Séria
Základy AI
Séria od celkovej mapy umelej inteligencie po jednotlivé algoritmy. Každý diel sa dá čítať samostatne — presné definície pre tých, kto ich chcú, laické vysvetlenie pre všetkých.
-
Osnova
Osnova série Základy AI: od základov po jazykové modely a agentov
Mapa všetkých článkov série — matematika, hľadanie, strojové učenie, spracovanie signálu, neurónové siete, LSTM, transformery, generatívne modely a AI agenti.
-
Diel 1
Mapa umelej inteligencie: čo je čo a ako to do seba zapadá
Umelá inteligencia, strojové učenie, hlboké učenie, jazykové modely a AI agenti — ako spolu súvisia, na jednej stránke. Úvodný diel série Základy AI.
-
Diel 2
Stručná história umelej inteligencie: od Turinga po jazykové modely
Turingov test, Dartmouthský seminár, zlaté roky, dve zimy AI a expertné systémy, štatistické učenie, hlboké učenie a jazykové modely — časová os s odkazmi na diely série a horká lekcia sedemdesiatich rokov výskumu.
-
Diel 3
Dáta, model, tréning, inferencia: základné pojmy na jednom príklade
Celá cesta strojového učenia na odhade ceny bytu: dáta a ich rozdelenie, model s parametrami, tréning gradientným zostupom, hyperparametre a rýchlosť učenia, vyhodnotenie, inferencia a slovníček pojmov s odkazmi na diely série.
-
Diel 4
Ako čítať matematický zápis: symboly, indexy, sumy a kvantifikátory
Slovníček asi štyridsiatich symbolov, s ktorým prečítate každú definíciu v sérii Základy AI — od indexov a gréckych písmen cez ∑ a argmin po ∀ a ∃. S ťahákom na konci.
-
Diel 5
Množiny a relácie: stavebnica, z ktorej sa skladajú definície v AI
Množiny, podmnožiny, operácie, karteziánsky súčin, relácie, ekvivalencia a usporiadanie — s Vennovými diagramami, maticou relácie a tým, na čo je to všetko v umelej inteligencii.
-
Diel 6
Funkcie a zobrazenia: prečo je každý model v AI funkcia
Definičný obor, obraz, injektivita, skladanie, inverzia, funkcie viacerých premenných a konvexnosť — s grafmi sigmoidy, ReLU a chybovej krajiny.
-
Diel 7
Logika a dôkazy: pravidlá, podľa ktorých sa v AI uvažuje
Výroky, spojky a pravdivostné tabuľky, pasca s implikáciou, kvantifikátory a druhy dôkazov — a prečo XOR zastavil prvé neurónové siete.
-
Diel 8
Grafy a stromy: štruktúra, na ktorej stojí hľadanie aj neurónové siete
Vrcholy a hrany, stupne, matica susednosti, cesty a komponenty, BFS a Dijkstra, stromy, minimálna kostra a výpočtový graf neurónu — všetko na jednom grafe so siedmimi mestami.
-
Diel 9
Lineárna algebra pre strojové učenie: vektory, matice a prečo AI hlavne násobí
Vektory, skalárny súčin a kosínusová podobnosť, matice ako transformácie, determinant, vrstva neurónovej siete ako Wx + b a vlastné vektory — s obrázkami, ktoré vypočíta kód.
-
Diel 10
Derivácie, gradient a reťazové pravidlo: ako model zistí, ktorým smerom sa učiť
Derivácia ako rýchlosť zmeny, parciálne derivácie, gradient a reťazové pravidlo — a spätné šírenie chyby vypočítané číslo po čísle na jednom neuróne.
-
Diel 11
Gradientný zostup: ako sa model učí
Rýchlosť učenia, cik-cak v úzkych údoliach, momentum, Adam, stochastický zostup po dávkach a lokálne minimá — s animáciami skutočných trajektórií.
-
Diel 12
Čo je pravdepodobnosť: od hodu kockou ku Kolmogorovovým axiómam
Náhodný pokus, priestor výsledkov, javy a operácie s nimi, klasická a početnostná pravdepodobnosť a axiómy, na ktorých stojí všetko ďalšie — na príklade dvoch kociek.
-
Diel 13
Podmienená pravdepodobnosť a Bayesova veta: ako zmeniť odhad, keď sa dozviete niečo nové
Podmienená pravdepodobnosť, pravidlo súčinu, nezávislosť, úplná pravdepodobnosť a Bayesova veta — a prečo pozitívny test na zriedkavú chorobu znamená len 16,7 %.
-
Diel 14
Náhodná premenná a distribučná funkcia: jedna funkcia, ktorá o rozdelení povie všetko
Čo je náhodná premenná, rozdelenie a distribučná funkcia, čím sa líšia diskrétne a spojité premenné a ako sa distribučná funkcia odhadne z dát.
