Nereden başla,
nasıl ilerle?
Bir hedef seç, sırayla ilerle, her dersin sonunda kendini sına.
İlerlemen yalnızca bu tarayıcıda saklanır.
HEDEFİNE GÖRE
6 rota · 63 yazıdan seçilmiş sıralarBir rota seç.
Kısa genel bakışZamanın az; yapay zekâ üzerine doğru konuşabilmek istiyorsun.
Zamanın az; yapay zekâ üzerine doğru konuşabilmek istiyorsun.
Bu rotanın sonunda şunları yapabilirsin:
- Sohbette doğru terimlerle ve doğru çerçeveyle konuşursun.
- Bir yapay zekâ iddiasına “kanıtı ne?” diye sorabilirsin.
- 01Yapay zekâ, aslında ne öğrenir?Büyük resmi tek yazıda gör.
- 02Sekiz yaygın yanlış anlamaSık duyulan yanlışları ayıkla.
- 03Modelin hafızası nerede?Modelin neyi nerede “hatırladığını” ayırt et.
- 04Bir model ne zaman yanılır?Modelin ne zaman yanıldığını bil.
- 05Veri, modelin bakışını nasıl şekillendirir?Verinin modeli nasıl biçimlendirdiğini gör.
Asistanları bilinçli kullanmakSohbet asistanlarını ve ajanları işinde kullanıyorsun; ne zaman güvenebileceğini bilmek istiyorsun.
Sohbet asistanlarını ve ajanları işinde kullanıyorsun; ne zaman güvenebileceğini bilmek istiyorsun.
Bu rotanın sonunda şunları yapabilirsin:
- Bir cevaba ne kadar güvenebileceğini tartarsın.
- Bir ihtiyaç için prompt, RAG ve ince ayar arasında seçim yaparsın.
- Araç kullanan ajanların başlıca risklerini sayarsın.
- 01Yapay zekâ, aslında ne öğrenir?Ortak dili kur.
- 02Bir model, hatasından nasıl öğrenir?“Öğrenmek”in ne demek olduğunu küçük bir modelde gör.
- 03Ham dil modeli, asistana nasıl dönüşür?Ham modelin asistana nasıl dönüştüğünü öğren.
- 04Modele nasıl soru sorulur?Modelin gördüğü her şeyin bağlam olduğunu kavra.
- 05Daha çok hesap, daha iyi cevap mı? Oylama ve test anı hesabıDaha çok denemenin ne zaman yardım ettiğini, ne zaman yanlışı büyüttüğünü gör.
- 06Modelin hafızası nerede?Bellek iddialarını üç kaynağa ayır.
- 07Bir model ne zaman yanılır?Akıcılık ile doğruluğu birbirinden ayır.
- 08Bir modelin iyi olduğunu nasıl anlarız?Bir skorun ne anlama geldiğini sorgula.
- 09Doğruluk yetmez: kesinlik, yakalama ve nadir olaylarDoğruluk, kesinlik ve yakalamayı ayır.
- 10Kanıt inancı nasıl günceller? Bayes kuralı ve naive BayesBir dedektörün ya da skorun sonucunu önselle birlikte yorumla.
- 11İnce ayar mı, RAG mı?Bilgi mi davranış mı sorusuyla yöntem seç.
- 12Yapay zekâ ajanı nedir?Araç kullanan sistemlerin gücünü ve riskini gör.
- 13Dolaylı istem enjeksiyonu: veri talimata dönüşünceVeri ile talimatın karıştığı saldırıyı tanı.
Dil modelinin içiMühendislik ya da merak: Transformer’ı ve onu hızlı, küçük ve ucuz yapan fikirleri anlamak istiyorsun.
Mühendislik ya da merak: Transformer’ı ve onu hızlı, küçük ve ucuz yapan fikirleri anlamak istiyorsun.
Bu rotanın sonunda şunları yapabilirsin:
- Bir Transformer bloğunu ve attention’ı baştan sona anlatırsın.
