#مدیور

بین جونیور سطح بالا (گفتم دسته بندی من ۳ سطحی هست) و مدیور سطح پایین واقعاً مرز باریکی وجود داره و خیلی وقت‌ها راحت نمی‌شه تشخیص داد این موضوع رو

مثلاً صرف اینکه طرف بتونه
Medium Complexity LeetCode

حل کنه نمی‌شه گفت که خب مدیور شده و تمام، اتفاقاً ازین سطح به بعد رفتار تیمی و نحوه برخورد با چالش و مسائل و ... هم خیلی مهم می‌شه

اینکه تنش و استرس رو چطوری باهاش مقابله می‌کنید و ....

مثال بزنم :
فرض کنید، یک تیم ۳ نفره از جونیور‌ها زیر دست شما درحال توسعه بخشی از نرم‌افزار هستند و شما هم مدیور بالا سر این افراد هم بهشون کمک می‌کنید، هم اگر نیاز به
Code review
باشه، شما شخصی هستید که تأیید اولیه رو میزنید.

مدیر فنی شرکت یا شخص بالاسری شما میاد با شما جلسه میگذاره و یکی از فیچرها رو از شما می‌خواد که تغییر بدید، یا فیچر اضافه کنید یا حتی جایگزین کنید.

برخورد شما چیه ؟
من بسیار مدیور و سنیور دیدم که سریعا گارد میگیرند، به نوعی مخالفت می‌کنند (حتی غیر منطقی) و می‌خوان که توی حالتی که پلن چیده شده پیش بروند و ...

اما یک سنیور یا مدیور واقعی، بیزینس رو درک می‌کنه و به این سطح رسیده که اگر بیزینس نباشه من هم دچار مشکل دستمزد و ... میشم پس اگر یک فیچری در حال توسعه بود ولی بنظر رسید که باعث ضرر مالی شده و برای همین تصمیم به جایگزینی رسیده باید برخورد منطقی در قبالش داشت.

بعضی وقتا هم دلایل فنی هست، که مدیور باید اینجا قدرت فنی خودش رو نشون بده اینکه چرا مخالف هست یا موافق حتی.


رنج دستمزد مدیور هم با توجه به وضعیت بازار ایران روی :

از ۲۰ میلیون تومان
تا ۴۰ میلیون تومان در ماه

برای سال ۱۴۰۳ رنج خوبی هست.

#سنیور

سنیور واقعی مبلغ نداره،
هرچقدر تیغ‌اش ببره، بریده

وقتایی هست که دوس داره به یک پروژه و یک نفر حال بده و با دستمزد کم کار می‌کنه
وقتایی هم هست که دستمزد واقعی خودش رو می‌خواد

برای همین من هیچ نظری روی دستمزد سنیورها نمی‌دم
قطعاً خودشون هم گرگی شدند و می‌دونند چطوری قرارداد ببندند.

یکی از دوستان زنگ زد؛ میگه نمیشه زودتر بگی داستان چی هست دارم لاگر پروژه شرکت رو می‌نویسم؛
کل منبع صحبت‌های این هفته :
Logging Cookbook, python documentation

این صحبتم که میگن داکیومنت خوبی نداره و ... هرکی گفت بهش بگید : چون درست نخوندی.
اگر شما هم مثل ای رفیق من خواستید زودتر شروع کنید به خوندن؛ توی داکیومنت بالا چندتا log handler رو حتما بهش توجه ویژه کنید.

RotatingFileHandler, QueueHandler

قبلا صحبت شده راجب اولی؛ دومی هم برای multi thread کردن هست که لاگ نویسی باعث کند شدن پردازش نشه.
StreamHandler, SMTPHandler, SocketHandler
توی این ۳ مورد هم مورد اول داخل داکر بدرد بخور هست؛ smpt رو هم احتمالا حدس زدید برای ارسال ایمیل هست (معمولا لاگ‌های critical رو برای خودمون یا ادمین یا ... ارسال می‌کنیم) و در نهایت هم SocketHandler که برای ارسال لاگ با پروتکل tcp به سرور دیگری استفاده میشه که خیلی خیلی مهم هست (باور ندارید از بچه‌های امنیت بپرسید)

معمولا خود من از این ۵ مورد توی پروژه‌های بزرگ استفاده می‌کنم؛ البته خیلی وقتا شرکت‌ها SocketHandler نمیگرین و براساس event یا ساعتی یا ... بکاپ لاگ فایل رو به S3 bucket میفرستند روی آمازون که هزینه کمتری داره برای نگهداری.

