fa
Feedback

فریب کلاهبرداران را نخورید! تل‌متریو این کانال‌ها را شناسایی و برچسب‌گذاری می‌کند 👉 برای مشاهده برچسب، اشتراک تهیه کنید

Анализ данных (Data analysis)

Анализ данных (Data analysis)

رفتن به کانال در Telegram

Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp

نمایش بیشتر

📈 تحلیل کانال تلگرام Анализ данных (Data analysis)

کانال Анализ данных (Data analysis) (@data_analysis_ml) در بخش زبانی روسی بازیگری فعال است. در حال حاضر جامعه شامل 51 911 مشترک است و جایگاه 2 572 را در دسته فناوری و برنامه‌ها و رتبه 11 804 را در منطقه روسيا دارد.

📊 شاخص‌های مخاطب و پویایی

از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 51 911 مشترک جذب کرده است.

بر اساس آخرین داده‌ها در تاریخ 16 نوامبر, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر 444 و در ۲۴ ساعت گذشته برابر -8 بوده و همچنان دسترسی گسترده‌ای حفظ شده است.

  • وضعیت تأیید: تأیید نشده
  • نرخ تعامل (ER): میانگین تعامل مخاطب 11.63% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 8.47% واکنش نسبت به کل مشترکان کسب می‌کند.
  • دسترسی پست‌ها: هر پست به طور میانگین 6 040 بازدید دریافت می‌کند. در اولین روز معمولاً 4 397 بازدید جمع‌آوری می‌شود.
  • واکنش‌ها و تعامل: مخاطبان به‌طور فعال حمایت می‌کنند؛ میانگین واکنش به هر پست 192 است.
  • علایق موضوعی: محتوا بر موضوعات کلیدی مانند llm, контекст, openai, архитектура, deepseek تمرکز دارد.

📝 توضیح و سیاست محتوایی

نویسنده این فضا را محل بیان دیدگاه‌های شخصی توصیف می‌کند:
“Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp”

به لطف به‌روزرسانی‌های پرتکرار (آخرین داده در تاریخ 17 نوامبر, 2026)، کانال همواره به‌روز و دارای دسترسی بالاست. تحلیل‌ها نشان می‌دهد مخاطبان به‌طور فعال با محتوا تعامل دارند و آن را به نقطه اثرگذاری مهم در دسته فناوری و برنامه‌ها تبدیل کرده‌اند.

51 911
مشترکین
-824 ساعت
+27 روز
+44430 روز
آرشیو پست ها
🖥 PyGWalker: A Python Library for Exploratory Data Analysis with Visualization PyGWalker: преобразуем датафрейм pandas в пользовательский интерфейс в стиле таблицы для визуального анализа. pip install pygwalker import polars as pl df = pl.read_csv('./bike_sharing_dc.csv',try_parse_dates = True) gwalker = pyg.walk(df) 🖥 Github 📌 Colab @data_analysis_ml
28 ژوئن 2023, 13:02

🔥Хотите стать одним из авторов проектов, которые меняют жизнь людей к лучшему в области автоматизации предприятий, медицины,
🔥Хотите стать одним из авторов проектов, которые меняют жизнь людей к лучшему в области автоматизации предприятий, медицины, робототехники, виртуальной реальности и других сферах, или стать руководителем отдела Computer Vision в вашей компании? Все это возможно после прохождения обучения на курсе “Компьютерное зрение” в OTUS. Сейчас открыт набор в группу. Приходите 29 июня в 20:00 мск на открытый урок «PyTorch 2.0», чтобы познакомиться с преподавателем и программой курса, оценить все перспективы, которые откроются перед вами. На занятии мы также обсудим, что нового принес фреймворк PyTorch 2.0 в сферу компьютерного зрения и глубокого обучения. 📌Вы узнаете: - Как начать использовать PyTorch для обучения своих нейронных сетей - Что нового в PyTorch 2.0 и чем он отличается от 1.x - Как ускорить и оптимизировать свою нейросеть при помощи одной строчки кода - Как перейти с PyTorch 1.x на 2.0 - Как ускорить трансформеры HuggingFace при помощи PyTorch Transformer API 👉🏻Для участия отправьте заявку https://otus.pw/2ZGX/ Кому подходит этот урок: - Начинающим и опытным специалистам в области компьютерного зрения и глубокого обучения - Дата сайентистам, которые хотят ускорить инференс своих моделей - Опытным специалистам, которые еще не перешли на PyTorch 2.0 - Тем, кто хочет познакомиться с фреймворков PyTorch и начать обучать свои нейросети Нативная интеграция подробная информация о продукте www.otus.ru
28 ژوئن 2023, 11:02
04 ژوئیه 2023, ~18:13

🔝Топ-10 инструментов для обнаружения ChatGPT, GPT-4, Bard и Claude 1. GPTZero GPTZero обладает высокой точностью, прост в использовании и имеет удобное расширени для Chrome. 2. OpenAI AI Text Classifier ИИ-классификатор текста OpenAI обладает высокой точностью, но не предоставляет дополнительной информации о содержимом контента. 3. CopyLeaks Это быстрая и точная проверка на плагиат, в виде расширения для Chrome. 4. SciSpace SciSpace Academic AI Detector немного отличается от других упомянутых инструментов. Он обладает высокой точностью, но был специально разработан для обнаружения научного контента в PDF-файлах. 5. Hive Moderation Функция обнаружения ИИ-генеративного контента Hive Moderation. 6. Content at Scale ИИ-детектор контента Content at Scale прост в использовании и дает достаточно точные отчеты о конетнте. 7. Hello Simple AI ChatGPT Detector by Hello Simple AI – это бесплатный инструмент с открытым исходным кодом, который можно использовать для обнаружения текста, создаваемого ChatGPT. 8. OpenAI HF Detector OpenAI Detector – это бесплатный инструмент с открытым исходным кодом, который можно использовать для обнаружения текста, сгенерированного языковой моделью GPT от OpenAI. 9. Corrector.app AI Detector от Corrector.app – это довольно точный инструмент, который можно использовать для обнаружения текста, сгенерированного ChatGPT, Bard и другими больми языковыми моделями (LLM). 10. Writer.com Детектор контента AI от Writer.com завершает наш список, представляя собой наименее точный вариант с ограничением в 1500 символов. @data_analysis_ml
28 ژوئن 2023, 07:14

Автоматизированный перенос DWH Microsoft на платформу Yandex Cloud с помощью BI.Qube 📆 06.07.2023 в 10:00-12:00 (МСК) на веб
Автоматизированный перенос DWH Microsoft на платформу Yandex Cloud с помощью BI.Qube 📆 06.07.2023 в 10:00-12:00 (МСК) на вебинаре команды BI.Qube, Yandex Cloud и Банка Финсервис расскажут о практическом опыте автоматизированной миграции DWH Microsoft на платформу Yandex Cloud. За 2 часа вы: 👉 узнаете об актуальных кейсах, включая историю миграции DWH банка Финсервис 👉 увидите весь путь от извлечения данных из учётных систем до построения аналитики 👉 применение low-code/no-code инструментов из Реестра российского ПО Пример анализа программы лояльности будет интересен как специалистам банковской сферы, так и крупному ритейлу, где необходимо анализировать эффективность на основе данных из разрозненных систем. Вебинар рассчитан на экспертов по аналитике и работе с данными, архитекторов и инженеров данных, CIO, CDO. Программа вебинара Регистрация: @itprocompbot
28 ژوئن 2023, 05:01
08 ژوئیه 2023, ~05:15

🔍 Podman: Альтернатива Docker без deamon Хотя Docker, безусловно, перевернул наше представление о разработке, развертывании и запуске приложений, стоит изучить, чем отличается Podman (Pod Manager) и почему вам может быть интересно начать использовать его вместо Docker. Podman — это менеджер контейнеров и падов с открытым исходным кодом. Аналогично Docker, он позволяет создавать, запускать, останавливать и удалять контейнеры OCI, а также управлять образами контейнеров. Он также поддерживает пады в рамках своего функционала, а значит, вы можете создавать и управлять падами так же, как с Kubernetes. Что такое OCI-контейнеры OCI (Open Container Initiative) — это организация отраслевого стандарта, которая стремится создать набор правил (спецификаций и стандартов), обеспечивающих согласованную работу контейнеров на разных платформах. Это означает, что образы/контейнеры Podman полностью совместимы с Docker или любой другой технологией контейнеризации, которая использует совместимый с OCI исполнитель контейнеров. Большинство пользователей Docker могут просто сделать псевдоним Docker для Podman (alias docker=podman) без каких-либо проблем. Это означает, что все команды Docker остаются такими же, за исключением команды docker swarm. Архитектура Podman Архитектура Podman не подразумевает использование демонов (deamons). Демоны — это процессы, которые выполняются в фоновом режиме системы, они обычно работают непрерывно на заднем плане, ожидая определенных событий или запросов. Возвращаясь к контейнерам, представьте себе демона Docker в качестве посредника, общающегося между пользователем и самим контейнером. Использование демона для управления контейнерами приводит к нескольким проблемам: Одна точка отказа. Когда демон падает, падают все контейнеры. Требуются привилегии root Поэтому демоны в Docker — это идеальная цель для хакеров, которые хотят получить контроль над вашими контейнерами и проникнуть в хост-систему. Podman решает упомянутые проблемы, напрямую взаимодействуя с реестрами контейнеров, контейнерами и хранилищем образов без необходимости в демоне. Переходя в режим без прав root, пользователи могут создавать, запускать и управлять контейнерами, что снижает риски безопасности. Утилита buildah заменяет команду docker build как инструмент для создания контейнерного образа. Аналогично, skopeo заменяет команду docker push и позволяет перемещать контейнерные образы между реестрами. Эти инструменты обеспечивают эффективное и прямое взаимодействие с необходимыми компонентами, исключая необходимость в отдельном демоне в процессе. Нужно ли переписывать каждый Dockerfile и docker-compose файл, чтобы использовать Podman с существующими проектами Абсолютно нет. Podman предлагает совместимость с синтаксисом Docker для файлов контейнеров (containerfile). Также Podman предлагает инструмент под названием pod compose в качестве альтернативы docker compose. Pod compose использует тот же синтаксис, позволяя вам определять и управлять многоконтейнерными приложениями с использованием того же подхода или даже с использованием существующих файлов "docker-compose.yml". Podman также поставляется с Podman Desktop, предлагая расширенные функции, которые делают его мощнее и проще. Он совместим с Docker и Kubernetes, расширяя их возможности и обеспечивая простую работу. Руководство по установке и документацию по Podman можно найти на их официальном веб-сайте podman.io. @data_analysis_ml
27 ژوئن 2023, 06:40

Как использовать многоруких бандитов на практике | Гайд для аналитиков, продуктовых менеджеров и ML-специалистов Ведущая анал
Как использовать многоруких бандитов на практике | Гайд для аналитиков, продуктовых менеджеров и ML-специалистов Ведущая аналитическая система MyTracker разработала практическое руководство для использования многоруких бандитов в продуктах. Вы узнаете, что такое многорукие бандиты и как они применяются в различных сферах, в том числе в рекомендательных системах. Подробнее остановимся на различных алгоритмах бандитов: жадный, алгоритм UCB, алгоритм сэмплирования Томпсона и контекстуальные многорукие бандиты. Гайд пригодится аналитикам для определения оптимальных стратегий тестирования, продуктовым менеджерам - для тестирования новой функциональности, а ML-специалистам - для настройки моделей машинного обучения. Руководство составлено командой предиктивной аналитики MyTracker, которая использует многоруких бандитов в своей работе. Скачайте практическое руководство от команды предиктивной аналитики MyTracker и узнайте, как многорукие бандиты могут увеличить прибыль вашего продукта и улучшить продуктовые метрики.
27 ژوئن 2023, 04:12
08 ژوئیه 2023, ~05:15

