README.md

_{Denne README er oversat til dansk. Den engelske README er den autoritative kilde.}

Implementér modellernes indre, pipelines til informationssøgning og kørselsmiljøer til agenter. Test dem, undersøg fejl, og gem koden og evalueringsresultaterne.

Begynd at lære · Vælg et læringsforløb · Prøv en øvelse · Byg et projekt · Gennemse pensum

Gratis, åben kildekode, MIT-licens. Lær på hjemmesiden, med en kodeagent eller ved at køre kode lokalt.

542 lektioner. 20 faser. Python, TypeScript, Rust, Julia.

Læs på dit sprog

🇬🇧 English · 🇨🇳 简体中文 · 🇹🇼 繁體中文（台灣） · 🇯🇵 日本語 · 🇰🇷 한국어 · 🇵🇹 Português · 🇧🇷 Português (Brasil) · 🇪🇸 Español · 🇩🇪 Deutsch · 🇫🇷 Français · 🇮🇹 Italiano · 🇳🇱 Nederlands · 🇵🇱 Polski · 🇨🇿 Čeština · 🇷🇴 Română · 🇭🇺 Magyar · 🇬🇷 Ελληνικά · 🇸🇪 Svenska · 🇩🇰 Dansk · 🇳🇴 Norsk · 🇫🇮 Suomi · 🇷🇺 Русский · 🇺🇦 Українська · 🇹🇷 Türkçe · 🇮🇱 עברית · 🇸🇦 العربية · 🇮🇷 فارسی · 🇮🇳 हिन्दी · 🇧🇩 বাংলা · 🇵🇰 اردو · 🇹🇭 ไทย · 🇻🇳 Tiếng Việt · 🇮🇩 Bahasa Indonesia · 🇵🇭 Tagalog

Sponsorer

_{Din støtte holder hver lektion gratis og open source. Se alle støtter · Bliv sponsor}

Læringsforløb

Forløb	Første lektion
Modellernes fundament	Opsætning og værktøjer
LLM-systemer	Promptudvikling
Agenter og levering	Agentens løkke

Sammenlign karriereforløb · Forudsætninger og studietid

Gradientnedstigning

Tyve startpunkter følger gradientnedstigning på en kvadratisk tabsfunktion. Grafen viser deres positioner og gennemsnitlige tab efter hver opdatering.

Juster læringsraten i lektionen · Sammenlign GD, momentum og Adam i koden

Projekter

Tre projekter med trinvise startgrundlag, referenceimplementeringer og lokale bedømmere. Kør kommandoer fra arkivets rod efter opsætning. Startgrundlagene fejler, indtil du implementerer trinnene.

01 · Laboratorium til evaluering af informationssøgning · Python · Rangmetrikker og regressionskontroller

Et kandidatsystem forbedrer den gennemsnitlige NDCG, mens en forespørgsel rangerer sin mest relevante evidens lavere. Byg en sammenligning for hver forespørgsel, der rapporterer regressionen og kan få en udgivelseskontrol til at fejle.

Brug Python 3.10+. Genbesøg RAG og modelevaluering. Implementér validering af rangordning, præcision og recall, rangfølsomme metrikker og derefter systemsammenligning.

python3 scripts/project_test.py retrieval-evaluation-lab \
  --init learning-artifacts/retrieval-evaluation-lab
python3 scripts/project_test.py retrieval-evaluation-lab \
  --stage 1 --path learning-artifacts/retrieval-evaluation-lab --strict
python3 scripts/project_test.py retrieval-evaluation-lab \
  --all --path learning-artifacts/retrieval-evaluation-lab --strict

Gem: en reproducerbar sammenligning med ændringer pr. forespørgsel og de vurderinger, der bruges til at beregne dem. Metrikkerne beskriver disse vurderinger; de fastslår ikke, om svarene er korrekte.

Start projektet · Undersøg referencen · Kør med dine egne input

02 · Fejlsøger til agentspor · TypeScript · Parsing af spor og tidsmåling

Et medfølgende spor tager stadig 100 ms, men det samlede tokenforbrug stiger med 200, og ét span begynder at fejle. Adskil overlappende arbejde i underordnede spans fra forælderens udførelsestid, og lav en rapport, der viser ændringen.

Brug Node.js 22.18+ og Python 3 til bedømmeren. Implementér JSONL-parsing, validering af forældrerelationer, intervalaritmetik og derefter en gennemskuelig tidslinje.

python3 scripts/project_test.py agent-trace-debugger \
  --init learning-artifacts/agent-trace-debugger
python3 scripts/project_test.py agent-trace-debugger \
  --stage 1 --path learning-artifacts/agent-trace-debugger --strict
python3 scripts/project_test.py agent-trace-debugger \
  --all --path learning-artifacts/agent-trace-debugger --strict

Gem: inputsporet, en HTML-tidslinje og en JSON-regressionsrapport. Bevar eksklusive tokenantal pr. span, så forældres og børns forbrug ikke tælles dobbelt.

Start projektet · Undersøg referencen · Undersøg tidsforløb interaktivt

03 · Firewall til værktøjskald · Rust · Rollekontroller og godkendelseskvitteringer

En skrivning ændres efter gennemgang, eller en godkendelse genbruges. Validér kaldets envelope, kontrollér kalderens rolle og sti, og forbrug derefter en godkendelse, som er bundet til den præcise anmodning og det præcise indhold.

Brug Rust og Python 3.10+. Genbesøg design af værktøjsskemaer og sikkerhedsgrænser. Den kaldende applikation leverer identiteten; modellen foreslår en operation.

python3 scripts/project_test.py tool-call-firewall \
  --init learning-artifacts/tool-call-firewall
python3 scripts/project_test.py tool-call-firewall \
  --stage 1 --path learning-artifacts/tool-call-firewall --strict
python3 scripts/project_test.py tool-call-firewall \
  --all --path learning-artifacts/tool-call-firewall --strict

Gem: en auditkvittering, der viser den ønskede operation og politikbeslutningen. Godkendelser kan bruges én gang inden for én invocation; projektet giver hverken vedvarende autorisation eller en sandbox på operativsystemniveau.

Start projektet · Undersøg referencen · Undersøg godkendelsesgrænser

Se alle projekter · Vejledning til faglig praksis

Vælg, hvordan du vil lære

På hjemmesiden

Åbn en færdig lektion på aiengineeringfromscratch.com, eller fold en fase ud under Indhold. Ingen installation eller kloning er nødvendig.

Med en AI-vejleder

Hvis Node.js, npx og en kodeagent, der understøtter færdigheder, allerede er installeret, kan du gøre kodeagenten til din vejleder. Du behøver ikke klone arkivet for at installere eller læse vejlederen. Kørbare øvelser i de fokuserede læringsforløb kræver python3. Agent Skills-øvelser kræver også et valgt værtsprogram og en færdighedsmappe for brugeren eller projektet, som du kan skrive til.

npx skills add rohitg00/ai-engineering-from-scratch

Vælg vært og omfang, når installationsprogrammet spørger. Brug start-learning i Codex, /start-learning i Claude Code, eller bed værten om at bruge færdigheden ved navn.

Opsætning af vejleder og værtskommandoer

Kontrollér først de lokale forudsætninger:

node --version
npx --version
python3 --version

skills skriver til det værtsprogram og installationsomfang, der vælges ved installationen, for eksempel .claude/skills/, .cursor/skills/, .codex/skills/ eller en anden understøttet færdighedsmappe. Kontrollér, at det valgte værtsprogram opdager netop den mappe.

Syntaksen for at kalde færdigheder bestemmes af værtsprogrammet, ikke af det portable SKILL.md-format:

Værtsprogram	Start kurset	Start med Model Context Protocol (MCP)	Start med Agent Skills	Tag en test for en fase
Codex	start-learning, eller vælg den fra /skills	learn-mcp, eller vælg den fra /skills	learn-agent-skills, eller vælg den fra /skills	check-understanding 13, eller vælg den fra /skills
Claude Code	/start-learning	/learn-mcp	/learn-agent-skills	/check-understanding 13
Andre kompatible værtsprogrammer	Use start-learning to begin the course.	Use learn-mcp to start the Model Context Protocol (MCP) path.	Use learn-agent-skills to start the Agent Skills Engineering path.	Use check-understanding to quiz me on Phase 13.

En niveauprøve med ti spørgsmål kobler din baggrund til en passende startfase og gemmer en personlig læringsplan i LEARNING.md. Derefter underviser færdigheden learn i én lektion pr. session: begreb, matematik, kode og test. Den henter lektionerne direkte fra dette arkiv, og course-guide fører dig til netop den lektion, der behandler det, du sidder fast i. Brug learn og course-guide i Codex, /learn og /course-guide i Claude Code, eller bed et andet kompatibelt værtsprogram om at bruge færdigheden ved navn.

Vil du kun lære Model Context Protocol (MCP)? Brug MCP-kaldet for dit værtsprogram. Det opretter MCP-LEARNING.md og følger et sammenhængende forløb med 17 lektioner om tilstandsløse forespørgsler, transporter, tovejsarbejde, sikkerhed, pålidelighed, registerstyring og dokumentation for protokoloverholdelse. Den præcise rækkefølge og kontrolpunkterne findes i manifestet for Model Context Protocol (MCP).

Vil du kun lære Agent Skills? Brug Agent Skills-kaldet for dit værtsprogram. Det opretter AGENT-SKILLS-LEARNING.md og følger fem sammenhængende lektioner: kontrakt, opdagelse, kald, sandkassegrænser og til sidst evaluering før udgivelse samt portabilitet mellem rigtige værtsprogrammer. Start på nettet med læringsforløbet for Agent Skills.

