Sannolikhet — grunderna
Kunna beräkna sannolikheter för enkla händelser, kombinera oberoende händelser, och tolka en sannolikhet som en modell ger — t.ex. "83 % katt".
Öva i Mattegrafen ↗ · Sannolikhet och statistikFörkunskaper
Intuition
Sannolikhet är ett tal mellan 0 (omöjligt) och 1 (säkert). Tärning: P(sexa) = 1/6. Kasta två tärningar: P(två sexor) = 1/6 · 1/6 = 1/36, eftersom kasten är oberoende.
Sannolikheterna för alla möjliga utfall summerar alltid till 1. Det är en av de viktigaste reglerna — och den som AI-modeller lutar sig mot hela tiden.
Formellt
När en bildmodell säger "katt 0,83, hund 0,15, annat 0,02" är det en sannolikhetsfördelning över kategorier: summan är 1. Modellen är inte säker — den fördelar sin tro.
En språkmodell gör samma sak för nästa ord: en fördelning över hela ordförrådet. "Kattens svans är …" → lång 0,31, mjuk 0,22, randig 0,08 … Att "generera text" är att dra ord ur sådana fördelningar, ett i taget.
Grundregler: P(A eller B) = P(A) + P(B) om A och B inte kan ske samtidigt; P(A och B) = P(A) · P(B) om de är oberoende; P(inte A) = 1 − P(A).
Behärskning innebär
- Beräknar sannolikhet som gynnsamma/möjliga utfall
- Multiplicerar sannolikheter för oberoende händelser
Logga in för att göra övningarna och bygga upp din behärskning.
Källor
Leder till
- DBetingad sannolikhet
- DHur en språkmodell tränas — på gymnasienivå
- DLogistisk regression och beslutsträd
- DLoss-funktioner
- DPrecision, recall, F1 och ROC
- DSannolikhetsfördelningar
- Dn-gram-språkmodeller
- EFlerarmade banditer
- EGenerativa modeller — översikt
- EInformationsteori: entropi och KL-divergens
- EIntegraler i sannolikhet: väntevärde
- EReinforcement learning — grunderna
- FKalibrering och osäkerhet i modeller
Del av målen (30)
- Förstå hur generativ AI fungerar
- Matematiken bakom modellerna
- Statistik för experiment
- Träna en agent med belöning
- Språkmodeller i praktiken
- Klassisk maskininlärning i praktiken
- AI i produktion
- Finjustera och driva egna modeller
- Generativa modeller i djupet
- AI-säkerhet i praktiken
- Djup reinforcement learning
- Träna ditt första neuronnät
- Bygg ett röstgränssnitt
- Ansvarsfull AI i praktiken
- Klassisk ML på riktigt
- Tolka en språkmodell
- Träna neuronnät på riktigt
- Kör modeller billigare: kvantisering
- Bygg ett NLP-system end-to-end
- Multimodala system
- Bygg ett RAG-system som går att lita på
- Frontier Lab — självständigt forskningsprojekt
- Evals i praktiken
- Bygg en agent som går att lita på
- Bygg ett minnessystem för en agent
- Finjustera en modell med LoRA
- AI-tjänst i drift
- Bygg en AI-tjänst som håller i drift
- Bygg en transformer från grunden
- Reproducera ett paper