi | Nepalesisch | Punjabi (Gurmukhi) | Portugiesisch (Portugal) | Portugiesisch (Brasilien) | Italienisch | Polnisch | Türkisch | Griechisch | Thai | Schwedisch | Dänisch | Norwegisch | Finnisch | Niederländisch | Hebräisch | Vietnamesisch | Indonesisch | Malaiisch | Tagalog (Filipino) | Swahili | Ungarisch | Tschechisch | Slowakisch | Rumänisch | Bulgarisch | Serbisch (Kyrillisch) | Kroatisch | Slowenisch | Ukrainisch | Burmesisch (Myanmar)

Werde Teil der Community

Maschinelles Lernen für Anfänger - Ein Lehrplan

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

Cloud Advocates bei Microsoft freuen sich, einen 12-wöchigen, 26-Lektionen umfassenden Lehrplan rund um Maschinelles Lernen anzubieten. In diesem Lehrplan lernst du, was manchmal als klassisches maschinelles Lernen bezeichnet wird, hauptsächlich mit der Bibliothek Scikit-learn und ohne tiefes Lernen, das in unserem AI for Beginners-Lehrplan behandelt wird. Kombiniere diese Lektionen auch mit unserem 'Data Science for Beginners'-Lehrplan!

Reise mit uns um die Welt, während wir diese klassischen Techniken auf Daten aus verschiedenen Regionen anwenden. Jede Lektion enthält Vor- und Nachtests, 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

🎨 Danke 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

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

Studenten, um diesen Lehrplan zu nutzen, forke das gesamte Repository in deinen eigenen GitHub-Account und bearbeite die Übungen alleine oder in einer Gruppe:

• Beginne mit einem Vorlesungsquiz.
• 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 Nachlesequiz.
• Bearbeite die Herausforderung.
• Bearbeite die Aufgabe.
• Nach Abschluss einer Lektionengruppe besuche das Diskussionsforum 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 Studium empfehlen wir, diesen Microsoft Learn Modulen und Lernpfaden zu folgen.

Lehrer, wir haben einige Vorschläge beigefügt, wie dieser Lehrplan 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, indem du auf das Bild unten klickst.

---

Das Team kennenlernen

Gif von Mohit Jaisal

🎥 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 diesen Lehrplan erstellt haben: sicherzustellen, dass er projektbasiert ist und dass er häufige Quizfragen enthält. Darüber hinaus hat dieser Lehrplan ein gemeinsames Thema, um ihm Kohärenz zu verleihen.

Indem wir sicherstellen, dass die Inhalte mit Projekten übereinstimmen, wird der Prozess für die Schüler ansprechender und die Beibehaltung der Konzepte wird verbessert. Außerdem setzt ein niedrigschwelliges Quiz vor einer Klasse die Absicht des Schülers, ein Thema zu lernen, während ein zweites Quiz nach der Klasse die Beibehaltung weiter fördert. Dieser Lehrplan wurde so gestaltet, dass er flexibel und unterhaltsam ist und ganz oder teilweise genutzt werden kann. Die Projekte beginnen klein und werden bis zum Ende des 12-Wochen-Zyklus zunehmend komplexer. Dieser Lehrplan enthält auch ein Nachwort zu realen Anwendungen des maschinellen Lernens, das als Zusatzpunkt oder als Grundlage für Diskussionen verwendet werden kann.

Finde unseren Verhaltenskodex, Beitragsrichtlinien und Übersetzungsrichtlinien. Wir freuen uns über dein konstruktives Feedback!

Jede Lektion enthält

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

Eine Anmerkung zu den Sprachen: Diese Lektionen sind hauptsächlich in Python geschrieben, viele sind jedoch 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.

Eine Anmerkung 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; folge 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	Lektion	Muhammad
02	Die Geschichte des maschinellen Lernens	Einführung	Lerne die Geschichte hinter diesem Bereich	Lektion	Jen und Amy
03	Fairness und maschinelles Lernen	Einführung	Welche wichtigen philosophischen Fragen zur Fairness sollten Schüler berücksichtigen, wenn sie ML-Modelle erstellen und anwenden?	Lektion	Tomomi
04	Techniken für maschinelles Lernen	Einführung	Welche Techniken verwenden ML-Forscher, um ML-Modelle zu erstellen?	Lektion	Chris und Jen
05	Einführung in die 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 auf ML	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 das trainierte 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 Musikvorlieben 🎧	Clustering	Die K-Means-Clustering-Methode erkunden	Python • R	Jen • Eric Wanjau
16	Einführung in die Verarbeitung natürlicher Sprache ☕️	Verarbeitung natürlicher Sprache	Die Grundlagen der NLP lernen, indem ein einfacher Bot erstellt wird	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 Verstärkungslernen	Verstärkungslernen	Einführung in das Verstärkungslernen mit Q-Learning	Python	Dmitry
25	Hilf Peter, dem Wolf zu entkommen! 🐺	Verstärkungslernen	Verstärkungslernen mit Gym	Python	Dmitry
Postscript	ML-Szenarien und Anwendungen aus der Praxis	ML in der Praxis	Interessante und aufschlussreiche Anwendungen klassischer ML	Lektion	Team
Postscript	Modell-Debugging in ML mit RAI-Dashboard	ML in der Praxis	Modell-Debugging in Machine Learning 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:

• Generative KI für Anfänger
• Generative KI für Anfänger .NET
• Generative KI mit JavaScript
• Generative KI mit Java
• KI für Anfänger
• Datenwissenschaft für Anfänger
• ML für Anfänger
• Cybersicherheit für Anfänger
• Webentwicklung für Anfänger
• IoT für Anfänger
• XR-Entwicklung für Anfänger
• GitHub Copilot meistern für Pair-Programming
• GitHub Copilot meistern für C#/.NET-Entwickler
• Wähle dein eigenes Copilot-Abenteuer

---

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.