Phase 2: Klassisches maschinelles Lernen
Ein von Microsoft entwickelter 12-wöchiger, 26-teiliger klassischer Machine-Learning-Kurs für Anfänger, der das Lernen von Machine Learning durch praktische Übungen mit kulturellen Daten aus aller Welt ermöglicht.
ML-For-Beginners – Detaillierte Projektbeschreibung
Projektübersicht
ML-For-Beginners ist ein umfassendes Tutorial-Projekt für Machine-Learning-Anfänger, das vom Microsoft Cloud Advocate Team entwickelt wurde. Es handelt sich um einen 12-wöchigen, klassischen Machine-Learning-Kurs mit 26 Lektionen und 52 Quizfragen, der sich auf die Verwendung von kulturellen Daten aus aller Welt zur Erforschung von Machine Learning konzentriert.
Kernmerkmale
- 🌍 Globale Perspektive: Lernen von Machine Learning anhand von kulturellen Daten aus aller Welt
- 📚 Systematischer Kurs: 12-wöchiger, vollständiger Kurs mit 26 detaillierten Lektionen
- 🧪 Praxisorientiert: Projektbasierter Lehransatz, Lernen durch Tun
- 🔍 Bewertungssystem: 52 Quizfragen, doppelte Bewertung vor und nach dem Unterricht
- 🎯 Klassisches Machine Learning: Hauptsächlich Verwendung der Scikit-learn-Bibliothek, Vermeidung von Deep-Learning-Inhalten
Lehrphilosophie
Zwei zentrale Lehrprinzipien
- Praktisches Üben: Sicherstellen, dass alle Inhalte auf projektbasiertem, praktischem Lernen basieren
- Häufige Bewertung: Sicherstellen des Lernerfolgs durch Tests vor und nach dem Unterricht
Kursstruktur
Jede Lektion enthält die folgenden Komponenten:
- Optionale handgezeichnete Notizen (Sketchnote)
- Optionale ergänzende Videos
- Videodemonstrationen (einige Lektionen)
- Vorbereitungstest vor dem Unterricht
- Schriftliche Kursinhalte
- Schritt-für-Schritt-Anleitungen für projektbasierte Aufgaben
- Wissens-Checkpoints
- Herausforderungsübungen
- Ergänzende Lektüre
- Hausaufgaben
- Abschlusstest nach dem Unterricht
Vollständiger Kursplan
Lektion 1-4: Einführung in die Grundlagen des Machine Learning
- Lektion 1: Einführung in Machine Learning
- Lektion 2: Geschichte des Machine Learning
- Lektion 3: Fairness im Machine Learning
- Lektion 4: Machine-Learning-Techniken
Lektion 5-8: Regressionsanalyse
- Lektion 5: Einführung in die lineare Regression
- Lektion 6: Vorhersage von Kürbispreisen in Nordamerika (lineare Regression)
- Lektion 7: Vorhersage von Kürbispreisen (polynomiale Regression)
- Lektion 8: Einführung in die logistische Regression
Lektion 9: Webanwendungsentwicklung
- Lektion 9: Erstellen einer Webanwendung
Lektion 10-13: Klassifikationsalgorithmen
- Lektion 10: Einführung in Klassifikationsalgorithmen
- Lektion 11: Klassifizierung asiatischer und indischer Küche
- Lektion 12: Weitere Klassifikationsalgorithmen
- Lektion 13: Empfehlungssysteme
Lektion 14-15: Clustering-Algorithmen
- Lektion 14: Einführung in Clustering-Algorithmen
- Lektion 15: Erkundung des nigerianischen Musikgeschmacks
Lektion 16-20: Verarbeitung natürlicher Sprache
- Lektion 16: Einführung in die Verarbeitung natürlicher Sprache
- Lektion 17: Häufige NLP-Aufgaben
- Lektion 18: Übersetzung und Sentimentanalyse
- Lektion 19: Analyse von Bewertungen romantischer Hotels (1)
- Lektion 20: Analyse von Bewertungen romantischer Hotels (2)
Lektion 21-23: Zeitreihenanalyse
- Lektion 21: Einführung in die Zeitreihenvorhersage
- Lektion 22: ARIMA-Zeitreihenvorhersage
- Lektion 23: Support-Vektor-Regressions-Zeitreihenvorhersage
Lektion 24-25: Reinforcement Learning
- Lektion 24: Reinforcement Learning und Q-Learning
- Lektion 25: Reinforcement Learning mit Gym
Lektion 26: Anwendungen in der realen Welt
- Lektion 26: Machine-Learning-Anwendungen in der realen Welt
Technologiestack und Tools
Hauptprogrammiersprachen
- Python: Hauptsächlich Verwendung von Python für den Unterricht
- R: Einige Lektionen sind in R verfügbar
Kernbibliotheken und Frameworks
- Scikit-learn: Hauptbibliothek für Machine Learning
- Python Data Science Ecosystem: pandas, numpy, matplotlib usw.
Support-Tools
- Jupyter Notebook: Interaktive Programmierumgebung
- R Markdown: Verwendung für R-Sprachkurse
- Quiz App: Spezielle Quiz-Anwendung
Lernressourcen
Multimedia-Unterstützung
- Handgezeichnete Notizen zum Verständnis von Konzepten
- Video-Tutorials zur zusätzlichen Erläuterung
- Demonstrationen von praktischen Projekten
Bewertungssystem
- 52 Quizfragen (jeweils mit 3 Fragen)
- Vorbereitungstests vor dem Unterricht
- Abschlusstests nach dem Unterricht
- Bewertung von praktischen Projekten
Community-Unterstützung
- GitHub-Diskussionsforum
- Tool zur Bewertung des Lernfortschritts (PAT)
- Peer-Learning und Feedback
Lernempfehlungen
Zielgruppe
- Machine-Learning-Anfänger
- Lernende mit grundlegenden Programmierkenntnissen
- Personen, die klassisches Machine Learning systematisch lernen möchten
Lernmethoden
- Forken Sie das Projekt in Ihr persönliches GitHub-Konto
- Absolvieren Sie jede Lektion in der Reihenfolge
- Schließen Sie alle praktischen Projekte ab
- Beteiligen Sie sich an Community-Diskussionen und Peer-Learning
Begleitende Kurse
- AI for Beginners: Deep-Learning-Inhalte
- Data Science for Beginners: Grundlagen der Datenwissenschaft
Projektteam
Hauptautoren
- Jen Looper, Stephen Howell, Francesca Lazzeri
- Tomomi Imura, Cassie Breviu, Dmitry Soshnikov
- Chris Noring, Anirban Mukherjee, Ornella Altunyan
- Ruth Yakubu, Amy Boyd
Illustration Design
- Tomomi Imura, Dasani Madipalli, Jen Looper
Studentenbotschafter-Beitragende
- Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj
- Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum
- Ioan Samuila, Snigdha Agarwal
Verwendung
Projekt abrufen
git clone https://github.com/microsoft/ML-For-Beginners.git
Dokumentation lokal ausführen
npm i docsify-cli -g
docsify serve
Online-Zugriff
- Direkter Zugriff auf das GitHub-Repository
- Anzeigen der Microsoft Learn-Sammlung
- Ansehen von YouTube-Video-Tutorials
Lizenz und Beiträge
Das Projekt unterliegt einer Open-Source-Lizenz und Community-Beiträge sind willkommen. Das Projekt bietet detaillierte Richtlinien für Beiträge und Verhaltensregeln und unterstützt mehrsprachige Übersetzungen und Inhaltsverbesserungen.