💬 DFS vs BFS на Python

Если хотите разобраться, как алгоритмы поиска в глубину и поиска в ширину работают на практике, то вот минимальный пример, который покажет разницу.

graph = {
    'A': ['B', 'C'],
    'B': ['D', 'E'],
    'C': ['F'],
    'D': [], 'E': [], 'F': []
}

def dfs(node, visited=set()):
    if node in visited: return
    print(node)
    visited.add(node)
    for neighbor in graph[node]:
        dfs(neighbor, visited)

def bfs(start):
    queue = [start]
    visited = set()
    while queue:
        node = queue.pop(0)
        if node in visited: continue
        print(node)
        visited.add(node)
        queue += graph[node]

➡️ Что делает

— dfs проходит глубоко: A → B → D → E → C → F
— bfs — по уровням: A → B → C → D → E → F
— Обе функции показывают порядок обхода графа

🔵 Чтобы знать об алгоритмах все, забирайте наш курс «Алгоритмы и структуры данных»

Proglib Academy #буст

🧐 Как устроены AI-модели для работы с изображениями

На схеме выше — карта различных подходов к пониманию изображений искусственным интеллектом. Давайте разберемся, что здесь к чему.

📍Ось Recognition: чем левее модель, тем хуже она распознает объекты

📍Ось Localization: чем левее модель, тем хуже она распознает местоположние объекта

А теперь на пальцах моделях:
• SAM — отлично знают ГДЕ, но не знают ЧТО
• SEEM/DINO — неплохо определяют положение, базово распознают объекты
• CLIP/BLIP — знают ЧТО видят, но не всегда точно ГДЕ это находится
• RAM — универсальный солдат, который знает и ЧТО, и ГДЕ

🔗 Подробнее об универсальном солдате — в статье

🔵 Чтобы получить оффер-мечты в Data Science, забирайте наш курс → «Математика для Data Science»

Proglib Academy #буст

🏗 Архитектурное ревью: как не утонуть в хаосе большого проекта

Вы работаете над зрелым продуктом, где десятки команд, множество сервисов и решений. Всё взаимосвязано, и любая ошибка дорого обходится. Значит, без архитектурного ревью — никуда.

➡️ В статье

📍 Когда приходит время для архитектурного ревью
📍 Какие вопросы стоит задавать, чтобы не собирать техдолг
📍 Как избежать дублирования и держать архитектуру под контролем
📍 Что помогает масштабировать решения и соблюдать стратегию
📍 Почему метрики и наблюдаемость — часть архитектуры, а не бонус

🔗 Читать на Proglib

Proglib Academy #буст

📊 Как СУБД на самом деле выполняет SQL-запрос

Когда Вы пишете SQL-запрос, может показаться, что всё выполняется сверху вниз — SELECT, FROM, WHERE…
Но это не так. Под капотом запрос исполняется в совершенно другом порядке:

FROM — сначала выбирается основная таблица

JOIN — затем к ней присоединяются другие таблицы

ON — указывается, как именно таблицы связываются

WHERE — происходит фильтрация строк до группировки

GROUP BY — строки группируются по указанному полю

HAVING — фильтрация уже сгруппированных данных

SELECT — выбираются нужные столбцы

ORDER BY — сортировка результата

LIMIT — ограничение количества строк

Обратите внимание: оператор SELECT выполняется почти в самом конце, а WHERE работает до GROUP BY. Именно поэтому нельзя ссылаться в SELECT на столбцы, которых нет в GROUP BY или агрегатах.

🔵 Собрали полезные материалы для старта в целый курс → «Основы IT для непрограммистов»

Proglib Academy #буст

🎓 Старт в Data Science: разбор стажировки для начинающего аналитика

Лаборатория Касперского ищет стажёра Data Scientist без опыта — идеальный шанс войти в ML и не перегореть. Разбираем, что вам пригодится:

1️⃣ Уверенный Python
▫️ Понимание базовых библиотек: pandas, numpy, matplotlib, sklearn, PyTorch.
▫️ Умение работать с данными, строить графики, обрабатывать текст.

2️⃣ Работа с БД и SQL
▫️ Знание SQL и NoSQL: SELECT, JOIN, базовые запросы.
▫️ Умение получать и обрабатывать данные.

3️⃣ Навыки разметки и автоматизации
▫️ Готовность вручную размечать данные и строить пайплайны.
▫️ Настройка prompt-инструкций и генерация датасетов.

4️⃣ Работа с текстом
▫️ Обработка текстов, знание метрик и моделей NLP.
▫️ Подготовка презентаций, объяснение результатов простыми словами.

➡️ Что будет плюсом:
— Языковая грамотность и английский не ниже B1.
— Знание других языков — большой бонус.
— Аналитический склад ума, усидчивость и внимание к деталям.

Идеальный вариант, если вы хотите попасть в AI-разработку с фокусом на тексты, метрики и масштабируемые ML-решения.

📎 Вакансия на hh: Data Scientist стажёр

🔵 Чтобы знать математику для Data Science, забирайте наш курс → «Математика для Data Science»

Proglib Academy #оффер_мечты