Forwarded from Осенило - написал
Про слова и картинку
Давным-давно, когда я вела семинар по экранизациям на филологическом факультете МГУ, мы со студентами переводили на русский сценарии британского драматурга и нобелевского лауреата Гарольда Пинтера.
Это было отличное упражнение по внимательному чтению хороших сценарных текстов. Я бы всем сценаристам советовала перевести сценарий-другой с иностранного языка – просто чтобы прочувствовать устройство сценарной механики и понять, почему автор пишет именно так и выбирает именно эти слова, а не их синонимы.
Так вот, Пинтер. Его киносценарии немногословны – почти как пьесы. И очень точны – почти как стихи. Особенно ремарки. С некоторыми ремарками мы бились месяцами, перебирая тезаурус в поисках адекватного перевода, – и все равно ничего не получалось.
В одной из ремарок, об которые мы со студентами сломали головы, было словосочетание «a bulky object» (дословно – «громоздкий предмет»). По контексту было ясно, что это предмет мебели в одной из комнат старинного особняка. Но что конкретно – кресло? комод? диван?
В том-то и дело, что по сценарной картинке получалось, что это неважно: просто какая-то громоздкая фиговина занимает место в помещении. Пинтер нашел для этой картинки лаконичное английское описание, которое совершенно не работало в переводе, потому что по-русски «громоздкий предмет мебели» звучит одновременно и слишком конкретно (конкретнее, чем «фиговина»), и очень глупо.
Я уже не помню, как мы со студентами вышли из положения (подозреваю, что никак). Но именно тогда я впервые задумалась о несоответствии, с которым постоянно имею дело в своей работе.
Слова никогда не описывают картинку целиком. Всегда остается что-то, что ты видишь внутренним взором, но передать другому не можешь, как ни старайся.
Именно поэтому режиссер видит мой сценарий не так, как я. Даже очень хороший сценарий, в котором каждая реплика и ремарка сто раз проверена, вычитана и вылизана. Именно поэтому герои любимых книжек в кино выглядят совершенно не так, как мы их себе представляем. И именно поэтому писать трудно, даже если в голове вся история уже сложилась.
Работая над романом (первым, а сейчас и вторым), я все время сталкиваюсь с нехваткой слов в родном языке, чтобы описать то, что вижу внутренним взором. Как двигаются драки, птеры, секты и все остальные существа на Гарториксе (и как, кстати, называются части их странных тел)? Как выглядят эстакады с летящими по ним аэромобилями? Какого цвета глаза у Дрейка, в конце концов?
На все эти вопросы у меня есть ответы, но они целиком и полностью визуальные. Перевести их в слова – ежедневная, кропотливая и в каком-то смысле тщетная работа.
Подробность описаний не спасает – скорее, даже мешает. Избыточная словесная детализация картинки забивает канал читателю и дезориентирует его; это знает всякий, кто хоть раз читал описание поз для йоги и пытался применить его к своему телу. «Вытяните правую руку вверх и разверните ее наружу так, чтобы большой палец смотрел вправо, а ладонь была обращена назад», – ну-ну, удачи.
На самом деле чем меньше слов в описании, тем лучше оно работает, – при условии, что слова очень точно подобраны. Главное – не повторять ими то, что видишь, а размечать картинку, словно рисуешь контуры для раскраски. Несколько точек в нужных местах, на перекрестьях линий, подскажут читателю, что это за фигура, – а дальше он уже сам все придумает и раскрасит.
Это основной принцип не только литературного описания, но и сценаристики как таковой. Сценарий – это контур будущего фильма, раскраска с пунктирными линиями, которые тем не менее должны складываться в однозначные формы, чтобы читатель не гадал, рыбку он видит, или птичку, или вовсе кусок говна.
Для этого автору важно знать, какие именно точки в ментальной картинке нужно разметить и описать, чтобы читатель ее воспринял. Отсюда – и «bulky object», и емкие характерные описания персонажей вроде «грушевидного носа» у космонавта из сериала «Частица вселенной» или фандоринских «седых висков». Все это – точки, по которым читатель cможет, как в анекдоте, дорисовать себе «всю остальную сову»...
