Горячее
Лучшее
Свежее
Подписки
Сообщества
Блоги
Эксперты
Войти
Забыли пароль?
или продолжите с
Создать аккаунт
Я хочу получать рассылки с лучшими постами за неделю
или
Восстановление пароля
Восстановление пароля
Получить код в Telegram
Войти с Яндекс ID Войти через VK ID
Создавая аккаунт, я соглашаюсь с правилами Пикабу и даю согласие на обработку персональных данных.
ПромокодыРаботаКурсыРекламаИгрыПополнение Steam
Пикабу Игры +1000 бесплатных онлайн игр
Веселая аркада с Печенькой для новогоднего настроения. Объезжайте препятствия, а подарки, варежки, конфеты и прочие приятности не объезжайте: они помогут набрать очки и установить новый рекорд.

Сноуборд

Спорт, Аркады, На ловкость

Играть

Топ прошлой недели

  • Oskanov Oskanov 8 постов
  • alekseyJHL alekseyJHL 6 постов
  • XpyMy XpyMy 1 пост
Посмотреть весь топ

Лучшие посты недели

Рассылка Пикабу: отправляем самые рейтинговые материалы за 7 дней 🔥

Нажимая кнопку «Подписаться на рассылку», я соглашаюсь с Правилами Пикабу и даю согласие на обработку персональных данных.

Спасибо, что подписались!
Пожалуйста, проверьте почту 😊

Новости Пикабу Помощь Кодекс Пикабу Реклама О компании
Команда Пикабу Награды Контакты О проекте Зал славы
Промокоды Скидки Работа Курсы Блоги
Купоны Biggeek Купоны AliExpress Купоны М.Видео Купоны YandexTravel Купоны Lamoda
Мобильное приложение

Data Science

С этим тегом используют

IT Программирование Машинное обучение Обучение Python Аналитика Искусственный интеллект Все
119 постов сначала свежее
11
Tony23
2 года назад
Евровидение

О чем поёт Европа: 20 лет Евровидения в одной картинке⁠⁠

На картинке - самые часто употребляемые слова всех песен Евровидения с 2003 года до настоящего момента (включая полуфиналы). Более подробная статистика и интересные факты ниже.

О чем поёт Европа: 20 лет Евровидения в одной картинке Евровидение, Песня, Музыка, Data Science, Python, Европа, Длиннопост

Чем крупнее слово, тем чаще оно произносится. Повторения слов в одной песне тоже учитывалось. То есть если в одном выступлении слово GIVE произносится 20 раз, то это 20 раз и в статистике. Получаем следующее:
Слово LOVE поют 1605 раз, KNOW - 888 раз, LIKE - 836, GO - 740, NEVER - 651

Из общей выборки слов убраны почти все местоимения, артикли и т.п., но если их тоже включать, то c минимальной разницей между друг-другом лидерами становятся:
YOU - 5382 раза
I - 5387 раз

Чтобы сильно не засорять результат, я выбрал песни только на английском языке, но давайте посмотрим на все языки конкурса. Всего с 2003 года на Евровидении было отправлено 830 песен:
1. Английский язык использовался 638 раз
2. Французский - 31 раз
3. Испанский - 27 раз
4. Итальянский - 24 раза
5. Португальский -18 раз
6. Сербский - 16 раз
На русском языке пели 10 раз, на украинском 8 раз, а на белорусском всего два раза (один из которых был в 2020 году, когда конкурс отменили из-за COVID).

Из 19 победителей (кроме 2020 года) победная песня НЕ на английском языке была:
2007 - Сербия
2017 - Португалия
2021 - Италия
2022 - Украина
Также в 2021 году из топ 5 песен финала 4 были НЕ на английском языке. Интересный факт, что за этот период трижды звучала композиция на несуществующем языке. В 2003 году Бельгия даже заняла второе место с такой песней.

Несильно, но всё же ситуация поменяется, если показать самые популярные слова среди только песен-победителей, включая их родные языки:

О чем поёт Европа: 20 лет Евровидения в одной картинке Евровидение, Песня, Музыка, Data Science, Python, Европа, Длиннопост

В заключение хочу сказать, что я собрал собственную базу данных по Евровидению и планирую выпускать в этом сообществе посты с интересными фактами и закономерностями Евровидения. Например, один из ближайших постов будет про статистическое обоснование титула "Конкурс фриков", так ли часто соседние страны ставят друг-другу балы, влияет ли цвет, тональность и количество ударов в минуту на окончательное место страны и прочие интересные вещи. Принимаю любые пожелания и заявки) Вероятно даже попробую скормить генеративной нейросети все 830 песен и она попробует написать идеальную для Евровидения песню, хотя такое уже пытались сделать.

Показать полностью 2
[моё] Евровидение Песня Музыка Data Science Python Европа Длиннопост
6
Lifehack
Lifehack
2 года назад
Life-Hack [Жизнь-Взлом]/Хакинг

Топ 3 бесплатных инструментов работающих в России для создания и обучения нейронных сетей⁠⁠

Делимся с вами подборкой бесплатных нейросетей, которые работают и не заблокированы в России. Если вы увлечены искусственным интеллектом и интересуетесь его применением в различных областях, то эти инструменты обязательно понравятся вам.

TensorFlow - это открытая платформа глубокого обучения, разработанная командой Google. Она предлагает широкий спектр инструментов и библиотек для создания и обучения нейронных сетей. TensorFlow доступен бесплатно и не имеет ограничений в России. Он является одним из наиболее популярных фреймворков для разработки искусственного интеллекта.

PyTorch - это еще один популярный фреймворк глубокого обучения, который также доступен бесплатно и не заблокирован в России. Он разработан командой Facebook и предлагает удобный интерфейс для создания и обучения нейронных сетей. PyTorch также позволяет легко визуализировать и анализировать результаты обучения моделей.

Keras - это высокоуровневый фреймворк глубокого обучения, который является частью библиотеки TensorFlow. Он предлагает простой и интуитивно понятный интерфейс для создания нейронных сетей. Keras позволяет быстро прототипировать модели и имеет обширную документацию и сообщество пользователей.

Мы в телеграме!

[моё] IT Программирование Искусственный интеллект Нейронные сети Data Science Google Текст
0
14
Shtorm.py
2 года назад
Программирование на python

Новая книга "Основы Python для Data Science" для начинающих⁠⁠

Новая книга "Основы Python для Data Science" для начинающих Python, IT, Питон, Data Science, Pygame, Длиннопост

Приветствую!

Язык Python является лучшим для Data Science и машинного обучение. Однако, трудно решить с чего начать изучение Python, ведь у него большой функционал. Кеннеди Берман(Автор) поможет вам улучшить все необходимые умение, которые помогут вам для решение задач в сфере Data Science.

Об авторе

Кеннеди Берман - опытный инженер-программист. У него есть множество книг и программ по обучению Python. На данный момент работает старшим специалистом в инженерии данных в компании Envestnet.

