Подготовил для Apifornia статью с обзором мира NoCode-технологий

https://blog.apifornia.com/blog/mapping-the-nocode-landscape-2/

#nocode #review

В новой статье в английском блоге Apifornia рассказываю, что такое Airtable и почему эта табличная база данных так популярна. Сам использую с большим удовольствием.

https://blog.apifornia.com/blog/meet-airtable-cloud-database-in-a-spreadsheet-format/

#nocode #airtable

Коллекция API для самых различных задач:
https://github.com/public-apis/public-apis

#api

В новом тексте блога Apifornia рассмотрел, как можно использовать Airtable для построения CRM.

По сути детально описал шаблон из Airtable, показал, как его можно апгрейдить, какие есть плюсы и минусы.

https://blog.apifornia.com/blog/airtable-as-a-crm-is-it-good-enough/

#crm #airtable #nocode

How to choose the NoCode workflow platform

В новом посте в англоязычном блоге Apifornia описал, как выбрать Workflow-платформу для работы с NoCode-сервисами. Рассмотрел Zapier, Integrately, Make (быший Integromat), IFTTT и n8n. В конце сравнил в форме таблички стоимость и возможности каждого сервиса.

https://blog.apifornia.com/blog/how-to-choose-the-nocode-workflow-platform/

#nocode #workflow

A Brief History of NoCode Tools

Описал кратко историю NoCode в разрезе развития интернета и упрощения работы с компьютером:

https://apifornia.com/blog/brief-history-of-nocode/

#nocode #history

Тем, кто только начинает работать с Linux, бывает непросто привыкнуть к многообразию опций разных команд. Помню, как сам выполнял какие-то команды не особо понимая всего, что происходит — лишь бы сработало. Узнал о веб-инструменте, который подсвечивает назначение каждой составляющей в терминальной команде: https://explainshell.com/

На главной уже есть характерные примеры, которые можно потыкать и посмотреть, как это работает.

#linux #terminal #shell #explain

PyCaret представляет собой обертку на языке Python для нескольких библиотек и фреймворков машинного обучения, таких как scikit-learn, XGBoost, LightGBM, CatBoost, spaCy, Optuna, Hyperopt, Ray и некоторых других.

PyCaret — библиотека машинного обучения с открытым исходным кодом на языке Python, которая автоматизирует рабочие процессы машинного обучения. Это сквозной инструмент машинного обучения и управления моделями, который ускоряет цикл экспериментирования и делает нас более продуктивными.

Документация: https://pycaret.gitbook.io/docs/

#ml #data_science #links

Пятничное!✌️

🔥Подборка 10 интересных и бесплатных обучающих материалов по компьютерному зрению!🔥

👁 Computer Vision: Algorithms and Applications — библия обработки сигналов и компьютерного зрения от Richard Szeliski. Книга распространяется бесплатно!

👁 Digital image processing by Rafael C. Gonzalez — еще одна интересная книга по обработке изображений и классике.

👁 The Ancient Secrets of Computer Vision — курс от Joseph Redmon преимущественно по классическому зрению, в конце затрагивает нейронные сети. А еще у него забавное резюме.

👁 First Principles of Computer Vision — обучающий курс лекций от Shree Nayar. От классических алгоритмов компьютерного зрения и обработки изображний до глубокого обучения!

👁 CS231n: Deep Learning for Computer Vision — настоявшаяся классика, курс по глубокому обучению и компьютерному зрению. На youtube есть выпуски разных лет.

👁 Компьютерное зрение — отличный курс по классическому компьютерному зрению на youtube от Антона Конушина. Есть разные версии курса, даже от 2011 и 2015 года!

👁 OpenCV Tutorials — неплохие обучающие материалы на официальном сайте OpenCV. Также у них есть платные курсы.

👁 Курс от Deep Learning School — большая подборка лекций и семинаров от классического ML до глубокого обучения и компьютерного зрения от ребят из физтеха.

👁 Курсы лекций (часть 1, часть 2) на youtube от Алексея Артамонова. На канале Computer Science Center есть также другие обучающие материалы!

👁 Курсы лекций по глубокому обучению и компьютерному зрению от Евгения Разинкова на youtube.

#edu

Отличный туториал по генерации текста с помощью LLM на ACL 2023.

Внутри введение в языковые модели, взгляд на задачу с точки зрения теории информации, алгоритмы семплирования (т.е. генерации текста) с помощью языковых моделей. Так же есть ноутбуки с кодом от базового использования Huggingface для генерации до написания своего семплера. Наконец, дается много полезных ссылок на статьи и курсы.

По сути это мини-курс по NLP для тех, кто немного знаком с современными языковыми моделями.

https://rycolab.io/classes/acl-2023-tutorial/

Пара моих новых статей про AI-driven инструменты для разработки:

https://blog.apifornia.com/ai-driven-coding-tools/

https://blog.apifornia.com/ai-driven-helper-dev-tools-beyond-the-ide/

Для тех, у кого macOS — недавно обнаружил такой простой инструмент для установки и локального запуска Llama 2 моделей: https://ollama.ai

Всё сделано максимально просто: устанавливаем приложение, делаем pull любой модели и дальше в терминале run. При этом есть API, чтобы кидать запросы к локалхосту.

Аня Коган — СЕО OpenCV.AI и член совета директоров библиотеки OpenCV. Подкаст с Ваней Ямщиковым:

https://www.youtube.com/watch?v=EGAjGjGAp8c

Попробовал библиотеку Polars — рекомендую. Это как pandas, только быстрее на десятки процентов, а иногда на порядок (написана на Rust с API на Python)

https://pola.rs

#rust #pandas #python

Понравилась формулировка в книжке В. Хорикова «Принципы юнит-тестирования (для профессионалов)»:

Код — обязательство, а не актив (liability, not an asset). Чем больше кода вы пишете, тем больше вы оставляете возможностей для появления потенциальных ошибок и тем выше будут затраты на сопровождение проекта. Лучше всего писать проекты, используя минимальное количество кода.

Тесты — это тоже код. Их следует рассматривать как часть кодовой базы, предназначенную для решения конкретной проблемы: обеспечения правильности приложения. Юнит-тесты, как и любой другой код, также подвержены ошибкам и требуют сопровождения.

#тесты

Заметил, что давно не обновлял страничку с публикациями. С тех пор написал много всего по NoCode. Ссылки на статьи структурированно складываю здесь:

https://github.com/matyushkin/lessons

Выпустил большую статью об эволюции коллаборативных систем

https://blog.apifornia.com/collaboration-history/

Мои размышления по поводу того, что современный рычаг AI c доступом к вебу напоминает неявный приход к ожиданиям Тима Бернерса-Ли о Семантической паутине

https://blog.apifornia.com/augmented-collaboration-emerging-intellectual-synergy/

#collaboration

Anthropic выпустила Integrations, которая подразумевает работу не только с локальными, но и удалённым серверами.

https://www.anthropic.com/news/integrations