Прикладное_машинное_обучение_и_искусственный_интеллект_для_инженеров.zip
56.3 MB
📗 Прикладное машинное обучение и искусственный интеллект для инженеров [2024] Джеф Просиз
📙 Applied Machine Learning and AI for Engineers Solve Business Problems That Can't Be Solved Algorithmically [2022] Jeff Prosise
Книга рассказывает о применении искусственного интеллекта и машинного обучения в бизнесе и инженерной практике. Подробно описаны популярные алгоритмы машинного обучения и разъяснено, когда их целесообразно использовать. Приведены примеры построения моделей машинного обучения на языке Python с помощью библиотеки Scikit-Learn, а также создания нейронных сетей посредством библиотек Keras и TensorFlow. Изложены базовые принципы и способы оценки регрессионных моделей, моделей бинарной и многоклассовой классификации. Показаны примеры создания модели распознавания лиц и обнаружения объектов, языковых моделей, отвечающих на естественно-языковые вопросы и переводящих текст на другие языки. Рассмотрено использование набора облачных API Cognitive Services для внедрения ИИ в различные приложения. #AI #ИИ #машинное_обучение #python #искусственный_интеллект #математика #computer_science
💡 Physics.Math.Code // @physics_lib
📙 Applied Machine Learning and AI for Engineers Solve Business Problems That Can't Be Solved Algorithmically [2022] Jeff Prosise
Книга рассказывает о применении искусственного интеллекта и машинного обучения в бизнесе и инженерной практике. Подробно описаны популярные алгоритмы машинного обучения и разъяснено, когда их целесообразно использовать. Приведены примеры построения моделей машинного обучения на языке Python с помощью библиотеки Scikit-Learn, а также создания нейронных сетей посредством библиотек Keras и TensorFlow. Изложены базовые принципы и способы оценки регрессионных моделей, моделей бинарной и многоклассовой классификации. Показаны примеры создания модели распознавания лиц и обнаружения объектов, языковых моделей, отвечающих на естественно-языковые вопросы и переводящих текст на другие языки. Рассмотрено использование набора облачных API Cognitive Services для внедрения ИИ в различные приложения. #AI #ИИ #машинное_обучение #python #искусственный_интеллект #математика #computer_science
💡 Physics.Math.Code // @physics_lib
👍42🔥18❤10⚡6💯4🥰2🗿1
Очевидно, что есть два способа, если исключаем одноканал: Способ 1 (4x8 ГБ) vs Способ 2 (2x16 ГБ). Однозначно лучше и эффективнее: Способ 2 — 2 планки по 16 ГБ. Вот почему это так, особенно для современных платформ (AMD AM5 и Intel LGA 1700/1851):
▪️ 1. Меньшая нагрузка на контроллер памяти (IMC). Контроллеру памяти внутри процессора значительно проще работать с двумя планками, чем с четырьмя. Это повышает стабильность системы, особенно при работе на высоких частотах с низкими таймингами.
▪️ 2. Более высокий шанс запуска на заявленной высокой частоте. Память DDR5 особенно чувствительна к количеству модулей. Сборка из 2 планок с большой вероятностью заработает на своей штатной частоте (например, 6000 МГц) с включенным EXPO/XMP. Сборка из 4 планок почти всегда потребует ручного понижения частоты (например, до 5200-5600 МГц) или увеличения таймингов для стабильной работы.
⚠️ Потеря в производительности от более низкой частоты часто перевешивает гипотетический выигрыш от четырёхканального доступа.
▪️ 3. Возможность будущего апгрейда. У вас останутся два свободных слота на материнской плате. Если вам вдруг позарез понадобится 64 ГБ (для монтажа, работы с AI и т.д.), вы просто докупите еще два модуля по 16 ГБ. В варианте с 4x8 ГБ апгрейд возможен только полной заменой всех планок на 4 новых.
▪️ 4. Совместимость и стабильность. Комплекты из двух планок протестированы производителем и гарантированно работают вместе. Сборка из четырёх планок — это всегда лотерея, даже если вы покупаете два одинаковых комплекта по 2x8 ГБ.
Краткий итог: Для 99% пользователей, особенно геймеров, конфигурация 2 модуля по 16 ГБ является золотым стандартом и оптимальным выбором.
Нужно ли 64 ГБ для игрового компьютера? На данный момент (2025 год) для чисто игрового компьютера 64 ГБ — это избыточно. И вот почему:
▪️ Подавляющее большинство игр комфортно себя чувствуют в рамках 16-32 ГБ оперативной памяти. Даже такие современные и требовательные тайтлы, как Cyberpunk 2077 с патчейми, Alan Wake 2, Star Citizen, могут потреблять до 20-24 ГБ ОЗУ, но это включает в себя и саму ОС, и фоновые приложения.
▪️ 32 ГБ — это идеальный и достаточный объем на ближайшие 2-3 года для любых игр с запасом. Вы полностью исключите любые подтормаживания, связанные с нехваткой ОЗУ, и сможете держать открытым браузер, дискорд и другие приложения во время игры.
▫️1. Параллельная работа с "тяжелыми" приложениями: Если вы одновременно с игрой занимается стримингом (через OBS Studio), монтажом видео, рендерингом или работаете с виртуальными машинами.
▫️2. Очень специфичные игры и моды: Некоторые симуляторы (например, Microsoft Flight Simulator 2024 с огромным количеством модов на высоких настройках) или моды для игр вроде Cities: Skylines II могут "съедать" гигантские объемы памяти.
▫️3. Работа с ИИ (AI): Локальное использование нейросетей (генерация изображений, работа с LLM-моделями) требует огромных объемов ОЗУ.
▫️4. Профессиональные задачи: Видеомонтаж в 4K/8K, работа с большими базами данных, 3D-моделирование сложных сцен.
Останавливайтесь на объеме 32 ГБ. Этого более чем достаточно для игр и многозадачности. Вкладывайте сэкономленный бюджет (от не покупки 64 ГБ) в более важные компоненты: например, в более мощную видеокарту или более быстрый накопитель. Это даст гораздо более заметный прирост производительности в играх. Если в будущем вы поймете, что 64 ГБ вам реально нужны, вы всегда сможете докупить второй идентичный комплект из 2x16 ГБ и получить в сумме 64 ГБ. Но будьте готовы к тому, что для стабильной работы системе, возможно, придется сбросить частоту памяти. #hardware #железо #техника #программирование #разработка #development #computer_science
💡 Physics.Math.Code // @physics_lib
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥59❤32👍22❤🔥6💯3🤔2🗿2⚡1👨💻1