01
Yayasan AI
Understand what AI is, how systems learn, where they fail, and how to judge claims without hype.
Perpustakaan AI gratis
Dasar-dasar panduanGratis selamanya.
84 panduan berbahasa Inggris sederhana, jalur pembelajaran terstruktur, dan perpustakaan terbuka — dibuat oleh lembaga nonprofit 501(c)(3) independen sehingga siapa pun dapat memahami AI modern.
84Panduan gratis
1Trek topik
~2 minSesuai panduan
~3hReading time
Mulai di sini
Five outcome-based courses
Each course includes explicit outcomes, mapped competencies, practice activities, and an applied capstone.
02
Pengguna AI yang bertanggung jawab
Use AI productively while protecting privacy, checking outputs, and preserving human accountability.
03
AI di Tempat Kerja
Evaluate workplace use cases, run safe pilots, measure value, and communicate changes responsibly.
04
Kebijakan & Masyarakat AI
Analyze AI systems through rights, equity, governance, safety, and public-interest outcomes.
05
Membangun dengan Sistem AI
Understand language models, retrieval, agents, evaluation, cost, and deployment safeguards through practical system design.
Trek topik
Jelajahi berdasarkan trek
Lompatlah ke area yang Anda minati. Setiap trek memiliki beberapa panduan berbahasa Inggris.
Dasar-dasarKonsep inti: cara kerja AI pada tingkat tinggi.84 panduan Bahasa AILLM, NLP, ChatGPT, bisikan, dan pemahaman teks.155 panduan AI visualPembuatan gambar, visi komputer, video, dan desain.133 panduan Audio AISuara, musik, podcasting, dan AI yang mengutamakan audio.117 panduan PerusahaanProfil OpenAI, Anthropic, Google, Meta, dan banyak lagi.121 panduan AplikasiBagaimana AI muncul dalam coding, pencarian, agen, dan kehidupan sehari-hari.111 panduan IndustriAI di bidang kesehatan, keuangan, pendidikan, energi, dan banyak lagi.91 panduan TeknisChip, fine-tuning, RAG, vektor, dan infrastruktur AI.177 panduan MasyarakatBias, privasi, hak cipta, keamanan, dan masa depan AI.30 panduan
Perpustakaan lengkap
Semua panduan
84 dari 1019 panduan yang ditampilkan. Filter berdasarkan trek atau cari di atas.
Dasar-dasar
Penyempurnaan Putar Mandiri
Penyempurnaan permainan mandiri meningkatkan model dengan membuatnya bersaing atau belajar dari keluaran masa lalunya, sehingga menghasilkan sinyal pelatihannya sendiri.
Dasar-dasarPelatihan Waktu Tes
Pelatihan waktu pengujian (TTT) memungkinkan model terus belajar dari setiap masukan baru pada saat model membuat prediksi, alih-alih tetap diam setelah pelatihan.
Dasar-dasarGrokking dan Generalisasi Tertunda
Grokking adalah fenomena mengejutkan di mana jaringan saraf pertama-tama mengingat data pelatihannya, berada pada akurasi validasi mendekati nol untuk waktu yang lama, dan kemudian…
Dasar-dasarOverfitting dan Underfitting
Overfitting terjadi ketika model mengingat data pelatihannya dan gagal dalam contoh baru; underfitting adalah ketika terlalu sederhana untuk menangkap pola sebenarnya.
Dasar-dasarRegularisasi
Regularisasi adalah serangkaian teknik yang sengaja membatasi model agar dapat menggeneralisasi data baru alih-alih mengingat set pelatihan.
Dasar-dasarPropagasi mundur
Propagasi mundur adalah algoritme yang memungkinkan jaringan saraf belajar dari kesalahannya dengan menghitung secara efisien seberapa besar kontribusi setiap bobot terhadap kesalahan tersebut.
Dasar-dasarPenurunan Gradien
Penurunan gradien adalah metode pengoptimalan yang benar-benar menurunkan bobot model menuju kesalahan yang lebih rendah, selangkah demi selangkah.
Dasar-dasarFungsi Kerugian
Fungsi kerugian adalah angka tunggal yang memberi tahu model betapa salahnya prediksinya, sehingga mengubah tujuan yang tidak jelas menjadi sesuatu yang dapat dioptimalkan secara matematika.
Dasar-dasarFungsi Aktivasi
Fungsi aktivasi adalah gerbang nonlinier kecil di dalam setiap neuron yang memungkinkan jaringan saraf mempelajari pola melengkung yang kompleks, bukan hanya garis lurus.
Dasar-dasarJaringan Neural Konvolusional
Convolutional Neural Networks (CNNs) adalah arsitektur pekerja keras untuk memahami gambar.
Dasar-dasarJaringan Neural Berulang
Jaringan Neural Berulang (RNN) dibuat untuk menangani urutan seperti teks, ucapan, dan deret waktu.
Dasar-dasarJaringan Permusuhan Generatif
Generative Adversarial Networks (GANs) menciptakan data baru yang realistis dengan mengadu dua jaringan saraf satu sama lain dalam sebuah kontes.
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.