31 KiB

Raw Blame History Unescape Escape

🌐 Mehrsprachige Unterstützung

Unterstützt über GitHub Action (automatisiert & immer aktuell)

Bevorzugen Sie das lokale Klonen?

Dieses Repository enthält über 50 Sprachübersetzungen, was die Download-Größe erheblich erhöht. Um ohne Übersetzungen zu klonen, verwenden Sie Sparse Checkout:
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'
So erhalten Sie alles, was Sie benötigen, um den Kurs abzuschließen, mit einem viel schnelleren Download.

Treten Sie unserer Community bei

Wir veranstalten eine Discord-Lernserie mit KI, erfahren Sie mehr und machen Sie mit unter 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 erkunden 🌍

Cloud Advocates von 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, vor allem unter Verwendung von Scikit-learn als Bibliothek, und vermeiden Deep Learning, das in unserem AI for Beginners Curriculum behandelt wird. Kombinieren Sie diese Lektionen auch mit unserem 'Data Science für Anfänger' Curriculum!

Reisen Sie mit uns um die Welt, während wir diese klassischen Techniken auf Daten aus vielen Bereichen weltweit anwenden. Jede Lektion enthält Vor- und Nachbereitungs-Quizze, schriftliche Anleitungen zum Abschließen der Lektion, Lösungen, eine Herausforderung und vieles mehr. Unsere projektbasierte Didaktik erlaubt es, durch das Bauen zu lernen – eine bewährte Methode, dass neue Fähigkeiten „haften bleiben“.

✍️ Herzlichen Dank an unsere Autor:innen Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu und Amy Boyd

🎨 Dank auch an unsere Illustrator:innen Tomomi Imura, Dasani Madipalli und Jen Looper

🙏 Besonderer Dank 🙏 an unsere Microsoft Student Ambassador Autor:innen, Gutachter:innen und Inhaltlieferant:innen, 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:

Repository forken: Klicken Sie oben rechts auf den „Fork“-Button.
Repository klonen: git clone https://github.com/microsoft/ML-For-Beginners.git

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

🔧 Brauchen Sie Hilfe? Schauen Sie in unserem Fehlerbehebungs-Guide für Lösungen bei häufigen Problemen mit Installation, Einrichtung und Lektionen nach.

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

Beginnen Sie mit einem Vorbereitungsquiz.
Lesen Sie die Lektion und führen Sie die Aktivitäten durch, pausieren und reflektieren Sie bei jedem Wissenscheck.
Versuchen Sie, die Projekte zu erstellen, indem Sie die Lektionen verstehen, statt nur den Lösungscode auszuführen; der Code ist aber in den /solution-Ordnern jeder projektbasierten Lektion verfügbar.
Machen Sie das Nachbereitungsquiz.
Absolvieren Sie die Herausforderung.
Erledigen Sie die Aufgabe.
Nach Abschluss einer Lektionengruppe besuchen Sie das Diskussionsforum und „lernen Sie laut“, indem Sie die passende PAT-Rubrik ausfüllen. Ein ‚PAT‘ ist ein Fortschrittsbewertungstool, das Sie ausfüllen, um Ihr Lernen zu fördern. Sie können auch auf andere PATs reagieren, sodass wir gemeinsam lernen können.

Zum weiterführenden Studium empfehlen wir diese Microsoft Learn Module und Lernpfade.

Lehrkräfte, wir haben einige Vorschläge zum Einsatz dieses Lehrplans zusammengefasst.

Video-Durchgänge

Einige Lektionen sind als Kurzvideos verfügbar. Sie können diese in den Lektionen direkt finden oder auf der ML für Anfänger-Playlist auf dem Microsoft Developer YouTube-Kanal durch Klicken auf das Bild unten ansehen.

Treffen Sie das Team

Gif von Mohit Jaisal

🎥 Klicken Sie auf das Bild oben für ein Video über das Projekt und die Menschen, die es erschaffen haben!

Didaktik

Beim Aufbau dieses Lehrplans haben wir zwei didaktische Grundsätze gewählt: die Gewährleistung, dass er praktisch projektbasiert ist, und dass er häufige Quizze enthält. Außerdem hat dieser Lehrplan ein gemeinsames Thema, um ihm Zusammenhalt zu verleihen.

Indem sichergestellt wird, dass der Inhalt mit Projekten abgestimmt ist, wird der Prozess für die Lernenden ansprechender und die Konzeptionen werden besser behalten. Zudem setzt ein wenig belastendes Quiz vor der Lektion die Lernabsicht des Studierenden, während ein zweites Quiz nach der Lektion für zusätzliche Behaltensleistung sorgt. Dieser Lehrplan wurde flexibel und unterhaltsam gestaltet und kann als Ganzes oder teilweise durchgeführt werden. Die Projekte starten klein und werden bis zum Ende des 12-Wochen-Zyklus immer komplexer. Außerdem enthält dieser Lehrplan ein Nachwort zu realen Anwendungen von ML, das als Zusatzaufgabe oder Diskussionsgrundlage genutzt werden kann.

Finden Sie unsere Verhaltensregeln, Beitragshinweise, Übersetzungshinweise und Fehlerbehebungshinweise. Wir freuen uns auf Ihr konstruktives Feedback!

