Топ 3 мифа, веря в которые вы гарантировано проебетесь по жизни:
👉 Хороший продукт/блог сам себя продаст
👉 Хорошего работника сами заметят и продвинут
👉 Любовь сама себя найдет

Вам разумеется может повезти, но если вы в своей стратегии полагаетесь на удачу, то вы лудоман!

Итак, погода.

Короче город дождей этим летом вообще не оправдывает свою репутацию. Ощущение такое, что на фоне уже должен играть Мик Гордон.

У меня от этого пекла IQ пунктов на 20 упал. Вы можете возразить, что IQ не может быть отрицательным, однако пока посты пишутся так себе)

Смотрите, я провожу алгособесы, сам от них не в восторге. Проходить алгоритмическую секцию так же приятно, как поплавать в реке с камнем, привязанным к ноге. Однако учитывая ситуацию на рынке, при собесе в Big Tech вы с очень большой вероятностью нарвётесь на эту секцию.

Часто разработчики, которые никогда этим не интересовались, сразу впадают в ступор и не знают даже, как подступиться к easy-задаче. Я прям это на практике наблюдаю – там каждый второй начинает плыть.

При этом почти у каждой алгозадачи есть шаблон, применив который, вы, если и не решите задачу сразу, то хотя бы значительно продвинетесь в решении.

Вот парочка самых простых шаблонов:

Два указателя – часто задача просто решается, если идти не одним указателем по списку от начала до конца, а двумя. Движение у них может быть разное: один идёт с начала, а второй – с конца; один идёт по элементам, а второй – через элемент; или же они двигаются независимо по определённому условию. Пример задачи.

Скользящее окно – по сути, продолжение идеи двух указателей, только используется в случае, когда нужно получить какой-то подмассив с определённым свойством: например, чтобы была заданная сумма или количество уникальных элементов. Пример задачи.

Поиск в глубину / ширину – делал про это пост, там всё не так сложно, как кажется. Пример задачи.

Backtracking – вот это уже более хардовый шаблон. Полностью его тут не раскрою, но хотя бы по верхам, а дальше сами загуглите.

Смысл в том, чтобы перебрать все возможные варианты через рекурсию – но не в тупую, а по шагам: добавляем элемент в коллекцию, затем рекурсивно вызываем сами себя и в процессе проверяем – если текущее решение невалидно, откатываемся назад.

Понимаю, выглядит как дичь, но если хотите прям проникнуться, то попробуйте решить вот эту задачу – или хотя бы посмотрите её решение.

Я уже довольно давно не позиционирую свой канал как блог исключительно про Android-разработку. Почти год я пишу про разработку в целом – про бэк, фронт, мобилку, наверное даже начну писать про DS.

При этом большая часть людей, которые меня читают, подписались именно тогда, когда я писал только про Android.

Поэтому, по старой памяти, хочу рассказать вам про вот такую папочку с блогами именно про Android-разработку – возможно, кого-то из вас это заинтересует.

Вообще мой интерес к сфере data science обусловлен тем, что есть дикое желание заниматься сексом с моделями. Но в этом стремлении есть нюансы...

Я смотрю вам прям заходят реакции с Патриком, я могу их больше добавить (сейчас только две доступно) если вы забустите канал, истории я не делаю, так что не волнуйтесь)

Мне кажется, самые успешные люди в знакомствах — это маркетологи. У них на подкорке зашита программа работы с отказами и выстраивания воронки, которая позволяет не париться из-за отдельных неудач.

У меня, как у разработчика, пока так не получается. Я очень благодарен технике apple за то, что у их клавиатуры нет проводов — потому что пару раз уже хотелось сделать себе из них петлю.

Девачки, я сегодня понял, почему вы жалуетесь на то, что парни не понимают намёков. Убедился на собственном опыте.

Сегодня проводил алгоритмическую секцию. Кандидат довольно бодро решил первую задачу, но на второй прям поплыл. Я как мог пытался подсказать, как её решить, но все мои намёки воспринимались, сука, диаметрально противоположно.

Буквально происходило следующее:
– Чел, иди на север.
Он: «О, точно, я понял! Нужно хуярить в Сызрань» 🤦‍♂️

Короче, если даже намеки по решению задачи мы воспринимаем плохо, то с отношениями вообще аминь.

Услышал сегодня короную фразу от devops: "Все что произошло в облаке, остается в облаке". Ведь эта херня не воспроизводится локально, вне облака!

Понедельник. Схуяли ли тишина такая? Ну-ка проснулись! Сейчас я продолжу душнить про алгособесы.

В дополнение к шаблонам я хотел накидать ещё пару своих авторских советов, которые могут пригодиться.

Не пытайтесь делать всё в одном цикле. Есть лайфхак, который работает для многих задач: разделите задачу на две части. Одну часть решаете в одном цикле, вторую — в другом. Сложность всё равно останется O(n), но решение может стать в разы проще. Многие погибли на пути построения жутких условий, чтобы сделать всё "красиво" в одном проходе.

Иногда лучше идти не с начала, а с конца массива. Для части задач это избавляет от необходимости в дополнительной памяти.

