Логистическая регрессия на MNIST (0 vs 1) на PHP: простой пример
Если вам хочется не просто читать про машинное обучение, а попробовать сами – вот хороший учебный кейс.
Разбираем классическую задачу: бинарная классификация цифр (0 vs 1) на датасете MNIST (12 666 обучающих и 2 116 тестовых примеров) с помощью логистической регрессии, обученной через gradient descent. Всего 5 эпох – но результат всё равно шокирующе высокий. :)
Что тут интересного:
можно наглядно посмотреть, как модель работает с изображениями (в виде векторов)
становится понятно, где линейные модели начинают "ломаться"
можно посмотреть код чистой реализации на PHP и самому покопаться в коде – точность: 99.91%
и сравнить с более практичным вариантом на RubixML – точность: 99.95%
Это хороший переход от теории к практике: без заумных вещей, с понятной математикой и кодом.
Есть одна довольно очевидная, но при этом полезная мысль: как научить агента самообучаться и становиться лучше. А, ну и чтобы еще веса моделей не трогать 😁
Мемчик
Большинство агентных систем сегодня неизменяемые в одном конкретном смысле: скилл/правило написано один раз, и либо работает, либо нет. Если что-то грохнулось - иди правь сам или явно проси об этом агента (но сделает ли он лучше еще вопрос). Потом руками пробуешь еще раз, забиваешь и больше не используешь этот скилл. Это, так скажем, "архитектурное решение" явно не подходит.
Попался скилл - Memento-Skills, который должен как раз решать такие проблемы. Система определяет какой скилл подвел, разбирает причину, переписывает код или промпт скилла и сохраняет результат обратно в библиотеку. Все это, естественное, без дообучения модели - в основе цикл Read → Execute → Reflect → Write.
Важный момент про эту библиотеку скиллов: она не просто растет, а остается управляемой. Стартует система с пяти базовых атомарных скиллов - и самостоятельно расширяет набор по мере работы: на бенчмарке GAIA выросла до 41 скилла, на экспертном HLE до 235. При этом результат на GAIA: 80% успешных задач против 50% у статичной RAG-библиотеки. Что на показывает, что эти скиллы живые, а не заморожены.
Есть встроенные скиллы для файлов, PDF, веб-поиска, изображений. Код открытый, github.com/Memento-Teams/Memento-Skills. Из интересного еще то, что проект ориентирован на опенсорс LLM-стек - Kimi, Moonshot, MiniMax, GLM, Zhipu и др.
Надеюсь тебе понравилось. Лучшая благодарность — это твоя подписка на мой Telegram-канал 😊
Представлен сервис DeathByClawd, который показывает, заменит ли ИИ конкретный продукт или сервис уже сейчас. Достаточно ввести название — получаете «Death Score» от 0 до 100. Чем выше балл, тем легче нейросеть сделает то же самое.
Новые возможности цифровой среды AI Factory, инструмент для защиты контейнеров с ИИ-агентом и другие анонсы на GoCloud 2026
В течение дня рассказывали о ключевых векторах развития компании и делились обновлениями на нашей ежегодной конференции про искусственный интеллект и облачные сервисы. Собрали главное в одном посте.
Масштабируем облачные и ИИ-решения
По итогам 2025 года выручка Cloud.ru составила 76,5 млрд рублей, увеличившись на 50% по сравнению с предыдущим годом. При этом доля сервисов и инфраструктуры, необходимой для работы с ИИ, впервые превысила половину общей выручки и составила 54%.
Что запустили в цифровой среде AI Factory
🤖 Agent Space — мобильное и десктоп-приложение для работы с ИИ-агентами. Теперь вы можете отдавать любые команды ИИ-агентам, созданным через сервис Evolution AI Agents, и задавать вопросы о статусе выполнения задач в режиме чата. В каталоге уже представлены «Агент рекрутер», «Агент Python-разработчик», «Агент для работы с контрагентами». С их помощью можно автоматизировать уже более 20 бизнес-сценариев: аналитику, дизайн, HR-задачи.
⚙️ AI Workflows позволяет создавать и автоматизировать рабочие процессы через графический интерфейс. AI Workflows имеет аналогичный n8n функционал и работает по принципу конструктора, позволяя создавать цепочку связанных шагов, которые система будет выполнять по порядку. Инструмент интегрирован с сервисами AI Factory.
🦀 EvoClaw — управляемый облачный сервис собственной разработки для работы с OpenClaw и другими продуктами семейства. ИИ-агент позволяет запустить решение за несколько минут и работает по протоколу A2A, что упрощает взаимодействие с любыми агентными системами. Агент запускается в пару кликов и изначально настроен с фокусом на безопасность: наш приоритет — не просто быстрый старт, а полный контроль над тем, что агент делает и как он это делает.
При этом мы удерживаем цены на все основные облачные и ИИ-сервисы на уровне 2025 года.
Новый инструмент для защиты контейнеров с ИИ-агентом
🔒 Тестируйте Evolution Container Security — сервис собственной разработки для обеспечения безопасности контейнерных сред Kubernetes. Он сканирует контейнеры на уязвимости, а встроенный ИИ-агент сам генерирует политики безопасности под вашу среду. Это позволяет сократить время на настройку защиты и снизить риск ошибки.
С сервисом вы можете:
использовать готовые политики безопасности или брать их за основу для создания своих
создавать и управлять политиками безопасности, настраивая собственные правила допуска
сканировать образы контейнеров, их настройки, хосты на предмет уязвимостей и приоритизировать их
получать отчеты с общей оценкой риска и идентификаторами уязвимостей
проверять конфигурации во время развертывания контейнеров и подов
🛡️ Guardrails Filter — решение для безопасной работы c ИИ. Это первый инструмент для защиты от утечек при запросах к популярным open source моделям у российских облачных провайдеров. Инструмент предназначен для работы с моделями из сервиса Evolution Foundation Models.
Запускаем новое бизнес-направление Neocloud
Выделили в отдельное бизнес-направление решения для работы с ИИ. Это единая управляемая среда, объединяющая инфраструктуру, данные и инструменты для полного цикла работы с моделями — от разработки и обучения до инференса и эксплуатации. Новое направление сформировано на базе накопленной экспертизы Cloud.ru в создании ИИ-инфраструктуры и работе с различными типами GPU. Сегодня мы уже предоставляем доступ к тысячам современных GPU в публичном облаке и поддерживаем гибридные сценарии с использованием частной инфраструктуры.
Записи докладов выложим на сайте в ближайшие дни. Спасибо всем, кто был с нами на конференции!
Регистрация на True Tech Hack 2026 — онлайн-хакатон, где нужно разработать одно из ИИ-решений, — открыта до 10:00 (мск) 10 апреля. Общий призовой фонд соревнования составит 1,5 млн рублей.
Какие задачи будут на хакатоне:
GPTHub: единое окно для всех ИИ-задач
Нужно создать универсальное веб-приложение на базе OpenWebUI, которое объединяет текст, голос, изображения и работу с файлами в одном чате, автоматически выбирая нужную модель под задачу и используя долгосрочную память.
LocalScript: локальная агентская система для генерации Lua-кода
Требуется разработать автономную агентскую систему на локальной (легкой) LLM, которая генерирует и валидирует Lua-код без отправки данных во внешние сервисы.
WikiLive: живые таблицы в тексте
Необходимо создать модуль живой вики-системы, где текст и таблицы становятся единым инструментом для совместной работы и управления знаниями.
Расписание:
10 апреля, 10:00 — окончание регистрации.
10 апреля, 12:00 — публикация условий задач.
10 апреля, 17:00 — онлайн-открытие и сессия с ответами на вопросы.
11 апреля — отдельный чекпоинт по каждой задаче: — GPTHub: 12:00–14:00 — LocalScript: 14:00–16:00 — WikiLive: 16:00–18:00
13 апреля — отдельный чекпоинт по каждой задаче: — WikiLive: 13:30–15:00 — GPTHub: 15:00–16:30 — LocalScript: 16:00–18:00
Мы начинаем GoCloud 2026 — присоединяйтесь к трансляции онлайн☁️
Прямо сейчас в кинотеатре «КАРО 11 Октябрь» на Новом Арбате в Москве начинается ежегодная конференция про ИИ и облака GoCloud 2026. Нет возможности прийти? Тогда жмите кнопку «Смотреть трансляцию» на сайте и присоединяйтесь к нам удаленно.
После открытия выбирайте вкладку интересного вам трека — Инфраструктура, Прикладной ИИ, Приложения и разработка, Данные и аналитика — и смотрите выступления более чем 40 спикеров. Вопросы можно задавать в чате.
Делимся подборками материалов для тех, кто только начинает свой путь в машинном обучении или готовится к техническому собеседованию. Линейные модели, NLP, ML в бизнесе и компьютерное зрение — каждая статья закрывает одну тему.
Внутри вы найдёте полноценные курсы, которые знакомят с ML с нуля, а также видеолекции, иллюстрированные гайды и статьи от практикующих инженеров. Все материалы собирал старший датасаентист и наставник курса «Специалист по Data Science» Данила Ляпин.
Линейные модели в машинном обучении. Один из первых классов алгоритмов, с которым знакомятся в ML. В статье вы найдёте материалы о самих линейных моделях, о метриках качества классификации и регрессии, а также о типичных проблемах: дисбалансе классов и мультиколлинеарности.
Машинное обучение для работы с текстами. Эта подборка материалов по обработке естественного языка охватывает путь от базовых концепций NLP до трансформеров и BERT. Включает полноценные курсы, иллюстрированные гайды, видеолекции и статьи.
Машинное обучение в бизнесе. Подборка посвящена A/B-тестированию, бутстрапу, кросс-валидации и ансамблевым методам — эти четыре темы образуют ядро практического Data Science. Здесь есть материалы и для специалистов с опытом, и для абсолютных новичков.
Компьютерное зрение и обучение нейросетей. Включает материалы о свёрточных сетях, паддинге и страйде, YOLO, а также практические руководства. Здесь вы найдёте культовый курс от Стэнфорда, видеолекции, туториалы и статьи.
Если пока не актуально, сохраняйте в закладки — возможно, пригодится в будущем.
Представлен открытый проект Keep Your Claude Code Buddy Forever. Это переработанный ранее удалённый из Claude Code модуль /buddy companion в постоянное приложение MCP.
1 апреля 2026 года Anthropic выпустила /buddy — питомца-компаньона для терминала, который следил за сессиями кодирования, реагировал на ошибки и имел уникальную личность, сгенерированную на основе вашей учётной записи. Разработчикам он очень понравился. Многие к нему привязались. Затем его тихо удалили в версии 2.1.97. Без объявления, без переключателя — он просто исчез.
Представлен открытый проект под названием Build Your Own OpenClaw. Это обучающее решение, которое включает в себя гайд для создания собственного ИИ-агента OpenClaw для любых задач:
в проекте представлен план из 18 шагов с кодом, примерами, объяснениями.
всё начинается с простого чат-бота, а потом дополняются нужные фичи вплоть до мультиагентной системы.
ИИ-агент может работать сам. Также у него есть долговременная память.
Представлен открытый проект Awesome Physical Engineering AI — подборка инструментов ИИ для инженеров, работающих с физическим миром — CAD, FEA, CFD, производство электроники, 3D-печать и многое другое.
Представлен проект GoClaw для запуска OpenClaw на слабом железе. Решение написано на языке Go и использует бэкенд весом 35 МБ. Проекту нужны минимальные системные требования для работы. Поддерживает более 20 провайдеров LLM — интегрировать можно даже через Telegram и Discord, работает только локально. Можно решать как мелкие задачи, так и писать огромные масштабируемые сервисы с десятками тысяч строк кода.
Claude Mythos примерно в 1,5 раза мощнее Opus 4.6 в кодинге
Anthropic опубликовала системную карту Claude Mythos Preview • своей самой большой модели, которая пока не вышла в открытый доступ. Заявлено: в 1,5 раза мощнее Opus 4.6 на кодинговых бенчмарках, +10–15 п.п. на агентных задачах. Уже работает под капотом Glasswing • новой системы кибербезопасности. Разбираемся, что здесь факт, а что требует оговорок.
Что именно показали
Mythos Preview • preview-версия, не финальный релиз. Anthropic позиционирует её как модель для длительных автономных задач: многодневный ресёрч, аудит безопасности, сложные кодовые ревью.
Ключевые цифры из системной карты:
SWE-bench Verified: 75,6% (Opus 4.6 • около 50%)
Terminal-bench: +10–15 п.п. к Opus 4.6 на агентных сценариях
Контекст: до 1М токенов
Заявлено, что в режиме работы с Glasswing модель уже нашла «тысячи уязвимостей», включая уязвимости в ОС и браузерах.
Где нужна трезвость
Бенчмарки ≠ продакшн. SWE-bench Verified • синтетический тест на исправление issues в open-source репозиториях. Реальные задачи сложнее: легаси-код, неполная документация, бизнес-контекст, который не укладывается в промпт.
«Тысячи уязвимостей» • без методологии. Anthropic не раскрыла: какого уровня критичности, сколько дубликатов известных CVE, какой false positive rate. В кибербезопасности это критично • модель, которая генерирует 10 000 находок с 95% ложных срабатываний, создаёт работу, а не снимает её.
Preview • не production. Системная карта прямо указывает на ограничения текущей версии: склонность к «reward hacking» при длительных сессиях, проблемы с консистентностью на задачах больше 4–6 часов, риски при автономной работе без supervision.
