Data Science | Вопросы собесов
Kanalga Telegram’da o‘tish
Сайт: https://easyoffer.ru/ Все каналы: t.me/+xGeAw6ckJ4liYzQy Контакт для рекламы: @sendme_ads
Ko'proq ko'rsatish
Tarmoq:4 884
Obunachilar
+124 soatlar
-77 kun
-2630 kun
Ma'lumotlar yuklanmoqda
O'xshash kanallar
Taglar buluti
Kirish va chiqish esdaliklari
---
---
---
---
---
---
Obunachilarni jalb qilish
Oktabr '26Okt '26
Oktabr '26
+28
0 kanalda
Sentabr '26
+67
0 kanalda
Get PRO
Avgust '26
+47
0 kanalda
Get PRO
Iyul '26
+47
0 kanalda
Get PRO
Iyun '26
+43
1 kanalda
Get PRO
May '26
+32
0 kanalda
Get PRO
Aprel '26
+55
0 kanalda
Get PRO
Mart '26
+58
0 kanalda
Get PRO
Fevral '26
+115
0 kanalda
Get PRO
Yanvar '26
+100
0 kanalda
Get PRO
Dekabr '25
+62
0 kanalda
Get PRO
Noyabr '25
+110
0 kanalda
Get PRO
Oktabr '25
+132
1 kanalda
Get PRO
Sentabr '25
+75
0 kanalda
Get PRO
Avgust '25
+82
0 kanalda
Get PRO
Iyul '25
+125
0 kanalda
Get PRO
Iyun '25
+127
0 kanalda
Get PRO
May '25
+124
1 kanalda
Get PRO
Aprel '25
+166
0 kanalda
Get PRO
Mart '25
+598
5 kanalda
Get PRO
Fevral '25
+332
4 kanalda
Get PRO
Yanvar '25
+201
53 kanalda
Get PRO
Dekabr '24
+120
0 kanalda
Get PRO
Noyabr '24
+162
1 kanalda
Get PRO
Oktabr '24
+310
40 kanalda
Get PRO
Sentabr '24
+408
249 kanalda
Get PRO
Avgust '24
+181
1 kanalda
Get PRO
Iyul '24
+342
54 kanalda
Get PRO
Iyun '24
+924
244 kanalda
Get PRO
May '24
+999
191 kanalda
Get PRO
Aprel '24
+689
23 kanalda
| Sana | Obunachilarni jalb qilish | Esdaliklar | Kanallar | |
| 19 Oktabr | 0 | |||
| 18 Oktabr | +3 | |||
| 17 Oktabr | +3 | |||
| 16 Oktabr | 0 | |||
| 15 Oktabr | 0 | |||
| 14 Oktabr | +1 | |||
| 13 Oktabr | 0 | |||
| 12 Oktabr | +1 | |||
| 11 Oktabr | +2 | |||
| 10 Oktabr | +3 | |||
| 09 Oktabr | +2 | |||
| 08 Oktabr | 0 | |||
| 07 Oktabr | +2 | |||
| 06 Oktabr | +1 | |||
| 05 Oktabr | 0 | |||
| 04 Oktabr | +3 | |||
| 03 Oktabr | 0 | |||
| 02 Oktabr | +3 | |||
| 01 Oktabr | +4 |
Kanal postlari
Услуги дата-центра в Москве
Размещение и аренда серверного оборудования в дата-центре.
👍 4 современных дата-центра в Москве.
👍 Лицензированный оператор связи.
👍 Индивидуальные конфигурации выделенных серверов под задачи клиента.
👍 Круглосуточная техническая поддержка в Телеграм, без ботов.
Узнать цену
#реклама 16+
itsoft.ru
О рекламодателе
| 2 | 🤔 Как систематическая ошибка и дисперсии связаны между собой?
Это два важных понятия в статистике и машинном обучении, которые вместе с шумом описывают общую ошибку предсказаний модели. Они часть компромисса, известного как "bias-variance tradeoff", который является центральным в построении эффективных предиктивных моделей. Рассмотрим их связь и взаимное влияние.
🚩Систематическая ошибка (Bias)
Машинного обучения — это ошибка, возникающая из-за ошибочных предположений в алгоритме обучения. Высокая систематическая ошибка указывает на то, что модель слишком упрощена и не улавливает основные закономерности данных (недообучение). Примером модели с высокой систематической ошибкой может быть линейная регрессия, примененная к данным, которые фактически обладают сложной нелинейной структурой.
