Википедия: когда сложность становится барьером | 2025-11-26T01:06:17

У википедии есть одна большая проблема. Ну или у нас с википедией. Если зайти на практически любую страницу википедии об относительно сложном математическом или физическом понятии, часто резко перестает хотеться ее дальше читать. Формально там все верно, но объяснение дается через концепции, часто еще более сложные, чем объясняемая. Кроме этого, там дается часто много лишнего — то, что формально/академически/таксономически находится внутри темы, но по сути «загрязняет» получение первого впечатления.

Эта проблема возникает потому, что у авторов Википедии (часто математиков) приоритет стоит на строгости и полноте, а не на дидактике и понятности.

В англоязычной среде такое иногда называют «Drift into pedantry» (скатывание в педантизм). Статьи часто пишутся экспертами для экспертов, а не для тех, кто пытается изучить предмет с нуля.

Вот возьмем, например, «тензор». Представьте студента, который слышал, что тензоры используются в машинном обучении (Google TensorFlow) или физике, и хочет понять суть.

Чего ждет читатель (интуиция): «Тензор — это таблица чисел (ну или какой-нибудь контейнер данных), которая описывает свойства объекта и правильно изменяется, если мы повернем систему координат»

Что дает википедия: «Те́нзор (от лат. tensus, «напряжённый», по классической раскладке механического напряжения на гранях деформируемого куба, см.иллюстрацию) — раскладка (расположение в пространстве) чисел (компонент), применяемая в математике и физике как особый тип многоиндексного объекта, обладающего математическими свойствами.» Статья сразу же начинает перечислять ранги, ковариантность и контравариантность индексов. Это формально верно, но это «загрязняет» первое впечатление.

Иллюстрация в самом верху подписана вот так: «Механическое напряжение, деформирующее куб с гранями, перпендикулярными осям координат, в классической теории упругости описывается тензором напряжений Коши (англ. Cauchy stress tensor), который связывает 2 индекса: вектор нормали к грани с вектором напряжения Т (сила на единицу площади); имеются 3 направления нормалей и 3 направления компонент напряжения, что даёт тензор 2-го ранга 3×3 — из 9 компонент.»

Формально — ни одной ошибки. Фактически — это стена текста, которая требует знания линейной алгебры, чтобы просто прочитать определение.

Это как если бы вы спросили «Что такое яблоко?», а вам ответили: «Яблоко — это плод растений подсемейства Сливовые (Amygdaloideae) или Спирейные, обладающий эпикарпием, мезокарпием и эндокарпием, часто участвующий в гравитационных экспериментах Ньютона».

С одной стороны, кажется, что с появлением LLM википедия как бы больше не необходима. Есть же условно LLMы типа ChatGPT, которые по сути пересказывают все то, что есть в wikipedia в нужном виде. Но они так делают, потому что их обучили на википедии, причем наверняка именно википедии дали сильно больше веса при обучении, чем всякому шлаку в интернете. Если бы не было википедии в обучающем сете, все было бы сильно сложнее. При этом википедия постоянно редактируется, и LLM и Google используют именно ее при ответах на вопросы.

Поэтому, с одной стороны, мне кажется, что википедии давно пора переходить на генерацию на основе курируемых экспертами данных и упаковывать знания в требуемом формате, например, в виде вопросов-ответов. С другой, теряется вся идея мастер-данных энциклопедии для LLM/RAG.

Парадокс в том, что LLM — это, по сути, единственный «интерфейс», который смог прочитать эти педантичные определения Википедии, «понять» их (через тысячи примеров кода и статей) и перевести обратно на человеческий язык. Википедия стала отличной базой данных для роботов, но плохим учебником для людей.

Механизмы старого телефона: удивительная простота и гениальность | 2025-11-25T00:59:46

Когда я был маленький, я много раз разбирал старые телефоны, и вот только сейчас, к седым годам понял, что никогда не задавался вопросом, как они работали. А работало все очень интересно.

