Към съдържанието
NeuraLIA Labs
ВходЗапочнете

AI от нулата

Пълен курс по изкуствен интелект — от математиката до LLM, агенти и MCP. Тридесет глави, всяка от които си струва да се прочете самостоятелно.

Създадено от David Vicente Campos · 30 глави · Абониране чрез RSS (отваря се в нов раздел)

  1. Персептронът от нулата: какво изчислява един неврон

    Невронът е претеглена сума и праг. Това е цялата идея — а ограниченията ѝ доведоха до всичко след нея.

    Глава 1 от 30

  2. Откъде идва една функция на загуба: от правдоподобие, не от конвенция

    Квадратичната грешка не е конвенция. Тя е твърдение за шума — и можете да видите кога е грешно.

    Глава 2 от 30

  3. Надолу по склона: gradient descent и двете стъпки, които всички пропускат

    Всички пишат знака минус. Почти никой не казва защо е там или колко голяма стъпка издържа.

    Глава 3 от 30

  4. Класификация, cross-entropy и как да не се заблудите сами

    Accuracy е най-лесното число за докладване — и най-лесното, което може да ви заблуди.

    Глава 4 от 30

  5. Backpropagation от нулата: първо двигателят, после мрежата

    Backpropagation не е алгоритъм за neural network. Това е верижното правило, приложено към граф, в ефективната посока.

    Глава 5 от 30

  6. Да го накараме да се обучава — и да обобщава

    Градиентът е правилен, а мрежата пак не учи. Тази глава е за разликата.

    Глава 6 от 30

  7. Създайте BPE tokenizer: защо моделът ви не може да преброи R-тата

    Моделът никога не вижда букви. Всичко странно в правописа, броенето и отстъпите произтича от това.

    Глава 7 от 30

  8. Предсказване на следващия token: embedding-и и какво означава перплексията

    Една цел, без етикети, и таблица от вектори, която никой не е проектирал.

    Глава 8 от 30

  9. Attention и transformer блокът, изведени от средно

    Attention не е формула за приемане на доверие. То се появява, когато спрете да осреднявате миналото равномерно и оставите модела да избере теглата.

    Глава 9 от 30

  10. Pretraining на LLM: данни, compute, scaling laws и цена

    Оставащите решения не са програмни. Те са покупки.

    Глава 10 от 30

  11. От базов модел до асистент: SFT, RLHF, DPO и GRPO

    Pretrained моделът не отговаря на въпроси. Той продължава текст — а разликата идва от втори етап на обучение, който никой не вижда.

    Глава 11 от 30

  12. Chain of Thought, RLVR и Test-Time Compute — измерени

    Моделът не мисли. Той харчи повече tokens преди отговора — и това е измеримо и платимо.

    Глава 12 от 30

  13. Как да направим inference евтин: KV cache, batching и квантизация

    Генерирането не е един проблем: compute-bound първи token, после хиляди memory-bound tokens. Почти всеки трик в serving идва от това разделение.

    Глава 13 от 30

  14. Първото ви production LLM извикване: streaming, retries, timeouts

    Моделът вече е зад порт. Почти нищо от това, което се обърква оттук нататък, не е математика.

    Глава 14 от 30

  15. Prompt engineering с измервания: какво променя резултата

    prompt се измерва, не се обсъжда. Четири варианта върху двадесет случая не различават нищо.

    Глава 15 от 30

  16. Context window, tokens и сметката — измерени

    Window не е памет. Тя се пълни от нулата при всяко извикване — и плащате за това презареждане.

    Глава 16 от 30

  17. Temperature, Top-p и детерминизмът, който нямате

    Temperature не прави модела по-креативен. Той повишава вероятността за tokens, които самият модел е оценил най-ниско.

    Глава 17 от 30

  18. Tool Calling и structured outputs: договорът, който издържа

    Моделът никога не изпълнява нищо. Той пита във форма, която сте задали — и формата е единственото, което контролирате.

    Глава 18 от 30

  19. RAG в production: chunking, retrieval и честни цитати

    Лошият chunking унищожава отговора преди търсенето, а reranker не може да го възстанови.

    Глава 19 от 30

  20. Fine-tuning, извличане или prompt? Решението е икономическо

    Никой не задава този въпрос за модела. Задават го за бюджета.

    Глава 20 от 30

  21. Мултимодално ценообразуване: какво наистина се таксува при изображения, аудио и видео

    Една снимка не струва една снимка. Струва tokens по формула, която не сте избрали.

    Глава 21 от 30

  22. Какво е AI agent: пет класически типа и две конкуриращи се дефиниции

    Един tool в каталога превърна един call в два и 39 input tokens в 420. Дали това го прави agent зависи от дефиницията.

    Глава 22 от 30

  23. Изградете agent harness: цикълът и петте изхода от него

    Цикълът е от петнадесет реда. Всичко, което го прави годен за production, е начин да излезете от него.

    Глава 23 от 30

  24. Context Engineering: Защо вашият agent оглупява на ход 40

    Прозорецът не преля. Фактът просто се премести и agent спря да го намира.

    Глава 24 от 30

  25. Multi-Agent orchestration: пет модела и кога един печели

    Четири подредби, една задача, една сметка. Най-евтината греши, а най-скъпата не може да провери собствените си работници.

    Глава 25 от 30

  26. MCP според спецификацията: какво всъщност е server

    Не е магия. Това са transport, формат за съобщения и три primitives — и можете да го напишете на ръка.

    Глава 26 от 30

  27. Пускане на MCP сървър: TypeScript и Python, измерени

    Два SDK, един wire. Интересните разлики са онези, които протоколът не може да види.

    Глава 27 от 30

  28. Agent Skills и SKILL.md: измерено постепенно разкриване

    Skill е папка с Markdown файл в нея. Всичко интересно следва от това коя част от файла се чете и кога.

    Глава 28 от 30

  29. Оценяване на LLM: от публични benchmarks до вашия златен набор

    Число без интервал е анекдот с десетични знаци.

    Глава 29 от 30

  30. Prompt injection и смъртоносната триада: защита на реален agent

    Моделът не различава вашата инструкция от тази на непознат. Работещата защита започва с приемането на този факт.

    Глава 30 от 30