-
Diel 15
Funkcia hustoty a pravdepodobnostná funkcia: prečo má spojitá premenná v bode pravdepodobnosť nula
Pravdepodobnostná funkcia, hustota pravdepodobnosti a plocha pod krivkou — prečo hustota nie je pravdepodobnosť, môže byť väčšia ako 1 a ako ju z dát odhadne histogram.
-
Diel 16
Stredná hodnota, rozptyl a kovariancia: kde rozdelenie leží, aké je široké a čo s čím súvisí
Stredná hodnota ako ťažisko, linearita, rozptyl a smerodajná odchýlka, Čebyševova nerovnosť, kovariancia a korelácia — a prečo nulová kovariancia ešte neznamená nezávislosť.
-
Diel 17
Prehľad pravdepodobnostných rozdelení: Bernoulliho, binomické, Poissonovo, rovnomerné, normálne a exponenciálne
Šesť najdôležitejších rozdelení s definíciami, strednými hodnotami a rozptylmi — Galtonova doska, Poissonova limitná veta, pravidlo 68–95–99,7 a kedy ktoré rozdelenie použiť.
-
Diel 18
Zákon veľkých čísel a centrálna limitná veta: prečo sa priemery správajú tak predvídateľne
Výberový priemer, zákon veľkých čísel a centrálna limitná veta s animáciami — prečo je normálne rozdelenie všade, odkiaľ sa berie chyba prieskumov ±3 % a prečo dvakrát presnejší odhad stojí štyrikrát viac dát.
-
Diel 19
Štatistika a odhady parametrov: maximálna vierohodnosť, MAP a intervaly spoľahlivosti
Výber, odhad, nestrannosť a prečo výberový rozptyl delí n − 1, metóda maximálnej vierohodnosti, bayesovský odhad MAP a intervaly spoľahlivosti — a prečo je trénovanie neurónovej siete odhad parametrov.
-
Diel 20
Teória informácie: entropia, krížová entropia a KL divergencia — odkiaľ sa berú stratové funkcie
Informácia ako prekvapenie, entropia a Huffmanov kód, krížová entropia, KL divergencia a informačný zisk — a prečo je stratová funkcia jazykových modelov krížová entropia.
-
Diel 21
Prehľadávanie stavového priestoru: BFS, DFS, UCS a A* s animáciami
Základy umelej inteligencie názorne: čo je stavový priestor, ako fungujú BFS, DFS, UCS, pažravé hľadanie a A*, čo je heuristika a ako s tým súvisí strojové učenie.
-
Diel 22
Hry a protivník: minimax, alfa-beta orezávanie a Monte Carlo tree search
Hra ako úloha prehľadávania, herný strom, minimax, alfa-beta orezávanie, hodnotiaca funkcia a MCTS — na piškvorkách, kde sa dá spočítať všetko, a s cestou od Deep Blue k AlphaZero.
-
Diel 23
Splňovanie obmedzujúcich podmienok: backtracking, propagácia obmedzení a AC-3 na sudoku a mape krajov
Premenné, domény a podmienky, graf podmienok, backtracking, heuristiky MRV a LCV, dopredná kontrola, AC-3 a min-conflicts — na farbení krajov Česka, sudoku a ôsmich dámach.
-
Diel 24
Logika a znalostné systémy: dopredné a spätné reťazenie, rezolúcia a expertné systémy
Znalostná báza, vyplývanie a kontrola modelov, Hornove klauzuly, dopredné a spätné reťazenie, rezolúcia, Prolog a expertné systémy od MYCINu po znalostné grafy — na malom systéme, ktorý spozná zviera.
-
Diel 25
Plánovanie: STRIPS, svet kociek, heuristiky z relaxácie a plánovanie v AI agentoch
Jazyk STRIPS a PDDL, dopredné a spätné plánovanie, heuristiky hmax a hadd, Sussmanova anomália, hierarchické plánovanie a preplánovanie — od robota Shakeyho po AI agentov, ktorí si píšu zoznam úloh.
-
Diel 26
Lokálne hľadanie a simulované žíhanie: obchodný cestujúci cez krajské mestá
Optimalizačná úloha, problém obchodného cestujúceho, horolezec s okolím 2-opt, lokálne minimá a reštarty, simulované žíhanie, teplota a rozvrh chladenia — na trase cez trinásť krajských miest so známym optimom.
-
Diel 27
Genetické algoritmy: populácia, kríženie, mutácia a výber na batohu na výlet
Genóm a zdatnosť, turnajový výber, jednobodové kríženie, mutácia a elitizmus, veta o schémach a predčasná konvergencia — na úlohe batohu so známym optimom, od stanu po FunSearch a AlphaEvolve.
