KI kostenlos lernen: ein Plan in 6 Schritten
KI kannst du kostenlos lernen, und das kostenlose Material ist keine abgespeckte Version. fast.ai, Andrej Karpathys Neural Networks: Zero to Hero, Googles Machine Learning Crash Course und die Kurse von Hugging Face sind genau die Ressourcen, die auch bezahlte Programme als Pflichtstoff verteilen. Was dir beim kostenlosen Lernen fehlt, sind Struktur, eine Deadline und jemand, der deine Arbeit anschaut. Deshalb steckt der Plan unten den größten Teil der Mühe genau dort hinein und nicht in die Suche nach noch mehr Material.
Schritt 1: Entscheide, welche Ebene von KI du lernst
„KI lernen" meint drei ziemlich verschiedene Tätigkeiten, und der kostenlose Weg sieht für jede anders aus.
KI-Tools gut benutzen. Prompting, Ergebnisse beurteilen, Modelle in einen Arbeitsablauf einbauen. Das dauert Wochen, keine Monate. Mathe brauchst du dafür fast keine.
Angewandtes ML und LLM-Engineering. Fine-Tuning, Retrieval, Evaluation, ein Modell in ein Produkt bringen. Hier sitzen die meisten Jobs. Du brauchst Python, etwas lineare Algebra und viel Übung mit echten Daten.
Forschung und Arbeit von Grund auf. Paper lesen, Architekturen nachbauen, Optimierung verstehen. Dafür brauchst du die Mathematik wirklich, und es ist der langsamste Weg.
Entscheide dich, bevor du den ersten Kurs öffnest. Drei halb fertige Kurse aus drei verschiedenen Ebenen sind der häufigste Weg, ein halbes Jahr zu verbrennen und am Ende trotzdem nichts bauen zu können. Die allgemeine Fassung dieser Entscheidung steht in der Methode zum KI-Lernen in 6 Schritten, und die gilt, ob du zahlst oder nicht. Es hilft außerdem, das Vokabular früh sauber zu haben: „Training" und „Inferenz" werden in Einsteigermaterial ständig durcheinandergeworfen, dabei sind das zwei verschiedene Dinge.
Schritt 2: Deck die Mathe- und Python-Basis ab, nicht die Spitze
Du brauchst kein Mathematikstudium. Du brauchst eine Grundlage, und die ist kleiner, als das Internet vermuten lässt: Vektoren und Matrixmultiplikation, Ableitungen und Kettenregel, dazu die Grundlagen der Wahrscheinlichkeitsrechnung. Für angewandte Arbeit war es das im Wesentlichen. Wer einen Mathe-Leistungskurs oder eine Analysis-Vorlesung hinter sich hat, bringt den größten Teil davon schon mit.
Kostenlos und wirklich gut: die Reihen Essence of Linear Algebra und Neural Networks von 3Blue1Brown auf YouTube, dazu die Khan Academy für Analysis und Wahrscheinlichkeit. Beides ohne Bezahlstufe im Hintergrund.
Auf der Code-Seite brauchst du Python plus NumPy und pandas, und zwar so weit, dass du einen Datensatz laden, umformen und plotten kannst, ohne alles nachzuschlagen. Die Mikrokurse von Kaggle Learn decken genau das in ein paar Abenden ab, kostenlos, direkt im Browser.
Verbring hier keine drei Monate. Mathe, die du noch nicht im Code benutzt hast, bleibt nicht hängen. Lern die Basis, geh weiter, und komm zurück, wenn ein Modell kaputtgeht und du nicht sagen kannst, warum.
