Математика Дата саентиста

ЛУЧШЕЕ ДОКАЗАТЕЛЬСТВО теоремы Синусов источник

🔥 БЕСПЛАТНЫЙ КУРС ПО СОЗДАНИЮ НЕЙРО-СОТРУДНИКОВ НА GPT И ДРУГИХ LLM 🔥 Ищете практический и углубленный курс, чтобы освоить создание нейро-сотрудников? Мы создали курс из 5 объемных занятий. Это именно то, что нужно, чтобы прокачать свои навыки абсолютно бесплатно! 📌 Темы занятий: 1. Введение в мир нейро-сотрудников 2. Как работают LLM и их аналоги 3. Создание базы знаний для нейро-сотрудника (RAG) 4. Тестирование и отладка нейро-сотрудников 5. Интеграция нейро-сотрудников в Production Вот 5 тем курса - он максимально простой и доступный, общеобразовательный, без какого-либо сложного программирования 📚Прохождение этого курса, скорее всего, займет у вас от 1 до 3 часов 🤖 Присоединяйтесь к нашему бесплатному курсу и разберитесь в этой увлекательной теме с нами!

Как мнимые числа спасли математику Вероятно, вы слышали про мнимую единицу, или «i». Это число, которое при возведении в квадрат даёт -1 (минус один). Тем, кто из школьной программы помнит, что результат возведения в квадрат всегда положительный, это может показаться странным. Не переживайте, долгое время идея о квадратных корнях отрицательных чисел ставила в тупик величайших математиков. Тем не менее мнимые числа вошли в обиход и доказали свою пользу: с их помощью мы не только научились решать некоторые уравнения, но и получили возможность узнать чуть больше о том, как на самом деле устроена Вселенная. Историю их появления, как мы считаем, вполне достойную экранизации, расскажет Дерек Маллер в новом видео. источник

⚙️🦾 Ансамбли моделей в Scikit-learn — усиливаем ML-модели за счёт объединения Ансамбли моделей — проверенный способ повысить стабильность и точность прогнозов. На открытом уроке разберём, как объединять алгоритмы, чтобы добиться лучших результатов. Вы научитесь использовать bagging, boosting, stacking, сравните одиночные и ансамблевые модели и увидите, как на практике растут метрики. Разберём популярные инструменты библиотеки: RandomForest, GradientBoosting, VotingClassifier, StackingClassifier — и посмотрим, какие из них работают эффективнее для ваших задач. Урок будет полезен ML-инженерам, аналитикам и разработчикам, которые хотят не просто обучать модели, а добиваться максимального качества и устойчивости решений. Вы поймёте, как валидировать ансамбли, комбинировать подходы и избегать ошибок при настройке. ➡️ 2 декабря в 20:00 МСК. Открытый урок проходит в преддверии старта курса «Machine Learning. Professional». Регистрация открыта: https://otus.pw/sgp2/?erid=2W5zFK5knik Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

✨ Превращай математику в живые анимации с Manim Статические слайды — это хорошо, но сложные идеи гораздо легче объяснить через динамические визуализации. Manim позволяет создавать профессиональные математические анимации в Python — такие же, как в видео 3Blue1Brown. Что делает Manim мощным: • MathTex — задаёт формулы в LaTeX • Transform — плавно превращает одну формулу в другую • play() и wait() — управляют ходом анимации • Рендеринг одной командой: manim -p -ql script.py Manim — идеальный инструмент, когда нужно не просто показать формулу, а *объяснить идею* так, чтобы она оживала на экране. https://docs.manim.community/en/stable/reference/manim.mobject.geometry.html#module-manim.mobject.geometry

Привет! Авито проводит второй ML reading club, в этот раз с Денисом Кайшевым, Senior Backend Engineer. Вместе со зрителями прочитаем и разберём статью Demystifying NCCL: An In-depth Analysis of GPU Communication Protocols and Algorithms. Изучим архитектуру библиотеки NCCL и обсудим: — как работают её внутренние механизмы, для которых почти нет документации; — как описываются способы обмена при взаимодействии intra/inter node; — как строятся алгоритмы коллективных операций. Найдём узкие места библиотеки и выясним, как оптимизировать производительность распределённых вычислений. 📌 Встреча пройдёт 20 ноября в 18:00 в Контур.Толке. ⌚️ Ссылку на подключение пришлём в канал «Доска AI-объявлений» за час до начала эфира.

