Как я из телефона сделал сервер для своего бота в телеграме

Все началось с того что я написал своего бота и решил его выложить в открытый доступ, а точнее чтобы он работал круглосуточно, но платить деньги, за хостинг мне не хотелось. И тогда я вспомнил, что у меня как раз в ящиках залежались старые 2 телефона, можно сказать только один, потому что второй я превратил в кирпич (Неправильно перепрошил). Мой путь поиска программы для установки линукса начался с Termux, но к сожелению он работает только с Android 7+. А телефон на Android 5. Поэтому действенным решением я выбрал UserLAnd.

Не стоит ожидать, что в текущем виде ChatGPT способна проделать за вас работу, поскольку она еще слишком нова и наивна, хотя и учится и совершенствуется с каждым днем. При этом он вполне может помогать искать ошибки в коде и быстро сгенерировать простой код. Но для выполнения этих задач нужны правильные промпты, написать которые иногда не так просто, как кажется. В этой статье увидите, какие промпты можно использовать для работы с ChatGPT, а также в целом больше узнаете о том, с какими микрозадачами он может помочь.

После того как блестящий дебют ChatGPT сделал большие языковые модели (LLM) основным центром приложения инвестиций в ИТ, новые продукты на основе генеративного ИИ сыпятся на удивленных пользователей как из рога изобилия. Буквально каждую неделю лидеры ИТ-индустрии и небольшие «ламповые» стартапы презентуют нам новые умные сервисы, способные эффективно автоматизировать рутину и облегчить человеку раскрытие его творческого потенциала. 

Разобраться с самыми перспективными нейросетями поможет наша краткая «шпаргалка» с их перечислением и краткой сервисной информацией. В список вошли как непосредственно LLM, так и наиболее интересные нейросетевые генеративные решения на их основе.

В продолжение публикации по CFA рассказываю, как я сдавал FRM первого уровня.

После успешной сдачи первого уровня CFA, я стал строить планы на будущее. Сдача тестов затягивает. Как и любое дело, сдача тестов трудна поначалу и требуется определенного напряжения, но после первых успехов появляется мотивация и хочется идти дальше. Для меня сдача CFA было определенно успехом и хотелось его укрепить. Сдавать дальше уровни CFA мне не хотелось (для резюме технаря достаточно и первого уровня), поэтому решил переключиться на сдачу FRM, планировал в течении 2-х лет сдать оба уровня и получить настоящий сертификат. Слышал от многих коллег, что FRM, в отличие от CFA, можно получить и айтишнику, на подверждение работы в рисках они смотрят широко, подходит и работа в IT.

Зарегистрировался, получил информацию, и тут сразу стали очевидны отличия от CFA - во первых нет бесплатных материалов, во вторых во официальных платных материалах по всем темам даны куски из оригинальной литературы, материалах Kaplan, получше, но все равно нет той четкости и подробности, как в CFA. Но самое важное отличие - по FRM есть только один пример теста (полноценный, как на экзамене), но только он годами не обновляется, и, как выяснилось на экзамене, довольно сильно отличается от реального теста. Никаких адекватных баз вопросов я не нашел. Этот момент очень сильно усложняет подготовку и является, думаю, основной сложностью. Вообще в FRM две сложности: отсутствие пробных тестов и необходимость при подготовке читать много отрывков из оригинальной литературы. Второй момент, впрочем, был для меня плюсом - я наконец осилил чтение знаменитой книги Hull, Options, Futures and other derivatives, пробежался почти по двум третям книги и скажу, что это действительно очень хорошая книга, которую вполне можно читать, трудно только в начале.

Всем привет!

Меня зовут Коля, и я периодически собеседую кандидатов на позицию системного аналитика. За последние два месяца провёл порядка 20 десятков собеседований. В основном были кандидаты с опытом 1.5-3 года, на пути к уровню Middle и с зарплатными ожиданиями 150-200 тысяч рублей в месяц.

В данной статье хочу побрюзжать про несколько расстроивших меня особенностей, которыми обладало большинство кандидатов данного уровня.

Когда-то зашла на Хабр со статьёй про английский, а сейчас, спустя некоторое время, я преподаю его в Канаде, готовлю к IELTS и веду подкаст "Кленовые истории". В этой статье пересказала наш недавний выпуск c продакт-менеджером, в котором поговорили про учёбу на GameDev, жизнь айтишников, особенности трудоустройства и возможности для иммиграции. 

В Канаде бум в технологической сфере. Она растёт, как говорится, не по дням, а по часам, в неё приходят крупные инвесторы, в том числе из США, которые поняли, что нанять спеца из Торонто гораздо дешевле, чем из Калифорнии. При этом специалистов в Канаде зачастую не хватает, поэтому спрос на них большой, и временами работодатель готов закрыть глаза на отсутствие канадского образования и опыта работы в этой стране.

Набрать же первый опыт можно в университетских ассоциациях того профиля, который вам подходит, или в небольших фирмах и стартапах. Затем всё это обязательно стоит упомянуть в резюме, и тогда есть шанс, что на вас, а точнее на ваш опыт, «клюнет» большая компания. Стоит только попасть в поток, дальше всё пойдёт по накатанной. Разумеется, было бы желание.

Для части IT-специальностей, ориентированных на клиента и связанных с финансовыми потоками, хорошо бы иметь сертификат о канадском образовании, некоторый опыт работы в местных компаниях и понимание местного менталитета. Это чуть более сложная стезя.

Для разработчиков, дизайнеров, продакт-менеджеров, QA-тестировщиков, специалистов по базам данных и искусственному интеллекту всё несколько проще. В этой ветке IT по всей Канаде специалистов расхватывают очень быстро, не слишком придираясь к отсутствию местного стажа.

