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 | Swahili | Schwedisch | Tagalog (Filipino) | Tamilisch | Telugu | Thailändisch | Türkisch | Ukrainisch | Urdu | Vietnamesisch

Lieber lokal klonen?

Dieses Repository enthält über 50 Sprachübersetzungen, welche die Download-Größe 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 für den Kurs benötigen, mit einem viel schnelleren Download.

Treten Sie unserer Community bei

Wir haben eine laufende Discord-Lernreihe mit AI, erfahren Sie mehr und schließen Sie sich uns an unter Learn with AI Series vom 18. bis 30. September 2025. Sie erhalten Tipps und Tricks zur Nutzung von GitHub Copilot für Data Science.

Machine Learning für Einsteiger – Ein Lehrplan

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

Cloud Advocates bei Microsoft freuen sich, einen 12-wöchigen Lehrplan mit 26 Lektionen rund um das Thema 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 Deep Learning ausgelassen wird, das in unserem AI für Einsteiger Lehrplan behandelt wird. Kombinieren Sie diese Lektionen auch mit unserem 'Data Science für Einsteiger' Lehrplan!

Reisen Sie mit uns um die Welt, während wir diese klassischen Techniken auf Daten aus vielen Regionen anwenden. Jede Lektion umfasst Vor- und Nach-Kurs-Quizze, schriftliche Anleitungen zur Durchführung der Lektion, Lösungen, Aufgaben und mehr. Unsere projektbasierte Didaktik ermöglicht es Ihnen, durch das Erstellen zu lernen – eine bewährte Methode, um neue Fähigkeiten nachhaltig 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

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

🙏 Besonderer Dank 🙏 an unsere Microsoft Student Ambassador Autoren, Gutachter und Inhaltsbeiträge, 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. Repository forken: Klicken Sie oben rechts auf dieser Seite auf die Schaltfläche "Fork".
2. Repository klonen: 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 Troubleshooting Guide nach Lösungen zu häufigen Problemen bei Installation, Einrichtung und Durchführung von Lektionen.

Studenten, um diesen Lehrplan zu nutzen, forken Sie das gesamte Repo auf Ihr eigenes GitHub-Konto und bearbeiten Sie die Übungen selbstständig oder in der Gruppe:

• Beginnen Sie mit einem Vorlesungs-Quiz.
• Lesen Sie die Lektion und absolvieren Sie die Aktivitäten mit Pausen und Reflexion bei jedem Wissenscheck.
• Versuchen Sie, die Projekte eigenständig zu erstellen, indem Sie die Lektionen verstehen, statt nur den Lösungscode auszuführen; dieser Code ist allerdings in den /solution-Ordnern in jeder projekorientierten Lektion verfügbar.
• Machen Sie das Nachvorlesungs-Quiz.
• Absolvieren Sie die Challenge.
• Erledigen Sie die Hausaufgabe.
• Nach Beendigung einer Lektionengruppe besuchen Sie das Diskussionsforum und „lernen laut“, indem Sie das passende PAT-Rubrikformular ausfüllen. Ein 'PAT' ist ein Progress Assessment Tool, eine Rubrik, die Sie ausfüllen, um Ihr Lernen zu vertiefen. Sie können auch auf andere PATs reagieren, so lernen wir gemeinsam.

Für weiterführendes Lernen empfehlen wir diese Microsoft Learn Module und Lernpfade.

Lehrer, wir haben einige Vorschläge zur Nutzung dieses Lehrplans aufgenommen.

---

Videoanleitungen

Einige Lektionen sind als Kurzvideos verfügbar. Diese finden Sie eingebettet in den Lektionen oder auf der ML for Beginners-Playlist auf dem Microsoft Developer YouTube-Kanal durch Klicken auf das Bild unten.

---

Lernen Sie das Team kennen

Gif von Mohit Jaisal

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

---

Didaktik

Wir haben beim Aufbau dieses Lehrplans zwei pädagogische Grundsätze gewählt: sicherzustellen, dass er praxisnah projektbasiert ist und häufige Quiz enthält. Außerdem hat dieser Lehrplan ein gemeinsames Thema für Kohärenz.

Indem der Inhalt auf Projekte ausgerichtet ist, wird der Prozess für Studierende ansprechender und die Begriffsvermittlung vertieft. Ein niedrigschwelliges Quiz vor einer Lektion richtet die Lernabsicht der Teilnehmer auf das Thema aus, während ein zweites Quiz nach der Lektion zusätzliche Festigung ermöglicht. Dieser Lehrplan ist flexibel und macht Spaß und kann ganz oder teilweise durchlaufen werden. Die Projekte beginnen einfach und werden im Verlauf des 12-Wochen-Zyklus zunehmend komplexer. Der Lehrplan enthält außerdem ein Nachwort zu realweltlichen Anwendungen von ML, welches als Zusatzaufgabe oder Diskussionsgrundlage genutzt werden kann.

Unseren Verhaltenskodex, Beitragsleitfaden, Übersetzungsleitfaden und Problemlösungsanleitung finden Sie hier. Wir freuen uns auf Ihr konstruktives Feedback!

