Machine-Learning on ntdim

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.

Почему логистическая регрессия всё ещё бьёт нейросети: основы классического ML

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

Каждый раз, когда ChatGPT делает что-то умное, заголовки кричат про «революцию нейросетей». И возникает обманчивое впечатление, что старые алгоритмы — линейная регрессия, решающие деревья — это вчерашний день, музей ML. Но зайдите в любой банк, страховую компанию или e-commerce, посмотрите, что реально предсказывает отток клиентов, оценивает кредитный риск или ранжирует товары в выдаче. С вероятностью 80% там работает не LLM, а градиентный бустинг — алгоритм, которому в этом году исполняется 22 года.

Что такое информация? Фундамент Шеннона, на котором стоит весь современный ИИ

Mon, 04 May 2026 00:00:00 +0000

В мире, где каждый день генерируются эксабайты данных, а модели вроде GPT, Claude и Grok кажутся почти разумными, важно остановиться и задать базовый вопрос: что такое информация на самом деле?

Не в бытовом смысле («много информации в этой книге»), а в строгом, математическом. Ответ на этот вопрос дал Клод Шеннон в 1948 году. И именно эта идея — теория информации — сегодня лежит в основе сжатия данных, сетевых протоколов, машинного обучения и больших языковых моделей (LLM), которые многие из нас сейчас крутят на домашних серверах.