Fünf kostenlose Wege, KI zu lernen, ohne in Roadmaps zu ertrinken

Wer „Wie lerne ich KI?“ in eine Suchmaske tippt, bekommt meist eine lange Treppe präsentiert: Sie beginnt bei Python, führt über Mathematik, Statistik, klassisches Machine Learning und Deep Learning, vorbei an NLP und Transformern, erreicht LLMs und MLOps und endet bei Forschungspapern – oben wartet die Panik. Irgendwo um die vierte Stufe schließen viele Einsteiger den Tab. Dazu kommen Tausende Kurse, Videos, Bücher, Bootcamps, Newsletter und „ultimative Roadmaps“, und am Ende ist man verwirrter als vorher.

Material zu finden war nie das Problem. Schwierig ist zu wissen, was davon die eigenen Stunden verdient. Deshalb hier eine kurze Liste mit fünf kostenlosen Ressourcen, jede mit ihrem eigenen Zweck. Niemand braucht alle fünf diese Woche. Entscheidend ist, die eine zu wählen, die zur aktuellen Phase passt.

Früh bauen statt Kurse horten

Eine Erinnerung, die die meisten Einsteiger hören sollten: Man muss keine zwanzig Kurse abschließen, bevor man ein erstes KI-Projekt baut. Eine solide Grundlage, etwas Übung und genug Neugier, um dranzubleiben, wenn etwas nicht klickt, reichen völlig. Manchmal klickt es nicht, und das ist normal.

Eine gesündere Schleife sieht so aus: ein bisschen lernen, üben, bauen, hängen bleiben, mehr lernen, wieder bauen. Die ungesunde Variante: Kurs 1 abschließen, dann 2, dann 3, dann 4, ohne je etwas zu produzieren. Werden Sie zum Bauenden statt zum Kurssammler.

1. Googles Machine Learning Crash Course

Für alle, die ganz neu im Machine Learning sind, ist das ein naheliegendes erstes Lesezeichen. Der Kurs führt mit Videos, interaktiven Visualisierungen, Übungen und praxisnahen Erklärungen ins Feld ein. Zu den Themen gehören:

• Regression
• Klassifikation
• Datenaufbereitung
• Modellbewertung
• neuronale Netze
• Grundideen des Machine Learning

Was ihn abhebt: Definitionen werden einem nicht einfach hingeworfen. „Ein Modell minimiert den Loss“ zu lesen und weiterzumachen ist eine Sache. Mit interaktivem Material zu spielen, das zeigt, was dieser Satz bedeutet, ist eine andere. Zwischen „davon gelesen haben“ und „wissen, was passiert, wenn man eine Einstellung ändert“ liegt ein echter Unterschied.

Geeignet für: Einsteiger, die eine strukturierte ML-Basis wollen.

Eine Gewohnheit hilft dabei. Alles auswendig zu lernen ist nicht nötig. Behalten Sie stattdessen drei Fragen im Kopf: Was ist das Problem, welche Daten gibt es, und was soll das Modell vorhersagen? Damit kommt man erstaunlich weit.

2. fast.ai

Angenommen, etwas Python sitzt schon, und der Gedanke lautet: „Genug Theorie, jetzt wird gebaut.“ Der Kurs Practical Deep Learning von fast.ai ist kostenlos und setzt stark aufs Lernen durch Machen. Er behandelt:

• Computer Vision
• NLP
• tabellarische Daten
• Empfehlungssysteme
• Deployment

Der Reiz liegt darin, wie früh das Bauen beginnt. Man starrt nicht wochenlang auf Gleichungen, bevor ein Modell irgendetwas Nützliches tut. Zuerst arbeitet man mit echten Beispielen, dann gräbt man sich in das, was darunter passiert. Unterwegs lernt man PyTorch, die fastai-Bibliothek, Hugging Face, Transfer Learning, stochastischen Gradientenabstieg und Embeddings kennen.

Geeignet für: Leute, die durch Bauen lernen. Wer beim Zuschauen wenig mitnimmt, bis er es selbst ausprobiert hat, ist mit diesem Stil gut bedient.

Das begleitende Buch gibt es online als interaktive Jupyter-Notebooks. Man liest also eine Erklärung und führt den Code sofort aus, ohne zehn Tabs zu jonglieren.

