Sıfırdan transformer'a,
tek panelde bir adım.
Uzun videolar ve duvar gibi metinler yerine 5–8 adımlık comic bölümler. Bir panel oku, bir şeyi oynat, tek soru cevapla. Sonra sıradaki adım.
Açık kaynak · Apache-2.08 yol · 60+ bölüm · iki dilli
Ağırlık ne demek?
Bir yol seç. Derine in.
İlk nörondan RAG'e, agent'lara, fine-tuning'e, difüzyona, eval'lere ve üretim güvenliğine. Her yol iki dilli, comic-style ve dokunabileceğin bir şeyin etrafında kurulu.
Sıfırdan Makine Öğrenmesi ve Derin Öğrenme
Veri, label ve tahminle başla. Sonra regresyon, classification, aktivasyon fonksiyonları, nöronlar, dropout, backprop ve ilk eğitilmiş modeline kadar çık.
Yolu aç →Sıfırdan NLP
ML temellerinden sonra: metni token'lara, one-hot vektörlere ve embedding'lere çevir; sonra bag-of-words'ten modern dil modellerine geç.
Yolu aç →Temeller: Nörondan Transformer'a
Ağırlıklar, embedding'ler ve attention için sezgiyi adım adım kur. Matematik diploması gerekmiyor.
Yolu aç →LLM Uygulamaları: RAG ve Agent'lar
Donmuş bir modeli ürüne çevir: retrieval, kaynak atıfı, araç kullanımı, değerlendirme ve guardrail'ler.
Yolu aç →Eğitim ve Fine-tuning
Dataset'ler, gradyanlar, loss eğrileri, LoRA ve prompting, RAG ile fine-tuning arasındaki karar.
Yolu aç →Derin Öğrenme ve Mimariler
Tensörler, katmanlar, CNN'ler, RNN'ler, transformer'lar, difüzyon ve multimodal modeller — içeriden, tıklanabilir ve görsel.
Hazırlanıyor →AI Mühendisliği ve MLOps
Önce eval, sonra gözlemlenebilirlik, serving, cache, maliyet, güvenlik ve hepsini birleştiren capstone.
Hazırlanıyor →AI Güvenliği ve Toplum
Halüsinasyon, bias, red teaming, telif ve kurduğumuz sistemlerin sınırları.
Hazırlanıyor →Sıfırdan Makine Öğrenmesi ve Derin Öğrenme
Veri, label ve tahminle başla. Sonra regresyon, classification, aktivasyon fonksiyonları, nöronlar, dropout, backprop ve ilk eğitilmiş modeline kadar çık.
Başlangıç · 12 bölüm
Sıfırdan Makine Öğrenmesi ve Derin Öğrenme
12 bölüm- Makine Öğrenmesi Nedir?9 dk · Kural yazmak yerine örnek göster — kuralı model bulsun.Buradan başla→
- Veri, Feature ve Label10 dk · Dataset bir tablodur: satırlar örnek, feature sütunları girdi, label sütunu ise cevaptır.→
- Lineer Regresyon10 dk · Karesel hatayı olabildiğince küçülterek veriye bir düzlem oturt.→
- Classification ve Lojistik Regresyon12 dk · Lineer bir skoru olasılığa çevir ve iki sınıf arasındaki sınırı çiz.→
- Loss ve MetriklerYakındaYakında
- Aktivasyon FonksiyonlarıYakındaYakında
- Nöronlar, Katmanlar ve AğırlıklarYakındaYakında
- Dropout ve RegularizationYakındaYakında
- Gradient Descent ve BackpropYakındaYakında
- Bir Sinir Ağını EğitmekYakındaYakında
- Overfitting ve GenellemeYakındaYakında
- İlk Modelini EğitYakındaYakında