Это — короткая версия подкаста «Запуск завтра», в котором наш товарищ Самат Галимов говорит с Давидом Яном. Если есть время — послушайте полную версию.О ДавидеСоздатель электронного словаря Lingvo и системы распознавания документов FineReader. Это два первых продукта компании ABBYY. Сегодня у ABBYY есть офисы на многих континентах и оборот в миллионы долларов.Создал компанию iiko. Если вы сейчас пойдёте в ресторан, то с большой вероятностью официант забьёт ваш заказ именно в систему iiko.Сейчас работает над системой Yva, которая обещает предсказать поведение людей: например, когда они выгорят или уволятся.Кандидат физико-математических наук.Занимается искусственным интеллектом.Основал 12 компаний.Об ИИ, который предсказывает поведение людей в компанииМы несколько лет назад решили применить технологии искусственного интеллекта к самому сокровенному, наверное, что есть в бизнесе, — это к информации о том, как люди сотрудничают. Мы были убеждены, что в корпоративных коммуникациях лежит мудрость организации: кто сильный управленец, кто сильный продавец. Или, наоборот, кто отстраняется от работы или проявляет себя как токсичный менеджер.Мы подумали, что если кто-то научится расшифровывать эту информацию, то он обеспечит бизнесам всего мира такой магический кристалл и своего рода МРТ-сканер.Например, система показывает вовлечённость сотрудников в работу: как она растёт и падает. Она показывает продолжительность рабочего дня, как быстро люди отвечают на письма, есть ли у них проблемы, есть ли конфликты. Можно увидеть признаки выгорания сотрудников.Как предсказать увольнениеМожно даже предсказать увольнение — иногда до того, как сам сотрудник принял решение уволиться. У нас есть ситуации, когда система предсказывала увольнение за 11 месяцев. Система делит этот период на три фазы: фаза фрустрации, фаза раннего выгорания и фаза позднего выгорания.Это нужно, чтобы удерживать сотрудников. Каждая организация вкладывает огромные деньги, силы, любовь в каждого сотрудника. И очень обидно, если из-за чего-то человек решает уйти. Хочется находить ситуации каких-то недопониманий на раннем этапе, чтобы их исправить и чтобы хорошие сотрудники оставались.Как работает предсказаниеМы создали такую нейросеть и так её обучили, что она научилась находить изменения в точках корпоративного сотрудничества человека в период за несколько месяцев до того, как он увольняется.Оказывается, в такие моменты мы меняем своё поведение. Это связано с тем, как быстро мы отвечаем на письма, кому и когда мы пишем, какое количество новых писем и тредов мы начинаем; хвалим мы своих коллег или не хвалим; хвалят ли нас; есть ли похвала вверх или вниз по иерархии, за пределы компании, внутри компании.Получается такой граф коммуникаций: это десятки тысяч точек данных, которые каждый сотрудник порождает ежегодно. И если смотреть на отдельно взятую метрику, то ничего не меняется. А вот всё вместе — оказывается, там лежит эта информация, мы немножко меняемся в этот период. И вот мы научили нейросеть замечать эти изменения и с определённой вероятностью предсказывать увольнение.Был случай в самой компании Yva, где мы разрабатываем эту технологию. У нас было 15 сотрудников, и мы думали, что мы всё про всех знаем. И вот мы первый раз показываем модель выгорания самим себе на стендапе. Данные по нам самим: все сотрудники показываются на экране: кто выгорает, кто — нет.И тут два инженера показываются в зоне выгорания. То есть у них вероятность увольнения достаточно высокая. Мы переглядываемся: один как-то промолчал, а другой говорит: «Ребят, я же говорил, что это не работает. Ну посмотрите, ерунда какая-то». Допустим, его Олег зовут. Он был одним из наших ключевых сотрудников.Я говорю: «Олег, ты скажи, если что не так». Он говорит: «Да нет, нет, нет, всё нормально, я не собираюсь увольняться». Дело происходит в апреле. Через четыре месяца он увольняется. И когда он увольняется, происходит разговор: — Олег, а почему ты говорил, что ты не собираешься увольняться?— А я не собирался.— Но ты год назад подал заявление на переезд на постоянное место жительства в Европу. То есть ты же знал, что ты уезжаешь.— Ну, понимаешь, мне в апреле тогда ещё визу не дали, вот я как бы и говорил, что не собираюсь увольняться.А система на самом деле увидела примерно с того момента, когда он подал визу, его изменение. Так что бывает так, что ты работаешь с человеком вот так рядом и совершенно не понимаешь этого.Этический вопрос предсказанийОчень важно, что мы доставляем эту информацию в первую очередь самому сотруднику в его личный дашборд. И подобный анализ происходит с согласия сотрудника. Это совершенно принципиально. С одной стороны, мы создаём эту информацию для сотрудника, с другой — мы спрашиваем его разрешение.Мы считаем, что этический водораздел находится в следующем: кому принадлежат данные, кто инициирует анализ и для чего он это делает. Если данные принадлежат самому сотруднику и если он является хозяином и инициатором этого анализа, это его решение. Каждый сотрудник может принять решение, допустим, что он не хочет, чтобы создавался личный кабинет о том, как он работает.Более того: система имеет несколько уровней приватности.Первый уровень — ты не разрешаешь системе анализировать своё поведение вообще.Следующий уровень — ты разрешаешь анализировать, но только с целью того, чтобы правильно задавать вопросы про правильных людей. Но система не имеет права считать выгорание, ширину рабочего дня и всё прочее. Самая глубокая степень приватности — когда ты разрешаешь системе смотреть содержание переписки для цели вытаскивания таких семантических сигналов, как похвала, позитив, негатив, когда мы ставим задачи друг другу.Такие семантические конструкции система вытаскивает из содержания, ставит надписи на конверте «здесь есть задача», «здесь есть похвала», «здесь есть позитив», «здесь есть негатив». И дальше она не хранит в себе само содержание переписки. Как это ни странно, большинство людей разрешают системе самый глубокий уровень приватности. У нас практически нет случаев, когда сами сотрудники отказывались от анализа. Когда сотрудники участвуют в опросах и отвечают на вопросы про других людей, в конце у них есть кнопка: «А хочешь посмотреть информацию о себе, как твои коллеги по работе рекомендуют тебе улучшиться?». Это оказывается настолько важно, что люди подписываются на систему и дают согласие и получают этот личный кабинет.О пивотеКогда мы начинали делать Yva, это была система умного поиска по документам в почте. Потом произошёл классический пивот в стиле стартапов Кремниевой долины. Мы начинали с того, что хотели решить проблему, когда ты знаешь, что у тебя есть этот документ, но ты не можешь его найти. И эта проблема никуда не девалась, кажется, что она до сих пор есть. И когда-нибудь всё-таки, наверное, кто-нибудь её решит. Но чтобы вообще решить проблему умного семантического поиска, надо действительно было понять и сантименты, и задачи, и многое другое. Пока мы решали эту задачу, у нас появилось 160 000 пользователей, и как-то вдруг наши пользователи начали говорить: «Слушай, Давид, а что, ваша система умеет понимать позитивные и негативные письма? Она умеет понимать, что в письме была поставлена задача? А она может напоминать, что задача была поставлена кем-то, а я не ответил? Она может мне помочь просто найти те письма, где меня о чём-то просили, а я так и не ответил и забыл про это?» На всё это у нас был положительный ответ.Так появилась система Yva Task Assistant. Это был промежуточный пивот между Findo и текущей Yva. И мы это сделали. У нас появилось много пользователей, которые сказали: «О, круто, то есть теперь она может подсказывать неисполненные задачи!» И вот когда мы уже отрабатывали эту продуктовую идею, мы вдруг увидели большой пласт: мы вдруг поняли, что можно сделать систему, которая в целом поможет сотруднику стать эффективнее: развить лидерские качества, вовлечённость, удовлетворённость, управление командами и т. д.