✊ Всем привет! Новый канал, буду наполнять контентом. Еще раз просьба, кто не отписался - отписаться от старого, который был украден.

Много людей в Тик-Ток написали теплые слова и выразили желание поддержать. Из-за обилия проблем не могу отказываться, хоть это ощущается неловко, если честно.

- Украина (Банка знакомой)
- Любая валюта, донат (ссылка)
- USDT-TRC20: TWvHdZf5qE3HRLgHtRoeNs53w9mtawHWAA
-TON: UQBVe8phnNFJPWkIyIGN_Oo1L2zsWB8LeW1D8xskEucv8UNs

Донаты вовсе не обязательны, исключительно если у Вас есть какая-то возможность помочь... В остальном, спасибо что снова пришли - постараюсь делать для вас регулярно интересный контент!

🌐 Как работать с геолокацией и IP-адресами на Python?

Такой пост, логическое развитие видео, которое скоро выложу в ТикТок.

Хотите научить ваше Python-приложение определять местоположение пользователя? Это проще, чем кажется. Сегодня мы разберёмся, как, имея IP-адрес, получить страну, город и даже координаты пользователя с помощью популярных библиотек.

🧐 Что такое геолокация по IP?

Каждое устройство, подключенное к интернету, имеет уникальный IP-адрес. Этот адрес содержит информацию о провайдере и примерном географическом расположении. Специальные базы данных сопоставляют диапазоны IP-адресов с конкретными городами и странами. Точность не идеальна, но для многих задач (аналитика трафика, локализация контента) её вполне достаточно.

🛠 Инструменты, которые нам понадобятся:

1) requests - для выполнения HTTP-запросов к API-сервисам;
2) geopy - мощная библиотека для работы с геоданными, которая умеет не только определять координаты, но и считать расстояние между точками.

Шаг 1: Получаем свой публичный IP-адрес

Для начала нужно узнать IP-адрес, который мы будем "пробивать". Воспользуемся простым сервисом ipify, который возвращает IP в текстовом формате.

import requests

def get_my_ip():
    """Возвращает публичный IP-адрес."""
    try:
        response = requests.get('https://api.ipify.org?format=json')
        response.raise_for_status()  # Проверка на ошибки HTTP
        ip_data = response.json()
        return ip_data.get('ip')
    except requests.RequestException as e:
        print(f"Ошибка при получении IP: {e}")
        return None

my_ip = get_my_ip()
if my_ip:
    print(f"Мой IP-адрес: {my_ip}")

Шаг 2: Определяем геолокацию по IP

Теперь, когда у нас есть IP, воспользуемся бесплатным гео-API, например, ip-api.com. Он предоставляет подробную информацию в формате JSON.

def get_geolocation(ip_address):
    """Получает геоданные по IP-адресу."""
    if not ip_address:
        return None
    
    url = f"http://ip-api.com/json/{ip_address}"
    try:
        response = requests.get(url)
        response.raise_for_status()
        data = response.json()
        if data.get('status') == 'success':
            return {
                'country': data.get('country'),
                'city': data.get('city'),
                'zip': data.get('zip'),
                'lat': data.get('lat'),
                'lon': data.get('lon'),
                'isp': data.get('isp')
            }
        else:
            print(f"API вернул ошибку: {data.get('message')}")
            return None
    except requests.RequestException as e:
        print(f"Ошибка при запросе геолокации: {e}")
        return None

# Используем IP, полученный на предыдущем шаге
geo_info = get_geolocation(my_ip)
if geo_info:
    print("\nИнформация о местоположении:")
    for key, value in geo_info.items():
        print(f"  {key.capitalize()}: {value}")

Шаг 3: Работаем с координатами с помощью Geopy

Библиотека geopy — это настоящий швейцарский нож для гео-задач. Например, мы можем посчитать расстояние от нас до какой-нибудь известной точки.

from geopy.distance import geodesic

def calculate_distance_to_kyiv(lat, lon):
    """Рассчитывает расстояние от заданных координат до центра Киева."""
    if lat is None or lon is None:
        return "Не удалось получить координаты."
        
    my_location = (lat, lon)
    kyiv_location = (50.4501, 30.5234) # Координаты центра Киева
    
    distance = geodesic(my_location, kyiv_location).kilometers
    return f"{distance:.2f} км"

if geo_info:
    distance_to_kyiv = calculate_distance_to_kyiv(geo_info.get('lat'), geo_info.get('lon'))
    print(f"\nРасстояние до центра Киева: {distance_to_kyiv}")

Вот так просто можно добавить в свой проект базовую геолокацию. Это открывает массу возможностей: от персонализации контента для пользователя до сбора статистики по регионам. Экспериментируйте и создавайте умные приложения!

@foodmg_bot - попробуйте, если кому-то интересно.

Посмотрим, как поживет при нагрузке, хотя я не думаю, что вы будете таким сильно пользоваться.

📌 Подборка курсов и платформ для старта в IT и кибербезе!

Собрал краткий обзор ресурсов, которые вы спрашивали. От математики до практики взлома.

