Forwarded from Библиотека питониста | Python, Django, Flask
🐍➰ Создаем игру «Виселица» на Python. Часть 2. Графический интерфейс на PySimpleGUI
В первой части мы написали код для получения и обработки вводимых игроком данных, создали некоторые компоненты и текстовый пользовательский интерфейс (TUI). Во второй части реализуем логику игры «Виселица» и создадим графический интерфейс с помощью PySimpleGUI.
🔗 Читать статью
В первой части мы написали код для получения и обработки вводимых игроком данных, создали некоторые компоненты и текстовый пользовательский интерфейс (TUI). Во второй части реализуем логику игры «Виселица» и создадим графический интерфейс с помощью PySimpleGUI.
🔗 Читать статью
This media is not supported in your browser
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
😁5
😈 Даркнет: как устроен теневой рынок труда
Рассказываем, как устроен теневой рынок даркнета, каких ИТ-специалистов там ищут и какую зарплату предлагают.
🔗 Читать статью
🔗 Зеркало
Рассказываем, как устроен теневой рынок даркнета, каких ИТ-специалистов там ищут и какую зарплату предлагают.
🔗 Читать статью
🔗 Зеркало
Forwarded from Библиотека дата-сайентиста | Data Science, Machine learning, анализ данных, машинное обучение
👩💻 Построй MLOps прямо в браузере
MLOps — это набор практик для автоматизации и упрощения рабочих процессов и развёртывания моделей машинного обучения. Сайт MyMLOps позволяет собрать полноценный MLOps по шаблону. Предлагается набор инструментов(о каждом из них можно узнать подробнее, просто кликнув на название) .
🔗 Зайти поиграться можно по этой ссылке
MLOps — это набор практик для автоматизации и упрощения рабочих процессов и развёртывания моделей машинного обучения. Сайт MyMLOps позволяет собрать полноценный MLOps по шаблону. Предлагается набор инструментов
🔗 Зайти поиграться можно по этой ссылке
👍1
🐍 У нас есть еженедельная email-рассылка, посвященная последним открытиям и тенденциям в мире Python.
В ней:
● Новые возможности в последних версиях Python
● Работа с базами данных и SQL в Python
● Веб-разработка на Django и Flask
● Машинное обучение и анализ данных с помощью Python
● Автоматизация и работа с API на Python
● Тестирование и отладка кода на Python
● Задачи для новичков с решениями
👉Подписаться👈
В ней:
● Новые возможности в последних версиях Python
● Работа с базами данных и SQL в Python
● Веб-разработка на Django и Flask
● Машинное обучение и анализ данных с помощью Python
● Автоматизация и работа с API на Python
● Тестирование и отладка кода на Python
● Задачи для новичков с решениями
👉Подписаться👈
👍1
🐻❄️ Быстрее Pandas в 10 раз: Polars — высокопроизводительная библиотека для анализа больших данных на Python
Разработанная с нуля на языке Rust библиотека Polars объединяет в себе скорость, гибкость и богатый инструментарий для анализа больших данных на Питоне, что позволяет считать её достойной заменой популярной библиотеке Pandas.
👉 Читайте о Polars подробнее в нашей статье 👈
Разработанная с нуля на языке Rust библиотека Polars объединяет в себе скорость, гибкость и богатый инструментарий для анализа больших данных на Питоне, что позволяет считать её достойной заменой популярной библиотеке Pandas.
👉 Читайте о Polars подробнее в нашей статье 👈
👍3
🔄 GitOps Workflow: упрощенное визуальное руководство от ByteByteGo (Alex Xu)
Методология GitOps привнесла изменения в способы управления кодом и инфраструктурой, сделав Git центральным узлом для управления и автоматизации всего жизненного цикла приложений. Она основана на принципах контроля версий, совместной работы и CI/CD.
📌 Ключевые особенности:
☑️ Централизация кода, конфигураций и инфраструктуры в Git для контроля совместной работы
☑️ Декларативная система
☑️ Автоматизированная доставка кода
☑️ Неизменяемая инфраструктура
☑️ Observability и обратная связь
☑️ Безопасность и комплаенс
Методология GitOps привнесла изменения в способы управления кодом и инфраструктурой, сделав Git центральным узлом для управления и автоматизации всего жизненного цикла приложений. Она основана на принципах контроля версий, совместной работы и CI/CD.
