ml-book.com — новые и обновлённые темыИнтерактивный учебник по машинному обучению и LLMhttps://ml-book.com/2026-09-16T00:00:00Zml-book.comhttps://ml-book.com/about/Выборка, ЦПТ и стандартная ошибкаhttps://ml-book.com/t/sampling-clt/2026-09-16T00:00:00Z2026-09-16T00:00:00ZПочему средние по выборкам ложатся в колокол: центральная предельная теорема, стандартная ошибка σ/√n и правило 68–95–99.7 — с симулятором, где выборки набираются на глазах.Доверительные интервалыhttps://ml-book.com/t/confidence-intervals/2026-09-16T00:00:00Z2026-09-16T00:00:00ZДоверительный интервал — честный ответ вместо точечной оценки: формула x̄ ± t·s/√n, что на самом деле значат «95 %», интервалы для долей и бутстреп, симуляция ста интервалов и калькулятор.P-value и проверка гипотезhttps://ml-book.com/t/p-value/2026-09-16T00:00:00Z2026-09-16T00:00:00ZP-value простыми словами: нулевая гипотеза, уровень значимости 0,05, ошибки I и II рода, одно- и двусторонние тесты — и почему p = 0,03 не значит «эффект есть с вероятностью 97 %». С интерактивом.Bias–variance: разложение ошибкиhttps://ml-book.com/t/bias-variance/2026-09-16T00:00:00Z2026-07-09T00:00:00ZBias–variance tradeoff простыми словами: смещение, разброс, шум; почему простые модели недообучаются, а сложные переобучаются.Кросс-валидация и подбор гиперпараметровhttps://ml-book.com/t/cross-validation-tuning/2026-09-16T00:00:00Z2026-07-09T00:00:00ZКросс-валидация (k-fold, nested CV) и подбор гиперпараметров: grid vs random search — как не завысить метрику на собеседовании.SVM и kernel trickhttps://ml-book.com/t/svm-kernels/2026-09-16T00:00:00Z2026-07-07T00:00:00ZSVM (метод опорных векторов) — классификатор максимального зазора: границу определяют только опорные векторы, а kernel trick разделяет линейно неразделимое. Разбираем margin, параметры C и gamma, RBF-ядро — вечную классику собеседований.Reasoning-модели и test-time computehttps://ml-book.com/t/reasoning-models/2026-09-16T00:00:00Z2026-07-07T00:00:00ZТочность LLM можно масштабировать не только данными и параметрами, но и вычислениями на инференсе: reasoning-модели (o1, DeepSeek R1, Claude с extended thinking) учатся «думать» перед ответом через RL с проверяемыми наградами. Разбираем chain-of-thought, thinking-бюджет и когда всё это окупается.OCR: от классики до распознавания через LLMhttps://ml-book.com/t/ocr/2026-09-16T00:00:00Z2026-07-07T00:00:00ZКак из пикселей получить текст: классический OCR-пайплайн (бинаризация, сегментация, распознавание символов), современный DL-OCR с CRNN и CTC, и чтение документов мультимодальными LLM — с их главным риском, галлюцинациями.VAE и GAN: генерация до диффузииhttps://ml-book.com/t/vae-gan/2026-09-16T00:00:00Z2026-07-07T00:00:00ZДо диффузии картинки генерировали VAE и GAN: вариационный автоэнкодер учит гладкое латентное пространство, из которого можно сэмплировать, а GAN устраивает состязание генератора с дискриминатором. Оба живы: VAE — внутри Stable Diffusion, GAN — в апскейлерах.MCP: стандарт подключения инструментовhttps://ml-book.com/t/mcp/2026-09-16T00:00:00Z2026-07-07T00:00:00ZMCP (Model Context Protocol) — открытый стандарт, который соединяет LLM-приложения с инструментами и источниками данных: вместо N×M самодельных интеграций — N+M подключений к общему протоколу. Разбираем роли, жизненный цикл, JSON-RPC и риски чужих серверов.