🧠 Математический Анализ (для будущих инженеров)

Курс-фундамент для тех, кто метит в Machine Learning, Data Science или GameDev. Здесь про пределы, производные и интегралы. Сложно, академично, но открывает двери в самые сложные и высокооплачиваемые сферы IT.

Кому: Студентам тех. специальностей и тем, кто не боится формул.

🔐 Математика в кибербезопасности (от Kaspersky)

Практический курс, который показывает, как школьная арифметика и логика превращаются в реальную криптографию. Разбор шифров от Цезаря до RSA. Отличный способ увидеть связь теории с работой в ИБ.

Кому: Школьникам, студентам и всем, кто хочет понять магию шифрования.

🕵️ Обзор профессий в кибербезопасности (от практиков)

Курс-знакомство с индустрией. Два топовых эксперта (из "белого" хакинга и борьбы с фин. преступлениями) рассказывают, кто чем занимается в кибербезе: offensive, defensive, криминалистика. Это не про то, КАК делать, а про то, КЕМ БЫТЬ.

Кому: Всем, кто выбирает профессию в IT и хочет понять, что такое кибербез.

🎮 Практика на TryHackMe (хакерский полигон)

Это лучшая онлайн-платформа для новичков, где вы в игровой форме учитесь взламывать и защищать системы. Все инструменты доступны прямо в браузере.

Кому: Абсолютно всем, кто хочет получить практические навыки в "белом" хакинге.

Просили на трансляциях, поискал, подобрал.

Делал видео об этих репозиториях, еще напишу, чтобы Вы не потеряли:

1) steven2358/awesome-generative-ai

Что внутри: тщательно отобранный каталог проектов и сервисов по генеративке — от LLM до музыки и изображений. Удобно прыгать по разделам, находить новые демо, библиотеки и сервисы, смотреть “открытия” и вносить свои. 💡

Кому нужно: разработчикам, исследователям, продактам и авторам контента, кто хочет быстро увидеть ландшафт и собрать инструментарий для прототипа, ресёрча или контента. Подходит и новичкам, и сеньорам — старт и апгрейд стека в одном месте. 🧰⚡️

2) Shubhamsaboo/awesome-llm-apps

Что внутри: живая коллекция реальных LLM-приложений — RAG, агенты и мульти-агенты, MCP, голосовые агенты. Много примеров с OpenAI/Anthropic/Gemini и опенсорс-моделями (DeepSeek, Qwen, Llama), плюс стартовые агенты и готовые шаблоны. 🗂

Кому нужно: продактам и разработчикам, кто строит фичи “под пользователя” — прототипы для хакатонов, демо для инвесторов, быстрые POC для стартапа. Отлично, чтобы “снять идею с тормоза” и увидеть рабочие паттерны. 🛠

Еще нашел для вас ВСЕХ 4 крутейших курса в разных направлениях. Что-то смотрел сам, что-то спрашивал у друзей.

Сегодня дам.

Учиться, учиться и еще раз учиться. (все 4 free)

Вот четыре курса, которые реально закрывают пробелы и ускоряют вход в DS/AI 👇

1) Karpov.Courses — Симулятор SQL 🧩

Бесплатный интерактив: 150 задач, реальная среда PostgreSQL + Redash, авто-проверка. Разбираете продуктовые метрики, ad-hoc запросы и строите дашборды — как в боевой аналитике.

Для кого: новички в данных, аналитики, продакты, разработчики и тестировщики, кому нужно “набить руку” на SQL и говорить с бизнесом на одном языке. Старт в любое время.

2) Karpov.Courses — Математика для Data Science 📐

Бесплатная база от “нулевого” уровня: матан (1 и 2), линал, оптимизация и математическая нотация. Фокус на интуицию + практику, чтобы увереннее читать статьи и понимать алгоритмы МО.

Для кого: студенты, начинающие DS/аналитики, а также практикующие спецы, кто хочет систематизировать знания и укрепить фундамент. Самостоятельный темп, старт когда удобно.

3) Stepik — Основы статистики 📊

Вводный 3-недельный курс (3–4 ч/нед): описательная статистика, корреляции, регрессия, ANOVA, кластеризация, интерпретация и визуализация. Есть сертификат Stepik, ~29 уроков и 100+ тестов.

Для кого: студенты и исследователи любых направлений, а также начинающие аналитики данных. Честная ремарка: курс записан давно, местами устарел — полезно читать сопроводительные поправки. Бесплатно.

4) DeepLearning.AI — Generative AI with LLMs 🤖

Курс с AWS про практику разработки с LLM: жизненный цикл (данные → выбор модели → оценка → деплой), трансформеры и файн-тюнинг, эмпирические “scaling laws”, инструменты инференса/продакшена.

Для кого: DS/ML-инженеры, промт-инженеры и все, кто хочет прикладно освоить генеративку. Уровень intermediate: нужен Python и базовый ML. По итогу — сертификат (на платформе Coursera), но стоит 40$. Сам курс, как и остальные, бесплатный.

https://www.twitch.tv/mgerkom - включился на час-два.