Hoppa till innehållet
AI-grafen
Logga in
☰ Meny

Mål E Universitet

Bygg en AI-tjänst som håller i drift

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

Kunskaper
51
Från noll
ca 36 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
CByggare11 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
DAI-utvecklare23 kunskaper
  1. Derivata och optimering
  2. Python — funktioner, scope och undantag
  3. Python — klasser och objekt
  4. API:er och HTTP
  5. Formulera ett problem som ML-uppgift
  6. Loss-funktioner
  7. Testning med pytest
  8. Tokenisering
  9. Gradient descent
  10. Kontextfönster, systemprompt och few-shot
  11. Vektorer
  12. Matriser och matrismultiplikation
  13. Linjär regression med flera features
  14. Neuronnät — forward pass med matriser
  15. Backpropagation
  16. Embeddings — ord som vektorer
  17. Attention
  18. Overfitting och generalisering
  19. PyTorch — tensorer och autograd
  20. Retrieval — hitta rätt text
  21. Träning, validering och test
  22. Träna ett neuronnät i PyTorch
  23. Transformers — arkitekturen
EUniversitet9 kunskaper
  1. Asynkron programmering
  2. Bygga ett API med FastAPI
  3. Språkmodeller — träning och generering
  4. Modellutvärdering
  5. Bygg en eval-harness
  6. Från prototyp till produkt
  7. Fallback och degradering i AI-tjänster
  8. RAG — retrieval-augmented generation
  9. Prompt injection