Ттп 15 трансформатор: ТТП-15 (18В, 1.0А), Трансформатор тороидальный, 18В, 1.0А, Торэл

ООО «ЭЛГРАД Про»

Производственные поставки

1ноября пн 10

2ноября вт 10⁰⁰—17⁰⁰

3ноября ср 10⁰⁰—17⁰⁰

4ноября чт выходной

5ноября пт выходной

6ноября сб выходной

7ноября вс выходной

Магазин «ВольтМастер»

Розничные продажи

30октября сб 10⁰⁰—17⁰⁰

31октября вс выходной

1ноября пн

2ноября вт 10⁰⁰—17⁰⁰

3ноября ср 10⁰⁰—17⁰⁰

4ноября чт

5ноября пт 10⁰⁰—17⁰⁰

6ноября сб выходной

7ноября вс выходной

Трансформаторы тпп 127/220, параметры, характеристики

Трансформаторы представляют собой малогабаритные сетевые низковольтные трансформаторы типа ТПП, изготовленные по серии «Габарит». Расшифровывается как трансформатор для питания полупроводниковых схем, обладает большим диапазоном напряжений и токов, что подойдет для использования его в аппаратуре широкого применения.

Производятся в наше время предприятием ОАО «Трансвит». Работаю от сети  с номинальным напряжением 127/220V и частотой 50 Гц, а также с частотой 400 Гц и напряжением 40/115/220V. Основное применение — это радиоэлектронные схемы, в вычислительной технике, в устройствах средств связи, для питания схем различным напряжением и током, с диапазоном мощности 1 до 500 ВА.

Для получения различных напряжений или силы тока, трансформатор позволяет задействовать несколько вторичных обмоток, включая их как последовательно, так и параллельное соединение.

Изготовляют трансформаторы серии ТПП для различных климатических зон и механических факторов. По влагоустойчивости делят на всеклиматический (обозначение литерой В), а также (буквы «УХЛ»)с умеренным и холодным климатом, (в соответствии с ГОСТ 16962—71).

Обозначение трансформаторов

Полное условное обозначение изделия в конструкторской документации состоит из слова «трансформатор», сокращенного обозначения типа трансформатора «

Наибольшие отклонения напряжений вторичных обмоток трансформаторов типа ТПП измеренные в номинальном режиме при нормальных климатических условиях, составляют ±5%. Наибольшие отклонения напряжений вторичных обмоток трансформаторов, измеренные в условиях повышенной (+85°С) и пониженной (–60°С) температур, составляют 6—9%.

Сопротивление изоляции трансформаторов типа ТПП при температуре +85°С составляет 20 МОм. При кратковременном воздействии в течение 10 суток повышенной влажности воздуха при температуре +40°С сопротивление изоляции для трансформаторов группы В составляет 50 МОм и выше, для трансформаторов группы УХЛ — 20 МОм и выше.

Основные электрические параметры трансформаторов ТПП 2 броневой и стержневой конструкции

Принципиальные схемы трансформаторов типа ТПП

Трансформаторы типа ТПП выпускаются с двумя типами первичной обмотки (первый тип рассчитан на напряжение сети 127 или 220 В, второй только на 220 В).  Возможные варианты обмоток представлены на электрических принципиальных схемах.

Схемы трансформаторов ТПП 2

Количество вторичных обмоток у основной массы трансформаторов — 6, а трансформаторы ТПП2 имеют 12, 10, 8, и 4 вторичных обмотки.

Схемы  ТПП

Схема трансформаторов ТПП48, ТПП67, ТПП88

Подключение к сети переменного тока

Варианты подключения трансформаторов типа ТПП к сети переменного тока с частотой 50 Гц приведены в таблице 4.

Таблица 5. Варианты подключения трансформаторов типа ТПП2, ТПП48, ТПП67, ТПП88 к сети переменного тока.

Конструкция и размеры

Конструктивные размеры унифицированных трансформаторов серии «Габарит»  для всего ряда.

Условия эксплуатации

• Температура окружающей среды ….. –60…+85°С
• Относительная влажность воздуха при +40°С …. до 98%
• Атмосферное давление …. От 5,3 до 7,7кПа (от 400 до 790 мм рт. ст.)

Циклическое воздействие температур:

• для трансформаторов исполнения В … –60…+140°С
• для трансформаторов исполнения УХЛ … –60…+85°С
• Вибрации в диапазоне частот … от 5 до 1000 Гц с ускорением до 7,5 g
• Одиночные удары с ускорением …. до 500 g
• Многократные удары с ускорением … до 100 g
• Линейные нагрузки с ускорением … до 25 g
• Срок службы, не менее ……… 10000 ч

Видео: Трансформатор ТПП

Поделиться ссылкой:

Amazon.com: VCT VT-1000J — Японский повышающий / понижающий трансформатор напряжения преобразует японские 100 вольт в 120 вольт ИЛИ наоборот -1000 ватт, черный: Electronics

4,0 из 5 звезд Приличный трансформатор по цене, но далеко не по номинальной мощности.
Гуанян, 21 ноября, 2018

Как инженер-электрик, я ежедневно работаю с энергосистемами. Я работал с подходящими трансформаторами на 500 ВА, и они значительно больше, обычно весят около 7 кг. Трансформатор внутри, как вы можете видеть, очень маленький, около 1,5 кг, и, вероятно, рассчитан на непрерывную работу не более 100 ВА.Это видно из небольшого текста, который рекомендует производитель, поскольку они действительно говорят (в отзывах клиентов в разделе комментариев) оставлять 4-кратную маржу. Это означает, что этот трансформатор «500 ВА» на самом деле больше похож на трансформатор на 125 ВА непрерывного действия.

