🔥 Вы ещё можете застать старый добрый Proglib — с вечным доступом к курсам.
С 1 августа всё меняется: навсегда — останутся только те, кто успел купить сейчас.
-40% на все курсы. Включая обновлённый Python (кроме курса по AI-агентам)
Это не просто распродажа. Это — последняя точка входа в Proglib Academy по старым правилам.
📚 Выбрать и забрать свой курс навсегда → https://clc.to/TBtqYA
С 1 августа всё меняется: навсегда — останутся только те, кто успел купить сейчас.
-40% на все курсы. Включая обновлённый Python (кроме курса по AI-агентам)
Это не просто распродажа. Это — последняя точка входа в Proglib Academy по старым правилам.
📚 Выбрать и забрать свой курс навсегда → https://clc.to/TBtqYA
Частый вопрос от новичков: «Чем вообще отличается Vite от Webpack и зачем всё это нужно?»
— Чем Vite ускоряет разработку в разы (и где подводные камни);
— Почему Webpack до сих пор топ для enterprise-проектов;
— Как настроить оба сборщика — пошагово, с примерами кода;
— Какую систему выбрать для своего pet-проекта, а какую — для продакшена.
Proglib Academy #буст
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1
Please open Telegram to view this post
VIEW IN TELEGRAM
🙏2
⚡️ Мы запускаем онлайн-курс по машинному обучению для Data Science.
Хочешь войти в Data Science, но не знаешь, с чего начать?
А может, ты уже в теме, но чувствуешь, что знаний не хватает?
Старт курса — 12 августа, и это отличный шанс пройти весь путь — от теории до уверенного применения.
Что внутри:
— от линейных моделей и градиентного спуска до бустинга и рекомендательных систем
— реальные примеры, практика, задачи и живая менторская поддержка
— всё, что нужно, чтобы не просто разобраться, а применять ML в реальных проектах
Ведет курс Мария Жарова:
ML-инженер в Wildberries, преподаватель МФТИ, ТГУ и МИФИ, практик и автор канала @data_easy
🎁 По промокодуEarlybird — скидка 10.000 рублей, только до 27 июля.
Для первых 10 студентов мы подготовили эксклюзивный лонгрид по теме курса, который позволит начать учиться уже сейчас.
👉 Записаться на курс
Хочешь войти в Data Science, но не знаешь, с чего начать?
А может, ты уже в теме, но чувствуешь, что знаний не хватает?
Старт курса — 12 августа, и это отличный шанс пройти весь путь — от теории до уверенного применения.
Что внутри:
— от линейных моделей и градиентного спуска до бустинга и рекомендательных систем
— реальные примеры, практика, задачи и живая менторская поддержка
— всё, что нужно, чтобы не просто разобраться, а применять ML в реальных проектах
Ведет курс Мария Жарова:
ML-инженер в Wildberries, преподаватель МФТИ, ТГУ и МИФИ, практик и автор канала @data_easy
🎁 По промокоду
Для первых 10 студентов мы подготовили эксклюзивный лонгрид по теме курса, который позволит начать учиться уже сейчас.
👉 Записаться на курс
❤1🔥1
Когда-нибудь, и "Курьер на метро" станет новой профессией на фрилансе
☕️ Что думаете о таких работягах?
⏩ Ссылка на новость
Proglib Academy #междусобойчик
Proglib Academy #междусобойчик
Please open Telegram to view this post
VIEW IN TELEGRAM
👍2
This media is not supported in your browser
VIEW IN TELEGRAM
🚀 How to: как настроить Gradient Boosting
Не выбирайте слишком много гиперпараметров. Достаточно этих пяти:
✔️ learning rate, глубина деревьев, количество деревьев, subsample ratio, L1/L2-регуляризация.
Учитывайте взаимосвязь параметров:
✔️ Меньший learning rate → нужно больше деревьев.
✔️ Глубокие деревья → нужен меньший learning rate.
Как настраивать:
✔️ Фиксируем 500–1000 деревьев.
✔️ Тюним learning rate, глубину и другие параметры.
✔️ Используем раннюю остановку (15–20 итераций без улучшений).
Полезные рекомендации:
✔️ Learning rate: 0.001–0.05, по умолчанию 0.01.
✔️ Размер датасета: для маленьких → деревья 1–3, для больших → 4–6.
✔️ Регуляризация: L2 — для коррелированных фич, L1 — для отбора важных.
✔️ subsample: 0.1–0.7, по умолчанию 0.5.
✔️ k-fold CV обязателен, для временных рядов — nested sliding CV.
🔥 Какой совет был полезен? Делитесь!
Proglib Academy #буст
Не выбирайте слишком много гиперпараметров. Достаточно этих пяти:
✔️ learning rate, глубина деревьев, количество деревьев, subsample ratio, L1/L2-регуляризация.
