25 KiB

Raw Blame History Unescape Escape

🌐 Mehrsprachige Unterstützung

Unterstützt durch GitHub Action (Automatisiert & Immer aktuell)

Trete unserer Community bei

Wir haben eine laufende Discord-Serie "Lernen mit KI". Erfahre mehr und schließe dich uns an bei der 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 durch die Kulturen der Welt erkunden 🌍

Die Cloud Advocates bei Microsoft freuen sich, einen 12-wöchigen, 26-teiligen Lehrplan 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 verschiedenen Regionen der Welt anwenden. Jede Lektion enthält Quizfragen vor und nach der Lektion, schriftliche Anleitungen 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 festigen.

✍️ 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

🎨 Vielen Dank auch an unsere Illustratoren Tomomi Imura, Dasani Madipalli und Jen Looper

🙏 Besonderer Dank 🙏 an unsere Microsoft Student Ambassador Autoren, Reviewer und Inhaltsbeitragenden, insbesondere Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila und Snigdha Agarwal

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

Erste Schritte

Folge diesen Schritten:

Forke das Repository: Klicke auf die Schaltfläche "Fork" oben rechts auf dieser Seite.
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

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

Beginne mit einem Quiz vor der Vorlesung.
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 den Lösungscode auszuführen; dieser Code ist jedoch in den /solution-Ordnern jeder projektorientierten Lektion verfügbar.
Mache das Quiz nach der Vorlesung.
Bearbeite die Herausforderung.
Bearbeite die Aufgabe.
Nach Abschluss einer Lektionengruppe besuche das Diskussionsforum und "lerne laut", indem du das entsprechende PAT-Raster 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 Lernen empfehlen wir, diesen Microsoft Learn-Modulen und Lernpfaden zu folgen.

Lehrkräfte, wir haben einige Vorschläge beigefügt, wie dieser Lehrplan genutzt werden kann.

Videoanleitungen

Einige der Lektionen sind als kurze Videos verfügbar. Du findest alle diese Videos in den Lektionen oder in der ML for Beginners-Playlist auf dem Microsoft Developer YouTube-Kanal, indem du auf das Bild unten klickst.

Lerne das Team kennen

Gif von Mohit Jaisal

🎥 Klicke auf das Bild oben, um ein Video über das Projekt und die Personen dahinter zu sehen!

Pädagogik

Wir haben zwei pädagogische Prinzipien gewählt, während wir diesen Lehrplan erstellt haben: sicherzustellen, dass er praxisorientiert 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 Studierenden ansprechender und das Behalten der Konzepte wird verbessert. Ein Quiz mit geringem Druck vor einer Klasse setzt die Absicht der Studierenden, ein Thema zu lernen, während ein zweites Quiz nach der Klasse das Behalten 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 im Laufe des 12-wöchigen Zyklus zunehmend komplexer. Dieser Lehrplan enthält auch einen Nachtrag zu realen Anwendungen des maschinellen Lernens, der als Zusatzaufgabe oder als Grundlage für Diskussionen genutzt werden kann.

Finde unseren Verhaltenskodex, Beitragsrichtlinien und Übersetzungsrichtlinien. Wir freuen uns über dein konstruktives Feedback!

Jede Lektion enthält

optionales Sketchnote
optionales ergänzendes Video
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

Hinweis 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 Codeblöcken (in 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 aufschreibst. Darüber hinaus können R Markdown-Dokumente in Ausgabeformate wie PDF, HTML oder Word gerendert werden.

