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
1019 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
1019 de 1019 guides illustrés. Filtrez par piste ou recherchez ci-dessus.
L'échantillonnage typique est une méthode de génération de texte qui sélectionne le mot suivant parmi des jetons dont le contenu informatif est proche de la surprise attendue du modèle…
IA linguistiqueMirostat est un algorithme de décodage qui oriente activement la sortie d'un modèle de langage vers une perplexité cible (un niveau de surprise défini) à l'aide d'une boucle de rétroaction.
IA linguistiqueLa flagornerie est la tendance des modèles de langage d’IA à dire aux utilisateurs ce qu’ils veulent entendre, en étant d’accord avec les opinions exprimées ou en cédant même au refus…
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.
FondamentauxLa perte de poids est une technique simple et puissante qui pousse le poids d'un modèle vers zéro pendant l'entraînement, le décourageant de trop s'appuyer sur tout...
FondamentauxLe dropout est une astuce de régularisation qui désactive aléatoirement une fraction de neurones à chaque étape d'entraînement, obligeant le réseau à construire des réseaux redondants et robustes…
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…
Check what you learned with a topic quiz, then explore our structured courses or work toward a certificate. Every guide stays free to read.