Videos angeschaut, nichts behalten
Zuschauen fühlt sich nach Fortschritt an — bis du selbst etwas bauen sollst und der Kopf leer ist.
Hier endet jede Session mit einer Aufgabe, die du selbst löst. Behalten kommt vom Tun.
Großes Sprachmodell von Grund auf · auf Deutsch
Ein LLM versteht man nicht durch Zuschauen. Man baut es.
LearnAI führt dich von den ersten Tensoren bis zum eigenen trainierten Sprachmodell — in kurzen Sessions, mit Aufgaben statt Folien. Probier es rechts gleich aus: Das ist ein echtes Neuron.
- Keine Anmeldung
- Kein Setup
- Keine Kosten ohne Freigabe
10Sektionen250Sessions~34 hbis zum eigenen Modell
neuron.jsLive-Demo — echtes Neuron
Stelle Gewichte und Bias so ein, dass das Neuron 10.0 ausgibt:
Ausgabe: 4.5 · Ziel: 10.0
Kommt dir bekannt vor?
Drei Wege, an KI zu scheitern — und der eine, der funktioniert
Die meisten KI-Kurse scheitern nicht am Inhalt, sondern an der Methode: Sie lassen dich zuschauen statt bauen.
Notebooks kopiert, nichts verstanden
Der Code läuft, das Ergebnis stimmt — aber warum? Copy-Paste erklärt keine Attention-Gewichte.
Du baust jeden Baustein einzeln auf: Tokenizer, Attention, Transformer-Block, Training Loop.
An der Formelwand abgeprallt
Lehrbücher starten mit Notation statt mit Intuition. Viele hören auf, bevor es spannend wird.
Erst die Idee zum Anfassen, dann die Mathematik. Sektion 0 beginnt bei Tensoren, nicht bei Beweisen.
Die Methode
Verstehen. Vorhersagen. Bauen.
Drei Sessions pro Unit, die sich durch den ganzen Kurs wiederholen — bis aus PyTorch-Grundlagen ein Modell wird, das du selbst trainiert hast.
Konzept verstehen
Jede Unit startet mit einer Konzept-Session: kurz, deutsch, ohne Formelwüste — erst die Idee, dann die Mathematik dahinter.
Vorhersagen und nachrechnen
In der Predict-Trace-Session sagst du erst vorher, was herauskommt, und rechnest es dann Schritt für Schritt nach. Genau hier fallen Denkfehler auf.
Bauen und prüfen
In der Build-Verify-Session setzt du das Konzept selbst um und lässt es gegen Checks laufen — Feedback sofort, nicht erst am Kursende.
Funktionen
Alles, was du zum Lernen brauchst — an einem Ort
Kein Setup, keine zehn Tabs, keine Kostenfallen. LearnAI bündelt Sessions, Aufgaben, Tests und Nachschlagewerk in einer Oberfläche.
Aufgaben, die dich nicht raten lassen
1.608 Übungen in 16 Aufgabenformen — von Shape-Tracing über Bug-Reparatur bis zu ausführbarem Code. Feedback kommt in Sekunden, nicht am Kursende.
Isolierte Sandbox, keine NetzwerkzugriffeÜberspring, was du schon kannst
Ein Einstufungstest zu Beginn und 96 „Hier einsteigen“-Tests im Kurs. Bestehst du einen, ist der Stoff abgehakt — kein Absitzen von Bekanntem.
Serverseitig ausgewertet, nicht im BrowserDranbleiben statt anfangen
XP, Streak und Mastery pro Konzept zeigen dir nicht nur, was du geschafft hast, sondern was gerade verblasst. Der Übungs-Hub holt genau das zurück.
Fortschritt pro Konzept, nicht pro KlickNachschlagen, ohne rauszufliegen
Zu jeder der 86 Units gibt es ein Guidebook mit den Kernbegriffen — plus einen KI-Tutor, der deine aktuelle Session kennt.
Tutor in der Beta noch begrenztDein Lernpfad
10 Sektionen — von den ersten Tensoren bis zum eigenen Modell
86 Units, 250 Sessions. Jede baut auf der vorherigen auf — und was du schon kannst, überspringst du per Test, statt es abzusitzen.
