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
Red:📈 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 12 385 suscriptores, ocupando la posición 9 837 en la categoría Tecnologías y Aplicaciones y el puesto 52 002 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 12 385 suscriptores.
Según los últimos datos del 26 agosto, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -60, y en las últimas 24 horas de -4, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 8.60%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 3.36% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 1 065 visualizaciones. En el primer día suele acumular 416 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 5.
- 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 27 agosto, 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.
12 385
Suscriptores
-424 horas
Sin datos7 días
-6030 días
Archivo de publicaciones
12 385
Синтаксис Python освоили, а что дальше? 🐍
Работа с БД, парсинг и идеи для пет‑проектов
В новом бесплатном курсе от Selectel собраны обучающие материалы для первых шагов в мире реального программирования. Меньше теории — больше практики. На вдумчивое ознакомление со всеми материалами уйдет около четырех часов.
После прохождения курса вы научитесь:
🔹 работать с базами данных и брокерами сообщений,
🔹 создавать приложения с графическим интерфейсом,
🔹 автоматизировать получение данных.
Переходите в Академию Selectel, чтобы начать изучение курса прямо сейчас ➡️
Реклама. АО «Селектел», ИНН 7810962785, ERID: 2VtzqwJGQBa
12 385
🔥SQLGlot — это мощный парсер SQL и оптимизатор, написанный полностью на Python. Он поддерживает 24+ диалектов, включая DuckDB, Presto/Trino, Snowflake и BigQuery, позволяя конвертировать запросы между ними с сохранением смысла.
📝 Основные преимушества:
- Гибкость: парсер можно легко кастомизировать под свои нужды
- Надежность: проект имеет более 1000 тестов и активное сообщество
- Проивзодительность: несмотря на медленную скорость языка парсер работает очень быстро.
👾 Github
@pro_python_code
12 385
Repost from Machinelearning
✔️ СuML от NVIDIA: Scikit-learn на скорости GPU – без единой строчки нового кода!
Все мы любим scikit-learn за его простоту и мощь. Но что если ваши модели обучаются слишком долго на больших данных? 🤔 NVIDIA предлагает решение!
Вы берете свой обычный скрипт cо scikit-learn, добавляете всего две строки в начало, и он начинает работать в 10, 50, а то и 100+ раз быстрее на NVIDIA GPU! 🔥
✨ Как это работает?
Библиотека cuml от NVIDIA содержит супероптимизированные для GPU версии многих алгоритмов машинного обучения. С помощью простого вызова
cuml.patch.apply() вы "патчите" установленный у вас scikit-learn прямо в памяти.
Теперь, когда вы вызываете, например, KNeighborsClassifier или PCA из sklearn:
▶️Патч проверяет, есть ли у вас GPU NVIDIA.
▶️Проверяет, есть ли в cuml быстрая GPU-версия этого алгоритма.
▶️Если да – запускает ускоренную версию на GPU! 🏎️
▶️Если нет (нет GPU или алгоритм не поддерживается) – спокойно запускает обычную CPU-версию scikit-learn.
Ключевые преимущества:
✔️ Нулевые изменения кода: Ваш scikit-learn код остается прежним. Добавляете только 2 строчки:
import cuml.patch и cuml.patch.apply().
✔️ Колоссальное ускорение: Получите прирост производительности на порядки для поддерживаемых алгоритмов (KNN, PCA, линейные модели, Random Forest (инференс), UMAP, DBSCAN, KMeans и др.) за счет мощи GPU.
✔️Автоматическое переключение между GPU и CPU. Ваш скрипт будет работать в любом случае.
Топ инструмент для всех, кто работает с scikit-learn на задачах, требующих значительных вычислений, и у кого есть GPU от NVIDIA.
👇 Как использовать:
Установите RAPIDS cuml (лучше через conda, см. сайт RAPIDS):
python
conda install -c rapidsai -c conda-forge -c nvidia cuml rapids-build-backend
import cuml.patch
cuml.patch.apply()12 385
Repost from Machinelearning
+9
🤖 Modern Robotics Course: Открытый курс по современной робототехнике.
Курс сочетает теорию (математика, физика) и практику (код, симуляторы), помогая разработчикам научиться создавать и программировать роботов.
🌟 Что внутри?
▪ Лекции: От основ робототехники, математики и физики до пространственных преобразований, обратной кинематике и более продвинутым концепциям .
▪ Практика: Примеры кода на Python и C++ для управления роботами.
▪Симуляторы: Интеграция с стимуляторами Gazebo и ROS ( операционная система для робото) для тестирования алгоритмов.
▪Задания: Реальные практические задачи (например, управление манипулятором робота).
🌟 Для кого?
▪ Начинающие робототехники: Освоить кинематику, динамику, управление.
▪ Программисты: Интегрировать алгоритмы в ROS, Gazebo, Python/C++.
▪ Инженеры: Возможность Научиться разрабатывать автономные системы и манипуляторы.
▪Технологические энтузиасты
С курсом можно пройти путь от нуля до создания рабочего прототипа.
