«Pipeline-as-code» — принцип, который позволяет Jenkins обрабатывать пайплайны как обычные файлы. Существует два способа описания пайплайнов: скриптовый и декларативный. В этой статье поговорим о Jenkins Scripted Pipeline: проанализируем его структуру и разберём варианты использования. Что такое Scripted Pipeline в Jenkins Jenkins Scripted Pipeline — первая версия принципа «Pipeline-as-code». Она представляет собой Groovy-скрипт с использованием Jenkins Pipeline DSL и обеспечивает выдающийся уровень мощности и гибкости...

Всем привет! Раз уж заговорили про тесты расскажу про отладку и тестирование Jenkins pipeline. Для начала: отладка и тестирование Jenkins pipeline - это боль((( Почему? 1) pipeline пишется на Groovy, а Groovy - это язык с динамической типизацией. Динамическая типизация хорошо подходит для небольших скриптов, но как только кода становится много - код сыпется, править его становится страшно. Да, есть аннотация @groovy.transform.CompileStatic, но см. п.2 2) pipeline пишется не просто на Groovy, а на Groovy DSL. Стандартный Jenkins предоставляет ряд команд, они же шаги, плюс их число расширяется плагинами...

Чистый звук и плавный геймплей часто страдают не от слабого железа, а от незаметных задержек в работе драйверов. Разбираем, как найти причину, убрать микрофризы и вернуть системе отзывчивость без рискованных экспериментов. Использую лия ИИ в написании и структурировании статей? Е, Бать. Конечно. Кто там писал коммент, ИИ? Да допустим пишу я текст. Да ты попробуй расставить смайлы и эмодзи вручную. Кончно ИИ помогает. И абзацы перемешивает, и ошибки исправляет. Да. СЮДА ЛУЧШЕ ВООБЩЕ НЕ ЗАГЛЯДЫВАТЬ...

Одним из ключевых этапов подготовки датасета к подаче в модель машинного обучения является кодирование и масштабирование признаков. Рассмотрим, как это сделать надежнее и проще всего. Для демонстрации используем данные о пассажирах Титаника: import pandas as pd import numpy as np np.random.seed(0) df = pd.read_csv("https://s3.amazonaws.com/h2o-public-test-data/smalldata/gbm_test/titanic.csv") df['sex'] = df['sex'].map({'male':1, 'female':0}) df[['age', 'body', 'fare']] = df[['age', 'body', 'fare']]...