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.

8 minut Matěj Žalmánek 2026-10-15

To jest plan całej serii Podstawy AI: wszystko, co chcemy wyjaśnić, uporządkowane od podstaw po szczegóły. Gotowe artykuły są linkami, pozostałe stopniowo dopisujemy. Program to mapa, a nie obowiązkowa trasa — każdy artykuł można czytać osobno, a na jego początku znajdziesz, co warto wiedzieć wcześniej.

Moduły opierają się na sobie tak, jak pokazuje graf. Najpierw mapa i matematyka, potem dwie wielkie rodziny AI — ta, która szuka, i ta, która się uczy. Z uczenia maszynowego i przetwarzania sygnałów wyrastają sieci neuronowe, z nich modele językowe i generatywna AI, a wszystko w końcu spotyka się w agentach AI. Liczba pod nazwą modułu pokazuje, ile jego artykułów już się ukazało.

• podstawy bez wcześniejszej wiedzy
• średnio zaawansowane opiera się na podstawach z wcześniejszych modułów
• dogłębnie dla tych, którzy chcą wiedzieć, jak to działa w środku

1. Wstęp i mapa

Od czego zacząć: czym jest sztuczna inteligencja, skąd się wzięła i podstawowe słownictwo.

1. 1.1
   Mapa sztucznej inteligencji Czym są AI, uczenie maszynowe, uczenie głębokie i modele językowe oraz jak do siebie pasują.
   podstawy
2. 1.2
   Krótka historia AI Od testu Turinga przez zimy AI po modele językowe.
   podstawy
3. 1.3
   Dane, model, trening, inferencja Podstawowe pojęcia, bez których nie obejdziesz się w dalszej części serii.
   podstawy

2. Podstawy matematyczne

Najpierw język matematyki — zapis, zbiory, relacje, funkcje, logika i grafy — dzięki któremu przeczytasz każdą definicję w serii. Potem tylko tyle matematyki, ile trzeba — zawsze z przykładem z AI. Spadek gradientu to serce niemal wszystkiego, co się uczy.

1. 2.1
   Jak czytać zapis matematyczny Symbole, indeksy, sumy i kwantyfikatory — słowniczek, dzięki któremu przeczytasz każdą definicję w serii.
   podstawy
2. 2.2
   Zbiory i relacje Elementy, podzbiory, iloczyn kartezjański i relacje — z nich składają się stany, dane i grafy.
   podstawy
3. 2.3
   Funkcje i odwzorowania Dziedzina, przeciwdziedzina i składanie — co dokładnie oznacza zapis f : X → Y.
   podstawy
4. 2.4
   Logika i dowody Spójniki, implikacja, kwantyfikatory ∀ i ∃ oraz jak działa dowód matematyczny.
   podstawy
5. 2.5
   Grafy i drzewa Wierzchołki, krawędzie, ścieżki i drzewa — struktura, na której opierają się przeszukiwanie i sieci neuronowe.
   podstawy
6. 2.6
   Algebra liniowa dla uczenia maszynowego Wektory, macierze i iloczyn skalarny — język, którym mówi każdy model.
   podstawy
7. 2.7
   Pochodna, gradient i reguła łańcuchowa Jak ustalić, w którą stronę przekręcić pokrętła modelu.
   podstawy
8. 2.8
   Spadek gradientu: jak uczy się model Spadek gradientu, SGD, momentum i Adam z animacją na krajobrazie błędu.
   średnio zaawansowane

3. Prawdopodobieństwo i statystyka

Uczenie maszynowe to w dużej mierze statystyka. Od precyzyjnej definicji prawdopodobieństwa przez zmienne losowe, dystrybuantę i gęstość do rozkładów, estymacji i entropii.

1. 3.1
   Czym jest prawdopodobieństwo Doświadczenie losowe, zdarzenia i aksjomaty Kołmogorowa — precyzyjna definicja zamiast „stosunku przypadków sprzyjających”.
   podstawy
2. 3.2
   Prawdopodobieństwo warunkowe i twierdzenie Bayesa Jak zmienić oszacowanie, gdy dowiesz się czegoś nowego — podstawa filtrów antyspamowych i diagnostyki medycznej.
   podstawy
3. 3.3
   Zmienna losowa i dystrybuanta Zmienne dyskretne i ciągłe oraz funkcja, która mówi wszystko o rozkładzie każdej z nich.
   podstawy
4. 3.4
   Funkcja gęstości i funkcja prawdopodobieństwa Dlaczego zmienna ciągła ma w pojedynczym punkcie prawdopodobieństwo zero — i co zamiast tego pokazuje gęstość.
   średnio zaawansowane
5. 3.5
   Wartość oczekiwana, wariancja i kowariancja Gdzie leży rozkład, jak jest szeroki i jak dwie zmienne są ze sobą powiązane.
   podstawy
6. 3.6
   Przegląd rozkładów prawdopodobieństwa Bernoulliego, dwumianowy, Poissona, jednostajny, normalny i wykładniczy — kiedy którego użyć.
   podstawy
7. 3.7
   Prawo wielkich liczb i centralne twierdzenie graniczne Dlaczego średnie zachowują się tak przewidywalnie i dlaczego rozkład normalny jest wszędzie.
   średnio zaawansowane
8. 3.8
   Statystyka i estymacja parametrów Próba, estymator, metoda największej wiarygodności i przedziały ufności.
   średnio zaawansowane
9. 3.9
   Teoria informacji Entropia, entropia krzyżowa i dywergencja KL — skąd się biorą funkcje straty.
   średnio zaawansowane

