Hi! Ich bin HerrKI 👋
Dein persönlicher KI-Lehrer
KI ist keine Magie – sondern eine Technologie, die du verstehen und selbst bauen kannst! Ich zeige dir Schritt für Schritt, wie Machine Learning wirklich funktioniert: nicht nur konsumieren, sondern verstehen, nachbauen und eigene KI-Anwendungen entwickeln. Komplett kostenlos, ohne Anmeldung – für alle im deutschsprachigen Raum! 🇩🇪🇦🇹🇨🇭
Deine Lernpfade
Start
Für alle, die bei null anfangen
Grundlagen
Alles wird zu Zahlen
Praxis
Der Maschine beim Lernen zusehen
Fortgeschritten
Tiefer rein: Sehen, Zeit, Belohnung
Aktuell
Was die KI-Welt gerade bewegt
Interaktiv
Deine Daten, dein Browser — KI zum Selbermachen
Alle Kapitel
🌱 Start
Du benutzt schon KI — jeden Tag
Foto-Suche, Diktieren, Stau-Warnung, Spam-Filter: vier Stellen, an denen längst KI für dich arbeitet — und der Unterschied zwischen einem starren Automaten und etwas Gelerntem.
2 ✓Woher weiß die KI das?
Kein Mensch kann dir das Gleichgewicht auf dem Fahrrad erklären — trotzdem kannst du es. Genau so lernt eine Maschine: raten, danebenliegen, nachbessern.
3 ✓Was KI gut kann — und wo sie danebenliegt
Stark bei Mustern aus vielen Beispielen, schwach bei allem Neuen — und warum eine Antwort überzeugend klingen und trotzdem falsch sein kann.
📦 Grundlagen
Was heißt eigentlich „Lernen“?
Regeln schreiben vs. Beispiele zeigen: Erlebe den Kreislauf raten → messen → nachjustieren einmal komplett — ohne eine einzige Formel.
2 ✓Alles wird zu Zahlen (Tensoren)
Eine Zahl, eine Reihe, eine Tabelle — und schon hast du einen Tensor: die Datenstruktur hinter jeder KI (Skalar, Vektor, Matrix).
3 ✓Bilder als Tensoren
Wie RGB-Bilder zu Zahlen werden und warum alle Bilder gleich groß sein müssen.
4 ✓Excel/CSV → Tensoren
Tabellendaten in Tensoren umwandeln: Input-Features, Output-Labels, Normalisierung.
5 ✓Wie Computer mit Sprache umgehen (LLMs)
Wie aus Sätzen Zahlen werden: Text in Häppchen zerlegen (Tokenization) und Wörter als Zahlenreihen ablegen (Word Embeddings) — die Grundlage jedes Sprachmodells.
6 ✓Wie LLMs Fragen beantworten
Von der Frage zur Antwort: Transformer, Wahrscheinlichkeiten, Token-Generierung.
7 ✓Rechnen mit Zahlenpaketen (Tensor-Operationen)
Zahlenpakete addieren, multiplizieren und umformen — Addition, Multiplikation, Reshape, Flatten sind die Basis für alles Weitere.
🧠 Praxis
Was ist ein Neuronales Netz?
Neuronen, Gewichte, Bias und Aktivierungsfunktionen — interaktiv erklärt.
2 ✓Wie falsch ist falsch? (Loss)
Bevor ein Modell besser werden kann, muss „schlecht“ eine Zahl sein: Ziehe eine Gerade durch die Punktwolke, sieh jeden Fehler als Balken — und drücke den Loss unter 5.
3 ✓Bergab zum kleinsten Fehler (Gradient Descent)
Im Nebel den Berg hinab: Lernrate einstellen, Schritt für Schritt ins Tal — und einmal zusehen, wie eine zu große Schrittweite die Kugel aus dem Bild schleudert.
4 ✓Ein neuronales Netz in 150 Zeilen PHP — Brainy zum Anfassen
Daniele Favis PHP-Bibliothek „Brainy" (157 Zeilen, MIT) als Lupe: vier Matrix-Operationen, forward() in fünf Zeilen, backPropagation() als Gradient Descent für ein ganzes Netz. Nach JavaScript übertragen und im Browser trainierbar — ein 2-3-1-Netz lernt XOR, mit Loss-Kurve, Entscheidungskarte und den Gewichten zum Zusehen.
5 ✓Die erste Vorhersage: eine Gerade durch die Punkte (Lineare Regression)
Dein erstes echtes Training mit TensorFlow.js: eine Gerade so durch echte Punkte legen, dass sie am besten passt.
6 ✓Mehrere Einflüsse gleichzeitig (Multiple Regression)
Mehrere Eingaben gleichzeitig verarbeiten und daraus Wohnungspreise vorhersagen — multiple lineare Regression.
