AML

700.000.000 активных пользователей еженедельно, 18 .000.000.000 сообщений в неделю Harvard и OpenAI проанализировали, как люди реально используют этот инструмент К июню 2025 женщины - половина аудитории 50% запросов от людей младше 26 Развивающиеся страны показывают непропорционально высокий рост - Индия, Бразилия, Нигерия опережают США и Европу Три способа использования: Asking (49 %) - “Помоги разобраться” Не просто вопросы, а поддержка решений Выбор между job-офферами, анализ инвестиций, плюсы-минусы переезда Растёт быстрее всех и получает высшие оценки качества Doing (40%) - “Сделай за меня” Письма, презентации, код Доминирует в рабочих задачах (56 % рабочих запросов) Expressing (11%) - “Просто поговорить” Размышления вслух, эмоциональная разгрузка О чём спрашивают (75% всех запросов): Практические советы - 29 % От починки крана до ведения переговоров Поиск информации - 24 % Выросло с 14 % за год ChatGPT вытесняет Google для поиска и сравнения Написание текстов - 24 % Упало с 36 % 2/3 — редактирование текста, не генерация Сюрпризы: Кодинг - всего 4.2 %** Программисты ушли в специализированные инструменты (Cursor, Copilot) Работа vs личная жизнь: 30/70 70 % использования — личные задачи, и эта доля растёт 40 % — тексты: email, презентации, документы Где настоящая ценность Главное открытие: максимальную пользу даёт не автоматизация рутины, а улучшение качества решений ChatGPT помогает увидеть слепые зоны, структурировать мышление, рассмотреть альтернативы

https://habr.com/ru/articles/942414/

За рамками alignment'а: как обучение с подкреплением создаёт новое поколение Ml с ризонингом A Survey of Reinforcement Learning for Large Reasoning Models https://arxiv.org/abs/2509.08827 https://github.com/TsinghuaC3I/Awesome-RL-for-LRMs https://arxiviq.substack.com/p/a-survey-of-reinforcement-learning

В следующий раз, когда будете читать про прорывы в квантовых вычислениях, как мы на пороге будущего и все такое, вспоминайте, что до сих пор квантовые компьютеры не смогли разложить на простые множители число...21 При этом число "15" разложили еще в 2001 году Почему? А потому, что разложение "21" требует 2.405 квантовых гейтов (вместо 21 гейта в разложении "15") Причина: повезло с числом 15 = 2⁴−1, его очень просто разложить с помощью алгоритма Шора https://algassert.com/post/2500 https://arxiv.org/abs/1301.7007 По сути, в таких работах алгоритм уже "знает" про правильное разложение

Плакат, посвящённый таксономии основных статистических расстояний и лежащим в их основе геометриям: евклидовой геометрии, римановой и финслеровой геометрии, информационной геометрии, аффинной дифференциальной геометрии, квантовой геометрии и т. д.

«ChatGPT» звучит на французский слух как «Кот, я пукнул» (chat, j'ai pété)

Экс-сотрудник Google и сооснователь xAI, объявил о запуске новой компании под названием Mathematics Они создают: Ml-агентов для формализации математики Основной продукт — агент Gauss, построенный на инфраструктуре подкрепленного обучения из Morph Labs Он генерирует тысячи строк кода для доказательств теорем, используя LLM Формальные доказательства сложных теорем Уже на старте они расширили формализацию теоремы о сильном распределении простых чисел Добавили 22.000 строк LLM-генерированного кода в Lean, что делает доказательство полностью проверяемым Инфраструктуру для верифицированного Ml Цель — создать сверхинтеллект, где все выводы не просто генерируются, а строго доказываются Это шаг к Ml, который превзойдёт человека в математике к 2026 году, без "галлюцинаций" или ошибок

