Sunt un perfecționist! O etichetă pe care o purtăm cu mândrie, simbolizând, pentru majoritatea dintre noi, faptul că muncim cu spor, dorim ca munca noastră să fie de calitate și nu fugim de obstacole. Însă, pe tărâmul psihologiei, această etichetă are un înțeles complet diferit. Perfecționismul nu este nimic altceva decât o formă de coping cu frica de a nu fi judecat. Pentru că, dacă sunt perfect, cine mă mai poate judeca, așa-i?

Valoarea unei opere științifice se judecă după influența pe care o exercită asupra evoluției științei. Mai există în știință și drumuri care se înfundă, râuri care în loc să se verse în fluvii și, prin acestea, în mări și oceane, eșuează într-un mic lac sau pur și simplu într-o băltoacă.
- Solomon Marcus, Din gândirea matematică românească, București, Editura Științifică și Enciclopedică, 1975.

Știm că vă place programarea, cele mai noi trenduri tehnologice și că sunteți dornici să învățați mereu ceva nou, de aceea vă recomandăm să vă înscrieți la cel mai mare eveniment tech organizat de Cognizant Softvision: Programmers' Week.

Pe lângă senzorii precum RADAR, LiDAR și ultrasunete, viziunea artificială este intens folosită în ultimii douăzeci de ani în automotive, pentru a realiza partea de percepție. Aceasta este o tehnologie esențială în momentul dezvoltării sistemelor de confort și siguranță, atât pentru situații de parcare, cât și pentru scenarii de conducere pe care le regăsim în oraș, autostrăzi sau drumuri extra-urbane și rurale. Figura 1 ilustrează diverse funcții de conducere asistată și automată precum și nivelul de automatizare asociat acestora în funcție de gradul de complexitate și de necesitatea de a fi supervizate de către un șofer. Deși tehnologiile de percepție sunt dezvoltate anume pentru scenarii de trafic, metodele și tehnicile de viziune artificială folosite pentru conducerea automată sunt general valabile și complet reutilizabile și în alte domenii.

Publicat în Numărul 98 Citeşte mai mult

Acest articol este un preview al ediției din acest an a IT Days, 10-11 noiembrie. Așa cum afirmam în articolul anterior, vom încerca o strategie hibrid în care speakerii locali vor fi pe scenă, dar sala va fi goală. Dacă până în noiembrie lucrurile se schimbă într-o direcție pozitivă, ne va face plăcere să avem cel puțin o parte din audiență. Deocamdată, însă, nu vă putem promite acest lucru.

Testarea e vitală în căutarea noastră de a lansa software performant și fără buguri. Pentru a îmbunătăți viteza de dezvoltare și a asigura un produs final de înaltă calitate, se depune un efort considerabil în crearea unui context unde acest software poate fi testat. Sistemele de tip pull sunt de obicei închise, având nivele reduse pentru Controlabilitate si Observabilitate, prin urmare calea spre îmbunătățirea Testabilității se face din mers.

Publicat în Numărul 98 Citeşte mai mult

Scopul acestei serii de articole este de a oferi un ghid complet în Machine Learning, de la date la predicții, pentru programatori .NET care lucrează în ecosistemul .NET. Acest lucru este posibil cu Microsoft ML.NET și Jupyter Notebooks. Mai mult, nu trebuie să fiți data scientist pentru a lucra cu machine learning.

Publicat în Numărul 98 Citeşte mai mult

Continuăm articolul publicat în numărul precedent al revistei. Dacă atunci am văzut cum se realizează o interfață web pentru un Address Book folosind Nuxt, acum vom folosi informațiile din front-end și le vom salva într-o bază de date MogoDB. Datele din store-ul Vuex vor fi transmise în format JSON la un server Node.js care le va stoca sub forma de documente.

Am trecut de jumătatea anului 2020, o perioadă care va rămâne cu siguranță în memoria colectivă mult timp de acum înainte. Schimbările majore la nivel mental, în structura și mai ales în comportamentul social, se vor putea observa mai concret abia peste ceva timp, însă vântul schimbării își face simțită prezența.

Publicat în Numărul 98 Citeşte mai mult

În lumea data science și a machine learning, limbajul de programare Python face regulile. În plus, frameworkurile existente- TensorFlow, Keras, Torch, CoreML, CNTK- nu sunt ușor de integrat cu proiectele .NET. Frameworkul ML.NET este bazat pe .NET Core și .NET Standard (moștenind capacitatea de a rula pe Linux, macOS și Windows), fiind conceput ca o platformă extensibilă. Așadar se pot consuma modele create cu alte frameworkuri populare cum sunt: TensorFlow, ONNX , CNTK, Infer.NET. Microsoft ML.NET este mai mult decât machine learning, deoarece include deep learning și vă oferă acces la o mare varietate de scenarii de deep learning, cum ar fi clasificarea de imagini sau detectarea de obiecte.