@mentalium_: Machine learning is the most f*cking DANGEROUS thing to understand and nobody is learning it like this This free collec…
Summary
A promotional post for MLCheatSheets, a free open-source collection of 500+ machine learning and deep learning cheatsheets in Russian, including theory, formulas, code examples, a learning roadmap, and exercises.
View Cached Full Text
Cached at: 10/29/26, 02:00 PM
Machine learning is the most f*cking DANGEROUS thing to understand and nobody is learning it like this
This free collection of 500+ ML cheatsheets is the clean version I wish I had from the start.
Most people will save this and never open it.
This is MLCheatSheets. Theory, formulas, and code in one place.
01 The full collection
https://github.com/gurovic/MLCheatSheets…
02 Learning roadmap
https://github.com/gurovic/MLCheatSheets/blob/main/ROADMAP.md…
03 Course guide
https://github.com/gurovic/MLCheatSheets/blob/main/COURSE_GUIDE.md…
04 All cheatsheets
https://github.com/gurovic/MLCheatSheets/tree/main/cheatsheets…
05 Exercises
https://github.com/gurovic/MLCheatSheets/blob/main/exercises.md…
06 Animations and visuals
https://github.com/gurovic/MLCheatSheets/tree/main/animations…
07 Setup and how to use
https://github.com/gurovic/MLCheatSheets/blob/main/SETUP.md…
08 Illustrations table
https://github.com/gurovic/MLCheatSheets/blob/main/ILLUSTRATIONS_TABLE.md…
09 Prospects and future
https://github.com/gurovic/MLCheatSheets/blob/main/PROSPECTS.md…
10 The full path. Free.
https://github.com/gurovic/MLCheatSheets…
You either open this now or keep collecting random playlists for another year.
Save this ⭣
gurovic/MLCheatSheets
Source: https://github.com/gurovic/MLCheatSheets
🎓 ML Cheatsheets
Комплексная коллекция из 500+ cheatsheets по машинному обучению и глубокому обучению на русском языке
Автор: Владимир Гуровиц (школа “Летово”)
При поддержке: DeepSeek, Github Copilot, Perplexity Comet
🚀 Новое: Познакомьтесь с перспективами развития проекта - узнайте о будущих возможностях, фичах и ресурсах для пользователей!
📚 О проекте
ML Cheatsheets - это бесплатная образовательная коллекция справочных материалов, охватывающая все основные темы машинного обучения от базовых алгоритмов до современных нейросетевых архитектур. Каждый cheatsheet содержит:
- ✅ Теоретические основы
- ✅ Математические формулы
- ✅ Примеры кода на Python
- ✅ Визуализации и диаграммы
- ✅ Советы по применению
🚀 Быстрый старт
Для начинающих
- Прочитайте руководство по курсу - узнайте как эффективно учиться
- Изучите дорожную карту обучения - выберите подходящий путь
- Начните с основ - раздел “Подготовка данных” и базовые алгоритмы
- Практикуйтесь - решайте упражнения
- Углубляйтесь - переходите к продвинутым темам
Установка зависимостей
# Клонируйте репозиторий
git clone https://github.com/gurovic/MLCheatSheets.git
cd MLCheatSheets
# Установите зависимости для упражнений
pip install -r requirements.txt
# (Опционально) Для работы с анимациями
pip install -r animations/requirements.txt
Подробная инструкция по установке доступна в SETUP.md.
