Python Portal

Настроил чат-бота за пару часов → заработал 9 000₽. Просто представь, кто-то стоит в очереди на маршрутку в 8 утра чтобы успеть на “любимую” работу. А кто-то за 3-4 часа делает чат-бота со своего ноута без привязки ко времени. Разница в зарплате: 200 тысяч. И нет — не надо ничего программировать. Зачем грузить мозги кодом, если можно собрать чат-бота для бизнеса на конструкторе. Без опыта. За 3-4 часа. 💡 Суть проста: Берёшь клиента → Собираешь бота по шаблону → Наставник всё проверяет → Сдаёшь работу и получаешь деньги. В первый месяц обычно выходят на доход 50–80 тыс ₽/мес, а с опытом от 180 тыс ₽ и выше. Легко совмещается с работой, учёбой, рыбалкой, семейными хлопотами… график устанавливаешь самостоятельно. Всё, что нужно для старта — запустить бота 👉 @other_digital_bot Там пошаговый план как стартануть и гайд по клиентам. До 26 января вход бесплатный.

Сравнение async и ThreadPoolExecutor в Python Асинхронная обработка async В async переключение выполнения на уровне CPU происходит в момент выполнения await. Но чтобы можно было вызвать await, сам код должен поддерживать async. Например, если вы хотите делать запись в PostgreSQL через async, то придется использовать asyncpg. То есть для тех операций, которые поддерживают async, можно реализовать асинхронную обработку с помощью async. Параллельная обработка ThredPoolExcutor ThredPoolExcutor имеет смысл использовать в тех случаях, когда: * код не поддерживает async * или вы хотите распараллелить выполнение, минимально переписывая существующий код. Тестовый код Асинхронная обработка async:

import asyncio
import time

from icecream import ic


async def io_task(name):
    print(f"{name} start")
    await asyncio.sleep(3)  # ожидание неблокирующего I/O
    print(f"{name} end")


async def main():
    start = time.time()
    await asyncio.gather(io_task("A"), io_task("B"), io_task("C"))
    print(f"elapsed: {time.time() - start:.3f}")


ic()
asyncio.run(main())
ic()

# Результат выполнения
ic| main_async.py:19 in <module> at 22:06:11.408
A start
B start
C start
A end
B end
C end
elapsed: 3.001
ic| main_async.py:21 in <module> at 22:06:14.412

Параллельная обработка ThredPoolExcutor:

import time
from concurrent.futures import ThreadPoolExecutor

from icecream import ic


def io_task(name):
    print(f"{name} start")
    time.sleep(3)  # блокирующий I/O
    print(f"{name} end")


ic()
start = time.time()
with ThreadPoolExecutor(max_workers=3) as executor:
    executor.submit(io_task, "A")
    executor.submit(io_task, "B")
    executor.submit(io_task, "C")

print(f"elapsed: {time.time() - start:.3f}")

# Результат выполнения
ic| main_ThreadPoolExcutor.py:13 in <module> at 22:07:03.543
A start
B start
C start
C end
B end
A end
elapsed: 3.003

Вывод: В случаях, когда требуется блокирующая обработка вроде time.sleep[1], имеет смысл использовать ThredPoolExcutor. Когда же нужна неблокирующая обработка, как в случае с asyncio.sleep, лучше использовать async. 👉 @PythonPortal

Топовый лайфхак с GitHub: добавь 0 к URL pull request, и ИИ поможет тебе ревьюнуть и понять изменения, которые хотят влить. 👉 @PythonPortal

xAI выложила в опенсорс новый рекомендательный алгоритм X Весь код уже доступен на GitHub. Обещают обновления каждые 4 недели. 👉 @PythonPortal

Чувак создал игру по стрельбе из лука, в которой в качестве контроллера используется зарядный кабель. 👉 @PythonPortal

Писать планировщик задач на Python через стандартную библиотеку хоть и просто, но возможностей там немного. Как только появляются асинхронные задачи, работа с таймзонами, ретраи при фейлах и похожие кейсы, становится тяжко. 😢 На GitHub нашел FastScheduler, это опенсорсный легковесный таск-планировщик для Python. Поддерживает async, таймзоны, Cron-выражения и еще имеет визуальную панель. За счет очень аккуратного синтаксиса на декораторах задачу можно описать одной строкой. Есть разные варианты расписаний: интервалы, конкретное время, Cron и т.д. Асинхронные функции работают из коробки. Установка через pip в один шаг, а для персистентности доступны разные хранилища вроде SQLite и PostgreSQL. После рестарта сервиса состояние задач не теряется. 👉 @PythonPortal

