FastAPI: Использование Pydantic

Продолжаем делиться циклом видео, благодаря которому ты научишься пользоваться FastAPI библиотекой. В этот раз ты научишься работать с Pydantic и описывать типы данных.

👀Смотреть видео

#видео

list.pop

list.pop() — это метод списка, который удаляет элемент по указанному индексу и возвращает его. Если индекс не указан, удаляется и возвращается последний элемент списка. Этот метод изменяет исходный список, уменьшая его длину. Если индекс выходит за границы списка, вызывается исключение IndexError. Чтобы избежать ошибки, можно проверять длину списка.

#практика

Temporal Fusion Transformer

Temporal Fusion Transformer (TFT) — это мощная нейронная сеть для прогнозирования временных рядов, разработанная для обработки сложных данных с различными временными и статическими характеристиками. TFT сочетает в себе преимущества механизмов внимания (Attention) и рекуррентных сетей, чтобы извлекать значимые зависимости и взаимодействия в данных. Благодаря данной статье ты узнаешь о преимуществах TFT.

👉Читать статью

#статьи

MongoDB: Обновление и удаление данных

Делимся циклом видео, благодаря которому ты научишься пользоваться MongoDB. В этот раз автор рассказывает, как обновлять, удалять, а также заменять один объект другим.

👀Смотреть видео

#видео

Ridge и Lasso

Иногда простая линейная регрессия начинает чудить: переобучается, даёт нестабильные коэффициенты, особенно если в данных много признаков или они между собой похожи. Это называется мультиколлинеарность, и лечится оно регуляризацией — техникой, которая добавляет “штраф” за слишком сложную модель. В линейной регрессии это реализуется через Ridge (L2-регуляризация) и Lasso (L1-регуляризация).

Ridge-регрессия добавляет к ошибке сумму квадратов коэффициентов. В результате модель получает штраф за то, что “раздувает” веса. Чем больше alpha, тем сильнее сжимаются веса. Маленькое значение — почти обычная линейная регрессия, большое — всё приближается к нулям.

Lasso-регрессия штрафует за модули коэффициентов. То есть она не просто сжимает веса, а может вообще сделать некоторые из них равными нулю. Это превращает Lasso в инструмент для отбора признаков: она как бы говорит «этот признак не важен — выкину его сам».

#практика

numpy.where

Функция numpy.where используется для поиска элементов в массиве, которые соответствуют определённому условию. Она возвращает индексы этих элементов или позволяет заменять их на другие значения. Благодаря данной статье ты узнаешь, как пользоваться numpy.where.

👉Читать статью

#статьи

FastAPI: HTTP-запросы

Продолжаем делиться циклом видео, благодаря которому ты научишься пользоваться FastAPI библиотекой. В этот раз ты научишься обрабатывать различные HTTP-запросы: get, post, put, delete.

👀Смотреть видео

#видео

NumPy: concatenate

Функция numpy.concatenate() используется для объединения массивов вдоль существующих осей. Это позволяет объединять несколько массивов NumPy в один массив. Мы передаем последовательность массивов, которые хотим объединить, в функцию concatenate() вместе с осью. Если ось не передана явно, она принимается за 0.

#практика #numpy

FastAPI VS Litestar

В данной статье автор сравнивает два фреймворка для микросервисов: FastAPI и Litestar. Ты узнаешь о плюсах и минусах каждого. Также продемонстрировано сравнение производительности и примеры валидации.

👉Читать статью

#статьи

MongoDB: Объединение запросов

Делимся циклом видео, благодаря которому ты научишься пользоваться MongoDB. В этот раз автор рассказывает, как объединять запросы. В этом тебе поможет Bulk Write.

👀Смотреть видео

#видео

ElasticNet

Минус Lasso в том, что если признаки сильно скоррелированы между собой, она может случайно “выбрать” только один из них и проигнорировать остальные, даже если они тоже информативны. В таких случаях часто используют ElasticNet — это гибрид L1 и L2.

Параметр l1_ratio регулирует баланс между L1 и L2. 0.0 — чистый Ridge. 1.0 — чистый Lasso. 0.5 — пополам.

#практика

Разработка DHCP-сервера

DHCP (Dynamic Host Configuration Protocol) — это протокол, который автоматически раздаёт IP-адреса устройствам в сети. Когда компьютер или телефон подключается к Wi-Fi, ему нужен IP-адрес, чтобы общаться с другими устройствами. Вместо того чтобы вручную настраивать адреса, DHCP-сервер автоматически выдаёт их. Благодаря данной статье ты узнаешь, как создать собственный DHCP-сервер на Python.

👉Читать статью

#статьи

OpenSearch как сервис

OpenSearch — это инструмент для быстрого поиска и аналитики данных.Он помогает искать, фильтровать и анализировать большие объемы информации. Например, логи, товары в интернет-магазине или данные с веб-сайта. В данной статье автор рассказывает, как развернуть кластеры OpenSearch за несколько минут и начать с ней работать в Python.

👉Читать статью

#статьи

Дерево решений: Часть 1

Дерево решений — это модель, которая принимает решения, двигаясь по ветвям дерева от корня к листьям. На каждом узле происходит проверка: например, «если возраст > 30 — идём направо, иначе налево». Так шаг за шагом дерево делит данные на подгруппы, пока не придёт к финальному решению: в регрессии — числовое значение, в классификации — метка класса.

Модель выглядит почти как блок-схема, и ты можешь буквально прочитать, почему она приняла то или иное решение. В Python всё это делается через sklearn.tree.DecisionTreeClassifier или DecisionTreeRegressor.

Параметр max_depth — это ограничение на глубину дерева. Без него дерево может продолжать делиться, пока не переобучится подчистую. Всегда важно следить за глубиной, количеством листьев (max_leaf_nodes) и минимальным числом объектов в узле (min_samples_split) — это всё способы контроля переобучения.

#практика

FastAPI: Аннотации и валидация

Продолжаем делиться циклом видео, благодаря которому ты научишься пользоваться FastAPI библиотекой. В этот раз ты освоишь класс аннотаций. Он позволяет быстро добавлять валидацию к URL-адресам.

👀Смотреть видео

#видео

Генерация двухмерной полигональной карты

В данной статье автор рассматривает задачу процедурной генерации двухмерной полигональной карты. Рассматривается решение и ключевые использованные принципы.

👉Читать статью

#статьи

Дерево решений: Часть 2

Алгоритм деления работает по принципу максимизации чистоты внутри подмножеств. В классификации чаще всего используется Gini impurity или энтропия: они показывают, насколько хорошо разделились классы после сплита. В регрессии — снижение дисперсии (variance reduction). На каждом шаге дерево перебирает все признаки и находит такое условие, которое максимально эффективно делит выборку на две группы с минимальной “грязью”.

Однако у данного алгоритма есть некоторые недостатки. Деревья легко переобучаются, особенно если не ограничивать глубину. Они могут давать нестабильные результаты при небольшом изменении данных (особенно одиночные деревья). Чтобы побороть эти минусы, придумали ансамбли — такие как Random Forest и Gradient Boosting, где используется много деревьев сразу, и это даёт намного более стабильный и мощный результат.

💻Ссылка на первую часть

#практика