Математика Дата саентиста

🧠 Восстановление искажённых измерений с дневным смещением У вас есть температурные измерения за 10 дней, но каждый день датчик добавляет случайное смещение (bias), постоянное в течение дня. Также есть шум измерений. 📊 Ваша задача: 1. Оценить bias по дням 2. Восстановить истинную температуру 3. Посчитать RMSE между восстановленной и настоящей температурой 📦 Генерация данных

import pandas as pd
import numpy as np

np.random.seed(42)
days = pd.date_range("2023-01-01", periods=10, freq="D")
true_temp = np.sin(np.linspace(0, 3 * np.pi, 240)) * 10 + 20
bias_per_day = np.random.uniform(-2, 2, size=len(days))

df = pd.DataFrame({
    "datetime": pd.date_range("2023-01-01", periods=240, freq="H"),
})
df["day"] = df["datetime"].dt.date
df["true_temp"] = true_temp
df["bias"] = df["day"].map(dict(zip(days.date, bias_per_day)))
df["measured_temp"] = df["true_temp"] + df["bias"] + np.random.normal(0, 0.5, size=240)

🔍 Разбор: как оценить смещение Идея: температура в течение дня плавно колеблется, но bias в этот день одинаков для всех точек. Если мы "сгладим" значения (например, скользящим средним), то можем аппроксимировать общий тренд — и вычесть его, получив оценку bias. 🔧 Способ: вычтем сглаженный тренд, затем усредним остатки по дню: ```python # Сглаживаем тренд df["trend"] = df["measured_temp"].rolling(window=12, center=True, min_periods=1).mean() # Остатки (приближение к bias) df["residual"] = df["measured_temp"] - df["trend"] # Оценка bias как среднее отклонение внутри дня bias_est = df.groupby("day")["residual"].mean() df["estimated_bias"] = df["day"].map(bias_est) # Восстановим температуру: measured - bias df["restored_temp"] = df["measured_temp"] - df["estimated_bias"] ``` 📊 Результаты Оценим ошибку восстановления: ```python from sklearn.metrics import mean_squared_error rmse = mean_squared_error(df["true_temp"], df["restored_temp"], squared=False) print(f"RMSE восстановления: {rmse:.4f}") ``` > ✅ Обычно RMSE ≈ 0.5–0.7 — это близко к стандартному отклонению шума, значит bias устранён успешно! 💡 Вывод ✔️ Простая техника — сглаживание + усреднение отклонений — позволяет оценить дневные смещения ✔️ Без знания "истинной" температуры можно получить довольно точную реконструкцию ✔️ Это напоминает реальные задачи очистки данных от сенсорных сдвигов или ошибок калибровки 📈 Отличный пример практики Data Science с уклоном в математику, временные ряды и обработку шумов!

🔥Ozon Tech платит 150 000 рублей за рекомендацию senior+ DS/ML-специалиста 🧠Идеальный момент помочь талантливым знакомым и заработать самому. Кто может участвовать? Все, кто еще не работает в Ozon. Если рекомендованного вами кандидата берут на работу, то вы получаете бонус. Вознаграждение выплачивается после успешного прохождения испытательного срока. Можно рекомендовать сколько угодно кандидатов (главное — по одному в каждой заявке). Отправлять рекомендации может любой человек не из Ozon, независимо от профессии. 🔗 Подробнее о вакансиях и условиях: https://s.ozon.ru/nkcdpub

📊 Математическая задача для Data Scientists: "Идеальная точка разбиения" **Условие** У тебя есть список чисел List[float], представляющий одномерное распределение (например, значения метрики или зарплаты). Нужно определить: существует ли индекс, на котором можно разделить массив на две части так, чтобы стандартное отклонение слева и справа отличалось не более чем на ε (например, 0.1). Формат:

def has_balanced_std_split(data: list[float], epsilon: float = 0.1) -> bool:
    ...

