HerrKI mit seinem RoboterHerrKI KI verstehen · nachbauen · anwenden ⭐ 0 XP

Was heißt eigentlich „Lernen“?

Regeln schreiben vs. Beispiele zeigen: Erlebe den Kreislauf raten → messen → nachjustieren einmal komplett — ohne eine einzige Formel.

👋 HerrKI hier — bevor wir loslegen, klären wir DIE Frage überhaupt

🧭 Einfach gesagt: Du rätst eine Zahl, hörst nur „zu hoch“ oder „zu tief“ und justierst nach — schon lernst du wie jede KI: raten, messen, nachjustieren.

Deine Foto-App findet alle Katzenbilder. Dein Mail-Programm sortiert Spam aus. ChatGPT beantwortet deine Fragen. Und alle sagen: „Die KI hat das gelernt.“ Aber was soll das heißen — ein Computer, der lernt? In diesem Kapitel erlebst du es selbst. Zweimal. Und am Ende weißt du, warum es den ganzen Rest dieses Kurses gibt.

🎯 Was du hier lernst:
  • ✅ Den Unterschied zwischen Regeln schreiben und Beispiele zeigen
  • ✅ Warum „Hund oder Katze“ an jeder handgeschriebenen Wenn-dann-Regel scheitert
  • ✅ Wie sich Lernen anfühlt, wenn du selbst das Modell bist — beim Zahlenraten
  • ✅ Den Lern-Kreislauf: raten, Fehler messen, nachjustieren, wiederholen
  • ✅ Warum dafür alles zu Zahlen werden muss — Stichwort Tensoren

🛤️ Zwei Wege, einem Computer etwas beizubringen

🧑‍💻 Weg 1: Klassisches Programmieren

Der Mensch schreibt die Regel. „Wenn die E-Mail das Wort GEWINN enthält, dann Spam.“ Der Computer führt stur aus. Das funktioniert großartig — solange sich die Aufgabe in Regeln fassen lässt.

Beispiele: Steuerberechnung, Ampelschaltung, Überweisungen.

🤖 Weg 2: Machine Learning

Der Mensch zeigt Beispiele. „Hier sind 1.000 Spam-Mails und 1.000 normale — finde selbst heraus, woran man sie erkennt.“ Die Maschine sucht die Regel, die zu den Beispielen passt.

Beispiele: Gesichter erkennen, Sprache verstehen, Katzen finden.

Klingt, als wäre Weg 1 solider? Dann versuch es. Ernsthaft — gleich hier:

🎮 Runde 1: DU bist der Programmierer

Vor dir stehen 12 Tiere. Schreib die Regeln, die Hunde von Katzen trennen — du hast drei Merkmale zur Auswahl. Schaffst du 12 von 12?

💡 Merkst du was? Egal wie du die Regeln kombinierst — irgendein Tier tanzt immer aus der Reihe: der kleine Chihuahua mit den Spitzohren, die große Maine-Coon-Katze … Die Welt ist voller Ausnahmen, und für „Hund vs. Katze“ kann kein Mensch die Regel aufschreiben. Genau an dieser Sorte Aufgabe scheitert Weg 1 — und genau dafür wurde Machine Learning erfunden.

🎲 Wie lernt dann die Maschine? So wie du — beim Raten

🎮 Runde 2: DU bist das Modell

Ich habe mir eine Zahl zwischen 1 und 100 gedacht. Rate! Ich sage dir nach jedem Versuch nur, ob du zu hoch oder zu tief liegst.

🔄 Der Lern-Kreislauf

Was du gerade getan hast, macht jedes KI-Modell — nur millionenfach schneller:

1Raten — mit irgendeiner Antwort anfangen (am Anfang: Zufall)

2Fehler messen — wie weit liegt die Antwort daneben?

3Nachjustieren — ein kleines Stück in die bessere Richtung

4Wiederholen — tausende Male, bis der Fehler klein ist

Mehr ist „Lernen“ nicht. Kein Bewusstsein, keine Magie — raten, messen, nachjustieren. Der ganze Rest dieses Kurses füllt nur die Details: Wie misst man Fehler als Zahl? (Kapitel „Wie falsch ist falsch?“) Wie justiert man geschickt nach? („Gradient Descent“)

🔬 Runter zum Tensor: Und wo sind jetzt die Zahlen?

