• Под каким углом влетать в черную дыру.
• Как построить двигатель на черной дыре.
• Как в МГУ носили Хокинга на руках.
• Какая температура черной дыры.
• Кто и как поймал гравитационную волну.
• 36+29=62
• Как нашли черную дыру с массой 4 млн масс Солнца.
• Звезда летающая со скоростью 7000 км/с.
• Кто ввел в обиход термин «черная дыра?»
• Почему звёзды любят жить парами.
• Как намотать луч света на черную дыру.
• У нейтронной звезды можно увидеть сразу два полюса.
• Какими телескопами наблюдаю за черными дырами.

Подобный Python Triton уже работает в ядрах, которые в 2 раза эффективнее эквивалентных реализаций Torch. А ядра матричного умножения FP16, сравнимые производительностью с cuBLAS, на Triton займут менее 25 строк. Как утверждает автор, многие программисты не могут написать такие ядра. Подробностями о Triton делимся к старту курса по ML и DL.

Тема этой публикации – из таких, что постепенно переходят из категории вымысла в число домыслов, затем превращаются в обоснованные гипотезы, доказанные гипотезы, а далее становятся общеизвестными и даже банальными. А затем начинают обрастать подробностями.

Ниже я кратко расскажу о примесях, попавших в геном современного человека от наших более древних собратьев – неандертальского и денисовского человека. Этой темой я всерьез заинтересовался около 9 лет назад, прочитав книгу Александра Маркова «Обезьяны, кости и гены». Много раньше, еще в детстве, на волне интереса к «палеолитическим приключениям» в духе Жозефа Рони-Старшего, я посмотрел фильм «Клан пещерного медведя» и прочел «Долину лошадей» Джин Ауэл. После того, как в 2010 году был расшифрован хорошо сохранившийся геном неандертальца, факт нашего скрещивания с неандертальцами не вызывает сомнений, более того – поднимает интересные проблемы, связанные с влиянием неандертальского генофонда на развитие наших популяций. Сванте Пэабо, руководивший вышеупомянутым исследованием 2010 года, с тех пор успел написать книгу «Неандерталец. В поисках исчезнувших геномов», но изучением неандертальцев активно занимается по сей день. Именно об этом пойдет речь далее.

Один из главных вопросов у людей изучающих что-либо - выбор источников информации: курсов, книг, статей. Широта выбора вводит в ступор: курсов и книг просто море, особенно если рассматривать доступные на английском языке. В данной статье субъективный обзор платформ он-лайн обучения (спойлер: coursera.org и learning.oreilly.com мои фавориты).

В соответствии с концепцией спирального подхода к обучению, о которой писал ранее, привожу поэтапный план освоения data science. План составлен так, чтобы каждый этап делал учащегося в той или иной степени лучше подготовленным к выполнению реальных задач. Такой подход вдохновлен идеологией Agile в том смысле, что сколько бы времени вы не уделили обучению и в какой бы момент не остановились - у вас будет наиболее востребованный набор знаний, из возможных к освоению за такое время.

Подходы к обучению можно разделить на принципы "как учить" и непосредственно "что учить". Даже при наличии хорошего учебного плана ("что учить") можно получить малый выхлоп в конце, если учиться неэффективно. Поэтому сначала надо определить, какие принципы эффективны. Об этом данная статья.

Мне эти принципы помогли относительно быстро перейти из 1С в дата-сайентиста и за два года вырасти до уровня синьора, по уровню ЗП и автономности в решение задач (ссылка на прошлую статью об этом)

Шел апрель 2020 года, ковидная пандемия набирала обороты. Местные власти объявили "карантин", и от скуки сидения дома в один из дней мне пришла в голову мысль разобрать завалы хлама в старой квартире. В одной из коробок мне попался ноунеймовый USB DVB-тюнер на чипе RTL2832U с Алиэкспресса, и тут я призадумался. Вспомнилось, что много-много лет назад я игрался с ним и в эфире можно было услышать много интересного. "А почему бы не поиграться еще раз?" — возникла в голове мысль, которая и положила начало этой истории.

В статье привожу курсы и книги, которые мне кажутся наиболее оптимальными для изучения машинного обучения/data science c нуля. Стараюсь привести список, который будет наиболее кратким и одновременно даст все знания, необходимые для начала работы на практике, без серьезных пробелов в знаниях.

Очень много людей с самым разным бэкграундом, и не всегда даже техническим, в последнее время пытаются перейти в data science. И такой ажиотажный интерес - проблема для всех, кто рассматривает переквалификацию в эту сферу. Потому что рынок труда может оказаться наводнён соискателям без опыта.

Делюсь собственным опытом, т.к., наверняка, это будет интересно таким же как я, но может и не только.

Заранее предупрежу, многие термины и сокращения будут понятны только тем, кто имеет базовые знания и какой-то опыт в Data Science и Машинном обучении.

Итак, в наличии на август 2020:

Часть 1. 4 месяца борьбы за место DS джуна

ТАКСИ

- "А у вас тоже свой бизнес, а такси так, для души?" - пошутил пассажир на заднем сидении.

До Нового 2020 года оставалось три часа. Праздновать я собирался за рулем, принимая заказы. Никто еще не слышал ни про какую Ухань. А если ты чихнул, не прикрывшись, людей вокруг это совершенно не волновало.

На голове - новогодние оленьи рога, в бардачке - конфеты. Но девять из десяти заказов - это замученные последним рабочим днем люди, и мои конфеты были им абсолютно не интересны.

- "Нет, к счастью, никакого бизнеса у меня нет."

На самом деле, историй из прошлого про бизнес у меня более, чем достаточно. Но это закрытая страница. Мог бы завести разговор, что не так давно решил рискнуть и начал учиться Data Science. Но не стал. За время поездки я вряд ли объясню обычному человеку, что значат эти два слова. Да, честно говоря, тогда и сам еще не до конца понимал.

Желание это было еще не до конца оформлено и существовало только в виде тетрадки (которую я завел несколько лет назад, понятия не имея ни про какой "машин лёрнинг") с размытыми идеями о том, как бы я разрабатывал свой искусственный интеллект, если бы делал его с нуля...