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

⚡️ 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

🎲 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

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

@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