Персональный разбор Вашего бизнеса на WB, только для 20 человек

Приветствую! На связи Хоснуллин Роман!  Вчера обещал раскрыть, что же я такое подготовил для вас! И говоря "для вас" я подразумеваю только своих клиентов и подписчиков. Потому что на протяжении всей своей деятельности, связанной с консультациями и обучением, именно ближайший круг подписчиков всегда получал самые выгодные и лучшие условия. Например, когда мы только запускали обучение "Спецназ", мы сделали ограниченное предложение со скидками более -50% и только для подписчиков! Такие условия больше не повторялись! Поэтому если вы сейчас читаете это сообщение - будьте очень внимательны, поскольку то, что я расскажу далее - это эксклюзивное предложение и оно строго ограничено! В следующие 7 дней, мы со Славой открываем ограниченный набор на часовые персональные стратегические сессии. Количество доступных мест всего 20 Что это такое? На стратегической сессии мы с вами в режиме ZOOM созвона - Посмотрим на ваш бизнес с точки зрения нашей системы Голдратта - Вместе и ПРАВИЛЬНО заполним калькулятор продаж - Увидим все слабые/тонкие места вашего бизнеса - Запланируем конкретную цель: "Сколько хотим получать в деньгах в следующем месяце" - Обсудим инструменты достижения этой цели - Дадим вам рекомендации по выполнению поставленной задачи Вот пример того, как будет проведена эта сессия: https://youtu.be/Psulq-fkQrE?si=9QDBGt3vmBY-DJDj В бесконечном потоке вебинаров, курсов, ютуб-роликов, статей и книг по торговле на Wildberries - сегодня практически невозможно найти эксперта, который в режиме диалога сможет посмотреть на ваш бизнес и дать обратную связь, как вам вырасти! Наша же стратсессия - именно такая возможность для вас! 1 час, посвященный вашему бизнесу в таком режиме - это мощнее, чем месяцы, проведённые за видеороликами и статьями. Это наша отдельная услуга, которая в отдельности стоит 20000 рублей. И вот теперь будьте внимательны! В ближайшие несколько дней мы запускаем ограниченный набор для 20 селлеров, кто успеет попасть в список на стратсессию со скидкой -75% 20000 4900 рублей Всё, что вам нужно сделать сейчас, перейти в наш Telegram-канал и успеть оплатить участие со скидкой до того, как последний 20-й участник заберет у вас эту возможность! Подчеркиваю! Это предложение строго ограничено и им могут воспользоваться только подписчики этого канала! Переходите по ссылке и записывайтесь на персональную стратегическую сессию по системе Голдратта, пока действует скидка! Доступно только для 20 участников! Ссылка на канал Вы получили это письмо, тк регистрировались в проекте «Бизнес на маркетплейсах с Романом Хоснуллиным" Если вы не хотите получать письма от нас, вы можете отписаться

Вы получили письмо, т.к. подписались на рассылку "Бизнес на Маркетплейсах" с Романом Хоснуллиным"

Вы получили это письмо, потому что регистрировались в проекте «Маркетплейсы с Романом Хоснуллиным»
Если вы не хотите получать письма от нас, вы можете отписаться

