Астрофизики Кремниевой долины, занимающиеся количественной оценкой моды
Исследователи космоса отворачиваются от небес, чтобы помочь вам решить, что надеть, что смотреть и что слушать. Но и данные по звёздам, и данные магазина Stitch Fix обрабатываются с использованием машинного обучения.
Stitch Fix – одна из компаний, использующих физику, чтобы лучше понять все проблемы стиля своих клиентов
Крис Муди не понаслышке знаком со Вселенной. Как астрофизик он делал симуляции галактик, моделировал на суперкомпьютерах расширение Вселенной и столкновения галактик. Однажды вечером, вскоре после защиты докторской в Калифорнийском университете в Санта-Круз, он встретился с группой других астрофизиков за кружечкой пива. Но в тот вечер никто из них не говорил о галактиках. Они говорили о моде.
🔗 Астрофизики Кремниевой долины, занимающиеся количественной оценкой моды
Исследователи космоса отворачиваются от небес, чтобы помочь вам решить, что надеть, что смотреть и что слушать. Но и данные по звёздам, и данные магазина Stitch...
Исследователи космоса отворачиваются от небес, чтобы помочь вам решить, что надеть, что смотреть и что слушать. Но и данные по звёздам, и данные магазина Stitch Fix обрабатываются с использованием машинного обучения.
Stitch Fix – одна из компаний, использующих физику, чтобы лучше понять все проблемы стиля своих клиентов
Крис Муди не понаслышке знаком со Вселенной. Как астрофизик он делал симуляции галактик, моделировал на суперкомпьютерах расширение Вселенной и столкновения галактик. Однажды вечером, вскоре после защиты докторской в Калифорнийском университете в Санта-Круз, он встретился с группой других астрофизиков за кружечкой пива. Но в тот вечер никто из них не говорил о галактиках. Они говорили о моде.
🔗 Астрофизики Кремниевой долины, занимающиеся количественной оценкой моды
Исследователи космоса отворачиваются от небес, чтобы помочь вам решить, что надеть, что смотреть и что слушать. Но и данные по звёздам, и данные магазина Stitch...
Хабр
Астрофизики Кремниевой долины, занимающиеся количественной оценкой моды
Исследователи космоса отворачиваются от небес, чтобы помочь вам решить, что надеть, что смотреть и что слушать. Но и данные по звёздам, и данные магазина Stitch Fix обрабатываются с использованием...
Object-Oriented Machine Learning Pipeline with mlflow for Pandas and Koalas DataFrames
🔗 Object-Oriented Machine Learning Pipeline with mlflow for Pandas and Koalas DataFrames
End-to-end process of developing Spark-enabled machine learning pipeline in Python using Pandas, Koalas, scikit-learn, and mlflow
🔗 Object-Oriented Machine Learning Pipeline with mlflow for Pandas and Koalas DataFrames
End-to-end process of developing Spark-enabled machine learning pipeline in Python using Pandas, Koalas, scikit-learn, and mlflow
Medium
Object-Oriented Machine Learning Pipeline with mlflow for Pandas and Koalas DataFrames
End-to-end process of developing Spark-enabled machine learning pipeline in Python using Pandas, Koalas, scikit-learn, and mlflow
Рубрика «Читаем статьи за вас». Июль — Сентябрь 2019
Привет, Хабр! Продолжаем публиковать рецензии на научные статьи от членов сообщества Open Data Science из канала #article_essense. Хотите получать их раньше всех — вступайте в сообщество!
Статьи на сегодня:
Layer rotation: a surprisingly powerful indicator of generalization in deep networks? (Université catholique de Louvain, Belgium, 2018)
Parameter-Efficient Transfer Learning for NLP (Google Research, Jagiellonian University, 2019)
RoBERTa: A Robustly Optimized BERT Pretraining Approach (University of Washington, Facebook AI, 2019)
EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks (Google Research, 2019)
How the Brain Transitions from Conscious to Subliminal Perception (USA, Argentina, Spain, 2019)
Large Memory Layers with Product Keys (Facebook AI Research, 2019)
Are We Really Making Much Progress? A Worrying Analysis of Recent Neural Recommendation Approaches (Politecnico di Milano, University of Klagenfurt, 2019)
Omni-Scale Feature Learning for Person Re-Identification (University of Surrey, Queen Mary University, Samsung AI, 2019)
Neural reparameterization improves structural optimization (Google Research, 2019)
🔗 Рубрика «Читаем статьи за вас». Июль — Сентябрь 2019
Привет, Хабр! Продолжаем публиковать рецензии на научные статьи от членов сообщества Open Data Science из канала #article_essense. Хотите получать их раньше вс...
Привет, Хабр! Продолжаем публиковать рецензии на научные статьи от членов сообщества Open Data Science из канала #article_essense. Хотите получать их раньше всех — вступайте в сообщество!
Статьи на сегодня:
Layer rotation: a surprisingly powerful indicator of generalization in deep networks? (Université catholique de Louvain, Belgium, 2018)
Parameter-Efficient Transfer Learning for NLP (Google Research, Jagiellonian University, 2019)
RoBERTa: A Robustly Optimized BERT Pretraining Approach (University of Washington, Facebook AI, 2019)
EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks (Google Research, 2019)
How the Brain Transitions from Conscious to Subliminal Perception (USA, Argentina, Spain, 2019)
Large Memory Layers with Product Keys (Facebook AI Research, 2019)
Are We Really Making Much Progress? A Worrying Analysis of Recent Neural Recommendation Approaches (Politecnico di Milano, University of Klagenfurt, 2019)
Omni-Scale Feature Learning for Person Re-Identification (University of Surrey, Queen Mary University, Samsung AI, 2019)
Neural reparameterization improves structural optimization (Google Research, 2019)
🔗 Рубрика «Читаем статьи за вас». Июль — Сентябрь 2019
Привет, Хабр! Продолжаем публиковать рецензии на научные статьи от членов сообщества Open Data Science из канала #article_essense. Хотите получать их раньше вс...
Хабр
Рубрика «Читаем статьи за вас». Июль — Сентябрь 2019
Привет, Хабр! Продолжаем публиковать рецензии на научные статьи от членов сообщества Open Data Science из канала #article_essense. Хотите получать их раньше всех — вступайте в сообщество ! Статьи на...
https://medium.com/@ramsrigouthamg/practical-ai-generate-english-pronoun-questions-from-any-story-using-neural-coreference-fe958ae1eb21
🔗 Practical AI : Generate English pronoun questions from any story using neural coreference resolution
In this post we will see how to generate English pronoun questions from any story or article. This is one step towards automatically…
🔗 Practical AI : Generate English pronoun questions from any story using neural coreference resolution
In this post we will see how to generate English pronoun questions from any story or article. This is one step towards automatically…
Medium
Practical AI : Generate English pronoun questions from any story using neural coreference resolution
In this post we will see how to generate English pronoun questions from any story or article. This is one step towards automatically…
Check out our new paper with Fei Deng and Zhuo Zhi on "Generative Hierarchical Modeling of Parts, Objects, and Scenes" https://arxiv.org/pdf/1910.09119.pdf
We learn compositional and interpretable probabilistic scene graphs from images in an unsupervised way via generation
🔗
We learn compositional and interpretable probabilistic scene graphs from images in an unsupervised way via generation
🔗
A New Workflow for Collaborative Machine Learning Research in Biodiversity
🔗 A New Workflow for Collaborative Machine Learning Research in Biodiversity
Posted by Serge Belongie, Visiting Faculty, and Hartwig Adam, Engineering Director, Google Research The promise of machine learning (ML)...
🔗 A New Workflow for Collaborative Machine Learning Research in Biodiversity
Posted by Serge Belongie, Visiting Faculty, and Hartwig Adam, Engineering Director, Google Research The promise of machine learning (ML)...
