Θεμέλια AI

• Explain training and inference in plain language.
• Separate demonstrated capability from marketing claims.
• Evaluate AI outputs using evidence, uncertainty, and fit-for-purpose tests.

Prerequisites:None.

1. 1

   What AI is

   Αποτέλεσμα: Distinguish AI, machine learning, and ordinary software.

   Πρακτική: Classify five everyday systems and explain which definition of AI you used.

   AI concepts and boundaries
   Τι είναι το AI; →Βασικά στοιχεία μηχανικής μάθησης →
2. 2

   How systems learn

   Αποτέλεσμα: Describe the role of examples, objectives, and generalization.

   Πρακτική: Diagnose why a model can perform well in testing but fail for a new population.

   Data, training, and generalization
   Πώς μαθαίνει το AI →Βασικά στοιχεία μηχανικής μάθησης →Εκπαίδευση AI →
3. 3

   Models and inference

   Αποτέλεσμα: Explain what happens when a trained model produces an output.

   Πρακτική: Trace one user request from input through model output and human review.

   Μοντέλα, συμπεράσματα και περιορισμοί
   Επεξήγηση μοντέλων AI →Συμπέρασμα AI →Νευρωνικά Δίκτυα →
4. 4

   Evidence and uncertainty

   Αποτέλεσμα: Check claims, benchmarks, and confident-sounding outputs.

   Πρακτική: Create a claim ledger for one AI product announcement.

   Αλφαβητισμός αξιολόγησης και συγκριτικής αξιολόγησηςUncertainty and confidence calibrationΕπαλήθευση πηγής και αξίωσης
   Σημεία αναφοράς AI →Ψευδαισθήσεις AI →Μύθοι AI →