Python Learning

➡️ Превращение функций в методы класса с помощью types.MethodType types.MethodType — это способ динамического добавления функций в экземпляры класса как методы. Это позволяет создавать методы "на лету" и добавлять их в объекты, что может быть полезно в сложных сценариях, когда структура класса определяется динамически. 🗣️ В этом примере функция external_function добавляется в экземпляр класса MyClass как метод. Это позволяет вызывать её как обычный метод класса, используя атрибуты экземпляра. Python Learning 👩‍💻

Библиотека python-decouple Библиотека python-decouple для Python помогает отделить конфигурационные параметры от вашего исходного кода. Это означает, что вы можете хранить секретные данные, такие как ключи API, пароли и URL-адреса базы данных, вне вашего кода, улучшая безопасность. Python Learning 👩‍💻

➡️ Использование функции itertools.tee() для дублирования итераторов itertools.tee() — это интересная функция из модуля itertools, позволяющая создавать несколько независимых копий одного и того же итератора. 🗣️ Это полезно, когда вам нужно одновременно итерировать по одним и тем же данным в разных частях кода, не повторяя вычисления. ✔️ itertools.tee() делает работу с итераторами гибче и удобнее. Python Learning 👩‍💻

🔍Тестовое собеседование на Middle Python с разработчиком из Авито завтра вечером Уже завтра вечером в 19:00 по мск приходи онлайн на открытое собеседование, чтобы посмотреть на настоящее интервью на Middle Python-разработчика. Как это будет: 📂 Даня, старший разработчик в Авито, будет задавать реальные вопросы и задачи разработчику-добровольцу 📂 Даня будет комментировать каждый ответ респондента, чтобы дать понять чего от вас ожидает собеседующий на интервью 📂 В конце можно будет задать любой вопрос Дане Это бесплатно. Эфир проходит в рамках менторской программы от ШОРТКАТ для Python-разработчиков, которые хотят повысить свой грейд, ЗП и прокачать скиллы. Переходи в нашего бота, чтобы получить ссылку на эфир → @shortcut_py_bot Реклама. О рекламодателе.

🔥 Три разных человека. Три разных проекта. Один и тот же подход. — Юра взял «скучную» нишу с готовым спросом → сначала печальные $100/мес, через год уже ~$10K/мес — Денис сделал Telegram-игру в одиночку на основе AI → ~ $1500 за 1,5 месяца после запуска — Аня без кода запустила AI-бота для изучения английского → первые ~$200 уже в 1 месяц Разные результаты. Разный масштаб. Но общие правила: 1. не придумывать «гениальную идею», а брать существующий спрос 2. делать простой MVP и быстро запускаться 3. докручивать монетизацию и продукт по факту использования Ребята сделали всё без команды, без инвестиций, а самое главное — без ожидания «идеального момента». Да, не у всех получается сразу. И не у всех выходит на $10K. Но если системно идти по схеме выше — появляется первый доход с продукта, а дальше уже есть что масштабировать. В комьюнити разбираем такие кейсы регулярно: @its_capitan. Что сработало, что нет, и почему. Реклама: ИП Зуев Игорь Владимирович, ИНН: 360408359441, Erid: 2VtzqwWTgtz

Почему Python — основной язык в offensive security? Большинство задач в ИБ так или иначе упирается в скрипты: автоматизация, работа с сетью, парсинг, фаззинг, свои утилиты под конкретную инфраструктуру. Готовых инструментов часто недостаточно — нужен код, который можно написать и доработать под себя. Python для Пентестера от Codeby — курс для тех, кто уже знает Python на базовом уровне и хочет применять его в информационной безопасности. Что будет на курсе: ⏺️ООП и модули для работы с аргументами командной строки ⏺️работа с БД и файловой системой ⏺️многопоточность ⏺️сетевая работа на Python ⏺️фаззер, сканер портов, брутфорсер, парсер ⏺️криптография и работа с метаданными ⏺️разработка прикладного фреймворка Формат обучения: • 3,5 месяца / 112 ак. ч. (14 недель + 1 неделя на экзамен) • ДЗ с ручной проверкой куратором • итоговый дипломный проект на выбор Запись на ближайший поток открыта до 16 июля. При оплате курса сразу — скидка 30% ➡️Успейте записаться 🪧Бесплатная консультация: @CodebyAcademyBot

⚙️ enumerate() Когда тебе нужно итерировать по списку с доступом к индексу элемента, используй enumerate(). Эта встроенная функция возвращает и индекс, и сам элемент в одном цикле, что удобно и лаконично. Python Learning 👩‍💻

➡️ Использование cachetools для кэширования в Python cachetools — это небольшая, но мощная библиотека для кэширования, которая предоставляет различные стратегии кэширования, такие как LRU (Least Recently Used), LFU (Least Frequently Used) и другие. Она позволяет оптимизировать производительность, избегая повторных вычислений или запросов. • cachetools полезна, когда требуется хранить временные результаты или промежуточные данные для повышения производительности. 🔗 Ссылочка на доку Python Learning 👩‍💻

👩‍💻 Задача по Python Создайте функцию find_longest_substring для поиска самой длинной подстроки в строке, содержащей уникальные символы. Функция должна возвращать длину этой подстроки. Пример: print(find_longest_substring("abcabcbb")) # Вернёт 3, т.к. самая длинная уникальная подстрока "abc" print(find_longest_substring("bbbbb")) # Вернёт 1, т.к. самая длинная уникальная подстрока "b" print(find_longest_substring("pwwkew")) # Вернёт 3, т.к. самая длинная уникальная подстрока Решение задачи на картинке ☝ Python Learning 👩‍💻

❓ Вопрос на собеседовании Как в Python работают функции с переменным количеством аргументов (*args и **kwargs), и как это можно использовать для создания гибких функций? Ответ ⬇️ Функции с *args принимают произвольное количество позиционных аргументов, а с **kwargs — именованных аргументов. Это позволяет передавать любое количество значений и делать интерфейс функций более гибким. *args упаковывает аргументы в кортеж, а **kwargs — в словарь. Пример использования ⚙️ def demo_func(*args, **kwargs): print("Позиционные аргументы:", args) print("Именованные аргументы:", kwargs) demo_func(1, 2, 3, name="Alice", age=25) # Позиционные аргументы: (1, 2, 3) # Именованные аргументы: {'name': 'Alice', 'age': 25} Python Learning 👩‍💻

Нейросеть, LLM (большие языковые модели) и ИИ-агент Эти слова в разговорах часто используют как синонимы. Но за ними стоят разные механизмы, и от того, с чем вы работаете, зависит результат. LLM генерирует текст на основе того, на чем ее обучили. Запускается только по запросу человека, работает в один цикл «промпт → ответ», между сессиями ничего не помнит и умеет ровно одно — писать текст. Как эрудированный консультант, который отвечает на вопросы. ИИ-агент — автономная система. Получает цель, сам определяет шаги, обращается к внешним сервисам, запускает код, читает файлы, ищет в базе данных, сохраняет контекст и историю действий. Как сотрудник, который получил задачу и решает ее сам. karpovꓸcourses выложили бесплатный гайд «Почему ваш ИИ пишет не то: LLM против ИИ-агента». В нем сравнение модели и агента по параметрам — память, доступные инструменты, реакция на ошибки, способ запуска — и схема цикла агента с разбором каждого шага. Автор — Алексей Жиряков: 15+ лет в бэкенд-разработке, ex-Stream CTO KION, в Сбере отвечает за работу с данными для ИИ. Заберите гайд и скидку 30% на платный воркшоп «AI-first разработка на Python» по ссылке