{
  "video_id": "_hdUddANh_o",
  "channel_slug": "techwithtim",
  "channel_handle": "techwithtim",
  "title": "How to learn Machine Learning like a GENIUS and not waste time",
  "duration_seconds": 920.0,
  "url": "https://www.youtube.com/watch?v=_hdUddANh_o",
  "upload_date": "",
  "transcript": "Die meisten Menschen, die versuchen, maschinelles\nLernen zu lernen, geben nicht auf, weil es zu schwierig ist,\nsondern weil sie Monate mit den\nfalschen Dingen verschwenden.  Sie schauen sich\nVorlesungsreihen im Marathon an, lernen Mathematik auswendig, die sie nie\nbrauchen werden, und bauen nie tatsächlich etwas.\nIch habe das schon hunderte Male gesehen, und\nin diesem Video zeige ich Ihnen Schritt für Schritt den\ngenauen Lernweg, der tatsächlich funktioniert\n.  Was man lernen sollte, was man\nüberspringen sollte und wie man es so lernt, dass\nman nicht sechs Monate lang im Kreis läuft und am Ende\nnichts vorzuweisen hat.  Und\nes ist wirklich schade, wenn das passiert, denn\nML-Ingenieure gehören derzeit zu den bestbezahlten\nFachkräften im Technologiesektor.  Und wir\nreden hier von 150.000 bis 200.000 Euro plus, allein schon\nfür Einstiegspositionen.  Nach dieser Vorrede wollen wir uns nun damit beschäftigen,\nwie man\nmaschinelles Lernen wie ein Genie erlernt, damit\nman nicht aufgibt.  Ich möchte zunächst auf\ndie Falle eingehen, in die fast\njeder tappt, der versucht, sich mit\nmaschinellem Lernen zu beschäftigen.  Das ist mal ein\nVersuch, alles zu lernen, bevor sie überhaupt\netwas bauen.  Heute\nverbringen die Leute tatsächlich 3 Monate damit,\nBeweise der linearen Algebra zu lernen, ohne jemals ein ML-\nModell zu trainieren.  Die Lösung besteht nun darin, sich gerade so viel\nTheorie anzueignen, dass man versteht, was vor sich geht, und\ndann sofort damit zu beginnen,\ndies anzuwenden und tatsächlich\nProjekte zu realisieren.  Man lernt viel mehr, wenn man praktisch\nprogrammiert, Probleme löst und sich\nHerausforderungen stellt.  Und\nwenn man nicht genügend Theorie hat, kann man sie sich immer noch aneignen\n.  Nun, diesen\nFehler habe ich selbst schon gemacht.  Ich habe sehr viel\nZeit mit Mathematik verbracht und alle\nBeweise gelernt.  und ich hätte 6 Monate weiter sein können\n.  Hätte ich doch nur ganz am Anfang mit dem\nBauen begonnen.  Was\nSie in diesem Video sehen werden, ist, dass es letztendlich immer ums\nBauen geht.  Und wenn man nicht weiß, was man\nbraucht, um das zu bauen, was\nman bauen will, dann geht man zurück und\nlernt diese Theorie.  Behaltet\ndas also einfach im Hinterkopf.  Es ist viel besser, beim\nBauen von etwas zuerst zu scheitern.\nDie Theorie können wir später immer noch lernen.  Deshalb möchte ich Ihnen nun\nSchritt für Schritt erklären,\nwas Sie wirklich lernen müssen und was\nSie überspringen können.  Beginnen wir nun mit\nAbschnitt eins, den\nGrundlagen von Python.  Das ist absolut\nnotwendig.  Sie müssen Python-Kenntnisse haben.  Nicht\nJulia, nicht R, keine andere\nProgrammiersprache.  Python ist das Erste, was\nman lernen sollte, noch bevor man sich mit\nMathematik oder Theorie beschäftigt.  Sie\nmüssen kein Experte sein, aber Sie\nsollten mit Folgendem vertraut sein\n.  Also, Variablen, Schleifen,\nFunktionen, Datenstrukturen, also Dinge\nwie Listen, Wörterbuchsätze,\nDateiverarbeitung, grundlegende objektorientierte\nProgrammierung, und das war's im Grunde.