Математика Дата саентиста

На AI Journey презентовали крупнейший open-source проект в Европе: Сбер открыл доступ к своим флагманским моделям - GigaChat Ultra-Preview и Lightning, а также новое поколение открытых моделей GigaAM-v3 для распознавания речи, все модели генерации изображений и видео новой линейки Kandinsky 5.0 — Video Pro, Video Lite и Image Lite. GigaChat Ultra-Preview, новая MoE-модель, 702 миллиарда параметров, собранная под русский язык и натренированная полностью с нуля. Читайте подробный пост от команды. Впервые в России обучена MoE-модель такого масштаба полностью с нуля — без зависимости от зарубежных весов. Обучение с нуля, да и ещё на таком масштабе, — это вызов, который приняли немногие команды в мире. Флагманская модель Kandinsky Video Pro сравнялась с Veo 3 по визуальному качеству и обогнала Wan 2.2-A14B. Читайте подробный пост от команды. Код и веса всех моделей теперь доступны всем пользователям по лицензии MIT, в том числе для использования в коммерческих целях.

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

Можно ли передать характер животного всего одной линией❓ Оказывается, да. И математика тут играет не меньшую роль, чем искусство. В канале «Зачем мне эта математика» я наткнулся на потрясающую историю о том, как художник и инженер смотрят на одну и ту же форму. Там рассказывают о карандашных набросках Пикассо, в которых он рисовал животных одной непрерывной линией. Свою таксу Лумпа он изобразил одним штрихом, — при этом каждому понятно, что это именно собака. Интересно еще то, что программист Джереми Кун попытался описать этот рисунок математически. Он оцифровал контур таксы и аппроксимировал — то есть заменил линию рисунка на математическую кривую — каждый сегмент всего одной кривой Безье, линией, которую можно задать всего парой опорных точек. В итоге оказалось, что всего девяти кривых достаточно, чтобы почти идеально повторить живую линию художника. Математика дала форму, которой можно легко управлять: масштабировать, анализировать, анимационно «рисовать» шаг за шагом. Так становится видно, как формулы и творчество соединяются в одном пространстве. Если вам нравится, когда математика помогает понять искусство, технологии и визуальные формы, загляните в «Зачем мне эта математика». Там таких неожиданных историй полно. Реклама. ООО «ФРОМ СКРЭТЧ», ИНН 9724205560, erid: 2VtzqvFdwow

⚡️ Математический roadmap для ML специалистов: от линала до теорвера Это подробный гайд по математическому фундаменту, необходимому для понимания работы алгоритмов «под капотом». Материал полезен тем, кто хочет углубиться в теорию дальше вызова .fit() в scikit-learn. Ключевые поинты: * Структура: Roadmap базируется на трех дисциплинах: 1. Linear Algebra: Язык описания данных и моделей (векторы, матрицы, тензоры). 2. Calculus: Инструментарий для обучения и оптимизации (производные, градиенты). 3. Probability Theory: Фреймворк для оценки неопределенности. Подход: Автор делает упор на интуицию, а не на заучивание формул. Гайд связывает абстрактную математику с конкретными ML-задачами - от понимания того, как работает Backpropagation и SGD, до причин взрыва градиентов и выбора функции потерь. 🔗 Читать полную версию: https://thepalindrome.org/p/the-roadmap-of-mathematics-for-machine-learning 🔗 Мат база на русском: https://stepik.org/course/226596/info

Математика и алгоритмы для программиста Сегодня в гостях у LoftBlog программист-математик Стас Капулкин. Мы поговорим про методологии проектирования IT продуктов, про то, почему просто невозможно создать хорошую архитектуру программы без глубоких знаний в математике. Вы узнаете, что такое теория категорий, при чем тут когнитивная психология, как и где применяются big data, что такое Motion Learning и почему рядовые веб-разработчики рискуют в будущем остаться без работы, если всерьез не возьмутся за изучение алгоритмов и математики.

Конференция AI Driver & RecSys Темы — пространство, где наука и бизнес встречаются, чтобы обсудить будущее рекомендаций ⚡️ 28 ноября пройдёт конференция о том, как создаются и развиваются современные рекомендательные системы. На площадке Сбера соберутся эксперты топовых российских IT-компаний и вузов, чтобы обсудить новые исследования, открытые датасеты и практические решения, которые меняют подход к персонализации. Это возможность за один день познакомиться с ключевыми трендами RecSys, пообщаться со специалистами и вдохновиться идеями, формирующими будущее рекомендаций. Присоединяйтесь к профессиональному сообществу 28 ноября в 10:00 — регистрация по ссылке!

Основы линейной алгебры 1. Введение 2. Векторы. Часть 1 3. Векторы. Часть 2 4. Векторы. Часть 3 5. Матрицы. Часть 1 6. Матрицы. Часть 2 7. Линейные уравнения. Часть 1 8. Линейные уравнения. Часть 2 9. Спектр матрицы 10. Заключение источник

💵💸💸 Открытый урок «Введение в библиотеки обработки данных финансовых моделей».  🗓 04 декабря в 20:00 МСК🆓 Бесплатно. Урок в рамках старта курса «ML для финансового анализа». Программа вебинара: ✔️ Минимально необходимые основы языка python. ✔️ Примеры финансовых данных, способов их загрузки, обработки и визуализации. ✔️ Использование библиотек pandas и numpy для анализа финансовых данных. 👥 Для кого будет актуален: - Для тех, кто хочет познакомиться с основными инструментами и библиотеками для анализа финансовых данных. Узнать, как использовать эти инструменты для обработки, анализа и визуализации финансовых данных; ✅ Что вы узнаете по итогам урока: - Проведут обзор популярных инструментов и библиотек обработки финансовых данных. - Познакомятся с основами python, pandas и numpy. - Узнают основные приемы языка программирования и библиотек для анализа и визуализации данных. 🔗 Ссылка на регистрацию: https://otus.pw/untZ/?erid=2W5zFGDdUZv Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

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