Ihr KI-Lernpfad: 46 Themen, chronologisch, eine Woche pro Thema

Wenn du 2026 KI lernen möchtest und keine Ahnung hast, wo du anfangen sollst, ist diese Seite genau das Richtige für dich.

Das Internet ist voll mit KI-Ratschlägen. Der Großteils davon ist entweder:

1. Ein Verkaufsgespräch für einen 2.000-Dollar-Kurs
2. Eine Liste von 100 Links ohne jede Ordnung
3. Ein Lehrbuch auf PhD-Niveau, das dich auf Seite eins verschreckt
4. Ein Hype-Video über AGI, das dir nichts Praktisches vermittelt

Du brauchst nichts davon. Du brauchst eine Reihenfolge. Du musst wissen, was du zuerst lernen solltest, was aufeinander aufbaut, was du überspringen kannst und wie tief du gehen musst.

Dieser Fahrplan liefert genau das. Es ist die Reihenfolge, die ich empfehle, um KI zu lernen – vom absoluten Anfänger bis zu jemandem, der echte KI-Produkte bauen und ausliefern kann. Zu jedem Thema gibt es einen Artikel, der hier veröffentlicht wird, einer pro Woche. Setze diese Seite als Lesezeichen. Kehre hierher zurück. Die Links werden aktiv, sobald die Artikel erscheinen.

Es werden keine Vorkenntnisse vorausgesetzt. Kein Informatikstudium erforderlich. Keine Mathe-Panik.

So funktioniert's

Hier sind die Grundregeln, bevor wir beginnen:

1. Bearbeite die Themen in der richtigen Reihenfolge. Jedes baut auf dem vorherigen auf. In der ersten Woche mit LLMs zu beginnen, ist, als würde man ein Haus mit dem Dach anfangen.
2. Ein Thema pro Woche ist das Tempo. Das gibt dir Zeit zum Lesen, Programmieren und tatsächlich etwas zu bauen. Tutorials nur zu verschlingen, ist kein Lernen.
3. Mach die praktische Übung in jedem Artikel. Über neuronale Netze zu lesen, ohne eines zu schreiben, ist wie über Schwimmen zu lesen, ohne nass zu werden.
4. Du musst nicht bis zum Ende durchgehen. Wenn du nur KI-Kompetenz möchtest, höre nach Phase 3 auf. Wenn du LLM-Apps bauen möchtest, gehe bis Phase 9. Du entscheidest.
5. Gesamtlänge der gesamten Serie: ca. 107.000 Wörter. Das klingt viel, ist aber kürzer als ein durchschnittliches Lehrbuch, und jeder Artikel steht für sich allein.

Die 12 Phasen auf einen Blick

Es gibt 12 Phasen, gruppiert vom totalen Anfänger bis zum produktionsbereiten Praktiker. Hier ist der große Überblick, bevor wir eintauchen.

Phase

Themenbereich

Wer braucht es?

Artikel

0

Denkweise und Orientierung

Jeder

3

1

Voraussetzungen (Python, Mathe, Bibliotheken)

Jeder, der bauen möchte

4

2

Daten (Beschaffung, Bereinigung, EDA)

Jeder, der bauen möchte

5

3

Klassisches maschinelles Lernen

Jeder

6

4

Grundlagen des Deep Learning

Jeder, der über klassisches ML hinausgeht

5

5

Zentrale neuronale Architekturen (CNNs, RNNs, Transformer)

Jeder, der mit DL baut

3

6

NLP und LLMs

Die meisten Leute im Jahr 2026

5

7

Weitere DL-Bereiche (Bildverarbeitung, Gen-Modelle, Sprache, RL)

Wähle die für dich relevanten aus

4

8

KI-Agenten und reale Anwendungen

Entwickler

3

9

MLOps und Produktion

Jeder, der echte Produkte ausliefert

4

10

Verantwortungsvolle KI und das große Ganze

Jeder

4

11

Aktuell bleiben und Spezialisierung

Langfristiges Wachstum

5

Du musst nicht jedes einzelne Thema in den Phasen 7-11 bearbeiten. Nach Phase 6 kannst du dich spezialisieren. Aber die Phasen 0-6 sind der Kern.