Давным-давно, когда я вела семинар по экранизациям на филологическом факультете МГУ, мы со студентами переводили на русский сценарии британского драматурга и нобелевского лауреата Гарольда Пинтера.
Это было отличное упражнение по внимательному чтению хороших сценарных текстов. Я бы всем сценаристам советовала перевести сценарий-другой с иностранного языка – просто чтобы прочувствовать устройство сценарной механики и понять, почему автор пишет именно так и выбирает именно эти слова, а не их синонимы.
Так вот, Пинтер. Его киносценарии немногословны – почти как пьесы. И очень точны – почти как стихи. Особенно ремарки. С некоторыми ремарками мы бились месяцами, перебирая тезаурус в поисках адекватного перевода, – и все равно ничего не получалось.
В одной из ремарок, об которые мы со студентами сломали головы, было словосочетание «a bulky object» (дословно – «громоздкий предмет»). По контексту было ясно, что это предмет мебели в одной из комнат старинного особняка. Но что конкретно – кресло? комод? диван?
В том-то и дело, что по сценарной картинке получалось, что это неважно: просто какая-то громоздкая фиговина занимает место в помещении. Пинтер нашел для этой картинки лаконичное английское описание, которое совершенно не работало в переводе, потому что по-русски «громоздкий предмет мебели» звучит одновременно и слишком конкретно (конкретнее, чем «фиговина»), и очень глупо.
Я уже не помню, как мы со студентами вышли из положения (подозреваю, что никак). Но именно тогда я впервые задумалась о несоответствии, с которым постоянно имею дело в своей работе.
Слова никогда не описывают картинку целиком. Всегда остается что-то, что ты видишь внутренним взором, но передать другому не можешь, как ни старайся.
Именно поэтому режиссер видит мой сценарий не так, как я. Даже очень хороший сценарий, в котором каждая реплика и ремарка сто раз проверена, вычитана и вылизана. Именно поэтому герои любимых книжек в кино выглядят совершенно не так, как мы их себе представляем. И именно поэтому писать трудно, даже если в голове вся история уже сложилась.
Работая над романом (первым, а сейчас и вторым), я все время сталкиваюсь с нехваткой слов в родном языке, чтобы описать то, что вижу внутренним взором. Как двигаются драки, птеры, секты и все остальные существа на Гарториксе (и как, кстати, называются части их странных тел)? Как выглядят эстакады с летящими по ним аэромобилями? Какого цвета глаза у Дрейка, в конце концов?
На все эти вопросы у меня есть ответы, но они целиком и полностью визуальные. Перевести их в слова – ежедневная, кропотливая и в каком-то смысле тщетная работа.
Подробность описаний не спасает – скорее, даже мешает. Избыточная словесная детализация картинки забивает канал читателю и дезориентирует его; это знает всякий, кто хоть раз читал описание поз для йоги и пытался применить его к своему телу. «Вытяните правую руку вверх и разверните ее наружу так, чтобы большой палец смотрел вправо, а ладонь была обращена назад», – ну-ну, удачи.
На самом деле чем меньше слов в описании, тем лучше оно работает, – при условии, что слова очень точно подобраны. Главное – не повторять ими то, что видишь, а размечать картинку, словно рисуешь контуры для раскраски. Несколько точек в нужных местах, на перекрестьях линий, подскажут читателю, что это за фигура, – а дальше он уже сам все придумает и раскрасит.
Это основной принцип не только литературного описания, но и сценаристики как таковой. Сценарий – это контур будущего фильма, раскраска с пунктирными линиями, которые тем не менее должны складываться в однозначные формы, чтобы читатель не гадал, рыбку он видит, или птичку, или вовсе кусок говна.
Для этого автору важно знать, какие именно точки в ментальной картинке нужно разметить и описать, чтобы читатель ее воспринял. Отсюда – и «bulky object», и емкие характерные описания персонажей вроде «грушевидного носа» у космонавта из сериала «Частица вселенной» или фандоринских «седых висков». Все это – точки, по которым читатель cможет, как в анекдоте, дорисовать себе «всю остальную сову»...
#analytics
Сегодня речь про один из достаточно классических фреймворков метрик продукта. А именно, про "пиратские метрики". Названы они так, потому что из первых букв названий метрик получается "AARRR" (ну и в популярной культуре как-то закрепилось, что пираты издают такие звуки). Предложен данный фреймворк был в 2007 году Дэйвом Макклюром.