Начнем с номеронабирателя. Телефон подключен к сети двумя проводами. Номеронабиратель — дисковый. Когда вы взводите диск, контакты блокируются, а когда отпускаете — диск возвращается назад и выдает в линию серию прерываний/импульсов. Но как сделали так, чтобы он возвращался с постоянной скоростью (это 10 импульсов в секунду)?

Он работал на основе центробежного фрикционного регулятора. Механика (редуктор) разгоняла ось регулятора до тысяч оборотов в минуту. На оси сидели два грузика с фрикционными накладками (считай тормозами). Центробежная сила прижимала их к неподвижному барабану, создавая тормозное усилие. Это прямой наследник центробежного регулятора Уатта, позволявший механизму работать стабильно независимо от того, как резко вы отпустили диск.

Далее. АТС соединила вас с другом. Вы говорите одновременно, и звук передается и туда, и оттуда по двум проводам — почему двух, а не четыре понятно? Ну хорошо, а вот почему вы не слышите сами себя слишком громко, ведь микрофон шлет звук туда же, откуда его слышит «динамик»?

Я вот быстро ответить не смог. Пошел гуглить. Так вот, оказывается, за это отвечал специальный дифференциальный трансформатор. Там ток от микрофона разветвляется: часть идет в линию к другу, а часть — в «балансный контур» (цепочку из резистора и конденсатора внутри телефона), имитирующую сопротивление линии. Обмотки трансформатора намотаны встречно: магнитные потоки от тока в линию и тока в балансный контур взаимно уничтожаются в той обмотке, что идет к динамику. Инженеры специально настраивали баланс не идеально, оставляя «местный эффект» — тихий звук собственного голоса, чтобы телефон не казался «мертвым». А вот входящий сигнал от друга разбалансировать нечем (с вашей стороны тишина), поэтому он свободно проходит на динамик.

Теперь про микрофон. В то время транзисторов в телефонах не было, но сигнал был громким. Секрет — в конструкции микрофона, он — угольный. По сути, это коробочка с угольным порошком и подвижной мембраной. Звук изо рта сжимает и разжимает порошок, меняя его сопротивление. Микрофон не генерирует ток, а модулирует мощный ток, идущий от АТС. По сути, он работал как усилитель. Со временем уголь слеживался, и слышимость падала — отсюда была привычка стучать трубкой, чтобы «встряхнуть» порошок.

А вот динамик был нормальный, электромагнитный. Хотя не совсем. Если бы внутри был просто электромагнит (без постоянного магнита), телефон бы безбожно искажал голос. Электромагнит притягивает железо независимо от полярности тока. Если подать синусоиду (голос), то мембрана притягивалась бы и на положительной полуволне, и на отрицательной. Результат: частота звука удвоилась бы, и вы слышали бы не голос друга, а непонятное высокочастотное жужжание. Постоянный магнит решает эту проблему: Он создает «преднатяг». Мембрана всегда притянута к магниту со средней силой. Когда приходит «плюс» сигнала, магнитное поле усиливается и мембрана прогибается сильнее. Когда приходит «минус» сигнала, поле ослабевает и мембрана отпружинивает назад.

Сейчас в современном динамике сила строго зависит от направления тока. Плюс толкает, минус тянет. Поэтому «удвоения частоты», которого боялись инженеры старых телефонов, здесь физически возникнуть не может. Мембране не нужен «преднатяг» магнитом, ей нужно просто висеть в покое.

Интересно, что принцип старых электромагнитных капсюлей (мембрана из металла + «якорь») используется сейчас в самых дорогих внутриканальных наушниках — гуглите «арматурные наушники» (цена там 500 баксов где-то).

Напряжение в телефонной сети было отрицательное — минус 48/60 вольт. Плюс заземлен, а «живой» провод — это минус. Зачем? Оказывается, это защита от электрохимической коррозии. Кабели лежат в сырой земле. Если бы на жиле был «плюс» (анод), при повреждении изоляции медь растворялась бы (электролиз) и кабель сгнивал. С «минусом» (катод) ионы металла, наоборот, стремятся осесть на провод из почвы, что продлевало жизнь кабеля на десятилетия.

Интерактивное обучение 1986: «Химический тренажер» | 2025-11-23T15:55:06

У меня дома в Коломне есть книжка Химический тренажер 1986 года. Я таких никогда не до и не после не видел.

Материал каждой из 54 программ подразделяется на множество мелких, очень коротких частей, или рубрик. В конце каждой рубрики задается один или несколько вопросов. Это делается с целью проверить – действительно ли понято содержание данной рубрики. У каждого ответа есть место в книге, куда нужно перепрыгнуть, чтобы почитать, правильный ли ответ. Если ответ неправильный, там описывается, почему и задается новый вопрос. Если правильный — продвигаешься в этом квесте дальше.

Эти немцы в 1986 году сделали интерактивный учебник еще до того, как это стало модным.

Тайны стекла: между мифом и наукой | 2025-11-21T23:58:35

Меня занесло в тему стекла и столько всего интересного узнал, делюсь. Все началось с того, что я прочитал про суперкритическое состояние вещества — оказалось, что линия, разделяющая жидкое и газообразное состояние на графике давления и температуры в какой-то момент обрывается, и дальше находится состояние вещества, которое ни то, ни сё. Начал читать про состояния (фазы) веществ, и наткнулся на то, что стекло это по сути состояние между жидким и твердым. Мол, оно течет, просто медленно. Этот миф популярен благодаря наблюдениям за средневековыми окнами, где стекло часто толще внизу, что приписывали «течению» под действием гравитации, и он даже упоминался в школьных учебниках. На самом деле стекло — это аморфное твёрдое тело с чрезвычайно высокой вязкостью при комнатной температуре, и оно не течёт заметно даже за миллиарды лет; неравномерная толщина старых стёкол объясняется технологиями производства, когда более толстый край устанавливали вниз для устойчивости.

Дальше полез почитать про стекло еще. Оказалось, что причина, по которой стекло может быть прозрачным коренится в квантовой механике, конкретно в электронной структуре материала, а не из-за плотности частиц. Суть в том, что для поглощения фотона электрон должен перейти с одного энергетического уровня на другой, но в диоксиде кремния ширина запрещённой зоны (band gap) настолько велика, что энергии фотонов видимого света физически не хватает для совершения этого «прыжка». В результате свет просто не может взаимодействовать с электронами и проходит сквозь материал насквозь, в то время как более высокоэнергетичное ультрафиолетовое излучение уже способно преодолеть этот барьер и поэтому поглощается стеклом.

Еще оказалось, что расплавленное стекло проводит ток. Причем механизм проводимости принципиально отличается от того, как проводят ток металлы. В медном проводе ток — это поток свободных электронов. В холодном стекле (изоляторе) электроны жестко связаны, а ионы заблокированы в твердой решетке.Но когда вы нагреваете стекло до расплавленного состояния (обычно выше 1000 градусов для силикатных), тепловая энергия разрушает жесткие связи решетки и стекло становится жидкостью, и ионы получают свободу передвижения. Ток в расплавленном стекле — это физическое перемещение заряженных атомов (ионная проводимость), а не просто «перетекание» электронов.

Зеленый оттенок, который вы видите с торца обычного стекла (как на картинке приложенной), оказывается, вызван ионами железа, присутствующими в виде примесей (~0.1%). Песок — это природный материал, и «вычистить» из него железо до нуля сложно и дорого. Осветленное стекло, где в десятки раз меньше ионов железа, оказывается, используют в солнечных панелях, и не для того, чтобы оно просто было прозрачнее. Железо жадно поглощает инфракрасный спектр (тепловую энергию), снижая КПД панели. Убирая железо, мы позволяем максимуму энергии дойти до кремниевых ячеек.

