Математика Дата саентиста

Визуализация тригонометрии

📘 На Stepik вышел курс — «MLOps с нуля: как довести модель до продакшна»  Начинаете путь в MLOps и хотите понять, как перевести ML-модель из ноутбука в реальный продукт? Этот курс — именно то, что нужно. 🔍 Что вы получите: • Понимание полного жизненного цикла ML-модели: от обучения до мониторинга • Практику с современными инструментами: Docker, Kubernetes, CI/CD, MLflow • Опыт построения воспроизводимых пайплайнов и управления экспериментами • Навыки автоматизации и работы с инфраструктурой для реального продакшна 🎓 Сертификат по завершении — добавьте его в резюме или профиль LinkedIn 🚀 Сделайте шаг к профессии MLOps-инженера. Начните уже сегодня и получите скидку 30%, которая действительна в течение 24 часов 👉 Пройти курс на Stepik

🔥 GOOGLE AI опубликовали пост о настоящем прорыве в области QUANTUM AI Сегодня в журнале Nature команда Google впервые показали проверяемое квантовое преимущество с помощью метода, называемого *out-of-time-order correlator (OTOC), или «квантовые эхо». Эксперимент проведён на квантовом чипе Willow, и он показывает, что квантовые устройства уже способны решать задачи, которые невозможно эффективно симулировать на классических компьютерах. Квантовый процессор Google выполнил алгоритм под названием Quantum Echoes - в 13 000 раз быстрее, чем лучший классический алгоритм на одном из самых мощных суперкомпьютеров в мире. 🟠Что это значит простыми словами Учёные научились буквально «отматывать время» в квантовой системе и смотреть, когда она переходит от упорядоченного поведения к хаосу. Этот переход - ключ к пониманию, где начинается настоящее квантовое преимущество. Проще говоря: 1) Учёные запускают квантовую систему вперёд во времени, позволяя ей запутаться и “рассеять” информацию. 2) Затем применяют обратные операции, как будто “перематывают” процесс назад. 3) Если всё сделано идеально, система должна вернуться в исходное состояние,но из-за квантового хаоса это происходит лишь частично. 4) Разница между “до” и “после” показывает, насколько глубоко информация ушла в хаос. Работа показывает, что можно извлекать информацию из хаотичных квантовых состояний, ранее считавшихся полностью случайными. Такой эффект невозможно воспроизвести на обычных суперкомпьютерах. Это шаг к практическим квантовым вычислениям, которые смогут моделировать материалы, молекулы и сложные физические процессы с точностью, недостижимой ранее. «Quantum Echoes может стать основой будущих квантовых разработок для реального применения. *Out-of-time-order correlator (сокращённо OTOC) - это специальная метрика, с помощью которой физики измеряют, как быстро информация "распространяется" и смешивается внутри квантовой системы. 🟢 Статья: https://www.nature.com/articles/s41586-025-09526-6 @ai_machinelearning_big_data #QuantumComputing #Google #AI #Nature #Physics

⚡️ Qwen Deep Research получил полезное обновление Теперь он создаёт не только исследовательские отчёты, но и готовые веб-страницы и подкасты по вашим ресерчам. Работаем связка Qwen3-Coder, Qwen-Image и Qwen3-TTS. 👉Попробовать: chat.qwen.ai/?inputFeature=deep_research @ai_machinelearning_big_data #Qwen #AI #DeepResearch #Qwen3 #AItools

Залетай в новый поток курса «Практическая ML-инженерия: MLOps и разработка проектов» от AI Talent Hub, ИТМО если хочешь: 1️⃣ Освоить стек MLOps: DVC, Airflow, MLflow, ClearML, W&B, FastAPI, PyTest, Docker, GitLab CI — ключевые инструменты для выведения ML-модели в продакшен. 2️⃣ Вырасти в грейде: обновить скилсет и перейти в практический ML 3️⃣ Пройти весь путь создания ML-продукта от идеи до релиза с поддержкой практиков из AI Talent Hub 4️⃣ Получить диплом ДПО ИТМО Продолжительность: 5 месяцев Формат: онлайн Цена: 150 000 ₽. ➡️ Изучи программу и успей зарегистрироваться до 31 октября! AI Talent Hub — лучший просветительский проект в GenAI по версии Generation AI Awards 2025 Реклама. Университет ИТМО ИНН:7813045547

🔥 Парадоксы теории вероятностей ВМК МГУ. Ульянов В.В. источник

🧠 Могут ли мультимодальные модели действительно понимать инструменты? Новая работа проверяет, способны ли модели действительно понимать физические инструменты, а не просто узнавать их по картинке. 📷 В задаче модели показывают фото и просят выбрать нужный инструмент с номером. Датасет включает 1 000 пар изображение + текст и три уровня сложности: 1. Базовое распознавание инструмента; 2. Понимание ограничений (например, работает ли он, цел ли); 3. Конструирование инструмента из других предметов. 🧩 Условия: - Можно использовать только предметы на фото; - Ответ - номер инструмента или None. 👨‍🔬 Результаты: - Люди: ~90 % - Топ-модели: ~63 % - Внутренние бэкенды Vision-Language-Action моделей — < 15 %. Типичные ошибки: - Считают сломанный инструмент рабочим; - Путают похожие кабели и порты. 🔧 Немного помогает масштаб — примерно с 10 B параметров появляется базовое “чувство инструмента”. Метод chain-of-thought даёт небольшой прирост, а vision-centric пайплайн (распознавание объектов + рассуждение по вырезкам) улучшает самые трудные случаи. 💡 Главное открытие: современные мультимодальные модели знают названия предметов, но не понимают, как инструменты работают. Этот бенчмарк даёт чёткий ориентир, где они пока “проваливаются”. 📘 Cтатья: https://arxiv.org/abs/2510.09507

📘 На Stepik вышел курс — «ML-инженер: от первой модели до продакшена» Хотите не просто натренировать модель в ноутбуке, а довести её до реального продукта? Этот курс — полный путь от основ до production. • Математика и Python: линейная алгебра, статистика, NumPy, Pandas, визуализация (Matplotlib, Seaborn, Plotly) • Классика ML: регрессия, KNN, деревья решений, Random Forest, SVM, Naive Bayes • Ансамбли: XGBoost, LightGBM, CatBoost, подбор параметров (Optuna, Hyperopt), MLflow • Deep Learning: PyTorch и TensorFlow/Keras, CNN, RNN/LSTM, Attention, Transfer Learning • Работа с данными: парсинг (BeautifulSoup, Scrapy), SQL/API, feature engineering • Продвинутые задачи: рекомендательные системы, временные ряды (ARIMA, Prophet), SHAP и LIME • MLOps: FastAPI, Docker, деплой в облако, мониторинг моделей • Подготовка к собеседованиям: технические вопросы, системный дизайн, SQL, портфолио 🎓 Сертификат — добавьте в резюме или LinkedIn 🚀 Скидка 25%, действует 48 часов 👉 Пройти курс на Stepik

📄 Nanonets-OCR2-3B - новая модель для интеллектуального OCR Модель от Nanonets на базе Qwen2.5-VL-3B умеет не просто распознавать текст, а превращать изображение документа в структурированный Markdown: с таблицами, формулами, подписями и даже схемами. 🔍 Что умеет - Распознаёт формулы и преобразует их в LaTeX - Понимает таблицы и сохраняет структуру в Markdown или HTML - Выделяет чекбоксы и радиокнопки (☐ / ☑ / ☒) - Распознаёт подписи, водяные знаки, изображения - Может описать картинки внутри документа с помощью <img> -Поддерживает рукописные тексты и разные языки - Для схем и блок-схем генерирует Mermaid-код - Умеет отвечать на вопросы по документу (Visual QA) 👉 huggingface.co/nanonets/Nanonets-OCR2-3B

