PythonDigest

Open in Telegram

Сборник Python новостей: https://pythondigest.ru Наш IT-тренажер: https://app.incidenta.tech/ Создано в @incidenta_tech

Russia229 739 Technologies & Applications32 618

1 862

Subscribers

No data24 hours

+37 days

+430 days

315

Post views

~ 19424 hours

~ 22248 hours

16.92%

Engagement rate

~ 3

Posts per day

Ads index

beta

Data loading in progress...

Similar Channels

pro.elixir_job_and_news

More channels

Tags Cloud

Incoming and Outgoing Mentions

---

Attracting Subscribers

June '26

in 0 channels

May '26

+16

in 0 channels

Get PRO

April '26

+14

in 1 channels

Get PRO

March '26

+13

in 1 channels

Get PRO

February '26

+20

in 0 channels

Get PRO

January '26

+16

in 1 channels

Get PRO

December '25

+15

in 0 channels

Get PRO

November '25

+18

in 1 channels

Get PRO

October '25

+21

in 0 channels

Get PRO

September '25

+10

in 1 channels

Get PRO

August '25

in 0 channels

Get PRO

July '25

+12

in 1 channels

Get PRO

June '25

+12

in 0 channels

Get PRO

May '25

+13

in 0 channels

Get PRO

April '25

+12

in 2 channels

Get PRO

March '25

+15

in 1 channels

Get PRO

February '25

+21

in 0 channels

Get PRO

January '25

+20

in 2 channels

Get PRO

December '24

+16

in 1 channels

Get PRO

November '24

+25

in 2 channels

Get PRO

October '24

+26

in 1 channels

Get PRO

September '24

+16

in 1 channels

Get PRO

August '24

+19

in 1 channels

Get PRO

July '24

+26

in 0 channels

Get PRO

June '24

+15

in 0 channels

Get PRO

May '24

+38

in 0 channels

Get PRO

April '24

+39

in 0 channels

Get PRO

March '24

+41

in 0 channels

Get PRO

February '24

+50

in 0 channels

Get PRO

January '24

+73

in 0 channels

Get PRO

December '23

+74

in 0 channels

Get PRO

November '23

+25

in 0 channels

Get PRO

October '23

+24

in 0 channels

Get PRO

September '23

+19

in 0 channels

Get PRO

August '23

+30

in 0 channels

Get PRO

July '23

+26

in 0 channels

Get PRO

June '23

+17

in 0 channels

Get PRO

May '23

+11

in 0 channels

Get PRO

April '23

+18

in 0 channels

Get PRO

March '23

+29

in 0 channels

Get PRO

February '23

+18

in 0 channels

Get PRO

January '23

+27

in 0 channels

Get PRO

December '22

+20

in 0 channels

Get PRO

November '22

+18

in 0 channels

Get PRO

October '22

+11

in 0 channels

Get PRO

September '22

+20

in 0 channels

Get PRO

August '22

+14

in 0 channels

Get PRO

July '22

+18

in 0 channels

Get PRO

June '22

in 0 channels

Get PRO

May '22

+27

in 0 channels

Get PRO

April '22

+16

in 0 channels

Get PRO

March '22

+21

in 0 channels

Get PRO

February '22

+15

in 0 channels

Get PRO

January '22

+21

in 0 channels

Get PRO

December '21

+19

in 0 channels

Get PRO

November '21

+25

in 0 channels

Get PRO

October '21

+29

in 0 channels

Get PRO

September '21

+21

in 0 channels

Get PRO

August '21

+24

in 0 channels

Get PRO

July '21

+24

in 0 channels

Get PRO

June '21

+18

in 0 channels

Get PRO

May '21

+20

in 0 channels

Get PRO

April '21

+20

in 0 channels

Get PRO

March '21

+46

in 0 channels

Get PRO

February '21

+23

in 0 channels

Get PRO

January '21

+33

in 0 channels

Get PRO

December '20

+1 968

in 0 channels

Date	Subscriber Growth	Mentions	Channels
11 June	0
10 June	0
09 June	0
08 June	+1
07 June	0
06 June	0
05 June	+2
04 June	+2
03 June	0
02 June	0
01 June	+1

Channel Posts

Откуда в обучении берётся nan: численная нестабильность в ML и почему всё считают в логарифмах https://habr.com/ru/companies/otus/articles/1044824/ Многие ML‑инженеры знают, что нужно использовать CrossEntropyLoss, log_softmax и logsumexp. Гораздо меньше людей могут объяснить, что именно они спасают и почему без них обучение модели периодически превращается в генератор nan. Именно об этом и поговорим.

