AI základy
Pochopte, co je AI, jak se systémy učí, kde selhávají a jak posuzovat tvrzení bez přehánění.
AI knihovna zdarma
84 Průvodci v jednoduché angličtině, strukturované výukové programy a otevřená knihovna – vytvořené nezávislou neziskovou organizací 501(c)(3), takže moderní umělé inteligenci může porozumět každý.
Začněte zde
Každý kurz obsahuje explicitní výsledky, namapované kompetence, cvičné aktivity a aplikovaný závěrečný projekt.
Pochopte, co je AI, jak se systémy učí, kde selhávají a jak posuzovat tvrzení bez přehánění.
Používejte AI produktivně, zároveň chránit soukromí, kontrolovat výstupy a zachovávat lidskou odpovědnost.
Vyhodnocujte případy použití na pracovišti, spusávejte bezpečné pilotní projekty, měřte hodnotu a zodpovědně komunikujte změny.
Analyzovat AI systémy z hlediska práv, spravedlnosti, správy, bezpečnosti a výsledků veřejného zájmu.
Pochopte jazykové modely, vyhledávání, agenty, hodnocení, náklady a bezpečnostní opatření nasazení prostřednictvím praktického návrhu systému.
Tématické stopy
Skočte do oblasti, na které vám záleží. Každá trať má několik jednoduchých anglických průvodců.
Plná knihovna
84 z 1019 zobrazena vodítka. Filtrujte podle skladby nebo vyhledávání výše.
Meta-učení, neboli „učit se učit“, trénuje modely, aby se rychle přizpůsobily zcela novým úkolům, a to pouze z několika příkladů.
ZákladyEnsemble metody kombinují mnoho jednoduchých modelů, takže skupina dělá lepší předpovědi než jakýkoli jednotlivý model.
ZákladyBayesovské hluboké učení zachází s váhami neuronové sítě spíše jako s rozdělením pravděpodobnosti než s pevnými čísly, takže model může říci, jak je jistý.
ZákladyVýuka kurikula trénuje modely umělé inteligence na příkladech v záměrném pořadí – nejprve snadno, později obtížně – namísto podávání dat v náhodném pořadí.
ZákladyNeural Architecture Search (NAS) automatizuje návrh struktur neuronové sítě – nechává algoritmy, ne lidi, rozhodovat o tom, kolik vrstev, jaké operace…
ZákladyKontinuální učení je cílem trénovat AI na proudu nových úkolů v průběhu času, aniž by se vymazalo to, co již zná.
ZákladyVariační autokodéry (VAE) jsou generativní neuronové sítě, které se učí komprimovat data do hladkého, pravděpodobnostního latentního prostoru a poté rekonstruovat…
ZákladyModely stavového prostoru (SSM) jsou sekvenční modely, které přenášejí informace vpřed prostřednictvím komprimovaného skrytého stavu, lineárně se škálují s délkou sekvence místo toho…
ZákladyGrafové neuronové sítě (GNN) jsou modely, které se učí přímo na grafově strukturovaných datech – uzlech spojených hranami – předáváním a agregací informací…
ZákladyMulti-Agent Reinforcement Learning (MARL) trénuje několik učících se agentů, kteří sdílejí prostředí, přičemž každý přizpůsobuje své chování, zatímco ostatní se přizpůsobují také.
ZákladyAktivní učení je tréninková strategie, kde si model sám vybírá, které neoznačené příklady by měl člověk označit jako další.
ZákladyRozšíření dat uměle rozšiřuje trénovací sadu vytvářením upravených kopií existujících příkladů – jako je obracení nebo ořezávání obrázků.
Zkontrolujte, co jste se naučili, pomocí tematického kvízu a poté prozkoumejte naše strukturované kurzy nebo se snažte získat certifikát. Každý průvodce zůstává zdarma ke čtení.