Arabisch | Bengalisch | Bulgarisch | Birma (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) | Tamil | Telugu | Thailändisch | Türkisch | Ukrainisch | Urdu | Vietnamesisch
Lieber lokal klonen?
Dieses Repository enthält über 50 Sprachübersetzungen, die die Download-Größe deutlich erhöhen. Um ohne Übersetzungen zu klonen, verwenden Sie Sparse Checkout:
Bash / macOS / Linux:
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'CMD (Windows):
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"Das gibt Ihnen alles, was Sie brauchen, um den Kurs viel schneller herunterzuladen.
Wir veranstalten eine Discord Learn with AI Serie, erfahren Sie mehr und machen Sie mit auf Learn with AI Series vom 18. bis 30. September 2025. Sie erhalten Tipps und Tricks zur Verwendung von GitHub Copilot für Data Science.
🌍 Reisen Sie um die Welt, während wir maschinelles Lernen anhand weltweiter Kulturen erkunden 🌍
Cloud Advocates bei Microsoft freuen sich, ein 12-wöchiges Curriculum mit 26 Lektionen rund um Machine Learning anzubieten. In diesem Curriculum lernen Sie, was manchmal als klassisches maschinelles Lernen bezeichnet wird, hauptsächlich mit der Bibliothek Scikit-learn, und umgehen Deep Learning, das in unserem AI for Beginners Curriculum behandelt wird. 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 umfasst Vor- und Nachtests, schriftliche Anweisungen zur Durchführung der Lektion, eine Lösung, eine Aufgabe und mehr. Unsere projektbasierte Didaktik ermöglicht es Ihnen, beim Aufbau zu lernen, eine bewährte Methode, damit neue Fähigkeiten „haften bleiben“.
✍️ 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, 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 Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi und Vidushi Gupta für unsere R-Lektionen!
Folgen Sie diesen Schritten:
- Forken Sie das Repository: Klicken Sie auf den „Fork“-Button oben rechts auf dieser Seite.
- 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? Schauen Sie in unserem Troubleshooting Guide nach Lösungen für häufige Probleme bei Installation, Einrichtung und Ausführen der Lektionen.
Schüler, um dieses Curriculum zu nutzen, forken Sie das gesamte Repo in Ihr eigenes GitHub-Konto und bearbeiten Sie die Übungen selbst oder in einer Gruppe:
- Beginnen Sie mit einem Pre-Lecture Quiz.
- Lesen Sie die Vorlesung und absolvieren Sie die Aktivitäten, pausieren und reflektieren Sie bei jedem Wissenscheck.
- Versuchen Sie, die Projekte zu erstellen, indem Sie die Lektionen verstehen, anstatt nur den Lösungscode auszuführen; dieser Code ist jedoch in den
/solution-Ordnern jeder projektbezogenen Lektion verfügbar. - Machen Sie das Nach-Lecture Quiz.
- Absolvieren Sie die Challenge.
- Bearbeiten Sie die Aufgabe.
- Nach Abschluss einer Lektion besuchen Sie das Discussion Board und „lernen laut“, indem Sie die entsprechende PAT-Bewertung ausfüllen. Ein 'PAT' ist ein Progress Assessment Tool, ein Bewertungsraster, das Sie ausfüllen, um Ihr Lernen zu fördern. Sie können auch auf andere PATs reagieren, sodass wir gemeinsam lernen können.
Für weiterführende Studien empfehlen wir diese Microsoft Learn Module und Lernpfade.
Lehrkräfte, wir haben einige Vorschläge zur Nutzung dieses Curriculums integriert.
Einige Lektionen sind als kurze Videos verfügbar. Sie finden diese Inline in den Lektionen oder auf der ML for Beginners Wiedergabeliste auf dem Microsoft Developer YouTube-Kanal, indem Sie auf das Bild unten klicken.
Gif von Mohit Jaisal
🎥 Klicken Sie auf das obige Bild, um ein Video über das Projekt und die Personen, die es erstellt haben, zu sehen!
