Каждый пользователь получает уроки, адаптированные под его уровень и темп. Алгоритмы машинного обучения анализируют, какие темы вызывают сложности, и предлагают материалы для дополнительного изучения. Это помогает более эффективно осваивать новые языки.
Для повышения вовлеченности Duolingo использует систему мотивации, основанную на данных. Алгоритмы анализируют поведение пользователя и подстраивают задания под его ритм. Например, учитывают количество пройденных уроков, активность в приложении и прогресс, чтобы предложить персонализированные челленджи и награды. И этим поддерживает интерес к обучению.
С помощью Data Science приложение анализирует прогресс пользователей и прогнозирует, сколько времени нужно для освоения нового языка. Это позволяет системе оптимизировать курс и предложить индивидуальные пути обучения в зависимости от предпочтений и уровня знаний.
Duolingo активно анализирует данные пользователей, чтобы улучшать образовательный контент. Например, в 2019 году компания обновила несколько курсов на основе отзывов и анализа ошибок пользователей.
С момента запуска курсы от Duolingo прошли более 500 миллионов пользователей по всему миру. В 2021 году компания сообщила, что более 40% учеников, которые начали обучение, завершили хотя бы один курс. Платформа продолжает расширять количество языков и программ, улучшать доступность и качество обучения.
Ставьте 🔥, если было интересно, будем выпускать такие разборы чаще. Кстати, на наш курс «Data scientist с нуля до PRO» сейчас действует скидка 45%. Посмотреть программу и оставить заявку можно здесь: go.skillfactory.ru/nHOrpA
#data_science @skillfactory
Please open Telegram to view this post
VIEW IN TELEGRAM
Как из инженера РЖД перейти в разработку, освоить Python и получить работу в крупнейшем банке страны?
Кирилл Дубенко выбрал такую стратегию: учиться, практиковаться, участвовать в хакатонах и IT-песочницах. А дальше — интервью, тестовые задания, собеседование... и офер.
🟢 Сегодня он senior-разработчик в Сбере. Разбираем ключевые моменты, которые помогли Кириллу получить первую работу в IT: go.skillfactory.ru/ILryHA
#почитать @skillfactory
Кирилл Дубенко выбрал такую стратегию: учиться, практиковаться, участвовать в хакатонах и IT-песочницах. А дальше — интервью, тестовые задания, собеседование... и офер.
#почитать @skillfactory
Please open Telegram to view this post
VIEW IN TELEGRAM
Как всегда подготовили для вас стильные календари от дизайнера Ангелины — забирайте в комментариях, пользуйтесь и пусть апрель будет продуктивным!
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Сегодня в офис пришел босс и начал составлять списки тех, кому повысит зарплату и одобрит оплачиваемый отпуск на полгода. Мы были в шоке, пока не увидели дату на календаре.
Ну, раз уж день официально несерьезный, давайте играть по правилам. Делитесь в комментариях любимыми мемами и стикерами: пусть этот вторник запомнится не дедлайнами, а хорошим настроением.
Ну, раз уж день официально несерьезный, давайте играть по правилам. Делитесь в комментариях любимыми мемами и стикерами: пусть этот вторник запомнится не дедлайнами, а хорошим настроением.
Представьте: чат-боты, которые не просто отвечают на вопросы, а чувствуют эмоции пользователей. Бизнесу давно нужны такие технологии — и студенты Skillfactory вместе с МФТИ взялись за их разработку.
На хакатоне участники выполняли задачу от компании «Наносемантика»: создавали модель машинного обучения, способную анализировать текстовые расшифровки голосовых сообщений и классифицировать эмоции говорящего. Радость, злость, интерес, печаль, нейтральный тон — модель должна точно определять настроение из текста без голосовых интонаций.
Что сделали студенты
1. Подготовили данные. Датасет содержал более 1000 расшифрованных сообщений, но был несбалансированным. Некоторые эмоции встречались редко, и команда оптимизировала их распределение, чтобы модель обучалась корректно.
2. Очистили тексты. Привели слова к единой форме, удалили лишние части речи, избавились от шума, чтобы алгоритмы анализировали только значимую информацию.
3. Испытали несколько моделей: от логистической регрессии до нейросетей, каждую тестировали. Лучший результат с точностью 83,25% показала комбинация BERT + логистическая регрессия.
Круто, правда? Как студенты решали проблему ошибок модели и какие выводы сделали после тестирования, читайте в статье нашего блога: https://go.skillfactory.ru/ewsItQ
#почитать @skillfactory
На хакатоне участники выполняли задачу от компании «Наносемантика»: создавали модель машинного обучения, способную анализировать текстовые расшифровки голосовых сообщений и классифицировать эмоции говорящего. Радость, злость, интерес, печаль, нейтральный тон — модель должна точно определять настроение из текста без голосовых интонаций.