Ein Computer kann nicht auf „Ohren“ oder „Schnauze“ schauen — er kann nur rechnen. Damit die Maschine aus Beispielen lernen kann, muss also alles zu Zahlen werden: Bilder, Tabellen, Texte. Diese Zahlenpakete haben einen Namen: Tensoren. Und genau die schauen wir uns im nächsten Kapitel an — dann weißt du auch, WOZU.

🔙 Zurück zur Anwendung

Erinnerst du dich an Runde 1? Du hast versucht, „Hund oder Katze“ in ein paar Wenn-dann-Regeln zu pressen — und bist an jedem Chihuahua und jeder Maine Coon gescheitert. Genau deshalb schreibt bei deiner Foto-App niemand mehr Regeln auf: Sie bekommt Millionen Beispielbilder, rät, misst ihren Fehler und justiert nach — wieder und wieder. Und DESHALB kann dein Handy heute Katzenbilder finden, ohne dass irgendwo im Code steht, was eine Katze ist — es hat die Regel selbst aus Beispielen gezogen, statt sie vorgeschrieben zu bekommen. Dasselbe gilt für den Spam-Filter und für ChatGPT: alles derselbe Kreislauf, nur mit anderen Beispielen.

Eines fehlt aber noch: „Beispiele zeigen“ klappt nur, wenn die Maschine sie auch rechnen kann. Wie aus einem Katzenfoto ein Paket aus Zahlen wird, siehst du gleich in „Was sind Tensoren?“.

📚 Zum Weiterlesen

  • Das Standardwerk: Tom Mitchell, „Machine Learning“ — cs.cmu.edu/~tom/mlbook.html — hier steht die Definition von „Lernen“, auf die sich bis heute alle berufen (Erfahrung, Aufgabe, Gütemaß)
  • Zum Weitermachen: Google, Machine Learning Crash Course — developers.google.com/machine-learning/crash-course — kostenloser Kurs, der genau da ansetzt, wo unser Lern-Kreislauf aufhört (auf Englisch)
  • Zum Anschauen: 3Blue1Brown, Neural Networks — 3blue1brown.com/topics/neural-networks — die schönsten Videos dazu, wie sich „nachjustieren“ im Inneren eines Netzes anfühlt

🧠 Kurzer Check — hast du es?

1. Was ist der Kernunterschied zwischen klassischem Programmieren und Machine Learning?
2. Warum lässt sich „Hund vs. Katze“ nicht mit ein paar Wenn-dann-Regeln lösen?
3. Aus welchen Schritten besteht der Lern-Kreislauf?

✅ Das nimmst du mit

  • Programmieren heißt: Regeln schreiben. Du sagst dem Computer Schritt für Schritt, was er tun soll — perfekt für Steuer und Ampel.
  • Machine Learning heißt: Beispiele zeigen. Du lieferst Eingabe und richtige Antwort, die Regel sucht sich die Maschine selbst.
  • Handgeschriebene Regeln scheitern an Ausnahmen. Chihuahua klein, Maine Coon groß — zu jeder Regel gibt es ein Tier, das sie widerlegt.
  • Der Lern-Kreislauf ist immer derselbe: raten, Fehler messen, nachjustieren, wiederholen — millionenfach.
  • Dafür muss alles zu Zahlen werden. Bilder, Tabellen, Texte — die Zahlenpakete dahinter heißen Tensoren.

📎 So zitierst du dieses Kapitel

HerrKI: Was heißt eigentlich „Lernen“?. herrki.de/005_was_ist_lernen, ein privates Hobbyprojekt von Terragon.de, abgerufen am 4. November 2026.

Lizenz: CC BY 4.0 — frei nutzen, teilen, anpassen. Nennung: „HerrKI (herrki.de), ein privates Hobbyprojekt von Terragon.de“.

📄 Handout als PDF (für Lehrkräfte, mit Lösungen)