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
Meta-Lernen
Meta-Learning oder „Lernen lernen“ trainiert Modelle anhand von nur wenigen Beispielen, sich schnell an völlig neue Aufgaben anzupassen.
GrundlagenEnsemble-Methoden und Gradient Boosting
Ensemble-Methoden kombinieren viele einfache Modelle, sodass die Gruppe bessere Vorhersagen macht als jedes einzelne Modell.
GrundlagenBayesianisches Deep Learning
Bayesianisches Deep Learning behandelt die Gewichte eines neuronalen Netzwerks als Wahrscheinlichkeitsverteilungen und nicht als feste Zahlen, sodass das Modell sagen kann, wie zuverlässig es ist.
GrundlagenLehrplan-Lernen
Beim Lehrplanlernen werden KI-Modelle anhand von Beispielen in einer bewussten Reihenfolge trainiert – zuerst einfach, später schwer –, anstatt Daten in zufälliger Reihenfolge einzuspeisen.
GrundlagenSuche nach neuronaler Architektur
Neural Architecture Search (NAS) automatisiert den Entwurf neuronaler Netzwerkstrukturen – überlässt Algorithmen und nicht Menschen die Entscheidung, wie viele Schichten, welche Operationen …
GrundlagenKontinuierliches Lernen und katastrophales Vergessen
Kontinuierliches Lernen ist das Ziel, die KI im Laufe der Zeit für eine Reihe neuer Aufgaben zu trainieren, ohne bereits vorhandenes Wissen zu löschen.
GrundlagenVariationale Autoencoder
Variationale Autoencoder (VAEs) sind generative neuronale Netze, die lernen, Daten in einen glatten, probabilistischen latenten Raum zu komprimieren und dann zu rekonstruieren…
GrundlagenZustandsraummodelle und Mamba
Zustandsraummodelle (SSMs) sind Sequenzmodelle, die Informationen durch einen komprimierten verborgenen Zustand weiterleiten und stattdessen linear mit der Sequenzlänge skalieren.
GrundlagenGraphische neuronale Netze
Graph Neural Networks (GNNs) sind Modelle, die direkt auf graphstrukturierten Daten – durch Kanten verbundene Knoten – lernen, indem sie Informationen weitergeben und aggregieren.
GrundlagenMulti-Agent-Verstärkungslernen
Multi-Agent Reinforcement Learning (MARL) trainiert mehrere Lernagenten, die sich eine Umgebung teilen, wobei jeder sein Verhalten anpasst, während die anderen sich ebenfalls anpassen.
GrundlagenAktives Lernen
Aktives Lernen ist eine Trainingsstrategie, bei der das Modell selbst auswählt, welche unbeschrifteten Beispiele ein Mensch als nächstes kennzeichnen soll.
GrundlagenDatenerweiterung
Durch die Datenerweiterung wird ein Trainingssatz künstlich erweitert, indem modifizierte Kopien vorhandener Beispiele erstellt werden – beispielsweise durch Spiegeln oder Zuschneiden von Bildern.
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.