Velmi prima povídání a přitom odborně a fundovaně pojaté
Zdaleka ne jen o přijetí EURA
Ex guvernér ČNB Miroslav Singer
Českou korunu si zachovejme zdaleka nejen kvůli ČNB!
Velmi zajímavý rozhovor s Ženou, která moudře? přemýšlí o životě. Ewa Farna.
quotations, links and thinking about something - How to? bloček odkazů citací a úvah ...
Velmi prima povídání a přitom odborně a fundovaně pojaté
Zdaleka ne jen o přijetí EURA
Ex guvernér ČNB Miroslav Singer
Českou korunu si zachovejme zdaleka nejen kvůli ČNB!
Velmi zajímavý rozhovor s Ženou, která moudře? přemýšlí o životě. Ewa Farna.
* Language is low bandwidth: less than 12 bytes/second. A person can read 270 words/minutes, or 4.5 words/second, which is 12 bytes/s (assuming 2 bytes per token and 0.75 words per token). A modern LLM is typically trained with 1x10^13 two-byte tokens, which is 2x10^13 bytes.… https://t.co/FtCnxkVukK
— Yann LeCun (@ylecun) March 9, 2024
Nature would not use "metrics" in the form we have invented them; as strict quantitative measures used to evaluate various aspects of a system's performance, and/or as a kind of "distance" between elements of a set.
— Sean McClure (@sean_a_mcclure) March 9, 2024
Such constrained evaluation only makes sense when framing a…
Vlastnost | Vzorec | Typická hodnota | Popis |
---|---|---|---|
Šířka pásma vize | 2 * počet optických nervů * počet nervových vláken * počet bajtů na nervové vlákno | 40 MB/s | Množství informací přenášených zrakem za sekundu. |
Datový tok vize | Šířka pásma vize * Čas | 40 MB (pro 1 sekundu) 2.4 GB (pro 1 minutu) |
Celkové množství dat přenášených zrakem za daný čas. |
Šířka pásma jazyka | Rychlost čtení člověka | 12 bajtů/s | Množství informací přenášených jazykem za sekundu. |
Datový tok jazyka | Šířka pásma jazyka * Čas | 720 bajtů (pro 1 minutu čtení) |
Celkové množství dat přenášených jazykem za daný čas. |
Poměr datových toků | Datový tok vize / Datový tok jazyka | 3333 | Zobrazuje, kolikrát je datový tok vize větší než datový tok jazyka. |
Čtení: Osoba může číst 270 slov za minutu, což je 4,5 slova za sekundu.
Předpoklady: Každé slovo je 2 bajty. Předpokládá se, že 0,75 slova na token, což je 1,333 tokenu na slovo.
Bajty za sekundu při čtení: 4,5 (slova za sekundu) × 2 (bajty za slovo) × 1,333 (tokeny za slovo) =
Celkový počet bajtů: 2 × 1013
Výpočet:
Každý z optických nervů má 1 milion nervových vláken a každé vlákno přenáší přibližně 10 bajtů za sekundu.
Celkové šířka pásma pro oba nervy: 10 × 1,000,000 × 2 = MB/s
Hodiny vzhůru: 16,000
Výpočet celkového počtu bajtů: Šířka pásma × (16,000 × 60 × 60)
We can estimate the time required for a human to read a text by using the following formula:
Time (seconds) = (Number of Tokens * Bytes per Token) / Reading Speed (bytes/second)
Where:
Time (seconds) = (1x10^13 tokens * 2 bytes/token) / (4.5 words/second * 0.75 words/token)
This simplifies to approximately 5,926,100,000 seconds.
Converting this to years: (assuming 365 days a year)
Time (years) = Time (seconds) / (Seconds per day * Days per year)
This results in approximately 101,444 years.
