Поиск по атласу
Ищите по названию темы на английском или русском, по тексту описания — а заодно по тайм-кодам видеолекций: запись откроется с нужной секунды.
Linear Algebraактуально
Линейная алгебра · ОсновыВекторы и матрицы — способ описать данные и преобразования над ними. Обучение модели почти всегда сводится к последовательности матричных операций.
Calculusактуально
Математический анализ · ОсновыПроизводные показывают, как изменится ошибка при малом изменении параметра. Именно это делает возможным градиентное обучение.
Probabilityактуально
Теория вероятностей · ОсновыЯзык неопределённости: распределения, условные вероятности и теорема Байеса описывают, как данные порождаются и как обновлять убеждения.
Statisticsактуально
Статистика · ОсновыКак от выборки перейти к выводам о генеральной совокупности: оценки, доверительные интервалы и проверка гипотез.
Information Theoryактуально
Теория информации · ОсновыИзмеряет количество информации и различие между распределениями. Отсюда родом энтропия, кросс-энтропия и KL-дивергенция.
Optimizationактуально
Оптимизация · ОсновыПоиск параметров, минимизирующих функцию потерь. Свойства задачи — выпуклость, гладкость, обусловленность — определяют, насколько это просто.
Numerical Methodsактуально
Численные методы · ОсновыКомпьютер считает приближённо. Понимание точности float, устойчивости и обусловленности спасает от NaN и «необъяснимых» расхождений.
Data preprocessingактуально
Предобработка данных · ДанныеПриведение сырых данных к виду, пригодному для обучения: типы, форматы, дубликаты, согласованность единиц измерения.
Missing valuesактуально
Пропущенные значения · ДанныеПропуски бывают случайными и неслучайными — от механизма зависит, можно ли их просто заполнить.
Outliersактуально
Выбросы · ДанныеНаблюдения, резко отличающиеся от остальных. Они бывают ошибками измерения, а бывают самым ценным сигналом.
Feature engineeringактуально
Конструирование признаков · ДанныеСоздание признаков, в которых закономерность становится линейно отделимой или просто более заметной для модели.
Encodingактуально
Кодирование категорий · ДанныеПеревод категориальных признаков в числа: one-hot, ordinal, target encoding, хеширование, эмбеддинги.
Normalization & Standardizationактуально
Нормализация и стандартизация · ДанныеПриведение признаков к сопоставимым масштабам, без которого расстояния, градиенты и регуляризация работают некорректно.
Feature selectionактуально
Отбор признаков · ДанныеУбираем шумные и избыточные признаки, чтобы снизить переобучение, ускорить инференс и упростить интерпретацию.
Dimensionality reductionактуально
Снижение размерности · ДанныеПроекция данных в пространство меньшей размерности с сохранением структуры — против проклятия размерности.
Data leakageактуально
Утечка данных · ДанныеСитуация, когда в обучении присутствует информация, недоступная в момент реального предсказания. Главная причина «слишком хороших» метрик.
Train / Validation / Test splitактуально
Разбиение выборки · ДанныеTrain учит, validation настраивает гиперпараметры, test даёт единственную честную оценку — и используется один раз.
Imbalanced Dataактуально
Дисбаланс классов · ДанныеКогда положительных объектов 1% или меньше: как обучать, чем мерить и что делать с порогом.
Data Labelingактуально
Разметка данных · ДанныеОрганизация разметки: инструкция, согласие аннотаторов и контроль качества. Потолок качества модели задаётся именно здесь.
Synthetic Dataновинка
Синтетические данные · ДанныеГенерация обучающих данных: аугментации, симуляторы и генеративные модели. Способ обойти дефицит разметки и ограничения приватности.
Data Visualizationактуально
Визуализация данных · ДанныеГрафики как инструмент разведки: увидеть распределения, связи и аномалии до того, как обучена первая модель.
Linear Regressionактуально
Линейная регрессия · Классическое машинное обучениеПредсказывает число как взвешенную сумму признаков. Самый интерпретируемый бейзлайн и основа для более сложных моделей.
Logistic Regressionактуально
Логистическая регрессия · Классическое машинное обучениеЛинейная модель классификации: сигмоида переводит линейную комбинацию признаков в вероятность класса.
k-NNклассика
Метод k ближайших соседей · Классическое машинное обучениеЛенивый алгоритм: предсказание — это голосование k ближайших объектов обучающей выборки.
Naive Bayesклассика
Наивный байесовский классификатор · Классическое машинное обучениеПрименяет теорему Байеса при «наивном» предположении о независимости признаков — и работает лучше, чем должно.
Decision Treesактуально
Решающие деревья · Классическое машинное обучениеПоследовательность вопросов «признак > порог», разбивающая пространство на прямоугольные области.
Random Forestактуально
Случайный лес · Классическое машинное обучениеБэггинг деревьев со случайными подвыборками объектов и признаков: усреднение резко снижает дисперсию.
Gradient Boostingактуально
Градиентный бустинг · Классическое машинное обучениеПоследовательное построение деревьев, каждое из которых исправляет ошибки предыдущего ансамбля.
XGBoostактуально
XGBoost · Классическое машинное обучениеРеализация бустинга с регуляризацией в функции потерь, вторым порядком оптимизации и продуманной работой с разреженностью.
LightGBMактуально
LightGBM · Классическое машинное обучениеБыстрый бустинг от Microsoft: гистограммное разбиение и рост дерева по листьям вместо по уровням.
CatBoostактуально
CatBoost · Классическое машинное обучениеБустинг от Яндекса с упорядоченным кодированием категорий и упорядоченным бустингом против смещения.
SVMклассика
Метод опорных векторов · Классическое машинное обучениеИщет гиперплоскость с максимальным зазором между классами; ядровой трюк добавляет нелинейность без явного перехода в новое пространство.
k-Meansактуально
k-средних · Классическое машинное обучениеРазбивает объекты на k кластеров, минимизируя суммарное расстояние до центроидов.
DBSCANактуально
DBSCAN · Классическое машинное обучениеПлотностная кластеризация: кластеры — это связные области высокой плотности, остальное объявляется шумом.
GMMактуально
Смесь гауссиан · Классическое машинное обучениеВероятностная модель: данные порождаются смесью нормальных распределений, параметры оцениваются EM-алгоритмом.
PCAактуально
Метод главных компонент · Классическое машинное обучениеОртогональная проекция на направления максимальной дисперсии — линейное сжатие с минимальной потерей информации.
Stacking and Blendingактуально
Стекинг и блендинг · Классическое машинное обучениеАнсамбль из разнородных моделей, поверх которых обучается мета-модель. Стандартный приём соревнований и способ выжать последние проценты.
Isolation Forestактуально
Isolation Forest · Классическое машинное обучениеОбнаружение аномалий случайными разбиениями: аномальный объект отделяется от остальных за меньшее число разрезов.
Generalized Additive Modelsактуально
Обобщённые аддитивные модели · Классическое машинное обучениеСумма гладких функций от отдельных признаков: нелинейность есть, а интерпретируемость линейной модели сохраняется.
Perceptronклассика
Перцептрон · Глубокое обучениеПростейший нейрон: взвешенная сумма входов и пороговая функция. Исторический старт всей области.
MLPактуально
Многослойный перцептрон · Глубокое обучениеНесколько полносвязных слоёв с нелинейностями — универсальный аппроксиматор функций.
Backpropagationактуально
Обратное распространение ошибки · Глубокое обучениеЭффективное вычисление градиентов по всем параметрам сети за один обратный проход с помощью правила цепочки.
Activation functionsактуально
Функции активации · Глубокое обучениеНелинейности между слоями, без которых сеть не сложнее линейной модели.
Loss functionsактуально
Функции потерь · Глубокое обучениеФормализуют цель обучения. Выбор потерь важнее выбора архитектуры чаще, чем кажется.
Optimizersактуально
Оптимизаторы · Глубокое обучениеПравила обновления весов по градиенту: от чистого SGD до адаптивных методов.
CNNактуально
Свёрточные сети · Глубокое обучениеРазделяемые фильтры скользят по изображению, выявляя локальные паттерны с трансляционной инвариантностью.
RNNклассика
Рекуррентные сети · Глубокое обучениеОбрабатывают последовательность шаг за шагом, перенося скрытое состояние между позициями.
LSTMклассика
LSTM · Глубокое обучениеРекуррентная ячейка с состоянием и тремя вентилями, решающая проблему долгосрочной памяти.
GRUклассика
GRU · Глубокое обучениеУпрощённая LSTM: два вентиля вместо трёх и отсутствие отдельного cell state.
Attentionактуально
Механизм внимания · Глубокое обучениеКаждая позиция смотрит на все остальные и взвешивает их по релевантности — прямой доступ к контексту без рекуррентности.
Transformersактуально
Трансформеры · Глубокое обучениеАрхитектура целиком на внимании: параллельная обработка последовательности вместо пошаговой.
Autoencodersактуально
Автоэнкодеры · Глубокое обучениеСеть учится восстанавливать вход через узкое место, получая сжатое представление.
VAEактуально
Вариационный автоэнкодер · Глубокое обучениеВероятностный автоэнкодер: кодирует объект в распределение и учится генерировать из латентного пространства.
GANклассика
Генеративно-состязательные сети · Глубокое обучениеГенератор и дискриминатор обучаются в игре с нулевой суммой, повышая реалистичность выборок.
Diffusion Modelsновинка
Диффузионные модели · Глубокое обучениеМодель учится обращать процесс постепенного зашумления, превращая шум в изображение за серию шагов.
