Physics.Math.Code

📝 Загадка для наших подписчиков

#geometry #math #наука #геометрия #science #математика #задачи

💡 Physics.Math.Code // @physics_lib

👍87😱29🔥17🤓13🗿12❤8⚡6🌚4❤‍🔥2🤔2👾2

25.6K views14:47

🫥

Как нейросеть распознает рукописную цифру или букву?

Процесс состоит из трех ключевых этапов:
1. Предобработка изображения: Подготовка цифры к анализу.
2. Извлечение признаков: Преобразование изображения в форму, понятную для нейросети.
3. Классификация: Собственно, определение цифры (0-9) с помощью нейросети.

🔍

Рассмотрим фундаментальные принципы распознавания:

▪️Изображение рукописной цифры (например, с сканера или планшета) делится на сетку пикселей. Чаще всего используется стандартный датасет MNIST, где каждая цифра — это черно-белое изображение 28x28 пикселей.
▪️Каждому пикселю присваивается число, обычно от 0 (белый) до 255 (черный), или нормализованное значение от 0.0 до 1.0.
▪️Эти 784 числа (28 * 28) и становятся входными данными для нейросети. Каждый пиксель — это один входной нейрон.

Раньше для извлечения признаков использовали сложные рукописные алгоритмы (анализ контуров, статистики), но сейчас сверточные нейронные сети (CNN / СНС) делают это автоматически и гораздо эффективнее.

🟡

1. Сверточные нейронные сети (CNN) — идеально подходят для изображений. Они работают не с "плоским" набором из 784 пикселей, а учитывают их пространственную структуру (соседство).
Сверточные слои: Здесь используются фильтры (ядра), которые "скользят" по изображению. Каждый фильтр ищет определенные простые признаки: линии, углы, границы. Следующие слои комбинируют эти простые признаки в более сложные: части окружностей, пересечения и т.д. Весовые коэффициенты здесь — это именно значения внутри этих фильтров. Нейросеть в процессе обучения сама подбирает, какие фильтры (признаки) наиболее полезны для распознавания цифр.
— Слои подвыборки (пулинга): Упрощают карту признаков, оставляя самое важное и повышая устойчивость к небольшим сдвигам цифры.
— Полносвязные слои: В конце сети полученные сложные признаки подаются на обычные нейронные слои, которые взвешивают их значимость и принимают окончательное решение: "Это цифра 5 с вероятностью 92%".

🟡

2. Классический многослойный перцептрон (MLP) — Более простая архитектура, которая, как вы описали, принимает на вход просто "плоский" вектор из 784 чисел. Она также имеет скрытые слои с весовыми коэффициентами и на выходе 10 нейронов (по одному на цифру). MLP может хорошо работать на MNIST (до 98% точности), но CNN надежнее и лучше обобщает.

🟡3. Другие алгоритмы (исторические и альтернативные):
— Метод опорных векторов (SVM): Эффективный классический алгоритм.
— K-ближайших соседей (K-NN): Простой алгоритм для сравнения с эталоном.
— Метод Хаара и гистограммы ориентированных градиентов (HOG): Классические методы ручного извлечения признаков.
— Random Forest: Ансамблевые методы на основе деревьев решений.

Как именно участвуют весовые коэффициенты? Рассмотрим упрощенную аналогию полносвязного слоя:
✔️У вас есть 784 входа (пикселя). Каждый вход соединен с нейронами следующего слоя.
✔️У каждой связи есть свой "вес" (weight) — это число, которое умножается на значение яркости пикселя.
✔️Нейрон суммирует все эти взвешенные входы, добавляет смещение (bias) и пропускает результат через функцию активации (например, ReLU), которая вносит нелинейность.
✔️В процессе обучения (на тысячах примеров с известными ответами) алгоритм обратного распространения ошибки постоянно подстраивает все эти веса, чтобы минимизировать ошибку. Синапсы с полезными признаками усиливаются, с бесполезными — затухают.

1. Вход: Изображение цифры → преобразуется в матрицу 28x28 чисел (яркость пикселей).
2. CNN (опционально, но желательно): Автоматически выделяет иерархию признаков (края → части цифр → целые цифры).
3. Классификация: Последние слои нейросети анализируют полученные признаки.
4. Выход: Вектор из 10 чисел (вероятностей). Выбирается цифра с максимальной вероятностью.
#глубокое_обучение #искусственный_интеллект #машинное_обучение #нейронные_сети #ИИ #AI

💡 Physics.Math.Code // @physics_lib

Please open Telegram to view this post

VIEW IN TELEGRAM

1❤97🔥57👍35🤔7❤‍🔥4👨‍💻4🗿4✍3⚡2🤝1

22.3K views02:01

Physics.Math.Code

1:03

This media is not supported in your browser

VIEW IN TELEGRAM

💠

Технология восстановления сколов и трещин на стекле основана на ремонте с помощью специальной смолы с высокой прозрачностью. Это не эпоксидка или бытовой клей. Здесь есть несколько очень важных характеристик:
▫️ Высокая прозрачность (коэффициент преломления близок к коэффициенту преломления стекла — около 1.5). Это критически важно, чтобы отремонтированное место было незаметным.
▫️ Низкая вязкость. Она должна быть достаточно жидкой, чтобы проникнуть в мельчайшие трещины под действием капиллярных сил и вакуума.
▫️ Высокая адгезия к стеклу. Прочное сцепление на молекулярном уровне.
▫️ Устойчивость к УФ-излучению. Не желтеет и не мутнеет со временем.
▫️ Полимеризация под УФ-светом. После заполнения трещина "засвечивается" специальной УФ-лампой, которая затвердевает смолу за несколько минут.

А теперь к физике процесса. Просто залить скол не получится. Нужно вытеснить воздух из трещины и полностью заменить его смолой, создав монолитную, прозрачную структуру. Почему нельзя оставлять воздух? Помните геометрическую оптику, а именно закон Снеллиуса? Так вот на базе этого закона можно понять, что коэффициенты преломления воздуха ~1.0, а стекла ~1.5, а значит на границы стекло-воздух внутри трещины всегда будет преломление света, которое будет создавать блики, тени, радугу. У смолы коэффициент близок к стеклу, поэтому трещину можно сделать (почти) невидимой.

Другой важный момент — прочность. Воздушные пузырьки — это микрополости, которые ослабляют структуру и являются концентраторами напряжения. Под нагрузкой (вибрация, перепады температуры, давление мойки) трещина может пойти дальше.

Как происходит процесс с точки зрения физики:

▪️Этап 1: Подготовка и установка мостика (инжектора). Трещина тщательно очищается. На нее устанавливается специальный инструмент — мостик или инжектор. Он герметично приклеивается к стеклу, имея два отверстия: сверху — резервуар для смолы, снизу — канал, ведущий прямо в сердцевину скола.

▪️Этап 2: Создание вакуума (откачка воздуха) — ключевая фаза. К инжектору подключается вакуумный насос (ручной или автоматический). Воздух из внутренней полости скола и разветвлений трещины откачивается. Давление внутри трещины становится ниже атмосферного. Удаление влаги и загрязнений: Вакуум испаряет микроскопические капли влаги, которые всегда есть в трещине. Разряжение помогает ослабить сжатие осколков стекла друг относительно друга, микроскопически приоткрывая трещину для лучшего проникновения смолы. Создается перепад давления, который в следующем этапе буквально затолкнет смолу в самые отдаленные уголки трещины.

▪️Этап 3: Заливка смолы под давлением. После создания вакуума, в резервуар инжектора сверху наливается прозрачная смола. Теперь к смоле в резервуаре прикладывается атмосферное давление (~1 бар), а внутри трещины — разрежение. Этот перепад давления становится движущей силой.
— Капиллярный эффект: Благодаря низкой вязкости, смола начинает самопроизвольно подниматься вверх по микротрещинам, как вода по тонкой трубке.
— Давление атмосферы: Атмосферное давление, действуя на смолу в резервуаре, дожимает ее, преодолевая силы поверхностного натяжения и заполняя даже те полости, куда капиллярный эффект не дотянулся.
— Вытеснение остатков воздуха: Смола, движущаяся от центра к краям, выталкивает остатки воздуха к периферии, где они могут выйти через микронеплотности (если трещина сквозная) или просто раствориться в смоле под давлением.

▪️Этап 4: Полимеризация УФ-светом. Когда трещина заполнена (это видно визуально — смола перестает убывать из резервуара), на нее направляют мощную УФ-лампу. Ультрафиолетовые фотоны инициируют химическую реакцию сшивания молекул смолы (полимеризацию), превращая жидкий полимер в твердый, прочный пластик, неразрывно связанный со стенками стекла.

▪️Этап 5: Финальная полировка. После удаления инжектора и излишков смолы место ремонта полируют специальной пастой, чтобы выровнять поверхность до оптической чистоты.
#физика #техника #наука #химия #гидродинамика #гидростатика

💡 Physics.Math.Code // @physics_lib

Please open Telegram to view this post

VIEW IN TELEGRAM

🔥66👍42❤28😱5❤‍🔥3🤔3🤩3

17.3K viewsedited 15:53

Physics.Math.Code

💡Молодые ученые, студенты и школьники смогут получить финансовую поддержку для развития в ИТ

Т-Банк расширяет свою стипендиальную программу, которая запускается пятый год подряд. Всероссийская программа ставит своей целью финансовую поддержку молодых талантов, которые хотят глубже развиваться в науке и технической сфере.

🔍Рассмотрим конструкцию программы:

▪️Расширение пространства допуска. В дополнение к уже традиционным направлениям программы «Аналитика» и «Разработка» впервые открывается трек «Наука». Получить стипендию по новому направлению смогут молодые ученые — студенты вузов, которые развиваются в науке, имеют научные публикации и выступления на конференциях. Точка входа в стипендиальную программу также смещается до старта обучения в вузе — в этом году подать заявку могут ученики 11-классов. Для них и текущих первокурсников очной формы в вузах доступны направления «Аналитика» и «Разработка». Шанс на успех есть у кандидатов с хорошей успеваемостью, победами на олимпиадах и хакатонах, а также высоким рейтингом на Codeforces или Kaggle.

▪️Усиление финансовой поддержки. Размер ежемесячной стипендии в этом году увеличивается до 30 000 рублей. Для научного трека добавляется еще разовая выплата от 50 000 до 200 000 тысяч рублей за достижения высокого уровня, например, публикации в журналах мирового уровня Q1 и Q2 и выступления на международных конференциях категорий А и А*.

▪️Эмпирическая проверка. За четыре года программа получила более 37 600 заявок со всей России, стипендиатами стали 680 студентов, более 100 участников впоследствии вошли в штат Т-Банка. Совокупный объем поддержки с учётом нового сезона превысит 280 млн рублей. Это позволяет рассматривать программу не как разовую инициативу, а как воспроизводимый механизм отбора и выращивания кадров.

Помимо выплат, стипендиаты получают менторскую поддержку, доступ к образовательной базе Т-Образования, участие в профессиональном сообществе и упрощенный вход в Т-Банк — без ранних этапов отбора, сразу к техническим интервью и командам. Это снижает трение между обучением, исследованиями и практикой.

💡 Physics.Math.Code // @physics_lib

🔥25❤16👍9🤨4🤔2👏1👨‍💻1

19.1K views15:55

Physics.Math.Code