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 | Suaheli | Schwedisch | Tagalog (Filipino) | Tamil | Telugu | Thailändisch | Türkisch | Ukrainisch | Urdu | Vietnamesisch

Tritt unserer Community bei

Wir haben eine laufende Discord-Reihe "Learn with AI" — erfahre mehr und nimm vom 18. bis 30. September 2025 an der Learn with AI Series teil. Du erhältst Tipps und Tricks zur Nutzung von GitHub Copilot für Data Science.

Maschinelles Lernen für Einsteiger - Ein Curriculum

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

Cloud Advocates bei Microsoft freuen sich, einen 12-wöchigen Lehrplan mit 26 Lektionen zum Thema Maschinelles Lernen anzubieten. In diesem Curriculum lernst du, was manchmal als klassisches Maschinelles Lernen bezeichnet wird, wobei hauptsächlich Scikit-learn als Bibliothek verwendet 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 rund um die Welt, während wir diese klassischen Techniken auf Daten aus vielen Regionen der Welt anwenden. Jede Lektion enthält Vor- und Nach-Quiz, schriftliche Anleitungen zur Durchführung der Lektion, eine Lösung, eine Aufgabe und mehr. Unsere projektbasierte Pädagogik ermöglicht es dir, beim Bauen zu lernen — eine bewährte Methode, damit sich neue Fähigkeiten einprägen.

✍️ 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 and Amy Boyd

🎨 Ebenfalls Dank an unsere Illustrator:innen Tomomi Imura, Dasani Madipalli, and Jen Looper

🙏 Besonderer Dank 🙏 an unsere Microsoft Student Ambassador-Autor:innen, Prüfer und Inhaltsbeitragenden, namentlich Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, and Snigdha Agarwal

🤩 Besonderer Dank an die 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 "Fork"-Schaltfläche oben rechts auf dieser Seite.
2. Klonen des Repositories: git clone https://github.com/microsoft/ML-For-Beginners.git

Alle zusätzlichen Ressourcen für diesen Kurs findest du in unserer Microsoft Learn-Sammlung

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

Studierende, um dieses Curriculum zu nutzen, forke das gesamte Repo in dein eigenes GitHub-Konto und bearbeite die Übungen alleine oder in einer Gruppe:

• Beginne mit einem Einstiegsquiz vor der Vorlesung.
• Lies die Lektion und erledige die Aktivitäten, halte bei jeder Wissensüberprüfung inne und reflektiere.
• Versuche, die Projekte durch Verständnis der Lektionen selbst zu erstellen, statt einfach den Lösungscode auszuführen; dieser Code steht jedoch in den /solution-Ordnern in jeder projektorientierten Lektion zur Verfügung.
• Mache das Quiz nach der Vorlesung.
• Schließe die Challenge ab.
• Erledige die Aufgabe.
• Nachdem du eine Lektionengruppe abgeschlossen hast, besuche das Discussion Board und "learn out loud", indem du die passende PAT-Rubrik ausfüllst. Ein 'PAT' ist ein Progress Assessment Tool, eine Bewertungsrubrik, die du ausfüllst, um dein Lernen zu vertiefen. Du kannst auch auf andere PATs reagieren, damit wir gemeinsam lernen.

Für weiterführende Studien empfehlen wir, diesen Microsoft Learn Modulen und Lernpfaden zu folgen.

Lehrkräfte, wir haben einige Vorschläge dazu aufgenommen, wie dieses Curriculum genutzt werden kann.

---

Videoanleitungen

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

---

Das Team

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 Curriculums zwei pädagogische Grundsätze gewählt: sicherzustellen, dass es praxisorientiert projektbasiert ist und dass es häufige Quiz enthält. Zusätzlich hat dieses Curriculum ein gemeinsames Thema, das ihm Kohärenz verleiht.

Indem wir sicherstellen, dass die Inhalte mit Projekten übereinstimmen, wird der Prozess für Lernende ansprechender und die Behaltensleistung von Konzepten wird gesteigert. Ein niedrigschwelliges Quiz vor dem Unterricht setzt die Lernabsicht der Studierenden, während ein zweites Quiz nach dem Unterricht die weitere Behaltensleistung sichert. Dieses Curriculum wurde so gestaltet, dass es flexibel und unterhaltsam ist und ganz oder teilweise durchlaufen werden kann. Die Projekte beginnen klein und werden bis zum Ende des 12-Wochen-Zyklus zunehmend komplexer. Dieses Curriculum enthält außerdem ein Nachwort zu realen Anwendungen von ML, das als zusätzliche Leistungspunkte oder als Diskussionsgrundlage verwendet werden kann.

Finde unseren Code of Conduct, Contributing, Translation und Troubleshooting Richtlinien. Wir freuen uns über dein konstruktives Feedback!

Jede Lektion enthält

• optionale Sketchnote
• optionales ergänzendes Video
• Videoanleitung (nur einige Lektionen)
• Aufwärmquiz vor der Vorlesung
• schriftliche Lektion
• Für projektbasierte Lektionen Schritt-für-Schritt-Anleitungen zum Aufbau des Projekts
• Wissensüberprüfungen
• eine Challenge
• ergänzende Lektüre
• Aufgabe
• Quiz nach der Vorlesung

Eine Anmerkung zu Programmiersprachen: Diese Lektionen sind hauptsächlich in Python geschrieben, aber viele sind auch in R verfügbar. Um eine R-Lektion durchzuführen, gehe in den /solution-Ordner und suche nach R-Lektionen. Sie enthalten eine .rmd-Erweiterung, die eine R Markdown-Datei darstellt, welche einfach 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 document definiert werden kann. Somit dient sie als beispielhaftes Autorensystem für Data Science, da sie es ermöglicht, deinen Code, dessen Ausgabe und deine Gedanken zu kombinieren, indem du sie in Markdown festhältst. Außerdem können R Markdown-Dokumente in Ausgabeformate wie PDF, HTML oder Word gerendert werden.

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

Lektionsnummer	Thema	Lektionsgruppierung	Lernziele	Verknüpfte Lektion	Autor
01	Einführung in maschinelles Lernen	Einführung	Lerne die grundlegenden Konzepte des maschinellen Lernens	Lektion	Muhammad
02	Die Geschichte des maschinellen Lernens	Einführung	Erfahre die Geschichte dieses Fachgebiets	Lektion	Jen and 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-Forschende, um ML-Modelle zu erstellen?	Lektion	Chris and Jen
05	Einführung in die Regression	Regression	Starte mit 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 and Dmitry • Eric Wanjau
08	Nordamerikanische Kürbispreise 🎃	Regression	Ein logistisches Regressionsmodell erstellen	Python • R	Jen • Eric Wanjau
09	Eine Web-App 🔌	Web App	Erstelle eine Web-App, um dein trainiertes Modell zu verwenden	Python	Jen
10	Einführung in Klassifikation	Classification	Bereinige, bereite vor und visualisiere deine Daten; Einführung in die Klassifikation	Python • R	Jen and Cassie • Eric Wanjau
11	Köstliche asiatische und indische Gerichte 🍜	Classification	Einführung in Klassifikatoren	Python • R	Jen and Cassie • Eric Wanjau
12	Köstliche asiatische und indische Gerichte 🍜	Classification	Weitere Klassifikatoren	Python • R	Jen and Cassie • Eric Wanjau
13	Köstliche asiatische und indische Gerichte 🍜	Classification	Erstelle eine Empfehlungs-Web-App mit deinem Modell	Python	Jen
14	Einführung in Clustering	Clustering	Bereinige, bereite vor und visualisiere deine Daten; Einführung in Clustering	Python • R	Jen • Eric Wanjau
15	Erkundung nigerianischer Musikgeschmäcker 🎧	Clustering	Erkunde die K-Means-Clustering-Methode	Python • R	Jen • Eric Wanjau
16	Einführung in die Verarbeitung natürlicher Sprache ☕️	Natural language processing	Lerne die Grundlagen der NLP, indem du einen einfachen Bot baust	Python	Stephen
17	Häufige NLP-Aufgaben ☕️	Natural language processing	Vertiefe dein NLP-Wissen, indem du gängige Aufgaben verstehst, die beim Umgang mit Sprachstrukturen wichtig sind	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	⚡️ World Power Usage ⚡️ - Zeitreihenprognose mit ARIMA	Time series	Zeitreihenprognose mit ARIMA	Python	Francesca
23	⚡️ World Power Usage ⚡️ - Zeitreihenprognose mit SVR	Time series	Zeitreihenprognose 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 auszuweichen! 🐺	Reinforcement learning	Reinforcement Learning Gym	Python	Dmitry
Nachwort	Echte ML-Szenarien und Anwendungen	ML in the Wild	Interessante und aufschlussreiche reale Anwendungen klassischer ML	Lektion	Team
Nachwort	Modell-Debugging in ML mit RAI-Dashboard	ML in the Wild	Modell-Debugging in Machine Learning mithilfe von Responsible AI Dashboard-Komponenten	Lektion	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. Erstellen Sie einen Fork dieses Repos, 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

Finden Sie ein PDF des Lehrplans mit Links hier.

🎒 Weitere Kurse

Unser Team erstellt weitere Kurse! Schau dir an:

LangChain

---

Azure / Edge / MCP / Agents

---

Generative AI-Serie

---

Kerninhalte

---

Copilot-Reihe

Hilfe

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

Wenn Sie Produktfeedback geben möchten oder beim Erstellen auf Fehler stoßen, besuchen Sie:

---

Haftungsausschluss: Dieses Dokument wurde mithilfe des KI-Übersetzungsdienstes Co-op Translator übersetzt. Obwohl wir uns um Genauigkeit bemühen, können automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten. Das Originaldokument in seiner Ausgangssprache ist als maßgebliche Quelle zu betrachten. Für kritische Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die sich aus der Nutzung dieser Übersetzung ergeben.