Installationsprogrammet viser, hvilke værtsprogrammer det kan konfigurere, og spørger, hvor færdighederne skal installeres. Hvis du endnu mangler Node.js, npx, python3, et kompatibelt værtsprogram eller en mappe med skriveadgang, kan du bruge hjemmesiden eller læse docs/en.md manuelt. Så lærer du begreberne, men dokumentation for opdagelse, kald, scriptkørsel og afinstallation i et rigtigt værtsprogram må vente, til forhåndskontrollen kan gennemføres. Læs lektionerne på aiengineeringfromscratch.com.

Læringsfærdighederne

Færdighed	Hvad den gør
start-learning	Introduktion ved kursusstart: hvorfor du lærer, niveauprøve og en personlig plan gemt i LEARNING.md.
learn	Vejlederens arbejdsgang. Først repetition, så næste lektion interaktivt og derefter dens test; fremskridt og en repetitionskø gemmes.
course-guide	Emneguide. »Hvor lærer jeg attention?« eller »mit tab er NaN« → de relevante lektioner med links.
learn-mcp	Fokuseret vejleder i Model Context Protocol (MCP). Opretter MCP-LEARNING.md, følger manifestets 17 lektioner og gemmer dokumentation for meddelelsesudveksling, sikkerhed, pålidelighed og protokoloverholdelse.
learn-agent-skills	Fokuseret vejleder i Agent Skills. Opretter AGENT-SKILLS-LEARNING.md, underviser i lektionerne 22, 24, 25, 26 og 27 og gemmer dokumentation fra rigtige værtsprogrammer.
learn-reverse-engineering	Fokuseret vejleder i reverse engineering. Opretter REVERSE-ENGINEERING-LEARNING.md, underviser i lektionerne 32 til 45 i fase 13 på programmer, du selv bygger, og gemmer dokumentation fra laboratorieøvelserne.
claude-certification	Certificeringsvejleder. Vælger CCAO-F, CCDV-F, CCAR-F eller CCAR-P, underviser i hver lektion, kører øvelser, gennemgår arbejdsresultater, afholder diagnostiske prøver og øveeksamener og gemmer fremskridt.
mcpa-certification	MCPA-vejleder. Følger mcpa-f med 34 lektioner om protokollen 2026-07-28, underviser i hver lektion, kører øvelser og meddelelseskontrollen, afholder den diagnostiske prøve og tre øveeksamener og gemmer fremskridt.
find-your-level	Niveauprøve med ti spørgsmål. Kobler din viden til en passende startfase og laver et personligt læringsforløb med tidsestimater.
check-understanding <phase>	Otte spørgsmål pr. fase med feedback og konkrete lektioner til repetition. Brug formen for Codex, Claude Code eller naturligt sprog i kaldtabellen ovenfor.

Kør kode lokalt

git clone https://github.com/rohitg00/ai-engineering-from-scratch.git
cd ai-engineering-from-scratch
python3 phases/00-setup-and-tooling/01-dev-environment/code/verify.py --route beginner
python3 phases/01-math-foundations/01-linear-algebra-intuition/code/vectors.py

Forhåndskontrollen skelner mellem krav, du skal opfylde nu, og værktøjer, du først får brug for senere. For hvert obligatorisk krav, der ikke er opfyldt, vises årsagen og en kommando, der kan løse problemet. Kommandoen vectors.py kører en lektion uden eksterne afhængigheder og viser til sidst, at multiplikation af en matrix med en vektor er den operation, der foregår inde i et neuralt netværkslag. Gem terminalens output som dit første bevis.

Arbejd med hver lektion på samme måde

Arbejd med hver lektion på samme måde

1. Læs docs/en.md, og forklar hovedideen med dine egne ord.
2. Skriv og byg den vigtige kode i stedet for at behandle kodeblokken som pynt.
3. Kør lektionens kommando fra kodearkivets rod, mappen med README.md og phases/.
4. Gem dokumentation: kommandoen, arbejdsmappen, afslutningskoden, meningsfuldt output og det resultat, du ændrede eller skabte.
5. Fortsæt først, når du kan forklare outputtet og foretage en lille ændring uden at gætte.

Stier i kommandoer på lektionssiderne tager udgangspunkt i projektarkivets rod, medmindre lektionen udtrykkeligt beder dig skifte mappe. Hvis en lektion har flere programmeringssprog, skal du køre implementeringen for det sprog, du lærer.

Vælg et læringsforløb

Du behøver ikke gennemgå 542 lektioner, før du går i gang. Vælg et mål. Hvert link åbner det samme pensum på GitHub eller hjemmesiden, og begge versioner bruger samme lektionskode.

Dit mål	Lær på GitHub	Lær på hjemmesiden
Jeg er ny og vil have hele fundamentet på plads	Fase 0: Opsætning og værktøjer	Udviklingsmiljø
Jeg kan Python og vil lære grundlæggende matematik og maskinlæring	Fase 1: Matematisk grundlag	Intuition for lineær algebra
Jeg vil bygge LLM-applikationer til produktion	Fase 11: LLM-udvikling	Promptudvikling
Jeg vil bygge agenter	Fase 14: Agentudvikling	Agentløkken
Jeg vil bruge kodeagenter i rigtige kodearkiver	Læringsforløb i agentassisteret udvikling	Agentassisteret udvikling
Jeg vil fastlægge, hvad der skal bygges, før implementeringen	Læringsforløb i produktvurdering og levering	Produktvurdering og levering

Er du usikker på, hvor du skal begynde? Brug niveauvurderingen med vejlederen start-learning eller hjemmesidens guide til forudsætninger.

Sammenlign fire kerneområder og seks karriereveje i læringsforløbene for AI-udvikling.

Fokuserede forløb for MCP, Agent Skills og reverse engineering

Dit mål	Lær på GitHub	Lær på hjemmesiden
Jeg vil bygge med Model Context Protocol (MCP)	Forløb i Model Context Protocol (MCP)	Læringsforløb i Model Context Protocol (MCP)
Jeg vil skrive og udgive Agent Skills	Fokuseret forløb i Agent Skills	Læringsforløb i Agent Skills
Jeg vil læse kompilerede programmer	Forløb i reverse engineering	Læringsforløb i reverse engineering

Forudsætninger og studietid

Forudsætninger

• Du kan skrive kode i et eller andet sprog; Python er en fordel.
• Du vil forstå, hvordan AI faktisk virker, ikke bare kalde API'er.

Hvor skal du begynde?

Baggrund	Begynd ved	Anslået tid
Ny inden for programmering og AI	Fase 0: Installation	~306 timer
Kan Python, er ny inden for ML	Fase 1: Matematisk grundlag	~270 timer
Kan ML, er ny inden for dyb læring	Fase 3: Kernen i dyb læring	~200 timer
Kan dyb læring og vil lære sprogmodeller og agenter	Fase 10: Store sprogmodeller fra bunden	~100 timer
Erfaren udvikler, som kun vil lære agentudvikling	Fase 14: Agentudvikling	~60 timer
Vil kun bygge MCP-systemer til produktion	Læringsforløb for Model Context Protocol (MCP)	~23 timer 15 min
Vil kun bygge Agent Skills til produktion	Læringsforløb for udvikling af Agent Skills	~9.5 timer
Vil kun lære reverse engineering	Læringsforløb i reverse engineering	~32.5 timer

Pensummets opbygning

Tyve faser bygger oven på hinanden. Matematikken er fundamentet. Agenter og produktion er de øverste lag. Spring frem, hvis du allerede kan det grundlæggende, men spring ikke over det og undr dig så over, at noget højere oppe går i stykker.

%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff','fontFamily':'JetBrains Mono','fontSize':'12px'}}}%%
flowchart TB
  P0["Fase 0: Installation og værktøjer"] --> P1["Fase 1: Matematisk grundlag"]
  P1 --> P2["Fase 2: Grundlæggende maskinlæring"]
  P2 --> P3["Fase 3: Kernen i dyb læring"]
  P3 --> P4["Fase 4: Computersyn"]
  P3 --> P5["Fase 5: NLP fra grundlag til avancerede emner"]
  P3 --> P6["Fase 6: Tale og lyd"]
  P3 --> P9["Fase 9: Forstærkningslæring"]
  P5 --> P7["Fase 7: Fordybelse i Transformers"]
  P7 --> P8["Fase 8: Generativ AI"]
  P7 --> P10["Fase 10: Store sprogmodeller fra bunden"]
  P10 --> P11["Fase 11: Udvikling med store sprogmodeller"]
  P10 --> P12["Fase 12: Multimodal AI"]
  P11 --> P13["Fase 13: Værktøjer og protokoller"]
  P13 --> P14["Fase 14: Agentudvikling"]
  P14 --> P15["Fase 15: Autonome systemer"]
  P15 --> P16["Fase 16: Flere agenter og sværme"]
  P14 --> P17["Fase 17: Infrastruktur og produktion"]
  P15 --> P18["Fase 18: Etik, sikkerhed og alignment"]
  P16 --> P19["Fase 19: Afsluttende projekter"]
  P17 --> P19
  P18 --> P19

Loading

Indhold

Tyve faser. Klik på en fase for at folde lektionslisten ud.

Fase 0: Installation og værktøjer 13 lektioner

Gør dit miljø klar til alt det, der følger.

#	Lektion	Type	Sprog
01	Udviklingsmiljø	Byg	Python
02	Git og samarbejde	Lær	—
03	GPU-opsætning og cloud	Byg	Python
04	API'er og nøgler	Byg	Python
05	Jupyter-notesbøger	Byg	Python
06	Python-miljøer	Byg	Shell
07	Docker til AI	Byg	Docker
08	Opsætning af editor	Byg	—
09	Datastyring	Byg	Python
10	Terminal og shell	Lær	—
11	Linux til AI	Lær	—
12	Fejlfinding og profilering	Byg	Python
13	Python til AI-udvikling	Byg	Python

Fase 1: Matematisk grundlag  22 lektioner  Intuitionen bag hver AI-algoritme gennem kode.

