¡Ya disponible! Investigación de Telegram 2025 — los principales insights del año 
Python RU
Ir al canal en Telegram
Все для python разработчиков админ - @haarrp @python_job_interview - Python собеседования @ai_machinelearning_big_data - машинное обучение @itchannels_telegram - 🔥лучшие ит-каналы @programming_books_it - it книги @pythonl РКН: clck.ru/3Fmy2j
Mostrar más📈 Análisis del canal de Telegram Python RU
El canal Python RU (@pro_python_code) en el segmento lingüístico de Ruso es un actor destacado. Actualmente la comunidad reúne a 12 511 suscriptores, ocupando la posición 10 149 en la categoría Tecnologías y Aplicaciones y el puesto 52 934 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 12 511 suscriptores.
Según los últimos datos del 04 junio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -87, y en las últimas 24 horas de -1, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 8.95%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 2.68% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 1 120 visualizaciones. En el primer día suele acumular 335 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 7.
- Intereses temáticos: El contenido se centra en temas clave como api, docker, github, sql, linux.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“Все для python разработчиков
админ - @haarrp
@python_job_interview - Python собеседования
@ai_machinelearning_big_data - машинное обучение
@itchannels_telegram - 🔥лучшие ит-каналы
@programming_books_it - it книги
@pythonl
РКН: clck.ru/3Fmy2j”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 05 junio, 2026), el canal mantiene la vigencia y un amplio alcance. La analítica demuestra que la audiencia interactúa activamente con el contenido, lo que lo convierte en un punto de referencia dentro de la categoría Tecnologías y Aplicaciones.
12 511
Suscriptores
-124 horas
-177 días
-8730 días
Archivo de publicaciones
12 511
🖥 YT Navigator — это приложение на основе искусственного интеллекта, предназначенное для эффективного поиска и взаимодействия с контентом YouTube-каналов.
Оно позволяет пользователям выполнять семантический поиск по видео, получать точные временные метки и извлекать информацию из часов видеоматериалов за считанные секунды.
📌 Основные функции YT Navigator:
Семантический поиск: Возможность находить релевантные сегменты видео с точными временными метками на основе естественных языковых запросов.
Интерактивное общение: Пользователи могут "общаться" с содержимым канала, получая ответы на вопросы, основанные на транскриптах видео.
Экстракция информации: Быстрое извлечение ключевой информации из большого объёма видеоконтента, что экономит время и усилия при анализе материалов.
Преимущества использования YT Navigator:
Экономия времени: Быстрый доступ к конкретной информации без необходимости просмотра длительных видеороликов.
Удобство: Интуитивно понятный интерфейс и мощные функции делают процесс поиска и анализа видеоконтента более эффективным.
YT Navigator особенно полезен для исследователей, аналитиков и всех, кто работает с большими объёмами видеоданных, предоставляя инструменты для быстрого и точного анализа контента.
📌 Github
12 511
⚡️ pandas-ai — это open-source библиотека, позволяющая интегрировать возможности искусственного интеллекта в работу с DataFrame библиотеки pandas.
▪ Интеграция ИИ с pandas: Проект позволяет задавать вопросы на естественном языке относительно ваших данных в DataFrame и получать интерпретируемые ответы, используя крупные языковые модели (LLM).
▪ Удобство анализа: С помощью pandas-ai вы можете автоматически получать анализ данных, визуализации и статистические выводы без написания сложного кода.
▪ Гибкость и расширяемость: Библиотека легко настраивается и интегрируется с различными моделями и API, что делает её полезной для быстрого прототипирования и разработки аналитических приложений.
Таким образом, pandas-ai интересен разработчикам и аналитикам, которые хотят объединить возможности ИИ с традиционным анализом данных для автоматизации и упрощения рабочих процессов.
▪Github
12 511
Repost from Python/ django
🖥 python-genai — это официальный SDK на Python от Google, предназначенный для интеграции генеративных моделей Google AI в приложения!
💡 Основные возможности включают генерацию текста, настройку моделей с помощью системных инструкций, параметры генерации (например, температуры, длины вывода), а также встроенные механизмы безопасности. SDK поддерживает удобную работу с параметрами через словари или модели Pydantic. Также предусмотрена интеграция с пользовательскими функциями для обработки результатов или вызова API.
