24 KiB

Raw Blame History Unescape Escape

Maschinelles Lernen für Anfänger - Ein Lehrplan

🌍 Reisen Sie um die Welt, während wir das maschinelle Lernen durch die Kulturen der Welt erkunden 🌍

Die 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, wobei hauptsächlich Scikit-learn als Bibliothek verwendet wird und tiefes Lernen vermieden wird, das 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 Bereichen der Welt anwenden. Jede Lektion umfasst Vor- und Nachtests, schriftliche Anweisungen zur Durchführung der Lektion, eine Lösung, eine Aufgabe und mehr. Unser projektbasierter Lehransatz ermöglicht es Ihnen, beim Bauen zu lernen, was eine bewährte Methode ist, 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

🎨 Auch ein Dankeschön an unsere Illustratoren Tomomi Imura, Dasani Madipalli und Jen Looper

🙏 Ein besonderer Dank 🙏 an unsere Microsoft Student Ambassador-Autoren, Prüfer und Inhaltsbeiträger, insbesondere Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila und Snigdha Agarwal

🤩 Zusätzlicher Dank an die Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi und Vidushi Gupta für unsere R-Lektionen!

Erste Schritte

Befolgen Sie diese Schritte:

Forken Sie das Repository: Klicken Sie auf die Schaltfläche "Fork" in der oberen rechten Ecke dieser Seite.
Klonen Sie das Repository: git clone https://github.com/microsoft/ML-For-Beginners.git

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

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

Beginnen Sie mit einem Quiz vor der Vorlesung.
Lesen Sie die Vorlesung und führen Sie die Aktivitäten durch, indem Sie an jedem Wissenscheck pausieren und reflektieren.
Versuchen Sie, die Projekte zu erstellen, indem Sie die Lektionen verstehen, anstatt den Lösungscode auszuführen; dieser Code ist jedoch in den /solution-Ordnern in jeder projektorientierten Lektion verfügbar.
Machen Sie das Quiz nach der Vorlesung.
Schließen Sie die Herausforderung ab.
Machen Sie die Aufgabe.
Nach Abschluss einer Lektion besuchen Sie das Diskussionsforum und "lernen laut", indem Sie die entsprechende PAT-Rubrik ausfüllen. Ein 'PAT' ist ein Progress Assessment Tool, das eine Rubrik ist, die Sie ausfüllen, um Ihr Lernen voranzutreiben. Sie können auch auf andere PATs reagieren, damit wir gemeinsam lernen können.

Für weiterführende Studien empfehlen wir, diese Microsoft Learn Module und Lernpfade zu verfolgen.

Lehrkräfte, wir haben einige Vorschläge beigefügt, wie Sie diesen Lehrplan nutzen können.

Videoanleitungen

Einige der Lektionen sind als Kurzvideos verfügbar. Sie finden all diese inline in den Lektionen oder auf 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 Leute, die es erstellt haben!

Lehransatz

Wir haben zwei pädagogische Grundsätze gewählt, während wir diesen Lehrplan erstellt haben: sicherzustellen, dass er praktisch projektbasiert ist und dass er häufige Quizze enthält. Darüber hinaus hat dieser Lehrplan ein gemeinsames Thema, um ihm Kohärenz zu verleihen.

Indem wir sicherstellen, dass der Inhalt mit Projekten übereinstimmt, wird der Prozess für die Studierenden ansprechender und das Behalten der Konzepte wird verbessert. Darüber hinaus setzt ein Quiz mit niedrigem Einsatz vor einer Klasse die Absicht des Schülers, ein Thema zu lernen, während ein zweites Quiz nach der Klasse weiteres Behalten sichert. Dieser Lehrplan wurde so gestaltet, dass er flexibel und unterhaltsam ist und ganz oder teilweise durchgeführt werden kann. Die Projekte beginnen klein und werden bis zum Ende des 12-wöchigen Zyklus zunehmend komplexer. Dieser Lehrplan enthält auch einen Nachsatz zu realen Anwendungen von ML, der als Zusatzpunkt oder als Grundlage für Diskussionen verwendet werden kann.

