☕️ Tutorials от Oracle — настоящая база знаний по Java!

Это обучающий портал, где подробно разобраны синтаксис, ООП, коллекции, исключения, потоки ввода-вывода, многопоточность и другое. Материал подаётся структурированно, от основ языка до продвинутых тем и API. Почти в каждом разделе есть примеры кода, объяснение концепций и ссылки на официальную документацию.

📌 Оставляю ссылочку: oracle.com

👉 Java Ready | #сайт

Timeout wrapper для операций!

Иногда операция может зависнуть, чтобы программа не ждала бесконечно, можно задать таймаут выполнения.
Если задача не успела она прерывается и возвращается ошибка.

Создаём пул потоков для выполнения задач:

var pool = java.util.concurrent.Executors.newSingleThreadExecutor();

Оборачиваем операцию в Future:

var future = pool.submit(() -> {
    Thread.sleep(2000); // имитация долгой операции
    return "Готово";
});

Пытаемся получить результат с таймаутом:

try {
    var result = future.get(1, java.util.concurrent.TimeUnit.SECONDS);
    System.out.println(result);
}

Если время вышло прерываем задачу:

catch (java.util.concurrent.TimeoutException e) {
    future.cancel(true);
    System.out.println("Операция превысила лимит времени");
}

Не забываем завершить пул потоков:

pool.shutdown();

Теперь любая операция может выполняться с ограничением по времени.

👉 Java Ready | #практика

Выявление мошеннических транзакций с помощью ML!

Детекция мошеннических операций — одна из основных задач финтех-систем. Модель должна оценивать риск транзакции и выявлять подозрительную активность в потоке платежей.

Установка библиотек:

pip install pandas scikit-learn

Будем использовать pandas для работы с данными и scikit-learn для построения модели.

Импорт модулей:

import pandas as pd

from sklearn.model_selection import train_test_split
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import classification_report

Мы будем использовать пайплайн, который объединяет предобработку и модель — это стандартная практика для воспроизводимости и предотвращения утечек данных.

Пример структуры данных (учебный):

data = pd.DataFrame({
    "amount": [12, 35, 60, 15, 22, 40, 2500, 4200, 5000, 3600],
    "hour": [14, 18, 12, 10, 16, 19, 3, 2, 1, 2],
    "is_foreign": [0, 0, 0, 0, 0, 0, 1, 1, 1, 1],
    "transactions_last_24h": [2, 3, 1, 2, 2, 3, 15, 20, 25, 18],
    "fraud": [0, 0, 0, 0, 0, 0, 1, 1, 1, 1]
})

Признаки отражают типичные сигналы риска: сумма операции, время суток, зарубежная транзакция и активность аккаунта за последние сутки. Целевая переменная fraud показывает, признана ли операция мошеннической.

Разделим данные на признаки и целевую переменную:

X = data.drop(columns=["fraud"])
y = data["fraud"]

Теперь модель будет учиться предсказывать fraud на основе остальных признаков.

Разделим данные на обучающую и тестовую выборки:

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=42, stratify=y
)

Стратификация сохраняет долю мошеннических операций в обеих выборках, что особенно важно при дисбалансе классов.

В антифроде логистическая регрессия часто используется как базовая модель: она быстрая, понятная и умеет оценивать вероятность мошенничества. Чтобы учесть дисбаланс классов, зададим веса.

Обучим модель в составе пайплайна:

model = Pipeline(steps=[
    ("scaler", StandardScaler()),
    ("clf", LogisticRegression(max_iter=1000, class_weight="balanced"))
])

model.fit(X_train, y_train)

StandardScaler нормализует числовые признаки, что улучшает сходимость линейных моделей.

Оценка качества модели:

y_pred = model.predict(X_test)
print(classification_report(y_test, y_pred))

Отчёт показывает precision, recall и F1-меру для каждого класса. На малых данных, метрики приведены исключительно в демонстрационных целях.

Пример оценки новой транзакции:

tx = pd.DataFrame([{
    "amount": 3200,
    "hour": 2,
    "is_foreign": 1,
    "transactions_last_24h": 18
}])

risk = model.predict_proba(tx)[0][1]
print("Вероятность мошенничества:", round(risk, 2))

Модель возвращает вероятность fraud, которую можно использовать для принятия решения.

🔥 В настоящих системах такие модели работают в режиме реального времени: вероятность риска влияет на блокировку операции, запрос дополнительной аутентификации или передачу транзакции на ручную проверку.

👉 Java Ready | #практика

📂 Напоминалка по Java Collections Framework!

Например, ArrayList используется для динамических массивов и быстрого доступа по индексу, а HashSet позволяет хранить только уникальные элементы без повторений.

На картинке — иерархия основных интерфейсов и реализаций Java-коллекций. Такая схема помогает быстро вспомнить, какая структура данных подходит для конкретной задачи.

Сохрани, чтобы не забыть!

👉 Java Ready | #ресурс

☕️ JavaCodeGeeks — крутой портал со статьями и практикой для Java-разработчиков!

Это крупное сообщество, где ежедневно публикуются статьи, разборы технологий, туториалы и примеры кода по Java и связанному стеку. Портал ориентирован на программистов разных уровней. Помимо статей, на портале есть полноценные обучающие разделы. Это делает сайт удобным как для обучения, так и для регулярного чтения, чтобы быть в курсе новостей языка.

📌 Оставляю ссылочку: javacodegeeks.com

👉 Java Ready | #сайт

📂 Разбираемся, как работают Python и Java!

На иллюстрации показано, как оба языка обрабатывают код: от редактора и компиляции до выполнения программы.

Python использует интерпретатор и виртуальную машину PVM, а Java — компилятор javac, байткод и JVM с JIT-компиляцией.

Сохрани, чтобы не забыть!

👉 Java Ready | #ресурс

📂 Напоминалка по сетевым протоколам!

Например, DNS отвечает за преобразование доменных имен в IP-адреса, TCP обеспечивает надежное соединение и порядок доставки пакетов, а HTTP используется для обмена запросами и ответами между клиентом и сервером.

На картинке — основные сетевые протоколы и уровни, которые участвуют в передаче данных.

Сохрани, чтобы не потерять!

👉 Java Ready | #ресурс

Перечитывание конфигов без рестарта!

Сделаем простой reload: читаем .properties и обновляем значения в памяти.

Указываем путь к конфиг-файлу:

var path = java.nio.file.Path.of("config.properties");
var props = new java.util.Properties();

Функция загрузки настроек из файла:

void load() throws Exception {
    try (var in = java.nio.file.Files.newInputStream(path)) {
        props.clear();
        props.load(in);
    }
}

Читаем конкретный параметр из конфига:

String get(String key) {
    return props.getProperty(key);
}

Перезагружаем конфиг в любой момент:

load();
System.out.println("port=" + get("server.port"));

Пример файла config.properties:

server.port=8080
feature.newLogin=true
limit.requests=100

Теперь настройки можно менять прямо в файле, не перезапуская приложение. Достаточно вызвать load() и новые значения сразу применятся. Так работают динамические конфиги в реальных сервисах.

👉 Java Ready | #практика

Чат по локальной сети

Создаём самый простой вариант чат, один компьютер запускает сервер, второй клиент, и они обмениваются сообщениями по Socket.

Сервер ждёт подключение:

ServerSocket server = new ServerSocket(5000);
Socket socket = server.accept();
System.out.println("Клиент подключился");

Клиент подключается по IP:

Socket socket = new Socket("192.168.0.10", 5000);
System.out.println("Подключено к серверу");

Читаем сообщения от собеседника:

BufferedReader in = new BufferedReader(
        new InputStreamReader(socket.getInputStream())
);

Отправляем свои сообщения:

PrintWriter out = new PrintWriter(socket.getOutputStream(), true);
out.println("Привет из клиента!");

Чтобы чат работал постоянно, один поток читает, второй пишет:

new Thread(() -> {
    while (true) System.out.println(in.readLine());
}).start();

Основной поток отправляет то, что вводишь в консоль:

Scanner sc = new Scanner(System.in);
while (true) out.println(sc.nextLine());

В итоге получается уже настоящий чат по локалке,
один ПК запускает сервер, второй подключается по IP, и сообщения ходят в обе стороны в реальном времени.

👉 Java Ready | #совет

Perplexity — AI-поисковик с генеративной моделью и встроенным web-ресёрчем. Работает по RAG-архитектуре: ищет актуальные источники, ранжирует их и формирует синтезированный ответ с цитированием. Подходит для быстрого ресёрча, конкурентного анализа, сравнения решений и проверки гипотез на основе свежих данных.

📌 Оставляю ссылочку: perplexity.ai

👉 Java Ready | #ресурс