💻 Какой язык программирования лучше для обучения?
Многие школы используют Java, C#, C или C++, но всё больше образовательных программ переходят на Python.
У Python есть очевидный плюс — на нём легче начать. Это помогает студентам быстрее увидеть результат и сохранять мотивацию.
Но есть и минус.
Python сильно абстрагирует низкоуровневые детали, поэтому студентам сложнее понять, как работают структуры данных, память и другие фундаментальные вещи.
Лично я считаю, что программисты должны становиться polyglots — людьми, которые знают несколько языков.
Фокусироваться на одном языке — стратегическая ошибка.
Но влияет ли язык на результаты обучения?
Исследование John R. Hott (ACM ICER 2025) показывает: почти никак.
Студенты, которые выполняли задания:
- только на Python
- только на Java
- на смеси языков
показали статистически одинаковые результаты.
Не было значимых различий:
- в оценках за программирование
- в письменных заданиях
- в тестах и квизах
- в уровне сложности, который испытывали студенты
Вывод исследования простой:
👉 выбор языка программирования почти не влияет на результаты обучения.
То есть преподавателям не стоит слишком переживать о том, какой язык выбрать для курса.
Гораздо важнее другое.
Вместо бесконечных споров *Python vs Java vs C++* стоит учить студентов:
- как создавать продукты
- как запускать проекты
- как строить бизнес
- как быть независимыми от технологических трендов
Как пишет Zed Shaw в эссе
“AI Didn't Kill Programming, You Did”:
проблема не в AI и не в языках программирования — проблема в том, как люди учатся программированию.
Главная мысль:
🚀 программирование можно выучить на любом языке.
Начните с Logo.
Попробуйте Ada.
Изучите Python, Go, Rust или C.
А ещё лучше — попробуйте придумать свой язык программирования.
Именно так и начинается настоящее понимание компьютеров.
Исследование
https://engineering.virginia.edu/faculty/john-r-hott
Эссе
https://learncodethehardway.com/blog/39-ai-didnt-kill-programming-you-did/
#programming#education#python#java
Image to Text OCR is a utility website made by Alejandro Akbal for extracting text from any image using #OCR.
This tool was made for those moments where you take a photo of some text and wish you could have it digitally.
https://github.com/AlejandroAkbal/Image-to-Text-OCR
Online: https://image-to-text-ocr.netlify.app/
🦉 LightOnOCR-1B: новая быстрая OCR-модель от LightOn
Модель дистиллирована из Qwen2-VL-72B-Instruct и обучена на корпусе из 17.6 млн страниц / 45.5 млрд токенов.
🔥 Главное:**
-1 B параметров
- позволяет обрабатывать 5.7 страниц/с на одном H100 (это примерно ≈ 493 000 страниц за день)
- Распознаёт таблицы, формы, уравнения и сложные макеты
- 6.5× быстрее dots.ocr, 1.7× быстрее DeepSeekOCR
- Расходы < $0.01 за 1000 страниц A4
📊 Качество (Olmo-Bench):
- Превосходит DeepSeekOCR
- Сопоставима с dots.ocr (при этом модель в 3 раза меньше по весу)
- +16 пт к Qwen3-VL-2B-Instruct
Эта моделька - отличный баланс качества, скорости и стоимости.
🟢Модель 1B: https://huggingface.co/lightonai/LightOnOCR-1B-1025
🟢Модель 0.9B (32k): https://huggingface.co/lightonai/LightOnOCR-0.9B-32k-1025)
🟢Блог LightOn:https://huggingface.co/blog/lightonai/lightonocr
🟢Демка: https://huggingface.co/spaces/lightonai/LightOnOCR-1B-Demo
@ai_machinelearning_big_data
#ocr#ml
📄 DeepSeek-OCR - модель для распознавания текста 🔍
DeepSeek выпустили мощную OCR-модель, способную преобразовывать изображения документов прямо в Markdown или текст.
Что умеет:
- Распознаёт текст на изображениях и в PDF
- Работает с документами, таблицами и сложными макетами
- Поддерживает разные режимы: Tiny, Small, Base, Large
- Оптимизирована под GPU (PyTorch + CUDA 11.8)
- MIT-лицензия — можно свободно использовать и модифицировать
DeepSeek-OCR достигает высокой точности и эффективности за счёт компрессии визуальных токенов. На Omnidocbench - лучшая точность при минимуме визуальных токенов, превосходит другие OCR-модели по эффективности и скорости.
🟠HF: https://huggingface.co/deepseek-ai/DeepSeek-OCR
🟠Github: https://github.com/deepseek-ai/DeepSeek-OCR
🟠Paper: https://github.com/deepseek-ai/DeepSeek-OCR/blob/main/DeepSeek_OCR_paper.pdf
@ai_machinelearning_big_data
#ocr#DeepSeek