Бесплатный IT-интенсив: алгоритмы и структуры данных
😱Мы пригласили несколько крупных разработчиков из Yandex, Sharechat и даже Meta*. Чтобы они поделились своим опытом и рассказали на практических примерах о NP-трудных задачах, графах и типичных ошибках, которые соискатели совершают на собеседовниях.
👉Регистрируйтесь по ссылке
В конце каждого вебинара вас ждет интерактив, практика в написании кода, а также возможность задать любой вопрос спикеру.
Программа вебинаров на август:
🗓 14 августа, «NP-трудные задачи: почему их плохо решают».
🎙Спикер: Дмитрий Коротенко, ML specialist at Yandex.
🗓 22 августа, «Графы: алгоритмы и структуры данных на Python».
🎙Спикер: Иван Потапов, Staff machine learning engineer at Sharechat.
🗓 29 августа, «Собеседование на разработчика: разбор задач и ошибок».
🎙Спикер: Алексей Бочкарев, Engineering Manager at Meta*
👉Узнать подробнее и зарегистрироваться можно по ссылке:https://proglib.io/w/d4d5a21b
*Компания Meta признана в РФ экстремистской и запрещена
😱Мы пригласили несколько крупных разработчиков из Yandex, Sharechat и даже Meta*. Чтобы они поделились своим опытом и рассказали на практических примерах о NP-трудных задачах, графах и типичных ошибках, которые соискатели совершают на собеседовниях.
👉Регистрируйтесь по ссылке
В конце каждого вебинара вас ждет интерактив, практика в написании кода, а также возможность задать любой вопрос спикеру.
Программа вебинаров на август:
🗓 14 августа, «NP-трудные задачи: почему их плохо решают».
🎙Спикер: Дмитрий Коротенко, ML specialist at Yandex.
🗓 22 августа, «Графы: алгоритмы и структуры данных на Python».
🎙Спикер: Иван Потапов, Staff machine learning engineer at Sharechat.
🗓 29 августа, «Собеседование на разработчика: разбор задач и ошибок».
🎙Спикер: Алексей Бочкарев, Engineering Manager at Meta*
👉Узнать подробнее и зарегистрироваться можно по ссылке:https://proglib.io/w/d4d5a21b
*Компания Meta признана в РФ экстремистской и запрещена
🔥3
Нейронные сети, графы и эмерджентность
Автор пробует осветить некоторые интересные области науки, с которыми он сталкивался в контексте работы с нейронными сетями, и найти между ними взаимосвязь. Данная статья не претендует на истину в последней инстанции и является всего лишь попыткой посмотреть на нейронные сети под другим углом.
Читать статью
Автор пробует осветить некоторые интересные области науки, с которыми он сталкивался в контексте работы с нейронными сетями, и найти между ними взаимосвязь. Данная статья не претендует на истину в последней инстанции и является всего лишь попыткой посмотреть на нейронные сети под другим углом.
Читать статью
Хабр
Нейронные сети, графы и эмерджентность
В этой статье я хочу попробовать осветить некоторые интересные, на мой взгляд, области науки, с которыми я сталкивался в контексте работы с нейронными сетями, и найти между ними взаимосвязь. Данная...
👍2
Forwarded from Библиотека дата-сайентиста | Data Science, Machine learning, анализ данных, машинное обучение
Что такое аугментация данных? Можете привести примеры?
Под аугментацией данных понимается увеличение выборки данных для обучения через модификацию существующих данных. Компьютерное зрение — одна из областей, где очень полезно увеличение объема данных. Есть много модификаций, которые мы можем сделать с изображениями:
— Изменить размер
— Горизонтально или вертикально перевернуть
— Добавить шум
— Деформировать
— Изменить цвета
#вопросы_с_собеседований
Под аугментацией данных понимается увеличение выборки данных для обучения через модификацию существующих данных. Компьютерное зрение — одна из областей, где очень полезно увеличение объема данных. Есть много модификаций, которые мы можем сделать с изображениями:
— Изменить размер
— Горизонтально или вертикально перевернуть
— Добавить шум
— Деформировать
— Изменить цвета
#вопросы_с_собеседований
👍3🔥2
Напоминаем про серию вебинаров по алгоритмам и структурам данных
Регистрироваться можно здесь – https://proglib.io/w/d4d5a21b
Классные темы, классные спикеры, много практики, подарки. Ну точно надо идти!
Регистрироваться можно здесь – https://proglib.io/w/d4d5a21b
Классные темы, классные спикеры, много практики, подарки. Ну точно надо идти!
Решение вчерашней задачи:
Для начала, площадь прямоугольника равна: S прямоугольника = 5 см * 4 см = 20 см².
Площадь круга равна: S круга = π * r² = π * (1.5 см)² = 2.25π см² ≈ 7.07см².
Вероятность того, что случайная точка окажется внутри круга, равна отношению площади круга к площади прямоугольника:
P = S круга / S прямоугольника = 2.25π см² / 20 см² = 9π/80.
Ответ: Таким образом, вероятность того, что точка, случайно поставленная в прямоугольник, окажется внутри круга, составляет 9π/80
Для начала, площадь прямоугольника равна: S прямоугольника = 5 см * 4 см = 20 см².
