Python вопросы с собеседований

🔎 Google выпустила EmbeddingGemma 2: мультимодальный поиск прямо на устройстве Модель переводит текст, код, изображения, видео и аудио в единое векторное пространство. Например, позволяет найти нужный снимок по текстовому описанию. Всего 740 млн параметров: • 270 млн для текста; • 170 млн для изображений; • 300 млн для аудио. Нужные модули можно подключать отдельно. В оптимизированном запуске на Pixel 11 Pro полная модель использует около 567 МБ активной RAM, текстовая часть около 191 МБ. Лицензия Apache 2.0 допускает коммерческое использование. Практическое применение: локальный поиск по документам и медиа без отправки данных в облако. https://deepmind.google/models/gemma/embeddinggemma/ @ai_machinelearning_big_data #Gemma #Google

🔥 Бесплатный курс по Claude Code на русском: от установки до команды агентов На GitHub выложили Claude Code PRO Course, бесплатный практический курс по Claude Code на русском языке. Он ведёт от первого запуска до настройки многоагентной работы в команде. Внутри 12 модулей в четырёх уровнях сложности: основы, рабочий процесс, расширения и масштабирование. Сначала установка, промптинг, память проекта через CLAUDE.md, настройки и права доступа. Потом профессиональный рабочий процесс, скиллы и слэш-команды, сабагенты и хуки. Дальше идут MCP, плагины и маркетплейсы, а в конце headless-режим, CI и GitHub Actions плюс продвинутые техники. Основной упор сделан на управление контекстом, разработку через тесты и автоматизацию через конфигурацию как код. Теорией курс не ограничивается: есть 8 практических лабораторных, готовый стартовый набор, библиотека промптов и пример собственного плагина. Лицензия MIT. https://github.com/justxor/claude-code-pro-course @machinelearning_interview

🖥 Лучшие практики Python 2026: 20 правил для кода в эпоху ИИ 20 практик написания Python-кода в 2026 году, когда значительную часть кода пишут ИИ-ассистенты: uv, Ruff, типы, Pydantic, тесты, безопасность зависимостей, t-строки и новое в Python 3.14 и 3.15. В 2026 году заметная часть Python-кода в командах появляется из Copilot, Claude Code, Cursor и других ассистентов. Код пишется быстрее, и плохие привычки обходятся дороже: агент охотно размножит неудачный паттерн по всему репозиторию, предложит несуществующую библиотеку или напишет код, который никто в команде толком не понимает. Ниже 20 практик, которые помогают держать качество под контролем. Часть касается инструментов, часть процессов, и почти все одинаково полезны для кода, написанного руками, и для кода, который сгенерировала модель. https://uproger.com/luchshie-praktiki-python-2026/

Вопросы на собеседовании Python Senior: 100 вопросов с ответами (2026) Вопросы на собеседовании Python Senior с ответами: 100 вопросов и примеры кода — CPython, GIL, asyncio, метаклассы, типизация, производительность, Python 3.14. https://uproger.com/voprosy-na-sobesedovanii-python-senior/

🌟 SGLang научил чат-модели отвечать вероятностями Команда открытого движка инференса SGLang добавила эндпоинт /v1/decisions, который превращает обычную чат-модель в модель для принятия решений. Второй эндпоинт, /v1/systemone, отдаёт те же решения в формате System One API, который TypeSafe AI представила 19 сентября вместе со своей моделью Jev. API поддерживает выбор из 2–26 вариантов (до 255 с двухбуквенными метками), оценку по шкале из 2–10 уровней и вопрос «да или нет». SGLang присваивает каждому варианту метку из одного токена - буквы для выбора, цифры для оценки, yes и no для бинарных вопросов. Затем движок читает логарифмические вероятности следующего токена по всему словарю и переводит их в вероятности через софтмакс с учётом температуры.

Отсюда ограничение - метка обязана укладываться в один токен в позиции ответа.

Решение принимает один вход без истории диалога, а вероятности у холодного запроса и у запроса из префиксного кэша могут расходиться на несколько сотых. Для демонстрации SGLang заставил Qwen3.8-27B играть в Pokémon FireRed. Модель по текущему состоянию игры выбирала между атакой, сменой покемона и лечением меньше чем за 100 мс на решение и прошла Элитную четвёрку и чемпиона. Функция доступна в nightly-сборках SGLang из основной ветки. Её проверили на Qwen3.8-27B и Qwen3.5-35B-A3B, другие модели подойдут, если метки ответов укладываются в один токен. Примеры запросов и описание формата есть в документации SGLang. @ai_machinelearning_big_data #news #ai #ml

