Математика Дата Саентиста / Data science

🧠 Математика, красота и истина в эпоху ИИ Когда-то математическое доказательство считалось вершиной человеческой логики и элегантности. Но ИИ меняет даже это. В статье исследуется, как ИИ трансформирует подходы к математике: 🔹 ИИ создает доказательства — не просто перебором, а находя закономерности, генерируя гипотезы и даже формируя контрпримеры. 🔹 Модели уровня DeepMind уже выигрывают медали на Международной математической олимпиаде. 🔹 Красота и элегантность в доказательствах теперь оцениваются не только людьми — ИИ начинает создавать новые формы "математической эстетики". > “Они разрушают те границы, которые я считал непреодолимыми” > — Эндрю Грэнвилл, математик ⚖️ Дискуссия: если ИИ способен доказать теорему, но человек не может это понять — считается ли это «знанием»? 📌 Полный текст #искусственныйинтеллект #математика #ChatGPT #DeepMind #LLM #AI #наука

✔️ Y Combinator назвал главные тренды лета 2025 для стартапов. Y Combinator сделал ставку на ИИ-агентов, способных переосмыслить целые индустрии. Вместо точечных решений, основателям советуют создавать «полноценные ИИ-компании» - например, запускать собственные юридические бюро с ИИ-юристами вместо сотрудников. Такой подход позволяет обойти медлительных конкурентов, предлагая клиентам более дешевые и эффективные сервисы. Особый интерес к автоматизации рутины: персональные ассистенты, которые не просто напоминают о задачах, а самостоятельно отвечают на письма, планируют встречи и имитируют стиль общения пользователя. Y Combinator верит: будущее за командами, которые не просто внедряют ИИ, а перестраивают рынки с нуля, как это сделали Airbnb или Stripe. ycombinator.com ✔️ ИИ помог создать синтетические ДНК-усилители для контроля генной экспрессии. Ученые из Центра геномной регуляции в Барселоне впервые применили генеративный ИИ для проектирования синтетических молекул ДНК, способных управлять активностью генов в здоровых клетках млекопитающих. Модель, обученная на данных тысяч экспериментов, генерирует последовательности «с нуля», задавая критерии. В качестве теста создали фрагменты ДНК, активирующие ген флуоресцентного белка в клетках крови мышей. Результаты совпали с прогнозами: синтетические усилители генной активности работали как «переключатели» в зависимости от типа клеток. Исследование открывает путь к персонализированным методам коррекции генов. По словам авторов, это похоже на «написание софта для биологии», где каждая инструкция для клетки становится программируемой. technologynetworks.com ✔️ OpenAI запускает HealthBench. OpenAI представила HealthBench - бенчмарк для тестирования ИИ-систем в сфере здравоохранения. Разработанный при участии 262 врачей из 60 стран, он включает 5000 реалистичных диалогов, имитирующих общение пациентов и медиков. Каждый сценарий оценивается по индивидуальным критериям, созданным экспертами: точность данных или ясность ответов. Всего в бенчмарке 48 562 параметра оценки, что позволяет глубоко анализировать работу моделей. Особый упор сделан на надежность: даже один ошибочный ответ в медицине критичен. HealthBench включает подборки сложных кейсов (HealthBench Hard), где современные ИИ еще отстают. Все данные и методики уже доступны в GitHub-репозитории OpenAI . openai.com ✔️ Google запускает фонд для стартапов. Google анонсировала AI Futures Fund — программу для поддержки ИИ-стартапов. Участники получат ранний доступ к моделям DeepMind (Gemini, Imagen и Veo). Кроме технологий, стартапы смогут консультироваться с инженерами и исследователями Google, а также получат облачные кредиты для обучения и масштабирования решений. Уже сейчас с фондом работают проекты из разных сфер: индийский Toonsutra внедряет Gemini для перевода комиксов, Viggle экспериментирует с генерацией мемов, а платформа Rooms тестирует интерактивные 3D-пространства. Программа открыта для стартапов из регионов, где доступен Gemini. Подать заявку можно на сайте фонда. Участники смогут претендовать не только на технические ресурсы, но и на прямые инвестиции от Google. blog.google ✔️ Поддельные ИИ-инструменты распространяют стиллер Noodlophile. Злоумышленники активно используют популяризацию ИИ для распространения вредоносного стиллера Noodlophile, маскируя атаки под сервисы для генерации видео и изображений. Как сообщает Morphisec, фейковые страницы Luma Dreammachine Al и CapCut AI рекламируются через соцсети, собирая до 62 000 просмотров на пост. Пользователям предлагают скачать «ИИ-софт», но вместо этого загружается ZIP-архив с исполняемым exe-файлом. Запуск файла активирует легитимный CapCut.exe, который загружает .NET-лоадер CapCutLoader. Тот, в свою очередь, запускает Python-скрипт, устанавливающий Noodlophile Stealer. Вредонос крадет пароли, данные кошельков и другую информацию, а в некоторых случаях дополняется трояном XWorm для удаленного доступа. Эксперты напоминают: атаки через ИИ-технологии стали трендом. Осторожность — лучшая защита. thehackernews.com @ai_machinelearning_big_data #news #ai #ml

