Математика Дата саентиста
Kanalga Telegram’da o‘tish
@workakkk - админ @data_analysis_ml - ds https://gosuslugi.ru/snet/67b55bb01a1c5a6fb6ecc946
Ko'proq ko'rsatish
Tarmoq:📈 Telegram kanali Математика Дата саентиста analitikasi
Математика Дата саентиста (@data_math) Rus til segmentidagi kanali faol ishtirokchi. Hozirda hamjamiyat 14 408 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 8 891-o'rinni va Rossiya mintaqasida 45 222-o'rinni egallagan.
📊 Auditoriya ko‘rsatkichlari va dinamika
невідомо sanasidan buyon loyiha tez o‘sib, 14 408 obunachiga ega bo‘ldi.
28 Oktabr, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni 132 ga, so‘nggi 24 soatda esa -2 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.
- Tasdiqlash holati: Tasdiqlanmagan
- Jalb etish (ER): Auditoriya o‘rtacha 15.50% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 6.70% ini tashkil etuvchi reaksiyalarni to‘playdi.
- Post qamrovi: Har bir post o‘rtacha 2 234 marta ko‘riladi; birinchi sutkada odatda 965 ta ko‘rish yig‘iladi.
- Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 27 ta reaksiya keladi.
- Tematik yo‘nalishlar: Kontent llm, программирование, параметр, визуализация, stepik kabi asosiy mavzularga jamlangan.
📝 Tavsif va kontent siyosati
Muallif resursni shaxsiy fikrni ifoda etish maydoni sifatida ta’riflaydi:
“@workakkk - админ
@data_analysis_ml - ds
https://gosuslugi.ru/snet/67b55bb01a1c5a6fb6ecc946”
Yuqori yangilanish chastotasi (oxirgi ma’lumot 29 Oktabr, 2026 da olingan) sababli kanal doimo dolzarb va katta qamrovli bo‘lib qoladi. Analitika auditoriya kontent bilan faol hamkorlik qilishini, uni Texnologiyalar & Aralashmalar toifasidagi muhim ta’sir nuqtasiga aylantirishini ko‘rsatadi.
14 408
Obunachilar
-224 soatlar
+37 kun
+13230 kun
Postlar arxiv
Задача о диване решена: ответ искали почти 60 лет
Какой самый большой диван можно пронести за угол коридора шир
Каждый, кто хоть раз тащил диван по узкому коридору, помнит этот момент. По прямой всё идёт нормально, в дверь он проходит, а на повороте встаёт намертво. Крутишь, наклоняешь, тянешь на себя, и ничего не меняется. В 1966 году математик Лео Мозер превратил эту бытовую боль в строгую геометрическую задачу. Решить её удалось только в конце 2024 года, и ответ оказался куда страннее, чем кто-либо ожидал.
https://uproger.com/zadacha-o-divane-reshena/
🧠 Рамануджан показывал Харди по несколько новых теорем почти каждый день
Позже британский математик Годфри Харди сожалел, что почти не расспрашивал Рамануджана о том, как тот изучал математику в Индии: какие книги читал и как приходил к своим результатам.
Причина удивительная: когда перед тобой почти ежедневно появляются новые теоремы, вопросы о прошлом кажутся второстепенными. Хочется разбирать очередное открытие.
Только потом Харди осознал, сколько подробностей мог легко узнать, но так и не записал.
Открытия сохранились. История того, как человек научился их делать, осталась неполной.
Repost from Искусственный интеллект. Высокие технологии
🧠 В исследовании Google DeepMind агент формального поиска доказательств решил 9 из 353 открытых задач Эрдёша и доказал 44 из 492 гипотез OEIS, базы целочисленных последовательностей.
Заявленные вычислительные затраты на решённую задачу Эрдёша составили несколько сотен долларов.
Модель предлагает доказательство на языке Lean, получает результат проверки и продолжает поиск с учётом ошибок. Убедительно написанного текста недостаточно: формальный проверяющий должен принять доказательство.
