Найти похожее

Закинула на github файл с кодом (python) для анализа цвета видео👾 https://github.com/alsosha/video_color_analysis/blob/main/video_analysis.ipynb В прошлом году постила алгоритм и его описание тремя отдельными частями: 1. Подготовка данных 2. Анализ данных 3. Визуализация данных Пример применения кода — мой небольшой проект про цвета трилогии "Матрица". #python

Python细节 #python

#python

https://py.checkio.org/ Python编程训练 #python

🟣Пять минут про iOS и российские приложения с дополнительным функционалом для выявления VPN: Да, сворачивание приложения в iOS достаточно надежно замораживает его. Сначала в т. н. grace period (~5 сек) — приложение ещё работает, завершает текущие операции, а потом оно переходит в статус Suspended (аналог заморозки в Android) и вроде бы всё отлично. Можно запускать VPN? Можно, куда же деваться, но есть нюанс: Находящиеся в состоянии suspended приложение может невидимо для пользователя просыпаться. Наиболее неприятным и непредсказуемым пробуждением является поступающее push-уведомление (событие remote-notification), приложение получает примерно 30 секунд на обработку, за которые можно полностью проверить ваши VPN. Да, с одной стороны, при публикации приложения в Apple Store все события, по которым приложение должно быть активировано явным образом прописывается и лишние запросить не получится, но с другой-то стороны: куда вы денетесь от пробуждения на пуши и звонки (событие voip) у мессенджера или на те же пуши у банковских приложений? Куда денетесь от необходимости пробуждения тех же Яндекс-карт при изменении данных позиционирования (событие location)?🤷🏻 Никуда. Приложения при публикации декларируют эти требования, и Apple их принимает и прописывает в систему при установке. Это легитимные вещи, отключить их нельзя, не ухудшив работу приложений. Apple не имеет оснований их запретить программам — но ниоткуда не следует, что приложения не сделают в эти моменты ничего опасного для вас, того же активного зондирования (соединение с facebook или телеграм) на предмет выявления использования VPN. А они сделают, к гадалке не ходи. Мой вердикт: несмотря на некоторые архитектурные преимущества, устройства с iOS тоже уязвимы для активной проверки на VPN со стороны невидимых (свернутых в фон) приложений. Но в отличие от систем с Android, в iOS нет — и ихневозможно сделать — дополнительных заплаток для гарантированного непробуждения свернутых программ.☹️ #теория P.S. Так что кроме второго телефона для iOS абсолютно надежного решения нет, по чисто техническим причинам.🫤

#теория 1 судя по сниппету и посту кай сейчас живет и пишет новый альбом в Le Royal Monceau а если точнее по кадрам похоже на suite рей чарльза и prestige suite это легендарный 5 звездочный арт деко отель в центре Парижа 🍸 особенно интересно, как сильно на него сейчас влияет арт-деко искусство это видно по последней активности отдает 5к€ в Le Royal Monceau за ночь...

📕Словарь ИИ-2: разбираемся в терминах вместе с IBM Продолжаем погружаться в терминологию ИИ-индустрии. Сегодня разбираем главные понятия мира нейросетей вместе с Мартином Кином, главным изобретателем IBM. 1️⃣ИИ-агенты — системы, которые работают автономно для выполнения задачи, используя окружающую среду и инструменты. 2️⃣ LRM(Large Reasoning Models) — большие языковые модели, обученные рассуждать шаг за шагом перед ответом. 3️⃣Векторная база данных — хранит не «сырые» данные (текст, изображения), а эмбеддинги, длинные списки чисел, отражающие смысл слов, с которыми работают нейросети. 4️⃣RAG (Retrieval Augmented Generation) — метод, соединяющий векторные БД и LLM. Позволяет ИИ работать с актуальной информацией и не галлюцинировать. 5️⃣MCP(Model Context Protocol) — стандарт, позволяющий LLM работать с любыми приложениями. Подробнее про MCP мы рассказывализдесь. 6️⃣MoE(Mixture of Experts) — подход, при котором большая нейросеть делится на набор небольших «экспертов» для повышения эффективности. 7️⃣ASI(Artificial Superintelligence) — финальная, теоретическая стадия развития ИИ, который превзойдет человека по всем способностям. 📱 Подробное объяснение всех понятий от эксперта можно посмотретьна YouTube. ❓ А первую часть нашего «Словаря ИИ» ищите здесь. А вы знали эти термины? ❤️ — да, это база 🔥 — только некоторые 🦄 — нет, но теперь знаю! #теория@EDU4Telegrambot