- Bir modelin neden yavaş ya da bellek aç olduğunu hesapla açıklarsın.
- Verimlilik makalelerinin iddialarını koşullarıyla birlikte okursun.
- 01Yapay zekâ, aslında ne öğrenir?Ortak dili kur.
- 02Bu atlas için gereken matematikVektör, matris ve olasılığı bir kez rahatla.
- 03Bir kelime nasıl sayıya dönüşür?Metnin sayılara dönüşümünü izle.
- 04Bir model, hatasından nasıl öğrenir?Kayıp ve gradyan inişini gör.
- 05Sinir ağı aslında nedir?Nöron, katman ve geri yayılımı anla.
- 06Geri yayılım: hata ağın içinde nasıl dağıtılır?Hatanın ağın içinde nasıl dağıldığını izle.
- 07Dizi modelleri: tekrarlı ağlardan Transformer’aTekrarlı ağların hafızasının neden söndüğünü ölç.
- 08Gradyan inişi nasıl akıllanır: momentum ve AdamGüncelleme kuralının akıllı biçimlerini karşılaştır.
- 09Transformer Mimarisi Nasıl Çalışır?Mekanizmanın tamamına gir: ana ders.
- 10Model sırayı nasıl bilir, neden çok başı var?Sırayı ve çoklu başı ekle.
- 11Yüz katmanlı ağ nasıl eğitilir? Artık bağlantı ve normalizasyonYüzlerce katmanın neden eğitilebildiğini gör.
- 12Tokenların sınırını kim çizer?Token sınırlarını kimin çizdiğini gör.
- 13Bir dağılımdan kelime seçmenin yollarıDağılımdan seçim kurallarını karşılaştır.
- 14Dil modeli neden yavaşlar?KV önbelleğini ve darboğazı öğren.
- 15Büyük modeller nasıl küçültülür?Niceleme, damıtma ve LoRA’yı ayır.
- 16Uzman karışımı: her token için farklı yolHer token için farklı yolu anla.
- 17FlashAttention: aynı sonuç, daha az bellek trafiğiAynı sonucu daha az bellek trafiğiyle bul.
- 18Spekülatif çözümleme: küçük model önerir, büyük model onaylarÜretimi çıktıyı bozmadan hızlandır.
- 19Mamba: dikkat yerine seçici bir durumDikkate alternatif bir fikri koşullarıyla oku.
Veri, güven ve gizlilikBir sistemin verisini, ölçümünü ve güvenliğini sorgulamak istiyorsun.
Bir sistemin verisini, ölçümünü ve güvenliğini sorgulamak istiyorsun.
Bu rotanın sonunda şunları yapabilirsin:
- Bir modelin verisinin ve skorunun zayıf noktalarını sorgularsın.
- Korelasyon, sızıntı ve model çöküşü gibi tuzakları örnekleriyle anlatırsın.
- Gizlilik ve unutma iddialarının neyi garanti edip etmediğini söylersin.
- 01Yapay zekâ, aslında ne öğrenir?Ortak dili kur.
- 02Bir model, hatasından nasıl öğrenir?Öğrenmenin mekaniğini gör.
- 03Model ezberliyor mu, öğreniyor mu?Eğitim hatasının neden yetmediğini öğren.
- 04Veri, modelin bakışını nasıl şekillendirir?Modelin verinin aynası olduğunu gör.
- 05Birlikte değişmek, neden olmak mıdır?Birlikte değişmek ile neden olmak arasındaki farkı ayır.
- 06Bir modelin iyi olduğunu nasıl anlarız?Skorların neyi ölçtüğünü sorgula.
- 07Doğruluk yetmez: kesinlik, yakalama ve nadir olaylarNadir olaylarda doğruluğun neden yetmediğini gör.
- 08Eğitim verisi nasıl hazırlanır?Verinin modele girmeden önce neler yaşadığını gör.