Содержания

Всего 15 глав. 272 страниц.

В первой главе вы познакомитесь с блокнотом Jupyter, Google Colab. Также научитесь работать с текстовыми ячейками Google Colab. Например форматирования текста в Google Colab:

Новая книга "Основы Python для Data Science" для начинающих Python, IT, Питон, Data Science, Pygame, Длиннопост

Создания списков:

Новая книга "Основы Python для Data Science" для начинающих Python, IT, Питон, Data Science, Pygame, Длиннопост

В Google Colab имеется одна ячейка. У нее есть два типа: текст или код. Вы можете использовать блокноты Google Colab для объяснения и демонстрации методов, концепций и рабочих процессов. Также в первой главе рассказывается о магических функция.

Новая книга "Основы Python для Data Science" для начинающих Python, IT, Питон, Data Science, Pygame, Длиннопост

В 2 главе вы узнаете про:
• Встроенные типы Python
• Операторы, Базовый математических операциях
• Операторы присваивание
• Операторы импорта
• Вывод данных

Оператор pass и del

Новая книга "Основы Python для Data Science" для начинающих Python, IT, Питон, Data Science, Pygame, Длиннопост

Дальше в 2 главе узнаете о операторах break, import, continue, nonlocal, return, raise, yield, и т.д

3 глава про:
•Общие операции с последовательностями.
•Списки и кортежи.
•Строки и строковые методы.
•Диапазоны.
Индексирование и слейсинг:

Новая книга "Основы Python для Data Science" для начинающих Python, IT, Питон, Data Science, Pygame, Длиннопост

Создание список и кортежей

Новая книга "Основы Python для Data Science" для начинающих Python, IT, Питон, Data Science, Pygame, Длиннопост

4 глава про:
• Создание словарей.
• Обновление словарей и получение доступа к их содержимому.
• Создание множеств.
• Операции над множествами.
Создание словарей:

Новая книга "Основы Python для Data Science" для начинающих Python, IT, Питон, Data Science, Pygame, Длиннопост

5 глава про:
• Знакомство с составными операторами.
• Операции проверки на равенство.
• Операции сравнения.
• Булевы операции.
• Операторы if.
• Циклы while.
• Циклы for.

6 глава про:
• Объявление функции.
• Строки документации.
• Позиционные и ключевые параметры.
• Параметры подстановочного знака.
• Операторы возврата.
• Область видимости.
• Декораторы.
• Анонимные функции.

7 глава про:
• Знакомство со сторонними библиотеками.
• Создание массивов NumPy.
• Индексация и слайсинг массивов.
• Фильтрация данных массива.
• Методы массива.
• Бродкастинг.

8 глава про:
• Математика с NumPy.
• Знакомство с SciPy.
• Подмодуль scipy.misc.
• Подмодуль scipy.special.
• Подмодуль scipy.stats.

9 глава про:
• Знакомство с датафреймами Pandas.
• Создание датафреймов.
• Интроспекция датафреймов.
• Получение доступа к данным.
• Управление датафреймами.
• Управление данными датафреймов.

10 глава про:
• Создание и оформление графиков с помощью инструмента matplotlib.
• Построение графиков с помощью библиотеки Seaborn и ее тем.
• Построение графиков с помощью библиотек Plotly и Bokeh.

11 глава про:
• Обзор популярных библиотек машинного обучения.
• Знакомство с библиотекой Scikit-learn
• Знакомство с процессом машинного обучения

12 глава про:
• Знакомство с пакетом NLTK.
• Доступ к образцам текста и их загрузка.
• Использование частотного распределения.
• Текстовые объекты.
•Классификация текста.

13 глава про:
• Знакомство с функциональным программированием.
• Состояние и область видимости.
• Функциональные функции.
• Списковые включения.
• Генераторы.

14 глава про:
• Связывание состояния и функции.
• Классы и объекты.
• Специальные функции.
• Наследование класса.

15 глава про:
• Сортировка списков.
• Чтение и запись файлов.
• Объекты datetime.
• Регулярные выражения.

Достоинства:
• После каждой главы есть вопросы связанный с кодом (для практики)
• Объясняется код, значение терминов

Цена
2000 руб. Поэтому оставляю ссылку на книгу в своем телеграмм канале https://t.me/pythonruu/34

Прощайте!

Показать полностью 8
Python IT Питон Data Science Pygame Длиннопост
5
102
RationalAnswer
RationalAnswer
Павел Комаровский об инвестициях и рациональности
Лига программистов
2 года назад

Что не так с IT-образованием в России, и как я пытаюсь это исправить уже более 10 лет⁠⁠

Привет, меня зовут Дима Ботов — я руковожу магистерской программой «Искусственный интеллект» в ИТМО, вообще же преподавательской деятельностью я занимаюсь уже более 10 лет. В этой статье я хотел обсудить наболевший для меня вопрос: почему текущая модель IT-образования работает совсем не так, как должна.

Что не так с IT-образованием в России, и как я пытаюсь это исправить уже более 10 лет Образование, Высшее образование, IT, Магистратура, Машинное обучение, Искусственный интеллект, Data Science, Программирование, Длиннопост

Вот тут я открываю Bootcamp по машинному обучению для магистрантов ИТМО в прошлом году (сорри за уравнения с силой тока на доске – это честно до меня написали!)

Примечание от Павла: Автором этой статьи является Дима Ботов – а я ему только немного помог добавить кринжовых мемов по ходу повествования. Надеюсь, они не испортят вам удовольствие от прочтения Диминой истории. :)

Почему я стал дата-саентистом

Давайте начнем с хорошей новости: я уверен, что специалисты по data science захватят мир! Ну или его захватит искусственный интеллект, который они разрабатывают — тут уж как повезет…

Вообще, я рад, что сел за эту статью только сейчас: еще полгода назад мне, возможно, пришлось бы подробно объяснять широкой публике, почему машинное обучение и искусственный интеллект (ИИ) — это круто. А сейчас, после того как ChatGPT (а вместе с ним DALL-E, Midjourney, и так далее) прогремел на весь мир, донести эту мысль уже попроще.

В свое время электричество и индустриализация вывели производительность труда на новый уровень, а в XXI веке этим новым толчком, похоже, станет ИИ и технологии больших данных.

Почему? Всё дело в экспоненциальном взрыве сложности и размеров самих нейронных сетей, а также наборов данных, на которых они обучаются — и этот количественный скачок удивительным образом переходит в качество на наших глазах. ИИ учится подражать эмоциональному интеллекту, синтез речи становится неотличим на слух от естественного (паузы, придыхания, эмоции — всё это уже решенная проблема), а дипфейки взрывают интернет-пространство.

Так что, дети, если хотите точно не иметь проблем с трудоустройством в будущем, то я бы на вашем месте присмотрелся к сфере машинного обучения. Таких спецов уже отрывают с руками, а в будущем их конкурентное преимущество на рынке труда будет только расти.

Что не так с IT-образованием в России, и как я пытаюсь это исправить уже более 10 лет Образование, Высшее образование, IT, Магистратура, Машинное обучение, Искусственный интеллект, Data Science, Программирование, Длиннопост

Кто-то, правда, считает, что слухи об отъеме работы нейросетями несколько преувеличены…

Что не так с IT-образованием

А теперь к плохой новости: текущая система образования просто не умеет массово готовить нужных бизнесу специалистов в этой области. Да, отдельные люди прокачивают себя сами и становятся успешными спецами, но иногда этот процесс происходит скорее параллельно традиционному образованию. Выделю несколько ключевых проблем с позиции моего преподавательского опыта и общения с бизнесом:

1. Классическое образование слишком ориентировано на теорию (причем зачастую на устаревшую теорию), а вот с переложением ее на практически полезные навыки часто возникают проблемы. Все же могут вспомнить тех преподавателей по компьютерным наукам из университета, которые очень интересно доносят до студентов важные знания — только вот основаны они на их опыте 20-летней давности… В сфере ИИ это особенно актуально: тут даже опубликованные в научном журнале свежие статьи могут быть несколько устаревшими, ведь за полгода цикла их публикации текущая передовая граница разработки, скорее всего, ушла далеко вперед.

Что не так с IT-образованием в России, и как я пытаюсь это исправить уже более 10 лет Образование, Высшее образование, IT, Магистратура, Машинное обучение, Искусственный интеллект, Data Science, Программирование, Длиннопост

Как говорится, «ставь лайк, если нашел баг — ретвит, если пришлось спрашивать у папы, что на картинке»

2. Отсюда, у студентов возникает дилемма — учить в универе «фундаментальные знания» и зарабатывать корочку, либо идти работать и получать практические навыки. В итоге, как правило, либо страдает что-то одно — либо, и то, и то одновременно. За 12 лет преподавания в высшей школе и общения со студентами, я всё время видел противостояние двух паттернов: в университете постоянно звучит посыл «надо вот это выучить, потом разберетесь зачем» (привет, матан!), а при выходе на настоящую работу в компанию вчерашний студент слышит «так, а сейчас просто забудьте всё, чему вас учили в университете — в реальной жизни всё работает иначе!».

Что не так с IT-образованием в России, и как я пытаюсь это исправить уже более 10 лет Образование, Высшее образование, IT, Магистратура, Машинное обучение, Искусственный интеллект, Data Science, Программирование, Длиннопост

3. Получается, что бизнесам с одной стороны не хватает Data Science-специалистов, а с другой — те, что всё-таки приходят, не соответствуют их требованиям. Так что компаниям приходится делать свои внутренние школы/курсы, чтобы «за руку» довести только выпустившихся специалистов до требующихся им стандартов — но это же как бы не их основное направление деятельности, верно? Для самых крупных компаний, вроде Яндекса или VK, этот подход еще может работать (просто потому, что у них море ресурсов на развитие собственных компетенций), но средние (и, тем более, мелкие) бизнесы просто не потянут ведение своего внутреннего корпоративного университета.

Мой квест по исправлению образования: студенческие годы

Моя бабушка учила детей математике в школе, папа тоже был преподавателем — так что, похоже, уход в образовательную тему был написан мне на роду.

Что не так с IT-образованием в России, и как я пытаюсь это исправить уже более 10 лет Образование, Высшее образование, IT, Магистратура, Машинное обучение, Искусственный интеллект, Data Science, Программирование, Длиннопост

На фото моя бабушка обучает советских школьников матану (ну ок, только основам матанализа, конечно…)

Уже в универе (я учился в Челябинске в Южно-Уральском госуниверситете) у меня начали закрадываться крамольные мысли, что учебный план как будто бы сильно отстает от того, что на самом деле является востребованным на рынке труда. В нас, так называемых «инженеров-программистов для ЭВМ», пытались вложить тогда очень широкий спектр всего: от хардварного, аппаратного уровня электроники и схемотехники, через двоичный код, через микропроцессоры — до самого высокоуровневого программирования на С++ и создания веб-сайтов с приложениями.

При этом, когда к нам приехали ребята из екатеринбургской компании Naumen и почитали факультативы — выяснилось, что в реальном бизнесе разработка работает не совсем так, как нам представлялось «из-за парты».

Вдохновившись этим опытом, я решил на последнем курсе в 2009 году тоже сделать для однокурсников факультативный курс (совершенно бесплатный), посвященный языку JAVA. Почему Джава? Да всё просто: потому что тогда такие специалисты были очень востребованы на рынке.

Что не так с IT-образованием в России, и как я пытаюсь это исправить уже более 10 лет Образование, Высшее образование, IT, Магистратура, Машинное обучение, Искусственный интеллект, Data Science, Программирование, Длиннопост

Это молодая версия меня как раз ведет Джава-факультатив. Сорри за качество фото, айфоны в 2009-м в Челябинске были не очень распространены

Курс я провел, всё получилось отлично — дополнительно хорошо прокачался сам в теме (как говорил Фейнман: хочешь в чем-то разобраться — научи этому других!). Но всё-таки разрыва между теорией и практикой он не устранял — хотя бы потому, что у меня у самого на тот момент реального опыта продакшн-разработки и проектной работы не хватало.

Будучи удручен недостатком практического опыта, я рванул в индустрию — пошел работать тем, кого сейчас называют data-инженером (тогда это называлось «разработчик баз данных»), в энергосбытовую компанию. Параллельно с этим я оставался в аспирантуре и продолжал преподавать студентам отдельные курсы.

Что не так с IT-образованием в России, и как я пытаюсь это исправить уже более 10 лет Образование, Высшее образование, IT, Магистратура, Машинное обучение, Искусственный интеллект, Data Science, Программирование, Длиннопост

Это уже 2011-й год — посмотрите на мое лицо, полное энтузиазма от преподавания программирования в ЮУрГУ!

Кончилось всё это по классике: в индустрии я дошел до «ведущего инженера-программиста по БД», ну и, конечно же, бодро выгорел в процессе. Где-то в этом месте я понял, что мне всё же более интересно работать с людьми и помогать им развиваться, а не просто самому писать код.

Создание Института ИТ в ЧелГУ: верните мой 2014-й

И вот где-то тут (ближе к 2013—2014 годам) мне как раз предложили поработать в Челябинском госуниверситете в команде Андрея Мельникова, который тогда создавал внутри него Институт информационных технологий. Задача была непростая, но драйвовая: надо было с нуля сделать новый формат практического обучения студентов — мы прочесывали все доступные западные практики, изучали подход к обучению в британских и штатовских университетах, и так далее.

В итоге мы выбрали для себя формат проектного обучения и максимального вовлечения в преподавание практиков из индустрии. Мы старались сделать упор в обучении на такие штуки, как мозговой штурм, design thinking, совместное обсуждение командами проекта: когда задача преподавателя — это выступать не столько в роли «говорящей головы» и передатчика теории, сколько с позиции такого фасилитатора, который помогает командам самим внутри себя выработать правильные решения.