🔐 Лицензия: Apache-2.0
🖥 Github
@pythonl
12 511
Как ускорить Python-код, выжать максимум из AI и не попасть в ловушки импорта?
Подробно разберут на Podlodka Python Crew, где обсуждают практические аспекты и инструменты.
🔹Что за конференция?
Podlodka Crew — это серии IT-конференций с упором на прикладные знания.
Все сессии проходят онлайн, в удобное время утром и вечером, так что легко совмещать с работой.
🔹Что в программе?
🦾 AI для самых ленивых — как делегировать задачи нейросетям и повысить продуктивность (Никита Замулдинов, Сбер)
⚡Python медленный, Rust быстрый — как писать Python-библиотеки на Rust и интегрировать через PyO3 (Данил Ахтаров)
🖥 Vim, VSCode, PyCharm — кто победит? — обсуждают топовые разработчики из Райффайзена, Яндекса и Контура
🔥Фейлы на проде — открытый микрофон для самых запоминающихся ошибок и решений
Главный фокус — применимость знаний. После конференции вам не придется гадать, что делать с информацией: сразу берите и внедряйте.
📅 Даты: 17 - 21 марта 2025 года
🎟 Билеты и подробности: https://podlodka.io/pythoncrew
А промокод собщества pro_python4 дает скидку в 500р🥳
12 511
Repost from Machinelearning
+3
🌟 EuroBERT: энкодеры нового поколения.
Исследовательская группа под патронажем Centrale Supélec (Университет Париж-Сакле) выпустила в открытый доступ EuroBERT — семейство мультиязычных энкодеров, обученных на 5 трлн. токенов из 15 языков, включая русский.
EuroBERT сочетает инновационную архитектуру с поддержкой контекста до 8192 токенов, что делает это семейство идеальным для анализа документов, поиска информации, классификации, регрессии последовательности, оценки качества, оценки резюме и задач, связанных с программированием, решением математических задачи.
В отличие от предшественников (XLM-RoBERTa и mGTE), EuroBERT объединил GQA, RoPE и среднеквадратичную нормализацию, чтобы достичь беспрецедентной эффективности производительности даже в сложных задачах. Второе немаловажное преимущество EuroBERT - в обучение помимо текстовых данных были включены примеры кода и решения математических задач.
Самая младшая модель EuroBERT с 210 млн. параметров показала рекордные результаты: в тесте MIRACL по многоязычному поиску её точность достигла 95%, а в классификации отзывов (AmazonReviews) — 64,5%. Особенно выделяется умение работать с кодом и математикой — в бенчмарках CodeSearchNet и MathShepherd EuroBERT опережает аналоги на 10–15%.
▶️Состав релиза:
🟢EuroBERT-210М
🟢EuroBERT-610М
🟢EuroBERT-2.1В
⚠️ EuroBERT можно использовать непосредственно с
transformers, начиная с версии 4.48.0
⚠️ Для достижения максимальной эффективности, разработчики рекомендуют запускать EuroBERT с Flash Attention 2
▶️ Пример инференса:
from transformers import AutoTokenizer, AutoModelForMaskedLM
model_id = "EuroBERT/EuroBERT-210m"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForMaskedLM.from_pretrained(model_id, trust_remote_code=True)
text = "The capital of France is <|mask|>."
inputs = tokenizer(text, return_tensors="pt")
outputs = model(**inputs)
# To get predictions for the mask:
masked_index = inputs["input_ids"][0].tolist().index(tokenizer.mask_token_id)
predicted_token_id = outputs.logits[0, masked_index].argmax(axis=-1)
predicted_token = tokenizer.decode(predicted_token_id)
print("Predicted token:", predicted_token)
# Predicted token: Paris
12 511
+1
Машинное и глубокое обучение ОНЛАЙН-УЧЕБНИК Виктор Владимирович Китов
Учебник содержит выжимку основных материалов на основе читаемых автором курсов на факультете вычислительной математики и кибернетики (ВМК) в МГУ им. М.В.Ломоносова, а также в магистратуре Т-Банка для студентов МФТИ.