Даже более простой агент, чередующий генерацию и проверку, повторил успехи на задачах Эрдёша. Но на самых сложных задачах оказался дороже. Значение имеет и организация поиска.
https://www.thedailystar.net/news/technology/news/ai-can-now-solve-complex-mathematical-research-problems-scientists-say-4296911
https://arxiv.org/abs/2605.22763
🧮 Математика для ИИ на русском: от школьной базы до трансформеров и диффузии
Бесплатный курс-шпаргалка на GitHub, который связывает формулы с их применением в ML: интуиция → формула → иллюстрация → код на NumPy → задачи.
Внутри:
• Линейная алгебра, производные, вероятности и статистика.
• Backpropagation, оптимизаторы, функции потерь и attention.
• Генеративные модели, обучение с подкреплением, RAG и рекомендации.
Для практики: 26 Jupyter-ноутбуков с запуском в Colab, 60 задач с решениями и 160 вопросов с собеседований. Есть карточки Anki и глоссарий RU ↔ EN.
Если математика забылась, предусмотрен отдельный справочник с нуля: от дробей и процентов до интегралов и матриц.
https://github.com/justxor/math-for-ai-2026
Repost from Machine learning Interview
+1🧠 Если ИИ доказал теорему, но никто не понял новую идею, сколько выиграла математика?
Теренс Тао опубликовал 27 слайдов «Math 2.0». Его тезис: мы входим в эпоху изобилия доказательств, а научные стимулы всё ещё настроены на их дефицит.
Раньше решение сложной задачи обычно приносило новые методы и понимание. Теперь ИИ всё чаще позволяет получить результат без специальной экспертизы пользователя. Считать только решённые задачи становится плохой мерой прогресса.
Тао сравнивает открытые проблемы с маяками: исследование путей к ним может дать больше, чем само достижение цели.
И напоминает об ошибке выжившего: в соцсетях видны успехи ИИ, а не все провалы и затраченные вычисления. Большинство задач на переднем крае математики по-прежнему не решено.
Его «Math 2.0» предполагает другой фокус: понятные доказательства, новые принципы, связи между работами и исследование границ применимости теорем. ИИ должен усиливать человеческое понимание.
https://terrytao.wordpress.com/2026/10/10/math-2-0/
@machinelearning_interview
✈️ Можно стать вдвое «тяжелее», даже не увеличивая скорость. Достаточно виража.
При крене 60° подъёмная сила наклоняется вместе с крыльями. Вверх направлена только половина её величины:
cos 60° = 0,5.
Чтобы удерживать высоту, самолёту нужна вдвое большая подъёмная сила. В установившемся координированном вираже это даёт перегрузку 2g.
Человек массой 70 кг давит на кресло примерно так, как давил бы человек массой 140 кг в обычном горизонтальном полёте. Масса остаётся прежней, увеличивается ощущаемый вес.
Секрет в том, что ускорение возникает и при изменении направления движения. Число на спидометре может оставаться тем же, а тело уже чувствует дополнительную нагрузку.
📚 271 страница линейной алгебры от Теренса Тао, бесплатно
Конспекты университетского курса Math 115A в UCLA: векторные пространства, базисы, матрицы и линейные преобразования.
Внутри объяснения, примеры, доказательства и задания. Материал на английском, с упором на понимание математических идей.
Если хотите разобраться в математической основе машинного обучения, сохраняйте.
📥 PDF: https://terrytao.wordpress.com/wp-content/uploads/2016/12/linear-algebra-notes.pdf
🌑 Ушла Маргарет Гамильтон, чья работа помогла людям высадиться на Луне.
Она умерла 30 сентября в возрасте 90 лет. О её смерти сообщил MIT.
Гамильтон руководила командой, разрабатывавшей бортовое ПО программы Apollo, и помогла утвердить программную инженерию как самостоятельную дисциплину.
Во время посадки Apollo 11 компьютер выдал сигналы перегрузки. Механизмы восстановления позволили сохранить выполнение приоритетных задач и продолжить спуск. Это была работа Гамильтон и её команды.
Её наследие напоминает: надёжный код способен менять историю.
Маргарет Гамильтон, 1936–2026.
https://news.mit.edu/2026/margaret-hamilton-computing-pioneer-dies-1007
🔢 Почему пару «3, 5» мозг обрабатывает медленнее, чем «6, 4»?
Психолог Теренс Хайнс обнаружил «эффект нечётности»: участники медленнее определяли чётность нечётных цифр. Особенно заметной разница была при работе с парами и тройками.
