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 | Khmer | 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 | Suaheli | Schwedisch | Tagalog (Filipino) | Tamil | Telugu | Thailändisch | Türkisch | Ukrainisch | Urdu | Vietnamesisch
Bevorzugen Sie das lokale Klonen?
Dieses Repository enthält über 50 Übersetzungen, was die Downloadgröße erheblich erhöht. 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"So erhalten Sie alles, was Sie brauchen, um den Kurs mit einem viel schnelleren Download abzuschließen.
Wir veranstalten eine Discord-Lernserie mit KI, erfahren Sie mehr und nehmen Sie zwischen dem 18. und 30. September 2025 teil unter Learn with AI Series. Sie erhalten Tipps und Tricks zur Nutzung von GitHub Copilot für Data Science.
🌍 Reisen Sie um die Welt, während wir Maschinelles Lernen anhand von Weltkulturen erkunden 🌍
Die Cloud Advocates bei Microsoft freuen sich, einen 12-wöchigen Lehrplan mit 26 Lektionen rund um 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 vermieden wird, das im Rahmen unseres AI for Beginners-Kurrikulums behandelt wird. Kombinieren Sie diese Lektionen auch mit unserem 'Data Science for Beginners' Lehrplan!
Reisen Sie mit uns um die Welt, während wir diese klassischen Techniken auf Daten aus vielen Regionen der Welt anwenden. Jede Lektion enthält Tests vor und nach der Lektion, schriftliche Anweisungen zur Durchführung der Lektion, eine Lösung, eine Aufgabe und mehr. Unsere projektbasierte Pädagogik ermöglicht Ihnen das Lernen durch Bauen, eine bewährte Methode, um neue Fähigkeiten 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
🎨 Vielen 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 die 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 die Schaltfläche „Fork“ oben rechts auf dieser Seite.
- Clonen 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 Collection
🔧 Brauchen Sie Hilfe? Schauen Sie in unseren Troubleshooting Guide für Lösungen zu häufigen Problemen bei Installation, Einrichtung und Ausführung der Lektionen.
Studierende, verwenden Sie für diesen Lehrplan das gesamte Repo und bearbeiten Sie die Übungen eigenständig oder in einer Gruppe:
- Beginnen Sie mit einem Quiz vor der Vorlesung.
- Lesen Sie die Vorlesung und absolvieren Sie die Aktivitäten, pausieren und reflektieren Sie jeweils bei den Wissensüberprüfungen.
- Versuchen Sie, die Projekte durch Verständnis der Lektionen anzulegen, anstatt die Lösungscode einfach auszuführen; dieser Code ist jedoch in den
/solution-Ordnern jeder projektorientierten Lektion verfügbar. - Machen Sie das Quiz nach der Vorlesung.
- Bearbeiten Sie die Herausforderung.
- Erledigen Sie die Aufgabe.
- Nach Abschluss einer Lektionengruppe besuchen Sie das Diskussionsforum und „lernen laut“ durch Ausfüllen der passenden PAT-Rubrik. Ein 'PAT' ist ein Fortschrittsbewertungstool, das eine Rubrik ist, die Sie ausfüllen, um Ihr Lernen zu vertiefen. Sie können auch auf andere PATs reagieren, damit wir gemeinsam lernen können.
Zum weiteren Lernen empfehlen wir diese Microsoft Learn Module und Lernpfade.
Lehrkräfte, wir haben einige Vorschläge zur Verwendung dieses Lehrplans bereitgestellt.
Einige der Lektionen sind als Kurzvideos verfügbar. Sie finden alle diese Videos direkt in den Lektionen oder in der ML for Beginners-Playlist auf dem Microsoft Developer YouTube-Kanal, indem Sie auf das Bild unten klicken.
Gif von Mohit Jaisal
🎥 Klicken Sie auf das Bild oben, um ein Video über das Projekt und die Personen, die es erstellt haben, zu sehen!
