TGINSIGHT SIMILAR POSTS
Изворен канал @pythonotes · Post #273 · 26 јул.
В стандартном модуле random есть две очень похожие функции random.randint() random.randrange() Обе возвращают случайное значение из указанного диапазона >>> random.randint(10, 20) 12 >>> random.randrange(10, 20) 17 В чем же отличие? Дело в том что у randrange() есть третий параметр step. randint() действительно возвращает случайное число из указанного диапазона. randrange() на первый взгляд делает тоже самое если передать также два параметра. Но есть указать еще и step то наш диапазон усложняется, то есть в него попадёт не полный ряд значений. Например, я хочу получить случайное значение из диапазона но только чётное число. Тогда достаточно сделать так: >>> randrange(10, 20, 2) 16 Таким образом получается что randint это частный случай randrange без указания параметра step. Еще одно важное отличие в том, что randint() включает в диапазон второе значение а randrange() нет. То есть выражение randrange(10, 20) никогда не вернёт 20, а randint(10, 20) вернёт. #tricks#basic
Пребарај: #mlflow
@repo_science · Post #3110 · 28.04.2023 г., 19:38
En este tutorial de Marcin Zabłocki, aprenda a implementar cualquier modelo #machinelearning (incluso con funciones personalizadas/preprocesamiento complejo) como una función remota #BigQuery para hacer posible la inferencia del modelo desde SQL. Implementar modelos #MLflow en BigQuery ➡️https://shts.me/C3OB5 ----- Canal principal:@repo_science Cupones: @freecoupons_reposcience -----
Hashtags
@datasciencejobs · Post #2872 · 15.08.2025 г., 16:18
#вакансия#ml#rl#python#numpy#pandas#pytorch#jax#mlflow#rllib О НАШЕМ ПРОЕКТЕ Мы работаем над системой управления доходами (RMS). Наши клиенты - российские авиакомпании. Приглашаем в команду Data scientist для разработки и обучения RL-агента для управления доходами авиаперевозчика на уровне рынка. Основной стек: Python, PyTorch/JAX, NumPy/Pandas, MLFlow/Weights & Biases, приветствуются RLlib/Acme/Stable-Baselines. 🧑💻Чем предстоит заниматься: 🖊постановка формальной задачи RL: определение пространств состояний/действий/вознаграждения, ограничений и KPI; 🖊разработка и валидация симулятора рыночной среды на основе исторических данных (реакции спроса, сезонность, шоки); 🖊исследование и внедрение алгоритмов RL/IL (value-based, policy-gradient, actor-critic, off-policy/offline RL); 🖊экспериментальный дизайн: off-policy оценка, А/В в симуляторе, подготовка к онлайн-экспериментам; 🖊инструменты качества: стабильность обучения, воспроизводимость, мониторинг метрик (reward, RM KPI, робастность к шокам); 🖊 взаимодействие с продуктом/инженерией: требования, передача моделей в прод, контроль деградаций. 🧑💻Что ожидаем: 🖊сильная подготовка в RL/оптимизации/статистике (магистр/кандидат или сопоставимый опыт); 🖊практике в PyTorch/JAX; опыт построения и отладки сложных обручающих циклов; 🖊 желателен опыт causal inference/ контрафактической оценки; 🖊будет плюсом: временные ряды, эконометрика спроса, ценовые эксперименты; 🖊умение формализовать задачу и защитимо сравнивать политики. 🧑💻Мы предлагаем: - СТАБИЛЬНОСТЬ: оформление и оклад в соответствии с ТК РФ (гпх, фриланс - невозможны); - БЕЗОПАСНОСТЬ: работа в аккредитованной IT-компании, отсрочка и т.д; - УДАЛЕННУЮ РАБОТУ: график работы 5/2 по МСК в интервале 09-18.00 -/+2 часа (гибкое начало рабочего дня с учетом планирования общих коммуникаций); - РАЗВИТИЕ: современный стек, наставничество в первый месяц работы, карьерный рост; - процессы без бюрократии, политика «открытых дверей» руководства. 📝 Ждём ваши резюме 89287653141, тг @MariP_rnd