Пример:

data = [1.0, 2.0, 3.0, 4.0, 5.0]  
# Разделение после 2 → [1.0, 2.0], [3.0, 4.0, 5.0]  
# std слева ≈ 0.5, справа ≈ 0.816 → разница = 0.316 > 0.1 → не подходит

🔍 Подсказка Используй statistics.stdev() или numpy.std(ddof=1) (с выборочной коррекцией). Но не забывай, что длина подмассива должна быть как минимум 2. --- ✅ Пример реализации: ```python import statistics def has_balanced_std_split(data: list[float], epsilon: float = 0.1) -> bool: n = len(data) if n < 4: return False # Нужны хотя бы 2 элемента в каждой части for i in range(2, n - 1): left = data[:i] right = data[i:] if len(left) < 2 or len(right) < 2: continue std_left = statistics.stdev(left) std_right = statistics.stdev(right) if abs(std_left - std_right) <= epsilon: return True return False ``` 📌 Пример использования: ```python data = [10, 12, 11, 20, 21, 19] print(has_balanced_std_split(data, epsilon=0.5)) # True или False в зависимости от разбивки ``` 🎯 Что проверяет задача: • понимание **дисперсии и стандартного отклонения** • знание **статистических библиотек Python** • работа с ограничениями на длину срезов • мышление в духе «разделяй и анализируй»

Обучение моделей занимает слишком много времени? Локальные ресурсы перегружены? На новую видеокарту не хватает денег? immers.cloud — это облачный GPU сервис, предоставляющий доступ к мощным видеокартам для самых различных задач. 💰 Экономия: тарифы от 23 рублей/час, оплата только за фактическое время использования. ⚡️ Быстрый старт: видеокарты и серверы готовы к работе за пару минут. 📈 Гибкость и масштабируемость: 11 видеокарт на выбор, быстрый старт и масштабирование  🔧 Удобство: готовые образы для ML задач, чтобы не тратить время на настройку

🧠 Математика, красота и истина в эпоху ИИ Когда-то математическое доказательство считалось вершиной человеческой логики и элегантности. Но ИИ меняет даже это. В статье исследуется, как ИИ трансформирует подходы к математике: 🔹 ИИ создает доказательства — не просто перебором, а находя закономерности, генерируя гипотезы и даже формируя контрпримеры. 🔹 Модели уровня DeepMind уже выигрывают медали на Международной математической олимпиаде. 🔹 Красота и элегантность в доказательствах теперь оцениваются не только людьми — ИИ начинает создавать новые формы "математической эстетики". > “Они разрушают те границы, которые я считал непреодолимыми” > — Эндрю Грэнвилл, математик ⚖️ Дискуссия: если ИИ способен доказать теорему, но человек не может это понять — считается ли это «знанием»? 📌 Полный текст #искусственныйинтеллект #математика #ChatGPT #DeepMind #LLM #AI #наука

