独立人指南
@Dulirenorg · Post #791 · 10.07.2021 г., 07:36
https://eddyemma.com/blog/2021/06/10/low-end-apology-4-limits-of-earth/ #gis
Hashtags
TGTGInsighttelegram intelligenceLIVE / telegram public index
TGINSIGHT SIMILAR POSTS
Најди сличен содржај
Изворен канал @pythonotes · Post #32 · 7 фев.
Скорее всего уже слышали, что складывать строки через + это плохая практика. Падение производительности, и всё такое. Без лишних слов, давайте измерять: from timeit import timeit def t1(): # складываем 10 строк через + из переменной t = 'text' for _ in range(1000): s = t + t + t + t + t + t + t + t + t def t2(): # склеиваем список строк через метод join arr = ['text'] * 10 for _ in range(1000): s = ''.join(arr) def t3(): # складываем через + но не из переменной а непосредственно инлайн объекты for _ in range(1000): s = 'text' + 'text' + 'text' + ... # всего 10 раз Теперь каждую строку склейки запустим по 10М раз >>> timeit(t1, number=10000) 0.21951690399964718 >>> timeit(t2, number=10000) 1.4978306379998685 >>> timeit(t3, number=10000) 0.2213820789993406 Хм, а нам говорили что через "+" это плохо и медленно ))) 😁 Тут стоит учитывать, что речь идёт о склейке множества длинных строк. Давайте изменим условия: def t4(): t = 'text'*100 for _ in range(1000): s = t + t + t + t + t + t + t + t + t def t5(): arr = ['text'*100] * 10 for _ in range(1000): s = ''.join(arr) def t6(): for _ in range(1000): s = 'text'*100 + 'text'*100 + ... # всего 10 раз >>> timeit(t4, number=10000) 12.795130728000004 >>> timeit(t5, number=10000) 2.642637542999182 >>> timeit(t6, number=10000) 0.2184546610005782 Вот, уже другой разговор, сразу видна разница, в среднем в 6 раз. Но погодите, почему последний тест t6() по скорости такой же как и t3()? Ведь строки теперь в 100 раз длиннее! Это вопросы оптимизации кода, какие простые изменения ускоряют или замедляют выполнение программы. Мы столкнулись с примером обхода обращения к переменной. Например, именно так работает директива #define в С++, во время компиляции подставляя значение переменной вместо ссылки на неё. В Python это тоже работает, но часто ли вы сможете встретить такой способ работы со строками? К сожалению, способ почти только теоретический. В целом, тесты показали то, что мы хотели. Делаем выводы самостоятельно. Полный листинг 🌍 #tricks
Резултати
Пронајдени 46 слични објави
Пребарај: #gis
当前筛选 #gis清除筛选
独立人指南
@Dulirenorg · Post #594 · 04.02.2020 г., 16:28
#GIS🌞🌘✨🌏🗺 https://telegra.ph/Navigating-the-high-seas-02-04
Hashtags
AI для Всех
@nn_for_science · Post #1517 · 16.06.2023 г., 20:24
Выделение объектов на Лидаре с помощью ML LiDAR (Light identification, Detection and Ranging) - крутая штука. Это технология получения и обработки информации с помощью активных оптических систем (лазеров). Такой "лазерный дальнометр" для картирования объектов в 3Д и еще с координатами. Используется повсеместно в куче индустрий от беспилотных автомобилей до майнинга. Даже на айфонах есть (но не на моем 😢). На картинке, например, "лидарная" карта залива Линнхейвен в Вирджинии 🤩. Но я даже не про красивые картинки. Они же просто красивые, а пользы сами по себе приносят мало. Польза есть, если, например, из этих моделей, по сути точек с координатами, вытаскивать реальные объекты. То есть делать сегментацию 💡. Об этом и интересная статья на Медиуме: Introducing Segment-Lidar: Revolutionizing Unsupervised Instance Segmentation of Aerial LiDAR Data, которая рассказывает как применять крутейший алгоритм по выделению объектов SAM от компании Meta для выделения объектов на геопространственных данных, полученных с помощью Лидара (картинка 2). Статья, собственно, представляет собой пошаговую инструкцию, как это делать с помощью модуля в Питоне segment-lidar. 📖Medium 💻Github #GIS#ML
Earth&Climate Tech
@earth_climate_tech · Post #320 · 16.06.2023 г., 17:18
