Предыстория этого гайда: для тестирования версии нашего с партнерами ПО под Линукс необходимо было организовать много стендов с разнообразными дистрибутивами (преимущественно отечественными).

Самым простым способом, как мне показалось, являлась аренда виртуалок на облачном сервисе Яндекс Облако, так как там большое количество отечественных образов и все запускается «в пару кликов». За кажущейся простотой скрывалась проблема, с которой ко мне пришли партнеры: «Мы создали виртуалки в облаке, а как туда теперь войти в графическом режиме, как мы это делаем в VMWare/VirtualBox?».

Казалось бы, решение проблемы не так сложно гуглится, но единой консолидированной информации про все интересующие дистрибутивы я не нашел, поэтому собрал этот гайд для себя, партнеров, и... решил поделиться с сообществом, вдруг кому-то еще пригодится.

Навеяно статьёй с тем же названием:

Вначале разберем сам вопрос: Что такое «можно сказать»? Кто это может сказать? Какая информация доступна оценивающему? Вариантов как минимум три, для которых хотя бы эти аспекты относительно известны. Первый — сам человек, второй — его ближнее окружение, включая работодателя (каковой может потянуть на отдельный пункт), третий — совершенно посторонний человек. И из этих вариантов ни один не является достаточно простым, чтобы сжать ответ на этот вопрос в один абзац.

Первый вариант — «я сам»

Вопрос в этом варианте звучит так: «Когда я смог сказать, что стал программистом?».

В этой статье, а вернее целой истории, я хотел бы поделиться своим путем становления в качестве разработчика на Python и рассказать о некоторых идеях и советах, которые я усвоил за это время. Начиная с моих первых проектов и заканчивая моей текущей деятельностью, я поделюсь накопленным опытом и попробую осветить проблемы, с которыми я столкнулся на своем пути. Кого-то данная статься вдохновит начать свой собственный путь в разработке, а кому-то будет интересно прочитать историю успешного кейса входа и закрепления в ИТ.

Привет! На связи команда геоинформационных систем «Магнита». Мы начинаем серию очерков о модели прогнозирования продаж в новых магазинах. В первой статье расскажем про один из наиболее значимых признаков модели — балле Хаффа. Мы постараемся описать теоретическую сторону и покажем реальные примеры решения возникающих сложностей. Надеемся, эта статья предоставит ценные идеи и информацию для ваших задач, будь вы опытный специалист или новичок. Итак, приступим!  

Привет! Меня зовут Дима Вагин, я бэкенд-инженер в Авито. Сегодня расскажу, как мы работаем с БД PostgreSQL из Go. Покажу, какие библиотеки и пулеры соединений мы используем для доставки в код параметров подключения и как мы их настраиваем. А ещё расскажу про проблемы, к которым приводит отмена контекста, и о том, как мы с ними справляемся.

Сегодня хочу просто и доходчиво рассказать про одну из базовых структур данных, которая может быть полезной при реализации алгоритмов различной сложности, в том числе при решении задачек на собеседованиях.

«Разработка по Agile» не предполагает точных сроков реализации функциональности, но каждому владельцу продукта прилетает в неделю сотни «А когда будет готово...?». Даже когда продукт находится на этапе погружения команды в бизнес‑контекст и не завершены исследования, требуется определить сроки выхода MVP, ведь продукт или фича нужны «вчера» и важность стратегического планирования на квартал или год никто не отменял. Рассмотрим ситуацию, когда продукт не находится на ПРОДе и нет точного состава MVP.

Цель статьи — рассказать об оценке бэклога в полной неопределенности.

Прежде, чем выдвигать гипотезы по срокам, важно сделать ряд «приседаний» с командой после дискавери‑фазы: это декомпозировать продукт на фичи, определить MVP, составить USM и только потом с видением продукта приходить к архитекторам и команде, чтобы обсудить не просто оценки, а реализацию и зависимости. Здесь сталкиваемся с рядом проблем задач, например, если команда оценивает бэклог в SP, что невозможно и не правильно переводить в человеко‑дни, а положить SP на календарный график и диаграмму Ганта нереально (подробнее о SP туточки) или есть зависимости от фичей смежных команд и сроки их реализации еще неизвестны, или архитектура еще не готова и остается только выдвигать гипотезы, как будет реализовано. Вот здесь начинается интересный квест.

