|
|
<!--
|
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
|
{
|
|
|
"original_hash": "1dd12e0cd1de7d05f65abe07bc401c63",
|
|
|
"translation_date": "2025-09-06T18:32:18+00:00",
|
|
|
"source_file": "README.md",
|
|
|
"language_code": "de"
|
|
|
}
|
|
|
-->
|
|
|
[](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) | [Thai](../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) | [Burmesisch (Myanmar)](../my/README.md)
|
|
|
|
|
|
#### Werde Teil der Community
|
|
|
|
|
|
[](https://discord.gg/kzRShWzttr)
|
|
|
|
|
|
# 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](https://aka.ms/ai4beginners) behandelt wird. Kombiniere diese Lektionen auch mit unserem ['Data Science for Beginners'-Lehrplan](https://aka.ms/ds4beginners)!
|
|
|
|
|
|
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](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
|
|
|
|
|
|
**[Studenten](https://aka.ms/student-page)**, 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](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 Studium empfehlen wir, diesen [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) Modulen und Lernpfaden zu folgen.
|
|
|
|
|
|
**Lehrer**, wir haben [einige Vorschläge](for-teachers.md) 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](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 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](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)
|
|
|
- [Vorlesungsquiz](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
|
|
|
- [Nachlesequiz](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
|
|
> **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](../../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 | Lektionengruppe | 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 Schüler berücksichtigen, wenn sie ML-Modelle erstellen 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 erstellen? | [Lektion](1-Introduction/4-techniques-of-ML/README.md) | Chris und Jen |
|
|
|
| 05 | Einführung in die 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 das trainierte Modell zu nutzen | [Python](3-Web-App/1-Web-App/README.md) | Jen |
|
|
|
| 10 | Einführung in die Klassifikation | [Klassifikation](4-Classification/README.md) | Daten bereinigen, vorbereiten und visualisieren; Einführung in die 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 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 Musikvorlieben 🎧 | [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 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 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 Verstärkungslernen | [Verstärkungslernen](8-Reinforcement/README.md) | Einführung in das Verstärkungslernen mit Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
|
|
|
| 25 | Hilf Peter, dem Wolf zu entkommen! 🐺 | [Verstärkungslernen](8-Reinforcement/README.md) | Verstärkungslernen mit Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
|
|
|
| Postscript | ML-Szenarien und Anwendungen aus der Praxis | [ML in der Praxis](9-Real-World/README.md) | Interessante und aufschlussreiche Anwendungen klassischer 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 Machine Learning 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](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
|
|
|
|
|
|
## Offline-Zugriff
|
|
|
|
|
|
Du kannst diese Dokumentation offline nutzen, indem du [Docsify](https://docsify.js.org/#/) verwendest. Forke dieses Repository, [installiere Docsify](https://docsify.js.org/#/quickstart) 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](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
|
|
|
|
|
|
|
|
|
## 🎒 Weitere Kurse
|
|
|
|
|
|
Unser Team erstellt weitere Kurse! Schau dir an:
|
|
|
|
|
|
- [Generative KI für Anfänger](https://aka.ms/genai-beginners)
|
|
|
- [Generative KI für Anfänger .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet)
|
|
|
- [Generative KI mit JavaScript](https://github.com/microsoft/generative-ai-with-javascript)
|
|
|
- [Generative KI mit Java](https://github.com/microsoft/Generative-AI-for-beginners-java)
|
|
|
- [KI für Anfänger](https://aka.ms/ai-beginners)
|
|
|
- [Datenwissenschaft für Anfänger](https://aka.ms/datascience-beginners)
|
|
|
- [ML für Anfänger](https://aka.ms/ml-beginners)
|
|
|
- [Cybersicherheit 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)
|
|
|
- [GitHub Copilot meistern für Pair-Programming](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming)
|
|
|
- [GitHub Copilot meistern für C#/.NET-Entwickler](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers)
|
|
|
- [Wähle dein eigenes Copilot-Abenteuer](https://github.com/microsoft/CopilotAdventures)
|
|
|
|
|
|
---
|
|
|
|
|
|
**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. |
