Proglib.academy | IT-курсы

📌Первые собеседования на джуниор позицию

Первые собеседования — это стресс, проверка на стойкость и жонглирование задачами. Как пройти этот этап и не разочароваться в себе. Продолжаем говорить об этом:

➡️ Не накручивайте себя
Неудачи — часть процесса, и работодатели оценивают, как вы справляетесь с трудностями.

➡️ Не перегружайте себя
Ограничьтесь одним собеседованием в день, чтобы не выгореть и не допустить ошибок.

➡️ Напоминайте о себе
Если вам не ответили, напомните о себе. Это покажет вашу заинтересованность.

➡️ Отказы — это не конец
Отказы — это опыт. Используйте обратную связь, чтобы стать увереннее на следующем интервью.

➡️ Не бойтесь просить время
Если нужно больше времени для ответа — попросите его, это нормально.

Забирай курс по математике и не бойся собесов:
🔵 Математика для Data Science

✏️ Разбор задачи с экзамена ШАД

Условие: В первой коробке лежат 4 черных и 3 белых шара, а во второй — 5 черных и 4 белых. Из первой коробки наугад вынимается один шар и перекладывается во вторую после чего из второй коробки наугад вынимается один шар, который оказывается черным. Чему равна вероятность того, что из первой коробки был вынут белый шар?

Решение: Рассмотрим события:
A = {из 2-ой коробки вынут черный шар}
B = {из 1-ой коробки вынут белый шар}
C = {из 1-ой коробки вынут черный шар}

Для нахождения искомой вероятности P(B|A) воспользуемся формулой Байеса и формулой полной вероятности: 1️⃣

Ответ: 15/39

#задачи_шад

#дайджест #PythonInternship

Подборка стажировок недели для Python разработчиков

▪️ Стажер Python Back-end (офис)
Офис (Москва), Caltat
Подробнее

▪️ Стажер-разработчик бэкенда
Офис (Москва, Санкт-Петербург, Екатеринбург), Яндекс
Подробнее

▪️ Junior разработчик Python/Стажер (удаленно)
Удалёнка, Бьюти Бот
Подробнее

▪️ Стажёр по направлению Python
Гибрид (Москва), Сбер
Подробнее

▪️ Python-разработчик (trainee)
Гибрид (Самара), R-Vision
Подробнее

Понравились предложения о стажировке?
❤️ — да
🤔 — нет

Что такое градиентный спуск в машинном обучении

Градиентный спуск — это базовый метод оптимизации в машинном обучении, который помогает моделям «учиться» за счет минимизации ошибок.

🌻 Как это работает?

1. Выбор начальной точки: Обычно это случайное положение.

2. Вычисление градиента: Находится производная функции ошибки, которая показывает, где спуск происходит быстрее.

3. Шаг вниз: Шаг размером «learning rate» — это скорость, с которой мы движемся вниз.

4. Повтор: Мы повторяем процесс, пока не достигнем минимальной ошибки.

В курсе по машинному обучению мы подробнее рассказываем о градиентном спуске:
🔵 Базовые модели ML и приложения

💾🌐 6 главных технологий для хранения данных в браузере

Хранение данных в браузере — это не просто про кеширование страниц или сохранение паролей. Современные технологии позволяют делать больше: сохранять настройки, работать с большими объемами информации и даже обеспечивать офлайн-доступ к веб-приложениям. Но как выбрать подходящий инструмент, чтобы данные обрабатывались быстро, безопасно и с учетом специфики вашего проекта?

От привычных cookies до мощного IndexedDB, от простого LocalStorage до новаторского Origin Private File System — каждый метод хранения имеет свои особенности и сценарии использования. В этой статье вы найдете подробное сравнение шести ключевых технологий хранения данных: от их особенностей и сценариев использования до ограничений.

📎 Читать статью

✏️ Вопрос с реального собеседования по Python

Объясните, как работает функция reduce

Функция reduce может сначала показаться сложной, но как только вы попробуете её несколько раз, всё встанет на свои места.

🌻 Что делает reduce?

Она принимает функцию и последовательность. Затем последовательно применяет эту функцию к элементам, начиная с первых двух, и продолжает использовать результат предыдущей операции на следующем шаге. На выходе остаётся одно итоговое значение.

from functools import reduce

# Определяем функцию сложения
def сложить_числа(первое, второе):
    return первое + второе

# Исходный список
числа = [1, 2, 3, 5]

# Применяем reduce
итог = reduce(сложить_числа, числа)
print(итог)  # => 11

#собес_academy

📌 Советы для программистов, ищущих первую работу

Первые шаги в IT могут быть непростыми, но эти советы помогут вам уверенно заявить о себе и найти работу мечты:

➡️ Говорите уверенно о своем опыте
Научитесь кратко рассказывать о своем пути в IT

➡️ Проведите исследование компаний
Не откликайтесь на всё подряд. Посмотрите, какие условия предлагают компании: зарплата, коллектив, карьерные возможности. Используйте платформы вроде LinkedIn и Glassdoor, чтобы узнать больше

➡️ Задавайте вопросы
Задавайте вопросы о стеке и условиях работы

➡️ Запоминайте имена
Если вы назовёте имя предыдущего интервьюера — это даст маленький плюсик

➡️ Сохраняйте текст вакансий
Сохранили описание — сохранили контекст

➡️ Ведите заметки после каждого отклика
После интервью запишите ключевые вопросы, реакции и впечатления

❓ Первый курс ШАДа: чего ожидать

Семестр 1:

— Машинное обучение 1: Курс охватывает классические темы: линейная и логистическая регрессия, PCA, t-SNE, различные методы бустинга.

