Hoppa till innehållet
AI-grafen
Logga in
☰ Meny

Mål F AI engineering

AI i produktion

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

Kunskaper
80
Från noll
ca 71 h
Labbar
6
Se vad du redan kan — utan konto

Diagnosen föreslår en startpunkt. Övningarna visar vad du faktiskt kan.

Det här kan du efteråt

Labbar på vägen

Du skriver koden. Tester du inte ser avgör om den håller.

Labb: bygg en eval-harnessEsandlåda · ca 60 minSlutprov: bygg ett spårbart RAG-flödeEsandlåda · ca 75 minLabb: ett neuronnät i ren NumPy — forward, backprop, gradientkontrollDsandlåda · ca 75 minLabb: gradient descent från grundenDi webbläsaren · ca 50 minLabb: matrismultiplikation och ett lager i ett neuronnätDi webbläsaren · ca 45 minLabb: scaled dot-product attention med kausal maskDsandlåda · ca 60 min

Hela vägen

Allt målet bygger på, grupperat per nivå och i den ordning det bygger på varandra. Visa på kartan

AUpptäckare2 kunskaper
  1. Mönster och kategorier
  2. Sekvenser och exakta instruktioner
BUtforskare6 kunskaper
  1. Data i vardagen
  2. Algoritmiskt tänkande
  3. Regelbaserade system och maskininlärning
  4. Källkritik och ansvar vid AI-användning
  5. Träningsdata, features och etiketter
  6. Klassificering: hur en modell sorterar information
CByggare12 kunskaper
  1. Funktioner och koordinatsystem
  2. Programmeringslogik — variabler, villkor, loopar
  3. Python — grunderna
  4. Python — listor, loopar och dictionaries
  5. Python — strängar och textbehandling
  6. Python — filer, CSV och JSON
  7. Statistik — medelvärde, median och spridning
  8. Sannolikhet — grunderna
  9. Linjär regression: anpassa en rät linje till data
  10. Neuronnät — intuitionen
  11. Promptning — att styra en språkmodell
  12. Ansvarsfull användning av AI
DAI-utvecklare30 kunskaper
  1. Derivata och optimering
  2. Python — funktioner, scope och undantag
  3. Python — klasser och objekt
  4. Python — moduler, paket och virtuella miljöer
  5. Git — versionshantering
  6. API:er och HTTP
  7. Licenser och öppna data
  8. Sannolikhetsfördelningar
  9. Loss-funktioner
  10. Terminal och shell
  11. Testning med pytest
  12. Tokenisering
  13. Gradient descent
  14. Kontextfönster, systemprompt och few-shot
  15. Vektorer
  16. Matriser och matrismultiplikation
  17. Linjär regression med flera features
  18. Neuronnät — forward pass med matriser
  19. Backpropagation
  20. Embeddings — ord som vektorer
  21. Attention
  22. NumPy — arrayer och vektorisering
  23. Overfitting och generalisering
  24. Pandas — tabeller i Python
  25. PyTorch — tensorer och autograd
  26. Retrieval — hitta rätt text
  27. SQL — grunderna
  28. Träning, validering och test
  29. Träna ett neuronnät i PyTorch
  30. Transformers — arkitekturen
EUniversitet20 kunskaper
  1. Asynkron programmering
  2. Bygga ett API med FastAPI
  3. Nätverk — grunderna
  4. Personuppgifter och anonymisering
  5. GDPR och AI
  6. Docker — containrar
  7. Datapipelines och ETL
  8. Dataversionering
  9. Multi-head attention i detalj
  10. KV-cache
  11. Latens, throughput och batching vid inferens
  12. Språkmodeller — träning och generering
  13. Modellutvärdering
  14. Bygg en eval-harness
  15. Från prototyp till produkt
  16. Observability för ML-system
  17. RAG — retrieval-augmented generation
  18. Prompt injection
  19. Verktygsanvändning (tool use)
  20. Agenter — planera, agera, observera
FAI engineering10 kunskaper
  1. Distribuerade system — grunderna
  2. MLOps: utrullning, versioner, rollback
  3. Servering och skalning av modeller
  4. Kalibrering och osäkerhet i modeller
  5. Datadrift och modellförfall
  6. Projekt: bygg en AI-tjänst end-to-end
  7. Evals för språkmodeller och agenter
  8. AI-säkerhet och red teaming
  9. Jailbreaks och skyddsräcken
  10. Säkerhetsgranskning före lansering