{
  "title": "ml-book.com",
  "subtitle": "Интерактивный учебник для подготовки к собеседованиям",
  "sections": [
    {
      "id": "ml-basics",
      "title": "Основы машинного обучения",
      "description": "Фундамент: как модель учится на данных, линейная и логистическая регрессия, градиентный спуск, переобучение и регуляризация, метрики, деревья и ансамбли, кластеризация и снижение размерности.",
      "topics": [
        {
          "id": "intro-ml",
          "title": "Что такое машинное обучение",
          "seoTitle": "Что такое машинное обучение простыми словами | ml-book.com",
          "seoDescription": "Что такое машинное обучение простыми словами: чем отличается от обычного программирования, виды обучения, train/val/test и что такое обобщение."
        },
        {
          "id": "learning-paradigms",
          "title": "Типы обучения: с учителем, без и с подкреплением",
          "seoTitle": "Типы обучения в ML: с учителем, без учителя, с подкреплением | ml-book.com"
        },
        {
          "id": "linear-regression",
          "title": "Линейная регрессия",
          "seoTitle": "Линейная регрессия: MSE, градиент и вопросы на собеседовании | ml-book.com"
        },
        {
          "id": "gradient-descent",
          "title": "Градиентный спуск",
          "seoTitle": "Градиентный спуск: learning rate, минимумы, batch | ml-book.com"
        },
        {
          "id": "logistic-regression",
          "title": "Логистическая регрессия и классификация",
          "seoTitle": "Логистическая регрессия: сигмоида, log-loss и интервью | ml-book.com"
        },
        {
          "id": "naive-bayes",
          "title": "Теорема Байеса и наивный Байес",
          "seoTitle": "Теорема Байеса и наивный Байес простыми словами | ml-book.com"
        },
        {
          "id": "overfitting-regularization",
          "title": "Переобучение и регуляризация",
          "seoTitle": "Переобучение и регуляризация: L1, L2, early stopping | ml-book.com"
        },
        {
          "id": "bias-variance",
          "title": "Bias–variance: разложение ошибки",
          "seoTitle": "Смещение и разброс простыми словами: bias-variance | ml-book.com"
        },
        {
          "id": "metrics",
          "title": "Метрики качества",
          "seoTitle": "Метрики ML: precision, recall, F1, ROC-AUC | ml-book.com"
        },
        {
          "id": "cross-validation-tuning",
          "title": "Кросс-валидация и подбор гиперпараметров",
          "seoTitle": "Кросс-валидация и гиперпараметры: k-fold, grid search | ml-book.com"
        },
        {
          "id": "trees-ensembles",
          "title": "Деревья решений и ансамбли",
          "seoTitle": "Деревья, Random Forest и градиентный бустинг | ml-book.com"
        },
        {
          "id": "svm-kernels",
          "title": "SVM и kernel trick",
          "seoTitle": "SVM и kernel trick простыми словами | ml-book.com"
        },
        {
          "id": "clustering-knn",
          "title": "kNN и кластеризация",
          "seoTitle": "kNN и кластеризация простыми словами | ml-book.com"
        },
        {
          "id": "em-gmm",
          "title": "EM-алгоритм и смеси гауссиан (GMM)",
          "seoTitle": "EM-алгоритм и смеси гауссиан (GMM) простыми словами | ml-book.com"
        },
        {
          "id": "dimensionality-pca",
          "title": "Снижение размерности и PCA",
          "seoTitle": "Снижение размерности и PCA простыми словами | ml-book.com"
        },
        {
          "id": "feature-engineering",
          "title": "Фичи и утечки данных (data leakage)",
          "seoTitle": "Фичи и утечки данных (data leakage) простыми словами | ml-book.com"
        },
        {
          "id": "time-series",
          "title": "Временные ряды и прогнозирование",
          "seoTitle": "Временные ряды и прогнозирование простыми словами | ml-book.com",
          "seoDescription": "Временные ряды простыми словами: тренд и сезонность, наивные бейзлайны, лаговые фичи, walk-forward валидация и почему random split — утечка."
