Функції в KDB+ є основними будівельними блоками, які дозволяють створювати багаторазовий та модульний код, як і в будь-якій іншій мові програмування.

Синтаксис функцій

• Загальна структура

1. Лямбда-функція

{expression}

1. Лямбда-функція з параметрами

{[parameters] expression}

1. Присвоєння

fun_name:{[parameters] expression}

• Параметри

Параметри визначаються всередині квадратних дужок ([]).

Параметри є позиційними і можуть бути необов'язковими з використанням значень за замовчуванням.

addDefault:{[x;y:10] x+y} // Значення за замовчуванням для y - 10  
addDefault[5] // Повертає 15

Типи функцій

• Анонімні функції

Це функції без імені, які створюються безпосередньо за допомогою лямбди ({}).
Зазвичай використовується для малих, внутрішніх операцій.

{[parameters] expression}

Приклад:

f:{[x;y] x+y} // Функція, яка додає 

… Читати далі

Хоча хмарні обчислення забезпечують неперевершену масштабованість та гнучкість, при неправильному управлінні вони можуть призвести до непередбачуваних і часом дорогих витрат. Цей детальний посібник допоможе вам максимально ефективно використовувати ваші витрати на хмарні сервіси:

1.
Визначте свої витрати:

• Комплексний аналіз витрат: Щоб отримати повне уявлення про тенденції ваших витрат, використовуйте інструменти управління витратами, надані вашим хмарним провайдером (AWS Cost Explorer, Azure Cost Management, Google Cloud Billing).
• Визначте драйвери витрат: З'ясуйте, які ресурси та сервіси складають найбільшу частину ваших витрат на хмару.
• Відстежуйте тенденції використання: Слідкуйте за використанням ресурсів з часом, щоб побачити патерни, аномалії та потенційні можливості для покращення.

https://glose.com/activity/676fd54bdf0692e8321453b1

https://telegra.ph/How-to-Use-Walmart-Gift-Cards-for-Walmart-Grocery-Pickup-and-Delivery-12-28… Читати далі

Топ-10 алгоритмів машинного навчання, які вам потрібно знати

Машинне навчання (ML) змінює індустрії, дозволяючи комп'ютерам вчитися з даних і приймати інтелектуальні рішення. Щоб ефективно вирішувати проблеми машинного навчання, необхідно розуміти основні алгоритми та їхні сфери застосування. Ось топ-10 найбільш використовуваних алгоритмів машинного навчання, кожен з яких має свої сильні сторони та застосування:

1. Лінійна регресія

• Призначення: Прогнозування безперервних значень (наприклад, продажі, температура).
• Як це працює: Моделює зв'язок між залежними та незалежними змінними, підбираючи лінійне рівняння до даних.
• Приклад використання: Прогнозування цін на будинки залежно від розміру та місця розташування.

2.

Логістична регресія

• Призначення: Проблеми бінарної класифікації (наприклад, так/ні, істинно/неістинно).
• Як

… Читати далі

Джерело: DALL-E

Нещодавно я мав можливість ознайомитися з книгою «Machine Learning for Algorithmic Trading (Second Edition)» авторства Стефана Янсена. Це вичерпне чтиво, хоча й є місце для покращень. Одне з головних положень, яке я підтримую, — твердження автора, що машинного навчання (Machine Learning) недостатньо для алгоритмічної торгівлі. Експертна оцінка все ще незамінна.

Особисто я вважаю, що штучний інтелект (AI) і машинне навчання (ML) у торгівлі все ще є в першу чергу допоміжними інструментами, що вимагають ретельного контролю та нагляду. На відміну від інших секторів, де впровадження AI/ML вже досить зріле, торгівля виглядає відставалою.
Чому? Ось кілька думок:

• Залежність від традиційних

… Читати далі

текст перекладу
Як розробники, ми часто зосереджуємося на тонкощах створення додатків, але їх розгортання в реальному виробничому середовищі є не менш важливим. Нещодавно я працював над розгортанням Django-додатку в рамках особистого проєкту, розміщеного на AWS EC2 інстансі, інтегрованого з власним доменом і захищеного HTTPS за допомогою Let's Encrypt.

Цей процес надав цінні враження щодо викликів, з якими стикаються під час розгортання, і підкреслив важливість розуміння як розробницької, так і операційної сторін доставки програмного забезпечення.

