Особенности статических методов
Основное отличие статических методов от методов экземпляра заключается в их привязке к классу, а не к отдельному объекту. Это означает, что их можно вызывать непосредственно через класс.
Статические методы не получают ссылку на экземпляр (self) или класс (cls) в качестве аргументов, что делает их независимыми от состояния объекта или класса. Следовательно, они не могут изменять состояние объекта или класса.
Существует дваосновных способа определения статического метода. Менее распространенный — назначение метода классу, используя функцию staticmethod для оборачивания исходного метода.
Однако более предпочтительным является использование staticmethod как декоратора, что упрощает объявление статических методов непосредственно внутри класса.
#python#staticmethod
@#classmethod vs @#staticmethod vs "plain" methods
What's the difference?
class MyClass:
def method(self):
"""
Instance methods need a class instance and
can access the instance through self.
"""
return 'instance method called', self
@classmethod
def classmethod(cls):
"""
Class methods don't need a class instance.
They can't access the instance (self) but
they have access to the class itself via cls.
"""
return 'class method called', cls
@staticmethod
def staticmethod():
"""
Static methods don't have access to cls or self.
They work like regular functions but belong to
the class's namespace.
"""
return 'static method called'
# All methods types can be
# called on a class instance:
»> obj = MyClass()
»> obj.method()
('instance method called', <MyClass instance at 0x1019381b8>)
»> obj.classmethod()
('class method called', <class MyClass at 0x101a2f4c8>)
»> obj.staticmethod()
'static method called'
# Calling instance methods fails
# if we only have the class object:
»> MyClass.classmethod()
('class method called', <class MyClass at 0x101a2f4c8>)
»> MyClass.staticmethod()
'static method called'
»> MyClass.method()
TypeError:
"unbound method method() must be called with MyClass "
"instance as first argument (got nothing instead)"
# @classmethod vs @staticmethod vs "plain" methods
# What's the difference?
class MyClass:
def method(self):
"""
Instance methods need a class instance and
can access the instance through self.
"""
return 'instance method called', self
@classmethod
def classmethod(cls):
"""
Class methods don't need a class instance.
They can't access the instance (self) but
they have access to the class itself via cls.
"""
return 'class method called', cls
@staticmethod
def staticmethod():
"""
Static methods don't have access to cls or self.
They work like regular functions but belong to
the class's namespace.
"""
return 'static method called'
# All methods types can be
# called on a class instance:
»> obj = MyClass()
»> obj.method()
('instance method called', <MyClass instance at 0x1019381b8>)
»> obj.classmethod()
('class method called', <class MyClass at 0x101a2f4c8>)
»> obj.staticmethod()
'static method called'
# Calling instance methods fails
# if we only have the class object:
»> MyClass.classmethod()
('class method called', <class MyClass at 0x101a2f4c8>)
»> MyClass.staticmethod()
'static method called'
»> MyClass.method()
TypeError:
"unbound method method() must be called with MyClass "
"instance as first argument (got nothing instead)"
#classmethod#staticmethod
📌ThinkSound: новыйvideo-to-sound инструмент
ThinkSound — духовный наследник mmAudio — который способен генерировать звук к видео с высокой точностью.
▪ Поддерживает chain-of-thoughtпромпты: позволяет по шагам объяснить, как должен звучать объект (например: «это металл, он падает на плитку, должно звучать звонкой эхо»)
▪ Учитывает контекст сцены, физику движения объектов, состав материалов и многое другое
▪ Работает с видео как reasoning-модель, а не просто визуально-аудиофильтр
В демках можно послушать звук шагов на песке, звон разбитого стекла, шум дождя — всё сгенерировано на лету, без записанных сэмплов.
Из минусов - сложно подобрать промпт, но когда получается, то модель выдает годноту.
🟡Github: https://github.com/FunAudioLLM/ThinkSound
🟡Демо: https://thinksound-project.github.io/
🟡Статья: https://arxiv.org/pdf/2506.21448
🟡Проект: https://ThinkSound-Demo.github.io
@ai_machinelearning_big_data
#python#videotosound
👥>>> telegram.Bot()
This group is for questions, answers and discussions around the python-telegram-bot library and, to some extent, Telegram bots in general.
