Простой Python | Программирование

FastAPI: HTTP-запросы Продолжаем делиться циклом видео, благодаря которому ты научишься пользоваться FastAPI библиотекой. В этот раз ты научишься обрабатывать различные HTTP-запросы: get, post, put, delete. 👀Смотреть видео #видео

⚡ Совет на 2025 год — не трать деньги на дорогие IT-курсы! Обучение стоит дорого, но в Telegram слили топовый контент по программированию: курсы, статьи, видео и гайды — всё бесплатно: 👩‍💻 JavaScript 👩‍💻 React 👩‍💻 Python 👩‍💻 Docker 👩‍💻 Java 🖼️ Spring 👩‍💻 C# 👩‍💻 Game Dev 👩‍💻 С/С++ 👩‍💻 DevOps 👣 GoLang 🖼️ Redis 👩‍💻 Kotlin 👩‍💻 Mob Dev 🖼️ PHP 🖥 SQL 🖼️ Swift 👩‍💻 Kubernetes Не плати за то, что можно получить бесплатно — подписывайся и учись👆

numpy.where Функция numpy.where используется для поиска элементов в массиве, которые соответствуют определённому условию. Она возвращает индексы этих элементов или позволяет заменять их на другие значения. Благодаря данной статье ты узнаешь, как пользоваться numpy.where. 👉Читать статью #статьи

#юмор

Ridge и Lasso Иногда простая линейная регрессия начинает чудить: переобучается, даёт нестабильные коэффициенты, особенно если в данных много признаков или они между собой похожи. Это называется мультиколлинеарность, и лечится оно регуляризацией — техникой, которая добавляет “штраф” за слишком сложную модель. В линейной регрессии это реализуется через Ridge (L2-регуляризация) и Lasso (L1-регуляризация). Ridge-регрессия добавляет к ошибке сумму квадратов коэффициентов. В результате модель получает штраф за то, что “раздувает” веса. Чем больше alpha, тем сильнее сжимаются веса. Маленькое значение — почти обычная линейная регрессия, большое — всё приближается к нулям. Lasso-регрессия штрафует за модули коэффициентов. То есть она не просто сжимает веса, а может вообще сделать некоторые из них равными нулю. Это превращает Lasso в инструмент для отбора признаков: она как бы говорит «этот признак не важен — выкину его сам». #практика

MongoDB: Обновление и удаление данных Делимся циклом видео, благодаря которому ты научишься пользоваться MongoDB. В этот раз автор рассказывает, как обновлять, удалять, а также заменять один объект другим. 👀Смотреть видео #видео

⌨️ А ты знаешь, что сейчас ИТ-компаниям не нужны джуниоры? Большинство выпускников российских вузов мечтают начать работу в ИТ в качестве джуна. Но им трудно попасть в хорошие ИТ-компании, потому что их квалификации не хватает. Даже умным ребятам требуется несколько лет, чтобы научиться по-настоящему хорошо программировать. ✅ Есть вуз, где крепкими джуниорами становятся уже на втором курсе. Это Институт iSpring – ИТ-вуз нового типа, созданный глобальной ИТ-компанией iSpring. Учебная программа в Институте основана на лучших традициях инженерной школы и передовом опыте создания первоклассных продуктов для глобального ИТ-рынка. Преподаватели из ведущих ИТ-компаний! ⚡️ Фундаментальность и максимальное количество практики на парах позволит тебе работать над реальными проектами уже после первого курса Наши студенты за 4 года учёбы становятся настоящими профессионалами, которые самостоятельно могут создавать топовые ИТ-продукты. ❗️Хочешь узнать, как у нас всё организовано? Приходи на Погружение в программирование. Напишешь игру на JavaScript под руководством наставников-студентов нашего Института. У тебя всё получится, даже если ты ни разу не программировал. Решайся! ЗАПИСАТЬСЯ НА ПОГРУЖЕНИЕ Когда: 19-20 апреля Где: Йошкар-Ола, офис ИТ-компании iSpring Цена: 1980 ₽ Реклама АНО ВО «РУМТ» ИНН 1215144727 erid: 2SDnjcJ7zAQ

Temporal Fusion Transformer Temporal Fusion Transformer (TFT) — это мощная нейронная сеть для прогнозирования временных рядов, разработанная для обработки сложных данных с различными временными и статическими характеристиками. TFT сочетает в себе преимущества механизмов внимания (Attention) и рекуррентных сетей, чтобы извлекать значимые зависимости и взаимодействия в данных. Благодаря данной статье ты узнаешь о преимуществах TFT. 👉Читать статью #статьи

⚡️ Дождались! Ребята сделали крутейший канал про Python Здесь на простых картинках и понятном языке обучают этому языку, делятся полезными фишками и инструментами Подписывайтесь: @PythonPortal

list.pop list.pop() — это метод списка, который удаляет элемент по указанному индексу и возвращает его. Если индекс не указан, удаляется и возвращается последний элемент списка. Этот метод изменяет исходный список, уменьшая его длину. Если индекс выходит за границы списка, вызывается исключение IndexError. Чтобы избежать ошибки, можно проверять длину списка. #практика

FastAPI: Использование Pydantic Продолжаем делиться циклом видео, благодаря которому ты научишься пользоваться FastAPI библиотекой. В этот раз ты научишься работать с Pydantic и описывать типы данных. 👀Смотреть видео #видео