Ключові етапи процесу розгортання

1.
текст перекладу

Налаштування AWS EC2 інстансу

Першим кроком було налаштування середовища хостингу на AWS EC2 інстансі:

• Запустив EC2 інстанс … Читати далі

Одна з тих великих революційних технологій, що змінили підхід розробників до роботи з хмарною інфраструктурою, — це Kubernetes. Спочатку розроблений Google, Kubernetes, також відомий як K8s, є відкритим програмним забезпеченням для автоматизації розгортання, масштабування та управління контейнеризованими додатками. Він побудований за тими ж принципами, що й система, яка дозволяє Google запускати мільярди контейнерів щотижня, Kubernetes може масштабуватись без збільшення вашої команди операцій.

Незважаючи на свої вражаючі можливості, Kubernetes по суті є технологією оркестрації контейнерів. Хоча він значно спрощує розгортання і масштабування, він не вирішує всі проблеми, з якими стикаються розробники програмного забезпечення та DevOps-інженери. Щоб вирішити це, Kubernetes надає можливості … Читати далі

random cover photo, somehow related to blog | why not!

Kubernetes революціонізував спосіб розгортання та масштабування додатків, але управління інфраструктурою динамічно та економічно ефективно залишалося викликом. Ось тут на допомогу приходить Karpenter — відкритий інструмент для автоматичного масштабування Kubernetes кластерів від AWS, який забезпечує оптимальне використання ресурсів та масштабування навантажень. Ось чому Karpenter — це інструмент, з яким кожен інженер хмарних технологій повинен бути знайомий.

Що таке Karpenter?

[

Документація

Вузли за принципом Just-in-time для будь-якого Kubernetes кластеру

karpenter.sh

](https://karpenter.sh/docs/?source=post_page-----5cc6f72296f0--------------------------------)

Karpenter — це високопродуктивний автоматизований масштабувальник кластерів Kubernetes, розроблений AWS.
На відміну від традиційних рішень для масштабування вузлів, Karpenter надає:… Читати далі

Можливо, сьогодні на думку спадає — чи можуть фахівці з кібербезпеки (cyber security) спокійно спати? — Насправді, це не завжди так. Однак завдяки підходу Shift Left Security можна допомогти фахівцям з кібербезпеки бути проактивними та систематичними, підтримуючи безпеку на всіх етапах життєвого циклу розробки, як додатків, так і інфраструктури.

Як це можливо? (це трохи нагадує термін, який використовують деякі інфлюенсери з Індонезії, хех 😁)

У середині 2010-х років виникло нове розуміння — тестування безпеки систем часто проводиться в кінці, що створює великі труднощі, оскільки це стикається з динамікою змін, і в результаті часто виникає ситуація, коли "замітають під килим" … Читати далі

Як людина, яка вже давно використовує Linux, я завжди захоплювався його потужністю та гнучкістю. Однак під час недавнього інтерв'ю на роль DevOps я зрозумів, що існують прогалини в моєму розумінні деяких більш складних концепцій Linux. Це спонукало мене повернутися до основ і закріпити свої знання Linux через практичні заняття.

Сьогодні я приділив час перегляду основних команд і концепцій Linux, щоб забезпечити собі міцну основу для більш складних тем. Ось деякі з команд, з якими я працював:

Переглянуті команди:-

1. bash: Розуміння того, як bash-скрипти автоматизують завдання і підвищують ефективність.

2. profile: Вивчення того, як конфігураційні файли оболонки, такі як .bash_profile

… Читати далі

“Ти створюєш — ти й володієш” — це мантра культури DevOps, але зі збільшенням відповідальності розробники стикаються з новими викликами. Хоча принципи DevOps є важливими для будь-якої успішної технологічної компанії, пріоритетність продуктивності та досвіду розробника є ключовими. Поганий досвід розробника підриває основні принципи DevOps, що призводить до неефективності.

Протягом мого шляху в платформеному інжинірингу я спостерігав, як навіть добре намірені інструменти можуть ускладнити робочі процеси розробників, коли основні принципи слабкі.
Давайте розглянемо основні принципи реалізації платформеного інженерінгу, згруповані за принципами Empower, Enable, Engage та Enhance.

Empower розробників автономією

Самообслуговування з обмеженнями: Модель самообслуговування дає змогу … Читати далі