01
KI-Grundlagen
Verstehen Sie, was KI ist, wie Systeme lernen, wo sie versagen und wie Sie Ansprüche ohne Aufregung beurteilen können.
Kostenlose KI-Bibliothek
Grundlagen FührerFür immer kostenlos.
84 Leitfäden in einfachem Englisch, strukturierte Lernpfade und eine offene Bibliothek – erstellt von einer unabhängigen gemeinnützigen Organisation 501(c)(3), damit jeder moderne KI verstehen kann.
84Kostenlose Reiseführer
1Themenspuren
~2 minPro Reiseführer
~3hLesezeit
Beginnen Sie hier
Fünf ergebnisorientierte Kurse
Jeder Kurs umfasst explizite Ergebnisse, abgebildete Kompetenzen, Übungsaktivitäten und einen angewandten Schlussstein.
02
Verantwortlicher KI-Benutzer
Nutzen Sie KI produktiv und schützen Sie gleichzeitig die Privatsphäre, überprüfen Sie die Ergebnisse und wahren Sie die menschliche Verantwortung.
03
KI bei der Arbeit
Bewerten Sie Anwendungsfälle am Arbeitsplatz, führen Sie sichere Pilotprojekte durch, messen Sie den Wert und kommunizieren Sie Änderungen verantwortungsbewusst.
04
KI-Politik und Gesellschaft
Analysieren Sie KI-Systeme anhand von Rechten, Gerechtigkeit, Governance, Sicherheit und Ergebnissen im öffentlichen Interesse.
05
Bauen mit KI-Systemen
Verstehen Sie Sprachmodelle, Abruf, Agenten, Bewertung, Kosten und Bereitstellungsschutz durch praktisches Systemdesign.
Themenspuren
Nach Titel durchsuchen
Springen Sie in den Bereich, der Ihnen am Herzen liegt. Zu jedem Titel gibt es mehrere leicht verständliche Anleitungen.
GrundlagenKernkonzepte: Wie KI auf hohem Niveau funktioniert.84 Führer Sprach-KILLMs, NLP, ChatGPT, Eingabeaufforderung und Textverständnis.155 Führer Visuelle KIBilderzeugung, Computer Vision, Video und Design.133 Führer Audio-KIStimme, Musik, Podcasting und Audio-First-KI.117 Führer UnternehmenProfile von OpenAI, Anthropic, Google, Meta und mehr.121 Führer AnwendungenWie KI in Codierung, Suche, Agenten und im täglichen Leben zum Ausdruck kommt.111 Führer BranchenKI in den Bereichen Gesundheitswesen, Finanzen, Bildung, Energie und mehr.91 Führer TechnischChips, Feinabstimmung, RAG, Vektoren und KI-Infrastruktur.177 Führer GesellschaftVoreingenommenheit, Privatsphäre, Urheberrecht, Sicherheit und die Zukunft der KI.30 Führer
Vollständige Bibliothek
Alle Führer
84 von 1019 Anleitungen angezeigt. Filtern Sie nach Titel oder suchen Sie oben.
Grundlagen
Stochastischer Gradientenabstieg mit Schwung
Momentum ist eine Optimierung des Gefälleabstiegs, die einen laufenden Durchschnitt vergangener Gefälle akkumuliert, wodurch die Optimierung schneller durch Täler rollen und gedämpft werden kann.
GrundlagenNesterov beschleunigter Gradient
Nesterov Accelerated Gradient (NAG) ist eine intelligentere Form des Impulses, der vor der Berechnung des Gradienten einen Blick nach vorne wirft und ihm so einen korrigierenden Ausblick gibt.
GrundlagenTriplettverlust und metrisches Lernen
Der Triplettverlust lehrt ein neuronales Netzwerk, ähnliche Elemente nahe beieinander und unterschiedliche Elemente weit voneinander entfernt in einem Einbettungsraum zu platzieren.
GrundlagenEtikettenglättung
Label-Glättung ist ein einfacher Regularisierungstrick, der harte One-Hot-Trainingsziele weicher macht und dem Modell mitteilt, dass die richtige Antwort sehr wahrscheinlich, aber nicht 100 ist …
GrundlagenLange Kurzzeitgedächtniszellen
LSTM-Zellen (Long Short-Term Memory) sind eine besondere Art wiederkehrender neuronaler Netzwerkeinheiten, die dazu dienen, sich Informationen über lange Sequenzen hinweg zu merken.
GrundlagenK-Means-Clustering
K-Means ist ein unbeaufsichtigter Algorithmus, der Daten automatisch in K Gruppen sortiert, indem er Clusterzentren findet.
GrundlagenK-Nächste Nachbarn
K-Nearest Neighbors (KNN) klassifiziert einen neuen Datenpunkt, indem es sich die K nächstgelegenen Beispiele ansieht und eine Mehrheitsentscheidung trifft.
GrundlagenLogistische Regression
Die logistische Regression sagt die Wahrscheinlichkeit voraus, dass etwas zu einer Klasse gehört, etwa Spam oder nicht, indem eine gewichtete Summe durch eine S-förmige Kurve gequetscht wird.
GrundlagenNaive Bayes-Klassifikatoren
Naive Bayes ist ein schneller, probabilistischer Klassifikator, der auf dem Satz von Bayes basiert und davon ausgeht, dass jedes Merkmal unabhängig von der Klasse ist.
GrundlagenROC-Kurven und AUC
Eine ROC-Kurve stellt dar, wie gut ein Klassifikator zwei Klassen über jeden möglichen Entscheidungsschwellenwert hinweg trennt, und AUC komprimiert diese gesamte Kurve zu einer Zahl.
GrundlagenVerwirrungsmatrizen
Eine Verwirrungsmatrix ist eine einfache Tabelle, die die Vorhersagen eines Klassifikators für jede Klasse in richtige und falsche Zahlen aufteilt.
GrundlagenBias-Varianz-Kompromiss
Der Bias-Varianz-Kompromiss erklärt, warum ein Modell scheitern kann, weil es zu einfach oder zu komplex ist.
Mit dem Lesen fertig? Beweisen Sie es.
Überprüfen Sie anhand von Themenquiz, was Sie gelernt haben, und erkunden Sie anschließend unsere strukturierten Kurse und aktuellen Zertifizierungsanforderungen. Die wichtigsten Leitfäden bleiben weiterhin frei lesbar.