Python Portal

Алгоритм Луна (Luhn) для верификации номера кредитных карт 👉 @PythonPortal

Китайский агент для автоматизации рабочего стола, который работает полностью локально. Он умеет запускать любые приложения, открывать файлы, серфить по сайтам и автоматизировать задачи без подключения к интернету. 100% Open-Source. 👉 @PythonPortal

😂😂😂 👉 @PythonPortal

Большой Python-грех: использовать изменяемый объект как аргумент по умолчанию Не используй изменяемые объекты в качестве значений по умолчанию. В Python значения аргументов по умолчанию вычисляются один раз, в момент определения функции, а не при каждом ее вызове. Если у тебя аргумент по умолчанию выглядит так: items=[], этот список будет общим для всех вызовов, и ты получишь накапливающееся состояние, которого не планировал. Лучший вариант: ставить неизменяемый объект в значение по умолчанию. Тогда каждый вызов будет получать новый список, как в примере 👉 @PythonPortal

5 AI-проектов, которые помогут устроиться на работу в 2026: 1. RAG с нуля GitHub: ссылка 2. AI-агент для соцсетей GitHub: ссылка 3. Анализ медицинских изображений GitHub: ссылка 4. Агенты с tool-calling через MCP Ноутбук: ссылка 5. AI-ассистент с памятью GitHub: ссылка 👉 @PythonPortal

JS пойман 👉 @PythonPortal

Вот полный путь, который я бы рекомендовал, чтобы в этом году собрать production-grade AI-агентов: ▪️база по Python и алгоритмам ▪️математика и основы ML ▪️трансформеры и LLM ▪️prompt engineering ▪️memory и RAG ▪️tools и интеграции ▪️фреймворки типа LangChain или CrewAI ▪️multi-agent системы ▪️тестирование, деплой, безопасность 👉 @PythonPortal

Вот частое заблуждение про RAG Когда говорят про RAG, обычно думают так: проиндексировали док → потом достали этот же док. Но индексация ≠ ретривал. То есть данные, которые ты индексируешь, не обязаны совпадать с теми данными, которые ты потом скармливаешь LLM на этапе генерации. Вот 4 умных способа индексировать данные: 1) Chunk Indexing ▪️Самый распространенный подход. ▪️Режешь документ на чанки, строишь эмбеддинги и кладешь их в векторную базу. ▪️Во время запроса просто достаешь ближайшие чанки. Подход простой и рабочий, но большие или шумные чанки могут просаживать точность. 2) Sub-chunk Indexing ▪️Берешь исходные чанки и дробишь их еще мельче на сабчанки. ▪️Индексируешь уже эти более мелкие куски. ▪️Но при выдаче все равно возвращаешь “большой” чанк для контекста. Помогает, когда в одном абзаце/секции намешано несколько разных идей: шанс точно сматчиться с запросом выше. 3) Query Indexing ▪️Вместо сырого текста генеришь гипотетические вопросы, на которые, по мнению LLM, этот чанк может ответить. ▪️Эмбеддишь эти вопросы и сохраняешь. ▪️При ретривале реальные пользовательские запросы обычно лучше ложатся на такие “вопросные” представления. ▪️Похожая идея есть в HyDE, только там матчат гипотетический ответ с реальными чанками. Кайфово для QA-систем, потому что уменьшает семантический разрыв между запросом пользователя и тем, что лежит в индексе. 4) Summary Indexing ▪️Просишь LLM кратко резюмировать каждый чанк в компактную семантическую форму. ▪️Индексируешь summary вместо исходного текста. ▪️А возвращаешь все равно полный чанк для контекста. Особенно эффективно для плотных или структурированных данных (типа CSV/таблиц), где эмбеддинги сырого текста часто слабо что-то выражают 👉 @PythonPortal

λ-2D от Lingdong Huang: визуальный, нарисованный руками язык программирования. 👉 @PythonPortal

pip 26.0: pre-release и фильтрация по времени загрузки Три большие новые фичи: ▪️ --all-releases <package> и --only-final <package>: контроль pre-release по каждому пакету отдельно, плюс возможность отключить все pre-release пакеты через --only-final :all: ▪️ --uploaded-prior-to <timstamp>: можно ограничить по времени загрузки пакета, например --uploaded-prior-to "2026-01-01T00:00:00Z" ▪️ --requirements-from-script <script>: установка зависимостей, объявленных в inline metadata скрипта (PEP 723) Куда более подробный пост: читать Официальный анонс здесь Полный changelog здесь 👉 @PythonPortal

