Графики каждый день (почти) @qdiag Telegramチャンネル | DiscoverTelegram.com

Графики каждый день (почти)

Графики каждый день (почти)
Группа, полная любопытства к миру и любви к визуализации! Различные модели, от снежинок до квантовой механики)
boost: https://t.me/boost/qdiag
1,104 人の購読者
253 枚の写真
17 本の動画
最終更新日 25.02.2025 14:31

類似チャンネル

Love. Death. Transformers.
18,696 人の購読者
Labrats
11,766 人の購読者

Визуализация данных: Как графики помогают понять мир

Визуализация данных представляет собой метод представления информации в графической форме, который позволяет людям лучше воспринимать и анализировать данные. Этот подход становится всё более популярным в различных областях, таких как наука, бизнес и образование. Графики служат мощным инструментом для понимания сложных явлений, от квантовой механики до простых природных форм. Они помогают превращать абстрактные данные в понятные образы, что способствует более глубокому пониманию материала. В наши дни, когда объем информации постоянно растет, умение создавать и интерпретировать графики становится важным навыком, особенно для студентов и специалистов различных сфер. В данной статье мы рассмотрим, как визуализация данных помогает нам в понимании сложных концепций и явлений, а также ответим на некоторые популярные вопросы по этой теме.

Почему визуализация данных важна?

Визуализация данных важна, потому что она помогает преобразовать сложный набор данных в более удобоваримую и визуально привлекательную форму. Это упрощает процесс анализа и позволяет выявлять паттерны, тренды и аномалии, которые могли бы остаться незамеченными при работе с сырыми данными. Графическое представление информации также способствует более быстрому принятию решений, так как визуальные элементы лучше усваиваются мозгом человека.

Кроме того, визуализация данных играет ключевую роль в коммуникации. Когда вам нужно донести информацию до аудитории, графики и диаграммы могут значительно улучшить ваше сообщение. Они помогают избежать недопонимания и упрощают взаимодействие с коллегами и клиентами, обоснованно повышая эффективность представления информации.

Как графики используются в науке?

В науке графики являются незаменимым инструментом для визуализации экспериментальных данных и теоретических моделей. Например, в квантовой механике графики могут помочь иллюстрировать вероятностные распределения частиц или показать отношения между различными переменными. Это позволяет учёным лучше понять результаты своих экспериментов и делать выводы, основываясь на визуально представленных данных.

Кроме того, визуализации играют важную роль в научных публикациях. Графики являются важной частью материалов, поскольку они могут эффективно донести сложные идеи до широкой аудитории, включая не только специалистов в области, но и заинтересованных читателей. Правильно оформленные графики могут значительно повысить шансы на принятие работы к публикации.

Какие инструменты доступны для создания графиков?

Существует множество инструментов для создания графиков, как бесплатных, так и платных. Наиболее популярные включают Microsoft Excel, Google Sheets, Tableau и R с его библиотеками для визуализации, такими как ggplot2. Эти инструменты предлагают широкий спектр возможностей, от простых диаграмм до сложных многослойных графиков, позволяя пользователям выбрать подходящий уровень сложности в зависимости от целей их анализа.

Кроме того, существуют специализированные программные решения, такие как Python с библиотеками Matplotlib и Seaborn, которые позволяют создавать настраиваемые визуализации. Для интерактивных графиков и дашбордов подойдут библиотеки D3.js и Plotly. Эти инструменты открывают огромные возможности для исследователей и аналитиков в том, чтобы визуализация данных соответствовала их потребностям.

Как графики помогают в бизнесе?

В бизнесе графики являются важным инструментом для анализа рынка, понимания потребительского поведения и принятия стратегических решений. Благодаря визуализации данных, компании могут отслеживать ключевые показатели эффективности (KPI) и быстро реагировать на изменения в рыночной среде. Четкие и информативные графики помогают представить данные в отчётах, что упрощает их анализ и интерпретацию для менеджмента и акционеров.

Графики также используются в маркетинговых кампаниях для анализа данных о целевой аудитории и её предпочтениях. Они позволяют исследовать поведение клиентов в реальном времени и адаптировать стратегии в соответствии с изменениями. Таким образом, визуализация данных становится критически важной для достижения бизнес-целей и повышения конкурентоспособности.

Какие ошибки стоит избегать при создании графиков?

При создании графиков важно избегать таких ошибок, как перегрузка информации. Слишком много данных или слишком сложные визуализации могут запутать аудиторию и сделать график трудным для восприятия. Лучший подход – это простота и ясность, чтобы донести основную мысль без лишних деталей. Необходимо также учитывать, что разные люди могут воспринимать визуализации по-разному, поэтому важно стараться быть максимально понятным.

Другая распространенная ошибка – неправильное использование шкал. Линейные и логарифмические шкалы могут сильно повлиять на то, как данные воспринимаются. Важно правильно выбирать тип графика и шкал для представления данных, чтобы избежать искажения реальной картины. Использование цветовой палитры также играет важную роль, и выбор плохих цветовых сочетаний может отвлекать внимание от основной информации.

Графики каждый день (почти) テレグラムチャンネル

Добро пожаловать в канал "Графики каждый день (почти)"! Если вы увлекаетесь анализом данных, визуализацией информации и любите изучать различные графики, то этот канал идеально подойдет для вас. Здесь вы найдете увлекательные и информативные графики по самым разнообразным темам - от экономики и финансов до науки и технологий. Наш канал публикует новые графики почти каждый день, чтобы поддерживать ваш интерес и расширять ваши знания. Присоединяйтесь к нам, чтобы быть в курсе последних тенденций и узнавать что-то новое каждый день! Подпишитесь на канал "Графики каждый день (почти)" прямо сейчас - qdiag.

Графики каждый день (почти) の最新投稿

Post image

О том как перемножать матрицы n×n
(II. или о случайных блужданиях на flip-graph)

Продолжаем решать задачу о поиске оптимального алгоритм для умножения матриц (начало в посте выше). Хотим найти за наименьшее число троек (триад) n²-мерных векторов (u, v, w) разложение Tᵢⱼₖ = Σ uvwₖ . Число троек называют рангом r. Дальше правильное разложение буду обозначать за UVW(r).

Рассмотрим некоторое разложение UVW(r=n²), такое всегда существует. Если у двух триад совпадает один из векторов, то можем сделать flip и перейти к новому UVW(r). Продолжаем делать случайные флипы, пока у двух триад не совпадёт два вектора, тогда можем сделать reduction и попасть в UVW(r-1). Если к операциям добавить ещё путь к UVW(r+1), то получим образующие для flip-graph, но нам часто достаточно ходить горизонтально и вниз.

Просто случайными блужданиями по flip-графу здесь (и тут с учётом симметрий) и нашли рекордные на сегодня схемы: r=93 для n=5 и r=153 для n=6 (было 98 и 160). Интересно, можно ли как-то сделать блуждания направленными.

Мою PyTorch реализацию (ну приятно же на gpu случайно блуждать) можно потыкать на
github.com/k1242/flip-graph
(или поддержать звёздочками). Для n=3 находит оптимальные алгоритмы за 10с, а это, между прочим, поиск кратчайшего пути на графе в 2⁷²⁹ ~ 10²¹⁹ вершин :)

24 Feb, 06:55
483
Post image

О том как перемножать матрицы n×n
(I. или как метрополисом оптимально по графу на 2⁶⁴ вершин шагал)

На компьютере хорошо складывать числа, а не умножать, поэтому если бы умножать матрицы 2х2 можно было бы не за 8 умножений, а за 7, то всё стало бы немного быстрее. И в 1968 году Штрассен выяснил, что да, можно!)

Операция умножения матриц Cᵢⱼ = Aᵢₖ Bₖⱼ является билинейной и может быть переписана в виде Cᵢ = Tᵢⱼₖ ABₖ (сплющили матрицы в 4d векторы). Тензор Tᵢⱼₖ определяется только размерами матриц и универсален для всех (C, A, B). Осталось сделать декомпозицию тензора Tᵢⱼₖ = Σ uvwₖ по минимальному набору триад (u, v, w), а это уже NP-complete задача. Если воспринимать добавление триады как шаг на графе, а тензоры Tᵢⱼₖ как вершины, то формально мы ищем кратчайший путь в графе на 2^(n⁶) вершин степени 2^(3). Даже для n=2 у нас уже 2⁶⁴ вершин.

Зато можем попробовать отжиг (как тут или тут). И это работает, на графике d представлен мой процесс отжига для n=2, который по итогу 8 минут работы находит таки оптимальную декомпозицию на 7 умножений (даже 14 разных её реализаций, среди которых и аналогичная Штрассену). А на графиках a, b, c иллюстрация декомпозиции из AlphaTensor (которые своим RL понаходили такие разложения вплоть до n=5).

P.S. В комментариях можно найти минимальную реализацию отжига в пределах 100 строк)

11 Feb, 06:50
980
Post image

О том как stockfish смотрит на шахматную доску
(или о выученных фильтрах для оценки позиции)

Последние лет 5 на соревнованиях среди шахматных программ выигрывает stockfish, а всё благодаря тому что в 2020 году перешёл на оценку позиции нейросетью архитектуры NNUE (и это что-то само по себе прекрасное).

Рассмотрим одну из версий архитектуры. Шахматная доска кодируется one-hot через (piece_square, piece_type, piece_color) — положение фигуры, тип фигуры и цвет фигуры, всего получается 8×8×6×2=768 чисел на вход, из которых не более 32 единичек (не более 32 фигур), а остальные нолики. Первый слой отображает этот one-hot вектор в 64 features, которые потом дорабатываются в маленьком MLP.

На фото предлагаю взглянуть, а как разные фигуры на разных местах влияют на эти features. Цветом по каждому столбику показано значение фичи. Каждая картинка 8х8 показывает как меняется значение при перемещение фигуры по доске. Первая строчка каждой фигуры это для белых, а вторая строчка для черных.

Тут явно видно, как ходят фигуры. А ещё, что вклад черных это буквально отрицательный вклад белых. Да, вы смотрите прямо в мозги stockfish :)

03 Jan, 19:10
1,708
Post image

С наступающим Новым Годом!)🎄

Очень рад видеть, что в этом году добрались до 10³ любопытствующих, огромное всем спасибо за внимание, активность, вопросы и предложения. Мне очень ценно иметь возможность здесь делиться какими-то последствиями своего и не только любопытства. Желаю всем в следующем году вдохновения и возможности это вдохновение реализовывать!)

P. S. Мы тут в лабе из атомов собрали и сфотографировали микро оленя, не могу не поделиться. Да, каждая светящаяся точка это 1-4 атома ⁶Li, удерживаемых своим лазерным пинцетом)

P.P.S. Если хотите помочь добавить новые реакции, тут можно бустануть канал 👉👈

27 Dec, 14:07
1,753