Что не так с IT-образованием в России, и как я пытаюсь это исправить уже более 10 лет Образование, Высшее образование, IT, Магистратура, Машинное обучение, Искусственный интеллект, Data Science, Программирование, Длиннопост

Здесь я, кажется, глубокомысленно смотрю вдаль - в светлое будущее Института ИТ в ЧелГУ, который планировался как плацдарм внедрения новейших подходов к обучению

К сожалению, большая часть преподавателей считает, что именно они знают, как надо правильно. Но это, на мой взгляд, тупиковая история — по крайней мере, в таких практических историях, как в IT. Она лишает студента возможности критически мыслить самостоятельно и развивать свои идеи. А то ведь всё равно в итоге преподаватель расскажет «как надо», и, вероятно, заставит переделывать под свое видение мира.

В рамках отрицания этой парадигмы мы и развивали наш Институт. Я тогда отвечал за всю академическую часть, за дизайн образовательных программ, учебных планов. Моей задачей было так подобрать преподавателей, чтобы около 90% профессиональных курсов вели именно практики из индустрии, а не штатные университетские ребята.

И нам в итоге удалось этого добиться: начиная с первого курса у нас читали реальные программисты, которые днем занимались разработкой, а вечером приходили обучать студентов. Это для меня было открытием: оказывается, на самом деле очень много крутых людей готовы тратить свое время на передачу опыта студентам — причем не столько за деньги, сколько за идею. (Надеюсь, никто из них из-за этого не выгорел!)

Но это всё еще не имело прямого отношения к машинному обучению, поэтому ниже будет о том, как я вкатился в него.

Первая магистратура по машинному обучению на Урале

Параллельно в аспирантуре я потихоньку занимался машинным обучением (тогда оно еще не было на слуху). Я занимался направлением Machine Learning, которое называется NLP (Natural Language Processing, обработка естественного языка) — к текущему моменту из этой ветки мы как раз получили все удивительные штуки вроде ChatGPT. А тогда я просто писал работу по анализу текстов вакансий с помощью нейросетки — чтобы понять на уровне семантики, какие навыки реально нужны работодателям от студентов, и сравнить с семантическим анализом образовательных программ университетов. По сути, искусственный интеллект мне говорил — какие университеты дают студентам котирующиеся на рынке труда знания, а какие — не очень.

Что не так с IT-образованием в России, и как я пытаюсь это исправить уже более 10 лет Образование, Высшее образование, IT, Магистратура, Машинное обучение, Искусственный интеллект, Data Science, Программирование, Длиннопост

В те времена Machine Learning был еще не в самом тренде, и этот мем был не так актуален, как сейчас

Где-то в это время (2015—2016 годы) мы стали глядеть на зарождающееся в Москве/Питере сообщество Open Data Science и решили — а чем мы на Урале хуже? Надо работать на опережение! Так что мы решили запускать в Челябинске свою магистратуру по машинному обучению, тогда она называлась «Data mining и интеллектуальный анализ данных».

Это была первая магистратура такого типа на Урале, и одна из первых в России по тематике машинного обучения. Мы тогда даже толком не понимали, в какие конкретно компании в регионе пойдут работать студенты — не было еще тогда местных бизнесов, которые в чистом виде специализировались на искусственном интеллекте и машинном обучении, этот рынок только формировался. Но мы были уверены, что у сферы огромный прикладной потенциал в бизнесе.

Как раз в процессе запуска магистратуры, я познакомился с ребятами из компании Napoleon IT и лично с их сооснователем — Павлом Подкорытовым. Мы тогда делали с ними совместный курс для студентов бакалавриата по разработке мобильных приложений под Android. Это сейчас каждая онлайн-школа обещает за полгода «вкатить тебя в айти», а тогда толковых курсов на эту тему было днем с огнем не найти.

Что не так с IT-образованием в России, и как я пытаюсь это исправить уже более 10 лет Образование, Высшее образование, IT, Магистратура, Машинное обучение, Искусственный интеллект, Data Science, Программирование, Длиннопост

Это мы с Пашей Подкорытовым рассказываем про наши совместные наполеоновские планы (сорри за каламбур!)

На выходе этого курса мотивация была не столько на зачетку — мотивация была в том, что лучшим ребятам пообещали оплачиваемую стажировку в Napoleon IT. И читали этот курс как раз реальные программисты и мобильные разработчики из компании, которые руками занимаются приложениями. Студентам в итоге очень зашло — битва за попадание в топ по рейтингу, чтобы оказаться на стажировке, местами вышла довольно накаленной.

Именно тогда я понял, что общепринятая схема оценивания студентов в баллах в зачетке – это прямо совсем не то, что реально нужно. Мы немного докрутили эту идею и пришли к тому, что лучший формат экзамена в случае IT-курсов – это формат собеседования, ну или защита проекта. То есть ты приходишь, показываешь свое портфолио, техлид проводит с тобой собеседование по направлению, и так далее.

2018: Уральская школа машинного обучения

Короче, уже тогда ко мне начало приходить понимание, что оптимальный формат IT-обучения — это что-то на пересечении между студентами и реальным бизнесом.

Где-то в это время мне предложили в крупной уральской телеком-компании стать руководителем отдела машинного обучения, с одной оговоркой — этого отдела тогда не было вообще, его надо было сделать с нуля. И мне совместно с ребятами из Napoleon IT пришла в голову идея сделать из этого в том числе образовательный проект — создать отдел как бы вместе со студентами и из студентов в том числе. Так родилась Уральская школа машинного обучения.

Мы набрали из более чем ста заявок 30 наиболее мотивированных ребят – и провели для них полностью бесплатный курс. За основу мы взяли материалы с курса машинного обучения от Open Data Science — в формате хабр-статей, домашек и видеозанятий. Так что вместо придумывания образовательного контента с нуля мы смогли больше усилий потратить на продумывание подачи и формата совместной работы со студентами.

В итоге у нас получился «перевернутый» формат обучения: лекций как таковых там не было — а теорию мы разбирали прямо на практике в ходе решения задач.

Что не так с IT-образованием в России, и как я пытаюсь это исправить уже более 10 лет Образование, Высшее образование, IT, Магистратура, Машинное обучение, Искусственный интеллект, Data Science, Программирование, Длиннопост

Вот такая вот тусовка у нас подобралась на первой защите проектов Уральской школы машинного обучения

И нам, и студентам, такой формат «зашел» — и мы потом проводили аналогичные запуски. Как раз на основе первых двух запусков Школы в течение 2018 года у меня сформировалось основное ядро коллектива в новоиспеченном отделе. Без Уральской школы ML я бы его просто не смог создать, потому что в регионе на рынке труда тогда в принципе не было достаточного числа специалистов по машинному обучению, из которых можно было сформировать команду — так что я ее сделал из вчерашних студентов.