Jede Lektion enthält

optionale Sketchnote
optionales ergänzendes Video
Video-Durchgang (nur manche Lektionen)
Vorbereitungsquiz
schriftliche Lektion
bei projektbasierten Lektionen Schritt-für-Schritt-Anleitungen zum Bau des Projekts
Wissenschecks
eine Herausforderung
ergänzende Lektüre
Aufgabe
Nachbereitungsquiz

Ein Hinweis zu den Sprachen: Diese Lektionen sind primär in Python geschrieben, viele sind aber auch in R verfügbar. Um eine R-Lektion abzuschließen, gehen Sie in den /solution-Ordner und suchen Sie nach R-Lektionen. Diese haben die .rmd Erweiterung, die eine R Markdown Datei darstellt, die einfach als Einbettung von Code-Chunks (von R oder anderen Sprachen) und einem YAML-Header (der steuert, wie Ausgaben z.B. als PDF formatiert werden) in einem Markdown-Dokument definiert werden kann. Somit dient sie als beispielhaftes Autorentool für Data Science, da Sie damit Ihren Code, dessen Ausgabe und Ihre Gedanken kombinieren und in Markdown notieren können. Zudem können R Markdown Dokumente in Ausgabeformate wie PDF, HTML oder Word gerendert werden. Hinweis zu Quizfragen: Alle Quizfragen befinden sich im Ordner Quiz App folder und umfassen 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 quiz-app-Ordner, um lokal zu hosten oder auf Azure bereitzustellen.

Lektion Nummer	Thema	Lektion Gruppe	Lernziele	Verknüpfte Lektion	Autor
01	Einführung in maschinelles Lernen	Introduction	Lernen Sie die Grundkonzepte 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 Studierende beim Aufbau und Einsatz von ML-Modellen berücksichtigen?	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 Kürbisspreise 🎃	Regression	Visualisieren und Bereinigen von Daten zur Vorbereitung für ML	Python • R	Jen • Eric Wanjau
07	Nordamerikanische Kürbisspreise 🎃	Regression	Aufbau linearer und polynomialer Regressionsmodelle	Python • R	Jen und Dmitry • Eric Wanjau
08	Nordamerikanische Kürbisspreise 🎃	Regression	Aufbau eines logistischen Regressionsmodells	Python • R	Jen • Eric Wanjau
09	Eine Web App 🔌	Web App	Aufbau einer Web-App zum Einsatz Ihres trainierten Modells	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	Leckere asiatische und indische Küche 🍜	Classification	Einführung in Klassifikatoren	Python • R	Jen und Cassie • Eric Wanjau
12	Leckere asiatische und indische Küche 🍜	Classification	Mehr Klassifikatoren	Python • R	Jen und Cassie • Eric Wanjau
13	Leckere asiatische und indische Küche 🍜	Classification	Aufbau einer Empfehlungs-Web-App unter Verwendung Ihres Modells	Python	Jen
14	Einführung in Clustering	Clustering	Bereinigen, vorbereiten und visualisieren Sie Ihre Daten; Einführung ins Clustering	Python • R	Jen • Eric Wanjau
15	Erkundung nigerianischer 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 durch den Aufbau eines einfachen Bots	Python	Stephen
17	Häufige NLP-Aufgaben ☕️	Natural language processing	Vertiefen Sie Ihr NLP-Wissen durch das Verständnis häufig benötigter Aufgaben beim Umgang mit Sprachstrukturen	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 Zeitreihenvorhersagen	Time series	Einführung in Zeitreihenvorhersagen	Python	Francesca
22	⚡️ Weltstromverbrauch ⚡️ - Zeitreihenvorhersage mit ARIMA	Time series	Zeitreihenvorhersagen mit ARIMA	Python	Francesca
23	⚡️ Weltstromverbrauch ⚡️ - Zeitreihenvorhersage mit SVR	Time series	Zeitreihenvorhersagen mit Support Vector Regressor	Python	Anirban
24	Einführung ins Reinforcement Learning	Reinforcement learning	Einführung in Reinforcement Learning mit Q-Learning	Python	Dmitry
25	Hilf Peter, dem Wolf zu entkommen! 🐺	Reinforcement learning	Reinforcement Learning Gym	Python	Dmitry
Nachwort	Praxisszenarien und Anwendungen von ML	ML in the Wild	Interessante und aufschlussreiche reale Anwendungen des klassischen ML	Lektion	Team
Nachwort	Modell-Debugging in ML mit RAI-Dashboard	ML in the Wild	Modell-Debugging im maschinellen Lernen mit Komponenten des Responsible AI Dashboards	Lektion	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 tippen Sie dann im Stammordner dieses Repos docsify serve. Die Website wird unter Port 3000 auf Ihrem localhost bereitgestellt: localhost:3000.

PDFs

Finden Sie eine PDF-Version des Curriculums mit Links hier.

🎒 Andere Kurse

Unser Team produziert weitere Kurse! Schauen Sie mal rein:

LangChain

Azure / Edge / MCP / Agents

Generative AI Series

Kernlernen

Copilot-Serie

Hilfe erhalten

Wenn Sie nicht weiterkommen oder Fragen zum Erstellen von KI-Anwendungen haben. Treten Sie anderen Lernenden und erfahrenen Entwicklern in Diskussionen über MCP bei. Es ist eine unterstützende Gemeinschaft, in der Fragen willkommen sind und Wissen frei geteilt wird.

Wenn Sie Produktfeedback haben oder Fehler während der Entwicklung feststellen, besuchen Sie:

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

31 KiB Raw Blame History Unescape Escape