По пересказу Алекса Беллоса, ответы для двух нечётных цифр занимали в среднем на 20% больше времени, чем для двух чётных.
Это результат конкретной задачи на классификацию. Он не означает, что любые вычисления с нечётными числами сложнее на 20%.
Но даже такое простое свойство числа наш мозг распознаёт с разной скоростью.
https://pubmed.ncbi.nlm.nih.gov/2314226/
Repost from Machinelearning
📌 OpenAI выложила 722 математические работы своей внутренней модели
Все статьи написала внутренняя модель компании, название которой не раскрывают. На GitHub они разбиты на 372 семейства, от теории чисел и теоретической информатики до геометрии и математической физики.
Среди заявленных результатов есть доказательство рациональной гипотезы Ходжа для абелевых многообразий с комплексным умножением, гипотезы Капланского о прямой конечности в характеристике два и новая оценка показателя иррациональности числа
π.
Рецензию работы не проходили, и независимо их пока никто не проверял.Около 4000 задач модель получила во время внутренней оценки. Её расширили, когда прежние математические тесты перестали отличать модели друг от друга. В среднем на один результат уходило столько вычислений, сколько примерно за три часа тратит ChatGPT Pro в режиме рассуждений. Для 162 работ выложены доказательства на Lean. Каталог этих формализаций сама OpenAI считает как частичный и непроверенный. К десяти результатам приложены сокращённые записи рассуждений модели.
О том, как публиковать такие результаты, OpenAI советовалась с независимой Консультативной группой по математике и ИИ при Институте перспективных исследований в Принстоне.Компания также обещает финансировать математические семинары и конференции в будущем. @ai_machinelearning_big_data #news #ai #ml
Repost from Анализ данных (Data analysis)
🏅 Нобелевская премия по физике 2026 года присуждена Фрэнсису Хальцену
За решающий вклад в создание обсерватории IceCube и открытие высокоэнергетических нейтрино астрофизического происхождения.
IceCube превращает кубический километр антарктического льда в гигантский детектор. Датчики улавливают свет от редких взаимодействий нейтрино с веществом.
Эти частицы почти беспрепятственно проходят через Землю и наши тела. Но именно поэтому они могут приносить информацию о далёких космических процессах, недоступную другим способам наблюдения.
Хальцен предложил использовать лёд Южного полюса ещё в 1988 году. Его идея открыла новый способ изучать Вселенную.
https://www.nobelprize.org/prizes/physics/2026/press-release/
@data_analysis_ml
📚 Обновили огромный учебник по математике для Computer Science и Machine Learning - 2220 страниц.
Внутри сразу несколько фундаментальных тем:
— алгебра
— топология
— дифференциальное исчисление
— теория оптимизации
— математический аппарат для CS и ML
Хороший вариант, если хочется не просто использовать формулы в ML, а понимать, откуда они берутся и почему работают.
Книга доступна здесь:
https://www.cis.upenn.edu/~jean/gbooks/
🌌 Почему две планеты - это красиво, а три - уже хаос
В ньютоновской гравитации задача двух тел выглядит почти идеально.
Например, Солнце и планета движутся по предсказуемой орбите, которую можно описать эллипсом.
Но стоит добавить третье тело, и всё резко усложняется.
Для общей задачи трёх тел нет такой же простой формулы движения. Система может становиться хаотической: крошечное изменение начальных координат или скорости со временем приводит к совершенно другой траектории.
Именно изучение подобных систем помогло Анри Пуанкаре изменить сам подход к дифференциальным уравнениям.
Вместо попытки найти одну красивую формулу он начал исследовать геометрию поведения решений: траектории, устойчивость, повторяющиеся движения и хаос.
Эти идеи позже стали фундаментом современной нелинейной динамики и теории хаоса.
Иногда достаточно добавить всего один объект, чтобы предсказуемая система превратилась в почти непредсказуемую.
⚡️ GPT-6 Astra помогла найти контрпримеры к гипотезе о плазме, которой почти 60 лет.
В термоядерном реакторе раскалённую плазму удерживают магнитным полем. Для этого важно понимать, может ли поле сложной трёхмерной формы образовывать вложенные поверхности, вдоль которых движется плазма. В 1967 году физик Гарольд Грэд предположил, что гладкие равновесные решения такого типа без дополнительной симметрии вряд ли существуют.
Физик Мэтт Ландреман представил два семейства точных аналитических решений: магнитное поле и давление в них описываются явными формулами, а вложенные поверхности существуют даже без осевой симметрии. Автор пишет, что решения были найдены с помощью GPT-6 Astra Pro, после чего он вручную проверил все уравнения.
Другая группа исследователей уже недавно опровергла гипотезу Грэда доказательством существования таких решений. Новая работа добавляет конкретные формулы, которые можно использовать, в частности, для проверки программ, моделирующих магнитное удержание плазмы.
Статья: https://arxiv.org/pdf/2609.26742
Яндекс выложил в опенсорс AliceAI-Foundation-80B-A3B-Base — модель, обученную с нуля.
Архитектура MoE: 80 млрд параметров, но на каждый токен активируется около 3 млрд. Это и есть идея MoE: не гонять всю сеть целиком, а включать только нужные блоки.
Поэтому интересно и сравнение с NVIDIA Nemotron на LiveCodeBench — сопоставимый результат достигается при вчетверо меньшем числе активных параметров. Меньше активных вычислений — ниже стоимость и задержка инференса.
Технический руководитель Google DeepMind Aman Chadha поместил модель на общий ландшафт релизов Google, Z.ai и Xiaomi и описал тренд через capability density — полезные возможности на единицу вычислений, памяти, задержки и стоимости. Если проще: гонка смещается от размера к эффективности, и AliceAI — один из примеров этого сдвига.
Модель открыта под лицензией Apache 2.0
🧠 Джон Маккарти - человек, который дал имя искусственному интеллекту
John McCarthy (1927–2011) - один из основателей современной AI-индустрии и человек, который ввёл сам термин Artificial Intelligence.
В 1955 году вместе с Марвином Мински, Натаниэлем Рочестером и Клодом Шенноном он подготовил предложение для летнего проекта в Dartmouth College. Именно там появилась идея, что обучение и другие проявления интеллекта можно достаточно точно описать, чтобы их могла воспроизводить машина.
В 1956 году Маккарти организовал Dartmouth Summer Research Project — событие, которое сегодня считают точкой рождения AI как отдельной научной области.
Ещё несколько важных фактов:
- в 1958 году создал Lisp, который на десятилетия стал главным языком AI-исследований;
- участвовал в создании MIT AI Project;
- основал Stanford Artificial Intelligence Laboratory (SAIL);
- внёс вклад в time-sharing, garbage collection, situation calculus и представление common-sense knowledge.
За свои работы Маккарти получил Turing Award в 1971 году и National Medal of Science в 1990-м.
Во многом именно он помог превратить идею «мыслящей машины» в самостоятельную область компьютерных наук.
Как сегодня строят рекомендательные системы — и что будет с ними завтра?
30 сентября собираем RecSys-сообщество — разработчиков, ML/DS-специалистов и всех, кто делает персонализацию и рекомендации в реальных продуктах.
В программе — доклады от экспертов Сбера. Поговорим о свежих подходах и нестандартных решениях на реальных кейсах.
А после докладов переключаемся на неформальный режим: знакомимся, спорим про RecSys, обсуждаем идеи, находим единомышленников и просто хорошо проводим вечер среди своих.
📍г. Нижний Новгород, пространство «Гараж»
Количество мест ограничено — успей забрать своё по ссылке!
🎂 В комнате всего 35 человек и шанс совпадения дней рождения уже больше 80%
Если случайно выбрать 35 человек, вероятность того, что хотя бы у двух совпадёт день рождения, составляет примерно 81,44%.
Хотя возможных дат — 365.
Считать проще от обратного:
P(совпадение) = 1 − P(все дни рождения разные)
Именно поэтому задача кажется нелогичной на интуитивном уровне: мы сравниваем не одного человека со всеми, а каждую возможную пару между собой.
Для 35 человек таких пар уже:
35 × 34 / 2 = 595
Именно здесь вероятность начинает быстро расти.
Вероятность особенно интересна там, где интуиция начинает ошибаться.