AI-aktiviteter
Interaktiva simuleringar och laborationer för att lära dig om artificiell intelligens.
AI-sökning och problemlösning
Sökalgoritmer i labyrinter
Utforska BFS, DFS, Girig bäst-först och A* och se hur de breder ut sig genom labyrinten, ruta för ruta. Kap. 2 · Grundläggande sökalgoritmer(s. 51–65)Sökalgoritmer i träd
Visualisera grundläggande sökalgoritmer i ett sökträd och följ sökningen nod för nod. Kap. 2 · Grundläggande sökalgoritmer(s. 51–65)Luffarschack i partiellt observerbar miljö
Spela luffarschack utan att se alla rutor för att uppleva partiell observerbarhet. Kap. 2 · Miljöer(s. 43–45)Minimax med alfa‑beta‑beskärning
Testa Minimax-algoritmen i ett sökträd. Följ uppdateringarna av alfa-beta-värdena under sökningen och se hur alfa-beta-beskärning gör sökningen effektivare. Kap. 2 · Beslutsalgoritmer för spel(s. 66–74)Beslutsträd
Bygg ett beslutsträd som skiljer giftiga ormar från ofarliga. Testa det på ormar det aldrig sett och jämför med det träd en algoritm bygger ur samma data. Kap. 2 · Beslutsträd(s. 47) Kap. 3 · Beslutsträd(s. 91–94)Maskininlärning
Övervakad inlärning
Neurala nätverk
Neurala nätverk‑labbet
Bygg, träna och utforska ett neuralt nätverk. Följ beräkningarna i varje nod och låt sedan nätverket göra förutsägelser beroende på indata. Kap. 3 · Neurala nätverk(s. 112–117)Träna ett neuralt nätverk
Följ ett träningsvarv från början till slut: framåtpass, förlust, backpropagation och viktuppdatering.Avancerad Kap. 3 · Neurala nätverk(s. 112–117)Visualisering av beslutsgränser
Placera ut datapunkter och se skillnaden mellan hur linjära modeller och neurala nätverk drar gränser mellan klasser och upptäck varför neurala nätverk ofta behövs. Kap. 3 · Neurala nätverk(s. 112–117)Datorseende med CNN
Följ hur en bildigenkänningsmodell tolkar en bild, från pixlar via filter och featurekartor till en klassificering. Se hur olika filter fångar olika mönster. CNN behandlas inte i lärobokenOövervakad inlärning
Förstärkningsinlärning
Q‑learning‑simulering
Träna en agent att hitta vägen genom ett rutnät med förstärkningsinlärning. Följ hur den lär sig genom att testa handlingar och uppdatera sina Q-värden. Kap. 3 · Förstärkningsinlärning(s. 124–130)NIM med förstärkningsinlärning
Se hur ett AI-system lär sig spela NIM från grunden. Träna det olika många gånger, följ hur strategin växer fram i en Q-tabell och testa att spela mot det. Kap. 3 · Förstärkningsinlärning(s. 124–130)Språkmodeller
AI och samhälle
Bias‑labbet
Träna en rekryterings‑AI på skev historisk data. Upptäck hur diskriminering uppstår och hur svårt den är att bli av med. Kap. 1 · Bias(s. 31–32)AI‑tidslinjen: När då då?
Testa dina kunskaper om AI:s historia. Placera händelser på en tidslinje och samla poäng. Välj att träna ensam eller utmana en kompis i tvåspelarläget. Kap. 1 · AI:s historia(s. 14–19)Implementera AI‑algoritmer i kod
Här får du testa hur några AI‑algoritmer fungerar genom att köra färdiga kodblock i Google Colab. Du behöver inte kunna programmera, utan det räcker att följa instruktionerna, göra små ändringar och se hur resultatet påverkas.
BFS och DFS i träd
Google Colab Kap. 2 · Grundläggande sökalgoritmer(s. 51–65) (öppnas i ny flik)Linjär regression med gradientnedstigning
Google Colab Kap. 3 · Linjär regression och gradientnedstigning(s. 96–101) (öppnas i ny flik)k‑närmaste grannar
Google Colab Kap. 3 · k‑närmaste grannar (kNN)(s. 103–105) (öppnas i ny flik)k‑means‑klustring
Google Colab Kap. 3 · k‑means-algoritmen(s. 120–122) (öppnas i ny flik)
Läroboken
AI – Teknik, samhälle och etik
Alla simuleringar på den här sidan är skapade som ett digitalt komplement till läroboken AI – Teknik, samhälle och etik.
Utforska boken hos Liber