Hoppa till innehållet
AI-grafen

Tolka en språkmodell

Attention-mönster, logit lens och förklaringar för slutanvändare — hur man ser vad en modell gör, och var gränsen går för vad en förklaring bevisar.

F· AI engineering

Alla kunskaper som ingår (66) — i beroendeordning

  1. 1AMönster och kategorier
  2. 2BData från vardagen
  3. 3AInstruktioner i rätt ordning
  4. 4BAlgoritmiskt tänkande
  5. 5CFunktioner och koordinatsystem
  6. 6DDerivata och optimering
  7. 7CProgrammeringslogik — variabler, villkor, loopar
  8. 8CPython — grunderna
  9. 9CPython — listor, loopar och dictionaries
  10. 10BRegler kontra inlärning
  11. 11BKällkritik och ansvar när AI svarar
  12. 12CStatistik — medelvärde, median och spridning
  13. 13CSannolikhet — grunderna
  14. 14DLoss-funktioner
  15. 15ATal och de fyra räknesätten
  16. 16BBinära tal och bitar
  17. 17BBråk, decimaltal och procent
  18. 18CHur datorn lagrar text, bilder och ljud
  19. 19AJämföra och sortera tal
  20. 20BKoordinater: hitta på kartan
  21. 21CProportionalitet och skala
  22. 22CLinjära samband i tabeller
  23. 23CLinjen genom punkterna
  24. 24DTokenisering
  25. 25BTräningsdata, features och etiketter
  26. 26BKlassificering — så sorterar en modell
  27. 27CDin första prediktiva modell — en rät linje
  28. 28DGradient descent
  29. 29CNeuronnät — intuitionen
  30. 30CPromptning — att styra en språkmodell
  31. 31CAnsvarsfull användning av AI
  32. 32DVektorer
  33. 33DMatriser och matrismultiplikation
  34. 34CBilder som matriser
  35. 35DLinjär regression med flera features
  36. 36DLogistisk regression och beslutsträd
  37. 37EFörklarbarhet för slutanvändare
  38. 38ELinjära avbildningar
  39. 39EEgenvärden och egenvektorer
  40. 40EMatrisfaktorisering och lågrangsapproximation
  41. 41DNeuronnät — forward pass med matriser
  42. 42DBackpropagation
  43. 43DVad ser nätet? Bilder genom lagren
  44. 44DEmbeddings — ord som vektorer
  45. 45DAttention
  46. 46EVisualisera attention-mönster
  47. 47DOverfitting och generalisering
  48. 48DPyTorch — tensorer och autograd
  49. 49ESingulärvärdesuppdelning (SVD)
  50. 50EPCA — principalkomponentanalys
  51. 51EAutoencoders
  52. 52DTräning, validering och test
  53. 53DTräna ett neuronnät i PyTorch
  54. 54DTransformers — arkitekturen
  55. 55EMulti-head attention i detalj
  56. 56ESpråkmodeller — träning och generering
  57. 57EModellutvärdering
  58. 58EVetenskaplig metod i AI
  59. 59GMechanistic interpretability — grunderna
  60. 60FAktiveringar och linjära sonder
  61. 61GLogit lens och residualströmmen
  62. 62GSparse autoencoders för features
  63. 63CVrid på rattarna: vikter
  64. 64CLager på lager
  65. 65CTräna ett neuronnät i webbläsaren
  66. 66DTitta in i nätet