Die Reise eines Anfängers in das maschinelle Lernen mit Python

Öffnen Sie Ihre Python -Reise für maschinelles Lernen

Einführung: Was ist maschinelles Lernen? Warum ist es so wichtig?

maschinelles Lernen (ML) ist heute eine der revolutionärsten Technologien. Es treibt alles von der personalisierten Empfehlung von Netflix bis hin zu autonomen Autos und virtuellen Assistenten an. Aber was ist das? Grundsätzlich ist maschinelles Lernen ein Zweig der künstlichen Intelligenz. Im Gegensatz zu der herkömmlichen Programmierung, die klar definiert werden muss, wird das maschinelle Lernmodell gemäß den Eingabedaten angepasst und entwickelt, was bedeutet, dass sie sich im Laufe der Zeit weiter verbessern können. Mit dem kontinuierlichen Einsatz von Technologie für maschinelles Lernen aus allen Lebensbereichen ist es wichtiger, sein Grundkenntnis als je zuvor zu verstehen. Egal, ob Sie die Probleme in der realen Welt lösen, Wettbewerbsvorteile erzielen oder neue professionelle Straßen erkunden, maschinelles Lernen bietet unbegrenzte Möglichkeiten.

Verstehen Sie das Grundkenntnis des maschinellen Lernens

Definition des maschinellen Lernens: Kernkonzept

maschinelles Lernen ist eine Datenanalysemethode, mit der die Konstruktion des Modells automatisiert werden kann. Es basiert auf einem solchen Konzept: Das System kann aus den Daten lernen, den Modus identifizieren und im Falle einer mindestens manuellen Intervention Entscheidungen treffen. Kernkonzepte werden mit Trainingsalgorithmen behandelt, um große Datenmengen für Vorhersagen oder Entscheidungen zu verarbeiten. Nach dem Training können diese Algorithmen verwendet werden, um Ergebnisse vorherzusagen, Daten zu klassifizieren und sogar Aktionen zu empfehlen. Die Kraft des maschinellen Lernens ist, dass es die Vorhersage mit mehr Verfügbarkeit verbessern kann.

Arten des maschinellen Lernens: Überwachungslernen, unbeaufsichtigtes Lernen und Stärkung des Lernens

maschinelles Lernen kann grob in drei Typen unterteilt werden:

Lernen

: Verwenden Sie in dieser Methode das Mark -Daten -Trainingsmodell. Jedes Trainingsbeispiel wird mit der richtigen Ausgabe gepaart, und das Modelllernen bildet die Eingabe in die Ausgabe. Beispiele hierfür sind Klassifizierungen wie E -Mail -Spam -Erkennung und Regressionsaufgaben wie die Vorhersage von Immobilienpreisen.
1. unbeaufsichtigtes Lernen : Unterscheidet sich von dem Lernen des Überwachung durch das unbeaufsichtigte Lernen beinhaltet die Verwendung nicht signierter Datentrainingsmodelle. Ziel ist es, den versteckten Modus oder die versteckte Struktur in den Daten zu identifizieren. Klassifizierung und Assoziation sind häufig unbeaufsichtigte Lerntechnologien. Ein Beispiel ist das Kundensegment des Marketings.
2. Starkes Lernen : Diese Art des Lernens wird von Verhaltenspsychologie beeinflusst. Bei der Stärkung des Lernens interagiert die Agentur mit der Umwelt, führt Maßnahmen aus und erhält Feedback in Form von Belohnungen oder Bestrafungen. Ziel ist es, die kumulativen Belohnungen zu maximieren. Es wird normalerweise für Robotik, Spiele und autonome Autos verwendet.
3. Der Schlüsselbegriff, den jeder Anfänger verstehen sollte , um maschinelles Lernen vollständig zu erfassen und einige wichtige Begriffe zu verstehen. Dazu gehören:

• Mathematik :: Mathematische Darstellung zwischen der Beziehung zwischen Eingabe und Ausgabe.
Algorithmus
• : Es wird verwendet, um das Modell zur Lösung des Problems zu trainieren. Trainingsdaten
: Daten für Trainingsmodelle.
• Features : Eingabefaktoren oder für die Vorhersage verwendete Attribute.
• Etikett : Das Modell zielt darauf ab, die Ausgabe- oder Zielvariable vorherzusagen.
• Warum Python wählen? Beste Programmiersprache des maschinellen Lernens Einfach und Lesbarkeit: Warum ist Python für Anfänger geeignet

