#01Videolar
AI kısa videolarla anlatılıyor
Her videoda bir fikir, sade dille. Her biri, adım adım açıklayan ücretsiz kurs bölümümüze bağlanır.
Buradan başla 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
En yeniler
#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
Kurs bölümüne göre
- 1Perceptron’u sıfırdan kurmak: Bir nöron ne hesaplar?10 video
- 2Bir Loss Function Nereden Gelir: Gelenekten Değil, Likelihood’dan12 video
- 3Yokuş Aşağı: Gradient Descent ve Herkesin Atladığı İki Adım12 video
- 4Sınıflandırma, çapraz entropi ve kendini kandırmamanın yolları
- 5Backpropagation Sıfırdan: Önce Motor, Sonra Ağ1 video
- 6Eğitmek ve Genellemesini Sağlamak
- 7BPE Tokenizer Oluştur: Modelin Neden R’leri Sayamıyor?1 video
- 8Next-token tahmini: embedding’ler ve perplexity ne anlama gelir1 video
- 9Attention ve Transformer Bloğu: Ortalamadan Türetilmiş Hâli
- 10Bir LLM’i pretraining etmek: Veri, compute, scaling laws ve maliyet
- 11Base modelden asistana: SFT, RLHF, DPO ve GRPO
- 12Chain of Thought, RLVR ve Test-Time Compute: Ölçüm
- 13Inference’ı Ucuzlatmak: KV cache, Batching ve Quantization
- 14İlk production LLM çağrın: Streaming, retry ve timeout
- 15Prompt Engineering, Ölçülünce: Çıktıyı Ne Değiştirir
- 16Context Window, Tokenlar ve Fatura: Ölçülmüş
- 17Temperature, top-p ve sahip olmadığın determinizm
- 18Tool Calling ve Yapılandırılmış Çıktılar: Bozulmayan Sözleşme
- 19Production’da RAG: Chunking, retrieval ve dürüst atıflar
- 20Fine-tuning, retrieval mı yoksa prompt mu? Karar ekonomik
- 21Multimodal fiyatlandırma: Görsel, ses ve video gerçekte neyi faturalar
- 22AI Agent Nedir: Beş Klasik Tür, İki Rakip Tanım
- 23Agent Harness Oluşturmak: Döngü ve Ondan Çıkmanın Beş Yolu
- 24Context Engineering: Agent’ın 40. turda neden aptallaşıyor
- 25Multi-Agent Orchestration: Beş Kalıp ve Hangisi Ne Zaman Kazanır
- 26MCP Spesifikasyona Göre: Bir Sunucu Gerçekte Nedir
- 27Bir MCP Server Yayına Almak: TypeScript ve Python, Ölçülmüş
- 28Agent Skills ve SKILL.md: Progressive disclosure, ölçülmüş
- 29LLM değerlendirmesi: Public benchmark’lerden kendi golden set’ine
- 30Prompt Injection ve Ölümcül Üçlü: Gerçek Bir Agent’ı Güvenceye Almak