Досталась мне от бати книжка издания 1973 года, отпечатанная на ротапринте. Наткнулся в ней на вещи, которые бы мы сейчас назвали проблемой "выгорания". Термина в то время еще не было, но проблема была. Я выписал кое-какие вещи чисто для себя, но потом решил все же опубликовать, может кому пригодится...

Автор этого руководства по карьере в области Data Science, с которым вы можете быть знакомы по нашему переводу о вдохновляющих портфолио, начал создавать свою собственную учебную программу на магистратуру в науке о данных с помощью онлайн-курсов в 2015 году.

Чтобы оставить программу, автор работал с тысячами курсов агрегатора Class Central, с его сообществом и даже основателем агрегатора. К старту нашего флагманского курса по Data Science делимся учебной программой, полностью состоящей из онлайн-курсов, в каждом из которых есть задания и видео с лекциями.

К старту курса о машинном и глубоком обучении мы перевели статью о регрессии гауссовского процесса (далее GPR) — удивительно мощном классе алгоритмов машинного обучения, который, в отличие от многих современных моделей машинного обучения, в составлении прогнозов опирается на небольшое количество параметров. Поскольку GPR является (почти) непараметрической, она, даже при небольшом количестве данных, может эффективно применяться в решении широкого спектра задач обучения с учителем. С помощью передовых фреймворков автоматического дифференцирования, таких как PyTorch и TensorFlow, изучить и применить GPR для решения множества сложных задач в области обучения с учителем, стало проще, чем когда-либо. В статье вы найдёте не только математические выкладки, но и ссылки на соответствующие учебники.

В данной статье мы расскажем о том, что такое внешняя алгебра, и для чего она нужна. Удивительно, но на Хабре почти нет статей о внешней алгебре при том, что ее прикладная ценность ничуть не меньше, например, реляционной алгебры.

Наше описание отличается от традиционного изложения в учебниках тем, что мы хотим наполнить внешнюю алгебру прежде всего информатикой, а не геометрией или физикой. Конечная цель статьи - представить произвольный граф в виде алгебраического выражения и показать, что свойства графа можно вычислять как свойства данного выражения. На пути к этому мы познакомимся с основными идеями внешней алгебры.

Это перевод оригинальной статьи Дэвида Аткина. Дэвид — инженер, профессор, директор лаборатории космических систем центра робототехники Мэрилэнда. Я работаю продактом-менеджером в ИТ и нашла здесь много релевантных идей. Некоторые законы и вовсе выглядят очень универсальными.

Традиционная модель обучения через вдалбливание и точное повторение — это парадигма прошлого, а забывание — это не баг, а фича для обучения своей нейронной сети к распознанию образов.

Не помнить на собеседовании все методы класса Object или порядок аргументов для функции выбора подстроки — это не только приемлемо, а даже хорошо. Значит ваш мозг работает исправно.

• как оценить, насколько успешен портфельный управляющий (посчитать связь доходности портфеля с доходностью рынка);
• кто такая «альфа», и почему все её ищут (доход, превышающий обычную премию за систематический риск);
• какой из участвовавших в сравнении фондов российских акций показал лучший результат (личный портфель автора!);
• какой фокус позволил автору заработать «альфу» (ставка на конкретный систематический риск, который не видит наивная модель).

• как составить оптимальный с точки зрения риска и доходности портфель, не углубляясь в суровую математику (посмотреть на рыночную капитализацию активов);
• как заработать что-то сверх безрисковой процентной ставки (взять на себя риск и на дистанции заработать премию за этот риск);
• любой ли риск вознаграждается премией (нет, только систематический);
• от чего зависит ожидаемая будущая доходность отдельной акции (главным образом, от ковариации со всем рынком);
• сколько зарабатывали инвесторы в рынок акций США (порядка 7–9% в год сверх безрисковой ставки);
• почему так много (возможно, люди не полностью рациональны и преувеличивают рискованность акций);
• можно ли предсказать будущую доходность рынка акций (скорее всего, нет);
• как осадить трейдера на коктейльной вечеринке (спросить, какой у него Шарп).

Есть такой загадочный факт о линейных преобразованиях: некоторые из них, а именно неоднородное масштабирование и сдвиг, по какой-то причине различают "обычные" векторы и нормали. Когда мы преобразуем "обычный" вектор матрицей, то нормали почему-то нужно преобразовывать обратной транспонированной матрицей. Как это понять?

С помощью нехитрых выкладок можно убедиться, что обратная транспонированная матрица сохраняет перпендикулярность нормалей к своим касательным плоскостям. В какой-то степени этого доказательства достаточно, но оно упускает более глубокую и интересную историю о стоящей за всем этим геометрии. Эту историю я и хочу поведать в нескольких следующих статьях.

1. Повторим о прямолинейной зависимости между двумя переменными
2. Выявим необходимость преобразования функции линейной регрессии $$ в функцию логистического отклика $$
3. Проведем преобразования и выведем функцию логистического отклика
4. Попытаемся понять, чем плох метод наименьших квадратов при подборе параметров $$ функции Logistic Loss
5. Используем метод максимального правдоподобия для определения функции подбора параметров $$:
   
   5.1. Случай 1: функция Logistic Loss для объектов с обозначением классов 0 и 1:
   
   

   $$

   
   
   5.2. Случай 2: функция Logistic Loss для объектов с обозначением классов -1 и +1:
   
   

   $$

Введение

Что такое дизеринг?

• Аудиосигналами,
• Палитровыми форматами изображений 90-х

Вспомним некоторые определения математической статистики

$$-алгеброй