Видео

а где jump?

Супер!

Спасибо

Очень слабое видео. Ни слова о рантайме, динамической/статической линковке, переносимости приложения, кроссплатформенной компиляции, отличиях от других компиляторов

specify commit message pycharm что это?

Ловко футболист ускользнул от CV

Спасибо! Бонусом на 12 минуте раскрыт секрет Ольги Бузовой

пуанта шлеп )) сидя с маком - работать в бубунте ))

Вообще красавчик, от души)))

Это худшее обучающее видео, что я видел. Прочитал инфу в инете и понял больше и подробнее. Складывается ощущение, что автор вообще не знает тему, и сам впервые читает этот текст

Спасибо!

Я новичок..мне это было очень полезно, спасибо!!!

Спасибо за урок 👍✌️

Спасибо за интересный урок 🖖👍✌️

жееесть меня Райан Гослинг учит программирвоню

так какое направление в вузе закончили?

с помощью KMeans и 3 кластеров, сколько образцов находится в кластере 1?

2024 год отличное видео, все по делу, все работает

А как подтянуть с гита обновления проекта, если проект делается с нескольких устройств? Зачем я посмотрел 10 минут....

Автор, научишь произносить и читать слова на английском. Это первый момент. Второй момент - ты первые минуты 2 одно и то же говорил разными словами, что дико взбесило и заставило подумать, что ты просто неуч. Пришел в прогу без бэкграунда и пытаешься быть умным. Никогда не любил таких. Сидите тогда уж молча и учитесь всему, а не вылезайте на свет , подснежники

Спасибо большое за информацию!

Создал в github репазиторий. За пушил файлы на рабочем пк. На домашнем пк как запушить допифайлы в этот репазиторий ? С домашнего пк получается только при создании новоготрепазитория. И ключ новый создавать. Работал через кансоль Гит баш

4.1 from flask import Flask, request, jsonify from statsmodels.tsa.statespace.sarimax import SARIMAX import pandas as pd app = Flask(__name__) # Загрузка данных data = pd.read_csv('data.csv') # Обработка запроса и возврат результата прогноза @app.route('/predict', methods=['POST']) def predict(): req_data = request.get_json() cluster_id = req_data['cluster_id'] feature_name = req_data['feature_name'] steps = req_data['steps'] # Выбор данных для конкретного кластера и характеристики cluster_data = data[data['cluster_id'] == cluster_id][[feature_name]] # Обучение модели SARIMA model = SARIMAX(cluster_data, order=(1, 1, 1), seasonal_order=(1, 1, 1, 12)) results = model.fit() # Прогноз на указанное количество шагов вперед forecast = results.forecast(steps=steps) # Формирование и отправка ответа response = {'forecast': forecast.tolist()} return jsonify(response) if __name__ == '__main__': app.run(debug=True)

4.3 Программная документация API Метод: POST Путь: /predict Описание: Этот метод позволяет получить прогноз значения характеристики для заданного кластера на выбранный период времени. Параметры запроса: cluster_id (int): Идентификатор кластера. feature_name (str): Название характеристики. steps (int): Количество шагов прогнозирования. Пример запроса: json Copy code { "cluster_id": 1, "feature_name": "feature1", "steps": 12 } Пример ответа: json Copy code { "forecast": [10.5, 11.2, 11.7, ..., 12.3] } Приложение с графическим интерфейсом (GUI) Приложение с графическим интерфейсом позволяет пользователям просматривать прогноз значения характеристик для заданного кластера на выбранный период времени. Инструкции по использованию: Запустите приложение. Выберите кластер из выпадающего списка. Выберите характеристику из выпадающего списка. Введите количество шагов (период) в соответствующее поле. Нажмите кнопку "Получить прогноз". Результат прогноза будет отображен под кнопкой. Помните, что эта документация должна быть адаптирована под конкретные детали вашего приложения и API, такие как наименования параметров, пути и форматы данных. Также убедитесь, что вы предоставляете достаточно информации, чтобы пользователи могли успешно использовать ваше приложение и API.

4.1 from flask import Flask, request, jsonify from statsmodels.tsa.statespace.sarimax import SARIMAX import pandas as pd app = Flask(__name__) # Загрузка данных data = pd.read_csv('data.csv') # Обработка запроса и возврат результата прогноза @app.route('/predict', methods=['POST']) def predict(): req_data = request.get_json() cluster_id = req_data['cluster_id'] feature_name = req_data['feature_name'] steps = req_data['steps'] # Выбор данных для конкретного кластера и характеристики cluster_data = data[data['cluster_id'] == cluster_id][[feature_name]] # Обучение модели SARIMA model = SARIMAX(cluster_data, order=(1, 1, 1), seasonal_order=(1, 1, 1, 12)) results = model.fit() # Прогноз на указанное количество шагов вперед forecast = results.forecast(steps=steps) # Формирование и отправка ответа response = {'forecast': forecast.tolist()} return jsonify(response) if __name__ == '__main__': app.run(debug=True)

