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

1. Praktisches Üben: Sicherstellen, dass alle Inhalte auf projektbasiertem, praktischem Lernen basieren
2. 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

1. Forken Sie das Projekt in Ihr persönliches GitHub-Konto
2. Absolvieren Sie jede Lektion in der Reihenfolge
3. Schließen Sie alle praktischen Projekte ab
4. 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.