Python Portal

ML-инженеры это вам: интерактивный обучающий блок по математике для машинного обучения Недавно там выложили ещё несколько блогов по основам матанализа для машинного обучения, с интерактивными симуляциями. Среди тем: - backprop и градиентный спуск - локальные минимумы и седловые точки - векторные поля - ряд Тейлора - якобиан и гессиан - частные производные Материал ориентирован именно на ML-контекст, с упором на наглядность и практическое понимание. ✌️ Тренируемся здесь 👉 @PythonPortal

С кодом у тебя всё ок. Если что-то не работает — смотришь логи, находишь баг, фикcишь. А с женщинами ощущение, будто: — документации нет — поведение недетерминированное — один и тот же input → разный output — вчера работало, сегодня — игнор Ты вроде нормальный парень. Не токсик. Не дурак. Не бедный. По логике этого должно хватать. Но система не сходится. Ты общаешься — вроде без ошибок. А в ответ холод, странные реакции или «давай как-нибудь потом». Самое бесячее — ты не понимаешь, где именно происходит краш. Со временем я понял простую вещь: в отношениях и общении с женщинами другая архитектура. Не интуиция. Не магия. Просто другие правила, которые никто не объяснил. В этом канале я разбираю это как систему: что реально влияет, где ты теряешь контроль, и как перестать действовать методом тыка. Если ты привык дебажить, а не гадать — оставайся. Тут будет полезно: https://t.me/+uQXO7pjLeD9jOGRi

Ежедневная тренировка гуманоидного робота Unitree 🥳 👉 @PythonPortal

Meta-agent фреймворк для построения высокопроизводительных multi-agent систем. ROMA — это open-source meta-agent фреймворк для создания агентов с иерархическим выполнением задач. Он использует рекурсивную иерархическую архитектуру: задачи декомпозируются на подзадачи, агенты обрабатывают подзадачи, а результаты агрегируются вверх по дереву. Всё для того, чтобы упростить разработку сложных агентных workflow, сделав декомпозицию задач, координацию и трассировку более управляемыми. Ключевые компоненты: Atomizer — определяет, является ли задача атомарной (можно выполнить сразу) или требует планирования Planner — разбивает неатомарные задачи на подзадачи Executor — выполняет атомарные задачи через LLM, API или даже других агентов Aggregator — собирает результаты подзадач и объединяет их в итог родительской задачи Рекурсивный цикл выглядит так: solve(task) → decompose → solve(subtasks) → aggregate results Фреймворк на 100% open-source. 👉 @PythonPortal

Ты когда-нибудь просил LLM вернуть структурированные данные, а в ответ получал обычное предложение? Без структурированных выходов ты работаешь с сырым текстом, который легко может не совпасть с ожидаемым форматом. Неожиданные ответы, пропущенные поля или неправильные типы данных приводят к ошибкам, которые легко проскочить на этапе разработки. PydanticAI использует модели Pydantic, чтобы автоматически валидировать и структурировать ответы LLM. Ключевые плюсы: • Типобезопасность во время выполнения за счёт валидированных Python-объектов • Автоматические ретраи при провале валидации • Прямой доступ к полям без ручного парсинга • Интеграция с уже существующими Pydantic-воркфлоу LangChain тоже умеет это делать, но PydanticAI — более лёгкая альтернатива, когда тебе нужны только структурированные выходы. Установка PydanticAI: pip install pydantic-ai Узнать больше Запустить код 👉 @PythonPortal

Друг: Как ты узнал, что это был вайбкодинг? Код друга: 👉 @PythonPortal

Поделюсь Python-библиотекой для TUI. Опенсорсная, бесплатная. С тех пор как в прошлом году Claude Code сделал TUI популярными, есть ощущение, что в этом году тема продолжит набирать обороты. У библиотеки Textual уже из коробки есть кнопки, древовидные контролы, таблицы данных, поля ввода, текстовые области и прочее. Плюс гибкая система лейаутов Забираем тут 📖 👉 @PythonPortal

Отслеживание людей в реальном времени с Ultralytics YOLO11 🚶‍♂️ Модель присваивает ID объектам и точно трекает их перемещение между кадрами. Подходит для анализа толп, подсчёта присутствия и умных систем видеонаблюдения. Читать дальше ➡️ https://bit.ly/3XSyh7L 👉 @PythonPortal

