Seria
Podstawy AI
Seria od ogólnej mapy sztucznej inteligencji po konkretne algorytmy. Każdą część można czytać osobno — dokładne definicje dla chętnych, proste wyjaśnienia dla wszystkich.
-
Program
Program serii Podstawy AI: od podstaw po modele językowe i agentów
Mapa wszystkich artykułów serii — matematyka, przeszukiwanie, uczenie maszynowe, przetwarzanie sygnałów, sieci neuronowe, LSTM, transformery, modele generatywne i agenci AI.
-
Część 1
Mapa sztucznej inteligencji: co jest czym i jak to do siebie pasuje
Sztuczna inteligencja, uczenie maszynowe, uczenie głębokie, modele językowe i agenci AI — jak się ze sobą wiążą, na jednej stronie. Część otwierająca serię Podstawy AI.
-
Część 2
Krótka historia sztucznej inteligencji: od Turinga do modeli językowych
Test Turinga, seminarium w Dartmouth, złote lata, dwie zimy AI i systemy ekspertowe, uczenie statystyczne, uczenie głębokie i modele językowe — oś czasu z odnośnikami do części serii i gorzka lekcja siedemdziesięciu lat badań.
-
Część 3
Dane, model, trening, inferencja: podstawowe pojęcia na jednym przykładzie
Cała droga uczenia maszynowego na szacowaniu ceny mieszkania: dane i ich podział, model z parametrami, trening spadkiem gradientu, hiperparametry i współczynnik uczenia, ewaluacja, inferencja oraz słowniczek pojęć z odnośnikami do części serii.
-
Część 4
Jak czytać zapis matematyczny: symbole, indeksy, sumy i kwantyfikatory
Słowniczek około czterdziestu symboli, z którym przeczytasz każdą definicję w serii Podstawy AI — od indeksów i greckich liter przez ∑ i argmin po ∀ i ∃. Ze ściągą na końcu.
-
Część 5
Zbiory i relacje: klocki, z których składają się definicje w AI
Zbiory, podzbiory, działania, iloczyn kartezjański, relacje, równoważność i porządki — z diagramami Venna, macierzą relacji i tym, do czego to wszystko służy w sztucznej inteligencji.
-
Część 6
Funkcje i odwzorowania: dlaczego każdy model AI jest funkcją
Dziedzina, obraz, iniekcja, składanie, funkcja odwrotna, funkcje wielu zmiennych i wypukłość — z wykresami sigmoidy, ReLU i krajobrazu błędu.
-
Część 7
Logika i dowody: reguły, według których rozumuje AI
Zdania, spójniki i tabele prawdy, pułapka implikacji, kwantyfikatory i rodzaje dowodów — i dlaczego XOR zatrzymał pierwsze sieci neuronowe.
-
Część 8
Grafy i drzewa: struktura, na której opierają się przeszukiwanie i sieci neuronowe
Wierzchołki i krawędzie, stopnie, macierz sąsiedztwa, ścieżki i składowe, BFS i Dijkstra, drzewa, minimalne drzewo rozpinające i graf obliczeniowy neuronu — wszystko na jednym grafie z siedmioma miastami.
-
Część 9
Algebra liniowa dla uczenia maszynowego: wektory, macierze i dlaczego AI głównie mnoży
Wektory, iloczyn skalarny i podobieństwo cosinusowe, macierze jako przekształcenia, wyznacznik, warstwa sieci neuronowej jako Wx + b i wektory własne — z rysunkami, które oblicza kod.
-
Część 10
Pochodne, gradient i reguła łańcuchowa: jak model ustala, w którą stronę się uczyć
Pochodna jako szybkość zmiany, pochodne cząstkowe, gradient i reguła łańcuchowa — oraz wsteczna propagacja błędu policzona liczba po liczbie na jednym neuronie.
-
Część 11
Spadek gradientu: jak uczy się model
Współczynnik uczenia, zygzak w wąskich dolinach, momentum, Adam, stochastyczny spadek w minipartiach i minima lokalne — z animacjami prawdziwych trajektorii.