3.1 import pandas as pd # Загрузка данных data_2019 = pd.read_csv('data_2019.csv') data_2020 = pd.read_csv('data_2020.csv') data_2021 = pd.read_csv('data_2021.csv') # Сравнительный анализ кластеров for cluster_id in sorted(data_2019['cluster_id'].unique()): cluster_data_2019 = data_2019[data_2019['cluster_id'] == cluster_id] cluster_data_2020 = data_2020[data_2020['cluster_id'] == cluster_id] cluster_data_2021 = data_2021[data_2021['cluster_id'] == cluster_id] # Выявление устойчивых закономерностей для каждого кластера print(f"Cluster {cluster_id}:") # Характеристика 1 feature1_2019_mean = cluster_data_2019['feature1'].mean() feature1_2020_mean = cluster_data_2020['feature1'].mean() feature1_2021_mean = cluster_data_2021['feature1'].mean() print("Mean of Feature 1:") print(f" 2019: {feature1_2019_mean}") print(f" 2020: {feature1_2020_mean}") print(f" 2021: {feature1_2021_mean}") # Характеристика 2 feature2_2019_mean = cluster_data_2019['feature2'].mean() feature2_2020_mean = cluster_data_2020['feature2'].mean() feature2_2021_mean = cluster_data_2021['feature2'].mean() print("Mean of Feature 2:") print(f" 2019: {feature2_2019_mean}") print(f" 2020: {feature2_2020_mean}") print(f" 2021: {feature2_2021_mean}") print() 3.2 import matplotlib.pyplot as plt # Функция для визуализации динамики изменения характеристик для каждого кластера def plot_cluster_dynamics(cluster_id, feature_name, data_2019, data_2020, data_2021): cluster_data_2019 = data_2019[data_2019['cluster_id'] == cluster_id] cluster_data_2020 = data_2020[data_2020['cluster_id'] == cluster_id] cluster_data_2021 = data_2021[data_2021['cluster_id'] == cluster_id] # Получение средних значений характеристики для каждого года feature_values_2019 = cluster_data_2019[feature_name] feature_values_2020 = cluster_data_2020[feature_name] feature_values_2021 = cluster_data_2021[feature_name] # Построение графика plt.figure(figsize=(10, 6)) plt.plot(feature_values_2019, label='2019') plt.plot(feature_values_2020, label='2020') plt.plot(feature_values_2021, label='2021') plt.title(f"Dynamics of {feature_name} for Cluster {cluster_id}") plt.xlabel('Time') plt.ylabel(feature_name) plt.legend() plt.show() # Пример визуализации динамики изменения характеристик для кластера 1 и его характеристики feature1 и feature2 plot_cluster_dynamics(1, 'feature1', data_2019, data_2020, data_2021) plot_cluster_dynamics(1, 'feature2', data_2019, data_2020, data_2021) 3.3 from statsmodels.tsa.statespace.sarimax import SARIMAX import matplotlib.pyplot as plt # Функция для прогнозирования и визуализации результатов def forecast_and_plot(cluster_id, feature_name, data, steps): # Выбор данных для конкретного кластера и характеристики cluster_data = data[data['cluster_id'] == cluster_id][[feature_name]] # Обучение модели SARIMA model = SARIMAX(cluster_data, order=(1, 1, 1), seasonal_order=(1, 1, 1, 12)) results = model.fit() # Прогноз на указанное количество шагов вперед forecast = results.forecast(steps=steps) # Визуализация результатов plt.figure(figsize=(10, 6)) plt.plot(cluster_data, label='Actual') plt.plot(range(len(cluster_data), len(cluster_data) + steps), forecast, label='Forecast') plt.title(f"Forecast of {feature_name} for Cluster {cluster_id}") plt.xlabel('Time') plt.ylabel(feature_name) plt.legend() plt.show() # Пример прогнозирования для кластера 1 и его характеристик feature1 и feature2 forecast_and_plot(1, 'feature1', data_2019, steps=24) # Прогноз на 2 года (24 месяца) forecast_and_plot(1, 'feature2', data_2019, steps=24) # Прогноз на 2 года (24 месяца)

6лять! уже не знаю какой по счёту гений рассказывает гайд по созданию и работе с репозиторием но ни один не додумался сказать как обновить чужой репозиторий у себя с Гитхаба

спасибо

Лучшее видео по данной теме, что я видел.

Надо было подготовиться! Понятие кластеризации промямлено

Зачем строить проекции , если можно эти параметры просто сравнить?

Ассалому алейкум Спасибо огромное видео было очень полезным!!!!

Прикольно, пытаюсь сам сделать по книге Ярошенка.А.А. "хакинг на с++", но не выходит запустить через командную строку, не доходит какие команды нужно ибо пишет ошибка...

GNU то есть нагибаю я понял))

Получается зная С можно создать Операционную систему?

Спасибо большое!

С П А С И Б О !

да классно понятно очень

Огромное спасибо

Лучший видос по теме!

Всё конечно круто, а как соединить ветку main и master? Чтобы это был целый проект?

Очень хорошее по содержанию Видео и классное музло на заставке ;-) Подписался на Ваш канал. Если Вы не возражаете, то примите пожелание - выкладывайте пожалуйста не только исходные данные но и сам листинг программного кода - мне было бы это очень удобно и сэкономило массу времени

Если у меня колонка «fips” где все коды города нужно из конвертировать в integer? Или оставить как object? И если я хочу предсказать количество кейсов в каждом fips мне нужно y=“cases” а x = «date”, “fips” , “population “ (много переменных брать?) и дни у меня не разбиты по колонкам, это принципиально?

зачилься другалек

Сделайте пожалуйста видео - в котором вы показываете, как команда взаимодействует с помощью гитхаба

А разве 10 == 4 > 6 не преобразуется в 10 == 4 and 4 > 6 ?

бро... учить не твоё

Есть недочеты, если работаешь не через IOS, значок VCS остается, а где этот Git hz, 5:10.((

Спасибо за видео. Когда 17 и 20?

А если не добавляется origin ?