Bei Schulfächern ist die Sache klar: Mathe-Grundlagen lernt man bereits in der Vorschule, beziehungsweise zusammen mit Lesen und Schreiben spätestens in der Grundschule. Hier wird einem außerdem in -je nach Bundesland- im Heimat und Sachkundeunterricht viel mehr oder weniger nützliche Allgemeinbildung fürs Leben mitgegeben. Das ist zwar schön, von KI wird einem allerdings je nach gewähltem Lebensweg nie etwas beigebracht. Das ist schlecht. Sehr schlecht. Den als eine der Zukunftschancen und Technik, um im Wettbewerb stabil zu bleiben, ist KI ein echter Gamechanger. Doch wie so oft im Leben muss man sich das benötigte/gewünschte Wissen also selbst beibringen. Aus diesem Grund soll dieser Artikel hier einen (Grob-) Überblick über potenzielle und von mir geprüfte Lernquellen bezüglich KI-Wissen geben. Ziel ist es darüber hinaus, diesen Artikel unregelmäßig bei Bedarf upzudaten. Ich bin nicht nur deshalb um jeden Hinweis und Tipp für einen weiteren „Weg des Lernens“ außerordentlich froh. Ich denke, ihr wisst, wie ihr mich erreicht : ). Selbstverständlich werde ich etwaige Aktualisierungen stets auf meinem LinkedIn sowie der constai.de Instagram Seite ankündigen.


Möglichkeiten zur KI-Weiterbildung, Auswahl, zusätzlich: z.B. Kaggle-Challenges [eigene Abbildung]


Als erster Schritt des Lernprozesses empfiehlt es sich, sich ein Lernziel zu setzen, bzw. zu konkretisieren, welches Wissen man den gerne erlangen möchte. Dabei wäre eine Vorgehensweise, dass man zunächst sein bereits vorhandenes Wissen hinterfragt. Folgende beispielhafte Szenarien wären denkbar:

  • Ein ITler möchte sich in Richtung Data-Science weiterbilden (oder wird vom Chef dazu angehalten)
  • Ein Prozessingenieur möchte gerne die Sprache der Data-Science Kollegen verstehen
  • Ein KMU Entscheider würde sich gerne über mögliche Vorteile und „überhaupt“ das ganze Thema KI informieren
  • Ein Student interessiert sich sehr für das Thema KI und möchte sich, da sein Studium das maximal (mit ganz viel Glück) oberflächlich behandelt, weiteres Wissen anlesen (That‘s me!)
  • … (wenn ihr spezielle Fragen in eurer Situation habt, so schreibt mir gerne)

Diese verschiedenen Fälle kommen auf, da das Thema KI im Vergleich mit Sprache oder auch Aktienhandel nicht bei A anfängt, und dann mit der Zeit immer komplexer wird, sondern durch die branchenübergreifende Breite auch nach wenigen Minuten mit den Grundlagen schon unglaublich komplex werden kann. Das liegt auch daran, dass sich die KI sehr vielen Techniken (z.B. Mathematik, Informatik, Maschinenbau, Neurowissenschaft, etc.) bedient – und nicht nur mit den jeweiligen Grundlagen befasst, sondern alles abverlangt wird.

Steht also das konkrete Lernziel fest, so gibt es mehrere Möglichkeiten mit der Wissensgewinnung zu beginnen. Auch hierfür möchte ich im nachfolgenden gerne die Situation kurz beschreiben und darauf aufbauend Lernwege definieren.


