~ прикольная задачка на логику -> нужно найти угол между двумя стрелками часов: стрелки часов и минут.
🔗 Link: https://leetcode.com/problems/angle-between-hands-of-a-clock/
📍 my solution (python): https://pastebin.ubuntu.com/p/TFkX46BSnR/
#logic #clock #basic_math
🔗 Link: https://leetcode.com/problems/angle-between-hands-of-a-clock/
📍 my solution (python): https://pastebin.ubuntu.com/p/TFkX46BSnR/
#logic #clock #basic_math
Forwarded from Йо-хо-хо для программистов
50_Algorithms_Every_Programmer_Should_Know_An_unbeatable_arsenal.pdf
19.1 MB
✍️ Автор: Imran Ahmad
Please open Telegram to view this post
VIEW IN TELEGRAM
Йо-хо-хо для программистов
50_Algorithms_Every_Programmer_Should_Know_An_unbeatable_arsenal.pdf
Показалось интересным - нужно посмотреть 👀
Problem Solving with Arman (ML+Algo)
Interview with Google DeepMind Pre-Training Lead 🔥 https://vladfeinberg.com/2026/05/10/how-to-land-a-job-at-a-frontier-lab.html
What L9 means? (see in the table above)
Google Software Engineering (SWE) Levels
~ created by Gemini Flash
Google Software Engineering (SWE) Levels
~ created by Gemini Flash
How to calculate the semantic similarity between two Kazakh text snippets using
🔗 Notebook: https://www.kaggle.com/code/armanzhalgasbayev/semantic-similarity-of-2-texts-in-kazakh
Nurlykhan/kazembed-v5, a fine-tuned embedding model based on the E5 architecture.🔗 Notebook: https://www.kaggle.com/code/armanzhalgasbayev/semantic-similarity-of-2-texts-in-kazakh
The Pokémon Company - PTCG AI Battle Challenge Strategy
©Pokémon/Nintendo/Creatures/GAME FREAK TM, ®, and character names are trademarks of Nintendo
Analyze data and agentic play supporting the Pokémon Trading Card Game
Participants are invited to share the ideas and approaches behind their AI Training Agents, focusing on systems where dynamic gameplay conditions are key factors for success.
Link: https://www.kaggle.com/competitions/pokemon-tcg-ai-battle-challenge-strategy/
©Pokémon/Nintendo/Creatures/GAME FREAK TM, ®, and character names are trademarks of Nintendo
Analyze data and agentic play supporting the Pokémon Trading Card Game
Participants are invited to share the ideas and approaches behind their AI Training Agents, focusing on systems where dynamic gameplay conditions are key factors for success.
Link: https://www.kaggle.com/competitions/pokemon-tcg-ai-battle-challenge-strategy/
Kaggle
The Pokémon Company - PTCG AI Battle Challenge Strategy
Analyze data and agentic play supporting the Pokémon Trading Card Game
Problem Solving with Arman (ML+Algo)
The Pokémon Company - PTCG AI Battle Challenge Strategy ©Pokémon/Nintendo/Creatures/GAME FREAK TM, ®, and character names are trademarks of Nintendo Analyze data and agentic play supporting the Pokémon Trading Card Game Participants are invited to share…
Kaggle contest from Pokémon (Nintendo) before GTA-6 🤯
Problem Solving with Arman (ML+Algo)
The Pokémon Company - PTCG AI Battle Challenge Strategy ©Pokémon/Nintendo/Creatures/GAME FREAK TM, ®, and character names are trademarks of Nintendo Analyze data and agentic play supporting the Pokémon Trading Card Game Participants are invited to share…
To participate competitively in the PTCG AI Battle Challenge, you need these top 3 skills:
* Reinforcement Learning (RL): Mastering frameworks like Stable-Baselines3 or Ray/RLlib to train agents via deep Q-networks (DQN) or Proximal Policy Optimization (PPO) in discrete, turn-based card environments.
* Game Theory & Heuristics: Designing reward functions and state-evaluation metrics that balance short-term card advantages against long-term win conditions like prize cards.
* Python Software Engineering: Writing highly optimized, low-latency code capable of processing millions of simulated game states quickly within Kaggle's hardware limits.
* Reinforcement Learning (RL): Mastering frameworks like Stable-Baselines3 or Ray/RLlib to train agents via deep Q-networks (DQN) or Proximal Policy Optimization (PPO) in discrete, turn-based card environments.
* Game Theory & Heuristics: Designing reward functions and state-evaluation metrics that balance short-term card advantages against long-term win conditions like prize cards.
* Python Software Engineering: Writing highly optimized, low-latency code capable of processing millions of simulated game states quickly within Kaggle's hardware limits.
Machine Learning Engineers Grades Transition Analysis by ChatGPT.
~ Agree with this 👍
~ Agree with this 👍
Problem Solving with Arman (ML+Algo)
https://youtu.be/a2i9h2ip-nY?si=0waHffkqZu9vv6Pg
Midjourney on fire 🔥 (Real High-impact use case of AI -> Full body Health Screening)
❤1
Forwarded from Data Secrets
Когда языковые модели читают текст, они не просто обрабатывают токен за токеном. В каком-то смысле они испытывают от чтения эмоции.
www.goodfire.ai/research/stories-in-space#
Рисерчеры из GoodFire продолжают исследовать так называемую геометрию LLM. Некоторое время назад они показали, что мысли моделей организованы в виде определенных форм. Например, числа – это окружности, и складывая одно число с другим, LLM на самом деле суммируют множество бубликов: t.me/data_secrets/9223.
Теперь они обнаружили новые любопытные детали. Оказывается, внутри моделей существует целый ландшафт эмоциональных состояний.
Ученые взяли LLama, давали ей читать рассказы и наблюдали за состоянием активаций. Так вот по мере чтения модель как бы перемещается по некоторому многомерному пространству состояний, "испытвая" те или иные эмоции в зависимости от того, что происходит в тексте в данный момент.
Причем если визуализировать соответствующие разным эмоциям состояния модели, то получается структура, очень похожая на классическую психологическую модель эмоций человека. Например, радость находится рядом с интересом, страх и гнев имеют схожую высокую интенсивность и тд.
Еще по этой карте можно предсказывать дальнейшие ответы модели. И если искусственно подталкивать активации в направлении определенной эмоции, настроение и суть генераций меняется.
Красиво
www.goodfire.ai/research/stories-in-space#
Рисерчеры из GoodFire продолжают исследовать так называемую геометрию LLM. Некоторое время назад они показали, что мысли моделей организованы в виде определенных форм. Например, числа – это окружности, и складывая одно число с другим, LLM на самом деле суммируют множество бубликов: t.me/data_secrets/9223.
Теперь они обнаружили новые любопытные детали. Оказывается, внутри моделей существует целый ландшафт эмоциональных состояний.
Ученые взяли LLama, давали ей читать рассказы и наблюдали за состоянием активаций. Так вот по мере чтения модель как бы перемещается по некоторому многомерному пространству состояний, "испытвая" те или иные эмоции в зависимости от того, что происходит в тексте в данный момент.
Причем если визуализировать соответствующие разным эмоциям состояния модели, то получается структура, очень похожая на классическую психологическую модель эмоций человека. Например, радость находится рядом с интересом, страх и гнев имеют схожую высокую интенсивность и тд.
Еще по этой карте можно предсказывать дальнейшие ответы модели. И если искусственно подталкивать активации в направлении определенной эмоции, настроение и суть генераций меняется.
Красиво