- Carnegie Mellon Üniversitesi (CMU) tarafından açılan bu ders, modern yapay zeka sistemlerinin nasıl çalıştığını ele alan bir giriş dersidir
- Makine öğrenimi ve büyük dil modellerine (LLM) odaklanarak ChatGPT, Gemini ve Claude gibi sistemlerin temel teknolojilerini öğretir
- Katılımcılar temel denetimli öğrenme, sinir ağları, transformer'lar ve son eğitim (post-training) konularını öğrenir ve açık kaynaklı bir LLM'yi doğrudan uygulayabilir
- Çevrimiçi sürüm ücretsiz olarak sunulur ve ders videoları ile ödevler, CMU dersine göre 2 hafta gecikmeli olarak yayımlanır
- Yapay zeka araçlarının kullanımına izin verilir, ancak nihai teslimlerin öğrencinin kendisi tarafından yazılması tavsiye edilir; bu politika öğrenme düzeyini artırmayı amaçlar
Ders Genel Bakışı
- Bu ders, modern anlamda yapay zekaya (AI), yani makine öğrenimi ve büyük dil modellerine (LLM) odaklanır
- ChatGPT, Gemini ve Claude gibi sistemlerin temel teknolojilerini ele alır
- LLM'lerin temel uygulaması, az sayıda makine öğrenimi tekniği ve mimariden oluşur ve birkaç yüz satır kodla yazılabilir
- Katılımcılar denetimli öğrenme, LLM ve son eğitim (post-training) konularının temel ilkelerini öğrenir ve bir yapay zeka sohbet botunu doğrudan uygulayabilir
- Ele alınan başlıca konular şunlardır
- Yapay zekanın kısa tarihi
- Denetimli öğrenme: doğrusal modeller, kayıp fonksiyonları, optimizasyon, sinir ağları
- Büyük dil modelleri: self-attention, transformer'lar, tokenizer'lar, verimli çıkarım
- Son eğitim: denetimli ince ayar, hizalama ve komut ayarı, akıl yürütme modelleri, güvenlik ve emniyet
Çevrimiçi Kurs
- Ücretsiz çevrimiçi sürüm, CMU dersiyle aynı anda açılır ve CMU takvimine göre 2 hafta gecikmeli içerik sunar
- Ders videoları, ödevler (
mugrade sistemi), Colab not defterleri vb. dahildir
- Quiz'ler, ara sınav ve final sınavı çevrimiçi sürüme dahil değildir
- Enroll here üzerinden ders ve ödevler yayımlandığında e-posta bildirimi alabilirsiniz
- TA, ofis saatleri ve not değerlendirmesi yalnızca CMU dersine dahildir
Değerlendirme ve Ön Koşullar
- Not dağılımı
- Ödev ve programlama %20
- Ödev quiz'leri %40
- Ara sınav ve final %40 (her ara sınav %10, final %20)
- Zorunlu ön koşul dersler
- Programlama: Python tabanlı nesne yönelimli programlamada yetkinlik gerekir (15-112 veya 15-122)
- Matematik: türev hesabını içeren temel kalkülüs (21-111 veya 21-120), doğrusal cebir ve olasılık temelleri önerilir
Ödevler ve Programlama
- Ana ödevler, bir yapay zeka sohbet botunu kademeli olarak uygulamayı hedefler
mugrade sistemi üzerinden teslim edilir; Colab ve Marimo not defteri sürümleri sunulur- Bazı ödevler, önceki ödevlerin çıktıları üzerine kuruludur
- Ödev listesi
- HW0: otomatik değerlendirme ve programlama temelleri
- HW1: doğrusal cebir ve PyTorch
- HW2: otomatik türev ve doğrusal model eğitimi
- HW3: sinir ağı eğitimi
- HW4: transformer uygulaması
- HW5: minimal LLM uygulaması
- HW6: denetimli ince ayar ve sohbet botu eğitimi
- HW7: pekiştirmeli öğrenme
- Her ödevin ardından, ödev kodu veya kavramlarına dayalı 15 dakikalık bir quiz yapılır
Sınavlar ve Ders Takvimi
- 2 ara sınav ve 1 final sınavından oluşur; tümü yüz yüze ve kapalı kaynak sınavlardır
- Ara sınav 1: denetimli öğrenme
- Ara sınav 2: büyük dil modelleri
- Final: kümülatif değerlendirme (ikinci yarı ağırlığı daha yüksek)
- Ders takvimi dönem içinde güncellenir ve çevrimiçi sürüm 2 hafta sonra yayımlanır
- Örnek: 1/12 'Yapay zekanın tarihi', 1/28 'Doğrusal modeller', 2/16 'Ara sınav 1', 3/18 'Ara sınav 2', 4/20 'HW7 son teslim' vb.
