Computer Science

Основные битовые операции 1. AND (&) — Побитовое И • Правило: Результат равен 1, только если оба соответствующих бита равны 1. • Таблица истинности: 0 & 0 = 0, 0 & 1 = 0, 1 & 0 = 0, 1 & 1 = 1. • Пример: 5 & 3 5 = 00000101 3 = 00000011 Результат: 00000001 (что равно 1) • Применение: - Маскирование: Выделение конкретных битов. Например, x & 1 проверяет чётность (младший бит). - Очистка битов: x & ~(1 << n) сбрасывает бит в позиции n в 0. 2. OR (|) — Побитовое ИЛИ • Правило: Результат равен 1, если хотя бы один из соответствующих битов равен 1. • Таблица истинности: 0 | 0 = 0, 0 | 1 = 1, 1 | 0 = 1, 1 | 1 = 1. • Пример: 5 | 3 5 = 00000101 3 = 00000011 • Результат: 00000111 (что равно 7) • Применение: - Установка битов: x | (1 << n) устанавливает бит в позиции n в 1. 3. XOR (^) — Побитовое исключающее ИЛИ • Правило: Результат равен 1, если соответствующие биты разные. • Таблица истинности: 0 ^ 0 = 0, 0 ^ 1 = 1, 1 ^ 0 = 1, 1 ^ 1 = 0. • Пример: 5 ^ 3 5 = 00000101 3 = 00000011 • Результат: 00000110 (что равно 6) • Ключевые свойства: x ^ x = 0 x ^ 0 = x x ^ y = y ^ x (коммутативность) (x ^ y) ^ z = x ^ (y ^ z) (ассоциативность) • Применение: - Обмен значений без временной переменной: a ^= b; b ^= a; a ^= b; - Шифрование: Базовый шифр, так как дважды применённый XOR с одним ключом возвращает исходное число. - Поиск уникального элемента: В массиве, где все элементы парные, кроме одного, XOR всех чисел найдёт уникальный.

Как восстановить базу PostgreSQL на конкретный момент времени Можно ли вернуть базу данных к жизни после сбоя или случайного удаления данных? На открытом вебинаре курса OTUS PostgreSQL. Advanced Виктор Коробков покажет, как работает восстановление PostgreSQL до конкретного момента времени (Point-in-Time Recovery, PITR) и как правильно настраивать систему бэкапов, чтобы не потерять ни байта данных. → 23 декабря, 20:00 Как восстановить базу PostgreSQL на конкретный момент времени — роль WAL-журналов и как их использовать для архивации — настройка файлового резервного копирования PostgreSQL — пошаговое восстановление базы данных до нужного времени — принципы PITR и применение в облачных инфраструктурах — типичные ошибки при восстановлении и способы их избежать Вебинар будет полезен администраторам баз данных, DevOps- и Cloud-инженерам, а также всем, кто хочет уверенно управлять бэкапами и защитой данных PostgreSQL. → Зарегистрируйтесь: https://otus.pw/Jf30/ Реклама. ООО «Отус онлайн‑образование», ОГРН 1177746618576

Декларативное программирование: когда важен результат, а не путь к нему Декларативное программирование — это общий подход, в котором программист описывает, что нужно получить, а не как именно. Фактически логическое, функциональное и SQL — это разновидности декларативного подхода. Главная идея: Программа описывает правила и свойства результата, а не последовательность шагов. Особенности декларативной парадигмы: • минимум изменяемого состояния, • код ближе к описанию задачи, чем к алгоритму, • возможность оптимизаций со стороны интерпретатора/движка, • часто используются выражения, а не команды. Примеры декларативных подходов: 1) SQL (чисто декларативный язык) В SQL мы описываем, какие данные хотим получить. SELECT name FROM users WHERE age > 18; Это что нам нужно. Но мы не указываем: • как искать, • по какому индексу, • какой алгоритм сравнения использовать. База данных сама выбирает оптимальный путь. 2) HTML — описание структуры, а не алгоритма <p class="text">Привет!</p> Мы описываем структуру документа, но не "рисуем" текст по пикселям. 3) Функциональное программирование (частный случай декларативного, Python) result = sum([x * x for x in range(1, 6)]) Мы описываем что: сумму квадратов. А не как: перебрать список, вести счётчики и т. д. 4) Конфигурационные языки (Terraform) resource "aws_s3_bucket" "my_bucket" { bucket = "example" } Мы описываем желаемое состояние: «должен быть bucket с именем example». Terraform сам вычисляет шаги: создать, удалить, обновить. Где применяется декларативное программирование: • запросы к данным (SQL, GraphQL), • инфраструктура (Terraform, Ansible), • UI-разработка (React — декларативный), • аналитические и научные вычисления, • шаблонизация, конфигурация.