🚩Дисперсия (Variance)
Показывает, насколько предсказания модели чувствительны к небольшим изменениям в обучающем наборе данных. Модель с высокой дисперсией хорошо работает на обучающих данных, но плохо генерализует предсказания на новых данных (переобучение). Примером модели с высокой дисперсией может быть сложная нейронная сеть, которая "запоминает" обучающие данные, включая шум и аномалии.
🚩Взаимосвязь между систематической ошибкой и дисперсией
Они через компромисс, который необходимо достичь при построении моделей. Уменьшение одного из этих компонентов часто приводит к увеличению другого:
Уменьшение систематической ошибки обычно ведет к более сложным моделям, которые лучше аппроксимируют данные, но это может привести к увеличению дисперсии, делая модель более чувствительной к флуктуациям в данных.
Уменьшение дисперсии обычно достигается за счет упрощения модели, что может увеличить систематическую ошибку, так как модель становится неспособна захватывать сложные закономерности.
Ставь 👍 и забирай 📚 Базу знаний | 134 |
| 3 |  LUBEX - умный выбор для вашего бизнеса
Если важны сохранение ресурса техники и снижение затрат. Официальные допуски
Узнать больше
#реклама
lubex-oil.ru
О рекламодателе | 185 |
| 4 | 🤔 Как оценивать эффективность работы рекомендательных моделей?
Используются метрики:
1. Precision@K и Recall@K для точности и полноты рекомендаций.
2. NDCG для оценки релевантности на основе позиций элементов.
3. Coverage — доля уникальных рекомендованных элементов.
4. Оценка на основе A/B-тестов или пользовательских метрик, таких как удержание.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 198 |
| 5 | 🤔 Что такое декоратор в питоне?
Это функции, которые позволяют модифицировать или расширять поведение других функций или методов без изменения их кода. Они часто используются для логирования, контроля доступа, измерения времени выполнения и других задач. Декораторы предоставляют гибкий и элегантный способ изменения поведения функций и классов.
🚩Основные концепции декораторов
🟠Функция-декоратор
Это функция, которая принимает другую функцию в качестве аргумента и возвращает новую функцию, изменяющую или расширяющую поведение оригинальной функции.
🟠Использование синтаксиса `@`
Декораторы в Python применяются с использованием синтаксиса @decorator_name перед определением функции, которую нужно модифицировать.
🚩Пример простого декоратора
Определение декоратора
def my_decorator(func):
def wrapper():
print("Что-то происходит до вызова функции")
func()
print("Что-то происходит после вызова функции")
return wrapper
Применение декоратора
@my_decorator
def say_hello():
print("Hello!")
say_hello()
# Вывод:
# Что-то происходит до вызова функции
# Hello!
# Что-то происходит после вызова функции
🚩Декораторы с аргументами
Если функция, которую нужно декорировать, принимает аргументы, декоратор также должен быть написан так, чтобы он мог принимать и передавать эти аргументы.
Пример декоратора с аргументами
def my_decorator(func):
def wrapper(*args, **kwargs):
print("Что-то происходит до вызова функции")
result = func(*args, **kwargs)
print("Что-то происходит после вызова функции")
return result
return wrapper
@my_decorator
def say_hello(name):
print(f"Hello, {name}!")
say_hello("Alice")
# Вывод:
# Что-то происходит до вызова функции
# Hello, Alice!
# Что-то происходит после вызова функции
🚩Декораторы для классов
Декораторы также могут применяться к методам классов.
Пример декоратора для метода класса
def my_decorator(func):
def wrapper(*args, **kwargs):
print("Что-то происходит до вызова метода")
result = func(*args, **kwargs)
print("Что-то происходит после вызова метода")
return result
return wrapper
class MyClass:
@my_decorator
def say_hello(self, name):
print(f"Hello, {name}!")
obj = MyClass()
obj.say_hello("Alice")
# Вывод:
# Что-то происходит до вызова метода
# Hello, Alice!
# Что-то происходит после вызова метода
🚩Встроенные декораторы
Python предоставляет несколько встроенных декораторов, таких как @staticmethod, @classmethod и @property.
