[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"general-list":3,"footer-feature-tags":4,"slate-glossary-term-neural-network":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":149},{"id":68,"slug":69,"translations":70,"category":84,"tags":92,"letter":110,"og_image":17,"cover":17,"author_name":17,"author_position":17,"author_avatar":17,"faqs":111,"related":125,"views_count":146,"helpful_yes_count":114,"helpful_no_count":114,"created_at":147,"updated_at":148,"published_at":17},262,"neural-network",{"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},"Нейронная сеть","Математическая модель из связанных «нейронов», в которой каждое соединение имеет вес, подбираемый во время обучения.","Нейронная сеть — это математическая конструкция, отдалённо вдохновлённая работой мозга. Она состоит из слоёв «нейронов», каждый из которых принимает сигнал, домножает на веса и передаёт дальше. Сами веса подбираются во время обучения так, чтобы сеть давала правильные ответы на обучающих примерах. Современные нейросети могут содержать миллиарды таких весов.","\u003Cp>Слово «нейронная» в нейронной сети — историческая метафора. С настоящими нейронами мозга у этих моделей мало общего: это просто удобная вычислительная структура, на которой хорошо работает обучение.\u003C\u002Fp>\u003Ch3>Из чего состоит\u003C\u002Fh3>\u003Cul>\u003Cli>\u003Cstrong>Слои нейронов\u003C\u002Fstrong> — входной, несколько скрытых, выходной.\u003C\u002Fli>\u003Cli>\u003Cstrong>Веса связей\u003C\u002Fstrong> — числа, которые подбираются во время обучения.\u003C\u002Fli>\u003Cli>\u003Cstrong>Функция активации\u003C\u002Fstrong> — нелинейность, без которой сеть была бы просто линейной формулой.\u003C\u002Fli>\u003Cli>\u003Cstrong>Функция потерь\u003C\u002Fstrong> — измеряет, насколько ответ сети далёк от правильного.\u003C\u002Fli>\u003C\u002Ful>\u003Ch3>Как учится\u003C\u002Fh3>\u003Cp>Сеть видит пример, делает предсказание, получает значение функции потерь и корректирует веса с помощью метода обратного распространения ошибки. Этот цикл повторяется миллионы раз на огромных наборах данных.\u003C\u002Fp>","\u003Cul>\u003Cli>Данные сложные: изображения, текст, звук, временные ряды\u003C\u002Fli>\u003Cli>Простые модели исчерпали себя\u003C\u002Fli>\u003Cli>Есть достаточно данных и вычислительных ресурсов\u003C\u002Fli>\u003C\u002Ful>","\u003Cul>\u003Cli>Небольшая таблица с понятными признаками — часто хватит логистической регрессии или градиентного бустинга\u003C\u002Fli>\u003Cli>Нужно объяснить каждое решение в терминах входных данных — нейросети плохо поддаются объяснению\u003C\u002Fli>\u003C\u002Ful>","\u003Cp>Свёрточная нейросеть рассматривает картинку слоями: первые слои находят простые линии и края, средние — детали вроде глаз и колёс, последние — целые объекты. На выходе сеть выдаёт распределение вероятностей: «это кот с вероятностью 0,92, собака — 0,06, всё остальное — 0,02».\u003C\u002Fp>","\u003Cp>Если только начинаете, берите готовые библиотеки — PyTorch, TensorFlow, JAX — и предобученные модели из открытых репозиториев. Свою сеть с нуля имеет смысл писать только для исследований или для нестандартных задач, под которые нет готовых решений.