TGINSIGHT SIMILAR POSTS
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
Пребарај: #timeseries
@amneumarkt · Post #584 · 06.06.2024 г., 05:06
#timeseries Ekambaram, Vijay, Arindam Jati, Pankaj Dayama, Sumanta Mukherjee, Nam H. Nguyen, Wesley M. Gifford, Chandra Reddy, and Jayant Kalagnanam. 2024. “Tiny Time Mixers (TTMs): Fast Pre-Trained Models for Enhanced Zero/Few-Shot Forecasting of Multivariate Time Series.” arXiv [Cs.LG]. arXiv. http://arxiv.org/abs/2401.03955.
Hashtags
@amneumarkt · Post #499 · 07.10.2023 г., 07:55
#timeseries Another work on pre-trained large models for time series. https://github.com/DAMO-DI-ML/NeurIPS2023-One-Fits-All
Hashtags
@amneumarkt · Post #480 · 23.05.2023 г., 07:36
#timeseries Finding a suitable forecasting metric to evaluate the forecasting models is often the key to a forecasting project. Right? We use metrics when developing models, we also use metrics to monitor models. There are a bunch of metrics people choose from or adapt from. To be faster when choosing and adapting metrics, I created a page on the properties of different metrics for time series forecasting problems. For reproducibility, I also included all the code used to write this page. https://dl.leima.is/time-series/timeseries-metrics.forecasting/
Hashtags
@amneumarkt · Post #498 · 16.08.2023 г., 09:18
#timeseries#ai https://lu.ma/timegpt And demo: https://github.com/Nixtla/nixtla
Hashtags
@repo_science · Post #3104 · 28.04.2023 г., 15:27
#Tableau#timeSeries 📊 Forecasting and Time Series Analysis in Tableau Use Tableau to work with time series, generate forecasts and even add R functionality to enhance Tableau. 🔗Link ----- Canal principal: @repo_science Cupones: @freecoupons_reposcience -----
Hashtags
@repo_science · Post #3793 · 11.12.2023 г., 01:13
#Python#timeSeries#aporte 🐍 Time Series forecasting with Python ----- Main channel: @repo_science Coupons: @freecoupons_reposcience -----
Hashtags
@repo_science · Post #3613 · 23.09.2023 г., 21:12
#aws#timeSeries 📚 Time Series Analysis on AWS (2023) 🔗Link ----- Main channel: @repo_science Coupons: @freecoupons_reposcience -----
Hashtags
@repo_science · Post #3999 · 22.01.2024 г., 11:01
#TimeSeries#Analysis#Python ⌚️ Forecasting Models and Time Series for Business in Python Time Series Analysis in Python. Demand Planning & Business Forecasting. Forecast with 6 Models: Prophet, ARIMA & More. ----- Main channel: @repo_science Coupons: @freecoupons_reposcience -----
Hashtags
@datasciencejobs · Post #2043 · 19.04.2024 г., 16:05
#вакансия#vacancy#job#timeseries #datasciense#remote Вакансия: Middle/ Senior Data Scientist Кадровое агентство: DevHunt ЗП: от 150.000 до 250.000 руб на руки Формат: удаленка Почему стоит выбрать именно эту позицию: - Удаленка с гибким началом рабочего дня - Свобода в принятии решений - Возможности для роста - Никакого тайм-трекинга - Неформальная атмосфера с минимальным числом бюрократии - Проекты не "в стол" - Плюшки IT-аккредитации - Годовые бонусы: х1, х1.5 - ДМС после испытательного срока Чек-лист идеального кандидата: - Опыт ML-разработки на Python от 3х лет - Опыт работы с Pandas, NumPy, SсiPy, scikit-learn, Keras/TensoFlow - Опыт работы с XGboost, LightGBM, Random Forest, линейными моделями, основными архитектурами нейронных сетей. Понимание механизмов их работы - Знание SQL на продвинутом уровне, опыт работы с реляционными СУБД (PostgreSQL, Oracle, MS SQL и пр.) Опыт работы с *nix системами - Навыки работы с Git и с Conda окружениями Будет плюсом: - Опыт разработки проектной документации в части подготовки разделов по предиктивному анализу - Опыт разработки архитектуры данных и структур баз данных - Знание и опыт работы с ETL/ELT инструментами Знание TimescaleDB, InfluxDB, AVEVA (OSIsoft) PI System - Понимание специфики работы IT-интегратора (outsource) - Опыт работы в нефтегазовой или смежной области Задачи: - Реализации проектов по предиктивной аналитике на промышленных предприятиях - Анализ и прогнозирование временных рядов - Анализ производственных процессов и выработка требований к сбору данных Выбор и обоснование моделей машинного обучения для решения бизнес-задач - Конструирование признаков для ML-моделей (feature engineering) Выбор и обоснование метрик для оценки моделей машинного обучения - Интерпретация результатов функционирования моделей машинного обучения - Разработка и автоматизация ML-пайплайнов Контакт:@barnes_recruiter
@repo_science · Post #3641 · 09.10.2023 г., 02:40
#Tableau #Forecasting#TimeSeries 📊 Forecasting and Time Series Analysis in Tableau Use Tableau to work with time series, generate forecasts and even add R functionality to enhance Tableau. ----- Main channel: @repo_science Coupons: @freecoupons_reposcience -----
Hashtags
@repo_science · Post #3615 · 24.09.2023 г., 21:40
#tableau#TimeSeries#Forecasting 📈 Forecasting and Time Series Analysis in Tableau Use Tableau to work with time series, generate forecasts and even add R functionality to enhance Tableau. ----- Main channel: @repo_science Coupons: @freecoupons_reposcience -----
Hashtags