Python

ChatGPT - отличный помощник во всем, включая трудоустройство. Подготовил список промтов, которые позволят:

— Выявить слабости - штампованные фразы, пробелы в подаче

— Делать текст конкретным - из “отвечал за проекты” — в “запустил 12 проектов с ростом +30%”

— Адаптировать резюме под любую вакансию - “перепрошивать” текст под конкретные требования: подстраивать терминологию, акценты и формат

— Поднять резюме до уровня топ-1% кандидатов

— Сравнительный анализ ИИ отражает резюме идеального кандидата на ту же должность, и даёт точные советы для улучшения

Промт 1

Представь, что ты рекрутер в сфере [ваша индустрия/должность]. Проверь моё резюме: отметь штампы, пробелы и то, чего не хватает. Говори честно, без смягчений.

Промт 2

Перепиши это резюме для позиции [целевая должность]. Упор на цифры и достижения: вместо общих фраз — измеримые результаты.

Промт 3

Вот описание вакансии: [вставить]. Подгони моё резюме под него: выдели релевантный опыт, переформулируй разделы, используй лексику из описания. Ты — руководитель, нанимающий лучших.

Промт 4

Вот вакансия и моё резюме. Покажи, как выглядел бы кандидат из топ-1 %, и напиши, что мне улучшить.

Промт 5

Создай живое, личное письмо (до 200 слов) по этому резюме и вакансии. Без штампов, с мотивацией и чётким «почему я».

📌 Если кому интересно, то пишу про лучшие ИИ в своем авторском канале (ссылка в профиле)

Что ж, очень долго я мучилась с отладкой объезда препятствий (да и не отладила толком)) и теперь есть что показать. Первые успехи в роботостроении и роботонастройке. Вот только что при написании статьи пришло в голову имя для робота - Искин, советское сокращение от искусственный интеллект, которое сейчас ползабыто. Робот на базе Raspberry Pi 4, на борту имеет распознавание объектов, голоса, генерацию голоса и написанные мной скрипты движения и объезда препятствий с помощью ультразвукового сенсора (это он наверху стоит).

Что планирую реализовать с его помощью - не знаю) На данный момент реализовываю игру в догонялки с собакой. Мне нравится процесс.

Также прошу профессиональной поддержки, можно даже собираться - я из СПб, и у меня нет опыта в этих делах, только некоторый опыт программирования. Далее буду подробные инструкции писать, выложу отлаженный код в репу

Шпаргалка демонстрирует работу формулы softmax с разной температурой (`τ`).

Возьмем простой набор "оценок" (логитов) для трех классов и посмотрим, как меняются вероятности при изменении температуры.

Пример наглядно показывает, как параметр температуры τ позволяет контролировать "уверенность" или "случайность" выбора в функции softmax.

• argmax (сокращение от "arguments of the maximum", аргументы максимума) — это математическая операция, которая находит аргумент (то есть входное значение или индекс), при котором функция или набор значений достигает своего максимума.

Проще говоря:

• max находит само максимальное значение.

• argmax находит позицию (индекс) или входное значение, где это максимальное значение находится.

Примеры:

1. Набор чисел: Пусть у нас есть массив чисел: A = [10, 50, 20, 40]
   max(A) вернет 50 (само максимальное значение).
   argmax(A) вернет 1 (индекс элемента 50, если считать с 0: 10 - индекс 0, 50 - индекс 1, 20 - индекс 2, 40 - индекс 3).
   

2. Функция: Пусть есть функция f(x) = -(x - 2)^2 + 10. Эта парабола имеет вершину в точке x=2, где значение функции равно 10.
   Максимальное значение функции max(f(x)) равно 10.
   argmax(f(x)) равен 2 (значение x, при котором функция f(x) максимальна).
   

В контексте классификации с помощью нейронных сетей и функции softmax:

1. Модель на выходе обычно выдает "логиты" (оценки) для каждого класса.

2. Функция softmax преобразует эти логиты в вероятности (числа от 0 до 1, сумма которых равна 1).

3. Чтобы принять окончательное решение о том, к какому классу относится входной объект, мы обычно выбираем класс с наибольшей вероятностью.