Schritt 3: Zieh einen kostenlosen Kurs komplett durch
Ein Kurs, zu Ende gebracht, schlägt vier Kurse, in die du reingeschaut hast. Das hier ist tatsächlich kostenlos, und dafür taugt es jeweils:
| Ressource | Gut für | Kosten |
|---|---|---|
| fast.ai, Practical Deep Learning for Coders | Leute, die programmieren können und in Woche eins ein laufendes Modell wollen | kostenlos, ohne Anmeldung |
| Karpathy, Neural Networks: Zero to Hero | sehen, was in einem Modell wirklich passiert | kostenlos (YouTube) |
| Google Machine Learning Crash Course | strukturierter Einstieg mit Übungen im Browser | kostenlos |
| Hugging-Face-Kurse (NLP, LLM, Agents) | Transformer und offene Modelle in der Praxis | kostenlos |
| Kaggle Learn und Notebooks | kurze Module plus kostenlose GPU-Stunden | kostenlos |
| Dive into Deep Learning (d2l.ai) | ein komplettes Lehrbuch mit lauffähigem Code | online kostenlos |
| Materialien zu Stanford CS229 und CS231n | Tiefe, Mathematik, Vorlesungsskripte | kostenlos, Videos öffentlich |
| Google Colab | Code laufen lassen ohne eigene GPU | Gratis-Stufe mit Kontingenten |
Die DeepLearning.AI-Kurse auf Coursera lassen sich ebenfalls kostenlos im Audit-Modus belegen. Videos und Texte sind offen, bezahlt wird nur das benotete Zertifikat.
Wähl nach Temperament, nicht nach Prestige. fast.ai fängt mit einem funktionierenden Bildklassifikator an und erklärt die Theorie hinterher. CS231n fängt mit der Theorie an. Beides funktioniert, und in den Lernthreads auf Reddit wird darüber endlos gestritten, was vor allem eins beweist: richtig ist der Kurs, den du zu Ende bringst.
Schritt 4: Bau ein kleines System ohne Anleitung nach
Jemandem beim Bauen eines neuronalen Netzes zuzusehen fühlt sich an, als würdest du ein neuronales Netz verstehen. Das ist nicht dieselbe Fähigkeit, und der Unterschied zeigt sich erst, wenn du vor einer leeren Datei sitzt.
Bau also eine Sache nach, ohne mitzutippen. Gute kostenlose Ziele: Karpathys micrograd (eine Autograd-Engine in rund hundert Zeilen), eine lineare Regression, die du selbst per Gradientenabstieg fittest, ein Textklassifikator auf einem Datensatz, der dich interessiert, oder ein kleines Retrieval-System über deine eigenen Dokumente. Und dann mach es absichtlich kaputt. Dreh die Lernrate hoch, bis das Training divergiert. Nimm die Nichtlinearität raus und schau zu, wie das Modell zu einem linearen zusammenfällt. Fehlerfälle bringen dir mehr bei als saubere Durchläufe.
Nimm eigene Daten, wenn es irgendwie geht. Der Titanic-Datensatz von jemand anderem ist eine Übungsaufgabe. Deine eigenen, gescrapten, unordentlichen, schlecht gelabelten Daten sind der eigentliche Job.
Schritt 5: Teste dich, statt Videos noch einmal anzusehen
Das ist der Schritt, den Selbstlerner überspringen, und ausgerechnet der hat die beste Evidenz hinter sich.
In den Experimenten von Roediger und Karpicke aus dem Jahr 2006 schnitten Studierende, die einen Text noch einmal lasen, in einem Test wenige Minuten später besser ab. Eine Woche später erinnerte dagegen die Gruppe deutlich mehr, die das aktive Abrufen geübt hatte. Nochmal lesen fühlte sich produktiver an und brachte weniger. In der Übersichtsarbeit von Dunlosky und Kollegen aus dem Jahr 2013 zu zehn verbreiteten Lerntechniken bekamen nur zwei die Bewertung „hoher Nutzen": Übungstests und verteiltes Lernen. Markieren und Wiederlesen, also genau das, was alle machen, landeten ganz unten.
Die kostenlose Variante ist simpel. Schließ nach jeder Lektion den Tab und schreib auf, was du noch weißt, bevor du nachsiehst. Mach aus deinen Notizen Fragen statt Zusammenfassungen: „Was macht die Kettenregel bei der Backpropagation?" schlägt eine Stichpunktliste mit denselben Wörtern. Und verteil die Wiederholungen über mehrere Tage, statt einen ganzen Kurs in ein Wochenende zu pressen. Wie du aus einer Seite Notizen Fragen machst, steht in Notizen in eine Übungsklausur verwandeln.
