Обзор возможностей программы 1С:Документооборот 8Andrey KukanovВебинар:
"Две столицы разговаривают о программе "1С:Документооборот"
В программе:
* Концепция продукта 1С:Документооборот, обзор возможностей
* Организация файлового хранилища
* Документооборот как способ структурирования информации
Ведущие вебинара:
Андрей Куканов (Москва)
Сергей Каплин (Санкт-Петербург)
Организаторы - Анна Нечаева, Алла Ковалева
Курс предназначен для сотрудников компании "Первый БИТ".(всех 69 офисов в 7 странах)
Презентация "1С:Документооборот на интерфейсе ТАКСИ – легкое решение"Helen KoptevaКомпания "Кодерлайн" провела вебинар "1С:Документооборот на интерфейсе ТАКСИ – легкое решение". Предлагаем презентацию, которую подготовил ведущий вебинара Андрей Куканов.
DBD lection 1. Intro in Database Design. In Russian.mikhaelsmirnovOverview all that needed in this course: literature, software, competentions. Plan of course on '15 studing year.
Презентация "1С:Документооборот на интерфейсе ТАКСИ – легкое решение"Helen KoptevaКомпания "Кодерлайн" провела вебинар "1С:Документооборот на интерфейсе ТАКСИ – легкое решение". Предлагаем презентацию, которую подготовил ведущий вебинара Андрей Куканов.
DBD lection 1. Intro in Database Design. In Russian.mikhaelsmirnovOverview all that needed in this course: literature, software, competentions. Plan of course on '15 studing year.
Мастер-класс: Особенности создания продукта для мобильного вебTechnosphere114.05.14
Мастер-класс: Особенности создания продукта для мобильного веб
Спикер: Александр Лысков
Лекция №12 "Ограниченная машина Больцмана" Technosphere1Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова. Курс "Алгоритмы интеллектуальной обработки больших объемов данных", Лекция №12 "Ограниченная машина Больцмана"
Лектор - Павел Нестеров
Нейросетейвой автоэнкодер. Стохастические и рекурентные нейронные сети. Машина Больцмана и ограниченная машина Больцмана. Распределение Гиббса. Алгоритм contrastive divergence для обучения РБМ. Сэмплирование данных из РБМ. Бинарная РБМ и гауссово-бинарная РБМ. Влияние регуляризации, нелинейное сжатие размерности, извлечение признаков. Semantic hashing.
Видео лекции курса https://www.youtube.com/playlist?list=PLrCZzMib1e9pyyrqknouMZbIPf4l3CwUP
NoSQL внутри SQL: приземленные вопросы практического применения / Дмитрий До...OnticoЧтобы добиться от системы максимальной производительности, необходимо учитывать структуру данных, с которыми вы работаете. Проблемы возникают, если данные очень неоднородные, и один из способов решения этих проблем - использовать возможности современных реляционных БД для хранения данных в документо-ориентированной форме.
Этот подход имеет свои плюсы и минусы, которые будут обсуждаться в докладе на примерах PostgreSQL/MySQL/MariaDB etc.
Основные вопросы:
* конечно, производительность тех или иных решений и подходов - чего необходимо избегать, а чего бояться не стоит (бенчмарки для разных конфигураций и видов нагрузки);
* способы безболезненного переноса данных в такой формат.
Firebird DataGuard - Еще раз об уверенности в завтрашнем днеAlexey KovyazinFBDataGuard следит за базой данных Firebird, защищает ее от повреждений и сообщает администратору о потенциальных проблемах с базой данных.
Бизнес-контекст, совместная работа и согласованность для интеллектуального уп...Andrew SovtsovВебинар компании Embarcadero.
ER/Studio — это основной компонент реализации программы управления корпоративных данными. Быстрая и точная интерпретация данных, совместное и многократное их использование помогают повысить качество принимаемых решений.CONNECT делает средства для работы с базами данных более интеллектуальными, на лету дополняя данные бизнес-контекстом и функциями совместной работы, что повышает эффективность работы организации
11 - Web-технологии. Работа с СУБДRoman Brovko1. Реляционная модель данных
2. Проектирование баз данных
3. Работа с СУБД в Python
4. Работа с СУБД в Django
5. Понятие ORM, модели Django
6. Описание таблиц и связей в модели Django
7. Типы полей в моделях
Мониторинг, тюнинг и оптимизация баз данных, используя продукты Dell SoftwareBAKOTECHПрезентация Владислава Самойленко, Senior Sales Engineer, BAKOTECH GROUP на конференции SQLSaturday Kiev 2015 (2015/05/23).
Мониторинг, тюнинг и оптимизация баз данных, используя продукты Dell SoftwareMarina GryshkoПрезентация Владислава Самойленко, Senior Sales Engineer, BAKOTECH GROUP на конференции SQLSaturday Kiev 2015 (2015/05/23).
Введение в gRPC / Introduction to gRPCMad DevsВ презентации рассказывается о gRPC как об удобном инструменте для решения задач в микросервисных архитектурах, связанных со скоростью общения в сети, сериализацией и стримингом данных и т.д.
The presentation describes the gRPC as a useful framework to solve the issues in micro service architectures, related to network communication speed, data serialization and streaming, and etc.
Автор: Геннадий Карев / Gennady Karev
Перепись приложения. Нативного. На JS. Done. | Odessa Frontend Meetup #10OdessaFrontendKeepSolid Sign — приложение для подписи документов под все популярные платформы. Его ядро написано на C++ и однажды поступила задача сделать веб-версию. Тимофей Лавренюк рассказывает о том, через что получилось пройти, чтобы в итоге сделать веб-приложение не хуже нативного.
Лекция №10 "Алгоритмические композиции. Завершение" Technosphere1Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова. Курс "Алгоритмы интеллектуальной обработки больших объемов данных", Лекция №10 "Алгоритмические композиции. Завершение"
Лектор - Владимир Гулин
Ключевые идеи бустинга. Отличия бустинга и бэггинга. Алгорим AdaBoost. Градиентный бустинг. Мета-алгоритмы над алгоритмическими композициями. Алгоритм BagBoo.
Видео лекции курса https://www.youtube.com/playlist?list=PLrCZzMib1e9pyyrqknouMZbIPf4l3CwUP
Лекция №13 "Глубокие нейронные сети" Technosphere1Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова. Курс "Алгоритмы интеллектуальной обработки больших объемов данных", Лекция №13 "Глубокие нейронные сети"
Лектор - Павел Нестеров
Трудности обучения многослойного персептрона. Предобучение используя РБМ. Глубокий автоэнкодер, глубокая многослойная нейросеть. Deep belief network и deep Boltzmann machine. Устройство человеческого глаза и зрительной коры головного мозга. Сверточные сети.
Видео лекции курса https://www.youtube.com/playlist?list=PLrCZzMib1e9pyyrqknouMZbIPf4l3CwUP
Лекция №11 "Основы нейронных сетей" Technosphere1Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова. Курс "Алгоритмы интеллектуальной обработки больших объемов данных", Лекция №11 "Основы нейронных сетей"
Лектор - Павел Нестеров
Биологический нейрон и нейронные сети. Искусственный нейрон Маккалока-Питтса и искусственная нейронная сеть. Персептрон Розенблатта и Румельхарта. Алгоритм обратного распространения ошибки. Момент обучения, регуляризация в нейросети, локальная скорость обучения, softmax слой. Различные режимы обучения.
Видео лекции курса https://www.youtube.com/playlist?list=PLrCZzMib1e9pyyrqknouMZbIPf4l3CwUP
Лекция №9 "Алгоритмические композиции. Начало"Technosphere1Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова. Курс "Алгоритмы интеллектуальной обработки больших объемов данных", Лекция №9 "Алгоритмические композиции. Начало"
Лектор - Владимир Гулин
Комбинации классификаторов. Модельные деревья решений. Смесь экспертов. Stacking. Стохастические методы построения ансамблей классификаторов. Bagging. RSM. Алгоритм RandomForest.
Видео лекции курса https://www.youtube.com/playlist?list=PLrCZzMib1e9pyyrqknouMZbIPf4l3CwUP
Лекция №8 "Методы снижения размерности пространства" Technosphere1Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова. Курс "Алгоритмы интеллектуальной обработки больших объемов данных", Лекция №8 "Методы снижения размерности пространства"
Лектор - Владимир Гулин
Проблема проклятия размерности. Отбор и выделение признаков. Методы выделения признаков (feature extraction). Метод главных компонент (PCA). Метод независимых компонент (ICA). Методы основанные на автоэнкодерах. Методы отбора признаков (feature selection). Методы основанные на взаимной корреляции признаков. Метод максимальной релевантность и минимальной избыточности (mRMR). Методы основанные на деревьях решений.
Видео лекции курса https://www.youtube.com/playlist?list=PLrCZzMib1e9pyyrqknouMZbIPf4l3CwUP
Лекция №7 "Машина опорных векторов" Technosphere1Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова. Курс "Алгоритмы интеллектуальной обработки больших объемов данных", Лекция №7 "Машина опорных векторов"
Лектор - Николай Анохин
Разделяющая поверхность с максимальным зазором. Формулировка задачи оптимизации для случаев линейно-разделимых и линейно-неразделимых классов. Сопряженная задача. Опорные векторы. KKT-условия. SVM для задач классификации и регрессии. Kernel trick. Теорема Мерсера. Примеры функций ядра.