Normalization Layersактуально
Слои нормализации · Глубокое обучениеBatchNorm, LayerNorm, RMSNorm: стабилизация распределения активаций, без которой глубокие сети почти не обучаются.
Transfer Learningактуально
Перенос обучения · Глубокое обучениеИспользование модели, обученной на большой выборке, для задачи с малым числом примеров. Главный практический приём современного глубокого обучения.
Mixture of Expertsновинка
Смесь экспертов · Глубокое обучениеАрхитектура, в которой на каждый токен активируется лишь часть параметров: большая ёмкость при умеренной стоимости вычислений.
Residual Connectionsактуально
Остаточные связи · Глубокое обучениеСлой учит поправку к своему входу, а не всё преобразование: короткий путь для градиента через десятки слоёв.
Pruningактуально
Прунинг · Глубокое обучениеУдаление наименее значимых весов, каналов или голов внимания из уже обученной сети ради скорости инференса.
Tokenizationактуально
Токенизация · Обработка естественного языкаРазбиение текста на единицы, с которыми работает модель: слова, подслова или байты.
Bag of Wordsклассика
Мешок слов · Обработка естественного языкаТекст представляется вектором частот слов, порядок полностью игнорируется.
TF-IDFактуально
TF-IDF · Обработка естественного языкаВзвешивает частоту слова в документе на его редкость в корпусе, подавляя общеупотребительные слова.
Word2Vecклассика
Word2Vec · Обработка естественного языкаОбучает плотные векторы слов по контексту: близкие по смыслу слова оказываются рядом в пространстве.
GloVeклассика
GloVe · Обработка естественного языкаСтроит эмбеддинги из глобальной матрицы совстречаемости слов, а не только из локальных окон.
FastTextклассика
FastText · Обработка естественного языкаПредставляет слово суммой векторов его символьных n-грамм, что даёт эмбеддинги даже для незнакомых слов.
Embeddingsактуально
Эмбеддинги · Обработка естественного языкаПлотные векторные представления объектов, где геометрическая близость означает смысловое сходство.
RNN/LSTM for NLPклассика
RNN/LSTM в NLP · Обработка естественного языкаПервое поколение нейросетевых моделей языка: последовательная обработка токенов со скрытым состоянием.
Attentionактуально
Внимание в NLP · Обработка естественного языкаИзначально придумано, чтобы декодер перевода мог смотреть на нужные слова исходного предложения.
Transformersактуально
Трансформеры в NLP · Обработка естественного языкаОснова всех современных языковых моделей: encoder, decoder или их комбинация.
BERTактуально
BERT · Обработка естественного языкаДвунаправленный энкодер, предобученный на восстановлении замаскированных токенов.
GPTактуально
GPT · Обработка естественного языкаАвторегрессионный декодер: предсказывает следующий токен, что оказалось достаточно универсальной задачей.
Sequence-to-Sequenceклассика
Seq2Seq · Обработка естественного языкаСхема «энкодер сжимает вход — декодер порождает выход» для перевода, суммаризации и диалога.
Text classificationактуально
Классификация текстов · Обработка естественного языкаОтнесение документа к одной или нескольким категориям: от спам-фильтра до маршрутизации тикетов.
NERактуально
Извлечение именованных сущностей · Обработка естественного языкаРазметка последовательности: находим в тексте имена, организации, даты, суммы.
Sentiment Analysisактуально
Анализ тональности · Обработка естественного языкаОпределение эмоциональной окраски текста — от бинарной оценки до аспектной тональности.
Semantic Searchновинка
Семантический поиск · Обработка естественного языкаПоиск по смыслу, а не по совпадению слов: запрос и документы сравниваются в пространстве эмбеддингов.
RAGновинка
Retrieval-Augmented Generation · Обработка естественного языкаЯзыковая модель отвечает, опираясь на найденные во внешней базе фрагменты, а не только на память весов.
Topic Modelingклассика
Тематическое моделирование · Обработка естественного языкаАвтоматическое выделение тем в коллекции документов: от классического LDA до кластеризации эмбеддингов.
Summarizationактуально
Суммаризация · Обработка естественного языкаСжатие текста с сохранением смысла: извлекающая (выбор предложений) и абстрактивная (генерация).
Text Normalizationактуально
Нормализация текста · Обработка естественного языкаПриведение словоформ и написаний к единому виду: меньше вариативности — меньше словарь и лучше обобщение.
Image preprocessingактуально
Предобработка изображений · Компьютерное зрениеПриведение картинок к единому формату и аугментации, расширяющие обучающую выборку.
Feature extractionклассика
Извлечение признаков · Компьютерное зрениеОт ручных дескрипторов (SIFT, HOG) до эмбеддингов предобученных сетей.
CNNактуально
Свёрточные сети в CV · Компьютерное зрениеБазовая архитектура зрения: иерархия фильтров от краёв до семантических частей объектов.
Object Detectionактуально
Детекция объектов · Компьютерное зрениеПоиск объектов на изображении с указанием класса и ограничивающей рамки.
Image Classificationактуально
Классификация изображений · Компьютерное зрениеОтнесение всего изображения к одному или нескольким классам — базовая задача зрения.
Segmentationактуально
Сегментация · Компьютерное зрениеКлассификация на уровне пикселей: семантическая, инстанс- и паноптическая.
OCRактуально
Оптическое распознавание текста · Компьютерное зрениеИзвлечение текста из изображений и сканов: детекция областей текста и его распознавание.
Vision Transformersактуально
Vision Transformers · Компьютерное зрениеИзображение режется на патчи, которые обрабатываются как последовательность токенов.
Multimodal Modelsновинка
Мультимодальные модели · Компьютерное зрениеЕдиное пространство для изображений и текста — основа поиска по описанию и визуальных ассистентов.
Object Trackingактуально
Трекинг объектов · Компьютерное зрениеСопоставление детекций между кадрами: кто из объектов на новом кадре — тот же самый, что и раньше.
Pose and Keypointsактуально
Ключевые точки и поза · Компьютерное зрениеОпределение положения суставов человека или характерных точек объекта — база для спортивной аналитики, эргономики и контроля процессов.
Pinhole Camera Modelактуально
Модель камеры-обскуры · Трёхмерное зрениеПростейшая модель съёмки: луч из точки сцены проходит через центр проекции и оставляет след на матрице. На ней держится вся геометрия многовидового зрения.
Homogeneous Coordinatesактуально
Однородные координаты · Трёхмерное зрениеПриём, который делает проекцию линейной: добавляем к вектору лишнюю единицу и получаем право записывать сдвиг, поворот и деление на глубину одной матрицей.
Camera Calibrationактуально
Параметры камеры и калибровка · Трёхмерное зрениеВнутренние параметры описывают саму камеру, внешние — где она стоит и куда смотрит. Без них пиксель невозможно превратить в луч, а луч — в точку сцены.
Rotation Representationsактуально
Представления поворота · Трёхмерное зрениеОдин и тот же поворот записывают матрицей, углами Эйлера, осью с углом или кватернионом. Выбор решает, будет ли оптимизация устойчивой и не потеряется ли степень свободы.
Homography and DLTактуально
Гомография и DLT · Трёхмерное зрениеПроективное преобразование плоскости: восемь степеней свободы, которые связывают два вида одной плоской поверхности. Считается линейным методом по четырём соответствиям.
Local Features and Matchingактуально
Локальные признаки и соответствия · Трёхмерное зрениеЧтобы связать два снимка, нужно найти на них одни и те же точки. Детектор находит выделяющиеся места, дескриптор описывает окрестность так, чтобы описание пережило поворот и смену масштаба.
Epipolar Geometryактуально
Эпиполярная геометрия · Трёхмерное зрениеТочка на одном снимке задаёт на другом не точку, а прямую. Это сужает поиск соответствий с плоскости до линии и позволяет отбраковать ложные пары.
Fundamental and Essential Matrixактуально
Фундаментальная и существенная матрицы · Трёхмерное зрениеФундаментальная матрица кодирует эпиполярную геометрию в пикселях, существенная — в калиброванных лучах. Из второй извлекается взаимное положение камер.
Triangulationактуально
Триангуляция · Трёхмерное зрениеЗная положение двух камер и пару соответствующих пикселей, восстанавливаем точку сцены: два луча в пространстве должны пересечься.
Structure from Motionактуально
Восстановление структуры по движению · Трёхмерное зрениеПо набору неупорядоченных снимков одновременно находим положения камер и трёхмерные точки сцены. Классическая основа фотограмметрии и вход почти любого 3D-пайплайна.
Bundle Adjustmentактуально
Уточнение связки · Трёхмерное зрениеСовместная нелинейная оптимизация всех камер и всех точек по одному критерию — суммарной ошибке репроекции. Шаг, который превращает грубую реконструкцию в точную.
Stereo Depthактуально
Стереозрение и диспаритет · Трёхмерное зрениеДве камеры на известном расстоянии дают глубину напрямую: чем сильнее сдвинулась точка между снимками, тем она ближе.
Monocular Depth Estimationновинка
Монокулярная оценка глубины · Трёхмерное зрениеГлубина по одному снимку. Геометрически задача неразрешима — модель опирается на выученные признаки: перекрытия, размеры знакомых предметов, перспективу, размытие.
Point Cloudsактуально
Облака точек · Трёхмерное зрениеНабор трёхмерных точек без порядка и без сетки — то, что отдают лидар и SfM. Работать с ним свёрточной сетью нельзя: у данных нет регулярной решётки.
Renderingактуально
Рендеринг · Трёхмерное зрениеОбратная зрению задача: по описанию сцены получить изображение. Понимание рендеринга нужно, чтобы обучать модели через сравнение отрисованного с настоящим.