Jede Lektion beinhaltet

• optionale Sketchnote
• optionales ergänzendes Video
• Videoanleitung (nur einige Lektionen)
• Vorlesungs-Warmup-Quiz
• schriftliche Lektion
• bei projektbasierten Lektionen Schritt-für-Schritt-Anleitungen zum Bau des Projekts
• Wissens-Checks
• eine Herausforderung
• ergänzende Lektüre
• Aufgabe
• Nachvorlesungs-Quiz

Ein Hinweis zu den Sprachen: Diese Lektionen sind primär in Python geschrieben, viele auch in R verfügbar. Um eine R-Lektion abzuschließen, gehen Sie in den /solution-Ordner und suchen Sie nach R-Lektionen. Diese haben die Dateiendung .rmd, was für R Markdown steht – ein Format, das Code-Chunks (von R oder anderen Sprachen) und einen YAML-Header (für Formatierungsanweisungen, z. B. PDF-Ausgabe) innerhalb eines Markdown-Dokuments kombiniert. Damit dient es als gutes Framework zur Dokumentation in Data Science, weil es erlaubt, Code, Ausgaben und Erklärungen in Markdown niederzuschreiben. R Markdown-Dokumente können in Formate wie PDF, HTML oder Word gerendert werden. Eine Anmerkung zu Quizzen: Alle Quizze befinden sich im Quiz App Ordner und umfassen insgesamt 52 Quizze mit je drei Fragen. Sie sind aus den Lektionen verlinkt, aber die Quiz-App kann auch lokal ausgeführt werden; folgen Sie den Anweisungen im quiz-app-Ordner, um sie lokal zu hosten oder auf Azure bereitzustellen.

Lektion Nummer	Thema	Lektion Gruppierung	Lernziele	Verknüpfte Lektion	Autor
01	Einführung in das maschinelle Lernen	Einführung	Lernen Sie die grundlegenden Konzepte hinter dem maschinellen Lernen	Lektion	Muhammad
02	Die Geschichte des maschinellen Lernens	Einführung	Lernen Sie die Geschichte dieses Fachgebiets	Lektion	Jen und Amy
03	Gerechtigkeit und maschinelles Lernen	Einführung	Was sind die wichtigen philosophischen Fragen zur Gerechtigkeit, die Studierende beim Erstellen und Anwenden von ML-Modellen beachten sollten?	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 die Regression	Regression	Einstieg in Python und Scikit-learn für Regressionsmodelle	Python • R	Jen • Eric Wanjau
06	Nordamerikanische Kürbnispreise 🎃	Regression	Visualisieren und Säubern von Daten zur Vorbereitung auf ML	Python • R	Jen • Eric Wanjau
07	Nordamerikanische Kürbnispreise 🎃	Regression	Erstellen linearer und polynomieller Regressionsmodelle	Python • R	Jen und Dmitry • Eric Wanjau
08	Nordamerikanische Kürbnispreise 🎃	Regression	Erstellen eines logistischen Regressionsmodells	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 Klassifizierung	Klassifizierung	Daten bereinigen, vorbereiten und visualisieren; Einführung in die Klassifizierung	Python • R	Jen und Cassie • Eric Wanjau
11	Köstliche asiatische und indische Küchen 🍜	Klassifizierung	Einführung in Klassifizierer	Python • R	Jen und Cassie • Eric Wanjau
12	Köstliche asiatische und indische Küchen 🍜	Klassifizierung	Weitere Klassifizierer	Python • R	Jen und Cassie • Eric Wanjau
13	Köstliche asiatische und indische Küchen 🍜	Klassifizierung	Erstellen Sie eine Empfehlungs-Web-App basierend auf Ihrem Modell	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	Erforschen 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 NLP-Wissen durch das Verständnis gängiger Aufgaben bei der Arbeit mit Sprachstrukturen	Python	Stephen
18	Übersetzung und Stimmungsanalyse ♥️	Verarbeitung natürlicher Sprache	Übersetzung und Stimmungsanalyse mit Jane Austen	Python	Stephen
19	Romantische Hotels in Europa ♥️	Verarbeitung natürlicher Sprache	Stimmungsanalyse mit Hotelbewertungen 1	Python	Stephen
20	Romantische Hotels in Europa ♥️	Verarbeitung natürlicher Sprache	Stimmungsanalyse mit Hotelbewertungen 2	Python	Stephen
21	Einführung in die Zeitreihenprognose	Zeitreihen	Einführung in die Zeitreihenprognose	Python	Francesca
22	⚡️ Weltweiter Energieverbrauch ⚡️ - Zeitreihenprognose mit ARIMA	Zeitreihen	Zeitreihenprognose mit ARIMA	Python	Francesca
23	⚡️ Weltweiter Energieverbrauch ⚡️ - Zeitreihenprognose mit SVR	Zeitreihen	Zeitreihenprognose mit Support Vector Regressor	Python	Anirban
24	Einführung ins 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
Nachtrag	Anwendungsbeispiele und Szenarien aus der Praxis	ML in the Wild	Interessante und aufschlussreiche reale Anwendungen klassischer ML	Lektion	Team
Nachtrag	Modellsuche und -debugging in ML mit RAI Dashboard	ML in the Wild	Modellsuche und Debugging im maschinellen Lernen mithilfe der Responsible AI Dashboard-Komponenten	Lektion	Ruth Yakubu

Finden Sie alle zusätzlichen Ressourcen zu diesem Kurs in unserer Microsoft Learn Sammlung

Offline-Zugriff

Sie können diese Dokumentation offline mit Docsify nutzen. 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 an Ihrem lokalen Host bereitgestellt: localhost:3000.

PDFs

Ein PDF des Curriculums mit Links finden Sie hier.

🎒 Weitere Kurse

Unser Team produziert weitere Kurse! Schauen Sie rein:

LangChain

---

Azure / Edge / MCP / Agents

---

Generative AI Series

---

Kernlernen

---

Copilot-Reihe

Hilfe erhalten

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

Wenn Sie Produktfeedback oder Fehler beim Entwickeln haben, besuchen Sie:

---

Haftungsausschluss: Dieses Dokument wurde mithilfe des KI-Übersetzungsdienstes Co-op Translator übersetzt. Obwohl wir uns um Genauigkeit bemühen, möchten wir darauf hinweisen, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner Originalsprache 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 Nutzung dieser Übersetzung entstehen.