Каталог каталогов по ML 1. Мини-проекты по машинному обучению с Python Небольшие проекты для понимания основных концепций Создание моделей машинного обучения с Scikit-learn для регрессии и классификации 2. Анализ данных и библиотека проектов машинного обучения Учебные материалы, код и наборы данных для проектов анализа данных и машинного обучения 3. Идеи для проектов машинного обучения Идеи проектов: машинное обучение, НЛП, компьютерное зрение, рекомендательные системы 4. 500+ проектов машинного обучения и ИИ с кодом 500+ реальных проектов: машинное обучение, глубокое обучение, компьютерное зрение 5. Проекты дегенеративного Ml Современные проекты и сервисы генеративного Ml Инструменты для генерации текста, изображений, аудио, видео 6. Инструменты и проекты LangChain Инструменты и проекты с фреймворком LangChain для приложений на основе больших языковых моделей и Ml-агентов 7. Решения Kaggle Решения и идеи соревнований Kaggle Лучшие подходы к решению задач машинного обучения 8. Топ проектов глубокого обучения на GitHub Популярные проекты глубокого обучения, ранжированные по количеству звезд Фреймворки, инструменты и ресурсы 9. Справочник по машинному обучению Ссылки, учебные материалы и ресурсы по машинному обучению и глубокому обучению 10. Ресурсы глубокого обучения Учебники, проекты, книги и сообщества по глубокому обучению Нейронные сети, обучение с подкреплением, исследования Ml Обычно такое не люблю, но тут реально собраны тысячи полезных ссылок Тут и обучение и фреймворки и инструменты. Все что может пригодиться в мире Ml Подборки курируемые с десятками, а иногда и сотнями контрибьюторов И всё бесплатно Лет на 5 обучения хватит

К началу нового учебного года переиздана книжка Р.К. Гордина "Теоремы и задачи школьной геометрии Базовый и профильный уровни" с красивыми геометрическими картинками В этой книге в форме серии задач излагается практически вся элементарная геометрия Книга состоит из двух частей: первую можно считать базовым курсом геометрии, содержащим наиболее известные и часто используемые теоремы; во второй приводятся малоизвестные, но красивые факты https://biblio.mccme.ru/node/300684 Рафаил Калманович Гордин работает в 57 школе Москвы уже 50 лет

В 1964 году появилась статья с названием, которое выглядит почти как шутка: «H = W» На первый взгляд — всего лишь равенство двух букв Но за ним скрывается фундаментальный результат для математики XX века Дело в том, что в середине прошлого века активно развивалась теория дифференциальных уравнений. Классическая математика оперировала только «гладкими» функциями — теми, у которых есть производные в привычном смысле Но очень часто в задачах встречаются функции, которые ведут себя плохо: у них есть разрывы, изломы, углы На таких функциях классическая производная перестаёт существовать. Казалось бы, тупик Но в 30–40-е годы возникла идея рассматривать обобщённые производные Она позволяет придавать смысл производным даже там, где обычного дифференцирования нет. Классический пример — функция 𝑓(𝑥)=∣𝑥∣ В нуле она не имеет производной, но в обобщённом смысле её производная существует и равна функции «sgn(x)» Чтобы работать с такими объектами, математики ввели специальные пространства функций — пространства Соболева Но оказалось, что можно подойти к их определению как минимум двумя путями В одном случае берут замыкание «хороших» функций в специальной норме — это обозначали буквой H В другом — сразу требуют, чтобы функция и её обобщённые производные принадлежали определённому пространству 𝐿𝑝, и это называли W Эти два определения выглядели похожими, но не было очевидно, что они действительно дают одно и то же И вот в 1964 году Джеймс Серрин и Нормэл Джордж Мейерс опубликовали работу, в которой доказали: для любых областей, любого порядка производных и любого показателя интегрируемости два подхода эквивалентны То есть H и W — это одно и то же Доказательство заняло меньше страницы Почему это оказалось таким важным? Потому что в исследованиях дифференциальных уравнений стало возможным свободно переходить от одного подхода к другому Одни математики удобнее формулировали задачи через H, другие через W, и теперь было ясно, что они говорят об одном и том же объекте Это аналогично тому, как если бы мы сначала доказали, что алгебраическое уравнение имеет комплексное решение, а затем доказали бы, что это комплексное решение является действительным, или доказали бы, что уравнение имеет действительное числовое решение, а затем доказали бы, что это действительное числовое решение на самом деле является целым Проще сначала найти решение в более широком пространстве, а затем, если возможно, показать, что найденное вами решение принадлежит более узкому пространству

Если бы все люди на Земле перетасовали колоду карт, вероятность того, что любые две карты легли бы в одинаковом порядке, составила бы менее 0,00000000000000000000000000000000000000000000008 %

Знак бесконечности (∞) лемниската, от латинского "lēmniscātus" ("украшенный лентами, бантик"), от слова "lēmniscus" ("лента"), от греческого λημνῐ́σκος [lēmnĭ́skos] с тем же значением Может пригодиться, если вам нужно будет впечатлить на свидании математичку, будучи гуманитарием (это ж каким нужно быть душнилой, чтобы на свидании обсуждать лемнискату)