2	Dead Letter Queue в Kafka на практике https://habr.com/ru/articles/1045324/ DLQ — это просто топик. Сложное — всё, что вокруг него.Эта статья — про практическую архитектуру обработки событий из Kafka с отправкой данных во внешний REST API.Главная проблема такого сценария — нестабильность внешнего API. Он периодически деградирует по latency или начинает отвечать с ошибками, и это напрямую влияет на пропускную способность всего консьюмера.	101
3	Фрактальная криптография: может ли хаос стать основой постквантового шифрования? https://habr.com/ru/articles/1045408/ Всем Q. А тем, у кого малиновые штаны много QqQq. Когда-то, n-лет тому назад, много и долго исследовал фракталы ...	140
4	django-cms - 5.0.8 https://pypi.org/project/django-cms/5.0.8/ Легкая в использовании и удобная для разработки CMS. Скачать можно по ссылке: https://pypi.python.org/pypi/django-cms/	173
5	Python 3.15 Hits Feature Freeze and Other News for June 2026 https://realpython.com/python-news-june-2026/ Python 3.15 hits feature freeze with a built-in sentinel, PEP 829 lands, Pydantic forks httpx, and AI goes bug-hunting in C code.	172
6	[Видео] Как мы изобретали Temporal, пытаясь просто создать приложение https://www.youtube.com/watch?v=UO8kOmZ5Tfk Ларин Андрей. Старший разработчик, группа разработки IDP, Яндекс. Слайды: https://moscowpython.ru/meetup/111/inventing-temporal/	197
7	[Видео] AI в разработке: очень хороший автокомплит или роботы нас заменят? https://www.youtube.com/watch?v=xJPcr72bJTQ Модерируемая дискуссия со спикерами. Рассмотрим с разных углов как AI инструменты меняют мир разработки.	205
8	Как я проектировал очередь задач для работы с AI-агентом https://habr.com/ru/articles/1044554/ Разбираю, как я отделил жизненный цикл задачи от владельца следующего действия, чтобы AI-агент видел не просто список дел, а очередь: что можно брать в работу, что ждет человека, что требует ревью и что заблокировано.	229
9	tornado - 6.5.7 https://pypi.org/project/tornado/6.5.7/ Масштабируемый, не блокирующий web-сервер. Скачать можно по ссылке: https://pypi.python.org/pypi/tornado/	228
10	Локальная Gemma 4 на MacBook читает графики и таблицы — и врёт красивее, чем говорит правду https://habr.com/ru/articles/1044400/ MacBook M3, 16 ГБ, никакого облака. Поставил свежую Gemma 4, написал инструмент: кидаешь картинку с графиком или таблицей — получаешь CSV. Три кейса из семи — идеально. На остальных модель начала врать, причём аккуратнее, чем говорила правду: вместо рваных реальных чисел подсовывала гладкие выдуманные. Разобрал по шагам — сетап на маке, грабли с llama.cpp, сам инструмент — и собрал карту, где локальному зрению можно верить, а где оно тихо галлюцинирует	248
11	Как дообучить LLM. Рассказываю шаг за шагом https://habr.com/ru/articles/1044422/ В этой статье я шаг за шагом расскажу, как дообучить LLM под свою задачу. В качестве примера возьму open-source модель Qwen2.5-0.5B и дообучу её извлекать информацию из текста в формате JSON по заданной схеме. Сначала дам короткую вводную по этапам обучения языковых моделей, а затем перейдём к практике: подготовим данные, настроим LoRA, обучим модель в Colab и сравним метрики до и после — заодно проверим, насколько сильно модель забывает прежние знания. Рассказ будет сопровождаться кодом на Python	244
12	Разбираемся в ML без воды: от базы до Attention. Часть 9: Дерево решений https://habr.com/ru/articles/1044364/ В восьмой части мы завершили изучение SVM и разобрались с Kernel Trick. Теперь пришло время познакомиться с деревьями решений — одним из самых популярных и интуитивно понятных алгоритмов машинного обучения. Идея дерева решений достаточно проста. Алгоритм последовательно задаёт вопросы о признаках объекта и, в зависимости от ответов, движется по ветвям дерева, пока не придёт к итоговому решению. Именно благодаря такой структуре деревья решений считаются одними из самых интерпретируемых моделей машинного обучения.	231
13	Сводка pythonz 31.05.2026 — 07.06.2026 https://pythonz.net/articles/648/ А теперь о том, что происходило в последнее время на других ресурсах.	230
14	auto-browser - real browser — with a human in the loop. https://github.com/LvcidPsyche/auto-browser	225
15	#python #pydigest IT-новости про Python перед вами. Часть материалов из выпуска Python Дайджест: - Как я отучил оракула молоть околесицу про ГОСТы: сказ о doc-rag без единого (почти) заморского слова - Как мы проектировали мониторинг Telegram-групп на Telethon - Реверс-инжиниринг карт Heroes of Might and Magic III: Horn of the Abyss + парсер на Python - Как конечные автоматы помогают сделать агента надежнее и при чем тут pydantic-graph? - Как дообучить LLM. Рассказываю шаг за шагом - Как собрать своё зеркало PyPI на nginx за вечер - A2A изнутри: как AI-агенты из разных сервисов договариваются друг с другом - auto-browser - real browser — with a human in the loop. - whichllm - поиск лучшей LLM модели под оборудование - Django - 6.0.6 Заходите в гости - https://pythondigest.ru/issue/651/	234
16	whichllm - поиск лучшей LLM модели под оборудование https://github.com/Andyyyy64/whichllm	224
17	beautifulsoup4 - 4.15.0 https://pypi.org/project/beautifulsoup4/4.15.0/ XML/HTML парсер. Скачать можно по ссылке: https://pypi.python.org/pypi/beautifulsoup4/	233
18	aiohttp - 3.14.1 https://pypi.org/project/aiohttp/3.14.1/ http клиент/сервер для asyncio. Скачать можно по ссылке: https://pypi.python.org/pypi/aiohttp	235
19	(An ((Even Better) Lisp) Interpreter (In Python)) http://norvig.com/lispy2.html	233
20	Pipeline в машинном обучении: как создавать сложные модели без боли и утечек данных https://habr.com/ru/companies/otus/articles/1039162/ В ML‑проектах проблемы часто начинаются не с выбора алгоритма, а с предобработки: один трансформер забыли применить к тестовой выборке, другой обучили до кросс‑валидации, третий сломался при передаче проекта коллеге. В статье разберём, как Pipeline в sklearn помогает собрать обработку данных и модель в единый воспроизводимый конвейер, снизить риск data leakage и упростить работу со сложными ML‑сценариями	242

View all posts