Запустите рекламу в телеграм-каналах с Яндекс Директом Перфоманс-реклама теперь в телеграм-каналах ⚡ Яндекс Директ знает, как привлечь целевую аудиторию 💰👌 Попробовать #реклама yandex.ru О рекламодателе

Логическое программирование: когда программа — это набор фактов и правил Логическое программирование основано на идее, что программа — это знание, а выполнение — это логический вывод. То есть вместо того, чтобы объяснять компьютеру как найти ответ, вы описываете что является истинным, а система сама выводит результат. Главный представитель — язык Prolog. Основные концепции: • Факты — утверждения об объекте или отношении. • Правила — логические зависимости между фактами. • Запросы (queries) — вопросы к программе. • Унификация — сопоставление шаблонов. • Поиск решения — Prolog сам перебирает варианты и находит подходящие. Пример: семейные отношения (Prolog) Факты: parent(anna, ivan). parent(sergey, ivan). parent(ivan, dima). Это означает: Анна — родитель Ивана Сергей — родитель Ивана Иван — родитель Димы Правило: grandparent(X, Y) :- parent(X, Z), parent(Z, Y). Значение: X — дед/бабушка Y, если X — родитель Z, а Z — родитель Y. Запрос: ?- grandparent(X, dima). Ответ Prolog: X = anna ; X = sergey ; false. Компьютер сам делает логический вывод. Нам не нужно описывать алгоритм — только знания. Где применяется логическое программирование: • экспертные системы, • поиск решений в сложных логических задачах, • искусственный интеллект (классические подходы), • автоматические доказатели теорем, • анализ и трансформация программ.

Бесплатный доступ к доскам от МТС Линк 📅 В прошлом году Miro перестал обслуживать корпоративные аккаунты из России. Для компаний, которые успели оплатить годовой тариф, лицензии подходят к концу. Что грозит ИТ-директорам и CTO при продолжении работы с Miro? • риск несоответствия требованиям ФЗ-152 и РКН при хранении данных за рубежом; • потеря корпоративных наработок; • утечки коммерческих тайн и персональных данных. 💻 Замените Miro на российское решение МТС Линк Доски это: - Соответствие требованиям 149-ФЗ, 152-ФЗ и РКН; - Быстрая адаптация к сервису без остановки работы; - Стабильные и безопасные коммуникации в компании; - Полный перенос бордов, таблиц, CJM и майнд-карт без сбоев и потерь данных. ✅ 2 недели бесплатного доступа ко всем функциям Попробовать #реклама 16+ mts-link.ru О рекламодателе

Объектно-ориентированное программирование: когда всё — это объекты Объектно-ориентированное программирование (ООП) моделирует программу как набор объектов, которые представляют сущности мира и взаимодействуют между собой. Основные принципы ООП: • Инкапсуляция — скрываем внутреннее устройство объекта. • Наследование — один класс может расширять другой. • Полиморфизм — общий интерфейс, разные реализации. • Абстракция — выделение значимых свойств сущности. Пример на Python Создадим простую иерархию животных. class Animal: def speak(self): pass class Dog(Animal): def speak(self): return "Гав!" class Cat(Animal): def speak(self): return "Мяу!" animals = [Dog(), Cat()] for a in animals: print(a.speak()) Вывод: Гав! Мяу! Здесь работает полиморфизм: метод speak() вызывается одинаково, но ведёт себя по-разному. Примеры языков: • Java • C# • Python (полностью поддерживает ООП) • C++ • Swift Когда применять: • Когда нужно моделировать сложные сущности и отношения. • Для больших проектов. • В бизнес-логике, где есть объекты: пользователи, документы, счета.