        },
        {
          "id": "reinforcement-learning",
          "title": "Обучение с подкреплением: Q-learning и PPO",
          "seoTitle": "Обучение с подкреплением: Q-learning и PPO простыми словами | ml-book.com"
        }
      ]
    },
    {
      "id": "statistics",
      "title": "Статистика для ML",
      "description": "Статистика, без которой нельзя честно сравнивать модели: выборки и центральная предельная теорема, стандартная ошибка, доверительные интервалы с калькулятором, p-value и проверка гипотез.",
      "topics": [
        {
          "id": "sampling-clt",
          "title": "Выборка, ЦПТ и стандартная ошибка",
          "seoTitle": "Центральная предельная теорема простыми словами | ml-book.com",
          "seoDescription": "Центральная предельная теорема простыми словами: почему средние ложатся в колокол, стандартная ошибка σ/√n и правило 68–95–99.7. С симулятором."
        },
        {
          "id": "confidence-intervals",
          "title": "Доверительные интервалы",
          "seoTitle": "Доверительные интервалы простыми словами + калькулятор | ml-book.com",
          "seoDescription": "Доверительные интервалы простыми словами: формула x̄ ± t·s/√n, что значат 95 %, интервалы для долей, бутстреп, симуляция и калькулятор."
        },
        {
          "id": "p-value",
          "title": "P-value и проверка гипотез",
          "seoTitle": "P-value и проверка гипотез простыми словами | ml-book.com",
          "seoDescription": "P-value простыми словами: нулевая гипотеза, уровень значимости 0,05, ошибки I и II рода, одно- и двусторонние тесты. С интерактивом."
        }
      ]
    },
    {
      "id": "neural-nets",
      "title": "Нейронные сети",
      "description": "Нейронные сети от одного нейрона до свёрточных и рекуррентных архитектур: функции активации, обратное распространение ошибки, оптимизаторы, батчи, dropout и batchnorm.",
      "topics": [
        {
          "id": "perceptron-mlp",
          "title": "От нейрона к многослойному перцептрону",
          "seoTitle": "От нейрона к многослойному перцептрону простыми словами | ml-book.com",
          "seoDescription": "От нейрона к многослойному перцептрону простыми словами: линейный нейрон, нелинейность, скрытые слои и почему сеть умеет разделять сложные классы."
        },
        {
          "id": "activations",
          "title": "Функции активации",
          "seoTitle": "Функции активации простыми словами | ml-book.com"
        },
        {
          "id": "backprop",
          "title": "Обратное распространение ошибки",
          "seoTitle": "Обратное распространение ошибки простыми словами | ml-book.com"
        },
        {
          "id": "optimizers",
          "title": "Оптимизаторы: SGD, Momentum, Adam",
          "seoTitle": "Оптимизаторы: SGD, Momentum, Adam простыми словами | ml-book.com"
        },
        {
          "id": "training-practice",
          "title": "Практика обучения: батчи, dropout, batchnorm",
          "seoTitle": "Практика обучения нейросетей: батчи, dropout, batchnorm | ml-book.com"
        },
        {
          "id": "digits-mnist",
          "title": "Распознавание цифр из пикселей",
          "seoTitle": "Распознавание цифр из пикселей простыми словами | ml-book.com"
        },
        {
          "id": "cnn",
          "title": "Свёрточные сети (CNN)",
          "seoTitle": "Свёрточные сети (CNN) простыми словами | ml-book.com",
          "seoDescription": "Свёрточные нейросети (CNN) простыми словами: свёртка, локальность и разделяемые веса, пулинг, иерархия признаков и вопросы на собеседовании."
        },
        {
          "id": "rnn",
          "title": "Рекуррентные сети (RNN, LSTM)",
          "seoTitle": "Рекуррентные сети (RNN, LSTM) простыми словами | ml-book.com"
        }
      ]
    },
    {
      "id": "language-models",
      "title": "Языковые модели: от n-грамм до трансформера",
      "description": "Как модели работают с текстом: n-граммы, токенизация и BPE, эмбеддинги и word2vec, механизм внимания, архитектура трансформера и современные блоки RoPE, GQA и MoE.",
      "topics": [
        {
          "id": "bigram-ngram",
          "title": "Биграммы и n-граммы",
          "seoTitle": "Биграммы и n-граммы простыми словами | ml-book.com",
          "seoDescription": "Биграммы и n-граммы простыми словами: таблица счётчиков пар, предсказание следующего токена, сглаживание, перплексия и почему это прообраз GPT."
        },
        {
          "id": "tokenization",
          "title": "Токенизация и BPE",
          "seoTitle": "Токенизация и BPE: как текст становится токенами | ml-book.com"
        },
        {
          "id": "embeddings",
          "title": "Эмбеддинги и word2vec",
          "seoTitle": "Эмбеддинги и word2vec: смысл в векторах | ml-book.com"
        },
        {
          "id": "attention",
          "title": "Механизм внимания (attention)",
          "seoTitle": "Что такое механизм внимания простыми словами: Q, K, V | ml-book.com"
        },
        {
          "id": "transformer",
          "title": "Архитектура трансформера",
          "seoTitle": "Трансформер: блоки attention + MLP, как устроен GPT | ml-book.com"
        },
        {
          "id": "modern-architectures",
          "title": "Современные архитектуры: RoPE, MoE, GQA",
          "seoTitle": "Современные архитектуры LLM: RoPE, GQA и MoE | ml-book.com"
        }
      ]
    },
    {
      "id": "llm",
      "title": "LLM: обучение и инференс",
      "description": "Жизненный цикл большой языковой модели: претрейнинг и scaling laws, fine-tuning и LoRA, RLHF и DPO, reasoning-модели, сэмплирование, инференс, дистилляция, оценка и работа с контекстом.",
      "topics": [
        {
          "id": "pretraining",
          "title": "Претрейнинг и scaling laws",
          "seoTitle": "Претрейнинг LLM и scaling laws: данные, compute, Chinchilla | ml-book.com"
        },
        {
          "id": "finetuning",
          "title": "Fine-tuning: SFT, LoRA, PEFT",
          "seoTitle": "Дообучение LLM простыми словами: SFT, LoRA и PEFT | ml-book.com"
        },
        {
          "id": "alignment",
          "title": "Alignment: RLHF и DPO",
          "seoTitle": "Выравнивание LLM простыми словами: RLHF и DPO | ml-book.com"
        },
        {
          "id": "reasoning-models",
          "title": "Reasoning-модели и test-time compute",
          "seoTitle": "Reasoning-модели и test-time compute простыми словами | ml-book.com",
          "seoDescription": "Reasoning-модели простыми словами: chain-of-thought, RL с проверяемыми наградами, thinking-бюджет и когда test-time compute окупается."
        },
        {
          "id": "sampling",
          "title": "Сэмплирование: temperature, top-k, top-p",
          "seoTitle": "Сэмплирование LLM: temperature, top-k и top-p | ml-book.com"
        },
        {
          "id": "inference",
          "title": "Инференс: KV-cache, квантизация, спекулятивный декодинг",
          "seoTitle": "Инференс LLM: KV-cache, квантизация, speculative decoding | ml-book.com"
        },
        {
          "id": "distillation",
          "title": "Дистилляция и сжатие моделей",
          "seoTitle": "Дистилляция и сжатие моделей простыми словами | ml-book.com",
          "seoDescription": "Дистилляция моделей простыми словами: мягкие метки, температура softmax, дистилляция рассуждений для LLM, pruning и отличие от квантизации."
        },
        {
          "id": "llm-evals",
          "title": "Оценка LLM: бенчмарки и LLM-as-judge",
          "seoTitle": "Оценка LLM: бенчмарки и LLM-as-judge простыми словами | ml-book.com"
        },
        {
          "id": "context-engineering",
          "title": "Работа с контекстом и разметка сообщений",
          "seoTitle": "Работа с контекстом и разметка сообщений простыми словами | ml-book.com",
          "seoDescription": "Контекст-инжиниринг простыми словами: как собирать и размечать контекст LLM, роли и границы сообщений, chat-шаблоны и приоритеты инструкций."
        },
        {
          "id": "prompt-patterns",
          "title": "Промпт-паттерны и structured outputs",
          "seoTitle": "Промпт-паттерны и structured outputs простыми словами | ml-book.com",
          "seoDescription": "Промпт-паттерны простыми словами: роль и критерии, few-shot, декомпозиция, chain-of-thought и structured outputs с гарантированным JSON."
        }
      ]
    },
    {
      "id": "multimodal",
      "title": "Мультимодальные модели",
      "description": "Модели за пределами текста: как LLM видят изображения и слышат речь, omni-модели, OCR, а также генерация картинок и видео от VAE и GAN до диффузионных моделей.",
      "topics": [
        {
          "id": "multimodal-llm",
          "title": "Как LLM видят изображения",
          "seoTitle": "Как LLM видят изображения простыми словами | ml-book.com",
          "seoDescription": "Как LLM видят изображения простыми словами: ViT и патчи, CLIP, проектор визуальных токенов и устройство мультимодальных моделей (VLM)."
        },
        {
          "id": "audio-models",
          "title": "Звук: распознавание и синтез речи",
          "seoTitle": "Звук: распознавание и синтез речи простыми словами | ml-book.com",
          "seoDescription": "Распознавание и синтез речи простыми словами: мел-спектрограмма, Whisper и CTC, TTS с вокодером, аудиотокены для LLM и метрика WER."
        },
        {
          "id": "omni-models",
          "title": "Omni-модели: все модальности в одной",
          "seoTitle": "Omni-модели: все модальности в одной простыми словами | ml-book.com"
        },
        {
          "id": "ocr",
          "title": "OCR: от классики до распознавания через LLM",
          "seoTitle": "OCR: от классики до распознавания через LLM простыми словами | ml-book.com",
          "seoDescription": "OCR простыми словами: классический пайплайн, DL-OCR с CRNN и CTC, чтение документов мультимодальными LLM и риск галлюцинаций."
        },
        {
          "id": "vae-gan",
          "title": "VAE и GAN: генерация до диффузии",
          "seoTitle": "VAE и GAN: генерация до диффузии простыми словами | ml-book.com",
          "seoDescription": "VAE и GAN простыми словами: латентное пространство и сэмплирование, состязание генератора с дискриминатором и где они живут сегодня."
        },
        {
          "id": "diffusion-models",
          "title": "Диффузионные модели: как рисует Stable Diffusion",
          "seoTitle": "Диффузионные модели простыми словами: Stable Diffusion | ml-book.com",
          "seoDescription": "Диффузионные модели простыми словами: зашумление и расшумление, предсказание шума, latent diffusion, guidance и ускорение до 1–4 шагов."
        },
        {
          "id": "video-models",
          "title": "Видео-модели: генерация с временной согласованностью",
          "seoTitle": "Видео-модели простыми словами: временная согласованность | ml-book.com"
        }
      ]
    },
    {
      "id": "infra",
      "title": "Железо и развёртывание",
      "description": "Железо и развёртывание: видеокарты и расчёт VRAM, распределённое обучение DP, TP, PP и ZeRO, выбор между локальными моделями, облаком и API.",
      "topics": [
        {
          "id": "gpu-vram",
          "title": "Видеокарты и VRAM: железо для нейросетей",
          "seoTitle": "Видеокарты и VRAM: железо для нейросетей простыми словами | ml-book.com",
          "seoDescription": "Видеокарты и VRAM простыми словами: почему нейросети живут на GPU, как посчитать память под модель, квантизация и офлоад слоёв."
        },
        {
          "id": "distributed-training",
          "title": "Распределённое обучение: DP, TP, PP и ZeRO",
          "seoTitle": "Распределённое обучение: DP, TP, PP и ZeRO простыми словами | ml-book.com",
          "seoDescription": "Распределённое обучение простыми словами: data, tensor и pipeline parallelism, ZeRO и FSDP, 3D-параллелизм для больших LLM."
        },
        {
          "id": "local-vs-saas",
          "title": "Локальные модели против SaaS и API",
          "seoTitle": "Локальные модели против SaaS и API простыми словами | ml-book.com",
          "seoDescription": "Локальные модели против API простыми словами: две оси выбора, три модели затрат и точка перелома, где дешёвое становится дорогим."
        }
      ]
    },
    {
      "id": "agents",
      "title": "Агенты и инструменты",
      "description": "AI-агенты на практике: tool calling, агентный цикл и критерий остановки, память и планирование, мультиагентные системы, протокол MCP и оценка агентов.",
      "topics": [
        {
          "id": "tool-calling",
          "title": "Tool calling: как модель вызывает инструменты",
          "seoTitle": "Tool calling простыми словами: как LLM вызывает инструменты | ml-book.com"
        },
        {
          "id": "agent-loop",
          "title": "Агентный цикл и критерий остановки",
          "seoTitle": "Агентный цикл и критерий остановки простыми словами | ml-book.com",
          "seoDescription": "Агентный цикл простыми словами: думай → действуй → наблюдай, как агент решает, что задача выполнена, критерий остановки, лимит шагов и типичные сбои."
        },
        {
          "id": "agent-memory",
          "title": "Память, планирование и мультиагентные системы",
          "seoTitle": "Память и планирование агентов, мультиагентные системы | ml-book.com"
        },
        {
          "id": "mcp",
          "title": "MCP: стандарт подключения инструментов",
          "seoTitle": "MCP: стандарт подключения инструментов простыми словами | ml-book.com",
          "seoDescription": "MCP (Model Context Protocol) простыми словами: роли, жизненный цикл, JSON-RPC, зачем стандарт вместо N×M интеграций и риски чужих серверов."