PyTorch-Grundlagen
27 Sessions~3 hPython-Bereitschaft und Kursumgebung · Skalare, Vektoren, Matrizen und Tensoren · Tensor-Operationen und Broadcasting · +6 weitere
Grundlagen großer Sprachmodelle
21 Sessions~3 hWas ist ein Sprachmodell? · Anwendungen und Grenzen · Phasen beim Bauen und Nutzen eines LLM · +4 weitere
Arbeiten mit Textdaten
24 Sessions~3 hWort- und Token-Embeddings · Text tokenisieren · Tokens und Token-IDs · +5 weitere
Attention-Mechanismen implementieren
33 Sessions~5 hDas Problem langer Sequenzen · Abhängigkeiten und Attention · Self-Attention ohne trainierbare Gewichte · +8 weitere
Ein GPT-Modell implementieren
21 Sessions~3 hModellkonfiguration und Architektur · Layer-Normalisierung · GELU-Feedforward-Netze · +4 weitere
Pretraining auf unbeschrifteten Daten
27 Sessions~4 hText während der Evaluation erzeugen · Kreuzentropie-Verlust · Trainings- und Validierungsverlust · +6 weitere
Fine-Tuning für Klassifikation
24 Sessions~4 hKategorien des Fine-Tunings · Datensatz vorbereiten · Data Loader erstellen · +5 weitere
Fine-Tuning für Instruktionen
27 Sessions~4 hEinführung ins Instruction-Fine-Tuning · Instruction-Datensatz vorbereiten · Daten in Batches organisieren · +6 weitere
Effizientes Training und PEFT
30 Sessions~4 hLernraten-Warmup · Cosine Decay · Gradient Clipping · +7 weitere
Capstone: vom Datensatz zum Artefakt
16 Sessions~2 hProjektauftrag und Abnahmekriterien · Datensatz auswählen und dokumentieren · Tokenizer bauen oder auswählen · +5 weitere
Die erste Session dauert ein paar Minuten. Fang einfach an.
Mit Sektion 0 startenDer Unterschied
Videokurs oder LearnAI?
Kein erfundenes Lob, keine gekauften Logos — nur der ehrliche Vergleich der Methode.
Klassischer Videokurs
- Du schaust zu, wie jemand anderes Code schreibt
- Quiz am Kursende — Fehler fallen spät auf
- Alles von vorn, auch was du längst kannst
- Am Ende hast du ein Zertifikat-PDF
LearnAI
- Du löst in jeder Session selbst eine Aufgabe
- 1.608 Übungen mit sofortigem Feedback
- 96 Tests, mit denen du Bekanntes überspringst
- Am Ende steht dein eigenes Modell-Artefakt
Häufige Fragen
Noch Fragen? Klar beantwortet.
Brauche ich Vorkenntnisse?
Grundkenntnisse in Python helfen, mehr nicht. Sektion 0 baut die PyTorch-Grundlagen von den Tensoren an auf — Autograd, Datasets, DataLoader, GPU-Grundlagen. Machine-Learning-Erfahrung wird nicht vorausgesetzt.
Muss ich wirklich bei null anfangen?
Nein. Ein Einstufungstest schätzt zu Beginn ein, wo du stehst. Zusätzlich hat jede Unit und jede Sektion einen eigenen „Hier einsteigen“-Test: bestehst du ihn, überspringst du den Stoff, statt ihn abzusitzen.
In welcher Sprache ist der Kurs — und der Code?
Der Kurs ist vollständig auf Deutsch. Inhaltlich geht es um Python und PyTorch: Modelle, Tensor-Shapes und Trainingsschleifen werden in PyTorch-Notation gelesen und besprochen. Die Programmieraufgaben, die direkt im Browser ausgeführt und automatisch geprüft werden, sind bewusst in JavaScript gehalten — so brauchst du für den Lernpfad keine lokale Python-Installation.
Läuft mein Code wirklich in meinem Browser?
Ja. Die ausführbaren Aufgaben laufen in einer isolierten Sandbox ohne Netzwerkzugriff direkt in deinem Browser. Nichts davon verlässt dein Gerät.
Trainiere ich am Ende ein echtes Modell?
Die Capstone-Sektion führt vom eigenen Datensatz über Tokenizer und Training bis zum dokumentierten Modell-Artefakt. Für die großen Läufe kommen Cloud-GPUs ins Spiel — die sind gerade in Vorbereitung und starten in keinem Fall ohne deine ausdrückliche Freigabe.
Was kostet das?
Der komplette Lernpfad ist kostenlos und ohne Konto nutzbar. Kosten entstehen erst, wenn du später einen Cloud-GPU-Lauf ausdrücklich freigibst — mit Kostenschätzung vorher.
Starte heute bei null.
Deine erste Session ist ein paar Minuten entfernt. Keine Anmeldung, kein Setup — öffne den Lernpfad und leg los.
Kostenlos starten