Θεμέλια AI
Κατανοήστε τι είναι η τεχνητή νοημοσύνη, πώς μαθαίνουν τα συστήματα, πού αποτυγχάνουν και πώς να κρίνετε ισχυρισμούς χωρίς διαφημιστική εκστρατεία.
Δωρεάν βιβλιοθήκη AI
1019 Απλοί Αγγλικοί οδηγοί, δομημένες διαδρομές μάθησης και μια ανοιχτή βιβλιοθήκη — χτισμένη από έναν ανεξάρτητο μη κερδοσκοπικό οργανισμό 501(c)(3), ώστε ο καθένας να μπορεί να κατανοήσει τη σύγχρονη τεχνητή νοημοσύνη.
Ξεκινήστε εδώ
Κάθε μάθημα περιλαμβάνει σαφή αποτελέσματα, χαρτογραφημένες ικανότητες, δραστηριότητες εξάσκησης και ένα εφαρμοσμένο ορόσημο.
Κατανοήστε τι είναι η τεχνητή νοημοσύνη, πώς μαθαίνουν τα συστήματα, πού αποτυγχάνουν και πώς να κρίνετε ισχυρισμούς χωρίς διαφημιστική εκστρατεία.
Χρησιμοποιήστε την τεχνητή νοημοσύνη παραγωγικά προστατεύοντας παράλληλα το απόρρητο, ελέγχοντας τα αποτελέσματα και διατηρώντας την ανθρώπινη ευθύνη.
Αξιολογήστε περιπτώσεις χρήσης στο χώρο εργασίας, εκτελέστε ασφαλείς πιλότους, μετρήστε την αξία και κοινοποιήστε τις αλλαγές με υπευθυνότητα.
Αναλύστε συστήματα τεχνητής νοημοσύνης μέσω δικαιωμάτων, ισότητας, διακυβέρνησης, ασφάλειας και αποτελεσμάτων δημοσίου συμφέροντος.
Κατανοήστε τα γλωσσικά μοντέλα, την ανάκτηση, τους πράκτορες, την αξιολόγηση, το κόστος και τις διασφαλίσεις ανάπτυξης μέσω του πρακτικού σχεδιασμού του συστήματος.
Θεματικά κομμάτια
Πήδα στην περιοχή που σε ενδιαφέρει. Κάθε κομμάτι έχει πολλούς απλούς αγγλικούς οδηγούς.
Πλήρης βιβλιοθήκη
1019 του 1019 εμφανίζονται οδηγοί. Φιλτράρισμα ανά κομμάτι ή αναζήτηση παραπάνω.
Η γραμμική ανίχνευση ελέγχει πόσο καλές είναι οι εσωτερικές αναπαραστάσεις ενός προεκπαιδευμένου μοντέλου παγώνοντας το δίκτυο και εκπαιδεύοντας μόνο έναν απλό γραμμικό ταξινομητή στην κορυφή.
Γλώσσα AIΗ κερδοσκοπική δειγματοληψία επιταχύνει τη δημιουργία μεγάλων γλωσσικών μοντέλων αφήνοντας ένα μικρό «πρόχειρο» μοντέλο να μαντέψει αρκετά διακριτικά μπροστά και στη συνέχεια να επαληθεύσει το μεγάλο μοντέλο…
Γλώσσα AIΗ δειγματοληψία με βάση την εντροπία προσαρμόζει τον τρόπο με τον οποίο ένα LLM επιλέγει το επόμενο διακριτικό του με βάση το πόσο αβέβαιο είναι το μοντέλο εκείνη τη στιγμή.
ΤεχνικάΤο DenseNet είναι ένα συνελικτικό δίκτυο όπου κάθε επίπεδο λαμβάνει ως είσοδο τους χάρτες χαρακτηριστικών όλων των προηγούμενων επιπέδων.
ΤεχνικάΜια αρχιτεκτονική σημείων συμφόρησης συμπιέζει δεδομένα μέσω ενός στενού ενδιάμεσου επιπέδου πριν τα επεκτείνει ξανά, αναγκάζοντας το δίκτυο να μάθει συμπαγή, αποτελεσματικά…
ΤεχνικάΗ συσσώρευση διαβάθμισης σάς επιτρέπει να προσομοιώσετε ένα μεγάλο μέγεθος παρτίδας σε περιορισμένη μνήμη GPU, αθροίζοντας τις διαβαθμίσεις σε πολλές μικρές μίνι παρτίδες πριν από την ενημέρωση…
Βασικές αρχέςΗ πρόωρη διακοπή είναι μια τεχνική τακτοποίησης που σταματά την εκπαίδευση μοντέλων τη στιγμή που η απόδοση στα δεδομένα επικύρωσης που παρακρατούνται σταματά να βελτιώνεται.
ΤεχνικάΗ επιβολή δασκάλων είναι ένα εκπαιδευτικό τέχνασμα για μοντέλα ακολουθιών όπου το αληθινό προηγούμενο διακριτικό, όχι η εικασία του ίδιου του μοντέλου, τροφοδοτείται ως η επόμενη είσοδος.
ΤεχνικάΗ μεροληψία έκθεσης είναι το κενό που εμφανίζεται όταν ένα μοντέλο που εκπαιδεύεται μόνο σε τέλεια προθέματα πρέπει, κατά συμπέρασμα, να εξαρτηθεί από τα δικά του ατελή αποτελέσματα.
ΤεχνικάΗ εστιακή απώλεια είναι μια τροποποιημένη συνάρτηση απώλειας που μειώνει τα εύκολα παραδείγματα, έτσι ώστε ένας ανιχνευτής να μπορεί να εστιάσει στα σκληρά, σπάνια.
Βασικές αρχέςΤο Momentum είναι μια προσαρμογή στην κλίση κατάβασης που συγκεντρώνει έναν τρέχοντα μέσο όρο των προηγούμενων κλίσεων, αφήνοντας τη βελτιστοποίηση να κυλά γρηγορότερα στις κοιλάδες και να αμβλύνει…
Βασικές αρχέςΤο Nesterov Accelerated Gradient (NAG) είναι μια πιο έξυπνη μορφή ορμής που κοιτάζει μπροστά πριν τον υπολογισμό της κλίσης, δίνοντάς της μια διορθωτική ματιά στο μέλλον.
Check what you learned with a topic quiz, then explore our structured courses or work toward a certificate. Every guide stays free to read.