Пример использования встроенных декораторов
class MyClass:
@staticmethod
def static_method():
print("Это статический метод")
@classmethod
def class_method(cls):
print("Это метод класса")
@property
def some_property(self):
return "Это свойство"
obj = MyClass()
obj.static_method()
obj.class_method()
print(obj.some_property)
# Вывод:
# Это статический метод
# Это метод класса
# Это свойство
Ставь 👍 и забирай 📚 Базу знаний | 182 |
| 6 | 🤔 Как работают несимметрические метрики?
Несимметрические метрики в контексте машинного обучения оценивают модель, акцентируя внимание на одном классе или типе ошибки больше, чем на других. Это особенно полезно в случаях, когда стоимость одного типа ошибки значительно выше другого. Примером несимметричной метрики является F1-score, который более чувствителен к классам с меньшим числом образцов или когда важно сбалансировать точность и полноту.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 191 |
| 7 | 🤔 Какие есть детекторы и архитектуры в cv ?
Существует множество детекторов и архитектур для задач обнаружения и распознавания объектов. Вот некоторые из наиболее популярных и широко используемых детекторов и архитектур:
🟠HOG (Histogram of Oriented Gradients)
Это метод, основанный на вычислении и нормализации гистограмм направленных градиентов в локальных областях изображения. Он используется для обнаружения объектов на основе их формы и контуров.
Применение: Обнаружение пешеходов, транспортных средств и других объектов.
🟠Детектор Хаара
Метод, основанный на использовании каскадных классификаторов Хаара. Вычисляет простые характеристики, такие как разница в интенсивности между соседними областями изображения. Применение: Обнаружение лиц и других объектов.
🟠DPM (Deformable Parts Model)
Метод, который разбивает объект на части и использует деформируемую модель для определения взаимного расположения частей. Применение: Обнаружение сложных объектов, таких как животные и транспортные средства.
🚩Современные глубокие архитектуры
🟠R-CNN (Region-Based Convolutional Neural Networks)
Извлекает предложенные регионы (Region Proposals) с использованием метода Selective Search, а затем использует сверточную нейронную сеть (CNN) для классификации каждого региона.
Архитектуры
R-CNN: Использует CNN для классификации предложенных регионов.
Fast R-CNN: Улучшенная версия, которая ускоряет процесс обучения и предсказания за счет использования ROI Pooling.
Faster R-CNN: Включает сеть предложений регионов (RPN), что позволяет получать предложения регионов непосредственно из CNN.
Mask R-CNN: Расширение Faster R-CNN для задач сегментации объектов, добавляющее предсказание масок объектов.
from torchvision import models
# Загрузка предобученной модели Faster R-CNN
model = models.detection.fasterrcnn_resnet50_fpn(pretrained=True)
model.eval()
# Пример использования модели для обнаружения объектов
import torch
from PIL import Image
from torchvision import transforms as T
# Преобразование изображения
def transform_image(image_path):
image = Image.open(image_path).convert("RGB")
transform = T.Compose([T.ToTensor()])
return transform(image).unsqueeze(0)
# Пример изображения
image_path = "example.jpg"
image = transform_image(image_path)
# Предсказание
with torch.no_grad():
predictions = model(image)
print(predictions)
🟠YOLO (You Only Look Once)
Разделяет изображение на сетку и предсказывает bounding boxes и вероятности классов для каждой ячейки сетки. Обучается end-to-end, что делает его очень быстрым.
Архитектуры:
YOLOv1: Первая версия YOLO.
YOLOv2 (YOLO9000): Улучшенная версия с поддержкой большого числа классов.
YOLOv3: Добавляет несколько масштабов детекции для улучшения точности.
YOLOv4 и YOLOv5: Дальнейшие улучшения в скорости и точности.
import torch
# Загрузка предобученной модели YOLOv5
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')
# Пример изображения
image_path = "example.jpg"
# Предсказание
results = model(image_path)
# Отображение результатов
results.show()
Ставь 👍 и забирай 📚 Базу знаний | 208 |
| 8 | 🤔 В чем преимущество медианы над средним?
Медиана менее чувствительна к выбросам, чем среднее (mean):
- Среднее (Mean) – учитывает все значения, поэтому искажается выбросами.
- Медиана (Median) – просто находит центральное значение в упорядоченном ряду, игнорируя крайние выбросы.
Медиана особенно полезна при распределении доходов, цен, длительностей и других данных с выбросами.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 218 |
| 9 | 🤔 Для чего используют бач нормализацию?
