TGTGInsightтелеграм анализLIVE / telegram public index
← Такты, стеки, два колеса

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #28 · 24.05

Я очень долго не покупал робот-пылесос, несмотря на свою любовь к технологиям. Не шибко верил в эти штуки, да и жил в небольшой квартире с пушистым ковром. Но теперь у нас квартира побольше и почти без порогов, а ещё кот, от которого везде остаётся шерсть. К тому же, рынок неплохо развился за эти годы, индустрия набила шишек, так что я взял Roborock S5 Max. Робот-пылесос, пожалуй, одна из самых по-настоящему умных бытовых технологий нашего времени. Посудомойка и стиральная машина все ещё требуют много дополнительной работы руками, автоматическая глажка вообще ещё в адекватном виде не появилась, 3D принтер тот вообще хочет много внимания... А робот-пылесос — недаром там в названии «робот» — запустил и забыл. S5 Max довольно дорогая модель с лидаром и хорошей программной частью. Он и правда весьма умён, свободно ориентируется в квартире, грамотно строит маршрут и понимает, где находится. В моем случае проблема возникла лишь один раз — пылесос втянул кошачью игрушку, которая застряла во вращающейся щётке. Это, кстати, приучает к порядку: если всякие рюкзаки и тапки ещё могут валяться у стен там и тут, то мелочам на полу делать совершенно нечего — ваши ступни вам потом за это спасибо скажут. В остальном Roborock прекрасно объезжает ножки стульев, перекатывается через провода и заползает на всю глубину под диван и кровать (а это недоступно даже при чистке ручным пылесосом!). При первом запуске робот объезжает всё пространство, куда способен пролезть, и строит карту квартиры, на которой позже можно разметить комнаты, невидимые стены и другие зоны, а затем, по желанию, убирать точечно. Ещё прикольная фишка — детектор ковра: машина понимает, что движется по ворсу, и сама увеличивает мощность всасывания, а затем обратно уменьшает, когда попадает на обычный пол. Но насчёт самой уборки совсем чудес ожидать не стоит. Сильный ручной пылесос тянет лучше, а робот не избавлен от всех проблем своих предков: волосы наматываются на щётку, пылесборник нужно вытряхивать и мыть. Кстати, для волос прямо под крышкой небольшой нож-лезвие, очень практично: взял и обрезал. Я бы сказал так: человек уберёт лучше, но робота вы будете запускать существенно чаще, чем стали бы пылесосить сами. Особенно если квартира большая. 30-метровую студию я в своё время обходил с вертикальным пылесосом за 20 минут. Но квартиру втрое больше — нет уж, пусть машина старается. Из серьезных для меня недостатков я бы выделил три: • Моющий режим конкретно в моей модели — полная ерунда. Он едва протирает поверхность, так что я бы скорее назвал его увлажняющим режимом. Так что не особо нужен в корпусе и контейнер для воды, и пристегивающаяся на липучках тряпка-расходник. • Робот не умеет понимать, что пылесборник заполнен, и как-то предупреждать об этом. А пыли и грязи он находит много, даже если запускать каждый день. Вот бы сам в туалет ездил выбрасывать... • Машина умеет понимать, где ковёр. Но разработчики не догадались сделать функцию «почистить в этой комнате только ковёр». А было бы очень кстати. В остальном однозначно мастхэв, одно из самых полезных вложений денег за последние много лет. #gadgets

Hashtags

Резултати

Намерени 3 подобни публикации

Търсене: #keras

当前筛选 #keras清除筛选
Data Science Jobs

@datasciencejobs · Post #2167 · 20.06.2024 г., 16:05

#вакансия#ml#cv#nn#TensorFlow#PyTorch#Keras Возможность присоедениться к стартапу с инвестициями в самом начале! Описание вакансии Ищем ML / CV инженера для создания и обучений нейросетей. Мы создаем современную систему аналитики спортивных событий с использованием технологий AI и компьютерного зрения. У нас небольшая, но классная команда, нацеленная на прорывные результаты в нашей сфере деятельности. Обязанности - создание, обучение, тестирование и внедрение алгоритмов машинного обучения и компьютерного зрения; - работа с DL фреймворками, в частности YOLO; - построение пайплайнов от сбора данных до детекции событий; - оптимизация, файн-тюнинг для достижения требуемых метрик производительности; - исследование, изучение, применение новейших методик в области машинного обучения, компьютерного зрения и связанных с этим технологий детекции и трекинга. Требования - опыт в ML / CV с фокусом на DL моделях; - знание python / C++, знакомство с библиотеками TensorFlow / PyTorch / Keras и т.д.; - знание CI/CD (git, yaml, docker, terraform, ansible) - опыт работы с библиотеками OpenCV, YOLO, или похожими библиотеками определения объектов; - отличное знание математических принципов статистики, теории вероятностей, построения моделей и методов их обучения, контроль качества; - опыт работы с фото / видео источниками данных; - опыт применения моделей в условиях реального времени; - умение решать сложные задачи, возможность самостоятельно работать задачами; - будет отлично, если вам интересен спорт и спортивная тематика. Мы предлагаем: • Удаленный формат работы, при желании есть возможность работать из офиса • Официальное трудоустройство в штат компании по ТК РФ • Конкурентная и полностью белая заработная плата • Аккредитованная IT компания • Готовы предложить опцион Присылайте информацию о себе сюда

djangoproject

@djangoproject · Post #413 · 15.08.2017 г., 12:34

http://codeinpython.com/tutorials/deep-learning-tensorflow-keras-pytorch/?nonamp=1 Deep Learning #Tensorflow vs #Keras vs #PyTorch #Deep_learning is the application of artificial #neural_networks (ANNs) to learn tasks. These tasks contain more than one hidden layer. Deep learning is part of a broader family of #machine_learning. Machine learning itself is a part of #Artificial_Intelligence(#AI).

GitHub Trends

@githubtrending · Post #14863 · 24.06.2025 г., 13:30

#other#automl#chatgpt#data_analysis#data_science#data_visualization#data_visualizations#deep_learning#gpt#gpt_3#jax#keras#machine_learning#ml#nlp#python#pytorch#scikit_learn#tensorflow#transformer This is a comprehensive, regularly updated list of 920 top open-source Python machine learning libraries, organized into 34 categories like frameworks, data visualization, NLP, image processing, and more. Each project is ranked by quality using GitHub and package manager metrics, helping you find the best tools for your needs. Popular libraries like TensorFlow, PyTorch, scikit-learn, and Hugging Face transformers are included, along with specialized ones for time series, reinforcement learning, and model interpretability. This resource saves you time by guiding you to high-quality, actively maintained libraries for building, optimizing, and deploying machine learning models efficiently. https://github.com/ml-tooling/best-of-ml-python