✏️ Вопрос с реального собеседования по Python

Как выполняется интерполяция строк?

Без импорта класса Template есть три способа интерполяции строк:

father = 'Boris'

# 1. f strings
print(f'Hello {father}')

# 2. % operator
print('Hey %s %s' % (father, father))

# 3. format
print(
 "My father name is {}".format((father))
)

#собес_academy

📌 Простая истина от наших подписчиков

Продолжаем раскрывать прошлую тему: что вы считаете наиболее важным для успешного старта в IT-сфере:

«Качественное образование в IT области. Об этом говорит личный опыт и опыт знакомых и друзей»

«Любой опыт. Пет-проекты, хакатоны, стажировки»

«Любить то, чем собираешься заниматься, не подходить к работе в IT просто как к способу заработать больше, кайфовать от своей работы»

«Наличие собственных проектов и фундаментальная подготовка — прочесть, понять, запомнить книгу по основному языку программированию»

Ответов набралось очень много и из каждого можно много чего подчерпнуть

#дайджест #PythonInternship

Подборка стажировок недели для Python разработчиков

▪️ Стажер-программист игровой логики (Intern Game Logic Programmer)
Офис (Санкт-Петербург), Lesta Games
Подробнее

▪️ Python разработчик скриптов и Telegram Bots
Удалёнка, Asphera Tech
Подробнее

▪️ Разработка Python
Офис (Москва), Kaspersky
Подробнее

▪️ Стажер (python developer)
Гибрид (Москва), Сбер для экспертов
Подробнее

▪️ Бэкенд разработка
Офис (Москва, Санкт-Петербург, Екатеринбург, Новосибирск, Нижний Новгород, Минск), Яндекс
Подробнее

Понравились предложения о стажировке?
❤️ — да
🤔 — нет

✏️ Разбор задачи с экзамена ШАД

Условие: Пусть 1️⃣. Найдите значение параметра a, для которого множество (k, l, m, n) будет линейно зависимым.

Подсказка: Используйте метод Гаусса.

Решение: Требование задачи равносильно вырожденности матрицы коэффициентов. Совершая над ней элементарные преобразования строк и столбцов, получим: 2️⃣ Последняя матрица вырожденна 3️⃣

Ответ: 37/13

#задачи_шад

Привет, друзья! 👋

Мы готовим статью о распространенных ошибках в карьере программиста и хотели бы услышать ваше мнение! Поделитесь своими мыслями и опытом, и самые полезные советы мы включим в нашу статью. Вот несколько вопросов для вас:

🤔 С какими ошибками в своей карьере программиста вы сталкивались? Как вы их преодолели?
📚 Какие советы вы бы дали начинающим разработчикам, чтобы избежать распространенных ловушек в программировании?
🖥 Что, по вашему мнению, важно учитывать при планировании своей карьеры в IT, чтобы минимизировать сожаления в будущем?

Спасибо за ваше участие! 🚀

✍️ Воскресный разбор задач

Сегодня разберём вопрос про зависимость смещения и дисперсии от параметра lambda в линейной регрессии с регуляризацией.

🔹Регуляризация — это способ добавить к модели дополнительное ограничение на вектор весов. Обычно для этого используются L1- и L2-нормы. Их смысл заключается в добавлении к формуле линейной регрессии регуляризационного члена, который состоит из суммы весов, умноженной на lambda — коэффициент регуляризации.

Нетрудно догадаться, что lambda довольно сильно влияет на качество итогового решения. Если этот параметр, например, равен 1, то мы не прибавляем к формуле ничего кроме суммы весов, а если он равен 10, то прибавка, соответственно, становится десятикратной суммой весов.

👀 А теперь, держа это знание в голове, подумаем: что будет со смещением и дисперсией, когда мы увеличиваем lambda?

Напомним, смещение — это матожидание разности между истинным значением и тем, что было выдано моделью. Дисперсия — это разброс ответов модели, то есть мера того, насколько эти ответы варьируются в зависимости от данных.

Если мы прибавляем к ответу модели сумму весов, да ещё и умноженную на 10, то матожидание между этим ответом и истинным значением, конечно, станет больше. То есть смещение увеличится. Но при этом модель будет, вероятно, лучше обобщать данные, и её дисперсия уменьшится. Поэтому стоит помнить, что что слишком большое значение lambda может привести к тому, что модель начнёт недообучаться.

#разбор_задач