Hoppa till innehållet
AI-grafen
Logga in
☰ Meny

Mål D AI-utvecklare

Förstå hur generativ AI fungerar

Från vektorer och neuronnät till attention och transformers — du ska kunna förklara vad som händer inuti en språkmodell när den skriver nästa ord.

Kunskaper
35
Från noll
ca 20 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: semantisk sökning med embeddingsDsandlåda · ca 45 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: skalärprodukt, norm och cosinuslikhetDi 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. Sekvenser och exakta instruktioner
  3. Heltalsaritmetik och räkneordning
  4. Jämföra och sortera värden
BUtforskare8 kunskaper
  1. Data i vardagen
  2. Algoritmiskt tänkande
  3. Regelbaserade system och maskininlärning
  4. Koordinater: positioner i ett rutnät
  5. Träningsdata, features och etiketter
  6. Klassificering: hur en modell sorterar information
  7. Generativ AI: hur den skapar innehåll
  8. Språkmodeller och sannolikheter
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. Uppmärksamhet: hur ord påverkar varandra
  10. Ord som punkter: liknande ord nära varandra
DAI-utvecklare13 kunskaper
  1. Derivata och optimering
  2. Gradient descent
  3. Transformern — översikt utan formler
  4. Hur en språkmodell tränas — på gymnasienivå
  5. Vektorer
  6. Matriser och matrismultiplikation
  7. Neuronnät — forward pass med matriser
  8. Backpropagation
  9. Embeddings — ord som vektorer
  10. Attention
  11. PyTorch — tensorer och autograd
  12. Träna ett neuronnät i PyTorch
  13. Transformers — arkitekturen