📌 Ключевые особенности:
☑️ Централизация кода, конфигураций и инфраструктуры в Git для контроля совместной работы
☑️ Декларативная система
☑️ Автоматизированная доставка кода
☑️ Неизменяемая инфраструктура
☑️ Observability и обратная связь
☑️ Безопасность и комплаенс
❤1
Forwarded from Библиотека дата-сайентиста | Data Science, Machine learning, анализ данных, машинное обучение
При обучении нейросети используется градиентный спуск, метод нахождения локального минимума или максимума функции. В градиентном спуске нужно выбрать начальную точку для спуска, то есть начальные значения весов. Обычно эта точка выбирается случайно. Но от неё существенно зависит успех градиентного спуска. Поэтому веса нужно инициализировать наиболее удачным образом.
✔️Хорошее начальное приближение
Начальные значения весов должны быть далеко от плато
Иначе на первых итерациях градиентного спуска мы столкнёмся с затуханием градиента.
В целом, нужно вывести такое правило: «генерировать начальные значения весов с помощью случайных чисел из интервала [a, b]». И вот эти a и b следует найти.
❔Как это сделать?
Например, когда нам нужно сгенерировать веса между парой полносвязных слоёв и каждый слой состоит из n нейронов, то вполне можно было бы выбрать диапазон [-1/n; 1/n].
Если же в слоях разное число нейронов, то в вышеприведённом интервале n можно заменить на среднее арифметическое числа нейронов в соседних слоях.
❗️Выше было упрощённо описано правило Xavier. В оригинале веса генерируются не из такого простого интервала [-1/n; 1/n], а с помощью равномерного распределения с дисперсией 1/n. Но суть примерно такая же. Подробнее работу Xavier можно прочесть здесь.
Можно пользоваться готовой функцией из PyTorch:
conv1 = torch.nn.Conv2d(...)
torch.nn.init.xavier_uniform(conv1.weight)
Также в случае с инициализацией Xavier стоит помнить, что этот способ подходит для симметричных относительно нуля функций активации (например гиперболический тангенс).
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1
🐍🎸 Курс Django: Портфолио разработчика
Покажем, как сделать личный сайт с анимированным портфолио, сортировкой работ по категориям на фронтенде, контактной формой, резюме и отзывами работодателей.
👉 Читать новую статью
🔗 Зеркало
Предыдущие статьи курса:
Курс Django. Часть 1: Django — что это? Обзор и установка фреймворка, структура проекта
Курс Django: Веб-приложение на основе XLSX вместо базы данных
Курс Django. Часть 2: ORM и основы работы с базами данных
Покажем, как сделать личный сайт с анимированным портфолио, сортировкой работ по категориям на фронтенде, контактной формой, резюме и отзывами работодателей.
👉 Читать новую статью
🔗 Зеркало
Предыдущие статьи курса:
Курс Django. Часть 1: Django — что это? Обзор и установка фреймворка, структура проекта
Курс Django: Веб-приложение на основе XLSX вместо базы данных
Курс Django. Часть 2: ORM и основы работы с базами данных
👍1🔥1
Команда DevJobsScanner проанализировала около 500 тыс. фронтенд-вакансий за 14 месяцев. В качестве источников использовались Linkedin, Glassdoor, RemoteOk, Dice и многие другие.
📌 Что имеем по России: React (51%) ⏩ Angular (36%) ⏩ Vue (13%).
📌 В Бельгии, например, 60% занимает Vue.js и лишь 15% — React. А в Швейцарии Angular в 2 раза популярнее, чем React.
🤩 Остальные любопытные цифры и результаты исследования вакансий — под катом.
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
👍2
🥇 Спортивная мотивация и мотивация в IT, что общего?
Рассказываем, как использовать психологические инструменты из спорта, чтобы увеличить внутреннюю мотивацию и повысить продуктивность.
👉 Читать статью
👉 Зеркало
Рассказываем, как использовать психологические инструменты из спорта, чтобы увеличить внутреннюю мотивацию и повысить продуктивность.
👉 Читать статью
👉 Зеркало
📈 Основанная на данных из GitHub статистика включает все репозитории, созданные за последние 100 дней, с недавней активностью и более чем десятью ⭐️.
💬 Как думаете, с чем связана такая популярность Python? Наверное, с тем, что студенты и многие другие используют данный язык в качестве первого языка для обучения.
👉 Источник
Please open Telegram to view this post
VIEW IN TELEGRAM
👍3
💙 С днем любви!
В этот день проявить любовь поможет подарок, который действительно нужен.
🌿 Курсы Proglib academy – это не только знания, топовые преподаватели из МГУ, спикеры Яндекса, Revolut и Тинькофф, но и возможность начать карьеру программиста на международном рынке.