🥸 Откуда у ИИ-моделей предрассудки? Оказалось, что обученные на тоннах человеческого контента ИИ-модели естественным образом впитывают из него предрассудки, стереотипы и шаблоны — и воспроизводят предубеждения в ответах. Так называемый AI Bias проявляется по-разному. Например, генератор картинок Stable Diffusion считает, что генеральные директора, политики и юристы, врачи и другие представители престижных профессий — белые мужчины. Если модель попросить нарисовать преступника, нейросеть значительно чаще выдаст изображение чернокожего мужчины. Кассиры в понимании ИИ — женщины, а все террористы — с бородой. Аналогичный эффект замечала и команда Midjourney, и создатели чат-ботов. Языковые модели, в свою очередь, значительно чаще предлагают женщинам более низкие зарплаты, чем мужчинам, при прочих равных. 🙈 С этим можно бороться? Универсального решения нет. Можно тщательнее фильтровать данные, но их сокращение негативно скажется на качестве. Можно генерировать данные искусственно, но есть риск, что в этом случае нейросети только глубже закрепят стереотипы. Другой подход, на этапе пост-тренировки компенсировать «перекосы» в данных наградой модели за «толерантные» ответы, но в этом случае появляется риск сделать нейросеть слишком снисходительной. При этом в самом крайнем случае через чур «усредненная» нейросеть может оказаться банально неинтересной как собеседник и ассистент, лишившись этой обратной стороны «человечности». А вы доверяете мнению нейросетей? ❤️ — да, ИИ объективен 🔥 — нет, ИИ все искажает 👀 — зависит от вопроса... #теория@EDU4Telegrambot

🟢Почему ИИ обучают на GPU? И как это обогатило Nvidia? Видеокарта (GPU) есть почти в каждом компьютере. Обычно мы думаем о ней в контексте игр или работы с 3D-графикой. Но в последние годы главная задача GPU не развлечения, а тренировка нейросетей. 🖥Почему ИИ обучают на GPU? Изначальная задача видеоадаптера — разгрузить центральный процессор. Пока CPU занимается сложными последовательными вычислениями, GPU параллельно выполняет тысячи простых операций для отрисовки графики. А тренировка ИИ — это, по сути, многократное перемножение гигантских матриц, триллионы простейших операций, которые нужно выполнять одновременно. Как раз то, для чего и были созданы видеокарты. 🖥Но почему именно Nvidia? Действительно, ведь GPU производят и AMD, и Intel, но их чипы не закупают сотнями тысяч для дата-центров? На самом деле, «игла», на которую Nvidia «подсадила» ИИ-компании — софт. Точнее — платформа CUDA (Compute Unified Device Architecture). CUDA — это набор инструкций, рассказывающий, как системе «общаться» с тысячами ядер видеокарты. Почти все главные инструменты для разработки нейросетей оптимизированы именно под CUDA, а работает эта платформа только с чипами от Nvidia. Так корпорация создала замкнутую и невероятно прибыльную экосистему. Ярче говорят цифры. За 2021 финансовый год выручка Nvidia от оборудования для дата-центров составила $6,7 млрд, а от геймерских видеокарт — $7,76 млрд. За 2025-й чипы для дата-центров принесли уже $115,2 млрд и теперь формируют почти 90% выручки корпорации. В итоге недавно Nvidia стала первой публичной компанией с капитализацией в $4 трлн. А вы знали, почему нейросети тренируют именно на GPU? ❤️ — да, это же основа 🔥 — нет, теперь знаю! 🦄 — надо было вкладываться в Nvidia... #теория@EDU4Telegrambot