Этот онлайн-учебник посвящен увлекательной, перспективной и бурно развивающейся теме машинного обучения (machine learning) и глубокого обучения (deep learning), позволяющей наделять компьютерные программы возможностью принимать сложные интеллектуальные решения, автоматически настраиваемые по наблюдаемым данным. В первой части учебника (машинное обучение) рассматриваются основные задачи и понятия машинного обучения, методы их решения, оценка качества результатов и способы интерпретации моделей машинного обучения. Во второй части (глубокое обучение) изучаются нейронные сети, способы их эффективной настройки и архитектуры для решения различных задач.
Цель учебника состоит в том, чтобы предоставить образовательные материалы в открытый доступ для широкого круга читателей, как совсем не знакомых с областью, так и имеющих в ней некоторый опыт. Описание даётся как на интуитивном уровне, так и используя математические выкладки, поэтому предполагается знакомство читателя с основами математического анализа, теории вероятностей и математической статистикой. За исключением основ высшей математики, учебник полностью самодостаточный. Предварительного знакомства читателя с машинным обучения не требуется, поскольку в учебнике описывается весь цикл разработки моделей от постановки задачи и подготовки данных до оценки качества прогнозов и интерпретации результатов.
Для обратной связи по сайту, материалам и общим вопросам пишите на deepmachinelearning@yandex.ru.
С правами использования материала учебника вы можете ознакомиться в разделе лицензия.
Разработка и систематизация материалов поддержана грантом некоммерческого фонда развития науки и образования «Интеллект».
📓 Ссылка на книгу
12 511
🤔 Основы математики в Machine Learning / Deep Learning
🗓 6 марта приглашаем вас на прямой эфир, где мы подробно разберем ряд Тейлора, собственные векторы и другие ключевые понятия в ML.
(ссылка)
🌟 Спикер: *Мария Горденко* – Старший преподаватель ФКН НИУ ВШЭ, НИТУ МИСИС, аспирант департамента анализа данных и искусственного интеллекта ФКН НИУ ВШЭ, а также преподаватель на курсе Алгоритмы и структуры данных в proglib academy.
Место работы: Инженер-программист, ведущий эксперт НИУ ВШЭ, цифровой ассистент и цифровой консультант НИУ ВШЭ.
😮 На вебинаре вы узнаете:
🔵 Теорию вероятностей: обсудим случайные величины, вероятность, математическое ожидание и дисперсию.
🔵 Линейную алгебру: изучим векторы, матрицы, собственные векторы и собственные значения.
🔵 Математический анализ: разберем производные и разложение функций в ряд Тейлора.
🔵 Практику: применим полученные знания на реальных кейсах из области Machine Learning и Deep Learning.
🎯 Почему это важно?
Понимание математических основ помогает глубже разобраться в работающих под капотом алгоритмах ML/DL и эффективно применять их на практике.
👉 Присоединяйтесь к нам и совершенствуйте свои навыки в машинном обучении!
📌 Регистрация по ссылке: https://proglib.io/w/fe260c46
Реклама. ИП Дрёмов Артём Сергеевич, ИНН 771391651571. Erid 2VtzqvwgKH8
12 511
✔ Разбор задач с собеседований по статистике для Дата Саентистов
В современных собеседованиях на позицию Data Scientist кандидатов проверяют не только практические навыки программирования, но и глубокое понимание статистических методов.
В данной статье рассмотрены часто встречающиеся задач, которые могут встретиться на интервью. Разберём каждую задачу с теоретической точки зрения, а также продемонстрируем пример кода на Python.
📌 Читать
@pro_python_code
12 511
Repost from Python/ django
🖥 ScrapeServ — это API, который принимает URL и возвращает файл с данными веб-сайта и его скриншотами!
🌟 Он разработан для запуска в Docker-контейнере и использует браузерные технологии для обработки JavaScript на страницах. Среди возможностей ScrapeServ — прокрутка страницы с созданием скриншотов различных разделов, автоматическая обработка перенаправлений и корректная работа с ссылками на загрузку файлов. Задачи обрабатываются в очереди с настраиваемым распределением памяти, обеспечивая эффективное использование ресурсов.
🔐 Лицензия: MIT
🖥 Github
@pythonl
12 511
Инженерам посвящается! :)
27 февраля вместе с Вадимом Вагановым, ведущим экспертом разработки Газпромбанк.Тех, поговорим о том, как бэкенд-разработчикам красиво и наглядно показывать свои результаты.
