Recall везде + фиксы окружения

- recall_macro/recall_weighted во всех скриптах с метриками
  (train_simple, train_gpu, autolog_demo, hyperparam_sweep,
   grid_search_cv, load_and_predict, compare_runs)
- grid_search_cv: multi-metric scoring (accuracy + recall_macro)
- register_model: выбор лучшей модели по recall (--metric)
- MLflow warnings: name вместо artifact_path, сигнатура модели,
  numpy input_example для pytorch, подавление env-var INFO
- start_ui.sh: порт 5555 + file-store backend (фикс: UI не показывал
  эксперименты, т.к. скрипты писали в mlruns/, а сервер читал sqlite)
- setup_server.sh: развилка macOS/Linux + проверка MPS
- train_gpu: get_device CUDA→MPS→CPU, num_workers=0 на macOS
- AGENTS.md: гид для агента + саморегламент обновления
- README/CODE_WALKTHROUGH: выровнена нумерация уроков 8/9
- .gitignore: +.DS_Store
- удалён scripts/setup_git.sh

CODE_WALKTHROUGH.md

@@ -23,8 +23,8 @@ mlflow-practice/
     ├── compare_runs.py     # Урок 5: сравнение запусков через API
     ├── autolog_demo.py     # Урок 6: autolog (автоматическое логирование)
     ├── hyperparam_sweep.py # Урок 7: перебор гиперпараметров (вручную)
-    ├── grid_search_cv.py   # Урок 8: GridSearchCV + autolog
-    └── serve_model.py     # Урок 9: REST API сервер модели
+    ├── serve_model.py      # Урок 8: REST API сервер модели
+    └── grid_search_cv.py   # Урок 9: GridSearchCV + autolog
 ```
 
 ---
@@ -379,23 +379,6 @@ CV делит train на 5 фолдов, обучает 5 раз, усредня
 
 ---
 
-## 📄 grid_search_cv.py — GridSearchCV + autolog
-
-```python
-mlflow.sklearn.autolog(max_tuning_runs=20)
-...
-grid = GridSearchCV(estimator=..., param_grid=..., cv=5)
-grid.fit(X_train, y_train)
-```
-
-MLflow autolog + GridSearchCV = **дерево запусков**:
-- **Parent run** (`gridsearch_rf`) — главный, содержит лучшие параметры
-- **Child runs** — каждая комбинация гиперпараметров отдельный run
-
-В UI это видно как иерархия. Parent показывает итог, children — детали.
-
----
-
 ## 📄 serve_model.py — REST API
 
 ### Загрузка модели при старте
@@ -448,6 +431,23 @@ MLflow сам поднимает сервер с стандартным API. К
 
 ---
 
+## 📄 grid_search_cv.py — GridSearchCV + autolog
+
+```python
+mlflow.sklearn.autolog(max_tuning_runs=20)
+...
+grid = GridSearchCV(estimator=..., param_grid=..., cv=5)
+grid.fit(X_train, y_train)
+```
+
+MLflow autolog + GridSearchCV = **дерево запусков**:
+- **Parent run** (`gridsearch_rf`) — главный, содержит лучшие параметры
+- **Child runs** — каждая комбинация гиперпараметров отдельный run
+
+В UI это видно как иерархия. Parent показывает итог, children — детали.
+
+---
+
 ## 📄 MLproject — воспроизводимость
 
 ```yaml