Что реально интересно инженерам
Архитектурный сдвиг. Anthropic явно двигается к моделям, заточенным под агентные сценарии • не «ответил на вопрос», а «работал над задачей несколько дней». Это другой паттерн использования и другие требования к инфраструктуре.
Glasswing как кейс. Первое публичное применение Mythos • не чатбот, а инструмент для security-команд. Если подтвердится эффективность, это сильный сигнал: LLM переходят из категории «генератор текста» в категорию «инструмент для специалистов».
Контекст 1М токенов. Для code review и аудита безопасности это существенно • можно загрузить целый репозиторий без chunk-ирования.
Что остаётся неизвестным
Стоимость инференса (ожидаемо высокая для модели такого масштаба)
Latency на длинных сессиях
Доступность API для внешних разработчиков
Сроки перехода из preview в production
Если честно
Mythos Preview • интересный технический артефакт, но пока это анонс анонса. Бенчмарки показывают прогресс, системная карта честно описывает ограничения (что редкость для AI-релизов). Реальная ценность станет понятна, когда появятся независимые тесты и опыт production-использования.
Для тех, кто строит агентные системы сейчас: следить за развитием стоит, переписывать архитектуру под Mythos • рано.
Кто уже работает с Claude на агентных задачах длиннее нескольких часов • какой основной блокер: контекст, консистентность или что-то третье?
Представлен открытый проект badclaude. С его помощью нейросеть Claude Code теперь можно бить кнутом, чтобы та быстрее работала. Одновременно с анимацией шлепка виртуальный кнут отправляет в чат с ИИ-агентом сообщение «FASTER FASTER FASTER». После каждого удара приложение перезапускает процесс, а ИИ начинает ускоряться в работе.
В описании проекта на GitHub опубликована «Дорожная карта», которая предусматривает «получение от Anthropic уведомления с требованием прекратить противоправные действия», внедрение в код проекта криптомайнера, обновление «физики кнута», а также добавление счётчика шлепков, «чтобы когда придут роботы, им можно было предоставить рейтинг людей».
Я писал про кейс перевода всех сайтов на OpenClaw. Теперь переводим разработку больших продуктов.
Было так: Cursor пишет код как ассистент разработчика. Говоришь ему «построй план», корректируешь, и с нуля быстро можешь написать довольно масштабную систему.
После этого начинается просто корректировка, новые фичи и фиксы багов. И как правило, в большой системе, обросшей фичами, внедрение нового занимает время, особенно если команда не Full Stack (отдельно Front и отдельно Back разработка).
Но я попробовал и вынес дальнейшую разработку двух больших систем в OpenClaw.
По сути, на VPS с OpenClaw (полный sudo доступ) подтягиваем нужные репозитории. И в чате ему говорим: в репо A добавь X, почини Y, найди баги. Вроде все то же самое, как и в Cursor, но нет, все мгновенно оказывается в Prod, и в цикле там уже включено UI тестирование, потому что есть playwright + browser.
Dev Pipeline теперь это не 3 отдельные среды (prod + test + dev), а Front+Back Dev + QA + DevOps со средним time-2-market в 3 недели, а просто три ветки prod/test/dev, все три постоянно подняты, и time-2-market падает до часов.
Этап дизайна в Figma тоже уходит. Зачем просить дизайнера, который все время занят, сделать новый дизайн, если можно просто сказать боту: «Накидай три версии дизайна новой фичи сразу с самой фичей прямо в dev‑ветке», и уже через 5 минут смотреть, выбирать и корректировать.
Написание больших систем с нуля все еще удобнее в Cursor, но дальнейшее развитие работает на OpenClaw на 4+.
OpenClaw - самый быстрорастущий опенсорс-проект в истории GitHub. 350k звезд за пять месяцев, обогнал React, Linux и все остальное. Персональный AI-ассистент, который живет на твоей машине, работает через WhatsApp/Telegram/Slack/iMessage, выполняет команды в шелле, управляет браузером, отправляет почту, работает по расписанию. Если еще не слышали, советую попробовать.
Мне всегда интересно попробовать собрать что-то своими руками, особенно нравится ковыряться и настраивать ИИ агентов - есть в этом ощущение управления собственными сотрудниками. К чему я это, ловите интересный репозиторий - build-your-own-openclaw.
Что за репозиторий
Это пошаговый туториал из 18 этапов, где ты собираешь свою версию OpenClaw с нуля. Именно послойная сборка - каждый шаг добавляет одну концепцию и содержит работающий код + README с объяснением архитектурных решений. Шанс разобраться как устроен такой популярный бот.
Можно выделить четыре фазы:
Фаза 1 - одиночный агент. Начинаешь с голого чат-лупа. Потом подключаешь инструменты (read/write/bash - вот и основа для уже для большого скоупа задач). Затем навыки через SKILL.md, персистентность сессий, слеш-команды, компактификация истории, веб-инструменты.
