ИМХО единственный вариант расширить ассортимент съестного в вашем безкухонном варианте. Причем в качестве эксперимента можно попробовать что-то из этих машинок оставлять в режиме «за дополнительную плату». К примеру, мороженое в этом плане выглядит весьма обоснованным. Попкорн же должен стоить копейки по себестоимости, но при этом отлично набивает желудок тем, «кто после работы».
Мда, только сегодня у нас в магазине (в Маунтин Вью, Калифорния правда) видел свежее переиздание. Ну и толстенное же, надо признать. Но, думаю, это означает и вы его заказать сможете при желании.
И это правильно, и это красиво.
Но где шагов побольше и нужно какая-то логика, я применяю библиотеку net-ssh-telnet на руби. Приведу здесь же для коллекции и сравнения.
require 'net/ssh'
require 'net/ssh/telnet'
s = Net::SSH.start('hostname', 'user', :password => 'secret')
t = Net::SSH::Telnet.new("Session" => s)
t.cmd("su - another_user") # можно переключиться на другой аккаунт
puts t.cmd("ls -l") # и вывести stdout удаленной команды
Хотя в целом это оболочка для упрощения net-ssh. Основной пакет поддерживает и scp, и sftp, и проброску туннелей, и вообще все что угодно.
Спасибо за статью, многое прояснила. Вроде теперь я наконец понимаю почему когда летишь в самолете, скажем, из Нью-Йорка в Москву, на карте в самолете твой курс показывают дугой (ортодромой?) чуть ли ни через север Гринландии, а совсем не по прямой. Я правильно понял что это будет кратчайший маршрут vs прямая линия (локсодрома), которая будет прямейшим маршрутом?
Отличная статья, очень понравилось. Есть несколько мыслей, которые хотелось бы упомянуть.
Недавно вышла книжка как раз на эту тему — amzn.com/1449315151 Та же идея, о которой вы пишите — применение стат анализа и machine learning для сравнительно небольших, бытовых задач.
Когда я брал квартиру лет 8 назад, самым актуальным ресурсом был nb.by/realty/proposal/ Сейчас чуть меньше табличных данных дают, но все же должно быть более удобно чем irr. Чем мотивировались выбирая источник, и почему не объединяли данные из разных для большей выборки?
Уверен, что риэлторы тоже используют некую методику для рассчета адекватности цены, не только «средний метр умножить на общую площадь». Интерсно услышать от кого-то знающего, что и как.
В Штатах есть несколько авторитетных ресурсов, которые не только собирают данные об актуальных продажах квартир и прочей недвижимости, но и проводят оценку, выдают ориентировочную оценку текущей стоимости объектов, которые вообще еще не продаются, применяя все те же алгоритмы ML. Самый известный, наверное, это Zillow. С самим алгоритмом не знаком, но один из ключевых факторов — это расположение и цена на аналогичную недвижимость в том же районе. Если у вас будет еще интерес заниматься этой темой, я бы посоветовал покапать в этом направлении, выделить геокластеры аналогичных квартир, и уже среди них поискать выделяющихся. Но вы и так отметили в комментариях, что добавили выборку по районам…
И последняя реплика. Вспомнилось как год назад на одном выступлении Martin Omander из Гугла описывал на аналогичном примере их Prediction API, который позволяет проводить как распознование (язык, спам-не спам, настроение текста и т.п.), так и скалярное прогнозирование. В качестве примера он загрузил в это открытое API базу из нескольких сотнях записей о продаже домов, в том же csv — 5 параметров вроде использовалось для наглядности. API позволяет проанализировать эти данные в том же ключе, что и вы делаете, и выдать ориентировочную стоимость по заданным параметрам. Такой вот публичный сервис, однако.
В моем случае есть несколько сотен виртуальных машин с разными операционками и конфигурациями, на которые автоматика забрасывает пакет функциональных тестов, запускает, вытаскивает результаты. Кроссплатформенное тестирование, короче. Когда нужно более детально разобраться, почему тот или иной тест завален, нужно лезть на сервер, открывать файл скрипта, что-то там в нем править, запускать его отдельно от всего тестового пакета и т.п.
Так как в ST2 удобно (т.е. через боковую панель) я не могу лазить по удаленному дереву файлов, то по-прежнему пользую Komodo Edit.
У меня та же проблема. Парк на 500 виртуальных машин, везде нужно лазить по дереву постоянно. ST2 решения обеспечивают навигацию только через оверлей (такой же как ctrl + p), но не через боковую панель как в случае локальной директорией. Где-то я вычитал, что нормально сделать не получается пока из-за самого устройства боковой панели в ST2.
Для меня это большая проблема, так что сижу по-прежнему в бесплатном Komodo Edit, где все это есть из коробки, даже не надо плагины никакие подключать.