Однако, по цене (около 35 долларов) и имея в виду, что я буду рассматривать его как блок 125 ВА (вместо блока 500 ВА), это прилично. Конструкция выполнена из хорошего листового металла с очень красивым порошковым покрытием. Он работает как с повышением, так и с понижением от 100 до 120 В (по умолчанию).Пайка внутри прошла нормально, используемые провода были дешевыми, но ОК 22AWG PVC, а заземление было выполнено правильно с помощью стопорной шайбы и обжатых клемм. Быстрое измерение для преобразования напряжения — вход 122,7 В переменного тока дал мне выход 104,0 В переменного тока без нагрузки — достаточно хорошо.

Если я утверждаю, что трансформатор только 125 ВА, почему я использую его для рисоварки на 495 Вт? Хотя трансформатор такого размера годен только для непрерывной работы 100 + ВА, он может работать на более высоких уровнях мощности в течение коротких периодов времени. Пределы: (1) тепловое и (2) насыщение трансформатора.Чтобы заставить эту «работать» мою рисоварку, я провел некоторые измерения и обнаружил, что моя конкретная рисоварка включает свой нагревательный элемент (который, когда он это делает, потребляет около 500 Вт) на довольно короткие периоды времени (10 с. секунд), прежде чем включать и выключать. В результате общий средний рабочий цикл невелик. Я также обнаружил, что характеристики трансформатора приемлемы при полной нагрузке. Остались термики. Чтобы смягчить это, я добавил свой собственный вентилятор на 120 В переменного тока поверх коробки трансформатора. Устройство потребляет чуть более 4 А от моей розетки на 120 В переменного тока, поэтому я сохранил предохранитель на 5 А.

Я уже много раз запускал этот ящик с рисоваркой без проблем. Тем не менее, я делаю это, зная, что довожу трансформатор до предела насыщения, и помню, что общий рабочий цикл моей рисоварки довольно низок. Кроме того, я НЕ рекомендую каким-либо образом изменять этот продукт, если вы не уверены, что знаете, что делаете, и понимаете, что это аннулирует вашу гарантию.

Я, конечно, НЕ рекомендую это для любого продукта, который использует 500 Вт непрерывно в течение любого периода времени.Для этого вам нужно будет купить модель 2000 ВА. Однако для небольших продуктов, потребляющих намного меньше энергии, это приемлемый блок.

Ttp Данные импорта из США

Prolific — Программное обеспечение Transformer Test Pro

Иллюстрированный BERT, ELMo и др.(Как NLP Cracked Transfer Learning) — Джей Аламмар — Визуализация машинного обучения по одной концепции за раз.

Обсуждения: Hacker News (98 баллов, 19 комментариев), Reddit r / MachineLearning (164 балла, 20 комментариев)
Переводы: Китайский (упрощенный), Корейский, Персидский, Русский, Французский, Японский

Обновление 2021 года: Я создал это краткое и очень доступное видео-вступление к BERT

2018 год стал переломным для моделей машинного обучения, обрабатывающих текст (точнее, Natural Language Processing или NLP для краткости).Наше концептуальное понимание того, как лучше всего представлять слова и предложения таким образом, чтобы лучше всего улавливать основные значения и отношения, быстро развивается. Более того, сообщество НЛП выдвигает невероятно мощные компоненты, которые вы можете бесплатно загрузить и использовать в своих собственных моделях и конвейерах (это называется моментом NLP ImageNet, ссылаясь на то, как много лет назад подобные разработки ускорили развитие машинного обучения в компьютерном зрении. задания).

(ULM-FiT не имеет ничего общего с Cookie Monster.Но больше ни о чем думать не мог ..)

Одной из последних вех в этом развитии является выпуск BERT, событие, которое описывается как начало новой эры в НЛП. BERT — это модель, которая побила несколько рекордов того, насколько хорошо модели могут справляться с языковыми задачами. Вскоре после выпуска документа с описанием модели команда также открыла исходный код модели и сделала доступными для загрузки версии модели, которые уже были предварительно обучены на массивных наборах данных.Это важное событие, поскольку оно позволяет любому, кто создает модель машинного обучения, включающую языковую обработку, использовать эту мощную систему в качестве легкодоступного компонента, экономя время, энергию, знания и ресурсы, которые были бы потрачены на обучение модели языковой обработки с царапать.

BERT основывается на ряде умных идей, которые недавно зародились в сообществе НЛП, включая, помимо прочего, Semi-supervised Sequence Learning (Эндрю Дай и Куок Ле), ELMo (Мэтью Питерс и исследователи из AI2). и UW CSE), ULMFiT (основателя fast.ai Джереми Ховарда и Себастьяна Рудера), преобразователя OpenAI (разработанного исследователями OpenAI Рэдфордом, Нарасимханом, Салимансом и Суцкевером) и преобразователем (Vaswani et al).