И эта задача, оказывается, огромная, это многомиллиардный бизнес. Он называется Employee Experience Platforms. Их только на пальцах одной руки можно насчитать, наверное, — это миллиардные компании.Но мы поняли и другое — что все эти компании очень old-fashioned, они в основном используют активную аналитику и опросы. А мир ушёл вперёд. Нельзя ли эти опросы снабдить объективной аналитикой того, как на самом деле люди работают? Не спрашивать о том, как вы работаете, а на самом деле смотреть, чем отличается сильный продавец от слабого продавца, сильный управленец от слабого? Вот этот орешек мы хотели вскрыть.Предсказание успешности человекаЕсть такая тема: понять, какого типа человек. Он из того типа, который, скорее всего, станет через два-три года самым сильным и успешным, продвинется по службе и станет начальником. Или он через шесть месяцев покинет работу? Сейчас Yva не умеет этого делать.Yva нужен хотя бы за восемь месяцев исторический цифровой след сотрудника, чтобы начать принимать какие-то решения. Это не значит, что после установки Yva первые восемь месяцев она не работает. Она смотрит исторические данные: она тебе покажет сразу всю историю твоей компании, все твои взлёты и падения. Но если сам сотрудник работает меньше восьми месяцев у тебя в компании, то у тебя будет ограниченная информация. И мы сейчас над этим работаем.Ошибки системыКак и у любой системы, построенной на статистике и на глубоком обучении, у неё есть понятия false positive, false negative, ошибки первого рода, ошибки второго рода. И в этом смысле информацию, которую показывает любая подобная система, необходимо рассматривать только как один из сигналов. Что касается семантических сигналов: как поставлена задача, письмо, требующее ответа, похвала. Там точность на 100 языках достаточно высокая: более 90, 92% и выше.Что касается оценок выгорания и предсказаний увольнения, на допандемических данных и на модели «из коробки» точность была от 58 до 86%. Но, например, мы хорошо понимаем, что в период пандемии изменилось всё. То есть даже если мы были чем-то недовольны и уже думали о поиске новой работы до 31 марта, то начиная с апреля огромное количество людей изменили своё решение о потенциальном увольнении.Что ещёВ полной версии подкаста— о работе Давида с университетской скамьи, компаниях ABBYY и других предприятиях, а также об эмоциональном доме и роботе-собаке с эмоциональным интеллектом. Страшные вещи рассказывает. Слушайте, если хотите оказаться в будущем.

Пока нет комментариев

Анастасия Никулина: о дата-сайнс, ютубе и программировании. ? Герой: Анастасия Никулина, 27 лет, Москва. Выпускница МГТУ им. Н. Э. Баумана. Факультет робототехники и комплексной автоматизации. ? Работа: сеньор дата-сайентист в Росбанке. Обычно работает в офисе, 5/2 с 9:00 до 18:00.? Рынок: Data scientist в России: 478 вакансий. Как ты попала в дата-сайнс? Всё началось с дежурства в школьном кабинете математики — мы с одноклассницей отдирали жвачки и обсуждали выбор вуза. Я узнала о существовании Бауманки и поступила на факультет робототехники и комплексной автоматизации — здесь я получила базовые знания по математике, программированию и всему, что нужно для дата-сайнс. После Бауманки я устроилась продуктовым менеджером в МТС и год работала на этой позиции — в этот период дата-сайнс был ещё не сильно популярен, и я точно не знала, хочу ли заниматься программированием. Всё изменил случай, когда руководитель попросил обработать какие-то внутренние данные — я выполнила задание, получила удовольствие от процесса, переключилась на другие DS-проекты и год проработала джуном. В 2019 году мне предложили работать в рекламном агентстве OMD OM Group — так я выросла до мидла и решила полностью погрузиться в дата-сайнс.