Что же входит в пиратские метрики?
Acquisition – привлечение (как и сколько пользователей мы привлекаем в продукт)
Activation – активация (насколько хорошо привлеченные лиды превращаются в реальных пользователей)
Retention – возвращаемость (как часто и какая доля пользователей возвращается к использованию продукта)
Refferal – готовность рекомендовать (насколько наши пользователи готовы рекомендовать наши услуги)
Revenue – доход (тут все понятно, это то, сколько пиастров приносит наш продукт)
Получается такая себе пирамидка (пример этой пирамидки на картинке к посту), где от уровня привлечения мы постепенно переходим все дальше и дальше по этапам использования продукта. Соответственно, получаем сквозной набор метрик для мониторинга нашего продукта и его здоровья. Плюсом идет понимание, на каком этапе возникает "затык" (например, если мы привлекаем некачественный трафик, то он очень плохо конвертируется в пользователей, что влечет малую базу, малый поток денег и прочие проблемы в продукте).
Почему этот фреймворк популярен?
Тут все просто. Легко запомнить, легко понять, легко следить. Достаточно простой набор показателей, но он позволяет неплохо работать с продуктом, строить гипотезы и понимать, что и где у нас просаживается. Как точка старта для настройки аналитики в продукте - отличный вариант.
Сегодня речь про один из достаточно классических фреймворков метрик продукта. А именно, про "пиратские метрики". Названы они так, потому что из первых букв названий метрик получается "AARRR" (ну и в популярной культуре как-то закрепилось, что пираты издают такие звуки). Предложен данный фреймворк был в 2007 году Дэйвом Макклюром.
Что же входит в пиратские метрики?
Acquisition – привлечение (как и сколько пользователей мы привлекаем в продукт)
Activation – активация (насколько хорошо привлеченные лиды превращаются в реальных пользователей)
Retention – возвращаемость (как часто и какая доля пользователей возвращается к использованию продукта)
Refferal – готовность рекомендовать (насколько наши пользователи готовы рекомендовать наши услуги)
Revenue – доход (тут все понятно, это то, сколько пиастров приносит наш продукт)
Получается такая себе пирамидка (пример этой пирамидки на картинке к посту), где от уровня привлечения мы постепенно переходим все дальше и дальше по этапам использования продукта. Соответственно, получаем сквозной набор метрик для мониторинга нашего продукта и его здоровья. Плюсом идет понимание, на каком этапе возникает "затык" (например, если мы привлекаем некачественный трафик, то он очень плохо конвертируется в пользователей, что влечет малую базу, малый поток денег и прочие проблемы в продукте).
Почему этот фреймворк популярен?
Тут все просто. Легко запомнить, легко понять, легко следить. Достаточно простой набор показателей, но он позволяет неплохо работать с продуктом, строить гипотезы и понимать, что и где у нас просаживается. Как точка старта для настройки аналитики в продукте - отличный вариант.
#разное
У меня отпуск, а потому опять пост про кино.
На днях ходил на "Оппенгеймера" (который прокатывается у нас под кодовым названием "Дубак"). Фильм мне понравился. Интересно сделан, хорошие актеры, нетривиальная тема. И уже породил достаточно мемов (есть повод поглядеть на их первоисточник).
Посыл фильма - это идея о том, что научный прогресс может быть как благословением, так и проклятием для человечества, в зависимости от того, как он используется и кто им владеет. Фильм показывает, как Оппенгеймер, который был мотивирован жаждой знания и желанием служить своей стране, стал создателем оружия, которое изменило ход истории и повлияло на судьбы миллионов людей. Фильм также показывает, как Оппенгеймер пытался справиться с последствиями своего открытия, которое принесло ему славу и почёт, но также врагов и обвинения. Из основных вопросов можно выделить: вопросы о том, какие границы должны быть у науки, какая ответственность лежит на учёных, какие цели и ценности должны руководить ими, и какой выбор они должны сделать между своей совестью и своими обязанностями.
