KI durch Praxis lernen

Praxisnahe Video-KI-Kurse für Studierende, Angestellte, Freelancer, Unternehmer und Unternehmen, die KI im Arbeitsalltag einsetzen möchten.

Neu bei KI? Fang hier an.

Wähle einen praxisnahen Kurs und lerne in deinem Tempo. Diese Einsteigerkurse sind jetzt im Academy-Katalog verfügbar.

• Claude Cowork und Wissensarbeit mit KI - Nutze die ausgewählten Demonstrationen, um Muster der Wissensarbeit zu untersuchen: Dateien organisieren, dauerhaften Kontext ergänzen, eine Website recherchieren, wiederverwendbare Fähigkeiten bündeln, Geschäftsdokumente entwerfen und Abläufe mit Agenten vergleichen. Der Schwerpunkt liegt auf überprüfbaren Eingaben und prüfbaren Ausgaben, weil sich Oberflächen und Berechtigungen ändern können.
• KI-Bilderstellung: Prompts, Konsistenz und lokale Werkzeuge - Arbeite von einem visuellen Briefing zu einem überprüfbaren Bild-Workflow. Vergleiche Ansätze für Generierung und Bearbeitung, übe den Aufbau von Prompts, bewahre die Kontinuität von Figuren und Szenen und teste gehostete sowie lokale Optionen, ohne eine bestimmte Oberfläche als dauerhaft zu betrachten. Der Kurs legt Wert auf Versionsprotokolle, Berechtigungen, Artefaktprüfung und die Kennzeichnung synthetischer Medien.
• KI-Inhalte und Marketing-Workflows - Baue ein kleines Inhaltssystem statt einer Sammlung von Werkzeugtipps auf. Übe Prompt- und Kontextgestaltung, Briefings mit mehreren Ausgaben, begrenzte Automatisierung, Entwürfe im UGC-Stil, mobile Kurzbefehle, Marketingexperimente und kontrollierte Prompt-Labore. Jeder Workflow macht Prüfung, Datenschutz, Aussagenkontrolle und menschliche Freigabe sichtbar, damit eine veränderliche Produktschnittstelle nicht zur einzigen Wissensquelle des Kurses wird.
• Das KI-Handbuch als Ergänzung lesen

KI durch Praxis lernen

Praxisnahe Video-KI-Kurse für Studierende, Angestellte, Freelancer, Unternehmer und Unternehmen, die KI im Arbeitsalltag einsetzen möchten.

• SQL-Analysen mit Fensterfunktionen - Bauen Sie praktische Kenntnisse zu SQL-Fensterfunktionen auf: von der OVER-Klausel und Partitionierung über Rangfolgen bis zu vergleichenden Berechnungen. Unterscheiden Sie eine Fensterberechnung von einer Aggregation, die Zeilen zusammenfasst, legen Sie Reihenfolge und Fensterrahmen ausdrücklich fest und prüfen Sie Ergebnisse anhand kleiner Beispiele. Die Aufgaben verwenden erfundene oder zulässigerweise genutzte Daten und betonen eindeutige Zeilengranularität, deterministische Sortierung und sorgfältige Interpretation. Ein Abfrageergebnis ist erst aussagekräftig, wenn Grundgesamtheit und Annahmen genannt sind.
• Modelldrift überwachen: erkennen, diagnostizieren, verbessern - Verknüpfe statistische Driftsignale mit der Diagnose von Produktionsmodellen und verantwortlicher Verbesserung. Unterscheide veränderte Eingabeverteilungen von veränderten Vorhersagebeziehungen, kombiniere Daten- und Ergebnisevidenz und behandle einen Alarm nicht automatisch als Anlass zum Nachtraining. Fiktive Aufgaben betonen Baselines, zeitgerechte Evaluation, Gruppenprüfung, Rollback und Zuständigkeit.
• Belegte Antworten: einen RAG-Workflow entwickeln und prüfen - Verfolge den Weg von der Dokumentensuche zu einem überprüfbaren Frage-Antwort-Workflow. Vergleiche lokale PDF-Systeme, betrachte einen selbstprüfenden Retrieval-Ansatz und plane Tests, die Suche und Antwort getrennt bewerten. Die eigenständigen Übungen betonen Quellenrückverfolgbarkeit, Datenschutz, Fehleranalyse und menschliche Prüfung statt sprachlicher Flüssigkeit mit Belegen zu verwechseln.
• Generative KI: ein praktischer Einstieg - Ein kurzer Einstieg ohne Vorkenntnisse. Vier Videos mit geprüften Nutzungsrechten erklären Grundlagen, Grenzen generierter Antworten sowie Schreib- und Leseanwendungen. Prüfe Ergebnisse immer anhand der Quelle.
• Fortgeschrittene Bildsegmentierung: semantische, Instanz- und Panoptikmethoden - Von der Segmentierungsaufgabe über semantische Labels und Instanzen bis zur Punkt-/Pixelsegmentierung mit Tracking. Sie unterscheiden Vorhersageeinheiten, Annotationen und zeitliche Zuordnung.
• Parametersparendes LLM-Finetuning: PEFT, LoRA und QLoRA - Untersuchen Sie parameter-effizientes Finetuning von der Motivation und Low-Rank Adaptation bis zu PEFT-Abläufen und quantisierter LoRA. Vergleichen Sie eingefrorene Basisgewichte mit trainierbaren Adaptern und machen Sie Daten- und Modulwahl transparent. Die Bewertung soll Aufgabengewinn von Memorierung, Quantisierungseffekten und Betriebskosten trennen. Begleitende englischsprachige Videos werden durch originäre Notizen ergänzt.
• Kontinuierliches Lernen: Gedächtnis, Stabilität und Plastizität - Behandelt Szenarien des kontinuierlichen Lernens, das Spannungsfeld zwischen Stabilität und Plastizität, Gedächtnis und Generalisierung sowie eine aufgabenagnostische Studie zum kontinuierlichen bestärkenden Lernen. Die Folge führt von der Definition sequenzieller Evaluation über Anpassungsmechanismen und Gedächtniskosten zu einer einfachen Referenzmethode im Reinforcement Learning. Sie unterscheiden Behalten von Transfer und entwerfen Prüfungen für Vergessen, Reihenfolgeeffekte und Ressourcenbedarf. Die Videos sind englischsprachig; die eigens verfassten Notizen und Aufgaben sind keine Transkripte.
• Reinforcement Learning: Wertmethoden und Policy Gradients - Der Lernpfad führt von Markov-Entscheidungsprozessen und Lernzielen über Wert- und Policy-Verfahren zu Fitted Value Iteration und deterministischen Policy Gradients. Sie setzen Methoden mit Aktionsräumen, Datenerhebung und Stabilität in Beziehung und unterscheiden algorithmische Ideen von Erfolgsgarantien. Die Videos sind englischsprachig; die originären Lernnotizen und Aufgaben sind keine Transkripte.
• Angewandte Machine-Learning-Projekte: vorbereiten, vorhersagen, vergleichen - Anhand angewandter Beispiele werden Datenaufbereitung, Klassifikation, Clustering und Zeitreihenprognosen verbunden. Die Aufgaben behandeln Zieldefinition, Datenleckage, Baselines und Grenzen der Übertragbarkeit. Verwende öffentliche oder synthetische Daten und dokumentiere Unsicherheit und Reproduzierbarkeit.
• A/B-Tests: Experimente entwerfen, durchführen und interpretieren - Entwickle einen praktischen Experimentablauf, der eine Produktfrage mit einer klar definierten Behandlung, Vergleichsgruppe und Zielgröße verbindet. Berücksichtige Zufallszuweisung, Exposition und Messung, praktische Relevanz sowie die Gefahr, zu viel aus verrauschten Ergebnissen abzuleiten. Die Aufgaben verwenden erfundene oder angemessen zugelassene aggregierte Daten und betonen vorab festgelegte Entscheidungen, Schutzmetriken und ehrliche Unsicherheit; ein Test garantiert keine endgültige Antwort.
• Informationssuche: Klickmodelle, Relevanz und Learning to Rank - Die Reihe führt von linguistischer Relevanzmodellierung und Klickverhalten über Online-Paarlernen bis zu tiefen Rankingarchitekturen. Sie unterscheidet Relevanzurteile von Klicks, untersucht Expositionsbias und verbindet Rankingziele mit Evaluation. Schwerpunkt ist Suche, nicht Retrieval-Augmented Generation. Englische Videos erhalten eigene Materialien, keine Transkripte.
• Transformer-Architekturen: von Attention bis zu Zeitreihen - Dieser technische Lernpfad führt von den Transformer-Grundlagen und einer nachvollziehbaren Implementierung im Tabellenformat über Attention-Varianten bis zur Zeitreihenarchitektur Informer. Sie setzen Architekturentscheidungen mit Sequenzstruktur, Rechenaufwand und Prognoseannahmen in Beziehung und entwerfen eine Evaluation ohne zeitliche Datenlecks.
• Prompt Engineering: klarere Anfragen formulieren - Ein praktischer Einstieg in die Kommunikation mit generativer KI. Vier Videos mit einzeln geprüften Nutzungsrechten führen von Prompt-Grundlagen und Promptqualität über Techniken zu präziseren Anfragen. Übe an einer wenig riskanten Aufgabe, vergleiche Ergebnisse und behandle jede Antwort als prüfungsbedürftigen Entwurf.
