Участник:StasFomin/Bookmarks/Algorithms — различия между версиями

Материал из DISCOPAL
Перейти к: навигация, поиск
(Добавлена закладка Christofides algorithm - Wikipedia)
(Добавлена закладка Xpitfire/symbolicai: Compositional Differentiable Programming Library)
Строка 2: Строка 2:
 
=== 2023-03 ===
 
=== 2023-03 ===
  
 +
* 2023-03-09, 19:39:38: [https://github.com/Xpitfire/symbolicai Xpitfire/symbolicai: Compositional Differentiable Programming Library]
 +
*: <html>pip install symbolicai</html>
 +
<!-- NEXT BOOKMARK -->
 
* 2023-03-08, 23:08:15: [https://en.wikipedia.org/wiki/Christofides_algorithm Christofides algorithm - Wikipedia]
 
* 2023-03-08, 23:08:15: [https://en.wikipedia.org/wiki/Christofides_algorithm Christofides algorithm - Wikipedia]
 
*: <html>In July 2020 however, Karlin, Klein, and Gharan released a preprint in which they introduced a novel approximation algorithm and claimed that its approximation ratio is 1.5&nbsp;−&nbsp;10<sup>−36</sup>. Their method follows similar principles to Christofides' algorithm, but uses a randomly chosen tree from a carefully chosen random distribution in place of the minimum spanning tree.<sup id="cite_ref-5" class="reference"><a href="https://en.wikipedia.org/wiki/#cite_note-5">[5]</a></sup><sup id="cite_ref-6" class="reference"><a href="https://en.wikipedia.org/wiki/#cite_note-6">[6]</a></sup> The paper was published at <a href="https://en.wikipedia.org/wiki/Symposium_on_Theory_of_Computing" title="Symposium on Theory of Computing">STOC'21</a><sup id="cite_ref-7" class="reference"><a href="https://en.wikipedia.org/wiki/#cite_note-7">[7]</a></sup> where it received a best paper award.<sup id="cite_ref-8" class="reference"><a href="https://en.wikipedia.org/wiki/#cite_note-8">[8]</a></sup></html>
 
*: <html>In July 2020 however, Karlin, Klein, and Gharan released a preprint in which they introduced a novel approximation algorithm and claimed that its approximation ratio is 1.5&nbsp;−&nbsp;10<sup>−36</sup>. Their method follows similar principles to Christofides' algorithm, but uses a randomly chosen tree from a carefully chosen random distribution in place of the minimum spanning tree.<sup id="cite_ref-5" class="reference"><a href="https://en.wikipedia.org/wiki/#cite_note-5">[5]</a></sup><sup id="cite_ref-6" class="reference"><a href="https://en.wikipedia.org/wiki/#cite_note-6">[6]</a></sup> The paper was published at <a href="https://en.wikipedia.org/wiki/Symposium_on_Theory_of_Computing" title="Symposium on Theory of Computing">STOC'21</a><sup id="cite_ref-7" class="reference"><a href="https://en.wikipedia.org/wiki/#cite_note-7">[7]</a></sup> where it received a best paper award.<sup id="cite_ref-8" class="reference"><a href="https://en.wikipedia.org/wiki/#cite_note-8">[8]</a></sup></html>

Версия 19:39, 9 марта 2023

2023

2023-03

2022

2022-04

2022-03

2021

2021-12

2021-11

2021-10

2021-09

2021-08

2021-07

2021-06

2021-05

  • 2021-05-30, 11:24:30: Facebook
    Аллен Дауни прямо радует - читается хорошо, без академической воды и понятно, с адекватными и ясными примерами практических задач. Последний раз все было так ясно и лаконично при перерешивании задач по терверу из советского учебника Вентцель и книги по байесовским методам Джона Крушке. Покрутил, наверное, в 10 раз в голове теорему Байеса и, вообще, понятие вероятности, условной вероятности, совместной вероятности, априорного и апостериорного распределения, сопряженного приора, pdf, pmf, cdf с разных сторон (и в очередной раз так и не просек простую идею бета-распределения, но, верю, она же есть) - ну чтобы чуйка развилась еще больше. Я честно, от всего сердца и ума, делал несколько подходов к прикладной байесовской статистике с разных сторон и с разными инструментами, прочитал, наверно несколько книг (поняв в них далеко не все) и не помню уже как много статей, но постоянно преследовал вопрос - а зачем и как это мне поможет в повседневной практике? Основная цель, которую я преследовал и до сих пор преследую для себя - научиться понимать "небольшие" данные и причины, стоящие за ними глубже, чем позволяют популярные статистические методы и мало кем, на самом деле, глубоко понимаемые доверительные интервалы на хи-квадратах, погоняемых группами сТЬЮдентов

2021-04

2021-03

2021-02

2021-01

2020

2020-12

2020-11

2020-10

2020-09

2020-08

2020-07