Видео лекции курса https://www.youtube.com/playlist?list=PLrCZzMib1e9pyyrqknouMZbIPf4l3CwUP
Лекция №6 "Линейные модели для классификации и регрессии" Technosphere1Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова. Курс "Алгоритмы интеллектуальной обработки больших объемов данных", Лекция №6 "Линейные модели для классификации и регрессии"
Лектор - Николай Анохин
Обобщенные линейные модели. Постановка задачи оптимизации. Примеры критериев. Градиентный спуск. Регуляризация. Метод Maximum Likelihood. Логистическая регрессия.
Видео лекции курса https://www.youtube.com/playlist?list=PLrCZzMib1e9pyyrqknouMZbIPf4l3CwUP
Лекция №5 "Обработка текстов, Naive Bayes" Technosphere1Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова. Курс "Алгоритмы интеллектуальной обработки больших объемов данных", Лекция №5 "Обработка текстов, Naive Bayes"
Лектор - Николай Анохин
Условная вероятность и теорема Байеса. Нормальное распределение. Naive Bayes: multinomial, binomial, gaussian. Сглаживание. Генеративная модель NB и байесовский вывод. Графические модели.
Видео лекции курса https://www.youtube.com/playlist?list=PLrCZzMib1e9pyyrqknouMZbIPf4l3CwUP
Лекция №4 "Задача классификации"Technosphere1Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова. Курс "Алгоритмы интеллектуальной обработки больших объемов данных", Лекция №4 "Задача классификации"
Лектор - Николай Анохин
Постановка задач классификации и регрессии. Теория принятия решений. Виды моделей. Примеры функций потерь. Переобучение. Метрики качества классификации. MDL. Решающие деревья. Алгоритм CART.
Видео лекции курса https://www.youtube.com/playlist?list=PLrCZzMib1e9pyyrqknouMZbIPf4l3CwUP
Лекция №2 "Задача кластеризации и ЕМ-алгоритм"Technosphere1Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова. Курс "Алгоритмы интеллектуальной обработки больших объемов данных", Лекция №2 "Задача кластеризации и ЕМ-алгоритм"
Лектор - Николай Анохин
Постановка задачи кластеризации. Функции расстояния. Критерии качества кластеризации. EM-алгоритм. K-means и модификации.
Видео лекции курса https://www.youtube.com/playlist?list=PLrCZzMib1e9pyyrqknouMZbIPf4l3CwUP
Лекция №1 "Задачи Data Mining" Technosphere1Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова. Курс "Алгоритмы интеллектуальной обработки больших объемов данных", Лекция №1 "Задачи Data Mining"
Лектор - Николай Анохин
Обзор задач Data Mining. Стандартизация подхода к решению задач Data Mining. Процесс CRISP-DM. Виды данных. Кластеризация, классификация, регрессия. Понятие модели и алгоритма обучения.
Видео лекции курса https://www.youtube.com/playlist?list=PLrCZzMib1e9pyyrqknouMZbIPf4l3CwUP
Лекция №3 "Различные алгоритмы кластеризации"Technosphere1Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова. Курс "Алгоритмы интеллектуальной обработки больших объемов данных", Лекция №3 "Различные алгоритмы кластеризации"
Лектор - Николай Анохин
Иерархическая кластеризация. Agglomerative и Divisive алгоритмы. Различные виды расстояний между кластерами. Stepwise-optimal алгоритм. Случай неэвклидовых пространств. Критерии выбора количества кластеров: rand, silhouette. DBSCAN.
Видео лекции курса https://www.youtube.com/playlist?list=PLrCZzMib1e9pyyrqknouMZbIPf4l3CwUP
9. Задачи проектирования
Обеспечение хранения всей необходимой
информации
Обеспечение возможности получения данных
по всем запросам
Сокращение избыточности и дублирования
данных
Обеспечение целостности данных
10. Проектирование на
практике
Логическое разделение сущностей
Выделение первичных ключей
Связи 1:Nреализуются через внешний ключ
Связи N:M реализуются через промежуточную
таблицу
Аттрибут с фиксированным числом значений -
внешняя таблица либо enum
18. Индексы на практике
Индексы для полей, по которым происходит
JOIN
Индексы для полей, по которым фильтруются
записи
Индексы для полей, по которым идет
сортировка
Проверять план выполнения запроса EXPLAIN
Управление оптимизатором запросов
27. Raw SQL vs ORM
ursor.execute('select*fromuserswhereage>18')
oruserincursor.fetchall():
pk,name,age=user
printname
VS
oruserinUser.objects.filter(age__gt=18):
printuser.name
28. Модели и типы данных
lassPost(models.Model):
title=models.CharField(max_length=255)
content=models.TextField()
creation_date=models.DateTimeField(
default=datetime.datetime.now
)
def__unicode__(self):
returnself.title
defget_absolute_url(self):
return'/post/%d/'%self.pk
classMeta:
ordering=['-creation_date’]