Googleblog
A New Workflow for Collaborative Machine Learning Research in Biodiversity
Pandas.Series Methods for Machine Learning
🔗 Pandas.Series Methods for Machine Learning
Getting to Know them and their implementations
🔗 Pandas.Series Methods for Machine Learning
Getting to Know them and their implementations
Medium
Pandas.Series Methods for Machine Learning
Getting to Know them and their implementations
Neural Machine Translation
🔗 Neural Machine Translation
For centuries people have been dreaming of easier communication with foreigners. The idea to teach computers to translate human languages…
🔗 Neural Machine Translation
For centuries people have been dreaming of easier communication with foreigners. The idea to teach computers to translate human languages…
Medium
Neural Machine Translation
For centuries people have been dreaming of easier communication with foreigners. The idea to teach computers to translate human languages…
Deep Learning & Cognition - A Keynote from Yoshua Bengio
https://blog.re-work.co/deep-learning-and-cognition-a-keynote-from-yoshua-bengio/
🔗 Deep Learning & Cognition - A Keynote from Yoshua Bengio
The RE•WORK Deep Learning Summit & Responsible AI Summits [https://www.re-work.co/dl-canada-2019] were brought to a close on day one with an hour-long keynote from one of the world’s leading experts and pioneers in the Deep Learning Space, Yoshua Bengio [https://mila.quebec/en/yoshua-bengio/]. We were delighted to have Yoshua join us again this year in Canada to discuss his current work, referencing both the latest technological breakthroughs and business use application methods discovered in D
https://blog.re-work.co/deep-learning-and-cognition-a-keynote-from-yoshua-bengio/
🔗 Deep Learning & Cognition - A Keynote from Yoshua Bengio
The RE•WORK Deep Learning Summit & Responsible AI Summits [https://www.re-work.co/dl-canada-2019] were brought to a close on day one with an hour-long keynote from one of the world’s leading experts and pioneers in the Deep Learning Space, Yoshua Bengio [https://mila.quebec/en/yoshua-bengio/]. We were delighted to have Yoshua join us again this year in Canada to discuss his current work, referencing both the latest technological breakthroughs and business use application methods discovered in D
RE•WORK Blog - AI & Deep Learning News
Deep Learning & Cognition - A Keynote from Yoshua Bengio
Keynote summary and video from Deep Learning and AI pioneer, Yoshua Bengio.
🎥 Artificial Intelligence & Machine Learning: Realities & Possibilities
👁 2 раз ⏳ 4331 сек.
👁 2 раз ⏳ 4331 сек.
There’s a great deal of hype around intelligent systems that identify patterns in data and make decisions. This faculty panel discussion seeks cut through the hype with the goal of helping us understand the current state of machine learning and how this technology will shape the future. This event is part of our One Book program on I, Robot by Isaac Asimov.Vk
Artificial Intelligence & Machine Learning: Realities & Possibilities
There’s a great deal of hype around intelligent systems that identify patterns in data and make decisions. This faculty panel discussion seeks cut through the hype with the goal of helping us understand the current state of machine learning and how this technology…
🎥 Powered by TensorFlow: Helping doctors detect respiratory diseases using machine learning
👁 1 раз ⏳ 192 сек.
👁 1 раз ⏳ 192 сек.
Machine learning is helping to solve challenging, real-world problems around the world. See how Tambua Health (https://www.tambuahealth.com/) is using machine learning, powered by TensorFlow, to help doctors determine the likelihood of respiratory diseases.
Powered by TensorFlow Playlist → https://goo.gle/poweredbyTensorFlow
Subscribe to the TensorFlow channel → https://goo.gle/2WtM7AkVk
Powered by TensorFlow: Helping doctors detect respiratory diseases using machine learning
Machine learning is helping to solve challenging, real-world problems around the world. See how Tambua Health (https://www.tambuahealth.com/) is using machine learning, powered by TensorFlow, to help doctors determine the likelihood of respiratory diseases.…
Netflix Open-sourcing Polynote: an IDE-inspired polyglot notebook
#DataScience #MachineLearning #ArtificialIntelligence
http://bit.ly/2N9m8qe
🔗 Open-sourcing Polynote: an IDE-inspired polyglot notebook
Jeremy Smith, Jonathan Indig, Faisal Siddiqi
#DataScience #MachineLearning #ArtificialIntelligence
http://bit.ly/2N9m8qe
🔗 Open-sourcing Polynote: an IDE-inspired polyglot notebook
Jeremy Smith, Jonathan Indig, Faisal Siddiqi
Medium
Open-sourcing Polynote: an IDE-inspired polyglot notebook
Jeremy Smith, Jonathan Indig, Faisal Siddiqi
Build and deploy TensorFlow.js models with the power of AutoML
https://medium.com/tensorflow/build-and-deploy-tensorflow-js-models-with-the-power-of-automl-1985b8985083
Edge TensorFlow.js tutorial
https://cloud.google.com/vision/automl/docs/tensorflow-js-tutorial
AutoML Edge API
https://www.npmjs.com/package/@tensorflow/tfjs-automl
🔗 Edge TensorFlow.js tutorial | Cloud AutoML Vision | Google Cloud
https://medium.com/tensorflow/build-and-deploy-tensorflow-js-models-with-the-power-of-automl-1985b8985083
Edge TensorFlow.js tutorial
https://cloud.google.com/vision/automl/docs/tensorflow-js-tutorial
AutoML Edge API
https://www.npmjs.com/package/@tensorflow/tfjs-automl
🔗 Edge TensorFlow.js tutorial | Cloud AutoML Vision | Google Cloud
Medium
Build and deploy TensorFlow.js models with the power of AutoML
Posted by Daniel Smilkov, Sandeep Gupta, and Vishy Tirumalashetty
Facebook research being presented at ICCV
https://ai.facebook.com/blog/facebook-research-at-iccv-2019/
Наш телеграм канал - tglink.me/ai_machinelearning_big_data
🔗 Facebook research being presented at ICCV
Facebook researchers will join computer vision experts from around the world to discuss the latest advances at the International Conference on Computer Vision (ICCV) in Seoul, Korea, from October 27 to November 2.