Твой шанс прокачаться в ИТ, заявить о себе на всю страну и побороться за призовой фонд 10 250 000 рублей 💰 Успей зарегистрироваться до 20 октября. МТС приглашает на True Tech Champ — всероссийский чемпионат по программированию. Выбирай трек по душе или участвуй сразу в двух, чтобы увеличить шансы на победу. Трек 1. Алгоритмический. Индивидуальный зачет Работай со структурами данных, решай алгоритмические задачи и сражайся в лайв-кодинге с сильнейшими. Трек 2. Программирование роботов. Командный формат Сначала проведи робота по виртуальному лабиринту, затем управляй им дистанционно на офлайн-полигоне, а в финале — пройди испытания на реальной площадке и выбей соперников с платформы. 🎁 Организаторы отправят командам финалистов по одному роботу Waveshare Cobra Flex для кастомизации. После соревнований они останутся у участников в качестве подарка. Тебя ждет: — Зрелищный шоу-финал с искусственным интеллектом, цифровыми аватарами и другими технологиями. — Конференция с лидерами индустрии, кодерские челленджи и возможность прокачать ИТ-навыки. — Шанс лично пообщаться с HR-специалистами МТС и получить карьерный буст. 📍Шоу-финал пройдет 21 ноября в МТС Live Холл. ⏰ Успей зарегистрироваться до 20 октября

✔️ RAG - как GPT перестал галлюцинировать и научился думать с источниками Классические LLM ограничены собственным контекстом: они выдают только то, что успели "запомнить" при обучении. RAG (Retrieval-Augmented Generation) ломает эту границу — модель получает доступ к внешним данным и способна подгружать нужные факты *в момент запроса*. Механика проста, но мощна: LLM → делает эмбеддинг запроса → ищет близкие документы в векторном хранилище → получает top-k контексты → формирует ответ на их основе. В итоге модель не "вспоминает", а всегда рассуждает на свежих данных. Где это реально работает: - в Copilot для кода, когда модель тянет сниппеты из корпоративных репозиториев; - в внутренних чатах компаний - поиск по Confluence, Notion, Jira и документации; - в R&D и науке - динамическая генерация отчётов с ссылками на реальные статьи; - в юридических и медтех-системах, где каждый ответ должен быть подтверждён источником. RAG - это уже не просто “надстройка над GPT”. Это новая архитектура, где память отделена от рассуждения, и ИИ получает навык работы с контекстом, как человек с поисковиком.

Привет! Приходите на первый ML reading club от Авито. Ярослав Хрипков, DS-инженер из команды LLM проведёт эфир, где вместе со зрителями будет разбирать статью про новую версию известной модели: Qwen3-Next: Towards Ultimate Training & Inference Efficiency. Узнаете: — Что классного в обновлённой версии модели от Alibaba. — Из-за чего выросло её качество. — Как gated attention и gated delta блоки улучшили эффективность модели. Для контекста Ярослав заглянет ещё и в другие статьи: — Gated Delta Networks: Improving Mamba2 with Delta Rule — Gated Attention for Large Language Models: Non-linearity, Sparsity, and Attention-Sink-Free 📌 Встречаемся 14 октября в телеграм-канале «Доска AI-объявлений». ⌚️Начинаем в 18:00 мск — ссылка появится в канале за час до начала. Нюанс: если эфир будет плохо работать, попробуйте использовать сторонние сервисы и приложения, чтобы подключиться с другого IP 😉

LLM берет золото на олимпиаде по астрофизике Исследователи проверили, как современные большие языковые модели (LLM) справятся с задачами Международной олимпиады по астрономии и астрофизике (IOAA) за 2022–2025 годы. Результаты впечатляют. 🧠 Тестировались модели: GPT-5, OpenAI o3, Gemini 2.5 Pro, Claude 4.1 Opus и Claude 4 Sonnet. 📊 Что показали: - GPT-5 и Gemini 2.5 Pro набрали 85–88 % - это уровень золотой медали . - Остальные модели показали результат в диапазоне 48–76 %. - Особенно сильны GPT-5 в анализе данных и Gemini в теории. 💡 Почему это важно: - LLM впервые достигли уровня лучших олимпиадников по астрофизике. - Это демонстрирует, что модели уже решают не только текстовые, но и научные, количественные и логические задачи. - Потенциал таких систем — помощь в научных исследованиях, автоматическом анализе данных и обучении. ⚠️ Ограничения: - Олимпиадные задачи не охватывают весь спектр реальной астрофизики. - Возможны «угадывания» и шаблонные решения. - Неясно, насколько стабильно поведение моделей при реальных данных с шумом и погрешностями. 🟢Подробности: arxiv.org/abs/2510.05016