Beim Erstellen dieses Lehrplans haben wir uns für zwei pädagogische Grundsätze entschieden: Er soll praxisnah projektbasiert sein und häufige Quizfragen enthalten. Darüber hinaus verfügt der Lehrplan über ein gemeinsames Thema für mehr Zusammenhalt.
Indem der Inhalt an Projekte gekoppelt wird, wird der Prozess für die Lernenden ansprechender und das Verständnis der Konzepte wird verbessert. Zudem setzt ein Quiz vor einer Lektion die Lernmotivation, während ein zweites Quiz nach der Lektion die weitere Behaltensleistung unterstützt. Dieser Lehrplan wurde so gestaltet, dass er flexibel und unterhaltsam ist und komplett oder teilweise durchgearbeitet werden kann. Die Projekte beginnen klein und werden bis zum Ende des 12-wöchigen Zyklus zunehmend komplexer. Im Lehrplan ist zudem ein Nachwort zu Real-World-Anwendungen von ML enthalten, das als Bonus oder Diskussionsgrundlage genutzt werden kann.
Finden Sie unseren Verhaltenskodex, Beitragsleitfaden, Übersetzungen und Troubleshooting. Wir freuen uns über Ihr konstruktives Feedback!
- optionales Sketchnote
- optionales ergänzendes Video
- Video-Durchgang (nur einige Lektionen)
- Quiz vor der Vorlesung
- schriftliche Lektion
- bei projektbasierten Lektionen Schritt-für-Schritt-Anleitungen zum Erstellen des Projekts
- Wissensüberprüfungen
- eine Herausforderung
- ergänzende Lektüre
- Aufgabe
- Quiz nach der Vorlesung
Eine Anmerkung zu den Sprachen: Diese Lektionen sind hauptsächlich in Python verfasst, aber viele sind auch in R verfügbar. Um eine R-Lektion abzuschließen, gehen Sie in den Ordner
/solutionund suchen Sie nach R-Lektionen. Diese haben die Endung .rmd, was eine R Markdown-Datei darstellt, die einfach als Einbettung vonCodeblöcken(in R oder anderen Sprachen) und einemYAML-Kopf(der angibt, wie Ausgaben wie PDF formatiert werden) in einemMarkdown-Dokumentdefiniert werden kann. Somit dient sie als beispielhaftes Autorensystem 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 Ausgabeformate wie PDF, HTML oder Word gerendert werden.
Eine Anmerkung zu Quizzen: Alle Quizze sind im Ordner Quiz App folder enthalten, insgesamt 52 Quizze mit jeweils drei Fragen. Sie sind in den Lektionen verlinkt, aber die Quiz-App kann auch lokal ausgeführt werden; folgen Sie der Anleitung im Ordner
quiz-app, um sie lokal zu hosten oder auf Azure bereitzustellen.
