📕_Алгоритмы_Руководство_по_разработке_3_е_изд_2022_Скиена_Стивен.zip
107.9 MB
Алгоритм (лат. algorithmi — от имени среднеазиатского математика Аль-Хорезми) — конечная совокупность точно заданных правил решения некоторого класса задач или набор инструкций, описывающих порядок действий исполнителя для решения определённой задачи
В старой трактовке вместо слова «порядок» использовалось слово «последовательность», но по мере развития параллельности в работе компьютеров слово «последовательность» стали заменять более общим словом «порядок»
Независимые инструкции могут выполняться в произвольном порядке, параллельно, если это позволяют используемые исполнители
Книга является наиболее полным руководством по разработке эффективных алгоритмов
Первая часть книги содержит практические рекомендации по разработке алгоритмов: приводятся основные понятия, дается анализ алгоритмов, рассматриваются типы структур данных, основные алгоритмы сортировки, операции обхода графов и алгоритмы для работы со взвешенными графами, примеры использования комбинаторного поиска, эвристических методов и динамического программирования
Вторая часть книги содержит обширный список литературы и каталог из 75 наиболее распространенных алгоритмических задач, для которых перечислены существующие программные реализации
В третьем издании расширен набор рандомизированных алгоритмов, алгоритмов хеширования, аппроксимации и квантовых вычислений
Добавлено более 100 новых задач, даны ссылки к реализациям на C, C++ и Java. Книгу можно использовать в качестве справочника по алгоритмам для программистов, исследователей и в качестве учебного пособия для студентов соответствующих специальностей
Алгоритмы. Руководство по разработке. 3-е изд. [2022] Скиена Стивен С.
The Algorithm Design Manual [2020] Steven S. Skiena
2 книги по алгоритмам [RU+EN] популярных авторов [Томас Кормен, Чарльз Лейзерсон, Рональд Ривест, Клиффорд Штайн]
“Функции используются для наведения порядка в хаосе алгоритмов“ —
Бьярне Строуструп известный программист и информатик, создатель языка программирования
В старой трактовке вместо слова «порядок» использовалось слово «последовательность», но по мере развития параллельности в работе компьютеров слово «последовательность» стали заменять более общим словом «порядок»
Независимые инструкции могут выполняться в произвольном порядке, параллельно, если это позволяют используемые исполнители
Книга является наиболее полным руководством по разработке эффективных алгоритмов
Первая часть книги содержит практические рекомендации по разработке алгоритмов: приводятся основные понятия, дается анализ алгоритмов, рассматриваются типы структур данных, основные алгоритмы сортировки, операции обхода графов и алгоритмы для работы со взвешенными графами, примеры использования комбинаторного поиска, эвристических методов и динамического программирования
Вторая часть книги содержит обширный список литературы и каталог из 75 наиболее распространенных алгоритмических задач, для которых перечислены существующие программные реализации
В третьем издании расширен набор рандомизированных алгоритмов, алгоритмов хеширования, аппроксимации и квантовых вычислений
Добавлено более 100 новых задач, даны ссылки к реализациям на C, C++ и Java. Книгу можно использовать в качестве справочника по алгоритмам для программистов, исследователей и в качестве учебного пособия для студентов соответствующих специальностей
Алгоритмы. Руководство по разработке. 3-е изд. [2022] Скиена Стивен С.
The Algorithm Design Manual [2020] Steven S. Skiena
2 книги по алгоритмам [RU+EN] популярных авторов [Томас Кормен, Чарльз Лейзерсон, Рональд Ривест, Клиффорд Штайн]
“Функции используются для наведения порядка в хаосе алгоритмов“ —
Бьярне Строуструп известный программист и информатик, создатель языка программирования
Практически учебник про геометрическое глубокое обучение
Выглядит очень достойно
Вдруг вы хотели почитать что-то по матчасти на выходных или в остаток лета
Mathematical Foundations of Geometric Deep Learning
Authors: Haitz Sáez de Ocáriz Borde and Michael Bronstein
Paper: https://arxiv.org/abs/2508.02723
https://t.iss.one/gonzo_ML_podcasts/714
https://arxiviq.substack.com/p/mathematical-foundations-of-geometric
Выглядит очень достойно
Вдруг вы хотели почитать что-то по матчасти на выходных или в остаток лета
Mathematical Foundations of Geometric Deep Learning
Authors: Haitz Sáez de Ocáriz Borde and Michael Bronstein
Paper: https://arxiv.org/abs/2508.02723
https://t.iss.one/gonzo_ML_podcasts/714
https://arxiviq.substack.com/p/mathematical-foundations-of-geometric
arXiv.org
Mathematical Foundations of Geometric Deep Learning
We review the key mathematical concepts necessary for studying Geometric Deep Learning.