ابزار jurigged برای hot code reloading/patching کد پایتون استفاده میشه و شباهت های زیادی با reloadium داره اما کاملا اوپن سورسه و رایگان.

از این پروژه داخل طراحی ربات های پایتون استفاده کردم ولی داخل خیلی موارد دیگه هم قطعا میتونه استفاده بشه.

از طریق این ابزار میتونید برنامتون رو ران کنید و فانکشنی که بیشتر از یک بار (مثل هندلر یا API endpoint) هاتون اجرا میشه رو patch میکنه. جدا از اون کار های زیادی هم انجام میده ولی یک سری آپدیت های سورس کد در مواقعی امکان patch ندارن و واسه اینکار باید دوباره اسکریپتتون رو ران کنید.

اما خیلی برای آزمایش سریع و تست خوبه.

https://github.com/breuleux/jurigged

دروغ هایی که جونیور ها از سنیور ها باور میکنن.
این ویدیو خیلی خوبی بود به همین دلیل تصمیم گرفتم به اشتراک بزارم.

https://www.youtube.com/watch?v=Vo7KOqR27xE

متن مقاله:

https://vadimkravcenko.com/shorts/falsehoods-junior-developers-believe-about-becoming-senior/

سال نوتون مبارک.
با ساعاتی تاخیر :)

امیدوارم که سالی پر از نشاط، سلامتی، آرامش، موفقیت و هر چیز خوبی که میخواید رو داشته باشید.

چند وقت پیش آموزش Network+ دیده بودم.
این مجموعه ویدیویی بود که یکی از دوستان معرفی کرده بود.
آموزشش رایگان بود و رفتم دیدم.
به نظرم خیلی خوب بود به همین دلیل گفتم برای شما دوستان هم بزارم که استفاده ببرید.

https://toplearn.com/courses/operating-system/%D8%A2%D9%85%D9%88%D8%B2%D8%B4-%D8%B1%D8%A7%DB%8C%DA%AF%D8%A7%D9%86-network-plus

#mini_roadmap
بر اساس #تجربه

این یک roadmap ساده هست برای اونهایی که میخوان توی هر شاخه‌ای از برنامه‌نویسی بعنوان یک برنامه نویس خوب شناخته بشن :

زیرساخت کار هست :

۱- انتخاب و یادگیری زبان برنامه‌نویسی مد نظر : (فرض من پایتون هست)

توی این مرحله مقدمات رو یاد میگیرید تا سطح متوسط (از لحاظ کد زدن هر چیزی رو می‌تونید پیاده سازی کنید اما خب بهترین راهکار رو پیشنهاد نمی‌دید)

کتاب خوب انقدر زیاده که پیشنهاد خاصی ندارم.

۲- Git
واجب هست بلد بودنش، اصلا سعی نکنید بپیچونید
کتاب پیشنهادی:
Head first git

3- Data structure and algorithm

واجب هست، امکان نداره مصاحبه‌ای شرکت کنید (شرکت‌های درست و حسابی) و حداقل ۲ تا مرحله مصاحبه‌ شما راجب این موضوعات نباشه

کتاب پیشنهادی: (قبلاً معرفی شده)
Data structure and Algorithm in python

حتماً باید مربوط به زبان برنامه‌نویسی مورد نظر خودتون باشه

4- System design
۹۰٪ کدهای مزخرفی که من میبینم ربطی به این نداره که برنامه‌نویس بد یا ضعیف بوده توی اون فریمورک یا زبان برنامه‌نویسی

موضوع اینه که توانایی طراحی سیستم رو نداشته.

به هیچ وجه Mid-level یا Senior نمی‌تونید بشید اگر نتونید system design خوبی ارائه بدید.

هم کتاب هم ویدئو‌های خوب بسیار موجود هست.

