Все потоки

Эта статья проведёт вас через классический проект по машинному обучению — анализ датасета Titanic. Мы разберём полный цикл работы: от первоначального знакомства с данными и их очистки до построения и валидации первых предсказательных моделей. Вы узнаете, как преобразовывать категориальные признаки, создавать новые переменные, бороться с пропущенными значениями и оценивать качество моделей через ключевые метрики. На примере Random Forest и логистической регрессии наглядно показываю, как разные алгоритмы решают одну задачу и почему выбор модели зависит от поставленной цели.

Камера, о которой сегодня пойдёт речь — невероятно красивая, но за «хипстерской» внешностью скрывается довольно мощное устройство, готовое удивлять даже сейчас, в 2026 году. Отличные JPG-снимки без обработки, удобная работа с мануальной оптикой, рабочее мобильное приложение — поверьте, не каждая современная камера настолько душевная, как этот «Фуджи»!

Любой, кто пытался прикрутить LLM к реальному продакшену в узком домене (медицина, право, инженерия), проходил стадию отрицания: "Да ладно, сейчас промпт подкручу, RAG прикручу — и полетит".

Не полетит. 🙂

На этой неделе (январь 2026 г.) вышел любопытный китайский препринт "Chinese Labor Law Large Language Model Benchmark". Авторы сделали то, до чего у большинства стартапов не доходят руки: вместо написания очередной обертки над OpenAI API, они построили жесткий бенчмарк и доказали, что General-purpose модели сливают специализированным SFT-моделям, как только дело доходит до специфической логики и расчетов. Ниже — разбор статьи с проекцией на мой опыт разработки neshemyaka.ru (Legal AI для оценки исков). Спойлер: китайцы математически подтвердили то, что пришлось выяснять через боль и сжигание токенов.

Суть проблемы: Generalist vs Specialist

Основная гипотеза авторов: большие модели страдают от "размытия" контекста. Когда модель знает все обо всем, она начинает галлюцинировать в задачах, требующих строгой импликации (если А, то Б, но только при условии В). Для проверки они собрали LabourLawBench - датасет из 12 типов задач по трудовому праву. И это не просто "вопрос-ответ".

Архитектура бенчмарка (можно сказать, feature map для разработчика)

Если вы пилите LegalTech, забирайте этот список как готовое ТЗ. Авторы выделили 12 задач:

В embedded-проектах с батарейным питанием управление энергопотреблением часто сводят к нескольким вызовам sleep() и проверке кнопки включения. Пока устройство простое — этого хватает. Но как только появляется аккумулятор, зарядка, дисплей, кнопка питания и требования к пользовательскому поведению, такой подход начинает разваливаться.

Типичные ситуации, с которыми сталкиваются на практике:

● устройство выключено, но подключили зарядку — что должно происходить?

● зарядка идёт, пользователь нажал кнопку — включаться или нет?

● батарея критически разряжена — как корректно отказать во включении?

● устройство долго не используется — когда и как его выключать?

● контроллер питания подал питание сам по себе — это включение или ошибка?

устройство вышло из Deep Sleep — это пробуждение или «холодный старт»?

Хватит воевать с Makefile: как я написал свой таск-раннер на Rust

Устали от табов, .PHONY и bash-лапши? Я тоже. Поэтому написал Nest — декларативный таск-раннер с иерархией, типами и понятным синтаксисом. Рассказываю, как это было и почему вам стоит попробовать.

Сэм Альтман — безусловно, главная звезда ИИ-бума, начавшегося после запуска ChatGPT в 2022 году. Генеральный директор OpenAI стал лицом всей индустрии, и у него есть своя профессиональная страсть: он просто обожает законы масштабирования.

Именно эти эмпирические правила связывают масштаб модели с ее возможностями. Они же объясняют ту лихорадку, что охватила индустрию: в погоне за мощностью компании сметают с рынка чипы, возводят дата-центры и ради энергии готовы даже перезапускать закрытые АЭС.

В своем блоге Альтман сформулировал это так: «интеллект» модели примерно равен логарифму ресурсов, ушедших на ее обучение. Рецепт успеха звучит просто, хоть и дорого: можно бесконечно повышать производительность, если экспоненциально «скармливать» системе все больше данных и вычислительных мощностей…

Это первая статья из цикла о построении CDC-пайплайна в домашней лаборатории.
Полный путь: Telegram → PostgreSQL → Debezium → Kafka → HDFS → DWH.
Но любой пайплайн начинается с данных — и эта статья про их получение.

Будучи достаточно древним поклонником серии Minecraft (именно серии, потому что версии 1.5, 1.7 и 1.9 — совершенно разные поколения игр), я давненько загорелся желанием рассказать, что же такого интересного хранит это незамысловатое название. Как сложилась судьба ее разработчика, Маркуса Перссона, какими идеями он пренебрег, когда наступил его успех, и как он к нему шёл, как развивался этот самобытный мир, и что заставило создателя отказаться от своего творения?

История будет разбита на три (или более) статьи, в каждой из которых будет разобран огромный кусок информации. Будьте готовы к лонгридам.

Также в статье будет инструкция, как сделать своей сервер.

Количество ударов БПЛА по объектам нефтяной и газовой инфраструктуры значительно возросло, в России, где за осень 2023 года было нанесено не менее 27 атак, а в ноябре — рекордные 14 атак на НПЗ, включая атаки морских дронов и дронов на нефтяные платформы, выводя из строя оборудование и вынуждая перенаправлять экспорт. Точных сводных цифр нет, но тенденция показывает резкое увеличение интенсивности атак с применением дронов на российские ТЭЦ, НПЗ и экспортные терминалы в 2023-2024 годах. 

