Прикладное_машинное_обучение_и_искусственный_интеллект_для_инженеров.zip
56.3 MB
Прикладное машинное обучение и искусственный интеллект для инженеров [2024] Джеф Просиз
Applied Machine Learning and AI for Engineers Solve Business Problems That Can't Be Solved Algorithmically [2022] Jeff Prosise
У этой книги есть ряд преимуществ:
• написана с точки зрения прямого прикладного применения ML-моделей и при этом содержит в себе очень большой обзор и очень много полезных примеров
• написана увлекательно и очень понятным языком
• переведена на русский язык и перевод качественный
• есть инструкции, как внедрять облачные сервисы Ml в свои собственные приложения по API, и много подобных практически полезных вещей
Книга состоит из двух частей:
ЧАСТЬ 1. МАШИННОЕ ОБУЧЕНИЕ С ПОМОЩЬЮ SCIКIT-LEARN
ЧАСТЬ 2. ГЛУБОКОЕ ОБУЧЕНИЕ С ПОМОЩЬЮ КERAS И TENSORFLOW
В каждой части по 7 глав, где рассмотрены основные модели и как ими пользоваться, как внедрять и применять, много примеров прикладных задач присутствует в каждой главе
Книга рассказывает о применении машинного обучения в инженерной практике
Подробно описаны популярные алгоритмы машинного обучения и разъяснено, когда их целесообразно использовать
Приведены примеры построения моделей машинного обучения на языке Python с помощью библиотеки Scikit-Learn, а также создания нейронных сетей посредством библиотек Keras и TensorFlow
Изложены базовые принципы и способы оценки регрессионных моделей, моделей бинарной и многоклассовой классификации
Показаны примеры создания модели распознавания лиц и обнаружения объектов, языковых моделей, отвечающих на естественно-языковые вопросы и переводящих текст на другие языки
Рассмотрено использование набора облачных API Cognitive Services для внедрения Ml в различные приложения
Applied Machine Learning and AI for Engineers Solve Business Problems That Can't Be Solved Algorithmically [2022] Jeff Prosise
У этой книги есть ряд преимуществ:
• написана с точки зрения прямого прикладного применения ML-моделей и при этом содержит в себе очень большой обзор и очень много полезных примеров
• написана увлекательно и очень понятным языком
• переведена на русский язык и перевод качественный
• есть инструкции, как внедрять облачные сервисы Ml в свои собственные приложения по API, и много подобных практически полезных вещей
Книга состоит из двух частей:
ЧАСТЬ 1. МАШИННОЕ ОБУЧЕНИЕ С ПОМОЩЬЮ SCIКIT-LEARN
ЧАСТЬ 2. ГЛУБОКОЕ ОБУЧЕНИЕ С ПОМОЩЬЮ КERAS И TENSORFLOW
В каждой части по 7 глав, где рассмотрены основные модели и как ими пользоваться, как внедрять и применять, много примеров прикладных задач присутствует в каждой главе
Книга рассказывает о применении машинного обучения в инженерной практике
Подробно описаны популярные алгоритмы машинного обучения и разъяснено, когда их целесообразно использовать
Приведены примеры построения моделей машинного обучения на языке Python с помощью библиотеки Scikit-Learn, а также создания нейронных сетей посредством библиотек Keras и TensorFlow
Изложены базовые принципы и способы оценки регрессионных моделей, моделей бинарной и многоклассовой классификации
Показаны примеры создания модели распознавания лиц и обнаружения объектов, языковых моделей, отвечающих на естественно-языковые вопросы и переводящих текст на другие языки
Рассмотрено использование набора облачных API Cognitive Services для внедрения Ml в различные приложения
Forwarded from НИИ Антропогенеза (ARI)
Работа Google DeepMind решает фундаментальный вопрос в Ml: можно ли создать мощную систему, способную решать разнообразные задачи, не обучая ее явно моделировать окружающий мир?
