R&D (R>D)
На Хабре уже были публикации о симплекс-методе раз и два. И они очень даже хороши. Но это не те публикации, которые расчитаны на школьников или учителей школ. Я же хотел обратить внимание на одну довольно старую статью, вышедшую в журнале "Юный техник" в августе 1985 года. Естественно, она была нацелена на школьников. И мне давно хотелось разобрать её детально...
Обзор построения и анализа линейной регрессионной модели с использованием преобразования Бокса-Кокса
В начале года многие школьники ищут новые направления для развития. Одним из наиболее популярных сегодня является 3D-моделирование. Рассказываем, как начать обучение анимации для детей и подростков и делимся полезной информацией.
В предыдущих сериях постов для начинающих из ремикса книги Генри Гарнера «Clojure для исследования данных» (Clojure for Data Science) на языке Python мы рассмотрели методы описания выборок с точки зрения сводных статистик и методов статистического вывода из них параметров популяции. Такой анализ сообщает нам нечто о популяции в целом и о выборке в частности, но он не позволяет нам делать очень точные утверждения об их отдельных элементах. Это связано с тем, что в результате сведения данных всего к двум статистикам - среднему значению и стандартному отклонению - теряется огромный объем информации.
Цель данной статьи - поделиться результатами сравнительного анализ двух тестов на коинтеграцию, теста Энгла-Гренджера и теста Йохансена. Для этого нам понадобится рассмотреть соотношение между двумя и более переменными, понять, что такое VAR процесс, как перейти к VECM модели, в чем заключается процедура Йохансена, и как интерпретировать результат статистического теста, полученного от стандартного пакета типа Matlab.
(source)
Иногда мне приходится рассказывать другим людям как работает машинное обучение и, в частности, нейронные сети. Обычно я начинаю с градиентного спуска и линейной регрессии, постепенно переходя к многослойным перцептронам, автокодировщикам и свёрточным сетям. Все понимающе кивают головой, но в какой-то момент кто-нибудь прозорливый обязательно спрашивает:
А почему так важно, чтобы переменные в линейной регрессии были независимы?
или
А почему для изображений используются именно свёрточные сети, а не обычные полносвязные?
"О, это просто", — хочу ответить я. — "потому что если бы переменные были зависимыми, то нам пришлось бы моделировать условное распределение вероятностей между ними" или "потому что в небольшой локальной области гораздо проще выучить совместное распределение пикселей". Но вот проблема: мои слушатели ещё ничего не знают про распределения вероятностей и случайные переменные, поэтому приходится выкручиваться другими способами, объясняя сложнее, но с меньшим количеством понятий и терминов. А что делать, если попросят рассказать про батч нормализацию или генеративные модели, так вообще ума не приложу.
Так давайте не будем мучить себя и других и просто вспомним основные понятия теории вероятностей.
Pandas — это мощная библиотека для анализа данных, API которой обладает широкими функциональными возможностями. Этот API позволяет решить любую задачу, связанную с обработкой данных, несколькими способами. Некоторые из подходов к решению задач лучше других. Часто бывает так, что пользователи pandas узнают о подходах, не отличающихся особой эффективностью, привыкают к ним и постоянно их применяют. Этот материал посвящён разбору четырёх анти-паттернов pandas и рассказу о приёмах работы, которые стоит использовать вместо них.
Автор черпал вдохновение из многих источников, ссылки на которые даны в статье. В частности — из замечательной книги Effective Pandas.
Меня зовут Алексей Ахметшин. Я математик. В этом посте мы поговорим о различных задачах оптимизации, с которыми встречается инвестиционный банк, про функцию полезности и стохастический коэффициент дисконтирования. А также о корреляции рисков и избыточную доходность.
Кривая эластичности спроса по цене – это то, как продажи зависят от цены.Чем меньше цена, тем больше продаж и наоборот.
В этой статье рассказывается про ML методы получения кривых спроса сразу для сотен тысяч товаров (нейросети, pyTorch), а также как, имея кривые спроса, решать бизнес задачу про баланс оборота и прибыли – в этом нам поможет метод множителей Лагранжа. Что первично – ограничение на прибыль или множитель Лагранжа? Как инженерам объяснить, что такое kvi-товары и товары-герои? Это и многое другое
За 16 лет существования Хабра на его страницах не один, и даже не тысячу раз публиковались топики, так или иначе касающиеся вопросов решения задач оптимизации и алгоритмов в целом. В этой статье я хочу рассказать о достаточно новом алгоритме — «алгоритме диких гусей».
В статье рассказывается о новом подходе к анализу распределения простых чисел.
О подходе с использованием формулы распределения чисел для всего натурального ряда.
Много слов уже сказано о доверительных интервалах для оценки параметра в байесе и частотке. Существуют десятки объяснений, но ни одно из них не показывает "на пальцах", чем отличаются механизмы создания этих интервалов. Так вот давайте еще и я попробую объяснить вам так, чтобы вы больше никогда не конфузились при их упоминании.
Пикачу, Венузавр, Бульбазавр, Ивизавр, Сильвеон, Мьюту, Чаризард, Метапод, Бидрилл, Псидак, Пиджи, Пиджит, Пиджеотто, Электабазз, Оманайт… Я честно списала эти названия покемонов с сайта, потому что запомнила только двух: Пикачу и Бульбазавра (одного знала, второй смешной). А в 2017 году 10-летний сын моего соседа по даче бодро перечислил мне несколько десятков покемонов и очень злился, что я не в курсе разницы между всеми ними. Как это видела я: в голове простого мальчишки без всяческих гениальных наклонностей хранится целая база данных — таблицы имён, таблицы видов, таблицы свойств, эволюционные цепочки и т. д. И всё это безотказно воспроизводится. А вот с таблицей умножения у него была беда, несмотря на третий класс без троек. Часть лета я довольно плотно общалась с этим мальчиком (и его покемонами) и уже тогда искала ответ на вопрос: что там такое особенное в голове, как оно устроено? В принципе, ответ лежал на поверхности: постоянная практика (смартфон врос в руку), геймификация процесса и огромная, просто колоссальная мотивация разобраться, запомнить и оперировать данными. Угадайте, какими методами школа и родители впихивали в него ту же таблицу умножения?
Постойте, а ведь на любом уровне образования сейчас что-то такое же: кто-то уже научился мотивировать и зарабатывать на этом, а кто-то заслушивает ответы на семинарах по распечаткам и принимает плохо скомпилированные рефераты. А что будет дальше?
Однажды, давным-давно, автор по локти погрузился в тестирование рынка подготовки тестировщиков с нуля. Он размышлял об обучении, общался с десятками продажников, слушал вводные лекции множества курсов с иногда противоречивыми чувствами, знакомился со многими интересными лекторами и анкетировал 100+ абитуриентов, текущих студентов и вчерашних.
В общем за прошедший месяц много чего произошло. Также автор получил множество вопросов от абитуриентов по выбору курсов. Исследование предполагает большое число общения и автору это нравится. Но некоторые вещи повторять каждый раз скучно, поэтому в ожидании результатов затянувшегося “Этап 3: Объективно оцениваем наполненность курсов (для этого привлечем QA-эксперта с опытом 15+ лет подготовки)” решил здесь зафиксировать следующее...
Физика. Кто-то её любит, кто-то нет, но определённо это неотъемлемая часть нашего существования. В этой статье мы рассмотрим как самому создавать физические симуляции используя всего 2 библиотеки Python.
К концу статьи мы сделаем интерактивную симуляцию взаимодействия тел и поймём основы использования библиотеки Pymunk.
В этом туториале вы сможете создать симуляцию тел как на гифке сверху!