Отдел в итоге развился до уровня реализации 15—20 проектов по компьютерному зрению: обработка текстов, построение диалоговых систем, предиктивная аналитика — полный набор!

А я в определенный момент опять устал от «корпоративной» жизни и меня потянуло сделать какой-нибудь стартап — свой проект, уже вне компании. У меня было чувство, что потенциал вот этих форматов обучения, построенных на сплаве бизнесовых задач и замотивированных студентов, точно не исчерпан проведенными Школами и магистратурой — это же были всего лишь «местечковые» проекты, а хотелось выходить с такими идеями на уровень всей страны. И обеспечивать путь не из нулевых ребят в джуны, а переходить уже на следующий уровнь — растить из джунов сильных мидлов (ведь, как все знают, именно они-то и нужны бизнесу больше всего).

Так родилась идея AI Talent Hub — проекта, который я развиваю и сейчас.

2021: AI Talent Hub как стартап, или как мы рожали идею

В 2021 году Павел Подкорытов позвал меня в питерский университет ИТМО, запускать там совместно с Napoleon IT специализацию «Компьютерное зрение» для магистрантов. Именно тогда мы познакомились с первым проректором ИТМО Дарьей Козловой — и она предложила мне сделать необычный формат: что-то вроде проектной магистратуры по правилам продакшена IT-компаний. Мне готовы были дать карт-бланш на любые новаторские идеи!

Что не так с IT-образованием в России, и как я пытаюсь это исправить уже более 10 лет Образование, Высшее образование, IT, Магистратура, Машинное обучение, Искусственный интеллект, Data Science, Программирование, Длиннопост

С Дарьей я фото в своем архиве не нашел, но вот мы в модном лектории ИТМО с его ректором — Владимиром Николаевичем Васильевым

И мы начали штурмовать эту историю — делать исследование и искать референсы, на базе которых можно сделать что-то передовое и интересное. Смотрели на то, как на Западе развивают стартап-сообщества; как ребята в Minerva University делают дизрапшен образования; как сейчас учат в Стэнфорде (Паша Подкорытов тогда на проекте Стэнфорда Future Talents как раз имел возможность вживую посмотреть на всю логику обучения и их подходов).

В общем, вдохновившись всеми этими подходами, мы и родили идею AI Talent Hub. С самого начала мы сформулировали своеобразный манифест — ключевые принципы, согласно которым должно строиться IT-обучение будущего:

1. Академическая свобода студента (выбор курсов под свои личные потребности и способности) и академическая свобода преподавателя (выбор форматов проведения курсов). Так называмая «суперэлективность» (супервыборность) курсов — каждый студент может составить себе полностью индивидуальный трек обучения из множества доступных курсов из разных областей ИИ и профессиональных направлений. И, вдобавок, выбрать интенсивность освоения курсов — за год, полтора или два года (в зависимости от загрузки).

2. Упор именно на практику через работу в реальных проектах в рамках рабочего процесса реальных IT-компаний. То есть, обучение заведомо должно быть не «академичным», а в первую очередь прикладным — с активным привлечением партнеров из бизнеса (которым, в итоге, и нужны все эти подготовленные специалисты). Ну и там уже получается, что нетворкинг и взаимодействие с профессионалам из индустрии становятся как бы основой образования (и, что не менее важно, основой передачи культуры).

3. Развитие продуктового мышления и инженерных навыков в условиях неопределенности. Это только в учебниках есть задача и есть ее итоговое понятное решение, которое нужно найти. А в реальном мире даже сама задача часто расплывчата, а решать ее как-то всё равно надо. Мы считаем, что и обучать спецов надо через погружение в реальные неформализованные бизнесовые потребности, в рамках полного цикла: от проработки идей и гипотез решения, до разработки в логике создания MVP (Minimum Viable Product — плясать от минимально жизнеспособного решения в сторону его постепенного усложнения).

Что не так с IT-образованием в России, и как я пытаюсь это исправить уже более 10 лет Образование, Высшее образование, IT, Магистратура, Машинное обучение, Искусственный интеллект, Data Science, Программирование, Длиннопост

Вообще, концепцию MVP, по-хорошему, можно начинать проходить на наглядных примерах еще примерно в начальной школе

2022: Что получилось на практике

По факту, AI Talent Hub сейчас работает примерно так:

  • Мы набираем самых талантливых ребят, у кого уже есть неплохой опыт в IT за плечами, на бесплатную магистратуру в рамках ИТМО.

  • Совместно с компаниями-партнерами (сейчас их более 12 — Huawei, МТС, Сбер, Яндекс Практикум и другие) составляем пул задач для так называемой «фабрики пилотных проектов».

  • Студенты в рамках проектной работы пытаются сделать реальные рабочие MVP под эти задачи совместно с экспертами и менторами из IT-компаний.

Что не так с IT-образованием в России, и как я пытаюсь это исправить уже более 10 лет Образование, Высшее образование, IT, Магистратура, Машинное обучение, Искусственный интеллект, Data Science, Программирование, Длиннопост

Финал Data Product Hack 2022 в ИТМО. Многие из этих ребят — это как раз наши магистранты AI Talent Hub

Наша ключевая компетенция как AI Talent Hub — в том, что у нас получается соединить бизнес и студентов таким образом, чтобы в процессе их взаимодействия случалась магия: чтобы и студенты обучались именно тем навыкам, которые нужнее всего на рынке труда, и бизнес видел для себя реальную отдачу (иначе зачем ему вписываться в это?) — в виде возможности потестировать свои рабочие гипотезы и новые идеи, а также получить доступ к замотивированным молодым спецам, многие из которых будут готовы потом пойти на работу в этот бизнес.

Проект уже успешно работает с прошлого года: на 2022 год мы получили (рекордные для ИТМО) почти 500 заявок на магистратуру, из которых отобрали для обучения примерно сотню студентов — сейчас они работают над проектами, привлекают под них гранты, активно взаимодействуют между собой в рамках хаба. Ну и не только между собой, на самом деле: существенная часть процесса обучения построена еще и на взаимодействии с менторами и экспертами из ODS, лидами и сеньорами из компаний-партнеров, с продактами и стейкхолдерами из реального бизнеса.

Что не так с IT-образованием в России, и как я пытаюсь это исправить уже более 10 лет Образование, Высшее образование, IT, Магистратура, Машинное обучение, Искусственный интеллект, Data Science, Программирование, Длиннопост

Первую встречу магистрантов с AI Talent Hub мы провели в формате тусовки в баре — просто потому, что мы можем, ну и вообще почему бы и нет?

Вообще, мы с самого начала сознательно решили делать упор именно на построение комьюнити и своеобразной «тусовки» амбициозных людей в индустрии. За счет того, что это магистерская программа, на ней встречаются самые разные люди — от вчерашних студентов-выпускников, до специалистов с солидным опытом в других индустриях, которые решили продолжить развитие своей карьеры в сфере Machine Learning/Artificial Intelligence.

А за счет тесного взаимодействия в рамках фабрики пилотных проектов с «заказчиками» от бизнеса, многие ребята сразу получают оффера уже на полноценную стажировку или работу в этих компаниях.

Что не так с IT-образованием в России, и как я пытаюсь это исправить уже более 10 лет Образование, Высшее образование, IT, Магистратура, Машинное обучение, Искусственный интеллект, Data Science, Программирование, Длиннопост

Попросил Женю, одного из студентов нашей магистратуры, описать свои ощущения от обучения

Если вы дочитали до сюда — то, подозреваю, что вы хотя бы частично разделяете или находите интересным наш подход к IT-образованию. Так что, если вы студент с интересом к Data Science — то welcome в наше онлайн-комьюнити (где мы анонсируем разные мероприятия вроде хакатонов), если вы джун-практик или просто окончили бакалавриат — то возможно вам будет интересно подумать в сторону нашей магистратуры (на следующий год у нас планируется аж 200 бюджетных мест, так что в случае прохождения отбора — учиться можно будет совершенно бесплатно), ну а представителей бизнеса с потребностью в ML-кадрах приглашаем тоже подключиться к образовательному процессу.

Что дальше?

В ближайшем будущем у нас стоит основная цель по масштабированию нашего подхода к IT-образованию: мы хотим набрать на обучение 700 магистрантов в 2023—2024 годах.

Но вообще, у меня есть более общая и долгосрочная мечта — это помочь осуществить глобальное изменение в подходе к образованию. Не только в России, но и по всему миру.

Я вижу процесс образования будущего так: условный студент-начинающий специалист по машинному обучению из Бразилии набирает себе портфель отдельных дисциплин по всему миру: курс по программированию в ИТМО, курс по дизайн-мышлению в Стэнфорде, курс по управлению инновациями в Университете Гонконга, и так далее. И параллельно проходит стажировку и реализует прикладной проект в одном семестре, допустим в Huawei, а в следующем семестре — в исследовательском подразделении Яндекса.

То есть, студент уже не ограничен рамками конкретного вуза и учебного плана — ему доступны из любой точки лучшие курсы ведущих университетов и программы стажировок ИТ-компаний со всего мира. И здесь на первое место должна выйти роль ментора, который помогает такому студенту собрать личную траекторию развития как профессионала.

Что не так с IT-образованием в России, и как я пытаюсь это исправить уже более 10 лет Образование, Высшее образование, IT, Магистратура, Машинное обучение, Искусственный интеллект, Data Science, Программирование, Длиннопост

Когда я выпускался в 2010-м из челябинского ЮУрГУ, я о таком даже не мог мечтать — но я надеюсь, что уже у наших детей горизонт возможностей будет на порядок шире, чем был у нас

Сейчас, конечно, в свете текущих обстоятельств такая картинка выглядит излишне оптимистично. Но я верю, что рано или поздно мы к этому придем. Ведь если не пытаться воплотить свое идеальное видение мира в реальность — то тогда вообще непонятно, зачем вот это всё? =)

* * *

Примечание от Павла Комаровского: Как обычно, если статья вам понравилась – буду благодарен за подписку на мой ТГ-канал RationalAnswer с еженедельными интересными лонгридами. Также выражаю респект Диме Ботову и Паше Подкорытову, которые поддержали выход этой статьи!

Показать полностью 17
[моё] Образование Высшее образование IT Магистратура Машинное обучение Искусственный интеллект Data Science Программирование Длиннопост
31
7
NLPdaily
NLPdaily
2 года назад

Заклинания для Героев машинного обучения⁠⁠

Иногда хочется обсудить что-то по-настоящему серьезное. Пора закрыть jupyter, остановить gpu и поговорить о магии.

В мире машинного обучения алгоритмы и методы обработки данных могут сравниться с магическими заклинаниями.

Только прожженные циники из дата сайентистов пренебрегают фазами луны при тюнинге гиперпараметров. Оставим эти потерянные души, для настоящих профи я подготовил несколько заклинаний, такого не найдешь на курсиках.

Stone Skin

Заклинания для Героев машинного обучения Герои меча и магии, Машинное обучение, Странный юмор, Длиннопост, Data Science, HOMM III, Каламбур, ChatGPT

Регуляризация. Каменная кожа ограничит веса модели и защитит ее от переобучения. Очень желательно иметь это заклинание в своей книжке. Этот вид колдунства доступен даже не для самых продвинутых магов.

Magic Arrow

Заклинания для Героев машинного обучения Герои меча и магии, Машинное обучение, Странный юмор, Длиннопост, Data Science, HOMM III, Каламбур, ChatGPT


Линейная регрессия. Базовый метод предсказания, простой, и, конечно же, не самый сильный. Помогает с простыми задачами прогнозирования, где зависимость между переменными линейна и легко интерпретируема. Со стрелкой уже можно ходить по собесам, главное правильно рассчитать свои силы.

Blind

Заклинания для Героев машинного обучения Герои меча и магии, Машинное обучение, Странный юмор, Длиннопост, Data Science, HOMM III, Каламбур, ChatGPT


Dropout. Отключение случайных нейронов во время обучения. Тоже спасает от переобучения. Иногда магам задают каверзный вопрос: когда следует использовать dropout - на обучении или на инференсе. Не стоит вступать в дискуссии с профанами.

Bloodlust

Заклинания для Героев машинного обучения Герои меча и магии, Машинное обучение, Странный юмор, Длиннопост, Data Science, HOMM III, Каламбур, ChatGPT


Активационные функции. Заклинания, которые определяют "ярость" нейронов и контролируют их активацию. Сетка может не взлететь если вы напортачили с функциями. Хотя бы изредка наведываетесь в Университет Магии. Нет ничего практичней хорошей теории.

Dispel

Заклинания для Героев машинного обучения Герои меча и магии, Машинное обучение, Странный юмор, Длиннопост, Data Science, HOMM III, Каламбур, ChatGPT


Очистка данных. Снимает чары шума и аномалий в данных. Вероятность фатальных последствий близка к единице, если своевременно не добавить его в книгу заклинаний. Иногда маг преисполняется собственной важностью и жалеет ману на очистку датки. Расплата за гордыню будет жестокой.

Precision

Заклинания для Героев машинного обучения Герои меча и магии, Машинное обучение, Странный юмор, Длиннопост, Data Science, HOMM III, Каламбур, ChatGPT


Метрики качества. Даст оценку вашей работе. Перед тем, как что-то моделировать, лучше сразу прикинуть, какую метрику кастануть. Применять надо с умом, если c умом проблемы - используйте f1.

Clone

Заклинания для Героев машинного обучения Герои меча и магии, Машинное обучение, Странный юмор, Длиннопост, Data Science, HOMM III, Каламбур, ChatGPT


Аугментация данных. Создание новых примеров данных на основе существующих. Когда данные полны мусора и скверны, вы только умножите скорбь в этом мире.

