Программистика

👀 Основы программирования на Python ⏺КРАТКАЯ ИСТОРИЯ PYTHON, ЕГО ОСОБЕННОСТИ И ТИПЫ ДАННЫХ ⏺СИНТАКСИС, ОПЕРАТОРЫ И УПРАВЛЯЮЩИЕ КОНСТРУКЦИИ ⏺ФУНКЦИИ В PYTHON ⏺МОДУЛИ И ПАКЕТЫ ⏺КЛАССЫ И ОБЪЕКТНО-ОРИЕНТИРОВАННОЕ ПРОГРАММИРОВАНИЕ И многое другое Программистика // #doc

😒 На одном кодинге уже давно не вывезешь, перспектива 2024 года - Информационная Безопасность Ловите два канала на тему ИБ и хакинга ZeroDay - Уроки по кибербезопасности и хакингу с нуля. Вирусы, взломы, OSINT, криптография и свежие новости Белый Хакер - программное обеспечение, утилиты, OSINT, инструменты, полезная литература и много другое. Совершенно новый формат непохожий на другие каналы.

Python Tutorial - Python Full Course for Beginners

📱 Первоисточник

@programistica|| #Видео #python

Python и Java разработчики❗️ Выкатываем специально для вас подборку лучших в телеграме каналов, для тех, кто по правде хочет узнать полезную информацию: 📱Pythoner — Реальный код, полезные советы и интересные задачи для Python-разработчика. 📱Javer — Полезные материалы по Java, которые будут интересны опытному и начинающему прогеру. 🖥Книжный python — Сборник всех самых полезных статей и книг по Python. 🖥Книжный Java — Сборник всех самых полезных статей и книг по Java. 🌐IT memer — Самые жизненные и смешные мемы для любого программиста.

Нашёл для вас статью с прикольным сравнением, какую ОС используют большинство Python-разработчиков

😀Продолжи читать на Habr!

Программистика // #article

5 Good Python Habits

📱 Первоисточник

Программистика || #Видео #python

🖼️ Библиотека Python: Flask Flask - это фреймворк для создания веб-приложений на Python. Он легковесный, очень гибкий и простой в использовании, что делает его отличным выбором как для небольших пет-проектов, так и для масштабных веб-приложений.

   pip install flask

⛓ Ссылка на документацию Пример кода:

from flask import Flask, request

app = Flask(__name__)

@app.route('/')
def hello():
    name = request.args.get('name', 'World')
    return f'Hello, {name}!'

if __name__ == '__main__':
    app.run(debug=True)

Этот пример создает простое Flask-приложение с одним route'ом, который приветствует пользователя. @programistica // #Library

⚠️ 2024 год, поиск информации затруднен, а многие ресурсы вовсе заблокированы... Благо, в Telegram начали появляться каналы, которые решают эту проблему! ⚙️ IToolBox — полезные инструменты, ресурсы и лайфхаки для программистов. 😎 IT Syndicate — огромная база курсов по всем IT-специальностям и технологиям. 😎 PyLinux — для тех, кто программирует на Python и хочет начать разбираться в Linux. 👍 CodeBase Frontend — готовые наработки, макеты, статьи и многое другое из мира фронтенда. Успей подписаться, пока доступ не прикрыли!

🖼️ Библиотека Python: Keras Keras - это высокоуровневый API для создания и обучения нейронных сетей, работающий поверх TensorFlow (низкоуровневая библиотека ИИ от Google). Он предоставляет простой и интуитивно понятный интерфейс для быстрого создания Deep Learning моделей.

   pip install keras

⛓ Ссылка на документацию Пример кода:

import numpy as np
from keras.models import Sequential
from keras.layers import Dense

# Создание последовательной модели
model = Sequential()

# Создаем случайные входные данные
x_train = np.random.random((1000, 100))

# Создаем случайный метки классов (10 классов)
y_train = np.random.randint(10, size=(1000,1))

# Преобразуем их в one-hot encoding 
y_train = keras.utils.to_categorical(y_train, num_classes=10)

# Добавление слоев
model.add(Dense(64, activation='relu', input_dim=100))
model.add(Dense(64, activation='relu'))
model.add(Dense(10, activation='softmax'))

# Компиляция модели
model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])

# Обучение модели
model.fit(x_train, y_train, epochs=20, batch_size=128)

Этот пример показывает создание простой полносвязной ИИ с помощью Keras. @programistica // #Library

📱 Как определить публичные, приватные и защищенные переменные в классе 1. Публичные Публичные переменные — самый доступный тип переменных. К ним можно обратиться откуда угодно, как внутри класса, так и за его пределами. В Python все переменные класса по умолчанию являются общедоступными, если явно не определено иное.

class MyClass:
    def __init__(self, name):
        self.name = name  # публичная переменная

obj = MyClass("John")
print(obj.name)  # доступна за пределами класса

#Вывод : John

В этом примере name является общедоступной переменной. Вы можете получать к ней доступ и изменять ее извне класса без каких-либо ограничений. 2. Защищенные переменные Защищенные переменные предназначены для доступа к ним только в пределах класса и его подклассов. Хотя Python не обеспечивает строгий контроль доступа, для указания на то, что переменная является защищенной, принято добавлять к ее имени одно подчеркивание (_).

