Шаришь за теорвер? Тогда пост – в сохранёнки 📌
В этих карточках мы рассказываем об основателе современной теории вероятностей – академике Андрее Колмогорове.
А главное, ты найдёшь здесь много толковых подсказок для успешного решения разноплановых задач олимпиадного программирования и машинного обучения.
От моделирования случайных процессов, рандомизированных алгоритмов и операций с типами данных в олпроге до оценки производительности и ограничений моделей машинного обучения, распознавания речи, инициализации весов нейросетей, градиентного спуска и анализа данных в ML🤖
В этих карточках мы рассказываем об основателе современной теории вероятностей – академике Андрее Колмогорове.
А главное, ты найдёшь здесь много толковых подсказок для успешного решения разноплановых задач олимпиадного программирования и машинного обучения.
От моделирования случайных процессов, рандомизированных алгоритмов и операций с типами данных в олпроге до оценки производительности и ограничений моделей машинного обучения, распознавания речи, инициализации весов нейросетей, градиентного спуска и анализа данных в ML
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6👍2🔥2
11 мaя 1997 гoдa мнoгoкpaтный чeмпиoн миpa пo шaxмaтaм Гappи Кacпapoв пpoигpaл кoмпьютepу IBM Deep Blue. Вспоминаем этот легендарный для всего ML-сообщества матч. И конечно, разбираемся, как фантастический сюжет стал реальностью 🤖
Deep Blue оказал влияние на вычисления во многих различных отраслях, так как позволил исследователям изучить пределы массовой параллельной обработки.
Deep Blue оказал влияние на вычисления во многих различных отраслях, так как позволил исследователям изучить пределы массовой параллельной обработки.
❤7👍1🔥1
🎥 Видеолекции по теорверу и матстату от профессора, заведующего кафедрой математической статистики факультета ВМК МГУ Виктора Королёва. После внимательного просмотра видео вероятность успешной сдачи экзамена стремительно приближается к 1.
🌚 Ждём 50 реакций, чтобы опубликовать вторую часть лекций.
🌚 Ждём 50 реакций, чтобы опубликовать вторую часть лекций.
🌚21👍8🤡2🤩1
🛁 Эврика! Увы, сегодня мы не решили гробешник, но постарались уместить в несколько карточек самое важное об эвристических алгоритмах.
⏪ Псевдокод для удобства оставим здесь:
🥲 Но кое-что всё же не поместилось…
Накидай побольше реакций – и мы сделаем ещё пост на эту тему. В следующий раз расскажем о типах эвристических алгоритмов и в каких задачах олпроги их лучше применять.
FUNCTION A*(start,end)
closedset = the empty set // Множество вершин, которые уже были обработаны(раскрыты)
openset = {start} // Множество вершин(очередь), которые предстоит обработать(раскрыть).
// Изначально здесь присутствует только начальная вершина start.
fromset = the empty set // Карта пройденных вершин. Используется функцией RECONSTRUCT_PATH
для восстановления пути (вывода результата).
// Заполняем свойства вершины start
G(start) = COST(start,start) = 0 // Стоимость пути от начальной вершины. У start g(x) = 0.
F(start) = G(start) + H(start,end) // h(x) - эвристическая оценка расстояния до цели.
// Основной цикл алгоритма
WHILE openset IS NOT EMPTY
curr = MIN_F(openset) // Вершина из openset имеющая самую низкую оценку f(x).
IF (curr = end) RETURN RECONSTRUCT_PATH(fromset,start,end) // Выводим результат.
REMOVE curr FROM openset // Вершина curr пошла на обработку, а значит её следует удалить из очереди на обработку.
ADD curr TO closedset // И добавить в список уже обработанных.
FOREACH neighbour OF curr neighbours // Проверяем каждого соседа curr
IF neighbour IN closedset CONTINUE // Пропускаем соседей из закрытого списка (предварительный, ожидаемый)
tentative_g_score = G(curr) + COST(curr,neighbour) // Вычисляем g(x) для обрабатываемого соседа
IF neighbour NOT IN openset // Если сосед curr ещё не в открытом списке
ADD neighbour TO openset //добавим его туда
tentative_is_better = TRUE // вводим признак того, что нужно обновить свойства для соседней вершины
ELSE // Сосед был в открытом списке, а значит мы уже знаем его g(x), h(x) и f(x)
IF tentative_g_score < G(neighbour) // Вычисленная g(x) оказалась меньше, а значит нужно будет обновить значения g(x), h(x), f(x)
tentative_is_better = TRUE
ELSE // Вычисленная g(x) оказалась больше, чем имеющаяся в openset.
// Это означает, что из вершины curr путь через этого соседа дороже
// т.е. существует менее дорогой маршрут, пролегающий через этого соседа (из какой-то другой вершины, не из curr)
// Поэтому данного соседа мы игнорируем
tentative_is_better = FALSE
// Обновление свойств соседа.
IF tentative_is_better = TRUE
fromset(neighbour) = curr //Вершина с которой мы пришли. Используется для реконструкции пути.
G(neighbour) = tentative_g_score
F(neighbour) = G(neighbour) + H(neighbour, end)
// Обратите внимание, что если происходит обновление свойств - значит neighbour(сосед curr) так или иначе находится в openset.
// Т.е. при следующей итерации внешнего цикла из openset будет извлечена вершина с наименьшей оценкой f(x).
// Не исключено, что она окажется соседом нашего curr, которого мы только что добавили.
// В общем это самая важная особенность алгоритма А*.
RETURN FAILURE // управление передаётся сюда когда openset пуст,а вершина end не найдена (путь найти не удалось)
// Восстанавливаем результироующий путь.
// Путь можно проследить только от заданной вершины(чаще всего это end) к старту(каждая вершина имеет пути находится в fromset, чем мы и воспользуемся).
FUNCTION RECONSTRUCT_PATH(fromset,start,end)
pathset = the empty list // Упорядоченное множество результирующих вершин пути.
curr = end // Поиск начинается от финиша.
ADD curr TO pathset // Добавляем end в результирующий путь.
WHILE curr <> start // Добавляем в путь все вершины от end до start.
curr = fromset(curr) // Получаем вершину из которой пришли в curr.
ADD curr TO pathset // Добавить вершину в результирующий путь.
RETURN REVERSE(pathset) // Так как мы построили путь от end к start, то результирующий набор вершин необходимо перевернуть.Накидай побольше реакций – и мы сделаем ещё пост на эту тему. В следующий раз расскажем о типах эвристических алгоритмов и в каких задачах олпроги их лучше применять.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥7👍2❤1