- 09Yapay zekâ kendi verisiyle eğitilirse ne olur?Modelin kendi çıktısıyla eğitilmesinin riskini öğren.
- 10Yeni şey öğrenirken eskisini unutmakYeni şey öğrenirken eskisini unutmayı anla.
- 11Bir model nasıl unutturulur?Silmenin ve unutturmanın farkını gör.
- 12Gözle görünmeyen bir değişiklik, bir modeli nasıl şaşırtır?Küçük değişikliklerin kararı nasıl çevirdiğini gör.
- 13Sinir ağı aslında nedir?İçine bakmadan önce ağın ne olduğunu bil.
- 14Bir yapay zekânın içine bakmak mümkün mü?Açıklama ile kanıt arasındaki farkı öğren.
- 15Diferansiyel mahremiyet: bir kişiyi saklayan gürültüGizliliği sayıyla sınırlayan fikri oku.
- 16Federe öğrenme: veri yerinde kalır, model gezerVeriyi toplamadan eğitmenin bedelini gör.
Görüntü, ses ve videoMetnin ötesini merak ediyorsun: bir görüntü, bir ses ya da bir video modele nasıl girer?
Metnin ötesini merak ediyorsun: bir görüntü, bir ses ya da bir video modele nasıl girer?
Bu rotanın sonunda şunları yapabilirsin:
- Görüntünün, sesin ve videonun modele sayı olarak nasıl girdiğini anlatırsın.
- Difüzyon ve evrişimin ana fikrini açıklarsın.
- Üretilmiş medyaya güvenmenin sınırlarını söylersin.
- 01Yapay zekâ, aslında ne öğrenir?Ortak dili kur.
- 02Bir kelime nasıl sayıya dönüşür?Her şeyin sayıya dönüşmesi fikrini gör.
- 03Bir model, hatasından nasıl öğrenir?Kayıp ve gradyan inişini gör.
- 04Sinir ağı aslında nedir?Evrişimden önce ağın ne olduğunu bil.
- 05Evrişimli ağlar: görüntüde küçük bir pencereKüçük pencerenin görüntüde ne yaptığını izle.
- 06Transformer Mimarisi Nasıl Çalışır?Yama tabanlı modellerin temelini öğren.
- 07Yapay zekâ resmi nasıl görür, nasıl çizer?Görüntünün de bir dizi olduğunu gör.
- 08Gürültüden görüntü nasıl çıkar?Difüzyonun ileri ve geri sürecini izle.
- 09Yapay zekâ videoyu nasıl üretir?Zamansal tutarlılığın neden zor olduğunu gör.
- 10Flow Matching: gürültüden veriye düz bir yolÜretimi “noktaları taşımak” olarak yeniden düşün.
- 11Bir dağılımdan kelime seçmenin yollarıSeçim kurallarını sese geçmeden önce öğren.
- 12Yapay zekâ sesi nasıl duyar?Sesi Fourier ve spektrogramla sayıya çevir.
- 13Yapay ses nasıl üretilir?Sentez ile klonlamayı ve etik soruları ayır.
Klasik yöntemler ve karar vermeHer problem sinir ağı değildir: tablo verisi, etiketsiz veri, öneri ve ödülle öğrenme.
Her problem sinir ağı değildir: tablo verisi, etiketsiz veri, öneri ve ödülle öğrenme.
Bu rotanın sonunda şunları yapabilirsin:
- Etiketli ve etiketsiz veri için uygun yöntem türünü seçersin.
- Ağaç, kümeleme ve öneri yöntemlerinin güçlü ve zayıf yönlerini söylersin.
- Ödülle öğrenmenin ve optimizasyonun neden zor olduğunu anlatırsın.
- 01Yapay zekâ, aslında ne öğrenir?Ortak dili kur.
- 02Bu atlas için gereken matematikVektör ve benzerlik fikirlerini hazırla.
- 03Bir model, hatasından nasıl öğrenir?Kayıp ve gradyan inişini gör.