Набрасывайте тест-кейсы до начала решения. 90% кандидатов, едва взглянув на условие, сразу бросаются в бой. Где-то на середине выясняется, что задачу они поняли неправильно, а ещё есть пара корнер-кейсов, из-за которых всё ломается...

Лучше потратить немного времени на проработку кейсов (прям пишите вот это на вход, это на выход, чтобы все было перед глазами) и требований перед тем, как писать код — это реально может спасти. Кстати, и в работе отличный совет!

Пишите алгоритмы на Python. Я реально считаю, что Python создан для алгоритмической секции. Во-первых, код выглядит невероятно просто, как будто описание алгорима. Во-вторых, куча конструкций языка просто невероятно удобны. Каждый раз жалко JS-разрабов, которые дублируют строку через цикл. В Python это один оператор.

Повторите школьную программу. Например формулу суммы последовательностей, есть прям пласт задач где это может все упросить в разы. Из алгоритмов, которые реально стоит выучить — бинарный поиск. Он простой и при этом есть прям много задач на его вариацию.

Я сейчас делаю свои первые, неуверенные шаги в изучении Data Science и уже наткнулся на крайне занимательную статью. Для матерых DE и DS, которые есть у меня в канале, она, разумеется, может показаться банальной, но для таких же новичков, как и я – весьма интересной.

Статья про обнаружение выбросов в данных с помощью метода опорных векторов. Как и положено в сфере машинного обучения, алгоритмы представляют не так много интереса, как сами данные. А данные – уф, моё почтение.

В качестве набора данных для анализа в статье использовался файл с информацией о 604 девушках месяца журнала Playboy. Согласитесь, искать выбросы в таких данных куда интереснее, чем в результатах билда gradle (хотя и тут все связано с сексом).

К сожалению, сам файл утерян в анналах истории, но идея — занятная. Сейчас такие статьи уже не пишут, ведь тебя отменят за долю секунды.

P.S В статье есть фотографии моделей тех лет и на совеременный лад они прям очень кринжовые)

Если бы у меня было 3 желания, то самым первым желанием я бы загадал не бессмертие, железное здоровье, нереальное богатство или мир во всем мире, нет…

Я бы первым делом загадал, чтобы у людей, которые ходят в спортзал, когда они просыпаются и идут умываться перед зеркалом весела табличка, примерно с вот таким текстом:

«Если ты видишь скамейку в спортзале, рядом с которой стоит вода и гантели, то ОНА БЛЯТЬ ЗАНЯТА, сучара ты не внимательная!»

В QA есть такой принцип, который называется "Скопление ошибок". Я делал про него пост, если вкратце, то принцип звучит так: "Если вы обнаружили баг в какой-то фиче, то с высокой долей вероятности в этой фиче есть ещё баги."

Мне кажется, этот принцип выходит далеко за границы тестирования ПО. Я бы назвал его принцип "Скопление бед": в периоды жизненной турбулентности плохое событие редко приходит в одиночку – почти всегда рядом будет поджидать ещё одна мразь!

Возвращаясь к теме метода опорных векторов. Я также наткнулся на очень бородатый доклад Бобука (настолько бородатый, что Яндекс еще был в прайме) о том, как, используя этот метод, они значительно увеличили конверсию лендинга. Суть там такая: у них был продукт с продающим лендингом, на который они вели людей из Facebook*.

Они хотели понять, какая версия лендинга продаёт лучше. Оказалось, что разные версии лендинга работают по-разному в зависимости от времени просмотра.

Они пошли дальше и собрали кучу статистики – в каком случае лендинг продаёт лучше, в зависимости от пола, возраста, времени суток, локации и примерного уровня заработка.

На основе этой информации они собрали модель, которая для конкретного человека показывает тот вариант лендинга, который с высокой вероятностью приведёт к продаже.

Самое интересное в этом докладе – последний вопрос, где кто-то спрашивает: «Каким, нахрен, образом вы собрали информацию о посетителе лендинга? Facebook* же просто так не выдаст ни локацию, ни уровень заработка, ни какую-либо другую личную инфу».

Вопрос и правда интересный – и вот тут оцените уровень их смекалки.

Большинство рекламных систем в соцсетях позволяют настроить ну прям невероятно точный таргетинг. Я где-то слышал, что в Instagram* есть таргет на «пару, которая встречается, но в данный момент в разлуке».

Итак, что они сделали: они запустили 61 тысячу (тысячу Карл!) рекламных кампаний, каждая из которых с очень узким таргетом. И каждый раз, когда человек приходил к ним на лендинг, они тупо по идентификатору кампании понимали буквально всё об этом человеке.

Меня приводят в восторг подходы, когда просто отсутствует чека безопастности. Чего ограничиваться парой компаний, давай 50 тыс. фиганем!

Не знаю, пофиксили ли эту дыру в Facebook*, но сам подход меня просто поразил своей гениальностью.

* Кстати, Facebook и Instagram в РФ считаются экстремистскими, так что вы это... не балуйтесь!

За последние 3 года работы, я сегодня впервые услышал звук кулера на маке! Это значит, что сейчас не просто жара, это испепеляющее душу дыхание ада