Нейросеть для расписания уроков: как составить и проверить сетку
Почему красивой таблицы от ИИ недостаточно для школьного расписания. Собираем ограничения, проверяем пересечения и разбираем невозможные условия.
AI и автоматизация маркетинга
ChatGPT, Claude, нейросети и no-code — практичный разбор без хайпа.
Нейросеть на уроках русского языка и литературы: работа с текстом
Используем ИИ для языкового разбора, сравнения интерпретаций и редактирования. Как работать с цитатами и сохранить самостоятельность ученика.
Нейросети для дизайнеров интерьера: от референса к проверке проекта
Где ИИ помогает интерьерному дизайнеру: бриф, визуальные направления и проверка концепции. Как сохранить размеры, проёмы и проверяемую спецификацию.
Нейросети для дизайнеров: от брифа к проверяемому макету
Как использовать нейросеть в графическом дизайне: поиск направления, вариации и локальные правки. Что проверить перед передачей макета заказчику или в производство.
Нейросети для маркетологов: как подготовить и проверить кампанию
Рабочий сценарий для маркетолога: из подтверждённого брифа получить варианты сообщений и план проверки. Как исключить выдуманные преимущества и не потерять связь с данными.
Нормализация и стандартизация признаков: в чём разница
Различаем стандартизацию столбцов, изменение диапазона и нормирование векторов. На простых числах проверяем, что происходит с новыми значениями.
Обучение программированию с помощью ИИ: как сохранить самостоятельность
Как использовать ИИ для объяснения кода, подсказок и разбора ошибок. Учебный сценарий, в котором результатом становится понимание, а не скопированное решение.
Основы машинного обучения: как из задачи получить проверяемую модель
Первое знакомство с машинным обучением на примере интернет-магазина: задача, данные, обучение и проверка на новых случаях. Без обещаний автоматического роста.
Отбор признаков в машинном обучении: что оставлять в модели
Как сравнивать наборы признаков без подгонки под тест: доступность полей, дубли, встроенные методы отбора и устойчивость результата на новых данных.
Паттерны машинного обучения: как устроить воспроизводимый процесс
Разбираем повторяемые способы организации ML-проекта: конвейер преобразований, проверка входа, версии модели и откат. Учебный прогноз становится частью работающего процесса.
PCA в машинном обучении: что сохраняет метод главных компонент
Как PCA заменяет исходные признаки компонентами, что означает объяснённая дисперсия и почему красивое двумерное изображение ещё не подтверждает полезность модели.
Персонализация обучения с ИИ: разные задания для одной цели
Как адаптировать учебное задание с нейросетью, сохранив общий результат: подсказки, сложность, критерии и проверка самостоятельного выполнения.
В каком веке появились первые работающие модели машинного обучения
Короткий ответ на исторический вопрос и подробный разбор перцептрона 1958 года. Чем обучаемая модель отличается от более раннего описания вычислений.
Предобработка данных для машинного обучения: порядок действий
Как подготовить таблицу к обучению: единица наблюдения, пропуски, категории, масштаб и разделение данных. Проверяем, что преобразования доступны в работе.
Применение ИИ и машинного обучения: как проверить подходящую задачу
Как понять, где нужен обучаемый прогноз, где генерация, а где достаточно правил. Проверяем задачу по доступным данным, ошибкам и возможности измерить результат.
Что такое признаки в машинном обучении и как избежать утечки ответа
Разбираем признаки модели на примере прогноза повторной покупки: какие поля доступны в нужный момент, где возникает утечка и почему пропуски требуют правил.
Программирование ИИ для начинающих: от скрипта к модели
План первого проекта для тех, кто хочет программировать ИИ. Разделяем работу с готовой моделью, обучение на данных и обычную автоматизацию.
Работа с нейросетями: как разобраться в профессиях и вакансиях
Чем применение ИИ в привычной профессии отличается от разработки моделей. Как читать вакансию, оценить требования и показать навык в портфолио.
Ранжирование в машинном обучении: как проверить порядок выдачи
Чем ранжирование отличается от классификации и как оценивать поисковую выдачу. Разбираем кандидатов, релевантность, NDCG и ошибки проверки по кликам.
Разработка ИИ-агентов для бизнеса: задача, инструменты и контроль
Как спроектировать агента, который пользуется инструментами и выполняет несколько шагов. Ограничения действий, проверка результата, бюджет и журнал на учебном примере.
Регуляризация в машинном обучении: зачем ограничивать модель
Как регуляризация помогает контролировать сложность, чем отличаются L1 и L2 и почему силу ограничения выбирают на проверке, а не по обучающей ошибке.
ROC AUC в машинном обучении: что показывает площадь под кривой
Считаем ROC AUC по четырём парам объектов и отделяем качество порядка от выбора рабочего порога. Разбираем ограничения на редких событиях.
Случайный лес в машинном обучении: зачем модели несколько деревьев
Как устроен случайный лес, чем он отличается от одного дерева и как проверить пользу ансамбля. Учебный сценарий прогноза задержки заказа.
Снижение размерности в машинном обучении: зачем менять представление
Когда большое число признаков мешает работе и как сравнивать сокращённое представление с исходным. Отличие отбора полей от построения новых координат.
