Studies on Principles

Czy istnieje wolna wola?

Tue, 21 Oct 2025 00:00:00 +0000

Rozmowa o wolnej woli i determinizmie — o tym, jak świadomość własnego mechanizmu daje spokój, zrozumienie i subtelne poczucie wpływu.

Python

Fri, 17 Oct 2025 00:00:00 +0000

Przegląd

Zebrane poniżej notatki to skrócona ściągawka przygotowująca do rozmów technicznych o Pythonie. Materiał został pogrupowany tak, aby najpierw uporządkować kluczowe pytania rekrutacyjne, następnie odświeżyć nowości w Pythonie 3.14, przypomnieć fundamenty języka oraz zanurzyć się w tematach związanych z równoległością i architekturą CPythona.

Interview Essentials

1. Główne cechy języka Python

Python to interpretowany, wysokopoziomowy język ogólnego przeznaczenia, który stawia na czytelność i produktywność.

Dynamiczne typowanie — typy wartości ustalane są w czasie wykonania.
Interpretowany — brak konieczności kompilacji do kodu maszynowego.
Garbage Collector — automatyczne zarządzanie pamięcią i odzyskiwanie nieużywanych obiektów.
Czysta obiektowość — w Pythonie wszystko jest obiektem, łącznie z funkcjami i klasami.
Rozszerzalność — łatwa integracja z modułami w C/C++ i bogaty ekosystem bibliotek.
Wieloparadygmatowość — programowanie imperatywne, funkcyjne, obiektowe oraz asynchroniczne.
Pythonic style — nacisk na czytelność, idiomy i wytyczne PEP 8.

Na rozmowie warto dodać:

Machine Learning

Tue, 18 Jan 2022 00:00:00 +0000

Machine Learning Basics

A computer program is said to learn from experience E with respect to some task T and some performance measure P, if its performance on T as measured by P, improves with experience E

E = the experience of playing many games of checkers
T = the task of playing checkers.
P = the probability that the program will win the next game

Algorithms

Supervised Learning We give the algorithm ‘right answer’ to learn
Unsupervised learning Unsupervised learning allows us to approach problems with little or no idea what our results should look like. We can derive structure from data where we don’t necessarily know the effect of the variables. We can derive this structure by clustering the data based on relationships among the variables in the data. With unsupervised learning there is no feedback based on the prediction results.

Problems

Regression: Predict continuous valued output
Classification: Discrete valued output (0,1,…can be more options than two)

Model & Cost Function

To describe the supervised learning problem slightly more formally, our goal is, given a training set, to learn a function h : X → Y so that h(x) is a “good” predictor for the corresponding value of y. For historical reasons, this function h is called a hypothesis. Seen pictorially, the process is therefore like this: