Forwarded from Поступашки - ШАД, Стажировки и Магистратура
#How_to_заботать
How to заботать линейную алгебру?
Важнейшая дисциплина, без которой невозможно поступить в ШАД, в магистратуру, сдать ГОС, написать олимпиаду. Да и без нее невозможно просто чувствовать себя уверенно в программировании, DS, разобраться в других математических предметах как многомерный анализ, дифференциальные уравнения, статистический анализ и тд. Линейная алгебра просто составляет БАЗУ грамотного человека, ведь это язык науки.
Все книжки как всегда в комментариях, там же делимся своими любимыми материалами и опытом по боту линала😎😎
Шаг-0.
Так как линал это в первую очередь язык, а не полноценная наука, то лучше всего начать с аналитической геометрии— его приложений. Особенно если до этого никогда линейную алгебру не изучали, то все эти многомерные определения и конструкции могут показаться чересчур абстрактными, поэтому лучше разобраться с ними на R^2 и R^3, на малых размерностях, где все приобретает простой геометрический смысл, а затем без боли обобщить на R^n. В этом, конечно, поможет наша подборка How to заботать алгебру и аналитическую геометрию.
Шаг-1.
По теории подойдет любой классический курс, какой больше нравится. Могу предложить попробовать лекции, ибо они уже сжаты и структурированы и не выглядят, как толстый справочник обо всем. Например, мне нравятся лекции Мануйлова с мехмата, где дан именно геометрический взгляд на линал без всякого алгебраического треша, который порой появляется у Винберга, Кострикина и у других алгебраистов. В дополнение могу посоветовать лекции Тимашева с того же мехмата, где много прикольных примеров и материал рассказан посвободней, чем у Мануйлова. Оба автора злоупотребляют мат индукцией в целях экономии времени, поэтому многие теоремы остаются неживыми. Но если будет (((много огоньков и шэров))), то дальнейшие лекции Нарративной алгебры это поправят🔥🔥
К теории, конечно, необходима практика, как всегда, самое главное — научиться решать задачи. Для этого отлично подойдут семинары Смирнова, где в основном разбираются вычислительные задачи, и семинары Тимашева, где есть и много прикольных теоретических задач. Решают они задачник Смирнова и задачник Кострикина соответственно. От физтеха же есть семинары Ершова, который идет по задачнику Беклемишева. Также в "Задачи по линейной алгебре и геометрии" Гайфулин и др разобраны все алгоритмические задачи.
Помимо классических курсов как всегда предлагаю 3Blue1Brown, где на пальцах показывают сущность линейной алгебры и порезанный курс Саватеева. Это скорее прикольные примеры и иллюстрации, чем полноценные курсы, по которым возможно изучать линейную алгебру.
Шаг-2.
После того, как научились решать стандартные задачи самое время перейти к менее тривиальным, такие конечно же возможно найти в Шаге-5 How to заботать ШАД, вариантах магистратур и олимпиад. Также возможно посмотреть, что там у пиндосов: того же Гильберта Стрэнга, где немало прикольных задач, примеров, а также в конце написаны занимательные приложения линейной алгебры. Еще больше всяких книжек такого духа собрано на диске, которые помогут окончательно разобраться, например, с такой непростой темой как ЖНФ: уверяю, если изучите этот раздел в парочке источников и решите парочку задач, то понимание не заставит себя ждать. Помимо этого возможно погружаться в диффуры, теорию групп, функциональный анализ и прочее продолжение и приложение линейной алгебры, но для тех же олимпиад, магистратур и ШАДа это уже будет overkill, кроме диффуров.
Если же хотите заботать линал в короткие сроки с нашими преподавателями, кругу единомышленников, то вам стоит уже сейчас записаться на будущие наборы нашего курса по алгебре и анализу😎😎
How to заботать линейную алгебру?
Важнейшая дисциплина, без которой невозможно поступить в ШАД, в магистратуру, сдать ГОС, написать олимпиаду. Да и без нее невозможно просто чувствовать себя уверенно в программировании, DS, разобраться в других математических предметах как многомерный анализ, дифференциальные уравнения, статистический анализ и тд. Линейная алгебра просто составляет БАЗУ грамотного человека, ведь это язык науки.
Все книжки как всегда в комментариях, там же делимся своими любимыми материалами и опытом по боту линала😎😎
Шаг-0.
Так как линал это в первую очередь язык, а не полноценная наука, то лучше всего начать с аналитической геометрии— его приложений. Особенно если до этого никогда линейную алгебру не изучали, то все эти многомерные определения и конструкции могут показаться чересчур абстрактными, поэтому лучше разобраться с ними на R^2 и R^3, на малых размерностях, где все приобретает простой геометрический смысл, а затем без боли обобщить на R^n. В этом, конечно, поможет наша подборка How to заботать алгебру и аналитическую геометрию.
Шаг-1.
