✏️ Снова разбираем задачу с экзамена ШАД

Условие: Вова загадал не нормальный случайный вектор X с математическим ожиданием α 1️⃣ и матрицей ковариации Φ 2️⃣. Лёша загадал другой не нормальный случайный вектор Y с матожиданием β 3️⃣ и матрицей ковариации Ω 4️⃣.

Найдите среднее значение квадрата расстояния между этими векторами в евклидовом пространстве со стандартным скалярным произведением, если известно, что загаданные векторы независимы.

Решение: Пусть 5️⃣ и 6️⃣. Тогда 7️⃣. Символ ⊥ используется для обозначения независимости данных векторов, что влечёт за собой независимость их компонент. Это приводит к равенству произведения их математических ожиданий и математического ожидания их произведения.

Воспользуемся равенством 8️⃣ и линейностью математического ожидания. Получаем 9️⃣. Ответ равен 6.

#задачи_шад

Удается ли вам справляться без ChatGPT?

👍 — да, почти всегда
🙏 — да, иногда
😁 — нет, всегда использую
🤔 — как им пользоваться?

#memes

#дайджест #PythonInternship

Подборка стажировок недели для Python разработчиков

▪️Стажёр-разработчик
Офис (Москва, Санкт-Петербург, Екатеринбург, Новосибирск, Нижний Новгород, Минск), Young&&Yandex
Подробнее

▪️Backend-разработчик на языке Python
Удалёнка, IT-Solutions — разработка ПО для бизнеса
Подробнее

▪️Начинающий Python разработчик
Удалёнка, KEEN VISION — автоматизированная передача показаний счётчиков ЖКХ
Подробнее

▪️Trainee Python Developer
Гибрид (Минск), Innowise Group
Подробнее

▪️Backend разработчик (Start up)
Офис (Санкт-Петербург) / Удалёнка, SciArticle — разработка научных IT сервисов
Подробнее

Понравились предложения о стажировке?
❤️ — да
🤔 — нет

❓ 20+ вопросов, которые стоит задать на собеседовании в стартап

Начать или продолжить свою карьеру вы можете в стартапе. Работа в стартапе всегда связана с рисками, поэтому мы подготовили несколько вопросов, которые помогут вам рассмотреть этот вариант и не упускать возможности

Стартап — это новая компания или проект, который стремится предложить инновационный продукт или услугу и быстро масштабироваться на рынке.

🔗 Ссылка на вопросы

А если вы выбираете курс, вот подборка из proglib.academy:
🔵 математика для Data Science
🔵 базовые модели ML и приложения
🔵 алгоритмы и структуры данных
🔵 основы программирования на Python
🔵 Frontend Basic: принцип работы современного веба

🏆👁️ Топовая задачка на Stack Overflow: как найти k пропущенных чисел в потоке данных

Это продолжение статьи про задачу, в которой нужно определить, какое число вынули из мешка со 100 уникальными числами. В новой части мы показываем решение с помощью алгоритма сверки множеств, симметрических функций и уравнения k-й степени.

🔗 Читать статью
🔗 Зеркало

Что вы знаете про регрессию? Зачем она нужна в Data Science?

Регрессия — это один из основных методов анализа данных, широко используемый в Data Science. Она позволяет моделировать и анализировать отношения между переменными, что делает её незаменимым инструментом для предсказаний и интерпретаций данных.

Регрессия бывает различных видов, каждый из которых используется для решения специфических задач:

▪️Линейная регрессия: моделирует линейную зависимость между независимой переменной (предиктором) и зависимой переменной (ответом).
▪️Логистическая регрессия: используется для бинарных исходов, предсказывая вероятность принадлежности к одному из двух классов.
▪️Полиномиальная регрессии: моделирует нелинейные зависимости, позволяя учитывать криволинейные отношения между переменными.

Многие статистические методы предполагают или опираются на регрессию. К примеру, анализ дисперсии (ANOVA) эффективен только тогда, когда соблюдаются условия линейной регрессии. Кроме того, некоторые алгоритмы машинного обучения предполагают использование регрессионных моделей для предсказания и анализа данных.

#вопросы_с_собеседований