TGINSIGHT SIMILAR POSTS
Изворен канал @pythonotes · Post #418 · 9 мар.
Оператор pipe позволяет писать более компактный код, реализуя логику объединения данных (Union). Важно помнить, что его поведение зависит от контекста. Побитовые операции (логическое OR) result = 5 | 3 # 5 (0101) | 3 (0011) = 7 (0111) Самое главное - не путать с оператором or, это другое! Объединение множеств set_a = {1, 2, 3} set_b = {3, 4, 5} set_c = set_a | set_b # {1, 2, 3, 4, 5} set_c |= {5, 6} # {1, 2, 3, 4, 5, 6} Слияние словарей dict_1 = {"a": 1, "b": 2} dict_2 = {"b": 3, "c": 4} merged = dict_1 | dict_2 # {'a': 1, 'b': 3, 'c': 4} merged |= {"d": 5} # {'a': 1, 'b': 3, 'c': 4, 'd': 5} Аннотации типов, заменяет Union def process_data(value: int | str) -> None: print(value) Допустимо использовать в isinstance или issubclass isinstance(3, int | float) # True Паттерн-матчинг status_code = 404 match status_code: case 200 | 201 | 204: print("OK") case 400 | 404 | 500: print("ERROR") Для использования в своих классах требуется переопределить метод __or__ Так же нашел библиотеку pipe которая добавляет еще много возможностей. Рекомендую ознакомиться ;) #basic
Hashtags
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