🎯 Как использовать этот курс
Структура обучения
Этот проект организован как полноценный самостоятельный курс машинного обучения. Вот как эффективно с ним работать:
1️⃣ Выберите свой путь
- Новичок в ML? → Начните с Пути новичка
- Хотите специализироваться в Deep Learning? → Следуйте Пути DL специалиста
- Готовитесь к работе? → Изучите Путь ML Engineer
- Нужна конкретная тема? → Используйте навигацию для быстрого доступа
2️⃣ Изучайте теорию
- Откройте нужный cheatsheet из списка ниже
- Изучите теоретические основы и математику
- Разберите примеры кода
3️⃣ Практикуйтесь
- Решайте соответствующие упражнения
- Экспериментируйте с кодом из cheatsheets
- Применяйте знания на реальных датасетах
4️⃣ Углубляйте понимание
- Смотрите анимации и визуализации
- Изучайте связанные темы через перекрестные ссылки
- Читайте о перспективах применения знаний
Советы по эффективному обучению
💡 Не спешите - лучше глубоко понять один алгоритм, чем поверхностно изучить десять
💡 Практикуйтесь регулярно - решайте упражнения после каждой темы
💡 Ведите проекты - применяйте знания на собственных данных
💡 Возвращайтесь к основам - периодически перечитывайте базовые темы
💡 Используйте дорожную карту - она поможет не потеряться в материале
📖 Содержание
- 📘 I. Классическое машинное обучение (32 раздела, 250+ cheatsheets)
- 🧠 II. Глубокое обучение (27 разделов, 200+ cheatsheets)
- 🔬 III. Разные темы машинного обучения (6 разделов, 50+ cheatsheets)
- 💪 EXPERIMENTAL Практические упражнения (8 упражнений с решениями)
- 🎥 EXPERIMENTAL Анимации и визуализации
🗺️ Рекомендуемые пути обучения
🌱 Путь новичка (3-6 месяцев)
Изучение основ ML с нуля: Python → Теория → Подготовка данных → Классические алгоритмы → Ансамбли
🚀 Путь специалиста по Deep Learning (4-8 месяцев)
От основ нейросетей до трансформеров и генеративных моделей
💼 Путь ML Engineer (2-4 месяца)
Production ML, MLOps, интерпретируемость и deployment
🎯 Специализация по доменам
Computer Vision, NLP, Time Series, Reinforcement Learning
📋 Навигация по разделам
I Классическое машинное обучение
1. 🎨 Подготовка данных
- Предобработка данных (Preprocessing)
- Data Preprocessing (missing values, encoding)
- Обработка выбросов
- Кодирование категориальных признаков
- Масштабирование и нормализация
- Выбор признаков (Feature Selection)
- Снижение размерности (Dimensionality Reduction)
- Балансировка классов (Imbalanced Data)
2. 🎨 Классификация
- Логистическая регрессия
- Метод опорных векторов (SVM)
- Наивный Байес (Naive Bayes)
- k-ближайших соседей (k-NN)
- Деревья решений для классификации
- Случайный лес для классификации
- Ансамбли методов (Voting, Stacking)
3. 🎨 Регрессия
- Линейная регрессия
- Полиномиальная регрессия
- Ридж, Лассо, ElasticNet
- Деревья решений для регрессии
- Случайный лес для регрессии
- Методы регуляризации
- Непараметрическая регрессия
4. 🎨 Кластеризация
- K-means и K-means++
- Иерархическая кластеризация
- DBSCAN
- OPTICS
- Gaussian Mixture Models (GMM)
- Метрики оценки кластеризации
- Выбор числа кластеров
- Spectral clustering
- Mean shift
- Affinity propagation
- BIRCH
- CURE
- CLARANS
- HDBSCAN
- Subspace clustering
5. Понижение размерности
- PCA (Principal Component Analysis)
- t-SNE
- UMAP
- LDA (Linear Discriminant Analysis)
- SVD (Singular Value Decomposition)
- Автоэнкодеры (линейные)
- Manifold learning
- Isomap
- LLE (Locally Linear Embedding)
- MDS (Multidimensional Scaling)
- Spectral embedding
- Kernel PCA
6. Оценка моделей и валидация
- Метрики классификации
- Матрица ошибок (Confusion Matrix)
- ROC и AUC
- Метрики регрессии
- Кросс-валидация
- Кривые обучения
- Калибровка моделей
- Статистические тесты для сравнения моделей
- Статистические тесты (t-test, McNemar)
- Кривые обучения и валидации
- Bias-variance decomposition
- Неметрические критерии (интерпретируемость, скорость)
7. Поиск гиперпараметров
- Grid Search / Random Search
- Bayesian Optimization
- Optuna / Hyperopt
- Стратегии поиска гиперпараметров
