Jump to content

Administrator

Administrators
  • Posts

    770
  • Joined

  • Last visited

  • Days Won

    363

Administrator last won the day on May 28

Administrator had the most liked content!

About Administrator

Recent Profile Visitors

The recent visitors block is disabled and is not being shown to other users.

Administrator's Achievements

  1. Homebrew – Der fehlende Paketmanager Softwarepakete unter Linux oder Unix werden normalerweise mithilfe eines speziellen Dienstprogramms namens Paketmanager aus Repositorys verteilt und installiert. Dieses Dienstprogramm vereinfacht die Installation eines Pakets und stellt sicher, dass alle Abhängigkeiten der Software ebenfalls erfüllt und installiert werden. Darüber hinaus erleichtert der Paketmanager die Installation von Updates oder das Entfernen des Softwarepakets. Obwohl macOS ein Nachkomme von Unix ist, verfügt es über keinen Paketmanager, sodass das Installieren, Aktualisieren und Entfernen von Software eine manuelle Aufgabe sein kann. Homebrew nennt sich selbst „der fehlende Paketmanager für macOS“ und wurde entwickelt, um dieses Problem zu lösen. Außerdem enthält Homebrew Repositorys (mit der Möglichkeit, weitere Repositorys hinzuzufügen), die die Installation vieler der beliebtesten Linux-/Unix-Apps auf Ihrem Mac vereinfachen. Das ist besonders hilfreich für die Konfiguration Ihrer Entwicklungsumgebung! Homebrew-Terminologie Wenn Sie mit dem APT-Paketmanager unter Linux vertraut sind, ist die Terminologie von Homebrew möglicherweise etwas verwirrend. Passend zum Thema Bierbrauen gibt es viele Sonderbegriffe: Formel/Formeln: Paket, das aus Upstream-Quellen erstellt/kompiliert wird. Oft handelt es sich dabei um Befehlszeilentools wie wget, python, git. Cask: Paket, das native vorkompilierte Apps installiert. ZB VLC, Slack, Chrome. Taps: Paket-Repositorys, aus denen die Formeln oder Fässer stammen. Standardmäßig erhalten Sie Homebrew/Cask und Homebrew/Core, Sie können jedoch weitere hinzufügen. Präfix: Ort, an dem Homebrew installiert ist. Fassraum: Installationsort für Fässer. Einige Begriffe rund um Formeln: Fass: Installationsort für eine bestimmte Version einer Formel. Rack: Standort der Fässer. Keller: Standort der Regale. Flasche: Vorkompiliertes Fass (eine bestimmte Version einer Formel), das in ein Rack „gegossen“ wird, anstatt es von einer Upstream-Quelle zu kompilieren. Stellen Sie sich dies als eine Variante einer Formel vor, die vorkompiliert wurde, um Ihnen die Zeit zu ersparen, sie selbst zu kompilieren. Wenn diese Begriffe sehr verwirrend sind, machen Sie sich keine Sorgen, Sie müssen nur ein paar einfache Befehle kennen, um Homebrew tatsächlich zu verwenden, auf die ich als Nächstes eingehen werde. Aber wenn Sie Homebrew-Befehle ausführen, werden Ihnen die oben genannten Begriffe in der Terminalausgabe angezeigt, daher hoffe ich, dass der zusätzliche Kontext und die Definitionen hilfreich sind. So installieren Sie Homebrew Die Installation von Homebrew selbst ist unglaublich einfach. Öffnen Sie Terminal, fügen Sie den folgenden Befehl ein und drücken Sie die Eingabetaste, um das Installations-Shell-Skript auszuführen. Wenn Sie sehen möchten, was das Skript tun wird, klicken Sie hier, um es jetzt anzusehen . /bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)" Wenn Sie Homebrew jemals deinstallieren möchten, führen Sie einfach das Deinstallationsskript aus: /bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/uninstall.sh)" So finden Sie Homebrew-Pakete Alle Homebrew- Formeln und die beliebtesten der letzten 365 Tage. Alle Homebrew- Fässer und die beliebtesten der letzten 365 Tage. Es gibt auch einen in Homebrew integrierten Suchbefehl, den Sie durch Ausführen verwenden können brew search <search term>. Beispielsuche nach „Python“-Paketen: user@vartanian % brew search python ==> Formulae app-engine-python python-idna python-setuptools-scm boost-python3 python-jinja python-sympy bpython python-kiwisolver python-tabulate cyclonedx-python python-launcher python-tk@3.10 ipython python-lsp-server python-tk@3.11 meson-python python-lxml python-tk@3.12 micropython python-mako python-tk@3.9 ptpython python-markdown python-toml python-argcomplete python-markupsafe python-trove-classifiers python-brotli python-matplotlib python-typing-extensions python-build python-mpmath python-urllib3 python-certifi python-mutagen python-yq python-chardet python-networkx python@3.10 python-charset-normalizer python-packaging python@3.11 python-click python-pathspec python@3.12 python-cryptography python-pluggy python@3.7 python-cycler python-ply python@3.8 python-dateutil python-psutil python@3.9 python-filelock python-pyparsing reorder-python-imports python-flit-core python-pyproject-hooks wxpython python-gdbm@3.11 python-pytz pythran python-gdbm@3.12 python-requests jython python-hatchling python-setuptools cython ==> Casks mysql-connector-python If you meant "python" specifically: It was migrated from homebrew/cask to homebrew/core. So installieren Sie Homebrew-Pakete Einfach laufenbrew install <package> Beispiel, das das Wget-Paket installiert: user@vartanian % brew install wget ==> Downloading https://formulae.brew.sh/api/formula.jws.json ############################################################################################################ 100.0% ==> Downloading https://formulae.brew.sh/api/cask.jws.json ############################################################################################################ 100.0% ==> Downloading https://ghcr.io/v2/homebrew/core/wget/manifests/1.21.4 ############################################################################################################ 100.0% ==> Fetching dependencies for wget: libunistring, gettext and libidn2 ==> Downloading https://ghcr.io/v2/homebrew/core/libunistring/manifests/1.2 ############################################################################################################ 100.0% ==> Fetching libunistring ==> Downloading https://ghcr.io/v2/homebrew/core/libunistring/blobs/sha256:4a1c0f956e528e0fe9a5040da6a2002e22102483 ############################################################################################################ 100.0% ==> Downloading https://ghcr.io/v2/homebrew/core/gettext/manifests/0.22.5 ############################################################################################################ 100.0% ==> Fetching gettext ==> Downloading https://ghcr.io/v2/homebrew/core/gettext/blobs/sha256:4b5b6cb0692b4606b9220fcbc9da3ab546234348dc87e ############################################################################################################ 100.0% ==> Downloading https://ghcr.io/v2/homebrew/core/libidn2/manifests/2.3.7 ############################################################################################################ 100.0% ==> Fetching libidn2 ==> Downloading https://ghcr.io/v2/homebrew/core/libidn2/blobs/sha256:670f6ed3768acde8ce10b5dcfc88fef69cea994ff8449 ############################################################################################################ 100.0% ==> Fetching wget ==> Downloading https://ghcr.io/v2/homebrew/core/wget/blobs/sha256:47cb2b77bcb48ee8d8b8fb222bcafe0febe11195ac647640 ############################################################################################################ 100.0% ==> Installing dependencies for wget: libunistring, gettext and libidn2 ==> Installing wget dependency: libunistring ==> Downloading https://ghcr.io/v2/homebrew/core/libunistring/manifests/1.2 Already downloaded: /Users/user/Library/Caches/Homebrew/downloads/48ac60445a77a63996cf15f6414f68a620d544fb683031b14eb3aea95c3064f6--libunistring-1.2.bottle_manifest.json ==> Pouring libunistring--1.2.arm64_sonoma.bottle.tar.gz 🍺 /opt/homebrew/Cellar/libunistring/1.2: 59 files, 5MB ==> Installing wget dependency: gettext ==> Downloading https://ghcr.io/v2/homebrew/core/gettext/manifests/0.22.5 Already downloaded: /Users/user/Library/Caches/Homebrew/downloads/447e45b77bb47ede0377f7eab1863825298ecaaaeed0bbd84aca3bd300b00508--gettext-0.22.5.bottle_manifest.json ==> Pouring gettext--0.22.5.arm64_sonoma.bottle.tar.gz 🍺 /opt/homebrew/Cellar/gettext/0.22.5: 2,043 files, 24.4MB ==> Installing wget dependency: libidn2 ==> Downloading https://ghcr.io/v2/homebrew/core/libidn2/manifests/2.3.7 Already downloaded: /Users/user/Library/Caches/Homebrew/downloads/45d1d4d2930c4782bf53e761a1c0166cd8a40f4193ac8c44e86f0b6708e80354--libidn2-2.3.7.bottle_manifest.json ==> Pouring libidn2--2.3.7.arm64_sonoma.bottle.tar.gz 🍺 /opt/homebrew/Cellar/libidn2/2.3.7: 80 files, 1MB ==> Installing wget ==> Pouring wget--1.21.4.arm64_sonoma.bottle.tar.gz 🍺 /opt/homebrew/Cellar/wget/1.21.4: 91 files, 4.4MB ==> Running `brew cleanup wget`... Disable this behaviour by setting HOMEBREW_NO_INSTALL_CLEANUP. Hide these hints with HOMEBREW_NO_ENV_HINTS (see `man brew`). Wenn Sie eine bestimmte Paketversion installieren möchten, führen Sie Folgendes aus:brew install <package>@<version> So listen Sie alle installierten Homebrew-Pakete auf Um alle Pakete anzuzeigen, die Sie mit Homebrew installiert haben, führen Sie Folgendes aus:brew list ; brew list --cask user@vartanian % brew list ; brew list --cask ==> Formulae ca-certificates libidn2 m4 msodbcsql17 mssql-tools18 sqlite xz gettext libtool mkcert msodbcsql18 openssl@3 unixodbc iperf3 libunistring mpdecimal mssql-tools readline wget Dies ist hilfreich, wenn Sie eine Erinnerung an einen offiziellen Paketnamen zur Verwendung mit den Update- oder Deinstallationsbefehlen benötigen. So deinstallieren Sie Homebrew-Pakete Laufenbrew uninstall <package name> Beispiel für das Entfernen des „wget“-Pakets, das wir zuvor installiert haben: user@vartanian % brew uninstall wget Uninstalling /opt/homebrew/Cellar/wget/1.21.4... (91 files, 4.4MB) Warning: The following may be wget configuration files and have not been removed! If desired, remove them manually with `rm -rf`: /opt/homebrew/etc/wgetrc Manchmal bleiben Konfigurationsdateien zurück, aber die Details dazu, wie Sie sie entfernen können, finden Sie im Abschnitt „Warnung“. In diesem Fall musste ich ausführen, rm -rf /opt/homebrew/etc/wgetrcum die Konfigurationsdateien zu löschen. So aktualisieren Sie von Homebrew installierte Pakete Zuerst müssen Sie, wie bei jedem Paketmanager, Ihre Repositorys durch Ausführen aktualisierenbrew update Anschließend können Sie ausführen brew outdated, um Pakete anzuzeigen, für die ein Update verfügbar ist. user@vartanian % brew outdated microsoft/mssql-release/msodbcsql17 (17.10.4.1) < 17.10.5.1 microsoft/mssql-release/msodbcsql18 (18.3.1.1) < 18.3.2.1 Wenn Sie alle Updates anwenden möchten, führen Sie es einfach ausbrew upgrade Sie können aber auch nur ein bestimmtes Paket aktualisieren, indem Sie es ausführenbrew upgrade <package name> Ich empfehle dringend, brew updateund brew upgradeeinmal im Monat auszuführen, um Ihren Mac auf dem neuesten Stand und geschützt zu halten. Sie können die beiden Befehle auch kombinieren brew update && brew upgrade. Dies ist sehr wichtig, da ständig Schwachstellen entdeckt werden und man leicht die von uns installierten Befehlszeilentools vergisst. Apple-Sicherheitsupdates schützen das Betriebssystem und die Apple-Apps, aber es liegt an Ihnen, Ihr Homebrew auf dem neuesten Stand zu halten! Viel Spaß beim Brauen!
  2. Practical Deep Learning for Coders This course covers topics such as how to: Build and train deep learning models for computer vision, natural language processing, tabular analysis, and collaborative filtering problems Create random forests and regression models Deploy models Use PyTorch, the world’s fastest growing deep learning software, plus popular libraries like fastai and Hugging Face Foundations and Deep Dive to Diffusion Models ... 🔗 Link to Course - Part 1 🔗 Link to Course - Part 2 🔗 Link to Course - All Parts Together
