Атлас машинного обучения

Основы — Математический фундамент машинного обучения

Данные — Всё, что происходит с данными до модели

Классическое машинное обучение — Модели, которые всё ещё выигрывают на табличных данных

Глубокое обучение — От перцептрона до диффузионных моделей

Обработка естественного языка — От мешка слов до RAG

Компьютерное зрение — Как модели видят изображения

Временные ряды — Данные, у которых есть порядок

Обучение без учителя — Структура данных без разметки

Обучение с подкреплением — Обучение через взаимодействие и награду

Топологический анализ данных — Форма данных как признак

Метрики — Чем измерять качество модели

Оценка моделей — Как понять, что модель действительно работает

Интерпретируемость моделей — Почему модель приняла именно такое решение

Оптимизация обучения — Как именно модель приходит к своим весам

Генеративный ИИ — Модели, которые создают, а не только классифицируют

MLOps — Модель в проде, а не в ноутбуке

Практика ML — Как довести задачу от постановки до продакшена

Математический справочник — Короткие определения для быстрой сверки

Математический анализ — Пределы, производные, интегралы и оптимизация с ограничениями

Теория вероятностей и распределения — Законы, по которым порождаются данные

Динамические системы и фракталы — Хаос, самоподобие и универсальные постоянные

Графы и сети — Данные, у которых есть структура связей

Инженерия данных — Откуда берутся данные, на которых учится модель

Системный дизайн ML-сервисов — Как спроектировать сервис вокруг модели