Cadre d'apprentissage profond (PyTorch Lightning). Organiser le code PyTorch en LightningModules, configurer les Trainers pour multi-GPU/TPU, mettre en œuvre des pipelines de données, des callbacks, des journaux (W&B, TensorBoard), un apprentissage distribué (DDP, FSDP, DeepSpeed), pour un entraînement de réseau neuronal scalable.
CE QUE VOUS DEVENEZ
Parfait pour ces scénarios
Choisir au hasard les gagnants parmi la liste des abonnés pour les concours Instagram
Sélectionner les meilleurs éléments dans des feuilles de calcul pour récompenser l'équipe de vente.
Sélectionner équitablement les bénéficiaires d'une liste de candidats pour des bourses d'études.
Distribuer équitablement des prix à partir des inscriptions des participants aux rencontres locales.
GAIN MESURÉ
Avantages prouvés et impact mesurable
Éliminez les biais manuels et désignez les gagnants en seulement 5 minutes.
Assure des tirages équitables et impartiaux avec une randomisation vérifiable.
Réduit de moitié le temps administratif par rapport à une sélection manuelle.
CE QUE VOUS OBTENEZ
Fichiers, tags et installation en trois étapes
Conseil : Lisez la documentation et le code avant la première utilisation pour connaître son rôle et les permissions requises.
SCRIPTS SUIVANTS
Recommandé selon les tags et la catégorie
Documentation de l'Apify JS SDK - Web scraping, crawling et développement d'Actor
Expert en architecture sans serveur et pilotée par les événements AWS basée sur le cadre Well-Architected. Utilisez-le lors de la construction d'API sans serveur, de fonctions Lambda, d'API REST, de microservices ou de workflows asynchrones. Couvre Lambda avec TypeScript/Python, API Gateway (REST/HTTP), DynamoDB, Step Functions, EventBridge, SQS, SNS et les modèles sans serveur. Indispensable lorsque l'utilisateur mentionne sans serveur, Lambda, API Gateway, piloté par les événements, traitement asynchrone, files d'attente, pub/sub, ou veut construire des applications sans serveur évolutives selon les bonnes pratiques AWS.
Cette compétence doit être utilisée pour les tâches d'apprentissage automatique sur séries temporelles, y compris la classification, la régression, le clustering, la prévision, la détection d'anomalies, la segmentation et la recherche de similarité. Utilisez-la lors du travail avec des données temporelles, des motifs séquentiels ou des observations indexées dans le temps nécessitant des algorithmes spécialisés au-delà des approches ML standard. Particulièrement adaptée à l'analyse de séries temporelles univariées et multivariées avec des APIs compatibles scikit-learn.
Système de génération d'agents de code Claude qui crée des agents et sous-agents personnalisés avec un en-tête YAML amélioré, des modèles d'accès aux outils et un support d'intégration MCP conformément à des modèles de production éprouvés