Останні пости

Machine Learning World · репост

Как и обещал шерю код скрин шеринга для мака https://github.com/creotiv/mac-screen-share

Machine Learning World · репост

Я не прошу багато хто скільки може + лайк + комент + репост. Це не так багато, для того щоб зберегти чиєсь життя. https://uah.fund/donate

Machine Learning World · репост

Оплачувати їх лікування нічим. 8 важких тварин в клініці, через 2 дні потрібно оплатити рахунок. А платити нічим, ліки купити теж немає за що. Волонтерство просто вмирає, бачу це по іншим. Більшість просто не витримує і уходить. Тому що тягнути витрати в 1М грн щомісяця, і збирати третину безкінченно не вийде, рано чи піздно приїдуть люди у бобіку з автоматами і заберуть усе що мав. Бо гроші не беруться з повітря, а лікарні та аптеки безкоштовно не працюють, як і всі окрім волонтерів (бо ми їбаньки). Поки Єрмаки, Притули, Стерненки будували своє краще життя за чужий рахунок, я за всі 11 років волонтерства не взяв собі ні копійки, лише докладав свої. Якщо порахувати то ці роки волонтерства це декілька квартир в Києві, красивий порше чи інеос, дача за містом, можливо ще щось. Але все що маю наразі це однокімнатна з 14ма котами, і то може статися так що заберуть і її. І я не прошу вас полегшити моє життя, я прошу вас полегшити їх, бо окрім нас з вами в них більше нікого немає, і ніхто їм не допоможе.

Machine Learning World

Друзья, завтра нужно оплатить клинику для тяжело больных животных. нехватает ~70тис грн. Прошу вас помочь донатом, кто сколько может. https://uah.fund/donate

Machine Learning World

Ніколи не робіть подібну аналітику якщо хочете знайти роботу дата саєнтистом. Кому цікаво чому(якщо не зрозуміло) - задавайте питання в коментах https://lnkd.in/p/dm_FjZ6q

Machine Learning World

Winter Is Coming... Потрібно утеплюватися. Добре, що в мене 14 котів. Підписуйтесь на мої канали: https://www.youtube.com/@MiiDosvid https://t.me/devs_world https://t.me/fe8courses #жартипроандрія

Machine Learning World

В житті головне мати правильні пріоритети Підписуйтесь на мої канали: https://www.youtube.com/@MiiDosvid https://t.me/devs_world https://t.me/fe8courses #жартипроандрія

Machine Learning World

Сон важливий. Навіть коти вже зрозуміли, що я зламався. Підписуйтесь на мої канали: https://www.youtube.com/@MiiDosvid https://t.me/devs_world https://t.me/fe8courses #жартипроандрія

Machine Learning World

Крутая либа для перевода картинки в 3д https://github.com/neilsonnn/image-blaster

Machine Learning World

Нужно срочно 2300 на корм животным. кто может докинуть? https://send.monobank.ua/jar/9tbJNeWg6U

Machine Learning World

Я будую відмовостійкі системи. Коти тестують мене на відмову щодня. Підписуйтесь на мої канали: https://www.youtube.com/@MiiDosvid https://t.me/devs_world https://t.me/fe8courses #жартипроандрія

Machine Learning World · репост

Друзі, терміново треба ще 32тис грн інакше тварин викинуть з клініки на смерть. В нас немає чим оплатити рахунки Благаю вас https://send.monobank.ua/jar/9tbJNeWg6U

Machine Learning World · репост

В нас лише 2 дні щоб зібрати 270тис грн за їжу та лікарню для більш ніж 15 котиків в клініціта 200 в притулку. Зібрано лише 47тис. Друзі, дуже вас прошу допомагайте, я один просто зашиваюся робота, клініки, консалтинг, контент.. роблю що можу лише б заробити ще трошки на тварин, але цього не вистачає покривати мільйонні рахунки, я ж не тцкшник. Прошу не будьте осторонь, не для себе прошу, для оцих пухнастиків. https://uah.fund/donate якщо не можете задонатити - зробіть репост, пошерте в робочому чаті, заохочуйте друзів, розповідайте сусідам, пишіть коментаріпід постами.. Дуже дякую усім небайдужим, ви найкращі!

Machine Learning World

Продакт: "Це маленька фіча". Я: фотографія Оппенгеймера. Підпис: "Я бачив такі “маленькі фічі”." #жартипроандрія

Machine Learning World

Друзі, нам до кінця дня треба зібрати 12500грн на закупівлю ліків від ФІП. На рахунках нулі. Зібрано 700грн Від цих ліків залежить чи будуть котики завтра живі чи ні. Благаю вашої допомоги https://send.monobank.ua/jar/9tbJNeWg6U