-
Część 12
Czym jest prawdopodobieństwo: od rzutu kostką do aksjomatów Kołmogorowa
Doświadczenie losowe, przestrzeń zdarzeń elementarnych, zdarzenia i działania na nich, prawdopodobieństwo klasyczne i częstościowe oraz aksjomaty, na których opiera się wszystko dalej — na przykładzie dwóch kostek.
-
Część 13
Prawdopodobieństwo warunkowe i twierdzenie Bayesa: jak zmienić ocenę, gdy dowiesz się czegoś nowego
Prawdopodobieństwo warunkowe, reguła mnożenia, niezależność, prawdopodobieństwo całkowite i twierdzenie Bayesa — i dlaczego pozytywny test na rzadką chorobę oznacza tylko 16,7 %.
-
Część 14
Zmienna losowa i dystrybuanta: jedna funkcja, która mówi o rozkładzie wszystko
Czym jest zmienna losowa, rozkład i dystrybuanta, czym różnią się zmienne dyskretne od ciągłych i jak oszacować dystrybuantę z danych.
-
Część 15
Funkcja gęstości i funkcja prawdopodobieństwa: dlaczego zmienna ciągła ma w punkcie prawdopodobieństwo zero
Funkcja prawdopodobieństwa, gęstość prawdopodobieństwa i pole pod krzywą — dlaczego gęstość nie jest prawdopodobieństwem, może być większa niż 1 i jak oszacować ją z danych za pomocą histogramu.
-
Część 16
Wartość oczekiwana, wariancja i kowariancja: gdzie leży rozkład, jak jest szeroki i co z czym się wiąże
Wartość oczekiwana jako środek ciężkości, liniowość, wariancja i odchylenie standardowe, nierówność Czebyszewa, kowariancja i korelacja — i dlaczego zerowa kowariancja nie oznacza jeszcze niezależności.
-
Część 17
Przegląd rozkładów prawdopodobieństwa: Bernoulliego, dwumianowy, Poissona, jednostajny, normalny i wykładniczy
Sześć najważniejszych rozkładów z definicjami, wartościami oczekiwanymi i wariancjami — deska Galtona, twierdzenie Poissona, reguła 68–95–99,7 i kiedy którego rozkładu użyć.
-
Część 18
Prawo wielkich liczb i centralne twierdzenie graniczne: dlaczego średnie zachowują się tak przewidywalnie
Średnia z próby, prawo wielkich liczb i centralne twierdzenie graniczne z animacjami — dlaczego rozkład normalny jest wszędzie, skąd bierze się błąd sondaży ±3 % i dlaczego dwa razy dokładniejsze oszacowanie kosztuje cztery razy więcej danych.
-
Część 19
Statystyka i estymacja parametrów: największa wiarygodność, MAP i przedziały ufności
Próba, estymator, nieobciążoność i dlaczego wariancja z próby dzieli przez n − 1, metoda największej wiarygodności, bayesowski estymator MAP i przedziały ufności — oraz dlaczego trenowanie sieci neuronowej to estymacja parametrów.
-
Część 20
Teoria informacji: entropia, entropia krzyżowa i dywergencja KL — skąd się biorą funkcje straty
Informacja jako zaskoczenie, entropia i kod Huffmana, entropia krzyżowa, dywergencja KL i zysk informacyjny — oraz dlaczego funkcją straty modeli językowych jest entropia krzyżowa.
-
Część 21
Przeszukiwanie przestrzeni stanów: BFS, DFS, UCS i A* z animacjami
Podstawy sztucznej inteligencji w przystępnej formie: czym jest przestrzeń stanów, jak działają BFS, DFS, UCS, przeszukiwanie zachłanne i A*, czym jest heurystyka i jak to się łączy z uczeniem maszynowym.
-
Część 22
Gry i przeciwnik: minimax, przycinanie alfa-beta i Monte Carlo tree search
Gra jako problem przeszukiwania, drzewo gry, minimax, przycinanie alfa-beta, funkcja oceny i MCTS — na kółku i krzyżyku, gdzie da się policzyć wszystko, oraz droga od Deep Blue do AlphaZero.
