Математика Дата саентиста

⚡️ microMathematics Plus

Это мощный визуальный калькулятор для Android, предназначенный для студентов и всех, кто интересуется математикой или нуждается в чем-то большем, чем обычный калькулятор.

Он предлагает следующие функции:

- Работа на смартфоне или планшете в портретном и альбомном режимах;
- Поддержка всех популярных математических операций;
- Поддержка единиц измерения SI и не-SI;
- Мощный математический редактор с сенсорным экраном и функцией отмены;
- Возможность выполнения нескольких вычислений и последующего исправления или изменения всех использованных формул;
- Математические выражения собираются в документ, который включает не только формулы и графики, но и дополнительный текст и изображения и многое другое.

📌 GitHub

@data_math

⚡️ Hermes 3: Семейство finetune Llama 3.1 от Nous Research

Новый набор моделей от Nous Research был создан на основе Llama 3.1 8B, 70B и 405B файнтюном датасета из синтетически сгенерированных ответов. Hermes 3 получил производительность Llama 3.1 и расширенные возможности в мышлении и творчестве.

Hermes 3 разблокирован, не подвергается цензуре и обладает высокой степенью управляемости. Он обладает улучшенной функцией долговременного сохранения контекста и возможностью ведения длинного диалога, навыком сложной ролевой игры и внутреннего монолога, а также расширенной функцией вызова агентов.
Модели семейства умеют точно и адаптивно следовать системным промптам и инструкциям.

В Hermes 3 возникают аномальные состояния, которые при правильных вводных и пустых системных подсказках приводят к ролевой игре и потере памяти. Вы можете активировать этот “Режим амнезии” в Hermes 3 405B, введя пустой системный запрос и отправив сообщение "Кто вы?".

Hermes 3 использует ChatML для формата промптов. Формат более сложный, чем alpaca или sharegpt, в нем используются специальные токены для обозначения начала и окончания логического контекста и ролей в этих контекстах.

Набор Hermes 3:

🟠Hermes 3 - Llama-3.1 405B;
🟠Hermes 3 - Llama-3.1 405B FP8 для использования с vLLM;
🟠Hermes 3 - Llama-3.1 70B;
🟠Hermes 3 - Llama-3.1 70B FP8 для использования с vLLM;
🟢Hermes 3 - Llama-3.1 70B GGUF для использования с llama.cpp. Версии квантования от 3-bit (31 Gb) до 5-bit (50 GB);
🟠Hermes 3 - Llama-3.1 8B;
🟢Hermes 3 - Llama-3.1 8B GGUF для использования с llama.cpp. Версии квантования от 4-bit (5 Gb) до 8-bit (9 GB);

📌Лицензирование : Llama 3 Community License


🟡Страница проекта
🟡Сообщество в Discord
🟡Набор моделей
🟡Arxiv
🟡Demo



@ai_machinelearning_big_data

#AI #Hermes3 #LLM #ML

⚡️Легкий способ получать свежие обновления и следить за трендами в разработке на вашем языке. Находите свой стек и подписывайтесь:

МАШИННОЕ ОБУЧЕНИЕ: t.me/ai_machinelearning_big_data
C++ t.me/cppsobes
Python: t.me/pro_python_code
Хакинг: t.me/linuxkalii
Devops: t.me/devOPSitsec
АНАЛИЗ Данных: t.me/data_analysis_ml
Javascript: t.me/javascriptv
C#: t.me/csharp_ci
Java: t.me/javatg
Базы данных: t.me/sqlhub
Linux: t.me/linuxacademiya
Python собеседования: t.me/python_job_interview
Мобильная разработка: t.me/mobdevelop
Docker: t.me/DevopsDocker
Golang: t.me/Golang_google
React: t.me/react_tg
Rust: t.me/rust_code
PHP: t.me/phpshka
Android: t.me/android_its
Frontend: t.me/front
Big Data: t.me/bigdatai
Собеседования МЛ: t.me/machinelearning_interview
МАТЕМАТИКА: t.me/data_math
Kubernets: t.me/kubernetc


💼 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

🌟DeepSeek-Prover: Proof Assistant Feedback for Reinforcement Learning and Monte-Carlo Tree Search.

DeepSeek-Prover-V1.5 - набор из языковых моделей для доказательства теорем в Lean 4.
"V1.5" означает обновление DeepSeek-Prover-V1 с некоторыми ключевыми нововведениями.

Во-первых, процесс обучения: предварительная подготовка на базе DeepSeekMath, затем контрольная работа с набором данных, включающим логические комментарии на естественном языке и код Lean 4. Это устраняет разрыв между рассуждениями на естественном языке и формальным доказательством теоремы. В набор данных также входит информация о промежуточном тактическом состоянии, которая помогает модели эффективно использовать обратную связь с компилятором.

Во-вторых, проводится обучение с подкреплением, используя алгоритм GRPO для изучения обратной связи с помощником по проверке. Тут выравнивается соответствие модели формальным спецификациям системы проверки.

В-третьих, RMaxTS, варианте поиска в дереве по методу Монте-Карло. Он присваивает встроенные вознаграждения на основе изучения тактического пространства состояний, побуждая модель генерировать различные пути доказательства. Это приводит к более обширному исследованию пространства доказательств.

В результате получился набор моделей с абсолютной точностью генерации в 46,3% на тестовом наборе miniF2F. Этот показатель лучше, чем у GPT-4 и моделей RL, специализирующихся на доказательстве теорем.

Набор DeepSeek-Prover:

🟠DeepSeek-Prover-V1.5 Base. Идеально подходит для первоначального изучения и понимания возможностей модели и основ для формальных математических рассуждений, но требует дальнейшего обучения для оптимальной работы;
🟠DeepSeek-Prover-V1.5 SFT. Модель для задач, требующих умеренных навыков доказательства теорем за счет рассуждений на естественном языке и информации о тактическом состоянии.
🟠DeepSeek-Prover-V1.5 RL. Рекомендуется для решений, требующих высочайшей точности и производительности при формальном доказательстве теорем. К SFT-версии добавлены дополнительная оптимизация на основе Proof Assistant Feedback и обучение с подкреплением.

▶️Установка и запуск:

# Clone the repository:
git clone --recurse-submodules git@github.com:deepseek-ai/DeepSeek-Prover-V1.5.git
cd DeepSeek-Prover-V1.5

# Install dependencies:
pip install -r requirements.txt

# Build Mathlib4:
cd mathlib4
lake build

# Run paper experiments:
python -m prover.launch --config=configs/RMaxTS.py --log_dir=logs/RMaxTS_results

📌Лицензирование кода репозитория: MIT license

📌Лицензирование моделей: DEEPSEEK License


🟡Набор моделей
🟡Arxiv
🟡Датасет
🟡Сообщество в Discord
🖥Github [ Stars: 53 | Issues: 0 | Forks: 1]


@ai_machinelearning_big_data

#AI #LLM #Math #ML

⚡️ Awesome math – курируемый список полезных ресурсов по математике

Здесь собраны различные материалы по таким темам как:
• Основы математики
• Теория чисел
• Алгебра
• Комбинаторика
• Числовой анализ
• Обработка сигналов
• Математика для компьютерных наук
• Математическая биология
• Математическая физика

https://github.com/rossant/awesome-math

#GitHub | #Archive

@data_math

Собеседования

1. Открытое собеседование на Middle Data Scientist. Секция Python и работы с данными
2. Открытое собеседование на Middle Data Scientist. Секция ML
3. Выпуск 4: System Design собеседование с Валерием Бабушкиным
4. Mock собеседование на Junior Data Scientist
5. Выпуск 3: System Design собеседование с Валерием Бабушкиным
6. Выпуск 2: System Design собеседование с Валерием Бабушкиным
7. Выпуск 1: System Design собеседование с Валерием Бабушкиным
8. Открытое собеседование на позицию игрового аналитика
9. Выпуск 3: ML System Design собеседование с Валерием Бабушкиным
10. Техническое собеседование на позицию junior аналитика

#video

https://www.youtube.com/watch?v=6adGYmQeJNw&list=PLBRXq5LaddfzDBjg6soIwJJA2klXXs6ni

🖥 Python для сетевых инженеров

🔥 Очень полезная открытая книга для сетевых инженеров с опытом программирования и без.
Все примеры и домашние задания построены с уклоном на сетевое оборудование.
Для тех, кто хочет автоматизировать повседневные задачи и заняться программированием, но не знает, с какой стороны подойти.

📎 Книга

@data_math

InfinityMATH

Масштабируемый набор данных для настройки математических моделей

InfinityMATH, масштабируемый набор данных для настройки моделей для математического анализа.

Эксперименты по точной настройке языков и моделей кода с открытым исходным кодом, таких как Llama2 и CodeLlama, демонстрируют практические преимущества InfinityMATH.

Эти точно настроенные модели показали значительные улучшения, составив в среднем от 184,7% до 514,3% процентов прироста.

Кроме того, эти модели продемонстрировали хорошие оценки надежность в тестах GSM8K+ и MATH+, которые представляют собой усовершенствованную версию тестовых наборов с простым изменением количества тестов.

InfinityMATH делает модели более универсальными и эффективными для решения широкого круга математических задач.

https://huggingface.co/papers/2408.07089

Бесплатный курс с теорией и практикой математики для Data Science.

Никакой лишней воды, только то, что действительно нужно для работы с ML, и всё это с примерами кода. Приятный бонус — можно выбрать диалект для примеров (PyTorch, Keras или MXNET).

Кстати, остальные главы курса тоже на высоте.

https://d2l.ai/chapter_appendix-mathematics-for-deep-learning/index.html

@data_math

🛞 Математики изобретают колесо в более высоких измерениях, чтобы решить старую геометрическую проблему:

https://scientificamerican.com/article/mathematicians-reinvent-the-wheel-in-higher-dimensions-to-solve-decades-old/

#Математика

@data_math

⚡️ 10 способов изображения первых 5000 знаков числа Пи (Ken Flerlage)