Заходи на сайт, выбирай любой курс и дари его любимому человеку.
⚡️ А по промокоду PA2024SALES15 ты получишь скидку 15% на все курсы до конца недели – https://proglib.io/w/37e301bf
В этот день проявить любовь поможет подарок, который действительно нужен.
Заходи на сайт, выбирай любой курс и дари его любимому человеку.
Please open Telegram to view this post
VIEW IN TELEGRAM
🤔2
🦾 Карта навыков ML-разработчиков
В январе Яндекс создал карту технических навыков, которые ML-разработчики регулярно используют в своей работе. Компания использовала для этого данные поиска и сайта Stack Overflow.
▶️ Размер навыка на карте соответствует числу посвящённых ему поисковых запросов. Чем ближе два навыка друг к другу, тем чаще они соседствуют с одними и теми же тегами в вопросах на Stack Overflow, то есть ближе контекст, в котором они применяются. Для оценки близости контекста рассчитали векторы совстречаемости каждого навыка со всеми остальными, затем нормализовали метрикой TF-IDF.
👉 Интерактивная карта находится по этой ссылке
В январе Яндекс создал карту технических навыков, которые ML-разработчики регулярно используют в своей работе. Компания использовала для этого данные поиска и сайта Stack Overflow.
▶️ Размер навыка на карте соответствует числу посвящённых ему поисковых запросов. Чем ближе два навыка друг к другу, тем чаще они соседствуют с одними и теми же тегами в вопросах на Stack Overflow, то есть ближе контекст, в котором они применяются. Для оценки близости контекста рассчитали векторы совстречаемости каждого навыка со всеми остальными, затем нормализовали метрикой TF-IDF.
👉 Интерактивная карта находится по этой ссылке
Мы готовы сгладить этот неловкий момент и подарить дополнительную скидку в 5% 🥰
Переходи и начинай учиться уже сегодня – https://proglib.io/w/247506a4
Please open Telegram to view this post
VIEW IN TELEGRAM
😁2
🎮👨💻 15 игр, которые научат программированию
А также помогут подготовиться к техническому собеседованию, развить алгоритмическое мышление и просто провести свободное время с пользой
👉 Читать статью
А также помогут подготовиться к техническому собеседованию, развить алгоритмическое мышление и просто провести свободное время с пользой
👉 Читать статью
❤3
Forwarded from Библиотека собеса по Data Science | вопросы с собеседований
Что произойдёт, если использовать LabelEncoder с линейным алгоритмом?
▶️ Начнём с того, что такое LabelEncoder.
Это один из самых простых способов закодировать категории. Допустим, у вас есть три категории: «Лондон», «Париж» и «Москва». Тогда вы просто заменяете эти строковые значения на 0, 1 и 2.
В документации scikit-learn написано, что LabelEncoder кодирует целевые метки значениями из диапазона от 0 до n_classes-1 (где n_classes — количество классов). То есть алгоритм предлагается использовать в основном для кодирования целевых меток. Технически его, конечно, можно применять для кодирования нецелевых признаков. Но тут могут возникнуть проблемы.
✍️ Сама суть LabelEncoder способствует созданию избыточных зависимостей в данных. Например, после преобразования получилось, что по некоторому признаку значение объекта Volvo равно 6, а BMW — 1. Можно интерпретировать это как то, что Volvo в 6 раз в чём-то превосходит BMW. Однако в исходных данных таких зависимостей не было.
При работе с категориальными переменными для линейных моделей можно, например, использовать One-Hot Encoding.
#машинное_обучение
▶️ Начнём с того, что такое LabelEncoder.
Это один из самых простых способов закодировать категории. Допустим, у вас есть три категории: «Лондон», «Париж» и «Москва». Тогда вы просто заменяете эти строковые значения на 0, 1 и 2.
В документации scikit-learn написано, что LabelEncoder кодирует целевые метки значениями из диапазона от 0 до n_classes-1 (где n_classes — количество классов). То есть алгоритм предлагается использовать в основном для кодирования целевых меток. Технически его, конечно, можно применять для кодирования нецелевых признаков. Но тут могут возникнуть проблемы.
✍️ Сама суть LabelEncoder способствует созданию избыточных зависимостей в данных. Например, после преобразования получилось, что по некоторому признаку значение объекта Volvo равно 6, а BMW — 1. Можно интерпретировать это как то, что Volvo в 6 раз в чём-то превосходит BMW. Однако в исходных данных таких зависимостей не было.
При работе с категориальными переменными для линейных моделей можно, например, использовать One-Hot Encoding.
#машинное_обучение
👍1