Tags populaires：
Virtualisation sécurité DNS vérification formelle analyse d'atteignabilité erreurs du compilateur conflit de macro extension web framework de développement Graphiques bitmap incohérences d'API Tous les tags

Attiser la passion des enfants pour les mathématiques grâce à la narration

2025-04-20

Cet essai explique comment la narration peut efficacement impliquer les enfants dans les mathématiques. L'auteur partage des anecdotes personnelles, notamment l'utilisation d'histoires fictives d'espions pour intégrer subtilement des concepts mathématiques dans des aventures passionnantes, et l'invention d'histoires héroïques pour renforcer la confiance des jeunes scouts et surmonter les défis. L'argument principal est que la narration est bien plus efficace que les exercices scolaires pour les enfants, favorisant une curiosité naturelle et une compréhension plus profonde des principes mathématiques. L'auteur plaide pour plus de contenu mathématique centré sur les histoires afin de combler le fossé entre le sens numérique de base et les concepts plus avancés.

Lire plus
(www.jeremykun.com)
Divers éducation enfantine

Démythification de la méthode Monte Carlo par chaînes de Markov : une explication simple

2025-04-16

Cet article fournit une explication claire et accessible de la méthode Monte Carlo par chaînes de Markov (MCMC), une technique puissante pour échantillonner des distributions de probabilité complexes. À l'aide d'une analogie pour estimer les probabilités de noms de bébés, l'auteur illustre le problème principal que le MCMC résout. L'explication relie habilement le MCMC à une marche aléatoire sur un graphe, en utilisant le théorème de la distribution stationnaire pour montrer comment construire une chaîne de Markov dont la distribution stationnaire correspond à la distribution cible. L'algorithme Metropolis-Hastings, une méthode MCMC courante, est introduit et son efficacité est démontrée.

Lire plus
(www.jeremykun.com)
IA Méthode Monte Carlo par chaînes de Markov Échantillonnage de distribution de probabilité Algorithme Metropolis-Hastings

Les LLM expliquent les programmes linéaires : d’un projet parallèle à la recherche Microsoft

2025-02-10

En 2020, tout en travaillant sur la chaîne d’approvisionnement de Google, l’auteur a développé un projet secondaire pour aider à comprendre les programmes linéaires (PL). Lorsque les PL deviennent complexes, comprendre leurs résultats est un défi même pour les experts. L’approche de l’auteur consistait à modifier interactivement le modèle et à comparer les résultats pour expliquer le comportement du modèle, découvrant que l’ajout de métadonnées sémantiques simplifiait le processus. Récemment, des chercheurs de Microsoft ont publié un article utilisant des grands modèles de langage (LLM) pour traduire les requêtes en langage naturel en requêtes structurées, obtenant un résultat similaire. L’auteur pense que les LLM sont une excellente solution pour traduire l’ambiguïté humaine en requêtes structurées, traitées par un système d’optimisation classique robuste, les résultats étant résumés par le LLM. Bien que le travail précédent de l’auteur soit resté non publié, il soutient que la compréhension des explications de systèmes plus simples est cruciale pour expliquer des systèmes d’IA plus complexes.

Lire plus
(www.jeremykun.com)
Développement programmation linéaire optimisation de la chaîne d’approvisionnement