Meteor Shower

Заклинания для Героев машинного обучения Герои меча и магии, Машинное обучение, Странный юмор, Длиннопост, Data Science, HOMM III, Каламбур, ChatGPT


Случайный лес. Несколько "метеоритов" (деревьев решений) работают вместе для создания сильного классификатора. Работает надежно. Если не хочется заморачиваться - просто жахни рэндом форестом.

Chain Lightning

Заклинания для Героев машинного обучения Герои меча и магии, Машинное обучение, Странный юмор, Длиннопост, Data Science, HOMM III, Каламбур, ChatGPT


Градиентный бустинг. Начинает с первой базовой модели и ~~выигрывает~~ последовательно усиливается. Очень мощное заклинание в опытных руках. Требует продвинутой мудрости и хороший запас маны. Результат вас порадует.

Resurrection

Заклинания для Героев машинного обучения Герои меча и магии, Машинное обучение, Странный юмор, Длиннопост, Data Science, HOMM III, Каламбур, ChatGPT


Fine-tuning. Использование накопленных знаний для обучения на новой, связанной задаче. Если вы владеете тайнами файн-тюнинга, то практически неуязвимы. На собес можно вообще не приходить, просто скажите эйчар(у/ке), что вы шатаете берт. Требует маны и ресурсов гпу.

Armageddon

Заклинания для Героев машинного обучения Герои меча и магии, Машинное обучение, Странный юмор, Длиннопост, Data Science, HOMM III, Каламбур, ChatGPT


GPT-4. Просто заплатите 20$

Показать полностью 9
Герои меча и магии Машинное обучение Странный юмор Длиннопост Data Science HOMM III Каламбур ChatGPT
3
10
irinalu1148
2 года назад
Лига программистов

Вопрос к работодателям сферы IT⁠⁠

Всем привет!

Я репетитор по математике, и некоторое время назад я захотела сменить профессию, меня заинтересовало направление Data Science. Пока что я обучаюсь с помощью бесплатных источников сама, но все больше понимаю, что нужно идти на курсы.

Пока что я остановилась на 2 вариантах - Яндекс.Практикум и курсы от Анатолия Карпова.

На Яндекс. Практикум нашла порядка 10 отзывов (искала на сторонних источниках, те отзывы, что есть на самом сайте ЯП даже не читала). Отзывы разные, от "очень плохо", до "в целом остался доволен".

На курсы от Анатолия Карпова отзывов не нашла.

Внимание вопрос!

  1. Кто проходил курсы по направлению ДС или по смежным направлениям, поделитесь опытом: оцените качество обучения, удалось ли трудоустроиться после прохождения курсов, и в целом поделитесь вашим впечатлением.

  2. Вопрос к работодателям, HR, и наставникам, которым потом и приходится работать с новоиспеченными джунами:
    Как вы оцениваете уровень выпускников различных курсов? Чего не хватает выпускникам на ваш взгляд? Отдаете ли вы предпочтение выпускникам каких-то конкретных курсов? Или может наоборот какие-то курсы имеют плохую репутацию?

Буду благодарна любым ответам и комментариям!

Если интересно, могу рассказать какими источниками пользуюсь сама, буду рада поделиться любой информацией, которой сама обладаю)

[моё] Отдел кадров Собеседование IT Data Science Курсы Яндекс Практикум Смена профессии Вопрос Текст
39
2
vikent.ru
vikent.ru
2 года назад
Инженеры
Серия Системный анализ

Сценарии эволюции системы у предела своего развития⁠⁠

Данная статья относится к Категории ⚙ Системный анализ

Сценарии эволюции системы у предела своего развития Прогноз, Жизненный цикл, Прогресс, Футурология, Наука и техника, Технологии, Инновации, Data Science, Закономерность, Предсказание, Будущее, График, Видео, YouTube, Длиннопост

«Прежде чем рост показателей системы достигает средней точки, он начинает скакать и вертеться, менять, подобно проказливым духам, формы и определения, с тем чтобы обойти этот ужасный потолок. Или, говоря в менее антропоморфных аналогиях, здесь устанавливается кибернетический эффект поиска и кривая испытывает резкие колебания.

Возникающее сопротивление порождает восстановительную реакцию, но восстановленный темп роста сначала намного превышает теоретическое значение, а затем резко падает на большую величину, чем следовало бы. Если восстановительная реакция достигает цели, то установившаяся величина лежит обычно на новой ветви, и кривая снова быстро растет, пока наконец не достигает окончательного предела.

Таким образом, обнаруживаются два варианта традиционной логистической кривой, которые встречаются много чаще, чем простая S-образная линия. Тот или иной вариант устанавливается на подходе к точке перегиба, возможно, в тот момент времени, когда отказ от экспоненциального роста становится неизбежным. Если незначительное изменение в определении параметра, по которому явление измерено, можно произвести таким образом, что новое явление окажется доступным измерению по единому со старым параметру, тогда, подобно фениксу, из пепла старой логистической кривой возникает новая кривая. Этот эффект впервые был обнаружен Холтоном, и он удачно назвал его «эскалацией» (рис. 7а).

Сценарии эволюции системы у предела своего развития Прогноз, Жизненный цикл, Прогресс, Футурология, Наука и техника, Технологии, Инновации, Data Science, Закономерность, Предсказание, Будущее, График, Видео, YouTube, Длиннопост

Рис. 7. Поведение логистической кривой в период насыщения.
a – эскалация; b – потеря определенности; с – дивергентные колебания; d – конвергентные колебания.

С другой стороны, если изменившиеся условия не допускают нового экспоненциального роста, то возникают резкие флуктуации, которые либо будут продолжаться до тех пор, пока статистическая картина не окажется полностью размытой и неопределенной (рис. 7с), либо же, в некоторых случаях, флуктуации будут затухать, логарифмически приближаясь к максимуму (рис. 7d). Иногда за таким максимумом -- достижением зрелости – следует смерть, так что вместо устойчивого максимума возникает медленное движение к нулю или резкое изменение характеристик, которые делают невозможным дальнейшее измерение по установленному параметру, и оборванная кривая повисает в воздухе (рис. 7b).

Логистические кривые названного типа хорошо известны по многочисленным анализам исторически преемственных явлений и особенно в областях, связанных с наукой и техникой. Простая логистическая кривая, например, хорошо описывает колебания в развитии километража железнодорожной сети; в этом случае за максимумом следует постепенное снижение, когда рельсы снимают, а линии закрывают. Завершенные флуктуациями поиска кривые характерны для объема продукции технологического сырья, такого, как уголь и металлы. Кривые с эскалацией наиболее обычны, видимо, для процесса основания университетов, причем здесь различные ступени эскалации хорошо отражают изменения традиций в университетах средневековья и Возрождения. Те же экскалации обнаруживаются и на широко известном теперь графике, который когда-то в порядке шутки продемонстрировал Ферми. На графике представлены мощности ускорителей. Стало уже не до шуток, когда оказалось, что график честно предсказывает будущее и что, для того, чтобы выйти на следующую ступень эскалации, нужны новые методы ускорения. Эскалации можно также видеть в кривой, показывающей число известных химических элементов как функцию времени (рис. 11).

