Binární počítadlo 8×8Binary counter 8×8
Mřížka 64 polí jako 64bitové číslo. Nastav bity klikem a nech ho přičítat. Graf zbývajícího času ukáže, proč „projít všechny kombinace“ hrubou silou nikdy nedoběhne.A grid of 64 cells as a 64-bit number. Set bits by clicking and let it count up. The remaining-time graph shows why "trying every combination" by brute force never finishes.
Otevřít ukázkuOpen demo →Od náhody k jazykuFrom randomness to language
Čtyři kroky A–D: od náhodných písmen přes statistiku a slovník až po smysluplné věty. Mini-historie jazykových modelů — jak se přidáváním pravidel ze šumu stává jazyk.Four steps A–D: from random letters through statistics and a dictionary to meaningful sentences. A mini-history of language models — how adding rules turns noise into language.
Otevřít ukázkuOpen demo →Hledání cestyPathfinding
Bludiště na mřížce a souboj postupů: náhodné tápání, hladový, BFS a A*. Vidíš na vlastní oči, kolik políček každý prozkoumá — a proč se hrubá síla nahrazuje chytrým prohledáváním.A grid maze and a contest of methods: random wandering, greedy, BFS and A*. You see for yourself how many cells each one explores — and why brute force gives way to smart search.
Otevřít ukázkuOpen demo →Genetický algoritmusGenetic algorithm
Populace náhodných vět se křížením a mutací generaci po generaci „vyvíjí“ k cíli. Hledání řešení, které neumíme spočítat — stačí ho umět ohodnotit.A population of random sentences "evolves" toward a target generation by generation through crossover and mutation. Searching for a solution we can't compute — we only need to score it.
Otevřít ukázkuOpen demo →Učení z textuLearning from text
Markovův řetězec se sám naučí z vloženého textu, co po čem následuje, a generuje nový. Posuvníkem kontextu uvidíš, jak z blábolu vzniká skoro čeština — princip „malého jazykového modelu“.A Markov chain learns from your text what follows what, then generates new text. With the context slider you watch gibberish turn into almost-real language — the principle of a "small language model".
Otevřít ukázkuOpen demo →Učení z příkladůLearning from examples
Naklikej dvě barvy bodů a perceptron sám najde přímku, která je oddělí. Rozdíl mezi „naprogramovat pravidlo“ a „nechat ho najít z dat“ — i kde má lineární model hranice.Click two colors of points and the perceptron finds the line that separates them. The difference between "programming a rule" and "letting it be found from data" — and where a linear model hits its limit.
Otevřít ukázkuOpen demo →Gradientní sestup a přeučeníGradient descent and overfitting
Jak se model doopravdy učí: chyba je „krajina“ a model po ní sestupuje z kopce. A proč model, který trénovací data zná nazpaměť, na nových datech selže.How a model really learns: the error is a "landscape" and the model walks downhill. And why a model that knows its training data by heart fails on new data.
Otevřít ukázkuOpen demo →Neuronová síťNeural network
Pokračování perceptronu (06): síť neuronů zvládne i zakřivenou hranici — kruh, kříž, spirálu. Sleduj, jak se rozhodovací plocha tvaruje během tréninku (backpropagation).A sequel to the perceptron (06): a network of neurons handles curved boundaries too — circle, cross, spiral. Watch the decision surface take shape during training (backpropagation).
Otevřít ukázkuOpen demo →Učení bez učitele: shlukováníLearning without a teacher: clustering
Body bez barvy, bez správných odpovědí — a algoritmus k-means v nich sám najde skupiny. I tam, kde žádné nejsou.Points with no colors and no right answers — and the k-means algorithm finds groups in them by itself. Even where there are none.
Otevřít ukázkuOpen demo →Jak počítač vidíHow a computer sees
Pro počítač je obrázek jen mřížka čísel. Nakresli něco a sleduj, jak z pixelů malý filtr (konvoluce) vytáhne hrany a další rysy — přesně tak „vidí“ konvoluční neuronová síť.To a computer an image is just a grid of numbers. Draw something and watch a small filter (convolution) pull edges and other features out of the pixels — exactly how a convolutional neural network "sees".
