ML-For-Beginners/translations/de

🌐 Mehrsprachige Unterstützung

Unterstützt durch GitHub Action (Automatisiert & immer aktuell)

Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Kannada | Korean | Lithuanian | Malay | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese

Treten Sie unserer Community bei

Wir veranstalten eine Discord-Reihe "Learn with AI", erfahren Sie mehr und machen Sie mit unter Learn with AI Series vom 18. bis 30. September 2025. Sie erhalten Tipps und Tricks zur Verwendung von GitHub Copilot für Data Science.

Maschinelles Lernen für Einsteiger - Ein Lehrplan

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

Die Cloud Advocates bei Microsoft freuen sich, einen 12-wöchigen, 26-teiligen Lehrplan rund um das Thema Maschinelles Lernen anzubieten. In diesem Lehrplan lernen Sie das, was man manchmal als klassisches Machine Learning bezeichnet, hauptsächlich unter Verwendung von Scikit-learn als Bibliothek; Deep Learning wird in unserem AI for Beginners' curriculum behandelt. Kombinieren Sie diese Lektionen auch mit unserem 'Data Science for Beginners' curriculum!

Reisen Sie mit uns um die Welt, während wir diese klassischen Techniken auf Daten aus vielen Regionen anwenden. Jede Lektion enthält Vor- und Nach-Quizze, schriftliche Anleitungen zur Durchführung der Lektion, eine Lösung, eine Aufgabe und mehr. Unsere projektbasierte Didaktik ermöglicht Lernen durch Bauen — eine bewährte Methode, damit neue Fähigkeiten "haften bleiben".

✍️ Herzlichen Dank an unsere Autorinnen und Autoren Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu und Amy Boyd

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

🙏 Besonderer Dank 🙏 an unsere Microsoft Student Ambassador-Autorinnen und -Autoren, Reviewer und Inhaltsbeiträger, namentlich 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

Befolgen Sie diese Schritte:

1. Forken Sie das Repository: Klicken Sie auf die Schaltfläche "Fork" oben rechts auf dieser Seite.
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 unserer Fehlerbehebungsanleitung nach Lösungen für häufige Probleme bei Installation, Einrichtung und dem Ausführen von Lektionen.

Studierende, um dieses Curriculum zu nutzen, forken Sie das gesamte Repo in Ihr eigenes GitHub-Konto und bearbeiten Sie die Übungen allein oder in einer Gruppe:

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

Für weiterführendes Studium empfehlen wir das Durcharbeiten dieser Microsoft Learn Module und Lernpfade.

Lehrkräfte, wir haben einige Vorschläge zur Nutzung dieses Curriculums beigefügt.

---

Video-Anleitungen

Einige Lektionen sind als Kurzvideos verfügbar. Sie können alle diese inline in den Lektionen finden oder auf der ML for Beginners-Playlist auf dem Microsoft Developer YouTube-Kanal, indem Sie auf das Bild unten klicken.

---

Treffen Sie das Team

Gif von Mohit Jaisal

🎥 Klicken Sie auf das obige Bild für ein Video über das Projekt und die Personen, die es erstellt haben!

---

Pädagogik

Wir haben beim Aufbau dieses Lehrplans zwei pädagogische Grundsätze gewählt: sicherstellen, dass er praxisnah projektbasiert ist und dass er häufige Quizze enthält. Darüber hinaus hat dieser Lehrplan ein gemeinsames Thema, das ihm Kohärenz verleiht.

Indem die Inhalte an Projekte angelehnt sind, wird der Prozess für Lernende engagierender und das Behalten von Konzepten wird gesteigert. Ein niedrigschwelliges Quiz vor einer Unterrichtseinheit setzt zudem die Lernintention der Teilnehmenden, während ein zweites Quiz nach der Einheit die weitere Behaltensleistung sichert. Dieser Lehrplan wurde so gestaltet, dass er flexibel und unterhaltsam ist und vollständig oder teilweise durchlaufen werden kann. Die Projekte beginnen klein und werden bis zum Ende des 12-wöchigen Zyklus zunehmend komplexer. Dieser Lehrplan enthält außerdem ein Nachwort zu realen Anwendungen von ML, das als Bonuspunkte oder als Grundlage für Diskussionen genutzt werden kann.

Finden Sie unseren Verhaltenskodex, Beitragen, Übersetzung und Fehlerbehebung Leitfäden. Wir freuen uns über Ihr konstruktives Feedback!

