人工智能

内容与核心概念

数学
→
尼罗
→
网络网网
→
文字文字文字
→
Transformer
→
培训培训培训
→
LLM
→
AI 系统
某一章如何延续另一章
00
现代I.E.地图
神经神经病到底教了什么?
接下来你需要做的是区分入口,参数, 以及你学习的方式。
01
矢量和空间
数字中的方向和值如何定位?
需要的时间要长得多 有序的信号 长度 方向比较 预测
02
矩阵和转换
你如何从这些坐标上 找到一套新的标志?
接下来你需要的是转换及其调整系数。
03
生产和梯度
我们如何衡量小变化的影响?
它会很有用:衍生程序 和功能改变的方向
04
概率和信息
我们如何衡量不确定性和虚假信心?
这会很有用:分布, 误差的测量和分布的比较。
05
优化
您如何选择相对于增长运动的长度 ?
下一步是有用的:更新参数和检查可持续性的规则。
06
经典 ML
已知例子的成功是否证明新例子的质量?
这需要很多时间: 不同的体格,检查和概括。
07
人工神经元
一个神经元加了什么?
这会很有用: 入口的计算元素, 重量和退出功能。
08
神经网络
如何将其与灵活程序联系起来?
接下来你就知道 网络是一系列的操作 并保持直通
09
备份和自动化
如果没有每个公式的人工输出,如何将其应用于整个网络?
这会很有用 整个电脑程序的梯度
10
电脑数数网络
是什么限制了发射速度和发射的可能性?
要花很多时间 来计算内存 准确性和平行工作
11
信号、折叠和CNN
我们如何能突出当地大入口的迹象?
接下来你需要的是 当地图像和信号的信号
12
文本和当前化
语言模式的输入单元是什么?
然后,你需要它: 兼容的序列符号代号。
13
嵌入和空间
数字如何成为矢量?
观察海流和比较方向会很有用
14
Attention
如何在立场之间交流信息?
得花很多时间 计算海流之间的交换
15
GPT 变变器和GPT
你如何收集形状块 处理秩序?
这要花很多时间 这会是一条直立的计算路径
16
LLLM 如何学习
文本的正文如何改变权重?
有用: 一套经过训练的 兼容的参数。
17
推断和量化
如何选择和增加一个具有合理工作量的续集?
接下来你需要的是 一代循环 缓存 和有限的选择
18
RAG、工具和代理
如何将申请的信息和行动与模式分开?
接下来你需要的是一个控制外部系统 数据来源。
19
大型和多式联运系统
您如何区分工作, 处理图像或声音?
要花很多时间才能弄清楚规模 汇率和背景预算
20
一.一. 系统本身
没有新的黑匣子,你怎么把它们组合在一起?
这会很有用: 你自己测试的Ai系统。