Я скептически отношусь к этой опции. регулярно и много использую и антиплагиат (в его платных сервисах) и генеративные AI и ChatGPT с момента запуска уже стал базовым рабочим инструментом. Но родные openAI сервисы проверки на предмет генерации очень ограниченные и несложным промптингом стилей пока легко обходится. Такой сервис может сделать сама генеративная модель через цифровую watermark, а вот утверждение что мы такие умные "что нашли универсальные watermark" и научились значимо отличать сгенерированный тексты от человеческих - звучит пока бездоказательно. с удовольствием посмотрю на работы в этой области. Пока не видел.
Так что пока как в анекдоте "доктор, у меня сосед в 80 лет говорит что занимается сексом 3 раза в день" - ну так и вы можете говорить.
как тыдумаешь, что тяжелее килограмм гвоздей или килограм пуха?
Килограмм гвоздей и килограмм пуха имеют одинаковый вес, потому что они оба весят один килограмм. Разница между ними лежит в их плотности и размере. Гвозди обычно имеют более высокую плотность и меньший размер, в то время как пух обычно имеет более низкую плотность и больший размер.
ирочнично! некоторое время спустя, на одной планете, в одной стране: война, анонимные отцы призывают всех умереть за их спокойствие, лучеизлучатели заливаются соловьиной трелью и раслпавляют мозги приливами ненависти, а цифровой концлагерь активировал режим большого брата и ищет на камерах домофонов по всей стране врагов народа не желающих идти в окопы.
Спасибо за статью, прочитал с интересом! 3 года назад приходилось «спускаться» от BMI 28. около 6-8 месяцев заняло от BMI 28 до BMI 21 (-20 кг.). Поделюсь несколькими своими наблюдениями за 3 года:
* дефицит/баланс калорий лучше оценивать на интервале в неделю.
* дефицит в -1000ккал/в сутки может быть напряжённым для организма на длительных интервалах (много недель подряд), с высоких ВMI норм, дальше уменьшить «скорость спускания жира» в два раза сделает процесс более устойчивым.
* Чем ниже BMI тем тяжелее переносится дефицит калорий (тоже что и пред. пункт, есть смысл сокращать дефицит калорий при снижении BMI).
* Удержать BMI в здоровой зоне сложнее, чем «спустить жирок» — аппетит, который становится нормой жизни после месяцев дефицита, никуда не девается и год/два года спустя (субъективные ощущения и физиологические гормональные процессы). Удержание — это режим на долгие (надеюсь) годы вперед, а не год/пол года дефицита. Субъективный аппетит будет «тянуть обратно в жир» и есть смысл продолжать следить за балансом калорий и после отказа от дефицита.
у них столько «легальных» способов отнять наши деньги, что можно не отвлекаться: например, не пользовался месяц другой пользователь, переводят на тариф с абонентской платы без его ведома и отправляют баланс в минус)
сдвиги в «календаре рождений» это когда запланированный ребенок переносится на более ранний или более поздний срок (синоним «тайминговые сдвиги» в рождаемости). Меры демографической политики часто влияют на «календарь рождений». Такие сдвиги не обязательно «нейтральны» по отношению к СКР, т.к. сдвиг может быть из «неопределенного будущего» в конкретный момент настоящего. Насколько помню после 2015 г. заметно росла доля вторых детей и сокращался временной интервал между рождением первого и второго ребенка (как раз признак таких сдвигов) — т.е. перенос рожден запланированных детей на более ранее время — чтобы успеть попасть под действие материнского капитала (который то ли продлят, то ли нет)
Ну и самое главное, как вы наверное догадываетесь, демографическое эхо не зря так называется. Демографические ямы следуют с перидом примерно 25 лет. Это соответствует возрасту вступления в брак (и пополнению в семействе). Сейчас тенденция такая, что молодые люди вступают в брак позже. Так что скорее всего очередное эхо нас ещё ждёт. Вот только этот график нам об этом стесняется сказать.
демографическая яма идет с 2010-хх г. на неё накладывается структурный сдвиг в возрастной структуре рождаемости, который немного сдвигает «эхо войны» в будущее. И на все это наложилась ещё динамика СКР (суммарного коэффициента рождаемости), который достиг максимума в 2015 г. на уровне 1,777 ребенка на женщину. Видимо, был временной сдвиг календаря рождений (из-за грядущей отмены программы материнского капитала после 2016 г.). Никто не понимал за счет чего СКР продолжил рост после 2013 г. (с уровня 1,707). В конце 2016 года когда стало понятно, что программу мат. капитала продлили — этот сдвиг прошел и СКР начал снижаться. В 2017 году СКР упал до уровней 1,62-1,64 (мои оценки, росстат должен скоро выдать официальные цифры).