https://ai.facebook.com/blog/facebook-research-at-iccv-2019/
Наш телеграм канал - tglink.me/ai_machinelearning_big_data
🔗 Facebook research being presented at ICCV
Facebook researchers will join computer vision experts from around the world to discuss the latest advances at the International Conference on Computer Vision (ICCV) in Seoul, Korea, from October 27 to November 2.
Facebook
Facebook research being presented at ICCV
Facebook researchers will join computer vision experts from around the world to discuss the latest advances at the International Conference on Computer Vision (ICCV) in Seoul, Korea, from October 27 to November 2.
Reproducing Google Research Football RL Results
🔗 Reproducing Google Research Football RL Results
This post documents my journey of reproducing results presented in the Google Research Football (GRF) paper and some more cool things.
🔗 Reproducing Google Research Football RL Results
This post documents my journey of reproducing results presented in the Google Research Football (GRF) paper and some more cool things.
Medium
Reproducing Google Research Football RL Results
This post documents my journey of reproducing results presented in the Google Research Football (GRF) paper and some more cool things.
#video #machine_learning
Что такое машинное обучение
ML: Что такое машинное обучение и как это работает?
ML: что такое regression в машинном обучении
ML: как работает simple linear regression
ML: пишем на python модель simple linear regression для определения выброса СО2 автомобилем
ML: как работает multiple linear regression
ML: supervised и unsupervised learning
ML: Когда можно доверять машинному обучению? Тестирование модели машинного обучения.
ML: Что такое классификация и алгоритм KNN на Python
ML: Что такое Кластеризация/clustering, где применяется, как работает, виды алгоритмов
🎥 ML: Что такое машинное обучение и как это работает?
👁 7 раз ⏳ 954 сек.
🎥 ML: что такое regression в машинном обучении
👁 1 раз ⏳ 294 сек.
🎥 ML: как работает simple linear regression
👁 1 раз ⏳ 946 сек.
🎥 ML: пишем на python модель simple linear regression для определения выброса СО2 автомобилем
👁 1 раз ⏳ 951 сек.
🎥 ML: как работает multiple linear regression
👁 1 раз ⏳ 819 сек.
🎥 ML: supervised и unsupervised learning
👁 1 раз ⏳ 556 сек.
🎥 ML: Когда можно доверять машинному обучению? Тестирование модели машинного обучения.
👁 1 раз ⏳ 600 сек.
🎥 ML: Что такое классификация и алгоритм KNN на Python
👁 1 раз ⏳ 1025 сек.
🎥 ML: Что такое Кластеризация/clustering, где применяется, как работает, виды алгоритмов
👁 1 раз ⏳ 942 сек.
Что такое машинное обучение
ML: Что такое машинное обучение и как это работает?
ML: что такое regression в машинном обучении
ML: как работает simple linear regression
ML: пишем на python модель simple linear regression для определения выброса СО2 автомобилем
ML: как работает multiple linear regression
ML: supervised и unsupervised learning
ML: Когда можно доверять машинному обучению? Тестирование модели машинного обучения.
ML: Что такое классификация и алгоритм KNN на Python
ML: Что такое Кластеризация/clustering, где применяется, как работает, виды алгоритмов
🎥 ML: Что такое машинное обучение и как это работает?
