ML-For-Beginners/translations/de

🌐 Mehrsprachige Unterstützung

Unterstützt durch 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 | 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) | Tamil | Telugu | Thailändisch | Türkisch | Ukrainisch | Urdu | Vietnamesisch

Trete unserer Community bei

Wir haben eine laufende Discord-Lernreihe mit KI, erfahre mehr und mach mit bei Learn with AI Series vom 18. bis 30. September 2025. Du erhältst Tipps und Tricks zur Nutzung von GitHub Copilot für Data Science.

Maschinelles Lernen für Anfänger – Ein Lehrplan

🌍 Reise um die Welt, während wir Maschinelles Lernen anhand von Weltkulturen erkunden 🌍

Cloud Advocates bei Microsoft freuen sich, einen 12-wöchigen Lehrplan mit 26 Lektionen 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 vielen Regionen der Welt 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, beim Bauen zu lernen – eine bewährte Methode, damit neue Fähigkeiten „haften bleiben“.

✍️ 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. 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

🔧 Brauchst du Hilfe? Sieh dir unseren Troubleshooting Guide für Lösungen zu häufigen Problemen bei Installation, Einrichtung und Ausführung der Lektionen an.

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

• Beginne mit einem Vorlesungsquiz.
• Lies die Vorlesung und bearbeite die Aktivitäten, halte an und reflektiere bei jedem Wissenscheck.
• Versuche, die Projekte zu erstellen, indem du die Lektionen verstehst, anstatt nur den Lösungscode auszuführen; dieser Code ist jedoch in den /solution-Ordnern jeder projektorientierten Lektion verfügbar.
• Mache das Nach-der-Vorlesung-Quiz.
• Bearbeite die Herausforderung.
• Erledige die Aufgabe.
• Nach Abschluss einer Lektionengruppe besuche das Diskussionsforum und „lerne laut“, indem du das passende PAT-Rubrikformular ausfüllst. Ein 'PAT' ist ein Fortschrittsbewertungstool, 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 diese Microsoft Learn Module und Lernpfade.

Lehrer, wir haben einige Vorschläge zur Nutzung dieses Lehrplans aufgenommen.

---

Video-Durchgänge

Einige der Lektionen sind als Kurzvideos verfügbar. Du findest sie alle eingebettet in den Lektionen oder auf der ML for Beginners Playlist auf dem Microsoft Developer YouTube-Kanal durch Klicken auf das Bild unten.

---

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 beim Aufbau dieses Lehrplans zwei pädagogische Grundsätze gewählt: sicherzustellen, dass er praxisnah projektbasiert ist und häufige Quizze enthält. Außerdem hat dieser Lehrplan ein gemeinsames Thema, um ihm Kohärenz zu verleihen.

Indem sichergestellt wird, dass die Inhalte mit Projekten übereinstimmen, wird der Prozess für die Lernenden ansprechender und das Behalten der Konzepte wird verbessert. Ein Quiz vor der Klasse setzt die Lernabsicht, während ein zweites Quiz nach der Klasse die weitere Beibehaltung sichert. 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-Wochen-Zyklus zunehmend komplexer. Dieser Lehrplan enthält auch ein Nachwort zu realen Anwendungen von ML, das als Zusatzaufgabe oder Diskussionsgrundlage genutzt werden kann.

Finde unsere Verhaltensregeln, Beitragsrichtlinien, Übersetzungsrichtlinien und Fehlerbehebung. Wir freuen uns auf dein konstruktives Feedback!

Jede Lektion enthält

• optionale Sketchnote
• optionales ergänzendes Video
• Video-Durchgang (nur einige Lektionen)
• Vor-der-Vorlesung-Aufwärmquiz
• schriftliche Lektion
• bei projektbasierten Lektionen Schritt-für-Schritt-Anleitungen zum Bau des Projekts
• Wissenschecks
• eine Herausforderung
• ergänzende Lektüre
• Aufgabe
• Nach-der-Vorlesung-Quiz

Ein Hinweis zu den Sprachen: Diese Lektionen sind hauptsächlich in Python geschrieben, aber viele sind auch in R verfügbar. Um eine R-Lektion abzuschließen, gehe in den /solution-Ordner und suche nach R-Lektionen. Diese haben eine .rmd-Erweiterung, die eine R Markdown-Datei darstellt, welche als Einbettung von Code-Chunks (von R oder anderen Sprachen) und einem YAML-Header (der steuert, wie Ausgaben wie PDF formatiert werden) in einem Markdown-Dokument definiert werden kann. Somit dient es als beispielhaftes Autorensystem für Data Science, da es dir erlaubt, deinen Code, dessen Ausgabe und deine Gedanken zu kombinieren, indem du sie in Markdown niederschreibst. Außerdem können R Markdown-Dokumente in Ausgabeformate wie PDF, HTML oder Word gerendert werden.