Вот и разрывайся теперь между Курсерой и udacity.com А все благодаря тому, что кое кто вовремемя попал на TED и послушал выступление о Khan University… Действительно ideas worth spreading :)
Мне кажется вы немного путаете здесь. Как видно из записи в январе 2011 он не продавался а был переведен в собственность банка-кредитора в связи с задолженностью по кредиту. То есть его никто не продавал и $403K — это оценочная стоимость по которой собственность находилась в тот момент на балансе банка. Или говоря понятным вам уже языком — foreclosure а не sale.
Ну а до кризиса — да, $380K в конце 2005.
Про Location — золотые слова. Один из ключевых моментов в покупке дома — это где он расположен. И вопрос не только и не столько в благополучности квартала и в удаленности от места работы и торговых центров, сколько в принадлежности к тому или иному школьному району. Другими словами, если у школы высокий рейтинг, то дома любого типа вокруг нее будут иметь 50 и больше процентов наценки за этот фактор. Чтобы попасть в хорошую школу, люди готовы платить серьезные деньги, и именно на это наш агент обращал особое внимание в контексте надежного вложения денег.
Между сертификатом тестировщика и сертификатом по технологии или языку (даже уровня community college) я бы предпочел последнее, как для себя так и для того кто ко мне на собеседование пришел.
При этом для себя я этот вариант не отметаю ни разу — как для коллекции бумажек, так и для «протирания пыли» на всех этих полочках в голове.
Для начинающих же я бы рекоммендовал больше время потратить на наработку практического опыта работы чем на сертификацию, это куда лучше демонстрирует твою профпригодность. Это отдельная тема, но всякие open source проекты, utest и т.п. позволят на интервью говорить о чем-то практическом, а не о книжной теории, по которой ты получил сертификат, но о которой уже x лет ничего не слышал твой наниматель.
Но где шагов побольше и нужно какая-то логика, я применяю библиотеку net-ssh-telnet на руби. Приведу здесь же для коллекции и сравнения.
Хотя в целом это оболочка для упрощения net-ssh. Основной пакет поддерживает и scp, и sftp, и проброску туннелей, и вообще все что угодно.
Недавно вышла книжка как раз на эту тему — amzn.com/1449315151 Та же идея, о которой вы пишите — применение стат анализа и machine learning для сравнительно небольших, бытовых задач.
Когда я брал квартиру лет 8 назад, самым актуальным ресурсом был nb.by/realty/proposal/ Сейчас чуть меньше табличных данных дают, но все же должно быть более удобно чем irr. Чем мотивировались выбирая источник, и почему не объединяли данные из разных для большей выборки?
Уверен, что риэлторы тоже используют некую методику для рассчета адекватности цены, не только «средний метр умножить на общую площадь». Интерсно услышать от кого-то знающего, что и как.
В Штатах есть несколько авторитетных ресурсов, которые не только собирают данные об актуальных продажах квартир и прочей недвижимости, но и проводят оценку, выдают ориентировочную оценку текущей стоимости объектов, которые вообще еще не продаются, применяя все те же алгоритмы ML. Самый известный, наверное, это Zillow. С самим алгоритмом не знаком, но один из ключевых факторов — это расположение и цена на аналогичную недвижимость в том же районе. Если у вас будет еще интерес заниматься этой темой, я бы посоветовал покапать в этом направлении, выделить геокластеры аналогичных квартир, и уже среди них поискать выделяющихся. Но вы и так отметили в комментариях, что добавили выборку по районам…
И последняя реплика. Вспомнилось как год назад на одном выступлении Martin Omander из Гугла описывал на аналогичном примере их Prediction API, который позволяет проводить как распознование (язык, спам-не спам, настроение текста и т.п.), так и скалярное прогнозирование. В качестве примера он загрузил в это открытое API базу из нескольких сотнях записей о продаже домов, в том же csv — 5 параметров вроде использовалось для наглядности. API позволяет проанализировать эти данные в том же ключе, что и вы делаете, и выдать ориентировочную стоимость по заданным параметрам. Такой вот публичный сервис, однако.
Так как в ST2 удобно (т.е. через боковую панель) я не могу лазить по удаленному дереву файлов, то по-прежнему пользую Komodo Edit.
Для меня это большая проблема, так что сижу по-прежнему в бесплатном Komodo Edit, где все это есть из коробки, даже не надо плагины никакие подключать.
Ну а до кризиса — да, $380K в конце 2005.
При этом для себя я этот вариант не отметаю ни разу — как для коллекции бумажек, так и для «протирания пыли» на всех этих полочках в голове.
Для начинающих же я бы рекоммендовал больше время потратить на наработку практического опыта работы чем на сертификацию, это куда лучше демонстрирует твою профпригодность. Это отдельная тема, но всякие open source проекты, utest и т.п. позволят на интервью говорить о чем-то практическом, а не о книжной теории, по которой ты получил сертификат, но о которой уже x лет ничего не слышал твой наниматель.