Функциональное программирование: когда программа — это математика Функциональная парадигма основана на идее, что вычисления — это применение функций, которые не изменяют состояние. Главное правило: Функция при одинаковых входных данных всегда возвращает один и тот же результат и не имеет побочных эффектов. Основные признаки: • отсутствие изменяемых переменных; • функции как «граждане первого класса»; • рекурсия вместо циклов; • map, filter, reduce; • композиция функций. Пример (Python, функциональный стиль): Посчитаем сумму чисел от 1 до n без циклов и изменяемых переменных. from functools import reduce n = 5 result = reduce(lambda a, b: a + b, range(1, n + 1)) print(result) # 15 Или ещё более функционально — через встроенную функцию: sum(range(1, n + 1)) Никакого изменения состояния — просто применяем функции к данным. Примеры языков: • Haskell • F# • Lisp, Clojure • JavaScript (частично) • Python (частично) Когда применять: • Много параллельных вычислений — отсутствие модификации состояния делает код потокобезопасным. • Нужна ясная математическая логика. • Хотите писать компактный и легко тестируемый код.

Императивное программирование: когда программа — это последовательность шагов Императивное программирование — это самый «естественный» для человека способ описывать алгоритмы: делай раз, делай два, делай три. Программа в этой парадигме состоит из команд, которые изменяют состояние — значения переменных, память, содержимое файлов и т. д. Основные признаки: • есть переменные, которые можно менять; • есть инструкции (assignments, циклы, условия); • программа — это последовательность действий. Простой пример (Python) # Находим сумму чисел от 1 до n n = 5 s = 0 for i in range(1, n + 1): s += i print(s) # 15 Здесь мы явно изменяем состояние: • создаём переменную s, • увеличиваем её в цикле. Примеры языков: • C, C++, Java • Python (когда используем циклы и изменяемые переменные) • JavaScript (в императивном стиле) Когда применять: • Нужна высокая производительность. • Логика естественна как последовательность операций. • Важен контроль над состоянием: работа с памятью, сетевыми протоколами, системами реального времени.

Распределение Пуассона для моделирования сетевых пакетов Распределение Пуассона — простой способ описать, сколько случайных событий может произойти за определенное время. Оно подходит, когда события редкие, независимые друг от друга и происходят с постоянной средней скоростью. В компьютерных сетях это идеально для моделирования прибытия пакетов данных — маленьких порций информации, которые передаются между устройствами. Зачем оно нужно в сетях? • Моделирование трафика: Представьте, что пакеты приходят на сервер, как посетители в магазин. Если в среднем приходит 5 пакетов в минуту, Пуассоновское распределение помогает предсказать, сколько их может быть в следующий раз — 3, 7 или ни одного. • Оценка нагрузки: Оно используется в моделях очередей, чтобы понять, не "затормозится" ли сеть. Например, если пакетов слишком много, сервер может не справиться, и данные потеряются. • Анализ проблем: В реальных сетях (как интернет или локальная сеть) пакеты прибывают случайно. Если трафик не соответствует этому распределению, это может сигнализировать о проблеме, как хакерская атака. Простой пример Допустим, в минуту в среднем прибывает 5 пакетов. Распределение Пуассона говорит: • Вероятность, что прибудет ровно 3 пакета, около 14% (довольно часто). • Вероятность, что ни одного — очень маленькая, около 0.7% (редко, потому что сеть активна). • Среднее число пакетов всегда равно 5, а разброс тоже около 5. Это помогает инженерам планировать сети: добавлять больше мощности, если среднее растет. Пример кода на Python (простая симуляция) Генерирует случайные числа пакетов и показывает среднее: import numpy as np # Среднее: 5 пакетов в минуту lambda_rate = 5 # Симуляция 1000 минут packets = np.random.poisson(lambda_rate, 1000) # Среднее из симуляции print(f"Среднее количество пакетов: {np.mean(packets):.2f}") Запустите его (нужен Python с numpy: pip install numpy), и увидите, что среднее близко к 5.