😂😂😂 👉 @PythonPortal

Этот репозиторий ужимает 60 миллионов текстовых чанков со 201 ГБ до каких-то 6 ГБ без потери точности. Это реально меняет правила игры. * 201 ГБ превращаются в 6 ГБ (минус 97%) * Без облака * Без GPU, работает прямо на обычном ноуте * Полная приватность * Полностью open-source LEANN это open-source векторная база, которая сжимает RAG-индексы примерно на 97% за счет графовой рекомпозиции и вычисления эмбеддингов по запросу. 👉 @PythonPortal

Все задания курса Stanford The Modern Software Developer теперь доступны онлайн. Это первый полноценный университетский курс, который охватывает, как кодогенеративные LLM меняют каждый этап жизненного цикла разработки. Задания рассчитаны на то, чтобы провести тебя от новичка до уверенного специалиста в использовании ИИ для прокачки продуктивности в разработке. Приятного изучения! ✌️ 👉 @PythonPortal

Нас точно не заменят 😔 👉 @PythonPortal

Несколько часов назад представили: vmux это утилита, которая запускает код в долго живущем контейнере на Cloudflare. vmux run упаковывает и поднимает проект в контейнере и за пару секунд выдаёт превью-URL. По сути, это замена для uv run: можно закрыть ноутбук, запустить тренировку/джобу, а потом вернуться и приконнектиться снова через tmux. Вперёд, тестить! Примеры 😕 👉 @PythonPortal

Гарвард выложил в открытый доступ свой учебник по ML-системам. Штука максимально прикладная: не только про то, как тренировать модели, а как собирать продакшн-системы вокруг них — то, что реально решает. Темы там прям топ: > сборка autograd, оптимизаторов, attention и мини-PyTorch с нуля, чтобы понять, как фреймворк устроен изнутри. (это вообще кайф) > базовые вещи по DL: батчи, точность вычислений, архитектуры моделей и тренировка > оптимизация производительности ML, ускорение на железе, бенчмаркинг, эффективность То есть это не просто вводный курс по ML, а полный цикл от старта до боевого применения. Уже сейчас можно читать книгу и смотреть код бесплатно. На 2025 год это один из самых сильных учебников, что выходили, так что лучше не пропускать. Репозиторий тут, ссылка на книгу внутри 👏 👉 @PythonPortal

Это прям момент DeepSeek для голосового ИИ. Chatterbox Turbo — голосовая модель с MIT-лицензией, которая обходит ElevenLabs Turbo и Cartesia Sonic 3. - <150 мс до первого звука - Клонирование голоса с 5 секунд аудио - Паралингвистические теги для живой, человеческой подачи И всё это полностью open-source. 👉 @PythonPortal

Анализируй свой инвестиционный портфель в пару строк на Python 👍 Если ты когда-нибудь пытался разобрать портфель как пет-проект, то знаешь, насколько муторно склеивать всё из разных Python-библиотек. ffn закрывает весь пайплайн анализа портфеля в одном пакете с API, похожим на Pandas. Основные фичи: • Подтягивает котировки прямо из Yahoo Finance • Считает доходность и метрики риска автоматически • Помогает подобрать оптимальное распределение активов • Строит графики сравнения и корреляций по производительности Вот репозиторий Пример запуска 👉 @PythonPortal

API — это узкое горлышко, а не решение. ИИ-агенты не видят 95% веба, потому что у большинства сайтов просто нет API. Порталы поставщиков, системы записи, региональные джобборды — у них нет dev-API. Полезные данные спрятаны за логином, многошаговыми формами и интерфейсами, сделанными под людей, а не под машины. Поэтому уже лет 25 всё упирается в одно и то же: - Поисковики индексируют процентов пять интернета (ничего за аутентификацией) - Ручной ввод данных или хрупкие скрейперы, которые падают от любого правки CSS Эту проблему и закрывает Mino от TinyFish. Это веб-автоматизация с API, которая может одновременно обходить сотни сайтов и превращать их в структурированные данные. Ты отправляешь список URL и цель обычным текстом. На выходе получаешь JSON. Подход отличается от типичных ИИ-агентов: Большинство браузерных агентов используют vision-модели: делают скрин, думают что кликнуть, снова скрин — и так по циклу. Каждое действие — отдельный вызов модели. Медленно и дорого. Mino один раз учит структуру сайта, а потом исполняет всё детерминированным кодом. Первый прогон разбирает страницу. Все последующие — работают как точный код за миллисекунды. Три базовые возможности: → Navigate — логины, формы, многошаговые сценарии → Extract — вытащить структурированный JSON из любой вёрстки → Execute — параллельный запуск 100+ сайтов в стелс-режиме Производительность на уровне продакшена: 85–95% успеха на сложных сценария 10–30 секунд на задачу Копейки за запуск Работает за аутентификацией, обходит антибот-защиту и всегда возвращает чистый JSON. Плюс можно подключить его MCP-сервер к клиентам вроде Claude Desktop. В видео есть разбор. Пробуем 😎 👉 @PythonPortal

😃😃😃 👉 @PythonPortal

Роботы стали настолько точными, что могут проводить операции на яйце, не разбивая его. 😆 👉 @PythonPortal

Новая Python-библиотека для алгоритмического трейдинга. Представляют TensorTrade — опенсорсный Python-фреймворк для трейдинга на базе обучения с подкреплением (RL / AI). По словам Quant Science : TensorTrade — это фреймворк для сборки, обучения, оценки и деплоя торговых стратегий на RL, использующий стек: - numpy - pandas - gym - keras - tensorflow Пример: обучение и оценка стратегии с Reinforcement Learning Шаг 1: формируем датасеты для тренировки и валидации Готовим два CSV, один под обучение, второй под тест.

import yfinance
import pandas_ta  #noqa

TICKER = 'ITRD'  # TODO: подставь свой тикер
TRAIN_START_DATE = '2021-02-09'  # TODO: замени на свою дату начала обучения
TRAIN_END_DATE = '2021-09-30'    # TODO: замени на свою дату конца обучения
EVAL_START_DATE = '2021-10-01'   # TODO: замени на свою дату начала валидации
EVAL_END_DATE = '2021-11-12'     # TODO: замени на свою дату конца валидации

yf_ticker = yfinance.Ticker(ticker=TICKER)

# Загружаем данные для обучения
df_training = yf_ticker.history(start=TRAIN_START_DATE, end=TRAIN_END_DATE, interval='60m')
df_training.drop(['Dividends', 'Stock Splits'], axis=1, inplace=True)
df_training["Volume"] = df_training["Volume"].astype(int)

# Технические индикаторы
df_training.ta.log_return(append=True, length=16)
df_training.ta.rsi(append=True, length=14)
df_training.ta.macd(append=True, fast=12, slow=26)

df_training.to_csv('training.csv', index=False)

# Загружаем данные для оценки
df_evaluation = yf_ticker.history(start=EVAL_START_DATE, end=EVAL_END_DATE, interval='60m')
df_evaluation.drop(['Dividends', 'Stock Splits'], axis=1, inplace=True)
df_evaluation["Volume"] = df_evaluation["Volume"].astype(int)

# Те же индикаторы для оценки
df_evaluation.ta.log_return(append=True, length=16)
df_evaluation.ta.rsi(append=True, length=14)
df_evaluation.ta.macd(append=True, fast=12, slow=26)

df_evaluation.to_csv('evaluation.csv', index=False)

Шаг 2: конфигурация В конфиг-словарь кладём нужные параметры, включая имя CSV, который будем читать. (3 скрин) Шаг 3: запуск через Ray Инициализируем Ray, пробрасываем параметры и имя функции, создающей окружение (create_env из примера выше), и запускаем пайплайн. (4 скрин) Дальше: Reward Agents Reward Agents позволяют интегрировать систему вознаграждений, чтобы агент оптимизировал стратегию под конкретную метрику (например, прибыль). По сути, это даёт нормальный цикл RL-тюнинга под реальные цели. (5 скрин) Какой следующий шаг, если хочется заняться этим по-серьёзке? - разобраться с базой и посмотреть, как собирали свой хедж-фонд на Python 👉 @PythonPortal