Machine Learning Kurs: maschinelles Lernen mit Python
Ein kostenloser Machine-Learning-Kurs zum Mitmachen. Schreib echten scikit-learn-Code, trainiere Modelle mit echten Daten und sieh deine Diagramme im Tab Diagramme, Schritt für Schritt.
233 Lektionen231 Aufgaben965 Quizfragen
- Anfängerfreundlich
KI-gestützte Coding-Hilfe
Praktische, interaktive Lektionen
Audio-Erzählung in jeder Lektion
Quizfragen zum Wissenstest
Kostenloses Abschlusszertifikat
Trainiere ein Modell in deinem Browser
Echter scikit-learn-Code mit seiner echten Ausgabe. Zieh den Schieberegler, um eine Zeile zu ändern, und sieh, was das Modell lernt.
Ein kleines k lernt jeden Trainingspunkt auswendig und zieht eine zackige Grenze. Ein größeres k glättet sie.
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_moons
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
X, y = make_moons(n_samples=200, noise=0.3, random_state=0)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
k = 5
model = KNeighborsClassifier(n_neighbors=k)
model.fit(X_train, y_train)
print(f"train accuracy: {model.score(X_train, y_train):.2f}")
print(f"test accuracy: {model.score(X_test, y_test):.2f}")
xx, yy = np.meshgrid(np.linspace(-2, 3, 56), np.linspace(-1.5, 2, 40))
proba = model.predict_proba(np.c_[xx.ravel(), yy.ravel()])[:, 1]
proba = proba.reshape(xx.shape)
plt.figure(figsize=(5, 4))
plt.pcolormesh(xx, yy, proba, cmap="coolwarm", alpha=0.35)
plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train,
cmap="coolwarm", edgecolors="k")
plt.title(f"k-nearest neighbors, k = {k}")
plt.show()
Lehrplan
Abschnitt 1
Daten und DiagrammeEigene Seite
Abschnitt startenStartenDas Toolkit, mit dem jedes Machine-Learning-Projekt beginnt: NumPy-Arrays, matplotlib-Diagramme und pandas-Tabellen. Lade echte Datensätze, fasse sie zusammen und visualisiere deine Ergebnisse.Einführung
4 Lektionen320NumPy-Arrays
5 Lektionen520Rechnen mit Arrays
6 Lektionen625Daten formen
4 Lektionen415Linien- und Streudiagramme
6 Lektionen625Diagramme für Daten
5 Lektionen520pandas DataFrames
6 Lektionen625Filtern und Sortieren
5 Lektionen520Gruppieren und Bereinigen
5 Lektionen520DataFrames visualisieren
5 Lektionen520Datensätze für ML
5 Lektionen520Abschließende Herausforderungen
4 Lektionen420Abschnitt 2
Statistik für MLEigene Seite
Abschnitt startenStartenDie Statistik hinter jedem Modell: Lage und Streuung, Verteilungen, Wahrscheinlichkeit durch Simulation, Stichproben, Ausreißer, Korrelation, Trendlinien und Gruppenvergleiche – anschließend das Skalieren und Codieren von Features. Jedes Konzept wird anhand echter Daten berechnet und visualisiert.Lage und Streuung
6 Lektionen625Verteilungen
6 Lektionen625Wahrscheinlichkeit durch Simulation
6 Lektionen625Stichproben und Grundgesamtheiten
5 Lektionen520Ausreißer
5 Lektionen520Zusammenhänge
6 Lektionen525Trendlinien
6 Lektionen625Gruppen vergleichen
6 Lektionen625Merkmalsskalierung
5 Lektionen520Kategorien codieren
4 Lektionen415Einen Datensatz erkunden
5 Lektionen520Abschließende Herausforderungen
4 Lektionen420Abschnitt 3
Überwachtes LernenEigene Seite
Abschnitt startenStartenTrainiere echte Modelle mit scikit-learn: Daten aufteilen, Modelle anpassen, Vorhersagen treffen und Ergebnisse messen. k-NN, lineare und logistische Regression, Entscheidungsbäume, Random Forests und Boosting, sorgfältige Bewertung mit Kreuzvalidierung und Pipelines – bis hin zu einem durchgängigen Pinguin-Projekt.Dein erstes Modell