Владелец продукта вместе с командой разработки могут выбрать такой вариант: оценить риски, заложить время на дополнительные исследования и еще что‑нибудь — в таком случае мы окажемся с MVP через год‑два, что не подойдет никому. И ведь одной из важных задач продакта — это урезать функциональность на MVP по всем канонам и сделать быстро/дешево. В связи с этим рассмотрим шаги для проведения первичной оценки, когда есть понимание функциональности, но еще не проведен подробный бизнес‑анализ. Забегая вперед, это не «красная таблетка» и эти шаги не спасут от возможных изменений состава MVP, переприоритезации или влетающих новых важных задач. Ниже описанные шаги дают вектор движения и помогают сформировать ответ на вопрос «Когда?», не скатываясь в Waterfall.

Я вот именно тот, иногда ненавистный работодатель, в сфере ИТ. У нас компания разработчиков ~25 человек, кто-то уехал в Европу после начала СВО, но весь костяк команды в Питере. Мне 49, а ребятам в массе своей до 25 — студенты, учатся (магистратура, бакалавриат). Расскажу свой свежий опыт найма, а уж там дальше выводы делайте сами… Пишу по итогу справедливых опасений "взрослею и боюсь что будет дальше, найду ли работу?".

Применение искусственного интеллекта и машинного обучения в задачах промышленности не настолько распространено, как в других сферах и отраслях экономики вроде банкинга, ритейла, телекома. При этом современные промышленные объекты часто генерируют и собирают большое количество данных, а методы машинного обучения обеспечивают эффективное использование этих данных для решения различных устоявшихся типовых задач: выявления неисправностей и отказов, прогноз качества продукции, определения остаточного срока службы оборудования и многих других.

Как раз про решение одной из типовых задач - задачи определения остаточного ресурса я и рассказывал на конференции https://datastart.ru в ноябре 2022 года, а также на митапе ИИшницы “ИИ в индустрии”, откуда даже сохранилось видео. В этом посте я соберу, структурирую и немного дополню информацию из докладов.

Занимаетесь две минуты. Проверяете Instagram. Занимаетесь две минуты. Смотрите телевизор. Занимаетесь две минуты. Проверяете электронную почту. Занимаетесь еще две минуты. Зависаете в TikTok на неопределенное время...

Если это напоминает вашу типичную учебу, вы в этом не одиноки, но вам нужна помощь с мотивацией, особенно если скоро экзамен. Возможно, посещение этого сайта - очередная форма откладывания учебы. Если это так, то, по крайней мере, вы на правильном пути.

Не все способы мотивации к учебе подходят всем, но есть те, которые подойдут именно вам. Мы составили список идей мотивации, которые вы можете попробовать, если вам необходимо взять себя в руки и добиться результата.

Просмотрите приведенные ниже способы мотивации и попробуйте воспользоваться несколькими из них. Некоторые хорошо работают по отдельности, некоторые - в сочетании друг с другом, некоторые могут подойти вам сегодня, но не подойти завтра. В любом случае, это хороший способ отдохнуть от занятий, и, возможно, вы найдете то, что действительно поможет вам в учебе.

В предыдущих статьях мы рассмотрели и реализовали лексический и синтаксический анализаторы, а так же реализовали семантический анализ для нашего учебного языка, что дало нам основу. В данной статье мы продолжим начатое и реализуем генерацию кода для LLVM IR.

Почему буквы на клавиатуре расположены в определённом порядке и какой порядок букв позволяет печатать быстрее всего

Переписали виртуальную машину на новый DSL

И теперь ее гораздо проще менять, оптимизировать и проводить эксперименты.

В качестве примера, можно посмотреть на попытку добавления register-based интерпретатора. Другой пример, что часто два опкода идут вместе и выполняются последовательно большую часть времени. Например, LOAD_CONST и RETURN_VALUE. Для оптимизации, можно добавить новый опкод этой операции. Вместо двух действий он будет выполнять одно. На частых задачах получится неплохая прибавка к производительности. 