Как вам эти 30 незаменимых приемов при программировании на Python 🤭 👉 @PythonPortal

инженеры смотрят, как все остальные вайб-кодят приложения 👉 @PythonPortal

Этот чувак буквально за 6 минут объясняет, как с нуля собрать алгоритмический хедж-фонд для трейдинга. Я видел, как команды годами до этого доходят. Жесть 🙌 👉 @PythonPortal

Библиотека алгоритмов по робототехнике, которую должен знать каждый инженер📚 PythonRobotics это open-source коллекция Python-кода и учебник по алгоритмам робототехники, сделанные Atsushi Sakai. На GitHub у проекта 27.2k звёзд и 7k форков, так что добавить в закладки вообще без вариантов Там покрыто всё: от локализации (EKF, particle filters, histogram filters) до SLAM (FastSLAM, ICP matching), планирования пути (A*, RRT*, Dijkstra, D*, potential fields, state lattice), трекинга траектории (Stanley, LQR, MPC), навигации манипуляторов, воздушной навигации и даже планирования для двуногих роботов. Что в нём особенного? Он сделан так, чтобы его было легко читать и понимать: минимум зависимостей и практичные, широко используемые алгоритмы. Каждый алгоритм идёт с визуальными анимациями, математическими объяснениями и рабочим кодом. Документация по сути это полноценный учебник по алгоритмам робототехники, бесплатно доступный онлайн. Требования простые: Python 3.13+, NumPy, SciPy, Matplotlib и cvxpy. И всё. Это учебный ресурс с 2,201 коммитом, вкладом от 138 разработчиков и активной поддержкой. Одни только анимации (они лежат в отдельном репозитории) уже стоят того, чтобы их изучать. Если ты учишь робототехнику, собираешь автономные системы или преподаёшь алгоритмы, это тот самый ресурс. Лицензия MIT, так что можно свободно использовать и в исследованиях, и в коммерческих проектах. Ссылка:

https://github.com/AtsushiSakai/PythonRobotics

P.S. Вот как выглядит хороший open-source: образовательный, практичный, отлично задокументированный и комьюнити-драйвовый. Добавь в закладки. 🔖 👉 @PythonPortal

Когда оперативка бесконечная 👉 @PythonPortal

👩‍💻 В сеть вывалилась гигантская куча курсов и книг Держи сотни гигабайт свежих уроков, и каждую неделю мы подкидываем ещё! • 1612 ГБ — DevOps • 1402 ГБ — Python • 1300 ГБ — C, C++ • 1815 ГБ — Frontend • 1515 ГБ — Backend • 898 ГБ — ИБ, Хакинг • 996 ГБ — Kotlin, Swift • 212 ГБ — JavaScript • 315 ГБ — Flutter • 820 ГБ — Go, PHP • 419 ГБ — Java, Rust • 648 ГБ — GameDev • 517 ГБ — Windows, Linux • 998 ГБ — Дизайн (UX/UI) • 617 ГБ — Нейросети (ML/RL) • 546 ГБ — БД (SQL & NoSQL) • 687 ГБ — Аналитика данных • 115 ГБ — QA-тестирование Подписывайся и не плати за то, что можно получить бесплатно

Задеплой любую ML-модель как MCP-сервер. LitServe: самый простой способ выкатывать агентов, RAG и вообще любые ML-модели. Теперь есть поддержка MCP. Полностью open-source. 👉 @PythonPortal

Клонируй любой голос по 5-секундному аудиоклипу. VoxCPM это open-source проект, который делает TTS принципиально иначе. большинство TTS-систем сначала переводят речь в дискретные токены. это становится бутылочным горлышком и ограничивает, насколько “живым” может быть звук. VoxCPM вообще пропускает токенизацию. он моделирует аудио в непрерывном пространстве через end-to-end diffusion autoregressive архитектуру. в итоге получается речь, которая реально звучит по-человечески. вот что в нем особенного: > контекстно-зависимая генерация: читает текст и сам подбирает нужную просодию, эмоцию и темп. ручной тюнинг не нужен. > zero-shot клонирование голоса: даешь короткий аудиоклип, и он ловит не только тембр, но и акцент, ритм и эмоциональный окрас. модель обучали на 1.8 млн часов билингвальных данных (английский и китайский) * поддерживает streaming synthesis * работает и с full fine-tuning, и с LoRA * простой Python API: pip install voxcpm VoxCPM1.5 гоняет на 44.1kHz sampling rate и имеет 800M параметров. поэтому звук заметно более четкий и натуральный. лицензия Apache-2.0 👉 @PythonPortal