\nNatürlich gibt es noch weitere Funktionen, die\nSie kennenlernen werden, aber auch diese\nkönnen Sie sich aneignen, wenn Sie\nsie benötigen.  Verschwenden Sie nicht Monate damit,\nalles hier zu lernen.  Realistisch betrachtet sollten Sie sich\netwa drei bis vier Wochen Zeit nehmen, um sich\nmit Python vertraut zu machen.\nIhr Ziel sollte es sein, selbstständig kleine Programme schreiben zu können\n.  Datei einlesen,\nErgebnis ausdrucken, richtig?  Oder füge\netwas hinzu.  Erstelle ein einfaches, auf der Kommandozeile\nbasierendes Spiel.  Sie müssen kein\nPython-Experte sein, aber Sie sollten\nmit der grundlegenden Syntax vertraut sein, um\nMachine-Learning-Code lesen\nund mit dem Schreiben einfacher Skripte beginnen zu können.  Und man sollte\nbedenken, dass\nmaschinelles Lernen typischerweise keine\nriesige Menge an Code erfordert.  Es geht in der\nRegel um kleinere Drehbücher und darum, ein\nVerständnis dafür zu entwickeln, was genau zu\ntun ist.  Je schneller man also\ntatsächlich mit dem Schreiben und Entwickeln von Dingen beginnt,\ndesto mehr wird man lernen.  Und\nehrlich gesagt, werden Sie viele\nGrundlagen ganz nebenbei lernen.  Nun, vor\ndiesem Hintergrund gibt es einige wichtige Python-\nBibliotheken, die Sie sich genauer\nansehen sollten, da diese eng mit\ndiesen Grundlagen verknüpft sind.  Als erstes wird es\nNumPy sein.  Dies dient der Bearbeitung von Arrays\nund mathematischen Operationen und wird\nim Hintergrund von vielen anderen\nModulen verwendet, die Sie sich ansehen werden.  Als nächstes kommen die\nPandas.  Dies dient der Datenmanipulation\nund der Betrachtung großer Datenmengen.\nUnd schließlich noch die Kartenplot-Bibliothek.  Dies\ndient der Visualisierung von Diagrammen, Grafiken usw.\nAls Machine-Learning-Ingenieur werden\nSie diese fast\ntäglich verwenden.  Daher sollten Sie die\nGrundlagen verstehen, wissen, wie man sie einrichtet, wie man\nsie importiert, was ein Dataframe ist und wie man\nein einfaches Diagramm erstellt.  Es\ndauert wirklich nicht so lange.  Und selbst ein\neinstündiges Tutorial wird Ihnen eine\nwirklich solide Grundlage bieten, bevor Sie zum\nnächsten Schritt übergehen.  Kommen wir nun also zu\njedermanns Lieblingsfach:\nMathematik.  Aber ganz konkret: die Mathematik, die\nSie tatsächlich beherrschen müssen.  Natürlich\nbraucht man für maschinelles Lernen ein bisschen Mathematik,\naber es ist nicht so theoretisch, wie viele\nLeute es gerne darstellen.  Und um\nehrlich zu sein, ist diese Mathematik nicht besonders\nkomplex, und man muss\nsie weder herleiten noch alle Beweise kennen.\nMan muss lediglich ein hohes Maß an\nVerständnis mitbringen.  Hier sind also die Bereiche,\ndie wirklich wichtig sind.  Und noch einmal, es\nmag kompliziert klingen, aber ich verspreche\nIhnen, dass Sie sich nach ein paar Wochen, in denen Sie sich damit beschäftigen,\nviel wohler damit fühlen werden, als\nSie es sich wahrscheinlich vorgestellt haben.  Okay, also zuerst einmal die\nGrundlagen der linearen Algebra.  Wir sprechen also darüber, was ein\nVektor ist, was eine Matrix ist, Dinge wie\nSkalarprodukte.  Dann beschäftigen wir uns mit\nWahrscheinlichkeit in der Statistik.  Was ist also eine\nVerteilung, Grundsatz, Mittelwert,\nVarianz?  Okay.  Als nächstes beschäftigen wir uns mit der\nAnalysis.  Also erstmal die Grundlagen, wie zum Beispiel: Was\nist eine Ableitung?  