Алан Гибизов

Потому что в строке await ctx.send(embed=discord.Embed( буква "с" кириллическая.

Часть первая: Английский Язык.

Часть вторая: поставь anaconda и jupyter lab

Часть третья: python фреймворки
1. numpy - изучать каждый метод не нужно, нужно освоить broadcasting Это правила по которым происходят операции с массивами разной размерности. Не изучишь, не сможешь работать с нейронными сетями и много еще с чем.

2. pandas - нужно научится понимать, как работают индексы (вся мощь но и сложность лежит в индексах особое внимание к многоуровневым индексам). Группировки объект groupby. Решайпинг, методы stack, unstack, melt и т.д. Решайпинг сложная тема, но без нее никуда.

3. matplotlib - нужно научится работать в ооп стиле, а не в матлаб стиле.

Вот эти 3 можешь начинать изучать без математики. учить по документации . Скачай учебные датасеты простенькие, задавай им вопросы применяй и визуализируй.

4. scikit-learn - это машинное обучение, тебе понадобится разобраться что такое оценщик (estimator) и transformer (трансформатор). Также научится пользоваться пайплайнами, объект Pipeline это для старта, естественно.

5. statsmodels - это не много иной взгляд на машинное обучение он включает в себя инферентивную статистику. Например построив логистическую регрессию, я могу посредством этой библиотеки найти каким образом изменение на одну единицу одного из моих предикторов отражается на вероятности, так называемый маржинальный эффект. Это очень важно для бизнеса. Также A/B тесты тоже там, и многое многое другое.

4 и 5 также учить по документации она совершенно фантастического уровня особенно для scikit-learn + очень важный плюс В этой области есть классика это книга Statistical Learning книга написана профессорами стенфорда, в мире датасаенс она очень известна. Раньше она была написана на R, я ее читал на R в свое время, так вот 2023 году этим летом вышла python edition. Книга и код доступны бесплатно. https://www.statlearning.com/
Это уникальная книга без равных, но к ней надо быть готовым.

Часть Четвертая: Математика
Все что нужно есть на Khan Academy. Начни со своего уровня и вперед, математика тебе нужна вся. Особенно Calculus. Заходишь на Khan Academy и вперед проходи бесплатные курсы со своего уровня,
Algebra 1,
Algebra 2,
Precalculus,
AP/College Calculus AB
AP/College Calculus BC
Statistics and Probability
AP College Statistics

Вот эти курсы вот этом порядке, ты должен освоить, то есть в конце курса финальный тест, должен проходить играючи, и все делать на листке бумаги не читерить, сам себя обманешь. Потом книга что я указал выше, код в книге естественно в основном использует scikit-learn и statsmodels, + первые три библиотеки само собой.

Потом придется прочитать еще пару книг по теории вероятности и статистике отдельно (со временем). Если calculus на Khan Academy на должном уровне, то вот теория вероятности и статистика слабенькая, нужно будет добавлять.

В добавление еще SQL но поверхостно, уровень не сложных запросов и подзапросов. Все дела будут происходить в pandas.

что бы

не как

Угу-угу. Воткнул ты такой usb с чем-то непонятным, сидишь балдеешь, потом поднимаешь глаза - опа, а рядом безопасник стоит :) и без всякой улыбки спрашивает - а что это такое только что воткнули в ноут?

Если это по работе - лучше напрячь админов. Если не по работе - лучше всего не лезть на корпоративный ноут.

Да.

Если вы хотите понять принципы API, то гуглите "rest api".
Но ваше желание его создать весьма преждевременно.
API не цель.
API - средство.
Когда он будет вам действительно необходим, вы уже будете знать что делать.

Есть библиотека tensorflow. Она имеет api для разных языков, в том числе и для js. Ее вы и нашли tensorflow.js.

