Büyükler için · sıfırdan
Makine öğrenmesi, sıfırdan
Bir doğrudan dil modeline, karar ağacından görüntü işlemeye dokuz bölüm ve beş 3B proje: her derste bir algoritma, robotik bir veri kümesi ve birkaç satır Python. Algoritma gözünün önünde adım adım çalışır; kodun o an hangi satırda olduğunu görürsün.
Nasıl çalışır
Her ders aynı düzende
Veri
Robottan gelen gerçekçi bir ölçüm kümesi: motor hızı, LiDAR noktaları, sensör değerleri.
Kod
NumPy ile kısa bir Python programı. Çalışan satır vurgulanır.
Sahne
Algoritmanın her adımı canlı çizilir. İleri, geri, hızlı ya da yavaş oynat.
Dene
Parametreyi değiştir (k, öğrenme oranı, derinlik…), sonucun nasıl değiştiğini gör.
Bölüm 1 · 6 ders
Temeller
Bir doğrudan küçük bir sinir ağına: öğrenmenin hep aynı döngüsü ve ezberlemenin tehlikesi.
- 01Doğrusal regresyon ve gradyan inişiMotorun PWM–hız çizgisini adım adım öğrenmek
- 02Tek nöron: doğru + sigmoidPil gerilimine bakıp "görev biter mi?" güvenini öğrenmek
- 03Perceptron: ilk yapay nöronFren mi devam mı? Hatadan öğrenen tek bir doğru
- 04Küçük bir sinir ağıGizli katman ve geri yayılım: doğrunun çizemediği sınır
- 05Aşırı öğrenme ve doğrulamaSensör eğrisine uyan en iyi model, en karmaşık olanı değildir
- 06Aynı kod, üç ürünTek bir learn() fonksiyonu: sayı tahmini, evet/hayır, bölge çitleme
Bölüm 2 · 4 ders
Öğrenmenin motoru
Aktivasyon eğrileri, kayıp arazisinde yokuş aşağı yürümek ve hatayı ağırlıklara paylaştıran geri yayılım.
- 07Aktivasyon fonksiyonlarıToplam, eğri, aktarım: nöronu nöron yapan eğri
- 08Gradyan inişi: kayıp arazisinde yokuş aşağıTürev yönü söyler, öğrenme oranı adım boyunu
- 09Geri yayılım: altı ağırlıktan hangisi suçlu?Suç çıkıştan başlar, katman katman geriye akar
- 10Zincir kuralı: geri yayılım ile gradyan inişi buluşuyorİki ağırlıklı bir ağ, bütün kayıp arazisi ve halka halka türev
Bölüm 3 · 10 ders
Klasik algoritmalar
Komşulara bakmak, olasılık saymak, soru sormak, ağaçları oylatmak ve etiketsiz veride grup bulmak.
- 11k en yakın komşu (k-NN)Renk sensörüyle nesne tanımak: yeni ölçüm, komşularına bakar
- 12Naive Bayes: olasılıkla kararİki sensörü birleştirip "önde engel var mı?" sorusunu yanıtlamak
- 13Naive Bayes ile spam süzgeciKelime saymak, +1 eklemek ve puanları toplamak: gelen kutusunu koruyan algoritma
- 14Karar ağacıÇizgi izleyen robotun kararını evet/hayır sorularına bölmek
- 15Rastgele ormanBirbirinden biraz farklı yirmi beş ağacın oylaması
- 16Gradyan artırmaKüçük ağaçlar art arda, her biri öncekinin hatasını düzeltir
- 17Destek vektör makinesiİki parça türü arasında en geniş boşluğu bırakan çizgi
- 18k-means: etiketsiz gruplarLiDAR noktalarını nesnelere ayırmak, tek bir cevap verilmeden
- 19DBSCAN: yoğunluğa göre kümelerKıvrık raf sıralarını LiDAR noktalarından bulmak, gürültüyü ayıklayarak
- 20Temel bileşen analizi (PCA)İki IMU ölçümünü, bilgiyi kaybetmeden tek sayıya indirmek
Bölüm 4 · 3 ders
Gören ve yazan modeller
Pikselden rakam okuyan, kelimeden kelime türeten ve iki sayıdan yeni bir resim boyayan modeller.
Bölüm 5 · 2 ders
Deneyerek öğrenen ve öneren sistemler
Labirentte deneme yanılmayla yol bulan bir ajan ve kimin neyi seveceğini tahmin eden bir öneri sistemi.