Выделение объектов на Лидаре с помощью ML LiDAR (Light identification, Detection and Ranging) - крутая штука. Это технология получения и обработки информации с помощью активных оптических систем (лазеров). Такой "лазерный дальнометр" для картирования объектов в 3Д и еще с координатами. Используется повсеместно в куче индустрий от беспилотных автомобилей до майнинга. Даже на айфонах есть (но не на моем 😢). На картинке, например, "лидарная" карта залива Линнхейвен в Вирджинии 🤩. Но я даже не про красивые картинки. Они же просто красивые, а пользы сами по себе приносят мало. Польза есть, если, например, из этих моделей, по сути точек с координатами, вытаскивать реальные объекты. То есть делать сегментацию 💡. Об этом и интересная статья на Медиуме: Introducing Segment-Lidar: Revolutionizing Unsupervised Instance Segmentation of Aerial LiDAR Data, которая рассказывает как применять крутейший алгоритм по выделению объектов SAM от компании Meta для выделения объектов на геопространственных данных, полученных с помощью Лидара (картинка 2). Статья, собственно, представляет собой пошаговую инструкцию, как это делать с помощью модуля в Питоне segment-lidar. 📖Medium 💻Github #GIS#ML
独立人指南
@Dulirenorg · Post #847 · 06.11.2021 г., 11:38
阅读自然迹象的艺术 :Author: [UK] Tristan Gooley :Year: 2014 :Pages: 402 :ISBN: 9781615192410 #gis#booklist
独立人指南
@Dulirenorg · Post #806 · 31.07.2021 г., 16:25
The essential wilderness navigator（野外导航指南） :Author: [US] David Seidman, Paul Cleveland :Year: 2001 :Pages: 175 :ISBN: 9780071361101 #booklist📚#gis
独立人指南
@Dulirenorg · Post #729 · 11.08.2020 г., 05:44
https://t.me/iyouport/7519 #gis#侦查
独立人指南
@Dulirenorg · Post #973 · 07.07.2023 г., 10:09
If Nature were to draw a map of the world, what would it look like? 世界生物地理区位图: https://www.oneearth.org/bioregions/ #gis#制图#环境问题
Data Science Jobs
@datasciencejobs · Post #2631 · 26.03.2025 г., 07:17
#вакансия#ML#datascience#computervision#fulltime#CV#GIS Вакансия: Computer Vision Engineer Компания: «ОЭЗ ППТ «Алабуга» Локация: Республика Татарстан, г. Елабуга Формат работы: Офис ЗП: от 375 000 ₽ Мы расширяем штат и ищем увлеченного инженера по компьютерному зрению для работы над инновационными проектами в сфере ГИС. Чем предстоит заниматься: - разработка и доработка моделей для детектирования и сопровождения объектов; - определение расстояния до объектов и ориентация в пространстве по видеоданным; - полный цикл разработки CV моделей: от постановки задачи до готового решения; - оптимизация и внедрение собственных моделей; - разработка внутренних инструментов для эксплуатации моделей; - интеграция CV в прикладные решения; - в перспективе координация Data Science команды. Требования к кандидату: - уверенные знания нейронных сетей (CNN, RNN, YOLO, семантическая сегментация); - опыт работы с Python и библиотеками для анализа данных (Pandas, NumPy, Scikit-learn, TensorFlow, PyTorch, Keras); - опыт работы с микрокомпьютерами (Raspberry Pi, Orange Pi) и NPU модулями; - умение работать с видеопотоками (RTSP, MJPEG); - умение анализировать задачи и данные, а также предлагать эффективные технические решения; - опыт в обработке изображений и анализе данных; - знание Docker и CI/CD (GitLab CI, Jenkins, Bamboo); - ответственность и нацеленность на результат. - опыт работы с камерами и 3D сканерами будет плюсом. Условия: - работа в крупной и стабильной компании – в структуре самой большой ОЭЗ в Европе; - стабильная, официальная и своевременная заработная плата (обсуждается по результатам собеседования); - график работы: 5/2 с 8:00 до 17:00; - транспорт до работы; - доступ к инфраструктуре мирового класса, включая современные офисы с необходимым для работы оборудованием и жилые комплексы; - гарантия профессионального роста и участие в уникальных и стратегических проектах. Если Вы ищете возможности для роста и готовы погрузиться в масштабные проекты, которые приносят реальную пользу, свяжитесь с нами! Контакты для связи:@anastasiya_alabuga
Data Science Jobs
@datasciencejobs · Post #2605 · 12.03.2025 г., 12:02