Существует ряд концепций, которые необходимо знать, чтобы правильно понять, что такое BERT.Итак, давайте начнем с рассмотрения способов использования BERT, прежде чем рассматривать концепции, задействованные в самой модели.

Пример: классификация предложений

Самый простой способ использовать BERT — использовать его для классификации отдельного фрагмента текста. Эта модель будет выглядеть так:

Для обучения такой модели вам в основном необходимо обучить классификатор с минимальными изменениями, происходящими с моделью BERT на этапе обучения. Этот процесс обучения называется точной настройкой и берет свое начало в обучении с полу-контролируемой последовательностью и ULMFiT.

Для людей, не разбирающихся в теме, поскольку мы говорим о классификаторах, то мы находимся в области машинного обучения с учителем. Это означало бы, что нам нужен помеченный набор данных для обучения такой модели. В этом примере классификатора спама помеченный набор данных будет списком сообщений электронной почты и меткой («спам» или «не спам» для каждого сообщения).

Другие примеры такого варианта использования включают:

• Анализ тональности
  • Сырьё: Обзор фильма / продукта.Вывод: отзыв положительный или отрицательный?
  • Пример набора данных: SST
• Проверка фактов
  • Ввод: предложение. Выход: «Требовать» или «Не требовать»
  • Более амбициозный / футуристический пример:
    • Исходные данные: Заявление о претензии. Вывод: «Верно» или «Ложь»
  • Full Fact — это организация, создающая инструменты автоматической проверки фактов на благо общества. Частью их конвейера является классификатор, который читает новостные статьи и выявляет утверждения (классифицирует текст как «утверждение» или «не утверждение»), которые впоследствии могут быть проверены фактами (теперь люди, а позже, надеюсь, ML).
  • Видео: Вложения предложений для автоматической проверки фактов — Лев Константиновский.

Модель Архитектура

Теперь, когда у вас в голове есть пример использования BERT, давайте подробнее рассмотрим, как он работает.

В статье представлены модели BERT двух размеров:

• BERT BASE — По размеру сопоставим с трансформатором OpenAI для сравнения производительности
• BERT LARGE — смехотворно огромная модель, которая достигла самых современных результатов, описанных в документе
.

BERT — это, по сути, обученный стек Transformer Encoder.Это хорошее время, чтобы посоветовать вам прочитать мой предыдущий пост The Illustrated Transformer, в котором объясняется модель Transformer — основополагающая концепция для BERT и концепции, которые мы обсудим далее.

Модели BERT обоих размеров имеют большое количество слоев кодировщика (которые в статье называются блоками трансформатора) — двенадцать для базовой версии и двадцать четыре для большой версии. У них также есть более крупные сети прямого распространения (768 и 1024 скрытых блока соответственно) и больше внимания (12 и 16 соответственно), чем конфигурация по умолчанию в эталонной реализации преобразователя в исходной статье (6 уровней кодировщика, 512 скрытых блоков, и 8 глав внимания).

Входы модели

Первый входной токен снабжен специальным токеном [CLS] по причинам, которые станут очевидными позже. CLS здесь означает классификацию.

Как и обычный кодировщик преобразователя, BERT принимает в качестве входных данных последовательность слов, которые продолжают течь вверх по стеку. Каждый уровень применяет самовнимание и передает свои результаты через сеть прямого распространения, а затем передает их следующему кодировщику.

С точки зрения архитектуры, он был идентичен Transformer до этого момента (за исключением размера, который мы просто можем установить).Именно на выходе мы сначала начинаем видеть, как вещи расходятся.

Модель Выходы

Каждая позиция выводит вектор размером hidden_size (768 в BERT Base). В рассмотренном выше примере классификации предложений мы фокусируемся на выводе только первой позиции (которой мы передали специальный токен [CLS]).

Этот вектор теперь можно использовать в качестве входных данных для выбранного нами классификатора. В статье были достигнуты отличные результаты, просто используя однослойную нейронную сеть в качестве классификатора.

Если у вас больше ярлыков (например, если вы являетесь почтовой службой, которая помечает электронные письма как «спам», «не спам», «социальные сети» и «продвижение»), вы просто настраиваете сеть классификаторов, чтобы иметь больше выходных нейронов. которые затем проходят через softmax.

Параллели со сверточными сетями

Для тех, кто имеет опыт работы в области компьютерного зрения, эта передача вектора должна напоминать то, что происходит между сверточной частью сети, такой как VGGNet, и полностью связанной частью классификации в конце сети.

Новая эра вложения

Эти новые разработки несут с собой новый сдвиг в способах кодирования слов. До сих пор встраивание слов было главной силой в том, как ведущие модели НЛП работают с языком. Для таких задач широко используются такие методы, как Word2Vec и Glove. Давайте вспомним, как они используются, прежде чем указывать на то, что сейчас изменилось.

Обзор встраивания слов

Для того, чтобы слова обрабатывались моделями машинного обучения, им нужна некоторая форма числового представления, которое модели могут использовать в своих вычислениях.Word2Vec показал, что мы можем использовать вектор (список чисел) для правильного представления слов таким образом, чтобы фиксировать семантические или связанные со смыслом отношения (например, способность определять, похожи ли слова или противоположны, или что пара слов такие слова, как «Стокгольм» и «Швеция», имеют те же отношения между собой, что и «Каир» и «Египет» между собой), а также синтаксические или основанные на грамматике отношения (например, отношения между «имел» и «имеет» то же самое, что и между «было» и «есть»).

Специалисты быстро поняли, что это отличная идея — использовать вложения, которые были предварительно обучены на огромных объемах текстовых данных, вместо того, чтобы обучать их вместе с моделью на том, что часто было небольшим набором данных. Таким образом, стало возможным загружать список слов и их вложений, сгенерированный предварительным обучением с помощью Word2Vec или GloVe. Это пример вложения слова «палка» в GloVe (с размером вектора встраивания 200)

Поскольку они большие и полны цифр, я использую следующую базовую форму на рисунках в моих сообщениях, чтобы показать векторы:

ELMo: контекст имеет значение

Если мы используем это представление GloVe, то слово «палка» будет представлено этим вектором независимо от контекста. «Погодите», — сказали некоторые исследователи НЛП (Peters et. Al., 2017, McCann et. Al., 2017, и еще раз Peters et. Al., 2018 в статье ELMo), « stick » ». имеет несколько значений в зависимости от того, где он используется.Почему бы не дать ему вложение в зависимости от контекста, в котором оно используется — чтобы уловить значение слова в этом контексте, а также другую контекстную информацию? ». Так родилось контекстуализированных словосочетаний.

Вместо использования фиксированного вложения для каждого слова, ELMo просматривает все предложение перед тем, как присвоить каждому слову в нем вложение.Он использует двунаправленный LSTM, обученный конкретной задаче, чтобы иметь возможность создавать эти вложения.

ELMo стал значительным шагом на пути к предварительному обучению в контексте НЛП. ELMo LSTM будет обучен на массивном наборе данных на языке нашего набора данных, а затем мы сможем использовать его в качестве компонента в других моделях, которым необходимо обрабатывать язык.

В чем секрет ELMo?

ELMo приобрела понимание языка благодаря обучению предсказанию следующего слова в последовательности слов — задача под названием Language Modeling .Это удобно, потому что у нас есть огромные объемы текстовых данных, на основе которых такая модель может учиться без меток.

Этап в процессе предварительного обучения ELMo: введя в качестве входных данных «Давайте придерживаться», предскажите следующее наиболее вероятное слово — задача моделирования языка . При обучении на большом наборе данных модель начинает улавливать языковые шаблоны. Маловероятно, что он точно угадает следующее слово в этом примере. Более реалистично, после такого слова, как «повесить», будет назначена более высокая вероятность такого слова, как «вне» (чтобы записать «зависнуть»), чем «камера».

Мы можем видеть скрытое состояние каждого шага развернутого LSTM, выходящего из-за головы ELMo. Они пригодятся в процессе встраивания после того, как будет проведена предварительная подготовка.

ELMo на самом деле идет дальше и обучает двунаправленный LSTM, так что его языковая модель понимает не только следующее слово, но и предыдущее слово.

ELMo предлагает контекстуализированное встраивание посредством группировки вместе скрытых состояний (и начального встраивания) определенным образом (конкатенация с последующим взвешенным суммированием).

ULM-FiT: закрепление трансферного обучения в НЛП

ULM-FiT представил методы, позволяющие эффективно использовать многое из того, что модель изучает во время предварительного обучения — больше, чем просто встраивание, и больше, чем контекстуализированное вложение. ULM-FiT представил языковую модель и процесс для эффективной настройки этой языковой модели для различных задач.

NLP наконец-то появился способ передачи обучения, вероятно, не хуже, чем у Computer Vision.

Трансформер: выход за рамки LSTM

Выпуск документа и кода Transformer, а также результаты, достигнутые им в таких задачах, как машинный перевод, начали заставлять некоторых в этой области думать о них как о замене LSTM.Это усугублялось тем фактом, что трансформаторы справляются с долгосрочными зависимостями лучше, чем LSTM.

Конструкция преобразователя кодировщик-декодер сделала его идеальным для машинного перевода. Но как бы вы использовали его для классификации предложений? Как бы вы использовали его для предварительного обучения языковой модели, которую можно настроить для других задач ( последующих задач — это то, что поле называет теми задачами контролируемого обучения, которые используют предварительно обученную модель или компонент).

OpenAI Transformer: предварительная подготовка декодера трансформатора для языкового моделирования

Оказывается, нам не нужен весь Transformer, чтобы внедрить трансферное обучение и тонко настраиваемую языковую модель для задач НЛП.Мы можем обойтись только декодером трансформатора. Декодер — хороший выбор, потому что это естественный выбор для языкового моделирования (предсказания следующего слова), поскольку он создан для маскировки будущих токенов — ценная функция, когда он генерирует пословный перевод.

Модель состоит из двенадцати слоев декодера. Поскольку в этой настройке нет кодера, эти уровни декодера не будут иметь подуровня внимания кодер-декодер, который есть у слоев декодера стандартного преобразователя.Однако у него все еще будет слой самовнимания (замаскированный, чтобы он не достигал пика в будущих токенах).

С этой структурой мы можем приступить к обучению модели той же задаче моделирования языка: предсказать следующее слово, используя массивные (немаркированные) наборы данных. Просто бросьте на него текст из 7000 книг и пусть он выучится! Книги отлично подходят для такого рода задач, поскольку они позволяют модели научиться связывать связанную информацию, даже если они разделены большим количеством текста — чего вы не получите, например, когда тренируетесь с твитами или статьями. .