Это метод, используемый для ускорения и стабилизации обучения нейронных сетей. Она была предложена в 2015 году Сержем Иоффе и Кристианом Шилле для решения проблемы внутреннего ковариационного сдвига.
🚩Зачем нужна
🟠Стабилизация обучения
Нормализация входных данных каждого слоя помогает уменьшить внутренний ковариационный сдвиг (изменения распределений входных данных каждого слоя во время обучения), что стабилизирует и ускоряет обучение.
🟠Ускорение сходимости
Благодаря нормализации градиенты становятся более устойчивыми, что позволяет использовать более высокие значения скорости обучения и ускоряет процесс обучения.
🟠Регуляризация
Батч-нормализация добавляет небольшой шум к данным в процессе обучения, что имеет эффект регуляризации и может снизить переобучение.
🟠Снижение зависимости от инициализации параметров
Нормализация данных помогает уменьшить зависимость от начальной инициализации весов, делая процесс обучения более надежным.
🚩Как работает
🟠Вычисление среднего и дисперсии
Для каждого мини-батча вычисляются среднее значение и дисперсия входов.
\mu_B = \frac{1}{m} \sum_{i=1}^{m} x_i
\sigma_B^2 = \frac{1}{m} \sum_{i=1}^{m} (x_i - \mu_B)^2
🟠Нормализация
Входы нормализуются, вычитая среднее значение и деля на стандартное отклонение.
\hat{x}_i = \frac{x_i - \mu_B}{\sqrt{\sigma_B^2 + \epsilon}}
🟠Скалирование и смещение
Нормализованные значения масштабируются и сдвигаются с использованием обучаемых параметров \(\gamma\) и \(\beta\).
y_i = \gamma \hat{x}_i + \beta
🚩Пример использования
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, BatchNormalization, Activation
# Создание модели
model = Sequential([
Dense(64, input_shape=(32,)),
BatchNormalization(),
Activation('relu'),
Dense(64),
BatchNormalization(),
Activation('relu'),
Dense(10, activation='softmax')
])
# Компиляция модели
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
# Вывод структуры модели
model.summary()
Ставь 👍 и забирай 📚 Базу знаний | 223 |
| 10 | 🤔 Что известно о Gradient-boosted trees?
Это ансамблевый метод, строящий модель как последовательность слабых моделей (обычно деревьев), где каждая новая модель корректирует ошибки предыдущей. Он использует градиентный спуск по функции потерь. Обладает высокой точностью и хорошо работает с табличными данными, но чувствителен к гиперпараметрам. Популярные реализации — XGBoost, LightGBM, CatBoost.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 226 |
| 11 | 🤔 В чем разница между метрикой качества и функции потери при обучении?
Функция потерь (loss function) — это функция, которая измеряет разницу между предсказанным значением модели и фактическим значением для конкретного примера в обучающих данных. Она используется в процессе обучения для оптимизации параметров модели. Функция потерь напрямую влияет на процесс обучения модели: оптимизационный алгоритм (например, градиентный спуск) стремится минимизировать эту функцию потерь по всему обучающему набору данных. Примеры функций потерь включают среднеквадратичное отклонение для регрессии, перекрестную энтропию для классификации и т.д.
Метрика качества (performance metric)
Это мера, используемая для оценки качества модели после или во время ее обучения. Помогают понять, насколько хорошо модель работает на валидационных или тестовых данных, и не влияют напрямую на процесс обучения. Они предоставляют информацию, которая позволяет сравнивать разные модели или настройки модели. Примеры метрик включают точность (accuracy), F1-меру, AUC-ROC и т.д.
🚩Основные различия
🟠Цель использования
Функция потерь направлена на минимизацию ошибки во время обучения модели. Она помогает в определении направления изменения весов модели.
Метрика качества используется для оценки и сравнения моделей с точки зрения их производительности на задаче.
🟠Влияние на обучение
Функция потерь напрямую влияет на процесс обучения, так как градиенты этой функции используются для обновления весов в модели.
Метрика качества не влияет на обучение модели; она только предоставляет информацию о том, насколько хорошо модель работает на отдельных примерах или целых наборах данных.
🟠Применение
Функция потерь часто бывает дифференцируемой, чтобы ее можно было использовать в алгоритмах, основанных на градиентном спуске.
Метрика качества может быть не дифференцируемой и не всегда подходит для использования в качестве функции потерь. Например, точность или F1-мера имеют пороги решения и могут быть разрывными.
