coderisimo

https://www.kinamo.be/en/support/faq/determining-t...

Мозг каждый день кипит так же, как в первый день. Шаг влево шаг вправо, и вот, я уже ничего не знаю и ничего не умею... ощущение, что на работе я как будто не прогрессирую, а наоборот деградирую...

У меня такое было, когда я только перешел во фронтенд и пытался держать слишком много деталей о языках и инструментах в голове. Со временем понял, что это не имеет смысла - все меняется быстрее, чем я запоминаю. Перешел от мысли "я использую инструменты" к мысли "я делаю штуки" и сразу полегчало, стал держать в голове только общие идеи о том, как что-то делается, или что вообще бывает в какой-то области, а конкретные инструкции по применению отдельных инструментов изучаю по ходу дела. Изменил фокус своего самообразования, если это можно так назвать. В результате все препроцессоры слились в один, новые библиотеки становятся все менее сложными в освоении, поскольку идеи везде плюс-минус одинаковые и.т.д. Решения стало принимать гораздо проще. И аргументировать тоже. Иногда складывается такое впечатление, что у нас в отрасли совсем ничего не появляется нового уже лет пять, а то и больше. Да, я забываю как использовать флексы, путаю call() и apply(), гуглю свои же ответы на тостере, но это не важно. Голова занята решением проблем, в ней теперь нет никакой второстепенной информации и это очень здорово. Статьи писать тоже полезно оказалось - написал, "поставил на полочку", и забыл. А если будет нужно - можно достать и посмотреть. Таким образом вот эта вся фигня с закипанием мозгов практически ушла.

создать массив допустимых значений и «вынимать» из него случайные.

const values = [...Array(10)].map((_, i) => i);
const result = [...Array(5)].map(() => values.splice(Math.floor(Math.random() * values.length), 1)[0]);
result // [ 2, 5, 3, 4, 1 ]

На счет IDE - хватит, да хоть блокнот.

Порядок.

1. Создайте django приложение.
2. Создайте vue приложение.
3. Накидайте html.
4. Cоздайте модель сообщения.
5. Напишите API на DRF.
6. Потом при помощи vue делайте запросы на сервер и тяните сообщения.

Рекомендуется для каждого проекта создавать отдельное окружение.
На счет бд , юзайте sqlite, не парьтесь.

Хостинг - на ваш вкус Heroku , Pythonanywhere и т д.

Туториал 1.
Туториал 2.

Нельзя.

IPv4 — это уникальное 32-битное число, на IP-адрес можно отправить запрос.
Домены, подомены — это текстовые строки. Их переводят в какой-то IP, на который и направляют запрос.

Они не смешиваются.

Чтобы на одном IP без доменов разместить несколько сайтов можно

• на разных портах http://11.12.13.14, http://11.12.13.14:81
  
• в подпапках, это понятно
  
• с GET-параметрами http://11.12.13.14?site=one, http://11.12.13.14?site=two
  
• c hash'ами http://11.12.13.14/#one, http://11.12.13.14/#two
  
• по куками - при наличии опр. куки отдавать вместо сайта А, сайт Б
  
  

Короче в директории /var/www/ надо создать директорию .ssh для юзера www-data. Затем создать приватный и публичный ключи. При создании ключей не ставить на них пароль. И все будет работать.

Потому что вы используете не потоки, а процессы. У каждого процесса своё собственное окружение, соответственно переменные из process_1 никак не пересекаются с переменными из process_2. Что-бы шарить данные между процессами нужно использовать Manager.

Вот пример простенького ротатора:

from multiprocessing import Pool, Manager


def rotator(data_list):
    data = data_list.pop(0)
    data_list.append(data)
    return data


def print_data(data_list):
    data = rotator(data_list)
    print(data)


if __name__ == "__main__":
    manager = Manager()
    data_list = manager.list()

    for x in range(5):
        data_list.append(x)
    
    with Pool(4) as pool:
        for _ in range(10):
            pool.apply_async(print_data, [data_list])
        pool.close()
        pool.join()

Принцип простой как палка: есть список элементов, при обращении к методу первый доступный элемент удаляется из списка и добавляется в конец, что-бы следующий процесс не мог взять тот-же элемент и так по кругу.
Вот вывод:

0
1
2
3
4
0
1
2
3
4

Только учтите, что если процессы, как и потоки, стартуют в определенном порядке еще не означает, что в таком-же порядке они и завершат работу. Т.е. вполне нормально что процесс, который запустился 4м отработал на N-мс быстрее и завершился первым, в итоге вывод может быть таким:

4
2
0
1

Все что вы скинули, всего лишь прикладные инструменты, учить их не нужно, это не фундаментальные вещи, такие как паттерны и алгоритмы.
webpack\gulp - вы будете настраивать 1-2 раза, и дальше работать с ними(достаточно понять принцип работы, взять готовые решения, переписать код с готовых решений что бы понять что он делает и тд). Все остальное - не учится в отрыве от проектов которые вы можете делать на досуге, что бы поднимать свой скилл. Условно вы приходите на работу, где люди пользуются webpack - скорее всего внутри компании он уже настроен под конкретный продукт или решение, и вам даже настраивать его не дадут) Так что в порядке ознакомления.
Одназначно ознакомьтесь с git(который у вас не написан), вот он вам 100% пригодится в любом месте.