PostgreSQL и DevOps: управление базой данных через CI/CD и Kubernetes Как автоматизировать развёртывание, обслуживание и мониторинг PostgreSQL в продакшн-среде? На открытом вебинаре курса OTUS PostgreSQL. Advanced Антон Герасименко покажет, как объединить DevOps-практики и PostgreSQL 17, чтобы упростить работу с базой данных и повысить её отказоустойчивость. → 8 декабря, 18:00 PostgreSQL и DevOps — управляем базой данных через CI/CD и Kubernetes — создание Docker-контейнера для PostgreSQL и его правильная настройка — использование Kubernetes-операторов для автоматического развертывания — мониторинг и алертинг через Prometheus и Grafana — настройка репликации и standby-реплик в PostgreSQL 17 — интеграция миграций и бэкапов в CI/CD-процессы Вебинар будет полезен DevOps-инженерам, администраторам баз данных и разработчикам, которые хотят упростить управление PostgreSQL и сделать инфраструктуру более гибкой и надёжной. → Зарегистрируйтесь: https://otus.pw/46ia/ Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576

Машинное обучение — область ИИ, где модели обучаются на данных для выполнения задач, таких как предсказание, классификация или кластеризация. Алгоритмы ML делятся на категории: обучение с учителем, без учителя и с подкреплением. Алгоритмы обучения с учителем: Здесь модель обучается на размеченных данных (с входами и правильными выходами). • Линейная регрессия: Предсказывает непрерывные значения, минимизируя ошибку между предсказанием и реальностью. Пример: прогноз цен на недвижимость на основе площади и расположения. Преимущества: простота и интерпретируемость. • Логистическая регрессия: Классифицирует данные в бинарные категории (да/нет). Пример: определение, одобрить ли кредит по финансовым данным. Преимущества: эффективность для больших наборов данных. • Деревья решений: Строит дерево правил на основе признаков. Пример: диагностика заболеваний по симптомам. Преимущества: легко визуализировать и интерпретировать. • Случайный лес: Ансамбль деревьев решений для улучшения точности. Пример: классификация спама в email. Преимущества: устойчив к переобучению. • Метод опорных векторов: Находит гиперплоскость для разделения классов. Пример: распознавание рукописных цифр. Преимущества: хорош для высокомерных данных. • Нейронные сети (включая глубокое обучение): Многослойные модели, имитирующие мозг. Пример: распознавание изображений в компьютерном зрении. Преимущества: мощны для сложных задач, но требуют много данных. Алгоритмы обучения без учителя: Здесь модель находит паттерны в неразмеченных данных. • K-средних: Группирует данные в кластеры по сходству. Пример: сегментация клиентов по покупкам. Преимущества: простота и скорость. • Иерархическая кластеризация: Строит дерево кластеров. Пример: анализ генетических данных. Преимущества: не требует задания числа кластеров заранее. • Метод главных компонент: Снижает размерность данных, сохраняя ключевую информацию. Пример: сжатие изображений. Преимущества: уменьшает шум и ускоряет вычисления. Алгоритмы обучения с подкреплением: Модель учится через взаимодействие с окружением, получая награды. • Q-обучение: Агент учится оптимальной стратегии. Пример: обучение агента играть в шахматы или управлять роботом. Преимущества: подходит для динамических задач, как игры или автономное вождение.

В России можно посещать IT-мероприятия хоть каждый день: как оффлайн, так и онлайн Но где их находить? Как узнавать о них раньше, чем когда все начнут выкладывать фотографии оттуда? Переходите на канал IT-Мероприятия России. В нём каждый день анонсируются мероприятия со всех городов России 📆 в канале размещаются как онлайн, так и оффлайн мероприятия; 👩‍💻 можно найти ивенты по любому стеку: программирование, frontend-backend разработка, кибербезопасность, дата-аналитика, osint, devops и другие; 🎙 разнообразные форматы мероприятий: митапы с коллегами по цеху, конференции и вебинары с известными опытными специалистами, форумы и олимпиады от важных представителей индустрии и многое другое А чтобы не искать по разным форумам и чатам новости о предстоящих ивентах: 🚀 IT-мероприятия России — подписывайся и будь в курсе всех предстоящих мероприятий!

