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 | Malaiischalam | Marathi | Nepalesisch | Nigerianisches Pidgin | Norwegisch | Persisch (Farsi) | Polnisch | Portugiesisch (Brasilien) | Portugiesisch (Portugal) | Punjabi (Gurmukhi) | Rumänisch | Russisch | Serbisch (Kyrillisch) | Slowakisch | Slowenisch | Spanisch | Suaheli | Schwedisch | Tagalog (Filipino) | Tamil | Telugu | Thailändisch | Türkisch | Ukrainisch | Urdu | Vietnamesisch

Lokal klonen bevorzugt?

Dieses Repository enthält 50+ Sprachübersetzungen, die die Downloadgröße erheblich erhöhen. 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'

Damit erhalten Sie alles, was Sie zum Abschluss des Kurses benötigen, mit einem viel schnelleren Download.

Treten Sie unserer Community bei

Wir haben eine laufende 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 bei Microsoft bieten einen 12-wöchigen Lehrplan mit 26 Lektionen rund um Maschinelles Lernen an. In diesem Lehrplan lernen Sie das, was manchmal als klassisches maschinelles Lernen bezeichnet wird, hauptsächlich unter Verwendung von Scikit-learn als Bibliothek und ohne Deep Learning, das in unserem „KI für Anfänger“ Lehrplan behandelt wird. Kombinieren Sie diese Lektionen auch mit unserem 'Data Science für Anfänger' Lehrplan!

Reisen Sie mit uns um die Welt, während wir diese klassischen Techniken auf Daten aus vielen Regionen anwenden. Jede Lektion beinhaltet Quizze vor und nach der Lektion, schriftliche Anweisungen zur Durchführung der Lektion, eine Lösung, eine Aufgabe und mehr. Unsere projektbasierte Pädagogik erlaubt es Ihnen, beim Bauen zu lernen – ein bewährter Weg, neue Fähigkeiten dauerhaft zu verankern.

✍️ 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, Gutachter 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 oben rechts auf dieser Seite auf die Schaltfläche „Fork“.
2. 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

🔧 Brauchen Sie Hilfe? Sehen Sie in unserem Fehlerbehebungsleitfaden nach Lösungen zu häufigen Problemen bei Installation, Einrichtung und Ausführung der Lektionen.

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

• Beginnen Sie mit einem Pre-Lecture-Quiz.
• Lesen Sie die Vorlesung und führen Sie die Aktivitäten aus, pausieren Sie und reflektieren Sie bei jedem Wissens-Check.
• Versuchen Sie, die Projekte zu erstellen, indem Sie die Lektionen verstehen, anstatt einfach den Lösungscode auszuführen; der Code ist jedoch in den /solution-Ordnern jeder projektorientierten Lektion verfügbar.
• Machen Sie das Post-Lecture-Quiz.
• Schließen Sie die Challenge 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 Fortschrittsbewertungstool, eine Rubrik, die Sie zum Vertiefen Ihres Lernens ausfüllen. Sie können auch auf andere PATs reagieren, sodass wir gemeinsam lernen können.

Für weitere Studien empfehlen wir diese Microsoft Learn Module und Lernpfade.

Lehrer, wir haben einige Vorschläge zum Einsatz dieses Lehrplans aufgenommen.

---

Video-Durchgänge

Einige Lektionen sind als Kurzvideos verfügbar. Sie finden diese alle 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 Personen, die es erstellt haben!

---

Pädagogik

Wir haben zwei pädagogische Grundsätze gewählt, während wir diesen Lehrplan aufgebaut haben: die Sicherstellung, dass er praktisch, projektbasiert ist, und dass er häufige Quizze beinhaltet. Zusätzlich hat dieser Lehrplan ein gemeinsames Thema um für Kohärenz zu sorgen.

Indem der Inhalt an Projekten ausgerichtet wird, wird der Prozess für die Lernenden ansprechender und die Aufnahme der Konzepte wird verbessert. Zudem setzt ein niedrigschwelliges Quiz vor einer Klasse die Absicht des Lernenden, ein Thema zu lernen, während ein zweites Quiz nach der Klasse für eine weitere Festigung sorgt. Dieser Lehrplan wurde flexibel und spaßig gestaltet und kann ganz oder teilweise durchlaufen werden. Die Projekte starten klein und werden zum Ende des 12-Wochen-Zyklus zunehmend komplexer. Zusätzlich enthält dieser Lehrplan einen Nachspann zu realen Anwendungen von ML, der als Zusatzpunkt oder Diskussionsgrundlage verwendet werden kann.

Finden Sie unsere Verhaltenskodex, Beitragsrichtlinien, Übersetzungsrichtlinien und Fehlerbehebung. Wir freuen uns auf Ihr konstruktives Feedback!

Jede Lektion beinhaltet

• optionale Sketchnote
• optionales ergänzendes Video
• Video-Durchgang (nur einige Lektionen)
• Pre-Lecture Warmup-Quiz
• schriftliche Lektion
• bei projektbasierten Lektionen Schritt-für-Schritt-Anleitungen zum Bau des Projekts
• Wissenskontrollen
• eine Challenge
• ergänzende Lektüre
• Aufgabe
• Post-Lecture Quiz

Ein Hinweis zu 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 beinhalten eine .rmd-Erweiterung, die eine R Markdown-Datei darstellt – einfach definiert als eine Einbettung von Code-Blöcken (von R oder anderen Sprachen) und einem YAML-Header (der steuert, wie Ausgaben wie PDF formatiert werden) in einem Markdown-Dokument. Dadurch fungiert es als beispielhaftes Autoren-Framework für Data Science, da es Ihnen erlaubt, Ihren Code, dessen Ausgabe und Ihre Gedanken zu kombinieren, indem Sie diese in Markdown niederschreiben. Darüber hinaus können R Markdown-Dokumente in Ausgabefomate wie PDF, HTML oder Word gerendert werden. Eine Anmerkung zu den Quizzen: Alle Quizze befinden sich im Ordner Quiz App folder, 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 sie lokal zu hosten oder in Azure bereitzustellen.

Lektion Nummer	Thema	Lektion Gruppierung	Lernziele	Verknüpfte Lektion	Autor
01	Einführung in maschinelles Lernen	Einführung	Lernen Sie die grundlegenden Konzepte hinter maschinellem Lernen	Lektion	Muhammad
02	Die Geschichte des maschinellen Lernens	Einführung	Lernen Sie die Geschichte dieses Fachgebiets	Lektion	Jen und Amy
03	Fairness und maschinelles Lernen	Einführung	Welche wichtigen philosophischen Fragen zur Fairness sollten Studierende bei der Erstellung und Anwendung von ML-Modellen beachten?	Lektion	Tomomi
04	Techniken des maschinellen Lernens	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 Kürbisspreise 🎃	Regression	Daten visualisieren und bereinigen zur Vorbereitung auf ML	Python • R	Jen • Eric Wanjau
07	Nordamerikanische Kürbisspreise 🎃	Regression	Lineare und polynomiale Regressionsmodelle erstellen	Python • R	Jen und 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 zur Nutzung Ihres trainierten Modells	Python	Jen
10	Einführung in Klassifikation	Klassifikation	Daten bereinigen, vorbereiten und visualisieren; Einführung in die Klassifikation	Python • R	Jen und Cassie • Eric Wanjau
11	Köstliche asiatische und indische Küchen 🍜	Klassifikation	Einführung in Klassifikatoren	Python • R	Jen und Cassie • Eric Wanjau
12	Köstliche asiatische und indische Küchen 🍜	Klassifikation	Weitere Klassifikatoren	Python • R	Jen und Cassie • Eric Wanjau
13	Köstliche asiatische und indische Küchen 🍜	Klassifikation	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 Musiktendenzen 🎧	Clustering	Erkunden Sie die K-Means-Clustering-Methode	Python • R	Jen • Eric Wanjau
16	Einführung in die Verarbeitung natürlicher Sprache ☕️	Natürliche Sprachverarbeitung	Lernen Sie die Grundlagen der NLP durch den Bau eines einfachen Bots	Python	Stephen
17	Häufige NLP-Aufgaben ☕️	Natürliche Sprachverarbeitung	Vertiefen Sie Ihr NLP-Wissen durch das Verständnis gängiger Aufgaben bei der Verarbeitung von Sprachstrukturen	Python	Stephen
18	Übersetzung und Sentiment-Analyse ♥️	Natürliche Sprachverarbeitung	Übersetzung und Sentiment-Analyse mit Jane Austen	Python	Stephen
19	Romantische Hotels in Europa ♥️	Natürliche Sprachverarbeitung	Sentiment-Analyse mit Hotelbewertungen 1	Python	Stephen
20	Romantische Hotels in Europa ♥️	Natürliche Sprachverarbeitung	Sentiment-Analyse mit Hotelbewertungen 2	Python	Stephen
21	Einführung in Zeitreihenprognosen	Zeitreihen	Einführung in Zeitreihenprognosen	Python	Francesca
22	⚡️ Weltstromverbrauch ⚡️ - Zeitreihenprognose mit ARIMA	Zeitreihen	Zeitreihenprognosen mit ARIMA	Python	Francesca
23	⚡️ Weltstromverbrauch ⚡️ - 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, den Wolf zu vermeiden! 🐺	Reinforcement learning	Reinforcement Learning Gym	Python	Dmitry
Nachwort	ML-Szenarien und Anwendungen aus der Praxis	ML in der Wildnis	Interessante und aufschlussreiche reale Anwendungen des klassischen ML	Lektion	Team
Nachwort	Modell-Debugging im ML mit RAI-Dashboard	ML in der Wildnis	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 Repo, installieren Sie Docsify auf Ihrem lokalen Rechner und geben Sie dann im Stammordner dieses Repos docsify serve ein. Die Website wird auf Port 3000 auf Ihrem localhost bereitgestellt: localhost:3000.

PDFs

Hier finden Sie ein PDF des Lehrplans mit Links hier.

🎒 Andere Kurse

Unser Team erstellt weitere Kurse! Schauen Sie mal rein:

LangChain

Azure / Edge / MCP / Agents

---

Generative AI Series

---

Grundlegendes Lernen

---

Copilot-Reihe

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 oder Fehler beim Erstellen haben, besuchen Sie:

---

Haftungsausschluss:
Dieses Dokument wurde mit dem KI-Übersetzungsdienst Co-op Translator übersetzt. Obwohl wir um Genauigkeit bemüht sind, können automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten. Das Originaldokument in seiner Ursprungssprache gilt als maßgebliche Quelle. Für wichtige Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir haften nicht für Missverständnisse oder Fehlinterpretationen, die durch die Nutzung dieser Übersetzung entstehen.