#bot#python#programming#group
#вакансия#Python#Fulltime#remote
◾️Компания: Аккредитованная ИТ компания Devim - FinTech, 9+ лет на рынке
◾️Вакансия: Data Engineer (python)
🌏Формат работы: удаленка откуда угодно (офис по желанию в СПБ, м. Старая деревня), главное - иметь РФ счет для ЗП
💳 Вилка: очень примерная - 250 000-400 000 руб NET, готовы отталкиваться от ожиданий кандидатов
🙏Пожелания к кандидату: 3+ лет опыта с данными в качестве Data Engineer; понимание принципов построения DWH и ETL процесса
➕Как плюс: опыт с оркестрацией ETL на Airflow или аналогах, опыт вывода моделей в прод
🪄Стек: Python, Airflow, PostgreSQL, Clickhouse, Docker, k8s
📍Задачи: строить хранилище данных для DS команды и продуктового офиса, разрабатывать инфраструктуру обработки данных и ML (MLFlow, DBT, Superset). Проект на начальной стадии, нет легаси, только новые фичи и можно будет собрать data фреймворк под себя
🧠 Этапы: всего 2 - тех интервью и финальная встреча с CPO
📬 Кидать резюме сюда: @k_shvt🖖
#вакансия # DataScientist #fulltime#удаленно#Python
👋Привет! Меня зовут Ирина. Я представляю группу компаний Top Selection.
🔥В данный момент мы в поисках DataScientist 🔥 Грейд: midlle+
Рейт: 200-230 К на руки
Формат работы: удаленка
Локация/Гражданство: только РФ
Срок привлечения: до конца 2026
Загрузка: fulltime
Оформление: как ИП
Сфера: ритейл
📝Задачи и обязанности:
• Развивать AI-помощника для сотрудников: улучшать качество ответов, разрабатывать дополнительные интеграции с внутренними базами и документами, разрабатывать новые фичи
• Определять структуру и качество данных для разработки новых фичей/продуктов
• Разрабатывать базовые AI-решения на уровне MVP: от обработки данных и настройки модели до простого интерфейса и интеграции с внутренними системами
• Тестировать, сравнивать и адаптировать различные ML-подходы (классификация, кластеризация, ранжирование) и новые рыночные решения для внутренних продуктов.
• Разрабатывать архитектуру AI-решений и писать чистый, эффективный и поддерживаемый кода на Python.
✅Требования:
• Опыт работы в Data Science от 3 лет
• Высшее образование: IT, техническое, математическое
• Уверенное знание Python, умение писать чистый, поддерживаемый продакшен-код.
• Практический опыт решения задач классического ML: классификация, регрессия, кластеризация.
• Глубокое владение основными библиотеками и фреймворками для анализа данных (scikit-learn, XGBoost/LightGBM, numpy, pandas, plotly/ matplotlib/ seaborn)
• Понимание feature engineering и методологий оценки качества моделей.
• Знание SQL, опыт работы с реляционными СУБД на уровне пользователя
• Умение работать с Git
• Опыт создания и сопровождения ML-сервисов на современных фреймворках (FastAPI, Flask).
• Понимание работы REST/gRPC API.
• Понимание микросервисной архитектуры и контейнеризации (Docker).
• Владение инструментами CI/CD и принципами MLOps для автоматизации развертывания моделей в Kubernetes-окружении
• Навыки настройки логирования и мониторинга для ML-компонентов.
• Знание архитектурных паттернов для LLM.
• Понимание концепций: transformer, механизмы внимания, GPT-архитектуры
• Методы тонкой настройки LLM: LoRA, QLoRA, адаптерные подходы
• Навыки работы с большими языковыми моделями (Hugging Face, vLLM),
• Опыт построения и оптимизации RAG-систем.
• Навыки работы с векторными базами данных (подбор, оптимизация запросов, управление индексами).
• Умение строить и донастраивать сложные взаимодействия с LLM: prompt engineering, prompt chaining, использование function calling и управление контекстом (contextual memory).
• Умение работать с неструктурированными данными
• Способность самостоятельно доводить решения до рабочего прототипа
• Готовность активно погружаться в быстро развивающийся стек LLM-технологий и внедрять их в рабочие продукты.
📲@irazhura87