Бесплатные курсы по ML и веб-разработке

Веб-версия 🆓 Бесплатные курсы на YouTube Как подготовить онлайн данные для файнтюнинга Мини-курс научит создавать специализированные наборы данных для файнтюнинга (дообучения) больших языковых моделей на определенной тематике или типе данных. В качестве примера используются комментарии с Reddit. Основные темы видео: Обзор доступных источников данных с Reddit (торрент с комментариями 2007-2015 гг., архив Archive.org, а также Reddit BigQuery с 17 миллиардами комментариев 2007-2019 гг.). Экспорт и обработка сырых данных из BigQuery. Распаковка и объединение сжатых архивов с нужными данными по целевым сабреддитам. Структурирование и преобразование данных в формат, пригодный для обучения моделей. Создание обучающих семплов из отфильтрованных данных и сохранение их в базу данных. Генерация специализированных JSON файлов для обучающих данных. Файнтюнинг модели QLoRA на созданном наборе данных и анализ результатов. Машинное обучение для начинающих в 2024 Свежий курс от freeCodeCamp предназначен для людей, которые уже знакомы с основами Python и подумывают о карьере в ИИ-разработке. В программе: Дорожная карта по машинному обучению на 2024 год – с теорией, понятной для начинающих, и с акцентом на практику. Разбор обязательных навыков для карьеры в области машинного обучения. Базовые концепции машинного обучения – смещение-дисперсия, переобучение, регуляризация. Теория линейной и логистической регрессии. Практическое исследование данных с применением линейной регрессии: Загрузка и исследование данных Определение зависимых и независимых переменных Очистка и предобработка данных Описательная статистика и визуализация данных Выявление выбросов Анализ корреляции Разделение данные на обучающие и тестовые выборки с train_test_split() Построение моделей линейной регрессии Проверка предположений линейной регрессии Применение линейной регрессии для прогнозной аналитики 🎓 Туториалы Как использовать технологию RAG Если вы следите за развитием ИИ технологий, то наверняка уже слышали о RAG – методике, которая позволяет связывать документы или базы знаний с языковыми моделями, чтобы они давали более релевантные и персонализированные ответы. Количество документов при этом может быть любым – с помощью RAG к модели можно подключить и пару файлов, и миллион. Суперпродвинутых навыков программирования на Python для этого не требуется, достаточно начальных знаний. В публикации How to Learn RAG in 2024 представлена серия из 7 видео на YouTube, в которых понятно, шаг за шагом, объясняются основы RAG.   Обзорное видео расскажет о технологии в общих чертах. 1. Парсинг, разбиение текста на части, индексирование   В этом видео объясняется, как создать библиотеку документов, распарсить их в единый формат, разбить на меньшие части (чанки) и проиндексировать вместе с метаданными. 2. Создание эмбеддингов   Рассказывается об эмбеддингах, моделях эмбеддингов, векторах и векторных базах данных. Показано, как создавать эмбеддинги с помощью моделей Hugging Face и сохранять их в базу данных. 🐍 Больше полезных материалов вы найдете на нашем телеграм-канале «Библиотека питониста» 3. Подача запросов моделям   Объясняется, как передавать промпты моделям, загружая их из Hugging Face и OpenAI. Показано, как проверять корректность ответа модели, используя предоставленный контекст, и отслеживать использование токенов, вывод и время обработки. 4. RAG с текстовым запросом   Демонстрируется, как объединить библиотеку знаний с эмбеддингами и модель для поиска по текстовому запросу. Рассматриваются стратегии извлечения и поиска информации. 5. RAG с семантическим запросом   Показывается семантический (на естественном языке) поиск, который использует преимущества эмбеддингов и векторных баз данных для извлечения ответов из сложных документов. 6. RAG с многошаговым гибридным запросом   Подводится итог по пройденному материалу. Демонстрируется использование модели DRAGON-YI-6b-GGUF от Hugging Face на ноутбуке для многошаговых гибридных запросов. Также объясняется верификация доказательств (предотвращение галлюцинаций модели) и сохранение результатов в JSON или CSV. После прохождения всех видео вы будете готовы к более сложным аспектам работы с генеративным ИИ, например, к созданию агентов. 🧩🐍 Интересные задачи по Python для практики можно найти на нашем телеграм-канале «Библиотека задач по Python» Чат с пользовательскими PDF документами Туториал How to build a PDF chatbot with Langchain and FAISS тоже посвящен основам изучения RAG – автор демонстрирует, как создать чат-бота, который может отвечать на вопросы по содержимому PDF-файлов. Вот что можно изучить, если сделать такой проект:   Извлечение и векторное представление текста из PDF Сначала код загружает текст из указанных PDF-файлов и разбивает его на небольшие фрагменты (чанки). Затем с помощью библиотеки OpenAI эти текстовые фрагменты преобразуются в векторные представления (эмбеддинги), которые позволяют сравнивать их по смыслу.   