Почему нужно популяризировать математику? Этот вопрос стал ключевым в разговоре ректора университета «Иннополис» Александра Гасникова и руководителя департамента анализа данных и моделирования ВТБ Дениса Суржко в подкасте «Деньги любят техно». В этом сезоне подкаст стал философским и визионерским: гости говорят не только о технологических решениях, но и о смыслах, которые стоят за ними. Александр Гасников — молодой современный ученый, который перешел на позицию руководителя университета и занялся административной деятельностью. И о том, как отличаются две эти роли, он вполне подробно рассказал в выпуске. А еще в подкасте: какие задачи стоят перед современными техническими вузами, почему подготовка молодых кадров должна стать приоритетом, какие навыки требуются в науке и в работе на коммерческие компании и в целом куда ведёт нас развитие ИИ. Абсолютно точно полезно послушать всем. Видеоверсия доступна здесь Аудиоверсия — на любой удобной платформе

🧠 Задача для дата-сайентистов: "Невидимая переменная" У вас есть датафрейм с результатами тестирования модели A/B:

    
        
| user_id | group | conversion_rate |
|---------|--------|-----------------|
| 1001    | A      | 0               |
| 1002    | A      | 1               |
| 1003    | B      | 0               |
| 1004    | B      | 1               |
| ...     | ...    | ...             |
{}
    

По результатам A/B теста кажется, что разницы между группами нет. Вы проверили chi-squared test и Mann-Whitney — тоже ничего. 🧩 Однако ваш коллега утверждает, что в данных явно зарыта сильная зависимость, которую можно выявить, если «включить голову». --- 🔍 Вопрос: Какой скрытый фактор мог полностью «маскировать» эффект от теста и как его можно вычислить, даже если он отсутствует в таблице напрямую? 💡 Подсказка: данные собирались в течение 30 дней, но колонка с датой/временем была потеряна при сохранении. Однако user_id — это не случайное число. 🎯 Что нужно сделать: 1. 🧠 Предположить, что user_id содержит зашумлённую информацию о времени регистрации (например, ID выдаются монотонно) 2. 🧮 Смоделировать зависимость результата от user_id и проверить, не является ли тест несбалансированным по времени 3. 📈 Построить метрику на основе сгруппированных окон по user_id и визуализировать смещение между группами A и B 🎯 Ключевая идея решения: Хотя колонка с датой была потеряна, можно сделать разумное предположение: 🔸 `user_id` назначается **монотонно**, т.е. пользователи с меньшими ID пришли раньше. Если эксперимент длился 30 дней, а пользователи приходили неравномерно, то: - группа A могла доминировать в начале - группа B — в конце 📉 А что, если в эти периоды поведение пользователей менялось? Например, была акция, баг, праздник? 🔍 **Решение: как восстановить эффект** 1. 🟤 Добавим к данным колонку `bucket = user_id // 100`, чтобы разбить пользователей на условные "временные окна" 2. 🟤 Для каждого `bucket` считаем среднюю `conversion_rate` отдельно по группам A и B 3. 🟤 Строим график `conversion_A - conversion_B` по bucket Если кривая скачет — тест **несбалансирован по времени** и глобальное сравнение групп вводит в заблуждение.

⚡️Создаём свою нейросеть в PyTorch Хотите быстро разобраться в PyTorch и написать свою нейросеть? Мы подготовили для вас вебинар, где на практике разберём все этапы создания ML-модели. Вебинар проведет Владислав Агафонов — ML-инженер, ранее работал в Yandex и Huawei. Что будет на вебинаре? 🟠Установим PyTorch в Google Colab и настроим работу на бесплатном GPU; 🟠Поймём, что такое тензоры и почему они — фундамент всех нейросетей; 🟠Скачаем готовый датасет, разберём его структуру и подготовим для обучения; 🟠Научимся использовать DataLoader для эффективной загрузки данных; 🟠Пошагово соберём облегчённую версию классической свёрточной нейронной сети (CNN); 🟠Обучим и протестируем модель. 🕗 Встречаемся 14 мая в 18:30 по МСК, будет много практики, ответы на вопросы и полезные инсайты от эксперта. 😶Зарегистрироваться на бесплатный вебинар

🕳️ Учёные предложили, что у света может быть «тёмная» сторона — и это может перевернуть физику, которую мы знаем уже 100 лет. 🧪 Что произошло Всем известен школьный опыт: если пропустить свет через две щели, на экране появляется рисунок из светлых и тёмных полос. Это считалось главным доказательством того, что свет ведёт себя как волна. Но команда немецких учёных из Института Макса Планка говорит: 👉 может быть, это вовсе не волны, а особое квантовое поведение частиц света — фотонов. 👻 Что такое «тёмный фотон»? По их теории, фотоны бывают двух типов: Яркие фотоны — те, которые мы видим и которые фиксирует прибор Тёмные фотоны — невидимые, не взаимодействуют с миром напрямую, но могут менять поведение ярких фотонов 🧠 Представь, что кто-то невидимый толкает шарик на столе — ты не видишь «того, кто толкнул», но видишь, как шарик катится. Вот так же и тёмные фотоны: они не видны, но влияют на результат. 🔍 Почему это важно Если теория верна, то: Мы можем переосмыслить природу света: возможно, он не волна, а чисто частица Это убирает загадку: «как один фотон проходит через две щели сразу?» Это может повлиять на квантовые технологии и объяснить эффекты, которые раньше казались странными 📌 Пока это теория, но она уже вызвала обсуждения в мире науки. Если она подтвердится — нам придётся по-новому смотреть на то, как устроен свет и квантовая физика. 🔗 Подробнее — в статье New Scientist

🎲 Задача с подвохом: Монетки и ошибка интуиции Условие: У вас есть две монеты: • Монета A: честная, вероятность выпадения орла = 50% • Монета B: нечестная, у неё две стороны с орлами (орёл всегда выпадает) Вы случайным образом выбираете одну монету (с вероятностью 50% каждая) и подбрасываете её один раз. Выпадает орёл. ❓ Вопрос: Какова вероятность того, что вы выбрали нечестную монету (Монета B)? 🔍 Разбор: На первый взгляд многие отвечают: «Мы выбрали монету случайно, значит вероятность всё ещё 50%». Но это ловушка! Нам нужно пересчитать вероятность с учётом того, что выпал орёл. Это задача по формуле Байеса. 🧮 Обозначения: • A: выбрана честная монета • B: выбрана нечестная монета • O: выпал орёл Мы ищем вероятность: P(B | O) — вероятность того, что выбрана Монета B, если мы увидели орла. 1️⃣ Запишем известные вероятности: • P(A) = 0.5 • P(B) = 0.5 • P(O | A) = 0.5 (честная монета) • P(O | 😎 = 1 (нечестная монета) 2️⃣ Применяем формулу Байеса: P(B | O) = (P(O | 😎 * P(B)) / (P(O | A) * P(A) + P(O | 😎 * P(B)) Подставляем значения: = (1 * 0.5) / (0.5 * 0.5 + 1 * 0.5) = 0.5 / (0.25 + 0.5) = 0.5 / 0.75 ≈ 0.6667 ✅ **Ответ:** Вероятность того, что выбрана нечестная монета после выпадения орла, составляет примерно 66,7%. 💥 **Подвох:** Интуитивно кажется, что выбор монеты не зависит от результата подбрасывания, но дополнительная информация (факт выпадения орла) меняет распределение вероятностей. Это классический пример условной вероятности. 🧠 **Почему это важно для Data Science:** • Обновление вероятностей при поступлении новых данных — ключевой навык для Байесовских моделей • Ошибки интуиции часто встречаются при работе с вероятностями в задачах диагностики, фрод-аналитики и рекомендаций • Глубокое понимание условной вероятности помогает строить более точные и надёжные модели

Московские математические олимпиады 1993—2005 Под редакцией В. М. Тихомирова В книге собраны задачи Московских математических олимпиад 1993— 2005 г. с ответами, указаниями и подробными решениями. В дополнениях приведены основные факты, используемые в решении олимпиадных задач, и избранные задачи Московских математических олимпиад 1937—1992 г. Все задачи в том или ином смысле нестандартные. Их решение требует смекалки, сообразительности, а иногда и многочасовых размышлений. Книга предназначена для учителей математики, руководителей кружков, школьников старших классов, студентов педагогических специальностей. Книга будет интересна всем любителям красивых математических задач.