🚨 Новая редкая работа от Терренса Тао: AlphaEvolve решает часть математических задач лучше людей Google представила AlphaEvolve - систему, которая эволюционным поиском находит решения к сложным математическим задачам. Тао протестировал её на 67 задачах из разных областей: от неравенств до числовых констант. 📌 Что проверяли - задача о «движущемся диване» в 2D и 3D - Kissing problem в N-мерном пространстве - упаковка окружностей - задача IMO 2025 по тесселяции - задача о стопках блоков 🧠 Как работает AlphaEvolve Алгоритм запускает множество параллельных попыток, проверяет решения, а затем «скрещивает» лучшие идеи, отбирая наиболее успешные. 🔥 Интересные выводы - сильнее модель - быстрее сходимость (хотя не всегда) - параллельность ускоряет поиск, но сильно увеличивает стоимость - reward hacking встречается часто - результаты значительно лучше, если похожие задачи были в обучении и если процесс направляет эксперт (особенно когда эксперт - сам Тао) 💡 Важное предложение из статьи Тао предлагает вводить класс задач «AlphaEvolve-hard» - те, где ИИ не может легко нарушить неравенство или найти конструкцию. Такие задачи требуют принципиально нового человеческого инсайта. Эта работа пролетела почти незаметно, но я провёл над ней больше двух часов - и это одна из самых впечатляющих математических статей за последнее время. https://www.alphaxiv.org/abs/2511.02864v1

Красота неосвещенных геометрических проблем 0:00 — О чем это видео 0:24 — Задача об освещении многоугольника 1:34 — А как быть с вершинами? 2:06 — Существует ли другие примеры? 2:50 — Открытая проблема о зеркальных кругах 3:31 — Циклический путь в остроугольном треугольнике 4:30 — Экстремальный признак 5:22 — Прямоугольные, тупоугольные и равнобедренные 6:13 — Луч внутри прямоугольника 6:38 — Окружность и каустики траекторий 8:06 — Каустики траекторий в эллипсе 9:46 — Бильярд Пенроуза 10:38 — Коэффициент диффузии 12:11 — Мельница Токарского 12:35 — Четырехугольник Токарского источник

Задача: сколько весит красный шар? На весах: Слева: 6 шаров + груз 2 кг Справа: 4 шара + груз 7 кг Разница между грузами: 7 − 2 = 5 кг Разница между шарами: 6 − 4 = 2 шара То есть 2 шара = 5 кг → один шар = 2.5 кг. Ответ: красный шар весит 2.5 кг.

🔥 Подборка полезных ресурсов для программистов. Здесь ты найдёшь всё это - коротко, по делу и без воды. Пока другие ищут, где “подглядеть решение”, ты уже используешь самые свежие инструменты! AI: t.me/ai_machinelearning_big_data Python: t.me/pythonl Linux: t.me/linuxacademiya Devops: t.me/DevOPSitsec Собеседования DS: t.me/machinelearning_interview C++ t.me/cpluspluc Docker: t.me/DevopsDocker Хакинг: t.me/linuxkalii Data Science: t.me/data_analysis_ml Javascript: t.me/javascriptv C#: t.me/csharp_1001_notes Java: t.me/java_library 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 Папка Linux:https://t.me/addlist/w4Doot-XBG4xNzYy 😆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 Сохрани себе, чтобы не потерять!

🚀 VibeThinker: Новый стандарт в моделях с малым количеством параметров Это 1.5B модель, которая демонстрирует выдающиеся способности в решении математических задач, соперничая с гораздо более крупными моделями. Используя инновационную методику постобучения, она достигает результатов, сопоставимых с открытыми моделями, такими как GPT OSS-20B Medium, при значительно меньших затратах. 🚀Основные моменты: - Эффективность: 1.5B параметров, производительность на уровне 1000B+ моделей. - Инновационная методология: "Spectrum-to-Signal Principle" для улучшения разнообразия выходных данных. - Выдающиеся результаты: Превосходит модели, в 10-600 раз большие. - Экономичность: Разработка модели стоит всего $7,800 против сотен тысяч для конкурентов. 📌 GitHub: https://github.com/WeiboAI/VibeThinker #python