Neural Radiance Fieldsновинка
Нейронные поля яркости · Трёхмерное зрениеСцена задаётся не сеткой и не точками, а нейросетью: по координате и направлению взгляда она возвращает цвет и плотность. Картинка получается объёмным рендерингом вдоль луча.
3D Gaussian Splattingновинка
Гауссовы сплаты · Трёхмерное зрениеСцена — это миллионы трёхмерных гауссиан с цветом и прозрачностью. Их проекция на экран считается напрямую, поэтому рендеринг идёт в реальном времени.
Parametric Body Modelsактуально
Параметрические модели тела · Трёхмерное зрениеТело человека описывается десятком чисел формы и позой суставов. Модель превращает их в трёхмерную сетку — это резко сужает пространство поиска при восстановлении по фото.
Stationarityактуально
Стационарность · Временные рядыПостоянство статистических свойств ряда во времени — предпосылка большинства классических моделей.
Autocorrelationактуально
Автокорреляция · Временные рядыСвязь ряда с собственными прошлыми значениями — главный источник признаков и диагностики.
AR / MA / ARIMAклассика
AR / MA / ARIMA · Временные рядыКлассическое семейство: авторегрессия, скользящее среднее ошибок и их комбинация с дифференцированием.
SARIMAклассика
SARIMA · Временные рядыARIMA с явными сезонными компонентами — для рядов с недельной, месячной или годовой периодикой.
Exponential Smoothingактуально
Экспоненциальное сглаживание · Временные рядыВзвешивание прошлых наблюдений с экспоненциально убывающими весами; модель Хольта — Винтерса добавляет тренд и сезонность.
Prophetклассика
Prophet · Временные рядыАддитивная модель тренда, сезонностей и праздников с упором на удобство для аналитика.
Feature-based forecastingактуально
Прогноз через признаки · Временные рядыРяд превращается в табличную задачу: лаги, скользящие статистики, календарь — и дальше градиентный бустинг.
RNN/LSTMактуально
RNN/LSTM для рядов · Временные рядыНейросети, обучаемые сразу на множестве связанных рядов, улавливают общие паттерны.
Transformer forecastingновинка
Трансформеры для прогноза · Временные рядыВнимание над длинными горизонтами: Informer, Autoformer, PatchTST, TFT.
Anomaly detectionактуально
Поиск аномалий во времени · Временные рядыОбнаружение точечных выбросов, сдвигов уровня и аномальных подпоследовательностей.
Kalman Filterактуально
Фильтр Калмана · Временные рядыРекуррентная оценка скрытого состояния системы по зашумлённым наблюдениям. Оптимален для линейных систем с гауссовым шумом.
Intermittent Demandактуально
Прерывистый спрос · Временные рядыРяды, где большая часть значений — нули: запчасти, редкие товары, аварийные события. Обычные метрики и модели здесь не работают.
Hierarchical Forecastingактуально
Иерархические прогнозы · Временные рядыПрогнозы по товару, категории и сети должны согласовываться: сумма частей обязана равняться целому.
1D CNN for Time Seriesактуально
Свёртки для временных рядов · Временные рядыОдномерные свёртки скользят вдоль времени и выделяют локальные формы сигнала независимо от того, когда те случились.
Temporal Convolutional Networkновинка
TCN · Временные рядыСтек причинных свёрток с экспоненциально растущим расширением: длинный контекст без рекуррентности.
Physics-Informed Neural Networksновинка
PINN · Временные рядыСеть, у которой в функцию потерь встроены уравнения процесса: решение согласовано с физикой даже там, где данных нет.
Clusteringактуально
Кластеризация · Обучение без учителяРазбиение объектов на группы похожих без заранее известных меток.
Dimensionality Reductionактуально
Снижение размерности · Обучение без учителяКомпактное представление данных, сохраняющее важную часть структуры.
Density Estimationактуально
Оценка плотности · Обучение без учителяВосстановление распределения данных: где объекты встречаются часто, а где почти никогда.
Association Rulesклассика
Ассоциативные правила · Обучение без учителяПоиск закономерностей вида «если A, то B» в транзакционных данных.
Anomaly Detectionактуально
Поиск аномалий · Обучение без учителяВыделение объектов, не похожих на основную массу данных, при отсутствии меток.
Representation Learningактуально
Обучение представлений · Обучение без учителяМодель сама учится полезным признакам, чаще всего через self-supervised задачи.
HDBSCANактуально
HDBSCAN · Обучение без учителяИерархическая версия DBSCAN: перебирает плотности автоматически и находит кластеры разной плотности.
Spectral Clusteringактуально
Спектральная кластеризация · Обучение без учителяКластеризация через собственные векторы матрицы Лапласа графа сходства: находит невыпуклые и вложенные структуры.
MDPактуально
Марковский процесс принятия решений · Обучение с подкреплениемФормальная рамка RL: состояния, действия, переходы, награды и коэффициент дисконтирования.
States / Actions / Rewardsактуально
Состояния, действия, награды · Обучение с подкреплениемТри базовых элемента задачи. Дизайн награды определяет поведение агента сильнее алгоритма.
Value Functionsактуально
Функции ценности · Обучение с подкреплениемV(s) оценивает ожидаемую отдачу из состояния, Q(s,a) — из пары состояние–действие.
Q-Learningактуально
Q-обучение · Обучение с подкреплениемOff-policy метод: агент учит оптимальную Q-функцию независимо от того, как исследует среду.
SARSAклассика
SARSA · Обучение с подкреплениемOn-policy аналог Q-обучения: обновление идёт по реально выбранному следующему действию.
Policy Gradientактуально
Градиент политики · Обучение с подкреплениемПрямая оптимизация параметров политики по градиенту ожидаемой награды.
Actor-Criticактуально
Актор-критик · Обучение с подкреплениемАктор выбирает действия, критик оценивает их ценность — гибрид двух семейств методов.
DQNклассика
Deep Q-Network · Обучение с подкреплениемQ-обучение с нейросетевой аппроксимацией: сеть предсказывает Q-значения по пикселям экрана.
PPOактуально
PPO · Обучение с подкреплениемУстойчивый policy-gradient метод с ограничением величины обновления политики.
Reward Designактуально
Дизайн функции награды · Обучение с подкреплениемАгент оптимизирует то, что вы измерили, а не то, что имели в виду. Награда — самая опасная часть постановки: ошибка здесь не чинится ни алгоритмом, ни вычислениями.
Discounting and Horizonактуально
Дисконтирование и горизонт · Обучение с подкреплениемКоэффициент γ решает, насколько агент дальновиден. Он же делает бесконечную сумму наград конечной и стабилизирует обучение.
Model-Based RLактуально
Model-based методы · Обучение с подкреплениемАгент строит модель среды и планирует в ней вместо того, чтобы учиться только на реальном опыте. Дороже по вычислениям, зато на порядки экономнее по взаимодействиям.
Temporal Difference Learningактуально
Обучение по временным разностям · Обучение с подкреплениемОценка обновляется не по итоговой отдаче эпизода, а по следующему шагу плюс текущей оценке. Именно это делает RL применимым к длинным и незавершающимся задачам.
On-policy and Off-policyактуально
On-policy и off-policy · Обучение с подкреплениемУчимся на данных своей текущей политики или на чужих. Разделение определяет, можно ли переиспользовать старый опыт, — и отсюда всю архитектуру алгоритма.
Experience Replayактуально
Буфер воспроизведения · Обучение с подкреплениемОпыт складывается в буфер и переиспользуется многократно в случайном порядке. Решает сразу две проблемы: корреляцию соседних переходов и расточительность обучения.
Exploration in RLактуально
Исследование среды · Обучение с подкреплениемАгент не может узнать о награде, которой не пробовал. Баланс между использованием известного и проверкой неизвестного — центральная трудность всего обучения с подкреплением.
Advantage Functionактуально
Функция преимущества · Обучение с подкреплениемНасколько действие лучше среднего в этом состоянии. Вычитание базовой линии не меняет градиент в среднем, но резко снижает его дисперсию.
Planning and World Modelsновинка
Планирование и модели мира · Обучение с подкреплениемАгент учит компактную модель динамики и «воображает» в ней будущее. Так работают AlphaZero и Dreamer: поиск в модели вместо перебора в реальности.
Multi-armed Banditsактуально
Многорукие бандиты · Обучение с подкреплениемУпрощённый RL без состояний: выбираем действие, получаем награду и балансируем исследование с эксплуатацией.
Offline RLновинка
Оффлайн RL · Обучение с подкреплениемОбучение политики по логам прошлых взаимодействий, без возможности экспериментировать со средой.
Topology basicsактуально
Основы топологии · Топологический анализ данныхТопология изучает свойства, сохраняющиеся при непрерывных деформациях: связность, число дыр, компактность.
Metric spacesактуально
Метрические пространства · Топологический анализ данныхМножество с функцией расстояния. Любой TDA-пайплайн начинается с выбора метрики.
Simplicial complexesактуально
Симплициальные комплексы · Топологический анализ данныхДискретная аппроксимация формы облака точек: точки, рёбра, треугольники и их многомерные аналоги.
Homologyактуально
Гомологии · Топологический анализ данныхАлгебраический аппарат, который считает дыры разных размерностей в топологическом пространстве.
Persistent Homologyактуально
Персистентные гомологии · Топологический анализ данныхЦентральный метод TDA: вместо одного порога ε рассматривается вся фильтрация, и отслеживается, когда топологические особенности рождаются и умирают.
Persistence Diagramsактуально
Диаграммы персистентности · Топологический анализ данныхКаждая топологическая особенность — точка (рождение, смерть) на плоскости. Компактная сводка формы данных.
Persistence Landscapesактуально
Ландшафты персистентности · Топологический анализ данныхПревращение диаграммы в набор кусочно-линейных функций — то есть в элемент гильбертова пространства.
Betti Numbersактуально
Числа Бетти · Топологический анализ данныхРанги групп гомологий: β₀ — число компонент, β₁ — число независимых циклов, β₂ — число полостей.
Mapperактуально
Алгоритм Mapper · Топологический анализ данныхСтроит граф-скелет данных: проекция фильтрующей функцией, покрытие интервалами, локальная кластеризация и склейка.
Topological featuresактуально
Топологические признаки · Топологический анализ данныхВекторизация топологии: энтропия персистентности, суммарная длина жизни, числа Бетти, persistence images.
TDA + Machine Learningновинка
TDA и машинное обучение · Топологический анализ данныхТопологические признаки подаются в бустинг или нейросеть, либо топология встраивается прямо в функцию потерь.
TDA + Time Seriesновинка
TDA и временные ряды · Топологический анализ данныхРяд вкладывается в фазовое пространство (Такенс), и топология полученного облака описывает динамику системы.
Accuracyактуально
Доля правильных ответов · МетрикиДоля верных предсказаний среди всех. Понятна всем и обманчива при дисбалансе классов.
Precisionактуально
Точность · МетрикиКакая доля объектов, предсказанных положительными, действительно положительна.
Recallактуально
Полнота · МетрикиКакая доля реально положительных объектов найдена моделью.
F1актуально
F1-мера · МетрикиГармоническое среднее точности и полноты — компромисс между ними одним числом.
ROC-AUCактуально
ROC-AUC · МетрикиВероятность, что случайный положительный объект получит больший скор, чем случайный отрицательный.
PR-AUCактуально
PR-AUC · МетрикиПлощадь под кривой precision–recall; честнее ROC-AUC при редком положительном классе.
Log Lossактуально
Логарифмические потери · МетрикиОценивает качество самих вероятностей, а не только меток: уверенная ошибка штрафуется очень сильно.
MCCактуально
Коэффициент Мэтьюса · МетрикиКорреляция между предсказаниями и истиной, учитывающая все четыре ячейки матрицы ошибок.
MAEактуально
Средняя абсолютная ошибка · МетрикиСреднее абсолютных отклонений — метрика в единицах целевой переменной, устойчивая к выбросам.
MSEактуально
Среднеквадратичная ошибка · МетрикиСреднее квадратов ошибок: сильно штрафует большие отклонения.
RMSEактуально
Корень из среднеквадратичной ошибки · МетрикиКорень из MSE — возвращает метрику в исходные единицы, сохраняя штраф за большие ошибки.
MAPEклассика
Средняя абсолютная процентная ошибка · МетрикиОтносительная ошибка в процентах — удобна для сравнения рядов разного масштаба.
SMAPEклассика
Симметричная MAPE · МетрикиВариант MAPE с нормировкой на сумму факта и прогноза — частично лечит асимметрию.
R²актуально
Коэффициент детерминации · МетрикиДоля дисперсии целевой переменной, объяснённая моделью, относительно константного прогноза.
Adjusted R²актуально
Скорректированный R² · МетрикиR² со штрафом за число признаков — падает, если новый признак не приносит пользы.
Precision@Kактуально
Точность@K · МетрикиДоля релевантных объектов среди первых K позиций выдачи.
Recall@Kактуально
Полнота@K · МетрикиКакая доля всех релевантных объектов попала в топ-K.
MAPактуально
Средняя усреднённая точность · МетрикиСреднее по запросам от average precision — учитывает и релевантность, и позиции.
MRRактуально
Средний обратный ранг · МетрикиСреднее значение 1/rank первого релевантного результата.
NDCGактуально
NDCG · МетрикиНормированный дисконтированный кумулятивный выигрыш: учитывает градации релевантности и позиции с логарифмическим дисконтом.
Silhouette Scoreактуально
Силуэт · МетрикиСравнивает среднее расстояние объекта до своего кластера и до ближайшего чужого.
Davies–Bouldinактуально
Индекс Дэвиса — Болдина · МетрикиОтношение внутрикластерного разброса к расстоянию между кластерами; чем меньше, тем лучше.
Calinski–Harabaszактуально
Индекс Калинского — Харабаша · МетрикиОтношение межкластерной дисперсии к внутрикластерной; чем больше, тем лучше разделение.
Brier Scoreактуально
Brier Score · МетрикиСреднеквадратичная ошибка предсказанных вероятностей: строгая правильная функция оценки, устойчивее log loss.
Cohen's Kappaактуально
Каппа Коэна · МетрикиСогласие двух разметчиков или модели с разметкой с поправкой на случайные совпадения.
Perplexityактуально
Перплексия · МетрикиЭкспонента кросс-энтропии языковой модели: между сколькими равновероятными вариантами она в среднем выбирает.
IoUактуально
Intersection over Union · МетрикиДоля пересечения к объединению предсказанной и истинной области — базовая метрика детекции и сегментации.
Tracking Metricsактуально
Метрики трекинга · МетрикиMOTA, IDF1 и HOTA: качество трекинга — это не только найденные объекты, но и стабильность их идентификаторов.
Text Generation Metricsактуально
Метрики генерации текста · МетрикиBLEU, ROUGE и BERTScore: от совпадения n-грамм до сравнения смыслов через контекстные эмбеддинги.
FID and Generation Qualityактуально
FID и качество генерации · МетрикиМетрики визуальной генерации: расстояние между распределениями признаков реальных и сгенерированных изображений.
Cross-validationактуально
Кросс-валидация · Оценка моделейМногократное разбиение выборки, дающее оценку качества вместе с её разбросом.
K-Foldактуально
K-Fold · Оценка моделейДанные делятся на K частей; каждая по очереди становится валидационной.
Stratified K-Foldактуально
Стратифицированный K-Fold · Оценка моделейK-Fold с сохранением пропорции классов в каждом фолде.
Leave-One-Outклассика
Leave-One-Out · Оценка моделейПредельный случай: валидация состоит ровно из одного объекта, и так N раз.
Bootstrapактуально
Бутстрэп · Оценка моделейМногократная выборка с возвращением: даёт распределение метрики и доверительные интервалы без предположений о нормальности.
Statistical significanceактуально
Статистическая значимость · Оценка моделейПроверка, что разница между моделями не объясняется случайностью выборки.
Confidence intervalsактуально
Доверительные интервалы · Оценка моделейПоказывают точность оценки метрики; одно число без интервала мало о чём говорит.
Hypothesis testingактуально
Проверка гипотез · Оценка моделейФормальная процедура принятия решения на основе данных: нулевая гипотеза, статистика, уровень значимости.
A/B testingактуально
A/B-тестирование · Оценка моделейОнлайн-эксперимент, который единственный честно измеряет влияние модели на продуктовые метрики.
Calibrationактуально
Калибровка · Оценка моделейСоответствие предсказанных вероятностей реальным частотам событий.
Error analysisактуально
Анализ ошибок · Оценка моделейРучной разбор случаев, где модель ошибается: почти всегда даёт больше, чем очередной перебор гиперпараметров.
Ablation studiesактуально
Абляционные исследования · Оценка моделейПоочерёдное отключение компонентов, чтобы понять, что именно даёт прирост качества.
Feature importanceактуально
Важность признаков · Интерпретируемость моделейОценка вклада признаков в предсказания модели — первый шаг к пониманию её логики.
Permutation Importanceактуально
Перестановочная важность · Интерпретируемость моделейПризнак перемешивается, и измеряется падение качества модели — модельно-независимый и честный подход.
SHAPактуально
SHAP · Интерпретируемость моделейРаспределение вклада признаков на основе значений Шепли из теории игр — с гарантиями аддитивности и согласованности.
LIMEактуально
LIME · Интерпретируемость моделейЛокальная аппроксимация сложной модели простой линейной в окрестности конкретного объекта.
Partial Dependenceактуально
Partial Dependence Plot · Интерпретируемость моделейПоказывает средний эффект признака на предсказание при усреднении по остальным признакам.
ICEактуально
ICE-кривые · Интерпретируемость моделейIndividual Conditional Expectation: та же зависимость, но отдельной линией для каждого объекта.
Counterfactual explanationsактуально
Контрфактические объяснения · Интерпретируемость моделейМинимальное изменение входа, которое меняет решение модели: «что нужно поменять, чтобы кредит одобрили».
Saliency Maps and Grad-CAMактуально
Карты значимости и Grad-CAM · Интерпретируемость моделейГде именно на изображении модель нашла основание для своего ответа — тепловая карта поверх входа.
Gradient Descentактуально
Градиентный спуск · Оптимизация обученияИтеративный шаг против градиента функции потерь — базовый алгоритм обучения.
SGDактуально
Стохастический градиентный спуск · Оптимизация обученияГрадиент оценивается по мини-батчу: быстрее, шумнее и, как оказалось, полезнее для обобщения.
Momentumактуально
Момент · Оптимизация обученияНакопление экспоненциального среднего градиентов — движение по инерции сквозь колебания.
Adamактуально
Adam · Оптимизация обученияАдаптивный метод: хранит средние градиента и его квадрата, подбирая шаг для каждого параметра.
AdamWактуально
AdamW · Оптимизация обученияAdam с корректно отделённым weight decay — регуляризация применяется к весам, а не к градиенту.
RMSPropклассика
RMSProp · Оптимизация обученияНормирует шаг на скользящее среднее квадратов градиента, выравнивая масштаб обновлений.
Learning Rate Schedulingактуально
Расписание скорости обучения · Оптимизация обученияИзменение шага по ходу обучения: большой в начале для исследования, малый в конце для точной настройки.
Batch sizeактуально
Размер батча · Оптимизация обученияЧисло объектов на одно обновление весов: влияет на скорость, память и качество обобщения.
Regularizationактуально
Регуляризация · Оптимизация обученияЛюбое ограничение сложности модели, снижающее переобучение.
Weight Decayактуально
Затухание весов · Оптимизация обученияПостепенное сжатие весов к нулю на каждом шаге оптимизации.
Early Stoppingактуально
Ранняя остановка · Оптимизация обученияОбучение останавливается, когда валидационная метрика перестала улучшаться.
Gradient Clippingактуально
Обрезка градиента · Оптимизация обученияОграничение нормы градиента перед шагом оптимизатора — простейшая защита от расходимости обучения.
Mixed Precisionактуально
Смешанная точность · Оптимизация обученияОбучение в fp16 или bf16 при накоплении в fp32: двукратная экономия памяти и заметное ускорение.
Generative Modelsактуально
Генеративные модели · Генеративный ИИМодели, обучающие распределение данных и умеющие порождать новые объекты из него.
Autoregressive Modelsактуально
Авторегрессионные модели · Генеративный ИИПорождают объект по частям, каждый раз предсказывая следующий элемент по предыдущим.
VAEактуально
Вариационный автоэнкодер · Генеративный ИИГенерация через непрерывное вероятностное латентное пространство.
GANклассика
GAN · Генеративный ИИСостязательная пара сетей, дающая резкие и реалистичные изображения.
Diffusionновинка
Диффузия · Генеративный ИИИтеративное расшумление — текущий стандарт генерации изображений, видео и аудио.
LLMновинка
Большие языковые модели · Генеративный ИИТрансформеры-декодеры, обученные на огромных корпусах предсказывать следующий токен.
Multimodal Modelsновинка
Мультимодальные модели · Генеративный ИИЕдиная модель, принимающая и порождающая несколько модальностей: текст, изображения, звук.
Promptingновинка
Промптинг · Генеративный ИИУправление поведением модели через формулировку запроса, без изменения весов.
Fine-tuningактуально
Дообучение · Генеративный ИИАдаптация предобученной модели под домен или формат на собственных данных.
LoRAновинка
LoRA · Генеративный ИИОбучение низкоранговых добавок к весам вместо полного дообучения модели.
RLHFновинка
RLHF · Генеративный ИИДообучение по человеческим предпочтениям: модель награды + оптимизация политики.
RAGновинка
RAG · Генеративный ИИПодмешивание найденных документов в контекст модели вместо хранения знаний в весах.
Agentsновинка
Агенты · Генеративный ИИLLM, которая планирует, вызывает инструменты и итеративно движется к цели.
Generative Lossesактуально
Функции потерь генеративных моделей · Генеративный ИИЧем измеряется ошибка, когда правильного ответа не существует: правдоподобие, состязательные потери, предсказание шума и контрастные цели.
LLM Evaluationновинка
Оценка языковых моделей · Генеративный ИИКак измерять качество генерации: бенчмарки, оценка моделью-судьёй и человеческие сравнения.
Distillationновинка
Дистилляция · Генеративный ИИОбучение маленькой модели воспроизводить поведение большой: кратное снижение стоимости при небольшой потере качества.
Latent Diffusionновинка
Латентная диффузия · Генеративный ИИДиффузия не в пикселях, а в сжатом пространстве автоэнкодера: та же модель на порядок дешевле.
ControlNetновинка
Управляемая генерация · Генеративный ИИДополнительная сеть, которая задаёт генерации пространственную структуру: эскиз, позу, карту глубины, границы.
Diffusion Samplingактуально
Сэмплеры диффузии · Генеративный ИИЧисло шагов денойзинга — главный рычаг скорости; решает его не переобучение, а более точный численный метод.
Video Generationновинка
Генерация видео · Генеративный ИИК качеству каждого кадра добавляется временная согласованность: объекты не должны мерцать и менять форму между кадрами.
PEFT and Adaptersновинка
Экономное дообучение · Генеративный ИИБазовая модель заморожена, обучается лишь небольшой набор дополнительных параметров — адаптеры, LoRA, префиксы.
Structured Outputактуально
Структурированный вывод · Генеративный ИИКак получить от языковой модели JSON, который распарсится с первого раза, а не текст с комментариями вокруг.
Reasoning Modelsновинка
Рассуждающие модели · Генеративный ИИМодели, которые тратят вычисления на обдумывание до ответа: длинная внутренняя цепочка рассуждений вместо немедленной генерации. Отдельный класс со своей экономикой и своими задачами.
Model Context Protocolновинка
MCP: протокол подключения инструментов · Генеративный ИИОткрытый протокол, которым языковая модель получает доступ к инструментам и данным: вместо своей интеграции под каждое приложение — один интерфейс, общий для всех.
Russian LLMsновинка
Российские языковые модели · Генеративный ИИGigaChat, YandexGPT и открытые модели с сильным русским: чем отличаются от глобальных, когда их выбирают и что спрашивают о них на собеседовании в российских компаниях.
Agent Patternsновинка
Шаблоны агентов · Генеративный ИИИз чего складывается работающий агент: цикл «рассуждение — действие — наблюдение», планирование, память, проверка результата и, главное, ограничения на всё перечисленное.
ML Pipelinesактуально
ML-пайплайны · MLOpsОформление обучения как воспроизводимой последовательности шагов вместо разрозненных ноутбуков.
Experiment Trackingактуально
Трекинг экспериментов · MLOpsФиксация параметров, метрик, артефактов и версии кода для каждого запуска.
MLflowактуально
MLflow · MLOpsОткрытая платформа для трекинга, упаковки и регистрации моделей.
Data Versioningактуально
Версионирование данных · MLOpsДанные меняются чаще кода — без их версий эксперимент не воспроизвести.
Model Versioningактуально
Версионирование моделей · MLOpsКаждая обученная модель — артефакт с версией, метриками и происхождением.
Feature Storesновинка
Хранилища признаков · MLOpsЦентрализованное хранилище признаков, единое для обучения и онлайн-инференса.
Model Deploymentактуально
Деплой моделей · MLOpsДоставка модели пользователю: онлайн-сервис, батч-скоринг или встраивание в приложение.
Monitoringактуально
Мониторинг · MLOpsНаблюдение за инфраструктурой, данными и качеством предсказаний после релиза.
Drift Detectionновинка
Детекция дрейфа · MLOpsОбнаружение расхождения между данными обучения и данными прода.
Retrainingактуально
Переобучение моделей · MLOpsРегулярное обновление модели на свежих данных по расписанию или по триггеру.
Dockerактуально
Docker · MLOpsКонтейнеризация фиксирует окружение целиком: код, зависимости, системные библиотеки.
Kubernetesактуально
Kubernetes · MLOpsОркестрация контейнеров: масштабирование, самовосстановление, обновления без простоя.
Experiment Configurationактуально
Конфигурация экспериментов · MLOpsПараметры обучения, вынесенные из кода в структурированные файлы. Простой шаг, после которого перестают плодиться ветки «эксперимент с lr=3e-4».
Testing ML Codeактуально
Тестирование ML-кода · MLOpsОбычные тесты для необычного кода: форма тензора, поведение на краевых входах, воспроизводимость. Проверяют не качество модели, а то, что пайплайн делает то, что написано.
Inference Optimizationактуально
Ускорение инференса · MLOpsОбученная модель считает медленно и занимает много памяти. Квантизация, компиляция графа и батчинг сокращают и то и другое, обычно почти без потери качества.
CI/CD for MLактуально
CI/CD для ML · MLOpsАвтоматизация проверок и выката: тесты кода, тесты данных, обучение и релиз модели по одной кнопке.
MLOps Maturityактуально
Уровни зрелости MLOps · MLOpsШкала от ручных ноутбуков до полностью автоматического цикла обучения и выката — способ понять, где команда сейчас.
Problem formulationактуально
Постановка задачи · Практика MLПеревод бизнес-вопроса в ML-задачу с целевой переменной, метрикой и ограничениями.
Baselinesактуально
Бейзлайны · Практика MLПростейшее решение, с которым сравнивается всё остальное: константа, правило, логистическая регрессия.
Feature engineeringактуально
Работа с признаками · Практика MLНа табличных данных грамотные признаки дают больший прирост, чем смена модели.
Hyperparameter tuningактуально
Настройка гиперпараметров · Практика MLПоиск конфигурации модели по валидационной метрике — последний, а не первый шаг работы.
Grid Searchактуально
Поиск по сетке · Практика MLПолный перебор всех комбинаций заданных значений гиперпараметров.
Random Searchактуально
Случайный поиск · Практика MLСлучайная выборка конфигураций из заданных распределений.
Bayesian Optimizationактуально
Байесовская оптимизация · Практика MLСтроит модель зависимости метрики от гиперпараметров и выбирает следующую точку осознанно.
Debugging modelsактуально
Отладка моделей · Практика MLСистематический поиск причины, почему модель не учится или ведёт себя странно.
Overfittingактуально
Переобучение · Практика MLМодель запомнила обучающую выборку вместе с шумом: train-метрика отличная, val — плохая.
Underfittingактуально
Недообучение · Практика MLМодель слишком проста или недоучена: ошибка велика и на train, и на валидации.
Data leakageактуально
Утечка данных · Практика MLСамая дорогая ошибка в ML: модель отлично работает офлайн и разваливается в проде.
Production MLактуально
ML в продакшене · Практика MLМодель в проде — это сервис с SLA, мониторингом, версионированием и планом отката.
Active Learningактуально
Активное обучение · Практика MLРазмечать в первую очередь те объекты, которые дадут наибольший прирост качества.
Weak Supervisionновинка
Слабая разметка · Практика MLПрограммная разметка эвристиками и правилами вместо ручной: быстро, шумно и часто достаточно.
Time and Space Complexityактуально
Асимптотическая сложность · Алгоритмы и структуры данныхСпособ сравнить алгоритмы, не запуская их: как растёт время работы с ростом входа. Отбрасывает константы и оставляет то, что решает на больших данных.
Problem Pattern Recognitionактуально
Как распознать паттерн задачи · Алгоритмы и структуры данныхУровень над алгоритмами: по формулировке условия понять, какой приём здесь работает. «Отсортированный массив», «подряд идущие элементы», «ближайший больший справа» — каждая такая фраза указывает на конкретное семейство решений.
Binary Searchактуально
Бинарный поиск · Алгоритмы и структуры данныхПоловинное деление на отсортированных данных: за логарифм шагов вместо линейного перебора. Приём шире поиска — им ищут ответ в любой монотонной задаче.
Prefix Sumsактуально
Префиксные суммы · Алгоритмы и структуры данныхОдин предварительный проход превращает сумму на любом отрезке в одно вычитание. Тот же приём вместе с хеш-таблицей находит подотрезок с заданной суммой за линейное время.
Sorting Algorithmsактуально
Сортировки · Алгоритмы и структуры данныхБыстрая, слиянием, пирамидальная — три способа упорядочить данные за O(n log n) с разными свойствами по памяти, устойчивости и худшему случаю.
Recursion and Divide and Conquerактуально
Рекурсия и разделяй-и-властвуй · Алгоритмы и структуры данныхЗадача сводится к таким же задачам меньшего размера. Основа сортировки слиянием, быстрой сортировки, обхода деревьев и почти всей динамики.
Dynamic Programmingактуально
Динамическое программирование · Алгоритмы и структуры данныхПеребор, в котором каждое подсостояние считается ровно один раз. Превращает экспоненциальный перебор в полиномиальный, если подзадачи перекрываются.
Hash Tablesактуально
Хеш-таблицы · Алгоритмы и структуры данныхДоступ по ключу за константу в среднем. Основа словарей и множеств — и структура, на которой держится большая часть повседневного кода.
Arrays, Lists, Stacks and Queuesактуально
Массивы, списки, стеки и очереди · Алгоритмы и структуры данныхЧетыре базовых способа хранить последовательность. Отличаются не тем, что умеют, а тем, что у них дёшево, а что дорого.
Monotonic Stack and Dequeактуально
Монотонный стек и дек · Алгоритмы и структуры данныхПриём поверх стека: хранить только тех, для кого ответ ещё не найден. Даёт ближайший больший элемент для всех позиций сразу и максимум в скользящем окне — за один проход.
Trees and Heapsактуально
Деревья и кучи · Алгоритмы и структуры данныхИерархические структуры, дающие логарифмические операции: двоичное дерево поиска для упорядоченных запросов, куча — для быстрого минимума.
Graph Traversalактуально
Обходы графа: семейство · Алгоритмы и структуры данныхЗонтичная тема: что общего у обоих обходов, как увидеть граф в задаче, где он не назван, и по каким двум вопросам выбирается обход. Сами обходы разобраны отдельно.
Breadth-First Searchактуально
Поиск в ширину · Алгоритмы и структуры данныхОбход слоями: сначала всё, до чего один шаг, потом — два. Первое посещение вершины оказывается кратчайшим путём, если все переходы равноценны.
Depth-First Searchактуально
Поиск в глубину · Алгоритмы и структуры данныхИдти вглубь до упора и возвращаться. Порядок завершения вершин даёт топологическую сортировку, три цвета — обнаружение циклов, откат состояния — перебор с возвратом.
Shortest Pathsактуально
Кратчайшие пути · Алгоритмы и структуры данныхДейкстра для неотрицательных весов, Беллман — Форд для отрицательных, A* — когда есть оценка расстояния до цели.
Greedy Algorithmsактуально
Жадные алгоритмы · Алгоритмы и структуры данныхНа каждом шаге берём локально лучший вариант и не пересматриваем решение. Работает не всегда — но когда работает, проще и быстрее динамики.
String Algorithmsактуально
Алгоритмы на строках · Алгоритмы и структуры данныхПоиск подстроки, сравнение и индексация текста за линейное время вместо квадратичного перебора.
Two Pointers and Sliding Windowактуально
Два указателя: семейство приёмов · Алгоритмы и структуры данныхЗонтичная тема: что общего у четырёх приёмов с двумя индексами и как выбрать нужный. Сами приёмы разобраны каждый на своей странице.
Opposite-Direction Pointersактуально
Встречные указатели · Алгоритмы и структуры данныхДва индекса сходятся с концов отсортированного массива. На каждом шаге отбрасывается конец, который заведомо не даст лучшего ответа, — и вместе с ним целая полоса пар.
Sliding Windowактуально
Скользящее окно · Алгоритмы и структуры данныхОкно между двумя границами: правая расширяет, левая чинит. Состояние не пересчитывается, а обновляется инкрементально — отсюда линейное время на задачах о подотрезках.
Fast and Slow Pointersактуально
Быстрый и медленный указатель · Алгоритмы и структуры данныхДва указателя идут в одну сторону с разной скоростью. Если структура зациклена, быстрый догоняет медленного — цикл находится без журнала посещённых узлов.
Same-Direction Pointersактуально
Два указателя в одну сторону · Алгоритмы и структуры данныхСлияние, пересечение и запись на месте: каждому источнику свой указатель, ни один не откатывается назад. Основа сортировки слиянием и merge join в базах данных.
Order Statisticsактуально
Порядковые статистики · Алгоритмы и структуры данныхНайти k-й по величине элемент, не сортируя весь массив. Quickselect делает это в среднем за линию.
Vectorактуально
Вектор · Математический справочникУпорядоченный набор чисел; в ML — представление объекта в пространстве признаков.
Matrixактуально
Матрица · Математический справочникПрямоугольная таблица чисел, задающая линейное преобразование или набор объектов.
Eigenvalueактуально
Собственное значение · Математический справочникКоэффициент растяжения вдоль направления, которое преобразование не поворачивает.
Eigenvectorактуально
Собственный вектор · Математический справочникНаправление, сохраняющееся при линейном преобразовании с точностью до масштаба.
Normактуально
Норма · Математический справочникМера длины вектора; выбор нормы определяет геометрию задачи.
Distanceактуально
Расстояние · Математический справочникМера непохожести объектов — основа кластеризации, k-NN и поиска.
Gradientактуально
Градиент · Математический справочникВектор частных производных, указывающий направление наибыстрейшего роста функции.
Hessianактуально
Гессиан · Математический справочникМатрица вторых производных, описывающая локальную кривизну функции.
Probability Distributionактуально
Распределение вероятностей · Математический справочникЗакон, задающий вероятности значений случайной величины.
Expectationактуально
Математическое ожидание · Математический справочникСреднее значение случайной величины по её распределению.
Varianceактуально
Дисперсия · Математический справочникМера разброса значений вокруг среднего.
Covarianceактуально
Ковариация · Математический справочникМера совместной изменчивости двух величин; корреляция — её нормированная версия.
Entropyактуально
Энтропия · Математический справочникМера неопределённости распределения: максимальна при равномерном, нулевая при детерминированном.
KL Divergenceактуально
KL-дивергенция · Математический справочникНасколько распределение q плохо описывает распределение p; несимметрична и не является метрикой.
Cross-Entropyактуально
Кросс-энтропия · Математический справочникОжидаемая длина кода при использовании q для данных из p: энтропия p плюс KL(p‖q).
Bayes Theoremактуально
Теорема Байеса · Математический справочникПравило пересчёта вероятности гипотезы после получения новых данных.
Correlationактуально
Корреляция · Математический справочникНормированная мера связи двух величин: ковариация, поделённая на разброс каждой из них.
Limits and Continuityактуально
Пределы и непрерывность · Математический анализПредел описывает, к чему стремится функция вблизи точки. На этом понятии держатся производная, интеграл и вся теория сходимости алгоритмов.
Derivativeактуально
Производная · Математический анализСкорость изменения функции: предел отношения приращения функции к приращению аргумента. Геометрически — наклон касательной.
Differentiation Rulesактуально
Правила дифференцирования · Математический анализСумма, произведение, частное и композиция — четыре правила, которых достаточно, чтобы продифференцировать почти любую функцию потерь вручную.
Integralактуально
Интеграл · Математический анализОпределённый интеграл — площадь под кривой, неопределённый — обратная операция к дифференцированию. В ML интеграл почти всегда означает математическое ожидание.
Taylor Seriesактуально
Ряд Тейлора · Математический анализПриближение функции многочленом по производным в точке. Инструмент, которым обосновывают почти все методы оптимизации.
Series and Convergenceактуально
Ряды и сходимость · Математический анализКогда бесконечная сумма имеет конечное значение и с какой скоростью алгоритм приближается к ответу.
Numerical Differentiationактуально
Численное дифференцирование · Математический анализПриближение производной конечными разностями: медленно и неточно, но незаменимо для проверки аналитических градиентов.
