🥺 Оффер-мечты: реальная история из Reddit

Кажется, что «вкатиться в IT» без опыта и образования невозможно. Но вот свежий пример с Reddit:

💼 Из поддержки / Linux — в DevOps

Один парень несколько лет работал как инженер поддержки и Linux / AIX администратор. Постепенно стал писать скрипты, автоматизировать задачи, изучать CI/CD и облака. В итоге устроился DevOps-инженером.

📈 Что сработало:

— старт с роли с низким порогом поддержка, Linux/системное администрирование
— добавление автоматизации и скриптов даже в рамках текущей работы
— целенаправленное изучение инфраструктуры, CI/CD и облачных сервисов
— постепенное продвижение по задачам и доказательство ценности

Proglib Academy #оффер_мечты

🎯 Промпт дня: оптимизация и повышение эффективности кода

Как найти узкие места в коде, улучшить производительность и при этом не потерять читаемость? Этот промпт поможет вам анализировать свой код и получать конкретные рекомендации для улучшения:

💬 Промпт:

Review the following code and identify potential performance bottlenecks, code smells, or maintainability issues. Suggest specific optimizations, refactorings, and best practices to improve efficiency and readability without changing functionality. If relevant, provide alternative code snippets that demonstrate improvements.

➡️ Что вы получите:

• Подсветку узких мест и проблемных участков
• Конкретные советы по оптимизации и рефакторингу
• Более чистый, поддерживаемый и быстрый код
• Примеры лучших практик и альтернативных решений

➡️ Как применять:

• Проверяйте код перед ревью или релизом
• Ищите оптимизации в критичных модулях и сервисах
• Обучайте команду лучшим практикам на конкретных примерах
• Используйте для обучения джунов на реальных кейсах

🏃‍♀️ Proglib Academy

#буст

⌛️ Что такое авторизация и аутентификация?

⭐ Аутентификация — процесс проверки подлинности субъекта (пользователя или системы) на основе предоставленных им учетных данных (например, пары логин/пароль, сертификата или токена). Она подтверждает, что субъект является тем, за кого себя выдаёт.

⭐ Авторизация — процесс определения прав и привилегий аутентифицированного субъекта в рамках определённой системы или ресурса. Она определяет, какие действия или ресурсы доступны субъекту после успешной аутентификации.

Аутентификация устанавливает личность субъекта, а авторизация — его полномочия в системе.

🏃‍♀️ Proglib Academy

#буст

Что выведет код?

🔥 — 0
❤️ — 120
👍🏼 — Error

🏃‍♀️ Proglib Academy

#междусобойчик

🧩 Главное — попасть в проект, а там будет интересно

На деле «интересно» часто превращается в десятки тикетов, таски по наследию и спринты, где ты фиксишь чужие костыли и ловишь баги от кода 2017 года.

И это тоже опыт. Только не про вау-фичи и креатив, а про терпение, коммуникацию и умение не выгореть от «срочно к релизу».

💬 А у вас тоже «интересно» на проекте значит «держись, будет больно»?

🐸Proglib Academy

#междусобойчик

✅ Это база: трансформеры вручную — как понять, что происходит за кулисами LLM

В этом посте разберем, как вручную пройти через процесс работы трансформера, от входных данных до финального слоя.

⬇️ Пошаговый процесс

1️⃣ Исходные данные:
Входные признаки из предыдущего блока (5 позиций).

2️⃣ Внимание:
Все 5 признаков передаются в модуль внимания запрос-ключ (QK) для получения матрицы весов внимания (A).

3️⃣ Взвешивание внимания:
Умножаем входные данные на матрицу весов внимания, чтобы получить взвешенные признаки (Z). Этим объединяем признаки по горизонтали, например, X1 := X1 + X2, X2 := X2 + X3 и так далее.

4️⃣ FFN — первый слой:
Процессинг всех 5 признаков через первый слой. Умножаем их на веса и смещения, увеличивая размерность с 3 до 4, комбинируя признаки по вертикали.

5️⃣ ReLU:
Отрицательные значения заменяются нулями.

6️⃣ FFN — второй слой:
Подаем данные во второй слой, уменьшаем размерность с 4 до 3 и отправляем результат в следующий блок для повторения процесса.

🏃‍♀️ Proglib Academy

#буст

🧗 Кто такие Unit-лид и Technical Owner — и почему эти роли нужны в IT-командах

Когда компания переходит от «сделать и забыть» к «развивать и совершенствовать», старые роли перестают работать. Нужны люди, которые будут жить продуктом, а не просто выполнять задачи.

Unit-лид и Technical Owner — именно такие специалисты. Объясняем, что они делают и почему без них продуктовый подход обречен на провал.

🔗 Читать

🏃‍♀️ Proglib Academy

#буст

🔍 Datacompy — библиотека для быстрого сравнения DataFrame'ов

Datacompy — мощная Python-библиотека для валидации и сравнения данных.
Идеально подходит для работы с Pandas, Polars и Spark.

Что умеет:
🟠 Сравнивает строки и столбцы между DataFrame'ами
🟠 Генерирует подробные отчёты о различиях
🟠 Гибкая настройка: ключи сравнения, допуски, регистр

Преимущества:
🟠 Лёгкая интеграция в пайплайны и тесты
🟠 Подходит для больших данных и распределённых вычислений
🟠 Контроль качества данных в ETL и миграциях

➡️ Подробнее: https://clc.to/6ZBRkA

🏃‍♀️ Proglib Academy

#буст

❓ Вопросы подписчиков: как запомнить детали ML-алгоритмов для собеседований?

Сегодня делимся вопросом от нашего подписчика, который готовится к собеседованию на позицию в топовую компанию.

💬 Вот что он пишет:

«Я сейчас готовлюсь к собеседованиям, но сталкиваюсь с проблемой в технических раундах по ML. Изучаю ISLR, делаю заметки, но не могу эффективно запомнить все детали алгоритмов. Прошло много времени с тех пор, как я углубленно изучал алгоритмы машинного обучения в университете. Как мне лучше готовиться к собеседованиям по ML, чтобы уверенно отвечать на вопросы? Как укрепить знания и эффективно запомнить алгоритмы?»

Какие у вас есть стратегии для запоминания алгоритмов и концепций ML?

🏃‍♀️ Proglib Academy

#междусобойчик

🤔 Как понять, что нейросеть переобучилась — без доступа к данным

С помощью weightwatcher — open-source библиотеки на Python — можно проанализировать обученные модели глубокого обучения и выявить:
🎌 переобучение
🎌 переусложнённые слои
🎌 другие потенциальные проблемы

И всё это без тренировочных или тестовых данных — анализ идёт напрямую по весам модели.

✅ Полезный инструмент для аудита, особенно если доступ к данным ограничен.

Пример использования weightwatcher для анализа модели:

import weightwatcher as ww
import torchvision.models as models

# Загружаем предобученную модель
model = models.vgg19_bn(pretrained=True)

# Запускаем анализ
watcher = ww.WeightWatcher(model=model)
details = watcher.analyze()

# Получаем краткое резюме
summary = watcher.get_summary(details)

🔗 Ссылка на репозиторий: https://clc.to/ih8VVw

🏃‍♀️ Proglib Academy

#буст