LLM расшифровывается как Large Language Model (Большая языковая модель).

Это тип ИИ, основанный на машинном обучении, который обучен на огромных объемах текстовых данных для понимания, генерации и обработки человеческого языка. Такие модели способны выполнять задачи, связанные с текстом, такие как ответы на вопросы, перевод, написание статей, генерация кода или даже творческие задачи (например, сочинение стихов).

Как работают LLM? • Обучение: Модели обучаются на миллиардах слов из книг, статей, веб-сайтов и других источников. Они используют нейронные сети (часто трансформеры, как в архитектуре Transformer) для предсказания следующего слова в предложении на основе контекста. • Размер: "Large" указывает на огромные параметры — миллиарды или триллионы весов в модели, что требует мощных компьютеров для обучения и запуска. • Примеры технологий: Они основаны на алгоритмах вроде GPT (Generative Pre-trained Transformer), BERT (Bidirectional Encoder Representations from Transformers) или LaMDA от Google. Ограничения LLM могут "галлюцинировать" (генерировать неправдивую информацию), быть предвзятыми (из-за данных обучения) или требовать много ресурсов. Они не "понимают" мир как люди — это статистическое предсказание на основе паттернов.

AI-Ops для PostgreSQL: нейросети против узких мест и деградации производительности Как заставить PostgreSQL не только работать быстрее, но и самостоятельно объяснять, где и почему всё тормозит? На открытом вебинаре курса OTUS PostgreSQL. Advanced Дмитрий Золотов покажет, как применять AI и LLM-модели для анализа производительности, поиска узких мест и предотвращения деградации ещё до того, как она станет проблемой. → 2 декабря, 20:00 AI-Ops для PostgreSQL: нейросети против узких мест и деградации производительности — применение AIOps-подхода для анализа метрик, логов и планов выполнения запросов — автоматическая интерпретация EXPLAIN ANALYZE и рекомендации по оптимизации — использование ML-моделей для прогнозирования деградации и роста нагрузки — примеры внедрения AI-мониторинга в продакшн Вебинар будет полезен DBA, DevOps-инженерам, архитекторам высоких нагрузок и разработчикам, которые ищут новые способы автоматизации и анализа систем. → Зарегистрируйтесь: https://otus.pw/7zq4/ Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576

Видеокарта (или GPU — Graphics Processing Unit) устройство, которое обрабатывает графические данные для отображения изображений на экране. Она ускоряет задачи, связанные с графикой, такими как игры, видеоредактирование, 3D-моделирование и машинное обучение. Основная задача — преобразовывать данные в визуальные пиксели, которые монитор может показать. Основные компоненты видеокарты Видеокарта состоит из нескольких ключевых частей, работающих вместе: • GPU (графический процессор): Основной "мозг". Это множество ядер (сотни или тысячи), оптимизированных для параллельных вычислений. В отличие от CPU (центрального процессора), GPU лучше справляется с повторяющимися задачами, как обработка пикселей. • Видеопамять (VRAM): Специальная память (например, GDDR6 или HBM) для хранения текстур, моделей и промежуточных данных. Она быстрая и работает независимо от оперативной памяти компьютера. • Шина данных (PCIe): Связь с материнской платой и CPU. Через неё передаются команды и данные. • Контроллеры и интерфейсы: Включают HDMI/DisplayPort для вывода на экран, кулеры для охлаждения и питание (через разъёмы на карте). Как работает видеокарта: пошаговый процесс Работа видеокарты можно описать как конвейер обработки данных. Вот упрощённая схема: 1. Получение данных: CPU отправляет задачу (например, рендеринг сцены в игре) через PCIe. Данные включают 3D-модели, текстуры и инструкции. 2. Обработка на GPU: • Вершинный шейдер: Преобразует координаты объектов (вершин) в 3D-пространстве, применяя трансформации (вращение, масштабирование). • Растеризация: Преобразует 3D-данные в 2D-изображение, разбивая на пиксели. • Пиксельный (фрагментный) шейдер: Вычисляет цвет каждого пикселя, учитывая освещение, текстуры и эффекты (тени, отражения). Здесь используется параллельная обработка на множестве ядер. • Дополнительные этапы: Могут включать постобработку (антиалиасинг, bloom) и вычисления для AI (например, в RTX-картах NVIDIA с DLSS). 3. Хранение и вывод: Результаты хранятся в VRAM, затем передаются на монитор через интерфейсы. Видеокарта может обрабатывать несколько кадров в секунду (FPS), обеспечивая плавность. Примеры и аналогии • Аналогия: Представьте GPU как конвейер на фабрике. CPU — менеджер, который даёт задания, а GPU — рабочие, которые быстро собирают детали (пиксели) параллельно. • Производительность: Современные карты вроде NVIDIA RTX 40-series или AMD RX 7000-series могут обрабатывать миллиарды операций в секунду. Для сравнения, в играх видеокарта может рендерить 4K-изображение при 60 FPS, используя тысячи ядер.

