#01Видео
AI в коротких видео
Одна идея в каждом видео, простым языком. Каждое ведёт к главе нашего бесплатного курса, где всё объяснено шаг за шагом.
Начните здесь AI 101
- #01
#02Machine learning: how a computer draws its own dividing line
#03Neural networks: layers of tiny calculators passing signals on
#04How AI learns: guess, measure the error, nudge, repeat
#05Tokens: how AI chops your words into numbered pieces
#06Embeddings: why a puppy lands closer to a dog than to a pizza
Последние
#031Momentum: how remembering past steps stops AI training zigzagging
#030Mini-batches: why AI learns faster from a random handful of data
#029Saddle points: where AI training looks stuck but has a way down
#028Local minima: why AI training can settle for second best
#027Condition number: why a stretched valley makes AI training crawl
#026Learning rate: the step size with a ceiling you can calculate
#025Gradient descent: how AI finds its way downhill in small steps
#024Gradient: the arrow that points uphill, and why AI walks the other way
#023Chain rule: how AI traces the effect of every layer
#022Derivative: how much the result moves when you nudge one input
#021Grid search: why you cannot train an AI by trying every setting
#020Robust loss: stop one wild reading from wrecking your forecast
#019Heavy tails: when rare, huge errors break the usual average
#018Mean squared error: the hidden bet behind squaring your mistakes
#017The LogSumExp trick: one subtraction that stops AI math overflowing
#016Rounding error: why adding the same numbers can give two answers
#015Floating-point numbers: why your computer cannot hold every number
#014Negative log-likelihood: turning a fragile product into a calm sum
#013Maximum likelihood: the answer that makes your data least surprising
#012Bayes' rule: reasoning backwards from a clue to its most likely cause
#011Chain rule of probability: how AI scores a sentence word by word
#010Loss landscape: training an AI means finding the bottom of a valley
#009Loss function: the scoring rule that decides which answer wins
#008Feature engineering: the human choice that can beat the algorithm
По главам курса
- 1Перцептрон с нуля: что вычисляет нейрон10 видео
- 2Откуда берётся loss function: likelihood, а не соглашение12 видео
- 3Вниз по склону: Gradient Descent и два шага, которые все пропускают12 видео
- 4Классификация, перекрёстная энтропия и как не обмануть себя
- 5Backpropagation с нуля: сначала движок, потом сеть1 видео
- 6Заставить сеть учиться — и обобщать
- 7Собираем BPE-tokenizer: почему модель не может посчитать буквы R1 видео
- 8Предсказание next-token: embeddings и что означает перплексия1 видео
- 9Attention и блок transformer: вывод из среднего
- 10Предобучение LLM: данные, compute, scaling laws и стоимость
- 11От базовой модели к ассистенту: SFT, RLHF, DPO и GRPO
- 12Chain of Thought, RLVR и Test-Time Compute: измерения
- 13Как удешевить inference: KV Cache, batching и quantization
- 14Первый production-вызов LLM: streaming, retries и timeouts
- 15Prompt engineering в цифрах: что меняет ответ
- 16Context window, tokens и счет: измерено
- 17Temperature, top-p и детерминизм, которого у вас нет
- 18Tool calling и структурированные выходные данные: контракт, который держится
- 19RAG в production: chunking, поиск и честные цитаты
- 20Fine-tuning, retrieval или prompt? Решает экономика
- 21Multimodal Pricing: за что на самом деле платят в изображениях, аудио и видео
- 22Что такое AI agent: пять классических типов и два спорящих определения
- 23Собираем agent harness: цикл и пять выходов из него
- 24Context engineering: почему ваш agent глупеет на 40-м ходе
- 25Оркестрация multi-agent: пять паттернов и когда выигрывает один
- 26MCP по спецификации: что на самом деле такое сервер
- 27Запускаем MCP server: TypeScript и Python в цифрах
- 28Agent Skills и SKILL.md: прогрессивное раскрытие, измеренное
- 29Оценка LLM: от публичных benchmarks до вашего golden set
- 30Prompt injection и летальная триада: защита реального agent