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

Lektion Nummer	Thema	Lektionengruppe	Lernziele	Verlinkte Lektion	Autor
01	Einführung in maschinelles Lernen	Einführung	Lerne die grundlegenden Konzepte hinter maschinellem Lernen	Lektion	Muhammad
02	Die Geschichte des maschinellen Lernens	Einführung	Lerne die Geschichte hinter diesem Bereich	Lektion	Jen und Amy
03	Fairness und maschinelles Lernen	Einführung	Welche wichtigen philosophischen Fragen zur Fairness sollten Studierende berücksichtigen, wenn sie ML-Modelle entwickeln und anwenden?	Lektion	Tomomi
04	Techniken für maschinelles Lernen	Einführung	Welche Techniken verwenden ML-Forscher, um ML-Modelle zu erstellen?	Lektion	Chris und Jen
05	Einführung in 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 Web-App 🔌	Web-App	Eine Web-App erstellen, um das trainierte Modell zu nutzen	Python	Jen
10	Einführung in Klassifikation	Klassifikation	Daten bereinigen, vorbereiten und visualisieren; Einführung in Klassifikation	Python • R	Jen und Cassie • Eric Wanjau
11	Köstliche asiatische und indische Küche 🍜	Klassifikation	Einführung in Klassifikatoren	Python • R	Jen und Cassie • Eric Wanjau
12	Köstliche asiatische und indische Küche 🍜	Klassifikation	Weitere Klassifikatoren	Python • R	Jen und Cassie • Eric Wanjau
13	Köstliche asiatische und indische Küche 🍜	Klassifikation	Eine Empfehlungs-Web-App mit deinem Modell erstellen	Python	Jen
14	Einführung in Clustering	Clustering	Daten bereinigen, vorbereiten und visualisieren; Einführung in Clustering	Python • R	Jen • Eric Wanjau
15	Erforschung nigerianischer Musikgeschmäcker 🎧	Clustering	Die K-Means-Clustering-Methode erkunden	Python • R	Jen • Eric Wanjau
16	Einführung in die Verarbeitung natürlicher Sprache ☕️	Verarbeitung natürlicher Sprache	Die Grundlagen der NLP lernen, indem ein einfacher Bot erstellt wird	Python	Stephen
17	Häufige NLP-Aufgaben ☕️	Verarbeitung natürlicher Sprache	Vertiefe dein Wissen über NLP, indem du häufige Aufgaben im Umgang mit Sprachstrukturen verstehst	Python	Stephen
18	Übersetzung und Sentiment-Analyse ♥️	Verarbeitung natürlicher Sprache	Übersetzung und Sentiment-Analyse mit Jane Austen	Python	Stephen
19	Romantische Hotels in Europa ♥️	Verarbeitung natürlicher Sprache	Sentiment-Analyse mit Hotelbewertungen 1	Python	Stephen
20	Romantische Hotels in Europa ♥️	Verarbeitung natürlicher Sprache	Sentiment-Analyse mit Hotelbewertungen 2	Python	Stephen
21	Einführung in Zeitreihenprognosen	Zeitreihen	Einführung in Zeitreihenprognosen	Python	Francesca
22	⚡️ Weltweiter Stromverbrauch ⚡️ - Zeitreihenprognosen mit ARIMA	Zeitreihen	Zeitreihenprognosen mit ARIMA	Python	Francesca
23	⚡️ Weltweiter Stromverbrauch ⚡️ - Zeitreihenprognosen mit SVR	Zeitreihen	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
Postscript	ML-Szenarien und Anwendungen aus der Praxis	ML in der Praxis	Interessante und aufschlussreiche reale Anwendungen von klassischem ML	Lektion	Team
Postscript	Modell-Debugging in ML mit RAI-Dashboard	ML in der Praxis	Modell-Debugging in maschinellem Lernen mit Komponenten des Responsible AI Dashboards	Lektion	Ruth Yakubu

Finde alle zusätzlichen Ressourcen für diesen Kurs in unserer Microsoft Learn Sammlung

Offline-Zugriff

Du kannst diese Dokumentation offline nutzen, indem du Docsify verwendest. Forke dieses Repository, installiere Docsify auf deinem lokalen Rechner und gib dann im Root-Ordner 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.

🎒 Weitere Kurse

Unser Team erstellt weitere Kurse! Schau dir an:

25 KiB Raw Blame History Unescape Escape