Wer KI lernen will, meint damit oft zwei ganz verschiedene Dinge. Die eine Gruppe möchte KI-Tools wie Chatbots und Bildgeneratoren in ihren Jobs sicher nutzen. Die andere will verstehen, wie ein Modell rechnet, und am Ende selbst eines trainieren. Beide Ziele sind sinnvoll. Sie brauchen aber unterschiedliches Vorwissen und sehr unterschiedlich viel Zeit. Deshalb stellen wir die zwei Lernwege zuerst nebeneinander. Danach folgt der technische Lernpfad von den Grundlagen bis zum eigenen Netz, als Richtwert 24 Wochen bei etwa 5 Stunden pro Woche.
Zwei Ziele, zwei Lernwege
Bevor du einen Kurs buchst, beantworte eine Frage: Willst du künstliche Intelligenz benutzen oder bauen? Davon hängt ab, welche Themen dran sind und wie viel Mathematik auf dich zukommt.
Weg 1: KI-Tools im Alltag nutzen
Hier lernst du die Grundlagen der künstlichen Intelligenz und gutes Prompting. Mathematik spielt dabei kaum eine Rolle. Mindestens so wichtig ist ein ehrliches Bild davon, was solche Systeme nicht können. Ein Sprachmodell berechnet, welches Wort mit hoher Wahrscheinlichkeit als Nächstes passt. Es schlägt nichts nach, solange es nicht ausdrücklich mit einer Suche verbunden ist. Deshalb kann es Quellen erfinden, die gut klingen und nicht existieren. Auch beim Rechnen mit mehreren Schritten liegt es öfter daneben, als man denkt. Zum nötigen Wissen gehört auch der Datenschutz: Personenbezogene Daten von Kunden haben in einem öffentlichen Chatbot nichts verloren.
Auch das Recht spielt mit. Der EU AI Act verpflichtet Unternehmen, die KI-Systeme einsetzen, seit dem 2. Februar 2025 dafür zu sorgen, dass ihre Beschäftigten über ausreichende KI-Kompetenz verfügen (Artikel 4). Für Entscheidungen über Menschen, etwa in Bewerbungsverfahren, gelten nach dem Gesetz strengere Regeln. Eine KI Weiterbildung im Unternehmen ist deshalb seit dem vergangenen Jahr auch eine rechtliche Frage.
Weg 2: KI entwickeln
Wer Modelle selbst bauen will, kommt um Programmieren nicht herum. Die übliche Sprache ist Python. Dazu brauchst du Statistik und lineare Algebra, danach die Verfahren für maschinelles Lernen. Erst danach lohnt Deep Learning, also neuronale Netze mit vielen Schichten. Der Weg ist länger, dafür kannst du am Ende die Entscheidungen eines Systems nachvollziehen und es gezielt verbessern. Auch für Jobs im Bereich Data Science, etwa als Data Scientist, brauchst du diese Fähigkeiten.
KI lernen im Vergleich: die Tabelle
Die Tabelle fasst die beiden Wege zusammen. Die Zeitangaben sind Richtwerte bei rund fünf Lernstunden pro Woche.
| KI nutzen | KI entwickeln | |
|---|---|---|
| Ziel | KI-Tools sicher und rechtlich sauber im Alltag nutzen | Eigene Algorithmen trainieren, bewerten und verbessern |
| Vorwissen | Keins, Umgang mit dem Rechner genügt | Schulmathe der Oberstufe, Python-Grundlagen kommen im Pfad dazu |
| Zeitbedarf | etwa 4 bis 6 Wochen | etwa 24 Wochen |
| Werkzeuge | KI-Tools wie Chatbots, Kurs Elements of AI, Angebote auf dem KI-Campus | Python, Jupyter Notebook, pandas, scikit-learn, Keras oder PyTorch |
| Erstes Projekt | Eine Prompt-Vorlage für eine wiederkehrende Aufgabe, etwa Protokolle zusammenfassen | Ein kleines Netz, das handgeschriebene Ziffern erkennt |
Unsere Einschätzung: Fang am besten mit Weg 1 an, auch wenn du eigentlich entwickeln willst. Ein Monat Praxis mit Tools für generative KI zeigt dir schnell, wo solche Systeme stark sind und wo sie scheitern. Das merkst du später, sobald du eigene Trainingsdaten auswählst.