Передача обучения последующим задачам

Теперь, когда преобразователь OpenAI предварительно обучен и его слои настроены для разумной обработки языка, мы можем начать использовать его для последующих задач. Давайте сначала посмотрим на классификацию предложений (классифицируйте сообщение электронной почты как «спам» или «не спам»):

В документе OpenAI описывается ряд преобразований входных данных для обработки входных данных для различных типов задач.На следующем изображении из документа показаны структуры моделей и входные преобразования для выполнения различных задач.

Разве это не умно?

BERT: от декодеров к кодировщикам

Преобразователь openAI дал нам настраиваемую предварительно обученную модель, основанную на преобразователе. Но что-то пропало при переходе от LSTM к Transformers. Языковая модель ELMo была двунаправленной, но преобразователь openAI обучает только прямую языковую модель.Можем ли мы построить модель на основе преобразователя, языковая модель которой смотрит вперед и назад (на техническом жаргоне — «обусловлена ​​как левым, так и правым контекстом»)?

«Держи пиво», — сказал BERT с рейтингом R.

Модель маскированного языка

«Мы будем использовать трансформаторные энкодеры», — сказал БЕРТ.

«Это безумие, — ответил Эрни. — Все знают, что двунаправленное согласование позволит каждому слову косвенно увидеть себя в многослойном контексте».

«Мы будем использовать маски», — уверенно сказал БЕРТ.

Поиск правильной задачи для обучения стека кодировщиков Transformer — сложное препятствие, которое BERT решает, принимая концепцию «маскированной языковой модели» из более ранней литературы (где она называется задачей Cloze).

Помимо маскировки 15% входных данных, BERT также немного смешивает вещи, чтобы улучшить дальнейшую настройку модели. Иногда он случайным образом заменяет слово другим словом и просит модель предсказать правильное слово в этой позиции.

Задачи из двух предложений

Если вы посмотрите на входные преобразования, которые преобразователь OpenAI выполняет для обработки различных задач, вы заметите, что некоторые задачи требуют, чтобы модель говорила что-то разумное о двух предложениях (например, являются ли они просто перефразированными версиями друг друга? запись как ввод, и вопрос относительно этой записи как другого ввода, можем ли мы ответить на этот вопрос?).

Чтобы BERT лучше справлялся с отношениями между несколькими предложениями, процесс предварительного обучения включает в себя дополнительную задачу: учитывая два предложения (A и B), будет ли B предложением, следующим за A, или нет?

Модели для конкретных задач

В документе BERT показано несколько способов использования BERT для различных задач.

Подход тонкой настройки — не единственный способ использовать BERT. Как и в случае с ELMo, вы можете использовать предварительно обученный BERT для создания контекстных встраиваний слов. Затем вы можете скормить эти вложения в существующую модель — процесс, показанный в статье, дает результаты, не намного уступающие тонкой настройке BERT для такой задачи, как распознавание именованных сущностей.

Какой вектор лучше всего подходит для контекстного встраивания? Думаю, это зависит от задачи. В документе рассматриваются шесть вариантов (по сравнению с доработанной моделью, получившей 96,4 балла):

Взять BERT на пробежку

Лучший способ опробовать BERT — это использовать блокнот BERT FineTuning с облачными TPU, размещенный на Google Colab. Если вы никогда раньше не использовали Cloud TPU, это также хорошая отправная точка для их опробования, так как код BERT также работает на TPU, CPU и GPU.

Следующим шагом будет просмотр кода в репозитории BERT:

• Модель построена в models.py (, класс BertModel ) и в значительной степени идентична стандартному кодировщику Transformer.

• run_classifier.py — это пример процесса тонкой настройки. Он также создает слой классификации для контролируемой модели. Если вы хотите создать свой собственный классификатор, ознакомьтесь с методом create_model () в этом файле.

• Для загрузки доступны несколько предварительно обученных моделей. Они охватывают BERT Base и BERT Large, а также такие языки, как английский, китайский и многоязычную модель, охватывающую 102 языка, обученных в Википедии.

• BERT не рассматривает слова как токены. Скорее, он смотрит на WordPieces. tokenization.py — это токенизатор, который превратит ваши слова в блоки, подходящие для BERT.

Вы также можете ознакомиться с реализацией BERT в PyTorch.Библиотека AllenNLP использует эту реализацию, чтобы позволить использовать вложения BERT с любой моделью.

Благодарности

Спасибо Джейкобу Девлину, Мэтту Гарднеру, Кентону Ли, Марку Нейману и Мэтью Петерсу за отзывы о более ранних черновиках этой публикации.

Публикация МПК

• Условия
• Перекрестные ссылки
• СТАТИСТИКА
• IPCCAT

Поиск по перекрестным ссылкам: Включить подгруппы Схема Лозунги Определения

СТАТИСТИКИ: Стемминг Ограничено до Исключать

Категоризация (IPCCAT): 35Количество прогнозов ClassSubClassMaingroupSubgroup Уровень классификации АрабскийНемецкийанглийскийИспанскийФранцузскийЯпонскийКорейскийПортугальскийрусскийкитайскийЯзык Начать с

Крупнейший в мире интернет-магазин хобби, игрушек и фигурок

Дата вступления в силу: 25 мая 2018 г.

