Menu
CoddyTech
JETZT LERNEN
flag De iconDeutschdown icon
machine Learning iconTeil der Machine Learning-JourneyNeuJourney

Überwachtes Lernen in Python

Trainiere Modelle, die aus gelabelten Beispielen lernen. Aufteilen, fitten, vorhersagen und bewerten mit scikit-learn, jedes Modell im Diagramm sehen und am Ende einen Pinguin-Klassifikator bauen.

MIT DEM LERNEN BEGINNEN(kostenlos)
Lehrplan ansehenÜberwachtes Lernen-Playground

1,000+ codders eingeschrieben

58 Lektionen58 Aufgaben240 Quizfragen

  • Anfängerfreundlich
  • sparkles iconKI-gestützte Coding-Hilfe
  • hint iconPraktische, interaktive Lektionen
  • quiz iconQuizfragen zum Wissenstest
  • certificate iconKostenloses Abschlusszertifikat

Lehrplan

1 Abschnitte58 Lektionen58 Aufgaben240 Quizfragen

Dieser Abschnitt ist Teil der Machine Learning-Journey. Der vollständige Lehrplan enthält weitere Abschnitte - klicke unten auf eine Vorschau, um sie auf der Journey-Seite anzusehen.

  1. Abschnitt 1Daten und Diagramme60 Lektionen
  2. Abschnitt 2Statistik für ML64 Lektionen
  3. Abschnitt 3

    Überwachtes Lernen

    Abschnitt startenStartenAusklappenEinklappen    Trainiere 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.58 Lektionen58 Aufgaben240 Fragen

    Dein erstes Modell

    5 Lektionen520

    Nächste Nachbarn

    5 Lektionen520

    Lineare Regression

    5 Lektionen520

    Logistische Regression

    5 Lektionen520

    Klassifikatoren bewerten

    6 Lektionen625

    Entscheidungsbäume

    5 Lektionen520

    Überanpassung

    5 Lektionen520

    Kreuzvalidierung

    4 Lektionen415

    Ensembleverfahren

    4 Lektionen415

    Pipelines

    5 Lektionen520

    Projekt: Pinguinarten

    5 Lektionen525

    Abschließende Herausforderungen

    4 Lektionen420
  4. Abschnitt 4Unüberwachtes Lernen51 Lektionen
Den vollständigen Lehrplan der Machine Learning-Journey ansehen
Das bekommst du
Alles, was du zum Programmierenlernen nutzt

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.

playground.js
Code-Editor
1const greeting = "Hello, Coddy!"
2function sayHi(name) {
3    return greeting + " " + name
4}
5
bottombar Collapse icon
Test #1test Case Success icon
Test #2test Case Success icon
Test #3test Case Failure icon
Eingabe
"Alex"
Ausgabe
"Hello, Coddy! Alex"

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!

fire Filled icon
left icon

January 2026

right icon

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

product Double Or Nothing icon

Doppelt oder Nichts

Tag 5 von 7

fire Freeze icon

Serie Einfrieren

2 left

Überall coden

Nimm deine Programmierreise mit! Keine Einrichtung, keine Downloads: einfach öffnen und loslegen. Verfügbar auf iOS, Android und Web mit 4,9-Sterne-Bewertungen.

Python
7Streak
250Punkte
5Energie
Variablen
journey Hex Done Base iconjourney Hex Done Shadow iconjourney Hex Done Top iconjourney Lesson Done icon
journey Path Right Done icon
journey Hex Done Base iconjourney Hex Done Shadow iconjourney Hex Done Top iconjourney Lesson Done icon
journey Path Left Done icon
journey Hex Active Base iconjourney Hex Active Shadow iconjourney Hex Active Top iconjourney Lesson Theory Challenge icon
FORTSETZEN
journey Path Right icon
journey Hex Locked Base iconjourney Hex Locked Shadow iconjourney Hex Locked Top iconjourney Lesson Theory Challenge icon
journey Path Left icon
journey Hex Locked Base iconjourney Hex Locked Shadow iconjourney Hex Locked Top iconjourney Lesson All icon
Reise
Ziele
Bestenliste
Profil
4.9
SternSternSternSternStern
Bewertung

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!

Herausforderer-Liga
Herausforderer-LigaTop 7 steigen auf
leaderboard First icon1
avatar 1 icon
fire Filled icon
Alex7+ Days
2840
leaderboard Second icon2
avatar 2 icon
fire Filled icon
Jordan7+ Days
2650
leaderboard Third icon3
avatar 3 icon
fire Filled icon
Sam7+ Days
2420
4
avatar 4 icon
Casey
2180
5
avatar placeholder icon
fire Filled icon
Morgan7+ Days
1950
leaderboard Arrow Up iconAufstiegszoneleaderboard Arrow Up icon

Jeder Lernweg, alles dabei

Lies, höre, teste dich, frag die KI oder schlage nach, was du schon gelernt hast. Jede Lektion passt sich dir an.

Einführung in Variablen
Audio

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.

1xSarah

Werde zertifiziert

Verdiene Zertifikate für jeden abgeschlossenen Kurs. Füge sie deinem LinkedIn-Profil und Lebenslauf hinzu, um Arbeitgebern deine Programmierkenntnisse zu zeigen.