Die 3 Meilenstein-Projekte

An drei Punkten auf dem Weg wirst du ein echtes Projekt bauen, das alles bis dahin Gelernte zusammenführt. Das sind deine Portfolio-Stücke.

Meilenstein

Wann du ihn erreichst

Was du baust

Meilenstein 1

Ende von Phase 3

Komplette tabellarische ML-Pipeline (Datenbereinigung + EDA + klassisches Modell) – z.B. Titanic-Überlebensvorhersage oder Hauspreismodell

Meilenstein 2

Ende von Phase 5

Ein neuronales Netz, das in PyTorch von Grund auf trainiert wurde – entweder ein Bildklassifikator (CNN) oder Textklassifikator

Meilenstein 3

Ende von Phase 9

Ein bereitgestellter LLM-gestützter RAG-Chatbot mit FastAPI-Backend und einfacher Benutzeroberfläche, live im Internet

Wenn du diese drei Projekte abschließt, bist du nicht mehr jemand, der „KI lernt". Du kannst KI.

Phase für Phase, Artikel für Artikel

Unten ist die vollständige Liste. Jeder Artikel wird hier verlinkt, sobald er erscheint. Setze diese Seite als Lesezeichen und schau wöchentlich vorbei.

Phase 0: Denkweise und Orientierung (Starte hier)

Wochen 1-3. Jeder fängt hier an, keine Ausnahmen. Hier töten wir den Hype, definieren Begriffe und setzen Erwartungen.

1. Woche 1: KI, ML, DL, Generative KI, AGI: Endlich eine Anleitung, die sie auseinanderhält - jetzt live
2. Woche 2: [Solltest du 2026 KI lernen? Die ehrliche Antwort, je nachdem, wer du bist] [demnächst verfügbar]
3. Woche 3: [Wie man KI lernt, ohne ein Jahr in der Tutorial-Hölle zu verschwenden] [demnächst verfügbar]

Phase 1: Voraussetzungen (Die Grundlage, die du wirklich brauchst)

Wochen 4-7. Ohne Python wirst du keine KI lernen. Aber du brauchst nicht ganz Python. Wir werden genau die Teilmenge behandeln, die du brauchst, die Mathematik, die du tatsächlich verwenden wirst, und die drei Bibliotheken, die alles ermöglichen.

1. Woche 4: Deine erste Woche mit Python: Die einzige Teilmenge, die du brauchst, bevor du KI anfasst [demnächst verfügbar]
2. Woche 5: NumPy, Pandas, Matplotlib: Die drei Bibliotheken, die jedes KI-Projekt ermöglichen [demnächst verfügbar]
3. Woche 6: Die Mathematik, die du für KI wirklich brauchst – erklärt, als hättest du nie einen Analysis-Kurs besucht [demnächst verfügbar]
4. Woche 7: Bevor du ein Modell auswählst, lerne, die richtige Frage zu stellen [demnächst verfügbar]

Phase 2: Daten – Der Treibstoff der KI

Wochen 8-12. 80% der KI-Arbeit ist Datenarbeit. Dies ist die Phase, die die meisten Kurse auslassen, und der Grund, warum ihre Schüler bei echten Projekten scheitern.

1. Woche 8: Daten sind das neue Öl – aber die meisten Anfänger wissen nicht, wie sie tatsächlich aussehen [demnächst verfügbar]
2. Woche 9: Wo du echte Daten für deine KI-Projekte bekommst (ohne einen Cent zu bezahlen) [demnächst verfügbar]
3. Woche 10: Warum die Datenbereinigung 80% der Zeit eines KI-Ingenieurs frisst – und wie man es richtig macht [demnächst verfügbar]
4. Woche 11: Explorative Datenanalyse: Der Schritt, der dir sagt, ob dein Projekt überhaupt funktionieren wird [demnächst verfügbar]
5. Woche 12: Feature Engineering: Die Kunst, rohe Daten in etwas zu verwandeln, von dem ein Modell tatsächlich lernen kann [demnächst verfügbar]

Phase 3: Klassisches maschinelles Lernen

Wochen 13-18. Vor dem Deep Learning gab es ML, und die meiste produktive KI in der realen Welt ist immer noch klassisches ML. Du kannst das nicht überspringen. Wenn du es tust, wirst du nicht verstehen, warum Deep Learning etwas Besonderes ist oder wann man es nicht verwenden sollte.