И все это на фоне жизни главного героя, его гениальности и, в какой-то степени, безумия (одно обычно идет за руку с другим). Фильм обозревает достаточно большой промежуток времени, где-то около 30-40 лет. И имеет не очень-то линейную структуру (дратути, господин Нолан). Впрочем, там все достаточно понятно по развитию сюжета. Просто периодически происходят скачки во времени и меняется формат съемки (отсюда как раз стильное черно-белое изображение).
Смотреть ли этот фильм?
Пожалуй, стоит посмотреть.
А вот в кино, или дома - вопрос открытый (не скажу, что там есть много чего интересного для большого экрана).
У меня отпуск, а потому опять пост про кино.
На днях ходил на "Оппенгеймера" (который прокатывается у нас под кодовым названием "Дубак"). Фильм мне понравился. Интересно сделан, хорошие актеры, нетривиальная тема. И уже породил достаточно мемов (есть повод поглядеть на их первоисточник).
Посыл фильма - это идея о том, что научный прогресс может быть как благословением, так и проклятием для человечества, в зависимости от того, как он используется и кто им владеет. Фильм показывает, как Оппенгеймер, который был мотивирован жаждой знания и желанием служить своей стране, стал создателем оружия, которое изменило ход истории и повлияло на судьбы миллионов людей. Фильм также показывает, как Оппенгеймер пытался справиться с последствиями своего открытия, которое принесло ему славу и почёт, но также врагов и обвинения. Из основных вопросов можно выделить: вопросы о том, какие границы должны быть у науки, какая ответственность лежит на учёных, какие цели и ценности должны руководить ими, и какой выбор они должны сделать между своей совестью и своими обязанностями.
И все это на фоне жизни главного героя, его гениальности и, в какой-то степени, безумия (одно обычно идет за руку с другим). Фильм обозревает достаточно большой промежуток времени, где-то около 30-40 лет. И имеет не очень-то линейную структуру (дратути, господин Нолан). Впрочем, там все достаточно понятно по развитию сюжета. Просто периодически происходят скачки во времени и меняется формат съемки (отсюда как раз стильное черно-белое изображение).
Смотреть ли этот фильм?
Пожалуй, стоит посмотреть.
А вот в кино, или дома - вопрос открытый (не скажу, что там есть много чего интересного для большого экрана).
#interpretable_ml
Partial dependence plot (PDP) - это инструмент для визуализации влияния одной или нескольких переменных на прогнозируемую переменную в модели машинного обучения. PDP показывает, как изменяется ожидание прогноза при изменении значения одного или нескольких признаков. Интуитивно мы можем интерпретировать частичную зависимость как ожидаемый целевой отклик в зависимости от интересующих входных признаков. PDP может помочь понять, как модель учитывает различные факторы и какие из них являются наиболее важными для прогнозирования. При этом, обычно в расчет берутся одна-две переменные, иначе читать график PDP будет несколько затруднительно.
Для построения PDP необходимо выполнить следующие шаги:
- Выбрать признак (или группу признаков), для которой хотим построить PDP;
- Для каждого наблюдения в выборке заменить значение выбранного признака на некоторое фиксированное значение;
- Сделать прогноз для каждого наблюдения с измененным значением и усреднить полученные прогнозы по всем наблюдениям. Это будет значение PDP для выбранного фиксированного значения признака;
- Повторить предыдущие шаги для разных фиксированных значений и построить график зависимости PDP от этих значений.
Пример PDP можно посмотреть в изображении к посту (визуализация из примеров в sklearn). Кстати, можно поковыряться в исходниках sklearn, чтобы лучше понять реализацию (там ничего сложного нет, только по коду нужно поскакать немного).
Как и у любого метода, у PDP есть и некоторые ограничения:
- PDP может быть неточным, если есть сильная корреляция между переменными, так как он предполагает, что они независимы (это очень важное предположение, которое может сильно влиять на наши результаты и их интерпретацию);
- PDP может быть сложен для интерпретации, если есть сложные нелинейные зависимости или высокоуровневые взаимодействия между переменными;
- PDP может быть вычислительно затратным, если модель медленная или выборка большая.
В общем, PDP - это полезный инструмент для визуализации влияния переменных на прогнозы модели машинного обучения, но он требует осторожности и критического мышления при его использовании и анализе (впрочем, как и любой метод, такая уж у нас область работы).