HobbyLink Japan, Inc.(«нас», «мы» или «наш») управляет веб-сайтом http://www.hlj.com («Сервис»).

Эта страница информирует вас о нашей политике в отношении сбора, использования и раскрытия личных данных при использовании нашего Сервиса, а также о вариантах выбора, которые вы связали с этими данными.

Мы используем ваши данные для предоставления и улучшения Сервиса. Используя Сервис, вы соглашаетесь на сбор и использование информации в соответствии с этой политикой. Если иное не определено в настоящей Политике конфиденциальности, термины, используемые в настоящей Политике конфиденциальности, имеют то же значение, что и в наших Положениях и условиях, доступных по адресу http: // www.hlj.com

Определения

Персональные данные

Персональные данные означают данные о живом человеке, которого можно идентифицировать по этим данным (или по той и другой информации, которая находится в нашем распоряжении или может стать нашей).

Данные об использовании

Данные об использовании — это данные, автоматически собранные либо в результате использования Сервиса, либо из самой инфраструктуры Сервиса (например, продолжительность посещения страницы).

Печенье

— это небольшие фрагменты данных, хранящиеся на устройстве пользователя.

Контроллер данных

Контроллер данных означает лицо, которое (самостоятельно, совместно или совместно с другими лицами) определяет цели и способ обработки любых персональных данных.

Для целей настоящей Политики конфиденциальности мы являемся Контролером ваших данных.

Обработчик данных (или поставщики услуг)

Обработчик данных (или Поставщик услуг) означает любое лицо (кроме сотрудника Контроллера данных), которое обрабатывает данные от имени Контроллера данных.

Мы можем использовать услуги различных поставщиков услуг для более эффективной обработки ваших данных.

Субъект данных

Субъект данных — любое живое лицо, являющееся субъектом Персональных данных.

Пользователь

Пользователь — это физическое лицо, использующее наш Сервис. Пользователь соответствует Субъекту данных, являющемуся субъектом Персональных данных.

Мы собираем несколько различных типов информации для различных целей, чтобы предоставить вам и улучшить наш Сервис.

Типы собираемых данных

Персональные данные

При использовании нашего Сервиса мы можем попросить вас предоставить нам определенную личную информацию, которая может быть использована для связи или идентификации вас («Личные данные»). Информация, позволяющая установить личность, может включать, но не ограничивается:

• Адрес электронной почты
• Имя и фамилия
• Телефон
• Адрес, штат, провинция, почтовый индекс, город
• Файлы cookie и данные об использовании

Мы можем использовать ваши Персональные данные, чтобы связываться с вами с помощью информационных бюллетеней, маркетинговых или рекламных материалов и другой информации, которая может вас заинтересовать.Вы можете отказаться от получения каких-либо или всех этих сообщений от нас, перейдя по ссылке для отказа от подписки или инструкциям, содержащимся в любом электронном письме, которое мы отправляем.

Данные об использовании

Мы также можем собирать информацию о том, как осуществляется доступ к Службе и как она используется («Данные об использовании»). Эти данные об использовании могут включать такую ​​информацию, как адрес интернет-протокола вашего компьютера (например, IP-адрес), тип браузера, версия браузера, страницы нашего Сервиса, которые вы посещаете, время и дата вашего посещения, время, проведенное на этих страницах, уникальные идентификаторы устройств и другие диагностические данные.

Данные отслеживания файлов cookie

Мы используем файлы cookie и аналогичные технологии отслеживания для отслеживания активности в нашем Сервисе и хранения определенной информации.

— это файлы с небольшим объемом данных, которые могут включать анонимный уникальный идентификатор. Файлы cookie отправляются в ваш браузер с веб-сайта и хранятся на вашем устройстве. Также используются технологии отслеживания: маяки, теги и скрипты для сбора и отслеживания информации, а также для улучшения и анализа нашего Сервиса.

Вы можете указать своему браузеру отказаться от всех файлов cookie или указать, когда они отправляются. Однако, если вы не принимаете файлы cookie, вы не сможете использовать некоторые части нашего Сервиса.

Примеры файлов cookie, которые мы используем:

• Сессионные файлы cookie. Мы используем файлы cookie сеанса для работы нашего Сервиса.
• Файлы cookie предпочтений. Мы используем файлы cookie предпочтений, чтобы запомнить ваши предпочтения и различные настройки.
• Файлы cookie безопасности. Мы используем файлы cookie безопасности в целях безопасности.

HobbyLink Japan, Inc. использует собранные данные для различных целей:

• Для предоставления и обслуживания нашей Службы
• Чтобы уведомить вас об изменениях в нашей Службе
• Чтобы позволить вам участвовать в интерактивных функциях нашего Сервиса, когда вы решите это сделать
• Для поддержки клиентов
• Для сбора анализа или ценной информации, чтобы мы могли улучшить нашу Службу
• Для отслеживания использования нашего Сервиса
• Для обнаружения, предотвращения и решения технических проблем
• Для предоставления вам новостей, специальных предложений и общей информации о других товарах, услугах и событиях, которые мы предлагаем, которые аналогичны тем, которые вы уже приобрели или о которых запрашивали, если вы не отказались от получения такой информации.

HobbyLink Japan, Inc.будет хранить ваши Персональные данные только до тех пор, пока это необходимо для целей, изложенных в настоящей Политике конфиденциальности. Мы будем хранить и использовать ваши Персональные данные в той мере, в какой это необходимо для соблюдения наших юридических обязательств (например, если мы обязаны хранить ваши данные в соответствии с действующим законодательством), разрешать споры и обеспечивать соблюдение наших юридических соглашений и политик.

HobbyLink Japan, Inc. также сохраняет данные об использовании для внутреннего анализа. Данные об использовании обычно хранятся в течение более короткого периода времени, за исключением случаев, когда эти данные используются для усиления безопасности или улучшения функциональности нашего Сервиса, или когда мы юридически обязаны хранить эти данные в течение более длительных периодов времени.

Ваша информация, включая Персональные данные, может передаваться и храниться на компьютерах, расположенных за пределами вашего штата, провинции, страны или другой государственной юрисдикции, где законы о защите данных могут отличаться от законов вашей юрисдикции.

Если вы находитесь за пределами Японии и решили предоставить нам информацию, обратите внимание, что мы передаем данные, включая Персональные данные, в Японию и обрабатываем их там.

Ваше согласие с настоящей Политикой конфиденциальности, за которым следует предоставление такой информации, означает ваше согласие на такую ​​передачу.

HobbyLink Japan, Inc. предпримет все разумно необходимые шаги для обеспечения безопасного обращения с вашими данными в соответствии с настоящей Политикой конфиденциальности, и передача ваших Персональных данных в организацию или страну не будет осуществляться, если не будет обеспечен надлежащий контроль. включая безопасность ваших данных и другой личной информации.

Деловая операция

Если HobbyLink Japan, Inc. участвует в слиянии, приобретении или продаже активов, ваши Персональные данные могут быть переданы.Мы уведомим вас до того, как ваши Персональные данные будут переданы и станут предметом другой Политики конфиденциальности.

Раскрытие информации для правоохранительных органов

При определенных обстоятельствах от HobbyLink Japan, Inc. может потребоваться раскрыть ваши Персональные данные, если это требуется по закону или в ответ на действительные запросы государственных органов (например, суда или государственного учреждения).

Требования законодательства

HobbyLink Japan, Inc. может раскрыть ваши Персональные данные, если добросовестно полагает, что такие действия необходимы для:

• Для выполнения юридических обязательств
• Для защиты прав или собственности HobbyLink Japan, Inc.
• Для предотвращения или расследования возможных правонарушений в связи с Услугой
• Для защиты личной безопасности пользователей Сервиса или общественности
• Для защиты от юридической ответственности

Раскрытие служебных отзывов

Мы сообщаем ваше имя, адрес электронной почты и продукт / услугу, которые вы приобрели (полученные в процессе заказа), компании Feefo, которая отправит вам электронное письмо от нашего имени с просьбой завершить рассмотрение.Наша правовая основа для этого — наш законный интерес в запросе обратной связи с целью улучшения наших продуктов и услуг.

Пожалуйста, ознакомьтесь с политикой конфиденциальности Feefo для получения дополнительной информации о том, как Feefo использует отзывы, которые вы отправляете.

Безопасность ваших данных важна для нас, но помните, что ни один метод передачи через Интернет или метод электронного хранения не является безопасным на 100%. Хотя мы стремимся использовать коммерчески приемлемые средства для защиты ваших Персональных данных, мы не можем гарантировать их абсолютную безопасность.

Мы не поддерживаем режим «Не отслеживать» («DNT»). Не отслеживать — это параметр, который вы можете установить в своем веб-браузере, чтобы информировать веб-сайты о том, что вы не хотите, чтобы вас отслеживали.

Вы можете включить или отключить функцию «Не отслеживать», посетив страницу «Предпочтения» или «Настройки» в своем веб-браузере.

HobbyLink Japan, Inc. стремится принять разумные меры, чтобы позволить вам исправить, изменить, удалить или ограничить использование ваших Персональных данных.

По возможности, вы можете обновлять свои личные данные прямо в разделе настроек вашей учетной записи. Если вы не можете изменить свои Персональные данные, свяжитесь с нами, чтобы внести необходимые изменения.

Если вы являетесь пользователем в Европейском Союзе и хотите получать информацию о том, какие Персональные данные о вас хранятся у нас, и если вы хотите, чтобы они были удалены из наших систем, свяжитесь с нами.

При определенных обстоятельствах пользователи в Европейском Союзе имеют право:

• Для доступа и получения копии ваших Персональных данных, которые мы храним
• Для исправления любых неточных Персональных данных о вас
• Запросить удаление ваших личных данных

Пользователи в Европейском Союзе имеют право на переносимость информации, которую вы предоставляете HobbyLink Japan, Inc.. Вы можете запросить копию своих Персональных данных в широко используемом электронном формате, чтобы вы могли управлять ими и перемещать их.

Обратите внимание, что мы можем попросить вас подтвердить вашу личность, прежде чем отвечать на такие запросы.

Мы можем нанимать сторонние компании и частных лиц для содействия нашему Сервису («Поставщики услуг»), для предоставления Сервиса от нашего имени, для оказания услуг, связанных с Сервисом, или для помощи нам в анализе того, как используется наш Сервис.

