SohoWare инженерные решения
Перейти к содержимому
SohoBookУчебник
Открыть лабораторию

ML-лаборатория

14 практических тренажёров SohoBook: экспериментируйте с данными, моделями и обучением. Дополнительные внешние лаборатории и материалы.

Практика SohoBook

Введение

Научи сортировщик

Выберите примеры и выясните, каких данных не хватает модели.

5–10 минут · 3 задания →Основы Python

Детектив переменных

Предскажите значение и проследите, как Python меняет объекты.

5–10 минут · 3 задания →Основы Python

Подготовь данные

Соберите последовательность операций и найдите опасное преобразование.

5–10 минут · 3 задания →Основные математические вычисления

Матрица меняет пространство

Управляйте базисом и наблюдайте геометрию линейного преобразования.

5–10 минут · 3 задания →Основные математические вычисления

Сожми изображение через SVD

Выберите число компонент и измерьте цену потери деталей.

5–10 минут · 3 задания →Модели обучения на основе статистики и вероятности

Можно ли доверять сигналу?

Проверьте детектор брака на партии из 1000 изделий.

5–10 минут · 3 задания →Модели обучения на основе статистики и вероятности

Цена уверенной ошибки

Сопоставьте прогноз с истинным распределением и наблюдайте потери.

5–10 минут · 3 задания →Функция прогнозирования и Универсальная теория прогнозирования

Научи модель попадать в точки

Сравните ручную настройку с градиентным спуском.

5–10 минут · 3 задания →Функция прогнозирования и Универсальная теория прогнозирования

Собери кривую из нейронов

Наблюдайте вклад каждого нейрона и ошибку на новых точках.

5–10 минут · 3 задания →Перцептрон и методы опорных сигналов (SVM)

Обучи один нейрон

Проследите исправление ошибки и предел линейного разделения.

5–10 минут · 3 задания →Перцептрон и методы опорных сигналов (SVM)

Построй границу SVM

Исследуйте ядро, ширину границы и опорные векторы.

5–10 минут · 3 задания →Искусственный интеллект: Определение, история и будущее

Три способа играть

Сравните правила, поиск и обучение на опыте.

5–10 минут · 3 задания →Основные подходы и этические соображения в машинном обучении

Робот и неправильная награда

Исправьте награду так, чтобы робот доставлял груз.

5–10 минут · 3 задания →Основные подходы и этические соображения в машинном обучении

Кого ошибочно заблокировал фильтр?

Сравните последствия двух политик для синтетических групп.

5–10 минут · 3 задания →

Дополнительные ресурсы

Курсы NVIDIA: от основ ИИ к практике

Восемь внешних учебных материалов с комментариями SohoBook. Выберите направление или отдельный курс; предварительная подготовка и задания помогут связать изучение с главами учебника.

Описание программы отделено от авторских рекомендаций и заданий SohoBook. Описания доступны на трёх языках; язык самого курса, условия регистрации, лабораторного доступа и сертификатов уточняйте у организатора. Исходные ссылки сохранены; адреса courses.nvidia.com используют перенаправление.

Сведения об источниках проверены 15 октября 2026 года.

Рекомендуемые последовательности изучения

NVIDIA

Объяснение генеративного ИИ

Generative AI Explained

Программа организатора

Вводный курс NVIDIA знакомит с принципами генеративного искусственного интеллекта, примерами его применения, возможностями и ограничениями. Он позволяет составить общее представление о технологиях создания нового содержания и об условиях их использования. Материал следует рассматривать как концептуальное введение, после которого можно переходить к устройству отдельных моделей и практической разработке.

Методические рекомендации SohoBook

Цель изучения

Учебная цель — научиться содержательно объяснять, какую задачу решает генеративная модель и чем полученный результат отличается от проверенного факта. Полезно сопоставлять генерацию с классификацией и поиском: эти задачи могут сочетаться в одном приложении, но оцениваются по разным критериям.

Рекомендуемая подготовка

Специальная математическая подготовка для первого знакомства не требуется. Рекомендуется предварительно прочитать введение SohoBook и разобраться в понятиях данных, модели и обучения. Во время просмотра составляйте словарь терминов, связывая каждое определение с конкретным примером использования системы.

