![[personal profile]](https://www.dreamwidth.org/img/silk/identity/user.png){kind=small}
chispa1707Сейчас все мои надежды на ИИ. Причина: я сильно сдал, и мне стало трудно держать всю эту массу данных в голове одновременно, а без этого общей картины не увидать. Пытался урезать эту прорву данных с помощью обработки только ВКЛ, но этого недостаточно: расклад следует видеть целиком. Общий замысел таков: прогнать три основные группы (катастрофы, реформы и активность агентов) через идентичные процедуры, выявить общие для всех закономерности, из которых ключевая - образование провинций, ну и выяснить, где пролегают границы эпох с разными характеристиками - они есть. А дальше - вручную, этого не избежать.
***
Возможно, ИИ подскажет неизвестные мне методы обработки данных.
***
Да, списки под катом показывают, что ИИ может подсказать очень многое; главное - не стесняться спрашивать.
***
Возможно, ИИ подскажет неизвестные мне методы обработки данных.
***
Да, списки под катом показывают, что ИИ может подсказать очень многое; главное - не стесняться спрашивать.
У меня есть три базы данных. Сейчас их загружать не стану, подожду твоей платной версии. На листе файла Эксель три столбца: дата события, индекс типа события и индекс места события. Ищу закономерности, которые определенно есть. Понимаю, что надо искать повторяемость индексов через промежутки времени, что можно выявить серии каких-то индексов с их постепенным исчезновением, что есть связи между тремя разными базами... но я подозреваю, что методов выявить закономерности в этих трех массивах намного больше, чем я вижу. Скажи, какие методы выявления закономерностей для таких массивов можешь подсказать ты.
ChatGPT сказал:
Ты прав: в трёх массивах вида [дата, тип события, место события] действительно можно найти много уровней закономерностей, причём не только по каждому столбцу отдельно, но и по их сочетаниям и трансформациям. Ниже я перечислю методы, которыми можно выявлять закономерности — от простейших до продвинутых, включая те, которые применяются в анализе временных рядов, категориальных данных и пространственно-временных взаимосвязей.
🔹 1. Простая статистика и частотный анализ
Применение:
Выявить, какие индексы типов или мест наиболее частотны.
Какие комбинации "тип–место" встречаются чаще всего.
Методы:
Частотные таблицы
Crosstab (сводные таблицы)
Условные вероятности: P(тип | место), P(место | тип)
🔹 2. Временные закономерности
Цель: понять, как повторяются события во времени.
🔸 Повторяемость:
Есть ли периодические повторения определённых типов или мест?
Использование автокорреляции по временной оси: autocorrelation plot
🔸 Скользящие окна:
Метод "rolling window": смотреть, как меняется частота появления индексов с течением времени.
Выявление волн: серия событий, за которой наступает спад.
🔸 Сезонность:
Если даты охватывают годы: искать годовую, квартальную, недельную периодичность.
🔹 3. Исчезновение и появление
Метод: отслеживание судьбы индекса
Построить траекторию для каждого тип_события:
Когда он появляется впервые?
Когда исчезает?
Есть ли жизненный цикл: рост → пик → спад?
🔹 4. Кластеризация и ассоциации
Кластеризация:
Сгруппировать строки по схожести по трем столбцам.
Алгоритмы:
k-means (если оцифровать)
DBSCAN (для выделения плотностей событий)
HDBSCAN (если данные разреженные и неявные кластеры)
Ассоциативные правила (аналог покупок в магазине):
Например, если происходит событие типа A в месте X, то через t дней вероятен тип B в месте Y.
Метод: Apriori или FP-Growth (поиск ассоциаций и правил)
🔹 5. Пространственно-временные закономерности
Если индексы мест можно привязать к географическим координатам:
Space-time clustering: события могут мигрировать (волны, кластеры).
Построение тепловых карт событий во времени.
Hot Spot Analysis: где происходят пики активности в определённое время.
🔹 6. Марковские цепи и переходы
Рассматриваем последовательности индексов как цепь переходов.
P(тип[i+1] | тип[i]), P(место[i+1] | место[i]) — вероятности переходов.
Можно строить матрицы переходов, выявлять "аттракторы" — индексы, к которым цепь тяготеет.
