Hoppa till innehållet
AI-grafen
Logga in
☰ Meny

Mål E Universitet

Ansvarsfull AI i praktiken

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

Kunskaper
54
Från noll
ca 41 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.

Slutprov: bedöm ett AI-system innan det tas i brukEsandlåda · ca 60 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 minLabb: semantisk sökning med embeddingsDsandlåda · ca 45 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
BUtforskare7 kunskaper
  1. Data i vardagen
  2. Algoritmiskt tänkande
  3. Regelbaserade system och maskininlärning
  4. Källkritik och ansvar vid AI-användning
  5. Säker AI-användning på jobbet
  6. Träningsdata, features och etiketter
  7. Klassificering: hur en modell sorterar information
CByggare10 kunskaper
  1. Funktioner och koordinatsystem
  2. Programmeringslogik — variabler, villkor, loopar
  3. Python — grunderna
  4. Python — listor, loopar och dictionaries
  5. Statistik — medelvärde, median och spridning
  6. Sannolikhet — grunderna
  7. Linjär regression: anpassa en rät linje till data
  8. Neuronnät — intuitionen
  9. Promptning — att styra en språkmodell
  10. Ansvarsfull användning av AI
DAI-utvecklare17 kunskaper
  1. Derivata och optimering
  2. Licenser och öppna data
  3. Loss-funktioner
  4. Tokenisering
  5. Gradient descent
  6. Vektorer
  7. Matriser och matrismultiplikation
  8. Linjär regression med flera features
  9. Neuronnät — forward pass med matriser
  10. Backpropagation
  11. Embeddings — ord som vektorer
  12. Attention
  13. Overfitting och generalisering
  14. PyTorch — tensorer och autograd
  15. Träning, validering och test
  16. Träna ett neuronnät i PyTorch
  17. Transformers — arkitekturen
EUniversitet17 kunskaper
  1. Personuppgifter och anonymisering
  2. GDPR och AI
  3. EU:s AI-förordning
  4. Ansvar och människa i loopen
  5. Barn som användare av AI
  6. Annotering och märkning av data
  7. Datasetdokumentation och datasheets
  8. Modellkort och systemdokumentation
  9. Upphovsrätt och träningsdata
  10. Generativa modeller — översikt
  11. Generativa bilder: upphovsrätt, deepfakes, vattenmärkning
  12. Språkmodeller — träning och generering
  13. Hallucinationer — orsaker och motmedel
  14. UX för AI-funktioner
  15. Modellutvärdering
  16. Finjustering av språkmodeller
  17. Tillgänglighet och inkludering i AI-produkter
GFrontier Lab1 kunskaper
  1. Modellutvinning och medlemskapsattacker