Finden Sie unsere Verhaltensrichtlinien, Beitragsrichtlinien und Übersetzungsrichtlinien. Wir freuen uns über Ihr konstruktives Feedback!

Jede Lektion umfasst

optionale Sketchnote
optionale ergänzende Videos
Videoanleitung (nur einige Lektionen)
Quiz zur Aufwärmung vor der Vorlesung
schriftliche Lektion
für projektbasierte Lektionen Schritt-für-Schritt-Anleitungen zum Erstellen des Projekts
Wissensüberprüfungen
eine Herausforderung
ergänzende Lektüre
Aufgabe
Quiz nach der Vorlesung

Eine Anmerkung zu den Sprachen: Diese Lektionen sind hauptsächlich in Python geschrieben, viele sind jedoch auch in R verfügbar. Um eine R-Lektion abzuschließen, gehen Sie in den /solution-Ordner und suchen Sie nach R-Lektionen. Diese enthalten eine .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 beschreibt, wie Ausgaben wie PDF formatiert werden) in einem Markdown document definiert werden kann. So dient es als beispielhaftes Autorengerüst für Data Science, da es Ihnen ermöglicht, Ihren Code, dessen Ausgabe und Ihre Gedanken zu kombinieren, indem Sie sie in Markdown aufschreiben. Darüber hinaus können R Markdown-Dokumente in Ausgabeformate wie PDF, HTML oder Word gerendert werden.

Eine Anmerkung zu den Quizzen: Alle Quizze befinden sich im Quiz-App-Ordner, insgesamt 52 Quizze mit jeweils drei Fragen. Sie sind innerhalb der Lektionen verlinkt, aber die Quiz-App kann lokal ausgeführt werden; folgen Sie den Anweisungen im quiz-app-Ordner, um lokal zu hosten oder in Azure bereitzustellen.