Ставь 👍 и забирай 📚 Базу знаний | 259 |
| 12 |  Kafka кажется сложной? Быстрый старт за один вебинар
Kafka кажется сложной и непонятной? Откладываете изучение, потому что не знаете, с чего начать, и боитесь утонуть в терминах?
Присоединяйтесь к открытому уроку Евгения Непомнящего и получите быстрый старт в Kafka.
📅 21 октября в 20:00. Разберём:
- Архитектуру Kafka: брокеры, топики, партиции, реплики.
- Producer и Consumer: как данные записываются и читаются.
- Инструменты для работы с Kafka.
- Базовое API для интеграции из Python/Java с примерами отправки и чтения сообщений.
Вы будете понимать принципы работы Kafka, научитесь настраивать топики, производителей и потребителей через CLI и использовать базовые API в своих приложениях.
✅ Запишитесь сейчас и освойте Kafka с нуля за один вебинар!
Узнать больше
#реклама 16+
otus.ru
О рекламодателе | 233 |
| 13 | 🤔 В чём смысл Information Value (IV)?
Это метрика, используемая для оценки предсказательной способности признака относительно целевой переменной.
1. Высокое значение IV говорит о сильной связи между признаком и целевой переменной.
2. Часто используется в кредитном скоринге для выбора наиболее значимых признаков.
3. Значения IV помогают определить, какие признаки следует включить в модель, а какие можно исключить.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 253 |
| 14 |  Встречай смартфон Honor — с выгодой для себя!
✅ Стильный дизайн
✅ Заряд надолго
✅ Качественные фото
✅ Быстрая и плавная работа
Выбирай свой Honor по привлекательной цене!
Купить
#реклама
market.yandex.ru
О рекламодателе | 210 |
| 15 | 🤔 Как работает регресс ?
Термин "регресс" в контексте статистики и машинного обучения относится к методам прогнозирования количественных значений (например, цен, температур, доходов, и т.д.) на основе данных. Основная цель — оценить взаимосвязи между зависимой переменной (что нужно предсказать) и одной или несколькими независимыми переменными (факторами, которые влияют на предсказание).
🚩Основные виды
🟠Линейная регрессия
Наиболее базовая и часто используемая модель регрессии, которая предполагает линейную зависимость между зависимой переменной и независимыми переменными. Модель описывается уравнением:
y = \beta_0 + \beta_1x_1 + \beta_2x_2 + \ldots + \beta_nx_n + \epsilon
где \( y \) — зависимая переменная, \( x_1, x_2, \ldots, x_n \) — независимые переменные, \( \beta_0, \beta_1, \ldots, \beta_n \) — коэффициенты модели, а \( \epsilon \) — случайная ошибка.
🟠Полиномиальная регрессия
Расширение линейной регрессии, которое позволяет моделировать нелинейные взаимосвязи путем введения степеней независимых переменных.
🟠Логистическая регрессия
Хотя это и называется "регрессией", это метод классификации, используемый для прогнозирования двоичных исходов (да/нет, 0/1). Модель предсказывает вероятность принадлежности к одному из классов.
🟠GРидж (Ridge) и Лассо (Lasso) регрессии
Варианты линейной регрессии с добавлением регуляризации (штрафа за большие значения коэффициентов), что помогает уменьшить переобучение и улучшить обобщающую способность модели.
🚩Как он работает
🟠Подготовка данных
Включает сбор, очистку и возможно трансформацию данных.
🟠Выбор модели
Основываясь на понимании данных и предварительном анализе, выбирается соответствующий тип регрессионной модели.
🟠Обучение модели
На этапе обучения алгоритм использует исторические данные для оценки параметров (коэффициентов) модели. Это обычно делается путем минимизации функции потерь, например, методом наименьших квадратов для линейной регрессии.
🟠Оценка модели
Проверка качества модели с помощью различных метрик, таких как среднеквадратичная ошибка (MSE), коэффициент детерминации \( R^2 \) и других.
🟠Использование модели для прогнозирования
После обучения и валидации модель можно использовать для предсказания новых данных.
Ставь 👍 и забирай 📚 Базу знаний | 254 |
| 16 |  +7sailust: декабрь в Андаманском море Таиланда
Пока в Москве слякоть, мы стоим на якоре у Пхи-Пхи и решаем, на какой остров идти завтра.
Катамаран, небольшая компания и неделя «сабая».
Маршрут и подробности на сайте.
