Если не умеешь зарабатывать на фьючерсах, то эта группа каждый день поднимает
со 100$ = 500$ 🔥

Королев ведет свой канал с 23 года и я лично уважаю его как трейдера.

✅ Это не реклама, делюсь с вами тем, в ком уверен - https://t.iss.one/+KOPP5yR8fjdjZDAy

#реклама

📟 Прилетело из @hidden_coding

In my restless dreams I see that code... You promised you'd refactored it but you never did... А иногда прямо хочется вернуться в те славные дни в стиле "гусарский кодинг", когда всё было легко и просто.

    module Searching
      # Some black magic indeed...
      # Creates a Search child class of a given class that changes the URI where the
      # GET request should be sent
      def self.included(klass)
        klass.const_set(:Search,
                        Class.new(klass) do |*_args|
                          def api_path
                            "#{super}/search"
                          end
                        end)

        # The actual method to perform searching
        # Instantiates a Search class with the given search params
        # and send a GET request to the proper URI (defined above)
        klass.define_singleton_method :search do |params|
          klass.const_get(:Search).new(params)
        end
      end
    end

Захотел - да и объявил константу класса на лету при включении модуля, а то и метод класса заодно, который на лету что-то читает. А чего - один раз ведь живём!

Сейчас, конечно, тоже не сильно сложно, но не так весело. Метапрограммирование всегда добавляло перчинку в скучную жизнь. Как говорил Джек Воробей - мир остался прежним, стало меньше содержимого (да, я уже помню, что *капитан* Джек Воробей, можно не поправлять 👍) https://github.com/bodrovis/ChgkRating/blob/master/lib/chgk_rating/concerns/searching.rb

📟 Прилетело из @dev_in_ruby_colors

Алгоритм. Бинарный поиск

Идем дальше в нашем цикле постов про алгоритмы.

Рассмотрим эффективный алгоритм поиска, основанный на простой и элегантной идее — бинарный поиск. Чтобы понять его суть, представьте себе классическую игру, где требуется угадать число в диапазоне от 1 до 100. Неэффективный подход — перебирать числа по порядку: 1, 2, 3 и так далее. В худшем случае это потребует ста попыток. Гораздо более разумная стратегия заключается в том, чтобы каждый раз делить оставшийся диапазон пополам. Например, сначала спросить: «Число больше 50?». Получив ответ, вы сразу исключаете половину всех возможных чисел, затем повторяете эту процедуру с оставшимся интервалом. Именно этот принцип — последовательное деление области поиска пополам — и лежит в основе алгоритма бинарного поиска.

Крайне важным условием для его применения является предварительная сортировка данных. Алгоритм опирается на упорядоченность массива, чтобы делать корректные выводы о местоположении искомого элемента. Рассмотрим пошаговый процесс на примере отсортированного массива [11, 12, 22, 25, 34, 64, 90]. Предположим, нам нужно найти число 22.

На первом шаге определяются границы поиска: нижняя low (индекс 0), верхняя high (индекс 6). Вычисляется средний индекс: mid = (0 + 6) // 2 = 3. Элемент с индексом 3 равен 25. Поскольку 25 больше искомого значения 22, делается вывод, что элемент находится в левой половине массива. Таким образом, верхняя граница high смещается на позицию mid - 1, то есть на индекс 2.

Теперь область поиска сузилась до элементов с индексами от 0 до 2. Снова вычисляется середина: mid = (0 + 2) // 2 = 1. Элемент arr[1] равен 12. Так как 12 меньше 22, становится ясно, что цель находится в правой части текущего интервала. Нижняя граница low сдвигается: low = mid + 1 = 2.

На третьем шаге границы low и high совпадают (индекс 2). Средний элемент, arr[2], равен 22, что полностью соответствует искомому значению. Алгоритм завершается успешно, возвращая индекс 2.

Этот процесс можно представить в виде наглядной визуализации:

Исходный массив (7 элементов):
┌────┬────┬────┬────┬────┬────┬────┐
│ 11 │ 12 │ 22 │ 25 │ 34 │ 64 │ 90 │
└────┴────┴────┴────┴────┴────┴────┘
  0    1    2    3    4    5    6

Ищем: 22

Итерация 1: Проверяем середину (индекс 3 = значение 25)
┌────┬────┬────┬────┬────┬────┬────┐
│ 11 │ 12 │ 22 │[25]│ 34 │ 64 │ 90 │
└────┴────┴────┴────┴────┴────┴────┘
             ✗ 25 > 22, ищем левее

Итерация 2: Область поиска сузилась до [11, 12, 22]
                Проверяем индекс 1 = значение 12
┌────┬────┬────┐
│ 11 │[12]│ 22 │
└────┴────┴────┘
      ✗ 12 < 22, ищем правее

Итерация 3: Область поиска = [22]
                Проверяем индекс 2 = значение 22
┌────┐
│[22]│
└────┘
  ✓ Найдено!