в 2017 г. рождаемость упала на 200 тыс. (по предварительным данным ростата) «Демографическая яма» (изменение возрастной структуры) объясняет сокращение рождаемости сокращение порядка 85 тыс., большую часть падения это календарные сдвиги. В 2017 г. СКР тоже падал — поэтому сокращение рождаемости было такое заметное. Демографическая яма продолжится ещё до конца 2020-х. вклад её будет в сокращение общего числа рожденных ежегодно на 80-40 тыс. Однако СКР будет скакать и может иногда двигать динамику рождаемости в +.
Если верна «календарная гипотеза по СКР» то, к 2018/2019 году СКР снова вернется на уровень 1,7 и даже выше к 2020 его снова может задрать временной сдвиг из-за окончания программы мат.капитала в конце 2021 г.
На СКР ещё могут как-то повлиять и новые программы (для малообеспеченых пособие при рождении ребенка, для «небедных» субсидии по ставкам ипотеки на 2-го и 3-го ребенка). Поэтому мы вполне сможем увидеть и небольшие приросты в числе рождений (когда рост СКР вытянет «демографическую яму») и большие спады (как в 2017 году, когда оба фактора двигают динамику числа рождений в "-"), но чаще будем видеть небольшие спады рождаемости за счет «демографической ямы» и не сильные изменения СКР вокруг уровня 1,7 (оптимистичная ситуация).
В следующие лет 10-15 сможем в России иногда наблюдать и небольшой естественный прирост: число смертей ещё лет 7 будет немного падать из-за роста продолжительности жизни (в основном за счет сокращения мужской смертности) перекрывающей структурные сдвиги. Правда, к 2030 году, когда рождаемость начнет расти (за счет многочисленного поколения второй половины 2000-х), смертность тоже начнет ускоряться (те же структурные сдвиги, только в старших поколениях). Так-что огромного естественного прироста (в несколько сотен тысяч в год — когда и рождаемость быстро растет и смертность быстро падает) ждать не приходится.
«держать» (например нулевую позицию, не открывая ни длинных, ни коротких позиций). Уорен Баффет говорил, что он купил бы “five-year put on crypto currencies" намекая, что через 5 лет может быть никого в «живых» не останется, но может и останется. Поэтому если ещё не связался, то лучше и не связываться, чем гадать на воде.
обычный гермопакет из года в год защищает мой ридер пару раз в неделю, когда читаю в ванне или пару недель в году чтения на пляже. За годы активного чтения, по-моему, сменил ридеров больше, чем герм — у меня они живут дольше чем ридеры.
Можете рассказать подробнее что это означает, пожалуйста?
если в терминах псевдокода 1 function Dijkstra(Graph, source):
2
3 create vertex set Q
4
5 for each vertex v in Graph: // Initialization
6 dist[v] ← INFINITY // Unknown distance from source to v
7 prev[v] ← UNDEFINED // Previous node in optimal path from source
8 add v to Q // All nodes initially in Q (unvisited nodes)
9
10 dist[source] ← 0 // Distance from source to source
11
12 while Q is not empty:
13 u ← vertex in Q with min dist[u] // Node with the least distance will be selected first
14 remove u from Q
15
16 for each neighbor v of u: // where v is still in Q.
17 alt ← dist[u] + length(u, v)
18 if alt < dist[v]: // A shorter path to v has been found
19 dist[v] ← alt
20 prev[v] ← u
21
22 return dist[], prev[]
то, например, реализация 13-я строчки u ← vertex in Q with min dist[u]
для больших графов может очень сильно влиять на производительность всего алгоритма. В моем случае, использование в этом месте структуры данных «минимальной кучи» (min-heap) с алгоритмичской сложностью операции поиска минимального значения на уровне O(1), дал значительный прирост (на порядок) — даже не смотря на доп. издержки поддержания этой «кучи» при добавлении элементов.
Как-то перелапачивал граф с 300К+ вершин(50М ребер) и искал оптимальные пути от каждой вершины к каждой, дейкстра как раз хорошо подходил для этой цели, но скорость дейкстры сильно (на порядок, другой) оказалась зависит от реализации — типа модели поиска минимального значения, модели представления графа и т.п. и так по мелочи (от 10% до 50%) от всяких оптимизаций типа оптимального frontiera и т.п. Поэтому когда вижу разницу на порядок (а не на 3 порядка :), вопросы о том все ли до того как добраться до оценки было «выжато» из Дейкстры, которая даст глобальный оптимум.
Прочитал свой комментарий и понял на своем же примере, что издатели добились своего. Александра, не сдавайтесь! всем нельзя угодить и не нужно даже пытаться.
Sci-hub пользуюсь регулярно (муторно добираться через подписки, хотя университет не жадничает). донатил этому ресурсу. Посмотрим что будет удобнее обходить их блокировки или к издателям каждый раз логиниться.