Bölüm 6 · 3 ders
Modeli ölçmek ve açıklamak
Doğruluk yetmez: kesinlik ve duyarlılık, her özelliğin tahmine katkısı ve gerçekten işe yarayan sensörler.
Bölüm 7 · 4 ders
Görüntü işleme
Kameradan gelen tespitleri takip etmek, düşmeyi fark etmek, tehlikeli bölgeyi korumak ve yüz doğrulamak.
- 29Nesne takibi ve hız ihlaliTepeden bakan kamerayla AGV kimlikleri, izleri ve hızları
- 30Düşme tespiti: iskeletten alarmaGövde açısı, kalça yüksekliği ve zaman penceresiyle kural
- 31Tehlikeli bölge ihlali ve KKDIşın atma ile çokgen içi testi: robot hücresine kim, nasıl girdi?
- 32Yüz doğrulama: gömme, benzerlik, eşikKosinüs benzerliği ve yanlış kabul / yanlış ret dengesi
Bölüm 8 · 5 ders
Büyük dil modellerinin parçaları
Kelimelerin sayıya dönüşmesi, dikkat, belgeden cevap bulma, araç kullanan ajanlar ve büyük modelden küçük model.
- 33Kelime vektörleriBirlikte geçen kelimeler, haritada yan yana düşer
- 34Dikkat mekanizması"o" kimi kastediyor? Sorgu, anahtar, değer ve softmax
- 35Erişim destekli üretim (RAG)Model önce kılavuzda arar, sonra cevaplar
- 36Araç kullanan yapay zekâ ajanıHedef → düşün → araç çağır → gözle → tekrar
- 37Model damıtmaBüyük öğretmen sunucuda, küçük öğrenci robotun çipinde
Bölüm 9 · 11 ders
Yazılımın içi
Robot yazılımını ayakta tutan mühendislik: arama ve sıralama, bellek, eşzamanlılık, Git, test hattı ve sunucular.
- 38İkili aramaSıralı kalibrasyon tablosunda her adımda yarıyı elemek
- 39Sıralama algoritmalarıEkleme, birleştirme ve taban sıralaması aynı sonar okumalarında
- 40Önbellek (LRU)Harita karolarını yakında tutmak: biraz bellek, çok hız
- 41Çöp toplama: işaretle ve süpürKöklerden ulaşılamayan nesneleri bulmak, döngüler dahil
- 42Yığın, öbek ve closureYol planlayıcının özyinelemeli çağrıları bellekte ne yapar?
- 43Olay döngüsüTek iş parçacığı, iki kuyruk: çıktı sırası neden şaşırtır?
- 44Kilitlenme ve yarış durumuİki iş parçacığı, iki kilit: program neden bazen durur ya da yanlış sayar?
- 45Git: commit, dal ve birleştirmeİki geliştirici aynı robot yazılımına aynı anda özellik ekliyor
- 46CI/CD hattı ve kademeli dağıtımRobot yazılımı güncellemesi testlerden ve canary filodan geçerek dağıtılıyor
- 47Konteyner ve otomatik ölçeklemeRobot filosunun harita servisi yoğun saatte kendini çoğaltıyor
- 48DDoS saldırısı ve hız sınırıJeton kovası, filonun sunucusunu bot selinden korur
5 proje · 3B benzetim
Projeler
Öğrendiklerini 3B benzetimde birleştir: tarayıcıda eğitilen modeller araç sürer, kol uzatır, drone indirir, kutu ayırır ve nokta bulutunda nesne bulur.
- P1Otonom araç: pisti kendi kendine öğrenen sürücüBeş mesafe sensörü, küçük bir sinir ağı ve nöroevrim
- P2Robot kol hedefe uzanırÜç eklemli kolun ters kinematiğini küçük bir sinir ağı öğrenir
- P3Rüzgârda yumuşak iniş: pekiştirmeli öğrenen droneQ-öğrenme gaz kolunu deneyerek ayarlamayı öğrenir
- P4Depoda nesne sınıflandırmaKonveyör bandındaki nesneleri biçim, renk ve boydan tanıyıp doğru kutuya iten model
- P53B nokta bulutunu kümelemeRobotun LiDAR taramasında nesneleri etiket görmeden ayırmak: k-ortalamalar, DBSCAN ve PCA