Was ist beispielsweise ein Integral\n?  Und was genau ist das Konzept von\nGradienten und wie funktioniert Optimierung?\nUnd das war's im Grunde schon.  Sie müssen nicht in der\nLage sein, all diese\nAlgorithmen herzuleiten oder von Grund auf neu zu schreiben.\nMan muss sie sich nur schon einmal angesehen haben\n, im Grunde verstehen,\nwarum sie funktionieren oder was sie\nsind, und in der Lage sein zu sagen: „Oh, Ableitung.\nJa, ich weiß, was das ist. Könnte ich\ndiese Funktion als Steuerfunktion verwenden?“  Vermutlich nicht, aber zumindest ist mir\ndas Konzept vertraut.  Wenn du\ndas weißt, hast du bereits ein\ngutes Niveau in Mathematik.  Und eigentlich muss man\ndiese Themen nur dann wirklich gut und fundiert beherrschen, wenn man sich mit sehr tiefgehender Forschung oder fortgeschrittenem maschinellem Lernen beschäftigt\n.  Ich selbst habe das alles\nvor etwa fünf oder sechs Jahren an der Universität gelernt\n.  Ich habe fast alles vergessen, aber\nzumindest kenne ich den Begriff, und das\ngibt mir schon eine ausreichende Grundlage, um mich mit\neinigen Algorithmen des maschinellen Lernens zu beschäftigen.\nUnd wie immer gilt hier: Sollten Sie später feststellen, dass Sie\ndiese mathematischen Kenntnisse doch benötigen,\nist das kein Problem.  Geh und lerne es.\nMach es bloß nicht zu einer zwingenden Voraussetzung, die\ndich daran hindert, sofort mit dem Bau zu beginnen.\nKommen wir nun zum nächsten Abschnitt, der sich mit den\nKernalgorithmen des maschinellen Lernens befasst.\nSobald Sie die Grundlagen von Python beherrschen\nund ein wenig über die\nmathematischen Grundlagen wissen – die\nSie sogar parallel dazu lernen können –, sollten\nSie sich mit dem Kern des\nmaschinellen Lernens auseinandersetzen.  Nun, es gibt\nhier verschiedene Kategorien, die wir betrachten.  Die erste Methode ist das überwachte\nLernen.  Das zweite ist\nunüberwachtes Lernen.  Beim\nüberwachten Lernen gibt es einige\nAlgorithmen,\nmit denen Sie sich wirklich gut auskennen sollten und die Sie am besten\nselbst schreiben, ausführen und trainieren möchten.  Nun sprechen wir\nüber lineare Regression, logistische\nRegression, Entscheidungsbäume, Random\nForests, SVM oder Support Vector Machines\nund dann K nächste Nachbarn.  Dies\nsind nun die Kernalgorithmen des maschinellen Lernens.\nSie sind sehr einfach, und ehrlich gesagt\nverwendet der Großteil des maschinellen Lernens, das man heutzutage sieht, irgendeine Form oder Variante davon\n.  Danach folgt das\nunüberwachte Lernen.  Hier kommen\nwir dann auf Dinge wie K-Means-\nClustering und PCA-basierte\nDimensionsreduktion zu sprechen.  Es gibt hier auch noch ein paar andere,\naber das sind die beliebtesten.  Nun\nsollten Sie für jeden dieser Algorithmen\nverstehen, welches Problem er löst, wann\ner im Vergleich zu den bestehenden Alternativen eingesetzt werden sollte\nund wie er bewertet werden kann.  Wie hoch ist\ndie Genauigkeit, wie hoch die Präzision,\nwie hoch die Trefferquote, und wie führt man eine\nKreuzvalidierung durch?  Wenn Sie das verstehen können,\ndann befinden Sie sich in einer wirklich soliden\nPosition.  Wenn Sie mit\ndiesen Algorithmen experimentieren und sie anwenden möchten, sollten Sie sich unbedingt\nscikitlearn ansehen.  Es verfügt über eine sehr übersichtliche\nAPI, eine hervorragende Dokumentation und ist\nwirklich die erste Anlaufstelle für diese Art von\nklassischen Algorithmen des maschinellen Lernens.\nDie entscheidende Fähigkeit besteht nun darin, das\nrichtige Modell für das jeweilige Problem auszuwählen und\nnicht einfach nur wahllos Code auszuführen.\nUm das zu tun, benutzt man, wie gesagt,\nscikit-learn und baut dann ein paar kleine\nProjekte, richtig?  Also, Immobilienpreise vorhersagen\n, E-Mails klassifizieren,\nKundensegmente gruppieren, reale\nDatensätze und reale Probleme analysieren.  Es gibt unzählige tolle\nTutorials im Internet.  Und\nnochmal: Man sollte\ndie Grundlagen wirklich gut beherrschen, bevor wir\nzu fortgeschritteneren Themen übergehen.\nWenn Sie nun überzeugt sind, dass\nSie maschinelles Lernen lernen möchten, dies\naber nicht\nmonatelang mit dem Zusammensetzen zufälliger\nTutorials verschwenden wollen, dann kann ich Ihnen Data\nCamp wärmstens empfehlen.  Ich habe für dieses Video eine Partnerschaft mit ihnen geschlossen\n, und zwar deshalb, weil ich\nData Camp schon seit Jahren nutze, um meine eigenen\nPython- und Machine-Learning-Kenntnisse zu verbessern.  Und\nwas mir daran am besten gefällt, ist der hohe Praxisbezug\n.  Jetzt schaust du dir nicht nur\nVorlesungen an, sondern lernst durch praktisches Tun\n.  Sie schreiben also Code in Ihrem\nBrowser, erhalten sofortiges Feedback und\nentwickeln dabei echte Projekte.\nWenn Sie einen kompletten Lehrplan wünschen, der sich\nauf die Modellentwicklung konzentriert,\nist der Machine\nLearning Scientist Track der beste Ausgangspunkt.  Es bietet\nIhnen nun einen strukturierten Weg durch überwachtes\nund unüberwachtes Lernen, Feature\nEngineering, Modellvalidierung, XG Boost,\nNLP und sogar Deep Learning mit\nPyTorch.  Sie erlernen also die Fähigkeiten,\ndie für die reale Arbeit im Bereich Machine Learning tatsächlich wichtig sind.\nUnd sobald man Modelle bauen kann, wird die Produktion der nächste\nEngpass sein.   Hier kommt nun\nihr Ausbildungsprogramm zum Machine-Learning-\nIngenieur ins Spiel, denn es\ndeckt die Bereiche ab, mit denen die meisten Autodidakten\nSchwierigkeiten haben.  Also ML-Flow,\nDocker, Datenversionierung, Monitoring,\nDrift, Sie wissen schon, CI/CD.  So können Sie\nvon meinem Modell, das in einem Notebook funktioniert, zu meinem\nModell gelangen, das tatsächlich in der Produktion funktioniert.  Jetzt\nkönnen Sie Ihre Fähigkeiten auch mit den\nTrack-Zertifikaten und\nZertifizierungen von Data unter Beweis stellen, was sich hervorragend für Ihren\nLebenslauf und Ihr LinkedIn-Profil eignet.  Mittlerweile\nvertrauen über 19 Millionen\nLernende auf Data Camp.\nÜber den Link in der Beschreibung können Sie beide Titel kostenlos anhören\n.  Und ich wünschte wirklich, ich hätte\ndiese Art von Struktur gehabt, als ich damit\nangefangen habe.  Jedenfalls hätte es\nmir viel Zeit erspart.\nKommen wir nun zu Schritt Nummer vier, dem\nDeep Learning.  Sobald Sie sich\nmit dem klassischen maschinellen\nLernen vertraut gemacht haben, möchten Sie neuronale\nNetze hinzufügen.  Nun sollten Sie mit\nden folgenden Konzepten beginnen.  Was ein Neuron\nist, Dinge wie Schichten,\nAktivierungsfunktionen, Vorwärts- und Rückwärtsdurchläufe,\nVerlustfunktionen, Optimierer und\nBackpropagation.  Das Framework, das ich\nIhnen hier empfehlen würde, ist PyTorch.\nDas ist im Jahr 2026 deutlich moderner.