JAMOAMIZGA OMAD!!!!

#резюме #fulltime #удаленка

Должность: junior(strong junior) C# .NET разработчик

ЗП вилка: от 800$

Навыки:
• .Net - C#.
• SQL - MS SQL Server, PostgreSQL.
• T-SQL.
• ORM - Entity Framework Core, Dapper.
• ASP.NET Core (REST API, Web API, MVC).
• NoSQL - MongoDB.
• Docker, Brevo, AWS.S3
• Git - GitHub - https://github.com/ErzhanKub

Более подробно можете ознакомиться по ссылке: https://hh.ru/resume/386feac2ff0ca095c90039ed1f365559646961

Контакты
Email - [email protected]
Telegram - https://t.iss.one/ErzhanKub

Erzhan Kubancbbekov (@ErzhanKub)

Unix-oilasida tengi yuq OnlyOffice.
MacOS Unix Linux Windows va hattoki mobile devicelarda ham ishlaydi.
Shunchaki bir sinab kuring.

https://kde.org/
Windowsdagi UI linux da yetishmayapti?
Shunchaki KDE Plazma ni urnating. Desktopiz UI i xuddi Windows kurinishda buladi.
https://help.ubuntu.com/community/InstallingKDE

KDE bu Linux oilasi uchun umumiy DESKTOP-Ish stoli.
GNOME dan voz kechamiz!!!

Ayni paytdagi bir nechi kompaniya tomonidan moliyalashtirib boriyotgan loyihamiz. ACCESS
Ikkinchi Evalyutsion bosqichi uz nihoyasiga yetdi.
Loyiha asosan xavfsiz biznes va kirish huquqiga qaratilgan (Bu Microsoft Acces emas)
AI+IOT yane qurilmalarni aqlli tarzda boshqarish.
Loyiha universal Parkovka Market va hattoki uzingiz uyingiz uchun Kirish huquqini boshqarish imkonini beradi.

Ayni paytda loyihani faqatgina koorparativ versiyasi mavjud.
Tak chto qolganlar bilan bulishamiz.

AI ortidan NVIDIA ga talab ortib bormoqda

Bu vedio AI yordamida generatsiya qilingan.
OpenAI o'zining yangi txt2vedio AI sini taqdim etdi.

CMake haqida eshitganmisiz?
Fikrlaringizni izohlarda qoldiring.

XALQARO TEXNOLOGIYA MUSOBAQASI TEKNOFEST 2024

120 dan ortiq davlatning yosh texnolog va innovatorlari ishtirok etadigan Xalqaro texnika va texnologiya musobaqasi TEKNOFEST 2024 uchun qabul 20-fevralgacha davom etadi.

Teknofestning 46 ta yo‘nalishidan birini tanlab o‘z jamoangizni tuzing va O‘zbekiston nomidan ishtirok eting.

Sizdan faqatgina loyihangizning asosiy g‘oyasini yozishingiz talab qilinadi.

Loyihangizni musobaqaning keyingi bosqichlarida T3 fondi tomonidan beriladigan moddiy yordam ko‘magida amalga oshirib finalda ishtirok eting.

Jami mukofot miqdori: 1 mln. AQSH dollari
Ishtirokchilarga jami moddiy yordam miqdori: 1.7 mln.  AQSH dollari

TEKNOFEST 2024 uchun o‘z g‘oyangiz bilan ishtirok eting, loyihalashtiring, amalda tatbiq eting va katta miqdordagi sovringa ega bo‘ling!!!

Ishtirok etish uchun ro‘yxatdan o‘ting

@teknofest_uz

C# dagi havola.
juda qiziq va galati chiqibdi.
Bu C# ga xotirani yaxshiroq boshqarish va ortiqcha copy larni
qisqartirish imkonini beradi.

C/C++ ayniqsa C memory unsafe hisoblanadi.
Shu hisobdan tezlik bu tillarda juda yuqori.
Shu bilan birga bu ham yaxshi tomon ham yomon.
GC bulishi bir tomondan juda yaxshi.
masalan Java Pythonda Go da yoki C# Rustda va boshqa tillarda xotirani avtomatik tozalash
tizimi mavjud. Bu Backend-Web uchun juda muhim
lekin Grafikada chi?
Oyna juda katta tezlik bilan rendering bulayotganda
GC musorga tuladi va shuning uchun bu dasturlash tilari orada bir qotib keyin
yana uz ishini davom etiradi.
yane GC to xotirani tozalamasa dastur uz ishini davom etirmaydi.
Lekin agar dasturchi bu muammoni uz buyniga ololsa u holda yaxshigina performancega
ega bulishi mumkin.

