Пользователь
Не так давно в блоге ЛАНИТ на Хабре мы представили вашему вниманию часть нашей методички по JavaScript. Сегодня же предлагаем ознакомиться с ещё одним блоком, который затрагивает самые базовые и необходимые понятия для тех, кто только начинает свой путь в мире JavaScript. Первую часть можно найти тут ― ну, чтобы всё слилось воедино. Продолжаем?
Эта статья написана в основном для системных администраторов Java-приложений (DevOps-инженеров, SRE и других производных специализаций). Вероятнее всего, Java-разработчики уже все это прекрасно знают. Хотя Junior Java-разработчикам эта информация может помочь систематизировать знания.
Статья не претендует на полноту или полную непогрешимость. Во-первых, нельзя объять необъятное. Во-вторых, все меняется и проверенные истины могут перестать быть истинами в новых версиях. В сети существует множество статей об устройствах Java, однако в этой статье в блоге ЛАНИТ я стремился сделать выжимку основных моментов, необходимых для администраторов Java-приложений. Для более глубокого погружения в тот или иной вопрос потребуется обратиться к другим источникам.
Признайтесь, что каждому иногда хочется провести выходные за ничегонеделанием. Особенно это желание увеличивается под конец года. Да и зимой лениться хочется чуть больше обычного. Ну а чтобы это делать было ещё приятнее, мы решили собрать для читателей блога ЛАНИТ подборку новых сериалов, посвящённых технологическим стартапам и компаниям.
Хочу поделиться в блоге ЛАНИТ впечатлениями о книге нейробиолога, профессора Стенфордского университета Дэвида Иглмена «Живой мозг. Удивительные факты о нейропластичности и возможностях мозга» (Москва, «Манн, Иванов и Фербер», 2022). Книга читается легко, она не содержит «страшных» медицинских терминов, которые могли бы отпугнуть читателя, и в то же время достаточно убедительно разъясняет природу мышления и причину довольно сложных случаев отклонений от нормального развития мозга.
Всегда испытывала легкую зависть к тем людям, кто с детства точно знает, кем он хочет стать. А уж что говорить про тех, кто, несмотря ни на что, добился своей цели и нашел себя в своей профессиональной деятельности. Как вы могли догадаться, я к таким не отношусь. Точнее, не относилась. Сегодня вы узнаете о превращении грустного контрактного управляющего в довольного бизнес-аналитика, работающего в ЛАНИТ.
Этот комикс – видение DevOps-команды «Онланты» Иллюстрированного детского путеводителя по Kubernetes от Cloud Native. На примере маленького приложения Фиппи разбираемся, что такое Kubernetes и в чем особенности этой технологии.
Встречайте новую главную героиню и внимательно следите за ее путешествием!
Про последствия пандемии для ИТ-компаний как-то не принято говорить. Считается, что среди других бизнесов именно программная разработка была лучше всего подготовлена к разобщению мира, закрытым границам и массовому выносу стульев, мониторов и ноутбуков для надомного труда. И первое время, пока вирус косил один бизнес за другим, казалось, что ИТ-сфера справляется с современными вызовами лучше всех. Спрос на программную разработку вырос, но вместе с ним обострилась проблема нехватки кадров, стали разогреваться зарплаты разработчиков, а удаленка постепенно утратила свой шарм. Пандемия сильнее ударила по ИТ, чем кажется. Мы попросили представителей индустрии рассказать о ключевых трендах двух пандемийных лет: что хорошего и плохого появилось в ИТ-индустрии из-за пандемии и могут ли стать произошедшие изменения необратимыми.
В 2022 году удаленная работа кажется настолько обыденной, что не вызывает никакого удивления. Но в начале 2020 года об удаленке многие, в том числе и авторы статьи, только мечтали (давно и много). Переход к такому формату оказался менее радужным, чем наши мечты. Выяснилось, что коммуникация по проекту с коллегами на удаленке может превратиться в квест, особенно если коллеги слишком увлечены домашними делами.
В блоге ЛАНИТ мы хотим поделиться своими наблюдениями и представляем ТОП-10 антилайфхаков удаленки. Итак, вот что точно не стоить делать, работая дистанционно.
