ML-For-Beginners/translations/de

🌐 Mehrsprachige Unterstützung

Unterstützt über 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) | Tamilisch | Telugu | Thailändisch | Türkisch | Ukrainisch | Urdu | Vietnamesisch

Lieber lokal klonen?

Dieses Repository enthält über 50 Sprachübersetzungen, was die Downloadgröße erheblich erhöht. Um ohne Übersetzungen zu klonen, 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 benötigen, um den Kurs abzuschließen, mit einem viel schnelleren Download.

Trete unserer Community bei

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

Maschinelles Lernen für Anfänger – Ein Lehrplan

🌍 Reisen Sie um die Welt, während wir maschinelles Lernen anhand von Weltkulturen erforschen 🌍

Die Cloud Advocates bei Microsoft freuen sich, einen 12-wöchigen Lehrplan mit 26 Lektionen rund um Maschinelles Lernen anzubieten. In diesem Lehrplan lernen Sie das, was manchmal als klassisches maschinelles Lernen bezeichnet wird, wobei hauptsächlich Scikit-learn als Bibliothek verwendet wird, während Deep Learning 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 vielen Regionen anwenden. Jede Lektion enthält Vor- und Nachtests, schriftliche Anweisungen zur Durchführung, eine Lösung, eine Aufgabe und mehr. Unsere projektbasierte Pädagogik ermöglicht es Ihnen, beim Bauen zu lernen, eine bewährte Methode, um neue Fähigkeiten nachhaltig zu erwerben.

✍️ 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

🎨 Ebenfalls Dank 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 den "Fork"-Button oben rechts auf dieser Seite.
2. Klonen Sie das Repository: git clone https://github.com/microsoft/ML-For-Beginners.git

💡 Schnellstart-Tipp: Möchten Sie direkt im Browser starten, ohne Python lokal einzurichten? Nutzen Sie GitHub Codespaces, um eine Cloud-Entwicklungsumgebung für Ihren Fork zu erstellen. Öffnen Sie das grüne Code-Menü, wählen Sie Codespaces und erstellen Sie einen Codespace; installieren Sie bei Bedarf die erforderlichen Abhängigkeiten jeder Lektion darin.

Alle zusätzlichen Ressourcen für diesen Kurs finden Sie in unserer Microsoft Learn-Sammlung

🔧 Brauchen Sie Hilfe? Schauen Sie in unserem Fehlerbehebungsleitfaden nach Lösungen für häufige Probleme bei Installation, Einrichtung und Durchführung der Lektionen.

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

• Beginnen Sie mit einem Vorlesungstest.
• Lesen Sie die Vorlesung und erledigen Sie die Aktivitäten, pausieren und reflektieren Sie bei jeder Wissensüberprüfung.
• Versuchen Sie, die Projekte durch Verständnis der Lektionen zu erstellen, anstatt den Lösungscode nur auszuführen; der Code ist jedoch in den /solution-Ordnern jeder projektorientierten Lektion verfügbar.
• Machen Sie den Nachvorlesungstest.
• Schließen Sie die Herausforderung ab.
• Erledigen Sie die Aufgabe.
• Nach Abschluss einer Lektionengruppe besuchen Sie das Diskussionsforum und "lernen laut", indem Sie die entsprechende PAT-Rubrik ausfüllen. Ein 'PAT' ist ein Fortschrittsbewertungswerkzeug, eine Rubrik, die Sie ausfüllen, um Ihr Lernen zu vertiefen. Sie können auch auf andere PATs reagieren, damit wir gemeinsam lernen.

Für weiterführendes Studium empfehlen wir diese Microsoft Learn Module und Lernpfade.

Lehrkräfte, wir haben einige Vorschläge zur Nutzung dieses Lehrplans mit aufgenommen.

---

Videoanleitungen

Einige der Lektionen sind als Kurzvideos verfügbar. Sie finden diese direkt in den Lektionen oder in 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 Menschen, die es geschaffen haben!