C dagi muammo C++ juda chiroyli yechimga ega.
Unda Smart Pointerlar mavjud.
Lekin shunday bulsada siz tomondan bitta qilingan xato
dastur yoki loyihani batamom buzishi mumkin.
Lekin bu 100 foizdan 0.5 foiz.
Chunki C++ urganuvchilarga eng birinchi qilib Logikani quyadi.
Sizni fikrlashga majbur qiladi. Boshqasiga siz shunchaki tilni uzlashtira olmaysiz.

Rust esa * kursatgichlardan umuman voz kechgan.
va yangicha turdagi move semantica
bilan bu muammoni tamoman yechgan.

Xullas Oq Uy nima disa shu 😄
https://www.whitehouse.gov/oncd/briefing-room/2024/02/26/press-release-technical-report/
Qonuniy tarzda bu tillardan voz keching deyapti bulmasa ....

PS: Menimcha oq uy C da yozilgan dasturlarni uqish va revers injenereng qilishda qiynalayapti.

Loyihangizga AI ni qushish bu siz uylaydigandek murakkab emas.
Pythonda bu shunchaki 5 qator kod.
ultralytics tomonidan R-CNN arxetekturali neyron tarmoqi aniqrogi YOLOV
oilasiga mansub Yolov8 bilan AI ni qushish juda oson.
Ishonmaysizmi?
unda sinab kuring.
shunchaki pip packet manageri bilan

pip install ultralytics

kutubxonasini urnating. (Linuxda pip3)

from ultralytics import YOLO

model = YOLO("yolov8s.pt")
ans = model.predict(source= 0, show = True, imgsz = 320, conf = 0.7)

va bu kodni ishga tushuring.

Siz roboflow saytida shunchaki oddiy bitta akkaunt tuzib
bu modellarni uzingizga albatta moslab olishiz mumkin.
Va rasmdagi istalgan predmet-obekt haqida tuliq malumot olishiz mumkin.
Albatta bu GPU siz nisbatan sekinroq ishlaydi.
Lekin uni ham yengib utadigan yullari juda ko'p!!!
|Algo Vision |

Agar AI ga malum bir cheklov quyilmasa u kelajakda qurol sifatida foydalanishi tabiy holat.
Rost va yolgon malumot urtasidagi farqni aniqlash juda qiyin buladi.
Oxirgi vaqtda revojlanayotgan LLM modellar uzlari urganish qobiliyatiga ega.
Bu shunchaki afsona emas bu haqiqat u xuddi inson kabi urganish qobiliyatiga ega.
bu degani ular mustaqil ravishda malumotni vediodan insondan urganib boradi.
AI qaysidir maqsadda tuzilsa u kelajakda umuman oldindan kutilmagan natijalar ham berilishi mumkin.

Rasm yoki freymdan malum predmet obekt ni joylashuvni olamiz.
Bu ham juda oson 5-6 qatorda bajariladi.

from ultralytics import YOLO

model = YOLO("yolov8s.pt")
ans = model.predict(source= ".../person.jpeg", show = True, imgsz = 320, conf = 0.7)
#yolov8s bir nechta turdagi obektlarni detection qila oladi
for obj in ans:
    box = obj.boxes
    print(box)