Můžeme kvantifikovat množství informací přenášených zrakem pomocí následujícího vzorce:
Šířka pásma vize (bajtů/sekundu) = 2 * počet optických nervů * počet nervových vláken * počet bajtů na nervové vlákno
Kde:
Dosazením typických hodnot získáme:
Šířka pásma vize ≈ 2 * 1 000 000 * 10 ≈ 40 MB/s**Datový tok:**
Množství dat přenášených za určitý čas můžeme vypočítat pomocí vzorce:
Datový tok (bajtů/sekundu) = Šířka pásma (bajtů/sekundu) * Čas (sekundy)
Šířku pásma viděného můžeme porovnat s datovým tokem jazyka, konkrétně s rychlostí čtení člověka. Pokud předpokládáme, že člověk přečte text rychlostí 12 bajtů za sekundu a čtení textu trvá 100 000 let, můžeme vypočítat datový tok jazyka takto:
Datový tok jazyka = 12 bajtů/sekundu * 100 000 let * 365 dní/rok * 24 hodin/den * 3600 sekund/hodinu
Tento výpočet vyžaduje pokročilé funkce, které nejsou v rámci Bloggeru dostupné. Nicméně, porovnáním šířky pásma vize (40 MB/s) a šířky pásma jazyka (12 bajtů/sekundu) je zřejmé, že vizuální informace má mnohem vyšší datový tok.
1. Implikace pro umělou inteligenci:
Výzva pro vývoj AI: Tweet zdůrazňuje, že zrak je pro člověka dominantním smyslem a jeho šířka pásma je 3 333krát větší než šířka pásma jazyka. To představuje značnou výzvu pro vývojáře AI, kteří se snaží napodobit a překonat lidské kognitivní schopnosti v oblasti vnímání a zpracování vizuálních informací.
Důležitost multimodální integrace: Diskuze se dotýká důležitosti modelování multimodální integrace v AI systémech. To znamená, že AI by měla být schopna integrovat informace z různých smyslů (zrak, sluch, hmat atd.) pro komplexnější a hlubší pochopení světa.
2. Neurověda a vnímání:
Souvislost mezi šířkou pásma a kapacitou mozku: Šířka pásma zraku a jazyka odráží kapacitu mozku pro zpracování informací z daného smyslu. Zrak je náročnější na kognitivní zdroje, a proto má i větší šířku pásma.
Rozdíly v kognitivních procesech: Diskuze se dotýká i rozdílů v kognitivních procesech zraku a jazyka. Zrak je vnímán jako "pasivní" smysl, kdy informace proudí do mozku bez vědomého úsilí. Jazyk je naproti tomu "aktivní" smysl, kdy je nutná aktivní produkce řeči a interpretace sdělení.
3. Technologické inovace:
Potenciál rozhraní mozek-počítač a rozšířené reality: Diskuze se dotýká potenciálu technologií, jako jsou rozhraní mozek-počítač a rozšířená realita, které by mohly překonat limity jazyka a umožnit efektivnější přenos informací.
Využití vizuálních a multimodálních dat: Zmíněno je i využití vizuálních a multimodálních dat v oblasti strojového učení a umělé inteligence. Využití těchto dat otevírá nové možnosti pro vývoj pokročilých systémů rozpoznávání obrazu, strojového překladu a dalších aplikací.
Několik zajímavých podnětů:
"Zrak je dominantní smysl pro člověka a AI se ho teprve učí napodobovat."
Důležitost vnímání pro lidské poznání a výzvu, kterou představuje jeho modelování v AI.
"Mozek je neuvěřitelně efektivní v kompresi a interpretaci vizuálních dat."
Kognitivní schopnosti lidského mozku a jeho efektivitu v práci s vizuálními informacemi.
"Budoucnost AI spočívá v integraci různých smyslů a modalit."
Tento příspěvek zdůrazňuje důležitost multimodálního přístupu pro vývoj pokročilé AI, která bude schopna lépe napodobovat a překonat lidské kognitivní funkce.
Yann LeCun
poukazuje na rozdíly mezi datovou šířkou pásma jazyka a vizuálního vnímání. Uvádí, že vizuální vnímání má mnohonásobně vyšší datovou šířku pásma než jazyk, což znamená, že děti během několika let přijmou obrovské množství vizuálních dat ve srovnání s tím, co mohou přečíst nebo slyšet. Dále zdůrazňuje význam samostatného učení a potřebu zpracovávání vysokorychlostních senzorických vstupů pro dosažení úrovně umělé inteligence srovnatelné s lidskou. LeCun tvrdí, že zatímco jazyk je důležitý, většina lidského a zvířecího poznání pochází ze senzorické zkušenosti s fyzickým světem.