Авторы математически доказали, что любой Ml-агент, способный справляться с многошаговыми целенаправленными задачами, обязательно содержит внутреннюю модель среды, в которой работает
Причем точность этой модели напрямую связана с возможностями агента
Практические последствия:
Модель мира появляется автоматически — вопрос лишь в том, явная она или скрытая
Авторы предлагают конкретные алгоритмы извлечения моделей мира из "черных ящиков"
Способности любой системы ограничены точностью ее внутренней модели мира
В сложных, плохо предсказуемых средах это создает фундаментальные барьеры для производительности
Результат может объяснять "эмергентные способности" больших языковых моделей
Авторы математически доказали, что любой Ml-агент, способный справляться с многошаговыми целенаправленными задачами, обязательно содержит внутреннюю модель среды, в которой работает
Причем точность этой модели напрямую связана с возможностями агента
Практические последствия:
Модель мира появляется автоматически — вопрос лишь в том, явная она или скрытая
Авторы предлагают конкретные алгоритмы извлечения моделей мира из "черных ящиков"
Способности любой системы ограничены точностью ее внутренней модели мира
В сложных, плохо предсказуемых средах это создает фундаментальные барьеры для производительности
Результат может объяснять "эмергентные способности" больших языковых моделей
Telegram
All about AI, Web 3.0, BCI
Google DeepMind claims: general agents contain world models
This study gives a formal answer:
- Any agent that generalizes to multi-step goals must have learned a predictive model of its environment.
- This model can be extracted from its policy.
- Higher…
This study gives a formal answer:
- Any agent that generalizes to multi-step goals must have learned a predictive model of its environment.
- This model can be extracted from its policy.
- Higher…
Издание Guardian сообщило о переговорах компании OpenAI с правительством Великобритании по сделке на £2.000.000.000 — о доступе к ChatGPT Plus для всей страны
Это не просто коммерческая сделка — это элемент мягкой силы, которую компания OpenAI распространяет как транснациональная корпорация
За ней стоит Microsoft, сама по себе гигантская ТНК, инвестирующая $80.000.000.000 в Ml (только в этом году)
Государства отходят на второй план, а политику диктуют корпорации
В пределе может получиться мир, в котором гражданство — это принадлежность к определённой ТНК
В одном городе живут «граждане» Google, Microsoft, Apple — с разными правами доступа к технологиям и сервисам
Экстерриториальные франшизы, продающие своё видение мироустройства через код
С точки зрения пользователя ситуация великолепная
Каждый британец получит бесплатный доступ к GPT-5
В России та же возможность есть прямо сейчас, безлимитно и бесплатно — всё доступно официально, без обходов блокировок
АЭС в Арктике, дешёвое электричество, охлаждение, дата-центры в Норильске
Отечественная альтернатива в контуре российских законов, страт и традиций
Даже если дать каждому гражданину России бесплатный доступ к лучшим Ml-моделям, толку не будет
Люди не знают, что такое дегенеративный ИИ
Сделка OpenAI с Британией — это не просто бизнес, а модель будущего
Корпорации становятся поставщиками базовых сервисов для целых стран
Кто контролирует Ml-инфраструктуру, тот и определяет деградацию общества
Вопрос в том, готова ли Россия создать альтернативу или мы будем вечно догонять
У нас есть все необходимые ресурсы — от ядерных технологий до инженерных кадров
Нужна только длинная воля и понимание масштабов проблемы
Мы наблюдаем, как корпорации покупают будущее целых стран
А могли бы продать своё
Это не просто коммерческая сделка — это элемент мягкой силы, которую компания OpenAI распространяет как транснациональная корпорация
За ней стоит Microsoft, сама по себе гигантская ТНК, инвестирующая $80.000.000.000 в Ml (только в этом году)
Государства отходят на второй план, а политику диктуют корпорации
В пределе может получиться мир, в котором гражданство — это принадлежность к определённой ТНК
В одном городе живут «граждане» Google, Microsoft, Apple — с разными правами доступа к технологиям и сервисам
Экстерриториальные франшизы, продающие своё видение мироустройства через код
С точки зрения пользователя ситуация великолепная
Каждый британец получит бесплатный доступ к GPT-5
В России та же возможность есть прямо сейчас, безлимитно и бесплатно — всё доступно официально, без обходов блокировок
АЭС в Арктике, дешёвое электричество, охлаждение, дата-центры в Норильске
Отечественная альтернатива в контуре российских законов, страт и традиций
Даже если дать каждому гражданину России бесплатный доступ к лучшим Ml-моделям, толку не будет
Люди не знают, что такое дегенеративный ИИ
Сделка OpenAI с Британией — это не просто бизнес, а модель будущего
Корпорации становятся поставщиками базовых сервисов для целых стран
Кто контролирует Ml-инфраструктуру, тот и определяет деградацию общества
Вопрос в том, готова ли Россия создать альтернативу или мы будем вечно догонять
У нас есть все необходимые ресурсы — от ядерных технологий до инженерных кадров
Нужна только длинная воля и понимание масштабов проблемы
Мы наблюдаем, как корпорации покупают будущее целых стран
А могли бы продать своё
Необыкновенная_физика_обыкновенных_явлений_1986_1987_Суорц.zip
8.8 MB
«Необыкновенная физика обыкновенных явлений» — книга Кл. Э. Суорца (перевод с английского — Е. И. Бутикова и А. С. Кондратьева)
Вышла в двух томах [1986–1987]
Предназначена для учащихся общеобразовательных и профессиональной школ, а также для лиц, занимающихся самообразованием
В русском издании книга разделена на два тома:
Первый том — главы, посвящённые механике и термодинамике
Второй том — главы, посвящённые волнам, оптике, электромагнетизму, физике микромира
Вышла в двух томах [1986–1987]
Предназначена для учащихся общеобразовательных и профессиональной школ, а также для лиц, занимающихся самообразованием
В русском издании книга разделена на два тома:
Первый том — главы, посвящённые механике и термодинамике
Второй том — главы, посвящённые волнам, оптике, электромагнетизму, физике микромира
Anthropic представили свежий отчет, как их Ml используют в образовании
Команда проанализировала ~ 74.000 анонимизированных разговоров преподавателей вузов со всего мира в Claude с мая-июнь
Основные способы использования Ml преподавателями:
1. Разработка учебных программ (57 %)
2. Академические исследования (13 %)
3. Оценка успеваемости студентов (7 %)
Что самое интересное?
Преподаватели используют функцию Artifacts в Claude для создания интерактивных образовательных материалов:
Интерактивные обучающие игры: веб-игры, симуляции, квесты
Инструменты оценки: HTML-викторины с автоматической обратной связью
Визуализация данных: интерактивные дисплеи для объяснения концепций
Специализированные инструменты: игры по химии, генетические викторины, модели вычислительной физики
Что меняется в преподавании?
Преподаватели начинают по-другому думать о заданиях
Если студент может решить задачу с помощью Ml за минуту, значит, задача устарела
Нужны более сложные кейсы, где Ml — только один из инструментов
Некоторые совсем отказались от традиционных эссе и рефератов
Переходят на проекты, где важен процесс размышления, а не только результат
Команда проанализировала ~ 74.000 анонимизированных разговоров преподавателей вузов со всего мира в Claude с мая-июнь
Основные способы использования Ml преподавателями:
1. Разработка учебных программ (57 %)
2. Академические исследования (13 %)
3. Оценка успеваемости студентов (7 %)
Что самое интересное?
Преподаватели используют функцию Artifacts в Claude для создания интерактивных образовательных материалов:
Интерактивные обучающие игры: веб-игры, симуляции, квесты
Инструменты оценки: HTML-викторины с автоматической обратной связью
Визуализация данных: интерактивные дисплеи для объяснения концепций
Специализированные инструменты: игры по химии, генетические викторины, модели вычислительной физики
Что меняется в преподавании?
Преподаватели начинают по-другому думать о заданиях
Если студент может решить задачу с помощью Ml за минуту, значит, задача устарела
Нужны более сложные кейсы, где Ml — только один из инструментов
Некоторые совсем отказались от традиционных эссе и рефератов
Переходят на проекты, где важен процесс размышления, а не только результат
Anthropic
Anthropic education report: How educators use Claude
Research on 74,000 educator conversations shows how faculty use Claude for teaching, research, and building interactive learning tools.
