26 KiB

Raw Permalink Blame History Unescape Escape

🌐 Mehrsprachige Unterstützung

Unterstützt durch GitHub Action (Automatisiert & Immer aktuell)

Trete der Community bei

Maschinelles Lernen für Anfänger – Ein Lehrplan

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

Die Cloud Advocates bei Microsoft freuen sich, einen 12-wöchigen, 26-teiligen Lehrplan rund um Maschinelles Lernen anzubieten. In diesem Lehrplan lernst du, was manchmal als klassisches maschinelles Lernen bezeichnet wird, wobei hauptsächlich Scikit-learn als Bibliothek verwendet wird und Deep Learning vermieden wird, 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 der Welt anwenden. Jede Lektion enthält Vor- und Nachtests, schriftliche Anleitungen zur Durchführung der Lektion, eine Lösung, eine Aufgabe und mehr. Unsere projektbasierte Pädagogik ermöglicht es dir, durch praktisches Arbeiten zu lernen – eine bewährte Methode, um neue Fähigkeiten nachhaltig zu erlernen.

✍️ 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, 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

Folge diesen Schritten:

Forke das Repository: Klicke auf die Schaltfläche "Fork" oben rechts auf dieser Seite.
Klonen des Repositorys: git clone https://github.com/microsoft/ML-For-Beginners.git

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

Studierende, um diesen Lehrplan zu nutzen, forke das gesamte Repository in dein eigenes GitHub-Konto und bearbeite die Übungen alleine oder in einer Gruppe:

Beginne mit einem Vorlesungsquiz.
Lies die Lektion und bearbeite die Aktivitäten, halte an 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 weiterführende Studien empfehlen wir, diesen Microsoft Learn-Modulen und Lernpfaden zu folgen.

Lehrkräfte, wir haben einige Vorschläge beigefügt, wie dieser Lehrplan verwendet werden kann.

Videoanleitungen

Einige der Lektionen sind als Kurzvideos verfügbar. Du findest alle diese Videos in den Lektionen oder in der ML for Beginners-Playlist auf dem Microsoft Developer YouTube-Kanal, indem du auf das Bild unten klickst.

Lerne das Team kennen

Gif von Mohit Jaisal

🎥 Klicke auf das Bild oben, um ein Video über das Projekt und die Personen, die es erstellt haben, anzusehen!

Pädagogik

Wir haben zwei pädagogische Grundsätze 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 Lernenden ansprechender gestaltet und die Behaltensquote der Konzepte wird erhöht. Ein niedrigschwelliges Quiz vor einer Klasse lenkt die Aufmerksamkeit der Lernenden auf ein Thema, während ein zweites Quiz nach der Klasse die Behaltensquote weiter verbessert. 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-wöchigen Zyklus zunehmend komplexer. Dieser Lehrplan enthält auch einen Nachtrag zu realen Anwendungen des maschinellen Lernens, der als Zusatzaufgabe 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 zur Aufwärmung
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 Codeblöcken (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 Autorentool 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 in den Lektionen verlinkt, aber die Quiz-App kann lokal ausgeführt werden; folge den Anweisungen im quiz-app-Ordner, um sie lokal zu hosten oder in 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 Lernende 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](2-Regression/1-Tools/README.md)
[R](../../2-Regression/1-Tools/solution/R/lesson_1.html)

Jen
Eric Wanjau

[Python](2-Regression/2-Data/README.md)
[R](../../2-Regression/2-Data/solution/R/lesson_2.html)

Jen
Eric Wanjau

[Python](2-Regression/3-Linear/README.md)
[R](../../2-Regression/3-Linear/solution/R/lesson_3.html)

Jen und Dmitry
Eric Wanjau

[Python](2-Regression/4-Logistic/README.md)
[R](../../2-Regression/4-Logistic/solution/R/lesson_4.html)

Jen
Eric Wanjau

[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 deinem Modell erstellen | [Python](4-Classification/4-Applied/README.md) | Jen | | 14 | Einführung in das Clustering | [Clustering](5-Clustering/README.md) | Daten bereinigen, vorbereiten und visualisieren; Einführung in das 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)| Vertiefe dein Wissen über NLP, indem du häufige Aufgaben im Umgang mit Sprachstrukturen verstehst | [Python](6-NLP/2-Tasks/README.md) | Stephen | | 18 | Übersetzung und Sentimentanalyse ♥️ | [Verarbeitung natürlicher Sprache](6-NLP/README.md)| Übersetzung und Sentimentanalyse mit Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | | 19 | Romantische Hotels in Europa ♥️ | [Verarbeitung natürlicher Sprache](6-NLP/README.md)| Sentimentanalyse 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)| Sentimentanalyse mit Hotelbewertungen 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | | 21 | Einführung in die Zeitreihenprognose | [Zeitreihen](7-TimeSeries/README.md) | Einführung in die Zeitreihenprognose | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | | 22 | ⚡️ Weltweiter Stromverbrauch ⚡️ - Zeitreihenprognose mit ARIMA | [Zeitreihen](7-TimeSeries/README.md) | Zeitreihenprognose mit ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | | 23 | ⚡️ Weltweiter Stromverbrauch ⚡️ - Zeitreihenprognose mit SVR | [Zeitreihen](7-TimeSeries/README.md) | Zeitreihenprognose mit Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | | 24 | Einführung in das Reinforcement Learning | [Reinforcement Learning](8-Reinforcement/README.md) | Einführung in das 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 dem RAI-Dashboard | [ML in der Praxis](9-Real-World/README.md) | Modell-Debugging im maschinellen Lernen mit Komponenten des Responsible AI Dashboards | [Lektion](9-Real-World/2-Debugging-ML-Models/README.md) | 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 Lehrplans 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 für Pair Programming meistern
        
        GitHub Copilot für C#/.NET-Entwickler meistern
        
        Wähle dein eigenes Copilot-Abenteuer
        
        Haftungsausschluss:
        Dieses Dokument wurde mit dem KI-Übersetzungsdienst Co-op Translator übersetzt. Obwohl wir uns um Genauigkeit bemühen, weisen wir darauf hin, 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.

26 KiB Raw Permalink Blame History Unescape Escape