- Машинное обучение — как ИИ учится на данных, чтобы делать прогнозы и принимать решения.
- Глубокое обучение — «продвинутая» версия машинного обучения с использованием нейросетей.
- Нейронные сети — система из «виртуальных нейронов», которая имитирует работу мозга.
- NLP (обработка естественного языка) — учит ИИ понимать, переводить и генерировать человеческий текст.
- Компьютерное зрение — позволяет ИИ видеть и распознавать объекты на фото и видео.
- Обучение с подкреплением — как у дрессированной собаки: ИИ получает «награду» за правильные действия.
- Генеративные модели — создают новые изображения, тексты и звуки, которых раньше не существовало.
- Большие языковые модели (LLM) — вроде ChatGPT: понимают язык и пишут почти как человек.
- Трансформеры — современная технология, благодаря которой ИИ стал мощным в тексте и изображениях.
- Фиче-инжиниринг — превращаем сырые данные в полезные «ингредиенты» для ИИ.
- Обучение с учителем — ИИ учится по примеру: ему показывают «вопрос» и «правильный ответ».
- Байесовское обучение — метод, при котором ИИ учитывает вероятность и неопределённость.
- Промпт-инжиниринг — искусство задавать ИИ правильный вопрос, чтобы получить лучший ответ.
- ИИ-агенты — умные «роботы», которые могут сами принимать решения и выполнять задачи.
- Донастройка моделей — подгонка ИИ под конкретную задачу или нишу.
- Мультимодальные модели — умеют работать с разными типами данных одновременно: текстом, фото, видео.
- Эмбеддинги — способ превратить текст или изображение в набор чисел, чтобы ИИ понял, что это.
- Поиск по векторам — ищем похожее не по словам, а по смыслу.
- Оценка моделей — проверка, насколько хорошо ИИ справляется со своей задачей.
- ИИ-инфраструктура — сервера и системы, на которых всё это крутится.
Метериал нашел в паблике у Руслана Гамзатова
👍- Если было полезно