Python ist zur beliebtesten Programmiersprache für maschinelles Lernen geworden, die ausreichend ist. Die Grammatik ist einfach und leicht zu lesen, was für Anfänger sehr geeignet ist. Im Gegensatz zu anderen Programmiersprachen benötigt Python nicht viel Modellcode, damit neue Lernende der Lösung von Problemen mehr Aufmerksamkeit schenken können, als der Komplexität des Codes. Seine intuitiven Funktionen erleichtern es einfach, auch auf diejenigen mit begrenztem Programmiererlebnis zuzugreifen, sodass sie das Konzept des maschinellen Lernens ausführlich untersuchen können, ohne durch komplexe Grammatik beunruhigt zu werden.

Pythons reiches maschinelles Lernbibliothek Ökosystem

Pythons umfangreiches Datenbank -Ökosystem ist ein weiterer Grund für seine Dominanz im Bereich des maschinellen Lernens. Librans mögen numpy

,

pandas

und

Matplotlib

vereinfachen die Datenoperation und visuelle Aufgaben. Eine Bibliothek auf höherer Ebene wie scikit-larn , Tensorflow und Keras und und h> pytorch liefert eine Konstruktionsblock zum Aufbau eines leistungsstarken maschinellen Lernsystems. Diese Bibliotheken vereinfachen nicht nur den Codierungsprozess, sondern bieten auch leistungsstarke Tools, um die Konstruktions-, Schulungs- und Bereitstellungsmodelle zu erleichtern. python maschinelles Lernen Community -Unterstützung und Ressourcen Pythons maschinelles Lerngemeinschaft ist riesig und unterstützend mit vielen Foren, Online -Communities und Open -Source -Ressourcen. Websites wie Stack Overflow, Github und verschiedene maschinelle Lernen spezifische Foren haben viele Wissenswissenschaften von erfahrenen Entwicklern zusammengebracht. Anfänger können Tutorials, Codebeispiele und nützliche Vorschläge in fast allen Aspekten des maschinellen Lernens finden, um sicherzustellen, dass sie sich nicht allein vor Herausforderungen stellen müssen.

Setzen Sie Ihre Umgebung für maschinelles Lernen von Python

Python und die erforderlichen Werkzeuge

installieren

Der erste Schritt der Reise des maschinellen Lernens besteht darin, eine geeignete Python -Umgebung zu setzen. Installieren Sie zunächst die neueste Version von Python von der offiziellen Website, um sicherzustellen, dass die Installation ein Paket -Management -Tool wie

PIP

enthält. Sie müssen auch eine virtuelle Umgebung einrichten, um Abhängigkeitselemente effektiv zu verwalten. Dieser Schritt ist wichtig, um Konflikte zwischen verschiedenen Projektabhängigkeiten zu vermeiden.

IDE und Notebook -Profil Pycharm und

gegen Code

Integrierte Entwicklungsumgebung (IDE) bietet leistungsstarke Funktionen für das Codieren, Debuggen und Ausführen von Python -Skripten. Alternativ ist Jupyter Notebook ein hervorragendes Tool für diejenigen, die Jobs aufzeichnen möchten, wenn sie gleichzeitig Python -Code ausführen möchten. Mit der interaktiven Funktion von Jupyter können Sie den Algorithmus für maschinelles Lernen in Echtzeit testen und die Ergebnisse visualisieren.

installieren

Sobald Ihre Python -Umgebung beigelegt ist, installieren Sie die notwendige Bibliothek für maschinelles Lernen.

numpy und pandas Es ist wichtig für die Datenoperation und -analyse. scikit-larn Es ist ein wesentliches Instrument, um grundlegende Algorithmen für maschinelles Lernen zu erreichen (wie lineare Regression, Entscheidungsbäume und Clustermodelle). Diese Bibliotheken bieten Tools, die erforderlich sind, um Daten effektiv zu bereinigen, zu verarbeiten und zu analysieren.

Erste Schritte: Basic Python

Rückblick auf Ihre Python -Fähigkeit: Das Schlüsselkonzept von ML Anfänger

Bevor Sie maschinelles Lernen studieren, ist es wichtig, das Python -Konzept der Stiftung zu überprüfen. Verstehen Sie die grundlegende Pythonstruktur, wie z. Das Verständnis des Prinzips der objektorientierten Programmierung (OOP) macht Sie außerdem vorteilhafter beim Schreiben modularer und skalierbarer Code.

Python -Datenstruktur und ihre Beziehung zum maschinellen Lernen maschinelles Lernen hängt ernsthaft von der effizienten Datenstruktur ab. In Python wird die -Liste , Metropolitan Group und Wörterbuch normalerweise für Speicher- und Organisationsdaten verwendet. Für kompliziertere Datenoperationen bietet das

numpy Array

und

pandas DataFrame

eine schnellere und effizientere alternative Lösung. Diese Strukturen sind für numerische Operationen optimiert und sind sehr geeignet, um große Datensätze zu behandeln, die üblicherweise im maschinellen Lernen verwendet werden. Verarbeitungsdaten: Die Bedeutung von Numpy und Pandas Daten vor dem Verarbeitung ist ein grundlegender Schritt im maschinellen Lernen. numpy Unterstützt die schnelle numerische Berechnung und pandas gut in der Verarbeitung und Reinigung strukturierter Daten. Die Kombination dieser Bibliotheken ermöglicht es maschinellem Lernen, Datensätze zu bedienen, fehlende Daten zu verarbeiten und Vorgänge auszuführen und zu vergrößern. Die Rolle von Daten im maschinellen Lernen

Datensatz verstehen: Was ist gute ML -Daten?

Ein gutes maschinelles Lernmodell beginnt mit guten Daten. Datensätze mit hohen Qualität beziehen sich auf die Probleme, die Sie lösen, vielfältig und repräsentativ sind. Um das Modell genaue Vorhersagen zu machen, muss es auf den Daten geschult werden, die die Eingabe- und Ausgangsverteilung in der realen Welt widerspiegeln. Analyse und das Verständnis Ihrer Datensätze vor dem Training sind wichtig, um effektive Lösungen für maschinelles Lernen aufzubauen. Datenbereinigung und Vorverarbeitung Einführung Daten vor dem Verarbeitung wird normalerweise als am besten angesehener Teil des maschinellen Lernens angesehen. Das Reinigen der Originaldaten durch Löschen doppelter Elemente, verarbeiteter Wertverlust und Codierungsklassifizierungsvariablen ist unerlässlich. Die Vorbereitungsverarbeitung umfasst auch ein Format, das die Daten in einen Algorithmus für maschinelles Lernen umwandelt, das Skalierungsfunktionen oder standardisierte Daten umfasst.

Die Erforschung der Analyse der Anfängerdatenanalyse (EDA)

Vor dem Starten des Modells ist es wichtig, explorative Datenanalyse (EDA) durchzuführen. EDA umfasst die Hauptmerkmale des Datensatzes, das normalerweise durch visuelle Methoden wie Histogramm, verstreute Punkte und Box -Diagramme erreicht wird. Mit diesem Prozess können Sie den potenziellen Modus in den Daten verstehen, abnormale Werte identifizieren und feststellen, welche Merkmale am meisten mit Ihrem Modell zusammenhängen.

Ihr erstes maschinelles Lernprojekt: Schritt -By -Step -Handbuch

Wählen Sie das richtige Problem, um

zu lösen

Aus dem richtigen Problem ist der Beginn des Erfolgs des maschinellen Lernens der Schlüssel. Konzentrieren Sie sich auf Elemente, die mit Ihren Interessen übereinstimmen, z. B. die Vorhersage von Filmwerten oder die Klassifizierung von Bildern. Die Auswahl einer Frage für Anfänger ist einfach genug, aber es ist kompliziert genug, wertvolle Konzepte zu lehren.

Schulungsdaten vorbereiten: Datensegmentierung, Normalisierung und Codierung

Sobald Sie einen Datensatz haben, teilen Sie ihn in Trainingssätze und Testsätze auf, um die Leistung des Modells zu bewerten. Standardisierte Daten, um sicherzustellen, dass alle Merkmale im Maßstab ähnlich sind, was die Genauigkeit von Algorithmen wie der linearen Regression verbessern kann. Code -Klassifizierungsdaten (z. B. 🎜 编 编 编 ) ist ein weiterer wichtiger Schritt vor dem Verarbeitung, der die Daten auf das maschinelle Lernmodell vorbereitet.

