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 51 932 مشترک است و جایگاه 2 581 را در دسته فناوری و برنامه‌ها و رتبه 11 797 را در منطقه روسيا دارد.

📊 شاخص‌های مخاطب و پویایی

از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 51 932 مشترک جذب کرده است.

بر اساس آخرین داده‌ها در تاریخ 15 نوامبر, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر 528 و در ۲۴ ساعت گذشته برابر -4 بوده و همچنان دسترسی گسترده‌ای حفظ شده است.

  • وضعیت تأیید: تأیید نشده
  • نرخ تعامل (ER): میانگین تعامل مخاطب 11.70% 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 6 075 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 198 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 16 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.

51 932
مشترکین
-424 ساعت
+307 روز
+52830 روز
آرشیو پست ها
Екатеринбург, 21 марта приглашаем на митап IT Talk by Sber! 😉 Поговорим о том, как сделать правильную анимацию в браузере, о
Екатеринбург, 21 марта приглашаем на митап IT Talk by Sber! 😉 Поговорим о том, как сделать правильную анимацию в браузере, обсудим управление UI через backend и узнаем о проблемах наследования кода. А после — ответим на все вопросы, пообщаемся и просто отлично проведём время. Спикеры и темы: - Михаил Прядун, Frontend Developer, «Правильная анимация и хороший CSS» - Алексей Кардашов, Java Developer, «Управление UI через backend в стеке jvm с использованием composite screen platform» - Ирина Шахтарина, аналитик, «Это всё, что останется после меня: проблемы наследования кода и передачи права на него» Встречаемся 21 марта в 18:30 в Технохабе Сбера по адресу ул. Розы Люксембург, 56а. Ждём всех крутых разработчиков Урала! Регистрируйтесь по ссылке 💚

🌟 Открытая книга для специалистов в области AI и ML Книга состоит из 3 глав. ⏩Глава 1: Освоение OpenAI API Первая глава знак
🌟 Открытая книга для специалистов в области AI и ML Книга состоит из 3 глав. ⏩Глава 1: Освоение OpenAI API Первая глава знакомит читателей с API ChatGPT. Предоставлена дорожная карта для понимания ключевых стратегий, включая модерацию, Machine Reasoning и Prompt Chaining. ⏩Глава 2: LangChain Вторая глава посвящена практике использования LangChain. Описан процесс разработки, от настройки среды до внедрения передовых методик извлечения информации (Document Loaders, Text Splitters, Semantic Search, RAG Systems). ⏩Глава 3: ML Ops для LLMs, или LLMOps Третья глава представляет собой руководство по интеграции LLM в рабочие процессы. Описываются ключевые этапы от выбора модели до ее развертывания и мониторинга. Стоит учитывать, что книга не может охватить много аспектов, по-большей части всё вокруг прикручивания готового чат-бота для своих целей Но при всё при этом можно найти для себя много всего полезного 📎 Книга @data_analysis_ml

📌Годная статья по кластеризации в Machine Learning Что освещается в статье? • Алгоритмы кластеризации — K-means, Spectral Cl
+3
📌Годная статья по кластеризации в Machine Learning Что освещается в статье? • Алгоритмы кластеризации — K-means, Spectral Clustering и DBSCAN • На чём основан K-means • О работе Spectral Clustering, как он работает с нелинейно разделимыми данными, устойчив ли к выбросам • Как DBSCAN группирует точки на основе плотности и самостоятельно определяет количество кластеров. • Как работает Affinity Propagation; соотношение между данными и выбором репрезентативных образцов • Подводные камни алгоритмов кластеризации, такие как выбор оптимальных параметров и высокая вычислительная сложность 📎 Статья @data_analysis_ml

