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) | Tamil | Telugu | Thailändisch | Türkisch | Ukrainisch | Urdu | Vietnamesisch
Möchten Sie lokal klonen?
Dieses Repository enthält über 50 Sprachübersetzungen, was die Download-Größe 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"Dies gibt Ihnen alles, was Sie für den Kurs benötigen, bei einem viel schnelleren Download.
Wir führen eine laufende Discord-Lernserie mit KI durch, erfahren Sie mehr und machen Sie mit bei Learn with AI Series vom 18. bis 30. September 2025. Sie erhalten Tipps und Tricks zur Nutzung von GitHub Copilot für Data Science.
🌍 Reisen Sie um die Welt, während wir Machine Learning anhand von Weltkulturen erkunden 🌍
Cloud Advocates bei Microsoft freuen sich, einen 12-wöchigen Lehrplan mit 26 Lektionen zum Thema Machine Learning anzubieten. In diesem Lehrplan lernen Sie, was manchmal als klassisches Machine Learning bezeichnet wird, wobei vor allem Scikit-learn als Bibliothek verwendet wird, und Deep Learning vermieden wird, das in unserem AI for Beginners Lehrplan 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 anwenden. Jede Lektion umfasst Pre- und Post-Lektionen-Quiz, schriftliche Anweisungen zur Durchführung der Lektion, eine Lösung, eine Aufgabe und mehr. Unsere projektbasierte Didaktik ermöglicht es Ihnen, beim Bauen zu lernen – eine bewährte Methode, damit neue Kenntnisse '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
🎨 Vielen Dank auch an unsere Illustratoren Tomomi Imura, Dasani Madipalli und Jen Looper
🙏 Besonderer Dank 🙏 an unsere Microsoft Student Ambassador Autoren, Gutachter und Beitragenden, 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 die Schaltfläche „Fork“ 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 unseren Fehlerbehebungsleitfaden für Lösungen zu häufigen Problemen bei Installation, Einrichtung und Ausführen der Lektionen.
Schüler, um diesen Lehrplan zu verwenden, forken Sie das gesamte Repo auf Ihr eigenes GitHub-Konto und absolvieren Sie die Übungen allein oder in einer Gruppe:
- Beginnen Sie mit einem Pre-Lecture-Quiz.
- Lesen Sie die Vorlesung und führen Sie die Aktivitäten durch, pausieren und reflektieren Sie bei jeder Wissensüberprüfung.
- Versuchen Sie, die Projekte zu erstellen, indem Sie die Lektionen verstehen, anstatt den Lösungscode auszuführen; dieser Code ist jedoch in den
/solution-Ordnern jeder projektorientierten Lektion verfügbar. - Machen Sie das Post-Lecture-Quiz.
- Beenden Sie die Challenge.
- Erledigen Sie die Aufgabe.
- Nach Abschluss einer Lektionengruppe besuchen Sie das Diskussionsboard und „lernen laut“ durch Ausfüllen der entsprechenden PAT-Rubrik. Ein „PAT“ ist ein Progress Assessment Tool, eine Rubrik, die Sie ausfüllen, um Ihr Lernen zu vertiefen. Sie können auch auf andere PATs reagieren, sodass wir gemeinsam lernen können.
Für weiterführendes Studium empfehlen wir diese Microsoft Learn Module und Lernpfade.
Lehrkräfte, wir haben einige Vorschläge zur Verwendung dieses Lehrplans bereitgestellt.
Einige Lektionen sind als Kurzvideos verfügbar. Sie finden diese alle inline in den Lektionen oder auf 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 für ein Video über das Projekt und die Leute, die es erstellt haben!
Wir haben beim Aufbau dieses Lehrplans zwei didaktische Grundsätze gewählt: sicherzustellen, dass er projektbasiert und praxisnah ist, und dass er häufige Quizze enthält. Zudem hat dieser Lehrplan ein gemeinsames Thema, um ihm Kohärenz zu verleihen.
Indem sichergestellt wird, dass die Inhalte zu Projekten passen, wird der Prozess für Lernende ansprechender und das Behalten der Konzepte wird gefördert. Ein Low-Stakes-Quiz vor der Unterrichtsstunde setzt die Lernabsicht des Schülers, während ein zweites Quiz nach der Stunde die Erinnerung weiter festigt. Dieser Lehrplan ist flexibel und macht Spaß, er kann vollständig oder teilweise absolviert werden. Die Projekte beginnen klein und werden bis zum Ende des 12-Wochen-Zyklus zunehmend komplexer. Dieser Lehrplan enthält außerdem ein Nachwort zu realen Anwendungen von ML, das als Bonus oder Diskussionsgrundlage verwendet werden kann.
Finden Sie unsere Verhaltensregeln, Beitragsrichtlinien, Übersetzungsinformationen und Fehlerbehebungsanleitungen. Wir freuen uns über konstruktives Feedback!
- optionale Sketchnote
- optionales ergänzendes Video
- Videoanleitung (nur bei einigen Lektionen)
- Pre-Lecture Warmup-Quiz
- schriftliche Lektion
- bei projektbasierten Lektionen Schritt-für-Schritt-Anleitungen zum Erstellen des Projekts
- Wissensüberprüfungen
- eine Challenge
- ergänzende Lektüre
- Aufgabe
- Post-Lecture Quiz
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 enthalten eine .rmd-Erweiterung, die eine R Markdown-Datei darstellt, die einfach als Einbettung vonCodeabschnitten(in 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 Autorensystem für Data Science, da es Ihnen erlaubt, Ihren Code, dessen Ausgabe und Ihre Gedanken zu kombinieren und diese in Markdown niederzuschreiben. Darüber hinaus können R Markdown-Dokumente in Ausgabeformate wie PDF, HTML oder Word gerendert werden.