Erstellen Sie Ihr erstes Modell: Training und Testen

Nach der Vorbereitung der Daten können Sie Ihr erstes Modell trainieren. Ausgehend von einfachen Algorithmen wie lineare Regression oder Entscheidungsbaum können Sie scikit-larn und andere Bibliotheken verwenden, um es einfach zu implementieren. Verwenden Sie das Schulungsmodell für Trainingsdaten und verwenden Sie den Testsatz, um seine Leistung zu bewerten. Passen Sie das super -digitale und feine das Modell an, um eine höhere Genauigkeit zu erhalten.

Überwachung und Lernen: Lernen Sie die Grundlage der meisten ML -Modelle

Einführung in den Lernalgorithmus des Supervision

Überwachungslernen ist die am häufigsten verwendete Methode im maschinellen Lernen. Dies beinhaltet die Verwendung von Markierungsdaten -Trainingsmodellen. In der klassifizierten Aufgabe ist es das Ziel, diskrete Kategorien (z.

Verwenden Sie die lineare Regression

lineare Regression ist eine der einfachsten Überwachungs- und Lernalgorithmen. Ziel ist es, die Beziehung zwischen Variablen und einer oder mehreren unabhängigen Variablen zu simulieren. Diese Technologie wird verwendet, um kontinuierliche Ergebnisse vorherzusagen, z. B. die Vorhersage von Umsätzen oder geschätzte Produktpreise.

Klassifizierung: Entscheidungsbaum und K in der Nähe (KNN)

Entscheidungsbaum und kNn (KNN) ist ein beliebter Klassifizierungsaufgabenalgorithmus. Der Entscheidungsbaum unterteilt die Daten in eine Teilmenge gemäß dem Merkmalswert, und KNN klassifiziert die Datenpunkte basierend auf der Hauptkategorie seiner Nachbarn. Beide Algorithmen sind relativ einfach zu implementieren und für viele Probleme mit maschinellem Lernen effektiv.

unbeaufsichtigtes Lernen: Erforschen Sie den Modus in Daten ohne Beschriftungen

Was ist unbeaufsichtigtes Lernen? Warum ist es nützlich?

unbeaufsichtigtes Lernen wird verwendet, um versteckte Modi in Unbar -Daten zu finden. Diese Art des Lernens ist sehr nützlich für die Gruppierung oder Struktur in den Identifikationsdaten und kann auf Aufgaben wie Marktsegmentierung oder abnormale Erkennung angewendet werden.

Poetry -Technologie: Der K -Durchschnitt der Anfänger

k Durchschnittlicher Pool ist eines der am häufigsten verwendeten, unbeaufsichtigten Lernalgorithmen. Es ist in Cluster unterteilt, die auf Ähnlichkeit basieren, so dass es für die Kundensegmentierung oder die Bildkomprimierung sehr nützlich ist.

dis -dimensional: PCA verstehen (Hauptkomponentenanalyse)

Die Hauptkomponentenanalyse (PCA)

Diese Dimensionsreduktionstechnologie kann dazu beitragen, den komplexen Datensatz zu vereinfachen, indem die Anzahl der Merkmale reduziert und gleichzeitig die Anzahl der Funktionen reduziert wird. Bei der Verarbeitung hochdimensionaler Daten ist PCA besonders nützlich, da die Effizienz von Modelltraining und Visualisierung verbessern kann. Modell des maschinellen Lernens bewerten: Woher wissen Sie, dass es effektiv ist?

Verstehe die Anpassung und die Rückstände

über -anpassungs- und -rückstände finden sich häufig im Modell für maschinelles Trainingslernen.

über -anges aus den Datenerlernen -Trainingsdaten, einschließlich Rauschen und abnormalen Werten, was zu einer schlechten Leistung in unsichtbaren Daten führt.