О том, как я пыталась поступать в самые лучшие ВУЗы планеты на прикмат и что я из этого вынесла.

CatBoost – библиотека, которая была разработана Яндексом в 2017 году, представляет разновидность семейства алгоритмов Boosting и является усовершенствованной реализацией Gradient Boosting Decision Trees (GBDT). CatBoost имеет поддержку категориальных переменных и обеспечивает высокую точность. Стоит сказать, что CatBoost решает проблему смещения градиента (Gradient Bias) и смещения предсказания (Prediction Shift), это позволяет уменьшить вероятность переобучения и повысить точность алгоритма.

Всем привет, меня зовут Антон, и как вы могли уже догадаться из названия, решил я рассказать о своих попытках вкатиться в робототехнику, а в частности о своем дроне из Raspberry Pi и ESP32.

Казалось бы, что все идеи уже придуманы, а необходимые миру бизнесы запущены, но из года в год стартаперы открывают многообещающие ниши, нащупывают новые боли человечества и реализуют инновационные проекты. В них заинтересованы не только конечные потребители, но и государства, корпорации, акселераторы и, конечно же, инвесторы.

Как «взлететь» в разгар кризиса и какие направления перспективны для развития стартапа в ближайшие 10 лет, рассказали приглашенные эксперты акселератора новосибирского Академпарка — практикующие бизнесмены, фаундеры, бизнес-ангелы и инвесторы.

Аннотация

В настоящее время глубокие нейронные сети (DNN) стали основным инструментом для решения задач машинного обучения в широком спектре областей, включая компьютерное зрение, НЛП и речевое общение. Между тем, в важном случае гетерогенных (неоднородных – как по типу, форме, так и по структуре) табличных данных преимущество DNN перед частными аналогами остается сомнительным. В частности, нет достаточных доказательств того, что механизмы глубокого обучения позволяют создавать методы, которые превосходят деревья решений с выбором по росту градиента (GBDT), которые часто являются лучшим выбором для табличных задач. В этой статье мы представляем ансамбли нейронных решений без внимания (NODE), новую архитектуру глубокого обучения, предназначенную для работы с любыми табличными данными. Кратко, предлагаемая архитектура NODE обобщает ансамбли деревьев решений с забыванием (без памяти), но извлекает выгоду как из сквозной оптимизации на основе градиентов, так и из возможностей многоуровневого обучения иерархическому представлению. Проведя обширное экспериментальное сравнение с ведущими пакетами GBDT на большом количестве табличных наборов данных, мы демонстрируем преимущество предлагаемой архитектуры NODE, которая превосходит конкурентов по большинству тестовых задач. Мы используем реализацию NODE с открытым исходным кодом PyTorch и считаем, что она станет универсальной платформой для машинного обучения на основе табличных данных.

Аннотация

Табличные данные широко распространены в различных реальных приложениях. Хотя многие широко используемые нейронные компоненты (например, свертки) и расширяемые нейронные сети (например, ResNet) были разработаны сообществом машинного обучения, только немногие из них показали свою эффективность для табличных данных, и лишь немногие проекты были релевантно адаптированы к табличным структурам данных. В этой статье мы предлагаем новый и гибкий нейро-компонент для табличных данных, называемый абстрактным слоем (ABSTLAY), который обучаем явно группировать коррелирующие входные объекты и генерировать объекты более высокого уровня семантической абстракции (формализации). Кроме того, мы разрабатываем метод репараметризации структуры для сжатия слоя ABSTLAY, тем самым значительно снижая вычислительную сложность на контрольном слое. Специальный базовый блок строится с использованием ABSTLAY, и мы создаем семейство глубоких абстрактных сетей (DANET) для классификации табличных данных и регрессии путем группировки (таксономии) таких блоков. В DANET введен специальный кратчайший путь для извлечения информации из необработанных табличных объектов, способствующий взаимодействию объектов на разных уровнях. Всесторонние эксперименты с семью реальными табличными наборами данных показывают, что наши ABSTLAY и DANET эффективны для классификации и регрессии табличных данных, а их вычислительная сложность не превосходит сложности конкурентных методов. Кроме того, мы оцениваем прирост производительности DANET по мере его углубления, проверяя модифицируемость нашего метода. Наш код доступен по адресу https://github.com/WhatAShot/DANet .

Много кто знает, что такое Leetcode. Это своего рода решебник — задачи, которые дают на технических собеседованиях в крупных компаниях (в том числе и из FAANG) и их решения.

Такие задания, заточенные на знание структур данных и алгоритмов, все чаще встречаются и на собеседованиях в небольших компаниях. Многим кандидатам это не нравится — они утверждают, что навыки «литкодинга» ничего не говорят о том, как человек справится с реальной работой. Согласен. Если вы не можете слёту решать задачи c LeetCode, это не значит, что вы плохой разработчик. Возможно, вам в реальной работе вообще никогда не понадобится, скажем, инвертировать бинарное дерево. Однако глупо отрицать, что на LeetCode можно изучить массу подходов и инструментов, которые окажутся полезными. В этой статье я расскажу о том, что вынес для себя из работы с платформой.

Разбираю разные подходы к созданию ботов и смотрю на их эффективность

Заработает ли бот достаточно денег?
Будет ли стабильный заработок?
Достигнет ли он когда-нибудь годового дохода в $100,000?

В этом посте я отвечу на эти вопросы и дам вам несколько советов, как двигаться дальше.

Вы приходите на остановку. Написано, что автобус ходит каждые 10 минут. Засекаете время… Наконец, через 11 минут приходит автобус и мысль: почему мне всегда не везёт?