| Lesson Number | Topic | Lesson Grouping | Learning Objectives | Linked Lesson | Author |
|---|---|---|---|---|---|
| 01 | Einführung in maschinelles Lernen | Introduction | Lernen Sie die grundlegenden Konzepte des maschinellen Lernens | Lesson | Muhammad |
| 02 | Die Geschichte des maschinellen Lernens | Introduction | Lernen Sie die zugrundeliegende Geschichte dieses Feldes | Lesson | Jen und Amy |
| 03 | Fairness und maschinelles Lernen | Introduction | Welche wichtigen philosophischen Fragen zur Fairness sollten Studierende beim Erstellen und Anwenden von ML-Modellen bedenken? | Lesson | Tomomi |
| 04 | Techniken für maschinelles Lernen | Introduction | Welche Techniken verwenden ML-Forscher, um ML-Modelle zu erstellen? | Lesson | Chris und 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 für 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 aufbauen | Python • R | Jen • Eric Wanjau |
| 09 | Eine Web-App 🔌 | Web App | Eine Web-App erstellen, um Ihr trainiertes Modell zu verwenden | Python | Jen |
| 10 | Einführung in die Klassifikation | Classification | Daten bereinigen, vorbereiten und visualisieren; Einführung in Klassifikation | Python • R | Jen und Cassie • Eric Wanjau |
| 11 | Köstliche asiatische und indische Küchen 🍜 | Classification | Einführung in Klassifizierer | Python • R | Jen und Cassie • Eric Wanjau |
| 12 | Köstliche asiatische und indische Küchen 🍜 | Classification | Weitere Klassifizierer | Python • R | Jen und Cassie • Eric Wanjau |
| 13 | Köstliche asiatische und indische Küchen 🍜 | Classification | Eine Empfehlungs-Web-App mit Ihrem Modell bauen | Python | Jen |
| 14 | Einführung in das Clustering | Clustering | Daten bereinigen, vorbereiten und visualisieren; Einführung in Clustering | Python • R | Jen • Eric Wanjau |
| 15 | Erkundung nigerianischer Musikgeschmäcker 🎧 | Clustering | Die K-Means-Clustering-Methode erkunden | Python • R | Jen • Eric Wanjau |
| 16 | Einführung in die natürliche Sprachverarbeitung ☕️ | Natural language processing | Grundlagen der NLP lernen, indem Sie einen einfachen Bot erstellen | Python | Stephen |
| 17 | Übliche NLP-Aufgaben ☕️ | Natural language processing | Vertiefen Sie Ihr NLP-Wissen, indem Sie häufige Aufgaben verstehen, die beim Umgang mit Sprachstrukturen notwendig sind | 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 die Zeitreihenprognose | Time series | Einführung in Zeitreihenprognosen | Python | Francesca |
| 22 | ⚡️ Weltweiter Stromverbrauch ⚡️ - Zeitreihenprognose mit ARIMA | Time series | Zeitreihenprognose mit ARIMA | Python | Francesca |
| 23 | ⚡️ Weltweiter Stromverbrauch ⚡️ - Zeitreihenprognose mit SVR | Time series | Zeitreihenprognose mit Support Vector Regressor | Python | Anirban |
| 24 | Einführung in das Reinforcement Learning | Reinforcement learning | Einführung in Reinforcement Learning mit Q-Learning | Python | Dmitry |
| 25 | Helfen Sie Peter, dem Wolf zu entkommen! 🐺 | Reinforcement learning | Reinforcement Learning Gym | Python | Dmitry |
| Postscript | Real-World ML-Szenarien und Anwendungen | ML in the Wild | Interessante und aufschlussreiche Anwendungsfälle klassischer ML | Lesson | Team |
| Postscript | Modell-Debugging in ML mit dem RAI-Dashboard | ML in the Wild | Modell-Debugging im maschinellen Lernen mit Komponenten des Responsible AI Dashboards | Lesson | 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 Hauptverzeichnis dieses Repositorys docsify serve ein. Die Webseite wird lokal auf Port 3000 verfügbar sein: localhost:3000.
Ein PDF des Lehrplans mit Links finden Sie hier.
Unser Team produziert weitere Kurse! Sehen Sie sich an:
-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 Sie stecken bleiben oder Fragen zum Erstellen von KI-Anwendungen haben, nehmen Sie an Diskussionen über MCP mit anderen Lernenden und erfahrenen Entwicklern teil. Es ist eine unterstützende Gemeinschaft, in der Fragen willkommen sind und Wissen frei geteilt wird.
Wenn Sie Produktfeedback oder Fehler beim Erstellen haben, besuchen Sie:
- Überprüfen Sie Notizbücher nach jeder Lektion für ein besseres Verständnis.
- Üben Sie die Implementierung von Algorithmen selbst.
- Erkunden Sie reale Datensätze unter Verwendung der gelernten Konzepte.
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 Ursprungssprache ist als maßgebliche Quelle zu betrachten. Für kritische Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die aus der Verwendung dieser Übersetzung entstehen.