Prompting lernen: was du als Nutzer üben solltest

Ein Prompt ist die Anweisung, die du einem Sprachmodell gibst. Je genauer sie ist, desto brauchbarer die Antwort. Für den Anfang reichen vier Bausteine:
- Aufgabe: Was genau soll herauskommen, etwa eine Zusammenfassung in fünf Punkten.
- Kontext: Für wen ist der Text, welches Vorwissen hat der Leser?
- Format: Tabelle, Liste, E-Mail, maximale Länge.
- Beispiel: Ein kurzes Muster, an dem sich die KI orientiert.
Der Haken: Auch ein guter Prompt schützt nicht vor erfundenen Fakten. Die wichtigste Erkenntnis für den Anfang lautet deshalb: Ein Sprachmodell klingt gleich sicher, ob es richtig liegt oder falsch. Zahlen und Quellen prüfst du immer selbst nach. Ein Beispiel: Fragst du nach einem Gesetzesparagrafen, schlag ihn im Originaltext nach, bevor du ihn verwendest.
Der technische Lernpfad: 24 Wochen bis zum eigenen Modell
Auf Lernsafari gibt es schon zwei Pläne, die hier zusammenlaufen: den Lernweg für Python in 12 Wochen und den Plan Machine Learning lernen in 16 Wochen. Hintereinander wären das 28 Wochen. Für den Weg zur KI brauchst du aber nicht alles daraus. Aus dem Python-Plan übernimmst du die ersten beiden Etappen (6 Wochen), aus dem Plan für maschinelles Lernen die Wochen 1 bis 12. Statt des klassischen Abschlussprojekts folgen 6 Wochen Deep Learning. Zusammen ergibt das 24 Wochen, also rund 120 Stunden.
| Wochen | Schwerpunkt | Ergebnis am Ende |
|---|---|---|
| 1–6 | Python-Kern: Variablen, Schleifen, Listen, Dictionaries, Funktionen | Du schreibst kleine Programme ohne Vorlage |
| 7–9 | NumPy, pandas, Matplotlib im Jupyter Notebook | Du lädst eine CSV-Datei, bereinigst sie und zeichnest Diagramme |
| 10–12 | Statistik und lineare Algebra | Du rechnest Mittelwert, Streuung und Matrixprodukte in NumPy |
| 13–16 | scikit-learn: Regression, Klassifikation, Clustering | Du trainierst drei Arten von Verfahren auf Übungsdaten |
| 17–18 | Evaluation | Du trennst Trainings- und Testdaten und erkennst Overfitting |
| 19–22 | Neuronale Netze mit Keras oder PyTorch | Ein Netz erkennt handgeschriebene Ziffern |
| 23–24 | Eigenes Modell | Ein kleines Netz mit eigenen Daten, dokumentiert auf GitHub |

Bis Woche 18: das Fundament
Am Anfang steht reines Python. Wie du Pakete mit pip installierst und eine virtuelle Umgebung anlegst, lernst du nebenbei, sobald du Jupyter einrichtest. Danach kommt die Arbeit mit Daten. Sie wirkt unspektakulär, ist aber der Teil, an dem spätere Projekte am häufigsten scheitern. Ab Woche 13 trainierst du mit scikit-learn die ersten Algorithmen für maschinelles Lernen. Mindestens so viel Zeit geht in die Frage, ob ein Ergebnis wirklich gut ist oder nur auf den Übungsdaten glänzt. Falls dir die Mathe Sorgen macht: Lineare Algebra brauchst du hier vor allem als Rechnen mit Vektoren und Matrizen, Beweise kommen nicht vor.
Ab Woche 19: tiefe Netze und das eigene Modell
Jetzt baust du deine ersten Netze mit mehreren Schichten. Der übliche Einstieg ist der MNIST-Datensatz: 60.000 Trainings- und 10.000 Testbilder handgeschriebener Ziffern, je 28 mal 28 Pixel. So sieht ein erstes Netz in Keras aus:
from tensorflow import keras
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
model = keras.Sequential([
keras.Input(shape=(28, 28)),
keras.layers.Flatten(),
keras.layers.Dense(128, activation="relu"),
keras.layers.Dense(10, activation="softmax"),
])
model.compile(optimizer="adam", loss="sparse_categorical_crossentropy", metrics=["accuracy"])
model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test)
Nach fünf Durchläufen durch die Trainingsdaten, den sogenannten Epochen, erkennt so ein Netz meist über 95 Prozent der Testbilder richtig. Auf einem normalen Laptop dauert das wenige Minuten. In den letzten beiden Wochen tauschst du den Datensatz gegen einen eigenen, etwa Fotos von drei Pflanzenarten mit je 100 Bildern. Damit bist du im Bereich Bildverarbeitung angekommen.
