Forwarded from Ruslan Senatorov | Реверс-Инжиниринг Data Science (Senatorov)
Media is too big
VIEW IN TELEGRAM
Функции и их особенности в Python. 🐍
Спикер: Ирина.
00:00:00 Введение в функции в Python
00:01:58 Повторное использование кода
00:02:27 Области видимости переменных
00:04:05 Порядок считывания переменных
00:08:35 Передача параметров функциям
00:10:40 Пример с
00:14:27 Пример с
00:16:04 Пример с
00:17:48 Пример с
00:19:00 Генератор матриц
00:20:52 Реализация функции
00:24:24 Тестирование функции
00:27:05 Задача для кофейни
00:30:20 Реализация функции для кофейни
00:35:49 Альтернативное решение
00:37:39 Вопросы и ответы
00:43:17 Использование break в алгоритмах
00:45:01 Вопрос о словаре
00:47:07 Завершение обсуждения
Ютуб | Школа Data Science | Чат
Спикер: Ирина.
00:00:00 Введение в функции в Python
00:01:58 Повторное использование кода
00:02:27 Области видимости переменных
00:04:05 Порядок считывания переменных
00:08:35 Передача параметров функциям
00:10:40 Пример с
no local00:14:27 Пример с
*args00:16:04 Пример с
**kwargs00:17:48 Пример с
*args и **kwargs00:19:00 Генератор матриц
00:20:52 Реализация функции
00:24:24 Тестирование функции
00:27:05 Задача для кофейни
00:30:20 Реализация функции для кофейни
00:35:49 Альтернативное решение
00:37:39 Вопросы и ответы
00:43:17 Использование break в алгоритмах
00:45:01 Вопрос о словаре
00:47:07 Завершение обсуждения
Ютуб | Школа Data Science | Чат
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Ruslan Senatorov | Реверс-Инжиниринг Data Science (Senatorov)
Media is too big
VIEW IN TELEGRAM
Алгоритмы и структуры данных в Python.🐍
Спикер: Виктория
00:00:12 Введение в алгоритмы и структуры данных
00:01:10 Основные понятия и Big-O
00:02:14 Временная сложность
00:04:47 Различия между бинарным и линейным поиском
00:05:59 Дополнительные типы временной сложности
00:07:20 Пространственная сложность
00:09:24 Ключевые особенности Big-O
00:12:16 Хэш-таблицы
00:14:11 Сравнение хэш-таблиц и списков
00:15:33 Хэшируемые и нехэшируемые объекты
00:16:33 Использование хэшируемых объектов в словарях
00:17:31 Проверка хэшируемости объектов
00:18:49 Обсуждение теоремы Лагранжа
00:21:11 Временная сложность хэш-таблиц
00:28:28 Роль хэш-таблиц в алгоритмах
00:30:13 Особенности работы с хэш-таблицами
00:31:41 Использование соли в хэш-функциях
00:33:38 Практическое применение соли
00:35:00 Хеширование паролей в базах данных
00:37:02 Алгоритм SHA-256
00:38:21 Криптографическая хэш-функция MD5
00:41:16 Альтернативные алгоритмы
00:41:59 Заключение
Ютуб | Школа Data Science | Чат
Спикер: Виктория
00:00:12 Введение в алгоритмы и структуры данных
00:01:10 Основные понятия и Big-O
00:02:14 Временная сложность
00:04:47 Различия между бинарным и линейным поиском
00:05:59 Дополнительные типы временной сложности
00:07:20 Пространственная сложность
00:09:24 Ключевые особенности Big-O
00:12:16 Хэш-таблицы
00:14:11 Сравнение хэш-таблиц и списков
00:15:33 Хэшируемые и нехэшируемые объекты
00:16:33 Использование хэшируемых объектов в словарях
00:17:31 Проверка хэшируемости объектов
00:18:49 Обсуждение теоремы Лагранжа
00:21:11 Временная сложность хэш-таблиц
00:28:28 Роль хэш-таблиц в алгоритмах
00:30:13 Особенности работы с хэш-таблицами
00:31:41 Использование соли в хэш-функциях
00:33:38 Практическое применение соли
00:35:00 Хеширование паролей в базах данных
00:37:02 Алгоритм SHA-256
00:38:21 Криптографическая хэш-функция MD5
00:41:16 Альтернативные алгоритмы
00:41:59 Заключение