- 04Model ezberliyor mu, öğreniyor mu?Her yöntemin ortak sorusunu öğren.
- 05Gradyan inişi nasıl akıllanır: momentum ve AdamGüncelleme yöntemlerini yan yana koy.
- 06Tablo verisinde ağaçlar neden hâlâ güçlü?Tablo verisinde neden ağaçların güçlü olduğunu gör.
- 07Etiketsiz veride yapı bulmak: kümeleme ve PCAEtiket yokken yapı bulmayı dene.
- 08Kanıt inancı nasıl günceller? Bayes kuralı ve naive BayesKanıtın inancı nasıl güncellediğini ve naive Bayes’in sınırını gör.
- 09Öneri algoritmaları seni nasıl tanır?Benzerlikten öneri çıkarmayı izle.
- 10Bir robot, deneme yanılmayla nasıl öğrenir?Deneme–yanılmayla öğrenmeyi ve keşif ikilemini gör.
GELİŞİMİNE BAK
Bir basamak, içindeki bütün dersler tamamlanınca biter.6 basamak.
1 Meraklı Şu an buradasın
Temel kavramlar: model, eğitim, kayıp, genelleme.
Bu basamağı bitirdiğinde:
- Model, eğitim, kayıp ve genelleme kelimelerini doğru kullanırsın.
- Bir kelimenin sayıya nasıl dönüştüğünü anlatırsın.
- Sık duyulan yanlış anlamaları düzeltirsin.
2 Mekanizmayı bilen
Transformer’ın parçaları ve maliyeti.
Bu basamağı bitirdiğinde:
- Bir Transformer bloğunu ve attention’ı anlatırsın.
- Bir modelin neden yavaşladığını ve nasıl küçültüldüğünü hesapla açıklarsın.
- Örnekleme ve optimizasyon ayarlarının etkisini yorumlarsın.
Sinir ağı aslında nedir?Geri yayılım: hata ağın içinde nasıl dağıtılır?Dizi modelleri: tekrarlı ağlardan Transformer’aTransformer Mimarisi Nasıl Çalışır?Model sırayı nasıl bilir, neden çok başı var?Yüz katmanlı ağ nasıl eğitilir? Artık bağlantı ve normalizasyonTokenların sınırını kim çizer?Bir dağılımdan kelime seçmenin yollarıDil modeli neden yavaşlar?Büyük modeller nasıl küçültülür?Uzman karışımı: her token için farklı yolGradyan inişi nasıl akıllanır: momentum ve Adam3 Bilinçli kullanıcı
Asistanlar, bağlam, hafıza ve sınırlar.
Bu basamağı bitirdiğinde:
- Bir cevaba ne kadar güvenebileceğini tartarsın.
- Prompt, RAG ve ince ayar arasında seçim yaparsın.
- Bir skorun ne anlama geldiğini sorgularsın.
4 Alan gezgini
Metnin dışı: görüntü, ses, graf, öneri, ajan, klasik yöntemler.
Bu basamağı bitirdiğinde:
- Metin dışındaki verilerin modele nasıl girdiğini anlatırsın.
- Klasik yöntemler ile derin ağlar arasında kıyas kurarsın.
- Ajanların ve önerilerin nerede yanılabileceğini söylersin.
Yapay zekâ resmi nasıl görür, nasıl çizer?Gürültüden görüntü nasıl çıkar?Yapay zekâ videoyu nasıl üretir?Yapay zekâ sesi nasıl duyar?Yapay ses nasıl üretilir?Evrişimli ağlar: görüntüde küçük bir pencereBağlantılı veriden nasıl öğrenilir?Öneri algoritmaları seni nasıl tanır?Bir robot, deneme yanılmayla nasıl öğrenir?Yapay zekâ ajanı nedir?Tablo verisinde ağaçlar neden hâlâ güçlü?Etiketsiz veride yapı bulmak: kümeleme ve PCAKanıt inancı nasıl günceller? Bayes kuralı ve naive Bayes5 Eleştirel okur
Veri, nedensellik, gizlilik, güvenlik ve açıklama.