В агентстве мы анализировали соцсети, собирали пользовательские данные и помогали маркетологам создавать эффективную рекламу — мы делали так, чтобы объявления доходили до целевой аудитории. Чтобы мужчины не получали предложений о женской косметике, а девушки — препараты от облысения (это шутка: реклама бывает разной и зависит от многих факторов). В мае 2020 года меня пригласили в Росбанк на позицию сеньора дата-сайентиста — это моё текущее рабочее место и я им очень горжусь. Инженерные соревнования в Бауманке EBEC 2012, секция Team design. Сделали действующую модель сталелитейного завода Однажды тебя не взяли на работу, потому что ты девушка. Что это за история? Во время учёбы я искала подработку и нашла вакансию тестировщика. Это была джуниорская позиция, где от кандидата не требовали особых навыков — проходишь три собеседования и ты принят. Компанию называть не хочу. Первые два этапа прошли хорошо и я получила приглашение на финальное собеседование. Ожидаемая лёгкая встреча пошла не по плану: мне сказали, что я зря откликнулась на вакансию и девушки не могут таким заниматься. Работу я не получила и сильно расстроилась — мне было страшно получить отказ и этот страх материализовался. Я получила то, чего хотела избежать. Сейчас я благодарна этим людям — они обнажили мою проблему и заставили работать над собой. До них я была словно человек с ноющим зубом, который боится стоматологов. Я перестала бояться отказов, научилась спокойно воспринимать критику и без проблем находить работу. Была ещё забавная история перед Росбанком. Меня пригласили в компанию, проверили на собеседовании и дали тестовое домашнее задание. Я его выполнила и получила отказ — проверяющие не поверили, что девушка способна написать код. Этот отказ меня рассмешил и помог не попасть в компанию, где людям не доверяют и оценивают по формальным признакам. Около трёх лет назад закончила любимый МГТУ кафедру РК-6 «Информатика и вычислительная техника». Образование мне дало отличный старт, интересную работу, людей и прекрасную зарплату Что самое сложное в твоей работе?В Росбанке я занимаюсь любимым делом и поэтому не замечаю никаких сложностей. Нужно задержаться или переделать срочный проект — с радостью этим займусь. Иногда чувствую физическое утомление, но это обычное дело для любого человека. Спорт, здоровое питание и сон помогают восстановиться — я каждый день бегаю и через день подключаю упражнения из кроссфит. Эмоционального выгорания у меня нет, потому что в свободное время я абстрагируюсь от работы и занимаюсь хобби — пишу картины маслом или хожу по выставкам с друзьями.Анастасия о поиске призванияРабочий график и инструментыПишу на Python в редакторе Jupyter Notebook. Задачи записываю в Trello, обычную тетрадь или храню всё в голове — когда как удобней. Рабочий день начинается с 9:00 — утром у нас разбор полётов и обсуждение планов на день или неделю. Каждый программист рассказывает, что он сделал вчера, где есть простой и что поправить. После планёрки мы расходимся и работаем над задачами — это может быть многочасовая переработка данных, составление бизнес-логики, разработка витрин для моделей, подготовка отчётов и презентаций. Перерывы и нагрузку мы регулируем сами — главное, чтобы всё было готово в срок. Зачем тебе ютуб-канал?Канал на ютубе — это место, где я могу свободно высказываться на профессиональные темы и делиться полезной информацией. Съёмки развивают уверенность и помогают лучше понимать дата-сайнс — если я хочу что-то объяснить, то должна сама глубоко проработать все вопросы. Ютуб-канал Анастасии Никулиной. Самая приятная часть начинается после выхода видео — я каждый день получаю благодарности от начинающих программистов, которым как-то пригодился мой материал. Это радует и даёт стимул двигаться дальше. Круто, когда незнакомые люди смотрят мои видео, переходят в комментарии и пишут приятные слова в поддержку друг друга Как без опыта найти первую работу?Всё просто: придите на собеседование, покажите интервьюеру портфолио и считайте это равнозначной заменой. Если портфолио нет — займитесь его сбором: Учитесь в университете — используйте курсовые, дипломы или учебные проекты. Идеальный вариант — университетская практика. На примете небольшая компания — попробуйте пройти стажировку.