🖥 Примеры кода на Python 2026: лучшие практики, разбор и задачи с решениями Python примеры кода 2026 - практическое руководство на русском языке: разбор лучших примеров кода на Python, современные паттерны Python 3.12–3.14, чистый код, асинхронность, типизация, тестирование и задачи для практики с решениями. Подходит для начинающих, junior- и middle-разработчиков, а также для подготовки к собеседованию по Python. Ключевые темы: примеры кода Python, лучшие практики Python 2026, python для начинающих, задачи по Python с решениями, чистый код на Python, асинхронный Python, asyncio примеры, типизация в Python, pytest примеры, FastAPI пример, парсинг на Python, подготовка к собеседованию Python, Python 3.14 новые https://github.com/justxor/python-primery-koda-2026/

🔥 Почему Python-библиотеки всё чаще пишут критичные части на Rust Например, Pydantic v2 использует pydantic-core, написанный на Rust. Связка работает через PyO3: Rust-функции компилируются в нативную библиотеку, после чего Python импортирует её как обычный модуль. Но есть интересный нюанс: ускорить сам алгоритм недостаточно. При возврате большого результата Rust должен превратить свои структуры в Python dict, list, str, float и другие объекты. Для больших данных эта конвертация может занимать больше времени, чем сама обработка в Rust. Главный вывод: если переносите горячий код Python на Rust через PyO3, профилируйте не только вычисления, но и границу между двумя языками. Иногда именно она съедает весь выигрыш в производительности. https://belderbos.dev/blog/how-libraries-run-rust-inside-python/

🌟 OpenScience: персональный учёный с режимом автономных экспериментов Стартап Synthetic Sciences из зимнего набора Y Combinator 2026 года вывел на Product Hunt OpenScience – открытую рабочую среду с ИИ-агентом для научных исследований.

Сам агент компания выложила ещё в июле, а главное из обновления – режим Autoresearch, в котором агент без участия человека ставит серию экспериментов и улучшает заданную метрику.

OpenScience ведёт исследование целиком, от обзора литературы и гипотезы до кода, эксперимента, анализа и текста статьи. Агенту доступны 295 встроенных навыков, от обучения моделей до молекулярной биологии, хемоинформатики и вёрстки в LaTeX, и около сорока научных баз, среди них UniProt, PDB, ChEMBL, PubChem, arXiv и Semantic Scholar. 🟡Механика В Autoresearch задачу ставят обычными словами, например - снизить функцию потерь на валидационной выборке, остановить работу через час или при выходе метрики на плато и закончить после 20 запусков или 8 часов. Агент сначала запускает базовый вариант, затем по очереди проверяет идеи, отсортированные по ожидаемой пользе, и по каждому запуску решает, сохранить изменение или откатить. Чтобы цикл не затроил, после четырёх стартов без прогресса агент переключается на идеи другого типа, плюс каждые шесть запусков пересматривает подход. Ход работы записывается в файлы с постановкой задачи, очередью идей, таблицей результатов и выводами. Среда собрана как настольное приложение с деревом файлов, редактором, терминалом и просмотрщиками молекул, структур и геномов. Модель выбирается, подойдут собственные ключи Anthropic, OpenAI, Google и других провайдеров, вход по подписке ChatGPT или Codex, локальные модели и фирменный сервис Ace. Эксперименты запускаются локально, по SSH, в кластере под Slurm или PBS или в облаке Modal. Метрики собирает встроенный трекер, скрипты под wandb работают с ним без переделки. 🟡 Тесты На Terminal-Bench Science агент решил 53 задачи из 70, это 75,7%.

В этом тесте OpenScience управляла GPT-6 Astra с GPT-6 Sol в роли исполнителей, на задачу давали 8 часов и одну попытку. Лучший результат в таблице Snorkel – 68,1% у Codex с GPT-6 Astra, у Claude Code с Opus 5.5 там 63,3%.

В научной части Terminal-Bench 4.0 агент решил 10 задач из 14 против 60% у Claude Code с Fable 5.1, на BiomniBench-DA набрал 82,2 балла против 81,04 у aipoch. 📌Лицензирование: Apache 2.0 🟡Документация 🟡Бенчмарки 🟡Трассировки 🖥Github @ai_machinelearning_big_data #AI #ML #Agents #AiScientist #Bioinformatics #OpenScience

Миниатюра из фотографии за 4 строки Python 🐍

from PIL import Image
with Image.open("my_image.jpg") as image:
    image.thumbnail((128, 128))
    image.save("thumbnail.jpg")

Pillow уменьшит фото до размера не больше 128 × 128 пикселей, сохранив пропорции. Если исходник меньше, увеличивать его не будет. Установить библиотеку: pip install Pillow *На картинке в save() указана переменная thumbnail_path, но она не объявлена. В примере выше это исправлено.*