---

Pädagogik

Wir haben zwei pädagogische Grundsätze bei der Erstellung dieses Lehrplans gewählt: sicherzustellen, dass er hands-on projektbasiert ist und häufige Quiz beinhaltet. Zudem hat dieser Lehrplan ein gemeinsames Thema, um ihn kohärent zu gestalten.

Indem der Inhalt auf Projekte abgestimmt ist, wird der Prozess für Schüler ansprechender und das Behalten von Konzepten wird verbessert. Ein niedrig-stufiges Quiz vor einer Stunde setzt die Absicht des Lernenden, ein Thema zu lernen, während ein zweites Quiz nach der Stunde eine weitere Festigung sicherstellt. Dieser Lehrplan wurde flexibel und unterhaltsam gestaltet und kann ganz oder teilweise absolviert werden. Die Projekte beginnen klein und werden bis zum Ende des 12-wöchigen Zyklus zunehmend komplexer. Der Lehrplan enthält zudem ein Nachwort zu realen Anwendungen von ML, das als Bonus oder Diskussionsgrundlage genutzt werden kann.

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

Jede Lektion umfasst

• optional eine Sketchnote
• optional ein ergänzendes Video
• Videoanleitung (nur bei einigen Lektionen)
• Quiz vor der Vorlesung
• schriftliche Lektion
• für projektbasierte Lektionen Schritt-für-Schritt-Anleitungen zum Bau des Projekts
• Wissensüberprüfungen
• eine Herausforderung
• ergänzende Lektüre
• Aufgabe
• Quiz nach der Vorlesung

Ein Hinweis zu den Sprachen: Diese Lektionen sind hauptsächlich in Python verfasst, aber viele sind auch in R verfügbar. Um eine R-Lektion abzuschließen, gehen Sie in den /solution-Ordner und suchen Sie nach R-Lektionen. Diese haben die Endung .rmd, was eine R Markdown-Datei darstellt, die einfach definiert eine Einbettung von Code-Chunks (von R oder anderen Sprachen) und einen YAML-Header (der Anweisungen zur Formatierung von Ausgaben wie PDF gibt) in einem Markdown-Dokument ist. Somit dient es als vorbildliches Authoring-Framework für Data Science, da es Ihnen erlaubt, 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.

Ein Hinweis zu den Quizzen: Alle Quizze sind im Quiz App Ordner enthalten, insgesamt 52 Quizze mit je drei Fragen. Sie sind aus den Lektionen verlinkt, aber die Quiz-App kann auch lokal ausgeführt werden; folgen Sie den Anweisungen im quiz-app-Ordner, um lokal zu hosten oder auf Azure bereitzustellen.

Lektion Nummer	Thema	Lektion Gruppierung	Lernziele	Verlinkte Lektion	Autor
01	Einführung in das maschinelle Lernen	Introduction	Erlernen Sie die grundlegenden Konzepte des maschinellen Lernens	Lesson	Muhammad
02	Die Geschichte des maschinellen Lernens	Introduction	Lernen Sie die Geschichte hinter diesem Gebiet	Lesson	Jen und Amy
03	Fairness und maschinelles Lernen	Introduction	Was sind die wichtigen philosophischen Fragen zur Fairness, die Lernende beim Erstellen und Anwenden von ML-Modellen berücksichtigen sollten?	Lesson	Tomomi
04	Techniken für das maschinelle Lernen	Introduction	Welche Techniken verwenden ML-Forscher, um ML-Modelle zu erstellen?	Lesson	Chris und Jen
05	Einführung in die Regression	Regression	Einstieg in Python und Scikit-learn für Regressionsmodelle	Python • R	Jen • Eric Wanjau
06	Nordamerikanische Kürbisspreise 🎃	Regression	Visualisieren und bereinigen Sie Daten zur Vorbereitung auf ML	Python • R	Jen • Eric Wanjau
07	Nordamerikanische Kürbisspreise 🎃	Regression	Erstellen Sie lineare und polynomiale Regressionsmodelle	Python • R	Jen und Dmitry • Eric Wanjau
08	Nordamerikanische Kürbisspreise 🎃	Regression	Erstellen Sie ein logistisches Regressionsmodell	Python • R	Jen • Eric Wanjau
09	Eine Web-App 🔌	Web App	Erstellen Sie eine Web-App, um Ihr trainiertes Modell zu verwenden	Python	Jen
10	Einführung in die Klassifikation	Classification	Bereinigen, bereiten vor 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-Web-App mit Ihrem Modell	Python	Jen
14	Einführung in das Clustering	Clustering	Bereinigen, bereiten vor und visualisieren Sie Ihre Daten; Einführung in das Clustering	Python • R	Jen • Eric Wanjau
15	Erkundung der nigerianischen Musikgeschmäcker 🎧	Clustering	Erkunden Sie die K-Means Clustering-Methode	Python • R	Jen • Eric Wanjau
16	Einführung in die Verarbeitung natürlicher Sprache ☕️	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 gängige Aufgaben verstehen, die beim Umgang mit Sprachstrukturen erforderlich sind	Python	Stephen
18	Übersetzung und Stimmungsanalyse ♥️	Natural language processing	Übersetzung und Stimmungsanalyse mit Jane Austen	Python	Stephen
19	Romantische Hotels in Europa ♥️	Natural language processing	Stimmungsanalyse mit Hotelbewertungen 1	Python	Stephen
20	Romantische Hotels in Europa ♥️	Natural language processing	Stimmungsanalyse mit Hotelbewertungen 2	Python	Stephen
21	Einführung in die Zeitreihenprognose	Time series	Einführung in die Zeitreihenprognose	Python	Francesca
22	⚡️ Weltstromverbrauch ⚡️ - Zeitreihen-Prognose mit ARIMA	Time series	Zeitreihen-Prognose mit ARIMA	Python	Francesca
23	⚡️ Weltstromverbrauch ⚡️ - Zeitreihen-Prognose mit SVR	Time series	Zeitreihen-Prognose 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
Nachwort	Reale ML-Szenarien und Anwendungen	ML in the Wild	Interessante und aufschlussreiche reale Anwendungen klassischer ML	Lesson	Team
Nachwort	Modell-Debugging im ML mit dem RAI-Dashboard	ML in the Wild	Modell-Debugging im maschinellen Lernen mit Komponenten des Responsible AI Dashboards	Lesson	Ruth Yakubu

finden Sie alle zusätzlichen Ressourcen für diesen 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 Hauptordner dieses Repos docsify serve ein. Die Website wird auf Port 3000 auf Ihrem lokalen Host ausgespielt: localhost:3000.

PDFs

Finden Sie hier ein PDF des Lehrplans mit Links hier.

🎒 Andere Kurse

Unser Team produziert weitere Kurse! Schauen Sie rein:

LangChain

Azure / Edge / MCP / Agenten

---

Generative KI-Reihe

---

Kernlernen

---

Copilot-Reihe

Hilfe erhalten

Wenn Sie beim Lernen von maschinellem Lernen oder beim Erstellen von KI-Anwendungen stecken bleiben 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 mit anderen zu lernen
• Diskutieren Sie Konzepte und Projektideen des maschinellen Lernens
• Erhalten Sie Rat von erfahrenen Entwicklern

Eine unterstützende Community ist ein großartiger Weg, Ihre Fähigkeiten zu verbessern und Probleme schneller zu lösen.

Microsoft Foundry Discord Community

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

Für Produkt-Feedback oder um vorhandene Community-Beiträge zu durchsuchen, besuchen Sie das Entwicklerforum:

Weitere Lerntipps

• Überprüfen Sie die Notizbücher nach jeder Lektion für ein besseres Verständnis.
• Üben Sie, Algorithmen eigenständig zu implementieren.
• Erkunden Sie reale Datensätze mithilfe der erlernten Konzepte.

---

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 Ursprungssprache gilt als maßgebliche Quelle. Bei kritischen Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die aus der Verwendung dieser Übersetzung entstehen.