1. Woche 13: Wie „lernt" eine Maschine eigentlich? Die Kernidee hinter jedem KI-Modell [demnächst verfügbar]
2. Woche 14: Dein erstes Modell für maschinelles Lernen: Lineare Regression, Zeile für Zeile erklärt [demnächst verfügbar]
3. Woche 15: Die Welt klassifizieren: Logistische Regression und die Metriken, die nicht lügen [demnächst verfügbar]
4. Woche 16: Der klassische ML-Werkzeugkasten: 5 Algorithmen, die jeder KI-Praktiker auswendig kennen sollte [demnächst verfügbar]
5. Woche 17: Warum Modelle, die gemeinsam abstimmen, gemeinsam gewinnen: Random Forests, XGBoost und die Macht von Ensembles [demnächst verfügbar]
6. Woche 18: Bias, Varianz und warum dein Modell heimlich beim Testdatensatz schummelt [demnächst verfügbar]

🏁 Zeit für Meilenstein 1 Projekt. Baue eine komplette tabellarische ML-Pipeline von Anfang bis Ende.

Phase 4: Grundlagen des Deep Learning

Wochen 19-23. Jetzt gehen wir in die Tiefe. Wir werden mit einem einzelnen Neuron beginnen, bis zu vollständigen neuronalen Netzen aufbauen und lernen, warum sie funktionieren, warum sie scheitern und wie man sie richtig trainiert.

1. Woche 19: Warum Deep Learning alles verändert hat – und wann du stattdessen immer noch klassisches ML verwenden solltest [demnächst verfügbar]
2. Woche 20: Neuronale Netze erklärt – ohne eine einzige Gleichung (na ja, fast) [demnächst verfügbar]
3. Woche 21: Backpropagation: Der Analysis-Trick, der jedes neuronale Netz lehrt [demnächst verfügbar]
4. Woche 22: Baue dein erstes neuronales Netz an diesem Wochenende – in 50 Zeilen PyTorch [demnächst verfügbar]
5. Woche 23: Warum dein neuronales Netz nicht trainieren wird – und die 7 Tricks, die fast alles beheben [demnächst verfügbar]

Phase 5: Zentrale Architekturen neuronaler Netze

Wochen 24-26. Die drei großen Architekturfamilien: CNNs für das Sehen, RNNs für die Sequenzhistorie und Transformer – die Erfindung, die 2017 alles veränderte und jedes moderne LLM antreibt.

1. Woche 24: Wie Computer das Sehen lernten: Eine visuelle Anleitung zu Convolutional Neural Networks [demnächst verfügbar]
2. Woche 25: Die Architektur, die versuchte, Sprache zu verstehen – und warum es fast funktioniert hat: RNNs und LSTMs [demnächst verfügbar]
3. Woche 26: Attention Is All You Need: Das Paper von 2017, das KI neu geschrieben hat – auf Deutsch erklärt [demnächst verfügbar]

🏁 Zeit für Meilenstein 2 Projekt. Trainiere ein CNN oder einen kleinen Transformer von Grund auf in PyTorch.

Phase 6: Natürliche Sprachverarbeitung und LLMs

Wochen 27-31. Dies ist die Phase, die 2026 alle interessiert. Wir werden von Wortzählungen bis zum Bau deines eigenen RAG-Chatbots gehen.

1. Woche 27: Maschinen das Lesen beibringen: Von Bag of Words zu Word Embeddings [demnächst verfügbar]
2. Woche 28: Vor den Transformern: Wie LSTMs Maschinen eine (flüchtige) Erinnerung an Sprache gaben [demnächst verfügbar]
3. Woche 29: BERT, GPT und der Transformer-Stammbaum: Wer macht was und warum [demnächst verfügbar]
4. Woche 30: Du musst GPT-4 nicht trainieren, um es zu nutzen: Ein praktischer Leitfaden zu Hugging Face [demnächst verfügbar]
5. Woche 31: In einem LLM: Wie Modelle im Chat-Maßstab tatsächlich funktionieren, vom Pre-Training bis zum RLHF [demnächst verfügbar]

Phase 7: Weitere Bereiche des Deep Learning

Wochen 32-35. Wähle die aus, die für dich wichtig sind. Du brauchst nicht alle vier.

1. Woche 32: Jenseits von „Katze oder Hund": Objekterkennung, Segmentierung und wie Vision Transformers die Welt sehen [demnächst verfügbar]
2. Woche 33: Vom Rauschen zur Kunst: Ein Rundgang durch generative KI – Autoencoder, GANs und die Diffusionsrevolution [demnächst verfügbar]
3. Woche 34: Wie Maschinen hören: Von Spektrogrammen zu Whisper, der KI, die alles transkribiert [demnächst verfügbar]
4. Woche 35: Lernen durch Versuch und Irrtum: Verstärkungslernen von Q-Tabellen bis PPO [demnächst verfügbar]

Phase 8: KI-Agenten und fortgeschrittene Anwendungen

Wochen 36-38. Die aktuelle Grenze im Jahr 2026: Agenten, die Werkzeuge verwenden, planen und in der Welt handeln.

1. Woche 36: Die nächste Welle der KI: Was Agenten sind, wie sie Werkzeuge verwenden und wie man heute Nachmittag einen baut [demnächst verfügbar]
2. Woche 37: Wo KI gerade jetzt tatsächlich einen Unterschied macht: Gesundheitswesen, Finanzen, Wissenschaft und die reale Grenze [demnächst verfügbar]
3. Woche 38: Wenn KI gleichzeitig sieht, hört und liest: Der Aufstieg multimodaler Modelle [demnächst verfügbar]

Phase 9: Produktion, Werkzeuge und MLOps

Wochen 39-42. Die Phase, die Tutorial-Befolger von Leuten trennt, die tatsächlich KI-Produkte ausliefern. Die meisten Online-Kurse überspringen dies vollständig.

1. Woche 39: Dein Notebook-Modell ist kein Produkt: Was es tatsächlich braucht, um KI auszuliefern [demnächst verfügbar]
2. Woche 40: MLOps ohne die Unternehmens-Schlagwörter: Versionierung, Nachverfolgung und Reproduzierbarkeit für den Rest von uns [demnächst verfügbar]
3. Woche 41: Wie man ein KI-Modell für echte Benutzer bereitstellt (ohne DevOps-Burnout) [demnächst verfügbar]
4. Woche 42: Von RAG zur Produktion: Echte LLM-Apps bauen, die dich nicht in Verlegenheit bringen [demnächst verfügbar]

🏁 Zeit für Meilenstein 3 Projekt. Bringe deinen RAG-Chatbot live.

Phase 10: Verantwortungsvolle KI und das große Ganze

Wochen 43-46. KI ist nicht nur Code. Sie berührt die reale Welt. Du musst Bias, Sicherheit, Erklärbarkeit und den breiteren Kontext verstehen.

1. Woche 43: Dein Modell hat Meinungen: Bias, Fairness und warum „gute Daten" niemals ausreichen [demnächst verfügbar]
2. Woche 44: KI schaffen, die nichts kaputt macht: Sicherheit, Alignment und das schwierigste Problem der KI derzeit [demnächst verfügbar]
3. Woche 45: Das Black-Box-Problem: Wie man KI-Entscheidungen erklärt, wenn das Modell selbst es nicht weiß [demnächst verfügbar]
4. Woche 46: KI und der Rest der Welt: Jobs, Kreativität, Klima und die Fragen, die kein Tutorial beantworten wird [demnächst verfügbar]

Phase 11: Aktuell bleiben und tiefer gehen

Woche 47+. KI-Lernen hört nicht auf. Nach den Kern-46 Wochen erfährst du hier, wie du weiter wächst.