Reakce od Sean McClure:
Sean McClure kritizuje použití kvantitativních metrik, jako je datová šířka pásma, k hodnocení komplexních systémů, jako je vizuální vnímání a jazyk. Poukazuje na to, že přirozené procesy nelze plně pochopit prostřednictvím snížení na nízkorozměrné konstrukty. McClure zpochybňuje spojitost mezi vizuálním vnímáním a datovou šířkou pásma a tvrdí, že lidé a příroda neoperují pouze na základě transakcí nebo vyměňovaných datových množství. Namítá, že vědecká přesnost a použití metrik by neměly být ztotožňovány s hlubokým porozuměním přírodním jevům. Nakonec vyzývá k opatrnosti při aplikaci přesně definovaných metrik na komplexní a propojené přírodní jevy.
Shrnutí:
LeCunův původní text zdůrazňuje význam a potenciál vizuálního vnímání ve srovnání s jazykem ve vývoji umělé inteligence, zatímco McClure kritizuje tento přístup jako příliš zjednodušený a opomíjející hlubší aspekty přírodních jevů a lidského vnímání. Diskuse mezi oběma stranami odhaluje rozdílné pohledy na to, jak by měli vědci a vývojáři AI přistupovat k modelování a pochopení složitých systémů.
Výhody pohledu Yann LeCun:
Zdůraznění významu senzorického vnímání:
Poukazuje na klíčovou roli vizuálního a senzorického vnímání v lidském učení a poznání.
Naznačuje cestu k vytvoření AI, která lépe napodobuje lidské schopnosti díky využití bohatých senzorických dat.
Důraz na samostatné učení:
Upozorňuje na potřebu využití redundance v datech pro samostatné učení, což může zlepšit schopnost AI zachytit strukturu dat.
Podporuje rozvoj AI, která se učí z rozmanitějších a realističtějších vstupů.
Podpora pro vysokorychlostní senzorické vstupy:
Argumentuje, že pro dosažení úrovně lidské inteligence je nezbytné, aby stroje zpracovávaly vysokorychlostní senzorické vstupy, jako je vizuální vnímání.
Nevýhody pohledu Yann LeCun:
Možné přeceňování kvantitativních metrik:
Fokus na datovou šířku pásma a kvantitativní porovnání může zjednodušovat složitost vizuálního vnímání a jazyka.
Může opomíjet hlubší, kvalitativní aspekty lidského poznání a zkušenosti.
Výhody pohledu Sean McClure:
Kritika redukcionismu:
Upozorňuje na omezení používání striktně kvantitativních metrik k hodnocení složitých systémů.
Podporuje holističtější přístup k pochopení přírodních jevů a lidského vnímání.
Zdůraznění složitosti a propojenosti přírody:
Poukazuje na to, že přírodní jevy a lidské vnímání nelze plně pochopit pomocí jednoduchých "metrik" nebo "vzdáleností".
Nevýhody pohledu Sean McClure:
Možná nedostatečná uznání významu kvantitativní analýzy:
Zatímco kritizuje používání metrik, může tím potenciálně opomíjet jejich užitečnost v určitých kontextech pro rozvoj AI a vědeckého poznání.
Synergie a obohacení:
Kombinace kvantitativních a kvalitativních přístupů:
Integrací kvantitativních metrik a holističtějšího, kvalitativního pochopení přírodních jevů a lidského vnímání může dojít k vyváženějšímu a úplnějšímu přístupu k vývoji AI.
Použití kvantitativních dat pro podporu samostatného učení může být obohaceno o hlubší pochopení kontextu a významu, což vede k rozvoji sofistikovanějších modelů AI.
Vývoj adaptabilnějších a robustnějších AI systémů:
Poučení z obou pohledů může pomoci vytvořit AI systémy, které jsou schopné zpracovávat širokou škálu dat a adaptovat se na složité a měnící se prostředí.
Rozvoj AI, která lépe rozumí a interaguje s fyzickým světem, může být podpořen kombinací přístupů zaměřených na vysokorychlostní senzorické vstupy a hlubší analýzu zkušeností a vnímání.
Tato synergická interakce nabízí cestu k rozvoji AI, která je schopnější porozumění a interakce s komplexním světem, a zároveň respektuje hlubší aspekty lidského vnímání a poznání.