В симуляции нужно построить модель и сделать кучу разных предположений относительно работы ненаблюдаемых механизмов, их и строят чтобы попытаться понять эти механизмы. Если сходится с реальностью результат, то может быть мы и угадали с нашей моделью. Новые или старые данные могут позволить уточнить, подтвердить или опровергнуть и выкинуть на помойку нашу модель. Прекрасно сходится с данными я читаю как — все новые и старые данные прекрасно подтверждают те гипотезы про которые он говорил: "холодная крышка", "горячее жидкое основание"
Я скептически отношусь к этой опции. регулярно и много использую и антиплагиат (в его платных сервисах) и генеративные AI и ChatGPT с момента запуска уже стал базовым рабочим инструментом. Но родные openAI сервисы проверки на предмет генерации очень ограниченные и несложным промптингом стилей пока легко обходится. Такой сервис может сделать сама генеративная модель через цифровую watermark, а вот утверждение что мы такие умные "что нашли универсальные watermark" и научились значимо отличать сгенерированный тексты от человеческих - звучит пока бездоказательно. с удовольствием посмотрю на работы в этой области. Пока не видел.
Так что пока как в анекдоте "доктор, у меня сосед в 80 лет говорит что занимается сексом 3 раза в день" - ну так и вы можете говорить.
Сейчас пишет в отчёте, что использовались методы обхода антиплагиата (когда находит подобные символы)
Все таки лучше в явном виде добавлять теги иронии.
интересно. спасибо помучал 4ю версию примерами:
вот примеры использования множественного числа слова "дно" в разных контекстах:
"Донья":
Исследователи изучали донья разных озёр, чтобы определить их экологическое состояние.
Рыбаки знают, что донья некоторых рек имеют особую структуру, благоприятную для размножения рыб.
"Днища":
Старые днища кораблей были сильно повреждены, и их нужно было заменить.
Археологи обнаружили днища древних глиняных сосудов, которые предположительно использовались для хранения зерна.
когда я спрашивал:
как тыдумаешь, что тяжелее килограмм гвоздей или килограм пуха?
Килограмм гвоздей и килограмм пуха имеют одинаковый вес, потому что они оба весят один килограмм. Разница между ними лежит в их плотности и размере. Гвозди обычно имеют более высокую плотность и меньший размер, в то время как пух обычно имеет более низкую плотность и больший размер.
как анекдот про советские микросхемы, будет и российский ИИ: натуральный и не очень интеллектуальный
ирочнично! некоторое время спустя, на одной планете, в одной стране: война, анонимные отцы призывают всех умереть за их спокойствие, лучеизлучатели заливаются соловьиной трелью и раслпавляют мозги приливами ненависти, а цифровой концлагерь активировал режим большого брата и ищет на камерах домофонов по всей стране врагов народа не желающих идти в окопы.
* дефицит/баланс калорий лучше оценивать на интервале в неделю.
* дефицит в -1000ккал/в сутки может быть напряжённым для организма на длительных интервалах (много недель подряд), с высоких ВMI норм, дальше уменьшить «скорость спускания жира» в два раза сделает процесс более устойчивым.
* Чем ниже BMI тем тяжелее переносится дефицит калорий (тоже что и пред. пункт, есть смысл сокращать дефицит калорий при снижении BMI).
* Удержать BMI в здоровой зоне сложнее, чем «спустить жирок» — аппетит, который становится нормой жизни после месяцев дефицита, никуда не девается и год/два года спустя (субъективные ощущения и физиологические гормональные процессы). Удержание — это режим на долгие (надеюсь) годы вперед, а не год/пол года дефицита. Субъективный аппетит будет «тянуть обратно в жир» и есть смысл продолжать следить за балансом калорий и после отказа от дефицита.
Да и мучительно привыкать к написанию seq_along()
с оператором %>% тоже регулярно путаница в dplyr и tidyverse
сдвиги в «календаре рождений» это когда запланированный ребенок переносится на более ранний или более поздний срок (синоним «тайминговые сдвиги» в рождаемости). Меры демографической политики часто влияют на «календарь рождений». Такие сдвиги не обязательно «нейтральны» по отношению к СКР, т.к. сдвиг может быть из «неопределенного будущего» в конкретный момент настоящего. Насколько помню после 2015 г. заметно росла доля вторых детей и сокращался временной интервал между рождением первого и второго ребенка (как раз признак таких сдвигов) — т.е. перенос рожден запланированных детей на более ранее время — чтобы успеть попасть под действие материнского капитала (который то ли продлят, то ли нет)
демографическая яма идет с 2010-хх г. на неё накладывается структурный сдвиг в возрастной структуре рождаемости, который немного сдвигает «эхо войны» в будущее. И на все это наложилась ещё динамика СКР (суммарного коэффициента рождаемости), который достиг максимума в 2015 г. на уровне 1,777 ребенка на женщину. Видимо, был временной сдвиг календаря рождений (из-за грядущей отмены программы материнского капитала после 2016 г.). Никто не понимал за счет чего СКР продолжил рост после 2013 г. (с уровня 1,707). В конце 2016 года когда стало понятно, что программу мат. капитала продлили — этот сдвиг прошел и СКР начал снижаться. В 2017 году СКР упал до уровней 1,62-1,64 (мои оценки, росстат должен скоро выдать официальные цифры).
