Neuronales Netz
Ein neuronales Netz als Funktion: jedes Neuron sichtbar, ReLU-Knicke als Bausteine der Ausgabe, Gewichte je Neuron editierbar, Parameterzahl; Modi Kurve, Ebene und Ziffern.
Neuronale NetzeAusprobierenSammlung
Von Neuronen und Gradienten bis zu Transformern, RLHF und Agenten: maschinelles Lernen zum Anfassen.
Apps
Ein neuronales Netz als Funktion: jedes Neuron sichtbar, ReLU-Knicke als Bausteine der Ausgabe, Gewichte je Neuron editierbar, Parameterzahl; Modi Kurve, Ebene und Ziffern.
Neuronale NetzeAusprobierenLogits werden per softmax(z/T) zur Verteilung: Temperatur, Greedy, Sampling, Top-k und Top-p mit sichtbarer Abschnittslinie, Entropie, Entscheidungsbaum der Generierung und Schleifen bei T = 0.
Neuronale NetzeAusprobierenText zerfällt in Tokens: Byte-Level-BPE wird live trainiert, der Merge-Regler zeigt, wie häufige Wörter zu einem Token verschmelzen, dazu Token-Details, Sprachvergleich und Anteil am Kontextfenster.
Linguistik & PhonetikAusprobierenText aus Zählungen der letzten n − 1 Tokens: Zähltabelle P(w|h), Weg von Kauderwelsch über plausiblen Text zur wörtlichen Kopie, Explosion der möglichen Kontexte, Glättung und Backoff; Korpora DE und EN.
Linguistik & PhonetikAusprobierenEin Modell ist eine Form mit Stellschrauben: Polynome vom Grad 0 bis 12 per Kleinste Quadrate, Residuen als Quadrate (Fläche = Verlust), Hold-out-Fehler über den Grad und Parameter, die beim Überanpassen explodieren.
Wahrscheinlichkeit & StochastikAusprobierenEin künstliches Neuron: gewichtete Summe, Aktivierung, Entscheidungsgerade in der Eingabeebene mit w-Pfeil und Bias-Abstand; Perzeptron-Regel und Gradientenschritt lösen AND und OR, XOR bleibt bei 75 %.
Neuronale NetzeAusprobierenEine gezeichnete Ziffer fließt durch ein echtes, auf MNIST trainiertes Netz (784 → 64 → 32 → 10): Gewichtsbilder je Neuron, Vorwärtswelle, Softmax-Balken und Testziffern, bei denen es sich sicher irrt.
Neuronale NetzeAusprobierenTrainingslabor für neuronale Netze in 3D: Neuronen als Kacheln mit ihrer Ausgabe, Kanten nach Gewicht, Spirale, XOR, Monde, Schichten, Aktivierungen und Regularisierung live; dazu ein Ziffern-Modus.
Neuronale NetzeAusprobierenDer Gradient (f_x, f_y) liegt in der Ebene, steht senkrecht auf der Höhenlinie und zeigt bergauf, wo es am steilsten ist. Ein drehbarer Richtungsvektor u liefert die Richtungsableitung ∇f · u: maximal in Gradientenrichtung, null entlang der Höhenlinie.
Analysis (mehrdimensional)AusprobierenVerlustfläche einer echten Geradenanpassung in 3D: θ ← θ − η∇L mit Stabilitätsgrenze 2/λmax, zwei Täler und ein Sattel, GD, Momentum und Adam im Rennen, SGD-Rauschen und die Gerade im Modell-Panel.
Neuronale NetzeAusprobierenEine ganze Lernrunde an einem echten Netz (64 → 8 → 8 → 10, 682 Parameter): Es hält eine schiefe 3 für eine 8. Fehler, Verlust als ein Quadrat, Steigung je Gewicht, Schuld Schicht für Schicht rückwärts, Kugel rollt über eine echte Verlustfläche bergab, danach erkennt es die 3. Selbst malen, Lernrate ändern, tausendmal üben.
Neuronale NetzeAusprobierenBackpropagation an einem 2-2-2-Netz mit echten Zahlen in sechs Schritten: Vorwärtsrechnung, Verlust, δ am Ausgang und im Hidden Layer, Gradient je Gewicht, erst das Update senkt den Verlust — numerisch gegengeprüft.