**Závěr?:**
Debata mezi Yannem LeCunem a Seanem McClurem ilustruje důležitou diskusi v oblasti umělé inteligence,
která se týká rovnováhy mezi kvantitativním a kvalitativním přístupem k pochopení a modelování lidského vnímání a poznání.
LeCunův důraz na význam vysokorychlostních senzorických vstupů a samostatného učení poukazuje na potenciální cesty k vytváření sofistikovanějších a realističtějších AI systémů. McClureova kritika, zaměřená na omezení redukcionismu a kvantitativních metrik, připomíná, že plné pochopení složitých přírodních a lidských jevů vyžaduje širší perspektivu a hlubší analýzu.
Synergie mezi kvantitativními daty a kvalitativním porozuměním nabízí slibný způsob, jak postoupit vpřed. Kombinací obou přístupů můžeme rozvíjet AI, která lépe napodobuje lidské schopnosti vnímání, učení a adaptace. Výsledkem může být umělá inteligence, která je nejen schopná zpracovávat a reagovat na složité senzorické vstupy, ale také chápat kontext a význam za nimi. Tato vyváženost může vést k vytvoření systémů, které jsou nejen technologicky pokročilé, ale také citlivější k nuancím lidského zkušenosti a vnímání.
V konečném důsledku, diskuse naznačuje, že budoucnost vývoje umělé inteligence bude pravděpodobně vyžadovat integraci široké škály disciplín, od strojového učení po neurovědu a filozofii. Tímto způsobem může AI nejen dosáhnout nových výšek v technologických schopnostech, ale také se stát hluboce integrovanou a užitečnou součástí našeho pochopení a interakce s komplexním světem kolem nás.
Využití vzorců pro šířku pásma a datový tok nám umožňuje kvantifikovat rozdíl v množství informací přenášených zrakem a jazykem.
Toto zjištění podporuje tvrzení, že smyslová zkušenost a učení ze senzorických vstupů, jako je zrak, jsou klíčové pro dosažení umělé inteligence na lidské úrovni.
pro zvětšení klikněte nebo si obrázek stáhněte |
Reakční čas kliknutí myši, prstu
níže je příklad výsledku
Při rychlosti 35 km/h ujede automobil 29.17 metrů / 30 m
Při rychlosti 50 km/h ujede automobil 41.7 metrů
Při rychlosti 60 km/h ujede automobil 50.0 metrů / 50 m
Při rychlosti 80 km/h ujede automobil 66.7 metrů
Při rychlosti 100 km/h ujede automobil 83.3 metrů / 85 m
Při rychlosti 130 km/h ujede automobil 108.3 metrů / 110 m
( za lomítkem zaokrouhleně, pro jednodušší zapamatování)Hmot nost | 10 km/h | 20 km/h | 30 km/h | 50 km/h | 80 km/h | 90 km/h | 100 km/h | 130 km/h | 150 km/h |
---|---|---|---|---|---|---|---|---|---|
1.0 t | 3.858 | 15.432 | 34.722 | 96.451 | 246.914 | 312.500 | 385.802 | 652.006 | 868.056 |
1.5 t | 5.787 | 23.148 | 52.083 | 144.676 | 370.370 | 468.750 | 578.704 | 978.009 | 1.302.083 |
2.0 t | 7.716 | 30.864 | 69.444 | 192.901 | 493.827 | 625.000 | 771.605 | 1.304.012 | 1.736.111 |
2.5 t | 9.645 | 38.580 | 86.806 | 241.127 | 617.284 | 781.250 | 964.506 | 1.630.015 | 2.170.139 |
Brzdná dráha vozidla závisí na jeho počáteční rychlosti a decceleračních schopnostech,
které mohou být ovlivněny mnoha faktory, včetně stavu vozovky, pneumatik a brzd.
Pro mokrou vozovku se obvykle používá nižší deccelerační hodnota kvůli sníženému tření.
Suchá vozovka: Deccelerační hodnoty mohou být v rozmezí přibližně 6 až 9 m/s².
Toto je ideální stav, kdy je vozovka suchá a poskytuje dobré tření mezi pneumatikou a vozovkou.
