Kurs
Konzepte großer Sprachmodelle (LLMs)
2 Std.
103.8K
Große Sprachmodelle sind von einer Forschungskuriosität zum Thema geworden, zu dem jede Entwicklerin und jeder Entwickler eine Meinung haben soll — sei es, eine API aufzurufen, ein Open-Source-Modell zu finetunen oder einem Produktteam zu erklären, warum der Chatbot gerade eine Erstattungsrichtlinie halluziniert hat.
Damit du schneller vorankommst, haben wir Kurse anhand von vier Kriterien gerankt:
- Konzeptionelle Tiefe: Erklärt der Kurs wirklich Tokens, Embeddings, Attention und die Transformer-Architektur?
- Praxisfokus: Schreibst du Code, der echte Modelle aufruft, finetuned oder bereitstellt?
- Plattform- und Modellabdeckung: Bleibt der Kurs bei einer API oder bekommst du ein Gefühl für Open-Source- vs. proprietäre Modelle?
- Expertise der Lehrenden und Outcomes: Wer unterrichtet und was kannst du danach wirklich bauen?
1. Introduction to LLMs in Python — DataCamp
DataCamps Introduction to LLMs in Python ist der stärkste Einzelkurs für Developer, die über das reine „OpenAI-API aufrufen“ hinausgehen und die Transformer-Architektur verstehen wollen, die unter jedem modernen LLM steckt.
- Niveau: Fortgeschrittene Einsteiger bis Mittelstufe
- Umfang: Ca. 3 Stunden, im eigenen Tempo; kostenloser Einstieg
- Kosten: Kostenloser Einstieg; Vollzugang mit DataCamp-Abo (~25 $ pro Monat)
- Am besten geeignet für: Developer, die eine fokussierte, code-first Einführung in LLMs und Transformer suchen, ohne gleich eine komplette Spezialisierung zu starten
Der Kurs behandelt die Mechanik von Transformer-Architekturen und wechselt dann zur Arbeit mit vortrainierten Modellen und Datensätzen von Hugging Face, deren Finetuning für spezifische Aufgaben und die anschließende Evaluation.
Was heraussticht und warum Platz eins: Der Kurs läuft auf DataCamps AI Tutor, der Fehler im Kontext deines konkreten Codes erklärt. LLM-Bugs sind selten aus dem Stacktrace allein ersichtlich — ein Tutor, der über genau deinen Irrtum nachdenkt, ist besser als Rätselraten.
2. LLM Engineering: Master AI, Large Language Models & Agents — Udemy
LLM Engineering ist eine starke Wahl für Developer, die einen umfassenden, projektlastigen Kurs wollen — vom Aufruf kommerzieller APIs über das Finetuning von Open-Source-Modellen bis zum Bau von Agents.
- Niveau: Mittelstufe (Python erforderlich)
- Umfang: 30+ Stunden Inhalt in 200+ Lektionen; mit Projekten ca. 6–8 Wochen
- Kosten: Durch Udemys häufige Sales meist deutlich unter Listenpreis
- Am besten geeignet für: Developer, die einen Weg durch LLM Engineering suchen, der sowohl proprietäre als auch Open-Source-Modelle abdeckt
Dozent Ed Donner ist ehemaliger KI-Startup-CEO und Ex-Managing Director bei JPMorgan Chase. Der Kurs führt von Prompt-Strukturierung und Tokenisierung über Finetuning von Open-Source-Modellen mit LoRA und Quantisierung bis hin zum Bau von Multi-Agent-Systemen.
3. The LLM Course — Hugging Face
Hugging Faces LLM Course ist ideal für Developer, die die Bibliotheken verstehen wollen, die unter den meisten Open-Source-LLM-Projekten laufen: Transformers, Datasets, Tokenizers und Accelerate.
- Niveau: Einsteiger bis Mittelstufe
- Umfang: Ca. 15–20 Stunden, im eigenen Tempo
- Kosten: Kostenlos, mit Zertifikat verfügbar
- Am besten geeignet für: Developer, die direkt mit Open-Source-Modellen und dem Hugging Face Hub arbeiten möchten statt in einer Vendor-API zu bleiben
Weil der Kurs direkt von Hugging Face gepflegt und mit dem Ökosystem weiterentwickelt wird, ist er eine sichere Wahl gegen veraltete APIs — auch wenn der Fokus naturgemäß eher auf dem Hugging-Face-Stack als auf kommerziellen Alternativen liegt.
