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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #621 · 31.10

У меня в друзьях есть классный автор — Владимир Бычко. Владимир — проект-менеджер, ведёт реально интересный standalone-блог об управлении проектами и не только. Например, последний пост с правилами жизни — не какая-то унылая несовместимая с реальностью псевдофилософия "а ля Дуров", а действительно полезные и правильные наблюдения. Владимир один из самых интересных авторов среди моих ВК-подписок, однако, читаю я его посты крайне редко, и здесь проявляются серьёзные недостатки standalone, о чём я сейчас расскажу. Вообще, сервис-ориентированный интернет если не умирает, то, как минимум, теряет своих сторонников. Многие айтишники, интеллектуалы, авторы текстов уже высказываются о необходимости слезать с иглы корпораций, эти самые корпорации дешевеют, люди в сети активно выстраивают модели децентрализованного "веб три ноль". Дополнением к этому идёт акцент на медиа против текстов: сервисы уже не особо скрывают, что текстовая часть для них второстепенна, а внимание брошено туда, где хайп и толпы — например, в вертикальные видео и короткоживущий контент. В России этот эффект особенно заметен, именно поэтому вместо какой-нибудь устойчивой текстовой площадки большинство взрослых вменяемых авторов пишут в Telegram. Который для этого подходит чуть лучше, чем плоскогубцы для отвинчивания гаек — можно, конечно, и все мы так делали за неимением альтернатив. На этой волне неоднократно слышал призывы "уходи в standalone". Сделай свой сайт с RSS-фидом, любым оформлением, пиши туда. Как автор блога, я и правда мог бы такое сделать и даже видеть немало плюсов. Но, как читатель, я до сих пор не подписан ни на один standalone-блог, даже если мне очень нравится контент. Проанализировал основные четыре проблемы стэндэлонов. 1. Люди всё равно приходят из соцсетей, но ссылки в соцсетях оформлены некрасиво, понижаются в охватах и требуют дополнительное действие со стороны человека. Последнее особенно важно: конверсия в прочтение критически низкая даже для встроенных редакторов лонгридов и даже при условии, что пользователю сообщение со ссылкой покажется (например Telegram > Telegraph). 2. RSS это не замена ленте сообщений. Нет удобного централизованного способа читать RSS в формате той площадки, которая тебе близка. Сам Владимир, например, ссылается на RSS-бота для Телеграма, который требует для своей работы быть подписанным на какой-то канал. Ну ладно, есть нормальные RSS-боты везде, но это всё опять же выглядит как лента с внешними ссылками, а не как лента сообщений в формате площадки. 3. У каждого стэндэлона свой дизайн. Если я впервые на странице нового для себя автора ВК или в Telegram, я тут всё знаю. Мне привычно и удобно. Я знаком с навигацией, я привык к шрифтам, я знаю, где лайки и комментарии. К каждому новому стэндэлону нужно привыкать и тратить когнитивные ресурсы на обучение. 4. Обсуждений нет, если нет комьюнити. Да, какой-нибудь Вастрик смог создать вокруг своего стэндэлон-блога комьюнити, за которое люди даже платят. Но это единичные примеры. Обсуждения в ЖЖ работали, потому что был социальный граф: люди знали топовых авторов и более менее знали друг друга. Обсуждения в соцсетях работают по той же причине, пока в них есть аудитория: часть людей связана социальным графом, другая часть может в этот граф заходить со стороны и чувствовать себя комфортно, кроме случаев токсичной атмосферы. Но если мы проанализируем, как ведут себя обсуждения там, где социального графа нет (например, на YouTube), то увидим просто всплески очень ограниченных локальных диалогов под каким-то особо популярным комментарием и всё. Комьюнити там нет за редкими исключениями. Интернету пока ещё точно рано standalone. Только авторы, уже собравшие огромную аудиторию через соцсети, могут себе такое позволить. И то, с оговорками. #web

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