🍷 Скачал фильм и отдал пароли: как “новинка с Ди Каприо” превратилась в троян

Плохие новости для тех, кто до сих пор качает фильмы с торрентов: под видом новой «Битвы за битвой» с Ди Каприо распространяют раздачу с трояном Agent Tesla.

Атака выстроена аккуратно и почти кинематографично, вредонос прячется в субтитрах, сам подтягивает Go и собирается прямо на вашем компьютере, пароль от архива при этом максимально «надёжный».

В итоге кино вы не увидите, зато хакеры - ваши пароли и систему целиком. Будьте осторожны.

Вы всё ещё качаете фильмы с торрентов?
🔥 — да.
🌚 — нет, конечно (да)
❤️ — нет.

🏃‍♀️ Proglib Academy

#развлекалово

⚙️ Как настроить CI/CD в GitLab

Сейчас разберем, как настроить CI/CD в GitLab, создать gitlab-ci.yml, подключить Runner и автоматизировать развертывание.

1️⃣ Создание .gitlab-ci.yml

GitLab использует файл .gitlab-ci.yml, который определяет пайплайн. Он размещается в корне репозитория.

Простой пример для сборки Java-приложения с использованием Maven:

stages:
  - build
  - test
  - deploy

build:
  stage: build
  image: maven:3.8.5-openjdk-17
  script:
    - mvn clean package
  artifacts:
    paths:
      - target/*.jar

test:
  stage: test
  image: maven:3.8.5-openjdk-17
  script:
    - mvn test

deploy:
  stage: deploy
  image: alpine:latest
  script:
    - echo "Deploying application..."

2️⃣ Настройка Runner’а

Runner — это агент, который выполняет задачи из .gitlab-ci.yml. Его нужно зарегистрировать на целевой машине.

Установка:

curl -L https://packages.gitlab.com/install/repositories/runner/gitlab-runner/script.deb.sh | sudo bash
sudo apt-get install gitlab-runner

Регистрация:

sudo gitlab-runner register

Запуск:

sudo gitlab-runner start

Готово! По необходимости можно настроить окружение, добавить переменные и мониторить логи как пайплайна, так и раннера.

🔹 Практический интенсив «Архитектуры и шаблоны проектирования»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Proglib Academy

#буст

Сколько на самом деле стоит твой диплом? Считаем разницу в зарплатах джунов с вышкой и без 🎓

Из каждого утюга кричат, что в айти можно войти с улицы, просто выучив Python. Но статистика зарплат и требования топовых компаний говорят об обратном.

Давай разберемся, где самоучке действительно рады, а где без профильного вуза (и даже PhD!) твое резюме полетит в корзину сразу после скрининга.

🔗 Читать статью

🔹 Курс «Основы IT для непрограммистов»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Proglib Academy

#буст

📌 Шпаргалка: как выбрать AI-модель в 2025 году

🔹 ChatGPT — лучший для диалогов, генерации текста и объяснений.
🔹 Claude — глубоко анализирует длинные тексты.
🔹 Perplexity — идеально подходит для поиска и структурирования данных.
🔹 Gemini — интеграция с Google для актуальных сведений.
🔹 Grok — фокус на аналитике и технических задачах.

Полное сравнение моделей: https://clc.to/u6RuRA

🔹 Курс «Математика для разработки AI-моделей»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Proglib Academy

#буст

Уложимся?

❤️ — джун: да.
🔥 — мидл: нет, но дедлайн придется перенести
👍 — сеньор: нет.

🔹 Курс «Алгоритмы и структуры данных»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Proglib Academy

#буст

🔹 Фишка Shapiq: Shapley Interactions для машинного обучения

Shapiq — новая библиотека, которая расширяет возможности популярной библиотеки SHAP, добавляя возможность количественного анализа взаимодействий признаков, данных или слабых моделей в ансамблях. Это позволяет глубже понять, как модель принимает решения.

Удобный способ визуализации взаимодействий признаков (до второго порядка) — графовые диаграммы. На таком графике:

🔹 Узлы представляют значимость отдельных признаков.
🔹 Ребра показывают силу их взаимодействий.
🔹 Размер узлов и рёбер пропорционален абсолютным значениям атрибуций и взаимодействий.