-
Część 23
Spełnianie ograniczeń: backtracking, propagacja ograniczeń i AC-3 na sudoku i mapie czeskich krajów
Zmienne, dziedziny i ograniczenia, graf ograniczeń, backtracking, heurystyki MRV i LCV, sprawdzanie w przód, AC-3 i min-conflicts — na kolorowaniu czeskich krajów, sudoku i ośmiu hetmanach.
-
Część 24
Logika i systemy z bazą wiedzy: wnioskowanie w przód i wstecz, rezolucja i systemy ekspertowe
Baza wiedzy, wynikanie i sprawdzanie modeli, klauzule Horna, wnioskowanie w przód i wstecz, rezolucja, Prolog i systemy ekspertowe od MYCIN-a po grafy wiedzy — na małym systemie, który rozpoznaje zwierzę.
-
Część 25
Planowanie: STRIPS, świat klocków, heurystyki z relaksacji i planowanie w agentach AI
Język STRIPS i PDDL, planowanie w przód i wstecz, heurystyki hmax i hadd, anomalia Sussmana, planowanie hierarchiczne i ponowne planowanie — od robota Shakeya po agentów AI, którzy piszą sobie listę zadań.
-
Część 26
Przeszukiwanie lokalne i symulowane wyżarzanie: komiwojażer przez czeskie miasta wojewódzkie
Problem optymalizacyjny, problem komiwojażera, algorytm wspinaczkowy z sąsiedztwem 2-opt, minima lokalne i restarty, symulowane wyżarzanie, temperatura i schemat chłodzenia — na trasie przez trzynaście czeskich miast wojewódzkich o znanym optimum.
-
Część 27
Algorytmy genetyczne: populacja, krzyżowanie, mutacja i selekcja na plecaku na wycieczkę
Genom i przystosowanie, selekcja turniejowa, krzyżowanie jednopunktowe, mutacja i elitaryzm, twierdzenie o schematach i przedwczesna zbieżność — na problemie plecakowym ze znanym optimum, od namiotu po FunSearch i AlphaEvolve.
-
Część 28
Strategie ewolucyjne i programowanie genetyczne: od reguły jednej piątej do prawa Keplera
(1+1)-ES i reguła jednej piątej, populacja i samoadaptacja na funkcji Rastrigina, CMA-ES, programy jako drzewa, regresja symboliczna, która w danych o planetach znajduje trzecie prawo Keplera, i rozrost programów.
-
Część 29
Optymalizacja kolonią mrówek: jak ślad feromonowy znajduje krótką drogę
Stygmergia, doświadczenie z podwójnym mostem, system mrówkowy Doriga, rola parametrów α, β i ρ oraz ulepszone warianty — na trasie przez czeskie miasta wojewódzkie i na 60 miastach, w porównaniu z wyżarzaniem.
-
Część 30
Optymalizacja rojem cząstek: bezwładność, własne doświadczenie i doświadczenie roju
Boidy i stada, algorytm PSO, trzy składowe prędkości, przebieg na funkcji Rastrigina w porównaniu ze strategią ewolucyjną, rola bezwładności, stabilność cząstki, topologia roju i twierdzenie o braku darmowych obiadów.
-
Część 31
Neuroewolucja: ewolucja wag i kształtu sieci neuronowych oraz algorytm NEAT
Neuron i sieć w pigułce, ewolucja regulatora dla wahadła na wózku, dlaczego ewolucja zamiast gradientu, XOR i neurony ukryte, NEAT ze znacznikami historycznymi i specjacją, co się dzieje bez specjacji oraz następcy od HyperNEAT po AmoebaNet.
-
Część 32
Zbiory rozmyte i funkcje przynależności: jak zapisać „trochę ciepło”
Ostra granica i paradoks stosu, zbiór rozmyty i stopień przynależności, kształty funkcji przynależności, zmienna lingwistyczna, nośnik, jądro i α-przekroje, operacje Zadeha oraz modyfikatory „bardzo” i „trochę” — na temperaturze od zimna po gorąco.
