Библиотека задач по Python | тесты, код, задания

Почему Flask называют микрофреймворком? Flask называют «микро», поскольку его основной набор функций относительно ограничен: маршрутизация, обработка запросов и модули разработки — вот и всё, что есть в нём. Многие возможности, такие как ORM, кэширование и аутентификация, были доступны в качестве дополнительных расширений, но конкурирующие фреймворки (например, Django) включали их по умолчанию. Архитектура «небольшое ядро + расширения» делает его «микро-» фреймворком, с которым гораздо проще начать работать и масштабировать. Библиотека задач по Python

😎 Вы просили — мы сделали. Самый долгожданный анонс этого лета! Мы открываем набор на второй поток курса «AI-агенты для DS-специалистов»! На курсе мы учим главному навыку 2025 года: не просто «болтать» с LLM, а строить из них рабочие системы с помощью Ollama, RAG, LangChain и crew.ai. 📆 Старт потока — 15 сентября. 💸 Цена 49 000 ₽ действует только в эти выходные — до 17 августа. С понедельника будет дороже. 👉 Занять место

Что выведет код сверху? 👾 — True 👍 — False 🥰 — Error ⚡️ — Другое Библиотека задач по Python

🧠 Выбор первого ML-проекта: чеклист против выгорания Классика плохих решений в ML — выбрать слишком сложный проект: неделя ковыряния в коде, десятки крашей и никакого результата. Хотите дойти до финиша — начните с простого проекта, который реально можно довести до конца. Мини-чеклист первого проекта: 1. Понятные данные — без «я нашёл датасет в даркнете, но он на суахили». 2. Измеримая метрика — «точность 92%», а не «ну вроде работает». 3. Объяснимый результат — чтобы не-техлид понял, почему модель ругается на спам. Наш курс «ML для старта в Data Science» — старт от простого к сложному: теория → практика → проверка → проект в портфолио. 👉 Начать свой путь в Data Science Оплатите курс по ML до 17 августа — курс по Python в подарок. 📅 Бесплатный вебинар с Марией Жаровой — 21 августа: как выбирать проекты, которые доводят до оффера, а не до психотерапевта. 💾 Сохрани, чтобы не потерять, когда будешь готов(а) начать

✍🏻 Что такое фабрика декораторов? Фабрика декораторов — это особая разновидность функции высшего порядка, которая возвращает декоратор вместо прямого результата. Главное отличие фабрики декораторов от обычного декоратора в том, что она принимает аргументы, которые могут конфигурировать логику декоратора. Например, фабрика может принимать имя лог-файла, в который будет производиться запись при вызове декорируемой функции. Или уровень логирования вместо простой записи всех вызовов. Такой подход позволяет создавать переиспользуемые и гибко настраиваемые декораторы для решения разных задач. Главные преимущества фабрик декораторов — это возможность абстрагироваться от конкретики реализации, избежать дублирования кода и создавать интуитивный API для декораторов с настройками. Библиотека задач по Python

🚀 Главная ошибка новичка в ML — строить звездолёт вместо велосипеда Многие сразу хотят свою Midjourney, но в итоге получают только выгорание. Успех начинается с «велосипеда»: научитесь предсказывать цены или классифицировать отзывы. Освойте базу, а уже потом стройте «звездолёты». Наш курс «ML для старта в Data Science» — это и есть тот самый правильный старт от простого к сложному. 👉 Начните правильно Берёте курс «ML для старта» до конца недели — Python в подарок. ❗А 21 августа пройдет бесплатный вебинар с Марией Жаровой: узнаете, какие проекты качают скилл, а какие качают ваши нервы. А какой самый сложный проект вы брались делать в самом начале? 🫢

Какой будет вывод следующего фрагмента кода?

s = {1, 2, 3, 3, 2, 4, 5, 5}
print(s)

👾 — {1, 2, 3, 3, 2, 4, 5, 5} 👍 — {1, 2, 3, 4, 5} 🥰 — None ⚡️ — {1, 5} Библиотека задач по Python

Что выведет код сверху? 👾 — 3 👍 — 3.5 🥰 — Error Библиотека задач по Python

📺 Хватит коллекционировать туториалы! Десятки роликов по ML, сотни вкладок, папка «Посмотреть позже» трещит по швам. В голове — обрывки знаний о нейросетях и Pandas. Знания без системы — это просто «шум». Они не превращаются в навыки и проекты. Наш курс «ML для старта в Data Science» — это не ещё один туториал. Это система. Чёткий путь от «каши» в голове до первого сильного проекта в портфолио. И да, чтобы старт был ещё проще — при покупке курса по ML вы получаете курс по Python в подарок 👉 Превратите «шум» в навык А вы сталкивались с «информационной кашей»? Как выбирались? 👇