#	Lektion	Type	Sprog
01	Intuition for lineær algebra	Lær	Python, Julia
02	Vektorer, matricer og operationer	Byg	Python, Julia
03	Matrixtransformationer og egenværdier	Byg	Python, Julia
04	Differentialregning til ML: afledte og gradienter	Lær	Python
05	Kædereglen og automatisk differentiation	Byg	Python
06	Sandsynlighed og fordelinger	Lær	Python
07	Bayes' sætning og statistisk tænkning	Byg	Python
08	Optimering: familien af gradientnedstigningsmetoder	Byg	Python
09	Informationsteori: entropi og KL-divergens	Lær	Python
10	Dimensionsreduktion: PCA, t-SNE og UMAP	Byg	Python
11	Singulærværdidekomponering	Byg	Python, Julia
12	Tensoroperationer	Byg	Python
13	Numerisk stabilitet	Byg	Python
14	Normer og afstande	Byg	Python
15	Statistik til ML	Byg	Python
16	Stikprøvemetoder	Byg	Python
17	Lineære ligningssystemer	Byg	Python
18	Konveks optimering	Byg	Python
19	Komplekse tal til AI	Lær	Python
20	Fouriertransformationen	Byg	Python
21	Grafteori til ML	Byg	Python
22	Stokastiske processer	Lær	Python

Fase 2: Grundlæggende maskinlæring  21 lektioner  Klassisk ML er stadig rygraden i de fleste AI-systemer i produktion.

#	Lektion	Type	Sprog
01	Hvad er maskinlæring?	Lær	Python
02	Lineær regression fra bunden	Byg	Python
03	Logistisk regression og klassifikation	Byg	Python
04	Beslutningstræer og tilfældige skove	Byg	Python
05	Støttevektormaskiner	Byg	Python
06	KNN og afstandsmål	Byg	Python
07	Uovervåget læring: K-Means og DBSCAN	Byg	Python
08	Udvikling og udvælgelse af egenskaber	Byg	Python
09	Modelevaluering: måltal og krydsvalidering	Byg	Python
10	Bias, varians og læringskurven	Lær	Python
11	Ensemblemetoder: boosting, bagging og stacking	Byg	Python
12	Justering af hyperparametre	Byg	Python
13	ML-pipelines og sporing af eksperimenter	Byg	Python
14	Naiv Bayes	Byg	Python
15	Grundlæggende tidsserier	Byg	Python
16	Detektion af afvigelser	Byg	Python
17	Håndtering af ubalancerede data	Byg	Python
18	Udvælgelse af egenskaber	Byg	Python
19	Design af ML-systemer: fra problem til model i drift	Byg	Python
20	Overvågning af modeller i produktion: datadrift og konceptdrift	Byg	Python
21	Egenskabslagre og forskelle mellem træning og drift	Byg	Python

Fase 3: Kernen i dyb læring  13 lektioner  Neurale netværk fra grundprincipperne. Ingen frameworks, før du har bygget et selv.

#	Lektion	Type	Sprog
01	Perceptronen: hvor det hele begyndte	Byg	Python
02	Flerlagsnetværk og fremadrettet beregning	Byg	Python
03	Tilbagepropagering fra bunden	Byg	Python
04	Aktiveringsfunktioner: ReLU, sigmoid, GELU og hvorfor	Byg	Python
05	Tabsfunktioner: MSE, krydsentropi og kontrastive tab	Byg	Python
06	Optimeringsalgoritmer: SGD, momentum, Adam og AdamW	Byg	Python
07	Regularisering: dropout, vægtforfald og BatchNorm	Byg	Python
08	Initialisering af vægte og stabil træning	Byg	Python
09	Planer for læringsraten og opvarmning	Byg	Python
10	Byg dit eget lille framework	Byg	Python
11	Introduktion til PyTorch	Byg	Python
12	Introduktion til JAX	Byg	Python
13	Fejlfinding i neurale netværk	Byg	Python

Fase 4: Computersyn  28 lektioner  Fra pixels til forståelse: billeder, video, 3D, VLM'er og verdensmodeller.

#	Lektion	Type	Sprog
01	Billedgrundlag: pixels, kanaler og farverum	Lær	Python
02	Foldninger fra bunden	Byg	Python
03	CNN'er: fra LeNet til ResNet	Byg	Python
04	Billedklassifikation	Byg	Python
05	Overførselslæring og finjustering	Byg	Python
06	Objektdetektion: YOLO fra bunden	Byg	Python
07	Semantisk segmentering: U-Net	Byg	Python
08	Instanssegmentering: Mask R-CNN	Byg	Python
09	Billedgenerering med GAN'er	Byg	Python
10	Billedgenerering med diffusionsmodeller	Byg	Python
11	Stable Diffusion: arkitektur og finjustering	Byg	Python
12	Videoforståelse: tidslig modellering	Byg	Python
13	3D-syn: punktskyer og NeRF'er	Byg	Python
14	Vision Transformers (ViT) til billedanalyse	Byg	Python
15	Billedanalyse i realtid: udrulning på kanten	Byg	Python
16	Byg en komplet pipeline til billedanalyse	Byg	Python
17	Selvovervåget billedanalyse: SimCLR, DINO og MAE	Byg	Python
18	Billedanalyse med åbent ordforråd: CLIP	Byg	Python
19	OCR og dokumentforståelse	Byg	Python
20	Billedsøgning og metrisk læring	Byg	Python
21	Detektion af nøglepunkter og estimering af positur	Byg	Python
22	3D Gaussian Splatting fra bunden	Byg	Python
23	Diffusionstransformere og rectified flow	Byg	Python
24	SAM 3 og segmentering med åbent ordforråd	Byg	Python
25	Syn-sprog-modeller (ViT-MLP-LLM)	Byg	Python
26	Monokulær dybde- og geometriestimering	Byg	Python
27	Sporing af flere objekter og videohukommelse	Byg	Python
28	Verdensmodeller og videodiffusion	Byg	Python

Fase 5: NLP fra grundlag til avancerede emner  29 lektioner  Sprog er grænsefladen til intelligens.

#	Lektion	Type	Sprog
01	Tekstbehandling: tokenisering, stammebestemmelse og lemmatisering	Byg	Python
02	Ordposer, TF-IDF og tekstrepræsentation	Byg	Python
03	Ordindlejringer: Word2Vec fra bunden	Byg	Python
04	GloVe, FastText og delordsindlejringer	Byg	Python
05	Sentimentanalyse	Byg	Python
06	Genkendelse af navngivne entiteter (NER)	Byg	Python
07	Ordklassetagging og syntaktisk analyse	Byg	Python
08	Tekstklassifikation: CNN'er og RNN'er til tekst	Byg	Python
09	Sekvens-til-sekvens-modeller	Byg	Python
10	Attention-mekanismen: gennembruddet	Byg	Python
11	Maskinoversættelse	Byg	Python
12	Tekstopsummering	Byg	Python
13	Systemer til spørgsmål og svar	Byg	Python
14	Informationssøgning og søgning	Byg	Python
15	Emnemodellering: LDA og BERTopic	Byg	Python
16	Tekstgenerering	Byg	Python
17	Chatbots: fra regler til neurale netværk	Byg	Python
18	Flersproget NLP	Byg	Python
19	Delordstokenisering: BPE, WordPiece, Unigram og SentencePiece	Lær	Python
20	Strukturerede output og begrænset afkodning	Byg	Python
21	NLI og tekstlig følgeslutning	Lær	Python
22	Fordybelse i indlejringsmodeller	Lær	Python
23	Strategier til opdeling af tekst i RAG	Byg	Python
24	Opløsning af koreferencer	Lær	Python
25	Entitetskobling og afklaring af flertydighed	Byg	Python
26	Udtrækning af relationer og opbygning af vidensgrafer	Byg	Python
27	LLM-evaluering: RAGAS, DeepEval og G-Eval	Byg	Python
28	Evaluering af lang kontekst: NIAH, RULER, LongBench og MRCR	Lær	Python
29	Sporing af dialogtilstand	Byg	Python

Fase 6: Tale og lyd  17 lektioner  Hør, forstå og tal.

#	Lektion	Type	Sprog
01	Lydgrundlag: bølgeformer, sampling og FFT	Lær	Python
02	Spektrogrammer, mel-skala og lydegenskaber	Byg	Python
03	Lydklassifikation	Byg	Python
04	Talegenkendelse (ASR)	Byg	Python
05	Whisper: arkitektur og finjustering	Byg	Python
06	Taleridentifikation og -verificering	Byg	Python
07	Tekst til tale (TTS)	Byg	Python
08	Stemmekloning og stemmekonvertering	Byg	Python
09	Musikgenerering	Byg	Python
10	Lyd-sprog-modeller	Byg	Python
11	Lydbehandling i realtid	Byg	Python
12	Byg en pipeline til en stemmeassistent	Byg	Python
13	Neurale lydcodecs: EnCodec, SNAC, Mimi og DAC	Lær	Python
14	Detektion af taleaktivitet og turtagning	Byg	Python
15	Streaming fra tale til tale: Moshi og Hibiki	Lær	Python
16	Beskyttelse mod stemmeforfalskning og vandmærkning af lyd	Byg	Python
17	Lydevaluering: WER, MOS, MMAU og ranglister	Lær	Python

Fase 7: Fordybelse i Transformers  16 lektioner  Arkitekturen, der ændrede alt.