Lektion Nummer	Thema	Lektion Gruppierung	Lernziele	Verknüpfte Lektion	Autor
01	Einführung in das maschinelle Lernen	Einführung	Lernen Sie die grundlegenden Konzepte des maschinellen Lernens	Lektion	Muhammad
02	Die Geschichte des maschinellen Lernens	Einführung	Lernen Sie die Geschichte, die diesem Bereich zugrunde liegt	Lektion	Jen und Amy
03	Fairness und maschinelles Lernen	Einführung	Welche wichtigen philosophischen Fragen zur Fairness sollten die Studierenden berücksichtigen, wenn sie ML-Modelle erstellen und anwenden?	Lektion	Tomomi
04	Techniken des maschinellen Lernens	Einführung	Welche Techniken nutzen 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 R	Jen Eric Wanjau
06	Nordamerikanische Kürbispreise 🎃	Regression	Daten visualisieren und bereinigen zur Vorbereitung auf ML	Python R	Jen Eric Wanjau
07	Nordamerikanische Kürbispreise 🎃	Regression	Lineare und polynomiale Regressionsmodelle erstellen	Python R	Jen und Dmitry Eric Wanjau
08	Nordamerikanische Kürbispreise 🎃	Regression	Ein logistisches Regressionsmodell erstellen	Python R	Jen Eric Wanjau
09	Eine Webanwendung 🔌	Webanwendung	Erstellen Sie eine Webanwendung, um Ihr trainiertes Modell zu verwenden	Python	Jen
10	Einführung in die Klassifikation	Klassifikation	Bereinigen, vorbereiten und visualisieren Sie Ihre Daten; Einführung in die Klassifikation	Python R	Jen und Cassie Eric Wanjau
11	Köstliche asiatische und indische Küchen 🍜	Klassifikation	Einführung in Klassifizierer	Python R	Jen und Cassie Eric Wanjau
12	Köstliche asiatische und indische Küchen 🍜	Klassifikation	Weitere Klassifizierer	Python R	Jen und Cassie Eric Wanjau
13	Köstliche asiatische und indische Küchen 🍜	Klassifikation	Erstellen Sie eine Empfehlungs-Webanwendung mit Ihrem Modell	Python	Jen
14	Einführung in das Clustering	Clustering	Bereinigen, vorbereiten und visualisieren Sie Ihre Daten; Einführung in das Clustering	Python R	Jen Eric Wanjau
15	Erkundung der nigerianischen Musikkultur 🎧	Clustering	Entdecken Sie die K-Means-Clustering-Methode	Python R	Jen Eric Wanjau
16	Einführung in die Verarbeitung natürlicher Sprache ☕️	Verarbeitung natürlicher Sprache	Lernen Sie die Grundlagen der NLP, indem Sie einen einfachen Bot erstellen	Python	Stephen
17	Häufige NLP-Aufgaben ☕️	Verarbeitung natürlicher Sprache	Vertiefen Sie Ihr Wissen über NLP, indem Sie häufige Aufgaben verstehen, die beim Umgang mit Sprachstrukturen erforderlich sind	Python	Stephen
18	Übersetzung und Sentimentanalyse ♥️	Verarbeitung natürlicher Sprache	Übersetzung und Sentimentanalyse mit Jane Austen	Python	Stephen
19	Romantische Hotels in Europa ♥️	Verarbeitung natürlicher Sprache	Sentimentanalyse mit Hotelbewertungen 1	Python	Stephen
20	Romantische Hotels in Europa ♥️	Verarbeitung natürlicher Sprache	Sentimentanalyse mit Hotelbewertungen 2	Python	Stephen
21	Einführung in die Zeitreihenprognose	Zeitreihe	Einführung in die Zeitreihenprognose	Python	Francesca
22	⚡️ Weltstromverbrauch ⚡️ - Zeitreihenprognose mit ARIMA	Zeitreihe	Zeitreihenprognose mit ARIMA	Python	Francesca
23	⚡️ Weltstromverbrauch ⚡️ - Zeitreihenprognose mit SVR	Zeitreihe	Zeitreihenprognose mit Support Vector Regressor	Python	Anirban
24	Einführung in das Verstärkendes Lernen	Verstärkendes Lernen	Einführung in das Verstärkende Lernen mit Q-Learning	Python	Dmitry
25	Helfen Sie Peter, den Wolf zu vermeiden! 🐺	Verstärkendes Lernen	Verstärkendes Lernen im Gym	Python	Dmitry
Nachsatz	Anwendungsfälle und Szenarien für ML in der realen Welt	ML in der Wildnis	Interessante und aufschlussreiche Anwendungen klassischer ML	Lektionen	Team
Nachsatz	Modell-Debugging in ML mit dem RAI-Dashboard	ML in der Wildnis	Modell-Debugging im maschinellen Lernen unter Verwendung von Komponenten des Responsible AI Dashboards	Lektionen	Ruth Yakubu

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

Offline-Zugriff

Sie können diese Dokumentation offline ausführen, indem Sie Docsify verwenden. Forken Sie dieses Repository, installieren Sie Docsify auf Ihrem lokalen Rechner und geben Sie dann im Stammverzeichnis dieses Repositories docsify serve ein. Die Website wird auf Port 3000 auf Ihrem localhost bereitgestellt: localhost:3000.

PDFs

Finden Sie ein PDF des Lehrplans mit Links hier.

Hilfe Gewünscht

Möchten Sie eine Übersetzung beitragen? Bitte lesen Sie unsere Übersicht der Übersetzungsrichtlinien und fügen Sie ein standardisiertes Problem hinzu, um die Arbeitslast zu verwalten hier.

Weitere Lehrpläne

Unser Team erstellt weitere Lehrpläne! Schauen Sie sich an:

Haftungsausschluss:
Dieses Dokument wurde mit maschinellen KI-Übersetzungsdiensten 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 autoritative Quelle betrachtet werden. Für kritische Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die aus der Verwendung dieser Übersetzung resultieren.

24 KiB Raw Blame History Unescape Escape