\nTensorFlow existiert zwar immer noch, aber PyTorch\ndominiert die Forschung und ist\nzunehmend beliebter und quasi\nder Produktionsstandard, daher sind Sie damit\nwahrscheinlich besser dran\n.  Dieses Framework ermöglicht Ihnen\neine Menge, insbesondere aber den Aufbau\nneuronaler Netze.  Die wichtigsten\nArchitekturen, die Sie sich\nbei neuronalen Netzen ansehen sollten, sind\nFeedforward-\nNetze, CNNs oder Convolutional Neural\nNetworks für Dinge wie Bilder, RNNs oder\nRecurrent Neural Networks und\nLSTMs für Sequenzen. Darüber hinaus sollten Sie sich\nTransformer ansehen.  Und\ndies ist die aktuelle Architektur, die\njedem LLM zugrunde liegt.  Das dürfte also\nein interessanter Fall sein, den man sich mal ansehen sollte.\nSie müssen nun nicht in der Lage sein,\nam ersten Tag eine Transformer-Architektur von Grund auf neu zu entwickeln\n.  Aber Dinge wie\nAufmerksamkeit und ihre Funktionsweise zu verstehen,\nmacht Sie selbst\nmit modernen KI-Tools viel effektiver und gibt Ihnen ein klares\nVerständnis davon, was\ntatsächlich vor sich geht.  Nun zu einigen\nProjekten, die Sie hier bauen können, um\ndies zu lernen.  Man kann einen\nBildklassifikator mit CNN-basierter Stimmungsanalyse\nmit einem einfachen RNN vergleichen und dann sogar\nein vortrainiertes Modell von\netwas wie einem umarmenden Gesicht feinabstimmen.  Okay, das war also\nSchritt vier: Neuronale Netze.\nKommen wir nun zu Schritt fünf, nämlich den\nFähigkeiten, die Ihnen tatsächlich einen Job sichern.  An dieser Stelle\nenden die meisten Karrierewege, aber ich möchte auf Dinge eingehen, die\nSie lernen müssen, wenn Sie tatsächlich\neinen Job bekommen wollen.  Denn das alles ist in Ordnung.\nDu wirst deinen Spaß haben.  Du wirst\nModelle erstellen.  Weißt du, das wird\nwirklich interessant.  Aber wenn Sie zu einem\nVorstellungsgespräch gehen, werden sie Ihnen Fragen zu\nall diesen Dingen stellen.  Und wenn du\nsie nicht kennst oder keine\nErfahrung hast, wirst du\nsofort entlassen.  Zunächst beschäftigen wir uns mit\nML-Operationen und insbesondere mit der Bereitstellung.  Dazu gehören\nDinge wie Docker, Model Serving, sofast\nAPI, Flask, Inferenzserver,\nMonitoring, CI/CD und die\nEinrichtung grundlegender ML-Pipelines.  Je\nfortgeschrittener man im Bereich des maschinellen Lernens wird, desto mehr\nerkennt man, dass ein Großteil der\nRolle eines Machine-Learning-Ingenieurs nicht\nnur im Erstellen des Modells besteht, sondern auch darin,\nes so einzusetzen, dass es von den Menschen genutzt werden kann und\nin der Produktion funktioniert.  Als Nächstes: die Arbeit mit\nrealen Daten.  Die Datenbereinigung macht also buchstäblich\n80 % der Arbeit im Bereich des maschinellen Lernens aus, und niemand\nwarnt einen vorher davor.  Wenn man\nTutorials erstellt, erhält man all diese sauberen,\nschönen Daten, bei denen alles vorhanden ist.\nIn der Realität hat man es jedoch mit unübersichtlichen\nDaten, fehlenden Werten, ungewöhnlichen\nVerteilungen usw. zu tun. Gewöhnen Sie sich also\nfrühzeitig daran.  Datenbereinigung und -analyse.   Als\nNächstes folgt die Feature-Entwicklung.  Oft liegt\nder Unterschied zwischen einem mittelmäßigen\nund einem hervorragenden Modell in der Funktionsentwicklung.\nBei vielen realen Problemen kann Fachwissen also tatsächlich wichtiger sein als die Wahl des Algorithmus\n.  Als nächstes die\nVersionskontrolle, aber speziell für maschinelles Lernen.\nWir sprechen also natürlich über Git und\nGitHub, aber auch über Tools wie MLflow und\nWeights and Biases zur\nExperimentverfolgung.  Als nächstes sprechen wir über Cloud-\nPlattformen.  Sie möchten also mindestens\neines der folgenden Systeme kennenlernen: AWS, GCP oder Azure.  Ich persönlich\nempfehle AWS, aber im Grunde können Sie\nhier nehmen, was Sie wollen.  Und\ndann werden Sie sich Tools\nwie Sage Maker, Vertex AI und Azure ML ansehen.\nSie verstehen schon.  Im Allgemeinen werden die Leute,\ndie in der realen Welt für maschinelles Lernen eingestellt werden, also\nnicht nur\njunge Praktikanten, die gerade erst\nanfangen, eingestellt, weil sie nicht nur\nmaschinelle Lernmodelle erstellen können,\nsondern diese auch in der Produktion einsetzen und verwenden können\n.  Genau da liegt oft\nder Engpass, und gerade\njetzt, wo ein Großteil der harten Arbeit\nbereits erledigt ist und man eigentlich gut zurechtkommt\noder bestehende Modelle nutzt,\nist die Produktionsseite extrem\nwichtig.  Diese Fähigkeiten sollten Sie also nicht vernachlässigen.   Kommen wir nun dazu,\nwie man\ndiese Fähigkeiten effektiv erlernen kann.  Die\nRegel, die ich üblicherweise anwende, ist die 7030-\nRegel, nach der man 70 % seiner\nZeit mit Bauprojekten und 30 % mit\nTheorie und Kursen verbringen sollte.  Die\nmeisten Leute machen es genau umgekehrt, und mit\nden Verhältnissen kann man natürlich spielen.\nAber im Allgemeinen sollte man\nmindestens doppelt so viel Zeit damit verbringen,\ntatsächlich zu bauen, praktisch zu arbeiten,\nam Computer zu arbeiten,\nFehler zu machen und zu vermasseln, richtig?  Im Vergleich dazu,\nwenn man sich nur Tutorials ansieht oder die\nTheorie durchliest.  Nun, was\nich Ihnen noch wärmstens empfehlen kann, insbesondere\nin diesem Bereich, ist, in der Öffentlichkeit zu lernen.\nEs ist nicht verpflichtend, aber ich empfehle\nIhnen, Ihre Projekte auf GitHub zu veröffentlichen.\nSchreibe auf LinkedIn über das, was du lernst\n, richtig?  Und das liegt daran, dass Personalverantwortliche\ninsbesondere im Bereich Machine Learning die Mitarbeiter danach einstellen,\nwas man entwickelt hat, und nicht\nnur nach den vorhandenen Zertifizierungen.\nUnd das ist ein Bereich, in dem es\ntatsächlich Sinn macht, ein cooles Video\nüber ein von Ihnen trainiertes neuronales Netzwerk\noder ein cooles Projekt, an dem Sie mitgearbeitet haben, zu veröffentlichen.\nUnd es wird nicht, ich\nweiß nicht, irgendwie hochnäsig oder arrogant wirken.\nDas ist wirklich etwas\nInteressantes.  Und ich habe viele Freunde\nin diesem Bereich, die ständig darüber sprechen,\nwas sie tun, weil es\nsie auf dem Laufenden hält, sie\nrelevant hält und ihnen viele\nMöglichkeiten eröffnet.  Auch dies ist ein Bereich, in dem\nAnpassungsfähigkeit gefragt ist.  Du\nmusst weiterlernen.  Und wenn Sie weiterhin Beiträge\nveröffentlichen und darüber sprechen,\nzeigt das zumindest, dass Sie in der Branche tätig sind\nund aktiv sind und nicht\nnur ein verwaistes LinkedIn-Profil besitzen, das seit\nJahren nicht mehr aktualisiert wurde.  Und als Nächstes:\nNicht von einem Tutorial zum nächsten springen, richtig?  Suchen Sie sich eine\nstrukturierte Ressource aus und bearbeiten Sie diese, bevor\nSie zur nächsten übergehen.\nHalbfertige Kurse bringen einem eigentlich gar nichts bei\n.  Und Sie möchten\ndiesen Dopamin-Kick erleben, der entsteht, wenn Sie\netwas tatsächlich vollständig abschließen, selbst wenn es nicht\ndie beste Ressource ist.  