\u003C\u002Fp>","нейронная сеть, нейросеть, искусственная нейронная сеть, neural network","Neural Network","Нейронная сеть: что это и как работает | Глоссарий Shtab","Нейронная сеть — модель из связанных «нейронов» с весами, подбираемыми при обучении. Из чего состоит, как учится, когда применять и где границы.",{"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.",[93,102],{"id":94,"slug":95,"kind":96,"hex":97,"order":98,"translations":99},17,"model","framework","#352eb3",30,{"ru":100},{"title":101},"Модель",{"id":103,"slug":104,"kind":105,"hex":87,"order":106,"translations":107},36,"ai-foundation","other",90,{"ru":108},{"title":109},"Основы ИИ","Н",[112,119],{"id":113,"order":114,"translations":115},1496,0,{"ru":116},{"question":117,"answer":118},"Нейросеть действительно работает как мозг?","\u003Cp>Нет, это очень упрощённая математическая модель, вдохновлённая мозгом, но не повторяющая его. Реальные биологические нейроны устроены гораздо сложнее, и большинство архитектур современных нейросетей не похожи на устройство мозга.\u003C\u002Fp>",{"id":120,"order":61,"translations":121},1497,{"ru":122},{"question":123,"answer":124},"Что значит «количество параметров модели»?","\u003Cp>Это число подбираемых весов в сети. У небольших моделей это десятки или сотни тысяч, у крупных языковых моделей — сотни миллиардов и больше. Чем больше параметров, тем выше потенциальная гибкость модели, но и тем дороже её обучение и эксплуатация.\u003C\u002Fp>",{"parent":126,"child":134,"related":142},[127],{"id":128,"slug":129,"translations":130},261,"deep-learning",{"ru":131},{"title":132,"short_definition":133},"Глубокое обучение","Раздел машинного обучения, использующий многослойные нейросети для работы с изображениями, текстом, звуком и другими сложными данными.",[135],{"id":136,"slug":137,"translations":138},265,"transformer",{"ru":139},{"title":140,"short_definition":141},"Трансформер (архитектура нейросети)","Архитектура нейросети из статьи «Attention Is All You Need» (2017), на которой построены почти все современные большие языковые модели.",[143],{"id":136,"slug":137,"translations":144},{"ru":145},{"title":140,"short_definition":141},105,"2026-05-11T19:55:46.176158+03:00","2026-05-11T19:55:46.176174+03:00",[150,181,202],{"id":151,"slug":152,"translations":153,"category":158,"tags":161,"letter":179,"cover":17,"updated_at":180,"published_at":17},282,"mcp",{"ru":154},{"title":155,"short_definition":156,"translation_en":157},"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":159},{"ru":160},{"title":90,"description":91},[162,170],{"id":163,"slug":164,"kind":96,"hex":165,"order":166,"translations":167},37,"llm","#7c5ce6",91,{"ru":168},{"title":169},"LLM",{"id":171,"slug":172,"kind":173,"hex":174,"order":175,"translations":176},40,"ai-tool","tool","#5e79ec",94,{"ru":177},{"title":178},"Инструмент ИИ","M","2026-05-11T19:55:53.687297+03:00",{"id":182,"slug":183,"translations":184,"category":189,"tags":192,"letter":179,"cover":17,"updated_at":201,"published_at":17},287,"mlops",{"ru":185},{"title":186,"short_definition":187,"translation_en":188},"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":190},{"ru":191},{"title":90,"description":91},[193,198],{"id":61,"slug":194,"kind":194,"hex":174,"order":61,"translations":195},"methodology",{"ru":196},{"title":197},"Методология",{"id":171,"slug":172,"kind":173,"hex":174,"order":175,"translations":199},{"ru":200},{"title":178},"2026-05-11T19:55:55.482827+03:00",{"id":203,"slug":204,"translations":205,"category":210,"tags":213,"letter":220,"cover":17,"updated_at":221,"published_at":17},278,"rag",{"ru":206},{"title":207,"short_definition":208,"translation_en":209},"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":211},{"ru":212},{"title":90,"description":91},[214,217],{"id":163,"slug":164,"kind":96,"hex":165,"order":166,"translations":215},{"ru":216},{"title":169},{"id":171,"slug":172,"kind":173,"hex":174,"order":175,"translations":218},{"ru":219},{"title":178},"R","2026-05-11T19:55:52.147205+03:00"]