Hoppa till innehållet
AI-grafen
Logga in
☰ Meny

Mål D AI-utvecklare

Data: samla, städa, dokumentera

Från observation till tabell, via konstiga värden, licenser och textförbehandling till ett dokumenterat dataset utan läckage.

Kunskaper
40
Från noll
ca 24 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: matrismultiplikation och ett lager i ett neuronnätDi webbläsaren · ca 45 minLabb: skalärprodukt, norm och cosinuslikhetDi webbläsaren · ca 40 minLabb: bästa linjen med minsta kvadratmetodenCi webbläsaren · ca 40 minLabb: dina första Python-funktionerCi webbläsaren · ca 30 minLabb: listor, loopar och dictionariesCi webbläsaren · ca 40 minLabb: medelvärde, median och standardavvikelse för handCi webbläsaren · ca 40 min

Hela vägen

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

AUpptäckare4 kunskaper
  1. Mönster och kategorier
  2. Samla in data med en enkät
  3. Sekvenser och exakta instruktioner
  4. Från observationer till tabell
BUtforskare8 kunskaper
  1. Data i vardagen
  2. Persondata: vad samlar appar in om dig?
  3. Ogiltiga värden i datan
  4. Algoritmiskt tänkande
  5. Regelbaserade system och maskininlärning
  6. Källkritik och ansvar vid AI-användning
  7. Träningsdata, features och etiketter
  8. Klassificering: hur en modell sorterar information
CByggare9 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. Linjär regression: anpassa en rät linje till data
  9. Urval: vem har vi frågat?
DAI-utvecklare15 kunskaper
  1. API:er och HTTP
  2. Reguljära uttryck
  3. Licenser och öppna data
  4. Textförbehandling
  5. Vektorer
  6. Matriser och matrismultiplikation
  7. Linjär regression med flera features
  8. NumPy — arrayer och vektorisering
  9. Overfitting och generalisering
  10. Pandas — tabeller i Python
  11. Datakvalitet: saknade värden, dubbletter, fel
  12. Feature engineering
  13. Obalanserade klasser
  14. Träning, validering och test
  15. Dataläckage
EUniversitet4 kunskaper
  1. Personuppgifter och anonymisering
  2. Annotering och märkning av data
  3. Datasetdokumentation och datasheets
  4. Webbskrapning — teknik och regler