Сценарии эволюции системы у предела своего развития Прогноз, Жизненный цикл, Прогресс, Футурология, Наука и техника, Технологии, Инновации, Data Science, Закономерность, Предсказание, Будущее, График, Видео, YouTube, Длиннопост

Рис. 11. Рост числа известных химических элементов.
После работ Дэви происходит логистическое затухание и несколько эскалаций, соответствующих открытию элементов с помощью физического по преимуществу оборудования. Около 1950 года начинается последняя эскалация в связи с искусственным созданием элементов трансурановой группы

Опуская первые десять элементов, которые были известны еще в древности, мы получаем постоянный экспоненциальный рост с периодом удвоения несколько меньше 20 лет. Средняя точка была пройдена примерно в 1807 году, когда сэр Гемфри Дэви был в зените. Затем после открытия первых 60 элементов начинается снижение темпов роста. К концу девятнадцатого столетия, когда были разработаны новые методы, произошло открытие элементов нового класса, возник новый перегиб свода. Затем последовала остановка до тех пор, пока новые машины не дали человеку возможность создать последнюю группу весьма неустойчивых и краткоживущих трансурановых элементов».

Прайс Д. Малая наука, большая наука. Приложение I // Сборник: Наука о науке / Общ. ред. и посл. профессора В. Н. Столетова. — М.: Прогресс, 1966. — 423 с. — с. 303-309.

Пример прислал и оформил Трушинский Анатолий Игоревич.

Фрагмент текста цитируется согласно ГК РФ, Статья 1274. Свободное использование произведения в информационных, научных, учебных или культурных целях.

Если публикация Вас заинтересовала – поставьте лайк или напишите об этом комментарий внизу страницы.

Дополнительные материалы

  • Технологический предел в развитии систем по Ричарду Фостеру

  • Альтшуллер Г.С. О прогнозировании развития технических систем — статья на сайте Официального Фонда Г.С. Альтшуллера. 18 апреля 1975 г.

  • Применение S-образных моделей — более 30 материалов по теме

  • см. термин Тема мелкая в 🔖 Словаре проекта VIKENT. RU

+ Плейлист из 16-ти видео: СТРАТЕГИИ ТВОРЧЕСТВА / КРЕАТИВА

+ Ваши дополнительные возможности:

Идёт приём Ваших новых вопросов по более чем 400-м направлениям творческой деятельности – на онлайн-консультации третье воскресенье каждого месяца в 19:59 (мск). Это принципиально бесплатный формат.

Задать вопросы Вы свободно можете здесь:

https://vikent.ru/w0/

+ 12 способов Вашего участия в проекте VIKENT. RU:

https://vikent.ru/w4/

Изображения в статье

  1. Изображение от starline на Freepik

Показать полностью 3 1
Прогноз Жизненный цикл Прогресс Футурология Наука и техника Технологии Инновации Data Science Закономерность Предсказание Будущее График Видео YouTube Длиннопост
0
0
vikent.ru
vikent.ru
2 года назад
Споры о науке
Серия Системный анализ

Принцип несовместимости в изучении систем по Лотфи Заде⁠⁠

Данная статья относится к Категориям Построение научных моделей и ⚙ Системный анализ

Принцип несовместимости в изучении систем по Лотфи Заде Гуманитарий, Технари vs гуманитарии, Humanities, Data Science, Большие данные, Наука и жизнь, Система, Системное мышление, Цифровизация, Метрика, Научный метод, Видео, YouTube, Длиннопост

Лотфи Заде — американский математик и логик, один из основателей теории нечётких множеств и нечёткой логики

Опираясь на идеи «соотношения неопределённостей» Вернера Гейзенберга, Лотфи Заде предложил «принцип несовместимости»: высокая точность описания некоторой системы несовместима с её большой сложностью...

«Наш основной тезис заключается в том, что по своей сути обычные количественные методы анализа систем непригодны для гуманитарных систем и вообще любых систем, сравнимых по сложности с гуманитарными системами.

В основе этого тезиса лежит то, что можно было бы назвать принципом несовместимости. Суть этого принципа можно выразить примерно так: чем сложнее система, тем менее мы способны дать точные и в то же время имеющие практическое значение суждения о её поведении. Для систем, сложность которых превосходит некоторый пороговый уровень, точность и практический смысл становятся почти исключающими друг друга характеристиками...»

Лотфи Заде, Основы нового подхода к анализу сложных систем и процессов принятия решений. М.: «Знание», 1974 г. с. 7.

Источник — портал VIKENT.RU

Если публикация Вас заинтересовала - поставьте лайк или напишите об этом комментарий внизу страницы.

Дополнительные материалы

  • Морозов А.А. Институт научных оправданий РАН

  • Калугин К.С. Как современные цифровые разработки помогают предсказывать аварии? И помогают ли?

  • Ошибки при построении моделей — около 90 материалов по теме

  • см. термин Перенос ТРИЗ-инструментов в 🔖 Словаре проекта VIKENT. RU

+ Плейлист из 4-х видео: Методология | Критическое Мышление | Методы Науки

+ Ваши дополнительные возможности:

Идёт приём Ваших новых вопросов по более чем 400-м направлениям творческой деятельности – на онлайн-консультации третье воскресенье каждого месяца в 19:59 (мск). Это принципиально бесплатный формат.

Задать вопросы Вы свободно можете здесь:

https://vikent.ru/w0/

Изображения в статье

  1. Лотфи Заде — американский математик и логик, один из основателей теории нечётких множеств и нечёткой логики / CC BY-SA 4.0 & На фоне — Image by vector_corp on Freepik

Показать полностью 1 1
Гуманитарий Технари vs гуманитарии Humanities Data Science Большие данные Наука и жизнь Система Системное мышление Цифровизация Метрика Научный метод Видео YouTube Длиннопост
0
Посты не найдены
О Нас
О Пикабу
Контакты
Реклама
Сообщить об ошибке
Сообщить о нарушении законодательства
Отзывы и предложения
Новости Пикабу
RSS
Информация
Помощь
Кодекс Пикабу
Награды
Команда Пикабу
Бан-лист
Конфиденциальность
Правила соцсети
О рекомендациях
Наши проекты
Блоги
Работа
Промокоды
Игры
Скидки
Курсы
Зал славы
Mobile
Мобильное приложение
Партнёры
Промокоды Biggeek
Промокоды Маркет Деливери
Промокоды Яндекс Путешествия
Промокоды М.Видео
Промокоды в Ленте Онлайн
Промокоды Тефаль
Промокоды Сбермаркет
Промокоды Спортмастер
Постила
Футбол сегодня
На информационном ресурсе Pikabu.ru применяются рекомендательные технологии