— Алгоритмы 1: Это сложный, но невероятно полезный курс. Здесь вас ждёт много задач на платформе Яндекс.Контест и код-ревью. Программа включает всё: от сортировок и деревьев до графов и динамического программирования.

— Python: Глубже изучаем язык, включая такие темы, как декораторы, виртуальная машина, асинхронное программирование.

Семестр 2:

— Машинное обучение 2
Курс даёт ввод в CV, временные ряды, трансформеры и генеративные модели. Это обзорное занятие, которое помогает определиться с интересами на втором курсе.

— Основы статистики в ML:
Тут раскрываются важные статистические методы, такие как метод Монте-Карло, EM-алгоритмы, бутстрап, дельта-метод и многое другое. Практика — это основа курса, задачи помогут лучше понять, что стоит за алгоритмами.

Курсы насыщенные, но максимально полезные для будущего в аналитике данных или ML.

Начни свой путь к успеху с нашим курсом, который подойдет для подготовки к ШАД:
🔵 Математика для Data Science

🏃‍♀️ Курс «Математика для Data Science»

Если вы хотите разобраться в этом мире или даже попасть в такие компании, как FAANG, этот курс — идеальный старт.

⭐ Почему курс по математике для Data Science стоит внимания?

— Практические задачи уровня собеседований в топ-компаниях. Всё максимально приближено к реальности.
— Подготовка к поступлению в ШАД. Для тех, кто мечтает пройти одно из самых жёстких вступительных испытаний.
— Лекции от преподавателей ВМК МГУ. Это не просто теоретики, а профи с глубоким опытом.

🌻 Что включает курс?

➡️ Основы школьной математики (вспомните то, что давно забыли).
➡️ Линейную алгебру, математический анализ, теорию вероятностей и даже основы машинного обучения.
➡️ 47 видеолекций, 150 задач, и всё это на удобной платформе CoreApp.

Готовы приступать? Забирайте курс по ссылке:
🔗 Математика для Data Science

📚 5 must-read книг для старта в Data Science

Собрали для вас подборку книг, которые помогут освоить основы Data Science и прокачаться в продвинутых техниках анализа данных.

Хочешь ускорить обучение? У нас есть отличный курс:
🔵 Математика для Data Science

🌚 — Когда даже твоя почта знает, что ты не хочешь работать

#memes

🔥 Нашли шпаргалку по Machine Learning

На одной картинке — весь мир машинного обучения.

На ней ключевые направления:

⭐ Регрессия (OLS, SVM, Random Forest)
⭐ Классификация (Naive Bayes, Decision Tree, нейронки)
⭐ Кластеризация (K-Means, DBSCAN)
⭐ Компьютерное зрение (CNN, YOLO, GANs)
⭐ NLP/LLM (GPT, BERT, Word2Vec)
⭐ Рекомендательные системы, Прогнозирование

🚀🤖 Как развернуть LLM с помощью vLLM и TorchServe

Хочешь запустить большую языковую модель в продакшене, но не знаешь, как совместить простоту развёртывания с промышленной надежностью? Комбинация vLLM и TorchServe решает эту задачу. Она обеспечивает как простой запуск, так и продвинутые возможности для масштабирования.

👉 Узнай, как воспользоваться этими удобными инструментами, в нашем подробном гайде

💬 Адаптация программистов: дорого, сложно, но обязательно

Сервис по поиску высокооплачиваемой работы SuperJob проанализировал резюме разных профессий и рассчитал средний срок работы на одном месте.

Дольше всего адаптируются программисты (по их личным оценкам — более 3,5 месяцев), а работают в компании в среднем 3,4 года. При этом зарплаты разработчиков — одни из наиболее высоких:

Так, программист Java в московских IT-компаниях в среднем зарабатывает 320 тысяч рублей в месяц (+7% за год). Итого: бо́льшая часть расходов компании в период адаптации — почти 1,2 млн рублей.

В то же время, быстрее всех адаптируются рабочие и продавцы.

👉 Подробнее: SuperJob

📱 Задача на Python

Не можете решить — тогда забирайте курс по Python:
🔵 Основы программирования на Python

🏃‍♀️📄 Практический курс «Статьи для IT» совершенно бесплатно

Курс от Proglib.academy, который подойдет как разработчикам, так и начинающим в IT.

Забирайте курс и прокачивайтесь совершенно бесплатно:
🔗 Ссылка

👨‍🎓📊 Как научиться Data Science онлайн: 12 шагов от новичка до профи

12 шагов для тех, кто хочет с нуля построить карьеру в Data Science. Руководство к действию и россыпь ссылок на полезные ресурсы.

Переходите на нашу статью:
🔗 Ссылка

Забирайте курс по Алгоритмам и стать Data Scientst'ом станет еще проще:
🔵 Алгоритмы и структуры данных

✍️ Подробный гайд по описательной статистике

Рассказывает о:

🔹мерах центральной тенденции;
🔹дисперсии;
🔹формах распределения;
🔹разных типах графиков в matplotlib и seaborn.