👁 7 раз ⏳ 954 сек.
В этом видео вы узнаете:
- что такое машинное обучение (Machine learning ML)
- как работает машинное обучение
- как обучается модель
- что такое ис...🎥 ML: что такое regression в машинном обучении
👁 1 раз ⏳ 294 сек.
В этом видео мы разберем понятие regression.🎥 ML: как работает simple linear regression
👁 1 раз ⏳ 946 сек.
В этом видео мы посмотрим как на самом деле работает метод simple linear regression, проделаем вместе несколько итераций обучения модели маркером н...🎥 ML: пишем на python модель simple linear regression для определения выброса СО2 автомобилем
👁 1 раз ⏳ 951 сек.
В этом видео мы рассмотрим пример применения Simple linear regression
Для установки необходимых либ
pip install matplotlib
pip install pandas
pip ...🎥 ML: как работает multiple linear regression
👁 1 раз ⏳ 819 сек.
В этом видео мы посмотрим как на самом деле работает метод multiple linear regression.🎥 ML: supervised и unsupervised learning
👁 1 раз ⏳ 556 сек.
Добрый день! В этом видео мы рассмотрим два подхода к тренировки модели нейронных сетей: обучение с учителем (supervised) и обучение без учителя (u...🎥 ML: Когда можно доверять машинному обучению? Тестирование модели машинного обучения.
👁 1 раз ⏳ 600 сек.
После того как, мы определились с архитектурой модели и завершили процесс тренировки, нам необходимо определить, насколько мы можем ей доверять. Ес...🎥 ML: Что такое классификация и алгоритм KNN на Python
👁 1 раз ⏳ 1025 сек.
Добрый день! В этом видео мы рассмотрим очередной подход машинного обучения - классификация. Так же разберем базовый алгоритм классификации - К бли...🎥 ML: Что такое Кластеризация/clustering, где применяется, как работает, виды алгоритмов
👁 1 раз ⏳ 942 сек.
В этом видео мы разюеремся, что такое кластеризация, зачем это нужно и какие алгоритмы кластеризации существуют. Кластеризация это один из подходов...Vk
ML: Что такое машинное обучение и как это работает?
В этом видео вы узнаете: - что такое машинное обучение (Machine learning ML) - как работает машинное обучение - как обучается модель - что такое ис...
А можно самому создать сеть, что-то типа вроде VGG-16, дать ей свое имя?. Понятно что сделать ее более локальной, там скажем на овощах натренировать а дальше кому надо сорта яблок трениует?
Как работает Netflix
Успех «Нетфликса» обеспечили высокие технологии, но за ними стоит целая философия, которая сделала эту философию эффективной. Систему, которая заставляет миллионы людей одержимо кликать по красно-белым кнопкам, легко отказываясь от многолетней традиции просмотра фильмов в кино, а сериалов по ТВ.
Привет! С вами Ефим Гугнин! И сегодня мы постараемся разобраться, как работает Netflix. А для этого нам придётся немного отмотать время назад.
1997 год. Интернет только-только набирает популярность и пока связывает жалкие 10 миллионов компьютеров.
Все сериалы и фильмы люди смотрят в кино, по кабельному либо эфирному ТВ, ну или заказывают видео в прокате. В это непростое время 37-летний Рид Хастингс, бывший военный и работник Корпуса мира, а ныне компьютерный инженер и предприниматель, решается на авантюру.
🔗 Как работает Netflix
Успех «Нетфликса» обеспечили высокие технологии, но за ними стоит целая философия, которая сделала эту философию эффективной. Систему, которая заставляет миллион...
Успех «Нетфликса» обеспечили высокие технологии, но за ними стоит целая философия, которая сделала эту философию эффективной. Систему, которая заставляет миллионы людей одержимо кликать по красно-белым кнопкам, легко отказываясь от многолетней традиции просмотра фильмов в кино, а сериалов по ТВ.
Привет! С вами Ефим Гугнин! И сегодня мы постараемся разобраться, как работает Netflix. А для этого нам придётся немного отмотать время назад.
1997 год. Интернет только-только набирает популярность и пока связывает жалкие 10 миллионов компьютеров.