Векторные базы данных и их типыhttps://ml-book.com/t/vector-databases/2026-09-16T00:00:00Z2026-07-07T00:00:00ZВекторные БД: managed vs self-hosted, метаданные и фильтры, когда хватит pgvector — выбор хранилища на AI-собеседовании.MMR и разнообразие выдачиhttps://ml-book.com/t/mmr-diversity/2026-09-16T00:00:00Z2026-07-07T00:00:00ZMMR в RAG: баланс релевантности и новизны (λ), зачем убирать дубликаты из топ-k и как объяснить на собеседовании.Эмбеддинг-модели: как их обучаютhttps://ml-book.com/t/embedding-models/2026-09-16T00:00:00Z2026-07-07T00:00:00ZЭмбеддинг-модели для поиска: InfoNCE, hard negatives, query/passage префиксы и matryoshka — база для RAG-интервью.Линейная регрессияhttps://ml-book.com/t/linear-regression/2026-09-16T00:00:00Z2026-07-04T00:00:00ZЛинейная регрессия простыми словами: MSE, нормальное уравнение, градиентный спуск и типичные вопросы ML-собеседования с интерактивом.Градиентный спускhttps://ml-book.com/t/gradient-descent/2026-09-16T00:00:00Z2026-07-04T00:00:00ZГрадиентный спуск для собеседования: шаг, learning rate, локальные минимумы, batch/SGD и почему алгоритм обучает от регрессии до нейросетей.Логистическая регрессия и классификацияhttps://ml-book.com/t/logistic-regression/2026-09-16T00:00:00Z2026-07-04T00:00:00ZЛогистическая регрессия и классификация: сигмоида, кросс-энтропия, решающая граница и разбор типичных вопросов на ML-интервью.Переобучение и регуляризацияhttps://ml-book.com/t/overfitting-regularization/2026-09-16T00:00:00Z2026-07-04T00:00:00ZПереобучение и регуляризация: train/val кривые, L1/L2, dropout, early stopping — как диагностировать и что отвечать на собеседовании.Метрики качестваhttps://ml-book.com/t/metrics/2026-09-16T00:00:00Z2026-07-04T00:00:00ZМетрики качества модели: accuracy vs precision/recall, F1, ROC-AUC, когда какая нужна и как не обмануть себя на собеседовании.Деревья решений и ансамблиhttps://ml-book.com/t/trees-ensembles/2026-09-16T00:00:00Z2026-07-04T00:00:00ZДеревья решений и ансамбли: RF vs градиентный бустинг, overfitting деревьев и что спрашивают про табличные модели на собеседовании.Обратное распространение ошибкиhttps://ml-book.com/t/backprop/2026-09-16T00:00:00Z2026-07-04T00:00:00ZBackprop простыми словами: цепное правило, градиенты по весам за один проход и почему без него нет обучения нейросетей и LLM.Токенизация и BPEhttps://ml-book.com/t/tokenization/2026-09-16T00:00:00Z2026-07-04T00:00:00ZТокенизация и BPE в LLM: почему модель видит номера, как это бьёт по цене/контексту и типичные вопросы про токенизаторы.Эмбеддинги и word2vechttps://ml-book.com/t/embeddings/2026-09-16T00:00:00Z2026-07-04T00:00:00ZЭмбеддинги слов и текстов: word2vec, семантическая близость, роль в RAG и трансформерах — база для поиска и LLM-собеседований.Механизм внимания (attention)https://ml-book.com/t/attention/2026-09-16T00:00:00Z2026-07-04T00:00:00ZМеханизм внимания (attention): query, key, value, self-attention и почему идея лежит в основе GPT и современных LLM.Архитектура трансформераhttps://ml-book.com/t/transformer/2026-09-16T00:00:00Z2026-07-04T00:00:00ZАрхитектура трансформера: эмбеддинги, positional encoding, multi-head attention, MLP-блоки и путь токена до следующего слова.Современные архитектуры: RoPE, MoE, GQAhttps://ml-book.com/t/modern-architectures/2026-09-16T00:00:00Z2026-07-04T00:00:00ZRoPE, GQA и Mixture-of-Experts: как современные LLM (Llama, Mixtral, DeepSeek) улучшили классический трансформер — и что спрашивают на собеседовании.