#	Lektion	Type	Sprog
01	Hvorfor Transformers: problemerne med RNN'er	Lær	Python
02	Self-attention fra bunden	Byg	Python
03	Attention med flere hoveder	Byg	Python
04	Positionskodning: sinus, RoPE og ALiBi	Byg	Python
05	Den komplette Transformer: indkoder og afkoder	Byg	Python
06	BERT: maskeret sprogmodellering	Byg	Python
07	GPT: kausal sprogmodellering	Byg	Python
08	T5 og BART: indkoder-afkoder-modeller	Lær	Python
09	Vision Transformers (ViT) til billedanalyse	Byg	Python
10	Lydtransformere: Whispers arkitektur	Lær	Python
11	Blanding af eksperter (MoE)	Byg	Python
12	KV-cache, Flash Attention og optimering af inferens	Byg	Python
13	Skaleringslove	Lær	Python
14	Byg en Transformer fra bunden	Byg	Python
15	Attention-varianter: glidende vindue, sparsom og differentiel	Byg	Python
16	Spekulativ afkodning: foreslå, verificér, gentag	Byg	Python

Fase 8: Generativ AI  15 lektioner  Skab billeder, video, lyd, 3D og meget mere.

#	Lektion	Type	Sprog
01	Generative modeller: taksonomi og historie	Lær	Python
02	Autoindkodere og VAE	Byg	Python
03	GAN'er: generator mod diskriminator	Byg	Python
04	Betingede GAN'er og Pix2Pix	Byg	Python
05	StyleGAN-modellen	Byg	Python
06	Diffusionsmodeller: DDPM fra bunden	Byg	Python
07	Latent diffusion og Stable Diffusion	Byg	Python
08	ControlNet, LoRA og betinget generering	Byg	Python
09	Udfyldning, udvidelse og redigering af billeder	Byg	Python
10	Videogenerering	Byg	Python
11	Lydgenerering	Byg	Python
12	3D-generering	Byg	Python
13	Flow matching og rectified flows	Byg	Python
14	Evaluering: FID og CLIP-score	Byg	Python
19	Visuel autoregressiv modellering (VAR): forudsigelse af næste skala	Byg	Python

Fase 9: Forstærkningslæring  12 lektioner  Grundlaget for RLHF og AI, der spiller spil.

#	Lektion	Type	Sprog
01	MDP'er, tilstande, handlinger og belønninger	Lær	Python
02	Dynamisk programmering	Byg	Python
03	Monte Carlo-metoder	Byg	Python
04	Q-læring og SARSA	Byg	Python
05	Dybe Q-netværk (DQN)	Byg	Python
06	Politikgradienter: REINFORCE	Byg	Python
07	Aktør-kritiker: A2C og A3C	Byg	Python
08	PPO-algoritmen	Byg	Python
09	Belønningsmodellering og RLHF	Byg	Python
10	Forstærkningslæring med flere agenter	Byg	Python
11	Overførsel fra simulering til virkelighed	Byg	Python
12	Forstærkningslæring til spil	Byg	Python

Fase 10: Store sprogmodeller fra bunden  24 lektioner  Byg, træn og forstå store sprogmodeller.

#	Lektion	Type	Sprog
01	Tokenizere: BPE, WordPiece og SentencePiece	Byg	Python, Rust
02	Byg en tokenizer fra bunden	Byg	Python
03	Datapipelines til fortræning	Byg	Python
04	Fortræning af en lille GPT (124M)	Byg	Python
05	Distribueret træning, FSDP og DeepSpeed	Byg	Python
06	Instruktionsjustering: SFT	Byg	Python
07	RLHF: belønningsmodel og PPO	Byg	Python
08	DPO: direkte præferenceoptimering	Byg	Python
09	Konstitutionel AI og selvforbedring	Byg	Python
10	Evaluering: benchmarks og prøver	Byg	Python
11	Kvantisering: INT8, GPTQ, AWQ og GGUF	Byg	Python
12	Optimering af inferens	Byg	Python
13	Byg en komplet LLM-pipeline	Byg	Python
14	Åbne modeller: gennemgang af arkitekturer	Lær	Python
15	Spekulativ afkodning og EAGLE-3	Byg	Python
16	Differentiel attention (V2)	Byg	Python
17	Indbygget sparsom attention (DeepSeek NSA)	Byg	Python
18	Forudsigelse af flere tokens (MTP)	Byg	Python
19	Parallelisme med DualPipe	Lær	Python
20	Gennemgang af DeepSeek-V3's arkitektur	Lær	Python
21	Jamba: hybrid af SSM og Transformer	Lær	Python
22	Asynkron inferens og Hogwild!	Byg	Python
25	Spekulativ afkodning og EAGLE	Byg	Python
34	Gradientkontrolpunkter og genberegning af aktiveringer	Byg	Python

Fase 11: Udvikling med store sprogmodeller  17 lektioner  Sæt store sprogmodeller i arbejde i produktion.

#	Lektion	Type	Sprog
01	Promptudvikling: teknikker og mønstre	Byg	Python
02	Få eksempler, tankekæder og tanketræer	Byg	Python
03	Strukturerede output	Byg	Python
04	Indlejringer og vektorrepræsentationer	Byg	Python
05	Kontekstudvikling	Byg	Python
06	RAG: generering understøttet af informationssøgning	Byg	Python
07	Avanceret RAG: opdeling og omrangering	Byg	Python
08	Finjustering med LoRA og QLoRA	Byg	Python
09	Funktionskald og brug af værktøjer	Byg	Python
10	Evaluering og test	Byg	Python
11	Caching, hastighedsbegrænsning og omkostninger	Byg	Python
12	Sikkerhedsrammer og beskyttelse	Byg	Python
13	Byg en LLM-app til produktion	Byg	Python
14	Model Context Protocol (MCP)	Byg	Python
15	Caching af prompter og kontekst	Byg	Python
16	Agenters tilstandsmaskiner: grafer, noder og kontrolpunkter	Byg	Python
17	Afvejninger ved valg af agentframework	Lær	Python

Fase 12: Multimodal AI  25 lektioner  Se, hør, læs og ræsonnér på tværs af modaliteter: fra ViT-billedfelter til agenter, der bruger computere.

#	Lektion	Type	Sprog
01	Vision Transformers og patch-token-primitivet	Lær	Python
02	CLIP og kontrastiv fortræning af syn og sprog	Byg	Python
03	BLIP-2 Q-Former som bro mellem modaliteter	Byg	Python
04	Flamingo og styret cross-attention	Lær	Python
05	LLaVA og visuel instruktionsjustering	Byg	Python
06	Billedanalyse ved vilkårlig opløsning: Patch-n'-Pack og NaFlex	Byg	Python
07	Opskrifter på VLM'er med åbne vægte: hvad der faktisk betyder noget	Lær	Python
08	LLaVA-OneVision: enkeltbilleder, flere billeder og video	Byg	Python
09	Qwen-VL-familien og video med dynamisk billedhastighed	Lær	Python
10	InternVL3: indbygget multimodal fortræning	Lær	Python
11	Chameleon: tidlig fusion udelukkende med tokens	Byg	Python
12	Emu3: forudsigelse af næste token til generering	Lær	Python
13	Transfusion: autoregression og diffusion	Byg	Python
14	Show-o: samlet diskret diffusion	Lær	Python
15	Janus-Pro: adskilte indkodere	Byg	Python
16	MIO: streaming mellem vilkårlige modaliteter	Lær	Python
17	Tidslig forankring af video og sprog	Byg	Python
18	Lange videoer i en kontekst på en million tokens	Byg	Python
19	Lyd-sprog-modeller: fra Whisper til AF3	Byg	Python
20	Omni-modeller: Thinker-Talker-streaming	Byg	Python
21	Kropsligt forankrede VLA'er: RT-2, OpenVLA, π0 og GR00T	Lær	Python
22	Forståelse af dokumenter og diagrammer	Byg	Python
23	ColPali: dokument-RAG direkte fra billeder	Byg	Python
24	Multimodal RAG og søgning på tværs af modaliteter	Byg	Python
25	Multimodale agenter og computerbrug: afsluttende projekt	Byg	Python

Fase 13: Værktøjer og protokoller  45 lektioner  Grænsefladerne mellem AI og den virkelige verden.

