Python вопросы с собеседований

🔥 NovaSR - крошечная open-source модель, которая ускоряет обработку аудио в сотни раз Вышел релиз NovaSR - маленькая, но очень мощная модель для улучшения качества аудио. Самый громкий факт: ⚡️ 3600 секунд аудио за 1 секунду То есть целый час звука обрабатывается практически мгновенно - на порядки быстрее прошлых решений. Зачем это нужно NovaSR полезна везде, где есть “сырой” звук: ✅ улучшение TTS-озвучки (делает голос чище и приятнее) ✅ улучшение качества датасетов (для обучения ASR/TTS/voice моделей) ✅ очистка и восстановление созвонов / звонков / записей ✅ быстрый preprocessing перед ML пайплайном Это как “апскейлер” для звука: меньше шумов, больше чёткости, лучше разборчивость. Ссылки: Repo: https://github.com/ysharma3501/NovaSR Model: https://huggingface.co/YatharthS/NovaSR Если работаешь с TTS / ASR / аудио-датасетами - это must-have тулза.

Python : подробный путеводитель с примерами кода 2026 года Этот материал предназначен для новичков и тех, кто хочет систематизировать знания по языку программирования Python. В статье рассматриваются основные конструкции языка и показаны примеры кода для самых разных задач - от работы со строками до асинхронных запросов и анализа данных. Все примеры снабжены пояснениями, чтобы вы понимали не только как, но и почему. 📌 Подробнее

🖥 FastAPI для клиента: как должны выглядеть API-клиенты в Python Python-сообщество отлично научилось делать API-серверы. FastAPI / DRF дают идеальный опыт разработчика: - типы - валидация - понятные эндпоинты - документация по OpenAPI - минимум рутины Но есть проблема. Серверы стали удобными и “правильными”, а вот клиентская сторона до сих пор часто выглядит как кустарщина. Что часто встречается в проектах на базе python: - везде раскиданы httpx.get/post - URL собираются руками - параметры и headers копируются по коду - ответы парсятся вручную - ошибки обрабатываются как попало - нет нормальных типов и автодополнения И именно тут часто появляется 80% проблем. API может быть идеально спроектирован, но пользоваться им неудобно. Да, можно сгенерировать кода клиента. Но чаще всего генератор выдаёт огромный неудобный код: - странные имена методов - перегруженные классы - нечитаемый boilerplate - всё равно приходится писать обёртки руками В итоге клиенты либо не генерируют вообще, либо генерируют и потом ненавидят. API-клиенты должны быть сделаны как фреймворк. Как FastAPI, только наоборот. То есть ты описываешь клиент красиво и декларативно: - функция описывает intent (что мы делаем) - типы описывают контракт - библиотека берёт на себя HTTP-рутину Вместо кода “на коленке” httpx.get("https://api.site.com/users/123") Должно быть get_user(123) И дальше библиотека сама: - соберёт URL - подставит параметры - сериализует запрос - выполнит HTTP - распарсит ответ - кинет нормальную ошибку - даст типы и автодополнение в IDE Именно эту идею автор статье и продвигает (проект Clientele) Сделать API-клиенты удобными, чистыми и типобезопасными так же, как мы привыкли делать серверы Проблема не в HTTP. Проблема в том, что API-клиенты в Python до сих пор не стали “первоклассным кодом”. А должны стать. Подробности: paulwrites.software/articles/python-api-clients

🗣 Qwen3-TTS - мощный open-source релиз (voice design + клонирование голоса) Qwen официально выпустили Qwen3-TTS и полностью открыли всю линейку моделей - Base / CustomVoice / VoiceDesign. Что внутри: - 5 моделей (0.6B и 1.8B классы) - Free-form Voice Design - генерация/редаквтирование голоса по описанию - Voice Cloning - клонирование голоса - 10 языков - 12Hz tokenizer - сильная компрессия аудио без сильной потери качества - полная поддержка fine-tuning - заявляют SOTA качество на ряде метрик Раньше лучшие генераторы были в закрытых API, а теперь появляется полноценный open-source стек TTS, где можно: - обучать под домен, - делать кастомные голоса, - и не зависеть от провайдера. ▪GitHub: https://github.com/QwenLM/Qwen3-TTS ▪Hugging Face: https://huggingface.co/collections/Qwen/qwen3-tts ▪Демо (HF): https://huggingface.co/spaces/Qwen/Qwen3-TTS ▪Блог: https://qwen.ai/blog?id=qwen3tts-0115 ▪Paper: https://github.com/QwenLM/Qwen3-TTS/blob/main/assets/Qwen3_TTS.pdf @ai_machinelearning_big_data #AI #TTS #Qwen #OpenSource #SpeechAI

Заархивировали

🔥 На stepik вышел курс, который учит Создавать настоящие AI-сервисы, а не просто запускать скрипты? Этот практический курс по Python и FastAPI покажет, как собрать полноценное приложение с ИИ, базой данных, автогенерацией контента и Telegram-ботом. Ты пройдёшь путь от первого HTTP-запроса до рабочего сервиса, который сам генерирует текст через ИИ, сохраняет данные, отправляет результаты по расписанию и отвечает пользователям. Никакой теории ради теории - только практические шаги, из которых рождается реальный продукт. 🎁 48 часов действует скидка в 40% процентов 👉 Начать учиться на Stepik

🌟 GenRobot RealOmni-OpenData: апдейт датасета для Embodied AI RealOmni - это не просто каталог видео, где роборука хватает кубик на белом столе. Это мультимодальный подарок с траекториями, аннотациями и движениями суставов. 🟡Сенсоры Картинка с Fisheye-камер, данные IMU (инерциалка), энкодеры и данные с тактильных датчиков с разрешением 1 мм. 🟡Сценарии Снимали в 3000 реальных домах, никаких стерильных лабораторий: складывание одежды, завязывание шнурков, разбор посуды и сортировка всякого хлама. 🟡Bimanual manipulation Почти все таски двурукие. 🟡Long-horizon Медианная длина клипа ~ 210 секунд. То есть это не "схватил-положил", а полноценные процессы "достать, сложить, убрать в ящик". В свежем обновлении добавили 35 тыс. клипов с фокусом на разгребание куч разнородных предметов. Это именно та задача, на которой сыпется большинство моделей. Немного цифр о всем датасете 🟢Объем (заявленный): 95 ТБ (об этом ниже). 🟢Количество клипов: 1M+ (в планах). 🟢Разрешение: 1600x1296 @ 30fps. 🟢Формат: .mcap (стандарт для ROS, внутри сжатый H.264). Весть проект запланирован объемом 95 ТБ и хронометражем 10,000 часов. Но если посчитать, то что уже залито (Stage 1 + Stage 2), то суммарно около 5.4 ТБ и ~1600 часов. Остальное обещают догрузить as soon as possible. 🟡Важно знать Данные собраны специфическим гриппером GenDAS, так что если у вас другой сенсорный массив (или его нет), transfer learning может стать болью. Ассеты заточены под железку GenRobot. Это все еще телеоперация. То есть мы учим робота копировать движения человека-оператора и если он тупил или руки дрожали сетка это тоже выучит. Тем не менее, это очень крутой релиз для тех, кто пилит домашних роботов. Данные по завязыванию шнурков и разбору предметов в open-source редкость. 📌Лицензирование: CC-BY-NC-SA-4.0 License. 🟡Датасет 🖥GitHub @ai_machinelearning_big_data #AI #ML #Robotics #Dataset #RealOmni #GenRoborAI

🚀 Токенизация в LLM - как “Hello” превращается в цифры. Токенизация - это первый шаг перед тем, как LLM вообще начнет “думать”. Модель не понимает текст напрямую. Она понимает только числа. Поэтому любой текст сначала разбивается на маленькие кусочки - токены: - иногда это целые слова - иногда части слов (su, per, man) - иногда один символ - иногда даже пробел - тоже токен Пример: Фраза "I love programming" разбивается не обязательно на слова, а на кусочки слов: [I] ,[ love] ,[ program] , [ming] Обрати внимание: - " love" начинается с пробела - потому что пробел тоже часть токена - programming разделилось на 2 токена: " program" + "ming" То есть Токенизация - это когда LLM режет текст на маленькие кусочки (токены) и переводит их в числа. Важно: Чем больше токенов - тем дороже запрос и тем быстрее съедается контекст. Плохая токенизация = странные ошибки (особенно в коде, ссылках, редких словах). Поэтому LLM отлично понимают частые слова, но могут путаться на редких именах, терминах и смешанных языках. И лайфхак: если хочешь “дешевле” и “чище” ответы - пиши короче, без мусора, без повторов. Контекст - это валюта.

# Tokenization demo (Python)
# pip install tiktoken

import tiktoken

text = "I love programming in Python 🐍"

enc = tiktoken.get_encoding("cl100k_base")
tokens = enc.encode(text)

print("Text:", text)
print("Token IDs:", tokens)
print("Tokens count:", len(tokens))

# decode back
print("\nDecoded tokens:")
for t in tokens:
    print(t, "->", repr(enc.decode([t])))

https://www.youtube.com/shorts/A7DCcYLq38M

⚡️ Как запустить Qwen у себя на ПК с Python Совет: если хочешь развернуть Qwen локально без облака, проще всего поставить её через Transformers - модель скачивается один раз и дальше работает офлайн. Подходит даже для слабых ПК, если брать маленькие версии (например, Qwen-2.5-1.5B-Instruct).