7 ✓Alles auf eine Skala (Normalisierung)
Wohnfläche 350, Zimmerzahl 4 — warum so ungleiche Zahlen ein Training kippen lassen, und wie Min-Max und Z-Score das reparieren. Mit Live-Beweis: zwei Trainings im Direktvergleich.
8 ✓Wenn die Gerade sich biegen muss (Polynomiale Regression)
Wenn eine gerade Linie nicht mehr passt: wie neuronale Netze krumme, nicht-lineare Zusammenhänge lernen.
9 ✓Warum eine Gerade nicht reicht (Aktivierungsfunktionen)
Zehn Schichten ohne Aktivierung sind immer noch eine Gerade. Erlebe live, wie erst der ReLU-Knick ein Netz mächtig macht — und baue aus drei Knicken selbst eine Kurve.
🚀 Fortgeschritten
Wachstum vorhersagen (Exponentielle Regression)
Wenn etwas immer schneller wächst: wie tiefe Netze komplexe exponentielle Zusammenhänge nachbilden.
2 ✓Ja oder Nein? (Binäre Klassifikation)
Ja/Nein-Entscheidungen lernen — und sehen, wie sicher sich das Netz ist: Sigmoid, Entscheidungsgrenzen, Genauigkeit.
3 ✓Eins von vielen (Multi-Class-Klassifikation)
Nicht nur ja/nein, sondern eins von vielen: mehrere Kategorien unterscheiden mit Softmax und One-Hot-Encoding.
4 ✓Trainieren, prüfen, bestehen
Warum man ein Modell nie mit seinen Übungsaufgaben prüft: Teile die Daten selbst auf, trainiere live — und erlebe, was der „Schummeln“-Knopf wirklich kostet.
5 ✓Auswendiglernen ist kein Verstehen (Overfitting & Regularisierung)
Wenn Netze auswendig lernen statt zu verstehen — und was Dropout & Co. dagegen tun (Overfitting, Regularisierung).
6 ✓Sehen lernen: Faltung, Filter, Pooling
Wie ein Netz in einem Zahlenwürfel Kanten, Ecken und schließlich Katzen findet — mit einem 3×3-Fenster, das über das Bild wandert. Mit Kernel-Werkstatt zum Selbstbauen, Pooling-Demo und Parameter-Zähler, der zeigt, warum Faltung tausendmal sparsamer ist als ein normales Netz.
7 ✓Der Flaschenhals: Wie ein Netz einen Latent Space erfindet
Ein Netz, das seine Eingabe durch einen Engpass aus zwei Zahlen quetschen und danach wieder herstellen muss — ohne ein einziges Etikett. Dabei entsteht von selbst ein Raum, in dem Ähnliches nahe beieinander liegt. Mit Autoencoder-Labor: Sieh zu, wie der Raum beim Training geboren wird, und wandere hindurch.
8 ✓Zeitreihen: fortschreiben oder klassifizieren
Aus einer Kurve werden Trainingsbeispiele — und dann zwei Fragen an dieselben Daten: Wie geht es weiter (Zahl)? Oder: Endet es im Plus (Etikett)? Mit Zeitreihen-Labor auf drei Datensätzen — Stromverbrauch, Maschinensensor und Börse — in dem du misst, warum Kursvorhersage scheitert und Wartungsvorhersage funktioniert.
9 ✓Lernen durch Belohnung: Wie Robi laufen lernt (Reinforcement Learning)
Kein Lehrer, keine richtige Antwort — nur Punkte. Robi sucht sich seinen Weg durchs Büro selbst: mit ε-greedy an drei Kaffeeautomaten, mit einer Q-Tabelle der Form [36, 4] und einer einzigen Update-Regel. Zum Anfassen: Büro umbauen, Regler drehen, Lernkurve fallen sehen — und erleben, wie eine falsch gebaute Belohnung den Agenten an jedem Ziel vorbeiführt. Von Atari über AlphaGo bis zu dem RLHF, das ChatGPT höflich macht.
🔥 Aktuell
Latent Space — die geheime Landkarte der KI
Der verborgene Raum, in dem Bedeutung zu Koordinaten wird: Nachbarschaft, Vektor-Rechnung und Interpolation zum Anfassen — die Grundlage von LLMs und Bild-KIs.
2 ✓Worauf schaut die KI gerade? (Attention)
Jedes Wort fragt alle anderen: „Wie wichtig bist du für mich?“ — Erlebe an der doppeldeutigen „Bank“, wie Attention Bedeutung aus dem Kontext baut. Der Kernmechanismus aller modernen KI-Modelle.
