Python Portal

الذهاب إلى القناة على Telegram

Всё самое интересное из мира Python Сотрудничество, реклама: @devmangx Менеджер: @Spiral_Yuri РКН: https://clck.ru/3GMMF6

إظهار المزيد

الشبكة:Times | Финансы روسيا11 886 التكنولوجيات والتطبيقات2 546...

📈 نظرة تحليلية على قناة تيليجرام Python Portal

تُعد قناة Python Portal (@pythonportal) في القطاع اللغوي الروسية لاعباً نشطاً. يضم المجتمع حالياً 52 564 مشتركاً، محتلاً المرتبة 2 546 في فئة التكنولوجيات والتطبيقات والمرتبة 11 886 في منطقة روسيا.

📊 مؤشرات الجمهور والحراك

منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 52 564 مشتركاً.

بحسب آخر البيانات بتاريخ 07 يونيو, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار -754، وفي آخر 24 ساعة بمقدار -28، مع بقاء الوصول العام مرتفعاً.

حالة التحقق: غير موثّقة
معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 9.11‎%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 5.59‎% من ردود الفعل نسبةً إلى إجمالي المشتركين.
وصول المنشورات: يحصل كل منشور على متوسط 4 788 مشاهدة. وخلال اليوم الأول يجمع عادةً 2 938 مشاهدة.
التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 24.
الاهتمامات الموضوعية: يركز المحتوى على مواضيع رئيسية مثل строка, none, true, модуль, peter.

📝 الوصف وسياسة المحتوى

يصف المؤلف القناة بأنها مساحة للتعبير عن الآراء الذاتية:
“Всё самое интересное из мира Python Сотрудничество, реклама: @devmangx Менеджер: @Spiral_Yuri РКН: https://clck.ru/3GMMF6”

بفضل وتيرة التحديث المرتفعة (أحدث البيانات بتاريخ 08 يونيو, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التكنولوجيات والتطبيقات.

52 564

المشتركون

-2824 ساعات

-1857 أيام

-75430 أيام

4 788

عرض المشاهدات

~ 2 93824 ساعات

~ 3 48148 ساعات

9.11%

معدل المشاركة

~ 3

المشاركات في اليوم

Ads index

beta

أرشيف المشاركات

52 556

Бывшие сотрудники Google опубликовали карту всех внутренних инструментов Google и их open-source аналогов. 15 200 звёзд. 1 100 форков. 99 контрибьюторов. → Borg = Kubernetes → Spanner = CockroachDB → Colossus = HDFS → Dremel = DuckDB / Presto → Chubby = Zookeeper → Stubby = gRPC → Zanzibar = SpiceDB → Blaze = Bazel → MapReduce = Spark всё, чем инженеры Google пользуются каждый день. у всего этого есть open-source аналоги. ничто из этого не требует работы в Google. https://github.com/jhuangtw/xg2xg 👉 @PythonPortal

52 556

Смотри топовые научные статьи по ИИ, машинному обучению, робототехнике, квантовой физике и другим направлениям на kurate.org. Сотни препринтов с arXiv ежедневно ранжируются по научному импакту через парные сравнения, где судьями выступают модели — Claude, GPT и Gemini. 👉 @PythonPortal

52 556

👉 @PythonPortal

52 556

Как с помощью Python и OpenCV считать лица на видео / фото 🟢Подключаемся к камере. 🟢Используем библиотеку dlib для обнаружения лиц. 🟢Рисуем рамки вокруг лиц и выводим их количество. 🟢Останавливаем программу по нажатию "q". Пример кода тоже есть. 👉 @PythonPortal

52 556

Есть число с плавающей точкой в Python и нужно вывести его как процент — используй формат % в f-строке

x = .023
print(f'{x:.2%}')  # 2.30%

x = .02375
print(f'{x:.2%}')  # 2.38% -- округляется!