Что выведет код сверху? 👾 — 0 1 👍 — 0 🥰 — 1 Библиотека задач по Python

Что выведет код сверху? 👾 — True 👍 — False 🥰 — 4 ⚡️ — 8 Библиотека задач по Python

Что выведет код? 👾 — 4 👍 — 9 🥰 — 10 ⚡️ — 15 Библиотека задач по Python

Какое утверждение верно для работы с замыканиями и областями видимости в Python при использовании nonlocal и global? 👾 — nonlocal и global изменяют значение переменной только в момент объявления функции, а не при выполнении 👍 — nonlocal ищет переменную в ближайшей внешней области видимости, не включая глобальную, и изменяет её по ссылке 🥰 — global и nonlocal идентичны в поведении, но nonlocal можно использовать только внутри вложенных функций ⚡️ — Если переменная помечена как nonlocal, Python создаёт новую переменную в замыкании, не затрагивая внешнюю Библиотека задач по Python

🧐 Зоопарк моделей в ML: с чего начать? Открываешь статью по машинному обучению — и в тебя летят слова: трансформеры, бустинги, SVM, регрессии. Кажется, придётся учить всё это, иначе в ML не пустят. Хорошая новость: 90% задач можно закрыть 2–3 классическими методами. Разберёшь их — уже сможешь собирать работающие проекты. А хайповые названия подождут. Важно: не распыляйся на всё подряд. Начни с базового — это фундамент, на котором держится остальное. 👉 Успей попасть на курс «ML для старта в Data Science»

Какова главная причина использования полиморфизма? 👾 — Это позволяет программисту мыслить на более абстрактном уровне 👍 — Придется писать меньше программного кода 🥰 — Программа будет иметь более элегантный дизайн и ее будет легче поддерживать и обновлять ⚡️ — Программный код занимает меньше места Библиотека задач по Python

Что выведет код сверху? 👾 — 1 1 1 1 👍 — None 🥰 — 1.111 ⚡️ — 1111.0 Библиотека задач по Python

🫣 Боитесь математики в ML? Думаете, для этого нужно вспоминать университетские интегралы и решать сложные уравнения? У нас хорошая новость: машинное обучение — это в первую очередь инженерная практика, а не математическая олимпиада. Здесь важнее понимать суть, а не выводить формулы. Именно на таком подходе — через логику, интуицию и наглядные примеры — и построен наш курс «ML для старта в Data Science», где мы объясняем всё на пальцах, без боли и зубрёжки. Регистрируйтесь, пока есть свободные места 😉

Какое утверждение о системе зависимостей FastAPI корректно при использовании Depends, BackgroundTasks и ContextVar в асинхронном контексте? 👾 — Все зависимости в FastAPI создаются один раз при запуске приложения и переиспользуются между запросами, если они объявлены через Depends 👍 — Использование ContextVar внутри зависимости гарантирует корректное изолированное состояние на каждый HTTP-запрос, даже при высокой степени параллелизма 🥰 — BackgroundTasks могут быть объявлены внутри зависимости, но они не будут выполнены, если не проброшены явно в APIRouter ⚡️ — Асинхронные зависимости с yield (context managers) поддерживаются FastAPI только при использовании Python 3.12 и выше Библиотека задач по Python

Что делает os.rename()? В Python функция os.rename() используется для переименования файла или директории в операционной системе. Она входит в модуль os. Библиотека задач по Python

🤔 Зачем вообще понимать, как работает ML? Сейчас многие просто запускают модельку в sklearn — и радуются точности 0.92.

Вроде всё работает… но почему? А когда сломается — что делать?

Машинное обучение — это система, которую можно понять. Если знаешь, что делает градиентный спуск, зачем нужен бустинг и как дерево принимает решения — ты не просто «запускаешь», ты управляешь моделью. 👉 Мы сделали курс, чтобы в это было реально въехать: — без сложных формул; — с интуитивными объяснениями; — от простого к сложному. Если хочешь перейти от «гуглю код» к «понимаю, как это работает» — ты по адресу! ❗Стартуем в сентябре — бронируй место на курсе уже сейчас