На что обратить внимание

Особое внимание уделите зависимости ответа от запроса и контекста, правдоподобным ошибкам и границам применимости. Обсудите, почему связный текст ещё не доказывает достоверность изложенного. Интерес представляет переход от демонстрационного примера к рабочему процессу, где предусмотрены источники, критерии качества и ответственность человека.

Практическая ценность

Материал полезен для осмысленного выбора задач автоматизации: подготовки черновиков, преобразования текста и помощи при анализе информации. Для каждого случая отдельно определяйте допустимую ошибку, порядок проверки и требования к исходным данным. Такой подход помогает сформулировать задачу до выбора конкретного инструмента.

Задание для самопроверки

Выберите три учебные или профессиональные задачи. Для каждой опишите ожидаемый результат, один вероятный сбой и способ проверки. Затем объясните, где достаточно обычного поиска или алгоритма, а где генерация даёт дополнительную пользу. Подкрепите выводы примерами, а не общими оценками возможностей ИИ.

Связанные главы SohoBook

Открыть материал
К содержанию подборки

NVIDIA

Нейронная сеть: «мозг» за десять минут

Building a Brain in 10 Minutes

Программа организатора

Краткий учебный материал NVIDIA посвящён тому, как нейронная сеть учится на данных, и математическим операциям, лежащим в основе искусственного нейрона. В официальном каталоге среди используемых инструментов указан Python. Название обозначает компактный формат знакомства с темой; полноценное изучение математического аппарата требует дальнейшей самостоятельной работы.

Методические рекомендации SohoBook

Цель изучения

Цель изучения — связать входные признаки, веса, смещение и выход модели в одну вычислительную схему. Важно различать выполнение уже заданного вычисления и изменение параметров при обучении. Эта разница станет опорой для последующего изучения перцептрона, функции потерь и методов оптимизации.

Рекомендуемая подготовка

Повторите сложение, умножение, понятие функции и представление вектора. Знакомство с переменными и простыми выражениями Python поможет читать примеры. Если обозначения пока непривычны, сначала выполните расчёт для двух входов на бумаге, а затем сопоставьте его с программной записью той же операции.

На что обратить внимание

Проследите, какие величины поступают из наблюдений, какие выбираются разработчиком, а какие определяются в ходе обучения. Обратите внимание на роль нелинейного преобразования и смысл ошибки прогноза. Полезно отдельно обсуждать границы аналогии с биологическим мозгом: учебная математическая модель не воспроизводит всё устройство нервной системы.

Практическая ценность

Практическая ценность материала заключается в возможности разобрать малый пример целиком. Вместо запоминания названий библиотек объясняйте назначение каждой операции и ожидаемое изменение результата. Такой разбор помогает обнаруживать ошибки в размерностях и понимать, почему изменение одного веса влияет на предсказание.

Задание для самопроверки

Задайте два входа, два веса и смещение, вычислите взвешенную сумму. Измените по очереди вход и вес, сравните результаты. Сформулируйте, какую дополнительную информацию необходимо задать для обучения, включая целевой ответ и меру ошибки. Отделите ручное изменение параметра от алгоритма, который выбирает изменение по данным.

Связанные главы SohoBook

Открыть материал
К содержанию подборки

NVIDIA · Coursera

Основы инфраструктуры и эксплуатации ИИ

AI Infrastructure and Operations Fundamentals

Программа организатора

Предоставленная ссылка на введение в ИИ в центре обработки данных ведёт к обновлённому курсу NVIDIA на Coursera — AI Infrastructure and Operations Fundamentals. Программа охватывает основы ИИ, машинного и глубокого обучения, программный стек, вычислительные платформы и эксплуатацию инфраструктуры. Рассматриваются GPU и CPU, сети, хранение данных, облачное размещение, мониторинг и оркестрация.

Методические рекомендации SohoBook

Цель изучения

Цель изучения — понять связь между задачей машинного обучения и системой, которая её выполняет. Следует уметь объяснить, почему характеристики модели сами по себе недостаточны для выбора оборудования и почему обучение и обслуживание пользовательских запросов предъявляют различные требования к ресурсам.

