#pythorch | Explore Tumblr posts and blogs

wantwant · 2 years ago

Text

Stable Diffusionに興味を持ったけどMacしか持っていないのでPythonで何とかしようと思ったけどPython触ったことないので何とかする？

Homebrewは入っているのでそれでやってみるここを参考

brew install python3

pythonを実行するコマンドは以下のように「3」を付けるらしい。これでバージョンがみれる。Rubyだと数字付けないからミスった

python3 -V

つぎに参照するリンク

ckptファイルだと何かダメらしいので、それを良い感じにしたい

なんかいろいろパッケージ入れなきゃいけないみたいでややこしい

まずpythorch

pip3 install torch torchvision torchaudio ERROR: Could not find a version that satisfies the requirement torch (from versions: none) ERROR: No matching distribution found for torch WARNING: You are using pip version 19.2.3, however version 22.3.1 is available. You should consider upgrading via the 'pip install --upgrade pip' command.

pipのバージョンをあげろっていわれた。pipってなんだよ。

なんか言われた通りにやってみたけど挫折。

つぎこっちみる

minicondaってやつをいれるらしい。

うまくいかなかったので、日付回ったし朝早いので寝る

0 notes

petrosolgas · 3 years ago

Text

Oportunidades no setor da tecnologia: Companhia Flex está com diversas vagas de emprego disponíveis para profissionais de todo o Brasil

Se você está em busca de novas oportunidades de trabalho no mercado nacional da tecnologia, esse é o seu momento. A companhia Flex está neste sábado, (03/12), com as inscrições abertas para os processos seletivos de diversos cargos disponíveis no seu quadro de funcionários. As vagas de emprego são para todo o Brasil e você já pode iniciar a sua candidatura para concorrer aos cargos.

Veja as vagas de emprego abertas pela companhia

Analista de Desenvolvimento de Software

A Flex está em busca de profissionais qualificados na região de Sorocaba para o preenchimento das vagas de emprego no cargo de Analista de Desenvolvimento de Software. Os requisitos para o posto de trabalho são:

Conhecimento de metodologias ágeis;

Padrão de Desenho de Software (Design Patterns — Elements of Reusable Object — Oriented Software);

Sistemas Operacionais Móveis (IOS e/ou Android);

Conhecimento de ambientes Cloud (AWS, Azure);

Banco de Dados Não-Relacional (Ex: MongoDB ou ELK stack);

Banco de Dados Relacional (Ex: SQL Server, Postgresql);

Ferramentas Jira, Confluence.

Realize aqui as inscrições nos processos seletivos para Analista de Desenvolvimento de Software!

Coordenador de Desenvolvimento de Software

Se você possui experiência no segmento da tecnologia e busca novas oportunidades de atuação no mercado, a Flex está com vagas de emprego abertas para Coordenador de Desenvolvimento de Software. Você precisará cumprir apenas os seguintes requisitos:

Ensino Superior Completo em Processamento de Dados, Sistemas de Informação, Engenharia da Computação ou Análise de Sistemas, outras áreas de Informática ou Tecnologia da Informação;

Linguagens de Programação (ex: JAVA, C#, C++, dentre Outras);

Qualidade em Desenvolvimento de Softwares;

Metodologia ágil de Desenvolvimento de Sistemas (Scrum);

Liderança e Gestão de Pessoas;

Inglês avançado.

Realize aqui as inscrições nos processos seletivos para Coordenador de Desenvolvimento de Software!

Conheça outros cargos disponíveis na Flex

Engenheiro

Ainda para a região de Sorocaba, a Flex está disponibilizando oportunidades de atuação no cargo de Engenheiro. Os requisitos para as vagas de emprego aberta são:

Ensino Superior Completo em Engenharia de Controle e Automação;

Robótica e Automação: comissionamento e programação;

Projeto elétrico em EPLAN, definição de BOM;

Documentação da lógica de programação do sistema;

Programação e configuração de rede de automação;

Normas Regulamentadoras (NR12 e outras) e de máquinas;

Ferramentas Office (Outlook, Word, PowerPoint, Excel);

Processos manufatureiro de produtos eletroeletrônicos.

Realize aqui as inscrições nos processos seletivos para Engenheiro!

Arquiteto de Software

Os profissionais com experiência no ramo da tecnologia e no cargo de Arquiteto de Software já podem fazer a candidatura nas vagas de emprego da Flex. Os requisitos necessários são:

Ensino Superior Completo em Processamento de Dados, Sistemas de Informação, Engenharia da Computação, Análise de Sistemas, outras áreas de Informática ou Tecnologia da Informação;

Linguagem Orientada a Objetos (Ex: C#, Python);

Linguagem Web (Ex: React, Angular);

Ferramentas e processos de DevOps.

Realize aqui as inscrições nos processos seletivos para Arquiteto de Software!

Cientista de Dados

Por fim, estão disponíveis oportunidades de atuação no mercado nacional como Cientista de Dados. Os requisitos necessários para isso são:

Graduação completa em Ciência da Computação ou área técnica relacionada;

Ética de IA;

Linguagens como Java, Python, C #, Go, Pythorch, Jupyter Notebook;

Tecnologias web como CSS, web services, JavaScript e tecnologias web similares;

Conceitos de Inteligência Artificial e Machine Learning (Novos algorítimos, ferramentas, publicações, etc);

Analise e engenharia de grandes conjuntos de dados (SQL/noSQL, Tableau, KPIs, Métricas)

Nuvem (AWS, Azure ou GCP);

Realize aqui as inscrições nos processos seletivos para Cientista de Dados!

