Разборы тем

Статьи: AI и LLM

Машинное обучение и LLM: метрики и валидация, бустинг, нейросети и трансформеры, RAG, агенты, LLM в продакшене, MLOps.

Начать с первой Вопросы раздела
11статей
≈ 1 чна чтение
59вопросов в разборе

Как устроены LLM

1
  1. 01Как устроена языковая модель — токены, контекст и генерация

    Что на самом деле делает LLM, почему она ошибается, как считаются токены и стоимость и как выглядит запрос к API модели.

     2 мин

Промпты и структурированный вывод

1
  1. 02Промпты и структурированный вывод

    Как написать промпт, который стабильно работает, отделить инструкции от данных, получить от модели строгий JSON и когда разбивать задачу на цепочку вызовов.

     2 мин

RAG

1
  1. 03RAG — ответы по своим документам

    Как модель отвечает по документам компании — эмбеддинги, разбиение на фрагменты, векторный и гибридный поиск, реранкинг.

     2 мин

Оценка качества

1
  1. 04Оценка качества LLM-продукта

    Как собрать набор примеров, какие проверки делать кодом, когда нужен LLM-судья и как мерить качество поиска.

     2 мин

Инструменты и агенты

1
  1. 05Инструменты, агенты и безопасность

    Как модель вызывает функции, когда нужен агент, что такое MCP и почему prompt injection — главная угроза агентам.

     2 мин

LLM в продакшене

1
  1. 06LLM в продакшене — стоимость, надёжность и наблюдаемость

    Как сделать LLM-функцию быстрой, недорогой и надёжной — стриминг, повторы, кэш, guardrails, трассировка и борьба с галлюцинациями.

     2 мин

Основы машинного обучения

4
  1. 07Основы машинного обучения — задачи, выборки и первые модели

    Какие бывают задачи ML, зачем делить данные на выборки, что такое переобучение и как обучаются линейная и логистическая регрессия.

     2 мин
  2. 08Метрики качества моделей

    Матрица ошибок, precision и recall, ROC-AUC и PR-AUC, метрики регрессии и работа с несбалансированными классами.

     1 мин
  3. 09Признаки, утечки и честная валидация

    Как строить признаки, находить утечку данных, выбирать схему кросс-валидации и читать кривые обучения.

     1 мин
  4. 10Статистика и A/B-тесты

    Проверка гипотез и p-value, ошибки первого и второго рода, дизайн A/B-теста, размер выборки и почему нельзя подглядывать.

     1 мин

Модели машинного обучения

1
  1. 11Деревья решений и градиентный бустинг

    Как строится дерево, чем случайный лес отличается от бустинга, как выбрать между XGBoost, LightGBM и CatBoost и как объяснить прогноз.

     1 мин
Партнёр платформы

Разбор собеседования с sotto

После собеседования sotto разбирает разговор: оценка, каждый вопрос — хорошо, частично или слабо, чего не хватило в ответе и над чем поработать к следующему разу. Первые 30 минут бесплатно.

Разбор собеседования