По теории подойдет любой классический курс, какой больше нравится. Могу предложить попробовать лекции, ибо они уже сжаты и структурированы и не выглядят, как толстый справочник обо всем. Например, мне нравятся лекции Мануйлова с мехмата, где дан именно геометрический взгляд на линал без всякого алгебраического треша, который порой появляется у Винберга, Кострикина и у других алгебраистов. В дополнение могу посоветовать лекции Тимашева с того же мехмата, где много прикольных примеров и материал рассказан посвободней, чем у Мануйлова. Оба автора злоупотребляют мат индукцией в целях экономии времени, поэтому многие теоремы остаются неживыми. Но если будет (((много огоньков и шэров))), то дальнейшие лекции Нарративной алгебры это поправят🔥🔥
К теории, конечно, необходима практика, как всегда, самое главное — научиться решать задачи. Для этого отлично подойдут семинары Смирнова, где в основном разбираются вычислительные задачи, и семинары Тимашева, где есть и много прикольных теоретических задач. Решают они задачник Смирнова и задачник Кострикина соответственно. От физтеха же есть семинары Ершова, который идет по задачнику Беклемишева. Также в "Задачи по линейной алгебре и геометрии" Гайфулин и др разобраны все алгоритмические задачи.
Помимо классических курсов как всегда предлагаю 3Blue1Brown, где на пальцах показывают сущность линейной алгебры и порезанный курс Саватеева. Это скорее прикольные примеры и иллюстрации, чем полноценные курсы, по которым возможно изучать линейную алгебру.
Шаг-2.
После того, как научились решать стандартные задачи самое время перейти к менее тривиальным, такие конечно же возможно найти в Шаге-5 How to заботать ШАД, вариантах магистратур и олимпиад. Также возможно посмотреть, что там у пиндосов: того же Гильберта Стрэнга, где немало прикольных задач, примеров, а также в конце написаны занимательные приложения линейной алгебры. Еще больше всяких книжек такого духа собрано на диске, которые помогут окончательно разобраться, например, с такой непростой темой как ЖНФ: уверяю, если изучите этот раздел в парочке источников и решите парочку задач, то понимание не заставит себя ждать. Помимо этого возможно погружаться в диффуры, теорию групп, функциональный анализ и прочее продолжение и приложение линейной алгебры, но для тех же олимпиад, магистратур и ШАДа это уже будет overkill, кроме диффуров.
Если же хотите заботать линал в короткие сроки с нашими преподавателями, кругу единомышленников, то вам стоит уже сейчас записаться на будущие наборы нашего курса по алгебре и анализу😎😎
Forwarded from Ave M
https://probml.github.io/pml-book/
Там их 3:
Book 0: “Machine Learning: A Probabilistic Perspective” (2012)
Book 1: “Probabilistic Machine Learning: An Introduction” (2022)
Book 2: “Probabilistic Machine Learning: Advanced Topics” (2023)
"Book 1" чуть-чуть поменялась с 2021 года, и возможно находится в состоянии перманентного CI/CD.
Там их 3:
Book 0: “Machine Learning: A Probabilistic Perspective” (2012)
Book 1: “Probabilistic Machine Learning: An Introduction” (2022)
Book 2: “Probabilistic Machine Learning: Advanced Topics” (2023)
"Book 1" чуть-чуть поменялась с 2021 года, и возможно находится в состоянии перманентного CI/CD.
pml-book
“Probabilistic machine learning”: a book series by Kevin Murphy
“Probabilistic Machine Learning” - a book series by Kevin Murphy
Forwarded from data.csv (Алексей Смагин)
12 советов для дата-журналистов — перевод и моя интерпретация :)
1️⃣ Один и тот же показатель, посчитанный по разной методологии, может сильно отличаться. Например, число сотрудников компании можно считать на конец года, а можно считать всех уникальных сотрудников, которые работали в определённом году.
Старайтесь не сравнивать такие величины, а если без этого никак — явно отразите это в своей визуализации.
2️⃣ В некоторых ситуациях доли важнее абсолютных чисел. Например, 1000 заболевших в Москве и 1000 заболевших в Костроме — это совсем разные тысячи.
3️⃣ Контекст решает. Важно не просто показывать пик на графике, а объяснять, что здесь произошло.
4️⃣ Следите, чтобы временной период, который вы выбрали для графика, рассказывал честную историю. Можно взять стоимость акций компании за месяц и увидеть, что они растут. А если отмотать на неделю назад, окажется, что они лишь немного оправились от страшного падения.
5️⃣ Очень часто в данных может быть элемент неопределённости — например, мы можем знать, что за период погибло от 700 до 2000 тысяч человек, но не знаем, сколько точно. Тогда честно будет показать эту неопределённость и на графике.
6️⃣ В данных часто могут быть пропуски, и иногда информация об этих пропусках может быть крайне важна. Представьте, что вы звоните людям по телефону и спрашиваете их об отношении к действующей власти. Честно будет скрыть информацию о том, сколько человек решили не отвечать?
1️⃣ Один и тот же показатель, посчитанный по разной методологии, может сильно отличаться. Например, число сотрудников компании можно считать на конец года, а можно считать всех уникальных сотрудников, которые работали в определённом году.
Старайтесь не сравнивать такие величины, а если без этого никак — явно отразите это в своей визуализации.
