Интеллект в коде: Python, AI, Data Science

Библиотека sympy

Инструкция решение СЛАУ(Система линейных алгебраических уравнений) с помощью sympy

from sympy import *
import numpy

➖sympy - библиотека для символьной математики
➖numpy - библиотека для численных вычислений

a1, a2 = symbols('a1, a2')

eq1 = 4.1 * a1 + 3.9 * a2 - 4
eq2 = 4.7 * a1 + 4.2 * a2 - 4.3

➖symbols('a1, a2') говорит SymPy: «будут переменные a1 и a2».
➖eq1 и eq2 - это выражения, которые равны нулю, если уравнение истинно. То есть 4.1*a1 + 3.9*a2 - 4 == 0

nonlinsolve([eq1, eq2], [a1, a2])

➖nonlinsolve - общий решатель систем (подходит и для нелинейных).

linsolve([eq1, eq2], [a1, a2])

➖linsolve - специализированный решатель линейных систем.

X_augmented = Matrix([[4.1, 3.9, 4], [4.7, 4.2, 4.3]])

➖ Это таблица коэффициентов вместе со столбцом свободных членов: каждый ряд, одно уравнение:
[4.1 3.9 | 4]
[4.7 4.2 | 4.3]

X = Matrix([[4.1, 3.9], [4.7, 4.2]])
a = Matrix(symbols('a1 a2'))        # столбец [a1, a2]^T
b = Matrix([4, 4.3])                # столбец правых частей

X * a        # даёт столбец: [4.1*a1 + 3.9*a2, 4.7*a1 + 4.2*a2]
X * a - b    # "остаток" — если подставить правильные a1,a2, будет ноль

➖Представление системы в матричной форме: X * a = b.
➖Если подставить найденные значения a1 и a2, то X*a - b станет нулевым вектором


#sympy

Привет, друзья! 🌟 Мир ИИ не стоит на месте, от огромных инвестиций до новых моделей и этических дебатов. Вот подборка ключевых событий за неделю. Давайте разберёмся!

➖OpenAI прогнозирует сжигание $115 млрд к 2029 году 💸
Компания повысила прогноз расходов на $80 млрд, планируя разработку собственных чипов для дата-центров. Это поможет контролировать затраты на фоне быстрого роста.

➖ASML инвестирует €1,7 млрд в Mistral AI 🇪🇺
Голландский гигант чипов стал крупнейшим акционером европейской Mistral, сделав её самой ценной ИИ-компанией в Европе. Цель - конкуренция с США и Китаем!

➖Alibaba выпускает Qwen3-Max-Preview с 1 трлн параметров 🤖
Новая модель от Alibaba улучшает инструкции, диалоги и агентные задачи. Доступна через Qwen Chat и Alibaba Cloud — шаг к сверхмасштабным ИИ.

➖ИИ замедляет масштабирование вычислений ⚡️
Анализ показывает: эра быстрого роста GPU закончилась из-за насыщения поставок. Лаборатории сталкиваются с проблемами в строительстве дата-центров.

#ИИ #AI #TechNews

Две новости:

— Microsoft заключили партнёрство с Nebius (заморская часть Yandex под контролем родившегося в Казахстане израильского предпринимателя Аркадия Воложа 😀). В рамках сделки в течение 5 лет Microsoft купит облачных мощностей на $17.4 миллиарда, и может по опциону докупиться ещё на 2. Акции Nebius сильно подскочили на 68%.

— OpenAI заключили контракт с Oracle на $300B на покупку облачных мощностей в ближайшие 5 лет 😵 Акции Oracle подскочили на 40%, а CTO и основатель компании Larry Ellison обогнал Elon Musk и стал самым богатым человеком планеты 👍 Интересно, как Sama будет финансировать сделку, кто даст столько денег 🤔

Где-то в Техасе грустит один дядя 🥹

Что такое матрица?❓
Матрица - это прямоугольная таблица чисел, где важна позиция каждого числа: строка (горизонталь) и столбец (вертикаль). Пример:

[ 2   5 ]
[ 7   1 ]

Зачем она нужна?
Чтобы компактно хранить данные и быстро делать массовые одинаковые действия над целыми наборами чисел.🎯

Жизненные примеры:
➖Домашний учёт трат. Строки - дни недели, столбцы - категории (еда, транспорт, жильё). Таблица сразу показывает, где больше всего расходов и позволяет быстро посчитать суммы по дням или категориям.
➖Изображения и фильтры. Фото - это сетка пикселей (каждый пиксель, число яркости или три числа для цветов). Поворот, масштабирование, «размытие»/«резкость» делаются с помощью операций с матрицами.

Базовые действия (коротко)
Сложение: складываем матрицы одинакового размера поэлементно.
Умножение на число: каждый элемент умножается на одно и то же число (масштабируем данные).
Умножение матриц: способ «сочетать» преобразования или связывать наборы данных (детали изучаются позже).

Сделать ли более подробный разбор матрицы?✍️
👍- да
👎- нет

#ИИ #аналитика #DataAnalytics

🚀Новости мира машинного обучения и аналитики за 5 сентября 2025 года 🚀
➖Anthropic согласилась на мировое: минимум $1,5 млрд авторам за обучение на пиратских книгах; компания также уничтожит такие датасеты. Решение ещё должен утвердить суд. Почему важно: прецедент для всех, кто тренирует модели на текстах.
➖Nvidia vs GAIN AI Act (США): Nvidia раскритиковала законопроект, который обяжет чипмейкеров в приоритете снабжать США и усилит экспортные ограничения. Почему важно: влияет на доступность ИИ-GPU и сроки проектов.
➖Греция × OpenAI: меморандум о запуске ChatGPT Edu в школах и поддержке ИИ-инициатив для малого бизнеса и стартапов. Почему важно: рабочая модель внедрения ИИ в образование на уровне страны.
➖JUPITER (Германия): запущен первый в ЕС экзафлопсный суперкомпьютер на чипах Nvidia; фокус — наука и ИИ. Почему важно: ускорение вычислительных проектов в регионе.

#ИИ #аналитика #новости

Нашёл годную визуализацию для тех, кто хочет на пальцах понять, как устроены LLM. Тут можно не просто почитать про слои моделей, а буквально пощупать их, покрутить со всех сторон в 3D

Есть GPT-2, nanoGPT, GPT-2 XL и GPT-3

Лучше запускать с компа, на мобиле не так красиво 😳

🚀Новости мира машинного обучения и аналитики за 4 сентября 2025 года 🚀
Привет, друзья! Сегодняшний дайджест полон свежих прорывов в AI, ML и данных. От новых инструментов для справедливых алгоритмов до роста спроса на AI-чипы — вот что произошло вчера. Давайте разберём топ-новости:
➖Dresner Advisory опубликовала отчёт 2025 по AI, Data Science, ML и ModelOps
Исследование фокусируется на управлении моделями AI/ML, их governance и операционных приоритетах. Это уже 4-й ежегодный отчёт, который поможет компаниям максимизировать ценность технологий.
➖Broadcom прогнозирует рост доходов благодаря буму AI-чипов. Компания ожидает сильного четвёртого квартала из-за растущего спроса на чипы для AI. Это подтверждает тренд: AI-инфраструктура на подъёме!
➖Новый AI-инструмент от Mount Sinai повышает точность и справедливость в медицинских алгоритмах
Команда из Icahn School of Medicine разработала метод для снижения предвзятости в данных, улучшая алгоритмы для здоровья. Идеально для этичного AI в медицине. 🏥
➖Berkeley Lab: AI и автоматизация ускоряют научные открытия
Искусственный интеллект комбинируется с автоматизацией для быстрого прогресса в науке. Это меняет подход к исследованиям! 🔬
➖Pistoia Alliance запускает инициативу по Agentic AI
Новая коллаборация фокусируется на "агентском" AI, где модели самостоятельно принимают решения, но с контролем для избежания "чёрных ящиков". Будущее автономного AI! 🤖

#MLNews #AINews #DataAnalytics #MachineLearning #ArtificialIntelligence

🚀Новости мира машинного обучения и аналитики за 3 сентября 2025 года 🚀

Привет, друзья! Сегодня в нашем дайджесте свежие события из сферы ML, AI и данных. От возможного "зимнего" спада в AI до прорывов в квантовых сетях для климата, вот что стоит знать. Давайте разберёмся по порядку:

➖Грядет ли "AI-зима"? Инвесторы и эксперты обсуждают риски спада в AI-индустрии, опираясь на исторические циклы. Скепсис академиков и разочарование бизнеса, ключевые факторы. Это может повлиять на инвестиции в ML-проекты.

➖Эффективная автодифференциация для научных вычислений. Исследователи представили DaCe AD, новый движок, который ускоряет расчёт градиентов для сложных задач в ML. Идеально для симуляций и оптимизации моделей.

➖AI меняет рынок труда. Новое исследование показывает, как следующее поколение работников адаптируется к автоматизации. AI перестраивает рабочие места, но открывает новые возможности в аналитике и данных.

➖DataSnap расширяет AI-аналитику для бизнеса. Платформа добавила встроенные AI-инструменты для роста компаний. Теперь аналитика данных становится ещё умнее и быстрее.

➖ML помогает бороться с пластиком. С помощью машинного обучения идентифицированы новые PET-гидролазы из природного разнообразия. Это шаг к устойчивой переработке.

➖AI детектирует рак яичников по ДНК. Новая модель на основе ML анализирует метилирование ДНК для ранней диагностики. Точность впечатляет, будущее медицины в данных!

➖Квантовые нейросети превосходят классику в прогнозах климата. Исследования показывают, что quantum neural networks улучшают точность моделей, помогая бороться с изменением климата.

Ещё из соцсетей: Anthropic закрыла раунд на $13 млрд с valuation $183 млрд, а OpenAI купила Statsig за $1.1 млрд для усиления экспериментов в ChatGPT.
Что думаете, ребята? Готовы ли вы к "AI-зиме" или прорывы в квантах вдохновляют? Делитесь в комментах! Подписывайтесь, чтобы не пропустить обновления. 📈📈

#MLNews #AINews #DataAnalytics #MachineLearning #AI2025

✔️Grok Code Fast 1 возглавила рейтинг OpenRouter по объему использования.
Модель популярна благодаря цене и скорости, удобна для IDE-ассистентов и кодинг-агентов. Лидерборд фиксирует именно объём генерации, а не качество или безопасность.
openrouter.ai

✔️Droplet3D — генерация 3D-объектов из видео.
Модель Университета Цинхуа обучена на 4 млн 3D-объектов, создаёт многовидовые рендеры сцен и доступна в открытом коде.
dropletx.github.io

✔️G42 строит ИИ-кампус в ОАЭ (5 ГВт).
Ведёт переговоры с Google, Microsoft, AWS и xAI. Уже зарезервирован 1 ГВт для Stargate (OpenAI, MGX, Softbank, Oracle). Планируется диверсификация чипов и концепция “цифровых посольств” для правительств.
semafor.com

✔️Квантовые сигналы через обычное оптоволокно.
Инженеры Пенсильвании впервые передали их с помощью “Q-чипа” и стандартных интернет-протоколов. Доказана возможность квантового интернета на существующих сетях.
science.org

✔️Ангилья зарабатывает на домене .ai.
В 2024 году — $39 млн (23% доходов острова). За 5 лет число сайтов выросло в 10 раз, за год удвоилось.

#news #ai #ml

Мини-инструкция:

На картинке 3 машины с известным временем разгона и 1 машина с «?».
Переменные: x1 - масса (кг), x2 - мощность (л. с.), y - время (с).
Цель: на микро-примере показать пошаговый расчёт y для четвёртой строки.

Шаг1️⃣ Импорт и создание символьных переменных

from sympy import *

a0, a1, a2 = symbols('a0 a1 a2')
x1, x2 = symbols('x1 x2')

Шаг2️⃣ Функция потерь (MSE) с подстановкой данных
Зачем: формализовать «насколько промахиваемся». Итог: ошибка на наших 3 точках.

# MSE = (1/3) * Σ (ŷ - y)^2
MSE = 1/3 * (((a2 * 560 + a1 * 1945 + a0) - 4.3)**2 + \
             ((a2 * 340 + a1 * 1495 + a0) - 4.9)**2 + \
             ((a2 * 343 + a1 * 1570 + a0) - 5.2)**2)

Шаг3️⃣ Частные производные (градиент MSE)
Зачем: найти направление уменьшения ошибки. Итог: три уравнения «первая производная = 0».

print(MSE_a2 = diff(MSE, a2))
print(MSE_a1 = diff(MSE, a1))
print(MSE_a0 = diff(MSE, a0))

Шаг4️⃣ Находим оптимальные коэффициенты (обучение)
Зачем: получить коэффициенты, где MSE минимальна.

nonlinsolve([MSE_a2, MSE_a1, MSE_a0], [a2, a1, a0])

Это этап обучения модели, когда мы подбираем такие a0, a1, a2, чтобы ошибка была минимальной.

Шаг5️⃣ Подставляем коэффициенты в модель
Зачем: зафиксировать формулу прогноза.

f = -0.0118811881188096 * x2 + 0.00447524752475122 * x1 + 2.24910891089222

Шаг6️⃣ Прогноз на новых данных
Зачем: применить модель

f.subs({'x2': 431, 'x1': 1520}) 

и получаем ответ: 3.93069306930714

⚡️ Полнометражный документальный фильм про Python

На Youtube вышла документалка о том, как создавался язык программирования Python и о том, как IT-сообщество сделало его одним из основ современной кодовой базы.

Для тех, кто хочет посмотреть на русском, можно открыть ссылку в Яндекс Браузере и включить нейросетевую озвучку живыми голосами.

Думаю, будет интересно посмотреть))

#coding #Python

🇨🇳 Alibaba представила новый open-source прорыв — Wan-S2V (Speech-to-Video).
Модель для аудио-управляемой генерации кинематографичных видео с цифровыми персонажами.

🎬 Как это работает
- На вход: одна фотография + аудио.
- На выходе: видео, где текст управляет сценой, а звук задает мимику и движения.
- Основа — Wan-14B (video diffusion-transformer), дополненный аудиопотоком, который «подсказывает», когда открывается рот, как наклоняется голова и когда срабатывают микродвижения.

⚡ Ключевые технологии
- Текст задает общую сцену: камеры, герои, взаимодействия.
- Аудио управляет деталями: артикуляция губ, эмоции, микро-жесты.
- Признаки извлекаются из звука (фонемы, ритм, громкость, интонации) и внедряются в видеобекбон через cross-attention.
- Сохраняется личность героя: система учит embedding лица и тела, которые постоянны, пока движения подстраиваются под звук.
- Для многопользовательских сцен есть active speaker detection — говорит именно тот, чей голос звучит.

🛠 Обучение и стабилизация
- Авто-аннотации движений с помощью сильной VLM сохраняют текстовую управляемость.
- Отслеживание 2D позы тела добавляет сигнал для более реалистичных движений.
- Длинные клипы стабилизируются с помощью memory-токенов для плавных кадров.
- Обучение staged: сначала предобучение аудио-стека, затем масштабное совместное обучение (FSDP, context parallel), финально — дообучение на качество.

🎯 Дополнительно
Есть режим точного редактирования синхронизации губ: маскируется рот и перегенерируется только эта зона под новый звук, сохраняя весь остальной кадр.

📌 В итоге: Wan-S2V превращает фото и аудио в реалистичные видео с цифровыми людьми, соединяя текстовый контроль с аудио-детализацией движений. Это шаг к новым возможностям в кино, играх и создании виртуальных персонажей.

https://github.com/Wan-Video/Wan2.2

Google все таки стояли за Nano Banana и намается она теперь Gemini Native Image.

Эта модель для редактирования изображений- мощный коктейль из Photoshop, Figma и MidJourney!

Gemini Native Image — качество редактирования Которое не имеет аналогов.

Что он умеет? Попробуйте, она стоит вашего времени:

• Заменяет объекты на фото, сохраняя остальное — без артефактов и искажений.
• Реставрирует старые снимки — родственники будут в шоке!
• Раскрашивает фото как профи-колорист.
• Удаляет фон идеально чисто.
• Меняет освещение на снимке.
• Всё — через один интуитивный промпт: просто опишите, что хотите!

Посмотрите примеры — модель просто огонь! 🔥

Доступна беcплатно в aistudio: http://aistudio.google.com/prompts/new_chat

🔟 вещей, которые стоит знать, прежде чем лезть в AI-автоматизацию

Автор с Reddit построил больше 100 workflow и выделил самые главные уроки:

1. Начинайте с простых сценариев — лучше 10 минут пользы, чем 10 часов сложностей.
2. Записывайте процесс: скриншоты и ошибки — это ваше портфолио.
3. Сразу учитесь работать с HTTP-запросами — это открывает доступ почти ко всему.
4. Не называйте себя «экспертом», говорите конкретно: «Помогаю бизнесу экономить время».
5. Умейте отказываться: иногда «нет» открывает путь к более выгодным проектам.
6. Всегда думайте об ошибках: API падают, данные ломаются.
7. Делитесь провалами — они вызывают больше доверия, чем идеальные кейсы.
8. Стабильный доход приносит не настройка, а поддержка и улучшения.
9. Нетворкинг — половина успеха. Проекты приходят через коллег.
10. Автоматизируйте сначала себя: лучший аргумент — собственный пример.

💡 Главное: бизнесу нужны не красивые workflow, а результат — например, «минус 15 часов рутины в неделю».

🔗 Полный пост

Нейронка Veo 3 от Google стала бесплатной на все выходные.

Написал простой промт и получилось такое)

Можно сгенерировать бесплатно 3 видео. Пользуемся здесь.

Функция diff() в SymPy
Что это?
sympy.diff() - берёт символическую производную (в том числе частные и старших порядков).

Baseline (простое объяснение)
➖Первая производная: diff(f, x)
➖n-го порядка: diff(f, x, n)
➖Частные: diff(f, x, y) сначала по x, потом по y
➖Переменной нет в выражении → 0
➖Если переменных несколько, всегда указывайте переменную явно

Зачем это вам?
➖Оценивать «направление и скорость изменения» функций
➖Строить градиенты для оптимизации/ML
➖Вычислять чувствительность показателей к входам

Что получаем?
➖Точное (символьное) выражение производной
➖Можно упростить (simplify) или превратить в численную функцию (lambdify)
➖Подстановка чисел через .subs({x:1, y:2}).evalf()

Кейс: минимум, который покрывает 80% задач

# 0) Импорт и переменные
from sympy import symbols, sin, diff
x, y = symbols('x y')

# 1) Функция
f = sin(x) + x**2*y          # f(x,y)

# 2) Первые производные (градиент)
fx = diff(f, x)              # cos(x) + 2*x*y
fy = diff(f, y)              # x**2

# 3) Вторые и смешанные
fxx = diff(f, x, 2)          # -sin(x) + 2*y
fxy = diff(f, x, y)          # 2*x
fyx = diff(f, y, x)          # 2*x  (гипотеза: совпадает при «гладких» f)
fyy = diff(f, y, 2)          # 0

# 4) Значение производной в точке (x=1, y=2)
val_fx = fx.subs({x: 1, y: 2}).evalf()   # cos(1) + 4 ≈ 4.5403

# 5) Проверка «переменной нет»
z = symbols('z')
dz = diff(x + 5, z)          # 0

# 6) Старший порядок в 1D
d3 = diff(x**5, x, 3)        # 60*x**2

Итог: показаны первая/вторая/смешанные производные, подстановка чисел и случай «нет такой переменной». Этого достаточно для решения большинства учебных и прикладных задач.

#python #sympy #baseline #дифференцирование ✏️

Вторая книга✍️

Часто вижу эту книгу в рекомендациях, наконец-то добрался. После прочтения оставлю короткий отзыв🤔

#книги #чтение #книжныйклуб