💡 GPT-5 и Sudoku-Bench, почему новые модели всё ещё ломаются на судоку Sakana AI представили Sudoku-Bench - набор классических и продвинутых судоку-задач, который проверяет не память модели, а её способность рассуждать, понимать новые правила и держать всю логику пазла в голове. Они протестировали современные модели, включая GPT-5 и методы тонкой настройки вроде GRPO и thought-cloning. Главное: GPT-5 стала первой моделью, которая уверенно решает часть сложных задач и показала около 33 % успешных решений на наборе challenge_100. Ранее ни одна LLM не справлялась даже с обычным 9×9. Но треть решённых - это всё ещё мало: большая часть задач остаётся нерешённой, особенно варианты с необычными правилами. Ключевая трудность в том, что такие головоломки требуют не просто следовать правилам, а уметь понять незнакомые ограничения, найти стратегию «входа», просчитывать ходы вперёд и сохранять глобальную согласованность. Модели часто делают правильные локальные шаги, но теряют общую структуру. GRPO и thought-cloning дают улучшения, но пока не позволяют моделям преодолеть сложные варианты. Даже с обучением на человеческих примерах ИИ быстро «запутывается» в длинных логических цепочках. Sudoku-Bench - это тест на реальное рассуждение, а не на подбор паттернов. Он проверяет пространственное мышление, логику, способность адаптироваться и работать с новыми правилами. Прогресс на таких задачах - показатель движения к более структурному и осмысленному ИИ. Авторы предлагают Sudoku-Bench как стандарт, по которому можно судить, насколько модели действительно умеют думать. Для будущих систем важны не просто большие параметры, а развитая логика, планирование и умение работать с новыми структурами задач. @ai_machinelearning_big_data #ai #ml #sakana

👿 Data Dojo 27 ноября: программа встречи Data Dojo — мероприятие Яндекса для ML-энтузиастов всех уровней. Какие будут лекции: 17:10 Обзор трендов и предварительные итоги года

Сергей Овчаренко, руководитель отдела мультимодального анализа и генерации

17:40 Научить AI не бредить, сдать физику и получить права: как мы готовили задачи ML-квалификации Yandex Cup

Сергей Фиронов, ведущий разработчик службы поведения и предсказания департамента Автономного транспорта

18:10 Кухня, гости, музыка: как мы научили колонку реагировать в реальном хаосе

Дмитрий Солодуха, руководитель команды голосовой активации

Собираемся в 16:00. Фуршет, нетворкинг, мастер-класс, afterparty — будет всё. Регистрируйся

AI, который сам выводит законы физики Команда из Университета Цинхуа, Пекинского университета и других исследователей представила систему PhyE2E - ИИ, который способен автоматически выводить физические уравнения прямо из сырых данных. Без участия человека. Модель обучена на реальных научных датасетах и известных физических законах. Она сочетает трансформеры и символьное рассуждение, чтобы генерировать компактные, корректные по единицам измерения и понятные учёным уравнения. На астрофизических данных NASA PhyE2E не только воспроизвёл человеческие результаты, но и предложил улучшенную формулу солнечных циклов. Это шаг за пределы обычного «подбора кривой»: ИИ начинает учиться тому, как устроена Вселенная, и выражает это на человеческом языке — уравнениями. Исследователи называют PhyE2E первым шагом к автоматическому научному открытию, где ИИ не просто анализирует данные, а выводит новые законы природы. Если такие системы будут развиваться дальше, темпы научного прогресса могут увеличиться на порядки — действительно в тысячи раз. https://phys.org/news/2025-11-ai-framework-uncover-space-physics.html