Реализация данного алгоритма на языке Python выглядит следующим образом:

def binary_search(arr, target):
    """Бинарный поиск элемента в отсортированном списке."""
    low = 0              # Левая граница области поиска
    high = len(arr) - 1  # Правая граница области поиска
    
    while low <= high:   # Пока область поиска не пуста
        mid = (low + high) // 2  # Находим средний индекс
                                  # // - целочисленное деление
        
        if arr[mid] == target:   # Если нашли - возвращаем индекс
            return mid
        elif arr[mid] < target:  # Если середина меньше искомого
            low = mid + 1        # Ищем в правой половине
        else:                    # Если середина больше искомого
            high = mid - 1       # Ищем в левой половине
    
    return -1  # Если элемент не найден, возвращаем -1

На каждой итерации цикла вычисляется индекс середины текущего интервала. Затем значение этого элемента сравнивается с целевым. Если они равны, поиск завершается. Если средний элемент меньше искомого, нижняя граница смещается за середину, сужая поиск до правой половины. В противном случае, если средний элемент больше, поиск продолжается в левой половине. Цикл выполняется до тех пор, пока границы не пересекутся, что будет означать отсутствие элемента в массиве.

📟 Прилетело из @solidityset

Для закрепления рассмотрим несколько примеров. В первом случае элемент отсутствует в массиве:

sorted_data = [11, 12, 22, 25, 34, 64, 90]
target = 50
print(binary_search(sorted_data, target))  # Вывод: -1

Алгоритм выполнит следующие шаги: сначала проверит середину (25), затем, так как 25 меньше 50, перейдет к правой половине [34, 64, 90]. Проверив элемент 64, который больше 50, он перейдет к левой части этого подмассива, [34]. После сравнения 34 с 50 границы low и high пересекутся, и будет возвращено значение -1.

Поиск первого и последнего элементов также работает корректно:

sorted_data = [11, 12, 22, 25, 34, 64, 90]
target = 11
print(binary_search(sorted_data, target))  # Вывод: 0

target = 90
print(binary_search(sorted_data, target))  # Вывод: 6

Главное преимущество бинарного поиска — его исключительная эффективность. Сложность алгоритма оценивается как O(log n), что означает логарифмическую зависимость количества операций от размера данных. Это становится возможным благодаря тому, что на каждом шаге область поиска сокращается вдвое. Например, для массива из 100 элементов в худшем случае потребуется не более 7 проверок, для миллиона элементов — около 20. В сравнении с линейным поиском, который в худшем случае проверяет все элементы, выигрыш становится колоссальным, особенно на больших объемах данных.

Теперь обратимся к ключевому вопросу: почему бинарный поиск неприменим к неотсортированным данным? Вся логика алгоритма строится на предположении, что если элемент в середине меньше искомого, то все элементы слева от него тоже заведомо меньше. Это свойство гарантировано только в отсортированном массиве. В противном случае, отбросив какую-либо половину, мы можем случайно потерять искомый элемент. Проиллюстрируем это на примере массива [64, 11, 90, 22, 25, 12, 34]. При поиске числа 90 алгоритм, проверив середину (22), решит, что нужно искать справа, так как 22 меньше 90. Однако правая часть [25, 12, 34] не содержит 90, хотя само число 90 присутствует в исходном массиве слева от проверяемой середины. Таким образом, на несортированных данных бинарный поиск дает ненадежный результат.

Алгоритм можно реализовать не только итеративно, но и с помощью рекурсии, когда функция вызывает саму себя для суженной области поиска.

def binary_search_recursive(arr, target, low, high):
    """Рекурсивная версия бинарного поиска."""
    
    # Базовый случай: область поиска пуста
    if low > high:
        return -1
    
    # Находим середину
    mid = (low + high) // 2
    
    # Проверяем средний элемент
    if arr[mid] == target:
        return mid  # Нашли!
    elif arr[mid] < target:
        # Рекурсивно ищем в правой половине
        return binary_search_recursive(arr, target, mid + 1, high)
    else:
        # Рекурсивно ищем в левой половине
        return binary_search_recursive(arr, target, low, mid - 1)


# Использование:
sorted_data = [11, 12, 22, 25, 34, 64, 90]
target = 22
result = binary_search_recursive(sorted_data, target, 0, len(sorted_data) - 1)
print(result)  # Вывод: 2

Рекурсивная версия часто выглядит более лаконичной, но она использует память для стека вызовов, что может стать ограничением для очень больших массивов. Итеративный подход с циклом обычно более эффективен с точки зрения потребления памяти.