Jede Lektion enthält

• optionale Sketchnote
• optionales ergänzendes Video
• Videoanleitung (nur einige Lektionen)
• Aufwärmquiz vor der Vorlesung
• schriftliche Lektion
• für projektbasierte Lektionen schrittweise Anleitungen zum Aufbau des Projekts
• Wissenschecks
• eine Herausforderung
• 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 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 steuert, wie Ausgaben wie PDF formatiert werden) in einem Markdown document definiert werden kann. Als solches dient sie als beispielhaftes Erstellungsframework für Data Science, da sie es Ihnen ermöglicht, Ihren Code, dessen Ausgabe und Ihre Gedanken zu kombinieren, indem Sie diese in Markdown niederschreiben. Darüber hinaus können R Markdown-Dokumente in Ausgabedateiformate wie PDF, HTML oder Word gerendert werden.

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

Lektionsnummer	Thema	Lektionsgruppe	Lernziele	Verknüpfte Lektion	Autor
01	Einführung in maschinelles Lernen	Einführung	Lernen Sie die grundlegenden Konzepte des maschinellen Lernens	Lektion	Muhammad
02	Die Geschichte des maschinellen Lernens	Einführung	Erfahren Sie die Geschichte dieses Fachgebiets	Lektion	Jen and Amy
03	Fairness und maschinelles Lernen	Einführung	Welche wichtigen philosophischen Fragen zur Fairness sollten Lernende beachten, wenn sie ML-Modelle erstellen und anwenden?	Lektion	Tomomi
04	Techniken des maschinellen Lernens	Einführung	Welche Techniken verwenden ML-Forschende, um ML-Modelle zu erstellen?	Lektion	Chris and Jen
05	Einführung in die 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 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	Klassifikation	Bereinigen, vorbereiten und visualisieren Sie Ihre Daten; Einführung in die Klassifikation	Python • R	Jen and Cassie • Eric Wanjau
11	Leckere asiatische und indische Küche 🍜	Klassifikation	Einführung in Klassifikatoren	Python • R	Jen and Cassie • Eric Wanjau
12	Leckere asiatische und indische Küche 🍜	Klassifikation	Weitere Klassifikatoren	Python • R	Jen and Cassie • Eric Wanjau
13	Leckere asiatische und indische Küche 🍜	Klassifikation	Erstellen Sie eine Empfehlungs-Web-App mit Ihrem Modell	Python	Jen
14	Einführung in Clustering	Clustering	Bereinigen, vorbereiten und visualisieren Sie Ihre Daten; Einführung in Clustering	Python • R	Jen • Eric Wanjau
15	Nigerianische Musikgeschmäcker erkunden 🎧	Clustering	Erkunden Sie die K-Means-Clustering-Methode	Python • R	Jen • Eric Wanjau
16	Einführung in die natürliche Sprachverarbeitung ☕️	Natürliche Sprachverarbeitung	Lernen Sie die Grundlagen der NLP, indem Sie einen einfachen Bot erstellen	Python	Stephen
17	Häufige NLP-Aufgaben ☕️	Natürliche Sprachverarbeitung	Vertiefen Sie Ihr NLP-Wissen, indem Sie häufige Aufgaben verstehen, die beim Umgang mit Sprachstrukturen erforderlich sind	Python	Stephen
18	Übersetzung und Sentimentanalyse ♥️	Natürliche Sprachverarbeitung	Übersetzung und Sentimentanalyse mit Jane Austen	Python	Stephen
19	Romantische Hotels Europas ♥️	Natürliche Sprachverarbeitung	Sentimentanalyse mit Hotelbewertungen 1	Python	Stephen
20	Romantische Hotels Europas ♥️	Natürliche Sprachverarbeitung	Sentimentanalyse 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	Echtwelt-ML-Szenarien und Anwendungen	ML in the Wild	Interessante und aufschlussreiche Anwendungsfälle klassischer ML	Lektion	Team
Postscript	Modell-Debugging im ML mit dem RAI-Dashboard	ML in the Wild	Modell-Debugging im Machine Learning 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. Erstellen Sie einen Fork dieses Repositories, Docsify installieren auf Ihrer lokalen Maschine, und dann im Stammordner dieses Repositories geben Sie docsify serve ein. Die Website wird auf Port 3000 auf Ihrem lokalen Host bereitgestellt: localhost:3000.

PDFs

Ein PDF des Lehrplans mit Links finden Sie hier.

🎒 Weitere Kurse

Unser Team bietet weitere Kurse an! Schauen Sie sich diese an:

LangChain

---

Azure / Edge / MCP / Agents

---

Generative AI-Reihe

---

Kerninhalte

---

Copilot-Serie

Hilfe

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

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

---

Haftungsausschluss: Dieses Dokument wurde mit dem KI‑Übersetzungsdienst Co‑op Translator (https://github.com/Azure/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 wichtige Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die aus der Verwendung dieser Übersetzung entstehen.