- Байесовская оптимизация гиперпараметров
- Байесовские нейронные сети
8. Работа с временными рядами (классические методы)
- ARIMA / SARIMA
- Экспоненциальное сглаживание
- Методы на основе скользящих средних
- Feature Engineering для временных рядов
- Валидация временных рядов
- Prophet и современные методы временных рядов
- State space models
- Kalman filters
- Сезонная декомпозиция
- Теория временных рядов Box-Jenkins
9. Обнаружение аномалий
10. Рекомендательные системы (классические)
- Коллаборативная фильтрация
- Контентная фильтрация
- Матричная факторизация (SVD)
- ALS (Alternating Least Squares)
- Коллаборативная фильтрация (user-based, item-based)
- Матричная факторизация (SVD, NMF)
- Гибридные системы
- Context-aware рекомендации
- Sequence-aware рекомендации
11. Градиентный бустинг
- Градиентный бустинг для классификации
- Градиентный бустинг для регрессии
- XGBoost
- LightGBM
- CatBoost
- Гиперпараметры градиентного бустинга
- Особенности и тонкости настройки ансамблей
- Бэггинг (Bagging)
- AdaBoost
- Стекинг и Voting (Stacking, Voting)
- Advanced Model Ensembling
- Блендинг (Blending)
- Ансамбли деревьев
- Ансамбли линейных моделей
- Диверсификация ансамблей
12. Статистические методы
- Статистические методы для ML (Bootstrap, тесты)
- Линейные модели (GLM)
- Множественная регрессия
- Дисперсионный анализ (ANOVA)
- Bootstrap
- Статистическая проверка гипотез
- Байесовский вывод
- Скрытые марковские модели (HMM)
- Гауссовские процессы
- Вариационный вывод
- Марковские цепи Монте-Карло (MCMC) и Байесовский вывод
- Expectation-Maximization (EM)
- Графические модели
- Наивный Байес (как байесовский метод)
13. Проектирование признаков (Feature Engineering)
- Feature Engineering (основы)
- Feature Engineering (подробно)
- Создание полиномиальных признаков и взаимодействия
- Биннинг (дискретизация)
- Target Encoding
- Дата-специфичные признаки (временные, текстовые)
14. Работа с несбалансированными данными
- Методы семплирования (SMOTE и др.)
- Cost-Sensitive Learning и веса классов
- Метрики для несбалансированных данных
- Алгоритмические подходы
15. Интерпретация моделей
- Важность признаков (Feature Importance)
- SHAP значения
- LIME
- Частичные зависимости (Partial Dependence Plots)
- Explainable AI (XAI) - Полный обзор
- Surrogate models
16. Производственные аспекты
- Production ML Best Practices
- Сериализация моделей
- Дрейф данных и концептуальный дрейф
- Пайплайны ML
- MLOps Best Practices
- Мониторинг моделей и A/B тестирование
- Модельные реестры
- Feature stores
- CI/CD для ML
17. Специальные алгоритмы
- Метод главных компонент (PCA)
- Линейный дискриминантный анализ (LDA)
- Канонический корреляционный анализ
- Скрытые марковские модели (HMM)
- EM-алгоритм
18. Визуализация в ML
19. Основы теории
- Смещение-дисперсия
- Переобучение и недообучение (Overfitting/Underfitting)
- Градиентный спуск (Gradient Descent)
- Теория вероятностей для ML
- Регуляризация
- Байесовский подход
- Теория информации в ML
- Линейная алгебра и оптимизация
- Теория графов для ML
- Теория решений
20. Инструменты и библиотеки
21. Дополнительные темы
- Active Learning
- Transfer Learning (классические подходы)
- Multi-task Learning
- Multi-output регрессионные модели
- Квантильная регрессия
22. Этика, безопасность и приватность
- Fairness в ML (Справедливость)
- Adversarial Attacks (Состязательные атаки)
- Adversarial robustness (классические атаки)
- Differential privacy
- Explainability и accountability
23. Безопасность и обнаружение аномалий в приложениях
24. Финансовое и бизнес ML
25. Графовые алгоритмы (классические)
- Алгоритмы на графах (кластеризация, поиск путей)
- Социальный сетевой анализ
- Графовые эмбеддинги (Node2Vec, DeepWalk)
- Community detection
- Графовые ядра (Graph kernels)
- Influence maximization
26. Традиционная обработка текста (NLP)
- Тематическое моделирование (LDA, NMF)
- TF-IDF и векторное пространство
- Латентно-семантический анализ (LSA)
- Стемминг, лемматизация