Ну и напоследок, самое «взрывающее мозг» (в буквальном смысле). Существуют так называемые «Батавские слёзки» (Prince Rupert’s drops). Если капнуть расплавленным стеклом в ледяную воду, внешняя оболочка капли остывает и затвердевает мгновенно, в то время как внутренняя часть всё ещё остаётся жидкой. Остывая, сердцевина пытается сжаться, но застывшая корка ей не дает. В итоге внутри капли консервируется колоссальное механическое напряжение (до 700 МПа).

Физика этого процесса создает парадокс: «головку» такой капли можно бить молотком, и она выдержит, так как сжатие поверхности делает её невероятно прочной (тот же принцип используется в закаленном стекле смартфонов). Но стоит лишь надломить тонкий хвостик, как баланс сил нарушается, и волна разрушения проходит по капле со скоростью пули (около 1,5 км/с), превращая её в стеклянную пыль прямо в руках.

А еще в физике есть понятие «металлические стёкла» (amorphous metals). Если охладить расплавленный металл со скоростью миллион градусов в секунду, атомы не успеют выстроиться в кристаллическую решетку и застынут в хаосе. Такой «стеклянный металл» обладает уникальной магнитной проницаемостью и прочнее титана, потому что в нём нет дефектов кристаллической решетки, по которым обычно идет разрушение. Так что стекло — это гораздо более широкое понятие, чем просто прозрачная субстанция в наших окнах 🙂

Единственный пример штучки из этого материала, аморфного металла, Liquidmetal, который я встречал — не поверите , скрепка iPhone.

Кстати, та самая аморфная структура стекла, о которой я писал выше, даёт ему неожиданное преимущество — сверхъестественную остроту. Если взять скальпель из лучшей хирургической стали и посмотреть на него под электронным микроскопом, его лезвие будет похоже на рваную пилу. Это неизбежно: сталь состоит из кристаллических зерен, и заточить её ровнее размера зерна невозможно.

А вот обсидиан (вулканическое стекло) при раскалывании дает кромку толщиной всего в 3 нанометра (это примерно 1/30000 толщины человеческого волоса). В этом нет магии, просто у стекла нет кристаллической решетки, которая мешала бы сделать идеально ровный скол вплоть до молекулярного уровня. Поэтому обсидиановые скальпели до сих пор используют в сложнейших операциях на глазах — разрез получается настолько чистым, что клетки ткани травмируются минимально, и заживление идет быстрее.

И еще один мощный инженерный кейс — витрификация (остекловывание). Именно стекло человечество выбрало как самый надежный «сейф» для ядерных отходов. Жидкие радиоактивные отходы смешивают со специальными добавками, плавят и остужают в блоках. Хитрость в том, что опасные изотопы не просто залиты внутрь, они химически встраиваются в атомную сетку стекла. Стекло химически инертно, оно не ржавеет, как металл, и не разлагается тысячи лет. Это, пожалуй, единственный материал, которому инженеры доверяют хранение опасных веществ на геологических масштабах времени. Да, на разложение выброшенной вами бутылки уйдет где-то миллион лет.

Ну и последнее. Если копнуть в историю, выясняется, что римляне занимались нанотехнологиями за 1600 лет до того, как мы придумали само это слово. В Британском музее стоит «Кубок Ликурга» (IV век н.э.). Если смотреть на него при обычном освещении — он зеленоватый и непрозрачный. Но если поместить источник света внутрь кубка, стекло вспыхивает ярко-красным рубиновым цветом.

До 1990-х годов ученые не могли понять, как это сделано. Электронный микроскоп показал: римские мастера добавили в стекло золото и серебро, размолотые до наночастиц размером около 50 нанометров (это в 1000-1800 раз тоньше волоса). Именно такой размер частиц запускает квантовый эффект поверхностного плазмонного резонанса: электроны в металле начинают колебаться так, что поглощают одни длины волн и пропускают другие в зависимости от угла падения света. Самое смешное, что римляне сделали это эмпирически, «на глаз», а мы только сейчас научились повторять это сознательно в фотонике. Ну насколько можно на глаз оперировать золотой пылью 50 нм. Этот момент потребовал дополнительного гуглежа.

Римляне вряд ли могли механически размолоть металл до 50 нанометров — у них не было таких жерновов.

Вероятнее всего, они добавляли золото и серебро в виде солей или фольги в расплавленную стеклянную массу. Наночастицы образовывались не путем дробления, а путем кристаллизации и осаждения из расплава при очень точном температурном режиме («наводке» стекла). Это еще более сложная химия, чем просто помол.

Самое поразительное не то, что они это сделали, а то, что пропорция золота к серебру была выдержана идеально. Если изменить концентрацию золота всего на 1%, цвет уже не будет таким чистым рубиновым. Это говорит о том, что мастера владели технологией невероятно точно, хотя, вероятно, не понимали механизма. Ну и то, что у них было дохрена времени на всякую ерунду;) видимо, много поколений положили на это жизнь экспериментов. Потому что непонятно зачем это все.

Существует красивая гипотеза (не доказанная, но популярная), что кубок мог использоваться как детектор. Если налить в него другую жидкость (например, спирт с примесями или яд), коэффициент преломления меняется, и цвет «вспышки» может измениться.

Алхимия данных: размышления об алгоритмах RecSys | 2025-11-16T04:02:08

Заумный пост сегодня. Пока писал книгу по RecSys, поймал себя на мысли, что современный data science — это, по сути, алхимия 21 века. За половиной «лучших практик» в алгоритмах нет хорошего математического аппарата. Это набор эвристик, которые «просто работают». Причем как в 17 веке смешивали все подряд, так и сейчас смешивают, и если что-то сработало лучше, все остальные начинают делать так же. Ответа на вопрос «почему» просто нет.

Возьмем, к примеру, алгоритм NCF/NeuMF (Neural Collaborative Filtering). Там такая логика. Есть, скажем, миллион оценок пользователями фильмов. И 100 миллионов оценок пользователями еще на даны — пользователи ж не могут посмотреть все фильмы на свете. Но из этих 100 миллионов для конкретного пользователя надо выбрать кандидатов для рекламы. У алгоритма, конечно, есть фаза тренировки, когда рассчитываются веса, и стадия предсказания, когда эти веса используются на входящих данных.

(Что делает алгоритм. Там по сути ансамбль из три подалгоритмов, два из которых генерят каждый свое заключение, а потом их решения поступают на новую нейронку, третий алгоритм, который дает финальную рекомендацию. По-умному это гибрид GMF (матричная факторизация) и MLP (многослойный персептрон) Первый из этих двух основан на разложении матриц, а второй представляет собой нейронную сеть из нескольких слоев. На тренировочных данных подбираются веса.)

На один позитивный пример он берет 4 негативных. Потому четыре? Да просто это «не много и не мало». Будет ли 8 лучше? Неизвестно, но учиться будет точно дольше.

Почему размерность эмбеддингов 32? или 64? Нет никакой формулы. Это «золотая середина» между «тупой» моделью (мало k) и «переобученной» (много k).

Теперь про нейронку. Почему MLP-блок строят «башней» (64 -> 32 -> 16)? Почему не (50 -> 25 -> 10)? Почему между ними ReLU (а не tanh например)? Чистая эмпирика. Число слоев в башне тоже подбирается.

Почему у GMF и MLP-частей разные эмбединги на входе? Потому что авторы статьи попробовали, и так «получилось лучше». Мат. доказательства нет. Почему на финальный слой они идут с равными весами? Потому что потому.

Почему выходы двух путей «склеиваются» (concat), а не складываются или перемножаются? «Опыт показал, что так результат точнее».

И так во всем, вплоть до выбора оптимизатора Adam или «магического» learning_rate=0.001, хотя с этими по крайней мере понятен матаппарат.

То есть, у одного алгоритма как минимум с десяток параметров подобрано эмпирически, при этом однозначной уверенности, что они независимые друг от друга — нет. Зато многие из них зависят от датасета, но никто не знает как 😉

В общем, алхимия.

Илья Мечников: Жизнь в борьбе за науку | 2025-11-13T04:53:34

Читал тут биографию Мечникова (не знаю, как меня уж занесло) и подумал, как много может поместиться в одну жизнь. Это не просто учёный, это какой-то сериал:

Его старший брат Иван — тот самый прототип «Смерти Ивана Ильича» у Льва Толстого. А другой брат, Лев, был видным анархистом, социологом и сражался в Италии вместе с Гарибальди. У Мечникова две попытки отправиться на тот свет: первый раз — после смерти первой жены (которую, больную туберкулезом, внесли в церковь на стуле). Он выпил морфий, но выжил. Второй раз — когда его вторая жена Ольга тяжело заболела тифом. Он сознательно привил себе возвратный тиф. К счастью, оба выжили. Зато потом смерть с косой сделала свое только после третьего инфаркта подряд.

Чувак окончил университет в 19 лет экстерном. Его рекомендовал сам И.М. Сеченов на профессорскую должность. Но Мечникова «забаллотировали» (провалили) одним голосом. В знак протеста Сеченов уволился вместе с ним.

Он основал в Одессе первую на тот момент в стране бактериологическую станцию. Но из-за ошибки сотрудника (испортили вакцину от сибирской язвы) погибло целое стадо овец. После этого скандала он уехал из России. Станция — на улице Льва Толстого.

В Париже его сразу же взял под крыло Луи Пастер (который отец пастеризованного молока), который поддержал его теорию и дал ему лабораторию в своем институте. Там Мечников и проработал 28 лет, став замдиректора.

Во время изучения холеры в Институте Пастера Мечников выдвинул теорию, что не все люди, контактирующие с возбудителем, заболевают. Он предположил, что все дело… (конечно же) в микрофлоре кишечника. Чтобы это доказать, он сознательно выпил культуру с холерным вибрионом. Ничего, пронесло (тебя бы так проснесло, подумал Мечников)

В итоге он получил Нобелевскую премию за открытие фагоцитоза (клеточный иммунитет). А еще он «отец геронтологии» — именно Мечников выдвинул теорию, что для долголетия нужно бороться с плохими бактериями в кишечнике с помощью пробиотиков. Теперь, говорят, геронтологи всего мира пьют 15 мая простоквашу вспоминая Мечникова.

Умер в Париже, его прах хранится в библиотеке Института Пастера.

А еще в английской Википедии он Élie Metchnikoff. Непросто догадаться.

На фото Мечников и Лев Толстой обсуждают иммунологию.

Интерактивная визуализация алгоритмов рекомендаций в новом open source приложении | 2025-11-11T05:23:46

У меня вышло электронное open source приложение к моей книжке Recommender Algorithms! Это «песочница», где можно «погонять» различные алгоритмы рекомендаций с разными настройками, и по каждому алгоритму посмотреть специфичную ему визуализацию, помогающую понять как он работает. Например, для таких алгоритмов как ItemKNN, SLIM или EASE ключевой визуализацией является heatmap, выученной матрицы схожести (item-item similarity matrix). Это позволяет увидеть, какие именно пары товаров модель считает «похожими» (или «влияющими» друг на друга). Для SLIM, например, полезна «Sparsity Plot» , показывающая, что матрица схожести действительно получилась разреженной. Для алгоритмов ассоциативных правил (Apriori, FP-Growth, Eclat) визуализация — это вообще не график, а интерактивные таблицы с найденными «Частотными наборами» (Frequent Itemsets) и сгенерированными «Правилами» (Association Rules) , которые можно фильтровать и сортировать.

Кроме этого, там есть параметрический механизм создания «игрового датасета» — Dataset Wizard. Работает он так — есть шаблонные датасеты, которые описывают items через характеристики. Например, рецепты через вкусы. Или фильмы через жанры. Система генерирует случайных пользователей со случайным набором характеристик из того же набора — причем там много ползунков, позволяющих это распределение сделать более контрастным или сложным. Далее создается уже матрица оценок пользователями айтемов — условно если совпадают характеристики пользователя и айтема, то оценка будет выше, так как «совпадают вкусы» и наоборот, если различаются, то оценка будет ниже. Тут тоже ползунки, добавляющие шум и scarcity — рандомно удаляется часть матрицы. На вход алгоритму рекомендаций характеристики товаров и пользователей не подаются, они скрыты, но они используются для визуализации результатов.