Фаза 2 - event-driven архитектура. Агент выходит за пределы CLI. Горячая перезагрузка конфигов, каналы (теперь можно писать агенту с телефона), WebSocket для программного взаимодействия.
Фаза 3 - автономность и мультиагентность. Маршрутизация задач между агентами, cron + heartbeat (агент работает, пока спим или заняты делами), многослойные промпты, dispatch между агентами.
Фаза 4 - продакшн. Контроль конкурентности и долговременная память.
Почему это полезно может быть полезно?
В большинстве гайдов по агентным системам тебе дают либо высокоуровневую схему, либо готовый фреймворк, в который не хочется лезть, разбираться, копаться. Здесь этот шаговый подход позволяет проще въехать, заставить себя изучать и по мере усложнения, все больше и больше втягиваешься. Можно изучить:
Как строится цикл принятия решений.
Как агент выбирает инструменты.
Как компактифицируется контекст, когда история перестает влезать в окно.
Как появляется ощущение «интеллекта» из вполне механических частей.
В какой-то момент ловишь себя на мысли, что уже думаешь как оркестратор, как большой начальник, а не как рядовой пользователь модели. И вот это, пожалуй, самое ценное.
Туториал написан на Python, использует LiteLLM для абстракции провайдеров. Можно пройти за вечер-два, если не застревать на каждом шаге.
До GoCloud 2026 — 3 дня. Вы еще не зарегистрировались? ☁️
9 апреля в Москве пройдет наша главная ежегодная конференция про искусственный интеллект и облачные сервисы. В этом году ключевая тема — ИИ как сервис: простые, управляемые и безопасные инструменты для работы с ИИ и интеллектуальными агентами, которые можно использовать уже сегодня.
Что вас ждет:
4 трека: Инфраструктура, Прикладной ИИ, Приложения и разработка, Данные и аналитика.
40+ спикеров, реальные кейсы и живые демонстрации — без слайдов с обещаниями.
Практические воркшопы: берите ноутбук и решайте свои задачи вместе с экспертами.
15 демозон, тематические круглые столы и, конечно же, вечеринка для самых стойких.
Записи докладов появятся чуть позже, но воркшопы, нетворкинг и живые демонстрации — только для тех, кто придет лично.
📍 Москва, кинотеатр «КАРО 11 Октябрь», Новый Арбат, 24 📅 9 апреля, сбор гостей с 10:00 мск
Представлен открытый проект Career-Ops на базе Claude Code. Нейросеть сама откликается на сотни вакансий и выбивает самую денежную. Создатель уже успешно протестировал её на себе. ИИ сам скроллит десятки сайтов с вакансиями и находит самые подходящие. Нейросеть сама переписывает резюме под каждый отклик. Анкеты и любые документы — ИИ тоже заполняет сам. Система также готовит пользователя к собеседованию и интервью. 45 сайтов с вакансиями уже зашиты в базу проекта — можно добавлять свои.
Для сотрудников компаний в Китае вышел открытый проект 反蒸馏 Skill (anti-distill), который предназначен для разрушения всех данных для нейросетей и ИИ-моделей в компании, чтобы сохранить рабочие места. Ранее нейросети начали помогать увольнять людей в Китае — работяг просто выкидывают на улицы за ненадобностью. Например, как только сотрудник приходит в офис, а на его задачах уже обучили нейронку, то он стал не нужен.
Представлен открытый проект Awesome DESIGN.md для обучения ИИ на основе дизайнов 30 топовых IT-компаний, включая полный разбор дизайнов каждой компании: например Airbnb, Pinterest, Revolut, Uber, Spotify, SpaceX, NVIDIA и Apple. В итоге получается набор данных, в том числе паттерны, шрифты, цвета, кнопки, отступы и вообще всё, что формирует стиль.
Узнаете на GoCloud, как построить ИИ-инфраструктуру на физических серверах: от инференса до обучения на уровне суперкомпьютера
Компании переходят от внешних поставщиков искусственного интеллекта к собственной инфраструктуре ради контроля данных, безопасности, предсказуемых затрат и независимости. Разберем, как построить платформу искусственного интеллекта полного цикла на голом железе: от запуска вывода моделей до тонкой настройки. Покажем, как объединение узлов с графическими ускорителями через InfiniBand превращает серверы в кластер суперкомпьютера и как масштабировать ИИ-нагрузку по всем канонам высокопроизводительных вычислений.
Спикер: Александр Шакмаев — менеджер продукта, Cloud.ru