Mathematical Foundations of Geometric Deep Learning
Authors: Haitz Sáez de Ocáriz Borde and Michael Bronstein
https://arxiv.org/abs/2508.02723
https://arxiviq.substack.com/p/mathematical-foundations-of-geometric
Authors: Haitz Sáez de Ocáriz Borde and Michael Bronstein
https://arxiv.org/abs/2508.02723
https://arxiviq.substack.com/p/mathematical-foundations-of-geometric
arXiv.org
Mathematical Foundations of Geometric Deep Learning
We review the key mathematical concepts necessary for studying Geometric Deep Learning.
Ml можно вырастить как ребенка — в реальном хаосе мира.
Поворот в ML: учим модели на "мусорных" лайках вместо чистых оценок
Обучение Ml по человеческой обратной связи (RLHF) требует аккуратных, проверенных оценок людей-разметчиков
В реальности же платформы — от соцсетей до медиа и маркетплейсов, — не выдают чистых ярлыков “хорошо/плохо”: есть лишь шумные, смещённые сигналы (лайки, дочитывания, клики, покупки), зависящие от контекста и масштаба аудитории
Авторы нового метода обучения предлагают способ принять этот шум в работу, а не прятаться от него: учить модели на непроверенных, реальных сигналах (RLNVR), но при этом аккуратно вычищать системные перекосы и стабилизировать обучение
Коротко говоря:
Бери сырой, шумный и бестолковый мир как он есть, нормируй очевидные искажения, переноси сигнал по смысловому сходству и держи петлю обратной связи устойчивой
Звучит просто
Осталось понять следующее
1. Как это работает на практике (и почему это вообще возможно)?
Предельно кратко:
Берём реальные, пусть и шумные, реакции людей; приводим их к честной шкале; переносим опыт с лучших похожих случаев; и учим модель с простыми, но жёсткими «поручнями», чтобы она не читерила
Подробней здесь
2. Если получится, - что это будет значить для общества и для каждого из нас?
Предельно кратко:
Мир обратных связей заговорит громче
Сильно упростится обучение моделей и повысится «демократизация RL»
Но может восторжествовать «закон Гудхарта для»
Подробней здесь
3. Что в сухом остатке
Предельно кратко:
Предложен проект аккуратного инженерного моста между сложной и непростой жизнью и петлями машинного обучения Ml
Но мир еще сложнее, и многое тут зависит уже не от кода, а от нас
Подробней здесь
Поворот в ML: учим модели на "мусорных" лайках вместо чистых оценок
Обучение Ml по человеческой обратной связи (RLHF) требует аккуратных, проверенных оценок людей-разметчиков
В реальности же платформы — от соцсетей до медиа и маркетплейсов, — не выдают чистых ярлыков “хорошо/плохо”: есть лишь шумные, смещённые сигналы (лайки, дочитывания, клики, покупки), зависящие от контекста и масштаба аудитории
Авторы нового метода обучения предлагают способ принять этот шум в работу, а не прятаться от него: учить модели на непроверенных, реальных сигналах (RLNVR), но при этом аккуратно вычищать системные перекосы и стабилизировать обучение
Коротко говоря:
Бери сырой, шумный и бестолковый мир как он есть, нормируй очевидные искажения, переноси сигнал по смысловому сходству и держи петлю обратной связи устойчивой
Звучит просто
Осталось понять следующее
1. Как это работает на практике (и почему это вообще возможно)?
Предельно кратко:
Берём реальные, пусть и шумные, реакции людей; приводим их к честной шкале; переносим опыт с лучших похожих случаев; и учим модель с простыми, но жёсткими «поручнями», чтобы она не читерила
Подробней здесь
2. Если получится, - что это будет значить для общества и для каждого из нас?