Интересно, что принцип бинарного поиска интуитивно используется людьми в повседневных задачах. Самый яркий пример — поиск слова в бумажном словаре. Мы открываем книгу примерно посередине, смотрим на букву, определяем, нужная ли она нам, и отбрасываем одну из половин. Этот процесс повторяется до нахождения нужной страницы. Точно так же мы действуем, ища дату в календаре или настраивая громкость. Все эти ситуации объединяет наличие упорядоченных данных и стратегия последовательного деления области поиска.

📟 Прилетело из @solidityset

Подводя итог, можно выделить ключевые характеристики бинарного поиска. Во-первых, он применим исключительно к отсортированным массивам. Во-вторых, его временная сложность O(log n) делает его чрезвычайно быстрым для больших наборов данных. В-третьих, принцип работы основан на постоянном уменьшении области поиска вдвое. Наконец, алгоритм возвращает индекс найденного элемента или специальное значение (например, -1), если элемент отсутствует. По сравнению с линейным поиском бинарный поиск демонстрирует подавляющее преимущество в скорости на крупных массивах, что делает его одним из фундаментальных алгоритмов в информатике.

#algorithm

📟 Прилетело из @solidityset

Пригласил(-а) Вас в Закрытый канал

https://t.iss.one/+KOPP5yR8fjdjZDAy

#реклама

📟 Прилетело из @hidden_coding

Whales market: премаркеты и агрегатор рынков предсказаний с токеном, упавшим на 99+%

Записал аудио-версию этого обзора.
Если удобнее слушать - она прикреплена, текст ниже.

Проект уникальный - раньше о нём много писали как о способе покупать и продавать токены до TGE (запуска токена).
Несмотря на обвал токена, продукт и команда всё ещё активны — именно поэтому было интересно разобрать проект.
Потому что иногда полезно разбирать проекты не на пике, а после падения ☺️.

Ниже — мой разбор проекта по стандартной для меня схеме: команда, концепт, коин, код и практика.

Статья:
Читать на Teletype, читать в Paragraph.

Общий итог

• Команда: 3 из 5: соцсети более-менее активные (хотя и сообщество слабо развито). На вопросы отвечают быстро, но не всегда полностью. Благо в Discord был ИИ-бот, который пояснил по пунктам (поэтому 3 из 5, а не 2 из 5). Модератор же не сразу признался, что код закрыт и команда анонимна.

• Концепт: 3 из 5: интересная и уникальная идея. Есть технические подробности и инструкции для пользователей. Но нет анализа спроса и конкурентов.

• Коин: 3 из 5: инвесторы неизвестны, как и сумма инвестиций. По токеномике в целом команде и инвесторам распределяют нормально (< 10%), но разлоки большие - > 2% в месяц на пике (когда разблокируются токены приватного сейла). Это создавало сильное давление на цену, особенно учитывая процент от market cap на тот момент.

Также неизвестно, насколько хорошо распределяются $WHALES на награды и маркетинг.

TGE был в январе-феврале 2024 - прошло 2 года. То есть сейчас остались разлоки лишь у команды и Incentives. На маркетинг почти всё разблокировано (судя по объёмам и ликвидности, эффективность его была мала).

Стейкинг есть для скидок, но этого недостаточно для спроса.

• Код: 2 из 5: код закрыт, но есть аудиты, и по их данным ошибки были исправлены или смягчены. Но важно понимать, что есть централизованное административное управление - это добавляет риски централизации. Поэтому не 3 из 5.

• Практика: 4 из 5: удобный интерфейс, понятный функционал. Есть развитие: создали Whales Prediction, где можно торговать и ставить на Polymarket и, возможно, других сервисах.
Но при попытке купить актив в пре-маркете на небольшую сумму комиссия оказалась >10%. Это неприятно удивило.
На больших объёмах, вероятно, ситуация лучше.
Есть авторизация по e-mail, x и Google помимо кошелька - это хорошо. Но с таким уровнем маркетинга проекту будет сложно расти даже при хорошем продукте.

Итог: 15 из 25 баллов. проект интересный, но восстановления токена вряд ли стоит ждать. Да и не факт, что выйдут на хороший уровень дохода, а без него когда-нибудь у команды закончатся средства = проект будет заброшен.

Читать на Teletype, читать в Paragraph.