O post Oportunidades no setor da tecnologia: Companhia Flex está com diversas vagas de emprego disponíveis para profissionais de todo o Brasil apareceu primeiro em Petrosolgas.

0 notes

lucasrfsblog · 4 years ago

Text

Ciência de Dados: Agile Data Science Escalável

Ciência de Dados: Agile Data Science Escalável – Aula 2 – Parte 1

Professor: Renato Barbosa

EP 04. Construindo um modelo de machine learning

Conteudo:

[Dados e Lake]

1- O objetivo do data lake é armazenar dados de qualquer natureza. (O volume deve ser considerado pois o data lake sempre vai crescer)

2- Catalogar os dados armazenados. (Indexação dos dados armazenados no data lake)

3- Governança dos dados. (Criar mecanismos de controle de acesso e proteção dos dados)

[Construção do modelo] – Crisp DM

1- Identificar o problema que deve ser resolvido. Ir até a área de negócios e entender a fundo as caracteriscas do problema e identificar quais dados devem ser usados para resolve-lo.(Business Understanding)

2- Levantar e entender quais dados serão necessários para resolver o problema de negocio. (Data Understanding)

3- Preparar os dados. (Data Preparation) – Etapa de seleção dos dados necessários para auxiliar na resolução do problema de negocio. (Data preparation)

4- Preparar o modelo de dados usando os dados coletados. (Modeling)

5- Avaliar o modelo preparado na etapa 2. (Evaluation) – Se a avaliação não tiver a acurácia esperada, voltar para a etapa 1 para entender melhor o problema que deve ser resolvido.

6- Com o modelo avaliado e acurácia aceita, realizar o deployment.

7- Iterar. (Realizar o ciclo crisp de forma continua e sempre melhorando de alguma forma)

[Feature engineering]

Preparação dos dados de acordo com o modelo selecionado.

[Principais fases]

- Exploração dos dados.

- Treinar o modelo.

- Consumir o modelo de IA. (Batch, realtime e na borda)

- Importante: Sempre monitorar.

“Esse meu modelo esta performando como esperado? Ele esta respondendo de forma rápida? Ele esta tendo acurácia?”

[Resumo]

Ciência de Dados: Agile Data Science Escalável – Aula 2 – Parte 2

Professor: Renato Barbosa

EP 05. Infraestrutura, frameworks e containers

Conteudo:

Infraestrutura:

Apesar das dependências de armazenamento em larga escala, conectividade e memoria em grandes quantidades, o principal compomente de Machine Learning continua sendo a capacidade computacional (CPU/GPU/TPU).

Camadas de processamento:

- Para algoritimos mais clássicos como os com base em estatística não é necessário o uso de GPUs ou TPU, basta um CPU comum para entregar o resultado esperado.

- Para algoritimos de redes neurais que demandam maior processamento de dados, recomenda-se o uso de GPUs. (Deep learning, visão computacional, NLT com bert, CNN, RNN ou LSTM)

- Para algoritimos de redes neurais que demandam maior processamento de dados, recomenda-se o uso de TPUs. (Deep learning, visão computacional, NLT com bert, CNN, RNN ou LSTM), a diferença neste cenário é que a TPU tem a capacidade de processar tensores.

- Para processamento de IA na borda (Celulares, câmeras, smart watches e etc) são empregados componentes como FPGAs.

“Cada vez mais as unidades de processamentos estão se especializando na necessidade de treinamento de modelos de IA.”

Framework:

Do mesmo jeito que a camada de hardware e infraestrutura esta cada vez mais se especializando em processamento e treinamento de modelos de IA, em software este cenário se repete com a criação dos 3 principais frameworks de mercado atualmente:

- TensorFlow (Google):

- Pythorch:

- Mxnet(Apache): Amplamente utilizado pela AWS, é opensource 100% e possui as seguintes características:

- Especializado em escala.

Ferramentas:

- Scikit learn: Utilizado especialmente para treinamentos de machine learning.

- Gluon:

- Keras:

Containers:

Da mesma forma que outras aplicações utilizam os containers para facilitar na hora de levar o código para produção, atualizar versões e etc, com machine learning não é diferente, containers vem sendo grandes parceiros de desenvolvedores em todos os sentidos e grandes aliados de operações por manterem seus estados.

- Volume de dados pode ser um problema quando utilizar containers.

[Arquitetura básica de ML]

[Resumo]

Ciência de Dados: Agile Data Science Escalável – Aula 2 – Parte 3

Professor: Renato Barbosa

EP 06. Explorando dados e preparando o treinamento

Conteudo:

Ferramentas de desenvolvimento:

Jupyter Notebook:

•Plataforma de desenvolvimento de código

• Une texto e código

• Visualização simplificada

• Execução por pedaços

• Debuging

• Suporta JUlia, PYThon & R = JUPYTER

Esta é uma ferramenta mais utilizada na exploração dos dados.

R Studio:

Muito utilizado para fazer analise estatística dos dados.

• Plataforma de analises estatísticas

• Simplifica desenvolvimento estatistico

• Visualização gráfica simplificada

• Execução por pedaços

• Debuging

• Suporta R

[ Preparação de dados ]

De uma forma muito direta, 80% do tempo gasto por um cientista de dados é preparando o dado para ser consumido ou inferido.

“O trabalho mais duro e mais pesado é preparar o dado.”

[Feature engineering]

[Segregação de dados]

Preparar o treinamento e segregação dos dados que serão utilizados para treinar e para validar o modelo treinado.

• Divisão do dataset para treinamento:

• Treinamento – 60% - 90%

• Validação – 40% - 10%

• Treinamento – 60% - 80%

• Validação – 20% - 10%

• Teste - 20% - 10%

[Resumo]

#data science #aula2

0 notes