Hoppa till innehållet
AI-grafen
Logga in
☰ Meny

Mål F AI engineering

Generativa modeller i djupet

Diffusion, GAN och hur man faktiskt utvärderar en modell som skapar innehåll — inklusive memoreringskontroll.

Kunskaper
63
Från noll
ca 52 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: 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: semantisk sökning med embeddingsDsandlåda · ca 45 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

AUpptäckare3 kunskaper
  1. Mönster och kategorier
  2. Sekvenser och exakta instruktioner
  3. Heltalsaritmetik och räkneordning
BUtforskare8 kunskaper
  1. Data i vardagen
  2. Algoritmiskt tänkande
  3. Regelbaserade system och maskininlärning
  4. Binära tal och bitar
  5. Bråk, decimaltal och procent
  6. Negativa tal i vardagen och AI
  7. Träningsdata, features och etiketter
  8. Klassificering: hur en modell sorterar information
CByggare11 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. Digital representation: text, bilder och ljud
  8. Linjär regression: anpassa en rät linje till data
  9. Neuronnät — intuitionen
  10. Variabler och algebraiska uttryck
  11. Potenser och rötter
DAI-utvecklare19 kunskaper
  1. Derivata och optimering
  2. Integraler — grunderna
  3. Loss-funktioner
  4. Tokenisering
  5. Gradient descent
  6. Logaritmer
  7. Vektorer
  8. Matriser och matrismultiplikation
  9. Linjär regression med flera features
  10. Neuronnät — forward pass med matriser
  11. Backpropagation
  12. Embeddings — ord som vektorer
  13. Attention
  14. NumPy — arrayer och vektorisering
  15. Overfitting och generalisering
  16. PyTorch — tensorer och autograd
  17. Träning, validering och test
  18. Träna ett neuronnät i PyTorch
  19. Transformers — arkitekturen
EUniversitet14 kunskaper
  1. Integraler i sannolikhet: väntevärde
  2. Informationsteori: entropi och KL-divergens
  3. Linjära avbildningar
  4. Egenvärden och egenvektorer
  5. Matrisfaktorisering och lågrangsapproximation
  6. Faltningsnät (CNN)
  7. Generativa modeller — översikt
  8. Bildförbehandling och augmentering
  9. Singulärvärdesuppdelning (SVD)
  10. PCA — principalkomponentanalys
  11. Autoencoders
  12. Språkmodeller — träning och generering
  13. Modellutvärdering
  14. Vision Transformer (ViT)
FAI engineering6 kunskaper
  1. Diffusionsmodeller
  2. GAN
  3. CLIP och kontrastiv bild–text-inlärning
  4. Latent diffusion och text-till-bild
  5. Utvärdering av generativa modeller
  6. Variational autoencoders
GFrontier Lab2 kunskaper
  1. Diffusionsmodeller — matematiken
  2. Flow matching