Математика Дата саентиста

📐 AlphaGeometry: An Olympiad-level AI system for geometry

Deepmind представили AlphaGeometry: систему искусственного интеллекта, которая решает олимпиадные задачи по геометрии на уровне, приближающемся к уровню золотого медалиста.
Система была обучена исключительно на синтетических данных и знаменует собой прорыв ИИ в области математики.

https://deepmind.google/discover/blog/alphageometry-an-olympiad-level-ai-system-for-geometry/

🖥 Code: https://github.com/facebookresearch/audiocraft/blob/main/docs/MAGNET.md#api

🚀 Deepmind: https://deepmind.google/discover/blog/alphageometry-an-olympiad-level-ai-system-for-geometry/

📚 Paper: https://www.nature.com/articles/s41586-023-06747-5

@ai_machinelearning_big_data

🔼 Теорема о треугольниках Кеплера.

Код на Python для иллюстрации теоремы и ее доказательства.

https://johndcook.com/blog/2023/11/20/kepler-triangle/

@data_math

💻 Изучайте Математику для Data Science бесплатно с помощью этих бесплатных курсов с Udacity

1. Linear Algebra Refresher Course
2. Intro to Statistics
3. Intro to Inferential Statistics
4. Intro to Descriptive Statistics
5. Eigenvectors and Eigenvalues
6. Intro to Artificial Intelligence
7. Differential Equations in Action

📌 Список

@data_analysis_ml

Изучите основы теории вероятностей и статистики c Университетом Брауна.

Они предоставляют наглядные визуализации, которые помогут вам в обучении.

И это 100% БЕСПЛАТНО

🔗http://seeing-theory.brown.edu

@data_math

👨‍🎓 Статистика 110: Теория Вероятности от Гарвардского университета.

Несомненно, один из лучших курсов по теории вероятностей в Интернете!

youtube.com/playlist?list=PL2SOU6wwxB0uwwH80KTQ6ht66KWxbzTIo

@data_math

The conceptual Mathematics behind #MachineLearning with example-based learning.

📓 book

@data_math

🚀 Texify - это модель распознавания и вычисления символов и формул, которая преобразует изображения или pdf-файлы, содержащие математические вычисления, в формулы и LaTe). Она может работать на CPU, GPU или MPS.

`pip install texify`

https://github.com/VikParuchuri/texify

@data_math

📌 Курс «Машинное обучение» на МКН СПбГУ
Аннотация

Объемный годовой курс, в котором подробно рассматриваются модели машинного обучения.

Такой подход позволяет осознать основные принципы данной области в целом. Знание этих принципов даст возможность самостоятельно понимать механизмы функционирования более сложных современных моделей, обнаруживать пути улучшения уже существующих алгоритмов, а также адаптировать методы машинного обучения для решения нестандартных задач.

🖥 Github

@data_math

Смогли бы вы получить пароль?

🖥 statistics.stdev() и `statistics.pstdev(): Эти функции вычисляют стандартное отклонение и среднеквадратическое отклонениеи.

@data_math

⚡️ Mathematical discoveries from program search with large language models

www.nature.com/articles/s41586-023-06924-6

@data_math

🎲 Комбинаторная математика

1. Правила комбинаторики. Комбинаторная математика.
2. Генерация комбинаторных объектов. Комбинаторная математика.
3. Классы P, N и NPC. Комбинаторная математика.
4. Основные определения и свойства графов. Комбинаторная математика.
5. Ориентированные графы. Комбинаторная математика
6. Эйлеровы и гамильтоновы графы. Комбинаторная математика
7. Раскраска графов. Комбинаторная математика
8. Триангуляция Делона и диаграмма Вороного. Комбинаторная математика
9. Минимальное остовное дерево. Комбинаторная математика
10. Количество остовных деревьев. Комбинаторная математика

#video #math

https://www.youtube.com/watch?v=EEIpjY0v7k4&list=PLAyGZSpiecFosLLmmYczCpNPFQHCAkV8A

@data_math

⚡️ Структуры данных и алгоритмы

1. Поиск. Теоретическое описание.
2. Линейный поиск. Реализация на Python и Java.
3. Интерполяционный поиск. Реализация на Python и Java.
4. Позиционная система счисления.
5. Вычисление остатка от деления. Реализация в Python и Java.
6. Арифметические операции. Реализация в языках программирования Java и Python.
7. Бинарный поиск. Реализация на Python и Java.
8. Наибольший общий делитель. Реализация на Python и Java.
9. Сортировка. Теоретическое описание.
10. Сортировка выбором. Реализация на Python и Java.

#video #algorithm

https://www.youtube.com/watch?v=aWy0-bGZk3U&list=PLtNPgSbW9TX7acrQa2LeBAMGxO5WRAVsz

@data_math

🔥 Дайджест полезных материалов из мира Машинного обучения за неделю

Почитать:
— «Вкалывают роботы»: как людям достичь полной автоматизации труда и не оказаться за бортом
— 8 бесплатных курсов по большим языковым моделям
— Современные варианты баз данных
— Создаём сортировщик деталей Lego Technic, распознающий объекты в реальном времени
— Скелет, анимация, текстура: всё о создании 3D-модели человека по фотографии
— Свежий Google Gemini, GPT-4 и математика
— Чего не знают айтишники? Как мы провели IT-кроссворд и нашли ответы на все вопросы
— Распознавание пользовательского интерфейса в медицине
— Зачем мне пылесос с ананасом или как оценить корректность рекомендательной системы
— Реализация нейронной сети для соревнования Digit Recognizer на Kaggle и её прикладное использование. Часть №2
— Как маркетологи используют генеративный ИИ?
— Учим ИИ играть в настолку Magic the Gathering
— 🔮 SuperDuperDB is #3 on GitHub Trending globally! 🥉
— 6 Cutting-Edge ML Projects for Your Power-Packed Resume!
— Orca 2 - Small Language Models
— Financial Data Analysis
— The One Plot to Rule Them All
— Face Recognition vs. Face Detection: Understanding the Key Differences
— Get To Winning With MLOps
— 🤯 8 LLMs and Deep Learning repos to get you into the TOP 1% 🚀
— OpenHermes 2.5 Vs GPT-4 Vs LLama2 = The Winner
— A new tool to easily build, train and test Neural Networks for regression tasks 💻🚀

Посмотреть:
🌐 Ollama — модель уровня GPT. Используй GPT без ограничений и абсолютно бесплатно.
🌐 Lightning Interview "Catastrophic AI Risks" (⏱ 01:04:50)
🌐 A Semi-Supervised Anomaly Detection System Through Ensemble Stacking Algorithm - Chuying Ma (⏱ 30:41)
🌐 LLMs in Data Analytics: Can They Match Human Precision? - Gerard Kostin (⏱ 39:54)
🌐 ODSC Webinar | Machine Learning Operations (MLOPs) with Azure Machine Learning (⏱ 01:04:57)

Хорошего дня!

@data_math

🖥 Машинное обучение для решения прикладных задач

1. Вводная лекция
2. Метрические методы классификации
Практическое занятие к лекции №2
3. Линейные модели классификации
4. Задача регрессии
Практическое занятие к лекциям № 3 и 4
5. Решающие деревья
6. Ансамблевые алгоритмы
7. Метрики качества классификации
8. Снижение размерности данных

#video #ai

https://www.youtube.com/playlist?list=PLcsjsqLLSfNAri43suoDrZBVrUsqDIonL

@data_math

Если кто-то спросит меня, зачем мы учим математику, я покажу эту картинку этому человеку. ⚡️

@data_math

🔥 Самый распространенный статистический тест, используемый в A/B-тестировании: Двухвыборочный t-критери.

Вот что это такое и почему мы его используем.

Двухвыборочный t-критери специально разработан для сравнения средних показателей двух групп.

В контексте A/B-тестирования это часто включает в себя сравнение производительности двух версий веб-страницы или приложения (например, версии A и версии B), чтобы увидеть, есть ли статистически значимая разница в ключевых показателях, таких как коэффициент конверсии, количество кликов или время, проведенное на странице.

Т-тест помогает определить, являются ли наблюдаемые различия следствием внесенных изменений или просто случайностью.

A/B-тестирование - один из самых распространенных вопросов на собеседовании, и компании нуждаются в этом навыке у своих сотрудников (это самый мощный инструмент для повышения столь желанных показателей конверсии).

▪ Большой гайд по A/B-тестированию

@data_math

📚 Практическое введение в решение дифференциальных уравнений в Python Автор: Н. М. Ершов

Книга

@data_math