Hoppa till innehållet
AI-grafen
Logga in
☰ Meny

Mål F AI engineering

Bygg en agent som går att lita på

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

Kunskaper
77
Från noll
ca 64 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: en agentloop med verktyg, budget och spårEsandlåda · 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
BUtforskare9 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
  7. Generativ AI: hur den skapar innehåll
  8. Språkmodeller och sannolikheter
  9. AI:s påhittade svar
CByggare13 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
  13. AI som använder verktyg: miniräknaren
DAI-utvecklare23 kunskaper
  1. Derivata och optimering
  2. Python — funktioner, scope och undantag
  3. Python — klasser och objekt
  4. API:er och HTTP
  5. Loss-funktioner
  6. Testning med pytest
  7. Tokenisering
  8. Gradient descent
  9. Kontextfönster, systemprompt och few-shot
  10. Bygg en enkel agent med ett verktyg
  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
EUniversitet20 kunskaper
  1. Asynkron programmering
  2. Bygga ett API med FastAPI
  3. Strukturerad utdata och schema
  4. Multi-head attention i detalj
  5. KV-cache
  6. Latens, throughput och batching vid inferens
  7. Kostnadsmodellering för LLM-system
  8. Språkmodeller — träning och generering
  9. Modellutvärdering
  10. RAG — retrieval-augmented generation
  11. Språkmodeller för kod
  12. Verktygsanvändning (tool use)
  13. Agenter — planera, agera, observera
  14. Budget, stoppvillkor och kostnadskontroll
  15. Arbetsminne: kontext, sammanfattning, fönster
  16. ReAct-loopen: tänk, agera, observera
  17. Verktygsschema, validering och felhantering
  18. Vetenskaplig metod i AI
  19. Reproducerbarhet
  20. Experimentspårning
FAI engineering10 kunskaper
  1. Evals för språkmodeller och agenter
  2. Agentarkitekturer
  3. AI-säkerhet och red teaming
  4. Agentsäkerhet: behörigheter, sandlåda, bekräftelse
  5. Multiagentsystem
  6. Utvärdering av agenter
  7. Kodagenter
  8. Planering och nedbrytning i delmål
  9. MCP och verktygsprotokoll
  10. Observability för agenter