С курсом у вас будет возможность проектировать роботов, не имея железа под рукой (через симуляторы).
✔️ Готовые решения: Внутри вы найдете библиотеки для работы с преобразованиями, датчиками, движением.
✔️Карьера в робототехнике: Курс даст возможность получить базовые навыки, востребованные в Bosch, Boston Dynamics, Tesla.
⭐️ Преимущества перед другими открытыми курсами
🟠 Акцент на практике: Минимум абстракций — максимум кода.
🟠Совместимость с ROS: Стандарт для промышленной робототехники.
🟠 Современные алгоритмы: Не только классика, но и нейросетевые подходы.
➡️ Cовет: Для погружения в курс, вам поможет книга Robotics, Vision and Control: Fundamental Algorithms in Python, Peter Corke, вот ее репозиторий с примерами кода.
P.S. Для тех, кто любит формат «сделай сам»: Курс научит вас собирать робота виртуально, а потом переносить решения на реальные устройства. 🤖💡
✔️ Github
✔️ Введение в курс
#course #ai #ml #robots #education #курс #робототехника
12 385
Repost from Python/ django
👩💻 Wowy — это шаблон интернет-магазина, построенный на Django 4.x, который предоставляет полный набор функций для управления!
🌟 Она обеспечивает удобный пользовательский интерфейс и мощную панель администратора. Включает поддержку управления товарами (с множеством изображений), управление категориями, корзину, список желаний, генерацию PDF-счетов и детальную аналитику продаж.
🔐 Лицензия: MIT
🖥 Github
@pythonl
12 385
«Устроиться в Яндекс невозможно» — слышали такое от друзей или знакомых? Этот и другие мифы ходят среди разработчиков — команда срезов в Поиске рассказывает, как всё устроено на самом деле.
❌ Миф 1. Отбор сложнее, чем в космонавты
✅ Говорят, что создать свой Поиск — это true rocket science. Но отбор к нам в команду не космически сложный. Есть 2–4 этапа, и к каждому из них мы помогаем подготовиться. А результаты успешных секций актуальны два года, так что при новых собеседованиях их просто зачтут.
❌ Миф 2. Продуктовая разработка без челленджей
✅ В Поиске с Нейро мы решаем прикладные задачи. Интерес и сложность в том, чтобы создавать продукты, которые отвечают на запросы миллионов пользователей. Наши решения мы интегрируем в инфраструктуру, которая обрабатывает петабайты информации в день и применяет последние достижения ML.
❌ Миф 3. Слишком много легаси-кода
✅ В Яндексе адекватно относятся к техдолгу и инфраструктуре. Команды постоянно развивают технологии, потому что растёт продуктовый заказ и есть требования к надёжности сервисов.
❌ Миф 4. Бесконечные переработки и дежурства
✅ В Поиске принято, что за надёжность продукта отвечает команда разработки. Дежурства есть, но они редкие — в среднем одна неделя раз в три месяца.
Если случится инцидент, есть понятный набор инструкций, а на случай непредвиденных обстоятельств — поддержка коллег, готовых подстраховать.
❌ Миф 5. Гигантский энтерпрайз
✅ В Поиске не принято вмешиваться в организацию и подходы работы отдельной команды. Выбор архитектуры, как и выбор технологического стека, остаётся за командой разработки. Скорее есть высокоуровневые ограничения и рекомендации.
Кандидат получает поддержку рекрутера и нанимающего менеджера на всех этапах найма, а после офера коллеги помогают с новыми задачами. Кстати, в бизнес-группе Поиска и Рекламных технологий несколько сервисов, один из них — Поиск с Нейро. Ребята создают системы для обработки и генерации данных и сейчас ищут себе бэкенд-разработчиков.
Если давно думали попробовать себя в Яндексе, сейчас самое время. По ссылке — пожелания к кандидатам и детали этапов отбора.
12 385
🖥 В Python оператор break часто используется для раннего завершения цикла, но иногда его применение может привести к менее читаемому или запутанному коду. В этой статье мы рассмотрим альтернативы, которые помогут сделать ваш код чище и понятнее.
▪ Использование конструкции for/else:
Если вам нужно выполнить дополнительное действие, когда цикл завершается без принудительного выхода, можно использовать блок else. В этом случае код внутри else выполнится только если цикл завершился «естественным образом», а не с помощью break.
▪ Флаговое управление циклом:
Вместо использования break можно завести булевую переменную (флаг), которая будет сигнализировать, что условие для выхода выполнено. Это позволяет явно обозначить, когда цикл должен завершиться, делая логику более явной.
▪ Возврат из функции (return):
Если цикл находится внутри функции, можно отказаться от break, просто завершив выполнение функции через return. Такой подход сразу возвращает результат и предотвращает дальнейшее выполнение кода, что зачастую упрощает логику.
▪ Использование исключений:
В некоторых случаях, особенно когда требуется выйти из вложенных циклов, можно определить и выбросить специальное исключение. Этот метод позволяет аккуратно прервать выполнение нескольких уровней циклов, а затем обработать исключение в одном месте.
