Публикации

Книга предназначена для школьников, учителей, преподавателей математических кружков и просто любителей математики. Читатель найдет в ней задачи Санкт-Петербургской олимпиады школьников по математике 2018 года, а также задачи открытой олимпиады ФМЛ № 239, которая, не будучи туром Санкт-Петербургской олимпиады, по характеру задач, составу участников и месту проведения является прекрасным дополнением к ней.

Все задачи приведены с подробными решениями, условия и решения геометрических задач сопровождаются рисунками.

В качестве дополнительного материала приводится отчет об олимпиаде "Туймаада–2017" и статья, рассказывающая о простых числах все, что читатель давно хотел узнать, но не понимал откуда.

В статье рассматривается тенденция расширения областей востребованности инженерных компетенций, что формирует новые вызовы перед развитием образовательных программ. Отмечено, что ответ на них требует междисциплинарного взаимодействия на различных уровнях, приведены примеры такого взаимодействия. Кроме того, в статье описан опыт разработки отдельных курсов и инициатив, обеспечивающих проникновение «цифровых» инженерных компетенций в неинженерные направления.

Представлены основы теории баз данных, методы и алгоритмы, применяемые при реализации систем управления базами данных, а также особенности этих методов и алгоритмов, реализованные в СУБД PostgreSQL.

Материал книги составляет основу для базового учебного курса и содержит краткий обзор требований и критериев оценки СУБД и баз данных, теоретическую реляционную модель данных, основные конструкции языка запросов SQL, организацию доступа к базе данных PostgreSQL, вопросы проектирования приложений и основные расширения, доступные в системе PostgreSQL.

Сайт книги: https://postgrespro.ru/education/books/dbtech.

Социальные алгоритмы, в том числе рейтинги, являются инструментами, облегчающими процесс принятия решения во множестве контекстов. В последнее время в ряде исследований поднимаются вопросы о влиянии социальных алгоритмов (ранжирования, рекомендаций, взаимного оценивания, отзывов, формирования репутации) на социальные системы.

Рост интереса к изучению алгоритмов ранжирования и механизмов репутации отражается в нарастающей дискуссии между социальным учеными. Обсуждение данных вопросов стимулируется социальными эффектами алгоритмов, которые наблюдаются в сообществах и имеют видимое влияние на участников. Подобные

алгоритмы, с одной стороны, ориентированы на отражение реальных оценок репутации, вклада (например, для репутационных и коллаборативных систем), значимости или предпочтений (для формирования рекомендаций). С другой стороны, широкое внедрение таких алгоритмов приводит к изменению реальности, в частности, формированию поведения, нацеленного именно на получение высоких оценок, или неявного ограничения доступности источников информации из-за особенностей их ранжирования. Как следствие, конструктивное исследование подобных алгоритмов, включая проведение эмпирических исследований, имеет значимые научные перспективы, как с точки зрения оценивания влияния алгоритмов на реальность, так и с точки зрения развития этих алгоритмов при учете выстраивающихся вокруг них социальных механизмов и практик. Часто такие исследования посвящены этическим проблемам, связанным с подобным влиянием (“алгоритмическая дискриминация”).

Рассмотрим классы систем, связанных с концепцией алгоритмического управления (algorithmic governance).

Число e и простые числа

Robot navigation through crowds poses a difficult challenge to AI systems, since the methods should result in fast and efficient movement but at the same time are not allowed to compromise safety. Most approaches to date were focused on the combination of pathfinding algorithms with machine learning for pedestrian walking prediction. More recently, reinforcement learning techniques have been proposed in the research literature. In this paper, we perform a comparative evaluation of pathfinding/prediction and reinforcement learning approaches on a crowd movement dataset collected from surveillance videos taken at Grand Central Station in New York. The results demonstrate the strong superiority of state-of-the-art reinforcement learning approaches over pathfinding with state-of-the-art behavior prediction techniques.