Wir haben bei der Erstellung dieses Curriculums zwei pädagogische Grundsätze gewählt: Es soll praxisnah projektbasiert sein und häufige Quizze enthalten. Darüber hinaus hat dieses Curriculum ein gemeinsames Thema, um ihm Kohärenz zu verleihen.
Indem sichergestellt wird, dass die Inhalte auf Projekte abgestimmt sind, wird der Prozess für die Lernenden ansprechender und das Konzeptverständnis wird verbessert. Zudem setzt ein niedrigschwelliges Quiz vor einer Lektion die Lernabsicht, während ein zweites Quiz nach der Klasse die weitere Behaltensleistung sichert. Dieses Curriculum wurde flexibel und unterhaltsam gestaltet und kann ganz oder teilweise absolviert werden. Die Projekte beginnen klein und werden bis zum Ende des 12-Wochen-Zyklus zunehmend komplexer. Dieses Curriculum enthält auch ein Postskript zu realen Anwendungen von ML, das als Zusatzleistung oder Diskussionsgrundlage genutzt werden kann.
Finden Sie unseren Verhaltenskodex, Mitwirkende, Übersetzungen und Fehlerbehebung Leitfäden. Wir freuen uns über Ihr konstruktives Feedback!
- optionale Sketchnote
- optionales ergänzendes Video
- Video-Anleitung (nur einige Lektionen)
- Pre-Lecture Warmup Quiz
- schriftliche Lektion
- für projektbasierte Lektionen Schritt-für-Schritt-Anleitungen zum Projektaufbau
- Wissensüberprüfungen
- eine Herausforderung
- ergänzende Lektüre
- Aufgabe
- Post-Lecture Quiz
Ein Hinweis zu Sprachen: Diese Lektionen sind hauptsächlich in Python geschrieben, aber viele sind auch in R verfügbar. Um eine R-Lektion abzuschließen, gehen Sie zum
/solution-Ordner und suchen Sie nach R-Lektionen. Sie haben eine .rmd-Erweiterung, die eine R Markdown-Datei darstellt, welche als Einbettung vonCode-Chunks(von R oder anderen Sprachen) und einemYAML-Header(der steuert, wie Ausgaben wie PDF formatiert werden) in einemMarkdown-Dokumentdefiniert werden kann. Somit dient es als beispielhaftes Autoren-Framework für Data Science, da Sie damit Ihren Code, die Ausgabe und Ihre Gedanken kombinieren können, indem Sie diese im Markdown-Format notieren. Zudem können R Markdown-Dokumente in Ausgabeformate wie PDF, HTML oder Word gerendert werden. Ein Hinweis zu den Quizzen: Alle Quizze sind im Ordner Quiz App enthalten, insgesamt 52 Quizze mit jeweils drei Fragen. Sie sind aus den Lektionen verlinkt, aber die Quiz-App kann lokal ausgeführt werden; folgen Sie den Anweisungen im Ordnerquiz-app, um sie lokal zu hosten oder in Azure bereitzustellen.
