Чижик Пыжик

Называется "Планировщик заданий"

Сначала создаешь таблицу категорий, а потом продуктов.

Любой KPI проистекает из процесса. Если у вас Scrum, то в нем единственной метрикой является Velocity (скорость команды) и определяется она не для программиста, а для команды разработки (для всех программистов, участвовавших в спринте).

Очевидно, что при одинаковых расходах от спринта к спринту, вы хотели бы, чтобы Velocity не падала, а наоборот, со временем росла. Тренд Velocity и может быть тем самым KPI. Если тренд нисходящий, без наличия объективных причин (изменение состава команды и т.п.), это признак снижения продуктивности/эффективности команды разработки.

В разработке любого продута есть еще стадия эксплуатации, на которой в команду возвращаются баги, недоделки, недодумки и т.п. Число дефектов, вернувшихся из эксплуатации, также часто используемая метрика качества разработки.

Это если из простых.

Соль нужна исключительно для одного случая - чтобы нельзя было подобрать пароль по известной базе хешей.

Если при генерации хеша, используется каждый раз новая соль - она вполне может лежать открытым текстом рядом с хешом, или прямо в нем (несколько символов в начале, в конце или середине). Это позволяет для одинаковых паролей создавать разные хеши, для простых паролей создавать непростые хеши, и создает невозможность создания радужной таблицы под конкретный ресурс.
ppppp.ssssss -> hhhhhhhhhhhhhhhhhsssss (p - pass, s - salt, h - hash)
ssssspppppppsssss - > hhhhhhhhhhhhsss или sssshhhhhhhhh или даже shshshshshhhhhhhhhhh

Бывает и другая схема, когда все хешируется с конкретной мастер солью (например пароли в разных форумных движках), что позволяет хранить хеши отдельно от соли (одна соль на все хеши в config.php, и сами хеши в базе данных).
Можно усложнить второй вариант, добавив базу из нескольких солей, и каждый раз перебирать их все на стороне сервера. А в базе будут хранится хеши, в которых пароль с солью захеширован, но в самом хеше соль не прописана, и какая была использована для конкретного хеша - непонятно. Повышает безопасность, если утекли только все хеши.

Можно совмещать первый и второй вариант, можно параноить по-разному.
ssspppppppsss -> hash(hash(hash(sssmastersalt.hhhhhhsss)+hash(hhhhhhhhhsss))
В общем зависит от алгоритма и желания усложнить.

Вот этот ноутбук вам подойдет: Core i7/8gb/ssd256/IPS матрица, матовый экран (Asus Zenbook UX32LN)

Если у Вас один-три сервера, скорей всего, Docker Вам не нужен. В этом случае для управления конфигурацией лучше используйте ansible.

Потребность в Docker возникает либо в случае когда нужно расшарать одно окружение на множество машин, например, у меня и моих коллег сейчас девелоперское окружение(php + apache + mysql + redis) крутиться на контейнерах. Второй пример - нужно настроить динамическое горизонтальное масштабирование. Этот вариант Вам нужно рассматривать, только если Вы используйте AWS или что-то подобное.

В целом, docker / ansible / chef / puppet и т.п. Вам нужны только в случае, если нужно шарить одно окружение на разные машины, причем часто, с уверенностью что оно везде одно. Другого примера использования придумать не могу.

Здесь есть большая коллекция ссылок на разные ресурсы с наборами данных:
Awesome Public Datasets