Multivariable Calculusактуально
Многомерный анализ · Математический анализФункции многих переменных: частные производные, градиент, производная по направлению и линии уровня.
Jacobianактуально
Якобиан · Математический анализМатрица частных производных векторной функции. Описывает, как преобразование растягивает пространство локально.
Lagrange Multipliersактуально
Множители Лагранжа · Математический анализМетод условной оптимизации: минимизировать функцию при ограничениях, не решая их подстановкой.
Convexityактуально
Выпуклость · Математический анализСвойство функции, гарантирующее единственность минимума и сходимость градиентных методов.
Differential Equationsновинка
Дифференциальные уравнения · Математический анализУравнения, связывающие функцию с её производными. Описывают динамику — от роста популяций до обратного процесса в диффузионных моделях.
Probability Axiomsактуально
Аксиомы вероятности · Теория вероятностей и распределенияТри аксиомы Колмогорова, из которых выводится вся теория: неотрицательность, нормировка и аддитивность.
Random Variablesактуально
Случайные величины · Теория вероятностей и распределенияОтображение исходов в числа. Дискретные описываются функцией вероятности, непрерывные — плотностью.
Conditional Independenceактуально
Условная независимость · Теория вероятностей и распределенияДве величины независимы при известной третьей. Понятие, на котором стоят байесовские сети и наивный классификатор.
Law of Large Numbersактуально
Закон больших чисел · Теория вероятностей и распределенияСреднее по выборке сходится к математическому ожиданию при росте числа наблюдений.
Central Limit Theoremактуально
Центральная предельная теорема · Теория вероятностей и распределенияСумма большого числа независимых слагаемых со сравнимым вкладом распределена приближённо нормально.
Normal Distributionактуально
Нормальное распределение · Теория вероятностей и распределенияКолоколообразное распределение с двумя параметрами. Максимально энтропийное при заданных среднем и дисперсии — поэтому его берут «по умолчанию».
Log-normal Distributionактуально
Логнормальное распределение · Теория вероятностей и распределенияВеличина, логарифм которой нормален. Возникает там, где эффекты перемножаются, а не складываются.
Power Lawактуально
Степенное распределение · Теория вероятностей и распределенияПлотность убывает как степень: редкие события встречаются намного чаще, чем предсказывает нормальный закон. Распределения Парето и Ципфа — его классические формы.
Poisson Distributionактуально
Распределение Пуассона · Теория вероятностей и распределенияЧисло редких независимых событий за фиксированный интервал: заказы за час, отказы за сутки, клики за сессию.
Exponential Distributionактуально
Экспоненциальное распределение · Теория вероятностей и распределенияВремя между пуассоновскими событиями. Единственное непрерывное распределение без памяти.
Binomial & Bernoulliактуально
Бернулли и биномиальное · Теория вероятностей и распределенияОдин успех или число успехов в серии независимых испытаний — базовая модель конверсии и кликов.
Beta Distributionактуально
Бета-распределение · Теория вероятностей и распределенияРаспределение вероятности на отрезке [0,1] — естественный априор для конверсии и для многоруких бандитов.
Heavy Tailsактуально
Тяжёлые хвосты · Теория вероятностей и распределенияРаспределения, у которых экстремальные значения не являются пренебрежимо редкими. Именно они ломают привычные оценки и метрики.
Extreme Value Theoryактуально
Теория экстремальных значений · Теория вероятностей и распределенияАппарат для моделирования максимумов и хвостов: как оценить вероятность события, которого ещё не случалось.
Markov Chainsактуально
Марковские цепи · Теория вероятностей и распределенияПроцесс, в котором будущее зависит только от текущего состояния. База для MDP, MCMC и моделей поведения пользователя.
Bayesian Inferenceактуально
Байесовский вывод · Теория вероятностей и распределенияПараметры модели рассматриваются как случайные величины; данные обновляют априорное распределение в апостериорное.
Maximum Likelihoodактуально
Метод максимального правдоподобия · Теория вероятностей и распределенияПодобрать параметры так, чтобы наблюдаемые данные были при них наиболее вероятны.
MCMCактуально
Марковские цепи Монте-Карло · Теория вероятностей и распределенияСэмплирование из апостериорного распределения, когда его нельзя выписать: цепь строится так, чтобы её стационарное распределение совпадало с целевым.
Variational Inferenceактуально
Вариационный вывод · Теория вероятностей и распределенияАпостериорное распределение не сэмплируют, а приближают простым семейством: вывод превращается в задачу оптимизации.
Logistic Mapактуально
Логистическое отображение · Динамические системы и фракталыПростейшая формула, порождающая хаос: следующее значение равно r·x·(1−x). Модель роста популяции с ограниченным ресурсом.
Bifurcationsактуально
Бифуркации · Динамические системы и фракталыКачественная перестройка поведения системы при плавном изменении параметра: одно равновесие сменяется двумя, цикл удваивает период.
Feigenbaum Constantактуально
Постоянная Фейгенбаума · Динамические системы и фракталыУниверсальное число δ ≈ 4.669, описывающее скорость каскада удвоений периода. Одинаково для огромного класса совершенно разных систем.
Chaosактуально
Детерминированный хаос · Динамические системы и фракталыПолностью детерминированная система, поведение которой невозможно предсказать надолго из-за чувствительности к начальным условиям.
Lyapunov Exponentактуально
Показатель Ляпунова · Динамические системы и фракталыМера скорости разбегания близких траекторий. Положительное значение — признак хаоса.
Attractorsактуально
Аттракторы · Динамические системы и фракталыМножество, к которому стремятся траектории системы: точка, цикл, тор или странный аттрактор фрактальной структуры.
Fractalsактуально
Фракталы · Динамические системы и фракталыОбъекты, устроенные одинаково на разных масштабах. Их размерность дробна, а длина зависит от линейки измерения.
Mandelbrot Setактуально
Множество Мандельброта · Динамические системы и фракталыМножество параметров c, при которых итерации z → z² + c не уходят в бесконечность. Простейшее правило, дающее бесконечно сложную границу.
Fractal Dimensionактуально
Фрактальная размерность · Динамические системы и фракталыЧисло, показывающее, как растёт «объём» объекта при уменьшении масштаба. Для фракталов оно дробное.
Self-similarityактуально
Самоподобие · Динамические системы и фракталыСвойство структуры повторять себя на разных масштабах — точно или статистически.
1/f Noiseактуально
Розовый шум 1/f · Динамические системы и фракталыСигнал, спектральная плотность которого убывает обратно пропорционально частоте. Встречается в электронике, музыке, трафике и нейронной активности.
Takens' Theoremактуально
Теорема Такенса · Динамические системы и фракталыМост между рядом и динамикой: по одному наблюдаемому сигналу можно восстановить топологию аттрактора системы.
Complex Systemsактуально
Сложные системы · Динамические системы и фракталыСистемы из множества взаимодействующих элементов, где коллективное поведение не сводится к сумме частей.
Graph Basicsактуально
Основы графов · Графы и сетиВершины, рёбра, веса и направления. Матрица смежности и список рёбер — два способа хранить одно и то же.
Centralityактуально
Центральности · Графы и сетиМеры важности вершины: по числу связей, по посредничеству, по близости и по влиянию соседей.
PageRankактуально
PageRank · Графы и сетиСтационарное распределение случайного блуждания по графу с телепортацией. Классический алгоритм ранжирования, который до сих пор используется как признак.
Community Detectionактуально
Поиск сообществ · Графы и сетиРазбиение графа на плотно связанные группы: клиенты одного круга, связанные аккаунты, тематические кластеры документов.
Scale-free Networksактуально
Безмасштабные сети · Графы и сетиСети, в которых распределение степеней вершин подчиняется степенному закону: немного «хабов» и очень много слабо связанных вершин.
Small Worldактуально
Феномен малого мира · Графы и сетиКороткие пути между любыми двумя вершинами при высокой локальной кластеризации.
Network Motifsактуально
Мотивы и триады · Графы и сетиМаленькие повторяющиеся подграфы, встречающиеся чаще, чем в случайной сети. Хорошие признаки для классификации вершин.
Graph Embeddingsактуально
Графовые эмбеддинги · Графы и сетиВекторные представления вершин, в которых близость отражает связанность в графе.
Graph Neural Networksновинка
Графовые нейросети · Графы и сетиНейросети, работающие прямо на структуре графа: представление вершины обновляется по представлениям соседей.
Message Passingактуально
Передача сообщений · Графы и сетиЕдиная схема, к которой сводятся почти все архитектуры GNN: собрать сообщения от соседей, агрегировать, обновить состояние.
Link Predictionактуально
Предсказание связей · Графы и сетиЗадача «появится ли ребро между вершинами»: рекомендации друзей и товаров, достройка графов знаний.
Knowledge Graphsновинка
Графы знаний · Графы и сетиФакты в виде троек «субъект — предикат — объект». Структурированная память, которую всё чаще подключают к языковым моделям.
Warehouse, Lake, Lakehouseактуально
Хранилище, озеро, lakehouse · Инженерия данныхТри способа хранить аналитические данные: строгая схема, сырые файлы или гибрид с транзакциями поверх объектного хранилища.
File Formatsактуально
Форматы хранения · Инженерия данныхКолоночные форматы против строковых: почему Parquet почти всегда лучше CSV для аналитики.
Partitioningактуально
Партиционирование · Инженерия данныхРазделение данных по ключу (обычно по дате), чтобы запрос читал минимум файлов.
Analytical SQLактуально
Аналитический SQL · Инженерия данныхОконные функции, агрегации и CTE — основной инструмент подготовки признаков на больших данных.