⁉️Машинное обучение кажется чем-то сложным и недосягаемым? Всё проще, чем вы думаете! Первый шаг — разобраться, как устроен ML-процесс и научиться работать в Jupyter Notebook — инструменте, с которого начинают все специалисты в Data Science. На открытом уроке вы шаг за шагом поймёте, как строится путь от данных до модели. Научитесь запускать эксперименты в Jupyter Notebook и Google Colab, работать с виртуальными окружениями и не бояться “сломать” систему. Всё — в формате простых и наглядных примеров. После урока вы сможете уверенно начать свой первый ML-проект и поймёте, какие инструменты нужны, чтобы перейти от теории к практике. ➡️ 13 ноября в 20:00 МСК. Открытый вебинар проходит в преддверии старта курса «Machine Learning. Basic». Регистрируйтесь и сделайте первый шаг в машинное обучение без страха и путаницы: https://otus.pw/KGVQ/ Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576

Web scraping Скрапинг — стандартная процедура для сбора необходимой информации. Для этих целей применяется специализированное программное обеспечение.  С помощью веб-скрейпинга информация собирается в автоматическом режиме по заданным параметрам, структурируется и записывается в файл для дальнейшего анализа.  Такой метод подходит для сбора статистики, стоимости различных офферов, получения данных о товарах в каталогах.

Законно ли это? Если боитесь собирать данные с сайтов, то лучше не стоит, но все, что находится в открытом доступе, можно собирать.

Сигналы прерывания в зависимости от источника возникновения делятся на два основных типа: 1. Внутренние (или программные, синхронные) прерывания — возникают внутри процессора в результате выполнения инструкций программы. Примеры: • Деление на ноль; • Ошибка страницы (page fault); • Выполнение специальной инструкции программного прерывания (например, INT в x86); • Переполнение арифметической операции. 2. Внешние (или аппаратные, асинхронные) прерывания — возникают вне процессора, от внешних устройств или по внешним сигналам. Примеры: • Сигнал от таймера; • Сигнал от клавиатуры, мыши, сетевого адаптера и других периферийных устройств; • Аппаратный сброс. Иногда внешние прерывания дополнительно подразделяют на: • Маскируемые — могут быть временно запрещены программно (например, с помощью флага разрешения прерываний). • Немаскируемые (NMI — Non-Maskable Interrupts) — всегда обрабатываются, даже если остальные прерывания запрещены (обычно для сигналов аварийных состояний).

Гайд для РОПов по проведению эффективных вебинаров Как руководителям отделов продаж увеличить количество успешных сделок при том же объеме лидов с помощью вебинаров? Гайд от МТС Линк по обучающим вебинарам для отделов продаж. ✅ В гайде: - Как эффективнее прокачивать скиллы менеджеров и закрывать больше сделок за меньшие сроки; - Как организовать тренинг так, чтобы участники действительно подключились и дошли до финального модуля; - Как выявить слабого менеджера и улучшить его показатели; - Как сэкономить время на организации вебинара и пригласить всех участников в 2 клика. Бонус внутри: 5 прикладных советов по контролю внимания участников во время вебинара ✨ Скачайте гайд бесплатно по ссылке Скачать #реклама 16+ mts-link.ru О рекламодателе