🔹 7. Алгоритмы обнаружения аномалий
Ищем события, выпадающие из общего хода истории.
Примеры: вдруг возникшее место, нетипичный тип в данной цепочке.
Используются: Isolation Forest, LOF, Z-score, пр.
🔹 8. Алгоритмы выявления трендов
Частотность определённого события во времени: растёт? падает?
Time series decomposition: разбивка на тренд + сезонность + шум.
🔹 9. Графовый анализ
Представление данных как графа переходов:
Вершины: типы/места
Рёбра: переходы от одного к другому через дату
Выявление центральных узлов, циклов, влияющих типов и магистральных путей событий.
🔹 10. Многобазовый анализ: корреляции между массивами
Сравнительный анализ: одни и те же места или типы всплывают в разных базах?
Корреляции по времени: если событие в базе A → через X дней событие в базе B?
Методы:
Временная корреляция
Cross-correlation
Dynamic Time Warping (DTW) — если события «похожи, но смещены» по времени
❗ Возможные неожиданные закономерности:
Случайные совпадения дат + место между базами.
Ротация событий: если тип1 → тип2 в месте X, то в другом месте может быть тип2 → тип1.
Всплески активности перед исчезновением типа.
📊 Что ещё может помочь?
PCA (главные компоненты): уменьшение размерности и выявление главных осей различий.
t-SNE / UMAP: для визуализации скрытых группировок.
Регулярные выражения на шаблоны индексов: если в индексах есть внутренние коды или структуры.
Если хочешь, я могу при получении твоих данных провести полный анализ, визуализации и гипотезы.
Хочешь, составлю план анализа с указанием, какие методы в каком порядке запускать — прямо под твою задачу.
Вы сказали:
В этом списке есть ли метод, позволяющий сгруппировать индексы по связанности между собой? Например, индекс 1 часто совпадает в одном месте и в одно время с индексом 2 и никогда не совпадает с индексом 3...
ChatGPT сказал:
Да, такой метод определённо есть, и даже несколько подходов позволяют выявить связанность между индексами типов событий по их совпадениям во времени и пространстве. Вот основные подходы — начиная с простейшего и заканчивая продвинутыми:
🔸 1. Матрица совместной встречаемости (co-occurrence matrix)
Что делает:
Строит матрицу, в которой ячейка [i][j] показывает, сколько раз тип события i и j встречались в одном месте и в один день (или в одном временном интервале, если задать допуски).
Что выявляет:
Часто связанные индексы (высокие значения)
Несовместимые пары (ячейки с нулями)
Можно дополнить:
Нормировать матрицу (по вероятностям или расстояниям)
Строить на её основе граф (см. пункт 4)
🔸 2. Меры ассоциации (например, lift, confidence, support)
Из арсенала анализа транзакций (market basket analysis).
Пример:
Если P(встретился 1 и 2) значительно больше, чем P(1)*P(2), то между ними ассоциативная связь.
Методы:
Support — как часто вместе встречаются
Confidence — вероятность j при условии i
Lift — насколько сильнее связь, чем случайность
Это то, что делает алгоритм Apriori или FP-Growth (см. ниже).
🔸 3. Алгоритмы ассоциативных правил (Apriori, FP-Growth)
Что делает:
Находит частые наборы типов событий, которые появляются одновременно (или почти одновременно) — как если бы типы событий были "покупками" в одной "корзине" (событии).
Что даёт:
Группы связанных между собой индексов
Правила вида: «если есть 1, то с вероятностью 80% есть и 2»
Можно задавать минимальный порог "поддержки" (support), чтобы отсеять шум.
🔸 4. Графовая модель совместной встречаемости
Что делает:
Каждому индексу — вершину
Между индексами — ребро, если они встречаются в одном месте/время
Вес ребра — частота совместной встречи
Анализ:
Алгоритмы нахождения кластеров (компонентов связности, Louvain, label propagation)
Центральные индексы — узлы с высокой степенью (degree)
Можно визуализировать как network graph
🔸 5. Модели topic modeling на категориальных данных (например, LDA)
Адаптация тематического моделирования (Latent Dirichlet Allocation) на дискретные события.