Не учитесь и не можете устроиться в компанию — занимайтесь своими проектами или берите заказы на фрилансе. Когда выберете способ — ведите блог и рассказывайте о своей работе. Чем больше проектов задокументируете, тем обширней получится портфолио. Когда у программиста хорошая теоретическая база и разные проекты в портфолио, то поиск работы становится делом нескольких собеседований. Нужна ли программисту математика?Я считаю, что каждый дата-сайентист должен знать матанализ, линейную алгебру, теорию вероятности и статистику — это основа классических алгоритмов. Если представить дата-сайнс в виде автомобиля, то математика займёт всю подкапотную часть. Поэтому рекомендую выделить время и разобраться, как и что устроено. Стоит ли учить английский?Точного ответа не дам, но поделюсь своей историей. Я долго пыталась выучить английский самостоятельно, и ничего не получалось. В этому году записалась к преподавателю и сразу результат. В плане работы знание английского никак особо не помогает — я начала читать больше иностранных статей по Data Science и на этом пока всё. Стоит ли ради этого учить — вряд ли. Есть онлайн-переводчики, которые неплохо передают смысл. Я учила для себя, и поэтому мне нормально. Остальным рекомендую подумать: английский — это не занятие на пять минут. Чтобы его выучить и не забыть — нужна постоянная практика, которая отнимает время и должна приносить какую-то ощутимую пользу. Например, можно учить английский для трудоустройства в США — это цель, которая стоит усилий. Если просто так учить язык, то не вижу смысла. А что насчёт девушек-программистов. Что они пишут? Если девушка мне напишет и попросит поддержки — я ей порекомендую посмотреть видео с моей историей и сосредоточиться на обучении. Мне кажется, работодатели перестали делить программистов на парней и девушек. Если ты хороший специалист — докажи и начинай работать. Конечно, бывают ситуации, когда девушкам отказывают из-за негласных внутренних правил. Например, работодатель не любит платить декретные и набирает в команду только парней — я такого не слышала, но допускаю. Это жизнь, и ничего не поделаешь: одни отказывают девушкам, другие — людям за тридцать, третьи — иностранцам и т. д. Всякое бывает, но ИТ-рынок огромен, и место найдётся каждому. Поэтому девушкам нечего переживать. Анастасия рассказывает о работе в сфере Data ScienceЧто почитать по дата-сайнс? Мне помог курс Яндекса и МФТИ «Машинное обучение и анализ данных Specialization» и книга «Python и машинное обучение» Себастьяна Рашка. Остальную информацию я искала точечно под каждый проект — никаких специальных книг не было, только поисковик. Я и сейчас много гуглю, когда хочу с чем-то разобраться или узнать новости про Data Science. Перед изучением книг и курсов рекомендую посмотреть моё видео о правилах эффективного обучения. Если кратко: любая информация окажется бесполезной без повторений и применения на практике.Эффективные методы обучения от Анастасии Никулиной Посоветуй что-нибудь нашим читателямРазрешите себе ошибаться. Иногда я наблюдаю такую ситуацию: человек проходит курсы дата-сайентистов, разочаровывается в профессии и всё равно устраивается на работу — ему жалко потраченных денег и поэтому он будет много лет заниматься нелюбимой работой. Я такого не понимаю. Если что-то туго идёт — не нужно себя мучить и заниматься через силу. Нужно получать от жизни удовольствие и искренне любить своё дело. Хватит сравнивать себя с другими. Один находит работу за день; другой — за полгода. Один за полгода вырастает из джуна в тимлиды; другой не может пройти этот путь за пять лет. О чём это говорит? Совершенно ни о чём. Все люди разные: у всех разные жизненные обстоятельства, уровень знаний, образование и много чего ещё. Всегда найдутся те, кто лучше и хуже вас. Поэтому ни с кем себя не сравнивайте и сфокусируйтесь на личных целях.Дайте себе время. Если вы входите в дата-сайнс или изучаете новое направление — не ругайте себя за медлительность. Это нормально. Мозгу нужно немного времени на адаптацию, и после будет легче.

