ML For Beginners
1.0.0
? Reisen Sie um die Welt, während wir maschinelles Lernen anhand von Weltkulturen erkunden?
Cloud Advocates bei Microsoft freuen sich, einen 12-wöchigen Lehrplan mit 26 Lektionen rund um maschinelles Lernen anbieten zu können. In diesem Lehrplan lernen Sie, was manchmal als klassisches maschinelles Lernen bezeichnet wird, wobei Sie hauptsächlich Scikit-learn als Bibliothek verwenden und Deep Learning vermeiden, was in unserem Lehrplan für KI für Anfänger behandelt wird. Kombinieren Sie diese Lektionen auch mit unserem Lehrplan „Data Science für Anfänger“!
Reisen Sie mit uns um die Welt, während wir diese klassischen Techniken auf Daten aus vielen Regionen der Welt anwenden. Jede Lektion umfasst Quizze vor und nach der Lektion, schriftliche Anweisungen zum Abschließen der Lektion, eine Lösung, eine Aufgabe und mehr. Unsere projektbasierte Pädagogik ermöglicht es Ihnen, beim Bauen zu lernen, eine bewährte Methode, mit der 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
? Vielen Dank auch an unsere Illustratoren Tomomi Imura, Dasani Madipalli und Jen Looper
Besonderer Dank gilt unseren Microsoft Student Ambassador-Autoren, Rezensenten und Inhaltsmitwirkenden , insbesondere Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila und Snigdha Agarwal
? Besonderer Dank geht an die Microsoft-Studentenbotschafter Eric Wanjau, Jasleen Sondhi und Vidushi Gupta für unsere R-Lektionen!
Befolgen Sie diese Schritte:
git clone https://github.com/microsoft/ML-For-Beginners.gitAlle zusätzlichen Ressourcen für diesen Kurs finden Sie in unserer Microsoft Learn-Sammlung
Um diesen Lehrplan zu nutzen, müssen Studierende das gesamte Repo auf ihr eigenes GitHub-Konto übertragen und die Übungen alleine oder mit einer Gruppe absolvieren:
/solution in jeder projektorientierten Lektion verfügbar.Für weitere Studien empfehlen wir die folgenden Microsoft Learn-Module und Lernpfade.
Liebe Lehrer , wir haben einige Vorschläge zur Verwendung dieses Lehrplans beigefügt.
Einige der Lektionen sind als Kurzvideos verfügbar. Sie finden all dies direkt in den Lektionen oder in der Playlist „ML für Anfänger“ auf dem YouTube-Kanal von Microsoft Developer, 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 Leute, die es erstellt haben, zu sehen!
Bei der Erstellung dieses Lehrplans haben wir zwei pädagogische Grundsätze gewählt: sicherzustellen, dass er praxisorientiert und projektbasiert ist und dass er häufige Tests beinhaltet. Darüber hinaus hat dieser Lehrplan ein gemeinsames Thema , um ihm Zusammenhalt zu verleihen.
Indem sichergestellt wird, dass der Inhalt mit den Projekten übereinstimmt, wird der Prozess für die Studierenden ansprechender gestaltet und das Behalten von Konzepten verbessert. Darüber hinaus wird durch ein Quiz mit geringen Einsätzen vor dem Unterricht die Absicht des Schülers, ein Thema zu erlernen, geklärt, während ein zweites Quiz nach dem Unterricht für eine weitere Bindung sorgt. Dieser Lehrplan wurde so konzipiert, dass er flexibel und unterhaltsam ist und ganz oder teilweise belegt werden kann. Die Projekte beginnen klein und werden am Ende des 12-Wochen-Zyklus immer komplexer. Dieser Lehrplan enthält auch ein Nachtrag zu realen Anwendungen von ML, das als zusätzliche Leistungspunkte oder als Diskussionsgrundlage verwendet werden kann.
Hier finden Sie unseren Verhaltenskodex, unsere Beitrags- und Übersetzungsrichtlinien. Wir freuen uns über Ihr konstruktives Feedback!
Ein Hinweis zu Sprachen : Diese Lektionen sind hauptsächlich in Python geschrieben, viele sind jedoch auch in R verfügbar. Um eine R-Lektion abzuschließen, gehen Sie zum Ordner
/solutionund suchen Sie nach R-Lektionen. Sie enthalten eine .rmd-Erweiterung, die eine R-Markdown- Datei darstellt, die einfach als Einbettung voncode chunks(von R oder anderen Sprachen) und einemYAML header(der anleitet, wie Ausgaben wie PDF formatiert werden) in einemMarkdown documentwerden kann. Als solches dient es als beispielhaftes Autoren-Framework für die Datenwissenschaft, da es Ihnen ermöglicht, Ihren Code, seine Ausgabe und Ihre Gedanken zu kombinieren, indem Sie sie in Markdown niederschreiben. Darüber hinaus können R-Markdown-Dokumente in Ausgabeformaten wie PDF, HTML oder Word gerendert werden.
Ein Hinweis zu Quizzen : Alle Quizze sind im Quiz-App-Ordner enthalten, also insgesamt 52 Quizze mit jeweils drei Fragen. Sie sind innerhalb der Lektionen verlinkt, die Quiz-App kann jedoch lokal ausgeführt werden; Befolgen Sie die Anweisungen im
quiz-app-Ordner, um die App lokal zu hosten oder in Azure bereitzustellen.
| Lektionsnummer | Thema | Unterrichtsgruppierung | Lernziele | Verknüpfte Lektion | Autor |
|---|---|---|---|---|---|
| 01 | Einführung in maschinelles Lernen | Einführung | Lernen Sie die Grundkonzepte des maschinellen Lernens kennen | Lektion | Mohammed |
| 02 | Die Geschichte des maschinellen Lernens | Einführung | Erfahren Sie mehr über die Geschichte, die diesem Bereich zugrunde liegt | Lektion | Jen und Amy |
| 03 | Fairness und maschinelles Lernen | Einführung | Welche wichtigen philosophischen Fragen rund um Fairness sollten Studierende beim Aufbau und der Anwendung von ML-Modellen berücksichtigen? | Lektion | Tomomi |
| 04 | Techniken für maschinelles Lernen | Einführung | Welche Techniken verwenden ML-Forscher, um ML-Modelle zu erstellen? | Lektion | Chris und Jen |
| 05 | Einführung in die Regression | Rückschritt | Beginnen Sie mit Python und Scikit-learn für Regressionsmodelle |
|
|
| 06 | Nordamerikanische Kürbispreise? | Rückschritt | Visualisieren und bereinigen Sie Daten zur Vorbereitung auf ML |
|
|
| 07 | Nordamerikanische Kürbispreise? | Rückschritt | Erstellen Sie lineare und polynomiale Regressionsmodelle |
|
|
| 08 | Nordamerikanische Kürbispreise? | Rückschritt | Erstellen Sie ein logistisches Regressionsmodell |
|
|
| 09 | Eine Web-App? | Web-App | Erstellen Sie eine Web-App, um Ihr trainiertes Modell zu verwenden | Python | Jen |
| 10 | Einführung in die Klassifizierung | Einstufung | Bereinigen, vorbereiten und visualisieren Sie Ihre Daten; Einführung in die Klassifikation |
|
|
| 11 | Köstliche asiatische und indische Küche? | Einstufung | Einführung in Klassifikatoren |
|
|
| 12 | Köstliche asiatische und indische Küche? | Einstufung | Weitere Klassifikatoren |
|
|
| 13 | Köstliche asiatische und indische Küche? | Einstufung | Erstellen Sie mithilfe Ihres Modells eine Empfehlungs-Web-App | Python | Jen |
| 14 | Einführung in das Clustering | Clustering | Bereinigen, vorbereiten und visualisieren Sie Ihre Daten; Einführung in das Clustering |
|
|
| 15 | Erkundung des nigerianischen Musikgeschmacks | Clustering | Entdecken Sie die K-Means-Clustering-Methode |
|
|
| 16 | Einführung in die Verarbeitung natürlicher Sprache ☕️ | Verarbeitung natürlicher Sprache | Lernen Sie die Grundlagen von NLP, indem Sie einen einfachen Bot erstellen | Python | Stephan |
| 17 | Häufige NLP-Aufgaben ☕️ | Verarbeitung natürlicher Sprache | Vertiefen Sie Ihre NLP-Kenntnisse, indem Sie allgemeine Aufgaben verstehen, die im Umgang mit Sprachstrukturen erforderlich sind | Python | Stephan |
| 18 | Übersetzungs- und Stimmungsanalyse | Verarbeitung natürlicher Sprache | Übersetzung und Stimmungsanalyse mit Jane Austen | Python | Stephan |
| 19 | Romantische Hotels Europas | Verarbeitung natürlicher Sprache | Stimmungsanalyse mit Hotelbewertungen 1 | Python | Stephan |
| 20 | Romantische Hotels Europas | Verarbeitung natürlicher Sprache | Stimmungsanalyse mit Hotelbewertungen 2 | Python | Stephan |
| 21 | Einführung in die Zeitreihenvorhersage | Zeitreihen | Einführung in die Zeitreihenvorhersage | Python | Francesca |
| 22 | ⚡️ Weltweiter Stromverbrauch ⚡️ – Zeitreihenvorhersage mit ARIMA | Zeitreihen | Zeitreihenvorhersage mit ARIMA | Python | Francesca |
| 23 | ⚡️ Weltweiter Stromverbrauch ⚡️ – Zeitreihenvorhersage mit SVR | Zeitreihen | Zeitreihenvorhersage mit Support Vector Regressor | Python | Anirban |
| 24 | Einführung in das verstärkende Lernen | Verstärkungslernen | Einführung in das verstärkende Lernen mit Q-Learning | Python | Dmitri |
| 25 | Hilf Peter, dem Wolf auszuweichen! ? | Verstärkungslernen | Fitnessstudio zur Stärkung des Lernens | Python | Dmitri |
| Nachtrag | Reale ML-Szenarien und -Anwendungen | ML in freier Wildbahn | Interessante und aufschlussreiche reale Anwendungen des klassischen ML | Lektion | Team |
| Nachtrag | Modell-Debugging in ML mithilfe des RAI-Dashboards | ML in freier Wildbahn | Modell-Debugging im maschinellen Lernen mithilfe von Responsible AI-Dashboard-Komponenten | Lektion | Ruth Yakubu |
Alle zusätzlichen Ressourcen für diesen Kurs finden Sie in unserer Microsoft Learn-Sammlung
Sie können diese Dokumentation offline ausführen, indem Sie Docsify verwenden. Forken Sie dieses Repo, installieren Sie Docsify auf Ihrem lokalen Computer und geben Sie dann im Stammordner dieses Repos docsify serve ein. Die Website wird auf Port 3000 auf Ihrem lokalen Host bereitgestellt: localhost:3000 .
Eine PDF-Datei des Lehrplans mit Links finden Sie hier.
Möchten Sie eine Übersetzung beisteuern? Bitte lesen Sie unsere Übersetzungsrichtlinien und fügen Sie hier eine Problemvorlage hinzu, um den Arbeitsaufwand zu bewältigen.
Unser Team erstellt weitere Lehrpläne! Kasse:
