Математика машинного обучения: от цены квартиры до внимания
Как данные становятся числами, модель считает ответ, ошибка показывает поправку, а проверка на новых примерах решает, научилась ли сеть. От цены квартиры до свёртки, рекурсии и внимания.
Stuzhuk Lab — Chemistry of Code
Химия кода
← Все статьи
Тег
Руководство
Все статьи блога с этим тегом.
Локальные LLM без серверной видеокарты: MoE, RAM и VRAM в 2026
Почему модели со смесью экспертов требуют много памяти при малом числе активных параметров, как работают квантование и выгрузка слоёв, и почему 64 ГБ RAM плюс 16 ГБ VRAM — серьёзный старт для домашнего локального ИИ.
Computer Vision без привязки к фреймворку: 15 принципов PyTorch и TensorFlow
Computer Vision — это не выбор между PyTorch и TensorFlow. Данные, тензор, CNN, классификация, детекция, сегментация, transfer learning, метрики и путь в production — общий фундамент, который остаётся при смене API.
Железо для AI: CPU, GPU, TPU, NPU, VRAM и что нужно нейросетям
Почему GPU так важен для нейросетей, чем отличаются CPU, TPU и NPU, зачем VRAM и bandwidth, как устроены `multi-GPU`, quantization и стек от PyTorch до железа.
Фреймворки для обучения нейросетей: PyTorch, TensorFlow, JAX, tinygrad
Что такое ML-фреймворк, как работают тензор и autograd, чем отличаются PyTorch, TensorFlow, JAX, tinygrad и micrograd и что выбрать под задачу — от учёбы до прод-вывода.
PyTorch vs TensorFlow: сравнение двух гигантов машинного обучения
Чем отличаются PyTorch и TensorFlow: тензор, autograd, цикл обучения, конвейер данных, GPU/TPU, deployment, экосистема CV и LLM — и как выбрать каркас под задачу в 2026.
Как LLM находит знания: от токенов и Transformer до RAG
Как текст становится токенами и векторами, что делает Transformer, чем обучение отличается от RAG, и как из Markdown собрать поиск знаний для модели.
Как обучают LLM: предобучение, дообучение, LoRA, RAG и агенты
Уровни адаптации языковых моделей: что меняет веса, что подключает знания и инструменты, и как выбрать подход без «дообучения на PDF».
Путь от Junior до Senior Go Developer: что действительно нужно изучать
Реалистичная карта роста в Go: фундамент Junior, идиомы и прод Middle, архитектура и ответственность Senior — без лишних фреймворков и чеклистов ради чеклистов.
Как обучить ИИ-трансформер на 6,4 млн параметров для рецептов
Разработчик собрал небольшой ИИ-трансформер на PyTorch, обучил его на рецептах и запустил на CPU без внешних API.
Как превратить изображение схемы в редактируемую диаграмму: полный обзор технологий от OCR до ИИ
Блок-схемы, UML, BPMN, сетевые топологии и чертежи: почему PNG ≠ диаграмма, что дают OCR, векторизация, CAD, компьютерное зрение и VLM в 2025–2026, и какая цепочка реально работает.
Почему Go стал одним из самых популярных языков серверной разработки
История Go, философия простоты, goroutines, cloud-native экосистема и сравнение с Java, Node.js, Python и Rust — опорная статья для backend- и platform-инженеров.
Как устроен современный веб: от браузера до базы данных
Полный путь HTTP-запроса — DNS, TLS, CDN, балансировщик, Nginx, backend, Redis, очереди, PostgreSQL и обратно в браузер. Практический разбор для разработчиков и архитекторов.
Эволюция архитектуры веб-приложений за последние 20 лет
От серверного рендеринга 2005 года до AI-приложений и edge computing: как менялись веб-архитектуры, почему старые решения не были ошибками и как выбирать подход в 2026 году.
Самый простой «мозг»: перцептрон на Python с нуля
Один вход, вес и смещение, эпохи обучения и линейная граница — фундамент нейросетей без фреймворков.
Пробел во фронтенде, который ИИ за вас не закроет
Рендеринг, сеть, архитектура компонентов и Core Web Vitals — то, что туториалы по кнопкам не объясняют, а продакшен требует.
10 фактов про ROI UX: почему дизайн — это бизнес, а не «красота»
Скорость, первое впечатление за 50 мс, стоимость правок до релиза — цифры из Smashing Magazine для разговора с заказчиком.