✔️ Y Combinator назвал главные тренды лета 2025 для стартапов. Y Combinator сделал ставку на ИИ-агентов, способных переосмыслить целые индустрии. Вместо точечных решений, основателям советуют создавать «полноценные ИИ-компании» - например, запускать собственные юридические бюро с ИИ-юристами вместо сотрудников. Такой подход позволяет обойти медлительных конкурентов, предлагая клиентам более дешевые и эффективные сервисы. Особый интерес к автоматизации рутины: персональные ассистенты, которые не просто напоминают о задачах, а самостоятельно отвечают на письма, планируют встречи и имитируют стиль общения пользователя. Y Combinator верит: будущее за командами, которые не просто внедряют ИИ, а перестраивают рынки с нуля, как это сделали Airbnb или Stripe. ycombinator.com ✔️ ИИ помог создать синтетические ДНК-усилители для контроля генной экспрессии. Ученые из Центра геномной регуляции в Барселоне впервые применили генеративный ИИ для проектирования синтетических молекул ДНК, способных управлять активностью генов в здоровых клетках млекопитающих. Модель, обученная на данных тысяч экспериментов, генерирует последовательности «с нуля», задавая критерии. В качестве теста создали фрагменты ДНК, активирующие ген флуоресцентного белка в клетках крови мышей. Результаты совпали с прогнозами: синтетические усилители генной активности работали как «переключатели» в зависимости от типа клеток. Исследование открывает путь к персонализированным методам коррекции генов. По словам авторов, это похоже на «написание софта для биологии», где каждая инструкция для клетки становится программируемой. technologynetworks.com ✔️ OpenAI запускает HealthBench. OpenAI представила HealthBench - бенчмарк для тестирования ИИ-систем в сфере здравоохранения. Разработанный при участии 262 врачей из 60 стран, он включает 5000 реалистичных диалогов, имитирующих общение пациентов и медиков. Каждый сценарий оценивается по индивидуальным критериям, созданным экспертами: точность данных или ясность ответов. Всего в бенчмарке 48 562 параметра оценки, что позволяет глубоко анализировать работу моделей. Особый упор сделан на надежность: даже один ошибочный ответ в медицине критичен. HealthBench включает подборки сложных кейсов (HealthBench Hard), где современные ИИ еще отстают. Все данные и методики уже доступны в GitHub-репозитории OpenAI . openai.com ✔️ Google запускает фонд для стартапов. Google анонсировала AI Futures Fund — программу для поддержки ИИ-стартапов. Участники получат ранний доступ к моделям DeepMind (Gemini, Imagen и Veo). Кроме технологий, стартапы смогут консультироваться с инженерами и исследователями Google, а также получат облачные кредиты для обучения и масштабирования решений. Уже сейчас с фондом работают проекты из разных сфер: индийский Toonsutra внедряет Gemini для перевода комиксов, Viggle экспериментирует с генерацией мемов, а платформа Rooms тестирует интерактивные 3D-пространства. Программа открыта для стартапов из регионов, где доступен Gemini. Подать заявку можно на сайте фонда. Участники смогут претендовать не только на технические ресурсы, но и на прямые инвестиции от Google. blog.google ✔️ Поддельные ИИ-инструменты распространяют стиллер Noodlophile. Злоумышленники активно используют популяризацию ИИ для распространения вредоносного стиллера Noodlophile, маскируя атаки под сервисы для генерации видео и изображений. Как сообщает Morphisec, фейковые страницы Luma Dreammachine Al и CapCut AI рекламируются через соцсети, собирая до 62 000 просмотров на пост. Пользователям предлагают скачать «ИИ-софт», но вместо этого загружается ZIP-архив с исполняемым exe-файлом. Запуск файла активирует легитимный CapCut.exe, который загружает .NET-лоадер CapCutLoader. Тот, в свою очередь, запускает Python-скрипт, устанавливающий Noodlophile Stealer. Вредонос крадет пароли, данные кошельков и другую информацию, а в некоторых случаях дополняется трояном XWorm для удаленного доступа. Эксперты напоминают: атаки через ИИ-технологии стали трендом. Осторожность — лучшая защита. thehackernews.com @ai_machinelearning_big_data #news #ai #ml

Почему нужно популяризировать математику? Этот вопрос стал ключевым в разговоре ректора университета «Иннополис» Александра Гасникова и руководителя департамента анализа данных и моделирования ВТБ Дениса Суржко в подкасте «Деньги любят техно». В этом сезоне подкаст стал философским и визионерским: гости говорят не только о технологических решениях, но и о смыслах, которые стоят за ними. Александр Гасников — молодой современный ученый, который перешел на позицию руководителя университета и занялся административной деятельностью. И о том, как отличаются две эти роли, он вполне подробно рассказал в выпуске. А еще в подкасте: какие задачи стоят перед современными техническими вузами, почему подготовка молодых кадров должна стать приоритетом, какие навыки требуются в науке и в работе на коммерческие компании и в целом куда ведёт нас развитие ИИ. Абсолютно точно полезно послушать всем. Видеоверсия доступна здесь Аудиоверсия — на любой удобной платформе