Пока нет комментариев

Вы наверняка слышали много историй о программистах, которые учились в технических вузах, изучали высшую математику и теперь пользуются этими знаниями в программировании. И если кого-то это не коснулось, может быть ощущение, что он пропустил в жизни что-то важное. Будем это исправлять. Попробуем разобрать некоторые базовые понятия из математики за пределами школьной программы. И заодно покажем, как оно связано с программированием и для каких задач полезно. ⚠ Математики, помогайте. Мы тут многое упростили, поэтому будем рады увидеть ваши уточнения и замечания в комментариях. Линейная алгебраЕсть математика: она изучает абстрактные объекты и их взаимосвязи. Благодаря математике мы знаем, что если сложить два объекта с ещё двумя такими же объектами, то получится четыре объекта. И неважно, что это были за объекты: яблоки, козы или ракеты. Математика берёт наш вещественный мир и изучает его более абстрактные свойства. Внутри математики есть алгебра: если совсем примитивно, то в алгебре мы вместо чисел начинаем подставлять буквы и изучать ещё более абстрактные свойства объектов.Например, мы знаем, что если a + b = c, то a = c − b. Мы не знаем, что стоит на местах a, b или c, но для нас это такой абстрактный закон, который подтверждается практикой. Внутри алгебры есть линейная алгебра — она изучает векторы, векторные пространства и другие абстрактные понятия, которые в целом относятся к некой упорядоченной информации. Например, координаты ракеты в космосе, биржевые котировки, расположение пикселей в изображении — всё это примеры упорядоченной информации, которую можно описывать векторами. И вот их изучает линейная алгебра. В программировании линейная алгебра нужна в дата-сайенс, где из упорядоченной информации создаются алгоритмы машинного обучения. Если представить линейную алгебру в виде дома, то вектор — это кирпич, из которого всё состоит. Сегодня разберёмся, что такое вектор и как его понимать. Что такое векторВы наверняка помните вектор из школьной программы — это такая стрелочка. Она направлена в пространство и измеряется двумя параметрами: длиной и направлением. Пока длина и направление не меняются, вектор может перемещаться в пространстве. Физическое представление вектора: есть длина, направление и нет начальной точки отсчёта. Такой вектор можно как угодно двигать в пространстве У аналитиков вектор представляется в виде упорядоченного списка чисел: это может быть любая информация, которую можно измерить и последовательно записать. Для примера возьмём рынок недвижимости, который нужно проанализировать по площади и цене домов — получаем вектор, где первая цифра отвечает за площадь, а вторая — за цену. Аналогично можно сортировать любые данные. Аналитическое представление вектора: данные можно перевести в числа Математики обобщают оба подхода и считают вектор одновременно стрелкой и числом — это связанные понятия, перетекающие друг в друга в зависимости от задачи. В одних случаях удобней считать, а в других — показать всё графически. В обоих случаях перед нами вектор. Математическое представление вектора: данные можно перевести в числа или график В дата-сайенс используется математическое представление вектора — программист может обработать данные и визуализировать результат. В отличие от физического представления, стрелки векторов в математике привязаны к системе координат Х и У — они не блуждают в пространстве, а исходят из нулевой точки. Векторная система координат с базовыми осями Х и Y. Место их пересечения — начало координат и корень любого вектора. Засечки на осях — это отрезки одной длины, которые мы будем использовать для определения векторных координат Получается, вектор – это такой способ записывать, хранить и обрабатывать не одно число, а какое-то организованное множество чисел. Благодаря векторам мы можем представить это множество как единый объект и изучать его взаимодействие с другими объектами. Например, можно взять много векторов с ценами на недвижимость, как-то их проанализировать, усреднить и обучить на них алгоритм. Без векторов это были бы просто «рассыпанные» данные, а с векторами — порядок. Как записыватьВектор можно записать в строку или в столбец. Для