Все статьи в порядке публикации на Unicoding: изучайте новые технологии, смотрите лекции и участвуйте в обсуждении.
Have you already switched to English in correspondence?
#memes #uxmem #uxhumor #ithumor #designhumor #itcomedy #humor #memefriday
#19 Front-end. Вопросы на собеседовании
#yauhenk #webdev #interview #js #javascript #html #css #frontend #git #github #html #techinterview
🤟🏻 Шпаргалка по Angular.js
#cheatsheet #angular
https://disk.yandex.ru/i/FulE3TQhK9JW1A
Типичный программист =)
Как сделать платформер на Unity #2 | Анимации и слежение камеры
В этом видео мы продолжаем создавать платформер на движке Unity.
Добавим анимации и слежение камеры за игроком.
#gamedev #unity #learn
Тестировщик с нуля / Урок 20. SQL для тестировщика. Как создать таблицы в MySQL для QA
Второй урок в блоке тестирования баз данных будет посвящен тому: как создавать таблицы и базы данных в MySQL. На данном занятии научимся удалять, изменять, вносить новые данные в таблицы и базы данных, т.е. начнем изучение SQL для тестировщика. А также узнаем: как установить свой первый SQL-сервер.
В конце занятия покажу каким ресурсом можно пользоваться для тренировки и оттачивании ваших навыков тестировщика базы данных, так как без этих данных QA не QA 😊
#qa #learn #softwaretesting #qalife #artsiomrusau
Стоит ли начинать учить data science || Плюсы минусы профессии
В этом видео мы обсудим, стоит ли начинать учить data science именно вам. Рассмотрим некоторые особенности профессии, поговорим о плюсах и минусах.
Рекомендую немного ускорить видео при просмотре.
#datascienceguy #datascience #deeplearning #learn
Машинное обучение. Метрические методы. К.В. Воронцов, Школа анализа данных, Яндекс.
Метод ближайшего соседа является, пожалуй, самым простым методом классификации. Разбирая один за другим его недостатки, мы приходим к методам взвешенных ближайших соседей, парзеновского окна, потенциальных функций… и осознаём, что снова пришли к линейному классификатору. Отбор эталонных объектов в ленивом обучении в некоторых задачах позволяет радикально уменьшить объём хранимых данных, а, если повезёт, то и улучшить качество классификации. Идея, что схожим объектам должны соответствовать схожие ответы, в регрессии приводит к непараметрическим методам типа ядерного сглаживания. Выводы на удивление те же, что и для классификации: подбор ширины окна принципиально важен для оптимизации качества модели, а выбор ядра сглаживания отвечает лишь за её гладкость. В конце рассматривается проблема обнаружения и отсева выбросов.
#datascience #deeplearning #machinelearning #learn