• infosec - это один из самых ламповых каналов по информационной безопасности, где говорят об истории ИТ, публикуют актуальные новости и пишут технический материал на разные темы: - Что из себя представляет официально взломанный iPhone от Apple? - Кому и для чего выдавалось разрешение на ношение сотового телефона? - Бесплатные курсы для ИБ специалистов на различные темы; - Бесплатный бот, который проверит файлы на предмет угроз более чем 70 антивирусами одновременно. • Присоединяйся, у нас интересно: @it_secur

Парсинг с помощью LLM Благодаря данной статье ты узнаешь, как современные LLM помогают автоматизировать сбор данных с веб-сайтов. В результате сводится к минимуму рутинная настройка и “подкручивание” парсеров. 👉Читать статью #статьи

Управление памятью В данной статье автор затрагивает вопрос управления памятью. Ты узнаешь, как Python управляет памятью, когда можно довериться автоматике, а когда стоит взять инструменты в свои руки. 👉Читать статью #статьи

🔒 8539 ГБ платных материалов для программистов выложили в Telegram Выбирай нужное и обучайся: 🖥 724 ГБ – Python 🖥 817 ГБ – Frontend 🖥 981 ГБ – Backend 👮‍♀ 644 ГБ – Хакинг и ИБ 🖥 5373 ГБ – Все направления IT Вход открыт ровно 48 часов 🕔

Pandas: Удаление дубликатов pandas.dropduplicates() — метод в библиотеке pandas, который используется для удаления дубликатов строк из DataFrame. С помощью duplicated ты можешь проверить, имеются ли дубликаты. #практика #pandas

Программисты из Яндекса создали крутейшие IT каналы 🔥

Наше кредо — программирование не сложно, просто никто не объяснял нормально.

🐍 Ghostly Python - Разбираем код, автоматизируем рутину, пишем ботов, скрипты и полезные утилиты. Все что нужно для уверенного старта в программировании на Python. ☕️ Easy Java - вскрываем Java изнутри. Все тонкости этого универсального языка в одном канале, врывайся! 😎 IT Syndicate - гигабайты свежего материала по всем направлениям. GameDev, InfoSec, Frontend - и это лишь малая часть..

#юмор

Что такое Brython? Часть 3 Brython — это интерпретатор Python, реализованный на языке JavaScript. Его основная цель — позволить разработчикам писать клиентскую логику веб-приложений на Python вместо JavaScript. Продолжаем делиться циклом статей, где автор рассказывает про Brython. 👉Читать статью #статьи

Что произошло в дата-центре Яндекса и какие выводы стоит сделать 30 марта в одном из дата-центров Яндекс Облака произошёл сбой, который привёл к продолжительной недоступности сервисов. В основе — авария на опорной подстанции, из-за которой сразу два ввода питания оказались недоступны. Это спровоцировало каскадный отказ инфраструктуры: вышло из строя не только оборудование, но и часть систем резервирования. 📌 Полный разбор опубликован на Хабре: https://habr.com/ru/companies/yandex/articles/897626/ Тут стоит обратить внимание на несколько важных аспектов: Даже продвинутая инфраструктура может упасть Технически дата-центр был подготовлен: два независимых ввода, резервное питание, дизель-генераторы, автоматическое переключение. Но по сути сработал маловероятный сценарий — один из тех, которые обычно пишут в документации как edge case, один на десять лет. Он всё же случился. Отказ питания вызвал цепную реакцию на нижнем уровне, повлияв и на виртуальные машины, и на сетевую инфраструктуру, и на системы хранения. По сути, вся зона доступности оказалась выведена из строя на несколько часов. Это важный момент: надёжность — это не только про архитектуру, но и про физику, электронику, термодинамику. Есть класс рисков, которые невозможно полностью устранить, даже если вы облачный провайдер. Как быстро встаёт инфраструктура — не менее важно, чем причина сбоя По темпам восстановления Yandex Cloud показал неплохой результат, но важно смотреть не только на скорость. Куда интереснее то, как команда шла по цепочке отказов и возвращала сервисы: какие приоритеты ставились, как диагностировали сбой, где принимали решение оставить систему выключенной, а где — перезапускать. На днях вышел пост-мортем — можно посмотреть, как команда разбирала инцидент и какие решения принимались по ходу. Такие разборы обычно полезны, чтобы сверить с тем, как реагировали бы у себя. Архитектура клиентов — критически важна По реакции компаний было видно: часть сервисов продолжала работать, часть — падала целиком. Это напрямую связано с тем, как распределена нагрузка и как построена архитектура. Если проект критичен к доступности, ресурсы не должны быть привязаны к одной зоне. Минимум — разнесение по AZ, лучше — по регионам или даже разным провайдерам. Репликация, автоматическое переключение, независимые цепочки доставки кода и данных. Всё это требует времени и ресурсов, но в момент сбоя становится единственным, что может спасти. 🛠 Что имеет смысл делать дальше (если вы — клиент облака) - провести аудит архитектуры: где ваши SPOFы и как быстро вы сможете восстановиться, если инфраструктура упадёт? - разнести критичные сервисы по зонам и регионам, даже если это требует переработки CI/CD. - проверить сценарии переключения в случае отказа: не на уровне документа, а практически. - сделать бэкапы вне текущего провайдера, без этого сложно говорить о реальной готовности. Инциденты такого масштаба — редкость, но именно они проверяют, насколько инфраструктура готова к реальному стрессу. В этот раз проверку проходили и облако, и его клиенты. У всех — свои выводы.