#вакансия#ML#datascience#computervision#fulltime#CV#GIS Вакансия: Computer Vision Engineer Компания: «ОЭЗ ППТ «Алабуга» Локация: Республика Татарстан, г. Елабуга Формат работы: Офис ЗП: от 375 000 ₽ Мы расширяем штат и ищем увлеченного инженера по компьютерному зрению для работы над инновационными проектами в сфере геоинформационных систем. Чем предстоит заниматься: - разработка и доработка моделей для детектирования и сопровождения объектов; - определение расстояния до объектов и ориентация в пространстве по видеоданным; - полный цикл разработки CV моделей: от постановки задачи до готового решения; - оптимизация и внедрение собственных моделей; - разработка внутренних инструментов для эксплуатации моделей; - интеграция CV в прикладные решения; - написание кода для обработки изображений с использованием Python, TensorFlow, PyTorch и др. - в перспективе координация Data Science команды. Требования к кандидату: - уверенные знания нейронных сетей (CNN, RNN, YOLO, семантическая сегментация); - опыт работы с Python и библиотеками для анализа данных (Pandas, NumPy, Scikit-learn, TensorFlow, PyTorch, Keras); - опыт работы с микрокомпьютерами (Raspberry Pi, Orange Pi) и NPU модулями; - умение работать с видеопотоками (RTSP, MJPEG); - умение анализировать задачи и данные, а также предлагать эффективные технические решения; - опыт в обработке изображений и анализе данных; - знание Docker и CI/CD (GitLab CI, Jenkins, Bamboo); - ответственность и нацеленность на результат. - опыт работы с камерами и 3D сканерами будет плюсом. Условия: - работа в крупной и стабильной компании – в структуре самой большой ОЭЗ в Европе; - стабильная, официальная и своевременная заработная плата (обсуждается по результатам собеседования); - график работы: 5/2 с 8:00 до 17:00; - транспорт до работы; - доступ к инфраструктуре мирового класса, включая современные офисы с необходимым для работы оборудованием и жилые комплексы; - гарантия профессионального роста и участие в уникальных и стратегических проектах. Если Вы ищете возможности для роста и готовы погрузиться в масштабные проекты, которые приносят реальную пользу, свяжитесь с нами! Контакты для связи:@anastasiya_alabuga
djangoproject
@djangoproject · Post #402 · 04.08.2017 г., 14:08
https://docs.djangoproject.com/en/1.11/ref/contrib/gis/ #GeoDjango intends to be a world-class #geographic#Web#framework. Its goal is to make it as easy as possible to build #GIS Web applications and harness the power of spatially enabled data.
Ассоциация участников рынка данных
@aurdata · Post #27 · 07.03.2019 г., 08:04
Маленький преданонс. В августе-ноябре 2018 года мы в Информационная культура и Ассоциация участников рынка данных, а конкретно я лично проводили обследование открытых интерфейсов государственных информсистем и иных информационных систем под госрегулированием на предмет раскрытия из них персональных данных пользователей. Только на основе общедоступной информации. Результаты не были публичными, их направили в Минсвязь, Роскомнадзор, Генпрокуратуру, что-то всё ещё в работе, а многое уже исправлено. Около половины найденного - это сведения из удостоверяющих центров, государственных и не очень. И как раз в их случае большая часть найденного уже исправлена, а остальные не исправят пока их явно не "пнешь" похоже. Лично я долго думал что делать с найденным. Можно ли делать общедоступными результаты этого исследования? Можно ли рассказывать о путях вылова раскрытия перс. данных в информационных системах. В итоге ту часть исследования которая касается удостоверяющих центров мы будем делать общедоступной. Это подробный анализ систем с конкретными путями воспроизведения и скриншотами по 17 УЦ в которых выявлена эта история (из примерно 50% существующих которые мы проверили). Сейчас есть развилка: 1. Сделать это в виде собственного доклада, после перепроверки и дополнения информацией о том что было исправлено в итоге после чего рассылать пресс-релиз. 2. Поделиться с одним из крупных федеральных изданий под то что у них будет 1-2 журналиста готовых проверить то что тогда было выявлено и что исправлено и написать об этом качественный материал сославшись на Инфокультуру и Ассоциацию. Может быть даже провести это исследование повторно охватив 100% УЦ. Если есть идеи и предложения как это лучше сделать - пишите мне на [email protected] #openness#investigations#gis#personaldata