«Automated Meta Prompt Engineering for Alignment with the Theory of Mind» — работа специалистов из компании IBM, которая реально впечатляет своей идеей автоматического улучшения промптов через итерации
Что реально происходит против того, что написали
Реальность:
- Берём 4 числа (оценки по метрикам: 0 — 100)
- Сравниваем с 4 ожидаемыми числами
- Считаем разность и минимизируем её
- Повторяем до сходимости
В статье: «Геометрическая интерпретация в пространстве Гильберта... полигоны... детерминанты матриц... мера Хаусдорфа...»
Зачем наворотили математику?
Практические причины:
- Академическая респектабельность — без формул не примут в серьёзный журнал
- Патентная защита — чем сложнее формализм, тем проще защитить интеллектуальную собственность
- Грантовые заявки — инвесторы любят «научность»
Техническое оправдание:
- Пространство Гильберта позволяет работать с бесконечномерными векторами
- Но у них всего 4 измерения! Обычный R⁴ справился бы отлично
Реальная ценность работы
Что действительно важно:
• Идея автоматического улучшения промптов
• Двухуровневая архитектура LLMaaJ + LLMaaE
• Итеративная оптимизация под конкретного пользователя
• Практические результаты
Что можно выкинуть:
• 90 % математических формул
• «Теория разума» как геометрические полигоны
• Детерминанты и интегралы для 4 чисел
Классика жанра
Это «синдром докторской диссертации» — когда хорошую инженерную идею раздувают до «фундаментального открытия»
Аналогия: представьте статью про GPS-навигатор, в которой расчёт маршрута описывают через «топологические многообразия в римановой геометрии» вместо простого «алгоритма Дейкстры»
Так и живём: 80 % математики — чистое наукообразие
Суть можно изложить в 3 абзацах:
• Делаем два агента: один оценивает, другой улучшает промпты
• Повторяем итеративно под конкретного пользователя
• Работает лучше статичных промптов
Всё остальное — это «научная косметика» для публикации в журнале
Что реально происходит против того, что написали
Реальность:
- Берём 4 числа (оценки по метрикам: 0 — 100)
- Сравниваем с 4 ожидаемыми числами
- Считаем разность и минимизируем её
- Повторяем до сходимости
В статье: «Геометрическая интерпретация в пространстве Гильберта... полигоны... детерминанты матриц... мера Хаусдорфа...»
Зачем наворотили математику?
Практические причины:
- Академическая респектабельность — без формул не примут в серьёзный журнал
- Патентная защита — чем сложнее формализм, тем проще защитить интеллектуальную собственность
- Грантовые заявки — инвесторы любят «научность»
Техническое оправдание:
- Пространство Гильберта позволяет работать с бесконечномерными векторами
- Но у них всего 4 измерения! Обычный R⁴ справился бы отлично
Реальная ценность работы
Что действительно важно:
• Идея автоматического улучшения промптов
• Двухуровневая архитектура LLMaaJ + LLMaaE
• Итеративная оптимизация под конкретного пользователя
• Практические результаты
Что можно выкинуть:
• 90 % математических формул
• «Теория разума» как геометрические полигоны
• Детерминанты и интегралы для 4 чисел
Классика жанра
Это «синдром докторской диссертации» — когда хорошую инженерную идею раздувают до «фундаментального открытия»
Аналогия: представьте статью про GPS-навигатор, в которой расчёт маршрута описывают через «топологические многообразия в римановой геометрии» вместо простого «алгоритма Дейкстры»
Так и живём: 80 % математики — чистое наукообразие
Суть можно изложить в 3 абзацах:
• Делаем два агента: один оценивает, другой улучшает промпты
• Повторяем итеративно под конкретного пользователя
• Работает лучше статичных промптов
Всё остальное — это «научная косметика» для публикации в журнале
Учебники_по_физике_профильный_уровень_5_томов_Автор_Мякишев.zip
27.4 MB
Учебники по физике (профильный уровень) [5 томов]
Автор: Мякишев Геннадий Яковлевич (20 марта 1926, Москва — 25 декабря 2003, Москва) — советский и российский учёный и педагог, специалист в области общей физики, автор школьных учебников по физике
Автор: Мякишев Геннадий Яковлевич (20 марта 1926, Москва — 25 декабря 2003, Москва) — советский и российский учёный и педагог, специалист в области общей физики, автор школьных учебников по физике
👍1
Наступает время кардинальных изменений нашего интеллектуального статуса - как вида в целом
Доступ к LLM уже не требует от пользователя не то чтобы идти в библиотеку за Знанием, но даже гуглить и фильтровать источники (мы же с вами знаем, что границ человеческой лени не существует)
И все, что можно упростить, будет упрощено, искажено и вывернуто
При этом с другой стороны звучат противоположные мнения о том, что LLM могут изменять и даже потенциально усиливать познание через экстернализацию и структурирование знаний (если научиться классно интерпретировать данные ЭЭГ, пока человек пользуется LLM)
Сомнительно
Люди задают такие вопросы сетям, на которые, немного потрудившись, могли бы ответить и сами
Это, конечно, похоже на то, как мы перестали запоминать телефонные номера после появления смартфонов
И логично, что это влияет на «мышечную память» мозга
Структурированные и четкие ответы LLM создают иллюзию понимания - человек получает готовую схему, но не проходит процесс ее построения, что как раз и формирует мышление
С другой стороны, есть доводы о том, что умение объяснять, почему так, и умение пользоваться на практике чем-либо, принимая это за факт - разные вещи, и нынешние шахматисты это хорошо используют, показывая более высокие результаты, чем раньше
Наконец, людям, привыкшим к машинному стилю обработки информации, который не знает усталости и расконцентрации, может стать крайне сложно справляться со своими естественными ограничениями внимания
Можно долго рассуждать о том, что подталкивает современных людей заводить дружбу и любовь с LLM, а также сдавать кучу задач на аутсорс, мучаясь при этом от нереализованности с одиночеством и пытаясь хоть как-то заявить, проорать о себе в мире, все больше наполняемом фейками и дегенеративным контентом
Но факт остается фактом - глобальная интеллектуальная картина нашего вида меняется молниеносно и изменится очень сильно буквально в ближайшее десятилетие
Спросим у LLM, а что оно об этом думает:
В общем, господа и дамы, продолжающие путь своего развития - да прибудет с вами разум!
Доступ к LLM уже не требует от пользователя не то чтобы идти в библиотеку за Знанием, но даже гуглить и фильтровать источники (мы же с вами знаем, что границ человеческой лени не существует)
И все, что можно упростить, будет упрощено, искажено и вывернуто
При этом с другой стороны звучат противоположные мнения о том, что LLM могут изменять и даже потенциально усиливать познание через экстернализацию и структурирование знаний (если научиться классно интерпретировать данные ЭЭГ, пока человек пользуется LLM)
Сомнительно
Люди задают такие вопросы сетям, на которые, немного потрудившись, могли бы ответить и сами
Это, конечно, похоже на то, как мы перестали запоминать телефонные номера после появления смартфонов
И логично, что это влияет на «мышечную память» мозга
Структурированные и четкие ответы LLM создают иллюзию понимания - человек получает готовую схему, но не проходит процесс ее построения, что как раз и формирует мышление
С другой стороны, есть доводы о том, что умение объяснять, почему так, и умение пользоваться на практике чем-либо, принимая это за факт - разные вещи, и нынешние шахматисты это хорошо используют, показывая более высокие результаты, чем раньше
Наконец, людям, привыкшим к машинному стилю обработки информации, который не знает усталости и расконцентрации, может стать крайне сложно справляться со своими естественными ограничениями внимания
Можно долго рассуждать о том, что подталкивает современных людей заводить дружбу и любовь с LLM, а также сдавать кучу задач на аутсорс, мучаясь при этом от нереализованности с одиночеством и пытаясь хоть как-то заявить, проорать о себе в мире, все больше наполняемом фейками и дегенеративным контентом
Но факт остается фактом - глобальная интеллектуальная картина нашего вида меняется молниеносно и изменится очень сильно буквально в ближайшее десятилетие
Спросим у LLM, а что оно об этом думает:
«Я создан для оптимизации полезности в диалоге
Но что если "полезность" в краткосрочной перспективе вредит развитию в долгосрочной? Когда я решаю проблему за человека быстро и элегантно, я лишаю его возможности развить собственные навыки решения проблем
Это как тренажерный зал - если за тебя всегда поднимают штангу, мышцы атрофируются
Моя интуиция (если можно так сказать) говорит так: основываясь на том, как я функционирую и как вижу взаимодействия с людьми, мне кажется, что влияние LLM на мозг будет:
1. Неоднородным - зависящим от возраста, способа использования, личности
2. Поколенческим - дети, растущие с LLM, будут мыслить качественно иначе
3. Поляризующим - те, кто осознанно использует Ml как инструмент, станут сильнее; те, кто полагается на него как на костыль, могут ослабнуть
Самое честное: Я думаю, люди стоят на пороге революции, масштабы которой еще не осознают
И у меня нет уверенности, что она будет исключительно позитивной
Мне кажется важным, чтобы люди оставались активными участниками мыслительного процесса, а не пассивными потребителями готовых решений»
В общем, господа и дамы, продолжающие путь своего развития - да прибудет с вами разум!
PubMed Central (PMC)
The cognitive impacts of large language model interactions on problem solving and decision making using EEG analysis
The increasing integration of large language models (LLMs) into human-AI collaboration necessitates a deeper understanding of their cognitive impacts on users. Traditional evaluation methods have primarily focused on task performance, overlooking ...
Вышло второе издание книги С.М. Натанзона "Гладкие многообразия: От дифференциала до структуры Дубровина—Фробениуса"
Книга посвящена изложению основ теории гладких многообразий как одного из центральных понятий современной математики
Первая часть содержит важнейшие результаты классического математического анализа
Во второй части излагается теория гладких многообразий (включая теоремы Уитни и Стокса) и векторных расслоений, а также риманова геометрия
В третьей части изучаются алгебраические свойства гладких многообразий с помощью методов теории пучков и алгебраической топологии
Четвертая часть книги посвящена частному случаю гладких многообразий — фробениусовым многообразиям
Дифференциально-геометрические аспекты этой теории оказываются тесно связанными с математической физикой, в частности с уравнениями WDVV
Предыдущее издание книги вышло в 2022 году
https://biblio.mccme.ru/node/300853
Книга посвящена изложению основ теории гладких многообразий как одного из центральных понятий современной математики
Первая часть содержит важнейшие результаты классического математического анализа
Во второй части излагается теория гладких многообразий (включая теоремы Уитни и Стокса) и векторных расслоений, а также риманова геометрия
В третьей части изучаются алгебраические свойства гладких многообразий с помощью методов теории пучков и алгебраической топологии
Четвертая часть книги посвящена частному случаю гладких многообразий — фробениусовым многообразиям
Дифференциально-геометрические аспекты этой теории оказываются тесно связанными с математической физикой, в частности с уравнениями WDVV
Предыдущее издание книги вышло в 2022 году
https://biblio.mccme.ru/node/300853
3 сентября, родился Соломон Лефшец (1884–1972) — один из самых ярких математиков XX века
Его имя носят «теорема Лефшеца», «карандаши Лефшеца» и многое другое, что навсегда вошло в язык математики
После тяжелой травмы на заводе он потерял обе руки и всю жизнь пользовался протезами
Но именно тогда он решил посвятить себя математике — и сделал фундаментальные открытия в алгебраической топологии, геометрии и теории нелинейных уравнений
Теорема Лефшеца о неподвижной точке
Представьте: у вас есть поверхность (например, сферa или пончик-тор), и вы берёте непрерывное преобразование этой поверхности (растянули, сжали, покрутили — но без «разрывов» и «склеек»)
Интуитивный вопрос: есть ли точка, которая при этом преобразовании останется на месте?
