Science (Language models and LLM in vector) vs Corruption
2009
Tomás Mikolov, Jirí Kopecký, Lukás Burget, Ondrej Glembek, Jan Cernocký:
Neural network based language models for highly inflective languages.
2009 IEEE International Conference on Acoustics, Speech and Signal Processing (2009)
RNN LM
Recurrent neural network based language model
Tomáš Mikolov, Martin Karafiát, Lukáš Burget, Jan Černocký, Sanjeev Khudanpur
A distance on words
Word2vec
In 2010, Tomáš Mikolov (then at Brno University of Technology) with co-authors applied a simple recurrent neural network with a single hidden layer to language modelling
Word2vec (2013) byl jeden z klíčových průlomů v NLP (zpracování přirozeného jazyka), protože umožnil rychle učit husté vektorové reprezentace slov z velkých textových dat. Tyto ‚word embeddings‘ se staly standardním stavebním kamenem mnoha dalších modelů a výrazně urychlily posun NLP směrem k neuronovým metodám. Metodu publikoval tým v Googlu vedený Tomášem Mikolovem.
Tomáš Mikolov
PhD na VUT v Brně - téma: neuronové jazykové modely
Roku 2010 absolvoval stáž na Johns Hopkins University u Freddy Jelinka MS Google Brain - Word2vec Facebook AI Research FAIR - fastText
Od r. 2020 do 2025 je spojován s CIIRC ČVUT - vedení výzkumné skupiny
Na závěr dobré poznamenat, že Word2vec, GloVe, FastText ... generují statické vektorové reprezentace slov.
Modely jako BERT vytvářejí kontextové (dynamické) reprezentace tokenů - významové vektory se liší podle věty. word2vec naopak zavedl a masově rozšířil statické embeddingy slov, které byly důležitým krokem v tom, že se text začal běžně reprezentovat vektorově. Transformery pak na vektorových reprezentacích staví (používají token embeddings), ale jejich klíčová novinka je self-attention, díky níž umí kontext kombinovat napříč celou sekvencí a tvořit kvalitní kontextové reprezentace. word2vec pomohl ukotvit embeddingy jako standardní vstup, na kterém transformery přirozeně staví. Transformery stojí hlavně na attention a škálování; embeddingy by existovaly i bez word2vec ale word2vec jim významně napomohl.
"Attention Is All You Need" is a 2017 research paper in machine learning authored by eight scientists and engineers working at Google. The paper introduced a new deep learning architecture known as the transformer, based on the attention mechanism proposed in 2014 by Bahdanau et al.
V září 1981 slavilo na brněnském veletrhu premiéru kupé Škoda Garde odvozené ze sedanů řady Š 105/120. Do výroby se dostalo s jistým zpožděním, zato nabízelo několik konstrukčních zlepšení.
V létě 1984 prošlo kupé Škoda Rapid výraznou modernizací. Dostalo novou přední partii karoserie, rozšířený rozchod předních i zadních kol a alternativně také větší motor o objemu 1289 cm3 spojený s pětistupňovou převodovkou.
Kupé Škoda Rapid se dočkalo i přestaveb na kabriolety. První v tomto směru byla v roce 1983 západoněmecká firma Meise, nejvíce – přes tři stovky kabrioletů – postavila anglická společnost LDD. Český Metalex zhotovil tucet kabrioletů pro objednavatele z Německa, devět dalších vzniklo v Dánsku a šest v Kanadě.
Zadní náprava Š 130 R s vlečenými rameny a pětistupňovou převodovkou | Foto: Škoda Auto
NLCS G4: Brewers @ Dodgers (Oct 17, 2025) — Životní Zápas pro Shohei Ohtaniho
Shohei Ohtaniho is turning baseball into a solo sport?
NLCS G4 — Brewers @ Dodgers (17. 10. 2025): Rozbor se snad ověřenými daty
Dodgers porazili Brewers 5–1 a dokončili sweep 4–0; Shohei Ohtani předvedl unikát: *3 HR*, *10 K*, *0 R*. Trefil solo HR v 1., 4. (469 ft ven ze stadionu přes RF/RCF) a 7. směně, na kopci odházel 6.0 IP se dvěma hity. Statcast zaznamenal 19 whiffs; výkon mu přinesl NLCS MVP. Tři zvýrazněná čísla jsou vybrána proto, že v jedné větě sumarizují dvoustrannou dominanci (pálka + start) v clincheru.
