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.
👋 HerrKI hier — heute bringst DU die Daten mit
In allen bisherigen Kapiteln habe ich dir die Daten hingelegt: zehn Wohnungen, ein paar Blüten, ein Handvoll Messpunkte. Praktisch zum Lernen — aber es fehlte immer die eine Sache, die aus einem Lehrbeispiel ein Werkzeug macht: deine eigene Tabelle.
Ab jetzt ist das anders. Du hast bestimmt irgendwo eine CSV-Datei liegen — die Stromverbrauchs-Historie aus dem Zählerportal, die Trainingszeiten aus deiner Lauf-App, die Verkaufszahlen aus dem Kassensystem, die Messreihe aus dem Labor, die Klassenarbeits-Noten. Genau die schiebst du gleich in dieses Kapitel — und in etwa 30 Sekunden Rechenzeit hast du ein trainiertes neuronales Netz darauf.
- Wie aus einer Textdatei mit Semikolons ein Tensor wird — Schritt für Schritt, ohne Zauberei
- Warum die Frage „welche Spalte ist das Ziel?“ die wichtigste Entscheidung überhaupt ist
- Wann dein Problem eine Regression ist und wann eine Klassifikation — und woran man das an den Daten sieht
- Wie du am Validierungs-Loss live erkennst, ob dein Netz lernt oder nur auswendig lernt
- Und am Ende: eine echte Vorhersage auf Zahlen, die du selbst eintippst
💡 Roter Faden: Wie immer gehen wir von oben nach unten — von deiner Tabelle runter bis zur normalisierten Zahlenmatrix, die dein Browser dem Netz vorlegt — und dann wieder hoch bis zu einer Vorhersage, die in deiner Einheit steht: Euro, Sekunden, Kilowattstunden.
🔒 Deine Daten bleiben auf deinem Gerät
Das ist kein Marketing-Satz, sondern eine technische Tatsache — und du kannst sie überprüfen: Deine Datei wird nicht hochgeladen. Es gibt in diesem Kapitel keine einzige Zeile Code, die etwas an einen Server schickt.
- Der Browser liest die Datei über die
FileReader-Schnittstelle direkt von deiner Festplatte in den Arbeitsspeicher. - Das Training läuft mit TensorFlow.js auf deinem Prozessor (bzw. deiner Grafikkarte) — dieselbe Bibliothek, die du schon aus den Praxis-Kapiteln kennst.
- Nichts wird gespeichert. Seite neu laden = alles weg. Auch wir sehen deine Zahlen nie.
Wenn du misstrauisch bist (sehr gesund!): Öffne die Entwicklertools deines Browsers, Reiter „Netzwerk“, und lade dann deine Datei. Du wirst dort keine Übertragung sehen — nur das Nachladen dieser Seite selbst.
🧪 Deine CSV-Werkstatt
1Datei hereinlegen
Zieh deine CSV-Datei in das Feld — oder klick hinein und such sie aus. Ideal ist eine Tabelle mit einer Kopfzeile und ein paar Dutzend bis ein paar tausend Datenzeilen. Aus Excel oder LibreOffice bekommst du so etwas über „Speichern unter → CSV“.
Nichts zur Hand? Kein Problem:
2Was der Parser mit deiner Datei anstellt
Eine CSV-Datei ist nichts weiter als Text mit Trennzeichen — genau so sieht sie innen aus:
Klingt einfach — ist es aber nicht ganz, denn die Welt exportiert CSV auf sehr unterschiedliche Weise. Deshalb steckt hinter diesem Kapitel ein von Hand geschriebener Parser (keine fremde Bibliothek!), der vier klassische Stolperfallen abräumt:
- Trennzeichen raten: Deutsches Excel schreibt
;, englische Werkzeuge,, Datenbanken oft einen Tabulator. Wir zählen einfach, welches Zeichen in der Kopfzeile am häufigsten vorkommt — das ist mit großer Sicherheit der Trenner. - Deutsche Dezimalkommas:
3,5soll 3,5 heißen und nicht zwei Spalten. Wir wandeln Komma zu Punkt — aber nur, wenn die ganze Spalte sonst aus Zahlen besteht. Sonst würde aus „Müller, Anna“ plötzlich eine Zahl. - Anführungszeichen:
"Berlin, Mitte"ist ein Feld, kein zwei. Der Parser merkt sich, ob er gerade innerhalb von Anführungszeichen läuft, und ignoriert Trennzeichen dort. - Kaputte Zeilen: leere Zeilen fliegen raus, zu kurze Zeilen werden aufgefüllt, zu lange abgeschnitten — und du bekommst dazu eine ehrliche Meldung statt eines stummen Absturzes.
Das Ergebnis ist eine saubere Tabelle im Arbeitsspeicher: eine Liste von Zeilen, jede Zeile eine Liste von Feldern. Von dort ist es nicht mehr weit zum Tensor — siehe „Tabellen als Tensoren“.