3 ✓Suchen nach Bedeutung statt nach Wörtern (Semantische Suche & RAG)
Warum die KI „Fahrzeug“ findet, wenn du „Auto“ tippst: Durchsuche ein Firmen-Handbuch einmal mit Stichwörtern und einmal mit Bedeutungs-Vektoren — und sieh, wie RAG daraus Antworten baut.
4 ✓Nachschlagen statt rechnen: N-Gramm-Speicher im Modell
Ein Sprachmodell rechnet heute selbst für Fakten, die man einfach wüsste. DeepSeeks Engram gibt dem Modell ein Regal: Die letzten paar Wörter werden zur Zeilennummer, die Zeile ist ein gelernter Vektor, und weil die Adresse vorab bekannt ist, darf das Regal im Arbeitsspeicher stehen statt auf der Grafikkarte. Mit Hash-Tabelle zum Anfassen, U-Kurve der Aufteilung und Bandbreiten-Rechner.
5 ✓Aus Rauschen wird Bild (Diffusion)
Zerstöre ein Bild in 20 Rausch-Schritten — und sieh dann, wie ein Entrausch-Schritt, 20-mal angewendet, aus purem Grieß wieder ein Motiv formt. Plus: was der Prompt dabei wirklich tut.
6 ✓Warum KI überzeugend Unsinn erzählt (Halluzinationen)
Halluzinationen sind kein Defekt, sondern die Kehrseite des Funktionsprinzips: Sieh am Temperature-Regler, warum ein Modell auch bei erfundenen Fragen selbstbewusst antwortet — und lerne die Gegenmittel.
7 ✓Erst denken, dann reden — wie KI-Modelle „überlegen“
Warum dasselbe Modell eine Aufgabe falsch löst, wenn es sofort antworten muss, und richtig, wenn es zwischendurch schreiben darf: Chain-of-Thought, Denkbudget und die Reasoning-Modelle von heute.
8 ✓Denken im Verborgenen — Reasoning im Latent Space
Was passiert, wenn ein Modell seine Denkschritte gar nicht mehr in Worte fasst? Coconut, der Flaschenhals „ein Wort“ — und die ehrliche Debatte um Effizienz gegen Nachvollziehbarkeit.
9 ✓Prompt, Kontext oder Training?
Die drei Wege, ein KI-Modell an DEINE Aufgabe anzupassen — mit Entscheidungs-Assistent, ehrlichem Aufwands-Vergleich und der LoRA-Grafik, die zeigt, wie wenig „Training“ manchmal ist.
10 ✓Agenten: KI, die Werkzeuge benutzt — und andere KIs
Was aus einem Sprachmodell wird, wenn es rechnen, suchen und Dateien lesen darf — und wenn es andere Modelle beauftragt. Mit klickbarer Agenten-Schleife, Orchestrator-Rechner, Schwarm-Simulation und dem echten Fall der OpenAI-Agenten, die sich 2026 über ein deutsches Wiki verabredeten.
11 ✓Die Harness: Wie eine KI echte Programme bedient
Wer drückt eigentlich die Tasten, wenn eine KI Bilder verkleinert, Befehle ausführt oder einen Server prüft? Die Harness — das Programm zwischen Modell und Werkzeug. Mit einer Werkbank, in der DU das Modell bist, einer echten Aufzeichnung aus der Sitzung, in der dieses Kapitel entstand, und dem Ablauf bis zum Tensor.
12 ✓KI im eigenen Haus: lokale Modelle, VRAM, CPU gegen GPU
Warum ein 8-Milliarden-Modell auf deine Grafikkarte passt (oder nicht), was Quantisierung mit den Gewichts-Tensoren macht, warum die GPU beim Lesen deines Prompts hundertmal schneller ist als die CPU, beim Antworten aber nur zehnmal — und wie Apple Silicon und DGX-Systeme den Speicher teilen. Mit Quantisierung zum Anfassen, VRAM-Rechner und CPU-gegen-GPU-Wettrennen.
13 ✓Zensur raus? Abliteration, Heretic und die dünne Sicherheitsschicht
Das „Nein" eines Chatmodells hängt an einer einzigen Richtung im Residual Stream: Löscht man sie, verweigert es nicht mehr; addiert man sie, verweigert es sogar Harmloses. Das Kapitel erklärt Difference of Means, Weight Orthogonalization und was Heretic automatisiert — mit Spoiler-Bot zum Anfassen und einem Optimierer, der zwei Ziele zugleich verfolgt. Kein Rezept, sondern der Mechanismus samt Preis und Verantwortung.
14 ✓Die KI, die sich selbst verbessert
Warum Training auf den eigenen Geschichten in die Echokammer führt (Model Collapse) — und wie Self-Play, unbestechliche Schiedsrichter und verifizierte Denkpfade echte Selbstverbesserung schaffen. Mit Selbstlern-Arena: Sieh einer KI beim Lernen zu und spiel dann gegen sie.
