RabbitMQ

RabbitMQ — один из самых популярных брокеров сообщений с открытым исходным кодом. RabbitMQ используется во всем мире в небольших стартапах и крупных предприятиях. Благодаря данной статье ты узнаешь, как пользоваться RabbitMQ.

👉Читать статью

#статьи

Keras: Реализация сверточной нейронной сети

Благодаря данному видео ты узнаешь, как сделать сверточную нейронную сеть в пакете Keras для распознавания рукописных цифр. Рассматриваются слои: Conv2D, MaxPooling2D. Также в Keras имеются аналогичные слои Conv1D, Conv2D и Conv3D.

👀Смотреть видео

#видео

math.sqrt

Функция sqrt() возвращает квадратный корень из любого числа. Если число меньше нуля, данная функция не выполняется из-за ошибки времени выполнения. Если же вместо числа указывать другой тип данных, выдается ошибка TypeError.

#практика

Компиляция типизированного Python

Типы не являются железными гарантиями правильной компоновки данных. Если сменить компилируемый язык, производительность может улучшиться. В данной статье автор рассказывает про особенности компиляции типизированного Python.

👉Читать статью

#статьи

Решение задачи бинарной классификации

Делимся видео, где автор приводит пример решения задачи классификации (обучения модели) на два класса: божьих коровок и гусениц. Продемонстрирована реализация обучения на языке Python.

👀Смотреть видео

#видео

math.expm1

Метод math.expm1() возвращает Ex - 1. «E» — это основание естественной системы логарифмов (приблизительно 2,718282), а x — переданное ему число. Данный метод более точен, чем вызов math.exp().

#практика

Полнотекстовый поиск в PostgreSQL

Делимся статьей, где автор демонстрирует реализацию полнотекстового поиска в PostgreSQL с помощью SQLAlchemy. Также ты научишься подготавливать файл миграции для alembic.

👉Читать статью

#статьи

Нейросети: Примеры архитектур VGG-16 и VGG-19

Продолжаем делиться циклом видео, где автор рассказывает про нейросети. В этот раз ты познакомишься с архитектурой сверточных нейронных сетей VGG-16 и VGG-19. Ты научишься их реализовывать в пакете Keras на примере классификации изображений.

👀Смотреть видео

#видео #нейронные_сети

Функции потерь в задачах линейной бинарной классификации

Продолжаем делиться циклом видео про машинное обучение. В этот раз автор рассказывает про виды функций потерь в задачах бинарной классификации образов: кусочно-линейная, логарифмическая, квадратичная, сигмоидная, экспоненциальная. Приведен пример использования квадратической функции потерь.

👀Смотреть видео

#видео

dict.get

Метод get() возвращает значение для указанного ключа, если ключ находится в словаре. В результате может вернуться: значение для указанного ключа, если ключ находится в словаре; None, если ключ не найден и значение не указано; опциональное значение, если ключ не найден и опциональное значение указано.

#практика

Конвертер 3D-моделей

Делимся статьей, где автор рассказывает про создание конвертера 3D-моделей. Продемонстрированы различные методы конвертации, код плагина. Также ты узнаешь, почему методы не подходят и с чем не смогли справиться Blender и Unreal Engine.

👉Читать статью

#статьи

Нейросети: Теория стилизации изображений

Продолжаем делиться циклом видео, где автор рассказывает про нейросети. В этот раз ты научишься выполнять перенос стиля с одного изображения на другое. Ты узнаешь концепцию общего алгоритма, способ вычисления критерия качества для оценки контента и степени стилизации с помощью сверточной нейронной сети VGG19.

👀Смотреть видео

#видео #нейронные_сети

math.remainder

Метод math.remainder() Он возвращает остаток от операции деления, когда первое число делится на второе число. Тип возвращаемого значения — значение с плавающей запятой, что означает, что оно может быть и дробным. Делитель должен быть ненулевым числом, иначе возникнет ошибка ValueError.

#практика

Автоматический майнинг изображений

Делимся статьей, где автор рассказывает про автоматический майнинг изображений. Ты научишься автоматизировать поиск источников, а также проверку, является ли каждое изображение “хорошим”.

👉Читать статью

#статьи

Нейросети: Перенос стилей изображений

Продолжаем делиться циклом видео, где автор рассказывает про нейросети. В этот раз ты узнаешь, как выполнять стилизацию изображений (Neural Style Transfer), используя пакет Keras и Tensorflow 2.x

👀Смотреть видео

#видео #нейронные_сети

dict.update

Метод update() обновляет словарь элементами из другого объекта словаря или из итерации пар ключ/значение. Если update() вызывается без передачи параметров, словарь остается неизменным. Метод update() добавляет элемент(ы) в словарь, если ключ отсутствует в словаре. Если ключ находится в словаре, он обновляет ключ новым значением.

#практика

Нейросети: Раскраска изображений

Продолжаем делиться циклом видео, где автор рассказывает про нейросети. В этот раз ты узнаешь о принципах построения нейронных сетей для раскраски (colorization) черно-белых изображений (в градациях серого). Продемонстрированы примеры реализации.

👀Смотреть видео

#видео #нейронные_сети

Нейросеть с точки зрения математики

Нейронные сети, также известные как искусственные нейронные сети (ИНС) или смоделированные нейронные сети (СНС), представляют собой подмножество машинного обучения и лежат в основе алгоритмов глубокого обучения. Делимся статьей, где автор рассматривает нейронные сети с точки зрения математики и программного кода.

👉Читать статью

#статьи #нейронные_сети

math.isinf

Метод math.isinf() проверяет, является ли число бесконечным или нет. Этот метод возвращает True, если указанное число является положительной или отрицательной бесконечностью, в противном случае он возвращает False.

#практика

Байесовский вывод

Продолжаем делиться циклом видео про машинное обучение. В этот раз автор рассказывает про оптимальный байесовский классификатор, а также наивный байесовский классификатор. Приводится пример задачи классификации наивным байесовским классификатором.

👀Смотреть видео

#видео

Оптимизация Jupyter Notebook

Делимся статьей, где автор рассказывает о возможностях применения параллельных вычислений в интерактивной среде Jupyter Notebook. Параллелизм необходим, так как он ускоряет вычисления, а также позволяет эффективно обрабатывать большие объемы данных.

👉Читать статью

#статьи