Hoppa till innehållet
AI-grafen
Logga in
☰ Meny

Mål E Universitet

Bygg ett NLP-system end-to-end

Universitetsnivå. Från statistisk inlärning och transformers till ett serverat textsystem med evals, tester och dokumentation.

Kunskaper
47
Från noll
ca 36 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: bygg en eval-harnessEsandlåda · ca 60 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: semantisk sökning med embeddingsDsandlåda · ca 45 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
BUtforskare5 kunskaper
  1. Data i vardagen
  2. Algoritmiskt tänkande
  3. Regelbaserade system och maskininlärning
  4. Träningsdata, features och etiketter
  5. Klassificering: hur en modell sorterar information
CByggare10 kunskaper
  1. Funktioner och koordinatsystem
  2. Programmeringslogik — variabler, villkor, loopar
  3. Python — grunderna
  4. Python — listor, loopar och dictionaries
  5. Python — strängar och textbehandling
  6. Python — filer, CSV och JSON
  7. Statistik — medelvärde, median och spridning
  8. Sannolikhet — grunderna
  9. Linjär regression: anpassa en rät linje till data
  10. Neuronnät — intuitionen
DAI-utvecklare21 kunskaper
  1. Derivata och optimering
  2. Python — funktioner, scope och undantag
  3. Python — klasser och objekt
  4. API:er och HTTP
  5. Loss-funktioner
  6. Testning med pytest
  7. Tokenisering
  8. Gradient descent
  9. Precision, recall, F1 och ROC
  10. Vektorer
  11. Matriser och matrismultiplikation
  12. Linjär regression med flera features
  13. Neuronnät — forward pass med matriser
  14. Backpropagation
  15. Embeddings — ord som vektorer
  16. Attention
  17. Overfitting och generalisering
  18. PyTorch — tensorer och autograd
  19. Träning, validering och test
  20. Träna ett neuronnät i PyTorch
  21. Transformers — arkitekturen
EUniversitet9 kunskaper
  1. Asynkron programmering
  2. Bygga ett API med FastAPI
  3. BERT och maskerad språkmodellering
  4. Språkmodeller — träning och generering
  5. Modellutvärdering
  6. Bygg en eval-harness
  7. Textklassificering med transformers
  8. Projekt E: ett NLP-system end-to-end
  9. Vetenskaplig metod i AI