Neuronale NetzeAusprobierenTrainingsdynamik an den Lernkurven ablesen: Lernrate, Batchgröße, Epochen, Train- und Validierungsverlust, Early Stopping am Val-Minimum, L2, Dropout, Augmentation und mehr Daten gegen Überanpassung.
Neuronale NetzeAusprobierenEchte Wortvektoren — deutsch fastText (cc.de.300), englisch GloVe: Beziehungen als parallele Pfeile, König − Mann + Frau ≈ Königin mit Treffern, knappen Fehlern und gelerntem Bias, Kosinus gegen Abstand und Sätze als Weg mit Folgewort-Kandidaten aus GerPT2 bzw. GPT-2.
Linguistik & PhonetikAusprobierenWörter als Vektoren in einem Bedeutungsraum: Ähnlichkeit als Kosinus im vollen Raum, Analogie-Pfeile, Nachbarn und drei 3D-Schatten (Karte, PCA, Achsen) mit der Angabe, wie viel Nachbarschaft jeder erhält.
Neuronale NetzeAusprobierenStatischer gegen kontextuellen Wortvektor in 3D: Ein mehrdeutiges Wort startet zwischen zwei Bedeutungsinseln und wird Schicht für Schicht von den Kontextwörtern gezogen, stark nach Attention-Gewicht.
Linguistik & PhonetikAusprobierenSelf-Attention sichtbar: Query, Keys, softmax(QKᵀ/√d)·V, fünf spezialisierte Köpfe, Matrix-Heatmap mit kausaler Maske, zweite Schicht und eine Rechnung von Hand mit drei Tokens.
Neuronale NetzeAusprobierenDie GPT-2-Architektur begehbar: Residual-Strom durch 12 Blöcke, maskierte Attention als Brücken, MLP d → 4d → d, Unembedding und Softmax, ein Token nach dem anderen; Parameter je Bauteil und GPT-3 im Vergleich.
Neuronale NetzeAusprobierenEin kleines GPT rechnet im Browser, jede Zahl sichtbar: Tokens, Embedding, Q·Kᵀ und Attention-Matrix mit Maske, Residualstrom, MLP und Wahrscheinlichkeiten mit Temperatur und Top-k/Top-p; Lupen für jeden Rechenschritt.
Neuronale NetzeAusprobierenDu vergleichst Antworten: Daraus lernt ein Belohnungsmodell (σ(r_A − r_B)), die Policy verschiebt sich unter einer KL-Leine; bei lockerer Leine gewinnt die schmeichelnde Antwort (Reward Hacking); dazu der DPO-Weg.
Neuronale NetzeAusprobierenRetrieval-Augmented Generation Schritt für Schritt: Chunks, Embeddings, Suche nach Kosinus, BM25 oder hybrid, Top-k-Schnitt, Prompt mit Token-Budget und Antwort mit Quellen; Fehltreffer führen zu Halluzination.
Neuronale NetzeAusprobierenElementare Zellularautomaten mit allen 256 Regeln: Rule 90 springt per Formel zu jeder Generation, Rule 30 muss jeden Schritt rechnen (Irreduzibilität); dazu ein Vorhersage-Spiel und das Rechenbudget je Token eines LLM.
InformatikAusprobierenKleinste-Quadrate-Gerade an Vorlesungsdaten: Fehler als Quadrate, SST = SSR + SSE als rechtwinkliges Dreieck, SSE als Schüssel über Steigung und Lage; Anscombe, Parabel und Störgröße zeigen, was R² nicht verrät.
Wahrscheinlichkeit & StochastikAusprobierenViele Trainingssätze aus derselben Welt als Modellschar: mittleres Modell gegen die Wahrheit (Bias), Streuung der Modelle (Varianz) und die exakte Zerlegung Testfehler = Bias² + Varianz + Rauschen über Polynomgrad oder Ridge-λ.
StatistikAusprobierenAbfragepunkt, seine k Nachbarn mit Distanzform und Mehrheitsvotum: Entscheidungsregionen von k = 1 (zackig) bis k = 40 (glatt), Trainings- und Testgenauigkeit über k, Metrik und Merkmalsskalierung verändern die Nachbarschaft.
