#01Videor
AI förklarat i korta videor
En idé per video, på enkelt språk. Varje video länkar till kapitlet i vår gratiskurs som förklarar den steg för steg.
Börja här AI 101
- #01
#02Machine learning: how a computer draws its own dividing line
#03Neural networks: layers of tiny calculators passing signals on
#04How AI learns: guess, measure the error, nudge, repeat
#05Tokens: how AI chops your words into numbered pieces
#06Embeddings: why a puppy lands closer to a dog than to a pizza
Senaste
#031Momentum: how remembering past steps stops AI training zigzagging
#030Mini-batches: why AI learns faster from a random handful of data
#029Saddle points: where AI training looks stuck but has a way down
#028Local minima: why AI training can settle for second best
#027Condition number: why a stretched valley makes AI training crawl
#026Learning rate: the step size with a ceiling you can calculate
#025Gradient descent: how AI finds its way downhill in small steps
#024Gradient: the arrow that points uphill, and why AI walks the other way
#023Chain rule: how AI traces the effect of every layer
#022Derivative: how much the result moves when you nudge one input
#021Grid search: why you cannot train an AI by trying every setting
#020Robust loss: stop one wild reading from wrecking your forecast
#019Heavy tails: when rare, huge errors break the usual average
#018Mean squared error: the hidden bet behind squaring your mistakes
#017The LogSumExp trick: one subtraction that stops AI math overflowing
#016Rounding error: why adding the same numbers can give two answers
#015Floating-point numbers: why your computer cannot hold every number
#014Negative log-likelihood: turning a fragile product into a calm sum
#013Maximum likelihood: the answer that makes your data least surprising
#012Bayes' rule: reasoning backwards from a clue to its most likely cause
#011Chain rule of probability: how AI scores a sentence word by word
#010Loss landscape: training an AI means finding the bottom of a valley
#009Loss function: the scoring rule that decides which answer wins
#008Feature engineering: the human choice that can beat the algorithm
Efter kurskapitel
- 1Perceptronen från grunden: vad ett neuron beräknar10 videor
- 2Var en förlustfunktion kommer ifrån: likelihood, inte konvention12 videor
- 3Nedför: gradient descent och de två steg alla hoppar över12 videor
- 4Klassificering, cross-entropy och hur du inte lurar dig själv
- 5Backpropagation från grunden: först motorn, sedan nätverket1 video
- 6Att få den att träna och att få den att generalisera
- 7Bygg en BPE Tokenizer: Därför kan din modell inte räkna r:en1 video
- 8Next-token prediction: embedding och vad perplexity betyder1 video
- 9Attention och transformer-blocket, härlett från ett genomsnitt
- 10Pretraining av en LLM: data, compute, scaling laws och kostnad
- 11Från basmodell till assistent: SFT, RLHF, DPO och GRPO
- 12Chain of Thought, RLVR och Test-Time Compute, uppmätt
- 13Gör inference billig: KV cache, batching och kvantisering
- 14Ditt första LLM-anrop i produktion: streaming, retries, timeouts
- 15Prompt engineering, uppmätt: vad som ändrar output
- 16Context window, tokens och räkningen – uppmätt
- 17Temperatur, top-p och determinismen du inte har
- 18Tool Calling och structured outputs: kontraktet som håller
- 19RAG i produktion: chunking, retrieval och ärliga källhänvisningar
- 20Fine-tuning, retrieval eller prompt? Beslutet är ekonomiskt
- 21Multimodal prissättning: vad bilder, ljud och video faktiskt debiterar
- 22Vad en AI-agent är: fem klassiska typer, två rivaliserande definitioner
- 23Bygg en agent harness: loopen och de fem vägarna ut
- 24Context Engineering: Därför blir din agent dummare vid tur 40
- 25Multi-agent-orkestrering: fem mönster och när ett vinner
- 26MCP förklarat mot specifikationen: vad en server egentligen är
- 27Lansera en MCP server: TypeScript och Python, mätt
- 28Agent Skills och SKILL.md: stegvis exponering, mätt
- 29LLM-utvärdering: från offentliga benchmarks till ditt golden set
- 30Prompt injection och den dödliga trifektan: säkra en verklig agent