tgoop.com »
United States »
Библиотека дата-сайентиста | Data Science, Machine learning, анализ данных, машинное обучение » Telegram Web
🧑💻 Введение в векторные базы данных
Статья рассказывает о:
▪️отличиях векторных баз данных от традиционных;
▪️использовании Pinecone и OpenAI;
▪️ключевых возможностях векторных баз данных.
👉 Читать обо всём подробнее тут
Статья рассказывает о:
▪️отличиях векторных баз данных от традиционных;
▪️использовании Pinecone и OpenAI;
▪️ключевых возможностях векторных баз данных.
👉 Читать обо всём подробнее тут
👍2❤1
🤖 6 основных алгоритмов машинного обучения: руководство для начинающих
В статье рассказываем о шести основных алгоритмах машинного обучения и их практическом применении в различных отраслях.
Вот алгоритмы, которые мы рассматриваем:
🔹линейная регрессия;
🔹SVM;
🔹дерево решений;
🔹случайный лес;
🔹наивный байес;
🔹логистическая регрессия.
🔗 Читать статью
В статье рассказываем о шести основных алгоритмах машинного обучения и их практическом применении в различных отраслях.
Вот алгоритмы, которые мы рассматриваем:
🔹линейная регрессия;
🔹SVM;
🔹дерево решений;
🔹случайный лес;
🔹наивный байес;
🔹логистическая регрессия.
🔗 Читать статью
❤3🤩3
На каком языке вы пишете больше всего?
Anonymous Poll
76%
Python
2%
Go
3%
Java
1%
JavaScript
1%
TypeScript
2%
C/C++
4%
C#
1%
Swift/Kotlin
1%
PHP
9%
Другое
Какая у вас специализация в IT?
Anonymous Poll
12%
Backend
2%
Frontend
5%
Fullstack
1%
Mobile
3%
Desktop
1%
QA
1%
DevOps/Sysadmin
52%
Data Science
1%
Кибербезопасность
21%
Другое
Какой грейд у вас на работе?
Anonymous Poll
9%
Стажер
19%
Джуниор
26%
Миддл
14%
Сеньор
8%
Тимлид
4%
Архитектор
3%
СТО
17%
Я не айтишник
Какой контент вас больше привлекает в ТГ-каналах?
Anonymous Poll
25%
Полезные советы и лайфхаки
56%
Обучающие материалы
3%
Развлекательный контент
15%
Новости и аналитика
2%
Истории компаний
💬 А это вторая часть опроса. Ждём ваших ответов! 👇
Какой у вас коммерческий опыт работы в IT?
Anonymous Poll
20%
Нет опыта
15%
До 1 года
24%
1–3 года включительно
17%
3–6 лет включительно
24%
Более 6 лет
В какой компании вы работаете?
Anonymous Poll
13%
Стартап
31%
Средний бизнес
48%
Крупная корпорация
8%
Фриланс
Ваш доход в месяц после вычета налогов:
Anonymous Poll
18%
до 500$
7%
от 501$ до 800$
9%
от 801$ до 1100$
21%
от 1101$ до 2000$
17%
от 2001$ до 3000$
11%
от 3001$ до 4000$
5%
от 4001$ до 5000$
4%
от 5001$ до 6000$
7%
от 6001$
Forwarded from Библиотека программиста | программирование, кодинг, разработка
This media is not supported in your browser
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
⚒️ Cache-optimized matrix multiplication
Серия коротких видео, демонстрирующих методы повышения эффективности умножения матриц за счет оптимального использования кэш-памяти процессора.
Такие техники важны в высокопроизводительных вычислениях и приложениях, где операции с матрицами являются ключевыми.
👉 Источник
Серия коротких видео, демонстрирующих методы повышения эффективности умножения матриц за счет оптимального использования кэш-памяти процессора.
Такие техники важны в высокопроизводительных вычислениях и приложениях, где операции с матрицами являются ключевыми.
👉 Источник
❤6🤔3👍1🥰1
✍️ Как определить выбросы с помощью критерия Граббса?
Главное предположение критерия Граббса состоит в том, что выборка имеет нормальное распределение.
🔧 Алгоритм определения выбросов:
1️⃣ Возьмите данные и найдите самое удалённое значение.
2️⃣ Рассчитайте метрику отклонения.
Для этого нужно определить, насколько далеко это значение находится от среднего уровня остальных данных, учитывая их вариативность.
3️⃣ Сравните с критическим значением.
Критическое значение берётся из таблицы критерия Граббса (оно зависит от количества данных и уровня значимости). Если метрика превышает этот порог, значение считается выбросом.
#вопросы_с_собеседований
#вопросы_с_собеседований
👍7