1."опыт написания фронта, опыт it рекрутера." - накакого отношения в Data Science. От слова "совсем".
2. "Учился в техническом вузе по инженерной специальности, но спустя год осознал, что сама эта специальность не для меня." - т.е. недоучился? Кстати, если нет склонности к инженерным специальностям, откуда уверенность, что есть склонность к "Data Science"? Замечу, "хотелось бы стать" и "имею склонность к" - это очень разные вещи.
3. "Математику знаю и понимаю хорошо" - откуда эта уверенность? Из школы? Или из универа в котором недоучились? Какие курсы математики все-таки "дослушали", какие успехи?
4. "невнимательность при вычислениях." - Вообще-то говоря, DS - это не вычисления. Вернее, вычисление сегодня выполняют хорошо известные реализации методов в разных пакетах. DS - это прежде всего умение разобраться в методах, понять их суть, ограничения, особенности и пр. , умение отобразить данные предметной области на абстрактные математические методы а потом проинтерпретировать полученные результаты в терминах предметной области.
5. "Хочу попробовать развиваться в нем. " - хочется - развивайся. В чем проблема? Получить благословение сообщества? Зачем? Если человеку что-то действительно чего-то хочется, то он берет и делает это. Иначе это выглядит как поиск оправдания того, почему "мне хочется, но я этим заниматься не буду".
6. "Не помешает ли отсутствие профильного образования?" - помешает. Ну и ? Если хочется развиваться в этом направлении, то "профильное образование" все равно придется получать. Любым способом - в универе, на курсах, самостоятельно. Но получать придется. А как без него? Не обижайтесь, но DS - это не рекрутинг. Это гораздо серьезнее.
7. "Не помешает ли особенности моего импульсивного порой мышления?" - Знаю спецов в DS с очень разным типом мышления. Еще раз вынужден повторить - не ищите отмазки "почему не надо этого делать".
8. "Английский на неплохом уровне, но тяжко будет воспринимать англо-техническую речь" - на первом - а возможно и на всех последующих - этапах говорить на английском вам не придется, это точно. Воспринимать - ну разве что решите заниматься через запись на англоязычные обучающие курсы. Тут уж как захотите - в инете полно материалов - курсов, книг, блогов, форумов - и на русском, а в университете вряд-ли придется учится на английском. А вот чтение и понимание написанного английского - это таки обязательное условия вхождения в эту специальность. Иначе перспективы ваши в ней будут не интересней перспектив в рекрутинге.
9. "А с чего, собственно, начать? Есть ли какие-то рекомендации по книгам/курсам. " - вот этого - навалом, даже на этом форуме. Настолько навалом, что даже не хочется в 254 раз повторять одно и то-же. Так что ищите, найдете. Надеюсь, Гууглом пользоваться умеете. Или хотя-бы просто пройтись по "Похожим вопросам" внизу. Но вот пользуясь случаем хочу еще раз подчеркнуть - основное умение специалиста по Data Science - это умение и навыки самостоятельного поиска, анализа и инетрпретации информации. Благо источники ее сегодня доступны для любого, у кого есть доступ к интернет.
Удачи.

Не думаю, что тут будет кто-то более подробно расписывать чем тут(клик). Там люди все очень подробно расписали.
От себя же добавлю, чтобы быть экспектом в этой области - не достаточно просто разобраться с принципом работы МЛ или порешать задачки в математике. Нужно быть универсальным специалистом в каждой области и понимать что тебе надо делать с данными. Ибо 80% работы в этой области зависит исключительно от анализа, обработки и знаний о данных.
Ну и во вторых, для всех горящих на хайп теме - задумайтесь где вы будете работать. Или так, распознать котик или собачка? ) Если вы не из Москвы или забугорья и у вас нету профильного, желательно математического образования, то шансы попасть в большой концерн в эту сферу сводятся к нулю.

Для того, что-бы начать заниматься машинным обучением надо в первую очередь научиться работать с информацией. Не с информацией вообще, а с САМОСТОЯТЕЛЬНЫМ (!!!!) поиском ответов на интересующие вас вопросы, а не беспомощным вопрошанием на форуме, "с чего начать", "что мне учить", - потом будет "а в каком порядке", потом - "по каким книгам", потом - "как быстро".... Эта тема постоянно обсасывается на Medium, на AnalyticsVidhya, на DataScienceCentral, на KDnuggets, на cyberforum.ru, на десятках других формуах. А есть еще StackOverflow, есть другие сайты.Посмотрите - прежде чем задавать такие детские вопросы - хотя-бы - сам Тостер. Тут десятки если не сотни аналогичных вопросов с ответами. Почем у вы решили, что полезнее задать вопрос в сто первый раз, чем один раз самому поискать и найти ответы?
Ну, если вас там в Atlanta_Boston вдруг отключили от Гуугл, то сделаю это за вас:
https://proglib.io/p/learn-data/
https://ru.stackoverflow.com/questions/678970/Книг...
https://dev.by/news/kak-izuchit-data-science
Очередной вопрос по ИИ и математике: какие темы надо знать?
Очередной вопрос о том как начать в машинное обучение. Как начать, чтобы понять интересно ли мне этим заниматься или нет?
Какие книги для начинающего по Data Science?