[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"general-list":3,"footer-feature-tags":4,"slate-glossary-term-deep-learning":66},true,[5,14,20,29,34,40,46,52,56,62],{"id":6,"name":7,"hex":8,"translations":9,"count_pages":13},8,"Компания","#f40925",{"ru":10,"en":11},{"name":7},{"name":12},"Company",9,{"id":15,"name":16,"hex":17,"translations":18,"count_pages":6},26,"Главная страница",null,{"ru":19},{"name":16},{"id":21,"name":22,"hex":23,"translations":24,"count_pages":28},2,"Проекты","#3027ff",{"ru":25,"en":26},{"name":22},{"name":27},"Project",15,{"id":30,"name":31,"hex":17,"translations":32,"count_pages":21},33,"ИИ",{"ru":33},{"name":31},{"id":35,"name":36,"hex":17,"translations":37,"count_pages":39},34,"Комментарии",{"ru":38},{"name":36},4,{"id":41,"name":42,"hex":17,"translations":43,"count_pages":45},25,"Задачи",{"ru":44},{"name":42},24,{"id":47,"name":48,"hex":17,"translations":49,"count_pages":51},27,"Рабочие пространства",{"ru":50},{"name":48},3,{"id":45,"name":53,"hex":17,"translations":54,"count_pages":6},"Kanban-доска",{"ru":55},{"name":53},{"id":57,"name":58,"hex":17,"translations":59,"count_pages":61},23,"Диаграмма Ганта",{"ru":60},{"name":58},1,{"id":28,"name":63,"hex":17,"translations":64,"count_pages":61},"Календарь",{"ru":65},{"name":63},{"detail":67,"more":155},{"id":68,"slug":69,"translations":70,"category":84,"tags":92,"letter":107,"og_image":17,"cover":17,"author_name":17,"author_position":17,"author_avatar":17,"faqs":108,"related":122,"views_count":152,"helpful_yes_count":111,"helpful_no_count":111,"created_at":153,"updated_at":154,"published_at":17},261,"deep-learning",{"ru":71},{"title":72,"short_definition":73,"tldr":74,"full_explanation":75,"when_to_apply":76,"when_not_to_apply":77,"examples":78,"tips":79,"synonyms":80,"translation_en":81,"seo_title":82,"seo_description":83},"Глубокое обучение","Раздел машинного обучения, использующий многослойные нейросети для работы с изображениями, текстом, звуком и другими сложными данными.","Глубокое обучение — это та часть машинного обучения, где основной инструмент — нейросети с большим числом слоёв. Чем глубже сеть, тем более сложные закономерности она может выучить: от линий и углов на картинке до целых объектов и сцен. Именно глубокое обучение стоит за переломом в распознавании изображений, переводом, голосовыми ассистентами и современными большими языковыми моделями.","\u003Cp>До глубокого обучения многие задачи требовали много ручной работы инженера: вручную выделять признаки картинки, придумывать формулы для звука. Глубокие нейросети научились находить такие признаки сами, прямо из сырых данных.\u003C\u002Fp>\u003Ch3>Почему сейчас, а не раньше\u003C\u002Fh3>\u003Cul>\u003Cli>Доступные большие наборы данных — без них глубокие сети не учатся.\u003C\u002Fli>\u003Cli>Дешёвые видеокарты и тензорные процессоры, на которых можно тренировать сети с миллиардами параметров.\u003C\u002Fli>\u003Cli>Архитектурные открытия последних 10–15 лет: свёрточные сети, рекуррентные сети, трансформеры.\u003C\u002Fli>\u003C\u002Ful>\u003Ch3>Где особенно сильно работает\u003C\u002Fh3>\u003Cul>\u003Cli>Распознавание и генерация изображений и видео.\u003C\u002Fli>\u003Cli>Распознавание и синтез речи.\u003C\u002Fli>\u003Cli>Понимание и генерация текста — современные большие языковые модели тоже глубокие сети.\u003C\u002Fli>\u003Cli>Биоинформатика, химия — например, предсказание структуры белков.\u003C\u002Fli>\u003C\u002Ful>","\u003Cul>\u003Cli>Данные сложные и неструктурированные: картинки, текст, звук, видео\u003C\u002Fli>\u003Cli>Простые модели уже не дают нужного качества\u003C\u002Fli>\u003Cli>Есть доступ к достаточным данным и вычислительным мощностям\u003C\u002Fli>\u003C\u002Ful>","\u003Cul>\u003Cli>Таблица из ста строк — глубокая сеть тут не даст ничего сверх линейной модели\u003C\u002Fli>\u003Cli>Нужна объяснимость каждого решения (например, в кредитном скоринге) — обычное дерево объясняется проще нейросети\u003C\u002Fli>\u003Cli>Очень ограничены вычислительные ресурсы в эксплуатации\u003C\u002Fli>\u003C\u002Ful>","\u003Cp>Команда, которая пять лет назад писала свой свёрточный детектор объектов для системы видеоаналитики, сегодня берёт готовую предобученную сеть и дообучает её на нескольких сотнях своих кадров. Это занимает не месяцы, а дни и даёт качество, которого раньше было трудно добиться даже большим исследовательским проектом.\u003C\u002Fp>","\u003Cp>Глубокое обучение редко начинают с нуля. Обычно берут предобученную модель и дообучают её на своих данных или просто используют как извлекатель признаков. Так получается дешевле, быстрее и часто качественнее, чем тренировать сеть с нуля.\u003C\u002Fp>","Глубокое обучение, глубокие нейросети, Deep Learning, DL","Deep Learning","Глубокое обучение (Deep Learning): что это | Глоссарий Shtab","Глубокое обучение — раздел машинного обучения на основе многослойных нейросетей. Почему работает именно сейчас, где применяется, чем отличается от обычного ML.",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":88},10,"ai","#a855f7",{"ru":89},{"title":90,"description":91},"Искусственный интеллект","Терминология ИИ и больших языковых моделей: машинное обучение, нейросети, LLM, эмбеддинги, промптинг, RAG, агенты, MLOps, безопасность и этика моделей.",[93,99],{"id":61,"slug":94,"kind":94,"hex":95,"order":61,"translations":96},"methodology","#5e79ec",{"ru":97},{"title":98},"Методология",{"id":100,"slug":101,"kind":102,"hex":87,"order":103,"translations":104},36,"ai-foundation","other",90,{"ru":105},{"title":106},"Основы ИИ","Г",[109,116],{"id":110,"order":111,"translations":112},1620,0,{"ru":113},{"question":114,"answer":115},"Чем глубокое обучение отличается от обычного машинного обучения?","\u003Cp>Классическое машинное обучение обычно работает с таблицами признаков, которые придумал человек. Глубокое обучение опирается на нейросети с большим числом слоёв и само учится выделять признаки из сырых данных — пикселей, символов, амплитуд звука. Поэтому оно особенно сильно там, где данные неструктурированные, а признаки трудно описать формулой заранее.\u003C\u002Fp>",{"id":117,"order":61,"translations":118},1621,{"ru":119},{"question":120,"answer":121},"Зачем нужны видеокарты и тензорные процессоры?","\u003Cp>Обучение глубокой нейросети — это огромное количество одинаковых операций над матрицами. Видеокарты (GPU) и тензорные процессоры (TPU) выполняют такие операции в сотни раз быстрее обычного процессора. Без них тренировка современной большой модели заняла бы годы вместо дней, а перебор вариантов архитектуры был бы попросту невозможен.\u003C\u002Fp>",{"parent":123,"child":137},[124,130],{"id":125,"slug":86,"translations":126},259,{"ru":127},{"title":128,"short_definition":129},"Искусственный интеллект (ИИ)","Раздел компьютерных наук о системах, которые решают задачи, обычно требующие человеческого разума: распознавание, перевод, рассуждение, принятие решений.",{"id":131,"slug":132,"translations":133},260,"machine-learning",{"ru":134},{"title":135,"short_definition":136},"Машинное обучение","Подход, при котором программа не пишется вручную, а обучается решать задачу на размеченных или неразмеченных данных.",[138,145],{"id":139,"slug":140,"translations":141},262,"neural-network",{"ru":142},{"title":143,"short_definition":144},"Нейронная сеть","Математическая модель из связанных «нейронов», в которой каждое соединение имеет вес, подбираемый во время обучения.",{"id":146,"slug":147,"translations":148},265,"transformer",{"ru":149},{"title":150,"short_definition":151},"Трансформер (архитектура нейросети)","Архитектура нейросети из статьи «Attention Is All You Need» (2017), на которой построены почти все современные большие языковые модели.",106,"2026-05-11T19:55:45.822153+03:00","2026-05-11T19:55:45.822168+03:00",[156,187,206],{"id":157,"slug":158,"translations":159,"category":164,"tags":167,"letter":185,"cover":17,"updated_at":186,"published_at":17},282,"mcp",{"ru":160},{"title":161,"short_definition":162,"translation_en":163},"MCP (Model Context Protocol, протокол контекста модели)","Открытый протокол, по которому языковые модели и агенты единообразно подключаются к внешним инструментам, данным и сервисам.","Model Context Protocol (MCP)",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":165},{"ru":166},{"title":90,"description":91},[168,177],{"id":169,"slug":170,"kind":171,"hex":172,"order":173,"translations":174},37,"llm","framework","#7c5ce6",91,{"ru":175},{"title":176},"LLM",{"id":178,"slug":179,"kind":180,"hex":95,"order":181,"translations":182},40,"ai-tool","tool",94,{"ru":183},{"title":184},"Инструмент ИИ","M","2026-05-11T19:55:53.687297+03:00",{"id":188,"slug":189,"translations":190,"category":195,"tags":198,"letter":185,"cover":17,"updated_at":205,"published_at":17},287,"mlops",{"ru":191},{"title":192,"short_definition":193,"translation_en":194},"MLOps (эксплуатация ML-моделей)","Практики и инструменты для разработки, выкатки и эксплуатации моделей машинного обучения и ИИ в боевой среде — аналог DevOps для машинного обучения.","MLOps",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":196},{"ru":197},{"title":90,"description":91},[199,202],{"id":61,"slug":94,"kind":94,"hex":95,"order":61,"translations":200},{"ru":201},{"title":98},{"id":178,"slug":179,"kind":180,"hex":95,"order":181,"translations":203},{"ru":204},{"title":184},"2026-05-11T19:55:55.482827+03:00",{"id":207,"slug":208,"translations":209,"category":214,"tags":217,"letter":224,"cover":17,"updated_at":225,"published_at":17},278,"rag",{"ru":210},{"title":211,"short_definition":212,"translation_en":213},"RAG (поиск с дополнением генерации)","Подход, при котором перед ответом языковая модель ищет подходящие документы в базе знаний и использует их как контекст.","Retrieval-Augmented Generation (RAG)",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":215},{"ru":216},{"title":90,"description":91},[218,221],{"id":169,"slug":170,"kind":171,"hex":172,"order":173,"translations":219},{"ru":220},{"title":176},{"id":178,"slug":179,"kind":180,"hex":95,"order":181,"translations":222},{"ru":223},{"title":184},"R","2026-05-11T19:55:52.147205+03:00"]