TGINSIGHT SIMILAR POSTS
Изходен канал @clockstackwheels · Post #601 · 18.10
Лена у себя написала про беспомощную западную техноддержку. Я вам тоже о нескольких таких случаях из своей жизни рассказывал. Возможно, у вас ссылка не откроется, процитирую небольшой кусочек: «...современные автоматизированные поддержки, которые работают по алгоритму, задизайнены совсем не для таких людей, как я — кто инициирует синхронное взаимодействие с человеком только после того, как исчерпает ресурсы найти ответ на вопрос самостоятельно. При этом хорошо, если отвечает сразу человек — а теперь ведь нередко и робот, который в принципе никогда не может ответить на мой запрос, потому что ответы на простые вопросы я нахожу самостоятельно. И уж если я и обратилась в поддержку, то это всегда какой-то сложный вопрос или нестандартная ситуация, на который робот не ответит никогда. Но даже и с белковым агентом поддержки в последнее время все чаще натыкаешься на ситуацию, когда твоя проблема не вписывается в лекала частых вопросов и проблем и спустя десятки минут бесплодного общения <...> всё, что они делают, — это разводят руками: „Мы исчерпали наши возможности“. Более того, не эскалируют проблему тем, кто компетентен в ней разобраться и ее решить..» Это абсолютная правда, хотя в России я натыкался на такие вещи существенно реже. Либо вообще русские цифровые сервисы сделаны лучше, и приходится обращаться в саппорт меньше. Либо просто русский человек не так часто может изображать из себя идиота, даже если ему дан приказ работать по скрипту. Я задумался -- почему всё-таки поддержка у крупных компаний в основном именно такая? По крайней мере мой личный опыт весьма однозначен: за последний год было штук пять обращений в разные англоязычные сервисы, и четыре из них зависли на скрипте (не завис Гитхаб -- честно решил мою проблему). Видимо, бизнесу выгодно содержать такую поддержку и не выгодно содержать другую. Моя гипотеза: стоимость незаскриптованного человека достаточно велика, а количество не тупых обращений достаточно мало, чтобы не было смысла заморачиваться. Жаль, что в интерфейсах не делают галочки "Я не тупой". Компании могли бы содержать одного умного специалиста поддержки, он бы получал по одному сообщению в день от редких умных людей, которые действительно наткнулись на серьёзную проблему. А скрипто-обезьянки обрабатывали бы запросы, ответ на которые выпадает первой строчкой в гугле. Но, наверное, человечеству нужно идти ещё дальше и пускать в интернет людей только после сдачи экзамена по работе с интерфейсами. Да, знаю, компании и сами то не спешат сейчас делать вменяемый UI: например, была история о том, что для остановки платной подписки на Amazon нужно было сделать десяток очень неочевидных действий, нажимать на кнопки с непонятным содержимым мелким шрифтом, проматывать страницы до конца, ставить строго определённые галочки и так далее. Наказанием для таких компаний был бы отказ пользователей от их услуг, но в рамках капиталистических монополий у юзеров особо нет выбора. Возможно люди, которые когда-то сдавали сложный экзамен по UI, позже, работая в корпорациях, будут с меньшей охотой делать запарный и непонятный интерфейс. #web
Hashtags
Търсене: #matplotlib
@djangoproject · Post #127 · 31.08.2016 г., 15:27
http://scikit-learn.org/stable/ scikit-learn #Machine#Learning in Python Simple and efficient tools for data mining and data analysis Accessible to everybody, and reusable in various contexts Built on #NumPy, #SciPy, and #matplotlib Open source, commercially usable - BSD license
@djangoproject · Post #423 · 26.08.2017 г., 08:39
http://scitools.org.uk/iris/docs/latest/userguide/index.html Iris seeks to provide a powerful, easy to use, and community-driven Python library for analysing and visualising #meteorological and #oceanographic data sets. With Iris you can: Use a single #API to work on your data, irrespective of its original format. Read and write (CF-)netCDF, GRIB, and PP files. Easily produce graphs and maps via integration with #matplotlib and #cartopy.
