Python Portal

Запускать и обучать модели локально теперь можно прямо через настольное приложение Unsloth Desktop. Проект с открытым исходным кодом и работает на macOS, Windows и Linux. Также можно использовать Claude Code и Codex с локальными моделями. Авторы заявляют обучение до 2 раз быстрее и снижение потребления видеопамяти до 70%. Репозиторий Unsloth открыт на GitHub. https://github.com/unslothai/unsloth 👉 @PythonPortal

Как в Python развернуть строку и список одним и тем же кодом. 👉 @PythonPortal

Кто-то сделал детектор, который ловит характерные паттерны ИИ-текста ещё до публикации. Работает полностью локально: без модели и без подключения к сети. Он проверяет текстовые файлы, отмечает подозрительные шаблоны и просит агента переписать проблемные места. Репозиторий написан на Python и использует только стандартную библиотеку. GitHub: https://github.com/seyedehsanhadi/sloptrim 👉 @PythonPortal

«Transformer с полной пропускной способностью» Обычно Transformer передаёт на следующий шаг только выбранный токен, хотя сама модель только что вычислила гораздо более богатое скрытое состояние. В этой работе скрытое состояние тоже подаётся обратно в модель. За счёт этого она может продолжать внутренне развивать идею, не расписывая всё токен за токеном. На масштабе 1 млрд параметров подход улучшает результаты в математике, программировании и тестах языковых моделей, добавляя менее 1% к стоимости декодирования. При этом модель может показывать результаты на уровне моделей, обученных примерно на вдвое большем объёме данных. https://alphaxiv.org/abs/2608.08888 👉 @PythonPortal

ЭТОТ ОТКРЫТЫЙ ИНСТРУМЕНТ СОЗДАЁТ РАБОЧИЕ ПРИЛОЖЕНИЯ ПО ОДНОМУ ПРОМПТУ LlamaCoder генерирует небольшие приложения, которые можно сразу запустить и посмотреть прямо в браузере. Проект распространяется по лицензии MIT, набрал около 7 тысяч звёзд на GitHub, а заявленная аудитория превышает 1,1 млн пользователей. Репозиторий: https://github.com/Nutlope/llamacoder 👉 @PythonPortal

Awesome Math — огромная подборка материалов по математике в одном репозитории. Там собраны Khan Academy, MIT OpenCourseWare, конспекты лекций, учебники и другие бесплатные материалы по разным разделам математики. Проект живой и довольно популярный: сейчас у него больше 16 тысяч звёзд на GitHub. https://github.com/rossant/awesome-math 👉 @PythonPortal

Сайт для поиска ранних стартапов и новых инструментов: early.tools Сохраните в закладки. 😏 👉 @PythonPortal

Этот открытый движок для квантовых исследований бесплатно превращает финансовые научные работы, отчётность SEC, исследования с arXiv и блоги в единую базу знаний с поиском. https://github.com/LLMQuant/quant-mind 👉 @PythonPortal

Не нарушайте принцип единственной ответственности SRP. Функция должна делать одну вещь, делать её хорошо и заниматься только ей. Здесь функция делает слишком много:

def calculate_final_total(
    price: float,
    quantity: int,
    discount_rate: float,
    tax_rate: float
) -> float:
    subtotal = price * quantity

    discounted_amount = subtotal * (1 - discount_rate)

    final_total = discounted_amount * (1 + tax_rate)

    return final_total

Проблема в том, что расчёт суммы, скидки и налога объединён в одном месте. Любое изменение одного из этапов может затронуть всю функцию. Лучше разделить логику на небольшие функции:

def calculate_subtotal(price: float, quantity: int) -> float:
    return price * quantity

def apply_discount(subtotal: float, discount: float) -> float:
    return subtotal * (1 - discount)

def calculate_tax(amount: float, tax_rate: float) -> float:
    return amount * (1 + tax_rate)

Так намного лучше. Небольшие функции с одной конкретной задачей проще покрывать юнит-тестами: у них меньше зависимостей и реже нужны моки. Плюс такие компоненты проще переиспользовать в других частях приложения или пайплайна, не подтягивая лишнюю логику. Поэтому держите функции простыми и сфокусированными. Одна функция — одна ответственность. 👉 @PythonPortal

Хотите узнать, сколько ядер у вашего процессора с помощью Python? Для этого можно использовать модуль multiprocessing. 👉 @PythonPortal

Кто-то выложил в открытый доступ Python-скрапер для Google Flights. Он собирает цены на билеты, расписания и данные для бронирования по более чем 180 странам, используя строготипизированные схемы и Protobuf, закодированный в Base64. GitHub: https://github.com/AWeirdDev/flights 👉 @PythonPortal

«The Mathematics of Bitcoin» — короткая работа, которая разбирает Bitcoin с математической точки зрения. В ней используются теория вероятностей, случайные процессы, мартингалы, комбинаторика и специальные функции, чтобы исследовать механизмы протокола Bitcoin. В частности, авторы разбирают вероятность двойной траты, прибыльность майнинга, генерацию блоков, стратегии майнеров и устойчивость протокола. Если хочется копнуть глубже, ещё рекомендую «Bitcoin and Cryptocurrency Technologies» от Принстонского университета. Это уже гораздо более широкое введение в криптографические хеш-функции, цифровые подписи, консенсус, Proof of Work, майнинг, транзакции, анонимность, безопасность и систему стимулов в криптовалютах. Сохраните обе работы в закладки. Это хорошие материалы, если интересно разобраться в математике и технических механизмах Bitcoin. The Mathematics of Bitcoin: https://arxiv.org/pdf/2003.00001 Bitcoin and Cryptocurrency Technologies: https://d28rh4a8wq0iu5.cloudfront.net/bitcointech/readings/princeton_bitcoin_book.pdf 👉 @PythonPortal

Директор по исследованиям Google написал корректор орфографии всего в 21 строку Python. Питер Норвиг сделал его как простой пример того, как работает вероятностное исправление опечаток. Скрипт генерирует слова, отличающиеся на одно или два изменения, а затем выбирает наиболее вероятный вариант на основе корпуса текста. 👉 @PythonPortal

Китайский студент-программист подключил к ноутбуку чип за $3, использовал Claude Code и собрал систему, которая отслеживала изменения коэффициентов за несколько часов до обновлений Polymarket. Сейчас стоимость связанного с ней кошелька оценивается в $4,5 млн. Правда - 👍 Нет, админ ты там че дунул - 🤣 👉 @PythonPortal

Rio — это Python-фреймворк для создания сайтов и приложений с компонентами в стиле React, но без необходимости писать HTML, CSS или JavaScript. — всё приложение пишется на Python, отдельный фронтенд-стек не нужен; — есть готовые компоненты, из которых можно собирать собственные элементы и целые приложения; — работает локально и в браузере; — есть туториал, примеры и документация для быстрого старта. https://github.com/rio-labs/rio 👉 @PythonPortal

Этот проект позволяет бесплатно запускать AWS локально. Без аккаунтов и каких-либо обходных схем. Отлично подходит для практики. Называется Floci и поддерживает 69 сервисов, включая S3, SQS, Lambda, DynamoDB и RDS. http://github.com/floci-io/floci 👉 @PythonPortal

Это важно: OpenAI запускает Agent Plugins. Открытый стандарт для упаковки навыков и MCP-серверов в единый пакет, который можно использовать в разных клиентах. Стандарт поддерживают AWS, Cursor, GitHub, Microsoft, Vercel и другие. https://github.com/agentplugins/agent-plugins-spec 👉 @PythonPortal

Уже очевидно, что ВАЙБКОДИНГ — главный навык ближайших лет Посмотрите сами. ИИ уже забирает на себя работу целых команд: пишет код, закрывает задачи джунов и позволяет стартапам запускать продукты в 2–3 раза меньшим составом. То, на что раньше нужны были несколько разработчиков, сегодня всё чаще делает один человек с ИИ-агентами. И это только начало. Те, кто освоит вайбкодинг сейчас, смогут быстрее запускать проекты, автоматизировать огромный объём работы, увереннее конкурировать на рынке и зарабатывать больше тех, кто продолжает делать всё вручную. Начать с нуля поможет канал Вайб-кодинг. Там ребята круглосуточно мониторят более 320 российских и зарубежных источников и публикуют только главное: релизы, инструменты, гайды, курсы и практические кейсы. Подписывайтесь, нас уже 50 тысяч: @vibecoding_tg

Django 6.1 уже вышел. Из нового: * варианты удаления для ForeignKey на уровне базы данных; * настройки email через словари; * поддержка Python 3.12–3.14; * режимы загрузки полей модели; * и другие изменения. 👉 @PythonPortal

«Introduction to Machine Learning» — ещё один бесплатный учебник по машинному обучению объёмом около 600 страниц, который делает акцент на глубоком математическом понимании предмета. Книга начинается с математической базы, необходимой для дальнейшего изучения: линейной алгебры, математического анализа, теории вероятностей, матричного анализа и методов оптимизации. Затем разбираются основные алгоритмы обучения с учителем: линейная и логистическая регрессия, метод ближайших соседей, деревья решений, случайные леса, бустинг и нейронные сети. Значительная часть книги посвящена вероятностным и генеративным моделям. Рассматриваются методы Монте-Карло, графические модели, байесовские сети, вариационные методы, нормализующие потоки, вариационные автокодировщики (VAE) и генеративно-состязательные сети (GAN). В заключительных главах обсуждаются кластеризация, метод главных компонент (PCA), обучение на многообразиях и теоретические оценки способности моделей к обобщению. На мой взгляд, это отличный справочник для тех, кто хочет получить широкое представление о машинном обучении и разобраться в математике, лежащей в основе ключевых методов, а не воспринимать их как «чёрный ящик». https://arxiv.org/pdf/2409.02668 👉 @PythonPortal