AI 基盤
AI とは何か、システムがどのように学習し、どこで失敗するか、誇大広告なしに主張を判断する方法を理解します。
無料のAIライブラリ
84 平易な英語のガイド、構造化された学習パス、オープン ライブラリ - 独立した 501(c)(3) 非営利団体によって構築され、誰でも最新の AI を理解できるようになります。
ここから始めましょう
各コースには、明示的な成果、マッピングされたコンピテンシー、練習アクティビティ、および適用されたキャップストーンが含まれています。
AI とは何か、システムがどのように学習し、どこで失敗するか、誇大広告なしに主張を判断する方法を理解します。
プライバシーを保護し、出力をチェックし、人間の責任を守りながら、AI を生産的に使用します。
職場のユースケースを評価し、安全なパイロットを実施し、価値を測定し、責任を持って変更を伝えます。
権利、公平性、ガバナンス、安全性、公益の成果を通じて AI システムを分析します。
実践的なシステム設計を通じて、言語モデル、取得、エージェント、評価、コスト、展開の安全策を理解します。
トピックトラック
気になるエリアに飛び込んでみましょう。すべてのトラックには複数のわかりやすい英語のガイドが付いています。
フルライブラリ
84 の 1019 ガイドが表示されます。トラックでフィルタリングするか、上で検索してください。
セルフプレイ微調整は、モデルを自身の過去の出力と競合させたり、そこから学習させたりして、独自のトレーニング信号を生成することでモデルを改善します。
基本テスト時トレーニング (TTT) を使用すると、モデルはトレーニング後にフリーズしたままではなく、予測を行った瞬間に新しい入力ごとに学習を続けることができます。
基本グロッキングとは、ニューラル ネットワークが最初にトレーニング データを記憶し、長期間ほぼゼロの検証精度に留まり、その後…
基本過学習とは、モデルがトレーニング データを記憶し、新しい例で失敗することです。アンダーフィッティングとは、単純すぎて実際のパターンを捉えることができない場合です。
基本正則化は、モデルを意図的に制約し、トレーニング セットを記憶する代わりに新しいデータに一般化する一連の手法です。
基本バックプロパゲーションは、各重みが誤差にどの程度寄与したかを効率的に計算することで、ニューラル ネットワークがその間違いから学習できるようにするアルゴリズムです。
基本勾配降下法は、実際にモデルの重みを一度に 1 つずつ小さなステップで誤差を低くする方向に下降させる最適化方法です。
基本損失関数は、予測がどの程度間違っているかをモデルに伝える単一の数値であり、漠然とした目標を数学で最適化できるものに変えます。
基本活性化関数は各ニューロン内の小さな非線形ゲートであり、ニューラル ネットワークが単なる直線ではなく複雑な曲線パターンを学習できるようにします。
基本畳み込みニューラル ネットワーク (CNN) は、画像を理解するための主力アーキテクチャです。
基本リカレント ニューラル ネットワーク (RNN) は、テキスト、音声、時系列などのシーケンスを処理するために構築されています。
基本Generative Adversarial Network (GAN) は、2 つのニューラル ネットワークを競争させることで、現実的な新しいデータを作成します。
Check what you learned with a topic quiz, then explore our structured courses or work toward a certificate. Every guide stays free to read.