Mokrá vozovka: Na mokré vozovce může deccelerace klesnout na 3 až 5 m/s².
Mokrá povrch snižuje tření, což vede k delším brzdným dráhám.
Zasněžená vozovka: Na mírně zasněžené nebo zledovatělé vozovce může deccelerační hodnota klesnout ještě níže, často se pohybuje od 1 do 3 m/s².
Extrémně kluzké podmínky, jako je led, mohou snížit deccelerační hodnotu i pod 1 m/s², což značně zvyšuje riziko prokluzu a delší brzdné dráhy
Rychlost (km/h) | Suchá vozovka 6 m/s² (m) | Suchá vozovka 9 m/s² (m) | Mokrá vozovka 3 m/s² (m) | Mokrá vozovka 5 m/s² (m) |
---|---|---|---|---|
10 | 3,4 m | 3,2 m | 4,1 m | 3,5 m |
30 | 14,1 m | 12,2 m | 19,9 m | 15,3 m |
50 | 30,0 m | 24,6 m | 46,0 m | 33,2 m |
90 | 77,1 m | 59,7 m | 129,2 m | 87,5 m |
100 | 92,1 m | 70,6 m | 156,4 m | 104,9 m |
130 | 144,8 m | 108,6 m | 253,4 m | 166,5 m |
Tabulka ukazuje přibližné brzdné dráhy pro různé rychlosti a povrchy vozovky. Hodnoty ukazují, jak deccelerační hodnoty a rychlost vozidla ovlivňují délku brzdné dráhy na suchých a mokrých vozovkách. Čím vyšší deccelerační hodnota, tím kratší brzdná dráha.
Rychlost (km/h) | Poloměr 25 m (kg) | Poloměr 50 m (kg) | Poloměr 75 m (kg) |
---|---|---|---|
10 | 113.17 | 56.58 | 37.72 |
30 | 339.52 | 169.76 | 113.17 |
50 | 452.69 | 226.34 | 150.89 |
90 | 811.55 | 405.77 | 270.51 |
100 | 901.72 | 450.86 | 300.57 |
130 | 1306.52 | 653.26 | 435.51 |
Rychlost (km/h) | Poloměr 25 m (kg) | Poloměr 50 m (kg) | Poloměr 75 m (kg) |
---|---|---|---|
10 | 169.76 | 84.88 | 56.58 |
30 | 509.27 | 254.64 | 169.76 |
50 | 678.02 | 339.52 | 226.34 |
90 | 1218.45 | 609.23 | 406.15 |
100 | 1353.36 | 676.68 | 451.12 |
130 | 1956.59 | 978.29 | 652.19 |
Rychlost (km/h) | Poloměr 25 m (kg) | Poloměr 50 m (kg) | Poloměr 75 m (kg) |
---|---|---|---|
10 | 226.34 | 113.17 | 75.45 |
30 | 678.02 | 339.52 | 226.34 |
50 | 904.02 | 452.69 | 301.79 |
90 | 1627.37 | 813.68 | 542.46 |
100 | 1808.03 | 904.02 | 602.68 |
130 | 2613.05 | 1306.52 | 870.52 |
Rychlost (km/h) | Poloměr 25 m (kg) | Poloměr 50 m (kg) | Poloměr 75 m (kg) |
---|---|---|---|
10 | 282.72 | 141.36 | 94.24 |
30 | 848.17 | 424.09 | 282.72 |
50 | 1130.89 | 565.44 | 376.96 |
90 | 2033.24 | 1016.62 | 677.74 |
100 | 2251.78 | 1125.89 | 750.59 |
130 | 3265.22 | 1632.61 | 1087.17 |
Vzorec: F = mv^2 / r
kde:
F je odstředivá síla v newtonech (N),
m je hmotnost automobilu v kilogramech (kg),
v je rychlost automobilu v metrech za sekundu (m/s),
r je poloměr zatáčky v metrech (m).
Příklady:
Pro automobil o hmotnosti 1 000 kg, jedoucí rychlostí 20 m/s, v zatáčce s poloměrem 50 m, je odstředivá síla 8 000 N.
Pro automobil o hmotnosti 1 500 kg, jedoucí rychlostí 15 m/s, v zatáčce s poloměrem 30 m, je odstředivá síla 11 250 N.