class MyClass:
    def __init__(self, name, age):
        self._age = age  # Защищенная переменная

class ChildClass(MyClass):
    def display(self):
        print(f"Age: {self._age}")  # Доступно в пределах подкласса

obj = ChildClass("John", 30)
obj.display()  

# Вывод: Age: 30

В этом примере, age - защищенная переменная. Хотя Python не запрещает обращаться к ней непосредственно за пределами класса, это противоречит его назначению. 3. Приватные переменные Доступ к приватным переменным возможен только в пределах класса, в котором они определены. Python обозначает приватные переменные, добавляя к имени переменной двойное подчеркивание (__). Это приводит к искажению имени, что затрудняет (но не исключает) доступ к приватным переменным извне класса.

class MyClass:
    def __init__(self, name, age, salary):
        self.__salary = salary  # приватная переменная

    def display_salary(self):
        print(f"Salary: {self.__salary}")  # доступность в пределах класса

obj = MyClass("John", 30, 50000)
obj.display_salary()  # Вывод: Salary: 50000

# Попытка получить доступ к приватной переменной вне класса
print(obj.__salary)  # получим ошибку AttributeError

В этом примере salary является приватной переменной. Если вы попытаетесь получить к ней прямой доступ извне класса, Python выдаст ошибку AttributeError. Тем не менее, вы можете получить доступ к нему, используя версию, сгруппированную по имени, хотя это и не рекомендуется. ✔️ Вывод 🟢 Публичные переменные: Доступны из любого места, без подчеркивания. 🟢 Защищенные переменные: Доступны внутри классов и подклассов, имеют префикс с одинарным подчеркиванием (_). 🟢 Приватные переменные: Доступны только в пределах класса, имеют префикс с двойным подчеркиванием (__). @programistica // #article

👩‍💻 Программирование теперь в Telegram! Вот 8 обучающих каналов по самым востребованным направлениям в IT. Выбирай своё направление: 👩‍💻 Python: @python_ready 👩‍💻 Java: @java_ready 📖 Общее IT: @roadmap_ready 👩‍💻 Frontend: @code_ready 👩‍💻 C#: @csharp_ready 👩‍💻 C/C++: @cpp_ready 🖥 Базы Данных & SQL: @sql_ready 🖥 Design: @time_design 📌 Ресурсы, гайды, шпаргалки, книги, задачи и статьи для каждого языка программирования.

💻 Вопрос из собеседования: Как использовать statsmodels для линейной регрессии? Для линейной регрессии в statsmodels можно использовать класс OLS (Ordinary Least Squares):

import statsmodels.api as sm

X = [[1, 1], [1, 2], [1, 3]]
y = [1, 2, 3]

model = sm.OLS(y, X).fit()
print(model.summary())

Это создаст и обучит модель линейной регрессии, а затем выведет сводку результатов. 💻 Вопрос из собеседования: Как провести t-тест с помощью statsmodels? Для проведения t-теста в statsmodels можно использовать функцию ttest_ind:

import statsmodels.stats.api as sms
import numpy as np

group1 = np.random.normal(0, 1, 100)
group2 = np.random.normal(0.5, 1, 100)

t_statistic, p_value, df = sms.ttest_ind(group1, group2)
print(f"T-statistic: {t_statistic}, p-value: {p_value}")

Это проведет независимый t-тест для двух групп и выведет t-статистику и p-значение.

Надеюсь это поможет вам пройти собеседование на желаемую вами работу, удачи🔥🔥🔥

@programistica // #jobs

Transformers Transformers — это мощная архитектура нейронных сетей, которая произвела революцию в области обработки естественного языка (NLP). Впервые представленная в 2017 году в статье "Attention Is All You Need", эта модель стала основой для многих современных языковых моделей. Основные концепции ➡️ Механизм внимания (Attention Mechanism): Ключевая инновация, позволяющая модели фокусироваться на различных частях входных данных при генерации выходных данных. ➡️ Самовнимание (Self-Attention): Позволяет модели учитывать контекст внутри последовательности. ➡️ Позиционное кодирование (Positional Encoding): Метод добавления информации о позиции токенов в последовательности. Архитектура Transformer Transformer состоит из двух основных компонентов: ➡️ Энкодер: Обрабатывает входную последовательность. ➡️ Декодер: Генерирует выходную последовательность. Каждый из этих компонентов состоит из нескольких идентичных слоев. Пример использования Transformers с библиотекой Hugging Face

from transformers import pipeline

# Создаем пайплайн для анализа тональности
sentiment_analyzer = pipeline("sentiment-analysis")

# Анализируем текст
result = sentiment_analyzer("I love using Transformers!")
print(result)  # [{'label': 'POSITIVE', 'score': 0.9998}]