Учитывайте взаимосвязь параметров:
✔️ Меньший learning rate → нужно больше деревьев.
✔️ Глубокие деревья → нужен меньший learning rate.
Как настраивать:
✔️ Фиксируем 500–1000 деревьев.
✔️ Тюним learning rate, глубину и другие параметры.
✔️ Используем раннюю остановку (15–20 итераций без улучшений).
Полезные рекомендации:
✔️ Learning rate: 0.001–0.05, по умолчанию 0.01.
✔️ Размер датасета: для маленьких → деревья 1–3, для больших → 4–6.
✔️ Регуляризация: L2 — для коррелированных фич, L1 — для отбора важных.
✔️ subsample: 0.1–0.7, по умолчанию 0.5.
✔️ k-fold CV обязателен, для временных рядов — nested sliding CV.
🔥 Какой совет был полезен? Делитесь!
Proglib Academy #буст
❤3👍1
Можно быть богом кода, но остаться в тени, если не умеешь общаться.
Сегодня рынок всё чаще выбирает не «самого умного», а самого понятного.
Командные игроки, уверенные переговорщики, те, кто не тушуется на созвоне — получают больше.
Можно ли без софт-скиллов далеко уехать в ИТ?
👇 Пишите свои мысли
Proglib Academy #междусобойчик
Please open Telegram to view this post
VIEW IN TELEGRAM
😁3
🔥 Хороший ML-разработчик не начинает с нейросетей
На собеседовании по ML System Design кандидату дают задачу «предсказать отток», а он сразу лезет в нейросети. Красиво, модно, дорого.
Но профи думает иначе:
💭 Логрегрессия? Градиентный бустинг?
💭 А сколько у нас данных и времени?
💭 Что с интерпретируемостью?
Потому что не выбрать адекватную модель — это уже ошибка.
Нейросети — это круто. Но без понимания классического ML вы просто «подключаете модельку», а не строите решения.
➡️ На курсе разберём:
— линейные модели, деревья, PCA, кластеризацию
— метрики, переобучение, bias vs variance
— инженерные подводные камни, которые идут сразу после fit()
🎁 Скидка 10 000₽ по промокодуEarlybird , только до 27 июля.
А ещё — подарок для первых 10 участников: специальный лонгрид по теме курса, чтобы вы могли начать погружение в материал уже сегодня.
🔗 Успей записаться — и начни карьеру в Data Science уже через 3 месяца!
На собеседовании по ML System Design кандидату дают задачу «предсказать отток», а он сразу лезет в нейросети. Красиво, модно, дорого.
Но профи думает иначе:
💭 Логрегрессия? Градиентный бустинг?
💭 А сколько у нас данных и времени?
💭 Что с интерпретируемостью?
Потому что не выбрать адекватную модель — это уже ошибка.
Нейросети — это круто. Но без понимания классического ML вы просто «подключаете модельку», а не строите решения.
➡️ На курсе разберём:
— линейные модели, деревья, PCA, кластеризацию
— метрики, переобучение, bias vs variance
— инженерные подводные камни, которые идут сразу после fit()
🎁 Скидка 10 000₽ по промокоду
А ещё — подарок для первых 10 участников: специальный лонгрид по теме курса, чтобы вы могли начать погружение в материал уже сегодня.
🔗 Успей записаться — и начни карьеру в Data Science уже через 3 месяца!
❤2🎉2🤩1
Совет звучит заманчиво: «Попробуй всё — потом решишь, кем быть»
Человек скачивает 8 курсов, ставит 6 IDE, пробует 4 фреймворка — и везде чувствует себя нубом. И главное — не продвигается никуда.
Холодный факт: ты не можешь выбрать направление, если ты нигде не копнул глубже пары дней.
Потому что работа мечты — это не то, что ты сразу выбираешь.
Это то, к чему ты приходишь через опыт, ошибки и практику.
Proglib Academy #оффер_мечты
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2💯1
Please open Telegram to view this post
VIEW IN TELEGRAM
В новом материале — пошаговая настройка Jest и React Testing Library для проектов на React и Next.js.
— Как настроить jest.config.ts без боли
— Как подключить @testing-library и писать тесты с render и screen
— Как запускать тесты даже с SVG и SCSS
— Как фиксить типовые ошибки с describe и expect
И главное — всё это с комментариями «почему именно так», а не просто копипастой из stackoverflow.
Proglib Academy #буст
Please open Telegram to view this post
VIEW IN TELEGRAM
😤 Устал листать туториалы, которые не складываются в картину
У тебя в голове уже есть логрегрессии, деревья, метрики и какая-то PCA, но системного понимания всё нет?
Пора с этим разобраться!