Octop - open-source платформа, где можно запускать сразу несколько AI-агентов для себя, семьи или команды, при этом все данные остаются на вашей машине. Главное: - multi-user + multi-agent архитектура; - Web UI, CLI, Telegram, Feishu, DingTalk, QQ, WeCom; - собственная память для каждого workspace; - RAG по вашим документам; - browser automation через headless Chromium; - удалённый рабочий стол и управление GUI; - cron-задачи на естественном языке; - интеграция с Claude Code и OpenCode через ACP; - MCP/OAuth connectors и система плагинов; - SQLite по умолчанию, PostgreSQL опционально. GitHub - https://github.com/TencentCloud/Octop

Визуализация данных на Python: 10 лучших примеров с кодом Визуализация данных на Python - один из самых быстрых способов понять, что происходит в данных. Один удачный график заменяет десятки строк df.describe(): сразу видны тренды, выбросы, корреляции и аномалии. В этой статье собраны 10 лучших примеров визуализации данных на Python с готовым кодом на Matplotlib, Seaborn и Plotly. Все примеры используют открытые учебные датасеты, поэтому их можно запустить в Jupyter Notebook или Google Colab без подготовки данных. https://uproger.com/vizualizaciya-dannyh-na-python-10-primerov/

Как правильно получить случайное число в Python Если нужен диапазон от 1 до 100 включительно, используйте:

import random

x = random.randint(1, 100)

Можно импортировать функцию напрямую:

from random import randint

x = randint(1, 100)

Второй вариант просто короче, но не делает код «профессиональнее». int(random.random() * 100) возвращает числа от 0 до 99, поэтому пример на изображении даёт другой диапазон. Для паролей, токенов и других задач безопасности используйте secrets:

import secrets

x = secrets.randbelow(100) + 1

✔️ Кто подключился к вашей сети? NetAlertX обнаруживает устройства и уведомляет об изменениях. Открытый инструмент для домашней лаборатории, офиса или нескольких филиалов. Собирает сведения об устройствах в одном веб-интерфейсе и помогает заметить неизвестное оборудование. Что умеет: — Обнаруживать устройства через ARP-сканирование, DHCP, Pi-hole, UniFi и SNMP. — Отслеживать подключения, отключения и изменения IP-адресов. — Отправлять уведомления в Telegram через Apprise, а также в ntfy, Pushover и другие сервисы. — Объединять данные из разных VLAN и удалённых сетей через распределённые узлы Sync Nodes. — Передавать события в Home Assistant, запускать автоматизации через вебхуки и экспортировать метрики в Prometheus. Разворачивается на своём сервере, в том числе через Docker. По умолчанию данные хранятся локально; внешняя передача появляется при настройке уведомлений и интеграций. https://github.com/netalertx/NetAlertX

✔️ QuiverAI выпустила обновление генератора векторной графики Во второе поколение семейства вошли две модели - Arrow 2 и флагманская Arrow 2 Telos. Обновление принесло скорость генерации, улучшенную геометрию и композицию. В готовом файле стало меньше опорных точек, меньше лишних узлов и перекрывающихся контуров, а отступы и выравнивание элементов держатся без дополнительных инструкций в промптах. 🟡Сценарии применения 🟢серии иллюстраций в одном стиле по образцу с сохранением палитры и пластики форм; 🟢схемы с выделением нужных элементов; 🟢технические чертежи с удержанием консистентности; 🟢векторизация растровых эскизов в редактируемый SVG; 🟢анимация интерфейсной моторики и плоская структурированная графика (раскрытие логотипов, состояния загрузки, анимированные иконки). Telos добавляет доработку возможностями топовых языковых моделей.

QuiverAI советует брать Arrow 2, когда важны скорость и цена за одно изображение, а Telos - под сложные брифы.

🟡Стоимость Разделения моделей по тарифам в описании планов нет. Предлагаются подписки Go (8 долларов в месяц), Basic (20), Pro (40), плюс корпоративный план по запросу. Для Go есть 14-дневный пробный доступ с привязкой карты. В тарифы входит недельная квота, которая обнуляется по понедельникам и не переносится, перерасход списывается с баланса. API тарифицируется отдельно и тоже требует предоплаты. @ai_machinelearning_big_data #news #ai #ml

📚 Бесплатная книга по математике для Computer Science и Machine Learning - более 2200 страниц Жан Галлье и Джоселин Куэйнтанс собрали в одном учебнике алгебру, топологию, дифференциальное исчисление и теорию оптимизации. Материал для тех, кто хочет глубже разобраться в математической основе алгоритмов и машинного обучения. Книга на английском, полная рукопись доступна бесплатно в PDF. https://www.cis.upenn.edu/~jean/gbooks/geomath.html

