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. 26

    HTML61 день назад0лайков
  2. 26

    Тестовый репозиторий

    HTML306 дней назад0лайков
  3. 12943–13438mycelio/exbasidium
    26

    Kotlin112 дней назад0лайков
  4. 12943–13438mycelio/mycelio
    26

    614 дней назад0лайков
  5. 26

    332 дня назад0лайков
  6. 26

    329 дней назад0лайков
  7. 26

    Kotlin287 дней назад0лайков
  8. 26

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

    TSX68 дней назад0лайков
  9. 12943–13438nc6-bk-ru/qr-code
    26

    JavaScript367 дней назад0лайков
  10. 26

    JavaScript180 дней назад0лайков
  11. 26

    338 дней назад0лайков
  12. 26

    328 дней назад0лайков
  13. 26

    проект аркада яндекс лицей

    252 дня назад0лайков
  14. 26

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

    314 дней назад0лайков
  15. 26

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

    48 дней назад0лайков
  16. 26

    290 дней назад0лайков
  17. 26

    Шейдеры для Minecraft 1.12.2 с эффектами воды: волны и отражения

    235 дней назад0лайков
  18. 26

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

    201 день назад0лайков
  19. 26

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

    168 дней назад0лайков
  20. 26

    Telegram-бот SCP Foundation для общения с пользователями

    JavaScript97 дней назад0лайков
  21. 26

    Python32 дня назад0лайков
  22. 26

    Тестовый репозиторий

    Python311 дней назад0лайков
  23. 12943–13438nphne-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.

    288 дней назад0лайков
  24. 26

    Python252 дня назад0лайков
  25. 26

    Витрина приложений и игр X-Corp Store

    46 дней назад0лайков
Показать ещё 25

13 251–13 275 из 21 876

Выбрано 3 из 3