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
Посібник
Усі статті блогу з цим тегом.
Локальні LLM без серверної відеокарти: MoE, RAM і VRAM у 2026
Чому моделі зі сумішшю експертів потребують багато пам’яті при малій кількості активних параметрів, як працюють квантування та вивантаження шарів, і чому 64 ГБ RAM плюс 16 ГБ VRAM — серйозний старт для домашнього локального ШІ.
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.
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.
Як LLM знаходить знання: від токенів і Transformer до RAG
Як текст стає токенами й векторами, що робить Transformer, чим навчання відрізняється від RAG, і як із Markdown зібрати пошук знань для моделі.
Як навчають LLM: попереднє навчання, донавчання, LoRA, RAG і агенти
Рівні адаптації мовних моделей: що змінює ваги, що підключає знання й інструменти, і як обрати підхід без «донавчання на PDF».
Шлях від Junior до Senior Go Developer: що справді потрібно вивчати
Реалістична карта зростання в Go: основи Junior, ідіоми та робоче середовище Middle, архітектура й відповідальність Senior — без зайвих фреймворків і чеклістів заради чеклістів.
Як навчити ШІ-трансформер на 6,4 млн параметрів для рецептів
Розробник зібрав невеликий ШІ-трансформер на PyTorch, навчив його на рецептах і запускає на CPU без зовнішніх API.
Як перетворити зображення схеми на редаговану діаграму: повний огляд технологій від OCR до ШІ
Блок-схеми, UML, BPMN, мережеві топології та креслення: чому PNG ≠ діаграма, що дають OCR, векторизація, CAD, комп'ютерний зір і VLM у 2025–2026, і яка ланцюжок реально працює.
Чому Go став одним із найпопулярніших мов серверної розробки
Історія Go, філософія простоти, goroutines, cloud-native екосистема та порівняння з Java, Node.js, Python і Rust для backend- та platform-інженерів.
Як влаштований сучасний веб: від браузера до бази даних
Повний шлях HTTP-запиту — DNS, TLS, CDN, балансувальник, Nginx, backend, Redis, черги, PostgreSQL і назад у браузер. Практичний розбір для розробників і архітекторів.
Еволюція архітектури вебзастосунків за останні 20 років
Від серверного рендерингу 2005 року до AI-застосунків і edge computing: як змінювалися веб-архітектури, чому старі рішення не були помилками і як обрати підхід у 2026 році.
Найпростіший «мозок»: перцептрон на Python з нуля
Один вхід, вага і зміщення, епохи навчання та лінійна межа — фундамент нейромереж без фреймворків.
Прогалина у фронтенді, яку ШІ за вас не закриє
Рендеринг, мережа, архітектура компонентів і Core Web Vitals — те, чого туторіали з кнопками не пояснюють, а продакшен вимагає.
10 фактів про ROI UX: чому дизайн — це бізнес, а не «краса»
Швидкість, перше враження за 50 мс, вартість правок до релізу — цифри з Smashing Magazine для розмови з замовником.