Ютуб | Школа Data Science | Чат
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Ruslan Senatorov | Реверс-Инжиниринг Data Science (Senatorov)
Media is too big
VIEW IN TELEGRAM
Что такое рекурсия в Python?🐍 (Числа Фибоначчи):
Спикеры: Виктория и Ирина
00:00:00 Введение в тему Фибоначчи
00:00:58 Рекурсивный алгоритм Фибоначчи
00:02:58 Стек вызовов
00:04:23 Логика алгоритма Фибоначчи
00:07:44 Реализация в среде разработки
00:12:34 Завершение алгоритма
00:16:10 Рекурсия и стек
00:17:07 Измерение времени выполнения функции
00:18:06 Анализ времени выполнения при разных параметрах
00:20:40 Ограничения рекурсии в Python
00:22:38 Стресс-тестирование системы
00:23:38 Проблемы повторных вычислений
00:24:15 Геометрическая интерпретация времени выполнения
00:27:11 Обработка ошибок в Python
00:28:50 Хвостовая оптимизация в Python
00:30:05 Математический анализ алгоритма
00:32:17 Тестирование алгоритма на трёх элементах
00:33:55 Факториальная вычислительная сложность
00:34:36 Точка невозврата
00:35:52 Оптимизация алгоритмов
00:39:05 Мемоизация
00:40:27 Треугольник Паскаля
00:43:29 Золотое сечение и спираль Фибоначчи
00:46:55 Прямоугольник Фибоначчи
00:47:47 Золотой угол и Фибоначчи
00:48:51 Фракталы и множество Мандельброта
00:50:32 Переход к асимптотике и оптимизации
00:51:26 Дебаггинг алгоритма
00:55:04 Вычисление аргументов функции
01:00:22 Переход на следующую строчку
01:02:08 Сложение чисел Фибоначчи
01:04:01 Завершение дебаггинга
01:04:04 Работа стека вызовов
01:04:58 Операции на одной строке
01:06:19 Вопросы о стеке
01:08:08 Лифо и структуры данных
01:11:15 Применение стека в жизни
01:13:33 Анонс следующей презентации о динамическом программировании и мемоизации.
Предыдущие презентации.
Функции и их особенности в Python.
Алгоритмы и структуры данных в Python.
Реверс-инжиниринг Python кода для Линейной Регрессии
Объектно-ориентированное программирование (ООП) на Python
9 крутых фишек python
#python #алгоритмы #Фибоначчи
Ютуб | Школа Data Science | Чат
Спикеры: Виктория и Ирина
00:00:00 Введение в тему Фибоначчи
00:00:58 Рекурсивный алгоритм Фибоначчи
00:02:58 Стек вызовов
00:04:23 Логика алгоритма Фибоначчи
00:07:44 Реализация в среде разработки
00:12:34 Завершение алгоритма
00:16:10 Рекурсия и стек
00:17:07 Измерение времени выполнения функции
00:18:06 Анализ времени выполнения при разных параметрах
00:20:40 Ограничения рекурсии в Python
00:22:38 Стресс-тестирование системы
00:23:38 Проблемы повторных вычислений
00:24:15 Геометрическая интерпретация времени выполнения
00:27:11 Обработка ошибок в Python
00:28:50 Хвостовая оптимизация в Python
00:30:05 Математический анализ алгоритма
00:32:17 Тестирование алгоритма на трёх элементах
00:33:55 Факториальная вычислительная сложность
00:34:36 Точка невозврата
00:35:52 Оптимизация алгоритмов
00:39:05 Мемоизация
00:40:27 Треугольник Паскаля
00:43:29 Золотое сечение и спираль Фибоначчи
00:46:55 Прямоугольник Фибоначчи
00:47:47 Золотой угол и Фибоначчи
00:48:51 Фракталы и множество Мандельброта
00:50:32 Переход к асимптотике и оптимизации
00:51:26 Дебаггинг алгоритма
00:55:04 Вычисление аргументов функции
01:00:22 Переход на следующую строчку
01:02:08 Сложение чисел Фибоначчи
01:04:01 Завершение дебаггинга
01:04:04 Работа стека вызовов
01:04:58 Операции на одной строке
01:06:19 Вопросы о стеке
01:08:08 Лифо и структуры данных
01:11:15 Применение стека в жизни
01:13:33 Анонс следующей презентации о динамическом программировании и мемоизации.
