Математика для нейросетей и GNN: От школьной алгебры до кода

Книга проведет вас от школьной математики к созданию нейросетей и графовых моделей (GNN), раскрывая "внутреннюю кухню" ИИ. Вы освоите линейную алгебру, градиентный спуск, теорию информации и спектральный анализ графов не как абстрактные дисциплины, а как рабочие инструменты инженера. Особенность издания — две ступени программирования. Сначала вы напишете классификатор MNIST на PyTorch, освоите Transfer Learning. Затем реализуете с нуля собственный autograd, оптимизаторы Adam, механизм Attention, GCN и GAT. Вы поймете, что происходит внутри loss.backward(), и научитесь деплоить модели в продакшен через FastAPI и Docker, отслеживая дрейф данных. Это практическое руководство для тех, кто хочет не просто использовать библиотеки, а создавать инструменты самостоятельно. Идеально для разработчиков, data-scientistов и студентов. Никакой магии — только математика, код и путь от пользователя к создателю.