Площадь круга равна: S круга = π * r² = π * (1.5 см)² = 2.25π см² ≈ 7.07см².
Вероятность того, что случайная точка окажется внутри круга, равна отношению площади круга к площади прямоугольника:
P = S круга / S прямоугольника = 2.25π см² / 20 см² = 9π/80.
Ответ: Таким образом, вероятность того, что точка, случайно поставленная в прямоугольник, окажется внутри круга, составляет 9π/80
Подборка статей по Python:
✍️ python-mastery: продвинутое владение Python
Курс по продвинутому программированию на Python, основанный на упражнениях, который был протестирован несколько сотен раз в рамках корпоративного обучения на протяжении более десяти лет.
✍️ Как Netflix выполняет отказоустойчивость всего за 7 минут
Netflix сократил время, необходимое для реагирования на сбой, с 45 минут до семи без каких-либо дополнительных затрат. В этой статье рассказывается о том, как они осуществляют горячую замену процессов и резервируют вычислительное время, чтобы обеспечить быстрое реагирование на сбои.
✍️ Вкус итерации в Python
Любой объект, реализующий интерфейс итератора, можно использовать в цикле for, но как это работает? В этой статье показано, как используется протокол итератора и как можно писать собственные совместимые объекты.
✍️ Практическое руководство по метапрограммированию в Python
Эта статья представляет собой общий обзор различных типов метапрограммирования, доступных в Python, включая декораторы, метаклассы, встроенные ключевые слова самоанализа и динамическую генерацию кода.
✍️ Практическое руководство по метапрограммированию в Python
Эта статья представляет собой общий обзор различных типов метапрограммирования, доступных в Python, включая декораторы, метаклассы, встроенные ключевые слова самоанализа и динамическую генерацию кода.
✍️ python-mastery: продвинутое владение Python
Курс по продвинутому программированию на Python, основанный на упражнениях, который был протестирован несколько сотен раз в рамках корпоративного обучения на протяжении более десяти лет.
✍️ Как Netflix выполняет отказоустойчивость всего за 7 минут
Netflix сократил время, необходимое для реагирования на сбой, с 45 минут до семи без каких-либо дополнительных затрат. В этой статье рассказывается о том, как они осуществляют горячую замену процессов и резервируют вычислительное время, чтобы обеспечить быстрое реагирование на сбои.
✍️ Вкус итерации в Python
Любой объект, реализующий интерфейс итератора, можно использовать в цикле for, но как это работает? В этой статье показано, как используется протокол итератора и как можно писать собственные совместимые объекты.
✍️ Практическое руководство по метапрограммированию в Python
Эта статья представляет собой общий обзор различных типов метапрограммирования, доступных в Python, включая декораторы, метаклассы, встроенные ключевые слова самоанализа и динамическую генерацию кода.
✍️ Практическое руководство по метапрограммированию в Python
Эта статья представляет собой общий обзор различных типов метапрограммирования, доступных в Python, включая декораторы, метаклассы, встроенные ключевые слова самоанализа и динамическую генерацию кода.
GitHub
GitHub - dabeaz-course/python-mastery: Advanced Python Mastery (course by @dabeaz)
Advanced Python Mastery (course by @dabeaz). Contribute to dabeaz-course/python-mastery development by creating an account on GitHub.
🔥3
Что такое нормализация данных и зачем она нам нужна?
Нормализация данных — очень важный этап предварительной обработки, используемый для изменения масштаба значений, чтобы они соответствовали определенному диапазону, чтобы обеспечить лучшую сходимость во время обратного распространения ошибки. В общем случае она сводится к вычитанию среднего значения и делению на стандартное отклонение.
Если этого не сделать, некоторые признаки будут иметь более высокий вес в функции стоимости. Нормализация позволяет сделать все признаки одинаково взвешенными.
#вопросы_с_собеседований
Нормализация данных — очень важный этап предварительной обработки, используемый для изменения масштаба значений, чтобы они соответствовали определенному диапазону, чтобы обеспечить лучшую сходимость во время обратного распространения ошибки. В общем случае она сводится к вычитанию среднего значения и делению на стандартное отклонение.
Если этого не сделать, некоторые признаки будут иметь более высокий вес в функции стоимости. Нормализация позволяет сделать все признаки одинаково взвешенными.
#вопросы_с_собеседований
👍2🔥1
Задача:
Из 1 000 пылесосов 380 принадлежат к 1 партии, 270 – ко второй партии,
остальные к третьей. В первой партии 4% брака, во второй - 3%, в третьей – 6%. Наудачу выбирается один пылесос. Определите вероятность того, что выбранный пылесос – бракованный.
Отправляйте решения, сегодня в 18:00 опубликуем верный ответ!
Из 1 000 пылесосов 380 принадлежат к 1 партии, 270 – ко второй партии,
остальные к третьей. В первой партии 4% брака, во второй - 3%, в третьей – 6%. Наудачу выбирается один пылесос. Определите вероятность того, что выбранный пылесос – бракованный.