Wenn du die Fragen nicht von Hand schreiben willst: Qora erzeugt sie unter iOS aus einem Foto deiner eigenen Notizen. Die volle Version ist ein kostenpflichtiges Abo, also eher Bequemlichkeit als Teil des kostenlosen Wegs.
Wo kostenloses Lernen an seine Grenzen stößt
Kostenlos bekommst du das Material. Drei Dinge bekommst du nicht, und so zu tun als ob, kostet Monate.
Feedback. Niemand liest deinen Code und sagt dir, dass dein Validierungssplit leckt. Kursforen, Kommentarthreads auf Kaggle und Pull Requests in Open-Source-Projekten sind der beste kostenlose Ersatz, und sie verlangen von dir, etwas Unfertiges öffentlich zu zeigen.
Rechenleistung. Die kostenlosen GPU-Stunden bei Colab und Kaggle reichen, um kleine Modelle zu fine-tunen und die meisten Kurs-Notebooks laufen zu lassen. Für etwas Großes reichen sie nicht, und die Kontingente werden knapper, wenn die Nachfrage hoch ist.
Verbindlichkeit. Die Abschlussquoten offener Onlinekurse sind bekanntermaßen niedrig. Ein bezahlter Kurs funktioniert manchmal allein deshalb, weil du bezahlt hast. Ersetz das durch eine öffentliche Zusage: ein wöchentliches Log, ein Lernpartner, ein Repo mit datierten Commits.
Kostenloses Material altert außerdem schnell, gerade im LLM-Teil des Felds. Ein Tutorial von vor zwei Jahren benutzt womöglich eine Library-API, die es so nicht mehr gibt. Schau auf das Datum der letzten Aktualisierung, bevor du eine Woche investierst.
Häufige Fragen
Kann man KI wirklich kostenlos lernen, oder braucht man einen Bezahlkurs?
Du kannst es kostenlos lernen. Das Kernmaterial von fast.ai, Stanford, Google, Hugging Face und Kaggle ist offen, und es ist derselbe Inhalt, den bezahlte Programme unterrichten. Geld kauft Struktur, Betreuung und einen Nachweis, keine besseren Erklärungen. Wenn du deine Struktur selbst mitbringst, ist der kostenlose Weg kein Kompromiss.
Wie lange dauert es, KI kostenlos zu lernen?
Für den sicheren Umgang mit KI-Tools ein paar Wochen. Für angewandtes ML auf einem Niveau, mit dem du etwas Echtes bauen und ausliefern kannst, brauchen die meisten sechs bis zwölf Monate konsequente Arbeit neben Studium oder Job. Wer dir Jobreife in dreißig Tagen verspricht, verkauft etwas. Ein besserer Meilenstein als „KI gelernt" ist das erste Projekt, das läuft.
Brauche ich Mathe, um KI zu lernen?
Für angewandte Arbeit brauchst du Grundlagen der linearen Algebra, Ableitungen und die Kettenregel sowie einfache Wahrscheinlichkeitsrechnung. Du kannst mit dem Programmieren anfangen, bevor du alles davon hast, und die Lücken füllen, wenn sie auftauchen. Für Forschung oder das Nachbauen von Papern brauchst du deutlich mehr, vor allem Optimierung und Statistik.
Sind kostenlose KI-Zertifikate viel wert?
Für sich genommen kaum. Wer im ML-Bereich einstellt, gewichtet ein lesbares Repository sehr viel höher als ein Zertifikat, das jeder bekommen kann. Nutz die kostenlosen Kurse, um zwei oder drei Projekte zu bauen, die du im Detail erklären kannst, und behandle jedes Zertifikat als Nebenprodukt, nicht als Ziel.
KI kostenlos zu lernen ist keine Frage der richtigen Ressource, denn die kostenlosen sind schon besser, als die meisten je zu Ende bringen. Wähl deine Ebene, deck die Mathe-Basis ab, zieh einen Kurs komplett durch, bau etwas Kleines ohne Anleitung nach und teste dich, statt Videos zu wiederholen. Fang diese Woche an: such dir einen Kurs aus der Tabelle aus und trag drei feste Termine in deinen Kalender ein. Der Plan scheitert nur an der Stelle, an der niemand zuschaut.