Agar natija olib kursak

cls: tensor([0., 0., 0., 0., 0., 0., 0.])
conf: tensor([0.8909, 0.8682, 0.8674, 0.8622, 0.8439, 0.8392, 0.7159])
data: tensor([[1.6254e+02, 2.2389e+01, 2.5266e+02, 1.6701e+02, 8.9091e-01, 0.0000e+00],
        [2.3503e+02, 3.1486e+01, 2.9971e+02, 1.6686e+02, 8.6820e-01, 0.0000e+00],
        [2.1997e+01, 5.3749e+01, 7.4538e+01, 1.6752e+02, 8.6741e-01, 0.0000e+00],
        [1.1284e+02, 3.2849e+01, 1.6784e+02, 1.6768e+02, 8.6221e-01, 0.0000e+00],
        [6.3885e+01, 4.3812e+01, 1.1679e+02, 1.6726e+02, 8.4389e-01, 0.0000e+00],
        [3.2759e-02, 5.2869e+00, 4.6813e+01, 1.6724e+02, 8.3916e-01, 0.0000e+00],
        [1.5617e+02, 1.0563e+01, 1.9749e+02, 9.0878e+01, 7.1594e-01, 0.0000e+00]])
id: None
is_track: False
orig_shape: (168, 300)
shape: torch.Size([7, 6])
xywh: tensor([[207.5979,  94.6973,  90.1146, 144.6161],
        [267.3671,  99.1744,  64.6808, 135.3771],
        [ 48.2676, 110.6329,  52.5402, 113.7673],
        [140.3382, 100.2657,  55.0010, 134.8336],
        [ 90.3380, 105.5342,  52.9057, 123.4454],
        [ 23.4231,  86.2625,  46.7806, 161.9512],
        [176.8280,  50.7202,  41.3200,  80.3153]])
xywhn: tensor([[0.6920, 0.5637, 0.3004, 0.8608],
        [0.8912, 0.5903, 0.2156, 0.8058],
        [0.1609, 0.6585, 0.1751, 0.6772],
        [0.4678, 0.5968, 0.1833, 0.8026],
        [0.3011, 0.6282, 0.1764, 0.7348],
        [0.0781, 0.5135, 0.1559, 0.9640],
        [0.5894, 0.3019, 0.1377, 0.4781]])
xyxy: tensor([[1.6254e+02, 2.2389e+01, 2.5266e+02, 1.6701e+02],
        [2.3503e+02, 3.1486e+01, 2.9971e+02, 1.6686e+02],
        [2.1997e+01, 5.3749e+01, 7.4538e+01, 1.6752e+02],
        [1.1284e+02, 3.2849e+01, 1.6784e+02, 1.6768e+02],
        [6.3885e+01, 4.3812e+01, 1.1679e+02, 1.6726e+02],
        [3.2759e-02, 5.2869e+00, 4.6813e+01, 1.6724e+02],
        [1.5617e+02, 1.0563e+01, 1.9749e+02, 9.0878e+01]])
xyxyn: tensor([[5.4180e-01, 1.3327e-01, 8.4218e-01, 9.9408e-01],
        [7.8342e-01, 1.8742e-01, 9.9902e-01, 9.9323e-01],
        [7.3325e-02, 3.1994e-01, 2.4846e-01, 9.9712e-01],
        [3.7613e-01, 1.9553e-01, 5.5946e-01, 9.9811e-01],
        [2.1295e-01, 2.6078e-01, 3.8930e-01, 9.9558e-01],
        [1.0920e-04, 3.1470e-02, 1.5604e-01, 9.9546e-01],
        [5.2056e-01, 6.2872e-02, 6.5829e-01, 5.4094e-01]])

Shunga uxshagan natija beradi.
Natija siz ishlatayotgan freymworkga bogliq (Pytorch, ....)
Demak birinchi listda sinf (0-bu odam umumiy sinflar

names: {0: 'person', 1: 'bicycle', 2: 'car', 3: 'motorcycle', 4: 'airplane', 5: 'bus', 6: 'train', 7: 'truck', 8: 'boat', 9: 'traffic light', 10: 'fire hydrant', 11: 'stop sign', 12: 'parking meter', 13: 'bench', 14: 'bird', 15: 'cat', 16: 'dog', 17: 'horse', 18: 'sheep', 19: 'cow', 20: 'elephant', 21: 'bear', 22: 'zebra', 23: 'giraffe', 24: 'backpack', 25: 'umbrella', 26: 'handbag', 27: 'tie', 28: 'suitcase', 29: 'frisbee', 30: 'skis', 31: 'snowboard', 32: 'sports ball', 33: 'kite', 34: 'baseball bat', 35: 'baseball glove', 36: 'skateboard', 37: 'surfboard', 38: 'tennis racket', 39: 'bottle', 40: 'wine glass', 41: 'cup', 42: 'fork', 43: 'knife', 44: 'spoon', 45: 'bowl', 46: 'banana', 47: 'apple', 48: 'sandwich', 49: 'orange', 50: 'broccoli', 51: 'carrot', 52: 'hot dog', 53: 'pizza', 54: 'donut', 55: 'cake', 56: 'chair', 57: 'couch', 58: 'potted plant', 59: 'bed', 60: 'dining table', 61: 'toilet', 62: 'tv', 63: 'laptop', 64: 'mouse', 65: 'remote', 66: 'keyboard', 67: 'cell phone', 68: 'microwave', 69: 'oven', 70: 'toaster', 71: 'sink', 72: 'refrigerator', 73: 'book', 74: 'clock', 75: 'vase', 76: 'scissors', 77: 'teddy bear', 78: 'hair drier', 79: 'toothbrush'}
)

keyin esa conf yane har bitta obektni aniqlash aniqligi ruyxati (rasmda bir nechta obekt buladi)
keyin esa bizga obekt joylashuvi xywh yane yuqori chap burchag koordinatasi va w-uzunlik h-balandlik beriladi.
bundan tashqari biz turtburchak asosida malumotni olishimiz mumkin yuqori chao va pastgi ong xyxy

Umumiy natija