#	Lektion	Type	Sprog
01	Grænsefladen til værktøjer	Lær	Python
02	Fordybelse i funktionskald	Byg	Python
03	Parallelle og streamede værktøjskald	Byg	Python
04	Struktureret output	Byg	Python
05	Design af værktøjsskemaer	Lær	Python
06	MCP-grundlag: tilstandsløse forespørgsler og JSON-RPC	Lær	Python
07	Byg en MCP-server: tilstandsløs Python og TypeScript	Byg	Python, TypeScript
08	Byg en MCP-klient: opdagelse, routing og fallback mellem protokolgenerationer	Byg	Python
09	MCP-transporter: stdio og tilstandsløs Streamable HTTP	Lær	Python
10	MCP-ressourcer og prompter: adresserbar kontekst til tilstandsløse servere	Byg	Python
11	MCP-modelinput: samplingmigrering og tilstandsløs MRTR	Byg	Python
12	Eksplicit omfang og tilstandsløs indhentning af brugeroplysninger	Byg	Python
13	MCP Tasks-udvidelsen: varigt arbejde på en tilstandsløs kerne	Byg	Python
14	MCP Apps på den tilstandsløse protokol	Byg	Python
15	MCP-sikkerhed: forgiftede metadata, routing og MRTR-tilstand	Lær	Python
16	MCP-autorisation: CIMD, udstederbinding, PKCE og step-up	Byg	Python
17	Tilstandsløse MCP-gateways og optagelse i registre	Lær	Python
18	MCP-autorisation i produktion: udstederbundet registrering og tokens	Byg	Python
19	A2A-protokollen	Byg	Python
20	OpenTelemetry til GenAI	Byg	Python
21	Routinglag til LLM'er	Lær	Python
22	Agent Skills: portabel kontrakt og grænse til kørselsmiljøet	Byg	Python
23	Afsluttende projekt: tilstandsløst værktøjsøkosystem	Byg	Python
24	Opdagelse af færdigheder og gradvis afsløring af oplysninger	Byg	Python
25	Kald og routing af færdigheder	Byg	Python
26	Færdigheders tilladelser, sandkasser og tillid	Byg	Python
27	Evaluering, pakning og portabilitet af færdigheder	Byg	Python
28	MCP-værktøjers kontrakter og indhold	Byg	Python
29	MCP-pålidelighed, annullering og flowkontrol	Byg	Python
30	MCP-registrets forsyningskæde: optagelse, afvigelser og tilbagerulning	Byg	Python
31	MCP-protokoloverholdelse: versionering, dokumentation og drift	Byg	Python
32	Programanatomi: læs ELF fra bunden	Byg	Python
33	Disassemblering og kontrolflowgrafer	Byg	Python
34	Fra maskinkode til pseudokode	Byg	Python
35	Evidens, sikkerhed og ubekendte i binær analyse	Byg	Python
36	Genopbyg og bevis lighed	Byg	Python
37	Landskabet for reverse engineering	Byg	Python
38	Kaldkonventioner og stakrammer	Byg	Python
39	Compileridiomer og optimering	Byg	Python
40	Linkning, indlæsning og strippede binærfiler	Byg	Python
41	Genskabelse af data og typer	Byg	Python
42	Dynamisk analyse af dit eget program	Byg	Python
43	Bytekode og administrerede formater	Byg	Python
44	Binær diffing og symbolsk eksekvering	Byg	Python
45	AI-assisteret reverse engineering	Byg	Python

Lektionerne 06-18 og 28-31 udgør det fokuserede læringsforløb for Model Context Protocol (MCP). Manifestets rækkefølge er 06, 07, 08, 09, 10, 11, 12, 13, 14, 15, 16, 18, 17, 28, 29, 30, 31. Start med værtsprogrammets learn-mcp-kald ovenfor. Lektion 23 er det eneste valgfrie afsluttende projekt og kræver også lektionerne 19 og 20.

Lektionerne 22 og 24-27 udgør det fokuserede læringsforløb for Agent Skills, fra pakkekontrakt til udgivelseskontrol i rigtige værtsprogrammer. Start med værtsprogrammets learn-agent-skills-kald ovenfor; følg ikke det numeriske næste-link fra 22 til 23.

Fase 14: Agentudvikling  54 lektioner  Byg agenter fra grundprincipperne, brug kodeagenter pålideligt, og form arbejdet før implementeringen.

#	Lektion	Type	Sprog
01	Agentløkken	Byg	Python
02	ReWOO og planlægning efterfulgt af udførelse	Byg	Python
03	Reflexion og sproglig forstærkningslæring	Byg	Python
04	Tanketræer og LATS	Byg	Python
05	Self-Refine og CRITIC-metoden	Byg	Python
06	Brug af værktøjer og funktionskald	Byg	Python
07	Agenthukommelse: virtuel kontekst og sideinddeling af hukommelse	Byg	Python
08	Hukommelsesblokke og beregning i hvileperioder	Byg	Python
09	Hybridhukommelse: vektor, graf og KV	Byg	Python
10	Færdighedsbiblioteker og livslang læring (Voyager)	Byg	Python
11	Planlægning med HTN og evolutionær søgning	Byg	Python
12	Anthropics arbejdsgangsmønstre	Byg	Python
13	Tilstandsfuld graforchestrering: varig udførelse og kontrolpunkter	Byg	Python
14	Aktørmodellen til agenter	Byg	Python
15	Rollebaserede agentteams: roller, opgaver og processer	Byg	Python
16	OpenAI Agents SDK: overdragelser, sikkerhedsrammer og sporing	Byg	Python
17	Kørselsrammen som bibliotek: underagenter og sessionslager	Byg	Python
18	Agentkørselsmiljøer til produktion	Lær	Python
19	Præstationsmåling: SWE-bench, GAIA og AgentBench	Lær	Python
20	Præstationsmåling: WebArena og OSWorld	Lær	Python
21	Computerbrug: Claude, OpenAI CUA og Gemini	Byg	Python
22	Stemmeagenter: Pipecat og LiveKit	Byg	Python
23	Semantiske konventioner for OpenTelemetry GenAI	Byg	Python
24	Agentobserverbarhed: Langfuse, Phoenix og Opik	Lær	Python
25	Debat og samarbejde mellem flere agenter	Byg	Python
26	Fejltyper: hvorfor agenter fejler	Byg	Python
27	Promptinjektion og PVE-forsvaret	Byg	Python
28	Orkestreringsmønstre: supervisor, sværm og hierarki	Byg	Python
29	Produktionskørselsmiljøer: kø, hændelse og cron	Lær	Python
30	Evalueringsdrevet agentudvikling	Byg	Python
31	Agentarbejdsbænken: hvorfor dygtige modeller stadig fejler	Lær	Python
32	Den minimale agentarbejdsbænk	Byg	Python
33	Agentinstruktioner som eksekverbare begrænsninger	Byg	Python
34	Arkivhukommelse og varig tilstand	Byg	Python
35	Initialiseringsscripts til agenter	Byg	Python
36	Kontrakter for omfang og opgavegrænser	Byg	Python
37	Feedbacksløjfer under kørsel	Byg	Python
38	Verifikationskontroller	Byg	Python
39	Kontrolagenten: adskil byggeren fra bedømmeren	Byg	Python
40	Overdragelse mellem flere sessioner	Byg	Python
41	Arbejdsbænken i et rigtigt arkiv	Byg	Python
42	Afsluttende projekt: udgiv en genanvendelig agentarbejdsbænk	Byg	Python
43	Afgræns opgaven, før agenten skriver kode	Byg	Python
44	Lav en udførelsesplan underbygget af dokumentation	Byg	Python
45	Delegér agentarbejde med isolation og flettekontrakter	Byg	Python
46	Gør hver agentkorrektion til en systemforbedring	Byg	Python
47	Definér effekten, før du vælger leverancen	Byg	Python
48	Undersøg den arbejdsgang, folk faktisk udfører	Byg	Python
49	Kortlæg antagelserne, og afklar den mest risikable først	Byg	Python
50	Vælg den mindste del, der kan ændre beslutningen	Byg	Python
51	Skriv specifikationer, der bevarer dømmekraften	Byg	Python
52	Design succeskriterier, før resultatet findes	Byg	Python
53	Vælg bevidst mellem prototype, pilot og produktion	Byg	Python
54	Opbyg vedvarende læring fra feedback med ejerskab og udfasning	Byg	Python

Hver arbejdsbænkslektion i fase 14 (31-42) indeholder en mission.md, som instruerer agenten, før den åbner hele lektionsdokumentationen.

Lektionerne 31-46 udgør læringsforløbet for agentstøttet udvikling. Manifestets rækkefølge kombinerer arbejdsbænkens grundlag med opgaveformulering, planlægning, delegering og varig feedback. Lektionerne 47-54 udgør læringsforløbet for produktvurdering og levering, fra målformulering til dokumentation, risici, afgrænsning, måling, trinvis udrulning og ansvar for feedback.

Fase 15: Autonome systemer  22 lektioner  Agenter til langvarige opgaver, selvforbedring og sikkerhedslagene i 2026.

#	Lektion	Type	Sprog
01	Fra chatbots til agenter til langvarige opgaver (METR)	Lær	Python
02	STaR, V-STaR og Quiet-STaR: selvlært ræsonnement	Lær	Python
03	AlphaEvolve: evolutionære kodeagenter	Lær	Python
04	Darwin Gödel Machine: selvmodificerende agenter	Lær	Python
05	AI Scientist v2: forskning på workshopniveau	Lær	Python
06	Automatiseret alignmentforskning (Anthropic AAR)	Lær	Python
07	Rekursiv selvforbedring: evner over for alignment	Lær	Python
08	Design af afgrænset selvforbedring	Lær	Python
09	Landskabet for autonome kodeagenter (SWE-bench, CodeAct)	Lær	Python
10	Tilladelsestilstande for autonome agenter	Lær	Python
11	Browseragenter og indirekte promptinjektion	Lær	Python
12	Varig udførelse for langvarige agenter	Lær	Python
13	Handlingsbudgetter, iterationsgrænser og omkostningsstyring	Lær	Python
14	Nødstop, kredsløbsafbrydere og kanarietokens	Lær	Python
15	Mennesket i løkken: foreslå før udførelse	Lær	Python
16	Kontrolpunkter og tilbagerulning	Lær	Python
17	Konstitutionel AI og tilsidesættelse af regler	Lær	Python
18	Llama Guard og klassifikation af input og output	Lær	Python
19	Anthropics politik for ansvarlig skalering v3.0	Lær	Python
20	OpenAI Preparedness Framework og DeepMind FSF	Lær	Python
21	METR-tidshorisonter og ekstern evaluering	Lær	Python
22	CAIS, CAISI og risici på samfundsniveau	Lær	Python

Fase 16: Flere agenter og sværme  25 lektioner  Koordinering, emergens og kollektiv intelligens.

#	Lektion	Type	Sprog
01	Hvorfor bruge flere agenter?	Lær	TypeScript
02	Arven fra FIPA-ACL og talehandlinger	Lær	Python
03	Kommunikationsprotokoller	Byg	TypeScript
04	Grundmodellen for flere agenter	Lær	Python
05	Mønstret supervisor / orkestrator-arbejder	Byg	Python
06	Hierarkisk arkitektur og afdrift ved opdeling	Lær	Python
07	Society of Mind og debat mellem flere agenter	Byg	Python
08	Rollespecialisering: planlægger, kritiker, udfører og kontrollant	Byg	Python
09	Parallelle sværme og netværksarkitekturer	Byg	Python
10	Gruppechat og valg af taler	Byg	Python
11	Overdragelser og rutiner: tilstandsløs orkestrering	Byg	Python
12	A2A: protokollen mellem agenter	Byg	Python
13	Delt hukommelse og tavlemønstre	Byg	Python
14	Konsensus og byzantinsk fejltolerance	Byg	Python
15	Afstemning, selvkonsistens og debattopologi	Byg	Python
16	Forhandling og købslåning	Byg	Python
17	Generative agenter og emergent simulering	Byg	Python
18	Mentalisering og emergent koordinering	Byg	Python
19	Sværmoptimering (PSO, ACO)	Byg	Python
20	MARL: MADDPG, QMIX og MAPPO	Lær	Python
21	Agentøkonomier, tokenincitamenter og omdømme	Lær	Python
22	Skalering i produktion: køer, kontrolpunkter og varighed	Byg	Python
23	Fejltyper: MAST, gruppetænkning og monokultur	Lær	Python
24	Evaluering og benchmarks for koordinering	Lær	Python
25	Casestudier og førende metoder i 2026	Lær	Python

Fase 17: Infrastruktur og produktion  29 lektioner  Bring AI ud i den virkelige verden.

#	Lektion	Type	Sprog
01	Administrerede LLM-platforme: Bedrock, Azure OpenAI og Vertex AI	Lær	Python
02	Økonomi i inferensplatforme: Fireworks, Together, Baseten og Modal	Lær	Python
03	Automatisk GPU-skalering på Kubernetes: Karpenter og KAI Scheduler	Lær	Python
04	Serveringsmotorens indre: PagedAttention, kontinuerlige batches og opdelt prefill	Lær	Python
05	EAGLE-3: spekulativ afkodning i produktion	Lær	Python
06	Servering med præfikscache: RadixAttention og genbrug af KV	Lær	Python
07	Hardwaretilpasset inferenskompilering: FP8 og NVFP4 på Blackwell	Lær	Python
08	Inferensmåltal: TTFT, TPOT, ITL, nyttig gennemstrømning og P99	Lær	Python
09	Kvantisering i produktion: AWQ, GPTQ, GGUF, FP8 og NVFP4	Lær	Python
10	Afhjælpning af koldstart for serverløse LLM'er	Lær	Python
11	LLM-servering i flere regioner og placering af KV-cache	Lær	Python
12	Inferens på kanten: ANE, Hexagon, WebGPU og Jetson	Lær	Python
13	Valg af værktøjer til LLM-observerbarhed	Lær	Python
14	Økonomi i promptcaching og semantisk caching	Lær	Python
15	Batch-API'er: 50% rabat som branchestandard	Lær	Python
16	Modelrouting som grundlag for omkostningsreduktion	Lær	Python
17	Adskilt prefill og afkodning: NVIDIA Dynamo og llm-d	Lær	Python
18	Servering i produktion: KV-aflastning og cachebevidst routing	Lær	Python
19	AI-gateways: LiteLLM, Portkey, Kong og Bifrost	Lær	Python
20	Skyggekørsel, kanarieudrulning og gradvis udrulning	Lær	Python
21	A/B-test af LLM-funktioner: GrowthBook og Statsig	Lær	Python
22	Belastningstest af LLM-API'er: k6, LLMPerf og GenAI-Perf	Byg	Python
23	SRE til AI: hændelseshåndtering med flere agenter	Lær	Python
24	Kaostest af LLM-systemer i produktion	Lær	Python
25	Sikkerhed: hemmeligheder, fjernelse af persondata og revisionslogge	Lær	Python
26	Regeloverholdelse: SOC 2, HIPAA, GDPR, EU AI Act og ISO 42001	Lær	Python
27	FinOps til LLM'er: enhedsøkonomi og fordeling mellem kunder	Lær	Python
28	Valg af selvhostet servering: match motor, hardware og skala	Lær	Python
29	Demo-grænseflader til modeller: fra en funktion til en app, der kan deles	Byg	Python

Fase 18: Etik, sikkerhed og alignment  30 lektioner  Byg AI, der hjælper menneskeheden. Det er ikke valgfrit.

#	Lektion	Type	Sprog
01	Instruktionsfølgning som signal om alignment	Lær	Python
02	Udnyttelse af belønningssystemer og Goodharts lov	Lær	Python
03	Familien af metoder til direkte præferenceoptimering	Lær	Python
04	Medløberi forstærket af RLHF	Lær	Python
05	Konstitutionel AI og RLAIF	Lær	Python
06	Mesa-optimering og vildledende alignment	Lær	Python
07	Sovende agenter: vedvarende bedrag	Lær	Python
08	Intriger i konteksten hos de mest avancerede modeller	Lær	Python
09	Foregivet alignment	Lær	Python
10	AI-kontrol: sikkerhed trods sabotage	Lær	Python
11	Skalerbart tilsyn og fra svag til stærk	Lær	Python
12	Angrebstest: PAIR og automatiserede angreb	Byg	Python
13	Omgåelse af sikkerhedsregler med mange eksempler	Lær	Python
14	ASCII-kunst og visuel omgåelse af sikkerhedsregler	Byg	Python
15	Indirekte promptinjektion	Byg	Python
16	Værktøjer til angrebstest: Garak, Llama Guard og PyRIT	Byg	Python
17	WMDP og evaluering af evner med dobbelt anvendelse	Lær	Python
18	Sikkerhedsrammer for avancerede modeller: RSP, PF og FSF	Lær	Python
19	Forskning i modellers velfærd	Lær	Python
20	Bias og repræsentationsskade	Byg	Python
21	Retfærdighedskriterier: gruppe, individ og kontrafaktisk	Lær	Python
22	Differentielt privatliv for LLM'er	Byg	Python
23	Vandmærkning: SynthID, Stable Signature og C2PA	Byg	Python
24	Lovgivningsrammer: EU, USA, Storbritannien og Korea	Lær	Python
25	EchoLeak og CVE'er for AI	Lær	Python
26	Kort for modeller, systemer og datasæt	Byg	Python
27	Dataoprindelse og styring af træningsdata	Lær	Python
28	Økosystemet for alignmentforskning: MATS, Redwood, Apollo og METR	Lær	Python
29	Moderationssystemer: OpenAI, Perspective og Llama Guard	Byg	Python
30	Risici ved dobbelt anvendelse: cyber, biologi, kemi og atomteknik	Lær	Python

Fase 19: Afsluttende projekter  85 lektioner  17 komplette produkter + 9 fordybende byggeforløb. 20-40 timer pr. projekt; 4-12 lektioner pr. forløb.

#	Projekt	Kombinerer	Sprog
01	Kodeagent direkte i terminalen	P0 P5 P7 P10 P11 P13 P14 P15 P17 P18	Python
02	RAG over kodebasen: semantisk søgning på tværs af arkiver	P5 P7 P11 P13 P17	Python
03	Stemmeassistent i realtid (ASR → LLM → TTS)	P6 P7 P11 P13 P14 P17	Python
04	Multimodale dokumentsvar med billedanalyse først	P4 P5 P7 P11 P12 P17	Python
05	Autonom forskningsagent i AI-Scientist-klassen	P0 P2 P3 P7 P10 P14 P15 P16 P18	Python
06	DevOps-agent til fejlfinding i Kubernetes	P11 P13 P14 P15 P17 P18	Python
07	Komplet pipeline til finjustering	P2 P3 P7 P10 P11 P17 P18	Python
08	RAG-chatbot i produktion til en reguleret branche	P5 P7 P11 P12 P17 P18	Python
09	Kodemigreringsagent: opgradering af hele arkivet	P5 P7 P11 P13 P14 P15 P17	Python
10	Softwareudviklingsteam med flere agenter	P11 P13 P14 P15 P16 P17	Python
11	Dashboard til LLM-observerbarhed og evaluering	P11 P13 P17 P18	Python
12	Pipeline til videoforståelse: fra scene til spørgsmål og svar	P4 P6 P7 P11 P12 P17	Python
13	Tilstandsløs MCP-server med register og styring	P11 P13 P14 P17 P18	Python
14	Inferensserver med spekulativ afkodning	P3 P7 P10 P17	Python
15	Konstitutionel sikkerhedsramme og testmiljø til angreb	P10 P11 P13 P14 P18	Python
16	Autonom agent fra GitHub-issue til PR	P11 P13 P14 P15 P17	Python
17	Personlig AI-vejleder: adaptiv og multimodal	P5 P6 P11 P12 P14 P17 P18	Python

Fordybende byggeforløb: serier af lektioner, hvor du bygger et helt delsystem fra bunden.