5 Lektionen520Nächste Nachbarn
5 Lektionen520Lineare Regression
5 Lektionen520Logistische Regression
5 Lektionen520Klassifikatoren bewerten
6 Lektionen625Entscheidungsbäume
5 Lektionen520Überanpassung
5 Lektionen520Kreuzvalidierung
4 Lektionen415Ensembleverfahren
4 Lektionen415Pipelines
5 Lektionen520Projekt: Pinguinarten
5 Lektionen525Abschließende Herausforderungen
4 Lektionen420Abschnitt 4
Unüberwachtes LernenEigene Seite
Abschnitt startenStartenFinde Strukturen in Daten ohne Labels: k-means, hierarchisches und dichtebasiertes Clustering, PCA zum Visualisieren und Komprimieren vieler Features sowie Anomalieerkennung – bis hin zu einem Projekt zur Erkundung von Ziffern.Gruppen finden
5 Lektionen520k wählen
5 Lektionen520Cluster interpretieren
5 Lektionen520Hierarchisches Clustering
4 Lektionen415Dichtebasiertes Clustering
4 Lektionen415Weniger Dimensionen
5 Lektionen520PCA in der Praxis
5 Lektionen520Anomalieerkennung
5 Lektionen520Cluster im Einsatz
4 Lektionen415Projekt: Ziffern erkunden
5 Lektionen525Abschlussaufgaben
4 Lektionen420
Lernen durch Tun
Schreibe echten Code, frage Datenbanken ab, erstelle Websites und meistere KI-Prompts. Unsere interaktiven Lektionen decken alle Fähigkeiten ab, die moderne Entwickler brauchen.
Baue deine Serie auf
Bleib konsequent und sieh zu, wie dein Fortschritt wächst! Verfolge deine tägliche Programmiergewohnheit, schütze deine Serie mit Einfrieroptionen und verdiene Belohnungen für jeden Tag.
12 Tage Serie
Komm morgen zurück, um deine Serie zu halten!
January 2026
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
21
22
23
24
25
26
27
28
29
30
Doppelt oder Nichts
Tag 5 von 7
Serie Einfrieren
2 left
Du bist nicht allein
Tritt auf globalen Bestenlisten an, lade Freunde ein, um Belohnungen zu verdienen, und feiert gemeinsam eure Erfolge. Programmieren macht mit Freunden mehr Spaß!
1
2
3
AufstiegszoneJeder Lernweg, alles dabei
Lies, höre, teste dich, frag die KI oder schlage nach, was du schon gelernt hast. Jede Lektion passt sich dir an.
Eine Variable ist ein benannter Container, der einen Wert speichert, auf den du später im Programm verweisen kannst.
In Python erstellst du eine, indem du den Namen, ein Gleichheitszeichen und dann den Wert schreibst.
Der Wert kann sich ändern. Eine neue Zuweisung verweist den Namen einfach auf einen neuen Wert.
Werde zertifiziert
Verdiene Zertifikate für jeden abgeschlossenen Kurs. Füge sie deinem LinkedIn-Profil und Lebenslauf hinzu, um Arbeitgebern deine Programmierkenntnisse zu zeigen.
Abschlusszertifikat
Python-Grundlagen
Zu LinkedIn hinzufügenWarum du Machine Learning mit Coddy lernen solltest
- Erst sehen, dann lesen. Jede Lektion beginnt mit einem Diagramm oder einer Skizze: ein Streudiagramm von Iris-Blüten, eine Entscheidungsgrenze, ein Dendrogramm. Dann schreibst du den Code, und dein eigenes Diagramm erscheint daneben im Tab Diagramme.
- Echtes Python, echte Bibliotheken.
numpy,pandas,matplotlib,scipyundscikit-learnlaufen auf Coddy, in den Versionen, die Data Scientists nutzen:model.fit(X_train, y_train)hier istmodel.fit(X_train, y_train)im Job. Nichts zu installieren, kein Notebook einzurichten. - Vier Abschnitte in der Reihenfolge der echten Arbeit: Daten und Diagramme, Statistik für ML, überwachtes Lernen, dann unüberwachtes Lernen. 233 kurze Lektionen, jede mit einer neuen Idee und einer Aufgabe, die sie anwendet.
- Echte Datensätze mit Geschichte: Iris-Blüten, Weinchemie, handgeschriebene Ziffern, Palmer-Pinguine. Du schließt zwei Projekte ab, einen Klassifikator für Pinguinarten und einen Ziffern-Explorer, und jedes Diagramm hat Titel und Achsenbeschriftungen, bereit für einen Bericht.
Häufige Fragen zum Machine-Learning-Kurs
Was ist maschinelles Lernen?
Maschinelles Lernen (Machine Learning) heißt, einem Computer etwas an Beispielen beizubringen statt mit Regeln. Du zeigst einem Modell viele Datenzeilen, etwa Blüten mit der Größe ihrer Blütenblätter und ihrer Art, und es lernt ein Muster, das es auf Zeilen anwenden kann, die es nie gesehen hat. Haben die Zeilen Antworten, ist das überwachtes Lernen; haben sie keine und findet das Modell selbst Gruppen, ist das unüberwachtes Lernen. Dieser Kurs bringt dir beides bei.
Muss ich gut in Mathe sein, um Machine Learning zu lernen?
Nein. Du brauchst Schulrechnen und die Geduld, ein Diagramm zu lesen. Der Kurs vermittelt die Statistik, die Machine Learning nutzt (Mittelwerte, Streuung, Verteilungen, Korrelation, p-Werte), mit Simulationen und Bildern, und scikit-learn erledigt die schwere Mathematik für dich. Analysis und lineare Algebra helfen, wenn du später neue Algorithmen bauen willst, aber zum Trainieren, Testen und Verstehen von Modellen brauchst du sie nicht.
Muss ich vorher Python können?
if, Schleifen, Funktionen und Listen. Das ist der Abschnitt Grundlagen im Python-Kurs, ein paar Wochen bei einer Stunde am Tag. Alles danach, import, NumPy, pandas, matplotlib und scikit-learn, lernst du hier ab der ersten Zeile.Welche Python-Bibliotheken lerne ich?
Den Standard-Stack für Machine Learning: NumPy für Arrays, pandas für Tabellen, matplotlib für Diagramme, SciPy für Statistik und scikit-learn für die Modelle (k-nächste Nachbarn, lineare und logistische Regression, Entscheidungsbäume, Random Forests, Gradient Boosting, k-Means, DBSCAN, PCA und mehr). Sie laufen auf Coddy in aktuellen Versionen, also läuft, was du hier schreibst, auf deinem eigenen Rechner genauso.
Brauche ich eine GPU oder einen starken Rechner?
Nein. Dein Code läuft auf den Servern von Coddy, und die Diagramme kommen in deinen Browser zurück, also reichen ein Laptop, ein Chromebook oder ein Tablet. Klassisches Machine Learning mit scikit-learn läuft ohnehin gut auf einem normalen Prozessor; eine GPU zählt beim Training großer neuronaler Netze, die dieser Kurs nicht behandelt.
Was kann ich nach diesem Kurs bauen?
Modelle, die echte Fragen aus einer Tabelle beantworten: Ist diese E-Mail Spam, welche Kunden springen wahrscheinlich ab, welche Art ist dieser Pinguin, wie viele Fahrräder werden morgen ausgeliehen, welche Käufergruppen gibt es, welche Servermesswerte sehen falsch aus. Du lernst auch, sie ehrlich zu bewerten, mit Testdaten, Kreuzvalidierung, Konfusionsmatrizen und ROC-Kurven. Genau das macht ein Modell vertrauenswürdig.
Wie lange brauche ich, um Machine Learning zu lernen?
Ist dieser Machine-Learning-Kurs kostenlos?
Ja. Die Lektionen, die Diagramme, die KI-Hinweise und die Zertifikate sind kostenlos. Mit einem kostenlosen Konto schaffst du ein paar Lektionen am Tag, und Pro hebt das Tageslimit auf.
