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
Please open Telegram to view this post
VIEW IN TELEGRAM
👍14❤6
Если кто-то спросит меня, зачем мы учим математику, я покажу эту картинку этому человеку. ⚡️
@data_math
@data_math
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥29❤8💩1
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
Please open Telegram to view this post
VIEW IN TELEGRAM
✍7❤5👍2
🔥 Дайджест полезных материалов из мира Машинного обучения за неделю
Почитать:
— «Вкалывают роботы»: как людям достичь полной автоматизации труда и не оказаться за бортом
— 8 бесплатных курсов по большим языковым моделям
— Современные варианты баз данных
— Создаём сортировщик деталей Lego Technic, распознающий объекты в реальном времени
— Скелет, анимация, текстура: всё о создании 3D-модели человека по фотографии
— Свежий Google Gemini, GPT-4 и математика
— Чего не знают айтишники? Как мы провели IT-кроссворд и нашли ответы на все вопросы
— Распознавание пользовательского интерфейса в медицине
— Зачем мне пылесос с ананасом или как оценить корректность рекомендательной системы
— Реализация нейронной сети для соревнования Digit Recognizer на Kaggle и её прикладное использование. Часть №2
— Как маркетологи используют генеративный ИИ?
— Учим ИИ играть в настолку Magic the Gathering
— 🔮 SuperDuperDB is #3 on GitHub Trending globally! 🥉
— 6 Cutting-Edge ML Projects for Your Power-Packed Resume!
— Orca 2 - Small Language Models
— Financial Data Analysis
— The One Plot to Rule Them All
— Face Recognition vs. Face Detection: Understanding the Key Differences
— Get To Winning With MLOps
— 🤯 8 LLMs and Deep Learning repos to get you into the TOP 1% 🚀
— OpenHermes 2.5 Vs GPT-4 Vs LLama2 = The Winner
— A new tool to easily build, train and test Neural Networks for regression tasks 💻🚀
Посмотреть:
🌐 Ollama — модель уровня GPT. Используй GPT без ограничений и абсолютно бесплатно.
🌐 Lightning Interview "Catastrophic AI Risks" (⏱ 01:04:50)
🌐 A Semi-Supervised Anomaly Detection System Through Ensemble Stacking Algorithm - Chuying Ma (⏱ 30:41)
🌐 LLMs in Data Analytics: Can They Match Human Precision? - Gerard Kostin (⏱ 39:54)
🌐 ODSC Webinar | Machine Learning Operations (MLOPs) with Azure Machine Learning (⏱ 01:04:57)
Хорошего дня!
@data_math
Почитать:
— «Вкалывают роботы»: как людям достичь полной автоматизации труда и не оказаться за бортом
— 8 бесплатных курсов по большим языковым моделям
— Современные варианты баз данных
— Создаём сортировщик деталей Lego Technic, распознающий объекты в реальном времени
— Скелет, анимация, текстура: всё о создании 3D-модели человека по фотографии
— Свежий Google Gemini, GPT-4 и математика
— Чего не знают айтишники? Как мы провели IT-кроссворд и нашли ответы на все вопросы
— Распознавание пользовательского интерфейса в медицине
— Зачем мне пылесос с ананасом или как оценить корректность рекомендательной системы
— Реализация нейронной сети для соревнования Digit Recognizer на Kaggle и её прикладное использование. Часть №2
— Как маркетологи используют генеративный ИИ?
— Учим ИИ играть в настолку Magic the Gathering
— 🔮 SuperDuperDB is #3 on GitHub Trending globally! 🥉
— 6 Cutting-Edge ML Projects for Your Power-Packed Resume!
— Orca 2 - Small Language Models
— Financial Data Analysis
— The One Plot to Rule Them All
— Face Recognition vs. Face Detection: Understanding the Key Differences
— Get To Winning With MLOps
— 🤯 8 LLMs and Deep Learning repos to get you into the TOP 1% 🚀
— OpenHermes 2.5 Vs GPT-4 Vs LLama2 = The Winner
— A new tool to easily build, train and test Neural Networks for regression tasks 💻🚀
Посмотреть:
🌐 Ollama — модель уровня GPT. Используй GPT без ограничений и абсолютно бесплатно.
🌐 Lightning Interview "Catastrophic AI Risks" (⏱ 01:04:50)
🌐 A Semi-Supervised Anomaly Detection System Through Ensemble Stacking Algorithm - Chuying Ma (⏱ 30:41)
🌐 LLMs in Data Analytics: Can They Match Human Precision? - Gerard Kostin (⏱ 39:54)
🌐 ODSC Webinar | Machine Learning Operations (MLOPs) with Azure Machine Learning (⏱ 01:04:57)
Хорошего дня!
@data_math
👍8❤4🔥1
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
Please open Telegram to view this post
VIEW IN TELEGRAM
👍9❤4🔥1
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
Please open Telegram to view this post
VIEW IN TELEGRAM
YouTube
1. Правила комбинаторики. Комбинаторная математика.
Лекция 1. Комбинаторная математика. Правила комбинаторики.