🚀 Крутая новость в области термоядерной энергии Учёные из MIT создали прорывную гибридную модель - сочетание искусственного интеллекта + физики, которая прогнозирует поведение плазмы в термоядерных реакторах и делает будущие функционирующие установки более надёжными. 🔥 Особо важный момент: модель умеет предсказывать, как ведёт себя сверхгорячая плазма во время остановки (выключения/снижения мощности), это один из самых опасных моментов работы реактора, когда могут происходить разрушительные возмущения. В отличие от обычных ИИ-моделей, эта требует гораздо меньше тренировочных данных, но остаётся очень точной. Учёные также разработали алгоритм, который превращает прогнозы модели в конкретные инструкции по управлению плазмой: например, как менять силу магнитов или температуру, чтобы плазма оставалась стабильной и безопасно “загасла”. 🟢 Новость: https://news.mit.edu/2025/new-prediction-model-could-improve-reliability-fusion-power-plants-1007 @data_math

🔥 Успех в IT = скорость + знания + окружение Здесь ты найдёшь всё это — коротко, по делу и без воды. Пока другие ищут, где “подглядеть решение”, ты уже используешь самые свежие инструменты! AI: https://t.me/+EPEFXp67QfIyMjMy Python: https://t.me/+cq7O4sOHldY1ZTIy Linux: t.me/linuxacademiya Собеседования DS: t.me/machinelearning_interview 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_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 😆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 Подпишись, если хочешь быть в числе тех, кого зовут в топовые проекты!

✔️ ИИ помог Теренсу Тао найти контрпример в математике Один из величайших математиков современности, Теренс Тао, использовал искусственный интеллект, чтобы решить задачу на MathOverflow о последовательности наименьших общих кратных. У него было теоретическое подозрение, что ответ отрицательный, но требовались конкретные числовые параметры для построения контрпримера. Сначала Тао просил ИИ сгенерировать Python-код для поиска, но из-за неверных параметров и долгого времени выполнения этот путь оказался неэффективным. Затем он перешёл к пошаговому алгоритму: ИИ выполнял эвристические расчёты, помогая сузить диапазон параметров. В итоге удалось получить рабочие значения, которые Тао проверил самостоятельно с помощью короткого Python-скрипта, также созданного ИИ. Такая стратегия позволила сэкономить часы ручного кодирования и отладки: ИИ не только ускорил поиск, но и выявил несколько ошибок в начальных рассуждениях. Этот случай показывает, как современные системы могут становиться реальными ассистентами даже в фундаментальной математике. mathstodon

✔️ Математика в машинном обучении» - бесплатный курс, который предназначен для тех, кто хочет углубить свои знания в области математики, необходимой для понимания и применения методов машинного обучения и искусственного интеллекта. Этот курс охватывает ключевые математические концепции, лежащие в основе современных алгоритмов машинного обучения, таких как линейная алгебра, теория вероятностей, статистика и оптимизация. Курс

Ряд Тейлора - это мощный инструмент в математическом анализе, который позволяет представить гладкую функцию в виде бесконечной суммы её производных в одной точке. По сути, он даёт способ приближать сложные функции с помощью многочленов. Каждый член ряда включает производную более высокого порядка, вычисленную в выбранной точке, и умноженную на соответствующую степень переменной. Вблизи этой точки многочлен Тейлора точно повторяет поведение исходной функции, и чем больше членов ряда учитывать, тем точнее становится приближение. Эта концепция является фундаментальной как в теоретической, так и в прикладной математике - от решения дифференциальных уравнений до работы алгоритмов в численном анализе и физике.

Выбираешь вуз? Давай разберёмся! Если завис на последнем варианте – тебе в ЦЭ-500 👈 Рассказываем, как выбрать перспективную специальность и сразу после выпуска попасть на крутое предприятие. #реклама О рекламодателе