27 KiB

Raw Blame History Unescape Escape

🌐 Mehrsprachige Unterstützung

Unterstützt durch GitHub Action (Automatisch & Immer aktuell)

Trete unserer Community bei

Wir haben eine laufende Discord-Serie "Lernen mit KI". Erfahre mehr und schließe dich uns an bei Lernen mit KI-Serie 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 🌍

Cloud Advocates bei Microsoft freuen sich, einen 12-wöchigen, 26-Lektionen umfassenden Lehrplan rund um Maschinelles Lernen anzubieten. In diesem Lehrplan lernst du das, was manchmal als klassisches maschinelles Lernen bezeichnet wird, hauptsächlich mit der Bibliothek Scikit-learn und ohne tiefes Lernen, 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 Vor- und Nachtests, schriftliche Anweisungen 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 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

Folge diesen Schritten:

Forke das Repository: Klicke auf die Schaltfläche "Fork" oben rechts auf dieser Seite.
Klone das Repository: git clone https://github.com/microsoft/ML-For-Beginners.git

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

🔧 Braucht ihr Hilfe? Schaut in unseren Troubleshooting Guide für Lösungen zu häufigen Problemen bei Installation, Einrichtung und Durchführung der Lektionen.

Studenten, um diesen Lehrplan zu nutzen, forkt das gesamte Repository in euren eigenen GitHub-Account und bearbeitet die Übungen alleine oder in einer Gruppe:

Beginnt mit einem Vorlesungsquiz.
Lest die Lektion und führt die Aktivitäten durch, pausiert und reflektiert bei jedem Wissenscheck.
Versucht, die Projekte zu erstellen, indem ihr die Lektionen versteht, anstatt den Lösungscode auszuführen; dieser Code ist jedoch in den /solution-Ordnern jeder projektorientierten Lektion verfügbar.
Macht das Nachlesungsquiz.
Schließt die Herausforderung ab.
Schließt die Aufgabe ab.
Nach Abschluss einer Lektionengruppe besucht das Diskussionsforum und "lernt laut", indem ihr das entsprechende PAT-Raster ausfüllt. Ein 'PAT' ist ein Fortschrittsbewertungstool, das ein Raster ist, das ihr ausfüllt, um euer Lernen zu vertiefen. Ihr könnt auch auf andere PATs reagieren, damit wir gemeinsam lernen können.

Für weiterführendes Lernen empfehlen wir, diesen Microsoft Learn-Modulen und Lernpfaden zu folgen.

Lehrer, wir haben einige Vorschläge aufgenommen, wie dieser Lehrplan genutzt werden kann.

Videoanleitungen

Einige der Lektionen sind als kurze Videos verfügbar. Ihr findet alle diese Videos in den Lektionen oder in der ML for Beginners Playlist auf dem Microsoft Developer YouTube-Kanal, indem ihr auf das Bild unten klickt.

Das Team kennenlernen

Gif von Mohit Jaisal

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

Pädagogik

Wir haben zwei pädagogische Grundsätze gewählt, während wir diesen Lehrplan erstellt haben: sicherzustellen, dass er 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 Schüler ansprechender und die Beibehaltung der Konzepte wird verbessert. Darüber hinaus setzt ein niedrigschwelliges Quiz vor einer Klasse die Absicht des Schülers, ein Thema zu lernen, während ein zweites Quiz nach der Klasse die Beibehaltung weiter fördert. Dieser Lehrplan wurde so gestaltet, dass er flexibel und unterhaltsam ist und ganz oder teilweise absolviert werden kann. Die Projekte beginnen klein und werden am Ende des 12-wöchigen Zyklus zunehmend komplexer. Dieser Lehrplan enthält auch einen Nachtrag zu realen Anwendungen des maschinellen Lernens, der als Zusatzpunkt oder als Grundlage für Diskussionen verwendet werden kann.

Findet unseren Verhaltenskodex, Beitragsrichtlinien, Übersetzungsrichtlinien und Troubleshooting-Richtlinien. Wir freuen uns über euer konstruktives Feedback!

Jede Lektion enthält

optionales Sketchnote
optionales ergänzendes Video
Videoanleitung (nur einige Lektionen)
Vorlesungs-Warmup-Quiz
schriftliche Lektion
für projektbasierte Lektionen, Schritt-für-Schritt-Anleitungen zum Erstellen des Projekts
Wissenschecks
eine Herausforderung
ergänzende Lektüre
Aufgabe
Nachlesungsquiz

Hinweis zu den Sprachen: Diese Lektionen sind hauptsächlich in Python geschrieben, viele sind jedoch auch in R verfügbar. Um eine R-Lektion abzuschließen, geht in den /solution-Ordner und sucht nach R-Lektionen. Sie enthalten eine .rmd-Erweiterung, die eine R Markdown-Datei darstellt, die einfach als Einbettung von Code-Schnipseln (von 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 euch ermöglicht, euren Code, dessen Ausgabe und eure Gedanken zu kombinieren, indem ihr sie in Markdown niederschreibt. 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 innerhalb der Lektionen verlinkt, aber die Quiz-App kann lokal ausgeführt werden; folgt den Anweisungen im quiz-app-Ordner, um sie lokal zu hosten oder auf Azure bereitzustellen.

Lektion Nummer	Thema	Lektionengruppe	Lernziele	Verlinkte Lektion	Autor
01	Einführung in maschinelles Lernen	Einführung	Lerne die grundlegenden Konzepte des maschinellen Lernens kennen	Lektion	Muhammad
02	Die Geschichte des maschinellen Lernens	Einführung	Erfahre mehr über die Geschichte dieses Fachgebiets	Lektion	Jen und Amy
03	Fairness und maschinelles Lernen	Einführung	Welche wichtigen philosophischen Fragen zur Fairness sollten Studierende berücksichtigen, wenn sie ML-Modelle erstellen und anwenden?	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	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 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 dein trainiertes 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	Lerne die Grundlagen der NLP, indem du einen einfachen Bot erstellst	Python	Stephen
17	Häufige NLP-Aufgaben ☕️	Verarbeitung natürlicher Sprache	Vertiefe dein Wissen über NLP, indem du die häufigsten Aufgaben beim 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	Szenarien und Anwendungen von ML in der Praxis	ML in der Praxis	Interessante und aufschlussreiche reale Anwendungen des klassischen ML	Lektion	Team
Postscript	Modell-Debugging in ML mit RAI-Dashboard	ML in der Praxis	Modell-Debugging im maschinellen 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 Stammverzeichnis 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:

Hilfe erhalten

Wenn du feststeckst oder Fragen zum Erstellen von KI-Anwendungen hast, tritt bei:

Wenn du Produktfeedback hast oder auf Fehler beim Erstellen stößt, besuche:

Haftungsausschluss:
Dieses Dokument wurde mit dem KI-Übersetzungsdienst Co-op Translator übersetzt. Obwohl wir uns um Genauigkeit bemühen, beachten Sie bitte, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner ursprünglichen Sprache sollte als maßgebliche Quelle betrachtet werden. 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.

27 KiB Raw Blame History Unescape Escape