TGINSIGHT SIMILAR POSTS
Изходен канал @clockstackwheels · Post #973 · 20.04
В C# есть модификатор доступа internal, который закрывает свойство или метод для всего, кроме текущей сборки (сборка это по сути группа пространств имён). И это чертовски удобно для построения правильной архитектуры по DDD — ты делаешь домен отдельной сборкой без внешних зависимостей, у сущностей закрываешь сеттеры и другие поля модификатором internal, а бизнес-правила с открытыми методами уже пишешь в агрегатах, которые содержат эти сущности. Агрегаты объявлены в той же сборке, так что они могут с сущностями делать что угодно, но слой приложения уже сможет вызвать только метод агрегата. Пример. Есть бизнес-процесс, который включает в себя две сущности: письмо и прикреплённый к нему документ. У каждой из этих сущностей разные жизненные циклы, но письмо можно отправить только в том случае, если статус документа "Согласован". Мы делаем агрегат "письмо с документом" и там public-метод отправки письма сначала проверяет статус документа, а потом вызывает internal-метод отправки в сущности письма. Снаружи (вне домена) вызвать сразу отправку письма невозможно. Но как эту задачу решают разработчики на других языках? Я совершенно не понимаю, как сделать хорошую архитектуру без internal. Окей, в некоторых языках вообще нет вменяемого ОПП и системы типов, но и к таким ребятам я бы не подходил с вопросами об энтерпрайз-архитектуре. Однако, многие серьёзные проекты пишутся на Java или, скажем, Go, что делают разработчики там? Может, кто-нибудь знает, и расскажет мне в комментариях? #dev
Hashtags
Търсене: #ml
@repo_science · Post #3688 · 03.11.2023 г., 12:00
#ML 😎 FREE RESOURCES TO LEARN MACHINE LEARNING Intro to ML by MIT Free Course Machine Learning for Everyone FREE BOOK ML Crash Course by Google Advanced Machine Learning with Python Github Practical Machine Learning Tools and Techniques Free Book Python Machine Learning for beginners ----- Main channel: @repo_science Coupons: @freecoupons_reposcience -----
Hashtags
@repo_science · Post #3447 · 17.07.2023 г., 15:14
#ML 🧠 Machine Learning Expert El aprendizaje automático es un vasto campo con muchos conceptos clave que conocer. Nuestro curso intensivo cubre todos los componentes básicos que necesita para sumergirse en el aprendizaje automático del mundo real. ✍️Ryan Doan | Ex-Amazon ML Infrastructure Engineer 🌐En 📆2022 🔗Link ----- Main channel:@repo_science Coupons:@freecoupons_reposcience -----
Hashtags
@amneumarkt · Post #687 · 18.07.2025 г., 06:24
#ml https://aryagxr.com/blogs/intro-to-nmc
Hashtags
@amneumarkt · Post #682 · 27.06.2025 г., 05:30
#ml Machine Learning Visualized — Machine Learning Visualized https://ml-visualized.com/?utm_source=substack&utm_medium=email
Hashtags
@amneumarkt · Post #617 · 25.08.2024 г., 14:03
#ml What’s Really Going On in Machine Learning? Some Minimal Models—Stephen Wolfram Writings https://writings.stephenwolfram.com/2024/08/whats-really-going-on-in-machine-learning-some-minimal-models/
Hashtags
@amneumarkt · Post #607 · 30.07.2024 г., 06:20
#ml Meta's second version of segment anything. https://github.com/facebookresearch/segment-anything-2 They have a nice demo: https://sam2.metademolab.com/
Hashtags
@amneumarkt · Post #596 · 07.07.2024 г., 20:53
#ml I was searching for a tool to visualize computational graphs and ran into this preprint. The hierarchical visualization idea is quite nice. https://arxiv.org/abs/2212.10774
Hashtags
@amneumarkt · Post #595 · 06.07.2024 г., 22:02
#ml Schmidhuber J. Deep Learning: Our Miraculous Year 1990-1991. In: arXiv.org [Internet]. 12 May 2020 [cited 7 Jul 2024]. Available: https://arxiv.org/abs/2005.05744
Hashtags
@amneumarkt · Post #575 · 09.05.2024 г., 19:51
#ml https://github.com/google-research/timesfm
Hashtags
@amneumarkt · Post #538 · 16.02.2024 г., 11:21
#ml Like a dictionary Kunc, Vladim’ir, and Jivr’i Kl’ema. 2024. “Three Decades of Activations: A Comprehensive Survey of 400 Activation Functions for Neural Networks.” arXiv [Cs.LG], February. http://arxiv.org/abs/2402.09092.
Hashtags
@amneumarkt · Post #532 · 09.02.2024 г., 05:35
#ml I got interested in satellite data last year and played with it a bit. It's fantastic. The spatiotemporal nature of it brings up a lot of interesting questions. Then I saw this paper today: Rolf, Esther, Konstantin Klemmer, Caleb Robinson, and Hannah Kerner. 2024. “Mission Critical -- Satellite Data Is a Distinct Modality in Machine Learning.” arXiv [Cs.LG], February. http://arxiv.org/abs/2402.01444.
Hashtags
@amneumarkt · Post #531 · 05.02.2024 г., 10:57
#ml Jelassi S, Brandfonbrener D, Kakade SM, Malach E. Repeat after me: Transformers are better than state space models at copying. arXiv [cs.LG]. 2024. Available: http://arxiv.org/abs/2402.01032 Not surprising at all when you have direct access to a long context. But hey, look at this title.
Hashtags