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

Lektion Nummer	Thema	Lektion Gruppierung	Lernziele	Verlinkte Lektion	Autor
01	Einführung in maschinelles Lernen	Introduction	Lernen Sie die grundlegenden Konzepte des maschinellen Lernens	Lesson	Muhammad
02	Die Geschichte des maschinellen Lernens	Introduction	Lernen Sie die Geschichte dieses Fachgebiets	Lesson	Jen and Amy
03	Fairness und maschinelles Lernen	Introduction	Was sind die wichtigen philosophischen Fragen zur Fairness, die Studierende beim Erstellen und Anwenden von ML-Modellen beachten sollten?	Lesson	Tomomi
04	Techniken für maschinelles Lernen	Introduction	Welche Techniken verwenden ML-Forscher, um ML-Modelle zu erstellen?	Lesson	Chris and Jen
05	Einführung in Regression	Regression	Einstieg in Python und Scikit-learn für Regressionsmodelle	Python • R	Jen • Eric Wanjau
06	Nordamerikanische Kürbisspreise 🎃	Regression	Daten visualisieren und bereinigen zur Vorbereitung für ML	Python • R	Jen • Eric Wanjau
07	Nordamerikanische Kürbisspreise 🎃	Regression	Lineare und polynomiale Regressionsmodelle erstellen	Python • R	Jen and Dmitry • Eric Wanjau
08	Nordamerikanische Kürbisspreise 🎃	Regression	Ein logistisches Regressionsmodell erstellen	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	Daten bereinigen, vorbereiten und visualisieren; Einführung in die Klassifikation	Python • R	Jen and Cassie • Eric Wanjau
11	Köstliche asiatische und indische Küchen 🍜	Classification	Einführung in Klassifikatoren	Python • R	Jen and Cassie • Eric Wanjau
12	Köstliche asiatische und indische Küchen 🍜	Classification	Weitere Klassifikatoren	Python • R	Jen and Cassie • Eric Wanjau
13	Köstliche asiatische und indische Küchen 🍜	Classification	Erstellen Sie eine Empfehlungs-Web-App mit Ihrem Modell	Python	Jen
14	Einführung in Clustering	Clustering	Daten bereinigen, vorbereiten und visualisieren; Einführung in Clustering	Python • R	Jen • Eric Wanjau
15	Erkundung nigerianischer Musikgeschmäcker 🎧	Clustering	Erforschen 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 Bau eines einfachen Bots	Python	Stephen
17	Häufige NLP-Aufgaben ☕️	Natural language processing	Vertiefen Sie Ihr NLP-Wissen durch das Verständnis häufiger Aufgaben im 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 Zeitreihenprognosen	Time series	Einführung in Zeitreihenprognosen	Python	Francesca
22	⚡️ Weltstromverbrauch ⚡️ - Zeitreihenprognosen mit ARIMA	Time series	Zeitreihenprognosen mit ARIMA	Python	Francesca
23	⚡️ Weltstromverbrauch ⚡️ - Zeitreihenprognosen mit SVR	Time series	Zeitreihenprognosen mit Support Vector Regressor	Python	Anirban
24	Einführung in 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	ML-Szenarien und Anwendungen in der Praxis	ML in the Wild	Interessante und aufschlussreiche reale Anwendungen klassischer ML	Lesson	Team
Nachwort	Modell-Debugging in ML mit 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 Stammverzeichnis dieses Repos docsify serve ein. Die Website wird auf Port 3000 auf Ihrem lokalen Host bereitgestellt: localhost:3000.

PDFs

Finden Sie ein PDF des Lehrplans mit Links hier.

🎒 Andere Kurse

Unser Team produziert weitere Kurse! Schauen Sie sich an:

LangChain

---

Azure / Edge / MCP / Agents

---

Generative KI-Serie

---

Kernlernen

---

Copilot-Serie

Hilfe erhalten

Wenn Sie feststecken 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 oder Fehler beim Erstellen haben, 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 Ursprungssprache ist als maßgebliche Quelle zu betrachten. Für wichtige Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die aus der Nutzung dieser Übersetzung entstehen.