🔬 Учёные из Польши: квантовые частицы связаны "на расстоянии" просто потому, что они одинаковые Физики-теоретики из Польши показали, что *нелокальность* — загадочная "мгновенная связь" между квантовыми частицами — может возникать без запутанности и без взаимодействия. 🔍 Почему? Потому что одинаковые квантовые частицы (например, электроны или фотоны) неотличимы по сути. И этого уже может быть достаточно, чтобы возникали скрытые "связи" на расстоянии. 1. Проще квантовая связь Если нелокальные связи возникают *автоматически*, то не нужно всегда настраивать хрупкую запутанность. ➡️ Это может упростить квантовые сети и сделать их стабильнее. 2. Новый подход к квантовым компьютерам Возможно, мы сможем использовать *встроенные* нелокальные корреляции, чтобы сделать вычисления более надёжными и энергоэффективными. 3. Иная перспектива на телепортацию Сейчас телепортация работает на основе запутанности. Но если *нелокальность встроена изначально*, возможно появление телепортации без запутанности. 👀 4. Глубокий намёк на структуру Вселенной Если нелокальность — свойство *тождественности частиц*, то пространство и время могут быть производными, а информация — фундаментальна. Это поддерживает идеи квантовой гравитации и теории симуляции. 🌌 Вывод Это не телепортация людей (пока). Но если *вселенная уже "проводит кабель"* между частицами, нам остаётся лишь подключиться. Возможно, Вселенная уже всё подготовила. Надо только понять, как этим воспользоваться. https://www.nature.com/articles/s41534-025-01086-x

🧠 IBM объясняет, как математика симметрий помогает создавать новые квантовые алгоритмы Математика групп — это про симметрии: как объекты можно менять местами, вращать или переставлять, и что при этом остаётся неизменным. IBM показывает, что те же самые идеи лежат в основе квантовых вычислений — и помогают искать задачи, где квантовые алгоритмы могут быть быстрее классических. Ключевые идеи: - Симметрии в природе описываются теорией групп - Квантовые системы тоже подчиняются симметриям - Если правильно описать задачу через симметрии, можно найти квантовый алгоритм с ускорением - IBM работает с более сложными (не-абелевыми) симметриями — это следующий уровень, сложнее и мощнее Зачем это всё Мы ещё не нашли много «убойных» квантовых алгоритмов. Подход через симметрии — это способ открывать новые, а не только улучшать старые. Если коротко: Математика симметрий может стать картой для поиска новых квантовых алгоритмов. Подробнее: https://www.ibm.com/quantum/blog/group-theory Видео: https://www.youtube.com/watch?v=eSy-pwkLiIQ #quantum #math #grouptheory #IBMQuantum #algorithms

🧠 ИИ теперь не только создаёт знания — он их спасает Издательская группа Frontiers сообщила: около 90% научных данных никогда не переиспользуются и не публикуются должным образом. Иными словами, большинство открытий исчезает в цифровом небытии. Чтобы это изменить, Frontiers запустила платформу на базе ИИ, которая - сканирует забытые исследования, - систематизирует данные, - и связывает их между собой, превращая «потерянные» результаты в новые открытия. 💡 Наука тонет в данных — и теперь именно ИИ помогает достать их на поверхность. https://www.sciencedaily.com/releases/2025/10/251013040314.htm

🚀 Новый курс на Stepik: Computer Vision Engineer Соберите production-ready CV-сервис: данные → модель → деплой → метрики. Что внутри • Задачи: классификация, сегментация, детекция, трекинг, OCR/Doc-AI • Данные: разметка, баланс классов, аугментации (Albumentations), DataOps • Инференс: ONNX/TensorRT, смешанная точность, батчинг, троттлинг • Сервинг: FastAPI/gRPC, очереди сообщений, асинхронные пайплайны • Надёжность: мониторинг, дрейф данных, алерты, регрессионные тесты • MLOps для CV: mAP/IoU/Dice, A/B-тесты, бюджет по инфре • Прод: Docker/Compose, CI/CD, профилирование p95 и cost/req 🎯 Итог: портфолио-проект + репозиторий + чек-листы деплоя и мониторинга + сертификат Stepik. 🔥 Промокод COMPUTERVISION: −30% на 48 часов. 👉 Пройти курс со скидкой

ВВС: История математики Часть 1 Язык вселенной Часть 2 Гений Востока Часть 3 Пределы пространства Часть 4 За пределы бесконечности Математика - универсальный язык Вселенной, фундамент, на котором основаны все другие науки. Как человечество смогло открыть тайны этого универсального языка? Начиная с древнейших времен, прослеживается история математики до наших дней и завершается рассказом о наиболее важных проблемах современности. За решение каждой из этих "проблем тысячелетия" полагается крупное денежное вознаграждение. Но главное, их решение позволит лучше понять устройство нашего мира.