Hoppa till innehållet
AI-grafen

Frontier Lab — självständigt forskningsprojekt

Läs och reproducera ett paper, kör ablationer, inspektera modellen mekanistiskt och skriv en rapport som någon annan kan reproducera.

G· Frontier Lab

Alla kunskaper som ingår (87) — 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. 13EGrafalgoritmer: BFS, DFS, topologisk ordning
  14. 14DPython — funktioner, scope och undantag
  15. 15DPython — moduler, paket och virtuella miljöer
  16. 16DGit — versionshantering
  17. 17BRegler kontra inlärning
  18. 18BKällkritik och ansvar när AI svarar
  19. 19CStatistik — medelvärde, median och spridning
  20. 20DKorrelation och kausalitet
  21. 21DHypoteser och falsifierbarhet
  22. 22CSannolikhet — grunderna
  23. 23DSannolikhetsfördelningar
  24. 24DLoss-funktioner
  25. 25DNormalfördelningen och standardisering
  26. 26DStickprov och osäkerhet
  27. 27EKonfidensintervall
  28. 28EHypotesprövning och p-värden
  29. 29DTestning med pytest
  30. 30FBidra till open source
  31. 31DTokenisering
  32. 32BTräningsdata, features och etiketter
  33. 33EAnnotering och märkning av data
  34. 34BKlassificering — så sorterar en modell
  35. 35CDin första prediktiva modell — en rät linje
  36. 36DGradient descent
  37. 37FMänsklig utvärdering och annotatörsöverensstämmelse
  38. 38CNeuronnät — intuitionen
  39. 39CPromptning — att styra en språkmodell
  40. 40EReinforcement learning — grunderna
  41. 41DVektorer
  42. 42DMatriser och matrismultiplikation
  43. 43DLinjär regression med flera features
  44. 44DNeuronnät — forward pass med matriser
  45. 45DBackpropagation
  46. 46EFaltningsnät (CNN)
  47. 47DEmbeddings — ord som vektorer
  48. 48DAttention
  49. 49FGrafneuronnät (GNN)
  50. 50DOverfitting och generalisering
  51. 51DPartiella derivator och gradienten
  52. 52DPyTorch — tensorer och autograd
  53. 53DRetrieval — hitta rätt text
  54. 54ESekvensmodeller före transformers
  55. 55FSaliency och attribution
  56. 56DTräning, validering och test
  57. 57DTräna ett neuronnät i PyTorch
  58. 58DTransformers — arkitekturen
  59. 59EMulti-head attention i detalj
  60. 60ESpråkmodeller — träning och generering
  61. 61EModellutvärdering
  62. 62EBenchmarks: vad de mäter och missar
  63. 63EFinjustering av språkmodeller
  64. 64FBenchmark-kontaminering
  65. 65GBygg en egen benchmark
  66. 66ERAG — retrieval-augmented generation
  67. 67FEvals för språkmodeller och agenter
  68. 68FRLHF och preferensinlärning
  69. 69GAlignment — problem och metoder
  70. 70GState space-modeller och Mamba
  71. 71GUtvärdering av farliga förmågor
  72. 72EVetenskaplig metod i AI
  73. 73FAI i naturvetenskap: från proteiner till klimat
  74. 74EBaslinjer och kontroller
  75. 75GMechanistic interpretability — grunderna
  76. 76FAktiveringar och linjära sonder
  77. 77FLäsa och analysera forskningsartiklar
  78. 78EReproducerbarhet
  79. 79GAblationsstudier
  80. 80EExperimentspårning
  81. 81ELabbjournal och experimentlogg
  82. 82GPlanera ett eget forskningsprojekt
  83. 83GKretsar, ablation och aktiveringspatchning
  84. 84GReproducera ett paper
  85. 85FSkriva en teknisk rapport
  86. 86GProjekt G: självständigt forskningsprojekt
  87. 87GGranska andras arbete