ИИ и Работа с ним | NOTA
#jupyter
Channel
22
subscribers
46
links
Ежедневный дайджест самых интересных статей про AI и машинное обучение.
По всем вопросам: @nota_admin
Что почитать сегодня – NOTA AI/ML Daily Digest.
1. Как сделать Stable Diffusion XL ещё умнее, используя отрицательные подсказки
Статья описывает нововведения в модели генерации изображений Stable Diffusion XL, включая использование отрицательных подсказок для улучшения качества генерации. Автор обсуждает методы оптимизации и приводит примеры работы с моделью через библиотеку Python и Hugging Face. Рассматриваются практические аспекты использования моделей улучшения и новые функции, такие как prompt weighting и Dreambooth LoRA, позволяющие настраивать модель под специфические задачи. Также автор делится своим опытом обучения модели и сравнивает результаты с применением отрицательных подсказок.
https://habr.com/ru/articles/756496
————————————————————
2. Learning To Learn
Статья объясняет понятие "учиться учиться" и его значение в процессе обучения программированию. Автор исследует такие концепции, как таксономия Блума и кривая забывания, а также их применение в обучении. Переходя через уровни таксономии, от запоминания до создания оригинальных работ, читатели узнают, как максимизировать свои учебные способности. Статья подчеркивает важность понимания, применения, анализа, оценки и создания в контексте программирования.
https://medium.com/@lrkhan/learning-to-learn-3323cdad62d1
————————————————————
3. Generating PDF Reports Programmatically in Python Using API Data
Статья рассказывает о создании программных PDF-отчетов на Python с использованием данных API. Автор делится опытом генерации финансовых справочников с помощью Capital Finder API и предоставляет руководство с примерами кода в Jupyter Notebook. Описан процесс, начиная с получения данных до визуализации отчетов, которые являются привлекательными и удобными для распространения среди клиентов. В статье содержатся советы по созданию отчетов и шаблон HTML для их форматирования.
https://medium.com/alliedoffsets/generating-pdf-reports-programmatically-in-python-using-api-data-9f4dfe2cad6a
————————————————————
Теги:
#image_ai #softskills #python #jupyter
1. Как сделать Stable Diffusion XL ещё умнее, используя отрицательные подсказки
Статья описывает нововведения в модели генерации изображений Stable Diffusion XL, включая использование отрицательных подсказок для улучшения качества генерации. Автор обсуждает методы оптимизации и приводит примеры работы с моделью через библиотеку Python и Hugging Face. Рассматриваются практические аспекты использования моделей улучшения и новые функции, такие как prompt weighting и Dreambooth LoRA, позволяющие настраивать модель под специфические задачи. Также автор делится своим опытом обучения модели и сравнивает результаты с применением отрицательных подсказок.
https://habr.com/ru/articles/756496
————————————————————
2. Learning To Learn
Статья объясняет понятие "учиться учиться" и его значение в процессе обучения программированию. Автор исследует такие концепции, как таксономия Блума и кривая забывания, а также их применение в обучении. Переходя через уровни таксономии, от запоминания до создания оригинальных работ, читатели узнают, как максимизировать свои учебные способности. Статья подчеркивает важность понимания, применения, анализа, оценки и создания в контексте программирования.
https://medium.com/@lrkhan/learning-to-learn-3323cdad62d1
————————————————————
3. Generating PDF Reports Programmatically in Python Using API Data
Статья рассказывает о создании программных PDF-отчетов на Python с использованием данных API. Автор делится опытом генерации финансовых справочников с помощью Capital Finder API и предоставляет руководство с примерами кода в Jupyter Notebook. Описан процесс, начиная с получения данных до визуализации отчетов, которые являются привлекательными и удобными для распространения среди клиентов. В статье содержатся советы по созданию отчетов и шаблон HTML для их форматирования.
https://medium.com/alliedoffsets/generating-pdf-reports-programmatically-in-python-using-api-data-9f4dfe2cad6a
————————————————————
Теги:
#image_ai #softskills #python #jupyter
Что почитать сегодня – NOTA AI/ML Daily Digest.