4. Операция argmax, примененная к массиву вероятностей softmax, вернет индекс класса, у которого самая высокая вероятность.

Пример с Softmax:

• Логиты: [3.0, 1.0, 0.2]

• Вероятности после softmax (при T=1): [0.839, 0.114, 0.047] (примерно)

• Применяем argmax к вероятностям [0.839, 0.114, 0.047].

• Результат argmax: 0 (потому что максимальное значение 0.839 находится на позиции с индексом 0). Это означает, что модель выбирает первый класс.

При очень низкой температуре (τ → 0) функция softmax приближается к argmax по исходным логитам, так как почти вся вероятность концентрируется на элементе с максимальным логитом.

Семействo функций и операций, связанных с поиском максимальных/минимальных значений

1. Max (Максимум): Находит и возвращает самое большое значение из набора чисел или значений функции. Пример: max([10, 50, 20, 40]) вернет 50.
   Назначение: Просто найти пиковое значение.
   

2. Min (Минимум): Находит и возвращает самое маленькое значение из набора чисел или значений функции. Пример: min([10, 50, 20, 40]) вернет 10.
   Назначение: Найти наименьшее значение, часто используется в функциях потерь (мы хотим минимизировать ошибку).
   

3. Argmax (Аргумент максимума): Находит и возвращает индекс (позицию) или входное значение (аргумент), при котором достигается максимальное значение. Не само значение, а его "адрес". Пример: argmax([10, 50, 20, 40]) вернет 1 (индекс элемента 50, если считать с 0). Назначение: Узнать, какой элемент является максимальным. В классификации — узнать индекс класса с наибольшей вероятностью/оценкой.
   

4. Argmin (Аргумент минимума): Находит и возвращает индекс (позицию) или входное значение (аргумент), при котором достигается минимальное значение. Пример: argmin([10, 50, 20, 40]) вернет 0 (индекс элемента 10). Назначение: Узнать, какой элемент является минимальным. Например, найти параметр, минимизирующий функцию потерь.
   

5. Softmax: Преобразует вектор действительных чисел (логитов) в вектор вероятностей. Каждое выходное значение находится в диапазоне (0, 1), и их сумма равна 1. Большие входные значения получают большие вероятности. Это "мягкая", дифференцируемая версия argmax. Пример: softmax([3.0, 1.0, 0.2]) вернет примерно [0.839, 0.114, 0.047]. Назначение: Получение вероятностного распределения по классам в задачах классификации, используется в механизмах внимания, при генерации текста для выбора следующего слова. Ключевое свойство — дифференцируемость, что позволяет использовать ее в градиентных методах обучения.
   

6. LogSoftmax: Применяет логарифм к результату softmax. То есть log(softmax(x)). Пример: log_softmax([3.0, 1.0, 0.2]) вернет примерно [-0.175, -2.175, -3.05]. Назначение: Часто используется в связке с функциями потерь, такими как NLLLoss (Negative Log Likelihood Loss). Вычисление log_softmax напрямую часто более численно стабильно, чем вычисление softmax, а затем взятие логарифма, особенно когда вероятности близки к 0. log(softmax(x)) = x - log(sum(exp(x))) — это позволяет избежать вычисления exp(x), которое может привести к очень большим или очень маленьким числам.
   

7. Hardmax: Неформальный термин для операции, которая строго преобразует вектор в "one-hot" вектор, где элемент, соответствующий максимальному значению исходного вектора, становится 1, а все остальные — 0. По сути, это представление результата argmax в виде вектора. Пример: "Hardmax" от [3.0, 1.0, 0.2] будет [1, 0, 0]. Назначение: Теоретическое сравнение с softmax. softmax — это гладкая аппроксимация "hardmax". "Hardmax" не дифференцируема в точках, где есть несколько одинаковых максимумов, и ее градиент равен нулю почти везде, что делает ее непригодной для обучения с помощью градиентного спуска.
   

• max/min и argmax/argmin дают точные, но "жесткие" ответы, в то время как

• softmax предоставляет "мягкую", вероятностную и дифференцируемую альтернативу argmax.

Ссылка на блокнот 👉 https://colab.research.google.com/github/hypo69/1001-python-...

Удачи!

😡 Телеграм-канал