🚀 pix2tex

- это библиотека #Python, позволяющая преобразовывать изображения уравнений в код LaTeX.

Это позволяет использовать уравнение из одного документа в другой документ, не переделывая его с нуля.

🐱 GitHub

data_math

F-SO : Physical Symbolic Optimization - обучение физике на основе данных 🧠

Пакет Physical Symbolic Optimization использует глубокое обучение с подкреплением для обнаружения физических законов на основе данных. На гифке анимировано аналитическое выражение затухающего гармонического осциллятора.

🐱 Github: https://github.com/WassimTenachi/PhySO
👉 Paper: https://arxiv.org/abs/2303.03192

@data_math

🖥Хороший визуальный Гайд по NumPy

Это подробное руководство поможет уложить в голове матричные операции.

📌 полное руководство на сайте

@data_math

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

Книга

@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

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

@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