🖥 Задача: "Оптимизация вероятности успеха в стохастической системе" 📌 Условие: Вы работаете над системой, где каждый эксперимент (тест, запуск модели, продукт) может быть успешным или неуспешным. Результат одного запуска — 1 (успех) или 0 (провал). Известно: - Вероятность успеха одного эксперимента — неизвестна, обозначим её как p. - У вас есть N исторических наблюдений: x1, x2, ..., xN, где каждое xi равно 0 или 1. Вопросы: 1. Построить оценку вероятности успеха p и доверительный интервал на уровне 95%. 2. Рассчитать, сколько экспериментов нужно запустить, чтобы вероятность выхода в прибыль была выше 95%, учитывая: - стоимость одного запуска C; - прибыль от одного успешного эксперимента R. --- ▪️ Подсказки: - Для оценки p используйте биномиальную модель. - Для доверительного интервала: - Можно использовать нормальное приближение (если выборка большая), - Или Wilson-интервал для аккуратности. --- ▪️ Что оценивается: - Правильная работа с вероятностями и доверием. - Способность адекватно аппроксимировать биномиальные распределения. - Чистота и практичность вычислений. --- ▪️ Разбор возможного решения: ▪️ 1. Оценка вероятности успеха:

    
        
# p_hat - оценка вероятности успеха
p_hat = sum(xi_list) / N
{}
    

где xi_list — список из 0 и 1 (результаты экспериментов). ▪️ 2. Доверительный интервал через нормальное приближение:

    
        
import math
z = 1.96  # для 95% доверия
std_error = math.sqrt(p_hat * (1 - p_hat) / N)
lower_bound = p_hat - z * std_error
upper_bound = p_hat + z * std_error
{}
    

▪️ 3. Wilson-интервал (более аккуратный):

    
        
z = 1.96  # для 95% доверия
center = (p_hat + z**2 / (2 * N)) / (1 + z**2 / N)
margin = (z * math.sqrt((p_hat * (1 - p_hat) / N) + (z**2 / (4 * N**2)))) / (1 + z**2 / N)
lower_bound = center - margin
upper_bound = center + margin
{}
    

--- ▪️ 4. Прибыльность эксперимента: Формула прибыли при n экспериментах:

    
        
profit = successes * R - n * C
{}
    

Требуется:

    
        
P(profit > 0) >= 0.95
{}
    

Число успехов должно быть больше определённой границы:

    
        
min_successes = (n * C) / R
{}
    

Если n велико, количество успехов приближается к нормальному распределению:

    
        
mean_successes = n * p_hat
std_successes = math.sqrt(n * p_hat * (1 - p_hat))
{}
    

Для нормального приближения можно написать:

    
        
# Вероятность успешности через нормальное распределение
from scipy.stats import norm

# Вероятность, что количество успехов больше нужного
prob = 1 - norm.cdf(min_successes, loc=mean_successes, scale=std_successes)
{}
    

Тогда перебором или через уравнение ищем минимальное n, чтобы prob >= 0.95. --- ▪️ Возможные подводные камни: - Нельзя использовать нормальное приближение при малом N — нужна биномиальная модель. - Неверное задание границ доверительного интервала может привести к неправильной стратегии запуска. - Плохое понимание соотношения C и R приводит к ошибочным выводам об окупаемости. --- 📌Дополнительные вопросы: - Как бы вы учли, что прибыль от успеха — случайная величина? - Как пересчитать стратегии, если вероятность успеха зависит от времени (`p = f(t)`)? - Как применить байесовский апдейт для оценки вероятности успеха? ---

⚡️Легкий способ получать свежие обновления и следить за трендами в разработке на вашем языке. Находите свой стек и подписывайтесь: Python: t.me/pythonl Linux: t.me/linuxacademiya Собеседования DS: t.me/machinelearning_interview Нерйросети t.me/ai_machinelearning_big_data C++ t.me/cpluspluc Docker: t.me/DevopsDocker Хакинг: t.me/linuxkalii Devops: t.me/DevOPSitsec Data Science: t.me/data_analysis_ml Javascript: t.me/javascriptv C#: t.me/csharp_ci Java: t.me/javatg Базы данных: t.me/sqlhub Python собеседования: t.me/python_job_interview Мобильная разработка: t.me/mobdevelop Golang: t.me/Golang_google React: t.me/react_tg Rust: t.me/rust_code ИИ: t.me/vistehno PHP: t.me/phpshka Android: t.me/android_its Frontend: t.me/front Big Data: t.me/bigdatai МАТЕМАТИКА: t.me/data_math Kubernets: t.me/kubernetc Разработка игр: https://t.me/gamedev Haskell: t.me/haskell_tg Физика: t.me/fizmat 💼 Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy Папка FRONTEND: https://t.me/addlist/mzMMG3RPZhY2M2Iy 😆ИТ-Мемы: t.me/memes_prog 🇬🇧Английский: t.me/english_forprogrammers 🧠ИИ: t.me/vistehno 🎓954ГБ ОПЕНСОРС КУРСОВ: @courses 📕Ит-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy