В детстве у меня была мечта - создать робота, который бы занимался чистописанием вместо меня: терпеть не мог переписывать.
Сейчас я уже на 4м курсе, а переписывать по прежнему не люблю. И когда передо мной встала задача переписать (списать) задание по квантовой механике, я решил поступить оригинально.
План был примерно такой:
—> Взять чужое задание, написанное на бумаге
—> На выходе получить задание, которое будто написано на графическом планшете
В качестве кода я взял бэкенд от моего телеграм бота, который как раз из фотографии рукописного текста делает png-шку с рукописным текстом и прозрачным фоном. Для надёжности я решил добавить ещё и стадию предобработки.
Таким образом, я взял фотографии чужого задания, в качестве предобработки прогнал эти фотографии через приложение фотосканер (Scanner Pro IOS) и затем прогнал всё через свой код.
Немного поигравшись с параметрами обработки у меня получился хороший результат. После чего я взял готовые png-шки и закинул их в «Заметки» на IPad, где замазал помарки и немного что-то переписал с помощью Apple Pencil. На выходе получилось сносного качества задание.
Примеры ниже
P.S. В итоге оказалось, что в качестве исходника я взял задание за прошлый семестр, где все задачи были другими, такие дела
Сейчас я уже на 4м курсе, а переписывать по прежнему не люблю. И когда передо мной встала задача переписать (списать) задание по квантовой механике, я решил поступить оригинально.
План был примерно такой:
—> Взять чужое задание, написанное на бумаге
—> На выходе получить задание, которое будто написано на графическом планшете
В качестве кода я взял бэкенд от моего телеграм бота, который как раз из фотографии рукописного текста делает png-шку с рукописным текстом и прозрачным фоном. Для надёжности я решил добавить ещё и стадию предобработки.
Таким образом, я взял фотографии чужого задания, в качестве предобработки прогнал эти фотографии через приложение фотосканер (Scanner Pro IOS) и затем прогнал всё через свой код.
Немного поигравшись с параметрами обработки у меня получился хороший результат. После чего я взял готовые png-шки и закинул их в «Заметки» на IPad, где замазал помарки и немного что-то переписал с помощью Apple Pencil. На выходе получилось сносного качества задание.
Примеры ниже
P.S. В итоге оказалось, что в качестве исходника я взял задание за прошлый семестр, где все задачи были другими, такие дела
1) фотография одного листа задания
2) после Scanner Pro
3) PNG на выходе моего кода
4) финальная версия с замазанными помарками
2) после Scanner Pro
3) PNG на выходе моего кода
4) финальная версия с замазанными помарками
Forwarded from Dan Okhlopkov - канал
500 пересылок этого сообщения и я выложу датасет с 110 000 компаниий из Angellist
Внутри:
🔹 название компании + ссылка + описание,
🔹 объем поднятых инвестиций и последней раунд,
🔹 число сотрудников, рынок, местоположение,
🔹 имя + title + ссылка 1-2 фаундеров,
🔹 ссылки на Linkedin, Facebook, Twitter, Angellist.
Актуальность - конец осени 2020.
Внутри:
🔹 название компании + ссылка + описание,
🔹 объем поднятых инвестиций и последней раунд,
🔹 число сотрудников, рынок, местоположение,
🔹 имя + title + ссылка 1-2 фаундеров,
🔹 ссылки на Linkedin, Facebook, Twitter, Angellist.
Актуальность - конец осени 2020.
Из интересного, продолжаю оформлять эквайринг для тг бота, которого делал в декабре, администратор канала с приватным (🔥) контентом.
Такое вот сообщение отправили в Яндекс Кассу. Также ниже будет скрины работы этого бота. Планирую запустить как только будет одобрена оплата.
“Данный бот предоставляет платный доступ к приватному телеграм каналу с авторским контентом. Стоимость 30 дней подписки - 249 рублей. По истечении 30 дней доступ к каналу блокируется. Вы можете как продлить подписку, так и возобновить её после истечения.
Процесс подключения каналу происходит по уникальной инвайт ссылке.
1. Бот запускается командой /start, после чего нужно нажать кнопку «Поехали», после чего появляется меню, где можно ознакомиться с инструкцией («как всё работает») или перейти к оплате («оплатить и подключиться»)
2. При нажатии «оплатить и подключиться» бот отправляет условия оплаты и опишет принцип, по которому происходит подключение к каналу.
3. Оплата происходит с помощью метода sendInvoice
4. После оплаты бот присылает инвайт ссылку на канал и начинает обратный отчёт. Уникальная инвайт ссылка действует всего 4 секунды. Однако, если пользователь не успел подключиться - то у него будет возможность перевыпустить ссылку
При любых проблемах с оплатой и подключением в боте есть контакт разработчика с которым можно связаться “
Такое вот сообщение отправили в Яндекс Кассу. Также ниже будет скрины работы этого бота. Планирую запустить как только будет одобрена оплата.
“Данный бот предоставляет платный доступ к приватному телеграм каналу с авторским контентом. Стоимость 30 дней подписки - 249 рублей. По истечении 30 дней доступ к каналу блокируется. Вы можете как продлить подписку, так и возобновить её после истечения.
Процесс подключения каналу происходит по уникальной инвайт ссылке.
1. Бот запускается командой /start, после чего нужно нажать кнопку «Поехали», после чего появляется меню, где можно ознакомиться с инструкцией («как всё работает») или перейти к оплате («оплатить и подключиться»)
2. При нажатии «оплатить и подключиться» бот отправляет условия оплаты и опишет принцип, по которому происходит подключение к каналу.
3. Оплата происходит с помощью метода sendInvoice
4. После оплаты бот присылает инвайт ссылку на канал и начинает обратный отчёт. Уникальная инвайт ссылка действует всего 4 секунды. Однако, если пользователь не успел подключиться - то у него будет возможность перевыпустить ссылку
При любых проблемах с оплатой и подключением в боте есть контакт разработчика с которым можно связаться “
Нейронные сети и Театр
Последние пару дней мы с моим товарищем продюсером обсуждаем одну очень интересную концепцию и ведём переговоры по её реализации с потенциальной площадкой и спонсорами.
"Могут ли нейронные сети работать с образами, способны ли они к творчеству?"
Читать
Последние пару дней мы с моим товарищем продюсером обсуждаем одну очень интересную концепцию и ведём переговоры по её реализации с потенциальной площадкой и спонсорами.
"Могут ли нейронные сети работать с образами, способны ли они к творчеству?"
Читать
Telegraph
Нейронные сети и Театр
Последние пару дней мы с моим товарищем продюсером обсуждаем одну очень интересную концепцию и ведём переговоры по её реализации с потенциальной площадкой и спонсорами. "Могут ли нейронные сети работать с образами, способны ли они к творчеству?" То есть…
Если на носу экзамен по квантовой механике (редкостная пакость) то что надо делать?
Правильно, продолжать писать письмо для спонсоров на проект по театрам.
Дальше продолжение первого текста, предполагаемый процесс обучения.
Тут есть два возможных пути решения:
1) Анализировать вектор на выходе BERT на предмет его эмоциональной окраски, т.е. вытаскивать все фичи связанные с эмоциями и на их основе делать отображение на язык инструментов визуализации.
2) Обучить модель, которая делает отображение вектора на выходе BERT в вектор, соответствующий выбору определенных параметров интсрументов визуализации. Например, на входе тревожный текст - на выходе тёмно синее освещение и музыка Ханса Циммера.
Процесс обучения для перечисленных выше подходов будет разным.
В случае 1го варианта потребуется корпус данных, посвящённый различным эмоциональным тональностям текстов. На входе (X) – фрагмент текста, на выходе – параметры, соотвествующие эмоциональной информации, заключённой в этом фрагменте (Y). (Например, тревожность, агрессия и т.д.)
Модель будет обучаться выделять эмоциональные характеристики текста на базе вектора, полученного после предобученной модели BERT.
То есть, на вход BERT получает фрагменты текста, на выходе выдаёт некоторые соответствующие им вектора, на базе которых и будет происходить обучение модели.
Дальнейший переход от эмоциональных характеристик к параметрам инструментов визуализации может быть реализован, например, с помощью деревьев решений или простой цепочки if-else.
Для второго варианта потребуется уже корпус данных, состоящий из пар: «фрагмент текста – параметры инструментов визуализации», использующиеся во время театральных постановок для этого фрагмента текста.
Такой датасет потребуется собирать вручную (как на базе заснятых постановок, так и на базе опроса разных режиссеров).
При наличии такого набора данных можно обучить модель отображать вектор, полученный на выходе BERT, в вектор, конфигурирующий параметры инструментов визуализации.
Правильно, продолжать писать письмо для спонсоров на проект по театрам.
Дальше продолжение первого текста, предполагаемый процесс обучения.
Тут есть два возможных пути решения:
1) Анализировать вектор на выходе BERT на предмет его эмоциональной окраски, т.е. вытаскивать все фичи связанные с эмоциями и на их основе делать отображение на язык инструментов визуализации.
2) Обучить модель, которая делает отображение вектора на выходе BERT в вектор, соответствующий выбору определенных параметров интсрументов визуализации. Например, на входе тревожный текст - на выходе тёмно синее освещение и музыка Ханса Циммера.
Процесс обучения для перечисленных выше подходов будет разным.
В случае 1го варианта потребуется корпус данных, посвящённый различным эмоциональным тональностям текстов. На входе (X) – фрагмент текста, на выходе – параметры, соотвествующие эмоциональной информации, заключённой в этом фрагменте (Y). (Например, тревожность, агрессия и т.д.)
Модель будет обучаться выделять эмоциональные характеристики текста на базе вектора, полученного после предобученной модели BERT.
То есть, на вход BERT получает фрагменты текста, на выходе выдаёт некоторые соответствующие им вектора, на базе которых и будет происходить обучение модели.
Дальнейший переход от эмоциональных характеристик к параметрам инструментов визуализации может быть реализован, например, с помощью деревьев решений или простой цепочки if-else.
Для второго варианта потребуется уже корпус данных, состоящий из пар: «фрагмент текста – параметры инструментов визуализации», использующиеся во время театральных постановок для этого фрагмента текста.
Такой датасет потребуется собирать вручную (как на базе заснятых постановок, так и на базе опроса разных режиссеров).
При наличии такого набора данных можно обучить модель отображать вектор, полученный на выходе BERT, в вектор, конфигурирующий параметры инструментов визуализации.