- Правила и паттерны (regex, finite-state)
- CRF (Conditional Random Fields) для NER
- Синтаксический разбор (constituency, dependency)
27. Полуавтоматическое обучение (Semi-supervised)
- Semi-supervised Learning
- Self-training
- Co-training
- Label propagation
- Graph-based SSL
- Pseudo-labeling
- Generative models (классические)
28. Онлайн обучение и инкрементное обучение
- Online Learning (SGD, Perceptron, Concept Drift)
- Incremental Learning (Инкрементное обучение)
- Concept drift detection
- Adaptive windowing
- Ensemble methods для streaming
- Reservoir sampling
- Hoeffding trees
29. Мультимодальное обучение (классическое)
- Early fusion и late fusion
- Canonical Correlation Analysis (CCA)
- Kernel CCA
- Multi-view learning
- Co-training
30. Обучение с ограничениями
31. Комбинаторная оптимизация и ML
- Генетические алгоритмы
- Эволюционные стратегии
- Swarm intelligence (PSO, ant colony)
- Simulated annealing
- Tabu search
32. Обучение с подкреплением (классическое RL)
- Reinforcement Learning Basics (RL основы)
- Классическое RL (табличное, без нейросетей)
- Многорукие бандиты (Multi-armed bandits)
- Марковские процессы принятия решений
- Динамическое программирование
- Монте-Карло методы
- Временная разница (TD-learning)
- Q-learning и SARSA
- Функции приближения (линейные, ядерные)
- Иерархическое RL
- Многозадачное RL
- Инверсное RL
II Глубокое обучение
1. 🎨 Основы нейронных сетей
- Искусственный нейрон (перцептрон)
- Архитектура MLP (многослойный перцептрон)
- Функции активации (ReLU, Sigmoid, Tanh, Softmax)
- Функции потерь для классификации и регрессии
- Обратное распространение ошибки (Backpropagation)
- Оптимизаторы (SGD, Momentum, Adam, RMSProp)
- Продвинутые оптимизаторы (AdaGrad, RMSProp, AdamW, Nadam)
- Learning Rate Scheduling
- Инициализация весов (Weight Initialization)
- Ранняя остановка и кривые обучения (Early Stopping)
- Регуляризация нейронных сетей (Dropout и др.)
2. 🎨 Сверточные нейронные сети (CNN)
- Основы свертки
- Пулинг-слои (Max, Average, Global Pooling)
- Архитектуры CNN (LeNet, AlexNet, VGG)
- Современные архитектуры (ResNet, Inception, EfficientNet)
- Attention для Computer Vision (CBAM, SENet)
- Neural Architecture Design Patterns
- Transfer learning для CNN
- Data augmentation для изображений
- Batch Normalization
- Визуализация CNN
- 1D-CNN и 3D-CNN
3. Рекуррентные нейронные сети (RNN)
- Основы RNN
- Temporal Convolutional Networks (TCN)
- Проблема исчезающего градиента
- LSTM (Long Short-Term Memory)
- GRU (Gated Recurrent Units)
- Регуляризация RNN (Dropout, Recurrent Dropout, Zoneout)
- Двунаправленные RNN
- Архитектура Encoder-Decoder
4. Трансформеры и механизмы внимания
- Механизм внимания (attention)
- Self-attention
- Multi-head Attention
- Архитектура Transformer
- Positional Encoding
- BERT и языковые модели
- Vision Transformers (ViT)
- Efficient Transformers (Memory-efficient attention)
5. Генеративные модели
- Автоэнкодеры
- Вариационные автоэнкодеры (VAE)
- Генеративно-состязательные сети (GAN)
- DCGAN и Conditional GAN
- StyleGAN
- Diffusion модели
- Нормализующие потоки (Normalizing Flows)
6. Обучение с подкреплением (Deep RL)
- Deep Q-Networks (DQN)
- Policy Gradient методы
- Actor-Critic методы
- PPO (Proximal Policy Optimization)
- Многозадачное RL
- Иерархическое RL
- Имитационное обучение (Imitation Learning)
7. Обработка естественного языка (NLP)
- Векторные представления слов (Word2Vec, GloVe, FastText)
- RNN/LSTM для NLP
- Transformer для NLP
- BERT и его вариации
- GPT-архитектуры
- Prompt Engineering для LLM (ChatGPT, GPT-4, Claude)
- Токенизация (BPE, WordPiece, SentencePiece)
- Задачи NLP (NER, классификация, суммаризация)
8. Компьютерное зрение (Computer Vision)
- Классификация изображений
- Детекция объектов (YOLO, SSD, Faster R-CNN)
- Детекция объектов - Faster R-CNN, SSD, RetinaNet, EfficientDet
- Сегментация изображений (U-Net, DeepLab, Mask R-CNN)
- Детекция ключевых точек и оценка позы
- Слежение за объектами