x = 1.02375
print(f'{x:.2%}')  # 102.38%

👉 @PythonPortal

52 556

Безумцы реализовали MicroGPT от Andrej Karpathy полностью на ПЛИС-логике. Без графического процессора. Без PyTorch. Без циклов инференса на центральном процессоре. Только трансформер, «зашитый» в железо, генерирующий 50 000+ токенов в секунду. Модель небольшая, но идея не в этом: инференс не обязан существовать только в программной среде. Целью было не сделать максимально большую модель. Целью было представить весь путь инференса трансформера в виде, читаемом для железа: память, счётчики, состояния конечных автоматов, аккумуляторы, таблицы поиска и многотактные арифметические блоки. Базовая схема использует фиксированную арифметику Q4.12 и веса, хранящиеся в ПЗУ. Большая часть модели сводится к одной повторяющейся операции: матрично-векторному умножению. Поэтому был реализован переиспользуемый 16-канальный потоковый блок матрично-векторных вычислений и затем он временно мультиплексируется на Q/K/V, MLP и выходной слой языковой модели. Самым интересным оказался механизм внимания. В Python это одно аккуратное уравнение. В RTL это превращается в расписание: генерация Q/K/V, проход по скалярным произведениям, отслеживание максимума, приближённое вычисление экспоненты, накопление, деление, смешивание V, затем обратная проекция. https://github.com/Luthiraa/TALOS-V2 👉 @PythonPortal

52 556

Большой момент для Soniox: сегодня запускаем Soniox Text-to-Speech. Это серьёзный шаг вперёд. Soniox начинали с распознавания речи. Теперь, имея и распознавание, и синтез, мы становимся голосовой платформой для любого языка. Soniox TTS заточен под самые сложные части генерации речи: - Речь уровня носителя на более чем 60 языках - Генерация без галлюцинаций - Корректное озвучивание буквенно-цифровых последовательностей: числа, идентификаторы, адреса - Правильное произношение имён и иностранных слов - Стриминг с ультранизкой задержкой для приложений в реальном времени Ценообразование простое: $0.70 за час сгенерированной речи. Ключевое здесь — общий вектор: разработчики и компании могут работать с одним провайдером для базового голосового стека — распознавание речи, синтез речи, мультиязычный голос, инфраструктура реального времени, региональные деплои и соответствие требованиям. Это важный шаг в переходе от провайдера распознавания речи к полноценной голосовой платформе для всех языков. Голос становится базовым интерфейсом для софта. Для глобального использования он должен быть быстрым, точным, устойчивым и доступным на любом языке. Этим мы и занимаемся в Soniox. Подробнее в блоге 👉 @PythonPortal

52 556

👉 @PythonPortal

52 556

Hugging Face буквально собрали у себя все ключевые «секреты». Важно разобраться в оценке больших языковых моделей. > Пока ты работаешь с языковыми моделями: > обучаешь или дообучаешь свои модели, > выбираешь модель под задачу, > или пытаешься понять текущее состояние области, почти неизбежно возникает вопрос: как понять, что модель хорошая? > Ответ — оценка качества. Она везде: > лидерборды с рейтингами моделей, > бенчмарки, которые якобы меряют рассуждения, > знания, кодинг или математику, > статьи с заявленными новыми лучшими результатами. Но что такое оценка на самом деле? И что она реально показывает? Этот гайд помогает во всём разобраться.

О чём вообще оценка моделей Базовые понятия больших языковых моделей для понимания оценки Оценка через готовые бенчмарки Создание своей системы оценки Главная проблема оценки Оценка свободного текста Статистическая корректность оценки Стоимость и эффективность оценки

👉 @PythonPortal

52 556

Будь ленивым разработчиком 😴😴😴 Лучшие разработчики — не те, кто пишет больше всего кода. Это те, кто пишет минимум кода и при этом решает задачу быстрее, качественнее и надёжнее. Это избыточный подход:

transposed = []
for i in range(len(matrix[0])):
    row = []
    for r in matrix:
        row.append(r[i])
    transposed.append(row)

Это нормальный, идиоматичный вариант:

transposed = list(zip(*matrix))

Лень — не про небрежность. Это про уважение к своему времени и времени команды. Это про вложение ресурсов в понимание идиом языка, чтобы фокусироваться на реальных задачах, а не переизобретать базовые вещи. У каждого сильного разработчика есть набор «ленивых» приёмов: ✔️генераторы списков вместо вложенных циклов ✔️collections.defaultdict вместо ручных проверок ✔️ контекстные менеджеры вместо ручного открытия/закрытия ресурсов ✔️короткие выражения, которые проходят ревью Цель — не демонстрировать объём проделанной работы, а доставлять чистые и поддерживаемые решения с минимальными затратами. 👉 @PythonPortal

52 556

👉 @PythonPortal

52 556

Используй f-строки Python и спецификаторы форматирования, чтобы быстро и на скорую руку собирать таблицы:

d = {'a':10, 'bcd': 2, 'e': 3456}

for key, value in d.items():
    print(f'{key:.<5}{value:.>5}')