• Praktische Datenanalyse mit Python und Pandas - Baue in kurzen Schritten einen praktischen Analyseablauf auf: Bereite ein Notebook vor, verstehe Python-Werte, lade gängige Dateien, wähle Daten aus und verbinde sie, fasse Gruppen zusammen und untersuche einen Datensatz. Die ausgewählten Lektionen sind offen lizenzierte Demonstrationen von Alex The Analyst; sie ersetzen keine aktuelle Bibliotheksdokumentation. Am Ende steht ein reproduzierbares Notebook zur explorativen Analyse mit einer klaren Dokumentation der Annahmen.
• Graph Neural Networks: Message Passing und Graph Learning - Der Kurs behandelt Graph Attention, neuronales Message Passing, Knoten- und Graphklassifikation sowie die Vervollständigung multirelationaler Wissensgraphen. Sie verbinden Graphstruktur und Aggregation mit Vorhersageaufgaben und prüfen, wie Augmentation und geometrische Annahmen die Generalisierung beeinflussen. Die Graphkonstruktion wird explizit gemacht und eine Evaluation ohne Datenlecks geplant.
• Generative Modelle evaluieren: Metriken, Benchmarks und Vertrauen - Der Lernpfad führt von Qualitätskriterien für Ausgaben über Grenzen von Benchmarks und Vertrauensnachweise zu einem multimodalen Evaluationsbeispiel. Eine Rangliste oder Einzelkennzahl gilt nicht als abschließendes Urteil: Sie bestimmen den Einsatzzweck, prüfen Datengrundlage und Bewertungsraster und untersuchen Fehlergruppen. Die Aufgaben verbinden quantitative Tests, qualitative Prüfung und angemessene menschliche Aufsicht.
• Selbstüberwachtes Lernen für Graph- und Netzwerkrepräsentationen - Behandelt werden kontrastive Augmentation, Hypergraphmodellierung, kontextuelle Embeddings für heterogene Links und logische Queries. Verglichen wird, welche Struktur die Signale erhalten und wie Graphart, Geometrie und Evaluation Ergebnisse prägen. Selbstüberwachung beweist keine universell nützliche Repräsentation. Englische Videos sind mit eigenen Materialien, nicht Transkripten, verbunden.
• Fortgeschrittene Objekterkennung: DETR und dateneffizientes Lernen - Behandeln Sie Objekterkennung von der Aufgabenstellung über DETR-Setvorhersage und Transformer-Design bis zu probabilistischem Active Learning für die Annotationsauswahl. Trennen Sie bildweise Erkennung von zeitlichem Tracking und achten Sie auf Metriken, Datensplits, Annotationsqualität und Rechenbudget. Originäre Lernnotizen ergänzen die englischsprachigen Videos.
• Agenten-Workflows: planen, Tools nutzen und menschliche Kontrolle sichern - Untersuche den Übergang von einer einzelnen Antwort zu einem mehrstufigen Agentenablauf. Stelle Planung, Tool-Aufrufe und Übergaben dar und begrenze Aktionen, die Menschen, Daten oder externe Systeme betreffen könnten. Die eigenen Aufgaben verwenden fiktive Szenarien und machen Freigabe, Protokollierung und Wiederherstellung ausdrücklich.
• Python-Datenworkflows: erfassen, transformieren, analysieren - Verfolge Daten von Website oder API über strukturierte und numerische Verarbeitung bis zur Analyse von Zusammenhängen. Berücksichtige Berechtigung, Zugriffslimits, Herkunft, Schema und fehlende Werte. Die Aufgaben unterscheiden Korrelation von Kausalität; öffentliche Sichtbarkeit ist keine automatische Erlaubnis zur Wiederverwendung.
• Föderiertes Lernen: Aggregation, Personalisierung und Repräsentationen - Behandelt föderiertes Lernen, FedAvg und Personalisierung. Untersucht werden heterogene Clients, Teilnahme, Kommunikation und die Grenzen lokaler Datenspeicherung als Datenschutz.
• Vervollständigung von Wissensgraphen: Repräsentationen, Embeddings und Evaluation - Dieser fortgeschrittene Kurs behandelt die Vervollständigung von Wissensgraphen, nicht allgemeine Graph-Neuronale-Netze. Sie verbinden strukturelle und textuelle Merkmale mit Entitäts- und Relations-Embeddings, untersuchen effiziente Ziele ohne Negativ-Sampling und schema-aware Instanzvervollständigung und prüfen Evaluationsprotokolle für Link Prediction. Im Mittelpunkt stehen Kandidatenkonstruktion, Datenleckage, Rankingmetriken und die Frage, ob die Evaluation den beabsichtigten Einsatz abbildet. Die Videos sind englischsprachig; das originale Lernmaterial ist analytische Unterstützung und kein Transkript.
• Produktexperimente: Analyse, Abwägungen und Plattformen - Verbinde die Interpretation von Experimenten mit Produktentscheidungen und Systemen zur Koordination von Tests im großen Maßstab. Ein Paradox-Beispiel, eine Vorlesung zu Modellen und A/B-Tests, ein Produktgespräch über geeignete Tests und eine Sitzung zum Plattformbetrieb zeigen unterschiedliche Evidenzarten und operative Abwägungen. Übe Segmentprüfungen, den Umgang mit überlappenden Tests, Governance und Messqualität; Aussagen von Plattformen oder Vortragenden sind kein universeller Validitätsnachweis.
• MLOps-Observability: Produktionssysteme überwachen - Untersuche Observability von Metrikerfassung und Alarmdesign bis zu Produktionsübergaben und Notebook-zu-Service-Zuverlässigkeit. Trenne Infrastrukturindikatoren von Vorhersagebelegen und behandle datenschutzgerechte Instrumentierung, begrenzte Labels, reproduzierbare Releases und Wiederherstellungsplanung. Fiktive Aufgaben versprechen keine Zuverlässigkeit durch einen Monitoring-Stack.
• Dein erster Datenanalyse-Workflow - Eine Orientierung zu drei Arten, Tabellendaten zu untersuchen – kein Versprechen, alle sofort zu beherrschen. Vier Videos mit geprüften Nutzungsrechten zeigen ein Excel-Projekt, MySQL, SQL-Abfragen und Datenbereinigung mit Pandas. Dokumentiere deine Annahmen.
• Erst prüfen, dann vertrauen: KI-Ausgaben verifizieren - Ein Einsteigerkurs, der KI-generierte Aussagen als prüfungsbedürftige Behauptungen statt als weiterzugebende Fakten behandelt. Vier Videos mit geprüften Rechten behandeln Halluzinationen, ein Verifizierungsbeispiel, menschliche Prüfung und das Erkennen fehlerhafter Ausgaben. Übe, Aussagen zu trennen, unabhängige Belege zu finden und Unsicherheit kenntlich zu machen.
• Geodatenanalyse: räumliche Daten, Abfragen und Joins - Entwickeln Sie einen sorgfältigen Ablauf für räumliche Abfragen und Joins und verbinden Sie Desktop-GIS mit einer räumlichen Datenbank. Unterscheiden Sie Geometrieprädikate, Koordinatenreferenzsysteme und Granularität verknüpfter Datensätze; berücksichtigen Sie, wie Grenzen und Herkunft die Analyse prägen. Die Aufgaben verwenden erfundene oder passend lizenzierte Geodaten, prüfen ungültige und nicht übereinstimmende Geometrien und behandeln Karten oder räumliche Zusammenhänge nicht als Kausalbeweis. Prüfen Sie Nutzungsbedingungen und Koordinatenmetadaten vor der Wiederverwendung realer Daten.
• Grundlagen des maschinellen Lernens: von Algorithmen zu Pipelines - Verbinde die geometrische Intuition von Vektoren mit Überlegungen zu nächsten Nachbarn, verstärkten Bäumen, Verlustfunktionen, Vorverarbeitungs-Pipelines und zwei kompakten Beispielen für neuronale Netze. Die Abfolge nutzt offen lizenzierte Lektionen von CampusX als anschauliche Demonstrationen. Entscheidend ist die Frage, welche Daten, welches Ziel, welcher Datensatz und welches Bewertungsmaß ein Modell verwendet, statt ein Codebeispiel als Beleg für seine Verallgemeinerbarkeit zu behandeln.
• Quantitative Finanzen: Backtests und Marktdaten - Untersuchen Sie, wie Finanzdaten, Strategieregeln und Simulationsentscheidungen einen Backtest prägen. Unterscheiden Sie Portfolio-Backtests von Tests einzelner Strategien und betrachten Sie einen Python-orientierten Ablauf. Prüfen Sie auf Look-ahead- und Survivorship-Bias sowie unrealistische Ausführung. Auffällige Aussagen sind zu prüfende Behauptungen, keine belegten Ergebnisse. Die Aufgaben verwenden hypothetische Daten und betonen Transaktionskosten, zeitgerechte Validierung, Benchmarks, Risikokennzahlen und Grenzen historischer Übertragbarkeit. Der Kurs dient ausschließlich der Bildung und ist keine Anlageberatung.
• Generative Bildworkflows: einrichten, erstellen, prüfen - Untersuche Desktopwerkzeuge, Modelle und Text-zu-Bild-Abläufe sowie Grenzen der Bildinterpretation. Plane sichere Experimente, dokumentiere Herkunft und prüfe Rechte, Kennzeichnung und mögliche Irreführung. Detektoren beweisen die Herkunft eines Bildes nicht.
• Bayes'sche Optimierung für effiziente Experimente - Der Lernpfad führt von der Motivation Bayes'scher Optimierung zu surrogatebasiertem Versuchsdesign und automatisierter Leistungssuche. Sie untersuchen Unsicherheit, Akquisitionswahl, Messrauschen sowie praktische Beschränkungen wie Evaluationskosten und Parameterbereiche. Vergleiche mit Random Search und das Suchbudget werden reproduzierbar und sorgfältig dokumentiert.
• Differential Privacy: Sensitivität, Metriken und private Statistik - Behandelt DP-Grundlagen, Sensitivität, formale Definitionen und private statistische Skizzen. Im Mittelpunkt stehen Nachbarschaft, Komposition, Nutzen und Bedrohungsmodelle.
• Anomalieerkennung: Streams, multivariate Daten und Interpretation - Die Reihe führt von Datenströmen und Telemetrie zur Ausreißerinterpretation. Sie trennt Scores von Vorfällen und prüft Erklärungen anhand von Domänenwissen. Eine HTM-orientierte Diskussion steht neben multivariater Forschung; ein Detektor passt nicht überall. Englische Videos erhalten eigene Notizen, keine Transkripte.
• Verantwortungsvolle KI: Datenschutz, Ethik und Prüfung - Ein Einführungskurs zum sorgfältigen Umgang mit generativer KI und Informationen. Vier Videos mit offener Lizenz behandeln Datenschutz, Ethik, Grundlagen verantwortungsvoller KI und Forschungsintegrität. Eigene Übungen helfen zu klären, was geteilt werden darf, wer betroffen ist und wann menschliche Prüfung oder eine sicherere Alternative nötig ist.
• Angewandte Empfehlungssysteme: Bücher, Filme und Playlists - Nutze verschiedene Empfehlungsszenarien, um interaktions- und inhaltsbasierte Prototypen einzuordnen und Aussagegrenzen einer Demo zu prüfen. Definiere Feedback und Rankingziele, untersuche Itemmerkmale und Exposure-Bias und plane Einwilligung, Vielfalt, Cold Start und Nutzerkontrolle. Aufgaben nutzen erfundene Fälle oder erlaubte Katalogmetadaten; eine Demo beweist weder universellen Geschmack noch Produktwirkung.
• Sicheres maschinelles Lernen: private Inferenz und Modellinversion - Behandelt datenschutzwahrende ML-Systeme: von einem allgemeinen Framework über einen sicheren k-nächste-Nachbarn-Klassifikator und die Evaluation quantisierter neuronaler Netze bis zur Modellinversion als konkretem Risiko bei kollaborativer Filterung. Der Kurs unterscheidet Rechenschutz von formalen Datenschutzgarantien und untersucht Bedrohungsmodelle, Leckagekanäle und Nutzeneinbußen. Die angriffszentrierte Abschlusslektion dient der Sicherheitsanalyse und ist keine Befürwortung des Auslesens persönlicher Daten. Die Videos sind englischsprachig; Notizen und Aufgaben sind eigenständig verfasst und keine Transkripte.
• Interpretierbares Machine Learning: Erklärungen und Grenzen - Sie unterscheiden intrinsische Interpretierbarkeit von nachträglichen Erklärungen, untersuchen Merkmalsattribution und betrachten interpretierbare neuronale Netze sowie Grenzen im Produktionseinsatz. Prüfen Sie die Stabilität von Erklärungen, was eine Methode tatsächlich über das Modell aussagt und wie sich ihre Reichweite passend kommunizieren lässt.
• Datenpipeline-Orchestrierung: Scheduler und DAGs - Untersuche die Planung von Datenworkflows anhand eines Luigi-Pipeline-Vortrags, eines Vergleichs von Airflow und Luigi, eines visuellen DAG-Composers und von Migrationserfahrungen mit Enterprise-Schedulern. Verbinde Aufgabenabhängigkeiten mit Wiederholungen, Idempotenz, Beobachtbarkeit und Änderungsmanagement, statt den Scheduler als Ersatz für zuverlässigen Aufgabencode zu behandeln. Die Übungen verlangen konkrete Wiederherstellungs- und Zuständigkeitspläne; die Vorträge sind Beispiele und kein Beleg für das beste Tool für jedes Team.
• KI-Anwendungen verantwortungsvoll bewerten und bereitstellen - Verknüpfe Anwendungsbewertung mit dem Paketieren und Bereitstellen eines modellgestützten Dienstes. Definiere repräsentative Tests, betrachte Reproduzierbarkeit und API-Grenzen und plane Freigabekriterien für Sicherheit, Rollback und menschliche Verantwortung. Die eigenständigen Übungen garantieren nicht, dass ein bestimmtes Framework oder Bereitstellungsverfahren aktuell bleibt.
• Multi-Objekt-Tracking: Identitätszuordnung und robuste Tracker - Untersuchen Sie Multi-Objekt-Tracking als zeitliche Zuordnung statt als Erkennung einzelner Frames. Behandeln Sie Assoziationsentscheidungen, Trackverwaltung und GHOST als konkretes Beispiel. Analysieren Sie Identitätswechsel, verpasste Detektionen, Bewegungs- und Erscheinungsmerkmale sowie Sequenzevaluation, ohne Übertragbarkeit außerhalb geprüfter Bedingungen anzunehmen. Die englischsprachigen Videos werden durch originäre Notizen ergänzt.
• Deep Learning und Computer Vision mit CNNs - Gehe von der Rolle des Deep Learnings und verschiedener Familien neuronaler Netze über PyTorch-Grundlagen und Faltungsstrukturen bis zu vortrainierten Modellen und Transfer Learning. Die letzte Lektion liefert den Rahmen für ein begrenztes Projekt zur Bildklassifikation. Das Material wird anhand offen lizenzierter Demonstrationen von CampusX präsentiert; prüfe Framework-APIs und Begriffe zu Datensätzen vor einer Implementierung anhand aktueller Dokumentation.
• Wiederholbares Promptdesign: strukturieren, testen, prüfen - Ein Prompt ist eine Komponente einer Anwendung, keine Zauberformel. Definiere Aufgabe, Kontext, Grenzen und Prüfungen, vergleiche Versionen anhand fester Beispiele und teste Hilfsmittel kritisch. Die Aufgaben betonen Wiederholbarkeit, Belege, Datenschutz und menschliches Urteil.
• Empfehlungsalgorithmen: Kollaboratives Filtern in der Praxis - Vom Rankingproblem geht es zu Nutzernachbarschaften, gewichteten Scores und Itemähnlichkeit. Untersuche Interaktionsmatrizen, Überlappung und Exposure und vergleiche Verfahren mit Popularitätsbaselines, Rankingqualität, Abdeckung, Cold-Start- und Sensitivitätstests. Aufgaben nutzen kleine erfundene Matrizen und betonen, dass Offline-Scores weder Nutzen, Fairness noch kausale Produktwirkung beweisen.
• Bayes-Inferenz: Lernen, Posteriorberechnung und MCMC - Von Bayes-Inferenz und Lernen zur Posteriorberechnung mit MCMC. Sie formulieren Modellannahmen und prüfen Approximationen, Diagnostik und Sensitivität.
• Effiziente neuronale Inferenz: Quantisierung und Kompression - Behandelt werden neuronale Quantisierung, gelernte Schrittweitenquantisierung, Inferenzleistung und weitere Effizienzverfahren für große Sprachmodelle. Sie unterscheiden Repräsentations- und Rechenkompromisse von tatsächlichen Hardwareeffekten, vergleichen Kompressionsverfahren und planen aufgabenspezifische Qualitäts- und Latenzprüfungen. Die englischsprachigen Videos werden mit originären analytischen Lernmaterialien ergänzt.
• Empfehlungssysteme: Collaborative Filtering, Faktorisierung und Debiasing - Untersuchen Sie Empfehlungssysteme von Collaborative Filtering und Präferenzsignalen bis zu kompakter Ähnlichkeitscodierung, fairnessbewusster Empfehlung und Faktorisierungsmaschinen. Achten Sie darauf, wie Feedback erhoben wird und wie Evaluationsentscheidungen Rankingqualität und Fairness prägen. Die englischsprachigen Videos werden durch originäre Notizen ergänzt, nicht durch Transkripte.
• Kausale Inferenz: Experimente, Matching und Regression - Der Lernpfad führt von kausalen Fragen und Annahmen über randomisierte Experimente zu Matching und Regressionsadjustierung. Sie definieren einen Zielparameter, zeichnen ein Kausaldiagramm, erkennen Confounding- und Selektionsrisiken und kommunizieren Grenzen beobachtungsbasierter Schlussfolgerungen. Die Beispiele vermitteln Methoden; sie zeigen nicht, dass ein einzelner Schätzer Identifikationsprobleme löst.
• NLP-Systeme: von Sprachstruktur zu Transformern - Baue eine praktische Verbindung von Textverarbeitung und Sequenzlabels zu neuronalen Sprachmodellen und Transformer-Repräsentationen. Vergleiche Aufgaben, Datenentscheidungen und Modellausgaben und plane eine kontext- und fehlerkostenbewusste Evaluation. Die Übungen verwenden erfundene oder öffentliche Texte und betonen, dass flüssige Ausgabe weder Aufgabeneignung noch Verzerrungen ersetzt.
• Data Engineering: ETL, Reverse ETL und Analysepipelines - Betrachte vier Perspektiven auf Pipelinearbeit: einen Überblick zu modernem Design, eine Databricks-ETL-Implementierung, Reverse ETL mit Airflow und eine Analysepipeline mit Airflow und PySpark. Unterscheide Aufnahme- und Transformationsentscheidungen von der operativen Auslieferung an Zielsysteme und dokumentiere Verträge, Herkunft, Wiederherstellung und Datenschutzgrenzen. Architekturen und Anbieterbeispiele sind illustrativ; kein Stack und keine Datenübertragung ist ohne Quellenberechtigung und Zielkontrollen automatisch angemessen.
• KI-Bilder erstellen: vom Prompt zur Prüfung - Ein Einstieg in Grundlagen und praktische Ansätze für generative Bilder. Vier Videos mit geprüften Rechten stellen Bildgenerierung vor, zeigen die Erstellung von Bildern und behandeln Prompt-Formate sowie einen Anfänger-Workflow. Erstelle ein eigenes risikoarmes Briefing, vergleiche Ergebnisse und prüfe Qualität, Herkunft, Einwilligung und Zweck vor einer Weitergabe.
• Few-Shot-Lernen: Generalisierung über Wissen, Ereignisse und Graphen - Nach dem Few-Shot-Setting behandelt der Kurs Wissensvalidierung, taxonomiebewusste Ereigniserkennung und Molekülvorhersage. Supportbeispiele und Aufgabenstruktur helfen, garantieren aber keinen Transfer. Sie vergleichen Baselines und evaluieren auf passender Entitäts- oder Domänenebene. Die englischen Videos haben originäre Materialien, keine Transkripte.
• NLP-Grundlagen bis zu Transformern und LLMs - Baue schrittweise ein Denkmodell für NLP auf: Definiere die Aufgabe, ordne Vorverarbeitung und Repräsentation in eine Pipeline ein, probiere eine überwachte Textklassifikation aus und verbinde anschließend Selbstaufmerksamkeit mit der historischen Entwicklung von Sprachmodellen. Die ausgewählten CampusX-Lektionen sind Lehrmaterial und kein Versprechen eines bestimmten Modellergebnisses. Die Übungen machen Entscheidungen bei der Vorverarbeitung und Bewertungsannahmen sichtbar.
• Datenanalyse mit Excel: von der Bereinigung zum Diagramm - Lerne einen praktischen Ablauf für eine kleine Datenfrage in Excel: Prüfe und bereinige eine Tabelle, berechne hilfreiche Felder, fasse Kategorien mit einer Pivot-Tabelle zusammen und wähle ein passendes Diagramm. Die vier Lektionen verwenden getrennte, auf Nutzungsrechte geprüfte Demonstrationen. Arbeite mit einer Kopie zulässiger Daten, bewahre das Original und erläutere, was deine Zusammenfassung zeigt und was nicht.
• GenAI-Anwendungen mit LangChain und LangGraph entwickeln - Beginne mit der Rolle von LangChain in Anwendungen der generativen KI und untersuche anschließend Komponenten, Modellschnittstellen, Prompts, strukturierte Ausgaben und Parser, bevor du zu einem agentischen LangGraph-Workflow übergehst. CampusX liefert die ausgewählten Demonstrationen und den Codekontext; Paketnamen und APIs können sich ändern, daher sind die Übungen als zu prüfende Muster und nicht als unveränderliche Produktionsanweisungen zu verstehen. Der Kurs legt Wert auf explizite Schemata, Testeingaben und beobachtbare Zustandsübergänge.
• SQL-Einstieg: Fragen an Tabellen stellen - Baue eine explorative Abfrage Schritt für Schritt auf. Wähle zunächst Spalten aus einer Tabelle, grenze Datensätze mit einer Bedingung ein, fasse die gefilterten Zeilen nach Kategorien zusammen und unterscheide anschließend Filter auf Quellzeilen von Bedingungen für Gruppenergebnisse. Die Lektionen zeigen Vorgehensweisen und setzen keine bestimmte Datenbankinstallation voraus. Verwende eine sichere Übungstabelle und passe dialektspezifische Details an deine Umgebung an.
• KI-Automatisierung und Agentenbetrieb - Untersuche praktische Automatisierungsmuster, ohne eine Demonstration als Vorlage für den Produktionseinsatz zu behandeln. Der Kurs führt von einem durchgängigen Inhalts-Workflow über Fernbetrieb, Zeitplanung und Erweiterungen bis zu supervisorartigen Multi-Agenten-Entwürfen und einem n8n-Workflow mit menschlicher Qualitätskontrolle. Du sollst Berechtigungen, Fehlerbehebung, Datenverarbeitung und werkzeugabhängige Schritte prüfen.
• Python und Pandas: erste Tabellenanalyse - Eine gezielte Einführung in die Arbeit mit tabellarischen Daten in Python und Pandas. Beginne mit dem DataFrame als beschrifteter Tabelle, lade eine Datei, filtere Zeilen oder Spalten passend zu einer Frage und fasse Gruppen zusammen. Die ausgewählten Videos bleiben ihren Upload-Kanälen zugeordnet und wurden einzeln auf Rechte geprüft. Übe mit einer nicht vertraulichen Datei, kontrolliere jede Umwandlung und dokumentiere Annahmen.
• Claude Cowork und Wissensarbeit mit KI - Nutze die ausgewählten Demonstrationen, um Muster der Wissensarbeit zu untersuchen: Dateien organisieren, dauerhaften Kontext ergänzen, eine Website recherchieren, wiederverwendbare Fähigkeiten bündeln, Geschäftsdokumente entwerfen und Abläufe mit Agenten vergleichen. Der Schwerpunkt liegt auf überprüfbaren Eingaben und prüfbaren Ausgaben, weil sich Oberflächen und Berechtigungen ändern können.
• Power BI für Einsteiger: importieren, modellieren, visualisieren - Folge einem praktischen Weg durch Power BI Desktop: Lerne eine erste Visualisierung kennen, bereite eine importierte Tabelle vor, verstehe den Einfluss von Beziehungen und wähle Visuals für ein geprüftes Ergebnis. Jede Lektion ist eine eigene Creative-Commons-Demonstration des Uploaders. Funktionen und Oberfläche können sich ändern; dokumentiere daher Daten- und Modellentscheidungen.
• Angewandtes Prompting für Recherche und sensible Anwendungsbereiche - Gehe von Prompt-Struktur und Beispielen über den rechtlichen Anwendungskontext, die Analyse von Gesprächslücken, fundierte Informationsbeschaffung, visuelle Recherche und die Ermittlung von Schlüsselbegriffen. Der Kurs behandelt Modellantworten als Entwürfe zur Prüfung – nicht als Rechtsberatung, Tatsachenfeststellung oder Ersatz für qualifizierte Prüfung. Jede Aufgabe erzeugt einen Prompt, einen Belegdatensatz oder ein auswertbares Artefakt.
• Maschinelles Lernen: Grundideen und Datenteilung - Dieser Einstieg führt von der Grundidee des maschinellen Lernens über Lernarten und Modellbegriffe bis zur sorgfältigen Aufteilung von Daten. Du vergleichst Beispiele für überwachtes und unüberwachtes Lernen sowie Lernen durch Belohnung. Anschließend untersuchst du, warum Trainings- und Evaluationsdaten getrennt bleiben müssen. Die Abschlussübung verwendet einen kleinen Datensatz, den du nutzen darfst; Programmierkenntnisse sind nicht erforderlich.
• Grundlagen großer Sprachmodelle: Deep Learning, Modelle und Informationsbeschaffung - Verbinde das Training neuronaler Netze und die Praxis des Transferlernens mit den inneren Abläufen von Sprachmodellen, der Modellauswertung, Prompting, Agentenschleifen, MCP-Werkzeugverbindungen und Workflows zur Informationsbeschaffung. Das Material reicht von ausführlichen technischen Lektionen bis zu kurzen Demonstrationen; nutze die Aufgaben, um dauerhafte Konzepte von versionsabhängigen Befehlen zu unterscheiden und jede Systemgrenze zu prüfen.
• Neuronale Netze: von Neuronen zum Lernen - Eine verständliche Einführung in vier Lektionen: vom künstlichen Neuron über Schichten und Aktivierungsfunktionen bis zu gelernten Repräsentationen. Der Kurs erklärt die Grundideen ohne Programmierung oder Analysis. Zum Abschluss zeichnest du ein kleines Netzwerk und begründest, warum seine Ausgaben auch mit Beispielen geprüft werden müssen, die nicht zum Training verwendet wurden.
• Grundlagen von KI und Sprachmodellen bis zu Rechercheagenten (Urdu-Englisch) - Baue einen konzeptionellen Weg vom maschinellen Lernen und der NLP über große Sprachmodelle, Werkzeuge für vortrainierte Modelle und Prompting bis zu einem Abschlussprojekt mit einem Python-Rechercheagenten auf. Die Folge wird auf Urdu-Englisch vermittelt und dient als Grundlage für Experimente, nicht als Versprechen, dass eine Modell-API, Bibliothek oder ein gehosteter Dienst unverändert bleibt. Die Aufgaben legen den Schwerpunkt auf Quellenhandhabung, strukturierte Ausgaben und menschliche Prüfung.
• Datenvisualisierung: Prinzipien, Wahrnehmung und Kodierungen - Ein vierteiliger Einstieg in das Gestalten und Lesen von Datenvisualisierungen. Du beginnst mit dem Zweck einer Darstellung und befasst dich dann mit Wahrnehmung, visueller Hierarchie und Kodierungen wie Position, Länge und Farbe. Übe, eine Darstellung passend zur Frage auszuwählen und Unsicherheit sowie Grenzen anzugeben, statt eine ausgefeilte Grafik als Beweis zu behandeln.
• KI-Bilderstellung: Prompts, Konsistenz und lokale Werkzeuge - Arbeite von einem visuellen Briefing zu einem überprüfbaren Bild-Workflow. Vergleiche Ansätze für Generierung und Bearbeitung, übe den Aufbau von Prompts, bewahre die Kontinuität von Figuren und Szenen und teste gehostete sowie lokale Optionen, ohne eine bestimmte Oberfläche als dauerhaft zu betrachten. Der Kurs legt Wert auf Versionsprotokolle, Berechtigungen, Artefaktprüfung und die Kennzeichnung synthetischer Medien.
• Datenethik: Datenschutz, Nutzung und verantwortungsvolle Verknüpfung - Eine praktische Einführung in ethische Abwägungen über den gesamten Datenlebenszyklus. Du benennst betroffene Personen und Zwecke, betrachtest verantwortungsvolle Nutzung und Datenschutz bei Lernanalysen und untersuchst anschließend, wie das Zusammenführen von Datensätzen neue Risiken schafft. Der Kurs bietet einen Prüfrahmen, keine Rechtsberatung, und endet mit einem konkreten Entscheidungsprotokoll.
• KI-Videoproduktion: Vom Bild-zu-Video bis zu filmischen Anzeigen - Plane kurze KI-Videos als Einstellungen, Tests und Prüfstationen. Die Reihe führt vom Text-zu-Video-Prompting über filmische Planung, Bildanimation, Bild-zu-Video-Experimente, lokale Einrichtung und Fehlerbehebung bis zu einem Anzeigenprojekt. Dauerhafte Produktionsgewohnheiten – Briefings, Kontinuitätsblätter, Herkunftsnachweise, Fehlerprotokolle und menschliche Freigabe – bleiben nützlich, wenn sich Werkzeuge und Modelle ändern.
• KI-Automatisierung ohne Programmierung: Workflow erstellen und prüfen - Eine praktische Einführung in KI-gestützte Automatisierung für Menschen ohne Programmierkenntnisse. Die vier lizenzierten Demonstrationen führen von einer n8n-Einführung für Einsteiger über eine erste KI-Automatisierung und ein Gmail-Beispiel bis zu einer ausführlichen Make.com-Masterclass. Übe ausschließlich mit unbedenklichen Beispieldaten: Oberflächen und Integrationen ändern sich, und Automatisierungen müssen sorgfältig getestet werden, bevor sie echte Personen oder Datensätze beeinflussen können.
• KI-Inhalte und Marketing-Workflows - Baue ein kleines Inhaltssystem statt einer Sammlung von Werkzeugtipps auf. Übe Prompt- und Kontextgestaltung, Briefings mit mehreren Ausgaben, begrenzte Automatisierung, Entwürfe im UGC-Stil, mobile Kurzbefehle, Marketingexperimente und kontrollierte Prompt-Labore. Jeder Workflow macht Prüfung, Datenschutz, Aussagenkontrolle und menschliche Freigabe sichtbar, damit eine veränderliche Produktschnittstelle nicht zur einzigen Wissensquelle des Kurses wird.
• Schreibworkflows mit KI: von der Idee zur Überarbeitung - Entwickle einen wiederholbaren Schreibprozess, ohne die redaktionelle Verantwortung abzugeben. Die vier Creative-Commons-Demonstrationen behandeln Brainstorming mit ChatGPT, einen gezielten E-Mail-Prompt, eine kurze Lektion dazu, wie KI-Texte ihre Zielgruppe besser ansprechen, und die Überarbeitung mithilfe einer Rückwärtsgliederung und KI-Zusammenfassungen. Behandle erzeugte Texte als bearbeitbare Entwürfe: Liefere selbst geprüfte Fakten, kontrolliere Aussagen und Ton und triff die endgültigen Entscheidungen selbst.
• KI-Recherche und Produktivitätssysteme - Gestalte Recherche- und Produktivitätsroutinen als überprüfbare Arbeitsabläufe. Die Lektionen behandeln Arbeitsbereichsberechtigungen, Besprechungserfassung, geplante Rechercheagenten, die Sammlung von Produktsignalen, Merkmalsbewertung, Agentensicherheit und sprachgestützte Arbeit. Statt automatische Genauigkeit zu versprechen, fordert der Kurs klare Quellengrenzen, geprüfte Ausgaben, den Schutz sensibler Informationen und einen manuellen Ausweichweg.
• KI-gestützte Recherche: finden, prüfen, organisieren - Ein Einsteigerkurs zur Nutzung von KI-Recherchefunktionen, ohne erzeugte Zusammenfassungen mit Belegen zu verwechseln. Die Videos stellen KI-Deep-Research und Recherchewerkzeuge vor, behandeln die Überprüfung von KI-Recherche und zeigen einen Recherche-Leseablauf mit Roam Research. Du übst, eine Frage einzugrenzen, Originalquellen zu finden, Quellenangaben festzuhalten und Unsicherheit kenntlich zu machen. KI-Werkzeuge können Inhalte auslassen oder falsch wiedergeben; wichtige Aussagen muss weiterhin die forschende Person überprüfen.
• Verantwortungsvolle KI: Fairness, Erklärbarkeit, Datenschutz und Vertrauen - Lerne, Bedenken zu verantwortungsvoller KI in konkrete Prüfungsfragen und Entscheidungsprotokolle zu überführen. Die Reihe führt von ethischer Einordnung und konkurrierenden Fairnessdefinitionen über das Design von Verzerrungstests, Grenzen von Erklärungen und Datenschutz-Bedrohungsmodelle bis zu Urheberrechts-, Herkunfts- und Deepfake-Prüfungen. Sie bietet keine Rechtsberatung und keinen universellen Fairnesswert, sondern betont Evidenz, betroffene Menschen, Unsicherheit, menschliche Aufsicht und Eskalation.
• Videos mit KI erstellen: planen, generieren, schneiden - Eine Einführung für Einsteiger in einen KI-gestützten Videoablauf, von einer einfachen Story-Idee bis zur Generierung und zum Schnitt. Die ausgewählten Videos behandeln KI-Animationsgeschichten, filmische Videos mit KI, ein Einsteiger-Tutorial zur KI-Videogestaltung sowie einen KI-Storytelling-Ablauf mit CapCut. Verfügbarkeit, Funktionen und Rechte unterscheiden sich je nach Werkzeug. Verwende nur Material, für das du die nötigen Rechte hast, kennzeichne synthetische oder veränderte Inhalte bei Bedarf und prüfe das fertige Video vor dem Teilen auf Fehler.

Häufig gestellte Fragen

Gibt es kostenlose Kurse?

Ja. Die Einführungslektion jedes verfügbaren Kurses ist als kostenlose Vorschau zugänglich. Für den Start ist keine Kreditkarte erforderlich.

Wie funktioniert die 7-tägige Testversion?

Berechtigte Nutzer erhalten eine 7-tägige kostenlose Testphase. Danach verlängert sich der gewählte Monats- oder Jahresplan automatisch, bis Sie kündigen. Bei einer Kündigung vor Ablauf der Testphase fallen keine Kosten an.

Was ist der Academy Pass?

Der Academy Pass gewährt Ihnen unbegrenzten Zugriff auf alle vollständigen Kurse, Premium-Ressourcen und exklusiven Aufgaben. Er ist für 14,99 $/Monat oder 149 $/Jahr erhältlich, mit 17 % Ersparnis beim Jahresabo, und Sie können jederzeit über unser Stripe-Abrechnungsportal kündigen.

Ist die Academy in Lumi Pro enthalten?

Ja. Wenn Sie ein aktives Lumi Pro-Abonnement haben, ist der unbegrenzte Zugriff auf die One AI Guide Academy automatisch ohne zusätzliche Kosten inbegriffen.

Kursinhalt mit offener Lizenz · CC BY-lizenziert · Lizenz verifiziert

Dieser Katalog enthält nur Kurse mit vollständigem, genehmigtem Lizenznachweis und mindestens einer zulässigen veröffentlichten Lektion.