🐍 Python: как найти изменённое поле во вложенном словаре Сравнение before == after покажет, равны ли объекты. DeepDiff покажет, где именно они отличаются, включая старое и новое значения.

from deepdiff import DeepDiff

before = {"user": {"name": "Egor", "level": 3}}
after = {"user": {"name": "Egor", "level": 4}}

print(DeepDiff(before, after))

Результат:

{
    "values_changed": {
        "root['user']['level']": {
            "old_value": 3,
            "new_value": 4
        }
    }
}

Библиотека находит изменения значений и типов, добавленные и удалённые элементы. Работает со вложенными словарями, списками и другими объектами. Полезно для сравнения ответов API, конфигураций и результатов обработки данных. Можно исключать отдельные поля через exclude_paths и игнорировать порядок элементов через ignore_order=True. Установка: pip install deepdiff Документация - https://zepworks.com/deepdiff/current/

🔥 Один из лучших обучающих курсов на StepiK по SQL SQL можно знать годами и всё равно теряться, когда запрос внезапно начинает тормозить в проде. Этот курс про уровень, где ты не просто пишешь SELECT, а понимаешь, что происходит внутри MySQL, почему запрос работает медленно и как ускорить его без новых проблем. Здесь разбираются EXPLAIN, индексы, CTE, оконные функции, транзакции, аналитические паттерны, legacy SQL и работа с AI-ассистентами. Каждый урок - с практикой и реальными SQL-задачами на MySQL 8 с автопроверкой. После курса ты сможешь увереннее разбирать чужой код, находить узкие места и предлагать решения, которые действительно работают. Для подписчиков скидка - 49% в течение 2 суток: https://stepik.org/a/298827/

🐍 Python: type(x) == str или isinstance(x, str)? На первый взгляд разницы почти нет. Но она есть. ❌ type(x) == str проверяет только точное совпадение типа. ✅ isinstance(x, str) учитывает ещё и наследников str. Пример:

class MyString(str):
    pass

x = MyString("hello")

print(type(x) == str)       # False
print(isinstance(x, str))   # True

Поэтому в большинстве случаев лучше использовать: isinstance(x, str) Так код получается гибче и лучше работает с наследованием. #Python #Programming #BestPractices

🔥 Хочешь расти в IT быстрее остальных? Перестань учиться в одиночку Можно годами смотреть курсы, читать документацию и всё равно топтаться на месте. А можно попасть в правильное окружение, где каждый день обсуждают новые инструменты, вакансии, реальные кейсы, ошибки и то, что уже завтра станет стандартом. Я собрал папки и каналы по разным направлениям IT, чтобы ты быстрее находил нужных людей, идеи и полезный контент - без бесконечного поиска. AI: t.me/ai_machinelearning_big_data Python: t.me/pythonl Linux: t.me/linuxacademiya Хакинг: t.me/linuxkalii DevOps: t.me/DevOPSitsec Docker: https://t.me/+90Z5TAyfuNU5YmRi Golang: t.me/Golang_google Rust: t.me/rust_code C++: t.me/cpluspluc C#: t.me/csharp_ci Java: t.me/javatg JavaScript: t.me/javascriptv React: t.me/react_tg Frontend: t.me/front PHP: t.me/phpshka Android: t.me/android_its Мобильная разработка: t.me/mobdevelop Базы данных: t.me/sqlhub Data Science: t.me/data_analysis_ml Big Data: t.me/bigdatai Математика: t.me/data_math Физика: t.me/fizmat Kubernetes: t.me/kubernetc GameDev: https://t.me/gamedev Haskell: t.me/haskell_tg Собеседования и карьера: DS собеседования: t.me/machinelearning_interview Python собеседования: t.me/python_job_interview Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy Папка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2Iy Полезное сверху: ИТ-мемы: t.me/memes_prog Английский для программистов: t.me/english_forprogrammers ИИ и технологии: t.me/vistehno 954 ГБ open-source курсов: https://t.me/+rKBQEMccAA01MTcy ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy Max Ai: https://max.ru/ai_machinelearning_big_data Max python: https://max.ru/pythonl ТЕХНО: https://max.ru/vistehno Max Go: https://max.ru/Golang_google Max Linux: https://max.ru/linuxkalii Devops: https://max.ru/DevOPSitsec C#: https://max.ru/csharp_ci C++: https://max.ru/cpluspluc SQL: https://max.ru/sqlhub Java: https://max.ru/javatg Подпишись и сохрани, здесь регулярно появляются новые подборки, инструменты и материалы, которые реально помогают расти быстрее.