Nejlepší analýzy
Sonja Chen · 10 K’s, 0 runs, 3 moonshots: Shohei wins NLCS MVP after performance of a lifetime · 2025-10-18 (ET, čas neuveden) · [1] — 19 whiffs; kontext historické rarity (3 HR + 10 K).
Paul Casella · Ohtani’s G4 HRs broken down: From leadoff, to clearing roof, to rare 3rd · 2025-10-18 (ET, čas neuveden) · [2] — Statcast metriky všech 3 HR (446/469/427 ft; EV 116.5/116.9/113.6).
Reuters (Field Level Media) · Shohei Ohtani’s 3-HR, 10-K gem caps Dodgers’ NLCS sweep · 2025-10-18 06:09 ET · [3] — shrnutí i s raritou „první v historii“ (3 HR + 10 K).
Klíčová data zápasu
Skóre: Dodgers 5, Brewers 1 (Dodger Stadium). Start Shohei Ohtani: 6.0 IP, 2 H, 0 R (0 ER), 3 BB, 10 K, 19 whiffs; pitch-mix FF/CT/SL + SPL. Ohtani batting: 3× HR (1., 4., 7. směna). HR1 vs. José Quintana — EV 116.5 mph, LA neuved., 446 ft, RF; HR2 vs. Chad Patrick — EV 116.9 mph, LA 33°, 469 ft, RCF/ven ze stadionu; HR3 vs. Trevor Megill — EV 113.6 mph, LA neuved., 427 ft, CF/LCF. Čas hry 2:41; návštěvnost 52 883. Tři čísla v TL;DR (*3 HR*, *10 K*, *0 R*) kvantifikují nejdůležitější dual-threat výkon v clincheru.
2-3 nejrychlejší nadhozy — PITCH VELOCITY (Statcast, nikoli EV)
| # | Rychlost (mph) | Typ nadhozu | Inning / Count | Batter (MIL/LAD) | Výsledek | Čas (ET / Europe/Prague) | Pitch ID | Autor (Pitcher) | Zdroj [n] |
| # | EV (mph) | LA (°) | Vzdálenost (ft) | Směr (spray) | Typ odpalu | Inning / Count | Batter | Pitcher | Play ID | Čas (ET / Europe/Prague) | Zdroj [n] |
Dodger Stadium je spíše neutrální s lepším carry do RF v teplu; střechu vpravo překoná zásah výjimečně. HR2 (469 ft, EV 116.9, LA 33°, RCF) patří mezi nejdelší a nejtvrdší postseason HR v éře Statcast; HR1 (446 ft, 116.5, RF) ukazuje maximální EV při nižším launch okně; HR3 (427 ft, 113.6, CF/LCF) potvrzuje sílu napříč směry. V rámci LCS je 3-HR „clincher“ extrémně vzácný.
Kontext „Greatest postseason performance?“
Srovnání s etalony (Reggie Jackson ’77: 3 HR; Don Larsen ’56: PG; Bob Gibson ’68: 17 K; Roy Halladay ’10: no-hitter) ukazuje, že kombinace 3 HR + 10 K + 0 R v jednom utkání je bez historického precedentu v MLB a v kontextu Statcastu představuje unikátní dvoustranný strop.
Bitcoin fell 8.59% over the last 24h, underperforming its 7-day (-9.37%) and 30-day (-2.75%) trends. The drop aligns with a 10.13% crypto market decline and reflects three key drivers:
Leverage Unwind – $16B+ liquidations after Trump’s China tariff threat (CoinDesk).
Technical Breakdown – Failed defense of $117K support, bearish RSI (42.36) and MACD divergence.
Sentiment Shift – Fear & Greed Index plunged to 35, lowest since March 2025.
Overview: Bitcoin’s drop followed former U.S. President Trump’s announcement of 100% tariffs on Chinese imports, triggering a historic $16B liquidation of leveraged long positions (CryptoPotato).
What this means: Perpetual futures markets (where traders often use 20–100x leverage) amplified the sell-off. Forced liquidations erased liquidity, causing even algorithmic traders to struggle with order execution.
What to look out for: Weekend liquidity gaps (spot ETF closures) could prolong the bottoming process.
