Yayasan AI
Understand what AI is, how systems learn, where they fail, and how to judge claims without hype.
Perpustakaan AI gratis
177 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.
Mulai di sini
Each course includes explicit outcomes, mapped competencies, practice activities, and an applied capstone.
Understand what AI is, how systems learn, where they fail, and how to judge claims without hype.
Use AI productively while protecting privacy, checking outputs, and preserving human accountability.
Evaluate workplace use cases, run safe pilots, measure value, and communicate changes responsibly.
Analyze AI systems through rights, equity, governance, safety, and public-interest outcomes.
Understand language models, retrieval, agents, evaluation, cost, and deployment safeguards through practical system design.
Trek topik
Lompatlah ke area yang Anda minati. Setiap trek memiliki beberapa panduan berbahasa Inggris.
Perpustakaan lengkap
177 dari 1019 panduan yang ditampilkan. Filter berdasarkan trek atau cari di atas.
Prompt security addresses attempts to make a language-model application treat untrusted content as instructions or disclose information it should protect.
TeknisAI data governance assigns responsibility and rules for how data is collected, used, shared, retained, and corrected throughout an AI system.
TeknisAI cloud architecture organizes compute, storage, networking, models, and application services into an operating system for an AI workload.
TeknisBYOL (Bootstrap Your Own Latent) mempelajari representasi gambar yang berguna tanpa label apa pun dan, yang mengejutkan, tanpa contoh negatif.
TeknisBarlow Twins adalah metode pengawasan mandiri yang mempelajari representasi dengan membuat matriks korelasi silang antara dua tampilan yang diperbesar mendekati identitas…
TeknisPelabelan semu adalah teknik semi-supervisi di mana model yang dilatih pada kumpulan berlabel kecil menghasilkan labelnya sendiri untuk data yang tidak berlabel, lalu melatihnya…
TeknisRegularisasi konsistensi mengajarkan model untuk memberikan jawaban yang sama ketika masukan yang tidak berlabel diganggu dengan cara kecil yang mempertahankan label.
TeknisBerbagi parameter keras adalah desain pembelajaran multitugas klasik di mana beberapa tugas berbagi lapisan tersembunyi yang sama dan hanya dipecah menjadi 'kepala' keluaran terpisah…
TeknisGerbang dan perutean memungkinkan jaringan saraf hanya mengaktifkan bagian-bagian yang diperlukan untuk setiap masukan, alih-alih menjalankan seluruh model setiap saat.
TeknisGumbel-Softmax adalah trik yang memungkinkan jaringan saraf 'mengambil sampel' dari kategori terpisah sambil tetap dapat dilatih dengan penurunan gradien.
TeknisStraight-Through Estimator (STE) adalah trik sederhana untuk jaringan pelatihan yang berisi langkah-langkah sulit dan tidak dapat dibedakan seperti pembulatan atau ambang batas.
TeknisJaringan berulang dua arah membaca urutan maju dan mundur, sehingga representasi setiap posisi mengacu pada konteks dari masa lalu dan masa depan.
Check what you learned with topic quizzes, then explore our structured courses and current certification requirements. Core guides remain free to read.