2️⃣ В некоторых ситуациях доли важнее абсолютных чисел. Например, 1000 заболевших в Москве и 1000 заболевших в Костроме — это совсем разные тысячи.
3️⃣ Контекст решает. Важно не просто показывать пик на графике, а объяснять, что здесь произошло.
4️⃣ Следите, чтобы временной период, который вы выбрали для графика, рассказывал честную историю. Можно взять стоимость акций компании за месяц и увидеть, что они растут. А если отмотать на неделю назад, окажется, что они лишь немного оправились от страшного падения.
5️⃣ Очень часто в данных может быть элемент неопределённости — например, мы можем знать, что за период погибло от 700 до 2000 тысяч человек, но не знаем, сколько точно. Тогда честно будет показать эту неопределённость и на графике.
6️⃣ В данных часто могут быть пропуски, и иногда информация об этих пропусках может быть крайне важна. Представьте, что вы звоните людям по телефону и спрашиваете их об отношении к действующей власти. Честно будет скрыть информацию о том, сколько человек решили не отвечать?
Forwarded from data.csv (Алексей Смагин)
7️⃣ Правило хорошего тона — полностью рассказывать аудитории об источниках и методологии подсчёта. Идеально, если исследование можно воспроизвести. График без источника — это вообще мусор, не смотрите на такие.
8️⃣ (Спорное) В одном материале не стоит использовать один и тот же вид графика для отображения разных показателей. В пример приводится число госпитализаций и число смертей — надо придумывать что-то другое.
Я не соглашусь, это ок 🤷♂️
9️⃣ Многогранность. Иногда дополнительные детали помогают лучше понимать контекст. Например, если вы даёте среднюю зарплату сотрудников самых крупных компаний, покажите на графике среднюю зарплату в регионе.
Таких деталей может быть много — главное, следить, что они не перегружают график и помогают воспринимать посыл.
1️⃣0️⃣ Вовлечение. Если мы говорим не об информации, которую очень важно прочитать, то за внимание читателя нужно бороться. В том числе — исследовать новые формы графиков для подачи вашего сообщения. Здесь важно помнить, что форма не должна преобладать над смыслом — если вашу прекрасную картинку невозможно понять, то и смысла в её красоте мало.
1️⃣1️⃣ Учитывайте платформу, где распространяете графику. У журнальной и постерной графики одни возможности и ограничения, у инфографики в мобильном телефоне — другие, у инфографики на большом экране — третьи. Завернуть ваши данные в нужный формат — это большая работа. Вот, например, Visual Capitalist очень часто забывают, что делают инфографику для веба — и выдают такие визуализации, будто они для печати.
1️⃣2️⃣ Классно, если за цифрами, которые вы подаёте, читатели смогут узнавать то, с чем они реально встречаются в повседневной жизни. Думайте, можете ли вы представить данные так, чтобы вызвать сопереживание.
Оригинал:
https://medium.com/@giorgialupi/data-memos-3927ab7e822a
8️⃣ (Спорное) В одном материале не стоит использовать один и тот же вид графика для отображения разных показателей. В пример приводится число госпитализаций и число смертей — надо придумывать что-то другое.
Я не соглашусь, это ок 🤷♂️
9️⃣ Многогранность. Иногда дополнительные детали помогают лучше понимать контекст. Например, если вы даёте среднюю зарплату сотрудников самых крупных компаний, покажите на графике среднюю зарплату в регионе.
Таких деталей может быть много — главное, следить, что они не перегружают график и помогают воспринимать посыл.
1️⃣0️⃣ Вовлечение. Если мы говорим не об информации, которую очень важно прочитать, то за внимание читателя нужно бороться. В том числе — исследовать новые формы графиков для подачи вашего сообщения. Здесь важно помнить, что форма не должна преобладать над смыслом — если вашу прекрасную картинку невозможно понять, то и смысла в её красоте мало.
1️⃣1️⃣ Учитывайте платформу, где распространяете графику. У журнальной и постерной графики одни возможности и ограничения, у инфографики в мобильном телефоне — другие, у инфографики на большом экране — третьи. Завернуть ваши данные в нужный формат — это большая работа. Вот, например, Visual Capitalist очень часто забывают, что делают инфографику для веба — и выдают такие визуализации, будто они для печати.
1️⃣2️⃣ Классно, если за цифрами, которые вы подаёте, читатели смогут узнавать то, с чем они реально встречаются в повседневной жизни. Думайте, можете ли вы представить данные так, чтобы вызвать сопереживание.
Оригинал:
https://medium.com/@giorgialupi/data-memos-3927ab7e822a
#ml #statistics
Алерон поделился новой Phik корреляцией
https://towardsdatascience.com/phik-k-get-familiar-with-the-latest-correlation-coefficient-9ba0032b37e7
Алерон поделился новой Phik корреляцией
https://towardsdatascience.com/phik-k-get-familiar-with-the-latest-correlation-coefficient-9ba0032b37e7
Towards Data Science
Phik (𝜙k) - get familiar with the latest correlation coefficient | Towards Data Science
That is also consistent between categorical, ordinal, and interval variables!