Предельно кратко:
Мир обратных связей заговорит громче
Сильно упростится обучение моделей и повысится «демократизация RL»
Но может восторжествовать «закон Гудхарта для»
Подробней здесь
3. Что в сухом остатке
Предельно кратко:
Предложен проект аккуратного инженерного моста между сложной и непростой жизнью и петлями машинного обучения Ml
Но мир еще сложнее, и многое тут зависит уже не от кода, а от нас
Подробней здесь
Теорема Мардена — еще одна иллюстрация закона Стиглера, согласно которому открытия никогда не называются именами первооткрывателе
Даже сам Моррис Марден приписывал эту теорему Йоргу Сибеку
Даже сам Моррис Марден приписывал эту теорему Йоргу Сибеку
Wikipedia
Теорема Мардена
Теорема Мардена даёт геометрическую связь между нулями комплексного многочлена третьей степени и нулями его производной:
Портрет_исследователя_теории_когомологий_Дугина_DeepSeek.pdf
369.6 KB
Зачем нужен DeepSeek, но если связь совсем неправдоподобная — он начнёт её опровергать, а не галлюцинировать, и это не так интересно (а тут повезло)
Также попробуйте промты:
- Explain the meaning of the "fibration spectral sequence" concept in the philosophy of Jean-Paul Sartre
- On page 235 of Friedrich Nietzsche's book Beyond Good and Evil, there is a algebraic argument mentioned which refers, as an analogy, to the Fermat's Little Theorem
Can you please explain the underlying ideas?
Также попробуйте промты:
- Explain the meaning of the "fibration spectral sequence" concept in the philosophy of Jean-Paul Sartre
- On page 235 of Friedrich Nietzsche's book Beyond Good and Evil, there is a algebraic argument mentioned which refers, as an analogy, to the Fermat's Little Theorem
Can you please explain the underlying ideas?
25 августа, родился Гельмут Хассе (1898–1979) — один из крупнейших немецких алгебраистов XX века
Он был учеником Курта Генселя, создателя арифметики p-адических чисел, и именно в теории чисел Хассе сделал свои самые значимые открытия
Одним из них стал так называемый принцип Хассе–Минковского, или локально-глобальный принцип, который позволяет понять свойства квадратичных форм, исследуя их «по частям» — над всеми возможными локальными полями
Он также ввёл инварианты, ставшие ключевым инструментом в изучении алгебр и форм, и вместе с Эмилем Артином разработал конструкцию, получившую название экспоненты Артина–Хассе
Его интересы касались и более глубоких объектов — например, дзета-функций, которые позже легли в основу исследований Хассе–Вейля
Математики хорошо знают и «диаграмму Хассе» — удобный способ изображать частично упорядоченные множества, который сегодня встречается и в учебниках, и в исследованиях
С 1929 по 1979 год он был главным редактором одного из старейших и самых авторитетных математических журналов — Journal für die reine und angewandte Mathematik (журнала Крелля)
Через его руки прошли сотни статей, определявших развитие алгебры и теории чисел в XX веке
Среди его учеников были Петер Рокетте, Хайнрих-Вольфганг Леопольдт, Джахит Арф и многие другие, ставшие заметными фигурами в математике
Поддержка Хассе нацистского режима не позволила ему построить академическую карьеру после разгрома фашистской Германии
Тем не менее, как учёный он оказал огромное влияние на современную алгебру, и сегодня его имя продолжает жить в фундаментальных понятиях математики
Он был учеником Курта Генселя, создателя арифметики p-адических чисел, и именно в теории чисел Хассе сделал свои самые значимые открытия
Одним из них стал так называемый принцип Хассе–Минковского, или локально-глобальный принцип, который позволяет понять свойства квадратичных форм, исследуя их «по частям» — над всеми возможными локальными полями
Он также ввёл инварианты, ставшие ключевым инструментом в изучении алгебр и форм, и вместе с Эмилем Артином разработал конструкцию, получившую название экспоненты Артина–Хассе
Его интересы касались и более глубоких объектов — например, дзета-функций, которые позже легли в основу исследований Хассе–Вейля
Математики хорошо знают и «диаграмму Хассе» — удобный способ изображать частично упорядоченные множества, который сегодня встречается и в учебниках, и в исследованиях
С 1929 по 1979 год он был главным редактором одного из старейших и самых авторитетных математических журналов — Journal für die reine und angewandte Mathematik (журнала Крелля)
