Математика Дата саентиста

Лекция 8. Основные сведения о рациональных функциях Лекция 9. Рациональные функции - пример Лекция 10. Интегрирование рациональных функций Лекция 11. Интегрирование рациональных выражений Лекция 12. Понятие определенного интеграла Лекция 13. Основные свойства определенного интеграла Лекция 14. Формула Ньютона-Лейбница 📌 1 часть @data_math

​Как решать задачи на LeetCode, если подзабыл математику? На LeetCode, Codility и их аналогах можно найти много алгоритмических задач, которые можно решить с помощью математических формул в несколько строк. Такие решения выше ценятся рекрутерами, т.к. их эффективность оценивается как O(1). Одна проблема — нужно вспомнить математику. А поможет в этом проект Project Euler. Это сайт на котором собраны математические задачи для программистов. Проект был запущен ещё в 2001, поэтому можно найти довольно редкие, но интересные вопросы: https://projecteuler.net/recent #it

📕Статистика и планирование эксперимента для непосвященных [2023] Херцог М. Х., Френсис Г., Кларк А. 📝 Описание: Непонимание статистики – важная проблема в нашем обществе. Благодаря компьютерным технологиям собирать статистические данные стало проще, но главную задачу – правильно обработать результаты – по-прежнему берет на себя человек. Из этой книги вы узнаете, как использовать и интерпретировать статистику и статистические данные в различном окружении. Среди рассматриваемых тем: ▪️ основные понятия и принципы статистики; ▪️ наиболее распространенные статистические критерии; ▪️ множественная проверка гипотез; ▪️ планирование эксперимента; ▪️ метастатистика (статистическое исследование статистики). Издание пригодится тем, кто хочет понять принципы статистики и научиться интерпретировать ее результаты, не вдаваясь в математические детали вычислений. Для изучения материала требуется минимальный уровень математической подготовки. 📚Книга @data_math

Лекция 1. Первообразная и неопределенный интеграл Лекция 2. Таблица основных интегралов Лекция 3. Непосредственное интегрирование Лекция 4. Метод подстановки Лекция 5. Интегрирование по частям Лекция 6. Комплексные числа (часть 1) Лекция 7. Комплексные числа (часть 2) #высшая_математика #математический_анализ #математика #интегральное_исчисление #видеоуроки #math #алгебра #наука

Team-draft interleaving Концепция Team-draft interleaving тестов звучит достаточно просто. Представьте, что вы хотите проверить новый алгоритм ранжирования товаров в каталоге интернет-магазина. Вместо того, что сравнивать два разных алгоримта на разныых ветках эксперимента - вы покажите пользователю сразу два алгоритма одновременно. Например, каждый второй товар - один алгоритм,каждый третий товар - другой алгоритм. Такой подход к эксперименту позволит невелировать ряд продуктовых факторов, которые будут влияться на его исход. К этой методологии часто прибегую поисковые системы, чтобы лучше и быстрее оценивать качества новых поисковых алгоритмов. На что важно обратить внимание 1) Ваши выбрки не независимы - пользователь находится сразу в двух ветках эксперимента. В этом случае дисперсия случайной величины будет считаться не как на независимых выборках и это будет сказываться на методах оценки эксперимента 2) Важно учитывать расположение выдаваемого алгоритмом результата - приоритет выдачи может сильно сказываться на исходах эксперимента Чтобы лучше разобраться в этой методологии мы предлагаем почитать/посмотреть несколько материалов 1) Как к TDI подходит Netflix - статья без технических и математических нюансов https://netflixtechblog.com/interleaving-in-online-experiments-at-netflix-a04ee392ec55 2) Paper с описанием статистической части метода от MS, Yahoo и Cornell University https://www.cs.cornell.edu/people/tj/publications/chapelle_etal_12a.pdf 3) Очень доступный доклад от Романа Поборчего на AIC Analytics Day https://www.youtube.com/watch?v=voY7waRb_D0

Что такое дифференциальное уравнение? @data_math

Уважаемые коллеги! ⚡ Приглашаем вас на бесплатный семинар по компьютерному зрению, который состоится в Москве 26 апреля в 10:00 На семинаре будут демонстрироваться самые передовые алгоритмы компьютерного зрения, такие как: - поиска глубины по видео; - pose estimation – определение характерных точек объекта с целью определения положения (позы) объекта в пространстве; - сегментация изображения для целей точного положения объекта в пространстве и его составляющих; - детекции объектов в 2D и 3D и их трекинга; - обнаружения аномалий (CV в задачах предсказательного обслуживания); - генерации данных и one-shot learning. ✔️ Вы сможете увидеть на практике, как эти алгоритмы работают и как можно применять их на производстве. Семинар будет полезен для специалистов, работающих в области автоматизации производства, робототехники и машинного зрения, а также всем, кому интересен анализ данных с использованием методов искусственного интеллекта. Подать заявку на участие👈