🌐 Хочешь быть в числе крутых аналитиков данных? Тогда присоединяйся к онлайн-соревнованию Data Fusion Contest 2024 от ВТБ и
🌐 Хочешь быть в числе крутых аналитиков данных? Тогда присоединяйся к онлайн-соревнованию Data Fusion Contest 2024 от ВТБ и Т1 и покажи лучшим экспертам отрасли, на что ты способен! Более 1000 аналитиков уже приняли вызов и вступили в борьбу за призовой фонд в 2 млн рублей. 📈💡Используй новые ML/DS подходы и решай задачи по геоаналитике и по моделям оттока клиентов. Ты в деле? Не упусти возможность применить в работе самые передовые технологии для анализа данных. Участвуй в онлайн-встречах и обменивайся ценным опытом с единомышленниками. Соревнование уже началось, но ты еще успеваешь запрыгнуть в последний вагон. Регистрируйся по ссылке — https://vk.cc/cvlpkk *ML - машинное обучение *DS - анализ данных

⭐️Что такое алгоритм ADD-DEL и где используется? Алгоритм ADD-DEL используется для определения наиболее значимых признаков и
+3
⭐️Что такое алгоритм ADD-DEL и где используется? Алгоритм ADD-DEL используется для определения наиболее значимых признаков и улучшения производительности модели. ADD-DEL является одним из методов отбора признаков, основанных на пошаговом поиске. Он работает так: ⏩Начальная точка: Начальное множество признаков пустое. ⏩Добавление признаков (ADD): Алгоритм просматривает все признаки, которые еще не были добавлены в множество, и добавляет тот признак, который приводит к наибольшему увеличению критерия оценки. Этот процесс повторяется, пока добавление новых признаков не перестанет улучшать критерий оценки. ⏩Удаление признаков (DEL): После того, как невозможно улучшить критерий оценки путем добавления новых признаков, алгоритм начинает удалять признаки. Он просматривает все признаки, которые уже были добавлены в множество, и удаляет тот признак, который приводит к наименьшему ухудшению критерия оценки. Этот процесс повторяется, пока удаление признаков не перестанет улучшать критерий оценки. ⏩Процесс продолжается до достижения определенного критерия остановки, например, до достижения определенного числа признаков или улучшения производительности модели. В целом алгоритм ADD-DEL используется довольно часто, для подробного ознакомления вот ниже полезные ссылки 🖥 Код с объяснением алгоритма 📎 Лекции МГУ 📎 Лекция Воронцова К.В. @data_analysis_ml

Привет! Это команда Концепт-Разработка. Мы занимаемся развитием и внедрением продуктов в сфере больших данных, корпоративных
Привет! Это команда Концепт-Разработка. Мы занимаемся развитием и внедрением продуктов в сфере больших данных, корпоративных хранилищ данных, BI и систем управления данными. У себя в канале развиваем сообщество бизнес и системных аналитиков, разработчиков и data-инженеров. + Актуальные вакансии; + Интересные разработки; + Проекты федеральных заказчиков; + Новости индустрии и многое другое. Подписывайся на канал, мы будем рады и экспертам, и начинающим специалистам. Реклама. ООО "КОНЦЕПТ РАЗРАБОТКА". ИНН 7703471165. erid: LjN8KPCGN