Vzorec: d = v^2 / (2a)
kde:
d je brzdná dráha v metrech (m),
v je rychlost vozidla v metrech za sekundu (m/s),
a je deccelerace v metrech za sekundu čtverečný (m/s²).
Příklady:
Pro automobil jedoucí rychlostí 30 m/s s deccelerací 5 m/s² je brzdná dráha 90 m.
Pro automobil jedoucí rychlostí 20 m/s s deccelerací 10 m/s² je brzdná dráha 20 m.
Vzorec: Ek = 1/2 mv^2
kde:
Ek je kinetická energie v joulech (J),
m je hmotnost automobilu v kilogramech (kg),
v je rychlost automobilu v metrech za sekundu (m/s).
Příklady:
Pro automobil o hmotnosti 1 000 kg a rychlosti 20 m/s je kinetická energie 200 000 J.
Pro automobil o hmotnosti 1 500 kg a rychlosti 30 m/s je kinetická energie 675 000 J.
eTechničák eTP - eTechnickýPrůkaz
eTechničák. Jak dostat technický průkaz k autu do iPhonu nebo Androidu a jak ho používat
Registr vozidel - Elektronický velký technický průkaz
https://www.registr-vozidel.cz/caste-dotazy/elektronicky-velky-technicky-prukaz
Stahujte aplikaci eTechničák (zdarma)
Pro Android → Google Play
Aktuální velikost byla cca 34 MB
Pro iPhone → App Store
Aktuální velikost byla cca 73 MB
Aplikace je napsána s použitím HTML, CSS a JavaScriptu.
App je popsaná v třech hlavních částech kódu: HTML struktura, CSS styly a JavaScriptová logika?
Celý kód můžeme rozdělit do tří hlavních částí:
HTML struktura,
CSS styly,
JavaScript logika.
Každá část hraje klíčovou roli ve fungování webové aplikace pro měření reakční doby.
Podívejte se přímo do kódu stránky, kód je podrobně popsaný
A. Hlavička (<head>)
<meta charset="UTF-8">: Určuje kódování dokumentu jako UTF-8 pro podporu mezinárodních znakových sad.
<title>: Nastavuje titulek stránky na "Reakční doba kliknutí".
B. Styl (<style>)
Obsahuje CSS pravidla pro stylování prvků stránky. Styly jsou definovány přímo v hlavičce dokumentu pro jednoduchost.
C. Tělo (<body>)
<div id="circles">: Kontejner pro kruhové prvky (<div class="circle">), které symbolizují semafory pro test.
<div id="instructionText">: Obsahuje instrukce pro uživatele, jak používat aplikaci.
<div id="result">: Prvek pro zobrazení výsledků testu.
<div id="startButton" onclick="prepareTest()">: Tlačítko pro spuštění testu s událostí onclick, která aktivuje JavaScriptovou funkci prepareTest.
A. .circle
Definuje vizuální vlastnosti kruhů, včetně velikosti, barvy, zaokrouhlení a skrytí do aktivace.
B. #result, #startButton, #instructionText
Určuje společné styly pro tyto elementy, jako je skrytí a odsazení, s výjimkou #instructionText, který je zobrazen od začátku.
C. #result span
Zvýrazňuje čas reakce uvnitř elementu #result pro lepší vizuální rozlišení.
D. #startButton
Nastavuje vzhled tlačítka START, včetně barvy, rozměrů a stylování textu.
A. Proměnné
startTime: Uchovává čas startu testu.
testReady: Logická hodnota určující, zda je test připraven k měření reakční doby.
B. Funkce prepareTest
Skryje tlačítko START, instrukce a výsledkový prvek.
Nastaví kruhy na červenou a připraví je k zobrazení.
Naplánuje spuštění testu po náhodném intervalu.
C. Funkce startTest
Změní barvu kruhů na zelenou, zaznamená startovní čas a označí test jako připravený.
Zobrazí výsledkový prvek s textem "START".
D. Funkce recordClick
Po kliknutí na kruh vyhodnotí reakční dobu.
Zobrazí výsledek s hodnocením výkonu.
Znovu zobrazí tlačítko START a instrukce pro nový pokus.