-
Diel 28
Evolučné stratégie a genetické programovanie: od pravidla jednej pätiny po Keplerov zákon
(1+1)-ES a pravidlo jednej pätiny, populácia a sebaadaptácia na Rastriginovej funkcii, CMA-ES, programy ako stromy, symbolická regresia, ktorá z dát o planétach nájde tretí Keplerov zákon, a nafukovanie programov.
-
Diel 29
Optimalizácia mravčou kolóniou: ako feromónová stopa nájde krátku cestu
Stigmergia, pokus s dvojitým mostom, Dorigov mravčí systém, úloha parametrov α, β a ρ a vylepšené varianty — na okruhu cez krajské mestá a na 60 mestách, v porovnaní so žíhaním.
-
Diel 30
Optimalizácia rojom častíc: zotrvačnosť, vlastná skúsenosť a skúsenosť roja
Boidi a kŕdle, algoritmus PSO, tri zložky rýchlosti, beh na Rastriginovej funkcii v porovnaní s evolučnou stratégiou, úloha zotrvačnosti, stabilita častice, topológia roja a veta o žiadnom obede zadarmo.
-
Diel 31
Neuroevolúcia: evolúcia váh aj tvaru neurónových sietí a algoritmus NEAT
Neurón a sieť v kocke, evolúcia regulátora pre kyvadlo na vozíku, prečo evolúcia namiesto gradientu, XOR a skryté neuróny, NEAT s historickými značkami a speciáciou, čo sa stane bez speciácie a nasledovníci od HyperNEAT po AmoebaNet.
-
Diel 32
Fuzzy množiny a funkcie príslušnosti: ako zapísať „trochu teplo“
Ostrá hranica a paradox kopy, fuzzy množina a stupeň príslušnosti, tvary funkcií príslušnosti, lingvistická premenná, nosič, jadro a α-rezy, Zadehove operácie a modifikátory „veľmi“ a „trochu“ — na teplote od zimy po horúčavu.
-
Diel 33
Fuzzy logika a pravdepodobnosť: prečo „trochu teplo“ neznamená „pravdepodobne teplo“
Náhodnosť a vágnosť, Bezdekove dve fľaše, axiómy pravdepodobnosti proti fuzzy príslušnosti, Fréchetove medze, pravdepodobnosť fuzzy javu na predpovedi počasia a slová o pravdepodobnosti ako fuzzy množiny.
-
Diel 34
Fuzzy logika: t-normy, implikácie a pravidlá AK–TAK
Stupne pravdivosti, t-normy a t-konormy (minimum, súčin, Łukasiewicz), ktoré klasické zákony prežijú, reziduované implikácie a vyhodnotenie pravidiel na ventilátore riadenom teplotou a vlhkosťou.
-
Diel 35
Fuzzy riadenie: Mamdani a Sugeno od ventilátora po kyvadlo na vozíku
Regulátor a spätná väzba, fuzzifikácia, odvodzovanie a defuzzifikácia, ťažisko, bisektor a stred maxím, regulátor Takagi–Sugeno, riadiace plochy a fuzzy regulátor, ktorý udrží tyč na vozíku.
-
Diel 36
Fuzzy zhlukovanie: algoritmus fuzzy c-means a body medzi zhlukmi
K-means a jeho ostré priradenie, fuzzy c-means s príslušnosťami ku všetkým zhlukom, fuzzifikátor m, koeficient rozkladu a Xieho–Beniho index na voľbu počtu zhlukov — a prečo odľahlé body dostanú vysoké príslušnosti.
-
Diel 37
Neuro-fuzzy systémy (ANFIS): fuzzy pravidlá, ktoré sa učia z dát
Sugenov fuzzy systém ako päťvrstvová sieť, hybridné učenie najmenšími štvorcami a gradientom, učenie funkcie zo zašumených dát, voľba počtu pravidiel a preučenie, čitateľnosť naučených pravidiel a vzťah k sieťam RBF.
-
Diel 38
Markovove reťazce: prechodová matica, stacionárne rozdelenie a PageRank
Markovova vlastnosť, prechodová matica a vývoj rozdelenia na modeli počasia, stacionárne rozdelenie a ergodická veta, Markovov rozbor samohlások na Máchovom Máji, PageRank a generovanie textu.
-
Diel 39
Skryté Markovove modely: Viterbiho algoritmus a nepoctivé kasíno
Skrytý Markovov model, tri úlohy podľa Rabinera, dopredný algoritmus, Viterbiho algoritmus, aposteriórne dekódovanie a Baumov–Welchov algoritmus — na kasíne, ktoré občas potajomky vymení kocku za falošnú.
-
Diel 40
Bayesovské siete: prečo je tráva mokrá a čo z toho vyplýva pre postrekovač
Združené rozdelenie a jeho faktorizácia, bayesovská sieť a tabuľky podmienených pravdepodobností, odvodzovanie vymenovaním, vysvetlenie preč, d-separácia a približné odvodzovanie vzorkovaním — na sieti zamračené, postrekovač, dážď, mokrá tráva.
-
Diel 41
Kalmanov filter: ako z nepresných meraní odhadnúť, kde auto je a ako rýchlo ide
Spojenie dvoch meraní a Kalmanov zisk, filter ako priebežný priemer, stavový model, predpoveď a oprava, sledovanie auta podľa GPS s odhadom nemeranej rýchlosti, ladenie šumov Q a R, optimalita a nelineárne rozšírenia.
-
Diel 42
Druhy strojového učenia: s učiteľom, bez učiteľa, s čiastočným učiteľom a ďalšie
Učenie s učiteľom, bez učiteľa, s čiastočným učiteľom, samoučenie a učenie posilňovaním — s presnými definíciami, laickým vysvetlením a animáciami skutočných algoritmov.
-
Diel 43
Prompty, kontext a RAG: ako modelu dať správne informácie
Prompt a kontextové okno, RAG krok za krokom, vyhľadávanie BM25 napísané od nuly nad článkami tohto webu, skloňovanie a kmene, otázky inými slovami, veľkosť úsekov, zostavenie promptu a prompt injection.
-
Diel 44
Variačné autoenkodéry (VAE): nové obrázky zo spojitého latentného priestoru
Generatívny model s latentnou premennou, VAE napísaný od nuly s reparametrizačným trikom, usporiadaný latentný priestor, generovanie číslic zo šumu oproti obyčajnému autoenkodéru, vplyv β a kolaps, interpolácia a kde sa VAE používajú.
-
Diel 45
Generatívne adversariálne siete (GAN): falšovateľ proti detektívovi
Hra generátora a diskriminátora, GAN napísaný od nuly, nesaturujúca strata, osem zhlukov na kružnici a kolaps módov, číslice ostrejšie než pri VAE, ale nie všetky, a cesta od GAN k difúznym modelom.
-
Diel 46
Difúzne modely: ako sa z čistého šumu stane obrázok
Dopredný proces pridávania šumu, sieť, ktorá odhaduje šum, DDPM a DDIM napísané od nuly, osem zhlukov bez kolapsu módov, koľko krokov vzorkovania je potrebných, porovnanie s VAE a GAN na číslicach a cesta k obrázkom podľa textu.
-
Diel 47
Markovove rozhodovacie procesy: stavy, akcie, odmeny a Bellmanove rovnice
MDP na mriežkovom svete s útesom, výnos a diskont, hodnotová funkcia a Bellmanova rovnica, hodnotová iterácia a iterácia stratégie napísané od nuly, ako diskont, šmýkanie a cena kroku menia optimálne správanie, a kontrola simuláciou.
-
Diel 48
Q-learning a DQN: učenie hodnoty akcií od tabuľky po neurónovú sieť
Učenie s časovým rozdielom, Q-learning a SARSA na chôdzi po útese, ε-pažravý prieskum, on-policy a off-policy, DQN s pamäťou zážitkov a cieľovou sieťou na kyvadle na vozíku napísané od nuly, a prečo sa učenie DQN tak ľahko rozpadne.
-
Diel 49
Policy gradient a PPO: učenie priamo stratégie
Stochastická stratégia ako sieť, REINFORCE a veta o gradiente stratégie, základná úroveň a výhoda, actor-critic, PPO s orezaním napísané od nuly na kyvadle na vozíku, čo sa stane bez orezania, a ako PPO doladilo jazykové modely.
-
Diel 50
Ako funguje AI agent: jazykový model v slučke s nástrojmi
Slučka úvaha – volanie nástroja – výsledok na skutočnej úlohe nad článkami webu, tri postupy a ich cena v tokenoch, prečo rastie kontext, plán a pamäť, spoľahlivosť dlhých úloh s kontrolou a bez nej, a prečo agent potrebuje schvaľovanie.
-
Diel 51
Programovanie s AI agentmi: zadanie, testy a kontrola
Ako agentovi napísať zadanie s kritériami prijatia, prečo pracovať po malých krokoch, pokus s mutačným testovaním (koľko chýb odhalia testy šťastnej cesty, okrajové prípady a vlastnostné testy), kto má písať testy a na čo si dať pozor.
-
Diel 52
Vyhodnocovanie a bezpečnosť AI systémov: ako merať a ako strážiť
Benchmarky a neistota merania, ako výber podľa testovacej sady nadsadzuje výsledky, kontaminácia dát na pokuse, druhy rizík, filter príkazov agenta ako zákaz oproti povoleniu a obrana do hĺbky.