🔺 Полезные ссылки для специалиста по Data Science Эти источники помогут освежить знания по DS, особенно полезно будет полистать перед собеседованием Изучение основ Python ⏩ Питонтьютор — понятный и удобный курс для освоения базы. Там много задач для практики, которые попадаются на собеседованиях. ⏩ Основы Python-разработки — ещё один бесплатный курс: за 20 часов вы изучите основы и напишете простой код. ⏩ Основы программирования и анализа данных на Python — короткий видеокурс. Особенно рекомендую лекции 7—10 про полезные библиотеки Pandas, NumPy, Matplotlib и Seaborn. Основы SQL ⏩ Интерактивный тренажёр по SQL — курс с множеством практических заданий на создание SQL-запросов. Рекомендую начать с него. ⏩ Основы работы с базами данных и SQL — ещё один курс с интерактивным тренажёром. ⏩ Упражнения на SQL-EX — тренажёр написания запросов SELECT. Регулярно решайте задачи, чтобы уверенно чувствовать себя на собеседованиях. Библиотеки Python ⏩ Python PANDAS, полный курс для начинающих — библиотека Pandas помогает удобно работать с табличными данными и похожа логикой на SQL. Основные операции стоит знать наизусть: чтение таблиц, редактирование, работа с пропусками, изменение типов данных. После изучения теории возьмите какой-нибудь датасет и вручную «покрутите» его в Jupyter Notebook ⏩ Основы NumPy — библиотека NumPy помогает быстро и удобно производить математические операции. Она используется во многих других библиотеках. Необязательно знать все операции наизусть, главное — уметь быстро в них сориентироваться при необходимости. ⏩ Matplotlib — библиотеки для визуализации данных. В Seaborn графики выглядят красивее, а Matplotlib гибко настраивается. Заучивать все функции и методы необязательно. ⏩ 50 оттенков Matplotlib — статья с примерами графиков, чтобы построить что-то подобное для своих данных. Алгоритмы и структуры данных ⏩ Тренировки по алгоритмам — лекции с теорией, домашними заданиями и разборами. Сдавайте задания вовремя, чтобы получить сертификат. Лучших участников готовят к прохождению алгоритмических собеседований. ⏩ LeetCode — сайт с задачами для подготовки к собеседованиям. Решайте уровни Easy и Medium перед интервью. Математика для анализа данных ⏩ Бесплатный курс «Основы математики для цифровых профессий» поможет закрыть пробелы в базовой математике, чтобы перейти к более сложным темам. ⏩ Теория вероятностей поможет проанализировать данные и отличить случайности от закономерностей. Смотрите лекции от МФТИ и других крутых универов по теорверу на YouTube. ⏩ Основы математической статистики — курс связан с теорвером, и с его помощью можно научиться делать достаточно точные выводы о данных по их выборке. Курс ведёт Анатолий Карпов — ex-тимлид команды аналитики в отделе бизнеса и рекламы VK. Он крутой специалист, рекомендую его вебинары на YouTube Продуктовая аналитика ⏩ Публичное собеседование по продуктовой аналитике ⏩ ML для оптимизации цен на основе эластичности по цене ⏩ Как мы не сделали рекомендательную систему в банке Этого должно быть вполне достаточно, чтобы начать проходить собеседования по чистой продуктовой аналитике. Используйте все эти ресурсы по максимуму 🔥 @data_analysis_ml

🚀 GPM AdTech Challenge от «Газпром-Медиа» и Getintent Когда: 18-30 марта Формат: гибридный Призовой фонд: 1 000 000 рублей Т
🚀 GPM AdTech Challenge  от «Газпром-Медиа» и Getintent Когда: 18-30 марта Формат: гибридный Призовой фонд: 1 000 000 рублей Ты можешь стать победителем независимо от своего технического бэкграунда. Выбирай один из трех треков, создавай прототип и выигрывай 1 000 000 рублей. Регистрация до 13 марта: https://cnrlink.com/gpmdataa 🎙 Frontend Мeetup от Росбанка Когда: 22 марта Формат: очный, Казань Вас ждут доклады специалистов Росбанка, СберМаркета и VK Добра.  Авторы лучших вопросов получат мерч.  Регистрация до 18 марта: https://cnrlink.com/rbkazandataa 💢 «Халява, приди!»‎ от Codenrock Когда: весь март Формат: онлайн Реши несложные, но увлекательные задачи по программированию и получи возможность стать обладателем промокода на любой маркетплейс. Это ли не халява? Регистрация до 20 марта: https://cnrlink.com/halyavadataa Реклама. ООО "ЦУКЕР СТУДИЯ". ИНН 7751071015. erid: LjN8JxK2o