تا اینجا برای استخدام کفایت می‌کنه اما ابزار‌هایی هست که رزومه شمارو سرتر از رغیب‌هاتون می‌کنه :

1- Linux
اگر ویندوز دولوپر نیستید حتماً حداقل مقدمات لینوکس رو بلد باشید

2- Docker
مدل سنتی ارائه کد واقعاً مرده توی شرکت‌های حرفه‌ای

3- SQL
هرکاری که بخواید انجام بدید، بالاخره ی جوری به یک دیتابیس ختم میشه دیفالت همیشه sql هست
کوئری خالی زدن مهم نیست یاد بگیرید اولویت کوئری‌هارو + چطور میشه optimize ترین کوئری رو زد

3- Advance concept
مربوط به زبان برنامه‌نویسی خودتون هست
برای پایتون من پیشنهادم به تازه‌کارها شروع این موارد بعد از ۱ سال کد زدن هست

کتاب :
Fluent python
Python Concurrency
High performance python
CPython Internals

خلاصه تجربیات من تو مصاحبه‌های مختلف مخصوصاً با
Amazon, Netflix
و چیزهایی که از دوستان در فیسبوک و اینستاگرام شنیدم

#Roadmap 2022

این رو برای یک دوستی که تازه داره سعی می‌کنه وارد، ماشین‌لرنینگ بشه نوشتم ؛
اول اینکه توجه کنید,
۱- ایشون تازه برای کارشناسی بورسیه گرفته و قراره شروع کنه درسش رو
۲- پایتون رو در سطح متوسطی بلد هست و چندسالی هست که کد میزنه (Data structure, Algorithm رو متوجه‌ هست)
۳- علاقه شدیدی به هوش مصنوعی داره و برخلاف خیلی‌ها که می‌خوان سریعتر کد بزنن ترجیح میده وقت بیشتری توی مقدمات بذاره تا حرفه‌ای تر جلو بره


RoadMap :

1- Numpy (and scipy):

. Numpy Beginners guide 3rd edition (packt)
. Python Numpy Beginners (AI publishing)
. Scientific Computing with Python .... 2nd edition (Claus Fuhrer - packt pub)
* High performance python ... 2nd edition (O'Reilly)

2- Pandas:

Effective Pandas (Matt Harrison)
Pandas in Action (Manning Pub)
Pandas 1.x cookbook ... 2nd edition (Packt pub)

3- Matplotlib (or other visualization libs)

Hands on matplotlib (Ashwin - Apress pub)
Data visualization with python for beginners ... ( AI publishing)

چیزی که خیلی مهمه اینه کار با OOP، api رو توی این کتابخونه یاد بگیرید.

3- Data Engineering
نه کامل اما بعضی مباحث واقعاً لازم هست :
Sql / NoSql / PySpark
اینها مباحثی هست که خیلی بدرد میخوره معمولاً

4- Scikit-learn :

Hands on machine learning with scikit-learn, ... (O'Reilly) - Part 1 only

Machine learning with pytorch and scikit-learn (Packt pub) - Part 1 only

5- Story telling
کتاب‌های زیادی برای این مورد وجود داره که بسته به علاقه و نوع نوشتاری که می‌پسندید می‌تونید انتخاب کنید

اما این بخش رو اصلا دستکم نگیرید (۹۹.۹٪ آموزش‌ها این موضوع رو منتقل نمی‌کنند و ۱۰۰٪ توی کار این موضوع واجب و حیاتی هست)

6-
آمار و احتمالات / ریاضیات / جبر

بستگی به خودتون داره؛ اگر فکر می‌کنید لازم هست کمی ریاضیات پایه رو مرور کنید
آمار و احتمال رو شاید بهتره حتی قبل از scikit-learn مرور کنید

کتابهای با عنوان statistical learning وجود داره برای پایتون که به سلیقه خودتون می‌تونید بخونید.
7- Deep learning (practical)

۲ تا کتابی که برای Machine learning معرفی کردم بخش دوم هر ۲ کتاب رو می‌تونید اینجا شروع کنید
Deep learning with python 2nd edition (Manning pub)
هم حتماً برای اونایی که Tensorflow هم می‌خوان کار کنند باید خونده بشه

اگر قرار هست کارهای deploy , ... هم انجام بدید اون خودش ی roadmap اساسی میخواد اما بطور ساده :

ML engineering / MLOps / Linux / Docker / Api development (FastApi) / Edge deployment (Tiny ML)

حداقل چیزهایی هست که لازم دارید.
بعد با توجه به بیزینس و علاقه به بخش‌های مختلفش شاخ و برگ میدید.

پ.ن : برای بخش‌های مختلف چندکتاب معرفی شد، چون نوع نوشتار بعضی از کتابها ممکن مورد پسند شما نباشه
لازم نیست همه‌ی چند مورد رو بخونید.