4. ChatGPT Prompt Engineering for Developers — DeepLearning.AI
ChatGPT Prompt Engineering for Developers, unterrichtet von Isa Fulford (OpenAI) und Andrew Ng, ist eine gute Wahl für Developer, die eine schnelle, fokussierte Einführung ins Arbeiten mit einer LLM-API statt im Chatfenster suchen.
- Niveau: Einsteiger bis Mittelstufe
- Umfang: Ca. 1,5 Stunden
- Kosten: Kostenlos
- Am besten geeignet für: Developer, die vom händischen Prompten in ChatGPT zum programmatischen API-Aufruf wechseln und einfache Anwendungen darauf aufbauen wollen
Der Kurs behandelt das Innenleben von LLMs, zwei Kernprinzipien effektiver Prompts und deren Einsatz für Aufgaben wie Zusammenfassen, Sentimentanalyse, Textumwandlung und das Ausbauen kurzer Notizen zu längeren Texten — und endet mit dem Bau eines eigenen Chatbots. Kurz und bewusst gehalten, setzt er grundlegendes Python voraus und eignet sich als Rampe vor längeren Kursen.
5. Prompt Engineering for ChatGPT — Vanderbilt University (Coursera)
Prompt Engineering for ChatGPT, unterrichtet von Dr. Jules White (Vanderbilt), ist eine starke Option für Developer und Nicht-Developer, die eine fundierte Schulung speziell in Prompting-Techniken wollen — unabhängig von Frameworks oder Codebasen.
- Niveau: Einsteiger (keine Vorkenntnisse nötig)
- Umfang: Ca. 19 Stunden
- Kosten: Kostenlose Hörversion; Coursera-Abo für Zertifikat
- Am besten geeignet für: Lernende, die Promptmuster und -techniken meistern wollen, die über ChatGPT, Claude und andere Chat-LLMs hinweg funktionieren
Der Kurs zeigt, wie du Prompt Engineering wirksam anwendest, mit Promptmustern fortgeschrittenes Modellverhalten aktivierst und promptbasierte Anwendungen für Job oder private Projekte baust.
6. Generative AI: Introduction to Large Language Models — LinkedIn Learning
Generative AI: Introduction to Large Language Models, mit Fred Nwanganga, ist eine gute Option für Developer und technische Führungskräfte, die einen klaren, codefreien Überblick darüber wollen, wie LLMs funktionieren — bevor sie eine API anfassen.
- Niveau: Einsteiger
- Umfang: Unter 2 Stunden
- Kosten: LinkedIn-Learning-Abo (häufig in Bibliotheksausweisen enthalten); kostenlose Testphase
- Am besten geeignet für: Developer, die das konzeptionelle Modell — neuronale Netze, Transformer, Encoder/Decoder, Attention — verständlich erklärt bekommen wollen, bevor sie Code schreiben
Der Kurs behandelt, was generative KI und LLMs sind, wie sie sich entwickelt haben, auf welchen Deep-Learning-Grundlagen sie basieren, und die Mechanik der Transformer-Architektur inklusive Attention und Self-Attention — und schließt mit einem Blick auf die gesellschaftlichen Auswirkungen dieser Modelle.
7. Essentials of Large Language Models: A Beginner's Journey — Educative
Educatives Essentials of Large Language Models ist eine gute Wahl für Developer, die textbasierte, interaktive Lektionen Videoformaten vorziehen und ein Systemverständnis davon aufbauen wollen, wie LLMs wirklich funktionieren.
- Niveau: Einsteiger
- Umfang: Selbstgesteuert, text- und codebasiert
- Kosten: Educative-Abo
- Am besten geeignet für: Developer, die schneller lernen, wenn sie lesen und Code inline ausführen, statt Screencasts zu schauen — und die das „Warum“ hinter LLM-Verhalten verstehen wollen, nicht nur API-Calls
Der Kurs deckt LLM-Grundlagen von Grund auf ab — Architektur, Tokenisierung, Embeddings, Attention und Trainingsdynamik — und führt dann in praktische Workflows für Prompting und die Integration von Tools für dynamische Antworten.
