Französisch | Spanisch | Deutsch | Russisch | Arabisch | Persisch (Farsi) | Urdu | Chinesisch (Vereinfacht) | Chinesisch (Traditionell, Macau) | Chinesisch (Traditionell, Hongkong) | Chinesisch (Traditionell, Taiwan) | Japanisch | Koreanisch | Hindi | Bengalisch | Marathi | Nepalesisch | Punjabi (Gurmukhi) | Portugiesisch (Portugal) | Portugiesisch (Brasilien) | Italienisch | Polnisch | Türkisch | Griechisch | Thailändisch | Schwedisch | Dänisch | Norwegisch | Finnisch | Niederländisch | Hebräisch | Vietnamesisch | Indonesisch | Malaiisch | Tagalog (Filipino) | Suaheli | Ungarisch | Tschechisch | Slowakisch | Rumänisch | Bulgarisch | Serbisch (Kyrillisch) | Kroatisch | Slowenisch | Ukrainisch | Birmanisch (Myanmar)
Wir veranstalten derzeit eine Discord-Serie zum Thema "Lernen mit KI". Erfahre mehr und schließe dich uns an bei der Learn with AI Series vom 18. bis 30. September 2025. Du erhältst Tipps und Tricks zur Nutzung von GitHub Copilot für Data Science.
🌍 Reise um die Welt, während wir Maschinelles Lernen durch die Kulturen der Welt erkunden 🌍
Die Cloud Advocates bei Microsoft freuen sich, einen 12-wöchigen, 26-teiligen Lehrplan rund um das Thema Maschinelles Lernen anzubieten. In diesem Lehrplan lernst du die Grundlagen des sogenannten klassischen maschinellen Lernens, hauptsächlich unter Verwendung der Bibliothek Scikit-learn, und vermeidest Deep Learning, 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 anwenden. Jede Lektion enthält Quizfragen vor und nach der Lektion, schriftliche Anleitungen 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 nachhaltig zu erlernen.
✍️ 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
🎨 Ein großes Dankeschön auch an unsere Illustratoren Tomomi Imura, Dasani Madipalli und Jen Looper
🙏 Besonderer Dank 🙏 an unsere Microsoft Student Ambassador Autoren, Reviewer und Inhaltsbeitragenden, insbesondere 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!
Folge diesen Schritten:
- Forke das Repository: Klicke auf die Schaltfläche "Fork" oben rechts auf dieser Seite.
- Klonen des Repositorys:
git clone https://github.com/microsoft/ML-For-Beginners.git
Finde alle zusätzlichen Ressourcen für diesen Kurs in unserer Microsoft Learn-Sammlung
🔧 Brauchst du Hilfe? Sieh dir unseren Troubleshooting Guide an, um Lösungen für häufige Probleme bei der Installation, Einrichtung und Durchführung der Lektionen zu finden.
Studierende, um diesen Lehrplan zu nutzen, forkt das gesamte Repository in euren eigenen GitHub-Account und bearbeitet die Übungen alleine oder in einer Gruppe:
- Beginne mit einem Quiz vor der Lektion.
- Lies die Lektion und bearbeite die Aktivitäten, halte an und reflektiere bei jedem Wissenscheck.
- Versuche, die Projekte zu erstellen, indem du die Lektionen verstehst, anstatt den Lösungscode auszuführen; dieser ist jedoch in den
/solution-Ordnern jeder projektorientierten Lektion verfügbar. - Mache das Quiz nach der Lektion.
- Bearbeite die Herausforderung.
- Bearbeite die Aufgabe.
- Nach Abschluss einer Lektionengruppe besuche das Diskussionsforum und "lerne laut", indem du das entsprechende PAT-Raster ausfüllst. Ein 'PAT' ist ein Fortschrittsbewertungstool, das du ausfüllst, um dein Lernen zu vertiefen. Du kannst auch auf andere PATs reagieren, damit wir gemeinsam lernen.
Für weiterführendes Lernen empfehlen wir, diesen Microsoft Learn-Modulen und Lernpfaden zu folgen.
Lehrkräfte, wir haben einige Vorschläge beigefügt, wie dieser Lehrplan genutzt werden kann.
Einige der Lektionen sind als kurze Videos verfügbar. Du findest alle diese Videos in den Lektionen oder in der ML for Beginners-Playlist auf dem Microsoft Developer YouTube-Kanal, indem du auf das Bild unten klickst.
Gif von Mohit Jaisal
🎥 Klicke auf das Bild oben, um ein Video über das Projekt und die Personen dahinter zu sehen!
Wir haben zwei pädagogische Prinzipien 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 Studierenden ansprechender und das Behalten der Konzepte wird verbessert. Ein niedrigschwelliges Quiz vor einer Klasse lenkt die Aufmerksamkeit der Studierenden auf das Lernen eines Themas, während ein zweites Quiz nach der Klasse das Behalten weiter fördert. Dieser Lehrplan wurde so gestaltet, dass er flexibel und unterhaltsam ist und ganz oder teilweise genutzt werden kann. Die Projekte beginnen klein und werden bis zum Ende des 12-wöchigen Zyklus zunehmend komplexer. Dieser Lehrplan enthält auch einen Nachtrag zu realen Anwendungen des maschinellen Lernens, der als Zusatzaufgabe oder als Grundlage für Diskussionen genutzt werden kann.