3Vorschau — stimmt das so?
Warum die Typ-Pillen wichtig sind: Ein Netz rechnet ausschließlich mit Zahlen. Eine Spalte, in der auch nur ein Wort steht, ist für die Eingabeseite erst einmal tabu — was du unten gleich merken wirst, weil sie ausgegraut ist.
4Die wichtigste Entscheidung: Was rein, was raus?
Jetzt kommt der Teil, den keine KI dir abnimmt — weil er nichts mit Mathematik zu tun hat, sondern mit deiner Fragestellung. Eingaben sind das, was du weißt. Das Ziel ist das, was du wissen willst.
📥 Eingaben (Features)
Was das Netz sehen darf — mindestens eine Spalte.
🎯 Das soll vorhergesagt werden
Genau eine Spalte — die Antwort, die das Netz lernen soll.
5Der Blick nach unten: Das macht dein Browser gleich aus deiner Tabelle
Bevor irgendetwas trainiert wird, schauen wir uns an, was das Netz tatsächlich zu sehen bekommt. Aus deinen Zeilen wird eine Matrix — ein Tensor 2. Stufe, genau wie in „Was sind Tensoren?“. Hier die ersten drei Zeilen, so wie sie in deiner Datei stehen:
So gehen die Zahlen aber nicht ins Netz. Eine Spalte mit Werten um 100.000 würde eine Spalte mit Werten
um 3 komplett überbrüllen — der Grund dafür steht ausführlich in
„Alles auf eine Skala“. Deshalb rechnen wir jede Spalte
auf Mittelwert 0 und Streuung 1 um: (Wert − Mittelwert) ÷ Standardabweichung.
Dieselben drei Zeilen sehen danach so aus:
6Training — jetzt rechnet dein Gerät
- Beide fallen gemeinsam: Perfekt. Das Netz findet ein Muster, das auch für Zeilen gilt, die es nie gesehen hat.
- Trainings-Loss fällt, Validierungs-Loss steigt wieder: Das ist der Moment, in dem das Netz aufhört zu lernen und anfängt auswendig zu lernen — es merkt sich deine Trainingszeilen samt Zufallsrauschen. Fachbegriff: Overfitting. Bei wenigen Zeilen passiert das schnell.
- Beide bleiben hoch und flach: In deinen Eingaben steckt die Antwort wahrscheinlich schlicht nicht drin. Kein Grund zur Scham — das ist ein echtes Forschungsergebnis über deine Daten.
7Wie gut ist es geworden?
8Und wieder nach oben: deine eigene Vorhersage
Hier schließt sich der Bogen. Du tippst Zahlen ein, dein Browser normalisiert sie mit exakt denselben
Mittelwerten wie beim Training, schickt sie als Tensor der Form [1, k] durch das Netz — und
rechnet das Ergebnis zurück in deine Einheit.
⚠️ Ehrlich bleiben: was diese Werkstatt nicht kann
- Es ist ein kleines Netz. Eine versteckte Schicht mit 16 Neuronen, 150 Epochen, feste Einstellungen. Das reicht erstaunlich weit für Tabellendaten — aber es ist bewusst ein Werkzeug zum Verstehen, kein Produktionsmodell. Wer ernsthaft mit Tabellen arbeitet, greift in der Praxis oft gar nicht zum neuronalen Netz, sondern zu Gradient-Boosting-Verfahren.
- Text- und Bildspalten bleiben draußen. „Berlin“ oder „Prenzlauer Berg“ sind für das Netz erst dann nutzbar, wenn sie zu Zahlenvektoren werden — genau das sind Embeddings, siehe „Semantische Suche“. Als Ziel darf Text hier trotzdem stehen: dann wird daraus eine Klassifikation.
- Wenige Zeilen = wackelige Aussagen. Bei 12 Zeilen (wie im Beispiel) landen nur 2–3 Zeilen im Testteil. Was da herauskommt, ist eher eine Anekdote als eine Messung. Ab ein paar hundert Zeilen wird es belastbar.
- Und das Wichtigste: Das Netz findet Muster, keine Wahrheiten. Wenn „Zahl der Störche“ die „Zahl der Geburten“ gut vorhersagt, hat das Netz recht — und trotzdem bringt der Storch keine Kinder. Korrelation ist keine Kausalität, und kein Loss-Wert der Welt ändert daran etwas. Diese Unterscheidung bleibt deine Aufgabe.
🧭 Ausblick: Das war das erste Kapitel der Kategorie „Interaktiv“ — der Werkstatt-Abteilung dieser Plattform. Als Nächstes entstehen hier: ein Ziffern-Netz, dem du mit der Maus deine eigenen Zahlen malst, Objekterkennung auf deinen Fotos, Bewegungserkennung über die Webcam und eine Bild-KI, die du mit einer Handvoll eigener Fotos umtrainierst. Immer nach demselben Versprechen: deine Daten, dein Gerät.