*«сабай» — это тайское слово, которое означает душевный и физический комфорт, уют, расслабленность, легкость и гармонию
Узнать больше
#реклама
sailust.club
О рекламодателе | 224 |
| 17 | 🤔 Как решить задачу, где присутствует одновременно два target – один categorical, другой continuous?
Используются модели multi-output, которые обучаются на несколько целевых переменных, например, через отдельные выходные слои в нейросети.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 265 |
| 18 | 🤔 Как происходит детекция без anchor box-ов?
Обнаружение объектов без использования anchor box-ов достигается благодаря архитектурам сетей, таким как YOLOv3, CenterNet, или более современные модели как EfficientDet. В этих методах отсутствует необходимость в заранее определенных anchor box-ах, которые фиксируют потенциальные положения и размеры объектов.
🚩Объяснение
🟠Что такое anchor box-ы и зачем они нужны?
Anchor box-ы — это заранее определенные прямоугольные области, которые используются для предсказания объектов различных размеров и форм в изображении. Они помогают моделям предсказывать координаты объектов с большей точностью, задавая определенные рамки для поиска.
🟠Почему отказ от anchor box-ов?
Подбор оптимальных размеров и аспектных соотношений anchor box-ов требует значительных усилий и экспериментов. Методы без anchor box-ов могут быть более эффективными и точными, поскольку они не ограничены фиксированными рамками и могут адаптироваться к различным масштабам объектов более гибко.
🟠Методы детекции без anchor box-ов
YOLOv3 (You Only Look Once v3): YOLOv3 использует сетку, разбивающую изображение на ячейки, где каждая ячейка отвечает за предсказание объектов в этой области. Вместо фиксированных anchor box-ов, модель учится предсказывать размеры и координаты объектов непосредственно.
🟠CenterNet:
CenterNet использует подход, при котором центр каждого объекта определяется как пик в тепловой карте. Затем сеть предсказывает размеры и оффсеты от этого центра. Этот метод позволяет эффективно находить объекты различных размеров и форм.
🟠EfficientDet:
Включает в себя BiFPN (Bidirectional Feature Pyramid Network) для объединения характеристик с различных уровней сети. EfficientDet использует масштабируемую архитектуру, позволяющую адаптироваться к различным размерам объектов без необходимости в anchor box-ах.
import torch
import torchvision.transforms as transforms
from PIL import Image
from centernet import CenterNet
# Загрузка модели CenterNet
model = CenterNet(num_classes=80)
model.load_state_dict(torch.load('centernet_weights.pth'))
model.eval()
# Загрузка и предобработка изображения
image = Image.open('image.jpg')
transform = transforms.Compose([
transforms.Resize((512, 512)),
transforms.ToTensor(),
transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])
image = transform(image).unsqueeze(0)
# Предсказание объектов
with torch.no_grad():
outputs = model(image)
# Обработка результатов
# Преобразование тепловых карт и оффсетов в координаты объектов
boxes, scores, classes = model.decode(outputs)
# Вывод результатов
for box, score, class_id in zip(boxes, scores, classes):
print(f'Object: {class_id}, Score: {score}, Box: {box}')
Ставь 👍 и забирай 📚 Базу знаний | 286 |
| 19 | От гипотезы до сделки — в одной инфраструктуре
⚡ «Финам» собрал сервисы алготрейдера так, что выход одного становится входом следующего: AI-скринер находит кандидатов по 200+ метрикам, «машина времени» проверяет гипотезы, Spread Insight сторожит арбитражные спреды, Trade API доводит до исполнения.
• Бесплатные курсы, медиа и разборы кейсов
• Поддержка инженеров по каждому звену
• Конкурсы: сравните свой алгоритм с другими в равных условиях
✅ Запустите первую сквозную стратегию в одном контуре.
Информация не является индивидуальной инвестиционной рекомендацией и не гарантирует доходности. Инвестиции связаны с риском.
Перейти на сайт
Финансовые услуги оказывает: АО «Инвестиционная компания «ФИНАМ».
#реклама 16+
broker.finam.ru
О рекламодателе | 189 |
| 20 | 🤔 Что такое декоратор?
Это функция, модифицирующая или расширяющая поведение другой функции или метода, не изменяя их исходный код. Используется для добавления функциональности, например, логирования, проверки прав доступа или кэширования. Обозначается с помощью @decorator_name.
Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚 Базу знаний | 284 |