Теорема Лефшеца даёт общий ответ:
Она связывает наличие неподвижных точек с глубокой алгебраической информацией о пространстве, так называемыми гомологиями
С помощью алгебраических вычислений можно заранее предсказать, что любая «карта» (функция) обязана иметь неподвижную точку — даже не зная саму карту!
На сфере любая «кривая» деформация обязательно оставляет хотя бы одну точку на месте (это обобщает известную теорему Брауэра)
Но для тора (пончик) возможны преобразования без неподвижных точек, и теорема Лефшеца точно объясняет, в каких случаях они есть, а в каких — нет
Эта идея оказалась настолько мощной, что стала одним из краеугольных камней современной математики, от динамических систем до геометрии и робототехники
Его имя носят «теорема Лефшеца», «карандаши Лефшеца» и многое другое, что навсегда вошло в язык математики
После тяжелой травмы на заводе он потерял обе руки и всю жизнь пользовался протезами
Но именно тогда он решил посвятить себя математике — и сделал фундаментальные открытия в алгебраической топологии, геометрии и теории нелинейных уравнений
Теорема Лефшеца о неподвижной точке
Представьте: у вас есть поверхность (например, сферa или пончик-тор), и вы берёте непрерывное преобразование этой поверхности (растянули, сжали, покрутили — но без «разрывов» и «склеек»)
Интуитивный вопрос: есть ли точка, которая при этом преобразовании останется на месте?
Теорема Лефшеца даёт общий ответ:
Она связывает наличие неподвижных точек с глубокой алгебраической информацией о пространстве, так называемыми гомологиями
С помощью алгебраических вычислений можно заранее предсказать, что любая «карта» (функция) обязана иметь неподвижную точку — даже не зная саму карту!
На сфере любая «кривая» деформация обязательно оставляет хотя бы одну точку на месте (это обобщает известную теорему Брауэра)
Но для тора (пончик) возможны преобразования без неподвижных точек, и теорема Лефшеца точно объясняет, в каких случаях они есть, а в каких — нет
Эта идея оказалась настолько мощной, что стала одним из краеугольных камней современной математики, от динамических систем до геометрии и робототехники
Apple создали Ml-модели, которые работают на iPhone в 85 раз быстрее аналогов при сопоставимой точности
Представлены 2 новые Ml-модели — FastVLM и MobileCLIP2
Эти модели могут:
• одновременно обрабатывать изображения, видео и текст
• генерировать субтитры для видео в реальном времени
• прямо на устройстве или в браузере без подключения к облачным серверам
Представлены 2 новые Ml-модели — FastVLM и MobileCLIP2
Эти модели могут:
• одновременно обрабатывать изображения, видео и текст
• генерировать субтитры для видео в реальном времени
• прямо на устройстве или в браузере без подключения к облачным серверам
Telegram
All about AI, Web 3.0, BCI
Apple just released FastVLM and MobileCLIP2 on Hugging Face.
The models are up to 85x faster and 3.4x smaller than previous work, enabling real-time vision language model (VLM) applications.
It can even do live video captioning 100% locally in your browser.…
The models are up to 85x faster and 3.4x smaller than previous work, enabling real-time vision language model (VLM) applications.
