История изменений книги
Эта книга развивается постепенно. Новые главы дописываются, существующие переписываются и уточняются, примеры кода обновляются, а формулировки становятся точнее. Ниже зафиксированы ключевые изменения, чтобы читатель понимал, что именно и когда поменялось.
Текущая версия
Добавлено:
Новая глава "Где LLM ошибаются математически"
Онлайн примеры для главы "Векторы, размерности и пространства признаков"
Анимация для реализации градиентного спуска в онлайн примерах
Новая глава "Агентные системы и multi-step reasoning в PHP"
Изменения:
Переписан "Кейс 5. Обучение модели как минимизация ошибки" для главы "Ошибка, loss-функции и зачем они нужны"
Переписан "Кейс 5. Прогноз зарплаты по рынку" для главы "Линейная регрессия как базовая модель"
Переписан "Пример 2. Влияние learning rate" для главы "Градиентный спуск на пальцах"
Переписан "Кейс 3. Многоклассовая классификация и softmax" для главы "Вероятность как степень уверенности"
Переписана глава "Куда двигаться дальше"
Дописана подглава "Практические кейсы" для главы "Когда AI не нужен и почему это важно"
Переписан "Кейс 3. Спам или не спам" для главы "Логистическая регрессия"
Переписан "Пример 3. Плато и почти нулевой градиент" для главы "Градиентный спуск на пальцах"
Переписан "Пример 4. Batch и стохастический спуск" для главы "Градиентный спуск на пальцах"
Переписан "Кейс 4. Переуверенная модель как сигнал проблемы" для главы "Вероятность как степень уверенности"
Переписан "Кейс 5. Обновление уверенности при новых данных" для главы "Вероятность как степень уверенности"
Февраль 2026
Дальнейшее развитие книги в сторону системного понимания современных языковых моделей и их инженерного применения в PHP.
В этой версии:
добавлен крупный блок про трансформеры и attention – от интуитивного объяснения механизма взвешенного суммирования до понимания того, почему LLM формально являются моделями next-token prediction
введены главы про перцептрон, полносвязные сети и backpropagation с разбором того, почему обратное распространение ошибки вообще работает
расширен раздел про представление текста: добавлена отдельная глава по Named Entity Recognition (NER) как прикладной задаче извлечения сущностей
добавлена практическая глава по работе с эмбеддингами в PHP с использованием трансформеров
введён инженерный разбор RAG (Retrieval-Augmented Generation) как архитектурного подхода, а не «магической функции»
добавлена глава о границах применимости AI – когда его использование неоправданно и почему это важно понимать
сформирован ориентир "куда двигаться дальше" для читателя после прохождения книги
добавлена отдельная глава о практических сценариях использования AI в PHP-проектах
Дополнительно:
расширена глава "Экосистема ML в PHP" с описанием TransformersPHP и LLPhant
существенно переработаны отдельные кейсы в главах про вероятности, регрессию, логистическую регрессию, наивный Байес, k-ближайших соседей, деревья решений и градиентный спуск – с акцентом на более точную инженерную интерпретацию
переписаны практические сценарии, связанные с оценкой вероятностей, прогнозированием и навигацией по событиям
улучшены и уточнены примеры для главы "Bag of Words и TF–IDF"
Главный акцент версии – переход от базовых алгоритмов к современным языковым моделям и к пониманию того, как встроить их в реальную PHP-инженерию без иллюзий и маркетингового шума.
Январь 2026
Развитие книги в сторону более глубокого понимания представления данных и геометрии алгоритмов.
В этой версии:
добавлены главы про деревья решений и разбиение пространства признаков, включая интуитивное объяснение того, как алгоритм "режет" пространство решений
введён блок про текстовые данные: от объяснения, почему слова вообще приходится превращать в числа, до классических подходов Bag of Words, TF–IDF и embeddings как непрерывных пространств смысла
расширены и переписаны ключевые практические кейсы с упором на интерпретацию результата, а не только на вычисления
переработаны примеры для вероятностных моделей, логистической регрессии, наивного Байеса, k-ближайших соседей и деревьев решений, чтобы чётче показать связь между интуицией алгоритма и итоговым решением
добавлен учебный пример дерева решений, полностью реализованный на чистом PHP, как связующее звено между теорией и практикой.
Декабрь 2025
Это первая публичная версия книги, в которой сформирована основная структура и логика изложения.
В этой версии:
зафиксирована общая концепция книги: зачем PHP-разработчику понимать машинное обучение и как использовать его на практике, а не на уровне абстрактной математики
добавлены базовые главы про ошибки и loss-функции, линейную и логистическую регрессию, k-ближайших соседей и наивный Байес
введены практические кейсы с примерами на чистом PHP и с использованием RubixML
сформирован глоссарий ключевых терминов (градиент, learning rate, epochs, batch и stochastic gradient descent и др.)
заложен единый стиль повествования: минимум формального «академического» языка и максимум инженерной интуиции.
Ноябрь 2025
Подготовительный этап перед первой публичной версией.
В этой версии:
пересобрана структура книги, главы выстроены от интуиции к практике
переработаны объяснения MSE и log loss с акцентом на смысл, а не формулы
добавлены первые иллюстрации и геометрические интерпретации алгоритмов
уточнена терминология и единый стиль обозначений.
Last updated