Python Portal

Этот GitHub-репозиторий — не свалка туториалов. Внутри 28 продакшен-готовых AI-проектов, которые можно использовать. Что там есть: Проекты по машинному обучению → Прогноз цен на Airbnb → Калькулятор стоимости авиабилетов → Трекер успеваемости студентов AI для медицины → Детекция заболеваний грудной клетки → Предсказание сердечных заболеваний → Анализ риска диабета Генеративные AI-приложения → Живой чат-бот на Gemini → Рабочий медицинский ассистент → Инструмент анализа документов Проекты по компьютерному зрению → Система трекинга рук → Приложение для распознавания лекарств → Реализации на OpenCV Дашборды для анализа данных → Аналитика e-commerce → Аналитика ресторанов → Трекер статистики по крикету И ещё 10 продвинутых проектов скоро: → Детекция дипфейков → Классификация опухолей мозга → Система оповещения о сонливости водителя Это не просто набор файлов с кодом. Это end-to-end рабочие приложения. Посмотреть репозиторий 😲 👉 @PythonPortal

Сделай идеальное резюме, не возясь с шаблонами. Пишешь контент в YAML и генерируешь PDF. Проект называется RenderCV, он с открытым исходным кодом 👉 @PythonPortal

😭 👉 @PythonPortal

ML-инженерам: NVIDIA выпустила гайд для новичков по fine-tuning LLM с помощью Unsloth. В гайде разбирают: - методы обучения: LoRA, FFT, RL - когда и зачем делать fine-tuning, реальные use-case’ы - сколько данных и VRAM требуется - как обучать локально на DGX Spark, RTX-видеокартах и не только Гайд: https://blogs.nvidia.com/blog/rtx-ai-garage-fine-tuning-unsloth-dgx-spark/ 👉 @PythonPortal

В Source Control в VS Code теперь отображаются Git stash’и Скрытые stash’и наконец-то стали нормально управляемыми.😁 👉 @PythonPortal

NZT существует. В фильме «Области тьмы» герой выпивает NZT — и за день становится трейдером, мастером кунг-фу и полиглотом. Дело не в таблетке. А в состоянии. Химия не нужна. Когда ум чист, внимание собрано, и сомнений нет — ты уже на NZT. Ты замечаешь всё. Действуешь без разрывов. И мир отвечает тебе. Как включить режим NZT? Подписывайся на Мэверика. • входи в состояние всё «получается само». • мгновенно принимай лучшие решения. • считывай сложные связи там, где все видят хаос. • управляй фокусом и вероятностями событий. Твоя таблетка NZT. 👇 Мэверик. Ясность. Точность. ㅤ

AI-компании фиксируют, что около 300 ТБ музыки было публично «заархивировано». 👉 @PythonPortal

Проекты на PyTorch Плейлист, который помогает изучать PyTorch через работу над продвинутыми проектами. 👉 @PythonPortal

Извлечение структурированных данных из анкет пациентов с помощью DSPy и CocoIndex. Получай чистые, типизированные структурированные данные прямо из PDF с валидацией через Pydantic. Читать гид: начать 👉 @PythonPortal

«Да, я программист, как ты догадался?» Как он стоит: 👉 @PythonPortal

1 грамм микросхемы RAM стоит дороже, чем 1 грамм 16-каратного золота. 👉 @PythonPortal

8 Ключевых Концепций DDD 👉 @PythonPortal

Дорожная карта AI-ML с нуля 👉 @PythonPortal

ИТ-специалисты, слушающие, как не-ИТ-специалисты говорят о компьютерах 👉 @PythonPortal

Игра "Tennis for Two", созданная в 1958 году физиком Уильямом Хигинботэмом , которую часто называют первой видеоигрой, в которой для интерактивного игрового процесса использовался осциллограф 👉 @PythonPortal