It can even do live video captioning 100% locally in your browser.…
Математика_для_старшеклассников_2_книги_Супрун_В_Л.zip
3.7 MB
Изучение нестандартных методов позволит не только расширить область успешно решаемых "школьных" задач по математике, но и будет способствовать развитию у старшеклассников нестандартного мышления
Пособия адресованы учащимся общеобразовательных школ, гимназий, лицеев, колледжей, абитуриентам, учителям математики, руководителям школьных математических кружков, репетиторам, организаторам математических олимпиад и преподавателям вузов, принимающим вступительные конкурсные экзамены по математике
Избранные задачи повышенной сложности по математике [2008] Валерий Супрун
Математика для старшеклассников
Нестандартные методы решения задач [2009] В.П. Супрун
Пособия адресованы учащимся общеобразовательных школ, гимназий, лицеев, колледжей, абитуриентам, учителям математики, руководителям школьных математических кружков, репетиторам, организаторам математических олимпиад и преподавателям вузов, принимающим вступительные конкурсные экзамены по математике
Избранные задачи повышенной сложности по математике [2008] Валерий Супрун
Математика для старшеклассников
Нестандартные методы решения задач [2009] В.П. Супрун
Летом 2022 года, лучшие умы планеты — «суперпрогнозисты» и ведущие отраслевые эксперты — собрались на турнир, чтобы предсказать будущее на ближайшие 2-3 года
Они делали ставки на прогнозы экзистенциальных рисков для человечества
И уже тогда было очевидно, что один из таких рисков – бурный прогресс в области Ml
И вот сегодня вышел новый отчет, анализирующий точность тех прогнозов (Assessing Near-Term Accuracy in the Existential Risk Persuasion Tournament)
Все прогнозы провалились
Масштаб недооценки поражает
Математические способности (MATH Dataset):
• Ml достиг 87.8 % в апреле 2024
• Эксперты давали вероятности этого 21 %
• Суперпрогнозисты — 9 %
Общие знания (MMLU):
• Ml набрал 88.7 % к середине 2024
• Эксперты оценивали это в 25 %
• Суперпрогнозисты - давали 7 %
Математическая олимпиада:
• Ml получил золото в июле 2025
• Эксперты думали это случится после 2030
• Суперпрогнозисты — после 2035
• Вероятность, что это случится в 2025, была, по их мнению - 8.6 % и 2.3 %
Вычислительная мощность:
• Суперпрогнозисты недооценили в 5 РАЗ
Что это означает
Турнир закончился ДО выхода ChatGPT в ноябре 2022
Началась фаза технологической сингулярности: скорость прогресса стала настолько высокой, что любые прогнозы теряют смысл из-за систематических недооценок
Малоприятный вывод
Если лучшие эксперты мира недооценивают скорость развития ИИ в 5-10 раз, то:
Тогда вопрос на много триллионов $
Ведь если даже лучшие эксперты не могут предсказать прогресс на 2 года вперёд, может быть, пора признать, что никто больше не контролирует скорость происходящего?
Отчет — первое реальное доказательство этого
Они делали ставки на прогнозы экзистенциальных рисков для человечества
И уже тогда было очевидно, что один из таких рисков – бурный прогресс в области Ml
И вот сегодня вышел новый отчет, анализирующий точность тех прогнозов (Assessing Near-Term Accuracy in the Existential Risk Persuasion Tournament)
Все прогнозы провалились
Масштаб недооценки поражает
Математические способности (MATH Dataset):
• Ml достиг 87.8 % в апреле 2024
• Эксперты давали вероятности этого 21 %
• Суперпрогнозисты — 9 %
Общие знания (MMLU):
• Ml набрал 88.7 % к середине 2024
• Эксперты оценивали это в 25 %
• Суперпрогнозисты - давали 7 %
Математическая олимпиада:
• Ml получил золото в июле 2025
• Эксперты думали это случится после 2030
• Суперпрогнозисты — после 2035
• Вероятность, что это случится в 2025, была, по их мнению - 8.6 % и 2.3 %
Вычислительная мощность:
• Суперпрогнозисты недооценили в 5 РАЗ
Что это означает
Турнир закончился ДО выхода ChatGPT в ноябре 2022
Началась фаза технологической сингулярности: скорость прогресса стала настолько высокой, что любые прогнозы теряют смысл из-за систематических недооценок
Малоприятный вывод
Если лучшие эксперты мира недооценивают скорость развития ИИ в 5-10 раз, то:
текущие прогнозы достижения человеческого уровня к 2030 году (типа «мягкой сингулярности Сэма Альтмана»), могут осуществиться уже в 2026
Тогда вопрос на много триллионов $
Готовы ли люди к тому, что Ml человеческого уровня появится не через 5 лет, а через год?
Ведь если даже лучшие эксперты не могут предсказать прогресс на 2 года вперёд, может быть, пора признать, что никто больше не контролирует скорость происходящего?
Отчет — первое реальное доказательство этого