  • First Things First: Überblick über KI & ML bekommen:
    Ihr befindet euch in der Situation, dass ihr noch gar keine (wirklichen) Kenntnisse bezüglich KI habt und seid deshalb festentschlossen, erstmal „die Basics zu machen.“  Dafür kann ich euch tatsächlich für einen Überblick und Einstieg YouTube Videos empfehlen, diese sind sogar auf deutsch:
    • Einen schnellen Überblick gibt dieses Video: https://www.youtube.com/watch?v=3RsmRMqX2IY&. Es gibt einen kurzen, aber nett illustrierten und leicht verständlichen Überblick. Es wird zusätzlich der Begriff Deep Learning eingeführt. Insgesamt empfehle ich euch allerdings, mindestens folgendes Video anzuschauen:
    • https://www.youtube.com/watch?v=Ip1a2JHdt3E ca. 8,5 Minuten schöne Aufbereitung der Themen KI, Machine Learning sowie Deep Learning. Außerdem befinden sich in der Videoleiste Zeitstempel mit den relevanten Inhalten. Kann ich uneingeschränkt als ersten Überblick empfehlen.
    • Eine weitere gute Art von Videos bieten meiner Meinung nach Vorlesungen und Vorträge zum Thema Deep Learning. Diese sind in der Regel zwischen einer halben Stunde bis 1,5h lang und decken sich teilweise im Inhalt. Diese Vorlesung von Prof. Dr. C. Bauckhage (Uni Köln) finde ich hier besonders gelungen: https://www.youtube.com/watch?v=4yrRKIgRWXk . Man bekommt einen Überblick über Geschichte, Techniken sowie Möglichkeiten der KI. Dauer: ca. 50 Minuten.


  • Nach dem Überblick folgt das Expertenwissen
    Nachdem ein für den weiteren Verlauf der Wissensreise essenzielles Grundverständnis für KI/ML aufgebaut wurde, so beginnt es erst richtig interessant zu werden. Warum? Wenn Sie nicht gerade an Algorithmen forschen (und dann würden Sie diese Anleitung hoffentlich nicht benötigen) – so wollen Sie Ihr KI Wissen doch sicher anwenden. Sei es für eine Predictive Maintenance Anwendung, ein Business Intelligence Projekt oder, oder, oder. Es empfiehlt sich daher auf Google nach konkreten Fachbereichen und Anwendungen zu suchen. Möchten Sie sich beispielsweise über KI im Maschinenbau informieren, so können Sie auch konkret nach Ihren Maschinen suchen. Hierzu einige Tipps für die Fachrecherche:
    • Suchen Sie auf Englisch
      KI ist eine weltweite Technologie und somit vor allem im englischen Zuhause
    • Probieren Sie zunächst „Machine Learning“ anstelle von „Artificial Intelligence“ zu suchen. So wird Ihre Suche zusätzlich konkretisiert und populärwissenschaftliche Beiträge vermieden.
    • Nach Suchergebnissen von medium.com Ausschau halten
      Im Internet gibt es unzählige „Open-Blog“ Plattformen wie beispielswiese medium.com. Auf Erfahrung kann ich Ihnen zumindest sagen, dass ich hier bei all meinen Recherchen noch nie enttäuscht wurde.
    • Unternehmenswebsites
      Oft haben Unternehmen auf Ihren Homepages relativ gute Blogs, die es sich lohnt zu lesen. Bei seriösen Unternehmen habe diese Artikel zwar einen Produktbezug, stellen allerdings nicht die Werbemaßnahme, sondern die Funktion der Expertenpositionierung in den Vordergrund.


  • Data Science- und Programmierskills aufbauen
    Die wahrscheinlich aufwendigste KI-Lernreise ist die des Data-Scientisten. Nur ein bisschen die Grundlagen von Keras und Pandas zu coden mag ja ganz nett sein, aber für die meisten Fälle ist da eher eine „Ganz oder gar nicht“ Mentalität gefragt. Fürs Verständnis mag es vielleicht ganz nett sein, aber von wirtschaftlichen Erfolgen durch einen KI-Anfänger Kurs kann ich (leider) nicht berichten. Den: Es wird sehr schnell sehr kompliziert und die Realität sind keine Onlinekurse. Sinn kann es allerdings machen, in die Thematik reinzuschnuppern, falls man für sich selbst herausfinden möchte, ob einen das Thema interessiert. Außerdem kann es für das interdisziplinäre arbeiten hilfreich sein, zumindest die verschiedenen Data-Science Schritte zu verstehen. Aber wie lernt man nun am besten Data Science? Ganz einfach: By Doing. Ich habe daher im Folgenden eine Step-by-Step Anleitung für angehende Data Scientisten erstellt:

    • „KI für Anfänger“-Kurse belegen
      Gibt es auf Udemy sehr gut, ich selbst habe beispielsweise diesen KI-Komplettkurs und darauf aufbauend diesen Data-Science Kurs belegt. Das sind insgesamt über 60h KI Basics (man benötigt mindestens die doppelte Zeit), Projekte, Data-Science und verschiedenste Python-Bibliotheken. Und das alles deutschsprachig. An dieser Stelle sei kurz erwähnt, dass ich Python (und nicht R oder Matlab) empfehle, da es hier die meisten Bibliotheken sowie Nachfrage auf dem Arbeitsmarkt als auch Angebote an Hilfestellungen und Materialien gibt.
      Zusätzlicher Tipp zu Udemy: Die haben ein echt komisches Pricing-Modell, manchmal kosten die Kurse 10€ und manchmal das über 100€,… dann einfach warten, da gibt es fast jede Woche eine Rabattaktion!
    • Projekte, Projekte, Projekte (das ist der Doing-Teil)
      An die Basis aufbauend folgt der Teil der Projekte. Nun werdet ihr zum Experten und wendet die erlernten Grundlagen in echten Projekten an. Dazu können euch Kaggle-Challenges, YouTube-Videos sowie Blogposts bezüglich KI-Tutorials dienen. Ich habe beispielsweise nach den zwei Online-Kursen an Produktionsdatensätzen gearbeitet und versucht, Verlustzeiten zu prognostizieren.
    • Domänenwissen erlangen
      Sobald Teil zwei der Step-by-Step Anleitung läuft, wird es Zeit, parallel den dritten Schritt der Data-Science Transformation zu belegen. In diesem eignet ihr euch das Domänenwissen an, da ihr für die Auswertung von Daten stets einen Zusammenhang verstehen müsst. Hierbei helfen euch Fachzeitschriften, Literatur sowie Blogs und Paper bezüglich der relevanten Themen.
    • Nachtrag 01.02.2021: Die Website/der Blog von Machine Learning Mastery bietet sehr gute und ausführliche Anleitungen inklusive Quellcode für die verschiedensten Themen rund ums ML. Nach constai.de meiner Meinung nach der beste Blog in der KI-Welt.


Ich möchte hierbei abschließend noch erwähnen, dass die Punkte zwei und drei nie enden und es sich immer lohnt, sich in einem Gebiet wie der KI auf dem aktuellsten Stand zu halten.

Ein guter Data-Scientist ist folglich kein reiner Informatiker, sondern gleichzeitig auch ein Fachmann auf seinem Anwendungsgebiet und ein lebenslanger Lerner.

Des Weiteren können Bücher und Podcasts einen sehr guten Überblick über das Feld der KI geben. Ich kann diesbezüglich an Büchern das englischsprachige Buch „Artificial Intelligence – A Modern Approach“ von S. Russell und P. Norvig sowie das Buch „Deep Learning with Python and Keras“ von François Collet empfehlen. Das erstere Buch ist dabei die generalistische KI-Bibel, welche so gut wie alle erdenklichen Themenfelder bezüglich KI und ML behandelt. Das Buch von Collet hingegen ist besonders für das Programmieren sowie für den Blick hinter die Codezeilen nützlich.

Bezüglich Podcasts kann ich zunächst den Podcast „KI in der Industrie“ von Robert Weber und Peter Seeberg empfehlen. Diesen Podcast höre ich seit Stunde null und habe demnächst auch das Vergnügen zusammen mit einem alten Freund interviewet worden zu sein. Der Podcast behandelt allgemeine sowie branchenspezifische Industriethemen mit Schwerpunkt KI. Als zweiten Podcast kann ich Ihnen den „Erium-Podcast“ empfehlen. In diesem werden KI-Themen vor allem aus der Sicht von (angehenden) Data-Scientisten betrachtet. Somit eignet dieser Podcast sich optimal, um ein Gefühl für die Arbeit eines Data-Scientisten zu bekommen.


Abschließend möchte ich allen, die nun „KI-lernen“ viel Erfolg und Freude wünschen. Es ist ein sehr tolles, vielseitiges sowie unglaublich interessantes Thema. Nicht ohne Grund schreibe ich diesen Blog in meiner Freizeit um mein Interesse zu teilen. Es macht mir einfach Spaß. Deshalb, falls Fragen oder Kritik(en) aufkommen: Ihr wisst, wie ihr mich erreichen könnt!

Euer Consti