-
Część 33
Logika rozmyta a prawdopodobieństwo: dlaczego „trochę ciepło” nie znaczy „prawdopodobnie ciepło”
Losowość i nieostrość, dwie butelki Bezdeka, aksjomaty prawdopodobieństwa a przynależność rozmyta, ograniczenia Frécheta, prawdopodobieństwo zdarzenia rozmytego na przykładzie prognozy pogody i słowa o prawdopodobieństwie jako zbiory rozmyte.
-
Część 34
Logika rozmyta: t-normy, implikacje i reguły JEŻELI–TO
Stopnie prawdziwości, t-normy i t-konormy (minimum, iloczyn, Łukasiewicz), które prawa klasyczne przetrwają, implikacje rezydualne i obliczanie reguł na wentylatorze sterowanym temperaturą i wilgotnością.
-
Część 35
Sterowanie rozmyte: Mamdani i Sugeno od wentylatora po wahadło na wózku
Regulator i sprzężenie zwrotne, fuzyfikacja, wnioskowanie i defuzyfikacja, środek ciężkości, bisektor i średnia maksimów, regulator Takagi–Sugeno, powierzchnie sterowania i regulator rozmyty, który utrzyma drążek na wózku.
-
Część 36
Klasteryzacja rozmyta: algorytm fuzzy c-means i punkty między skupieniami
K-means i jego ostre przypisanie, fuzzy c-means z przynależnościami do wszystkich skupień, fuzyfikator m, współczynnik podziału i indeks Xie–Beniego do wyboru liczby skupień — oraz dlaczego punkty odstające dostają wysokie przynależności.
-
Część 37
Systemy neuro-rozmyte (ANFIS): reguły rozmyte, które uczą się z danych
System rozmyty Sugeno jako pięciowarstwowa sieć, uczenie hybrydowe metodą najmniejszych kwadratów i gradientem, uczenie funkcji z zaszumionych danych, dobór liczby reguł i przeuczenie, czytelność nauczonych reguł i związek z sieciami RBF.
-
Część 38
Łańcuchy Markowa: macierz przejścia, rozkład stacjonarny i PageRank
Własność Markowa, macierz przejścia i zmiana rozkładu na modelu pogody, rozkład stacjonarny i twierdzenie ergodyczne, analiza samogłosek Markowa na „Máju” Máchy, PageRank i generowanie tekstu.
-
Część 39
Ukryte modele Markowa: algorytm Viterbiego i nieuczciwe kasyno
Ukryty model Markowa, trzy zadania według Rabinera, algorytm w przód, algorytm Viterbiego, dekodowanie a posteriori i algorytm Bauma–Welcha — na kasynie, które od czasu do czasu potajemnie zamienia kostkę na fałszywą.
-
Część 40
Sieci bayesowskie: dlaczego trawa jest mokra i co z tego wynika dla zraszacza
Rozkład łączny i jego faktoryzacja, sieć bayesowska i tabele prawdopodobieństw warunkowych, wnioskowanie przez wyliczanie, wyjaśnienie przez inną przyczynę, d-separacja i wnioskowanie przybliżone przez próbkowanie — na sieci pochmurno, zraszacz, deszcz, mokra trawa.
-
Część 41
Filtr Kalmana: jak z niedokładnych pomiarów oszacować, gdzie jest samochód i jak szybko jedzie
Łączenie dwóch pomiarów i wzmocnienie Kalmana, filtr jako średnia bieżąca, model w przestrzeni stanów, predykcja i korekcja, śledzenie samochodu według GPS z oszacowaniem niemierzonej prędkości, strojenie szumów Q i R, optymalność i rozszerzenia nieliniowe.
-
Część 42
Rodzaje uczenia maszynowego: nadzorowane, nienadzorowane, półnadzorowane i inne
Uczenie nadzorowane, nienadzorowane, półnadzorowane, samonadzorowane i przez wzmacnianie — z dokładnymi definicjami, wyjaśnieniem prostym językiem i animacjami prawdziwych algorytmów.
-
Część 43
Prompty, kontekst i RAG: jak dać modelowi właściwe informacje
Prompt i okno kontekstowe, RAG krok po kroku, wyszukiwanie BM25 napisane od zera na artykułach tej strony, odmiana i rdzenie, pytania innymi słowami, wielkość fragmentów, składanie promptu i prompt injection.
-
Część 44
Wariacyjne autoenkodery (VAE): nowe obrazki z ciągłej przestrzeni latentnej
Model generatywny ze zmienną ukrytą, VAE napisany od zera z trikiem reparametryzacji, uporządkowana przestrzeń latentna, generowanie cyfr z szumu w porównaniu ze zwykłym autoenkoderem, wpływ β i zapadnięcie się, interpolacja i gdzie stosuje się VAE.
-
Część 45
Generatywne sieci przeciwstawne (GAN): fałszerz kontra detektyw
Gra generatora i dyskryminatora, GAN napisany od zera, nienasycająca się strata, osiem skupisk na okręgu i kolaps modów, cyfry ostrzejsze niż w VAE, ale nie wszystkie, oraz droga od GAN do modeli dyfuzyjnych.
-
Część 46
Modele dyfuzyjne: jak z czystego szumu powstaje obraz
Proces w przód dodający szum, sieć szacująca szum, DDPM i DDIM napisane od zera, osiem skupisk bez kolapsu modów, ile kroków próbkowania potrzeba, porównanie z VAE i GAN na cyfrach oraz droga do obrazów generowanych według tekstu.
-
Część 47
Procesy decyzyjne Markowa: stany, akcje, nagrody i równania Bellmana
MDP na świecie-siatce z klifem, zwrot i dyskonto, funkcja wartości i równanie Bellmana, iteracja wartości i iteracja polityki napisane od zera, jak dyskonto, poślizg i koszt kroku zmieniają optymalne zachowanie, oraz sprawdzenie symulacją.
-
Część 48
Q-learning i DQN: uczenie się wartości akcji od tabeli po sieć neuronową
Uczenie metodą różnic czasowych, Q-learning i SARSA w spacerze nad urwiskiem, eksploracja ε-zachłanna, on-policy i off-policy, DQN z pamięcią doświadczeń i siecią docelową na wahadle na wózku napisane od zera, i dlaczego uczenie DQN tak łatwo się rozpada.
-
Część 49
Policy gradient i PPO: uczenie się bezpośrednio polityki
Polityka stochastyczna jako sieć, REINFORCE i twierdzenie o gradiencie polityki, poziom bazowy i przewaga, actor-critic, PPO z przycinaniem napisane od zera na wahadle na wózku, co się dzieje bez przycinania, i jak PPO dostroiło modele językowe.
-
Część 50
Jak działa agent AI: model językowy w pętli z narzędziami
Pętla rozumowanie – wywołanie narzędzia – wynik na prawdziwym zadaniu na artykułach tej strony, trzy podejścia i ich koszt w tokenach, dlaczego rośnie kontekst, plan i pamięć, niezawodność długich zadań z kontrolą i bez niej oraz dlaczego agent potrzebuje zatwierdzania.
-
Część 51
Programowanie z agentami AI: zadanie, testy i kontrola
Jak napisać agentowi zadanie z kryteriami akceptacji, dlaczego pracować małymi krokami, eksperyment z testowaniem mutacyjnym (ile błędów wykrywają testy szczęśliwej ścieżki, przypadki brzegowe i testy właściwości), kto powinien pisać testy i na co uważać.
-
Część 52
Ocena i bezpieczeństwo systemów AI: jak mierzyć i jak pilnować
Benchmarki i niepewność pomiaru, jak wybór na podstawie zestawu testowego zawyża wyniki, kontaminacja danych na eksperymencie, rodzaje ryzyk, filtr poleceń agenta jako lista zakazów kontra lista dozwolonych i obrona w głąb.