Отправляйте решения, сегодня в 18:00 опубликуем верный ответ!
👍4
Решение:
Введем полную группу независимых гипотез:
Hi = (Пылесос принадлежат i -ой партии), i =1,2,3 .
Найдем вероятности гипотез по классическому определению вероятностей. Всего пылесосов 1 000, из них 1-ой партии принадлежат 380, то есть
P(H1)= 380/1 000= 0,38, 2-й партии принадлежат 270, то есть P(H2)= 270/ 1 000= 0,27, остальные 1 000-380-2700= 350 пылесосов принадлежат 3-ей партии, поэтому P(H3)= 350/1 000= 0,35
Введем событие A = (Пылесос бракованный). По условию даны априорные вероятности: P(A| H1)= 0,04, P(A|H2)= 0,03, P(A|H3) = 0,06
Вероятность события A найдем по формуле полной вероятности:
P(A)= P(A|H1)P(H1) + P (A|H2)P(H2)+P(A|H3)P(H3)= 0,38*0,04+0,27*0,03+0,35*0,06 0,0443.
ОТВЕТ. 0,0443 (или 4,43%)
Введем полную группу независимых гипотез:
Hi = (Пылесос принадлежат i -ой партии), i =1,2,3 .
Найдем вероятности гипотез по классическому определению вероятностей. Всего пылесосов 1 000, из них 1-ой партии принадлежат 380, то есть
P(H1)= 380/1 000= 0,38, 2-й партии принадлежат 270, то есть P(H2)= 270/ 1 000= 0,27, остальные 1 000-380-2700= 350 пылесосов принадлежат 3-ей партии, поэтому P(H3)= 350/1 000= 0,35
Введем событие A = (Пылесос бракованный). По условию даны априорные вероятности: P(A| H1)= 0,04, P(A|H2)= 0,03, P(A|H3) = 0,06
Вероятность события A найдем по формуле полной вероятности:
P(A)= P(A|H1)P(H1) + P (A|H2)P(H2)+P(A|H3)P(H3)= 0,38*0,04+0,27*0,03+0,35*0,06 0,0443.
ОТВЕТ. 0,0443 (или 4,43%)
👍1
Мы в эфире! Подключайтесь – https://www.youtube.com/watch?v=xOQ2LidDEVo
План на сегодня такой:
▪️ Понятие NP-трудных задач
▪️ Реальные примеры NP-трудных задач
▪️ Экзотические задачи, связанные с числами Рамсея
▪️ Переход от постановки задачи к программированию
И много много практики!
План на сегодня такой:
▪️ Понятие NP-трудных задач
▪️ Реальные примеры NP-трудных задач
▪️ Экзотические задачи, связанные с числами Рамсея
▪️ Переход от постановки задачи к программированию
И много много практики!
👍3
Были вчера на вебинаре про NP-задачи?
Anonymous Poll
27%
Да
44%
Нет, но посмотрю в записи
29%
Нет, смотреть не планирую
Если да, был ли вам полезен вебинар?
Anonymous Poll
39%
Да, было очень полезно
16%
Интересно, но слишком сложно для меня
3%
Что-то узнал, но большинство было мне известно
3%
Нет, слишком просто для меня
39%
Хочу увидеть результаты
👍1
NP_трудные_задачи_почему_их_плохо_решают_3.pdf
3.5 MB
🔥 Запись вебинара «NP-трудные задачи: почему их плохо решают» – https://www.youtube.com/watch?v=xOQ2LidDEVo
Если у вас будет вопрос, на который Дмитрий не ответил на эфире, пишите здесь, мы все передадим👌
Запись будет доступна к просмотру еще неделю!
Также на вебинаре просили приложить отдельно презентацию, ловите, это для вас🙌🏻
Если у вас будет вопрос, на который Дмитрий не ответил на эфире, пишите здесь, мы все передадим👌
Запись будет доступна к просмотру еще неделю!
Также на вебинаре просили приложить отдельно презентацию, ловите, это для вас🙌🏻
🔥2
📚Задача про книжные страницы
Книга содержит N страниц, которые пронумерованы стандартно: от 1 до N. Если сложить количество цифр (не сами числа), что содержатся в каждом номере страницы, выйдет 1095. Так сколько в книге страниц?
–––––––––––––––––––––––––––––––––
Так как у нас еще ни разу не было такого, чтобы наши подписчики не справились с задачей, ответ будем публиковать от первого верно ответившего человека в комментариях)
Книга содержит N страниц, которые пронумерованы стандартно: от 1 до N. Если сложить количество цифр (не сами числа), что содержатся в каждом номере страницы, выйдет 1095. Так сколько в книге страниц?
–––––––––––––––––––––––––––––––––
Так как у нас еще ни разу не было такого, чтобы наши подписчики не справились с задачей, ответ будем публиковать от первого верно ответившего человека в комментариях)
🤔2
Вот и верный ответ🔥
Кстати, если у вас есть интересные задачки, которые вы решали в последнее время, присылайте в комментарии)
Кстати, если у вас есть интересные задачки, которые вы решали в последнее время, присылайте в комментарии)