Оказывается, anecdotal evidence - реальный термин, а не просто оборот по приколу

Смотрите, у людей есть целый отдел, направленный на популяризацию науки. У нас в медиа я пока только энтузиастов видела. Ну и треть абитуры, не сдавшая математику одновременно с топ-командой на межнаре говорят сами за себя))

Всё ещё в качестве паузы (и я потом продолжу про лекцию Житомирской): пара фото- и видео из Лаборатории популяризации и пропаганды математики МИАН — я тут недавно оказался в гостях у Николая Андреева.

Первое фото — три одинаковые пирамиды, на которые разрезается трёхмерный куб (или "интеграл от 1/x^2 от 0 до 1 равен 1/3"):

А вот разборка куба на эти три пирамиды.

Второе — это потребовало аккуратного выбора точки съёмки, но я-таки снял невозможный треугольник так, что он и впрямь кажется настоящим невозможным!

Если что — вот разгадка.

А ещё такой треугольник стоит в Математическом парке в Майкопе.

На заднем плане (я сознательно не вырезал из этого фото "только треугольник") виден додекаэдр с проведённым на нём замкнутым гамильтоновым путём — проходящим ровно один раз через каждую вершину. И насколько я понимаю, с вопроса/головоломки Гамильтона о том, чтобы такой путь найти, терминология и пошла.

А вот этот додекаэдр отдельно:

Напомнили древнее, но классное

привет из Австралии от @LexyZh

Полетели вьетнамские флешбеки к теории меры и теореме о несепарабельности L_inf

хоть бы я правильно помнила, что для L, а не для l (этот случай попроще будет, там диагональный метод Кантора фактически)

Натуральное число можно разложить на степени простых и заменить на вектор из полученных степеней. Потом между такими векторами можно считать расстояния. Получилось метрическое пространство (вложенное в R^n для большого n). Можно ли, не сильно изменив расстояния, вложить его в плоскость?

На картинке это метрическое пространство вложено в плоскость с помощью метода UMAP (там ещё много классных картинок).

Там ещё вот такие картинки есть. Это то же самое раскрасили по величине самих чисел и рассматривают отдельные кусочки. А статья на самом деле не про простые числа, а про сам UMAP.

Хех)

Бам! Миллион (7) сохраненок по рекомендалкам

Нейронные сети для рекомендательных систем
Рекомендательные системы являются, пожалуй, наиболее распространенным бизнес-приложением систем машинного обучения. Недавно было разработано новое сочетание рекомендательных систем с использованием инструментов и гибкости моделирования из экосистемы Deep Learning.
В этой презентации дается обзор основных концепций RecSys, таких как заполнение матрицы для совместной фильтрации, и их связь с современными тенденциями в архитектурах нейронных сетей.

#видеодня

https://www.youtube.com/watch?v=qeeRVCqgk80&list=PLFjq8z-aGyQ5pDM0CYpsqRswZCrb91sF-&index=3

Автор показывает, как матричная факторизация используется в рекомендациях.

https://towardsdatascience.com/understanding-matrix-factorization-for-recommender-systems-4d3c5e67f2c9

Выводы и примечательные статьи с RecSys (Recommender Systems Conference) 2020.

https://proglib.io/w/bbe648fc

Practical Recommender Systems (2019)
Автор: Kim Falk
Количество страниц: 432

Системы онлайн-рекомендаций помогают пользователям находить фильмы, работу, рестораны и даже свидания. Это искусство — комбинировать статистику, демографические данные и параметры запроса для достижения результатов, которые порадуют пользователя. Научитесь правильно строить рекомендательную систему: она может значительно повлиять на ваше приложение!

Скачать книгу