Certificate from IT academy GoIT - Python developer

Минув рік дуже інтенсивного навчання в IT академії GoIT - тепер я Python Developer.

Моїм напрямком було вивчення мови програмування #Python з застосуванням у вебзастосунках та у галузі Data Science і машинного навчання (ML).

 Отримав сертифікат Python Developer.

Сертифікат Python Developer.

 

Proxmos VE v.8.X and MB with VGA Matrox MGA G200eW WPCM450

Зараз є проблема оновлення з 7 до 8 версій Proxmos у власників не нових серверів з  VGA Matrox MGA G200eW WPCM450 - є чорний екран.

Собі щоб не забути зробив нотатки. 

Upgrade 7 to 8

Спочатку етапи оновлення але без перезавантаження.

lspci | grep VGA
08:01.0 VGA compatible controller: Matrox Electronics Systems Ltd. MGA G200eW WPCM450 (rev 0a)

Основні зміни в /etc/default/grub:

GRUB CMDLINE LINUX="nomodeset"
GRUB TERMINAL=console
GRUB GFXMODE=nomodeset

/etc/default/grub

Mодуль "Python Data Science" в IT академії GoIT - проєкт на тему "Автоматизована система паркування".

💡 Закінчили навчання за останнім третім модулем "Python Data Science" в IT академії GoIT - start your career in IT.
🚩 Було створено команду 🇺🇦 розробників - "Neuron Curve Bobr".
🚗 В результаті командної роботи був виконанний груповий проєкт на тему "Автоматизована система паркування".

Дякую 🔥 команді за нашу спільну роботу впродовж напружених 🔨 двох тижнів.

Курсовий проєкт на тему "Автоматизована система паркування".

Згідно з технічним завданням на проєкт: Система автоматично може визначати номери автомобільних знаків на зображеннях з використанням методів машинного навчання.

Функції застосунку:

• Управління обліковими записами користувачів
• Візуалізація про кількість вільних та зайнятих паркомісць.
• Приймання зображень від користувача (симуляція роботи відеокамери)
• Виявлення та виділення області з номерним знаком
• Детекція номерного знаку
• Розпізнавання символів для ідентифікації тексту номерного знаку
• Перевірка номера авто у базі зареєстрованих транспортних засобів
• Запис часу в'їзду/виїзду кожного разу, коли визначається номерний знак
• Відстеження тривалості паркування
• Розрахунок загальної тривалості паркування
• Зберігання даних про тривалість паркування в базі даних;
• Розрахунок вартості паркування. Керування тарифами. Чек за QR-кодом;
• Генерація звітів про розрахунки, які можна експортувати у форматі CSV
• Оплата послуги паркування

Проєкт на тему "Автоматизована система паркування".

Data sciense & Computer vision

Пошук зони знаку використовує алгоритми computer vision модуля OpenCV - Haar Cascades.
А розпізнавання кожного номеру реалізовано класифікацією зображення на 36 класів з використанням простої моделі з використанням згорткової нейронної мережі CNN в Keras (Tensorflow). 

Модель тренована була на власних додаткових зображеннях для поліпшення якості розпізнавання і виявлення проблем з подібними знаками такими як літера О і цифра 0.

В процесі вибору алгоритму були протестовані різні рішення, вибрано цей метод за умовною простотою і гарними результатами.

 

CNN модель

За причини конфліктів версій модулів для Tensoflow було обмежено максимальну версію Python до версії 3.11.

tensorflow-io-gcs-filesystem==0.31.0 ; python_version >= "3.10" and python_version < "3.12"

 

Front-end

З метою швидкості реалізації візуальної частини у межах посталеного терміну на проєкт два тижні було вибрано фреймворк Django. В цьому проєкті використано версію Django 5.0.4.
Але були заділи  та ідеї на використання фреймворку FastAPI для реалізації  чистого backend, є початкова гілка у гіт проєктів для цього, але час є час.
Django прекрасно справлявся з задачею побудови та виявлення змін у моделі  бази даних створюючи версійність міграцій змін. У ролі бази даних використано Postgress.

Проєкт у Visual Studio Code

Структура бази даних

Sheduler

Для роботи додаткового функціонала для системи  сповіщень та роботу Telegram Bot використано власний модуль sheduler.py  якій виконується як окремий процес.
З навчальною метою та без наявності постійного хостингу модуль Telegram Bot працює використовуючи метод pooling без використання web-hooks.
Для зберігання даних необхідних для роботи бота, використано системний файловий кеш Django, але в ідеалі мав би бути використаний зовнішній сервер Redis або сервер Memcache.

CI/CD

В проєкті реалізовано найпростіше рішення для CI/CD що дозволило повністю реалізувати автоматичне розгортання на орендованому сервері.
Для неперервної інтеграції (англ. Continuous Integration) - CI використано функціонал GitHub Action для перевірки коду на можливі помилки перед кожним merge у кожному pull-request від розробників команди.
Для безперервного доставлення (англ. Continuous delivery) - CD використано власний bash скрипт  котрий перевіряє гілку git за розкладом у cron, та перебудовує docker контейнери у разі виявлення змін.