Otevřít ukázkuOpen demo →Difúze: jak AI kreslí obrázkyDiffusion: how AI draws pictures
Obrázek postupně rozpustíme v šumu — a pak model krok za krokem šum odstraňuje, až z chaosu vznikne nový obrázek. Princip za Stable Diffusion, Midjourney a spol.We gradually dissolve a picture into noise — then the model removes the noise step by step until a new picture emerges from chaos. The principle behind Stable Diffusion, Midjourney and the like.
Otevřít ukázkuOpen demo →Učení odměnouLearning from reward
Agent nezná mapu ani správné kroky — jen dostává odměny a tresty. Pokusem a omylem se naučí cestu bludištěm (Q-learning). Stejný princip naučil AlphaGo hrát go.The agent knows neither the map nor the right moves — it only gets rewards and penalties. By trial and error it learns a path through the maze (Q-learning). The same principle taught AlphaGo to play go.
Otevřít ukázkuOpen demo →Tokenizace a embeddingyTokenization and embeddings
Jak LLM „vidí“ text: rozsekání na tokeny a 2D mapa významů, kde podobná slova leží blízko. Včetně slavné analogie král − muž + žena = královna.How an LLM "sees" text: splitting into tokens and a 2D map of meaning where similar words lie close. Including the famous analogy king − man + woman = queen.
Otevřít ukázkuOpen demo →AttentionAttention
Na co se model ve větě „dívá“. Dvojice vět, které se liší jen malou změnou — a pozornost přeskočí jinam. Mechanismus za dnešními transformery.What a model "looks at" in a sentence. Pairs of sentences with just a small change — and attention jumps elsewhere. The mechanism behind today's transformers.
Otevřít ukázkuOpen demo →Jak LLM píšeHow an LLM writes
Skutečné LLM píšou slovo po slově: spočítají pravděpodobnost dalšího tokenu a jeden vylosují. Pohraj si s teplotou a top-k/top-p — a uvidíš, proč model občas sebevědomě „kecá“.Real LLMs write word by word: they compute the next-token probability and sample one. Play with temperature and top-k/top-p — and see why a model sometimes confidently "makes things up".
Otevřít ukázkuOpen demo →Od doplňovače k asistentoviFrom text predictor to assistant
Předtrénink, doladění na konverzacích a učení z lidského hodnocení (RLHF): proč model odpovídá, místo aby jen pokračoval v textu. A co dělají „uvažující“ modely.Pretraining, fine-tuning on conversations and learning from human feedback (RLHF): why the model answers instead of just continuing the text. And what "reasoning" models do.
Otevřít ukázkuOpen demo →RAG — model se zdrojiRAG — a model with sources
Model umí jen to, co se naučil — a sebevědomě halucinuje. RAG mu nejdřív vyhledá relevantní dokument a nechá ho odpovědět z něj. Porovnej odpověď bez dokumentu a s ním.A model only knows what it learned — and confidently hallucinates. RAG first retrieves a relevant document and lets it answer from that. Compare the answer without a document and with one.
Otevřít ukázkuOpen demo →Agenti — model, který jednáAgents — a model that acts
Model + paměť + nástroje + plánování = agent. Zadáš úkol a agent ve smyčce volá nástroje (vyhledávání, kalkulačku, e-mail), pamatuje si výsledky a plánuje kroky — dokud není hotovo.Model + memory + tools + planning = agent. You give a task and the agent calls tools in a loop (search, a calculator, email), remembers results and plans steps — until it's done.
Otevřít ukázkuOpen demo →Zaujatá data, zaujatý modelBiased data, biased model
Stejný perceptron jako v 06, ale na zaujatých historických datech. Uvidíš, jak model převezme nespravedlnost z dat — a stejně kvalifikovaní lidé dopadnou jinak.The same perceptron as in 06, but on biased historical data. You'll see the model inherit the unfairness from the data — and equally qualified people fare differently.
Otevřít ukázkuOpen demo →Obchodní cestující (TSP)Travelling salesman (TSP)
Najdi nejkratší trasu přes všechna města. Můj starší projekt řeší TSP genetickým algoritmem přímo v prohlížeči — spojuje kombinatorickou explozi (01) s evolucí (04).Find the shortest route through all the cities. My older project solves the TSP with a genetic algorithm right in the browser — joining combinatorial explosion (01) with evolution (04).
Otevřít ukázkuOpen demo →