Vad vill du kunna göra?

För dig som är ny. Du lär dig skilja på regler och inlärning, förstå vad träningsdata är, hur en dator kan sortera saker i kategorier och varför man ska vara källkritisk mot AI-svar.

Utforskare · 9 kunskaper

Hur känner en dator igen en katt, förstår din röst och skapar bilder av text? Bygg och testa själv — och lär dig var det går fel.

Byggare · 25 kunskaper

Ta steget från blockprogrammering till text: program som pratar med användaren, ritar, slumpar och planeras innan de skrivs.

Byggare · 21 kunskaper

Var AI finns i vardagen, hur den förändrar arbete, vad som är ansvarsfull användning, och hur desinformation, bias och manipulation ser ut.

Byggare · 58 kunskaper

Från vektorer och neuronnät till attention och transformers — du ska kunna förklara vad som händer inuti en språkmodell när den skriver nästa ord.

AI-utvecklare · 35 kunskaper

Bygg och träna ett litet neuronnät i PyTorch, och förstå varje steg: forward pass, loss, gradienter och uppdatering av vikterna.

AI-utvecklare · 30 kunskaper

NumPy, terminalen, regex, moduler och virtuella miljöer, notebooks, felsökning, kodstil och typning — verktygen du använder varje dag i ett AI-projekt.

AI-utvecklare · 32 kunskaper

Logistisk regression, träd, kNN och klustring — med korsvalidering, rätt mått och bias–varians som ram. Ofta bättre än ett neuronnät på tabelldata.

AI-utvecklare · 43 kunskaper

Från observation till tabell, via konstiga värden, licenser och textförbehandling till ett dokumenterat dataset utan läckage.

AI-utvecklare · 40 kunskaper

Hur internet hänger ihop, hur data komprimeras, varför sortering lönar sig och vad ordo-notation betyder i praktiken.

AI-utvecklare · 16 kunskaper

Summasymbolen, mängder och logik, andragrads- och exponentialfunktioner, logaritmer och softmax — notationen och funktionerna som varje ML-text förutsätter att du redan kan.

AI-utvecklare · 16 kunskaper

Implementera self-attention, multi-head attention och positionell kodning själv, och sätt ihop dem till en fungerande liten transformer.

Universitet · 49 kunskaper

Universitetsnivå. Från statistisk inlärning och transformers till ett serverat textsystem med evals, tester och dokumentation.

Universitet · 47 kunskaper

Bygg ett CNN, förstå faltning och receptiva fält, och titta in i nätet för att se vad det faktiskt lärt sig.

Universitet · 48 kunskaper

Från banditer till policy gradient: bygg en miljö, låt en agent lära sig av belöning, och förstå varför RL är svårt.

Universitet · 31 kunskaper

Formulera problemet rätt, ta prototypen till produkt med tester och evals, bygg in degraderade lägen och skydda mot prompt injection.

Universitet · 51 kunskaper

Partiella derivator, gradienter, integraler, linjära avbildningar, konvexitet och grafer — det som faktiskt används när en modell tränas.

Universitet · 39 kunskaper

Optimerare, regularisering, normalisering, initiering, dataloaders och transfer learning — allt som skiljer en träning som fungerar från en som inte gör det.

Universitet · 86 kunskaper

Betingad sannolikhet, simulering, A/B-test och varians mellan körningar — så att du kan skilja en verklig förbättring från slump.

Universitet · 69 kunskaper

Dela dokument, hämta relevant underlag, mät träffsäkerheten och ge ett kontrollerbart svar med källa.

Universitet · 9 kunskaper

Tokenisering, sampling, instruktionsmodeller, strukturerad utdata, hallucinationer och svenska — det du behöver för att bygga med en LLM på riktigt.

Universitet · 70 kunskaper

Bilder som matriser, filter som hittar kanter, en tränad bildklassificerare och en modell som skiljer två ljud åt.

Universitet · 32 kunskaper

Observability, promptar som kod, agentloopar och verktygsanvändning — hur en AI-funktion sköts när den väl har användare.

Universitet · 87 kunskaper

Processer, minne, parallellism, containrar, kryptografi och kodgranskning — datavetenskapen under modellen, som avgör om systemet går att köra och lita på.

Universitet · 43 kunskaper

Marginaler, avvikelser, rekommendationer och systematisk hyperparametersökning — de metoder som fortfarande löser de flesta problem billigare än ett neuronnät.

Universitet · 64 kunskaper

Modellkort, upphovsrätt till träningsdata och etiken kring generativa bilder — det som måste vara på plats innan ett AI-system får möta verkliga användare.

Universitet · 54 kunskaper

Avgör om ett AI-verktyg får användas, vilka krav som följer och vem som bär ansvaret — för dig som beslutar om AI utan att bygga den. Avsluta med en verifierad bedömning.

Universitet · 5 kunskaper

Förstå varför lågrangsadaptrar fungerar, välja target modules och rank, bygga ett dataset och utvärdera resultatet med evals.

AI engineering · 36 kunskaper

Episodiskt och semantiskt minne, retrieval och långtidsevaluering — ett fungerande minnessystem som gör en agent bättre över tid.

AI engineering · 68 kunskaper

Krymp en modell till en fjärdedel, mät vad som förloras, och välj rätt format för din körmiljö.

AI engineering · 59 kunskaper

PEFT och QLoRA, datasetdesign, distribuerad träning, katastrofal glömska, export och ett capstone där du finjusterar och utvärderar på riktigt.

AI engineering · 89 kunskaper

Arkitektur, planering, observability, säkerhet och utvärdering — och kodagenten som får objektiv återkoppling från tester.

AI engineering · 77 kunskaper

Mät en modellversion med osäkerhet, skilj förbättring från brus, stoppa releaser som bryter kritiska fall och granska LLM-domaren. Avsluta med ett verifierat releasebeslut i kod.

AI engineering · 7 kunskaper

Red teaming, jailbreaks, adversariella exempel, preferensinlärning och belöningshackning — vad som går att skydda och vad som inte gör det.

AI engineering · 65 kunskaper

Diffusion, GAN och hur man faktiskt utvärderar en modell som skapar innehåll — inklusive memoreringskontroll.

AI engineering · 63 kunskaper

Servering, skalning, distribuerade system, drift och kalibrerad osäkerhet — plus ett projekt där du levererar en tjänst som håller.

AI engineering · 80 kunskaper

Attention-mönster, logit lens och förklaringar för slutanvändare — hur man ser vad en modell gör, och var gränsen går för vad en förklaring bevisar.

AI engineering · 66 kunskaper

Från vågform till spektrogram och mel-features, vidare till taligenkänning och talsyntes — och de integritetsfrågor som röstdata alltid bär med sig.

AI engineering · 46 kunskaper

Policy gradient och REINFORCE, DQN med replay buffer och målnät, actor–critic och PPO — de metoder som driver allt från Atari till RLHF, och felen som gör att de inte lär sig.

AI engineering · 52 kunskaper

Läs en forskningsartikel, formulera hypotesen, implementera metoden, kör ablationer och jämför med publicerade resultat.

Frontier Lab · 43 kunskaper

Läs och reproducera ett paper, kör ablationer, inspektera modellen mekanistiskt och skriv en rapport som någon annan kan reproducera.

Frontier Lab · 87 kunskaper

Gemensamma vektorrum, vision–language-modeller, dokumentförståelse, multimodal hämtning, video och agenter som ser skärmen — med hallucinations- och säkerhetsmätningar som håller.

Frontier Lab · 49 kunskaper