Machine LearningAusprobierenEine Bank lernt aus 150 simulierten historischen Kunden mit Alter und Nettoeinkommen, wer seinen Kredit zurückzahlt. Drei Lernverfahren ziehen die Trennlinie: Eine Gerade verfehlt die U-Form im Alter (Underfitting), eine Kurve mit Alter² passt, der nächste Nachbar gibt jedem Kunden seine Insel — 0 Prozent Fehler im Training, bei 150 neuen Kunden aus der Zukunft deutlich mehr (Overfitting). Max Müllers Antrag lässt sich über die Karte ziehen.
Machine LearningAusprobierenZwei Merkmale, linearer Score, Sigmoid-Fläche in 3D: Die Schwellenebene schneidet sie in einer Geraden, Log-Loss je Punkt, Gradientenabstieg Schritt für Schritt, XOR als Grenze des Modells.
StatistikAusprobierenPrior mal Likelihoods je Merkmal: Posterior-Feld mit Randdichten, achsenparallele Ellipsen und quadratische Grenze; korrelierte Daten zeigen, was die Unabhängigkeitsannahme übersieht; dazu ein Spam-Modus mit Log-Odds.
Machine LearningAusprobierenMaximaler Rand und Stützvektoren, exakt per SMO: Punkte ohne Ring verschieben die Grenze nicht, Soft-Margin C, Schlupf ξ, Kernel linear, Lift (Paraboloid in 3D) und RBF.
Machine LearningAusprobierenAchsenparallele Splits nach Informationsgewinn: ΔI für jede Kandidaten-Schwelle, Baumdiagramm mit der Ebene verknüpft, Tiefe, Mindestblattgröße und Pruning, Trainings- gegen Testgenauigkeit über die Tiefe.
Machine LearningAusprobierenAcht Klassifikatoren lernen auf denselben Daten: kNN, logistische Regression, lineare und RBF-SVM, Naive Bayes, Entscheidungsbaum, Random Forest und neuronales Netz — ihre Entscheidungsgrenzen zeigen die Modellfamilie, Trainings- und Testgenauigkeit nebeneinander entlarven Überanpassung.
Machine LearningAusprobierenAufteilen, Validierungskurve, k-fache Kreuzvalidierung und einmaliger Test an einer Polynom-Regression — dazu Datenleck und Tuning auf dem Testsatz als Gegenbeispiele.
Machine LearningAusprobierenSchwelle eines Klassifikators verschieben und sehen, wie Fälle zwischen TP, FP, FN und TN wandern — und warum 99 % Accuracy bei seltenen Positiven nichts bedeuten muss.
Machine LearningAusprobierenZwei Score-Verteilungen, die Schwelle wandert: Der Sweep zeichnet die ROC-Kurve, AUC als Anteil richtig sortierter Paare, ROC bleibt bei jeder Prävalenz gleich, Vergleich zweier Modelle mit kreuzenden Kurven.
Machine LearningAusprobierenViele zufällige Entscheidungsbäume stimmen ab: Die Mehrheit glättet die zackigen Grenzen einzelner Bäume und senkt den Testfehler — Bootstrap, Feature-Zufall, Out-of-Bag-Fehler und Testfehler über die Zahl der Bäume.
Machine LearningAusprobierenEntscheidungsstümpfe nacheinander auf gewichteten Daten: Fehler wachsen, der nächste Stumpf zielt auf sie, Stimmgewicht α je Runde, exakte Treppen-Grenze des Ensembles, Trainings- und Testfehler über bis zu 60 Runden.
Machine LearningAusprobierenLloyd-Algorithmus als Zustandskette ohne Labels: Zuordnen und Zentren verschieben, Voronoi-Zellen, Inertia je Halbschritt, Zufall gegen k-means++, lokale Minima, Ellbogen mit Silhouette und typische Fehlschläge.
Machine LearningAusprobierenHauptachsen einer 3D-Punktwolke als Eigenvektoren der Kovarianz: Projektion auf k Komponenten mit Loten, Rekonstruktionsfehler = Summe der verworfenen λ, Scree-Plot, Standardisieren und der Unterschied zur Regressionsebene.
Machine LearningAusprobierenDerselbe Prompt durch Vortraining, SFT, RLHF/DPO und LoRA: Das Wissen entsteht im Vortraining, die späteren Stufen verschieben vor allem, welche Antwort wahrscheinlich ist.
Neuronale NetzeAusprobierenEin LLM-Agent ist eine Schleife: Das Modell schreibt Werkzeugaufrufe als Text, ein Programm führt sie aus, und jede Beobachtung wächst in den Kontext — mit und ohne Werkzeuge im Vergleich, inklusive Fehlerfall und Prompt-Injection.
