Engl old and gold

 EnglishClub.com

EnglishPage.com

Successful add value in xls template

 Data path_to_file like rlgrap-filename value ...

Create object my_application 'Excel.Application'.

Set property of my_application 'Visible' = 0.

Get property of my_application 'Workbooks' = my_books.

Call method of my_books 'Open' = my_book exporting #1 = path_to_file.

Get property of my_book 'ActiveSheet' = my_sheet.

Clear my_cell. Set fields of my_cell like row, col, format, value, align, font_name, font_size, WrapText.

Perforn fill_cell using my_cell. 

Call method of my_book 'Save'.

Set property of my_application 'Visible' = 1.

Free object my_sheet.

Free object my_book.

Free object my_books.

Free object my_application.

Перенос тексту в клітинці в Excel2003

 1. Дозволити для клітинки перенос по словам Через Формат (WrapText = 1).

2. Формула:

="first line"&СИМВОЛ(10)&"second line" так бачимо в EXCEL2003

="first line"&CHAR(10)&"second line" так формуємо з ABAP + OLE2

З якого боку підходити до ШІ

ШІ/ML лякає не тому, що складний, а тому що незрозуміло, з якого боку заходити. Тож дам тобі чітку карту місцевості: що вчити → навіщо → коли брати Python / MATLAB.

Нижче — теоретичний фундамент + практичні “віхи”, без хайпу.

🧠 ВЕЛИКА КАРТИНА (спочатку)

> Машинне навчання = математика + статистика + оптимізація + дані + інженерія

LLM і “ШІ” — це верхівка айсберга. Якщо база є — все інше стає інструментами.

1️⃣ МАТЕМАТИКА — СКІЛЬКИ І ЯКОЇ (реалістично)

🔢 Лінійна алгебра — №1

ЦЕ ОБОВʼЯЗКОВО, без цього ML — магія.

Що знати: 

• вектори
• матриці
• матричне множення
• норма вектора
• скалярний добуток
• власні значення (intuition)
• ортогональність

📌 Навіщо:

дані = матриця

модель = функція над матрицею

embeddings = вектори

👉 Коли Python?

🟢 Одразу — NumPy + візуалізація

📈 Математичний аналіз (мінімум)

Не як на мехматі.

Що реально потрібно:

• похідна
• часткова похідна
• градієнт
• мінімум функції

📌 Навіщо:

навчання моделей = мінімізація втрат

backpropagation

👉 MATLAB?

🟡 Опціонально (якщо звик)

🟢 Python — достатньо

🎲 Теорія ймовірностей + статистика — критично

ML = статистика з кодом

Мінімум:

• випадкова величина
• розподіли (Normal, Bernoulli)
• математичне сподівання
• дисперсія
• covariance / correlation
• Bayes (intuition)

📌 Навіщо:

• noise
• uncertainty
• probabilistic models

2️⃣ СТАТИСТИКА ДАНИХ (перед ML!)

Що вміти:

• mean / median / std
• гістограми
• boxplot
• outliers
• bias / variance

👉 ОСЬ ТУТ ПЕРШИЙ РЕАЛЬНИЙ PYTHON

pandas

matplotlib / seaborn

🎯 Мета: бачити дані очима

3️⃣ МАШИННЕ НАВЧАННЯ — НЕ З НЕЙРОННИХ МЕРЕЖ

❌ не починати з deep learning

❌ не починати з LLM

Починати з:

• Linear Regression
• Logistic Regression
• k-NN
• Decision Trees

📌 Тут важливо:

• що модель робить
• чому вона помиляється
• як її оцінюють

👉 Python:

scikit-learn

4️⃣ ОЦІНКА МОДЕЛЕЙ (дуже важливо)

Тут більшість “плаває”.

Що знати:

• train / test split
• overfitting
• cross-validation
• accuracy / precision / recall
• confusion matrix

📌 Без цього ML — марний

5️⃣ КОЛИ НАРЕШТІ “ШІ” 😄

Нейронні мережі

ТІЛЬКИ ПІСЛЯ:

• лінійної регресії
• логістичної регресії
• градієнта

Що вчити:

• perceptron
• activation functions
• loss functions
• backprop (concept)

👉 Python:

PyTorch (краще за TensorFlow)

6️⃣ LLM / СУЧАСНИЙ “ШІ”

Тут менше математики, більше інженерії.

Потрібно:

• embeddings
• attention (concept)
• prompt engineering
• RAG

📌 Це не заміна ML, а надбудова.

📅 РЕАЛІСТИЧНИЙ ПЛАН (3–4 місяці без напрягу)

Місяць 1 — Математика + Python

• NumPy
• pandas
• matplotlib
• лінійна алгебра

Місяць 2 — Статистика + ML basics

• distributions
• regression
• classification

Місяць 3 — ML практика

• scikit-learn
• реальні датасети
• evaluation

Місяць 4 — NN + LLM

• PyTorch
• simple NN
• LLM usage

🧰 MATLAB vs Python — чесно

Критерій MATLAB Python

Навчання математики 👍 👍

ML / AI 👎 🔥

Комʼюніті 👎 🔥

Реальні проєкти 👎 🔥

📌 Якщо не прив’язаний — Python без варіантів

📚 ЩО ЧИТАТИ (ЗОЛОТО)

“Pattern Recognition and Machine Learning” — Bishop

“The Elements of Statistical Learning” — Hastie

StatQuest (YouTube) — MUST

3Blue1Brown (ліналг)

🧠 Ключова порада

> Не вчи ШІ. Вчи математику + дані. ШІ прийде сам.

Ned & Cond

 Nomn 22420:

Obozn ≠ Ksch

And Ned card is described through Obozn.

Substr error

Form Fill_pok_tab: When sne_naime2

Now: input 'пе' -> f4 . Field input is transformed into 'ПЕ'.

So i cant find something like 'Перемикачі'.

Solution . Select all from r3 tab. Loop at itab. Translate itab line into upper case. If itab line like field_input nothing else delete it from itab

Ширини латинських літер , times new roman11 pt

 1. Великі латинські літери (A–Z)

Літера Ширина, pt Літера Ширина, pt Літера Ширина, pt

A 6.6 J 4.6 S 5.8

B 6.2 K 6.4 T 5.8

C 6.8 L 5.4 U 6.6

D 7.0 M 8.2 V 6.6

E 6.0 N 7.0 W 9.0

F 5.6 O 7.2 X 6.6

G 7.0 P 6.2 Y 6.4

H 7.0 Q 7.2 Z 6.0

I 3.2 R 6.4  

📏 Середня ширина: ≈ 6.4 pt

🧩 Найвужчі: I (3.2), J (4.6)

🧱 Найширші:

 M (8.2), W (9.0)

2. Малі латинські літери (a–z)

a 4.8 j 2.6 s 4.0

b 5.2 k 4.8 t 3.2

c 4.4 l 2.6 u 4.8

d 5.2 m 7.6 v 4.4

e 4.8 n 5.0 w 6.8

f 3.0 o 5.0 x 4.4

g 5.0 p 5.0 y 4.4

h 5.0 q 5.0 z 4.0

i 2.6 r 3.6  

---

📏 Додаткові спостереження:

Найвужчі літери: i, j, l, f (2.6–3.0 pt).

Середні: a, e, n, o, r, s, u (≈4.5–5.0 pt).

Найширші: m, w (6.8–7.6 pt).

Середня ширина літери в цьому шрифті ≈ 4.8 pt — тобто десь 1,7 мм.