Программисты — удалённая работа в Нижнем Новгороде

Data Science. Доработка существующего продукта, настройка. Это программа, которая должна получать с камеры(dev/video0) видео в потоковом формате(сейчас это h264) и транслировать по rtsp на мой ip в локальной сети(без доступа в интернет). Ваша задача - переделать работу с форматом потокового видео, было видео .h264, а теперь нужно потоковое, mpeg например. import gi gi.require_version('Gst', '1.0') gi.require_version('GstRtspServer', '1.0') from gi.repository import GLib, Gst, GstRtspServer from picamera2 import Picamera2 from picamera2.encoders import H264Encoder from picamera2.outputs import FfmpegOutput import socket # Функция для получения IP адреса def get_local_ip(): try: s = socket.socket(socket.AF_INET, socket.SOCK_DGRAM) s.connect(('[Телефон скрыт]', 1)) ip = s.getsockname()[0] except Exception: ip = '127.0.0.1' finally: s.close() return ip class CameraRtspFactory(GstRtspServer.RTSPMediaFactory): def init(self, pipeline): super(CameraRtspFactory, self).init() self.pipeline = pipeline def do_create_element(self, url): return self.pipeline def main(): # Инициализация камеры picam2 = Picamera2() video_config = picam2.create_video_configuration(main={"size": (1920, 1080)}) picam2.configure(video_config) encoder = H264Encoder(bitrate=17000000) # Инициализация RTSP сервера Gst.init(None) server = GstRtspServer.RTSPServer() server.set_service('8554') # Настройка выхода через GStreamer pipeline_str = ( 'appsrc ! videoconvert ! video/x-raw,format=I420 ! ' 'x264enc bitrate=17000 speed-preset=ultrafast tune=zerolatency ! ' 'rtph264pay name=pay0 pt=96 config-interval=1' ) gst_pipeline = Gst.parse_launch(pipeline_str) # Настройка выхода для камеры ffmpeg_output = FfmpegOutput(gst_pipeline.get_by_name("appsrc")) picam2.start_recording(encoder, ffmpeg_output) # Настройка RTSP factory = CameraRtspFactory(gst_pipeline) factory.set_shared(True) mount_points = server.get_mount_points() mount_points.add_factory("/test", factory) server.attach(None) ip = get_local_ip() print(f"Streaming RTSP at rtsp://{ip}:8554/test") loop = GLib.MainLoop() loop.run() if name == "main": main().

Уточните категорию: программисты. Data Science. Настройка, разработка с нуля. Добрый день нужно помочь скачать, установить с нуля MSsqlserver, Airflow, Click Далее настроить связку между ними то есть от Ms к Airflow далее к Click И протестировать первый даг. Скачать могу заранее что бы время не терять, только от вас нужны ссылку откуда и как. Прошу если вы не знаете как и пытаетесь набрать опыт не тратье свое и мое время!!!!.

Data Science. Разработка с нуля. Необходимо реализовать python приложение позволящие на основании запросов на естественном языке, выделить ключевые слова и сформировать запрос на конечную точку (webhook, CRM, обращение к API) 1) Приложение должно работать на русском языке 2) Иметь возможность формирования запросов с помощью естественного языка 3) Иметь интерактивный конструктор, в котором можно отредактировать запрос созданный ИИ или создать в ручную 4) Иметь возможность отредактировать запрос на естественном языке 5) Нативный конструктор и ИИ помощник наследуют друг-друга и имеею взаимосвязи, чтобы при одновременной работе они друг другу не противоречили 6) Датасет потенциальых задач и конечных точек предосталяеться, но имеет очень разреженный вид Ищем ML - разработчика Middle с опытом работы в задачах Speech-To-Text и NLP, удаленная работа, проектная занятость. Сумма указанная в задаче носит информационный характер, стоимость и объем работ обсудим с исполнителем, максимальный срок работ 2-3 месяца.

