- 60
- 123 311
Alexander Sergeenko
เข้าร่วมเมื่อ 2 พ.ย. 2011
Reactive, distributed, high-loaded systems and machine learning.
วีดีโอ
О мотивации и выгорании в IT
มุมมอง 1033 หลายเดือนก่อน
00:00-00:27 Шуточки 00:27-01:09 О чем будем говорить сегодня? 01:09-01:50 Что для меня мотивация? 01:50-02:20 Выгорание 02:20-03:25 Обо мне 03:25-04:12 Компоненты мотивации 04:12-05:46 Задачи, технологии и перспективы 05:46-08:15 Значимость и деньги 08:15-10:45 Здоровая сильная команда и не-токсичность 10:45-13:26 Выбери два пункта из трех 13:26-15:20 Эффект плато 15:20-17:50 Как с этим боротьс...
Динамическое программирование на примере последовательности Фибоначчи
มุมมอง 713 หลายเดือนก่อน
00:00-00:27 Приветствие 00:27-01:00 Введение в динамическое программирование 01:00-05:17 О рекурсии 05:17-07:20 Математическая индукция 07:20-08:20 Граничные объекты рекурсии 08:20-10:55 Динамическое программирование 10:55-12:33 Реккурентная последовательность Фибоначчи 12:33-13:00 Рекурсивные деревья 13:00-24:04 Реализация алгоритма расчета последовательности Фибоначчи 24:04-27:32 Выводы, алго...
Data Mesh глазами разработчика: попытка объективного взгляда на подход
มุมมอง 2973 หลายเดือนก่อน
00:00-01:17 Вступление 01:17-01:39 Обо мне 01:39-05:00 Причем здесь симулякры? 05:00-05:50 Шуточки 05:50-06:24 Где я сталкивался с Data Mesh 06:24-07:22 Что было раньше: DWH/Data Lake/Lakehouse 07:22-11:30 Историческая справка: DWH 11:30-19:30 Историческая справка: Data Lake 19:30-22:30 Историческая справка: Data Lakehouse 22:30-23:50 Почему Data Mesh - это НЕ технологический подход 23:50-27:30...
Введение в основы Feature Store и MLOPS на примере Feast
มุมมอง 638ปีที่แล้ว
00:00-00:26 Вступление 00:26-01:48 Об ML-моделях в финтехе 01:48-05:38 О жизненном цикле ML-моделей 05:38-08:28 Из чего состоит MLOPS, уровни зрелости 08:28-10:30 Что такое feature store? 10:30-12:52 Что такое фича? 12:52-14:35 О фичеризации 14:35-16:28 Как выглядят фичи 16:28-17:24 Викторина! 17:24-18:25 Что приносит feature store? 18:25-19:15 Neoflex Dognauts 19:15-27:09 Внутренности Feast 27...
MLOps Maturity Levels according to Google
มุมมอง 529ปีที่แล้ว
Thу reference article: cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning 00:00-00:13 Introduction 00:13-01:00 What is MLOps? 01:00-01:33 Only a small fraction of ML systems composed of ML code 01:33-04:25 Steps of ML process 04:25-05:08 Levels of maturity 05:08-06:15 Maturity level 0 06:15-07:09 Maturity level 1 07:09-07:57 Maturity level 2 07:...
Change Data Capture коннекторы в экосистеме Apache Flink: Репликация стрима изменений из PostgreSQL
มุมมอง 181ปีที่แล้ว
Change Data Capture коннекторы в экосистеме Apache Flink: Репликация стрима изменений из PostgreSQL
Replication in distributed systems: Single leader / Master-Slave / Active-Passive
มุมมอง 241ปีที่แล้ว
Replication in distributed systems: Single leader / Master-Slave / Active-Passive
Apache Flink: A new generation of stream processing | Meta conf (RUS)
มุมมอง 1.4Kปีที่แล้ว
Apache Flink: A new generation of stream processing | Meta conf (RUS)
Alink: Flink-based ML Platform and Text Sentiment Analysis using Logistic Regression
มุมมอง 308ปีที่แล้ว
Alink: Flink-based ML Platform and Text Sentiment Analysis using Logistic Regression
Manage Your Machine Learning Ensembles Using Spring Boot and Camunda
มุมมอง 490ปีที่แล้ว
Manage Your Machine Learning Ensembles Using Spring Boot and Camunda
How to replace the left speaker in MacBook Pro mid 2014?
มุมมอง 444ปีที่แล้ว
How to replace the left speaker in MacBook Pro mid 2014?
Detailed Introduction to HTTP: history, basics, structure, methods, status codes and more
มุมมอง 847ปีที่แล้ว
Detailed Introduction to HTTP: history, basics, structure, methods, status codes and more
Parameterized Tests in JUnit 5: CsvSource, MethodSource, ArgumentsSource
มุมมอง 7782 ปีที่แล้ว
Parameterized Tests in JUnit 5: CsvSource, MethodSource, ArgumentsSource
Exactly-once Semantics in Apache Flink: How does it work?
มุมมอง 1.3K2 ปีที่แล้ว
Exactly-once Semantics in Apache Flink: How does it work?
Netty meets High Load: A Story of TCP Tuning
มุมมอง 1.1K2 ปีที่แล้ว
Netty meets High Load: A Story of TCP Tuning
Step-by-step Introduction to Apache Flink ML 2.0: Iris Flowers vs. K-NN Classification
มุมมอง 1.7K2 ปีที่แล้ว
Step-by-step Introduction to Apache Flink ML 2.0: Iris Flowers vs. K-NN Classification
Backpressure in Java Ecosystem: Spring WebFlux, Flow Control and Reactor Explained in a nutshell
มุมมอง 2.7K2 ปีที่แล้ว
Backpressure in Java Ecosystem: Spring WebFlux, Flow Control and Reactor Explained in a nutshell
Compilation in Java: AOT/JIT/Bytecode/Optimization
มุมมอง 1.3K2 ปีที่แล้ว
Compilation in Java: AOT/JIT/Bytecode/Optimization
Save Spark Dataframe to Apache Cassandra using Datastax Spark Connector
มุมมอง 1.9K2 ปีที่แล้ว
Save Spark Dataframe to Apache Cassandra using Datastax Spark Connector
How, Where and When Apache Kafka Writes Data (Page Cache included)
มุมมอง 1.3K2 ปีที่แล้ว
How, Where and When Apache Kafka Writes Data (Page Cache included)
Apache Cassandra Write Path, Compaction and Use Cases in 3 Minutes
มุมมอง 2K2 ปีที่แล้ว
Apache Cassandra Write Path, Compaction and Use Cases in 3 Minutes
Message Delivery Semantics in Distributed Systems: Kafka included
มุมมอง 2.2K2 ปีที่แล้ว
Message Delivery Semantics in Distributed Systems: Kafka included
Feature Store for Machine Learning: The Beginner's Guide (+Feast)
มุมมอง 6K2 ปีที่แล้ว
Feature Store for Machine Learning: The Beginner's Guide ( Feast)
Make Your Apache Kafka Bulletproof: TOP 11 Reliability/Durability Settings
มุมมอง 6112 ปีที่แล้ว
Make Your Apache Kafka Bulletproof: TOP 11 Reliability/Durability Settings
Beware of the message ordering in Apache Kafka! The guarantees may be ruined by default settings
มุมมอง 1.5K2 ปีที่แล้ว
Beware of the message ordering in Apache Kafka! The guarantees may be ruined by default settings
Siemens NX WAVE - Fix at the Current Timestamp
มุมมอง 3.1K7 ปีที่แล้ว
Siemens NX WAVE - Fix at the Current Timestamp
Siemens NX Quick Tutorial - Creating Toroidal Helix
มุมมอง 1.4K7 ปีที่แล้ว
Siemens NX Quick Tutorial - Creating Toroidal Helix
Спасибо за видео. Я правильно понимаю, что Feature Store всегда реализует свои Storage для загрузки туда данных и использования фичей? Для доступа к фичам нельзя использовать Feast как интерфейс для существующей БД, не перегружая их в Storage?
Привет! Не совсем, по сути Feast - это всего лишь интерфейс, абстракция, отделяющая фичи (логику) от реализации (хранения). Вы можете использовать довольно широкий набор готовых адаптеров для онлайн/офлайн хранилищ. В данный момент поддерживаются, например: Cassandra, Postgres, Apache Spark, Redshift и т. д. Можно также реализовать и кастомный адаптер для других реализаций БД. Подробнее можно посмотреть тут docs.feast.dev/reference/offline-stores
@@AlexanderSergeenko Допустим, я хочу организовать обучение модели. Я создаю фичи (логику) в Feast. При сборке датасета запрашиваю данные по фичам у Feast. Он сможет забирать их из существующего dwh, не создавая нигде новых таблиц?
@@MrBlackzubИспользовать текущее DWH в качестве хранилища фичей - можно, но важно понимать, что feast не хранит логику формирования фичей (только логику извлечения готовых/метаданные), вам придется подготовить датасеты фичей в DWH сторонними ETL/ELT, на основе прочих слоев хранилища.
10:06 наверное не дельта лейк, а дата лейк?
