Hugging Face für Einsteiger

Es gibt einen Satz, der Hugging Face gut beschreibt, und es gibt einen Satz, der gut klingt. Der gut klingende ist „GitHub für Machine Learning“. Er hilft beim ersten Hinsehen und steht dir danach im Weg, weil er drei Dinge zu einem verrührt, die getrennt gehören.

Denn wenn du auf huggingface.co bist, siehst du nicht ein Produkt, sondern drei:

Der Hub ist die Plattform. Modelle, Datasets und Demos liegen dort als echte Git-Repositories, jedes mit Verlauf, Commits und einer Beschreibungsseite. Das ist der Teil, der wirklich wie GitHub funktioniert.

Die Bibliotheken sind Python-Pakete, die du installierst: transformers, datasets, huggingface_hub und ein Dutzend mehr. Die laufen auf deinem Rechner und brauchen die Plattform nicht - du kannst mit transformers ein Modell benutzen, das nie in der Nähe von Hugging Face war.

Die Dienste sind das, womit die Firma Geld verdient: Rechenzeit für Demos, gemanagte Inferenz-Endpunkte, ein Gateway zu fremden Anbietern, Team-Funktionen. Manches davon ist kostenlos, manches kostet ab der ersten Minute.

Wer die drei durcheinanderbringt, stellt die falschen Fragen. „Ist Hugging Face DSGVO-konform?“ ist so eine: Für die Bibliotheken auf deinem Laptop ist die Frage sinnlos, für den Hub ist sie eine Frage nach Metadaten, und für die Dienste ist sie eine Frage danach, in welchem Rechenzentrum welcher Anbieter deine Eingaben verarbeitet. Drei verschiedene Antworten, weil es drei verschiedene Dinge sind.

Warum es diesen Kurs gibt

Die meisten Einstiege hören nach dem Download auf. Modell suchen, Modell laden, Modell laufen lassen - fertig. Das ist der Teil, den fast alle kennen, und es ist der Teil, der am wenigsten überrascht.

Das eigentliche Erstaunen kommt später, und es hat einen Namen: Spaces. Du schiebst eine Datei app.py in ein Repo, wartest zwei Minuten, und es steht eine Webanwendung im Netz. Mit URL. Für Fremde erreichbar. Optional mit GPU. Ohne Server, ohne Deployment-Pipeline, ohne Rechnung. Kapitel 05 ist das Kapitel, wegen dem dieser Kurs existiert - alles davor ist der Weg dorthin, alles danach die Frage, wo die Rechenleistung herkommt, wenn es ernst wird.

Was du am Ende hast

Was du brauchst

Wenig, und nichts davon kostet Geld:

• Python 3.10 oder neuer und ein Terminal. Kein Docker, kein Conda nötig.
• Rund 3 GB freien Plattenplatz für Modelle im Cache. Wir bleiben bewusst klein.
• Keine Grafikkarte. Jeder Schritt in diesem Kurs läuft auf CPU. Wo eine GPU auftaucht, gehört sie jemand anderem.
• Einen kostenlosen Account, aber erst ab Kapitel 02. Die ersten beiden Kapitel liest du ohne Anmeldung mit.

Was dieser Kurs nicht ist

Kein Fine-Tuning-Kurs. LoRA, QLoRA, TRL und die ganze Post-Training-Werkstatt kommen hier nur als Namen vor - sie brauchen eine GPU und ein eigenes Wochenende.

Keine Modellkunde. Welches Modell für welche Aufgabe taugt, ist eine Frage, die sich alle zwei Monate neu stellt; der Kurs bringt dir bei, wie du sie selbst beantwortest, statt dir eine Liste zu geben, die zum Erscheinungstag veraltet.

Und keine Preisliste. Ein paar Beträge stehen im Text, weil sie die Aussage tragen - kostenlos oder nicht kostenlos ist eine Architekturentscheidung. Alle sind mit Stand August 2026 markiert, und genau so sind sie zu lesen: als Momentaufnahme, nicht als Tatsache.

Der Fahrplan

Acht Kapitel, jedes mit einem Ergebnis, das du vorzeigen kannst. Sie bauen aufeinander auf, aber nicht so streng, dass du 04 nicht überspringen könntest, wenn dich Datensätze gerade nicht interessieren. Nur 02 solltest du nicht auslassen - danach hast du den Account und die CLI, und beides brauchen alle folgenden Kapitel.

Los geht es mit dem Teil, der aussieht, als wüsstest du ihn schon: dem Lesen einer Modellseite.