Подборка внешних ML, AI и system design лабораторий SohoBook: визуализации моделей, алгоритмов, LLM-практики, deep learning лекции и каталоги инструментов.
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.
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.
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.
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.
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.
Начните с кнопки Start from data и проходите панели последовательно: данные, токены, обучение, генерация. Меняйте параметры, когда интерфейс предлагает это, и сравнивайте результат генерации.
Тренирует системное мышление: компоненты распределенной архитектуры, потоки запросов, задержки, перегрузки и отказоустойчивость. Полезно для перехода от ML-модели к реальному сервису вокруг нее.
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.
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.
Откройте README и выберите ветку обучения: Fundamentals, Scientist или Engineer. Для практики запускайте Colab notebooks и фиксируйте, какие техники уже повторили руками.
Дает академическую рамку deep learning: нейросетевые основы, обучение, аппроксимацию, архитектуры, графы и обобщение. Материал помогает связать практические инструменты с университетской теорией.
Смотрите лекции по порядку, параллельно открывая Lecture Notes и Homework. После каждой лекции выписывайте ключевую идею и проверяйте ее на маленьком кодовом примере.
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.
Откройте README, найдите нужную категорию через поиск браузера и сравните несколько зрелых проектов по документации, активности и применимости к вашей учебной задаче.