Математика машинного навчання: від ціни квартири до уваги
Як дані стають числами, модель рахує відповідь, помилка показує поправку, а перевірка на нових прикладах вирішує, чи навчилася мережа. Від ціни квартири до згортки, рекурсії й уваги.
Stuzhuk Lab — Chemistry of Code
Хімія коду
← Усі статті
Тег
machine learning
Усі статті блогу з цим тегом.
Нейромережа за рецептом: ваги обчислюють, а не зберігають цілком
Огляд на Habr: гіпермережі, Kilobyte Models і SeedLM — компактний «рецепт» замість гігабайтних матриць і чим платять за економію місця.
JSONL, шарди і шлях даних до GPU: від одного рядка до навчання
Як влаштовані великі набори для навчання: JSON проти JSONL, шарди, стиснення, токени, батчі й епохи — і чому терабайт даних не потребує терабайта RAM.
Computer Vision без прив’язки до фреймворку: 15 принципів PyTorch і TensorFlow
Computer Vision — це не вибір між PyTorch і TensorFlow. Дані, тензор, CNN, класифікація, детекція, сегментація, transfer learning, метрики й шлях у production — спільний фундамент, що лишається при зміні API.
Залізо для ШІ: CPU, GPU, TPU, NPU, VRAM і що потрібно нейромережам
Чому GPU так важливий для нейромереж, чим відрізняються CPU, TPU і NPU, навіщо VRAM і пропускна здатність пам’яті, як влаштовані `multi-GPU`, квантування та стек від PyTorch до заліза.
Фреймворки для навчання нейромереж: PyTorch, TensorFlow, JAX, tinygrad
Що таке ML-фреймворк, як працюють тензор і autograd, чим відрізняються PyTorch, TensorFlow, JAX, tinygrad і micrograd і що обрати під задачу — від навчання до прод-виводу.
ONNX: від PyTorch до Runtime — формат, експорт і паритет виводу
Що таке ONNX і ONNX Runtime, як експортувати модель з PyTorch, opset і динамічні осі, чому ламається експорт CRNN/YOLO і як звірити вивід з Python перед браузером.
PyTorch vs TensorFlow: порівняння двох гігантів машинного навчання
Чим відрізняються PyTorch і TensorFlow: тензор, autograd, цикл навчання, конвеєр даних, GPU/TPU, вивід у прод (deployment), екосистема CV і LLM — і як обрати каркас під задачу в 2026.
YOLO: як нейромережа вчиться знаходити об'єкти на зображенні
Детекція об'єктів простою інженерною мовою: чим YOLO відрізняється від класифікації та сегментації, що означають рамка, впевненість і придушення дублів, навіщо готові ваги і власний набір, і як зв'язати детектор з OCR, лініями, графом і мовною моделлю на технологічних схемах.
Кроп аркуша УЗТ: проєкції, обережна перспектива й інші способи розрізати бланк
Польові нотатки: як у пілоті ріжемо фото бланка УЗТ на комірки — морфологія, проєкції, обережна перспектива — і які ще прийоми розрізки аркушів поширені в індустрії.
Компактна CRNN для замірів УЗТ: 640 тисяч параметрів і порожні клітинки
Польові нотатки: локальна CRNN на кропах товщини, CTC, 640 тис. параметрів, конфлікт порожніх клітинок і чому трансформер не перший крок.
Якість компактної замірної мережі не росте від запуску навчання: цикл експериментів
Третя нотатка пілоту УЗТ: діагностика помилок, один важіль за раз, епохи, набір і коли модель уже не треба «дотискати» відсотками.
ШІ-аналіз рентгенограм зварних з'єднань: від набору даних до системи контролю
ШІ для радіографії зварки: дані, розмітка, детектор, правила й експерт. Чому 88 публічних знімків — не заводський набір.
Датасет для SFT: як спроєктувати корпус донавчання
Опорний лонгрід про корпус для донавчання з учителем: контракт пари «інструкція → відповідь», покриття, відмови, синтетика й експерти, перевірки перед навчанням і витоки з оцінкою.
Як навчити нейромережу читати рукописні цифри: від CNN до TrOCR
Практичний шлях від класифікації однієї цифри до розпізнавання послідовностей на реальних бланках: CNN, CTC, CRNN, TrOCR, розмітка з бази, експерименти та production-пайплайн без зайвої моделі.
Інженерія датасетів для навчання моделей: з чого почати
Опорний лонгрід про підготовку даних для навчання та оцінки ШІ: еталонні записи, редактори еталонів, розділення навчання й оцінки, витоки, маніфести та параметри за задачею й доменом.