🧪 Interaktiv
Trainiere auf DEINEN Daten
Lade deine eigene CSV-Tabelle, wähle Eingaben und Zielspalte und trainiere live ein kleines Netz darauf — Stromverbrauch, Laufzeiten, Verkaufszahlen. Deine Datei verlässt dabei nie dein Gerät.
2 ✓Male eine Ziffer — dein erstes CNN
Trainiere in deinem Browser ein eigenes Convolutional Neural Network auf 65.000 echten Handschrift-Ziffern — und lass es danach die Ziffern erkennen, die du selbst malst.
3 ✓Was sieht die KI? (Objekterkennung)
Lade ein Foto hoch oder starte die Kamera: COCO-SSD zeichnet live beschriftete Rahmen um alles, was es erkennt — und zeigt dir die rohen Zahlen dahinter. Bild und Kamerabild bleiben dabei auf deinem Gerät.
4 ✓Dein Körper als Tensor (Pose)
Deine Kamera oder ein Foto — und du siehst live, was eine Pose-KI wirklich von dir sieht: 17 Punkte, 51 Zahlen, ein [17, 3]-Tensor. Mit Skelett-Overlay und einem Hampelmann-Zähler, der nur aus diesen Zahlen gebaut ist.
5 ✓Sprich mit deinem Browser (Audio)
Dein Browser hört zu — und versteht: Aus einer Sekunde Ton wird ein Spektrogramm, aus dem Spektrogramm ein Bild, aus dem Bild ein Wort. Steuere eine Spielfigur per Zuruf und trainiere dem Modell danach dein eigenes Wort an. Kein Ton verlässt dabei dein Gerät.
6 ✓Deine eigene Bild-KI (Transfer Learning)
Leg zwei bis vier eigene Klassen an, zeig der Kamera ein paar Beispiele — und dein Browser erkennt sie sofort. Das Prinzip hinter Googles Teachable Machine: ein eingefrorenes Riesennetz als Auge, ein winziges Gedächtnis als Lernteil.
7 ✓Semantische Suche in DEINEN Texten
Lade eigene Texte oder eine Beispiel-FAQ, verwandle jeden Satz im Browser in einen 512er-Vektor und lass die Bedeutungs-Suche live gegen die Stichwort-Suche antreten — inklusive der ehrlichen Antwort, warum das Modell auf Deutsch schwächelt.
8 ✓Dein Foto als Kunstwerk (Style Transfer)
Lade ein eigenes Foto, wähle einen Malstil — van Gogh, Hokusai, Munch, Kandinsky oder dein eigenes Bild — und sieh zu, wie zwei kleine Netze daraus ein Gemälde machen. Direkt im Browser, ohne Upload. Und du siehst das Erstaunlichste dabei: Ein kompletter Malstil passt in 100 Zahlen.
Fragen und Antworten
Brauche ich Vorwissen?
Nein — der Grundlagen-Pfad startet bei null. Nur Neugier und ein Browser.
Muss ich etwas installieren oder mich anmelden?
Nein. Alles läuft mit TensorFlow.js direkt in deinem Browser; dein Fortschritt bleibt lokal auf deinem Gerät.
Was kostet HerrKI?
Nichts. HerrKI ist ein kostenloses, privates Hobbyprojekt von Terragon.de.
Wer macht HerrKI?
Ein einzelner Mensch hinter Terragon.de. HerrKI ist ein privates, nicht kommerzielles Hobbyprojekt — von einem Menschen gemacht, mit KI-Unterstützung, redaktionell geprüft. Keine Gewähr für Vollständigkeit und Richtigkeit; Fehler gern melden.
Ich unterrichte — darf ich HerrKI im Unterricht einsetzen?
Ja, ausdrücklich. Alle Texte, Bilder, interaktiven Module und Handouts stehen unter CC BY 4.0: kopieren, ausdrucken, kürzen und für die eigene Klasse umbauen ist erlaubt, nur die Quelle soll genannt werden. Wie das praktisch geht — live am Beamer, als schwarz-weiß-kopierfähiges PDF-Handout oder als Folien für den eigenen Vortrag — steht auf der Seite Für Lehrkräfte.
Wie bekannt ist HerrKI schon?
HerrKI ist seit dem 4. September 2026 unter dieser Adresse online — also noch ziemlich frisch. Welche Suchmaschinen und KI-Plattformen die Seiten schon gelesen haben, von wo Besucher kommen und wie die Zahlen wachsen, zeigt die Seite Reichweite live aus den Server-Logs: ohne Cookies und ohne personenbezogene Daten.