🔅Секреты успешного анализа данных: 10 принципов, которые работают Эти 10 принципов — подборка практических и довольно очевид
🔅Секреты успешного анализа данных: 10 принципов, которые работают Эти 10 принципов — подборка практических и довольно очевидных правил, главное — придерживаться их. Начнём! 1️⃣Определите цель анализа данных. Подумайте о том, что для вас на данный момент важнее всего: выявить скрытые закономерности в данных, предсказать будущие тренды или что-то другое. 2️⃣Обеспечьте качество данных. Подготовка данных к анализу - это ваш первый шаг к созданию шедевра аналитики. 3️⃣Применяйте разнообразные методы анализа. Уверенность в владении разнообразными методами анализа поможет вам принимать обоснованные решения и открывать новые перспективы. 4️⃣Используйте современные инструменты для обработки данных. Открывайте новые горизонты современных технологий, обогащайте свои навыки и возможности в области обработки данных и становитесь настоящим профи данных. 5️⃣Создавайте эффективные модели прогнозирования. Используя эффективные модели прогнозирования, вы вооружаетесь сильным инструментом, позволяющим вам принимать осознанные решения и идти впереди конкурентов. 6️⃣Осуществляйте визуализацию данных для наглядного представления информации. Визуализация делает данные живыми и наглядными, что поможет вам принимать обоснованные решения. 7️⃣Учитывайте контекст и особенности данных. Это позволит вам строить глубокие и точные модели, учитывая все нюансы и особенности, что помогает принимать обоснованные и эффективные решения. 8️⃣Используйте машинное обучение и искусственный интеллект. ML и AI — это ваш мощный арсенал в битве за понимание и прогнозирование данных. 9️⃣Проводите регулярную проверку и обновление данных. Это поможет вам принимать обоснованные решения, опираясь на достоверные и актуальные факты. 0️⃣Извлекайте практическую пользу из результатов анализа. Это поможет вам использовать данные не только как информацию, но и как мощный инструмент для достижения целей и реализации задач. В общем, данные — это не просто цифры и факты, это ключ к принятию обоснованных решений. Используйте их на полную! @data_analysis_ml

🚀 Датасет Amazon Reviews получил четвертое обновление! Amazon Reviews, один из крупнейших и наиболее широко используемых наб
🚀 Датасет Amazon Reviews получил четвертое обновление! Amazon Reviews, один из крупнейших и наиболее широко используемых наборов данных отзывов, насчитывающий более 500 миллионов отзывов пользователей, более 48 миллионов товаров, более 60 миллионов токенов, из 33 категорий. https://amazon-reviews-2023.github.io @data_analysis_ml

🤗 Новый краткий курс "Модели с открытым исходным кодом на Hugging face". huggingface изменил правила игры, позволив разработчикам легко использовать любую из сотен тысяч уже готовых моделей с открытым исходным кодом для сборки в своих проектах. Этот курс научит вас лучшим практикам работы с hf, в том числе поиску и выбору моделей. Вы научитесь пользоваться библиотекой Transformers и познакомитесь с несколькими моделями обработки текста, аудио и изображений, включая сегментацию изображений с нулевым кадром, классификацию аудио с нулевым кадром и распознавание речи. Вы также научитесь использовать мультимодальные модели для визуального ответа на вопросы, поиска изображений и подписи к изображениям. Наконец вы поработаете с Gradio и Hugging Face Spaces. https://deeplearning.ai/short-courses/open-source-models-hugging-face/

Программа бакалавриата в Центральном университете от Тинькофф с грантом до 100% для сильных и мотивированных абитуриентов! Гр
Программа бакалавриата в Центральном университете от Тинькофф с грантом до 100% для сильных и мотивированных абитуриентов! Грант можно получить на одно из направлений бакалавриата по искусственному интеллекту, разработке и бизнес-аналитике. Помимо диплома и практико-ориентированного образования студенты получат: - Персонализацию учебной траектории; - Стажировку в одной из лучших ИТ-компании страны; - Личного ментора на все время обучения; - Доступ к современному кампусу в центре Москвы. Получить полную информацию и оставить заявку можно здесь. erid:2VtzqxQJgCq Реклама. АО "Тинькофф Банк", ИНН 7710140679, лицензия ЦБ РФ № 2673

⚡️Вышло обновление Automatic 1111 до версии 1.8.0 Обновился Automatic 1111 — самый популярный интерфейс для генерации изображ
+3
⚡️Вышло обновление Automatic 1111 до версии 1.8.0 Обновился Automatic 1111 — самый популярный интерфейс для генерации изображений с помощью нейросетей Stable Diffusion 🟠Soft инпеинтинг с дополнительным размытием краев позволяет добиться невероятного качества изменения. Переходы теперь идеальные между оригиналом и инпеинтингом. Особенно если использовать модель для инпеинтинга SDXL, поддержка которых теперь доступна из коробки, просто скачайте модель как обычно. 🟠Поменялся интерфейс в меню экстрасетей (модели, лоры, эмбединги), теперь навигация представлена деревом каталогов и это наконец-то стало удобно. 🟠Добавлена нативная поддержка апскейлеров формата DAT, попробуйте скачать 4xLSDIRDAT в папку stable-diffusion-webui\models\DAT, не страшно если её нет, можете создать, она появится при попытке активировать DAT апскейлер на вкладке Extras. 🟠В txt2img теперь есть кнопка, которая позволяет сделать Hires. fix на уже готовой картинке, при этом сразу начинается апскейл экономя время. 🟠Крутых обновлений целая гора, вот список на изображении Тестите, пишите как оно) 🖥 Automatic1111 @ai_machinelearning_big_data

🌌 Galactic Если вы хотите, изучить,, подготовить, очистить или создать эмбединги из больших наборов неструктурированных текс
🌌 Galactic Если вы хотите, изучить,, подготовить, очистить или создать эмбединги из больших наборов неструктурированных текстовых данных, попробуйте Galatic. Он отдлично подходит для файнтюнинга данных, создания документов для RAG. Инструмент поможет выполнить полную подготовку неструктурированных датасетов для работы с LLM. ▪ Github @data_analysis_ml

💎 Дата-сайентист — сравнительно молодая профессия. Спрос на таких специалистов растёт гораздо быстрее, чем увеличивается кол
💎 Дата-сайентист — сравнительно молодая профессия. Спрос на таких специалистов растёт гораздо быстрее, чем увеличивается количество самих аналитиков. Если тебе нравится работать с большими данными и находить в них закономерности, пройди обучение от Слёрм и получи профессию будущего! На курсе Data Scientist ты поймешь, как работают алгоритмы машинного обучения, и научишься применять их в проектах на реальных данных. Курс подойдёт: ✔️ Разработчикам, которые работают вместе с дата-сайентистами и хотят лучше понимать коллег; ✔️ Software Engineer, Data Engineer, DevOps Engineer уровня Middle, готовым перейти в смежную профессиональную область; ✔️ Программистам на Python, которые хотят освоить новое перспективное направление. Курс состоит на 30% из теории и на 70% из практики. За 96 часов обучения ты освоишь: ⚡️ Алгоритмы и теорию машинного обучения; ⚡️ Базовые подходы и популярный фреймворк для построения нейросетей; ⚡️ Машинное обучение для выполнения бизнес-задач; ⚡️ Способы анализа и визуализации больших объёмов данных разных типов; ⚡️ Библиотеки для анализа данных. Присоединяйся! Скачай презентацию курса и получи демо-доступ на 7 дней, чтобы убедиться, что курс тебе подходит. Реклама. ООО «Слёрм» г. Лиски, ИНН 3652901451

⚡️Сверхполезная статья от профи Data Science Здесь обсуждается и показывается, как производить конкатенацию, сегментацию данн
+5
⚡️Сверхполезная статья от профи Data Science Здесь обсуждается и показывается, как производить конкатенацию, сегментацию данных, объединять данные — и ещё очень много насущных вещей DS Годно) ⏩ Клик @data_analysis_ml

➡️Совсем свежий 4-часовой курс по ML от freeCodeCamp.org В этом ролике затронуты самые важные понятия ML и смежных областей,
+3
➡️Совсем свежий 4-часовой курс по ML от freeCodeCamp.org В этом ролике затронуты самые важные понятия ML и смежных областей, помимо теории, есть много кода и практических заданий (например, прогнозирование стоимости жилья) Что есть в курсе? 🟢Дорожная карта ML на 2024 год 🟢Необходимый набор навыков для карьеры в области ML 🟢Основные карьерные пути 🟢Основы ML 🟢Bias-Variance Trade-Off 🟢Overfitting и регуляризация 🟢Основы линейной регрессии 🟢Теория моделей линейной регрессии 🟢Теория моделей логистической регрессии 🟢Пример с линейной регрессией 🟢Загрузка и исследование данных 🟢Определение независимых и зависимых переменных 🟢Очистка и предварительная обработка данных 🟢Описательная статистика и визуализация данных 🟢Межквантильный диапазон для обнаружения выбросов 🟢Корреляционный анализ 🟢Разделение данных на Train/Test с помощью sklearn 🟢Запуск линейной регрессии - причинно-следственный анализ 🟢Проверка допущений OLS в модели линейной регрессии 🟢Запуск линейной регрессии для прогнозной аналитики ➡️ Youtube @data_analysis_ml

🏆 Чтобы получить новые знания, опыт совместной работы и общение с лучшими экспертами, пройдите предварительную регистрацию в
🏆 Чтобы получить новые знания, опыт совместной работы и общение с лучшими экспертами, пройдите предварительную регистрацию в Летних школах Яндекса 2024! Больше 50% выпускников становятся стажёрами и сотрудниками Яндекса💪 В этом году будет запущено больше школ: 🔸 Школа бэкенд-разработки; 🔸 Школа разработки интерфейсов; 🔸 Школа мобильной разработки; 🔸 Школа менеджеров Яндекса; 🔸 Школа аналитиков-разработчиков. После лекций в онлайне будет практика в офисах Яндекса в Москве, Санкт-Петербурге и Екатеринбурге. Вам оплатят проезд и проживание, если вы из другого города📍 👉Подать заявку

Repost from Kali Linux
💻 Вредоносные Deep Learning модели На платформе Hugging Face обнаружено не менее 100 вредоносных Deep Learning моделей, неко
+1
💻 Вредоносные Deep Learning модели На платформе Hugging Face обнаружено не менее 100 вредоносных Deep Learning моделей, некоторые из которых могут выполнять код на машине жертвы, предоставляя злоумышленникам постоянный бэкдор. Специалисты компании JFrog разработали и развернули продвинутую систему сканирования для проверки моделей PyTorch и Tensorflow Keras, размещенных на Hugging Face. Малварь проникла в Hugging Face несмотря на все меры безопасности, включая сканирование на наличие малвари, а также тщательное изучение функциональности моделей для обнаружения такого поведения, как небезопасная десериализация. Одним из примеров стала модель PyTorch, загруженная недавно пользователем под ником baller423 и уже удаленная с HuggingFace. Она содержала полезную нагрузку, которая позволяла создать реверс-шелл на указанный хост (210.117.212.93). Вредоносная полезная нагрузка использовала метод __reduce__ модуля pickle для выполнения произвольного кода при загрузке файла модели PyTorch, при этом избегая обнаружения за счет встраивания малвари в доверенный процесс сериализации. В JFrog обнаружили, что та же полезная нагрузка связывалась и с другими IP-адресами, что позволяет предположить, что ее операторы все же являются ИИ- и ИБ-исследователями, а не хакерами. Однако такие эксперименты в JFrog все равно называют слишком рискованными, учитывая, что опасные модели были общедоступны. Пытаясь определить истинные намерения операторов вредоноса, аналитики развернули приманку для привлечения активности и ее анализа. Им удалось установить соединение с сервером потенциальных злоумышленников, однако не удалось перехватить ни одной команды за время поддержания соединения. @linuxkalii

+2
🚗 Gemini 1.5 создает структурированный JSON из видео На вход подается видео с классическими автомобилями и запрос с просьбой указать марку, производителя, год выпуска, цвет и описание авто - Gemini удалось проделать довольно приличную работу! Привожу часть ответа ниже (полный json на картинке): [ { "make": "Cadillac Eldorado", "manufacturer": "General Motors", "year": 1953, "color": "Blue", "description": "The Cadillac Eldorado was a luxury convertible that was known for its stylish design and powerful engine." }, { "make": "Chevrolet Corvette", "manufacturer": "General Motors", "year": 1953, "color": "Red", "description": "The Chevrolet Corvette was a sports car that was known for its sleek design and impressive performance." }, ] Шикарный результат! @data_analysis_ml