Praktisk ML-lärväg 2026: från intuition till utvärderad deployment
Börja med intuition, bygg en reproducerbar kedja: problem → data → baslinje → utvärdering utan läckage → deployment.
Tagg
#machine-learning
8 onepagers med denna tagg.
AI-hemmalabb: hårdvara, VRAM och vad det faktiskt kostar
Ett hemmalabb har hårdvara, modell och harness. VRAM styr vad du kan köra; elförbrukning och kylning är verkliga kostnader. 80/20 local/cloud är ofta klokt.
AI-infrastruktur begränsas av energi, elnät och värme – inte bara acceleratorer
Storskalig AI begränsas ofta av effekt, elnät, kylning och energitillgång – inte bara modeller eller GPU:er. Flexibel arbetslast och placering nära energikällor blir viktiga.
Lokal LLM-hårdvara: Mac, NVIDIA och dedikerade system – jämförelse
Bandbredd, VRAM och watt avgör praktisk nytta. Apple ger bra balans och låg effekt; NVIDIA ger hastighet men drar mer el. Välj efter din arbetslast.
Lokala småmodeller som lärandeexperiment – träna din egen Tiny LLM
Träna en liten modell på begränsat dataset för att förstå LLM-pipelinen: data, träning, checkpoints. Bra experiment – inte en allmän assistent.
Neurala nätverk: struktur, aktiveringar och hur de lär sig
Neurala nätverk är kedjor av viktade summor och aktiveringsfunktioner. Gradient descent och backpropagation låter dem lära sig från exempel steg för steg.
Klassiska ML-modeller som baslinjer – träd, grannar och logistisk regression
Innan du går på stora neurala nätverk: bygg enkla, tolkningsbara baslinjer med träd, KNN och logistisk regression.
Hugging Face – AI-plattformen för modeller och samarbete
Hugging Face är ”GitHub för maskininlärning”. Här hittar, delar och använder du färdiga AI-modeller, dataset och interaktiva appar – utan att behöva träna allt själv från början.