Olha essa simplicidade do Python. 
2 curtidas
Criei um repo no Git do meu script de Pós-Instalação do Slackware, é bom pra quem quer testar numa VM e não souber o que fazer depois de instalar:
1 curtida
Isto que eu gosto demais em PHP e Python.
É algo que você tem um controle do código mas não tem muita frescura. É um sintaxe básica e manda ver no código (como toda linguagem deveria ser).
Python é gostoso demais de escrever, acaba com qualquer preguiça em código.
2 curtidas
Algo que me faz gostar ainda mais de Linux e Python, é que ele vem instalado em qualquer distro por padrão.
1 curtida
É verdade, só umas linhas e já dá pra criar um pequeno programa, embora seja em terminal.
1 curtida
Eu já vi uma importação de dados de uma base pública (COVID-19) e a geração de gráficos com três linhas.
Pena que não tenho salvo aqui…
2 curtidas
Código pra uma mini calculadora:
print('Olá! Seja bem vindo a Calculadora do Python!')
print('Pressione ENTER para iniciar!')
input()
print('Ok, vamos lá!')
n1 = int = input('Digite um valor: ')
n2 = int = input('Digite outro valor: ')
s = n1 + n2
print('A Soma entre {} e {} é igual a {}!'.format(n1, n2, s))
1 curtida
Eu gosto das duas, mas prefiro fazer um backend com Java do que com Python, por exemplo essa simplicidade aí se perde quando tem uma aplicação muito grande, uma verbosidade maior ajuda a ver com mais clareza o que está acontecendo no código.
4 curtidas
A primeira linguagem que aprendi na vida foi o Basic, em seguida o Assembler que é sem dúvida a que mais gosto até hoje, brinco muito com meus MSXs, mais também já trabalhei alguns anos com Fortram, Cobol, C, C++ e Pascal, atualmente tenho me dedicado mais a Python, Java, Ruby e coisas semelhantes.
2 curtidas
As linguagens que eu menos desgosto são C++, Rust e Haskell. Em contraponto não tem linguagem que eu odeie mais do que JavaScript e C.
Eita, javascript é tão gostosinho de programar! rsrs
Tipagem tão fraca que é inexistente, escopo regido por var e let, todos os objetos derivam de Object, const não torna uma variável imutável, fields adicionados dinamicamente ao serem usados pela primeira vez, {} + {} resulta em NaN e outras inconsistências, etc
Sinceramente essa linguagem é um nojo, mas também, os cara da Netscape fizeram ela em menos de 2 semanas, não dava pra ter saído algo bom, e existem tantas outras linguagens com um design tão melhor, pega Elixir por exemplo, ótima linguagem pra backend, criada por um brasileiro, roda em cima da VM de Erlang, mas pessoas ainda preferem a bagunça que é JS.
1 curtida
Você tem razão, não é atoa que criaram um superset para ele, eu sempre uso Typescript para mitigar um pouco esses problemas ai, porque se for parar para pensar é um problema só de tempo de desenvolvimento, para tempo execução as verificações de tipos são desnecessárias.
Porém eu também estou fora da modinha de usar Javascript para backend, além de tudo que falou uma linguagem single thread não me parece a melhor escolha para um backend.
Python, porque é a única que eu sei kkkkk
3 curtidas
Python, rapidez de desenvolvimento, rápido de subir novas instâncias de uma aplicação, bastante ferramentas completas como Numpy, Pandas, NLTK e SKLearn, integração com praticamente tudo de cloud, opções para desenvolvimento de interfaces gráficas variadas usando GTK, QT e outros “nativos” do Python ou não.
Ou seja, qualquer coisa que eu pense em fazer, sei que com Python conseguiria. Algumas coisas talvez não tenha o mesmo desempenho que Java por exemplo, mas faria de forma rápida.
C por foi a primeira que aprendi e gostei de mais dela, utilização de ponteiros, implementação de estruturas de dados… gostei muito e gosto, tem alguns anos que não desenvolvo nela.
Java peguei um pouco de birra por causa de professores de faculdade… mas se precisar, desenvolvo também haha
1 curtida
Python e TypeScript pelas possibilidades. Hoje em dia você faz quase qualquer coisa com as duas linguagens e se precisar de performance ambas as linguagens tem seus truques na manga seja via numpy, tensorflow, numba, cython, wasm-bindgen, etc.
1 curtida
Essa frase resume muito bem minha opinião sobre linguagens de programação. Tenho dificuldade de dizer quais linguagens mais gosto, mas posso dizer quais eu mais uso.
A principal, disparada é python, já que trabalho com ciência de dados e essa linguagem é clara e direta ao ponto nesta área.
Outra que tenho particular afinidade é C, já que foi a primeira linguagem de programação que tive contato, assim como posso utilizá-la para complementar o python.
Um amigo meu começou a trabalhar com Go e eu dei uma lida a respeito da linguagem, me pareceu bastante uma evolução natural do C, o que me chamou bastante a atenção, mas como não estou exercendo nenhuma atividade que demande o uso dessa linguagem, acabei desmotivado para estudar Go mais a fundo.
1 curtida
Hm, ciência de dados, eu to querendo seguir esse caminho, me da uma dica ai askdkasd, to aprendendo pandas agora, já uso python pra umas pequenas analise de dados da faculdade, quero usar no meu tcc, se meu orientador não reclamar
Po cara, legal. Eu não sei qual área você está mas posso te dizer que a ciência de dados abrange todas as áreas de conhecimento.
Como a ciência de dados consiste em interpretar dados para obter informações/tomar decisões, então, indiferente da área que você atua, existe espaço para analisar dados.
O que eu posso te sugerir é:
1 - Tenha um lenkedin, é por este meio que muitas empresas recrutam pessoas nesta área.
2 - Estude python, pandas, numpy, keras/tensorflow, torch pois estas são as principais ferramentas vigentes no momento, mas entenda que são FERRAMENTAS e podem ser substituidas praticamente do dia para a noite, basta aparecer uma solução mais economicamente viável, então se foque na lógica e nos modelos, não nas ferramentas (mesmo sendo muito bom dominá-las).
3 - Crie um repositório em algum git para usar de portfólio e tente ser um “achiever” e não um “doer”, ou seja, não adianta você pegar meros desafios de data science como o “Machine Learning from Disaster” e desenvolver, mas sim, pegue o conhecimento gerado com isso e crie ferramentas e soluções mesmo que sejam para problemas cotidianos seus. (Mesmo assim recomendo fazer esse tipo de desafio para treinar e conhecer ferramentas).
4 - Estude e compreenda as nuances dos modelos (Neural perceptron, Neural recorrente, Árvore de decisões, Monte Carlo, NARX Polinomial, PWARX, etc) e métricas utilizadas (métrica F1 para validação de modelos classificatórios; RMSE, MSE para modelos preditivos; RRSE para modelos dinâmicos e assim vai). Veja que existe um universo de modelos e métricas onde citei apenas alguns poucos exemplos, você não vai dominar todos, mas ao menos saiba que eles existem e como são montados, então pegue um desses modelos e estude bastante esse modelo em específico (as métricas acabam vindo como brinde no estudo dos modelos).
5 - Não tenha medo de estatística! Essa é a ciência base de todas as ferramentas de data science e machine learning, saiba que você eventualmente precisará recorrer à ferramentas de estatística básica como histograma, técnicas de detecção de outliers ou mesmo analisar a natureza da distribuição dos seus dados.
6 - Estude conceitos básicos e técnicas de otimização (fronteira pareto, montagem de função custo, regularização).
7 - Você não precisa ser um usuário avançado, mas saiba usar linux. A maioria das empresas dessa área usam o linux pela facilidade da integração do OS com o python. (coloquei esse ponto de forma anedótica, visto que você já usa linux, mas é importante pontuar isso caso outras pessoas venham a ler essa postagem e se interessar pelo assunto).
Obs.: Tudo que está entre parênteses é exemplo e existem muito mais além do que citei.
Todos estes conhecimentos serão úteis para você nesta área mas não seja apreçado, estude com calma e vá aplicando os conhecimentos em pequenos projetos pessoais que você vai anexando ao seu git, assim você aprende direito enquanto monta seu portfólio. Sempre que você ver que existe um problema que você pode aplicar as técnicas estudadas, aplique, e grave no seu git, se possível. Isso vai ajudar!
5 curtidas