Да это возможно. Построить классификатор (распознаватель) OCR (Optical character recognition) в данном случае, который будет распознавать данные из каждой ячейки. Построение таких распознователей, это задача для специалиста. Такого что засунул файл с изображением в нейронную сеть и готово нет. Это целый процесс.

В первую очередь я бы попробовал готовый parser таблиц, для картинок и pdf файлов. На python. Библиотека img2table она базируется на OpenCV, но специализируется на табличных данных. Возможно она решит все ваши вопросы, это будет значительно проще и быстрее.

Дружище Корень. Вижу прошло пару месяцев а ты все тот-же Ферматист :)

Я не знаком с пакетом Вольфрам. Но его делал очень умный человек. И я думаю что символьные
вычисления там тоже поддерживаются.

Но такие вычисления обычно подходят под расчеты с дробями. Например 1/2 + 1/3 = 1
в символьных вычислениях поддерживаются. Это позволяет точнее посчитать
пределы например.

То что ты посчитал - это трансцедентное число.

z = exp((1/3)*log(664572³ + 257118³))

Из-за логарифма внутри.
Везде где есть синусы, логарифмы (ряды Тейлора) мы можем говорить об этом
свойстве чисел. Грубо говоря это число которое мы не можем в общем случае
получить путем конечного числа операций над рациональными числами.

И обычно в физике и в инженерном деле логарифмы и экспоненты считают приближенно.
Используя float, double и extended (80bit). И этого хватает чтоб запускать ракеты на Марс.

Их никто не считает точно, просто по той причине что их нельзя представить точно.
У нас не хватит памяти всех датацентров чтоб точно такое считать.

Иногда в очень-очень редких случаях математический пакет может упростить формулу
аналитически (exp(log(x)) и получить более простые цифры без свойства трансцедентности.
Почитай документацию по MathCad, MatLab, может там такое тоже есть.

Я также упрекаю тебя в невнимательности. Я тебе в прошлый раз делал акцент на типах
данных. И ты это благополучно проигнорировал. И снова ты полез в теорию чисел и Ферма
даже не понимая с каким типом данных работает Вольфрам. Разберись сначала с этим вопросом.
Иначе будешь всегда выглядеть почемучкой.

Этот корень - иррациональное число. Бесконечное. Его точно на компьютере не подсчитать никак. Это будет какое-то большое число с бесконечным не повторяющимся набором цифр после точки.

Точнее всех будет считать python если использовать библиотеку Decimal:

from decimal import *
getcontext().prec = 400
a = Decimal('112312312312312311231231231231231123123123123123112312312312312311231231231231231123123123123123');
print(pow(a,Decimal(1/3.0)))

Можете хоть тысячи знаков считать, ограничения - в основном скорость работы и требования по памяти.

Сама по себе ошибка, довольно известная, и происходит она на уровне numpy. При работе с массивами данных, есть такой важный термин, как broadcasting - это то как numpy осуществляет арифметические операции с массивами разной размерности.
Например

import numpy as np
arr1 = np.ones(9).reshape(3,3)
arr2 = np.ones(8).reshape(2,4)
arr1 + arr2

Выдаст по смыслу такую же ошибку, как у вас, размерности разные и он не в состоянии произвести оперцию.
А вот в этом примере

import numpy as np
arr1 = np.ones(27).reshape(3,3,3)
arr2 = np.ones(9).reshape(3,3)
arr1 + arr2

Не смотря на то что размерности разные у нас двумерный массив складывается с трехмерным, ошибки не будет все сработает.
Потому что согласно правилам broadcatsting'a, данная арифметическая операция возможна.

Так и у вас, numpy не в состоянии выполнить broadcasting. Как поправить, по скольку вы напрямую не работаете с массивами, а используете интерфейс stable diffusion, то все ответы надо искать там. Либо вы передаете массив с данными, не в той размерности, либо что то в параметрах stable diffusion не то. Ищите рабочий пример и повторяйте. Так поправьте здесь что то или там что то, здесь сказать не возможно. Что из себя представляет проблема я обрисовал.