📕Словарь ИИ: разбираемся в сложных терминах Погружаясь в тонкости и различия ИИ-моделей, процесс их тренировки и запуска, вы наверняка столкнетесь с непонятными терминами. Чтобы не теряться и понимать, чем вы пользуетесь, в понятиях стоит разобраться. На самом деле в этих сложных словах нет ничего страшного. 1️⃣Инференс (Inference) — это непосредственно процесс работы нейросети, когда она уже обучена и решает вашу задачу. Говоря об инференсе, обычно рассматривают скорость работы модели (в токенах в секунду), или задержку с момента отправки запроса до получения полного ответа. 2️⃣Квантование или квантизация (Quantization) — «сжатие» нейросети путем уменьшения точности вычислений «под капотом». Условно, числа начинают округляться не до четырех знаков после запятой, а до двух. Или вовсе вместо дробных чисел используют экономящие память целые. Это позволяет запускать модель на более слабом «железе» без сильных просадок в производительности. 3️⃣Дистилляция(Distillation) — передача знаний от большой и мощной нейросети-учителя к маленькому быстрому «ученику». Так получают компактные модели, которые могли не видеть все обучающие данные «учителя», но при этом перенимают его знания. Конечно, это далеко не все. Часто можно услышать про RAG, fine-tuning, эмбеддинг, bias и многие другие вещи — разберемся с ними позже. Делаем продолжение словаря? ❤️ — да, очень полезно! 🔥 — нет, сложновато 🦄 — лучше каждый термин отдельно #теория@EDU4Telegrambot

🖥 LoRA: Как легко и быстро дообучить нейросеть? LoRA(Low-Rank Adaptation) — это метод тонкой настройки (fine-tuning) моделей, позволяющий относительно быстро и с малыми ресурсами научить нейросеть лучше выполнять конкретные задачи. 🖥Как это работает? Вместо того, чтобы переобучать всю нейросеть с миллиардами параметров, LoRA добавляет к ее исходным весам дополнительные низкоранговые матрицы, которые «затачиваются» на целевых данных, не трогая оригинальные параметры. Так модель начинает лучше разбираться в какой-то области или осваивает новый стиль, при этом сама остается неизменной, а к ней добавляется только «LoRA-насадка» — адаптер. 🖥Примеры Часто LoRA-адаптеры создают для открытых генераторов картинок, вроде Flux или Stable Diffusion. Можно дотренировать модель до «виртуальной примерочной» или улучшить ее способность превращать фото в аниме. Некоторые модели «тюнят» для необычных задач. Например, превращать виды с Google Earth в реалистичные фотографии с высоты птичьего полета. Но подход отлично работает и с текстовыми моделями. Так, модель от французского стартапа Mistral с помощью LoRA научили лучше отвечать на русском. Нужно больше постов про fine-tuning? ❤️ — да, классная тема! 🔥 — нет, лучше про другое 🦄 — интересно, но непонятно... #теория@EDU4Telegrambot

🧠MCP — учим чат-ботов делать что угодно MCP или Model Context Protocol — это стандарт «общения» чат-ботов со сторонними сервисами от Anthropic. С помощью него можно научить ИИ использовать почти любое приложение. MCP часто называют «USB для нейросетей» — вместо того, чтобы каждый разработчик адаптировал свой сервис для множества моделей, придумали общий для всех формат перевода текстовых инструкций в действия на компьютере. 🖥Как пользоваться MCP? Сейчас самая удобная поддержка MCP в приложении Claude для ПК, Cursor и агенте Gemini CLI. Но разработчики активно внедряют MCP в свои сервисы — недавно протокол добавили в Perplexity для macOS. Найти нужные инструменты можно в базах данных сообщества вроде MCP Market или MCP Servers. Например, уже есть MCP, чтобы ИИ делал заметки в Notion, работал вChrome и Figma,создавал модели в Blender или пользовался поиском Brave. 🟨Это сложно? Не очень. Пока редко можно установить MCP-коннектор одним нажатием — обычно нужно ввести несколько команд в терминале и прописать инструкции в настройках чат-бота. Но создатели делают инструкции достаточно подробными, чтобы их мог понять даже не очень продвинутый пользователь. 🔴 А если у вас возникнут сложности, можно задать вопрос или попросить подробный гайд по установке MCP в @GPT4Telegrambot — все топ-модели для поиска в Интернете бесплатны. Нужна подборка самых крутых MCP-инструментов? ❤️ — да, интересно! 🔥 — нет, сложновато... #теория@EDU4Telegrambot