Пару вариантов библиотек для построения PDP:
1. Библиотека scikit-learn, которая предоставляет класс PartialDependenceDisplay и функцию from_estimator для визуализации частичной зависимости для различных моделей машинного обучения. Документация по методам находится на этой странице.
2. Библиотека PDPbox, которая специализируется на построении pdp и ice (individual conditional expectation) графиков для разных типов переменных и моделей. Документацию и примеры использования этого инструмента можно найти на этой странице.
Partial dependence plot (PDP) - это инструмент для визуализации влияния одной или нескольких переменных на прогнозируемую переменную в модели машинного обучения. PDP показывает, как изменяется ожидание прогноза при изменении значения одного или нескольких признаков. Интуитивно мы можем интерпретировать частичную зависимость как ожидаемый целевой отклик в зависимости от интересующих входных признаков. PDP может помочь понять, как модель учитывает различные факторы и какие из них являются наиболее важными для прогнозирования. При этом, обычно в расчет берутся одна-две переменные, иначе читать график PDP будет несколько затруднительно.
Для построения PDP необходимо выполнить следующие шаги:
- Выбрать признак (или группу признаков), для которой хотим построить PDP;
- Для каждого наблюдения в выборке заменить значение выбранного признака на некоторое фиксированное значение;
- Сделать прогноз для каждого наблюдения с измененным значением и усреднить полученные прогнозы по всем наблюдениям. Это будет значение PDP для выбранного фиксированного значения признака;
- Повторить предыдущие шаги для разных фиксированных значений и построить график зависимости PDP от этих значений.
Пример PDP можно посмотреть в изображении к посту (визуализация из примеров в sklearn). Кстати, можно поковыряться в исходниках sklearn, чтобы лучше понять реализацию (там ничего сложного нет, только по коду нужно поскакать немного).
Как и у любого метода, у PDP есть и некоторые ограничения:
- PDP может быть неточным, если есть сильная корреляция между переменными, так как он предполагает, что они независимы (это очень важное предположение, которое может сильно влиять на наши результаты и их интерпретацию);
- PDP может быть сложен для интерпретации, если есть сложные нелинейные зависимости или высокоуровневые взаимодействия между переменными;
- PDP может быть вычислительно затратным, если модель медленная или выборка большая.
В общем, PDP - это полезный инструмент для визуализации влияния переменных на прогнозы модели машинного обучения, но он требует осторожности и критического мышления при его использовании и анализе (впрочем, как и любой метод, такая уж у нас область работы).
Пару вариантов библиотек для построения PDP:
1. Библиотека scikit-learn, которая предоставляет класс PartialDependenceDisplay и функцию from_estimator для визуализации частичной зависимости для различных моделей машинного обучения. Документация по методам находится на этой странице.
2. Библиотека PDPbox, которая специализируется на построении pdp и ice (individual conditional expectation) графиков для разных типов переменных и моделей. Документацию и примеры использования этого инструмента можно найти на этой странице.
#statistics
Ловушка фиктивных переменных.
Давайте вспомним, что такое фиктивная переменная (dummy variable)? Вещь простая, но очень надежная. Предположим, у нас есть персонажи из анекдота - русский, немец и американец. Как нам закодировать их, если у нас есть некоторые табличные данные? Есть разные варианты, конечно. Но самый простой - это объявить 1 для наличия категориального признака и 0 для его отсутствия.
Но тут нас и поджидает ловушкаджокера фиктивных переменных. Если мы закодируем каждый из признаков 1 или 0 (то есть, создадим 3 столбца), то получим чистую мультиколлинеарность. А как мы знаем, иметь ее в данных - это дело нехорошее.
Посмотрим на примере. Предположим, у нас есть немножечко данных такого вида:
Если закодируем переменную
А это значит, что у нас сумма этих столбцов всегда будет равна единице. Упс, получаем чистую мультиколлинеарность.
Потому что, если мы будем именовать значения в столбцах за
И что же делать?
Все просто - вместо k столбцов под каждую категорию, мы сделаем k-1 столбцов. Проблема решена.
Например, в нашем примере получим, что 0 и 0 для русского и немца означают американца (а все оттого, что у нас всего 3 категории, так что не являясь немцем или русским, человеку остается только быть американцем).
