#01Видеа
AI в кратки видеа
По една идея във всяко видео, на разбираем език. Всяко води към главата от безплатния ни курс, която я обяснява стъпка по стъпка.
Започнете оттук AI 101
- #01
#02Machine learning: how a computer draws its own dividing line
#03Neural networks: layers of tiny calculators passing signals on
#04How AI learns: guess, measure the error, nudge, repeat
#05Tokens: how AI chops your words into numbered pieces
#06Embeddings: why a puppy lands closer to a dog than to a pizza
Най-нови
#031Momentum: how remembering past steps stops AI training zigzagging
#030Mini-batches: why AI learns faster from a random handful of data
#029Saddle points: where AI training looks stuck but has a way down
#028Local minima: why AI training can settle for second best
#027Condition number: why a stretched valley makes AI training crawl
#026Learning rate: the step size with a ceiling you can calculate
#025Gradient descent: how AI finds its way downhill in small steps
#024Gradient: the arrow that points uphill, and why AI walks the other way
#023Chain rule: how AI traces the effect of every layer
#022Derivative: how much the result moves when you nudge one input
#021Grid search: why you cannot train an AI by trying every setting
#020Robust loss: stop one wild reading from wrecking your forecast
#019Heavy tails: when rare, huge errors break the usual average
#018Mean squared error: the hidden bet behind squaring your mistakes
#017The LogSumExp trick: one subtraction that stops AI math overflowing
#016Rounding error: why adding the same numbers can give two answers
#015Floating-point numbers: why your computer cannot hold every number
#014Negative log-likelihood: turning a fragile product into a calm sum
#013Maximum likelihood: the answer that makes your data least surprising
#012Bayes' rule: reasoning backwards from a clue to its most likely cause
#011Chain rule of probability: how AI scores a sentence word by word
#010Loss landscape: training an AI means finding the bottom of a valley
#009Loss function: the scoring rule that decides which answer wins
#008Feature engineering: the human choice that can beat the algorithm
По глава от курса
- 1Персептронът от нулата: какво изчислява един неврон10 видеоклипа
- 2Откъде идва една функция на загуба: от правдоподобие, не от конвенция12 видеоклипа
- 3Надолу по склона: gradient descent и двете стъпки, които всички пропускат12 видеоклипа
- 4Класификация, cross-entropy и как да не се заблудите сами
- 5Backpropagation от нулата: първо двигателят, после мрежата1 видеоклип
- 6Да го накараме да се обучава — и да обобщава
- 7Създайте BPE tokenizer: защо моделът ви не може да преброи R-тата1 видеоклип
- 8Предсказване на следващия token: embedding-и и какво означава перплексията1 видеоклип
- 9Attention и transformer блокът, изведени от средно
- 10Pretraining на LLM: данни, compute, scaling laws и цена
- 11От базов модел до асистент: SFT, RLHF, DPO и GRPO
- 12Chain of Thought, RLVR и Test-Time Compute — измерени
- 13Как да направим inference евтин: KV cache, batching и квантизация
- 14Първото ви production LLM извикване: streaming, retries, timeouts
- 15Prompt engineering с измервания: какво променя резултата
- 16Context window, tokens и сметката — измерени
- 17Temperature, Top-p и детерминизмът, който нямате
- 18Tool Calling и structured outputs: договорът, който издържа
- 19RAG в production: chunking, retrieval и честни цитати
- 20Fine-tuning, извличане или prompt? Решението е икономическо
- 21Мултимодално ценообразуване: какво наистина се таксува при изображения, аудио и видео
- 22Какво е AI agent: пет класически типа и две конкуриращи се дефиниции
- 23Изградете agent harness: цикълът и петте изхода от него
- 24Context Engineering: Защо вашият agent оглупява на ход 40
- 25Multi-Agent orchestration: пет модела и кога един печели
- 26MCP според спецификацията: какво всъщност е server
- 27Пускане на MCP сървър: TypeScript и Python, измерени
- 28Agent Skills и SKILL.md: измерено постепенно разкриване
- 29Оценяване на LLM: от публични benchmarks до вашия златен набор
- 30Prompt injection и смъртоносната триада: защита на реален agent