в 2017 г. рождаемость упала на 200 тыс. (по предварительным данным ростата) «Демографическая яма» (изменение возрастной структуры) объясняет сокращение рождаемости сокращение порядка 85 тыс., большую часть падения это календарные сдвиги. В 2017 г. СКР тоже падал — поэтому сокращение рождаемости было такое заметное. Демографическая яма продолжится ещё до конца 2020-х. вклад её будет в сокращение общего числа рожденных ежегодно на 80-40 тыс. Однако СКР будет скакать и может иногда двигать динамику рождаемости в +.
Если верна «календарная гипотеза по СКР» то, к 2018/2019 году СКР снова вернется на уровень 1,7 и даже выше к 2020 его снова может задрать временной сдвиг из-за окончания программы мат.капитала в конце 2021 г.
На СКР ещё могут как-то повлиять и новые программы (для малообеспеченых пособие при рождении ребенка, для «небедных» субсидии по ставкам ипотеки на 2-го и 3-го ребенка). Поэтому мы вполне сможем увидеть и небольшие приросты в числе рождений (когда рост СКР вытянет «демографическую яму») и большие спады (как в 2017 году, когда оба фактора двигают динамику числа рождений в "-"), но чаще будем видеть небольшие спады рождаемости за счет «демографической ямы» и не сильные изменения СКР вокруг уровня 1,7 (оптимистичная ситуация).
В следующие лет 10-15 сможем в России иногда наблюдать и небольшой естественный прирост: число смертей ещё лет 7 будет немного падать из-за роста продолжительности жизни (в основном за счет сокращения мужской смертности) перекрывающей структурные сдвиги. Правда, к 2030 году, когда рождаемость начнет расти (за счет многочисленного поколения второй половины 2000-х), смертность тоже начнет ускоряться (те же структурные сдвиги, только в старших поколениях). Так-что огромного естественного прироста (в несколько сотен тысяч в год — когда и рождаемость быстро растет и смертность быстро падает) ждать не приходится.
если в терминах псевдокода
1 function Dijkstra(Graph, source):2
3 create vertex set Q
4
5 for each vertex v in Graph: // Initialization
6 dist[v] ← INFINITY // Unknown distance from source to v
7 prev[v] ← UNDEFINED // Previous node in optimal path from source
8 add v to Q // All nodes initially in Q (unvisited nodes)
9
10 dist[source] ← 0 // Distance from source to source
11
12 while Q is not empty:
13 u ← vertex in Q with min dist[u] // Node with the least distance will be selected first
14 remove u from Q
15
16 for each neighbor v of u: // where v is still in Q.
17 alt ← dist[u] + length(u, v)
18 if alt < dist[v]: // A shorter path to v has been found
19 dist[v] ← alt
20 prev[v] ← u
21
22 return dist[], prev[]
то, например, реализация 13-я строчки
u ← vertex in Q with min dist[u]
для больших графов может очень сильно влиять на производительность всего алгоритма. В моем случае, использование в этом месте структуры данных «минимальной кучи» (min-heap) с алгоритмичской сложностью операции поиска минимального значения на уровне O(1), дал значительный прирост (на порядок) — даже не смотря на доп. издержки поддержания этой «кучи» при добавлении элементов.
Прочитал свой комментарий и понял на своем же примере, что издатели добились своего. Александра, не сдавайтесь! всем нельзя угодить и не нужно даже пытаться.
Sci-hub пользуюсь регулярно (муторно добираться через подписки, хотя университет не жадничает). донатил этому ресурсу. Посмотрим что будет удобнее обходить их блокировки или к издателям каждый раз логиниться.
В симуляции нужно построить модель и сделать кучу разных предположений относительно работы ненаблюдаемых механизмов, их и строят чтобы попытаться понять эти механизмы. Если сходится с реальностью результат, то может быть мы и угадали с нашей моделью. Новые или старые данные могут позволить уточнить, подтвердить или опровергнуть и выкинуть на помойку нашу модель. Прекрасно сходится с данными я читаю как — все новые и старые данные прекрасно подтверждают те гипотезы про которые он говорил: "холодная крышка", "горячее жидкое основание"