Sapphire FLR

[Daichi Konno / 紺野 大地 @_daichikonno]

論文ドラフト執筆AI「SciDraft」のモデルをGPT-5.4 Thinkingにアップデートしました！🎉

これにより文章のクオリティがさらに向上し、
引用文献のハルシネーションもほぼなくなりました！

5点中4.7と非常に高い評価を頂いており、本当に嬉しいです☺️
ぜひお試し下さい！
https://t.co/9VrK6jQEuz

[QDくん⚡️AI関連の無料教材紹介 @developer_quant]

「なぜ深層学習でうまくいくのか」という素朴な疑問に対し、理論的にわかっていることを平易に解説したスライド。非常にわかりやすい。

深層学習の原理を明らかにする理論の試み
https://t.co/NuetDal21T

[かずなり | 生成AI活用術 @MacopeninSUTABA]

筑波大学が公開した「Python ゼロからはじめるプログラミング」が有益。

単なる文法解説で終わらず、図解たっぷりのスライド形式で直感的に理解できるのが特徴。完全未経験からでも挫折することなく、プログラミングの基礎がスルスル身につく神教材。

こちら👉 https://t.co/XfNIVVOUJa

[ぱうう @09pauai]

お、Claude Codeに指示するだけで3D作品が作れたぞ。

「王様ぱううの部屋を作って」って日本語で話しかけただけ。
マウスでの3D操作ゼロ、制作時間15分。プログラミングも3Dの知識もいらない。必要なのはClaude Codeと無料アドオン1つだけ。

やり方と副業への活かし方を解説する↓

[保守速 @hoshusokuhou]

Blender職人、失業の危機。
…と思いきや、AIを使いこなす職人が生き残る時代に

ClaudeをBlenderに接続し、テキストだけで3Dモデルやシーンを構築できる

[Giuliano Liguori @ingliguori]

30 AI algorithms that power modern AI 👇

📊 Linear & Logistic Regression
🌲 Random Forest
⚡ XGBoost
🎯 SVM
🔍 k-Means / DBSCAN
📉 PCA / t-SNE
🎮 Q-Learning / DQN
🧠 ANN / CNN / RNN / LSTM
🔁 Transformers
🧬 Genetic Algorithms

Master the foundations → master AI.

[QDくん⚡️AI関連の無料教材紹介 @developer_quant]

線形代数の計算を視覚的にわかりやすく説明したスライド

「線形代数計算の視覚化と行列5分解」
https://t.co/igZukYINzH

解説動画
https://t.co/jZFQxfJWPo

・行列の見方: 4つ
・ベクトルの積: 2つ
・行列とベクトルの積: 2つ
・行列と行列の積: 4つ
・便利な応用パターン: 4つ
・行列の有名分解: 5つ

[Mathematica @mathemetica]

Hamiltonian Monte Carlo: probability as physics.

Endow particles with momentum, then let Hamilton’s equations (dq/dt = ∂H/∂p, dp/dt = −∂H/∂q) carve reversible, volume-preserving trajectories through phase space.

[Mathematica @mathemetica]

Diffusion (stochastic SDE sampler): erratic Brownian trajectories zigzagging through noise.

Flow Matching (deterministic ODE integrator): clean, straight-line paths to the data modes.

Same start, radically different dynamics.

[Takamitsu @Evogel611]

500人の投資家エージェントに売買させて，ネットワーク上の意見形成による市場価格形成やってみた．

意外とそれっぽい

[Ufolium @ufolium]

複素解析のエッセンスシリーズ
「第5回 複素線積分とコーシーの積分定理」を公開しました！
https://t.co/0YrqdA8sfYでご覧ください！

[五合目（バイブコーダー） @ESLbeginner]

君たちそういう関係だったんだねぇ～。統計検定受ける前に知りたかったわ…。

[五十嵐先輩 @asumote]

稼げない人
成長しない人
口だけ達者なペラペラテッシュ君

総じてみんなコレ
・完成度100%を目指すから遅い
・今すぐ動けない(金が溜まったらなど言い訳)
・いつまでも過程に拘り抜く勘違い職人気質

マジで人生勿体ないからやめろ
『とりあえずマインドでGO』
これが染み付いて出来てる人が稼いでる

[Probability and Statistics @probnstat]

The mixing time of exponential random graph models (ERGMs) measures how fast a Markov chain used to sample networks from an ERGM converges to its target distribution. ERGMs describe complex network data—social, biological, or information networks—by assigning probabilities to graphs based on features like edges, triangles, or degree patterns. In statistics, fast mixing is crucial because maximum likelihood and Bayesian inference for ERGMs rely on MCMC sampling; if the chain mixes slowly, estimates become biased and unreliable. Phase transitions in ERGMs can cause exponentially slow mixing, revealing when certain network structures are statistically unstable or unidentifiable. In machine learning and deep learning, ERGMs and their mixing behavior connect to training energy-based models and graph generative models, where poor mixing leads to mode collapse or bad samples. Understanding mixing time thus tells us when network learning, simulation, and prediction are computationally feasible in real-world graph data.

Image: https://t.co/JxlJHCotjT

[ふも @fumokmm]

これが虚数軸の発見である。

[Cliff Pickover @pickover]

Mathematical Mitosis. Luminous Buds of Instability. Almost reminds me of biological emergence.

"x>0 breaks the symmetry of the eigenvalues distribution."

Computation by Simone Conradi, @S_Conradi, Used with permission.

[ℏεsam @Hesamation]

if you want to learn LLMs better than anyone else, implement them in C and watch this video before you do.

[赵亮 @neozhaoliang]

By the Koebe–Andreev–Thurston theorem, every finite triangulation of the plane is the tangent graph of some circle packing. This is a manim animation. It generates a finite graph with given number of boundary/interior points inside a bounding rectangle.

[いいづかやまと @yamatoiizuka]

うーむすごいのできたな

[TensorTonic @TensorTonic]

Our final module is out! We've covered the fundamentals of Information theory.

topics include -

> shannon entropy
> KL divergence
> information gain (decision trees)
> mutual information
> cross entropy loss
> GANs training
> Jensen-Shannon Divergence
> Perplexity