Третьим компонентом приложения является подбор гиперпараметров. По сути, это автоконфигуратор под конкретный датасет. Там используется итеративный подход, который намного эффективнее, чем полный перебор (Grid Search) или случайный поиск (Random Search). Если говорить кратко, система анализирует историю прошлых запусков (trials) и строит вероятностную «карту» (суррогатную модель) того, какие параметры, скорее всего, дадут лучший результат. Затем она использует эту карту, чтобы по-умному выбрать следующую комбинацию для проверки. Этот метод называется Последовательная оптимизация на основе суррогатных моделей (SMBO).

Код свободный, будет еще дополняться новыми алгоритмами и новыми визуализациями.

Ссылочка на код в комментариях.

Ссылочка на сайтик, где код развернут и где можно посмотреть на приложение, тоже в комментариях.

Самуэль Морзе | 2025-10-28T15:00:54

На «Рживописи» вышла картинка «Париж глазами Самуэля Морзе». Ну мол, точки и тире. Натолкнула меня на этот пост. Мало кто знает, но вообще Самуэль Морзе был художником, причем неплохим — посмотрите на пару картин, которые я прилагаю к посту. Но это по нашим критериям неплохим — вокруг него было много тоже неплохих художников и на фоне них он считал себя неудачником в этом деле и вторую часть жизни, 35 лет, посвятил только телеграфу. (Кстати, Гитлер тоже был художником, на глаз любителя неплохим, но более посредственным, чем Морзе на фоне окружающих его художников, но пошел в политику). На приложенных фото есть картина с картинами. Ее реальный размер метра два и там среди висящих на стене картин есть даже Джоконда (Мона Лиза) Леондардо да Винчи. Которая в то время не так ценилась как сейчас. Ее заметили главным образом после того, как ее спёрли из Лувра, и потом всем миром искали и нашли.

Кстати, «Азбуку Морзе» придумал не Морзе, а Альфред Вейл, его коллега — факт, который Морзе впоследствии всячески отрицал (а заодно приписывал себе изобретение телеграфа как такового). В 1848 году код Вейла/Морзе был усовершенствован немцем Фридрихом Герке. Код, усовершенствованный Герке, использовался до тех пор, пока не пришли новые технологии.

(Кстати, не понимаю, почему он Морзе, а не Морз. Он же американец, его никогда никто Морзе не звал. )

Вообще из людей, которые были художниками, про которых все уже забыли, что они художники, потому что не забыли что-то еще, стоит упомянуть кроме Гитлера еще Уинстона Черчилля и Джорджа Буша-младшего.

Тест на ИИ: восприятие оптических иллюзий | 2025-10-26T21:49:52

Отличный способ проверять не робот ли с тобой разговаривает

Когда-нибудь пригодится

Запуск книги «Рекомендательные алгоритмы»: все, что нужно знать | 2025-10-25T17:36:38

I finally released a book on #RecSys! It’s called Recommender Algorithms, where I’ve compiled over 50 recommendation algorithms with detailed mathematical derivations, thorough explanations, and code examples.

It all started early this spring in Germany, when I attended an ACM conference and sketched out the first structure of the book while analyzing the talks from the RecSys track. And now, just six months later, it has come to life.

Why did I write it? Because neither online nor in print is there a single, accessible resource that deeply explores recommendation algorithms of various types and purposes. There are articles focused on small subsets, but collecting and systematizing approaches—from foundational methods to the very latest—seems to have never been done before. I don’t know if I succeeded, but I’d love to hear your feedback.

Please like & share!

P.S. Click at READ SAMPLE to see the first 40 pages. The table of contents is there as well.