Python 🇺🇦

Візуальний конструктор для AI-додатків Langflow — це open-source інструмент для створення та запуску застосунків на основі великих мовних моделей з використанням LangChain Він має інтерфейс у стилі drag-and-drop, що дозволяє швидко збирати, тестувати та запускати складні ланцюжки обробки тексту без написання коду Python

😁 Python

Шпаргалка по Python Roadmap: Basics — основи синтаксису, типи даних, умови, цикли, функції та обробка винятків, OOP — об'єктно-орієнтоване програмування з класами, методами та наслідуванням, Advanced Python — comprehensions, регулярні вирази, декоратори, ітератори, lambda-функції та багатопотоковість, Package Managers — керування пакетами через pip і conda, DSA — структури даних та алгоритми (масиви, списки, стек, черга, хеш-таблиці, дерева, рекурсія, сортування), Automation — автоматизація роботи з файлами, вебскрапінгом, GUI та мережею, Testing — unit, integration, end-to-end та load testing, Data Science — NumPy, Pandas, Matplotlib, Scikit-learn, TensorFlow і PyTorch для аналізу даних та машинного навчання, Web Frameworks — створення вебзастосунків за допомогою Flask, FastAPI та Django Python

😕libdebug — бібліотека Python для створення власного відладчика! Це інструмент для програмного аналізу та відладки бінарних файлів на Python, набагато гнучкіший, ніж класичний GDB. Не просто бібліотека, а основа для написання власних інструментів відладки, аналізу та реверс-інжинірингу. Залишаю посилання: GitHub 📱 Python'er

pip install python

Python

Шпаргалка по обчисленню похідних у Python: SymPy — бібліотека для символьної математики, Symbol() — створення математичної змінної, Derivative() — побудова виразу похідної для функції, diff() — швидке обчислення похідної функції, evaluate=True — автоматичне обчислення результату похідної, polynomial functions — робота з поліномами та математичними виразами, lambdify() — перетворення символьного виразу у звичайну Python-функцію, function evaluation — обчислення значення функції та її похідної в конкретній точці, symbolic mathematics — математичні обчислення через символьний аналіз у Python Python

Ловіть Python-бібліотеку для adversarial-тестування ML-моделей Foolbox дозволяє проводити суперницькі атаки на моделі машинного навчання, наприклад, на глибокі нейронні мережі

Мета — оцінити стійкість моделей до атак та переконатися, що вони можуть протистояти реальним загрозам

Python

Як вивчити Python для початківців швидко та без нудної теорії У відео дуже просто пояснюється база Python для новачків: змінні, цикли, функції та практика на реальних прикладах Python

Порада для Python, UV і Docker Іноді залежності краще встановлювати окремо від коду — це помітно пришвидшує збірку Docker-образів Ідея проста: спочатку ставимо залежності, потім додаємо проєкт

Навіщо це: • Docker кешує шари і не перебудовує їх без потреби • якщо змінюється лише код — залежності беруться з кешу • якщо змінюються залежності — перебудовується тільки відповідний шар • без цього будь-яка дрібна зміна запускає повну перевстановку

Приклад:

RUN --mount=type=cache,target=/root/.cache/uv \    --mount=type=bind,source=uv.lock,target=uv.lock \    --mount=type=bind,source=pyproject.toml,target=pyproject.toml \    uv sync --locked --no-install-project

COPY . /appRUN --mount=type=cache,target=/root/.cache/uv \    uv sync --locked

Python

Що я наробив.. Python

Звичайні for-цикли універсальні, але не завжди оптимальні: вони додають зайві витрати інтерпретатора, що особливо відчутно на великих даних У таких випадках краще використовувати стандартні інструменти Python, наприклад itertools Наприклад, щоб отримати всі унікальні пари зі списку, не потрібні вкладені цикли — достатньо combinations():

from itertools import combinations

def get_unique_pairs(items):
    return list(combinations(items, 2))

print(get_unique_pairs(['A', 'B', 'C', 'D']))

# Output:
# [('A', 'B'), ('A', 'C'), ('A', 'D'), ('B', 'C'), ('B', 'D'), ('C', 'D')]

Висновок: замість ручних циклів краще використовувати готові інструменти зі стандартної бібліотеки — це чистіше і ефективніше Python

Чому в Python краще перевіряти None через is У Python не варто писати obj == None, навіть якщо інколи це працює так само Причина в тому, що == викликає метод порівняння eq, який може бути перевизначений у класі — і тоді поведінка стає непередбачуваною Наприклад:

class Weird:
    def eq(self, other):
        return True  # завжди каже, що "рівний"

obj = Weird()

print(obj == None)  # True
print(obj is None)  # False

Тут obj == None дає хибний результат через кастомну логіку Натомість:

obj is None

is перевіряє ідентичність об’єкта і не може бути перевизначений. Оскільки None — це синглтон, така перевірка завжди коректна і передбачувана Висновок: для перевірки на None завжди використовуйте is None — це правильний і безпечний підхід Python

😁 Python

Шпаргалка по обчисленню похідних у Python: SymPy — бібліотека для символьної математики, Symbol() — створення математичної змінної, Derivative() — побудова виразу похідної для функції, diff() — швидке обчислення похідної функції, evaluate=True — автоматичне обчислення результату похідної, polynomial functions — робота з поліномами та математичними виразами, lambdify() — перетворення символьного виразу у звичайну Python-функцію, function evaluation — обчислення значення функції та її похідної в конкретній точці, symbolic mathematics — математичні обчислення через символьний аналіз у Python Python

Шпаргалка по high-order functions у Python: map() — застосовує функцію до кожного елемента iterable та повертає iterator з результатами, filter() — фільтрує елементи за умовою й залишає тільки ті, для яких функція повертає True, reduce() — послідовно об’єднує всі елементи iterable в одне значення, lambda functions — анонімні функції для коротких виразів і роботи з map/filter/reduce, iterable objects — списки, кортежі та інші колекції для обробки, functools — модуль Python, який містить reduce(), functional programming — підхід до програмування через функції та обробку даних без зміни стану Python

Автономні AI-дослідження на Apple Silicon Порт проєкту Karpathy’s autoresearch для Apple Silicon на базі MLX, який реалізує автономні дослідницькі цикли з керуванням через program.md

Що цікавого: • нативна підтримка Apple Silicon без PyTorch/CUDA • фіксований бюджет навчання (~5 хвилин) • логування результатів у results.tsv • проста структура для автономних експериментів • оптимізація моделей для ефективнішої роботи

Python

Навіщо в Python використовують enumerate()? enumerate() дозволяє одночасно отримувати і значення елемента, і його індекс під час перебору списку. Це зручніше та читабельніше, ніж вручну працювати з лічильником Python