Vergleichstabelle: Die besten LLM-Kurse
| Rang | Kurs | Lernformat | Tiefe des Lernprogramms | Kosten / Outcome-Signal |
|---|---|---|---|---|
| 1 | Introduction to LLMs in Python — DataCamp | KI-native, praxisnah | Transformer-Architektur, Finetuning, Hugging Face | Kostenloser Einstieg; AI Tutor personalisiert jede Lektion |
| 2 | LLM Engineering — Udemy | Video-Bootcamp | APIs, Finetuning (LoRA), Agents, End-to-End-Projekte | Häufig rabattiert; Bestseller-Abzeichen |
| 3 | The LLM Course — Hugging Face | Kostenloser interaktiver Kurs | Transformers, Tokenizers, Datasets, Finetuning | Kostenlos; direkt von Hugging Face gepflegt |
| 4 | ChatGPT Prompt Engineering for Developers — DeepLearning.AI | Kurzer Videokurs | API-basiertes Prompting, Zusammenfassen, Textumwandlung | Kostenlos; ~1,5 Stunden |
| 5 | Prompt Engineering for ChatGPT — Vanderbilt | Videokurs | Promptmuster, promptbasierte Anwendungen | Kostenlose Hörversion; Coursera-Zertifikat |
| 6 | Generative AI: Introduction to LLMs — LinkedIn Learning | Kurzer Videokurs | Grundlagen neuronaler Netze, Transformer-Architektur, Attention | LinkedIn-Learning-Abo; kostenlose Testphase |
| 7 | Essentials of LLMs: A Beginner's Journey — Educative | Interaktiv, textbasiert | Architektur, Tokenisierung, Embeddings, Attention | Educative-Abo; kein Videoformat |
Author
Josef Waples
FAQs
Muss ich Python können, um einen LLM-Kurs zu belegen?
Für die meisten praxisorientierten Kurse in dieser Liste — DataCamp, der Hugging-Face-Kurs sowie die Udemy- und Databricks-Kurse — ja, grundlegende Python- und API-Kenntnisse werden erwartet. Die Prompting-Kurse von Vanderbilt und IBMs Professional Certificate sind zugänglicher für Nicht-Developer, da sie stärker auf Prompting-Techniken als auf Code setzen.
Was ist der Unterschied zwischen einem Prompt-Engineering-Kurs und einem LLM-Engineering-Kurs?
Ein Prompt-Engineering-Kurs zeigt dir, wie du durch die Formulierung deiner Anfragen bessere Ergebnisse aus einem bestehenden Modell holst — ganz ohne Code. Ein LLM-Engineering-Kurs zeigt dir, wie du Systeme um ein Modell herum baust: APIs aufrufen, Open-Source-Modelle finetunen, Embeddings und Retrieval managen und das Ergebnis deployen.
Welcher LLM-Kurs ist am besten für absolute Anfänger geeignet?
Vanderbilts Prompt Engineering for ChatGPT setzt keine Vorerfahrung voraus und ist ein solider, nicht-technischer Startpunkt. Für Einsteiger, die programmieren möchten, ist DataCamps Introduction to LLMs in Python so konzipiert, dass es mit dem AI Tutor Wissenslücken unterwegs schließt.
Sollte ich zuerst Open-Source-LLMs (Hugging Face) oder kommerzielle APIs (OpenAI, Anthropic, Google) lernen?
Die meisten berufstätigen Developer brauchen am Ende beides. Kommerzielle APIs bringen dich schneller zum Bauen; Open-Source-Modelle zeigen dir, was unter der Haube passiert, und geben dir Kontrolle über Finetuning, Hosting und Kosten. Kurse wie die von DataCamp und Hugging Face sind eher Open-Source-orientiert; der Udemy-Kurs LLM Engineering und die Kurzkurse von DeepLearning.AI decken beides ab.
Wie lange dauert es, LLMs so zu lernen, dass ich damit bauen kann?
Ein kurzer Kurs (1–3 Stunden) reicht, um dich mit dem API-Aufruf und soliden Prompts vertraut zu machen. Ein arbeitsnahes, codebasiertes Verständnis von Transformer, Finetuning und RAG dauert in der Regel 15–30 Stunden in einem Kurs wie denen von DataCamp, Hugging Face oder Databricks. So tief zu gehen, dass du Modelle finetunen und produktiv deployen kannst — wie im Udemy-Bootcamp LLM Engineering — ist realistischerweise ein Commitment von 6–8 Wochen.
Themen
