Štítek: datové sady

Strojové učení: Jak se počítače učí z dat

30. 10. 2026

Syntetická data: Nový zdroj pro trénování umělé inteligence

21. 10. 2026

Model distillation: Jak přenášet znalosti velkého modelu do menšího

17. 10. 2026

Model Quantization: Kvantizace modelů AI

11. 10. 2026

Fine-tuning: Jak přizpůsobit model AI konkrétnímu úkolu

8. 10. 2026

Instruction tuning: Jak naučit model lépe chápat zadání

8. 10. 2026

RLHF: Jak člověk pomáhá trénovat model AI

8. 10. 2026

RLAIF: Když zpětnou vazbu při tréninku poskytuje AI

8. 10. 2026

Test-Time Scaling: Zvyšování výpočetních zdrojů během řešení úkolu

8. 10. 2026

Data leakage: Když tréninkové informace uniknou do testování

6. 10. 2026

Quantization: Jak zmenšit model AI a zrychlit jeho provoz

4. 10. 2026

Pruning: Odstraňování nepotřebných částí modelu AI

4. 10. 2026

LoRA: Efektivní způsob přizpůsobení jazykového modelu

4. 10. 2026

QLoRA: Kombinace kvantizace a efektivního fine-tuningu

4. 10. 2026

Synthetic data: Umělá data jako nový zdroj trénování AI

4. 10. 2026

Data augmentation: Jak AI získává více tréninkových variant

4. 10. 2026

RLVR: Trénování AI pomocí ověřitelných odměn

4. 10. 2026

Autorské právo a AI: Komu patří obsah vytvořený umělou inteligencí

4. 10. 2026

Post-training: Jak se model AI dolaďuje po základním tréninku

4. 10. 2026

Distillation: Jak přenést schopnosti velkého modelu AI do menšího

4. 10. 2026

GPT-3: Model, který ukázal potenciál velkých jazykových modelů

1. 10. 2026