Разработка с нуля. Автоматизированная модель семантического анализа текстов для оценки социальной реакции на деятельность компании в контексте принципов ESG (Environmental, Social, Governance), в частности, обрабатывать результаты в рамках фактора Social - насколько компания поддерживает принципы ESG, устойчивого развития, социального равенства, социальной защиты, обеспечения достойных и комфортных условий труда, образования, обеспечения гендерного равенства и т.д.. Модель должна интегрировать данные из различных источников, таких как новостные статьи, обсуждения на форумах, социальные сети и другие онлайн-платформы. Задача модели - выявлять общий уровень соответствия компании принципам ESG на шкале от 1 до 10, а также выявлять стоп-факторы, препятствующие повышению этого уровня. Модель должна учитывать не только отдельные слова, но и контекст сообщений, включая тональность и эмоциональную окраску высказываний. Примерные характеристики модели: 1) Архитектура модели: использование глубоких нейронных сетей, таких как рекуррентные нейронные сети или трансформеры, для анализа текстов и выявления семантических связей. 2) Интеграция данных: Система должна быть способна собирать данные из различных источников, включая API новостных агентств, форумов, социальных сетей и других онлайн-платформ. 3) Предобработка данных: Предварительная обработка текстов, включая токенизацию, стоп-слова, лемматизацию и выделение ключевых фраз. 4) Анализ тональности: Модель должна быть способна определять не только семантическое содержание текстов, но и их эмоциональную окраску. 5) Оценка соответствия принципам ESG: Разработка алгоритма оценки, который учитывает не только простое количество упоминаний, но и их контекст, а также выявление ключевых тем и ключевых слов, связанных с принципами ESG. 6) Стоп-факторы и препятствия: Выявление и анализ факторов, которые могут негативно влиять на оценку компании по принципам ESG. 7) Масштабируемость и производительность: Модель должна быть способна обрабатывать большие объемы данных в реальном времени и масштабироваться при необходимости. 8) Мультиязычность: Добавление поддержки для обработки текстов на разных языках для расширения применимости модели. 9) Использование предобученных моделей: Использование предобученных языковых моделей, таких как BERT или GPT, для улучшения качества анализа текстов. 10) Обратная связь и обучение с подкреплением: Внедрение механизмов обратной связи и обучения с подкреплением для постепенного улучшения модели на основе получаемого опыта. 11) Интерпретируемость результатов: Разработка методов для объяснения и интерпретации результатов анализа, чтобы пользователи могли понять, каким образом были получены оценки и рекомендации.

Разработка с нуля. Необходимо выполнить работу по обучающему курсу, всё условие отправлю ниже, при отклике, пожалуйста, пишите сроки и стоимость. Высылаю архив с таблицами датасета, ссылка на изначальный материал в Kaggle: https://www.kaggle.com/datasets/iamsouravbanerjee/customer-shopping-trends-dataset. Вы работаете с крупной сетью магазинов США, где продается одежда, обувь и аксессуары. Требования: 1. Создание дашборда для анализа данных о покупках на основе предоставленного датасета. 2. Визуализация основных метрик, таких как суммарные продажи, средний чек, количество покупок и др. 3. Построение графиков для анализа покупок по категориям, сезонам, средним оценкам, используемым промокодам и скидкам. 4. Реализация фильтров для дашборда для возможности выбора периода, места покупки, частоты покупок и других значимых атрибутов. 5. Возможность просмотра динамики изменения основных параметров во времени. 6. Предоставление общей информации о покупателях, таких как возрастная структура, предпочтения по размерам и цветам, использование подписки.

Data Science. Разработка с нуля. В отчете надо отразить актуальность выбранной Вами темы (вообще и для Вас лично), цель, задачи проекта, средства выполнения. Затем, в практической части - описание кода, анализ данных. В заключении обобщить результаты, сделать выводы. Код на Пайтоне приложить к отчету отдельным файлом в двух форматах: ipynb и html. Отчет высылать в формате word.