Home
Login

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.

MachineLearningPythonScikit-learnGitHubTextFreeEnglish

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

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.