Mert Cobanov cobanov

tmux

tmux bir terminal çoklayıcısıdır ve özellikle uzun süren veya çoklu terminal oturumlarını yönetirken kullanırız. Bu araç, kullanıcıların birden fazla terminal seansını tek bir arayüzde yönetmelerine olanak tanır. Özellikle birden çok göreve aynı anda odaklanmanız gerektiğinde, iş akışınızı büyük ölçüde kolaylaştırmaya yarar.

Önemli bir özelliği, tmux oturumlarının bağlantı kesilse bile korunmasıdır. Yani, bir sunucuyla uzaktan çalışırken bağlantınız kesilirse, tmux oturumunuz arka planda çalışmaya devam eder ve bağlantıyı yeniden kurduğunuzda kaldığınız yerden devam edebilirsiniz. Bu, özellikle kararsız internet bağlantıları olan veya uzun süreli komutlar çalıştırdığımızda olduka işe yarıyor.

tmux'a neden ihtiyacım olur?

Uretken Sanat

Üretken yapay zeka sanatı muhakkak ki son 5 yılın en ilginç konularından biri olurken, 2023'ün de en ehemmiyetli teknolojisi oldu. Dünya çapında yapay zeka geliştiricileri ile konservatif sanatçıları iki farklı kutba ayırırken, şirketlerin ve devletlerin yeni regülasyonlar konusunda mutabakat sağlamalarını zorunlu kıldı. Son kullanıcılar neyin yapay zeka ile oluşturulduğunu, neyin ise gerçek görüntü olduğunu ayırmakta zorluk çekiyor. Toplumun bir kısmı bu hızla gelişen teknoloji karşısında ürpertiye yakalanırken, kimi ise hemen adapte olup hayatına dahil ediyor. Sosyal medya hesaplarımızda, 16. yüzyılın en ünlü ressamlarından Jacques-Louis David gibi sanatçıların eserlerini andıran selfie'ler oluşturduk, yüzümüzü ünlü kişiliklerin yüzleriyle değiştirdik veya çizgi film karakterlerine büründük. Esasında, bugün ve gelecek dönemler için, gerçek ve sanal dünyada aynı anda bulunan varlıklara dönüştük.

Ç !Jacques Louıs Davıd Gorselı Goner------+!'^!'+%!'

2023 yılı, yapay zekanın geçmiş on yıl iç

to use local llm model

from smolagents import OpenAIServerModel

model = OpenAIServerModel(
    model_id="Qwen/Qwen2.5-Coder-14B-Instruct-GGUF",
    api_base="http://100.81.11.125:1234/v1",
    api_key="lm-studio",
)

	mkdir -p models
	mkdir -p assets
	curl -L -o assets/sample.mp3 "https://diktator-demo.s3.amazonaws.com/selintunr%40gmail.com/original/deneme_0c75dbb0-3754-446b-ab91-c9592ed0bdd3.mp3"
	curl -L -o models/discogs-effnet-bs64-1.pb "https://essentia.upf.edu/models/feature-extractors/discogs-effnet/discogs-effnet-bs64-1.pb"
	curl -L -o models/genre_discogs400-discogs-effnet-1.pb "https://essentia.upf.edu/models/classification-heads/genre_discogs400/genre_discogs400-discogs-effnet-1.pb"

	from skimage import io, color
	import numpy as np
	import torch

	def get_image(image_or_path: Union[str, np.ndarray, torch.Tensor]) -> np.ndarray:
	"""
	Reads an image from a file path or an array/tensor and converts it to RGB format (H, W, 3).

	Args:
	image_or_path (Union[str, numpy.array, torch.Tensor]): The input image or path to it.

	import torch
	from PIL import Image

	from misc import colorize


	class DepthEstimationModel:
	def __init__(self) -> None:
	self.device = self._get_device()
	self.model = self._initialize_model(

	# Import necessary libraries
	from sklearn.datasets import fetch_openml
	from sklearn.model_selection import train_test_split
	from sklearn.ensemble import RandomForestClassifier
	from sklearn.metrics import accuracy_score
	import time

	# Load a larger dataset (MNIST dataset with 70,000 samples)
	mnist = fetch_openml("mnist_784", version=1)
	X, y = mnist.data, mnist.target # Features and labels