Docker
📌 Docker — это платформа контейнеризации, которая позволяет упаковать приложение со всеми его зависимостями в отдельный контейнер

⚡️Контейнер — это лёгкая изолированная среда, которая гарантирует, что приложение будет работать одинаково на любом устройстве, независимо от настроек системы.

🔍 Зачем нужен Docker:

🔹 Изоляция — каждое приложение живёт в своём контейнере, не мешая другим

🔹 Портативность — “работает у меня” теперь работает везде

🔹 Быстрое развёртывание — контейнер запускается за секунды

🔹 Интеграция с CI/CD — идеален для DevOps и автоматизации сборок

⚙️ Как Docker используется в backend:

Развёртывания приложений (Flask, Django, FastAPI) в контейнерах.

Поднятия сервисов: PostgreSQL, Redis, Nginx, Celery и др.

Создания docker-compose для локальной разработки и продакшена.

📘 Факт:
Docker основан на технологиях Linux (cgroups и namespaces), но при этом кроссплатформенный — отлично работает и на Windows, и на macOS.
#словарь_программиста

Делаем заказ с Бьянкой 🐾

Линтеры: Ruff vs flake8 vs pylint - рекомендации и настройка (наш выбор - Ruff)
💡 Линтер анализирует код до выполнения и помогает находить ошибки, нарушения стиля и потенциальные уязвимости

🔸 flake8
Классика. Проверяет стиль по PEP8, расширяется плагинами, медленный на больших проектах; используется в старых проектах, где важно “не ломать традиции”

🔸 pylint
Строгий и “болтливый”. Проверяет всё - от импортов до докстрингов. Но слишком шумный и нередко требует тонкой настройки. Хорош для образовательных целей, но раздражает в production-коде

🔸 Ruff
Написан на Rust → в десятки раз быстрее flake8/pylint. Поддерживает их правила + форматирование, импорт-сортировку и даже часть функций Black. Интегрируется с VS Code “из коробки” через расширение. Конфигурация простая — можно обойтись без .toml, просто задать параметры в settings.json

📌 Наш выбор: Ruff — современно, быстро, минималистично. Идеален для связки: Ruff + Black + Pylance
#рекомендации_tech

Когда в Тюмени снова заглушили связь:

Python всё ещё доминирует в AI/ML и веб-разработке в 2025 году

📢 По данным блога JetBrains «The State of Python 2025» язык Python остаётся основным выбором разработчиков:

Python занимает второе место по популярности среди языков программирования за последние 12 месяцев, и 57 % разработчиков используют только его

41 % разработчиков используют Python именно для машинного обучения

Python применим в веб-разработке, API-сервисах, автоматизации и аналитике

🔍 Почему это важно для вас - при выборе направления (backend, AI, data) Python остаётся универсальным “мастер-ключом”

💡Если стоит выбор, какой язык учить или совершенствовать — ставьте на Python. Он ещё далёк от заката
#IT_новости

Делюсь сайтом, который в прошлом мне помог в изучении Python

Metanit — существует уже много лет и регулярно обновляется. Здесь нет воды — только структура, примеры кода и объяснения по делу

💻 Что можно изучить на Metanit?

Python: базовый синтаксис, ООП, работа с файлами, веб-разработка (Flask/Django), модули, регулярки и многое другое. Всё подано максимально просто

Базы данных: SQL, PostgreSQL, SQLite, множественные примеры запросов и объяснение core-концепций

Web: HTML, CSS, JavaScript, основы frontend и работа с браузером

Backend-стек: C#, С++, Java - большие, структурированные курсы
#полезные_ресуры

Празднуем нашу маленькую победу. Теперь еще больше работы и новых проектов 🔥

Work

Скоро начнутся информационные посты, а пока что отдых😁

У многих с этого семестра начнется новая дисциплина АДОМО/ Анализ данных и основы машинного обучения на Python💻

Базовый стек, который вам потребуется для изучения этой дисциплины:

1. Pandas — чтобы грузить таблицы из CSV/Excel, чистить, фильтровать, считать сводки
2. NumPy — для быстрых математических операций
3. Matplotlib/Seaborn — чтобы рисовать графики и диаграммы
4. Scikit-learn — библиотека с готовыми алгоритмами ML

+3 библиотеки для разработки моделей данных

Если у вас возникнут трудности с данной дисциплиной, то можете обратиться ко мне за помощью. Делаю лабораторные, тесты, итоговые работы🙌🏻

Возвращаемся в рабочую среду и начнем c основных рекомендаций ❕

Статическая типизация: Pylance / Pyright + настройка в VS Code
Python остаётся динамическим, но типизация уже стала обязательной в серьёзных проектах

Зачем нужна типизация:
- IDE заранее подсказывает ошибки (Optional[str] вместо str)
- Повышает читаемость и надёжность
- Работает без изменения логики программы

🔸 Pyright
Type checker от Microsoft, написан на TypeScript, работает молниеносно
Можно использовать как CLI-инструмент или как встроенный механизм в VS Code

🔸 Pylance
Надстройка над Pyright, обеспечивающая умные подсказки, автодополнение и статический анализ прямо в VS Code

🔧 Оптимальная конфигурация:

"python.languageServer": "Pylance",
"python.analysis.typeCheckingMode": "strict",
"python.analysis.autoImportCompletions": true,
"python.analysis.diagnosticMode": "workspace"

Не бойтесь "жёлтых и синих подчёркиваний " от Pylance — они учат писать лучше и чище
#рекомендации_tech

Вернемся к АДОМО, разберем одно из основных заданий. На нем будет строиться большинство лабораторных работ по данной дисциплине. Также это вам понадобится при написании итоговой контрольной работы

На данной дисциплине одним из важных моментов выступает - анализ. В Python за это отвечает модуль pandas. Это основной инструмент для работы с табличными данными

Для того, чтобы его использовать нужно прописать подключение и назвать более кратким и понятным:

import pandas as pd

Далее идет чтение данных: загружаем данные из CSV-файла в переменную data. В результате data — это таблица, аналогичная Excel-таблице или SQL-таблице

data = pd.read_csv("Набор данных.csv", sep=',')

3 строка - это метод .shape, который возвращает размерность таблицы в виде кортежа (упорядоченная неизменяемая коллекция)

rows, cols = data.shape

Значения:
rows — количество строк
cols — количество столбцов

И в конце мы выводим то, что получаем по итогу кода:

print(f"Всего объектов: {rows}")
print(f"Всего признаков: {cols}")

#АДОМО