3. Der Hugging-Face-Kurs

Wer NLP, Transformer, LLMs, Textklassifikation oder generative KI im Blick hat, sollte Hugging Face kennen. Der kostenlose Kurs behandelt moderne NLP- und LLM-Konzepte mit den Bibliotheken Transformers, Datasets, Tokenizers und Accelerate sowie dem Hugging Face Hub.

LLMs werden dort nicht als Mysterium präsentiert, das aus dem Nichts aufgetaucht ist. Der Kurs verknüpft heutige Modelle mit den NLP-Ideen darunter, und diese Verbindung zählt. Wer nur „Prompt rein, Antwort raus“ kennt, kann KI benutzen. Wer die Kette aus Tokens, Modellen, Transformern, Fine-Tuning und Inferenz versteht, beginnt zu sehen, wie KI funktioniert.

Geeignet für: alle, die sich für NLP und moderne LLMs interessieren.

Ein Wort an alle, die sowohl in Python als auch in ML neu sind: Sich anfangs überfordert zu fühlen ist in Ordnung. Nicht jeder Begriff muss beim ersten Lesen sitzen. „Das verstehe ich noch nicht“ zu sagen und später zurückzukommen gehört zum Lernen dazu.

4. Kaggle

Eine Pause von den Lektionen ist klug, denn KI lernen heißt nicht nur zuschauen. Irgendwann muss man sich die Hände schmutzig machen, und Kaggle bietet dafür Datensätze, Notebooks, Wettbewerbe und eine Community von Leuten, die mit Machine Learning experimentieren.

Stellen Sie sich eine Tabelle mit ein paar Spalten vor, die Personen beschreiben.

Age
Income
Education
Experience

Die Aufgabe ist, daraus eine Zahl vorherzusagen.

Salary

Das erste Modell schneidet schlecht ab, also ändert man etwas. Vielleicht die Features, vielleicht den Algorithmus, vielleicht die Datenbereinigung. Der nächste Lauf enttäuscht trotzdem. Nach weiterem Graben und noch einem Versuch klappt es endlich. Dieses Gefühl lehrt etwas, das keine Vorlesung vermitteln kann.

Geeignet für: Lernen durch Tun. Hier sollten Einsteiger wahrscheinlich mehr Zeit verbringen. Man muss nicht warten, bis man „genug weiß“. Klein anfangen und damit rechnen, dass Fehler einem eine Menge beibringen.

5. YouTube als Ersatzlehrer

Ja, YouTube – mit einer Einschränkung. Wer nach „KI“ sucht und schaut, was die meisten Aufrufe hat, landet schnell in der dritten Stunde eines Videos, das verspricht, AGI in sieben Minuten zu bauen. Besser passt die Rolle des Ersatzlehrers. Wenn ein Konzept einfach nicht klickt, sucht man genau dieses Konzept, etwa:

• einen visuellen Durchgang durch den Gradientenabstieg
• eine Einführung in neuronale Netze für Anfänger
• wie Backpropagation Fehler rückwärts weitergibt
• wie ein Transformer aufgebaut ist
• was der Attention-Mechanismus berechnet

Das Ziel ist nicht, strukturiertes Lernen zu ersetzen. Es geht darum, eine zweite Erklärung zu bekommen, wenn die erste nicht funktioniert hat. Oft reicht eine andere Stimme, die dieselbe Idee beschreibt, und alles fügt sich.

So holen Sie mehr aus jeder Ressource

Ein paar kleine Gewohnheiten machen jede dieser Ressourcen ergiebiger. Führen Sie eine Notizdatei mit einer Zeile pro Konzept, in eigenen Worten statt aus der Lektion kopiert. Lässt sich die Zeile nicht schreiben, ist die Idee noch nicht angekommen. Ändern Sie nach jeder Lektion etwas Kleines im Beispielcode: eine andere Lernrate, ein Feature weniger, ein anderer Datensatz. Wer absichtlich Dinge kaputt macht, sieht, was jeder Teil eines Modells tatsächlich tut. Und wenn ein Thema nach zwei Anläufen nebulös bleibt, gehen Sie weiter und kommen in einer Woche zurück. Verständnis kommt oft über Umwege, wenn sich verwandte Ideen gesetzt haben.

