AI základy
Pochopte, co je AI, jak se systémy učí, kde selhávají a jak posuzovat tvrzení bez přehánění.
AI knihovna zdarma
1019 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
1019 z 1019 zobrazena vodítka. Filtrujte podle skladby nebo vyhledávání výše.
Destilace znalostí trénuje malý „studentský“ model tak, aby napodoboval velký a přesný „učitelský“ model.
TechnickýMixture of Experts (MoE) je modelový návrh, který rozděluje síť do mnoha specializovaných podsítí a aktivuje pouze několik na jeden vstup.
ZákladyVložení mění slova, obrázky nebo jiná data na seznamy čísel (vektorů), takže podobné věci končí těsně u sebe ve vysokorozměrném prostoru.
ZákladyTokenizace je krok, který rozseká text na menší kousky zvané tokeny, jednotky, které jazykový model skutečně čte a předpovídá.
ZákladyFunkce Feature Engineering je umění převádět nezpracovaná data na informativní vstupy (funkce), které pomáhají modelu učit se.
TechnickýKvantování modelu zmenšuje neuronovou síť uložením jejích čísel v méně bitech, takže stejný model běží rychleji a na menším hardwaru.
TechnickýFederované učení trénuje sdílený model napříč mnoha zařízeními nebo organizacemi bez shromažďování nezpracovaných dat na jednom místě.
ZákladyRozhodovací strom vytváří předpovědi kladením řady jednoduchých otázek ano/ne, jako je vývojový diagram.
ZákladyPodporný vektorový stroj (SVM) je klasický algoritmus, který odděluje dvě skupiny tak, že mezi nimi nakreslí nejširší možnou hranici.
ZákladyRedukce rozměrů zmenšuje data z mnoha sloupců (prvků) na několik, přičemž zachovává důležitou strukturu.
ZákladyTransfer learning znovu používá model již natrénovaný na velké datové sadě a přizpůsobuje jej novému souvisejícímu úkolu.
ZákladySamokontrolované učení trénuje modely na neoznačených datech vynalézáním úlohy, jejíž odpověď je skryta uvnitř samotných dat.
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.