# Установка:
# pip install transformers accelerate torch

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

MODEL_NAME = "Qwen/Qwen2.5-1.5B-Instruct"

# Модель и токенайзер загрузятся один раз — потом работают офлайн
tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
model = AutoModelForCausalLM.from_pretrained(
    MODEL_NAME,
    torch_dtype=torch.float16,
    device_map="auto"   # автоматически использует GPU, если есть
)

prompt = "Объясни простыми словами, чем контейнер отличается от виртуальной машины."

inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
outputs = model.generate(
    **inputs,
    max_new_tokens=200,
    do_sample=True,
    temperature=0.7
)

print(tokenizer.decode(outputs[0], skip_special_tokens=True))

🖥 Онлайн-книга: «Исследуем математику с помощью Python» 📘 Бесплатный онлайн-учебник по математике с практикой на Python. Это обновлённая версия книги *Exploring Mathematics with Your Computer*, где все примеры переписаны на Python и дополнены новыми главами. Книга разбирает идеи математики через код и эксперименты, охватывая: - основы алгоритмов и математического мышления - теорию чисел - вероятность и статистику - комбинаторику - численные методы - фракталы и хаос - геометрию и графику - марковские цепи - продолженные дроби - кривые и многое другое Каждая тема сопровождается пояснениями, упражнениями и примерами кода. Подходит тем, кто уже знает базовый Python и хочет через практику прокачать математику и алгоритмическое мышление. 📍 Ссылка на книгу: https://coe.psu.ac.th/ad/explore/

🖥 Сравнение лучших библиотек визуализации данных на Python в 2025 году Визуализация данных помогает разработчикам и аналитикам превращать таблицы цифр в наглядные графики, карты и панели мониторинга. В 2025 году Python остаётся доминирующим языком для анализа данных и визуализации: популярность языка подтверждают исследовательские индексы и рост сообщества. Экосистема Python предлагает десятки библиотек для построения графиков — от классических 2‑D диаграмм до интерактивных веб‑панелей. Ниже приведён обзор самых актуальных библиотек визуализации данных для Python на 2025 год и их отличительные особенности. https://uproger.com/sravnenie-luchshih-bibliotek-vizualizaczii-dannyh-na-python-v-2025-godu/

🚀 Автоматизированная торговля криптовалютами с AI PowerTrader_AI — это система автоматической торговли, использующая уникальный ИИ для прогнозирования цен на криптовалюту. Она применяет метод kNN для анализа исторических данных и формирования торговых сигналов на основе предсказанных ценовых уровней. Система включает в себя стратегию усреднения (DCA) и управление прибылью для оптимизации сделок. 🚀 Основные моменты: - Полностью автоматизированная торговля на основе ИИ. - Использует многовременные прогнозы для принятия решений. - Включает стратегию DCA для управления рисками. - Настраиваемые параметры для торговли на разных криптовалютах. 📌 GitHub: https://github.com/garagesteve1155/PowerTrader_AI

Приехали, Линус тоже стал вайб-кодером 😄 В README одного из его хобби-проектов нашли признание: визуализатор ему помог писать ИИ. Сам Линус честно говорит: в аналоговых фильтрах он разбирается куда лучше, чем в Python https://github.com/torvalds/AudioNoise

🎤 Создание голоса для нескольких спикеров с VibeVoiceFusion VibeVoiceFusion — это веб-приложение для генерации высококачественной синтетической речи с возможностями клонирования голоса. Основанное на модели VibeVoice от Microsoft, оно предлагает полный стек решений для управления проектами, генерации диалогов и оптимизации использования VRAM. 🚀 Основные моменты: - Удобный интерфейс для генерации речи без программирования - Поддержка многоголосого синтеза с уникальными характеристиками - LoRA-файнтюнинг для адаптации голоса и передачи стиля - Генерация нескольких аудиовариаций за один раз - Оптимизация для потребительских GPU с 10 ГБ+ VRAM 📌 GitHub: https://github.com/zhao-kun/VibeVoiceFusion

🔍 AI для пентестинга: PentestAgent PentestAgent — это инструмент для автоматизированного пентестинга с использованием ИИ. Он поддерживает различные модели, включая OpenAI и Anthropic, и предлагает многофункциональный интерфейс для взаимодействия с пользователем. Включает предустановленные инструменты и сценарии для тестирования безопасности. 🚀Основные моменты: - Поддержка нескольких ИИ моделей для анализа - Многоуровневый интерфейс с командной строкой и TUI - Встроенные инструменты для пентестинга - Возможность работы в Docker для изоляции - Автоматизация задач с помощью playbooks 📌 GitHub: https://github.com/GH05TCREW/pentestagent