ETL vs ELTактуально
ETL и ELT · Инженерия данныхПреобразовывать данные до загрузки или уже внутри хранилища — и почему индустрия сместилась ко второму.
Batch and Streamingактуально
Батч и стриминг · Инженерия данныхОбработка по расписанию против непрерывной обработки событий. Разные задержки, разные гарантии, разная стоимость.
Change Data Captureактуально
Захват изменений (CDC) · Инженерия данныхЧтение журнала изменений базы вместо периодических полных выгрузок.
Orchestrationактуально
Оркестрация пайплайнов · Инженерия данныхПланировщик, который знает зависимости между задачами, повторяет упавшие и не даёт запускать одно и то же дважды.
Data Qualityактуально
Качество данных · Инженерия данныхАвтоматические проверки, которые ловят поломку источника раньше, чем она попадёт в модель.
Data Contractsновинка
Контракты данных · Инженерия данныхЯвная договорённость между источником и потребителем: какие поля, каких типов и с какими гарантиями.
Idempotency & Exactly-onceактуально
Идемпотентность и гарантии доставки · Инженерия данныхЧто происходит при повторной обработке события и как не задвоить данные.
Sparkактуально
Spark · Инженерия данныхРаспределённая обработка больших объёмов данных: тот случай, когда данные не помещаются на одну машину.
Kafkaактуально
Kafka · Инженерия данныхРаспределённый журнал событий: основа потоковой архитектуры и источник данных для онлайн-признаков.
HDFS and Hadoopклассика
HDFS и экосистема Hadoop · Инженерия данныхРаспределённая файловая система, придуманная под дешёвое железо, которое ломается. Файл режется на блоки, каждый лежит на нескольких узлах.
MapReduceклассика
MapReduce · Инженерия данныхМодель вычислений, в которой задача разбивается на независимую обработку кусков и последующую агрегацию. Основа, из которой вырос весь современный распределённый счёт.
NoSQL Data Modelsактуально
Модели NoSQL · Инженерия данныхКлюч-значение, широкие колонки, документы, графы: базы, где схему подчиняют запросам, а не наоборот.
Consistent Hashingактуально
Консистентное хеширование · Инженерия данныхСпособ распределить ключи по узлам так, чтобы добавление или потеря узла двигали лишь малую долю данных, а не всё сразу.
Eventual Consistencyактуально
Согласованность в конечном счёте · Инженерия данныхРеплики расходятся на время и сходятся потом. Компромисс, на который идут ради доступности и скорости записи.
Distributed Coordinationактуально
Координация в распределённой системе · Инженерия данныхКто сейчас лидер, кто жив, кому принадлежит блокировка. Вопросы, на которые в кластере не отвечает никто, пока не заведён отдельный сервис.
Open Table Formatsновинка
Табличные форматы озера · Инженерия данныхIceberg, Delta Lake и Hudi добавляют к папке с Parquet-файлами то, чего ей не хватало: снапшоты, транзакции и эволюцию схемы.
Stateful Stream Processingактуально
Потоковая обработка с состоянием · Инженерия данныхПоток без памяти умеет фильтровать и преобразовывать. Как только нужны счётчики, окна и соединения, появляется состояние — и все сложности вместе с ним.
Requirements and SLAактуально
Требования и SLA · Системный дизайн ML-сервисовЧисла, которые нужно зафиксировать до архитектуры: задержка, пропускная способность, доступность, стоимость запроса.
Serving Architectureактуально
Архитектура инференса · Системный дизайн ML-сервисовМодель внутри приложения, отдельный сервис или платформа инференса — три уровня связанности.
Online and Offline Featuresактуально
Онлайн- и офлайн-признаки · Системный дизайн ML-сервисовЧасть признаков считается заранее, часть — в момент запроса. Расхождение между ними — главный источник инцидентов.
Cost Modelактуально
Экономика сервиса · Системный дизайн ML-сервисовСтоимость одного предсказания и точка, где модель перестаёт окупаться.
Cachingактуально
Кеширование · Системный дизайн ML-сервисовНе считать то, что уже посчитано: кеш предсказаний, признаков и эмбеддингов.
Batching and Queuesактуально
Батчинг и очереди · Системный дизайн ML-сервисовСобирать запросы в пачки, чтобы загрузить GPU, и сглаживать всплески нагрузки очередью.
Scalingактуально
Масштабирование · Системный дизайн ML-сервисовГоризонтальное и вертикальное масштабирование инференса и правильные метрики автоскейлинга.
GPU Inferenceновинка
GPU-инференс · Системный дизайн ML-сервисовКак выжать из видеокарты пропускную способность и не переплачивать.
Reliabilityактуально
Отказоустойчивость · Системный дизайн ML-сервисовЧто происходит, когда модель недоступна, отвечает медленно или выдаёт мусор.
Observabilityактуально
Наблюдаемость · Системный дизайн ML-сервисовЛоги, метрики и трассировки, по которым можно восстановить, что произошло с конкретным запросом.
Experiment Infrastructureактуально
Инфраструктура экспериментов · Системный дизайн ML-сервисовМеханика раскатки: разделение трафика, стабильные группы, метрики и автоматический откат.
Privacy and Securityновинка
Приватность и безопасность · Системный дизайн ML-сервисовПерсональные данные, доступы и специфические для ML риски.
LLM Servingновинка
Обслуживание LLM · Системный дизайн ML-сервисовОтдельная инженерная дисциплина: KV-кеш, непрерывный батчинг, потоковая отдача и контроль стоимости.
Adversarial Examplesновинка
Состязательные примеры · Безопасность ИИНезаметное человеку возмущение входа, которое уверенно переключает ответ модели на неверный класс.
Data Poisoning and Backdoorsновинка
Отравление данных и бэкдоры · Безопасность ИИАтака на этапе обучения: в данные подмешивается триггер, и при его появлении на входе модель выдаёт заранее заданный ответ.
Model Privacy Attacksактуально
Атаки на приватность модели · Безопасность ИИМодель — сжатая копия обучающих данных: по её ответам можно узнать, кто в них был, и восстановить сами данные.
Differential Privacyновинка
Дифференциальная приватность · Безопасность ИИМатематическая гарантия: по результату обучения нельзя определить, был ли в выборке конкретный человек.
Federated Learningновинка
Федеративное обучение · Безопасность ИИОбучение на данных, которые нельзя собрать в одном месте: на сервер уезжают обновления весов, а не сами данные.
Secure Inferenceактуально
Защита инференса · Безопасность ИИПериметр вокруг работающей модели: что происходит с запросом до того, как он дойдёт до весов, и после того, как ответ получен.
Prompt Injectionновинка
Промпт-инъекции · Безопасность ИИИнструкции, спрятанные во входных данных LLM: модель не отличает данные от команд и выполняет чужое указание.
Red Teamingновинка
Красная команда · Безопасность ИИСистематический поиск способов заставить модель сделать то, чего она делать не должна, — до релиза, а не после.
AI Governanceактуально
Управление рисками ИИ · Безопасность ИИПроцесс вокруг модели: классификация риска, документация, контроль изменений и ответственность за решения.
Agent Securityновинка
Безопасность агентов · Безопасность ИИЧто меняется, когда модель получает право действовать: чтение внешнего контента становится каналом атаки, а ошибка перестаёт быть просто неверным текстом.
GPU Architectureактуально
Архитектура GPU · Вычислительная инфраструктураТысячи простых ядер, сгруппированных в мультипроцессоры, и иерархия памяти, в которую упирается почти любое ускорение.
AI Acceleratorsновинка
Ускорители: GPU, TPU, NPU · Вычислительная инфраструктураЧем специализированный чип отличается от универсальной видеокарты и когда эта разница окупается.
GPU in PyTorchактуально
GPU в PyTorch · Вычислительная инфраструктураКак проверить доступность ускорителя, разложить тензоры по устройствам и понять, куда ушла видеопамять.
Distributed Trainingновинка
Распределённое обучение · Вычислительная инфраструктураКак разложить обучение на несколько GPU: копиями модели по данным, шардами состояния или разрезанием самой модели.
Collective Operationsактуально
Коллективные операции · Вычислительная инфраструктураAllReduce, Broadcast, AllGather — примитивы, которыми процессы обучения обмениваются тензорами.
Cluster Networkingактуально
Сеть кластера · Вычислительная инфраструктураТопология соединений и скорость обмена, которые определяют, доедет ли обучение до линейного ускорения.
Training Throughputактуально
Ускорение обучения · Вычислительная инфраструктураЧто делать, когда число GPU фиксировано: снизить точность, накопить градиент, пересчитать активации, разгрузить загрузчик данных.
Distributed Hyperparameter Searchактуально
Распределённый подбор гиперпараметров · Вычислительная инфраструктураДесятки обучений на кластере вместо одного: пространство поиска, параллельные trials, ранняя остановка безнадёжных.
Capacity Planningактуально
Планирование инфраструктуры · Вычислительная инфраструктураОблако, свой сервер или аренда — выбор, который делают до первой строчки кода и переигрывают дорого. Считается не ценой железа, а полной стоимостью владения.
Infrastructure as Codeактуально
Инфраструктура как код · Вычислительная инфраструктураКонфигурация серверов и кластера описывается файлами в репозитории, а не последовательностью команд в чужой памяти. Разница видна, когда кластер надо поднять второй раз.
Backups and Redundancyактуально
Резервирование и бэкапы · Вычислительная инфраструктураRAID защищает от отказа диска, бэкап — от ошибки человека. Это разные задачи, и подмена одного другим обнаруживается в худший момент.