строчной записи вектор обозначают одной буквой, ставят над ней черту, открывают круглые скобки и через запятую записывают координаты вектора. Для записи в столбец координаты вектора нужно взять в круглые или квадратные скобки — допустим любой вариант. Строгий порядок записи делает так, что каждый набор чисел создаёт только один вектор, а каждый вектор ассоциируется только с одним набором чисел. Это значит, что если у нас есть координаты вектора, то мы их не сможем перепутать. Способы записи вектора СкалярПомимо понятия вектора есть понятие скаляра. Скаляр — это просто одно число. Можно сказать, что скаляр — это вектор, который состоит из одной координаты.Помните физику? Есть скалярные величины и есть векторные. Скалярные как бы описывают просто состояние, например, температуру. Векторные величины ещё и описывают направление.Как изображать Вектор из одного числа (скаляр) отображается в виде точки на числовой прямой. Графическое представление скаляра. Записывается в круглых скобках Вектор из двух чисел отображается в виде точки на плоскости осей Х и Y. Числа задают координаты вектора в пространстве — это такая инструкция, по которой нужно перемещаться от хвоста к стрелке вектора. Первое число показывает расстояние, которое нужно пройти вдоль оси Х; второе — расстояние по оси Y. Положительные числа на оси Х обозначают движение вправо; отрицательные — влево. Положительные числа на оси Y — идём вверх; отрицательные — вниз. Представим вектор с числами −5 и 4. Для поиска нужной точки нам необходимо пройти влево пять шагов по оси Х, а затем подняться на четыре этажа по оси Y. Графическое представление числового вектора в двух измерениях Вектор из трёх чисел отображается в виде точки на плоскости осей Х, Y и Z. Ось Z проводится перпендикулярно осям Х и У — это трёхмерное измерение, где вектор с упорядоченным триплетом чисел: первые два числа указывают на движение по осям Х и У, третье — куда нужно двигаться вдоль оси Z. Каждый триплет создаёт уникальный вектор в пространстве, а у каждого вектора есть только один триплет.Если вектор состоит из четырёх и более чисел, то в теории он строится по похожему принципу: вы берёте координаты, строите N-мерное пространство и находите нужную точку. Это сложно представить и для обучения не понадобится. Графическое представление числового вектора в трёх измерениях. Для примера мы взяли координаты −5, 2, 4 Помните, что все эти записи и изображения с точки зрения алгебры не имеют отношения к нашему реальному трёхмерному пространству. Вектор — это просто какое-то количество абстрактных чисел, собранных в строгом порядке. Вектору неважно, сколько там чисел и как их изображают люди. Мы же их изображаем просто для наглядности и удобства.Например, в векторе спокойно может быть 99 координат. Для его изображения нам понадобилось бы 99 измерений, что очень проблематично на бумаге. Но с точки зрения вектора это не проблема: перемножать и складывать векторы из двух координат можно так же, как и векторы из 9999999 координат, принципы те же. И зачем нам это всёВектор — это «кирпичик», из которого строится дата-сайенс и машинное обучение. Например: На основании векторов получаются матрицы. Если вектор — это как бы линия, то матрица — это как бы плоскость или таблица. Машинное обучение в своей основе — это перемножение матриц. У тебя есть матрица с данными, которые машина знает сейчас; и тебе нужно эту матрицу «дообучить». Ты умножаешь существующую матрицу на какую-то другую матрицу и получаешь новую матрицу. Делаешь так много раз по определённым законам, и у тебя обученная модель, которую на бытовом языке называют искусственным интеллектом. Кроме того, векторы используются в компьютерной графике, работе со звуком, инженерном и просто любом вычислительном софте. И давайте помнить, что вектор — это не какая-то сложная абстрактная штука, а просто сумка, в которой лежат числа в определённом порядке. То, что мы называем это вектором, — просто нюанс терминологии.Что дальшеВ следующий раз разберём операции с векторами. Пока мы готовим материал — рекомендуем почитать интервью с Анастасией Никулиной. Анастасия ведёт ютуб-канал по дата-сайнс и работает сеньором дата-сайентистом в Росбанке.

