01
Podstawy AI
Zrozum, czym jest AI, jak systemy się uczą, gdzie zawodzą i jak oceniać twierdzenia bez zamieszania.
Bezpłatna biblioteka AI
Podstawy przewodnikiZa darmo na zawsze.
84 przewodniki w prostym języku angielskim, ustrukturyzowane ścieżki edukacyjne i otwarta biblioteka — stworzone przez niezależną organizację non-profit 501(c)(3), aby każdy mógł zrozumieć współczesną sztuczną inteligencję.
84Bezpłatne przewodniki
1Ścieżki tematyczne
~2 minWedług przewodnika
~3hCzas czytania
Zacznij tutaj
Pięć Kursy oparte na wynikach
Każdy kurs zawiera wyraźne wyniki, zmapowane kompetencje, ćwiczenia oraz praktyczny projekt końcowy.
02
Odpowiedzialny użytkownik AI
Korzystaj z AI produktywnie, jednocześnie chroniąc prywatność, kontrolując wyniki i dbając o odpowiedzialność człowieka.
03
AI w pracy
Oceniaj przypadki użycia w miejscu pracy, realizuj bezpieczne pilotażowe testy, mierz wartość i odpowiedzialnie komunikuj zmiany.
04
Polityka i społeczeństwo dotyczące sztucznej inteligencji
Analizuj systemy AI przez pryzmat praw, równości, zarządzania, bezpieczeństwa oraz efektów w interesie publicznym.
05
Budowanie z systemami AI
Zrozum modele językowe, wyszukiwanie, agenty, ocenę, koszty oraz zabezpieczenia wdrożenia poprzez praktyczne projektowanie systemów.
Ścieżki tematyczne
Przeglądaj według utworu
Wskocz w obszar, na którym Ci zależy. Do każdego utworu dołączono wiele przewodników w języku angielskim.
PodstawyPodstawowe pojęcia: jak sztuczna inteligencja działa na wysokim poziomie.84 przewodniki Językowa sztuczna inteligencjaLLM, NLP, ChatGPT, podpowiadanie i rozumienie tekstu.155 przewodniki Wizualna sztuczna inteligencjaGenerowanie obrazu, wizja komputerowa, wideo i projektowanie.133 przewodniki Dźwiękowa sztuczna inteligencjaGłos, muzyka, podcasty i sztuczna inteligencja oparta na dźwięku.117 przewodniki FirmyProfile OpenAI, Anthropic, Google, Meta i nie tylko.121 przewodniki AplikacjeJak sztuczna inteligencja pojawia się w kodowaniu, wyszukiwaniu, agentach i życiu codziennym.111 przewodniki PrzemysłySztuczna inteligencja w opiece zdrowotnej, finansach, edukacji, energetyce i nie tylko.91 przewodniki TechniczneChipy, dostrajanie, RAG, wektory i infrastruktura AI.177 przewodniki SpołeczeństwoUprzedzenia, prywatność, prawa autorskie, bezpieczeństwo i przyszłość sztucznej inteligencji.30 przewodniki
Pełna biblioteka
Wszystkie przewodniki
84 z 1019 pokazane przewodniki. Filtruj według utworu lub wyszukaj powyżej.
Podstawy
Meta-Nauka
Meta-uczenie się, czyli „uczenie się, jak się uczyć”, uczy modele szybkiego dostosowywania się do zupełnie nowych zadań na podstawie zaledwie kilku przykładów.
PodstawyMetody zespołowe i wzmacnianie gradientu
Metody zespołowe łączą wiele prostych modeli, dzięki czemu grupa dokonuje lepszych przewidywań niż jakikolwiek pojedynczy model.
PodstawyGłębokie uczenie się bayesowskie
Głębokie uczenie bayesowskie traktuje wagi sieci neuronowej jako rozkłady prawdopodobieństwa, a nie stałe liczby, dzięki czemu model może określić, na ile jest pewny.
PodstawyProgram nauczania
Uczenie się w ramach programu nauczania uczy modele sztucznej inteligencji na przykładach w przemyślanej kolejności – najpierw łatwe, później trudne – zamiast dostarczać dane w kolejności losowej.
PodstawyWyszukiwanie architektury neuronowej
Wyszukiwanie architektury neuronowej (NAS) automatyzuje projektowanie struktur sieci neuronowych — pozwalając algorytmom, a nie ludziom, decydować, ile warstw, jakie operacje…
PodstawyCiągłe uczenie się i katastrofalne zapominanie
Celem ciągłego uczenia się jest szkolenie sztucznej inteligencji w zakresie nowych zadań w miarę upływu czasu, bez usuwania tego, co już wie.
PodstawyAutoenkodery wariacyjne
Autoenkodery wariacyjne (VAE) to generatywne sieci neuronowe, które uczą się kompresować dane w gładką, probabilistyczną przestrzeń ukrytą, a następnie rekonstruować…
PodstawyModele przestrzeni stanów i Mamba
Modele przestrzeni stanów (SSM) to modele sekwencji, które przenoszą informacje dalej przez skompresowany stan ukryty, skalując się liniowo wraz z długością sekwencji…
PodstawyWykres sieci neuronowych
Grafowe sieci neuronowe (GNN) to modele, które uczą się bezpośrednio na danych o strukturze graficznej – węzłach połączonych krawędziami – poprzez przekazywanie i agregację informacji…
PodstawyUczenie się ze wzmocnieniem wieloagentowym
Uczenie się przez wieloagentowe wzmacnianie (MARL) szkoli kilku agentów uczących się, którzy korzystają ze wspólnego środowiska, a każdy z nich dostosowuje swoje zachowanie, podczas gdy inni też się dostosowują.
PodstawyAktywna nauka
Aktywne uczenie się to strategia szkoleniowa, w której model sam wybiera, które nieoznakowane przykłady człowiek powinien oznaczyć jako następne.
PodstawyRozszerzanie danych
Powiększanie danych sztucznie rozszerza zestaw szkoleniowy, tworząc zmodyfikowane kopie istniejących przykładów — na przykład odwracanie lub przycinanie obrazów.
Skończyłeś czytać? Udowodnij to.
Check what you learned with a topic quiz, then explore our structured courses or work toward a certificate. Every guide stays free to read.