Разница между 1.105
и текущей версией
ЛипинБорис.
@@ -1,18 +1,23 @@
+
+
https://pp.vk.me/c624227/v624227427/1b3b4/4fsocxGHHGg.jpg
- Пару слов о себе:
- * Быдлокодер (линк на гитхаб аккаунт https://github.com/dzruyk);
+ * [[http://img0.joyreactor.cc/pics/comment/full/%D0%B3%D0%B5%D1%80%D0%BE%D0%B8-%D0%BC%D0%B5%D1%87%D0%B0-%D0%B8-%D0%BC%D0%B0%D0%B3%D0%B8%D0%B8-3-Heroes-of-Might-and-Magic-3-Heroes-of-Might-and-Magic-%D0%98%D0%B3%D1%80%D1%8B-1611943.png| OK | 40px]]
+ * Быдлокодер ([[https://github.com/dzruyk| линк на гитхаб аккаунт ]]);
* Адепт лаборатории с октября 2010;
* В дипломе на фото трояк за дисциплину «Язык программирования Си» подтверждающий мои глубокие знания в этой сфере;
* Закончил СыктГУ в 2013 году, выпустился со специальности КЗОИ;
- * Линк на практическую часть ВКР https://github.com/dzruyk/crypti (сам текст ВКР был посеян).
+ * [[https://github.com/dzruyk/crypti | Линк на практическую часть ВКР]] (сам текст ВКР был посеян).
* Мне кажется, что она вовсе не была посеяна. Тебе просто стыдно показывать её, т. к. она, скорее всего, была безобразно свёрстана в OpenOffice :-D
* Она была безобразно свёрстана в MS Word, однако я её всё же посеял. Зачем стыдиться исторических фактов?
+ * UPD: Нашёл текст ВКР, прикопал в [[https://github.com/dzruyk/crypti/blob/master/doc/diploma.docx | репозитории]]
+
----
На занятиях лаборатории Боря был исключительно вредный и дотошный, иногда даже хотелось бросить в него фломастером. -- СиткаревГригорий
-
----
+
Some tests
%R(
@@ -37,12 +42,7 @@
%V 1
%P 20-28
-%R)
-
-Ссылки на электронные ресурсы (пока просто POC):
-
-%R(
-%s The Open Group Base Specifications Issue 7 [Электронный ресурс]
+%s The Open Group Base Specifications Issue 7
%Q The IEEE and The Open Group
%T sed - stream editor
%I IEEE Std 1003.1, 2013 Edition
@@ -52,18 +52,19 @@
- Помойка с полезными ссылками:
- 1 http://archive.amplab.ru/history/lab-2015-01-24.log 2015-01-24T11:28:15 groff cyrillic font
+ 1 [[http://archive.amplab.ru/history/lab-2015-01-24.log 2015-01-24T11:28:15| groff cyrillic font]]
Разговор о Unix
- 1 http://archive.amplab.ru/history/lab-2015-03-06.log 2015-03-06T23:09:09 Unix and Plan9
+ 1 [[http://archive.amplab.ru/history/lab-2015-03-06.log| 2015-03-06T23:09:09 Unix and Plan9]]
Однострочники
- 1 http://archive.amplab.ru/history/lab-2015-01-16.log 2015-01-16T07:10:26 progress bar
- 1 http://archive.amplab.ru/history/lab-2015-02-03.log 2015-02-03T14:36:29 merge files
- 1 http://archive.amplab.ru/history/lab-2015-02-06.log 2015-02-06T21:23:49 merge files (paste)
- 1 http://archive.amplab.ru/history/lab-2015-02-23.log 2015-02-23T19:41:07 ifconfig output sed
+ 1 [[http://archive.amplab.ru/history/lab-2015-01-16.log| 2015-01-16T07:10:26 progress bar]]
+ 1 [[http://archive.amplab.ru/history/lab-2015-02-03.log| 2015-02-03T14:36:29 merge files]]
+ 1 [[http://archive.amplab.ru/history/lab-2015-02-06.log| 2015-02-06T21:23:49 merge files ]](paste)
+ 1 [[http://archive.amplab.ru/history/lab-2015-02-23.log| 2015-02-23T19:41:07 ifconfig output sed]]
+ 1 [[http://swtch.com/~rsc/regexp/regexp2.html| Регулярные выражения. Описание как они устроены]]
-Книжки по типографии, которые стоит загрепать
@@ -84,105 +85,41 @@
- spam
---- Распределение Пуассона
-
-%EQ
-P sub m
-= a sub m over { m! } e sup {-a} (m = 0, 1, ...)
-%EN
-
----Нормальный закон
-
-%EQ
-f(x)
-=
-1 over {sigma sqrt {2 pi}} e sup {- {(x - m)} sup 2 over {2 sigma sup 2}}
-%EN
-Где $$M = m; D = sigma sup 2$$, M - Математическое ожидание; D - Дисперсия
-
-----
- * Боря, а почему $$ Pi $$, а не $$ pi $$ ? --АтрашкевичАндрей
- * Нинаю :-( --ЛипинБорис
- * может, у меня острый проникающий ''''''LaTeX'''''' головного мозга, но я бы написал примерно так: если $$ x ~ \(ti ~ N ( mu , { sigma sup 2 } ) $$, то функция плотности распределения вероятности:
-$$ f ( x ) = size -2 { 1 } over size -2 { sigma sqrt { 2 pi } } e sup { ~ size -1 { - } ~ size +1 { ( { x ~ - ~ mu } ) sup 2} over size +1 { 2 { sigma sup 2 } } } $$ --АтрашкевичАндрей
- * и предыдущая формула у меня — формула-урод, и чем больше правлю, тем больше урод --АтрашкевичАндрей
-----
-
---- Метод градиентного спуска (Gradient descent method)
-
-Метод градиентного спуска используется для подбора оптимальных коэффициентов для произвольной функции $$ h(x) $$ при наборе известных пар $$ (x, y) $$ (Входной параметр, результат).
-Например в результате эксперимента мы получили следующие значения
-
- X Y
-
- 1 3
-
- 2 6
-
- 3 11
-
-Мы знаем что зависимость $$X$$ от $$Y$$ имеет квадратичный характер ( $$ y $$ ~ $$ x sup 2 $$ )
-и хотим узнать функцию $$ h(x) $$,
-которая для каждого $$i$$ -того эксперимента в соответствие
-$$x sup i$$
-получит значение максимально близкое к
-$$y sup i$$.
-Иными словами мы хотим получить коэффициент $$ THETA sub 1$$ для уравнения
-
-%EQ
-y = THETA sub 1 x sup 2
-%EN
-
-Метод используется для решения тех же задач что и МетодНаименьшихКвадратов.
-
-----
- * К: с той существенной разницей, что МНК без дополнительных действий (линеаризация или взятие весов, например) пригоден только для аппроксимации данных линейными полиномами, а МГС используется для аппроксимации данных и полиномами со старшей степенью $$ n >= 2$$ --АтрашкевичАндрей
-----
-
-Под "оптимальностью" понимается то,
-что значение функции при данных
-$$ x sup (i) $$
-будет минимально отличаться от
-$$y sup (i)$$.
-Для этого необходимо ввести функцию потерь
-$$J$$,
-её значения зависят только от параметров
-$$ THETA $$,
-поэтому будем обозначать функцию потерь как
-$$J( THETA )$$
-
-%EQ
-J( THETA )
-=
-1 over {2m} sum {(h sub theta (x sup i) - y sup (i) ) sup 2}
-%EN
-
-В качестве функции потерь мы выбрали квадрат средней ошибки.
-
-%EQ
-THETA sub i
-=
-THETA sub i - alpha {partial over {partial THETA sub i}} J( THETA )
-%EN
-
-Где:
- * $$ J( THETA ) $$ - функция потерь
- * $$ alpha $$ - некий коэффициент называемый "скоростью обучения"
-
-Откуда ясно что производная от $$J( THETA )$$ вычисляется следующим образом
-
-%EQ
-partial {J( THETA )} over { partial THETA }
-=
-1 over m sum {(h sub theta (x sup i) - y sup (i) ) x sup (i)}
-%EN
-
-Два вида нотаций (соглашений о записи) частного дифференцирования функций многих переменных:
-
-%EQ
-partial f ( x bar ) over {partial x sub i}
-%EN
+-- refer test
+%R(
+%A Линник Ю.В.
+%T Метод наименьших квадратов и основы математико-статистической теории обработки наблюдений
+%I ФизМатГИЗ
+%D 1962
+%C М.
+%P 10
+%U http://books.e-heritage.ru/book/10084376
+
+%A Линник Ю.В.
+%T Метод наименьших квадратов и основы математико-статистической теории обработки наблюдений
+%I ФизМатГИЗ
+%D 1962
+%C М.
+%P 10-12
+%U http://books.e-heritage.ru/book/10084376
+
+%A Moore A.V.
+%T Least squaries
+%I Orsk university
+%D 1999
+%C M.
+%P 110
+%U http://books.e-heritage.ru/book/10084376
+
+%A Moore A.V.
+%T Least squaries
+%I Orsk university
+%D 1999
+%C M.
+%P 110-112
+%U http://books.e-heritage.ru/book/10084376
+%R)
----