Рекомендуемая подготовка

Курс обозначен организатором как начальный. Для осмысленного изучения полезны базовые представления об операционной системе, файлах, памяти и сетевом соединении. Предварительно просмотрите введение SohoBook; незнакомые инфраструктурные термины фиксируйте отдельно, не смешивая их с названиями алгоритмов и моделей.

На что обратить внимание

Проследите путь данных от хранилища до вычислений и выдачи результата. Особого внимания заслуживают пропускная способность, задержка, доступная память и загрузка устройств. Интересно сопоставить ускорение отдельной операции с производительностью всей системы: быстрый процессор не устраняет ожидание передачи данных или недостаток памяти.

Практическая ценность

Материал помогает обсуждать архитектуру проекта с инженерами инфраструктуры и формулировать требования к размещению. Для учебного проекта сравните локальный сервер и облачную среду по доступности ресурсов, управляемости и способу контроля нагрузки. Отдельно рассмотрите наблюдаемость системы: какие показатели позволят обнаружить снижение производительности.

Задание для самопроверки

Нарисуйте схему сервиса, который принимает документ и возвращает результат обработки моделью. Отметьте вычисления, память, хранение, сеть и мониторинг. Для двух сценариев — обучения и инференса — назовите вероятное ограничение производительности и измерение, которым можно проверить гипотезу. Обоснуйте выводы через движение данных, а не через список оборудования.

Связанные главы SohoBook

Открыть материал Актуальная страница курса
К содержанию подборки

NVIDIA

Расширение возможностей языковой модели с помощью RAG

Augment Your LLM Using Retrieval Augmented Generation

Программа организатора

Вводный материал NVIDIA посвящён Retrieval Augmented Generation — генерации с использованием найденных внешних материалов. Рассматривается способ дополнить работу языковой модели актуальными данными предметной области без её повторного обучения. Курс знакомит с основами RAG и процессом извлечения информации, необходимой для формирования ответа на пользовательский запрос.

Методические рекомендации SohoBook

Цель изучения

Учебная цель — объяснить взаимодействие поиска и генерации как двух различных этапов. Важно понимать, что источник знаний может находиться вне параметров модели. Сопоставьте RAG с обычным запросом к модели и с дообучением, обращая внимание на то, что именно меняется в каждом случае.

Рекомендуемая подготовка

Рекомендуется сначала познакомиться с генеративным ИИ и базовыми принципами работы языковых моделей. Полезно представлять устройство текстового документа, поискового запроса и набора данных. Для первого концептуального знакомства глубокая математика не обязательна; технические детали следует изучать после понимания общего потока информации.

На что обратить внимание

Разберите последовательность: подготовка документов, поиск подходящих фрагментов, добавление контекста и формирование ответа. Обратите внимание на различие между похожим текстом и текстом, действительно подтверждающим утверждение. Особенно интересны случаи, когда нужный ответ отсутствует в источниках либо найденные документы противоречат друг другу.

Практическая ценность

Подход полезен для работы со справочниками, технической документацией и учебными материалами. При проектировании такого помощника отдельно оценивайте качество поиска и достоверность итогового ответа. Наличие подключённой базы документов не гарантирует правильности: необходимо проверять, соответствует ли вывод содержанию найденного источника.

Задание для самопроверки

Возьмите небольшой набор открытых документов и составьте пять вопросов, включая один без ответа в материалах. Для каждого укажите подтверждающий фрагмент либо отсутствие данных. Опишите ожидаемое поведение помощника и объясните, как отличить ошибку поиска от ошибки генерации при проверке полученного результата.

Связанные главы SohoBook

Открыть материал
К содержанию подборки

NVIDIA

Разработка RAG-агентов на основе языковых моделей

Building RAG Agents with LLMs

Программа организатора

Практический курс NVIDIA посвящён построению систем на основе языковых моделей, которые используют документы и извлечение информации для ведения содержательного диалога. Программа затрагивает организацию взаимодействия компонентов, представление документов, использование эмбеддингов и реализацию RAG-агентов. В описании организатора также выделены эффективное выполнение запросов и масштабирование систем под потребности пользователей.