Наш курс по классическому ML:
— научит выбирать адекватные модели под задачу
— разложит метрики, переобучение и bias по полочкам
— покажет, что скрывается за fit/predict, и что с этим делать
🔔 До 27 июля по промокодуEarlybird — минус 10.000₽
P.S. Первые 10 участников получат эксклюзивный лонгрид, чтобы начать изучать тему ещё до старта курса.
👉 Поменяй свою жизнь: старт карьеры в AI — успей до закрытия набора!
У тебя в голове уже есть логрегрессии, деревья, метрики и какая-то PCA, но системного понимания всё нет?
Пора с этим разобраться!
Наш курс по классическому ML:
— научит выбирать адекватные модели под задачу
— разложит метрики, переобучение и bias по полочкам
— покажет, что скрывается за fit/predict, и что с этим делать
🔔 До 27 июля по промокоду
P.S. Первые 10 участников получат эксклюзивный лонгрид, чтобы начать изучать тему ещё до старта курса.
👉 Поменяй свою жизнь: старт карьеры в AI — успей до закрытия набора!
DevOps-джуны сегодня получают в среднем 125–130К. Кто-то говорит: «Отличный старт». Другие — «Это потолок, если не расти».
130К — это адекватно для джуна в 2025?
👇 Пишите мысли — соберём живую картину изнутри.
Proglib Academy #междусобойчик
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1
Please open Telegram to view this post
VIEW IN TELEGRAM
🤔 «Начни сразу с нейросетей — зачем тебе логрегрессия?»
Это один из худших советов для начинающего ML-разработчика. Зрелость — это понимать, где простого достаточно, а не тянуть трансформеры на любую задачу из-за хайпа.
Классика ML — это не допотопная теория, а база (bias/variance, деревья, метрики), без которой не понять Deep Learning.
⚡️ Хотите освоить этот фундамент на реальных задачах? Приходите на наш курс по классическому ML. Только хардкор, только продовые задачи!
📆 Старт — 12 августа.
Для первых 10 участников бонус — специальный лонгрид по теме курса, чтобы вы могли начать разбираться уже сейчас.
🎁 Последний день промокодаEarlybird на скидку 10.000₽.
👉 Не упустите шанс!
Это один из худших советов для начинающего ML-разработчика. Зрелость — это понимать, где простого достаточно, а не тянуть трансформеры на любую задачу из-за хайпа.
Классика ML — это не допотопная теория, а база (bias/variance, деревья, метрики), без которой не понять Deep Learning.
⚡️ Хотите освоить этот фундамент на реальных задачах? Приходите на наш курс по классическому ML. Только хардкор, только продовые задачи!
📆 Старт — 12 августа.
Для первых 10 участников бонус — специальный лонгрид по теме курса, чтобы вы могли начать разбираться уже сейчас.
🎁 Последний день промокода
👉 Не упустите шанс!
👍1🔥1
Что выведет код?
👾 — hello NO
❤️ — hello Zero Division Error
🌚 — NO
👍 — hello
Proglib Academy #междусобойчик
👾 — hello NO
❤️ — hello Zero Division Error
🌚 — NO
Proglib Academy #междусобойчик
Please open Telegram to view this post
VIEW IN TELEGRAM
👾5
Используйте этот промпт для построения графиков с помощью Matplotlib.
🔹 Промпт:
I want you to act as a data scientist coding in Python. Given a dataframe {dataframe name} containing the columns {column names}, use Matplotlib to plot a {chart type} that shows the relationship between {variables}. Additionally, annotate the plot with the following details: {annotation requirements}. Format the plot by adjusting {specific formatting preferences}. Finally, change the plot's theme to {theme} to match the visual style of {theme description}.
Результат:
🔹 Качественные и профессиональные визуализации данных.
🔹 Подробное оформление и аннотации на графиках.
🔹 Удобное и понятное оформление графиков с использованием популярных тем.
✔️ Пример:
Исходный датафрейм с данными о возрасте, доходе и уровне образования:
import pandas as pd
data = {
'age': [25, 30, 35, 40, 45],
'income': [50000, 60000, 70000, 80000, 90000],
'education_level': ['Bachelors', 'Masters', 'PhD', 'Bachelors', 'Masters']
}
df = pd.DataFrame(data)
💬 Пример использования промпта:
I want you to act as a data scientist coding in Python. Given a dataframe df containing the columns ['age', 'income', 'education_level'], use Matplotlib to plot a scatter plot that shows the relationship between age and income. Additionally, annotate the plot with the following details: highlight the highest and lowest income values. Format the plot by adjusting the title, axis labels, and grid lines. Finally, change the plot's theme to seaborn-darkgrid to match the visual style of a clean and modern plot with dark gridlines.