#	Projekt	Kombinerer	Sprog
20	Kontrakt for agentkørselsrammens løkke	A. Agentkørselsramme	Python
21	Værktøjsregister med skemavalidering	A. Agentkørselsramme	Python
22	JSON-RPC 2.0 over linjeopdelt stdio	A. Agentkørselsramme	Python
23	Fordeling af funktionskald	A. Agentkørselsramme	Python
24	Kontrolflow for planlægning og udførelse	A. Agentkørselsramme	Python
25	Verifikationskontroller og observationsbudget	A. Agentkørselsramme	Python
26	Sandkassekørsel med blokeringsliste og stibegrænsning	A. Agentkørselsramme	Python
27	Evalueringsramme med faste testopgaver	A. Agentkørselsramme	Python
28	Observerbarhed med OTel GenAI-spans og Prometheus-måltal	A. Agentkørselsramme	Python
29	Komplet kodeagent bygget på kørselsrammen	A. Agentkørselsramme	Python
30	BPE-tokenizer fra bunden	B. NLP LLM	Python
31	Tokeniseret datasæt med glidende vindue	B. NLP LLM	Python
32	Token- og positionsindlejringer	B. NLP LLM	Python
33	Self-attention med flere hoveder	B. NLP LLM	Python
34	Transformerblok fra bunden	B. NLP LLM	Python
35	Sammensætning af GPT-modellen	B. NLP LLM	Python
36	Træningsløkke og evaluering	B. NLP LLM	Python
37	Indlæsning af fortrænede vægte	B. NLP LLM	Python
38	Finjustering af klassifikator ved at udskifte hovedet	B. NLP LLM	Python
39	Instruktionsjustering gennem overvåget finjustering	B. NLP LLM	Python
40	Direkte præferenceoptimering fra bunden	B. NLP LLM	Python
41	Komplet evalueringspipeline	B. NLP LLM	Python
42	Downloader til store tekstsamlinger	C. Komplet træning	Python
43	Tokeniseret tekstsamling i HDF5	C. Komplet træning	Python
44	Cosinusplan for læringsraten med lineær opvarmning	C. Komplet træning	Python
45	Gradientklipning og blandet præcision	C. Komplet træning	Python
46	Gradientakkumulering	C. Komplet træning	Python
47	Gem og genoptag fra kontrolpunkter	C. Komplet træning	Python
48	Distribueret dataparallelisme og FSDP fra bunden	C. Komplet træning	Python
49	Evalueringsramme til sprogmodeller	C. Komplet træning	Python
50	Hypotesegenerator	D. Automatisk forskning	Python
51	Litteratursøgning	D. Automatisk forskning	Python
52	Eksperimentkørsel	D. Automatisk forskning	Python
53	Evaluering af resultater	D. Automatisk forskning	Python
54	Skrivning af forskningsartikler	D. Automatisk forskning	Python
55	Kritikerløkke	D. Automatisk forskning	Python
56	Planlægning af iterationer	D. Automatisk forskning	Python
57	Komplet forskningsdemo	D. Automatisk forskning	Python
58	Billedfelter til synsindkoderen	E. Multimodal syn-sprog-model	Python
59	Vision Transformer-indkoder	E. Multimodal syn-sprog-model	Python
60	Projektionslag til tilpasning af modaliteter	E. Multimodal syn-sprog-model	Python
61	Fusion med cross-attention	E. Multimodal syn-sprog-model	Python
62	Fortræning af syn og sprog	E. Multimodal syn-sprog-model	Python
63	Multimodal evaluering	E. Multimodal syn-sprog-model	Python
64	Sammenligning af strategier til tekstopdeling	F. Avanceret RAG	Python
65	Hybridsøgning med BM25 og tætte indlejringer	F. Avanceret RAG	Python
66	Omrangering med en cross-encoder	F. Avanceret RAG	Python
67	Omskrivning af forespørgsler: HyDE, flere forespørgsler og opdeling	F. Avanceret RAG	Python
68	RAG-evaluering: præcision, genfinding, MRR, nDCG, kildetroskab og svarrelevans	F. Avanceret RAG	Python
69	Komplet RAG-system	F. Avanceret RAG	Python
70	Format for opgavespecifikationer	G. Evalueringsframework	Python
71	Klassiske måltal	G. Evalueringsframework	Python
72	Måling af kodekørsel	G. Evalueringsframework	Python
73	Perpleksitet og kalibrering	G. Evalueringsframework	Python
74	Sammenlægning af ranglister	G. Evalueringsframework	Python
75	Komplet evalueringskørsel	G. Evalueringsframework	Python
76	Kollektive operationer fra bunden	H. Distribueret træning	Python
77	Dataparallel DDP fra bunden	H. Distribueret træning	Python
78	Opdeling af ZeRO-optimeringsalgoritmens tilstand	H. Distribueret træning	Python
79	Pipelineparallelisme og analyse af tomgang	H. Distribueret træning	Python
80	Opdelte kontrolpunkter og atomisk genoptagelse	H. Distribueret træning	Python
81	Komplet distribueret træning	H. Distribueret træning	Python
82	Taksonomi for omgåelse af sikkerhedsregler	I. Sikkerhedskørselsramme	Python
83	Detektor for promptinjektion	I. Sikkerhedskørselsramme	Python
84	Evaluering af afvisninger	I. Sikkerhedskørselsramme	Python
85	Integration af indholdsklassifikator	I. Sikkerhedskørselsramme	Python
86	Konstitutionel regelmotor	I. Sikkerhedskørselsramme	Python, YAML
87	Komplet sikkerhedskontrol	I. Sikkerhedskørselsramme	Python

Bøger og certificeringer

Læs grundkurset som bog

Grundkursets 20 faser under phases/ samles i en bogserie på seks bind. CI bygger EPUB og PDF fra de samme lektionskilder og vedhæfter dem til hver GitHub-udgivelse. Linkene nedenfor peger altid på den seneste udgivelse. Bindnumrene angiver pladsen i serien, ikke versionsnumre: hvert eksemplar har et dateret udgavestempel, og ældre udgaver kan stadig hentes fra deres respektive udgivelser.

Certificeringskurserne indgår bevidst ikke i bøgerne. Deres AI-vejledertilstand, kørbare øvelser, interaktive figurer, diagnostiske prøver og tidsbegrænsede øveeksamener bliver på GitHub og hjemmesiden.

Bind	Titel	Faser	Hent
1	Grundlag · Matematik, værktøjer og klassisk maskinlæring	00-02	EPUB · PDF
2	Dyb læring · Netværk, billedanalyse og tale	03, 04, 06	EPUB · PDF
3	Sprog · NLP-grundlag og Transformer	05, 07	EPUB · PDF
4	Store sprogmodeller · Generering, forstærkning, fortræning og udvikling	08-11	EPUB · PDF
5	Agenter · Multimodalitet, protokoller, autonomi og sværme	12-16	EPUB · PDF
6	Produktion · Infrastruktur, sikkerhed og afsluttende projekter	17-19	EPUB · PDF

Bogen er et øjebliksbillede; arkivet er den levende udgave. Hvert kapitel slutter med links til lektionens animerede figurer, test og kørbare kode. Byg lokalt med python3 scripts/build_book.py (kræver pandoc). Detaljer om byggeprocessen findes i book/README.md.

Forbered dig til Claude-certificeringerne

Claude Certification Academy er et gratis forberedelsesprogram med åben kildekode til alle fire officielle Claude-certificeringsspor: Associate Foundations, Developer Foundations, Architect Foundations og Architect Professional. Hvert forløb kombinerer lektioner knyttet til eksamensplanen, kørbare øvelser, en diagnostisk prøve, et afsluttende projekt og en selvstændig øveeksamen i fuld længde.

Brug GitHub-guiden til AI-støttet kursusstart med Claude Code, Codex, ChatGPT, Cursor eller en anden agent. Kør claude-certification i Codex, /claude-certification i Claude Code, eller bed et andet værtsprogram om at bruge claude-certification. Den vælger et spor, opretter et varigt læringsforløb i CLAUDE-CERTIFICATION.md, underviser ét trin ad gangen, kører de rigtige øvelser og giver feedback på dine arbejdsresultater. Samme pensum findes på certificeringshjemmesiden.

Akademiet er uafhængigt studiemateriale baseret på offentlige eksamensmål. Det er ikke tilknyttet Anthropic, gengiver ikke rigtige eksamensspørgsmål og kan ikke garantere, at du består.

Forbered dig til certificeringen MCP Associate (MCPA)

MCPA-certificeringspensummet er et gratis forberedelsesprogram med åben kildekode til Agentic AI Foundations eksamen Model Context Protocol Associate, som udbydes gennem Linux Foundation Training. De 34 lektioner lærer dig den tilstandsløse protokol 2026-07-28 inden for eksamenens fem områder: _meta pr. forespørgsel og server/discover i stedet for det gamle handshake, forespørgsler med flere ture, abonnementer, caching, udvidelserne Tasks og MCP Apps, OAuth-autorisation samt register- og SDK-niveauerne. Hver lektion indeholder en kørbar øvelse, der kun bruger standardbiblioteket, og hvis output kontrolleres mod det aktuelle meddelelsesformat. Sporet indeholder også en diagnostisk prøve, et afsluttende projekt og tre selvstændige øveeksamener i fuld længde med en spørgsmålsfordeling, der følger den offentliggjorte eksamensplans vægtning.

Brug GitHub-guiden til AI-støttet kursusstart med Claude Code, Codex, ChatGPT, Cursor eller en anden agent. Kør mcpa-certification i Codex, /mcpa-certification i Claude Code, eller bed et andet værtsprogram om at bruge mcpa-certification. Den opretter et varigt læringsforløb i MCPA-CERTIFICATION.md, underviser ét trin ad gangen, kører de rigtige øvelser og giver feedback på dine arbejdsresultater. Samme pensum findes på siden for MCPA-sporet.

Pensummet er uafhængigt studiemateriale baseret på offentlige eksamensmål. Det er ikke tilknyttet Agentic AI Foundation eller Linux Foundation, gengiver ikke rigtige eksamensspørgsmål og kan ikke garantere, at du består.

Værktøjskassen

Hver lektion skaber et genanvendeligt resultat. Installer det i din agent, eller brug scripts nedenfor fra arkivets rodmappe.

