Карта связей

Оценить сложность, выбрать приём, свернуть перебор в полином.

Четыре приёма с двумя индексами: что общего и чем отличаются.

Что у какой структуры дёшево, а что дорого — и как это меняет асимптотику.

Обходы, кратчайшие пути и то, что из них строится.

Как трёхмерная точка становится пикселем и что при этом теряется.

От соответствий между снимками к положениям камер и облаку точек.

Измерить стереопарой или предсказать моделью — два пути к третьему измерению.

Сцена, выученная по фотографиям: поле яркости, гауссовы примитивы и отрисовка.

Как получить метки: вручную, правилами, активным отбором или синтетикой.

Дисбаланс, аномалии и метрики, которые их честно измеряют.

Бэггинг, бустинг, стекинг и усреднение — способы собрать одну модель из нескольких.

Нормализация, обрезка градиента и смешанная точность — то, без чего глубокая сеть не сходится.

Как сделать модель дешевле: перенос обучения, дистилляция, разреженность, каскады.

Темы, суммаризация и оценка качества генерации.

Трекинг, ключевые точки и фильтрация состояния.

Иерархии, прерывистый спрос и метрики, устойчивые к нулям.

DBSCAN, HDBSCAN и спектральные методы для невыпуклых структур.

Бандиты, оффлайн-RL и вероятностные оценки как основа выбора действия.

Калибровка и метрики, которые оценивают не метку, а уверенность.

CI/CD, версии и релизы — как модель попадает к пользователю.

Какое распределение когда возникает и что это меняет в метриках, порогах и прогнозах.

Степенные законы, экстремальные значения и всё, что ломает привычные средние.

Динамические системы, показатель Ляпунова и то, как это связано с прогнозом рядов.

Дробная размерность, множество Мандельброта и масштабная инвариантность в данных.

Производные, разложения и условная оптимизация — то, на чём стоит обучение моделей.

От теоремы Байеса до апостериорных распределений, бандитов и байесовской оптимизации.

Признаки на графах, эмбеддинги вершин и графовые нейросети.

Безмасштабность, малый мир и предпочтительное присоединение.

Хранение, движение и качество данных — фундамент, на котором стоит любая модель.

Контракты, качество, идемпотентность и корректность на момент времени.

Как модель отвечает пользователю: архитектура, задержка, стоимость и наблюдаемость.

Онлайн- и офлайн-расчёт признаков и борьба с расхождением между ними.

Инфраструктура A/B-тестов и статистика, без которой её выводы бессмысленны.

Риски, которых нет у обычного сервиса: от извлечения модели до prompt injection.

Закон больших чисел, ЦПТ и то, где они перестают работать.

Всё, что происходит с таблицей до того, как её увидит модель.

Модели, для которых всё определяется выбранной мерой близости.

Минимальный набор блоков, из которых собирается любая архитектура.

Классификация, разметка сущностей и тональность — типовой продуктовый набор.

Порядок шагов, который экономит недели: постановка, бейзлайн, отладка, анализ ошибок.

Один механизм, проросший из машинного перевода в текст, изображения и временные ряды.

Рекуррентные архитектуры и схема seq2seq — как обрабатывали последовательности до внимания.

Как из сырых данных получить компактное пространство, в котором близость означает похожесть.

Алгоритмы поиска групп и метрики, которыми проверяют результат без разметки.

Четыре семейства генерации и общая для них задача — выучить распределение данных.

Путь от векторного представления текста до системы, отвечающей со ссылками на источники.

Классические текстовые представления, на которых выросли современные эмбеддинги.

Одна задача в трёх контекстах: таблицы, временные ряды и обучение без учителя.

Самая дорогая ошибка в ML и набор практик, которые её предотвращают.

Жизненный цикл признака — от конструирования до объяснения его вклада в предсказание.

Базовая архитектура компьютерного зрения и задачи, которые она решает.

От чистого градиентного спуска до адаптивных методов и расписаний шага.

Компромисс смещения и разброса и все способы его сдвинуть.

Общий фундамент функций потерь, байесовских методов и теории информации.

Векторы, матрицы, спектр и метрики — язык, на котором записаны модели.

Как анализ превращается в правило обновления весов.

Семейство, которое до сих пор выигрывает на табличных данных.

Локальные и глобальные методы интерпретации любой модели.

Метрики порога, ранжирования и вероятностей — и калибровка, которая их связывает.

Метрики ошибки и объяснённой дисперсии вместе с моделями, которые их минимизируют.

Как отличить реальное улучшение от случайного колебания метрики.

Три стратегии поиска и валидация, которая не даёт себя обмануть.

Что происходит с моделью после того, как метрика всех устроила.

Версии кода, данных и моделей — без них эксперимент нельзя повторить.

Отличительный сквозной сюжет атласа: форма данных как источник признаков.

Классические модели, признаковый подход и нейросети на одной задаче.

Четыре способа заставить LLM вести себя нужным образом — от промпта до RLHF.

Формализация задачи, функции ценности и два семейства алгоритмов.

Общее пространство для текста и изображений и модели, которые в нём работают.

Как ломают ML-системы: подобранный вход, отравленные данные, спрятанная в тексте инструкция.

Что модель помнит о своих обучающих данных и как это ограничить.

Периметр вокруг работающей модели: проверка входа, наблюдение, документация и процесс.

Железо, распределение работы между картами и приёмы, экономящие память и время.

Подбор гиперпараметров: пространство поиска, параллельные запуски и честная финальная оценка.

Как сделать инференс дешевле: убрать лишнее, переучить меньшую модель, обучать не всё.

Как получают апостериорное распределение, когда формулой его не выписать.

Связи между признаками и откликом, которые можно показать и объяснить.

Нерекуррентные модели временных рядов: локальные фильтры, длинный контекст и знание процесса.

Чем измеряют детекцию, сегментацию и трекинг.

Автоматические метрики текста и изображений и то, чего они не видят.

Как получить от генеративной модели именно то, что нужно: условие, структура, скорость.

От ноутбука до автоматического цикла обучения, выката и переобучения.