А вам как этот проект? Давно пользовались для покупки токенов до запуска?
Считаете ли вы, что продукт может жить с мёртвым токеном?

#обзоры #whales_market

📟 Прилетело из @blind_dev

Мои "пять копеек" про нашумевший Clawdbot

Как многие из вас уже знают, в сети, а частности в Твиттере, уже несколько дней не утихают петь дифирамбы новому ИИ агенту под названием Clawdbot, который с позавчерашнего дня называется moltbot (смена названия произошла по просьбе / требованию / угрозах / шантажу Antropic). Всеобщее восхищение сопровождается такими же большими возгласами про безопасность бота и покупкой Apple Mac mini для его работы.

Я не буду рассказывать про то, что и так можно найти в каждом паблике посвященном ИИ, просто скажу несколько слов для тех, кто только хочет попробовать установить бота и начать им пользоваться.

В начале хочу сказать, что у меня есть некоторые предубеждения связанные с ИИ ботами и агентами, которые постоянно лезут в частную жизнь: устанавливаются в браузер, умеют управлять файлами и папками на компьютере, отвечают на почту и т.д. Я не могу точно сказать как обрабатывается эта информация на серверах ИИ, но точно не хочу, чтобы где-то светились мои пароли, API ключи и прочие данные. Поэтому, во-первых, я бы не рекомендовал устанавливать бота на свой личный / рабочий компьютер. Лучшим решением будет выделить отдельный блок (компьютер, планшет, мини-пк) для работы бота. Там не должно быть никаких ваших личных данных, которые вы не хотите чтобы попали в сети. VPS сервер также может подойти, если вы знаете как работать с ним и готовы платить за это.

Во-вторых, продолжая тему паранойи, я бы не рекомендовал выдавать рабочие API ключи и доступы к соцсетям, почте, github и т.д. Проще и безопаснее будет создать новые аккаунты для работы бота. Я так сделал, и теперь меньше переживаю за "слив" данных.

В-третьих, из-за больших проблем с промт-инъекциями есть большие проблемы с безопасностью бота. Уже были случаи, когда пользователи получали данные других пользователей с помощью этого. Как я понял, сейчас есть только рекомендации к защите, но как таковой защиты нет. Бот достаточно свежий и его фичи еще разрабатываются. Вполне вероятно, что вскоре кто-то выкатит хорошее решение для защиты от таких атак.

В-четвертых, лучше всего будет использовать свои локальные ИИ модели. Но так как у большинства из нас вряд ли хватит достаточно мощностей для поддержки более-менее хорошей модели ИИ, то крайне рекомендую сначала попробовать использовать OpenRouter и его бесплатные модели. Это будет медленнее, но финансово безопаснее. Я заметил, что даже простые сообщения в чате с ботом, как например "Привет, ты тут?" могут занимать около 13к токенов, так как сообщение включает и промт, и другие данные, которые передает бот в модель ИИ. Это может привести к быстрой растрате ваших активов, либо к огромным счетам.

В-пятых, не бегите покупать Apple Mac Mini. Бот прекрасно работает на системах Linux или даже в Windows WSL. Я использую для тестов планшет на Windows - Chuwi hi10 max - и все прекрасно работает. Принимайте решение о покупке, когда точно будете знать, что подобный агент понадобится вам в ежедневной работе.

В-шестых, в период хайпа пользователи делятся самыми банальными проектами, которые можно сделать с более безопасными агентами. Например, проверка и ответ на почту, составление графика встреч и управление календарем, напоминания, структура тренировок или диеты, трекер привычек и т.д. Ну это как купить rtx-4090 и играть в тетрис. Думаю, стоит немного подождать и посмотреть, что действительного крутого будут делать пользователи с этим ботом.

В итоге могу сказать, что бот действительно стоит внимания. Кажется, что этот 2026 году станет годом сложных агентских систем, которые будут управлять многими системами. И, конечно, если вы еще не работали с такими агентами, то самое время потихоньку учиться. Но делайте это правильно и безопасно.

Всем хорошего кода и безопасных систем!

#clawdbot #moltbot

📟 Прилетело из @solidityset

AI, ChatGPT, LLM, Cursor, Claude Code

Шумихи много, но что в итоге работает-то? Что реально ускоряет, а что не стоит пробовать.

Реальные истории реальных людей.

▪ПОКАЖИ МНЕ СВОЙ AI SETUP
▪#1 с @og_mishgun

🔗 youtu.be/yJuzI2u-AnM

Это запись стрима. Кого позвать следующим?

📟 Прилетело из @danokhlopkov