Методические рекомендации SohoBook

Цель изучения

Цель — перейти от общей схемы RAG к пониманию устройства работающего приложения. Необходимо уметь объяснять назначение каждого компонента: загрузки документов, поиска, формирования контекста, обращения к модели и обработки ответа. Представление системы как набора связанных операций облегчает проверку и поиск ошибок.

Рекомендуемая подготовка

Рекомендуются уверенное владение базовыми конструкциями Python, понимание функций и структур данных, а также предварительное изучение вводного материала по RAG. Полезно уметь читать сообщения об ошибках и работать с учебными блокнотами. Перед запуском примеров уточните требования актуальной среды курса и используемых библиотек.

На что обратить внимание

Особое внимание уделите связи между представлением документа и качеством поиска, управлению состоянием диалога и границам ответственности компонентов. Интересен вопрос воспроизводимости: одинаковый набор проверочных запросов позволяет сравнивать варианты системы. Различайте успешный запуск приложения и подтверждённую способность отвечать по содержанию источников.

Практическая ценность

Материал полезен при создании помощника по техническим инструкциям или учебной литературе. Начинайте с небольшого открытого корпуса, для которого можно проверить ответы вручную. При увеличении нагрузки отдельно наблюдайте время поиска, время генерации и общий отклик; это позволит обосновывать изменения архитектуры измерениями.

Задание для самопроверки

Подготовьте схему RAG-приложения и набор из шести запросов: обычные вопросы, уточнение предыдущего вопроса и запрос без ответа в документах. Опишите ожидаемый результат каждого. Затем предложите два изменения системы и укажите, какие измерения помогут определить, улучшили ли они качество или только изменили скорость.

Связанные главы SohoBook

Открыть материал
К содержанию подборки

NVIDIA

Ускорение процессов Data Science без изменения кода

Accelerate Data Science Workflows with Zero Code Changes

Программа организатора

Материал NVIDIA знакомит с ускорением обработки данных и машинного обучения на GPU при использовании привычных программных интерфейсов. В каталоге курса указаны инструменты RAPIDS — cuDF, cuML и cuGraph, а также pandas, scikit-learn и NetworkX. Основная тема — перенос подходящих вычислений на ускоритель без полного переписывания существующего аналитического процесса.

Методические рекомендации SohoBook

Цель изучения

Цель изучения — понять условия, при которых совместимые интерфейсы позволяют ускорить вычисления, сохраняя знакомую организацию программы. Формулировку названия следует связывать с поддерживаемыми операциями и конкретной средой. Она не означает, что любой Python-код автоматически выполняется быстрее или вообще не требует настройки окружения.

Рекомендуемая подготовка

Нужны базовые знания Python и опыт простых операций с таблицами: фильтрации, группировки и объединения. Полезно понимать назначение обучения модели и проверки результата. Перед практикой повторите различие между объёмом данных, количеством операций и доступной памятью, поскольку эти характеристики влияют на выбор вычислительного средства.

На что обратить внимание

Обратите внимание на совместимость типов данных, поддержку операций и затраты передачи данных между CPU и GPU. Сравнивайте полное время выполнения задачи, а не только отдельный быстрый участок. Интерес представляют небольшие наборы данных, для которых дополнительные расходы могут оказаться существеннее выигрыша от параллельных вычислений.

Практическая ценность

Подход полезен для ускорения повторяющейся аналитики и экспериментов с машинным обучением. Обоснованный переход начинается с измерения исходного процесса и проверки совпадения результатов. Фиксируйте версии библиотек, параметры оборудования и размер входа: без этих сведений сравнение производительности трудно воспроизвести и интерпретировать.

Задание для самопроверки

Выберите одну табличную операцию и составьте план сравнения CPU и GPU на трёх размерах данных. Укажите, включается ли загрузка в измеряемое время, как учитывается прогрев и каким способом проверяется результат. Если GPU недоступен, подготовьте протокол эксперимента и гипотезы, не выдавая расчётные ожидания за измерения.

Связанные главы SohoBook

Открыть материал
К содержанию подборки

NVIDIA Developer · YouTube · Class Central

Рекомендательные системы: разбор конкурсных решений

Mastering Recommender Systems · Grandmaster Series

Программа организатора

Это видеосеминар NVIDIA Developer из серии Grandmaster Series, опубликованный на YouTube и представленный в каталоге Class Central. Участники разбирают решения соревнования по рекомендациям для электронной торговли. Заявленные темы включают двухэтапную модель, отбор кандидатов через матрицы совместных посещений, подготовку признаков для повторного ранжирования и объединение моделей в ансамбль.

Методические рекомендации SohoBook

Цель изучения

Учебная цель — понять, зачем задачу рекомендации разделяют на поиск ограниченного набора кандидатов и более точное упорядочивание этого набора. Важно видеть связь между доступными событиями взаимодействия пользователя и тем сигналом, который модель использует для прогнозирования следующего действия.

Рекомендуемая подготовка

Материал целесообразно изучать после основ статистики, машинного обучения и работы с табличными данными. Повторите понятия признака, обучающей выборки и проверки качества. Полезно заранее разобрать небольшой журнал пользовательских событий, чтобы термины семинара соотносились с понятной структурой исходных данных.

На что обратить внимание

Обратите внимание на отличие совместного появления товаров в сессиях от причинной связи и от устойчивого предпочтения пользователя. При разборе признаков задавайте вопрос, были ли соответствующие сведения доступны в момент рекомендации. Особенно интересно сопоставление конкурсной метрики с качеством системы для реального пользователя.

Практическая ценность

Семинар полезен как пример инженерного анализа сложной задачи и сравнения решений сильных команд. При переносе идей учитывайте размер каталога, обновление ассортимента и появление новых пользователей. Успех в соревновании следует рассматривать как результат в определённых условиях данных и оценки, а не как универсальную гарантию.

Задание для самопроверки

Составьте пять коротких сессий просмотра товаров и вручную подсчитайте совместные появления пар. Предложите кандидатов для следующей рекомендации, затем опишите два признака для их ранжирования. Объясните, как проверять результат на будущих событиях и почему использование информации из будущего приводит к завышенной оценке качества.

Связанные главы SohoBook

Открыть материал
К содержанию подборки

NVIDIA · Coursera

Введение в компьютерные сети

Introduction to Networking

Программа организатора

Курс NVIDIA на Coursera знакомит с назначением компьютерных сетей, их компонентами и требованиями к сетевым решениям. Программа включает модель OSI, набор протоколов TCP/IP, основы Ethernet, адресацию и передачу кадров через коммутаторы. Отдельная часть посвящена требованиям центров обработки данных и принципам организации соответствующей сетевой среды.

Методические рекомендации SohoBook

Цель изучения

Цель изучения — научиться объяснять путь данных между приложениями через несколько уровней сетевого взаимодействия. В контексте ИИ это необходимо для понимания загрузки наборов данных, обращения к удалённой модели и работы распределённой инфраструктуры. Сетевая передача является самостоятельной частью времени выполнения задачи.

Рекомендуемая подготовка

Для начала достаточно уверенного пользования компьютером и общего представления о сервере и клиентском приложении. Полезно различать файл, процесс и сетевое соединение. Во время изучения составляйте таблицу уровней, связывая каждый уровень с его функцией, используемыми адресами и примером передаваемой информации.

На что обратить внимание

Особое внимание уделите различиям между кадром Ethernet, IP-пакетом и транспортным взаимодействием. Разведите понятия пропускной способности и задержки: они описывают разные свойства связи. Интересно проследить, почему увеличение вычислительной мощности сервера не обязательно сокращает время ответа, если приложение ограничено передачей данных.

Практическая ценность

Материал поможет точнее описывать требования к сервисам обработки данных и обсуждать неполадки с сетевыми инженерами. Для практического анализа разделяйте время соединения, передачи запроса, вычислений и получения результата. Такая декомпозиция позволяет искать причину задержки последовательно, проверяя конкретные предположения наблюдаемыми показателями.

Задание для самопроверки

Нарисуйте путь запроса от браузера к серверу с моделью и обратно. Отметьте роль Ethernet, IP и транспортного протокола, не смешивая уровни описания. Сравните два сценария: множество коротких запросов и загрузку большого набора данных. Объясните, в каком случае особенно важна задержка, а в каком — пропускная способность.

Связанные главы SohoBook

Открыть материал
К содержанию подборки
Скриншот HF Viewer с визуализацией архитектуры Hugging Face модели.