Все сериалы и фильмы люди смотрят в кино, по кабельному либо эфирному ТВ, ну или заказывают видео в прокате. В это непростое время 37-летний Рид Хастингс, бывший военный и работник Корпуса мира, а ныне компьютерный инженер и предприниматель, решается на авантюру.
🔗 Как работает Netflix
Успех «Нетфликса» обеспечили высокие технологии, но за ними стоит целая философия, которая сделала эту философию эффективной. Систему, которая заставляет миллион...
Хабр
Как работает Netflix
Успех «Нетфликса» обеспечили высокие технологии, но за ними стоит целая философия, которая сделала эту философию эффективной. Систему, которая заставляет миллионы людей одержимо кликать по...
Анализируем тональность текстов с помощью Fast.ai
В статье пойдет речь о классификации тональности текстовых сообщений на русском языке (а по сути любой классификации на основе текстов, используя те же технологии). За основу возьмем данную статью, в которой была рассмотрена классификация тональности на архитектуре CNN с использованием Word2vec модели. В нашем примере будем решать ту же самую задачу на том же самом датасете с использованием модели ULMFit. Результат из статьи, (average F1-score = 0.78142) примем в качестве baseline.
🔗 Анализируем тональность текстов с помощью Fast.ai
В статье пойдет речь о классификации тональности текстовых сообщений на русском языке (а по сути любой классификации на основе текстов, используя те же технологи...
В статье пойдет речь о классификации тональности текстовых сообщений на русском языке (а по сути любой классификации на основе текстов, используя те же технологии). За основу возьмем данную статью, в которой была рассмотрена классификация тональности на архитектуре CNN с использованием Word2vec модели. В нашем примере будем решать ту же самую задачу на том же самом датасете с использованием модели ULMFit. Результат из статьи, (average F1-score = 0.78142) примем в качестве baseline.
🔗 Анализируем тональность текстов с помощью Fast.ai
В статье пойдет речь о классификации тональности текстовых сообщений на русском языке (а по сути любой классификации на основе текстов, используя те же технологи...
Хабр
Анализируем тональность текстов с помощью Fast.ai
В статье пойдет речь о классификации тональности текстовых сообщений на русском языке (а по сути любой классификации текстов, используя те же технологии). За осн...
Курса Гарвардского университета по основам программирования CS50 2016 года (Альтернативный перевод Rus)
#0 CS50 на русском 2016 Основы программирования Неделя 0 - Scratch
#1 CS50 на русском 2016 Основы программирования Неделя 1 - Язык С
#2 CS50 на русском 2016 Основы программирования Неделя 2 - Массивы
#3 CS50 на русском 2016 Основы программирования Неделя 3 - Алгоритмы
#4 CS50 на русском 2016 Основы программирования Неделя 4 - Память
#5 CS50 на русском 2016 Основы программирования Неделя 5 - Структуры данных
#6 CS50 на русском 2016 Основы программирования Неделя 6 - HTTP
#7 CS50 на русском 2016 Основы программирования Неделя 7 - Машинное обучение
#8 CS50 на русском 2016 Основы программирования Неделя 8 - язык Python
#9 CS50 на русском 2016 Основы программирования Неделя 9 - язык SQL
#video
🎥 #0 CS50 на русском 2016 Основы программирования Неделя 0 - Scratch
👁 140 раз ⏳ 4659 сек.
🎥 #1 CS50 на русском 2016 Основы программирования Неделя 1 - Язык С
👁 40 раз ⏳ 7774 сек.
🎥 #2 CS50 на русском 2016 Основы программирования Неделя 2 - Массивы
👁 17 раз ⏳ 6584 сек.
🎥 #3 CS50 на русском 2016 Основы программирования Неделя 3 - Алгоритмы
👁 16 раз ⏳ 5088 сек.
🎥 #4 CS50 на русском 2016 Основы программирования Неделя 4 - Память
👁 12 раз ⏳ 6678 сек.