کتاب :
High performance python
جزو واجبات هست که بنظرم همه باید بخونند.

این یکی از جالب ترین ویدیو ها راجب Python بود و کلا نگاهم رو به ()super و همینطور OOP عوض کرد.

مهم ترین بخشش نحوه کار کردن super و cooperative inheritence بود که قدرت
*args, **kwargs
رو برام نمایان تر کرد.

حتما برای درک عمیق تر شی گرایی این ویدیو رو ببینید و بخش cooperative inheritence اش رو تمرین کنید.

https://www.youtube.com/watch?v=X1PQ7zzltz4

ویدیو به شدت عالی بود.
راجب اخراج های جدید و داستان هایی که داره اتفاق میفته.
هم از لحاظ اقتصادی، هم AI و ...

Key takeaway:
Don't be hyper-specialized.
Be a great generalist. (And specialized in one of them)

https://www.youtube.com/watch?v=hAwtrJlBVJY

کانال یوتیوب ایرانی بود که جدیدا پیدا کردم و طرف واقعا کارش درسته
- تو پروژه های خارجی شرکت داشته و دورکاری کار میکرده.
- تو زمینه Web Development تخصص داره.
- مطالب مفیدی داره که منحصر فارسی زبان ها هست.

https://www.youtube.com/@kalagar2

ویدیو خیلی خوبی از کلاگر.
چطوری ریموت کار بکنیم با شرکت های خارجی:

https://www.youtube.com/watch?v=ltuzEC7LGYo

Dependency Injection / inversion
Best design pattern

یکی از بهترین دیزاین پترنی هایی که میشناسم و همیشه ازش استفاده میکنم.

https://www.youtube.com/watch?v=2ejbLVkCndI

ارور هندلینگ به مزه Rust:
این ویدیو راجب یه پترن جالب و منحصر به فرد ارور هندلینگ به اسم Monadic Error Handling صحبت میکنه.

ارور هندلینگ های به سبک exception داخل پایتون یک نقطه قوت یا ضعف محسوب میشن بسته به دید افراد و پروژه استفاده شده.
اما با اومدن زبان Rust و Haskell این نوع جدید از هندل کردن ارور مطرح شده و بعضیا خیلی بیشتر ترجیح میدن.

داخل پایتون هم میشه این نوع ارور هندلینگ رو پیاده کرد. با کمک لایبرری returns.
در واقع این پترن ارور هندلینگ جزو ویژگی های پایتون نیست. اما با انعطاف پذیری که پایتون داره میشه پیاده سازیش کرد.

https://www.youtube.com/watch?v=J-HWmoTKhC8

تو این ویدیو هم راجب composition (ترکیب بندی) صحبت میشه و اینکه چرا بهتر از inheritance (ارث بری) هست.
معمولا استفاده از ارث بری کدبیس هارو اصلا ساده نمیکنه.

چون که وابستگی های داخل به شدت بالا میره و همین باعث سخت شدن توسعه و ماژولار کردن کد میشه.
نمونه داخل ویدیو مثال خیلی خوبی از این وابستگی هاست.
در مثال داخل ویدیو استفاده از پترن ارث بری برنامه نویس رو وادار یا ترغیب میکنه که از ارث بری استفاده کنه.

کد های ماژولار درخت بزرگی از ارث نیستند و برای ارث بری باید حتما دلیل خوبی داشته باشید.
در غیر اینصورت بهتره که از ترکیب بندی استفاده کنید تا بعدا به موارد دردناک refactor کردن نخورید.

https://www.youtube.com/watch?v=0mcP8ZpUR38

آموزش الگوریتم و ساختمان داده توسط Primeagen.
البته که با Typenoscript هست ولی من میبینم چون Primeagen درس دادتش :)

https://frontendmasters.com/courses/algorithms/

واسه دوستانی که میخوان وارد Web Development بشن.
این کتابچه راهنمای Front-end هست و خیلی بدرد میخوره برای دوستان فرانت اند کار که صفر تا صد فرانت رو پیش برن.

https://frontendmasters.com/guides/front-end-handbook/2024/

همینطور یه وبسایتی که بهتون ایده برای پروژه های تمرینی Front-end میده تا روی مهارت هاتون خیلی خوب کار کنید.

https://www.frontendpractice.com/