  3. Stanford CS230: Deep Learning (2018) Covers the foundations of deep learning, how to build different neural networks(CNNs, RNNs, LSTMs, etc...), how to lead machine learning projects, and career advice for deep learning practitioners. Deep Learning Intuition Adversarial examples - GANs Full-cycle of a Deep Learning Project AI and Healthcare Deep Learning Strategy Interpretability of Neural Networks Career Advice and Reading Research Papers Deep Reinforcement Learning 🔗 Link to Course 🔗 Link to Materials
  4. MIT: Deep Learning for Art, Aesthetics, and Creativity Covers the application of deep learning for art, aesthetics, and creativty. Nostalgia -> Art -> Creativity -> Evolution as Data + Direction Efficient GANs Explorations in AI for Creatvity Neural Abstractions Easy 3D Content Creation with Consistent Neural Fields ... 🔗 Link to Course
  5. Probabilistic Machine Learning To learn the probabilistic paradigm of ML: Reasoning about uncertainty Continuous Variables Sampling Markov Chain Monte Carlo Gaussian Distributions Graphical Models Tuning Inference Algorithms ... 🔗 Link to Course
  6. Machine Learning with Graphs (Stanford) To learn some of the latest graph techniques in machine learning: PageRank Matrix Factorizing Node Embeddings Graph Neural Networks Knowledge Graphs Deep Generative Models for Graphs ... 🔗 Link to Course
  7. Statistical Machine Learning (Tübingen) The course covers the standard paradigms and algorithms in statistical machine learning. KNN Bayesian decision theory Convex optimization Linear and ridge regression Logistic regression SVM Random Forests Boosting PCA Clustering ... 🔗 Link to Course
  8. Machine Learning Lecture (Stefan Harmeling) Covers many fundamental ML concepts: Bayes rule From logic to probabilities Distributions Matrix Differential Calculus PCA K-means and EM Causality Gaussian Processes ... 🔗 Link to Course
  9. Introduction to Machine Learning (Tübingen) The course serves as a basic introduction to machine learning and covers key concepts in regression, classification, optimization, regularization, clustering, and dimensionality reduction. Linear regression Logistic regression Regularization Boosting Neural networks PCA Clustering ... 🔗 Link to Course
  10. Applied Machine Learning To learn some of the most widely used techniques in ML: Optimization and Calculus Overfitting and Underfitting Regularization Monte Carlo Estimation Maximum Likelihood Learning Nearest Neighbours ... 🔗 Link to Course
  11. Making Friends with Machine Learning A series of mini lectures covering various introductory topics in ML: Explainability in AI Classification vs. Regression Precession vs. Recall Statistical Significance Clustering and K-means Ensemble models ... 🔗 Link to Course Ref: https://github.com/dair-ai/ML-YouTube-Courses
  12. Stanford CS229: Machine Learning To learn some of the basics of ML: Linear Regression and Gradient Descent Logistic Regression Naive Bayes SVMs Kernels Decision Trees Introduction to Neural Networks Debugging ML Models ... 🔗 Link to Course Ref: https://github.com/dair-ai/ML-YouTube-Courses
  13. Texas Üniversitesi'nden araştırmacılar, depremleri bir hafta önceden tahmin edebilen bir yapay zeka yöntemi geliştirdiler. Yöntemi oluşturan yapay zeka algoritması, deprem fizik bilgisine dayalı istatistiksel özellikler kullanılarak eğitildi. Çin'deki denemeler sırasında beklenen depremlerin yüzde 70'ini tahmin edebilen yöntem bazı yanlış uyarılar da verdi. Programın amacı, sismik verilerin eksik olduğu bölgelerde deprem tahminini iyileştirmek. Bu gelişme, deprem tahmininin daha doğru hale gelebileceği umudunu güçlendiriyor. Bu gelişmenin depremleri tahmin etme çabasının önemli bir adımı olduğunu belirten Texas Sismolojik Ağ Programı Başkanı Alexandros Savvaidis, yine de kesin deprem tahminlerine hala çok uzak olunduğunu vurguladı. Diğer taraftan, programın yüzde 70'lik başarı oranı, deprem kayıplarını azaltmada yadsınamaz ve çok önemli bir fayda sağlayabilir. Bu nedenle, yöntem araştırmacılar tarafından daha fazla bölgede eğitilmeye ve test edilmeye devam edilecek. Böylelikle, yöntemin daha fazla test edilmesi ve geliştirilmesiyle, deprem tahminlerinin gelecekte daha kesin ve etkili olma ihtimaline yönelik umutlar güçlenmektedir.
  14. Carbon programlama dili, yeni bir genel amaçlı programlama dilidir. Bu dil, C++ gibi düşük seviyeli dillerin performans ve verimliliğini ve Python gibi yüksek seviyeli dillerin erişilebilirliğini ve üretkenliğini bir araya getirmeyi amaçlamaktadır. Carbon Programlama Dilinin Amacı Carbon programlama dili, programlama dünyasında bir boşluğu doldurmayı amaçlamaktadır. Mevcut programlama dilleri, genellikle performans ve verimlilik ile erişilebilirlik ve üretkenlik arasında bir denge kurmaya çalışır. Bu iki özelliği bir araya getirmeyi ve her ikisini de isteyen programcılar için ideal bir dil olmayı amaçlamaktadır. Carbon Programlama Dilinin Özellikleri Carbon programlama dili, aşağıdaki özelliklere sahiptir: Performans ve verimlilik: C++'ın performans ve verimliliğini koruyarak, C++'tan daha basit ve erişilebilir bir dildir. Erişilebilirlik ve üretkenlik: Python'un erişilebilirliği ve üretkenliğini koruyarak, Python'dan daha hızlı ve daha verimli bir dildir. Güçlü tip sistemi: Güçlü bir tip sistemiyle, hatalara neden olma olasılığını azaltır. Özgür ve açık kaynak: Özgür ve açık kaynaklıdır. Performans Dil, C++'ın performans ve verimliliğini korumayı amaçlamaktadır. C++'a benzer bir kodu üretir ve C++'ın performans özelliklerinden yararlanabilir. Erişilebilirlik Carbon programlama dili, Python'a benzer bir sözdizimi kullanır ve Python'un üretkenlik özelliklerini destekler. Tip Sistemi Güçlü bir tip sistemiyle, hatalara neden olma olasılığını azaltır. Carbon programlama dili, değişkenlerin ve işlevlerin türlerini tanımlamak için güçlü bir tip sistemi kullanır. Açık Kaynaklılık Dil, özgür ve açık kaynaklıdır. Bu, Carbon programlama dilinin herkes tarafından erişilebilmesi ve kullanılabilmesi anlamına gelir. Geliştirilmesi Carbon programlama dili, hala geliştirme aşamasındadır. Ancak, temel özellikleri ortaya konulmuş ve geliştirme ekibi, yeni özellikler ve iyileştirmeler üzerinde çalışmaya devam etmektedir. Potansiyel Faydaları Carbon programlama dilinin potansiyel faydaları şunlardır: Programcılar için daha üretken ve erişilebilir bir dil sunar. Geliştiriciler için daha hızlı ve daha verimli uygulamalar oluşturmayı sağlar. Yeni uygulamalar ve teknolojilerin geliştirilmesini kolaylaştırır. Gelecekteki Potansiyeli Her ne kadar bu dilin gelecekteki potansiyeli, geliştirme ekibinin ilerleyişine bağlı olsa da, C++ ve Python gibi mevcut dillerin eksikliklerini giderme potansiyeline sahip olması dilin dikkat çekici bir özelliği olarak karşımıza çıkmaktadır. Geliştiricileri Carbon, Google'ın bir ekibi tarafından geliştirilmektedir. Bu ekip, programlama alanında deneyimli ve yetenekli geliştiricilerden oluşmaktadır. Nasıl Katkıda Bulunabilirsiniz? Carbon programlama dili, özgür ve açık kaynaklıdır. Bu, herkes tarafından erişilebilmesi ve kullanılabilmesi anlamına gelir. Carbon programlama diline katkıda bulunmak için, GitHub deposuna göz atabilir ve sorunuz veya önerilerinizi bildirebilirsiniz. Gelecekteki Planları Carbon programlama dili geliştirme ekibi, dilin mevcut özelliklerini geliştirmeye ve yeni özellikler eklemeye devam etmektedir. Gelecekteki planlar şunlardır: Daha güçlü bir tip sistemi eklemek. Daha karmaşık uygulamaları desteklemek için yeni özellikler eklemek. Dili daha erişilebilir hale getirmek için yeni özellikler eklemek.
×
×
  • Create New...