🧠 Задача для дата-сайентистов: "Невидимая переменная" У вас есть датафрейм с результатами тестирования модели A/B:

| user_id | group | conversion_rate |
|---------|--------|-----------------|
| 1001    | A      | 0               |
| 1002    | A      | 1               |
| 1003    | B      | 0               |
| 1004    | B      | 1               |
| ...     | ...    | ...             |

По результатам A/B теста кажется, что разницы между группами нет. Вы проверили chi-squared test и Mann-Whitney — тоже ничего. 🧩 Однако ваш коллега утверждает, что в данных явно зарыта сильная зависимость, которую можно выявить, если «включить голову». --- 🔍 Вопрос: Какой скрытый фактор мог полностью «маскировать» эффект от теста и как его можно вычислить, даже если он отсутствует в таблице напрямую? 💡 Подсказка: данные собирались в течение 30 дней, но колонка с датой/временем была потеряна при сохранении. Однако user_id — это не случайное число. 🎯 Что нужно сделать: 1. 🧠 Предположить, что user_id содержит зашумлённую информацию о времени регистрации (например, ID выдаются монотонно) 2. 🧮 Смоделировать зависимость результата от user_id и проверить, не является ли тест несбалансированным по времени 3. 📈 Построить метрику на основе сгруппированных окон по user_id и визуализировать смещение между группами A и B 🎯 Ключевая идея решения: Хотя колонка с датой была потеряна, можно сделать разумное предположение: 🔸 `user_id` назначается **монотонно**, т.е. пользователи с меньшими ID пришли раньше. Если эксперимент длился 30 дней, а пользователи приходили неравномерно, то: - группа A могла доминировать в начале - группа B — в конце 📉 А что, если в эти периоды поведение пользователей менялось? Например, была акция, баг, праздник? 🔍 **Решение: как восстановить эффект** 1. 🟤 Добавим к данным колонку `bucket = user_id // 100`, чтобы разбить пользователей на условные "временные окна" 2. 🟤 Для каждого `bucket` считаем среднюю `conversion_rate` отдельно по группам A и B 3. 🟤 Строим график `conversion_A - conversion_B` по bucket Если кривая скачет — тест **несбалансирован по времени** и глобальное сравнение групп вводит в заблуждение.

⚡️Создаём свою нейросеть в PyTorch Хотите быстро разобраться в PyTorch и написать свою нейросеть? Мы подготовили для вас вебинар, где на практике разберём все этапы создания ML-модели. Вебинар проведет Владислав Агафонов — ML-инженер, ранее работал в Yandex и Huawei. Что будет на вебинаре? 🟠Установим PyTorch в Google Colab и настроим работу на бесплатном GPU; 🟠Поймём, что такое тензоры и почему они — фундамент всех нейросетей; 🟠Скачаем готовый датасет, разберём его структуру и подготовим для обучения; 🟠Научимся использовать DataLoader для эффективной загрузки данных; 🟠Пошагово соберём облегчённую версию классической свёрточной нейронной сети (CNN); 🟠Обучим и протестируем модель. 🕗 Встречаемся 14 мая в 18:30 по МСК, будет много практики, ответы на вопросы и полезные инсайты от эксперта. 😶Зарегистрироваться на бесплатный вебинар