Kurze, regelmäßige Einheiten schlagen außerdem seltene Marathons. Dreißig konzentrierte Minuten an den meisten Tagen bauen meist dauerhafteres Wissen auf als ein erschöpfendes Wochenende, weil jede Idee zwischen den Sitzungen Zeit zum Sacken hat.

Womit anfangen?

KI lernen verläuft selten geradlinig. Manche Ideen sitzen nach zehn Minuten, andere muss man dreimal lesen, bis sie Sinn ergeben. Das ist normal. Den Einstieg zu wählen ist einfach:

• Fast bei null: Googles Crashkurs.
• Python-Kenntnisse und Lust zu bauen: fast.ai.
• Interesse an NLP und LLMs: Hugging Face.
• Praxis gewünscht: Kaggle.
• An einem bestimmten Konzept hängen geblieben: YouTube.

Alles gleichzeitig zu nutzen ist nicht das Ziel. Eine sinnvolle Reihenfolge führt vom Crashkurs zu fast.ai, dann zu Hugging Face, mit Kaggle-Übungen zwischendurch.

START
  ↓
Google ML Crash Course
  ↓
Build Something
  ↓
Kaggle
  ↓
fast.ai
  ↓
Hugging Face Course
  ↓
Build NLP / LLM Projects

YouTube bleibt die ganze Zeit griffbereit, für die Momente, in denen es hakt.

Braucht man höhere Mathematik?

Die Frage kommt früher oder später. Die ehrliche Antwort: ja, irgendwann, aber wahrscheinlich weniger, als es sich heute anfühlt. Klassifikation, Regression, neuronale Netze, Embeddings, Transformer und LLMs können alle Sinn ergeben, ohne dass man Analysis-Experte ist. Mit der Zeit lohnt es sich, tiefer in lineare Algebra, Wahrscheinlichkeitsrechnung, Statistik, Analysis und Optimierung einzusteigen.

Entscheidend ist das Timing. Sechs Monate Mathematik, bevor man das erste ML-Programm schreibt, ist ein schlechter Plan für jemanden, der bauen will. Lernen Sie genug, um die aktuelle Arbeit zu verstehen, und gehen Sie tiefer, wenn der Bedarf entsteht.

Die Lesezeichen-Falle

Ein häufiges Muster: Man sammelt Ressourcen statt Fähigkeiten. Der Browser füllt sich mit gespeicherten Links wie diesen.

AI Course
ML Course
Deep Learning Course
NLP Course
Python Course
LLM Course
Math Course
Another AI Roadmap
Another "Best AI Course"
Another YouTube Playlist

Und nach all dem ist nichts gebaut. Es fehlt nicht noch ein Lesezeichen, sondern noch ein kleines Projekt.

Ein erster Schritt in 30 Minuten

Speichern Sie das nicht mit dem Vorsatz, später reinzuschauen. Wählen Sie eine Ressource und geben Sie ihr dreißig Minuten. Der Crashkurs passt für absolute Einsteiger, fast.ai für alle mit Python-Kenntnissen. Hugging Face passt für NLP- und LLM-Fans, Kaggle für alle, die üben wollen, und YouTube für jemanden, der bei einer Idee feststeckt. Ein perfekter Plan ist nicht nötig. Ein Startpunkt schon.

KI zu lernen verlangt 2026 nicht, alles zu wissen. Es verlangt zu wissen, was man als Nächstes lernt. Die beste Roadmap ist vielleicht nicht komplizierter als das: eine Sache lernen, etwas bauen, hängen bleiben, die nächste Sache lernen. Projekt für Projekt entsteht so etwas, das viel mehr wert ist als ein Haufen Lesezeichen, nämlich echte Fähigkeiten.

Wie es weitergeht

Machine Learning ist eingeführt, dazu Wege zum Einstieg und ein paar Startpunkte. Eine große Frage bleibt: Was ist ein neuronales Netz? Die Diagramme voller Kreise, Pfeile, Schichten, Gewichte und Formeln sehen kompliziert aus, aber ob sie es wirklich sind, ist das naheliegende nächste Thema.