Proglib Academy #буст
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2
Отдыхаем от кодинга и смотрим. Надеемся эти шедевры каждому понравятся:
«Притворство» — мать тщательно заботится о своей «больной» дочери, опекая её во всём. Однако правда в том, что дочь совершенно здорова — мать убеждает её в болезни, чтобы держать под контролем. 8 серий.
«Чёрная птица» — заключенному поступает предложение от ФБР: если он сможет заставить маньяка признаться в своих преступлениях, его освободят из тюрьмы. 6 серий.
«Оленёнок» — бармен-неудачник решает угостить незнакомую пышную девушку кофе, не догадываясь, что вскоре станет жертвой её жестокого преследования. 7 серий.
«11.22.63» — учитель отправляется в прошлое, чтобы предотвратить убийство Джона Кеннеди. Но само время, кажется, готово бороться за то, чтобы ничего не изменилось. 8 серий.
«Разрабы» — корпорация скрывает внутри своих стен квантовый компьютер, который может превратить его пользователя в абсолютного бога. 8 серий.
«Грызня» — состоятельная женщина случайно подрезает на дороге простого работягу. Из мелкого конфликта это перерастает в настоящую войну, охватившую целый город. 10 серий.
«Телохранитель» — ветерану войны поручают охранять министра внутренних дел. Однако всё оказывается сложнее: у него посттравматическое расстройство, он не поддерживает её взгляды, а между ними вдруг вспыхивает неожиданное притяжение. 6 серий.
«Рипли» — мелкому мошеннику Тому случайно поручают вернуть блудного сына богача домой. Но, увидев, как прекрасна и беззаботна жизнь этого человека, Том решает избавиться от него и занять его место. 8 серий.
«Защищая Джейкоба» — школьника обвиняют в убийстве одноклассника, а его отец-прокурор отказывается верить в его виновность. Но под давлением общественного мнения родители начинают сомневаться. 8 серий.
«Полуночная месса» — в маленький отдаленный городок прибывает новый священник, и с его приходом начинается череда таинственных событий. По ночам что-то пугающее начинает терроризировать местных жителей. 7 серий.
Proglib Academy #развлекалово
Please open Telegram to view this post
VIEW IN TELEGRAM
В этом посте рассмотрим лучшие практики импорта модулей в Python, чтобы код был чистым и эффективным.
Старайтесь использовать явный импорт, а не
from module import *
, чтобы избежать конфликтов имен и улучшить читаемость кода.# Плохо
from math import *
# Хорошо
from math import sqrt, pi
Явный импорт помогает лучше понять, какие именно функции или классы используются в вашем коде, и предотвращает «загрязнение» пространства имен.
Существует стандартная практика группировки импортов, которая улучшает структуру кода и делает его более читаемым:
Каждая группа должна быть разделена пустой строкой. Такой порядок помогает быстро понять, какие библиотеки используются, и позволяет легко ориентироваться в коде.
# Стандартные библиотеки
import os
import sys
# Третьи библиотеки
import requests
import numpy as np
# Локальные модули
from my_module import my_function
Абсолютные импорты — это указание полного пути до модуля, начиная от корня пакета. Это делает код более понятным и избегает проблем с относительными импортами, особенно в крупных проектах.
# Плохо
from .module import function
# Хорошо
from my_project.module import function
Циклические импорты — это когда два или более модуля зависят друг от друга, что может привести к ошибкам при импорте.
Чтобы избежать таких проблем:
# Плохо
# module_a.py
from module_b import function_b
# module_b.py
from module_a import function_a
# Хорошо
# module_a.py
def function_a():
from module_b import function_b
...
Импортируйте только те модули, функции или классы, которые действительно будут использованы в коде. Это улучшает производительность и делает код чище.
# Плохо
import math
# Хорошо
from math import sqrt
Если библиотека часто используется в коде, имеет смысл использовать псевдонимы, чтобы сделать код компактным.
# Хорошо
import numpy as np
import pandas as pd
# Плохо
import numpy
import pandas
В случае, если библиотека может не быть установлена в окружении, полезно обрабатывать ошибки импорта, чтобы избежать сбоев в работе программы.
try:
import some_library
except ImportError:
print("Не удалось импортировать some_library. Убедитесь, что она установлена.")
Proglib Academy #буст
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1
🧗 9 способов продвинуть резюме в ТОП на HeadHunter
Вы думали, что главное — это писать код и знать SOLID? Ха! Главное — уметь поднимать резюме в 11:00 и 15:00, как cron-джобу 🕒
➡️ В статье разобрали топ-лайфхаки, чтобы ваше резюме не пылилось в подвале HeadHunter’а
Proglib Academy #буст
Вы думали, что главное — это писать код и знать SOLID? Ха! Главное — уметь поднимать резюме в 11:00 и 15:00, как cron-джобу 🕒
Proglib Academy #буст
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2👍1