@djangoproject · Post #424 · 26.08.2017 г., 08:43
http://scitools.org.uk/cartopy/docs/latest/index.html Cartopy is a Python package designed to make drawing maps for data analysis and visualisation as easy as possible. #Cartopy makes use of the powerful #PROJ.4, #numpy and #shapely libraries and has a simple and intuitive drawing interface to #matplotlib for creating publication quality maps. Some of the key features of cartopy are: object oriented projection definitions point, line, vector, polygon and image transformations between projections integration to expose advanced mapping in matplotlib with a simple and intuitive interface powerful vector data handling by integrating shapefile reading with Shapely capabilities
@djangoproject · Post #448 · 18.09.2017 г., 11:30
https://medium.com/@GalarnykMichael/logistic-regression-using-python-sklearn-numpy-mnist-handwriting-recognition-matplotlib-a6b31e2b166a Logistic Regression using Python (#Sklearn, #NumPy, #MNIST, Handwriting #Recognition, #Matplotlib) #machine_learning.
@djangoproject · Post #130 · 31.08.2016 г., 15:39
http://matplotlib.org/ #matplotlib is a python #2D#plotting library which produces publication quality figures in a variety of hardcopy formats and interactive environments across platforms. matplotlib can be used in #python scripts, the python and #ipython shell (ala MATLAB®* or Mathematica®†), web application servers, and six #graphical user interface toolkits. screenshots
@djangoproject · Post #507 · 26.11.2017 г., 22:08
http://devarea.com/machine-learning-with-python-introduction/#.Whs6iCehU8o #Machine_Learning With Python – Introduction #Numpy is package for multi dimension arrays – very effective implementation #Scipy – package for scientific programming , mathematics , signal processing and more #Pandas – package for data handling #Matplotlib – package for data visualization (graphs) #Seaborn – extend Matplotlib with statistical graphs #Scikits – many extensions to spicy for specific fields like x-ray, image processing , deep learning and many more
@djangoproject · Post #352 · 25.06.2017 г., 08:57
https://stxnext.com/blog/2017/04/12/most-popular-python-scientific-libraries/ The most popular Python scientific libraries: #Astropy #Biopython #Cubes #DEAP #SCOOP #PsychoPy #Pandas #Mlpy #matplotlib #NumPy #NetworkX #TomoPy #Theano #SymPy #SciPy #scikit_learn #scikit_image #ScientificPython #SageMath #Veusz #graph_tool #SunPy #Bokeh
@djangoproject · Post #513 · 30.11.2017 г., 22:00
#AI#Artificial_Intelligence #AJAX #aiohttp #Anaconda #AngularJS #API #Atom #AWS #asyncio (#Asynchronous) #audio #automated_testing #automation #atexit #BeeWare #Big_Data #bitcoin #blockchain #Bluemix #Brython #button #Celery #client #class #classmethod #concurrency #Coroutine #cron #CSS #curl #data_analysis #data_mining #data_processing #database #Deep_Learning#deep_learning #Debian #decorator #deploy #dict #dispatch #django #django_cms #Django_REST_Framework #dropdownbox #Docker #event #Firefox #Flask #form #functions #Generator #GeoDjango #git #Google #GPU #GUI #Gym #host #HTML #httplib #learn #Image_processing #intelligence #input #Instagram #IOT #iPython #Jupyter #lambda #learn #License #Linux #lists #machine_learning #Magenta #map #Matplotlib #Metaprogramming #Micro_services #Micropython #mind #monitoring #MongoDB #modules #Mozilla #Multipart #multi_touch_apps #multiprocessing #Nodes #NoSQL #numeric_computation #numerical #NumPy #network #neural_network #OAuth #object_serialization #OCR #overloading #package #parallel #pipeline #protocols #PostGIS #pyAudioAnalysis #pycon #Pyflakes #PyInstaller #PyPI #PyQt #PySide #PyTorch #pytest #python #Pyvideo_archives #Qt #Raspberry_Pi #React #Redis #random #request #Regular_Expressions (#re) #REST #RSS #satellite #scikit_learn #SciPy #scrapy #searching #selectbox #Selenium #serialization #server #sessions #single_responsibility_principle #socket #Spark #str #submit #task #telegram #template #TensorFlow #test #text_boxes #text #tuples #unicode #Universe #Unix #unit_test #urllib #upload #uWSGI #Web #WSGI
Hashtags