Repo Health

Рейтинг здоровья открытых репозиториев

Оценка от 0 до 100 по данным SourceCraft.

4 категории из 6, пересчёт раз в сутки. Как считается

  1. 12914–13406mycelio/mycelio
    26

    611 дней назад0лайков
  2. 26

    329 дней назад0лайков
  3. 26

    326 дней назад0лайков
  4. 26

    Kotlin284 дня назад0лайков
  5. 26

    Одностраничный лендинг для центра уличной культуры на русском языке, созданный по мотивам сайта Styles Company.

    TSX65 дней назад0лайков
  6. 12914–13406nc6-bk-ru/qr-code
    26

    JavaScript364 дня назад0лайков
  7. 26

    JavaScript177 дней назад0лайков
  8. 26

    335 дней назад0лайков
  9. 26

    326 дней назад0лайков
  10. 26

    проект аркада яндекс лицей

    249 дней назад0лайков
  11. 26

    Революционная мобильная игра на основе механики Тетриса с 20+ инновационными функциями

    311 дней назад0лайков
  12. 26

    Правила для сборки deb пакета libpqxx (PostgreSQL C++ API) специфичного для проекта СОМИ

    45 дней назад0лайков
  13. 26

    287 дней назад0лайков
  14. 26

    Шейдеры для Minecraft 1.12.2 с эффектами воды: волны и отражения

    232 дня назад0лайков
  15. 26

    Оптимизированные шейдеры для Minecraft 1.16.5 Forge/Optifine с реалистичной водой для слабых компьютеров

    198 дней назад0лайков
  16. 26

    Легковесный шейдерпак для Minecraft 1.16.5 (OptiFine) с реалистичной водой и мягким освещением. Оптимизирован для слабых ПК.

    165 дней назад0лайков
  17. 26

    Telegram-бот SCP Foundation для общения с пользователями

    JavaScript94 дня назад0лайков
  18. 26

    Python29 дней назад0лайков
  19. 26

    Тестовый репозиторий

    Python308 дней назад0лайков
  20. 12914–13406nphne-ldsw76sh/ml
    26

    Техническое задание Проект: Классификатор приоритета входящих IT-тикетов 1. Введение и цель проекта Разработать учебную систему автоматической классификации текстовых обращений в службу технической поддержки по четырём уровням приоритета: Low, Medium, High, Urgent. Система анализирует текст тикета и присваивает ему категорию срочности без участия оператора. Проект выполняется в рамках учебной дисциплины «Машинное обучение» с фокусом на воспроизводимость, интерпретируемость и соответствие поставленной задаче. Сложность архитектуры ограничена требованиями учебного задания — допускается использование только классических методов машинного обучения без применения предобученных трансформеров или облачных сервисов. 2. Источник данных и структура признаков Используется датасет с платформы Hugging Face: Console-AI/IT-helpdesk-synthetic-tickets Структура одной записи датасета включает следующие поля: Поле subject — строка, заголовок тикета (например: «Fwd: URGENT — Server down») Поле description — строка, развёрнутое описание проблемы пользователя Поле category — строка, тематическая категория тикета (например: «Network», «Hardware») Поле priority — строка, целевая метка класса со значениями: «Low», «Medium», «High», «Urgent» Поле createdAt — строка, временная метка создания тикета в формате ISO 8601 Общий объём данных: 500 записей в сплите train. Язык текста: английский. Распределение классов ожидается несбалансированным с преобладанием классов Low и Medium. Для построения модели используются только следующие поля: Признаки для обучения: объединённый текст из полей subject и description Целевая переменная: поле priority Поля category и createdAt сохраняются в рабочем датафрейме для возможного анализа распределения приоритетов по категориям или временным периодам, но не участвуют в формировании признакового пространства модели. Это требование обусловлено учебной задачей — демонстрация способности модели выделять признаки срочности исключительно из текстового контента без опоры на структурированные метаданные. 3. Подготовка текстовых данных Текстовые поля subject и description объединяются в единый признак text по правилу: text = subject + " " + description Пример преобразования: Исходные поля: subject = «URGENT: Database failure» description = «Production database is down since 10 AM» Результат: text = «URGENT: Database failure Production database is down since 10 AM» Предобработка текста включает следующие операции: Приведение всех символов к нижнему регистру Сохранение пунктуации и цифр без дополнительной очистки (пунктуация может нести смысловую нагрузку, например восклицательные знаки в срочных тикетах) Удаление стоп-слов выполняется на этапе векторизации встроенным механизмом TF-IDF, а не предварительной обработкой Пропуски в полях subject или description отсутствуют согласно спецификации датасета. При их обнаружении применяется заполнение пустой строкой.

    285 дней назад0лайков
  21. 26

    Python249 дней назад0лайков
  22. 26

    Витрина приложений и игр X-Corp Store

    43 дня назад0лайков
  23. 26

    Симулятор открытия кейсов CS:GO с анимациями, звуками, инвентарём и экономикой

    JavaScript45 дней назад0лайков
  24. 26

    Обучаюсь работе с k8s

    43 дня назад0лайков
  25. 12914–13406nzyuzin93/qqqqqq
    26

    HTML418 дней назад0лайков
Показать ещё 0

13 226–13 250 из 21 855

Выбрано 3 из 3