1. Когда параллелизм превосходит конкурентность
В статье обсуждается разница между параллелизмом и конкурентностью в программировании. Автор объясняет, что параллелизм подходит для задач, которые можно разделить на независимые части и выполнять одновременно, в то время как конкурентность решает одну задачу множеством процессов, требующих синхронизации. Приводится примеры из практики, плюсы и минусы каждого подхода, а также рекомендации, когда и какой подход более предпочтителен для оптимизации производительности.
https://medium.com/nuances-of-programming/%D0%BA%D0%BE%D0%B3%D0%B4%D0%B0-%D0%BF%D0%B0%D1%80%D0%B0%D0%BB%D0%BB%D0%B5%D0%BB%D0%B8%D0%B7%D0%BC-%D0%BF%D1%80%D0%B5%D0%B2%D0%BE%D1%81%D1%85%D0%BE%D0%B4%D0%B8%D1%82-%D0%BA%D0%BE%D0%BD%D0%BA%D1%83%D1%80%D0%B5%D0%BD%D1%82%D0%BD%D0%BE%D1%81%D1%82%D1%8C-c846c8f59897
————————————————————
2. LeetCode Problem 1757 Recyclable and Low Fat Products — LeetCode: 30 Days of Pandas
Эта статья является частью 30-дневного учебного плана по Pandas на LeetCode и рассматривает задачу 1757 "Recyclable and Low Fat Products". Автор предоставляет подробное решение задачи на языке Python с использованием библиотеки Pandas. Задача заключается в выявлении продуктов, которые одновременно относятся к категории низкожирных и подлежащих переработке. Решение включает фильтрацию данных и демонстрацию работы с DataFrame для получения необходимого результата.
https://medium.com/@robertsevan/leetcode-problem-title-leetcode-30-days-of-pandas-447c42fca341
————————————————————
3. Guide to R and Python in a Single Jupyter Notebook
Статья представляет собой руководство по использованию языков R и Python в одной Jupyter тетради, показывая, как можно использовать оба языка одновременно для анализа данных. Описывается, как импортировать функции и наборы данных из R в Jupyter Notebook на Python, позволяя выполнять линейную и полиномиальную регрессию, работать с моделями и визуализировать данные. Подробно рассматривается процесс взаимодействия между двумя языками, включая импорт функций, работы с массивами и представлением данных, а также получение и анализ результатов.
https://towardsdatascience.com/guide-to-r-and-python-in-a-single-jupyter-notebook-ff12532eb3ba
————————————————————
Теги:
#algorithms #python #rlang #jupyter
1. Когда параллелизм превосходит конкурентность
В статье обсуждается разница между параллелизмом и конкурентностью в программировании. Автор объясняет, что параллелизм подходит для задач, которые можно разделить на независимые части и выполнять одновременно, в то время как конкурентность решает одну задачу множеством процессов, требующих синхронизации. Приводится примеры из практики, плюсы и минусы каждого подхода, а также рекомендации, когда и какой подход более предпочтителен для оптимизации производительности.
https://medium.com/nuances-of-programming/%D0%BA%D0%BE%D0%B3%D0%B4%D0%B0-%D0%BF%D0%B0%D1%80%D0%B0%D0%BB%D0%BB%D0%B5%D0%BB%D0%B8%D0%B7%D0%BC-%D0%BF%D1%80%D0%B5%D0%B2%D0%BE%D1%81%D1%85%D0%BE%D0%B4%D0%B8%D1%82-%D0%BA%D0%BE%D0%BD%D0%BA%D1%83%D1%80%D0%B5%D0%BD%D1%82%D0%BD%D0%BE%D1%81%D1%82%D1%8C-c846c8f59897
————————————————————
2. LeetCode Problem 1757 Recyclable and Low Fat Products — LeetCode: 30 Days of Pandas
Эта статья является частью 30-дневного учебного плана по Pandas на LeetCode и рассматривает задачу 1757 "Recyclable and Low Fat Products". Автор предоставляет подробное решение задачи на языке Python с использованием библиотеки Pandas. Задача заключается в выявлении продуктов, которые одновременно относятся к категории низкожирных и подлежащих переработке. Решение включает фильтрацию данных и демонстрацию работы с DataFrame для получения необходимого результата.
https://medium.com/@robertsevan/leetcode-problem-title-leetcode-30-days-of-pandas-447c42fca341
————————————————————
3. Guide to R and Python in a Single Jupyter Notebook
Статья представляет собой руководство по использованию языков R и Python в одной Jupyter тетради, показывая, как можно использовать оба языка одновременно для анализа данных. Описывается, как импортировать функции и наборы данных из R в Jupyter Notebook на Python, позволяя выполнять линейную и полиномиальную регрессию, работать с моделями и визуализировать данные. Подробно рассматривается процесс взаимодействия между двумя языками, включая импорт функций, работы с массивами и представлением данных, а также получение и анализ результатов.
https://towardsdatascience.com/guide-to-r-and-python-in-a-single-jupyter-notebook-ff12532eb3ba
————————————————————
Теги:
#algorithms #python #rlang #jupyter
Что почитать сегодня – NOTA AI/ML Daily Digest.