Еще один пример: опкод CALL_FUNCTION. Сам по себе довольно медленный. У него есть целая семья оптимизаций, например специализация CALL_FUNCTION_ISINSTANCE, когда мы выкидываем промежуточный слой и сразу вызываем C-реализацию isinstance. Минус в том, что Python богатый и динамически типизированный язык. В runtime может что-то поменяться и мы получим замедление — придется сваливаться обратно на общий путь опкода CALL_FUNCTION.

Меня зовут Александр Никитин, руководитель направления цифровых двойников UMNO.digital (ГК НефтеТрансСервис). С 2018 года я специализируюсь на разработке цифровых двойников для промышленных предприятий, и за это время реализовал проекты на 10+ предприятиях, в т.ч. обогатительной фабрики, угольного карьера, портового терминала, вагоноремонтного предприятия, цеха подготовки ковшей на сталеплавильном комбинате и т. п.

Несмотря на то, что в передовых западных компаниях цифровые двойники используются повсеместно, в России эта технология еще только набирает популярность. Многие клиенты еще не знают, что такое цифровые двойники, или имеют ошибочное представление о том, что это такое, и как это использовать для максимизации эффективности своих компаний.

Сейчас все чаще и чаще во всех точках мира встретишь семьи с детьми, которые кочуют из страны в страну по несколько раз в году. У нас есть живой кейс семьи с тремя детьми, которая полгода живет в Сингапуре, а полгода в Майами. И что делать их детям, которые вынуждены или менять школы, или все время учиться онлайн. Для этой семьи формат blended learning стал просто открытием. Дети при таком формате могут всегда учиться в одной и той же школе, с теми же учителями и одноклассниками, заводить дружбу и сохранять социализацию.

А поскольку Le Sallay — это три школы, одна из которых базируется в Америке, для семей, которым территориально ближе учиться в этой стране или тех, кто сейчас ориентирован на переезд в США. Поэтому мы решили рассказать о том, как устроены школы в США, как понять, какая школа вам нужна и как поступить туда, куда вы стремитесь. Прежде чем обратиться к насущным вопросам — куда и как поступать — давайте разберемся, как устроена система школьного образования в Америке.

В США дети идут в школу с трех лет, но официальное государственное образование начинается с kindergarten — это пред‑первый (или подготовительный) класс.

Дальше три уровня: с 1-го по 5-й (иногда по 6-й) класс — elementary school, с 7-го по 8-й класс — middle school (но частные школы иногда эти классы тоже называют high school), и третья ступень с 9-го по 12-й класс — собственно high school. Мы остановимся именно на этой — третьей — ступени.

С помощью обработки данных с уличных камер проанализируем характеристики движения пешеходов. Посмотрим как на их поведение влияет качество работы коммунальных служб. Узнаем насколько сильно замедляет передвижение гололед, и как много шагов нужно, чтобы это выяснить.

Вы ставите задачи, но их не делают. Или делают, но не так. Или так, но слишком долго. Обычный день обычного тимлида или руководителя.

Почему так происходит? Потому что с вами люди, а люди все разные. Ничего удивительного. Менеджмент находится на пересечении науки и искусства. И все это именно из‑за наличия здесь людей. Нельзя просто взять какой‑то готовый инструмент и просто им пользоваться. Приходится креативить, адаптировать под своих сотрудников.

И тоже самое с задачами. Кому‑то надо их ставить просто и четко, кому‑то абстрактно, кому‑то надо разжевывать все, кому‑то достаточно задать вектор. Нужно учитывать индивидуальные особенности человека, и тогда получится заставить его работать.

Как именно — приглашаю почитать.

Машина по продаже IT‑курсов исправно работает не первый год. Каждое рекламное объявление даёт классную перспективу: стань разработчиком за 6 месяцев, аналитиком за 8 или вовсе тестировщиком за 3. Плати деньги — и вопрос с учёбой и трудоустройством решён.

В реальности существует огромная пропасть между продающими обещаниями и реальным результатом. Можно спустить миллионы рублей на десятки курсов и в результате всё равно ничего не понимать. Как обойти эту ловушку, чтобы выбрать и пройти курс с максимальной пользой мы обсудили с Python‑разработчиком Николаем Свиридовым.