Hoppa till innehållet
AI-grafen

Bygg ett RAG-system som går att lita på

Chunkning, retrieval-utvärdering, källhänvisning och grundning — hela kedjan från dokument till svar med spårbara källor.

E· Universitet

Alla kunskaper som ingår (77) — i beroendeordning

  1. 1AMönster och kategorier
  2. 2BData från vardagen
  3. 3AInstruktioner i rätt ordning
  4. 4BAlgoritmiskt tänkande
  5. 5DDiskret matematik: grafer och relationer
  6. 6CFunktioner och koordinatsystem
  7. 7DDerivata och optimering
  8. 8CProgrammeringslogik — variabler, villkor, loopar
  9. 9CPython — grunderna
  10. 10CPython — listor, loopar och dictionaries
  11. 11DTidskomplexitet och ordo-notation
  12. 12DDatastrukturer: listor, stackar, köer, hashtabeller
  13. 13DPython — funktioner, scope och undantag
  14. 14DPython — moduler, paket och virtuella miljöer
  15. 15DGit — versionshantering
  16. 16CPython — strängar och textbehandling
  17. 17CPython — filer, CSV och JSON
  18. 18BRegler kontra inlärning
  19. 19BKällkritik och ansvar när AI svarar
  20. 20CSöka och sortera — snabbt eller långsamt?
  21. 21CStatistik — medelvärde, median och spridning
  22. 22CSannolikhet — grunderna
  23. 23DLoss-funktioner
  24. 24DTokenisering
  25. 25DTextförbehandling
  26. 26DBM25 och nyckelordssökning
  27. 27BTräningsdata, features och etiketter
  28. 28BKlassificering — så sorterar en modell
  29. 29CDin första prediktiva modell — en rät linje
  30. 30DGradient descent
  31. 31CNeuronnät — intuitionen
  32. 32CPromptning — att styra en språkmodell
  33. 33AVad är en dator?
  34. 34BHur hänger internet ihop?
  35. 35CHur fungerar en sökmotor?
  36. 36BVad är generativ AI?
  37. 37BGissa nästa ord
  38. 38BAI:n hittar på ibland
  39. 39CStälla bra frågor till en AI
  40. 40CLåt AI:n läsa dina anteckningar först
  41. 41DBygg en liten sökmotor
  42. 42DVektorer
  43. 43ELagra och hitta vektorer effektivt
  44. 44DMatriser och matrismultiplikation
  45. 45DLinjär regression med flera features
  46. 46DNeuronnät — forward pass med matriser
  47. 47DBackpropagation
  48. 48DEmbeddings — ord som vektorer
  49. 49DAttention
  50. 50EKontextlängd och kvadratisk kostnad
  51. 51DNumPy — arrayer och vektorisering
  52. 52DOverfitting och generalisering
  53. 53DPandas — tabeller i Python
  54. 54DPyTorch — tensorer och autograd
  55. 55DRetrieval — hitta rätt text
  56. 56EChunkning av dokument
  57. 57EHybridsökning och RRF
  58. 58FOmrankning med cross-encoders
  59. 59DSQL — grunderna
  60. 60EDatapipelines och ETL
  61. 61EDataversionering
  62. 62DTräning, validering och test
  63. 63DTräna ett neuronnät i PyTorch
  64. 64DTransformers — arkitekturen
  65. 65ESpråkmodeller — träning och generering
  66. 66EModellutvärdering
  67. 67EFinjustering av språkmodeller
  68. 68FVal och finjustering av embedding-modeller
  69. 69ERAG — retrieval-augmented generation
  70. 70FEvals för språkmodeller och agenter
  71. 71EKällhänvisning och grundning
  72. 72FKunskapsgrafer och graph-RAG
  73. 73FLång kontext kontra retrieval
  74. 74FUtvärdering av RAG-svar
  75. 75EUtvärdering av retrieval: recall@k, MRR, nDCG
  76. 76EVektordatabaser och indexering
  77. 77EIndexuppdatering och versionering