Оглавление

Книга пишется публично и находится в процессе разработки.

Статусы разделов:

• 🚧 – пока пусто

• 🟡 – в процессе

Введение

1. Вступление AI для PHP-разработчиков: интуитивно, математически честно и на практике.

2. Зачем PHP-разработчику AI

   Реальные кейсы, ожидания и ограничения.

3. Экосистема ML в PHP Обзор экосистемы PHP для машинного обучения и научных вычислений.

   1. Настройка среды для PHP

4. Как эта книга устроена.

   1. Как контрибьютить

5. Глоссарий.

6. Что дальше.

Часть I. Математический язык AI

1. Что такое модель в математическом смысле Функция, параметры, ошибка.

2. Векторы, размерности и пространства признаков Почему данные – это точки в пространстве.

3. Расстояния и сходство Евклидово расстояние, dot product, cosine similarity.

   1. Практические кейсы

Часть II. Обучение как оптимизация

1. Ошибка, loss-функции и зачем они нужны MSE, log loss – без формального ада.

   1. 🟡 Практические кейсы

2. Линейная регрессия как базовая модель Формула, геометрический смысл, PHP-реализация.

   1. 🟡 Практические кейсы

3. Градиентный спуск на пальцах Почему производная – это направление движения.

   1. 🟡 Эксперименты с градиентным спуском

Часть III. Классификация и вероятности

1. 🟡 Вероятность как степень уверенности Частоты, апостериорные вероятности.

   1. 🟡 Практические кейсы

2. 🟡 Логистическая регрессия Sigmoid, decision boundary, кейс классификации.

   1. 🟡 Практические кейсы

3. 🟡 Почему наивный Байес работает

   Условные вероятности и независимость.

   1. 🟡 Практические кейсы

Часть IV. Близость и структура данных

1. 🚧 k-NN и локальные решения Геометрическая интуиция, метрики расстояний.

2. 🚧 Decision Trees и разбиение пространства

   Энтропия, information gain, объяснимость.

Часть V. Текст как математика

1. 🚧 Почему слова превращаются в числа Пространство слов и признаки.

2. 🚧 Bag of Words и TF–IDF

   Формулы, интерпретация весов, PHP-кейс.

3. 🚧 Embeddings как непрерывные пространства смысла

   Геометрия смысла и semantic search.

4. 🚧 RAG: Retrieval-Augmented Generation как инженерная система Поиск → контекст → генерация. Почему LLM «вспоминает» документы.

Часть VI. Attention и нейросети

1. 🚧 Перцептрон и полносвязная сеть Линейные комбинации и нелинейности.

2. 🚧 Backpropagation – почему он работает Цепное правило без академического ужаса.

3. 🚧 Attention как взвешенное суммирование

   Формулы Q/K/V + упрощённая реализация.

Часть VII. LLM и современный AI

1. 🚧 Почему LLM – это модели next-token prediction Вероятности, softmax, контекст.

2. 🚧 Где LLM ошибаются математически

   Галлюцинации, распределения, bias.

Часть VIII. Продакшен и здравый смысл

1. 🚧 Как использовать AI в PHP-проектах Архитектуры, интеграции, orchestration.

2. 🚧 Когда AI не нужен и почему это важно

   Понятные инженерные границы.

Заключение

1. 🚧 Куда двигаться дальше Что углублять: математику, системы или практику.