Посилання

• GitHub: Проєкт
• YouTube: запис презентації при захисті проєкту
  
• YouTube: встановлення та інтерфейс
• TikTok: встановлення та інтерфейс
  

Склад команди:

1. Team Lead: Artem Dorofeev. GitHub
2. Scrum Master: Rostyslav Bysko. GitHub  
   
3. Django expert: Tetiana Chyrkova. GitHub, GitHub
4. Full stack devops : Lex Xai.  GitHub
5. Art director: Евгений Плахотин. GitHub
6. Tester: Oleksander Borovyk.  GitHub

Youtube

Слайд шоу

PDF

#python #datascience #machinelearning #django #tensorflow #opencv

SONiC Notebook

Software for Open Networking in the Cloud (SONiC)

This repository contains documentation, Wiki, master project management, and website for the Software for Open Networking in the Cloud (SONiC).

Documentation covers project wide concerns such as the getting started guide, faq, general requirements for contribution, developer's guide, governance, architecture, and so on. It also contains links to download and install SONiC and links to all the source. See SONiC Wiki for complete information.

Machine Learning Operations (MLOps): Getting Started | Google Cloud Skills Boost

Кроки для здобуття необхідних навичок для спеціальностей з напрямку AI & Data на платформі Google Cloud Skills Boost завдяки можливості надданій Google Ukraine.

Course: Machine Learning Operations (MLOps): Getting Started

Summary

This course introduces participants to MLOps tools and best practices for deploying, evaluating, monitoring and operating production ML systems on Google Cloud. MLOps is a discipline focused on the deployment, testing, monitoring, and automation of ML systems in production. Machine Learning Engineering professionals use tools for continuous improvement and evaluation of deployed models. They work with (or can be) Data Scientists, who develop models, to enable velocity and rigor in deploying the best performing models.

 

Machine Learning Operations (MLOps): Getting Started, 07.04.2024

Set Up an App Dev Environment on Google Cloud Skill Badge | Google Cloud Skills Boost | Credly

Кроки для здобуття необхідних навичок для спеціальностей з напрямку AI & Data на платформі Google Cloud Skills Boost завдяки можливості надданій Google Ukraine.

Course: Set Up an App Dev Environment on Google Cloud Skill Badge

Summary

Complete the Set Up an App Dev Environmen on Google Cloud skill badge to demonstrate skills in the following: how to build and connect storage-centric cloud infrastructure using the basic capabilities of the of the following technologies: Cloud Storage, Identity and Access Management, Cloud Functions, and Pub/Sub.

Set Up an App Dev Environment on Google Cloud Skill Badge, 04.04.2024

Implement Load Balancing on Compute Engine Skill Badge | Google Cloud Skills Boost | Credly

Кроки для для здобуття необхідних навичок для спеціальностей з напрямку AI & Data на платформі Google Cloud Skills Boost завдяки можливості надданій Google Ukraine.

Course: Implement Load Balancing on Compute Engine

Summary

Complete the Implement Load Balancing on Compute Engine skill badge to demonstrate skills in the following: write gcloud commands and use Cloud Shell, create and deploy virtual machines in Compute Engine, run containerized applications on Google Kubernetes Engine, and configure network and HTTP load balancers.

Implement Load Balancing on Compute Engine Skill Badge, 04.04.2024

Recommendation Systems on Google Cloud | Google Cloud Skills Boost

Кроки для для здобуття необхідних навичок для спеціальностей з напрямку AI & Data на платформі Google Cloud Skills Boost завдяки можливості надданій Google Ukraine.

Курс: Recommendation Systems on Google Cloud

Recommendation Systems on Google Cloud, Apr 3, 2024

Summary

In this course, you apply your knowledge of classification models and embeddings to build a ML pipeline that functions as a recommendation engine. This is the fifth and final course of the Advanced Machine Learning on Google Cloud series.

• Recommendation Systems Overview
• Content-Based Recommendation Systems
• Collaborative Filtering Recommendations Systems
• Neural Networks for Recommendation Systems 
• Reinforcement Learning
  

Natural Language Processing on Google Cloud | Google Cloud Skills Boost

Кроки для для здобуття необхідних навичок для спеціальностей з напрямку AI & Data на платформі Google Cloud Skills Boost завдяки можливості надданій Google Ukraine.

Курс: Natural Language Processing on Google Cloud

Natural Language Processing on Google Cloud, Mar 26, 2024

Summary

This course introduces the products and solutions to solve NLP problems on Google Cloud. Additionally, it explores the processes, techniques, and tools to develop an NLP project with neural networks by using Vertex AI and TensorFlow.

1. NLP on Google Cloud
2. NLP with Vertex AI
3. Text representatation
4. NLP models