Через его руки прошли сотни статей, определявших развитие алгебры и теории чисел в XX веке
Среди его учеников были Петер Рокетте, Хайнрих-Вольфганг Леопольдт, Джахит Арф и многие другие, ставшие заметными фигурами в математике
Поддержка Хассе нацистского режима не позволила ему построить академическую карьеру после разгрома фашистской Германии
Тем не менее, как учёный он оказал огромное влияние на современную алгебру, и сегодня его имя продолжает жить в фундаментальных понятиях математики
От мини-курса Л.Д. Беклемишева про модели арифметики и комбинаторные независимые утверждения на ЛШСМ-2025 доступны не только видеозаписи, но и подробные записки «Теорема Канамори–Макалуна и её независимость от аксиом формальной арифметики»:
https://www.mathnet.ru/rus/present46936
https://mccme.ru/dubna/2025/notes/beklemishev-notes.pdf
«Первая теорема Гёделя о неполноте говорит о том, что для любой достаточно богатой непротиворечивой теории T с эффективно распознаваемым множеством аксиом существуют арифметические предложения ϕ, не доказуемые и не опровержимые в T
(…)
Доказательство теоремы Гёделя также напоминает логический парадокс
На фоне этого математики высказывали предположение о том, что явление неполноты, открытое Гёделем, возможно не проявляется в реальной математической практике (…)
Математически естественные примеры независимых утверждений, такие как континуум-гипотеза или гипотеза Суслина, были вскоре обнаружены в теории множеств, дескриптивной теории функций, общей топологии, общей алгебре и других областях математики
Однако, все они касались бесконечных множеств (…)
Ситуация оставалась такой вплоть до конца 1970-х годов, когда были найдены естественные утверждения из области конечной комбинаторики (…)
Наиболее известный такой пример — теорема Дж. Париса и Л. Харрингтона, представляющая собой небольшую модификацию известной теоремы Рамсея
В дальнейшем А. Канамори и К. Макалун нашли родственное утверждение (…), которое даёт, в том числе, и более простой способ доказательства независимости теоремы Париса–Харрингтона
Настоящая серия лекций посвящена введению в теорию моделей формальной арифметики и доказательству этих результатов»
https://www.mathnet.ru/rus/present46936
https://mccme.ru/dubna/2025/notes/beklemishev-notes.pdf
Ai2 выпустили набор из 22 классов Ml-агентов для научных исследований, включая 9 агентов с открытым исходным кодом
Этот набор является частью экосистемы Asta для развития научного Ml
Этот набор является частью экосистемы Asta для развития научного Ml
GitHub
GitHub - allenai/agent-baselines
Contribute to allenai/agent-baselines development by creating an account on GitHub.
Google впервые показал архитектуру своего нового процессора для Ml
Новый процессор для Ml TPUv7(Ironwood) был представлен на конференции hot chips
Ключевые цифры:
1. 9.216 чипов в одном блоке = 42.5 экзафлопс производительности
2. Можно объединять множество таких блоков → зеттафлопсы вычислений
3. Это примерно в 100 раз быстрее самых мощных суперкомпьютеров 10 лет назад
Эффекты для бизнеса:
Скорость разработки Ml — то, что раньше обучалось месяцами, теперь займет дни
Новые возможности — модели станут умнее, точнее, смогут решать более сложные задачи
Снижение затрат — при такой эффективности стоимость Ml-решений будет падать
Интересный факт - Anthropic сейчас активно ищут TPU Kernel инженера в Сан-Франциско, Нью-Йорке и Сиэтле
Возможно, скоро увидим Claude, оптимизированный под новейшее железо Google
Новый процессор для Ml TPUv7(Ironwood) был представлен на конференции hot chips
Ключевые цифры:
1. 9.216 чипов в одном блоке = 42.5 экзафлопс производительности
2. Можно объединять множество таких блоков → зеттафлопсы вычислений
3. Это примерно в 100 раз быстрее самых мощных суперкомпьютеров 10 лет назад
Эффекты для бизнеса:
Скорость разработки Ml — то, что раньше обучалось месяцами, теперь займет дни
Новые возможности — модели станут умнее, точнее, смогут решать более сложные задачи
Снижение затрат — при такой эффективности стоимость Ml-решений будет падать
Интересный факт - Anthropic сейчас активно ищут TPU Kernel инженера в Сан-Франциско, Нью-Йорке и Сиэтле
Возможно, скоро увидим Claude, оптимизированный под новейшее железо Google
Telegram
All about AI, Web 3.0, BCI
Google presents for the first time ever their TPUv7 block diagram at hot chips conference.
TPUv7 (formerly known as TPUv6p, internally called ghostfish) has 8 stacks of HBM3e memory, 4 medium size systolic arrays and be connected in a 3D torus with a scale…
TPUv7 (formerly known as TPUv6p, internally called ghostfish) has 8 stacks of HBM3e memory, 4 medium size systolic arrays and be connected in a 3D torus with a scale…
До чего же замечательно число 135
Если сумму его цифр умножить на произведение его цифр, то оно же само и получится:
(1 + 3 + 5) * (1 * 3 * 5) = 135
А если первую его цифру возвести в первую степень, вторую цифру во вторую степень, а третью цифру в третью степень, и все сложить, то опять-таки получится оно само:
1^1 + 3^2 + 5^3 = 135
Других таких чисел в десятичной системе счисления нет, если, конечно, не считать 1
Если сумму его цифр умножить на произведение его цифр, то оно же само и получится:
(1 + 3 + 5) * (1 * 3 * 5) = 135
А если первую его цифру возвести в первую степень, вторую цифру во вторую степень, а третью цифру в третью степень, и все сложить, то опять-таки получится оно само:
1^1 + 3^2 + 5^3 = 135
Других таких чисел в десятичной системе счисления нет, если, конечно, не считать 1
История началась в 1974 году. Дуглас Хофштадтер, тогда ещё аспирант физики, оказался в Германии и пытался разобраться с задачей, которая мучила теоретиков: какие энергетические уровни могут занимать электроны в кристаллической решётке под действием магнитного поля
Формула уравнения Шрёдингера включала загадочный параметр — «альфа», связанный с магнитным потоком через элементарную ячейку решётки
Все понимали: если альфа — рациональное число (обыкновенная дробь), то задачу можно решить
Но если альфа — иррациональное, теория заходила в тупик
Коллеги Хофштадтера пытались продвигаться строгими доказательствами, но он выбрал путь эксперимента
На старом калькуляторе HP 9820A он стал по ночам прогонять рациональные значения альфа и утром переносил результаты на миллиметровку
С каждым днём картина становилась всё богаче: полосы разрешённых и запрещённых энергий образовывали замысловатый узор
На листе проступили крылья — график, который напоминал силуэт бабочки
Так появилась «бабочка Хофштадтера», одна из самых известных фрактальных картинок в физике
Коллеги посмеивались, называли его вычисления «нумерологией», но Хофштадтер чувствовал: в этом узоре скрыта глубокая математика
И был прав — структура бабочки оказалась связана с множеством Кантора, классическим примером бесконечного фрактала
Формула уравнения Шрёдингера включала загадочный параметр — «альфа», связанный с магнитным потоком через элементарную ячейку решётки
Все понимали: если альфа — рациональное число (обыкновенная дробь), то задачу можно решить
Но если альфа — иррациональное, теория заходила в тупик
Коллеги Хофштадтера пытались продвигаться строгими доказательствами, но он выбрал путь эксперимента
На старом калькуляторе HP 9820A он стал по ночам прогонять рациональные значения альфа и утром переносил результаты на миллиметровку
С каждым днём картина становилась всё богаче: полосы разрешённых и запрещённых энергий образовывали замысловатый узор
На листе проступили крылья — график, который напоминал силуэт бабочки
Так появилась «бабочка Хофштадтера», одна из самых известных фрактальных картинок в физике
Коллеги посмеивались, называли его вычисления «нумерологией», но Хофштадтер чувствовал: в этом узоре скрыта глубокая математика
И был прав — структура бабочки оказалась связана с множеством Кантора, классическим примером бесконечного фрактала
Forwarded from НИИ Антропогенеза (ARI)
Обзор Ml-инструментов для финансов от Google, Anthropic и Perplexity
В этом году все 3 компании в разное время представили свои возможности для финансовой сферы, мы решили сравнить, какой Ml лучше подходит под разные задачи, и для кого они предназначены
Карточки нам сделал Claude
Что дает Google
на базе Gemini:
- Позволяет задавать сложные вопросы
- Интеграция с экосистемой: Работает с Google Search и Google Workspace
- Данные в реальном времени: Котировки акций, криптовалют, новости
- Все бесплатно через google.com/finance или так
- Идеален для массового пользователя и новичков
- Интуитивный интерфейс с переключением между режимами
- Отличные инструменты для технического анализа
Слабые стороны:
- Ориентирован на розничных пользователей, а не профессионалов
- Не поддерживает сложные финансовые модели (Monte Carlo)
- Нет API, интеграций с корпоративными данными
- Ограниченный анализ длинных документов
Что предлагает:
Perplexity Finance (бесплатно): Котировки в реальном времени, анализ 13F-отчётов
Enterprise ($40/мес.): Интеграция с FactSet и Crunchbase
Веб-поиск в реальном времени с цитированием источников
Выбор ИИ-моделей: GPT-4 Omni, Claude 3.5 Sonnet, Grok-2
Кастомизация с внутренними документами до 25 МБ
Сильные стороны:
- Лидер в актуальной информации с прозрачными источниками
- хороший инструмент для институциональных инвесторов
- Экономия времени для аналитиков
- Отличная поддержка криптовалют (есть партнёрство с Coinbase)
- Гибкость выбора Ml-моделей под задачи
Слабые стороны:
- Лучшие функции требуют платной подписки
- Enterprise нуждается в дополнительных подписках (FactSet/Crunchbase)
- Меньшая глубина в создании финансовых нарративов
- Сложность выбора подходящей модели для новичков
Что предлагает Anthropic c Claude:
Интеграция с S&P, FactSet, Morningstar
Большой контекст: До 200K токенов (≈500 страниц документов)
Claude Code: Поддержка сложных задач и моделирования
Высокая точность: 44.5 % на сложных финансовых задачах
API и интеграции: Databricks, Snowflake для корпоративных данных
Веб-поиск: Доступ к актуальной информации
Сильные стороны:
- Превосходство в глубоком анализе и длинных документах
- Создание сложных финансовых моделей (Monte Carlo симуляции)
- Интеграция внешних и внутренних корпоративных данных
- Высокая безопасность для финансовых учреждений
- Отличные возможности кодирования и автоматизации
- Может создавать графики и визуализации
Слабые стороны:
- Бесплатная версия ограничена
- Больше ориентирован на профессионалов, чем на розничных инвесторов
- Решение для финансовых сервисов - корпоративный продукт
- Требует технических навыков для полного использования
Рекомендации по выбору
Выбирайте Google Finance если:
• Вы розничный инвестор или новичок в финансах
• Нужен бесплатный инструмент для базового анализа и отслеживания акций
• Важны технические индикаторы и графики
• Используете экосистему Google
Выбирайте Perplexity если:
• Нужны исследования с актуальными данными и цитированием
• Работаете с криптовалютами или анализируете отчеты хедж-фондов
• Готовы платить за Enterprise-версию ($40/мес.) для экономии времени
• Требуется быстрый анализ квартальных отчетов компаний
Выбирайте Claude если:
• Вы профессиональный аналитик или работаете в финансовой компании
• Анализируете длинные документы (10-K, 10-Q отчеты)
• Создаете сложные финансовые модели (Monte Carlo симуляции)
• Нужна интеграция с внутренними корпоративными данными
Подготовлено телеграм-каналом @blockchainrf
В этом году все 3 компании в разное время представили свои возможности для финансовой сферы, мы решили сравнить, какой Ml лучше подходит под разные задачи, и для кого они предназначены
Карточки нам сделал Claude
Что дает Google
на базе Gemini:
- Позволяет задавать сложные вопросы
- Интеграция с экосистемой: Работает с Google Search и Google Workspace
- Данные в реальном времени: Котировки акций, криптовалют, новости
- Все бесплатно через google.com/finance или так
- Идеален для массового пользователя и новичков
- Интуитивный интерфейс с переключением между режимами
- Отличные инструменты для технического анализа
Слабые стороны:
- Ориентирован на розничных пользователей, а не профессионалов
- Не поддерживает сложные финансовые модели (Monte Carlo)
- Нет API, интеграций с корпоративными данными
- Ограниченный анализ длинных документов
Что предлагает:
Perplexity Finance (бесплатно): Котировки в реальном времени, анализ 13F-отчётов
Enterprise ($40/мес.): Интеграция с FactSet и Crunchbase
Веб-поиск в реальном времени с цитированием источников
Выбор ИИ-моделей: GPT-4 Omni, Claude 3.5 Sonnet, Grok-2
Кастомизация с внутренними документами до 25 МБ
Сильные стороны:
- Лидер в актуальной информации с прозрачными источниками
- хороший инструмент для институциональных инвесторов
- Экономия времени для аналитиков
- Отличная поддержка криптовалют (есть партнёрство с Coinbase)
- Гибкость выбора Ml-моделей под задачи
Слабые стороны:
- Лучшие функции требуют платной подписки
- Enterprise нуждается в дополнительных подписках (FactSet/Crunchbase)
- Меньшая глубина в создании финансовых нарративов
- Сложность выбора подходящей модели для новичков
Что предлагает Anthropic c Claude:
Интеграция с S&P, FactSet, Morningstar
Большой контекст: До 200K токенов (≈500 страниц документов)
Claude Code: Поддержка сложных задач и моделирования
Высокая точность: 44.5 % на сложных финансовых задачах
API и интеграции: Databricks, Snowflake для корпоративных данных
Веб-поиск: Доступ к актуальной информации
Сильные стороны:
- Превосходство в глубоком анализе и длинных документах
- Создание сложных финансовых моделей (Monte Carlo симуляции)
- Интеграция внешних и внутренних корпоративных данных
- Высокая безопасность для финансовых учреждений
- Отличные возможности кодирования и автоматизации
- Может создавать графики и визуализации
Слабые стороны:
- Бесплатная версия ограничена
- Больше ориентирован на профессионалов, чем на розничных инвесторов
- Решение для финансовых сервисов - корпоративный продукт
- Требует технических навыков для полного использования
Рекомендации по выбору
Выбирайте Google Finance если:
• Вы розничный инвестор или новичок в финансах
• Нужен бесплатный инструмент для базового анализа и отслеживания акций
• Важны технические индикаторы и графики
• Используете экосистему Google
Выбирайте Perplexity если:
• Нужны исследования с актуальными данными и цитированием
• Работаете с криптовалютами или анализируете отчеты хедж-фондов
• Готовы платить за Enterprise-версию ($40/мес.) для экономии времени
• Требуется быстрый анализ квартальных отчетов компаний
Выбирайте Claude если:
• Вы профессиональный аналитик или работаете в финансовой компании
• Анализируете длинные документы (10-K, 10-Q отчеты)
• Создаете сложные финансовые модели (Monte Carlo симуляции)
• Нужна интеграция с внутренними корпоративными данными
Подготовлено телеграм-каналом @blockchainrf
Ml
История началась в 1974 году. Дуглас Хофштадтер, тогда ещё аспирант физики, оказался в Германии и пытался разобраться с задачей, которая мучила теоретиков: какие энергетические уровни могут занимать электроны в кристаллической решётке под действием магнитного…
«Гипотеза десяти мартини»
Вскоре математики поняли, что за рисунком скрывается серьёзная задача
Если альфа рационально, энергии можно посчитать
Но если альфа иррационально, всё усложняется: спектр энергий превращается в канторовское множество — бесконечно рваную «пылинку» на числовой прямой
В 1980-е годы Барри Саймон и Марк Кац доказали частные случаи и предложили шутливый вызов: «кто полностью решит задачу, получит 10 мартини»
Так родилась «гипотеза десяти мартини»
На протяжении десятилетий разные математики приближались к решению, но полного доказательства не было
В начале 2000-х к задаче вернулись Светлана Житомирская и молодой Артур Авила
Им удалось завершить доказательство, пусть и сложным «лоскутным» способом
Авила позже получил Филдсовскую премию, а сообщество отметило успех символической вечеринкой с мартини — в честь Каца, который уже не дожил до этого момента
Но история не остановилась
В 2013 году физики реально «увидели» бабочку: в экспериментах с двойным слоем графена под магнитным полем измерения показали тот самый фрактальный спектр, который Хофштадтер рисовал от руки сорок лет назад
А в последние годы Житомирская, Авила и их коллеги пошли дальше
Они разработали «глобальную теорию» почти периодических функций, которая объединила разрозненные подходы в единый метод
Теперь задача о десяти мартини доказана элегантно и системно, а бабочка Хофштадтера окончательно вошла в физику — из красивой картинки она превратилась в фундаментальную реальность
Вскоре математики поняли, что за рисунком скрывается серьёзная задача
Если альфа рационально, энергии можно посчитать
Но если альфа иррационально, всё усложняется: спектр энергий превращается в канторовское множество — бесконечно рваную «пылинку» на числовой прямой
В 1980-е годы Барри Саймон и Марк Кац доказали частные случаи и предложили шутливый вызов: «кто полностью решит задачу, получит 10 мартини»
Так родилась «гипотеза десяти мартини»
На протяжении десятилетий разные математики приближались к решению, но полного доказательства не было
В начале 2000-х к задаче вернулись Светлана Житомирская и молодой Артур Авила
Им удалось завершить доказательство, пусть и сложным «лоскутным» способом
Авила позже получил Филдсовскую премию, а сообщество отметило успех символической вечеринкой с мартини — в честь Каца, который уже не дожил до этого момента
Но история не остановилась
В 2013 году физики реально «увидели» бабочку: в экспериментах с двойным слоем графена под магнитным полем измерения показали тот самый фрактальный спектр, который Хофштадтер рисовал от руки сорок лет назад
А в последние годы Житомирская, Авила и их коллеги пошли дальше
Они разработали «глобальную теорию» почти периодических функций, которая объединила разрозненные подходы в единый метод
Теперь задача о десяти мартини доказана элегантно и системно, а бабочка Хофштадтера окончательно вошла в физику — из красивой картинки она превратилась в фундаментальную реальность
Nature
Hofstadter’s butterfly and the fractal quantum Hall effect in moiré superlattices
Nature - In 1976 Douglas Hofstadter predicted that electrons in a lattice subjected to electrostatic and magnetic fields would show a characteristic energy spectrum determined by the interplay...
Еще в мае 2025 года исследователи из компании IBM представили метод, который перевернул представления о том, как Ml создаёт текст
Их подход, названный «Automated Meta Prompt Engineering», позволяет системе не просто писать, а буквально учиться понимать наши ожидания
Суть технологии проста и гениальна: одна модель — судья — анализирует текст, понимая, что именно вы хотите увидеть
Вторая — редактор — автоматически переписывает инструкции, чтобы следующий текст был ещё лучше
Результаты, достигнутые на теннисном турнире US Open 2024, впечатляют: более половины текстов (около 54 %) становились идеальными уже после четырёх итераций!
Технически система учитывает и сравнивает такие параметры, как фактичность, творческий подход, избегание повторов и релевантность — всё это в уникальном многомерном пространстве, где стремится минимизировать дистанцию между текстом Ml и человеческими ожиданиями
Вдохновившись этим исследованием, мы применили эту методику к написанию этого поста — по их схеме и с помощью многократных итераций и оптимизаций
Архитектура их системы построена на двух ключевых компонентах:
LLM как Судья (LLMaaJ): оценивает сгенерированный текст по ключевым метрикам — фактичность, творческий подход, повторяемость и релевантность
LLM как Редактор (LLMaaE): анализирует результаты LLMaaJ и автоматически переписывает промпты, чтобы следующая версия текста лучше соответствовала ожиданиям
Если хотите понять, как скоро Ml будет не просто инструментом, а партнёром в творчестве, эта статья — отличный старт:
https://www.arxiv.org/abs/2505.09024
Их подход, названный «Automated Meta Prompt Engineering», позволяет системе не просто писать, а буквально учиться понимать наши ожидания
Суть технологии проста и гениальна: одна модель — судья — анализирует текст, понимая, что именно вы хотите увидеть
Вторая — редактор — автоматически переписывает инструкции, чтобы следующий текст был ещё лучше
Результаты, достигнутые на теннисном турнире US Open 2024, впечатляют: более половины текстов (около 54 %) становились идеальными уже после четырёх итераций!
Технически система учитывает и сравнивает такие параметры, как фактичность, творческий подход, избегание повторов и релевантность — всё это в уникальном многомерном пространстве, где стремится минимизировать дистанцию между текстом Ml и человеческими ожиданиями
Вдохновившись этим исследованием, мы применили эту методику к написанию этого поста — по их схеме и с помощью многократных итераций и оптимизаций
Архитектура их системы построена на двух ключевых компонентах:
LLM как Судья (LLMaaJ): оценивает сгенерированный текст по ключевым метрикам — фактичность, творческий подход, повторяемость и релевантность
LLM как Редактор (LLMaaE): анализирует результаты LLMaaJ и автоматически переписывает промпты, чтобы следующая версия текста лучше соответствовала ожиданиям
Если хотите понять, как скоро Ml будет не просто инструментом, а партнёром в творчестве, эта статья — отличный старт:
https://www.arxiv.org/abs/2505.09024
arXiv.org
Automated Meta Prompt Engineering for Alignment with the Theory of Mind
We introduce a method of meta-prompting that jointly produces fluent text for complex tasks while optimizing the similarity of neural states between a human's mental expectation and a Large...