YOYO Programming

🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧

היום יש המון טכנולוגיות שפותרות 99% מהצרכים של מוצר וובי, אתמול התחלתי לבנות מוצר בשביל לבדוק כמה זמן יקח לי לבנות מוצר מאפס אם אני מנסה לבנות אותו כמה שיותר מהר.

צד שרת ולקוח עם SvelteKit
דאטאבייס וhosting עם cloudfkare pages וD1
עיצוב עם svelte shadcn next
הקוד נכתב בעזרת agent mode של cursor

אתמול ישבתי שעתיים וחצי וקינפגתי את הפרויקט מאפס, וכבר יש auth עם אימייל וסיסמה, מבנה אתר, דוקיומנטציה, דף pricing
בסיס לדשבורד ניהול.

waitlist.yehoyada.com
האתר לא ריספונסיבי לגמרי, אני מתכנן לסדר את זה הערב.

🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧

התקשרו אלי כרגע מאיזו חברה להציע לי חבילת אינטרנט.

נזכרתי שלפני כשנה נרשמתי למאגר אל תתקשרו אלי, הגשתי תלונה בכמה דקות עם ההקלטה של השיחה ויכול להיות שהחברה תקנס 50,000₪~

אני ממליץ להרשם למאגר ולרשום גם את הסבים והסבתות.

פשוט תחפשו "אל תתקשר אלי" ותכנסו ללינק שמוביל לאתר הממשלתי.

🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧

🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧

🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧

הספרייה הנוכחית של alpha-vantage פשוט לא מספיק טובה...

🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧

🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧

import numpy as np


def partition_vector(vector, N):
"""
Partition a vector into a hypercube of side length N.

Args:
vector (np.array): The input vector.
N (float): The side length of each hypercube.

Returns:
tuple: A tuple of integers representing the coordinates of the hypercube.
"""
return tuple(np.floor(vector / N).astype(int))


def hypercube_info(vector, N):
"""
Get information about the hypercube a vector falls into.

Args:
vector (np.array): The input vector.
N (float): The side length of each hypercube.

Returns:
dict: A dictionary containing information about the hypercube.
"""
cube_coords = partition_vector(vector, N)
return {
"coordinates": cube_coords,
"lower_bound": np.array(cube_coords) * N,
"upper_bound": (np.array(cube_coords) + 1) * N,
"center": (np.array(cube_coords) + 0.5) * N
}



# Example usage
if __name__ == "__main__":
vector = np.array([3.7, -4.5, 5.6, -4.7])
N = 3.0
result = hypercube_info(vector, N)
print(f"Vector: {vector}")
print(f"Hypercube side length: {N}")
print(f"Hypercube coordinates: {result['coordinates']}")
print(f"Lower bound: {result['lower_bound']}")
print(f"Upper bound: {result['upper_bound']}")
print(f"Center: {result['center']}")

לפני כמה ימים עלה לי הרעיון לכתוב ספרייה של fingerprinting שתזהה את אותו מכשיר ללא cookies גם במצב privacy
הדרך שזה לרוב נעשה היא ע"י איסוף מלא מידע ייחודי למחשב כמו מערכת הפעלה, דפדפן, כמה זה pi בספריית math וכו...

הבעיה היא ששינוי קטן יגרום fingerprint שונה, אז התחלתי לחשוב האם יש אלגוריתם שנותן ID זהה לדברים דומים עם אפשרות לקנפג כמה שינוי נצרך בשביל ID אחר.

עשיתי מחקר אבל לא מצאתי אלגוריתם שהתאים לבעיה, ישנם אלגוריתמים שנותנים hash קרוב לinput קרוב אבל זה אומר שאני צריך לעשות חיפוש קירבה בDB ולא ממש מתחשק לי.

היום בעודי קודח מחום (אני חושב שיש לי קטע עם חילופי עונות) עלה לי פתרון לבעיה, אנחנו נייצג את הפרטים של המכשיר כvector ואז נחלק את הhyperspace לhypercubes עם גודל צלע שאפשר להגדיר, אנחנו נחשב באיזה hypercube הvector נמצא ונחזיר את הפרטים של הhypercube כID של הvector.

מה שאומר שאם נשנה רק קצת את הvector הוא עדיין יפול באותה קוביה וייתן את אותו ID

כמובן שאפשר לעשות hash על הפרטים של הקוביה בשביל לעבוד עם מידע קומפקטי.

אשמח לשמוע מה דעתכם והאם פיספסתי אלגוריתם שעושה את זה כבר.

🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧🟧