Вот краткий обзор моего проекта React для школы Flatiron. Я определенно нашел библиотеку redux сложной задачей для изучения, но я горжусь тем, как она выглядит до сих пор!
Для своего проекта я решил сделать витрину и подумал, что смогу немного повеселиться с комнатными растениями, пока буду это делать! Позвольте представить вам Leaf-fit, витрину, которая поможет вам решить, какое растение лучше всего впишется в ваше пространство. Я создал базу данных, содержащую 25 растений, каждое из которых имеет ключевые характеристики. Мой внешний интерфейс действует как витрина магазина с указателем с функцией корзины, которая позволяет пользователям добавлять, редактировать или удалять растения из своей корзины. Я планирую очень скоро разместить это приложение на героку, чтобы вы могли поиграть с ним, а пока вот ссылка на демо!
Первый взгляд на мой Capstone
смотрите также:
- Объяснение документов 02: BERT
- Как проанализировать работу вашего классификатора?
- Работа с цепями Маркова, часть 4 (Машинное обучение)
- Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
- Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Новые материалы
Объяснение документов 02: BERT
BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка.
Во время предварительного обучения модель обучается на неразмеченных данных с помощью..
Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать
С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..
Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv)
Автор : Бар Лайт
Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..
Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята?
В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..
Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение.
В этом процессе мы будем использовать неконтролируемое обучение, чтобы..
Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm.
Оглавление
Глоссарий
I. Новый пакет
1.1 советы по инициализации..
Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных.
Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..