🔗 Ссылка на гайд

✏️ Разбор задачи с экзамена ШАД

Условие: Найти максимальное a, для которого существуют функции f(x) и g(x) такие, что 1️⃣ и выполнены следующие условия:

▪️ f(x) и g(x) — неубывающие дважды дифференцируемые функции,
▪️ f''(x) = g(x) и g''(x) = f(x),
▪️ функция f(x)g(x) линейна.

Решение: При a=0 тождественно нулевые функции f(x) и g(x) удовлетворяют всем условиям задачи. Предположим, что при некотором a>0 также существуют функции f(x)$ и g(x), которые удовлетворяют всем условиям задачи. Тогда из условий (a) и (b) следует 2️⃣ что противоречит условию (c). Значит, a=0 — максимальное значение a, для которого существуют искомые функции.

Ответ: a = 0

#задачи_шад

#дайджест #DataInternship

Подборка стажировок недели для Data специалистов

▪️ Стажер Data Scientist в матчинг и группировки
Удалёнка (РФ) / Гибрид (Москва), Ecom.tech
Подробнее

▪️ Стажёр в Big Data (Аналитика)
Офис (Москва), АТОЛ
Подробнее

▪️ Data engineer (Стажер)
Офис (Москва), Sapiens solutions
Подробнее

▪️ Стажер-аналитик в HR / Data Analyst Intern
Гибрид (Москва), Okkam
Подробнее

▪️ Machine Learning Engineer
Удалёнка, ALTWeb Group
Подробнее

Понравились предложения о стажировке?
❤️ — да
🤔 — нет

Что такое рекомендательные системы в машинном обучении

Рекомендательные системы — это алгоритмы, которые помогают предлагать пользователям именно тот контент, который может их заинтересовать. Они лежат в основе рекомендаций фильмов, товаров, музыки и многого другого.

🌻 Как работают такие системы?

▪️ Коллаборативная фильтрация
Основана на схожести предпочтений пользователей. Если вам и другому человеку нравятся похожие фильмы, система предложит те фильмы, которые вы ещё не видели, но которые понравились вашему единомышленнику.

▪️ Контентная фильтрация
Рекомендации строятся на основе характеристик контента — например, жанра фильма или описания товара. Если вы любите комедии, система чаще будет предлагать похожие фильмы.

▪️ Гибридные модели
Смешивают несколько подходов, например, коллаборативную и контентную фильтрацию, чтобы повысить точность рекомендаций. Этот подход используется во многих крупных платформах, так как он позволяет учитывать больше факторов.

▪️ Рекомендации на основе нейросетей
Нейросети анализируют сложные паттерны в данных и улучшают качество предсказаний. Это помогает выдавать рекомендации не только по похожим товарам, но и по менее очевидным признакам.

В курсе по машинному обучению вы лучше узнаете про рекомендательные системы:
🔵 Базовые модели ML и приложения

🤖💻📉 ТОП-5 бесперспективных профессий в IT

Искусственный интеллект и автоматизация меняют рынок труда до неузнаваемости. Рассказываем о пяти IT-специальностях, которые могут исчезнуть или кардинально измениться уже в ближайшие годы, и объясняем, куда двигаться их представителям.

Читать статью

✏️ Вопрос с реального собеседования по Python

Объясните, как работает функция map

map возвращает итератор, который применяет функцию к каждому элементу списка. Если нужно, его можно преобразовать в список:

def add_three(y):
    return y + 3

li = [1, 2, 3]
list(map(add_three, li))  
#=> [4, 5, 6]

В примере к каждому элементу списка добавляется 3.

#собес_academy

📊 ТОП-10 необходимых для специалиста по Big Data навыков

Рассказываем о необходимом наборе технических и карьерных навыков для специалиста по Big Data.

✍️ Big Data — это термин, используемый для обозначения значительного объема как структурированных, так и неструктурированных данных, который слишком велик для обработки традиционными методами.

👉 Читать все подробности в статье

💣 Токсичный разработчик: гений или бомба замедленного действия?

Токсичный разработчик — это специалист, с которым крайне некомфортно работать. Разбираемся в статье — как к нему относиться:

🔗 Ссылка

🤫 ШАД: как начать свой путь

Забираем полезную информацию для тех, кто только начал свой путь:

➡️ Лазейки через магистратуры
Например, в УрФУ абитуриенты, не прошедшие в ШАД, могут учиться по траектории «Анализ данных», и при хороших оценках с первого семестра быть зачисленными в ШАД.

➡️ Сетап с преподавателем
Многие преподы ШАДа ведут занятия в других вузах и иногда ищут студентов. Можно связаться с заведующим кафедрой, где числится ваш потенциальный «наставник», попроситься как вольный слушатель или даже рассчитывать на неформальное зачисление.

➡️ Филиалы ШАДа
У ШАДа есть отделения в СПб, Минске, Новосибирске и других городах, где конкурс немного легче, чем в Москве. Формат экзаменов схож, но с более мягкими проходными баллами. Онлайн-лекции и некоторые занятия проводят местные преподаватели.