CoddyAbschlusszertifikat
Hiermit wird bestätigt, dassMax Mustermannerfolgreich abgeschlossen hat
python iconPython-Grundlagen
Verifiziert
DatumJan. 2026
LinkedInZu LinkedIn hinzufügen

Warum überwachtes Lernen mit Coddy

  • Der ganze scikit-learn-Ablauf in vier Zeilen, die du in jedem Projekt nutzt: train_test_split, fit, predict und score. Danach ist jedes neue Modell eine neue Zeile, keine neue Arbeitsweise.
  • Sieh, was ein Modell entscheidet. Entscheidungsgrenzen färben die Ebene ein, Residuenplots zeigen, was eine Gerade verfehlt, ROC-Kurven zeigen, was ein Schwellenwert opfert. Jede Lektion hat ein Diagramm, und deins erscheint beim Ausführen im Tab Diagramme.
  • Die Modelle, die die meiste echte Arbeit leisten: k-nächste Nachbarn, lineare und logistische Regression, Entscheidungsbäume, Random Forests und Gradient Boosting, dazu Pipelines, die skalieren, kodieren und Lücken füllen, ohne dass Testdaten durchsickern.
  • Ehrliche Scores. Konfusionsmatrizen, Precision und Recall, unausgewogene Klassen, Overfitting, Validierungsdaten und Kreuzvalidierung, damit du ein Modell, das funktioniert, von einem unterscheidest, das seine Hausaufgaben auswendig gelernt hat.

Häufige Fragen zu überwachtem Lernen

Was ist überwachtes Lernen?

Überwachtes Lernen trainiert ein Modell mit Beispielen, die die richtige Antwort mitbringen, die sogenannten Labels. Jede Zeile hat Features (Schnabellänge, Flossenlänge und Insel eines Pinguins) und ein Label (seine Art). Das Modell lernt den Zusammenhang und sagt dann das Label für neue Zeilen vorher. Überwacht heißt es, weil die Labels den Lehrer spielen: Das Modell wird beim Lernen an ihnen korrigiert.

Was ist der Unterschied zwischen überwachtem und unüberwachtem Lernen?

Überwachtes Lernen hat Labels und sagt sie vorher: Spam oder nicht, der Preis einer Wohnung, die Art einer Blüte. Unüberwachtes Lernen hat keine Labels und sucht Struktur in den Daten selbst: Gruppen ähnlicher Kunden, die wenigen Richtungen, die den Großteil der Variation erklären, die Messwerte, die falsch aussehen. Meist lernt man zuerst überwachtes Lernen; der Abschnitt unüberwachtes Lernen folgt direkt danach.

Was sind Klassifikation und Regression?

Das sind die zwei Arten des überwachten Lernens. Klassifikation sagt eine Kategorie vorher, etwa Spam oder kein Spam oder eine von drei Weinsorten. Regression sagt eine Zahl vorher, etwa die Fahrradausleihen von morgen oder den Krankheitsverlauf eines Patienten. Viele Modelle können beides: Es gibt einen k-NN, einen Entscheidungsbaum und einen Random Forest für beide Fälle, und der Kurs nutzt jeweils beide Versionen.

Welche Algorithmen des überwachten Lernens behandelt der Kurs?

k-nächste Nachbarn, lineare Regression und Ridge, logistische Regression, Entscheidungsbäume, Random Forests und Gradient Boosting, alles mit scikit-learn. Drumherum lernst du die Werkzeuge, die sie praxistauglich machen: StandardScaler, OneHotEncoder, SimpleImputer, Pipelines, cross_val_score und GridSearchCV.

Was sollte ich vor dem Start können?

Python-Grundlagen plus NumPy, pandas und matplotlib und genug Statistik, um einen Mittelwert, eine Streuung und eine Korrelation zu lesen. Genau das vermitteln die ersten zwei Abschnitte des Machine-Learning-Kurses. Wenn du das schon kannst, kannst du hier einsteigen.

Woran erkenne ich, ob mein Modell gut ist?

Du testest es mit Zeilen, die es beim Training nie gesehen hat, und vergleichst es mit einer einfachen Baseline, etwa immer die häufigste Klasse zu raten. Accuracy allein kann täuschen, wenn eine Klasse selten ist, deshalb lernst du auch Konfusionsmatrix, Precision, Recall, F1 und ROC-Kurven sowie Kreuzvalidierung, um zu prüfen, dass der Score kein Glück war.

Wie lange dauert der Abschnitt überwachtes Lernen?

58 Lektionen, etwa 10 Stunden in deinem Tempo: ein paar Wochen bei einer halben Stunde am Tag. Jede Lektion ist eine Idee und eine Aufgabe, und der Abschnitt endet mit dem Pinguin-Projekt und vier Abschluss-Challenges.

Ist das kostenlos?

Ja. Die Lektionen, die Diagramme, die KI-Hinweise und das Abschnittszertifikat sind kostenlos. Mit einem kostenlosen Konto schaffst du ein paar Lektionen am Tag, und Pro hebt das Tageslimit auf.

Lernpfade, die diesen Kurs enthalten

Dieser Kurs ist ein Schritt eines längeren Pfads: mehrere Kurse in der Reihenfolge, in der ein Mentor sie unterrichten würde, jeder mit eigenem kostenlosem Zertifikat.

Illustration der Programmiersprachen bei Coddy

Lerne Überwachtes Lernen mit Coddy

LOS GEHT'S