Пока нет комментариев

Непростая задачка против звериного оскала капитализма. В одной компании жёсткие правила: нельзя никому говорить размер своей зарплаты, даже коллегам. Если рассказал — сразу увольняют, это прописано в договоре. Но как тогда понять, что тебе платят справедливо и сопоставимо с другими? Сотрудники решили узнать среднюю зарплату по своему отделу, чтобы каждый мог сравнить со своей и решить — требовать прибавки или нет.?Задача: узнать среднюю зарплату по отделу, не нарушая условия договора.РешениеРаз нельзя называть точную зарплату, можно поступить так: Первый сотрудник берёт любое случайное число, которое больше его зарплаты. В принципе можно взять любое случайное число, но так сотрудник перестраховывается от называния приблизительной суммы на следующем шаге.Прибавляет его к своей зарплате и получившуюся сумму называет второму сотруднику. Так он выполняет условия неразглашения — не называет точную сумму своей зарплаты.Второй сотрудник берёт это число, в уме прибавляет к нему размер своей зарплаты и называет результат третьему сотруднику. Он тоже действует в рамках закона и не озвучивает свой доход.Третий делает то же самое и говорит результат четвёртому. Так все по цепочке называют друг другу числа, пока не дойдут до последнего сотрудника.Последний сотрудник берёт общую сумму, прибавляет свою зарплату и говорит результат первому.Первый сотрудник вычитает из полученного результата своё случайное число, которое он придумал на первом шаге, и получает точную сумму всех зарплат в отделе. При этом он не знает, кто сколько получает — он видит только общий результат.Он берёт этот результат, делит на количество сотрудников и получает среднюю зарплату в отделе. Теперь каждый может её сравнить со своей и решить — идти к начальству или нет.Но это не единственное решение. Попробуйте найти второе и напишите в комментариях.

Пока нет комментариев

ПЛОВ НА КОСТРЕ
Ингредиенты на 16 порций !!!

1.Баранина -1 кг.
2.Рис-1.кг.
3.Морковь-800 .г.
4. Растительное масло-300 .г.
5. Чеснок -1зубчик.
6.Паприка на свой вкус .
7. Куркума на свой вкус.
8.Соль на свой вкус .
9.Перец чёрный на свой вкус.

Способ приготовления !!!
Приготовьте всё для приготовления !.Дрова подготовте заранее .
Лук нарежьте полукольцами, морковь ломтиками , мясо кубиками 3 см.
Рис предварительно промойте .
Наливаем масло в казан , ждём его прогрева до появления пузырьков. Засыпаем мясо когда начнёт прожариваться , засыпаем лук , жарем лук до готовности , потом засыпаем морковь .
Жарим до готовности и заливаем водой так чтобы она слегка покрывала продукты.
Добавляем соль , специи и кидаем чеснок .
Лучше прикрыть казанок крышкой и оставим томится , поддерживая маленький огонь в течении полчаса .
Через 20.минут высыпаем сверху рис и заливаем водой на пару сантиметров выше риса .
НЕ ПЕРЕМЕШИВАТЬ!!!!!!!
Из того что вы перемешаете ничего хорошего не выйдет .Жар всплывает!!!
В таком состоянии накрыв крышкой , готовим до полного впитывания риса жидкости!!!
Этот момент важно не пропустить чтобы мясо ни начало пригорать .

В конце приготовления плов можно размешать но для удобства сервировки этого лучше не делать .
Подавать плов на костре желательно со свежими овощами ,не забыв про зелень и ...!!!
Приятного аппетита

Пока нет комментариев