HF Viewer

https://hfviewer.com/

Чему научит

Помогает увидеть архитектуру моделей Hugging Face как граф: слои, повторяющиеся блоки, ветвления и общий поток данных. Это полезно, когда обучающийся уже читает model card, но хочет понять, как модель устроена внутри.

Как пользоваться

Откройте ресурс, вставьте ссылку Hugging Face или repo id, например `gpt2`, и изучайте граф от общего вида к деталям. Для быстрых сравнений можно открыть готовые популярные модели на главной странице.

Открыть ресурс
Скриншот Algorithm Visualizer с меню алгоритмов и редактором кода.

Algorithm Visualizer

https://algorithm-visualizer.org/

Чему научит

Дает пошаговую интуицию по алгоритмам и структурам данных: сортировкам, графам, динамическому программированию, поиску и деревьям. Обучающийся видит не только код, но и то, как меняется состояние алгоритма.

Как пользоваться

Выберите тему в левом меню, нажмите Play и следите за визуализацией. Затем меняйте входные данные или код, чтобы проверить крайние случаи и увидеть, почему алгоритм ведет себя именно так.

Открыть ресурс
Скриншот MICROGPT LAB с экраном English Name MicroGPT Inside.

MICROGPT LAB

https://ko-microgpt.vercel.app/

Чему научит

Показывает, как маленькая GPT-модель читает данные, токенизирует символы, учит закономерности и генерирует новые имена. Это компактный мост от абстрактной идеи языковой модели к наблюдаемому учебному эксперименту.

Как пользоваться

Начните с кнопки Start from data и проходите панели последовательно: данные, токены, обучение, генерация. Меняйте параметры, когда интерфейс предлагает это, и сравнивайте результат генерации.

Открыть ресурс
Скриншот paperdraw.dev с диаграммой распределенной системы и панелью симуляции.

paperdraw.dev

https://paperdraw.dev/

Чему научит

Тренирует системное мышление: компоненты распределенной архитектуры, потоки запросов, задержки, перегрузки и отказоустойчивость. Полезно для перехода от ML-модели к реальному сервису вокруг нее.

Как пользоваться

Выберите шаблон или соберите схему из компонентов, соедините потоки и запустите симуляцию. Затем включайте chaos-сценарии, чтобы увидеть, где дизайн ломается и какие узлы надо усиливать.

Открыть ресурс
Скриншот GitHub-репозитория mlabonne/llm-course.

mlabonne/llm-course

https://github.com/mlabonne/llm-course?tab=readme-ov-file

Чему научит

Дает дорожную карту по LLM: фундаментальная математика и Python, роль LLM Scientist, fine-tuning, quantization, datasets, evaluation и инженерия приложений. Это хороший навигатор для последовательного роста.

Как пользоваться

Откройте README и выберите ветку обучения: Fundamentals, Scientist или Engineer. Для практики запускайте Colab notebooks и фиксируйте, какие техники уже повторили руками.

Открыть ресурс
Скриншот MIT OpenCourseWare Deep Learning со списком lecture videos.

MIT OCW Deep Learning

https://ocw.mit.edu/courses/6-7960-deep-learning-fall-2024/resources/lecture-videos/

Чему научит

Дает академическую рамку deep learning: нейросетевые основы, обучение, аппроксимацию, архитектуры, графы и обобщение. Материал помогает связать практические инструменты с университетской теорией.

Как пользоваться

Смотрите лекции по порядку, параллельно открывая Lecture Notes и Homework. После каждой лекции выписывайте ключевую идею и проверяйте ее на маленьком кодовом примере.

Открыть ресурс
Скриншот GitHub-репозитория awesome-machine-learning.

awesome-machine-learning

https://github.com/josephmisiti/awesome-machine-learning

Чему научит

Знакомит с экосистемой ML-библиотек, фреймворков и программ по языкам и задачам. Полезно, чтобы понимать, какие инструменты существуют вокруг Python, TensorFlow, data mining, NLP и production ML.

Как пользоваться

Откройте README, найдите нужную категорию через поиск браузера и сравните несколько зрелых проектов по документации, активности и применимости к вашей учебной задаче.

Открыть ресурс