Від нахилу до зворотного поширення: створюємо невеликий рушій автоматичного диференціювання
Векторне розкладання та підпростори: що читає та стирає матриця
Як нейрони стали лінійною алгеброю
Що робить вагова матриця і навіщо потрібна нелінійність
Як побудувати регресор дерева рішень з нуля
Як побудувати класифікатор дерева рішень з нуля
Негативна вибірка та контрастне навчання — від word2vec до CLIP
Вбудовування слів — word2vec і вектори, які щось означають
Floats, bfloat і те, як біти формують пам’ять моделі
Як зібрати контекст для LLM-агента: докладний розбір
Створюємо Model Armor: багаторівнева фільтрація безпеки для LLM
Як захистити вебзастосунок, у якому ви ще не повністю розібралися
Як працюють CNN: згортки, карти ознак і пулінг
Накладні витрати GPU: чому наша модель MNIST навчається швидше на CPU
Вплив гіперпараметрів на навчання
Async/await для контейнерів: як Trigger.dev призупиняє та відновлює виконання завдань
Навчання справжньої нейронної мережі на MNIST
Анатомія атаки на ланцюг постачання, спрямованої на розробників
Як навчаються нейронні мережі: зворотне поширення та градієнтний спуск
Як працює двійкова арифметика: цілі числа в додатковому коді та числа з рухомою комою IEEE-754
Зміщений і додатковий код: два способи подання чисел зі знаком
Дейкстра мав рацію — рекурсія не повинна бути складною
Удосконалюйте навички зворотної інженерії
Станьте професіоналом GIT, вивчивши архітектуру GIT за 15 хвилин
Як Number у JavaScript і float у Python зберігають числа
Простий вступ до компіляторів. Частина 1: лексичний аналіз і сканер
Сигнали в Angular: докладний розбір для зайнятих розробників
Поєднання крапок: куди вас можуть привести наполеглива праця та мрії
Як округлити двійкові числа
Проста математика, яка лежить в основі алгоритмів десятково-двійкового перетворення