Yapay Zeka Araçları Kullanım Politikası
- Yapay zeka yardımcılarının kullanımına izin verilir: ödev ve programlama sırasında yapay zeka araçları referans amaçlı kullanılabilir
- Ancak nihai teslimlerin doğrudan öğrencinin kendisi tarafından yazılması şiddetle tavsiye edilir
- Ders içi değerlendirmelerde (quiz ve sınavlar) yapay zeka ve dış kaynak kullanımı yasaktır
- Politikanın amacı öğrenme verimliliğini artırmaktır
- Yapay zeka, öğrenme desteği için faydalıdır; ancak aşırı bağımlılık, kavrayışın zayıflamasına yol açabilir
- Ödevleri kendi başına çözen öğrenciler, quiz ve sınavlarda daha iyi performans gösterme eğilimindedir
1 yorum
Hacker News yorumları
Yapay zeka dersinin politikası incelendiğinde, ödevlerde veya programlama alıştırmalarında yapay zeka yardımcılarının kullanımına izin verildiği, ancak nihai teslimin öğrencinin kendisi tarafından yazılmasının teşvik edildiği görülüyor
Ders içi kısa sınavlarda veya sınavlarda yapay zeka ya da dış kaynak kullanımı yasak
Bunun nedeni, yapay zekanın bir öğrenme aracı olarak faydalı olması, ancak aşırı bağımlılığın öğrenmeyi engelleyebilmesi
Sorunları kendi başına çözen öğrencilerin sınavlarda çok daha iyi performans gösterdiğine dair deneyimsel kanıtlar var
Öğrencilerin zaten yapay zeka kullanacağını biliyorlar ama asıl önemli nokta, öğrenme isteğine ve kendini geliştirmeye güvenmeleri
Daha önce benzer bir derse yardımcı olmuştum; eğer yapay zeka debugging konusunda yardımcı olsaydı, öğrenciler daha fazla içerik işleyebilir ve CUDA implementasyonu gibi ilgi çekici kısımlara odaklanabilirdi
Bu yeni ders gerçekten çok ilgi çekici görünüyor ve Profesör Zico harika bir eğitmen
Yapay zekayla anlama hızını artırıp, sonunda yapay zeka olmadan değerlendirilmek öğrenmeyi pekiştirmek için iyi bir yapı
O zamanlar bunun adil olmadığını düşünmüştüm ama şimdi dönüp bakınca oldukça adil bir yöntemmiş
Günümüz için daha uygun bir yaklaşım gibi görünüyor
Bu dersin hocası OpenAI yönetim kurulu üyesi
İlgili makale: Zico Kolter joins OpenAI’s board of directors
‘modern AI’ ifadesinin yalnızca LLM’leri kastetmesi üzücü
Modern yapay zeka çok daha geniş bir alanı kapsıyor; sadece başlığa bakarak daha çeşitli SOTA modelleri beklemiştim
Yine de CMU dersleri genelde çok iyidir, dolayısıyla bunun da iyi bir kurs olacağını düşünüyorum
Eğer başka alanları da kapsayan materyaller varsa gerçekten çok ilgilenirim
Birkaç gündür ücretsiz sürümden dersi takip ediyorum ve ödev sistemi gerçekten harika
Testleri yerelde doğrudan çalıştırabilmek, sadece izlemekten çok daha iyi öğrenmeyi sağlıyor
10 üzerinden 10 tavsiye ederim
Kişisel bilgisayarda mı yapılıyor, yoksa bir cluster erişimi mi sağlanıyor öğrenmek isterim
Bu dersin iyi bir kurs olup olmadığını merak ediyorum
Ya da LLM’lerin nasıl çalıştığını sistematik biçimde öğrenmek için başka önerilen kurslar olup olmadığını sormak istiyorum
Dersi gerçekten tüm ödevleri yaparak takip edenlere sormak istiyorum
Gerçekçi olarak tamamlayabilmek için haftada kaç saat ayırmak gerekiyor, merak ediyorum
Postmodern AI’nin çıkmasını bekliyorum
Sembolik akıl yürütme (symbolic reasoning) ile ilgili içerik olmaması üzücü
Dersle birlikte okunabilecek bir ders kitabının yayımlanmasını umuyorum
Çıkarsa hemen satın almayı düşünüyorum
Lisp ve Prolog’un yeniden canlanışını görmek güzel
Yine de Lisp ve Prolog hâlâ kullanışlı
Sinir ağlarını sıfırdan implemente ederken C uygun olur, Python ile alt sistemleri birbirine bağlamak da yeterince karmaşık sistemler kurmaya yeter
Her zaman kendi alanlarında sessizce var oldular