2. Technical Support Failure (Bearish Impact)
Overview: BTC broke below the “cost price defense line” of $117K, a key level large investors defended since August (Binance News).
What this means: - Daily RSI (42.36) shows weakening momentum. - MACD histogram turned negative (-32.86), signaling bearish crossover risk. - Next critical support: $109K (78.6% Fibonacci retracement).
3. Sentiment Collapse (Mixed Impact)
Overview: The Crypto Fear & Greed Index fell 37 points to 35 (“Fear”) in 24h, the steepest drop since April 2025 (Cointelegraph).
What this means: Extreme fear often precedes contrarian rebounds, but retail panic (37K+ small wallets exiting) contrasts with whale accumulation (231 new 10+ BTC wallets). Historically, this divergence precedes rallies, but macro risks delay recovery.
Conclusion
Bitcoin’s drop reflects a perfect storm of geopolitical risk, derivatives carnage, and technical breakdowns. While oversold conditions suggest a potential rebound, the $109K–$114K zone is critical to stabilize sentiment.
Key watch: Can BTC hold $109K support amid weekend liquidity constraints, or will tariff fears drive another leg down?
CMC AI can make mistakes, please DYOR. Not financial advice.
Triggering a historic $16B liquidation of leveraged long positions
Perpetual futures markets (where traders often use 20–100x leverage) amplified the sell-off. Forced liquidations erased liquidity, causing even algorithmic traders to struggle with order execution.
What to look out for: Weekend liquidity gaps (spot ETF closures) could prolong the bottoming process.
Extreme fear often precedes contrarian rebounds, but retail panic (37K+ small wallets exiting) contrasts with whale accumulation (231 new 10+ BTC wallets). Historically, this divergence precedes rallies, but macro risks delay recovery
It’s not really about the leverage — it’s about position sizing and risk per trade.
And if she were using cross margin, her collateral across multiple assets could have amplified the damage once liquidation cascades started.
During the recent crypto crash (Oct 10, 2025), nearly $19.15 billion. USD in positions were liquidated, and over 1.6M traders were wiped out — the biggest liquidation event in crypto history.
Salmond explained that Bitcoin’s price dislocation between crypto exchange Coinbase, where the BTC/USD pair fell to $107,000 and and crypto exchange Binance perpetual futures, where the BTC/USDT pair crashed to $102,000, “really illustrates the severity of the cascading liquidations and how stops were completely obliterated.”
BTC v pátek kleslo o 11%, zatímco ETH, SOL a XRP se zhroutily o 15% až 30% při krypto bleskovém krachu, protože obchodní napětí mezi USA a Čínou eskalovalo.
Jako odborník na vývoj v jazyce Python se znalostí frameworku VeighNa prosím poskytněte skript v jazyce Python, který lze přímo spustit.
Hlavní úkol:
Vytvořte instanci databáze voláním funkce „get_database“ a poté hromadně exportujte všechna data svíčkových grafů.
Specifické požadavky:
1. Referenční implementace:
a. Pro použití funkce „get_database“ se podívejte do souboru „E:\github\vnpy\vnpy\trader\database.py“.
b. Pro logiku dotazování dat a generování souborů se podívejte na aktuální implementaci v pluginu „vnpy_datamanager“.
2. Upřednostněte místní zdroje: Abyste se vyhnuli použití zastaralého nebo nekompatibilního online kódu, proveďte úkol zcela na základě existujícího místního kódu a vašeho porozumění frameworku VeighNa.
3. Výstup běhu: Během provádění skriptu jasně vytiskněte kód smlouvy, časovou frekvenci a délku dat každého datového souboru na konzoli po zpracování.
4. Kvalita kódu:
a. Zajistěte, aby styl kódu byl jasný a dobře čitelný.
b. Upřednostňujte podmíněné příkazy (např. „if“) pro zpracování předvídatelných pracovních postupů a vyhněte se zbytečným klauzulím „try-except“.
Robert Jackson Bennett - Město schodů (ebook). Po Mistbornu ten nejoriginálnější svět, jaký byl vytvořený. Must have book.
Ja se posledni dobou nezactu do evropske/americke tvorby. Takze ted jedu amaterske preklady japonskych novel do anglictiny....a je to perfektni ctivo. Momentalne mam rozecteno RE: Monster od Kanekiru Kogitsune, 5 kniha ze 7. A tech 7 je proste malo....potrebuju vic.