Пример кода:

shapiq.network_plot(first_order_values=interaction_values.get_n_order_values(1),second_order_values=interaction_values.get_n_order_values(2))

# или
interaction_values.plot_network()

🔗 Репозиторий: https://clc.to/JSHqLA

🔹 Курс «Математика для разработки AI-моделей»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Proglib Academy

#буст

💡 Холивар: AI-инструменты в работе — must-have или бесполезная игрушка?

Сегодня появляется всё больше решений, упрощающих жизнь дата-сайентистам. Например, PandasAI — инструмент, который позволяет задавать вопросы к данным на естественном языке. Это полезно и для новичков, и для опытных специалистов, которым нужно сэкономить время.

🛠 Пример использования PandasAI:

import pandasai as pai

# Sample DataFrame
df = pai.DataFrame({
    "country": ["United States", "United Kingdom", "France", "Germany", "Italy", "Spain", "Canada", "Australia", "Japan", "China"],
    "revenue": [5000, 3200, 2900, 4100, 2300, 2100, 2500, 2600, 4500, 7000]
})

# By default, unless you choose a different LLM, it will use BambooLLM.
# You can get your free API key signing up at https://app.pandabi.ai (you can also configure it in your .env file)
pai.api_key.set("your-pai-api-key")

df.chat('Which are the top 5 countries by sales?')

Этот код позволяет легко получать инсайты из данных без сложного анализа.

А как у вас с AI-помощниками в работе? Делитесь в комментах, какие инструменты вам реально помогают! 👇

🔥 — да, активно использую
👍 — пробовал(а), но не зашло
🤔 — пока не использую, но интересно
🌚 — нет, считаю их бесполезными

🔹 Курс «Математика для разработки AI-моделей»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Proglib Academy

#междусобойчик

🐼 How to: объединять таблицы в Pandas

Разберём основные виды соединений DataFrame:

✅ Full Outer Join (Полное внешнее соединение):
Возвращает все записи из обеих таблиц. Если нет совпадения, подставляется NaN.

import pandas as pd

df1 = pd.DataFrame({
    'ID': [1, 2, 3],
    'Name': ['Alice', 'Bob', 'Charlie']
})

df2 = pd.DataFrame({
    'ID': [3, 4, 5],
    'Age': [23, 34, 45]
})

full_outer = pd.merge(df1, df2, on='ID', how='outer')
print(full_outer)

✅ Inner Join (Внутреннее соединение):
Возвращает только совпадающие записи из обеих таблиц.

inner = pd.merge(df1, df2, on='ID', how='inner')
print(inner)

✅ Left Outer Join (Левое соединение):
Берёт все записи из левой таблицы и только совпадающие из правой. Остальные заполняются NaN.

left_outer = pd.merge(df1, df2, on='ID', how='left')
print(left_outer)

✅ Right Outer Join (Правое соединение):
Аналогично левому соединению, но теперь берём все записи из правой таблицы.

right_outer = pd.merge(df1, df2, on='ID', how='right')
print(right_outer)

🔹 Курс «Математика для разработки AI-моделей»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Proglib Academy

#буст

😶 Алгоритмы или гугл?

С одной стороны, понимание алгоритмов даёт прочную базу и уверенность в коде. С другой — реальная работа часто требует скорости, а гуглить решения уже стало навыком.

А что важнее для junior-разработчика? Делитесь своим мнением и голосуйте! 👇

❤️ — Алгоритмы, без них никуда
🔥 — Гуглить тоже надо уметь
👍 — Главное — чтобы код работал

🔹 Курс «Математика для разработки AI-моделей»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Proglib Academy

#междусобойчик

😍 Подборка 25 полезных и бесплатных ресурсов для аналитиков

Если ты сомневаешься, стоит ли тратить время на освоение статистических методов и других сложных тем аналитики, начни с бесплатных курсов. Это отличный способ:

👍 Получить крепкую базу знаний, которая поможет понять, стоит ли углубляться дальше.
👍 Получить сертификаты, которые могут быть полезны для твоего резюме, особенно если опыта пока нет.

Ссылка на ресурсы: https://clc.to/4p3g-g

🔹 Курс «Математика для разработки AI-моделей»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Proglib Academy

#буст

А вы на какой стадии?

🔥 — до сих пор офигеваю
❤️ — отрицание
🌚 — принятие

🔹 Курс «Математика для разработки AI-моделей»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Proglib Academy

#развлекалово

✍️ Шпаргалка: как генерировать текст с LLM

Генерация текста — это не просто предсказание следующего токена! LLM оценивает вероятность появления каждого слова, но как выбрать, какие слова вставлять в текст?

Давайте разберём основные методы:

🔵 Жадный поиск (Greedy Search) — выбираем слово с наивысшей вероятностью и продолжаем. Проблема: тексты становятся предсказуемыми и повторяются.

🔵 Случайный отбор (Sampling) — выбираем слова случайно с учётом вероятностей. Регулируется параметром temperature:
🔥 Высокая температура → креативный, но хаотичный текст.
❄️ Низкая температура → логичный, но скучный текст.

🔵 Лучевой поиск (Beam Search) — выбираем k лучших вариантов, продолжаем развивать их и выбираем последовательность с наибольшей вероятностью. Это баланс между качеством и скоростью.

🔵 Контрастный поиск (Contrastive Search) — улучшенный вариант, который оценивает гладкость и разнообразие текста. Слова с высокой вероятностью, но слишком похожие на предыдущие, могут быть наказаны и заменены более разнообразными.

💡 Какой метод лучше?
✓ Если нужен фактологичный ответ — лучше beam search
✓Для творческих текстов — sampling
✓ Для баланса между качеством и разнообразием — contrastive search

🔹 Курс «Математика для разработки AI-моделей»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Proglib Academy

#буст

❤️ — распространите

🔹 Курс «Математика для разработки AI-моделей»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Proglib Academy

#развлекалово

✅ Чек-лист: отправка кода на ревью

Прежде чем звать старшего коллегу для проверки кода пройдись по этому списку 👇

📌 Общее
✓ Код компилируется и проходит все необходимые тесты.
✓ В коде нет отладочных выводов в консоль.
✓ Отсутствуют «магические числа» (используются константы)
✓ Нет дублирования кода.
✓ Код не похож на «простыню», строки методов не исчисляются сотнями.

🛠 Функциональность
✓ Код делает именно то, что заявлено в задаче / тикете.
✓ Проверены граничные случаи.
✓ Обработаны возможные исключения.
✓ При ошибках возвращаются понятные сообщения и коды.

🚀 Производительность
✓ Код не создает лишних объектов.
✓ Нет ненужных синхронизаций и блокировок.
✓ Если есть циклы в циклах — подумать дважды, нельзя ли их убрать.

🧹 Чистота и поддерживаемость
✓ Минимальная вложенность (if-else не превращается в лабиринт)
✓ Код понятен без лишних комментариев
✓ Если добавлен новый код – он покрыт тестами
✓ Нет «зомби-кода» (закомментированных кусков, которые «может быть пригодятся»)

🧪 Тестирование
✓ Все тесты проходят до отправки на ревью
✓ Покрытие юнит-тестами достаточное, основные сценарии проверены
✓ Не тестируем очевидное (getter/setter, toString())

🔗 Git и процесс ревью
✓ Название ветки соответствует принятому стандарту (feature/, bugfix/, hotfix/)
✓ Коммиты логичны и атомарны (не «все в одном»)
✓ Сообщения коммитов осмысленные, а не «fixed bug» или «changes»

Отправляй на ревью и пусть только попробуют найти изъяны!

🔹 Курс «Алгоритмы и структуры данных»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Proglib Academy

#буст

А вы говорите «спасибо» ChatGPT?

❤️ — Конечно, вдруг пощадит при восстании машин.
⚡️ — Нет, пусть учится писать короче, понятнее, как человек.

🔹 Курс «Математика для разработки AI-моделей»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Proglib Academy

#развлекалово

🔥 Сколько времени нужно, чтобы войти в IT: реальные цифры

Мы спросили подписчиков, сколько у них занял переход «хочу в IT» → первая работа. Вот результаты.

🔵 38,4% справились за год
🔵 30,4% потребовалось 1-2 года
🔵 17,9% шли 2-3 года
🔵 13,4% учились и пробивались больше 4 лет

Как входили в IT
🔵 53,4% изучали самостоятельно
🔵 24,1% учились на курсах
🔵 Остальные — через вуз, наставников, стажировки

У всех путь разный, но главное — не останавливаться. Кто-то заходит в IT за 6 месяцев, кто-то — за 3 года. Но если идти — дойдёшь.

🔹 Курс «Основы IT для непрограммистов»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Proglib Academy

#междусобойчик