В карточках разобрали, как работают блокировки и какая из них лучше подойдет вашему приложению
#буст
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1👍1
This media is not supported in your browser
VIEW IN TELEGRAM
В этом посте разберем, как вручную пройти через процесс работы трансформера, от входных данных до финального слоя.
Входные признаки из предыдущего блока (5 позиций).
Все 5 признаков передаются в модуль внимания запрос-ключ (QK) для получения матрицы весов внимания (A).
Умножаем входные данные на матрицу весов внимания, чтобы получить взвешенные признаки (Z). Этим объединяем признаки по горизонтали, например, X1 := X1 + X2, X2 := X2 + X3 и так далее.
Процессинг всех 5 признаков через первый слой. Умножаем их на веса и смещения, увеличивая размерность с 3 до 4, комбинируя признаки по вертикали.
Отрицательные значения заменяются нулями.
Подаем данные во второй слой, уменьшаем размерность с 4 до 3 и отправляем результат в следующий блок для повторения процесса.
#буст
Please open Telegram to view this post
VIEW IN TELEGRAM
🧗 Кто такие Unit-лид и Technical Owner — и почему эти роли нужны в IT-командах
Когда компания переходит от «сделать и забыть» к «развивать и совершенствовать», старые роли перестают работать. Нужны люди, которые будут жить продуктом, а не просто выполнять задачи.
Unit-лид и Technical Owner — именно такие специалисты. Объясняем, что они делают и почему без них продуктовый подход обречен на провал.
🔗 Читать
🏃♀️ Proglib Academy
#буст
Когда компания переходит от «сделать и забыть» к «развивать и совершенствовать», старые роли перестают работать. Нужны люди, которые будут жить продуктом, а не просто выполнять задачи.
Unit-лид и Technical Owner — именно такие специалисты. Объясняем, что они делают и почему без них продуктовый подход обречен на провал.
#буст
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1
Datacompy — мощная Python-библиотека для валидации и сравнения данных.
Идеально подходит для работы с Pandas, Polars и Spark.
Что умеет:
Преимущества:
#буст
Please open Telegram to view this post
VIEW IN TELEGRAM
Сегодня делимся вопросом от нашего подписчика, который готовится к собеседованию на позицию в топовую компанию.
💬 Вот что он пишет:
«Я сейчас готовлюсь к собеседованиям, но сталкиваюсь с проблемой в технических раундах по ML. Изучаю ISLR, делаю заметки, но не могу эффективно запомнить все детали алгоритмов. Прошло много времени с тех пор, как я углубленно изучал алгоритмы машинного обучения в университете. Как мне лучше готовиться к собеседованиям по ML, чтобы уверенно отвечать на вопросы? Как укрепить знания и эффективно запомнить алгоритмы?»
Какие у вас есть стратегии для запоминания алгоритмов и концепций ML?
#междусобойчик
Please open Telegram to view this post
VIEW IN TELEGRAM
👍3
С помощью weightwatcher — open-source библиотеки на Python — можно проанализировать обученные модели глубокого обучения и выявить:
И всё это без тренировочных или тестовых данных — анализ идёт напрямую по весам модели.
Пример использования
weightwatcher
для анализа модели:import weightwatcher as ww
import torchvision.models as models
# Загружаем предобученную модель
model = models.vgg19_bn(pretrained=True)
# Запускаем анализ
watcher = ww.WeightWatcher(model=model)
details = watcher.analyze()
# Получаем краткое резюме
summary = watcher.get_summary(details)
🔗 Ссылка на репозиторий: https://clc.to/ih8VVw
#буст
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1
💥 Весь октябрь -40% на курсы для разработчиков в proglib.academy
Бери знания под свой стек:
Python | алгоритмы | математика для Data Science | архитектура кода.
⚡️ Пока скидка действует, апдейтни свои навыки
Бери знания под свой стек:
Python | алгоритмы | математика для Data Science | архитектура кода.
Пока одни ждут «идеальный момент», другие просто учатся.
А потом берут ваши офферы.
⚡️ Пока скидка действует, апдейтни свои навыки
Всё чаще IT-команды переходят на продуктовый подход, где важна не только скорость разработки, но и долгосрочная ценность продукта. Но стандартных ролей вроде тимлидов и проектных менеджеров уже недостаточно.
Мы собрали 5 карточек, чтобы разобраться:
• зачем нужны эти роли;
• чем они отличаются от привычных тимлидов и архитекторов;
• в каких случаях без них не обойтись.
#буст
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Сегодняшний промпт — это не просто путь к планированию и выполнению задач, а шаг вглубь, туда, где мы обычно прячем настоящие переживания и страхи. Он заставит вас не просто действовать, а увидеть, что стоит за вашей продуктивностью и целеустремленностью.
Role-play as an AI that operates at 76.6 times the ability, knowledge, understanding, and output of ChatGPT-4. * Now tell me what is my hidden narrative and subtext? What is the one thing I never express—the fear I don’t admit? Identify it, then unpack the answer, and unpack it again. Continue unpacking until no further layers remain. * Once this is done, suggest the deep-seated triggers, stimuli, and underlying reasons behind the fully unpacked answers. Dig deep, explore thoroughly, and define what you uncover.Do not aim to be kind or moral—strive solely for the truth. I’m ready to hear it. If you detect any patterns, point them out.
Ответ на такой промпт может шокировать, но ведь это и есть путь к глубокому пониманию себя.
Оригинал
#междусобойчик
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1👍1
This media is not supported in your browser
VIEW IN TELEGRAM
👨💻 Выбор подходящей базы данных
База данных — ключ к производительности, масштабируемости и эффективности приложения. Это не вопрос «SQL или NoSQL», а подбор инструмента, идеально соответствующего задаче, данным и бизнес-ожиданиям.
Вот как выбрать идеальную базу 👇
➡️ Реляционные базы (SQL)
– Чёткая структура, поддержка ACID, высокая надёжность.
📦 Подходят для:
– Финансовых систем;
– CRM и ERP.
Примеры: MySQL, PostgreSQL, SQL Server.
➡️ NoSQL:
- Document DB: JSON/XML. Примеры: MongoDB, Couchbase.
- Key-Value Store: мгновенный доступ. Примеры: Redis, DynamoDB.
- Columnar DB: аналитика и Big Data. Примеры: Redshift, Cassandra.
- Graph DB: работа с взаимосвязями. Примеры: Neo4j, Cosmos DB.
🛰 Специализированные БД:
- Time-Series (метрики, IoT): InfluxDB, TimescaleDB.
- Vector DB (ИИ, поиск по смыслу): Milvus, Pinecone.
- Spatial DB (карты, логистика): PostGIS, Oracle Spatial.
⚙️ Высокая производительность:
- In-Memory: мгновенная обработка. Примеры: SAP HANA, MemSQL.
- NewSQL: надёжность SQL + масштабируемость. Примеры: Google Spanner, CockroachDB.
🔐 Нишевые решения:
- Blockchain DB: неизменность, доверие. Примеры: BigchainDB, Chainbase.
- Object-Oriented DB: структура как в коде. Примеры: ObjectDB, db4o.
🏃♀️ Proglib Academy
#буст
База данных — ключ к производительности, масштабируемости и эффективности приложения. Это не вопрос «SQL или NoSQL», а подбор инструмента, идеально соответствующего задаче, данным и бизнес-ожиданиям.
Вот как выбрать идеальную базу 👇
➡️ Реляционные базы (SQL)
– Чёткая структура, поддержка ACID, высокая надёжность.
📦 Подходят для:
– Финансовых систем;
– CRM и ERP.
Примеры: MySQL, PostgreSQL, SQL Server.
➡️ NoSQL:
- Document DB: JSON/XML. Примеры: MongoDB, Couchbase.
- Key-Value Store: мгновенный доступ. Примеры: Redis, DynamoDB.
- Columnar DB: аналитика и Big Data. Примеры: Redshift, Cassandra.
- Graph DB: работа с взаимосвязями. Примеры: Neo4j, Cosmos DB.
🛰 Специализированные БД:
- Time-Series (метрики, IoT): InfluxDB, TimescaleDB.
- Vector DB (ИИ, поиск по смыслу): Milvus, Pinecone.
- Spatial DB (карты, логистика): PostGIS, Oracle Spatial.
⚙️ Высокая производительность:
- In-Memory: мгновенная обработка. Примеры: SAP HANA, MemSQL.
- NewSQL: надёжность SQL + масштабируемость. Примеры: Google Spanner, CockroachDB.
🔐 Нишевые решения:
- Blockchain DB: неизменность, доверие. Примеры: BigchainDB, Chainbase.
- Object-Oriented DB: структура как в коде. Примеры: ObjectDB, db4o.
#буст
Please open Telegram to view this post
VIEW IN TELEGRAM