欠 🎜 Der im Modell auftretende potenzielle Modus ist zu einfach, um den potenziellen Modus in den Daten zu erfassen. Einführung in den Modellbewertungsindikator (Genauigkeit, Genauigkeit, Rückrufrate) Die Bewertung der Leistung des maschinellen Lernmodells ist wichtig, um seine Wirksamkeit zu verstehen. Zu den wichtigsten Indikatoren gehören Genauigkeit

,

Genauigkeit

und

rechnen . Die Genauigkeitsrate misst die allgemeine Korrektheit, und die Genauigkeit und die Rückrufrate achten auf die Fähigkeit, die positiven und negativen Negative des Modells korrekt zu klassifizieren. Kreuzüberprüfung: Die Bedeutung der Modellüberprüfung Cross -Überwachung Es handelt sich um eine Technologie, mit der die Verallgemeinerung neuer Daten für maschinelle Lernmodelle bewertet wird. Durch die Aufteilung von Daten in mehrere Teilmengen und Trainingsmodelle in verschiedenen Kombinationen liefert die Cross -Überwachung zuverlässigere Schätzungen für die Modellleistung.

Das Konzept des erweiterten maschinellen Lernens sollten Sie

verstehen

Einführung in neuronales Netzwerk und Deep Learning vom menschlichen Gehirn inspiriert wird von menschlichem Gehirn inspiriert. Es handelt sich um eine Klasse von Algorithmen, die gut aus einer großen Datenmenge lernen können.

Deep Learning bezieht sich auf die Verwendung von Multi -Layer -neuronalen Netzwerken zur Lösung komplexer Probleme wie Bilderkennung und Verarbeitung natürlicher Sprache.

Verwenden Sie Python für natürliche Sprachverarbeitung (NLP) Einführung

natürliche Sprachbehandlung (NLP)

Es handelt sich um ein Bereich des maschinellen Lernens, das es darauf konzentriert, Computer zu ermöglichen, menschliche Sprache zu verstehen, zu interpretieren und zu generieren. Python bietet eine leistungsstarke Bibliothek wie nltk und

Spage

, die zur Ausführung von Aufgaben wie emotionaler Analyse und Textklassifizierung verwendet wird.

Zeitsequenzanalyse: Professor Kurzübersicht Zeitsequenzanalyse ist entscheidend, um den zukünftigen Trend der Vorhersage in Zukunft vorherzusagen. Es wird normalerweise für die Vorhersage von Börsen, Wettervorhersagen und Ressourcenplanung verwendet. Python bietet einige Tools, einschließlich statsmodels und prophed , um eine Zeitsequenzanalyse durchzuführen.

maschinelles Lernen im wirklichen Leben: Explorest -Beispiele

Die Anwendung des maschinellen Lernens in der medizinischen Versorgung: Diagnose und Vorhersage maschinelles Lernen verändert die medizinische Versorgung vollständig, indem er frühzeitig Diagnose, Arzneimittelforschung und -entwicklung sowie personalisierte Behandlungslösungen unterstützt. Algorithmen können medizinische Bilder analysieren, Krankheiten wie Krebs erkennen und die Prognose von Patienten mit erstaunlicher Genauigkeit vorhersagen.

wie man die Finanzbranche des maschinellen Lernens verändert

Im Finanzbereich wird maschinelles Lernen verwendet, um Betrug zu erkennen, Handelsstrategien zu optimieren und eine automatisierte Risikobewertung zu bewerten. Das ML -Modell kann eine große Menge an Finanzdaten analysieren, um Vorhersagen zu treffen und Informationen für den Entscheidungsprozess für Entscheidungen bereitzustellen.

Einen Empfehlungssystem für e -Commerce

einrichten

e -Commerce -Plattformen wie Amazon und Netflix verwenden maschinelles Lernen, um Produkte und Inhalte zu empfehlen. Diese Empfehlungssysteme analysieren die Kundenpräferenzen und -verhalten, bieten personalisierte Vorschläge zur Verbesserung der Benutzererfahrung und zur Förderung von Verkäufen.

Häufige Herausforderungen beim maschinellen Lernen und wie man sie überwindet

Verarbeitung fehlender Daten und unausgeglichener Datensätze Eine der häufigsten Herausforderungen beim maschinellen Lernen ist es, mit fehlenden Daten umzugehen. interture oder löschen und andere Technologien können dazu beitragen, unvollständige Datensätze zu füllen oder zu verwerfen. Unausgeglichene Datensätze (unzureichende Vertreter bestimmter Kategorien) können unter Verwendung von übermäßigen Abtastung oder geschuldete Stichprobene

und andere Technologien zu lösen gelöst werden.