Эти третьи стороны имеют доступ к вашим Персональным данным только для выполнения этих задач от нашего имени и обязаны не раскрывать и не использовать их для каких-либо других целей.

Аналитика

Мы можем использовать сторонних поставщиков услуг для мониторинга и анализа использования нашего Сервиса.

Google Analytics

Google Analytics — это служба веб-аналитики, предлагаемая Google, которая отслеживает и сообщает о посещаемости веб-сайтов. Google использует собранные данные для отслеживания и контроля использования нашего Сервиса.Эти данные передаются другим сервисам Google. Google может использовать собранные данные для контекстуализации и персонализации рекламы своей собственной рекламной сети.

Вы можете отказаться от того, чтобы ваши действия в Сервисе были доступны для Google Analytics, установив надстройку браузера Google Analytics opt-out. Надстройка предотвращает передачу Google Analytics JavaScript (ga.js, analytics.js и dc.js) информации об активности посещений в Google Analytics.

Для получения дополнительной информации о политике конфиденциальности Google посетите веб-страницу Условий конфиденциальности Google: http: // www.google.com/intl/en/policies/privacy/

Поведенческий ремаркетинг

HobbyLink Japan, Inc. использует услуги ремаркетинга для рекламы на сторонних веб-сайтах после того, как вы посетили наш Сервис. Мы и наши сторонние поставщики используем файлы cookie для информирования, оптимизации и показа рекламы на основе ваших прошлых посещений нашего Сервиса.

Google AdWords

Служба ремаркетинга Google AdWords предоставляется компанией Google Inc.

Вы можете отказаться от использования Google Analytics для медийной рекламы и настроить рекламу в контекстно-медийной сети Google, посетив страницу настроек Google Ads: http: // www.google.com/settings/ads

Google также рекомендует установить надстройку браузера Google Analytics Opt-Out -https: //tools.google.com/dlpage/gaoptout — для вашего веб-браузера. Надстройка браузера для отключения Google Analytics предоставляет посетителям возможность предотвратить сбор и использование их данных в Google Analytics.

Для получения дополнительной информации о политике конфиденциальности Google посетите веб-страницу Условий конфиденциальности Google: http://www.google.com/intl/en/policies/privacy/

AdRoll

AdRoll предоставляет компания Semantic Sugar, Inc.

Вы можете отказаться от ремаркетинга AdRoll, посетив эту веб-страницу настроек рекламы AdRoll: http://info.evidon.com/pub_info/573?v=1nt=1nw=false

Для получения дополнительной информации о политике конфиденциальности AdRoll посетите веб-страницу Политики конфиденциальности AdRoll: http://www.adroll.com/about/privacy

Платежи

Мы можем предоставлять платные продукты и / или услуги в рамках Сервиса. В этом случае мы используем сторонние сервисы для обработки платежей (например, платежные системы).

Мы не будем хранить или собирать данные вашей платежной карты. Эта информация предоставляется напрямую нашим сторонним платежным системам, использование которых регулируется их Политикой конфиденциальности. Эти платежные системы придерживаются стандартов PCI-DSS, которыми управляет Совет по стандартам безопасности PCI, который является совместным усилием таких брендов, как Visa, Mastercard, American Express и Discover. Требования PCI-DSS помогают обеспечить безопасную обработку платежной информации.

Платежные системы, с которыми мы работаем:

PayPal или Braintree

С их политикой конфиденциальности можно ознакомиться по адресу https://www.paypal.com/webapps/mpp/ua/privacy-full

Reach

С их политикой конфиденциальности можно ознакомиться по адресу https://withreach.com/privacy-policy.html

Наш Сервис может содержать ссылки на другие сайты, которыми мы не управляем. Если вы нажмете на ссылку третьей стороны, вы будете перенаправлены на сайт этой третьей стороны.Мы настоятельно рекомендуем вам ознакомиться с Политикой конфиденциальности каждого сайта, который вы посещаете.

Мы не контролируем и не несем ответственности за содержание, политику конфиденциальности или действия любых сторонних сайтов или служб.

Наша служба не предназначена для лиц младше 13 лет («Дети»).

Мы сознательно не собираем личную информацию от лиц младше 13 лет. Если вы являетесь родителем или опекуном и знаете, что ваши Дети предоставили нам Личные данные, пожалуйста, свяжитесь с нами.Если нам станет известно, что мы собрали Персональные данные от детей без подтверждения согласия родителей, мы предпримем шаги для удаления этой информации с наших серверов.

Время от времени мы можем обновлять нашу Политику конфиденциальности. Мы сообщим вам о любых изменениях, разместив новую Политику конфиденциальности на этой странице.

Мы сообщим вам об этом по электронной почте и / или в заметном уведомлении о нашем Сервисе до того, как изменения вступят в силу, и обновим «дату вступления в силу» в верхней части настоящей Политики конфиденциальности.

Рекомендуется периодически просматривать эту Политику конфиденциальности на предмет изменений. Изменения в этой Политике конфиденциальности вступают в силу, когда они публикуются на этой странице.

Если у вас есть какие-либо вопросы по поводу данной Политики конфиденциальности, свяжитесь с нами:

По электронной почте: [email protected]

Экспортные данные и цена стенки резервуара в сборе