- Оценка позы человека
- 3D Computer Vision
9. Обработка аудио и речь
- Спектрограммы и MFCC
- Модели для распознавания речи (ASR)
- Модели для синтеза речи (TTS)
- Классификация звуков
- Source separation
- Audio generation
10. Мультимодальное обучение
- Модели для изображений и текста
- CLIP и похожие архитектуры
- Видео-аудио модели
- Cross-modal retrieval
- Мультимодальные трансформеры
11. Малоресурсное обучение
- Few-shot Learning (Siamese, Prototypical Networks, MAML)
- Metric Learning (Triplet Loss, ArcFace)
- Self-Supervised Learning
- Contrastive Learning (SimCLR, MoCo, BYOL)
- Curriculum Learning
- Zero-shot learning
- Transfer learning (Deep Learning)
- Meta-learning (MAML, Prototypical Networks)
- Domain adaptation
12. Объяснимость и интерпретируемость
- CAM и Grad-CAM
- Saliency maps
- Integrated gradients
- LIME для нейросетей
- SHAP для нейросетей
- Concept activation vectors
13. Оптимизация и ускорение
- Сжатие моделей (Квантизация, Прунинг, Knowledge Distillation)
- Mixed precision training
- Gradient checkpointing
- Distributed training
- Neural Architecture Search (NAS)
14. Графовые нейронные сети (GNN)
- Graph Neural Networks Basics (GCN, GAT, GraphSAGE)
- Graph Convolutional Networks (GCN)
- Graph Attention Networks (GAT)
- Message Passing Networks
- Применения GNN
15. Временные ряды и прогнозирование
- RNN/LSTM для временных рядов
- CNN для временных рядов (TCN)
- Transformers для временных рядов
- Многомерные временные ряды
- Аномалии во временных рядах
- Прогнозирование спроса и трафика
16. Нейросети для табличных данных
- MLP для табличных данных
- TabNet
- Neural Oblivious Decision Ensembles
- AutoML для нейросетей
- Сравнение с классическими методами
17. Этичные аспекты и безопасность
- Adversarial attacks
- Defensive distillation
- Adversarial training
- Bias в нейросетях
- Fairness в ML
- Federated learning
- Differential privacy
18. Производство и MLOps
- Model Deployment
- Сериализация нейросетей
- ONNX формат
- TensorFlow Serving
- TorchServe
- Мониторинг моделей
- CI/CD для ML
- Feature stores
19. Фреймворки и библиотеки
- PyTorch полный гайд
- TensorFlow/Keras полный гайд
- JAX и Flax
- Hugging Face Transformers
- PyTorch Lightning
- FastAI
20. Теория глубокого обучения
- Теорема универсальной аппроксимации
- Теория обобщения для нейросетей
- Динамика обучения нейросетей
- Neural tangent kernel
- Information bottleneck theory
21. Специальные архитектуры
- Capsule networks
- Spiking neural networks
- Neural ODEs
- Differentiable programming
- Memory networks
- Hypernetworks
22. Нейронаука и биологически правдоподобные модели
23. Креативные приложения
- Neural style transfer
- Image-to-image translation
- Text-to-image generation
- Музыкальные нейросети
- Генерация видео
24. Научные применения
- Нейросети в физике
- Нейросети в химии
- Нейросети в биологии
- Нейросети в медицине
- Нейросети в астрономии
25. История и эволюция
26. Квантовое машинное обучение
27. Нейро-символьное ИИ
III Разные темы машинного обучения
1. Мета-обучение (Meta-learning) - продвинутые темы
- Model-agnostic meta-learning (MAML)
- Metric-based (Siamese networks, Matching networks)
- Optimization-based meta-learning
- Few-shot learning (традиционные подходы)
- Meta-features и meta-learning
2. Специализированные прикладные области
- Биоинформатика и computational biology
- Computational chemistry
- Астрофизика и космология
- Геоинформационные системы
- Цифровая гуманитаристика
- Computational social science
3. Композиционное и структурное обучение
4. Материаловедение и ML
5. Квантовое машинное обучение
6. Нейро-символьное ИИ
🤝 Как внести вклад
Мы приветствуем любой вклад в проект! Вы можете:
- 🐛 Сообщить об ошибке через Issues
- ✨ Предложить новый cheatsheet или улучшение
- 📝 Исправить опечатки или улучшить формулировки
- 💻 Добавить примеры кода или упражнения
- 🎨 Создать визуализации или анимации
Пожалуйста, прочитайте руководство по внесению вклада перед началом работы.