4. Klasyczna AI: przeszukiwanie, gry i logika

AI, która niczego się nie uczy, tylko myśli: przeszukuje możliwości, przelicza ruchy i wnioskuje z reguł.

1. 4.1
   Przeszukiwanie przestrzeni stanów BFS, DFS, UCS, wyszukiwanie zachłanne i A* w jednym labiryncie.
   podstawy
2. 4.2
   Gry i przeciwnik Minimax, cięcia alfa-beta i Monte Carlo tree search.
   średnio zaawansowane
3. 4.3
   Spełnianie ograniczeń Sudoku, plany zajęć i backtracking z propagacją ograniczeń.
   średnio zaawansowane
4. 4.4
   Logika i systemy oparte na wiedzy Wiedza zapisana w postaci reguł, automatyczne wnioskowanie i systemy ekspertowe.
   średnio zaawansowane
5. 4.5
   Planowanie Jak AI układa sekwencję działań prowadzącą do celu — od STRIPS po dzisiejszych agentów.
   średnio zaawansowane

5. Algorytmy inspirowane naturą

Gdy możliwości jest tyle, że nie da się ich przejrzeć, warto podpatrzeć naturę: ewolucję, mrówki, stada ptaków i stygnący metal.

1. 5.1
   Przeszukiwanie lokalne i symulowane wyżarzanie Wspinacz, który utknie na wzgórzu — i jak pomoże mu fizyka stygnącego metalu.
   podstawy
2. 5.2
   Algorytmy genetyczne Populacja rozwiązań, krzyżowanie, mutacja i dobór naturalny w kodzie.
   podstawy
3. 5.3
   Strategie ewolucyjne i programowanie genetyczne Ewolucja parametrów liczbowych i całych programów.
   średnio zaawansowane
4. 5.4
   Optymalizacja kolonią mrówek Jak ślady feromonowe znajdują krótką drogę — także w problemie komiwojażera.
   średnio zaawansowane
5. 5.5
   Optymalizacja rojem cząstek Rój, który dzieli się najlepszym znalezionym miejscem, i dlaczego to działa.
   średnio zaawansowane
6. 5.6
   Neuroewolucja Ewolucja wag i architektury sieci neuronowych — NEAT i jego następcy.
   dogłębnie

6. Logika rozmyta i systemy rozmyte

Świat nie jest czarno-biały i logika rozmyta bierze to pod uwagę: zamiast „tak albo nie” mówi „w jakim stopniu”. Z reguł zrozumiałych dla człowieka buduje regulatory i modele.

1. 6.1
   Zbiory rozmyte i funkcje przynależności Gdy element nie należy do zbioru ani w całości, ani wcale — jak zapisać „trochę ciepło”.
   podstawy
2. 6.2
   Logika rozmyta a prawdopodobieństwo Dlaczego „jest trochę ciepło” nie znaczy tego samego co „jest prawdopodobnie ciepło”.
   podstawy
3. 6.3
   Logika rozmyta: operacje i reguły Rozmyty iloczyn i suma, t-normy i reguły typu JEŻELI–TO.
   średnio zaawansowane
4. 6.4
   Sterowanie rozmyte: Mamdani i Sugeno Rozmywanie, wnioskowanie i wyostrzanie — jak regulator rozmyty steruje pralką albo klimatyzacją.
   średnio zaawansowane
5. 6.5
   Klasteryzacja rozmyta Algorytm fuzzy c-means: punkt może należeć do kilku klastrów jednocześnie.
   średnio zaawansowane
6. 6.6
   Systemy neuronowo-rozmyte (ANFIS) Reguły rozmyte, których parametry uczą się jak sieć neuronowa.
   dogłębnie

7. Modele probabilistyczne i sekwencje

Jak liczyć się z niepewnością i z tym, co dzieje się w czasie — od łańcuchów Markowa po filtr Kalmana.

