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

    330 дней назад0лайковСравнить
  2. 26

    Kotlin289 дней назад0лайковСравнить
  3. 26

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

    TSX69 дней назад0лайковСравнить
  4. 12938–13433nc6-bk-ru/qr-code
    26

    JavaScript368 дней назад0лайковСравнить
  5. 26

    JavaScript181 день назад0лайковСравнить
  6. 26

    340 дней назад0лайковСравнить
  7. 26

    330 дней назад0лайковСравнить
  8. 26

    проект аркада яндекс лицей

    253 дня назад0лайковСравнить
  9. 26

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

    315 дней назад0лайковСравнить
  10. 26

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

    49 дней назад0лайковСравнить
  11. 26

    291 день назад0лайковСравнить
  12. 26

    Шейдеры для Minecraft 1.12.2 с эффектами воды: волны и отражения

    236 дней назад0лайковСравнить
  13. 26

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

    202 дня назад0лайковСравнить
  14. 26

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

    169 дней назад0лайковСравнить
  15. 26

    Telegram-бот SCP Foundation для общения с пользователями

    JavaScript98 дней назад0лайковСравнить
  16. 26

    Python33 дня назад0лайковСравнить
  17. 26

    Тестовый репозиторий

    Python312 дней назад0лайковСравнить
  18. 12938–13433nphne-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.

    289 дней назад0лайковСравнить
  19. 26

    Python253 дня назад0лайковСравнить
  20. 26

    Витрина приложений и игр X-Corp Store

    47 дней назад0лайковСравнить
  21. 26

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

    JavaScript49 дней назад0лайковСравнить
  22. 26

    Обучаюсь работе с k8s

    47 дней назад0лайковСравнить
  23. 12938–13433nzyuzin93/qqqqqq
    26

    HTML422 дня назад0лайковСравнить
  24. 26

    короче тут пишем а то ваще пипец какойта

    298 дней назад0лайковСравнить
  25. 26

    gundb relay server

    Ruby296 дней назад0лайковСравнить
Показать ещё 25

13 251–13 275 из 21 870

Выбрано 2 из 3