В 2025 году количество ударов БПЛА по объектам нефтегазовой отрасли России значительно возросло: по данным СМИ, их было более 140 атак, что на 50% больше, чем в 2024 году, при этом общая интенсивность атак дронов на российскую территорию выросла в разы, достигая 3,7 тысяч БПЛА в месяц к концу года

Работу мозга можно описать через систему процессов «разгона» и «торможения». Главной в этом процессе будет способность договориться и синхронизировать контакт, между внешними стимулами, внутренними ощущениями и пониманием, когда и какую именно запускать реакцию. Впервые в истории, у нас есть понимание, как и почему эти нейроны вообще устанавливают контакт!

Пока соискателей учат быть «размалеванными барышнями», работодатели на «рынке лимонов» никому ничего не должны. Можно ли узнать, что ждет внутри, еще до получения оффера? Что, если я скажу: текст вакансии — это честная проекция «внутренней кухни» компании? Я уверена, так как проверила это на личном кейсе, и, вооружившись этим инструментом, проанализировала 146 000 вакансий. О том, почему и как это возможно — для тех, кто не считает неудачное трудоустройство «ценным опытом» — рассказываю ниже.

У корпораций в фильмах, сериалах и играх зачастую есть своя история, продуманная до мелочей. При этом производить такие компании могут отнюдь не шоколадки, как Вилли Вонка на своей фабрике, а всё, что угодно — от биологического оружия до космических кораблей. Их айдентика формирует образ, делая каждую из них узнаваемой и запоминающейся. Рассказываем в нашей статье о самых известных фантастических корпорациях и их образах в массовой культуре (и во вполне реальных товарных знаках).

Всем добрый день.

Как известно, во время еды приходит аппетит. А по ходу освоения новых сетевых технологий – здоровый инженерный азарт. При этом обычно используются программные симуляторы сетей.

Важным достоинством таких симуляторов является их универсальность (можно одновременно запускать образы устройств от разных вендоров) и низкий порог входа (можно начать работу на полностью бесплатных программных компонентах и домашнем ноутбуке).

Однако, по мере успешного продвижения, сетевые топологии становятся все более «развесистыми», а используемые образы операционных систем сетевых устройств – все более «прожорливыми». Поэтому, рано или поздно текущая аппаратная платформа становится тормозом прогресса.

Новое исследование показывает, что существующие тесты для оценки генерации кода искусственным интеллектом часто упускают из виду базовые концепции программирования, и предлагает способ создания более надежных оценок.

В сентябре2025 на просторах Хабра была опубликована статья «Облачные сервисы на Tcl/Tk». Спустя полчаса после опубликования появился комментарий от CloudTk-JeffSmith  , который приятно удивил меня:

Первый опыт применения немецких военных дирижаблей оказался не слишком удачным. Если в морском патрулировании они проявили себя довольно толково, и адмиралы Флота открытого моря считали разведывательную ценность цеппелина равной нескольким крейсерам, то бомбовые удары ранних машин были малоэффективны в лучшем случае, в худшем оканчивались гибелью машины. Однако в серию шли всё более совершенные военные дирижабли, а руководство кайзеровского рейха с растущим интересом поглядывало в сторону Британии: не пора ли обрушить на Лондон и другие города пару-другую тонн бомб с цеппелинов? Как водится, далеко не всё пошло по плану.

На рубеже 1910-х годов инженер Генри Лоуренс Гант придумал и начал использовать диаграмму Ганта как способ управления проектами. Основная идея заключается в том, что задачи декомпозированы, имеют начало и конец, и показывают последовательность выполняемых работ. Если вы сталкивались с проектным управлением, то знаете, что это очень полезный инструмент.

Диаграмма Ганта настолько понятна и визуально проста, что её часто используют для визуализации последовательности работ в управлении продуктом. Однако здесь возникают некоторые особенности, которые, на мой взгляд, не помогают, а, скорее мешают продуктовому управлению.

Дело в том, что визуализация по Ганту предполагает, что продуктовые задачи в дорожной карте имеют четкий срок начала и завершения. При этом я часто сталкивался с тем, что в представлении стейкхолдеров задача должна быть выполнена не только в срок, но и с максимальным качеством. Таким образом, используя красивую диаграмму Ганта, мы вводим заинтересованные стороны в заблуждение.

Зачем двигать ползунки мышкой, если вы знаете Python? В статье разбираем Manim — библиотеку, с помощью которой создаются видео на канале 3Blue1Brown. Установка, отличие версий, рендеринг LaTeX-формул и код для вашей первой процедурной анимации. Превращаем скрипты в MP4 без единого кейфрейма.

MVP часто воспринимают как «урезанную версию продукта» или «дешёвый старт перед настоящей разработкой». На практике именно из-за такого подхода MVP не работает: команды копируют сайт в приложение, не понимают, что проверяют, и получают бесполезные результаты.

В этой статье — практический разбор того, как делать MVP правильно: от исследований и гипотез до аналитики, pivot и продуктовых выводов.

Не так давно я опубликовал статью «Когда покупка ИБП становится приключением», где рассказывал про неудачный опыт покупки «нового» ИБП Green Cell 1500VA. Тот хлам я все же вернул продавцу, получив свои денежки обратно. Но от идеи приобрести хороший ИБП задешево не отказался.

Покопавшись пару часов на онлайн-барахолке, нашел нового претендента — Eaton Ellipse ECO 1600 за 140 евро (160 с доставкой, новый стоит чуть больше 400). Продавец с хорошей репутацией выставил его как «новый», и я решил попробовать рискнуть еще раз. О том, попил ли я в итоге шампанское и о самом ИБП узнать можно под катом — там много интересного.