Hoppa till innehållet
AI-grafen
Logga in
☰ Meny

Mål G Frontier Lab

Reproducera ett paper

Läs en forskningsartikel, formulera hypotesen, implementera metoden, kör ablationer och jämför med publicerade resultat.

Kunskaper
43
Från noll
ca 35 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: ablation — vilken komponent gör jobbet?Gsandlåda · ca 90 minSlutprov: bygg ett spårbart RAG-flödeEsandlåda · ca 75 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 min

Hela vägen

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

AUpptäckare2 kunskaper
  1. Mönster och kategorier
  2. Sekvenser och exakta instruktioner
BUtforskare6 kunskaper
  1. Data i vardagen
  2. Algoritmiskt tänkande
  3. Regelbaserade system och maskininlärning
  4. Källkritik och ansvar vid AI-användning
  5. Träningsdata, features och etiketter
  6. 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. Statistik — medelvärde, median och spridning
  6. Sannolikhet — grunderna
  7. Linjär regression: anpassa en rät linje till data
  8. Neuronnät — intuitionen
  9. Promptning — att styra en språkmodell
DAI-utvecklare17 kunskaper
  1. Derivata och optimering
  2. Loss-funktioner
  3. Tokenisering
  4. Gradient descent
  5. Vektorer
  6. Matriser och matrismultiplikation
  7. Linjär regression med flera features
  8. Neuronnät — forward pass med matriser
  9. Backpropagation
  10. Embeddings — ord som vektorer
  11. Attention
  12. Overfitting och generalisering
  13. PyTorch — tensorer och autograd
  14. Retrieval — hitta rätt text
  15. Träning, validering och test
  16. Träna ett neuronnät i PyTorch
  17. Transformers — arkitekturen
EUniversitet5 kunskaper
  1. Språkmodeller — träning och generering
  2. Modellutvärdering
  3. RAG — retrieval-augmented generation
  4. Vetenskaplig metod i AI
  5. Reproducerbarhet
FAI engineering2 kunskaper
  1. Evals för språkmodeller och agenter
  2. Läsa och analysera forskningsartiklar
GFrontier Lab2 kunskaper
  1. Ablationsstudier
  2. Reproducera ett paper