Verstehen Sie die Abweichung und den quadratischen Unterschied im Modell

balances bandwad (Fehler, die durch das Modell verursacht werden, sind zu einfach) und Fang Differenz (Fehler, die durch das Modell des Modells verursacht werden) sind der Schlüssel zum Aufbau eines effektiven maschinelles Lernmodells . Wenn Sie das richtige Gleichgewicht erhalten, können Sie Überanpassung und Rückstände verhindern.

Überwindung der Komplexität der Modellauswahl

Aufgrund der großen Anzahl verfügbarer Algorithmen kann die Auswahl des richtigen Modells überwältigt sein. Es ist wichtig, eine Vielzahl von Modellen auszuprobieren, Evaluierungsindikatoren zu verwenden, um ihre Leistung zu bewerten und das Modell auszuwählen, das für das aktuelle Problem am besten geeignet ist.

Verwenden Sie Python, um maschinelles Lernen zu lernen.

Der beste Online -Kurs und Tutorial von Anfängern

Viele Online -Plattformen bieten freundliche Kurse für Anfänger des maschinellen Lernens, einschließlich Coursera , udemy und edx . Diese Plattformen bieten strukturelle Lernwege, praktische Übungen und Expertenanleitungen, um den Einstieg zu erleichtern.

Bücher und E -Books, die jeder Anfänger

lesen sollte

aurélien géron schrieb "" "Scikit-Learn, Keras und Tensorflow für das Üben maschinelle Lernen" und Sebastian Raschka "Python Machine Learning" und andere Bücher für Anfänger-Ressource sind hervorragend für die Ressourcen von Anfängern geeignet . Diese Bücher führen die Konzepte, Algorithmen und Anwendungen des maschinellen Lernens vollständig ein.

Nehmen Sie an der ML -Community und dem Forum teil, um weiter zu lernen

add kaggle , Stapelüberlauf und Reddits maschinelles Lernen Sub -Community und andere Online -Communities, damit Sie mit erfahrenen Praktikern interagieren, Fragen und Fragen stellen können und Fragen teilen Ihr Projekt. Die Teilnahme an diesen Gemeinden kann Ihre Lerngeschwindigkeit beschleunigen und Ihnen helfen, die neuesten Trends zu verstehen.

Der zukünftige Trend des maschinellen Lernens und wie Anfänger eine führende Position beibehalten

Der Anstieg des Automatisierungsmaschinenlernen (AutomL)

automatisiertes maschinelles Lernen (Automated Machine Learning), um den Prozess des Erstellens maschineller Lernmodelle durch automatisierte Daten vorzubereiten, Modellauswahl und Super -Einstellungsanpassung. Anfänger können Automl -Tools verwenden, um maschinelles Lernen ohne professionelles Wissen zu testen.

maschinelles Lernen im Zeitalter der künstlichen Intelligenz (AI)

maschinelles Lernen ist eine Säule einer breiteren Palette künstlicher Intelligenz. Mit der kontinuierlichen Entwicklung der Technologie für künstliche Intelligenz werden maschinelle Lernmodelle stärker und stärker, wodurch mehr Aufgaben automatisiert und komplexe Probleme in verschiedenen Branchen gelöst werden.

Bereiten Sie sich auf das nächste große Ereignis vor: Quantum Computing und Ml

Quantenberechnung kann das maschinelle Lernen vollständig verändern, indem komplexe Modelle aktiviert werden. Obwohl es sich noch in der frühen Phase befindet, kann das quantum maschinelle Lernen die Effizienz des großen Modelltrainings erheblich verbessern.

Schlussfolgerung

Eine maschinelle Lernreise mit Python ist eine aufregende und nützliche Erfahrung. Indem Sie klare Ziele, regelmäßige Übungen und Erforschung der Anwendung realer Welten festlegen, erhalten Sie die erforderlichen Fähigkeiten, um aussagekräftige Beiträge in diesem Bereich zu leisten. Lernen Sie fort, behalten Sie die Neugier und behandeln Sie die Herausforderungen als Wachstumschance. Sie haben gerade erst begonnen, maschinelles Lernen zu meistern -was werden Sie als nächstes finden?

Das obige ist der detaillierte Inhalt vonDie Reise eines Anfängers in das maschinelle Lernen mit Python. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!