Hoppa till innehållet
AI-grafen

AI i produktion

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

F· AI engineering

Alla kunskaper som ingår (80) — i beroendeordning

  1. 1AMönster och kategorier
  2. 2BData från vardagen
  3. 3AInstruktioner i rätt ordning
  4. 4BAlgoritmiskt tänkande
  5. 5CFunktioner och koordinatsystem
  6. 6DDerivata och optimering
  7. 7CProgrammeringslogik — variabler, villkor, loopar
  8. 8CPython — grunderna
  9. 9CPython — listor, loopar och dictionaries
  10. 10DPython — funktioner, scope och undantag
  11. 11DPython — klasser och objekt
  12. 12EAsynkron programmering
  13. 13DPython — moduler, paket och virtuella miljöer
  14. 14DGit — versionshantering
  15. 15CPython — strängar och textbehandling
  16. 16CPython — filer, CSV och JSON
  17. 17DAPI:er och HTTP
  18. 18EBygga ett API med FastAPI
  19. 19ENätverk — grunderna
  20. 20FDistribuerade system — grunderna
  21. 21BRegler kontra inlärning
  22. 22BKällkritik och ansvar när AI svarar
  23. 23DLicenser och öppna data
  24. 24EPersonuppgifter och anonymisering
  25. 25EGDPR och AI
  26. 26CStatistik — medelvärde, median och spridning
  27. 27CSannolikhet — grunderna
  28. 28DSannolikhetsfördelningar
  29. 29DLoss-funktioner
  30. 30DTerminal och shell
  31. 31EDocker — containrar
  32. 32DTestning med pytest
  33. 33DTokenisering
  34. 34BTräningsdata, features och etiketter
  35. 35BKlassificering — så sorterar en modell
  36. 36CDin första prediktiva modell — en rät linje
  37. 37DGradient descent
  38. 38CNeuronnät — intuitionen
  39. 39CPromptning — att styra en språkmodell
  40. 40CAnsvarsfull användning av AI
  41. 41DKontextfönster, systemprompt och few-shot
  42. 42DVektorer
  43. 43DMatriser och matrismultiplikation
  44. 44DLinjär regression med flera features
  45. 45DNeuronnät — forward pass med matriser
  46. 46DBackpropagation
  47. 47DEmbeddings — ord som vektorer
  48. 48DAttention
  49. 49DNumPy — arrayer och vektorisering
  50. 50DOverfitting och generalisering
  51. 51DPandas — tabeller i Python
  52. 52DPyTorch — tensorer och autograd
  53. 53DRetrieval — hitta rätt text
  54. 54DSQL — grunderna
  55. 55EDatapipelines och ETL
  56. 56EDataversionering
  57. 57FMLOps: utrullning, versioner, rollback
  58. 58DTräning, validering och test
  59. 59DTräna ett neuronnät i PyTorch
  60. 60DTransformers — arkitekturen
  61. 61EMulti-head attention i detalj
  62. 62EKV-cache
  63. 63ELatens, throughput och batching vid inferens
  64. 64FServering och skalning av modeller
  65. 65ESpråkmodeller — träning och generering
  66. 66EModellutvärdering
  67. 67EBygg en eval-harness
  68. 68FKalibrering och osäkerhet i modeller
  69. 69EFrån prototyp till produkt
  70. 70EObservability för ML-system
  71. 71FDatadrift och modellförfall
  72. 72ERAG — retrieval-augmented generation
  73. 73FProjekt: bygg en AI-tjänst end-to-end
  74. 74FEvals för språkmodeller och agenter
  75. 75EPrompt injection
  76. 76EVerktygsanvändning (tool use)
  77. 77EAgenter — planera, agera, observera
  78. 78FAI-säkerhet och red teaming
  79. 79FJailbreaks och skyddsräcken
  80. 80FSäkerhetsgranskning före lansering