В принципе, это не особо большая проблема для всех сколько-нибудь адекватных статистических пакетов. Но если вы решите самостоятельно делать перевод категориальных значений в фиктивные переменные, помните о такой вот загвоздке.
Ловушка фиктивных переменных.
Давайте вспомним, что такое фиктивная переменная (dummy variable)? Вещь простая, но очень надежная. Предположим, у нас есть персонажи из анекдота - русский, немец и американец. Как нам закодировать их, если у нас есть некоторые табличные данные? Есть разные варианты, конечно. Но самый простой - это объявить 1 для наличия категориального признака и 0 для его отсутствия.
Но тут нас и поджидает ловушка
Посмотрим на примере. Предположим, у нас есть немножечко данных такого вида:
alcogol | nation0.5 | русский0.3 | немец0.1 | американец0.7 | русский0.1 | немец0.2 | американецЕсли закодируем переменную
nation тремя столбцами, то получим такой вид:1 | 0 | 00 | 1 | 00 | 0 | 11 | 0 | 00 | 1 | 00 | 0 | 1А это значит, что у нас сумма этих столбцов всегда будет равна единице. Упс, получаем чистую мультиколлинеарность.
Потому что, если мы будем именовать значения в столбцах за
Ai, Bi, Ci, то легко выразим, например, Ci в виде: Ci = 1 - Ai - Bi. И что же делать?
Все просто - вместо k столбцов под каждую категорию, мы сделаем k-1 столбцов. Проблема решена.
Например, в нашем примере получим, что 0 и 0 для русского и немца означают американца (а все оттого, что у нас всего 3 категории, так что не являясь немцем или русским, человеку остается только быть американцем).
В принципе, это не особо большая проблема для всех сколько-нибудь адекватных статистических пакетов. Но если вы решите самостоятельно делать перевод категориальных значений в фиктивные переменные, помните о такой вот загвоздке.
#books
Сегодня немного про художественную литературу. Недавно прочитал “Вьюрки” Дарьи Бобылевой. Это роман в рассказах (да, вот такая необычная форма). Впрочем, как по мне - многие рассказы скорее являются главами (сложно их воспринимать отдельными произведениями, слишком много чего завязано на предыдущие события и персонажей).
Книга повествует о жителях дачного поселка, которые оказываются отрезанными от внешнего мира летом, которое не думает заканчиваться многие месяцы подряд. Связи нет, дорога во внешний мир пропала, будто ее вовсе и не было, а соседи ведут себя странно. Вокруг происходят странные и загадочные события. Что же скрывается за этим кошмаром? Кто или что управляет их судьбами? И как им выжить в этом аду?
Стиль хороший, читается книга легко. Персонажи интересные, характеры разнообразные. Впрочем, персонажи имеют немного преувеличенные черты (что воспринимается скорее иронично, но кто-то может посчитать минусом). Ну и, конечно, русская хтонь и жизнь рядом с неведомым. Особенно забавно, как в итоге люди привыкают к жизни в безумном и опасном мире ("не, ну а что делать?"). Но вот это "забавно" может быть и минусом. Ироничное повествование снижает градус напряжения (что само по себе не плохо, все зависит от авторского замысла).
Еще интересным показалось использование фольклорных персонажей, характерных для славянской мифологии. Там есть и Полудница и Леший, и многие-многие другие. И как-то они прям хорошо встраиваются в жизнь обычного садового товарищества. Видимо, память веков в крови проявляется ;) ("не, ну а что тут такого (ver. 2)?")
P.S. На одной из обложек написано "самая страшная книга". Это преувеличение. Больше похоже на мистику или триллер, чем на хоррор, от которого в жилах стынет кровь.
Сегодня немного про художественную литературу. Недавно прочитал “Вьюрки” Дарьи Бобылевой. Это роман в рассказах (да, вот такая необычная форма). Впрочем, как по мне - многие рассказы скорее являются главами (сложно их воспринимать отдельными произведениями, слишком много чего завязано на предыдущие события и персонажей).
Книга повествует о жителях дачного поселка, которые оказываются отрезанными от внешнего мира летом, которое не думает заканчиваться многие месяцы подряд. Связи нет, дорога во внешний мир пропала, будто ее вовсе и не было, а соседи ведут себя странно. Вокруг происходят странные и загадочные события. Что же скрывается за этим кошмаром? Кто или что управляет их судьбами? И как им выжить в этом аду?