Каждая из этих альтернатив может оказаться более подходящей в зависимости от контекста задачи. Применение таких методов помогает сделать код более предсказуемым, улучшает его поддержку и повышает читаемость. Попробуйте применить один из этих подходов в своём проекте и оцените, насколько он улучшает структуру вашего кода!
📌 Читать статью
12 385
Хотите получить много практики на реальных задачах, собрать портфолио и узнать как выглядит рабочий день аналитика?
CEO Simulative и эксперт с большим опытом в аналитике, Андрон Алексанян организовал бесплатный интенсив, где вы будете решать реальные задачи, с которыми аналитики сталкиваются на работе
На прямых эфирах вы сделаете:
🟠Анализ активности пользователей с помощью SQL
🟠Анализ маркетинговых активностей с помощью Python
🟠ABC анализ ассортиментной матрицы в Excel (уже прошел, но вам будет доступна запись)
Во время эфиров вы узнаете много лайфхаков, а также будете получать полезные материалы для развития в аналитике на протяжении всего интенсива
❗️Знать Python и SQL не обязательно — все будем разбирать с нуля
🕗 Встречаемся на новом эфире уже сегодня, 20 марта в 19:00 по мск
😶Участвовать в бесплатном интенсиве
12 385
Repost from Python/ django
🌐 Maigret — это инструмент OSINT (разведки на основе открытых данных), который позволяет находить профили пользователей в более чем 2000 онлайн-сервисах на основе имени пользователя!
🌟 Он анализирует доступную информацию, такую как социальные сети, форумы и платформы, и создает отчет о найденных профилях.
🔐 Лицензия: MIT
🖥 Github
@pythonl
12 385
+4
🎁 Дарим доступ к курсам и замечательную литературу для подготовки к собесу и !
На этот раз мы разыграем целых 3 места на наших курсах и коллекцию очень полезных книг для подготовки к собеседованию.
Условия участия максимально простые:
🔸 подписаться на Machine Learning
🔸 подписаться на Поступашки
Победители рандомно получат доступы к курсам или одну из этих великолепных книг:
— 40 алгоритмов, которые должен знать каждый программист на Python
— Машинное обучение. Подготовка к сложному интервью
— Путь инженера-программиста: развитие навыков для успешной карьеры
— Математика для Data Science
— Как быть успешным в Data Science.
— Грокаем алгоритмы искусcтвенного интеллекта
Итоги подведем 19 апреля в 19:00 при помощи бота, который рандомно выберет победителя. Всем удачи ❤️
12 385
+1
🖥 Authentik — это система управления удостоверениями (IAM) с открытым исходным кодом, предназначенная для обеспечения аутентификации и авторизации пользователей в различных приложениях!
🌟 Она поддерживает единый вход (SSO), многофакторную аутентификацию (MFA) и интеграцию с популярными протоколами, такими как OAuth2, SAML и LDAP. Authentik используется для защиты веб-приложений и управления доступом на основе ролей.
🔐 Лицензия: CC BY-SA 4.0
🖥 Github
12 385
Repost from Machinelearning
🌟 YOLOE — это усовершенствованная версия алгоритма обнаружения объектов, вдохновлённая классической архитектурой YOLO и разработанная командой THU-MIG.
Архитектура YOLO (You Only Look Once) получила своё название благодаря подходу, при котором нейронная сеть анализирует всё изображение целиком за один проход, чтобы определить присутствие и расположение объектов. Это отличается от других методов, которые сначала выделяют потенциальные области с объектами, а затем отдельно классифицируют их, что требует нескольких обработок одного изображения
YOLOE сохраняет принцип однократного взгляда на изображение для детекции объектов, но вносит архитектурные улучшения, направленные на повышение точности и эффективности модели.
▪ Ключевые отличия от классического YOLO:
- Оптимизированная архитектура: В YOLOE внедрены новые подходы для более эффективной обработки признаков, что позволяет улучшить качество детекции без значительного увеличения вычислительных затрат.
- Повышенная точность: Улучшенные модули и методы, такие как ре-параметризация отдельных блоков, способствуют более точному обнаружению объектов, включая мелкие и сложно различимые элементы.
- Скорость и эффективность: YOLOE сохраняет высокую скорость инференса, делая его пригодным для задач в реальном времени, при этом обеспечивая конкурентоспособное соотношение производительности и точности.
▶️YOLOE требует в 3 раза меньших затрат на обучение по сравнению с YOLO-Worldv2, что делает процесс обучения более экономичным
YOLOE представляет собой современное и улучшенное решение для задач детекции объектов, совмещающее лучшие стороны классического YOLO с новыми архитектурными подходами.
🖥Github
🟡Статья
🟡HF
🟡Colab
#yoloe #opensource #ml #ai #yolo #objectdetection
12 385
🖥 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
12 385
⚡️ 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
12 385
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
12 385
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🥳
12 385
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
12 385
+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
