Ücretsiz ve açık AI öğrenimi
Inside AI Models
Derin öğrenmeyi sade bir dille anlatıyorum. Eğitimler, deneyler ve makalelerin atladığı detaylar — AI öğrenen herkes için ücretsiz.
Öğren
Son makaleler
Claude Code ile Verimli Çalışmak — Bölüm 2: Ajanlar, Alt Ajanlar ve Çoklu Ajan Kurulumları
Her şeyi tek oturumda yapmayı bırakıp ne zaman devretmeli: alt ajanlar (subagents) nedir, nasıl brifing verilir ve kurulur, birkaç Claude birbirine girmeden paralel nasıl çalıştırılır.
BPE(Byte Pair Encoding) nedir ve LLM'ler için neden önemli
GPT gibi modeller, veri setinde hiç görmedikleri kelimeleri nasıl anlıyor? Word-level ile character-level tokenization arasındaki dengeyi ve BPE'yi (subword tokenization) sıfırdan, kodla kuruyoruz.
Claude Code ile Verimli Çalışmak — Bölüm 1: Bağlam (Context), Beceriler ve Prompt Yazımı
Claude Code'dan gerçek verim almak için pratik bir rehber: projenizi nasıl gördüğü, Becerileri (Skills) kullanmak, doğru prompt yazmak ve uzun oturumları hafif tutan bağlam ipuçları.
GPT'yi Sıfırdan Yazalım: nano-gpt
Her gün konuştuğumuz GPT'nin altında aslında ne döndüğünü birlikte keşfediyoruz. Tokenizer'dan attention'a, eğitim döngüsünden metin üretimine kadar her parçayı tek tek kurduğum bir yazı olacak. Gelin birlikte bakalım.
Bu Blog Ne Hakkında?
Bu blogu neden açtığıma, burada ne tür yazılar bulacağınıza ve yazmanın öğrenmenin neden ayrılmaz bir parçası olduğuna dair kısa bir giriş.
Tensor Nedir? Derin Öğrenme için Lineer Cebir
Skalerden tensöre uzanan yolculuğu, shape kavramını ve bir sinir ağının neden baştan sona lineer cebirden ibaret olduğunu sıfırdan, sezgiyle kuruyoruz.
Attention'ı Sıfırdan Anlamak
Query, key ve value vektörlerinden softmax'a kadar, modern dil modellerinin kalbindeki attention mekanizmasını tek bir sezgisel soruyla sıfırdan kuruyoruz.
Gradient Descent Gerçekte Nasıl Çalışır
Eğitilmiş her modelin arkasındaki optimizasyon döngüsünü, engebeli bir arazi benzetmesinden türev, learning rate ve backpropagation'a kadar, kalkülüs bilmeden sıfırdan kuruyoruz.
Kimlik-Farkında Negatif Örnekleme Neden Önemli
Multimodal deepfake tespitinde bir contrastive loss'un başarısı, gördüğü negatif örneklerin niteliğine bağlıdır. Rastgele batch örneklemenin kritik negatifleri neden kaçırdığına ve identity-grouped sampling'in bunu nasıl düzelttiğine bakıyoruz.
Yazar hakkında
Alper Göçen
Yazar ve editör
Yapay zeka alanında doktora yapan bir yazılım mühendisiyim. Bilginin paylaştıkça çoğaldığına inandığım için makine öğrenmesi ve yapay zeka hakkında makaleler ve blog yazıları yazıyorum.