Machine Learning World

Например, исходный кошелек может иметь 50 000 взаимодействий, а его MinHash signature - всего 128 чисел. Самое красивое начинается дальше. Если две MinHash signature совпали в 100 позициях из 128, то Jaccard similarity исходных множеств будет примерно 100 / 128 = 0.78. То есть мы не сравнивали десятки тысяч элементов. Мы сравнили 128 чисел и получили хорошую оценку того, насколько похожи два множества. Почему это работает? Для одной случайной hash-функции вероятность того, что минимальный hash двух множеств окажется одинаковым, равна их Jaccard similarity. Повторяя эксперимент много раз, мы получаем статистическую оценку. В blockchain это можно использовать для clustering адресов, поиска похожего поведения, анализа transaction patterns, группировки контрактов по множествам пользователей, обнаружения почти одинаковых datasets и предварительного отбора кандидатов для более дорогого анализа. Важно понимать: MinHash не отвечает на вопрос "одинаковые ли эти кошельки". Он дешево отвечает на другой вопрос: "какие пары вообще стоит сравнивать подробнее?" И это гораздо более полезная архитектурная роль. За пределами blockchain MinHash встречается практически везде, где объект можно представить множеством. Поиск дубликатов документов через наборы shingles. Similarity web pages. Recommendation systems. Поиск похожих пользователей. Deduplication больших data lakes. Анализ логов. Сравнение наборов features. Поиск почти одинаковых файлов или записей. А вместе с Locality Sensitive Hashing можно уйти еще дальше и не сравнивать каждую signature с каждой, а быстро находить только вероятно похожие объекты. Мне вообще нравится этот класс алгоритмов за одну важную инженерную идею. На больших данных правильный вопрос часто звучит не "как посчитать абсолютно точно?" А "какую минимальную информацию нужно сохранить, чтобы с высокой вероятностью принять правильное решение?" #заметкиархитектора

Machine Learning World

Есть алгоритмы, которые особенно хорошо показывают разницу между "посчитать точно" и "решить задачу правильно". MinHash - как раз такой случай. Представим блокчейн-систему, где у нас есть миллионы адресов, транзакций или наборов взаимодействий. Например, мы хотим быстро находить кошельки, которые работают с похожим набором контрактов, токенов или контрагентов. Самый прямой способ - взять два множества и посчитать Jaccard similarity: intersection / union. Если кошелек A взаимодействовал с 10 000 адресов, B - с 12 000, мы можем сравнить их множества напрямую. Для одной пары это не проблема. Для сотен миллионов пар начинается совершенно другая математика по CPU, памяти и времени. Вот здесь появляется MinHash. Идея почти смешно простая. Мы берем элементы множества, пропускаем их через несколько разных hash-функций и для каждой функции сохраняем только минимальное получившееся значение. Вместо огромного множества у нас остается маленькая подпись - signature.

Machine Learning World

Делаю в свободное время разные тулзы для себя которые экономят время. Сверху оригинал, снизу видео уже после обработки в Davinci Resolve. Всю обработку делает AI через кастомный MCP через мост в Davinci Resolve. Из плюшок которые есть уже сегодня: - Обработка цвета через генерацию LUT'ов - Нарезка (по звуку, по смене кадров, по тексту, по линии глаз) - Работа с камерой (создание разноплановых сцен, зум, движение) - Генерация текста с аудио и генерация субтитров - Работа со звуком (выравнивание, контроль громкости, удаление долгих пауз, улучшение качества голоса у убирание шумов) - Оптимизация через AI локальный для уменьшение сьедания токенов. - Работа с простыми эффектами Fusion В идеале хочу сделать комбайн который может делать качественные видео уровня крутого видеоредактора автоматом. Я конечно и сам это люблю, как и сьемку видео.. но увы времени нет вообще, а делать нужно много чего. А как вы используете ИИ для упрощения своей жизни?

Machine Learning World

Допустим, A видит только a1 и делает remove("x"). Она удаляет a1, но b1, созданный параллельно на B, остается. После merge: x -> {b1} То есть concurrent add побеждает remove. Это не случайность, а выбранная семантика. Для merge нам снова нужны свойства: merge(A, B) = merge(B, A) merge(merge(A, B), C) = merge(A, merge(B, C)) merge(A, A) = A Именно commutativity, associativity и idempotency позволяют доставлять обновления в любом порядке, повторять их и переживать network partition без coordinator. Интересная часть начинается с масштаба. Если один логический элемент добавляли N раз, у него потенциально может накопиться O(N) уникальных tag-ов. Значит, CRDT не отменяет стоимость согласования - он переносит ее из runtime coordination в metadata. И вот это важный архитектурный trade-off. Мы можем платить latency на каждой операции через lock, leader или consensus. А можем разрешить локальные изменения мгновенно, но платить памятью, metadata и сложностью garbage collection позже. CRDT полезны не потому, что "работают без конфликтов". Они полезны потому, что превращают конфликт из runtime-события в заранее определенную алгебру данных. #заметкиархитектора #история

Поки порожньо

Поки порожньо

Відкрити канал у Telegram

Хочете бачити більше?

Безкоштовно доступні 7 днів динаміки та 10 останніх постів. Історія за 3 місяці й за рік, уся реклама та вивантаження будуть у підписці.

Спробувати TelepostUA