E. Funkce showStartButton
Skryje kruhy a zobrazí tlačítko START a instrukce pro další pokus.
F. Event Listener
Přidává posluchače události click na kruhy, které spustí funkci recordClick při kliknutí.
1.A. <head> Sekce
1.A.1. <meta charset="UTF-8">: Nastavuje kódování znaků dokumentu na UTF-8.
1.A.2. <title>Reakční doba kliknutí</title>: Definuje titulek webové stránky zobrazený v prohlížeči.
1.B. <style> Sekce
Tato sekce obsahuje interní CSS styly, které definují vzhled webové stránky.
1.C. <body> Sekce
1.C.1. <div id="circles">: Obsahuje tři div elementy s třídou circle, které slouží jako cíle pro klikání.
1.C.2. <div id="instructionText">: Zobrazuje instrukce pro uživatele.
1.C.3. <div id="result">: Slouží k zobrazení výsledku reakční doby uživatele.
1.C.4. <div id="startButton" onclick="prepareTest()">: Tlačítko pro zahájení testu.
2.A. .circle
Nastavuje vzhled kruhů: velikost, barvu, zaokrouhlení, a skrývá je.
2.B. #result, #startButton, #instructionText
Definuje společné styly pro zobrazení těchto elementů: skrytí a odsazení.
2.C. #result span
Specifikuje styl pro zvýraznění času výsledku.
2.D. #instructionText
Určuje, že instrukční text bude vždy zobrazen a zarovnán na střed.
2.E. #startButton
Definuje vzhled tlačítka pro zahájení testu.
3.A. Inicializace proměnných
3.A.1. startTime: Uchovává čas startu testu.
3.A.2. testReady: Indikátor, zda je test připraven.
3.B. Funkce prepareTest
Připravuje test tím, že skryje určité prvky a nastaví semafor na červenou.
3.C. Funkce startTest
Zahájí test změnou barvy semaforu na zelenou a zaznamenáním času startu.
3.D. Funkce recordClick
Vypočítá reakční dobu od změny na zelenou a zobrazí výsledek.
3.E. Funkce showStartButton
Obnovuje prvky UI pro další pokus o test.
3.F. Přiřazení Event Listenerů
Kruhy jsou vybaveny posluchačem události click, který spouští recordClick při kliknutí.
V tomto kódu vytváříme webovou aplikaci pro měření reakční doby uživatele.
Kód obsahuje HTML strukturu, CSS styly a JavaScriptovou logiku pro interaktivní test reakční doby.
Div s ID circles: Obsahuje tři div elementy s třídou circle, které reprezentují vizuální semafory pro uživatele. Tyto kruhy se změní z červené na zelenou barvu jako signál pro uživatele, aby klikl.
Div s ID instructionText: Zobrazuje instrukce pro uživatele. Tyto instrukce jsou rozděleny na několik řádků pomocí <br> tagů pro lepší čitelnost.
Div s ID result: Určený pro zobrazení výsledků testu reakční doby. Na začátku je skrytý a zobrazí se pouze po spuštění testu.
Div s ID startButton: Modré tlačítko, které uživatel použije pro zahájení testu. Po kliknutí se skryje, a tím umožní testování.
Třída .circle: Definuje vizuální vzhled semaforů - kulaté tvary s počáteční červenou barvou, které se zobrazí, když je test připraven.
ID #result, #startButton, #instructionText: Styly pro umístění a vzhled textu výsledků, tlačítka START a instrukčního textu. Specifikace pro #result zahrnuje zvýraznění samotného času reakce pomocí <span> elementu pro lepší vizuální odlišení.
Tlačítko #startButton: Stylování modrého tlačítka START, včetně velikosti, barvy, fontu a zarovnání.
Globální proměnné: startTime pro zaznamenání času spuštění testu a testReady pro kontrolu, zda je test v aktivním stavu.
Funkce prepareTest(): Připravuje scénu pro test tím, že skryje tlačítko START a instrukce, zobrazí semafory a nastaví je na červenou. Po náhodném intervalu spustí startTest().
Funkce startTest(): Mění barvu semaforů na zelenou a zaznamenává čas spuštění testu, signalizuje uživateli, že může začít reagovat.