Изучи Python с Университетом University of Helsinki ✓ С официальным сертификатом ✓ С нуля до продвинутого уровня ✓ 14 частей с практическими заданиями Весь контент доступен → здесь 👉 @PythonPortal

Сюююда: GitHub-репозиторий, чтобы учиться AI Engineering. Там собраны одни из лучших бесплатных курсов, статей, туториалов и видео по темам: Математическая база Основы AI и ML Deep Learning и специализации Generative AI Большие языковые модели (LLM) Гайды по prompt engineering RAG, агенты и MCP Смотри тут: https://github.com/ashishps1/learn-ai-engineeri 👉 @PythonPortal

GitHub запустил свою платформу для обучения: все курсы и сертификаты в одном месте. Git, GitHub, MCP, использование ИИ, VSCode и многое другое. И большая часть контента бесплатна: → https://learn.github.com 👉 @PythonPortal

Любой может программировать с помощью ИИ. Вы используете ИИ без базовых знаний программирования: 👉 @PythonPortal

Истинная природа методов — это «специальные методы». Про жизненный цикл инстанса. ▪️__init__ object.__init__(self[, ...]) Думаю, как конструктор используется очень часто. В основном это инициализация экземпляра (например, инициализация атрибутов). Отличие от __new__, о котором ниже: __init__ выполняется уже после создания экземпляра. Возвращаемое значение всегда None. ▪️ __new__ object.__new__(cls[, ...]) В отличие от __init__, выполняется до создания экземпляра и отвечает именно за его создание. Поэтому это не инстанс-метод, а статический метод, но явно прописывать @staticmethod не нужно. Возвращаемое значение должно быть созданным экземпляром (обычно это экземпляр класса из аргумента cls). Типичное место применения __new__ это инициализация подклассов, которые наследуются от иммутабельных типов (int, str, tuple и т.д.). Они иммутабельные, поэтому после создания объекта нельзя менять атрибуты через __init__. Ещё __new__ используют для реализации паттерна Singleton. ▪️ __del__ object.__del__(self) Вызывается в момент, когда экземпляр уничтожается (например, через del). Явных популярных кейсов немного, но может быть полезно при отладке, чтобы понимать тайминг работы GC. 👉 @PythonPortal

LandingAI выпустили бесплатный курс по Document AI. Там учат собирать пайплайны обработки документов, которые вытаскивают текст, таблицы, графики и формы, не теряя контекст разметки. Проблема классического OCR в том, что оно “достаёт буквы”, но ломает смысл: - у таблиц пропадает структура (включая merged cells) - связи “график ⬅️➡️ подпись” разваливаются - порядок чтения в multi-column становится кашей В курсе показывают, как строить агент-воркфлоу, которые читают документы ближе к тому, как это делает человек, через Agentic Document Extraction (ADE). Что внутри: - почему обычный OCR валится на сложных документах - как детект layout + правильный reading order сохраняют структуру - как парсить PDF в Markdown/JSON и не потерять layout - как собирать RAG с ADE и векторными БД - как деплоить event-driven документные пайплайны на AWS 3 часа, 6 практических примеров кода. Полностью бесплатно. 👉 @PythonPortal

import meme from bayan

👉 @PythonPortal

𝗦𝗤𝗟 𝗙𝗿𝗼𝗺 𝗕𝗮𝘀𝗶𝗰𝘀 𝘁𝗼 𝗔𝗱𝘃𝗮𝗻𝗰𝗲𝗱: этот PDF-файл содержит SQL от начального до продвинутого уровня. Этот 101-страничный PDF-файл вам понадобится для подготовки и повторения SQL перед любым собеседованием по данным. 👉 @PythonPortal

Вышел trackers v2.1.0. В этом релизе добавили поддержку ByteTrack — быстрого tracking-by-detection алгоритма, который держит стабильные ID даже при окклюзиях. Ссылка: https://github.com/roboflow/trackers

pip install trackers

trackers позволяет комбинировать нормальный multi-object tracking с твоей моделью детекции или сегментации. 👉 @PythonPortal