канал Максима Еремеева

Подведём промежуточные итоги исследования про «рельсы-рельсы» За то время, что форма висела в канале (а также кьюаркодом на стенах в нескольких городах), собралось 200+ ответов. В эту субботу опрос опубликовали в N+1, что, надеюсь, принесёт ещё много материала, по которому можно будет написать большую и интересную статью. А пока посмотрим на то, что есть сейчас https://telegra.ph/Relsy-relsy--promezhutochnye-itogi-07-26

Взял базу gotquestions (6701 пакет, 436 тысяч вопросов, 9430 авторов) и посчитал для каждого автора лексическое разнообразие: сколько уникальных лемм он использует в первых 25 000 словах своих вопросов и комментариев. Идею подсмотрел у Ильи Иноземцева, который так же мерил словарный запас рэперов. Прошли порог надёжности (25к слов) 149 авторов. Медиана — 5908 уникальных лемм. В топе Леонид Климович, Александр Мудрый, Евгений Кононенко, Сергей Донецков и Борис Бурда. Всё живёт в интерактивной инфографике: поиск, сортировка, светлая и тёмная тема, а по клику на любое имя открывается профиль автора на gotquestions: https://imangulova.github.io/chgk-vocab/

Навайбкодил минималистичный планнер с возможностью создать несколько матриц Эйзенхауэра — каждая под что-то своё. Данные хранятся локально, при желании можно выкачать и залить обратно Страница: https://maximkou1.github.io/Eisenhowerboard/ Репозиторий: https://github.com/Maximkou1/Eisenhowerboard

Некоторые бесполезные наблюдения, сделанные при общении с ЧатГПТ

…получилось круто, но увидеть, как карта выглядит и изменяется в реальном времени, не получится — это-то я и решил реализовать Мой проект обходится без PrayTime: программа берёт текущее всемирное время и вычисляет долготы, на которых солнечные лучи падают под углом, необходимым для той или иной молитвы. Такой подход не учитывает ряд нюансов, но для наглядной визуализации, кажется, подходит хорошо. Все мечети из датасета, попадающие в границы пяти подвижных зон, отмечаются на карте как активные. Всего мечетей почти 100 тысяч (впрочем, это едва ли одна сороковая от реального количества), у некоторых даже подписаны названия Репозиторий: https://github.com/Maximkou1/adhan-map

В конце прошлого года много гулял в местах с высокой концентрацией мечетей — сначала по мединам Марокко, потом в Стамбуле. За это время как-то очаровался пением муэдзинов, которое пять раз в день на несколько минут заполняло собой всё вокруг Стало интересно, где вообще в мире вот в эту конкретную минуту можно услышать азан. Нашёл такую работу: автор эвристически выбрал 23 тысячи городов по всему миру, с помощью библиотеки PrayTime рассчитал для этих городов время ежедневной молитвы и отобразил на карте суточный цикл. Получилось круто, посмотрите! https://www.youtube.com/watch?v=IQg3wbQmg7U

Рельсы-рельсы, шпалы-шпалы… Помните, как там дальше? Если помните — заполните, пожалуйста, небольшую форму — У этой пестушки (или, как предложила Т. К. Николаева в заметке журнала «Живая старина», щипалки) много разных вариантов. Есть подозрения, что какие-то варианты могут коррелировать с регионом происхождения носителя, но подробных работ на эту тему пока нет. Я хочу собрать данные от респондентов из разных регионов и сделать прикольную инфографику — вроде той, что делали в n+1 про жадину-говядину Буду благодарен, если перешлёте форму тем, кому это может быть интересно! «Политизированный» вариант из той же заметки Николаевой для привлечения внимания

Для задачи authorship attribution дообучил RuBERT на выборке вопросов топ-20 авторов спортивного ЧГК за всё время (без соавторов, учитывая только вопросы без раздаточного материала) Из примечательного: • самый узнаваемый стиль у Александра Сидоренкова (f1=0.877 на тесте), а наименее различимый — у Александра Коробейникова (f1=0.427); • модель сравнительно часто путает вопросы Дмитрия Башука, Игоря Волобуева, Максима Евланова и Ольги Неумывакиной — коллег по команде «От Винта - Братья по фазе» (Харьков); • некоторые вопросы Бориса Моносова модель ошибочно атрибутирует Константину Науменко и Александру Коробейникову (верно и обратное, но случается реже)

Мы хотим сделать рекомендательную систему, которая будет подбирать музыку под настроение пользователя. Для обучения модели было решено собрать свой датасет, с чем вы можете очень помочь! Нужно оценивать ТЕКСТЫ песен по двум параметрам: Valence (насколько позитивные/негативные эмоции передаёт текст) и Arousal (насколько текст кажется активным/пассивным). Можно сильно не вникать в тонкости значения каждого конкретного слова — просто прочитайте текст и доверьтесь своим ощущениям. Оценивайте, что называется, по вайбам В основе системы лежит круговая модель эмоций, предложенная Джеймсом Расселом (см. картинку1 и статью). Пользователь сможет выбрать на диаграмме значения для текста и звучания, просто ткнув в нужную точку, а система подберёт наиболее подходящую под запрос песню (см. пример на картинке2) Приятный бонус: в процессе разметки вы наверняка узнаете о новых для себя исполнителях и песнях Попробовать можно по ссылке: /закрыто/

Привет! Я объединил тексты вопросов и данные с турнирного сайта по шести этапам ОВСЧ сезона 24/25 в базу данных Neo4j. На её основе сделал приложение, где можно посмотреть сложность вопросов и статистику по каждой команде-участнице Подробнее в репо: https://github.com/Maximkou1/ovsch-stats/

Channel created