Как работает:
Воспринимает «наблюдение» (например, день в конкретном месте) как документ
Индексы типов — как "слова"
Темы — как скрытые группы событий, которые часто сосуществуют
Результат:
Типы событий группируются в "темы", т.е. стабильно совместные группы
🔸 6. Меры расстояний между индексами по профилям совместной встречаемости
Можно создать вектор для каждого индекса, в котором указана его частота совместного появления с другими.
Затем применить:
Кластеризацию (k-means, hierarchical)
Меры сходства: cosine similarity, Jaccard similarity и т.д.
Результат:
Индексы, у которых схожие «окружения», попадают в один кластер.
📌 Пример применения:
Предположим, у нас такие записи:
Дата Тип Место
2021-01-01 1 A
2021-01-01 2 A
2021-01-01 3 B
2021-01-02 1 A
2021-01-02 2 A
2021-01-03 3 A
Из этого легко видно, что:
Типы 1 и 2 всегда появляются вместе в A
Тип 3 появляется в A один раз и в B — один раз → меньше связан с 1 и 2
💡 Рекомендация:
Если твоя цель — группировать индексы по связности (взаимной встречаемости во времени и пространстве), то вот идеальный путь:
Построить матрицу совместной встречаемости
Нормировать и построить граф
Провести кластеризацию по графу
Проверить правила через Apriori: кто с кем появляется часто
Визуализировать через графовую схему или UMAP
Хочешь — могу помочь всё это реализовать, когда ты загрузишь данные.
Вы сказали:
Спасибо. Предположим нами получен график роста и падения встречаемости индекса на участке времени с 1 по 20, и в другой базе есть сходный график для другого индекса на участке времени с 21 по 40. Такие участки с высоким уровнем корреляции выявить можно?
ChatGPT сказал:
Да, такие участки с похожим поведением (в том числе со смещением по времени) можно выявить, и это одна из ключевых задач анализа временных рядов. Ниже — кратко основные методы, позволяющие это сделать, даже если один график "повторяет" другой сдвинутым по времени или растянутым по длине.
✅ 1. Скользящая корреляция (rolling correlation или moving window cross-correlation)
Как работает:
Берём фрагмент первого графика (например, с 1 по 20).
Сравниваем его с каждым возможным фрагментом второй базы (например, 21–40, 22–41 и т.д.)
Вычисляем коэффициент корреляции Пирсона для каждого сдвига.
Что даёт:
Показывает, где именно во второй базе находится участок, наиболее схожий по форме с первым.
Можно установить величину временного сдвига, на которой они наиболее коррелируют.
✅ 2. Dynamic Time Warping (DTW)
Сильнее, чем корреляция: позволяет сопоставлять два графика, даже если один "растянут" или "сжат" по времени (например, пик у одного наступает медленнее).
Как работает:
Строит "путь" между двумя временными рядами, минимизируя суммарное расстояние между их точками.
Позволяет выявить, что форма одного ряда сильно похожа на другого, пусть и с деформациями по времени.
Что даёт:
Индекс схожести (расстояние DTW)
Сопоставление участков с неравномерным сдвигом
Подходит даже для непараллельных участков и фрагментов с разной длиной
✅ 3. Кросс-корреляция (cross-correlation function, CCF)
Быстрое средство для определения взаимной зависимости с лагом (смещением).
Что делает:
Строит график зависимости корреляции при разных сдвигах (лаг ±n)
Показывает: при каком сдвиге один график лучше всего предсказывает другой
✅ 4. Сравнение фрагментов через кластеризацию сегментов
Разбиваем оба временных ряда на куски (например, по 20 точек) и:
применяем PCA или t-SNE для сжатия каждого сегмента до вектора
затем ищем схожие сегменты по расстоянию между этими векторами
Полезно, если хочется найти все участки одного и того же "рисунка" по всей длине ряда, даже в разных базах.
✅ 5. Корреляция первых производных (темп изменений)
Иногда два графика сходны не по значениям, а по динамике:
оба растут → оба падают → плоский участок и т.д.
Метод:
Вычислить первую производную (разность между соседними значениями)
Коррелировать эти производные
🧠 Пример:
Время База 1 (индекс A) База 2 (индекс B)
1–20 Рост → пик → спад
21–40 Рост → пик → спад
Ты хочешь узнать, повторяет ли B поведение A с лагом = 20?
Да, DTW или скользящая корреляция (rolling window) — идеально подойдут.
🧰 Инструменты, которые это делают:
Python: scipy.signal.correlate, pandas.rolling().corr, tslearn.metrics.dtw
R: dtw, ccf(), zoo и TTR для сглаживания
Excel: можно вручную сдвигать и считать CORREL() для окон
🧭 Резюме:
Метод Смещение по времени Разная длина Форма важна Устойчивость
Скользящая корреляция ✅ ❌ ✅ Прямая
Cross-correlation ✅ ❌ ✅ Прямая
DTW ✅✅ ✅✅ ✅✅ Сильная
Кластеризация сегментов ✅ ✅ ✅ Статистика
Корреляция производных ✅ ❌ Тренд Хорошая
Если позже пришлёшь фрагменты или графики, могу точно посчитать, какие пары фрагментов в каких базах коррелируют или повторяют друг друга.
Вы сказали:
Спасибо. Этого достаточно. До встречи.
.
![[identity profile]](https://www.dreamwidth.org/img/silk/identity/openid.png){kind=small}
Несколько бесплатных ИИ, способных анализировать Excel
Date: 2025-06-08 10:06 am (UTC)2. Numerous - бесплатный инструмент для анализа электронных таблиц с помощью ИИ (без регистрации, без ограничений). http://numerous.ai/blog/ai-spreadsheet-analysis
3. XLSX Summarizer - бесплатный анализ файлов Excel на основе ИИ. (вероятно, файл XLS нужно будет сохранить как XLSX). http://musely.ai/tools/xlsx-summarizer
4. Excel AI — бесплатное создание формул, диаграмм и анализ. http://app.formulabot.com/excel-ai
5. Excel Data Analysis - загрузка, анализ, визуализация. http://exceldatanalysis.com/
6. ChatGPT для электронных таблиц. (7-дневная бесплатная пробная версия) http://numerous.ai/use-case/marketing
7. Статья: 10 лучших бесплатных инструментов ИИ для Excel. http://excelmatic.ai/blog/best-free-ai-tools-for-excel/
8. Статья: Лучшие бесплатные инструменты ИИ для Excel. http://www.thebricks.com/resources/best-free-ai-tools-for-excel#top-free-ai-tools-for-excel
Re: Несколько бесплатных ИИ, способных анализировать Exce
Date: 2025-06-08 01:07 pm (UTC)no subject
Date: 2025-06-08 11:39 am (UTC)Для того ИИ и пришел в наш мир, дабы убрать рутинные задачи и оставить для нас самое основное - задавать направление, делать визию и добавлять креативность.
В этом у вас все в порядке и до 90 будет )
no subject
Date: 2025-06-08 01:07 pm (UTC)no subject
Date: 2025-06-08 01:51 pm (UTC)фигня это ЫЫ
была у мене стар картинка (картон грунт туш акварель масло — мая новая техника) -сдуру подарил родственнице — и
случайносгорела \\\ поскоку мы решили наш 2й том оформлять картиной —(плач мари о кристе над елионской горой)
-егермейстер решил ее .. отреставрировать в стиле дгевних художников
это Совсем др смысл :-(((
no subject
Date: 2025-06-08 02:20 pm (UTC)no subject
Date: 2025-06-09 10:27 am (UTC)у мене то вообще 2 гряда крымск гор \\ щитай с натуры \\ где они (ыы) увидели море .... \\ а реально это асия прима — гора елионская (ну надеюсь мене читал) — пришлось когда то для кагора и еврея заняца асией кападдокией бифинией ...
no subject
Date: 2025-06-09 10:54 am (UTC)или вот те пример про Мой жыжы \\ набрял в яндексе (гугле — вообще Г) поиск на свой классификатор = пока ОНО ссы лалось на мене — все норм \\ как только на Офиц сайты — классификаторы тиам .. гарант ... — получился безсмысл винигрет \\ что алиса не понимает что тупиноиды-чиновники на уровне минфина-росстата — налоговой \\ тупые -с
no subject
Date: 2025-06-10 03:51 am (UTC)все — теперь спешно готовимся к конференции \\ надо и тебе куданить пристроица \\или Книгу делай \\\\\\\\
Dear Mr. ,
We are pleased to inform you that your paper with the title:
"New Digital Reconstruction of Ptolemy’s Iran, Afghanistan, Turkmenistan, and Balochistan",
co-authored by S.. Sta...,
submitted at 19th ICA Commission Conference on “Digital Approaches to Cartographic Heritage”, has been accepted for oral presentation in one of the conference sessions.
Please, submit the full paper until 15th July 2025 following the instructions on the conference website:
ttps://cartography.web.auth.gr/ICA-Heritage/Prague2025/submission.html
Thanking you for your contribution to the Conference.
Kind regards,
On behalf of the Organisers
Angeliki Tsorlini
no subject
Date: 2025-06-10 03:58 am (UTC)++ для тваей головы \\\17-18 мая 2025 года в Беркли прошла тайная встреча: 30 математиков из разных стран собрались проверить интеллект нового бота o4-mini от OpenAI, сообщает Scientific American. Эта облегченная ИИ-модель с усиленной логикой и обучением на человеческих отзывах умеет решать не просто задачи — она размышляет, упрощает, проверяет гипотезы и выводит доказательства.
Задачи участники сочиняли сами. Если бот не справлялся, автор получал $7,5 тыс. Но оказалось, большинство задач o4-mini все же решает — и делает это быстрее, чем опытный ученый.
—
https://science.mail.ru/news/3299-matematiki-vs-ii/ (https://science.mail.ru/news/3299-matematiki-vs-ii/)
там — на загнив западе -заметь прошло \\ не в рф-ии 😉
no subject
Date: 2025-06-10 06:27 am (UTC)no subject
Date: 2025-06-30 01:42 pm (UTC)не в прагу — тя туда не пустят \\ сначала надо попасть в обойму \\\ а НАШ домен ==
http://history-fiction.ru/ (http://history-fiction.ru/) регистрируйся и вставляй статью \\ там решалы — я и кекс волья \\\\\
как это у вас говорица — Высокий индекс
no subject
Date: 2025-06-30 01:51 pm (UTC)no subject
Date: 2025-06-30 05:41 pm (UTC)попутно рекомендую посмотреть аукцЫон маих коллег \\ весьма наглядная История рашки и мира \\\\ и за копейки можно бумашку купить
Интернет аукцион 63. Монеты и Медали.
Аукцион фирмы Монеты и Медали. Список лотов.
numismat.ru
пока 200рупь :-))
no subject
Date: 2025-06-30 05:51 pm (UTC)++ не удержался \\ в стиле современных мелких патриетов
Сибирское Временное Правительство (атаман Семенов). Казначейский Знак 50 рублей 1920 года. Пробный. Не выпущен в обращение.
подобную бабу ныне мелкие рисуют на майках и пр \\ главное — крестов поболее
вверху — ельц-тупинская ворона без короны
DO цикл \\\ это те ни один ИИ не сделаетъ
no subject
Date: 2025-06-30 05:58 pm (UTC)++ всегда подделывали \\\ Фальшивый Державный Кредитовый Билет 100 карбованцев 1917 года
and so on and so on
no subject
Date: 2025-06-30 08:13 pm (UTC)надеюсь увидел на каких 3х языках хохли подписали сей билетъ \\ Основа государства
---------------------------+++ из маво жж
Много песен в великой отчизне моей
Распевают от края до края,
Но одна раздается всех громче, сильней,
Эта песня — «Дубина» родная.
Эй, дубинушка, ухнем!
Эй, зеленая, сама пойдет!
Подернем, подернем, да ухнем!
Наш премьер в октябре чересчур поспешил,
Без закона Россию оставил. (пост прав 733 и пр)
Но чиновник нашелся и вмиг сочинил
Свыше тысячи временных правил. (приказ роснедр 551)
Эй, чиновнички, ухнем!
Бюрократия, сама пойдет!
Подернем, подернем, да ухнем!
Много есть на Руси превосходных газет,
Начиная с «Кремля» — до папаши.
Но из этих газет, без сомнения, нет
Превосходнее Гурьевской каши.
Эй, Тряпичкины,ухнем!
Бутербродщики, сама пойдет!
Подернем, подернем, да ухнем!
Злонамеренный слух по России идет,
Что положен конец произволу.
Что ж ты медлишь, жандарм?
Знать, бунтует народ,
Так дави же скорее крамолу!
Эй, охранишки, ухнем!
Усмирители, сама пойдет!
Подернем, подернем, да ухнем!
Лезет в Думу поляк, армянин и еврей,
Так ужели допустим его мы?
На работу вставай, патриот, поскорей,
Принимайся опять за погромы!
Эй, погромщики, ухнем!
Крушеванщики, сама пойдет!
Подернем, подернем, да ухнем!
Был отважен «союз», и «порядок» был лих
В агитации жаркой и бурной,
Почему же теперь так печалей и тих
Он стоит перед выборной урной?
Эй, кадетушки, ухнем!
Избиратели, сама пойдет!
Подернем, подернем, да ухнем!
Тих мужик, но он в Думе стряхнет с себя сон,
Разогнет богатырскую спину.
«Раздобыть бы землицы», — подумает он
И затянет родную «Дубину».
Эй, дубинушка, ухнем!
Эй, аграрная, сама пойдет!
Подернем, подернем, да ухнем!
Много песен веселых поэт написал,
Обличал бюрократию пылко.
Но свободу печати, увы, испытал:
Приютила его «предварилка».
Эй, сатирики, ухнем!
Юмористика, в тюрьму пойдет!
Подернем, подернем, да ухнем!
1905г
журн адская почта
DO cyсle
no subject
Date: 2025-07-05 08:22 am (UTC)вовремя ты слинял
мене дом телефон отключили якобы за неуплату (700р — рюсстелеком=бандиты)
и обрадовали =
Уважаемый абонент!
Информируем вас о том, что с 1 июля текущего года произойдет плановое повышение тарифов на жилищно-коммунальные услуги. Данное изменение обусловлено необходимостью поддержания качества предоставляемых услуг и модернизации инфраструктуры.
Что изменится:
Новые тарифы будут опубликованы на официальном сайте
В платежках появится подробная расшифровка изменений
----------------------------
поистине правящая партия с главным паханом о нас заботица
--с маво жж
В. Воинов
«МЫ»
Прозаические стихи или стихотворная проза
Мы — сыны равнины дикой,
Мы — враги кривых путей,
Мы идем к мечте великой
Под веселый свист... полевого ветра.
Наше право за границей
Широко блюдут послы,
Указуя всем десницей
Путь, куда идут... осторожные люди.
Наши боги очень строги,
Но режим у нас не строг,По бокам прямой дороги —
Что ни сажень, то... отдыхай сколько влезет.
Берегут нас чрезвычайно,
Не житье, а чистый клад!
Зазеваешься случайно —
В ухо просится... приглашение быть осмотрительнее.
Даровых «постановлений»
Намело вокруг сугроб;
Вместо «мирных обновлений»
Нам всучили прочный... государственный порядок.
Вам видны теперь причины,
Почему мы по ночам
Просим «мирныя кончины»
Нашим добрым... покровителям из участка.
1913
no subject
Date: 2025-07-06 07:02 pm (UTC)еще тебе спиральный круг ( до — цикл)
СКАЗКА ПРО БЕЛОГО БЫЧКА
В пору ранних детских лет -
Вспоминаю как в тумане -
Я слыхал один куплет
От седой старушки-няни:
У попа скрипела дверь,
На двери была мочала;
Не сказать ли нам теперь
Нашу сказочку с начала?
И сейчас, коль поглядим
Вкруг себя мы без опаски,
Ясно станет: мы твердим
Те же нянюшкины сказки...
В самом деле: долгий гнет,
Проблеск жалкого "доверья",
Жажда всяческих свобод,
Дни святого легковерья -
А потом доверье прочь,
Снова выплыла "острастка"...
И пошло всё то ж. Точь-в-точь
Будто нянюшкина сказка:
У попа скрипела дверь,
На двери была мочала;
Не сказать ли нам теперь
Нашу сказочку с начала?
Как-то вышел манифест
Вдруг об августовской Думе...
Над былым поставил крест
Обыватель в некой думе
(Мысля с горькою тоской:
Всё, хоть куцая, да Дума!),
Но потом, махнув рукой,
Вновь насупился угрюмо:
Что ни день, то грозный кнут
Душит робкие протесты,
Что ни час, то чинит "суд"
Ссылки, штрафы и аресты...
..
no subject
Date: 2025-07-06 07:02 pm (UTC)У попа скрипела дверь,
На двери была мочала,
Не сказать ли нам теперь
Нашу сказочку с начала?
В день случайный октября
После битвы с "средостеньем"
Занялась было заря
Вопреки былым сомненьям.
Но увы! Вдруг грянул гром
(Не из туч - с навозной кучи),
Сделан пробный был погром,
И зарю закрыли тучи.
Цепью длинною пошли
За премьерами премьеры,
Вместе с ними расцвели
"Охранительные" меры...
Как волна из берегов,
Понеслись на усмиренье
Дерзких "внутренних врагов"
Экспедиции в селенья.
Но... рука бойцов карать
Словно будто бы устала...
Не прикажете ль сказать
Нашу сказочку с начала?
После многих бранных слов,
Чтоб не делать слишком шуму,
Для настойчивых "врагов"
Наконец созвали Думу.
Но едва в лучах зари
(Выражаясь фигурально)
Дума выросла: "Умри!" -
Ей сказали моментально...
Дальше что ж? Опять всё то ж:
Заселение Сибири,
Узаконенный грабеж,
Сотни жертв, "почивших в мире"...
Вновь пошли везде суды,
Да суды-то - не простые
Правосудия плоды,
А военно-полевые.
От бесчисленных "потерь"
Русь вдруг дико закричала...
Не сказать ли вам теперь
Нашу сказочку с начала?
Но, увы, чресчур длинна
Эта сказочка родная,
Чтоб сказать ее сполна
Всю до самого до края.
Пусть, в ком лень не велика,
Ждет конца российской сказки,
Про себя твердя пока
Нижеследующие фразки:
Жил на свете некий зверь,
Русь трепалась, как мочала;
Не сказать ли нам теперь
Нашу сказочку с начала?
<24 декабря 1906>
no subject
Date: 2025-07-10 08:48 pm (UTC)мене тут рюсиш патриоты об сирают в их продажном мировозрении им парх деятельности Правящей партии == еще раз напомню DO cycle =
перефразируем Немного альфонса \\ доде
«В сущности хохол—
это тот же рруский, только в увеличенном, непомерно увеличенном виде,
точно отраженный в зеркальном шаре».
------------------
по тупинским каналам говорят о воровстсве хохлов (и это прально) в Диком количестве === но
давеча тут тупин уволил .. одного министра = который Вдруг застрелился.. \\\\ да ты кекс чипса очевидно не в курсе — что на уровне губернатора= шайбу воруют Уже не мильярдами а триллионами
пришли мене письмо — я те дам сссылку на Источник .. из МУР-а
cancer-4 in putin et hepar! amen!
no subject
Date: 2025-07-10 09:54 pm (UTC)no subject
Date: 2025-07-12 06:56 am (UTC)оч прикол
а вот кому репина за 5 тыщ руб
Старая политика (до цикл)
помощ инвалидам \\хамы нахапали по барским то усадьбам — а куды девать ...
no subject
Date: 2025-07-12 06:59 am (UTC)В пользу голодающего населения Донецкой губернии (г. Бахмут, бывший Артемовск). Лотерейный билет 250000 рублей 1922 года (DO CYCLE)
и голодают и голодают \\ и чого голодают — на черноземе живут
no subject
Date: 2025-07-12 07:09 am (UTC)и наконецъ знак державной скарб-ницы
могеш шоть ща купить за 11 000р :-) \\с "маих" укцЫонов
no subject
Date: 2025-07-12 10:48 am (UTC)++ а чтоб не расстраиваца почаще изучай историю
двойное дно у плаката (do cycle) \\\ вить если б тогда эту е-бургскую гниду укокошили — и не пришлось бы тебе ЩА разстраиваца \\\\\\\смена власти — дилетанты (едросы=гебня) у руля государства \\и вить ВСЕ голо совали ЗА \\включая хохлив
no subject
Date: 2025-06-08 07:18 pm (UTC)вот направление с анализом фотографий- оч перспективное.
