AI Foundations
Understand what AI is, how systems learn, where they fail, and how to judge claims without hype.
Free AI library
84 plain-English guides, structured learning paths, and an open library — built by an independent 501(c)(3) nonprofit so anyone can understand modern AI.
Start her
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.
Topic tracks
Jump into the area you care about. Every track has multiple plain-English guides.
Full library
84 av 1019 guides shown. Filter by track or search above.
Finjustering av selvspill forbedrer en modell ved å la den konkurrere mot eller lære av sine egne tidligere resultater, og generere sitt eget treningssignal.
GrunnleggendeTest-time training (TTT) lar en modell fortsette å lære av hver nye input i det øyeblikket den gir en prediksjon, i stedet for å forbli frossen etter trening.
GrunnleggendeGrokking er et oppsiktsvekkende fenomen der et nevralt nettverk først husker treningsdataene sine, sitter med nesten null valideringsnøyaktighet i lang tid, og deretter...
GrunnleggendeOverfitting er når en modell husker treningsdataene sine og feiler på nye eksempler; undertilpasning er når det er for enkelt å fange det virkelige mønsteret.
GrunnleggendeRegularisering er et sett med teknikker som bevisst begrenser en modell slik at den generaliserer til nye data i stedet for å huske treningssettet.
GrunnleggendeBackpropagation er algoritmen som lar et nevralt nettverk lære av sine feil ved å effektivt beregne hvor mye hver vekt bidro til feilen.
GrunnleggendeGradientnedstigning er optimaliseringsmetoden som faktisk flytter en modells vekter nedover mot lavere feil, ett lite skritt om gangen.
GrunnleggendeEn tapsfunksjon er det enkle tallet som forteller en modell hvor feil spådommene dens er, å gjøre et vagt mål til noe matematikk kan optimalisere.
GrunnleggendeAktiveringsfunksjoner er de små ikke-lineære portene inne i hvert nevron som lar nevrale nettverk lære komplekse, buede mønstre i stedet for bare rette linjer.
GrunnleggendeConvolutional Neural Networks (CNN) er arbeidshestens arkitektur for å forstå bilder.
GrunnleggendeTilbakevendende nevrale nettverk (RNN) er bygget for å håndtere sekvenser som tekst, tale og tidsserier.
GrunnleggendeGenerative Adversarial Networks (GANs) skaper realistiske nye data ved å sette to nevrale nettverk mot hverandre i en konkurranse.
Check what you learned with topic quizzes, then explore our structured courses and current certification requirements. Core guides remain free to read.