📜 Лицензия
Этот проект распространяется под лицензией MIT. Подробности см. в файле LICENSE.
🌟 Поддержка проекта
Если этот проект был вам полезен:
- ⭐ Поставьте звезду на GitHub
- 🔄 Поделитесь с друзьями и коллегами
- 📢 Упомяните проект в своих работах
- 🤝 Внесите свой вклад
📞 Контакты и связь
- GitHub: gurovic/MLCheatSheets
- Issues: Задать вопрос или сообщить о проблеме
🙏 Благодарности
Особая благодарность:
- Школе “Летово” за поддержку проекта
- DeepSeek, Github Copilot, Perplexity Comet за помощь в создании материалов
- Всем контрибьюторам проекта
- Сообществу ML энтузиастов
📚 Дополнительные ресурсы
Документация проекта
- 📘 Руководство по курсу - как эффективно использовать материалы ⭐ НАЧНИТЕ ЗДЕСЬ
- 📖 Дорожная карта обучения - структурированные пути изучения ML
- 🚀 Перспективы развития - будущие возможности и фичи проекта
- 💪 Упражнения - практические задания
- 🎥 Анимации - визуализации алгоритмов
- 🛠️ Setup Guide - инструкции по установке
- 🤝 Руководство по внесению вклада
- 📜 Кодекс поведения
Рекомендуемые ресурсы для изучения ML
Онлайн курсы:
- Andrew Ng’s Machine Learning Course (Coursera)
- Deep Learning Specialization (Coursera)
- Fast.ai Practical Deep Learning
Книги:
- “Hands-On Machine Learning” by Aurélien Géron
- “Deep Learning” by Ian Goodfellow
- “Pattern Recognition and Machine Learning” by Christopher Bishop
Практика:
- Kaggle - соревнования и датасеты
- Papers with Code - статьи с реализациями
- HuggingFace - модели и датасеты
Сделано с ❤️ для ML сообщества
© 2024 ML Cheatsheets. Автор: Владимир Гуровиц (школа “Летово”)
Similar Articles
@wanerfu: Signing up for a machine learning course can cost thousands of dollars. Someone has compiled over 500 cheat sheets and released them for free. 01 Complete collection https://github.com/gurovic/MLCheatSheets… 02 Learning roadmap https://github.com/gu…
Someone has compiled over 500 machine learning and deep learning cheat sheets and open-sourced them for free on GitHub, including learning roadmaps, course guides, exercises, and animated visualizations — serving as a free alternative to paid courses.
@DanKornas: Stop learning ML math from random tabs. Mathematics for Machine Learning is a curated GitHub collection of books, paper…
A curated GitHub collection (Mathematics for Machine Learning) that organizes books, papers, video lectures, and math basics for learning the math behind machine learning, covering linear algebra, calculus, probability, statistics, and more.
@techNmak: I want to highlight a resource that I think is genuinely valuable for anyone learning machine learning: ML-From-Scratch…
A GitHub repository implementing fundamental machine learning algorithms from scratch using plain NumPy, designed to help learners understand the inner workings of algorithms by focusing on clarity over performance. It covers supervised, unsupervised, deep learning, and reinforcement learning topics.
@clcoding: FREE 674-Page Machine Learning PDF! Want to master Machine Learning from the ground up? Here's a FREE 674-page PDF cove…
A free 674-page PDF of the textbook 'Introduction to Machine Learning' by Laurent Younes is available, covering mathematical foundations and algorithms for machine learning.
@0x0SojalSec: Want to truly stand out in AI/ML not just use the tools, but understand and improve them? understand why gradient desce…
A tweet promoting a curated collection of math and deep learning resources for understanding the foundations behind models like Claude, including linear algebra, real analysis, optimization, and representation theory.