1. 7.1
   Łańcuchy Markowa Procesy losowe bez pamięci, macierz przejścia i rozkład stacjonarny.
   średnio zaawansowane
2. 7.2
   Ukryte modele Markowa Co się dzieje, gdy nie widzimy stanu — i algorytm Viterbiego.
   średnio zaawansowane
3. 7.3
   Sieci bayesowskie Graf zależności między zmiennymi losowymi i wnioskowanie na jego podstawie.
   średnio zaawansowane
4. 7.4
   Filtr Kalmana Szacowanie rzeczywistego stanu z zaszumionych pomiarów, krok po kroku.
   dogłębnie

8. Uczenie maszynowe

Ogólne ramy: jakie są rodzaje uczenia, dlaczego model zawodzi na nowych danych i jak poznać, że nauczył się dobrze.

1. 8.1
   Rodzaje uczenia maszynowego Nadzorowane, nienadzorowane, półnadzorowane, samonadzorowane i uczenie przez wzmacnianie.
   podstawy
2. 8.2
   Przeuczenie i regularyzacja Dlaczego model, który zna dane treningowe na pamięć, zawodzi — i co z tym zrobić.
   średnio zaawansowane w przygotowaniu
3. 8.3
   Ocena modelu Dane treningowe i testowe, walidacja krzyżowa, dokładność, F1 i ROC.
   średnio zaawansowane w przygotowaniu
4. 8.4
   Klasteryzacja i redukcja wymiarowości k-means, PCA i t-SNE — jak zobaczyć strukturę w setkach wymiarów.
   średnio zaawansowane w przygotowaniu

9. Klasyfikacja i regresja

Dwa najczęstsze zadania uczenia maszynowego — do której szufladki to należy i ile to wyniesie — oraz modele, które je rozwiązują: od prostej przez drzewa po SVM.

1. 9.1
   Klasyfikacja i regresja: dwa zadania uczenia nadzorowanego Kiedy model odpowiada klasą, a kiedy liczbą — i jak od tego zależy sposób mierzenia błędu.
   podstawy w przygotowaniu
2. 9.2
   Regresja liniowa Metoda najmniejszych kwadratów geometrycznie i macierzowo oraz co oznacza R².
   podstawy w przygotowaniu
3. 9.3
   Regresja wielomianowa i nieliniowa Jak wygiąć prostą — i dlaczego zbyt wygięta krzywa przewiduje gorzej.
   średnio zaawansowane w przygotowaniu
4. 9.4
   Regresja logistyczna Klasyfikacja sigmoidą, granica decyzyjna i entropia krzyżowa.
   podstawy w przygotowaniu
5. 9.5
   Klasyfikacja wieloklasowa i softmax Od dwóch klas do wielu: jeden przeciw wszystkim i funkcja softmax.
   średnio zaawansowane w przygotowaniu
6. 9.6
   Naiwny klasyfikator Bayesa Twierdzenie Bayesa w praktyce: szybki klasyfikator tekstu, który działa lepiej, niż powinien.
   średnio zaawansowane w przygotowaniu
7. 9.7
   Funkcje straty MSE, MAE, strata Hubera, entropia krzyżowa i hinge — co dokładnie model minimalizuje.
   średnio zaawansowane w przygotowaniu
8. 9.8
   Drzewa decyzyjne i k najbliższych sąsiadów Dwa modele, które da się wyjaśnić nawet bez wzorów.
   średnio zaawansowane w przygotowaniu
9. 9.9
   Zespoły modeli: las losowy i gradient boosting Dlaczego sto słabych modeli pokona jeden silny.
   średnio zaawansowane w przygotowaniu
10. 9.10
    SVM i sztuczka z jądrem Najszersza możliwa granica między klasami i jak ją wygiąć.
    dogłębnie w przygotowaniu

10. Przetwarzanie sygnałów

Dźwięk, obraz i pomiary to sygnały. Zanim dostanie je model, trzeba je zamienić na liczby — a splot przejdzie stąd prosto do sieci neuronowych.

1. 10.1
   Sygnał i próbkowanie Czym jest sygnał, jak zamienić go na liczby i dlaczego obowiązuje twierdzenie Nyquista.
   podstawy w przygotowaniu
2. 10.2
   Transformata Fouriera Rozkład sygnału na częstotliwości i co mówi nam widmo.
   średnio zaawansowane w przygotowaniu
3. 10.3
   Filtry i splot Wygładzanie, wyostrzanie krawędzi i usuwanie szumu — i dlaczego splot jest wszędzie.
   średnio zaawansowane w przygotowaniu
4. 10.4
   Dźwięk i mowa Spektrogram, skala melowa i MFCC — jak przygotowuje się dźwięk dla modelu.
   dogłębnie w przygotowaniu
5. 10.5
   Obraz jako sygnał Piksele, kolory, splot 2D i wykrywanie krawędzi.
   średnio zaawansowane w przygotowaniu

11. Sieci neuronowe i uczenie głębokie

Od jednego neuronu po sieci do obrazów i sekwencji — w tym sieci rekurencyjne, LSTM i GRU.

