Библиотека задач по Python | тесты, код, задания

Какой из следующих операторов используется для создания пустого множества в Python? 👾 — ( ) 👍 — [ ] 🥰 — { } ⚡️ — set() Библиотека задач по Python

🔥 Знакомьтесь с экспертом Proglib.academy: Эмиль Сатаев Эмиль — эксперт с 8-летним опытом в разработке, который специализируется на внедрении LLM и агентных подходов в реальные коммерческие сервисы. Он точно знает, как проектировать архитектуру так, чтобы ИИ-функции работали стабильно в связке с внешними системами. 🏃‍♀️ Уже 14 мая Эмиль проведет открытый вебинар! Обсудим самую «больную» тему: «Почему AI-продукты на базе LLM ломаются и как сделать, чтобы работало». 🗓 Когда: 14 мая в 19:00 (Мск) Почему Эмиля стоит послушать: 🟣 8+ лет в разработке (Backend и Frontend)

Прошел путь от фулстека до Backend Platform Developer в SMIT.Studio.

🟣 Международный исследовательский опыт

Работал исследователем в Институте ИИ НИУ ВШЭ и в Национальном университете Сингапура (NUS).

🟣 Преподаватель-практик

Ведет семинары в НИУ ВШЭ, в том числе по проектированию и разработке агентских систем.

🟣 Мастер интеграции AI в Backend

Его главная суперсила — умение правильно встраивать LLM через API, выстраивать workflow и агентную логику в сложных распределенных системах.

🔗 Зарегистрироваться на вебинар

Что выведет код сверху? 👾 — 3 👍 — 9 🥰 — 18 ⚡️ — Error Библиотека задач по Python

Какие из этих баз данных по умолчанию не поддерживаются Django? 👾 — Postgres 👍 — Mysql 🥰 — Sqlite ⚡️ — Mongodb Библиотека задач по Python

🗓 14 мая в 19:00 (Мск) встречаемся в онлайне. Тема: Почему AI-продукты на базе LLM ломаются и как сделать, чтобы работало. В кружке выше Эмиль Сатаев рассказал, какие именно проблемы с LLM в проде будем разбирать. Что в программе:

- Разберем реальные кейсы стартапов и ограничения LLM. - Обсудим рабочие архитектуры: RAG, human-in-the-loop, контроль качества. - Ответим на ваши вопросы и разберем кейсы участников.

🎁 Бонусы: в конце вебинара подарим промокод на скидку 10.000 ₽ на курсы и разыграем подписки на полезные AI-сервисы. 👉 Зарегистрироваться на вебинар

Какой из следующих подходов наиболее корректен для реализации thread-safe и масштабируемого кэширования в приложении Flask, развернутом в нескольких экземплярах (например, в Docker-контейнерах с Gunicorn)? 👾 — Использовать flask.g для хранения кэшированных значений 👍 — Использовать functools.lru_cache в качестве декоратора для кэшируемых функций 🥰 — Использовать Redis в связке с Flask-Caching и настроить его как backend ⚡️ — Хранить кэш в глобальной переменной Python (global_cache = {}) и использовать mutex Библиотека задач по Python

Зачем нужен from __future__ import annotations? 👾 — Включает проверку типов в рантайме и кидает ошибки при несоответствии 👍 — Откладывает вычисление аннотаций (хранятся как строки), упрощая forward refs и циклические импорты 🥰 — Автоматически импортирует typing и делает аннотации обязательными ⚡️ — Превращает аннотации в комментарии и удаляет их из annotations Библиотека задач по Python

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

🦾 Почему ваши AI-продукты на базе LLM ломаются (и как это чинить)? Выкатили ИИ-фичу в прод, а она галлюцинирует, падает или выдает мусор? Приглашаем на открытый вебинар, где разберем реальную боль внедрения LLM-агентов и научимся делать так, чтобы «всё работало». 🗓 Когда: 14 мая в 19:00 МСК ⏱️ Формат: 60 минут мяса + 30 минут ответов на ваши вопросы 🧑🏻‍💻 Кто вещает: Эмиль Сатаев — Backend Platform Developer (8+ лет в разработке). Человек, который своими руками внедряет LLM и агентные системы в реальные коммерческие сервисы. 🎁 Главный бонус для онлайна: Только участникам прямого эфира подарим уникальный промокод на скидку 10.000 ₽ на большой курс AgentOps. 👉 Занять место на вебинаре

👾 Объясните, как в Python осуществляется управление памятью В Python объекты и структуры данных data structures находятся в закрытой динамически выделяемой области private heap, которая управляется менеджером памяти Python. Он делегирует часть работы программам распределения ресурсов allocators, закрепленным за конкретными объектами, и одновременно с этим следит, чтобы они не выходили за пределы динамически выделяемой области. По факту данной областью управляет интерпретатор interpreter. Пользователь никак не контролирует данный процесс, даже когда манипулирует ссылками объектов на блоки памяти внутри динамической области. Менеджер памяти Python распределяет пространство динамической области среди объектов и другие внутренние буферы по требованию. Библиотека задач по Python

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

Нужно задать таймаут для блока асинхронных операций так, чтобы по истечении времени корректно произошло отмена вложенных await’ов и наверху ловился TimeoutError без «проглатывания» отмен. Что выбрать? 👾 — await asyncio.wait_for(coro, timeout=5) 👍 — async with asyncio.timeout(5): ... 🥰 — signal.alarm(5) в том же потоке ⚡️ — Оборачивать всё в собственный try/except CancelledError Библиотека задач по Python

Что выведет код сверху? 👾 — 24 👍 — 1 🥰 — 0 ⚡️ — 120 Библиотека задач по Python

Что такое dict comprehension? Dict comprehension — это способ конструирования словарей в одну строку, аналогичный list comprehension. Синтаксис dict comprehension: {ключ: значение for элемент in итерируемый_объект if условие} Основные преимущества dict comprehension: — Краткость и читабельность по сравнению с обычным циклом. — Более высокая производительность за счет оптимизации. — Удобство создания словарей «на лету» по данным. Dict comprehension используется для: — Преобразования данных из одного вида в другой. — Создания словарей на основе списков или других итерируемых объектов. — Фильтрации и обработки данных в процессе создания словаря. Библиотека задач по Python

Сервис создаёт миллионы однотипных небольших объектов (несколько фиксированных полей). Память растёт, GC давит. Что изменить в моделях, чтобы существенно снизить footprint и ускорить доступ к атрибутам? 👾 — Отключить GC через gc.disable() 👍 — Хранить данные в dict вместо объектов 🥰 — Использовать slots или @dataclass(slots=True) для моделей ⚡️ — Увеличить sys.setrecursionlimit() Библиотека задач по Python

Что выведет этот код? 👾 — [[[]]] 🥰 — [[[...]]] ⚡️ — Error Библиотека задач по Python

Что выведет код сверху? 👾 — 16 👍 — 6010.0 🥰 — 6 0 10.0 ⚡️ — Error Библиотека задач по Python

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