Finde unsere Verhaltensregeln, Beitragsrichtlinien, Übersetzungsrichtlinien und Fehlerbehebungshinweise. Wir freuen uns über dein konstruktives Feedback!
- optionales Sketchnote
- optionales ergänzendes Video
- Videoanleitung (nur einige Lektionen)
- Quiz zur Vorbereitung auf die Lektion
- schriftliche Lektion
- für projektbasierte Lektionen schrittweise Anleitungen zum Erstellen des Projekts
- Wissensüberprüfungen
- eine Herausforderung
- ergänzende Lektüre
- Aufgabe
- Quiz nach der Lektion
Hinweis zu den Sprachen: Diese Lektionen sind hauptsächlich in Python geschrieben, viele sind jedoch auch in R verfügbar. Um eine R-Lektion abzuschließen, gehe in den
/solution-Ordner und suche nach R-Lektionen. Sie enthalten eine .rmd-Erweiterung, die eine R Markdown-Datei darstellt, die einfach als Einbettung vonCodeblöcken(in R oder anderen Sprachen) und einemYAML-Header(der angibt, wie Ausgaben wie PDF formatiert werden sollen) in einemMarkdown-Dokumentdefiniert werden kann. Als solches dient es als beispielhaftes Autorierungsframework für Data Science, da es dir ermöglicht, deinen Code, dessen Ausgabe und deine Gedanken in Markdown zu kombinieren. 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 in den Lektionen verlinkt, aber die Quiz-App kann lokal ausgeführt werden; folge den Anweisungen im
quiz-app-Ordner, um sie lokal zu hosten oder in Azure bereitzustellen.
| Lektion Nummer | Thema | Lektionengruppe | Lernziele | Verlinkte Lektion | Autor |
|---|---|---|---|---|---|
| 01 | Einführung in das maschinelle Lernen | Einführung | Lerne die grundlegenden Konzepte des maschinellen Lernens | Lektion | Muhammad |
| 02 | Die Geschichte des maschinellen Lernens | Einführung | Erfahren Sie mehr über die Geschichte hinter diesem Bereich | Lektion | Jen und 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-Forscher, um ML-Modelle zu entwickeln? | Lektion | Chris und Jen |
| 05 | Einführung in Regression | Regression | Einstieg in Python und Scikit-learn für Regressionsmodelle | Python • R | Jen • Eric Wanjau |
| 06 | Nordamerikanische Kürbispreise 🎃 | Regression | Daten visualisieren und bereinigen zur Vorbereitung auf maschinelles Lernen | 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 Ihr trainiertes Modell zu nutzen | Python | Jen |
| 10 | Einführung in die Klassifikation | Klassifikation | Daten bereinigen, vorbereiten und visualisieren; Einführung in die 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 Ihrem 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 | Lernen Sie die Grundlagen der NLP, indem Sie einen einfachen Bot erstellen | Python | Stephen |
| 17 | Häufige NLP-Aufgaben ☕️ | Verarbeitung natürlicher Sprache | Vertiefen Sie Ihr Wissen über NLP, indem Sie häufige Aufgaben verstehen, die bei der Arbeit mit Sprachstrukturen erforderlich sind | 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 die Zeitreihenprognose | Zeitreihen | Einführung in die Zeitreihenprognose | Python | Francesca |
| 22 | ⚡️ Weltweiter Stromverbrauch ⚡️ - Zeitreihenprognose mit ARIMA | Zeitreihen | Zeitreihenprognose mit ARIMA | Python | Francesca |
| 23 | ⚡️ Weltweiter Stromverbrauch ⚡️ - Zeitreihenprognose mit SVR | Zeitreihen | 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 zu entkommen! 🐺 | Reinforcement Learning | Reinforcement Learning Gym | Python | Dmitry |
| Postscript | Szenarien und Anwendungen des maschinellen Lernens in der Praxis | ML in der Praxis | Interessante und aufschlussreiche reale Anwendungen des klassischen maschinellen Lernens | Lektion | Team |
| Postscript | Modell-Debugging im maschinellen Lernen mit RAI-Dashboard | ML in der Praxis | 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
Sie können diese Dokumentation offline ausführen, indem Sie Docsify verwenden. Forken Sie dieses Repository, installieren Sie Docsify auf Ihrem lokalen Rechner und geben Sie dann im Stammverzeichnis dieses Repos docsify serve ein. Die Website wird auf Port 3000 auf Ihrem localhost bereitgestellt: localhost:3000.
Finden Sie ein PDF des Lehrplans mit Links hier.
Unser Team erstellt weitere Kurse! Schauen Sie sich an:
- Edge AI für Anfänger
- AI Agents für Anfänger
- Generative AI für Anfänger
- Generative AI für Anfänger .NET
- Generative AI mit JavaScript
- Generative AI mit Java
- AI für Anfänger
- Data Science für Anfänger
- ML für Anfänger
- Cybersecurity für Anfänger
- Webentwicklung für Anfänger
- IoT für Anfänger
- XR-Entwicklung für Anfänger
- Mastering GitHub Copilot für Pair Programming
- Mastering GitHub Copilot für C#/.NET Entwickler
- Wähle dein eigenes Copilot-Abenteuer
Wenn Sie nicht weiterkommen oder Fragen zum Erstellen von KI-Anwendungen haben, treten Sie bei:
Wenn Sie Produktfeedback haben oder auf Fehler stoßen, besuchen Sie:
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.