А что если можно ускорить Python в 37 раз одной строкой кода? Медленные Python-функции в больших кодовых базах страшно оптимизировать. Можно попробовать Numba или Cython, но Numba в основном работает только с числовым кодом и NumPy-массивами. Можно пойти в Cython, но там нужны .pyx-файлы, аннотации типов и сборка. По факту это часы рефакторинга, прежде чем ты вообще увидишь прирост. 😬 Codon решает это одной строкой: декоратор codon.jit компилирует твой Python прямо в машинный код. Ключевые плюсы: • Работает с любым Python-кодом, не только с NumPy • Аннотации типов не нужны, типы выводятся автоматически • Скомпилированные функции кэшируются и потом вызываются мгновенно • Никаких изменений в коде, кроме добавления декоратора Выше реальные замеры производительности: • Чистый Python: 0.240 с • Первый вызов Codon: 0.324 с (разовая компиляция) • Повторные вызовы Codon: 0.006 с (ускорение в 37 раз) Ссылка на репозиторий: https://bit.ly/4q8SW3q Запустите этот код: https://bit.ly/492cz6D 👉 @PythonPortal

Превратите любой авторегресcивный LLM в диффузионную языковую модель. dLLM — это Python-библиотека, которая объединяет обучение и оценку diffusion-LM. С её помощью можно превратить любой авторегресcивный LLM в diffusion-LM с минимальными вычислительными затратами. Проект полностью open source. 👌 Почему это важно: Классические авторегресcивные модели генерируют текст слева направо, по одному токену за раз. Диффузионные модели работают иначе » они итеративно уточняют всю последовательность целиком. В итоге: - больше контроля над качеством генерации - гибкое редактирование текста - меньше ограничений, связанных с порядком генерации 👉 @PythonPortal

Copilot в Excel — это глобальный финансовый кризис, который просто ждёт своего часа. 👉 @PythonPortal

Python-совет: Shallow copy (copy.copy()) копирует сам объект, но не его вложенные элементы. Deep copy (copy.deepcopy()) копирует и объект, и все вложенные структуры. Поэтому при shallow copy изменения во вложенных элементах отражаются на оригинале, а при deep copy — нет. 👉 @PythonPortal

AWS снова отличились. Недавно они представили новый подход, который по-настоящему меняет то, как разработчики строят агентные пайплайны. Проблема в том, что большинство агентных фреймворков до сих пор заставляют захардкоживать workflow, деревья решений и сценарии отказов. Это работает ровно до тех пор, пока агент не сталкивается с ситуацией, которую ты не предусмотрел. Strands Agents от AWS идут другим путём. Вместо переусложнённой оркестрации они опираются на способности современных моделей к рассуждению и позволяют модели самой вести workflow. Ты: - задаёшь цель, - предоставляешь инструменты, - и позволяешь агенту самому понять, как к этой цели прийти. С точки зрения реализации всё максимально просто » нужно определить всего три вещи: 1. LLM, 2. инструменты, 3. задачу. И всё. Дальше агентный цикл берёт управление на себя. При запуске модель сама решает: - нужен ли инструмент, - какой именно, - как сформировать входные данные, - и когда остановиться. Вся логика » model-driven. То есть вместо правил вида «если математика — зови калькулятор» или «если API упал — делай retry», модель динамически планирует шаги и выполняет их сама. Workflow формируется во время выполнения, исходя из цели и доступных инструментов. Выше в видео показано конкретный, прикладной пример. Это агент на базе MCP, который умеет создавать видео в стиле 3Blue1Brown по одному простому промпту. Сетап был минимальный: - MCP-сервер с инструментом для запуска Manim-скриптов, - затем описал агента с этими инструментами. Без системных промптов и без правил workflow. Дальше модель сама: - спланировала шаги, - сгенерировала сцену Manim, - и автономно вызвала нужный инструмент. Даже минимальная конфигурация уже даёт удивительно высокий уровень возможностей. А по мере добавления лучших инструментов или моделей агент становится сильнее сам по себе - без переписывания workflow. Фреймворк полностью open source и работает с любым локальным сетапом. 📖 👉 @PythonPortal