Deep-Learning on ntdim

Как нейросети генерируют картинки: от GAN к диффузии

Wed, 05 Aug 2026 00:00:00 +0000

Все алгоритмы, о которых мы говорили до сих пор — линейная регрессия, бустинг, свёрточные сети — анализируют данные. Они берут картинку и говорят «кошка», берут таблицу и предсказывают число. Но самая заметная часть современного AI делает обратное: она создаёт данные. Stable Diffusion рисует картины по текстовому описанию, DALL-E придумывает логотипы, Midjourney генерирует портреты. Как?

Как нейросети научились видеть: свёртки, фильтры и архитектура CNN

Wed, 05 Aug 2026 00:00:00 +0000

В прошлой статье мы разбирали классическое машинное обучение — алгоритмы, которые подбирают функцию под табличные данные. Но у таблиц есть предел: они не описывают изображения. Картинка 224×224 — это 150 тысяч чисел (пикселей), и связывать каждый пиксель с каждым, как делает полносвязная сеть, бессмысленно: слишком много параметров, слишком мало сигнала, слишком сильное переобучение.

Карта AI: 38 алгоритмов одним взглядом

Wed, 05 Aug 2026 00:00:00 +0000

Искусственный интеллект часто представляют как магию: «нейросеть научилась», «модель поняла». Но за каждым «чудом» стоит конкретный алгоритм — иногда пятидесятилетней давности, иногда свежий. И этих алгоритмов не бесконечное множество: фундамент современной индустрии AI держится примерно на тридцати восьми ключевых методах.

Эта статья — карта материка. Она не уходит вглубь ни в одном алгоритме (для этого есть отдельные статьи серии «Как работают LLM»), а показывает, как алгоритмы связаны между собой, в каком историческом порядке появлялись и зачем нужны. Если вы только начинаете в AI и не понимаете, куда смотреть — это ваша точка входа.

Как нейросети научились понимать смысл слов: разбор механизма самовнимания (Self-Attention)

Fri, 10 Apr 2026 00:00:00 +0000

В 2017 году вышла статья «Attention Is All You Need». С тех пор почти все большие языковые модели — от ChatGPT до Grok и Claude — построены на одном ключевом механизме. Он называется Self-Attention (самовнимание) и позволяет модели динамически «понимать» контекст и менять смысл каждого слова в зависимости от окружения. Разберём, как это работает, с простой метафорой архива и без лишней математики.