Посмотрите специализацию от яндекса на coursera, там даётся и математический базис и ds, после этого можно переходить на курс от Duke там же. Ссылку в данный момент не могу дать, с телефона пишу.

1. Базовый курс по Питону (Если никогда в жизни вообще не программировали начинайте с Learn Python the Hard Way -> Python Crash Course by Eric Matthes -> Automate Everything -> John Zelle "Python Programming"
(обязательно(!) делать все упражнения - набивать руку, т.к. только материал будет действительно осваиваться)
(если же уже есть опыт в программировании: Allen Downey - Think Python, Diving into Python и Learning Python (Lutz))
1A: Обязательно нужно знать алгоритмы чтобы вообще понимать что такое более-менее профессиональное программирование: Самая лучшая и детальная книга по алгоритмам на Питоне имхо: "Data Structures and Algorithms in Python" by Michael T. Goodrich, Roberto Tamassia, Michael H. Goldwasser
1Б: на yotube есть канал Lucid Programming, где автор тоже показывает очень много алгоритмов на примерах
2. потом изучать хорошо матан(single variable calculus + multi variable calculus)/линал/статистику и probability: на уровне понимания концептов (можно учить по Khan Academy или Udemy, где я брал классы по Calculus от Krista King, мне понравилось как она обьясняет)
Есть неплохие видео от Imperial College of London по математике:
Mathematics for Machine Learning full Course || Linear Algebra || Part-1 https://youtu.be/T3TpdPmTLso
Mathematics for Machine Learning Full Course || Multivariate Calculus || Part -2 - https://youtu.be/m998PdOCFcY
3. Далее бесплатный курс по ML от Andrew Ng на YouTube и Courser'a - бесплатно
3.А Также очень детальный курс по математике от создателей DS для R: An Introduction to Statistical Learning - University of Southern California - доступна бесплатно - где вся подноготная математики показывается очень детально
4. Hands-on machine learning with scikit-learn and tensorflow - o'reilly - куча практики и теории
5. Python for Finance - O'Reilly - вообще у O'Reilly по Python очень неплохие книжки по питону и МО, где можно много чего увидеть in action
6. куча курсов за $10 на Udemy от Jose Portilla (в том числе R, SQL, Spark with Python, Spark with Scala, Computer Vision, NLP, Plotly, Algorithms, Python for Finance, Deep Learning: TensorFlow, Keras итд итд итп,) - если будте брать на udemy курсы и показывает больше чем $10, напишите коммент - дам промо код по кот. скидка 94% - код дается уже купившим его курсы)
7. очень крутой канал на YouTube у Siraj Raval по Data Science - куча примеров, видео, инфы итд итп (найдите там видео как выучить Data Science in 3 months, там тоже очень много ресурсов, но имхо за 3 месяца, как он говорит, нереально)
8. "data science from scratch by joel grus" старая книжка тоже от O'Reilly
на самом деле, я бы советовал начинать с неё, даже если нет вообще никакого опыта и вообще ничего не понятно, т.к. она дает весь план что нужно учить и как организовать себе весь процесс (и потом периодически к ней возвращаться, сверять с планом)
Также очень похожая есть книга Python for Data Analysis Book by Wes McKinney (создатель pandas), но чуть-чуть попроще, и я бы все равно советовал их вместе обе прочитать, т.к. эта намного больше концентрируется на data cleaning'e

Вообще, Data Science на самом деле очень не сложная дисциплина по сути, просто действительно нужно много знать для того чтобы там реально начать что то делать, т.е. большой порог для вступления, но сами алгоритмы очень и очень легкие и писать, и работать с ними итд итп. Более сложнее готовить дату, моделировать, как то пытаться к ней поступиться, чтобы начать работать, а сам процесс и код на питоне проще простого.

Ну и как Вам написали выше, как освоите всё вышесказанное (хахаха), welcome после этого всего на kaggle, чтобы начать уже делать это всё на практике;)

const newData = JSON.parse(data).map(Object.values);

Есть удобная библиотека bluebird
bluebirdjs.com/docs/api/promise.map.html
Для map есть опция concurrency.
Соответственно, Ваш код можно переписать так:

const Promise = require('bluebird');
let results = await Promise.map(filteredMatches, v => handler(v.CI), { concurrency: 10 });

Вместо 10 можете указать любое удобное количество "потоков".