Предыдущие презентации.
Функции и их особенности в Python.
Алгоритмы и структуры данных в Python.
Реверс-инжиниринг Python кода для Линейной Регрессии
Объектно-ориентированное программирование (ООП) на Python
9 крутых фишек python
#python #алгоритмы #Фибоначчи
Ютуб | Школа Data Science | Чат
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Ruslan Senatorov | Реверс-Инжиниринг Data Science
Media is too big
VIEW IN TELEGRAM
#ТеоремаБайеса
Обновление в Школе Data Science!
Вместо общих скрам митингов на 70 человек, студенты разделились на группы по уровню и созваниваются для обсуждения ДЗ.
На видео 3 группа, это средняя.
Тема: Теорема Байеса
Приятного просмотра.
Ютуб | Школа Data Science | Live
Обновление в Школе Data Science!
Вместо общих скрам митингов на 70 человек, студенты разделились на группы по уровню и созваниваются для обсуждения ДЗ.
На видео 3 группа, это средняя.
Тема: Теорема Байеса
Приятного просмотра.
Ютуб | Школа Data Science | Live
Forwarded from Ruslan Senatorov | Реверс-Инжиниринг Data Science
Media is too big
VIEW IN TELEGRAM
Статистика для машинного обучения
Спикер @valkl777
🕔 СОДЕРЖАНИЕ:
00:00:02 Введение в хи-квадрат
00:01:41 Строение хи-квадрата
00:03:00 Свойства хи-квадрата
00:05:59 Применение хи-квадрата для категориальных переменных
00:08:35 Анализ данных
00:12:02 Пример с доходом и образованием
00:14:09 Тестирование лекарств
00:15:49 Проверка независимости категориальных переменных
00:18:12 Применение хи-квадрат в маркетинге
00:22:10 Пример с новой функцией в приложении
00:24:13 Связь распределений
00:27:46 Влияние выборки на расчёты
00:29:52 Принципы разбиения на группы
Ютуб | Школа Data Science | Live
Спикер @valkl777
🕔 СОДЕРЖАНИЕ:
00:00:02 Введение в хи-квадрат
00:01:41 Строение хи-квадрата
00:03:00 Свойства хи-квадрата
00:05:59 Применение хи-квадрата для категориальных переменных
00:08:35 Анализ данных
00:12:02 Пример с доходом и образованием
00:14:09 Тестирование лекарств
00:15:49 Проверка независимости категориальных переменных
00:18:12 Применение хи-квадрат в маркетинге
00:22:10 Пример с новой функцией в приложении
00:24:13 Связь распределений
00:27:46 Влияние выборки на расчёты
00:29:52 Принципы разбиения на группы
Ютуб | Школа Data Science | Live
Forwarded from Ruslan Senatorov | Реверс-Инжиниринг Data Science
После того как я совершил революцию в обучающих курсах по машинному обучению на stepik, я решил поделиться этим на самой крупной ML конференции, в которой участвовали специалисты со всей страны.
25 октября 2025года, я со своими студентами школы SENATOROVAI приехал на конференцию по ML и получил там море эмоций и знакомств, делюсь с вами драйвом и атмосферой того дня.
Было много авторов с плакатами SVD (сингулярное разложение), QR и градиентным спуском, с которыми я часами мог обсуждать, ЧТО ЖЕ ПОД КАПОТОМ МЕТОДА fit?
Я с радостью порекомендовал им пройти мои курсы на степик, чтобы прокачаться в математике для ML, они были приятно удивлены такому уникальному формату обучения и впервые встретили такое понятие как реверс инжиниринг математики ML моделей.
Больше всего понравилось, когда я в микрофон спрашивал вопросы по типу: почему затухает градиент, почему модели галлюцинируют, что внутри скрытых слоёв нейроных сетей? И понимаем ли мы как работает чёрная коробка?
В конце мероприятия был банкет, на котором я время не терял, а подходил к каждому столику и спрашивал следующее: Какая математика используется в методе LSQR и причём здесь бидиагонализация Голуба–Кахана в подпространстве Крылова?
Как вы думаете что они мне ответили? - пишите в комментариях.
Ютуб | Школа SENATOROVAI | Live
25 октября 2025года, я со своими студентами школы SENATOROVAI приехал на конференцию по ML и получил там море эмоций и знакомств, делюсь с вами драйвом и атмосферой того дня.
Было много авторов с плакатами SVD (сингулярное разложение), QR и градиентным спуском, с которыми я часами мог обсуждать, ЧТО ЖЕ ПОД КАПОТОМ МЕТОДА fit?
Я с радостью порекомендовал им пройти мои курсы на степик, чтобы прокачаться в математике для ML, они были приятно удивлены такому уникальному формату обучения и впервые встретили такое понятие как реверс инжиниринг математики ML моделей.
Больше всего понравилось, когда я в микрофон спрашивал вопросы по типу: почему затухает градиент, почему модели галлюцинируют, что внутри скрытых слоёв нейроных сетей? И понимаем ли мы как работает чёрная коробка?
В конце мероприятия был банкет, на котором я время не терял, а подходил к каждому столику и спрашивал следующее: Какая математика используется в методе LSQR и причём здесь бидиагонализация Голуба–Кахана в подпространстве Крылова?
Как вы думаете что они мне ответили? - пишите в комментариях.
Ютуб | Школа SENATOROVAI | Live
Forwarded from Ruslan Senatorov | Реверс-Инжиниринг Data Science
Media is too big
VIEW IN TELEGRAM
Теория информации: Энтропия.
Спикер @valkl777
🕔 СОДЕРЖАНИЕ:
00:00:00 Введение в энтропию
00:01:39 Формула энтропии
00:04:27 Пример с монеткой
00:07:46 Пример с кубиком
00:09:32 Условная энтропия
00:12:00 Свойства условной энтропии
00:13:01 Коэффициент Тиля
00:14:01 Крайние значения коэффициента Тиля
00:15:12 Кросс-энтропия в машинном обучении
00:17:23 Расчёт кросс-энтропии
00:19:27 Дивергенция Кульбака-Лейблера
00:20:21 Применение кросс-энтропии в классификации
00:23:49 Формула кросс-энтропии для бинарной классификации
00:25:16 Введение в кросс-энтропию
00:26:25 Пример расчёта кросс-энтропии
00:28:10 Применение кросс-энтропии в PyTorch
00:30:03 Обучение нейросетки на реальных данных
00:31:24 Результаты обучения
00:35:24 Заключение
00:38:11 Вопрос от аудитории
00:39:31 Введение в энтропию
00:40:09 Применение энтропии в теории информации
00:41:08 Рост энтропии
00:41:43 Вопросы и ответы
00:42:30 Решающие деревья и энтропия
00:43:59 Свойства энтропии в решающих деревьях
Ютуб | Школа Data Science | Live
Спикер @valkl777
🕔 СОДЕРЖАНИЕ:
00:00:00 Введение в энтропию
00:01:39 Формула энтропии
00:04:27 Пример с монеткой
00:07:46 Пример с кубиком
00:09:32 Условная энтропия
00:12:00 Свойства условной энтропии
00:13:01 Коэффициент Тиля
00:14:01 Крайние значения коэффициента Тиля
00:15:12 Кросс-энтропия в машинном обучении
00:17:23 Расчёт кросс-энтропии
00:19:27 Дивергенция Кульбака-Лейблера
00:20:21 Применение кросс-энтропии в классификации
00:23:49 Формула кросс-энтропии для бинарной классификации
00:25:16 Введение в кросс-энтропию
00:26:25 Пример расчёта кросс-энтропии
00:28:10 Применение кросс-энтропии в PyTorch
00:30:03 Обучение нейросетки на реальных данных
00:31:24 Результаты обучения
00:35:24 Заключение
00:38:11 Вопрос от аудитории
00:39:31 Введение в энтропию
00:40:09 Применение энтропии в теории информации
00:41:08 Рост энтропии
00:41:43 Вопросы и ответы
00:42:30 Решающие деревья и энтропия
00:43:59 Свойства энтропии в решающих деревьях
Ютуб | Школа Data Science | Live
Forwarded from Ruslan Senatorov | Реверс-Инжиниринг Data Science
Первая в жизни встреча со студентами школы SENATOROVAI ❤️🚀
Незабываемое чувство, когда много лет преподаёшь дистанционно и встречаешься в живую, а потом ещё и ходишь вместе в спортзал, СПАСИБО ЧТО ВЫ ЕСТЬ, ЗА ВЕРУ В МЕНЯ.
Фотограф: Михаил Дмитриев @mr_jpeg
Ютуб | Школа SENATOROVAI | Live
Незабываемое чувство, когда много лет преподаёшь дистанционно и встречаешься в живую, а потом ещё и ходишь вместе в спортзал, СПАСИБО ЧТО ВЫ ЕСТЬ, ЗА ВЕРУ В МЕНЯ.
Фотограф: Михаил Дмитриев @mr_jpeg
Ютуб | Школа SENATOROVAI | Live
Forwarded from Ruslan Senatorov | Реверс-Инжиниринг Data Science
Сходил в ВШЭ и познакомился с легендами KAGGLE и Data Science, проводил лекцию сам маэстро некогда ТОП 1 KAGGLE - Александр Дьяконов, при поддержке Никиты Зелинского.
Лекция была посвящена рассказу про крутые кейсы с соревнований по Kaggle, с разными инсайтами и тюннингом, а в конце была возможность задать вопросы.
Ваш покорный слуга Сенаторов, задал вопросы касательно плотных и разряженных матриц, а вишенкой на торте был вопрос про применение методов подпространства Крылова в Data Science, но самый интересный вопрос который отметил Александ, был поставлен так:
После лекций, в столовой, был приятно удивлен встрече со своими подписчиком.
Хочу поблагодарить за лекцию МАЭСТРО и выразить слова благодарности ВШЭ за крутые ИВЕНТЫ
Кстати, кроме ВШЭ ивенты проводит и площадка Stepik на которой проходит Черная пятница до 3 декабря и многие курсы можно купить со скидками до 50%, подробнее
Ютуб | Школа SENATOROVAI | Live
Лекция была посвящена рассказу про крутые кейсы с соревнований по Kaggle, с разными инсайтами и тюннингом, а в конце была возможность задать вопросы.
Ваш покорный слуга Сенаторов, задал вопросы касательно плотных и разряженных матриц, а вишенкой на торте был вопрос про применение методов подпространства Крылова в Data Science, но самый интересный вопрос который отметил Александ, был поставлен так:
"Люди которые берут топ 3 kaggle это больше математики или всё таки инженеры которые объединяют несколько решений не особо погружаясь в детали".
После лекций, в столовой, был приятно удивлен встрече со своими подписчиком.
Хочу поблагодарить за лекцию МАЭСТРО и выразить слова благодарности ВШЭ за крутые ИВЕНТЫ
Кстати, кроме ВШЭ ивенты проводит и площадка Stepik на которой проходит Черная пятница до 3 декабря и многие курсы можно купить со скидками до 50%, подробнее
Ютуб | Школа SENATOROVAI | Live