Основи на AI
Understand what AI is, how systems learn, where they fail, and how to judge claims without hype.
Безплатна AI библиотека
84 ръководства на обикновен английски език, структурирани пътеки за обучение и отворена библиотека — създадена от независима 501(c)(3) организация с нестопанска цел, така че всеки да може да разбере модерния AI.
Започнете тук
Each course includes explicit outcomes, mapped competencies, practice activities, and an applied capstone.
Understand what AI is, how systems learn, where they fail, and how to judge claims without hype.
Use AI productively while protecting privacy, checking outputs, and preserving human accountability.
Evaluate workplace use cases, run safe pilots, measure value, and communicate changes responsibly.
Analyze AI systems through rights, equity, governance, safety, and public-interest outcomes.
Understand language models, retrieval, agents, evaluation, cost, and deployment safeguards through practical system design.
Тематични песни
Скочете в района, който ви интересува. Всяка песен има множество ръководства на обикновен английски.
Пълна библиотека
84 на 1019 показани ръководства. Филтрирайте по песен или потърсете по-горе.
Дифузионните модели генерират изображения, като се научават да обръщат процес на шум, превръщайки произволни статики в детайлни картини стъпка по стъпка.
ОсновиМалкократното обучение е способността да научите нова задача само от шепа примери вместо от хиляди.
ОсновиВгражданията превръщат думи, изображения или други данни в списъци с числа (вектори), така че подобни неща да се окажат близо едно до друго в пространство с големи измерения.
ОсновиТокенизацията е стъпката, която разделя текста на по-малки части, наречени токени, единиците, които езиковият модел всъщност чете и предсказва.
ОсновиИнженерингът на функции е занаятът за превръщане на необработените данни в информативни входове (характеристики), които помагат на модела да се учи.
ОсновиДървото на решенията прави прогнози, като задава поредица от прости въпроси с да/не, като блок-схема.
ОсновиМашината за поддържащи вектори (SVM) е класически алгоритъм, който разделя две групи чрез начертаване на възможно най-широката граница между тях.
ОсновиНамаляването на размерността свива данните от много колони (характеристики) до няколко, като запазва важната структура.
ОсновиТрансферното обучение използва повторно модел, който вече е обучен върху голям набор от данни, и го адаптира към нова, свързана задача.
ОсновиСамоконтролираното обучение обучава модели върху немаркирани данни чрез измисляне на задача, чийто отговор е скрит в самите данни.
ОсновиПолуконтролираното обучение се обучава върху малко количество етикетирани данни плюс голям набор от немаркирани данни.
ОсновиОткриването на аномалии е практика на обучение на машини да маркират точки от данни, които рязко се отклоняват от нормалните модели.
Check what you learned with topic quizzes, then explore our structured courses and current certification requirements. Core guides remain free to read.