🖥 Docker Шпаргалка для Датасаентиста с основными командами. ▪ Шпаргалка @data_analysis_ml
🖥 Docker Шпаргалка для Датасаентиста с основными командами. ▪ Шпаргалка @data_analysis_ml
26 ژوئن 2023, 13:37

Data Science | Machinelearning - самый большой русскоязычный канал с полезными материалами на такие темы как, Machine Learnin
Data Science | Machinelearning - самый большой русскоязычный канал с полезными материалами на такие темы как, Machine Learning, Data Science, Алгоритмы, Python. Так же часто публикуются крутые 🔥 вакансии. 👉 Вам сюда: @devsp А любителям читать статьи в оригинале вот сюда: 👉 @ds_international Добро пожаловать!
26 ژوئن 2023, 11:37
30 ژوئن 2023, ~10:34

🤖 Заставляем трансформеров отвечать на вопросы Интеллектуальные системы призваны облегчать жизнь человека, выполняя за него
🤖 Заставляем трансформеров отвечать на вопросы Интеллектуальные системы призваны облегчать жизнь человека, выполняя за него рутинные задачи. Одной из таких задач является поиск информации в большом количестве текста. Возможно ли и эту задачу перенести на плечи интеллектуальных систем? Этим вопросом я решил задаться. ▪ Читать @data_analysis_ml
26 ژوئن 2023, 08:44

🦖 Вебинар YTsaurus. DWH Яндекс Go: как мы готовим наши петабайты Новый вебинар YTsaurus — об использовании платформы в реаль
🦖 Вебинар YTsaurus. DWH Яндекс Go: как мы готовим наши петабайты Новый вебинар YTsaurus — об использовании платформы в реальных сервисах. В гостях — Яндекс Go, суперапп с разными сервисами внутри, который основан на data driven подходе. Владимир Верстов и Николай Гребенщиков из команды разработки Data Management Platform Яндекс Go расскажут, какие требования команда предъявляет к системам хранения и расскажет, как с этими требованиями справляется YTsaurus. Ждём 28 июня в 18:30 Мск. Участие бесплатное, зарегистрироваться можно по ссылке. Также запись вебинара будет доступна на YouTube.
26 ژوئن 2023, 06:44

⏩ Повысьте уровень своих навыков в области ИИ: Список бесплатных курсов Google Top 8. 1. Introduction to Generative AI - введение в генеративный ИИ Этот курс погрузит вас в основаы генеративного ИИ, 2. Introduction to Large Language Models - в курсе вы узнаете о больших языковых моделях (LLM), которые представляют собой разновидность искусственного интеллекта, способного генерировать текст, переводить языки, писать различные виды креативного контента и информативно отвечать на ваши вопросы. 3. Introduction to Responsible AI - этот курс расскажет вам об этичном и ответственном использовании искусственного интеллекта. Вы узнаете о различных этических проблемах ИИ, таких как предвзятость, конфиденциальность и безопасность. Вы также узнаете о некоторых лучших практиках разработки ИИ. 4. Introduction to Image Generation - этот курс расскажет вам о генерации изображений, разновидности искусственного интеллекта, способного создавать изображения на основе текстовых описаний. Вы узнаете о различных типах алгоритмов генерации изображений, о том, как они работают, и о некоторых из их наиболее распространенных применений. 5. Encoder-Decoder Architecture - этот курс расскажет вам об архитектуре модели кодера-декодера, которые представляют собой тип архитектуры нейронной сети, широко используемой для задач обработки естественного языка, таких как машинный перевод и резюмирование текста. Вы узнаете о различных компонентах архитектур энкодер-декодер, о том, как они работают, и о некоторых наиболее распространенных областях их применения. 6. Attention Mechanism - В этом курсе вы узнаете о механизме attention - технике, которая используется для повышения производительности нейронных сетей в задачах обработки естественного языка. 7. Transformer Models and BERT Model - В этом курсе вы изучите архитектуру трансформеров, которые представляют собой тип архитектуры нейронной сети, показавшей свою эффективность при решении задач обработки естественного языка. 8. Create Image Captioning Models - Этот курс научит вас создавать модели автоматического описания изображений, которые представляют собой разновидность искусственного интеллекта, способного генерировать подписи к изображениям. @data_analysis_ml
24 ژوئن 2023, 05:52

🖥 Введение для Python-разработчиков в Prompt Engineering GPT-4 Это пошаговое руководство, представляет собой введение в Prom
🖥 Введение для Python-разработчиков в Prompt Engineering GPT-4 Это пошаговое руководство, представляет собой введение в Prompt Engineering для Python программистов и датасаентистов. Цель руководства, состоит в том, чтобы помочь вам понять, как эффективно управлять GPT-4 для достижения оптимальных результатов в процессе разработки на Python. ▪Читать @data_analysis_ml
23 ژوئن 2023, 15:01

27 июня X5 Tech проведёт Customer Analytics Meetup Спикеры компании поделятся, как удалось найти замену Vendor-Lock и операти
27 июня X5 Tech проведёт Customer Analytics Meetup Спикеры компании поделятся, как удалось найти замену Vendor-Lock и оперативно внедрить альтернативное решение для предоставления клиентской аналитики в режиме реального времени на базе open-source технологий Clickhouse и Redis. В спикерах - менеджер направления клиентской аналитики в цифровых каналах, архитектор данных и старший разработчик. Регистрация обязательна. Больше информации здесь
23 ژوئن 2023, 13:02

✔ Плохие модели машинного обучения? Но их можно откалибровать Модели машинного обучения часто оцениваются по их производитель
✔ Плохие модели машинного обучения? Но их можно откалибровать Модели машинного обучения часто оцениваются по их производительности, близости какого-либо показателя к нулю или единице, но это не единственный фактор, которым определяется их полезность. В некоторых случаях модель, в целом не очень точную, можно откалибровать и найти ей применение. В чем же разница между хорошими калибровкой и производительностью, и когда одна предпочтительнее другой? Калибровка вероятности Калибровка вероятности — это степень, с которой прогнозируемые в модели классификации вероятности соответствуют истинной частотности целевых классов в наборе данных. Прогнозы откалиброванной модели в совокупности тесно соотносятся с фактическими результатами. На практике это означает, что если из множества прогнозов идеально откалиброванной модели двоичной классификации учесть только те, для которых моделью предсказана 70%-ная вероятность положительного класса, то модель должна быть корректной в 70% случаев. Аналогично, если учесть только примеры, для которых моделью прогнозируется 10%-ная вероятность положительного класса, эталонные данные окажутся положительными в 1 из 10 случаев. ▪ Читать @data_analysis_ml
23 ژوئن 2023, 06:01

⚠️ Как разработчику повысить свою зарплату? Один из вариантов — освоить MS SQL. 🦾 Знание этой СУБД может стать вашим конкурентным преимуществом и аргументом для повышения заработной платы. Пройди хардкорный тест по MS SQL и проверь свой уровень. Ответишь — пройдешь на углубленный курс «MS SQL Server Developer» от OTUS по специальной цене + получишь мастер-класс от преподавателя 🧑‍💻 Регистрируйся на открытый урок «Генерируем QR код в MS SQL server» и протестируй обучение 28 июня — https://otus.pw/GZmve/ 🔥 ПРОЙТИ ТЕСТ https://otus.pw/SeLu/ Нативная интеграция. Информация о продукте www.otus.ru
23 ژوئن 2023, 04:01
29 ژوئن 2023, ~05:34

🖥 DeepPavlov «из коробки» для задачи NLP на Python У меня возникла необходимость автоматизированного анализа текста постов на habr.com. Рассмотрю задачу, которая позволяет находить в заданном тексте ответы на вопросы (Context Question Answering, далее CQA). В процессе работы над решением задачи оказался полезным сервис HuggingFace, предлагающий множество мультиязычных передобученных NLP моделей. Однако, при обработке текста на русском языке предпочтение было отдано российскому инструменту DeepPavlov, специализирующемуся на задачах NLP. Тем более, что DeepPavlov позволяет работать с NLP-моделями, представленными на HuggingFace «из коробки». Разобью задачу на три этапа: Загрузить текст поста с habr.com. Подготовить набор вопросов из ответов. Настроить deepPavlov для решения задачи CQA. Для получения текста постов с habr.com воспользуюсь библиотеками urllib для загрузки html-документа с сайта и bs4 для доступа к элементам. Библиотека urllib входит в состав предустановленных библиотек языка Python, а библиотеку bs4 можно установить с помощью команды: pip install beautifulsoup4 Код для получения текста по заданному url представлю в виде функций getHtmlDocument и getTextFromHtml: from urllib import request def getHtmlDocument(url): """ Получаем html-документ с сайта по url. """ fp = request.urlopen(url) mybytes = fp.read() fp.close() return mybytes.decode('utf8') from bs4 import BeautifulSoup def getTextFromHtml(HtmlDocument): """ Получаем текст из html-документа. """ soup = BeautifulSoup(HtmlDocument, features='html.parser') content = soup.find('div', {'id': 'post-content-body'}) return content.text Набор вопросов из ответов выглядит следующим образом: questions = ( 'О чём пост?', 'Какая цель поста?', 'Какая задача решалась?', 'Что использовалось в работе?', 'Какие выводы?', 'Что использовалось?', 'Какие алгоритмы использовались?', 'Какой язык программирования использовали?', 'В чём отличия?', 'Что особенного проявилось?', 'Какова область применения?', 'Что получено?', 'Каков результат?', 'Что получено в заключении?', ) Далее перейду к настройке deepPavlov для решения задачи СQA. Установлю библиотеку deeppavlov в соответствии с официальным сайтом проекта: pip install deeppavlov, transformers Импортирую объекты configs и build_model с помощью команд: from deeppavlov import configs, build_model Далее инициализирую загрузку модели squad_ru_bert командой: model = build_model('squad_ru_bert', download=True) Модель squad_ru_bert — это модель глубокого обучения на основе архитектуры BERT, обученная на наборе данных SQuAD-Ru, который содержит пары вопрос-ответ на русском языке. Выберу посты с habr.com: paper_urls = ( 'https://habr.com/ru/articles/339914/', 'https://habr.com/ru/articles/339915/', 'https://habr.com/ru/articles/339916/', ) и воспользуюсь моделью squad_ru_bert для построения ответов на указанные выше вопросы (questions) для каждого поста из списка paper_urls: for url in paper_urls: content = getTextFromHtml(getHtmlDocument(url)) for q in questions: answer = model([content], [q]) if abs(answer[2] – 1) > 1e-6: print(q, ' ', answer[0]) Результатом работы модели является: — фрагмент текста, который является ответом на заданный вопрос на основании текста, — позиция этого ответа в тексте и качество полученного результата. Примеры «удачных» ответов, по моему мнению, на вопросы отмечены зелёным цветом на рисунках 1-3. ▪ Статья @data_analysis_ml
22 ژوئن 2023, 06:01

Spark UDAF — мощный инструмент для анализа данных и обработки сложных операций агрегации в Apache Spark. Как с помощью него р
Spark UDAF — мощный инструмент для анализа данных и обработки сложных операций агрегации в Apache Spark. Как с помощью него разработать свой агрегатор? 📆Поговорим об этом 27 июня в 20:00 с Вадимом Заигриным, ведущим эксперт по технологиям в Сбербанке и преподавателем OTUS. Вебинар «Spark UDAF: разрабатываем свой агрегатор» приурочен к старту онлайн-курса «Spark Developer» в OTUS. 💻На открытом уроке рассмотрим агрегирование данных в Spark, стандартные агрегатные функции и создание собственных агрегатные функции (UDAF). После вебинара вы научитесь создавать собственные агрегатные функции. Урок предназначен для разработчиков Spark, которые хотят выйти за рамки стандартных функций и узнать, как создавать собственные агрегатные функции. Не упустите возможность получить ценные знания, продолжить обучение вы сможете на курсе, доступном в рассрочку. ➡️Для участия пройдите вступительный тест: https://otus.pw/CIUu/ Нативная интеграция информация о продукте www.otus.ru
22 ژوئن 2023, 04:02
28 ژوئن 2023, ~08:03

HInt: Ускорение регулярных выржаений в 127 раз в 2 строках кода Скомпилируйте ваш шаблоны Regex с помощью re.compile(). Функц
HInt: Ускорение регулярных выржаений в 127 раз в 2 строках кода Скомпилируйте ваш шаблоны Regex с помощью re.compile(<pattern>). Функция предварительно скомпилирует регулярные выражения в байткод. Далее мы будем используйте кэш LRU. Кэш хранит результат вызова функции, возвращая ранее вычисленный результат при последующих вызовах для тех же входных параметров. Таким образом, медленный Regex будет выполняться только один раз для каждой уникальной строки (~1 мкс), а последующие вызовы происходят за время O(1) (~20 нс). import re from functools import lru_cache text = '''Lorem ipsum dolor sit amet...''' compiled = re.compile(r'i') @lru_cache def cache(text): return compiled.findall(text) # Протестировано на: Apple M2 Pro, 32 ГБ оперативной памяти, Python 3.11.3 %%timeit re.findall(r'i', text) %%timeit re.compile(r'i') %%timeit cache(text) # Naive: 3.13 µs ± 24.2 ns per loop (mean ± std. dev. of 7 runs, 100,000 loops each) # Compiled: 2.96 µs ± 43.2 ns per loop (mean ± std. dev. of 7 runs, 100,000 loops each) # Cached: 24.8 ns ± 0.325 ns per loop (mean ± std. dev. of 7 runs, 10,000,000 loops each) @data_analysis_ml
21 ژوئن 2023, 15:01

Хотите принять участие в создании лучшей системы безопасности? 👨‍💻 Тогда приходите на One Day Offer для Data Scientists и M
Хотите принять участие в создании лучшей системы безопасности? 👨‍💻 Тогда приходите на One Day Offer для Data Scientists и Machine Learning Engineers 24 июня и за один день станьте частью команды, которая развивает систему форд-мониторинга для защиты клиентов Сбера везде: от онлайн-покупок до визитов в офисы. Чем предстоит заниматься, если вы успешно пройдете отбор: ✔️ Создавать real-time, look-alike и графовые модели выявления транзакций, устройств и связей мошенников и мошеннических групп. ✔️ Строить модели обработки, классификации и суммаризации обращений по мошенничеству. ✔️ Внедрять модели и мониторить эффективность их работы. ✔️ Развивать внутренние ML-pipelines. Наша система безопасности уже признана одной из лучших в мире, но мы абсолютно уверены, что с вами она станет еще круче. Скорее переходите по ссылке, регистрируйтесь на One Day Offer и будьте готовы пройти все этапы отбора за один день! 👌
21 ژوئن 2023, 13:01
01 ژوئیه 2023, ~06:15

🖥 Docker для Data Science — введение Когда вы отправляете свой код машинного обучения команде инженеров, могут возникнуть пр
🖥 Docker для Data Science — введение Когда вы отправляете свой код машинного обучения команде инженеров, могут возникнуть проблемы совместимости с различными операционными системами и версиями библиотек. Эти проблемы могут вызвать сбои в выполнении кода и затруднить совместную работу. Однако есть мощный инструмент, способный облегчить эти проблемы — Docker . В этом подробном руководстве мы не только познакомим вас с основными понятиями Docker, но и проведем вас через процесс установки. Затем мы продемонстрируем его практическое использование на реальных примерах, что позволит вам воочию убедиться в его эффективности. Кроме того, мы углубимся в лучшие отраслевые практики, предоставив ценные идеи и стратегии для оптимизации рабочего процесса машинного обучения с помощью Docker. ▪ Читать @data_analysis_ml
21 ژوئن 2023, 06:15