Eine Anmerkung zu Quizzen: Alle Quizze befinden sich im Quiz App Ordner, für insgesamt 52 Quizze mit jeweils drei Fragen. Sie sind in den Lektionen verlinkt, aber die Quiz-App kann lokal ausgeführt werden; folgen Sie den Anweisungen im
quiz-app-Ordner, um diese lokal zu hosten oder auf Azure zu deployen.
| Lektion Nummer | Thema | Lektion Gruppierung | Lernziele | Verlinkte Lektion | Autor |
|---|---|---|---|---|---|
| 01 | Einführung in maschinelles Lernen | Einführung | Lernen Sie die grundlegenden Konzepte des maschinellen Lernens | 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 | Was sind die wichtigen philosophischen Fragen zur Fairness, die man beim Aufbau und der Anwendung von ML-Modellen beachten sollte? | Lektion | Tomomi |
| 04 | Techniken für maschinelles Lernen | Einführung | Welche Techniken verwenden ML-Forscher zum Aufbau von ML-Modellen? | 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 | Baue eine Web-App, um dein trainiertes Modell zu nutzen | Python | Jen |
| 10 | Einführung in die Klassifikation | Classification | Bereinigen, vorbereiten und visualisieren der Daten; Einführung in Klassifikation | Python • R | Jen und Cassie • Eric Wanjau |
| 11 | Köstliche asiatische und indische Küchen 🍜 | Classification | Einführung in Klassifikatoren | Python • R | Jen und Cassie • Eric Wanjau |
| 12 | Köstliche asiatische und indische Küchen 🍜 | Classification | Weitere Klassifikatoren | Python • R | Jen und Cassie • Eric Wanjau |
| 13 | Köstliche asiatische und indische Küchen 🍜 | Classification | Baue eine Empfehlungs-Web-App mithilfe deines Modells | Python | Jen |
| 14 | Einführung in Clustering | Clustering | Bereinigen, vorbereiten und visualisieren der Daten; Einführung in Clustering | Python • R | Jen • Eric Wanjau |
| 15 | Erforschung nigerianischer Musikgeschmäcker 🎧 | Clustering | Erforsche das K-Means Clustering-Verfahren | Python • R | Jen • Eric Wanjau |
| 16 | Einführung in die Verarbeitung natürlicher Sprache ☕️ | Natural language processing | Lerne die Grundlagen von NLP durch den Bau eines einfachen Bots | Python | Stephen |
| 17 | Häufige NLP-Aufgaben ☕️ | Natural language processing | Vertiefe dein NLP-Wissen durch Verständnis der gängigen 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-Vorhersage | Time series | Einführung in die Zeitreihen-Vorhersage | Python | Francesca |
| 22 | ⚡️ Weltstromverbrauch ⚡️ - Zeitreihen-Vorhersage mit ARIMA | Time series | Zeitreihen-Vorhersage mit ARIMA | Python | Francesca |
| 23 | ⚡️ Weltstromverbrauch ⚡️ - Zeitreihen-Vorhersage mit SVR | Time series | Zeitreihen-Vorhersage 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 auszuweichen! 🐺 | Reinforcement learning | Reinforcement Learning mit Gym | Python | Dmitry |
| Nachwort | Szenarien und Anwendungen von ML in der Praxis | ML in the Wild | Interessante und aufschlussreiche reale Anwendungsfälle klassischer ML | Lektion | Team |
| Nachwort | Modell-Debugging im ML mit RAI-Dashboard | ML in the Wild | Modell-Debugging im maschinellen Lernen mit Responsible AI Dashboard-Komponenten | Lektion | Ruth Yakubu |
Finden Sie alle zusätzlichen Ressourcen zu diesem Kurs in unserer Microsoft Learn Sammlung
Sie können diese Dokumentation offline nutzen, indem Sie Docsify verwenden. Forken Sie dieses Repo, installieren Sie Docsify auf Ihrem lokalen Computer und geben Sie dann im Stammverzeichnis dieses Repos docsify serve ein. Die Website wird auf Port 3000 auf Ihrem lokalen Host gehostet: localhost:3000.
Finden Sie eine PDF-Version des Lehrplans mit Links hier.
Unser Team produziert weitere Kurse! Schauen 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 feststecken oder Fragen zum Erstellen von KI-Apps haben, schließen Sie sich 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 Erstellen haben, besuchen Sie:
- Überprüfen Sie Notizbücher nach jeder Lektion für ein besseres Verständnis.
- Üben Sie, Algorithmen selbst umzusetzen.
- Erkunden Sie reale Datensätze mit den gelernten Konzepten.
Haftungsausschluss:
Dieses Dokument wurde mit dem KI-Übersetzungsdienst Co-op Translator übersetzt. Obwohl wir uns um Genauigkeit bemühen, kann es vorkommen, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten. Das Originaldokument in seiner ursprünglichen Sprache 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 Verwendung dieser Übersetzung entstehen.