Хранение векторных представлений в FAISS Векторные эмбеддинги текстовых фрагментов сохраняются в векторной базе FAISS*. Это позволяет эффективно искать наиболее релевантные фрагменты для данного запроса.   Запрос к большой языковой модели с контекстом При получении вопроса от пользователя выполняется векторный поиск в FAISS* для нахождения наиболее релевантных текстовых фрагментов из PDF. Эти релевантные фрагменты предоставляются в качестве контекста для большой языковой модели (в данном случае ChatGPT). Модель генерирует ответ на вопрос, опираясь на предоставленный контекст из PDF-файлов.   Использование библиотеки Langchain Проект использует библиотеку Langchain для облегчения работы с языковыми моделями, векторными эмбеддингами, и интеграцией с OpenAI. Langchain позволяет абстрагироваться от низкоуровневых деталей и сосредоточиться на создании цепочек обработки данных. Такой подход позволяет создать чат-бота со знаниями из определенной предметной области. ИИ будет извлекать информацию из указанных документов, и это: Обеспечит точность и достоверность ответов. Позволит ИИ работать с данными, которые неизвестны модели. Поможет сделать кастомную интерактивную базу знаний – например, для службы поддержки или обучающего курса. Генерация QR кодов с помощью Python и Flask Статья How Can I Generate QR Codes with Python & Flask? продемонстрирует простейший способ генерации QR кодов – с помощью модуля qrcode. Для создания интерфейса автор использует микрофреймворк Flask. Как создать квиз на Django и HTMX за 6 минут Туториал покажет, как сделать простой онлайн-тест на Django (с HTMX для интерактивности). Такой же тест можно сделать с помощью Django и простейшего JS-скрипта. ☑️ Как правильно обновлять Python/Django приложен Обновление версий Python и Django в работающих приложениях – серьезная задача. Обновления небезопасно выполнять прямо в продакшене во избежание простоев и ошибок. Автор публикации рассказывает, как свести риски к минимуму: Прочитать документацию по новой версии, особенно раздел с примечаниями. Необходимо изучить, какие функции были обновлены, изменены или объявлены устаревшими. Локально проверить свой проект, выполнив manage.py check, чтобы увидеть предупреждения об устаревших функциях. Обновить зависимости в тестовой среде, используя pip install -U имя_пакета. Убедиться, что проект корректно работает с новыми версиями зависимостей. Внести необходимые изменения в код, заменив устаревшие функции/методы на новые аналоги согласно документации. Протестировать проект локально в режиме отладки (DEBUG=True) со всеми обновлениями, чтобы убедиться в его корректной работе. При успешном локальном тестировании деактивировать режим отладки DEBUG=False. Создать резервные копии продакшн данных и кода. Развернуть обновленный код и зависимости в продакшене.   Тщательно протестировать обновленный проект в продакшен среде. При возникновении критических проблем быстро вернуться на предыдущую стабильную версию. Что еще почитать про обновление Python в продакшене: публикацию Python Upgrade Playbook, автор которой детально рассказывает о процессе обновлений 1500+ репозиториев компании Lyft. 🚀 Реактивный фронтенд без использования React Арсенал инструментов, позволяющих создавать динамичный фронтенд для Python-приложений без написания кода на React, пополнился двумя крутыми разработками – FastUI и flect.   FastUI позволяет Python-разработчику использовать все возможности React без необходимости писать что-либо на React, JS или TS. Не понадобится даже установка npm! Примеры всех компонентов FastUI можно посмотреть здесь. Пример формы, созданной с помощью FastUI flect – полноценный UI-фреймворк, основанный на тех же принципах, что и FastUI: для создания интерфейса он использует Pydantic модели, которые соответствуют свойствам React компонентов на фронтенде. Эта интеграция позволяет быстро разрабатывать интерактивные и красивые интерфейсы, используя только Python. Ключевые особенности flect: Быстрая разработка. Можно написать фулстек-приложение исключительно на Python, бесшовно интегрируя логику бэкенда и UI. Простая валидация форм. Достаточно определить одну Pydantic модель для согласованной валидации форм по всему приложению. Маршрутизация на основе директорий. Поддерживается простое управление маршрутами через структуру папок. Переходы без перезагрузки. Можно быстро и плавно переключаться между страницами без перезагрузок. Поддержка SEO. Рендеринг на стороне сервера обеспечивает лучшую видимость в поисковых системах. Кнопки, созданные с помощью flect. Больше примеров – в документации проекта На этом все, до встречи на следующей неделе!   * Библиотека FAISS разработана компанией Meta, деятельность которой признана экстремистской и запрещена на территории РФ. 🐍💼 Подтянуть свои знания по Python вы можете на нашем телеграм-канале «Библиотека собеса по Python» Автор рассылки: Наталья Кайда 📖 Читать нас 🎓 Учиться у нас 📖 Читать нас 🎓 Учиться у нас Вы получили это письмо, потому что подписались на нашу рассылку. Если вы больше не хотите получать наши письма, нажмите здесь.