Вывод:

a.......10
bcd......2
e.....3456

👉 @PythonPortal

52 556

Sentrux измеряет архитектуру кодовой базы в реальном времени. Что делает: → Оценивает «здоровье» архитектуры (0–10000) → Отслеживает модульность, циклические зависимости, глубину, равномерность, избыточность → Работает за миллисекунды (Rust + tree-sitter, 52 языка) → Отдает фидбек, пока агенты пишут код Как работает: → scan / rescan анализируют структуру → check_rules применяет ограничения → evolution отслеживает изменения во времени → Правила лежат в .sentrux/rules.toml (связность, слои, циклы) Экспонируется как MCP-сервер: → Агенты получают живой структурный фидбек прямо в процессе сессии Вместо: code → review позже Получаешь: code → оценка → исправление (внутри цикла) https://github.com/sentrux/sentrux 👉 @PythonPortal

52 556

👉 @PythonPortal

52 556

Теперь можно искать по PDF на 500 страниц без чанкинга и без векторизации. Андрей Карпати недавно озвучил идею: что если база знаний работает как вики, а не как векторная база? OpenKB — open-source CLI, построенный вокруг этой концепции. Он компилирует сырые документы в структурированную связанную вики-систему с помощью LLM. Знания накапливаются, а не пересобираются при каждом запросе. В классическом RAG контекст каждый раз восстанавливается заново. Здесь модель опирается на уже построенную структуру. Длинные PDF разбираются через PageIndex — древовидный индекс без векторов, который позволяет рассуждать по структуре документа. Что получается на выходе: > авто-суммаризация и страницы концептов > кросс-ссылки между документами > детект противоречий и пробелов > режим наблюдения за изменениями > markdown, совместимый с Obsidian Поддерживаются PDF, Word, PowerPoint, Excel, HTML и изображения. Таблицы и фигуры извлекаются нативно. Один новый файл может автоматически обновить до 15 страниц в вики. База знаний начинает сохранять то, что уже было выучено. https://github.com/VectifyAI/OpenKB 👉 @PythonPortal

52 556

Нужно обнулить время (до полуночи) в серии datetime в Pandas — используется dt.normalize:

df['x'].dt.normalize()

На выходе та же серия datetime, но у всех значений время 00:00:00. 👉 @PythonPortal

52 556

Нужно округлить даты/время в Pandas: * dt.floor — вниз (к предыдущему интервалу) * dt.ceil — вверх (к следующему интервалу) * dt.round — к ближайшему интервалу Пример:

s.dt.floor('3h')   # предыдущий 3-часовой слот
s.dt.ceil('15m')   # следующий 15-минутный слот
s.dt.round('1D')   # ближайшие сутки

👉 @PythonPortal

52 556

f-строки в Python: * Перед строкой ставится f * Возвращается обычная строка * Выражения в {} вычисляются и подставляются

x = 5
y = 7
f'{x} + {y} = {x+y}'  # 5 + 7 = 12

x = [1, 2]
y = [3, 4]
f'{x} + {y} = {x+y}'  # [1, 2] + [3, 4] = [1, 2, 3, 4]

👉 @PythonPortal

52 556

Хотите освоить анализ данных, но не знаете, с чего начать? Центр непрерывного образования ФКН НИУ ВШЭ запускает онлайн-программу профессиональной переподготовки «Практический анализ данных» — полный цикл обучения от нуля до уровня практикующего аналитика. Что вас ждет: 🟣Python для автоматизации и анализа данных: от первых строк кода до Pandas и визуализации 🟣SQL на продвинутом уровне: оконные функции, индексы, партиционирование, оптимизация запросов 🟣Прикладная статистика и A/B-тестирование: проверка гипотез, планирование экспериментов, работа с малыми выборками 🟣Основы машинного обучения: регрессия, классификация, кластеризация 🟣Дашборды в Tableau и Yandex DataLens 🟣Продуктовая аналитика: метрики, сегментация, приоритизация гипотез 🟣Хранилища данных: архитектура DWH, Hadoop, Spark, ETL, Airflow Преподаватели — практикующие специалисты из Wildberries, Вкусно — и точка и других компаний. По окончании вы получите диплом о профессиональной переподготовке НИУ ВШЭ. 📁 Старт: 12 мая. Подробнее о программе 📍

52 556

👉 @PythonPortal