1. CatBoost, XGBoost и выразительная способность решающих деревьев
Статья исследует алгоритмы машинного обучения CatBoost и XGBoost, основанные на решающих деревьях. Обсуждаются преимущества и особенности этих алгоритмов, включая упорядоченное target-кодирование, использование решающих таблиц и возможность работы с текстовыми признаками. Автор проводит собственное исследование и эксперименты, демонстрируя, что ансамбли деревьев ограниченной глубины не являются универсальными аппроксиматорами.
https://habr.com/ru/articles/645887
————————————————————
2. Powerful Machine Learning Resources: What Google Colab Is and How to Use It
Статья рассказывает о Google Colab, бесплатной облачной платформе для машинного обучения, работающей на основе Jupyter notebooks. Colab предлагает использование GPU для тяжелых вычислений и интеграцию с Google Drive. Автор объясняет, как начать работу с Colab и для каких проектов его можно использовать, включая обучение моделей на изображениях, текстах и звуках.
https://medium.com/imagescv/powerful-machine-learning-resources-what-google-colab-is-and-how-to-use-it-195399ae6b6d
————————————————————
3. How to choose a table index for your SQL database
Статья предназначена для начинающих и посвящена оптимизации SQL-запросов через правильный выбор индексов для таблиц базы данных. Автор объясняет, как индексы ускоряют операции чтения, записи и обновления, предлагает методы выбора подходящих столбцов для индексации, в том числе мультиколоночные индексы, и обсуждает важность уникальных ключей. Подчеркивается значимость тестирования производительности и компромисс между размером и оптимизацией.
https://medium.com/the-software-firehose/how-to-choose-a-table-index-for-your-sql-database-d47715a35f34
————————————————————
Теги:
#algorithms #jupyter #sql
1. CatBoost, XGBoost и выразительная способность решающих деревьев
Статья исследует алгоритмы машинного обучения CatBoost и XGBoost, основанные на решающих деревьях. Обсуждаются преимущества и особенности этих алгоритмов, включая упорядоченное target-кодирование, использование решающих таблиц и возможность работы с текстовыми признаками. Автор проводит собственное исследование и эксперименты, демонстрируя, что ансамбли деревьев ограниченной глубины не являются универсальными аппроксиматорами.
https://habr.com/ru/articles/645887
————————————————————
2. Powerful Machine Learning Resources: What Google Colab Is and How to Use It
Статья рассказывает о Google Colab, бесплатной облачной платформе для машинного обучения, работающей на основе Jupyter notebooks. Colab предлагает использование GPU для тяжелых вычислений и интеграцию с Google Drive. Автор объясняет, как начать работу с Colab и для каких проектов его можно использовать, включая обучение моделей на изображениях, текстах и звуках.
https://medium.com/imagescv/powerful-machine-learning-resources-what-google-colab-is-and-how-to-use-it-195399ae6b6d
————————————————————
3. How to choose a table index for your SQL database
Статья предназначена для начинающих и посвящена оптимизации SQL-запросов через правильный выбор индексов для таблиц базы данных. Автор объясняет, как индексы ускоряют операции чтения, записи и обновления, предлагает методы выбора подходящих столбцов для индексации, в том числе мультиколоночные индексы, и обсуждает важность уникальных ключей. Подчеркивается значимость тестирования производительности и компромисс между размером и оптимизацией.
https://medium.com/the-software-firehose/how-to-choose-a-table-index-for-your-sql-database-d47715a35f34
————————————————————
Теги:
#algorithms #jupyter #sql
Что почитать сегодня – NOTA AI/ML Daily Digest.