1. Wie man ein KI-Paper ohne Promotion liest (und tatsächlich versteht) [demnächst verfügbar]
2. Das KI-Portfolio, das dir tatsächlich Vorstellungsgespräche bringt (keine Spielzeugprojekte, die niemand liest) [demnächst verfügbar]
3. Du lernst KI nicht allein: Die Communities, Konferenzen und Ecken des Internets, die es wert sind, beigetreten zu werden [demnächst verfügbar]
4. Du kannst nicht die gesamte KI lernen – So wählst du eine Spezialisierung, die zu dir passt [demnächst verfügbar]
5. Die einzige KI-Fähigkeit, die in 5 Jahren nicht veraltet sein wird: Lernen, wie man lernt [demnächst verfügbar]

Ungefähre Zeitangaben

Dies ist kein Rennen. Die Tabelle unten gibt dir realistische Zeitpläne, je nachdem, wie viel Zeit du hast.

Zeitaufwand pro Woche

Zeit bis zum Abschluss des Kerns (Phasen 0-6)

Zeit bis zum Abschluss aller 11 Phasen

5-10 Stunden (ernsthaftes Nebenprojekt)

~6 Monate

~1 Jahr

10-15 Stunden (engagiert)

~4 Monate

~8 Monate

30+ Stunden (Vollzeit)

~6 Wochen

~3 Monate

Beständigkeit schlägt Pauken. 30 Minuten am Tag, jeden Tag, ist besser als 8 Stunden am Sonntag und nichts für den Rest der Woche.

Was du am Ende können wirst

Wenn du die Kernphasen (0-6) plus Phase 9 abschließt, wirst du in der Lage sein:

• Den Unterschied zwischen echter KI und Marketing-Hype zu erkennen
• Python-Code für Datenanalyse und ML zu schreiben
• Reale Datensätze zu bereinigen, zu erkunden und vorzubereiten
• Klassische ML-Modelle zu bauen, zu trainieren, zu bewerten und abzustimmen
• Zu verstehen, wie neuronale Netze und Transformer funktionieren
• Vortrainierte Sprachmodelle für deine eigenen Aufgaben feinabzustimmen
• RAG-Chatbots über deine eigenen Dokumente zu bauen
• Modelle als APIs mit FastAPI bereitzustellen
• Funktionierende KI-Produkte auszuliefern
• KI-Nachrichten und Paper mit kritischem Blick zu lesen
• Zu wissen, was du nicht weißt

Das ist genug, um einen Job als Junior ML/AI-Ingenieur zu bekommen, nützliche KI-Werkzeuge für deine aktuelle Arbeit zu bauen oder in die Forschung einzusteigen, falls dich das interessiert.

Wie man diese Seite nutzt

1. Setze sie als Lesezeichen. Dies ist dein Inhaltsverzeichnis.
2. Beginne mit Woche 1. Nicht überspringen.
3. Schau wöchentlich vorbei. Neue Artikel erscheinen jede Woche. Links erscheinen oben.
4. Mach die Übungen. Lesen ist nicht lernen.
5. Baue die drei Meilenstein-Projekte. Sie sind dein Beweis, dass du dies tatsächlich kannst.

Wenn du dich jemals verloren fühlst, komm hierher zurück. Der Pfad ändert sich nicht. Die Werkzeuge werden kommen und gehen (neue Frameworks, neue Modelle, neue Startups), aber die Grundlagen in diesem Fahrplan werden in fünf Jahren immer noch das sein, was zählt.

Wir sehen uns in Woche 1.

🔔 Bleib in der KI vorn

Wenn du diesem Fahrplan folgst und praktische KI-Werkzeuge erhalten möchtest, die dir jede Woche während des Lernens zugestellt werden, abonniere den kostenlosen ByteBuilders-Newsletter. Jede Ausgabe bietet dir:

• 1000+ KI-Aufforderungen, die du kopieren und sofort verwenden kannst
• Praktische KI-Werkzeuge, getestet und erklärt
• Automatisierungs-Workflows, die dir Stunden sparen
• Produktivitäts-Anwendungsfälle für Arbeit und Lernen
• Kuratierte KI-Ressourcen, um deine Fähigkeiten scharf zu halten

Tausenden von Entwicklern und Lernern, die diesem Fahrplan folgen, beitreten:

++ByteBuilders kostenlos abonnieren →++