😆😆😆

Теперь можно парсить почти любой документ одной моделью на 1.7B параметров. Она называется dots-ocr. Одна система, которая умеет работать с текстом, таблицами, формулами, изображениями и PDF на 100+ языках. Без отдельного OCR-пайплайна. Без моделей под конкретные задачи. 100% исходный код 👏 👉 @PythonPortal

Расширенный алгоритм Евклида. 1) Что такое расширенный алгоритм Евклида Для двух целых чисел a и b и их НОД, то есть gcd(a, b), выполняется линейное уравнение с двумя переменными: a·x + b·y = gcd(a, b) (1) Расширенный алгоритм Евклида это способ найти одну пару целочисленных решений (x, y), которая удовлетворяет (1). 2) Алгоритм расширенного алгоритма Евклида Перед тем как перейти к сути, вспомним обычный алгоритм Евклида. Для двух целых a и b следующими шагами получаем: gcd(a, b) = rₙ (2) Сама цепочка делений с остатком: a = b·q₀ + r₀ b = r₀·q₁ + r₁ r₀ = r₁·q₂ + r₂ ... rₙ₋₂ = rₙ₋₁·qₙ + rₙ rₙ₋₁ = rₙ·qₙ₊₁ Теперь посмотрим на первую строку: a = b·q₀ + r₀ r₀ = a − b·q₀ То есть r₀ можно выразить как линейную комбинацию a и b. Подставим это во вторую строку: b = r₀·q₁ + r₁ b = (a − b·q₀)·q₁ + r₁ b = a·q₁ − b·q₀·q₁ + r₁ r₁ = −a·q₁ + b·(q₀·q₁ + 1) Получается, r₁ тоже выражается через a и b. Если повторять эту операцию, то каждый rᵢ (0 ≤ i ≤ n) можно представить как сумму кратных a и b. Значит, в конце: rₙ = k·a + l·b А из (2) получаем: k·a + b·l = gcd(a, b) (3) Это та же форма, что и (1). Сравнивая (1) и (3), получаем: (x, y) = (k, l) и эти k и l будут одной из пар целочисленных решений. 3) Реализация расширенного алгоритма Евклида Опираясь на вышеописанное, реализуем расширенный алгоритм Евклида:

# extended_eucledean.py
def extended_eucledean(a, b):
  if b == 0:
    return (1, 0)
  else:
    xd, yd = extended_euclid(b, a % b)
    return (yd, xd - a // b * yd)

Очень просто, правда? Ну всё. Пока. 🛌 👉 @PythonPortal

Обесценивание профессии "инженер": 👉 @PythonPortal

Топ-5 алгоритмов rate limiting, которые стоит знать: ➡️Token Bucket Ведро пополняется токенами с фиксированной скоростью. Каждый запрос съедает 1 токен. Если токенов нет (ведро пустое) -> запрос троттлится. Отлично, когда надо разрешить короткие всплески, но держать среднюю скорость запросов. ➡️Fixed Window Counter Делит время на фиксированные окна (например, по минуте). Считает запросы в текущем окне. Если счётчик превысил лимит -> блок. Просто внедрить, но есть проблема со всплесками на границах окон. ➡️Leaky Bucket Представь очередь, которая “протекает” с постоянной скоростью. Если новые запросы переполняют очередь -> они дропаются. На выходе получается ровный, предсказуемый поток запросов. ➡️Sliding Window Log Хранит timestamp для каждого запроса. На каждый новый запрос выкидывает старые timestamp’ы за пределами окна и считает оставшиеся. Очень точно, но дороговато по памяти на больших объёмах. ➡️Sliding Window Counter Гибрид Fixed Window и Log. Делит окно на мелкие бакеты и считает скорость через взвешенную сумму. Хороший баланс точности и расхода памяти. Какой из них вы чаще всего используете в проде? 👉 @PythonPortal

Лучшие репозитории GitHub для изучения ИИ с нуля в 2026 году: 1. Андрей Карпаты https://github.com/karpathy/nn-zero-to-hero 2. Hugging Face Transformers https://github.com/huggingface/transformers 3. FastAI/fastb https://github.com/fastai/fastbook 4. Made-With-ML https://github.com/GokuMohandas/Made-With-ML 5. ML System Design https://github.com/chiphuyen/machine-learning-systems-design 6. Awesome Generative AI guide( https://github.com/aishwaryanr/awesome-generative-ai-guide 7. Dive into Deep Learning https://github.com/d2l-ai/d2l-en 👉 @PythonPortal