Funkce recordClick(): Hodnotí uživatelovu reakci. Pokud uživatel klikne v pravý moment, vypočítá se reakční doba, zobrazí se výsledek s případným hodnotícím komentářem. Použití innerHTML umožňuje vložení formátovaného textu s <span> elementem pro zvýraznění času.
Funkce showStartButton(): Obnovuje scénu pro další test tím, že znovu zobrazí tlačítko START a instrukce a skryje semafory.
Tato struktura umožňuje uživatelům testovat svou reakční dobu kliknutím na zeleně zbarvený semafor co nejrychleji po jeho zobrazení. Výsledky jsou okamžitě zobrazeny s hodnocením a uživatel má možnost test opakovat.
21 oko bere ;-)
Krásné společenské stroje II
horizonty umělé inteligence v diskusi čtyř světových expertů
2023
Jan Antolík přednáška na konferenci Má mozek ještě šanci?
9. listopadu 2023
Large Language Model (LLM) Solutions for Enterprises
I have started with this Wardley Map
Learn with me
https://joapen.com/blog/courses/
Tomáš Nikolai přednáška na konferenci Má mozek ještě šanci?
9. listopadu 2023
Možnosti a meze rozhodování člověka
Tomáš Nikolai, FF UK
Google AMIE: A research AI system for diagnostic medical reasoning and conversations
Articulate Medical Intelligence Explorer - AMIE
Towards Conversational Diagnostic AI
From Promise To Frustration: A Candid Review Of OpenAI's GPT Store For Business Owners
Sam Altman Unveils Crucial Insights on GPT-5: Exploring the Robot, AGI Capabilities, and Beyond
Unconfuse Me with Bill Gates
https://www.youtube.com/playlist?list=PLxf-CDjxvNVq6IYKTX2peqtCOkDhZW3S4
Sam Altman GPT-5, AGI
https://www.youtube.com/results?search_query=Sam+Altman++GPT-5%2C+AGI&sp=EgIIBA%253D%253D
OpenAI Flip-Flops and '10% Chance of Outperforming Humans in Every Task by 2027' - 3K AI Researchers - AI Explained
https://flowgpt.com/programming
https://promptogy.com
https://www.feedough.com/chatgpt-prompt-generator
www.prompto.tech
www.allprompts.com
www.gptwhisperer.com
https://github.com/f/awesome-chatgpt-prompts
https://chatgptpromptshub.com/database#gsc.tab=0
Prompt
Prompt engineering Open AI
Six strategies for getting better results
Jakub ČížekJakub Čížek
8. února 2024
Jak vyvolat system prompt
https://murf.ai/resources/ai-prompt-generator/
https://www.elegantthemes.com/blog/business/best-ai-prompt-generators
Memory and new controls for ChatGPT
https://openai.com/blog/memory-and-new-controls-for-chatgpt
We’re testing the ability for ChatGPT to remember things you discuss to make future chats more helpful. You’re in control of ChatGPT’s memory
Rithmic Trader (R | Trader) and RAPI
https://community.optimusfutures.com/c/futures-trading-platforms/
INSTITUTE FOR FINANCIAL TRANSPARENCY
Shining a light on the opaque corners of finance
Pathology, Prophylactics and Palliatives
Richard Field
Has Economics Failed? Yes! Part II
Lístky na akce
www.GoOut.net/cs/
logika matematika strojové učení
umělá inteligence
Stezky Českem
Jizerské hory – Krkonoše
04_Jizerky_Krkonoše-Chrastava - Žacléř 110,8 km - cca 36:53 h
Adršpach – Broumovsko
05_Adršpach_Broumov - Žacléř - Velké Poříčí 102,2 km - cca 34:07 h
06_Orlické_hory-Velké Poříčí-Králíky 90,7 km cca 28:17 h
Severní stezka – Orlické hory
1921 z Nového Města nad Metují do Jablonného nad Orlicí
https://viaczechia.cz/category/useky-severni-stezka/
Stezka středozemím – Střední Povltaví
Nebuď prase
www.stezkaceskem.cz/nebud-prase
Stezka Českem - 1000 a 1000 km dlouhý oficiální přechod Česka - Martin Úbl | Život na treku #11
Útulny
Útulna
Via Czechia
Stezky
Trasy
Trasa
Turistická