| Lesson Number | Thema | Lektion Gruppe | Lernziele | Verlinkte Lektion | Autor |
|---|---|---|---|---|---|
| 01 | Einführung in maschinelles Lernen | Einführung | Lernen Sie die Grundkonzepte hinter dem maschinellen Lernen | Lektion | Muhammad |
| 02 | Die Geschichte des maschinellen Lernens | Einführung | Lernen Sie die Geschichte dieses Fachgebiets | Lektion | Jen und Amy |
| 03 | Fairness und maschinelles Lernen | Einführung | Welche wichtigen philosophischen Fragen zur Fairness sollten Studierende bei der Entwicklung und Anwendung von ML-Modellen bedenken? | 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 | 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 und 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 zur Nutzung Ihres trainierten Modells | Python | Jen |
| 10 | Einführung in Klassifikation | Classification | Ihre Daten bereinigen, vorbereiten und visualisieren; Einführung in die Klassifikation | Python • R | Jen and Cassie • Eric Wanjau |
| 11 | Köstliche asiatische und indische Küchen 🍜 | Classification | Einführung in Klassifikatoren | Python • R | Jen and Cassie • Eric Wanjau |
| 12 | Köstliche asiatische und indische Küchen 🍜 | Classification | Weitere Klassifikatoren | Python • R | Jen and Cassie • Eric Wanjau |
| 13 | Köstliche asiatische und indische Küchen 🍜 | Classification | Erstellen Sie eine Empfehlungs-Web-App mit Ihrem Modell | Python | Jen |
| 14 | Einführung in Clustering | Clustering | Ihre Daten bereinigen, vorbereiten und visualisieren; Einführung in Clustering | Python • R | Jen • Eric Wanjau |
| 15 | Erkundung des nigerianischen Musikgeschmacks 🎧 | Clustering | Erforschen Sie die K-Means Clustering-Methode | Python • R | Jen • Eric Wanjau |
| 16 | Einführung in die Verarbeitung natürlicher Sprache ☕️ | Natural language processing | Lernen Sie die Grundlagen der NLP, indem Sie einen einfachen Bot erstellen | Python | Stephen |
| 17 | Häufige NLP-Aufgaben ☕️ | Natural language processing | Vertiefen Sie Ihr NLP-Wissen durch das Verständnis häufiger Aufgaben beim Umgang mit Sprachstrukturen | 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 Zeitreihen-Prognosen | Time series | Einführung in die Zeitreihen-Prognose | Python | Francesca |
| 22 | ⚡️ Weltstromverbrauch ⚡️ - Zeitreihen-Prognose mit ARIMA | Time series | Zeitreihen-Prognose mit ARIMA | Python | Francesca |
| 23 | ⚡️ Weltstromverbrauch ⚡️ - Zeitreihen-Prognose mit SVR | Time series | Zeitreihen-Prognose mit Support Vector Regressor | Python | Anirban |
| 24 | Einführung in Verstärkendes Lernen | Reinforcement learning | Einführung in Verstärkendes Lernen mit Q-Learning | Python | Dmitry |
| 25 | Hilf Peter, den Wolf zu vermeiden! 🐺 | Reinforcement learning | Verstärkendes Lernen Gym | Python | Dmitry |
| Postscript | ML-Szenarien und Anwendungen aus der Praxis | ML in the Wild | Interessante und aufschlussreiche Anwendungen von klassischem ML in der Praxis | Lektion | Team |
| Postscript | Modell-Debugging in ML mit RAI Dashboard | ML in the Wild | 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 mit Docsify ausführen. Forken Sie dieses Repository, installieren Sie Docsify auf Ihrem lokalen Rechner, und geben Sie dann im Stammverzeichnis dieses Repos den Befehl docsify serve ein. Die Website wird auf Port 3000 auf Ihrem lokalen Host bereitgestellt: localhost:3000.
Finden Sie hier eine PDF des Lehrplans mit Links hier.
Unser Team erstellt weitere Kurse! Schauen Sie mal rein:
-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA){kind=icon}
-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC){kind=icon}
-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9){kind=icon}
Wenn du nicht weiterkommst oder Fragen zum Erstellen von KI-Anwendungen hast. Tritt anderen Lernenden und erfahrenen Entwicklern bei, um über MCP zu diskutieren. Es ist eine unterstützende Gemeinschaft, in der Fragen willkommen sind und Wissen frei geteilt wird.
Wenn du Produktfeedback hast oder Fehler beim Entwickeln auftreten, besuche:
- Überprüfe nach jeder Lektion die Notebooks für ein besseres Verständnis.
- Übe das Implementieren von Algorithmen selbstständig.
- Erkunde reale Datensätze mithilfe der gelernten Konzepte.
Haftungsausschluss:
Dieses Dokument wurde mithilfe des KI-Übersetzungsdienstes Co-op Translator übersetzt. Obwohl wir uns um Genauigkeit bemühen, kann es bei automatischen Übersetzungen zu Fehlern oder Ungenauigkeiten kommen. Das Originaldokument in seiner Ursprungssprache ist als maßgebliche Quelle zu betrachten. Für wichtige Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die durch die Nutzung dieser Übersetzung entstehen.