Книга «Rust. Профессиональное программирование» (Code Like a Pro in Rust, by Brenden Matthew) — авторское руководство по языку Rust, претендующее на то, чтобы быть пособием для разработчиков уровня джун и выше, стремящихся овладеть приемами, которые отличают уверенного разработчика от новичка.
Как мы с вами усвоили из прошлого урока, основная задача функции Hires.fix – не увеличение разрешения изображения, а улучшение качества мелких деталей финального изображения без изменения композиции.
Важно отметить, Hires.fix работает более эффективно, если с улучшением деталей вы одновременно увеличиваете разрешение изображения.
Но у Hires.fix есть и некоторые скрытые возможности, которые могут помочь изменить какую-то важную деталь нашего исходного изображения.
Давайте узнаем, как нам это сделать.
Для этого:
· Переходим на закладку «Settings».
· Находим слева в списке раздел «UI alternatives».
· Выбираем две опции: «Hires fix: show hires checkpoint and sampler selection (requires Reload UI)» и «Hires fix: show hires prompt and negative prompt (requires Reload UI)».
· Применяем настройки.
· Перезагружаем интерфейс.
Привет, Хаброжители!
Привет, Хаброжители!
Привет, Хаброжители!
Привет, Хаброжители!
Привет, Хаброжители!
Привет, Хабр! Меня зовут Асия Морозова, я руковожу направлением по обучению и адаптации персонала в MWS. За годы своей работы я много раз проводила консультации по борьбе с выгоранием, ротации, выступала с докладами по джоб-крафтингу. А когда-то выгорание настигло и меня. Это была моя первая работа, и я сбежала с нее меньше чем через год — подробнее об этом рассказала в своем недавнем посте про выгорание. По следам поднятой темы решила поделиться своей подборкой книг, которая поможет не взваливать на себя слишком много и научиться самому важному в мире навыку — вовремя и качественно отдыхать (кто бы мог подумать, что это так сложно).
Привет, Хаброжители!
Книга Elasticsearch в действии. Второе издание — это подробный (~650 страниц в русском переводе) путеводитель по созданию масштабируемых поисковых систем на базе Elasticsearch. Второе обновленное издание знакомит с архитектурой, API и реальными сценариями применения Elasticsearch — от полнотекстового поиска до визуализации данных и машинного обучения. Книга — отличный выбор для начинающих разработчиков, но наверняка может быть полезна и для практикующих специалистов.
Привет! Меня зовут Марк Паненко, я Chief Data Science в Ozon Банке. Это завершающая статья цикла о книгах для Data Science. Ранее мы обсуждали комиксы и нейросети для новичков, принципы для мидлов, профессиональную разработку, а сегодня поговорим об управлении командами. Материал основан на эпизодах подкаста Data Breakfast — в нём мы разбираем кейсы из реальной практики.
Привет, Хаброжители!
Привет! Это Никита Малыхин, Tech Lead в команде AdTech в Центре Big Data МТС. В прошлый раз я поделился подборкой книг о нейронных сетях и рекомендательных системах. В 2к25 поиск практических советов по NLP в книгах может выглядеть как сизифов труд, ведь это одно из самых быстроразвивающихся направлений в ML. Тем не менее, сегодня будет втораячасть подборки — на этот раз сфокусируемся на материалах по естественному языку и книгам с практическими советами по машинному обучению. Хорошие специалисты в этой сфере на вес золота, а книги как раз помогают прокачать навыки. Все будет по делу, с примерами и практикой. Поехали!
Привет, Хаброжители!
Привет, Хаброжители!
Привет, Хаброжители!
Палюх Борис Васильевич
д.т.н., профессор, заведующий кафедрой «Информационные системы» ТвГТУ, г. Тверь
Чесалов Александр Юрьевич
к.т.н., генеральный директор ООО «Программные системы Атлансис», г. Тверь
В настоящей статье исследуются современные подходы к созданию автоматизированных систем прогнозируемого обслуживания многостадийных технологических процессов. На сегодняшний день, данные системы играют важнейшую роль в процессах автоматизации промышленных предприятий различных отраслей экономики. В статье делается основной акцент на необходимость применения технологий искусственного интеллекта для создания, эксплуатации и развития автоматизированных систем прогнозируемого обслуживания. Указывается необходимость совместного применения методов нейронных сетей и теории свидетельств, в части уменьшения уровня неопределенности и увеличения уровня доверия к выходным данным для принятия решений. В результате исследования предложены два варианта архитектуры. Представлены данные эффективности применения автоматизированных систем прогнозируемого обслуживания в промышленности.
КЛЮЧЕВЫЕ СЛОВА: прогнозируемое обслуживание, промышленный Интернет вещей, периферийный искусственный интеллект, теория свидетельств, компьютеризированная система управления техническим обслуживанием.
Прогнозируемое обслуживание в промышленности (англ. Predictive Maintenance, PdM) – это стратегия проактивного обслуживания, которая использует современные инструменты и методы анализа данных для обнаружения аномалий в работе оборудования и потенциальных дефектов в производственных процессах, которая включает [1]:
В текущих экономических условиях, когда концепция развития цифровой экономики сменяется новым трендом развития – «экономикой данных», внедрение цифровых инноваций и прорывных технологий искусственного интеллекта (ИИ) в промышленных экосистемах Индустрии 4.0 является приоритетным направлением в формировании и развитии технологического суверенитета Российской Федерации.
В основе всех процессов формировании и развития технологического суверенитета нашей страны находится цифровая трансформация производителей и потребителей продуктов и услуг.
Цель цифровой трансформации продуктов и услуг промышленных предприятий Российской Федерации должна заключаться в реализации ряда комплексных мероприятий и проектов основывающихся на прорывных и перспективных технологиях «Индустрии 4.0», включающие в себя технологии искусственного интеллекта в промышленных экосистемах, которые позволяют создать на первом этапе цифровую инфраструктуру промышленности, а в последствии экосистему, способную не только объединить разрозненные цифровые решения, платформы, системы и миллионы «умных» устройств промышленного Интернета вещей в рамках одного информационного поля, но и дать толчок к созданию и развитию новых конкурентных продуктов и услуг в Российской Федерации и за ее пределами [Галкин и др., 2023, c. 167; Палюх и др., 2023, c. 256].
Важным аспектом проектирования, разработки, производства и развития новых промышленных ИТ-решений является применение передовых технологий четвертой промышленной революции, к которым можно отнести: технологии работы с большими данными, машинное обучение и искусственный интеллект, а также создание цифровых платформ и сервизов, функционирующих в рамках вышеупомянутой цифровой экосистемы.