🟡 Демонстрация того, как кривые на первый взгляд фигуры оказываются построены исключительно из прямых линий. Здесь речь идет о гиперболоиде вращения. В геометрии гиперболоид вращения, иногда называемый круговым гиперболоидом, представляет собой поверхность, образованную вращением гиперболы вокруг одной из ее главных осей. Гиперболоидные конструкции — сооружения в форме однополостного гиперболоида или гиперболического параболоида. Такие конструкции, несмотря на свою кривизну, строятся из прямых балок. Однополостный гиперболоид и гиперболический параболоид — дважды линейчатые поверхности, то есть через любую точку такой поверхности можно провести две пересекающиеся прямые, которые будут целиком принадлежать поверхности. Вдоль этих прямых и устанавливаются балки, образующие характерную решётку. Такая конструкция является жёсткой: если балки соединить шарнирно, гиперболоидная конструкция всё равно будет сохранять свою форму под действием внешних сил. Для высоких сооружений основную опасность несёт ветровая нагрузка, а у решётчатой конструкции она невелика. Эти особенности делают гиперболоидные конструкции прочными, несмотря на невысокую материалоёмкость. #gif #геометрия #физика #математика #math #geometry #алгебра #maths

Аналитики данных — настоящие супергерои и занимают 1 место в рейтинге профессий с самым большим спросом на рынке труда до 2025 года (по данным Всемирного экономического форума). Как стать таким специалистом? Приходите на бесплатный симулятор работы в аналитике данных с 18 по 20 апреля и вместе с дата-сайентистом Сбера Марией Жаровой будете решать бизнес-задачи с помощью анализа данных. 30 минут теории, час практики и домашнее задание — каждый день в 19:30 мск. Самые активные из вас получат полезные подарки. На интенсиве научитесь: - разбираться в понятиях и направлениях анализа данных; - оценивать результаты A/B-теста вручную; - анализировать данные с помощью Google Таблиц; - использовать язык программирования Python. Записывайтесь: https://go.skillfactory.ru/AL8VZw И главное — поймете, подходит ли вам специальность и стоит ли начинать обучение. Реклама ООО "Скилфэктори", LatgBtYsi

Статистическое определение вероятности Пусть случайный опыт повторяется n раз в неизменных условиях (проводится n испытаний) и при этом определенное случайное событие A появляется mₐ__раз. Тогда оказывается, что при достаточно большом __n отношение mₐ/n (относительная частота события A) для большинства таких серий испытаний сохраняет почти постоянное значение, причем заметные отклонения частот от этого значения наблюдаются тем реже, чем больше n. Естественно предположить, что существует некоторая постоянная P̃(A), около которой колеблется относительная частота mₐ/n. Таким образом, величина P̃(A) является объективной числовой характеристикой случайного события A, ее разумно назвать вероятностью события A. Значит событие A обладает вероятностью, если: а) Можно, хотя бы принципиально, провести в неизменных условиях любое число независимых друг от друга испытаний, в каждом из которых событие A может появиться или нет. б) Относительная частота события A для больших серий испытаний в большинстве случаев незначительно отклоняется от некоторой неизвестной постоянной. В качестве приближенного значения этой постоянной можно взять относительную частоту события A, найденную при большом числе испытаний. Вероятность P̃(A), определенная таким способом, называется статистичской вероятностью. Она обладает теми же свойствами: 1. P̃(A)≥0 для любого события A 2. P̃(Ω) = 1 3. P̃(A+B) = P̃(A) + P̃(B) для любых несовместных событий (AB = ∅)

Аналитики данных — настоящие супергерои и занимают 1 место в рейтинге профессий с самым большим спросом на рынке труда до 2025 года (по данным Всемирного экономического форума). Как стать таким специалистом? Приходите на бесплатный симулятор работы в аналитике данных с 18 по 20 апреля и вместе с дата-сайентистом Сбера Марией Жаровой будете решать бизнес-задачи с помощью анализа данных. 30 минут теории, час практики и домашнее задание — каждый день в 19:30 мск. Самые активные из вас получат полезные подарки. На интенсиве научитесь: - разбираться в понятиях и направлениях анализа данных; - оценивать результаты A/B-теста вручную; - анализировать данные с помощью Google Таблиц; - использовать язык программирования Python. Записывайтесь: https://go.skillfactory.ru/AL8VZw И главное — поймете, подходит ли вам специальность и стоит ли начинать обучение. Реклама ООО "Скилфэктори", LatgBtYsi

Иногда аналитику или специалисту по DS нужно подтянуть что-то по математике, чтобы решать более сложные задачи на работе. На курсе Яндекс Практикума можно раз и навсегда разобраться с тервером, линалом, матаном и статистикой. А потом — расти в карьере. Учёбу удобно совмещать с работой: теория и практика будут в интерактивном тренажёре, который можно скачать на смартфон. А опытные преподаватели математики всегда на связи в чате, чтобы объяснить непонятное. За 4 месяца обучения вы: → решите более тысячи задач в онлайн-тренажёре, → создадите 4 проекта для своего портфолио, → подготовитесь к собеседованиям с помощью симулятора. Оцените формат и пройдите бесплатный вводный урок: https://practicum.yandex.ru/math-for-da-ds/

📹 Линейные однородные дифференциальные уравнения n-го порядка с постоянными коэффициентам @data_math

Как быстро найти работу в Data Science? Один из проверенных способов — получить практику на реальных задачах на курсе Start ML. За 7 месяцев обучения у опытных специалистов и тимлидов из Райффайзен и Яндекс вы научитесь обучать модели и нейронные сети, поймёте, как ML-алгоритмы работают под капотом, и узнаете, как оценивать их влияние на бизнес с помощью статистики и A/B-тестов.  Курс даст всё необходимое, чтобы уверенно пройти собеседование на позицию Junior ML-специалиста и уже с первых дней быстро расти и приносить компании пользу. А с поиском вакансий и трудоустройством обязательно помогут наши HR. Новый поток стартует уже 10 апреля, а по промокоду MATHDS19 для вас действует скидка 5%. Присоединяйтесь!