Интересные факты из аналитики, разработки, автоматизации и AI
Факт дня
Форму распределения определяет механизм, который порождает величину. Разбираем нормальное, логнормальное, пуассоновское, экспоненциальное распределения, распределения экстремальных значений и степенной закон на примерах из природы и воспроизводим каждый механизм на Python.
Проектом можно управлять по-разному: последовательно, итерациями или как непрерывным потоком задач. Разбираем треугольник ограничений, водопад, V-модель, спиральную модель, Scrum, Kanban, Lean и шесть сигм — и то, как выбрать подход под конкретный проект.
Сеть оборвалась после того, как сервер списал деньги, но до того, как ответ дошёл до клиента, — и retry рискует задвоить операцию. Разбираем идемпотентные HTTP-методы, идемпотентные ключи и UNIQUE-ограничение на примере Python и SQLite.
Аномалия, которая проходит сквозь REPEATABLE READ и SNAPSHOT ISOLATION без единой ошибки, потому что транзакции пишут в разные строки. Разбираем на примере дежурных врачей, почему нужен настоящий SERIALIZABLE и как его обходят на практике.
Два UPDATE, которые должны выполниться вместе, но выполняются по отдельности — источник половины багов с «пропавшими» деньгами. Разбираем ACID на примере перевода денег, уровни изоляции и проблему потерянного обновления.
Иногда общая статистика показывает, что один вариант хуже другого. Но если разделить данные на важные сегменты, вывод может полностью измениться. Это и есть парадокс Симпсона — одна из самых опасных ловушек при интерпретации данных.
Не каждую медленную программу нужно запускать в нескольких потоках. Разбираем главный критерий распараллеливания, разницу между I/O- и CPU-задачами и пример с ThreadPoolExecutor.
Два показателя могут двигаться вместе и иметь почти идеальную статистическую связь. Но это ещё не означает, что один показатель вызывает другой. Разбираемся, как возникают ложные выводы и как проверять причинность.
Разбираем, почему среднее значение может искажать картину при выбросах, чем оно отличается от медианы и как с помощью Python и графиков выбрать подходящую метрику.
Считаем вероятности всех покерных комбинаций честным перебором 2 598 960 рук на Python, сверяем порядок редкости с интуицией и проверяем, как оценка Monte Carlo сходится к точному значению.
Моделируем голы в хоккее и очки в баскетболе распределением Пуассона на Python и считаем, во сколько раз аутсайдер чаще побеждает фаворита при одинаковом относительном разрыве в классе команд — сначала в одном матче, потом в серии плей-офф.