Neuronale NetzeAusprobierenEin Modell, trainiert auf früheren Einstellungsentscheidungen, sortiert 200 Bewerbungen. Wer die Gruppe aus den Daten löscht, sieht die Quote kaum besser werden, weil ein Stellvertreter-Merkmal die Verzerrung weiterträgt.
KI-KompetenzAusprobierenEin Zufallsgenerator ist eine feste Rechenvorschrift: gleicher Startwert, gleiche Folge, und irgendwann schließt sich der Kreis. Mittquadrat, linearer Kongruenzgenerator mit frei wählbaren Parametern, RANDU, Schieberegister und Xorshift im Vergleich — gute und ausdrücklich schlechte. Vier Ansichten zeigen, was eine Zahlenliste verbirgt: Rechenvorschrift mit eingesetzten Werten, Zyklus als ρ-Figur, Punktbild aufeinanderfolgender Paare und drehbare Tripel-Wolke (RANDU klappt zu 15 Ebenen zusammen), Histogramm.
KryptographieAusprobierenEine KI-Antwort klingt sicher und nennt Quellen. Zerlege sie in Behauptungen und prüfe jede gegen das Originaldokument: belegt, widerlegt oder erfunden.
KI-KompetenzAusprobierenOb eine Zahl gerade ist, sagt eine Regel: die letzte Ziffer. Ob ein Pixelbild eine handgeschriebene Sieben ist, sagt keine: Eine echte Pixelregel liegt bei 6 von 18 Bildern falsch. Klassisches Programmieren heißt Regeln plus Daten ergeben Antworten, maschinelles Lernen Daten plus Antworten ergeben Regeln. Eine echte logistische Regression dreht ihr Mischpult aus 8 Reglern an 4800 Beispielen, der Fehler fällt von 50 auf 5,8 Prozent, dann erkennt sie neue Siebenen.
Machine LearningAusprobierenGesichtserkennung wie in den 1990ern: Eine Augenmaske gleitet per Kreuzkorrelation über eine gezeichnete Straßenszene und findet das Gesicht von vorn, verpasst aber Schatten, Schild und Profil und hält Scheinwerfer für Augen (1 von 5). Ein kleines neuronales Netz, trainiert auf 3909 gezeichneten Beispielen mit Antwort, findet in derselben Szene alle 5 Gesichter ohne Fehlalarm.
Machine LearningAusprobierenAus der Tabelle in den Raum: 24 Wohnungen mit m², Zimmern und Lage fliegen als Punkte in einen 3D-Merkmalsraum, die Farbe ist das Label (Preis oder „binnen eines Monats verkauft“). Für eine neue Wohnung „?“ antworten die k nächsten Nachbarn — als Regression mit einem Preis, als Klassifikation mit Ja oder Nein. Zeile = Beispiel, Spalte = Merkmal, letzte Spalte = Label.
Machine LearningAusprobierenTausende Partikel fließen aus Gauß-Rauschen Schritt für Schritt zu Formen: Vorwärts- und Rückwärtsprozess, DDPM vs. DDIM und Classifier-free Guidance. Ein Bild-Panel zeigt dasselbe im Pixelraum, mit Grobform zuerst und Details zuletzt.
Neuronale NetzeAusprobierenEin Kurzvideo-Feed als Modell: Verweildauer, Likes und Wiederholen werden zum Signal, das Interessenprofil lernt, Kandidaten werden sortiert. Mit dem Schieber „Ausprobieren“ siehst du, wie ein Feed, der nur ausnutzt, auf ein Thema schrumpft, und wie Suchen, Zurücksetzen und Ausprobieren ihn wieder weiten.
Film & MedienAusprobierenSammlungen
Mathematik mit Noppensteinen, gesteckt statt gezeichnet: wie viele Bauten sechs Steine ergeben, Brüche als Anteile eines Steins, der kleine Gauß als Treppe und Zahnräder, die sich erst nach dem kgV wieder treffen.
4 AppsSammlung öffnenInstrumente von innen: Flügelmechanik, Synthesizer, E-Gitarre, E-Bass, Schlagzeug und alle zusammen als Band, gestrichene Saiten bei Geige und Cello, Orgel, Trompete, Querflöte, Saxophon, Handpan, Gitarre und Klaviatur. Aufschneiden, selbst spielen und hören, wie der Ton entsteht.