➡️ Магистратура по современным компьютерным наукам
Программа от ВШЭ и Яндекса — фактически два года учёбы в ШАД с отсрочкой. Поступление: экзамен с задачами, как на первом этапе отбора в ШАД, плюс часовое собеседование по математике, алгоритмам и мотивации. Портфолио с проектами — большой плюс.

➡️ Фаст трек для Яндексов
Годовая программа для сотрудников Яндекса: закрываешь 4 предмета, пишешь мотивационное письмо и получаешь диплом ШАДа с доступом к инфраструктуре. Задания по прошлому опыту берутся из вступительных для магистратуры СКН.

Хочу быстро освоить математику для ШАД. Какой курс порекомендуете?
🔵 Математика для Data Science

🐍 Python: от новичка до junior-разработчика — это как?

А так, создай свой проект на Python. Наш курс предлагает пошаговое обучение от основ до создания ботов и парсеров, с индивидуальной обратной связью от экспертов.

▪️ 90+ часов обучения
▪️ 4 проекта для портфолио
▪️ Работа с PyCharm и Jupyter Notebook
▪️ Основы ООП и алгоритмов
▪️ Создание ботов для Telegram и Instagram
▪️ Парсинг веб-страниц

Курс подходит как для начинающих, так и для тех, кто хочет углубить свои знания. Учитесь в своем темпе с поддержкой опытных преподавателей.

Учись делать реальные проекты вместе с нами:
🔵 Основы программирования на Python

🤝 8 важных soft skills для сеньоров, тимлидов и других старших «джедаев»

За каждым успешным IT-проектом стоят не только строчки кода, но и применение soft skills. Мы раскрываем 8 ключевых навыков, которые превратят тебя из рядового кодера в тимлида.

👉 Читать статью

📊 Путеводитель по Big Data для начинающих: методы и техники анализа больших данных

Методы и техники анализа Big Data: Machine Learning, Data mining, краудсорсинг, нейросети, предиктивный и статистический анализ, визуализация, смешение и интеграция данных, имитационные модели. Как разобраться во множестве названий и аббревиатур? Читайте наш путеводитель в статье по ссылке.

🔗 Ссылка

🐍😺🐙 Как сделать блог разработчика на GitHub Pages с помощью Django

Расскажем, как превратить Django в генератор статических сайтов и сделать полноценный блог с пагинацией, сортировкой записей по тегам, подсветкой синтаксиса кода, контактной формой, подпиской на рассылку и поддержкой 20 различных тем оформления.

Получится так, как на иллюстрации👆

🔗 Читать статью

✏️ Разбор задачи с экзамена ШАД

Условие: Пусть 1️⃣. Найдите при каких параметрах c во всех точках, в которых f(x) определена, выполняется неравенство 2️⃣.

Решение: Рассмотрим 3 случая. При c=0 неравенство, очевидно, выполняется. Если c>0, то ∀x∈R выполнено: 3️⃣. С другой стороны, 4️⃣, что снова справедливо при ∀x∈R. В случае c<0 аналогичные выкладки приводят к необходимости выполнения неравенства 5️⃣, что невозможно.

Ответ: c=0

#задачи_шад

#дайджест #PythonInternship

Подборка стажировок недели для Python разработчиков

▪️ Стажер в отдел разработки биоинформатического программного обеспечения
Офис (Санкт-Петербург), БИОКАД
Подробнее

▪️ Стажер-разработчик систем управления роботами (ROS)
Удалёнка, Автомакон
Подробнее

▪️ Стажер инженер-программист Python
Гибрид (Москва), ХайТэк
Подробнее

▪️ UI developer (intern)
Офис (Санкт-Петербург), Lesta Games
Подробнее

▪️ Backend разработчик (Start up)
Удалёнка, SciArticle
Подробнее

Понравились предложения о стажировке?
❤️ — да
🤔 — нет

Что такое случайные леса (Random Forests) в машинном обучении

Случайные леса — это ансамблевая методика машинного обучения, которая основана на объединении многих деревьев решений. Они используют бутстрэпинг (случайный отбор данных) и случайное выборочное разделение при построении деревьев.

🌻 Когда применять?

▪️ При решении задач классификации и регрессии, где много шума в данных
▪️ Для борьбы с переобучением модели
▪️ Когда важна точность и вы не можете позволить себе ошибки

В курсе по машинному обучению вы лучше узнаете про случайные леса:
🔵 Базовые модели ML и приложения

#машинное_обучение

✏️ Вопрос с реального собеседования по Python

В чём разница между func и func()?

func — это объект функции, а func() — это вызов функции.

func: Это объект самой функции, который можно сохранить в переменную, передать в качестве аргумента другой функции. Например, если присвоить func новой переменной, например, new_func = func, то new_func() будет эквивалентен вызову func(). Без круглых скобок функция не выполняется, она просто существует как объект.

func(): Это фактический вызов функции. Круглые скобки указывают Python на выполнение кода внутри функции и возврат её результата. Если бы функция принимала аргументы, они передавались бы в скобках — например, func(arg1, arg2).

Пример для наглядности:

def func():
    print('I am a function')

# Присваиваем функцию переменной
new_func = func
new_func()  # Вывод: I am a function

# Передаем функцию как аргумент другой функции
def call_func(f):
    f()  # Вызов переданной функции

call_func(func)  # Вывод: I am a function

#собес_academy

🟢 Зелёные флаги на собеседовании: 11 признаков того, что работодатель — норм

В этой статье мы расскажем, какие сигналы на собеседовании говорят о том, что вы попали в отличную команду, и вам точно стоит сказать работодателю: «Да!»

👉 Читать

💬 Почему ты не можешь попасть на стажировку

Все кажется простым: большая конкуренция, неопытность, неправильно заполненная анкета... но это не всё. Есть и другие факторы, об их мы сейчас поговорим.

1️⃣ Сезонные курсы и школы

Курсы иногда не всегда сложные, но помогают познакомиться с компанией. Если будете около топа в рейтинге, вас сразу позовут на собес, при этом пару этапов могут скипнуть.

2️⃣ Фесты

Проходят часто. Помимо простого контеста, там можно выиграть мерч, гаджеты или фаст-трек (скип этапов). Для участия нужно заморочиться и решить немного задач.

3️⃣ Дни карьеры, митапы

Обычно проходят в вузах или офисах компаний. Можно подойти к спикеру после доклада и спросить: А как попасть на стажировку?

4️⃣ Хакатоны и соревнования

Это отличное место, чтобы показать свои скиллы и получить фаст-трек на стажировку.

5️⃣ Обычные вакансии

Не только большие компании ищут стажеров. Есть и ноунеймы, у которых отбор не такой строгий, но проекты не хуже.

Чтобы пробиться на стажировку, забирайте наш курс:
🔵 Алгоритмы и структуры данных

😭💰⬆️ Shut up and give my money: как просить повышения зарплаты

Рассказываем, когда и как правильно поднимать вопрос о повышении зарплаты. Проверенные тактики, аргументы и советы.

Углубляемся в вопрос и рассказываем, на основании чего просить повышения и какие аргументы использовать, а главное — какие доводы точно не подойдут.

📖 Читать статью
📖 Зеркало

📌 Книги по DataScience

Книги — отличный старт для тех, кто хочет начать свой путь в Data Science.

Если вы хотите понять основы машинного обучения, статистики и анализа данных — сохраняйте книги и читайте.

Читай книги и получай знания для своего будущего вместе с нашим курсом:
🔵 Математика для Data Science

🎃 Приглашаем на вебинар перед Хэллоуином: «Нужна ли математика на собеседованиях?» 🧙‍♀️

Темные тучи сгущаются, и в воздухе витает мистическая атмосфера... Готовы ли вы окунуться в мир загадочной математики и раскрыть тайны успешного собеседования? Тогда ждем вас 28 октября в 20:00! 🕸
https://proglib.io/w/cf0f7222

Что вас ждет в эту зловещую ночь:

💀 Ошибаться не страшно: узнаем, как неудачные проекты и опыт «в стол» превращают джуниоров в сеньоров. Расскажем истории о том, как ошибки закаляют и помогают достигать вершин мастерства.

🧛 Собеседования без подготовки? Обсудим, возможно ли пройти через испытания рекрутеров без специальной подготовки или это путь в лабиринт с привидениями.

🧙 Теория и практика — зелье успеха:

• Выбор метрики оценки модели: какую метрику показать бизнесу, чтобы не столкнуться с гневом нечисти? Разберемся в разнице между MAPE и WAPE и когда какую применять.

• Трансформация распределений: как превратить логнормальное распределение в нормальное без волшебной палочки? Поговорим о том, зачем это нужно и как обойтись изменением функции потерь вместо магических превращений.

🦇 Бонус для смельчаков: раскроем секреты тестирования в маркетинге, которые помогут не заблудиться в темном лесу конкурентного рынка.

Не упустите шанс провести вечер в компании единомышленников, погрузиться в атмосферу Хэллоуина и получить ценные знания!

🕯 Записывайтесь на вебинар и готовьтесь к мистическим открытиям – https://proglib.io/w/cf0f7222 👻

🌚 — Маленькая ошибка трёх программистов — это новый проект

😁 — Один пишет, второй тестирует, третий сломал всё

🤔 — Три программиста, одна задача, бесконечные деплой-ошибки

#memes

📌 Большая Шпаргалка по Python для начинающих

Вот must-have ресурс:

Большая шпаргалка, которая поможет разобраться с базовыми концепциями и быстро начать писать код. Она охватывает основные синтаксические конструкции, часто используемые функции и примеры кода — всё, что нужно для уверенного старта.

#шпаргалка

🚀⬆️ Оптимизируй свой AI: разоблачение 6 мифов о работе с векторами в Pgvector

Шесть заблуждений, которые мешают тебе использовать всю мощь векторных баз данных в AI. Развенчав эти мифы, ты сможешь раскрыть истинный потенциал векторов и значительно повысить эффективность твоих AI-проектов.

👉 Читать статью

⚡️Разыгрываем флагманский смартфон

«Библиотека программиста» разыгрывает один из трех смартфонов на выбор:
🔹Samsung Galaxy S24 Ultra на 1 ТБ
🔹Xiaomi 14 Ultra на 512 ГБ
🔹iPhone 16 Pro Max на 512 ГБ

🔥 А еще 99 участников розыгрыша получат скидку 50% на наш курс Базовые модели ML и приложения!
Промокод будет действителен до 20 ноября.

Условия просты:
→ подписаться на Библиотека нейротекста
→ подписаться на Библиотека нейрозвука
→ подписаться на Библиотека нейрокартинок
→ нажать на кнопку «Участвовать» под этим постом

Итоги появятся 30 октября в 20:00 по московскому времени в нашем канале Библиотека программиста. Затем мы свяжемся с победителем, который сам выберет смартфон. Тем, кто получит промокод, мы вышлем его в течение недели после окончания розыгрыша.

⚠️ Убедитесь, что вам можно написать в личные сообщения или следите за результатами — если мы не сможем с вами связаться, то не сможем и отправить приз. Доставить мы можем только в города России и Беларуси.

📊 Кто такой дата-инженер, чем он занимается и что должен знать

Работа с большими объёмами данных — удел инженеров. Они помогают бизнесу, но что конкретно они делают, вы узнаете в статье

Начни сегодня, получать знания для своей будущей карьеры Дата-инженером:
🔵 Математика для Data Science

👉 Ссылка на статью

#дайджест #PythonInternship

Подборка стажировок недели для Python разработчиков

▪️ Python-разработчик (trainee)
Гибрид (Самара), R-Vision
Подробнее

▪️ Стажёр backend-разработчик (JS, Python, PHP)
Удалёнка, BusinessMatika
Подробнее

▪️ Python/Golang-разработчик
Удалёнка, Stakewolle
Подробнее

▪️ Backend Developer (Стажер)
Офис (Новосибирск), InlyIT
Подробнее

▪️ Backend Developer (Web3/Crypto Software)
Удалёнка, Titan Investment Technologies
Подробнее

Понравились предложения о стажировке?
❤️ — да
🤔 — нет

✏️ Разбор задачи с экзамена ШАД

Условие: Найдите, при каких значениях параметров a и b линейная оболочка векторов. 1️⃣ совпадает с множеством решений системы линейных уравнений Ax = 0, где матрица A равна: 2️⃣

Решение: Пусть 3️⃣ — строки матрицы A. Тогда 4️⃣, поэтому rkA ≤ 2. Векторы v и w должны удовлетворять системе. 5️⃣

#задачи_шад

👆Методы строк в Python

✏️ Вопрос с реального собеседования по Python

Определите класс book с двумя атрибутами: название и автор. Затем создайте экземпляр и верните автора

Вот как это сделать:

class Book:
    def __init__(self, название, автор):
        self.название = название
        self.автор = автор

# Создаем экземпляр класса
книга = Book('Мастер и Маргарита', 'Михаил Булгаков')

# Выводим автора
книга.автор
# => 'Михаил Булгаков

#собес_academy

Какие вы знаете автоматические способы обнаружения выбросов в датасете?

Вот несколько подходов:

▪️Isolation forest

Метод базируется на алгоритме случайного леса. Его основная идея заключается в том, что выбросы легче изолировать от остальных данных, чем нормальные объекты. В процессе работы алгоритм строит деревья, случайно разделяя данные. Выбросы, как правило, изолируются за меньшее число шагов. В результате каждому объекту присваивается скор от 0 до 1, где значения, близкие к 1, указывают на возможные выбросы, а значения, близкие к 0, означают нормальные данные.

▪️Local Outlier Factor (LOF)

Этот метод оценивает, насколько плотно объект окружен своими соседями по сравнению с плотностью соседей вокруг других объектов. Если плотность точки значительно меньше, чем у её соседей, то точка считается выбросом.

▪️Расстояние Махаланобиса

Этот метод измеряет расстояние между точкой и средним значением распределения, принимая во внимание ковариацию данных. Точки, находящиеся далеко от центра распределения, но с учётом их корреляции с другими признаками, могут быть идентифицированы как выбросы.

#машинное_обучение
#данные

📌 5 полезных практик при написании CSS

Разбираемся с написанием правильного CSS:

1️⃣ Организация среды разработки

Используйте препроцессоры, постпроцессоры, линтеры. Первые помогут избавиться от повторяющегося кода, писать стили более осмысленно. Вторые оптимизируют код, а третьи помогут соблюдать стандарты кодирования.

2️⃣ Рациональное использование фреймворков

Фреймворки, такие как Bootstrap, — это мощный инструмент. Однако он может замедлять загрузку страницы из-за своей тяжеловесности. Если требуется только часть функциональности фреймворка, можно скомпилировать лишь необходимые компоненты.

3️⃣ Разделение стилей на модули

При использовании препроцессоров рекомендуется разделять стили на отдельные файлы. Препроцессор объединит их при компиляции, создавая единый CSS-файл с структурированными стилями.

4️⃣ Использование переменных для настроек

В каждом проекте есть повторяющиеся элементы, такие как цвета, отступы и шрифты. Эти настройки лучше всего вынести в отдельный файл переменных, используйте возможности препроцессоров.

5️⃣ Группировка стилей и методологии

Использование методологий, таких как объектно-ориентированный CSS (OOCSS), помогает структурировать код. Например, разделение структурных и визуальных стилей позволяет избежать дублирования и упрощает поддержку проекта в будущем.

Изучите основы Frontend'а вместе с нашим курсом:
🔵 Frontend Basic: принцип работы современного веба

🐼 PandasAI — библиотека для исследования данных с помощью естественного языка

Где использовать:
▪️ в Jupyter ноутбуках,
▪️ Streamlit-приложениях,
▪️ в виде REST API.

Как использовать: Просто формулировать вопросы к данным на естественном языке.

🔗 Демо в Google Colab
🔗 Репозиторий проекта

Какая подпись больше подходит?

🌚 — Когда просто зашел почиллить, а тебя случайно на работу взяли

😁 — Ну вот и настал момент, когда лень оформилась как скилл

🤔 — Резюме года

#memes

📌 Шпаргалка по Data Science: бесплатные Статьи на Toward.ai

Хотите изучать Data Science с нуля или прокачать свои навыки, но не знаете, с чего начать: Toward.ai — это ресурс, где можно найти множество полезных бесплатных статей на тему анализа данных, машинного обучения.

👉 Вот пример статьи, которая поможет вам погрузиться в NLP: NLP with Python: Tutorial for Beginners

Начни сегодня, получать знания для своего будущего вместе с нашим курсом:
🔵 Математика для Data Science

5️⃣ мифов о стажировках — развенчиваем вместе

Многое могло останавливать вас на пути к началу карьеры: страхи, мифы, предрассудки. Сегодня развеем 5 основных мифов о стажировках и продолжаем вас мотивировать делать первые шаги!

➡️ Невозможно совмещать с учебой

Да, временами бывает сложно, но это вовсе не невозможно. Компании часто идут навстречу, предлагают парт-тайм с занятостью 20 часов в неделю. Есть и летние стажировки как раз на время каникул. Кроме того, реальная занятость не всегда составляет полные 40 часов — нередко это 2-3 часа активной работы, остальное — созвоны и всякие рабочие мелочи.

➡️ Нужно быть гением, чтобы попасть

Многие считают, что попасть можно только если ты мега-звезда. На деле стажировки есть в компаниях, где отбор менее напряжен. Кстати, попасть в бигтехи тоже не обязательно зависит от лотереи или жесткого отбора. Есть обходные пути, например, работа в мелких проектах или стажировка в дочерних компаниях.

➡️ Платят копейки, на жизнь не хватит

Да, обычно оплата стажировок небольшая. Но вообще стажировки лучше рассматривать как шаг в обучении, а не источник больших заработков.

➡️ Стажировки доступны только жителям Москвы и СПб

Очередной миф. Конечно, во многом они проводятся именно в мегаполисах, но если вы живете в другом городе, вы сможете найти варианты: просить жилье, снимать комнату или работать дистанционно. До пандемии это было менее популярно, но сейчас очень много компаний с удовольствием берут на работу дистантом.

➡️ Нужен опыт работы

Нет, опыт работы для стажировок не требуется, хотя он и может повысить ваши шансы. Что понадобится — проделанные проекты и практика. Начинайте с пет проектов, их полно на GitHub или на курсах. Не относитесь к ним как к способу удивить рекрутеров, а разглядывайте их как важную часть вашего обучения.

Показали вам, что стажировка может стать отличным шагом вперед для вашей карьеры. Отбросьте страхи и попробуйте — может, вы уже на пороге своего первого крупного успеха?

Хотите подтянуть знания для стажировки? Тогда подтяните программирование:
🔵 Основы программирования на Python

📱 Задача на Python

Не можете решить — тогда подтягивайте свои знания с помощью нашего курса:
🔵 Основы программирования на Python

Что такое KNN в машинном обучении

KNN (K-Nearest Neighbors) — это один из простейших и интуитивно понятных методов машинного обучения для решения задач классификации и регрессии. Его суть заключается в том, чтобы искать "соседей" объекта и предсказывать его класс на основе классов этих соседей.

🌻 Как это работает?

▪️ Поиск соседей: Для каждого нового объекта KNN ищет K ближайших соседей на основе выбранной метрики расстояния (например, Евклидово расстояние)
▪️ Голосование: В случае классификации объект относится к тому классу, который преобладает среди его соседей
▪️ Усреднение: В задачах регрессии предсказание для объекта — это среднее значение его соседей

🌻 Когда использовать?

KNN полезен, когда данные относительно простые и их не слишком много, так как метод требует много вычислительных ресурсов при больших объемах данных. Его часто применяют в задачах, где важна интерпретируемость и легкость реализации.

В нашем курсе узнаете подробнее о машинном обучении, в частности, о бустинге:
🔵 Базовые модели ML и приложения

#машинное_обучение

🤼 Генеративно-состязательная нейросеть: ваша первая GAN-модель на PyTorch

Подробная инструкция построения генеративно-состязательных нейросетей (GAN) на примере двух моделей, реализованных с помощью фреймворка глубокого обучения PyTorch в нашей статье. 👇

🔗 Статья

У нас есть курс как для начинающих программистов, так и для тех, кто уже шарит:
🔵 Алгоритмы и структуры данных

✏️ Разбор задачи с экзамена ШАД

Условие: Линейный оператор φ действует на пространстве многочленов степени не выше 2 с вещественными коэффициентами. Известно, что 1️⃣. Найдите сумму действительных собственных значений оператора φ (сумму следует вычислять с учетом алгебраической кратности собственных значений).