Bu basamağı bitirdiğinde:
- Veri ve nedensellik tuzaklarını örnekleyerek anlatırsın.
- Gizlilik, unutma ve güvenlik iddialarının sınırlarını söylersin.
- Bir açıklamanın sınanabilir olup olmadığını sorarsın.
Veri, modelin bakışını nasıl şekillendirir?Birlikte değişmek, neden olmak mıdır?Eğitim verisi nasıl hazırlanır?Yapay zekâ kendi verisiyle eğitilirse ne olur?Yeni şey öğrenirken eskisini unutmakBir model nasıl unutturulur?Gözle görünmeyen bir değişiklik, bir modeli nasıl şaşırtır?Bir yapay zekânın içine bakmak mümkün mü?Türkçe, yapay zekâ için neden zor ve pahalı?6 Araştırma okuru
AI Radar: makale iddialarını koşullarıyla okumak.
Bu basamağı bitirdiğinde:
- Bir makale iddiasını hangi koşulda geçerli olduğuyla birlikte okursun.
- Bir demo ile makale sonucu arasındaki farkı ayırırsın.
- Ölçüm ile temsili görselleştirmeyi birbirinden ayırırsın.
RAG: Modelin yanına bir kütüphane koymakÖlçek yasaları: büyük model mi, çok veri mi?DPO: Ödül modeli olmadan tercih öğrenmekDolaylı istem enjeksiyonu: veri talimata dönüşünceMamba: dikkat yerine seçici bir durumFlashAttention: aynı sonuç, daha az bellek trafiğiSpekülatif çözümleme: küçük model önerir, büyük model onaylarFlow Matching: gürültüden veriye düz bir yolGrokking: ezberledikten çok sonra kavramakÇift iniş: model büyüdükçe hata neden iki kez düşer?Piyango bileti hipotezi: ağın içindeki küçük ağFedere öğrenme: veri yerinde kalır, model gezerDiferansiyel mahremiyet: bir kişiyi saklayan gürültüModel çorbası: ağırlıkları ortalamak ne zaman işe yarar?
SEVİYELER
Başlangıç, Orta, İleri ne demek?
| Seviye | Varsayılan ön bilgi | Nereden bulursun? |
|---|---|---|
| Başlangıç | Ön bilgi gerekmez. Günlük dille ve küçük örneklerle anlatılır. | İlk rota ve “Kısa genel bakış” bu seviyedendir. |
| Orta | Başlangıç derslerindeki kavramları (vektör, kayıp, gradyan, olasılık dağılımı) bildiğin varsayılır. Küçük hesaplar ve demolarla çalışırsın. | Ders başındaki “Ön bilgi” kutusu hangi derslere bakman gerektiğini söyler. |
| İleri | Orta derslerde rahatsın. Formülleri, makale iddialarını ve koşullarını birlikte okumaya hazırsın. | AI Radar’daki araştırma notları çoğunlukla bu seviyededir. |
NASIL ÇALIŞMALI?
Bir dersi beş adımda çalış.
- 1Tahmin et
Başlığı okuyup cevabı kendin tahmin et. Yanıldığın yer, en çok öğreneceğin yerdir.
- 2Oku
Yazıyı acele etmeden oku; kaynak bağlantıları ve “koşullar” kutularını atlama.
- 3Demoyu boz
Kaydırıcıları uç değerlere çek. Bir şey beklediğin gibi davranmıyorsa nedenini düşün.
- 4Kendini sına
Dersin sonundaki cümleleri sesli söyle. Bir cümleyi anlatamıyorsan o bölüme dön.
- 5İşaretle ve tekrar et
“Tamamladım”ı işaretle. Ertesi gün aynı cümleleri yeniden anlatmayı dene.