Fondements de l'IA
Comprenez ce qu'est l'IA, comment les systèmes apprennent, où ils échouent et comment juger les réclamations sans battage médiatique.
Bibliothèque IA gratuite
177 des guides en anglais simple, des parcours d'apprentissage structurés et une bibliothèque ouverte — construits par une organisation à but non lucratif indépendante 501(c)(3) pour que tout le monde puisse comprendre l'IA moderne.
Commencez ici
Chaque cours comprend des résultats explicites, des compétences cartographiées, des activités pratiques et une synthèse appliquée.
Comprenez ce qu'est l'IA, comment les systèmes apprennent, où ils échouent et comment juger les réclamations sans battage médiatique.
Utilisez l’IA de manière productive tout en protégeant la confidentialité, en vérifiant les résultats et en préservant la responsabilité humaine.
Évaluez les cas d'utilisation sur le lieu de travail, exécutez des projets pilotes sûrs, mesurez la valeur et communiquez les changements de manière responsable.
Analysez les systèmes d’IA en termes de droits, d’équité, de gouvernance, de sécurité et d’intérêt public.
Comprenez les modèles de langage, la récupération, les agents, l'évaluation, les coûts et les garanties de déploiement grâce à une conception de système pratique.
Pistes thématiques
Sautez dans la zone qui vous tient à cœur. Chaque piste comporte plusieurs guides en anglais simple.
Bibliothèque complète
177 de 1019 guides illustrés. Filtrez par piste ou recherchez ci-dessus.
Le déploiement de l'attention est une méthode permettant de suivre la manière dont les informations circulent à travers les couches d'attention empilées d'un transformateur pour expliquer quels jetons d'entrée influencent…
TechniqueL'optimisation du second ordre utilise les informations de courbure (la matrice hessienne des dérivées secondes) pour prendre des mesures plus intelligentes vers un minimum, et pas seulement vers la pente.
TechniqueRMSNorm est une couche de normalisation légère qui redimensionne les activations en fonction de leur valeur efficace, et la normalisation de la pré-couche se place avant chacune…
TechniqueSwiGLU est une fonction d'activation fermée qui multiplie une projection linéaire de l'entrée par une deuxième projection activée par Swish, agissant comme un apprentissage…
TechniqueLes blocs Squeeze-and-Excitation (SE) permettent à un réseau convolutif d'apprendre combien pondérer chaque canal de fonctionnalités, en les recalibrant en fonction du contexte global.
TechniqueL'échauffement augmente doucement le taux d'apprentissage à partir de près de zéro avant l'entraînement, puis le recuit cosinus le diminue progressivement en suivant une courbe cosinus.
TechniqueLes taux d'apprentissage cycliques font monter et descendre à plusieurs reprises le taux d'apprentissage entre une limite inférieure et une limite supérieure au lieu de simplement le diminuer.
TechniqueLa minimisation sensible à la netteté (SAM) est une méthode d'optimisation qui recherche non seulement une faible perte, mais aussi une faible perte sur tout un quartier de poids - un plat…
TechniqueLe sondage linéaire teste la qualité des représentations internes d'un modèle pré-entraîné en gelant le réseau et en entraînant uniquement un simple classificateur linéaire par-dessus.
TechniqueDenseNet est un réseau convolutionnel où chaque couche reçoit en entrée les cartes de caractéristiques de toutes les couches précédentes.
TechniqueUne architecture à goulot d'étranglement fait passer les données à travers une couche intermédiaire étroite avant de les étendre à nouveau, obligeant le réseau à apprendre à être compact, efficace…
TechniqueL'accumulation de dégradés vous permet de simuler un lot de grande taille sur une mémoire GPU limitée en additionnant les dégradés sur plusieurs petits mini-lots avant la mise à jour…
Check what you learned with a topic quiz, then explore our structured courses or work toward a certificate. Every guide stays free to read.