Лектор: Александра Козлова
10 февраля 2021
Темы:
Правила комбинаторики: суммы, произведения;
Принцип Дирихле;
Основные комбинаторные конфигурации;
Порождение комбинаторных объектов, лексикографический…
Лектор: Александра Козлова
10 февраля 2021
Темы:
Правила комбинаторики: суммы, произведения;
Принцип Дирихле;
Основные комбинаторные конфигурации;
Порождение комбинаторных объектов, лексикографический…
👍13❤4🔥4
www.nature.com/articles/s41586-023-06924-6
@data_math
Please open Telegram to view this post
VIEW IN TELEGRAM
Nature
Mathematical discoveries from program search with large language models
Nature - FunSearch makes discoveries in established open problems using large language models by searching for programs describing how to solve a problem, rather than what the solution is.
❤5👍1
statistics.stdev() и `statistics.pstdev(): Эти функции вычисляют стандартное отклонение и среднеквадратическое отклонениеи.@data_math
Please open Telegram to view this post
VIEW IN TELEGRAM
👍9❤2👎1🔥1
📌 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
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.
@data_math
Please open Telegram to view this post
VIEW IN TELEGRAM
👍13❤2🔥1
🚀 Texify - это модель распознавания и вычисления символов и формул, которая преобразует изображения или pdf-файлы, содержащие математические вычисления, в формулы и LaTe). Она может работать на CPU, GPU или MPS.
https://github.com/VikParuchuri/texify
@data_math
`pip install texify`https://github.com/VikParuchuri/texify
@data_math
👍18❤3🔥1
👨🎓 Статистика 110: Теория Вероятности от Гарвардского университета.
Несомненно, один из лучших курсов по теории вероятностей в Интернете!
youtube.com/playlist?list=PL2SOU6wwxB0uwwH80KTQ6ht66KWxbzTIo
@data_math
Несомненно, один из лучших курсов по теории вероятностей в Интернете!
youtube.com/playlist?list=PL2SOU6wwxB0uwwH80KTQ6ht66KWxbzTIo
@data_math
❤15👍5🔥3
Please open Telegram to view this post
VIEW IN TELEGRAM
👍26🤣16🤡12❤4🔥2😭2✍1
Изучите основы теории вероятностей и статистики c Университетом Брауна.
Они предоставляют наглядные визуализации, которые помогут вам в обучении.
И это 100% БЕСПЛАТНО
🔗https://seeing-theory.brown.edu
@data_math
Они предоставляют наглядные визуализации, которые помогут вам в обучении.
И это 100% БЕСПЛАТНО
🔗https://seeing-theory.brown.edu
@data_math
🔥17❤3👍2
Forwarded from Анализ данных (Data analysis)
💻 Изучайте Математику для Data Science бесплатно с помощью этих бесплатных курсов с Udacity
1. Linear Algebra Refresher Course
2. Intro to Statistics
3. Intro to Inferential Statistics
4. Intro to Descriptive Statistics
5. Eigenvectors and Eigenvalues
6. Intro to Artificial Intelligence
7. Differential Equations in Action
📌 Список
@data_analysis_ml
1. Linear Algebra Refresher Course
2. Intro to Statistics
3. Intro to Inferential Statistics
4. Intro to Descriptive Statistics
5. Eigenvectors and Eigenvalues
6. Intro to Artificial Intelligence
7. Differential Equations in Action
📌 Список
@data_analysis_ml
❤20👍1
Код на Python для иллюстрации теоремы и ее доказательства.
https://johndcook.com/blog/2023/11/20/kepler-triangle/
@data_math
Please open Telegram to view this post
VIEW IN TELEGRAM
❤5👍4🔥1
Forwarded from Machinelearning
📐 AlphaGeometry: An Olympiad-level AI system for geometry
Deepmind представили AlphaGeometry: систему искусственного интеллекта, которая решает олимпиадные задачи по геометрии на уровне, приближающемся к уровню золотого медалиста.
Система была обучена исключительно на синтетических данных и знаменует собой прорыв ИИ в области математики.
https://deepmind.google/discover/blog/alphageometry-an-olympiad-level-ai-system-for-geometry/
🖥 Code: https://github.com/facebookresearch/audiocraft/blob/main/docs/MAGNET.md#api
🚀 Deepmind: https://deepmind.google/discover/blog/alphageometry-an-olympiad-level-ai-system-for-geometry/
📚 Paper: https://www.nature.com/articles/s41586-023-06747-5
@ai_machinelearning_big_data
Deepmind представили AlphaGeometry: систему искусственного интеллекта, которая решает олимпиадные задачи по геометрии на уровне, приближающемся к уровню золотого медалиста.
Система была обучена исключительно на синтетических данных и знаменует собой прорыв ИИ в области математики.
https://deepmind.google/discover/blog/alphageometry-an-olympiad-level-ai-system-for-geometry/
@ai_machinelearning_big_data
Please open Telegram to view this post
VIEW IN TELEGRAM
❤8👍8🤯2🥰1
This media is not supported in your browser
VIEW IN TELEGRAM
💥 Аттрактор Айзавы. Простое уравнение, но красивый хаотический узор.
https://www.dynamicmath.xyz/strange-attractors/
@data_math
https://www.dynamicmath.xyz/strange-attractors/
@data_math
❤27👍8🔥1