Какие вопросы обсудим:
– Что делать, если есть трудности с презентацией и оценкой своей работы
– Как мониторинг может помочь решить эту проблему
– Какие метрики стоит отслеживать в backend-приложениях
– Почему мониторинг — это навык, который стоит прокачать любому инженеру
Регистрируйся по ссылке: https://www.gazprombank.tech
Реклама, Банк ГПБ (АО), ИНН: 7744001497
12 511
⚡️ Метапрограммирование на грани магии: Метаклассы, Декораторы и Динамические DSL
📌 Читать
@pro_python_code
12 511
⚡️ Метапрограммирование на грани магии: Метаклассы, Декораторы и Динамические DSL
📌 Читать
@pro_python_code
12 511
⚡️Легкий способ получать свежие обновления и следить за трендами в разработке на вашем языке. Находите свой стек и подписывайтесь:
МАШИННОЕ ОБУЧЕНИЕ: t.me/ai_machinelearning_big_data
C++ t.me/cpluspluc
Python: t.me/pythonl
Linux: t.me/linuxacademiya
Хакинг: t.me/linuxkalii
Devops: t.me/DevOPSitsec
Data Science: t.me/data_analysis_ml
Javascript: t.me/javascriptv
C#: t.me/csharp_ci
Java: t.me/javatg
Базы данных: t.me/sqlhub
Python собеседования: t.me/python_job_interview
Мобильная разработка: t.me/mobdevelop
Docker: t.me/DevopsDocker
Golang: t.me/Golang_google
React: t.me/react_tg
Rust: t.me/rust_code
ИИ: t.me/vistehno
PHP: t.me/phpshka
Android: t.me/android_its
Frontend: t.me/front
Big Data: t.me/bigdatai
Собеседования МЛ: t.me/machinelearning_interview
МАТЕМАТИКА: t.me/data_math
Kubernets: t.me/kubernetc
Разработка игр: https://t.me/gamedev
Haskell: t.me/haskell_tg
💼 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
😆ИТ-Мемы: t.me/memes_prog
🇬🇧Английский: t.me/english_forprogrammers
🧠ИИ: t.me/vistehno
🎓954ГБ ОПЕНСОРС КУРСОВ: @courses
📕Ит-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy
12 511
🧠 Современные методы статистической теории в машинном обучении
- Видео
- Colab
- Полный курс
@data_math
12 511
Repost from Machinelearning
⭐️ Podcastfy — это open-source инструмент, который преобразует текстовый контент в аудио подкасты с использованием синтеза речи.
Он позволяет легко создавать аудиоверсии статей или блогов, упрощая процесс создания подкастов для контент-мейкеров, блогеров или в целях обучения.
🌟 Поддерживает интеграцию с ElevenLabs, OpenAI и Edge TTS, для преобразования текста в речь.
💡 Примеры можно посмотреть здесь.
💨 Поддерживает продвинутые настройки для работы с голосами, стилем речи и другими параметрами. с генеративным контентом.
Установка:
$ pip install podcastfy
Podcastfy — удобный и простой в использовании инструмент для быстрого прототипирования решений по автоматическому созданию аудиоконтента и интеграции в более крупные ML-проекты.
🔐 Лицензия: Apache-2.0
▪Github
▪Paper
▪Colab
@ai_machinelearning_big_data
#podcast #gemini #openai #elevenlabs #genai #notebooklm12 511
Repost from Python/ django
🖥 PdfDing — это менеджер, просмотрщик и редактор PDF-файлов, обеспечивающий удобную работу на различных устройствах!
🌟 Он позволяет просматривать PDF-документы непосредственно в браузере, сохраняя позицию чтения для последующего продолжения с того же места. Пользователи могут организовывать свои PDF-файлы с помощью многоуровневых тегов, добавлять аннотации, выделения и рисунки, а также использовать такие функции, как темный режим, инвертированные цвета и настраиваемые цветовые темы. Кроме того, PdfDing поддерживает единый вход (SSO) через OIDC и предоставляет возможность делиться PDF-файлами с внешними пользователями посредством ссылок или QR-кодов с опциональным контролем доступа.
🔐 Лицензия: GPL-3.0
🖥 Github
@pythonl