Lektionsstruktur og genanvendelige resultater

Lektionernes opbygning

Hver lektion ligger i sin egen mappe med samme struktur gennem hele pensummet:

phases/<NN>-<phase-name>/<NN>-<lesson-name>/
├── code/      kørbare implementeringer (Python, TypeScript, Rust, Julia)
├── docs/
│   └── en.md  lektionens forklaring
└── outputs/   prompter, færdigheder, agenter eller MCP-servere, som lektionen producerer

Hver lektion har seks trin. Opdelingen Byg / Brug er afgørende: først implementerer du algoritmen fra bunden, og derefter kører du det samme med produktionsbiblioteket. Du forstår, hvad frameworket gør, fordi du selv har skrevet den mindre udgave.

%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff','fontFamily':'JetBrains Mono','fontSize':'13px'}}}%%
flowchart LR
  M["KERNEIDÉ<br/><sub>hovedtanken på én linje</sub>"] --> Pr["PROBLEMSTILLING<br/><sub>en konkret udfordring</sub>"]
  Pr --> C["BEGREB<br/><sub>diagrammer og intuition</sub>"]
  C --> B["BYG<br/><sub>grundlæggende matematik, ingen frameworks</sub>"]
  B --> U["BRUG<br/><sub>det samme i PyTorch / sklearn</sub>"]
  U --> S["UDGIV<br/><sub>prompt · færdighed · agent · MCP</sub>"]

Loading

Hver lektion giver et resultat

Andre kurser slutter med »Tillykke, du har lært X.« Her slutter hver lektion med et genanvendeligt værktøj, som du kan installere eller indsætte i din daglige arbejdsgang.

FIG_001 · A PROMPTER	FIG_001 · B FÆRDIGHEDER	FIG_001 · C AGENTER	FIG_001 · D MCP-SERVERE
Indsæt i en vilkårlig AI-assistent for at få eksperthjælp til en afgrænset opgave.	Tilføj til Claude, Cursor, Codex, OpenClaw, Hermes eller en anden agent, som læser SKILL.md.	Udrul som autonome arbejdere. Du skrev selv agentløkken i fase 14.	Kobl til en vilkårlig MCP-kompatibel klient. Bygget fra start til slut i fase 13.

Installer lektionsresultater

Lektionernes arbejdsresultater. Arkivet indeholder 414 færdigheder og 100 prompter under phases/**/outputs/. Installér dem med scripts/install_skills.py. Arkivet skal klones. Scriptet understøtter filtrering efter tags, forhåndsvisning uden skrivning og mappestrukturer tilpasset hver agent:

python3 scripts/install_skills.py <target>                                 # every skill, default --layout skills (nested)
python3 scripts/install_skills.py <target> --layout skills                 # same as above, explicit
python3 scripts/install_skills.py <target> --type all                      # skills + prompts + agents
python3 scripts/install_skills.py <target> --phase 14                      # one phase only
python3 scripts/install_skills.py <target> --tag rag                       # filter by tag
python3 scripts/install_skills.py <target> --layout flat                   # flat files
python3 scripts/install_skills.py <target> --dry-run                       # preview without writing
python3 scripts/install_skills.py <target> --force                         # overwrite existing files

<target> er din agents færdighedsmappe, for eksempel ~/.claude/skills/, ~/.cursor/skills/, ~/.config/openclaw/skills/, .skills/ eller en anden sti, som agenten læser.

Som standard nægter scriptet at overskrive en eksisterende destination og afslutter med kode 1 efter at have vist alle stier med konflikter. Brug --dry-run til at se konflikterne på forhånd eller --force til at overskrive. Hver kørsel, der faktisk skriver filer, opretter en manifest.json i destinationsmappen med hele indholdet grupperet efter type og fase. Vælg den mappestruktur, din agent læser:

--layout	Sti, der oprettes
skills	<target>/<name>/SKILL.md (indlejret struktur understøttet af Claude / Cursor / Codex / OpenClaw / Hermes)
by-phase	<target>/phase-NN/<name>.md
flat	<target>/<name>.md

Tilføj agentarbejdsbænken til dit eget arkiv

Det afsluttende projekt i fase 14 indeholder en genanvendelig Agent Workbench-pakke (AGENTS.md, skemaer og scripts til initialisering, verificering og overdragelse). Opret grundstrukturen i et vilkårligt arkiv med:

python3 scripts/scaffold_workbench.py path/to/your-repo            # full pack + seeds
python3 scripts/scaffold_workbench.py path/to/your-repo --minimal  # skip docs/
python3 scripts/scaffold_workbench.py path/to/your-repo --dry-run  # preview only
python3 scripts/scaffold_workbench.py path/to/your-repo --force    # overwrite

Du får arbejdsbænkens syv grænseflader koblet sammen, en indledende task_board.json og en ny agent_state.json med schema_version: 1. Redigér derefter opgaven og AGENTS.md, kør scripts/init_agent.py, og giv kontrakten til agenten. Pakkens kilde ligger i phases/14-agent-engineering/42-agent-workbench-capstone/outputs/agent-workbench-pack/.

Udforsk hele kurset som JSON

scripts/build_catalog.py gennemgår alle faser, lektioner og arbejdsresultater på disken og skriver catalog.json i arkivets rod. Én fil med hele kursets indhold.

python3 scripts/build_catalog.py               # writes <repo>/catalog.json
python3 scripts/build_catalog.py --stdout      # to stdout, do not touch repo
python3 scripts/build_catalog.py --out path/to/file.json

Kataloget bygges fra filsystemet, ikke fra README, så antallene altid svarer til det, der faktisk ligger på disken. Brug det til at bygge hjemmesiden, udvikle andre værktøjer eller kontrollere, at README's tal stadig passer. Skemaet er dokumenteret øverst i scriptet.

Pensummets workflow bygger catalog.json som en midlertidig artefakt, Git ignorerer. Commit den ikke. Det samme workflow kører audit_lessons.py som en blokerende kontrol.

Kontrollér hurtigt Python-koden i hver lektion

scripts/lesson_run.py bytekompilerer hver .py-fil i lektionernes code/-mapper. Standardtilstanden kontrollerer kun syntaksen: ingen kørsel, ingen API-nøgler og ingen tunge ML-afhængigheder. Det fanger almindelige bidragsfejl som forkert indrykning, ødelagte f-strenge og utilsigtede ændringer.

python3 scripts/lesson_run.py                  # syntax-check the whole curriculum
python3 scripts/lesson_run.py --phase 14       # one phase only
python3 scripts/lesson_run.py --json           # JSON report on stdout
python3 scripts/lesson_run.py --strict         # exit 1 if any lesson fails
python3 scripts/lesson_run.py --execute        # actually run, 10s timeout per lesson

--execute kører hver lektions code/main.py (eller den første .py-fil) med en tidsgrænse på 10 sekunder. Lektioner, hvis startfil begynder med kommentaren # requires: pkg1, pkg2 for eksterne afhængigheder, springes over med begrundelsen needs <deps>. Kørsel skal vælges udtrykkeligt og er ikke koblet til CI.

Kun standardbiblioteket, Python 3.10+. Sæt LINK_CHECK_SKIP=domain1,domain2 for at erstatte standardlisten over undtagne domæner (twitter.com, x.com, linkedin.com, instagram.com, medium.com, som ofte blokerer automatiske HEAD/GET-kald).

Grundlæggende artikler og protokoller

• Attention Is All You Need — Vaswani et al., 2017 → Fase 7
• Language Models are Few-Shot Learners (GPT-3) → Fase 10
• Denoising Diffusion Probabilistic Models → Fase 8
• InstructGPT / RLHF → Fase 10
• Direct Preference Optimization → Fase 10
• Chain-of-Thought Prompting → Fase 11
• ReAct: Reasoning + Acting in LLMs → Fase 14
• Model Context Protocol — Anthropic → Fase 13

Bidrag

Mål	Læs
Bidrag med en lektion eller rettelse	CONTRIBUTING.md
Lav en fork til dit team eller din skole	FORKING.md
Lektionsskabelon	LESSON_TEMPLATE.md
Følg fremskridtene	ROADMAP.md
Ordliste	glossary/terms.md
Adfærdskodeks	CODE_OF_CONDUCT.md

Kør regelkontrollen, før du indsender en lektion:

python3 scripts/audit_lessons.py           # full curriculum
python3 scripts/audit_lessons.py --phase 14  # single phase
python3 scripts/audit_lessons.py --json    # CI-friendly output

Afslutningskoden er forskellig fra nul, hvis en regel fejler. Reglerne (L001–L010) kontrollerer mappestrukturen, tilstedeværelsen af docs/en.md og H1, at code/ ikke er tom, skemaet for quiz.json (gamle nøgler som q/choices/answer, der forårsagede problem #102, afvises) samt relative links i lektionsdokumentationen.

Støt arbejdet som sponsor

_{114,584 læsere  ·  181,995 sidevisninger de seneste 30 dage  ·  opdateret 2026-08-29}

Gratis, MIT-licenseret, 542 lektioner. Tak til sponsorerne og støtterne, som gør arbejdet muligt. Se alle sponsorer og støtter.

Vil du støtte arbejdet? Se sponsormulighederne, herunder hardwarestøtte, eller bliv sponsor på GitHub.

Hvis håndbogen hjalp dig, så giv arkivet en stjerne. Det holder projektet i live.

Licens

MIT. Brug materialet, som du vil: lav en fork, undervis med det, sælg det, eller udgiv det. Kildeangivelse værdsættes, men er ikke påkrævet.

Vedligeholdes af Rohit Ghumare og fællesskabet.

_{@ghumare64  ·  aiengineeringfromscratch.com  ·  Rapportér / foreslå}