1. 11.1
   Perceptron i sztuczny neuron Najprostsza sieć neuronowa i czego nie potrafi.
   podstawy w przygotowaniu
2. 11.2
   Sieć neuronowa od zera Sieć wielowarstwowa i propagacja wsteczna, ręcznie i krok po kroku.
   średnio zaawansowane w przygotowaniu
3. 11.3
   Aktywacje, inicjalizacja i normalizacja Drobiazgi, od których zależy, czy głęboka sieć w ogóle się nauczy.
   średnio zaawansowane w przygotowaniu
4. 11.4
   Sieci konwolucyjne (CNN) Jak sieć rozpoznaje obrazy — warstwa po warstwie.
   średnio zaawansowane w przygotowaniu
5. 11.5
   Sieci rekurencyjne (RNN) Sieci z pamięcią dla sekwencji i problem zanikającego gradientu.
   średnio zaawansowane w przygotowaniu
6. 11.6
   LSTM i GRU Bramki, które decydują, co sieć zapamięta, a co zapomni.
   dogłębnie w przygotowaniu
7. 11.7
   Autoenkodery i reprezentacje Sieć, która uczy się kompresować dane i z powrotem je rozpakowywać.
   średnio zaawansowane w przygotowaniu
8. 11.8
   Embeddingi i word2vec Jak słowo staje się wektorem, na którym można wykonywać obliczenia.
   średnio zaawansowane w przygotowaniu

12. Transformery i modele językowe

Mechanizm uwagi, transformer i wszystko, co z modelu językowego robi asystenta.

1. 12.1
   Mechanizm uwagi Jak model uczy się, na co patrzeć w tekście.
   średnio zaawansowane w przygotowaniu
2. 12.2
   Transformery i duże modele językowe Architektura transformera krok po kroku i jak powstaje z niej LLM.
   dogłębnie w przygotowaniu
3. 12.3
   Tokenizacja Jak tekst jest dzielony na kawałki, z którymi pracuje model.
   średnio zaawansowane w przygotowaniu
4. 12.4
   Pretrening i skalowanie Dlaczego większy model i więcej danych działają — i gdzie to przestaje być prawdą.
   dogłębnie w przygotowaniu
5. 12.5
   Dostrajanie i RLHF Jak model, który uzupełnia tekst, staje się asystentem.
   dogłębnie w przygotowaniu
6. 12.6
   Prompty, kontekst i RAG Jak dać modelowi właściwe informacje we właściwym momencie.
   średnio zaawansowane

13. Modele generatywne

Modele, które danych nie sortują, tylko je tworzą — obrazy, dźwięk, a nawet nowe cząsteczki.

1. 13.1
   Wariacyjne autoenkodery (VAE) Generowanie nowych danych z ciągłej przestrzeni ukrytej.
   dogłębnie
2. 13.2
   Generatywne sieci przeciwstawne (GAN) Dwie sieci, które nawzajem próbują się przechytrzyć.
   dogłębnie
3. 13.3
   Modele dyfuzyjne Jak z czystego szumu stopniowo powstaje obraz.
   dogłębnie

14. Uczenie przez wzmacnianie

Jak nauczyć się działać tylko na podstawie nagród i kar — od równań Bellmana po algorytm stojący za RLHF.

1. 14.1
   Procesy decyzyjne Markowa Stany, akcje, nagrody i równania Bellmana.
   średnio zaawansowane
2. 14.2
   Q-learning i DQN Uczenie się wartości akcji — od tabeli po głęboką sieć.
   średnio zaawansowane
3. 14.3
   Policy gradient i PPO Uczenie bezpośrednio polityki — algorytm, który stoi także za RLHF.
   dogłębnie

15. Agenci AI w praktyce

Gdzie wszystko się spotyka: model językowy, który planuje, używa narzędzi i pracuje za ciebie.

1. 15.1
   Jak działa agent AI Model językowy w pętli: narzędzia, planowanie i pamięć.
   średnio zaawansowane
2. 15.2
   Programowanie z agentami AI Jak zlecać agentowi pracę, sprawdzać ją i nie tracić nad nią kontroli.
   podstawy
3. 15.3
   Ewaluacja i bezpieczeństwo systemów AI Jak mierzyć, co potrafi AI, i jak nie dopuścić, by robiła to, czego nie powinna.
   średnio zaawansowane

Brakuje ci w programie tematu, który warto by wyjaśnić? Napisz do nas — kolejność następnych artykułów zależy też od tego, co interesuje czytelników.

Masz inne zdanie? Napisz na support@coden-app.com.