16 AppsSammlung öffnenSatzbau, Partizipien, AcI, Verbformen, Zeitenfolge, kleine Wörter, Stilmittel und Hexameter an echten Stellen aus Seneca und Ovid.
8 AppsSammlung öffnenGalvanische Zelle, Reaktionsmechanismen, Gleichgewicht und Haber-Bosch, Säuren und Basen, Farbstoffe, Kunststoffe, zwischenmolekulare Kräfte und Molekülbau zum Ausprobieren.
18 AppsSammlung öffnenLichtelektrischer Effekt, Potentialtopf, Franck-Hertz, Millikan, Gitter, stehende Wellen, Teilchen in Feldern, Induktion und Schwingungen zum Ausprobieren.
23 AppsSammlung öffnenGenregulation, PCR, Kreuzungen, Proteinbiosynthese, Evolution, Zellatmung, Hormone und Ökosysteme zum Ausprobieren.
24 AppsSammlung öffnenProjekte planen und steuern: magisches Dreieck, Stakeholder, Netzplan, Earned Value, Terminrisiko, Teamgröße, Kanban und der Vergleich von Wasserfall und Scrum.
8 AppsSammlung öffnenVon der Folge zum Kredit: arithmetisch und geometrisch, Grenzwerte und Reihen, Sparraten, Annuitäten und Restschuld, unterjährige Verzinsung und die ewige Rente.
14 AppsSammlung öffnenSpuren lesen: Grabhügel im Schnitt, C14-Datierung, Siedlungen in der Landschaft und das Grab des Tutanchamun.
5 AppsSammlung öffnenSelbst bauen wie mit dem Konstruktionsbaukasten: Zahnräder, Übersetzung, Zwischenrad und Schnecke, dazu Differential, Uhrwerk und Hebel.
9 AppsSammlung öffnenWarum Roboterarme schwer sind, wie sechs Achsen eine Hand führen und wie eine Regelung die Last hält.
6 AppsSammlung öffnenTabellen, Schlüssel, Joins, Gruppen und Unterabfragen zum Anfassen: wie eine Datenbank wirklich liest.
7 AppsSammlung öffnenGenerative KI in starken Bildern: was sie kann, wie sie schreibt, warum sie überzeugt, wie man sie gut einsetzt und wo man aufpassen muss.
7 AppsSammlung öffnenMotor, Bremse, Hochvolt, CAN-Bus und Fahrwerk: Technik und Diagnose am modernen Fahrzeug.
9 AppsSammlung öffnenHitze in der Innenstadt: Wärmeinsel, Schatten, Bäume und Entsiegelung am Beispiel der Altstadt Reutlingen.
7 AppsSammlung öffnenKleingedrucktes lesen, Abofallen erkennen, Risikozahlen einordnen und Texte verständlich machen.
5 AppsSammlung öffnenVon der Gleichung zur Kurve: Anfangswerte, lineare Gleichungen, Substitution und die Welten, in denen sie gelten.
7 AppsSammlung öffnenRegeln und Physik im Sport: Abseits im Fußball, Spin und Magnus-Effekt, die Bande beim Padel.
3 AppsSammlung öffnenAnalysis im Gebirge: Flächen und Höhenlinien, partielle Ableitungen als Schnitte, Tangentialebene, Gradient, Gipfel, Mulden und Pässe und das Optimum unter Nebenbedingung.
10 AppsSammlung öffnenVom Flächeninhalt zum Integral: Riemann-Summen, Stammfunktionen, Integralregeln, Einheiten und uneigentliche Integrale.
5 AppsSammlung öffnenMittelwert, Median, Modus, Varianz, Boxplot und Skalenniveaus: beschreibende Statistik zum Ausprobieren.
12 AppsSammlung öffnenVom Koordinatensystem zur Inversen: Vektoren, Skalar- und Kreuzprodukt, lineare Gleichungen und Matrizen im Bild.
14 AppsSammlung öffnenFertigungsprinzipien, Verschwendung, One-Piece-Flow, Wertstrom, Stückliste und Arbeitsplan: wie eine Fabrik organisiert ist.
11 AppsSammlung öffnenWas der CRA von Herstellern verlangt: Betroffenheit prüfen, Meldefristen einhalten, Stücklisten für Software führen.