Wenn Sie dann einmal nicht weiterkommen –\nund das wird hier definitiv passieren –,\nist das ein Signal, sich etwas\nTheorie anzueignen.  Sie haben nun also den Kontext\n.  Du kennst auch die letztendliche Motivation,\nwarum du etwas lernen möchtest.  So,\njetzt kannst du dich an die Mathematik machen.\nJetzt kannst du ein weiteres\nModul lernen.  Jetzt könnt ihr euch\ndie einzelnen Syntaxbausteine ​​besorgen.  Lernen ist immer\neinfacher, wenn man weiß, warum man etwas\nlernen will und es nicht isoliert, losgelöst\nvon einem Ziel oder einem Projekt, lernt.  Als Nächstes sollten Sie\nsicherstellen, dass Sie durchgängige\nProjekte erstellen.  Datenerfassung, -bereinigung,\nTraining, Auswertung, Bereitstellung – all das wird\nIhnen viel mehr beibringen\nals die Bearbeitung von 10 beliebigen Kaggle-Notebooks.\nOkay.  Was die Zeiteinschätzung angeht:\nWenn Sie sehr diszipliniert sind und\nbereits Programmierkenntnisse besitzen,\nkönnen Sie\nhier in 6 bis 9 Monaten definitiv einsatzbereit sein.  Es werden jetzt\nkeine 6 Wochen sein, oder?  Aber es werden\nauch keine drei Jahre sein.  6 bis 9\nMonate konzentrierte Arbeit.  Und auch wenn das\nin jedem Bereich viel erscheinen mag, ist das\neigentlich eine kurze Zeitspanne, wenn man sich\neinfach auf die richtige Aufgabe konzentriert\nund erst einmal etwas aufbaut, bevor man die\nTheorie lernt.  Meine ehrliche Meinung dazu ist, dass maschinelles Lernen\neine der lohnendsten Fähigkeiten ist,\ndie man derzeit erlernen kann – aber nur,\nwenn man es auf die richtige Weise lernt.  Die\ngrößte Falle ist, einfach im\nLernmodus zu verharren und nie\netwas Konkretes zu entwickeln.  Und das liegt daran, dass man keinen\nDoktortitel braucht.  Man muss nicht\njedes einzelne Dokument verstehen, aber man muss\ntatsächlich in der Lage sein, Probleme zu lösen.\nDas ist der schwierige Teil und worauf sich viele\nLeute nicht konzentrieren.  Wie ich\nbereits erwähnt habe, ist die Bereitstellung\nhier ein wirklich wichtiger Schritt.\nÜberspringen Sie das also nicht und warten Sie nicht bis zu\nIhrem ersten Vorstellungsgespräch.  Wenn Sie sich an diesen\nFahrplan halten, garantiere ich Ihnen, dass\nSie einige Erfolge erzielen werden.  Arbeite weiter daran\n.  Es lohnt sich absolut.\nDamit wären diese Worte gesagt, Leute, und ich hoffe, es hat\neuch gefallen.  Lass ein Like da, wenn es dir gefallen hat.\nAbonniert den Kanal und wir sehen uns\nim nächsten Video.",
  "transcript_chars": 21874,
  "ingested_at": "2026-05-26T16:31:33.682724+00:00",
  "source": "channel",
  "yt_meta": {
    "view_count": 2504,
    "like_count": 268,
    "channel_id": "UC4JX40jDee_tINbkjycV4Sg",
    "categories": [
      "Education"
    ],
    "tags": [
      "tech with tim",
      "learn machine learning",
      "machine learning roadmap",
      "machine learning tutorial 2026",
      "how to learn ML fast",
      "ML engineer career",
      "machine learning for beginners",
      "Python for machine learning",
      "scikit-learn tutorial",
      "PyTorch tutorial",
      "deep learning beginner",
      "MLOps tutorial",
      "ML deployment",
      "machine learning math",
      "machine learning projects",
      "data science roadmap",
      "neural network tutorial",
      "ML career path",
      "ML engineer salary",
      "machine learning without PhD"
    ]
  }
}