Ein Wort zur Erwartung: „Eigenes Modell“ heißt hier ein kleines Netz, das du selbst trainierst. Große Sprachmodelle wie die hinter den bekannten Chatbots baut niemand neben dem Beruf in 24 Wochen. Dafür verstehst du danach die Konzepte, die in solchen Systemen stecken.
Kostenlose Kurse: KI-Campus und Elements of AI
Kostenlose Möglichkeiten zum Thema künstliche Intelligenz gibt es für beide Wege. Zwei davon würden wir zuerst nehmen:
- Elements of AI: Entwickelt von der Universität Helsinki und MinnaLearn, auf Deutsch verfügbar und ohne komplizierte Mathematik oder Programmierung. Je nach Quelle rechnet man mit 30 bis 60 Stunden. Der zweite Teil, Building AI, setzt Python-Grundlagen voraus. Für den Anfang reicht Elements of AI, um neue Begriffe schnell einzuordnen.
- KI-Campus: Die Lernplattform des Stifterverbands bietet ihre Lernangebote kostenlos an, die Zertifikate eingeschlossen. Beispiele sind „EU AI Act Essentials“ mit 8 Stunden und „Transformer-basierte Large Language Models verstehen“ mit 10 Stunden. Auch Hochschulen sind vertreten, etwa die Universität Bamberg mit „Erklärbare Künstliche Intelligenz“.
Für den Entwicklerweg reichen diese Kurse allein nicht. Sie geben dir aber die Begriffe, mit denen du später Fachbücher leichter liest. Einen Überblick über weitere Sprachen findest du unter Programmieren lernen.
Zwei Fachbücher für den Entwicklerweg
Beide Bücher stehen auch im Lernsafari-Bücherregal mit Steckbrief.
Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow
Aurélien Géron führt praxisnah durch maschinelles Lernen mit Python, von linearer Regression bis zu neuronalen Netzen. Der erste Teil behandelt klassische Verfahren mit scikit-learn, der zweite tiefe Netze mit Keras und TensorFlow. Zu jedem Thema gibt es praktische Notebooks zum Mitmachen. Die hinteren Kapitel reichen bis in fortgeschrittenen Stoff wie Transformer und Diffusionsmodelle. Die dritte englische Auflage erschien im Oktober 2022 bei O’Reilly. Auf Deutsch heißt das Buch „Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow“ (3. Auflage 2023). Passt ab Woche 13 des Plans.
Deep Learning
Ian Goodfellow, Yoshua Bengio und Aaron Courville haben das Standardwerk zur Theorie tiefer Netze geschrieben. Es erschien 2016 bei MIT Press und ist unter deeplearningbook.org kostenlos online lesbar. Das Niveau ist hoch: lineare Algebra und Wahrscheinlichkeitsrechnung setzt es voraus, die ersten Kapitel frischen sie aber auf. Für Woche 19 ist es eine gute Begleitung, für den Anfang zu dicht.
Häufige Fragen
Wie lange dauert es, KI zu lernen?
Zum Anwenden reichen als Richtwert ein bis anderthalb Monate. Bis zum selbst trainierten Netz rechnen wir mit 24 Wochen im oben genannten Tempo.
Kann ich KI ohne Programmieren lernen?
Ja, für Weg 1. Elements of AI und viele Kurse auf dem KI-Campus kommen ohne Code aus. Für eigene Algorithmen brauchst du Python.
Wie viel Mathe brauche ich für Machine Learning?
Für die klassischen Verfahren genügt Schulmathe der Oberstufe plus Grundbegriffe der Statistik. Für Deep Learning kommt mehr lineare Algebra dazu.
Ist ein kostenloser KI Kurs genug?
Für den Einstieg ja. Ein Zertifikat ersetzt aber keine eigenen Erfahrungen mit echten Daten und kein Projekt, das du bei Bewerbungen für neue Jobs zeigen kannst.
Was unterscheidet KI, maschinelles Lernen und Deep Learning?
Künstliche Intelligenz ist der Oberbegriff für Systeme, die Aufgaben lösen, für die man sonst menschliche Intelligenz bräuchte. Maschinelles Lernen ist ein Teil davon: Algorithmen lernen Muster aus Daten, statt fest programmierte Regeln abzuarbeiten. Deep Learning wiederum nutzt dafür Netze aus vielen Schichten.