Что сделали студенты
1. Подготовили данные. Датасет содержал более 1000 расшифрованных сообщений, но был несбалансированным. Некоторые эмоции встречались редко, и команда оптимизировала их распределение, чтобы модель обучалась корректно.
2. Очистили тексты. Привели слова к единой форме, удалили лишние части речи, избавились от шума, чтобы алгоритмы анализировали только значимую информацию.
3. Испытали несколько моделей: от логистической регрессии до нейросетей, каждую тестировали. Лучший результат с точностью 83,25% показала комбинация BERT + логистическая регрессия.
Круто, правда? Как студенты решали проблему ошибок модели и какие выводы сделали после тестирования, читайте в статье нашего блога: https://go.skillfactory.ru/ewsItQ
#почитать @skillfactory
«ьтамуд янем тюялватсаз ен еыроток ,ымьлиф угом ен ьтепрет Я»
Вместе с коллегами из ORNAMENT собрали фильмы, которые ломают привычные представления о реальности.
➡️ К чему это мы? В апреле у ORNAMENT выходит номер, посвященный Кристоферу Нолану — мастеру запутанных сюжетов. Смотрите, вдохновляйтесь и делитесь любимыми фильмами в комментариях.
Вторую часть подборки можно изучить здесь. А еще добавляйте себе стикеры, которые мы подготовили специально для этой подборки👀
Вместе с коллегами из ORNAMENT собрали фильмы, которые ломают привычные представления о реальности.
Вторую часть подборки можно изучить здесь. А еще добавляйте себе стикеры, которые мы подготовили специально для этой подборки
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Встречаем апрель новым дайджестом бесплатных мероприятий. Проходить их можно в любое удобное время.
Мини-курс в Telegram «Найдите свое место в IT»
Короткие уроки, профориентационный тест, чат для обсуждений, призы за прогресс — и все это прямо здесь, в нашем приложении.
Тест «Какая удаленная профессия ваша?»
Узнаете, какое направление вам подходит, получите рекомендации по развитию и проверите, какие навыки пригодятся.
Сохраняйте подборку и делитесь с теми, кому это может пригодиться 💚
#бесплатно @skillfactory
Мини-курс в Telegram «Найдите свое место в IT»
Короткие уроки, профориентационный тест, чат для обсуждений, призы за прогресс — и все это прямо здесь, в нашем приложении.
Тест «Какая удаленная профессия ваша?»
Узнаете, какое направление вам подходит, получите рекомендации по развитию и проверите, какие навыки пригодятся.
Сохраняйте подборку и делитесь с теми, кому это может пригодиться 💚
#бесплатно @skillfactory
Python — удобный и универсальный язык, но его скорость иногда оставляет желать лучшего. Если ваш код тормозит, а переписывать его на C++ не хочется, есть способ ускориться.
Numba — это JIT-компилятор, который быстро превращает Python-код в машинные инструкции. Особенно хорошо работает с числовыми вычислениями и массивами NumPy. Главное — вам почти не придется менять код. Просто добавьте декоратор @jit, и функция начнет работать быстрее.
Как это выглядит
Он поддерживает:
— NumPy-массивы, которых нет в стандартной библиотеке Python.
— Кортежи с элементами разных типов.
— Типизированные словари numba.typed с ключами и значениями одного типа.
— Строки (str) и байты (bytes) для работы с текстовыми данными.
— Списки Python с элементами одного типа.
А еще Numba умеет векторизировать вычисления — выполнять операции сразу над блоками данных, избавляя от лишних циклов. В статье разбираемся, как это работает и какие еще есть способы разгона кода: https://go.skillfactory.ru/AJCqpg
#python @skillfactory
Numba — это JIT-компилятор, который быстро превращает Python-код в машинные инструкции. Особенно хорошо работает с числовыми вычислениями и массивами NumPy. Главное — вам почти не придется менять код. Просто добавьте декоратор @jit, и функция начнет работать быстрее.
Как это выглядит
from numba import jit
@jit
def my_function(x):
return x * 2
При первом запуске Numba компилирует функцию, а затем использует кэш, что значительно ускоряет выполнение.Он поддерживает:
— NumPy-массивы, которых нет в стандартной библиотеке Python.
— Кортежи с элементами разных типов.
— Типизированные словари numba.typed с ключами и значениями одного типа.
— Строки (str) и байты (bytes) для работы с текстовыми данными.
— Списки Python с элементами одного типа.
А еще Numba умеет векторизировать вычисления — выполнять операции сразу над блоками данных, избавляя от лишних циклов. В статье разбираемся, как это работает и какие еще есть способы разгона кода: https://go.skillfactory.ru/AJCqpg
#python @skillfactory