01
AI alapok
Understand what AI is, how systems learn, where they fail, and how to judge claims without hype.
Ingyenes AI könyvtár
Alapok útmutatókÖrökre ingyen.
84 egyszerű angol nyelvű útmutatók, strukturált tanulási útvonalak és nyílt könyvtár – egy független 501(c)(3) nonprofit szervezet építette, így bárki megértheti a modern AI-t.
84Ingyenes útmutatók
1Témasávok
~2 minÚtmutató szerint
~3hReading time
Kezdje itt
Five outcome-based courses
Each course includes explicit outcomes, mapped competencies, practice activities, and an applied capstone.
02
Felelős MI felhasználó
Use AI productively while protecting privacy, checking outputs, and preserving human accountability.
03
AI at Work
Evaluate workplace use cases, run safe pilots, measure value, and communicate changes responsibly.
04
AI Policy & Society
Analyze AI systems through rights, equity, governance, safety, and public-interest outcomes.
05
Építkezés MI rendszerekkel
Értsék meg a nyelvi modelleket, a lekérdezést, az ügynököket, az értékelést, a költségeket és a telepítési védelmeket gyakorlati rendszertervezésen keresztül.
Témasávok
Böngésszen szám szerint
Ugorjon be a számodra fontos területre. Minden számnak több egyszerű angol nyelvű útmutatója van.
AlapokAlapfogalmak: hogyan működik az AI magas szinten.84 útmutatók Nyelvi AILLM-ek, NLP, ChatGPT, felszólítás és szövegértés.155 útmutatók Vizuális AIKépgenerálás, számítógépes látás, videózás és tervezés.133 útmutatók Audio AIHang, zene, podcast és audio-első AI.117 útmutatók VállalatokA OpenAI, Anthropic, Google, Meta és mások profiljai.121 útmutatók AlkalmazásokHogyan jelenik meg az AI a kódolásban, a keresésben, az ügynökökben és a mindennapi életben.111 útmutatók IparágakAI az egészségügyben, a pénzügyekben, az oktatásban, az energetikában és egyebekben.91 útmutatók MűszakiChipek, finomhangolás, RAG, vektorok és AI-infrastruktúra.177 útmutatók TársadalomElfogultság, adatvédelem, szerzői jogok, biztonság és a mesterséges intelligencia jövője.30 útmutatók
Teljes könyvtár
Minden útmutató
84 -ból 1019 útmutatók láthatók. Szűrés sáv szerint vagy keresés fent.
Alapok
Önjáték finomhangolás
Az önjátszó finomhangolás javítja a modellt azáltal, hogy versenyez a saját múltbeli kimeneteivel, vagy tanul azokból, saját képzési jelet generálva.
AlapokTesztidős képzés
A tesztidős tréning (TTT) lehetővé teszi, hogy a modell folyamatosan tanuljon minden új bemenetből abban a pillanatban, amikor előrejelzést készít, ahelyett, hogy edzés után fagyott maradna.
AlapokGrokking és a késleltetett általánosítás
A Grokking egy megdöbbentő jelenség, amikor egy neurális hálózat először megjegyzi a betanítási adatait, hosszú ideig nullához közeli érvényesítési pontossággal ül, majd…
AlapokTúl- és alulfitting
A túlillesztés az, amikor egy modell megjegyzi a betanítási adatait, és az új példákon kudarcot vall; alulillesztésről van szó, ha túl egyszerű a valódi minta rögzítése.
AlapokRendszeresítés
A szabályosítás olyan technikák halmaza, amelyek szándékosan korlátozzák a modellt, így új adatokra általánosít, ahelyett, hogy a betanító halmazt memorizálná.
AlapokVisszaszaporítás
A visszaterjesztés az az algoritmus, amely lehetővé teszi a neurális hálózat számára, hogy tanuljon a hibáiból azáltal, hogy hatékonyan kiszámítja, hogy az egyes súlyok mennyiben járultak hozzá a hibához.
AlapokGradiens Descent
A gradiens süllyedés az az optimalizálási módszer, amely a modell súlyait lefelé mozgatja az alacsonyabb hiba irányába, kis lépésenként.
AlapokVesztési funkciók
A veszteségfüggvény az az egyetlen szám, amely megmondja a modellnek, hogy mennyire tévesek az előrejelzései, és egy homályos célt valami matematikailag optimalizálhatóvá alakít.
AlapokAktiválási funkciók
Az aktiválási függvények az egyes neuronokon belüli kis nemlineáris kapuk, amelyek lehetővé teszik a neurális hálózatok számára, hogy összetett, görbült mintákat tanuljanak meg egyszerű vonalak helyett.
AlapokKonvolúciós neurális hálózatok
A konvolúciós neurális hálózatok (CNN-ek) a képek megértésének igásló architektúrája.
AlapokIsmétlődő neurális hálózatok
Az ismétlődő neurális hálózatok (RNN-ek) olyan szekvenciák kezelésére készültek, mint a szöveg, a beszéd és az idősorok.
AlapokGeneratív ellenséges hálózatok
A generatív ellenséges hálózatok (GAN-ok) valósághű új adatokat hoznak létre úgy, hogy két neurális hálózatot állítanak szembe egymással egy versenyben.
Finished reading? Prove it.
Check what you learned with topic quizzes, then explore our structured courses and current certification requirements. Core guides remain free to read.