Добрый день! Здесь речь именно про подход с инкрементальными изменениями (например parquet + доп. метаданные), аналогичный DeltaLake от Databricks.
Интересно и позновательно
Хороший ролик. Грамотные и верные мысли, с которыми я согласен. Успехов в развитии себя и канала. Благодарю за полезный досуг!
Большое спасибо за отзыв!
Молодец
Молодец
Познавательно
Thank you for explaining in a simple way but covering all aspects of message delivery semantics. Good work!
Thanks!
Good job man. Thank you very much
Glad it helped
Can you do the same one in Russian? Really hard to understand
Привет! Следите за обновлениями, к концу недели начну публиковать цикл роликов о потоковой обработке :)
молодец, очень круто! Продолжай - толковый контент!
Спасибо!
I'm so glad that found this channel! It's diamond 🙌
Thanks, I appreciate!
Можете подробнее рассказать о процессе материализации фичей? Что это и зачем нужно?
Материализация фичей в контексте Feast - это перенос фичей из оффлайн-хранилища (например, PostgreSQL) в онлайн-хранилище (например, Redis). Этот механизм поддерживает целостность в фичах между оффлайн- и онлайн-применением.
Благодарю за доклад!
Спасибо
Стоит ли рассматривать feast для небольших проектов?
"Небольшой" - это довольно размытая категория, начинать можно даже с формата MVP. Feast в базовом виде не очень требователен к ресурсам.
Спасибо за доклад, очень качественное овервью основ ML.
Спасибо!
Thanks
Привет из финтеха!
Классный обзор стека для начинающих
Благодарю за доклад!
+1 за юмор и подачу %)
Спасибо
Некоторые термины сходу непонятны для "чайника", но немного гугления спасают ситуацию. Спасибо, лайк!
Молодец, доступно и понятно.
Спасибо!
Great video Sir, i unwrap a cylinder object but pop up appear with note : wrap/unwrap the selected face must be developable, any advise sir?
i could not find the same option in my NX12
Thanks, that was useful to understand the whole picture
Thanks! I appreciate your feedback.
Great job, thanks!
Thanks!
Nice presentation - do you happen to have a code sample illustrating the WebFlux backpressure concept? Or pointers to sample code? Thanks!
Finally junit not with "Calculator" example, thanks, great job!!!
Thanks!
Хорошие примеры, не калькулятор )) кстати переменную var app = new Application(); можно было один раз определить, использовать junit по полной ))
Ретроспективно вижу, что многое можно было бы переделать или сделать удобнее, но что сделано - то сделано :) Спасибо за комментарий!
@@AlexanderSergeenko для начинающих круто
hi sir, do you have the source link for me.
Hi, sure! github.com/Lockdain/flink-ml-2.0-iris
@@AlexanderSergeenko thanks alot
Alex Tries To Understand, you are the only one!
Thanks for great explanation!
Cool video
Thanks!
thanks
You’re welcome!
Very good.
ρяσмσѕм 🎊
Bro new speaker cost how much?
I bought this one for 20 dollars
I have to said that this explanation is one of the clearest ones on TH-cam.
My pleasure!
"Anything that can fail - will fail one day", yeah, that's true :)
This idea was adeptly formulated as follows: The major difference between a thing that might go wrong and a thing that cannot possibly go wrong is that when a thing that cannot possibly go wrong goes wrong it usually turns out to be impossible to get at or repair. -Douglas Adams, Mostly Harmless (1992)
Great explanation as usually, thank you sir
Have you ever used Flink ML in production? Sounds good and very similar to the Apache Spark ML.
Unfortunately no. I just created a few MVPs using Flink ML.
Thanks! The best explanation on exactly once I've ever heard.
Thanks. I appreciate
Please create playlists for all your video's
Done! Please look for the "Software engineering (all videos)" playlist.
Красава спс за видео) Заставок как то много не кажется?)
Привет, спасибо! С заставками борюсь, в новых видео их значительно меньше.
What is a feature store and a database ?
Hi, can you make your question more specific?
@@AlexanderSergeenko sorry, I miss a word ^^ : What is the difference between a feature store and a dataset preprocessed we load to a database ?
Would be more useful if the closed captions work properly.
Hi there! What do you mean by "properly"? Are there any problems with showing?
@@AlexanderSergeenko What you say and what comes up in the CC are very different. You say "Demand" and it shows "diamond". That was one example, but it becomes hard to follow in some parts of the video. Your explanation of backpressure and how WebFlux handles it is on target, but the CC generated sucks
@@srinimurthy Oh, you're right. Thanks for the feedback. I've checked the CC and it looks horrible at some moments. Will try to add CC manually later.
How to open new version part file including model history to old version