Претрейнинг и scaling lawshttps://ml-book.com/t/pretraining/2026-09-16T00:00:00Z2026-07-04T00:00:00ZПретрейнинг и scaling laws: как из токенов интернета получается base model и почему размер считают по формуле, а не наугад.Fine-tuning: SFT, LoRA, PEFThttps://ml-book.com/t/finetuning/2026-09-16T00:00:00Z2026-07-04T00:00:00ZFine-tuning LLM: когда нужен SFT, чем LoRA/PEFT дешевле полного файнтюна и что ожидают услышать на собеседовании AI-инженера.Alignment: RLHF и DPOhttps://ml-book.com/t/alignment/2026-09-16T00:00:00Z2026-07-04T00:00:00ZAlignment LLM: RLHF, reward model и DPO — как из base model делают полезного ассистента и что спрашивают на собеседовании.Сэмплирование: temperature, top-k, top-phttps://ml-book.com/t/sampling/2026-09-16T00:00:00Z2026-07-04T00:00:00ZСэмплирование в LLM: temperature, top-k и top-p — как из распределения выбрать токен. От этого зависит стиль текста; частый вопрос на собеседовании.Инференс: KV-cache, квантизация, спекулятивный декодингhttps://ml-book.com/t/inference/2026-09-16T00:00:00Z2026-07-04T00:00:00ZИнференс LLM: KV-cache, квантизация и speculative decoding — куда уходит VRAM и как ускоряют генерацию токенов в проде.Оценка LLM: бенчмарки и LLM-as-judgehttps://ml-book.com/t/llm-evals/2026-09-16T00:00:00Z2026-07-04T00:00:00ZУ задачи «напиши письмо клиенту» нет единственного правильного ответа — поэтому оценивать LLM сложнее, чем классификатор. Разбираем бенчмарки и их болезни, арены с Elo, LLM-судей с их предвзятостями и то, как строить eval под собственный продукт.Tool calling: как модель вызывает инструментыhttps://ml-book.com/t/tool-calling/2026-09-16T00:00:00Z2026-07-04T00:00:00ZTool calling даёт LLM «руки»: вызов API, БД и инструментов в агентном цикле. Фундамент AI-агентов и частый вопрос на собеседовании инженера.Что такое RAG и зачем он нуженhttps://ml-book.com/t/rag-basics/2026-09-16T00:00:00Z2026-07-04T00:00:00ZЧто такое RAG: поиск по документам + генерация LLM, зачем нужен в проде, схема пайплайна и базовые вопросы на интервью AI-инженера.Векторный поиск и ANN-индексыhttps://ml-book.com/t/vector-search/2026-09-16T00:00:00Z2026-07-04T00:00:00ZВекторный поиск для RAG: brute-force vs ANN (HNSW, IVF), trade-off recall/latency и типичные вопросы на AI-собеседовании.Чанкинг и подготовка данныхhttps://ml-book.com/t/chunking/2026-09-16T00:00:00Z2026-07-04T00:00:00ZЧанкинг в RAG: размер окна, overlap, рекурсивная нарезка — как границы чанков бьют по качеству поиска на собеседовании.Гибридный поиск и реранкингhttps://ml-book.com/t/hybrid-rerank/2026-09-16T00:00:00Z2026-07-04T00:00:00ZГибридный поиск и реранкинг: BM25 + векторы, fusion и cross-encoder — прод-рецепт RAG и вопросы на интервью.Оценка качества RAGhttps://ml-book.com/t/rag-eval/2026-09-16T00:00:00Z2026-07-04T00:00:00ZОценка RAG: метрики ретривера и генератора по отдельности, faithfulness, context precision — что мерить на собеседовании.Дизайн ML-систем на собеседованииhttps://ml-book.com/t/ml-system-design/2026-09-16T00:00:00Z2026-07-04T00:00:00ZДизайн ML-систем на интервью: от метрики продукта до данных, модели, сервиса и мониторинга — каркас ответа без лишней теории.Мониторинг и дрифт данныхhttps://ml-book.com/t/monitoring-drift/2026-09-16T00:00:00Z2026-07-04T00:00:00ZМониторинг и дрифт данных: data/concept drift, PSI, алерты и когда модель в проде нужно переобучать.A/B-тесты и продуктовые метрикиhttps://ml-book.com/t/ab-testing/2026-09-16T00:00:00Z2026-07-04T00:00:00ZОффлайн-метрики выросли — но выиграет ли от этого продукт? Единственный честный способ узнать — контролируемый эксперимент на живых пользователях. Здесь — как его спроектировать и не обмануть самого себя статистикой.