Предобученные модели Одно из главных преимуществ Transformers — возможность использования предобученных моделей: ➡️ BERT (Bidirectional Encoder Representations from Transformers) ➡️ GPT (Generative Pre-trained Transformer) ➡️ T5 (Text-to-Text Transfer Transformer) Пример использования BERT

from transformers import BertTokenizer, BertForSequenceClassification
import torch

# Загружаем предобученную модель и токенизатор
model = BertForSequenceClassification.from_pretrained('bert-base-uncased')
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')

# Подготавливаем входные данные
text = "Transformers are amazing!"
inputs = tokenizer(text, return_tensors="pt")

# Получаем предсказание
outputs = model(**inputs)
predictions = torch.nn.functional.softmax(outputs.logits, dim=-1)
print(predictions)

Применение Transformers ✅Машинный перевод ✅Генерация текста ✅Ответы на вопросы ✅Суммаризация текста ✅Анализ тональности Преимущества Transformers ➡️ Параллельная обработка: В отличие от рекуррентных нейронных сетей, Transformers могут обрабатывать всю последовательность одновременно. ➡️ Долгосрочные зависимости: Механизм внимания позволяет модели эффективно работать с длинными последовательностями. ➡️ Трансферное обучение: Предобученные модели могут быть адаптированы для различных задач с минимальным дообучением. Transformers произвели революцию в области NLP, предоставив мощный инструмент для решения широкого спектра задач обработки естественного языка. Их способность к обучению на больших объемах данных и эффективная работа с контекстом сделали их незаменимыми в современных AI-приложениях. С развитием технологий и увеличением вычислительных мощностей, мы можем ожидать дальнейшего совершенствования и расширения возможностей моделей на основе архитектуры Transformer. @programistica // #article

Мечтаете стать универсальным программистом и овладеть искусством написания кода? Присоединяйтесь к бесплатному мини-курсу по основам Java-разработки! Вы не только изучите базовые инструменты Java, но и сможете сравнить их с Python. Подробнее: 👉 https://epic.st/NzkCbV?erid=2VtzqwfZAZK — Формат мини-курса отлично подойдёт для обучения из любой точки мира. Смотрите видео в удобное время, а после выполняйте практические задания. В конце вас ждёт прямой эфир с экспертом, где он поделится профессиональными секретами, разберёт работы участников и ответит на вопросы. Сделайте первый шаг к карьере в IT. Старт после регистрации! Реклама. ЧОУ ДПО «Образовательные технологии «Скилбокс (Коробка навыков)», ИНН: 9704088880

👀 Книга: Python. Чистый код для продолжающих ⏺Экзотические странности Python ⏺Написание эффективных функций ⏺Измерение быстродействия ⏺Анализ сложности алгоритмов ⏺Git и организация программных проектов @programistica // #doc

💥 Бородатое IT — твоя надежная база знаний в мире технологий. Здесь собрана только актуальная информация и полезные материалы, которые помогут тебе оставаться на гребне IT-трендов. 📚 Хочешь расширить свои знания и быть в курсе всех новинок в мире IT? Подписывайся на Бородатое IT и получай доступ к лучшим материалам и ресурсам. 👨‍💻

💥 Бородатое IT — твоя надежная база знаний в мире технологий. Здесь собрана только актуальная информация и полезные материалы, которые помогут тебе оставаться на гребне IT-трендов. 📚 Хочешь расширить свои знания и быть в курсе всех новинок в мире IT? Подписывайся на Бородатое IT и получай доступ к лучшим материалам и ресурсам. 👨‍💻

4 совета как ЛУЧШЕ писать циклы For на Python

📱 Первоисточник

Free coding || #Видео #python

Станьте AI-разработчиком на Python и зарабатывайте от 150.000₽ в месяц 🔥🔥🔥 Мы научим вас создавать и тренировать нейронные сети, и вы сможете: 1️⃣ Устроиться разработчиком в крупную компанию и зарабатывать от 150 тыс. ₽ в месяц 2️⃣ Разрабатывать такие проекты на заказ и зарабатывать от 500 тыс. ₽ за проект 3️⃣ Создать нейро-сотрудника в вашей компании и вырасти на +30-100% в зарплате На интенсиве будет много практики: создадим 9 нейросетей за 1 вечер: 🧬 Оценка выброса CO2 по параметрам машины 🧬 Сегментация изображения для робота доставщика 🧬 Трекинг людей на видео 🧬 Распознавание речи и другие Ведущий интенсива - Senior AI-разработчик и основатель Университета искусственного интеллекта 🔥 Регистрируйтесь на бесплатный интенсив! Встречаемся в ближайшую среду. Вы узнаете, как освоить самую востребованную профессию и гарантированно зарабатывать!

🖼️ Библиотека Python: Statsmodels Statsmodels - это библиотека Python для статистического моделирования и тестирования гипотез. Она предоставляет широкий спектр статистических моделей, методов и функций для анализа данных и выполнения статистических вычислений.

   pip install statsmodels

⛓ Ссылка на документацию @programistica // #Library