1. Встречаем ТВ Станции — новые устройства, которые объединяют технологии телевизоров и умных колонок
Статья посвящена новым устройствам Яндекса — ТВ Станциям и ТВ Станциям Про. Это телевизоры со встроенными голосовыми помощниками Алиса. Рассматриваются особенности дизайна, разработки алгоритмов распознавания речи, аппаратных и программных решений. Отмечаются преимущества совмещения функционала телевизора и умной колонки. Приводятся технические характеристики устройств.
https://habr.com/ru/articles/752984
————————————————————
2. Dockerize & Deploy your Machine Learning model
Статья посвящена использованию Docker для развёртывания обученных моделей машинного обучения. Рассматриваются основные преимущества Docker для этой цели - изоляция, портабельность, простота развёртывания. Приводится простой пример создания docker-образа с обученной нейросетью и её развёртывания.
https://medium.com/@sahilangra/dockerize-deploy-your-machine-learning-model-bc6c5b8da19f
————————————————————
3. Jupyter Notebook Refactoring Series — Part 1
Статья посвящена реструктуризации notebook-файлов в Jupyter Notebook для большей читабельности и поддерживаемости кода. Рассматриваются проблемы, возникающие при работе с большими монолитными файлами. Предлагаются различные приёмы разделения notebooks на независимые части и модули для улучшения организации кода.
https://itnext.io/jupyter-notebook-refactoring-series-part-1-adff1b44dfdb
————————————————————
Теги:
#devblog #nlp #devops #jupyter
1. Встречаем ТВ Станции — новые устройства, которые объединяют технологии телевизоров и умных колонок
Статья посвящена новым устройствам Яндекса — ТВ Станциям и ТВ Станциям Про. Это телевизоры со встроенными голосовыми помощниками Алиса. Рассматриваются особенности дизайна, разработки алгоритмов распознавания речи, аппаратных и программных решений. Отмечаются преимущества совмещения функционала телевизора и умной колонки. Приводятся технические характеристики устройств.
https://habr.com/ru/articles/752984
————————————————————
2. Dockerize & Deploy your Machine Learning model
Статья посвящена использованию Docker для развёртывания обученных моделей машинного обучения. Рассматриваются основные преимущества Docker для этой цели - изоляция, портабельность, простота развёртывания. Приводится простой пример создания docker-образа с обученной нейросетью и её развёртывания.
https://medium.com/@sahilangra/dockerize-deploy-your-machine-learning-model-bc6c5b8da19f
————————————————————
3. Jupyter Notebook Refactoring Series — Part 1
Статья посвящена реструктуризации notebook-файлов в Jupyter Notebook для большей читабельности и поддерживаемости кода. Рассматриваются проблемы, возникающие при работе с большими монолитными файлами. Предлагаются различные приёмы разделения notebooks на независимые части и модули для улучшения организации кода.
https://itnext.io/jupyter-notebook-refactoring-series-part-1-adff1b44dfdb
————————————————————
Теги:
#devblog #nlp #devops #jupyter
Добро пожаловать на канал ИИ и Работа с ним | NOTA!
Здесь мы ежедневно публикуем подборки статей, в которых эксперты и энтузиасты IT-индустрии делятся своими знаниями, опытом и историями с реальных проектов.
Этот канал посвящен искусственному интеллекту и машинному обучению, а если вас интересуют и другие направления, подписывайтесь на наши каналы:
Про Frontend каждый день | NOTA
Про Backend каждый день | NOTA
По любым вопросам можно писать сюда: @nota_admin
Теги для навигации:
Языки - #python #rlang #cplusplus #csharp
Направления - #data #algorithms #image_ai #nlp
Инструменты - #tensorflow #pandas #hadoop #jupyter #gpt #sql
Смежные темы - #devops #architecture #mobile
Другое - #devblog #career #softskills
Здесь мы ежедневно публикуем подборки статей, в которых эксперты и энтузиасты IT-индустрии делятся своими знаниями, опытом и историями с реальных проектов.
Этот канал посвящен искусственному интеллекту и машинному обучению, а если вас интересуют и другие направления, подписывайтесь на наши каналы:
Про Frontend каждый день | NOTA
Про Backend каждый день | NOTA
По любым вопросам можно писать сюда: @nota_admin
Теги для навигации:
Языки - #python #rlang #cplusplus #csharp
Направления - #data #algorithms #image_ai #nlp
Инструменты - #tensorflow #pandas #hadoop #jupyter #gpt #sql
Смежные темы - #devops #architecture #mobile
Другое - #devblog #career #softskills