#0 CS50 на русском 2016 Основы программирования Неделя 0 - Scratch
#1 CS50 на русском 2016 Основы программирования Неделя 1 - Язык С
#2 CS50 на русском 2016 Основы программирования Неделя 2 - Массивы
#3 CS50 на русском 2016 Основы программирования Неделя 3 - Алгоритмы
#4 CS50 на русском 2016 Основы программирования Неделя 4 - Память
#5 CS50 на русском 2016 Основы программирования Неделя 5 - Структуры данных
#6 CS50 на русском 2016 Основы программирования Неделя 6 - HTTP
#7 CS50 на русском 2016 Основы программирования Неделя 7 - Машинное обучение
#8 CS50 на русском 2016 Основы программирования Неделя 8 - язык Python
#9 CS50 на русском 2016 Основы программирования Неделя 9 - язык SQL
#video
🎥 #0 CS50 на русском 2016 Основы программирования Неделя 0 - Scratch
👁 140 раз ⏳ 4659 сек.
Приветствую Вас, дорогие друзья!
Неделя 0 курса Гарвардского университета по основам программирования CS50 2016 года на русском языке.
Адрес Scratch: https://scratch.mit.edu/
0:04:06 - двоичная система исчисления
0:10:01 - как перевести числа из десятичной в двоичную систему исчисления
0:12:24 - как компьютер запоминает буквы, цвета и изображения
0:16:12 - как в три действия сосчитать всех студентов в классе
0:22:11 - как в три действия найти человека в телефонной книге из 1000 страниц
0:30:50 - что нового в курсе CS50 2016 года
0:47:20 - графический язык Scratch
0:52:29 - играем в игру Oscartime
0:56:31 - создание первой программы в Scratch
Подробное описание недели 0: http://level-80.com/cs50-na-russkom-2016-nedelya-0/
Наш веб-сайт: https://level-80.com
Наша почта: info@level-80.com
Страничка ВК: https://vk.com/level80com🎥 #1 CS50 на русском 2016 Основы программирования Неделя 1 - Язык С
👁 40 раз ⏳ 7774 сек.
Приветствую Вас, дорогие друзья!
Неделя 1 курса Гарвардского университета по основам программирования CS50 2016 года на русском языке.
0:01:12 - а...🎥 #2 CS50 на русском 2016 Основы программирования Неделя 2 - Массивы
👁 17 раз ⏳ 6584 сек.
Приветствую Вас, дорогие друзья!
Неделя 2 курса Гарвардского университета по основам программирования CS50 2016 года на русском языке.
00:00:00 - Обзор Недели 1
00:04:33 - Отладка программ
00:05:05 - buggy0
00:09:12 - buggy1
00:12:49 - buggy2
00:18:11 - buggy3
00:22:19 - debug50
00:29:04 - Rubber-Duck Debugging
00:31:46 - Обзор практических занятий
00:35:18 - Академическая честность
00:39:07 - Щенки
00:39:58 - Криптография
00:41:00 - Ральфи
00:44:21 - Секретный ключ криптографии
00:46:18 - Строки
00:48:06 - string0
00:57:35 - string1
01:01:20 - Символы
01:02:39 - ascii0
01:06:19 - ascii1
01:09:04 - capitalize0
01:12:41 - capitalize2
01:13:47 - Руководство
01:16:31 - strlen
01:17:40 - Больше строк
01:22:49 - Больше о strlen
01:25:09 - Аргументы командной строки
01:26:53 - argv0
01:34:22 - argv1
01:36:35 - argv2
01:42:26 - exit
01:46:36 - Итоги
Описание недели 2: https://level-80.com/cs50-na-russkom-2016-nedelya-2/
Наш веб-сайт: https://level-80.com
Наша почта: info@level-80.com
Страничка ВК: https://vk.com/🎥 #3 CS50 на русском 2016 Основы программирования Неделя 3 - Алгоритмы
👁 16 раз ⏳ 5088 сек.
Приветствую Вас, дорогие друзья!
Неделя 3 курса Гарвардского университета по основам программирования CS50 2016 года на русском языке.
00:00:00 - О...🎥 #4 CS50 на русском 2016 Основы программирования Неделя 4 - Память
👁 12 раз ⏳ 6678 сек.
Приветствую Вас, дорогие друзья!
Неделя 4 курса Гарвардского университета по основам программирования CS50 2016 года на русском языке.
00:00:00 - ...Vk
#0 CS50 на русском 2016 Основы программирования Неделя 0 - Scratch
Приветствую Вас, дорогие друзья! Неделя 0 курса Гарвардского университета по основам программирования CS50 2016 года на русском языке. Адрес Scratch: https://scratch.mit.edu/ 0:04:06 - двоичная система исчисления 0:10:01 - как перевести числа из десятичной…