Всем известный закон Мёрфи гласит: «Если что-то плохое может случиться, то оно обязательно произойдет». Согласитесь, не самая позитивная установка, особенно когда это касается работы. И тут мне стало любопытно, а есть ли такие законы, которые мне, как ИТ-специалисту, максимально помогут избежать «чего-то плохого». К своему удивлению, я их нашел, и даже не один. Потому делюсь с вами сегодня своими сакральными знаниями в блоге ЛАНИТ.
Поводом для написания этой статьи послужил случай, когда сотрудники нашего HR-отдела предложили мне взять в нашу проектную группу Департамента разработки программного обеспечения ЛАНИТ на производственную практику выпускника одного из московских техникумов. Кандидат обучался четвертый год по специальности «Прикладная информатика» и, судя по резюме, претендовал на должность «стажера-разработчика SQL, С#, HTML, CSS». Он уже прошел предварительные собеседования и, по словам наших кадровиков, показал себя наиболее адекватным из 15 других претендентов. Поскольку у меня это был не первый случай руководства практикой у студентов и предыдущие прецеденты имели положительный результат, я согласился.
В нашей предыдущей статье мы уже писали о том, как программы стажировок в ЛАНИТ помогают в поиске бизнес-аналитиков в сфере автоматизации. Публикация вызвала живой отклик у наших читателей, и в частности, нас попросили рассказать, о том, кто такой “настоящий бизнес-аналитик” и какие качества необходимы, для того, чтобы работать в ИТ-сфере. Остановимся на этом подробнее.
Математика и компьютерные науки всегда воспринимаются как неотъемлемые составляющие Data Science, поскольку предлагают методы и средства для анализа данных, математического моделирования и построения интеллектуальных систем. Без них Data Science, очевидно, не может существовать. А отношение к отраслевой экспертизе не такое однозначное. Часто она изучается в последнюю очередь, особенно после неудачных попыток построить модель.
Мой опыт работы с Data Science в компании Datana сформировал понимание важных принципов разработки интеллектуальных решений для отрасли черной металлургии. Я расскажу о том, почему задачи Data Science в черной металлургии не решаются в стиле Kaggle, насколько важное значение имеет экспертиза в предметной области и о вызовах, с которыми приходится сталкиваться в жизненном цикле Data Science.
Команда Mail.ru Cloud Solutions перевела полное пошаговое руководство для создания образа Docker (GPU или CPU) вместе с объяснением всех передовых методов, которые следует использовать для обслуживания любого программного обеспечения на основе машинного обучения. Далее текст от лица автора.
Обычно создание Docker-образа считается простой задачей по сравнению с разработкой других компонентов системы машинного обучения, таких как конвейер данных, обучение модели, обслуживающая инфраструктура и т. д. Но неэффективный и громоздкий Docker-образ способен сильно понизить производительность или даже положить инфраструктуру.
Эта статья посвящена сборке идеального образа, а не рассмотрению его достоинств или применяемых в образе концепций. Я исхожу из того, что у вас есть базовые знания:
Анализ тональности — это метод обработки естественного языка (NLP), используемый для определения того, являются ли данные(текст) положительными, отрицательными или нейтральными.
Анализ тональности имеет фундаментальное значение, поскольку помогает понять эмоциональные оттенки языка. Это, в свою очередь, помогает автоматически сортировать мнения, стоящие за отзывами, обсуждениями в социальных сетях, комментариями и т. д.
Хотя сентиментальный анализ стал чрезвычайно популярным в последнее время, работы над ним продолжаются с начала 2000-х годов. Традиционные методы машинного обучения, такие как наивный байесовский метод, логистическая регрессия и машины опорных векторов (SVM), широко используются для больших объемов, поскольку они хорошо масштабируются. На практике доказано, что методы глубокого обучения (DL) обеспечивают лучшую точность для различных задач NLP, включая анализ тональности; однако они, как правило, медленнее и дороже в обучении и использовании.
Детектирование аномалий — интересная задача машинного обучения. Не существует какого-то определенного способа ее решения, так как каждый набор данных имеет свои особенности. Но в то же время есть несколько подходов, которые помогают добиться успеха. Я хочу рассказать про один из таких подходов — автоенкодеры.