5 AppsSammlung öffnenKürzen, Hauptnenner, Multiplizieren, Dividieren und gemischte Zahlen: Bruchrechnen Schritt für Schritt.
13 AppsSammlung öffnenBeweise von besonderer Schönheit, zum Anfassen: Zagiers Windmühlen, die Museumswächter und Buffons Nadel.
3 AppsSammlung öffnenWie Schwingungen sich zerlegen lassen: Koeffizienten, Symmetrie, Zeigerketten, das Gibbs-Phänomen und die gezupfte Saite.
7 AppsSammlung öffnenWas im Rechner passiert: Objekte, Methoden, Operatoren, Slicing und Sortieren in Python, Schritt für Schritt sichtbar.
12 AppsSammlung öffnenVom Patent-Motorwagen bis zur Z3: berühmte Maschinen und Experimente in 3D aufgeschnitten.
12 AppsSammlung öffnenKlaviatur, Intervalle, Tonleitern, Akkorde, Quintenzirkel und Groove: Musiktheorie, die man hört und spielt.
9 AppsSammlung öffnenWie Klang entsteht und sich formen lässt: Synthesizer und Sampler, Hüllkurve und Obertöne, Wellenform und Klangfarbe, Stimme und Orchester, Raumakustik und Klangszenografie — alles hörbar im Browser.
26 AppsSammlung öffnenRaum, Blick, Licht, Klang und Wege inszenieren: Besucherströme, Vitrinenlicht, Raumakustik, Klanginseln, Projection Mapping und die Pavillons der Weltausstellungen zum Ausprobieren.
17 AppsSammlung öffnenJahrzehntelang offene Fragen der Mathematik, zu denen ein KI-Modell 2026 Lösungen vorgelegt hat, als interaktive Apps: Problem verstehen, Ergebnis erleben.
32 AppsSammlung öffnenDNA, Replikation, Transkription, Translation und Zellteilung als begehbare 3D-Modelle.
27 AppsSammlung öffnenPerspektive, Ornament, Statik und Raum: wie Kunst und Architektur mit Mathematik arbeiten.
25 AppsSammlung öffnenVom Projektplan über Datenbasis, ABC und Kennzahlen zu Hochregallager, Kommissionierung, Wertstrom, Fabriklayout, Risiken und FMEA: Lager und Fabrik als durchgerechnete 3D-Modelle.
10 AppsSammlung öffnenHyperloop, autonome Fahrzeuge, Lager und Förderanlagen: Logistik als interaktive Simulation.
17 AppsSammlung öffnenHerz, Auge, Stimme, Skelett und Nerven: der menschliche Körper in 3D, Schicht für Schicht.
12 AppsSammlung öffnenZiegenproblem, Simpson, Berkson und Basisraten: wo uns die Intuition bei Zahlen täuscht.
15 AppsSammlung öffnenPlaneten, Sterne, Schwarze Löcher und Raumsonden: der Kosmos zum Erkunden.
12 AppsSammlung öffnenLichtschalter für Nervenzellen, ein Teleskop aus Eis, Spiegelbild-Chemie und Zinsen: die Nobelpreise 2026 zum Ausprobieren.
8 AppsSammlung öffnenEingeweihte Mitprobanden, Rauch im Raum, ein Dollar für eine Lüge und Versuchsleiter, die selbst getestet werden: berühmte Experimente der Sozialpsychologie zum Selbstversuch.
5 AppsSammlung öffnenRelationen, Klassen, Ordnungen, Bijektionen, verschiedene Unendlichkeiten und Topologie: Mathematik als Wissenschaft von Strukturen, zum Anfassen.
11 AppsSammlung öffnenRiemann, P vs. NP, Poincaré und andere große Fragen der Mathematik, anschaulich gemacht.
16 AppsSammlung öffnenZählen, Rechnen und Formen entdecken: Mathe für den Anfang, spielerisch und klar.
6 AppsSammlung öffnenDu möchtest diese Apps in deinen Kursen nutzen? Lass uns gemeinsam schauen, was zu dir passt.
Ein Formular, drei Anliegen. Wir antworten persönlich.
Wir zeigen heyprof an deinem eigenen Stoff. Sag uns, was du unterrichtest, dann bereiten wir das Gespräch darauf vor.