Подсказка: Найдите матрицу данного оператора и её характеристический многочлен.

Решение: Матрица Φ данного оператора в базисе x^2,x,1 удовлетворяет уравнению AΦ^T = B где 2️⃣ откуда 3️⃣ поэтому 4️⃣. Это и есть ответ, так как все собственные значения матрицы Φ^T вещественные. Это следует из того, что ее характеристический многочлен 5️⃣ имеет 3 действительных корня, так как f(0)>0, f(1)<0.

#задачи_шад

#дайджест #DataInternship

Подборка стажировок недели для Data специалистов

▪️ Data Engineer/Дата инженер (ученик)
Офис (Москва, Санкт-Петербург, Тольятти, Самара, Казань, Ростов-на-Дону, Сочи, Екатеринбург), Aston
Подробнее

▪️ Стажер Data Analyst
Офис (Москва), Wildberries
Подробнее

▪️ Стажер Data science (Дирекция цифрового развития)
Офис (Москва), Банк Русский Стандарт
Подробнее

▪️ Аналитик данных (стажёр)
Офис (Москва), RRT
Подробнее

▪️ Стажёр-data scientist [FDP]
Офис (Москва), МТС
Подробнее

Понравились предложения о стажировке?
❤️ — да
🤔 — нет

🚀 12 суперплагинов VS Code для JavaScript-разработчиков

Эти плагины реально меняют подход к разработке на JavaScript. Особенно впечатлил Bito — он анализирует весь проект и дает удивительно точные подсказки. И Prettier — мастхев с самого первого дня во фронтенд-разработке.

Хотите углубить свои знания во фронтенд-разработке? Обратите внимание на курсы от Proglib Academy:
🔵 Frontend Basic: принцип работы современного веба

🔗 Ссылка на список плагинов

Мы уже в эфире!

Подключайтесь – https://my.mts-link.ru/j/79711463/167637380

Дорожная карта для изучения машинного обучения

Хотите стать ML-инженером, но не знаете с чего начать. Вот краткий план, который поможет вам освоить машинное обучение шаг за шагом.

⭐ Математика
Изучите основы вероятности, дискретной математики и статистики. Эти знания станут фундаментом для понимания ML-алгоритмов.

⭐ Программирование
Владение Python и R — ключевой навык. Эти языки — основа для реализации ML-алгоритмов и работы с библиотеками.

⭐ Базы данных
Научитесь работать с MySQL и MongoDB для управления данными. Данные — топливо для машинного обучения.

⭐ Алгоритмы ML
Освойте важные алгоритмы: линейная логистическая регрессия, KNN, K-means и другие. Понимание алгоритмов — важнейший шаг к созданию моделей.

⭐ Библиотеки ML
Изучите популярные библиотеки: Scikit-learn, TensorFlow и другие. Они автоматизируют процесс создания и обучения моделей.

⭐ Глубокое обучение
Овладейте нейронными сетями, включая CNN, RNN, GAN и LSTM. Эти технологии используются в самых продвинутых приложениях.

⭐ Инструменты визуализации данных
Овладейте инструментами для визуализации, такими как Tableau и PowerBI. Они помогут вам лучше анализировать и представлять данные.

Стать ML-инженером, также поможет наш курс по математике:
🔵 Математика для Data Science

✏️ Вопрос с реального собеседования по Python

Что такое функция range() и как её использовать

Функция range() создаёт последовательности целых чисел. Её можно применять в трёх вариантах:

Она может принимать от одного до трёх аргументов. В примерах ниже вывод обёрнут в список для отображения всех генерируемых значений.

1️⃣ range(stop): генерирует числа от 0 до значения stop (не включая его).

[x for x in range(10)]
# Результат: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

2️⃣ range(start, stop): генерирует числа от значения start до stop (также не включая stop).

[x for x in range(3, 10)]
# Результат: [3, 4, 5, 6, 7, 8, 9]

3️⃣ range(start, stop, step): создаёт последовательность от start до stop, с шагом, равным значению step.

[x for x in range(2, 10, 2)]
# Результат: [2, 4, 6, 8]

#собес_academy

❓ Разбираем пошагово, как получить оффер в DS или ML

➡️ Фундамент: подтяни математику и алгоритмы. Невозможно расти в разработке или DS. Достаточно уметь решать задачи на логическое мышление, теорию вероятностей и справляться с медиумом на leetcode.

➡️ Пет-проекты: скачай примеры с GitHub или Kaggle, разберись, доработай под свои интересы. Это поможет определиться с направлением и покажет реальные навыки.

➡️ Инструменты по специальности: изучи, что требуется по вакансиям, пройди собеседования даже без уверенности. Это даст нужный опыт и знания рынка.

Не бойся реджектов, любой опыт важен. Собери прочный фундамент и сможешь стать специалистом

Хочешь оффер? Тогда забирай всё необходимое с нашими курсами:
🔵 Математика для Data Science
🔵 Базовые модели ML и приложения
🔵 Алгоритмы и структуры данных

🧩 Реализация паттерна «Одиночка» на Python

Мечтаешь о коде, который работает как швейцарские часы? Паттерн «Одиночка» может стать тем самым механизмом, который заставит все шестерёнки крутиться идеально.

👉 Читать в статье