Оглавление

Статус разработки книги

Книга пишется публично и находится в активной разработке

Общий прогресс

Готовность: 45% (100%)

🟩🟩🟩🟩🟩🟩🟩🟩🟩🟩🟩🟩🟩🟨🟨🟨🟨🟩🟨🟨🟨🟨🟨🟨🟨🟨🟨🟨🟨🟨🟨🟨🟩

Статусы разделов

🟩 - готово 🟨 - в работе ⬜ - не начато

Введение

1. Дисклеймер

   О границах книги, допущениях и ответственности.

2. Введение Мотивация, реалии и цели книги.

   1. От понимания – к математике и реализации

   2. Зачем PHP-разработчику AI

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

   1. Настройка среды для PHP

4. О книге

   1. Лицензия и авторские права

   2. Как контрибьютить

   3. История изменений книги

   4. Что дальше

5. Глоссарий

6. Ресурсы и литература

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. 🟨 Алгоритм k-ближайших соседей и локальные решения Геометрическая интуиция, метрики расстояний.

   1. 🟨 Практические кейсы

2. 🟨 Decision Trees и разбиение пространства

   Энтропия, information gain, объяснимость.

   1. 🟨 Практические кейсы

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.

   1. 🟨 Практические кейсы

3. 🟨 Embeddings как непрерывные пространства смысла

   Геометрия смысла и semantic search.

   1. 🟨 Практические кейсы

4. 🟨 Трансформеры и контекст: от статических векторов к пониманию смысла Почему слово "ключ" имеет разные векторы. Self-attention без формул.

   1. 🟨 Практические кейсы

5. 🟨 Named Entity Recognition (NER) – извлечение сущностей из текста Sequence labeling, BIO-разметка, практический кейс на PHP.

   1. 🟨 Практические кейсы

6. 🟨 Практика: эмбеддинги на PHP с помощью трансформеров Inference вместо обучения. TransformersPHP как инженерный инструмент.

   1. 🟨 Практические кейсы

7. 🟨 RAG: Retrieval-Augmented Generation как инженерная система Поиск → контекст → генерация. Как LLM отвечает на основе документов.

   1. 🟨 Практические кейсы

Часть VI. Attention и нейросети

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

   1. 🟨 Практические кейсы

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

3. 🟨 Attention как взвешенное суммирование

   Формулы Q/K/V + упрощённая реализация.

   1. 🟨 Практические кейсы

Часть VII. LLM и современный AI

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

   1. 🟨 Практика: строим next-token модель на PHP

   2. 🟨 Практические кейсы

2. 🟨 Где LLM ошибаются математически

   Галлюцинации, распределения, bias.

Часть VIII. Агентные системы и оркестрация

1. 🟨 Агентные системы и multi-step reasoning в PHP LLM как управляемая система: планирование, инструменты и контроль.

   1. 🟨 Практические кейсы

Часть IX. 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.

   1. 🟨 Практические кейсы

Заключение

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