100 технических вопросов для интервью Data Analyst / Data Scientist (Middle/Senior) В этом руководстве мы подробно разберем 100 реальных технических вопросов, которые часто встречаются на собеседованиях для аналитиков данных и специалистов по данным уровня middle и senior. Вопросы сгруппированы по типам компаний (FAANG, стартапы, финтех, консалтинг), по уровню позиции (middle или senior) и по ключевым категориям знаний. Используя этот гайд, вы сможете оценить свой уровень подготовки, понять глубину ответов, ожидаемую от опытных кандидатов, и избежать популярных ошибок. Давайте перейдем к вопросам. FAANG: Интервью в крупных технокомпаниях (FAANG – Amazon, Apple, Netflix, Google и аналогичные крупные IT-компании) Middle-уровень – FAANG SQL – примеры вопросов (Middle, FAANG) https://uproger.com/100-tehnicheskih-voprosov-dlya-intervyu-data-analyst-data-scientist-middle-senior/

📄 Конвертация сессий Claude Code в HTML 📄 Этот инструмент позволяет преобразовывать файлы сессий Claude Code (JSON/JSONL) в удобные для чтения HTML-страницы с пагинацией. Идеально подходит для архивирования и просмотра сессий в мобильном формате. 🚀 Основные моменты: - Преобразует сессии в многостраничные HTML-транскрипты. - Поддерживает локальные и веб-сессии через API Claude. - Возможность публикации на GitHub Gist для удобного доступа. - Автоматическое создание папок для хранения выходных данных. 📌 GitHub: https://github.com/simonw/claude-code-transcripts #python

🖥 На Stepik вышел курс, который учит работать с Docker на реальных проектах. Владение Docker - навык, который отличает новичка от профи Сегодня почти всё разворачивается в контейнерах. Если ты не умеешь работать с Docker, ты медленнее, зависим от чужих настроек и постоянно ловишь баги «у меня локально работает». Этот курс покажет: • разобраны все возможные ошибки при работе c Docker • как упаковывать проекты в контейнеры • как поднимать целые системы за минуты • как избегать типичных ошибок в продакшене • как делать стабильные и повторяемые окружения Только практика и реальные кейсы - с нуля до уверенного уровня. 🎁 40 процентов скидка действует 48 часов в честь нового года 👉 Записывайся и сделай Docker своим настоящим рабочим инструментом.

⚡️ Базовая аутентификация в Django: как сделать правильно В статье рассматривается, как настроить базовую (Basic) аутентификацию в Django для API и защищённых ресурсов. Что такое Basic Authentication Это самый простой способ аутентификации по HTTP: клиент отправляет логин и пароль в заголовке Authorization: Basic …, закодированные в base64. Подходит для API, но требует HTTPS, так как пароль передаётся в каждом запросе. Django по умолчанию не предоставляет Basic Auth для view-функций. Он есть только в Django REST Framework. Если нужен собственный API или простая защита эндпоинтов без DRF — придётся реализовать самому. Подход из статьи Автор показывает, как создать middleware или декоратор, который: - проверяет заголовок Authorization - декодирует базу64 - валидирует логин/пароль - возвращает 401 Unauthorized, если аутентификация не прошла Пример (упрощённо): 1) Извлекаем заголовок 2) Проверяем, что он начинается с Basic 3) Декодируем base64 4) Сравниваем с нужными учётками Для Django-view это можно обернуть в декоратор и использовать так:

@basic_auth_required
def my_view(request):
    …

Плюсы – очень лёгкий способ защитить API – работает без дополнительных библиотек – гибко настраивается Минусы – нет сессий, токенов, CSRF и других продвинутых схем – подходит только под HTTPS – пароль передаётся в каждом запросе Кому полезно Если нужен простой API или внутренняя служба, где полноценный OAuth/JWT — overkill.Ссылка https://adamj.eu/tech/2025/12/08/django-basic-authentication/

🎁🎄Новогодние проекты на Python🎄🎄 Новогодние праздники - отличное время сделать что-то не шаблонное на Python: микро-движок для генерации музыки, локальный AI-ассистент для заметок, трекер сна с визуализациями, «умный» планировщик тренировок, бот-редактор изображений или симулятор биржевых стратегий на исторических данных. Главное — выбери проект, где есть и код, и чуть-чуть исследовательской части: так растёт навык архитектуры.

# генератор уникальных идей проектов на праздники
import random

ideas = [
    "Локальный AI-помощник для поиска по личным заметкам",
    "Генератор музыки с визуализацией (MIDI + matplotlib)",
    "Трекер сна с анализом и графиками",
    "Бот-редактор картинок (фильтры, обводка, коллажи)",
    "Симулятор простых биржевых стратегий на исторических данных",
    "Планировщик тренировок с прогрессией нагрузки",
    "Мини-игра «жизнь колонии» с простой физикой"
]

def show():
    print("Твой нестандартный проект:")
    print(random.choice(ideas))

https://www.youtube.com/shorts/XLleHvDTsEk