🕳️ Учёные предложили, что у света может быть «тёмная» сторона — и это может перевернуть физику, которую мы знаем уже 100 лет. 🧪 Что произошло Всем известен школьный опыт: если пропустить свет через две щели, на экране появляется рисунок из светлых и тёмных полос. Это считалось главным доказательством того, что свет ведёт себя как волна. Но команда немецких учёных из Института Макса Планка говорит: 👉 может быть, это вовсе не волны, а особое квантовое поведение частиц света — фотонов. 👻 Что такое «тёмный фотон»? По их теории, фотоны бывают двух типов: Яркие фотоны — те, которые мы видим и которые фиксирует прибор Тёмные фотоны — невидимые, не взаимодействуют с миром напрямую, но могут менять поведение ярких фотонов 🧠 Представь, что кто-то невидимый толкает шарик на столе — ты не видишь «того, кто толкнул», но видишь, как шарик катится. Вот так же и тёмные фотоны: они не видны, но влияют на результат. 🔍 Почему это важно Если теория верна, то: Мы можем переосмыслить природу света: возможно, он не волна, а чисто частица Это убирает загадку: «как один фотон проходит через две щели сразу?» Это может повлиять на квантовые технологии и объяснить эффекты, которые раньше казались странными 📌 Пока это теория, но она уже вызвала обсуждения в мире науки. Если она подтвердится — нам придётся по-новому смотреть на то, как устроен свет и квантовая физика. 🔗 Подробнее — в статье New Scientist

🎲 Задача с подвохом: Монетки и ошибка интуиции Условие: У вас есть две монеты: • Монета A: честная, вероятность выпадения орла = 50% • Монета B: нечестная, у неё две стороны с орлами (орёл всегда выпадает) Вы случайным образом выбираете одну монету (с вероятностью 50% каждая) и подбрасываете её один раз. Выпадает орёл. ❓ Вопрос: Какова вероятность того, что вы выбрали нечестную монету (Монета B)? 🔍 Разбор: На первый взгляд многие отвечают: «Мы выбрали монету случайно, значит вероятность всё ещё 50%». Но это ловушка! Нам нужно пересчитать вероятность с учётом того, что выпал орёл. Это задача по формуле Байеса. 🧮 Обозначения: • A: выбрана честная монета • B: выбрана нечестная монета • O: выпал орёл Мы ищем вероятность: P(B | O) — вероятность того, что выбрана Монета B, если мы увидели орла. 1️⃣ Запишем известные вероятности: • P(A) = 0.5 • P(B) = 0.5 • P(O | A) = 0.5 (честная монета) • P(O | 😎 = 1 (нечестная монета) 2️⃣ Применяем формулу Байеса: P(B | O) = (P(O | 😎 * P(B)) / (P(O | A) * P(A) + P(O | 😎 * P(B)) Подставляем значения: = (1 * 0.5) / (0.5 * 0.5 + 1 * 0.5) = 0.5 / (0.25 + 0.5) = 0.5 / 0.75 ≈ 0.6667 ✅ **Ответ:** Вероятность того, что выбрана нечестная монета после выпадения орла, составляет примерно 66,7%. 💥 **Подвох:** Интуитивно кажется, что выбор монеты не зависит от результата подбрасывания, но дополнительная информация (факт выпадения орла) меняет распределение вероятностей. Это классический пример условной вероятности. 🧠 **Почему это важно для Data Science:** • Обновление вероятностей при поступлении новых данных — ключевой навык для Байесовских моделей • Ошибки интуиции часто встречаются при работе с вероятностями в задачах диагностики, фрод-аналитики и рекомендаций • Глубокое понимание условной вероятности помогает строить более точные и надёжные модели

🖥 Задача: "Оптимизация вероятности успеха в стохастической системе" 📌 Условие: Вы работаете над системой, где каждый эксперимент (тест, запуск модели, продукт) может быть успешным или неуспешным. Результат одного запуска — 1 (успех) или 0 (провал). Известно: - Вероятность успеха одного эксперимента — неизвестна, обозначим её как p. - У вас есть N исторических наблюдений: x1, x2, ..., xN, где каждое xi равно 0 или 1. Вопросы: 1. Построить оценку вероятности успеха p и доверительный интервал на уровне 95%. 2. Рассчитать, сколько экспериментов нужно запустить, чтобы вероятность выхода в прибыль была выше 95%, учитывая: - стоимость одного запуска C; - прибыль от одного успешного эксперимента R. --- ▪️ Подсказки: - Для оценки p используйте биномиальную модель. - Для доверительного интервала: - Можно использовать нормальное приближение (если выборка большая), - Или Wilson-интервал для аккуратности. --- ▪️ Что оценивается: - Правильная работа с вероятностями и доверием. - Способность адекватно аппроксимировать биномиальные распределения. - Чистота и практичность вычислений. --- ▪️ Разбор возможного решения: ▪️ 1. Оценка вероятности успеха:

# p_hat - оценка вероятности успеха
p_hat = sum(xi_list) / N

где xi_list — список из 0 и 1 (результаты экспериментов). ▪️ 2. Доверительный интервал через нормальное приближение:

import math
z = 1.96  # для 95% доверия
std_error = math.sqrt(p_hat * (1 - p_hat) / N)
lower_bound = p_hat - z * std_error
upper_bound = p_hat + z * std_error

▪️ 3. Wilson-интервал (более аккуратный):

z = 1.96  # для 95% доверия
center = (p_hat + z**2 / (2 * N)) / (1 + z**2 / N)
margin = (z * math.sqrt((p_hat * (1 - p_hat) / N) + (z**2 / (4 * N**2)))) / (1 + z**2 / N)
lower_bound = center - margin
upper_bound = center + margin

--- ▪️ 4. Прибыльность эксперимента: Формула прибыли при n экспериментах:

profit = successes * R - n * C

Требуется:

P(profit > 0) >= 0.95

Число успехов должно быть больше определённой границы:

min_successes = (n * C) / R

Если n велико, количество успехов приближается к нормальному распределению:

mean_successes = n * p_hat
std_successes = math.sqrt(n * p_hat * (1 - p_hat))

Для нормального приближения можно написать:

# Вероятность успешности через нормальное распределение
from scipy.stats import norm

# Вероятность, что количество успехов больше нужного
prob = 1 - norm.cdf(min_successes, loc=mean_successes, scale=std_successes)

Тогда перебором или через уравнение ищем минимальное n, чтобы prob >= 0.95. --- ▪️ Возможные подводные камни: - Нельзя использовать нормальное приближение при малом N — нужна биномиальная модель. - Неверное задание границ доверительного интервала может привести к неправильной стратегии запуска. - Плохое понимание соотношения C и R приводит к ошибочным выводам об окупаемости. --- 📌Дополнительные вопросы: - Как бы вы учли, что прибыль от успеха — случайная величина? - Как пересчитать стратегии, если вероятность успеха зависит от времени (`p = f(t)`)? - Как применить байесовский апдейт для оценки вероятности успеха? ---

⚡️Легкий способ получать свежие обновления и следить за трендами в разработке на вашем языке. Находите свой стек и подписывайтесь: Python: t.me/pythonl Linux: t.me/linuxacademiya Собеседования DS: t.me/machinelearning_interview Нерйросети t.me/ai_machinelearning_big_data C++ t.me/cpluspluc Docker: t.me/DevopsDocker Хакинг: t.me/linuxkalii Devops: t.me/DevOPSitsec Data Science: t.me/data_analysis_ml Javascript: t.me/javascriptv C#: t.me/csharp_ci Java: t.me/javatg Базы данных: t.me/sqlhub Python собеседования: t.me/python_job_interview Мобильная разработка: t.me/mobdevelop Golang: t.me/Golang_google React: t.me/react_tg Rust: t.me/rust_code ИИ: t.me/vistehno PHP: t.me/phpshka Android: t.me/android_its Frontend: t.me/front Big Data: t.me/bigdatai МАТЕМАТИКА: t.me/data_math Kubernets: t.me/kubernetc Разработка игр: https://t.me/gamedev Haskell: t.me/haskell_tg Физика: t.me/fizmat 💼 Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy Папка FRONTEND: https://t.me/addlist/mzMMG3RPZhY2M2Iy 😆ИТ-Мемы: t.me/memes_prog 🇬🇧Английский: t.me/english_forprogrammers 🧠ИИ: t.me/vistehno 🎓954ГБ ОПЕНСОРС КУРСОВ: @courses 📕Ит-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy

✔️ OpenAI добавила в API модель генерации изображений GPT-Image-1. OpenAI открыла доступ к GPT-Image-1 через API — ранее она работала только в ChatGPT. Стоимость генерации тарифицируется по токенам: текст ($5/млн), ввод изображений ($10/млн), вывод ($40/млн). Одно изображение обходится в $0,02–0,19. Например, картинка 1024×1024 в высоком качестве «съест» 4160 токенов. Модель превосходит Midjourney-v7 в точности следования запросам, но имеет ограничения: плохо распознаёт мелкий текст, нелатинские шрифты, медицинские данные. Изображения можно загружать через URL или Base64 (PNG, JPEG до 20 МБ). Максимальное разрешение — 768×2000 пикселей. API анализирует объекты, цвета, текст, но не подходит для задач с высокой точностью. Для безопасности добавлены фильтры контента и метаданные C2PA. Тестировать модель можно в Playground OpenAI — подробности в гайдах по работе с API. openai.com ✔️ Kortix AI выпустила Suna — первый в мире опенсорсный ИИ-агент общего назначения. Suna — открытый ИИ-агент, способный выполнять реальные задачи через чат-интерфейс. В отличие от закрытых коммерческих моделей, Suna работает офлайн, бесплатен и доступен для самостоятельного хостинга. Suna не просто отвечает на вопросы: он автоматизирует рутину — от парсинга сайтов и генерации отчетов до развертывания веб-приложений. В основе лежит изолированная Docker-среда, React/Next.js для интерфейса и интеграция с LiteLLM, Supabase и Redis. Помимо исходного кода, есть подписка на развернутый у Kortix AI сервис: бесплатно 10 минут в месяц, за 29$ - 4 часа, а за 199\мес - 40 часов работы Suna. suna.so ✔️ Firefox анонсировал предпросмотр ссылок с локальным ИИ. Пользователи Firefox теперь могут заглянуть в содержимое ссылки, не открывая ее. Экспериментальная функция в Firefox Labs 138 показывает карточку с заголовком, описанием, временем чтения и тремя ключевыми пунктами, сгенерированными локальной языковой моделью. Все работает через HTTPS-запросы без загрузки страницы или выполнения скриптов — данные парсятся из метатегов Open Graph и Reader View. Приватность в приоритете: модель SmolLM2-360M (369 МБ) запускается на устройстве через WebAssembly (wllama), избегая передачи данных в облако. Функция пока в тесте: разработчики ждут фидбека об опыте использования от пользователей. blog.mozilla.org ✔️ xAI добавила 3 новые функции в Grok. xAI расширила возможности голосового ассистента Grok: Grok Vision, поддержка многоязыкового аудио и поиск в реальном времени в голосовом режиме. Все это уже доступно пользователям iOS, а для Android-устройств две последние опции открыты только с подпиской SuperGrok. Grok Vision, как заявляют разработчики, позволяет ассистенту анализировать экран смартфона и комментировать происходящее «здесь и сейчас» — например, распознавать объекты или текст. Ebby Amir (xAI) в X (ex-Twitter) ✔️ BMW внедрит ИИ DeepSeek в свои автомобили для Китая . BMW объявил о партнерстве с DeepSeek для интеграции ИИ-технологий в машины, продаваемые в Китае. Сотрудничество, представленное на Шанхайском автосалоне, направлено на улучшение «Умного персонального ассистента» — система получит новые функции и расширенный доступ к данным. Интеграция ИИ DeepSeek ускорит переход BMW к «программно-определяемым» автомобилям. Ожидается, что обновления затронут не только ассистента, но и улучшат интерфейсы, а также поддержат более сложные сценарии автономного управления. bmwblog.com @ai_machinelearning_big_data #news #ai #ml

Если хочется влюбиться в профессию заново, разработайте курс вместе с Яндекс Практикумом! Яндекс Практикум — сервис онлайн-образования, где реально освоить востребованную цифровую профессию. Сейчас есть возможность присоединиться к команде в качестве автора. Автор готовит тексты уроков, тесты, памятки и прочие материалы, упаковывает свой опыт в учебные кейсы и в буквальном смысле влияет на развитие индустрии. Что ожидают от кандидата: ▪︎ Техническое образование (преимущественно в области ML). ▪︎ Опыт работы Data scientist или на смежных позициях от 3-х лет. ▪︎ Непреодолимое желание делиться знаниями и опытом, рассказывать сложное доступно и понятно. Так, чтобы вас поняли люди без опыта в этой сфере. Почему это интересно: ▪︎ удалёнка и дополнительный доход, ▪︎ благодарная аудитория, возможность самореализации, ▪︎ энергичное комьюнити и коллеги, с которыми не скучно. Узнать подробности и откликнуться

💫 How to build a neutron star — from scratch» с блога James' Space Blog представляет собой подробное руководство по численному моделированию нейтронной звезды с нуля на С++.​ 🧠 Основные идеи статьи 🔬 Что такое нейтронная звезда? Нейтронная звезда — это сверхплотный объект, образующийся после коллапса массивной звезды. Под действием огромного давления протоны и электроны объединяются в нейтроны. Из-за экстремальных условий внутри нейтронной звезды невозможно точно определить её внутреннюю структуру:​ Невозможно создать нейтронную материю в лаборатории. Объединение общей теории относительности и квантовой механики при таких масштабах остаётся нерешённой задачей. Существующие модели вращающихся жидкостей в ОТО являются приближёнными.​ ⭐️ Этапы моделирования Построение статической нейтронной звезды: Рассматривается как самогравитирующаяся жидкость в гидростатическом равновесии. Решается уравнение Толмана–Оппенгеймера–Волкова (TOV), описывающее структуру звезды.​ Добавление вращения и движения: Переход от статической модели к вращающейся и движущейся звезде с использованием дополнительных уравнений.​ Коррекция модели: Внесение поправок для удовлетворения физическим ограничениям, аналогично процессу для чёрных дыр.​ Построение переменных: Вычисление таких параметров, как плотность, энергия и скорость, необходимых для дальнейшего моделирования.​ ⚙️ Уравнение состояния (EOS) Для моделирования используется уравнение состояния, связывающее давление, плотность и внутреннюю энергию. 🧪 Практическая реализация Автор предоставляет код для реализации модели, разделённый на две части:​ Первая часть: библиотека для моделирования статической нейтронной звезды. Вторая часть: расширение модели для вращающейся и движущейся звезды.​ Цель — подготовка начальных условий для численного моделирования столкновений нейтронных звёзд.​ 🔜 Полный текст статьи доступен по ссылке @data_math

⚡️Строим рекомендательную систему фильмов на Kaggle Вы когда-нибудь хотели сделать свою собственную систему рекомендаций фильмов? 🎬 Приходите на бесплатный вебинар, где Савелий Батурин, Senior ML-Engineer и преподаватель курса по ML школы Simulative в прямом эфире покажет как построить рекомендательную систему фильмов на Kaggle. Что будем делать на вебинаре: 🟠Разберем имеющиеся данные фильмов с их оценками 🟠Проведем предобработку данных 🟠Построим рекомендательную систему на основе машинного обучения 🟠Проведем расчет и анализ метрик на основе результатов работы модели Вебинар будет интересен как новичкам, так и уже опытным специалистам 😶Зарегистрироваться на бесплатный вебинар