        },
        {
          "id": "agent-evals",
          "title": "Оценка агентов: pass@k и траектории",
          "seoTitle": "Оценка агентов: pass@k и траектории простыми словами | ml-book.com"
        }
      ]
    },
    {
      "id": "rag",
      "title": "RAG: поиск + генерация",
      "description": "RAG от идеи до продакшна: векторный поиск и ANN-индексы, векторные базы, чанкинг, гибридный поиск и реранкинг, MMR, обучение эмбеддинг-моделей и оценка качества.",
      "topics": [
        {
          "id": "rag-basics",
          "title": "Что такое RAG и зачем он нужен",
          "seoTitle": "Что такое RAG простыми словами: поиск + генерация | ml-book.com"
        },
        {
          "id": "vector-search",
          "title": "Векторный поиск и ANN-индексы",
          "seoTitle": "Векторный поиск и ANN: HNSW, IVF, recall vs latency | ml-book.com"
        },
        {
          "id": "vector-databases",
          "title": "Векторные базы данных и их типы",
          "seoTitle": "Векторные БД: типы, выбор и вопросы на AI-собеседовании | ml-book.com"
        },
        {
          "id": "chunking",
          "title": "Чанкинг и подготовка данных",
          "seoTitle": "Чанкинг в RAG: размеры, overlap и качество поиска | ml-book.com"
        },
        {
          "id": "hybrid-rerank",
          "title": "Гибридный поиск и реранкинг",
          "seoTitle": "Гибридный поиск и реранкинг в RAG на собеседовании | ml-book.com"
        },
        {
          "id": "mmr-diversity",
          "title": "MMR и разнообразие выдачи",
          "seoTitle": "Разнообразие выдачи в RAG простыми словами: MMR | ml-book.com"
        },
        {
          "id": "embedding-models",
          "title": "Эмбеддинг-модели: как их обучают",
          "seoTitle": "Эмбеддинг-модели: InfoNCE, hard negatives, matryoshka | ml-book.com"
        },
        {
          "id": "rag-eval",
          "title": "Оценка качества RAG",
          "seoTitle": "Оценка RAG: retrieval metrics, faithfulness, RAGAS | ml-book.com"
        }
      ]
    },
    {
      "id": "production",
      "title": "Продакшн и качество",
      "description": "ML в продакшне: дизайн ML-систем на собеседовании, рекомендательные системы и ранжирование, мониторинг и дрифт, A/B-тесты, безопасность и guardrails.",
      "topics": [
        {
          "id": "ml-system-design",
          "title": "Дизайн ML-систем на собеседовании",
          "seoTitle": "Дизайн ML-систем на собеседовании простыми словами | ml-book.com"
        },
        {
          "id": "recsys",
          "title": "Рекомендательные системы",
          "seoTitle": "Рекомендательные системы простыми словами | ml-book.com",
          "seoDescription": "Рекомендательные системы простыми словами: коллаборативная фильтрация, матричное разложение, two-tower и ANN, холодный старт и метрики."
        },
        {
          "id": "learning-to-rank",
          "title": "Ранжирование: learning-to-rank",
          "seoTitle": "Ранжирование: learning-to-rank простыми словами | ml-book.com",
          "seoDescription": "Learning-to-rank простыми словами: pointwise, pairwise и listwise, метрики MRR и NDCG, фичи запрос-документ и смещение позиции в кликах."
        },
        {
          "id": "monitoring-drift",
          "title": "Мониторинг и дрифт данных",
          "seoTitle": "Мониторинг ML и дрифт данных: PSI, concept drift | ml-book.com"
        },
        {
          "id": "ab-testing",
          "title": "A/B-тесты и продуктовые метрики",
          "seoTitle": "A/B-тесты и продуктовые метрики простыми словами | ml-book.com"
        },
        {
          "id": "safety-guardrails",
          "title": "Безопасность: guardrails и prompt injection",
          "seoTitle": "Безопасность: guardrails и prompt injection простыми словами | ml-book.com",
          "seoDescription": "Безопасность LLM простыми словами: prompt injection, джейлбрейки, guardrails на входе и выходе, смертельная триада агента и как ограничить ущерб."
        }
      ]
    }
  ]
}