Nikita Konkin
Технологии
Витрина проектов с фильтром по технологиям и инструментам.
Сервис автоматизации приложений к дипломам
Сервис для проверки Excel-ведомостей, подсветки проблемных данных и сборки XML-файлов для приложений к дипломам.
- Автоматическая проверка и подсветка проблемных ячеек в Excel.
- Генерация XML в целевом формате «КиберДиплом 3.5.1».
- Полиглот-архитектура с разделением API, обработки данных и XML-генерации.
Angry Tests — принципы тестирования от Yegor Bugayenko
Подборка практических принципов автоматизированного тестирования: короткие тесты, фокус на баги, строгие assertions и инструменты для более сильной инженерной проверки.
- Принципы для fast и deep tests, flaky bug reproduction и custom matchers.
- Практические ориентиры по тому, как делать тесты короче, злее и полезнее.
- Ссылки на инструменты и подходы вроде jqwik, pitest, ArchUnit и fuzzing.
ICT — платформа обработки данных ионосферного зондирования
Сквозной конвейер обработки данных GNSS: от архивов RINEX к полному электронному содержанию, полосам когерентности, картам и аналитике. Набор контейнеризованных сервисов с веб-оркестратором и API-доступом к данным.
- Сквозной путь данных: RINEX → TEC → полоса когерентности → карты и статистика.
- Веб-оркестратор контейнерных конвертеров с потоковыми логами и аудитом запусков.
- Аналитический backend на DuckDB поверх Parquet с экспортом в JSON/CSV/XLSX и графиками.
Tea Taste — цифровой журнал дегустации чая
Веб-приложение для структурированной дегустации чая: фиксирует параметры заваривания и сенсорные впечатления по проливам, превращая субъективную оценку в воспроизводимую запись.
- Многошаговая форма дегустации с черновиком в localStorage.
- Модель проливов: аромат и вкус фиксируются по стадиям, у каждого пролива своя оценка и таймер.
- REST API на Express и MongoDB с JWT-аутентификацией и публичной лентой дегустаций.
Gradient Descent Playground — интерактивный тренажёр градиентного спуска
Streamlit-приложение для наглядного изучения градиентного спуска: генерирует синтетические данные, обучает полиномиальные модели тремя видами спуска (Batch, SGD, Mini-batch) по MSE или MAE и показывает график потерь, анимацию шагов и 3D-поверхность функции потерь с траекторией оптимизации.
- Три вида градиентного спуска (Batch, SGD, Mini-batch) и две функции потерь (MSE, MAE) на общих данных — для прямого сравнения.
- Анимация шагов оптимизации и 3D-поверхность потерь с траекторией спуска по двум выбранным параметрам.
- Автоматическое обнаружение расходимости: неустойчивая история обрезается на последней стабильной итерации.
Похожие проекты
- TensorFlow Playground — Обучение нейросети прямо в браузере — канонический интерактивный тренажёр ML.
- Distill — Why Momentum Really Works — Интерактивный разбор динамики градиентного спуска с моментом.
- Setosa — Ordinary Least Squares — Визуальное объяснение подгонки методом наименьших квадратов.
- 3Blue1Brown — Neural networks — Видеокурс с наглядным объяснением градиентного спуска и обучения.
HF-FEC GAN — состязательная оценка устойчивости помехоустойчивых кодов
Состязательная (GAN) генерация структурированных помех фиксированной мощности для оценки уязвимости FEC-кодов КВ-связи. Сравнивает BER FEC-схем (сверточный K=7 R=1/2, BCH(63,51), турбо-код) в идеальном канале, при замираниях Рэлея и Риса и под обученным генератором шума.
- FEC по стандартам КВ-связи: сверточный код с soft-decision Viterbi (MIL-STD-188-110, STANAG 4285), BCH(63,51) для ALE, заготовка турбо-кода STANAG 4539 и блоковый интерливинг 16×16.
- Генератор шума (FC → Conv1D → LSTM → Conv1D) против CNN-дискриминатора, предсказывающего отказ декодирования, — помеха фиксированной мощности учится обходить именно FEC.
- Модели каналов AWGN, Рэлея и Риса и спектральный анализ (FFT, PSD Уэлча) наиболее эффективных помеховых структур.
Похожие проекты
- O'Shea & Hoydis — Deep Learning for the Physical Layer — Основополагающая работа о сквозном обучении физического уровня как автокодировщика.
- Nachmani et al. — Learning to Decode Linear Codes — Нейросетевое улучшение декодирования линейных кодов — ML со стороны декодера.
- Sadeghi & Larsson — Adversarial Attacks on Radio Signal Classification — Состязательные возмущения в беспроводной связи — тот же ракурс атаки на приёмник.
- NVIDIA Sionna — Дифференцируемая библиотека моделирования физического уровня для исследований.
Пока нет проектов с этой технологией.