Стиль хороший, читается книга легко. Персонажи интересные, характеры разнообразные. Впрочем, персонажи имеют немного преувеличенные черты (что воспринимается скорее иронично, но кто-то может посчитать минусом). Ну и, конечно, русская хтонь и жизнь рядом с неведомым. Особенно забавно, как в итоге люди привыкают к жизни в безумном и опасном мире ("не, ну а что делать?"). Но вот это "забавно" может быть и минусом. Ироничное повествование снижает градус напряжения (что само по себе не плохо, все зависит от авторского замысла).
Еще интересным показалось использование фольклорных персонажей, характерных для славянской мифологии. Там есть и Полудница и Леший, и многие-многие другие. И как-то они прям хорошо встраиваются в жизнь обычного садового товарищества. Видимо, память веков в крови проявляется ;) ("не, ну а что тут такого (ver. 2)?")
P.S. На одной из обложек написано "самая страшная книга". Это преувеличение. Больше похоже на мистику или триллер, чем на хоррор, от которого в жилах стынет кровь.
Forwarded from XOR
This media is not supported in your browser
VIEW IN TELEGRAM
SQLFlow - отличный инструмент для визуализации SQL-запросов. Легкий и простой интрумент для визуализация связей и структур БД, поддерживающий более 20 разных БД.
Демо – https://sqlflow.gudusoft.com/
Github – https://github.com/sqlparser/sqlflow_public/blob/master/install_sqlflow.md
@xor_journal
Демо – https://sqlflow.gudusoft.com/
Github – https://github.com/sqlparser/sqlflow_public/blob/master/install_sqlflow.md
@xor_journal
Forwarded from Русский язык | Грамотность
Про овощи
Если написать в текстовом редакторе слово «овощь», он подчеркнёт его красным и исправит на привычный нам вариант - «овощ». Но вы удивитесь, что слово «овощь» тоже существует.
Овощь - это собирательное существительное. Как, например, молодёжь/мебель. Даже Некрасов писал: «Вся овощь огородная поспела». Понимаете, да? Это как бы общее название для всех овощей в огороде. В единичном же экземпляре каждый овощ будет овощем без мягкого знака.
Поэтому оба слова существуют. Просто одно либо не используется совсем, либо используется неправильно. Будьте грамотными, а не редисками с грядки.
Если написать в текстовом редакторе слово «овощь», он подчеркнёт его красным и исправит на привычный нам вариант - «овощ». Но вы удивитесь, что слово «овощь» тоже существует.
Овощь - это собирательное существительное. Как, например, молодёжь/мебель. Даже Некрасов писал: «Вся овощь огородная поспела». Понимаете, да? Это как бы общее название для всех овощей в огороде. В единичном же экземпляре каждый овощ будет овощем без мягкого знака.
Поэтому оба слова существуют. Просто одно либо не используется совсем, либо используется неправильно. Будьте грамотными, а не редисками с грядки.
Что я делал вчера весь вечер?
Правильно, генерировал в dalle-3 wojak'ов. Вот подборка лучшего (что-то из этого можно прям сразу на стенку или на футболку печатать).
Правильно, генерировал в dalle-3 wojak'ов. Вот подборка лучшего (что-то из этого можно прям сразу на стенку или на футболку печатать).
#statistics
Коллеги из X5 написали большую статью про то, как у нас завезли новые (и очень полезные) методы оценки и, по сути, изменили всю методологию статистической оценки пилотных инициатив.
Почитайте, там много интересного и полезного написано. Достаточно немало математики, много про наши внутренние процессы и проблемы (связанные с тем, что пилоты проходят не на сайте, а в безжалостном физическом мире ;)).
Коллеги из X5 написали большую статью про то, как у нас завезли новые (и очень полезные) методы оценки и, по сути, изменили всю методологию статистической оценки пилотных инициатив.
Почитайте, там много интересного и полезного написано. Достаточно немало математики, много про наши внутренние процессы и проблемы (связанные с тем, что пилоты проходят не на сайте, а в безжалостном физическом мире ;)).