но затрагивает оно лишь последние пару сотен лет.
и да, давать много информации ИИ- не очень хорошая идея есть, кмк.
лучше было бы анализировать по технологиям и по годам без афиширования самих фотографий по шляпам или по какому-то еще критерию.
это лучше оставлять себе на анализ, кмк.
вообще- тема на исторический дисер тянет.
no subject
Date: 2025-06-08 11:36 pm (UTC)Если ЖПТ имеет блокирующие алгоритмы то должен иметь и КЛЮЧЕВЫЕ слова "нехорошего/вредного контента", который может быть, кхм, связан с мысле...кхм... неправильным направлением мышления гражданина с АйПи **.***.**.**, а это работа соответствующих органов. Поэтому инфа должна быть передана трёхбуквенным.
Со средины 90-ых провайдеры потихоньку ставили в линии ДПИ (глубокую инспекцию пакетов), которая по определённым словам ловила "потенциальных хулиганов".
no subject
Date: 2025-06-09 06:50 am (UTC)no subject
Date: 2025-06-09 11:04 am (UTC)по Тваей теме
PCA (главные компоненты): уменьшение размерности и выявление главных осей различий.
t-SNE / UMAP: для визуализации скрытых группировок.
-мене не штудировал
https://statdos.narod.ru/ (https://statdos.narod.ru/) (к сож это Народ — и там половина маих программм пропала)
у Тебя полуколичественные — качественные данные
и тебе надо применять не МГК (преобразов ковариац матрицы) — а собственно р-факторн анализ — преобр корреляц матрицы \\ ибо основные ашибки идут по главн диагонали — в случае ураганн проб ли \\ в случ полуколич анализов данных и пр и пр \\\\\ собств р-ф анализ более устойчив
я кекс ты эдаки Практик \\ сам менял некие алгоритмы \\ например — для класт анализа для 386sx у мене возможна загрузка матрицы 5000 на 5000 данных \\\ а можно и 10 000 \\\ у мене реал пакуеца в byte \\\\точность пропадает — но нам нужна истина а не псевдоточность \\\\\\\\\\ and so on and so on
но это было давно — до миллениума \\ сам Горм \\ и фат — были в васторге от маих программ Тогда
no subject
Date: 2025-06-09 04:03 pm (UTC)no subject
Date: 2025-06-09 06:03 pm (UTC)Сейчас, после вашего возвращения, те тролли пока не вернулись.
Зато происходит что-то новое: в последнее время вас начинают комментировать странные сущности в странном формате. Чего ренее (многие годы вашей деятельности) мной не наблюдалось. Заметили?
no subject
Date: 2025-06-09 07:28 pm (UTC)no subject
Date: 2025-06-09 08:42 pm (UTC)no subject
Date: 2025-06-09 06:59 pm (UTC)ниче личного \\\ подробно я мелким врачам ету тему обьяснял В — Проблемы статистической обработки полуколичественных данных...
http://history-fiction.ru/books/all_1/user_10_1/book_5509/ (http://history-fiction.ru/books/all_1/user_10_1/book_5509/)
чай в 2005-2006 учил уму разуму усих маладих хохлив-педияторов украины \\\семинары проводил
Тезисы докладов участников медицинской конференции - Респираторные заболевания и аллергия - от ребенка к взрослому Евпатория 2006
Медицинская конференция - Респираторные заболевания и аллергия - от ребенка к взрослому Евпатория 2006
medicconference.narod.ru
это когда тупиноиды Независимый крым еще не захватили
ну а захватили — напомню что сделали
https://www.mk.ru/social/2016/05/29/kak-v-krymu-likvidirovali-kuznicu-medicinskikh-kadrov.html (https://www.mk.ru/social/2016/05/29/kak-v-krymu-likvidirovali-kuznicu-medicinskikh-kadrov.html)
Каждое тупинское министерство влезло своим поганым рылом в ...